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
- 본 연구는 기존에 사용하던 해상도 1~4 m인 위성영상에서 탐지되지 못한 하천의 미세 지형 및 지피의 특성을 도출할 수 있는 고해상도 항공영상(20 cm)를 이용하여, 하천토지피복지도 작성을 위한 보편적인 하천토지 피복 분류 항목을 선정하고 다양한 분류기법에 따른 정확도 평가 및 훈련지역의 왜도 검증과 필터링을 이용하여 고해상도 항공정사영상을 이용한 하천토지피복지도 작성을 위한 가장 적합한 방법을 도출하는 것이다.
- 본 연구는 하천의 피복상태 정보를 효율적이고 경제적으로 획득 할 수 있는 방법을 찾기 위하여 적합한 분류 항목과 최적 분류 기법을 검토하고자 하였다. 하천토지 피복지도를 작성하기 위한 보편적인 분류 항목을 설정하기 위해 환경부의 토지피복지도 분류체계, USGS의 토지이용·피복분류체계, 유럽연합의 CORINE 토지피복 프로젝트의 분류체계를 비교·분석하여 유사한 항목으로 선정된 항목을 국내 고해상도 영상을 이용한 토지피복분류 연구에서 사용된 빈도를 분석하여 고해상도 수치항공정사영상에서 사용할 수 있는 분류 항목을 재선정하고 본 연구의 대상지 특징과 현황을 고려하여 최종 분류 항목을 선정하였다.
제안 방법
- 감독 분류 알고리즘에는 최대우도분류(Maximum Likelihood Classification; Max. L. C.), 최 소 거 리 분 류 (Minimum Distance Classification; Min. D. C.), 평행육면체분류(Parallelepiped Classification; Par. C.), 마할라노비스분류(Mahalanobis Distance Classification; Mah. D. C.), 퍼지분류기법 등이 있는데, 본 연구에서는 최대우도분류, 최소거리분류, 평행육면체분류, 마할라노비스분류의 총 4가지 방법을 이용하여 분석하였다.
- CIR 영상은 근적외선(Near Infrared; NIR) 영역이 포함된 영상으로 2009년 5월13일∼9월19일에 촬영되었다. 두 영상의 공간해상도를 일치시키기 위해서 RGB 영상과 CIR 영상을 최근린보간법을 이용하여 공간해상도 0.2 m로 재배열하였다. 이 방법은 원래의 자료값을 다른 방법들처럼 평균하지 않고 그대로 사용하여 자료 값의 최대값과 최소값이 변하지 않기 때문에 원영상의 화소값과 통계치가 중요한 분류 방법에 주로 사용되는 방법이다.
- 먼저 필터링 방법은 3가지 훈련지역 선정 방법으로 가장 정확도가 높게 나온 왜도를 고려하지 않은 60개의 훈련 지역의 3,000∼6,000화소 방법에 대해 5×5, 15×15, 25×25 커널을 적용하였다.
- 각 분류군 별로 건물 8개, 나지 4개, 농경지 12개, 도로 7개, 산림 12개, 수역 8개, 초지 8개를 선정하였고 총 300~600 화소수와, 총 3000~6000 화소수를 이용하였다. 모든 훈련지역은 트레이닝 폴리곤을 이용하여 동질하게(homogeneous) 분포하고 있는 지역으로 설정하였고 영상을 통해 확인된 지역을 현장 조사를 통하여 GPS 좌표로 확인하는 방법으로 진행하였다.
- 본 연구에서 정확도 분석을 하기 위한 참조 자료는 분석한 자료가 항공사진이므로 현장검증 자료를 이용하였는데, 정사 보정된 항공영상자료를 기본하고 추출된 조사항목에 대하여 별도의 표시를 하여 현지 조사를 통해 확인하는 방법으로 실시하였다. 표본 추출은 7개의 분류 항목별로 표본의 개수를 정한 후 통계적 신뢰성을 유지하기 위해 무작위 표본추출법에 따라 총 1000개의 검수할 샘플을 추출하였는데, 이 방법은 분류하고자 하는 항목이 아주 작은 면적을 차지하여 누락될 위험만 없다면, 각 분류 항목들의 표본수를 충분히 획득할 수 있으며 타당한 분류 통계 자료를 만드는 것으로 인정되었다(Congalton, 1991;Thomas et al.
- 본 연구에서는 4가지 감독분류 알고리즘을 적용하여 토지피복분류를 수행하였다(Fig. 2). 최대우도분류법의 경우 식생 지역이 유형 구분 없이 혼재되어 나타났으며 도로와 건물, 나지와 건물도 분류가 명확하지 않았다.
- 분류정확도를 향상시키기 위해 RGB 영상보다 전체적으로 정확도가 높게 나온 CIR 영상을 대상으로 필터링과 훈련지역의 왜도 검증을 수행하였다. 먼저 필터링 방법은 3가지 훈련지역 선정 방법으로 가장 정확도가 높게 나온 왜도를 고려하지 않은 60개의 훈련 지역의 3,000∼6,000화소 방법에 대해 5×5, 15×15, 25×25 커널을 적용하였다.
- 하천토지 피복지도를 작성하기 위한 보편적인 분류 항목을 설정하기 위해 환경부의 토지피복지도 분류체계, USGS의 토지이용·피복분류체계, 유럽연합의 CORINE 토지피복 프로젝트의 분류체계를 비교·분석하여 유사한 항목으로 선정된 항목을 국내 고해상도 영상을 이용한 토지피복분류 연구에서 사용된 빈도를 분석하여 고해상도 수치항공정사영상에서 사용할 수 있는 분류 항목을 재선정하고 본 연구의 대상지 특징과 현황을 고려하여 최종 분류 항목을 선정하였다. 선정된 분류 항목을 이용하여 본 연구에서는 4가지 감독분류 알고리즘을 적용하여 분류 및 정확도를 검증하였다. 수행 결과는 CIR 영상이 RGB 영상보다는 정확도가 높게 분석되었고, 분류기법에서는 최대우도분류법이 가장 높은 분류정확도를 보였으며, 다음으로 마할라노비스분류법, 최소거리분류법, 평행육면체분류법 순으로 나타났다
- 위에서 열거한 방법들로 분석한 결과에 따라 최종적으로 CIR 영상에 최대우도분류기법을 이용하여 왜도 및 필터링을 적용한 하천토지피복 지도를 작성하여 비교 하였다. Fig.
- 하천토지 피복지도를 작성하기 위한 보편적인 분류 항목을 설정하기 위해 환경부의 토지피복지도 분류체계, USGS의 토지이용·피복분류체계, 유럽연합의 CORINE 토지피복 프로젝트의 분류체계를 비교·분석하여 유사한 항목으로 선정된 항목을 국내 고해상도 영상을 이용한 토지피복분류 연구에서 사용된 빈도를 분석하여 고해상도 수치항공정사영상에서 사용할 수 있는 분류 항목을 재선정하고 본 연구의 대상지 특징과 현황을 고려하여 최종 분류 항목을 선정하였다.
- 하천토지피복지도를 작성하기 위한 보편적인 분류 항목을 설정하기 위해 환경부의 토지피복지도 분류체계, USGS의 토지이용·피복분류체계, 유럽연합의 CORINE 토지피복 프로젝트의 분류체계를 비교·분석하여 유사한 항목을 선정하였다.
- 훈련지역의 타당성을 검토하기 위해 왜도(skewness) 를 이용하여 훈련지역을 통합하거나 추가, 삭제하여 최적 훈련지역을 찾을 때까지 훈련지역을 수정하였다. 왜 도는 자료의 분포 모양이 평균을 중심으로부터 한 쪽으로 치우쳐져 있는 경향을 나타내는 척도인데, 왜도가 양수이면 분포의 비대칭 꼬리가 양의 값 쪽으로 치우쳐 있 으며, 음수이면 이와 반대가 된다.
대상 데이터
- 하천토지피복지도 분류를 위한 훈련 지역(training site)의 선정은 7개의 분류 항목 - 수역, 도로, 건물, 초지, 산림, 나지, 밭에 대하여 연구 대상지 전체를 골고루 대표할 수 있도록 200개의 훈련지역을 선정하였다. 200개의 훈련 지역은 각 분류군별로 건물 28개, 나지 15개, 농경지 40개, 도로 22개, 산림 41개, 수역 28개, 초지 26개를 선정하였고 총 300~600 화소수를 이용하였다. 또한, 충분한 훈련지역의 개수가 필요하지만 시간과 비용의 문제로 항상 많은 샘플을 획득하기 어려운 경우가 종종 발생하기 때문에(Buchheim and Lillesand, 1989; Jackson and Landgrebe, 2001), 훈련지역의 개수를 적게 하거나 또는 총 화소수를 높이는 방법을 비교하여 분석하기 위해 60개의 훈련지역을 선정하였다.
- CIR 영상은 근적외선(Near Infrared; NIR) 영역이 포함된 영상으로 2009년 5월13일∼9월19일에 촬영되었다.
- 또한, 충분한 훈련지역의 개수가 필요하지만 시간과 비용의 문제로 항상 많은 샘플을 획득하기 어려운 경우가 종종 발생하기 때문에(Buchheim and Lillesand, 1989; Jackson and Landgrebe, 2001), 훈련지역의 개수를 적게 하거나 또는 총 화소수를 높이는 방법을 비교하여 분석하기 위해 60개의 훈련지역을 선정하였다. 각 분류군 별로 건물 8개, 나지 4개, 농경지 12개, 도로 7개, 산림 12개, 수역 8개, 초지 8개를 선정하였고 총 300~600 화소수와, 총 3000~6000 화소수를 이용하였다. 모든 훈련지역은 트레이닝 폴리곤을 이용하여 동질하게(homogeneous) 분포하고 있는 지역으로 설정하였고 영상을 통해 확인된 지역을 현장 조사를 통하여 GPS 좌표로 확인하는 방법으로 진행하였다.
- 2 프로그램을 사용하였다. 또한, 국토지리원에서 제공하는 1:5000 축척의 수치지형도 자료를 이용하여 훈련지역 선정을 위한 보조자료로 활용하였고, 토지피복분류 결과를 검증하기 위한 참조자료로 사용하였다.
- 200개의 훈련 지역은 각 분류군별로 건물 28개, 나지 15개, 농경지 40개, 도로 22개, 산림 41개, 수역 28개, 초지 26개를 선정하였고 총 300~600 화소수를 이용하였다. 또한, 충분한 훈련지역의 개수가 필요하지만 시간과 비용의 문제로 항상 많은 샘플을 획득하기 어려운 경우가 종종 발생하기 때문에(Buchheim and Lillesand, 1989; Jackson and Landgrebe, 2001), 훈련지역의 개수를 적게 하거나 또는 총 화소수를 높이는 방법을 비교하여 분석하기 위해 60개의 훈련지역을 선정하였다. 각 분류군 별로 건물 8개, 나지 4개, 농경지 12개, 도로 7개, 산림 12개, 수역 8개, 초지 8개를 선정하였고 총 300~600 화소수와, 총 3000~6000 화소수를 이용하였다.
- 본 연구에서 사용한 수치항공정상영상자료는 국토지리원에서 제공한 1:5000 축척 자료이다. 이 자료는 대축척용 디지털카메라를 사용하여 촬영한 공간해상도 0.
- 본 연구의 대상지는 섬강 살리기 공사구간을 제외한 길이 약 1.3 km, 폭 약 100 m 구간을 설정하였다(Fig. 1). 하천 폭은 국가수자원관리종합정보 시스템에서 제공하는 하천파일을 경계로 범역을 설정하였다.
- 선정된 유사한 항목을 국내 고해상도 영상을 이용한 토지피복분류 연구(Jang and Kim, 2003; Kim, 2003; Sagong and Im, 2003; Woo, 2004; Lim, 2005; Ku, 2007; Kang et al., 2009; Leeet al., 2010; Leeet al., 2011; Lee, 2011) 에서 사용된 항목을 고려하여 고해상도 수치항공정사 영상에서 사용할 수 있는 분류 항목을 재선정하고 선정된 토지피복분류 유형 중 연구 대상지에 나타나는 하천 우안의 산림과 좌안에 발달한 농경지와 주거지, 제방의 도로, 고수부지의 초지, 퇴적된 사주 및 나지, 수역을 고려하여 본 연구의 분류 항목은 수역, 도로, 건물, 초지, 산림, 나지, 밭 7개로 최종 항목을 선정하였다.
- 연구 지역은 강원도 횡성군 횡성읍 남한강의 상류 지역이면서 횡성댐의 하류지역으로 하천 우안으로는 자연 그대로의 모습이 강을 따라 펼쳐진 송림이 잘 보존되어 있는 반면 좌안으로는 둔치와 체육시설 등이 조성되어 있어 도시민이 즐겨 찾고 있는 유원지이다. 한국의 도심지를 흐르는 하천의 경우 하천 수로를 직강화하면서 호안을 콘크리트 불록으로 정비하고, 대부분 석축 제방과 하안도로, 고수부지를 평탄화 하여 운동공원, 잔디밭, 또는 주차시설 등으로 조성하여 이용하여 왔다.
- 본 연구에서 사용한 수치항공정상영상자료는 국토지리원에서 제공한 1:5000 축척 자료이다. 이 자료는 대축척용 디지털카메라를 사용하여 촬영한 공간해상도 0.12 m급 칼라 (RGB) 수치항공사진과 0.2 m급 칼라적외선 (color infrared; CIR) 수치항공사진을 GPS/INS 기술을 이용하여 제작된 정사영상자료이다. CIR 영상은 근적외선(Near Infrared; NIR) 영역이 포함된 영상으로 2009년 5월13일∼9월19일에 촬영되었다.
- 1). 하천 폭은 국가수자원관리종합정보 시스템에서 제공하는 하천파일을 경계로 범역을 설정하였다.
- 하천토지피복지도 분류를 위한 훈련 지역(training site)의 선정은 7개의 분류 항목 - 수역, 도로, 건물, 초지, 산림, 나지, 밭에 대하여 연구 대상지 전체를 골고루 대표할 수 있도록 200개의 훈련지역을 선정하였다. 200개의 훈련 지역은 각 분류군별로 건물 28개, 나지 15개, 농경지 40개, 도로 22개, 산림 41개, 수역 28개, 초지 26개를 선정하였고 총 300~600 화소수를 이용하였다.
데이터처리
- 이 방법은 원래의 자료값을 다른 방법들처럼 평균하지 않고 그대로 사용하여 자료 값의 최대값과 최소값이 변하지 않기 때문에 원영상의 화소값과 통계치가 중요한 분류 방법에 주로 사용되는 방법이다. 전체 자료의 전처리와 분석과정의 프로그램은 ENVI 4.3과 ArcGIS 9.2 프로그램을 사용하였다. 또한, 국토지리원에서 제공하는 1:5000 축척의 수치지형도 자료를 이용하여 훈련지역 선정을 위한 보조자료로 활용하였고, 토지피복분류 결과를 검증하기 위한 참조자료로 사용하였다.
이론/모형
- 최소거리분류 기법은 화소 자료와 분류 클래스 특징과의 유사도를 특징공간에 있어서의 거리로 나타내고, 거리가 가장 짧은 즉, 유사도가 가장 큰 클래스에 화소 자료를 분류하는 방법이다. 각 분류항목의 평균 벡터와 분류 하고자 하는 화소의 측정 벡터간의 분광적 거리를 계산하여 가장 가까운 값을 가지는 항목으로 화소가 분류되는 기법으로 분광거리를 구하는 방법은 유클리드 거리에 의한다.
- 본 연구에서 사용된 공간 필터링(spatial filtering)의 마스크(mask) 방법은 커널(kernel)을 이용하였는데, 원영상에 대하여 5×5, 15×15, 25×25로 설정한 커널을 적용하는 박스 필터(box filter)의 평균값 필터(mean filter)를 이용하였다.
성능/효과
- 3가지 필터링 방법 모두에서 정확도가 향상되면서 커널 단위가 커질수록 높게 나타났는데, 그 중 가장 높은 정확도를 보인 최대우도분류 방법의 경우 15×15 커널이 가장 크게 향상되었고 다음으로 25×25, 5×5 설정 순이었다(Table 3).
- 최대우도분류법의 경우 식생 지역이 유형 구분 없이 혼재되어 나타났으며 도로와 건물, 나지와 건물도 분류가 명확하지 않았다. CIR 영상 분류 결과 수역이 가장 높은 분류정확도를 보였고, 건물 항목은 나지로 오분류되어 분류정확도가 낮았으며, 이는 잔디밭, 지붕, 인도, 초지, 하천 바닥이 드러난 수역으로 분류 되었다. 경작지는 나지, 초지 및 산림 분류항목과 혼재되어 분류되었다.
- 5%로 4가지 다른 분류법 중에서 가장 높은 정확도를 보여주었다. CIR 영상 분류 결과 수역이 가장 높은 분류정확도를 보였고, 경작지 분류항목이 가장 낮은 분류정확도를 보여주었다.
- 0% 이었다. CIR 영상에서 수역, 도로, 초지, 산림 항목은 하나도 자신의 항목으로 분류되지 못했고, 초지, 산림, 경작지는 모두 경작지로, 도로, 건물, 나지 항목도 대부분 경작지로 오분류 되었고, 수역항목의 대부분은 건물로 오분류 되었다. RGB 영상에서는 CIR 영상에서와 달리 경작지의 분류 정확도가 낮았고 밭의 정확도가 오히려 높게 나타났다.
- 특히, 최대우도분류법이 가장 높은 정확도를 보였다. CIR 영상은 밭 분류항목이 낮은 정확도를 보였고, 수역 분류항목의 분류 정확도가 높았다. 최대우도분류법 뿐만 아니라 다른 분류방법에서도 CIR 영상이 RGB 영상보다 수역 분류 정확도가 높게 나타났다.
- 2% 이었다.CIR 영상을 이용한 최소거리 분류법에서 수역 분류항목은 가장 높은 정확도를 보여주었는데 반해 경작지 분류 항목은 가장 낮은 분류정확도를 보였다. RGB 영상을 이용한 최소거리분류에서 생산자 정확도가 가장 높은 항목은 나지였고 가장 낮은 분류 정확도는 CIR영상과 같이 경작지로 나타났다.
- 9%이었다. CIR영상을 이용한 마 할라노비스 분류법의 분류결과 수역이 정확도가 가장 높았고, 경작지의 분류정확도가 낮았다. RGB 영상을 이용한 마할라노비스 분류법의 분류결과 도로 항목이 가장 정확도가 높았으며, 경작지의 분류 항목이 가장 낮은 정확도를 보였다.
- CIR 영상에서 수역, 도로, 초지, 산림 항목은 하나도 자신의 항목으로 분류되지 못했고, 초지, 산림, 경작지는 모두 경작지로, 도로, 건물, 나지 항목도 대부분 경작지로 오분류 되었고, 수역항목의 대부분은 건물로 오분류 되었다. RGB 영상에서는 CIR 영상에서와 달리 경작지의 분류 정확도가 낮았고 밭의 정확도가 오히려 높게 나타났다.
- CIR영상을 이용한 마 할라노비스 분류법의 분류결과 수역이 정확도가 가장 높았고, 경작지의 분류정확도가 낮았다. RGB 영상을 이용한 마할라노비스 분류법의 분류결과 도로 항목이 가장 정확도가 높았으며, 경작지의 분류 항목이 가장 낮은 정확도를 보였다.
- CIR 영상을 이용한 최소거리 분류법에서 수역 분류항목은 가장 높은 정확도를 보여주었는데 반해 경작지 분류 항목은 가장 낮은 분류정확도를 보였다. RGB 영상을 이용한 최소거리분류에서 생산자 정확도가 가장 높은 항목은 나지였고 가장 낮은 분류 정확도는 CIR영상과 같이 경작지로 나타났다.
- 79%)로 분류되었다. 경작지를 제외하고 모든 분류항목에서 높은 정확도를 보였다.
- 다음으로, 분류항목별 분류정확도를 보면 나지 분류 항목은 모든 분류방법과 영상종류에서 높은 분류정확도를 보였다. 다만, 고층건물 표면과 도로의 차선이 나지로 오분류 되었다.
- 다음으로, 필터링을 적용하지 않고 3가지 훈련 지역 선정방법에 왜도를 적용한 분석 결과를 살펴보면, 200개의 훈련지역에 대해 적용한 결과에서는 전반적인 정확도가 증가한 반면 나머지 방법들에서는 대부분의 정확도가 하락하였다(Table 4). 이러한 결과는 훈련지역의 샘플이 증가할수록 왜도 검증에 효과가 있는 것으로 분석된다.
- 평행육면체 분류기법을 제외하고는 RGB 영상 보다는 CIR 영상이 RGB 영상에 비해 높은 정확도를 보였다. 도로 분류항목은 최대우도분류법에서 생산자정확도 89.66%, 사용자정확도 78.79%로 비교적 높은 정확도를 보였지만, 횡단보도와 차선이 나지로 분류되었다.
- 산림과 도로의 사용자정확도와 초지와 건물의 생산자정확도가 큰 폭으로 향상되었다. 도로 분류항목은 필터링을 하지 않을 때 나타났던 차선이 나지 또는 건물로 오분류되는 현상이 개선되었음을 확인할 수 있었다. 그러나, 산림, 초지, 밭이혼재되어 분류되는 현상에 대한 개선은 미미했다.
- 식물로 피복되어 있는 지역 - 밭, 초지, 산림 등의 토지피복분류가 미미하였다. 또한 항공 디지털 영상 촬영시 발생하는 건축물이나 가로수 등 구조물에 의한 그림자에 의한 오분류도 나타났다. 건물과 도로는 밝기에 따라 서로 다른 항목으로 분류되는 경우도 있었다.
- 마지막으로, 15×15 필터링과 훈련지역의 왜도 검증 모두를 적용한 결과를 보면 CIR 영상에 왜도를 고려한 3,000∼6,000화소의 60개 훈련지역을 사용하여 최대우도법으로 분석한 결과가 가장 높은 정확도를 보였지만 4가지 분류 기법 모두에서 전반적인 향상을 보인 방법은 200개의 훈련지역에 300~600화소 훈련지역을 설정한 방법이었다.
- 마할라노비스 분류법의 전체 정확도는 CIR영상 68.7%, RGB영상은 57.9%이었다. CIR영상을 이용한 마 할라노비스 분류법의 분류결과 수역이 정확도가 가장 높았고, 경작지의 분류정확도가 낮았다.
- 또한, 감독분류의 결과를 영상별 및 분류항목별로 분석해 본 결과는 Table 2와 같다. 먼저 영상별 분류정확도에서 CIR 영상과 RGB 영상으로 살펴보면, 전체정확도는 RGB 영상보다는 CIR 영상이 모든 분류법에서 높게 나타났다. 특히, 최대우도분류법이 가장 높은 정확도를 보였다.
- 모든 분류결과에서 공통적으로 나타난 문제점은 식생지역의 분류가 불명확하고, 구조물 그림자에 의한 오 분류, 도로·건축물 등 구조물 오분류, 그리고 하도 내 수역의 유동성에 의한 나지 및 초지 분류로 나타났다.
- 하천토지피복지도를 작성하기 위한 보편적인 분류 항목을 설정하기 위해 환경부의 토지피복지도 분류체계, USGS의 토지이용·피복분류체계, 유럽연합의 CORINE 토지피복 프로젝트의 분류체계를 비교·분석하여 유사한 항목을 선정하였다. 모든 토지피복분류체계의 대분류 항목을 비교해 본 결과 도시 및 시가지, 농업지역, 산림지역, 초지, 습지, 나지, 수역으로 유사항목이 정리되었고, 중분류 항목에서는 도심지는 주거지, 공업지, 교통, 상업지가, 경작지는 논, 과수원, 밭 그리고 초지는 방목지와 목초지, 습지는 내륙습지와 연안습지, 수역은 수역과 해양수, 나지는 나지와 기타나지가 유사한 항목으로 나타났다 (Table 1).
- 다만, 고층건물 표면과 도로의 차선이 나지로 오분류 되었다. 밭 분류항목은 평행육면체 분류방법을 제외한 나머지 분류에서는 CIR 영상이 분류정확도가 높게 나타난 반면, 모든 분류항목 중에 가장 낮은 분류정확도를 보였다. 이는 밭은 나지상태의 밭과 식생으로 덮혀 있는 상태의 밭이 혼재 되어 있어서 훈련지역에서의 혼동이 그 원인인 것으로 분석된다.
- 필터링과 훈련지역의 왜도 검증을 수행하였을 때도 최대 우도법의 전체정확도가 다른 분류기법에 비해 높게 나타났다. 본 연구 결과를 통해 하천토지피복지도를 작성 하기 위해서 고해상도 항공 정사 CIR 영상을 기반으로 왜도 검증을 통한 훈련지역과 필터링을 이용한 최대우도 분류법을 적용하는 것이 적합함을 검증 하였다.
- 3가지 필터링 방법 모두에서 정확도가 향상되면서 커널 단위가 커질수록 높게 나타났는데, 그 중 가장 높은 정확도를 보인 최대우도분류 방법의 경우 15×15 커널이 가장 크게 향상되었고 다음으로 25×25, 5×5 설정 순이었다(Table 3). 본 연구에서 사용된 박스필터 방법은 영상에 포함됨 잡음 성분을 제거하는 성질을 가지고 있는데 필터의 크기(filter size)가 커질 수록 잡음 제거 효과는 커지지만 원영상의 화소 밝기값은 블러링(blurring) 영향을 받게 되어 원영상 밝기값의 변형과 밝기 변화가 큰 에지 특징에 속하는 화소의 밝기 값은 블러링 영향에 더욱 큰 영향을 받는 결과를 얻을 수 있다. 따라서 향후 이 부분을 개선하기 위해서 원영상의 밝기값의 변형을 최소화 하면서도 필터링의 효과를 얻을 수 있는 중간값 필터(median filter)를 수행하는 것이 고려되었다.
- 분류 정확도를 개선하기 위해서 정사항공 원영상에 필터링을 적용하고 훈련지역의 왜도 검증을 수행한 결과 일부에서 향상된 결과값을 얻을 수 있었다. 필터링을 적용한 결과 커널의 단위의 크기가 작은 것 보다는 큰 것이 높은 분류 정확도를 보였고, 훈련지역의 왜도를 검증하여 적용한 결과 전체 정확도가 대부분 향상되었다.
- 또한 RGB 영상에서 하천 바닥이 드러나는 낮은 수역이 밭으로 오분류 되는 경우가 많았다. 분류항목 중 수역과 도로, 건물, 산림, 밭의 정확도가 가장 높은 것은 최대우도분류법으로 분류한 CIR 영상이며, 초지 분류항목은 최대우도분류와 최소거리분류를 이용한 분류에서 두 영상 모두 가장 높은 정확도를 보였다.
- 이 방법은 필터링을 적용하지 않았을 때에 비하여 모든 분류 항목의 분류정확도가 향상 되었다. 산림과 도로의 사용자정확도와 초지와 건물의 생산자정확도가 큰 폭으로 향상되었다. 도로 분류항목은 필터링을 하지 않을 때 나타났던 차선이 나지 또는 건물로 오분류되는 현상이 개선되었음을 확인할 수 있었다.
- 선정된 분류 항목을 이용하여 본 연구에서는 4가지 감독분류 알고리즘을 적용하여 분류 및 정확도를 검증하였다. 수행 결과는 CIR 영상이 RGB 영상보다는 정확도가 높게 분석되었고, 분류기법에서는 최대우도분류법이 가장 높은 분류정확도를 보였으며, 다음으로 마할라노비스분류법, 최소거리분류법, 평행육면체분류법 순으로 나타났다
- 3 (a)와 Table 5 (a)는 200개의 훈련지역에 왜도만을 고려하여 분류한 결과이다. 연구 대상지역의 총 면적 371,171 m2 중 건물이 45,105 m2(12.15%), 나지가 25,635 m2(6.91%), 경작지가 112,953 m2(30.43%), 도로가 47,230 m2(12.72%), 산림이 30,876 m2(8.32%), 초지가 39,039 m2(10.52%), 수역이 70,333 m2(18.95%)로 분류되 었다. 이 방법은 사용자 정확도와 생산자 정확도는 밭, 산림, 초지가 정확도가 향상되었고, 나지, 도로, 수역은 정확도가 하락하였다.
- 3(c) 와 Table 5(c)와 같다. 연구 대상지역의 총면적 371,171m2중건물이41,620m2(11.21%),나지가26,172m2(7.05%),밭이 62,456m2(16.83%), 도로가 30,762m2(8.29%), 산림이 102,092m2(27.51%), 초지가 45,741m2(12.32%), 수역이 62,328(16.79%)로 분류되었다. 경작지를 제외하고 모든 분류항목에서 높은 정확도를 보였다.
- 95%)로 분류되 었다. 이 방법은 사용자 정확도와 생산자 정확도는 밭, 산림, 초지가 정확도가 향상되었고, 나지, 도로, 수역은 정확도가 하락하였다.
- 다음으로, 필터링을 적용하지 않고 3가지 훈련 지역 선정방법에 왜도를 적용한 분석 결과를 살펴보면, 200개의 훈련지역에 대해 적용한 결과에서는 전반적인 정확도가 증가한 반면 나머지 방법들에서는 대부분의 정확도가 하락하였다(Table 4). 이러한 결과는 훈련지역의 샘플이 증가할수록 왜도 검증에 효과가 있는 것으로 분석된다.
- 종합하면, 전체 정확도는 최대우도분류기법의 CIR영상이 78.4%로 가장 높게 나타났으며, 그 다음은 마하라노비스분류기법, 최소거리분류기법 그리고, 평행육면체 분류기법의 CIR 영상 전체 정확도가 12.5%로 가장 낮게 나타났다. 평행육면체 분류기법을 제외하고는 RGB 영상 보다는 CIR 영상이 RGB 영상에 비해 높은 정확도를 보였다.
- 건물 분류항목도 두 영상간의 정확도에는 큰 차이가 나지 않았는데, 지붕의 다양한 색상과 고층 건물 표면이 밝게 나타나 도로 또는 나지로 분류 되었기 때문이다. 초지 분류항목은 CIR 영상에서는 초지, 산림, 밭이 명확한 경계 없이 혼재되어 나타났고, RGB 영상은 모든 분류법에서 초지가 수역, 도로, 나지, 밭으로 오분류 되었다. 정확도는 CIR 영상과 RGB 영상 큰 차이가 없다.
- CIR 영상은 밭 분류항목이 낮은 정확도를 보였고, 수역 분류항목의 분류 정확도가 높았다. 최대우도분류법 뿐만 아니라 다른 분류방법에서도 CIR 영상이 RGB 영상보다 수역 분류 정확도가 높게 나타났다. 도로 분류항목은 RGB 영상과 CIR 영상이 비슷한 분류 정확도를 보였는데, 모든 분류방법에서 도로의 차선이 나지 또는 건물로 오분류 되었기 때문이다.
- 감독분류의 분류 기법별로 분류 정확도 검증을 실시한 결과는 다음과 같다(Table 2). 최대우도분류법은 전체 정확도가 CIR 영상은 78.4%, RGB영상은 73.5%로 4가지 다른 분류법 중에서 가장 높은 정확도를 보여주었다. CIR 영상 분류 결과 수역이 가장 높은 분류정확도를 보였고, 경작지 분류항목이 가장 낮은 분류정확도를 보여주었다.
- 최소거리분류법은 전체 정확도가 CIR영상 44.9%, RGB영상은 62.2% 이었다.CIR 영상을 이용한 최소거리 분류법에서 수역 분류항목은 가장 높은 정확도를 보여주었는데 반해 경작지 분류 항목은 가장 낮은 분류정확도를 보였다.
- 먼저 영상별 분류정확도에서 CIR 영상과 RGB 영상으로 살펴보면, 전체정확도는 RGB 영상보다는 CIR 영상이 모든 분류법에서 높게 나타났다. 특히, 최대우도분류법이 가장 높은 정확도를 보였다. CIR 영상은 밭 분류항목이 낮은 정확도를 보였고, 수역 분류항목의 분류 정확도가 높았다.
- 5%로 가장 낮게 나타났다. 평행육면체 분류기법을 제외하고는 RGB 영상 보다는 CIR 영상이 RGB 영상에 비해 높은 정확도를 보였다. 도로 분류항목은 최대우도분류법에서 생산자정확도 89.
- 평행육면체분류법의 전체정확도는 CIR영상 12.5%, RGB영상은 47.0% 이었다. CIR 영상에서 수역, 도로, 초지, 산림 항목은 하나도 자신의 항목으로 분류되지 못했고, 초지, 산림, 경작지는 모두 경작지로, 도로, 건물, 나지 항목도 대부분 경작지로 오분류 되었고, 수역항목의 대부분은 건물로 오분류 되었다.
- 마지막으로, 15×15 필터링과 훈련지역의 왜도 검증 모두를 적용한 결과를 보면 CIR 영상에 왜도를 고려한 3,000∼6,000화소의 60개 훈련지역을 사용하여 최대우도법으로 분석한 결과가 가장 높은 정확도를 보였지만 4가지 분류 기법 모두에서 전반적인 향상을 보인 방법은 200개의 훈련지역에 300~600화소 훈련지역을 설정한 방법이었다. 필터링과 왜도검증을 모두 실시한 결과 최대우도법이 가장 높은 향상을 보였으며, CIR 영상보다는 RGB 영상의 정확도 향상이 전체적으로 높게 나타났다(Table 4).
- 필터링을 적용한 결과 커널의 단위의 크기가 작은 것 보다는 큰 것이 높은 분류 정확도를 보였고, 훈련지역의 왜도를 검증하여 적용한 결과 전체 정확도가 대부분 향상되었다. 필터링과 훈련지역의 왜도 검증을 수행하였을 때도 최대 우도법의 전체정확도가 다른 분류기법에 비해 높게 나타났다. 본 연구 결과를 통해 하천토지피복지도를 작성 하기 위해서 고해상도 항공 정사 CIR 영상을 기반으로 왜도 검증을 통한 훈련지역과 필터링을 이용한 최대우도 분류법을 적용하는 것이 적합함을 검증 하였다.
- 분류 정확도를 개선하기 위해서 정사항공 원영상에 필터링을 적용하고 훈련지역의 왜도 검증을 수행한 결과 일부에서 향상된 결과값을 얻을 수 있었다. 필터링을 적용한 결과 커널의 단위의 크기가 작은 것 보다는 큰 것이 높은 분류 정확도를 보였고, 훈련지역의 왜도를 검증하여 적용한 결과 전체 정확도가 대부분 향상되었다. 필터링과 훈련지역의 왜도 검증을 수행하였을 때도 최대 우도법의 전체정확도가 다른 분류기법에 비해 높게 나타났다.
후속연구
- 본 연구에서 사용된 박스필터 방법은 영상에 포함됨 잡음 성분을 제거하는 성질을 가지고 있는데 필터의 크기(filter size)가 커질 수록 잡음 제거 효과는 커지지만 원영상의 화소 밝기값은 블러링(blurring) 영향을 받게 되어 원영상 밝기값의 변형과 밝기 변화가 큰 에지 특징에 속하는 화소의 밝기 값은 블러링 영향에 더욱 큰 영향을 받는 결과를 얻을 수 있다. 따라서 향후 이 부분을 개선하기 위해서 원영상의 밝기값의 변형을 최소화 하면서도 필터링의 효과를 얻을 수 있는 중간값 필터(median filter)를 수행하는 것이 고려되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.