[논문]심층신경망 모델을 이용한 고해상도 KOMPSAT-3 위성영상 기반 토지피복분류

문갑수; 김경섭; 정윤재

doi:10.11108/kagis.2020.23.3.252

심층신경망 모델을 이용한 고해상도 KOMPSAT-3 위성영상 기반 토지피복분류
Land Cover Classification Based on High Resolution KOMPSAT-3 Satellite Imagery Using Deep Neural Network Model 원문보기

한국지리정보학회지 = Journal of the Korean Association of Geographic Information Studies, v.23 no.3, 2020년, pp.252 - 262

문갑수 ((주)지오씨엔아이 공간정보기술연구소) , 김경섭 ((주)지오씨엔아이 공간정보기술연구소) , 정윤재 ((주)지오씨엔아이 공간정보기술연구소)

초록
AI-Helper

원격탐사 분야에서 토지피복분류에는 머신러닝 기반의 SVM 모델이 대표적으로 활용되고 있는 한편, 신경망 모델을 이용한 연구도 지속적으로 수행되고 있다. 다목적실용위성의 고해상도 영상을 이용한 연구는 미흡한 실정이며, 따라서 본 연구에서는 고해상도 KOMPSAT-3 위성영상을 이용하여 신경망 모델의 토지피복분류 정확도를 평가하고자 하였다. 경주시 인근 해안지역의 위성영상을 취득하여 훈련자료를 제작하고, 물과 식생 및 육지의 세 항목에 대해 SVM, ANN 및 DNN 모델로 토지피복을 분류하였다. 분류 결과의 정확도를 오차 행렬을 통해 정량적으로 평가한 결과 DNN 모델을 활용한 토지피복분류가 92.0%의 정확도로 가장 우수한 결과를 나타냈다. 향후 다중 시기의 위성영상을 통해 훈련자료를 보완하고, 다양한 항목에 대한 분류를 수행 및 검증한다면 연구의 신뢰성을 높일 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

In Remote Sensing, a machine learning based SVM model is typically utilized for land cover classification. And study using neural network models is also being carried out continuously. But study using high-resolution imagery of KOMPSAT is insufficient. Therefore, the purpose of this study is to assess the accuracy of land cover classification by neural network models using high-resolution KOMPSAT-3 satellite imagery. After acquiring satellite imagery of coastal areas near Gyeongju City, training data were produced. And land cover was classified with the SVM, ANN and DNN models for the three items of water, vegetation and land. Then, the accuracy of the classification results was quantitatively assessed through error matrix: the result using DNN model showed the best with 92.0% accuracy. It is necessary to supplement the training data through future multi-temporal satellite imagery, and to carry out classifications for various items.

주제어

표/그림 (11)

그림 FIGURE 1. Study area and KOMPSAT-3 satellite image
그림 FIGURE 2. Flowchart showing the procedure carried out in this study
그림 FIGURE 3. Training sampling example
그림 FIGURE 4. Result from classification by SVM model
그림 FIGURE 5. Result from classification by ANN model
그림 FIGURE 6. Result from classification by DNN model
그림 FIGURE 8. Inspection points on the results classified by each model
그림 FIGURE 7. Randomly extracted Inspection Point
표 TABLE 1. The accuracy through the error matrix using SVM
표 TABLE 2. The accuracy through the error matrix using ANN
표 TABLE 3. The accuracy through the error matrix using DNN

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 고해상도 KOMPSAT-3 위성 영상을 활용하여 SVM, ANN 및 DNN 모델의 토지피복분류 정확도를 평가하기 위해 오차 행렬을 사용하여 전체 정확도와 생산자 및 사용자 정확도를 비교하였다. 전체 정확도는 일반적인 정확도를 의미하고, 생산자 정확도는 토지피복 도를 만든 분석가의 관점에서 분류 모델이 얼마나 정확하게 분류해 내느냐의 관점에서의 정확도를 의미하며, 사용자 정확도는 토지피복도를 사용하는 관점에서 생성된 토지피복도가 실제 지표 피복과 얼마나 일치하느냐 하는 관점에서의 정확도를 뜻한다.
본 연구에서는 고해상도 KOMPSAT-3 위성 영상을 활용한 토지피복분류에 있어서 대표적으로 우수한 SVM 모델과 비교하여 신경망 모델인 ANN 및 DNN의 토지피복분류 정확도를 평가하였다. ANN 모델에 의한 피복분류는 상대적으로 저조한 정확도를 나타내었지만, DNN 모델에 의한 피복분류는 SVM 모델을 이용한 분류에 비해 전체 정확도는 1.
본 연구에서는 해안지역의 토지피복을 SVM, ANN 및 DNN 모델로 각각 분류하여 토지피복 도를 생성하고, 대표적인 분류기인 SVM과 비교하여 신경망 모델의 분류 정확도를 평가하고자 하였다. 고해상도 KOMPSAT-3 위성영상을 활용하여 토지피복을 분류하고 정확도를 평가하는 과정은 그림 2에서 확인할 수 있다.
분류 기법이 발달하면서 다양한 연구들이 수행되었음에도 고해상도 위성영상, 특히 국내위성인 KOMPSAT 위성영상 기반의 해안지역 토지피복분류에 신경망 모델을 활용한 연구는 미흡한 실정이다. 해안지역의 경우 물과 육지의 경계이므로 신경망 분류법에 의해 분류 정확도를 높일 수 있을 것으로 판단되며, 따라서 본 연구에서는 고해상도 국내위성인 KOMPSAT-3 위성영상을 바탕으로 한 해안지역 토지피복분류에 있어서 대표적인 분류 기법인 SVM과 비교하여 기본적인 신경망 모델인 ANN 및 DNN의 분류 정확도 평가를 시도하고자 하였다.

제안 방법

높은 정확도의 토지피복을 분류하기 위해 본 연구에서는 4개의 은닉층을 사용하였는데, 보다 많은 개수의 은닉층을 사용한 실험을 거쳤으나 정확도 측면에서 유의미한 차이를 보이지 않아 최종적으로 4개의 은닉층으로 DNN 모델을 구성하였다. 각 은닉층의 노드 수는 100개로 지정하였으며, 입력 노드의 개수는 영상의 밴드수와 동일한 4개, 출력 노드의 개수는 분류할 클래스(물, 식생 육지) 수와 같은 3개로 설정하였다.
따라서 본 연구에서는 고해상도 위성인 KOMPSAT-3 영상을 이용하여 대표적인 분류 기법인 SVM 모델과 신경망 모델인 ANN 및 DNN의 토지피복분류 정확도를 비교·평가하였다. 경주시 인근 해안지역의 고해상도 KOMPSAT-3 위성영상을 취득하여 훈련자료를 제작하고, 물, 식생, 육지의 세 가지 항목을 SVM, ANN 및 DNN의 세 가지 모델로 분류하였다. 분류 결과에 대해 오차 행렬을 이용한 정량적 평가 결과 DNN 모델을 통한 토지피복분류가 상대적으로 가장 우수한 결과를 나타냈다는 것을 확인하였다.
기본적으로 여러 개의 은닉층(Hidden Layer)이 사용되며, 다양한 비선형적 관계를 학습할 수 있어 패턴 인식에 뛰어난 모습을 보인다. 높은 정확도의 토지피복을 분류하기 위해 본 연구에서는 4개의 은닉층을 사용하였는데, 보다 많은 개수의 은닉층을 사용한 실험을 거쳤으나 정확도 측면에서 유의미한 차이를 보이지 않아 최종적으로 4개의 은닉층으로 DNN 모델을 구성하였다. 각 은닉층의 노드 수는 100개로 지정하였으며, 입력 노드의 개수는 영상의 밴드수와 동일한 4개, 출력 노드의 개수는 분류할 클래스(물, 식생 육지) 수와 같은 3개로 설정하였다.
따라서 본 연구에서는 고해상도 위성인 KOMPSAT-3 영상을 이용하여 대표적인 분류 기법인 SVM 모델과 신경망 모델인 ANN 및 DNN의 토지피복분류 정확도를 비교·평가하였다.
지리정보의 분석 및 처리가 가능한 오픈소스 기반의 QGIS를 이용하여 KOPMSAT-3 영상에서 샘플(Sample)을 취득하였으며, 해안선 경계 분류에 있어 SVM 및 신경망 모델의 차이점을 판단하기 용이하도록 물(Water)과 식생(Vegetation) 및 그 외의 육지(Land)의 주요 세 가지 항목만을 구분하였다. 샘플은 화소 단위로 추출하였고 각 항목당 1,000개 이상의 화소를 포함한 영역을 잘라 항목별로 분류하여 SHP 파일을 생성하였다. 그림 3은 KOMPSAT-3 영상에서 지정한 샘플 영역의 예시이다.
연구 대상 지역을 선정한 후 그에 대한 KOMPSAT-3 위성영상을 취득하였으며, 해당 영상을 바탕으로 분류 모델의 훈련자료(Training Dataset)를 제작하였다. 지리정보의 분석 및 처리가 가능한 오픈소스 기반의 QGIS를 이용하여 KOPMSAT-3 영상에서 샘플(Sample)을 취득하였으며, 해안선 경계 분류에 있어 SVM 및 신경망 모델의 차이점을 판단하기 용이하도록 물(Water)과 식생(Vegetation) 및 그 외의 육지(Land)의 주요 세 가지 항목만을 구분하였다.
각 모델에 의해 분류된 결과의 정확도를 평가하기 위한 정량적인 분석 방법으로 오차 행렬(Error Matrix)를 활용하였다. 오차 행렬은 분석된 분류값과 참고자료를 바탕으로 수치화한 도표로(Kang et al., 2012), 본 연구에서는 100개의 검사 지점을 임의로 추출하여 각 지점의 자료를 바탕으로 평가를 수행하였다(그림 7). 추출된 검사 지점을 세 가지 모델에 의해 도출된 토지피복도에 동일하게 적용하여(그림 8) 오차 행렬을 생성해 정확도를 평가하였다.
이후 문법 구조가 간단·명확하며 풍부한 라이브러리를 제공하여, 생산성이 높은 프로그래밍 언어인 Python을 이용해 각 화소들의 RGB 값을 취득 및 정렬해 훈련자료로 삼았으며 Training Data와 Test Data는 7:3의 비율이 되도록 하였다. 이를 바탕으로 세 가지 모델에 동일한 훈련자료를 적용해 대상지역의 토지피복을 분류하였다.
이후 문법 구조가 간단·명확하며 풍부한 라이브러리를 제공하여, 생산성이 높은 프로그래밍 언어인 Python을 이용해 각 화소들의 RGB 값을 취득 및 정렬해 훈련자료로 삼았으며 Training Data와 Test Data는 7:3의 비율이 되도록 하였다.
연구 대상 지역을 선정한 후 그에 대한 KOMPSAT-3 위성영상을 취득하였으며, 해당 영상을 바탕으로 분류 모델의 훈련자료(Training Dataset)를 제작하였다. 지리정보의 분석 및 처리가 가능한 오픈소스 기반의 QGIS를 이용하여 KOPMSAT-3 영상에서 샘플(Sample)을 취득하였으며, 해안선 경계 분류에 있어 SVM 및 신경망 모델의 차이점을 판단하기 용이하도록 물(Water)과 식생(Vegetation) 및 그 외의 육지(Land)의 주요 세 가지 항목만을 구분하였다. 샘플은 화소 단위로 추출하였고 각 항목당 1,000개 이상의 화소를 포함한 영역을 잘라 항목별로 분류하여 SHP 파일을 생성하였다.
, 2012), 본 연구에서는 100개의 검사 지점을 임의로 추출하여 각 지점의 자료를 바탕으로 평가를 수행하였다(그림 7). 추출된 검사 지점을 세 가지 모델에 의해 도출된 토지피복도에 동일하게 적용하여(그림 8) 오차 행렬을 생성해 정확도를 평가하였다.

대상 데이터

본 연구의 대상지역은 경상북도 경주시 인근 감포읍 감포리와 오류리 일대로, 좌상단 35° 50′21.32″, 129° 29′ 38.35″, 우하단 35° 47′ 55.92″, 129° 31′ 34.30″의 해안 지역이다.
30″의 해안 지역이다. 해당 지역은 산지의 식생과 도시지역 및 바다가 혼재되어 있고 육지와 해양의 경계인 해안선이 포함되어 있어 신경망 모델의 분류 정확도 평가에 적합한 곳이라고 판단하였으며, 흑백 0.7m, 컬러 2.8m급 공간해상도를 가지는 국내 고해상 위성인 KOMPSAT-3의 2019년 1 월 23일 촬영된 다중분광영상을 연구자료로 활용하였다. 본 연구의 대상 지역과 그에 해당하는 KOMPSAT-3 위성영상은 그림 1과 같다.

이론/모형

각 모델에 의해 분류된 결과의 정확도를 평가하기 위한 정량적인 분석 방법으로 오차 행렬(Error Matrix)를 활용하였다. 오차 행렬은 분석된 분류값과 참고자료를 바탕으로 수치화한 도표로(Kang et al.

성능/효과

본 연구에서는 고해상도 KOMPSAT-3 위성 영상을 활용한 토지피복분류에 있어서 대표적으로 우수한 SVM 모델과 비교하여 신경망 모델인 ANN 및 DNN의 토지피복분류 정확도를 평가하였다. ANN 모델에 의한 피복분류는 상대적으로 저조한 정확도를 나타내었지만, DNN 모델에 의한 피복분류는 SVM 모델을 이용한 분류에 비해 전체 정확도는 1.0% 향상되고, 전체 항목에 있어서는 88.6% 이상의 정확도를 확보하는 우수한 분류 결과를 확인하였다.
분류 결과에 대해 오차 행렬을 이용한 정량적 평가 결과 DNN 모델을 통한 토지피복분류가 상대적으로 가장 우수한 결과를 나타냈다는 것을 확인하였다. DNN 모델의 분류 결과는 전체 정확도가 92.0%로 SVM 모델에 비해 1.0% 높았으며, 전체 항목에 있어서도 88.6% 이상으로 상대적으로 높은 정확도를 확보하였다.
6%로 매우 낮았다. DNN의 전체 정확도는 92.0%로 SVM에 비해서도 1.0% 높은 정확도를 나타냈다. 또한 전체 항목에 대해 88.
0% 높은 정확도를 나타냈다. 또한 전체 항목에 대해 88.6% 이상의 분류 정확도를 확보하여 세 가지 모델 중 상대적으로 가장 우수한 분류 결과를 보였다.
경주시 인근 해안지역의 고해상도 KOMPSAT-3 위성영상을 취득하여 훈련자료를 제작하고, 물, 식생, 육지의 세 가지 항목을 SVM, ANN 및 DNN의 세 가지 모델로 분류하였다. 분류 결과에 대해 오차 행렬을 이용한 정량적 평가 결과 DNN 모델을 통한 토지피복분류가 상대적으로 가장 우수한 결과를 나타냈다는 것을 확인하였다. DNN 모델의 분류 결과는 전체 정확도가 92.
분류 정확도가 높은 대표적인 모델인 SVM의 전체 정확도는 91.0%로 우수하였으며, 물과 식생 및 육지의 분류에 있어서 대체적으로 고른 정확도를 보였다. 그러나 물을 분류하는 데 있어서 사용자 정확도가 80.
9%로, 상대적으로 저조한 모습을 보였다. 일부 항목에서 90.0% 이상의 정확도를 나타내기도 하였으나, 특히 식생의 생산자 정확도가 52.6%로 매우 낮았다. DNN의 전체 정확도는 92.

후속연구

그러나 본 연구에서는 단일시기 위성영상만을 사용하였고 분류 항목을 물과 식생, 육지의 세 가지로 한정하였다는 한계점이 있으며, 향후 연구를 통해 보다 많은 데이터와 은닉층을 이용하여 다양한 항목을 분류 및 검증해야 할 것으로 판단된다.
그러나 단일시기 위성영상만을 사용하였고 피복분류 항목을 한정하였으며, 검사 지점이 임의의 100개에 불과하다는 점이 한계로 지적될 수 있다. 향후 다중시기의 위성영상을 통해 훈련자료를 보완하고 보다 많은 은닉층을 활용해 다양한 항목을 분류 및 평가한다면 연구의 신뢰성을 높일 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	토지피복분류란 무엇인가?	원격탐사 분야에서 토지피복분류는 전형적인 응용 방법의 하나로, 지표면의 물리적 상황을 여러 기법을 통해 분류하는 것이다(Yang et al., 2002).
	SVM의 전체 정확도는 얼마인가?	분류 정확도가 높은 대표적인 모델인 SVM의 전체 정확도는 91.0%로 우수하였으며, 물과 식생 및 육지의 분류에 있어서 대체적으로 고른 정확도를 보였다. 그러나 물을 분류하는 데 있어서 사용자 정확도가 80.
	KOMPSAT-3 위성 영상을 활용한 토지피복분류에 있어서 대표적으로 우수한 SVM 모델과 비교하여 신경망 모델인 ANN 및 DNN의 토지피복분류 정확도를 평가하고자 한 본 연구의 한계점은?	그러나 본 연구에서는 단일시기 위성영상만을 사용하였고 분류 항목을 물과 식생, 육지의 세 가지로 한정하였다는 한계점이 있으며, 향후 연구를 통해 보다 많은 데이터와 은닉층을 이용하여 다양한 항목을 분류 및 검증해야 할 것으로 판단된다.

참고문헌 (22)

Chakraborty, T., M.S. Alam and M.D. Islam. 2019. Land cover classification from multispectral remote sensing image using k-nearest neighbor, deep neural network, decision tree and SVM Algorithms: a machine learning-based comparison approach. Conference paper of 1st International Conference on Urban and Regional Planning 2019. Dhaka, Bangladesh, Oct. 5, 2019. pp.1-10.
Elhag, M. and S. Boteva. 2016. Mediterranean land use and land cover classification assessment using high spatial resolution data. World Multidisciplinary Earth Sciences Symposium, IOP Conference Series: Earth and Environmental Science. Prague, Czech Republic, Sep. 5-9, 2016. Vol. 44(4), 042032.
Heo, S.Y., J.Y. Kim and T.H. Moon. 2018. Predicting crime risky area using machine learning. Journal of the Korean Association of Geographic Information Studies 21(4):64-80.
Jeon, H.S. and G.S. Cho. 2000. A comparison of neural networks and maximum likelihood classifier for the classification of land-cover. Journal of Korean Society for Geospatial Information System 8(2):23-33.
Jo, W.H., Y.H. Lim and K.H. Park. 2019. Deep learning based land cover classification using convolutional neural network: a case study of korea. Journal of the Korean Geographical Society 54(1):1-16.
Kang, M.S., S.W. Park and K.S. Yoon. 2006. Land cover classification of image data using artificial neural networks. Journal of Korean Society of Rural Planning 12(1):75-83.

원문보기 상세보기
Kang, N.Y., J.G. Pak, G.S. Cho and Y. Yeu. 2012. An analysis of land cover classification methods using IKONOS satellite image. Journal of Korean Society for Geospatial Information System 20(3):65-71.
Kim, D.H., K.Y. Hwang and Y. Yoon. 2019. Prediction of traffic congestion in seoul by deep neural network. The Journal of The Korea Institute of Intelligent Transport Systems 18(4):44-57.
Kim, H.O. and J.M. Yeom. 2012. A study on object-based image analysis methods for land cover classification in agricultural areas. Journal of the Korean Association of Geographic Information Studies 15(4):26-41.

원문보기 상세보기
Kim, Y.K. 2020. A study on urban land cover classification using object-based image analysis(OBIA) techniques. Journal of The Korean Cadastre Information Association 22(1):122-144.

상세보기
Ko, S.Y., G. Jun and J.H. Won. 2016. HyperConv: spatio-spectral classication of hyperspectral images with deep convolutional neural networks. The Korean Journal of Applied Statistics 29(5):859-872.

원문보기 상세보기
Ku. C.Y. 2007. Generation of the land cover map with high resolution satellite image. The Geographical Journal of Korea 41(1):83-94.
Lee, H.J., J.H. Ru and Y.G. Yu. 2010. Extracting high quality thematic information by using high-resolution satellite imagery. Journal of Korean Society for Geospatial Information Science 18(1):73-81.
Lee, M.B., N.S. Kim, G.R. Lee and U. Han. 2005. A study on the environmental changes of coastal area in oncheon gun of pyeongnam province by neural network classification using satellite images, West Coast of North Korea. Journal of the Korean association of regional geographers 11(2):278-290.
Lee, M.J., S.R. Lee and S.W. Jeon. 2012. Landslide hazard mapping and verification using probability rainfall and artificial neural networks. Journal of the Korean Association of Geographic Information Studies 15(2):57-70.

원문보기 상세보기
Lim, H.Y., H.S. Kim, J.S. Choi and S.H. Song. 2005. A study on efficient topography classification of high resolution satelite image. Journal of Korean Society for Geospatial Information System 13(3):33-40.
Moon, T.H. 2000. Integrated simulation system of GIS and ANN for land price appraisal. Journal of the Korean Association of Geographic Information Studies 3(2):1-10.
Na, H.S. and J.S. Lee. 2014. Analysis of land cover characteristics with objectbased classfication method -focusing on the DMZ in Inje-gun, Gangwon-do-. Journal of the Korean Association of Geographic Information Studies 17(2):121-135.

원문보기 상세보기
Song, A.R. and Y.G. Kim. 2017. Deep learning-based hyperspectral image classification with application to environmental geographic information systems. Korean Journal of Remote Sensing 33(6):1061-1073.
Yang, I.T., S.M. Han and J.K. Park. 2002. An application of artificial intelligence system for accuracy improvement in classification of remotely sensed images. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry, and Cartography 20(1):21-31.
Yoon, Y.S., Y.S. Kim and Y.S. Kim. 2007. A study on the object-based classification method for wildfire fuel type map. Aerospace Engineering and Technology 6(1):213-221.
Xu, C.X., J.H. Lim, X.M. Jin and H.C. Yun. 2018. Land cover mapping and availability evaluation based on drone images with multi-spectral camera. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography 36(6):589-599.

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