최근, 다양한 위성센서가 개발되면서 다시기 위성영상의 취득이 용이해지고 있다. 이에 따라, 재난/재해, 국토모니터링 등과 같은 활용분야에 다시기 위성영상을 적용하기 위한 변화탐지 기법에 대한 연구들이 수행되고 있다. 특히, 빠른 시간 내에 변화지역의 추출이 가능한 무감독 변화탐지 기법의 개발과 관련된 연구들이 수행되고 있지만, 계절적 변화 등과 같은 방사적 차이로 인해 오탐지가 발생하는 단점이 있다. 따라서, 본 연구에서는 무감독 변화탐지 기법 중의 하나인 $S^2CVA$ 기법을 적용하여 생성한 변화방향 벡터를 이용하여 계절적 영향으로 인한 오탐지를 감소시키고자 하였다. 이를 위하여, 동일한 계절을 가지는 RapidEye 위성영상과 다른 계절에 촬영된 RapidEye 위성 영상에 $S^2CVA$ 기법을 적용하였으며, $S^2CVA$의 변화방향벡터가 계절적 영향에 따른 오탐지를 제거할 수 있는지를 분석하였다. 정량적 평가를 위해 변화탐지 결과의 ROC 곡선과 AUC 분석을 통해 기존의 방법에 비해 변화탐지 성능이 향상된 것을 확인하였다.
최근, 다양한 위성센서가 개발되면서 다시기 위성영상의 취득이 용이해지고 있다. 이에 따라, 재난/재해, 국토모니터링 등과 같은 활용분야에 다시기 위성영상을 적용하기 위한 변화탐지 기법에 대한 연구들이 수행되고 있다. 특히, 빠른 시간 내에 변화지역의 추출이 가능한 무감독 변화탐지 기법의 개발과 관련된 연구들이 수행되고 있지만, 계절적 변화 등과 같은 방사적 차이로 인해 오탐지가 발생하는 단점이 있다. 따라서, 본 연구에서는 무감독 변화탐지 기법 중의 하나인 $S^2CVA$ 기법을 적용하여 생성한 변화방향 벡터를 이용하여 계절적 영향으로 인한 오탐지를 감소시키고자 하였다. 이를 위하여, 동일한 계절을 가지는 RapidEye 위성영상과 다른 계절에 촬영된 RapidEye 위성 영상에 $S^2CVA$ 기법을 적용하였으며, $S^2CVA$의 변화방향벡터가 계절적 영향에 따른 오탐지를 제거할 수 있는지를 분석하였다. 정량적 평가를 위해 변화탐지 결과의 ROC 곡선과 AUC 분석을 통해 기존의 방법에 비해 변화탐지 성능이 향상된 것을 확인하였다.
Recently, various satellite sensors have been developed and it is becoming more convenient to acquire multitemporal satellite images. Therefore, various researches are being actively carried out in the field of utilizing change detection techniques such as disaster and land monitoring using multitem...
Recently, various satellite sensors have been developed and it is becoming more convenient to acquire multitemporal satellite images. Therefore, various researches are being actively carried out in the field of utilizing change detection techniques such as disaster and land monitoring using multitemporal satellite images. In particular, researches related to the development of unsupervised change detection techniques capable of extracting rapidly change regions have been conducted. However, there is a disadvantage that false detection occurs due to a spectral difference such as a seasonal change. In order to overcome the disadvantages, this study aimed to reduce the false alarm detection due to seasonal effects using the direction vector generated by applying the $S^2CVA$ (Sequential Spectral Change Vector Analysis) technique, which is one of the unsupervised change detection methods. $S^2CVA$ technique was applied to RapidEye images of the same and different seasons. We analyzed whether the change direction vector of $S^2CVA$ can remove false positives due to seasonal effects. For the quantitative evaluation, the ROC (Receiver Operating Characteristic) curve and the AUC (Area Under Curve) value were calculated for the change detection results and it was confirmed that the change detection performance was improved compared with the change detection method using only the change magnitude vector.
Recently, various satellite sensors have been developed and it is becoming more convenient to acquire multitemporal satellite images. Therefore, various researches are being actively carried out in the field of utilizing change detection techniques such as disaster and land monitoring using multitemporal satellite images. In particular, researches related to the development of unsupervised change detection techniques capable of extracting rapidly change regions have been conducted. However, there is a disadvantage that false detection occurs due to a spectral difference such as a seasonal change. In order to overcome the disadvantages, this study aimed to reduce the false alarm detection due to seasonal effects using the direction vector generated by applying the $S^2CVA$ (Sequential Spectral Change Vector Analysis) technique, which is one of the unsupervised change detection methods. $S^2CVA$ technique was applied to RapidEye images of the same and different seasons. We analyzed whether the change direction vector of $S^2CVA$ can remove false positives due to seasonal effects. For the quantitative evaluation, the ROC (Receiver Operating Characteristic) curve and the AUC (Area Under Curve) value were calculated for the change detection results and it was confirmed that the change detection performance was improved compared with the change detection method using only the change magnitude vector.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 다시기 원격탐사자료를 이용한 변화탐지 수행 시, 식생 및 논·밭 등에서 계절적 불일치로 인해 발생하는 다시기 영상 간 화소 값의 차이로 인한 오탐지 지역을 제거하고자 하였다.
오탐지 화소를 제거하기 위해, 오탐지로 예상되는 지역에 대한 변화 방향 벡터를 이용하여 경험적 임계값을 계산하였다. 변화 방향 벡터에서 임계값 범위에 포함되는 화소들은 오탐지 지역으로 결정되며, 변화 크기 벡터에서 미변화 지역으로 분류하여 계절적 영향을 최소화하고자 하였다. 본 연구의 흐름도는 Fig.
본 연구에서는 중해상도 위성영상인 RapidEye 다시기 영상을 취득하여 변화탐지를 수행하였다. RapidEye는 5개의 위성이 지구를 관측하고 있기 때문에 매일 동일한 지역의 영상을 획득할 수 있으며, red, green, blue, NIR (Near Infra Red) 밴드 외에 red edge 밴드를 추가적으로 취득할 수 있어 식생, 농작물과 관련된 모니터링 및 변화탐지에 적합하다고 판단하였다.
본 연구에서는 계절적 변화로 인한 오탐지 지역의 제거를 통해 변화탐지 성능을 향상시키기 위해, 변화 방향 벡터 중 165°~180° 범위에 포함되는 화소를 오탐지된 화소로 설정하였다.
본 연구에서는 서로 다른 시기의 원격탐사자료를 이용하여 변화탐지를 수행할 때, 계절적 영향으로 인해 발생하는 오탐지를 제거하여 변화탐지 성능을 향상시키고자 하였다. 변화탐지에는 중해상도 위성영상인 RapidEye를 활용하였으며, 같은 계절에 촬영된 영상과 서로 다른 계절에 촬영된 영상에 S 2CVA 알고리즘을 적용하여 경향을 분석하였다.
본 연구에서는 시기가 다른 다시기 위성영상을 활용한 변화탐지 결과에 발생하는 오탐지를 제거하기 위해 시기가 같은 영상 한 쌍과 시기가 서로 다른 두 쌍의 위성영상을 취득하였으며, 각 다시기 영상에 S 2CVA 무감독 변화탐지 기법을 적용 하여 각 쌍에 대한 변화 크기 벡터와 방향 벡터 영상을 생성하였다. Fig.
가설 설정
토지사용 측면에서는 변화지역이 아니지만 계절적 영향으로 인해 토지피복의 변화가 일어나는 지역은 식생과 논·밭으로 가정하여 연구를 수행하였으며, 논·밭의 비닐하우스와 같은 시설재배지는 제외하였다.
제안 방법
이에 본 연구에서는 계절적 변화 때문에 발생 하는 화소의 차이로 인한 오탐지를 감소시키기 위해 무감독 변화탐지 기법중의 하나인 S2CVA 기법을 적용하였다. 이를 통해, 변화 크기 벡터와 방향 벡터를 산출하였으며, 변화 방향 벡터 내의 계절적 영향을 받는 객체들에 대한 경향을 분석하여 임계값을 계산하였다. 임계값을 이용하여 변화 방향 벡터와 대응하는 변화 크기 벡터들은 계절적 변화로 인한 오탐지로 간주하여 미변화 지역으로 분류시켜 변화탐지 성능을 향상시키고자 하였다.
이를 통해, 변화 크기 벡터와 방향 벡터를 산출하였으며, 변화 방향 벡터 내의 계절적 영향을 받는 객체들에 대한 경향을 분석하여 임계값을 계산하였다. 임계값을 이용하여 변화 방향 벡터와 대응하는 변화 크기 벡터들은 계절적 변화로 인한 오탐지로 간주하여 미변화 지역으로 분류시켜 변화탐지 성능을 향상시키고자 하였다.
변화탐지 알고리즘은 무감독 변화탐지 기법 중의 하나인 S 2 CVA 기법을 적용하였으며, 변화 크기 및 방향 벡터를 산출하였다. 오탐지 화소를 제거하기 위해, 오탐지로 예상되는 지역에 대한 변화 방향 벡터를 이용하여 경험적 임계값을 계산하였다. 변화 방향 벡터에서 임계값 범위에 포함되는 화소들은 오탐지 지역으로 결정되며, 변화 크기 벡터에서 미변화 지역으로 분류하여 계절적 영향을 최소화하고자 하였다.
미변화 지역의 분광특성을 일치시키기 위해 QUAC (QUick Atmospheric Correction) 대기보정을 통해 분광반사율로 변환하였으며, 변화 전·후 원격탐사자료의 평균과 표준편차를 이용한 히스토그램 매칭을 통해 두 영상의 화소 값의 경향을 일치시키고자 하였다.
, 2013). 이에, 본 연구에서는 대상지역의 지형정보인 DEM (Digital Elevation Model)을 이용하여 RPC (Rational polynomial coefficient) 보정을 수행하였으며, 두 영상을 통해 지상기준점을 취득하고 기하보정을 수행하였다. 미변화 지역의 분광특성을 일치시키기 위해 QUAC (QUick Atmospheric Correction) 대기보정을 통해 분광반사율로 변환하였으며, 변화 전·후 원격탐사자료의 평균과 표준편차를 이용한 히스토그램 매칭을 통해 두 영상의 화소 값의 경향을 일치시키고자 하였다.
(2015)는 S 2 CVA를 통해 생성한 변화 크기 벡터를 이용하여 변화탐지를 수행하였고, 변화 방향 벡터를 통해 경향에 따라 분류하여 토지피복의 변화 경향을 파악하고자 하였다. 본 연구에서는 S 2 CVA 기법을 이용한 무감독 변화탐지를 수행하였다. S 2 CVA를 통해 생성한 변화 크기 벡터는 1차적인 변화지역을 추정하는데 활용하였으며, 변화탐지 성능을 향상시키기 위해 S 2 CVA 기법을 통해 생성한 변화 방향 벡터를 이용하여 계절적 차이로 인한 오탐지 화소들을 제거하고자 하였다.
본 연구에서는 S 2 CVA 기법을 이용한 무감독 변화탐지를 수행하였다. S 2 CVA를 통해 생성한 변화 크기 벡터는 1차적인 변화지역을 추정하는데 활용하였으며, 변화탐지 성능을 향상시키기 위해 S 2 CVA 기법을 통해 생성한 변화 방향 벡터를 이용하여 계절적 차이로 인한 오탐지 화소들을 제거하고자 하였다.
하지만, 토지사용 측면에서는 변화지역이 아니기 때문에 이와 같은 지역들을 제거해야 할 필요성이 존재한다. 이에, 본 연구에서는 변화탐지에 S 2CVA 기법을 적용하여 생성한 변화 방향 벡터 내의 계절적 영향으로 인해 변화지역으로 탐지될 가능성이 있는 지역의 방향 벡터들을 분석하였다. 토지사용 측면에서는 변화지역이 아니지만 계절적 영향으로 인해 토지피복의 변화가 일어나는 지역은 식생과 논·밭으로 가정하여 연구를 수행하였으며, 논·밭의 비닐하우스와 같은 시설재배지는 제외하였다.
, 2017). 본 연구에서는 다양한 계절에 취득된 다시기 영상에 대해서 계절에 따라서 화소 값들이 변화할 수 있는 식생 및 농경지역의 S 2CVA의 변화 방향 벡터의 임계치를 결정하고, 해당 임계치 내에 해당하는 화소들을 미변화 지역으로 분류하여 계절적 영향에 따른 오탐 지들을 제거하였다.
식생 지역의 경우 계절에 따른 식생의 분광특성이 다르며, 논·밭의 경우 매달 피복의 상태가 변하기 때문에 계절에 따라 토지피복의 방사적 특성에 의한 오탐지가 발생할 것으로 예상하였다. 계절의 차이가 변화탐지에 미치는 영향을 분석하기 위해 변화 전 자료는 2015년 5월 20일 취득된 위성영상을, 변화 후 자료로는 2016년 4월 19일, 5월 12일 11월 20일 취득된 위성영상을 사용하여 같은 달에 취득한 다시기 영상의 변화탐지 결과와 비교평가하였다. 실험에 사용한 RapidEye 위성영상은 Fig.
본 연구에서는 계절적 변화로 인한 오탐지 지역의 제거를 통해 변화탐지 성능을 향상시키기 위해, 변화 방향 벡터 중 165°~180° 범위에 포함되는 화소를 오탐지된 화소로 설정하였다. 그리고 변화 크기 벡터의 화소 중 변화 방향 벡터에서 오탐지로 판단된 화소에 대응되는 화소들을 강제적으로 미변화 지역으로 분류하였다. 최종적인 변화지역 추출을 위해 화소값들의 통계를 이용하여 생성한 임계치를 통해 변화탐지 결과를 이진(binary) 영상으로 생성하였다.
그리고 변화 크기 벡터의 화소 중 변화 방향 벡터에서 오탐지로 판단된 화소에 대응되는 화소들을 강제적으로 미변화 지역으로 분류하였다. 최종적인 변화지역 추출을 위해 화소값들의 통계를 이용하여 생성한 임계치를 통해 변화탐지 결과를 이진(binary) 영상으로 생성하였다. Fig.
본 연구에서 제안한 변화탐지 기법의 성능을 정량적으로 평가하기 위해 다시기 영상 내의 변화 지역에 대한 참조 자료(ground truth data)를 각 시기별로 생성하였다. 또한, ROC (Receiver Operating Characteristic) 곡선과 AUC (Area Under Curve)를 계산하였으며, 변화 방향 벡터를 통해 오탐지 지역을 제거하지 않은 변화탐지 결과를 비교평가를 위한 자료로 사용하였다.
6874로 계산되어 시기의 차이가 클수록 탐지 성능이 감소하는 것으로 나타났다. 기존 방법의 오탐지 지역을 제거하고자 제안기법을 적용하여 정확도 평가를 수행하 였다. 본 연구에서 제안한 기법을 통해 변화탐지를 수행한 결과에 대한 AUC는 각각 0.
또한, 변화 방향 벡터 분석 결과 식생 및 논·밭 등의 벡터값은 거의 유사한 특성을 나타내고 있었으며, 이 특성을 이용하여 변화지역으로 탐지될 확률이 높은 지역들을 제거하였다. 본 연구에서 제안한 변화탐지 기법과 기존의 변화 크기 벡터만을 사용한 변화탐지 기법의 정확도 비교평가를 위해 영상 기반 참조자료를 생성하였으며, ROC 곡선과 AUC를 계산하였다. 서로 다른 시기의 영상을 이용한 변화탐지 결과보다 같은 시기의 영상을 사용할 경우 더 우수한 탐지결과를 보이는 것으로 확인되었다.
또한, ROC (Receiver Operating Characteristic) 곡선과 AUC (Area Under Curve)를 계산하였으며, 변화 방향 벡터를 통해 오탐지 지역을 제거하지 않은 변화탐지 결과를 비교평가를 위한 자료로 사용하였다.
대상 데이터
실험지역은 전라남도 영광군 일대 지역을 선정하였으며, 실험지역은 식생, 논·밭, 나지, 수계, 인공지물 등의 토지피복들이 존재하고 있다.
데이터처리
본 연구에서는 서로 다른 시기의 원격탐사자료를 이용하여 변화탐지를 수행할 때, 계절적 영향으로 인해 발생하는 오탐지를 제거하여 변화탐지 성능을 향상시키고자 하였다. 변화탐지에는 중해상도 위성영상인 RapidEye를 활용하였으며, 같은 계절에 촬영된 영상과 서로 다른 계절에 촬영된 영상에 S 2CVA 알고리즘을 적용하여 경향을 분석하였다. 같은 계절에 촬영된 영상을 사용한 변화탐지 결과는 식생 및 논·밭 등이 미변화지역일 확률이 높은 것으로 나타난 반면에 서로 다른 계절에 촬영된 영상을 적용한 결과에서는 계절에 따른 분광특성의 변화로 인해 변화지역일 확률이 높은 것으로 확인 되었다.
이론/모형
또한, 동일 지역이라도 계절적 특성에 따라 큰 영향을 받는 식생, 논/밭 등과 같은 지역의 화소 값 차이로 인해 효과적이지 않다. 이에 본 연구에서는 계절적 변화 때문에 발생 하는 화소의 차이로 인한 오탐지를 감소시키기 위해 무감독 변화탐지 기법중의 하나인 S2CVA 기법을 적용하였다. 이를 통해, 변화 크기 벡터와 방향 벡터를 산출하였으며, 변화 방향 벡터 내의 계절적 영향을 받는 객체들에 대한 경향을 분석하여 임계값을 계산하였다.
본 연구에서는 다시기 원격탐사자료를 이용한 변화탐지 수행 시, 식생 및 논·밭 등에서 계절적 불일치로 인해 발생하는 다시기 영상 간 화소 값의 차이로 인한 오탐지 지역을 제거하고자 하였다. 변화탐지 알고리즘은 무감독 변화탐지 기법 중의 하나인 S 2 CVA 기법을 적용하였으며, 변화 크기 및 방향 벡터를 산출하였다. 오탐지 화소를 제거하기 위해, 오탐지로 예상되는 지역에 대한 변화 방향 벡터를 이용하여 경험적 임계값을 계산하였다.
성능/효과
본 연구에서는 중해상도 위성영상인 RapidEye 다시기 영상을 취득하여 변화탐지를 수행하였다. RapidEye는 5개의 위성이 지구를 관측하고 있기 때문에 매일 동일한 지역의 영상을 획득할 수 있으며, red, green, blue, NIR (Near Infra Red) 밴드 외에 red edge 밴드를 추가적으로 취득할 수 있어 식생, 농작물과 관련된 모니터링 및 변화탐지에 적합하다고 판단하였다. RapidEye 위성의 제원은 Table 1과 같다.
실험지역은 전라남도 영광군 일대 지역을 선정하였으며, 실험지역은 식생, 논·밭, 나지, 수계, 인공지물 등의 토지피복들이 존재하고 있다. 특히, 본 연구의 실험지역은 자연지물들이 많이 존재하기 때문에 계절적 영향을 파악하기에 적합하다고 판단하였다. 식생 지역의 경우 계절에 따른 식생의 분광특성이 다르며, 논·밭의 경우 매달 피복의 상태가 변하기 때문에 계절에 따라 토지피복의 방사적 특성에 의한 오탐지가 발생할 것으로 예상하였다.
변화탐지 결과를 시각판독을 통해 분석한 결과, 세 쌍의 다시기 위성영상에 S2CVA를 적용한 결과 중에서 계절적인 시기가 거의 일치하는 2015년 5월 20일, 2016년 5월 12일에 취득한 영상의 변화 크기 벡터는 식생 및 논·밭 등과 같은 지역에서는 대부분 변화되었을 확률이 높지 않은 지역인 것으로 나타났다.
반면, 변화 전 영상인 2015년 5월 20일 영상과 다른 시기에 취득된 2016년 4월 19일, 11월 20일에 취득된 영상과의 변화탐지 결과에서는 식생 등과 같은 많은 지역들이 변화되었을 확률이 높은 지역으로 탐지되는 경향을 보였다. 특히, 4월 19일 영상에 비해 시기적으로 차이가 많은 11월 20일 영상과의 변화탐지 결과에서 식생지역 등의 많은 지역이 변화되었을 확률이 높은 것으로 나타났다. 한편, 변화 방향 벡터의 경우 식생 및 논·밭 등 계절적 차이로 인해 변화지역으로 탐지된 지역에서는 유사한 경향을 보였다.
본 연구에서 제안한 기법을 통해 변화탐지를 수행한 결과에 대한 AUC는 각각 0.8333, 0.7668로 나타나 기존 방법에 비해 변화탐지 성능이 향상된 것으로 나타났으며, 식생 및 논· 밭 등의 자연지물들이 일부 제거된 것을 확인하였다.
ROC 곡선과 AUC를 이용하여 정량적 평가를 수행한 결과, 비교평가 결과 계절이 같은 시기의 영상을 사용하여 변화 탐지를 수행한 경우 AUC 결과가 0.9576으로 변화탐지 성능이 가장 높았으며, 계절의 차이가 있는 영상의 경우에는 AUC가 각각 0.7991, 0.6874로 계산되어 시기의 차이가 클수록 탐지 성능이 감소하는 것으로 나타났다. 기존 방법의 오탐지 지역을 제거하고자 제안기법을 적용하여 정확도 평가를 수행하 였다.
또한, 변화 방향 벡터 분석 결과 식생 및 논·밭 등의 벡터값은 거의 유사한 특성을 나타내고 있었으며, 이 특성을 이용하여 변화지역으로 탐지될 확률이 높은 지역들을 제거하였다.
본 연구에서 제안한 변화탐지 기법과 기존의 변화 크기 벡터만을 사용한 변화탐지 기법의 정확도 비교평가를 위해 영상 기반 참조자료를 생성하였으며, ROC 곡선과 AUC를 계산하였다. 서로 다른 시기의 영상을 이용한 변화탐지 결과보다 같은 시기의 영상을 사용할 경우 더 우수한 탐지결과를 보이는 것으로 확인되었다. 또한, 기존의 서로 다른 시기의 영상을 이용한 변화탐지 결과 보다 본 연구에서 제안한 방법을 통해 계절적 영향으로 인한 오탐지 지역을 제거한 변화탐지의 결과가 더 우수한 것으로 나타났다.
서로 다른 시기의 영상을 이용한 변화탐지 결과보다 같은 시기의 영상을 사용할 경우 더 우수한 탐지결과를 보이는 것으로 확인되었다. 또한, 기존의 서로 다른 시기의 영상을 이용한 변화탐지 결과 보다 본 연구에서 제안한 방법을 통해 계절적 영향으로 인한 오탐지 지역을 제거한 변화탐지의 결과가 더 우수한 것으로 나타났다. 향후, 본 연구에서 제안한 기법을 고해상도 영상에 적용하기 위해 다양한 센서를 통한 연구 및 임계치 설정 자동화를 위한 기술개발에 대한 연구를 수행할 예정이다.
같은 계절에 촬영된 영상을 사용한 변화탐지 결과는 식생 및 논·밭 등이 미변화지역일 확률이 높은 것으로 나타난 반면에 서로 다른 계절에 촬영된 영상을 적용한 결과에서는 계절에 따른 분광특성의 변화로 인해 변화지역일 확률이 높은 것으로 확인 되었다.
후속연구
7668로 나타나 기존 방법에 비해 변화탐지 성능이 향상된 것으로 나타났으며, 식생 및 논· 밭 등의 자연지물들이 일부 제거된 것을 확인하였다. 이는 촬영주기, 기상 등으로 인해 같은 시기의 다시기 영상을 취득하기 어려운 경우에 서로 다른 시기 영상을 변화탐지에 적용 가능할 것으로 판단된다.
또한, 기존의 서로 다른 시기의 영상을 이용한 변화탐지 결과 보다 본 연구에서 제안한 방법을 통해 계절적 영향으로 인한 오탐지 지역을 제거한 변화탐지의 결과가 더 우수한 것으로 나타났다. 향후, 본 연구에서 제안한 기법을 고해상도 영상에 적용하기 위해 다양한 센서를 통한 연구 및 임계치 설정 자동화를 위한 기술개발에 대한 연구를 수행할 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
위성센서의 다양한 개발로 일어난 것은?
최근, 다양한 위성센서가 개발되면서 다시기 위성영상의 취득이 용이해지고 있다. 이에 따라, 재난/재해, 국토모니터링 등과 같은 활용분야에 다시기 위성영상을 적용하기 위한 변화탐지 기법에 대한 연구들이 수행되고 있다.
다시기 위성영상의 오탐지가 발생하는 이유는?
이에 따라, 재난/재해, 국토모니터링 등과 같은 활용분야에 다시기 위성영상을 적용하기 위한 변화탐지 기법에 대한 연구들이 수행되고 있다. 특히, 빠른 시간 내에 변화지역의 추출이 가능한 무감독 변화탐지 기법의 개발과 관련된 연구들이 수행되고 있지만, 계절적 변화 등과 같은 방사적 차이로 인해 오탐지가 발생하는 단점이 있다. 따라서, 본 연구에서는 무감독 변화탐지 기법 중의 하나인 $S^2CVA$ 기법을 적용하여 생성한 변화방향 벡터를 이용하여 계절적 영향으로 인한 오탐지를 감소시키고자 하였다.
감독 변화 탐지의 단점은 무엇인가?
변화탐지 기법은 변화지역의 토지피복 확인가능 유무에 따라 감독 변화탐지와 무감독 변화탐지 기법으로 구분할 수 있다. 감독 변화 탐지는 훈련자료(training data)를 이용하여 감독분류를 수행한 결과를 이용하여 변화탐지를 수행하기 때문에 변화된 토지피복을 확인할 수 있지만, 분류결과 정확도에 따라 변화탐지 성능이 변하는 단점이 있다. 무감독 변화탐지 기법은 변화지역의 변화양상을 파악하기 어렵지만, 효과적인 재난/재해 등의 모니터링 등의 목적을 위하여 빠른 시간 내에 변화 지역을 추출할 수 있는 장점을 지닌다(Choi, 2015).
참고문헌 (10)
Bovolo, F. and Bruzzone, L. (2007), A theoretical framework for unsupervised change detection based on change vector analysis in the polar domain, IEEE Transaction on Geoscience and Remote Sensing, Vol. 45, No. 1, pp. 218-236.
Bovolo, F., Bruzzone, L., Capobianco, L., Garzelli, A., Marchesi, S., and Nencini, F. (2010), Analysis of the effects of pansharpening in change detection on VHR images, IEEE Geoscience and Remote Sensing Letters, Vol. 7, No. 1, pp. 53-57.
Bovolo, F., Marchesi, S., and Bruzzone, L. (2012), A framework for automatic and unsupervised detection of multiple changes in multitemporal images, IEEE Transactions on Geoscience and Remote Sensing, Vol. 50, No. 6, pp. 2196-2212.
Choi, J.W. (2015), Unsupervised change detection for very high-spatial resolution satellite imagery by using object-based IR-MAD algorithm, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 33, No. 4, pp. 297-304. (in Korean with English abstract)
Hussain, M., Chen, D., Cheng, A., Wei, H., and Stanley, D. (2013), Change detection from remotely sensed images: From pixel-based to object-based approaches, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 80, pp. 91-106.
Kang, G.S., Shin, S.C., and Cho, K.J. (2003), Change detection using the IKONOS satellite images, Journal of the Korean Society for Geospatial Information System, Vol. 11, No. 2, pp. 61-66. (in Korean with English abstract)
Liu, S., Bruzzone, L., Bovolo, F., Zanetti, M., and Du, P. (2015), Sequential spectral change vector analysis for iteratively discovering and detecting multiple changes in hyperspectral images, IEEE Transactions on Geoscience and Remote Sensing, Vol. 53, No. 8, pp. 4363-4378.
Park, N.H., Kim, D.H., Ahn, J.Y., Choi, J.W., Park, W.Y., and Park, H.C. (2017), Unsupervised change detection based on sequential spectral change vector analysis for updating land cover map, Korean Journal of Remote Sensing, Vol. 33, No. 6-2, pp. 1075-1087. (in Korean with English abstract)
Park, J.K. (2010), Change detection of vegetation using Landsat image - Focused on Daejeon city -, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 28, No. 2, pp. 239-246. (in Korean with English abstract)
Wang, B., Choi, S.K., Byun, Y.G., Lee, S.K., and Choi, J.W. (2015), Object-based change detection of very high resolution satellite imagery using the cross-sharpening of multitemporal data, IEEE Geoscience and Remote Sensing Letters, Vol. 12, No. 5, pp. 1151-1155.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.