초록

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

필지는 지번, 지목, 경계, 면적이라는 기본적인 구성요소를 가지고 있다. 그 가운데 토지의 가치는 대부분 지목에 의해 결정된다. 때문에 많은 수익이나 산출이 기대되는 용도로 토지를 이용하려는 욕구의 증가로 토지이용의 전환이 많이 이루어지고 있다. 결국, 이것은 토지의 불법형질변경, 난개발 등의 원인이 되고 있고, 지목불부합의 발생을 가중시키고 있다. 그러나 이에 대한 대처나 정리는 상대적으로 미흡한 편이다. 본 연구에서는 고해상도 위성영상과 수치지형도를 이용하여 지목을 기반으로 한 필지별 토지이용/토지피복을 분류할 수 있는 방법을 제안하였다. 그리고, 이렇게 분류된 필지별 토지이용/토지피복도와 편지지적도상의 지목을 비교·분석하여 지목불부합 정도를 통계적으로 측정하였다. 그 결과 연구지역의 불부합 정도에 대한 통계적인 해석이 가능하여, 향후 지적불부합지를 정량적으로 자동 해석할 수 있는 가능성을 제시할 수 있었다.

필지는 지번, 지목, 경계, 면적이라는 기본적인 구성요소를 가지고 있다. 그 가운데 토지의 가치는 대부분 지목에 의해 결정된다. 때문에 많은 수익이나 산출이 기대되는 용도로 토지를 이용하려는 욕구의 증가로 토지이용의 전환이 많이 이루어지고 있다. 결국, 이것은 토지의 불법형질변경, 난개발 등의 원인이 되고 있고, 지목불부합의 발생을 가중시키고 있다. 그러나 이에 대한 대처나 정리는 상대적으로 미흡한 편이다. 본 연구에서는 고해상도 위성영상과 수치지형도를 이용하여 지목을 기반으로 한 필지별 토지이용/토지피복을 분류할 수 있는 방법을 제안하였다. 그리고, 이렇게 분류된 필지별 토지이용/토지피복도와 편지지적도상의 지목을 비교·분석하여 지목불부합 정도를 통계적으로 측정하였다. 그 결과 연구지역의 불부합 정도에 대한 통계적인 해석이 가능하여, 향후 지적불부합지를 정량적으로 자동 해석할 수 있는 가능성을 제시할 수 있었다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 따라서, 본 연구에서는 고해상도 위성영상과 기구축되어 있는 수치 지형도를 이용하여 지목을 기반으로 한 필지별 토지이용/토지피복을 분류할 수 있는 방법을 제안하였다. 그리고, 이렇게 분류된 필지별 토지이용/토지피복도와 편지 지적도상의 지목을 비교.
• 본 연구에서는 고해상도 위성영상을 분류하고, 이를 수치 지형도와 연계하여 지목불부합을 해석하기 위해 수치지형도에서 건물 데이터와 도로 데이터를 추출하여 분류된 영상에 매칭시켜 처리하였다. 그리고, 영상과 편집 지적도와의 경계불일치로 발생할 수 있는 오차를 제거하고, 필 지 단위로 불부합을 측정하기 편집지적도에서 필지 경계를 추출하여 매칭시켰다.
• 연구의 궁극적인 목적은 지적도에 등록된 지목불부합을 측정하는 것이다. 때문에, 모든 통계적 검증 모델에서는 편집 지적도를 기반 데이터(reference data)로 정의하였다.
• 지목불부합의 측정에 있어 다양한 통계기법의 적용으로, 불부합정도를 수치적이고 정량적으로 측정. 해석할 수 있는 가능성을 제시하였다.

제안 방법

• 지목불부합 측정 해석을 위한 데이터 구축은 먼저, 래스터 기반으로 분석이 이루어져야 하기 때문에 벡터 형태의 편집 지적도를 래스터 형태로 변환하였다. 건축물 데이터와 도로 데이터는 수치 지형도에서 직접 추출하여 구축하였다.
• 훈련 데이터의 정확도 검증과 분류 결과의 평가를 위해 검정데이터(test data)의 선정이 이루어졌다. 검정 데이터의 추출 역시, 훈련 데이터의 추출과 마찬가지로 편집지적도와 수치 지형 도를 이용하여 화면상에서 이루어졌다.
• 그러나 하나의 필지에는 하나의 지목만이 존재해야 하므로 필지에 여러 셀값이 존재하면 안 된다. 그래서, 이를 해결하기 위하여 새로운 알고리듬을 설계하여 하나의 필지에 하나의 지목이 존재하도록 하였다. 이러한 과정을 거쳐 지목을 기반으로 한 필지별 토지이용/토지피복도를 제작하고, 이를 편집지적도의 지목과 통계적인 기법을 적용.
• 해석하기 위해 지적도의 경계를 추출하여 분류된 영상과 매칭(matching)을 하여 두 자료 간의 동일한 경계(환경)를 설정하였다. 그리고, 셀(cell)을 기반으로 한 통계적인 불부합 정도 측정을 위해 편집지적도를 래스터(raster) 데이터로 변환을 하였다. 위성영상과 편집지적도의 연계는 지목을 기반으로 이루어졌다.
• 본 연구에서는 고해상도 위성영상을 분류하고, 이를 수치 지형도와 연계하여 지목불부합을 해석하기 위해 수치지형도에서 건물 데이터와 도로 데이터를 추출하여 분류된 영상에 매칭시켜 처리하였다. 그리고, 영상과 편집 지적도와의 경계불일치로 발생할 수 있는 오차를 제거하고, 필 지 단위로 불부합을 측정하기 편집지적도에서 필지 경계를 추출하여 매칭시켰다. 이러한 단계를 거친 후, 한 필지가 동일한 지목 셀값을 갖도록 알고리듬을 설계.
• 따라서, 본 연구에서는 고해상도 위성영상과 기구축되어 있는 수치 지형도를 이용하여 지목을 기반으로 한 필지별 토지이용/토지피복을 분류할 수 있는 방법을 제안하였다. 그리고, 이렇게 분류된 필지별 토지이용/토지피복도와 편지 지적도상의 지목을 비교.분석하여 지목불부합 정도를 측정하였다.
• 그러나 모든 항목에 대해 정확하게 영상 분류를 하는 것은 현재로서는 어려움이 있다. 때문에 연구에서는 지목의 항목 중 분류 가능한 항목을 추출하고, 지목의 정의를 기반으로 하여 특성이 유사한 두 개 또는 그 이상의 지목을 하나의 클래스로 묶어 분류 항목을 정의하였다 (표 1).
• 영상과 수치 지형도를 이용하는데 있어 기반 도면(reference map)은 편집지적 도를 이용하였다. 또한, 영상과 편집 지적도에서 경계불일치로 발생할 수 있는 오차의 제거와 필지단위로 불부합을 측정. 해석하기 위해 지적도의 경계를 추출하여 분류된 영상과 매칭(matching)을 하여 두 자료 간의 동일한 경계(환경)를 설정하였다.
• 위성영상과 편집지적도의 연계는 지목을 기반으로 이루어졌다. 먼저, 위성영상을 기하 보정하기 위해 편집지적도상에서 지상기준점(GCP: Ground Control PointX 추출하고, 지목의 종류를 기반으로 분류 항목(class)를 정의하였다. 분류방법은 감독분류 기법 중 가장 일반화된 분류기법 인 최대 우도 분류 기법(maximum likelihood classifier)을 이용하였다.
• 그리고, 이렇게 분류된 필지별 토지이용/토지피복도와 편지 지적도상의 지목을 비교.분석하여 지목불부합 정도를 측정하였다. 지목불부합의 측정에 있어 다양한 통계기법의 적용으로, 불부합정도를 수치적이고 정량적으로 측정.
• 그러나, a 지수의 경우는 셀의 위치정보를 나타내지 못하고, 단순한 셀의 숫자를 비교하는 것이므로, 신뢰성이 떨어질 수 있다. 연구지역 전체에 대한 불부합을 종합적으로 측정. 해석하고자 Kappa 계수를 산출하였다.
• 영상을 기하 보정하기 위해 대상지역의 편집 지적도에서 GCP를 추출하였다. GCP 데이터는 7개를 선정하였다.
• 그래서, 이를 해결하기 위하여 새로운 알고리듬을 설계하여 하나의 필지에 하나의 지목이 존재하도록 하였다. 이러한 과정을 거쳐 지목을 기반으로 한 필지별 토지이용/토지피복도를 제작하고, 이를 편집지적도의 지목과 통계적인 기법을 적용.분석하여 지목불부합 정도를 측정하게 된다.
• 그리고, 영상과 편집 지적도와의 경계불일치로 발생할 수 있는 오차를 제거하고, 필 지 단위로 불부합을 측정하기 편집지적도에서 필지 경계를 추출하여 매칭시켰다. 이러한 단계를 거친 후, 한 필지가 동일한 지목 셀값을 갖도록 알고리듬을 설계. 적용하였다.
• 적용하였다. 이렇게 현황의 기준이 되는 영상 데이터를 구축한 후 이를 편집지적도와 비교. 분석을 통해 지목불부합을 수치 통계적으로 해석하고자 4개의 통계지수를 선정.
• 그러나 현재, 지적 분야에서의 위성영상을 이용한 연구사례가 많지 않기 때문에 지적법상 지목의 정의와 중.저해상도나 고해상도 영상의 분류와 관련된 선행연구를 분석하여 분류 항목을 정의하였다. 현행 지적법은 28개 항목으로 지목을 정의하고 있다.
• 분석을 통해 지목불부합을 수치 통계적으로 해석하고자 4개의 통계지수를 선정. 적용해 대상지역의 불부합 정도를 측정제시하였다. 연구의 고해상도 위성영상과 수치 지형도를 이용한 지목불부합측정 방법론은 도심지역에서 고해상도 영상을 효율적으로 분류.
• 또한, 영상과 편집 지적도에서 경계불일치로 발생할 수 있는 오차의 제거와 필지단위로 불부합을 측정. 해석하기 위해 지적도의 경계를 추출하여 분류된 영상과 매칭(matching)을 하여 두 자료 간의 동일한 경계(환경)를 설정하였다. 그리고, 셀(cell)을 기반으로 한 통계적인 불부합 정도 측정을 위해 편집지적도를 래스터(raster) 데이터로 변환을 하였다.
• 훈련데이터(training data)의 선정은 편집 지적도, 수치 지형도를 이용하여 화면상에서 이루어졌다. 훈련 데이터의 정확도 검증과 분류 결과의 평가를 위해 검정데이터(test data)의 선정이 이루어졌다.

대상 데이터

• 영상을 기하 보정하기 위해 대상지역의 편집 지적도에서 GCP를 추출하였다. GCP 데이터는 7개를 선정하였다. GCP 데이터는 편집지적도 상의 도로를 중심으로 추출하였다.
• 연구에서 이용한 데이터는 lm의 공간 해상도를 가진 고해상도 위성영상(IKONOS)과 1/1000축척의 수치 지형도 그리고, 수치 지적도를 지형에 기반하여 편집해서 사용하고 있는 편집지적도를 이용하였다. IKONOS 영상은 2000년 6월에 촬영된 영상으로 범색성영상(panchromatic imagery)의 공간 해상도를 유지하면서 다중분광영상(multispectral imagery)의 성격을 갖는 영상을 만들기 위해 영상융합(image fusion)과정을 거친 영상을 이용하였다.
• 연구지역은 서울시 강동구 일대(3.6kmx2.6km)를 선정하였다. 이 지역은 도심지 건물이 많이 밀집되어 있고, 주변으로 전, 답, 임야, 하천 등이 분포하고 있다.
• 훈련데이터(training data)의 선정은 편집 지적도, 수치 지형도를 이용하여 화면상에서 이루어졌다. 훈련 데이터의 정확도 검증과 분류 결과의 평가를 위해 검정데이터(test data)의 선정이 이루어졌다. 검정 데이터의 추출 역시, 훈련 데이터의 추출과 마찬가지로 편집지적도와 수치 지형 도를 이용하여 화면상에서 이루어졌다.

데이터처리

• 연구지역 전체에 대한 불부합을 종합적으로 측정. 해석하고자 Kappa 계수를 산출하였다. 계산 결과, 대략 80%로 산출되어 대상 지역의 불부합 정도는 양호한 것으로 판단할 수 있다.

이론/모형

• 때문에, 모든 통계적 검증 모델에서는 편집 지적도를 기반 데이터(reference data)로 정의하였다. 분류된 영상과 기존의 편집 지적도 사이의 지목에 대한 불부합 정도를 해석하는 통계적 도구로는 a, p, Y (Lee-Sallee) 지수, Kappa 계수의 4가지 지수를 이용하였다. 여기서, a, & y의 3가지 지수는 개별 지목에 대한 불부합 정도를 즉정하는 지수로서 사용된다.
• 먼저, 위성영상을 기하 보정하기 위해 편집지적도상에서 지상기준점(GCP: Ground Control PointX 추출하고, 지목의 종류를 기반으로 분류 항목(class)를 정의하였다. 분류방법은 감독분류 기법 중 가장 일반화된 분류기법 인 최대 우도 분류 기법(maximum likelihood classifier)을 이용하였다. 이렇게 분류된 영상에 건물과 도로 데이터를 추출하여 이를 래스터 자료 형태로 변환 후 분류된 영상에 매칭을 시키게 된다.

성능/효과

• 계산 결과, 대략 80%로 산출되어 대상 지역의 불부합 정도는 양호한 것으로 판단할 수 있다. 결과를 종합해보면, 각각의 지목에서는 전, 답, 제방, 수도 용지가 불부합정도가 심하다. 그러나 이러한 지목들은 상대적으로 나머지 지목에 비하여 셀수가 적다는 것을 고려하면, 전반적인 불부합 정도는 양호한 것으로 판단할 수 있다.
• 해석하고자 Kappa 계수를 산출하였다. 계산 결과, 대략 80%로 산출되어 대상 지역의 불부합 정도는 양호한 것으로 판단할 수 있다. 결과를 종합해보면, 각각의 지목에서는 전, 답, 제방, 수도 용지가 불부합정도가 심하다.
• 그리고, 분류된 영상에 수치 지형도를 기반으로 구축된 건물 데이터와 도로 데이터, 편집 지적도의 경계를 매칭시겼다 (그림4의 중). 이렇게 분류를 완료하고, 분류 오차를 분석하기 위해 오차 매트릭스(error matrix)를 구성한 후 계산한 결과, 전체 정확도(overall accuracy)는 94.2%, Kappa 계수는 92.2%로 산출되어 영상 분류 정확도 평가측정 면에서는 만족할 만한 결과라고 판단되었다. (그림 4의 우)는 영상 분류를 완료한 후래스터로 변환한 편집 지적도와 동일한 환경에서 통계적 분석을 하기 위해 연구에서 설계.

후속연구

• 그러나 본 연구에서는 소규모 지역에 대한 지목의 항목 분류가 이루어졌고, 특성 추출이 가능하다고 판단되는 지목만을 대상으로 하였기 때문에 이를 범용적인 분류기준으로 적용하기에는 한계성이 있을 수 있다. 따라서, 앞으로 보다 다양하고 넓은 지역을 대상으로 한 연구가 필 요하다.
• 활용할 수 있을 것이고, 또한 기구축된 수치지형도의 활용성을 극대화할 수 있을 것이다. 그리고, 통계적인 방법과 자동화된 방법으로 향후 지적불 부합지 정리사업에 효율적인 활용이 기대된다.
• 그러나 본 연구에서는 소규모 지역에 대한 지목의 항목 분류가 이루어졌고, 특성 추출이 가능하다고 판단되는 지목만을 대상으로 하였기 때문에 이를 범용적인 분류기준으로 적용하기에는 한계성이 있을 수 있다. 따라서, 앞으로 보다 다양하고 넓은 지역을 대상으로 한 연구가 필 요하다.
• 이 지역은 도심지 건물이 많이 밀집되어 있고, 주변으로 전, 답, 임야, 하천 등이 분포하고 있다. 때문에 연구에서 주목표 로 하고 있는 건물 지역에서의 지목 불부합의 측정과 또한 전답, 임야, 하천 등과 같은 것의 지목도 포함하고 있어 사례연구로 적당할 것이다 (그림 3).
• 연구의 고해상도 위성영상과 수치 지형도를 이용한 지목불부합측정 방법론은 도심지역에서 고해상도 영상을 효율적으로 분류. 활용할 수 있을 것이고, 또한 기구축된 수치지형도의 활용성을 극대화할 수 있을 것이다. 그리고, 통계적인 방법과 자동화된 방법으로 향후 지적불 부합지 정리사업에 효율적인 활용이 기대된다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기