기계학습을 이용한 시계열 해빙 자료의 혼합 분석

Abstract

매우 높은 주기로 획득된 초시계열 자료는 해빙과 같은 자연 환경 변화의 계절적 특징을 결정하는데 이용된다. 그러나 현장에 대한 정보 없이 넓은 지역에서 장기간에 거쳐 획득된 방대한 양의 초시계열 자료를 효율적으로 분석하고 정보를 얻는데는 많은 제약이 있다. 초분광 원격탐사자료와 유사하게 초시계열 자료의 대부분의 각 화소는 여러 계절적인 특징을 보이는 신호들로 혼합되어있다. 본 연구에서는 초시계열 해빙 자료에서 혼합되어 존재하는 계절적 특징을 보이는 해빙 신호값들을 시간 혼합 분석을 통하여 분석하는 방법을 제안하고자 한다. 시간 혼합 분석은 초분광 영상의 분광 혼합 분석과 같이 1) 계절적 특징을 지닌 고유한 신호값 (temporal endmember) 찾기, 2) 시계열 자료의 각 화소들을 endmember들의 선형 조합으로 표현할 수 있는 정량적인 비율값 (fractional abundance) 계산으로 수행된다. 특히 endmember 선택이 성공적인 혼합분석 수행에 중요한 요인이므로 정확한 endmember의 선택이 매우 중요하다. 본 연구에서는 geometry convexity를 이용한 기계학습 기법을 통해 초시계열 해빙 자료에서 temporal endmember를 정의하고 fully constrained least squares unmixing을 통해 각 temporal endmember들의 정량적인 양을 계산, 맵핑하였다. 역변환을 통한 복원 영상과 원본 영상을 통해 제안된 방법론의 정량적인 정확도를 검증하였고, 과거 36년간 남극 해빙의 지역별 증감 요인을 혼합 분석의 결과를 이용해 분석하였다.