본 연구에서는 위성영상에 대한 변화탐지 기법의 결과를 토지피복지도 갱신의 기초자료로 활용하고자 하였다. $S^2CVA$(Sequential Spectral Change Vector Analysis) 기법을 다시기 다중분광 위성영상에 적용하여 해당 지역 내의 변화지역을 추출하였다. 특히, 분광변화벡터의 방향정보를 이용하여 계절적 변화에 의한 변화지역의 오탐지를 최소화하고자 하였다. 변화탐지 결과인 이진영상은 구역통계를 활용하여 토지 피복도와 함께 통합하였으며, 토지피복지도 갱신을 위하여 객체 기반의 분석을 수행하였다. PlanetScope 자료와 환경부의 토지피복지도를 이용한 실험결과, 토지피복지도 내에 변화된 지역을 효과적으로 탐지할 수 있음을 확인하였다.
본 연구에서는 위성영상에 대한 변화탐지 기법의 결과를 토지피복지도 갱신의 기초자료로 활용하고자 하였다. $S^2CVA$(Sequential Spectral Change Vector Analysis) 기법을 다시기 다중분광 위성영상에 적용하여 해당 지역 내의 변화지역을 추출하였다. 특히, 분광변화벡터의 방향정보를 이용하여 계절적 변화에 의한 변화지역의 오탐지를 최소화하고자 하였다. 변화탐지 결과인 이진영상은 구역통계를 활용하여 토지 피복도와 함께 통합하였으며, 토지피복지도 갱신을 위하여 객체 기반의 분석을 수행하였다. PlanetScope 자료와 환경부의 토지피복지도를 이용한 실험결과, 토지피복지도 내에 변화된 지역을 효과적으로 탐지할 수 있음을 확인하였다.
In this study, we tried to utilize results of the change detection analysis for satellite images as the basis for updating the land cover map. The Sequential Spectral Change Vector Analysis ($S^2CVA$) was applied to multi-temporal multispectral satellite imagery in order to extract change...
In this study, we tried to utilize results of the change detection analysis for satellite images as the basis for updating the land cover map. The Sequential Spectral Change Vector Analysis ($S^2CVA$) was applied to multi-temporal multispectral satellite imagery in order to extract changed areas, efficiently. Especially, we minimized the false alarm rate of unsupervised change detection due to the seasonal variation using the direction information in $S^2CVA$. The binary image, which is the result of unsupervised change detection, was integrated with the existing land cover map using the zonal statistics. And then, object-based analysis was performed to determine the changed area. In the experiment using PlanetScope data and the land cover map of the Ministry of Environment, the change areas within the existing land cover map could be detected efficiently.
In this study, we tried to utilize results of the change detection analysis for satellite images as the basis for updating the land cover map. The Sequential Spectral Change Vector Analysis ($S^2CVA$) was applied to multi-temporal multispectral satellite imagery in order to extract changed areas, efficiently. Especially, we minimized the false alarm rate of unsupervised change detection due to the seasonal variation using the direction information in $S^2CVA$. The binary image, which is the result of unsupervised change detection, was integrated with the existing land cover map using the zonal statistics. And then, object-based analysis was performed to determine the changed area. In the experiment using PlanetScope data and the land cover map of the Ministry of Environment, the change areas within the existing land cover map could be detected efficiently.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 토지피복지도의 관점에서 일부 변화지역의 구역들은 위성영상의 방사보정, 기하보정의 오차와 화소의 계절적 변화에 따른 영향을 포함하고 있다. 따라서 본 연구에서는 변화지역 중에 분광벡터의 방향이 특정 임계치 내에 존재하는 화소들을 계절적 양상에 의한 미변화 지역으로 가정하고, 이를 변화지역에서 제거하여 변화탐지 결과의 오탐지를 최소화하고자 하였다(Fig. 3).
그러나 농경지에 새롭게 생성된 시설재배지 혹은 나지에 건설된 건물 등을 탐지하는 경우에는 토지피복지도의 객체를 기준으로 적은 양의 변화화소들만이 포함될 수 있기 때문에, 해당 객체가 미변화 지역으로 분류될 수 있다. 따라서 본 연구에서는 토지피복지도와 함께, 영상분할을 통하여 생성된 객체를 추가적으로 사용하여 토지피복지도 내 일부 지형이 변화된 지역들을 탐지하고자 하였다. 이를 위하여, eCognition 상용소프트웨어에 탑재된 대표적인 위성영상 분할 기법인 다중해상도 분할기법(multi-resolution segmentationmethod)을 이용하여 객체단위의 영상을 생성하였다(Baatz and Schäpe, 2000).
따라서 본 연구에서는 해당 지역의 방향값들을 가지는 화소들을 미변화 지역으로 제거하여 변화지역을 최적화하고자 하였으며, 미변화 지역의 방향값을 결정하기 위하여 ROC(Receiver Operating Characteristic) 곡선을 활용한 분석을 수행하였다. ROC 곡선은 실험결과의 임계치에 따른 참조자료 사이의 True Positive와 False Positive를 타낸 그래프이다.
본 연구에서 생성된 변화탐지 이진영상은 벡터자료들과 중첩한 후 객체 안의 평균값에 따른 임계치를 부여하여 구역통계를 실행하였으며, 객체분할 영상에서는 토지피복지도 보다 높은 임계치를 주어 객체 안에서의 오탐지된 부분을 최소화하고자 하였다. Fig.
본 연구에서는 변화탐지의 결과를 토지피복지도 갱신을 위한 기초자료로 활용하기 위하여 객체 기반의 분석을 수행하였다. 이를 위하여, S2CVA를 이용하여 추정한 변화지역의 이진 영상, 토지피복지도, 변화 후 영상에 대한 다중분광영상의 객체분할 영상을 통합하여 토지피복지도 갱신을 수행하였다.
본 연구에서는 초소형 위성센서로 취득한 시계열 PlanetScope 자료를 이용하여 무감독 변화탐지를 수행하고, 이를 활용하여 토지피복지도의 갱신 가능성을 확인하고자 하였다. 특히, 본 연구에서는 대표적인 무감독 변화탐지 기법인 S2CVA을 사용하였다.
가설 설정
본 연구에서 제안한 S2CVA 무감독 변화탐지 기법을 실험영상에 적용하여 추출한 다시기 위성영상을 기반으로 한 분광변화벡터의 크기(ρ)와 방향(θ) 영상의 추출 결과는 Fig. 5와 같으며, 어두울수록 크기 및 방향의 값이 낮으며 변화가 되지 않은 지역으로 가정할 수 있다.
제안 방법
이를 위하여, eCognition 상용소프트웨어에 탑재된 대표적인 위성영상 분할 기법인 다중해상도 분할기법(multi-resolution segmentationmethod)을 이용하여 객체단위의 영상을 생성하였다(Baatz and Schäpe, 2000).PlanetScope 영상의 각 밴드와 케니 연산자(canny operator)를 이용하여 생성한 엣지 영상을 입력자료로 활용하여 영상분할을 수행하였다(Canny, 1986). 다중해상도 분할기법에 사용한 임계치는 위성영상의 공간해상도 및 특성을 고려하여, scale 40, shape 0.
ROC 곡선은 실험결과의 임계치에 따른 참조자료 사이의 True Positive와 False Positive를 타낸 그래프이다. ROC 곡선을 통한 분석을 위하여, 변화 전/후에 대한 영상의 판독작업을 통하여 변화지역에 대한 참조자료를 생성하였으며, Fig. 7은 방향 정보의 임계치에 따른 크기 영상과 참조자료 사이의 ROC 곡선 결과이다. 크기 영상에 대한 임계치는 식 (10) 과 같이 Tρ를 크기영상의 평균에 두 배의 표준편차를 더한 값을 사용하였으며, 이는 경험적으로 선정하였다.
이를 위하여, S2CVA기법을 위성영상에 적용하고, S2CVA의 방향 정보를 활용하여 계절적 변화에 의한 미변화지역들을 효과적으로 추출하여 변화탐지의 정확도를 향상하고자 하였다. S2CVA 기법을 통하여 생성된 크기 및 방향영상들은 중분류 토지피복지도와 분할영상 기반의 무감독 변화탐지에 적용되었으며, 각 변화지역별로 변화양상을 분석하였다. 실험 결과, S2CVA의 크기 영상만을 사용하였을 경우와 비교하여 방향 정보를 통합하였을 경우에 식생에서의 계절변화에 의한 변화지역을 제거할 수 있음을 확인하였다.
이 기법은 다중분광 영상의 모든 밴드를 이용하여 분석할 수 있는 대표적인 CVA 기법이며, 방향정보를 이용하여 변화지역의 양상을 효과적으로 분석할 수 있다고 알려져 있다. S2CVA 기법의 특성을 활용하여 국내의 토지피복지도 내 변화지역을 효과적으로 탐지하기 위한 방법을 제안하였으며, 이를 실제 중분류 토지피복지도에 적용하였다.
여기서, REF(i)는 i번째 밴드의 대기 상층의 반사율,RAD(i)는 영상의 복사휘도, SunDist는 지구와 태양사이의 거리, EAI(i)는 외기권 방사조도(exo-atmospheric irradiance), SolarZenith는 태양 천정각(solar zenith angle)을 의미한다. 다음으로 여러 개의 보정된 다중 영상들을 하나의 조합영상으로 만들기 위해 모자이크 영상을 제작하였다. 대기보정은 ENVI에서 제공하는 QUAC(QUickAtmospheric Correction) 기법을 사용하여 수행하였으며,QUAC은 다른 대기보정기법들과 달리 추가적인 자료 없이 영상 자체의 특성과 물체들의 분광 반사율을 이용하여 처리하기 때문에 영상의 메타 데이터가 필요하지 않으며 처리속도가 빠른 장점을 가진다(Bernstein et al.
PlanetScope 영상의 각 밴드와 케니 연산자(canny operator)를 이용하여 생성한 엣지 영상을 입력자료로 활용하여 영상분할을 수행하였다(Canny, 1986). 다중해상도 분할기법에 사용한 임계치는 위성영상의 공간해상도 및 특성을 고려하여, scale 40, shape 0.9, compactness 0.9로 선정하여 실험을 수행하였다. Fig.
방사보정은 위성 센서로부터 수집한 표면 분광반사도, 방출도, 혹은 후방 산란된 측정값의 정확도를 향상시키기 위한 것을 의미한다(Johannsen and Daughtry, 2009; San and Suzen, 2010). 방사보정을 수행하기 위해, 촬영 당시의 자료를 사용하여 식 (1)을 기반으로 복사휘도(radiance) 자료를 대기 상층의 반사율(top of atmospheric reflectance)로 변환하였다.
최종적으로, 변화지역에 대한 이진영상과 각각의 벡터자료를 중첩한 후, 구역통계(zonal statistics)를 통해 특정 객체 내에 존재하는 변화화소의 평균값을 계산하였으며, 이를 이용하여 각 객체의 변화유무를 탐지하였다. 본 연구에서 객체의 변화유무를 탐지하기 위한 임계치는 객체분할 영상의 경우 0.5, 토지피복지도의 경우 0.2로 설정하여 토지피복지도의 갱신을 위한 변화지역을 결정하였다.
본 연구에서 위성 자료를 효과적으로 사용하기 위해 방사보정, 모자이크 영상 제작, 대기보정의 순서로 전처리 과정을 진행하였다. 방사보정은 위성 센서로부터 수집한 표면 분광반사도, 방출도, 혹은 후방 산란된 측정값의 정확도를 향상시키기 위한 것을 의미한다(Johannsen and Daughtry, 2009; San and Suzen, 2010).
본 연구에서는 두 시기의 PlanetScope 위성영상 자료를 이용하여 S2CVA 무감독 변화탐지 기법을 적용하고, 이를 기반으로 토지피복지도 내 변화 지역을 탐지하였다. 이를 위하여, S2CVA기법을 위성영상에 적용하고, S2CVA의 방향 정보를 활용하여 계절적 변화에 의한 미변화지역들을 효과적으로 추출하여 변화탐지의 정확도를 향상하고자 하였다.
CVA 무감독 변화탐지 기법을 적용하고, 이를 기반으로 토지피복지도 내 변화 지역을 탐지하였다. 이를 위하여, S2CVA기법을 위성영상에 적용하고, S2CVA의 방향 정보를 활용하여 계절적 변화에 의한 미변화지역들을 효과적으로 추출하여 변화탐지의 정확도를 향상하고자 하였다. S2CVA 기법을 통하여 생성된 크기 및 방향영상들은 중분류 토지피복지도와 분할영상 기반의 무감독 변화탐지에 적용되었으며, 각 변화지역별로 변화양상을 분석하였다.
본 연구에서는 변화탐지의 결과를 토지피복지도 갱신을 위한 기초자료로 활용하기 위하여 객체 기반의 분석을 수행하였다. 이를 위하여, S2CVA를 이용하여 추정한 변화지역의 이진 영상, 토지피복지도, 변화 후 영상에 대한 다중분광영상의 객체분할 영상을 통합하여 토지피복지도 갱신을 수행하였다. 무감독 변화탐지를 통하여 추정한 변화지역들은 토지피복지도를 기준으로 두 종류의 양상을 확인할 수 있었다.
최종적으로, 변화지역에 대한 이진영상과 각각의 벡터자료를 중첩한 후, 구역통계(zonal statistics)를 통해 특정 객체 내에 존재하는 변화화소의 평균값을 계산하였으며, 이를 이용하여 각 객체의 변화유무를 탐지하였다. 본 연구에서 객체의 변화유무를 탐지하기 위한 임계치는 객체분할 영상의 경우 0.
대상 데이터
본 연구에서는 Blue, Green, Red, NIR 영역에 대한 4밴드의 영상을 제공하는 PlanetScope 자료와 환경부에서 제공하고 있는 중분류 토지피복지도를 활용하여 실험을 수행하였으며, 실험에 사용된 자료는 Fig. 1과 같다.
실험에 사용한 위성영상자료는 충청북도 세종시 일대 지역을 2016년 8월 12일과 2017년 6월 4일에 촬영한 PlanetScope Ortho Scene Product이다. 해당 지역은 Fig.
이후 토지피복지도는 대분류, 중분류, 세분류로 나누어져 현재까지 갱신 및 구축작업이 이루어지고 있으며, 환경영향평가, 수질오염총량관리 계획수립, 기후변화 취약성 평가, 농업면적 통계조사, 변화지 분석 등에 폭넓게 활용되고 있다. 이번 연구에 사용한 세종시의 토지피복지도는 중분류 토지피복지도로 2013년 3차 갱신(2010년 촬영, 항공정사영상(1 m), 해상도: 5 m급, 축척 1/25000 584도엽, 22개 분류) 자료를 사용하였다.
데이터처리
본 연구에서 제안한 기법으로 생성한 변화탐지 결과의 정량적 분석을 하기 위해 참조자료와의 오차행렬(confusion matrix)을 계산하여 정확도를 분석하였다(Table 2). S2CVA 기법으로 생성한 무감독 변화탐지의결과, 전체 정확도는 97.
이론/모형
다음으로 여러 개의 보정된 다중 영상들을 하나의 조합영상으로 만들기 위해 모자이크 영상을 제작하였다. 대기보정은 ENVI에서 제공하는 QUAC(QUickAtmospheric Correction) 기법을 사용하여 수행하였으며,QUAC은 다른 대기보정기법들과 달리 추가적인 자료 없이 영상 자체의 특성과 물체들의 분광 반사율을 이용하여 처리하기 때문에 영상의 메타 데이터가 필요하지 않으며 처리속도가 빠른 장점을 가진다(Bernstein et al.,2012). 본 연구에서는 토지피복의 물리적인 반사율보다는 변화탐지를 위하여 동일한 토지피복의 분광반사율을 유사하게 조정시키는 것이 중요하다고 판단하였기 때문에, 영상을 기반으로 하는 QUAC 기법을 활용하였다.
본 연구에서는 변화탐지를 수행하기 위해 S2CVA 기반에 의한 변화탐지 기법을 활용하였다. S2CVA는 C2VA(Compressed Change Vector analys)를 기반으로 제안되었으며, 계층적 분석이 용이한 대표적인 변화탐지 기법이다(Liu et al.
,2012). 본 연구에서는 토지피복의 물리적인 반사율보다는 변화탐지를 위하여 동일한 토지피복의 분광반사율을 유사하게 조정시키는 것이 중요하다고 판단하였기 때문에, 영상을 기반으로 하는 QUAC 기법을 활용하였다.
이를 위하여, eCognition 상용소프트웨어에 탑재된 대표적인 위성영상 분할 기법인 다중해상도 분할기법(multi-resolution segmentationmethod)을 이용하여 객체단위의 영상을 생성하였다(Baatz and Schäpe, 2000).
본 연구에서는 초소형 위성센서로 취득한 시계열 PlanetScope 자료를 이용하여 무감독 변화탐지를 수행하고, 이를 활용하여 토지피복지도의 갱신 가능성을 확인하고자 하였다. 특히, 본 연구에서는 대표적인 무감독 변화탐지 기법인 S2CVA을 사용하였다. 이 기법은 다중분광 영상의 모든 밴드를 이용하여 분석할 수 있는 대표적인 CVA 기법이며, 방향정보를 이용하여 변화지역의 양상을 효과적으로 분석할 수 있다고 알려져 있다.
성능/효과
본 연구에서 제안한 기법으로 생성한 변화탐지 결과의 정량적 분석을 하기 위해 참조자료와의 오차행렬(confusion matrix)을 계산하여 정확도를 분석하였다(Table 2). S2CVA 기법으로 생성한 무감독 변화탐지의결과, 전체 정확도는 97.70%, 탐지율(detection rate)은 0.608, 오탐지율(false alarmrate)은 0.009로 나타났다. Fig.
특히, 계절적 차이에 의한 식생 및 농경지 지역은 180°에 가까운 값을 가지며, 미변화 지역은 0°에 가까운 값을 가지는 것을 확인할 수 있었다. 따라서 S2CVA의 방향 정보를 활용하여 변화탐지의 오차를 감소시킬 수 있을 것으로 판단하였다. Fig.
5(a)에서 확인할 수 있듯이, 논과 밭에서 작물이자란 지역과 초지를 개간한 지역, 건물이 새로 지어졌거나 철거된 지역들이 높은 크기 값을 보이는 것을 확인할 수 있다. 따라서 S2CVA의 크기 영상을 이용하여 변화지역을 효과적으로 탐지할 수 있을 것으로 판단된다. 그러나 PlanetScope 위성영상의 노이즈로 인하여 일부 변화되지 않은 나지 지역, 시설재배지, 건물의 지붕 등이 높은 크기 값을 보이는 경우가 존재하였다.
또한, 농경지의 경우 2016년 영상에서는 모내기 후에 벼가 성장하였기 때문에 영상에서 식생과 유사한 색상을 보이지만, 2017년 영상에서는 모내기 전 영상이므로 식생의 색상을 나타내지 못하고 있다. 따라서 크기영상만을 사용하여 변화탐지 했을경우 이 지역에서 변화가 된 결과가 나타나야 하지만, 방향 벡터를 함께 사용하여 이를 제거함으로서 계절변화에 의한 변화탐지 결과를 해결한 것을 확인할 수 있었다. 한편, 일부 시설재배지 등에서 높은 분광반사율을 가지는 화소들로 인하여 일부 객체들이 오탐지 되었지만, 이는 추가적인 다시기 자료의 분석을 통하여 해결 가능할 것으로 판단된다.
12(c)에서 확인할 수 있는 것과 같이 논에서 시설재배지로 변화된 지역도 효과적으로 추출되었으나, 토지피복지도를 기반으로 한 변화탐지 결과에서는 농경지 전체가 하나의 객체로 이루어져있기 때문에, 시설재배지의 생성에 의한 변화를 탐지하지 못한 것으로 나타났다. 따라서 토지피복지도와 분할영상을 함께 사용하는 것이 토지피복지도의 갱신에 효과적일 것으로 판단된다. 또한, 농경지의 경우 2016년 영상에서는 모내기 후에 벼가 성장하였기 때문에 영상에서 식생과 유사한 색상을 보이지만, 2017년 영상에서는 모내기 전 영상이므로 식생의 색상을 나타내지 못하고 있다.
S2CVA 기법을 통하여 생성된 크기 및 방향영상들은 중분류 토지피복지도와 분할영상 기반의 무감독 변화탐지에 적용되었으며, 각 변화지역별로 변화양상을 분석하였다. 실험 결과, S2CVA의 크기 영상만을 사용하였을 경우와 비교하여 방향 정보를 통합하였을 경우에 식생에서의 계절변화에 의한 변화지역을 제거할 수 있음을 확인하였다. 또한, 토지피복지도와 분할영상을 기준으로 한 객체 기반의 변화탐지 결과는 토지피복지도의 갱신을 위한 기초자료로 활용할 수 있음을 확인하였다.
10의 경우, 초지에서 나지로 피복변화가 일어난 지역에 대하여 효과적으로 탐지한 것을 확인할 수 있다. 일부 건물 객체가 변화된 영역이 객체결과와 토지피복 결과 모두 변화지역으로 탐지된 것도 확인하였다(Fig. 11(a), (b)).
무감독 변화탐지를 통하여 추정한 변화지역들은 토지피복지도를 기준으로 두 종류의 양상을 확인할 수 있었다. 첫 번째로, 토지피복지도의 해당 객체 내의 모든 지형이 변화된 경우이며,해당 경우는 객체 내의 변화화소 비율을 활용하여 객체의 변화 유무를 추정할 수 있을 것으로 판단된다. 그러나 농경지에 새롭게 생성된 시설재배지 혹은 나지에 건설된 건물 등을 탐지하는 경우에는 토지피복지도의 객체를 기준으로 적은 양의 변화화소들만이 포함될 수 있기 때문에, 해당 객체가 미변화 지역으로 분류될 수 있다.
크기 영상에 대한 임계치는 식 (10) 과 같이 Tρ를 크기영상의 평균에 두 배의 표준편차를 더한 값을 사용하였으며, 이는 경험적으로 선정하였다. 크기 영상만을 이용하여 변화탐지를 수행한 결과보다 방향 정보를 함께 사용하였을 때의 탐지율이 증가하는 것을 확인할 수 있었다. 또한, 해당 지역에서는 방향 영상에 0.
또한, 토지피복지도와 분할영상을 기준으로 한 객체 기반의 변화탐지 결과는 토지피복지도의 갱신을 위한 기초자료로 활용할 수 있음을 확인하였다. 특히, 객체 기반의 변화탐지 결과를 활용하여 새로운 객체가 추가되어야 하는 지역, 토지피복 지도의 속성 확인이 필요한 지역, 토지피복지도의 객체의 분할과 속성 확인이 모두 필요한 지역으로 변화탐지 결과를 분류하여 분석할 수 있었다. 따라서 다양한 시기에 취득한 위성영상을 활용할 경우, 토지피복지도를 효과적으로 갱신하기 위한 1차적인 기초자료를 구축할 수 있을 것으로 판단되며, 해당 결과물은 환경 모니터링 및 다양한 활용 분야에 있어서 최신의 공간정보를 생성하기 위한 방법으로 활용될 수 있을 것이다.
특히, 계절적 차이에 의한 식생 및 농경지 지역은 180°에 가까운 값을 가지며, 미변화 지역은 0°에 가까운 값을 가지는 것을 확인할 수 있었다.
후속연구
또한, Fig. 12(c)에서 확인할 수 있는 것과 같이 논에서 시설재배지로 변화된 지역도 효과적으로 추출되었으나, 토지피복지도를 기반으로 한 변화탐지 결과에서는 농경지 전체가 하나의 객체로 이루어져있기 때문에, 시설재배지의 생성에 의한 변화를 탐지하지 못한 것으로 나타났다. 따라서 토지피복지도와 분할영상을 함께 사용하는 것이 토지피복지도의 갱신에 효과적일 것으로 판단된다.
특히, 제4차 산업혁명의 도래와 함께, 원격탐사 분야에서도 빅 데이터(big data)에 대한 중요성 및 수요가 증대되고 있으며, 산업변화의 흐름에 맞추어 10 cm 내외 크기의 초소형 위성을 다량으로 발사하고, 이를 통하여 지형에 대한 많은 양의 원격탐사 자료를 취득할 수 있는 환경이 조성되고 있다. 다양한 위성센서들을 통한 특정 시기의 원격탐사자료의 취득가능성 증대는 수치지도, 토지피복지도 등과 같은 다양한 공간정보의 갱신을 용이하게 할 것으로 판단된다. 환경부에서 생산하여 국내 공간정보 사용자들에게 제공하고 있는 토지피복지도는 지형의 토지피복 특성을 범례화한 주제도를 의미한다.
특히, 객체 기반의 변화탐지 결과를 활용하여 새로운 객체가 추가되어야 하는 지역, 토지피복 지도의 속성 확인이 필요한 지역, 토지피복지도의 객체의 분할과 속성 확인이 모두 필요한 지역으로 변화탐지 결과를 분류하여 분석할 수 있었다. 따라서 다양한 시기에 취득한 위성영상을 활용할 경우, 토지피복지도를 효과적으로 갱신하기 위한 1차적인 기초자료를 구축할 수 있을 것으로 판단되며, 해당 결과물은 환경 모니터링 및 다양한 활용 분야에 있어서 최신의 공간정보를 생성하기 위한 방법으로 활용될 수 있을 것이다.
실험 결과, S2CVA의 크기 영상만을 사용하였을 경우와 비교하여 방향 정보를 통합하였을 경우에 식생에서의 계절변화에 의한 변화지역을 제거할 수 있음을 확인하였다. 또한, 토지피복지도와 분할영상을 기준으로 한 객체 기반의 변화탐지 결과는 토지피복지도의 갱신을 위한 기초자료로 활용할 수 있음을 확인하였다. 특히, 객체 기반의 변화탐지 결과를 활용하여 새로운 객체가 추가되어야 하는 지역, 토지피복 지도의 속성 확인이 필요한 지역, 토지피복지도의 객체의 분할과 속성 확인이 모두 필요한 지역으로 변화탐지 결과를 분류하여 분석할 수 있었다.
그러나 일부 토지피복지도의 경우에는 상대적으로 지형변화에 대한 갱신이 늦기 때문에, 최신의 지형정보를 반영하지 못하는 문제가 존재한다. 지형 모니터링을 위한 대표적인 방법인 원격탐사 자료 기반의 변화탐지(change detection)기법을 이용하여 토지피복지도의 갱신에도 활용할 수 있을 것으로 판단된다. 국내의 경우, Jung(2006)은 공공분야에 사용할 수 있는 원격탐사 변화탐지 소프트웨어를 개발하고, 이의 효용성을 분석하였으며, Lee et al.
따라서 크기영상만을 사용하여 변화탐지 했을경우 이 지역에서 변화가 된 결과가 나타나야 하지만, 방향 벡터를 함께 사용하여 이를 제거함으로서 계절변화에 의한 변화탐지 결과를 해결한 것을 확인할 수 있었다. 한편, 일부 시설재배지 등에서 높은 분광반사율을 가지는 화소들로 인하여 일부 객체들이 오탐지 되었지만, 이는 추가적인 다시기 자료의 분석을 통하여 해결 가능할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
위성센서에 의하여 취득된 다양한 원격탐사 자료들은 어디에 활용될 수 있는가?
위성센서에 의하여 취득된 다양한 원격탐사 자료(remotely sensed data)들은 환경 모니터링, 공간정보 생성 및 분석 등에 활용될 수 있다. 국내의 KOMPSAT(Korea Multi-Purpose SATellite)-2, 3, 3A호 등과 같은 광학센서들을 통하여 취득 가능한 1 m 내외의 공간해상도를 가지는 고해상도 위성영상은 측량, 국방, 환경 등의 다양한 활용분야에 사용되고 있다.
광학센서들을 통하여 취득 가능한 1 m 내외의 공간해상도를 가지는 고해상도 위성영상은 어디에 쓰이는가?
위성센서에 의하여 취득된 다양한 원격탐사 자료(remotely sensed data)들은 환경 모니터링, 공간정보 생성 및 분석 등에 활용될 수 있다. 국내의 KOMPSAT(Korea Multi-Purpose SATellite)-2, 3, 3A호 등과 같은 광학센서들을 통하여 취득 가능한 1 m 내외의 공간해상도를 가지는 고해상도 위성영상은 측량, 국방, 환경 등의 다양한 활용분야에 사용되고 있다. 또한, ESA(European Space Agency)의 Sentinel-2, NASA(National Aeronautics and Space Administration)의 Landsat-8 등의 센서를 통하여 약 400~2400 nm의 분광 파장대에 대한 10∼30 m 내외의 공간해상도를 가지는 다중분광(multispectral) 영상을 무료로 제공받을 수 있고, 향후 EnMAP(EnvironmentalMapping and Analysis Program) 등과 같은 초분광(hyperspectral) 센서들이 발사예정임에 따라 매우 다양한 종류의 원격탐사 자료들을 활용할 수 있게 되었다(Yamamoto et al.
본 연구에서 S2CVA의 크기 영상을 이용하여 변화지역을 효과적으로 탐지할 수 있을 것이라고 판단하는 이유는 무엇인가?
Fig. 5(a)에서 확인할 수 있듯이, 논과 밭에서 작물이자란 지역과 초지를 개간한 지역, 건물이 새로 지어졌거나 철거된 지역들이 높은 크기 값을 보이는 것을 확인할 수 있다. 따라서 S2CVA의 크기 영상을 이용하여 변화지역을 효과적으로 탐지할 수 있을 것으로 판단된다.
참고문헌 (16)
Baatz, M. and A, Schape, 2000. Multi-resolution segmentation - An optimization approach for high quality multi-scale image segmentation, Angewandte Geographische Informationverarbeitung, 12-23.
Bernstein, L. S., X. Jin, B. Gregor, and S. M. Adler- Golden, 2012. Quick atmospheric correction code: algorithm description and recent upgrades, Optical engineering, 51(11): 111719-1.
Choi, J., 2015. Unsupervised change detection for very high-spatial resolution satellite imagery by using object-based IR-MAD algorithm, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 33(4): 297-304 (in Korean with English abstract).
Jeong, S., 2006. The development of change detection software for public business, Journal of The Korean Society for Geo-Spatial Information System, 14(4): 79-84 (in Korean with English abstract).
Lee, S. B., Y. Kim, J. Kim, and Y. Park, 2017. Detection of alteration in river area using Landsat satellite imagery, Journal of the Korean Society of Hazard Mitigation, 17(3): 391-398 (in Korean with English abstract).
Lee, S., S. Choi, S. Noh, N. Lim, and J. Choi, 2015. Automatic extraction of initial training data using national land cover map and unsupervised classification and updating land cover map, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 33(4): 267-275 (in Korean with English abstract).
Liu, S., L. Bruzzone, F. Bovolo, M. Zanetti, and P. Du, 2015. Sequential spectral change vector analysis for iteratively discovering and detecting multiple change in hyperspectral images, IEEE Transactions on Geoscience and Remote Sensing, 53(8): 4363-4378.
Liu, S., Q. Du, X. Tong, A. Samat, L. Bruzzone, and F. Bovolo, 2017. Multiscale morphological compressed change vector analysis for unsupervised multiple change detection, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(9): 4124-4137.
Malila, W. A. 1980. Change vector analysis: an approach for detecting forest changes with Landsat, LARS symposia, 385.
Oh, J. H. and C. N. Lee, 2015. Urban change detection between heterogeneous images using the edge information, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 33(4): 259-266 (in Korean with English abstract).
San B. T. and M. L. Suzen, 2010. Evaluation of different atmospheric correction algorithms for EO-1 Hyperion imagery, Proc. of The International Archives of Photogrammetry, Remote Sensing and Spatial Information Science, Kyoto, Japan, Aug. 9-12, vol. XXXVIII, pp. 392-397.
Varshney, A., M.K. Arora, and J.K. Ghosh, 2012. Median change vector analysis algorithm for land-use land-cover change detection from remote-sensing data, Remote Sensing Letters, 3(7): 605-614.
Warner, T. A., G. M. Foody, and M. D. Nellis, 2009. The Sage handbook of remote sensing, Sage Publications, CA, USA.
Yamamoto, H., N. Ryosuke, and T. Satoshi, 2012. Radiometric calibration plan for the hyperspectral imager suite (HISUI) instruments, Proc. of SPIE Asia-Pacific Remote Sensing, Kyoto, Japan, Oct. 29-Nov. 1, vol. 8527.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.