KR102271945B1 - Sar 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 - Google Patents

Abstract

본 발명은 SAR(Synthetic Aperture Radar)를 활용한 재난, 재해 피해 지역의 재난의 발생가능성 및 실시간 발생 상황을 분류 및 분석하는 기술에 대한 것으로, 실시간으로 SAR(Synthetic Aperture Radar)를 이용하여 재난, 재해(홍수, 가뭄, 지진, 태풍 등) 피해 지역의 유용한 고해상도 영상 빅데이터 수집하고, 이를 기반으로, 특정 지역에 재난 전후의 영상을 서로 비교함으로써 변화를 탐지하고 피해정도를 분석하고 예상할 수 있으며, 다시간대(Multi-temporal) SAR 영상 빅데이터를 이용한 정확한 재난, 재해 피해 식별 및 현황 분석을 수행할 수 있어 하천의 범람, 건천화 등의 홍수 및 가뭄 피해에 대한 분석, 예측, 대응 등의 체계적인 정보 제공이 가능하게 된다.

Description

SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법 및 그 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체 {Method for estimating disaster using Big-data based Synthetic Aperture Radar, and Computer readable medium storing a program of the same}

본 발명은 SAR(Synthetic Aperture Radar)를 활용한 재난, 재해 피해 지역의 재난의 발생가능성 및 실시간 발생 상황을 분류 및 분석하는 기술에 대한 것이다.

지구 온난화 등에 기인하여 해마다 급격한 기후변화에 따른 피해가 빈번하게 발생하고 있으며, 특히 여름철 발생하는 국지성 집중호우, 태풍 등에 의해 상습적인 침수 및 피해가 빈번하게 발생하고 있다. 이에 따라 재난상황 시 재난현장의 파악뿐만 아니라 재난 위험지역을 관리하는 방안이 필요하게 되었다.

현재 광범위하게 사용되고 있는 폐쇄회로 텔레비전(CCTV; closed circuit television, 이하, "CCTV"라 칭함)은, 현대화의 진행에 따라 경제가 발전하고 사회가 복잡해지면서 각종 사회범죄와 자연적 및 인위적 재난 등의 다양한 사회문제에 직면하게 되었고, 이를 해결하기 위한 방편의 일환으로서 주요 시설이나 시가지 도로에 방범 및 보안 그리고 재난의 예방 및 대처를 위하여, 현장을 실시간 감시하면서 녹화할 수 있는 감시 카메라 시스템으로서, 이를 이용한 재난관리는 범죄예방, 생활안전 뿐만 아니라 자연 재해/재난상황의 신속한 파악 및 대책 수립에도 이용되고 있다.

이와 같은 목적으로 지자체별 운영 및 관리되는 CCTV는 2012년 말 기준 약 45만대(안전행정부 2013)로 재난안전에 대한 CCTV의 중요성이 대두함에 따라 점차적으로 증가하고 있는 실정이다. 이와 같은 CCTV를 이용한 재난관리 수단으로서는 대한민국 특허등록번호 제101321444호에서, "감시지역에 설치되는 복수의 감시카메라와, 화면상에 복수의 감시카메라의 위치를 포함하는 지도정보와 복수의 감시카메라에서의 촬영영상을 선택적으로 디스플레이 하는 디스플레이부, 디스플레이부의 화면상에서의 마우스 동작신호를 검출하고 검출된 마우스 동작신호에 따라 복수의 감시카메라의 동작과 디스플레이부의 출력화면을 제어하는 관리서버 및, 관리서버와 복수의 감시카메라를 상호 신호 전달이 가능하도록 하는 통신부;를 포함하며, 관리서버는, 디스플레이부의 화면의 지도정보 또는 촬영영상에서의 마우스 동작신호를 검출하는 마우스 동작검출부와, 마우스 동작검출부에서 촬영영상 영역 내에서의 마우스 클릭신호 및 클릭위치를 검출시, 검출된 클릭위치를 기준으로 해당 촬영영상을 촬영하는 감시카메라의 촬영방향을 클릭위치 쪽으로 향하도록 제어하는 팬틸팅 제어신호를 생성하여 통신부를 통해 감시카메라로 전송하는 카메라 제어부를 포함하며, 감시 카메라는 카메라 제어부로부터 전달되는 팬틸팅 제어신호에 따라 팬틸팅 구동제어되는 것을 특징으로 하는 CCTV 모니터링 시스템"을 개시하고 있으며, 모바일 기기를 이용한 것으로는 대한민국 특허공개공보 제2013-0043422호에서, 모바일기기를 이용한 지도기반의 실시간 재난정보서비스 운용방법이라는 명칭으로, "(a) 모바일기기의 애플리케이션이 서버에 모든 유형의 재난위치정보를 요청하는 단계; (b) 상기 서버가 상기 모바일기기의 맵 상에 재난 유형별로 재난위치정보를 별개의 아이콘으로 표시하는 단계; (c) 상기 모바일기기의 콤보박스에서 상기 애플리케이션이 전체(All), 침수, 해일, 산사태, 풍해, 대설, 화재를 포함한 재난유형 중 어느 하나의 재난위치정보를 상기 서버에 요청하는 단계; 및 (d) 상기 서버가 상기 모바일기기의 맵 상에 상기 (c)단계에서 요청된 재난유형의 재난위치정보를 해당 아이콘으로 표시하는 단계를 포함하는 것을 특징으로 하는 모바일기기를 이용한 지도기반의 실시간 재난정보 서비스 운용방법"을 개시하고 있다.

또한, 대한민국 특허등록번호 제10-1317961호에서는 "재난 및 방범 관리 시스템으로서, 이벤트 발생 시 사용자 또는 이벤트 발생 감지 모듈로부터 비상 신호를 입력받아 상기 재난 및 방범 관리 시스템을 작동시키는 비상 신호 입력 모듈; 미리 정해진 범위 내에 설치된 복수 개의 CCTV 카메라; 및 상기 복수 개의 CCTV 카메라의 작동을 제어하는 카메라 작동 제어 모듈을 포함하되, 상기 카메라 작동 제어 모듈은, 상기 비상 신호 입력 모듈을 통해 비상 신호가 입력되면, 상기 비상 신호가 입력된 지점 및 해당 지점으로부터 이동 가능한 방향의 좌표로, 상기 비상 신호가 입력된 지점 및 상기 좌표와 매칭 되는 상기 복수의 CCTV카메라의 촬영 방향을 변경시키며, 상기 카메라 작동 제어 모듈은, 상기 CCTV 카메라가 설치된 미리 정해진 범위 내에, 복수의 지점들로부터 이동 가능한 방향의 좌표들이 각각의 지점별로 저장된 이동 방향 좌표 저장 모듈을 더 포함하는 것을 특징으로 하는, 스마트기기와 CCTV를 활용한 재난 및 방범 관리 시스템"을 개시하고 있다.

그러나, 상기한 발명들은 2차원 지도를 기반으로 하는 것으로 단지 재해 영상 정보를 제공하는 것에 지나지 않으며, 특히 상기한 선행 기술의 방법들은 발생된 재난의 상황, 위치와 그 형태를 관리자에게 실시간으로 정보를 제공하는 방법을 개시하는 것에 지나지 않는다.

또한, 이러한 종래의 기술들은 국부적인 지역이나 건물에 한정되는 영상자원을 토대로 하는 재난 예측에 대한 것으로, 광범위한 지역이나 하천을 포함하는 영역 등에서는 적용이 불가능하며, 이에 대한 다양한 연구가 진행되고 있다.

이에, 본 발명에서 제안하는 SAR(Synthetic Aperture Radar)를 활용한 재난, 재해 피해 지역의 종합적인 분석 연구는 미흡한 상황이다.

한국 특허등록번호 제10-1317961호 한국 특허공개공보 제2013-0043422호

본 발명은 상술한 과제를 해결하기 위하여 안출된 것으로, 본 발명의 목적은 실시간으로 SAR(Synthetic Aperture Radar)를 이용하여 재난, 재해(홍수, 가뭄, 지진, 태풍 등) 피해 지역의 유용한 고해상도 영상 빅데이터 수집하고, 이를 기반으로, 특정 지역에 재난 전후의 영상을 서로 비교함으로써 변화를 탐지하고 피해정도를 분석하고 예상할 수 있는 SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법을 제공하는 데 있다.

구체적으로, 본 발명의 세부 실시예를 통해서, SAR 기반 빅데이터를 이용하여 하천 수위를 모니터링하고, 하천수위에 따른 재난, 재해 피해 유형을 분류하고, 이를 토대로 하천의 홍수 및 가뭄 상태를 분류하고 통계적으로 하천의 상태를 분석하기 위해, SAR 영상 빅데이터를 이용한 재난, 재해 연구 개발 현황을 분석하고, SAR 영상의 신호 레벨의 변화를 줄이기 위해 정규화(normalization) 및 표적의 화소로 부터 특징점 추출(segmentation) 등의 전처리(pre-processing) 알고리즘을 구현할 수 있도록 한다. 그리고 다시간대 SAR 영상 간의 차이를 탐지(detection)하고, 변화 하천 유역을 추출하여 재난, 재해 피해 하천 유역과 분포를 파악하는 변별(discrimination) 방법을 제공할 수 있도록 한다. 더불어 하천의 홍수 및 가뭄 피해 관련 SAR 영상의 통계적 요소를 이용한 재난, 재해 피해 유형 클러스터링(clustering) 기법을 구현하고, 이러한 기법을 금강, 한강, 낙동강 등의 특정 지점의 SAR 영상 빅데이터을 이용하여 하천 홍수 및 가뭄 피해 유형 매칭(matching) 및 분류(classification) 알고리즘을 통해 SAR 영상을 기반으로 하천 홍수 및 가뭄 피해 유형을 분류하고, 유형을 분석하며, 이를 토대로 하천의 폭 통계를 산출하여 가뭄과 홍수 등의 피해 유형 분류를 구현할 수 있도록 하는 시스템 및 방법을 제공하고자 한다.

상술한 과제를 해결하기 위한 수단으로서, 본 발명의 실시예에서는, 실시간으로 SAR(Synthetic Aperture Radar)를 이용하여 특정지역의 고해상도 영상 빅데이터를 수집하고, 이를 활용해 재난재해 여부를 분류하는 방법에 있어서, 동일한 위치에 대한 서로 다른 시점의 두개의 SAR(Synthetic Aperture Radar) 영상를 입력하고, 상기 입력되는 2개의 SAR(Synthetic Aperture Radar) 영상에서 동일 지역의 SAR 이미지 세트 간의 변화여부를 감지(detection) 하는 1단계; 상기 1단계에서 변화가 감지되는 SAR 이미지 세트의 경우, 변경된 영역의 이미지를 추출하는 2단계; 사용 가능한 데이터 집합에서 SAR 영상의 상기 변경된 영역 유형을 기반으로 하는 클러스터링을 수행하는 3단계; 상기 3단계에서 수행된 클러스터 세트를 기반으로, 새롭게 제공된 SAR 이미지를 분류하는 4단계; 상기 분류된 SAR 이미지를 사용하여 재난 및 재해 여부에 대한 자동 확률 분포분석을 수행하는 5단계;를 포함하는, SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법을 제공할 수 있도록 한다.

본 발명의 실시예에 따르면, 실시간으로 SAR(Synthetic Aperture Radar)를 이용하여 재난, 재해(홍수, 가뭄, 지진, 태풍 등) 피해 지역의 유용한 고해상도 영상 빅데이터 수집하고, 이를 기반으로, 특정 지역에 재난 전후의 영상을 서로 비교함으로써 변화를 탐지하고 피해정도를 분석하고 예상할 수 있는 효과가 있다.

특히, 다시간대(Multi-temporal) SAR 영상 빅데이터를 이용한 정확한 재난,재해 피해 식별 및 현황 분석을 수행할 수 있어 하천의 범람, 건천화 등의 홍수 및 가뭄 피해에 대한 분석, 예측, 대응 등의 체계적인 정보 제공이 가능한 장점이 있다.

또한, 하천의 홍수 및 가뭄 피해 관련 SAR 영상의 통계적 요소를 이용한 재난, 재해 피해 유형 클러스터링(clustering) 기법을 적용하고, SAR 영상 빅데이터를 이용한 하천 홍수 및 가뭄 피해 유형 매칭(matching) 및 분류(classification) 알고리즘을 적용하는 프로그램을 통해 보다 신뢰성 있고 연속성 있는 재난 재해 유형을 분석할 수 있는 효과도 있다.

본 발명에 따른 시스템 및 방법을 통한 기술은, 다양한 활용성을 가지고 적용될 수 있다.

이를테면, 고해상도 SAR 영상을 이용하여 재난피해 저감으로 인한 사회비용 절감하고, 인공위성(KOMPSAT-2 등)의 활용성 제고로 인한 수입증대 효과로 설명하는 데 기여할 수 있다. 그리고 대부분의 자연재해는 발생근원지 뿐만 아니라 비교적 넓은 지역에 걸쳐 영향을 주기 때문에 현장 탐사로는 빠른 시간 내에 정확한 피해 정보를 수집하기 어려우며, 멀리 떨어져 있는 피해지역을 전체적으로 파악하여야 희생자나 자원부족을 줄일 수 있다.

최근 이상기후로 인한 강우 양상의 변화는 국내에서도 다양한 풍수재해를 통해 수자원 관리가 절실하나, 국내의 경우, 호소수가 많지 않고, 접근이 쉬워서 간단한 수위 측정자를 활용해 주기적으로 모니터링하고 있으나, 지역이 넓고 많은 수체의 수위를 관측하기에는 효율적이지 못하여 고해상도 SAR 영상을 이용한 측정 연구에 기여할 수 있다.

특히, 넓은 지역의 수체 간의 상호 관계를 연구하기에도 많은 어려움이 뒤따르고, 이곳의 많은 습지는 사람의 접근이 어렵고, 그 수도 너무 많아 기존의 측정자나 레이저, GPS 부표와 동일한 방법은 현실적으로 어려우며, 광역정보를 한 번에 모니터링 할 수 있는 위성의 고해상도 SAR 영상을 이용한 작은 호수, 강이나 천의 수위를 모니터링하는 데 도움이 될 것이다.

또한, 국내 하천수 감소 및 댐 무단방류로 인한 피해, 산림지역감소로 인한 홍수 유출율 상승 등 수자원 관리를 해결하는 기술로 활용되며, 더불어 SAR 영상을 이용하여 사람 접근이 불가한 하천 지역의 상황을 파악하고, 그 지역의 하천 수위 자료를 파악할 수 있고 하천을 모니터링하여 홍수나 가뭄 등을 예방하고 수자원을 관리하는 데 기여할 수 있다.

도 1은 본 발명의 실시예에 따른, SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법을 수행하는 시스템 구성 블록도이다.
도 2는 도 1의 시스템을 통해 구현되는 SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법의 순서도이다.
도 3은 도 1의 구현 과정을 구현하는 과정을 구체화하한 작용 블록도이다.
도 4 내지 도 22는 본 발명의 SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법을 수행하는 과정에 대한 설명도 및 실시예 적용예시 도면을 도시한 것이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시예를 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예로 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.

본 명세서에서 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 따라서, 몇몇 실시예에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.

본 발명의 실시예에서 제공되는 구성은 하천의 홍수 및 가뭄 피해 관련 SAR 영상의 통계적 요소를 이용한 재난, 재해 피해 유형 클러스터링(clustering) 기법을 적용하고, SAR 영상 빅데이터를 이용한 하천 홍수 및 가뭄 피해 유형 매칭(matching) 및 분류(classification) 알고리즘을 적용하는 프로그램을 통해 보다 신뢰성 있고 연속성 있는 재난 재해 유형을 분석할 수 있는 기술을 제공하는 것을 요지로 한다.

도 1은 본 발명의 실시예에 따른, SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법을 수행하는 시스템 구성 블록도이며, 도 2는 도 1의 시스템을 통해 구현되는 SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법의 순서도이다. 도 3은 도 1의 구현 과정을 구현하는 과정을 구체화하한 작용 블록도이다.

도 1 내지 도 3을 참조하면, SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법은, 실시간으로 SAR(Synthetic Aperture Radar)를 이용하여 특정지역의 고해상도 영상 빅데이터를 수집하고, 이를 활용해 재난재해 여부를 분류하는 방법에 있어서, 동일한 위치에 대한 서로 다른 시점의 두개의 SAR(Synthetic Aperture Radar) 영상를 입력하고, 상기 입력되는 2개의 SAR(Synthetic Aperture Radar) 영상에서 동일 지역의 SAR 이미지 세트 간의 변화여부를 감지(detection) 하는 1단계와, 상기 1단계에서 변화가 감지되는 SAR 이미지 세트의 경우, 변경된 영역의 이미지를 추출하는 2단계, 사용 가능한 데이터 집합에서 SAR 영상의 상기 변경된 영역 유형을 기반으로 하는 클러스터링을 수행하는 3단계, 상기 3단계에서 수행된 클러스터 세트를 기반으로, 새롭게 제공된 SAR 이미지를 분류하는 4단계, 상기 분류된 SAR 이미지를 사용하여 재난 및 재해 여부에 대한 자동 확률 분포분석을 수행하는 5단계를 포함하여 구성될 수 있다.

이하에서는, 상술한 SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법을 단계별로 도면을 참조하여 상세하게 설명하기로 한다.

1. 1단계(변화 감지 단계)

본 발명에서의 SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법은 우선, 동일한 위치에 대한 서로 다른 시점의 두개의 SAR(Synthetic Aperture Radar) 영상을 입력하고, 상기 입력되는 2개의 SAR(Synthetic Aperture Radar) 영상에서 동일 지역의 SAR 이미지 세트 간의 변화여부를 감지(detection) 하는 1단계를 수행할 수 있도록 한다.

특히, 1단계에서는, 다시간 SAR 영상의 전처리와 변화 탐지(detection)를 수행하기 위해 다시간 변화 탐지(detection)를 하기 위해서는 SAR 영상의 잡음 및 이상을 제거하는 전처리와 정규화를 수행하며, 더불어 SAR 영상으로부터 변화 부분을 찾기 위해 세그먼트 과정을 수행하여 특정 하천 유역을 추출하기 위해 색역 임계치 방법을 이용하여 SAR 영상으로부터 하천 유역을 추출하는 특징점 추출을 적용한다.

구체적으로, 본 1단계는 2개를 하나의 세트로 하는 이미지를 입력하고, 이에 대한 변화여부를 감지하는 과정으로 구성될 수 있다. 특히, 상기 1단계는, 입력되는 두개의 상기 SAR 이미지에 대한 전처리 단계를 수행하되, 상기 전처리는, SAR 이미지의 신호 레벨의 변화를 줄이기 위한 정규화(normalization) 및 표적의 화소로부터 분리(segmentation)를 수행하여 영상을 다른 세그먼트로 나누고 관심영역을 추출하며, 상기 입력되는 2개의 SAR(Synthetic Aperture Radar) 이미지 간의 변화여부를 감지하여 정상과 비정상으로 구분하는 감지과정이 수행될 수 있다.

구체적으로 살펴보면, 도 4 및 도 5는 상기 1단계에서 입력되는 2개의 SAR 이미지 세트에 대한 전처리 과정을 수행하는 것을 도시한 것이다.

본 과정에서는, 입력되는 2개의 SAR 이미지에 대한 노이즈를 제거하고, 이미지를 정상화하기 위한 사전 처리를 수행하게 된다. 노이즈 제거를 위한 필터로는, 이를테면, 특정 지역(이를테면, 하천 유역의 변화 탐지를 위한 동일한 하천 유역에 대한 다른 시간대의 두 개의 SAR 영상) 잡음 제거를 위해 중간 필터, 평균 필터, 위너 필터 및 퍼지 필터 등과 동일한 다른 필터가 SAR 영상에 이용될 수 있다. 일예로 본 발명의 실시예에서는, SAR 이미지에 존재하는 스텔스 노이즈를 제거하기 위한 위너(wiener) 필터를 사용한다.

또한, SAR 이미지의 신호 레벨의 변화를 줄여 특이치를 제거하기 위한 정규화(normalization)를 수행할 수 있다.

{정규화 수식}

이후, 전처리과정에서 수행되는 과정으로, 형상추출과정(Segnentation, Feature Extraction)이 수행된다. 즉, 도 6에 도시된 것과 같이, 원본(orifinal image)에 대하여, 분할 알고리즘(Color Thresholder(CT)을 사용하여 색상 이미지를 이진 영상으로 변환하는 색상 임계값 지정 알고리즘을 적용하여 수행하게 된다. 색상 임계치 방법은 SAR 영상을 특징점 추출하여 이진 마스크 SAR 영상을 생성하며, 임계치를 설정하고 해당 임계치에 따라 0과 1의 값이 각 픽셀에 할당된다.

이후, 도 7에 도시된 것과 같이, 변화를 감지(Change Detection)를 수행하게 된다. 즉, 이진화(binary) 한 영상에 대하여, 두개의 이미지 사이의 상관 관계의 강도 여부를 통해 감지하도록 한다. 이러한 과정은, 하기의 {식 1}에 따른 상관계수를 사용한 비교법을 적용한다.

{식 1}

상관 계수를 사용한 비교과정은, 상관 관계 유형의 수치로, 두 이미지 사이에 관계가 얼마나 강한지 비교하기 위해 두 변수 간의 통계 관계를 의미하는 것으로, 값이 1에 가까워짐에 따라 강한 관계가 나타난다.

도 6의 경과를 예로 들면, 두 이미지 사이의 상관 계수는 0.4252로, 결과 영상 간에 강한 관계가 없음을 나타낸다. 구체적으로는, SAR 영상 상관 계수를 산출하기 위해 SAR 영상이 배열로 변환되고, 상관 계수는 두 개의 SAR 영상을 입력으로 이용하므로 제안된 연구에서 하나의 SAR 영상을 정상적인 것으로 추측한 참조 SAR 영상으로 간주한다. 따라서 상관 계수는 현재 SAR 영상과 참조 SAR 영상을 입력으로 가져와서 0과 1사이의 값을 산출하고 있다. 이 값들로부터 두 SAR 영상 간에 얼마나 많은 변화가 있었는지 추론할 수 있다. 여기서 예를 들어 상관계수가 0.42 인 경우 그 이상이면 변화가 없는 것으로 이하이면 변화가 있을 것으로 판단할 수 있게 된다.

2. 2단계: 변경영역의 추출(Discrimination Using Change Differencing)

이상의 과정에서 수행된 2장의 동일지역에 대한 이미지 세트에 대한 변화 감지를 수행하고, 이에 대한 변화가 감지되는 SAR 이미지 세트의 경우, 변경된 영역의 이미지를 추출하는 과정이 수행된다.

이는 도 7에 도시된 것과 같이, 하나의 세트를 구성하는 이미지에 대하여 이미지의 차이점을 추출하고, t1의 시점에 영상을 분할하고, 다음 이미지에 대해서는 t2의 시점에 영상을 분할하여, 이후 하나의 영상을 보완하고 다른 영상에서 감산하는 이미지 차별화알고리즘(Discrimination Algorithm)을 적용하여, 변경영역을 추출하도록 한다. 구체적으로, 도 7에서와 같이, SAR 영상 차이 알고리즘을 이용하는 경우, 먼저 시간 t1에서 SAR 영상을 특징점을 추출하고 시간 t2에서 다음 SAR 영상을 특징점을 추출하고, 하나의 SAR 영상을 보완하고 다른 SAR 영상에서 뺄셈을 하고 있다. SAR 영상 차분에 대한 입력은 0이 강을 나타내고 1은 강 이외의 하천 유역을 나타내는 이진 SAR 영상이다. 먼저, SAR 영상 차분 알고리즘을 이용하고, SAR 영상으로부터 감산하기 전에 하나의 SAR 영상이 보완된다. 따라서 차이가 나는 SAR 영상에 검은 색 하천유역이 여전히 존재하는 경우 일부 변경 사항이 탐지되고 있다.

3. 3단계(클러스터링)

이후 단계는, 사용 가능한 데이터 집합에서 SAR 영상의 상기 변경된 영역 유형을 기반으로 하는 클러스터링을 수행하는 과정이 진행된다.

도 9에 도시된 것과 같이, 클러스터링(clustering)은 동일한 그룹(이하, '클러스터(cluster)'라 함)의 개체가 다른 그룹(클러스터)의 개체보다 더 유사한 개체집합을 그룹화하는 과정으로, 본 발명에서는 이러한 클러스터링을 통해 출력되는 것은 변경된 영역(Change Area Type)에 대한 이미지이며, 이를 추후 분류 및 분석에 사용할 수 있도록 데이터베이스에 저장하게 된다. 즉, SAR 영상 기반의 하천 유역의 유형 클러스터링하고, 이 하천 유역은 데이터베이스에 저장된 SAR 영상을 변경하여 추가 처리 또는 의사 결정에 이용된다. 도 9는 이러한 SAR 영상 기반의 하천 유역의 유형 클러스터링을 보여주고 있다.

본 발명의 실시예에서 적용하는 재해 지역의 대상을 하천으로 하는 경우를 예를 들면, 하천의 수위에 따라 다양한 변경 하천 유역 유형을 분류하며, 이를 위해 퍼지 추론 기반 모델을 이용하여 강한 홍수, 낮은 수준의 홍수, 정상적인 흐름, 약한 가뭄, 강한 가뭄 등으로 그룹핑할 수 있다. 이때 통계적 요소(예: 하천폭)를 이용하여 변경 하천 유역 유형을 분류하는 클러스터링 기법 알고리즘을 이용하다. 여러 SAR 영상의 다수 변경 하천 유역을 토대로 퍼지 로직을 이용하여 변경 하천 유역 유형을 분류하는 클러스터링하여 강한 수준의 홍수, 중간 홍수, 낮은 홍수, 정상적인 흐름, 약한 가뭄, 중간 가뭄, 강한 가뭄 등으로 구분할 수 있다. 다음으로 분류된 변경 하천 유역 유형을 데이터베이스에 저장할 수 있도록 한다.

이상의 과정은 클러스터링부(도 1, 130)에서 수행될 수 있다.

구체적으로 도 10 내지 도 11을 참조하여 보면 다음과 같은 과정을 통해 본 단계는 수행될 수 있다.

본 발명의 실시예에서는 다양한 자연재해의 예측 분석에 적용가능한 경우 중 하나의 실시예로 특정 지역의 하천의 이미지를 분석 분류하여 하천의 유동현황을 파악함으로써, 하천의 범람, 재해 여부를 확인하는 과정을 수행하는 것을 들어 설명하기로 한다.

(1) 퍼지 논리 모델을 이용한 하천유동현황

도 10은 퍼지 논리모델을 이용한 하천유동현황을 분류하는 과정을 도시한 도면이다. 도 11은 도 10에서 일예로 든 특정지역의 이미지 세트에서 드러나는 강(하천)의 평균 폭(St)과 해당 강의 기준이 되는 기준 강폭(Sr)을 산출하는 과정을 도시한 것이다.

도 10을 참조하면, 도 10은 SAR 영상 기반의 하천 유역의 유형 클러스터링을 위한 세부 과정을 도시한 것으로, 먼저 DR(Difference from Reference)은 현재와 기준 SAR 영상에서 하천의 폭 차이를 의미하며, 현재 하천의 폭 (Sti)과 기준 하천의 폭 (Sr)과의 차이를 계산할 수 있다. DR은 후술하는 {식 1}을 이용하여 특정 시간의 현재와 기준 하천의 폭의 차이이다. 먼저 선택한 SAR영상의 픽셀 강도를 이용하여 현재 하천의 폭(Sti)을 계산하고, 서로 다른 시간대에 모든 SAR 영상로부터 기준 하천의 폭 (Sr)으로 구한다. 그리고 DR은 강한 음성(HN: High Negative), 약한 음성(LN : Low Negative), 중간(Z: Zero), 약한 양성(LP: Low Positive) 및 강한 양성(HP: High Positive) 등 5 수준으로 구분된다.DR은 퍼지 추론 시스템(FIS :Fuzzy Inference System)을 이용하여 하천흐름 초기 상태 RIS(River Flow Initial Status)를 구할 수 있다. 이때 퍼지 추론 시스템의 입력 변수는 DR이고, 출력 변수는 하천 흐름 초기 상태이다. 하천 흐름의 초기 상태는 가뭄(D: Draught), 약한 가뭄 (Low Draught), 정상 흐름 (Normal Flow), 약한 홍수(LF: Low Flood), 홍수 (F: Flood)로 나누어진다.

하천 흐름 초기 상태 RIS를 구하기 위해 퍼지 추론 시스템의 입력 및 출력 변수에 대한 멤버쉽 함수를 도출할 수 있으며, 멤버쉽 함수는 강한 음성(HN:High Negative), 약한 음성(LN : Low Negative), 중간(Z: Zero), 약한 양성(LP:Low Positive) 및 강한 양성(HP: High Positive) 인 입력 변수 차이 (DR)에 대한 입력 멤버쉽 함수이다.

도 11 (A)는 SAR 영상 차분 접근법을 이용하여 변별화된 SAR 영상을 보여주고 있다. 여기서는 금강 SAR 영상을 대상으로 하고 있다. 먼저 시간 t1에서 SAR 영상을 특징점 추출하고 시간 t2에서 다음 SAR 영상을 특징점 추출하고 있다. 이제 한 SAR 영상을 보완하고 다른 SAR 영상에서 뺄셈을 하고 있다. SAR 영상 차분에 대한 입력은 0이 강을 나타내고 1은 강 이외의 하천 유역을 나타내는 이진 SAR 영상이다. 먼저, SAR 영상 차분 알고리즘을 이용하고 다음 SAR 영상으로부터 감산하기 전에 하나의 SAR 영상이 보완된다. 따라서 차이가 나는 SAR 영상에 검은 색 하천 유역이 여전히 존재하는 경우 일부 변경이 탐지되고 있다.

SAR 영상의 하천 유역의 변화 영역 변별에서는 SAR 영상의 일부를 변경하지만 여기에서는 변별화를 수행하고 있다. 즉 픽셀 강도 값을 계산하고 있다. 먼저 10 픽셀 증가 위치의 강픽셀 값의 합계인 St를 계산한 다음 그 평균을 계산하고 있다. 다음 {식 2: 도 11 (B))를 이용하여 하천의 평균 폭을 계산할 수 있다.

{식 2}

여기서 St는 하천의 평균 폭을 나타내고, 위의 공식에서 60은 그림 3.12와 같이 10 픽셀단위로 SAR 영상의 하천을 60개 나누어 각 지점의 폭을 Xi의 값을 얻을 수 있다. 60개의 하천의 폭을 평균하여 현재 SAR 영상의 하천의 평균 폭을 정의하고 있다. Sr는 얻어진 다수 St의 중앙값 ((n + 1)/2)으로 계산할 수 있으며, 하천의 폭의 기준 참조를 활용한다. 여기서 n은 관측 수이다.

SAR 영상 변별화 과정은 현재 하천의 폭 (Sti)과 다음 SAR 영상 하천의 폭 (S(ti+1))과의 차이를 계산할 수 있다. 그 결과 도 7에서와 같이 현재 SAR 영상과 다음 SAR 영상의 차이를 표시함으로 SAR 영상의 변화 영역을 나타낼 수 있다.

도 10을 참조하여 보면, 퍼지논리 모델을 이용하여 하천의 유동상태를 분류하는 것은, 상기 특정 지역에 포함되는 하천의 이미지(도 10에서의 2장의 동일지역에 대한 이미지 세트)에 대하여,

특정시간에 기준이 되는 강폭(S_r)과 현재의 강폭(S_ti)의 차이를 계산(DR(S_ti-S_r)) 하는 과정이 수행되고, 이후, 현재 강폭 이미지(S_ti)와 다음 영상 강폭 이미지(S_t+1)의 차이를 계산(DN(S_ti-S_t+1))하고, 위 두 과정에서 DR 및 DN 계산 후, DR은 하천 초기 상태(RIS의 경우 FIS) 퍼지 논리 모듈에 대한 퍼지 추론 시스템에 입력되며, RIS의 FIS의 입력 변수는 기준(DR)과의 차이, 출력은 하천 흐름 초기 상태(RIS)의 결과를 임피던스(DR)(St-Sr) 변수와 차이에 대한 다섯 가지 멤버십 함수(MF)로 정의하는 과정이 수행된다. (단, FIS(Fuzzy Inference System; 퍼지 입력시스템), RIS(River Flow Initial Status; 하천 흐름 초기 상태), RFS(River Flow Status; 하천 흐름 상태), DR(Difference from reference; 기준과의 강폭 차이), DN: (Difference from next; 다음과의 강폭 차이)이 경우, 다섯가지 멤버쉽 함수(MF)는, HN(High Negative), LN(Low Negative), Z(Zero), LP(Low Positive), HP(High Positive)로 정의되며, 하천 흐름 초기상태(RIS)는 D(Draught), LD(Low Draught), NF(Normal Flow), LF(Low Flood), F(Flood)의 다섯가지 멥버쉽 함수로 정의될 수 있다.

(1-1) DR(Difference from reference; 기준과의 강폭 차이) 연산과정

도 12를 참조하여, 상술한 퍼지 모델에서 DR(Difference from reference; 기준과의 강폭 차이)를 계산하는 과정을 설명하기로 한다.

도 12에 도시된 것과 같이, DR(Difference from reference; 기준과의 강폭 차이)는 특정 시간에 강 폭과 기준 강 폭의 차이를 계산하고, 먼저 선택한 이미지의 픽셀 강도를 사용하여 현재 강 너비를 계산한 후, 다음으로, 강 폭 이미지의 중위수가 계산된다. 중위수 강폭 값은 기준 영상 폭 값으로 선택된다.

(1-2) DN(Difference from next; 다음과의 강폭 차이)

도 13에 도시된 것과 같이, DN Difference from next; 다음과의 강폭 차이)은 현재 강폭 이미지(S_ti)와 다음 영상 강폭 이미지(S_t+1)의 차이를 계산(DN(S_ti-S_t+1))하여 도출할 수 있다. DN(Sti-Sti+1)은 현재 강 폭 이미지와 다음 영상 강 폭 이미지 간의 차이를 나타낸다. 먼저 선택한 이미지의 픽셀 강도를 사용하여 현재 강 너비를 계산했다. 그런 다음 현재 영상 픽셀 값과 다음 영상 사이의 차이를 계산하여 DN으로 명명한다.

즉, DN은 하천의 흐름 상태(RFS :River Flow Status)를 구하는 데 활용되며, 퍼지 추론시스템에 직접 입력되는 현재 하천의 상태를 나타낸다. DN는 강한 음성 차이(HND: High Negative Difference), 약한 음성 차이(LND : Low Negative Difference), 중간차이(ZD: Zero Difference), 약한 양성 차이(LPD: Low Positive Difference) 및 강한 양성 차이(HPD: High Positive Difference)로 구분된다.

(1-3) RIS(River Flow Initial Status; 하천흐름 초기상태)

도 14 및 도 15에 도시된 것과 같이, DR(Difference from reference; 기준과의 강폭 차이)를 산출한 이후에 RIS(River Flow Initial Status; 하천흐름 초기상태)를 산출하도록 한다.

즉, DR 및 DN 계산 후, 계산된 DR은 하천 초기 상태(RIS의 경우 FIS) 퍼지 논리 모듈에 대한 퍼지 추론 시스템에 입력으로 사용된다. RIS FIS의 입력 변수는 기준(DR)과의 차이, 출력은 하천 흐름 초기 상태(RIS)가 된다.

아래의 표는 이러한 퍼지 논리의 입력(DR)과 출력(RIS)을 제시한 것이다.

{표 1}

위 표 1에서와 같이, 도 14에서의 퍼지 논리 모듈에 대한 다섯가지 멤버쉽 함수(MF) 중 입력 변수는, HN(High Negative), LN(Low Negative), Z(Zero), LP(Low Positive), HP(High Positive)로 정의되며, 하천 흐름 초기상태(RIS)에 대한 출력 변수는, D(Draught), LD(Low Draught), NF(Normal Flow), LF(Low Flood), F(Flood)의 다섯가지 멥버쉽 함수로 정의될 수 있도록 한다.

본 발명의 일 실시예에서는 퍼지 로직을 이용하는 예를 바람직한 일예로 제시하고 있으나, 이 때 적용하는 로직의 종류에는 인공 신경망, 지원 벡터 기계, K- 최근 접 알고리즘 등 많은 분류 방법이 있다. SAR 영상 기반의 하천 유역의 유형 클러스터링을 위해 하천의 폭 기반의 하천 상태를 분류하는 데퍼지 로직을 이용한다. 퍼지 로직는 진리 값이 완전히 진실이고 완전히 거짓일 수 있는 부분진리의 개념을 처리하는 데 이용된다. 대조적으로, 부울 논리에서 변수의 진리 값은 정수 값 0 또는 1 일 수 있다. 본 발명의 실시예에서는 이러한 SAR 영상의 하천 유역의 변화 영역을 통한 하천 폭의 상태 분류를 위한 퍼지 로직을 이용한다. 퍼지 로직은 Mamdani 퍼지 로직과 Suggeno 퍼지 로직이라는 두 가지 주요 유형을 가진다. Mamdani 퍼지 로직의 구성 요소는 퍼지화, 추론 엔진 및 역퍼지화이다. 추론 엔진은 규칙과 퍼지화 contaion 멤버십 함수를 포함하고 있다.

(1-4) RFS(River Flow Status; 최종 하천 흐름 상태)

도 16은 RFS(River Flow Status; 최종 하천 흐름 상태)를 분류하는 과정을 도시한 것이다. 도 17은 RFS(최종 하천 흐름 상태)를 분류하는 것을 예시한 것이다.

최종 하천 흐름 상태(RFS: River Flow Status)는 하천 초기 흐름 상태(RIS)와 DN을 퍼지 추론 시스템의 입력변수로 정의된다. 최종 하천 흐름 상태(RFS)는 강한 가뭄(SD: strong draught), 중간 가뭄(MD:medium draught), 약한 가뭄(LD: low draught), 정상 흐름(NF: normalflow), 약한 홍수(LF: low flood), 중간 홍수(MF: medium flood) 및 강한 홍수(SF: strong flood)으로 구분할 수 있다.

즉, 도 15에서와 같이, DR 및 DN 계산 후, 계산된 DR은 하천 초기 상태(RIS의 경우 FIS) 퍼지 논리 모듈에 대한 퍼지 추론 시스템에 입력으로 수행한 이후, 하천 흐름 초기 상태(RIS)에 대한 결과를 도출하고, 이후, 하천의 현재 흐름 상태인, RFS(River Flow Status; 하천 흐름 상태)를 분류하도록 퍼지 논리모듈을 적용한다. 하천 초기 상태 입력은 가뭄(D: Draught), 약한 가뭄 (Low Draught), 정상 흐름 (Normal Flow), 약한 홍수(LF: Low Flood), 홍수 (F: Flood)이 있으며, 다른 입력으로 DN은 강한 음성 차이(HND: High Negative Difference), 약한 음성 차이(LND: Low Negative Difference), 중간 차이(ZD: Zero Difference), 약한 양성 차이(LPD: Low Positive Difference) 및 강한 양성 차이(HPD: High Positive Difference)있다.

이 RFS(River Flow Status; 하천 흐름 상태)에 대하여 다섯가지 출력에 대한 멤버쉽 함수(MF)로 정의하되, 하천 상태 퍼지 추론 시스템(RFS FIS)에 대해 정의되되, 입력 변수 RIS 및 DN과 출력 변수 RFS의 언어적 용어를 아래와 같은 기준으로 분류할 수 있도록 한다.

{표 2}

(SD: strong draught, MD: medium draught, LD: low draught, NF: normal flow, LF: low flood,MF: medium flood, SF: strong flood)

입력 출력 멤버십 함수 언어 용어는 입력 및 출력 변수에 대해 기준(DR)과의 입력 차이의 MF 라벨은 D, LD, NF, LF, F로, draught, low draught (LD), normal flow (NF), low flood (LF), f(F), flood (F)로 정의하는 것은 상술한 바 있다.

다음(DN)과의 입력 변수 차이에 대한 MF 라벨은 각각 높은 음의 차이, 낮은 음의 차이, 0 차이, 낮은 양의 차이, 높은 양의 차이를 위해 약어로 된 HND, LND, Z, LPD, HPD로 정의하였다.(HND: High Negative Difference, LND: Low Negative Difference, Z: Zero Difference, LPD: Low Positive Difference, HPD: High Positive Difference)

출력 가변 하천유량 상태(RFS)의 MF 라벨은 SD, MD, LD, NF, LF, MF 및 SF로, 각각 강력한 가뭄, 중간 급류, 정상 유량, 저홍수, 중홍수 및 강수량을 약자로 정의하고, RFS FIS에 대해 설계된 규칙은 위 표 2에 제시되어 있다. 총 25개는 하천 상태 퍼지 추론 시스템(RFS FIS)에 대해 정의된다. 표의 각 항목은 입력 변수 RIS 및 DN과 출력 변수 RFS의 언어적 용어를 해당 값과 함께 나타낸다. 첫 번째 열과 첫 번째 행은 각각 DN과 RIS를 나타낸다.(SD: strong draught, MD: medium draught, LD: low draught, NF: normal flow, LF: low flood, MF: medium flood, SF: strong flood)

정리하자면, 본 퍼지추론시스템을 적용하는 경우, 최종 하천 흐름 상태에 따라 SAR 영상 기반의 하천 유역의 유형을 강한 가뭄(SD: strong draught), 중간 가뭄(MD: medium draught), 약한 가뭄(LD: low draught), 정상 흐름(NF: normal flow), 약한 홍수(LF: low flood), 중간 홍수(MF: medium flood) 및 강한 홍수(SF: strong flood)로 클러스터링할 수 있다.

도 18은 이러한 하천 유량 상태의 분류 설계 기준에 대한 입력과 출력에 대한 예시를 도시한 것이다.

4. 수행된 클러스터 세트를 기반으로, 새롭게 제공된 SAR 이미지를 분류

상술한 과정을 수행한 이후에는, 도 19에서와 같이, 수행된 클러스터 세트를 기반으로, 새롭게 제공된 SAR 이미지를 분류하는 과정이 수행된다. 분류의 기준은 아래의 표 3와 같은 분류를 통해 새롭게 입력되는 이미지의 유형을 맵핑(Mapping) 하고, 이를 통해 새로운 이미지를 분류할 수 있게 된다.

{표 3}

즉, 전체적으로 카테고리 구성을 알고 있는 관측치(또는 인스턴스)를 포함하는 데이터 세트를 기반으로 새 관측치가 속한 카테고리(하위 모집단)의 식별할 수 있도록 하는 과정으로, 상술한 1단계 내지 4단계를 구현하는 도 1에서의 본 발명의 구성을 통해, 입력되는 이미지에 대한 전처리 모듈, 정상화 모듈, 기능 추출 모듈, 차별 및 분류 모듈을 통해 수행된 결과를 통해 분류하게 된다. 즉, 전체적으로 SAR 영상에서 노이즈 및 정상화가 수행되는 사전 처리 모듈에 입력된 이후, 다음으로 사전 처리된 이미지를 형상 추출 모듈에 입력하고 형상 추출 후 구분이 수행되고, 이후 영역 유형에 따라 이미지가 분류되게 된다.

이를 테면, 본 4단계에서는, 새로운 SAR 영상에 대해 전처리하고, 변화 탐지, 하천 유역식별, 하천 유역을 구분하고 하천 유역 유형을 도출 방법을 연구하다. 이를 위해 SAR 영상에서 변화 하천 유역의 유형에 따른 종합적인 분류 기술을 연구하고, 새로운 SAR 영상에 대해 전처리, 변화 탐지, 식별 및 하천 유역을 구분하고, 하천 유역 유형에 따라 종합적으로 분류(classification)한다. 이때 금강, 한강, 낙동강 등의 새로운 SAR 영상이 입력되면, 하천의 상태를 강한 수준의 홍수, 중간 홍수, 낮은 홍수, 정상적인 흐름, 약한 가뭄, 중간 가뭄, 강한 가뭄 등으로 나눌 수 있다.

5. 재난 및 재해 여부 분석

이후 과정에서는, 분류된 SAR 이미지를 사용하여 재난 및 재해 여부에 대한 자동 확률 분포분석을 수행하여 통계적인 재난재해 예측 정보를 수립할 수 있도록 한다.

즉, 본 단계에서는, 하천 유역 유형에 따른 하천의 홍수 및 가뭄 확률 분포를 분석한다. 정규 확률 분포를 이용하여 각 강에 대한 흐름 유형을 분류하고, 각 하천 SAR 영상에 대한 단계별 결과를 제시할 수 있으며, 본 발명에서의 제안된 방법을 통해 다양한 유형의 강 흐름을 자동 분류하여 실시간으로 홍수 또는 가뭄 상황을 확인할 수 있다. 향후 안전과 원활한 강물 흐름을 보장하기 위해 예방 조치 및 예방 조치를 제시할 수 있다.

일예로, 후술하는 도 20 이하에서는, 금강, 한강, 낙동강 등의 SAR 영상 빅데이터를 토대로 하천 유역 유형에 따른 하천의 홍수 및 가뭄 확률 분포를 분석한다. 정규 확률 분포를 이용하여 각 하천에 대한 흐름 유형을 분류한다. 이를 통해 얻어진 금강, 한강, 낙동강 등의 SAR 영상을 기반으로 하천 홍수 및 가뭄 피해 유형을 하천의 폭 통계를 산출하여 가뭄과 홍수 등의 피해 유형에 따른 정규 분포를 제시한다.

확률 분포는 수학적 함수로서, 간단한 용어로 표현하면 실험에서 가능한 다른 결과의 출현확률을 제공하고 있다고 생각할 수 있다. 확률 분포 함수는 특정 확률 분포를 정의하는 데 이용될 수 있는 함수이다. 어떤 텍스트가 참조되는 지에 따라 이 용어는 누적 분포 함수, 확률 질량 함수, 확률 밀도 함수 등을 나타낼 수 있다. 제안된 연구에서는 간단한 확률 및 확률 밀도 함수를 이용하고 있다. 다음 방정식은 정규 분포의 확률 분포 함수이다.

{식 3}

(여기서 x는 분포를 원하는 값이고, μ는 산술 평균이며, σ는 분포의 표준 편차를 나타내고 있다.)

도 20은 특정 지역을 금강으로 한정하고, 이에 대한 (A)SAR 이미지를 입력값으로 하여, 상술한 본 발명의 실시예에 따른 방법을 적용하여 하천유량상태(RFS)를 분류한 결과를 도시한 것이다.

평균 강 너비를 계산하고, 이를 기준으로 강의 표준 너비로 가정한다. 이후, 동일 강의 9개의 다른 영상을 그 차이에 따라 분석하였다.

이 경우, 도 20에서 제시된 (B)표는 강의 홍수 확률을 나타내며, (C)그래프는 금강에 대한 홍수 가능성을 나타낸 확률분포를 산출하여 도시한 결과물을 도시한 것이다.

도 21은 특정지역을 낙동강으로 한정하고, 이에 대한 (A)SAR 이미지를 입력값으로 하여, 상술한 본 발명의 실시예에 따른 방법을 적용하여 하천유량상태(RFS)를 분류한 결과를 도시한 것이다. (B)표는 강의 홍수 확률을 나타내며, (C)그래프는 낙동강에 대한 홍수 가능성을 나타낸 확률분포를 산출하여 도시한 결과물을 도시한 것이다.

도 21에서는 12장의 SAR 이미지(낙동강 동일 지역에 대한 다른 시간대의 이미지)를 사용하였으며, 낙동강의 평균 강폭을 34m로 산출하고, 이를 기준으로 하여 강의 표준폭을 가정하였으며, 이후 각 이미지의 하천 흐름은 후속 영상과 표준 영상과의 차이를 고려하여 상술한 본 발명의 FIS 기반 분류 방법을 사용하여 분류하였으며, 그 결과는 도 21에 제시된 바와 같다.

도 22는 특정지역을 한강의 일부 지역으로 한정하고, 총 4장의 SAR 이미지를 적용하였으며, 한강유역의 강폭을 계산한 후, 각 이미지의 강흐름은 후속 이미지와 표준 이미지와의 차이를 고려하여 상술한 FIS 기반 모델을 사용하여 강유량을 분류한 결과를 도시한 것이다.

도 20 내지 도 21에서와 같이, 분류된 결과값은 강의 흐름유형을 강한 가뭄, 중간 가뭄, 낮은 가뭄, 정상적인 흐름, 낮은 홍수, 중간 홍수, 강한 홍수의 7가지 유형으로 분류하며, 이를 확률분포를 이용하여 각 강의 흐름 유형을 식별할 수 있게 된다. 이러한 본 발명의 실시예에 따르면, 하천 흐름을 다양한 유형으로 자동 분류하여 홍수나 가뭄 상황을 실시간으로 확인할 수 있게 할 수 있다.

본 발명의 실시예에 따른 SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법을 수행하는 것은, 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 발명은 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다.

본 발명에의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 발명은 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 발명은 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. "매커니즘", "요소", "수단", "구성"과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.

이상에서와 같이 본 발명의 기술적 사상은 바람직한 실시예에서 구체적으로 기술되었으나, 상기한 바람직한 실시예는 그 설명을 위한 것이며, 그 제한을 위한 것이 아니다. 이처럼 이 기술 분야의 통상의 전문가라면 본 발명의 기술 사상의 범위 내에서 본 발명의 실시예의 결합을 통해 다양한 실시예들이 가능함을 이해할 수 있을 것이다.

10: SAR 영상수집장치 20: SAR 영상입력부
110: 변화감지부 112: 전처리부
114: 영역분리부 116: 상관분석비교부
120: 변경영역추출부 130: 클러스터링부
132: 퍼지입력분석부 134: DR 산출부
136: DN 산출부 140: 유형별 분류부
150: 재해예측분석부

Claims (11)

1. 실시간으로 SAR(Synthetic Aperture Radar)를 이용하여 특정지역의 고해상도 영상 빅데이터를 수집하고, 이를 활용해 재난재해 여부를 분류하는 방법에 있어서,
   동일한 위치에 대한 서로 다른 시점의 두개의 SAR(Synthetic Aperture Radar) 영상를 입력하고, 상기 입력되는 2개의 SAR(Synthetic Aperture Radar) 영상에서 동일 지역의 SAR 이미지 세트 간의 변화여부를 감지(detection) 하는 1단계;
   상기 1단계에서 변화가 감지되는 SAR 이미지 세트의 경우, 변경된 영역의 이미지를 추출하는 2단계;
   상기 변경된 영역 유형을 기반으로 하는 클러스터링을 수행하는 3단계;
   피해 지역의 SAR 영상으로서 새롭게 제공된 SAR 이미지를 상기 3단계에서 수행된 클러스터 세트를 기반으로 유형을 맵핑하고 분류하는 4단계;
   상기 분류된 SAR 이미지를 사용하여 재난 및 재해 여부에 대한 자동 확률 분포분석을 수행하는 5단계;를 포함하며,
   상기 1단계의 상기 특정 지역은 하천을 포함하는 지역이며, 입력되는 영상은 일정한 폭과 길이를 가지는 동일 하천 지역을 포함하는 SAR 이미지 세트이며,
   상기 3단계는 상기 SAR 이미지 세트 상에 노출되는 하천의 폭의 차이 값을 기준으로 하천의 재해유무를 클러스터링하며,
   상기 5단계는 분석된 결과를 바탕으로 홍수 및 가뭄의 예측을 수행하는,
   SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법.
2. 삭제
3. 청구항 1에 있어서,
   상기 2단계에서 추출되는 하천을 포함하는 이미지 세트에서 변경된 영역의 이미지를 유형화하여 데이터 베이스에 저장하고,
   상기 3단계는, 퍼지논리 모델을 이용하여 하천의 유동상태를 분류하되,
   상기 특정 지역에 포함되는 하천의 이미지에 대하여,
   특정시간에 기준이 되는 강폭(Sr)과 현재의 강폭(Sti)의 차이를 계산하고,현재 강폭 이미지(Sti)와 다음 영상 강폭 이미지(St+1)의 차이를 계산하고,
   상기 기준이 되는 강폭(Sr)과 현재의 강폭(Sti)의 차이를 계산은, 하천 초기 상태(RIS의 경우 FIS) 퍼지 논리 모듈에 대한 퍼지 추론 시스템에 입력되어, 하천의 현재 상태의 이상 유무를 분류 및 분석하는 것을 특징으로 하는,
   SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법.
4. 청구항 1 또는 청구항 3 에 있어서,
   상기 1단계는,
   입력되는 두개의 상기 SAR 이미지에 대한 전처리 단계를 수행하되,
   상기 전처리는, SAR 이미지의 신호 레벨의 변화를 줄이기 위한 정규화(normalization) 및 표적의 화소로부터 분리(segmentation)를 수행하여 영상을 다른 세그먼트로 나누고 관심영역을 추출하며,
   상기 입력되는 2개의 SAR(Synthetic Aperture Radar) 이미지 간의 변화여부를 감지하여 정상과 비정상으로 구분하는 감지과정이 수행되는,
   SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법.
5. 청구항 4에 있어서,
   상기 분리의 수행 시에는,
   분할 알고리즘(Color Thresholder(CT)을 사용하여 색상 이미지를 이진 영상으로 변환하는 색상 임계값 지정 알고리즘을 적용하여 수행되는,
   SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법.
6. 청구항 5에 있어서,
   상기 입력되는 2개의 SAR(Synthetic Aperture Radar) 이미지 간의 변화여부를 감지하는 것은,
   두개의 이미지 사이의 상관 관계의 강도 여부를 통해 감지하되,
   하기의 {식 1}에 따른 상관계수를 사용한 비교법을 적용하는,
   SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법.
   {식 1}
   

   
7. 청구항 4에 있어서,
   상기 2단계는,
   변경감지부에서 서로 다른 시간에 동일한 위치에 대한 두개의 이미지를 정지영상으로 추출하고,
   변경영역추출부에서 두개의 이미지를 비교하여 변경사항의 여부를 감지하고, 이미지 차이점 보관 방법을 통해 얻은 변경된 영역의 이미지를 추출하는,
   SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법.
8. 청구항 4에 있어서,
   상기 하천의 현재 상태의 이상 유무를 분류 및 분석하는 것은, 퍼지 추론 시스템에 의해 하천의 유동유무를 분석하는,
   SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법.
9. 청구항 8에 있어서,
   상기 3단계에서,
   하천 초기 상태(RIS의 경우 FIS)의 입력변수는 기준(DR)과의 차이, 출력은 하천 흐름 초기 상태(RIS)의 결과를 임피던스(DR)(St-Sr) 변수와 차이에 대한 다섯가지 멤버십 함수(MF)인 HN(High Negative), LN(Low Negative), Z(Zero), LP(Low Positive), HP(High Positive)로 정의하는 과정이 더 수행되며,
   하천 흐름 초기상태(RIS)는 D(Draught), LD(Low Draught), NF(Normal Flow), LF(Low Flood), F(Flood)의 멥버쉽 함수로 정의되는,
   SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법.
10. 삭제
11. 청구항 9에 따른 SAR 기반 빅데이터를 활용한 재난재해 분류 및 분석 방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체.

Images