Lake Detection and Water Quality Estimation in Sentinel-2 Data

기술 요약: 센티넬 -2 데이터의 호수 탐지 및 수질 추정

문제 제기
내수 자원은 기후 변화와 인위적 압력에 점점 더 취약해지고 있어, 탐지 및 모니터링을 위한 신뢰할 수 있는 자동화 방법이 필요합니다. 위성 영상이 확장 가능한 해결책을 제공하지만, 물과 유사한 외관을 가진 표면 (예: 그림자, 어두운 토양) 의 존재와 가변적인 기상 조건으로 인해 내수 수역을 정확하게 분할하는 것은 여전히 어렵습니다. 정규화 차수 지수 (NDWI) 에 적용되는 것과 같은 고전적인 임계값 기법은 이러한 조건 하에서 정밀한 분할을 달성하는 데 종종 실패합니다. 또한, 기계 학습 (ML) 접근법은 대규모 레이블 지정 데이터셋의 부족으로 인해 상당한 장애물에 직면해 있습니다. 탐지 이상으로, 표준 색상 매핑 기법이 환경적 의사 결정을 위해 종종 부적절하거나 오해의 소지가 있는 수질 지수의 일관되고 해석 가능한 시각화에서 중요한 격차가 존재합니다.

방법론
본 연구는 수역 분할 및 수질 추정을 위한 두 가지 주요 목표를 해결하기 위해 센티넬 -2 다중 분광 영상을 활용합니다.

• 데이터셋: 저자들은 29 개국의 65 개의 고해상도 장면 (100 × 100 km) 으로 구성된 S1S2-Water 데이터셋의 광학 구성 요소를 활용했으며, 이는 다양한 토지 피복 클래스를 포괄합니다. 훈련 패치는 클래스 불균형을 해결하기 위해 물 편향 샘플링 전략 (≥1.5% 의 수역覆盖率 요구) 을 사용하여 생성되었습니다. 검증 및 정성적 분석을 위해 2022 년 7 월 19 일에 취득된 루마니아의 Dumbrvia 호수 특정 장면을 보이지 않는 테스트 사례로 사용했습니다.
• 모델 아키텍처: 이진 수역 분할을 위해 세 가지 딥러닝 (DL) 아키텍처가 평가되었습니다:
  1. 파인튜닝된 DeepLabV3: ImageNet-1K 에서 사전 훈련된 ResNet-50 백본을 혼합 초기화 전략을 통해 6 개의 센티넬 -2 분광 대역 (B02, B03, B04, B08, B11, B12) 을 수용하도록 수정한 모델입니다.
  2. 커스텀 U-Net: 4 단계의 다운샘플링 레벨로 처음부터 훈련된 대칭형 인코더 - 디코더 네트워크로, 스킵 연결을 활용하여 상세한 해안선 구조를 유지합니다.
  3. DeepWaterMap: Landsat 7 영상으로 원래 훈련된 대규모 수역 추출을 위해 특별히 맞춤화된 벤치마크 CNN 아키텍처입니다.
  • 입력 전략: RGB 대역에만 의존하는 모델과 달리, 본 연구의 모든 모델은 수문학적 지수를 위한 더 풍부한 정보를 제공하고 물과 어두운 육지 표면 간의 색상 유사성으로 인한 오류를 완화하기 위해 6 개의 분광 대역을 활용했습니다.
• 훈련 프로토콜: 모델은 클래스 가중치 (토지:물 = 1:20) 를 적용한 복합 손실 함수 ($0.5 L_{CE} + 0.5 L_{Dice}$) 를 사용하여 512 × 512 패치로 훈련되었으며, 소수 클래스의 오분류를 패널티로 부과했습니다. 실험은 NVIDIA Tesla P100 GPU 에서 수행되었습니다.
• 수질 지수: 생성된 수역 마스크를 사용하여 탁도, 조류 생물량 (NDCI), 유출 (NDOSI), 상대 수심에 대한 분광 지수를 계산했습니다. 이러한 지수의 공식은 6 개의 센티넬 -2 대역의 특정 조합에 의존합니다.
• 시각화 프레임워크: 표준화된 색상 체계의 부재를 해결하기 위해 저자들은 구조화된 시각화 프레임워크를 제안했습니다. 여기에는 물리적 현상과 정렬된 테마별 색상 팔레트 (예: 탁도의 경우 청색에서 갈색으로, 조류의 경우 녹색에서 적색으로) 과 공간적 이질성을 식별하기 위한 지역 분산 히트맵이 포함됩니다.

주요 결과

• 분할 성능: Dumbrvia 호수 테스트 세트에 대한 정량적 평가 결과, 커스텀 U-Net 아키텍처가 파인튜닝된 DeepLabV3 와 DeepWaterMap 벤치마크 모두를 능가했습니다. U-Net 은 87.47% 의 최고 교차율 (IoU) 과 92.24% 의 F1 점수를 달성했으며, 우수한 재현율 (94.71%) 과 특이도 (96.29%) 를 보였습니다. DeepWaterMap 은 높은 전역 정확도 (98.18%) 를 보였으나, U-Net 에 비해 낮은 특이도를 보였고 정교한 지역 세부 사항 처리에 어려움을 겪었습니다.
• 고전적 방법과의 비교: DL 모델은 고전적인 NDWI 및 MNDWI 임계값 (고정 및 Otsu 기반 모두) 을 크게 능가했습니다. 임계값 기법은 노이즈가 많은 배경, 비수역에서의 오검출, 복잡한 수역에서의 오미검출을 생성한 반면, U-Net 은 정교한 해안선 구조를 성공적으로 보존하고 댐과 같은 비수역 특징을 정확하게 식별했습니다.
• 수질 분석: U-Net 마스크는 Dumbrvia 호수의 진단적 평가를 가능하게 했습니다. 결과는 균일한 탁도 및 조류 생물량 분포를 나타냈으며, 조류 수치는 부영양화와 관련된 임계값에 근접했습니다. 공간 상관관계 분석은 탁도와 조류 신호가 수심에 의존적임을 밝혔으며, 2.0 미터 이상의 수심에서 탁도가 현저히 증가하여 이 호수가 수심 제어 시스템임을 시사했습니다.
• 시각화: 제안된 색상 팔레트는 분산 히트맵을 통해 안정적인 수역 조건과 지역적 이상 (예: 퇴적물 플룸) 을 구별하여 분광 지수의 더 명확한 해석을 용이하게 했습니다.

의의 및 기여
본 논문은 다른 센서 (Landsat 등) 나 전통적인 지수 기반 접근법으로 사전 훈련된 모델에 비해 센티넬 -2 데이터에서 직접 딥러닝 모델을 훈련시키는 것이 향상된 정량적 지표와 더 풍부한 정성적 세부 정보를 산출한다고 주장합니다. 주요 기여점은 다음과 같습니다:

1. 강건한 분할: 처음부터 훈련된 커스텀 U-Net 이 센티넬 -2 영상에서 내수역을 위해 가장 정확하고 강건한 분할을 제공하며, 복잡한 해안선을 효과적으로 처리하고 오검출을 줄임을 입증했습니다.
2. 통합 품질 평가: 표준화된 분광 지수를 사용하여 단순 탐지를 넘어 진단적 수질 평가 (탁도, 조류, 유출, 수심) 로 이어지는 워크플로우를 확립했습니다.
3. 표준화된 시각화: 해석을 오도할 수 있는 비균일 컬러맵 문제를 해결하고 환경 모니터링의 일관성을 촉진하기 위해 지각적으로 균일하고 맥락을 인지하는 색상 팔레트를 사용하여 수질 지수를 시각화하기 위한 구조화된 프레임워크를 제안했습니다.

저자들은 딥러닝 방법이 명백히 전통적인 임계값 기법을 능가하지만, 향후 연구는 이러한 지수의 시간적 분석, 보정을 위한 현장 검증, 그리고 엣지 장치의 실시간 배포를 위한 모델 최적화에 초점을 맞춰야 한다고 결론지었습니다.