선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 1999). 지역범위를 남한으로 한정할 경우 비교적 정확한 정보를 얻을 수 있지만, 북한을 포함함으로써 지형적 단위인 한반도 지역에 대해 완결성을 갖는 결과를 얻고자 하였다.
- 둘째, 영상이 촬영된 계절의 차이를 최소화하였다. 가급적 5월~6월에 촬영된 영상으 로 계절을 통일하여 scene 간에 발생할 수 있는 분류결과의 차이를 줄이고자 하였다. 그러나 북한 지역은 동일한 계절에 수신된 자료가 없어서 가장 근접한 계절의 영상을 확보하였다.
- 그런 만큼 방법도 다양하고 여러 가지 목적으로 활용될 수 있다. 이 연구에서 수행하는 토지피복 분류는 한 반도의 규모에 맞는 축척 1/500, 000의 주제도를 생성하는 것을 목표로 하였다. 이에 따라 넓은 지역의 많은 데이터를 정확도 수준을 맞추면서 빠르게 분류하는 방법을 선택하였다.
- 이 연구에서는 한반도와 같이 넓은 지역의 토 지피복분류를 수행하기 위해. 정형화된 여러 가지 기법들을 종합적으로 적용하여 다량의 Landsat 위성영상을 처리하고 분석하는 절차를 제안하였다.
제안 방법
- 이 연구에서는 개괄적인 현황을 파악할 필요가 있는 큰 규모의 지역을 선정하고, 다량의 위성영상 처리를 통한 광역 토지피복분류를 수행하였다. 이를 위해 기존에 검증된 영상처리와 분류방법들 을 순차적으로 적용하고, 대상지역의 규모에 맞는 효율적인 방안을 제시하였다.
- 이 연구에서는 개괄적인 현황을 파악할 필요가 있는 큰 규모의 지역을 선정하고, 다량의 위성영상 처리를 통한 광역 토지피복분류를 수행하였다. 이를 위해 기존에 검증된 영상처리와 분류방법들 을 순차적으로 적용하고, 대상지역의 규모에 맞는 효율적인 방안을 제시하였다.
- 이 연구에서는 계속적인 모니터링에 대한 필요성과 결과의 활용수요를 고려하여 대상지역을 한 반도로 설정하였다. 한반도는 약 동서 590km X남 북 MOOkm의 대규모 지역으로서 다량의 위성영상을 이용한 광역적인 토지피복분류가 필요하다.
- 토지피복을 분류하기 위해 기하보정. 히스토그램 매칭 (histogram matching), 영상집성 등의 전처리를 수행하였다. Landsat 위성영상의 전처리는 많은 영상자료를 효율적으로 처리하며, 넓은 지역의 분류를 보다 일관적으로 수행할 수 있도록 Fig.
- 히스토그램 매칭 (histogram matching), 영상집성 등의 전처리를 수행하였다. Landsat 위성영상의 전처리는 많은 영상자료를 효율적으로 처리하며, 넓은 지역의 분류를 보다 일관적으로 수행할 수 있도록 Fig. 1과 같이 수행하였다.
- 이 연구에서는 환경부의 기하보정 위성영상 및 토지피복분류 결과(환경부 환경정책평가연구 원, 1999)를 참조영상으로 선정하였다. 이 참조영 상은 GPS측정으로 취득한 GCP를 이용하여 RMSE 0.5화소 이내의 정확도로 기하보정하고. 분 류정확도가 대략 75~85%로 평가된 것으로 국내에서 가장 체계적이고 정교하게 분류된 결과이다.
- 처 리해야 할 위성영상의 수가 많고 넓은 지역의 경우에는 참조영상을 이용한 image to image 방법이 매우 효율적이다. 북한지역의 경우는 참조할 수 있는 기존 자료가 없으므로 1/50, 000 축척의 북한 지형도에서 GCP을 취득하여 기하보정을 수행하였다. 기하보정 결과 남한지역은 RMSE 0.
- 따라서 여기서는 분류이전에 영상집성을 먼저 수행흐!■도】. 영상의 촬 영날짜와 촬영 path를 고려하여 영상집성을 하였다. 인접영상간의 히스토그램 분석과 집성테스트 결과 촬영시기가 크게 다른 영상은 집성효과가 낮은 것으로 판단되었다.
- 인접영상간의 히스토그램 분석과 집성테스트 결과 촬영시기가 크게 다른 영상은 집성효과가 낮은 것으로 판단되었다. 그리고 분류과정에서 trainmg data의 수를 줄이기 위해 같은 날 촬영된 영상, 촬영 path가 같은 영상 순으로 집성하여 2~ 5 scene씩 그룹화 된 path별 영상을 생성하였다.이 때 히스토그램의 bimodal 분포로 인한 인접영 상과의 매칭오류를 없애기 위해, 영상집성 전에 근적외선 4번 밴드를 이용해 수역을 마스킹처리 하였다.
- 그리고 분류과정에서 trainmg data의 수를 줄이기 위해 같은 날 촬영된 영상, 촬영 path가 같은 영상 순으로 집성하여 2~ 5 scene씩 그룹화 된 path별 영상을 생성하였다.이 때 히스토그램의 bimodal 분포로 인한 인접영 상과의 매칭오류를 없애기 위해, 영상집성 전에 근적외선 4번 밴드를 이용해 수역을 마스킹처리 하였다.
- 이 연구에서 수행하는 토지피복 분류는 한 반도의 규모에 맞는 축척 1/500, 000의 주제도를 생성하는 것을 목표로 하였다. 이에 따라 넓은 지역의 많은 데이터를 정확도 수준을 맞추면서 빠르게 분류하는 방법을 선택하였다. 이를 위해서 기존의 분류결과를 최대한 활용하고.
- 종이지도를 최소한으로 사용하였으며. 하드웨어 및 소프트웨어 여건에 적합한 데이터 용량을 유지하도록 하였다. 이러한 영상처리의 기술적 문제와는 달리 북한지역 을 어떻게 분류할 것인가가 문제가 된다.
- 1999) 이 다. 이 연구에서는 분류시간과 데이터 용량을 줄이기 위한 방법으로 재배열을 실시하여 영상의 해상도를 3()mX3()m에서 l00m X 100m로 낮추었다. 축척 1/500, 000에 적합한 래스터자료의 격자간격은 지면 에서 육안으로 식별할 수 있는 최소거리를 0.
- 분류기법에 있어서는 Richards와 Jia(1999) 이제 시한 무감독분류와 감독분류가 혼용된 방법의 분 류단계에 따라 무감독분류를 선행하여 감독분류 할 면적을 줄임으로써 training data 선정에 드는 시간을 단축하는 방법을 선택하였다. 그러나 북한 지역의 경우는 이 혼합방법이 효과적이지 않았기 때문에 지형도를 이용한 감독분류만을 수행하였다.
- 분류기법에 있어서는 Richards와 Jia(1999) 이제 시한 무감독분류와 감독분류가 혼용된 방법의 분 류단계에 따라 무감독분류를 선행하여 감독분류 할 면적을 줄임으로써 training data 선정에 드는 시간을 단축하는 방법을 선택하였다. 그러나 북한 지역의 경우는 이 혼합방법이 효과적이지 않았기 때문에 지형도를 이용한 감독분류만을 수행하였다.
- 남한지역의 토지피복분류는 전처리 과정에서 생성한 parh별 영상을 l00m로 재배열하여 데이터의 용량을 줄이고, ISODATA( Iterative Self Organizing Data Analysis Technique) clustering 무 감독분류를 수행하였다. 군집수는 100개.
- 수렴도 95%. 반복회수 100번으로 하였다. 무감독분류 결 과 생성된 각 군집을 참조영상과 비교하여 &)%이 상 일치하는 항목이 있을 경우 분류된 class로 지 정하며 이 과정을 3차례 반복하였다.
- 감독분류는 무감독분류로는 판별되지 않는 나머지 군집들에 대해서 수행하였다. Class가 지정되 지 않은 화소에 대해서 참조영상을 이용하여 path 별 영상당 100여개의 trainmg dara를 선정하고 최 대우도분류기 법으로 감독분류를 실시하였다. 그리고 참조영상과 지형도를 통해 각 항목별로 오분류 를 체크하고, 무작위로 추출한 샘플과 비교하여 정확도가 평균 80% 이하일 경우는 감독분류를 다 시 수행하였다.
- Class가 지정되 지 않은 화소에 대해서 참조영상을 이용하여 path 별 영상당 100여개의 trainmg dara를 선정하고 최 대우도분류기 법으로 감독분류를 실시하였다. 그리고 참조영상과 지형도를 통해 각 항목별로 오분류 를 체크하고, 무작위로 추출한 샘플과 비교하여 정확도가 평균 80% 이하일 경우는 감독분류를 다 시 수행하였다. 무감독분류 결과와 감독분류 결과를 병합하여 최종적인 분류결과를 만들고 분류결 과의 잡음을 줄이기 위해(Homer et al.
- 그리고 참조영상과 지형도를 통해 각 항목별로 오분류 를 체크하고, 무작위로 추출한 샘플과 비교하여 정확도가 평균 80% 이하일 경우는 감독분류를 다 시 수행하였다. 무감독분류 결과와 감독분류 결과를 병합하여 최종적인 분류결과를 만들고 분류결 과의 잡음을 줄이기 위해(Homer et al.. 1997) 3 X3 윈도우를 이용한 필터링을 수행하였다. Fig.
- 북한지역의 토지피복분류는 1/50, 000 지형도 227 도엽을 참조하여. 각 영상 당 50~100개의 trainmg data를 선정하고 감독분류를 시행하였다. 북한지 역을 남한지역에 적용한 Fig.
- 북한의 토지피복 형태에 대해 사전지식이 부족하기 때문에 색상은 비슷하 지만 구분이 잘 안가는 지역의 경우. 밴드 조합을 바꾸어가며(RGB: 432—RGB: 752 등) 물체를 구 분하고 이를 지형도와 비교하여 확인하는 작업을 반복하였다. 지형도 제작 시기(1980년대 후반~ 1990년대 초)와 영상의 취득시기의 차이가 큰 경우는 산림의 중앙, 대규모 경작지의 중앙 등 변화 가 거의 없었을 것으로 판단되는 지역을 위주로 training data를 선정하였다.
- 1차적으로 선정한 training data로 최대우도분류 기법을 이용한 감독분류를 수행하고. 그 결과를 원 영상과 눈으로 대조하여 오분류율이 높은 항목의 training data를 보완한 후 다시 감독분류를 수 행하였다.
- 1차적으로 선정한 training data로 최대우도분류 기법을 이용한 감독분류를 수행하고. 그 결과를 원 영상과 눈으로 대조하여 오분류율이 높은 항목의 training data를 보완한 후 다시 감독분류를 수 행하였다. Training data를 보완하는 반복작업은 지형도에서 수집한 샘플자료와 비교하여 70% 이상의 정확도가 확보될 때까지 계속 수행하였다.
- 115-31 영상과 116-32영상은 구름에 가려진 지역이 있어. 짙은 구름의 있는 지역은 분류에서 제외하였고 엷은 구름이 있는 지역은 구름이 없는 다른 지역의 분류에 영향을 미치지 않도록 따로 분리하여 분석하였다. 분류 후에는 3X3 윈도우를 이용한 필터링을 수행하였다.
- 분류정 확도의 평가는 위성영상으로부터 추출된 분류결과와 참조영상 및 지형도로부터 추출한 기준자료를 비교하였으며, 그 결과를 error matrix (Jensen, 1996)로 요약하였다. 남한지역과 북한지역 이 분류방법이 달랐기 때문에 Table 3과 Table 4에서처럼 결과를 나누어 평가하였다. 남한의 경우 overall accuracy는 83.
- 이 연구에서는 한반도와 같이 넓은 지역의 토 지피복분류를 수행하기 위해. 정형화된 여러 가지 기법들을 종합적으로 적용하여 다량의 Landsat 위성영상을 처리하고 분석하는 절차를 제안하였다. 위성영상처리 및 토지피복분류시 보편적으로 알려 진 기법들을 순차적으로 적용할 때 대상지역의 특성과 영상처리 여건에 따라 여러 가지 문제가 발생하고 이를 해결하기 위한 세밀한 적용기법이 선택되어야 한다.
대상 데이터
- 연구에 사용한 자료는 한반도 전체를 포함하는 Landsat 위성영상 23 scene이다. Landsat 위성은 1999년 4월 15일에 7호기가 발사되어, 1984년에 발사된 5호와 함께 위성영상자료를 제공하고 있다.
- 공간해상도 15m의 흑백영상이 추가되었다. 이 연구에서 사용한 Landsat 위성영상은 공간해상도 30m인 다중분 광자료로서, 5호기의 TM센서 자료가 18 scene이 고 7호기의 ETM+센서 자료가 5 scene이다. 시기적으로는 2 scene이 1997년도에 취득된 자료이고 나머지는 1999년도와 2000년도에 촬영한 자료이다.
- 이 연구에서 사용한 Landsat 위성영상은 공간해상도 30m인 다중분 광자료로서, 5호기의 TM센서 자료가 18 scene이 고 7호기의 ETM+센서 자료가 5 scene이다. 시기적으로는 2 scene이 1997년도에 취득된 자료이고 나머지는 1999년도와 2000년도에 촬영한 자료이다.
- Table 1은 연구에서 사용한 23 scene의 위성영상에 대해 정리한 것인데, 이 자료는 넓은 지역의 토지피복분류를 위해 다음과 같은 기준에 의해 선정하였다. 첫째.
- 첫째. 최신의 자료를 수집하였다. 가능한 한 분류결과의 최신성을 확보하기 위해 최근에 촬영된 영상으로 검색하여 수집하였다.
- 최신의 자료를 수집하였다. 가능한 한 분류결과의 최신성을 확보하기 위해 최근에 촬영된 영상으로 검색하여 수집하였다. 그러나 2000년에 촬영된 영상이 있더라도 구름이 많거나 영상의 상태가 좋지 않은 것은 1999년의 영상으로 대체하였다.
- 셋째. 육지에 구름이 없는 영상으로 확보하였다. 구름분포는 육지를 기준으로 10% 미만인 위성영상으로 수집하였고, 대체할 영상이 없는 115-31 지역 위성영상만 이 구름량이 12%로 기준을 초과하였다.
- 육지에 구름이 없는 영상으로 확보하였다. 구름분포는 육지를 기준으로 10% 미만인 위성영상으로 수집하였고, 대체할 영상이 없는 115-31 지역 위성영상만 이 구름량이 12%로 기준을 초과하였다.
- 한편 행정구역별 토지피복 현황을 파악하기 위해서 1/250, 0 수치지형도에서 추출한 행정경계 데이터를 이용하였다. 행정경계 추출에 사용한 수치지형도는 남한 13도엽.
- 행정경계 추출에 사용한 수치지형도는 남한 13도엽. 북한 13도엽으로 총 26도 엽이다. 남한은 1987년, 북한이 1983년을 기준으로 조사된 자료이므로 위성영상의 최신성에 비해 다소 오래된 자료이다.
- 시도 단위의 통계를 산출하는데 이용하였기 때문에 남한은 현재의 행정구역과 동일지만, 북한은 자강도, 양강도가 없는 등 현재의 행정구역과는 다른 한계가 있다. 1/250.000 수치지형도 이외에도 북한지역의 기하보정과 training data 선정을 위해 남 북한의 1/50, 000 지형도를 이용하였다.
- 참조영상(reference image)은 여러 장의 위성영상을 처리하는 데 걸리는 시간을 단축하기 위하여 기존의 분석결과를 이용한 것으로. 기하보정과 토지피복분류시 trammg data를 선정하는 데 이용하였다. 이 연구에서는 환경부의 기하보정 위성영상 및 토지피복분류 결과(환경부 환경정책평가연구 원, 1999)를 참조영상으로 선정하였다.
- 기하보정과 토지피복분류시 trammg data를 선정하는 데 이용하였다. 이 연구에서는 환경부의 기하보정 위성영상 및 토지피복분류 결과(환경부 환경정책평가연구 원, 1999)를 참조영상으로 선정하였다. 이 참조영 상은 GPS측정으로 취득한 GCP를 이용하여 RMSE 0.
- Trammg data는 지형도와 영상을 비교하여 토지 피복이 뚜렷이 판단되는 지역을 찾아 한 영상 당 50~100개를 선정하였다. 북한의 토지피복 형태에 대해 사전지식이 부족하기 때문에 색상은 비슷하 지만 구분이 잘 안가는 지역의 경우.
- 밴드 조합을 바꾸어가며(RGB: 432—RGB: 752 등) 물체를 구 분하고 이를 지형도와 비교하여 확인하는 작업을 반복하였다. 지형도 제작 시기(1980년대 후반~ 1990년대 초)와 영상의 취득시기의 차이가 큰 경우는 산림의 중앙, 대규모 경작지의 중앙 등 변화 가 거의 없었을 것으로 판단되는 지역을 위주로 training data를 선정하였다. 북한지역의 training data를 선정하는 데에는 여러 가지 어려움이 도출 되었다.
- 이 연구에 사용한 Landsat 위성영상자료는 해 양수산부의「위성영상획득 및 관리 운용기술 개 발」과제를 통해 수집되었으며 토지피복분류를 위한 참조영상은 환경부의 ‘1/50.000 토지피복분류 지도를 이용하였습니다. 자료를 협조해주신 관계기관에 감사드립니다.
데이터처리
- 분류정 확도의 평가는 위성영상으로부터 추출된 분류결과와 참조영상 및 지형도로부터 추출한 기준자료를 비교하였으며, 그 결과를 error matrix (Jensen, 1996)로 요약하였다. 남한지역과 북한지역 이 분류방법이 달랐기 때문에 Table 3과 Table 4에서처럼 결과를 나누어 평가하였다.
이론/모형
- 남한지역 위성영상의 기하보정은 참조영상을 이용하여 image to image 방법으로 수행하였다. 처 리해야 할 위성영상의 수가 많고 넓은 지역의 경우에는 참조영상을 이용한 image to image 방법이 매우 효율적이다.
- 그리고 참조영상으로부터 training data를 수집할 때 좌 표체계를 동일하게 하면 분류작업이 손쉽기 때문에 분류 전에 재배열을 수행하고. 넓은 지역의 분류이므로 대체적인 분광특성을 그대로 살리기 위해 내삽법은 최근린내삽법을 이용하였다.
성능/효과
- 그러나 2000년에 촬영된 영상이 있더라도 구름이 많거나 영상의 상태가 좋지 않은 것은 1999년의 영상으로 대체하였다. 둘째, 영상이 촬영된 계절의 차이를 최소화하였다. 가급적 5월~6월에 촬영된 영상으 로 계절을 통일하여 scene 간에 발생할 수 있는 분류결과의 차이를 줄이고자 하였다.
- 2와 같은 절차로 분류하기에는 여러 가지 문제점이 발생하였다. 첫째, 100m로 재배열을 하는 것은 신속한 분류에 도움을 주기보다는 영상이 흐려짐으로 인해 피복형태 를 판독하여 training data의 영역을 설정하는 데 어려움을 가중시켰다. 북한의 지형과 토지피복 특성을 전혀 알지 못하므로.
후속연구
- 여건이 허락할 경우 자료수집에 많은 노력을 들이는 것이 좋은 결과를 낳을 수 있다. 여기서 기술된 구체적인 방법과 한반도 지역의 토지피 복분류결과는 국토계획이나 광역 지역계획 등에서 필요한 전반적인 자원현황을 신속하고 효과적으로 제공할 수 있는 수단이 될 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.