[논문]딥러닝모델을 이용한 국가수준 LULUCF 분야 토지이용 범주별 자동화 분류

박정묵; 심우담; 이정수

doi:10.7780/kjrs.2019.35.6.2.3

딥러닝모델을 이용한 국가수준 LULUCF 분야 토지이용 범주별 자동화 분류
Automatic Classification by Land Use Category of National Level LULUCF Sector using Deep Learning Model 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.35 no.6 pt.2, 2019년, pp.1053 - 1065

박정묵 (강원대학교 산림산업 첨단융합기술 전문인력 양성센터) , 심우담 (강원대학교 산림경영학과) , 이정수 (강원대학교 산림경영학과)

초록
AI-Helper

신기후체제에 대응하여 정확한 탄소흡수 및 배출량을 산정하기 위해 토지이용 범주별 통계량 산출은 활동자료로서 매우 중요한 자료이다. 본 연구는 효과적인 토지이용 범주별 판독을 위하여 산림항공사진(이하 FAP)에 딥러닝모델을 적용하여 토지이용 범주별 자동화 판독 분류를 한 후 샘플링기법을 통해 국가단위 통계량을 산출하였다. 딥러닝모델에 적용한 데이터세트(이하, DS)는 국가산림자원조사 고정표본점 위치 기반 FAP의 이미지를 추출하여 훈련데이터세트(이하, 훈련DS)와 시험데이터세트(이하, 시험 DS)로 구분하였다. 훈련 DS는 토지이용 범주별 정의에 따라 이미지별 레이블을 부여하였으며, 딥러닝모델을 학습하고 검증하였다. 검증 시 모델의 학습정확도는 학습 횟수 1500회에서 정확도가 약 89%로 가장 높았다. 학습된 딥러닝모델을 시험DS에 적용한 결과, 이미지 레이블의 판독 분류정확도는 약 90%로 높았다. 샘플링기법을 통해 범주별 분류 결과에 대해 면적을 추정하여 국가통계와 비교한 결과 정합성 또한 높아 향후 LULUCF(Land Use, Land Use Change, Forestry)분야 국가 온실가스 인벤토리 보고서의 활동자료로 활용하기에 충분하다고 판단된다.

Abstract ▼ AI-Helper

Land use statistics calculation is very informative data as the activity data for calculating exact carbon absorption and emission in post-2020. To effective interpretation by land use category, This study classify automatically image interpretation by land use category applying forest aerial photography (FAP) to deep learning model and calculate national unit statistics. Dataset (DS) applied deep learning is divided into training dataset (training DS) and test dataset (test DS) by extracting image of FAP based national forest resource inventory permanent sample plot location. Training DS give label to image by definition of land use category and learn and verify deep learning model. When verified deep learning model, training accuracy of model is highest at epoch 1,500 with about 89%. As a result of applying the trained deep learning model to test DS, interpretation classification accuracy of image label was about 90%. When the estimating area of classification by category using sampling method and compare to national statistics, consistency also very high, so it judged that it is enough to be used for activity data of national GHG (Greenhouse Gas) inventory report of LULUCF sector in the future.

주제어

표/그림 (13)

그림 Fig. 2. NFI_4 km map and 4th Forest Aerial Photography.
그림 Fig. 1. Republic of Korea map.
그림 Fig. 3. Study method.
그림 Fig. 4. General deep learning and Basic construction of Inception.
그림 Fig. 5. Deep learning model.
표 Table 1. Land use category
표 Table 2. Deep learning interpretation and visual interpretation confusion matrix
그림 Fig. 6. The accuracy of training dataset.
표 Table 3. Precision, Recall, F₁ of Deep learning model Rate (%)
표 Table 4. DS_A+B Verification
그림 Fig. 7. Visual interpretation-Deep learning.
표 Table 5. 2 km_NFI result applied deep learning model
표 Table 6. Comparison of deep learning model and national statistics

AI 본문요약
AI-Helper

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

문제 정의

딥러닝모델 적용을 위한 영상자료는 FAP를 이용하였다. FAP는 산림청에서 NFI를 수행하기 전에 임분의 사전정보를 취득하기 위하여 사용하는 자료이며, 본 연구는 전용된 토지의 토양탄소가 안정화되는 기간인 20년을 고려하여 1996년부터 2005년에 촬영된 4차 FAP을 이용하였으며, 4차 FAP는 흑백영상으로 전국 단위 산림항공사진을 토지이용 범주에 따라 분류하고자 사용하였다(IPCC, 2019). FAP는 샘플링기법을 적용하기 위하여 영상 일부분의 이미지를 추출하였으며, 이미지 추출의 기준이 되는 위치는 제6차 NFI 고정표본점 자료를 이용하였다.
또한, 샘플링기법을 통해 추정된 토지이용 범주별 면적을 국가통계와 비교·분석하여 신기후체제에 대응하기 위한 국가 온실가스 인벤토리 보고서(National Inventory Report, 이하 NIR)의 활동자료로서의 활용 가능성을 입증하였다.
본 연구는 NFI 위치 기반 FAP에 딥러닝모델을 적용하여 새로운 국가수준의 통계산출 방법과 신기후체제에 대응하기 위한 NIR의 활동자료로서의 활용 가능성을 입증하고자 하였다. 딥러닝모델은 훈련DS를 이용하여 학습하였으며, 학습된 딥러닝 모델을 시험DS에 적용하여 토지이용 범주별 자동화 판독 분류하였다.

제안 방법

딥러닝모델 적용을 위한 데이터세트(Dataset, 이하 DS)는 NFI고정표본점 위치 기반 2km 표본점을 생성하여 표본점 위치 기반 FAP의 이미지를 추출하였다. DS는 딥러닝모델을 훈련시키기 위한 훈련DS(4 km 위치 기반 이미지)와 훈련된 딥러닝모델을 적용하는 시험DS(2 km 위치 기반 이미지)로 구성하였다. 훈련DS는 토지이용 범주에 따라 육안판독에 의해 레이블을 정의하고, 학습과 검증을 통하여 딥러닝모델 최적의 학습횟수를 선정하였다.
본 연구에 적용된 딥러닝모델은 Inception-V4 및 SENet의 아키텍처 기반으로 구축하였다. 딥러닝모델 적용을 위한 데이터세트(Dataset, 이하 DS)는 NFI고정표본점 위치 기반 2km 표본점을 생성하여 표본점 위치 기반 FAP의 이미지를 추출하였다. DS는 딥러닝모델을 훈련시키기 위한 훈련DS(4 km 위치 기반 이미지)와 훈련된 딥러닝모델을 적용하는 시험DS(2 km 위치 기반 이미지)로 구성하였다.
본 연구는 NFI 위치 기반 FAP에 딥러닝모델을 적용하여 새로운 국가수준의 통계산출 방법과 신기후체제에 대응하기 위한 NIR의 활동자료로서의 활용 가능성을 입증하고자 하였다. 딥러닝모델은 훈련DS를 이용하여 학습하였으며, 학습된 딥러닝 모델을 시험DS에 적용하여 토지이용 범주별 자동화 판독 분류하였다. 도출된 결과와 육안판독 결과를 비교하여 분류 정확도를 평가하고, 국가통계와 정합성을 비교·분석하였다.
딥러닝모델을 적용한 훈련DS는 일관성 있는 평가를 위하여 훈련DS_A(2,507개)와 훈련DS_B(2,506개)로 구분하였으며, 각각의 DS에 대하여 학습과 검증을 실시하였다. 훈련DS는 DS_A와 B로 번갈아 선정하여 DS_A와 B로 구분하였으며 DS_A와 B의 정확도를 비교한 후 이를 학습에 사용하였다.
딥러닝모델의 입력이미지는 DS 이미지의 크기(160 m×160 m), 공간해상도(80 cm), 흑백(gray scale)이미지임을 고려하여 이미지크기와 채널 수를 ‘200×200×1’로 변경하여 적용하였다(Fig. 5).
국가수준의 토지이용지도를 구축하거나 현장조사를 통하여 통계량을 산출하는 것은 시간적 및 비용적 효율성이 낮기 때문에 딥러닝모델을 적용한 LULUCF분야 토지이용 범주별 자동화 판독 분류 모델을 개발하는 것이 필요하다. 따라서 본 연구는 국가산림자원조사(National Forest Inventory, 이하 NFI) 위치 기반 산림항공사진(Forest Aerial Photography, 이하 FAP) 이미지에 딥러닝모델을 적용하여 국가수준 토지이용 범주에 따라 자동화 판독 분류하였다. 또한, 샘플링기법을 통해 추정된 토지이용 범주별 면적을 국가통계와 비교·분석하여 신기후체제에 대응하기 위한 국가 온실가스 인벤토리 보고서(National Inventory Report, 이하 NIR)의 활동자료로서의 활용 가능성을 입증하였다.
본 연구는 국가수준의 FAP 데이터를 사용하기 때문에 Inception-V4 모델을 활용하여 딥러닝모델의 네트워크망을 깊게 구성하고 학습의 수준을 높였으며 분석결과의 과적합 문제를 해결하였다. 또한 Inception 네트워크 내 4개의 층에 각각 SEBlock을 결합하여 SE-Inception모델을 구축하여 활용하였다. 딥러닝모델의 입력이미지는 DS 이미지의 크기(160 m×160 m), 공간해상도(80 cm), 흑백(gray scale)이미지임을 고려하여 이미지크기와 채널 수를 ‘200×200×1’로 변경하여 적용하였다(Fig.
또한, 샘플링기법을 이용하여 토지이용 범주별 면적을 추정하여 국가통계와 비교·분석하였다(Fig. 3).
훈련DS는 토지이용 범주에 따라 육안판독에 의해 레이블을 정의하고, 학습과 검증을 통하여 딥러닝모델 최적의 학습횟수를 선정하였다. 마지막으로 학습과 검증을 통해 평가된 딥러닝모델을 시험DS에 적용하여 추출된 이미지에 대한 토지이용 범주별 레이블을 예측하였다. 또한, 샘플링기법을 이용하여 토지이용 범주별 면적을 추정하여 국가통계와 비교·분석하였다(Fig.
토지이용 범주별 분류정확도를 향상시키기 위해서는 다른 알고리즘의 장점을 결합하여 모델을 구축하는 것이 필요하다(Chitroub, 2010). 본 연구는 국가수준의 FAP 데이터를 사용하기 때문에 Inception-V4 모델을 활용하여 딥러닝모델의 네트워크망을 깊게 구성하고 학습의 수준을 높였으며 분석결과의 과적합 문제를 해결하였다. 또한 Inception 네트워크 내 4개의 층에 각각 SEBlock을 결합하여 SE-Inception모델을 구축하여 활용하였다.
본 연구에 적용된 딥러닝모델은 Inception-V4 및 SENet의 아키텍처 기반으로 구축하였다. 딥러닝모델 적용을 위한 데이터세트(Dataset, 이하 DS)는 NFI고정표본점 위치 기반 2km 표본점을 생성하여 표본점 위치 기반 FAP의 이미지를 추출하였다.
DS에서 FAP 위치의 기반이 되는 표본점은 NFI고정표본점을 이용하였으나 표본강도 2 km의 고정표본점은 광역시 및 제주도에만 배치되어 있기 때문에, 추가적으로 표본강도 2 km단위 표본점 22,119개를 생성(NFI_2 km+)하였다. 생성된 NFI_2 km+ 위치를 기반으로 FAP이미지를 추출하여 DS를 구축하였으며, 표본강도에 따라 훈련DS와 시험DS로 구성하였다.
시험DS는 표본강도 NFI_2 km+ 위치 기반 FAP에서 추출한 이미지로 전체 25,098개 이미지 중, 훈련DS와 마찬가지로 영상미제공 지역과 기하오차가 발생한 이미지 2,979개를 제외한 22,119개의 이미지를 사용하였다. 시험DS는 검증된 딥러닝모델을 적용하여 토지이용 범주별 레이블을 자동화 판독 분류하였다. 자동화 판독 분류결과의 분류정확도는 4 km 단위 위치 기반 이미지를 대상으로 육안판독 분류 결과와 혼동행렬을 이용하여 비교·분석하였으며, 오분류 사례를 검토하여 딥러닝모델의 적용시 개선점을 파악하였다.
자동화 판독 분류결과의 분류정확도는 4 km 단위 위치 기반 이미지를 대상으로 육안판독 분류 결과와 혼동행렬을 이용하여 비교·분석하였으며, 오분류 사례를 검토하여 딥러닝모델의 적용시 개선점을 파악하였다.
표본강도 4 km단위 이미지는 전체 6,260개 이미지 중 민간인통제선 이북 지역과 군사시설 등 육안판독이 불가한 이미지와 기하학적으로 오차가 발생한 이미지 1,247개를 필터한 5,013개의 이미지를 사용하였다. 토지이용 범주의 정의는 IPCC기준(IPCC, 2001; IPCC, 2019) 및 주요 선진사례와 국내국가통계자료 및 공간주제도의 토지이용 범주별 정의를 참조하고, 국내 토지이용 특성에 적합하도록 범주별 정의를 정립하였다(Table 1).
딥러닝모델을 적용한 훈련DS는 일관성 있는 평가를 위하여 훈련DS_A(2,507개)와 훈련DS_B(2,506개)로 구분하였으며, 각각의 DS에 대하여 학습과 검증을 실시하였다. 훈련DS는 DS_A와 B로 번갈아 선정하여 DS_A와 B로 구분하였으며 DS_A와 B의 정확도를 비교한 후 이를 학습에 사용하였다. 딥러닝모델 학습 시 학습횟수는 학습정확도와 학습시간을 고려하여 딥러닝모델이 최적화되는 시기로 선정하였다.

대상 데이터

FAP는 산림청에서 NFI를 수행하기 전에 임분의 사전정보를 취득하기 위하여 사용하는 자료이며, 본 연구는 전용된 토지의 토양탄소가 안정화되는 기간인 20년을 고려하여 1996년부터 2005년에 촬영된 4차 FAP을 이용하였으며, 4차 FAP는 흑백영상으로 전국 단위 산림항공사진을 토지이용 범주에 따라 분류하고자 사용하였다(IPCC, 2019). FAP는 샘플링기법을 적용하기 위하여 영상 일부분의 이미지를 추출하였으며, 이미지 추출의 기준이 되는 위치는 제6차 NFI 고정표본점 자료를 이용하였다. NFI는 산림자원의 변화를 주기적으로 파악하기 위해 전 국토에 표본강도 4 km단위(전국) 또는 표본강도 2 km단위(광역시 및 제주도)의 일정한 간격으로 표본점을 배치하는 계통추출법(Systematic sampling)을 적용한 표본점 자료이다(Korea Forest Service, 2017; Korea Forest Service, 2019)(Fig.
딥러닝모델 적용을 위한 영상자료는 FAP를 이용하였다. FAP는 산림청에서 NFI를 수행하기 전에 임분의 사전정보를 취득하기 위하여 사용하는 자료이며, 본 연구는 전용된 토지의 토양탄소가 안정화되는 기간인 20년을 고려하여 1996년부터 2005년에 촬영된 4차 FAP을 이용하였으며, 4차 FAP는 흑백영상으로 전국 단위 산림항공사진을 토지이용 범주에 따라 분류하고자 사용하였다(IPCC, 2019).
2). 또한, 토지이용 범주별 면적 추정 결과와의 정합성 비교를 위한 국가통계는 지적통계, 임업통계연보, 농업면적조사 자료를 이용하였다. 공간분석과 딥러닝 분석 프로그램은 각각 ArcGIS Pro와 Pycharm을 활용하였다.
딥러닝모델을 이용하여 분류된 토지이용 범주별 면적은 샘플링기법을 이용하여 추정하였으며, 추정면적의 불확실성은 표준오차 및 상대표준오차로 평가하였다. 면적추정에 사용된 총 면적은 4차 FAP 촬영의 마지막 연도인 2005년을 기준으로 지적통계의 국토 면적을 사용하였다(Statistics Finland, 2019; Ministry of Land, Infrastructure and Transport, 2019). 불확실성은 국가단위 토지이용 면적을 추정할 시, 추정면적의 표준오차에 의하여 추정치를 신뢰할 수 있는 확률로 수치가 낮을수록 추정된 면적이 정확함을 의미하며, Eq.
시험DS는 표본강도 NFI_2 km+ 위치 기반 FAP에서 추출한 이미지로 전체 25,098개 이미지 중, 훈련DS와 마찬가지로 영상미제공 지역과 기하오차가 발생한 이미지 2,979개를 제외한 22,119개의 이미지를 사용하였다. 시험DS는 검증된 딥러닝모델을 적용하여 토지이용 범주별 레이블을 자동화 판독 분류하였다.
연구대상지는 위도 33°~38°, 경도 125°~131°에 위치한 대한민국 전국으로 선정하였다.
따라서, 훈련DS는 표본강도 4 km 위치 기반 FAP에서 추출한 이미지를 구글지도를 참조하여 육안으로 판독하고 토지이용 범주별 레이블을 부여하였다(Rwanga and Ndambuki, 2017). 표본강도 4 km단위 이미지는 전체 6,260개 이미지 중 민간인통제선 이북 지역과 군사시설 등 육안판독이 불가한 이미지와 기하학적으로 오차가 발생한 이미지 1,247개를 필터한 5,013개의 이미지를 사용하였다. 토지이용 범주의 정의는 IPCC기준(IPCC, 2001; IPCC, 2019) 및 주요 선진사례와 국내국가통계자료 및 공간주제도의 토지이용 범주별 정의를 참조하고, 국내 토지이용 특성에 적합하도록 범주별 정의를 정립하였다(Table 1).

데이터처리

도출된 결과와 육안판독 결과를 비교하여 분류 정확도를 평가하고, 국가통계와 정합성을 비교·분석하였다.
딥러닝모델을 이용하여 분류된 토지이용 범주별 면적은 샘플링기법을 이용하여 추정하였으며, 추정면적의 불확실성은 표준오차 및 상대표준오차로 평가하였다. 면적추정에 사용된 총 면적은 4차 FAP 촬영의 마지막 연도인 2005년을 기준으로 지적통계의 국토 면적을 사용하였다(Statistics Finland, 2019; Ministry of Land, Infrastructure and Transport, 2019).

이론/모형

또한, 토지이용 범주별 면적 추정 결과와의 정합성 비교를 위한 국가통계는 지적통계, 임업통계연보, 농업면적조사 자료를 이용하였다. 공간분석과 딥러닝 분석 프로그램은 각각 ArcGIS Pro와 Pycharm을 활용하였다.
딥러닝모델의 아키텍처는 Google社에서 개발한 Inception-V4와 2017년 ILSVRC(ImageNet Large Scale Visual Recognition Challenge)에서 우수한 성능을 보인 SENet의 아키텍처를 활용하였다. Inception모델은 독립적인 4개의 층(Stem, Inception-A, Inception-B, InceptionC)으로 구성된 다층 네트워크로, 그 중 3개의 층은 합성곱층(Convolution Layer)과 활성화 함수로 구성되며, 마지막 층은 합성곱층과 풀링층(pooling Layer)으로 구성된다.
딥러닝모델 학습 시 학습횟수는 학습정확도와 학습시간을 고려하여 딥러닝모델이 최적화되는 시기로 선정하였다. 학습된 딥러닝모델의 검증은 토지이용 범주별 정밀도(Precision), 포괄성(Recall), F₁(F-score), 정확성(Accuracy)의 산출식을 이용하였다(Rouhi et al., 2015; Huang and Rust, 2018)(Eq. (1), (2), (3), (4)).

성능/효과

초지 및 습지는 타 토지이용 범주에 비해 면적이 작기 때문에 데이터의 불균형이 발생하여 분류 정확도가 낮았으나, 딥러닝모델 적용 시 DS에 다중분광해상도를 적용하고 DS의 충분한 데이터확보, 범주별 하위범주의 세분화 학습을 통한 연구를 진행한다면, 분류 정확도를 개선할 수 있을 것으로 판단되었다. 둘째, 자동화 판독 분류결과에 샘플링기법을 이용하여 추정한 면적은 산림지, 농경지, 정주지, 습지, 초지 순으로 분포하였다. 습지와 초지 항목에서 딥러닝모델의 성능이 낮음에도 불구하고, 추정된 면적의 비율은 국가통계의 면적비율과 5% 이내의 차이를 보여 국가단위 토지이용 통계산출에서의 활용 가능성을 입증하였다.
딥러닝모델의 범주별 F₁은 훈련DS_A의 경우 산림지 96.4%, 농경지 80.3%, 습지 76.6%, 정주지 57.1% 초지 10.6% 순으로 높았으며, 훈련DS_B의 경우 산림지 94.8%, 농경지 88.5%, 정주지 86.3%, 습지 51.1%, 초지 48.7% 순으로 높았다(Table 3). F₁이 낮은 습지와 초지의 학습정확도는 Jo et al.
범주별 정확도는 학습정확도와 동일하게 산림지와 농경지가 각각 95.3%, 84.5%로 타 범주에 비해 높았으며, 초지와 습지가 각각 42.6%, 64.2%로 낮았다(Table 4).
본 연구는 국가단위 FAP와 NFI자료의 활용 가능성을 파악하였으며, 딥러닝모델을 적용하여 육안판독보다 신속히 토지이용의 현황을 파악할 수 있다는 점에서 효율적이었다. 하지만 습지와 초지의 경우 산림지, 농경지, 정주지에 비해 데이터가 적어 정확도가 현저하게 떨어졌으며 흑백 영상을 사용하여 분류의 한계가 있었다.
샘플링기법을 이용하여 추정된 면적을 국가통계 자료와 비교한 결과, 추정면적은 지적통계보다 산림지-322천 ha(-3.2%), 습지 -162 천ha(-1.6%)는 과소 추정되었으며, 농경지는 306 천ha(+2.8%), 초지 135 천ha(+1.4%), 정주지 73 천ha(+0.7%)는 과대 추정되었지만, 범주별 면적 비율 대비 평균 약 5% 이내 차이를 보여 자동화 판독 분류의 정확도를 입증하였다.
샘플링기법을 이용하여 추정된 범주별 면적은 국가온실가스 인벤토리 MRV 지침(GIR)에 따라 국가통계자료(지적통계, 임업통계연보, 농업면적조사)를 이용하여 정합성을 분석하여 신기후체제에 대응하기 위한 NIR의 활동자료로서의 가능성을 판단하였다.
둘째, 자동화 판독 분류결과에 샘플링기법을 이용하여 추정한 면적은 산림지, 농경지, 정주지, 습지, 초지 순으로 분포하였다. 습지와 초지 항목에서 딥러닝모델의 성능이 낮음에도 불구하고, 추정된 면적의 비율은 국가통계의 면적비율과 5% 이내의 차이를 보여 국가단위 토지이용 통계산출에서의 활용 가능성을 입증하였다.
본 연구의 결과를 토대로 두가지의 결론이 도출되었다. 첫째, 토지이용 범주별 자동화 판독 분류한 결과의 전체 분류 정확도는 89.8%이었으며, 범주별 분류 정확도는 산림지 96.1%, 농경지 84.9%, 정주지 71.1%, 습지 64.2%, 초지42.6% 순이었다. 초지 및 습지는 타 토지이용 범주에 비해 면적이 작기 때문에 데이터의 불균형이 발생하여 분류 정확도가 낮았으나, 딥러닝모델 적용 시 DS에 다중분광해상도를 적용하고 DS의 충분한 데이터확보, 범주별 하위범주의 세분화 학습을 통한 연구를 진행한다면, 분류 정확도를 개선할 수 있을 것으로 판단되었다.
2%로 낮았다(Table 4). 초지와 습지의 경우 본 연구가 우리나라 전체 지역을 대상으로 토지이용 범주별 분류를 하였기에 초지와 습지의 분류정확도가 낮았다. 이러한 점을 보완하기 위하여 차후 훈련DS 개수가 부족한 초지와 습지의 데이터를 추가하여 토지이용분류를 해야하며, 데이터 변조 및 증대 기법을 적용한 추가적인 연구를 통해 개선할 수 있을 것으로 판단된다(Perez and Wang, 2017).
8% 순으로 낮았다. 추정면적이 넓은 산림지와 농경지는 불확실성이 0.5%와 1.1%로 다른 범주에 비해 낮은 반면, 추정면적이 적은 습지와 초지는 4.3%와 6.8%로 불확실성이 높았다. 한편, 핀란드의 경우 산림지는 불확실성이 1.
토지이용 범주별 자동화 판독 분류 결과를 샘플링기법을 이용하여 면적을 추정한 결과, 산림지 6,159 천ha(61.8%), 농경지 2,340천ha(23.5%), 정주지 852천ha(8.5%), 습지 421 천ha(4.2%), 초지 192 천ha(1.9%) 순으로 높았으며, 불확실성은 산림지 0.5%, 농경지 1.1%, 정주지 2.5%, 습지 4.3%, 초지 6.8% 순으로 낮았다. 추정면적이 넓은 산림지와 농경지는 불확실성이 0.
훈련DS_A와 DS_B를 이용한 딥러닝모델 학습은 학습횟수를 2,000회로 제한하여 관찰하였다. 훈련DS의 학습정확도와 학습시간을 고려하여 딥러닝모델이 최적화되는 학습횟수를 경험적으로 선정한 결과, 1,500번의 학습을 진행하였을 때 학습정확도는 두 훈련DS 모두 평균 약 89%로 딥러닝모델의 성능이 유지되어 학습을 종료하였다(Fig. 6)

후속연구

, 2016). 본 연구는 NIR의 활동자료로서 활용하기 위하여 딥러닝모델을 20년전 확보할 수 있는 1채널 흑백 FAP에 적용하였지만, 추후 현재 연도에 대한 자동화 판독 분류 연구 시 고해상도 다중분광 이미지에 적용할 수 있기 때문에 분류 정확도를 향상시킬 수 있을 것으로 기대된다.
특히 다중분광영상 분류는 흑백영상에 비하여 토지이용 범주별 차이를 명확하게 나타내 분류정확도를 향상시킬 것이다. 아울러 국가수준의 토지이용에 대한 효율적인 모니터링을 위한 기초적인 자료제공 및 NIR의 LULUCF분야의 활동자료로도 활용될 것으로 기대된다.
초지와 습지의 경우 본 연구가 우리나라 전체 지역을 대상으로 토지이용 범주별 분류를 하였기에 초지와 습지의 분류정확도가 낮았다. 이러한 점을 보완하기 위하여 차후 훈련DS 개수가 부족한 초지와 습지의 데이터를 추가하여 토지이용분류를 해야하며, 데이터 변조 및 증대 기법을 적용한 추가적인 연구를 통해 개선할 수 있을 것으로 판단된다(Perez and Wang, 2017).
6% 순이었다. 초지 및 습지는 타 토지이용 범주에 비해 면적이 작기 때문에 데이터의 불균형이 발생하여 분류 정확도가 낮았으나, 딥러닝모델 적용 시 DS에 다중분광해상도를 적용하고 DS의 충분한 데이터확보, 범주별 하위범주의 세분화 학습을 통한 연구를 진행한다면, 분류 정확도를 개선할 수 있을 것으로 판단되었다. 둘째, 자동화 판독 분류결과에 샘플링기법을 이용하여 추정한 면적은 산림지, 농경지, 정주지, 습지, 초지 순으로 분포하였다.
향후 진행될 연구는 습지와 초지의 데이터 비율 증가를 증가시키고 다중분광영상을 활용하여 딥러닝모델에 적용한다면 분류정확도를 높여 분류의 신뢰성을 높일 것이라 판단된다. 특히 다중분광영상 분류는 흑백영상에 비하여 토지이용 범주별 차이를 명확하게 나타내 분류정확도를 향상시킬 것이다. 아울러 국가수준의 토지이용에 대한 효율적인 모니터링을 위한 기초적인 자료제공 및 NIR의 LULUCF분야의 활동자료로도 활용될 것으로 기대된다.
하지만 습지와 초지의 경우 산림지, 농경지, 정주지에 비해 데이터가 적어 정확도가 현저하게 떨어졌으며 흑백 영상을 사용하여 분류의 한계가 있었다. 향후 진행될 연구는 습지와 초지의 데이터 비율 증가를 증가시키고 다중분광영상을 활용하여 딥러닝모델에 적용한다면 분류정확도를 높여 분류의 신뢰성을 높일 것이라 판단된다. 특히 다중분광영상 분류는 흑백영상에 비하여 토지이용 범주별 차이를 명확하게 나타내 분류정확도를 향상시킬 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	픽셀기반 분류방법과 객체기반 분류방법의 장점과 한계점은 각각 무엇인가?	, 2010). 픽셀기반 분류방법은 개별 픽셀의 분광정보가 픽셀의 각각의 분광특성을 표현하지 않기 때문에 파장대의 정보가 혼합되어 분류의 부정확함을 유발한다(Lee et al., 2010; Welh and Riggan, 2010). 반면, 객체기반 분류방법은 객체의 모양과 분광정보를 활용하여 인접 픽셀을 객체로 병합하여 객체를 분류 단위로 정하여 분류를 시행한다(Johnsson, 1994; Lee and Wamer, 2006). 하지만, 픽셀기반과 객체기반 분류방법은 인간에 의해 수동적으로 선정된 각각의 피처를 알고리즘에 따라 분류하기 때문에 정확도 향상에 영향을 미치는 한계가 있다.
	딥러닝모델은 무엇이 발전된 형태이며, 어떠한 장점이 있는가?	딥러닝은 2006년 사용된 이후 영상인식, 패턴인식 등의 부분에서 유용하게 사용되었으며, 최근 딥러닝 기반의 영상분류에 관한 연구가 활발히 진행되고 있다(Lee and Kim, 2019). 딥러닝모델은 인공신경망이라는 인공지능분야의 모형이 발전된 형태로 데이터세트에서 자동으로 피처를 학습한다는 장점이 있다. 특히, CNN(Convolutional Neural Networks)은 생물의 시각처리과정을 모방하여 구축된 아키텍처(architecture)로 최근 이미지 분류에 관한 연구에서 사용되는 모델이다(Chung et al.
	SENet의 장점은 무엇인가?	SENet은 Alexnet, VGGnet 등 일반적인 딥러닝 모델과는 달리, Block 형태의 구조로 구성되며, 합성곱층의 연산결과를 바탕으로, 가중치를 조절하는 역할을 수행한다. SENet의 장점은 딥러닝 아키텍처 내의 어떤 층에도 유연하게 적용할 수 있으며, 추가적인 계산량에 비해 정확도 증가량이 높다는 장점이 있다(Hu et al., 2018).

저자의 다른 논문 :

LOADING...

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