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
- , 2015), UAV영상과 객체기반영상분석 방법을 활용한 한라산 구상나무 개체식별 연구(Lim, 2016)등 환경 · 생태 분야에서 UAV를 이용을 위한 연구가 진행 되고 있지만 제작방법 및 정확성의 문제로 토지피복 분류 분야의 활용은 미비한 실정이었다. 따라서 본 연구는 UAV 영상을 기반으로 제작된 토지피복도를 생태 연구 분야에 활용할 수 있도록 효과적 토지피복 분류 방법과 활용 가능성을 검증하고자 하였다. 이를 위해 객체기반 및 화소기반 영상분류 기법을 적용하여 토지피복 분류를 수행하였으며 정확도 검증 및 기존 토지피복 자료와 비교 · 분석하였다.
- 토지피복도는 환경 · 생태 연구 분야의 기본자료로 활용되는 중요한 공간정보이지만 자료의 갱신주기, 정확성, 제작비용 등의 한계로 인해 지역적 규모에서 활용은 제한적이었다. 본 연구에서는 이러한 한계를 보완할 수 있는 방법으로 UAV를 활용한 토지피복도 제작과 자료의 활용가능성을 알아보았다.
제안 방법
- 5로 고정하였다. Color 값이 증가할수록 초지, 도로 등 색의 변화 큰 토지피복 유형에서 경계가 명확해져 가중치를 1로 하였다. 따라서 객체기반 토지피복 분류를 위해 최종적으로 Scale 150, Shape 0.
- UAV 영상 촬영은 이·착륙의 모든 과정이 자동화로 이루어지는데 전용 프로그램인 emotion2 소프트웨어 사용하여 비행계획 수립하고 비행후 비행 정보(기체회전각, 비행좌표 등)가 포함된 log파일에서 촬영된 이미지의 좌표정보를 삽입하였다.
- 감독분류는 최근린법(Nearest neighbor)으로 두 분류기법에 동일하게 적용하였으며, 분류결과의 정확도 및 분석기법의 효용성을 판단 하기 위해 화소기반 분류로 작성된 토지피복도 및 환경부 토지피복도(세분류, 2015년 제작 · 고시)와 비교 · 분석하였다.
- 토지피복도 제작을 위한 분류 항목 선정은 환경부 토지피복도 중분류를 기준으로 UAV영상의 해상도와 분광정보를 고려하여 11개 항목을 선정하였으며, 객체기반 영상분석에는 eCognition9, 화소기반 분류는 PCI Geomatics 프로그램을 사용하였다. 객체기반 분류에서 최적의 영상분할(Segmentation) 가중치는 반복적인 테스트를 통하여 선정하였으며, 분할된 영상을 기반으로 감독분류를 실시하였다. 감독분류는 최근린법(Nearest neighbor)으로 두 분류기법에 동일하게 적용하였으며, 분류결과의 정확도 및 분석기법의 효용성을 판단 하기 위해 화소기반 분류로 작성된 토지피복도 및 환경부 토지피복도(세분류, 2015년 제작 · 고시)와 비교 · 분석하였다.
- 토지피복 분류 항목은 대분류와 중분류로 나누어 계층적인 토지피복도를 작성하였다. 대분류에서는 개발지, 토양, 수역, 산림, 초지 5항목으로 구분 하였으며, 중분류는 11개(시가화지역, 건물, 도로, 토양, 경작지, 물, 습지, 침엽수, 활엽수, 초지, 건초지) 항목으로 구분하였다(표 1). 환경부 토지피복 분류 체계를 기반으로 항목을 선정하되 촬영시기 및 대상지의 현황을 고려하여 ‘건초지(Dry grass)’ 항목을 추가 하였는데, 건초지의 경우 계절 변화에 따라 초지가 되는 지역이지만 기존의 분류체계에서는 비식생지역으로 분류될 수 있다.
- 환경부 토지피복 분류 체계를 기반으로 항목을 선정하되 촬영시기 및 대상지의 현황을 고려하여 ‘건초지(Dry grass)’ 항목을 추가 하였는데, 건초지의 경우 계절 변화에 따라 초지가 되는 지역이지만 기존의 분류체계에서는 비식생지역으로 분류될 수 있다. 따라서 보다 정밀한 토지 피복 현황파악 및 시계열적인 식생현황 자료로서 의미가 있는 분류항목으로서 추가하였다.
- 연구 과정은 크게 UAV을 활용한 데이터 수집과 정사영상 제작, 객체기반 및 화소기반 토지피복 분류, 그리고 토지피복 분류의 정확도 검증 및 결과물 비교 · 분석으로 진행하였다(그림 2). 먼저 UAV를 통해 연구대상지의 RGB, NIR 영상을 획득하여 정사영상과 정규화식생지수(NDVI)를 생성하였다. 토지피복도 제작을 위한 분류 항목 선정은 환경부 토지피복도 중분류를 기준으로 UAV영상의 해상도와 분광정보를 고려하여 11개 항목을 선정하였으며, 객체기반 영상분석에는 eCognition9, 화소기반 분류는 PCI Geomatics 프로그램을 사용하였다.
- 5cm 해상도의 영상 248장(RGB-104장, NIR-144장)을 취득하였으며 Pix4D-mapper 소프트웨어를 활용하여 각각의 모자이크 영상을 생성하였다. 모자이크 영상 처리 과정은 지상기준점이 필요 없는 SIFT방식에 의해 영상정합이 수행되는데, 실시간으로 측정된 기체의 자세정보와 스테레오 영상으로부터 외부표정요소를 추정한 후, tie point를 자동 생성하여 최종적인 정사영상(WGS84)을 제작하였다. 영상의 오차는 평균 제곱근 편차가 x방향 0.
- 영상 분할이란 분석자에 의해 유사한 특성을 가지는 개별 화소들을 그룹화 하여 동일한 오브젝트로 만들어 주는 과정으로 가중치 따라 객체의 크기 및 형태가 달라진다(Kim and Yeom, 2012). 본 연구에서는 단계를 Level 1~3으로 나누어 진행하였으며 영상 분류를 위해 2가지 영상분할기법을 적용하였다.
- 최근린기법은 각 영상의 밴드 에서 분석자가 지정한 각 클래스에 대한 샘플의 평균 분광값과 가장 가까울 때 해당 클래스로 분류되는 방법으로(Youngsin and Rebello, 2000), 최대우도법(maximum likelihood method)과 더불어 감독분류에 많이 활용되는 분류기법이다. 분류결과는 TTA(Training and test area) mark를 생성하여 분류 정확도를 평가하였다.
- 연구 과정은 크게 UAV을 활용한 데이터 수집과 정사영상 제작, 객체기반 및 화소기반 토지피복 분류, 그리고 토지피복 분류의 정확도 검증 및 결과물 비교 · 분석으로 진행하였다(그림 2).
- 이를 위해 객체기반 및 화소기반 영상분류 기법을 적용하여 토지피복 분류를 수행하였으며 정확도 검증 및 기존 토지피복 자료와 비교 · 분석하였다.
- 토지피복 분류 항목은 대분류와 중분류로 나누어 계층적인 토지피복도를 작성하였다. 대분류에서는 개발지, 토양, 수역, 산림, 초지 5항목으로 구분 하였으며, 중분류는 11개(시가화지역, 건물, 도로, 토양, 경작지, 물, 습지, 침엽수, 활엽수, 초지, 건초지) 항목으로 구분하였다(표 1).
- 먼저 UAV를 통해 연구대상지의 RGB, NIR 영상을 획득하여 정사영상과 정규화식생지수(NDVI)를 생성하였다. 토지피복도 제작을 위한 분류 항목 선정은 환경부 토지피복도 중분류를 기준으로 UAV영상의 해상도와 분광정보를 고려하여 11개 항목을 선정하였으며, 객체기반 영상분석에는 eCognition9, 화소기반 분류는 PCI Geomatics 프로그램을 사용하였다. 객체기반 분류에서 최적의 영상분할(Segmentation) 가중치는 반복적인 테스트를 통하여 선정하였으며, 분할된 영상을 기반으로 감독분류를 실시하였다.
대상 데이터
- 연구대상지는 UAV영상을 활용한 토지피복도 제작과 활용성 검증이 가능한 대상지를 선정하고자 소규모 지역에 다양한 토지피복 유형이 존재하는 국립생태원(충남 서천군 마서면 송내리) 일대로 선정하였다. 대상지는 습지, 저수지, 침엽수, 활엽수 등 다양한 식생으로 구성되어 있는 생태적 공간과 논, 밭, 과수원, 주거지 등 일반적인 농촌지역의 토지피복 유형이 혼재되어 있는 지역으로 UAV의 촬영가능 범위를 고려하여 2.5㎢의 장방형으로 설정하였다(그림 1).
- 연구대상지는 UAV영상을 활용한 토지피복도 제작과 활용성 검증이 가능한 대상지를 선정하고자 소규모 지역에 다양한 토지피복 유형이 존재하는 국립생태원(충남 서천군 마서면 송내리) 일대로 선정하였다. 대상지는 습지, 저수지, 침엽수, 활엽수 등 다양한 식생으로 구성되어 있는 생태적 공간과 논, 밭, 과수원, 주거지 등 일반적인 농촌지역의 토지피복 유형이 혼재되어 있는 지역으로 UAV의 촬영가능 범위를 고려하여 2.
- 연구에 사용된 UAV는 스위스 sensefly사에서 개발된 고정익 기체로(eBee)서 중량은 약 0.69kg, 날개길이는 96cm 이다. 최대 45분 동안 40~90km/h 속도로 비행이 가능하며 기체에는 RGB, NIR(근적외), TIR(열적외), 4C(다중분광) 등 다양한 센서를 탑재 할 수 있으며, 본 연구에서는 SONY DSC-WC200(RGB), Cannon S110(NIR)를 활용하였다.
- 분류된 토지피복도의 정확도 검증은 오차행렬식을 통하여 생산자정확도(Producer’s accuracy) 및 사용자정확도(User’s accuracy), 전체정확도(overall accuracy) 각각 산정하였다(Congalton, 1991). 정확도 검증을 위한 참조자료는 UAV로 촬영한 원영상을 기반으로 검증 포인트 110개를 임으로 선정하여 육안판독을 하였다(그림 7). 분석한 결과 객체기반 분류의 Kappa 계수는 0.
- UAV 영상 촬영은 이·착륙의 모든 과정이 자동화로 이루어지는데 전용 프로그램인 emotion2 소프트웨어 사용하여 비행계획 수립하고 비행후 비행 정보(기체회전각, 비행좌표 등)가 포함된 log파일에서 촬영된 이미지의 좌표정보를 삽입하였다. 촬영고도 150m, 촬영 중복도는 종방향 60%, 횡방향 75%로 설정하여 촬영한 결과, 10.5cm 해상도의 영상 248장(RGB-104장, NIR-144장)을 취득하였으며 Pix4D-mapper 소프트웨어를 활용하여 각각의 모자이크 영상을 생성하였다. 모자이크 영상 처리 과정은 지상기준점이 필요 없는 SIFT방식에 의해 영상정합이 수행되는데, 실시간으로 측정된 기체의 자세정보와 스테레오 영상으로부터 외부표정요소를 추정한 후, tie point를 자동 생성하여 최종적인 정사영상(WGS84)을 제작하였다.
- 최대 45분 동안 40~90km/h 속도로 비행이 가능하며 기체에는 RGB, NIR(근적외), TIR(열적외), 4C(다중분광) 등 다양한 센서를 탑재 할 수 있으며, 본 연구에서는 SONY DSC-WC200(RGB), Cannon S110(NIR)를 활용하였다. 촬영일시는 2015년도 4월 24일 12시이며, 구름이 없는 맑은 날에 실시하였다. 촬영시기를 4월로 선정한 것은 봄철에 식생변화가 일어나는 시기에 UAV 영상을 활용하여 정밀한 식생파악이 가능한지 알아보기 위함이다.
- 69kg, 날개길이는 96cm 이다. 최대 45분 동안 40~90km/h 속도로 비행이 가능하며 기체에는 RGB, NIR(근적외), TIR(열적외), 4C(다중분광) 등 다양한 센서를 탑재 할 수 있으며, 본 연구에서는 SONY DSC-WC200(RGB), Cannon S110(NIR)를 활용하였다. 촬영일시는 2015년도 4월 24일 12시이며, 구름이 없는 맑은 날에 실시하였다.
이론/모형
- 2~3단계는 상용프로그램에서 일반적으로 사용되며 영상분할에 가장 특화되어 있는 알고리즘인 다중 해상도 분할(Multiresolution segmentation)기법을 적용하였다. 가중치 선정에는 Scale(분할축척), Shape(형태), Color(분광), Compactness(조밀도), Smoothness(평활도)의 정보를 고려할 수 있는데, 설정된 여러 단계의 가중치 값은 수직적인 관계로 생성된다.
- 감독분류를 위해 훈련자료는 분류기법별로 각각 설정 한 후 최근린기법(nearest neighbor)으로 적용하였다. 최근린기법은 각 영상의 밴드 에서 분석자가 지정한 각 클래스에 대한 샘플의 평균 분광값과 가장 가까울 때 해당 클래스로 분류되는 방법으로(Youngsin and Rebello, 2000), 최대우도법(maximum likelihood method)과 더불어 감독분류에 많이 활용되는 분류기법이다.
- 주요 연구 성과는 다음과 같다. 객체기반 분류를 위해 영상분할 기법은 다중 임계점 분할, 다중 해상도 분할을 적용하였으며 최적의 영상분할 가중치는 Scale 150, Shape 0.5, Compactness 0.5, Color 1을 선정하였다. 정확도 검증 결과 객체기반 분류는 Kappa 0.
- 영상분할은 3단계로 구분하였으며 계층적인 분류를 위해 Level 1에서는 Multi-threshold Segmentation 기법을 적용하여 NDVI 자료를 기반으로 식생과 비식생 지역으로 이원 분류를 하였다. NDVI는–1에서 1까지의 범위로 나타내며 일반적으로 식생지역은 양수값을 가진다.
성능/효과
- UAV를 활용한 영상자료의 취득은 위성 및 항공영상에 비해 시 · 공간적 제약이 덜 할 뿐만 아니라 자료취득과 처리 과정에 소요되는 시간과 비용에 비해 비교적 높은 정확도의 자료 취득이 가능하였다.
- 객체기반 분류기법으로 분류된 결과는 산림(29.4%), 토양(24.3%), 초지(23.3%), 개발지역(14.4%), 수역(8.5%) 순이며, 화소기반 분류에서는 산림(30.4%), 토양(22.8%), 초지(19.2%), 개발지역(14.5%), 수역(12.5%)로 나타나 전반적인 면적비율은 유사하지만 초지와 수역에서 각각 4%의 차이가 있었다(그림 5, 표 2). 객체기반 분류에서 초지지역의 비율이 높은 것은 영상분할 과정에서 식생 · 비식생 구분을 통해 미세한 식생파악이 가능했기 때문인 것으로 볼 수 있으며, 화소기반 분류에서 습지지역의 증가는 농경지, 나지 등 유사한 분광특성을 띄는 곳과의 오분류로 확인되었다(그림 6, 표 3).
- 77로 나타나 객체기반 분류에서 높은 정확성을 보였다. 객체기반 분류에서는 초지 및 건초지의 분류 정확도가 상대적으로 높게 나타났으며, 오 분류된 항목으로는 침엽수와 활엽수, 농경지와 나지, 시가화 지역의 경계에서 주로 발생되었다. 이는 경작이 이루어지지 않은 농경지의 경우 분광특성이 유사한 나지, 시가화 지역에서 명확한 영상분할이 이루어지지 못한 것이 원인이었으며, 침엽수와 활엽수의 경우에도 촬영시점이 개엽 전에 이루어져 명확한 구분이 어려웠기 때문이다(표 4).
- 토지피복도 제작에 사용된 항공영상의 촬영시기, 분류기준과 방법 등의 차이로 분류항목별 면적비교에는 한계가 있다. 따라서 그림 6과 같이 특정 지역에 대한 분류결과를 살펴본 결과, 환경부 토지피복도는 초지, 산림지역의 경우 군락단위로 분류되기 때문에 상대적으로 간략하게 표현되고 있으며, 화소기반 분류에서는 건초지의 비율이 낮게 나타났다. 이는 고해상도 영상일수록 동일 객체에서 다양한 분광정보 가지는 특성 때문에 화소기반 분류에서는 객체간의 경계가 명확하지 않은 것으로 판단되며 표 3과 같이 모든 분류항목이 나타난 것을 확인 할 수 있다.
- 이는 고해상도 영상일수록 동일 객체에서 다양한 분광정보 가지는 특성 때문에 화소기반 분류에서는 객체간의 경계가 명확하지 않은 것으로 판단되며 표 3과 같이 모든 분류항목이 나타난 것을 확인 할 수 있다. 반면에 객체기반 분류에서는 비교적 초지, 건초지, 활엽수의 세밀한 분류가 가능하였는데, 분광값이 유사한 화소를 하나의 그룹으로 묶어 분류되기 때문에 화소기반 분류에 비해 육안판독이 용이한 결과를 보였다.
- 본 연구를 통하여 UAV를 활용한 토지피복도 제작과 고해상도 영상의 효과적인 분류기법으로서 객체기반 분류의 활용가능성을 파악 할 수 있었다. 객체기반 분류는 객체간의 명확한 경계를 가지므로 자료의 판독이 용이하며 분석자의 목적에 맞게 분류기준 만들 수 있기 때문에 특정 객체를 분류하는데 활용하거나 기존의 영상분류 기법과 연계하여 분석하는 등 응용할 수 있는 범위가 넓다.
- 5 이하인 지역은 비식생지역으로 추출한 바 있다(Lee and Choi, 2014; Kim and Yeom, 2012). 본 연구에서 취득한 NDVI(10cm) 영상의 경우 미세한 식생까지 확인이 가능하여 0.05단위로 검토한 후 NDVI 값이 0.35부터 초본과 교목을 모두 포함하는 것으로 나타났다. 따라서 0.
- 77로 나타나 객체기반 분류 결과가 양호하였다. 분류항목별 면적분포를 비교해 보면, 전반적인 면적 비율은 유사하지만 초지와 습지에서 각각 4%의 차이가 있었다. 객체기반 분류에서 초지의 비율이 높은 것은 고해상도(10cm)의 NDVI 활용한 식생 · 비식생 지역의 이원 분할과정에서 세밀한 분류가 가능했기 때문이며 화소기반 분류와 비교해 초지와 습지의 분류 정확도가 높게 나타났다.
- 정확도 검증을 위한 참조자료는 UAV로 촬영한 원영상을 기반으로 검증 포인트 110개를 임으로 선정하여 육안판독을 하였다(그림 7). 분석한 결과 객체기반 분류의 Kappa 계수는 0.82, 화소기반 분류는 Kappa 0.77로 나타나 객체기반 분류에서 높은 정확성을 보였다. 객체기반 분류에서는 초지 및 건초지의 분류 정확도가 상대적으로 높게 나타났으며, 오 분류된 항목으로는 침엽수와 활엽수, 농경지와 나지, 시가화 지역의 경계에서 주로 발생되었다.
- , 2015), UAV에서 취득한 고해상도 영상에 적용할 경우 과분류 되는 현상으로 분석에 효과적이지 못한 것으로 판단하였다. 이에 Scale값을 100에서부터 250까지 50단위로 순차적으로 판독하였으며 150에서 불필요한 분할이 적어지며 객체의 경계가 명확해 지는 것을 확인하였다.
- 5, Color 1을 선정하였다. 정확도 검증 결과 객체기반 분류는 Kappa 0.82, 화소기반 분류는 0.77로 나타나 객체기반 분류 결과가 양호하였다. 분류항목별 면적분포를 비교해 보면, 전반적인 면적 비율은 유사하지만 초지와 습지에서 각각 4%의 차이가 있었다.
후속연구
- UAV를 활용한 고해상도 영상자료 수집과 효과적인 토지피복 분류방법으로서 객체기반 분류기법의 적용은 자료의 최신성, 정확성, 경제성 등의 장점으로 환경 · 생태 연구 분야에 기여할 수 있을 것으로 판단된다.
- 또한 감독분류과정에서 분류기법별 훈련자료를 동일하게 적용하지 못한 한계가 있었다. 따라서 시계열 토지피복도 구축 및 현장검증 자료를 제시를 통한 신뢰성 확보가 필요하며, 보다 객관적인 분석을 위한 방법을 모색 등의 추가적인 연구가 필요한 것으로 사료된다.
- 객체기반 분류 결과와 비교하여 환경부 토지 피복도(세분류)는 수치지형도, 지적도 등의 다양한 참조자료를 활용하여 제작되므로 비교적 정확한 도로, 건물, 농경지 정보 등이 반영된 것으로 볼 수 있다. 반면에 자연지역(산림, 초지, 습지)은 객체를 그룹으로 묶어 개략으로 표현하고 있어 UAV 영상을 활용할 경우 특정지역의 정밀한 토지피복도 제작이나 기존의 토지피복도의 보완적인 자료로서 이용이 가능할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.