[논문]딥 러닝 기반 이미지 트레이닝을 활용한 하천 공간 내 피복 분류 가능성 검토

강우철; 장은경

doi:10.17820/eri.2022.9.4.218

딥 러닝 기반 이미지 트레이닝을 활용한 하천 공간 내 피복 분류 가능성 검토
Review of Land Cover Classification Potential in River Spaces Using Satellite Imagery and Deep Learning-Based Image Training Method 원문보기

Ecology and resilient infrastructure, v.9 no.4, 2022년, pp.218 - 227

강우철 (한국건설기술연구원 수자원하천연구본부) , 장은경 (한국건설기술연구원 수자원하천연구본부)

초록
AI-Helper

본 연구는 효율적인 하천 관리를 위해 중요한 데이터 중 하나인 하천 공간의 토지피복 분류를 위해 딥 러닝 기반의 이미지 트레이닝 방법의 활용가능성을 검토하였다. 이를 위해 대상 구간의 RGB 이미지를 활용하여 라벨링 작업 후 학습시킨 결과를 활용하여 기존 대분류 지표를 기준으로 토지피복 분류를 시도하였다. 또한 개방형으로 제공되는 Sentinel-2 위성 영상으로부터 무감독 분류 및 감독 분류에 의한 하천 공간의 토지피복 분류를 수행하였으며, 딥 러닝 기반 이미지 분류 결과와 비교하였다. 분석 결과의 경우 무감독 분류 결과와 비교하여 매우 향상된 예측 결과를 보여주었으며, 고해상도 이미지의 경우 더욱 정확한 분류 결과를 제시하였다. 단순한 이미지 라벨링을 통해 분류된 피복 분류 결과는 하천 공간 내 수역과 습지의 분류 가능성을 보여주었으며, 향후 추가적인 연구 수행이 이루어진다면 하천 관리를 위해 딥 러닝 기반 이미지 트레이닝 기법을 이용한 하천 공간내 피복 분류 결과의 활용이 가능할 것으로 판단된다.

Abstract ▼ AI-Helper

This study attempted classification through deep learning-based image training for land cover classification in river spaces which is one of the important data for efficient river management. For this purpose, land cover classification analysis with the RGB image of the target section based on the category classification index of major land cover map was conducted by using the learning outcomes from the result of labeling. In addition, land cover classification of the river spaces was performed by unsupervised and supervised classification from Sentinel-2 satellite images provided in an open format, and this was compared with the results of deep learning-based image classification. As a result of the analysis, it showed more accurate prediction results compared to unsupervised classification results, and it presented significantly improved classification results in the case of high-resolution images. The result of this study showed the possibility of classifying water areas and wetlands in the river spaces, and if additional research is performed in the future, the deep learning based image train method for the land cover classification could be used for river management.

주제어

표/그림 (16)

그림 Fig. 1. Watershed map and detailed image of the target section of Geumriver Watershed.
그림 Fig. 2. Study area of (a) satellite image from ESRI 2022; and (b) land cover map.
그림 Fig. 3. Sentinel-2 satellite image of study area.
그림 Fig. 4. Aerial orthogonal video sample image of the target section.
그림 Fig. 5. Example of labeling for image training with seven classification schemes of large classification land cover.
표 Table 1. Classification performance evaluation index for Bayesian deep learning application by each classification land cover
그림 Fig. 6. Result of land cover classification using land cover map.
그림 Fig. 7. Result of land cover classification using the K-means method.
표 Table 2. Comparison of land cover classification results using existing land coverage
그림 Fig. 8. Result of land cover classification using the Maximum likelihood classification.
표 Table 3. Accuracy assessment of classification result using the maximum likelihood classification
그림 Fig. 9. River image of (a) Sentinel-2 and (b) World imagery (ESRI, 2022); and classification result for model prediction by Bayesian Deep Learning (c) Sentinel-2 and (d) World imagery (ESRI, 2022).
표 Table 4. Result of comparative analysis between image training method and classification result from the maximum likelihood classification
그림 Fig. 10. Satellite images with histogram stretching that improves visibility by adjusting the brightness and contrast of pixels: (a) Equalization (b) Linear (c) Gaussian (d) Square root.
그림 Fig. 11. Results of image classification with applied with histogram stretching: (a) Equalization (b) Linear (c) Gaussian (d) Square root.
표 Table 5. Result of comparative analysis between image training for histogram stretched and classification result from the maximum likelihood classification

참고문헌 (10)

Jo, W., Lim, Y., and Park, K. 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. (in Korean)
Kang, W., Choe, H., Jang, E., Ko, D., Kang, J., and Yeo,？H. 2021a. Determination of Stream Reach for River？Environment Assessment System Using Satellite Image.？Ecology and Resilient Infrastructure 8(4): 179-193. (in？Korean)
Kang, W., Jang, E.K., Yang, C.Y., and Julien, P.Y. 2021b.？Geospatial analysis and model development for specific？degradation in South Korea using model tree data？mining. Catena, 200, 105142.
Kang, W., Lee, K., and Jang, E.K. 2022a. Evaluation and？Validation of Estimated Sediment Yield and Transport？Model Developed with Model Tree Technique. Applied？Sciences 12(3), 1119.
Kang, W., Lee, K., and Kim, J. 2022b. Prediction of？Suspended Sediment Concentration Based on the Turbidity-Concentration Relationship Determined via Underwater Image Analysis. Applied Sciences 12(12), 6125.
Kang, W., Yang, C.Y., Lee, J., and Julien, P.Y. 2019.？Sediment yield for ungauged watersheds in South？Korea. KSCE Journal of Civil Engineering 23(12):？5109-5120.

상세보기
Kim, H. and Yeom, J. 2012. A Study on Object-Based？Image Analysis Methods for Land Cover Classification？in Agricultural Areas. The Korean Association of Geographic Information Studies 15(4): 26-41. (in Korean)
Lee, G. and Choi, Y. 2014. Land Cover Classification of？Nakdong River Basin using Object-Based Image Analysis？Methods. Journal of The Korean Cadastre Information？Association 16(3): 3-18. (in Korean)
Lee, H., Ru, J., and Yu, Y. 2010. Extracting High Quality？Thematic Information by Using High-Resoultion Satellite？Imagery. Journal of Korean Society for Geospatial Information Science 18(1): 73-81. (in Korean)
Woo, H. 2017. Assessment of Definitions and Models of？River Restoration based on the Functions, Services, and？Values of River Ecosystem. Ecology and Resilient Infrastructure 4(3): 123-129. (in Korean)

원문보기 상세보기

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