선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 그러나 기존의 초분광영상에 대한 연구는 대분류 단계의 토지피복분류 연구에 그치고 있어 다양한 토지피복을 분류하는데 있어 한계를 가진다. 따라서 본 논문에서는 기존의 분류기법인 Euclid Distance, Spectral Angle Mapping, Spectral Similarity Scale 기법을 이용하여 세분류의 토지피복분류를 수행하고 그 결과를 바탕으로 Decision Tree를 구성하여 세분류의 토지피복분류 정확도를 향상시키기 위한 연구를 진행하였다.
- 본 연구에서는 초분광영상을 이용한 토지피복분류의 정확도를 향상시키기 위해 보편적인 유사도 기법인 ED, SAM, SSS기법의 분류결과를 바탕으로 Decision Tree를 구성하였고 구성된 Decision Tree를 활용하여 토지피복분류를 수행한 결과 다음과 같은 결론을 얻을 수 있었다.
- 본 연구의 목적은 세 가지의 분류 결과를 토대로 각 클래스 마다 가장 효과적인 분류 기법을 선정하고 분류 순서를 정함으로서 Decision Tree를 구성하여 분류 정확도를 높이는 것이므로 정확도를 생산자 정확도와 사용자 정확도로 나누어 분석하였다.
- 본 연구의 목적은 초분광영상이 가진 다량의 정보를 활용하여 기존의 대분류의 토지피복분류에서 벗어나 다양한 종류의 세분류의 토지피복분류를 수행하는 것이다. 따라서 현장답사와 영상을 바탕으로 6가지의 대분류 항목과 20가지의 세분류 항목으로 클래스를 선정하였으며 선정된 결과는 표 2와 같다.
제안 방법
- 본 연구의 목적은 초분광영상이 가진 다량의 정보를 활용하여 기존의 대분류의 토지피복분류에서 벗어나 다양한 종류의 세분류의 토지피복분류를 수행하는 것이다. 따라서 현장답사와 영상을 바탕으로 6가지의 대분류 항목과 20가지의 세분류 항목으로 클래스를 선정하였으며 선정된 결과는 표 2와 같다.
- 본 연구에서는 ED, SAM, SSS기법을 활용하여 수행된 토지피복분류 결과를 바탕으로 각 클래스에 적합한 분류기법을 선정하고 분류순서와 임계값을 지정하여 6단계에 해당하는 Decision Tree를 구성하여 ED, SAM, SSS기법과 같은 방법으로 분류를 수행하였다.
- 본 연구에서는 선정된 클래스에 대한 Training Sample을 영상과 현장답사자료를 통해 각 클래스 마다 20pixel씩 선정하였다. Training Sample의 선정은 ENVI 소프트웨어의 ROI(Region of Interest)모듈을 이용하여 선정하였으며 그림 2은 ROI 모듈의 setting 화면이다.
- 토지피복분류는 Training Sample로 활용하기 위해 ROI 모듈로 지정한 데이터를 ASCⅡ파일 형태로 추출하여 Matlab을 통해 분류를 수행하였다. 그 결과, ED기법의 대분류 전체 정확도=74.
대상 데이터
- 본 연구에서는 선정된 클래스에 대한 Training Sample을 영상과 현장답사자료를 통해 각 클래스 마다 20pixel씩 선정하였다. Training Sample의 선정은 ENVI 소프트웨어의 ROI(Region of Interest)모듈을 이용하여 선정하였으며 그림 2은 ROI 모듈의 setting 화면이다.
- 본 연구에서 사용된 초분광영상은 2014년 10월 24일에 촬영된 CASI-1500 항공초분광영상이다. CASI-1500 센서는 캐나다의 ITRES사에서 상업용으로 개발된 센서로서 제원은 표 1과 같다.
- 연구에서 선정된 연구대상지역은 세종특별자치시 금남면 발산리 발산교 일대(1㎞×1㎞)로서 영상중앙의 경도와 위도는 각각 127° 17′ 01″ (N)와 36° 27′ 19″ (E)이다.
성능/효과
- Building은 사용자 정확도와 생산자 정확도 모두 Building_red, blue, green의 경우 기존의 높은 정확도를 유지하였고 Building _gray, brown에서 정확도가 향상되었다. Soil은 사용자 정확도와 생산자 정확도 모두 Soil_light, dark에서 정확도가 소폭 증가 하였으나 Soil_dark의 경우 사용자 정확도, 생산자 정확도 모두 70% 미만의 낮은 정확도를 보였다.
- Decision Tree를 통해 얻어진 결과를 기존의 기법들과 비교하기 위해 세부적으로 분석한 결과, 대분류의 사용자 정확도는 모든 클래스에서 90%이상의 정확도를 나타냈고 생산자 정확도의 경우 Building, Water를 제외하고는 90% 이상의 정확도를 보였다. 그림 8은 Decision Tree를 활용한 대분류 결과의 생산자 정확도와 사용자 정확도를 앞선 3가지의 유사도 기법의 정확도와 비교한 그래프이다.
- ED기법으로 수행된 대분류에서는 사용자정확도의 경우 Vegetation에서는 90%의 높은 정확도를 보였으나 타 클래스에서는 55%~80%의 낮은 정확도를 보였다. 생산자 정확도의 경우 Vegetation, Road, Building에서 80%이상의 높은 정확도를 보였으나 나머지 클래스에서는 80%미만의 낮은 정확도를 보였다.
- 다른 기법들과 비교 하여 보면 Vegetation은 사용자 정확도의 경우 Veg_broad, conifer의 정확도가 ED, SSS의 기법에 비해 소폭 하락하였지만 3가지 기법 모두 정확도가 낮았던 Veg_weeds의 정확도가 증가하였고 생산자 정확도의 경우 기존의 기법들과 비슷한 정확도를 보였다. Road는 사용자 정확도의 경우 모든 클래스에 대해 분류정확도가 상승하였고 생산자 정확도는 Road_oldasp에서 분류정확도가 상승하였다.
- SAM기법으로 수행된 대분류에서는 사용자 정확도의 경우 Vegetation, Vinyl, Water에서 90% 후반의 높은 정확도를 보였고 Building에서는 60%미만의 낮은 정확도를 나타냈다. 생산자 정확도의 경우 Vegetation, Building, Soil에서 90%이상의 정확도를 보였고 Water에서 80%미만의 정확도를 보였다.
- SSS기법으로 수행된 대분류에서는 사용자 정확도의 경우 Vegetation, Vinyl, Water에서 90% 이상의 정확도를 나타냈고 Building에서 80% 미만의 정확도를 나타냈다. 생산자정확도의 경우 Vegetation, Road, Building에서는 90% 이상의 정확도를 나타냈고 Vinyl, Water에서 70%~80%의 정확도를 나타냈다.
- Building은 사용자 정확도와 생산자 정확도 모두 Building_red, blue, green의 경우 기존의 높은 정확도를 유지하였고 Building _gray, brown에서 정확도가 향상되었다. Soil은 사용자 정확도와 생산자 정확도 모두 Soil_light, dark에서 정확도가 소폭 증가 하였으나 Soil_dark의 경우 사용자 정확도, 생산자 정확도 모두 70% 미만의 낮은 정확도를 보였다. Vinyl은 모든 클래스에 대해서 사용자 정확도와 생산자 정확도 모두 정확도가 소폭 개선되었으며 Water는 사용자 정확도의 경우 기존은 높은 정확도를 유지하고 생산자 정확도의 경우 정확도가 소폭 개선되었다.
- Soil은 사용자 정확도와 생산자 정확도 모두 Soil_light, dark에서 정확도가 소폭 증가 하였으나 Soil_dark의 경우 사용자 정확도, 생산자 정확도 모두 70% 미만의 낮은 정확도를 보였다. Vinyl은 모든 클래스에 대해서 사용자 정확도와 생산자 정확도 모두 정확도가 소폭 개선되었으며 Water는 사용자 정확도의 경우 기존은 높은 정확도를 유지하고 생산자 정확도의 경우 정확도가 소폭 개선되었다.
- 각각의 분류 기법을 통해 얻어진 결과를 분석해 보면 대분류의 경우에는 각 클래스들의 분광분포곡선을 감지하는 SAM기법이 효과적임을 알 수 있었고 세분류의 경우에는 분광분포곡선과 반사율의 크기 또한 감지하는 SSS기법이 효과적임을 알 수 있었다.
- 토지피복분류는 Training Sample로 활용하기 위해 ROI 모듈로 지정한 데이터를 ASCⅡ파일 형태로 추출하여 Matlab을 통해 분류를 수행하였다. 그 결과, ED기법의 대분류 전체 정확도=74.67%, 세분류 전체 정확도=64.08%, SAM 기법의 대분류 전체 정확도=88.03%, 세분류 전체정확도=60.33%, SSS기법의 대분류 전체정확도=86.46%, 세분류 전체정확도=75.51%로 조사되었다. 그림 3, 4, 5는 각각 ED, SAM, SSS 기법의 대분류 결과를 나타낸 것이다.
- 그 결과, 대분류의 전체 정확도는 89.70%, 세분류의 전체 정확도는 81.07%로서 기존의 기법에 비해 정확도가 향상된 결과를 보였다.
- 기존의 분광유사도 기법들의 토지피복분류 결과 대분류는 스펙트럼 분포를 비교하는 SAM기법이 가장 효과적이나 세분류의 경우 스펙트럼 분포가 비슷한 클래스가 많아 반사율의 크기를 동시에 고려하는 SSS기법이 가장 효과적인 방법임을 알 수 있었다.
- 다른 기법들과 비교 하여 보면 Vegetation은 사용자 정확도의 경우 Veg_broad, conifer의 정확도가 ED, SSS의 기법에 비해 소폭 하락하였지만 3가지 기법 모두 정확도가 낮았던 Veg_weeds의 정확도가 증가하였고 생산자 정확도의 경우 기존의 기법들과 비슷한 정확도를 보였다. Road는 사용자 정확도의 경우 모든 클래스에 대해 분류정확도가 상승하였고 생산자 정확도는 Road_oldasp에서 분류정확도가 상승하였다.
- 많은 밴드수와 좁은 밴드 폭을 가진 초분광영상(Hyperspectral Image)은 영상을 구성하는 모든 화소마다 분광반사곡선을 얻는 것이 가능해져 임의의 화소가 가지는 정보량이 기존의 다중분광영상(Multi-Spectral Image)에 비해 크게 증가되었다. 증가된 정보량을 바탕으로 다양해지고 세밀해진 초분광영상의 분석방법은 토지 피복분류 정확도 향상에 큰 영향을 미칠 뿐만 아니라 다양한 토지피복클래스를 분류하는데 있어 가장 효과적인 영상으로 평가받고 있다.
- 사용자 정확도의 경우 모든 클래스에서 다른 기법에 비해 정확도가 크게 향상되었고 생산자 정확도의 경우 Vinyl, Water에서 정확도 소폭 증가하였다.
- SAM기법으로 수행된 대분류에서는 사용자 정확도의 경우 Vegetation, Vinyl, Water에서 90% 후반의 높은 정확도를 보였고 Building에서는 60%미만의 낮은 정확도를 나타냈다. 생산자 정확도의 경우 Vegetation, Building, Soil에서 90%이상의 정확도를 보였고 Water에서 80%미만의 정확도를 보였다. 세분류에서의 사용자정확도의 경우 Building_red, blue, green, brown, Water, Soil_light, Vinyl_blue, black에서 80%이상의 정확도를 보였다.
- ED기법으로 수행된 대분류에서는 사용자정확도의 경우 Vegetation에서는 90%의 높은 정확도를 보였으나 타 클래스에서는 55%~80%의 낮은 정확도를 보였다. 생산자 정확도의 경우 Vegetation, Road, Building에서 80%이상의 높은 정확도를 보였으나 나머지 클래스에서는 80%미만의 낮은 정확도를 보였다. 세분류에서는 사용자 정확도의 경우 Road_newasp, Building_red, blue, green, Vinyl_white에서 90%이상의 높은 정확도를 보였고 생산자 정확도의 경우 Road_newasp, conc, gravels, Building_green, gray 에서 90%이상의 높은 정확도를 보였다.
- 세분류에서의 사용자정확도의 경우 Building_red, blue, green, brown, Water, Soil_light, Vinyl_blue, black에서 80%이상의 정확도를 보였다. 생산자 정확도의 경우에는 Road_newasp, gravels, Building_red, green, gray, Soil_mixed에서 90%이상의 높은 정확도를 보였다.
- SSS기법으로 수행된 대분류에서는 사용자 정확도의 경우 Vegetation, Vinyl, Water에서 90% 이상의 정확도를 나타냈고 Building에서 80% 미만의 정확도를 나타냈다. 생산자정확도의 경우 Vegetation, Road, Building에서는 90% 이상의 정확도를 나타냈고 Vinyl, Water에서 70%~80%의 정확도를 나타냈다. 세분류의 사용자 정확도의 경우 Road_newasp, Building_red, blue, green, Soil_light, Vinyl_white, Water에서 90% 이상의 정확도를 나타냈고 생산자 정확도의 경우에는 Veg_conifer, Road_newasp, conc, gravel, Building_red, blue, green, gray에서 90% 이상의 정확도를 나타냈다.
- 생산자 정확도의 경우 Vegetation, Road, Building에서 80%이상의 높은 정확도를 보였으나 나머지 클래스에서는 80%미만의 낮은 정확도를 보였다. 세분류에서는 사용자 정확도의 경우 Road_newasp, Building_red, blue, green, Vinyl_white에서 90%이상의 높은 정확도를 보였고 생산자 정확도의 경우 Road_newasp, conc, gravels, Building_green, gray 에서 90%이상의 높은 정확도를 보였다.
- 생산자 정확도의 경우 Vegetation, Building, Soil에서 90%이상의 정확도를 보였고 Water에서 80%미만의 정확도를 보였다. 세분류에서의 사용자정확도의 경우 Building_red, blue, green, brown, Water, Soil_light, Vinyl_blue, black에서 80%이상의 정확도를 보였다. 생산자 정확도의 경우에는 Road_newasp, gravels, Building_red, green, gray, Soil_mixed에서 90%이상의 높은 정확도를 보였다.
- 생산자정확도의 경우 Vegetation, Road, Building에서는 90% 이상의 정확도를 나타냈고 Vinyl, Water에서 70%~80%의 정확도를 나타냈다. 세분류의 사용자 정확도의 경우 Road_newasp, Building_red, blue, green, Soil_light, Vinyl_white, Water에서 90% 이상의 정확도를 나타냈고 생산자 정확도의 경우에는 Veg_conifer, Road_newasp, conc, gravel, Building_red, blue, green, gray에서 90% 이상의 정확도를 나타냈다.
- 세분류의 사용자 정확도의 경우 Road_newasp, conc, gravels, Soil_light, dark, mixed, Building_red, green, Vinyl_white, blue, black에서 90% 이상의 정확도를, 생산자 정확도의 경우 Road_newasp, conc, gravels, Soil_dark, mixed, Building_red, brown에서는 90%이상의 정확도를 보였다.
- 위를 바탕으로 얻어진 분류 기준을 근거하여 Decision Tree를 구성해 분류를 수행한 결과 대분류의 전체정확도는 가장 높은 정확도를 높였던 SAM기법에 비해 각각 1.68%가 향상되었고 세분류의 전체정확도는 가장 높은 정확도를 보였던 SSS기법에 비해 각각 5.56% 가 향상되었다.
후속연구
- 본 연구에서 사용된 CASI-1500영상은 파장 범위가 근적외선 영역으로 제한되어 있어 세분류의 토지피복분류를 수행하는데 있어 다소 어려움이 존재했다. 향후에는 파장범위가 중적외선 영역까지 확장된 영상을 활용한 세분류 단계의 토지피복분류 연구가 필요할 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.