[논문]RapidEye 위성영상을 이용한 작물재배지역 추정을 위한 FC-DenseNet의 활용성 평가

성선경; 나상일; 최재완

doi:10.7780/kjrs.2020.36.5.1.14

RapidEye 위성영상을 이용한 작물재배지역 추정을 위한 FC-DenseNet의 활용성 평가
Assessment of the FC-DenseNet for Crop Cultivation Area Extraction by Using RapidEye Satellite Imagery 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.36 no.5 pt.1, 2020년, pp.823 - 833

성선경 (충북대학교 토목공학과) , 나상일 (농촌진흥청 국립농업과학원 기후변화평가과) , 최재완 (충북대학교 토목공학과)

초록
AI-Helper

안정적인 작물 생산을 위하여 국내 농업지역에 대한 효과적인 작황 모니터링 기법의 요구가 증대되고 있다. 본 연구에서는 작물 재배지역 추출을 위하여 딥러닝 기법을 이용한 분류 모델을 개발하고, 이를 위성영상에 적용하고자 하였다. 이를 위하여, 식생분석에 유용한 blue, green, red, red-edge, NIR 밴드를 포함하고 있는 RapidEye 위성영상을 이용하여 작물 재배지역에 대한 훈련자료를 구축하고, 이를 활용하여 국내 양파 및 마늘 작물에 대한 재배면적을 추정하고자 하였다. 대기보정된 RapidEye 위성영상을 활용하여 훈련자료를 구축하였으며, 작물지역의 분류를 위하여 대표적인 의미론적 분할을 위한 딥러닝 모델인 FC-DenseNet을 이용하여 딥러닝 모델을 생성하였다. 최종적인 작물 재배지역은 지적도와의 결합을 통하여 객체 기반의 자료로 생성하였다. 실험결과, 대기보정된 훈련자료를 이용하여 학습된 FC-DenseNet 모델은 훈련에 사용되지 않은 타 지역의 작물 재배지역을 효과적으로 검출할 수 있음을 확인하였다.

Abstract ▼ AI-Helper

In order to stably produce crops, there is an increasing demand for effective crop monitoring techniques in domestic agricultural areas. In this manuscript, a cultivation area extraction method by using deep learning model is developed, and then, applied to satellite imagery. Training dataset for crop cultivation areas were generated using RapidEye satellite images that include blue, green, red, red-edge, and NIR bands useful for vegetation and environmental analysis, and using this, we tried to estimate the crop cultivation area of onion and garlic by deep learning model. In order to training the model, atmospheric-corrected RapidEye satellite images were used, and then, a deep learning model using FC-DenseNet, which is one of the representative deep learning models for semantic segmentation, was created. The final crop cultivation area was determined as object-based data through combination with cadastral maps. As a result of the experiment, it was confirmed that the FC-DenseNet model learned using atmospheric-corrected training data can effectively detect crop cultivation areas.

주제어

표/그림 (14)

그림 Fig. 1. Study area for generating training and test dataset (Left : dataset location - Daum Map, Right : RapidEye Satellite Image, blue box : training dataset, yellow box : test dataset).
표 Table 1. Specifications of the RapidEye Satellite Sensor
그림 Fig. 2. Training dataset : (a) RapidEye image of site 1, (b) reference data of site 1, (c) RapidEye image of site 2, (d) reference data of site 2.
그림 Fig. 3. Examples of training dataset: (a) RapidEye image patch, (b) reference data.
그림 Fig. 4. Structure of FC-DenseNet.
그림 Fig. 5. Loss and accuracy during training.
표 Table 2. Confusion matrix for evaluation of deep learning model
표 Table 3. Hyperparameter for training
그림 Fig. 6. Result of crop cultivation area extraction. (site 1) : (a) RapidEye image, (b) result by FC-DenseNet, (c) reference data.
그림 Fig. 7. Confusion matrix of site 1 according to result by FC-DenseNet.
그림 Fig. 8. Result of crop cultivation area extraction. (site 2) : (a) RapidEye image, (b) result by FC-DenseNet, (c) reference data.
그림 Fig. 9. Confusion matrix of site 2 according to result by FC-DenseNet.
표 Table 4. Quantitative evaluation of site 1
표 Table 5. Quantitative evaluation of site 2

AI 본문요약
AI-Helper

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

문제 정의

첫 번째 검증 자료는 훈련자료와 동일 시기에 촬영된 합천지역의 영상이며, 이를 통하여 학습된 모델의 성능을 검증하고자 하였다. 다만, 해당 지역은 훈련자료로는 활용하지 않았으며, 이를 통하여 훈련자료와 유사한 분광반사율 특성을 가지는 지역에 대한 모델의 성능을 검증하고자 하였다. 첫 번째 검증자료에 대한 재배면적 추출결과와 이에 따른 정밀도, 재현율, F1- score에 대한 결과는 각각 Fig.
학습된 FC-DenseNet 모델을 활용하여 실제 실험지역에 대한 재배면적을 추출하고, 이에 대한 성능을 분석하고자 하였다. 딥러닝 모델은 학습자료에 대해서만 높은 정확도를 나타낼 경우에는 실제 활용에 문제점이 발생할 수 있기 때문에, 본 연구에서는 훈련자료에 사용되지 않은 영상을 이용하여 모델의 성능을 분석하고자 하였다. 첫 번째 검증 자료는 훈련자료와 동일 시기에 촬영된 합천지역의 영상이며, 이를 통하여 학습된 모델의 성능을 검증하고자 하였다.
본 연구에서 이용한 FC-DenseNet 네트워크와 생성된 훈련자료를 활용하여 딥러닝 모델의 학습을 수행하였으며, 훈련된 모델은 훈련자료에 포함되지 않은 평가 자료를 이용하여 모델의 성능을 검증해보고자 하였다.
본 연구에서는 다시기에 취득된 RapidEye 위성영상을 이용하여 농경지역의 재배면적을 산출하기 위한 방법을 제안하고자 하였다. 이를 위하여, 의미론적 분할에 활용가능한 대표적인 딥러닝 모델인 FC-DenseNet을 활용하였다.
해당지역은 국내에서 양파와 마늘의 주 생산지로써 각각의 작물에 대한 재배지역을 검출하기 전 타 작물과 분별이 되는지 확인하고자 하였다. 양파와 마늘의 경우 타작물과 5월에 가장 분광학적 차이가 크게 나타나기 때문에, 해당 일자의 자료를 이용하여 훈련자료를 구축하였으며, 평가자료의 경우에도 훈련자료와 동일한 계절인 5월의 자료를 활용하여 수행하고자 하였다.
따라서, 위성영상에 적용되었던 기존 기법들을 이용하여 주요 작물에 대한 작물구분도를 작성하는 것은 기술적으로 한계가 존재하는 것으로 판단되며, 위성영상을 이용하여 작물별 재배면적의 산정을 위해서는 우선적으로 관심지역 내에 존재하는 작물재배지역을 정확하게 추출하는 것이 필요할 것으로 판단된다. 이를 위하여 본 연구에서는 농림위성과 유사한 특성을 가지는 RapidEye 위성영상을 이용하여 작물 재배지역에 대한 훈련자료를 구축하고, 이를 활용하여 국내 양파 및 마늘 작물에 대한 재배면적을 추정하고자 하였다. 대기보정된 RapidEye 위성영상을 활용하여 훈련자료를 구축하고, FC-DenseNet 모델을 활용하여 딥러닝 모델을 생성하였다.
두 번째 검증자료는 훈련자료와 다른시기에 촬영된 RapidEye 위성영상을 이용하여 구성하였으며, 이를 통하여 모델의 실제 활용성을 평가하고자 하였다. 이를 통해, 대기보정이 효과적으로 적용되어 분광반사율로 구성된 위성영상에 대하여 해당 모델의 적용가능성을 분석하고, 이를 통하여 학습된 모델이 향후 촬영된 위성영상에 존재하는 재배면적의 양상을 효과적으로 모니터링할 수 있는지의 여부를 검증하고자 하였다. 다만, 훈련에 사용된 자료는 특정 계절을 기준으로 작성하였기 때문에, 검증에 사용한 평가자료의 경우에도 지역과 촬영일자는 다르지만, 동일한 월에 촬영된 영상을 사용 하였다.
딥러닝 모델은 학습자료에 대해서만 높은 정확도를 나타낼 경우에는 실제 활용에 문제점이 발생할 수 있기 때문에, 본 연구에서는 훈련자료에 사용되지 않은 영상을 이용하여 모델의 성능을 분석하고자 하였다. 첫 번째 검증 자료는 훈련자료와 동일 시기에 촬영된 합천지역의 영상이며, 이를 통하여 학습된 모델의 성능을 검증하고자 하였다. 다만, 해당 지역은 훈련자료로는 활용하지 않았으며, 이를 통하여 훈련자료와 유사한 분광반사율 특성을 가지는 지역에 대한 모델의 성능을 검증하고자 하였다.
재배면적의 추정을 위하여 사용한 딥러닝 모델은 FC-DenseNet 모델을 활용하였으며, 이를 통하여 재배면적과 비재배면적으로 이루어진 훈련자료를 학습하여 재배면적의 추출을 위한 딥러닝 모델을 생성하였다. 최종적으로 추정된 재배지역은 지적도와 결합하여 화소기반 분석에서 야기될 수 있는 오차를 최소화하고자 하였다.
대기보정된 RapidEye 위성영상을 활용하여 훈련자료를 구축하고, FC-DenseNet 모델을 활용하여 딥러닝 모델을 생성하였다. 최종적인 작물 재배면적은 지적도와의 결합을 통하여 객체 기반의 자료로 생성하여 작물 재배면적을 추정하고자 하였다.
해당 지역에 대한 RapidEye 위성영상을 이용하여 훈련자료를 구축하기 위하여, 다시기에 취득된 각 위성영상의 복사휘도는 정량화된 분광반사율(reflectance)로의 변환이 필수적이다. 특히, 본 연구에서 추출하고자 하는 양파 및 마늘 재배지역은 계절에 따라서 분광반사율의 변화가 매우 크기 때문에, 본 연구에서는 위성영상의 대기보정을 수행하여 관심지역에 대한 분광반사율의 특성을 정규화하고자 하였다. 이를 위하여 본 연구에서는 ENVI에서 제공하는 QUAC(Quick Atmospheric Correction) 기법을 활용하여 대기보정을 수행하였다.
학습된 FC-DenseNet 모델을 활용하여 실제 실험지역에 대한 재배면적을 추출하고, 이에 대한 성능을 분석하고자 하였다. 딥러닝 모델은 학습자료에 대해서만 높은 정확도를 나타낼 경우에는 실제 활용에 문제점이 발생할 수 있기 때문에, 본 연구에서는 훈련자료에 사용되지 않은 영상을 이용하여 모델의 성능을 분석하고자 하였다.
RapidEye 위성영상의 제원은 Table 1과 같으며, 본 연구에서는 훈련자료 및 모델의 평가를 위하여 2018년 5월 10일, 2019년 5월 4일, 2019년 5월 13일에 취득한 합천 및 창녕 지역의 양파 및 마늘 재배 지역을 이용하였으며, 복사휘도(Radiance)로 변환된 Level 3A Product 자료를 활용하여 실험을 수행하였다. 해당지역은 국내에서 양파와 마늘의 주 생산지로써 각각의 작물에 대한 재배지역을 검출하기 전 타 작물과 분별이 되는지 확인하고자 하였다. 양파와 마늘의 경우 타작물과 5월에 가장 분광학적 차이가 크게 나타나기 때문에, 해당 일자의 자료를 이용하여 훈련자료를 구축하였으며, 평가자료의 경우에도 훈련자료와 동일한 계절인 5월의 자료를 활용하여 수행하고자 하였다.
향후 농림위성을 이용하여 관심지역의 작물 재배지역을 효과적으로 검출하기 위한 방법론을 수립하고자 본 연구에서는 농림위성과 유사한 분광특성을 가진 RapidEye 위성영상을 이용하여 실험을 수행하였다. RapidEye 위성영상의 제원은 Blue, Green, Red, Red-edge, NIR(Near InfraRed)의 5밴드로 이루어져 있으며, 공간해상도는 5 m로 이루어져 있다.

제안 방법

FC-DenseNet 네트워크의 재배면적 추출에 대한 성능 평가를 수행하기 위하여 모델의 학습을 수행하였다. 모델학습은 Pytorch를 이용하여 수행하였으며, 모델의 훈련에 사용된 하이퍼파라미터(hyperparameter)는 Table 3과 같이 설정하였다.
이를 위하여 본 연구에서는 농림위성과 유사한 특성을 가지는 RapidEye 위성영상을 이용하여 작물 재배지역에 대한 훈련자료를 구축하고, 이를 활용하여 국내 양파 및 마늘 작물에 대한 재배면적을 추정하고자 하였다. 대기보정된 RapidEye 위성영상을 활용하여 훈련자료를 구축하고, FC-DenseNet 모델을 활용하여 딥러닝 모델을 생성하였다. 최종적인 작물 재배면적은 지적도와의 결합을 통하여 객체 기반의 자료로 생성하여 작물 재배면적을 추정하고자 하였다.
두 번째 검증자료는 훈련자료와 다른시기에 촬영된 RapidEye 위성영상을 이용하여 구성하였으며, 이를 통하여 모델의 실제 활용성을 평가하고자 하였다. 이를 통해, 대기보정이 효과적으로 적용되어 분광반사율로 구성된 위성영상에 대하여 해당 모델의 적용가능성을 분석하고, 이를 통하여 학습된 모델이 향후 촬영된 위성영상에 존재하는 재배면적의 양상을 효과적으로 모니터링할 수 있는지의 여부를 검증하고자 하였다.
분광반사율로 변환된 RapidEye 위성영상과 참조자료를 이용하여 훈련자료를 구축하였으며, 훈련자료는 128×128의 크기로 이루어진 영상 패치(image patch)로 분할하여 제작하였다. 또한, 충분한 수의 훈련자료를 생성하기 위하여 영상의 상하반전, 좌우반전, 회전 등을 활용하여 data augmentation을 수행하였다. 최종적으로, 총 2,880개의 훈련자료를 생성하였으며, 2,592개의 영상 패치는 실제적인 훈련자료로 활용하고, 나머지 288개의 영상 패치는 딥러닝 모델의 학습을 평가하기 위한 검증자료(validation data)로 활용하였다.
모델을 효과적으로 학습하고, 훈련자료에 포함된 지역 및 날짜에 촬영되지 않는 위성영상에의 적용 가능성을 확인하기 위하여, 훈련에 사용되지 않은 두 종류의 검증 자료를 활용하여 모델의 성능을 검증하였다. 또한, 효과적으로 재배면적을 추정하기 위하여 딥러닝 모델의 결과는 지적도를 활용하여 후처리하였다. 실험 결과, 유사한 월에 촬영된 RapidEye 위성영상에 대하여 FC-DenseNet 모델은 효과적으로 재배지역을 추출할 수 있음을 확인하였다.
이를 위하여, 의미론적 분할에 활용가능한 대표적인 딥러닝 모델인 FC-DenseNet을 활용하였다. 모델을 효과적으로 학습하고, 훈련자료에 포함된 지역 및 날짜에 촬영되지 않는 위성영상에의 적용 가능성을 확인하기 위하여, 훈련에 사용되지 않은 두 종류의 검증 자료를 활용하여 모델의 성능을 검증하였다. 또한, 효과적으로 재배면적을 추정하기 위하여 딥러닝 모델의 결과는 지적도를 활용하여 후처리하였다.
본 연구에서 사용한 FC-DenseNet 네트워크를 이용하여 모델에서 생성된 결과는 지적도 레이어 내에 필지 내 포함 비율을 이용하여 최종적인 결과물로 재생성하였다. 재배지역의 경계자료는 지적도에서 임야, 구거, 도로 등을 제외한 전, 답인 필지를 추출하여 이용하였다.
분광반사율로 변환된 RapidEye 위성영상과 참조자료를 이용하여 훈련자료를 구축하였으며, 훈련자료는 128×128의 크기로 이루어진 영상 패치(image patch)로 분할하여 제작하였다.
본 연구에서 사용한 FC-DenseNet 네트워크를 이용하여 모델에서 생성된 결과는 지적도 레이어 내에 필지 내 포함 비율을 이용하여 최종적인 결과물로 재생성하였다. 재배지역의 경계자료는 지적도에서 임야, 구거, 도로 등을 제외한 전, 답인 필지를 추출하여 이용하였다. 합천지역 영상의 전체 필지는 총 33,996필지가 있었으며, 그 중 전, 답인 필지는 15,941필지가 존재하였다.
본 연구에서는 훈련자료를 구성하기 위한 2019년 5월 4일(site 1), 2019년 05월 13일(site 2)에 취득된 합천지역의 RapidEye 위성영상에 QUAC 기법을 적용하여 분광 반사율로 변환된 자료를 취득하였다. 해당 자료를 기준으로 육안 판독 및 현장 조사 자료 등을 활용하여 양파 및 마늘 재배지역을 추출하였으며, 이에 따른 실험 영상에 대한 참조자료를 Fig. 2와 같이 구성하였다.

대상 데이터

RapidEye 위성영상의 제원은 Blue, Green, Red, Red-edge, NIR(Near InfraRed)의 5밴드로 이루어져 있으며, 공간해상도는 5 m로 이루어져 있다. RapidEye 위성영상의 제원은 Table 1과 같으며, 본 연구에서는 훈련자료 및 모델의 평가를 위하여 2018년 5월 10일, 2019년 5월 4일, 2019년 5월 13일에 취득한 합천 및 창녕 지역의 양파 및 마늘 재배 지역을 이용하였으며, 복사휘도(Radiance)로 변환된 Level 3A Product 자료를 활용하여 실험을 수행하였다. 해당지역은 국내에서 양파와 마늘의 주 생산지로써 각각의 작물에 대한 재배지역을 검출하기 전 타 작물과 분별이 되는지 확인하고자 하였다.
1. Study area for generating training and test dataset (Left : dataset location - Daum Map, Right : RapidEye Satellite Image, blue box : training dataset, yellow box : test dataset).
관심지역의 RapidEye 위성영상을 이용하여 딥러닝 모델의 학습을 위한 훈련자료를 구축하였다. 재배면적의 추정을 위하여 사용한 딥러닝 모델은 FC-DenseNet 모델을 활용하였으며, 이를 통하여 재배면적과 비재배면적으로 이루어진 훈련자료를 학습하여 재배면적의 추출을 위한 딥러닝 모델을 생성하였다.
이를 통해, 대기보정이 효과적으로 적용되어 분광반사율로 구성된 위성영상에 대하여 해당 모델의 적용가능성을 분석하고, 이를 통하여 학습된 모델이 향후 촬영된 위성영상에 존재하는 재배면적의 양상을 효과적으로 모니터링할 수 있는지의 여부를 검증하고자 하였다. 다만, 훈련에 사용된 자료는 특정 계절을 기준으로 작성하였기 때문에, 검증에 사용한 평가자료의 경우에도 지역과 촬영일자는 다르지만, 동일한 월에 촬영된 영상을 사용 하였다. 두 번째 검증자료에 대한 재배면적 추출결과와 이에 따른 정밀도, 재현율, F1-score에 대한 결과는 각각 Fig.
, 2012). 본 연구에서는 훈련자료를 구성하기 위한 2019년 5월 4일(site 1), 2019년 05월 13일(site 2)에 취득된 합천지역의 RapidEye 위성영상에 QUAC 기법을 적용하여 분광 반사율로 변환된 자료를 취득하였다. 해당 자료를 기준으로 육안 판독 및 현장 조사 자료 등을 활용하여 양파 및 마늘 재배지역을 추출하였으며, 이에 따른 실험 영상에 대한 참조자료를 Fig.
또한, 충분한 수의 훈련자료를 생성하기 위하여 영상의 상하반전, 좌우반전, 회전 등을 활용하여 data augmentation을 수행하였다. 최종적으로, 총 2,880개의 훈련자료를 생성하였으며, 2,592개의 영상 패치는 실제적인 훈련자료로 활용하고, 나머지 288개의 영상 패치는 딥러닝 모델의 학습을 평가하기 위한 검증자료(validation data)로 활용하였다. Fig.
91의 F1- score 값을 가지는 것을 확인하였다. 해당 실험지역의 경우에는 훈련자료에 포함되어 있지 않으며, 훈련자료와 약 1년의 촬영시점 차이를 가지고 있는 자료이다. 따라서, 본 연구에서 제시한 훈련자료 구축 방법을 통하여 학습된 딥러닝 모델은 다른 시기에 촬영된 영상에 대해서도 효과적으로 적용할 수 있음을 확인하였다.

이론/모형

이에 따라 특징을 추출하는 부분인 인코딩 부분은 DenseNet 구조를 사용하였으며 복원하는 과정인 디코딩 부분이 새롭게 추가되었다. 디코딩 부분은 인코딩 부분과 마찬가지로 Dense Block을 사용하였으며, 복원하는 과정에서 전치 합성곱 레이어와 skip connection을 활용하였다. FC-DenseNet의 구조는 Dense block층과 TransitionDown층 그리고 Transition UP 층으로 이루어져있다.
모델 성능의 분석은 오차행렬(confusion matrix)를 이용하여 수행하였으며, 딥러닝 모델에 의한 재배면적 추정 결과와 참조자료를 통한 오차행렬은 Table 2와 같이 구성할 수 있다.
모델의 학습을 위한 손실함수는 이진 교차 엔트로피(binary cross entropy)를 이용하여 수행하였으며, 모델 학습과정의 손실함수와 모델의 정확도를 그래프로 나타내면 Fig. 5와 같다. Fig.
FC-DenseNet 네트워크의 재배면적 추출에 대한 성능 평가를 수행하기 위하여 모델의 학습을 수행하였다. 모델학습은 Pytorch를 이용하여 수행하였으며, 모델의 훈련에 사용된 하이퍼파라미터(hyperparameter)는 Table 3과 같이 설정하였다.
일반적인 의미론적 분할 기법을 이용하는 딥러닝 모델은 축소와 확대로 이루어진 인코더(encoder)–디코더(decoder) 네트워크로 이루어진다. 본 연구에서는 최근 객체 구분 영역에서 높은 정확도로 알려져 있는 DenseNet 모델을 의미론적 분할 기법에 적용한 FC-DenseNet 모델을 사용하였다. DenseNet은 객체 구분 영역에서 높은 정확도를 나타내고 있는 네트워크로써, 다른 전통적인 네트워크 구조와 달리 모든 전방의 층들의 결과를 이용하여 후방의 층을 학습시키는 네트워크이다(Huang et al.
특히, 본 연구에서 추출하고자 하는 양파 및 마늘 재배지역은 계절에 따라서 분광반사율의 변화가 매우 크기 때문에, 본 연구에서는 위성영상의 대기보정을 수행하여 관심지역에 대한 분광반사율의 특성을 정규화하고자 하였다. 이를 위하여 본 연구에서는 ENVI에서 제공하는 QUAC(Quick Atmospheric Correction) 기법을 활용하여 대기보정을 수행하였다. QUAC 기법은 위성영상의 촬영날짜, 대기특성 등에 대한 추가적인 자료를 사용하지 않고, 영상 자체의 복사 휘도의 특성과 대표적인 물체들의 분광반사율을 사용하여 위성영상의 복사휘도를 분광반사율로 변화시켜 주는 대표적인 대기보정 기법이다(Bernstein et al.
본 연구에서는 다시기에 취득된 RapidEye 위성영상을 이용하여 농경지역의 재배면적을 산출하기 위한 방법을 제안하고자 하였다. 이를 위하여, 의미론적 분할에 활용가능한 대표적인 딥러닝 모델인 FC-DenseNet을 활용하였다. 모델을 효과적으로 학습하고, 훈련자료에 포함된 지역 및 날짜에 촬영되지 않는 위성영상에의 적용 가능성을 확인하기 위하여, 훈련에 사용되지 않은 두 종류의 검증 자료를 활용하여 모델의 성능을 검증하였다.
관심지역의 RapidEye 위성영상을 이용하여 딥러닝 모델의 학습을 위한 훈련자료를 구축하였다. 재배면적의 추정을 위하여 사용한 딥러닝 모델은 FC-DenseNet 모델을 활용하였으며, 이를 통하여 재배면적과 비재배면적으로 이루어진 훈련자료를 학습하여 재배면적의 추출을 위한 딥러닝 모델을 생성하였다. 최종적으로 추정된 재배지역은 지적도와 결합하여 화소기반 분석에서 야기될 수 있는 오차를 최소화하고자 하였다.

성능/효과

5와 같다. Fig. 5에서 확인할 수 있는 것과 같이, 모델의 손실함수 값과 정확도는 효과적으로 수렴된 것을 확인할 수 있었으며, 학습과정에서 검증자료를 활용한 손실함수 및 정확도의 변동으로 보아 모델의 학습 과정에서 과적합(overfitting)은 크게 발생하지 않았음을 확인할 수 있었다.
7과 Table 4와 같다. Table 4와 Fig. 7에서 확인할 수 있는 것과 같이 재배면적 추출에 따른 정확도는 약 93%로 나타났으며, F1-score는 약 0.81로 나타났다. 특히, Fig.
특히, 동일한 월에 취득된 자료에 대해서는 재배면적으로 모니터링에 사용할 수 있는 품질의 결과를 생성할 수 있음을 확인하였다. 따라서, 대기보정이 적절히 이루어진 훈련자료를 계절별로 구축할 경우, 이를 통하여 농경지에 대한 모니터링 및 재배면적 산출에 활용할 수 있음을 확인할 수 있었다.
해당 실험지역의 경우에는 훈련자료에 포함되어 있지 않으며, 훈련자료와 약 1년의 촬영시점 차이를 가지고 있는 자료이다. 따라서, 본 연구에서 제시한 훈련자료 구축 방법을 통하여 학습된 딥러닝 모델은 다른 시기에 촬영된 영상에 대해서도 효과적으로 적용할 수 있음을 확인하였다.
8에서 확인할 수 있는 것과 같이, 소규모의 일부 필지를 제외하고, 모든 필지들이 효과적으로 검출된 것을 확인할 수 있다. 또한, 해당 지역의 경우에는 약 98%의 추출정확도와 0.91의 F1- score 값을 가지는 것을 확인하였다. 해당 실험지역의 경우에는 훈련자료에 포함되어 있지 않으며, 훈련자료와 약 1년의 촬영시점 차이를 가지고 있는 자료이다.
또한, 효과적으로 재배면적을 추정하기 위하여 딥러닝 모델의 결과는 지적도를 활용하여 후처리하였다. 실험 결과, 유사한 월에 촬영된 RapidEye 위성영상에 대하여 FC-DenseNet 모델은 효과적으로 재배지역을 추출할 수 있음을 확인하였다. 다만, 본 연구에서 사용한 실험 자료와 검증자료는 특정 월을 기준으로 작성하였기 때문에, 향후 다시기 위성영상을 활용하여 보다 고도화된 모델을 구성해야 할 것으로 판단되며, 특정 작물에 대한 재배면적 산출에 대한 연구가 이루어져야 할 것으로 판단된다.
실험결과, 작물재배지역에 대한 훈련자료를 구축하고, 이를 통하여 구축된 FC-DenseNet 모델은 훈련자료와 유사한 특성을 지닌 영상에 대해서는 효과적으로 재배 지역을 추정할 수 있음을 확인하였다. 특히, 동일한 월에 취득된 자료에 대해서는 재배면적으로 모니터링에 사용할 수 있는 품질의 결과를 생성할 수 있음을 확인하였다.
창녕지역 영상의 전체필지는 1,870필지가 있었으며 그 중 전, 답인 필지는 1,066필지가 존재하였다. 이를 통해, FC-DenseNet 예측 결과 데이터의 0.5 이상의 값을 재배면적이라고 판단하고, 지적도 필지 내에 딥러닝 기법을 통하여 추정된 화소의 총 포함비율이 50% 이상일 때, 필지 전체가 해당 작물을 재배한다고 판단하였다.
실험결과, 작물재배지역에 대한 훈련자료를 구축하고, 이를 통하여 구축된 FC-DenseNet 모델은 훈련자료와 유사한 특성을 지닌 영상에 대해서는 효과적으로 재배 지역을 추정할 수 있음을 확인하였다. 특히, 동일한 월에 취득된 자료에 대해서는 재배면적으로 모니터링에 사용할 수 있는 품질의 결과를 생성할 수 있음을 확인하였다. 따라서, 대기보정이 적절히 이루어진 훈련자료를 계절별로 구축할 경우, 이를 통하여 농경지에 대한 모니터링 및 재배면적 산출에 활용할 수 있음을 확인할 수 있었다.

후속연구

2023년 발사예정인 농림위성은 국내 전 지역을 매우 빠른 주기로 촬영 가능하며, 근적외선 파장대에 대한 고해상도 정보를 취득할 수 있으므로 농경지의 작황 상태에 대한 효과적인 분석이 가능한 위성영상으로 예측된다. 국내에서 발사예정인 농림위성과 유사한 성능을 가지는 대표적인 위성영상은 RapidEye 위성영상을 들 수 있으며, 이러한 위성영상들을 활용하여 농경지 모니터링에 대한 연구를 사전에 수행할 경우에 향후 발사될 농림위성을 효과적으로 활용할 수 있을 것이다.
실험 결과, 유사한 월에 촬영된 RapidEye 위성영상에 대하여 FC-DenseNet 모델은 효과적으로 재배지역을 추출할 수 있음을 확인하였다. 다만, 본 연구에서 사용한 실험 자료와 검증자료는 특정 월을 기준으로 작성하였기 때문에, 향후 다시기 위성영상을 활용하여 보다 고도화된 모델을 구성해야 할 것으로 판단되며, 특정 작물에 대한 재배면적 산출에 대한 연구가 이루어져야 할 것으로 판단된다. 또한 농림위성의 강점으로 식생에 대한 정보를 추출하기 위한 Red-edge밴드를 포함하므로 이에 대한 연구가 필요할 것으로 판단된다.
또한, 작물 재배면적 산정에 있어서 좋은 성능을 보이는 딥러닝 기법들의 경우에는 작물의 생장 특성에 기반한 시계열 자료를 활용한 사례가 대부분이다. 따라서, 위성영상에 적용되었던 기존 기법들을 이용하여 주요 작물에 대한 작물구분도를 작성하는 것은 기술적으로 한계가 존재하는 것으로 판단되며, 위성영상을 이용하여 작물별 재배면적의 산정을 위해서는 우선적으로 관심지역 내에 존재하는 작물재배지역을 정확하게 추출하는 것이 필요할 것으로 판단된다. 이를 위하여 본 연구에서는 농림위성과 유사한 특성을 가지는 RapidEye 위성영상을 이용하여 작물 재배지역에 대한 훈련자료를 구축하고, 이를 활용하여 국내 양파 및 마늘 작물에 대한 재배면적을 추정하고자 하였다.
다만, 본 연구에서 사용한 실험 자료와 검증자료는 특정 월을 기준으로 작성하였기 때문에, 향후 다시기 위성영상을 활용하여 보다 고도화된 모델을 구성해야 할 것으로 판단되며, 특정 작물에 대한 재배면적 산출에 대한 연구가 이루어져야 할 것으로 판단된다. 또한 농림위성의 강점으로 식생에 대한 정보를 추출하기 위한 Red-edge밴드를 포함하므로 이에 대한 연구가 필요할 것으로 판단된다.

참고문헌 (10)

Bernstein, L. S., X. Jin, B. Gregor, and S. M. Adler-Golden, 2012. Quick atmospheric correction code: algorithm description and recent upgrades, Optical Engineering, 51(11): 111719-1.

상세보기
Huang, G., Z. Liu, L. Van Der Maaten, and K.Q. Weinberger, 2017. Densely connected convolutional networks, Proc. of the IEEE conference on computer vision and pattern recognition, Honolulu, Hawaii, Jul. 21-26, pp. 4700-4708.
Jegou, S., M. Drozdzal, D. Vazquez, A. Romero, and Y. Bengio, 2017. The one hundred layers tiramisu: Fully convolutional densenets for semantic segmentation, Proc. of 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Honolulu, Hawaii, Jul. 21-26, pp. 1175-1183.
Ji, S., C. Zhang, A. Xu, Y. Shi, and Y. Duan, 2018. 3D convolutional neural networks for crop classification with multi-temporal remote sensing images, Remote Sensing, 10(1): 75.

상세보기
Kang, W., Y. Xiang, F. Wang, and H. You, 2019. EU-Net: An efficient fully convolutional network for building extraction from optical remote sensing images, Remote Sensing, 11(23): 2813.

상세보기
Kawk, G., C. Park, H. Ahn, S. Na, K. Lee, and N. Park, 2020. Potential of bidirectional long short-term memory networks for crop classification with multitemporal remote sensing images, Korean Journal of Remote Sensing, 36(4): 515-525.

원문보기 상세보기
Lee, S.H., Y.G. Park, N.Y. Park, S.H. Lee, and J.Y. Choi, 2014. Extraction of paddy field Jaeryeong, North Korea by object-oriented classification with RapidEye NDVI imagery, Journal of the Korean Society of Agricultural Engineers, 56(3): 55-64. (in Korean with English abstract).
Mazzia, V., A. Khaliq, and M. Chiaberge, 2020. Improvement in land cover and crop classification based on temporal features learning from Sentinel-2 data using recurrent-convolutional neural network (R-CNN), Applied Sciences, 10(1): 238.
Yeom, J.H. and Y.I. Kim, 2014. Automatic extraction of the land readjustment paddy for high-level land cover classification, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 32(5): 443-450 (in Korean with English abstract).

원문보기 상세보기
Yoo. H., K. Lee, S. Na, C. Park, and N. Park, 2017. Field crop classification using multi-temporal high-resolution satellite imagery: A case study garlic/onion field, Korean Journal of Remote Sensing, 33(5-2): 621-630 (in Korean with English abstract).

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