빙하 식별은 주변 지역의 수자원 및 기후 변화 모니터링에 중요한 의미를 갖는다. 전극성 SAR 영상은 지표 산란, 쌍중 산란, 체적 산란, 통계적 특성 등 풍부한 특징을 포함하며, 딥러닝은 영상 정보를 충분히 활용할 수 있다. 따라서 전극성 SAR 영상을 딥러닝과 결합하여 사용하면 정확한 빙하 식별 효과를 얻을 수 있다. 본 논문은 히말라야산맥 서단의 ALOS2-PALSAR 전극성 영상을 기반으로, VGG16 특징 추출 네트워크와 완전 컨볼루션 신경망 모델 U-net을 결합한 VGG16-unet으로 빙하를 식별하였다. 사용된 특징은 편극 상관 행렬 대각선 요소, Freeman-Durden, H/A/α, Pauli, VanZyl, Yamaguchi 등 5가지 편극 분해 파라미터 총 19가지 특징이다. 영상 정보를 충분히 활용하기 위해 이러한 특징을 분석 및 조합하고, 이들 간의 빙하 식별 정확도를 비교하여 최적의 특징을 선택하였다. 빙하와 비빙하 지형이 뚜렷이 차이 나므로 DEM, 경사도, 국지 입사각 등을 보조 특징으로 편광 특징과 결합하였다. 다양한 편광 특징 분류 정확도 비교 결과 물리적 특성 기반 Pauli, Freeman-Durden, VanZyl, Yamaguchi 특징 분류 정확도가 높았으며, 그중 Pauli 특징 분류 정확도가 가장 높아 전체 정확도(OA)가 92.54%, 평균 사용자 교집합 비율(mIoU)이 78.78%에 달하였다. 지형 데이터를 추가한 후 전체 정확도(OA)는 94.34%, 평균 사용자 교집합 비율(mIoU)은 82.35%로 향상되었다. 빙하 식별 정확도를 더욱 향상시키기 위해 단일 대역 특징 전체 정확도(OA) 및 재현율(Recall) 기준으로 선별한 SDV(표면 산란, 쌍중 산란, 체적 산란) 특징 교차 조합 방식을 제안하였으며, 결과는 해당 조합이 전체 정확도(OA) 94.98%, 사용자 교집합 비율(mIoU) 85.67%에 도달하여 Pauli 특징 분류 정확도보다 각각 0.64%, 3.32% 높음을 보여주었다. 상기 결과는 최적의 특징 조합 방식 선택과 딥러닝 결합이 빙하 식별 정확도 향상에 중요한 역할을 한다는 것을 나타낸다.

원격탐사; 빙하; ALOS2-PALSAR; 편극 분해; 이미지 분할; 딥러닝; 히말라야