[논문]연속수치지형도를 활용한 격자기준 관심 지역 추출기법의 평가

정종철

doi:10.22640/lxsiri.2019.49.1.103

연속수치지형도를 활용한 격자기준 관심 지역 추출기법의 평가
Evaluation of Grid-Based ROI Extraction Method Using a Seamless Digital Map 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.49 no.1, 2019년, pp.103 - 112

초록
AI-Helper

위성영상 분류를 위한 관심 지역 추출은 국토 공간을 효율적으로 관리하기 위한 중요한 기술 중 하나이다. 하지만 위성영상 분류에 관한 최근의 연구들은 관심 지역을 선택하는데 있어서 영상 내의 정보에 의존하는 경우가 많다. 본 연구에서는 고해상도 영상으로부터 구축된 공간정보인 연속수치지형도를 활용하여 효과적인 관심 지역 선택 방안을 제시하였다. 본 연구에 사용된 공간정보는 국토지리정보원에서 제공하는 2013년~2017년 연속수치지형도와 환경부에서 제공하는 2015년 세종시 토지피복도를 활용하였다. 공간정보를 통해 추출된 관심 지역의 정확도 검증을 위해 2015년 10월 28일과 2018년 7월 7일 촬영된 KOMPSAT-3A호 위성영상을 사용하였다. 2013년~2015년 동안 연속수치지형도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하여 2015년 기초샘플을 추출하였다. 또한, 2015년~2017년 동안 연속수치지형도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하여 2018년 기초샘플을 추출하였다. 연속수치지형도와 토지피복도를 융합할 때 발생하는 중복된 영역은 데이터의 혼동을 방지하기 위해 모두 제거하였다. 최종적으로 관심 지역 내에서 검사점을 생성하고, 2015년, 2018년 K3A 위성영상과 오차행렬을 통해 추출된 관심 지역의 정확도를 나타냈으며 전체 정확도는 각각 약 93%, 72%로 나타났다. 관심 지역의 정확도 검증을 통해 정확하게 분류된 지역은 관심 지역으로써 사용할 수 있고 오분류된 지역은 변화탐지를 위한 참고자료로서 활용할 수 있다고 판단된다.

Abstract ▼ AI-Helper

Extraction of region of interest for satellite image classification is one of the important techniques for efficient management of the national land space. However, recent studies on satellite image classification often depend on the information of the selected image in selecting the region of interest. This study propose an effective method of selecting the area of interest using the continuous digital topographic map constructed from high resolution images. The spatial information used in this research is based on the digital topographic map from 2013 to 2017 provided by the National Geographical Information Institute and the 2015 Sejong City land cover map provided by the Ministry of Environment. To verify the accuracy of the extracted area of interest, KOMPSAT-3A satellite images were used which taken on October 28, 2018 and July 7, 2018. The baseline samples for 2015 were extracted using the unchanged area of the continuous digital topographic map for 2013-2015 and the land cover map for 2015, and also extracted the baseline samples in 2018 using the unchanged area of the continuous digital topographic map for 2015-2017 and the land cover map for 2015. The redundant areas that occurred when merging continuous digital topographic maps and land cover maps were removed to prevent confusion of data. Finally, the checkpoints are generated within the region of interest, and the accuracy of the region of interest extracted from the K3A satellite images and the error matrix in 2015 and 2018 is shown, and the accuracy is approximately 93% and 72%, respectively. The accuracy of the region of interest can be used as a region of interest, and the misclassified region can be used as a reference for change detection.

주제어

표/그림 (9)

표 Table 1. Data source and list of spatial information for ROI extraction
그림 Figure 1. Study area in Sejong city (top) and K3A image (a) Oct 28, 2015 (b) July 7, 2018
그림 Figure 2. Flowchart of ROI extraction
그림 Figure 3. An example of ROI extraction from Seamless digital map (a) 2015 Land cover map in Sejong (b) ROI with 100m x 100m grid applied.
그림 Figure 4. Comparison of seamless digital map from 2013 to 2017 and unchanged areas.
그림 Figure 5. Result of ROI extraction based on spatial information and ground truth points for accuracy verification.
표 Table 2. Confusion matrix between ROI ground truth points during 2013-2015 and 2015 K3A image (OA=Overall accuracy)
표 Table 3. Confusion matrix between ROI ground truth points during 2015-2017 and 2018 K3A image (OA=Overall accuracy)
그림 Figure 6. Ground truth points appeared in Table 2.

AI 본문요약
AI-Helper

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

문제 정의

하지만 연구지역이나 위성영상이 달라질 경우 임계값도 달라질 수 있기 때문에 일반적으로 활용하기에 적합하지 않다고 판단하였다. 따라서 본 연구에서는 기 구축된 공간정보 중 갱신주기가 짧고 관심 지역 선택에 효과적으로 사용될 수 있는 연속수치지형도를 사용하여 안정적이고 주기적인 관심지역 획득 방법을 개발하였다. 이를 통해 국가 공간정보를 시간과 비용 측면에서 효율적으로 생산해내는 것을 목표로 하였다.
Figure 2는 연구 흐름도를 나타낸 것이다. 본 연구는 기 구축된 공간정보에서 공간분석을 통해 관심 지역을 추출해내고 이를 병합, 제거, 수정을 통해서 가장 적절한 관심지역을 추출해내는 것이 본 연구의 목적이다. 연속수치지형도는 위성영상과 항공사진을 통해 매년 변화된 지점을 추가하거나 제거하는 방식으로 기존의 데이터를 갱신하고 있다.
본 연구에서는 기 구축된 공간정보인 연속수치지형도와 토지피복지도를 활용하여 관심지역을 추출하는 방안을 제시하였다. 연속수치지형도로부터 도로, 건물, 농업지역을 추출하였으며 산림, 나지는 토지피복지도로부터 보완하였다.
본 연구에서는 토지분류를 건물, 도로, 농업지역, 산림, 나지 총 5가지로 설정하고 추출된 관심 지역의 정확도를 평가하기 위해 위성영상 검사점을 이용하여 관심지역 정확도를 오차 행렬로 나타냈다.
따라서 본 연구에서는 기 구축된 공간정보 중 갱신주기가 짧고 관심 지역 선택에 효과적으로 사용될 수 있는 연속수치지형도를 사용하여 안정적이고 주기적인 관심지역 획득 방법을 개발하였다. 이를 통해 국가 공간정보를 시간과 비용 측면에서 효율적으로 생산해내는 것을 목표로 하였다. 또한, 제시된 방법의 유효성을 검정하기 위해 관심지역 범위내에서 무작위 위치로 검사점을 생성하였고, 육안판독을 통해 정확도를 평가하여 오차 행렬(Confusion matrix)로 나타냈다.

제안 방법

Figure 3(a)을 영상의 분류에 기초적인 관심지역(ROI)으로 활용할 경우 분류 항목마다 크기가 다르고 연구지역에 불규칙하게 분포하고 있어 분광특성의 정보 왜곡이 생기기 쉽다. 따라서 본 연구에서는 Figure 3(b)과 같이 격자로 관심 지역을 분할하고 내부 버퍼(negative buffer)를 적용하여 위성영상의 분류를 위한 분광특성을 격자 단위의 공간으로 세부적인 추출을 수행하였다.
Figure 5(c)는 Figure 5(b)에서 나타낸 관심 지역 내에서 무작위로 각 분류마다 20개씩 총 100개의 검사점을 생성하였고, Figure 5(f)는 Figure 5(e)에서 나타낸 관심지역 내에서 무작위로 검사점을 생성한 것으로 각 분류마다 20개씩 총 100개의 검사점을 생성하여 본 연구의 격자추출결과를 검증하였다. 관심 지역에서 추출한 검사점과 2015년, 2018년 K3A 위성영상을 이용해 관심지역 정확도를 오차 행렬로 나타냈다(Table 2, Table 3).
(2012)는 HJ-1 위성영상과 1:100,000축척의 토지피복지도를 이용하여 상하이 Qingpu 지구에서 2005년부터 2009년 사이의 토지피복변화를 분석하였다. 농지, 산림, 초지, 수역, 시가화 총 5가지 분류로 관심 지역을 선택하였으며, 관심 지역 내에 밴드별 DN값을 3차원 산점도를 통해 분광특성을 나타냈다. 결과에서 제시된 알고리즘은 중국 토지피복지도의 활용성을 나타냈다.
또한, 다년간 변화하지 않은 공간정보는 이후에도 동일한 토지 분류일 가능성이 높다고 판단하여 2015년 위성영상 기준으로 2013년~2015년 동안 연속수치지도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하였고, 2018년 위성영상 기준으로 2015년~2017년 동안 연속수치지도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하였다. 두 공간정보의 융합을 통해 생성된 관심지역은 영역의 축소가 필요하여 격자와 내부 버퍼를 적용하였다. 또한, 추출된 관심지역의 유용성을 분석하기 위해 100개의 검사점을 통해 위성영상과 비교하여 정확도 검증을 수행하였으며 다음과 같은 결론을 얻었다.
연속수치지형도는 위성영상과 항공사진을 통해 매년 변화된 지점을 추가하거나 제거하는 방식으로 기존의 데이터를 갱신하고 있다. 따라서 본 연구에서는 다년간 변화되지 않은 지점을 토지피복분류를 위한 관심지역으로 활용하였다. 본 연구에서는 QGIS 3.
농업, 산림, 나지의 경우 관심지역에서 각 폴리곤이 차지하는 영역이 넓어 영상 분류시 오차가 발생할 확률이 높다고 판단하였다. 따라서 본 연구에서는 다른 토지분류에 비해 길이가 길고 넓이가 좁은 도로와 건물을 제외하고, 농업, 산림, 나지에 대해 내부 버퍼를 적용하였다.
2015년과 2018년 사이에 연구지역에서는 도시개발이 이루어져 일부 농업지역, 나지 지역이 도로, 건물로 변화가 이루어져 토지 특성이 다르다. 따라서, 2015년과 2018년 두 시기로 나누고 각 시기에 따라 공간정보를 통해 생성된 관심지역의 정확도를 검증하였다. 2015년에 촬영된 K3A 영상은 2013년부터 2015년 동안 제작된 연속수치지형도를 사용하고, 2018년에 촬영된 K3A 영상은 2015년부터 2017년 동안 제작된 연속수치지형도를 사용하였다.
연속수치지형도로부터 도로, 건물, 농업지역을 추출하였으며 산림, 나지는 토지피복지도로부터 보완하였다. 또한, 다년간 변화하지 않은 공간정보는 이후에도 동일한 토지 분류일 가능성이 높다고 판단하여 2015년 위성영상 기준으로 2013년~2015년 동안 연속수치지도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하였고, 2018년 위성영상 기준으로 2015년~2017년 동안 연속수치지도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하였다. 두 공간정보의 융합을 통해 생성된 관심지역은 영역의 축소가 필요하여 격자와 내부 버퍼를 적용하였다.
두 공간정보의 융합을 통해 생성된 관심지역은 영역의 축소가 필요하여 격자와 내부 버퍼를 적용하였다. 또한, 추출된 관심지역의 유용성을 분석하기 위해 100개의 검사점을 통해 위성영상과 비교하여 정확도 검증을 수행하였으며 다음과 같은 결론을 얻었다.
또한, 각각 3년간 동일하게 중첩되는 영역만을 추출하여 변화되지 않은 영역으로 나타냈다. 본 연구에서는 Figure 5와 같은 형태로 연속수치지형도와 토지피복지도를 이용하여 관심 지역을 선정하였다. Figure 4의 연속수치지형도에서 추출한 다년간 변화되지 않은 2015년, 2018년 시가화와 농업지역을 2015년 세종시 토지피복지도의 산림, 나지와 병합하였다.
본 연구에서는 공간정보를 활용하여 추출한 관심지역의 정확도 검증을 위해 고해상도 위성영상 검증자료로 오차검증을 수행하였다. Figure 1은 검증에 사용된 위성영상으로 2015년 10월 28일 과 2018년 7월 7일에 촬영된 K3A 영상이다.
국토통계지도에서는 공간정보를 나타내기 위해 100km, 10km, 1km, 500m, 250m, 100m와 같이 일정한 격자를 통해 분할하여 제공하고 있다. 본 연구에서는 제시한 방법을 통해 국가 공간정보 생성 기준에 대해 고려하기 위해 가장 작은 격자 단위 중 하나인 100m x 100m 단위를 적용하였다.
본 연구에서는 기 구축된 공간정보인 연속수치지형도와 토지피복지도를 활용하여 관심지역을 추출하는 방안을 제시하였다. 연속수치지형도로부터 도로, 건물, 농업지역을 추출하였으며 산림, 나지는 토지피복지도로부터 보완하였다. 또한, 다년간 변화하지 않은 공간정보는 이후에도 동일한 토지 분류일 가능성이 높다고 판단하여 2015년 위성영상 기준으로 2013년~2015년 동안 연속수치지도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하였고, 2018년 위성영상 기준으로 2015년~2017년 동안 연속수치지도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하였다.
(2016)는 고해상도 원격 영상에서 효과적인 관심 영역을 추출하기 위해 ND-LWT를 기반으로 영상의 구조, 가장자리, 형태, 방향, 공간정보를 담아내는 기법을 사용하였다. 영상의 방사값을 히스토그램 기법을 통해 구분하고 나타낸 정보와 ND-LWT 기법으로 나타낸 정보를 가중 융합하여 정확한 관심 영역을 추출하였다. 결론으로 도출된 알고리즘은 11개의 다른 알고리즘들과 비교하여 배경정보를 보다 효과적으로 제거하고 경계와 형상을 추출하였다.
Kiadtikornthaweeyot and Tatnall(2016)은 고해상도 위성영상 내에서 영상 처리 기법을 통해 물체를 분류하고 관심 지역으로 식별하는 자동 알고리즘을시하였다. 위성영상의 특정 영역에서 히스토그램 분할, 가장자리, 텍스쳐 분할을 사용해 자동으로 영상을 분할하고 불필요한 부분을 제거하였다. 또한, 본 선행연구에서 제안된 방법을 통해 수작업으로 관심 지역을 추출하는 것보다 적절한 방법이라 제시하고 있다.
MBI, MSI, NDWI, NDVI와 같은 정규지수들을 분류에 활용하였으며, 특히 MBI로 나타난 지붕의 반사율을 통해 건물과 인접한 곳의 그림자를 추출하였고, 분류된 토지피복 유형은 건물, 그림자, 수계, 식생 및 나대지로 나타났다. 이 연구에서는 OpenStreetMap(OSM) 자료를 이용하여 사전에 정의된 면적 범위 이내의 폴리곤을 선택한 후 폴리곤 경계와 접한 화소를 제외하는 방식으로 관심 지역을 선택하였다. 이렇게 선택된 폴리곤 내의 관심 지역을 이용하여 분류한 결과 전체정확도가 80% 초반으로 나타났다.
최근 공간정보를 활용한 위성영상 분류에 관한 연구로 조기환･정종철(2018)은 토지피복지도를 활용해 훈련지역 선택과정을 자동화함으로써 영상처리 과정의 비용과 시간을 절감하는 방안을 제시하였다. 이 연구에서는 Sentinel영상과 원주시의 2014년 중분류 토지피복지도 경계를 기준으로 내부 버퍼(negative buffer)를 적용하였다. 이를 통해 경계 부분을 제외함으로써 보다 특징적인 훈련자료를 수집하였다.

대상 데이터

따라서, 2015년과 2018년 두 시기로 나누고 각 시기에 따라 공간정보를 통해 생성된 관심지역의 정확도를 검증하였다. 2015년에 촬영된 K3A 영상은 2013년부터 2015년 동안 제작된 연속수치지형도를 사용하고, 2018년에 촬영된 K3A 영상은 2015년부터 2017년 동안 제작된 연속수치지형도를 사용하였다. 또한, 각각 3년간 동일하게 중첩되는 영역만을 추출하여 변화되지 않은 영역으로 나타냈다.
본 연구에서는 공간정보를 활용하여 추출한 관심지역의 정확도 검증을 위해 고해상도 위성영상 검증자료로 오차검증을 수행하였다. Figure 1은 검증에 사용된 위성영상으로 2015년 10월 28일 과 2018년 7월 7일에 촬영된 K3A 영상이다. K3A 위성은 한국항공우주연구원에서 개발한 55cm급 해상도의 전자광학카메라와 적외선 센서를 탑재한 고해상도 지구관측위성으로 2015년 3월에 발사된 관측위성이다.
Table 1은 본 연구에서 사용된 데이터를 나타낸 것이다. 본 연구에서는 관심 지역 추출을 위해 국토지리정보원에서 제공하고 있는 2013년부터 2017년까지의 세종특별자치시 1:5000 연속수치지형도를 사용하였다.
연속수치지형도에서는 총 8가지의 대분류를 나타내고 있으며 그 중 교통, 건물, 식생 레이어에서 면형 데이터만을 추출하여 관심지역 선택에 활용하였다. 연속수치지형도에서 등고선으로 나타나는 산림, 초지, 나지의 경우 환경부에서 제공하는 2015년 세종특별자치시 세분류 토지피복지도를참고하였다.
이 연구에서는 Sentinel영상과 원주시의 2014년 중분류 토지피복지도 경계를 기준으로 내부 버퍼(negative buffer)를 적용하였다. 이를 통해 경계 부분을 제외함으로써 보다 특징적인 훈련자료를 수집하였다. 또한, 수집된 훈련자료에서 NDVI를 활용해 각 분류 유형의 특성을 반영할 수 있는 지역을 훈련지역으로 선택하였으며, 이렇게 선택된 훈련지역으로 분류한 결과 86%대의 분류정확도를 보였다.

데이터처리

(2017)은 프랑스 Brittany 지역을 대상으로 국가 참조 지형도를 사용하여 관심 영역을 생성하고 딥러닝 알고리즘 중 하나인 Deep Convolutional Neural Networks (DCNNs) 기법의 성능을 검증하였다. 또한 SPOT 6, 7호 위성영상을 사용하여 2014년과 2016년 사이의 변화탐지를 수행하고 평균 90%의 분류정확도를 나타냈다. Zhang et al.
이를 통해 국가 공간정보를 시간과 비용 측면에서 효율적으로 생산해내는 것을 목표로 하였다. 또한, 제시된 방법의 유효성을 검정하기 위해 관심지역 범위내에서 무작위 위치로 검사점을 생성하였고, 육안판독을 통해 정확도를 평가하여 오차 행렬(Confusion matrix)로 나타냈다.
따라서 본 연구에서는 다년간 변화되지 않은 지점을 토지피복분류를 위한 관심지역으로 활용하였다. 본 연구에서는 QGIS 3.6 버전을 사용하여 공간분석을 수행하였다.

성능/효과

Neware and Khan(2018)은 지역 성장 알고리즘을 사용하여 식생 지역, 비식생 지역, 수역, 시가화 지역 4가지 영역에 대해 관심 지역을 추출한 바가 있다. 5가지 감독 분류기법을 적용하여 정확도를 산출해냈으며 농작물 지역에 대해 약 90%의 정확한 분류 결과를 이끌어냈다. Huang et al.
(2015)은 World View- 2, GeoEye -1등의 고해상도 영상을 이용하여 도시지역의 토지피복을 분류하였다. MBI, MSI, NDWI, NDVI와 같은 정규지수들을 분류에 활용하였으며, 특히 MBI로 나타난 지붕의 반사율을 통해 건물과 인접한 곳의 그림자를 추출하였고, 분류된 토지피복 유형은 건물, 그림자, 수계, 식생 및 나대지로 나타났다. 이 연구에서는 OpenStreetMap(OSM) 자료를 이용하여 사전에 정의된 면적 범위 이내의 폴리곤을 선택한 후 폴리곤 경계와 접한 화소를 제외하는 방식으로 관심 지역을 선택하였다.
2018년 K3A 위성영상과 검사점의 정확도 검증결과 전체정확도가 72%로 나타나 2015년보다 낮은 수치를 나타냈다. 건물에서 75%, 도로 70%, 나지 70%로 나타나 전체적으로 정확도가 낮아진 것을 확인할 수 있으며 특히 농업지역에서는 정확도가 45%까지 낮아진 것을 확인할 수 있다. 정확도가 낮아진 이유로는 관심지역으로 사용된 공간정보의 제작시기와 위성영상의 촬영시기가 일치하지 않아 두 시점 사이에 토지이용변화가 일어났기 때문으로 판단된다.
농지, 산림, 초지, 수역, 시가화 총 5가지 분류로 관심 지역을 선택하였으며, 관심 지역 내에 밴드별 DN값을 3차원 산점도를 통해 분광특성을 나타냈다. 결과에서 제시된 알고리즘은 중국 토지피복지도의 활용성을 나타냈다. 또한, 토지피복도와 위성영상의 제작 시기가 5년 이하의 차이라면 사용 가능하다는 결론을 도출했다.
영상의 방사값을 히스토그램 기법을 통해 구분하고 나타낸 정보와 ND-LWT 기법으로 나타낸 정보를 가중 융합하여 정확한 관심 영역을 추출하였다. 결론으로 도출된 알고리즘은 11개의 다른 알고리즘들과 비교하여 배경정보를 보다 효과적으로 제거하고 경계와 형상을 추출하였다.
둘째, 관심지역에 대해 정확도 검증결과 2015년에는 농업 지역에서 낮은 정확도를 나타냈고, 2018년에는 농업, 나지 지역이 낮은 정확도를 나타냈다. 따라서 2015년에는 시가화 지역에서 대부분 나지로 변화가 일어났고 2018년에는 나지가 도로 및 건물로, 농업에서 나지로 대부분 변화가 나타났다는 것을 의미한다.
이를 통해 경계 부분을 제외함으로써 보다 특징적인 훈련자료를 수집하였다. 또한, 수집된 훈련자료에서 NDVI를 활용해 각 분류 유형의 특성을 반영할 수 있는 지역을 훈련지역으로 선택하였으며, 이렇게 선택된 훈련지역으로 분류한 결과 86%대의 분류정확도를 보였다. 하지만 훈련지역을 선택하는 과정에서 사용된 토지피복지도는 갱신주기가 길어 위성영상과 제작시기가 틀릴 경우 범용성에 한계가 있다.
결과에서 제시된 알고리즘은 중국 토지피복지도의 활용성을 나타냈다. 또한, 토지피복도와 위성영상의 제작 시기가 5년 이하의 차이라면 사용 가능하다는 결론을 도출했다. Kiadtikornthaweeyot and Tatnall(2016)은 고해상도 위성영상 내에서 영상 처리 기법을 통해 물체를 분류하고 관심 지역으로 식별하는 자동 알고리즘을시하였다.

후속연구

향후 연속지적도, 스마트 팜 맵 지도, 임상도, 국가도로교통망 공간지도 등 다양한 국가공간정보를 생산하는 데 있어서 국토위성과 같은 고해상도 위성영상의 활용에 본 연구의 기초이론을 바탕으로 활용 가능성을 확대할 수 있는 연구과제를 향후 연구과제로 도출할 수 있다. 또한 위성영상 활용센터와 같은 국가기관은 차세대중형위성의 다양한 부처별 고해상도 위성영상과 해당 국가공간정보의 연계를 통해 효율적인 국가공간정보의 생산과 검증 등의 위성영상처리 시간을 단축시키는데 기여할 것으로 기대할 수 있다.
따라서 2015년에는 시가화 지역에서 대부분 나지로 변화가 일어났고 2018년에는 나지가 도로 및 건물로, 농업에서 나지로 대부분 변화가 나타났다는 것을 의미한다. 이와같이 연속수치지형도와 토지피복도와 같은 공간정보 데이터 베이스를 활용하여 국토위성과 같은 고해상도 위성영상의 분류검증과 변화탐지의 영상처리에 공간정보의 활용이 효과적으로 제공될 수 있는 것으로 판단된다. 향후 연속지적도, 스마트 팜 맵 지도, 임상도, 국가도로교통망 공간지도 등 다양한 국가공간정보를 생산하는 데 있어서 국토위성과 같은 고해상도 위성영상의 활용에 본 연구의 기초이론을 바탕으로 활용 가능성을 확대할 수 있는 연구과제를 향후 연구과제로 도출할 수 있다.
첫째, 본 연구는 국가에서 제공하고 있는 공간정보를 통해 일정한 임계값의 격자와 버퍼의 영역을 선정하고 관심지역을 추출하였기 때문에 이를 자동화하여 분류지역을 탐색한다면 국토위성과 같은 고해상도 위성영상의 효율적인 영상처리 시간을 제공할 것으로 판단된다.
이와같이 연속수치지형도와 토지피복도와 같은 공간정보 데이터 베이스를 활용하여 국토위성과 같은 고해상도 위성영상의 분류검증과 변화탐지의 영상처리에 공간정보의 활용이 효과적으로 제공될 수 있는 것으로 판단된다. 향후 연속지적도, 스마트 팜 맵 지도, 임상도, 국가도로교통망 공간지도 등 다양한 국가공간정보를 생산하는 데 있어서 국토위성과 같은 고해상도 위성영상의 활용에 본 연구의 기초이론을 바탕으로 활용 가능성을 확대할 수 있는 연구과제를 향후 연구과제로 도출할 수 있다. 또한 위성영상 활용센터와 같은 국가기관은 차세대중형위성의 다양한 부처별 고해상도 위성영상과 해당 국가공간정보의 연계를 통해 효율적인 국가공간정보의 생산과 검증 등의 위성영상처리 시간을 단축시키는데 기여할 것으로 기대할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	연속수치지형도란 무엇인가?	연속수치지형도는 과거 도엽단위로 제작된 수치지형도의 활용성 한계를 극복하기 위해 제작된 전국단위의 통합 수치지형도이다. 연속수치지형도에서는 총 8가지의 대분류를 나타내고 있으며 그 중 교통, 건물, 식생 레이어에서 면형 데이터만을 추출하여 관심지역 선택에 활용하였다.
	연속수치지형도는 어떤 방식으로 기존의 데이터를 갱신하고 있는가?	본 연구는 기 구축된 공간정보에서 공간분석을 통해 관심 지역을 추출해내고 이를 병합, 제거, 수정을 통해서 가장 적절한 관심지역을 추출해내는 것이 본 연구의 목적이다. 연속수치지형도는 위성영상과 항공사진을 통해 매년 변화된 지점을 추가하거나 제거하는 방식으로 기존의 데이터를 갱신하고 있다. 따라서 본 연구에서는 다년간 변화되지 않은 지점을 토지피복분류를 위한 관심지역으로 활용하였다.
	토지피복을 분류하기 위한 정규지수에는 어떤 것들이 있는가?	(2015)은 World View- 2, GeoEye -1등의 고해상도 영상을 이용하여 도시지역의 토지피복을 분류하였다. MBI, MSI, NDWI, NDVI와 같은 정규지수들을 분류에 활용하였으며, 특히 MBI로 나타난 지붕의 반사율을 통해 건물과 인접한 곳의 그림자를 추출하였고, 분류된 토지피복 유형은 건물, 그림자, 수계, 식생 및 나대지로 나타났다. 이 연구에서는 OpenStreetMap(OSM) 자료를 이용하여 사전에 정의된 면적 범위 이내의 폴리곤을 선택한 후 폴리곤 경계와 접한 화소를 제외하는 방식으로 관심 지역을 선택하였다.

저자의 다른 논문 :

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