항공 라이다 데이터로부터 데이터마이닝 도구 WEKA를 이용한 지형 분류기 제작 지원 시스템 A Topographical Classifier Development Support System Cooperating with Data Mining Tool WEKA from Airborne LiDAR Data원문보기
국토의 구성 및 변화를 파악하기 위해서 항공 라이다 데이터의 효율적 처리를 통해 정확하게 지표의 유행(land-cover type)을 분류할 수 있는 지능형 지형 분류기(intelligent topographical classifier)의 필요성이 증대되고 있다. 본 연구에서는 정확하고 효율적인 지형 분류기 개발을 용이하게 하기 위해 데이터마이닝 도구인 WEKA를 연동시켜 항공 라이다 데이터를 가공처리하고 다양한 데이터마이닝 기법을 활용한 비교 실험을 통해 정확성이 높은 지형 분류기 제작을 지원하는 소프트웨어 시스템을 개발하였다. 본 연구에서 개발한 지형 분류기 제작 지원 시스템은 항공 영상 이미지 위에 라이다 데이터를 중첩시키는 기능, 효율적인 처리를 위한 타일링 기능, 부분 영역의 3차원 시각화 기능, 타일의 특정 추출 기능, WEKA 입력 자동 생생 기능, 분류 모델의 분류 규칙 집합을 C++ 프로그램으로 자동 코딩하여 분류기로 변환하는 기능, 타일별 지형 분류 결과 표시 기능 등이 구현되어 있다. 또한, 연동된 WEKA틀 이용해서는 분별력이 높은 특정 정보 선정 기능, 다양한 분류 기법을 적용한 지형 분류 모델 생성 기능, 지형 분류 규칙 집합 생생 기능 등을 활용하여 지형 분류기 제작을 지원할 수 있다. 따라서 항공 라이다 데이터를 이용하여 지형의 유형을 분류하는 지능형 지형 분류기를 개발하고자 하는 사용자는 본 연구에서 개발한 지형 분류기 제작 지원 시스템을 활용하여 해당 지형의 특성에 맞고 분류기 개발 목적에 부합하는 지형 분류기를 용이하게 효과적으로 개발할 수 있다.
국토의 구성 및 변화를 파악하기 위해서 항공 라이다 데이터의 효율적 처리를 통해 정확하게 지표의 유행(land-cover type)을 분류할 수 있는 지능형 지형 분류기(intelligent topographical classifier)의 필요성이 증대되고 있다. 본 연구에서는 정확하고 효율적인 지형 분류기 개발을 용이하게 하기 위해 데이터마이닝 도구인 WEKA를 연동시켜 항공 라이다 데이터를 가공처리하고 다양한 데이터마이닝 기법을 활용한 비교 실험을 통해 정확성이 높은 지형 분류기 제작을 지원하는 소프트웨어 시스템을 개발하였다. 본 연구에서 개발한 지형 분류기 제작 지원 시스템은 항공 영상 이미지 위에 라이다 데이터를 중첩시키는 기능, 효율적인 처리를 위한 타일링 기능, 부분 영역의 3차원 시각화 기능, 타일의 특정 추출 기능, WEKA 입력 자동 생생 기능, 분류 모델의 분류 규칙 집합을 C++ 프로그램으로 자동 코딩하여 분류기로 변환하는 기능, 타일별 지형 분류 결과 표시 기능 등이 구현되어 있다. 또한, 연동된 WEKA틀 이용해서는 분별력이 높은 특정 정보 선정 기능, 다양한 분류 기법을 적용한 지형 분류 모델 생성 기능, 지형 분류 규칙 집합 생생 기능 등을 활용하여 지형 분류기 제작을 지원할 수 있다. 따라서 항공 라이다 데이터를 이용하여 지형의 유형을 분류하는 지능형 지형 분류기를 개발하고자 하는 사용자는 본 연구에서 개발한 지형 분류기 제작 지원 시스템을 활용하여 해당 지형의 특성에 맞고 분류기 개발 목적에 부합하는 지형 분류기를 용이하게 효과적으로 개발할 수 있다.
To monitor composition and change of the national land, intelligent topographical classifier which enables accurate classification of land-cover types from airborne LiDAR data is highly required. We developed a topographical classifier development support system cooperating with da1a mining tool WEK...
To monitor composition and change of the national land, intelligent topographical classifier which enables accurate classification of land-cover types from airborne LiDAR data is highly required. We developed a topographical classifier development support system cooperating with da1a mining tool WEKA to help users to construct accurate topographical classification systems. The topographical classifier development support system has the following functions; superposing LiDAR data upon corresponding aerial images, dividing LiDAR data into tiles for efficient processing, 3D visualization of partial LiDAR data, feature from tiles, automatic WEKA input generation, and automatic C++ program generation from the classification rule set. In addition, with dam mining tool WEKA, we can choose highly distinguishable features by attribute selection function and choose the best classification model as the result topographical classifier. Therefore, users can easily develop intelligent topographical classifier which is well fitted to the developing objectives by using the topographical classifier development support system.
To monitor composition and change of the national land, intelligent topographical classifier which enables accurate classification of land-cover types from airborne LiDAR data is highly required. We developed a topographical classifier development support system cooperating with da1a mining tool WEKA to help users to construct accurate topographical classification systems. The topographical classifier development support system has the following functions; superposing LiDAR data upon corresponding aerial images, dividing LiDAR data into tiles for efficient processing, 3D visualization of partial LiDAR data, feature from tiles, automatic WEKA input generation, and automatic C++ program generation from the classification rule set. In addition, with dam mining tool WEKA, we can choose highly distinguishable features by attribute selection function and choose the best classification model as the result topographical classifier. Therefore, users can easily develop intelligent topographical classifier which is well fitted to the developing objectives by using the topographical classifier development support system.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 기존연구에서 제안한 지형 분류 모 델 및 분류 기준은 특정 지역의 특정 목적에 대해서만 실험하여 유용성을 판단하였으며 더욱이 하나의 분류모텔을 구현하기 위해서는 C++, MATLAB, 시각화 모듈 등을 이용하기 위한 컴퓨터 프로그래밍 지식을 별도로 필요로 하기 때문에 많은 개발 시간을 필요로 한다. 따라서 본 연구에서는 항공 LiDAR 데이터로부터 정확 한지표 유형을 구분하기 위한 지능형 지형 분류기틀 용이 하게 설계하고 자동 제작할 수 있도록 지원하는 지형 분류기 제작 지원 시스템을 개발한다.
본 시스템에서는 지형분류 모델의 생성을 위해 데이터마이닝 도구 WEKA를 연동시켜 WEKA의 다양한 기능을 활용할 수 있도록 하였다. 먼저, 타일 단위로 추출한 후보 특징 중에서 학습 데이터를 기준으로 분석하여 분별력이 높은 특징들을 선정하여 적은 개수의 특징으로 정확하게 지형의 유형 및 구조물 인식을 가능하도록 하였다.
본 연구에서는 항공 라이다 데이터를 이용하여 지형의 유형 및 구조물을 정확하게 분류할 수 있는 분류 모델 및 분류 기준을 쉽게 설계할 수 있도록 하기 위해 데이터 마이닝 도구인 WEKA와 연계시 킨 지형 분류기 제작 지원 시스템을 개발하였다. 개발된 지형 분류기 제작 지원 시스템은 사용자가 학습 데이터를 생성하거나 또는 분류 결과의 정확성을 쉽게 판단할 수 있도록 항공 영상 이미지 위에 항공 라이다 데이터를 정확하게중첩시키는 기능, 효율적인 지형 분류를 위해 셀 단위의 처리를 위한 타일링 기능, 특정 지역의 항공 영상과 해당 지역의 항공 라이다 데이터를 3차원으로 시각화하고 다양한 각도에서 회전하여 지역의 지형 특성 및 구조물의 모습을 관찰하기 위한 부분 영역의 3차원 시각화 기능, 타일의 특징 정보를 추출하는 기능과 이를 데이터 마이닝 도구 WEKA의 입력 형식인 ARFF (Attribute-Relation File Format) 파일로 자동 생성하는 기능 그리고 WEKA의 분류 모델 중에 지형 분류에 널리 이용되는 분류 규칙 모델의 규칙 집합을 C++ 프로그램으로 자동 코딩하여 지형 분류기로 변환하는 기능 등이 구현되어 있다.
본 연구에서는 항공 라이다로부터 지형 분류 및 구조물 인식을 위한 지형 분류 시스템을 개발하는 과정에서 사용자가 쉽고 빠르게 정확한 지형 분류 모델을 설계 제작할 수 있도록 지원하기 위해 데이터마이닝 도구 WEKA를 연동시킨 지형 분류기 제작 지원 시스템을 개발하였다. 개발된 지형 분류기 제작 지원 시스템은 항공 영상과 항공 라이다 데이터 중첩 기능 및 3차원 시각화기능을 제공하여 사용자가 다양한 방법으로 지형의 형태를 확인하여 정확한 학습 데이터 생성이 가능하도록 지원하기 때문에 정확성이 높은 지형 분류기를 쉽게 개발할 수 있다.
또한, 기존의 지형 분류 시스템 개발에서 지형 분류 및 구조물 인식의 정확성과 효율성을 증진하기 위해 채택하고 있는 타일링 기능 및 분별력 높은 특징 정보를 선택할 수 있는 기능을 제공하고 있다. 그리고 데이터마이닝 도구 WEKA를 이용하여 설계한 지형분류 모델 및 분류 기준을 C++ 프로그램 코드로 자동 변환하는 기능을 구현하여 컴퓨터 프로그래밍에 대한 부담 없이 쉽고 빠르게 지형 분류기를 개발할 수 있도록 하였다. 전라남도 장성 지역의 항공 라이다 데이터를 학습 데이터로 사용하여 지형 분류기를 설계한 실험 결과에 의하면 10m X 10m 타일로 분할하고 분별력이 높은 9 개의 특징을 이용하여 평균 97.
다양한 데이터마이닝 분류 모델별로 후보 특징 32개를 모두 이용한 지형 분류의 정확도 예측 값과 데이터마이닝의 속성 선택 알고리즘을 이용하여 분별력이 높은 특징을 선정한 후의 분별 정확성 예측 값을 비교하였다. 전라남도 장성 지역의 지형 분류 모델을 설계하기 위한 후보 특징으로는 기존 지형 분류 시스템들(이임평,2006a ; 이임평, 2006b ; Antonarakis 등, 2008 ; 최연웅등, 2007)에서 사용한 특징정보에 분별력이 있다고 판단되는 일부 특징 정보를 추가하여 활용하였으며, 이를 고도 관련 특징 (표 1(a))과 반사값 관련 특징(표 1(b)), 그리고 기타 특징(표 1饥으로 분류하여 총 32개의 후보 특징 정보를 정의하여 사용하였다.
Animarakis(2008>은 분류를 위해 항공 라이다 위치 점을 5m 단위 또는 10m 단위의 셀(cell)로 구분하고 이 셀 단위내의 수목의 높이(vegetation height), 수관 도달 비율(percentage canopyhits), 반사값(intensity), 사행도(skewness)와 첨예도(kur-tosis) 등을 기준으로 영역을 구분하여 약 94% 정도의 3. 데이터마이닝 도구와 연동된 분류 정확률을 얻는 것으로 분석하였다. 최연옹(2007)은 항공 라이다 데이터로부터 지표면과 비지표면을 구분하기 위해 인접 점들을 버퍼링한 셀 단위 내에서의 엔트로피 (enfappy)를 계산하여 영역을 구분하는 방법을제안하였다.
이는 지형 분류를 위해서 많은 컴퓨팅 계산 양이 필요하기 때문에 빠른 실행 속도를 위해서 다른 컴퓨터 프로그래밍 언어와 비교하여 실행 속도가 빠른 언어를 선택한 것으로 분석된다. 따라서 본 연구에서 개발한 지형 분류기 제작 지원 시스템의 자동 코드 생성 모듈에서도 분류 규칙 집합으로 구성된 분류 모델을 C卄 프로그램으로 자동 생성한다. 많은 기존의 연구에서 분류 기법으로 분류 규칙 모델을 사용하고 있기 때문에 우선적으로 분류 규칙 집합 모델을 자동 코딩하는 기능을 구현하고 있으나 향후 다른 분류 모델의 자동 코드 생성기능도추가적으로 개발될 예정이다.
활용할 수 있도록 하였다. 먼저, 타일 단위로 추출한 후보 특징 중에서 학습 데이터를 기준으로 분석하여 분별력이 높은 특징들을 선정하여 적은 개수의 특징으로 정확하게 지형의 유형 및 구조물 인식을 가능하도록 하였다. WEKA의 속성 선택(attribute selection)을 이용하여 분별력이 높은 특징을 선택한 효과에 대해서는 4절에서 기술한다.
본 실험에서는 항공 라이다 데이터를 적정 크기의 타일 단위로 분할하여 지형 분류 모델을 설계하는 효과를 분석하기 위해 전라남도 장성 지역의 항공 라이다 데이터를 5m X5m 타일로 분할한 경우, 10m X 10m 타일로 분할한 경우, 그리고 20mx20m 타일로 분할한 경우에 대한 분류 예측정확도를 비교하여 그림 7과 같은 분석 그래프를 얻었다.
본 연구에서 개발한 지형분류기 제작 지원 시스템의 전체 구조는 그림 1에 표시한 바와 같이 지형분류기 제작지원 기능 부분과 데이터 마이닝 도구 WEKA 기능 부분으로 크게 구분되며 입출력 파일을 매체로 이용하여두 모듈이 연동한다. 이후에서는 지형 분류기 제작 지원해 분별력이 높은 다양한 특집 값들을 사용한 것이 특 시스템의 주요 구성 모듈에 대해서 설명한다.
등, 2007). 본 연구에서도 효율성 및 정확성 증진을 위해서 항공 라이다 데이터를 타일 단위로 분할하여 특징을 추출하고 분류를 실시할 수 있도록 하였다. 사용자가 지형의 특성 및 구조물의 특성을 고려하여 타일의 크기를 정할 수 있도록 지원하고 있다.
본 절에서는 데이터마이닝 도구와 연동된 지형 분류기 제작 지원 시스템을 활용하여 전라남도 장성 지역의 항공 라이다 데이터를 학습 데이터로 이용하여 실제 지형 분류모델을 설계하는 실험을 통하여 타일 크기별 정확성 분석과 특징 정보 선정 전후의 정확성 비교, 그리고 각 데이터마이닝 분류기법의 정확성 예측을 비교 분석한다. 본 연구에서 활용한 항공 라이다 데이터는 2008 년 11월에 ALTM Gemini 167을 이용하여 전라남도 장성을 점밀도 5~6pt/nf으로 촬영하였다.
따라서 대용량의 LAS 파일로부터 항공 영상하나에 해당하는 자료를 추출하여 처리함으로써 대용량 데이터 처리에 대한 부담을 줄일 수 있다. 이를 위해 본 연구에서는 대용량의 LAS 파일을 항공영상 파일에 위치 좌표를 기준으로 정합시키고 항공 영상위에 해당하는 항공 라이다 데 이 터들을 중첩 시켜 디스플레이하는 모듈을개발하였다. 항공영상과 항공 라이다 데이터를 중첩시켜 디 스플레이하기 위해서 LAS 데 이터의 헤더 블록으로부터 축 적(scale factor), 오프셋 등의 위치 정보를 추출하고 이를 이용해 라이다 점 데이터를 가공하여 항공영상의 영역에 정합시켜 디스플레이 한다.
자동 코드생성 모듈에 의해서 생성된 지형 분류기 프로그램을 컴파일 하여 지형 분류기를 제작한다. 이렇게 제작된 지형 분류기를 실제 데이터에 적용하여 타일 단위로 지형의 결과를 실제적으로 확인할 수 있다.
이를 위해 본 연구에서는 대용량의 LAS 파일을 항공영상 파일에 위치 좌표를 기준으로 정합시키고 항공 영상위에 해당하는 항공 라이다 데 이 터들을 중첩 시켜 디스플레이하는 모듈을개발하였다. 항공영상과 항공 라이다 데이터를 중첩시켜 디 스플레이하기 위해서 LAS 데 이터의 헤더 블록으로부터 축 적(scale factor), 오프셋 등의 위치 정보를 추출하고 이를 이용해 라이다 점 데이터를 가공하여 항공영상의 영역에 정합시켜 디스플레이 한다. 그림 2는 항공영상과 항공 라 이다 데이터를 정확하게 중첩 시켜 디스플레이한 화면을 예 시하고 있다.
대상 데이터
본 연구에서 활용한 항공 라이다 데이터는 2008 년 11월에 ALTM Gemini 167을 이용하여 전라남도 장성을 점밀도 5~6pt/nf으로 촬영하였다. 데이터마이닝 분류기법은 WEKA에서 제공하고 있는 대표적인 분류 기법인 베이지안 네트워크(BayesNet), 신경망 기법(multilayer perceptron: MLP), 지 지 벡터 기 계 (support vector machine: SVM), 분류규칙 집합(PART), 그리고 결정트리 C4.
이론/모형
본 연구에서 활용한 항공 라이다 데이터는 2008 년 11월에 ALTM Gemini 167을 이용하여 전라남도 장성을 점밀도 5~6pt/nf으로 촬영하였다. 데이터마이닝 분류기법은 WEKA에서 제공하고 있는 대표적인 분류 기법인 베이지안 네트워크(BayesNet), 신경망 기법(multilayer perceptron: MLP), 지 지 벡터 기 계 (support vector machine: SVM), 분류규칙 집합(PART), 그리고 결정트리 C4.5 기법을 사용하였다. 분류 기법의 정확성 예측은 데이터마이닝 도구 WEKA를 이용하여 10-군집 상호 검증 (10-folds cross validation) 기법을 이용하여 측정하였다.
5 기법을 사용하였다. 분류 기법의 정확성 예측은 데이터마이닝 도구 WEKA를 이용하여 10-군집 상호 검증 (10-folds cross validation) 기법을 이용하여 측정하였다.
성능/효과
개발된 지형 분류기 제작 지원 시스템은 항공 영상과 항공 라이다 데이터 중첩 기능 및 3차원 시각화기능을 제공하여 사용자가 다양한 방법으로 지형의 형태를 확인하여 정확한 학습 데이터 생성이 가능하도록 지원하기 때문에 정확성이 높은 지형 분류기를 쉽게 개발할 수 있다. 또한, 기존의 지형 분류 시스템 개발에서 지형 분류 및 구조물 인식의 정확성과 효율성을 증진하기 위해 채택하고 있는 타일링 기능 및 분별력 높은 특징 정보를 선택할 수 있는 기능을 제공하고 있다.
따라서 대용량의 LAS 파일로부터 항공 영상하나에 해당하는 자료를 추출하여 처리함으로써 대용량 데이터 처리에 대한 부담을 줄일 수 있다. 이를 위해 본 연구에서는 대용량의 LAS 파일을 항공영상 파일에 위치 좌표를 기준으로 정합시키고 항공 영상위에 해당하는 항공 라이다 데 이 터들을 중첩 시켜 디스플레이하는 모듈을개발하였다.
또한, 개발된 지형 분류 제작 지원 시스템에 연동된 WEKA를 이용해서는 분별력이 높은 특징정보 선정 기능, 다양한 분류 기법을 적용한 지형 분류모델 생성 기능, 지형 분류 규칙 집합 생성 기능 등을 활용하여 지형 분류기 제작을 지원할 수 있다. 따라서 항공 라이다 데이터를 이용하여 지형의 유형을 분류하는 지능형 지형 분류기를 개발하고자 하는 사용자는 본연구에서 개발한 지형 분류기 제작 지원 시스템을 활용하여 해당 지형의 특성에 맞고 분류기 개발 목적에 부합하는 지형 분류기를 용이하게 효과적으로 개발할 수 있다.
개발된 지형 분류기 제작 지원 시스템은 사용자가 학습 데이터를 생성하거나 또는 분류 결과의 정확성을 쉽게 판단할 수 있도록 항공 영상 이미지 위에 항공 라이다 데이터를 정확하게중첩시키는 기능, 효율적인 지형 분류를 위해 셀 단위의 처리를 위한 타일링 기능, 특정 지역의 항공 영상과 해당 지역의 항공 라이다 데이터를 3차원으로 시각화하고 다양한 각도에서 회전하여 지역의 지형 특성 및 구조물의 모습을 관찰하기 위한 부분 영역의 3차원 시각화 기능, 타일의 특징 정보를 추출하는 기능과 이를 데이터 마이닝 도구 WEKA의 입력 형식인 ARFF (Attribute-Relation File Format) 파일로 자동 생성하는 기능 그리고 WEKA의 분류 모델 중에 지형 분류에 널리 이용되는 분류 규칙 모델의 규칙 집합을 C++ 프로그램으로 자동 코딩하여 지형 분류기로 변환하는 기능 등이 구현되어 있다. 또한, 개발된 지형 분류 제작 지원 시스템에 연동된 WEKA를 이용해서는 분별력이 높은 특징정보 선정 기능, 다양한 분류 기법을 적용한 지형 분류모델 생성 기능, 지형 분류 규칙 집합 생성 기능 등을 활용하여 지형 분류기 제작을 지원할 수 있다. 따라서 항공 라이다 데이터를 이용하여 지형의 유형을 분류하는 지능형 지형 분류기를 개발하고자 하는 사용자는 본연구에서 개발한 지형 분류기 제작 지원 시스템을 활용하여 해당 지형의 특성에 맞고 분류기 개발 목적에 부합하는 지형 분류기를 용이하게 효과적으로 개발할 수 있다.
Song(2002)은 각 항공 라이다 위치 점의 레이저 반사 값을 격자(grid) 점의 값으로 보간(interpolation) 하여 이를 기준으로 지형의 유형을 아스팔트, 초지, 나무, 건물 지붕의 4개 영역으로 구분하는 연구를 시행하였다. 연구의 결과로 레이저의 반사 정도는 지형의 유형을 구분하는데 유용하게 쓰일 수 있으나 구조물 객체의 특성뿐만 아니라 레이저 종류, 거리, 반사각 등에 따라 반사 측정값이 달라지기 때문에 이를 고려한 정규화 과정과 분류의 정확성 증진을 위한 DSM(digital surface model) 참조 분류 과정이 추가로 필요하다고 하였다. Alharthy(2003)은 도시 영역에서 도로를 자동으로 추출하기 위해 항공 라이다의 레이저 반사 값과 3D 정보를 이용하여 도로를 분류하는 방법을 제안하여 퍼듀 대학이 위치한 미국 인디 아나주의 West Lafayette 도시 지 역에 적용하여 좋은 결과를 얻을 수 있음을 분석 결과로 제시하였다.
전라남도 장성 지역의 항공 라이다 데이터를 10mx 10m 타일로 분할 한 실험 데이터에 대한 특정 선택 전의 지형 분류 정확도 예측 평균 값은 97.53%이며 '특징 선택 후 의 평균 값은 97.85%로 증가하였다. 지형 분류정확도 예측 평균값의 증가가 아주 소량(0.
그리고 데이터마이닝 도구 WEKA를 이용하여 설계한 지형분류 모델 및 분류 기준을 C++ 프로그램 코드로 자동 변환하는 기능을 구현하여 컴퓨터 프로그래밍에 대한 부담 없이 쉽고 빠르게 지형 분류기를 개발할 수 있도록 하였다. 전라남도 장성 지역의 항공 라이다 데이터를 학습 데이터로 사용하여 지형 분류기를 설계한 실험 결과에 의하면 10m X 10m 타일로 분할하고 분별력이 높은 9 개의 특징을 이용하여 평균 97.85%의 분류 정확도를 얻을 수 있는 것으로 예측되었다.
전라남도 장성지역을 대상으로 한 타일 크기별 예측정확도 비교에서 5mx5m 타일에 대한 5개의 데이터마이닝 모델에 대한 분류 정확도 예측 평균 값은 95.29%이며 10mX10m 타일에서는 97.85%, 20mx20m 타일에서는 84.70%로 10mX 10m 타일로 분할한 경우가 가장 높은 예측 정확률을 갖는 것으로 분석되었다. 그러나 이러한 타일 크기별 분류 정확도는 타일 내의 지형의 동질성 정도에 따라 변할 수 있다.
후속연구
따라서 본 연구에서 개발한 지형 분류기 제작 지원 시스템의 자동 코드 생성 모듈에서도 분류 규칙 집합으로 구성된 분류 모델을 C卄 프로그램으로 자동 생성한다. 많은 기존의 연구에서 분류 기법으로 분류 규칙 모델을 사용하고 있기 때문에 우선적으로 분류 규칙 집합 모델을 자동 코딩하는 기능을 구현하고 있으나 향후 다른 분류 모델의 자동 코드 생성기능도추가적으로 개발될 예정이다.
기법을 제안하였다. 이러한 방법은 인접점들의 특성을 함께 고려하여 면으로 발전시킴으로써 라이다 위치 점 데이터가 가질 수 있는 오류에 대한 견고성을 높일 수 있으며 향후 처리에서 항공 라이다 데이터의 모든 위치점 대신에 표면 패치의 특성만을 고려함으로써 효율적 인 처리가 가능한 효과가 있다. Antonarakis(2008) 은 라이다의 레이저 반사 값과 고도 정보를 이용해서 프랑스 Garonne 강과 Allier 강 주변 영역의 숲과 지표의 유형을 구분하여 물, 목초지, 길, 토양, 나무 숲, 빌딩 구조물 등으로 1차로 구분하고 2차적으로는 인공 숲/자연 숲을 구분하며 나무의 연령도 구분하는 규칙 기반의 분류 모텔을 생성하였다.
향후 연구로는 지형 분류를 할 지역의 지형 유형의 동질성 정도에 따라 타일의 크기를 동적으로 조정하여 효율성 및 정확성을 증진할 수 있는 동적 타일링 기법에 대한 연구를 진행하고 있으며 분류 규칙 모델 이외의 다른 데이터마이닝 분류 모델에 대해서도 프로그램 자동코딩 기능을 지원할 수 있도록 기능을 확장할 예정이다.
참고문헌 (13)
서용철, 최윤수, 허민 (2009), 항공 레이저 측량 기초와 응용, 대한측량협회.
이임평 (2006a), 항공 라이다 데이터의 분할: 점에서 패치로, 한국측량학회지, 한국측량학회, 제24권, 제1호, pp. 111-121.
최연웅, 조기성 (2007), Entropy 이론을 이용한 라이다자료 분류기법 연구, 대한토목학회지, 대한토목학회, 제27권2D호, pp. 225-231.
Alharthy, Abdullatif and Bethel, James (2003), Automated Road Extraction from LiDAR Data, Proceedings of the ASPRS Annual Conference, American Society for Photogrammetry and Remote Sensing.
Antonarakis, A., Richards, K. and Brasington, J. (2008), Object-based Land Cover Classification Using Airborne LiDAR, Remote Sensing of Environment, Elesevier, Vol. 112, pp. 2988-2998.
Filin, S. and Pfeifer, N. (2006), Segmentation of Airborne Laser Scanning Data Using a Slope Adaptive Neighborhood, ISPRS Journal of Photogrammetry & Remote Sensing, ELSEVIER, Vol. 60, pp. 71-80.
Hasegawa, H. (2006), Evaluations of LiDAR Reflectance Amplitude Sensitivity towards Land Cover Conditions, Bulletin of the Geographical Survey Institute, Japan Geographical Survey Institute, Vol. 53, pp. 43-50.
IBM SPSS (2010), http://www.spss.com, IBM SPSS.
SAS (2010), http://www.sas.com, SAS.
Song, J., Han, S., Yu, K. and Kim, Y. (2002), Assessing the Possibility of Land-Cover Classification Using LiDAR Intensity Data, Proceedings of Photogrammetric Computer Vision Symposium, Photogrammetric Computer Vision Symposium, pp. 259-263.
Witten, I. H. and Frank, E. (2005), Data Mining: Practical Machine Learning Tools and Technique (2E), Elesevier.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.