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
- 위치는 동경 127° 06' 북위 36° 54' 에 위치하고 있다(안성시청, 2006). 본 연구에서는 도심지역과 농경지지역을 포함하는 영상을 사용하였고 고루 여러 지역의 학습자료를 추출하여 분석하였다.
제안 방법
- 본 연구에서는 Landsat-7 ETM+ 영상에 대해 지표의 불투수도를 추정하고 Regression tree 알고리즘을 적용하여 안성지역 일대의 불투수도 지도를 제작하였다.
- 본 연구에서 이용된 IKONOS 위성 영상은 TM 좌표계 (Bessel 타원체)로 UTM 좌표계 (WGS84 타원체)의ETM+영상과 좌표계 불일치로 인해 영상 중첩이 불가능하여 IKONOS 영상의 좌표계를 UTM 좌표계(WGS84타원체)로 변환하였다. 이와 함께 다양한 독립변수를 고려하기 위해 Landsat ETM+ 영상에 대해 Table 1에 나타난 것과 같은 위성 반사율에 의해 결정된 계수를 이용하여 tasselled cap 변환(Fig.
- 본 연구에서는 180개의 학습자료를 추출하여 독립변수 조건과 불투수도를 모델링을 실시하였다. 불투수도를 산정하기 위하여 Landsat ETM+영상의 영상소 (pixel)단위로 학습자료를 추출하였다.
- 6은 Tree Regression의 수행절차를 나타낸 것이다. 학습표본을 바탕으로 트리(Tree)를 형성하는 과정에서 변수의 선정, 분리기준(splitting criterion), 정지규칙(stoping rule)등의 트리의 결정 이슈가 있고 트리가 너무 복잡하면 분류규칙 또한 복잡해지는 등의 문제로 일부의 가지를 절단하여 그 가지이하에서 더 이상 분리하지 않도록 가지치기(pruning)과정을 실행한다. 최종적으로 완성된 트리를 바탕으로 분류 규칙을 도출하고 기존 또는 새로운 데이터에 대하여 분류(classification)# 시행한다.
- 또 다른 기능으로 예측모델을 평가하기 위해서 n-folds cross-validation을 사용한다. 학습자료를 n개의블록으로 나누고 각 블록은 남아있는 블록의 학습자료로 부터 예측모델을 형성하여 서로 비교를 한다. 예측 모델의 최종적인 정확도는 모든 n-folds tests로부터 평균 된 모델로서 추정이 된다.
- 8과 같이 불투수도의 추정을 위하여 방사보정과 기하보정이 된 Landsat ETM+ 영상과 IKONOS 영상을 중첩하여 각 영상소별 불투수도의 학습자료를 수집한다. Landsat ETM+ 영상을 Tasseled Cap 변환과NDVI변환을 수행하여 하고 불투수도의 추정을 위한 예측모델에서 사용되는 독립 변수로서 Landsat ETM+ 영상의 1, 2, 3, 4, 5, 7번 band와 tasselled cap 변환 영상의 Greenness (TC2), Wetness(TC3), 고리고 NDVI이고 종속변수는 불투수도(%)이다. 각 수집된 자료에Regression tree 알고리즘을 적용하여 모델링을 실시하였다.
- 또한 180개의 학습자료에 의해 추정된 불투수도 예측모델을 이용하여 Fig. 10과 같이 안성지역 전체에 대해 불투수지도를 작성하였다.
- 본 연구에서는 불투수도를 추정하기 위해 ETM+ 영상과 고해상도의 IKONOS 영상을 기반으로 학습자료를 주줄하고 Regression tree 알고리즘을 적용하여 불투수도를 학습자료 조건과 독립변수 조건에 따라 모델링을 하였다. 또한 불투수도 추정식을 이용하여 불투수도 지도를 생성하였으며 Landsat ETM+ 영상과 IKONOS 영상을 Regression tree 알고리즘을 적용하여 불투수도의 추정이 가능한 모델을 구성하였다.
- 하였다. 또한 불투수도 추정식을 이용하여 불투수도 지도를 생성하였으며 Landsat ETM+ 영상과 IKONOS 영상을 Regression tree 알고리즘을 적용하여 불투수도의 추정이 가능한 모델을 구성하였다.
대상 데이터
- 안성지역의 불투수층을 추정하기 위해 Landsat-7 ETM+ 영상과 IKONOS 위성영상을 이용하였다. 다중분 광센서를 탑재한 Landsat-7 위성의 ETM+영상은 공간 해상도 30mx30m이며 기하보정이 수행된 양질의 영상으로 Fig.
- 2와 같다. 2001년 9월 23일에 관측된 영상으로 좌표계는 UTM 좌표계(WGS84 타원체)이다.
- 조건과 불투수도를 모델링을 실시하였다. 불투수도를 산정하기 위하여 Landsat ETM+영상의 영상소 (pixel)단위로 학습자료를 추출하였다. 학습자료는 도시시역, 임야지역, 농경지등 전체지역을 대상으로 고루 추출하였으며 토지의 용도가 동일하지만 토지피복의 포장정도가 다른 점을 감안하여 식(2)과 같이 계산하였다(사공호상, 2003).
- 불투수도를 산정하기 위하여 Landsat ETM+영상의 영상소 (pixel)단위로 학습자료를 추출하였다. 학습자료는 도시시역, 임야지역, 농경지등 전체지역을 대상으로 고루 추출하였으며 토지의 용도가 동일하지만 토지피복의 포장정도가 다른 점을 감안하여 식(2)과 같이 계산하였다(사공호상, 2003).
- Fig. 8과 같이 불투수도의 추정을 위하여 방사보정과 기하보정이 된 Landsat ETM+ 영상과 IKONOS 영상을 중첩하여 각 영상소별 불투수도의 학습자료를 수집한다. Landsat ETM+ 영상을 Tasseled Cap 변환과NDVI변환을 수행하여 하고 불투수도의 추정을 위한 예측모델에서 사용되는 독립 변수로서 Landsat ETM+ 영상의 1, 2, 3, 4, 5, 7번 band와 tasselled cap 변환 영상의 Greenness (TC2), Wetness(TC3), 고리고 NDVI이고 종속변수는 불투수도(%)이다.
데이터처리
- 게다가 Landsat ETM+ 영상과 고해상도 위성 영상과의 불투수도 추정을 위하여 분광혼합 분석을 사용하였다(Wu and murray, 2003; Lu and Weng, 2006). 그리고 불투수도는 ERDAS IMAGINE Subpixel Classification (SPC)(Hurd and Civeo, 2004), Fuzzy C-means clustering (Lee, 2006), 그리고 multiple Regression(Yang and Liu, 2005)에 의해 수행되었다.
이론/모형
- 게다가 Landsat ETM+ 영상과 고해상도 위성 영상과의 불투수도 추정을 위하여 분광혼합 분석을 사용하였다(Wu and murray, 2003; Lu and Weng, 2006). 그리고 불투수도는 ERDAS IMAGINE Subpixel Classification (SPC)(Hurd and Civeo, 2004), Fuzzy C-means clustering (Lee, 2006), 그리고 multiple Regression(Yang and Liu, 2005)에 의해 수행되었다. 미국에서는 미환경보호국(Environmental Protection Agency,EPA)에서 Landsat 위성영상을 이용하여 연속적이고 일관적으로 불투수도(Impervious), 토지피복(Land Cover), 캐노피 분류(Canopy Classification)를 미국전역에 걸쳐 전국토지피복 데이터베이스(National Land Cover Database(NLCD)를 구죽한 바 있다.
- 타원체)로 UTM 좌표계 (WGS84 타원체)의ETM+영상과 좌표계 불일치로 인해 영상 중첩이 불가능하여 IKONOS 영상의 좌표계를 UTM 좌표계(WGS84타원체)로 변환하였다. 이와 함께 다양한 독립변수를 고려하기 위해 Landsat ETM+ 영상에 대해 Table 1에 나타난 것과 같은 위성 반사율에 의해 결정된 계수를 이용하여 tasselled cap 변환(Fig. 4)을 실시하였다(Huang and Townshend, 2002). Landsat ETM+ 자료 공간을직교변환하여 새로운 피처(feature)공간으로 만든 Tasseled Cap변환은 토양명도, 녹색식생, 토양습도 변수들로 변환하는데 필요한 각 파장대별 밴드를 이용하여 추출하였다(Crist and cicone, 1986).
- 최종적으로 완성된 트리를 바탕으로 분류 규칙을 도출하고 기존 또는 새로운 데이터에 대하여 분류(classification)# 시행한다. 이러한 Regression tree알고리즘은 불투수도 추정뿐만 아니라 원격탐사자료의 분석에 다방면으로 적용되고 있으며 본 연구에서는Regression tree 알고리즘을 손쉽게 사용할 수 있도록개발된 Cubist라는 소프트웨어를 사용하였다(http//rulequest, com/cubist-info.html).
- 또 다른 기능으로 예측모델을 평가하기 위해서 n-folds cross-validation을 사용한다. 학습자료를 n개의블록으로 나누고 각 블록은 남아있는 블록의 학습자료로 부터 예측모델을 형성하여 서로 비교를 한다.
- Landsat ETM+ 영상을 Tasseled Cap 변환과NDVI변환을 수행하여 하고 불투수도의 추정을 위한 예측모델에서 사용되는 독립 변수로서 Landsat ETM+ 영상의 1, 2, 3, 4, 5, 7번 band와 tasselled cap 변환 영상의 Greenness (TC2), Wetness(TC3), 고리고 NDVI이고 종속변수는 불투수도(%)이다. 각 수집된 자료에Regression tree 알고리즘을 적용하여 모델링을 실시하였다.
- 92로 모델링 과정에서 사용된 조건들 중 가장 적합한 것으로 나타났다.더욱이 Regression Tree의 적절한 수행을 평가하기 위하여 10-folds cross- validation을 사용하였다.Table 3과 같이 마찬가지로 5번 테스트의 경우 평균 오차 10.
성능/효과
- 이를 살펴보면 ETM+영싱의 각 Band와 tasselled cap의 Wetness 변환(TC3) 영상을 사용할 경우 평균오차는 7.7, 상대오차 0.33, 상관계수는 0.92로 모델링 과정에서 사용된 조건들 중 가장 적합한 것으로 나타났다.더욱이 Regression Tree의 적절한 수행을 평가하기 위하여 10-folds cross- validation을 사용하였다.
- 83으로 다른 test에 비해 상관관계가 높은 것으로 나타난다. 이로써 실제 지형정보와 비교했을 때 통계적인 결과의 밀접한 상관관계가 있음을 증명하였고 불투수도를 추정함에 있어 어느 정도 유효함을 갖는다고 할 수 있다. Fig.
- 본 실험 결과로 안성지역에 대하여 위성영상을 이용한 불투수도의 추정이 가능하며 수행 평가의 적절성을위해 실시한 10-folds cross-validation의 결과는 평균오차 10.4, 상대오차는 0.45 그리고 상관계수 0.83으로 높은 상관관계를 나타내고 있다. 또한 불투수도 추정에 적절한 독립변수는 Landsat ETM+ 영상의 1번~5 번, 7번 그리고 Tasseled Cap영상의 3번 band가 가장밀접한 관계가 있다고 판단된다.
- 83으로 높은 상관관계를 나타내고 있다. 또한 불투수도 추정에 적절한 독립변수는 Landsat ETM+ 영상의 1번~5 번, 7번 그리고 Tasseled Cap영상의 3번 band가 가장밀접한 관계가 있다고 판단된다.
후속연구
- 향후 연구로서 불투수도와 앞에서 언급한 토지 피복의 CN값과의 관계를 통하여 보다 정확한 자료의 검증을 위한 분석이 가능할 것으로 사료되며 다양한 위성 영상과 충분한 데이터 확보를 통하여 더욱 신뢰성있는 결과 도출이 가능하다고 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.