[논문]MODIS 및 Landsat 위성영상의 다중 해상도 자료 융합 기반 토지 피복 분류의 사례 연구

김예슬

doi:10.7780/kjrs.2022.38.6.1.5

[국내논문] MODIS 및 Landsat 위성영상의 다중 해상도 자료 융합 기반 토지 피복 분류의 사례 연구
A Case Study of Land-cover Classification Based on Multi-resolution Data Fusion of MODIS and Landsat Satellite Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.6 pt.1, 2022년, pp.1035 - 1046

김예슬 (한국항공우주연구원 국가위성정보활용지원센터)

초록
AI-Helper

이 연구에서는 토지 피복 분류를 위한 다중 해상도 자료 융합의 적용성을 평가하였다. 여기서 다중 해상도 자료 융합 모델로는 spatial time-series geostatistical deconvolution/fusion model (STGDFM)을 적용하였다. 연구 지역은 미국 Iowa 주의 일부 농경 지역으로 선정하였으며, 대상 지역의 규모를 고려해 다중 해상도 자료 융합의 입력 자료로 Moderate Resolution Imaging Spectroradiometer (MODIS) 및 Landsat 영상을 사용하였다. 이를 바탕으로 STGDFM 적용해 Landsat 영상이 결측된 시기에서 가상의 Landsat 영상을 생성하였다. 그리고 획득한 Landsat 영상과 함께 STGDFM의 융합 결과를 입력 자료로 사용해 토지 피복 분류를 수행하였다. 특히 다중 해상도 자료 융합의 적용성 평가를 위해 획득한 Landsat 영상만을 이용한 분류 결과와 Landsat 영상 및 융합 결과를 모두 이용한 분류 결과를 비교 평가하였다. 그 결과, Landsat 영상만을 이용한 분류 결과에서는 대상 지역의 주요 토지 피복인 옥수수와 콩 재배지에서 혼재 양상이 두드러지게 나타났다. 또한 건초 및 곡물 지역과 초지 지역 등 식생 피복 간의 혼재 양상도 큰 것으로 나타났다. 반면 Landsat 영상 및 융합 결과를 이용한 분류 결과에서는 옥수수와 콩 재배지의 혼재 양상과 식생 피복 간의 혼재 양상이 크게 완화되었다. 이러한 영향으로 Landsat 영상 및 융합 결과를 이용한 분류 결과에서 분류 정확도가 약 20%p 향상되었다. 이는 STGDFM을 통해 MODIS 영상이 갖는 시계열 분광 정보를 융합 결과에 반영하면서 Landsat 영상의 결측을 보완할 수 있었고, 이러한 시계열 분광 정보가 분류 과정에 결합되면서 오분류를 크게 줄일 수 있었던 것으로 판단된다. 본 연구 결과를 통해 토지 피복 분류에 다중 해상도 자료 융합이 효과적으로 적용될 수 있음을 확인하였다.

Abstract ▼ AI-Helper

This study evaluated the applicability of multi-resolution data fusion for land-cover classification. In the applicability evaluation, a spatial time-series geostatistical deconvolution/fusion model (STGDFM) was applied as a multi-resolution data fusion model. The study area was selected as some agricultural lands in Iowa State, United States. As input data for multi-resolution data fusion, Moderate Resolution Imaging Spectroradiometer (MODIS) and Landsat satellite images were used considering the landscape of study area. Based on this, synthetic Landsat images were generated at the missing date of Landsat images by applying STGDFM. Then, land-cover classification was performed using both the acquired Landsat images and the STGDFM fusion results as input data. In particular, to evaluate the applicability of multi-resolution data fusion, two classification results using only Landsat images and using both Landsat images and fusion results were compared and evaluated. As a result, in the classification result using only Landsat images, the mixed patterns were prominent in the corn and soybean cultivation areas, which are the main land-cover type in study area. In addition, the mixed patterns between land-cover types of vegetation such as hay and grain areas and grass areas were presented to be large. On the other hand, in the classification result using both Landsat images and fusion results, these mixed patterns between land-cover types of vegetation as well as corn and soybean were greatly alleviated. Due to this, the classification accuracy was improved by about 20%p in the classification result using both Landsat images and fusion results. It was considered that the missing of the Landsat images could be compensated for by reflecting the time-series spectral information of the MODIS images in the fusion results through STGDFM. This study confirmed that multi-resolution data fusion can be effectively applied to land-cover classification.

주제어

표/그림 (11)

그림 Fig. 1. Location of study area with a Cropland Data Layer (CDL) in 2018.
표 Table 1. Summary of MODIS and Landsat images as input data for data fusion
그림 Fig. 2. Flow chart of this study. The grey rectangles with x indicate no HSLT data at prediction dates. The grey rectangles without x indicate the fusion results.
표 Table 2. Acquisition dates of MODIS and Landsat images used in this study
표 Table 3. Number of training and validation datasets
그림 Fig. 3. Visual comparison of MODIS NDVI images, Landsat NDVI images, and STGDFM NDVI results at multiple dates. The data with black lines mean the pair data and the data with black dotted lines mean the data acquired at prediction dates.
표 Table 4. Cross correlation and dissimilarity for two time-series NDVI values
그림 Fig. 4. Visual comparison of two classification results and reference data.
그림 Fig. 5. Visual comparison of two classification results in two subareas. The results with black line are zoomed in subarea A. The results with dotted black line are zoomed in subarea B.
그림 Fig. 6. Class-wise time-series NDVI profiles extracted from 2 Landsat images and 12 STGDFM fusion results. Two black arrows indicate the acquisition dates of Landsat images.
표 Table 5. Comparison of classification accuracy for two classification results

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 토지 피복 분류를 위한 다중 해상도 자료 융합의 적용성 평가를 수행하였다. 특히 토지 피복 분류의 정확성을 향상시키기 위해 다중 시기 위성영상의 획득을 목적으로 지구통계 기반의 다중 해상도 자료 융합 모델인 STGDFM의 적용성을 평가하였다.
분류에서 다중 시기 위성영상의 가용 여부에 따른 영향을 살펴보기 위해 시계열 분광 정보의 차이가 크게 나타나는 농경지, 산림, 초지 등 식생 피복이 넓게 분포하는 지역을 대상 지역으로 선정하였다. 이를 바탕으로 일부 시기에서 획득한 Landsat 영상만을 이용한 분류와 다중 시기에서 획득한 Landsat 영상 및 융합 결과를 이용한 분류를 비교해 토지 피복 분류에서 다중 해상도 자료 융합의 적용성을 평가하였다.
이와 관련하여 이 연구에서는 토지 피복 분류를 위한 다중 해상도 자료 융합의 적용성 평가를 수행하였다. 이를 위해 먼저 Moderate Resolution Imaging Spectroradiometer(MODIS) 위성영상과 Landsat 위성영상을 이용해 다중 해상도 자료 융합을 수행하였다.
본 연구에서는 토지 피복 분류를 위한 다중 해상도 자료 융합의 적용성 평가를 수행하였다. 특히 토지 피복 분류의 정확성을 향상시키기 위해 다중 시기 위성영상의 획득을 목적으로 지구통계 기반의 다중 해상도 자료 융합 모델인 STGDFM의 적용성을 평가하였다. 이를 위해 미국 Iowa 주의 일부 농경지역을 대상으로 MODIS 및 Landsat 영상을 이용한 다중 해상도 자료 융합 기반의 토지 피복 분류를 수행하였다.

제안 방법

이 연구는 크게 두 단계로 실험을 수행하였는데(Fig. 2), 먼저 첫 번째 단계에서는 획득한 MODIS 및 Landsat 영상을 대상으로 다중 해상도 자료 융합을 위한 STGDFM을 적용하였다. STGDFM을 적용하면 Table 1에서 Landsat 영상이 결측된, 즉 MODIS 영상만 획득된 12개 시기에서 가상의 Landsat 영상이 생성된다.
여기서 240 m의 공간 해상도는 STGDFM에 입력된 MODIS 영상의 공간 해상도와 동일하다(Table 1). CDL 자료의 공간 해상도를 변환하기 위해 240 m 화소 안에 포함되는 CDL 자료의 모든 속성을 비율로 계산하고, 높은 비율을 갖는 속성을 해당 화소의 속성으로 할당하는 방식을 적용하였다. CDL 자료를 STGDFM의 입력 자료로 사용함과 동시에 이 연구에서는 자료 융합의 활용성 평가를 위한 분류 정확도의 검증 자료로 사용하였다.
STGDFM을 적용하면 Table 1에서 Landsat 영상이 결측된, 즉 MODIS 영상만 획득된 12개 시기에서 가상의 Landsat 영상이 생성된다. 다음 두 번째 단계에서는 자료 융합을 통해 생성한 가상의 Landsat 영상과 획득한 Landsat 영상을 분류의 입력 자료로 사용해 토지 피복 분류를 적용하였다. 특히 토지 피복 분류를 위한 다중 해상도 자료 융합의 적용성을 평가하기 위해 (1) 두 시기에서 획득한 Landsat 영상 기반 토지 피복 분류 결과와 (2) 두 시기에서 획득한 Landsat 및 융합 결과 기반 토지 피복 분류 결과를 비교 및 분석하였다.
다음은 (1) Landsat 영상 기반 두 시기 NDVI 자료와 (2) Landsat 영상 및 STGDFM 융합 결과 기반 시계열 NDVI 자료를 이용해 토지 피복 분류를 수행하였다(Fig. 4).
두 분류 결과의 차이를 분석하기 위해 서로 다른 피복에서 시계열 NDVI 값을 비교하기 위해 두 시기에서 획득한 Landsat 영상과 12개 시기에서 예측한 STGDFM의 융합 결과로부터 토지 피복별 시계열 NDVI 변화 양상을 살펴보았다(Fig. 6).
즉, 240 m 화소 안에 포함되는 토지 피복별 비율이 100%인 위치에서만 NDVI 값을 시계열로 추출하였다. 따라서 동일 위치에서 추출한 MODIS 영상 기반 NDVI 값과 Landsat 영상 및 융합 결과 기반 NDVI 값의 교차상관성 및 비유사도를 토지 피복별로 계산하였다.
또한 30 m의 공간 해상도로 제공되는 CDL 자료를 우선 획득하고, 이를 STGDFM에 입력하기 위해 CDL의 원본 해상도를 240 m의 공간 해상도로 변환하였다. 여기서 240 m의 공간 해상도는 STGDFM에 입력된 MODIS 영상의 공간 해상도와 동일하다(Table 1).
먼저 예측 시기에서 MODIS 영상 기반 NDVI 자료와 융합 결과 기반 NDVI 자료를 시각적으로 비교하였다(Fig. 3).
자료 융합을 통해 Landsat 영상의 공간 해상도에서 토지 피복 분류를 위한 다중 시기 위성영상을 생성하였다. 생성한 다중 시기 위성영상을 입력 자료로 활용해 토지 피복 분류를 수행하였다. 분류에서 다중 시기 위성영상의 가용 여부에 따른 영향을 살펴보기 위해 시계열 분광 정보의 차이가 크게 나타나는 농경지, 산림, 초지 등 식생 피복이 넓게 분포하는 지역을 대상 지역으로 선정하였다.
실험의 두 번째 단계에서는 자료 융합 결과를 기반으로 토지 피복 분류를 수행하였다. 이 연구에서는 자료 융합 결과를 적색 및 근적외선 채널에서 생성하며, 입력 자료의 효율성을 위해 토지 피복 분류의 입력 자료는 적색 및 근적외선 채널을 기반으로 생성한 정규식생지수(normalized difference vegetation index, NDVI)를 사용하였다.
3). 여기에는 토지 피복별 NDVI 값의 시간적 변화를 살펴보기 위해 pair date에서 획득한 MODIS 및 Landsat 영상 기반 NDVI 자료도 함께 비교하였다. 먼저 Fig.
이를 위해 미국 Iowa 주의 일부 농경지역을 대상으로 MODIS 및 Landsat 영상을 이용한 다중 해상도 자료 융합 기반의 토지 피복 분류를 수행하였다. 여기에서 다중 해상도 자료 융합의 적용성을 평가하기 위해 일부 시기에서 획득한 Landsat 영상만을 이용한 분류 결과와 다중 시기 Landsat 영상 및 STGDFM 융합 결과를 이용한 분류 결과를 비교 평가하였다.
이와 관련하여 이 연구에서는 토지 피복 분류를 위한 다중 해상도 자료 융합의 적용성 평가를 수행하였다. 이를 위해 먼저 Moderate Resolution Imaging Spectroradiometer(MODIS) 위성영상과 Landsat 위성영상을 이용해 다중 해상도 자료 융합을 수행하였다. 자료 융합을 통해 Landsat 영상의 공간 해상도에서 토지 피복 분류를 위한 다중 시기 위성영상을 생성하였다.
특히 토지 피복 분류의 정확성을 향상시키기 위해 다중 시기 위성영상의 획득을 목적으로 지구통계 기반의 다중 해상도 자료 융합 모델인 STGDFM의 적용성을 평가하였다. 이를 위해 미국 Iowa 주의 일부 농경지역을 대상으로 MODIS 및 Landsat 영상을 이용한 다중 해상도 자료 융합 기반의 토지 피복 분류를 수행하였다. 여기에서 다중 해상도 자료 융합의 적용성을 평가하기 위해 일부 시기에서 획득한 Landsat 영상만을 이용한 분류 결과와 다중 시기 Landsat 영상 및 STGDFM 융합 결과를 이용한 분류 결과를 비교 평가하였다.
이를 위해 먼저 Moderate Resolution Imaging Spectroradiometer(MODIS) 위성영상과 Landsat 위성영상을 이용해 다중 해상도 자료 융합을 수행하였다. 자료 융합을 통해 Landsat 영상의 공간 해상도에서 토지 피복 분류를 위한 다중 시기 위성영상을 생성하였다. 생성한 다중 시기 위성영상을 입력 자료로 활용해 토지 피복 분류를 수행하였다.
다음 두 번째 단계에서는 자료 융합을 통해 생성한 가상의 Landsat 영상과 획득한 Landsat 영상을 분류의 입력 자료로 사용해 토지 피복 분류를 적용하였다. 특히 토지 피복 분류를 위한 다중 해상도 자료 융합의 적용성을 평가하기 위해 (1) 두 시기에서 획득한 Landsat 영상 기반 토지 피복 분류 결과와 (2) 두 시기에서 획득한 Landsat 및 융합 결과 기반 토지 피복 분류 결과를 비교 및 분석하였다.

대상 데이터

CDL 자료의 공간 해상도를 변환하기 위해 240 m 화소 안에 포함되는 CDL 자료의 모든 속성을 비율로 계산하고, 높은 비율을 갖는 속성을 해당 화소의 속성으로 할당하는 방식을 적용하였다. CDL 자료를 STGDFM의 입력 자료로 사용함과 동시에 이 연구에서는 자료 융합의 활용성 평가를 위한 분류 정확도의 검증 자료로 사용하였다. 자료 융합 기반의 분류 결과는 Landsat 영상의 공간 해상도에서 생성되기 때문에 분류 정확도 평가에는 30 m의 CDL 자료를 검증 자료로 사용하였다.
토지 피복 분류에는 랜덤 포레스트 분류기를 적용하였다. CDL 자료에서 추출된 훈련 자료를 제외한 나머지 화소는 분류 정확도 평가를 위한 검증 자료로 사용하였다(Table 3).
교차상관성과 비유사도를 계산하기 위해서는 두 자료 간의 해상도 차이를 고려해야 하기 때문에 앞서 CDL 자료를 240 m로 업스케일링하는 과정에서 계산된 모든 토지 피복별 비율 자료를 이용하였다. 즉, 240 m 화소 안에 포함되는 토지 피복별 비율이 100%인 위치에서만 NDVI 값을 시계열로 추출하였다.
생성한 다중 시기 위성영상을 입력 자료로 활용해 토지 피복 분류를 수행하였다. 분류에서 다중 시기 위성영상의 가용 여부에 따른 영향을 살펴보기 위해 시계열 분광 정보의 차이가 크게 나타나는 농경지, 산림, 초지 등 식생 피복이 넓게 분포하는 지역을 대상 지역으로 선정하였다. 이를 바탕으로 일부 시기에서 획득한 Landsat 영상만을 이용한 분류와 다중 시기에서 획득한 Landsat 영상 및 융합 결과를 이용한 분류를 비교해 토지 피복 분류에서 다중 해상도 자료 융합의 적용성을 평가하였다.
그리고 MODIS 영상만을 획득한 나머지 12개 시기를 STGDFM의 예측 시기로 정의하였다. 이를 바탕으로 STGDFM의 자료 융합 결과인 가상의 Landsat 영상은 MODIS 영상만 획득한 12개 시기에서 생성된다.
먼저 Table 2에 제시된 영상의 획득 시기에서 MODIS 및 Landsat 영상을 동시에 수집한 4월 23일과 8월 29일을 pair date로 정의하였다. 이를 바탕으로 pair date에 획득한 MODIS 및 Landsat 영상을 pair data로 사용하였다 . 그리고 MODIS 영상만을 획득한 나머지 12개 시기를 STGDFM의 예측 시기로 정의하였다.
이 연구에서는 자료 융합 결과를 적색 및 근적외선 채널에서 생성하며, 입력 자료의 효율성을 위해 토지 피복 분류의 입력 자료는 적색 및 근적외선 채널을 기반으로 생성한 정규식생지수(normalized difference vegetation index, NDVI)를 사용하였다. 이를 바탕으로 토지 피복 분류의 입력 자료는 (1) 4월 23일과 8월 29일에서 획득한 NDVI 영상과 (2) 3월부터 10월까지 14개 시기에서 획득 및 생성한 NDVI 영상으로 구성하였다.
CDL 자료를 STGDFM의 입력 자료로 사용함과 동시에 이 연구에서는 자료 융합의 활용성 평가를 위한 분류 정확도의 검증 자료로 사용하였다. 자료 융합 기반의 분류 결과는 Landsat 영상의 공간 해상도에서 생성되기 때문에 분류 정확도 평가에는 30 m의 CDL 자료를 검증 자료로 사용하였다.
토지 피복 분류를 위한 훈련 자료는 CDL 자료로부터 추출하였다. 훈련 자료는 대상 지역의 피복별 비율을 고려해 Table 3과 같이 추출하였으며, 추출된 훈련 자료는 전체 화소의 4.

데이터처리

다음 두 분류 결과의 시각적 비교와 함께 정량적 평가를 위해 정확도를 계산해 비교하였다(Table 5). 정량적 평가를 위한 정확도에는 전체 정확도와 분류 항목별 사용자 정확도를 계산하였다.
다음 두 분류 결과의 시각적 비교와 함께 정량적 평가를 위해 정확도를 계산해 비교하였다(Table 5). 정량적 평가를 위한 정확도에는 전체 정확도와 분류 항목별 사용자 정확도를 계산하였다. 먼저 전체 정확도를 비교해 보면 두 시기의 Landsat 영상만을 이용한 분류 결과에서는 56.

이론/모형

실험의 두 번째 단계에서는 자료 융합 결과를 기반으로 토지 피복 분류를 수행하였다. 이 연구에서는 자료 융합 결과를 적색 및 근적외선 채널에서 생성하며, 입력 자료의 효율성을 위해 토지 피복 분류의 입력 자료는 적색 및 근적외선 채널을 기반으로 생성한 정규식생지수(normalized difference vegetation index, NDVI)를 사용하였다. 이를 바탕으로 토지 피복 분류의 입력 자료는 (1) 4월 23일과 8월 29일에서 획득한 NDVI 영상과 (2) 3월부터 10월까지 14개 시기에서 획득 및 생성한 NDVI 영상으로 구성하였다.
5%에 해당된다. 토지 피복 분류에는 랜덤 포레스트 분류기를 적용하였다. CDL 자료에서 추출된 훈련 자료를 제외한 나머지 화소는 분류 정확도 평가를 위한 검증 자료로 사용하였다(Table 3).

성능/효과

먼저 Fig. 3에서 Landsat 영상 기반 NDVI 자료와 STGDFM 융합 결과 기반 NDVI 자료의 시간적 변화를 살펴보면, 다중 시기 MODIS 영상 기반 NDVI 자료의 시간적 변화와 유사한 양상을 확인할 수 있다. 특히 STGDFM 융합 결과 기반 NDVI 자료를 살펴보면 Landsat 영상의 공간 해상도에서 MODIS 영상 기반 NDVI 자료의 양상을 잘 반영한 것으로 나타났다.
Fig. 3에서 입력 자료로 사용한 4월 23일과 8월 29일의 Landsat 영상을 살펴보면, 같은 도심 지역이라 하더라도 식생 피복과 인공 구조물 피복에서 나타나는 NDVI 값이 다른 것을 확인할 수 있다. 특히 4월 23일의 Landsat 영상을 살펴보면, 도심 지역의 식생 피복과 초지에서 유사한 NDVI 값을 보이고 있다.
반면 STGDFM 융합 결과를 입력자료로 함께 사용한 토지 피복 분류 결과에서는 이러한 오분류 양상이 완화되면서 약 20%p의 분류 정확도 향상을 보였다. STGDFM 융합을 통해 다중 시기에서 획득한 MODIS 영상의 시계열 분광 정보를 유지하면서 Landsat 영상의 결측을 보완할 수 있었다. 결과적으로 시계열 분광 정보를 분류 과정에 결합하면서 토지 피복간의 혼재 특히, 식생 피복 간의 혼재 양상을 크게 완화 시킬 수 있었던 것으로 판단된다.
Landsat 영상을 획득한 4월 23일과 8월 29일에서 옥수수와 콩의 NDVI 값이 유사한 것을 확인할 수 있다. 결과적으로 두 시기에서 획득한 Landsat 영상 기반의 분류 결과에서 옥수수와 콩의 혼재 양상이 두드러지게 나타난 것으로 판단된다. 또한 4월 23일과 8월 29일에서 건초 및 곡물 지역의 NDVI 값이 초지의 NDVI 값과 유사한 것으로 나타났다.
STGDFM 융합을 통해 다중 시기에서 획득한 MODIS 영상의 시계열 분광 정보를 유지하면서 Landsat 영상의 결측을 보완할 수 있었다. 결과적으로 시계열 분광 정보를 분류 과정에 결합하면서 토지 피복간의 혼재 특히, 식생 피복 간의 혼재 양상을 크게 완화 시킬 수 있었던 것으로 판단된다. 본 연구를 기반으로 토지 피복 분류 뿐만 아니라 변화 탐지, 작황 모니터링 등 다중 시기 위성영상을 입력 자료로 활용하는 연구에 다중 해상도 자료 융합이 효과적으로 적용될 수 있을 것으로 기대한다.
또한 건초 및 곡물 지역과 초지 지역간의 NDVI 값은 다른 시기와 비교했을 때 10월 16일과 10월 28일에서 차이를 보였다. 결과적으로 이러한 토지피복별 다중 시기 분광 정보를 분류에 결합하기 때문에 Landsat 영상 및 STGDFM 융합 결과 기반의 분류에서 혼재 양상이 완화된 결과를 획득할 수 있었던 것으로 판단된다. 특히 식생을 포함하는 토지 피복에서 다중 시기 분광 정보의 결합으로 혼재가 크게 완화될 수 있었다.
97%p의 정확도 향상을 보이면서 전체 정확도가 크게 향상된 것으로 보인다. 두 분류 결과의 시각적 및 정량적 분석을 통해 위성영상의 결측으로 다중 시기의 분광 정보 획득이 어려운 경우 다중 해상도 자료 융합을 통해 위성영상의 결측을 보완함으로써 토지 피복 분류의 정확도를 향상시킬 수 있다는 것을 확인하였다.
5에서도 확인할 수 있다. 두 시기의 Landsat 영상만을 이용한 분류 결과에서는 옥수수와 콩의 혼재로 salt-and-pepper현상이 두드러지게 나타나 콩 재배 필지 양상이 제대로 반영되지 못한 것으로 나타났다. 반면 Landsat 영상과 융합 결과를 입력 자료로 사용한 분류 결과에서는 옥수수와 콩의 혼재 양상이 완화되면서 콩 재배 필지 양상이 잘 반영된 것을 확인할 수 있다.
4). 먼저 두 시기에서 획득한 Landsat 영상 기반 NDVI 자료를 이용한 분류 결과, 화소 기반 분류에서 주로 나타나는 salt-and-pepper 현상이 두드러지게 나타났다. 특히 참조 자료인 CDL 자료와 비교했을 때, 대상 지역의 주요 토지 피복 항목인 농경지에서 콩 재배지역이 옥수수 재배지역으로 오분류된 것을 확인할 수 있다.
정량적 평가를 위한 정확도에는 전체 정확도와 분류 항목별 사용자 정확도를 계산하였다. 먼저 전체 정확도를 비교해 보면 두 시기의 Landsat 영상만을 이용한 분류 결과에서는 56.71%의 비교적 낮은 정확도를 보였다. 반면 Landsat 영상과 STGDFM 융합 결과를 이용한 분류 결과에서는 71.
71%의 비교적 낮은 정확도를 보였다. 반면 Landsat 영상과 STGDFM 융합 결과를 이용한 분류 결과에서는 71.69%로 전체 정확도가 14.98%p 향상되었다. 정확도의 향상은 Table 5와 같이 모든 분류 항목에서 정확도가 크게 향상된 영향으로 판단된다.
특히 참조 자료인 CDL 자료와 비교했을 때, 대상 지역의 주요 토지 피복 항목인 농경지에서 콩 재배지역이 옥수수 재배지역으로 오분류된 것을 확인할 수 있다. 반면 Landsat 영상과 STGDFM 융합 결과를 함께 입력 자료로 사용한 분류 결과에서는 이러한 옥수수와 콩의 혼재 양상이 크게 완화된 것으로 나타났다(Fig. 4).
두 시기의 Landsat 영상만을 이용한 분류 결과에서는 옥수수와 콩의 혼재로 salt-and-pepper현상이 두드러지게 나타나 콩 재배 필지 양상이 제대로 반영되지 못한 것으로 나타났다. 반면 Landsat 영상과 융합 결과를 입력 자료로 사용한 분류 결과에서는 옥수수와 콩의 혼재 양상이 완화되면서 콩 재배 필지 양상이 잘 반영된 것을 확인할 수 있다. 주요 토지 피복 항목인 농경지역 외에도 Landsat 영상만을 이용한 분류 결과에서 건초 및 곡물 지역이 옥수수 재배지 혹은 초지로 오분류 되었다.
특히 옥수수 및 콩 재배지역, 초지, 건초 및 곡물지역 등 식생을 포함하는 토지 피복 간의 혼재 양상이 큰 것으로 나타났다. 반면 STGDFM 융합 결과를 입력자료로 함께 사용한 토지 피복 분류 결과에서는 이러한 오분류 양상이 완화되면서 약 20%p의 분류 정확도 향상을 보였다. STGDFM 융합을 통해 다중 시기에서 획득한 MODIS 영상의 시계열 분광 정보를 유지하면서 Landsat 영상의 결측을 보완할 수 있었다.
또한 대상 지역에서 우상단에 위치한 도심 지역이 초지로 오분류된 것으로 나타났다. 반면 이러한 오분류 양상이 STGDFM 융합 결과를 함께 입력 자료로 사용한 분류 결과에서 크게 완화된 것을 확인할 수 있다.
연구 결과, 일부 시기에서 획득한 Landsat 영상만을 이용한 분류 결과에서는 분류 항목 간의 혼재가 두드러졌다. 특히 옥수수 및 콩 재배지역, 초지, 건초 및 곡물지역 등 식생을 포함하는 토지 피복 간의 혼재 양상이 큰 것으로 나타났다.
비유사도를 살펴보면 대부분 0에 가까운 값을 보이며 두 시계열 값의 유사도가 높은 것을 알 수 있다. 이러한 결과는 STGDFM이 MODIS 영상의 시계열 정보를 Landsat 영상의 공간 해상도에서 예측한 결과에 잘 반영하였다는 것을 의미한다. 그러나 수계 및 도심지역에서 각각 0.
따라서 동일한 토지 피복 항목으로 분류되어 있지만 MODIS 영상의 공간 해상도인 240 m 화소 안에서 물 혹은 콘크리트/시멘트 등의 단일 피복만 포함된 것이 아니라 식생 피복이 함께 포함되었을 가능성이 높다. 이러한 영향으로 해당 토지 피복에서는 MODIS 영상 기반의 시계열 NDVI 값과 Landsat 영상 및 융합 결과 기반의 시계열 NDVI 값에서 유사도가 저하된 것으로 판단된다.
3에서 시기별 NDVI 자료를 비교해 살펴보면, 4월에는 대상 지역의 주요 피복인 식생의 활력도가 낮기 때문에 전반적으로 낮은 NDVI 값을 보이고 있다. 이후 7월 및 8월에는 대상 지역의 주요 피복인 옥수수와 콩이 수확되기 전 가장 높은 식생 활력도를 바탕으로 높은 값의 NDVI를 보였다. 반대로 식생 피복이 아닌 수계 및 도심지역에서는 낮은 값의 NDVI를 보이고 있다.
반면 Landsat 영상과 융합 결과를 입력 자료로 사용한 분류 결과에서는 옥수수와 콩의 혼재 양상이 완화되면서 콩 재배 필지 양상이 잘 반영된 것을 확인할 수 있다. 주요 토지 피복 항목인 농경지역 외에도 Landsat 영상만을 이용한 분류 결과에서 건초 및 곡물 지역이 옥수수 재배지 혹은 초지로 오분류 되었다. 또한 대상 지역에서 우상단에 위치한 도심 지역이 초지로 오분류된 것으로 나타났다.
3에서 Landsat 영상 기반 NDVI 자료와 STGDFM 융합 결과 기반 NDVI 자료의 시간적 변화를 살펴보면, 다중 시기 MODIS 영상 기반 NDVI 자료의 시간적 변화와 유사한 양상을 확인할 수 있다. 특히 STGDFM 융합 결과 기반 NDVI 자료를 살펴보면 Landsat 영상의 공간 해상도에서 MODIS 영상 기반 NDVI 자료의 양상을 잘 반영한 것으로 나타났다.
정확도의 향상은 Table 5와 같이 모든 분류 항목에서 정확도가 크게 향상된 영향으로 판단된다. 특히 분류 항목 중에서도 대상 지역의 주요 토지 피복인 옥수수와 콩재배지에서 각각 13.16%p 및 20.97%p의 정확도 향상을 보이면서 전체 정확도가 크게 향상된 것으로 보인다. 두 분류 결과의 시각적 및 정량적 분석을 통해 위성영상의 결측으로 다중 시기의 분광 정보 획득이 어려운 경우 다중 해상도 자료 융합을 통해 위성영상의 결측을 보완함으로써 토지 피복 분류의 정확도를 향상시킬 수 있다는 것을 확인하였다.
결과적으로 이러한 토지피복별 다중 시기 분광 정보를 분류에 결합하기 때문에 Landsat 영상 및 STGDFM 융합 결과 기반의 분류에서 혼재 양상이 완화된 결과를 획득할 수 있었던 것으로 판단된다. 특히 식생을 포함하는 토지 피복에서 다중 시기 분광 정보의 결합으로 혼재가 크게 완화될 수 있었다.
연구 결과, 일부 시기에서 획득한 Landsat 영상만을 이용한 분류 결과에서는 분류 항목 간의 혼재가 두드러졌다. 특히 옥수수 및 콩 재배지역, 초지, 건초 및 곡물지역 등 식생을 포함하는 토지 피복 간의 혼재 양상이 큰 것으로 나타났다. 반면 STGDFM 융합 결과를 입력자료로 함께 사용한 토지 피복 분류 결과에서는 이러한 오분류 양상이 완화되면서 약 20%p의 분류 정확도 향상을 보였다.
먼저 두 시기에서 획득한 Landsat 영상 기반 NDVI 자료를 이용한 분류 결과, 화소 기반 분류에서 주로 나타나는 salt-and-pepper 현상이 두드러지게 나타났다. 특히 참조 자료인 CDL 자료와 비교했을 때, 대상 지역의 주요 토지 피복 항목인 농경지에서 콩 재배지역이 옥수수 재배지역으로 오분류된 것을 확인할 수 있다. 반면 Landsat 영상과 STGDFM 융합 결과를 함께 입력 자료로 사용한 분류 결과에서는 이러한 옥수수와 콩의 혼재 양상이 크게 완화된 것으로 나타났다(Fig.

후속연구

결과적으로 시계열 분광 정보를 분류 과정에 결합하면서 토지 피복간의 혼재 특히, 식생 피복 간의 혼재 양상을 크게 완화 시킬 수 있었던 것으로 판단된다. 본 연구를 기반으로 토지 피복 분류 뿐만 아니라 변화 탐지, 작황 모니터링 등 다중 시기 위성영상을 입력 자료로 활용하는 연구에 다중 해상도 자료 융합이 효과적으로 적용될 수 있을 것으로 기대한다.

참고문헌 (28)

Gao, F., J. Masek, M. Schwaller, and F. Hall, 2006. On the blending of the Landsat and MODIS surface reflectance: Predicting daily Landsat surface reflectance, IEEE Transactions on Geoscience and Remote Sensing, 44(8): 2207-2218. https://doi.org/10.1109/TGRS.2006.872081

상세보기
Ghamisi, P., B. Rasti, N. Yokoya, Q. Wang, B. Hofle, L. Bruzzone, F. Bovolo, M. Chi, K. Anders, R. Gloageun, P.M. Atkinson, and J.A. Benediktsson, 2019. Multisource and multitemporal data fusion in remote sensing: A comprehensive review of the state of the art, IEEE Geoscience and Remote Sensing Magazine, 7(1): 6-39. https://doi.org/10.1109/MGRS.2018.2890023

상세보기
Huang, B. and H. Song, 2012. Spatiotemporal reflectance fusion via sparse representation, IEEE Transactions on Geoscience and Remote Sensing, 50(10): 3707-3716. https://doi.org/10.1109/TGRS.2012.2186638

상세보기
Jin, Y., J. Zhu, S. Sung, and D.K. Lee, 2017. Application of satellite data spatiotemporal fusion in predicting seasonal NDVI, Korean Journal of Remote Sensing, 33(2): 149-158 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2017.33.2.4

원문보기 상세보기
Karagiannopoulou, A., A. Tsertou, G. Tsimiklis, and A. Amditis, 2022. Data fusion in earth observation and the role of citizen as a sensor: A scoping review of applications, methods and future trends, Remote Sensing, 14(5): 1263. https://doi.org/10.3390/rs14051263

상세보기
Kim, Y. and N.-W. Park, 2019. Comparison of spatiotemporal fusion models of multiple satellite images for vegetation monitoring, Korean Journal of Remote Sensing, 35(6-3): 1209-1219 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2019.35.6.3.5

원문보기 상세보기
Kim, Y., G.-H. Kwak, K.-D. Lee, S.-I. Na, C.-W. Park, and N.-W. Park, 2018. Performance evaluation of machine learning and deep learning algorithms in crop classification: Impact of hyper-parameters and training sample size, Korean Journal of Remote Sensing, 34(5): 811-827 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.5.9

원문보기 상세보기
Kim, Y., P.C. Kyriakidis, and N.-W. Park, 2020. A cross-resolution, spatiotemporal geostatistical fusion model for combining satellite image time-series of different spatial and temporal resolutions, Remote Sensing, 12(10): 1553. https://doi.org/10.3390/rs12101553

상세보기
Kown, S.-K., K.-M. Kim, and J. Lim, 2021. A study on pre-evaluation of tree species classification possibility of CAS500-4 using RapidEye satellite images, Korean Journal of Remote Sensing, 37(2): 291-304 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.2.9

원문보기 상세보기
Kwak, G.-H. and N.-W. Park, 2019. Impact of texture information on crop classification with machine learning and UAV images, Remote Sensing, 9(4): 643. https://doi.org/10.3390/app9040643

상세보기
Kwak, G.-H. and N.-W. Park, 2022. Unsupervised domain adaptation with adversarial self-training for crop classification using remote sensing images, Remote Sensing, 14(18): 4639. https://doi.org/10.3390/rs14184639

상세보기
Kyriakidis, P.C., 2004. A geostatistical framework for area-to-point spatial interpolation, Geographical Analysis, 36(3): 259-289. https://doi.org/10.1111/j.1538-4632.2004.tb01135.x

상세보기
Kyriakidis P.C. and A.G. Journel, 2001. Stochastic modeling of atmospheric pollution: A spatial time-series framework, Part 1: Methodology, Atmospheric Environment, 35(13): 2331-2337. https://doi.org/10.1016/S1352-2310(00)00541-0

상세보기
Kyriakidis, P.C., N.L. Miller, and J. Kim, 2004. A spatial time series framework for simulating daily precipitation at regional scales, Journal of Hydrology, 297(1-4): 236-255. https://doi.org/10.1016/j.jhydrol.2004.04.022

상세보기
Lark, T.J., I.H. Schelly, and H.K. Gibbs, 2021. Accuracy, bias, and improvements in mapping crops and cropland across the United States using the USDA cropland data layer, Remote Sensing, 13(5): 968. https://doi.org/10.3390/rs13050968

상세보기
Montero, P. and J.A. Vilar, 2014. TSclust: An R package for time series clustering, Journal of Statistical Software, 62(1): 1-43. https://doi.org/10.18637/jss.v062.i01
Park, N.-W., Y. Kim, and G.-H. Kwak, 2019. An overview of theoretical and practical issues in spatial downscaling of coarse resolution satellite-derived products, Korean Journal of Remote Sensing, 35(4): 589-607. https://doi.org/10.7780/kjrs.2019.35.4.8

원문보기 상세보기
Park, S., S.-H. Cho, N.-W. Park, and H. Kim, 2021. Evaluation of spatio-temporal multi-sensor image fusion models for generating time-series Landsat images: A case study in Mt. Halla, Journal of Climate Research, 16(4): 291-306 (in Korean with English abstract). https://doi.org/10.14383/cri.2021.16.4.291
Pelletier, C., S. Valero, J. Inglada, N. Champion, and G. Dedieu, 2016. Assessing the robustness of random forests to map land cover with high resolution satellite image time series over large areas, Remote Sensing of Environment, 187: 156-168. https://doi.org/10.1016/j.rse.2016.10.010

상세보기
Shen, Y., X. Zhang, and Z. Yang, 2022. Mapping corn and soybean phenometrics at field scales over the United States Corn Belt by fusing time series of Landsat 8 and Sentinel-2 data with VIIRS data, ISPRS Journal of Photogrammetry and Remote Sensing, 186: 55-69. https://doi.org/10.1016/j.isprsjprs.2022.01.023

상세보기
Song, H. and B. Huang, 2013. Spatiotemporal satellite image fusion through one-pair image learning, IEEE Transactions on Geoscience and Remote Sensing, 51(4): 1883-1896. https://doi.org/10.1109/TGRS.2012.2213095

상세보기
U.S. Department of Agriculture, 2022. National Agricultural Statistics Service, https://www.nass.usda.gov/, Accessed on Sep. 15, 2022.
U.S. Geological Survey, 2022a. Earth Explorer, https://earthexplorer.usgs.gov/, Accessed on Oct. 1, 2022.
U.S. Geological Survey, 2022b. Land Processes Distributed Active Archive Center, https://lpdaac.usgs.gov/, Accessed on Oct. 1, 2022.
Xue, J., Y. Leung, and T. Fung, 2017. A Bayesian data fusion approach to spatio-temporal fusion of remotely sensed images, Remote Sensing, 9(12): 1310. https://doi.org/10.3390/rs9121310

상세보기
Yang, S., L. Gu, X. Li, T. Jiang, and R. Ren, 2020. Crop classification method based on optimal feature selection and hybrid CNN-RF networks for multi-temporal remote sensing imagery, Remote Sensing, 12(19): 3119. https://doi.org/10.3390/rs12193119

상세보기
Ye, C.-S., 2021. Object-based image classification by integrating multiple classes in Hue channel images, Korean Journal of Remote Sensing, 37(6-3): 2011-2025 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.6.3.9

원문보기 상세보기
Zhu, X., J. Chen, F. Gao, X. Chen, and J.G. Masek, 2010. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions, Remote Sensing of Environment, 114(11): 2610-2623. https://doi.org/10.1016/j.rse.2010.05.032

상세보기

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