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
- Hyperion 영상의 분광정보는 환경부 토지피복분 류체계의 대분류에 대한 분류 정확도를 높이고, 중분류 토지피복지도의 정확도 향상과 자동화 가능성을 제공한다. 따라서 본 연구에서는 기존의 Landsat-7 ETM+ 영상과 Hyperion 영상을 동일지역에 대해 중분류 토지피복분 류를 수행하고 그 정확도를 평가하여 비교분석하였다. 또한 초분광영상의 활용 시에 발생하는 분류 알고리즘의 효율적인 활용, 잉여분광정보의 제거, 처리비용 및 처리시간의 단축을 위하여 Hyperion에 적합한 최적 밴드 선택 방법을 제시하였다.
- 학습집단 선택은 감독분류 과정에서 가장 중요한 부분으로서 순수한 토지피복특성을 갖는 대상지역을 선택하였다. 본 논문에서는 기준영상인 환경부 토지피복지도와 의 중첩을 통하여 순수한 토지특성을 반영하는 대상지역 에서 분석자의 시각적 판단으로 샘플링하였다.
제안 방법
- 따라서 본 연구에서는 기존의 Landsat-7 ETM+ 영상과 Hyperion 영상을 동일지역에 대해 중분류 토지피복분 류를 수행하고 그 정확도를 평가하여 비교분석하였다. 또한 초분광영상의 활용 시에 발생하는 분류 알고리즘의 효율적인 활용, 잉여분광정보의 제거, 처리비용 및 처리시간의 단축을 위하여 Hyperion에 적합한 최적 밴드 선택 방법을 제시하였다.
- 환경부는 1998년부터「인공위성영상자료를 이용한 토지피복분류』사업을 시작하였으며,■ 그 체계는 표 1과 같다. 이 분류체계는 미국의 USGS, 유럽연합의 CORINE 분류체계의 내용을 우리나라 실정에 맞게 수정하였고 상방하향식 접근이 가능하도록 구성하였다. 또한 각각의 단위는 추진주체별로 사업의 효율성을 고려하여 설정하였다.
- 이 분류체계는 미국의 USGS, 유럽연합의 CORINE 분류체계의 내용을 우리나라 실정에 맞게 수정하였고 상방하향식 접근이 가능하도록 구성하였다. 또한 각각의 단위는 추진주체별로 사업의 효율성을 고려하여 설정하였다. 즉, 1단위（대분류）는 국가차원, 2단위（중분류）는 광역 지자체, 3단위（세분류）는 기초지자체에서 사업을 수행하 는데 적합하도록 고려한 것이다（환경부, 1999）.
- 위와 같은 밴드선택 조건을 수식화하여 밴드선택 요소 (Band Selective Factor, BSF)를 제안한다. 밴드선택요소는 추출된 학습집단의 화소범위(D1)와 표준편차(σi)의 통계값을 추출하여 식 (9)와 같이 계산한다.
- 위성영상의 타원체 및 투영방법이 다르기 때문에 비교 및 분석을 위하여 정확도 평가를 위한 자료와 좌표계를 일치시켰다. 좌표계를 일치시키기 위하여 두 대상 자료로부터 동일점을 획득하여 좌표변환을 실시하였다 토지피복지도에서는 기준점 위치로 도로교차점 등을 사용할 수 없으므로 주로 다리의 끝점, 호수 및 섬 등의 지형상 특징점을 중심으로 영상 전체에서 고른 분포를 갖도록 선택해야하는 어려움이 따르나 본 연구에서의 영상 좌표변환은 X, Y 각 방향에 대해 RMSE 0.
- 위성영상의 타원체 및 투영방법이 다르기 때문에 비교 및 분석을 위하여 정확도 평가를 위한 자료와 좌표계를 일치시켰다. 좌표계를 일치시키기 위하여 두 대상 자료로부터 동일점을 획득하여 좌표변환을 실시하였다 토지피복지도에서는 기준점 위치로 도로교차점 등을 사용할 수 없으므로 주로 다리의 끝점, 호수 및 섬 등의 지형상 특징점을 중심으로 영상 전체에서 고른 분포를 갖도록 선택해야하는 어려움이 따르나 본 연구에서의 영상 좌표변환은 X, Y 각 방향에 대해 RMSE 0.8화소 이내의 정확도로 수행하였다.
- Hyperion 영상과 ETM+ 영상에 각각 최소거 리분류법, 최대 우도분류법, 마하라노비스거 리분류법 , 분광각분류법 알고리즘을 통한 토지피복 분류 작업을 수행하였다. 이 4가지 알고리즘은 2개의 학습집단 유형에 따라 수행하였는데 하나는 시가화/건조지역의 중분류 토지피복특성을 유지한 경우이고, 다른 하나는 시가화/건조지역의 토지피 복특성을 통합한 경우이다.
- 초분광 위성 EO-1의 Hyperion 영상을 이용하여 환경부의 중분류 토지피복지도제작에 대한 4가지 알고리즘의 분류 정확도와 밴드선택요소를 이용한 최적밴드선택에 따른 분류 정확도를 평가하여 얻은 결론은 다음과 같다.
대상 데이터
- E0-1 위성은 대표적인 초분광센서 탑재 위성으로써 Landsat-7과 일치하는 지역에서 1분 간격의 차이로 다중 분광과 초분광 영상을 수집한다. 연구에 사용하는 초분광 영상 획득 센서 Hyperione 400nm에서 lOOOnm까지의 가 시근적외(Visible Near Infrared, VNIR) 영역과 900nm에서 2400nm까지의 단파장적외(Short Wave Infrared, SWIR) 영역에서 lOnm 간격으로 242개 밴드의 영상정보를 제공 하고 있다(Barry, 2001). Hyperion의 지상해상도는 30m 이며 촬영 폭은 7.
- 위성영상을 이용한 토지피복분류를 수행하기 위해서는 토지의 특성 정보를 제공하는 기준자료와 분류를 수행하기 위한 영상자료가 필요하다. 본 연구에서 기준자료는 환경부에서 제작한 서울, 대구지역의 중분류 토지피복지 도를 사용하였으며, Hyperion 위성영상자료로는 2002년 4워 12월에 획득된 서울 및 대구 지역 영상을, ETM+ 자료는 2003년과 2001년 4월에 획득된 서울 및 대구지역 영상을 사용하였다. 그림 4는 중분류 토지피복지도제작 을 위한 전체 흐름도이고, 그림 5는 중분류 토지피복 대 상지역의 Hyperion 및 ETM+ 영상이다.
- 학습집단 선택은 감독분류 과정에서 가장 중요한 부분으로서 순수한 토지피복특성을 갖는 대상지역을 선택하였다. 본 논문에서는 기준영상인 환경부 토지피복지도와 의 중첩을 통하여 순수한 토지특성을 반영하는 대상지역 에서 분석자의 시각적 판단으로 샘플링하였다.
- 본 연구에서 유효밴드는 서울, 대구 지역에 대하여 각각 표 2와 같이 선택하였다. 단, 각 단계의 밴드 번호는 이전 결과를 반영하여 제거한 파일의 밴드번호이므로 고유 밴드번호와는 무관하다.
데이터처리
- 이와 같은 방법으로 선택된 최적밴드를 이용한 토지피 복지도 생성 결과는 지금까지 밴드추출 알고리즘으로 사용되었던 MNF와 주성분분석으로 추출된 밴드의 분류 결과와 비교•평가할 수 있다.
이론/모형
- 본 논문에서는 위와 같은 기존 토지피복지도 제작의 문제점을 개선하기 위하여 2000년 실험위성으로 발사된 EO-1 Hyperion 초분광 위성영상（hyperspectral image）을 활용 하였다. Hyperion 영상의 분광정보는 환경부 토지피복분 류체계의 대분류에 대한 분류 정확도를 높이고, 중분류 토지피복지도의 정확도 향상과 자동화 가능성을 제공한다.
- 대분류 토지피복지도제작을 위해 Landsat 위성영상자료를 이용하여 화소들을 무감독분류한 후, 군집화된 화소를 다시 학습집단으로 사용하는 감독분류 방법을 이용 하였다（환경부 1999; 환경부, 2001）. 분류정확도를 향상 시키기 위해 퍼지기법이나 신경망 이론 등을 함께 접목하는 연구도 활발히 진행되었다（Gamba 등, 2001; Hung 등, 2002）.
성능/효과
- 그림 2(a)는 Hyperion 영상의 밴드별 최대 최소값 차이를 보여주고 있다. 특정 밴드의 화소값 범위가 상당히 넓음을 알 수 있으며, 동일한 부분 에서의 공분산 값이 상당히 크게 나타나는 것을 알 수 있다. 따라서 공분산을 이용한 밴드 선택의 경우 화소범위 가 넓은 밴드들 위주로만 추출될 수 있다.
- 4절의 전체 정확도를 평가한 결과이다. 시가화건조지역을 통합하여 분석한 최대우도법과 마하라노비스법은 초분광 영상에서 다중분광영상에 대하여 약 13.5% 정도의 분류 정확도를 향상시켰다. 특히, 대구의 Hyperion 최대우도법은 학습집단 범위 내에서 99.
- 밴드선택요소에 의한 밴드선택은 그림 6의 (B)와 같이 학습집단의 수에 따라 발생하는 최대우도분류법의 오분류를 방지하며, 초분광 영상을 이용한 토지피복지도 제작의 정확도 유지 및 처리 효율을 개선 할 수 있었다. 그림 7은 샘플 학습집단의 계산된 밴드선택요소의 값을 나타낸다.
- 그림 8은 본 연구에서 사용한 최적밴드선택에 의한 토지피복도 결과영상이며 표 5는 밴드선택요소에 의한 토지피복분류와 기존의 밴드추출 알고리즘인 주성분분석 (PCA), MNF 추출밴드를 사용한 토지피복분류에 대한 정확도 평가 결과이다. 밴드선택요소에 의한 분류정확도는 최대우도분류와 마하라노비스거리법에서 각각 91%와 80% 이상의 높은 분류 정확도를 보였다. 이것은 PCA, MNF보다는 다소 떨어지는 결과이다.
- 이것은 PCA, MNF보다는 다소 떨어지는 결과이다. 그러나 기존의 밴 드추출 알고리즘의 경우, 전체 영상을 이용한 변환작업이 선행되어야 한다는 점에서 처리비용과 시간소모가 크다는 단점이 있으므로 실시간 자료처리 분석능력을 위해 제안된 BSF 밴드선택 기법의 장점이 극대화될 수 있다. 또한, 분광각분류법은 밴드추출에 의한 경우 적당한 분광범위 설정이 필요하여 분류오류가 발생하는 반면, 제안된 BSF 알고리즘에 의한 밴드선택의 경우 전체밴드를 사용 흐!.
- 1. 초분광 영상을 이용한 중분류 토지피복지도 제작을 위해 최대우도법과 마하라노비스거리법을 사용한 결과 다중분광영상에 비하여 평균적으로 13.5% 이상 정확한 판독성과를 나타내는 것으로 나타났다.
- 2. 밴드선택요소에 의한 Hyperion의 최적밴드 선택 결과로의 토지피복지도 제작 정확도는 최대우도법에서 91% 이상, 마하라노비스거리법에서 80%이싱의 정확도 향상을 가져왔다.
- 4. 초분광 위성영상의 최적밴드추출과 감독분류기법을 이용한 토지피복지도제작 실험 결과 최소거리법은 최적 밴드 수가 적을수록, 마하라노비스거리법과 최대우도법은 최적 밴드 수가 많을수록 그 정확도가 증가되는 것으로 분석되었다.
후속연구
- 3. 제안된 최적밴드선택 방법은 PCA나 MNF와 다르게 전체 영상 자료를 사용하지 않고 분류 정확도 감소를 최소화하는 가장 적절한 밴드정보를 제공함으로써 초분광 위성영상 자료의 활용성을 높일 수 있을 것으로 판단된다.
- 이와 같은 초분광 위성 영상을 이용한 토지피복지도제작 연구는 현재 수동으로 수행되는 중분류 토지피복지도제작의 자동화방안과 자동갱신방안에 가능성을 제공하여 초분광 영상의 지상 활용의 범위를 넓힐 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.