[논문]농림위성 활용 수종분류 가능성 평가를 위한 래피드아이 영상 기반 시험 분석

권수경; 김경민; 임중빈

doi:10.7780/kjrs.2021.37.2.9

[국내논문] 농림위성 활용 수종분류 가능성 평가를 위한 래피드아이 영상 기반 시험 분석
A Study on Pre-evaluation of Tree Species Classification Possibility of CAS500-4 Using RapidEye Satellite Imageries 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.2, 2021년, pp.291 - 304

권수경 (국립산림과학원 국제산림연구과) , 김경민 (국립산림과학원 국제산림연구과) , 임중빈 (국립산림과학원 국제산림연구과)

초록
AI-Helper

기후변화나 여러 환경문제들로부터 지속 가능한 산림자원 관리 및 모니터링을 위해 임상도의 지속적인 갱신은 필수적이다. 따라서 효율적이고 광역적인 산림 원격탐사의 필요성에 따라 차세대 중형위성 4호의 사업이 확정되어 2023년 발사 예정에 있다. 농림위성(차세대 중형위성 4호)는 5 m급 공간해상도와 Blue, Green, Red, Red Edge, Near Infra Red 총 5개 밴드를 가진다. 본 연구는 농림위성의 발사 및 활용에 앞서 농림위성과 유사한 사양을 가지는 RapidEye를 이용하여 위성 기반 수종분류의 가능성을 모의 평가하기 수행되었다. 본 연구는 춘천 선도산림경영단지를 연구 대상지로 하였으며, RapidEye 위성 영상기반 모의 수종분류는 생육기 영상으로부터 추출한 분광정보와 생육기와 비생육기의 NIR 밴드로부터 추출한 GLCM 질감특성 정보가 활용되었고, 이를 입력데이터로 하여 랜덤 포레스트(Random Forest) 기법을 적용하였다. 본 연구에서는 침엽수종 3종(소나무, 잣나무, 낙엽송), 활엽수종 5종(신갈나무, 굴참나무, 자작나무, 밤나무, 기타활엽수), 침활혼효림 총 9종으로 임상을 분류하였다. 분류 정확도는 임상도와 분류 결과를 대조하여 산출하였으며, 분류 정확도는 분광정보만 사용한 경우 39.41%, 분광정보과 질감정보를 모두 사용한 경우 69.29%의 정확도를 보였으며, 다중시기 분광정보 및 질감정보의 활용을 통해 5 m 해상도의 위성영상으로부터 수종분류의 가능성이 있음을 확인하였다. 향후 식생의 생태적 특성을 더욱 효과적으로 반영한 추가 변수를 대입하여 농림위성 활용 가능성을 제고하고자 한다.

Abstract ▼ AI-Helper

Updating a forest type map is essential for sustainable forest resource management and monitoring to cope with climate change and various environmental problems. According to the necessity of efficient and wide-area forestry remote sensing, CAS500-4 (Compact Advanced Satellite 500-4; The agriculture and forestry satellite) project has been confirmed and scheduled for launch in 2023. Before launching and utilizing CAS500-4, this study aimed to pre-evaluation the possibility of satellite-based tree species classification using RapidEye, which has similar specifications to the CAS500-4. In this study, the study area was the Chuncheon forest management complex, Gangwon-do. The spectral information was extracted from the growing season image. And the GLCM texture information was derived from the growing and non-growing seasons NIR bands. Both information were used to classification with random forest machine learning method. In this study, tree species were classified into nine classes to the coniferous tree (Korean red pine, Korean pine, Japanese larch), broad-leaved trees (Mongolian oak, Oriental cork oak, East Asian white birch, Korean Castanea, and other broad-leaved trees), and mixed forest. Finally, the classification accuracy was calculated by comparing the forest type map and classification results. As a result, the accuracy was 39.41% when only spectral information was used and 69.29% when both spectral information and texture information was used. For future study, the applicability of the CAS500-4 will be improved by substituting additional variables that more effectively reflect vegetation's ecological characteristics.

Keyword

표/그림 (16)

그림 Fig. 1. (a) Growing Season Image of RapidEye (2019.05.26) (b) Non-Growing Season Image of RapidEye (2019.04.07), (c) Forest Type Map of Study Site (Chuncheon-si).
표 Table 1. Specification of RapidEye
표 Table 2. (Proposal) Specification of CAS500-4 (The agriculture and forestry satellite)
그림 Fig. 2. Flow Chart of the Study.
그림 Fig. 3. Comparison of Forest map and Satellite Imageries.
그림 Fig. 4. Random Points for Random Forest Training.
그림 Fig. 5. Mean value graph with error bar of RapidEye multi spectral bands by species. (a) Growing season image, (b) Non-growing season image.
그림 Fig. 6. Difference of GLCM window size. (a) 3 by 3, (b) 39 by 39, (c) 75 by 75, (d) 103 by 103 (*Pink Line : boundary of target area.).
그림 Fig. 7. Variability graph of GLCM input data. (a) 'mean' Variability (Growing Season Image; G), (b) 'mean' Variability (Non-Growing Season Image; NG), (c) 'variance' Variability (G), (d) 'variance' Variability (NG), (e) 'variance' Variability (G), (f) 'variance' Variability (NG), (g) 'contrast' Variability (G), (h) 'contrast' Variability (NG), (i) 'dissimilarity' Variability (G), (j) 'dissimilarity' Variability (NG), (k) 'entropy' Variability (G), (l) 'entropy' Variability (NG), (m) 'second moment' Variability (G), (n) 'second moment' Variability (NG).
그림 Fig. 7. Continued.
그림 Fig. 8. (a) Forest Type Map, (b) Result of Forest Classification (Case 1).
표 Table 3. Error Matrix of Random Forest Classification Case 1
그림 Fig. 9. (a) Forest Type Map, (b) Result of Forest Classification (Case 2).
표 Table 3. Continued
표 Table. 4. Error Matrix of Random Forest Classification Case 2
표 Table. 5. Accuracy comparison or Case 1 and Case 2

참고문헌 (21)

Dian, Y., Z. Li, and Y. Pang, 2015. Spectral and Texture Features Combined for Forest Tree species Classification with Airborne Hyperspectral Imagery, Journal of the Indian Society of Remote Sensing, 43(1): 101-107.

상세보기
Hall-Beyer, M., 2000. GLCM texture: a tutorial, National Council on Geographic Information and Analysis Remote Sensing Core Curriculum, 3: 75.
Haralick, R.M., K. Shanmugam, and I. Dinstein, 1973. Textural features for images classification, IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6): 610-621.

상세보기
Kent, M., 2011. Vegetation description and analysis: a practical approach, John Wiley & Sons, Chichester, UK.
Kim, E.S., B.R. Lee, and J.H. Lim, 2018. Prospects of using satellite big data in the forest sector: Production and utilization of world-wide observation information from foreign satellite, National Institute of Forest Science, Seoul, KOR (in Korean).
Kim, K.M., 2015. Analysis of domestic and foreign forest type map and development plan research, National Institute of Forest Science, Seoul, KOR (in Korean).
Kim, K.M., G.S. Moon, J.H. Lee, C.M. Kim, and J.H. Lim, 2016. A study on the use of remote sensing data for advanced forest type map, National Institute of Forest Science, Seoul, KOR (in Korean).
Kim, K.M., M.K. Kim, M.S. Won, J.W. Chun, E.S. Kim, J.S. Lim, D.A. Kwak, C.S. Woo, D.W. Sim, J.T. Kang, and J.B. Lim, 2020. Implementation plans for technology development and infrastructure construction for the Forestry Satellite, National Institute of Forest Science, Seoul, KOR (in Korean).
Kim, M., M. Madden, and T.A. Warner, 2009. Forest type mapping using object-specific texture measures from multispectral Ikonos imagery, Photogrammetric Engineering & Remote Sensing, 75(7): 819-829.

상세보기
Korea Forest Service, 2018. The 6th National Forest Plan (2018-2037), Korea Forest Service, Daejeon, KOR (in Korean).
Kwon, S.D., J.S. Gong, S.H. Kim, J.S. Kim, and S.A. Seo, 2007. Forest aerial photography interpretation system and manual for digital forest cover type mapping, National Institute of Forest Science, Seoul, KOR (in Korean).
Lee, J.S., E.S. Kim, G.E. Park, and J.H. Lim, 2017. Aerial photograph three-dimensional interpretation manual for producing forest species distribution map, National Institute of Forest Science, Seoul, KOR (in Korean).
Lee, K., S.H. Jeon, and B.D. Kwon, 2005. Implementation of GLCM/GLDV-based texture algorithm and its application to high resolution imagery analysis, Korean Journal of Remote Sensing, 21(2): 121-133 (in Korean with English abstract).
Lee, S.H., H.K. Cho, K.M. Kim, J.H. Jung, S.H. Kim, J.C. Kim, J.S Kim, S.A. Seo, W.B. Sim, J.H. Ryu, S.D. Kwon, S.C. Jang, and B.O. Yoo, 2008. Guideline for the 1:5,000 Forest Type Map, National Institute of Forest Science, Seoul, KOR (in Korean).
Lee, Y.S., W.K. Baek, and H.S. Jung, 2019. Forest Vertical Structure Classification in Gongju City, Korea from Optic and RADAR Satellite Images Using Artificial Neural Network, Korean Journal of Remote Sensing, 35: 447-455 (in Korean with English abstract).

원문보기 상세보기
Lim, J., K.M. Kim, and M.K. Kim, 2019. The Development of Major Tree Species Classification Model using Different Satellite Images and Machine Learning in Gwangneung Area, Korean Journal of Remote Sensing, 35(6-2): 1037-1052 (in Korean with English abstract)
Moon, G.S. and K.M. Kim, 2015. High-resolution 3D satellite image analysis manual for construction of height of the stand of forest type map, National Institute of Forest Science, Seoul, KOR (in Korean).
Park, H.L., J.W. Choi, and S.K. Choi, 2014. Impervious surface mapping of cheongju by using rapideye satellite imagery, Journal of Korean Society for Geospatial Information System, 22(1): 71-79 (in Korean with English abstract).

원문보기 상세보기
Park, J.W., K.M. Kim, and J.B. Lim, 2018. Library of landcover interpretation ver 1.0, National Institute of Forest Science, Seoul, KOR (in Korean).
Rodriguez-Galiano, V.F., M. Chica-Olmo, F. Abarca-Hernandez, P.M. Atkinson, and C. Jeganathan, 2012. Random Forest classification of Mediterranean land cover using multi-seasonal imagery and multi-seasonal texture, Remote Sensing of Environment, 121: 93-107.

상세보기
Wallner, A., A. Elatawneh, T. Schneider, and T. Knoke, 2015. Estimation of forest structural information using RapidEye satellite data, Forestry: An International Journal of Forest Research, 88(1): 96-107.

상세보기

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