[논문]인공신경망을 이용한 KOMPSAT-3/3A/5 영상으로부터 자연림과 인공림의 분류

이용석; 박숭환; 정형섭; 백원경

doi:10.7780/kjrs.2018.34.6.3.7

인공신경망을 이용한 KOMPSAT-3/3A/5 영상으로부터 자연림과 인공림의 분류
Classification of Natural and Artificial Forests from KOMPSAT-3/3A/5 Images Using Artificial Neural Network 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.34 no.6 pt.3, 2018년, pp.1399 - 1414

이용석 (서울시립대학교 공간정보공학과) , 박숭환 (서울시립대학교 공간정보공학과) , 정형섭 (서울시립대학교 공간정보공학과) , 백원경 (서울시립대학교 공간정보공학과)

초록
AI-Helper

자연림은 산림의 조성 과 보육 등에 인공적인 사람의 힘이 가해지지 않은 자연 상태의 산림이다. 반면 인공림은 사람이 조성 및 보육관리 하는 숲으로 목재생산, 자연재해 예방, 방풍 등의 목적을 가지는 산림이다. 인공림은 목재생산 등 인간이 목적을 가지고 관리하여 단위 면적당 더 많은 목재를 생산할 수 있는 경제적 장점도 가지고 있다. 자연림과 인공림의 구분은 산림 형태의 관리 방법과 목정이 상이하여 산림조사에서 기본적으로 조사하는 요소이며, 자연림과 인공림의 구분은 항공사진 판독과 현지조사 등의 절차를 통해 이루어진다. 본 연구에서는 자연림과 인공림의 분류에 KOMPSAT-3, 3A, 5 위성 영상데이터에 인공신경망(Artificial Neural Network: ANN)을 적용하여 자연림과 인공림의 분류도를 만들고, 산림청의 1/5,000임상도의 자연림과 인공림 분류도와 비교하여 평가하였다. 인공신경망을 이용한 산림의 자연림과 인공림 구분의 연구를 진행한 결과, 1/5,000 임상도와 비교했을 때, 학습결과 분류 전체 정확도는 77.03%이다. 영상의 획득 시기와 산림의 침엽수와 활엽수 등 기타요인이 인공신경망을 이용한 산림의 인공림과 자연림의 구분에 많은 영향을 미치는 것을 확인하였다.

Abstract ▼ AI-Helper

Natural forests are un-manned forests where the artificial forces of people are not applied to the formation of forests. On the other hand, artificial forests are managed by people for their own purposes such as producing wood, preventing natural disasters, and protecting wind. The artificial forests enable us to enhance economical benefits of producing more wood per unit area because it is well-maintained with the purpose of the production of wood. The distinction surveys have been performed due to different management methods according to forests. The distinction survey between natural forests and artificial forests is traditionally performed via airborne remote sensing or in-situ surveys. In this study, we suggest a classification method of forest types using satellite imagery to reduce the time and cost of in-situ surveying. A classification map of natural forest and artificial forest were generated using KOMPSAT-3, 3A, 5 data by employing artificial neural network (ANN). And in order to validate the accuracy of classification, we utilized reference data from 1/5,000 stock map. As a result of the study on the classification of natural forest and plantation forest using artificial neural network, the overall accuracy of classification of learning result is 77.03% when compared with 1/5,000 stock map. It was confirmed that the acquisition time of the image and other factors such as needleleaf trees and broadleaf trees affect the distinction between artificial and natural forests using artificial neural networks.

주제어

표/그림 (15)

그림 Fig. 1. Study Area, the RGB map of Samcheok, Korea; Red dotted box indicates the study area.
표 Table 1. Parameters of KOMPSAT-3 and -3A images used in this study
표 Table 2. Parameters of KOMPSAT-5 image used in this study
그림 Fig. 2. Real color image from (a) KOMPSAT-3, (b) KOMPSAT-3A, (c) KOMPSAT-3A Infra-red band.
그림 Fig. 3. Normalized texture maps from ascending(a) and descending(b) KOMPSAT-5 Acquisitions.
그림 Fig. 4. (a) Digital elevation model(5m) from National geographic information institute (NGII), (b) reference data from 1/5,000 stock map which shows the spatial distribution of natural and artificial forests, (c) the spatial distribution of Needleleaf and Broadleaf Tree from 1/5,000 stock map.
그림 Fig. 5. Overall data process.
그림 Fig. 6. Topographic corrected images; KOMPSAT-3 images of (a) before correction and (b) after correction, KOMPSAT-3A images of (c) before correction and (d) after correction.
그림 Fig. 7. KOMPSAT-3 digital number distribution of before (a, c, e, g) and after (b, d, f, h) topographic correction; red band (a, b); green band (c, d); blue band (e, f); and Near-infrared band (g, h).
그림 Fig. 8. KOMPSAT-3A digital number distribution of before (a, c, e, g) and after (b, d, f, h) topographic correction; red band (a, b); green band (c, d); blue band (e, f); and Near-infrared band (g, h).
그림 Fig. 9. NDVI maps of KOMPSAT-3 (a), KOMPSAT-3A (b), NDWI maps of KOMPSAT-3 (c) and KOMPSAT-3A (d); Texture map of KOMPSAT-5 (e); texture maps of KOMPSAT-3 NDVI map (f) and KOMPSAT-3A NDVI map (g), texture maps of KOMPSAT-3 NDWI map (h) and KOMPSAT-3A NDWI map (i); and Infrared map of KOMPSAT-3A (j).
그림 Fig. 10. A schematic diagram of an artificial neural network using multiple perceptrons.
그림 Fig. 11. Probability map of artificial forest via ANN approach.
그림 Fig. 12. (a)Reference data of Forest type from 1/5000 stock Map, (b)tree type map from 1/5000 stock Map, (c) Forest type Classification Map using ANN.
표 Table 3. Error matrix of classification

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

산악지역에서 발생한 지형 오차의 경우 학습 과정 및 분류 결과에 오차를 야기할 수 있다. 따라서 본 연구에서는 지형효과에 대한 보정을 수행했다. 인공위성 영상 자료는 지형이 편평하지 않아 태양입사각의 영향을 받기 때문에 지형보정처리를 거친다.
또한 침엽수는 인공림의 조성에 많이 이용되기 때문이다. 인공림과 자연림의 구분에서 침엽수와 활엽수의 정보를 활용함으로써 추가적인 분석확률을 추정하기 위함이다.

제안 방법

Fig. 9(c), (d)와 같이 Green 밴드와 NIR 밴드의 차이를 이용하여 식생의 캐노피 수분함량에 따른 분광 특성을 이용한 NDWI 지수맵을 제작하였다.
본 연구의 연구지역은 산악지형이 많은 우리나라의 강원도 삼척시 일원으로 많은 산림이 골고루 분포되어있다. ANN연구를 위해 수집된 각 영상의 범위를 고려하여 연구영역을 설정하였다. 연구영역은 자연림, 인공림, 침엽수, 활엽수의 구분이 임상도에 고루 분포되고 있다.
산림청의 1/5,000 임상도의 자연림, 인공림,침엽수, 활엽수의 정보와 KOMPSAT-3, 3A,IR(Infra-red)의 위성영상을 국토지리정보원의 DEM(5 m급)을 이용하여 지형보정 후 IR맵 제작, Multispectral 영상에 대하여 정규식생지수(Normalized Difference Vegetation Index)와 정규 수분지수(Normalized Difference Water Index)의 지수맵과 지수 텍스쳐맵(Texture Map)을 제작하였다. KOMPSAT-5 위성 레이더 영상은 텍스쳐맵을 제작 후 SRTM(약 30 m급)을 이용하여 지형보정을 수행하였다. 제작된 데이터들을 ANN에 적용하여 학습시키고, ANN 학습을 통한 확률도를 제작하고, 확률도로부터 임계값을 설정하여 자연림, 인공림 분류도를 제작한다.
본 연구에서는 지형보정을 수행한 KOMPSAT-3, 3A 위성영상으로부터 NDVI, NDWI, NDVI Texture, NDWI Texture, IR map을 제작하였다. KOMPSAT-5 위성 레이더의 영상의 Texture map를 제작하였다. 임상도의 자연림과 인공림 경계 래스터로 제작 하였고, 제작된 모든 데이터를 하나의 데이터로 오픈소스 WEKA를 이용한 인공신경망의 학습 자료로 사용하였다.
WEKA Input layer로 KOMPSAT-3의 NDVI, NDWI, NDVI Texture, NDWI Texture, KOMPSAT-3A의 NDVI, NDWI, NDVI Texture, NDWI Texture, IR, KOMPSAT-5 Texture mpa의 픽셀값과 임상도의 자연림은 0, 인공림은 1로 인식하도록 구분하여, WEKA에 대한 입력 레이어(Input layer)로 하여 자연림과 인공림 분류에 관한 학습 및 분류를 수행하였다.
ANN의 입력자료로 KOMPSAT-3, 3A의 영상으로 제작한 NDVI, NDWI, NDVI Texture, NDWI Texture, IR, KOMPSAT-5 Texture map 까지 총 10개의 맵을 제작하였다. WEKA를 통한 데이터 마이닝을 위해 NDVI, NDWI, Texture map, IR map, 임상도를 ASCII(American Standard Code for Information Interchange)타입으로 변환 하였다. 임상도를 참조하여 각 영상에서 비산림지역을 제외한 픽셀값을 취득하여 영상 당 총 462,493개의 픽셀값을 자연림과 인공림 분석에 사용하였다.
WEKA를 통해 자연림과 인공림 구분 학습으로 이루어진 각 픽셀에 대한 확률데이터를 래스터화하기전 원하지 않는 정보인 노이즈(noise)를 가지고 있기 때문에 이를 감소시키기 위해 3×3 크기의 중앙값 필터(median filter)를 적용하였다.
WEKA를 통해 자연림과 인공림 구분 학습으로 이루어진 각 픽셀에 대한 확률데이터를 래스터화하기전 원하지 않는 정보인 노이즈(noise)를 가지고 있기 때문에 이를 감소시키기 위해 3×3 크기의 중앙값 필터(median filter)를 적용하였다. 노이즈를 제거한 통계데이터를 자연림과 인공림에 대한 확률도로 제작하였다(Fig. 11). 확률도의 히스토그램에서 0.
Table 3과 같이 ANN 분류에 관한 오차행렬(Error Matrix)를 작성하여 분석을 하였다. 먼저 총 픽셀수는 466,264개 이며, ANN이 인공림구분으로 침엽수인 인공림을 27,016개, 활엽수인 인공림을 277개로 맞게 구분하였고, ANN이 자연림구분으로 침엽수인 자연림을 276,314개, 활엽수인 자연림을 55,572개로 맞게 구분하였다.
본 연구에서는 지형보정을 수행한 KOMPSAT-3, 3A 위성영상으로부터 NDVI, NDWI, NDVI Texture, NDWI Texture, IR map을 제작하였다. KOMPSAT-5 위성 레이더의 영상의 Texture map를 제작하였다.
산림은 조성시기, 목적 등 다양한 사례로 자연림과 인공림으로 구분되며, 침엽수과 활엽수의 산림형태가 가지는 분광적, 생물학적 특징을 고려하여 위성영상과 인공신경망에 인한 학습 및 분류는 많은 시간과 인력이 필요하지 않기 때문에 효과 적인 연구방법으로 고안하였다.
이에 본 연구는 우리나라 위성인 KOMPSAT-3, 3A, 5의 위성에서 촬영된 다양한 영상을 활용하였다. 산림청의 1/5,000 임상도의 자연림, 인공림,침엽수, 활엽수의 정보와 KOMPSAT-3, 3A,IR(Infra-red)의 위성영상을 국토지리정보원의 DEM(5 m급)을 이용하여 지형보정 후 IR맵 제작, Multispectral 영상에 대하여 정규식생지수(Normalized Difference Vegetation Index)와 정규 수분지수(Normalized Difference Water Index)의 지수맵과 지수 텍스쳐맵(Texture Map)을 제작하였다. KOMPSAT-5 위성 레이더 영상은 텍스쳐맵을 제작 후 SRTM(약 30 m급)을 이용하여 지형보정을 수행하였다.
영상, 임상도, DEM 등 모든 영상 연구자료는 지형보정 등을 수행 후 동일한 픽셀을 계산하기 위해 같은 사이즈(가로 800 m × 세로 800 m)로 컷팅하였으며, GSD를 2.2 m로 resampling 하였다.
원격탐사 자료로 우리나라 위성인 KOMPSAT-3, 3A, R, G, B, NIR band와 IR영상 그리고 X-band KOMPSAT-5 영상을 식생분석에 사용함으로써 다양한 band의 활용을 고려해 보았다.
KOMPSAT-5 위성 레이더 영상은 텍스쳐맵을 제작 후 SRTM(약 30 m급)을 이용하여 지형보정을 수행하였다. 제작된 데이터들을 ANN에 적용하여 학습시키고, ANN 학습을 통한 확률도를 제작하고, 확률도로부터 임계값을 설정하여 자연림, 인공림 분류도를 제작한다. 침엽수와 활엽수의 분광적 차이가 확실하고 식생분석이 어려운 계절인 초봄(4월), 가을(10월), 겨울(2월)의 광학, IR, 레이더영상 까지 활용한 최종 분류도와 산림청의 1/5,000 임상도를 비교 분석하고자 한다.
오차 역전파 기법은 전방향 네트워크(feed-forward network)로 입력신호가 은닉층으로 전달되어, 최종적으로 출력되는 것이다. 출력값과 참값을 비교하며 오차를 구하고, 오차를 줄여나가는 방향으로 오차를 전파하여 가중치를 수정한다. 연결강도를 조정하기 위한 활성화 함수(activation function)가 사용되는데, 본 연구에서는 일반적으로 사용되는 단극성 시그모이드 함수(Logistic)가 사용되었고, 그 식은 식 (2)와 같다.
제작된 데이터들을 ANN에 적용하여 학습시키고, ANN 학습을 통한 확률도를 제작하고, 확률도로부터 임계값을 설정하여 자연림, 인공림 분류도를 제작한다. 침엽수와 활엽수의 분광적 차이가 확실하고 식생분석이 어려운 계절인 초봄(4월), 가을(10월), 겨울(2월)의 광학, IR, 레이더영상 까지 활용한 최종 분류도와 산림청의 1/5,000 임상도를 비교 분석하고자 한다.
(2013)은 지형보정처리 효과가 분류정확도를 향상 시켰음을 제시한바 있다. 태양입사각의 영향 최소화 하여 ANN 분류 정확도를 향상시키기 위해 지형보정처리를 수행하였다. 지형보정 처리는 가장 널리 이용되는 지형보정 모델 중 Statisticalempirical 모델을 선택하여 KOMPSAT-3, 3A 영상을 지형보정을 수행하였고, 보정식은 식 (1)과 같다(Teillet et al.

대상 데이터

WEKA의 많은 알고리즘 중에서 ANN을 위한 MultiLayer Perceptrons 알고리즘을 사용해서 데이터 마이닝을 수행하였다. ANN의 입력자료로 KOMPSAT-3, 3A의 영상으로 제작한 NDVI, NDWI, NDVI Texture, NDWI Texture, IR, KOMPSAT-5 Texture map 까지 총 10개의 맵을 제작하였다. WEKA를 통한 데이터 마이닝을 위해 NDVI, NDWI, Texture map, IR map, 임상도를 ASCII(American Standard Code for Information Interchange)타입으로 변환 하였다.
촬영모드는 모두 Stripmap 이다. KOMPSAT-3, 3A위성 정사영상의 지형보정을 위해 국토지리정보원에서 제작된 5 m급의 DEM을 사용하였다(Fig. 4(a)).
본 연구의 연구지역은 산악지형이 많은 우리나라의 강원도 삼척시 일원으로 많은 산림이 골고루 분포되어있다. ANN연구를 위해 수집된 각 영상의 범위를 고려하여 연구영역을 설정하였다.
연구영역은 자연림, 인공림, 침엽수, 활엽수의 구분이 임상도에 고루 분포되고 있다. 연구영역은 산림의 계절적 분광차이가 있는 지역과 없는 지역 같이 존재하여 산림의 구분에 영향이 있는 지역으로 선정하였다. Fig.
Kwon(2018)은 국내의 경우 자연림과 인공림의 분류의 경우 수종(침엽수/활엽수)의 영향을 많이 받고, 5월의 영상에서 분광적 차이가 자연림과 인공림 분류에 적절하다고 분석하였다. 이에 본 연구는 우리나라 위성인 KOMPSAT-3, 3A, 5의 위성에서 촬영된 다양한 영상을 활용하였다. 산림청의 1/5,000 임상도의 자연림, 인공림,침엽수, 활엽수의 정보와 KOMPSAT-3, 3A,IR(Infra-red)의 위성영상을 국토지리정보원의 DEM(5 m급)을 이용하여 지형보정 후 IR맵 제작, Multispectral 영상에 대하여 정규식생지수(Normalized Difference Vegetation Index)와 정규 수분지수(Normalized Difference Water Index)의 지수맵과 지수 텍스쳐맵(Texture Map)을 제작하였다.
WEKA를 통한 데이터 마이닝을 위해 NDVI, NDWI, Texture map, IR map, 임상도를 ASCII(American Standard Code for Information Interchange)타입으로 변환 하였다. 임상도를 참조하여 각 영상에서 비산림지역을 제외한 픽셀값을 취득하여 영상 당 총 462,493개의 픽셀값을 자연림과 인공림 분석에 사용하였다.
KOMPSAT-5 위성 레이더의 영상의 Texture map를 제작하였다. 임상도의 자연림과 인공림 경계 래스터로 제작 하였고, 제작된 모든 데이터를 하나의 데이터로 오픈소스 WEKA를 이용한 인공신경망의 학습 자료로 사용하였다. 학습결과로 얻은 확률도에 임계값 0.
2 m로 resampling 하였다. 좌표계는 GRS80(동부원점)을 이용하였다.
지형보정이 완료되면 밴드별 SUN LIT, SUN Shading slop의 히스토그램의 변화를 확인 할 수 있다. 지형보정이 완료된 영상으로부터 NDVI, NDWI, Texture map를 제작하였다. Fig.

데이터처리

또한 화소 값의 차이가 99% 신뢰구간을 넘어가지 않는 경우 상·하향 궤도 영상의 평균값을 적용함으로써 오차를 저감하였다.

이론/모형

ANN은 병렬처리 측면에서 인공신경망을 기술한 이후 최근까지 다양한 분양에서 활발하게 연구되고 있는 방법이다. Fig. 10은 ANN의 모식도로, 본 연구에서는 학습을 위해 멀티레이어 퍼셉트론 알고리즘(MultiLayer Perceptrons Algorithms; MLP)을 활용하였으며, 기존의 퍼셉트론이 선형 분류의 한계에 의해 해결할 수 없었던 문제를, MLP 알고리즘은 중간 레이어(Hidden Layer)를 추가함으로써 여러개의 선형 분류 판별선을 그리는 효과로 문제를 해결할 수 있었다(McClelland et al., 1986). MLP 알고리즘은 Input Layer, Hidden Layer, Output Layer로 구성되어 있으며, 각 시냅스(synapse)간 연결강도를 조정하며 최종적으로 예측 및 추정을 수행한다.
, 2005). WEKA의 많은 알고리즘 중에서 ANN을 위한 MultiLayer Perceptrons 알고리즘을 사용해서 데이터 마이닝을 수행하였다. ANN의 입력자료로 KOMPSAT-3, 3A의 영상으로 제작한 NDVI, NDWI, NDVI Texture, NDWI Texture, IR, KOMPSAT-5 Texture map 까지 총 10개의 맵을 제작하였다.
출력값과 참값을 비교하며 오차를 구하고, 오차를 줄여나가는 방향으로 오차를 전파하여 가중치를 수정한다. 연결강도를 조정하기 위한 활성화 함수(activation function)가 사용되는데, 본 연구에서는 일반적으로 사용되는 단극성 시그모이드 함수(Logistic)가 사용되었고, 그 식은 식 (2)와 같다. 결과값을 함수에 따라 0부터 1사이의 값으로 조정하고, 이는 0또는 1의 확률로 결과를 나타낸다(Kwon, 2018; Hwang, 2018).
1은 연구지역이며 좌측 한반도에서 붉은 색으로 표시된 영역이 삼척시 지역에 해당한다. 우측 정사영상은 본 연구에서 사용한 KOMPSAT-3의 정사영상이며, 빨간색 점선박스가 실제 ANN 연구지역이다. 본 연구에서는 2017년 10월 31일 가을시기에 촬영되어 제작된 KOMPSAT-3 Fig.
자연림과 인공림 구분을 위한 ANN도구로 대량의 데이터 마이닝(Data Mining)도구로 널리 사용되고 있는 오픈 소프트웨어 WEKA(Waikato Environment for Knowledge Analysis)를 사용하였다(Witten et al., 2005). WEKA의 많은 알고리즘 중에서 ANN을 위한 MultiLayer Perceptrons 알고리즘을 사용해서 데이터 마이닝을 수행하였다.
태양입사각의 영향 최소화 하여 ANN 분류 정확도를 향상시키기 위해 지형보정처리를 수행하였다. 지형보정 처리는 가장 널리 이용되는 지형보정 모델 중 Statisticalempirical 모델을 선택하여 KOMPSAT-3, 3A 영상을 지형보정을 수행하였고, 보정식은 식 (1)과 같다(Teillet et al., 1982; Kwon et al., 2017).

성능/효과

ANN의 분류결과에 영향의 요인으로는 첫째, 인공림의 정확도의 분석은 최종 사용자 정확도는 21.88%로 낮게 나타난다. 산림통계연보(2018)에 따르면, 인공림의 91%가 소나무, 잣나무 등 침엽수림이다.
ANN의 최종 산림 구분도를 육안으로도 확인한 결과 자연림과 인공림의 경계부분에서 ANN의 산림 구분 확률이 낮다고 예측이 되었다. 인공림의 조성된 시기가 오래 되었을수록 자연림에 가까워 져서 구분이 어려웠을 것으로 판단된다.
8은 KOMPSAT-3A의 지형보정 전·후 RED, GREEN, BLUE, NIR 밴드(Band)의 히스토그램을 나타낸다. 각 밴드별 SUN LIT, SUN Shading slop의 히스토그램이 정확하게 일치할수록 지형보정효과가 높다고 볼 수 있다. 지형보정이 완료된 영상은 Fig.
이는 침엽수림인 인공림과 자연림의 트레이닝 결과가 구분될 확률이 낮아질 가능성을 의미한다. 둘째, 영상의 촬영시점이 계절적으로 KOMPSAT-3 영상은 10월에 촬영된 가을시기였기에 육안확인 결과 많은 양의 나뭇잎이 확인되었고, KOMPSAT-3A의 영상은 2월에 촬영된 겨울시기였기 때문에 활엽수 등의 나뭇잎이 많이 떨어진 상태였다.
인공림과 자연림에 ANN의 분류결과 연구 자료인 영상의 촬영시기가 각 계절 특성이 크게 다른점과 영상별 원본 해상도, 자연림과 인공림의 다양한 형태와 구조가 많은 지역적 특성 등으로 인공신경망으로 자연림과 인공림만의 특성을 구분하기 어려웠을 것으로 판단된다. 또한 자연림과 인공림이 만나는 경계부분에서의 ANN분류 확률도 낮게 나오는 것을 육안으로 확인하였다. 이러한 단점을 극복하기 위해 좀 더 많은 학습 자료를 필요로 하는데 오차행렬을 통해 인공림과 자연림의 인공신경망을 이용한 분류 시 침엽수와 활엽수의 정보가 중요하게 작용할 것이라는 예측이 되었다.
18%이다. 전체 정확도는 77.03%였다.
78을 설정하여 인공림과 자연림 구분도를 제작하였다. 제작된 구분도의 오차행렬(Error Matrix)을 분석한 결과 침엽수에 대한 인공림의 생산자 정확도는 74.01%, 자연림의 생산자 정확도는 82.63%이다. 활엽수에 대한 인공림의 생산자 정확도는 64.
63%이다. 활엽수에 대한 인공림의 생산자 정확도는 64.12%, 자연림의 생산자 정확도는 58.53%이다. 인공림의 사용자 정확도는 21.
63%이다. 활엽수에 대한 인공림의 생산자 정확도는 64.12%이며 자연림의 생산자 정확도는 58.53%이다. 사용자 정확도(User accuracy)는 오차행렬의 대각선 픽셀수를 ANN을 이용해 분류된 각 항목 당 계로 나눈 것이다.

후속연구

이러한 단점을 극복하기 위해 좀 더 많은 학습 자료를 필요로 하는데 오차행렬을 통해 인공림과 자연림의 인공신경망을 이용한 분류 시 침엽수와 활엽수의 정보가 중요하게 작용할 것이라는 예측이 되었다. 본 연구에서 다양한 시기의 영상자료를 확보하여 활용하지 못했다는 점과 다양한 기계학습 기법을 이용하지 못한 아쉬운 점이 남아있으며, 산림의 자연림과 인공림의 군락나무의 특성, 토양의 재질 등 많은 정보를 포함하여 기계학습의 학습데이터로 분석을 수행한다면 광범위한 원격탐사의 산림 연구, 조사 분야에서 더욱 발전이 가능할 것으로 기대된다.
오차행렬에 대한 최종 결과로 인공림과 자연림의 구분에서 침엽수림의 나무의 정보나 토양 등 추가 교육 자료와 균일한 시기의 촬영영상을 사용한다면 더 높은 분류결과를 얻을 것으로 예상된다.
다음으로 제작한 데이터는 질감(texture) 데이터이다. 제작된 지수맵은 식생지역을 판별하는데 입력 자료로 사용될 수 있으나, 보다 세분화된 산림정보 추출을 위해서는 산림의 특성을 구분할 수 있는 영상자료 기반의 정보가 요구된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	국내에서 산림조사를 하는 방식은 무엇인가?	산림조사는 항공사진을 이용한 분석과 사람의 현장 조사를 통해 이루어진다. 산림청은 현재 항공사진을 이용하여 인공림, 자연림, 수종의 구분 등을 수행하며, 항공사진으로 알기 어려운 부분에 대해서는 현장조사가 이루어진다. 국토의 산림 면적이 70% 이상인 우리나라에서의 산림조사는 많은 비용과 시간이 소요된다.
	자연림이란 무엇인가?	자연림은 산림의 조성 과 보육 등에 인공적인 사람의 힘이 가해지지 않은 자연 상태의 산림이다. 반면 인공림은 사람이 조성 및 보육관리 하는 숲으로 목재생산, 자연재해 예방, 방풍 등의 목적을 가지는 산림이다.
	인공림이란 무엇인가?	자연림은 산림의 조성 과 보육 등에 인공적인 사람의 힘이 가해지지 않은 자연 상태의 산림이다. 반면 인공림은 사람이 조성 및 보육관리 하는 숲으로 목재생산, 자연재해 예방, 방풍 등의 목적을 가지는 산림이다. 인공림은 목재생산 등 인간이 목적을 가지고 관리하여 단위 면적당 더 많은 목재를 생산할 수 있는 경제적 장점도 가지고 있다.

참고문헌 (22)

Hay, G. J., K. O. Niemann, and G.F. McLean, 1996. An object-specific image-texture analysis of Hresolution forest imagery, Remote Sensing of Environment, 55(2): 108-122.

상세보기
Herrmann, I., A. Pimstein, A. Karnieli, Y. Cohen, V. Alchanatis, and D. J. Bonfil, 2010. LAI assessment of wheat and potato crops by $VEN{\mu}S$ and Sentinel-2 bands, Remote Sensing of Environment, 115: 2141-2151.
Huang, C., K. Song, S. Kim, J. R. G. Townshend, R. Davis, J. G. Masek, and S. N. Goward, 2008. Use of a dark object concept and support vector machines to automate forest cover change analysis, Remote Sensing of Environment, 112(3): 970-985.

상세보기
Hwang, J. I., 2018. Ship detection from single and dual polarized X-band SAR images using machine learning techniques, Seoul National University, Seoul, Korea (in Korean with English abstract).
Kang, H. Y., I. J. Kang, H. Choi, and S. C. Lee, 2000. The Estatimate of Image Classification Accuracy Using Artificial Neural Networks, Journal of The Korean Society Of Civil Engineers, 2000(4): 585-588.
KIM, D. S., 2017. Oil spill detection from dual-polarized SAR images using artificial neural network, Seoul National University, Seoul, Korea (in Korean with English abstract).
Kim, D. S., H. S. Jung, and W. K. Baek, 2016. Comparative Analysis among Radar Image Filters for Flood Mapping, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry, and Cartography, 34(1): 43-52 (in Korean with English abstract).

원문보기 상세보기
Kim, E. S., C. M. Kim, K. M. Kim, J. H. Ryu, J. S. Lim, and J. C. Kim, 2015. The Change of Korean National Forest Inventory System (1971-2010), Korea Forest Institute, Seoul, Korea (in Korean).
Kim, S. H., J. C. Kim, J. H. Ryu, J. S. Kim, S. A. Seo, H. K. Cho, B. O. Yoo, W. B. Sim, J. H. Seong, B. B. Park, J. S. Lim, I. B. Jeong, and J. W. Shin, 2011. Guide Book for the Sixth Korean National Forest Inventory and Fieldwork for Forest Health and Vitality, Korea Forest Institute, Seoul, Korea (in Korean).
Kwon, S. K., 2018. Classification of Natural Forest/Artificial Forest from Sentinel-2 Images Using Artificial Neural Network, Seoul National University, Seoul, Korea (in Korean with English abstract).
Kwon, S. K., H. S. Jung, W. K. Baek, and D. S. Kim, 2017. Classification of Forest Vertical Structrue in South Korea from Aerial Orthophoto and Lidar Data Using an Artificial Neural Network, Applied Science, 7(10): 1046.

상세보기
Lee, S. G., H. J. Lee, C. W. Sung, C. H. Park, W. S. Cho, and Y. S. Kim, 2010. A Topographical Classifier Development Support System Cooperating with Data Mining Tool WEKA from Airborne LiDAR Data, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry, and Cartography, 28(1): 133-142 (in Korean with English abstract).
Manqi, L., J. H. Im, and C. Beier, 2013. Machine learning approaches for forest classification and change analysis using multi-temporal Landsat TM images over Huntington Wildlife Forest, GIScience & Remote Sensing, 50(4): 361-384.

상세보기
Markus, I., F. Vuolo, and C. Atzberger, 2016. First Experience with Sentinel-2 Data for Crop and Tree Species Classifications in Central Europe, Remote Sensing, 8(3).

상세보기
McClelland, J. L., D. E. Rumelhart, and G. E. Hinton, 1986. Parallel distributed processing: explorations in the microstructure of cognition. Volume 1. Foundations, United States.
McCulloch, W. S, and W. Pitts, 1943. A logical calculus of the ideas immanent in nervous activity, The Bulletin of Mathematical Biophysics, 5(4): 115-113.

상세보기
Murai, H. and Y. Iwasaki, 1975. Studies on function of water and soil conservation based on forest land part 1 influence of difference in forest condition upon water runoff infiltration and soil erosion, Bulletin for the Forestry and Forest Products Research Institute, 274: 23-84.
Park, S. G. and H. M. Kang, 2015. Characteristics of Vegetation Structure in Chamaecyparis Obtusa Stands1, Korean Journal of Environment and Ecology, 29(6): 907-916 (in Korean with English abstract).

원문보기 상세보기
SlideServe, 2014. Comparison of Grade and Vegetation Index of Evergreen Forest in Gangwon Province Using Forest Geographic Information System and Landsat Satellite Image, https://www.slideserve.com/latham/landsat, Accessed on Dec. 14, 2018.
Solaris, 2017. History of Deep Learning - From Perceptron to GAN (Generative Adversarial Networks) - 1/2, http://solarisailab.com/archives/1206, Accessed on Dec. 4, 2018.
Teillet, P. M., B. Guindon, and D. G. Goodenough, 1982. On the Slope-Aspect Correction of Multispectral Scanner Data, Canadian Journal of Remote Sensing, 8(2): 84-106.

상세보기
Witten, I. h. and E. Frank, 2005. Data Mining: Practial Machine Learning Tools and Technique (2E), Elsevier, Atlanta, GA, USA.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증