이 연구에서는 자료변환기법을 이용해 추출된 여러 특징과 다양한 분류방법론을 결합하여 다중시기 SAR 자료를 위한 새로운 토지피복분류기법을 제안하였다. 먼저, 다중시기 SAR 자료로부터 원본자료와는 다른 새로운 정보를 추출하기 위해 주성분분석과 3차원 웨이블렛 변환을 이용한 자료변환을 수행하였다. 그리고 나서 최대우도법 분류자, 신경망, support vector machine을 포함한 세 가지 다른 분류자를 변환된 특징자료들과 원본 후방산란계수 자료를 포함한 세가지 자료에 적용하여 다양한 초기 분류 결과를 얻도록 한다. 이후 다수결규칙을 통해 모든 초기결과를 결합하여 최종 분류 결과를 생성하게 된다. 다중시기 ENVISAT ASAR 자료를 이용한 사례연구에서 모든 초기 결과는 사용한 특징자료와 분류자의 종류에 따라 매우 다양한 분류정확도를 보였다. 이러한 9개의 초기 분류 결과를 결합한 최종 분류 결과는 가장 높은 분류 정확도를 보여주고 있는데, 이는 각 초기 분류 결과가 토지피복을 결정하기 위한 상호 보완적인 정보를 제공하기 때문이다. 이 연구에서의 분류정확도 향상은 주로 자료변환을 통해 얻어진 각기 다른 특징자료와 다른 분류자를 결합에 의한 다양성 확보에서 기인한다. 그러므로 이 연구에서 제안한 토지피복 분류방법론은 다중시기 SAR자료의 분류에 효과적으로 적용가능하며, 또한 다중센서 원격탐사 자료융합으로 확장이 가능하다.
이 연구에서는 자료변환기법을 이용해 추출된 여러 특징과 다양한 분류방법론을 결합하여 다중시기 SAR 자료를 위한 새로운 토지피복 분류기법을 제안하였다. 먼저, 다중시기 SAR 자료로부터 원본자료와는 다른 새로운 정보를 추출하기 위해 주성분분석과 3차원 웨이블렛 변환을 이용한 자료변환을 수행하였다. 그리고 나서 최대우도법 분류자, 신경망, support vector machine을 포함한 세 가지 다른 분류자를 변환된 특징자료들과 원본 후방산란계수 자료를 포함한 세가지 자료에 적용하여 다양한 초기 분류 결과를 얻도록 한다. 이후 다수결규칙을 통해 모든 초기결과를 결합하여 최종 분류 결과를 생성하게 된다. 다중시기 ENVISAT ASAR 자료를 이용한 사례연구에서 모든 초기 결과는 사용한 특징자료와 분류자의 종류에 따라 매우 다양한 분류정확도를 보였다. 이러한 9개의 초기 분류 결과를 결합한 최종 분류 결과는 가장 높은 분류 정확도를 보여주고 있는데, 이는 각 초기 분류 결과가 토지피복을 결정하기 위한 상호 보완적인 정보를 제공하기 때문이다. 이 연구에서의 분류정확도 향상은 주로 자료변환을 통해 얻어진 각기 다른 특징자료와 다른 분류자를 결합에 의한 다양성 확보에서 기인한다. 그러므로 이 연구에서 제안한 토지피복 분류방법론은 다중시기 SAR자료의 분류에 효과적으로 적용가능하며, 또한 다중센서 원격탐사 자료융합으로 확장이 가능하다.
In this study, a novel land-cover classification framework for multi-temporal SAR data is presented that can combine multiple features extracted through data transforms and multiple classifiers. At first, data transforms using principle component analysis (PCA) and 3D wavelet transform are applied t...
In this study, a novel land-cover classification framework for multi-temporal SAR data is presented that can combine multiple features extracted through data transforms and multiple classifiers. At first, data transforms using principle component analysis (PCA) and 3D wavelet transform are applied to multi-temporal SAR dataset for extracting new features which were different from original dataset. Then, three different classifiers including maximum likelihood classifier (MLC), neural network (NN) and support vector machine (SVM) are applied to three different dataset including data transform based features and original backscattering coefficients, and as a result, the diverse preliminary classification results are generated. These results are combined via a majority voting rule to generate a final classification result. From an experiment with a multi-temporal ENVISAT ASAR dataset, every preliminary classification result showed very different classification accuracy according to the used feature and classifier. The final classification result combining nine preliminary classification results showed the best classification accuracy because each preliminary classification result provided complementary information on land-covers. The improvement of classification accuracy in this study was mainly attributed to the diversity from combining not only different features based on data transforms, but also different classifiers. Therefore, the land-cover classification framework presented in this study would be effectively applied to the classification of multi-temporal SAR data and also be extended to multi-sensor remote sensing data fusion.
In this study, a novel land-cover classification framework for multi-temporal SAR data is presented that can combine multiple features extracted through data transforms and multiple classifiers. At first, data transforms using principle component analysis (PCA) and 3D wavelet transform are applied to multi-temporal SAR dataset for extracting new features which were different from original dataset. Then, three different classifiers including maximum likelihood classifier (MLC), neural network (NN) and support vector machine (SVM) are applied to three different dataset including data transform based features and original backscattering coefficients, and as a result, the diverse preliminary classification results are generated. These results are combined via a majority voting rule to generate a final classification result. From an experiment with a multi-temporal ENVISAT ASAR dataset, every preliminary classification result showed very different classification accuracy according to the used feature and classifier. The final classification result combining nine preliminary classification results showed the best classification accuracy because each preliminary classification result provided complementary information on land-covers. The improvement of classification accuracy in this study was mainly attributed to the diversity from combining not only different features based on data transforms, but also different classifiers. Therefore, the land-cover classification framework presented in this study would be effectively applied to the classification of multi-temporal SAR data and also be extended to multi-sensor remote sensing data fusion.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이 연구에서는 다중시기 SAR 자료를 이용한 토지피복 분류에서 자료 변환을 기반으로 하여 다양한 특징 정보를 추출하고 이에 다양한 분류자를 적용하여 초기 분류를 한 후 이를 결합하여 최종분류를 하는 기법을 제안하였다. 사례연구 결과, 사용 자료와 분류기법의 다양성을 확보하여 각 결과를 상호 보완함으로써 제안기법의 결과는 개별 분류 결과에 비해 높은 분류 정확도를 보였으며, 이를 통해 제안기법의 효용성을 확인 할 수 있었다.
자료변환 기법을 이용해 원본자료로부터 분류에 적합한 특징정보를 추출한 뒤 이를 새로운 자료로써 분류에 적용 하고자 한다. 이와 같이 자료변환을 통해 생성해 낸 다수의 자료와 다중 분류자를 결합하여 다양한 초기 분류 결과를 만들어 낸 후 다수결규칙을 적용하여 최종 분류 결과를 도출하고자 하였다.
제안 방법
두 번째 단계에서는 세가지 분류자를 이용한 감독분류 단계로 원본 후방산란계수 자료와 주성분분석, 3차원 웨이블렛 변환을 이용하여 만들어낸 특징 자료를 포함한 총 3개의 입력자료에 MLC, NN, SVM 기법을 적용하여 분류를 수행하였다. Fig.
3차원 웨이블렛 변환의 결과는 8개의 서브밴드로 나오게 되지만 LLL밴드와 LLH밴드를 제외하고는 공간적으로 고주파 성분이 많이 포함되어 잡음처럼 보이게 된다. 따라서 LLL와 LLH 밴드만 이용해 사전 분류를 수행한 결과, LLL밴드만 사용했을 때 스페클 잡음 제거 효과, 정보 요약 기능으로 가장 높은 정확도를 보여 이 연구에서는 LLL밴드만 이용하여 이후 처리를 수행하였다. Fig.
먼저 제안한 기법의 첫 번째 단계로 주성분분석과 3차원 웨이블렛 변환을 이용하여 자료변환을 통한 특징 추출을 수행하였다. Fig.
그러나 이 연구에서 사용한 자료의 경우, 3번째 주성분부터는 그 분산 값이 크게 변하지 않고 7번째 주성분까지 사용해야 90% 이상의 정보를 포함하기 때문에 하위 주성분도 무시할 수 없는 수준이다. 실제로 주성분의 개수를 점차 늘리면서 사전 분류를 수행하여 분류 정확도를 살펴본 결과, 일부 주성분을 사용한 경우보다는 분산의 크기가 줄어들더라도 전체 주성분을 모두 사용한 경우에 가장 분류 정확도가 높아서 이 연구에서는 전체 주성분을 모두 분류에 사용하였다.
Table 1에 표시한 것과 같이 2005년은 5, 6 월을 제외한 월별 영상을 사용하였고 2005년에 영상이 없는 5, 6월을 위해 2006년 5, 6월 영상을 사용하였다. 이 연구에서는 감독분류를 위해 논, 밭, 산림, 수계, 도심지를 포함하는 5개의 토지피복을 고려하였다. 연구지역이 해안과 인접해 있어 실제 피복에서는 습지가 존재하나 이는 하루 중에도 시간에 따라 바닷물이 들어왔다 나가면서 계속 변화하기 때문에 분류가 쉽지 않아 이 연구에서는 분류항목에서 제외하였다.
이 연구에서는 다중시기 SAR 자료를 대상으로 훈련 집단의 임의선택 대신 자료변환을 통해 자료의 다양성을 확보하는 분류 기법을 제안하였다. 자료변환 기법을 이용해 원본자료로부터 분류에 적합한 특징정보를 추출한 뒤 이를 새로운 자료로써 분류에 적용 하고자 한다.
첫 번째 단계는 자료변환 단계로 다중시기 SAR 영상은 multi-looking, 스페클 제거, 기하 보정 등의 전처리를 거쳐 후방산란계수를 추출한 후 원본자료 이외에 자료변환 기법을 통해 각기 다른 특성을 보여주는 두 개의 자료를 추가로 만들어낸다. 이 연구에서는 특징 추출을 위한 자료변환으로 주성분분석과 3차원 웨이블렛 변환을 이용하였다. 주성분분석은 자료의 변환 또는 요약에 가장 널리 사용되는 기법 중 하나이다(Sunar, 1998; Ashutosh, 2002).
특히 흐린 날이 지속되는 우리나라의 장마기간에는 사용할 수 있는 광학영상이 많이 부족하게 된다. 이러한 문제점을 보완하기 위해 밤이나 흐린 날에도 이용 가능한 SAR 영상을 이용해 토지피복분류를 시도하게 되었다. 그러나 SAR 영상은 광학영상에 비해 처리과정이 복잡하고 스페클 잡음, 측면촬영에 의한 지형왜곡의 문제가 존재한다.
마지막 단계는 일종의 결정 수준 융합의 단계로, 9개의 초기 분류 결과에 다수결규칙을 적용해 최종 분류 결과를 얻게 되는 과정이다. 이러한 초기 분류 결과들을 대상으로 다수결규칙을 적용하여 가장 많은 표를 얻은 분류 항목을 최종 분류 결과로 할당하였다. 이때 서로 동일한 표를 얻는 분류 항목들이 존재할 경우 에는 분류의 불확실성을 지수로 사용하여 불확실성 지수가 낮은 분류자의 분류 결과로 최종 분류 항목을 할당하였다(Park et al.
각 분류항목의 정확도를 평균한 평균 분류 정확도는 3차원 웨이블렛 변환과 SVM기법을 결합한 초기 결과를 제외하고는 전체 정확도와 매우 유사한 패턴을 보인다. 이러한 초기 분류 결과를 상호 보완하여 개선된 분류 결과를 얻기 위해 모든 분류 결과를 다수결 법칙에 의해 결합하여 최종 결과를 생성하였다. 최종 분류 결과는 전체정확도 72.
이 연구에서는 다중시기 SAR 자료를 대상으로 훈련 집단의 임의선택 대신 자료변환을 통해 자료의 다양성을 확보하는 분류 기법을 제안하였다. 자료변환 기법을 이용해 원본자료로부터 분류에 적합한 특징정보를 추출한 뒤 이를 새로운 자료로써 분류에 적용 하고자 한다. 이와 같이 자료변환을 통해 생성해 낸 다수의 자료와 다중 분류자를 결합하여 다양한 초기 분류 결과를 만들어 낸 후 다수결규칙을 적용하여 최종 분류 결과를 도출하고자 하였다.
이 연구에서 제안한 기법은 크게 3단계로 나누어진다. 첫 번째 단계는 자료변환 단계로 다중시기 SAR 영상은 multi-looking, 스페클 제거, 기하 보정 등의 전처리를 거쳐 후방산란계수를 추출한 후 원본자료 이외에 자료변환 기법을 통해 각기 다른 특성을 보여주는 두 개의 자료를 추가로 만들어낸다. 이 연구에서는 특징 추출을 위한 자료변환으로 주성분분석과 3차원 웨이블렛 변환을 이용하였다.
획득된 총 12장의 영상을 대상으로 multi-looking, 스페클 제거, 기하 보정 등의 전처리를 통해 후방산란계 수를 추출하였다. Fig.
분류를 위한 훈련/참조자료의 수집을 위해서는 환경부에서 제공하는 중분류 토지피복도와 고해상도 광학 영상을 함께 사용하였다. 훈련자료와 참조자료를 수집할 때에는 연구지역에서 각 피복이 차지하는 면적을 고려하여 샘플 개수의 비율을 조정하였다. 수집된 전체 샘플을 무작위로 나누어 1183개의 화소는 훈련자료로 783 개의 화소는 검증을 위한 참조자료로 사용하였다.
대상 데이터
실험에 사용한 자료는 ENVISAT의 ASAR data로 촬영 모드는 Descending IS2, VV편파로 촬영되었다. Table 1에 표시한 것과 같이 2005년은 5, 6 월을 제외한 월별 영상을 사용하였고 2005년에 영상이 없는 5, 6월을 위해 2006년 5, 6월 영상을 사용하였다. 이 연구에서는 감독분류를 위해 논, 밭, 산림, 수계, 도심지를 포함하는 5개의 토지피복을 고려하였다.
분류를 위한 훈련/참조자료의 수집을 위해서는 환경부에서 제공하는 중분류 토지피복도와 고해상도 광학 영상을 함께 사용하였다. 훈련자료와 참조자료를 수집할 때에는 연구지역에서 각 피복이 차지하는 면적을 고려하여 샘플 개수의 비율을 조정하였다.
훈련자료와 참조자료를 수집할 때에는 연구지역에서 각 피복이 차지하는 면적을 고려하여 샘플 개수의 비율을 조정하였다. 수집된 전체 샘플을 무작위로 나누어 1183개의 화소는 훈련자료로 783 개의 화소는 검증을 위한 참조자료로 사용하였다. 각 분류항목별 훈련 및 참조자료 개수는 Fig.
2). 실험에 사용한 자료는 ENVISAT의 ASAR data로 촬영 모드는 Descending IS2, VV편파로 촬영되었다. Table 1에 표시한 것과 같이 2005년은 5, 6 월을 제외한 월별 영상을 사용하였고 2005년에 영상이 없는 5, 6월을 위해 2006년 5, 6월 영상을 사용하였다.
제안한 기법의 성능을 평가하기 위해 전라남도 해남 지역에서 촬영한 다중시기 SAR 영상을 이용하여 실험을 수행하였다(Fig. 2). 실험에 사용한 자료는 ENVISAT의 ASAR data로 촬영 모드는 Descending IS2, VV편파로 촬영되었다.
데이터처리
제안한 방법을 이용해 분류를 수행하기에 앞서 분류 항목 별 후방산란계수의 특성을 파악하기 위해 훈련집단에서 시기별 후방산란계수의 평균을 계산하였다. Fig.
이론/모형
두 번째 단계는 전처리를 마친 원본 후방산란계수를 포함해 주성분 분석과 3차원 웨이블렛 변환을 통해 생성한 자료들을 세 가지 분류자를 이용해 감독 분류를 수행하는 단계이다. 이 연구에서 사용한 분류자는 훈련자료에 크게 영향을 받는 모수적 방법론이자 전통적으로 가장 널리 사용된 분류 방법론인 Maximum Likelihood Classifier (MLC)와 비모수적 방법론으로 Neural Network (NN), Support Vector Machine (SVM)을 사용하였다. NN 기법은 은닉층의 뉴런을 병렬적으로 연결한 비모수, 비선형기법으로 의학, 수학, 컴퓨터에서 널리 사용되는 오류 역전파 학습 알고리즘이다(Hepner et al.
성능/효과
1에 제시하였다. 9개의 초기 분류 결과는 사용한 자료와 분류자의 이름을 결합하여 각각 O_MLC, O_NN, O_SVM, W_MLC, W_NN, W_SVM, P_MLC, P_NN, P_SVM로 표현하였는데 여기서 O는 원본 후방산란계수, W는 3차원 웨이블렛 변환 결과, P는 주성분분석 결과를 이용했다는 의미이고 MLC, NN, SVM은 사용한 분류자의 이름에 따라 붙여진다.
47%로 9개의 초기 분류결과에 비해 모두 높게 나왔다. 각 분류 항목 별로 보면 제안기법을 사용하였을 때 모든 분류항목에서 가장 높은 정확도를 보이지는 않지만 평균적으로 모든 분류항목에서 비교적 높은 정확도를 보이고 있고 특히 구분이 어려웠던 밭에서 분류정확도가 향상되면서 전체정확도를 높이는데 기여한 것으로 보인다.
도심지는 3차원 웨이블렛 변환을 이용한 특징자료와 SVM기법을 이용하였을 때 가장 높은 정확도를 보이고 다른 초기 결과는 대부분 정확도가 떨어진다. 각 분류항목 별 구분 정도를 나타내는 평균값 자료를 보면 도심지는 항상 밝게 나타나고 시기에 따른 후방산란계수 값의 변동이 크지 않아 분류가 잘 될 것이라고 예상되었으나 이 지역은 해수면의 변동에 의해 나타나는 습지가 존재하고 이 지역이 도심지와 유사한 특징을 보이면서 정확한 분류를 방해하기 때문에 정확도가 떨어지는 것으로 판단된다.
분류항목 별 정확도를 살펴보면 전체 정확도가 가장 높다고 해서 분류항목 별 정확도가 모두 높지는 않았다. 논은 3차원 웨이블렛 변환 자료에 MLC 기법을 사용하였을 때 가장 높은 분류 정확도를 보였다. 다른 자료에서도 MLC기법을 사용하였을 때 가장 높은 정확도를 보이는데 이는 전체정확도에서 SVM기법을 사용하였을 때 가장 높은 정확도를 보이는 것과 다른 결과이다.
시각적으로 보더라도 사용한 자료나 분류 기법에 따라 각기 만들어낸 결과가 다르다는 것을 확인할 수 있다. 분류 결과를 정량적으로 확인하기 위해 분류 정확도를 계산해 보면 (Table 2), 전체 정확도는 60.41%에서 71.01%까지, 카파계수는 0.487에서 0.628까지 매우 다양 하게 나타나는 것을 확인할 수 있다. 일반적으로 입력 자료는 3차원 웨이블렛 변환 특징을 이용하였을 때, 분류방법은 SVM을 사용하였을 때 높은 정확도를 보인다.
이 연구에서는 다중시기 SAR 자료를 이용한 토지피복 분류에서 자료 변환을 기반으로 하여 다양한 특징 정보를 추출하고 이에 다양한 분류자를 적용하여 초기 분류를 한 후 이를 결합하여 최종분류를 하는 기법을 제안하였다. 사례연구 결과, 사용 자료와 분류기법의 다양성을 확보하여 각 결과를 상호 보완함으로써 제안기법의 결과는 개별 분류 결과에 비해 높은 분류 정확도를 보였으며, 이를 통해 제안기법의 효용성을 확인 할 수 있었다. 특히 이 지역은 밭과 산림지역이 혼재되면서 분류정확도를 크게 떨어뜨리고 있는데, 제안한 방법론을 이용할 경우 가장 구분이 쉽지 않았던 밭에서 분류 정확도를 향상 시킬 수 있었다.
5는 각 분류항목의 시기별 평균 후방산란계수를 나타낸 것이다. 이 연구에서 고려한 다섯 가지 분류항목 중 도심지는 모든 시기에 가장 높은 평균값을 보이고 있고 변동폭도 크지 않다. 따라서 다른 항목을 상세히 살펴보기 위해 도심지를 제외하고 그래프를 표현하였다.
이와 같이 사용한 자료와 분류기법에 따라 각 분류항목 별 분류 정확도는 크게 차이가 나는 것을 확인할 수 있었다. 각 분류항목의 정확도를 평균한 평균 분류 정확도는 3차원 웨이블렛 변환과 SVM기법을 결합한 초기 결과를 제외하고는 전체 정확도와 매우 유사한 패턴을 보인다.
하지만 제안 기법의 경우 다양한 분류 결과를 함께 보완하여 사용함으로써 전체적인 정확도의 향상을 가져올 수 있었다. 전체정확도와 카파계수, 평균정확도는 모두 제안한 기법이 높게 나타났으나, 개별 분류항목 차원에서 보면 제안기법이 항상 가장 높은 정확도를 보이는 것은 아니었다. 이는 분류정확도가 떨어지는 초기 결과의 개수가 많은 경우 단순히 다수결법칙으로 결합할 때 잘못된 분류 항목에 많은 투표를 하게 되어서 이러한 결과가 나타나는 것으로 볼 수 있다.
이러한 초기 분류 결과를 상호 보완하여 개선된 분류 결과를 얻기 위해 모든 분류 결과를 다수결 법칙에 의해 결합하여 최종 결과를 생성하였다. 최종 분류 결과는 전체정확도 72.15%, 카파계수는 0.644, 평균 정확도 68.47%로 9개의 초기 분류결과에 비해 모두 높게 나왔다. 각 분류 항목 별로 보면 제안기법을 사용하였을 때 모든 분류항목에서 가장 높은 정확도를 보이지는 않지만 평균적으로 모든 분류항목에서 비교적 높은 정확도를 보이고 있고 특히 구분이 어려웠던 밭에서 분류정확도가 향상되면서 전체정확도를 높이는데 기여한 것으로 보인다.
사례연구 결과, 사용 자료와 분류기법의 다양성을 확보하여 각 결과를 상호 보완함으로써 제안기법의 결과는 개별 분류 결과에 비해 높은 분류 정확도를 보였으며, 이를 통해 제안기법의 효용성을 확인 할 수 있었다. 특히 이 지역은 밭과 산림지역이 혼재되면서 분류정확도를 크게 떨어뜨리고 있는데, 제안한 방법론을 이용할 경우 가장 구분이 쉽지 않았던 밭에서 분류 정확도를 향상 시킬 수 있었다. 분류 결과는 사용한 자료, 분류자의 종류에 따라 매우 크게 변화하므로 단일 자료와 단일 분류자를 선택하여 분류를 수행할 경우 항상 높은 분류정확도를 얻는 것이 쉽지 않았다.
분류 결과는 사용한 자료, 분류자의 종류에 따라 매우 크게 변화하므로 단일 자료와 단일 분류자를 선택하여 분류를 수행할 경우 항상 높은 분류정확도를 얻는 것이 쉽지 않았다. 하지만 제안 기법의 경우 다양한 분류 결과를 함께 보완하여 사용함으로써 전체적인 정확도의 향상을 가져올 수 있었다. 전체정확도와 카파계수, 평균정확도는 모두 제안한 기법이 높게 나타났으나, 개별 분류항목 차원에서 보면 제안기법이 항상 가장 높은 정확도를 보이는 것은 아니었다.
일반적으로 입력 자료는 3차원 웨이블렛 변환 특징을 이용하였을 때, 분류방법은 SVM을 사용하였을 때 높은 정확도를 보인다. 한편 주성분분석 결과를 이용하였을 때 분류정확도가 떨어지고 주성분분석 결과와 NN가 결합된 초기 분류 결과의 정확도가 가장 낮다. 분류항목 별 정확도를 살펴보면 전체 정확도가 가장 높다고 해서 분류항목 별 정확도가 모두 높지는 않았다.
후속연구
즉, 개별 정확도의 차이가 크게 나더라도 모든 분류 결과에 동일하게 한표씩을 부여하기 때문에 나타나는 문제점일 수 있다. 따라서 앞으로 다양한 초기 분류결과를 결합할 때 분류 정확도에 따라 가중치를 부여하거나 선택적 결과의 결합 등을 고려한 기법에 대한 연구가 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
원격탐사기법의 장점은?
토지피복은 국토모니터링, 개발계획수립 등을 위한 필수자료일 뿐만 아니라 수많은 응용분야에서 다른 자료와 함께 분석하기 위한 기초자료로 이용되기 때문에 필요한 시기에 정확한 토지피복을 제작하는 것은 매우 중요한 의미를 지닌다. 원격탐사기법은 넓은 지역에서 한번에 자료를 획득하는 것이 가능하고 주기적으로 영상 촬영이 가능하므로 이전의 현장조사를 이용한 방법에 비해 시간과 비용을 절약하면서 토지피복도를 제작할 수 있도록 도와준다(Defies and Belward, 2000). 지금 까지 원격탐사 자료를 이용한 토지피복도 제작에는 주로 단일시기에 촬영된 광학영상을 사용해왔다.
적시에 토지피복을 생산하는 것이 중요한 이유는?
토지피복은 국토모니터링, 개발계획수립 등을 위한 필수자료일 뿐만 아니라 수많은 응용분야에서 다른 자료와 함께 분석하기 위한 기초자료로 이용되기 때문에 필요한 시기에 정확한 토지피복을 제작하는 것은 매우 중요한 의미를 지닌다. 원격탐사기법은 넓은 지역에서 한번에 자료를 획득하는 것이 가능하고 주기적으로 영상 촬영이 가능하므로 이전의 현장조사를 이용한 방법에 비해 시간과 비용을 절약하면서 토지피복도를 제작할 수 있도록 도와준다(Defies and Belward, 2000).
단일시기에 촬영된 광학영상을 사용하여 토지피복을 제장하는 것의 단점은?
지금 까지 원격탐사 자료를 이용한 토지피복도 제작에는 주로 단일시기에 촬영된 광학영상을 사용해왔다. 광학영상은 광원으로 태양을 이용하기 때문에 밤이나 흐린 날에는 이용이 어렵다. 특히 흐린 날이 지속되는 우리나라의 장마기간에는 사용할 수 있는 광학영상이 많이 부족하게 된다. 이러한 문제점을 보완하기 위해 밤이나 흐린 날에도 이용 가능한 SAR 영상을 이용해 토지피복분류를 시도하게 되었다.
참고문헌 (23)
Ainsworth, T.L., J.P. Kelly, and J.-S. Lee, 2009. Classification comparisons between dual-pol, compact polarimetric and quad-pol SAR imagery, ISPRS Journal of Photogrammetry and Remote Sensing, 64(5): 464-471.
Angiulli, G., V. Barrile, and M. Cacciola, 2005. SAR imagery classification using multi-class support vector machines, Journal of Electromagnetic Waves and Applications, 19(14): 1865-1872.
Ashutosh, S., 2002. Principal component-based algorithm on multispectral remote sensing data for spectral discrimination of tree cover from other vegetation types, Current Science, 82(1): 67-69.
Bruzzone, L., D.F. Prieto, and S.B. Serpico, 1999. A neural-statistical approach to multitemporal and multisource remote-sensing image classification, IEEE Transactions on Geoscience and Remote Sensing, 37(3): 1350-1359.
Camps-Valls, G. and L. Bruzzone, 2005. Kernel-based methods for hyperspectral image classification, IEEE Transactions on Geoscience and Remote Sensing, 43(6): 1351-1362.
Defries, R.S. and A.S. Belward, 2000. Global and regional land cover characterization from satellite data: An introduction to the Special Issue, International Journal of Remote Sensing, 21(6-7): 1083-1092.
Fukada, S. and H. Hirosawa, 2001. Support vector machine classification of land cover: Application to polarimetric SAR data, Proc. of 2001 International Geoscience and Remote Sensing Symposium, Sydney, Australia, Jul. 9-13, pp. 187-189.
Henebry, G.M., 1997. Advantages of principal components analysis for land cover segmentation from SAR image series, Proc. of the third ERS symposium, Florence, Italy, Mar. 21-26, sp-414, pp. 175-178.
Hepner, G.F., T. Logan, N. Ritter, and N. Bryant, 1989. Artificial neural network classification using a minimal training set: Comparison to conventional supervised classification, Photogrammetric Engineering and Remote Sensing, 56(4): 469-473.
Hirosawa, Y., S.E. Marsh, and D.H. Kliman, 1996. Application of standardized principal component analysis to land-cover characterization using multitemporal AVHRR Data, Remote Sensing of Environment, 58(3): 267-281.
Jang, M.-W., Y.-H. Kim, N.-W. Park, and S.-Y. Hong, 2012. Mapping paddy rice varieties using multitemporal RADARSAT SAR images, Korean Journal of Remote Sensing, 28(6): 653-660.
Kuncheva, L.I., 2004. Combining Pattern Classifiers, Wiley, Hoboken, NJ, USA.
Lee, J.-S., M.R. Grunes, T.L. Ainsworth, L.J. Du, D.L. Schuler, and S.R. Cloude, 1999. Unsupervised classification using polarimetric decompositions and the complex wishart classifier, IEEE Transactions on Geoscience and Remote Sensing, 37(5): 2249-2258.
Park, N.-W., H.Y. Yoo, Y. Kim, and S.-Y. Hong, 2012. Classification of remote sensing data using random selection of training data and multiple classifiers, Korean Journal of Remote Sensing, 28(5): 489-499.
Park, N.-W. and K.H. Chi, 2008. Integration of multitemporal/polarization C-band SAR data sets for land-cover classification, International Journal of Remote Sensing, 29(16): 4667-4688.
Petrakos, M., J.A. Benediktsson, and I. Kanellopoulos, 2001. The effect of classifier agreement on the accuracy of the combined classifier in decision level fusion, IEEE Transactions on Geoscience and Remote Sensing, 39(11): 2539-2546.
Serpico, S.B., L. Bruzzone, and F. Roli, 1996. An experimental comparison of neural and statistical non-parametric algorithms for supervised classification of remote-sensing images, Pattern Recognition Letters, 17(13): 1331-1341.
Skriver, H., J. Schou, and W. Dierking, 2000. Landcover mapping using multitemporal, dualfrequency polarimetric SAR data, Proc. of 2000 International Geoscience and Remote Sensing Symposium, Honolulu, HI, Jul. 24-28, vol.1, pp. 331-333.
Sunar, F., 1998. An analysis of changes in a multidate data set: a case study in the Ikitelli area, Istanbul, Turkey, International Journal of Remote Sensing, 19(2): 225-235.
Tan, C.-P., J.-Y. Koay, K..-S. Lim, H.-T. Ewe, and H.-T. Chuah, 2007. Classification of multi-temporal SAR images for rice crops using combined entropy decomposition and support vector machine technique, Progress In Electromagnetics Research, 71: 19-39.
Yoo, H.Y., N.-W. Park, S. Hong, K. Lee, and Y. Kim, 2013. Feature extraction and classification of multi-temporal SAR data using 3D wavelet transform, Korean Journal of Remote Sensing, 29(5): 569-579.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.