자동화된 훈련 자료를 활용한 Landsat-8 OLI 위성영상의 반복적 분광혼합모델 기반 무감독 분류 Unsupervised Classification of Landsat-8 OLI Satellite Imagery Based on Iterative Spectral Mixture Model원문보기
Landsat OLI 위성영상은 다양한 분광정보 밴드를 포함하고 있기 때문에, 토지피복지도 생성, 도심지역의 분석, 식생지수의 추출, 변화탐지모니터링 등과 같은 다양한 원격탐사 분야에 활용할 수 있다. 또한, 토지피복지도는 GIS 및 국토 모니터링에 있어서 필수적인 정보이다. 본 연구에서는 Landsat OLI 위성과 기존의 토지피복지도를 활용하여 토지피복지도를 생성하고자 하였다. 이를 위해, 기존의 토지피복지도와 K-means 기법의 상관관계를 활용하여 훈련자료를 자동으로 생성하였으며, 생성된 훈련자료를 이용하여 각 클래스 별 분광 반사율 값을 추정하였다. 최종적으로, 반복적인 분광혼합분석을 통하여 각 클래스 별 점유 비율 영상과 토지피복지도를 생성하였다. 청주시 일대에 대한 토지피복지도와 Landsat OLI 위성영상을 활용한 실험을 수행하였으며, 감독분류 기법에 대한 결과 및 기존 토지피복지도와의 비교평가를 통하여 본 연구에서 제안된 기법이 수동으로 취득한 훈련자료가 없어도 효과적으로 토지피복지도를 생성할 수 있음을 정량적, 시각적으로 확인하였다.
Landsat OLI 위성영상은 다양한 분광정보 밴드를 포함하고 있기 때문에, 토지피복지도 생성, 도심지역의 분석, 식생지수의 추출, 변화탐지 모니터링 등과 같은 다양한 원격탐사 분야에 활용할 수 있다. 또한, 토지피복지도는 GIS 및 국토 모니터링에 있어서 필수적인 정보이다. 본 연구에서는 Landsat OLI 위성과 기존의 토지피복지도를 활용하여 토지피복지도를 생성하고자 하였다. 이를 위해, 기존의 토지피복지도와 K-means 기법의 상관관계를 활용하여 훈련자료를 자동으로 생성하였으며, 생성된 훈련자료를 이용하여 각 클래스 별 분광 반사율 값을 추정하였다. 최종적으로, 반복적인 분광혼합분석을 통하여 각 클래스 별 점유 비율 영상과 토지피복지도를 생성하였다. 청주시 일대에 대한 토지피복지도와 Landsat OLI 위성영상을 활용한 실험을 수행하였으며, 감독분류 기법에 대한 결과 및 기존 토지피복지도와의 비교평가를 통하여 본 연구에서 제안된 기법이 수동으로 취득한 훈련자료가 없어도 효과적으로 토지피복지도를 생성할 수 있음을 정량적, 시각적으로 확인하였다.
Landsat OLI satellite imagery can be applied to various remote sensing applications, such as generation of land cover map, urban area analysis, extraction of vegetation index and change detection, because it includes various multispectral bands. In addition, land cover map is an important informatio...
Landsat OLI satellite imagery can be applied to various remote sensing applications, such as generation of land cover map, urban area analysis, extraction of vegetation index and change detection, because it includes various multispectral bands. In addition, land cover map is an important information to monitor and analyze land cover using GIS. In this paper, land cover map is generated by using Landsat OLI and existing land cover map. First, training dataset is obtained using correlation between existing land cover map and unsupervised classification result by K-means, automatically. And then, spectral signatures corresponding to each class are determined based on training data. Finally, abundance map and land cover map are generated by using iterative spectral mixture model. The experiment is accomplished by Landsat OLI of Cheongju area. It shows that result by our method can produce land cover map without manual training dataset, compared to existing land cover map and result by supervised classification result by SVM, quantitatively and visually.
Landsat OLI satellite imagery can be applied to various remote sensing applications, such as generation of land cover map, urban area analysis, extraction of vegetation index and change detection, because it includes various multispectral bands. In addition, land cover map is an important information to monitor and analyze land cover using GIS. In this paper, land cover map is generated by using Landsat OLI and existing land cover map. First, training dataset is obtained using correlation between existing land cover map and unsupervised classification result by K-means, automatically. And then, spectral signatures corresponding to each class are determined based on training data. Finally, abundance map and land cover map are generated by using iterative spectral mixture model. The experiment is accomplished by Landsat OLI of Cheongju area. It shows that result by our method can produce land cover map without manual training dataset, compared to existing land cover map and result by supervised classification result by SVM, quantitatively and visually.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
Landsat OLI 센서는 최근에 발사되었기 때문에 해당 영상을 이용하여 토지피복지도를 생성한 사례들이 다양하게 존재하지 않으며, 기존의 토지피복지도를 활용하여 자동으로 훈련지역을 추출하는 일부 연구들의 경우에는 부가자료가 필요한 문제점을 지닌다. 따라서, 본 연구에서는 기구축된 토지피복지도를 활용하여 각 클래스 별 대표 분광 특성을 고려하여 훈련자료를 자동으로 생성하고, 해당 자료를 바탕으로 하여 분류 영상을 자동으로 생성하고자 하였다. 영상의 분류를 위해서는 분광혼합모델(spectral mixture model)을 활용하였으며, 생성된 분류결과는 기존의 토지피복지도와 감독분류를 통하여 생성된 분류결과와의 비교평가를 통하여 효율성을 검증하고자 하였다.
본 연구에서는 기존의 토지피복지도를 통하여 생성된 훈련자료를 이용하여 Landsat OLI 영상의 분류를 수행하고자 하였다. K-means와 클래스 별 상관관계를 통한 훈련자료를 생성하였으며, 반복적 분광혼합분석을 활용하여 토지피복지도를 구축할 수 있었다.
또한, 해당 훈련자료들은 정규분포를 가지고 있지 않기 때문에, 통계적 기법을 기반으로 하는 분류자들을 사용하기 어렵다. 본 연구에서는 반복적 분광혼합모델을 통하여 지역 내의 해당 클래스 별 점유비율 영상(abundance map)을 구축하고, 이를 활용하여 영상 분류를 수행하고자 하였다. 분광혼합모델은 화소 이하(sub-pixel) 단위의 분석을 위하여 사용되는 대표적인 원격탐사 분야의 알고리즘으로, 영상 내 화소들이 영상 내의 고유물질(endmember)들의 선형조합으로 이루어져있으며, 각 고유물질 별 점유비율로 화소를 표현할 수 있다고 가정한다(Park et al.
먼저, DEM을 활용하여 대기보정이 적용된 Landsat 자료와 토지피복도를 활용하여 자동으로 훈련 자료를 추출하였다. 이를 기반으로 분광혼합분석 기법을 반복적으로 적용하여 훈련자료를 갱신함으로써 최적의 토지피복도를 제작하고자 하였다.
가설 설정
따라서, 본 연구에서는 반복적 분광혼합 모델을 통하여 최적의 토지피복지도를 생성하였다. 분광혼합모델을 반복적으로 적용하기 위해서, 분광혼합 모델에 의하여 생성된 점유비율 영상에 의한 토지피복지도를 지난 단계의 과정에서 생성된 토지피복지도(첫번째 반복과정에서는 기존의 토지피복지도를 의미함)와 비교하였으며, 동일한 토지피복을 가지는 지역들을 해당 클래스의 훈련지역으로 다시 가정하였다. 이를 통해, 해당 화소들의 평균 화소값을 endmember로 다시 계산하고 식(3)을 재적용하여 새로운 토지피복지도를 생성하였다.
제안 방법
본 연구에서는 기존의 토지피복지도를 통하여 생성된 훈련자료를 이용하여 Landsat OLI 영상의 분류를 수행하고자 하였다. K-means와 클래스 별 상관관계를 통한 훈련자료를 생성하였으며, 반복적 분광혼합분석을 활용하여 토지피복지도를 구축할 수 있었다. 본 방법론을 통하여 생성된 토지피복지도는 기존의 감독분류를 통하여 생성된 토지피복지도의 전체정확도 (84.
끝으로, Fig. 6∼7을 이용하여 토지피복지도의 생성결과를 정성적으로 비교하고자 하였다.
4의 훈련자료의 평균 반사율 값을 활용하여 endmember를 추출할 경우에는 훈련자료 생성 과정에서 발생하는 오차로 인하여 최적의 endmember가 생성될 수 없는 문제를 지닌다. 따라서, 본 연구에서는 반복적 분광혼합 모델을 통하여 최적의 토지피복지도를 생성하였다. 분광혼합모델을 반복적으로 적용하기 위해서, 분광혼합 모델에 의하여 생성된 점유비율 영상에 의한 토지피복지도를 지난 단계의 과정에서 생성된 토지피복지도(첫번째 반복과정에서는 기존의 토지피복지도를 의미함)와 비교하였으며, 동일한 토지피복을 가지는 지역들을 해당 클래스의 훈련지역으로 다시 가정하였다.
2와 같다. 먼저, DEM을 활용하여 대기보정이 적용된 Landsat 자료와 토지피복도를 활용하여 자동으로 훈련 자료를 추출하였다. 이를 기반으로 분광혼합분석 기법을 반복적으로 적용하여 훈련자료를 갱신함으로써 최적의 토지피복도를 제작하고자 하였다.
, 2010). 무감독 분류를 통하여 생성된 클래스가 토지피복도 내 2개 이상의 클래스를 포함할 수 있기 때문에, 토지피복지도 내의 클래스의 2배 이상의 K-means 클래스를 생성하고자 하였으며, 본 연구에서는 14개의 클래스가 생성되도록 K-means의 변수를 조절하였다. 한편, 기존의 토지피복지도를 활용할 경우에는 토지피복지도와 위성영상 간의 생성 시기 내에 변화된 지역이 존재하여 훈련자료에 오차가 발생할 수 있다.
본 연구에서는 기존의 토지피복지도를 활용하여 훈련자료를 자동으로 생성하기 위하여, 무감독 분류에서 추출된 각 클래스들을 토지피복지도에 매칭(matching) 하는 방법을 사용하였다. 이를 위하여, Landsat OLI 영상에 대표적 무감독 분류 기법인 K-means 알고리즘을 적용하였다(Kim et al.
본 연구에서는 분광혼합모델을 적용하기 위하여, 3.2에서 추출된 훈련자료의 각 클래스별 평균 분광 반사율 값을 각 클래스의 초기 endmember로 가정하여 식 (5) 의 분광혼합모델을 적용하였으며, 이에 따른 점유 비율 영상을 생성하였다. Fig.
본 연구의 흐름은 위성영상의 대기보정을 위한 전처리 과정, 초기 훈련자료의 구축, 분광혼합모델을 이용한 영상 분류 기법으로 구분되며, 전체적인 연구 흐름도는 Fig. 2와 같다. 먼저, DEM을 활용하여 대기보정이 적용된 Landsat 자료와 토지피복도를 활용하여 자동으로 훈련 자료를 추출하였다.
따라서, 본 연구에서는 기구축된 토지피복지도를 활용하여 각 클래스 별 대표 분광 특성을 고려하여 훈련자료를 자동으로 생성하고, 해당 자료를 바탕으로 하여 분류 영상을 자동으로 생성하고자 하였다. 영상의 분류를 위해서는 분광혼합모델(spectral mixture model)을 활용하였으며, 생성된 분류결과는 기존의 토지피복지도와 감독분류를 통하여 생성된 분류결과와의 비교평가를 통하여 효율성을 검증하고자 하였다.
한편, 기존의 토지피복지도를 활용할 경우에는 토지피복지도와 위성영상 간의 생성 시기 내에 변화된 지역이 존재하여 훈련자료에 오차가 발생할 수 있다. 이를 해결하기 위하여, 토지피복지도와 가장 상관도가 높은 K-means 클래스를 추출하였다. 상관도는 피어슨 상관계수(Pearson correlation coefficient)를 사용하였으며, 각 토지피복지도 클래스가 명명된 K-means 클래스 내의 화소들을 기존의 토지피복지도와 비교하여 동일한 클래스를 지니는 화소들만 초기 훈련자료로 할당하였다.
1(b)). 일반적인 대분류 토지피복지도의 경우, 도심지, 농지, 산지, 초지, 습지, 나지, 수역의 총 7개 클래스로 구성되어 있으나, 청주시 지역의 경우 습지에 해당하는 지역이 화소 이상의 단위로 대분류 토지피복지도에 존재하지 않기 때문에 본 연구에서는 습지를 제외한 총 6개의 지역을 대상으로 하여 토지피복지도를 생성하였다. 한편, Landsat OLI의 대기보정(atmospheric correction)을 위하여 부가적으로 해당 지역의 DEM(Digital Elevation Model)을 수치지형도를 통하여 구축하였다(Fig.
한편, 본 연구에서 생성된 토지피복지도의 정확도 및 효율성을 평가하기 위하여 수동으로 취득한 영상 내의 훈련자료를 통한 오차분석을 수행하였다. 정량적인 비교평가를 위하여 대표적인 감독분류 기법인 SVM을 적용하여 생성된 결과와의 비교평가도 수행하였으며, Table 2와 3은 각각 SVM에 의한 감독분류와 본 연구에서 생성된 토지피복지도의 오차행렬이다. 감독분류에 의한 전체 정확도(overall accuracy)는 84.
하지만, 대기 상층의 반사율은 산란 및 흡수 등의 대기에 의한 영향이 반영되지 않기 때문에, 본 연구에서는 ATCOR(ATmospheric CORrection) 모듈을 활용하여 Landsat OLI 위성영상의 대기보정을 수행하였다(Richter and Schläpfer, 2012).
일반적인 대분류 토지피복지도의 경우, 도심지, 농지, 산지, 초지, 습지, 나지, 수역의 총 7개 클래스로 구성되어 있으나, 청주시 지역의 경우 습지에 해당하는 지역이 화소 이상의 단위로 대분류 토지피복지도에 존재하지 않기 때문에 본 연구에서는 습지를 제외한 총 6개의 지역을 대상으로 하여 토지피복지도를 생성하였다. 한편, Landsat OLI의 대기보정(atmospheric correction)을 위하여 부가적으로 해당 지역의 DEM(Digital Elevation Model)을 수치지형도를 통하여 구축하였다(Fig. 1(c)).
5(c)〜(h)에서 확인할 수 있는 것과 같이, 기존의 토지피복지도에서 훈련자료를 추출하여 적용하였지만, Landsat OLI 영상과 비교하여 기존의 토지피복지도에서 가지고 있는 오차 및 변화들이 반복적 분광혼합모델의 결과에서 제거되어 각 클래스 별 피복 내의 점유 비율이 효과적으로 생성된 것을 확인할 수 있다. 한편, 본 연구에서 생성된 토지피복지도의 정확도 및 효율성을 평가하기 위하여 수동으로 취득한 영상 내의 훈련자료를 통한 오차분석을 수행하였다. 정량적인 비교평가를 위하여 대표적인 감독분류 기법인 SVM을 적용하여 생성된 결과와의 비교평가도 수행하였으며, Table 2와 3은 각각 SVM에 의한 감독분류와 본 연구에서 생성된 토지피복지도의 오차행렬이다.
이를 통해, 해당 화소들의 평균 화소값을 endmember로 다시 계산하고 식(3)을 재적용하여 새로운 토지피복지도를 생성하였다. 해당 과정은 새롭게 생성된 토지피복지도와 지난 단계에서 생성된 토지피복지도의 변화율이 1%이내가 될 때가지 반복하여 수행하였다. 이는 반복적인 연산에 의한 토지피복지도의 변화율이 크지 않을 때, 최적의 endmember가 추출되었다고 판단할 수 있기 때문이다.
대상 데이터
대상지역은 대분류 토지피복지도를 기준으로 하여 좌표등록이 이루어졌으며, 2도엽내에 포함하는 지역을 기준으로 1400× 800 화소의 크기를 지니는 영상으로 구성하였다.
그러나, 분광혼합분석을 수행하거나, 훈련자료를 효과적으로 추출하기 위해서는 충분한 수의 추가 밴드가 필요하다. 따라서, 본 연구에서는 토지피복의 6개 클래스 중, 수계 및 식생지역을 효과적으로 표현할 수 있는 4개의 밴드를 자료에 추가하였다. 대표적인 식생지수 및 수계지수인 NDVI, 수계지수는 NDWI(Normalized Difference Water Index)와 함께 TCT(Tasselled Cap Transformation)을 통한 Greenness 및 Wetness를 적용하였으며, 이는 식 (1)〜(4)와 같다(Jiang et al.
본 연구에서 제시한 영상 분류 기법을 적용하기 위하여 2013년 10월 27일에 촬영된 충청북도 청주시 지역의 영상을 사용하였으며, 동일지역에 대하여 2012년에 생성된 환경부 대분류 토지피복지도 2도엽을 보조자료로 활용하였다(Fig. 1(a) and Fig.
본 연구에서는 서론에서 언급한 바와 같이 NASA에서 발사한 Landsat OLI 센서를 통하여 취득한 위성영상을 활용하였다. 푸쉬브롬(pushbroom) 센서인 Landsat OLI 위성센서는 흑백영상을 제외하면 총 8개의 멀티스펙트럴(multispectral) 밴드를 제공한다.
데이터처리
이를 해결하기 위하여, 토지피복지도와 가장 상관도가 높은 K-means 클래스를 추출하였다. 상관도는 피어슨 상관계수(Pearson correlation coefficient)를 사용하였으며, 각 토지피복지도 클래스가 명명된 K-means 클래스 내의 화소들을 기존의 토지피복지도와 비교하여 동일한 클래스를 지니는 화소들만 초기 훈련자료로 할당하였다. 따라서, 해당 지역내에서 토지피복지도와 위성영상의 분광특성이 다른 지역 및 변화지역들은 훈련자료로 결정되지 않도록 조정하였다.
이론/모형
따라서, 본 연구에서는 토지피복의 6개 클래스 중, 수계 및 식생지역을 효과적으로 표현할 수 있는 4개의 밴드를 자료에 추가하였다. 대표적인 식생지수 및 수계지수인 NDVI, 수계지수는 NDWI(Normalized Difference Water Index)와 함께 TCT(Tasselled Cap Transformation)을 통한 Greenness 및 Wetness를 적용하였으며, 이는 식 (1)〜(4)와 같다(Jiang et al., 2014; Baig et al., 2014).
본 연구에서는 기존의 토지피복지도를 활용하여 훈련자료를 자동으로 생성하기 위하여, 무감독 분류에서 추출된 각 클래스들을 토지피복지도에 매칭(matching) 하는 방법을 사용하였다. 이를 위하여, Landsat OLI 영상에 대표적 무감독 분류 기법인 K-means 알고리즘을 적용하였다(Kim et al., 2010). 무감독 분류를 통하여 생성된 클래스가 토지피복도 내 2개 이상의 클래스를 포함할 수 있기 때문에, 토지피복지도 내의 클래스의 2배 이상의 K-means 클래스를 생성하고자 하였으며, 본 연구에서는 14개의 클래스가 생성되도록 K-means의 변수를 조절하였다.
성능/효과
Fig. 5(c)〜(h)에서 확인할 수 있는 것과 같이, 기존의 토지피복지도에서 훈련자료를 추출하여 적용하였지만, Landsat OLI 영상과 비교하여 기존의 토지피복지도에서 가지고 있는 오차 및 변화들이 반복적 분광혼합모델의 결과에서 제거되어 각 클래스 별 피복 내의 점유 비율이 효과적으로 생성된 것을 확인할 수 있다. 한편, 본 연구에서 생성된 토지피복지도의 정확도 및 효율성을 평가하기 위하여 수동으로 취득한 영상 내의 훈련자료를 통한 오차분석을 수행하였다.
정량적인 비교평가를 위하여 대표적인 감독분류 기법인 SVM을 적용하여 생성된 결과와의 비교평가도 수행하였으며, Table 2와 3은 각각 SVM에 의한 감독분류와 본 연구에서 생성된 토지피복지도의 오차행렬이다. 감독분류에 의한 전체 정확도(overall accuracy)는 84.28%, 카파계수(Kappa coefficient)는 0.80로 나타났으며, SVM을 이용한 감독분류는 각각 84.33%, 0.79의 전체 정확도와 카파 계수 값을 보였다. 이를 통해, 본 과제에서 제안한 기법은 토지피복지도를 사용하여 효과적으로 훈련자료를 자동으로 추출할 수 있음을 확인하였다.
7(b))하고 있는 반면에, 감독 분류 기법과 제안기법의 결과는 영상과 유사한 형태의 농경지를 효과적으로 추출한 것을 볼 수 있다. 공사지역인 일부 나지의 경우에는 감독분류의 결과는 모두 도심지역으로 오분류하고 있는 반면에, 토지피복지도는 일부나대지들을 효과적으로 도식화하고 있었다(Fig. 7(c)∼7(d)).
K-means와 클래스 별 상관관계를 통한 훈련자료를 생성하였으며, 반복적 분광혼합분석을 활용하여 토지피복지도를 구축할 수 있었다. 본 방법론을 통하여 생성된 토지피복지도는 기존의 감독분류를 통하여 생성된 토지피복지도의 전체정확도 (84.33%) 및 카파계수(0.79)와 비교하여 유사한 전체 정확도(84.28%)과 0.80의 카파계수를 보였으며, 시각적인 분석을 통해서도 기존의 감독분류와 유사한 토지피복지도를 생성할 수 있으며, 도심지역의 과대오차등을 효과적으로 제거할 수 있었다. 이를 통해, 기존의 토지피복지도를 활용하여 훈련자료를 자동으로 생성하고, 분광혼합 모델을 통한 감독분류 기법에 효율적으로 적용할 수 있음을 정량적, 시각적으로 증명하였다.
이는 멀티스펙트럴 영상에서 수계지역과 그림자는 유사한 분광특성을 보이기 때문에, 도심지에서 발생하는 일부 그림자에 대한 영향들이 수계지역의 점유 비율로 표시되는 것으로 볼 수 있으며, 해당 지역들은 일반적인 수계지역의 점유비율(약 0.7∼1)과 비교하여 상대적으로 낮은 점유비율을 가지고 있는 것으로 확인하였다.
80의 카파계수를 보였으며, 시각적인 분석을 통해서도 기존의 감독분류와 유사한 토지피복지도를 생성할 수 있으며, 도심지역의 과대오차등을 효과적으로 제거할 수 있었다. 이를 통해, 기존의 토지피복지도를 활용하여 훈련자료를 자동으로 생성하고, 분광혼합 모델을 통한 감독분류 기법에 효율적으로 적용할 수 있음을 정량적, 시각적으로 증명하였다. 한편, 제안된 기법의 경우에도 나지로 표현되어 나지와 농경지 클래스에서 일부 오차가 발생하는 것을 확인할 수 있었는데, 해당 부분은 추가적으로 영상의 텍스쳐(texture) 정보 혹은 객체 기반의 분석을 활용하여 개선해야 할 것으로 판단된다.
79의 전체 정확도와 카파 계수 값을 보였다. 이를 통해, 본 과제에서 제안한 기법은 토지피복지도를 사용하여 효과적으로 훈련자료를 자동으로 추출할 수 있음을 확인하였다. 클래스에 대한 사용자 정확도와 생산자 정확도를 비교하여 보면, 수계, 농지, 산림지역의 경우에는 전반적으로 유사한 정확도를 보인다 (Table 2, 3).
7(c)∼7(d)). 한편, 농경지 주변 지역들을 분포가 도심지역으로 과대추정하고 있는 감독분류기법과 비교하여 농경지 지역을 효과적으로 표현하고 있는 것도 시각적으로 확인할 수 있었다(Fig. 7(c)〜7(d)).
62%)에 비하여 높게 되는 원인으로 판단된다. 한편, 제안 방법에 의한 결과에서 나지 지역에 대하여 상대적으로 낮은 사용자 정확도(55.09%)를 보이는 것은 감독분류 결과와 유사하게 일부 비닐하우스를 나지로 오분류하고, 나지와 건물이 혼재되어 있는 일부 도심지 지역을 나지로 과대추정하기 때문으로 판단된다. 제안기법에서 일부 초지 지역들이 농지지역으로 오분류되는 지역들은 훈련자료의 자동화과정에서 발생하는 오차로 판단된다.
후속연구
이를 통해, 기존의 토지피복지도를 활용하여 훈련자료를 자동으로 생성하고, 분광혼합 모델을 통한 감독분류 기법에 효율적으로 적용할 수 있음을 정량적, 시각적으로 증명하였다. 한편, 제안된 기법의 경우에도 나지로 표현되어 나지와 농경지 클래스에서 일부 오차가 발생하는 것을 확인할 수 있었는데, 해당 부분은 추가적으로 영상의 텍스쳐(texture) 정보 혹은 객체 기반의 분석을 활용하여 개선해야 할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
Landsat OLI 위성영상은 어느 분야에 활용될 수 있는가?
Landsat OLI 위성영상은 다양한 분광정보 밴드를 포함하고 있기 때문에, 토지피복지도 생성, 도심지역의 분석, 식생지수의 추출, 변화탐지 모니터링 등과 같은 다양한 원격탐사 분야에 활용할 수 있다. 또한, 토지피복지도는 GIS 및 국토 모니터링에 있어서 필수적인 정보이다.
토지피복지도 정보가 필수적인 분야는?
Landsat OLI 위성영상은 다양한 분광정보 밴드를 포함하고 있기 때문에, 토지피복지도 생성, 도심지역의 분석, 식생지수의 추출, 변화탐지 모니터링 등과 같은 다양한 원격탐사 분야에 활용할 수 있다. 또한, 토지피복지도는 GIS 및 국토 모니터링에 있어서 필수적인 정보이다. 본 연구에서는 Landsat OLI 위성과 기존의 토지피복지도를 활용하여 토지피복지도를 생성하고자 하였다.
토지피복의 6개 클래스 중, 수계 및 식생지역을 효과적으로 표현할 수 있는 지수는?
따라서, 본 연구에서는 토지피복의 6개 클래스 중, 수계 및 식생지역을 효과적으로 표현할 수 있는 4개의 밴드를 자료에 추가 하였다. 대표적인 식생지수 및 수계지수인 NDVI, 수계지수는 NDWI(Normalized Difference Water Index)와 함께 TCT(Tasselled Cap Transformation)을 통한 Greenness 및 Wetness를 적용하였으며, 이는 식 (1)〜 (4)와 같다(Jiang et al., 2014; Baig et al.
참고문헌 (18)
Baig M. H. A., Zhang, L., Shuai T. and Tong, Q., 2014, Derivation of a tasselled cap transformation based on landsat 8 at satellite reflectance, Remote Sensing Letters, Vol. 5, No. 5, pp. 423-431.
Bhatti, S. S. and Tripathi, B. K., 2014, Built-up area extraction using Landsat 8 OLI imagery, GIScience & Remote Sensing, Vol. 51, No. 4, pp. 445-467.
Chang, C. I. and Heinz, D. C., 2000, Constrained subpixel target detection for remotely sensed imagery, IEEE Transactions on Geoscience and Remote Sensing, Vol. 38, No. 3, pp. 1144-1159.
Chi, J., 2013, Validation of the radiometric characteristics of landsat 8(LDCM) OLI sensor using band aggregation technique of EO-1 hyperion hyperspectral imagery, Korean Journal of Remote Sensing, Vol. 29, No. 4, pp. 399-406.
Choi, S., Lee, S. and Wang, B., 2014, Analysis of vegetation cover fraction on landsat OLI using NDVI, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 32, No. 1, pp. 9-17.
Ding, Y., Zhao, K., Zheng, X. and Jiang, T., 2014, Temporal dynamics of spatial heterogeneity over cropland quantified by time-series NDVI, near infrared and red reflectance of Landsat 8 OLI imagery, International Journal of Applied Earth Observation and Geoinformation, Vol. 30, pp. 139-145.
El-Askary, H., El-Mawla, S. H. Abd., Li, J., El-Hattab, M. M. and El-Raey, M., 2014, Change detection of coral reef habitat using landsat-5 TM, Landsat 7 ETM+ and Landsat 8 OLI data in the Red Sea (Hurghada, Egypt), International Journal of Remote Sensing, Vol. 35, No. 6, pp. 2327-2346.
Erdenechimeg, M., Choi, B., Na, Y. and Kim, T., 2010, Detection of land cover change using landsat image data in desert area, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 28, No. 4, pp. 471-476.
Jawak, S. D. and Luis, A. J. 2013, Very high-resolution satellite data for improved land cover extraction of larsemann hills, Eastern Antarctica, Journal of Applied Remote Sensing, Vol. 7, No. 1, pp. 1-28.
Jia, K., Wei, X., Gu, X., Yao, Y., Xie, X. and Li, B., 2014, Land cover classification using landsat 8 operational land imager data in beijing, China, Geocarto International, Vol. 29, No. 8, pp. 941-951.
Jiang, D., Huang, Y., Zhuang, D., Zhu, Y, Xu, X. and Ren, H., 2012, A simple semi-automatic approach for land cover classification from multispectral remote sensing imagery, PLOS ONE, Vol. 7, No. 9, pp. 1-10.
Jiang, H., Feng, M., Zhu, Y., Lu, N., Huang, J. and Xiao, T, 2014, An automated method for extracting rivers and lakes from landsat imagery, Remote Sensing, Vol. 6, No. 6, pp. 5067-5089.
Kim, B., Kim, Y., Han, Y., Choi, W. and Kim, Y., 2014, Fully automated generation of cloud-free imagery using landsat-8, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 32, No. 2, pp. 133-142.
Kim, H. and Yeom, J., 2012, Effect of the urban land cover types on the surface temperature: case study of ilsan new city, Korean Journal of Remote Sensing, Vol. 28, No. 2, pp. 203-214.
Kim, Y., Kim, Y., Park, W. and Eo, Y., 2010, Automated training from landsat image for classification of SPOT-5 and quickbird images, Korean Journal of Remote Sensing, Vol. 26, No.3, pp. 317-324.
Park, H., Choi, J. and Choi, S. 2014, Impervious surface mapping of cheongju by using rapideye satellite imagery, Journal of the Korean Society for Geospatial Information System, Vol. 22, No. 1, pp. 71-79.
Richter, R. and Schlapfer, D., 2012, Atmospheric/topographic correction for satellite imagery; ATCOR-2/3 user guide version, ReSe Applications Schlapfer, Wil, Switzerland.
Sanchez, S., Paz, A. and Plaza, A., 2011, A. real-time spectral unmixing using iterative error analysis on commodity graphics processing units. In proceedings, IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2011), Vancouver, BC, July, pp. 1767-1770.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.