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
- 76으로 나타났다. 본 연구 결과는 현지 조사가 어려운 북한지역을 대상으로 하였기에 정확도 검증에 있어서 한계가 발생하지만 보다 신뢰적인 피복분류를 위하여 식생 및 경사도, 표고 등의 다양한 요소를 고려하고, 논벼 재배지역의 시계열 식생지수 변화 특징을 적용하여 반자동화적인 논벼 추출 기법을 개발하였다는 점에서 본 연구의 의의가 있다.
- 본 연구에서는 RapidEye 위성영상의 시계열 NDVI와 객체기반 분류 기법을 이용하여 북한의 황해남도 재령군의 논벼 재배 지역을 추출하고 정확도를 평가하고자 하였다. 먼저 각 시기별 위성영상의 객체를 생성하고 다음으로 생성된 객체의 시계열 NDVI의 특징을 적용하여 논벼 재배지역 및 수계, 산림 지역에 대한 사전분류를 실시하였다.
- , 2007). 이에 따라 경사도 7도 이상, 평균 표고 150 m 이상인 지역에서 논으로 분류된 곳은 불확실성을 내포하는 논으로 구분하여 토지피복분류 결과에 적용하고자 하였다.
- 이에 따라 본 연구에서는 향후 지속적으로 제공되는 고해상도 위성영상을 활용하여 북한의 논벼 재배지역을 정확하게 추출하기 위하여 시계열 식생지수의 변화와 객체기반의 위성영상 분류 기법, 논벼 재배지역의 지형학적 제한요소를 종합적으로 고려한 토지피복분류 기법을 개발하고자 하였다.
- 현재 국가적으로 통일 대비 차원의 북한에 대한 연구 중요도 높아지고 있으며, 북한 관련 연구는 대부분 위성영상을 활용할 수 밖에 없는 실정이다. 특히 북한의 생산량 추정을 위해서는 보다 정확한 논벼 재배 지역 추출이 필요하기 때문에 본 연구에서는 고해상도 위성영상에 적합한 논벼 재배 지역 추출 기법을 연구하고, 이를 북한의 곡창지대에 적용하고자 하였다.
제안 방법
- NDVI의 시기별 분포 범위를 바탕으로 논벼 및 수계, 산림 지역에 대한 사전분류 범위를 설정하였다. 기준지역의 90 % 이상을 포함할 수 있는 시기별 NDVI 범위를 설정하였고, Fig.
- 각각의 토지피복의 시기별 NDVI 분포 변화를 적용하여 논벼 및 수계, 산림 지역의 사전분류를 실행하였다. 먼저 육안으로 논, 수계, 산림으로 확인되는 기준지역을 선정하고, 시계열 NDVI를 산정하여 분포범위를 분석하였다.
- 객체 분할된 영상의 분광정보를 이용하여 무감독 토지피복분류를 수행하였다. 먼저 시계열 NDVI를 이용한 사전분류 지역을 제거한 후 나머지 객체들을 대상으로 K-means 군집분석에 따라 200개의 class로 분류하였다.
- 11에서 보면 마을 주변의 논과 인접한 마을 숲의 경우 논으로 분류되는 오류가 발생하였고 지형학적 요인을 고려함에 따라 부적합 논 지역으로 구분되었다. 그러나 부적합 논 지역이 계단식 논 등의 지역일 수 있기 때문에 논벼 재배 부적합 지역을 추가적으로 구분하여 전체 토지피복 결과에 반영하였다.
- 또한 영상의 객체분할 시 입력밴드는 Red, Blue, Green, NIR 밴드와 각 시기별 NDVI를 이용하였다. 다음으로 객체 생성결과를 활용하여 객체기반 무감독 분류를 수행하였다. 무감독 분류에서는 일반적으로 K-Means의 계산 알고리즘이 많이 사용되고 있다.
- 먼저 각 시기별 위성영상의 객체를 생성하고 다음으로 생성된 객체의 시계열 NDVI의 특징을 적용하여 논벼 재배지역 및 수계, 산림 지역에 대한 사전분류를 실시하였다. 다음으로 사전분류 대상외의 객체 들을 무감독 분류하고, 지형학적인 제한요소를 적용하여 재령군의 토지피복지도를 구축하였다. 본 연구의 흐름은 Fig.
- 먼저 시계열 NDVI를 이용한 사전분류 지역을 제거한 후 나머지 객체들을 대상으로 K-means 군집분석에 따라 200개의 class로 분류하였다. 다음으로 육안판독을 통하여 200개의 class를 논, 밭, 시가지 및 나지, 산림 및 초지, 수계지역, 기타로 구분하였다. 국내의 토지피복지도의 분류체계는 대분류, 중분류, 소분류의 3단계 피복분류체계로 설정되어 있고, 이중 대분류는 총 7개의 항목인 농업지역, 산림지역, 초지, 시가화 건조지역, 습지, 나지, 수역로 구분된다.
- 먼저 DEM 자료를 활용하여 표고 150 m 이상 또는 경사도 7도 이상인 지역과 그 외의 지역을 0과 1로 구분한 지형학적 제한요건 지도를 구축 하였다. 다음으로 지형학적 제한요건 지도와 앞서 수행된 객체기반 피복분류 결과를 중첩하여 최종적으로 논벼 재배지역으로 구분된 지역 중 지형학적 부적합 지역을 추출하였다 (Fig. 10).
- 고해상도 위성영상의 정확한 분류를 위하여 현재 주로 활용되는 객체 기반의 분류방법을 적용하였다. 또한 논벼 재배지역의 식생 변화 특징을 고려하여 시계열 식생지수 변화에 따라 논벼 재배지역을 사전 추출하였다. 다음으로 논벼 재배지역의 지형학적인 제한요소를 설정하여 추출된 논벼 재배지역 중에서 부적합한 지역을 제외하였다.
- , 2012). 또한 영상의 객체분할 시 입력밴드는 Red, Blue, Green, NIR 밴드와 각 시기별 NDVI를 이용하였다. 다음으로 객체 생성결과를 활용하여 객체기반 무감독 분류를 수행하였다.
- 본 연구에서는 선행 연구를 참조하여 논벼 재배에 부적합한 지형 기준을 설정하고, 객체기반의 논벼 재배 지역 분류 결과 중 부적합 지역을 추출하였다. 먼저 DEM 자료를 활용하여 표고 150 m 이상 또는 경사도 7도 이상인 지역과 그 외의 지역을 0과 1로 구분한 지형학적 제한요건 지도를 구축 하였다. 다음으로 지형학적 제한요건 지도와 앞서 수행된 객체기반 피복분류 결과를 중첩하여 최종적으로 논벼 재배지역으로 구분된 지역 중 지형학적 부적합 지역을 추출하였다 (Fig.
- 본 연구에서는 RapidEye 위성영상의 시계열 NDVI와 객체기반 분류 기법을 이용하여 북한의 황해남도 재령군의 논벼 재배 지역을 추출하고 정확도를 평가하고자 하였다. 먼저 각 시기별 위성영상의 객체를 생성하고 다음으로 생성된 객체의 시계열 NDVI의 특징을 적용하여 논벼 재배지역 및 수계, 산림 지역에 대한 사전분류를 실시하였다. 다음으로 사전분류 대상외의 객체 들을 무감독 분류하고, 지형학적인 제한요소를 적용하여 재령군의 토지피복지도를 구축하였다.
- 객체 분할된 영상의 분광정보를 이용하여 무감독 토지피복분류를 수행하였다. 먼저 시계열 NDVI를 이용한 사전분류 지역을 제거한 후 나머지 객체들을 대상으로 K-means 군집분석에 따라 200개의 class로 분류하였다. 다음으로 육안판독을 통하여 200개의 class를 논, 밭, 시가지 및 나지, 산림 및 초지, 수계지역, 기타로 구분하였다.
- 각각의 토지피복의 시기별 NDVI 분포 변화를 적용하여 논벼 및 수계, 산림 지역의 사전분류를 실행하였다. 먼저 육안으로 논, 수계, 산림으로 확인되는 기준지역을 선정하고, 시계열 NDVI를 산정하여 분포범위를 분석하였다. 논벼 재배지역의 경우 나지 및 담수 상태인 4, 6월에는 NDVI 값이 음수를 나타내고, 논벼의 생장이 이루어진 9월에는 NDVI 값이 양수를 나타내었다.
- 국내의 토지피복지도의 분류체계는 대분류, 중분류, 소분류의 3단계 피복분류체계로 설정되어 있고, 이중 대분류는 총 7개의 항목인 농업지역, 산림지역, 초지, 시가화 건조지역, 습지, 나지, 수역로 구분된다. 본 연구는 농업지역에 초점을 맞추었기 때문에 대분류 항목인 농업지역을 논과 밭으로 세분화하고, 시가화 건조지역과 나지, 산림지역과 초지, 수계지역와 습지를 각각 하나의 피복으로 통합하고, 기타지역을 추가하여 총 6개 항목에 대한 토지피복분류를 수행하였다.
- 본 연구에서 활용한 RapidEye 위성영상 역시 고해상도에 속하기 때문에 객체단위의 논벼 재배지역 분류를 수행하였다. 먼저 eCognition 8.
- 본 연구에서는 고해상도 위성영상을 활용하여 북한 재령지역의 논벼 재배지역 추출 및 토지피복분류를 수행하였다. 고해상도 위성영상의 정확한 분류를 위하여 현재 주로 활용되는 객체 기반의 분류방법을 적용하였다.
- 논벼 재배지역의 경우 표고 및 경사 등의 지형학적 요인에 의해 재배에 제한을 받게 된다. 본 연구에서는 선행 연구를 참조하여 논벼 재배에 부적합한 지형 기준을 설정하고, 객체기반의 논벼 재배 지역 분류 결과 중 부적합 지역을 추출하였다. 먼저 DEM 자료를 활용하여 표고 150 m 이상 또는 경사도 7도 이상인 지역과 그 외의 지역을 0과 1로 구분한 지형학적 제한요건 지도를 구축 하였다.
- 특히 논 지역의 경우 전체 면적의 약 60 %는 시계열 식생지수에 의해 사전 분류가 가능할 것으로 판단된다. 분류된 결과에 대한 현지 조사가 불가능하기 때문에 무작위 200개의 지점을 선정하고 육안판독 결과를 기준으로 분류결과에 대한 정확도를 평가하였다. 전체적으로 대부분의 피복이 70 % 이상의 분류정확도를 나타내었으며 논벼 재배지역 추출의 경우 분류정확도는 83.
- 이에 따라 고해상도 위성영상에 적합한 객체기반의 토지피복 분류를 수행하고자 하였으며, 논벼 재배지역 등의 시계열 식생지수를 산정하여 적용하였다. 특히, 본 연구에서 중점을 두고 있는 논벼 재배지역의 경우 담수재배라는 방식에 따라 타 피복과는 차별적인 식생지수의 시기별 변화를 내포하고 있다.
- 이와 같은 시계열 NDVI를 논벼 재배지역 추출에 적용할 경우 보다 자동화 된 추출기법을 개발할 수 있다. 이에 따라 본 연구에서는 논벼 및 수계, 산림 지역에 대한 NDVI의 시기별 분포 범위를 산출하고 이를 적용하여 사전분류를 수행하였다.
- 다음으로 논벼 재배지역의 지형학적인 제한요소를 설정하여 추출된 논벼 재배지역 중에서 부적합한 지역을 제외하였다. 이와 같은 추출 과정을 적용하여 최종적으로 논벼 재배지역 및 부적합 논벼 재배지역을 구분하고 추가적으로 밭, 산림 및 초지, 시가지 및 나지, 수계 지역을 분류하였다.
대상 데이터
- 재령군은 재령평야가 위치하고 있고 북한의 식량 수급의 중요한 역할을 수행하는 곳이며, 시계열 위성자료의 확보가 가능하였다. 고해상도 위성영상은 RapidEye를 활용하였고 영상시기는 2010년 4월 24일, 6월 24일, 9월 24일으로 Fig. 3에 나타나 있다.
- 본 연구에서 활용한 RapidEye 위성영상은 German Aerospace Center (DLR)에서 2008년 8월 29일 발사한 위성으로 총 5개의 위성을 동시에 발사했다는 것이 특징이다. 5개의 위성이 지구를 관측하고 있기 때문에 매일 동일한 지역의 영상을 폭넓게 획득할 수 있다는 장점이 있으며, Red, Green, Blue, Near Infra Red 밴드 외에 Red Edge 밴드에서 데이터를 획득하여 산림 모니터링, 농작물 모니터링 등에 효과적으로 활용할 수 있다는 특징이 있다.
- 본 연구에서는 북한의 주요 곡창지대인 황해남도 재령군을 연구대상지로 선정하였다(Fig. 2). 재령군은 재령평야가 위치하고 있고 북한의 식량 수급의 중요한 역할을 수행하는 곳이며, 시계열 위성자료의 확보가 가능하였다.
이론/모형
- 본 연구에서는 고해상도 위성영상을 활용하여 북한 재령지역의 논벼 재배지역 추출 및 토지피복분류를 수행하였다. 고해상도 위성영상의 정확한 분류를 위하여 현재 주로 활용되는 객체 기반의 분류방법을 적용하였다. 또한 논벼 재배지역의 식생 변화 특징을 고려하여 시계열 식생지수 변화에 따라 논벼 재배지역을 사전 추출하였다.
- 객체기반의 영상분할에 기초한 영상분류는 객체를 최소 단위로 설정하기 때문에 모양이나 분광정보에 있어서 균일한 영역이라고 정의되는 부분을 분류하여 하나의 단일 영상객체 (image object)를 생성한다(Benz, 2001). 이때 균일한 영상 객체는 최근린분류법, 최소거리법, 최대우도법 외에 지식기반 기법 및 퍼지 분류논리를 사용하여 분석된다(Jensen, 2007). Blaschke and Strobl (2001)은 원격탐사 자료를 분할할 때 사용할 수 있는 객체기반의 알고리즘으로 각 화소들의 컬러기준과 객체모양에 따른 공간기준을 제시하였다.
성능/효과
- 또한 5m 급의 해상도를 제공하기 때문에 한 필지가 5 m×5 m 이상인 논벼 재배지역 분류 수행에 적합할 것으로 판단된다.
- 또한 전체 객체 중 약 68 %의 면적이 10,000 m2 이하로 나타났고 3,000–6,000 m2 면적 사이에 약 36 %의 객체가 분포하는 것으로 나타났다.
- 전체 논벼 재배지역의 약 60 % 이상이 시계열 식생지수에 의해 반자동화로 사전 추출이 가능한 것으로 나타났다. 또한 지형적인 요소를 고려하여 부적합 논벼 재배지역을 추출한 결과 851.0 ha로 나타났다. 이외에 밭 지역은 5,255.
- 0 ha로 나타났다. 무작위 기준점을 생성하고 육안판독 결과를 기준으로 분류정확도를 살펴본 결과 논벼 재배지역의 경우 약 83.3 %의 분류정확도가 나타났고 전체 피복에 대한 Kappa 지수는 약 0.76으로 나타났다. 본 연구 결과는 현지 조사가 어려운 북한지역을 대상으로 하였기에 정확도 검증에 있어서 한계가 발생하지만 보다 신뢰적인 피복분류를 위하여 식생 및 경사도, 표고 등의 다양한 요소를 고려하고, 논벼 재배지역의 시계열 식생지수 변화 특징을 적용하여 반자동화적인 논벼 추출 기법을 개발하였다는 점에서 본 연구의 의의가 있다.
- 시계열 NDVI에 의한 사전 분류 결과와 객체기반 토지피복분류의 수행 결과를 종합한 결과, 주로 북부 평야지대에 논벼 재배가 이루어지는 것으로 나타났고, 전체 논 면적은 약 10,874.9 ha로 나타났다. 중부지역에는 주로 밭으로 분류된 지역이 많이 분포하였다.
- 연구 결과에 따르면 북한 재령지역의 시계열 식생지수를 통한 논벼 재배지역의 사전 추출 결과는 6,308.4 ha로 나타났고, 이후 객체기반의 무감독 토지피복 수행결과 최종적인 논벼 재배지역은 10,874.9 ha로 나타났다. 전체 논벼 재배지역의 약 60 % 이상이 시계열 식생지수에 의해 반자동화로 사전 추출이 가능한 것으로 나타났다.
- 9 ha로 나타났다. 전체 논벼 재배지역의 약 60 % 이상이 시계열 식생지수에 의해 반자동화로 사전 추출이 가능한 것으로 나타났다. 또한 지형적인 요소를 고려하여 부적합 논벼 재배지역을 추출한 결과 851.
- 분류된 결과에 대한 현지 조사가 불가능하기 때문에 무작위 200개의 지점을 선정하고 육안판독 결과를 기준으로 분류결과에 대한 정확도를 평가하였다. 전체적으로 대부분의 피복이 70 % 이상의 분류정확도를 나타내었으며 논벼 재배지역 추출의 경우 분류정확도는 83.3 %으로 상당히 높게 나타났다(Fig. 9, Table 4). 논벼 재배 지역 추출결과의 Kappa 지수는 약 0.
- 논벼 재배지역의 경우 나지 및 담수 상태인 4, 6월에는 NDVI 값이 음수를 나타내고, 논벼의 생장이 이루어진 9월에는 NDVI 값이 양수를 나타내었다. 즉, 논벼의 경우 NDVI의 시계열 값이 음수에서 양수로 전환되는 것으로 나타났다. 수계의 경우 4, 6, 9월의 NDVI 모두 음수영역에 분포하는 것으로 나타났고, 특히 4월 6월의 경우 대부분 –0.
- 토지피복분류를 위한 RapidEye 위성영상의 객체 생성 결과를 살펴보면 재령군내에 총 35,773 개의 객체가 생성된 것으로 나타났고, 생성된 객체들 중에서 최소 면적은 약 0.44 m2이며 최대면적은 391,762 m2으로 나타났다(Fig. 5). 또한 전체 객체 중 약 68 %의 면적이 10,000 m2 이하로 나타났고 3,000–6,000 m2 면적 사이에 약 36 %의 객체가 분포하는 것으로 나타났다.
후속연구
- 이와 같은 식생지수 변화 특징을 반영한 토지피복분류를 수행할 경우 정확하고 반자동화된 논벼 재배지역의 추출이 가능할 것으로 판단된다. 또한 논벼 재배지역의 경우 경사도 및 표고 등의 지형학적 요인에 의해 재배에 제한을 받기 때문에 지형학적 요인을 고려할 경우 보다 정확한 분류가 이루어질 수 있을 것으로 판단된다.
- 예를 들어 모내기 시기에는 담수 상태이기 때문에 수면과 유사한 수치의 반사도가 나타날 수 있으며 논벼의 생장이 이루어진 시기에는 식생지수가 높게 나타나게 된다. 이와 같은 식생지수 변화 특징을 반영한 토지피복분류를 수행할 경우 정확하고 반자동화된 논벼 재배지역의 추출이 가능할 것으로 판단된다. 또한 논벼 재배지역의 경우 경사도 및 표고 등의 지형학적 요인에 의해 재배에 제한을 받기 때문에 지형학적 요인을 고려할 경우 보다 정확한 분류가 이루어질 수 있을 것으로 판단된다.
- 향후 본 연구결과는 북한의 식량 수급에 따른 국내 정책 수립을 위한 자료로서 활용될 수 있으며, 또한 고해상도 위성영상의 토지피복분류시 식생과 지형요소를 고려한 객체기반의 분류방법 연구를 위한 기초 자료로서 활용될 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.