[논문]선택적 계층 분류를 이용한 MODIS 자료 기반 작물 분류

김예슬; 이경도; 나상일; 홍석영; 박노욱; 유희영

doi:10.7780/kjrs.2016.32.3.3

선택적 계층 분류를 이용한 MODIS 자료 기반 작물 분류
MODIS Data-based Crop Classification using Selective Hierarchical Classification 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.32 no.3, 2016년, pp.235 - 244

김예슬 (인하대학교 공간정보공학과) , 이경도 (국립농업과학원 기후변화생태과) , 나상일 (국립농업과학원 기후변화생태과) , 홍석영 (국립농업과학원 토양비료과) , 박노욱 (인하대학교 공간정보공학과) , 유희영 (인하대학교 공간정보공학연구소)

초록
AI-Helper

MODIS 자료를 이용한 대규모 작물 분류에는 MODIS 자료의 상대적으로 낮은 공간해상도로 인한 분광학적 혼재 양상이 두드러지게 나타난다. 이러한 분광학적 혼재를 완화하기 위하여 이 연구에서는 작물의 분광특성을 이용하여 특정 작물의 계층을 선택적으로 구분하고 상세 분류를 수행하는 선택적 계층 분류 방법론을 제안하였다. 제안 방법론에서는 특정 작물에 대한 선택적 분류를 수행함으로써 작물간의 혼재를 완화하고 구분력을 향상시킬 수 있다. 제안 방법론의 적용성 평가에는 중국 길림성의 길림시를 대상으로 MODIS 정규식생지수 자료와 근적외선 자료를 이용한 작물 분류의 사례 연구를 수행하였다. 먼저 근적외선 자료의 무감독 분류를 수행하여 벼의 재배지역을 우선적으로 추출한 후에, 시계열 정규식생지수 자료를 이용하여 벼 재배지역이 아닌 영역을 대상으로 옥수수와 콩의 상세 분류를 수행하였다. 사례 연구 결과, 제안 방법론은 유사한 분광특성을 갖는 작물의 계층을 선택적으로 구분함으로써 기존 시계열 정규식생지수 자료와 근적외선 자료를 함께 이용하는 감독 분류 결과보다 향상된 분류 정확도를 나타내었다. 따라서 신뢰성 있는 작물 구분도 제작에 제안 방법론이 효과적으로 사용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

In large-area crop classification with MODIS data, a mixed pixel problem caused by the low resolution of MODIS data has been one of main issues. To mitigate this problem, this paper proposes a hierarchical classification algorithm that selectively classifies the specific crop class of interest by using their spectral characteristics. This selective classification algorithm can reduce mixed pixel effects between crops and improve classification performance. The methodological developments are illustrated via a case study in Jilin city, China with MODIS Normalized Difference Vegetation Index (NDVI) and Near InfRared (NIR) reflectance datasets. First, paddy fields were extracted from unsupervised classification of NIR reflectance. Non-paddy areas were then classified into corn and bean using time-series NDVI datasets. In the case study result, the proposed classification algorithm showed the best classification performance by selectively classifying crops having similar spectral characteristics, compared with traditional direct supervised classification of time-series NDVI and NIR datasets. Thus, it is expected that the proposed selective hierarchical classification algorithm would be effectively used for producing reliable crop maps.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

제안 방법론은 MODIS 자료의 분광 특성을 바탕으로 특정 작물에 대한 계층을 선택적으로 구분하고, 이후 계층에 대한 상세 분류를 순차적으로 수행한다. 이 때 모든 작물 항목들을 한 번의 분류에 고려하는 기존 방법론과 다르게, 특정 작물을 초기에 분류하는 과정에 다른 자료를 선택적으로 추가함으로써 오분류 양상을 줄이고자 하였다. MODIS 자료를 이용한 작물 분류 사례 연구를 통해 제안 방법론의 구체적인 적용 절차를 제시하고, 적용성 평가를 수행하였다.
이 연구에서는 MODIS 자료를 이용한 작물 분류에서 나타날 수 있는 작물간 혼재 양상을 줄이기 위해 특정 작물의 계층을 구분하여 순차적으로 분류를 수행하는 선택적 계층 분류 방법론을 제안하였다. 제안 방법론의 적용성 평가를 위하여 중국 길림성의 길림시를 대상으로 작물 분류를 수행하였으며, 대상 지역의 벼 재배 특성을 고려하여 MODIS 시계열 NDVI 자료와 NIR 자료를 사용하였다.
MODIS 자료 기반 작물 분류에서는 모든 작물 항목을 분류 과정에 고려하는 경우, 공간해상도의 한계와 작물의 유사한 분광특성으로 인해 분류 항목 간의 혼재 양상이 나타날 수 있다. 이 연구에서는 이러한 혼재를 줄이기 위해 작물의 계층을 선택적으로 구분하여 분류를 수행하였다. 사용자료 측면에서 벼의 선택적 계층 구분을 위하여 NIR 자료를 사용하고 작물 분류에는 시계열 NDVI 자료를 사용하였다.
이 연구에서는 작물 구분을 목적으로 MODIS 식생지수 자료에서 유사한 특성을 보이는 작물들의 혼재를 줄이고 분류 정확성을 높이기 위해 선택적 계층 분류 방법론을 제안하였다. 제안 방법론은 MODIS 자료의 분광 특성을 바탕으로 특정 작물에 대한 계층을 선택적으로 구분하고, 이후 계층에 대한 상세 분류를 순차적으로 수행한다.
이후 입력된 데이터와 각 군집의 유사도 측정을 위하여 유클리드 거리를 계산하고, 가장 가까운 군집에 데이터를 할당한다. 이러한 과정을 군집 사이에서 데이터 이동이 없을 때까지 반복하여 군집으로 정의된 최종 분류 결과를 제공한다. 이 연구에서는 무감독 분류 결과와 시계열 Landsat 자료를 시각적으로 비교하여 벼에 해당하는 군집들을 벼 재배지역으로 추출하였다.

제안 방법

, 2014). 250 m로 변환된 GLC30 자료에서 농경지 항목에 해당하는 영역을 추출하여 작물 분류를 수행하였다.
, 2015), 다른 전지구 규모의 토지피복도와 마찬가지로 세분화된 작물 정보는 제공되지 않고 농경지 항목만 제공한다. GLC30 자료의 공간해상도는 30m로 분류 대상 자료인 MODIS 자료와의 공간해상도가 불일치하기 때문에 비율(fraction) 기반의 업스케일링을 통해 GLC30 자료의 해상도 변환을 수행하였다(Kim et al., 2014). 250 m로 변환된 GLC30 자료에서 농경지 항목에 해당하는 영역을 추출하여 작물 분류를 수행하였다.
이 때 모든 작물 항목들을 한 번의 분류에 고려하는 기존 방법론과 다르게, 특정 작물을 초기에 분류하는 과정에 다른 자료를 선택적으로 추가함으로써 오분류 양상을 줄이고자 하였다. MODIS 자료를 이용한 작물 분류 사례 연구를 통해 제안 방법론의 구체적인 적용 절차를 제시하고, 적용성 평가를 수행하였다.
4). NIR 자료를 이용한 1차 계층 분류 결과를 기반으로 시계열 NDVI 자료를 이용하여 벼가 아닌 지역에서 옥수수와 콩에 대한 상세 분류를 수행하였다. 최종 작물 분류 결과는 초기 계층으로 구분된 벼 재배 지역과 옥수수, 콩의 상세 분류 결과를 결합하여 작성하였다.
NIR 자료를 이용한 벼의 계층 구분을 위해 감독 분류와 무감독 분류를 각각 적용하였는데, 두 결과는 유사한 분류 결과를 보였지만 감독 분류 결과에서 고립된 화소들이 일부 존재하여 무감독 분류 결과를 이용하였다. 무감독 분류는 입력 자료의 분광반사특성을 바탕으로 유사한 분광특성을 나타내는 화소를 특정 군집으로 정의하여 분류를 수행한다(Xie et al.
무감독 분류 결과에서 벼 재배지역이 아닌 지역으로 분류된 지역의 상세 분류에는 MODIS 시계열 NDVI 자료를 이용하여 감독 분류를 적용하였다. 감독 분류에는 적은 수의 훈련 자료를 이용하더라도 분류 정확도가 높은 것으로 알려진 SVM을 적용하였다. SVM은 분류와 회귀분석에 커널을 이용하는 기계학습 방법론으로, 원격탐사 자료의 분류에 많이 적용되어 왔다(Melgani and Bruzzone, 2004).
제안 방법론과 기존 분류 방법론과의 분류 정확도 비교를 위해 (1) 시계열 NDVI 자료만을 이용한 감독 분류, (2) 시계열 NDVI 자료와 NIR 자료를 함께 이용한 감독 분류, (3) 제안 방법론의 세 가지 방법론을 적용하였다. 그리고 세 가지 분류 방법론들의 정량적 평가에는 검증 자료와 분류 결과와의 중첩을 통해 얻은 오차 행렬로부터 계산한 전체 정확도 및 분류 항목별 정확도를 이용하였다.
무감독 분류 결과에서 벼 재배지역이 아닌 지역으로 분류된 지역의 상세 분류에는 MODIS 시계열 NDVI 자료를 이용하여 감독 분류를 적용하였다. 감독 분류에는 적은 수의 훈련 자료를 이용하더라도 분류 정확도가 높은 것으로 알려진 SVM을 적용하였다.
사례 연구 지역의 주요 작물은 옥수수, 콩과 벼로 상대적으로 고려하는 작물의 수가 적어서 두 단계로 계층을 구분하였다. 그러나 상대적으로 많은 수의 작물을 고려해야 할 경우, 작물의 생육 정보를 이용하여 보다 많은 계층 구분이 필요할 수도 있고 계층별 구분 과정에 다양한 보조 자료나 고급 분류 방법론을 적용할 필요가 있다.
이러한 과정을 군집 사이에서 데이터 이동이 없을 때까지 반복하여 군집으로 정의된 최종 분류 결과를 제공한다. 이 연구에서는 무감독 분류 결과와 시계열 Landsat 자료를 시각적으로 비교하여 벼에 해당하는 군집들을 벼 재배지역으로 추출하였다.
이 연구에서는 앞에서 살펴본 대상 지역의 작물 특성을 고려하여 MODIS 기반의 시계열 NDVI 자료와 NIR 자료를 이용한 선택적 계층 분류 방법론을 제안하였다. MODIS 자료 기반 작물 분류에서는 모든 작물 항목을 분류 과정에 고려하는 경우, 공간해상도의 한계와 작물의 유사한 분광특성으로 인해 분류 항목 간의 혼재 양상이 나타날 수 있다.
, 2011). 이러한 결정 경계를 찾기 위해 이 연구에서는 선형 커널보다 상대적으로 성능이 우수하다고 알려진 radial basis function 커널을 이용하였으며, 그리드 탐색을 통해 최적의 파라미터를 추출하였다.
이 외에도 길림시에서는 수수, 사탕무 등의 기타 작물도 재배되고 있는데, 이러한 작물은 상대적으로 좁은 영역에서 재배되고 있어 MODIS 중저해상도 자료에서 구분하기에는 어려움이 있고 현장 조사가 불가능하여 확인이 매우 어렵다. 이러한 점을 고려해서 연구에서는 상대적으로 대규모로 재배되는 옥수수, 콩, 벼의 세 작물만을 분류 항목으로 고려하였다.
그러나 모든 작물을 분류 과정에 함께 고려하면서 MODIS 자료의 낮은 공간해상도로 인해 소규모로 작물을 재배하는 지역에서는 여전히 혼재 양상이 나타났다. 이러한 한계를 보완하기 위해 제안 방법론에서는 NIR 자료를 이용하여 벼 재배지역을 선택적으로 구분하고, 시계열 NDVI 자료를 이용하여 벼를 제외한 다른 작물의 분류를 순차적으로 수행하였다. 제안 방법론의 분류 결과에서는 작물간의 분광학적 혼재를 완화시키고 오분류 양상을 줄이면서 가장 높은 정확도를 얻을 수 있었다.
작물 분류를 위한 훈련 자료는 상대적으로 고해상도인 Landsat 자료의 시각적 판독을 통해 추출하였다. 2010년을 대상으로 벼의 분광학적 특성이 구별되는 6월부터 옥수수와 콩의 생육 시기를 고려하여 9월까지 12개의 시계열 Landsat-5 TM과 Landsat-7 ETM+ 자료를 시각적으로 판독하여 훈련 자료를 추출하였다.
제안 방법론과 기존 분류 방법론과의 분류 정확도 비교를 위해 (1) 시계열 NDVI 자료만을 이용한 감독 분류, (2) 시계열 NDVI 자료와 NIR 자료를 함께 이용한 감독 분류, (3) 제안 방법론의 세 가지 방법론을 적용하였다. 그리고 세 가지 분류 방법론들의 정량적 평가에는 검증 자료와 분류 결과와의 중첩을 통해 얻은 오차 행렬로부터 계산한 전체 정확도 및 분류 항목별 정확도를 이용하였다.
이 연구에서는 작물 구분을 목적으로 MODIS 식생지수 자료에서 유사한 특성을 보이는 작물들의 혼재를 줄이고 분류 정확성을 높이기 위해 선택적 계층 분류 방법론을 제안하였다. 제안 방법론은 MODIS 자료의 분광 특성을 바탕으로 특정 작물에 대한 계층을 선택적으로 구분하고, 이후 계층에 대한 상세 분류를 순차적으로 수행한다. 이 때 모든 작물 항목들을 한 번의 분류에 고려하는 기존 방법론과 다르게, 특정 작물을 초기에 분류하는 과정에 다른 자료를 선택적으로 추가함으로써 오분류 양상을 줄이고자 하였다.
제안 방법론의 비교 평가를 목적으로 시계열 NDVI 자료만을 이용한 감독 분류와 NIR 자료와 시계열 NDVI 자료를 모두 이용하는 감독 분류를 수행하였다. 세 가지 분류 결과를 비교해 보면(Fig.
NIR 자료를 이용한 1차 계층 분류 결과를 기반으로 시계열 NDVI 자료를 이용하여 벼가 아닌 지역에서 옥수수와 콩에 대한 상세 분류를 수행하였다. 최종 작물 분류 결과는 초기 계층으로 구분된 벼 재배 지역과 옥수수, 콩의 상세 분류 결과를 결합하여 작성하였다.

대상 데이터

분류 대상 자료로는 기존 작물 분류 연구에서 많이 적용되었던 MODIS 시계열 NDVI 자료를 사용하였다. 16일 주기 합성 자료인 MOD13Q1 NDVI 자료를 사용하였는데, 작물의 생육주기를 고려하여 사전 실험 결과를 토대로 전체 자료를 사용하였을 때와 유사한 정확도를 나타내는 2010년 4월부터 10월까지의 13개 자료를 사용하였다.
작물 분류를 위한 훈련 자료는 상대적으로 고해상도인 Landsat 자료의 시각적 판독을 통해 추출하였다. 2010년을 대상으로 벼의 분광학적 특성이 구별되는 6월부터 옥수수와 콩의 생육 시기를 고려하여 9월까지 12개의 시계열 Landsat-5 TM과 Landsat-7 ETM+ 자료를 시각적으로 판독하여 훈련 자료를 추출하였다. 제안 방법론에 대한 정량적인 평가를 위해 Landsat 자료의 시각적 판독을 통해 훈련 자료와 독립적인 검증 자료를 추출하였다.
MODIS 중저해상도 자료를 이용한 작물 분류를 위해 우리나라보다 상대적으로 넓은 규모에서 작물을 재배하는 중국 길림성의 길림시를 대상 지역으로 선정하였다(Fig. 1). 길림시의 중심 좌표는 동경 126°33′, 북위 43°50′로 중국의 북동쪽에 위치한다.
대상 지역에는 산림, 도심 등 다양한 토지 피복이 존재하지만, 이 연구의 주목적이 대상 지역내 작물의 세분류이기 때문에 우선 작물 재배 지역만을 추출하여 분류에 사용하였다. 길림시의 작물 재배 지역 추출에 중국의 전 지구적 토지피복도 자료인 2010년 GlobeLand30(GLC30) 자료를 사용하였으며, 이 자료의 제작 시기를 고려하여 2010년을 대상으로 사례 연구를 수행하였다(Fig. 1). GLC30 자료는 Landsat 영상 기반의 토지피복도로 수계, 산림, 농경지, 시가지 등을 포함한 10개 분류 항목으로 제공되는데(Chen et al.
2). 본 예비 실험 결과를 바탕으로 NDVI 자료에서 나타나는 작물간의 분광학적 혼재를 줄이고 벼의 선택적 계층 분류를 위하여 6월 MODIS NIR 자료를 부가적으로 사용하였다.
분류 대상 자료로는 기존 작물 분류 연구에서 많이 적용되었던 MODIS 시계열 NDVI 자료를 사용하였다. 16일 주기 합성 자료인 MOD13Q1 NDVI 자료를 사용하였는데, 작물의 생육주기를 고려하여 사전 실험 결과를 토대로 전체 자료를 사용하였을 때와 유사한 정확도를 나타내는 2010년 4월부터 10월까지의 13개 자료를 사용하였다.
이 연구에서는 이러한 혼재를 줄이기 위해 작물의 계층을 선택적으로 구분하여 분류를 수행하였다. 사용자료 측면에서 벼의 선택적 계층 구분을 위하여 NIR 자료를 사용하고 작물 분류에는 시계열 NDVI 자료를 사용하였다. 제안 방법론의 적용 절차는 Fig.
연구 대상 지역에서는 벼의 생육에 유리한 조건을 제공하기 위해 6월 초부터 50~60일 정도 담수하는 관개시기가 있는데, 이 시기에는 토양과 물의 분광특성이 혼재되어 나타난다. 이러한 분광특성에도 불구하고, 관개시기의 NDVI에서는 벼와 다른 작물 간의 분광학적 혼재 양상이 나타난다.
2010년을 대상으로 벼의 분광학적 특성이 구별되는 6월부터 옥수수와 콩의 생육 시기를 고려하여 9월까지 12개의 시계열 Landsat-5 TM과 Landsat-7 ETM+ 자료를 시각적으로 판독하여 훈련 자료를 추출하였다. 제안 방법론에 대한 정량적인 평가를 위해 Landsat 자료의 시각적 판독을 통해 훈련 자료와 독립적인 검증 자료를 추출하였다. 최종적으로 대상 지역의 모든 분류 항목을 대상으로 256개의 훈련 자료와 365개의 검증 자료를 이용하였다.
이 연구에서는 MODIS 자료를 이용한 작물 분류에서 나타날 수 있는 작물간 혼재 양상을 줄이기 위해 특정 작물의 계층을 구분하여 순차적으로 분류를 수행하는 선택적 계층 분류 방법론을 제안하였다. 제안 방법론의 적용성 평가를 위하여 중국 길림성의 길림시를 대상으로 작물 분류를 수행하였으며, 대상 지역의 벼 재배 특성을 고려하여 MODIS 시계열 NDVI 자료와 NIR 자료를 사용하였다. 사례 연구 결과, 시계열 NDVI 자료만을 사용한 분류 결과에서 유사한 생육 주기를 갖는 작물의 분광학적 혼재 양상이 두드러지게 나타났다.
제안 방법론에 대한 정량적인 평가를 위해 Landsat 자료의 시각적 판독을 통해 훈련 자료와 독립적인 검증 자료를 추출하였다. 최종적으로 대상 지역의 모든 분류 항목을 대상으로 256개의 훈련 자료와 365개의 검증 자료를 이용하였다.

이론/모형

, 2008). 이 연구에서는 무감독 분류 기법 중에서 표본의 평균을 중심으로 군집을 생성하는 K-평균(means) 알고리즘을 적용하였다(Jain, 2010). K-평균 알고리즘은 입력된 자료에서 분석자가 입력한 군집의 수만큼 표본을 임의로 추출하고, 이를 각 군집의 중심으로 설정한다.

성능/효과

4에 제시하였다. Fig. 2에 제시된 NIR 자료와 비교했을 때 해당 자료에서 낮은 반사율을 나타내는 벼 재배 지역과 상대적으로 높은 반사율을 나타내는 다른 작물 재배지역을 용이하게 구분할 수 있었다(Fig. 4). 벼의 관개시기에 촬영된 NIR 자료를 이용함으로써 토양의 분광특성만을 나타내는 다른 작물 재배 지역보다 상대적으로 낮은 반사율을 나타내는 벼 재배 지역 추출이 용이하였다.
특히 NIR 자료와 시계열 NDVI 자료를 함께 사용한 감독 분류 결과에서 이러한 양상이 두드러지게 나타났다. NIR 자료에서 나타나는 벼의 분광특성으로 NDVI 자료만을 이용했을 때보다 다른 작물과의 구분력이 향상되었다. 그러나 소규모로 벼를 재배하는 지역에서는 MODIS의 낮은 공간해상도로 다른 작물과의 혼재 양상이 여전히 존재하는 것으로 판단된다.
사례 연구 결과, 시계열 NDVI 자료만을 사용한 분류 결과에서 유사한 생육 주기를 갖는 작물의 분광학적 혼재 양상이 두드러지게 나타났다. NIR 자료와 시계열 NDVI 자료를 함께 사용한 분류 결과에서는 벼의 관개시기 NIR 자료를 분류 과정에 고려함으로써 벼와 다른 작물과의 구분력이 향상되어 시계열 NDVI 자료를 이용한 분류 결과보다 상대적으로 혼재양상이 완화된 것으로 나타났다. 그러나 모든 작물을 분류 과정에 함께 고려하면서 MODIS 자료의 낮은 공간해상도로 인해 소규모로 작물을 재배하는 지역에서는 여전히 혼재 양상이 나타났다.
이와 관련하여 Wardlow and Egbert(2008)은 MODIS 시계열 식생지수 자료를 이용하여 작물과 다른 피복의 시계열 분광특성을 고려하여 작물과 다른 피복의 계층을 구분하고, 작물에 대한 상세 분류를 적용하여 최종 작물 분류를 수행하였다. 관심 작물만을 분류하기 위하여 다른 분류 항목들을 분류 대상에서 분리시킴으로써 작물과 다른 피복 간의 구분력을 향상시킬 수 있었다. 그러나 유사한 분광특성을 나타내는 작물 계층 내에서는 여전히 분광학적 혼재가 존재하는 한계가 있었다.
5(b)). 그러나 두 감독 분류 결과에서는 모든 항목을 분류 과정에 고려하면서 제안 방법론의 분류 결과보다 상대적으로 벼의 과대추정 양상이 나타났다. 특히 NIR 자료와 시계열 NDVI 자료를 함께 사용한 감독 분류 결과에서 이러한 양상이 두드러지게 나타났다.
시계열 NDVI 자료에서 다른 작물과의 분광학적 혼재로 인해 벼의 과소추정 양상이 나타났고 그 영향으로 정확도가 저하되었다. 반면 NIR 자료와 시계열 NDVI 자료를 이용한 감독 분류 결과에서는 NIR 자료에서 나타나는 벼의 분광특성을 이용하여 다른 작물과의 구분력을 향상시키고 벼의 과소추정 양상을 완화시킴으로써 벼의 정확도가 크게 향상된 것으로 나타났다. 그러나 콩의 정확도가 14%p 떨어진 것으로 나타났는데, 이는 Fig.
그러나 소규모로 벼를 재배하는 지역에서는 MODIS의 낮은 공간해상도로 다른 작물과의 혼재 양상이 여전히 존재하는 것으로 판단된다. 반면 제안 방법론의 분류 결과에서는 벼와 다른 작물과의 혼재 양상이 완화되었다. 특히 혼재 양상이 두드러지게 나타났던 소규모 벼 재배 지역에서 옥수수와 벼의 구분력이 향상되었다.
특히, 다른 작물과의 혼재 양상이 두드러지게 나타났던 벼의 정확도가 93%로 매우 높게 나타났으며, 옥수수와 콩의 정확도도 세 분류 결과에서 가장 높게 나타났다. 벼와 다른 작물간의 혼재를 완화하기 위해 NIR 자료를 이용함으로써 오분류 양상을 줄일 수 있었고, 모든 분류 항목을 고려하는 것보다 특정 작물의 계층을 선택적으로 구분하는 것이 분류 정확도의 향상을 가져왔다.
4). 벼의 관개시기에 촬영된 NIR 자료를 이용함으로써 토양의 분광특성만을 나타내는 다른 작물 재배 지역보다 상대적으로 낮은 반사율을 나타내는 벼 재배 지역 추출이 용이하였다. 벼의 선택적 계층 분류 결과를 보면, 주로 북서쪽 부근에 벼 재배지역이 나타났으며 남부 지역 일부에서 강가 주변을 따라 북쪽 지역보다 상대적으로 소규모의 벼 재배 지역이 존재한다(Fig.
제안 방법론의 적용성 평가를 위하여 중국 길림성의 길림시를 대상으로 작물 분류를 수행하였으며, 대상 지역의 벼 재배 특성을 고려하여 MODIS 시계열 NDVI 자료와 NIR 자료를 사용하였다. 사례 연구 결과, 시계열 NDVI 자료만을 사용한 분류 결과에서 유사한 생육 주기를 갖는 작물의 분광학적 혼재 양상이 두드러지게 나타났다. NIR 자료와 시계열 NDVI 자료를 함께 사용한 분류 결과에서는 벼의 관개시기 NIR 자료를 분류 과정에 고려함으로써 벼와 다른 작물과의 구분력이 향상되어 시계열 NDVI 자료를 이용한 분류 결과보다 상대적으로 혼재양상이 완화된 것으로 나타났다.
제안 방법론의 비교 평가를 목적으로 시계열 NDVI 자료만을 이용한 감독 분류와 NIR 자료와 시계열 NDVI 자료를 모두 이용하는 감독 분류를 수행하였다. 세 가지 분류 결과를 비교해 보면(Fig. 5), 시계열 NDVI 자료만을 이용한 감독 분류 결과에서 대상 지역의 북서쪽 지역에서 옥수수와 벼의 혼재 양상으로 벼가 과소 추정되었다(Fig. 5(a)).
세 분류 결과의 분류 정확도 비교를 위한 오차행렬 기반 검증 결과는 Table 2에 제시하였다. 시계열 NDVI 자료만을 이용한 감독 분류 결과에서 69% 정도의 가장 낮은 정확도를 나타내었다. 오분류 양상이 두드러지게 나타났던 벼의 정확도가 47%로 매우 낮게 나타났다.
제안 방법론에서는 벼의 계층을 선택적으로 구분함으로써 감독 분류 결과에서 나타나는 공간해상도의 한계와 분광학적 혼재 양상을 완화하고 작물간의 구분력을 향상시키면서 분류 정확도가 크게 향상되었다. 특히, 다른 작물과의 혼재 양상이 두드러지게 나타났던 벼의 정확도가 93%로 매우 높게 나타났으며, 옥수수와 콩의 정확도도 세 분류 결과에서 가장 높게 나타났다.
이러한 한계를 보완하기 위해 제안 방법론에서는 NIR 자료를 이용하여 벼 재배지역을 선택적으로 구분하고, 시계열 NDVI 자료를 이용하여 벼를 제외한 다른 작물의 분류를 순차적으로 수행하였다. 제안 방법론의 분류 결과에서는 작물간의 분광학적 혼재를 완화시키고 오분류 양상을 줄이면서 가장 높은 정확도를 얻을 수 있었다. 따라서 제안 방법론을 이용하여 중저해상도 위성자료 기반 작물 분류에 나타날 수 있는 혼재 양상을 줄이고, 신뢰성 있는 작물 구분도 제작이 가능할 것으로 판단된다.
반면 제안 방법론의 분류 결과에서는 벼와 다른 작물과의 혼재 양상이 완화되었다. 특히 혼재 양상이 두드러지게 나타났던 소규모 벼 재배 지역에서 옥수수와 벼의 구분력이 향상되었다. 이는 NIR 자료의 분광특성을 분류 과정에 함께 고려하지 않고, 분류 초기 과정에서 벼 재배 지역을 선택적으로 구분함으로써 다른 작물과의 구분력을 향상시키고 오분류 양상을 줄인 것으로 판단된다.
제안 방법론에서는 벼의 계층을 선택적으로 구분함으로써 감독 분류 결과에서 나타나는 공간해상도의 한계와 분광학적 혼재 양상을 완화하고 작물간의 구분력을 향상시키면서 분류 정확도가 크게 향상되었다. 특히, 다른 작물과의 혼재 양상이 두드러지게 나타났던 벼의 정확도가 93%로 매우 높게 나타났으며, 옥수수와 콩의 정확도도 세 분류 결과에서 가장 높게 나타났다. 벼와 다른 작물간의 혼재를 완화하기 위해 NIR 자료를 이용함으로써 오분류 양상을 줄일 수 있었고, 모든 분류 항목을 고려하는 것보다 특정 작물의 계층을 선택적으로 구분하는 것이 분류 정확도의 향상을 가져왔다.

후속연구

제안 방법론의 분류 결과에서는 작물간의 분광학적 혼재를 완화시키고 오분류 양상을 줄이면서 가장 높은 정확도를 얻을 수 있었다. 따라서 제안 방법론을 이용하여 중저해상도 위성자료 기반 작물 분류에 나타날 수 있는 혼재 양상을 줄이고, 신뢰성 있는 작물 구분도 제작이 가능할 것으로 판단된다.
그러나 상대적으로 많은 수의 작물을 고려해야 할 경우, 작물의 생육 정보를 이용하여 보다 많은 계층 구분이 필요할 수도 있고 계층별 구분 과정에 다양한 보조 자료나 고급 분류 방법론을 적용할 필요가 있다. 앞으로 이러한 특성이 나타나는 지역을 대상으로 제안 방법론을 확장 적용하여 MODIS 기반 작물 분류를 위한 일반화의 가능 여부를 평가할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	길림시의 중심 좌표는 어디인가?	1). 길림시의 중심 좌표는 동경 126°33′, 북위 43°50′로 중국의 북동쪽에 위치한다. 길림시는 중국의 주요 옥수수 생산지대에 속하여 옥수수를 대규모로 재배하며, 동쪽에서는 일부 콩을 재배하고 있다.
	분광혼합분석의 장점은?	, 2015). 이 방법은 저해상도 픽셀 내부에서 다양한 토지 피복의 혼재 효과를 고려할 수 있다는 장점이 있지만, 대표 토지 피복 특성을 반영하는 순수 화소값(endmember)의 선택에 따라 분류 결과가 많은 영향을 받는다(Somers et al., 2011).
	본 연구의 제안 방법론은 어떻게 작물간의 혼재를 완화하고 구분력을 향상시킬 수 있는가?	이러한 분광학적 혼재를 완화하기 위하여 이 연구에서는 작물의 분광특성을 이용하여 특정 작물의 계층을 선택적으로 구분하고 상세 분류를 수행하는 선택적 계층 분류 방법론을 제안하였다. 제안 방법론에서는 특정 작물에 대한 선택적 분류를 수행함으로써 작물간의 혼재를 완화하고 구분력을 향상시킬 수 있다. 제안 방법론의 적용성 평가에는 중국 길림성의 길림시를 대상으로 MODIS 정규식생지수 자료와 근적외선 자료를 이용한 작물 분류의 사례 연구를 수행하였다.

참고문헌 (27)

Antonarakis, A., K.S., Richards, and J. Brasington, 2008. Object-based land cover classification using airborne LiDAR, Remote Sensing of Environment, 112(6): 2988-2998.

상세보기
Bruzzone, L., M. Marconcini, U. Wegmuller, and A. Wiesmann, 2004. An advanced system for the automatic classification of multitemporal SAR images, IEEE Transactions on Geoscience and Remote Sensing, 42(6): 1321-1334.

상세보기
Chen, J., J. Chen, A. Liao, X. Cao, L. Chen, X. Chen, C. He, G. Han, S. Peng, M. Lu, W. Zhang, X. Tong, and J. Mills, 2015. Global land cover mapping at 30m resolution: A POK-based operational approach, ISPRS Journal of Photogrammetry and Remote Sensing, 103: 7-27.

상세보기
Conrad, C., R.R. Colditz, S. Dech, D. Klein, and P.L.G. Vlek, 2011. Temporal segmentation of MODIS time series for improving crop classification in Central Asian irrigation systems, International Journal of Remote Sensing, 32(23): 8763-8778.

상세보기
Doraiswamy, P.C., A.J. Stern, and B. Akhmedov, 2007. Crop classification in the US Corn Belt using MODIS imagery, Proc. of 2007 IEEE International Geoscience and Remote Sensing Symposium, Barcelona, July 23-28, pp. 809-812.
Franklin S. and M. Wulder, 2002. Remote sensing methods in medium spatial resolution satellite data land cover classification of large areas, Progress in Physical Geography, 26(2): 173-205.

상세보기
Hao, P., Y. Zhan, L. Wang, Z. Niu, and M. Shakir, 2015. Feature selection of time series MODIS data for early crop classification using random forest: A case study in Kansas, USA, Remote Sensing, 7(5): 5347-5369.

상세보기
Jain, A.K., 2010. Data clustering: 50 years beyond Kmeans, Pattern Recognition Letters, 31(8): 651-666.

상세보기
Kim, Y., N.-W. Park, S. Hong, K. Lee, and H.Y. Yoo, 2014. Early production of large-area crop classification map using time-series vegetation index and past crop cultivation patterns - A case study in Iowa State, USA, Korean Journal of Remote Sensing, 30(4): 493-503 (in Korean with English abstract).

원문보기 상세보기
Lee, E., J.H. Kastens, and S.L. Egbert, 2016. Investigating collection 4 versus collection 5 MODIS 250 m NDVI time-series data for crop separability in Kansas, USA, International Journal of Remote Sensing, 37(2): 341-355.

상세보기
Li, J., W.P. Menzel, Z. Yang, R.A. Frey, and S.A. Ackerman, 2003. High-spatial-resolution surface and cloud-type classification from MODIS multispectral band measurements, Journal of Applied Meteorology, 42(2): 204-226.

상세보기
Lobell, D. B. and G. P. Asner, 2004. Cropland distributions from temporal unmixing of MODIS data, Remote Sensing of Environment, 93(3): 412-422.

상세보기
Melgani, F. and L. Bruzzone, 2004. Classification of hyperspectral remote sensing images with support vector machines, IEEE Transactions on Geoscience and Remote Sensing, 42(8): 1778-1790.

상세보기
Mountrakis, G., J. Im, and C. Ogole, 2011. Support vector machines in remote sensing: A review, ISPRS Journal of Photogrammetry and Remote Sensing, 66(3): 247-259.

상세보기
Senthilnath, J., S. Bajpai, S. Omkar, P. Diwakar, and V. Mani, 2012. An approach to multi-temporal MODIS image analysis using image classification and segmentation, Advances in Space Research, 50(9): 1274-1287.

상세보기
Simonneaux, V., B. Duchemin, D. Helson, S. Er-Raki, A. Olioso, and A. Chehbouni, 2008. The use of high-resolution image time series for crop classification and evapotranspiration estimate over an irrigated area in central morocco, International Journal of Remote Sensing, 29(1): 95-116.

상세보기
Small, C., 2001. Estimation of urban vegetation abundance by spectral mixture analysis, International Journal of Remote Sensing, 22(7): 1305-1334.

상세보기
Somers, B., G. P. Asner, L. Tits, and P. Coppin, 2011. Endmember variability in spectral mixture analysis: A review, Remote Sensing of Environment, 115(7): 1603-1616.

상세보기
Sulla-Menashe, D., M.A. Friedl, O.N. Krankina, A. Baccini, C.E. Woodcock, A. Sibley, G. Sun, V. Kharuk, and V. Elsakov, 2011. Hierarchical mapping of Northern Eurasian land cover using MODIS data, Remote Sensing of Environment, 115(2): 392-403.

상세보기
Wardlow, B.D. and S.L. Egbert, 2008. Large-area crop mapping using time-series MODIS 250m NDVI data: An assessment for the U.S. Central Great Plains, Remote Sensing of Environment, 112(3): 1096-1116.

상세보기
Wessels, K., R. De Fries, J. Dempewolf, L. Anderson, A. Hansen, S. Powell, and E. Moran, 2004. Mapping regional land cover with MODIS data for biological conservation: Examples from the Greater Yellowstone Ecosystem, USA and Para State, Brazil, Remote Sensing of Environment, 92(1): 67-83.

상세보기
Xavier, A.C., B.F. Rudorff, Y.E. Shimabukuro, L.M.S. Berka, and M.A. Moreira, 2006. Multi temporal analysis of MODIS data to classify sugarcane crop, International Journal of Remote Sensing, 27(4): 755-768.

상세보기
Xie, Y., Z. Sha, and M. Yu, 2008. Remote sensing imagery in vegetation mapping: A review, Journal of Plant Ecology, 1(1): 9-23.

상세보기
Yu, Q., P. Gong, N. Clinton, G. Biging, M. Kelly, and D. Schirokauer, 2006. Object-based detailed vegetation classification with airborne high spatial resolution remote sensing imagery, Photogrammetric Engineering and Remote Sensing, 72(7): 799-811.

상세보기
Zhang, J. and G. Foody, 2001. Fully-fuzzy supervised classification of sub-urban land cover from remotely sensed imagery: Statistical and artificial neural network approaches, International Journal of Remote Sensing, 22(4): 615-628.

상세보기
Zhang, T., J. Qi, Y. Gao, Z. Ouyang, S. Zeng, and B. Zhao, 2015. Detecting soil salinity with MODIS time series VI data, Ecological Indicators, 52: 480-489.

상세보기
Zhong, C., C. Wang, and C. Wu, 2015. MODIS-based fractional crop mapping in the US midwest with spatially constrained phenological mixture analysis, Remote Sensing, 7(1): 512-529.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증