Landsat-8 OLI 영상과 식생 및 수분지수를 이용한 하천유역 토지피복분류 정확도 개선 Improving Accuracy of Land Cover Classification in River Basins using Landsat-8 OLI Image, Vegetation Index, and Water Index원문보기
원격탐사는 관찰하고자 하는 지역을 직접 방문하지 않고, 영상만으로도 적은 비용으로 짧은 시간 안에 대상지역을 연구하는데 있어 효율적인 기술이다. 본 연구에서는 가장 최근에 발사된 Landsat-8 OLI(Operational Land Imager) 영상을 이용하여 하천유역의 토지피복분류 정확도를 개선하는 방법을 제안하였다. 제안된 방법 중 첫 번째로 Landsat-8 OLI 영상을 이용하여 정규식생지수인 NDVI(Normalized Difference Vegetation Index)와 정규수분지수 NDWI(Normalized Difference Water Index)를 생성하였다. 두 번째로 원래의 영상에 생성된 NDVI와 NDWI 2개의 밴드를 Layer-Stacking하여 새로운 영상을 만들었다. 마지막으로 기존의 영상과 밴드조합을 적용한 새로운 영상에 각각 MLC(Maximum LikelihoodClassification), SVM(Support Vector Machine)의 감독분류를 적용하였다. 하천피복분류를 할 때 정확도를 개선하는데 있어 그 의미가 있으며, 분류결과 MLC 분류방법을 적용하였을 때 약 8% 이상, SVM 분류방법을 적용하였을 때 약 1.6% 정도 개선되었다. 향후 다양한 영상과 밴드조합을 통한 연구가 이루어진다면 보다 나은 의사결정에 도움이 될 것으로 사료된다.
원격탐사는 관찰하고자 하는 지역을 직접 방문하지 않고, 영상만으로도 적은 비용으로 짧은 시간 안에 대상지역을 연구하는데 있어 효율적인 기술이다. 본 연구에서는 가장 최근에 발사된 Landsat-8 OLI(Operational Land Imager) 영상을 이용하여 하천유역의 토지피복분류 정확도를 개선하는 방법을 제안하였다. 제안된 방법 중 첫 번째로 Landsat-8 OLI 영상을 이용하여 정규식생지수인 NDVI(Normalized Difference Vegetation Index)와 정규수분지수 NDWI(Normalized Difference Water Index)를 생성하였다. 두 번째로 원래의 영상에 생성된 NDVI와 NDWI 2개의 밴드를 Layer-Stacking하여 새로운 영상을 만들었다. 마지막으로 기존의 영상과 밴드조합을 적용한 새로운 영상에 각각 MLC(Maximum Likelihood Classification), SVM(Support Vector Machine)의 감독분류를 적용하였다. 하천피복분류를 할 때 정확도를 개선하는데 있어 그 의미가 있으며, 분류결과 MLC 분류방법을 적용하였을 때 약 8% 이상, SVM 분류방법을 적용하였을 때 약 1.6% 정도 개선되었다. 향후 다양한 영상과 밴드조합을 통한 연구가 이루어진다면 보다 나은 의사결정에 도움이 될 것으로 사료된다.
Remote sensing is an efficient technology for observing and monitoring the land surfaces inaccessible to humans. This research proposes a methodology for improving the accuracy of the land cover classification using the Landsat-8 operational land imager(OLI) image. The proposed methodology consists ...
Remote sensing is an efficient technology for observing and monitoring the land surfaces inaccessible to humans. This research proposes a methodology for improving the accuracy of the land cover classification using the Landsat-8 operational land imager(OLI) image. The proposed methodology consists of the following steps. First, the normalized difference vegetation index(NDVI) and normalized difference water index(NDWI) images are generated from the given Landsat-8 OLI image. Then, a new image is generated by adding both NDVI and NDWI images to the original Landsat-8 OLI image using the layer-stacking method. Finally, the maximum likelihood classification(MLC), and support vector machine(SVM) methods are separately applied to the original Landsat-8 OLI image and new image to identify the five classes namely water, forest, cropland, bare soil, and artificial structure. The comparison of the results shows that the utilization of the layer-stacking method improves the accuracy of the land cover classification by 8% for the MLC method and by 1.6% for the SVM method. This research proposes a methodology for improving the accuracy of the land cover classification by using the layer-stacking method.
Remote sensing is an efficient technology for observing and monitoring the land surfaces inaccessible to humans. This research proposes a methodology for improving the accuracy of the land cover classification using the Landsat-8 operational land imager(OLI) image. The proposed methodology consists of the following steps. First, the normalized difference vegetation index(NDVI) and normalized difference water index(NDWI) images are generated from the given Landsat-8 OLI image. Then, a new image is generated by adding both NDVI and NDWI images to the original Landsat-8 OLI image using the layer-stacking method. Finally, the maximum likelihood classification(MLC), and support vector machine(SVM) methods are separately applied to the original Landsat-8 OLI image and new image to identify the five classes namely water, forest, cropland, bare soil, and artificial structure. The comparison of the results shows that the utilization of the layer-stacking method improves the accuracy of the land cover classification by 8% for the MLC method and by 1.6% for the SVM method. This research proposes a methodology for improving the accuracy of the land cover classification by using the layer-stacking method.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
, 2014)등과 같이 감독 분류 기법들을 이용하여 토지피복분류에 관한 정확도 평가를 위한 연구나 특정 밴드를 이용한 식생지역 추출, 수계지역추출 등과 같이 정확도를 얻기 위한 연구들이 주를 이루고 있으며, 본 연구에서는 이러한 정확도를 향상 하고자 하는 방법을 제안하였다. Landsat 위성영상 중에서 가장 최근 2013년 2월 11일에 발사된 Landsat-8 OLI 영상을 활용하여 하천 피복분류를 할 때 정확도가 어떻게 변화하는지 분석하고자 하였으며 이를 기반으로 NDVI와 NDWI 밴드를 조합했을 때 영상의 활용 가능성을 제시하는데 그 목적이 있다.
이때 사용한 분류기법으로는 MLC와 SVM과 같은 감독분류를 이용하여 정확도를 확인하고 정확도 개선에 관한 연구를 하고자 한다. 기존 연구에서는 다양한 위성영상을 이용한 연구(Kang et al., 2009), 감독분류가 아닌 무감독 분류의 한 종류인 ISODATA 기법을 RapidEye 영상으로부터 하천을 추출하는 연구(Jo, 2012), 고해상도 영상을 활용한 연구(Kim et al., 2014)등과 같이 감독 분류 기법들을 이용하여 토지피복분류에 관한 정확도 평가를 위한 연구나 특정 밴드를 이용한 식생지역 추출, 수계지역추출 등과 같이 정확도를 얻기 위한 연구들이 주를 이루고 있으며, 본 연구에서는 이러한 정확도를 향상 하고자 하는 방법을 제안하였다. Landsat 위성영상 중에서 가장 최근 2013년 2월 11일에 발사된 Landsat-8 OLI 영상을 활용하여 하천 피복분류를 할 때 정확도가 어떻게 변화하는지 분석하고자 하였으며 이를 기반으로 NDVI와 NDWI 밴드를 조합했을 때 영상의 활용 가능성을 제시하는데 그 목적이 있다.
본 연구에서는 다양한 연구 분야에서 활용되고 있는 미국의 Landsat위성으로, 2013년 발사된 Landsat-8 OLI 영상을 이용하여, 경상남도 창녕군 일대(15km×15km)의 토지피복분류를 하기 위해 감독 분류기법을 수행하였다.
기존의 영상과 새로 생성된 영상에 각각 감독분류를 수행하여 분류정확도를 비교(Sakong and Im, 2003), 정확도를 보다 개선하기 위한 방안을 확인하고 검증 할 것이다. 이때 사용한 분류기법으로는 MLC와 SVM과 같은 감독분류를 이용하여 정확도를 확인하고 정확도 개선에 관한 연구를 하고자 한다. 기존 연구에서는 다양한 위성영상을 이용한 연구(Kang et al.
제안 방법
정확도 검증을 위해 창녕군 일대 남지읍, 장마면, 도천면, 유어면, 낙서면 등 7곳의 현장 지역을 직접 방문하여 분류된 결과를 비교 분석하였다. Landsat-8 OLI 영상을 이용하여 Band Math 기능을 통해 지수에 맞는 수식을 입력하여 NDVI와 NDWI를 추출하였다. 분류를 수행 할 때 정확도의 개선 여부를 확인하기 위해 기존 영상의 밴드에 새롭게 추출된 NDVI와 NDWI를 Layer-Stacking하여 새로운 영상을 생성하여 각각 토지피복분류를 수행하였다.
토지피복 분류를 위해 사용한 기법은 MLC와 SVM과 같은 감독분류기법을 적용하였다. 개선 방안을 검토하기 위해 연구대상지역을 직접 현장 방문하여 그 결과를 검증하였다. 분류 항목으로는 산지와 식생지역을 하나의 클래스, 하천과 호수 등을 포함하는 수계지역을 하나의 클래스로 도심지와 도로, 비닐하우스 등을 포함하는 클래스와 논과 밭 등 건천과 나지 등을 포함하는 클래스로 5가지의 분류 항목을 선정하였다.
Layer-Stacking 기법이란 사용하고자 하는 밴드를 하나의 새로운 영상으로 조합하는 기능이다. 기존의 영상과 Landsat-8 OLI의 11개 밴드 중 2개의 열 밴드를 제외한 9개의 밴드와 추가로 얻어진 NDVI, NDWI 밴드를 이용하여 새로운 영상을 생성하였으며, 이렇게 얻어진 새로운 영상에 각각 감독분류의 종류인 MLC기법과 SVM을 각각 적용하여 그 결과를 분석하였다.
첫 번째로 Landsat Series 중에서 가장 최근에 발사한 Landsat-8 OLI 영상을 취득하였다(USGS global visualization viewer). 두 번째로는 ENVI 4.5에서 제공하는 Band Math 기능을 이용하여 밴드조합을 실시한 결과 NDVI 밴드와 NDWI 밴드를 추가로 생성하였다. 마지막으로는 Layer-Stacking 기법을 이용하였다.
본 연구에서는 USGS(United States Geological Survey)에서 무료로 제공하는 Landsat-8 OLI 영상을 Band Math 기능을 활용하여 정규 식생지수 NDVI와 정규수분지수 NDWI를 생성하여 기존 영상 밴드에 Layer-Stacking하여 새로운 하나의 영상을 생성한다. 기존의 영상과 새로 생성된 영상에 각각 감독분류를 수행하여 분류정확도를 비교(Sakong and Im, 2003), 정확도를 보다 개선하기 위한 방안을 확인하고 검증 할 것이다.
30m급 해상도는 대분류에 속하며 우리나라의 대표적인 클래스로 도시, 식생, 수계, 농지, 초지, 습지, 나지 등 7가지로 이루어져 있다. 본 연구에서는 환경부에서 제공하는 대분류 7개 항목 중 산림지역과 초지지역을 하나의 클래스로 하천과 습지지역을 하나의 클래스로 농업지역 중분류 항목에 속하는 시설재배지인 비닐하우스를 시가지와 도로 등에 포함시켜 인공구조물로 하나의 클래스로 설정하였고 논과 밭, 나지와 기타 나지 등을 각각 농경지와 건천지역으로 하나의 클래스로 설정하였다.
개선 방안을 검토하기 위해 연구대상지역을 직접 현장 방문하여 그 결과를 검증하였다. 분류 항목으로는 산지와 식생지역을 하나의 클래스, 하천과 호수 등을 포함하는 수계지역을 하나의 클래스로 도심지와 도로, 비닐하우스 등을 포함하는 클래스와 논과 밭 등 건천과 나지 등을 포함하는 클래스로 5가지의 분류 항목을 선정하였다. 감독 분류를 수행하였을 때의 전체정확도, 생산자정확도, 사용자정확도가 SVM이 MLC보다 높게 나타났으며, 본 연구에서 제시된 기법을 적용하여 MLC 분류결과를 확인했을 때 기존의 영상에서는 정확도가 약 75%로 나타났고 Layer-Stacking을 했을 때 8%이상 상승하여 약 83%로 감독분류 중에서 가장 높게 정확도가 개선되었다.
Landsat-8 OLI 영상을 이용하여 Band Math 기능을 통해 지수에 맞는 수식을 입력하여 NDVI와 NDWI를 추출하였다. 분류를 수행 할 때 정확도의 개선 여부를 확인하기 위해 기존 영상의 밴드에 새롭게 추출된 NDVI와 NDWI를 Layer-Stacking하여 새로운 영상을 생성하여 각각 토지피복분류를 수행하였다. 토지피복 분류를 위해 사용한 기법은 MLC와 SVM과 같은 감독분류기법을 적용하였다.
Landsat-8 OLI 센서는 열 밴드를 포함한 총 11개의 밴드를 가지고 있다. 식생 및 수계 지역의 트레이닝 영역을 효과적으로 추출하기 위해서 각각을 가시광영역인 Band 3(Red), Band 2(Green)와 Band 4(Near-Infrared)를 사용하였다. 파장대광선의 차이와 비를 이용하여 대표적으로 사용되는 정규식생지수 NDVI와 수분함량을 파악하는데 용이한 정규수분지수 NDWI를 아래의 수식에 적용하여 추출하였다.
대기 중의 먼지나 수증기에 의해서 파란색 빛은 산란이 잘 일어난다. 인공위성으로 이런 파란색 빛을 얻는데 어려움이 있으므로, Landsat-8 OLI에 이러한 단점을 보완하기 위해 Coastal/Aerosol Band를 추가 하였다. 다중분광 영상은 대기 중의 먼지나 수증기, 구름 등의 영향을 많이 받으며, 구름의 경우 경계선이 정확하지 않기 때문에 Band 1과 더불어 Band 9에 새롭게 추가된 Cirrus Band로서 대기상태 및 영상의 보정, 구름의 정확한 범위 측정 등의 목적으로 활발한 연구 중에 있다.
본 연구에서는 다양한 연구 분야에서 활용되고 있는 미국의 Landsat위성으로, 2013년 발사된 Landsat-8 OLI 영상을 이용하여, 경상남도 창녕군 일대(15km×15km)의 토지피복분류를 하기 위해 감독 분류기법을 수행하였다. 정확도 검증을 위해 창녕군 일대 남지읍, 장마면, 도천면, 유어면, 낙서면 등 7곳의 현장 지역을 직접 방문하여 분류된 결과를 비교 분석하였다. Landsat-8 OLI 영상을 이용하여 Band Math 기능을 통해 지수에 맞는 수식을 입력하여 NDVI와 NDWI를 추출하였다.
그림 2는 본 연구에 관한 연구 흐름도를 나타낸 것이다. 첫 번째로 Landsat Series 중에서 가장 최근에 발사한 Landsat-8 OLI 영상을 취득하였다(USGS global visualization viewer). 두 번째로는 ENVI 4.
식생 및 수계 지역의 트레이닝 영역을 효과적으로 추출하기 위해서 각각을 가시광영역인 Band 3(Red), Band 2(Green)와 Band 4(Near-Infrared)를 사용하였다. 파장대광선의 차이와 비를 이용하여 대표적으로 사용되는 정규식생지수 NDVI와 수분함량을 파악하는데 용이한 정규수분지수 NDWI를 아래의 수식에 적용하여 추출하였다.
대상 데이터
본 연구의 연구대상지역인 창녕군은 경상남도 중앙 북단에 위치하고 있으며, 비교적 온화한 기후이다. 여름에는 평균 23.
그림 1은 2015년 06월 04일에 촬영된 Landsat-8 OLI 위성 영상과 연구 대상지역 현장 검증 장소 등을 나타내고 있다. 식생의 활력도와 태풍이나 장마로 인해 홍수 피해가 없는 6월을 선정하였다.
연구범위(15km×15km)내에 식생지역과 하천유역이 인접하게 분포하며 하천유역이 다른 지역보다 명확하게 확인되어 선정하였다.
이론/모형
5에서 제공하는 Band Math 기능을 이용하여 밴드조합을 실시한 결과 NDVI 밴드와 NDWI 밴드를 추가로 생성하였다. 마지막으로는 Layer-Stacking 기법을 이용하였다. Layer-Stacking 기법이란 사용하고자 하는 밴드를 하나의 새로운 영상으로 조합하는 기능이다.
분류를 수행 할 때 정확도의 개선 여부를 확인하기 위해 기존 영상의 밴드에 새롭게 추출된 NDVI와 NDWI를 Layer-Stacking하여 새로운 영상을 생성하여 각각 토지피복분류를 수행하였다. 토지피복 분류를 위해 사용한 기법은 MLC와 SVM과 같은 감독분류기법을 적용하였다. 개선 방안을 검토하기 위해 연구대상지역을 직접 현장 방문하여 그 결과를 검증하였다.
성능/효과
식생과 수계 지역에서는 정확도가 80%이상으로 높게 나타난 것으로 보아 NDVI와 NDWI의 영향으로 인해 정확도가 상승된 것으로 판단된다. MLC와 SVM 등 사용하는 분류기법에 따라서 정확도의 차이와 밴드조합을 통해서 새롭게 만들어진 영상과의 정확도 차이가 각각 다르다는 것을 확인 할 수 있었다. 추후연구에서는 여러 가지의 다양한 영상과 고해상도 영상을 이용하여, 다양한 밴드의 조합과 연구에 적합한 지수를 밝히고, 다양한 분류기법을 적용해 정확도를 개선하기 위한 연구를 진행한다면 보다 효과적인 결과를 얻을 수 있을 것이라고 사료된다.
3%로 식생과 수계지역의 정확도가 개선이 되어 NDVI와 NDWI의 영향을 받아 정확도가 개선되는 것으로 판단된다. SVM 분류기법을 사용하여 분류 정확도를 살펴본 결과 MLC 보다 전체 정확도 면에서는 우수한 결과를 얻었으나 제안된 기법을 이용하였을 경우 약 2.0% 정도로 MLC보다는 비교적 낮은 상승률을 보였다.
Landsat-8 OLI 위성은 Landsat Series 중에서 2013년 2월11일 가장 최근에 발사된 위성으로 OLI와 TIRS(Thermal Infrared Sensor)의 센서가 탑재 되어있다. 가시영역의 공간해상도는 30m로 기존의 해상도와 동일하지만 열적외선밴드의 공간해상도는 100m로 낮아졌다. 열적외선 밴드의 파장영역은 기존의 밴드와 유사하지만 밴드의 수가 1개에서 2개로 늘어났다는 차이가 있으며 보다 정확한 지표 온도의 측정이 가능하다(USGS Landsat).
분류 항목으로는 산지와 식생지역을 하나의 클래스, 하천과 호수 등을 포함하는 수계지역을 하나의 클래스로 도심지와 도로, 비닐하우스 등을 포함하는 클래스와 논과 밭 등 건천과 나지 등을 포함하는 클래스로 5가지의 분류 항목을 선정하였다. 감독 분류를 수행하였을 때의 전체정확도, 생산자정확도, 사용자정확도가 SVM이 MLC보다 높게 나타났으며, 본 연구에서 제시된 기법을 적용하여 MLC 분류결과를 확인했을 때 기존의 영상에서는 정확도가 약 75%로 나타났고 Layer-Stacking을 했을 때 8%이상 상승하여 약 83%로 감독분류 중에서 가장 높게 정확도가 개선되었다. 하지만 Cropland 클래스의 정확도를 비교 하였을 때 약 45%∼65% 정도의 낮은 분류 결과가 나타났다.
고해상도 위성인 1m급 IKONOS 위성영상을 활용하여 MLC 분류기법을 적용한 연구에서는(Lim et al., 2005) 약 83%의 분류정확도로 나타났으며, 본 연구에서는 기존의 영상을 활용하여 MLC기법을 수행 하였을 때의 결과인 약 75%보다 다소 높은 결과를 확인하였다. 그렇지만 본 연구에서 제안한 기법을 사용하여 비교하였을 때 식생과 수계지역 사용자 정확도와 생산자 정확도의 결과가 각각 80.
0% 이상 상승하였다. 고해상도 위성인 1m급 IKONOS 위성영상을 활용하여 SVM 분류기법을 적용한 연구에서는(Lim et al., 2005) 약 85%의 분류정확도가 나타나 본 연구에서의 분류정확도 결과와 유사하게 나타났다는 것을 확인하였다. 본 연구에서 제안한 기법을 사용하여 비교하였을 때 식생과 수계지역 사용자 정확도와 생산자 정확도의 결과가 각각 80.
, 2005) 약 83%의 분류정확도로 나타났으며, 본 연구에서는 기존의 영상을 활용하여 MLC기법을 수행 하였을 때의 결과인 약 75%보다 다소 높은 결과를 확인하였다. 그렇지만 본 연구에서 제안한 기법을 사용하여 비교하였을 때 식생과 수계지역 사용자 정확도와 생산자 정확도의 결과가 각각 80.4%, 64.9%, 67.0%, 88.7%에서 83.4%, 94.0%, 91.9%, 85.4%로 식생과 수계 지역의 정확도가 개선이 되어 NDVI와 NDWI의 영향을 받아 정확도가 개선되는 것으로 판단된다.
표 1과 그림 5, 표 2와 그림 6에서는 각각 MLC에 의한 분류와 Layer-Stacking을 통해 생성된 토지피복도와 오차행렬이다. 기존영상을 통해 분류된 MLC의 전체 정확도는 75.3%, Layer-Stacking을 통해서 분류된 결과는 83.4%로 전체 정확도가 8% 이상 상승하였다.
표 3과 그림 7, 표 4와 그림 8에서는 각각 SVM에 의한 분류와 layer-stacking을 통해 생성된 토지피복도와 오차행렬이다. 기존영상을 통해 분류된 SVM의 전체 정확도는 82.0%, layer-stacking을 통해서 분류된 결과는 84.0%로 전체 정확도가 2.0% 이상 상승하였다. 고해상도 위성인 1m급 IKONOS 위성영상을 활용하여 SVM 분류기법을 적용한 연구에서는(Lim et al.
, 2005) 약 85%의 분류정확도가 나타나 본 연구에서의 분류정확도 결과와 유사하게 나타났다는 것을 확인하였다. 본 연구에서 제안한 기법을 사용하여 비교하였을 때 식생과 수계지역 사용자 정확도와 생산자 정확도의 결과가 각각 80.1%, 87.5%, 88.7%, 82.8%에서 80.6%, 94.4%, 93.1%, 83.3%로 식생과 수계지역의 정확도가 개선이 되어 NDVI와 NDWI의 영향을 받아 정확도가 개선되는 것으로 판단된다. SVM 분류기법을 사용하여 분류 정확도를 살펴본 결과 MLC 보다 전체 정확도 면에서는 우수한 결과를 얻었으나 제안된 기법을 이용하였을 경우 약 2.
이처럼 정확도 개선 면에서는 MLC 기법에서 SVM 보다 더 많은 정확도가 개선된 것을 확인하였다. 식생과 수계 지역에서는 정확도가 80%이상으로 높게 나타난 것으로 보아 NDVI와 NDWI의 영향으로 인해 정확도가 상승된 것으로 판단된다. MLC와 SVM 등 사용하는 분류기법에 따라서 정확도의 차이와 밴드조합을 통해서 새롭게 만들어진 영상과의 정확도 차이가 각각 다르다는 것을 확인 할 수 있었다.
이는 Cropland 클래스와 Bare Soil 클래스에서 정확한 분류가 이루어지지 않은 것으로 판단되며 클래스 조정이 필요하다고 사료된다. 이처럼 정확도 개선 면에서는 MLC 기법에서 SVM 보다 더 많은 정확도가 개선된 것을 확인하였다. 식생과 수계 지역에서는 정확도가 80%이상으로 높게 나타난 것으로 보아 NDVI와 NDWI의 영향으로 인해 정확도가 상승된 것으로 판단된다.
후속연구
본 연구에서는 USGS(United States Geological Survey)에서 무료로 제공하는 Landsat-8 OLI 영상을 Band Math 기능을 활용하여 정규 식생지수 NDVI와 정규수분지수 NDWI를 생성하여 기존 영상 밴드에 Layer-Stacking하여 새로운 하나의 영상을 생성한다. 기존의 영상과 새로 생성된 영상에 각각 감독분류를 수행하여 분류정확도를 비교(Sakong and Im, 2003), 정확도를 보다 개선하기 위한 방안을 확인하고 검증 할 것이다. 이때 사용한 분류기법으로는 MLC와 SVM과 같은 감독분류를 이용하여 정확도를 확인하고 정확도 개선에 관한 연구를 하고자 한다.
MLC와 SVM 등 사용하는 분류기법에 따라서 정확도의 차이와 밴드조합을 통해서 새롭게 만들어진 영상과의 정확도 차이가 각각 다르다는 것을 확인 할 수 있었다. 추후연구에서는 여러 가지의 다양한 영상과 고해상도 영상을 이용하여, 다양한 밴드의 조합과 연구에 적합한 지수를 밝히고, 다양한 분류기법을 적용해 정확도를 개선하기 위한 연구를 진행한다면 보다 효과적인 결과를 얻을 수 있을 것이라고 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
Layer-Stacking 기법이란 무엇인가?
마지막으로는 Layer-Stacking 기법을 이용하였다. Layer-Stacking 기법이란 사용하고자 하는 밴드를 하나의 새로운 영상으로 조합하는 기능이다. 기존의 영상과 Landsat-8 OLI의 11개 밴드 중 2개의 열 밴드를 제외한 9개의 밴드와 추가로 얻어진 NDVI, NDWI 밴드를 이용하여 새로운 영상을 생성하였으며, 이렇게 얻어진 새로운 영상에 각각 감독분류의 종류인 MLC기법과 SVM을 각각 적용하여 그 결과를 분석하였다.
Landsat-8 OLI 위성의 공간해상도는 어떤 특징이 있는가?
Landsat-8 OLI 위성은 Landsat Series 중에서 2013년 2월11일 가장 최근에 발사된 위성으로 OLI와 TIRS(Thermal Infrared Sensor)의 센서가 탑재 되어있다. 가시영역의 공간해상도는 30m로 기존의 해상도와 동일하지만 열적외선밴드의 공간해상도는 100m로 낮아졌다. 열적외선 밴드의 파장영역은 기존의 밴드와 유사하지만 밴드의 수가 1개에서 2개로 늘어났다는 차이가 있으며 보다 정확한 지표 온도의 측정이 가능하다(USGS Landsat).
NDWI는 무엇을 탐지하는데 주로 사용되는가?
NDWI는 식생이나 지표면에 포함된 수분 함유량을 나타내는 지수로 널리 이용되고 있으며(Jeong, 2012), NDWI 지수는 하천, 호수, 습지 등 수분을 다량으로 함유하고 있는 지형지물을 위성영상에서 탐지하는데 주로 사용된다. 그림 4는 NDWI 식을 이용하여 Landsat-8 OLI 위성에서 추출한 NDWI 영상이다.
참고문헌 (10)
Jeong, J.J. 2012. Comparison of built-up area extraction methods: classification method vs. vegetation index method. Journal of the Korean Cartographic Association 12(3):35-44 (정재준. 2012. 위성영상분류와 식생지수를 이용한 도시지역 추출 비교 연구. 한국지도학회지 12(3):35-44).
Jo, M.H. 2012. A study on the extraction of a river from the RapidEye image using ISODATA algorithm. Journal of the Korean Association of Geographic Information Studies 15(4):1-14 (조명희. 2012. ISODATA 기법을 이용한 RapidEye 영상으로부터 하천의 추출에 관한 연구. 한국지리정보학회지 15(4):1-14).
Kang, J.M., J.K. Park, D.Y. Um and Y.H. Lee. 2007. Hydrosphere change detection of the basin using multi-temporal landsat satellite imagery. Journal of the Korean Association of Geographic Information Studies 10(3):31-39 (강준묵, 박준규, 엄대용, 이용호. 2007. 다시기 Landsat 영상을 이용한 유역의 수계 변화 탐지. 한국지리정보학회지 10(3):31-39).
Kang, J.M., J.S. Lee., J.B. Kim and C. Jang. 2009. A study to compare SVM with maximum likelihood classification using the high resolution satellite imagery. Proceedings of the 35th Convention of Korea Society of Civil Engineers. pp. 1563-1566. (강준묵, 이종신, 김종배, 장천. 2009. 고해상도 위성영상을 이용한 SVM과 최대우도법의 분류 비교 연구. 제 35회 대한토목학회 정기 학술대회 논문집. 1563-1566쪽).
Kim, Y.J., S.Y. Cha and Y.H. Cho. 2014. A study of landcover classification methods using airborne digital ortho imagery in stream corridor. Journal of International Symposium on Remote Sensing 30(2):207-218 (김영진, 차수영, 조용현. 2014. 고해상도 수치항공정사영상기반 하천토지피복지도 제작을 위한 분류기법 연구. 대한원격탐사학회지 30(2):207-218).
Lee, S.H. and J.J. Jeong. 2007. Study of urban extraction using NDVI and NDBI. Proceedings of the 2007 GIS Joint Spring Conference of Korea Society of GeoSpatial Information System. pp.156-161. (이수현, 정재준. 2007. NDVI와 NDBI를 이용한 도시지역 추출에 관한 연구. 한국지형공간정보학회 2007 GIS 공동춘계학술대회 논문집. 156-161쪽).
Lim, H.Y., H.S. Kim, J.S. Choi and K.Y. Yoo. 2005. A study on efficient topography classification of high resolution satelite image. Journal of the Korean Society For Geospatial Information System 13(3):33-40 (임혜영, 김황수, 최준석, 유기윤. 2015. 고해상도 위성영상의 효율적 지형 분류기법 연구. 한국지형공간정보학회지 13(3):33-40).
Sakong, H.S. and J.H. IM. 2003. An Empirical Study on the Land Cover Classification Method using KIONOS Image. Journal of the Korean Association of Geographic Information Studies 6(3):107-116 (사공호상, 임정호. 2003. IKONOS 영상의 토지피복분류 방법에 관한 실증 연구. 한국지리정보학회지 6(3):107-116).
United States Geological Survey(USGS) global visualization viewer. http://glovis.usgs.gov/.
United States Geological Survey(USGS) Landsat. http://landsat.usgs.gov/.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.