[논문]광학 및 레이더 위성영상으로부터 인공신경망을 이용한 공주시 산림의 층위구조 분류

이용석; 백원경; 정형섭

doi:10.7780/kjrs.2019.35.3.8

광학 및 레이더 위성영상으로부터 인공신경망을 이용한 공주시 산림의 층위구조 분류
Forest Vertical Structure Classification in Gongju City, Korea from Optic and RADAR Satellite Images Using Artificial Neural Network 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.35 no.3, 2019년, pp.447 - 455

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

초록
AI-Helper

기존의 식생정보는 대부분 5년 주기로 구축되어 최신성이 결여 되어있다. 식생의 조사는 사진측량과 사람의 현지조사로 이루어지며, 많은 시간과 비용을 소모하게 된다. 식생의 정보 중 식생층위구조에 대한 정보는 산림의 다양성과 환경을 평가하는 중요한 요소이다. 식생의 내부구조인 층위구조는 필수적 정보이지만, 일반적인 사진측량과 사람의 조사로는 한계점이 존재하게 된다. 본 연구에서는 KOMPSAT-3/3A/5 위성영상으로 부터 제작된 지수맵과 Texture맵, DSM(Digital Surface Model)과 DTM(Digital Terrain Model)의 차분으로 생성한 canopy정보를 Input layer로 층위자료를 인공신경망(Artificial Neural Network; ANN)을 이용하여 분류하였다. 단층과 다층의 산림의 층위 구조를 분류하여 최종분류결과 81.59% 확인하였다.

Abstract ▼ AI-Helper

Since the forest type map in Korea has been mostly constructed every five years, the forest information from the map lacks up-to-date information. Forest research has been carried out by aerial photogrammetry and field surveys, and hence it took a lot of times and money. The vertical structure of forests is an important factor in evaluating forest diversity and environment. The vertical structure is essential information, but the observation of the vertical structure is not easy because the vertical structure indicates the internal structure of forests. In this study, the index map and texture map produced from KOMPSAT-3/3A/5 satellite images and the canopy information generated by the difference between DSM (Digital Surface Model) and DTM (Digital Terrain Model) were classified using the artificial neural network. The vertical structure of forests of single and multi-layer forests was classified to identify 81.59% of the final classification result.

주제어

표/그림 (11)

그림 Fig. 1. Overall data process.
그림 Fig. 2. KOMPSAT-2 images acquired in the study area in (a) spring and (b) fall seasons.
표 Table 1. Imaging parameters of KOMPSAT-2 images
그림 Fig. 3. TerraSAR-X images acquired in the study area in (a) 2016 and (b) 2017.
그림 Fig. 4. (a) Digital surface elevation model (12 m) from WorldDEM, (b) Digital elevation model (5 m) from National geographic information institute (NGII).
표 Table 2. Imaging parameters of TerraSAR-X data
그림 Fig. 5. Reference data showing the spatial distribution of forest vertical structure.
그림 Fig. 6. Spring season KOMPSAT-2; (a) NDVI, (c) NDWI, (e) NDVI texture, (g) NDWI texture and fall season KOMPSAT-2; (b) NDVI, (d) NDWI, (f) NDVI texture, (h) NDWI texture, TerraSAR-X mean coherence; (i) CC1, (j) CC2, (k) canopy mean map, (l) canopy std map.
그림 Fig. 8. Classification of forest vertical structure type using ANN.
그림 Fig. 7. Probability map of forest vertical structure via ANN approach.
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

, 2016). 본 연구에서는 전술한 trade-off 관계를 고려하기 위하여 두 가지 종류의 긴밀도 영상을 생성하였다. 획득된 20160809_20160820,20170306_20170317 간섭영상에 대하여 스태킹을 수행하여, 공간 해상도를 유지시키면서 존재하는 speckle noise 성분을 저감했다.
이에 본 연구에서는 광학 및 레이더 위성영상과 인공신경망을 이용해 산림의 층위를 분류하고자 한다. 삼림의층위구조를단층과다층두단계로분류하였는데1층구조의 단층구조와 2, 3, 4층의 구조를 다층 구조로 분류하였다.
산림의 층위구조는 일반적으로 항공사진과 사람의 조사로 이루어지지만, 이는 많은 시간과 인력이 필요하다. 이에 본 연구에서는 원격탐사와 머신러닝기법을이용하여 산림층위구조를 분석 및 분류하는 방안을 고안하였다. Kwon et al.

제안 방법

DSM과 DTM을 이용하여 수목의 높이를 추정한다. DSM은 객체의 표면 높이 정보와 DTM은 지형정보 데이터로 DSM 값에서 DTM 값을 차분하면 객체의 높이를알수 있으며, 해당 연구지역에서는 수목의 높이를 추정할 수 있다(Kwon et al.
Kompsat-3/3A/5위성영상을이용하여제작한NDVI,NDWI(Normalized Difference Water Index) 지수맵과Texture 맵, 수목높이추정을 위해 DSM(Digital Surface Model)과 DTM의 차분한 canopy 정보를 생성하여 이를 입력 레이어(input layer)로 인공신경망에 적용한다. 인공신경망의 결과로 산림의 단층과 다층의 층위구조를 분류도를 작성하고, Error Matrix를 통해 분류 확률을 평가 하고자 한다.
6는인공신경망에적용하기위해제작된inputlayer를 나타낸다. 두시기의 KOPMSAT-2 영상으로 제작된NDVI, NDWI, NDVI Texture, NDWI Texture, TerraSARX의 mean coherence로 제작된 CC1과 CC2, DSM과 DTM을 차분하여 제작한 canopy mean map, canopy std map이다.
지형보정이 완료된 영상은 RED 밴드와 NIR 밴드의 조합으로 NDVI 지수맵을 작성한다. 또 Green 밴드와 NIR 밴드의 차이를 이용하여 식생의 캐노피 수분함량에 따른 분광 특성을 이용한 NDWI 지수맵을 제작하였다.
8은 임계값을 적용한 단층과 다층의 분류도이다. 분류도의 단층과 다층의 분류확률을 알아보기 위해 제 3차 전국자연환경조사의 현장조사 층위 정보를 참조자료로 Table 3와 같이 오차행렬(Error Matrix)를 작성하였다.
이에 본 연구에서는 광학 및 레이더 위성영상과 인공신경망을 이용해 산림의 층위를 분류하고자 한다. 삼림의층위구조를단층과다층두단계로분류하였는데1층구조의 단층구조와 2, 3, 4층의 구조를 다층 구조로 분류하였다.
선행 처리로 제작된 각 광학영상으로 제작된 NDVINDWI, NDVI texture, NDWI texture와 TerraSAR-X 영상으로 제작된 coherence map 2종과 canopy map 2종을 인공신경망의 input layer로 사용하였다. 데이터세트는 훈련에 영역의 70%의 데이터를 사용하였으며, 훈련에 10fold cross validation 방법이 사용되었다.
영상에서는 그림자에 의해 질감이 결정되는데, 수령과 수종이 일정한 단층구조의 경우 나무사이에 그림자가 일정하여 질감이 부드러우며, 수령과 수종이 다양한 다층구조의 경우 질감이 거칠다. 식생의 층위구조가 수고와 긴밀한 관련이 있다는 특징을 고려하여 수목의 높이(Canopy)를 구했다. 연구에 따르면 LiDAR 데이터는 수목의 높이를 측정하는데 탁월한 성능을 보인다(Kwon et al.
1은 본연구의 전체적인 연구흐름을 나타낸다. 연구는 위성영상의 넓은 영역에 대한 층위자료로 2009년 조사된 제 3차 전국자연환경조사의 현장조사 층위 정보를 사용한다. 층위 정보를 활용하기 위해 연구지역은 충청남도 공주시로 선정하였다.
반면에 CC2의 경우 필터링에 의하여 공간 해상도에 손실이 있으나 CC1에 비해 편이에 의한 효과는 낮은 특성을 가진다. 위성레이더 영상의 특성을 고려해 CC1, CC2를 제작하였다.
Kompsat-3/3A/5위성영상을이용하여제작한NDVI,NDWI(Normalized Difference Water Index) 지수맵과Texture 맵, 수목높이추정을 위해 DSM(Digital Surface Model)과 DTM의 차분한 canopy 정보를 생성하여 이를 입력 레이어(input layer)로 인공신경망에 적용한다. 인공신경망의 결과로 산림의 단층과 다층의 층위구조를 분류도를 작성하고, Error Matrix를 통해 분류 확률을 평가 하고자 한다.
데이터세트는 훈련에 영역의 70%의 데이터를 사용하였으며, 훈련에 10fold cross validation 방법이 사용되었다. 전체 영역에 대한 맵을 만들고 검증을 위해 인공신경망의 학습결과를 적용하여 확률도를 구하고, 단층과 다층을 분류도를 작성하였다. 전체 영역의 참조자료와 분류도에 대한 Error matrix를 통해 분류확률을 검증하였다.
전체 영역에 대한 맵을 만들고 검증을 위해 인공신경망의 학습결과를 적용하여 확률도를 구하고, 단층과 다층을 분류도를 작성하였다. 전체 영역의 참조자료와 분류도에 대한 Error matrix를 통해 분류확률을 검증하였다. 데이터 처리 및 인공신경망, Error matrix는 모두 Matlab으로 구현하였다.
제작한 지수맵의 보다 세분화된 산림정보 추출을 위해서는 산림의 특성을 구분할 수 있는 영상자료 기반의 정보가 요구되므로 지수맵의 질감(texteure) 데이터를 제작하였다. 영상에서는 그림자에 의해 질감이 결정되는데, 수령과 수종이 일정한 단층구조의 경우 나무사이에 그림자가 일정하여 질감이 부드러우며, 수령과 수종이 다양한 다층구조의 경우 질감이 거칠다.
면적이 넓고, 사람의 접근이 용이하지 않는 산림의 조사에 많은 비용과 시간을 소모하였다. 최근 광범위하고, 사람의 접근이 어려운 지역에 대해 효과적인 원격탐사와 대량의 데이터 분석이 가능한 머신러닝(Machine learning)기법을 적용하여 층위구조를 예측 및 분류하는 방법을 고안하였다. 주변 개체목과의 높이차로 다층의 경우 영상 질감이 거친 특징과 반사도 차이가 나타난다.
, 2015). 항공기보다 넓은 영역을 탐사하는 위성영상을 활용하기 위해 RADAR X밴드 센서로 제작된 WorldDEM과 국토지리정보원의 DTM(Digital Terrain Model)을 통해 수목의 높이를 추정 및 데이터의 질감을 파악하였다. Kwon et al.
확률도의 히스토그램(Histogram)에서 임계값을 설정하여 단층<0.5≦다층으로 분류하여 분류도를 작성하였다.

대상 데이터

Fig. 4(a)는 WorldDEM으로 12 m급 DSM으로 사용하였다. Fig.
선행 처리로 제작된 각 광학영상으로 제작된 NDVINDWI, NDVI texture, NDWI texture와 TerraSAR-X 영상으로 제작된 coherence map 2종과 canopy map 2종을 인공신경망의 input layer로 사용하였다. 데이터세트는 훈련에 영역의 70%의 데이터를 사용하였으며, 훈련에 10fold cross validation 방법이 사용되었다. 전체 영역에 대한 맵을 만들고 검증을 위해 인공신경망의 학습결과를 적용하여 확률도를 구하고, 단층과 다층을 분류도를 작성하였다.
연구는 위성영상의 넓은 영역에 대한 층위자료로 2009년 조사된 제 3차 전국자연환경조사의 현장조사 층위 정보를 사용한다. 층위 정보를 활용하기 위해 연구지역은 충청남도 공주시로 선정하였다. 연구에 사용된 광학 영상자료는 Fig.
층위구조는 높이와 관련이 있기 때문에 수목 높이를 측정하기 위해 항공기로 취득한 LiDAR(Light Detection and Ranging) 데이터를 사용한다(Zimble et al., 2003; Sunet al., 2008; Morsdorf et al., 2010; Mund et al., 2015). 항공기보다 넓은 영역을 탐사하는 위성영상을 활용하기 위해 RADAR X밴드 센서로 제작된 WorldDEM과 국토지리정보원의 DTM(Digital Terrain Model)을 통해 수목의 높이를 추정 및 데이터의 질감을 파악하였다.
DEM은 KOMPSAT-2 영상의 지형보정에도 사용되었다. 현장조사 자료로는 Fig. 5로 2009년 국립생태원에서 조사된 제 3차 전국자연환경조사 중 공주지역의 현존식생도를 사용했으며, 이 중 층위구조를 학습 및 검증자료로 이용하였다.

데이터처리

전체 영역의 참조자료와 분류도에 대한 Error matrix를 통해 분류확률을 검증하였다. 데이터 처리 및 인공신경망, Error matrix는 모두 Matlab으로 구현하였다.

이론/모형

연구에 사용될 광학영상의 지형보정을 위해 국토지정보원의 DTM을 이용하여 지형보정을 수행하였다. Statistical-empirical 모델을 선택하여 지형보정을 수행하였다(Lee et al., 2018). 지형보정이 완료된 영상은 RED 밴드와 NIR 밴드의 조합으로 NDVI 지수맵을 작성한다.
연구에 사용될 광학영상의 지형보정을 위해 국토지정보원의 DTM을 이용하여 지형보정을 수행하였다. Statistical-empirical 모델을 선택하여 지형보정을 수행하였다(Lee et al.
수목의 층위구조 분류에 사용된 머신런닝 기법은 인공신경망이다. 학습을 위해 멀티레이어 퍼셉트론 알고리즘(MultiLayer Perceptrons Algorithms; MLP)을 활용하였으며, MLP 알고리즘은 Input Layer, Hidden Layer,Output Layer로 구성되어 있으며, 각 시냅스(synapse)간 연결강도를 조정하며 최종적으로 예측 및 추정을 수행한다(Lee et al., 2018; Sarkar et al., 2018).

성능/효과

59%로 나타났다. 단층과다층의분류확률은사용자정확도(user accuracy)에서 단층은 30.66%로 낮게 나타났으며, 다층의 분류확률은 92.76%로 높게 나타났다.
먼저 산림지역에 해당하는 총 픽셀 수는 2,601,421개이며, 오차행렬을 통한 현지조사 자료와 인공신경망의 분류 전체 정확도는 81.59%로 나타났다. 단층과다층의분류확률은사용자정확도(user accuracy)에서 단층은 30.
생산자 정확도(producer accuracy)에서의 분류 확률은 단층 48.19%, 다층 85.91%로 생산자 정확도 역시 다층의 분류확률이 높게 나타났다. 단층과 다층의 오분류가 발생한 부분의 원인은 광학영상간의 촬영 시기차이 및 다른 데이터의 제작시기도 영향을 미쳤을 것으로 예측된다.
선행연구와 본연구의 연구결과로 원격탐사와 머신러닝 기법을 이용한 산림의 층위구조분석에 많은 영상자료와 식생데이터가 필수적인 요소이지만, 다층의 구분보다 단층과 다층의 분류가 더 적합하다는 결과이다.

후속연구

본 연구에서 다양한 시기의 영상자료를 확보하여 활용 못한 점과 다양한 기계학습 기법을 사용하지 못한 아쉬운 점이 남아있다. 자연림과 인공림의 특성과 나무의 특징 등 많은 정보와 다양한 기계학습기법을 이용한다면 사람의 접근이 수월하지 않은 광범위한 산림탐사에 더욱 발전이 가능할 것으로 기대된다.
본 연구에서 다양한 시기의 영상자료를 확보하여 활용 못한 점과 다양한 기계학습 기법을 사용하지 못한 아쉬운 점이 남아있다. 자연림과 인공림의 특성과 나무의 특징 등 많은 정보와 다양한 기계학습기법을 이용한다면 사람의 접근이 수월하지 않은 광범위한 산림탐사에 더욱 발전이 가능할 것으로 기대된다.
하지만 현지조사의 시기가 2009년에 이루어졌고,광학영상의 촬영시기가 2013년으로 약 4년의 시기차이로 단층구조의 산림구조가 자연림과 같은 2층 또는 3층의 다층구조화 되었을 가능성이 가장 높은 오분류 가능성으로 예측된다. 층위조사 자료와 input자료의 제작 시기 차이를 줄이고, 다양한 산림의 정보를 추가적으로 활용한다면 더 높은 분류 결과를 얻을 것으로 예측된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인공림은 무엇인가?	자연림은 오랜 기간 동안 많은 식생의 군락이 이루어졌고, 인공림은 과수농업, 목재생산, 재해예방 등 다양한 목적을 가지고 계획되어 객체의 밀집도가 낮으며 침엽수를 많이 심고, 주로 단층 구조이다(Lee et al., 2018).
	본 논문은 항공사진과 사람의 현지조사을 대신해 적용한 조사 방법은 무엇인가?	면적이 넓고, 사람의 접근이 용이하지 않는 산림의 조사에 많은 비용과 시간을 소모하였다. 최근 광범위하고, 사람의 접근이 어려운 지역에 대해 효과적인 원격탐사와 대량의 데이터 분석이 가능한 머신러닝(Machine learning)기법을 적용하여 층위구조를 예측 및 분류하는 방법을 고안하였다. 주변 개체목과의 높이차로 다층의 경우 영상 질감이 거친 특징과 반사도 차이가 나타난다.
	식생의 분광반사특성이 식생조사를 하는데 효과적인 이유가 무엇인가?	식생의 분광반사특성은 적색영역에서 가시광선 반사율이 낮아 녹색으로 보이며, red edge 파장에서 반사율이 커지기 때문에 식생조사를 하는데 효과적이라고 알려져 있다(Lee et al., 2018).

참고문헌 (15)

Bouaraba, A., A. Belhadj-Aissa, and D. Closson, 2016. Man-Made Change Detection Using High-Resolution Cosmo-SkyMed SAR Interferometry, Arabian Journal for Science and Engineering, 41(1): 201-208.

상세보기
Goldstein, R.M. and C.L. Werner, 1998. Radar inter - ferogram filtering for geophysical applications, Geophysical Research Letters, 25(21): 4035-4038.

상세보기
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.
Kang, H.Y., I.J. Kang, H. Choi, and S.C. Lee, 2000. The Estimate of Image Classification Accuracy Using Artificial Neural Networks, Journal of the Korean Society of Civil Engineers, 2000(4): 585-588.
Kwon, S.K., Y.S. Lee, D.S. Kim, and H.S. Jung, 2019. Classification of Forest Vertical Structure Using Machine Learning Analysis, Korean Journal of Remote Sensing, 35(2): 229-239 (in Korean with English abstract).
Lee, Y.S., S.H. Park, H.S. Jung, and W.K. Baek, 2018. Classification of Natural and Artificial Forests from KOMPSAT-3/3A/5 Images Using Artificial Neural Network, Korean Journal of Remote Sensing, 34(6): 1399-1414 (in Korean with English abstract).
Morsdorf, F., A. Marell, B. Koetz, N. Cassagne, F. Pimont, E. Rigolot, and B. Allgower, 2010. Discrimination of vegetation strata in a multilayered Mediterranean forest ecosystem using height and intensity information derived from airborne laser scanning, Remote Sensing of Environment, 114(7): 1403-1415.

상세보기
Mund, J.P., R. Wilke, M. Korner, and A. Schultz, 2015. Detecting multi-layered forest stands using high density airborne LiDAR data, Journal for Geographic Information Science, 1: 178-188.
Sarkar, T.K., C.S. Ryu, J.G. Kang, Y.S. Kang, S.R. Jun, S.H. Jang, J.W. Park, and H.Y. Song, 2018. Artificial Neural Network-based Model for Predicting Moisture Content in Rice Using UAV Remote Sensing Data, Korean Journal of Remote Sensing, 34(4): 611-624 (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.
Sun, G., K.J. Ranson, D.S. Kimes, J.B. Blair, and K. Kovacs, 2008. Forest vertical structure from GLAS: An evaluation using LVIS and SRTM data, Remote Sensing of Environment, 112(1): 107-117.

상세보기
Touzi, R., A. Lopes, J. Bruniquel, and P.W. Vachon, 1999. Coherence estimation for SAR imagery, IEEE Transactions on Geoscience and Remote Sensing, 37(1): 135-149.

상세보기
Zebker, H.A. and J. Villasenor, 1992. Decorrelation in interferometric radar echoes, IEEE Transactions on Geoscience and Remote Sensing, 30(5): 950-959.

상세보기
Zimble, D.A., D.L. Evans, G.C. Carlson, R.C. Parker, S.C. Grado, and P.D. Gerard, 2003. Characterizing vertical forest structure using small-footprint airborne LiDAR, Remote Sensing of Environment, 87(2-3): 171-182.

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