KOMPSAT-3A 위성영상과 토지피복도를 활용한 산림식생의 임상 분류법 개발 Development of a Classification Method for Forest Vegetation on the Stand Level, Using KOMPSAT-3A Imagery and Land Coverage Map원문보기
오늘날 원격탐지기술의 발달로 인해, 산림지역과 같이 피복 분류작업이 난해한 지역을 비롯한 광범위한 지역에서의 세밀한 변화탐지를 위한 고해상도 위성영상 취득이 가능해졌다. 하지만, 고해상도 영상에 대한 시계열분석의 과정에서 많은 양의 지상 관측 데이터가 요구된다. 본 연구에서는 토지피복도를 지상 관측데이터로 활용한 위성영상 분류 방법의 가능성을 시험하였다. 연구대상지는 강원도 원주시이며, 산림지역과 시가화지역이 공존하는 공간이다. 연구 자료는 2015년 3월에 촬영된 KOMPSAT-3A 영상과 2017년도 토지피복도를 이용하여 분류를 시도하였다. 서포트벡터머신(SVM)과 랜덤포레스트(RF)의 두 가지 상이한 화소기반 분류기법을 적용하여 대상지에 대한 피복분류의 분류정확도를 비교 분석하였으며, SVM 분석의 경우 다수 분석(Majority analysis)을 후속 진행하였다. 분석대상은 산림식생만 포함한 지역과 연구대상지 전지역으로 구분하였고, 대상 면적이 협소한 습지는 분석과정에서 제외하였다. 분류 결과는 오차 행렬의 전체 정확도가 두 가지 분류대상에 대해 RF 기법이 SVM 기법보다 더 나은 것으로 나타났다. 산림지역만을 대상으로 한 경우, RF 기법이 SVM 기법에 비해 18.3% 높은 값을 나타낸 반면, 전체지역을 대상으로 한 경우는 둘 사이의 간격이 5.5%로 줄어들었다. SVM 기법에 다수 분석 (Majority analysis)을 추가로 실시한 경우, 1% 정도의 정확도 향상이 나타났다. RF 기법은 산림지역의 활엽수를 분석해 내는데 상당히 효과적이었지만, 다른 대상에 대해서는 SVM 기법이 더 나은 결과를 나타내었다. 본 연구는 고해상도 단일시기 영상에 대한 화소 기반의 분류기법을 시험한 것으로, 추후 시계열분석 및 객체기반 분류기법의 추가적인 적용으로 향상된 정확도와 신뢰도를 얻을 수 있을 것으로 판단된다. 이 연구의 방법론은 시공간적으로 고해상도 분석결과를 제공함으로써, 대면적의 토지계획에 유용할 것으로 기대된다.
오늘날 원격탐지기술의 발달로 인해, 산림지역과 같이 피복 분류작업이 난해한 지역을 비롯한 광범위한 지역에서의 세밀한 변화탐지를 위한 고해상도 위성영상 취득이 가능해졌다. 하지만, 고해상도 영상에 대한 시계열분석의 과정에서 많은 양의 지상 관측 데이터가 요구된다. 본 연구에서는 토지피복도를 지상 관측데이터로 활용한 위성영상 분류 방법의 가능성을 시험하였다. 연구대상지는 강원도 원주시이며, 산림지역과 시가화지역이 공존하는 공간이다. 연구 자료는 2015년 3월에 촬영된 KOMPSAT-3A 영상과 2017년도 토지피복도를 이용하여 분류를 시도하였다. 서포트벡터머신(SVM)과 랜덤포레스트(RF)의 두 가지 상이한 화소기반 분류기법을 적용하여 대상지에 대한 피복분류의 분류정확도를 비교 분석하였으며, SVM 분석의 경우 다수 분석(Majority analysis)을 후속 진행하였다. 분석대상은 산림식생만 포함한 지역과 연구대상지 전지역으로 구분하였고, 대상 면적이 협소한 습지는 분석과정에서 제외하였다. 분류 결과는 오차 행렬의 전체 정확도가 두 가지 분류대상에 대해 RF 기법이 SVM 기법보다 더 나은 것으로 나타났다. 산림지역만을 대상으로 한 경우, RF 기법이 SVM 기법에 비해 18.3% 높은 값을 나타낸 반면, 전체지역을 대상으로 한 경우는 둘 사이의 간격이 5.5%로 줄어들었다. SVM 기법에 다수 분석 (Majority analysis)을 추가로 실시한 경우, 1% 정도의 정확도 향상이 나타났다. RF 기법은 산림지역의 활엽수를 분석해 내는데 상당히 효과적이었지만, 다른 대상에 대해서는 SVM 기법이 더 나은 결과를 나타내었다. 본 연구는 고해상도 단일시기 영상에 대한 화소 기반의 분류기법을 시험한 것으로, 추후 시계열분석 및 객체기반 분류기법의 추가적인 적용으로 향상된 정확도와 신뢰도를 얻을 수 있을 것으로 판단된다. 이 연구의 방법론은 시공간적으로 고해상도 분석결과를 제공함으로써, 대면적의 토지계획에 유용할 것으로 기대된다.
Due to the advance in remote sensing technology, it has become easier to more frequently obtain high resolution imagery to detect delicate changes in an extensive area, particularly including forest which is not readily sub-classified. Time-series analysis on high resolution images requires to colle...
Due to the advance in remote sensing technology, it has become easier to more frequently obtain high resolution imagery to detect delicate changes in an extensive area, particularly including forest which is not readily sub-classified. Time-series analysis on high resolution images requires to collect extensive amount of ground truth data. In this study, the potential of land coverage mapas ground truth data was tested in classifying high-resolution imagery. The study site was Wonju-si at Gangwon-do, South Korea, having a mix of urban and natural areas. KOMPSAT-3A imagery taken on March 2015 and land coverage map published in 2017 were used as source data. Two pixel-based classification algorithms, Support Vector Machine (SVM) and Random Forest (RF), were selected for the analysis. Forest only classification was compared with that of the whole study area except wetland. Confusion matrixes from the classification presented that overall accuracies for both the targets were higher in RF algorithm than in SVM. While the overall accuracy in the forest only analysis by RF algorithm was higher by 18.3% than SVM, in the case of the whole region analysis, the difference was relatively smaller by 5.5%. For the SVM algorithm, adding the Majority analysis process indicated a marginal improvement of about 1% than the normal SVM analysis. It was found that the RF algorithm was more effective to identify the broad-leaved forest within the forest, but for the other classes the SVM algorithm was more effective. As the two pixel-based classification algorithms were tested here, it is expected that future classification will improve the overall accuracy and the reliability by introducing a time-series analysis and an object-based algorithm. It is considered that this approach will contribute to improving a large-scale land planning by providing an effective land classification method on higher spatial and temporal scales.
Due to the advance in remote sensing technology, it has become easier to more frequently obtain high resolution imagery to detect delicate changes in an extensive area, particularly including forest which is not readily sub-classified. Time-series analysis on high resolution images requires to collect extensive amount of ground truth data. In this study, the potential of land coverage mapas ground truth data was tested in classifying high-resolution imagery. The study site was Wonju-si at Gangwon-do, South Korea, having a mix of urban and natural areas. KOMPSAT-3A imagery taken on March 2015 and land coverage map published in 2017 were used as source data. Two pixel-based classification algorithms, Support Vector Machine (SVM) and Random Forest (RF), were selected for the analysis. Forest only classification was compared with that of the whole study area except wetland. Confusion matrixes from the classification presented that overall accuracies for both the targets were higher in RF algorithm than in SVM. While the overall accuracy in the forest only analysis by RF algorithm was higher by 18.3% than SVM, in the case of the whole region analysis, the difference was relatively smaller by 5.5%. For the SVM algorithm, adding the Majority analysis process indicated a marginal improvement of about 1% than the normal SVM analysis. It was found that the RF algorithm was more effective to identify the broad-leaved forest within the forest, but for the other classes the SVM algorithm was more effective. As the two pixel-based classification algorithms were tested here, it is expected that future classification will improve the overall accuracy and the reliability by introducing a time-series analysis and an object-based algorithm. It is considered that this approach will contribute to improving a large-scale land planning by providing an effective land classification method on higher spatial and temporal scales.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 우리나라 국토의 63% 정도를 차지하고 있는 산림 식생에 대한 분석을 전국적인 수준에서 고도화하기 위한 실험의 시작단계로서 다시기 영상을 이용한 시계열분석을 효과적으로 수행할 수 있는 효과적인 입력자료 생성을 주목적으로 하였다. 이를 위하여 아리랑-3A호(KOMPSAT3A)의 영상분류를 가시광선 영역에 한정하여서 앞서 언급한 두 가지 서로 다른 감독분류기법으로 시도하고, 토지피복도를 지상실측자료로 활용하는 방법론의 유효성을 시험해 보고자 하였다.
본 연구에서는 고해상도의 아리랑-3A호(KOMPSAT-3A) 영상을 대상으로 토지피복도를 지상실측자료로 활용하여 토지피복, 특히 산림식생에 대한 감독분류를 시험하였다. 연구결과, 고해상도 위성영상의 경우 현재 활발하게 이용되고 있는 화소 기반 분류기법 간에 정확도의 차이가 존재하므로 위성영상 활용을 위한 분류기법의 선택에 따른 분류정확도의 차이도 상당할 것으로 판단되었다.
본 연구는 우리나라 국토의 63% 정도를 차지하고 있는 산림 식생에 대한 분석을 전국적인 수준에서 고도화하기 위한 실험의 시작단계로서 다시기 영상을 이용한 시계열분석을 효과적으로 수행할 수 있는 효과적인 입력자료 생성을 주목적으로 하였다. 이를 위하여 아리랑-3A호(KOMPSAT3A)의 영상분류를 가시광선 영역에 한정하여서 앞서 언급한 두 가지 서로 다른 감독분류기법으로 시도하고, 토지피복도를 지상실측자료로 활용하는 방법론의 유효성을 시험해 보고자 하였다.
가설 설정
산림지역 분류의 경우 혼효림은 침엽수와 활엽수의 혼재정도에 따라 다양한 양상을 나타내는 관계로 제외한 상태에서 활엽수림과 침엽수림만 존재한다는 가정 하에 감독분류를 실시하였다. 통상적으로 산림식생을 분류하는 경우 겨울철 영상을 많이 활용하는데 이는 활엽수와 침엽수의 차이를 극대화하기 위한 것으로 혼효림을 배제하는 과정을 통해 산림 분류를 더욱 효과적으로 진행할 수 있다는 장점이 있다.
제안 방법
ENVI 5.3에서 제공하는 SVM 분류자를 이용하여KOMPSAT-3A 위성영상을 감독분류하였다. 위성영상 내의 픽셀로 이루어진 분류 집단 사이 값의 간격을 최대로 만들어주는 가상의 경계면을 기준으로 집단을 분리하였다(Wu et al.
감독분류에서 사용하지 않은 독립적인 훈련자료를 이용하여 감독분류에 의한 결과를 평가하였다. 토지피복도를 기반으로 한 실측값 대비 감독분류를 거쳐 예측된 값을 오차행렬로 정리하였다.
,2016). 본 연구에서 활용하는 고해상도 영상의 피복 분류에 적합한 SVM 알고리즘의 커널함수 설정을 찾아내기 위해RBF 커널함수와 다항식 커널함수(Polynomial)를 테스트하였고, 이로부터 얻은 결과를 비교하여 산림식생지역의 분류분석 시 정확도가 높게 나타난 RBF 커널함수를 선택하였다. SVM 분류기법에 적합한 커널함수 설정을 위해서 선행연구(Kang et al.
본 연구에서는 RGB 밴드의 조합을 대상으로 분류분석을 진행하였다. 하지만, 영상의 각 화소는 총 4가지 밴드별에 대한 0에서 65535까지의 디지털 넘버(DN)를 나타내었고,습지를 제외한 모든 토지피복 분류군에 대하여 DN 값의 평균(Figure 4)과 표준편차(Figure 5)를 그래프로 나타내었다.
본 연구에서는 토지피복도의 분류항목간의 경계에서 발생하는 불확실성을 줄이기 위해 ArcGIS 10.1(ESRI, Inc.,USA)을 이용하여 토지피복도에서 각 분류별 경계 안쪽으로 25m의 버퍼를 설정하여 훈련자료를 샘플링 하였다. 이 버퍼는 예비실험을 통하여 버퍼가 증가할수록 분석정확도는 높아지지만, 전체 샘플(Sample)의 크기가 감소하면서 자료의 양과 질적인 부분에 영향이 있는 것을 발견하고, 이를 바탕으로 결정되었다.
대상 데이터
KOMPSAT-3A 위성영상의 분류작업 시 비교대상이 되는 벡터 자료로서 환경부에서 제작 및 관리하는 2017년 버전의 세분류 토지피복도를 선택하였다. 2010년 이후의 토지피복도는 아리랑 2호 영상을 사용하여 1m급의 공간 해상도를 바탕으로 제작되었으며, 이는 2000년에 사용된 Landsat TM(30m 공간해상도) 영상보다 매우 세밀한 정보를 제공한다.
본 연구에서 사용하는 아리랑 3A호(KOMPSAT-3A) 위성 영상은 2015년 3월에 강원도 원주시 일대를 촬영한 것으로. 매 화소(Pixel)마다 0에서 65535까지의 범위 값을 보인다.
본 연구에서는 아리랑 3A호(KOMPSAT-3A)의 고해상도 위성영상을 바탕으로 산림지역의 피복 분류를 분석하기 위해 시가화 지역의 녹지가 산림식생지역과 혼재되어 있는 강원도 원주시 중심부 일대를 연구대상지로 선정하였다(Figure 1).
이론/모형
본 연구에서 활용하는 고해상도 영상의 피복 분류에 적합한 SVM 알고리즘의 커널함수 설정을 찾아내기 위해RBF 커널함수와 다항식 커널함수(Polynomial)를 테스트하였고, 이로부터 얻은 결과를 비교하여 산림식생지역의 분류분석 시 정확도가 높게 나타난 RBF 커널함수를 선택하였다. SVM 분류기법에 적합한 커널함수 설정을 위해서 선행연구(Kang et al., 2013)에서 다루었던 SVM 분류 커널함수설정을 참고하여 적용하였다. 그리고 ENVI 5.
성능/효과
통상적으로 산림식생을 분류하는 경우 겨울철 영상을 많이 활용하는데 이는 활엽수와 침엽수의 차이를 극대화하기 위한 것으로 혼효림을 배제하는 과정을 통해 산림 분류를 더욱 효과적으로 진행할 수 있다는 장점이 있다. SVM 분류기법에 의한 분석을 진행한 결과, 분류정확도는 55.0%(카파 계수: 0.1)에서 55.9%(카파 계수: 0.1)로 산출되어 낮은 수준의 산림 경관 패턴 예측이 가능한 것으로 나타난 반면, RF 분류기법에 의한 분석의 결과, 분류정확도는 74.2%(카파 계수: 0.0)를 나타냈다. 또한 SVM 기법에 의한 분류는 활엽수와 침엽수에 대한 정확도가 비슷한 수준을 유지한 반면, RF 기법은 활엽수에 대한 상당히 높은 수준의 정확도와 침엽수에 대한 상당히 저조한 정확도를 동시에 보여주었다.
SVM 분류기법의 예측정확도는 43.2%(카파 계수: 0.4)에서 다수분석 예측정확도 46.7%(카파 계수: 0.4)를 나타내어 산림지역에만 국한된 분석 결과보다 정확도가 낮게 나왔다. 동일한 버퍼설정에서 다수분석에 의한 분석 결과를 아래 표로 나타내었으며(Table 4), 마지막으로 RF 분류기법에 의한 분류정확도는 다음 표와 같다(Table 5).
감독분류의 결과, 산림지역과 비산림지역은 분류정확도와 카파 상관계수(Kappa coefficient)에 있어서 명확한 차이가 있었다. 먼저 비산림지역을 포함한 전체 지역의 분류정확도는 SVM 분류기법에 의한 분석결과가 RF 분류기법에 의한 분석결과보다 낮은 것으로 나타났지만, 카파 상관계수에서 있어서는 더 높은 신뢰도를 보였다.
(2014)을 함께 가지고 있는 RF 분류기법은 본 연구대상지에서 활엽수의 분류에 편향적으로 효과적이라는 결과를 나타내었다. 계절적으로 활엽수의 생리활동이 시작되기 전임에도 산림과 비산림지역의 분류에 효과적이었고, 침엽수 대비 분류정확도에서 뚜렷한 차이를 나타냄으로써, 앞으로의 분류정확도 고도화에 기여하는 바가 클 것으로 판단되었다. 전체정확도의 관점에서는, 연구 대상을 산림영역에 한정시킬 경우, SVM 분류기법과 비교하여 RF 분류기법이 정확도 면에서 좀 더 효과적인 것으로 판단되었다.
연구대상지에 대한 감독분류 결과를 정리해보면, 연구대상지 주변 경관 전체를 대상으로 한 감독분류의 전체 예측정확도는 SVM 분류 알고리즘 적용 시 약 43%에서 47%까지였으며, RF 분류 알고리즘 적용 시 약 52% ~ 53% 수준이었다. 그리고 이 중 산림지역만을 대상으로 이에 속하는 개체군(활엽수림, 침엽수림)에 대한 예측정확도는 SVM 분류기법 적용 시 약 55% ~ 56%, RF 분류기법 적용 시 약 74% 수준으로 산출되어, 전체 분류군을 대상으로 감독분류한 결과보다 높은 정확도를 나타내었다(Table 2. ~ Table 5.
감독분류의 결과, 산림지역과 비산림지역은 분류정확도와 카파 상관계수(Kappa coefficient)에 있어서 명확한 차이가 있었다. 먼저 비산림지역을 포함한 전체 지역의 분류정확도는 SVM 분류기법에 의한 분석결과가 RF 분류기법에 의한 분석결과보다 낮은 것으로 나타났지만, 카파 상관계수에서 있어서는 더 높은 신뢰도를 보였다. 세부적인 분류군 확인 결과, RF 분류기법은 활엽수림에서 분류정확도가 가장 높았고 다음으로 농지, 침엽수림, 혼효림의 순으로 분류정확도가 높게 측정됨으로써 주로 농지를 포함한 산림식생의 피복분류에 있어서 높은 성능을 발휘하였다.
본 연구의 주요 대상인 산림지역 내에서도 침엽수림, 활엽수림, 그리고 혼효림 간의 분류에 있어서 분석기법의 차이에 따른 정확도의 차이를 확인할 수 있었다. 혼효림은 정의상 침엽수와 활엽수가 공생하면서 각각 일정한 비율(25%이상 75%미만) 혼재되어있는 숲으로서, 화소 기반 피복분류에서 정확도를 낮추는 요인으로 작용하였는데, 이는 고해상도 위성영상 특성상 높은 민감도에 의한 것으로 판단되었다(Choi et al.
즉, 위성영상이 촬영된 3월에는 침엽수에 비해 활엽수의 잎이 상대적으로 충분치 않은 상황이기 때문에 두 집단 사이에 차이가 극명한 것으로 판단되었다. 산림지역을 제외한 나머지 지역에서 실제 농지가 예측된 농지와 일치하는 비율이 높게 나타난 점에서 잎이 없는 수목과 농지, 그리고 나지 사이에서도 수목과 수목이 아닌 것을 구별할 수 있는 것으로 나타나, 화소 기반의 분류알고리즘의 유효성이 있는 것으로 판단되었다.
먼저 비산림지역을 포함한 전체 지역의 분류정확도는 SVM 분류기법에 의한 분석결과가 RF 분류기법에 의한 분석결과보다 낮은 것으로 나타났지만, 카파 상관계수에서 있어서는 더 높은 신뢰도를 보였다. 세부적인 분류군 확인 결과, RF 분류기법은 활엽수림에서 분류정확도가 가장 높았고 다음으로 농지, 침엽수림, 혼효림의 순으로 분류정확도가 높게 측정됨으로써 주로 농지를 포함한 산림식생의 피복분류에 있어서 높은 성능을 발휘하였다. 한편 SVM 분류기법은 혼효림의 분류에 있어서는 정확도가 매우 낮았고 시가화 건조지역과 나지 등의 다른 분류까지 비교적 균일한 예측정확도가 나타나 산림과 도심지역을 함께 분석하는 경우에 적합한 것으로 판단되었다.
본 연구에서는 고해상도의 아리랑-3A호(KOMPSAT-3A) 영상을 대상으로 토지피복도를 지상실측자료로 활용하여 토지피복, 특히 산림식생에 대한 감독분류를 시험하였다. 연구결과, 고해상도 위성영상의 경우 현재 활발하게 이용되고 있는 화소 기반 분류기법 간에 정확도의 차이가 존재하므로 위성영상 활용을 위한 분류기법의 선택에 따른 분류정확도의 차이도 상당할 것으로 판단되었다.
연구대상지에 대한 감독분류 결과를 정리해보면, 연구대상지 주변 경관 전체를 대상으로 한 감독분류의 전체 예측정확도는 SVM 분류 알고리즘 적용 시 약 43%에서 47%까지였으며, RF 분류 알고리즘 적용 시 약 52% ~ 53% 수준이었다. 그리고 이 중 산림지역만을 대상으로 이에 속하는 개체군(활엽수림, 침엽수림)에 대한 예측정확도는 SVM 분류기법 적용 시 약 55% ~ 56%, RF 분류기법 적용 시 약 74% 수준으로 산출되어, 전체 분류군을 대상으로 감독분류한 결과보다 높은 정확도를 나타내었다(Table 2.
계절적으로 활엽수의 생리활동이 시작되기 전임에도 산림과 비산림지역의 분류에 효과적이었고, 침엽수 대비 분류정확도에서 뚜렷한 차이를 나타냄으로써, 앞으로의 분류정확도 고도화에 기여하는 바가 클 것으로 판단되었다. 전체정확도의 관점에서는, 연구 대상을 산림영역에 한정시킬 경우, SVM 분류기법과 비교하여 RF 분류기법이 정확도 면에서 좀 더 효과적인 것으로 판단되었다. 그러나 산림 이 외의 다른 토지피복의 분류까지 고려한 경우, 분류 방법에 따른 분류정확도의 차이가 감소하였기 때문에, 다양한 분류군을 포함한 지역을 대상으로 할 때, 분류기법을 탄력적으로 선택할 필요가 있는 것으로 판단되었다.
또한 SVM 기법에 의한 분류는 활엽수와 침엽수에 대한 정확도가 비슷한 수준을 유지한 반면, RF 기법은 활엽수에 대한 상당히 높은 수준의 정확도와 침엽수에 대한 상당히 저조한 정확도를 동시에 보여주었다. 카파 상관계수를 볼 때, 두 가지 분류 방법(SVM, RF) 모두 산림식생의 예측에서 불완전한 수준의 분류정확도에 머물렀다.
세부적인 분류군 확인 결과, RF 분류기법은 활엽수림에서 분류정확도가 가장 높았고 다음으로 농지, 침엽수림, 혼효림의 순으로 분류정확도가 높게 측정됨으로써 주로 농지를 포함한 산림식생의 피복분류에 있어서 높은 성능을 발휘하였다. 한편 SVM 분류기법은 혼효림의 분류에 있어서는 정확도가 매우 낮았고 시가화 건조지역과 나지 등의 다른 분류까지 비교적 균일한 예측정확도가 나타나 산림과 도심지역을 함께 분석하는 경우에 적합한 것으로 판단되었다.
, 2015). 활엽수와 침엽수의 분류정확도를 비교하면, SVM 분류기법에서는 활엽수림과 침엽수림의 분류정확도 차이가 크지 않았지만, RF 분류기법에서는 활엽수의 분류 정확도가 침엽수의 분류 정확도보다 약 20배나 높게 나타남으로서, 식생의 생태적 특성이 분류 정확성에 상당한 영향을 미치는 것으로 판명되었다. 즉, 위성영상이 촬영된 3월에는 침엽수에 비해 활엽수의 잎이 상대적으로 충분치 않은 상황이기 때문에 두 집단 사이에 차이가 극명한 것으로 판단되었다.
후속연구
또한, 식생지역에 있어서는 활엽수와 침엽수 및 수종에 따라 분광밴드에 대한 반응이 차이가 나기 때문에 고해상도 영상이면서 가시광선영역 이 외의 다양한 분광밴드를 활용하여 식생과 관련된 지수들을 분류작업 초기에 적용한다면 좀 더 안정적인 분석이 가능할 것으로 판단된다. 또한 피복분류결과의 활용성을 고려하여 침엽수를 상록침엽수와 낙엽침엽수 임분으로 구분할 수 있는 방안의 모색도 필요한 것으로 판단된다.
따라서 계절에 따른 식생의 반응 차이 등을 분석에 활용하기 위해서는 동일한 지역에 대한 다시기의 영상을 확보하여 시계열분석을 진행하는 것이 요구된다. 또한, 식생지역에 있어서는 활엽수와 침엽수 및 수종에 따라 분광밴드에 대한 반응이 차이가 나기 때문에 고해상도 영상이면서 가시광선영역 이 외의 다양한 분광밴드를 활용하여 식생과 관련된 지수들을 분류작업 초기에 적용한다면 좀 더 안정적인 분석이 가능할 것으로 판단된다. 또한 피복분류결과의 활용성을 고려하여 침엽수를 상록침엽수와 낙엽침엽수 임분으로 구분할 수 있는 방안의 모색도 필요한 것으로 판단된다.
본 연구의 방법론은 산지개발에 따른 산림 경관의 세밀한 변화를 위성영상의 분석만을 통하여 정량화하는 연구에도 활용될 수 있을 것으로 기대된다. 본 연구의 결과는 국토의 절반 이상을 차지하고 있는 산림생태계에 대한 세밀하고 효과적인 관리 방안을 마련하는데 도움이 될 것으로 기대된다.
앞으로 토지피복도와 같은 공간정보가 더욱 정밀하고 정교하게 제작되고 유지 및 관리될 수 있다면, 본 연구에서 시도한 방식으로 대면적의 공간계획도 예전보다 효과적으로 진행할 수 있을 것으로 판단된다. 본 연구의 방법론은 산지개발에 따른 산림 경관의 세밀한 변화를 위성영상의 분석만을 통하여 정량화하는 연구에도 활용될 수 있을 것으로 기대된다. 본 연구의 결과는 국토의 절반 이상을 차지하고 있는 산림생태계에 대한 세밀하고 효과적인 관리 방안을 마련하는데 도움이 될 것으로 기대된다.
앞으로 토지피복도와 같은 공간정보가 더욱 정밀하고 정교하게 제작되고 유지 및 관리될 수 있다면, 본 연구에서 시도한 방식으로 대면적의 공간계획도 예전보다 효과적으로 진행할 수 있을 것으로 판단된다. 본 연구의 방법론은 산지개발에 따른 산림 경관의 세밀한 변화를 위성영상의 분석만을 통하여 정량화하는 연구에도 활용될 수 있을 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
위성영상 분석을 위해 널리 사용되는 감독분류기법과 그 특징은?
현재 위성영상 분석을 위한 감독분류기법으로 널리 사용되고 있는 것으로 서포트벡터머신(Support Vector Machine;SVM) 분류기법과 랜덤포레스트(Random Forest; RF) 분류기법이 있다. SVM 기법은 입력된 값들 사이의 거리를 최대로 하는 경계면을 찾는 방법을 사용합니다(Sim et al.,2009). SVM 기법은 일반적으로 분류성능이 뛰어난 것으로 평가되는 반면, 커널함수(Kernel function)의 설정 등 부가적인 작업이 필요하며, 해당 설정에는 RBF(Radial Basis Function), S상(Sigmoid), 선형(Linear), 다항식(Polynomial) 함수가 있다. RF의 분류자는 입력된 벡터값과 독립적으로 샘플링된 벡터값을 사용하며 여러 개의 나무의사결정자들의 조합으로 구성되어 있고, 각 나무의사결정자들은 입력된 벡터값의 분류시에 가장 빈도수가 높은 클래스를 선택하도록 한다(Breiman, 1999). RF에서는 추가적인 설정 작업이 없고, 분류 결과의 획득이 빠르다는 장점이 있다. 이러한 두 가지 화소 기반의 분류기법은 서로 다른 유형끼리 만나는 경계면이 명확하게 구분되지 않는 경우에 특히 효과적이라는 공통점이 있기 때문에 산림지역 내에서의 불규칙한 형태를 갖는 단위를 분류해 내기에 적합한 것으로 판단되었다.
본 연구에서 SVM 분류기법에 적합한 커널함수 설정하기 위해 사용한 방법은?
SVM 분류기법에 적합한 커널함수 설정을 위해서 선행연구(Kang et al., 2013)에서 다루었던 SVM 분류 커널함수설정을 참고하여 적용하였다. 그리고 ENVI 5.
원격탐지기술의 발달로 가능해진 것은?
오늘날 원격탐지기술의 발달로 인해, 산림지역과 같이 피복 분류작업이 난해한 지역을 비롯한 광범위한 지역에서의 세밀한 변화탐지를 위한 고해상도 위성영상 취득이 가능해졌다. 하지만, 고해상도 영상에 대한 시계열분석의 과정에서 많은 양의 지상 관측 데이터가 요구된다.
참고문헌 (31)
Breiman, L. (1999) Random forests-random features, Technical Report 567, Statistics Department, University of California, Berkeley.
10.1109/72.788646 Chapelle, O. , P. Haffner and V.N. Vapnik(1999) Support vector machines for histogram-based image classification . IEEE Transactions on Neural Networks10(5): 1055-1064.
10.13087/kosert.2015.18.2.89 Choi, J.Y. , S.H. Lee, S.A. Lee, S.Y. Ji and P.S.H. Lee(2015) Applicability of supervised classification for subdividing forested areas using SPOT-5 and KOMPSAT-2 data . The Korea Society of Environmental Restoration Technology18(2): 89-104. (in Korean with English abstract)
10.1080/19479832.2015.1055833 Ghamisi, P. , J.A. Benediktsson and S. Phinn(2015) Land-cover classification using both hyperspectral and LiDAR data . International Journal of Image and Data Fusion6: 189-215.
10.1080/2150704X.2014.882526 Hayes, M. , S.N. Miller and M.A. Murphy(2014) High-resolution landcover classification using Random Forest . Remote Sensing Letters5: 112-121.
10.12672/ksis.2012.20.4.047 Jung, M. , S.H. Lee, E. Chang and S. Hong(2012) Method of Monitoring Forest Vegetation Change based on Change of MODIS NDVI Time Series Pattern . Journal of Korea Spatial Information Society20(4): 47-55. (in Korean with English abstract)
10.7319/kogsis.2013.21.2.019 Kang, N.Y. , S.Y. Go and G. S. Cho(2013) A comparative study on suitable SVM kernel function of land cover classification using KOMPSAT-2 imagery . The Korea Society for Geospatial Information System21(2): 19-25. (in Korean with English abstract)
Kim, H.O. , J.M. Yeom and Y. S. Kim(2011) The multi-temporal characteristics of spectral vegetation indices for agricultural land use on RapidEye satellite imagery . Korea Aerospace Research Institute10(1): 149-155. (in Korean with English abstract)
10.11614/KSL.2018.51.1.105 Kim, S.J. and Y.G. Lee(2018) Present Status and Future Prospect of Satellite Image Uses in Water Resources Area . Korean Journal of Ecology and Environment51(1): 105-123. (in Korean with English abstract)
Kim, T.H. , K.H. Kim, G.B. Nam, J.H. Shim, W.J. Choi and M. H. Cho(2010) Development of Natural Disaster Damage Investigation System using High Resolution Spatial Images . Korea Spatial Information Society12(1): 57-65. (in Korean with English abstract)
Ku, C.Y. (2011) A Study on Managing and processing the Images with Different Spatial Resolution for the Systemic Land Cover Classification . The Korean Association of Professional Geographers45(3): 375-386. (in Korean with English abstract)
Kulkarni, A.D. and B. Lowe(2016) Random Forest Algorithm for Land Cover Classification. International Journal on Recent and Innovation Trends . In Computing and Communication4(3): 58-63.
10.2307/2529310 Landis, J.R. and G.G. Koch(1977) The measurement of observer agreement for categorical data . Biometrics33: 159-174.
Lee, . G. , J.H. You,Y.G. Yu and H. J. Lee(2018) Establish of Parallel Object Based Classification Process and Extraction of Spatial Objects Using KOMPSAT-3A Satellite Image , Proceeding of 2018 Symposium of the Korean Society for Geospatial Information Science, pp. 93-94. (in Korean with Englishabstract)
Lee, J. , J.H. Ru and Y.G. Yu(2010) Extracting High Quality Thematic Information by Using High-Resolution Satellite Imagery . The Korea Society for Geospatial Information System18(1): 73-81. (in Korean with English abstract)
Lee, S.H. (2009) Adaptive Reconstruction of NDVI Image Time Series for Monitoring Vegetation Changes . The Korean Society of Remote Sensing25(2): 95-105. (in Korean with English abstract)
10.1016/j.jag.2016.01.011 Li, M. , L. Ma, T. Blaschke, L. Cheng and D. Tiede(2016) A systematic comparison of different object-based classification techniques using high spatial resolution imagery in agricultural environments . International Journal of Applied Earth Observation and Geoinformation49: 87-98.
10.7319/kogsis.2016.24.4.067 Lim, Y.S. , Y.D. Eo and M.W. Pyeon(2016) Experiments of Individual Tree and Crown Width Extraction by Band Combination Using Monthly Drone Images . The Korean Society for Geospatial Information Science24(4): 67-74. (in Korean with English abstract)
10.1016/j.asr.2015.06.004 Mittal, V. , D. Singh and L.M. Saini(2015) A critical analysis of EM based fusion of different polarization data for effect on land cover classification . Advances in Space Research56(6): 1094-1105.
10.1016/j.rse.2010.12.017 Myint, S.W. , P. Gober, A. Brazel, S. Grossman-Clarke and Q. Weng(2011) Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery . Remote Sensing of Environment115(5): 1145-1161.
Oh, C.Y. , S.Y. Park, H.S. Kim, Y.W. Lee and C. U. Choi(2010) Comparison of Landcover Map Accuracy Using High Resolution Satellite Imagery . The Korean Association of Geographic Information Studies13(1): 89-100. (in Korean with English abstract)
10.1080/014311697219295 Ortiz, M.J. , A.R. Formaggio and J.C.N. Epiphanio(1997) Classification of croplands through integration of remote sensing GIS and historical database . International Journal of Remote Sensing18(1): 95-105.
10.7319/kogsis.2013.21.4.021 Park, J.G. , S.Y. Go and G.S. Cho(2013) Vegetation Classification using KOMPSAT-2 Imagery and High-resolution airborne imagery in Urban Area . Journal of the Korean Society for Geospatial Information Science21(4): 21-27. (in Korean with English abstract)
10.5467/JKESS.2018.39.3.241 Park, J.J. , S.W. Oh, K.A. Park, M.S. Lee, J.C. Jang and M.J. Lee(2018) A methodology of ship detection using high-resolution satellite optical image . Journal of the Korean Earth Science Society39(3): 241-249. (in Korean with English abstract)
10.1109/72.788641 Scholkopf, B. , S. Mika, C.J.C. Burges, P. Knirsch, K.-R. Muller, G. Ratsch and A. J. Smola(1999) Input space versus feature space in Kernel-based methods . IEEE Transactions on Neural Networks10(55): 1000-1016.
Sim, W.S. , S.Y. Sung and C. K. Cheng(2009) Performance Analysis of Support Vector Machine Using Kernel Function. Proceeding of 2009 Symposium of the Institute of Electronics Engineers of Korea, pp. 796-797. (in Korean with English abstract)
Tomppo, E. and M. Katila(1991) Satellite image-based national forest inventory of Finland , Proceeding of IGARSS 1991 Symposium of Geoscience and Remote Sensing Symposium - Remote Sensing: 3rd Global Monitoring for Earth Management, pp. 1141-1144.
10.1109/TGRS.2007.895830 Voigt, S. , T. Kemper, T. Riedlinger, R. Keifl, K. Scholte and H. Mehl(2007) Satellite image analysis for disaster and crisis-management support . IEEE Transactions on Geoscience and Remote Sensing45(6): 1520-1528.
Wu, T.F. , C.J. Lin and R.C. Weng(2004) Probability estimates for multi-class classification by pairwise coupling . Journal of Machine Learning Research5: 975-1005.
10.5139/JKSAS.2016.44.8.710 Yong, S.S. , G.S. Kang and H.P. Heo(2016) Current Status and Future Prospects of Satellite Payloads Technology . Korean Society for Aeronautical and Space Sciences44(8): 710-717. (in Korean with English abstract)
10.1016/S0034-4257(01)00305-4 Zhu, G. and D. G. Blumberg(2002) Classification using ASTER data and SVM algorithms; The case study of Beer Sheva, Israel . Remote Sensing of Environment80: 233-240.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.