[국내논문]국가토지피복도와 무감독분류를 이용한 초기 훈련자료 자동추출과 토지피복지도 갱신 Automatic Extraction of Initial Training Data Using National Land Cover Map and Unsupervised Classification and Updating Land Cover Map원문보기
토지피복지도는 환경, 군사, 의사결정 등 다양한 분야에서 널리 사용되고 있다. 본 연구에서는 단일 위성영상과 환경부에서 제공하는 국가토지피복도를 이용하여 훈련자료를 자동으로 추출하고, 이를 활용하여 피복을 분류하는 방법을 제안하였다. 이를 위하여 초기 훈련자료는 무감독분류인 ISODATA와 기존 토지피복도를 이용하였으며, 무감독 분류 사용시 각 클래스별 분류 선정과 클래스 명명, 감독분류에서 훈련자료 선정 등의 문제점을 해결하기 위하여 기존 토지피복도의 클래스 정보를 활용하여 자동으로 클래스를 분류하고 명명하였다. 추출된 초기 훈련자료는 대상 위성영상의 토지피복분류를 위하여 MLC의 훈련자료를 활용하였고, 피복분류의 정확도 향상을 위하여 반복방법을 적용하여 훈련자료를 갱신하였으며 최종적으로 토지피복지도를 추출하였다. 또한, 화소분류방법에서 발생하는 salt and pepper를 감소시키기 위하여 각 반복단계별 MRF를 적용하여 분류정확도를 향상시켰다. 본 연구에서 제안된 방법을 대상지역에 적용한 결과 효과적으로 토지피복지도를 생성할 수 있음을 정량적, 시각적으로 확인하였다.
토지피복지도는 환경, 군사, 의사결정 등 다양한 분야에서 널리 사용되고 있다. 본 연구에서는 단일 위성영상과 환경부에서 제공하는 국가토지피복도를 이용하여 훈련자료를 자동으로 추출하고, 이를 활용하여 피복을 분류하는 방법을 제안하였다. 이를 위하여 초기 훈련자료는 무감독분류인 ISODATA와 기존 토지피복도를 이용하였으며, 무감독 분류 사용시 각 클래스별 분류 선정과 클래스 명명, 감독분류에서 훈련자료 선정 등의 문제점을 해결하기 위하여 기존 토지피복도의 클래스 정보를 활용하여 자동으로 클래스를 분류하고 명명하였다. 추출된 초기 훈련자료는 대상 위성영상의 토지피복분류를 위하여 MLC의 훈련자료를 활용하였고, 피복분류의 정확도 향상을 위하여 반복방법을 적용하여 훈련자료를 갱신하였으며 최종적으로 토지피복지도를 추출하였다. 또한, 화소분류방법에서 발생하는 salt and pepper를 감소시키기 위하여 각 반복단계별 MRF를 적용하여 분류정확도를 향상시켰다. 본 연구에서 제안된 방법을 대상지역에 적용한 결과 효과적으로 토지피복지도를 생성할 수 있음을 정량적, 시각적으로 확인하였다.
Those land cover maps have widely been used in various fields, such as environmental studies, military strategies as well as in decision-makings. This study proposes a method to extract training data, automatically and classify the cover using ingle satellite images and national land cover maps, pro...
Those land cover maps have widely been used in various fields, such as environmental studies, military strategies as well as in decision-makings. This study proposes a method to extract training data, automatically and classify the cover using ingle satellite images and national land cover maps, provided by the Ministry of Environment. For this purpose, as the initial training data, those three were used; the unsupervised classification, the ISODATA, and the existing land cover maps. The class was classified and named automatically using the class information in the existing land cover maps to overcome the difficulty in selecting classification by each class and in naming class by the unsupervised classification; so as achieve difficulty in selecting the training data in supervised classification. The extracted initial training data were utilized as the training data of MLC for the land cover classification of target satellite images, which increase the accuracy of unsupervised classification. Finally, the land cover maps could be extracted from updated training data that has been applied by an iterative method. Also, in order to reduce salt and pepper occurring in the pixel classification method, the MRF was applied in each repeated phase to enhance the accuracy of classification. It was verified quantitatively and visually that the proposed method could effectively generate the land cover maps.
Those land cover maps have widely been used in various fields, such as environmental studies, military strategies as well as in decision-makings. This study proposes a method to extract training data, automatically and classify the cover using ingle satellite images and national land cover maps, provided by the Ministry of Environment. For this purpose, as the initial training data, those three were used; the unsupervised classification, the ISODATA, and the existing land cover maps. The class was classified and named automatically using the class information in the existing land cover maps to overcome the difficulty in selecting classification by each class and in naming class by the unsupervised classification; so as achieve difficulty in selecting the training data in supervised classification. The extracted initial training data were utilized as the training data of MLC for the land cover classification of target satellite images, which increase the accuracy of unsupervised classification. Finally, the land cover maps could be extracted from updated training data that has been applied by an iterative method. Also, in order to reduce salt and pepper occurring in the pixel classification method, the MRF was applied in each repeated phase to enhance the accuracy of classification. It was verified quantitatively and visually that the proposed method could effectively generate the land cover maps.
각 반복단계별 MRF를 적용하여 화소기반에서 발생할 수 있는 노이즈를 감소시키고, 정해진 임계치를 만족할 때 까지 반복과정을 수행하였다. 결과적으로, 자동으로 추출된 훈련자료를 활용하여 토지피복지도를 분류하고 반복과정을 거쳐 정확도를 향상시키고자 하였다.
따라서, 본 연구에서는 기존의 토지피복도와 단일 위성영상만을 이용하여 무감독분류를 수행하고 클래스를 자동으로 인식하여 초기 훈련자료를 추출하였다. 추출된 훈련자료를 MLC의 초기 훈련자료로 적용하여 재분류하고 이전 훈련자료와 비교를 통하여 새로운 훈련자료를 생성하였다.
제안 방법
첫 번째 초기 훈련자료 추출 1. 2010년 대분류 토지피복도를 T1으로 정의하고 T1의 각 클래스별 분포도와 30년간 전국 토지피복도 변화율을 이용하여 MRF와 ISODATA의 클래스 명명에 필요한 선험확률을 추출한다. 2.
추출된 훈련자료를 MLC의 초기 훈련자료로 적용하여 재분류하고 이전 훈련자료와 비교를 통하여 새로운 훈련자료를 생성하였다. 각 반복단계별 MRF를 적용하여 화소기반에서 발생할 수 있는 노이즈를 감소시키고, 정해진 임계치를 만족할 때 까지 반복과정을 수행하였다. 결과적으로, 자동으로 추출된 훈련자료를 활용하여 토지피복지도를 분류하고 반복과정을 거쳐 정확도를 향상시키고자 하였다.
반복적 피복분류는 총 2단계로 구성되며, 첫 번째 단계는 기존 토지피복도와 위성영상의 ISODATA를 이용 피복데이터를 추출하는 단계이다. 두 번째 단계는 갱신된 훈련자료를 이용하여 새로운 토지피복도를 생성하고, 새로운 토지피복도와 이전 단계의 토지피복도를 비교하고 수렴조건을 만족하지 못하는 경우 새로운 토지피복도를 이용하여 MRF의 선험확률과 갱신된 훈련자료를 추출하게 된다. 수렴조건은 기존의 토지피복도를 T1와 초기 훈련자료로 분류한 피복도를 T2로 정의하고, T1과 T2를 비교하였을 때 변화가 일정한(1%) 범위에 도달하는 경우이며, 각각의 피복도를 비교하여 변화가 일정 기준치이하로 수렴할때까지 반복적으로 분류를 수행한다.
두 번째 훈련자료 반복 추출 (이전 토지피복도를 T1M라 정의)를 통한 토지피복도 갱신 1. T1M을 이용하여 각 클래스별 분포를 추출하고 이를 선험확률로 정의한다.
본 연구에서는 환경부에서 제공하는 대분류 토지피복도를 이용하여 ISODATA의 클래스의 명명과 피복을 결정하고, 이를 활용하여 자동으로 토지피복도를 분류하는 방법을 제안하였다. 또한, 초기 훈련자료에서 제거되지 않은 훈련자료내의 혼합된 분광특성을 반복적인 피복분류를 통해 제거하여 정확한 토지피복지도를 갱신하고자 하였다.
1과 같다. 먼저, Landsat 자료와 토지피복도를 활용하여 자동으로 초기 훈련자료를 추출하였고, 이를 기반으로 피복분류를 반복적으로 적용하여 훈련자료를 재설정하고 토지피복지도를 갱신하였다.
본 연구는 위성영상의 대기보정을 위한 전처리 과정, 초기 훈련자료의 구축, 반복 분류를 통한 최종 훈련자료 추출 등으로 구분되며, 연구 흐름도는 Fig. 1과 같다.
본 연구에서는 기존의 토지피복지도를 가지고 생성된 훈련자료를 이용하여 Landsat OLI 영상의 분류를 수행하고자 하였으며, 제안방법과 기존의 방법을 비교하여 다음과 같은 결과를 얻을 수 있었다.
, 2009). 본 연구에서는 기존의 토지피복지도를 이용하여 각각의 정보클래스를 분류하고 분류된 클래스에서 대표되는 클래스를 이용하여 훈련자료를 생성하는 방법을 사용하였다.
본 연구에서는 환경부에서 제공하는 대분류 토지피복도를 이용하여 ISODATA의 클래스의 명명과 피복을 결정하고, 이를 활용하여 자동으로 토지피복도를 분류하는 방법을 제안하였다. 또한, 초기 훈련자료에서 제거되지 않은 훈련자료내의 혼합된 분광특성을 반복적인 피복분류를 통해 제거하여 정확한 토지피복지도를 갱신하고자 하였다.
첫 번째, 단일 Landsat 영상과 환경부에서 제공하는 대분류 토지피복도를 이용하여 대표 분광 클래스를 선정하였고, 대분류 토지피복도와 매칭을 통하여 토지피복분류를 위한 초기 훈련자료를 추출하였다. 또한, 화소기반에서 발생하는 salt and pepper를 효과적으로 감소시킬 수 있었으며, 반복을 통하여 훈련자료를 갱신하고 최종적인 토지피복지도를 분류할 수 있었다.
따라서, 본 연구에서는 기존의 토지피복도와 단일 위성영상만을 이용하여 무감독분류를 수행하고 클래스를 자동으로 인식하여 초기 훈련자료를 추출하였다. 추출된 훈련자료를 MLC의 초기 훈련자료로 적용하여 재분류하고 이전 훈련자료와 비교를 통하여 새로운 훈련자료를 생성하였다. 각 반복단계별 MRF를 적용하여 화소기반에서 발생할 수 있는 노이즈를 감소시키고, 정해진 임계치를 만족할 때 까지 반복과정을 수행하였다.
대상 데이터
본 연구에서 제시한 영상분류기법을 적용하기 위하여 2013년 6월 5일에 촬영된 경상북도 상주지역의 영상(1500×1500 pixels)과 동일지역의 2010년 환경부 대분류 토지피복지도를 사용하였다(Fig. 6).
본 연구에서는 NASA에서 발사한 Landsat OLI 센서를 통하여 취득한 위성영상을 활용하였다. Landsat OLI 위성센서는 panchromatic을 제외한 총 8개의 다중 분광 밴드를 제공한다.
6). 일반적인 대분류 토지피복지도의 경우, 도심지, 농지, 산지, 초지, 습지, 나지, 수역 등의 총 7개 클래스로 구성되어 있으나, 대상지역의 경우 습지에 해당하는 지역이 유의미한 화소수를 가지고 있지 않아 본 연구에서는 습지를 제외한 총 6개의 지역을 대상으로 토지피복지도를 생성하였다.
이론/모형
본 연구에서 초기 사전확률은 기존의 토지피복도의 분포로 사용하였으며, 주변 화소는 2차 이웃 방법을 적용하였다(Fig. 4).
Landsat OLI 영상은 사용자들에게 DN(Digital Number) 값과 함께 각 화소의 상태를 QA밴드로 제공하고 있다. 본 연구에서는 QA밴드를 이용하여 구름 등과 같은 노이즈를 제거하고 ATCOR(ATmospheric CORrection) 모듈을 활용하여 대기보정을 수행하였다(Choi et al., 2014b; Richter and Schläfer, 2012).
화소기반의 분류 방법에서는 salt and pepper라 불리우는 오류가 발생하게 된다(Lu and Weng, 2007). 이와 같은 오류를 해결하기 위하여 객체기반의 분류가 제안되었으나(Blaschke, 2010), 이러한 방법은 많은 변수들이 필요하기 때문에 본 연구에서는 이와같은 오류를 줄이는데 효과적인 MRF(Markov random fields)를 이용하여 오류를 줄이고자 하였다(Sui et al., 2012; Szeliski et al., 2008). MRF에서 화소(i,j)가 클래스 Ci에 속할 확률은 Eqs.
성능/효과
두 번째, 기존의 방법을 통하여 분류된 피복 지도는 전체정확도(94%) 및 카파계수(0.92)와 비교하여 높은 전체정확도(96%)와 카파계수(0.95)를 나타냈으며, 시각적 분석을 통해서도 기존의 방법과 유사한 토지피복지도를 생성할 수 있었다.
첫 번째, 단일 Landsat 영상과 환경부에서 제공하는 대분류 토지피복도를 이용하여 대표 분광 클래스를 선정하였고, 대분류 토지피복도와 매칭을 통하여 토지피복분류를 위한 초기 훈련자료를 추출하였다. 또한, 화소기반에서 발생하는 salt and pepper를 효과적으로 감소시킬 수 있었으며, 반복을 통하여 훈련자료를 갱신하고 최종적인 토지피복지도를 분류할 수 있었다.
세 번째, 토지피복도 생성결과 농경지를 도심지로 오분류하는 기존기법의 문제점을 해결 할 수 있었으나, 제안된 방법이 초지를 산림으로 오분류하는 것도 확인할 수 있었다.
위의 결과를 통하여 제안 방법이 기존의 토지피복지도를 활용하여 훈련자료를 자동으로 생성하고, 생성된 훈련자료를 감독분류에 적용하여 활용할 수 있음을 알 수 있었으나, 제안된 기법은 초지를 산림으로 오분류하였기 때문에 개선해야할 것으로 판단되었다.
8에서 참조자료와 보통의 일치도를 나타낸다고 볼 수 있으며, 제안방법이 기존방법보다 높은 일치도를 보였다. 이를 통해, 본 연구에서 제안한 기법은 토지피복지도를 사용하여 효과적으로 훈련자료를 자동 추출할 수 있음을 확인하였다. 클래스에 대한 사용자 정확도와 생산자 정확도를 비교하여 보면 나지, 수계지역의 경우에는 유사한 정확도를 나타내었다.
참고문헌 (27)
Blaschke, T. (2010), Object based image analysis for remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 65, No. 1, pp. 2-16.
Bruzzone, L. and Prieto, D. F. (2000), Automatic analysis of the difference image for unsupervised change detection, IEEE Transactions on Geoscience and Remote Sensing, Vol. 38, No. 3, pp. 1171-1182.
Chen, X., Chen, J., Shi, Y., and Yamaguchi, Y. (2012), An automated approach for updating land cover maps based on integrated change detection and classification methods, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 71, pp. 86-95.
Choi, J. W., Noh, S. T., and Choi, S. K. (2014a), Unsupervised classification of Landsat-8 OLI satellite imagery based on iterative spectral mixture model, Journal of the Korean Society for Geospatial Information System, Vol. 22, No. 4, pp. 53-61. (in Korean with English abstract)
Choi, S. K., Lee, S. K., and Wang, B. (2014b), 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. (in Korean with English abstract)
Dickinson, R. E., Kennedy, P. J., and Henderson-Sellers, A. (1993), Biosphere-atmosphere transfer scheme (BATS) version 1e as coupled to the NCAR community climate model, NCAR/TN-387+STR, National Center for Atmospheric Research, pp. 1-59.
Franklin, S. E. and Wulder, M. A. (2002), Remote sensing methods in medium spatial resolution satellite data land cover classification of large areas, Progress in Physical Geography, Vol. 26, No. 2, pp. 173-205.
Friedl, M. A. and Brodley, C. E. (1997), Decision tree classification of land cover from remotely sensed data, Remote Sensing of Environment, Vol. 61, No. 3, pp. 399-409.
Friedl, M. A., McIver, D. K., Hodges, J. C., Zhang, X. Y., Muchoney, D., Strahler, A. H., Woodcock. C. E., Gopal. S., Schneider. A., Cooper. A., Baccini. a., Gao. F., and Schaaf, C. (2002), Global land cover mapping from MODIS: algorithms and early results, Remote Sensing of Environment, Vol. 83, No. 1, pp. 287-302.
Hansen, M. C., DeFries, R. S., Townshend, J. R., and Sohlberg, R. (2000), Global land cover classification at 1 km spatial resolution using a classification tree approach, International Journal of Remote Sensing, Vol. 21, No. 6-7, pp. 1331-1364.
Hansen, M. C. and Reed, B. (2000), A comparison of the IGBP DISCover and University of Maryland 1 km global land cover products, International Journal of Remote Sensing, Vol. 21, No. 6-7, pp. 1365-1373.
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.
Jensen, J. R. (2009), Remote Sensing of the Environment: An Earth Resource Perspective(2nd Edition), Prentice Hall Inc.
KaptuéTchuenté, A. T., Roujean, J. L., Bégué, A., Los, S. O., Boone, A. A., Mahfouf, J. F., Carrer, D., and Daouda, B. (2011), A new characterization of the land surface heterogeneity over Africa for use in land surface models, Journal of Hydrometeorology, Vol. 12. No. 6, pp. 1321-1336.
Kim, Y. M., Kim, Y. I., Park, W. Y., and Eo, Y. D. (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.
Loveland, T. R., Reed, B. C., Brown, J. F., Ohlen, D. O., Zhu, Z., Yang, L. W. M. J., and Merchant, J. W. (2000), Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data, International Journal of Remote Sensing, Vol. 21, No. 6-7, pp. 1303-1330.
Lu, D., Mausel, P., Brondizio, E., and Moran, E. (2004), Change detection techniques, International Journal of Remote Sensing, Vol. 25. No. 12, pp. 2365-2401.
Lu, D. and Weng, Q. (2007), A survey of image classification methods and techniques for improving classification performance, International Journal of Remote Sensing, Vol. 28, No. 5, pp. 823-870.
Pal, M. and Mather, P. M. (2003), An assessment of the effectiveness of decision tree methods for land cover classification, Remote Sensing of Environment, Vol. 86, No. 4, pp. 554-565.
Richter, R. and Schläpfer, D. (2005), Atmospheric/Topographic Correction for Satellite Imagery, DLR report DLR-IB, pp. 565-01.
Schläpfer, D., Richter, R., and Kellenberger, T. W. (2012), Aspects of atmospheric and topographic correction of high spatial resolution imagery, In IGARSS, pp. 4291-4294.
Selim, S. Z. and Ismail, M. A. (1984), K-means-type algorithms: a generalized convergence theorem and characterization of local optimality, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 1, pp. 81-87.
Sui, H., Peng, F., Xu, C., Sun, K., and Gong, J. (2012), GPU-accelerated MRF segmentation algorithm for SAR images, Computers and Geosciences, Vol. 43, pp. 159-166.
Szeliski, R., Zabih, R., Scharstein, D., Veksler, O., Kolmogorov, V., Agarwala, A., Tappen, M., and Rother, C. (2008), A comparative study of energy minimization methods for markov random fields with smoothness-based priors, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 30, No. 6, pp. 1068-1080.
Yu, L., Porwal, A., Holden, E. J., and Dentith, M. C. (2012), Towards automatic lithological classification from remote sensing data using support vector machines, Computers and Geosciences, Vol. 45, pp. 229-239.
Zhang, Z., Wang, X., Zhao, X., Liu, B., Yi, L., Zuo, L., Wen, Q., Liu, F., Xu, J., and Hu, S. (2014), A 2010 update of national land use/cover database of China at 1:100000 scale using medium spatial resolution satellite images, Remote Sensing of Environment, Vol. 149, pp. 142-154.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.