고해상도 광학 위성 영상과 딥러닝 모델을 활용한 수계 모니터링 적용성 평가: 국토위성 1호 위성 영상과 Transformer 모델

Performance Evaluation of Water-Body Monitoring Using High-Resolution Optical Satellite Imagery and Deep Learning Models: CAS500-1 Satellite Imagery and Transformer Model

광범위한 영역에서 발생하는 수재해를 예방하기 위해서는 위성 원격 탐사 자료를 활용한 수계 모니터링은 필수적이다. 특히 국토위성 영상은 높은 공간해상도를 제공하여 정밀한 수계 모니터링이 가능하다. 최근 인공지능(Artificial Intelligence, AI) 기술의 발전과 함께, 딥러닝 기반의 객체 탐지 기법은 복잡한 지형과 다양한 토지피복 환경에서도 높은 정확도에서 수체탐지가 가능하다. 특히, Transformer 기반의 딥러닝 모델은 전역적 문맥 정보를 학습할 수 있어 기존의 AI 모델보다 세밀한 수체 탐지가 가능하다. 본 연구에서는 국토위성 영상과 Transformer 모델 기반의 ViT, SegFormer, Swin Transformer, MaskFormer 모델을 활용하여 수계 모니터링의 활용성을 평가하고자 하였다. 우선, 각 모델에서 국토위성의 RGB 영상을 입력자료로 사용하여 수체 탐지 성능을 평가한 결과 MaskFormer 모델에서 IoU는 0.932로 가장 높은 탐지 성능이 나타났다. 추가로 MaskFormer 모델에 국토위성 영상의 밴드 조합 별(R-G-B, R-G-NIR, NDWI, G-NIR-NDWI) 수체 탐지 성능을 평가한 결과 R-G-NIR 조합에서 IoU는 0.951로 가장 높은 탐지 성능이 나타났다. 본 연구결과를 바탕으로 지속적인 수체 탐지 및 수계 모니터링을 활용하여 효과적인 가용수자원 및 수재해 모니터링이 가능할 것으로 사료된다.

Monitoring water systems using satellite remote sensing data is essential for preventing water disasters across wide areas. CAS500-1 satellite imagery provides high spatial resolution, enabling continuous monitoring of water systems. With recent advancements in artificial intelligence (AI), deep-learning-based object-detection techniques have demonstrated high accuracy in detecting water bodies, even in complex terrains and diverse land-cover environments. Transformer-based deep-learning models can capture global context information, allowing for more detailed and accurate water detection compared to conventional AI models. In this study, the applicability of transformer-based models, including ViT, SegFormer, Swin Transformer, and MaskFormer, was evaluated using CAS500-1 imagery for water-body detection. Each model was trained using RGB bands from CAS500-1 imagery to assess water-body detection performance; the MaskFormer model yielded the highest accuracy, with an Intersection over Union (IoU) of 0.932. Furthermore, additional experiments were conducted with the MaskFormer model using different band combinations (R-G-B, R-G-NIR, NDWI, and G-NIR-NDWI), and the R-G-NIR combination yielded the best performance, with an IoU of 0.951. The findings indicate that continuous water-body detection and hydrological monitoring can contribute to the effective management of water resources and disasters.