SegNet과 U-Net을 활용한 동남아시아 지역 홍수탐지 = Extracting Flooded Areas in Southeast Asia Using SegNet and U-Net

다국어 초록 (Multilingual Abstract)

Flood monitoring using satellite data has been constrained by obtaining satellite images for flood peak and accurately extracting flooded areas from satellite data. Deep learning is a promising method for satellite image classification, yet the potential of deep learning-based flooded area extraction using SAR data remained uncertain, which has advantages in obtaining data, comparing to optical satellite data. This research explores the performance of SegNet and U-Net on image segmentation by extracting flooded areas in the Khorat basin, Mekong river basin, and Cagayan river basin in Thailand, Laos, and the Philippines from Sentinel-1 A/B satellite data. Results show that Global Accuracy, Mean IoU, and Mean BF Score of SegNet are 0.9847, 0.6016, and 0.6467 respectively, whereas those of U-Net are 0.9937, 0.7022, 0.7125. Visual interpretation shows that the classification accuracy of U-Net is higher than SegNet, but overall processing time of SegNet is around three times faster than that of U-Net. It is anticipated that the results of this research could be used when developing deep learning-based flood monitoring models and presenting fully automated flooded area extraction models.

국문 초록 (Abstract)

홍수 발생 시 위성영상을 활용하여 침수된 지역을 추출하는 것은 홍수 발생 기간 내의 위성영상 취득과영상에 나타난 침수구역의 정확한 분류 등에서 많은 어려움이 존재한다. 딥러닝은 전통적인 영상분류기법들에 비해 보다 정확도가 높은 위성영상분류기법으로 주목받고 있지만, 광학영상에 비해 홍수 발생 시 위성영상의 취득이 용이한 SAR 영상의 분류 잠재력은 아직 명확히 규명되지 않았다. 본 연구는 대표적인 의미론적 영상 분할을 위한 딥러닝 모델인 SegNet과 U-Net을 활용하여 동남아시아의 라오스, 태국, 필리핀의 대표적인 홍수 발생지역인 코랏 유역(Khorat basin), 메콩강 유역(Mekong river basin), 카가얀강 유역(Cagayan river basin)에대해 Sentinel-1 A/B 위성영상으로부터 침수지역 추출을 실시하였다. 분석결과 침수지역 탐지에서 SegNet의 Global Accuracy, Mean IoU, Mean BF Score는 각각 0.9847, 0.6016, 0.6467로 나타났으며, U-Net의Global Accuracy, Mean IoU, Mean BF Score는 각각 0.9937, 0.7022, 0.7125로 나타났다. 국지적 분류결과 확인을 위한 육안검증에서 U-Net이 SegNet에 비해 보다 높은 분류 정확도를 보여주었지만, 모델의 훈련에 필요한 시간은 67분 17초와187분 19초가 각각 소요되어 SegNet이 U-Net에 비해 약 3배 정도 빠른 처리속도를 보여주었다. 본 연구의 결과는 향후 딥러닝 기법을 활용한 SAR 영상기반의 홍수탐지 모델과 실무적으로 활용이 가능한 자동화된 딥러닝기반의 수계탐지 기법의 제시를 위한 중요한 참고자료로 활용될 수 있을 것으로 판단된다.

참고문헌 (Reference)

1 Csurka, G., "What is a good evaluation measure for semantic segmentation?" 27 : 1-11, 2013

2 Wang, S., "Weakly Supervised Deep Learning for Segmentation of Remote Sensing Imagery" 12 (12): 207-, 2020

3 Ronneberger, O., "U-net:Convolutional networks for biomedical image segmentation" Springer 234-241, 2015

4 Greifeneder, F., "Suitability of SAR imagery for automatic flood mapping in the Lower Mekong Basin" 35 (35): 2857-2874, 2014

5 Twele, A., "Sentinel-1-based flood mapping : a fully automated processing chain" 37 (37): 2990-3004, 2016

6 Yang, M. D., "Semantic Segmentation Using Deep Learning with Vegetation Indices for Rice Lodging Identification in Multi-date UAV Visible Images" 12 (12): 633-, 2020

7 Badrinarayanan, V., "Segnet : A deep convolutional encoder-decoder architecture for image segmentation" 39 (39): 2481-2495, 2017

8 Manavalan, R., "SAR image analysis techniques for flood area mapping-literature survey" 10 (10): 1-14, 2017

9 Pashaei, M., "Review and evaluation of deep learning architectures for efficient land cover mapping with UAS hyper-spatial imagery : A case study over a Wetland" 12 (12): 959-, 2020

10 Du, L., "Mapping Forested Wetland Inundation in the Delmarva Peninsula, USA Using Deep Convolutional Neural Networks" 12 (12): 644-, 2020

11 Nemni, E., "Fully Convolutional Neural Network for Rapid Flood Segmentation in Synthetic Aperture Radar Imagery" 12 (12): 2532-, 2020

12 Long, S., "Flood extent mapping for Namibia using change detection and thresholding with SAR" 9 (9): 035002-, 2014

13 Kang, W., "Flood detection in gaofen-3 SAR images via fully convolutional networks" 18 (18): 2915-, 2018

14 Ma, L., "Deep learning in remote sensing applications : A meta-analysis and review" 152 : 166-177, 2019

15 Li, Y., "Deep learning for remote sensing image classification:A survey" 8 (8): e1264-, 2018

16 Pulvirenti, L., "An algorithm for operational flood mapping from synthetic aperture radar(SAR)data based on the fuzzy logic" 11 : 529-540, 2011

17 Goutte, C, "A probabilistic interpretation of precision, recall and F-score, with implication for evaluation" 345-359, 2005

18 Fernandez-Moral, E., "A new metric for evaluating semantic segmentation: leveraging global and contour accuracy" 1051-1056, 2018