선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- IKONOS위성 영상을 이용하여 도심 지역 토지 피복 분류를 영상 분류 기법별로 분석하고, 분석한 결과와 GIS를 이용하여 토지피복 분류도를 작성한 결과 다음과 같은 결론을 얻었다.
- 대상지역의 토지피복 분류도를 작성하기 위해서 RS기법으로 분류된 각 항목이미 지 (Raster Data) 를 ArcView 포맷 인 SHP파일(Vector Data)로 변환하여, 이미 알고 있는 오류를 수정한 후, ArcView를 이용하여 공간 데이터와 속성 데이터로 구성된 GIS Data로 저장한 후에 토지피복 분류도를 제작하였다. 먼저 분류된 토지이용도에 원하는 분류 항목을 선택하면 그 항목에 대한 면적, 전체 정확도, Kappa 계수, 대상지역의 DEM을 화면상에 출력할 수 있도록 GIS를 이용하여 Database를 구축하였다.
- 따라서 본 연구에서는 고해상도 IK0N0S 위성영상을 이용하여 도심지 토지 피복 환경에 대하여 분류기법에 따라 Class별 로 구분하여 나타내었으며, 각각의 분석 결 과에 대하여 정확도 검증과 비교를 통하여 도심 지 토지피복분석에 적합한 기법을 산정하였다. 또한 GIS를 이용하여 토 지 분류기법 별로 분류된 토지피복도와 정확도, 그리고 대상지역의 공간정보와 속성정보들의 데이터베이스 구축 통하여 사용자에게 보다 신뢰성 있고 구체적인 정보를 제공할 수 있으리라 판단된다.
- 이는 다소 시간이 오래 걸리는 단점이 있지만 정확한 분류가 가능하였다. 또한 신경망이론을 적용하여 토지 피복 분류를 실시하였다. 이 방법은 Puzzy 이론을 이용하여 컴퓨터의 영상 분류 작업에 인공지능적인 요소를 가미한 것으로써 분류하기에 애매한 Pixel 값에 대해서도 정확한 분류를 가능하게 할 수 있다.
- 대상지역의 토지피복 분류도를 작성하기 위해서 RS기법으로 분류된 각 항목이미 지 (Raster Data) 를 ArcView 포맷 인 SHP파일(Vector Data)로 변환하여, 이미 알고 있는 오류를 수정한 후, ArcView를 이용하여 공간 데이터와 속성 데이터로 구성된 GIS Data로 저장한 후에 토지피복 분류도를 제작하였다. 먼저 분류된 토지이용도에 원하는 분류 항목을 선택하면 그 항목에 대한 면적, 전체 정확도, Kappa 계수, 대상지역의 DEM을 화면상에 출력할 수 있도록 GIS를 이용하여 Database를 구축하였다. 그림 8은 GIS Database를 구축하는 모습이며, 그림 9, 10은 최종적인 토 지피복도를 나타내고 있다.
- 본 연구에서는 무감독 분류 방법 중 K-means Training와 ISODATA를 이용하였다. 모두 200번 반복 계산을 하였으며, 최초 13개의 분류 항목을 다시 5개로 재분류를 실시하였다. 이는 다소 시간이 오래 걸리는 단점이 있지만 정확한 분류가 가능하였다.
- 감독 분류에 있어서 분류하고자 하는 항목의 수와 사용한 데이터에 의해 분류 정확도가 영향을 받는다. 본 연구에서는 1:1,000, 1:5,000의 지형도와 현지 조사 및 항공영상의 육안 분석을 통하여 각 분류 항목 의 훈련 지역을 선택하였다. 정확도 평가는 error matrix을 작성하여 수행하였다
- 본 연구에서는 Region Growing 표본추출 기법과 분류 결과에 확률통계적 인 의미를 갖는 등 우수한 특징을 가지고 있는 최대 우도법을 이용하여 감독 트레이닝을 실시하였다. 훈련 데이터의 추출은 수치지도와 현지 답사를 통하여 화면상에서 이루어 졌으며, 항공사진에서 취득된 영상에 대하여 토지피복 형태가 변형되지 않은 지역을 선별하여 동일한 지리적 위치의 훈련데이터를 추출하였다.
- 훈련 데이터의 추출은 수치지도와 현지 답사를 통하여 화면상에서 이루어 졌으며, 항공사진에서 취득된 영상에 대하여 토지피복 형태가 변형되지 않은 지역을 선별하여 동일한 지리적 위치의 훈련데이터를 추출하였다. 설정된 분류 항목에 대하여 각각 lOXLOPixel 규모로 지역적으로 고르게 선정하였으며 분류된 영상은 LFP 필터를 적용하여 분류시 발생한 노이즈나 미분류 지역을 제거하였다. 그림 4와 표1은 감독 분류를 실시한 영상과 오차행렬을 나타내고 있다.
- 본 연구에서는 Region Growing 표본추출 기법과 분류 결과에 확률통계적 인 의미를 갖는 등 우수한 특징을 가지고 있는 최대 우도법을 이용하여 감독 트레이닝을 실시하였다. 훈련 데이터의 추출은 수치지도와 현지 답사를 통하여 화면상에서 이루어 졌으며, 항공사진에서 취득된 영상에 대하여 토지피복 형태가 변형되지 않은 지역을 선별하여 동일한 지리적 위치의 훈련데이터를 추출하였다. 설정된 분류 항목에 대하여 각각 lOXLOPixel 규모로 지역적으로 고르게 선정하였으며 분류된 영상은 LFP 필터를 적용하여 분류시 발생한 노이즈나 미분류 지역을 제거하였다.
대상 데이터
- 대상지역은 부산광역시의 동래구 일원 2.654x3.051의 면적으로 분광특성으로 토지 피복을 분류하기 위하여 기하 보정과 방사보정이 실시된 4m 해상도의 다중분광 영상을 이용하였다. 본 연구지역은 도심지와 산림지역만 있는 곳으로 도심지의 토지피복의 분류에 있어 적합한 영상이라고 판단된다.
- Test 지역의 선정은 먼저 분류 항목이 모두 포함되어 있는 지역을 선정하는 것이 중요하다. 따라서 Test 지역은 500x500 Pixel의 크기로 산림, 건물, 도로, 초지, 나지의 지역이 고르게 분포하고 있는 지역을 선정하였고 그림 3에 나타내었다.
- 본 논문에서 Test지역은 전형적으로 도시의 특성을 가진 지역을 선정하였다. Test 지역의 선정은 먼저 분류 항목이 모두 포함되어 있는 지역을 선정하는 것이 중요하다.
데이터처리
- 본 연구에서는 1:1,000, 1:5,000의 지형도와 현지 조사 및 항공영상의 육안 분석을 통하여 각 분류 항목 의 훈련 지역을 선택하였다. 정확도 평가는 error matrix을 작성하여 수행하였다
이론/모형
- 본 연구에서는 무감독 분류 방법 중 K-means Training와 ISODATA를 이용하였다. 모두 200번 반복 계산을 하였으며, 최초 13개의 분류 항목을 다시 5개로 재분류를 실시하였다.
- Image to map 모드에서 Affine 변환을 사용하여 기하 보정을 수행하였으며, 기하 보정을 행한 후 생성된 영상은 픽셀 값을 가지고 있지 않으므로 각 픽셀은 자신의 위치만을 가지고 있는 영상이 되므로 원영상의 픽셀값으로부터 최종 영상의 픽셀 값을 추출하는 영상재배열 방법이 필요하다. 본 연구에서는 영상재배열 방법 중 최근 린 내삽법 (nearest neighbor)을 이용하여 영상을 재배열하였다. 잔차는 X축으로 0.
-
3.2분류결과 분석
분류기법에 따라 각각의 정확도는 Error Matrix를 이용하여 산정하였으며 총 196개의 참조점을 이용하였다. 먼저 최대 우도 법을 이용한 감독 분류의 정확도를 평가한 결과 전체 정확도는 89.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.