Deep learning-based monitoring of overshooting cloud tops from geostationary satellite data
Miae Kim, 이정혜, Jungho Im (2018) · giscience-and-remote-sensing · DOI ↗
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). 이정혜 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.
요약
이 paper 는 이정혜 의 2 기 UNIST 초기 (2019-2022) 의 원격탐사 + 딥러닝 응용. Miae Kim (UNIST 박사) 와 Jungho Im (UNIST 지구과학) 의 협업. 이정혜 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.
이정혜 의 연구 궤적 안에서 이 paper 는 2 기의 환경/원격탐사 응용 갈래. 후속 Convolutional Neural Network-Based Land Cover Classification Using 2-D Spectral Reflectance Curve Graphs With Multitemporal Satellite Imagery (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. 이정혜 의 연구 궤적 2 기 UNIST 초기 응용 라인.
See also
- 이정혜
- Miae Kim
- Jungho Im
- convolutional-neural-network
- overshooting-cloud-tops
- geostationary-satellite
- giscience-and-remote-sensing
인접 그래프
- 인물 3
- 방법론 1
- 논문 1