고해상도 다중시기 위성영상을 이용한 밭작물 분류: 마늘/양파 재배지 사례연구 Field Crop Classification Using Multi-Temporal High-Resolution Satellite Imagery: A Case Study on Garlic/Onion Field원문보기
이 논문에서는 고해상도 다중시기 위성영상을 이용한 밭작물 재배지 분류 가능성을 확인하기 위해 마늘과 양파 주산지를 대상으로 분류를 수행하였다. 마늘과 양파의 생육주기에 맞춰 영상을 수집하고 단일시기와 다양한 다중시기 자료의 조합으로 분류를 시도하였다. 단일시기 자료의 경우 파종이 모두 끝난 시기인 12월과 작물이 활발히 자라기 시작하는 3월 영상을 이용하였을 때 높은 분류 정확도를 보였다. 한편, 단일시기 자료 보다는 다중시기 자료를 이용하였을 때 더 높은 분류 정확도를 보였는데 자료의 수가 많은 것이 무조건 높은 분류 정확도를 반영하지는 않았다. 오히려 파종 시기 또는 파종 직후의 영상은 분류 정확도를 떨어뜨리는 역할을 하였고 마늘과 양파의 성장기인 3, 4, 5월 영상을 동시에 이용하여 분류하였을 때 가장 높은 분류 정확도를 얻었다. 따라서, 다중시기 위성영상을 이용하여 마늘과 양파를 분류하기 위해서는 작물 주요 성장기의 영상 확보가 매우 중요하다는 것을 확인할 수 있었다.
이 논문에서는 고해상도 다중시기 위성영상을 이용한 밭작물 재배지 분류 가능성을 확인하기 위해 마늘과 양파 주산지를 대상으로 분류를 수행하였다. 마늘과 양파의 생육주기에 맞춰 영상을 수집하고 단일시기와 다양한 다중시기 자료의 조합으로 분류를 시도하였다. 단일시기 자료의 경우 파종이 모두 끝난 시기인 12월과 작물이 활발히 자라기 시작하는 3월 영상을 이용하였을 때 높은 분류 정확도를 보였다. 한편, 단일시기 자료 보다는 다중시기 자료를 이용하였을 때 더 높은 분류 정확도를 보였는데 자료의 수가 많은 것이 무조건 높은 분류 정확도를 반영하지는 않았다. 오히려 파종 시기 또는 파종 직후의 영상은 분류 정확도를 떨어뜨리는 역할을 하였고 마늘과 양파의 성장기인 3, 4, 5월 영상을 동시에 이용하여 분류하였을 때 가장 높은 분류 정확도를 얻었다. 따라서, 다중시기 위성영상을 이용하여 마늘과 양파를 분류하기 위해서는 작물 주요 성장기의 영상 확보가 매우 중요하다는 것을 확인할 수 있었다.
In this paper, a study on classification targeting a main production area of garlic and onion was carried out in order to figure out the applicability of multi-temporal high-resolution satellite imagery for field crop classification. After collecting satellite imagery in accordance with the growth c...
In this paper, a study on classification targeting a main production area of garlic and onion was carried out in order to figure out the applicability of multi-temporal high-resolution satellite imagery for field crop classification. After collecting satellite imagery in accordance with the growth cycle of garlic and onion, classifications using each sing date imagery and various combinations of multi-temporal dataset were conducted. In the case of single date imagery, high classification accuracy was obtained in December when the planting was completed and March when garlic and onion started to grow vigorously. Meanwhile, higher classification accuracy was obtained when using multi-temporal dataset rather than single date imagery. However, more images did not guarantee higher classification accuracy. Rather, the imagery at the planting season or right after planting reduced classification accuracy. The highest classification accuracy was obtained when using the combination of March, April and May data corresponding the growth season of garlic and onion. Therefore, it is recommended to secure imagery at main growth season in order to classify garlic and onion field using multi-temporal satellite imagery.
In this paper, a study on classification targeting a main production area of garlic and onion was carried out in order to figure out the applicability of multi-temporal high-resolution satellite imagery for field crop classification. After collecting satellite imagery in accordance with the growth cycle of garlic and onion, classifications using each sing date imagery and various combinations of multi-temporal dataset were conducted. In the case of single date imagery, high classification accuracy was obtained in December when the planting was completed and March when garlic and onion started to grow vigorously. Meanwhile, higher classification accuracy was obtained when using multi-temporal dataset rather than single date imagery. However, more images did not guarantee higher classification accuracy. Rather, the imagery at the planting season or right after planting reduced classification accuracy. The highest classification accuracy was obtained when using the combination of March, April and May data corresponding the growth season of garlic and onion. Therefore, it is recommended to secure imagery at main growth season in order to classify garlic and onion field using multi-temporal satellite imagery.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
시계열 및 분광 특성 분석과 감독 분류를 위한 훈련자료와 검증자료 수집은 국립농업과학원에서 수행한 현장 조사 결과를 바탕으로 이루어졌다. 현장 조사 자료는 마늘와 양파가 재배되는 시기에 직접 현장을 방문하여 필지 단위로 어떤 작물이 재배되고 있는지 확인한 것으로 연구 대상 지역에는 주로 마늘과 양파가 재배되고, 일부 좁은 지역에서 청보리가 재배되고 있으며 나지와 하우스도 존재한다 (Fig.
이 연구에서는 다중시기 고해상도 위성영상을 이용하여 우리나라에서 많이 소비되는 대표적인 채소 작물인 마늘과 양파 재배지역을 시범적으로 분류하고자 하였다. 마늘과 양파 주산지 중 하나인 창녕지역을 대상으로 작물의 생육주기에 맞춰 다중시기 고해상도 영상을 수집하고, 영상에서 나타나는 마늘과 양파의 분광 특성, 식생 활력도, 시계열 변화 등을 분석하였다.
이 연구에서는 밭작물 재배지역을 분류하기 위한 위성영상의 활용 가능성을 확인하기 위해 마늘과 양파 주산지를 대상으로 다중시기 자료를 이용한 분류를 수행하였다. 단일시기만 이용할 경우 파종 초기나 수확기가 아닌 작물이 모두 심어진 이후인 12월과 3월 영상을 이용하였을 때 정확도가 높았다.
수집된 영상 자료를 이용해 각 시기 별로 분류를 수행하여 단일시기 중 가장 분류 정확도가 높은 시기를 확인하고,분광 특성 및 시계열 특성 분석 결과를 바탕으로 다양한 조합의 다중시기 자료를 구성한 후 분류를 수행하였다. 이를 바탕으로 대상 작물 분류에 중요한 분광 대역이나 시기, 자료의 조합 등을 확인하고 위성영상의 활용 가능성을 검토하였다.
제안 방법
수집된 전체 영상을 모두 이용한 경우와 가장 구분력이 떨어지는 10월 영상을 제외시킨 경우로 나누어 먼저 분류를 수행하였고, 10월을 제외한 나머지 각 시기의 중요도를 판단하기 위해 자료를 한 시기씩 제외시키면서 분류를 각각 수행하였다. 또한 NDVI 분석에서 가장 중요하다고 판단된 3월과 4월 영상만을 이용한 분류 역시 수행하였다.
이 연구에서는 다중시기 고해상도 위성영상을 이용하여 우리나라에서 많이 소비되는 대표적인 채소 작물인 마늘과 양파 재배지역을 시범적으로 분류하고자 하였다. 마늘과 양파 주산지 중 하나인 창녕지역을 대상으로 작물의 생육주기에 맞춰 다중시기 고해상도 영상을 수집하고, 영상에서 나타나는 마늘과 양파의 분광 특성, 식생 활력도, 시계열 변화 등을 분석하였다. 수집된 영상 자료를 이용해 각 시기 별로 분류를 수행하여 단일시기 중 가장 분류 정확도가 높은 시기를 확인하고,분광 특성 및 시계열 특성 분석 결과를 바탕으로 다양한 조합의 다중시기 자료를 구성한 후 분류를 수행하였다.
앞서 분석한 NDVI 및 분광 특성과 실제 작물 분류 결과가 어떤 관계가 있는지 확인하기 위해 다양한 자료의 조합으로 분류를 수행하였다. 먼저 어느 시기의 영상을 사용하였을 때 가장 높은 분류 정확도를 보이는지 확인하기 위해 수집된 영상을 각각 하나씩 이용하는 단일시기 영상 기반 분류를 수행하였다. 분류 기법으로 최근 위성영상 분류에서 널리 사용되는 기계학습 방법인 Support vectormachine(SVM)과 RandomForest(RF) 두가지를 사용하였다.
부가적으로 어느 시기의 영상이 분류에 큰 영향을 미치는지 파악하기 위해 각각 12월부터 5월까지 한 영상씩 제외시키고 분류를 수행하였다. 12월 영상을 제외하였을 때에는 오히려 영상의 정확도가 향상되어 RF의 전체 정확도는 99.
마늘과 양파 주산지 중 하나인 창녕지역을 대상으로 작물의 생육주기에 맞춰 다중시기 고해상도 영상을 수집하고, 영상에서 나타나는 마늘과 양파의 분광 특성, 식생 활력도, 시계열 변화 등을 분석하였다. 수집된 영상 자료를 이용해 각 시기 별로 분류를 수행하여 단일시기 중 가장 분류 정확도가 높은 시기를 확인하고,분광 특성 및 시계열 특성 분석 결과를 바탕으로 다양한 조합의 다중시기 자료를 구성한 후 분류를 수행하였다. 이를 바탕으로 대상 작물 분류에 중요한 분광 대역이나 시기, 자료의 조합 등을 확인하고 위성영상의 활용 가능성을 검토하였다.
다중시기 자료를 이용한 분류 실험에서는 다양한 조합의 다중시기 자료를 이용하여 분류를 수행하였다. 수집된 전체 영상을 모두 이용한 경우와 가장 구분력이 떨어지는 10월 영상을 제외시킨 경우로 나누어 먼저 분류를 수행하였고, 10월을 제외한 나머지 각 시기의 중요도를 판단하기 위해 자료를 한 시기씩 제외시키면서 분류를 각각 수행하였다. 또한 NDVI 분석에서 가장 중요하다고 판단된 3월과 4월 영상만을 이용한 분류 역시 수행하였다.
앞서 분석한 NDVI 및 분광 특성과 실제 작물 분류 결과가 어떤 관계가 있는지 확인하기 위해 다양한 자료의 조합으로 분류를 수행하였다. 먼저 어느 시기의 영상을 사용하였을 때 가장 높은 분류 정확도를 보이는지 확인하기 위해 수집된 영상을 각각 하나씩 이용하는 단일시기 영상 기반 분류를 수행하였다.
이 연구에서 고려한 5가지 토지 피복의 식생 활력도 변화를 살펴보기 위해 NDVI를 확인하였다. Fig.
이 연구의 대상 작물인 마늘과 양파의 분광 특성에 대하여 조금 더 자세히 살펴보기 위해 분광 밴드별로 시기에 따른 분광 반사율 변화를 확인하였다. 마늘과 양파의 반사율은 가시광선 영역에서는 10월을 제외하고는 양파가 항상 높은 값을 보이며, 차이가 가장 크게 나타나는 달은 3월이고 두번째로 차이가 많이 나타나는 달은 4월이다.
대상 데이터
1 a~e). 5장의 영상 중에서 2014년 10월 19일 영상은 KOMPSAT-2 영상이고 나머지는 모두 KOMPSAT-3 영상으로 공간해상도는 다중 분광 영상의 경우 각각 4 m와 2.8 m이다. KOMPSAT-2, 3 센서 모두 가시광선 3개 밴드와 근적외선밴드를 포함하는 4개의 밴드를 제공한다.
KOMPSAT-2, 3 센서 모두 가시광선 3개 밴드와 근적외선밴드를 포함하는 4개의 밴드를 제공한다. 수집된 영상은 전처리 과정으로 대기보정과 기하보정을 수행한 후 KOMPSAT-3의 해상도인 2.8 m의 공간해상도를 갖는 자료로 준비하였다.
연구 대상 지역의 고해상도 위성영상 수집을 위해 마늘과 양파를 심기 시작하는 2014년 10월부터 수확이이루어지는 2015년 6월까지 KOMPSAT-2와 3 영상을 검색하였고, 촬영시기와 영상의 상태를 고려하여 총 5장의 자료를 수집하였다 (Table 1, Fig.1 a~e). 5장의 영상 중에서 2014년 10월 19일 영상은 KOMPSAT-2 영상이고 나머지는 모두 KOMPSAT-3 영상으로 공간해상도는 다중 분광 영상의 경우 각각 4 m와 2.
이 연구의 대상 지역으로 마늘과 양파의 주산지인 경상남도 창녕군 유어면 풍조리의 일부 지역을 선택하였으며, 대상 지역은 약 2.2 km × 1.9 km의 면적을 가진다.
1 (f)). 필지 단위로 구분되어 있는 현장 조사 결과로부터 영상의 해상도로 인해 혼재가 일어날 가능성이 높은 필지 경계부를 제외한 일부 필지에서 훈련자료 4782 화소를 수집하고, 훈련자료와 겹치지 않도록 나머지 필지에서 검증자료 2058 화소를 수집하였다 (Table 2).
이론/모형
먼저 어느 시기의 영상을 사용하였을 때 가장 높은 분류 정확도를 보이는지 확인하기 위해 수집된 영상을 각각 하나씩 이용하는 단일시기 영상 기반 분류를 수행하였다. 분류 기법으로 최근 위성영상 분류에서 널리 사용되는 기계학습 방법인 Support vectormachine(SVM)과 RandomForest(RF) 두가지를 사용하였다. SVM은 다차원 공간에서 최적의 결정 경계를 찾아내는 비모수적 분류법으로 적은 훈련자료로도 분류가 효과적으로 이루어진다고 알려져 있다(Burges, 1998; Huang et al.
성능/효과
10월부터 이듬해 5월까지 위성영상으로부터 토지 피복을 확인한 결과, 10월 19일 영상에서 일부 지역은 여름 작물의 수확이 완료되었지만 일부는 여름 작물의 수확이 끝나지 않아 이전에 재배하던 작물이 존재하는 것으로 확인되었다. 이전 작물의 영향을 배제하기 위해NDVI(Normalized Difference Vegetation Index) 및 분광 특성 분석 시 이전 작물이 남아 있는 곳은 제외하였다.
45%로 단일시기를 사용한 어떤 경우보다 정확도가 더 높다. SVM을 사용하면 전체 정확도가 91.75%로 10월, 4월, 5월 단일시기 영상을 이용한 경우 보다는 정확도가 높지만 12월과 3월보다는 다소 낮은 정확도를 보인다. 이 논문에는 제시하지 않았지만 SVM을 이용한 분류 결과의 오차 행렬을 살펴보면 마늘과 양파 사이의 혼재도 일어나고, 양파와 나지, 청보리 사이의 혼재도 크게 나타났다.
다중시기 자료를 이용할 경우, 적절한 시기를 선택하여 분류하면 단일시기 자료를 이용한 경우보다 분류 정확도가 크게 향상되었다. 그러나 가능한 한 많은 시기가 포함된다고 해서 항상 분류 정확도가 향상되는 것이 아니라 분류 항목별로 분광특성이 구분되는 시기의 자료를 수집하는 것이 중요하다.
이 연구에서는 밭작물 재배지역을 분류하기 위한 위성영상의 활용 가능성을 확인하기 위해 마늘과 양파 주산지를 대상으로 다중시기 자료를 이용한 분류를 수행하였다. 단일시기만 이용할 경우 파종 초기나 수확기가 아닌 작물이 모두 심어진 이후인 12월과 3월 영상을 이용하였을 때 정확도가 높았다. 마늘과 양파의 생육주기에 맞춰 다중시기 자료를 이용할 경우, 단일시기를 이용할 때보다 분류 정확도가 향상되었지만 가능한 한 많은 자료를 이용할수록 반드시 분류 정확도가 높아지지는 않았다.
단일시기와 다양한 조합의 다중시기 자료의 분류 결과를 통해, 마늘과 양파의 구분에 단일시기 영상만을 사용해야 한다면 파종 또는 수확이 이루어지는 시기는 피하고 밭 영역 전체에서 작물이 자라고 있는 시기의 영상을 선택하는 것이 중요하다는 것을 확인할 수 있었다. 분류기법에 따라 달라질 수 있지만 대상 지역의 마늘과 양파의 경우, 12월 영상에서 가장 잘 구분이 되었고 3월 영상도 유용한 것으로 나타났다.
반면, 10월은 모든 밴드의 중요도가 매우 낮게 나왔고 분류 정확도가 다른 시기와 차이가 많이 나기때문에 이후 분류에서는 10월 자료를 제외하고 나머지 네 시기의 영상만을 이용해 분류를 수행하였다. 먼저 10월 영상만을 제외하고 분류한 결과, RF를 이용하였을 때 97.78%,SVM를 이용하였을 때 95.74%의 전체 정확도가 나와 10월 영상을 포함한 경우보다 전체 정확도가 향상되었다. 특히 10월 자료가 큰 오류의 원인으로 판단되는 SVM을 사용한 분류결과에서 전체 정확도와 마늘과 양파의 평균 정확도 모두 크게 향상되는 것을 확인할 수 있었다.
반면, 3월과 4월 영상을 각각 제외시켰을 때에는 전체 정확도가 크게 떨어지므로 3월과 4월 영상이 대상 지역을 분류하는데 가장 중요한 역할을 하는 것을 확인하였다. 5월 영상을 제외시켰을 경우에는 전체 정확도가 약간 떨어지고 작물 분류에 중요한 역할을 하는 것으로 판단되는 3월과 4월 두시기 영상만 이용한 분류 결과에서는 RF가 97.
10월 자료는 모든 밴드에서 다른 시기에 비해 표준 편차 매우 크기 때문에 마늘과 양파가 서로 혼재되어 구분하는데 어려움이 있을 것으로 보인다. 분광 특성 분석 결과를 종합하면 모든 시기와 모든 밴드를 통틀어 양파와 마늘의 반사율 차이가 가장 많이 나는 것은 12월의 근적외선 밴드이고, 평균적으로 차이가 많이 나는 달은 3월이다.
단일시기와 다양한 조합의 다중시기 자료의 분류 결과를 통해, 마늘과 양파의 구분에 단일시기 영상만을 사용해야 한다면 파종 또는 수확이 이루어지는 시기는 피하고 밭 영역 전체에서 작물이 자라고 있는 시기의 영상을 선택하는 것이 중요하다는 것을 확인할 수 있었다. 분류기법에 따라 달라질 수 있지만 대상 지역의 마늘과 양파의 경우, 12월 영상에서 가장 잘 구분이 되었고 3월 영상도 유용한 것으로 나타났다.
Table 4에는 다양한 조합의 자료를 이용하여 분류한 결과의 전체 정확도, 카파 계수, 마늘과 양파의 평균 사용자 정확도를 제시하였다. 수집된 전체 자료를 모두 이용한 경우, RF를 사용하면 전체 정확도가 97.45%로 단일시기를 사용한 어떤 경우보다 정확도가 더 높다. SVM을 사용하면 전체 정확도가 91.
이전 작물의 영향을 배제하기 위해NDVI(Normalized Difference Vegetation Index) 및 분광 특성 분석 시 이전 작물이 남아 있는 곳은 제외하였다. 수확이 완료된 지역은 마늘과 양파 재배지 모두 모든 분광대역에서 매우 높은 반사율을 보였다. 영상을 육안으로 판독하였을 때 나지보다 더 밝은 색을 띠고 영상 자료에서도 높은 반사율을 갖는 것으로 볼 때 10월에는 작물을 파종하기 위해 비닐 멀칭이 되어 있는 상태로 판단된다.
시범 분류 결과, 대부분의 필지에서 작물이 잘 구분이 되고 높은 분류 정확도를 보이므로 밭작물 구분을 위한 다중시기 고해상도 위성영상의 활용 가능성을 확인할 수 있었다. 그러나 대상 지역은 재배하는 작물의 종류가 많지 않고 비교적 대규모로 작물이 재배되는 지역이므로 고해상도 위성영상으로도 분류가 가능하였지만 일부 밭 사이의 좁은 도로 또는 매우 좁게 작물이 재배되는 영역에서 혼재가 나타났다.
52%의 전체 정확도를 보인다. 이 결과는 3, 4, 5월 영상을 함께 이용한 경우에 이어 두번째로 정확도가 높고 12월 자료가 포함된 경우보다 분류 정확도가 더 높다. 분광 특성 분석에서 12월 영상의 경우 근적외선 밴드에서 양파와 마늘의 평균 반사율은 모든 시기 및 밴드 중 가장 큰 격차를 보였지만 나머지 가시광선 영역에서는 거의 차이가 나지 않았다.
75%로 10월, 4월, 5월 단일시기 영상을 이용한 경우 보다는 정확도가 높지만 12월과 3월보다는 다소 낮은 정확도를 보인다. 이 논문에는 제시하지 않았지만 SVM을 이용한 분류 결과의 오차 행렬을 살펴보면 마늘과 양파 사이의 혼재도 일어나고, 양파와 나지, 청보리 사이의 혼재도 크게 나타났다. SVM을 사용하였을 때 예상보다 다소 낮은 정확도를 보이는 것은 최적의 결정경계를 찾아낼 때 아직 작물이 영상에서 잘 드러나지 않는 시기인 10월의 자료가 오류를 유발한 것으로 판단된다.
또한 이번 연구에서는 수확 시기 영상이 포함되지 않았지만 수확 시기의 영상도 수확이 끝난 필지와 수확 전인 필지의 혼재가 있으므로 포함되지 않는 것이 더 유리할 것으로 판단된다. 이 연구 결과에서는 단일시기로 가장 높은 정확도를 보였던 12월 영상보다 3월과 4월 영상이 함께 포함된 자료를 이용할 때 더 높은 분류 정확도를 보였다. 3월에서 4월로 가면서 식생의 활력도가 급변하고 두 작물 고유의 특징이 잘 나타나므로 이 두 시기의 자료가 서로 시너지 효과를 나타내어 더 분류가 잘 이루어지는 것으로 보인다.
5월에 마늘과 청보리의NDVI가 약간 떨어지는 것은 마늘과 청보리가 수확기에 가까워지면 노란빛으로 변하기 때문인 것으로 판단된다. 이러한 양상을 고려하면, NDVI를 분류에 이용할 경우 마늘과 양파의 구분에는 3월 영상이 가장 중요하고 12월과 4월도 유용할 것으로 보인다. 또한, 청보리, 하우스와 같은 다른 피복과의 구분을 위해서는 3월과 4월영상을 함께 이용할 필요가 있을 것으로 보인다.
74%의 전체 정확도가 나와 10월 영상을 포함한 경우보다 전체 정확도가 향상되었다. 특히 10월 자료가 큰 오류의 원인으로 판단되는 SVM을 사용한 분류결과에서 전체 정확도와 마늘과 양파의 평균 정확도 모두 크게 향상되는 것을 확인할 수 있었다.
한편 자료 선택에 따른 분류 정확도 변화 경향은 분류기법 별로 큰 차이를 보이지는 않았는데, 다중시기 자료에 SVM를 이용할 경우, 자료의 선택에 따라 정확도 편차가 RF에 비해 더 크게 나타났다. 이러한 특징은 RF를 사용할 경우에는 다양한 결정 트리의 조합으로 잘못된 자료의 선택이 보완될 가능성이 있는 반면, SVM은 잘못된 자료가 결정경계를 정하는데 큰 영향을미치기 때문인 것으로 보인다.
후속연구
파종 시기에는 이미 파종이 끝난 필지나 아직 파종이 시작되지 않은 필지가 혼재되어 있어 오히려 분류 성능을 저해하므로 이 시기의 자료는 포함시키는 않는 것이 유리할 것으로 보인다. 또한 이번 연구에서는 수확 시기 영상이 포함되지 않았지만 수확 시기의 영상도 수확이 끝난 필지와 수확 전인 필지의 혼재가 있으므로 포함되지 않는 것이 더 유리할 것으로 판단된다. 이 연구 결과에서는 단일시기로 가장 높은 정확도를 보였던 12월 영상보다 3월과 4월 영상이 함께 포함된 자료를 이용할 때 더 높은 분류 정확도를 보였다.
그러나 대상 지역은 재배하는 작물의 종류가 많지 않고 비교적 대규모로 작물이 재배되는 지역이므로 고해상도 위성영상으로도 분류가 가능하였지만 일부 밭 사이의 좁은 도로 또는 매우 좁게 작물이 재배되는 영역에서 혼재가 나타났다. 우리 나라의 밭작물 재배 특성상 좁은 면적에서 다양한 작물을 재배하는 경우가 많으므로 이러한 특징을 고려한 추가적인 연구가 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
우리나라를 대상으로 위성영상을 이용한 작물 재배지역 연구는 주로 어느 지역에 집중되어 있는가?
우리나라를 대상으로 위성영상을 이용한 작물 재배지역 연구도 수행되었지만 주로 벼 재배지역에 집중되어 있다 (Yoon et al., 2007; Hong et al.
위성영상으로 농작물을 모니터링하는 방법의 장점은?
외국 역시 작황 정보 구축이나 모니터링을 위해 현장조사를 하고 있지만 이와 함께 위성영상을 활용한 작물 모니터링도 활발히 진행하고 있다. 위성영상은 주기적으로 넓은 지역을 다양한 센서를 이용해 모니터링이 가능하므로 현장 조사에 비해 시간 및 비용 측면에서 효율적이다. 또한 접근이 어려운 지역의 모니터링이나 작물의 시계열 현황 파악도 가능하고 다른 주제도와 중첩 분석이 가능하므로 농작물 재배지역에 대한 위성영상의 활용이 점차 많아지고 있다.
위성영상을 이용하여 밭지역 작물을 구분하기 힘든 이유는?
위성영상을 이용하여 작물을 구분하기 위해서는 대상 작물이 다른 피복과 구별되는 분광특성을 갖거나, 작물의 생육주기를 이용하여 시계열 자료를 바탕으로 분류를 하는 것이 이상적이다. 그러나 보통 밭지역은 다양한 작물이 혼재되어 재배되는 경우가 많기 때문에 재배 작물끼리 분광특성이 크게 다르지 않은 경우가 많고 시기에 따라 분광특성이 유사한 주변 초지 등과 구별이 어려운 경우도 있다. 또한 비교적 규모가 작은 밭의 경우, 공간해상도가 높아야 필지 구분이 가능하지만 고해상도 영상은 시간해상도가 낮은 경우가 많아 시계열 영상 확보가 쉽지 않다.
참고문헌 (23)
Beyer, F., J.T. Jarmer, B. Siegmann, and P. Fischer, 2015. Improved crop classification using multitemporal RapidEye data, Proc. of Analysis of Multitemporal Remote Sensing Images 2015 8th International Workshop, Annecy, France, Jul. 22-24, pp. 1-4.
Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32.
Burges, C.J.C., 1998. A tutorial on support vector machines for pattern recognition, Data Mining and Knowledge Discovery, 2: 121-167.
Conrad, C., R.R. Colditz, S. Dech, D. Klein, and P.L. 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.
Dawbin, K.W. and J.C. Evans, 1988. Large area crop classification in New South Wales, Australia, using Landsat data, International Journal of Remote Sensing, 9(2): 295-301.
Hong, S.-Y., J. Hur, J.-B. Ahn, J.-M. Lee, B.-K. Min, C.-K. Lee, Y. Kim, K.D. Lee, S.-H. Kim, G.Y Kim, and K.M. Shim, 2012. Estimating rice yield using MODIS NDVI and meteorological data in Korea, Korean Journal of Remote Sensing, 28(5): 209-520 (in Korean with English abstract).
Howard, D.M. and B.K. Wylie, 2014. Annual crop type classification of the US Great Plains for 2000 to 2011, Photogrammetric Engineering and Remote Sensing, 80(6): 537-549.
Huang, C., L.S. Davis, and J.R.G. Townshend, 2002. An assessment of support vector machines for land cover classification, International Journal of Remote Sensing, 23(4): 725-749.
Immitzer, M., C. Atzberger, and T. Koukal, 2012. Tree species classification with random forest using very high spatial resolution 8-band WorldView-2 satellite data, Remote Sensing, 4(9): 2661-2693.
Jeong, S.J., H.S. Yun, D.U. Kim, H.J. Kim, C.S. Ryu, and Y. Kwon, 2016. Development of crop image segmentation technique for monitoring the growth status of garlic (Allium sativum) in UAV remote sensing, Proc. of 2016 Korean Society for Agricultural Machinery, Cheonan, Nov. 2-3, vol. 21, p. 58 (in Korean).
Kim, Y.S., K.D. Lee, S.I. Na, S.Y. Hong, N.W. Park, and H.Y. Yoo, 2016. MODIS data-based crop classification using selective hierarchical classification, Korean Journal of Remote Sensing, 32(3): 235-244 (in Korean with English abstract).
Lee, K.D., Y.E. Lee, C.W. Park, and S.I. Na, 2016. A comparative study of image classification method to classify onion and garlic using unmanned aerial vehicle(UAV) imagery, Korean Journal of Soil Science and Fertilizer, 49(6): 743-750 (in Korean with English abstract).
Mathur, A. and G.M. Foody, 2008. Crop classification by support vector machine with intelligently selected training data for an operational application, International Journal of Remote Sensing, 29(8): 2227-2240.
Ministry of Agriculture, Food and Rural Affairs, 2016. Agriculture, Food and Rural Affairs Statistics Yearbook 2016, Director-General for Policy Planning Bureau, Sejong, Korea (in Korean).
Na, S.I., C.W. Park, Y.K. Cheong, C.S. Kang, I.B. Choi, and K.D. Lee, 2016. Selection of optimal vegetation indices for estimation of barley & wheat growth based on remote sensing - An application of unmanned aerial vehicle and field investigation data -, Korean Journal of Remote Sensing, 32(5): 483-497 (in Korean with English abstract).
Park, J. and S. Jang, 2014. The research of building smart farm map for vitalizing agricultural remote sensing, Proc. of Korean Society of Remote Sensing Fall conference 2014, Jeju, Oct. 16-17, vol. 17, pp. 23-26 (in Korean).
Park, J., J. Yun, and J. Park, 2015. Classification of garlic and onion using UAV imagery, Proc. of Korean Society of Remote Sensing Fall conference 2015, Gwangju, Oct. 15-16, vol. 18, pp. 152-155 (in Korean).
Park, W.M., 2007. Encyclopedia for vegetable garden, Dylnyouk, Gyeonggi, Korea (in Korean).
Shao, Y., R.S. Lunetta, J. Ediriwickrema, and J. Iiames, 2010. Mapping cropland and major crop types across the Great Lakes Basin using MODISNDVI data, Photogrammetric Engineering and Remote Sensing, 76(1): 73-84.
Yeom, J.H. and Y.I. Kim, 2014. Automatic extraction of the land readjustment paddy for high-level land cover classification, Journal of Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 32(5): 443-450 (in Korean with English abstract).
Yoon, S.-H., J.-Y. Choi, S.-H. Yoo, and M.-W. Jang, 2007. An uncertainty analysis of topographical factors in paddy field classification using a timeseries MODIS, Journal of Korean Society of Agricultural Engineers, 49(5): 67-77 (in Korean with English abstract).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.