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
- 이 연구에서는 과거 토지피복도가 존재한다는 가정하에 토지피복도 갱신을 목적으로 객체분할과 훈련 자료 수집에 과거 토지피복도의 정보를 이용하는 분류 방법론을 제안하였다. 충청남도 태안군 일대를 대상으로 사례 연구를 수행한 결과, 제안 방법론이 과거 토지피복도 정보를 이용함으로써 유용한 훈련 자료를 추가함에 따라 초기 훈련 자료를 이용하는 감독 분류 보다 분류 정확도가 향상되는 것을 확인할 수 있었다.
- 이 연구에서는 사용된 영상 자료의 높은 공간해상력으로 인해 객체분할 기법이 적용되었는데, 명확한 객체경계를 분할하기 위해 과거 토지피복도의 경계를 이용하는 방법을 제안하였다. 객체분할은 영상을 색상, 축척, 모양 등과 같은 특성을 기반으로 여러 객체로 분할하는 방법이며, 화소 단위가 아닌 객체 단위로 자료를 분석한다(Benz et al.
- 이 연구에서는 준감독 학습의 훈련 자료 수집과 화소기반 분류 기법의 제약사항을 고려한 토지피복도 갱신을 목적으로 과거 토지피복도를 이용하여 유용한 정보의 훈련 자료를 추가로 수집한 후 객체기반의 감독 분류를 적용하여 분류 성능을 향상시킬 수 있는 방법론을 제안하였다. 특히 토지피복 항목의 명확한 경계 추출을 위해 고해상도 영상의 객체분할에 과거 토지피복도의 경계를 추가로 이용하였다.
- 이 연구에서는 토지피복도 갱신을 위한 감독 분류를 적용할 때 훈련 자료 수집의 한계점을 보완하기 위해 적은 수의 초기 훈련 자료를 이용하는 반복 분류 방법을 제안하였다(Fig. 1). 제안한 방법에서는 반복 분류 시 유용한 정보를 가지는 훈련 자료를 추가로 수집하기 위해 과거 토지피복도의 정보를 이용한다.
가설 설정
- 그러나 고해상도 영상에 객체분할을 적용하게 되더라도 영상의 특성에 따라 사용자가 원하는 분류 항목 간 명확한 경계를 얻기는 쉽지않다. 이 연구에서는 미변화 지역이라면 과거 토지피복도의 경계를 유지하고, 변화 지역이라면 과거 토지피복도의 경계에서 추가적으로 객체분할이 일어날 것이라는 가정을 토대로 객체분할에 과거 토지피복도의 경계를 이용한다. 이렇게 객체 단위로 분석할 경우에는 객체 내 다양한 통계 정보를 이용할 수 있는데, 이 연구에서는 WorldView-2 영상의 총 8개 다중분광 밴드를 통해 계산된 평균과 표준편차 정보를 이용하였다.
제안 방법
- 2015년 세분류 토지피복도를 참조하여 WorldView-2 영상의 시각적 판독을 통해 초기 감독 분류에 필요한 69개의 훈련 자료를 수집하고 제안한 방법에 따라 훈련 자료를 추가하며 반복 분류를 수행하였다. 객체분할 시 영상 정보만을 이용하는 방법과 토지피복 경계를 추가로 이용하는 방법은 각각 4번째와 6번째의 반복 분류에서 종료조건을 만족하여 최종 분류 결과를 얻었다.
- 이후 여러 개의 의사결정나무 모형을 통해 각각 분류 항목이 할당되고 다수결 투표(Majority vote) 방법으로 가장 많이 할당된 분류 항목을 최종 분류 항목으로 결정한다. RF를 적용하기 위해 필요한 몇 가지 입력변수가 존재하는데, 이 연구에서는 의사결정나무의 개수를 시범적으로 500개로 설정하였다. 또한, RF는 무작위로 추출된 입력 변수를 이용하여 의사결정나무의 최적 노드 분할 기준을 찾기 때문에, 전체 입력 변수에서 무작위로 선택되는 변수의 개수를 선정하는 것은 매우 중요하다(Brieman, 2001).
- 세분류 토지피복도를 통해 수집된 검증 자료를 이용해 오차 행렬을 구성하고, 전체 정확도와 분류 항목별 사용자 정확도를 계산하였다(Table 4). 초기 분류 결과의 전체 정확도는 객체분할 방법별로 각각 61.
- 이 연구에서는 객체분할 시 토지피복 경계 이용 여부에 따라 두 방법으로 영상의 객체를 분할하였는데, 이때 두 방법 모두 위에서 정의한 최적의 객체분할 가중치를 동일하게 적용하였다. Fig.
- 이후 위의 분류 과정은 특정 종료 조건을 만족할 때까지 반복적으로 수행하게 된다. 이 연구에서는 이전 분류 결과와 현재 분류 결과의 분류 항목이 다른 객체의 수가 미리 정의한 특정값보다 작을 경우로 정의하였는데, 영상의 객체분할된 결과를 고려하여 시범적으로 5% 미만을 특정값으로 설정하였다.
- 예를 들어, 밭 항목은 5월에 촬영된 영상에서 재배 중인 밭과 휴경지로 구분되며, 재배 중인 밭에서도 일반 재배 밭과 비닐로 덮인 인삼밭으로 나뉘고 있다. 이 항목들은 분광학적 특성이 다르기 때문에 하나의 클래스로 정의하기 어려워 각각 훈련자료를 수집하고, 토지피복 분류 후에 항목들을 통합하여 최종 분류 결과를 밭으로 제시하였다(Table 1).
- 도로, 건물 등의 시가지역은 논, 밭에 비해 상대적으로 작은 객체들로 인해 가장 세밀한 단계로 객체분할이 되어야 하는 토지피복 항목들이다. 이에 따라, scale의 가중치 값을 100부터 10의 단위로 감소시키며 순차적으로 적용하여 도로, 건물 등과 다른 토피복 간 경계가 명확히 나뉘는 값인 30으로 최종 결정하였다. 또한, 시가지역은 건물의 지붕과 벽면의 색상이 달라 color의 가중치가 클수록 불필요한 경계 분할이 되는 것을 확인하였다.
- 또한, RF는 무작위로 추출된 입력 변수를 이용하여 의사결정나무의 최적 노드 분할 기준을 찾기 때문에, 전체 입력 변수에서 무작위로 선택되는 변수의 개수를 선정하는 것은 매우 중요하다(Brieman, 2001). 일반적으로 RF를 이용한 분류에는 전체 입력 변수에 제곱근을 취한 값을 이용하기 때문에, 이 연구에서는 각 나무의 변수를 최대 4개까지 선택하도록 설정하였다.
- 1). 제안한 방법에서는 반복 분류 시 유용한 정보를 가지는 훈련 자료를 추가로 수집하기 위해 과거 토지피복도의 정보를 이용한다. 우선 시각적 판독으로 수집된 초기 훈련 자료를 이용한 감독 분류를 수행하여 초기 분류 결과를 얻는다.
- 5 m급의 전정색 영상과 2 m급의 다중분광 밴드를 제공하는데, 이 연구에서는 가시광선(Red, Green, Blue, Costal, Yellow, Red edge)과 근적외선(Near Infrared1, 2)의 총 8개로 구성된 다중분광 밴드를 이용하였다. 토지피복 분류에 앞서 영상에 대한 전처리를 수행하였는데, 훈련 자료의 추가 수집을 위해 과거 토지피복도의 정보를 이용하기 때문에 토지피복도와 동일한 기하정보를 갖도록 수치지형도 v2.0을 이용하여 기하보정을 수행하였다. 또한 영상 자료의 분류 항목은 재분류된 중분류 토지피복도와 동일하게 정의하였는데, 분광학적 혼재가 발생할 가능성이 있는 항목들은 훈련 자료 수집 단계에서 세분화한 후 분류 결과에서 항목들을 통합하였다.
- 이 연구에서는 준감독 학습의 훈련 자료 수집과 화소기반 분류 기법의 제약사항을 고려한 토지피복도 갱신을 목적으로 과거 토지피복도를 이용하여 유용한 정보의 훈련 자료를 추가로 수집한 후 객체기반의 감독 분류를 적용하여 분류 성능을 향상시킬 수 있는 방법론을 제안하였다. 특히 토지피복 항목의 명확한 경계 추출을 위해 고해상도 영상의 객체분할에 과거 토지피복도의 경계를 추가로 이용하였다. 제안 방법론의 적용 가능성을 평가하기 위해 충청북도 태안군 일부 지역을 대상으로 환경부에서 제작한 중분류 토지피복도와 고해상도 영상인 WorldView-2 자료를 이용하여 토지피복도 갱신의 사례 연구를 수행하였다.
- 사례 연구 지역의 토지피복은 주로 시가지역과 농업지역으로 구성되어 있다. 해당 토지피복 항목에 적합한 color, shape와 scale에 대한 최적의 가중치를 선정하기 위해 가중치 값을 단계별로 적용하였다. 도로, 건물 등의 시가지역은 논, 밭에 비해 상대적으로 작은 객체들로 인해 가장 세밀한 단계로 객체분할이 되어야 하는 토지피복 항목들이다.
대상 데이터
- 이 연구의 주 목적인 토지피복도 갱신을 위해 2015년 5월 17일에 촬영된 WorldView-2 영상을 이용하였다. WorldView-2 영상은 0.5 m급의 전정색 영상과 2 m급의 다중분광 밴드를 제공하는데, 이 연구에서는 가시광선(Red, Green, Blue, Costal, Yellow, Red edge)과 근적외선(Near Infrared1, 2)의 총 8개로 구성된 다중분광 밴드를 이용하였다. 토지피복 분류에 앞서 영상에 대한 전처리를 수행하였는데, 훈련 자료의 추가 수집을 위해 과거 토지피복도의 정보를 이용하기 때문에 토지피복도와 동일한 기하정보를 갖도록 수치지형도 v2.
- 객체분할 시 영상 정보만을 이용하는 방법이 토지피복 경계를 추가로 이용하는 방법에 비해 상대적으로 더 많은 양의 훈련 자료가 추가되었으나, 항목별 추가되는 훈련 자료의 양상에는 큰 차이가 없었다. 사례 연구 지역은 주로 시가지와 논, 밭, 산림으로 구성되어 있는데, 두 객체분할 방법에서 모두 해당 토지피복 항목에서만 집중적으로 추가되는 것을 확인할 수 있었다. 이는 토지피복도 갱신 결과에서 해당 토지피복 항목으로 과추정되는 양상으로 나타났다.
- 사례 연구 지역은 충청남도 태안군 태안읍의 일부 지역으로 전체 면적은 약 18.49 km2에 해당하며, 시가지 주변의 지속적인 재개발과 골프장 및 경기장 신설 등으로 인해 토지피복의 변화가 크게 나타났다(Fig. 2). 이 지역의 토지피복 항목은 크게 시가지, 논, 밭, 산림으로 구성되어 있는데, 논이 가장 큰 면적을 차지하고 있고 시가지, 밭, 산림은 골고루 분포하고 있다.
- 사례 연구 지역을 대상으로 제작된 환경부 토지피복도는 2002년, 2007년과 2014년에 제작된 중분류 토지피복도와 2015년에 제작된 세분류 토지피복도가 존재한다. 이 연구에서 제안하는 토지피복 갱신 방법론의 적용 가능성을 확인하기 위해 훈련 자료 수집과 객체분할에 사용되는 토지피복도를 영상 대비 변화양상이 가장 클 것으로 예상되는 2002년에 제작된 중분류 토지피복도로 선정하였다.
- Scale의 가중치는 각각 생성할 객체의 크기를 나타내며, color와 shape의 가중치는 서로 반비례하는 값을 가지는데 color의 가중치가 높을수록 분광값에 의해서 객체가 생성되고, shape가 높을수록 모양에 의해서 객체가 생성된다. 사례 연구 지역의 토지피복은 주로 시가지역과 농업지역으로 구성되어 있다. 해당 토지피복 항목에 적합한 color, shape와 scale에 대한 최적의 가중치를 선정하기 위해 가중치 값을 단계별로 적용하였다.
- 사례 연구 지역을 대상으로 제작된 환경부 토지피복도는 2002년, 2007년과 2014년에 제작된 중분류 토지피복도와 2015년에 제작된 세분류 토지피복도가 존재한다. 이 연구에서 제안하는 토지피복 갱신 방법론의 적용 가능성을 확인하기 위해 훈련 자료 수집과 객체분할에 사용되는 토지피복도를 영상 대비 변화양상이 가장 클 것으로 예상되는 2002년에 제작된 중분류 토지피복도로 선정하였다. 중분류 토지피복도는 총 22개의 토지피복 항목으로 구성되어 있는데, 이 항목들은 연구에 그대로 사용하기에는 제약사항이 따른다.
- 이 연구의 주 목적인 토지피복도 갱신을 위해 2015년 5월 17일에 촬영된 WorldView-2 영상을 이용하였다. WorldView-2 영상은 0.
- 추가적으로 영상 정보만을 이용하여 객체분할을 수행한 방법과 이 연구에서 제안한 과거 토지피복 경계를 이용한 객체분할한 방법의 분류 정확도를 비교하였다. 정량적 검증을 위해 2015년 세분류 토지피복도에서 객체 크기가 작아 영상에서 확인이 불가능한 항목들은 제외하고, 객체분할된 영상 하나의 객체에 하나의 검증 자료만 포함되도록 임의 추출하여 총 1010개의 검증 자료를 수집하였다(Table 3).).
- 특히 토지피복 항목의 명확한 경계 추출을 위해 고해상도 영상의 객체분할에 과거 토지피복도의 경계를 추가로 이용하였다. 제안 방법론의 적용 가능성을 평가하기 위해 충청북도 태안군 일부 지역을 대상으로 환경부에서 제작한 중분류 토지피복도와 고해상도 영상인 WorldView-2 자료를 이용하여 토지피복도 갱신의 사례 연구를 수행하였다.
- 토지피복 갱신 정확도 평가는 초기 감독 분류 결과와 이 연구에서 제안한 방법론의 반복 분류에 따른 분류 결과를 대상으로 수행하였다. 추가적으로 영상 정보만을 이용하여 객체분할을 수행한 방법과 이 연구에서 제안한 과거 토지피복 경계를 이용한 객체분할한 방법의 분류 정확도를 비교하였다.
데이터처리
- 이 연구에서는 WorldView-2 영상을 대상으로 eCognition Developer 8(Definiens, 2009)을 이용하여 객체분할을 수행하였다. 객체분할은 scale(분할축척), color(분광정보), shape(공간정보)의 가중치를 입력 변수로 선정해야 하는데, 영상의 해상도와 토지피복의 형태에 따라 객체의 크기가 다르기 때문에 분류하고자 하는 토지피복 항목에 적합한 객체분할을 위해 많은 실험을 통해 최적의 가중치를 찾아야 한다(Na and Lee, 2014).
- 이 연구에서는 미변화 지역이라면 과거 토지피복도의 경계를 유지하고, 변화 지역이라면 과거 토지피복도의 경계에서 추가적으로 객체분할이 일어날 것이라는 가정을 토대로 객체분할에 과거 토지피복도의 경계를 이용한다. 이렇게 객체 단위로 분석할 경우에는 객체 내 다양한 통계 정보를 이용할 수 있는데, 이 연구에서는 WorldView-2 영상의 총 8개 다중분광 밴드를 통해 계산된 평균과 표준편차 정보를 이용하였다.
- 토지피복 갱신 정확도 평가는 초기 감독 분류 결과와 이 연구에서 제안한 방법론의 반복 분류에 따른 분류 결과를 대상으로 수행하였다. 추가적으로 영상 정보만을 이용하여 객체분할을 수행한 방법과 이 연구에서 제안한 과거 토지피복 경계를 이용한 객체분할한 방법의 분류 정확도를 비교하였다. 정량적 검증을 위해 2015년 세분류 토지피복도에서 객체 크기가 작아 영상에서 확인이 불가능한 항목들은 제외하고, 객체분할된 영상 하나의 객체에 하나의 검증 자료만 포함되도록 임의 추출하여 총 1010개의 검증 자료를 수집하였다(Table 3).
이론/모형
- 제안 방법론에 적용된 감독 분류 기법으로는 기계학습 알고리즘인 Random forest(RF)를 적용하였다. RF는 Brieman(2001)에 의해 개발된 의사결정나무 분석의 심화된 기법으로, 하나의 나무가 아닌 여러 개의 나무로 확장시켜서 분류 항목을 유도한다.
성능/효과
- 시각적으로 초기 분류 결과들을 살펴보면(Fig. 5(a), (c)), 두 가지 객체분할 방법 모두 초기 분류 결과에서 모든 토지피복 항목의 오분류 양상이 두드려졌다. 특히 논과 밭의 혼재가 가장 크게 나타났고, 초지와 밭, 산림 간의 혼재, 시가지와 나지의 혼재도 나타났다.
- 이 연구에서는 객체분할 시 토지피복 경계 이용 여부에 따라 두 방법으로 영상의 객체를 분할하였는데, 이때 두 방법 모두 위에서 정의한 최적의 객체분할 가중치를 동일하게 적용하였다. Fig. 4를 살펴보면, 영상 정보만을 이용한 객체분할은 건물과 도로 경계가 명확하게 분할되지 않았으나, 토지피복 경계를 이용한 객체분할은 도로, 논, 밭 지역 등에서 토지피복 경계가 명확히 분할되었다. 또한, 토지피복 경계를 이용한 객체분할은 토지피복 변화 지역으로 인해 영상과 과거 토지피복도 간의 경계가 다르더라도 과거 토지피복도 경계에서 추가적으로 분할이 되어 해당 객체의 정보가 손실되지 않는다.
- 객체분할 방법별 최종 분류 결과의 정확도를 살펴보면, 각각 72.48%와 67.43%로 나타나 약 5%p의 차이를 보였다. 토지피복 항목별로 세부적으로 살펴보았을 때 이러한 정확도의 차이는 나지와 밭, 시가지 등에서 나타났다.
- 26%로 나타났다. 객체분할 시 영상 정보를 이용하는 방법의 초기 분류 결과 정확도가 더 높게 나타났는데 이는 본 장의 2)절에서 설명한 바와 같이 RF 분류 기법의 훈련 자료에 대한 임의추출 특성에 기인한 것으로 보인다. 즉, 두 분류 결과의 정확도가 약 2.
- 2015년 세분류 토지피복도를 참조하여 WorldView-2 영상의 시각적 판독을 통해 초기 감독 분류에 필요한 69개의 훈련 자료를 수집하고 제안한 방법에 따라 훈련 자료를 추가하며 반복 분류를 수행하였다. 객체분할 시 영상 정보만을 이용하는 방법과 토지피복 경계를 추가로 이용하는 방법은 각각 4번째와 6번째의 반복 분류에서 종료조건을 만족하여 최종 분류 결과를 얻었다. 반복 분류를 통해 추가되는 훈련 자료는 분류 정확도에 매우 큰영향을 미친다.
- Table 2에서는 토지피복 경계를 이용한 객체분할 방법의 분류 결과에 대한 훈련 자료의 변화 양상을 나타냈다. 객체분할 시 영상 정보만을 이용하는 방법이 토지피복 경계를 추가로 이용하는 방법에 비해 상대적으로 더 많은 양의 훈련 자료가 추가되었으나, 항목별 추가되는 훈련 자료의 양상에는 큰 차이가 없었다. 사례 연구 지역은 주로 시가지와 논, 밭, 산림으로 구성되어 있는데, 두 객체분할 방법에서 모두 해당 토지피복 항목에서만 집중적으로 추가되는 것을 확인할 수 있었다.
- 7에서는 대표적으로 토지피복 변화가 가장 많이 발생한 경기장 건설지역을 확대하여 토지피복 갱신 결과를 확인하였다. 경기장 지역의 건물과 공사 중으로 인한 나지 항목들이 이 연구에서 제안한 갱신 방법론을 통해 실제 토지피복에 맞게 분류된 것을 확인하였다. 그러나 Fig.
- 또한, 토지피복 경계를 이용한 객체분할은 토지피복 변화 지역으로 인해 영상과 과거 토지피복도 간의 경계가 다르더라도 과거 토지피복도 경계에서 추가적으로 분할이 되어 해당 객체의 정보가 손실되지 않는다. 그러나, 객체분할에 토지피복 경계를 이용하는 방법은 토지피복도와 영상 간의 기하정보가 정확히 일치한다는 가정이 전제되어야 하는데, 객체분할에 사용된 중분류 토지피복도는 5 m급의 공간해상도를 기준으로 제작되었기 때문에 영상과 정확히 일치하지 않아 일부분에서 다소 경계가 어긋나는 현상이 나타났다.
- 토지피복 항목별로 세부적으로 살펴보았을 때 이러한 정확도의 차이는 나지와 밭, 시가지 등에서 나타났다. 나지 항목은 객체분할 시 토지피복 경계를 이용할 경우 약 26.44%p 증가폭을 보였으나, 영상 정보만 이용할 경우 약 14.83%p의 증가폭을 보였다. 이와 더불어 시가지 항목은 토지피복 경계를 이용하는 방법에서 정확도가 유지되는 반면 영상 정보만을 이용하는 방법에서는 정확도가 약 15.
- 특히 논과 밭의 혼재가 가장 크게 나타났고, 초지와 밭, 산림 간의 혼재, 시가지와 나지의 혼재도 나타났다. 두 가지 객체분할 결과를 이용한 분류 결과들은 동일한 초기 훈련 자료를 이용했음에도 불구하고 분류 결과의 오분류 양상이 조금씩 다르게 나타났다. Fig.
- 객체분할 시 영상 정보만 이용하는 방법은 시가지와 나지 항목의 분광학적 혼재로 인해 객체가 명확하게 구분되지 않았을 가능성이 높은데 비해 토지피복 경계를 이용한 객체분할 방법은 과거 토지피복도의 정보를 이용함으로써 시가지와 나지의 경계를 명확히 구분하여 분류 정확도가 향상된 것으로 판단된다. 또한 객체분할 시 토지피복 경계를 이용하는 방법은 영상 정보만을 이용하는 방법보다 밭에서 정확도의 증가폭이 약 7.5%p 더 크게 나타났으며, 이러한 양상은 시가지와 나지의 혼재 양상과 같이 밭과 초지의 분광학적 혼재로 인해 영상 정보만을 이용하는 방법에서 영상의 객체가 명확하게 분할되지 않았기 때문인 것으로 판단된다.
- 0을 이용하여 기하보정을 수행하였다. 또한 영상 자료의 분류 항목은 재분류된 중분류 토지피복도와 동일하게 정의하였는데, 분광학적 혼재가 발생할 가능성이 있는 항목들은 훈련 자료 수집 단계에서 세분화한 후 분류 결과에서 항목들을 통합하였다. 예를 들어, 밭 항목은 5월에 촬영된 영상에서 재배 중인 밭과 휴경지로 구분되며, 재배 중인 밭에서도 일반 재배 밭과 비닐로 덮인 인삼밭으로 나뉘고 있다.
- 특히 단일시기 영상의 사용으로 밭과 초지, 논 등에서 분광학적 혼재가 크게 나타나 영상 정보만을 이용한 객체분할 방법에서는 객체가 명확하게 구분되지 않았으나, 과거 토지피복도의 경계를 이용하면서 객체의 경계를 명확히 할 수 있었다. 또한, 사례 연구 지역 내 시가지, 논, 밭 등 특정 피복 항목으로만 구성되어 있어 해당 항목으로만 주로 새로운 훈련 자료가 추가되어 과추정 양상이 나타났음에도 불구하고, 제안 방법론을 통해 분류 정확도가 향상되는 것을 확인할 수 있었다.
- 이에 따라, scale의 가중치 값을 100부터 10의 단위로 감소시키며 순차적으로 적용하여 도로, 건물 등과 다른 토피복 간 경계가 명확히 나뉘는 값인 30으로 최종 결정하였다. 또한, 시가지역은 건물의 지붕과 벽면의 색상이 달라 color의 가중치가 클수록 불필요한 경계 분할이 되는 것을 확인하였다. 이에 따라, color와 shape도 단계별 적용을 통해 가중치를 각각 0.
- 해당 지역은 물을 댄 상태의 논과 저수지와의 분광학적 혼재가 크게 나타나는 지역인데 영상 정보를 이용한 객체분할에서는 두 항목의 혼재로 인해 토지피복 간 객체분할이 명확하지 않았고, 분류 결과에서도 논과 저수지의 혼재가 나타났다. 반면, 토지피복 경계를 이용할 경우에는 객체분할을 위해 사용된 토지피복도에서 논과 저수지의 경계가 명확히 구분되어 있어 분류 결과에서 영상 정보만을 이용한 객체분할에 비해 상대적으로 논과 저수지의 혼재가 줄어든 것을 확인할 수 있었다.
- 38%p의 차이를 보였는데 이 차이가 유의미하다고 볼 수는 없다. 세부적으로 분류 항목별 사용자 정확도에서도 두 객체분할 방법별로 유사하게 나타났는데, 초지 항목이 약 26%로 매우 낮게 나타났고 나지와 밭 항목이 각각 약 43%, 48%로 나타났다. 이는 초지와 밭의 혼재로 인해 두 항목 모두 정확도가 매우 낮게 나타난 것으로 판단되며, 나지는 시가지와의 혼재로 인해 정확도가 낮게 나타난 것으로 보인다.
- 83%p의 증가폭을 보였다. 이와 더불어 시가지 항목은 토지피복 경계를 이용하는 방법에서 정확도가 유지되는 반면 영상 정보만을 이용하는 방법에서는 정확도가 약 15.53%p 정도 감소하는 것으로 나타났다. 객체분할 시 영상 정보만 이용하는 방법은 시가지와 나지 항목의 분광학적 혼재로 인해 객체가 명확하게 구분되지 않았을 가능성이 높은데 비해 토지피복 경계를 이용한 객체분할 방법은 과거 토지피복도의 정보를 이용함으로써 시가지와 나지의 경계를 명확히 구분하여 분류 정확도가 향상된 것으로 판단된다.
- 이 연구에서 적용된 감독 분류 기법인 RF는 훈련 자료를 임의복원 추출하여 의사결정나무에 이용하게 되는데, 초기 훈련 자료의 수가 매우 적어 임의복원추출 시 정보가 누락된 것이 주된 원인으로 판단된다. 제안 방법론을 적용한 최종 분류 결과들을 초기 분류 결과들과 비교하면 두 분류 결과 모두 초기 분류 결과에서의 가장 큰 오분류 양상인 논과 밭의 혼재와 시가지와 나지의 혼재 양상이 크게 완화되었다(Fig. 5(b), (d)).
- 세분류 토지피복도를 통해 수집된 검증 자료를 이용해 오차 행렬을 구성하고, 전체 정확도와 분류 항목별 사용자 정확도를 계산하였다(Table 4). 초기 분류 결과의 전체 정확도는 객체분할 방법별로 각각 61.88%와 64.26%로 나타났다. 객체분할 시 영상 정보를 이용하는 방법의 초기 분류 결과 정확도가 더 높게 나타났는데 이는 본 장의 2)절에서 설명한 바와 같이 RF 분류 기법의 훈련 자료에 대한 임의추출 특성에 기인한 것으로 보인다.
- 이 연구에서는 과거 토지피복도가 존재한다는 가정하에 토지피복도 갱신을 목적으로 객체분할과 훈련 자료 수집에 과거 토지피복도의 정보를 이용하는 분류 방법론을 제안하였다. 충청남도 태안군 일대를 대상으로 사례 연구를 수행한 결과, 제안 방법론이 과거 토지피복도 정보를 이용함으로써 유용한 훈련 자료를 추가함에 따라 초기 훈련 자료를 이용하는 감독 분류 보다 분류 정확도가 향상되는 것을 확인할 수 있었다. 특히 단일시기 영상의 사용으로 밭과 초지, 논 등에서 분광학적 혼재가 크게 나타나 영상 정보만을 이용한 객체분할 방법에서는 객체가 명확하게 구분되지 않았으나, 과거 토지피복도의 경계를 이용하면서 객체의 경계를 명확히 할 수 있었다.
- 5(a), (c)), 두 가지 객체분할 방법 모두 초기 분류 결과에서 모든 토지피복 항목의 오분류 양상이 두드려졌다. 특히 논과 밭의 혼재가 가장 크게 나타났고, 초지와 밭, 산림 간의 혼재, 시가지와 나지의 혼재도 나타났다. 두 가지 객체분할 결과를 이용한 분류 결과들은 동일한 초기 훈련 자료를 이용했음에도 불구하고 분류 결과의 오분류 양상이 조금씩 다르게 나타났다.
- 충청남도 태안군 일대를 대상으로 사례 연구를 수행한 결과, 제안 방법론이 과거 토지피복도 정보를 이용함으로써 유용한 훈련 자료를 추가함에 따라 초기 훈련 자료를 이용하는 감독 분류 보다 분류 정확도가 향상되는 것을 확인할 수 있었다. 특히 단일시기 영상의 사용으로 밭과 초지, 논 등에서 분광학적 혼재가 크게 나타나 영상 정보만을 이용한 객체분할 방법에서는 객체가 명확하게 구분되지 않았으나, 과거 토지피복도의 경계를 이용하면서 객체의 경계를 명확히 할 수 있었다. 또한, 사례 연구 지역 내 시가지, 논, 밭 등 특정 피복 항목으로만 구성되어 있어 해당 항목으로만 주로 새로운 훈련 자료가 추가되어 과추정 양상이 나타났음에도 불구하고, 제안 방법론을 통해 분류 정확도가 향상되는 것을 확인할 수 있었다.
후속연구
- 이 연구에서는 단일시기 영상을 사용함에 따라 초지, 밭, 논 등에서 여전히 혼재가 존재하는데, 추후에는 다중시기 영상을 사용함으로써 해당 토지피복 항목들의 혼재 양상 여부를 살펴볼 예정이다. 또한 훈련 자료가 특정 항목에 집중적으로 추가되어 해당 항목으로의 과추정 양상이 나타났는데, 이러한 한계를 극복하기 위한 추가 연구를 수행할 예정이다.
- 이 연구에서는 단일시기 영상을 사용함에 따라 초지, 밭, 논 등에서 여전히 혼재가 존재하는데, 추후에는 다중시기 영상을 사용함으로써 해당 토지피복 항목들의 혼재 양상 여부를 살펴볼 예정이다. 또한 훈련 자료가 특정 항목에 집중적으로 추가되어 해당 항목으로의 과추정 양상이 나타났는데, 이러한 한계를 극복하기 위한 추가 연구를 수행할 예정이다.
- 우선 시각적 판독으로 수집된 초기 훈련 자료를 이용한 감독 분류를 수행하여 초기 분류 결과를 얻는다. 이후 초기 분류 결과를 이용해 추가 훈련 자료를 수집하는데 이 연구에서는 준감독 학습의 원리를 차용하되 한계점을 보완할 수 있도록 과거 토지피복도의 정보를 이용한다. 초기 분류 결과의 분류 항목이 과거 토지피복도의 피복 항목과 동일한 경우 해당 객체는 미변화 지역으로 간주하고, 해당 객체를 불확실성이 낮다고 판단하여 새로운 훈련 자료로 추가한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.