본 연구에서는 위성영상 기반의 동계작물 구분도 작성을 위한 계층분류 기법을 제안한다. 계층분류 기법은 입력 자료를 계층별로 정의하여 분류하는 방법으로 혼합 픽셀의 효과를 줄이고 분류 성능을 향상시킬 수 있다. 이를 위하여 전북 김제시의 동계작물을 대상으로 Landsat-8 위성영상을 사용하였다. 먼저, Landsat-8 위성영상에서 스마트 팜 맵을 이용하여 농경지를 분류하였다. 그리고 추출된 농경지를 대상으로 시계열식생지수를 사용하여 동계작물 재배지를 추출한 후, 최종적으로 무인기 영상에서 추출한 훈련자료를 활용하여 밀, 보리, IRG, 청보리 및 혼파 재배지로 분류하였다. 그 결과, 계층분류 기법에 의한 동계작물 분류 정확도는 98.99%로 동계작물별 재배 필지를 효과적으로 분류할 수 있는 것으로 나타났다. 따라서 제안된 분류방법은 작물구분도 작성에 효과적으로 사용 가능할 것으로 기대된다.
본 연구에서는 위성영상 기반의 동계작물 구분도 작성을 위한 계층분류 기법을 제안한다. 계층분류 기법은 입력 자료를 계층별로 정의하여 분류하는 방법으로 혼합 픽셀의 효과를 줄이고 분류 성능을 향상시킬 수 있다. 이를 위하여 전북 김제시의 동계작물을 대상으로 Landsat-8 위성영상을 사용하였다. 먼저, Landsat-8 위성영상에서 스마트 팜 맵을 이용하여 농경지를 분류하였다. 그리고 추출된 농경지를 대상으로 시계열 식생지수를 사용하여 동계작물 재배지를 추출한 후, 최종적으로 무인기 영상에서 추출한 훈련자료를 활용하여 밀, 보리, IRG, 청보리 및 혼파 재배지로 분류하였다. 그 결과, 계층분류 기법에 의한 동계작물 분류 정확도는 98.99%로 동계작물별 재배 필지를 효과적으로 분류할 수 있는 것으로 나타났다. 따라서 제안된 분류방법은 작물구분도 작성에 효과적으로 사용 가능할 것으로 기대된다.
In this paper, we propose the use of hierarchical classification for winter crop mapping based on satellite imagery. A hierarchical classification is a classifier that maps input data into defined subsumptive output categories. This classification method can reduce mixed pixel effects and improve cl...
In this paper, we propose the use of hierarchical classification for winter crop mapping based on satellite imagery. A hierarchical classification is a classifier that maps input data into defined subsumptive output categories. This classification method can reduce mixed pixel effects and improve classification performance. The methodology are illustrated focus on winter cropsin Gimje city, Jeonbuk with Landsat-8 imagery. First, agriculture fields were extracted from Landsat-8 imagery using Smart Farm Map. And then winter crop fields were extracted from agriculture fields using temporal Normalized Difference Vegetation Index (NDVI). Finally, winter crop fields were then classified into wheat, barley, IRG, whole crop barley and mixed crop fields using signature from Unmanned Aerial Vehicle (UAV). The results indicate that hierarchical classifier could effectively identify winter crop fields with an overall classification accuracy of 98.99%. Thus, it is expected that the proposed classification method would be effectively used for crop mapping.
In this paper, we propose the use of hierarchical classification for winter crop mapping based on satellite imagery. A hierarchical classification is a classifier that maps input data into defined subsumptive output categories. This classification method can reduce mixed pixel effects and improve classification performance. The methodology are illustrated focus on winter cropsin Gimje city, Jeonbuk with Landsat-8 imagery. First, agriculture fields were extracted from Landsat-8 imagery using Smart Farm Map. And then winter crop fields were extracted from agriculture fields using temporal Normalized Difference Vegetation Index (NDVI). Finally, winter crop fields were then classified into wheat, barley, IRG, whole crop barley and mixed crop fields using signature from Unmanned Aerial Vehicle (UAV). The results indicate that hierarchical classifier could effectively identify winter crop fields with an overall classification accuracy of 98.99%. Thus, it is expected that the proposed classification method would be effectively used for crop mapping.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 Landsat-8 위성영상을 사용하여 동계작물의 재배면적과 공간분포를 파악하여 시군 단위 동계작물 구분도 작성을 목적으로 하였다. 이를 위하여 밀, 보리, IRG, 청보리 등 다양한 동계작물이 혼재 되어 있는 김제시를 대상으로 계층분류 기법을 적용하 였으며, 농업기술센터에서 조사한 작목별 재배면적과 비교하여 적용성 평가를 수행하였다.
제안 방법
Landsat-8 위성영상 기반의 시군단위 동계작물 구분도 작성을 위하여 동계작물 재배지를 대상으로 작물 세 분류를 수행하였다. 먼저 분류 전 훈련자료 작성을 위하여 UAV 촬영지역을 대상으로 실시한 현장 전수조사 결과는 Fig.
2 미만을 나타내었다. 따라서 스마트 팜 맵을 이용하여 우선 분류한 농경지를 대상으로 각 필지단위 Landsat-8 위성영상 기반 시계열 NDVI 변화패턴과 임계값을 이용 하여 동계작물 재배지 추출을 시도하였다.
먼저, 1차적으로 스마트 팜 맵을 이용하여 농경지와 비농경지를 구분하고, 2차적으로 추출된 농경지를 대상으로 Landsat-8 기반의 시계열 NDVI를 이용하여 동계작물 재배지와 휴경지를 구분하였다. 또한, 최종적으로 동계작물 재배 필지를 대상으로 UAV 영상과 현장조사 자료 기반의 훈련자료를 혼합분류기법(hybrid classification)에 적용하여 밀, 보리, IRG, 청보리 및 혼파 재배지를 각각 구분하였다.
또한, 작물 세분류에 필요한 훈련자료는 무인기 (Unmanned Aerial Vehicle; UAV)와 현장조사를 이용하여 수집하였다. 먼저, 위성영상 촬영일에 맞추어 들녘단위(100 ha)의 동계작물 재배단지를 대상으로 UAV 촬영을 수행하고 촬영된 영상을 기반으로 현장 전수조사를 실시하였다(Table 3). 촬영에 사용된 UAV(eBee, Sensefly, Swiss)는 고정익으로 공간해상도는 5cm이며, 육안 판독을 위한 가시광선(Red, Green, Blue) 파장 카메라(IXUS/ ELPH, Cannon, Japan)와 식생지수 산출을 위한 근적외선(Red, Green, NIR) 파장 카메라(S110, Cannon, Japan) 를 번갈아 탑재하여 촬영하였다.
본 연구에서는 Landsat-8 위성영상을 사용하여 동계 작물의 재배면적과 공간분포를 파악하고 계층분류 기반의 시군단위 동계작물 구분도를 작성하였다. 그 결과, 김제시 농경지의 전체 면적은 28,846.
따라서 본 연구에서는 Landsat-8 위성영상을 사용하여 동계작물의 재배면적과 공간분포를 파악하여 시군 단위 동계작물 구분도 작성을 목적으로 하였다. 이를 위하여 밀, 보리, IRG, 청보리 등 다양한 동계작물이 혼재 되어 있는 김제시를 대상으로 계층분류 기법을 적용하 였으며, 농업기술센터에서 조사한 작목별 재배면적과 비교하여 적용성 평가를 수행하였다.
8과 같다. 전수조사는 정확성 확보를 위하여 2회 실시하였으며, 동계작물 재배단지내 총 387 필지중 밀 172 필지, 보리 85 필지, IRG 56 필지, 청보리 26 필지 및 혼파 48 필지를 확인하였다. 전수조사 결과를 바탕으로 훈련자료를 작성하고 혼합분류기법을 시계열 Landsat-8 위성영상에 적용하여 시군단위 동계작물 구분도를 작성한 결과는 Fig.
대상 데이터
Landsat-8 위성영상은 Fig. 2와 같이 대상 지역이 포함되는 Path/Row(115/35, 116/35)를 기준으로 동계작물 생육기간에 촬영된 5장을 수집하였으며(Table 3), 기하보정(geometric correction), 대기보정(atmospheric correction) 및 해당지역의 영상추출(subset) 등의 전처리를 수행하였다. 또한, 전처리된 영상은 식(1)을 이용하여 정규화 식생지수(Normalized Difference Vegetation Index; NDVI) 로 변환하였다.
또한, 작물 세분류에 필요한 훈련자료는 무인기 (Unmanned Aerial Vehicle; UAV)와 현장조사를 이용하여 수집하였다. 먼저, 위성영상 촬영일에 맞추어 들녘단위(100 ha)의 동계작물 재배단지를 대상으로 UAV 촬영을 수행하고 촬영된 영상을 기반으로 현장 전수조사를 실시하였다(Table 3).
본 연구는 시군단위 동계작물 구분도 작성을 위하여 전라북도 김제시를 대상 지역으로 선정하였다. 김제시는 전라북도 중앙부의 서쪽에 위치하고 있으며, 만경강과 동진강 하구에서 서해와 접하고 있는 해안도시이다 (Fig.
시군단위 동계작물 작물구분도 작성을 위하여 Landsat-8 위성영상을 사용하였다. Landsat-8 위성은 Landsat-7의 후속 지구관측위성으로 2013년 2월 11일에 NASA에 의해 발사되었으며, 현재에는 USGS (United States Geological Survey)가 운용하고 있다.
먼저, 위성영상 촬영일에 맞추어 들녘단위(100 ha)의 동계작물 재배단지를 대상으로 UAV 촬영을 수행하고 촬영된 영상을 기반으로 현장 전수조사를 실시하였다(Table 3). 촬영에 사용된 UAV(eBee, Sensefly, Swiss)는 고정익으로 공간해상도는 5cm이며, 육안 판독을 위한 가시광선(Red, Green, Blue) 파장 카메라(IXUS/ ELPH, Cannon, Japan)와 식생지수 산출을 위한 근적외선(Red, Green, NIR) 파장 카메라(S110, Cannon, Japan) 를 번갈아 탑재하여 촬영하였다. 낱장으로 촬영된 영상은 전처리 프로그램(Postflight Terra3D, Pix4D, Swiss)을이용하여 영상접합(mosaic) 및 반사율(reflectance) 영상을 제작한 후, 식(1)을 이용하여 NDVI로 변환하였다.
이론/모형
먼저, 1차적으로 스마트 팜 맵을 이용하여 농경지와 비농경지를 구분하고, 2차적으로 추출된 농경지를 대상으로 Landsat-8 기반의 시계열 NDVI를 이용하여 동계작물 재배지와 휴경지를 구분하였다. 또한, 최종적으로 동계작물 재배 필지를 대상으로 UAV 영상과 현장조사 자료 기반의 훈련자료를 혼합분류기법(hybrid classification)에 적용하여 밀, 보리, IRG, 청보리 및 혼파 재배지를 각각 구분하였다. 여기서, 혼합분류기법이란 감독분류 (supervised classification)와 무감독분류 (unsupervised classification)가 혼용된 방법으로 감독분류를 통해 1차분류한 후, 오분류된 지역은 무감독분류를 수행하는 방법이다(Na et al.
, 2008). 본 연구에서는 감독분류는 최대우도법(maximum likelihood)을 이용하여 1차 분류하였고, 무감독분류는 ISODATA 기법을 이용하여 군집수 100개, 반복횟수 50회, 수렴도 95%를 기준으로 수행하였다.
성능/효과
본 연구에서는 Landsat-8 위성영상을 사용하여 동계 작물의 재배면적과 공간분포를 파악하고 계층분류 기반의 시군단위 동계작물 구분도를 작성하였다. 그 결과, 김제시 농경지의 전체 면적은 28,846.49 ha로 김제시 총면적 54,431.83 ha의 53.00%에 해당하는 것으로 파악되었으며, 동계작물 재배면적은 6,572.11 ha로 전체 농경지 면적의 22.78%에 해당하는 것으로 나타났다. 특히, 죽산면, 진봉면 및 광활면에서 동계작물 재배면적 비율이 50% 이상으로 높은 수준을 보였으며 백구면, 백산면, 금구면, 금산면, 공덕면, 황산면 및 용지면은 10% 이하의 낮은 면적비율을 나타내었다.
농경지 면적 대비 동계작물 재배면적 비율이 가장 높은 지역은 죽산면으로 전체 농경지 면적의 58.10%에 동계작물이 재배되는 것으로 나타났고, 진봉면(52.94%)과광활면(51.86%)도 동계작물 재배면적 비율이 50% 이상 으로 높은 수준을 나타내었다. 반면에 백구면, 백산면, 금구면, 금산면, 공덕면, 황산면 및 용지면은 10% 이하의 낮은 면적비율을 나타내었다.
67ha)로 나타났다. 또한, 김제시 농업기술센터에서 조사한 동계작물 재배면적 자료와 비교하여 세분류의 정확 도를 산정한 결과, 곡물(밀, 보리)은 과대추정 된 반면에 조사료(IRG, 청보리, 혼파)는 과소추정되는 경향을 보였으나 모든 작물의 분류 오차가 ±5% 이내로 나타나본 연구에서 제안한 계층분류 기법을 이용하면 신뢰성 있는 시군단위 동계작물 구분도 작성이 가능할 것으로 판단된다.
특히, 죽산면, 진봉면 및 광활면에서 동계작물 재배면적 비율이 50% 이상으로 높은 수준을 보였으며 백구면, 백산면, 금구면, 금산면, 공덕면, 황산면 및 용지면은 10% 이하의 낮은 면적비율을 나타내었다. 혼합분류기법을 이용한 작물별 재배면적은 밀(2,467.23 ha) > IRG(1,852.82ha) > 보 리 (1,669.94 ha) > 청 보 리 (377.18 ha) > 혼 파 (204.94 ha) 순으로 나타났으며, 작물별 최대 재배지역은 죽산면(밀, 718.09 ha), 진봉면(보리, 482.66 ha), 봉남면 (IRG, 325.47 ha), 성덕면(청보리, 88.32 ha, 혼파, 100.67ha)로 나타났다. 또한, 김제시 농업기술센터에서 조사한 동계작물 재배면적 자료와 비교하여 세분류의 정확 도를 산정한 결과, 곡물(밀, 보리)은 과대추정 된 반면에 조사료(IRG, 청보리, 혼파)는 과소추정되는 경향을 보였으나 모든 작물의 분류 오차가 ±5% 이내로 나타나본 연구에서 제안한 계층분류 기법을 이용하면 신뢰성 있는 시군단위 동계작물 구분도 작성이 가능할 것으로 판단된다.
후속연구
또한 작물 세분류를 위한 훈련자료 작성에 들녘단위 UAV 촬영 영상을 사용함으로써 훈련자료의 정확도 상승과 함께 작물별 분류 정확도도 향상된 것으로 보인다. 따라서 본 연구에서 제안한 계층분류 기법을 이용하면 신뢰성 있는 시군단위 동계작물 구분도 작성이 가능할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
동계작물 재배에 있어 가장 중요한 것은 무엇인가?
특히, 동계사료작물은 재배과정에서 제초제, 살충제 등농약을 거의 사용하지 않고, 수확도 논에서 바로 원형곤포 사일리지로 조제할 수 있기 때문에 하계사료작물에 비해 재배와 관리가 쉬운 장점이 있다. 동계작물 재배에 있어 가장 중요한 것은 적기 파종이다. 파종을 적기에 하지 못하고 늦어지면 월동률이 낮아지고 봄에 초기 생육이 불량하여 생산량이 급격하게 줄어든다.
동계사료작물의 장점은 무엇인가?
최근 농림축산식품부는 전 세계적인 이상기후로 인한 주요 곡물생산국의 생산량 감소와 곡물시장 불안에 적극 대응하고 겨울철 유휴농지에 밀, 보리 및 조사료 재배를 확대하여 경지이용률을 제고하겠다는 다목적 측면에서 동계작물 답리작 재배 확대를 추진하고 있다. 특히, 동계사료작물은 재배과정에서 제초제, 살충제 등농약을 거의 사용하지 않고, 수확도 논에서 바로 원형곤포 사일리지로 조제할 수 있기 때문에 하계사료작물에 비해 재배와 관리가 쉬운 장점이 있다. 동계작물 재배에 있어 가장 중요한 것은 적기 파종이다.
토지 피복/이용도, 작물구분도 등의 주제도 제작이 농업 분야에서 중요한 이유는 무엇인가?
, 2016). 특히 작물구분도는 재배 면적 산출이나 작황 예측 및 모니터링을 위한 입력 자료로 활용성이 매우 높은 것으로 인식되고 있다(Kim et al., 2014; McNairn et al., 2014). 주요 곡물 수입국의 작황 파악을 위해 작물 구분도는 예측을 위한 재배면적을 제공하고, 위성의 자료값 추출을 위한 작물 마스크 등으로 활용되기 때문에 신뢰성 높은 작물구분도의 조기 제작은 매우 중요하다 (Kim et al., 2014).
참고문헌 (16)
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.
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.
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, Jul. 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.
Gimje city Homepage, http://www.gimje.go.kr/, Accessed 6 Apr. 2017.
Hong, S.C., B.H. Lee, S.J. Jang, and Y.H. Park, 2015. Improve the quality of farm map using unmanned aerial photogrammetry, 2015 Conference of The Korean Society for GeoSpatial Information Science, pp. 159-162.
Hong, S.Y., B.K. Min, J.M. Lee, Y.H. Kim, and K.D. Lee, 2012. Estimation of paddy field area in North Korea Using RapidEye Images, Korean Journal of Soil Science and Fertilizer, 45(6): 1194-1202 (in Korean with English abstract).
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).
Kim, Y.S., N.W. Park, S.Y. Hong, K.D. 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).
KOSIS Homepage, http://www.kosis.kr/, Accessed May 3, 2017.
McNairn, H., A. Kross, D. Lapen, R. Caves, and J. Shang, 2014. Early season monitoring of corn and soybeans with TerraSAR-X and RADARSAT-2, International Journal of Applied Earth Observation and Geoinformation, 28: 252-259.
Na, S.I., J.H. Park, and H.S. Shin, 2008. Land-use Mapping and Change Detection in Northern Cheongju Region, Journal of the Korean Society of Agricultural Engineers, 50(3): 61-69 (in Korean with English abstract).
Na, S.I., J.H. Park, and J.K. Park, 2012. Development of Korean Paddy Rice Yield Prediction Model (KRPM) using Meteorological Element and MODIS NDVI, Journal of the Korean Society of Agricultural Engineers, 54(3): 141-148 (in Korean with English abstract).
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.
USGS Homepage, https://landsat.usgs.gov/landsat-8/, Accessed May 4, 2017.
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.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.