---
type: paper
slug: miae-kim-2018-cnn-overshooting-cloud-tops
title: >-
  Deep learning-based monitoring of overshooting cloud tops from geostationary
  satellite data
authors:
  - '[[miae-kim]]'
  - '[[junghyelee]]'
  - '[[jungho-im]]'
year: 2018
venue: '[[giscience-and-remote-sensing]]'
doi: 10.1080/15481603.2018.1457201
categories:
  - '[[remote-sensing]]'
  - '[[machine-learning]]'
methods:
  - '[[convolutional-neural-network]]'
  - '[[image-classification]]'
themes:
  - '[[overshooting-cloud-tops]]'
  - '[[geostationary-satellite]]'
  - '[[severe-weather-detection]]'
aliases: []
last_updated: '2026-05-17T21:30:00+09:00'
---
# Deep learning-based monitoring of overshooting cloud tops from geostationary satellite data

*[[miae-kim]], [[junghyelee]], [[jungho-im]] (2018)* · [[giscience-and-remote-sensing]] · [DOI ↗](https://doi.org/10.1080/15481603.2018.1457201)

> 한반도 + 열대 지역의 *Overshooting Top (OT) — 강한 적란운에서 솟구치는 dome 형상* 을 [[convolutional-neural-network]] 으로 자동 탐지. Himawari-8 정지궤도 위성 영상 31 × 31 patch 입력. **POD (probability of detection) 79.68%, FAR (false alarm ratio) 9.78%** — 기존 OT 탐지 알고리즘 대비 우수. CNN 의 *visual inspection 모방* (dome 형상의 contextual 학습). [[junghyelee]] 의 *2 기 UNIST 초기* 의 *원격탐사 + 딥러닝 응용*.

- **RQ**: Geostationary 위성 영상에서 *overshooting cloud tops* 를 [[convolutional-neural-network]] 으로 *visual inspection 모방* 하여 자동 탐지 가능한가?
- **방법론**: [[convolutional-neural-network]] (31×31 patch input, binary OT/non-OT output), Himawari-8 visible + infrared channels
- **데이터**: Himawari-8 정지궤도 위성 이미지 (열대 지역)
- **주요 발견**: (1) **POD 79.68%, FAR 9.78%** — 기존 알고리즘 대비 우수. (2) Visual inspection (dome shape) 모방으로 *contextual* 정보 활용. (3) 정확한 채널 선택 + 고해상도 시간 해상도 (Himawari-8 의 강점) 가 정확도 핵심. (4) 시간적 패턴 (OT 의 phenology) 도 잘 탐지.
- **시사점**: OT 탐지 정확도 개선이 *항공 운항 + 지상 운영 안전* 에 직접 기여 (강한 바람, 낙뢰, 폭우 예측). 향후 RNN 결합 + 고위도 지역 확장.

![CNN 기반 overshooting cloud top 자동 탐지 모형 구조.](/papers/201809_KimM_Deep_learning_based_monitoring_of_overshooting_cloud_tops_from_geostationary_satellite_data/fig1.png)

## 요약

이 paper 는 [[junghyelee]] 의 *2 기 UNIST 초기 (2019-2022)* 의 *원격탐사 + 딥러닝 응용*. [[miae-kim]] (UNIST 박사) 와 [[jungho-im]] (UNIST 지구과학) 의 협업. [[junghyelee]] 가 *데이터-driven 분석* 측면, [[jungho-im]] 이 *도메인 (기상학)* 측면 제공.

방법론적 핵심: Visual inspection 의 *contextual pattern* — OT 가 *주변보다 솟구친 dome 형상* — 을 [[convolutional-neural-network]] 의 convolution 연산으로 모방. 기존 OT 탐지 알고리즘이 *temperature threshold* 같은 단순 기준에 의존했다면, CNN 은 *공간적 context* 를 학습. 31 × 31 patch 입력 (=Himawari-8 의 해상도 약 *60-90 km × 60-90 km*) 으로 *주변 cloud 구조* 도 함께 입력.

핵심 발견: POD 79.68%, FAR 9.78% — 기존 IR 기반 알고리즘의 POD ~60-70% 보다 향상. *Visible + IR multi-channel* 사용과 *고시간해상도 (10 분 간격)* 가 정확도의 결정요인. Himawari-8 의 이런 강점이 OT 탐지에 *기술적 시너지*.

[[junghyelee]] 의 *연구 궤적* 안에서 이 paper 는 *2 기의 환경/원격탐사 응용 갈래*. 후속 [[miae-kim-2018-cnn-land-cover]] (CNN 토지피복 분류) + [[junghye-lee-2020-cnn-spectral-transform]] (다른 spectral 도메인) 의 *위성 영상 CNN 시리즈*.

## 핵심 결과

| 메트릭 | 값 |
|---|---:|
| **POD (probability of detection)** | **79.68%** |
| **FAR (false alarm ratio)** | **9.78%** |
| Input patch size | 31 × 31 |
| Satellite | Himawari-8 (정지궤도) |
| Channels | Visible + Infrared multi-channel |
| Region | 열대 지역 |

- 기존 algorithm 의 POD ~60-70% 대비 향상
- Visual inspection 모방 (dome shape contextual)
- 시간적 패턴 (OT phenology) 도 탐지

## 방법론 노트

[[convolutional-neural-network]] 구조:

- Input: 31×31×C (C = channel 수, visible + IR)
- Conv layers (kernel 3×3 또는 5×5) + ReLU + max pooling
- Flatten → fully connected → softmax (binary: OT/non-OT)

Training: cross-entropy loss, Adam optimizer. Hard mining for negative samples (non-OT 가 압도적 majority).

식별 가정: (i) Himawari-8 의 *공간·시간 해상도* 적절성, (ii) OT 의 *visual dome signature* 가 충분히 discriminative, (iii) 학습 sample 의 *대표성*.

## 연구 계보

이 paper 는 (i) Setvák et al. (2010) 의 OT 탐지 IR 알고리즘 정통, (ii) LeCun et al. (1998) CNN 본가, (iii) Bedka et al. (2010) 의 *satellite OT detection* 라인 — 의 결합. [[junghyelee]] 의 *연구 궤적* *2 기 UNIST 초기 응용 라인*.

## See also

- [[junghyelee]]
- [[miae-kim]]
- [[jungho-im]]
- [[convolutional-neural-network]]
- [[overshooting-cloud-tops]]
- [[geostationary-satellite]]
- [[giscience-and-remote-sensing]]