Classification for Landfast Ice Types in the Greenland of the Arctic by Using Multifrequency SAR Images

Abstract

To classify the landfast ice in the north of the Greenland, observation data, multifrequency Synthetic Aperture Radar (SAR) images and texture images were used. The total four types of sea ice are first year ice, highly deformed ice, ridge and moderately deformed ice. The texture images that were processed by K-means algorithm showed higher accuracy than the ones that were processed by SAR images; however, overall accuracy of maximum likelihood algorithm using texture images did not show the highest accuracy all the time. It turned out that when using K-means algorithm, the accuracy of the multi SAR images were higher than the single SAR image. When using the maximum likelihood algorithm, the results of single and multi SAR images are differ from each other, therefore, maximum likelihood algorithm method should be used properly.

Full text

다중주파수 SAR 영상을 이용한 북극해 그린란드 정착빙 분류
황도현*·황병준**·윤홍주*
†
*부경대학교 공간정보시스템공학과, **The Scottish Association for Marine Science
Classification for Landfast Ice Types in the Greenland of the Arctic by Using
Multifrequency SAR Images
Do-Hyun Hwang*, Byongjun Hwang** and Hong-Joo Yoon*
†
*Department of Spatial Information Engineering, Pukyong National University
**The Scottish Association for Marine Science
Abstract : To classify the landfast ice in the north of the Greenland, observation data, multi-
frequency Synthetic Aperture Radar (SAR) images and texture images were used. The total four types
of sea ice are first year ice, highly deformed ice, ridge and moderately deformed ice. The texture images
that were processed by K-means algorithm showed higher accuracy than the ones that were processed
by SAR images; however, overall accuracy of maximum likelihood algorithm using texture images did
not show the highest accuracy all the time. It turned out that when using K-means algorithm, the
accuracy of the multi SAR images were higher than the single SAR image. When using the maximum
likelihood algorithm, the results of single and multi SAR images are differ from each other, therefore,
maximum likelihood algorithm method should be used properly.
Key Words : Arctic, synthetic aperture radar (SAR), K-means, maximum likelihood
요약 :
그린란드 북쪽 정착빙 부근 해빙을 분류하기 위하여 현장 자료, 다중 주파수 SAR (Synthetic
Aperture Radar) 영상, 텍스쳐 영상을 사용하였다. 해빙의 유형은 first year ice, highly deformed ice,
ridge, moderately deformed ice 총 4개로 분류하였다. K-means 알고리즘을 사용하여 텍스쳐 영상으로
분류한 경우 SAR 영상을 사용했을 때 보다 전체 정확도가 높게 나타났으나, 최대 우도법(maximum
likelihood) 알고리즘을 사용하였을 때 텍스쳐 영상의 전체 정확도는 때에 따라서 높게 나타났다. 단일 영상
및 다중 영상을 사용했을 때 결과를 비교하면, K-means 알고리즘을 사용했을 때는 다중 영상을 이용하는
것이 전체 정확도가 높게 나타났다. 최대 우도법 알고리즘을 사용했을 경우, 단일 영상을 사용했을 때와 다
중 영상을 사용했을 때 클래스별 분류 정확도가 차이가 있어 단일 영상과 다중 영상을 적절하게 사용해야 한
다고 판단된다.
접수일(2012년 11월 22일), 수정일(1차 : 2013년 1월 4일, 2차 : 2월 4일), 게재확정일(2013년 2월 5일).
†
교신저자: 윤홍주(yoonhj@pknu.ac.kr)
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/
licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
Korean Journal of Remote Sensing, Vol.29, No.1, 2013, pp.1~9
http://dx.doi.org/10.7780/kjrs.2013.29.1.1
–1–

1. 서 론
북극해 해빙의 종류와 두께는 급격하게 변화하고 있
는 상태이다. 지난 10년 동안 여름의 해빙 면적은 점차
감소하는 것으로 기록되었으며, 광대한 지역의 다년빙
(multi-year ice, MYI) 두께는 유년빙(younger year ice)만
큼 얇아졌다(Comiso et al., 2008). IPCC(Intergovernmental
Panel on Climate Change)는 대부분의 해빙이 2080년경
사라질 것으로 전망하였으나, 최근 위성 관측은 IPCC
에서 예측한 것 보다 급속도로 해빙의 면적이 줄어들
고 있음을 보여주고 있다. 또한 9월 다년빙(MYI)의면
적이 줄어드는 속도는 3월의 1년빙(first year ice)에비해
더 빠르다(IPCC, 2007).
해빙은 알베도가 높아 빛을 반사시켜 지구 온도 조
절을 하거나, 해양 순환 등 전 지구적으로 영향을 주기
때문에 이를 관측할 필요가 있다. 하지만 북극해의 지
리적 특성상 접근하기에 어려움이 있어 위성을 이용한
원격 탐사가 유용하다고 볼 수 있다. 하지만 가시광선
을 이용한 광학 원격 탐사를 이용하여 극지방을 관측
한다면, 구름이 있는 날씨나 극지방의 겨울철 극야 현
상이 나타나 해가 뜨지 않으면 자료 수집에 어려움이
발생한다. 따라서 마이크로파를 이용한 SAR(Synthetic
Aperture Radar)는 구름이나 강수 등 기상 조건에 영향
을 받지 않아 극지방을 관측하는데 적절하다고 볼 수
있다.
SAR 영상을 이용하여 극지방의 해빙을 분류하는 연
구는 이전부터 수행되어졌다. Bogdanov et al.(2005)의
연구에서는 SAR 영상 및 광학 영상으로 신경망 분석을
이용하여 해빙을 분류하였으며, Kwok et al.(1992)의연
구에서는 SAR 영상으로 무감독 분류를 하여 해빙을 분
류하였다. 하지만 이전 연구에서 사용된 SAR 영상은
해상도가 100 m ~ 200 m로 높지 않았으며, SAR 영상과
광학 영상을 함께 사용하였기 때문에 SAR 영상만 사용
하여 분류하는 연구는 이루어지지 않았다.
텍스쳐(texture)는 표면의 변화를 보여주는데,
표면의
변화가 거의 없으면 부드러운 텍스쳐를 가지며, 변화
가 많으면 텍스쳐가 거칠어진다(Gibson et al., 2000). 텍
스쳐를 처리하는 방법에는 구조적 방법, 신호처리 방
법, 통계적 방법이 있으며, 표면이 불규칙적으로 변하
는 경우가 많기 때문에 이를 정량화하기 위해서 주로
통계적 방법으로 처리한 텍스쳐 영상을 사용한다(Mo
and Kim, 2000). Bogdanov et al.(2005), Nystuen and
Garcia(1992), Sun et al.(1992)등의 연구에서 해빙을 분류
할 때 텍스쳐 영상을 사용하면 정확도가 높아진다는
것을알수있었다. 해빙은 종류에 따라 표면이 부드러
운 부분이나 변화가 많아 표면이 거친 부분등 표면의
변화가 다양하게 나타나기 때문에 텍스쳐 영상을 사용
한다면 표면의 정보를 얻을 뿐만 아니라 정확도 향상
에 기여할 수 있을 것이다.
본 연구의 목적은 고해상도 SAR 영상을 이용하여
분류 정확도를 향상시키고자 하는 것이다. 현장 관측
조사를 통해서 현장 자료를 수집하여 first year ice(FYI),
highly deformed ice(HDI), moderately deformed ice(MDI),
ridge의 4개의 클래스로 분류하였다. 분류 정확도를 향
상시키기 위해서 먼저 SAR 영상을 이용하여 무감독 분
류와 감독 분류의 결과를 비교하고, 단일 영상과 다중
영상을 사용했을 경우를 비교하여 어떤 영상을 이용해
야 정확도가 높아지는지를 연구하였다. 또한 텍스쳐
영상을 사용했을 때 정확도가 높아질 수 있는지 알아
보고, SAR 영상과 텍스쳐 영상을 사용하여 분류한 결
과를 비교하였다.
2. 자료 및 방법
1 ) 연구 지역
연구 지역은 그린란드 북쪽에 있는 정착빙 부근이
며, 현장 관측을 하기 위해 아이스 캠프를 설치하였다
(83°38.622’N, 32°14.245’W). 아이스캠프는 정착빙 주변
의 FYI, MYI, ridge 등 여러 종류의 해빙이 있는 곳이다.
연구 지역은 Fig. 1(a)과같고, 현장 자료는 남쪽에서 북
쪽으로 약 2 km정도 되는 Fig. 1(b)의붉은선이있는구
간에서 측정되었다.
2) 연구 자료
(1) 현장 관측 자료
현장 관측은 2009년 5월 1일부터 5월 6일까지 진행
되었다. 현장 관측 자료로 눈과 해빙의 두께를 측정하
였으며, 측정된 구간은 1.7 km로써 5 m간격으로 측정되
Korean Journal of Remote Sensing, Vol.29, No.1, 2013
–2–

었다. 눈두께(snow depth)는 1 m까지 측정할 수 있는 탐
침으로 측정하였다. 해빙의 두께는 해빙에 구멍을 뚫
어서 두께를 측정하는 드릴 홀(drill hole) 방식으로
EM31(EM31, Geonics EM31-SH)을 이용하여 측정하였
으며, 최대 2 m까지 측정 가능하다.
해빙의 종류는 WMO(1970) 자료와 현장 자료를 참
고하여 분류하였다. FYI는 얼음이 형성되는 기간이 1
년을 넘지 않고 얼음의 두께가 일반적으로 0.3~2.0 m정
도인 얼음을 말한다. MYI는 얼음이 최소 3 m이상의 두
께를 가지며, 형성 기간이 1년 이상으로 최소 여름을 두
번 지난 얼음을 말한다. MYI의 한 종류인 deformed ice
는 얼음이 계속 압축되었다 떨어진 얼음이며, 본연구
에서는 deformed ice가 위치에 따라 다른 특성을 보여서
HDI와 MDI 두 개로 분류하였다. HDI가 좀 더 압축되고
단단하게 형성되었다면, MDI는 눈이 쌓여있고 좀 더
평평한 MYI라고볼수있다. ridge는 해빙 조각이 주위
의 압력에 의해 산 능선처럼 형성되었으며, 대개 부빙
(ice floe)이나 다른 종류의 얼음이 만나는 가장자리에
생성된다.
평균 눈 두께 및 해빙의 두께는 Table 1과같고, Fig. 2
는 SAR 영상과 각 해빙 종류별 현장 사진이다. Fig. 2(e)
의왼쪽아래짙은부분은FYI이다. FYI는 MYI에비해
염분의 양이 많아서 투과율이 좋지 않아 어둡게 나타
난다(Jackson and Apel, 2004). Fig. 2(a)는 FYI의표면사
진이며, Fig. 2(b)는 FYI에있는작은ridge이다. 관측 결
과 FYI의 평균 눈 두께는 5.6 cm이며, 평균 해빙의 두께
는 2.1 m이다. SAR 영상에서 밝은 부분은 MYI와 ridge
로볼수있다. MYI는 일반적으로 염분이 낮고, 얼음에
공기방울 같은 빈 공간이 많이 존재한다. 빈 공간에서
마이크로파가 관통하여 후방 산란이 발생하기 때문에
MYI가 있는 부분은 밝게 나타난다(Jackson and Apel,
2004). HDI는 Fig. 2(c)의사진에서볼수있으며, 평평한
FYI와 달리 눈이 쌓여있는 것을 볼 수 있다. HDI는남
쪽과 북쪽 두 군데 관측되었는데, 남쪽에서 북쪽으로
가면서 눈 두께는 평균 23.1 cm에서 41.3 cm로 변화하였
다. 이렇게 눈 두께가 고르지 못한 이유는 현장 관측된
Classification for Landfast Ice Types in the Greenland of the Arctic by Using Multifrequency SAR Images
–3–
Fig. 1. Study area in the north of the Greenland. SAR images were used inside of rectangular box in zoomed area, and the red line
is validation line.
Table 1. Summary of mean and standard deviation of snow depth and ice thickness
Smooth FYI HDI(South) Ridge MDI HDI(North)
Snow depth (cm)
Mean 5.6 23.1 46.4 28.2 41.3
S.D. 4.5 14.6 23.9 26.4 23.2
Ice thickness (m)
Mean -2.1 -3.0 n/a -2.9 -3.4
S.D. 0.2 0.9 n/a 1.0 1.1
Smooth FYI HDI(South) Ridge MDI HDI(North)

샘플 수가 제한적일수도 있지만, HDI 주변의 큰 아이
스 블록이 벽처럼 만들어져 눈이 흩날리는 것을 막아
눈을 쌓이게 한 것으로 추정된다. HDI의 해빙 두께는
남쪽에서 평균 3.0 m이고, 북쪽에서는 평균 3.4 m이다.
ridge는 남쪽에 위치한 HDI의 끝부분에서 발견되었다
(Fig. 2d). 해수면에서 약 4~6 m 높이이며, 해빙의 두께
는 3~5 m이었다. 평균 눈 두께는 46.4 cm로 가장 두껍게
나타났다. 해빙의 두께는 EM31의 측정치인 2 m를넘어
서 두께를 측정하지 못했다. Fig. 2(e)의 HDI 사이에 있
는회색부분은MDI이다. 평균 눈 두께는 28.2 cm이며,
해빙의 두께는 평균 2.9 m 이다.
(2) SAR 영상 자료
SAR 영상 자료는 아이스 캠프가 있는 지역을 중심
으로 현장 관측이 진행된 시기를 고려하여 2009년 4월
21일부터 5월 13일까지 촬영된 5장의 영상을 사용하였
다(Table 2).
3) SAR 영상 전처리 방법 및 텍스쳐 영상 제작
SAR 영상을 프로그램에서 사용할 수 있는 포맷으로
변환하기 위하여 전처리 과정을 수행하였다. 전처리는
Array Systems Computing사에서 만들어진 Next ESA
SAR Toolbox 프로그램으로 하였다. SAR 영상에는 스
펙클 노이즈(speckle noise)라는 후추를 뿌린 듯 한 작은
반점이 발생하는데, 이것은 영상의 화질을 감소시키기
때문에 영상 처리를 하기 전 먼저 3×3 mean 필터로 스
펙클 노이즈를 제거하였다. 다음 단계는 같은 센서에
서 받은 영상이라 하더라도 각 영상별로 데이터 값이
다르게 나타날 수도 있으며, 각기 다른 센서를 사용할
Korean Journal of Remote Sensing, Vol.29, No.1, 2013
–4–
Ï
Fig. 2. SAR images with the field photography description of (a) surface snow, (b) small ridges in south of FYI, (c) rubble MYI field
and (d) big ridges. Red line is the validation line.
Table 2. Summary of satellite images data used in this study
Date (yy/mm/dd) Sensor Wavelength Polarization Spatial resolution Incident angle
09/04/21 PALSAR(ScanSAR) L-band(1270 MHz) HH 100m 27˚
09/04/28
Radarsat-2(Standard) C-band(5.41 GHz)
HH 25m 33.6˚ ~ 39.8˚
09/04/30 VV 25m 41.2˚ ~ 46.5˚
09/05/10 ASAR (IMM)
C-band(5.3 GHz)
HH 150m 25˚
09/05/13 ASAR (WSM) HH 150m 36˚
Date (yy/mm/dd) Sensor Wavelength Polarization Spatial resolution Incident angle

때에도 데이터 값이 다르게 나타나기 때문에 데이터
값을 같게 만들기 위해 방사보정을 하였다. 방사 보정
이 끝난 뒤에는 기하학적 왜곡을 제거하고 좌표계로
변환하기 위한 기하 보정을 수행하였다.
전처리가 끝난 SAR 영상을 GLCM(Grey Level Co-
occurance Matrix) 알고리즘을 이용하여 텍스쳐 영상으
로 생성하였다. 텍스쳐 영상은 공간의 형태로 나타난
지표면의 특징을 통계적 기법을 이용하여 정량적으로
나타내는 것이다. Haralick et al.(1973)은 GLCM의통계
모델을 제안하였는데, 이것은 이웃 화소 간 밝기를 계
산하고 통계량을 커널 내 중심 화소의 새로운 밝기 값
으로 나타내는 방법이다(Lee et al., 2005; Haralick et al.,
1973). 통계적 기법을 이용하여 GLCM을 계산하는 방
법으로는 평균(mean), 분산(variance), 상관관계
(correlation)를 구하는 세 가지 방법이 있는데, 이 중에서
커널 사이즈가 3×3인 평균 텍스쳐 영상을 만들었다.
4) 연구 방법
해빙을 분류하기 위해 무감독 분류를 수행하였는데,
무감독 분류는 트레이닝 데이터를 사용하지 않아 현장
관측 자료가 없어도 분류할 수 있다는 장점이 있다. 무
감독 분류의 K-means 알고리즘은 최단 거리를 이용하
여 평균값이 가장 가까운 군집에 해당되는 곳에 분류
한다. 군집의 평균은 새롭게 계산된 평균과 함께 반복
되어 다시 계산되며, 픽셀은 재분류된다(Tou and
Gonzalez, 1974). 분류 클래스는 현장 관측과 동일하게
FYI, HDI, MDI, ridge 네 종류로 하였다. 해상도나 파장
대가 다른 영상을 함께 사용한다면 정확도에 영향을
줄 수 있는지 알아보기 위해서 단일 영상 외에도 여러
가지 센서 조합을 이용한 다중 영상을 이용하였다.
최대 우도법(maximum likelihood)은 감독 분류에서
가장 많이 사용되는 알고리즘이다. 이 알고리즘은 트
레이닝 데이터가 정규 분포임을 가정한 뒤, 각 픽셀이
클래스에 소속될 확률을 계산해 확률이 높은 곳에 클
래스를 분류하는 방법이다(Richards and Jia, 1999;
Gibson et al., 2000). 해빙의 종류와 최대 우도법에 사용
된 트레이닝 데이터와 테스트 데이터는 Table 3과같다.
클래스 개수는 현장 관측과 K-means에서 사용된 것과
동일하게 4개로 하였으며, 트레이닝 데이터와 테스트
데이터는 최대한 비슷한 면적으로 차이가 많이 나지
않도록 만들어 비교하였다.
3. 결과 및 고찰
1 ) 무감독 분류를 이용한 해빙 분류
K-means 알고리즘을 이용하여 SAR 영상과 텍스쳐
영상을 사용하여 분류했을 때 전체 정확도는 Table 4와
같다. 먼저 SAR 영상의 결과를 살펴보면, ASAR와
PALSAR의 영상을 함께 사용했을 경우 정확도가
70.7%로 가장 높게 나타났다. 그 다음으로는 Radarsat-2
와 PALSAR 영상 조합의 경우, 전체 정확도는 66.0%이
었다. 단일 영상을 사용했을 때 Radarsat-2의 결과는
51.1%, ASAR의 결과는 42.4%로 단일 영상을 사용했을
때보다Radarsat-2, ASAR, PALSAR 영상을 함께 사용했
을 때 정확도가 높은 것으로 나타났다. 다음으로 텍스
쳐 영상의 결과를 보면, Radarsat-2와 PALSAR 텍스쳐
영상을 조합했을 경우 정확도는 75.0%로 K-means 알고
Classification for Landfast Ice Types in the Greenland of the Arctic by Using Multifrequency SAR Images
–5–
Table 4. Overall accuracy of K-means with various combinations
SAR Sensor(s)
Overall Accuracy(%)
SAR image(s) Texture image(s)
ASAR, PALSAR 70.7 73.6
Radarsat-2, PALSASR 66.0 75.0
Radarsat-2, ASAR, PALSAR
59.0 65.1
Radarsat-2, ASAR 56.7 63.9
Radarsat-2 51.1 57.4
ASAR 42.4 45.2
SAR Sensor(s)
Overall Accuracy(%)
SAR image(s) Texture image(s)
Table 3. The description of sea ice type and the number of training vectors and the test vectors for each class
Sea ice type Description Training vectors Test vectors
FYI Not more than one winter’s growth from young ice 59 52
HDI Non-uniform melting of multi-year ice 51 43
Ridge Rectilinear conglomeration of ice fragments by strong pressure 10 11
MDI With snow cover, bottom of rough surface becomes smooth 57 59
Sea ice type Description Training vectors Test vectors

리즘을 사용한 결과 중 가장 높은 것으로 나타났다. 그
다음으로 ASAR와 PALSAR의 텍스쳐 영상을 사용했
을 때는 전체 정확도가 73.6%로 SAR 영상을 사용했을
때 보다 더 높게 나타났다. 다른 조합과 비교했을 때도
텍스쳐 영상을 사용했을 때 전체 정확도가 2.8%에서
최대 9% 높게 나타났다.
단일 영상의 정확도는 SAR 영상을 사용했을 때와
텍스쳐 영상을 사용했을 때 모두 다중 영상을 사용했
을 때 보다 낮게 나타났다. 따라서 K-means 알고리즘을
이용했을 때 단일 영상 보다는 다중 영상의 텍스쳐 영
상을 이용하는 것이 정확도가 더 높게 나타난다는 것
을알수있다. K-means 알고리즘을 사용하여 분류한 결
과는 Fig. 3과 같으며, 현장 관측 장소 부근을 보여주고
있다. 빨간색은 FYI, 초록색은 MDI, 파란색은 HDI, 노
란색은 ridge를 보여주고 있다.
2) 감독 분류를 이용한 해빙 분류
감독 분류를 수행하기 위해서 트레이닝 데이터를 제
작하였으며, SAR 영상에서 현장 관측 장소 주변의 트
레이닝 데이터와 테스트 데이터 위치는 Fig. 4와같다.
빨간색 선은 현장 관측 장소를 보여주고 있으며, 트레
이닝 데이터와 테스트 데이터의 색깔은 Fig. 3에사용
된 색과 동일하다.
Korean Journal of Remote Sensing, Vol.29, No.1, 2013
–6–
Fig. 4. Training vectors are shown solid rectangle and test vectors
are shown rectangle line. Red line is the validation line.
Red indicates first year ice, blue indicates highly deformed
ice, yellow indicates ridge and green indicates moderately
deformed ice.
Fig. 3. Classification image of using K-means algorithm with (a) ASAR and PALSAR images, (b) Radarsat-2 and PALSAR images,
(c) Radarsat-2, ASAR and PALSAR images, (d) ASAR and PALSAR texture images, (e) Radarsat-2 and PALSAR texture
images, (f) Radarsat-2, ASAR and PALSAR texture images.
First year ice Ridge Moderately deformed ice Highly deformed ice
(a) (b) (c) (d) (f)(e)

최대 우도법 알고리즘으로 분류한 전체 정확도는
Table 5와같다. Radarsat-2와 ASAR 영상을 이용했을 때
전체 정확도는 86.3%로 가장 높게 나타났으며,
Radarsat-2 영상을 사용했을 때 전체 정확도는 86.2%로
나타났다. 대체적으로 Radarsat-2 영상을 사용하여 분류
했을 때 전체 정확도가 높은 것을 볼 수 있었다.
텍스쳐 영상을 사용했을 때 결과를 보면, Radarsat-2
와 ASAR 영상의 조합 결과가 83.4%로가장높게나타
났으며, Radarsat-2 영상 분류 결과 83.0%로 두 번째로
높게 나타났다. 하지만 텍스쳐 영상을 사용했을 때 전
체 정확도가 높아질 것이라는 예상과는 달리 몇몇 결
과에서만 SAR 영상보다 전체 정확도가 높게 나타났다.
Radarsat-2, ASAR, PALSAR 조합, ASAR 영상, ASAR와
PALSAR의 조합만 텍스쳐 영상을 사용했을 때 전체 정
확도가 높았다.
Fig. 5는 분류 결과 이미지를 보여주고 있다. 각클래
스별 색깔은 Fig. 3과 동일하게 나타내었다. Radarsat-2
의경우, 단일 영상의 결과 및 Radarsat-2를 포함한 다중
영상의 결과가 다른 영상에 비해 높은 것으로 보여 자
세한 결과를 알아보기 위해 오차 행렬(confusion matrix)
를 계산하였다. 오차 행렬은 지상 정보와 실제 분류 결
과를 비교함으로써 분류의 정확성을 알아볼 수 있는
방법이다. 따라서 최대 우도법을 사용하여 전체 정확
도가 가장 높았던 Radarsat-2와 ASAR의결과영상,
Radarsat-2 결과 영상으로 계산된 오차 행렬은 각각
Table 6과 Table 7과같다. 두 결과를 비교해보면 FYI,
HDI, MDI의결과차이는5% 미만으로 큰 차이가 나타
나지 않았다. 하지만 가장 큰 차이가 있었던 부분은
ridge의 분류 결과이다. ridge는
Radarsat-2인단일영상
을 이용했을 때 84.35%가 ridge로 분류되었지만, 다중
영상인 Radarsat-2와 ASAR를사용했을때34.46%로분
류되었다. 다중 영상을 이용했을 때 절반 이상인
65.54%가 HDI로 분류된 것으로 나타나 다중 영상에서
는 ridge를 분류하기 어려운 것으로 판단된다. 표에는
나타나지 않았지만 텍스쳐 이미지의 경우도 마찬가지
로 단일 영상을 사용했을 때 ridge의 분류가 잘 되었는
데, Radarsat-2 텍스쳐 이미지를 사용했을 경우 ridge는
Classification for Landfast Ice Types in the Greenland of the Arctic by Using Multifrequency SAR Images
–7–
Fig. 5. Classification image of using maximum likelihood algorithm with (a) Radarsat-2 and ASAR images, (b) Radarsat-2 image,
(c) Radarsat-2, ASAR and PALSAR images, (d) Radarsat-2 and ASAR texture images, (e) Radarsat-2 texture image,
(f) Radarsat-2, ASAR and PALSAR texture images.
First year ice Ridge Moderately deformed ice Highly deformed ice
(a) (b) (c) (d) (f)(e)
Table 5. Overall accuracy of maximum likelihood algorithm
with various combinations
SAR Sensor(s)
Overall Accuracy(%)
SAR image(s) Texture image(s)
Radarsat-2, ASAR 86.3 83.4
Radarsat-2 86.2 83.0
Radarsat-2, ASAR, PALSAR
74.9 76.3
Radarsat-2, PALSAR 69.2 67.3
ASAR 66.8 67.9
ASAR, PALSAR 58.9 63.7
SAR Sensor(s)
Overall Accuracy(%)
SAR image(s) Texture image(s)

97.2%로 분류되어 단일 영상을 사용했을 때 정확도가
높아지는 것으로 나타났다.
현장 자료를 참고하면 ridge는다른해빙유형에비
해 적게 관측되었을 뿐만 아니라 이 지역에서 관측된
ridge의 크기가 일부 SAR 영상의 해상도보다 작아서
ridge를 분류하는 데 어려움이 있었다. 따라서 단일 영
상 중에서도 해상도가 좋은 Radarsat-2 영상을 이용했을
때 ridge의 정확도가 높아지는 것으로 판단된다. FYI도
단일 SAR 영상이나 텍스쳐 영상을 사용했을 때 잘 분
류 되었는데, FYI는 SAR 영상에서 어둡게 나타나며 표
면이 고르게 나타나는 단일 영역으로 볼 수 있기 때문
에 다중 영상보다 단일 영상을 사용했을 때 정확도가
높아지는 것으로 판단된다. 그러나 다중 영상을 이용
했을 때 HDI와 MDI는 잘 분류되었다. HDI와 MDI는표
면이 불규칙하고, 형성 과정에서 다양한 종류의 얼음
이 혼합되어 있기 때문에 다중 영상을 이용하면 혼합
영역에 대해 많은 정보를 알 수 있을 것으로 보인다. 다
른 영상의 결과를 비교해 보았을 때, 단일 SAR 영상이
나 텍스쳐 영상을 이용했을 때 FYI와 ridge가 잘 분류되
었으며, 다중 SAR 영상과 텍스쳐 영상을 이용했을 때
HDI와 MDI가 잘 분류되었다.
4. 결 론
본 연구에서는 현장 관측 자료를 이용하여 그린란드
북쪽의 해빙을 분류하였으며, 분류 정확도를 높이기
위하여 다양한 해상도를 가지는 SAR 영상과 SAR 영상
으로 만들어진 텍스쳐 영상을 만들어 비교하였다. 또
한 단일 영상과 다중 영상의 결과도 비교해 정확도에
어떤 영향을 미치는지 알아보았다. 먼저 현장 조사 결
과, 조사 지역에서 남쪽에서 북쪽으로 갈수록 해빙의
여러 가지 특성이 나타났으며, 이를 FYI, HDI, ridge,
MDI로 나누어 분류하였다. HDI는 남쪽과 북쪽 두 군데
있었는데, 북쪽으로 갈수록 눈과 해빙이 점점 두꺼워
지는 것을 알 수 있었다.
SAR 영상의 분류에서는 무감독 분류 방법 중 하나
인 K-means 알고리즘과 감독 분류 방법 중 하나인 최대
우도법 알고리즘으로 분류를 하였다. 두 알고리즘을
비교해보면, 현장 관측 자료가 포함된 최대 우도법의
전체 정확도가 높게 나타났다. 또한 텍스쳐 영상을 함
께 사용하여 SAR 영상과 전체 정확도 결과를 비교해
보았는데, 텍스쳐 영상을 사용하는 것은 전체 정확도
향상에 도움을 주었다. 각 클래스별 결과를 본다면, 단
일 SAR 영상으로 분류 했을 때는 1년빙과 ridge의분류
가 잘 되었으며, 다중 SAR 영상으로 분류했을 때는
MYI의 혼합 영역인 HDI와 MDI가 잘 분류되었다. 따라
서 단일 영상과 다중 영상을 적절하게 사용한다면 다
양한 클래스의 해빙을 분류하는데 정확도를 향상시킬
수 있을 것으로 보인다. 특히 ridge는 단일 영상과 다중
영상을 이용했을 때 정확도 결과 차이가 많이 발생했
지만, ridge의 영역이 다른 클래스에 비해 작았을 뿐만
아니라 Radarsat-2의 해상도로 구별하기에는 한계가 있
는 것으로 추측되 이에 TerraSAR-X 영상을 이용한 보
완을 한다면 정확도가 더 높게 나올 것으로 판단된다.
사사
이 논문은 국토해양부 공간정보 전문 인력 양성사업
의 지원을 받아 수행되었습니다. 본 연구에 사용된 눈
과해빙관측자료는S. Hanson, J. Wilkinson, B. Elder에
게, Radarsat-2 자료는 MDA를통해L. T. Pedersen에게,
PALSAR와 ASAR 자료는 ESA의Cat. 1 project를통해제
공된 자료이며, 이에 감사의 뜻을 전합니다.
Korean Journal of Remote Sensing, Vol.29, No.1, 2013
–8–
Table 7. Confusion matrix for Radarsat-2 image
Class FYI HDI Ridge MDI Total
FYI 64.03 0 0 0 3.01
HDI 0 82.21 15.65 5.98 43.88
Ridge 0 16.72 84.35 0 13.84
MDI 35.97 1.07 0 94.02 39.27
Total 100 100 100 100 100
Class FYI HDI Ridge MDI Total
Table 6. Confusion matrix for Radarsat-2 and ASAR images
Class FYI HDI Ridge MDI Total
FYI 60.49 0.01 0 0.09 3.31
HDI 0.01 84.94 65.54 5.60 53.88
Ridge 0 3.22 34.46 0.09 2.28
MDI 39.5 11.83 0 94.22 40.53
Total 100 100 100 100 100
Class FYI HDI Ridge MDI Total

참고문헌
Bogdanov, A.V., S. Sandven, O.M. Johannessen, V.Y.
Alexandrov, and L.P. Bobylev, 2005. Multisensor
approach to automated classification of sea ice
image data, IEEE Transactions on Geoscience
and Remote Sensing, 43(7): 1648-1664.
Comiso, J.C., C.L. Parkinson, R. Gersten, and L.
Stock, 2008. Accelerated decline in the Arctic
sea ice cover, Geophysical research Letters, 35(1):
L01703.
Gibson, P.J., C.H. Power, and J. Keating, 2000.
Introductory Remote Sensing Principles and
Concepts, Routledge, NewYork.
Haralick, R.M., K. Shanmugam, and I.H. Dinstein,
1973. Textual features for image classification,
IEEE Transactions on Systems, Man and
Cybernetics, SMC-3(6): 610-621.
IPCC, 2007. Climate Change 2007: Synthesis Report.
Contribution of Working Groups I, II and III to the
Fourth Assessment Report of the Intergovernmental
Panel on Climate Change, IPCC, Geneva,
Switzerland.
Jackson, C.R. and J.R. Apel, 2004. Synthetic Aperture
Radar marine user’s manual, US Department
of Commerce.
Kwok, R., E. Rignot, B. Holt, and R. Onstott, 1992.
Identification of sea ice types in spaceborne
Synthetic Aperture Radar data, Journal of
Geophysical Research, 97(C2): 2391-2402.
Lee, K., S.-H. Jeon, and B.-D. Kwon, 2005.
Implementation of GLCM/GLDV-based
texture algorithm and its application to high
resolution imagery analysis, Korean Journal of
Remote Sensing, 21(2): 121-133(in Korean with
English abstract).
Mo, M.-J. and W.-H. Kim, 2000. Multiple texture
image analysis and classification using spatial
property, Proc. of the Korea Institute of Signal
Processing and Systems Conference, December, 1(2):
105-108.
Nystuen, J.A. and F.W. Garcia Jr., 1992. Sea ice
classification using SAR backscatter statistics,
IEEE Transactions on Geoscience and Remote
Sensing, 30(3): 502-509.
Richards, J.A. and X. Jia, 1999. Remote Sensing Digital
Image Analysis an Introduction, Springer, London,
NewYork.
Sun, Y., A. Carlstrom, and J. Askne, 1992. SAR
image classification of ice in the Gulf of Bothnia,
International Journal of Remote Sensing, 13(13):
2489-2514.
Tou, J.T. and R.C. Gonzalez, 1974. Pattern Recognition
Principles, Addison-Wesley Publishing Company,
Massachusetts.
World Meteorological Organization, 1970. WMO Sea-
ice nomenclature, 1970ed. Secretariat of the World
Meteorological Organization, Geneva.
Classification for Landfast Ice Types in the Greenland of the Arctic by Using Multifrequency SAR Images
–9–