다중빔 음향 탐사 시스템(300 kHz)의 후방산란 자료를 이용한 해저면 퇴적상 분류에 관한 연구

Surficial Sediment Classification using Backscattered Amplitude Imagery of Multibeam Echo Sounder(300 kHz)

다중빔 음향 탐사 시스템의 후방산란 자료를 대상으로 한 해저면 분류의 가능성을 평가하기 위하여, KONGSBERG SIMRAD EM3000(300kHz) 후방산란 신호를 분석하고 처리하는 소프트웨어를 구현하였다. 강원도 속초항 부근에서 취득한 음압 자료를 이용하여 모자익 영상을 제작하였다. 원격 분류 결과의 검증을 위해 영상 내에서 이질적인 음압 강도로 나타나는 지역에 대하여 잠수사에 의한 직접적인 표층 퇴적물 채취와 비디오 광학 영상을 취득한 후, 후방산란 음압과의 비교를 실시하였다. 연구 대상 지역의 수심은 5 m에서 22.7 m까지였으며, 모자이크 영상 내의 후방산란 강도 분포는 -15dB에서 -36dB까지 나타났다. 그리고 표층퇴적물 입도 분석 결과, 평균 입도 크기는 최대 2.86φ에서 최대 0.88φ까지 나타났다. 시료의 입도 분석 자료와 영상의 강도 변화 사이의 상관성을 비교해 본 결과, R 값은 0.56으로 나왔다. 입도 분석 자료와 후방산란 음압 자료와의 상관성을 기반으로 구현한 해저면 자동분류 시스템의 인식정도를 정량화하기 위하여, GIS 시스템으로 각 대상 자료를 통합하고, 면적비교 기능을 사용하여 평가를 수행하였다. 암반 지역을 사질 지역으로, 사질 지역을 암반지역으로 교차 인식하는 오인식율은 약 8.95%로, 평균 입도가 낮은 지역의 인식 면적 차이는 사용자 분류를 기준으로 약 2.06%로 나타났다. 이러한 결과는 평균 입도 변화가 해저면 후방산란에 가장 큰 영향을 미치는 요인임을 지시하고 있다. 따라서 이러한 후방산란 음압을 평가하여 평균 입도 변화를 추적하는 알고리즘을 구현할 수 있었으며, 최종 모자이크 영상을 두 개의 퇴적체로 자동 분류하는 시스템을 구현하게 되었다.

In order to experiment the acoustic remote classification of seabed sediment, we achieved ground-truth data(i.e. video and grab samples, etc.) and developed post-processing for automatic classification procedure on the basis of 300 kHz MultiBeam Echo Sounder(MBES) backscattering data, which was acquired using KONGBERG Simrad EM3000 at Sock-Cho Port, East Sea of South Korea. Sonar signal and its classification performance were identified with geo-referenced video imagery with the aid of GIS(Geographic Information System). The depth range of research site was from 5 m to 22.7 m, and the backscattering amplitude showed from -36dB to -15dB. The mean grain sizes of sediment from equi-distanced sampling site(50 m interval) varied from 2.86(φ ) to 0.88(φ ). To acquire the main feature for the seabed classification from backscattering amplitude of MBES, we evaluated the correlation factors between the backscattering amplitude and properties of sediment samples.The performance of seabed remote classification proposed was evaluated with comparing the correlation of human expert segmentation to automatic algorithm results. The cross-model perception error ratio on automatic classification algorithm shows 8.95% at rocky bottoms, and 2.06% at the area representing low mean grain size.