Synthetic Aperture Radar (SAR) 시스템은 주야간과 기상 조건에 관계없이 전천후 영상 촬영이 가능하여 타 원격탐사 시스템에 비해 안정적인 데이터 수급이 가능하다. 이러한 특성 덕분에 SAR 영상을 활용한 변화탐지 기술의 중요성이 점점 커지고 있다. SAR 기반 변화 탐지 연구는 토지 피복 변화, 도시 확장, 자연재해 모니터링, 지표 변위 분석 등을 주요 관심 분야로 다루며, 특히 지진, 산사태, 홍수와 같은 자연재해의 평가 및 관리에 있어 그 유용성이 입증되었다(Baek and Jung, 2019; Chae et al., 2022; Hong et al., 2023). 예를 들어 지진, 화산 등 자연재해로 인한 지표 변위를 측정하는데 Interferometric SAR (InSAR) 기술이 널리 적용되어 연구자들이 높은 정확도로 피해를 관측하고 평가할 수 있게 되었다(Meng et al., 2024). 또한, 주요 홍수 발생 시, SAR 강도(intensity) 데이터를 이용하여 신속한 홍수 범위 매핑(mapping)을 할 수 있으며, 이러한 산출물을 시계열적으로 확장하면 홍수로 인한 피해 모니터링이 가능하다(Amitrano et al., 2024).

SAR 위성영상을 활용한 변화탐지 기술은 상당히 발전했으나 여전히 스페클 노이즈(speckle noise), 해석의 복잡성, 대용량 데이터 처리의 부담과 같은 한계가 존재한다. 특히, 시계열 SAR 영상에는 시스템 및 환경 요인으로 인해 발생하는 노이즈와 변동성이 포함되어 있는 경우가 많으므로 자료처리 과정에서 이를 완화해야 한다. 다시 말해 시계열 SAR 영상에서 주요 대상 영역 외부의 공간적 변동성은 분석에 복잡성을 초래할 수 있기 때문에 시간적 및 환경적 변동을 고려한 보정을 통해 SAR 신호의 안정성을 확보해야 한다. 특히, 도심지의 변화는 단일 사건으로 끝나지 않고 시간이 지남에 따라 축적되므로, 시계열 SAR 위성영상을 활용한 효과적인 탐지 방법의 개발이 필요하다. 그러나 시계열 SAR 변화탐지 방법 개발은 주로 해외 SAR 위성 영상을 대상으로 일부 연구가 진행되었을 뿐, 국내 다목적실용위성(KOMPSAT) SAR 위성 영상을 활용한 연구는 미비한 상황이다.

이 논문에서는 SAR 위성영상을 사용하여 도시 국소지역에 대한 시계열 변화탐지를 위한 SAR Statistically Homogeneous Pixel (SHP) 정보(Jiang et al., 2015) 및 긴밀도(coherence) 정보(Touzi et al., 1999) 융합 기반의 시계열 변화탐지 방법을 제안하였다. SHP 알고리즘은 원격탐사 데이터에서 시계열 변화탐지를 수행할 때 사용되는 기법 중 하나로, 동일한 통계적 특성을 가진 픽셀 집합을 기반으로 변화 여부를 평가하며, 특히 SAR 영상과 같은 고해상도 원격탐사 데이터를 처리할 때 유용하게 사용된다(Wang et al., 2016). 본 연구에서는 이러한 SHP 정보에 추가적으로 SAR의 고유 정보인 긴밀도 정보를 함께 고려하는 시계열 SAR 변화탐지 방법을 제안하였다. 제안된 시계열 변화탐지 프레임워크를 KOMPSAT-5 SAR 시계열 데이터에 적용하여 항만지역 컨테이너 적치장에 대한 변화탐지를 수행하였고, 결과에 대한 평가를 수행하였다.

본 연구에서 제안하는 SAR 위성영상을 이용한 도심지 국소지역에 대한 시계열 변화탐지 방법의 전체 절차는 Fig. 1과 같다. 제안하는 방법은 SAR의 강도 정보를 활용하여 변화 픽셀을 추출하는 SHP 선택 과정과 SAR의 위상(phase) 정보를 활용하여 긴밀도를 계산하고 변화 픽셀을 추출하는 Coherent Pixel (CP) 선택 과정 그리고 최종적인 시계열 변화탐지 맵(map)을 생성하기 위한 변화분석 과정으로 나뉜다. SHP 기반 변화탐지 분석을 위한 시계열 SAR 영상의 처리는 데이터 일관성과 정확성을 보장하기 위해 체계적인 처리 절차를 따라야 한다.

Figure 1. Flowchart for the proposed method.

전처리 과정은 영상 간 정합(co-registration)으로 시작되며, 각 시계열 영상을 참조영상에 정렬하여 스택(stack) 전체의 공간적 불일치를 수정한다. 그런 다음 이 정합된 원시 SAR 데이터 스택을 지표면의 반사율을 나타내는 후방 산란 계수로 보정한다. 그 다음에는 고유의 SAR 노이즈를 저감하기 위해 시계열 스페클 노이즈 필터링(multitemporal speckle noise filtering)을 적용한다(Quegan et al., 2000). 이후, 지형 변화로 인한 레이더 반사율의 변화를 보정하기 위해 방사보정을 수행하여 모든 영상에서 후방 산란 값이 표면 특성을 정확하게 나타낼 수 있도록 보정한다. 다음으로 외부 Digital Elevation Model(DEM)을 이용하여 지형 변화로 인한 왜곡을 보정(Range Doppler Terrain Correction)을 수행하여 각 픽셀이 일관된 지상 위치를 나타낼 수 있도록 한다(Small and Schubert, 2008). 마지막으로 데이터 정규화를 적용하여 처리된 데이터 값의 스케일을 조정하여 시계열 영상 전체에 걸쳐 균일한 데이터 분포를 같게 한다.

이러한 전처리 단계는 세부적인 변화탐지 분석을 위한 일관된 SAR 데이터 세트를 생성하는 데 필수적이다. 전처리가 완료된 시계열 스택을 이용한 변화탐지 분석을 위해 SHP 알고리즘을 적용하여 시계열 영상 전체에 걸쳐 일관성과 정확성을 유지하는 안정적인 기준점을 식별한다. SHP 알고리즘의 절차는 Fig. 2와 같다. SHP 알고리즘은 영상 내 통계적으로 동질적인 픽셀을 식별하는 데 초점을 두며, 이를 통해변화탐지 과정의 신뢰성과 정확도를 높이는 데 도움을 준다. 구체적인 처리 과정으로 영상 내 픽셀에 대하여 특정 크기의 윈도우를 생성하여, 시계열 SAR 영상에 대하여 윈도우 내 중심 픽셀과 주변 픽셀(neighboring pixel)의 통계적 동질성을 분석한다. 통계적으로 동질성을 평가하기 위해 통계적 검정(statistical test)을 수행하며, 본 연구에서는 Anderson-Darling (AD) 테스트(Anderson and Darling, 1952)를 사용하였다. 이때 유의 수준(significance level)을 설정해야 하며, 이 유의 수준은 SHP 추출 과정에서 픽셀 그룹 간의 통계적 동질성을 평가하는 기준이다. AD 테스트를 통하여 통계적으로 동질한 픽셀 만을 포함하는 SHP 집합을 생성한다. 이는 SAR 영상의 노이즈를 줄이고 변화탐지 과정에서 더 신뢰할 수 있는 데이터를 제공한다. SHP 추출 과정의 주요 파라미터(parameter) 관측 윈도우 크기 및 유의수준)는 경험적 실험을 통하여 결정한다. 생성된 SHP 집합은 변화가 없는 안정적인 기준점이 되며, 이를 이용하여 변화가 없는 안정적인 영역에 대한 후보 픽셀을 선정한다.

Figure 2. Flowchart for the SHP algorithm.

SHP 기반 도심 지역의 시계열 변화탐지 결과를 고도화하기 위해 제안된 방법에서는 SHP 과정에 더해 CP (긴밀도 픽셀) 선택 과정을 추가로 설계하였다. CP 기반 변화탐지 분석을 위한 시계열 SAR 영상의 처리는 SHP 과정과 마찬가지로 데이터 일관성과 정확성을 보장하기 위해 체계적인 처리 절차를 따라야 한다. 정합된 시계열 SAR 스택을 사용하여 지표에 대한 SAR 신호의 안정성 또는 시간에 따른 변화의 지표 역할을 하는 긴밀도 값을 계산하여 일관성을 추정한다. 그런 다음 시계열 스페클 노이즈 필터링 및 지형보정을 수행한다. 다음으로 순차적으로 시계열 비상관성(decorrelation)을 추정하여 긴밀도 손실의 시간적 변화를 분석하여 잠재적인 변화를 식별한다. 다음 단계로 변화영역을 강조하기 위하여 적응형 임계값을 적용한다. 분석기간 내 전체 영상의 평균 긴밀도를 기준 긴밀도로 정하였으며, 이 기준 긴밀도를 순차적으로 인접한 2개 시기 영상 세트의 긴밀도와 비교하여 기준 긴밀도 보다 작은 영역을 불안정한 영역(변화 영역)으로 검출한다. 그런 다음 형태학적 연산(morphological operation), 특히 열기(opening)와 닫기(closing)를 적용하여 탐지된 영역을 세분화하여 모양 정확도와 연속성을 개선한다.

최종적인 시계열 변화탐지 맵을 생성하기 위하여 변화 분석 과정을 거치며, 변화 분석 과정에서는 CP 과정에서 식별한 변화 영역에서 SHP 과정을 통하여 식별된 안정적인 영역의 픽셀을 제외하여 실제 변화 영역만 유지한다. 이렇게 생성된 시계열 변화 맵은 관심 영역인 도심지의 국소지역에 대한 중요 변화를 강조한다.

3.1. 연구 지역 및 자료

본 연구에서는 도심지 국소지역에 대한 시계열 변화탐지를 위하여 연구지역으로 미국 샌프란시스코 항만인 Pier 80 지역을 선정하였다. 샌프란시스코 Pier 80은 샌프란시스코 항구의 주요 시설 중 하나로, 주로 컨테이너 적치장(container yard)과 물류 허브로 사용된다. 이곳은 대형 선박에서 하역된 컨테이너를 저장하거나, 내륙으로 운송되기 전에 정리하는 역할을 한다. SAR 위성을 활용해 컨테이너 적치장을 모니터링하면 적치 공간의 사용 효율 확인, 무단 추가 배치와 같은 비정상적인 변화 탐지, 물류 효율성 개선 등을 효과적으로 파악할 수 있을 것이다.

Table 1은 본 연구에서 활용한 KOMPSAT-5 SAR 영상의 주요 파라미터를 나타낸다. 이 연구에서는 연구지역인 Pier 80에 대하여 총 8장(4개 쌍)의 KOMPSAT-5 SAR 영상을 획득하였다. 획득한 영상쌍의 관측시기(master_slave 형식으로 표기)는 1) 20210227_20210327, 2) 20210522_20210619, 3) 20211106_20211204, 4) 20220716_20220813이다. 획득 영상은 Enhanced Standard (ES) 모드, ascending 궤도, right-looking 방향으로 평균 약 30.27°의 입사각(incidence angle)으로 촬영되었다. 각 영상은 지상거리(ground range) 및 비행(azimuth) 방향으로 각각 약 1.94 m, 2.05 m의 픽셀 간 거리를 갖고 있다. Fig. 3은 연구 지역(샌프란시스코 Pier 80)에 대하여 획득한 KOMPSAT-5 SAR 위성 영상 및 광학영상을 나타낸다.

Figure 3. Satellite imagery acquired for the study area (Pier 80, San Francisco, marked in the red box). (a) KOMPSAT-5 SAR satellite image. (b) Google Earth (AIRBUS) image.

Table 1 . Specification of the KOMPSAT-5 SAR satellite imagery used in this study.

Parameter	KOMPSAT-5
Band	X-band
Acquisition Mode	Enhanced Standard
Multi-Beam ID	ES-05
Orbit Direction	Ascending
Look Direction	Right
Mean Incidence Angle (deg)	30.27
Azimuth Pixel Spacing (m)	2.05
Ground Range Pixel Spacing (m)	1.94
Swath	30 km
Polarization	HH
Positional Accuracy	6.22 m CE90 absolute

3.2. SHP 선택 과정의 파라미터 최적화 실험 결과

KOMPSAT-5 시계열 SAR 영상을 입력으로 하여 제안하는 방법의 전처리를 수행하고 SHP 선택 과정을 수행하였다. AD테스트를 활용하여 SHP를 선택하였으며, 이 때의 핵심 파라미터는 유의 수준(α)과 추정 윈도우 크기(w)이다. KOMPSAT-5 시계열 영상에서 변화탐지 성능을 극대화하기 위해 최적의 SHP 파라미터를 결정하는 실험을 수행하였다. 파라미터에 따른 SHP 결과(변화가 없는 안정적인 픽셀)가 크고 작은 도시지역의 안정적인 타겟(항만 시설, 건물 등)을 효과적으로 추출하는지 광학영상(구글 어스)과의 육안비교를 통하여 평가하였다. Fig. 4는 SHP 선택 과정의 파라미터 최적화 실험 결과 중 일부를 나타낸다. α 값을 0.01에서 0.8까지 0.01 간격으로 변경하고, w크기를 3 × 3에서 15 × 15 픽셀까지 2 × 2 픽셀씩 증가시키면서 SHP를 선정하여 정성적으로 비교하였다. Fig. 4에서 살펴볼 수 있듯이 α=0.8의 유의 수준에서 3 × 3, 5 × 5, 7 × 7 픽셀의 윈도우 크기는 도시 내 안정적인 타겟을 정확하게 탐지하지 못하였다. Fig. 4의 α=0.5 및 0.1의 결과에서는 도시 내 안정적인 타겟 중 큰 타겟은 탐지가 되었으나 작은 타겟은 탐지되지 않았다. α=0.01, w=3 × 3 픽셀로 SHP를 추정한 결과(Fig. 4에서 붉은색 박스로 표시), 도시 내 크고 작은 안정적인 타겟을 가장 효과적으로 탐지한 것으로 평가되었다. 이 파라미터는 본 연구의 관심지역(샌프란시스코 Pier 80의 컨테이너 적치장 부근) 영상에 대한 최적의 파라미터로 다른 지역이나 데이터 유형에서 동일하게 적용되지 않을 수 있기 때문에 영상 내 객체의 특성이 다른 경우 α 및 w 값의 변경이 필요하다. 다시 말해 SHP 파라미터 최적화 과정에서 데이터 특성과 목표 변화의 크기를 고려하는 것이 중요하다.

Figure 4. Some results of an experiment to determine the optimal SHP parameters. For this time series image dataset, SHP is best extracted at a significance level of 0.01 and a window size of 3 × 3 pixels.

이처럼 SHP 선택 과정에서 파라미터 최적화는 변화탐지의 성능을 크게 향상시킬 수 있는 중요한 과정이다. 경험적 실험은 다양한 파라미터 조합을 통해 최적의 설정을 찾는 데 핵심적인 역할을 하며, 실험 설계와 성능 평가가 이를 지원한다. 본 연구에서는 단순한 육안분석을 통한 정성적 평가만을 수행했다는 한계가 존재하며, 향후 연구에서는 SHP 파라미터 최적화를 위한 실험 설계를 강화(실제 변화 영역(ground truth)을 포함한 레이블 데이터를 활용하는 등)할 계획이다.

Fig. 5는 항만 지역의 KOMPSAT-5 시계열 영상에 대하여 SHP 선택 과정을 통해 산출한 SHP 결과를 나타낸다. 관측 시기 내 SHP 검출 윈도우에서 높은 SHP 개수가 산출된 지역의 경우 변화가 없는 안정적인 영역으로 표출(빨간색)되며, SHP 개수가 낮은 경우 변화가 포 함된 불안정한영역으로 표출(흰색)된다. SHP 선택 과정을 통해 도심 지 내 변화를 효과적으로 탐지할 수 있지만, 변화 정도를 나타내는 임계값(threshold)으로서 유의수준의 적절한 선정이 매우 중요하다. 시계열 변화탐지 결과를 고도화하기 위하여 제안한 방법에서는 긴밀도 픽셀 선택 과정의 결과를 SHP 결과에 종합하여 최종 변화탐지 결과물을 생성하는 전략을 고안하였다.

Figure 5. SHP selection results for the region of interest, Pier 80 in San Francisco (shown in red box). (a) KOMPSAT-5 image of the region of interest, (b) SHP selection results with a=0.01, w=3 x 3 pixels.

3.3. SHP 및 긴밀도 정보 기반 도시 지역 시계열 변화탐지 결과

Fig. 6는 항만 지역의 KOMPSAT-5 시계열 SAR 영상을 대상으로 제안하는 SHP 및 긴밀도 정보 기반 시계열 변화탐지 방법을 적용한 결과를 나타낸다. Fig. 6(a)는 전처리된 KOMPSAT-5 master 영상, (b)는 변화탐지에 활용된 KOMPSAT-5 slave 영상, (c)는 CP(긴밀도 픽셀) 선택 과정을 통하여 생성한 시계열 비상관성(decorrelation) 추정 결과이다. Fig. 6(d)는 Fig. 6(c)의 CP 과정을 통하여 식별된 긴밀도 정보 기반의 변화 영역에서 Fig. 5(b)의 SHP 과정을 통하여 식별된 안정적인 영역의 픽셀을 제외하여 최종 변화 영역만 추출한 결과이다. 이러한 최종 변화 맵을 생성하기 위하여 본 논문의 ‘2. 연구방법’에서 설명한 바와 같이 다양한 후처리가 적용되었다. 특히, 획득한 KOMPSAT-5의 시계열 영상은 간섭쌍(interferometric pair)임에도 불구하고 수직기선(perpendicular baseline) 편차가 최대 수 km 단위로 존재하여 시계열 영상 전체에 걸쳐 도시 지형을 일관성 있게 투영하지 못하였으며, 이로 인해 정합된 시계열 스택 내에는 정합 오차가 포함되었다. 이는 CP 과정에서의 적응형 임계값 프로세스에서 오탐지로 나타났으며, 이를 저감하기 위하여 형태학적 연산을 적용하였다. Fig. 6(d)의 생성된 최종 시계열 변화 맵은 관심 영역인 샌프란시스코 Pier 80 컨테이너 적치장의 컨테이너에 대한 중요 변화를 강조한다. Fig. 6(e)는 변화탐지 결과의 신뢰성을 평가하기 위하여 생성한 참조자료(ground truth)를 나타낸다. 혼동 행렬(confusionmatrix)을 활용해 정확도를 평가한 결과, KOMPSAT-5 시계열 SAR 영상을 이용한 항만 지역 변화탐지 방법의 전체 정확도(Overall Accuracy, OA)는 약 92%로 나타났다. 제안된 변화탐지 방법의 정확도는 안정적인 궤도 운영이 가능한 SAR 시스템(KOMPSAT-6 등)의 데이터를 활용할 경우 더욱 향상될 가능성이 크다. 또한, 제안된 방법은 도시 환경에서 효과적이고 신뢰할 수 있는 변화탐지에 대한 상당한 잠재력을 보여준다. 특히, KOMPSAT-5 시계열 SAR 데이터와 제안된 시계열 변화탐지 방법을 통해 항만 지역의 컨테이너 적치장에 대한 장기적인 변화를 효과적으로 분석할 수 있는 가능성을 확인하였다.

Figure 6. Results of applying the proposed SHP and coherence information-based urban area time series change detection method to KOMPSAT-5 SAR imagery. (a) Pre-processed master images, (b) pre-processed slave images, (c) time series decorrelation estimation results, (d) final change maps, and (e) ground truth.

이 논문에서는 SAR 위성 영상의 SHP와 긴밀도 정보를 융합하여 도시 내 특정 국소지역의 시계열 변화를 탐지하는 방법을 제안하였다. 제안한 방법을 KOMPSAT-5 SAR 데이터에 적용하여 샌프란시스코 지역 Pier 80 항만 컨테이너 적치장에 대한 시계열 변화탐지 실험을 수행하였다. 제안한 시계열 변화탐지 방법은 약 92%의 정확도로 높은 신뢰성을 보여주었다. 도심지의 변화는 단일 사건으로 끝나는 것이 아니라 시간에 따라 점진적으로 축적되기 때문에 KOMPSAT-5 시계열 SAR 데이터와 제안하는 시계열 변화탐지 방법을 활용하면 장기적인 변화를 효과적으로 분석할 수 있을 것이다. 향후 더 많은 영상데이터를 활용해 제안된 방법을 검증하고 고도화 및 일반화한다면, 국내 다목적실용위성 SAR 영상을 활용한 도시 관심 지역의 시계열 변화탐지 알고리즘이 더욱 발전하고 신뢰성을 높일 수 있을 것으로 기대된다.

이 연구는 한국항공우주연구원 “정부위성정보활용 협의체 지원(FR24J00)” 기본사업의 일환으로 수행되었습니다.

No potential conflict of interest relevant to this article was reported.