Korean Journal of Remote Sensing, Vol.37, No.2, 2021, pp.291~304
https://doi.org/10.7780/kjrs.2021.37.2.9 ISSN 1225-6161 ( Print )ISSN 2287-9307 (Online) Article
농림위성 활용 수종분류 가능성 평가를 위한
래피드아이 영상 기반 시험 분석
권수경 1)·김경민3)·임중빈 2)†
A Study on Pre-evaluation of Tree Species Classification Possibility
of CAS500-4 Using RapidEye Satellite Imageries
Soo-Kyung Kwon 1)·Kyoung-Min Kim3)·Joongbin Lim 2)†
Abstract: 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.
Key Words: CAS500-4, Compact Advanced Satellite 500, Machine Learning, National Forest Inventory, Pre-evaluation, Random Forest, Species Classification
Received April 2, 2021; Revised April 13, 2021; Accepted April 16, 2021; Published online April 22, 2021
1)국립산림과학원 국제산림연구과 석사후연구원 (Post-Master’s Researcher, Division of Global Forestry, National Institute of Forest Science) 2)국립산림과학원 국제산림연구과 임업연구사 (Researcher, Division of Global Forestry, National Institute of Forest Science)
3)국립산림과학원 국제산림연구과 임업연구관 (Senior Researcher, Division of Global Forestry, National Institute of Forest Science) †Corresponding Author: Joongbin Lim ([email protected])
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
1. 서론
우리나라 국토 면적의 약63%는 산림으로 이루어져
있다. 기후변화 대응에 있어서 유일한 탄소 흡수원인 산
림은 복지 서비스, 고용창출의 측면에서 연간 174조원
의 경제적·공익적 가치를 국민에게 제공하는 등 중요 한 역할을 수행한다(Korea Forest Service, 2017). 특히 요 즈음 기후변화로 인해 산림생태계는 빠르게 변화하고 있기 때문에, 산림에 대한 지속적인 모니터링과 관리는 필수적이다(Lee et al., 2017). 산림청은 1972년부터 산지 관리, 산림경영, 재해방지 및 환경영향 평가 등 다양한 가치창출을 위해 임상도를 제작해왔다(Kim, 2015). 산림조사는 항공사진 육안판독과 현지 조사 대조를 통해 이루어지며, 현재 5년 주기로 디지털 대축척 임상 도 갱신 사업이 진행되고 있다(Lee et al., 2008). 기존의 현장 조사나 항공사진 판독의 경우 접근 불가능 지역이 존재하며, 인력 소요가 많아 시간과 비용이 많이 요구 되는 한계가 존재한다(Kent, 2011). 현재 국토지리정보 원의 항공사진촬영 계획에 맞춰 전국을5구역으로 분 할하여 임상도 현행화가 진행된다. 이에 따라 동일 지 역의 임상도는 사유림의 경우5년 주기, 국유림의 경우 1년 주기로 현황화가 진행된다. 국유림의 경우 산림경 영과 같은 사업내역의 연동으로1년 주기 현행화가 가 능한 반면 사유림의 경우 사업내역의 관리가 어렵기 때 문에 임상도 사업에 의존하여 현행화를 진행해야 한다. 이러한 시기적 차이는 산림재해와 같은 국가 재난 방지 대책에 있어 큰 영향을 줄 수 있다. 현재 임상도는 산불 확산 예측 모델의 주요 입력 자료이며 임상도의 현행화 정도에 따라 산불 확산 예측의 정확도가 달라지는데, 이 는 인명피해 혹은 재산피해로 이어질 수 있어 임상도 갱 신 주기의 시의적절성이 논의되고 있다. 한편, 항공사진 판독의 경우 임상도 수종분류를 위한 항공사진 판독 매뉴얼에서 제시하고 있는 임상판독 기 준이 정성적으로 표현되어 있어 판독자의 숙련도에 따 라 다르게 판독될 수 있는 한계를 지닌다(Kim et al., 2009). 따라서 산림조사에 위성 원격탐사 자료를 도입 하여 현행화 시기를 단축하고 연구 지속성과 효율성, 광 역성을 높이는 것이 요구됨에 따라 국정과제34-2(항공, 우주 등 첨단기술 산업 육성을 위한R&D 지원) 및 ‘제3 차 우주개발진흥 기본계획(2018)’에 따라 차세대 중형 위성2단계 개발사업 및 산림-농림의 상황 관측을 위한 농림위성(차세대 중형위성 4호)의 사업이 확정되었다
(Kim et al., 2016; Kim et al., 2018; Kim et al., 2020). 2023년 발사 예정인 5 m급 공간해상도의 농림위성 (차세대 중형위성 4호)는 주요 임무 로 한반도 산림 광 역모니터링을 수행하며, 5 m의 공간해상도를 가지고 5개의 관측 파장 대역을 가진다. 재촬영 주기가 1~3일 로 짧기 때문에 한반도 광역 모니터링이 가능한 장점이 있다. 본 연구에서는 농림위성의 발사 및 활용에 앞서, 농림위성과 공간해상도와 분광해상도가 유사한 사양 을 가지는RapidEye를 이용해 농림위성 기반 수종분류 의 가능성을 모의 평가하기 위해 수행되었다. 요약 : 기후변화나 여러 환경문제들로부터 지속 가능한 산림자원 관리 및 모니터링을 위해 임상도의 지속적인 갱신은 필수적이다. 따라서 효율적이고 광역적인 산림 원격탐사의 필요성에 따라 차세대 중형위성 4호의 사업 이 확정되어2023년 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 가지는RapidEye를 이용하여 위성 기반 수종분류의 가능성을 모의 평가하기 수행되었다. 본 연구는 춘 천 선도산림경영단지를 연구 대상지로 하였으며, RapidEye 위성 영상기반 모의 수종분류는 생육기 영상으로부 터 추출한 분광정보와 생육기와 비생육기의NIR 밴드로부터 추출한 GLCM 질감특성 정보가 활용되었고, 이를 입력데이터로 하여 랜덤 포레스트(Random Forest) 기법을 적용하였다. 본 연구에서는 침엽수종 3종(소나무, 잣 나무, 낙엽송), 활엽수종 5종(신갈나무, 굴참나무, 자작나무, 밤나무, 기타활엽수), 침활혼효림 총 9종으로 임상 을 분류하였다. 분류 정확도는 임상도와 분류 결과를 대조하여 산출하였으며, 분류 정확도는 분광정보만 사용 한 경우39.41%, 분광정보과 질감정보를 모두 사용한 경우 69.29%의 정확도를 보였으며, 다중시기 분광정보 및 질감정보의 활용을 통해5 m 해상도의 위성영상으로부터 수종분류의 가능성이 있음을 확인하였다. 향후 식생 의 생태적 특성을 더욱 효과적으로 반영한 추가 변수를 대입하여 농림위성 활용 가능성을 제고하고자 한다.
2. 연구 지역 및 사용 데이터
본 연구에서는 수종분류 지도를 생성하기 위해 RapidEye 위성영상을 활용하였다. RapidEye는 독일 우 주국(German Space Agency, DLR)의 지원을 받아 개발이
시작되어2008년 8월 29일 최초 발사되었으며 총 5개의 위성이5~6일 주기로 지구를 관측하는 위성으로 Planet 社에서 데이터 소스를 제공한다. RapidEye의 제원은 아 래Table 1과 같으며, 총 다섯 가지의 밴드를 가지고 공 간 해상도가5 m인 점에서 농림위성을 이용한 수종분 류의 모의 평가 대상으로 적절하기 때문에 선정되었다. Table 2는 농림위성 제원(안)으로, RapidEye의 사양과 유사함을 알 수 있다. 농림위성은 짧은 재촬영 주기와 넓은 촬영 폭을 가지며3일에 한 번 한반도 전체를 촬영 하기 때문에 한반도 내의 시계열적 변화를 탐지할 수 있 는 장점이 있다. 한 편, 농림위성은 틸트를 수행하는 위 성으로 이에 대한 보정이 필요하기 때문에 검보정 기술 개발이 필수적으로 요구된다. 본 연구에서는 수종분류를 위해 연구 대상지인 강원 도 춘천 선도산림경영단지에 대해 두 시기의RapidEye
영상과 임상도를 사용하였다(Fig. 1). 먼저 Fig. 1. (a)는 생육 시기의RapidEye 영상으로 2019년 5월 26일에 촬 영되었으며 분광 정보 및 질감 정보를 추출하기 위해 활 용되었다. 생육기 영상의 경우 수종간 광학적 특징이 비
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).
Table 1. Specification of RapidEye
Pixel size Revisit time Swath Width Spectral Bands Center Wavelength (nm) Band Width (nm) 5 m
(ortho-rectified) 5.5 days (at nadir)Daily (off-nadir) 77 km
MS1 (Blue) 475 70
MS2 (Green) 555 70
MS3 (Red) 657.5 55
MS4 (Red Edge) 710 40
MS5 (NIR) 805 90
Table 2. (Proposal) Specification of CAS500-4 (The agriculture and forestry satellite)
Pixel size Revisit time Swath Width Spectral Bands Center Wavelength (nm) Band Width (nm)
5 m 1~3 days 120 km MS1 (Blue) 490 65 MS2 (Green) 560 35 MS3 (Red) 665 30 MS4 (Red Edge) 705 15 MS5 (NIR) 842 115
교적 두드러지는 시기, 즉 분광분리도가 높은 시기(Lim et al., 2019)이므로 이를 사용하였다. Fig.1. (b)는 비생육 기의RapidEye 영상으로 2019년 4월 7일에 촬영되었다. 비생육기의 영상은 활엽수와 침엽수의 차이가 잎의 유 무로 인해 광학적으로 확연히 드러난다. Fig.1. (c)는 연 구 대상지에 대한 임상도로, 춘천시에서 2020년 제작한 1:7000 정밀 임상도이다. 본 연구의 수종분류 대상은 우 리 나라에 주로 분포하고 있는 수종들로 구성하였으며, 소나무, 잣나무, 낙엽송을 포함한 침엽수종, 신갈나무, 굴참나무, 자작나무, 밤나무, 기타활엽수를 포함한 활엽 수종, 침활혼효림 총 9종으로 분류하였다.
3. 연구 방법
Fig. 2는 본 연구의 전체적인 흐름을 나타낸 연구 흐 름도이다. 우리나라에서 전국적인 산림의 현황을 파악 하기 위한 산림조사 방법인 디지털 항공 사진 판독법에 따르면, 상록침엽수종은 비생육기 영상을 통해 활엽수 종과 구분하여 확인할 수 있으며 분광정보(색조), 질감, 수목의 형태(수관 특성)와 수고정보 등을 통해 수종을분류할 수 있다(Kwon et al., 2007; Lee et al., 2017; Moon and Kim, 2015; Park et al., 2018). 따라서 본 연구에는 생 육기 영상으로부터 추출한 산림의 색조 즉 ‘분광 정보’ 를 입력 데이터로 활용하고, 생육기와 비생육기 각각의 영상으로부터 산림의 ‘질감 정보’를 추출하여 이를 입 력데이터로 머신러닝 기법 중 하나인 ‘랜덤 포레스트 (Random Forest)’에 적용하여 강원도 춘천 선도산림경 영단지 지역의 수종분류 지도를 제작하였다. 본 연구는 두 가지 케이스로 진행이 되었는데, 먼저 케이스 1은 RapidEye 생육기 영상을 이용하여 분광정보 를 추출하여 랜덤 포레스트를 이용해 수종분류 지도를 제작하였다. 케이스 2는 RapidEye 생육기 영상으로부터 분광정보와 질감정보를, 비생육기 영상으로부터 질감 정보를 추출하여 이를 입력데이터로 하여 랜덤 포레스 트를 통해 수종분류 지도를 제작하였다. 1) RapidEye 위성 영상 전처리 및 분광정보 추출 위성영상으로부터 분광정보를 추출하는데 있어서, 대기보정 등의 전처리 과정은 필수적이다. 광학 위성 영 상의 경우 태양으로부터 입사한 빛이 센서로 들어오기 까지 대기를 두 번 통과하며 산란, 흡수, 반사 등 대기에 의한 영향을 받게 되고, 원격탐사 영상 처리에 있어서 이 러한 영향을 고려하여 대기 효과를 보정해 주어야 한다. 본 연구에서 활용하는RapidEye 영상은 배포 시 Level 1B의 값으로 제공되며, 이는 전처리 단계 중 방사보정 과 기하보정만 수행된 상태이다. 분광 분석을 위해서 본 연구에서는L3HARRIS 社에서 제공하는 원격탐사영상 처리 및 분석 프로그램인ENVI 5.5.3을 이용하여 대기 보정을 수행하였다. ENVI에서 제공하는 대기보정 툴
중QUAC (Quick Atmospheric Correction)은 다른 대기 보정 기법과 달리 센서의 물리적인 특성과 촬영 당시 사 전정보 등을 요구하지 않고 영상 자체의 특성과 분광 반 사율을 이용하여 간편하며 효과적이라고 알려져 있기 때문에 본 연구에서도 이 방식을 활용하였다(Park et al., 2014). RapidEye는 Blue, Green, Red, Red Edge, NIR(Near Infra Red) 총 5개 밴드로 구성되어 있으며, 각각 대기 보 정한5개 밴드를 입력 데이터로 적용하였다. 2) 질감 정보 추출(GLCM) 머신러닝을 이용한 수종분류에 있어서, 질감정보는 정확도를 향상시키는데 도움이 될 수 있다(Dian et al., 2015; Lee et al., 2005). 본 연구에서는 항공사진을 통한 수종 판독 매뉴얼 중 수관특성의 질감을 수치적으로 반 영할 수 있는 원격탐사 기법인GLCM(Gray-Level Co-occurrence Matrix) 기법을 활용한다(Hall-Beyer, 2000). GLCM은 화소들 사이의 관계를 고려해 질감 영상을 제
작하는 방법 중 하나로 잘 알려진 기법으로Haralick et
al. (1973)에 의해 제안되었으며 텍스쳐를 활용한 수종분
류 및 토지피복 분류에 활용되고 있는 기술 중 하나이 다(Lee et al., 2019; Lim et al., 2019; Wallner et al., 2015).
Rodriques-Galiano et al. (2012)는 다중시기 Landsat TM
위성영상으로부터GLCM 질감 데이터를 활용하여 광 학 데이터만을 사용한 방식보다10%이상(최대 30%) 향 상된 토지 피복 분류를 수행하였다. Lim et al. (2019)는 Sentinel-2 위성영상으로부터 광학 데이터를 활용하고 Planet Scope 위성영상으로부터 GLCM 질감정보를 생 성하여 광릉지역의 수종을 분류하고GLCM 데이터의 분리도를 평가하였다. 이처럼 GLCM 기법을 통해 생성 한 질감정보는 수종분류에 도움이 되며 본 연구에서는 통계 소프트웨어인R에서 제공하는 GLCM 패키지를 이 용하였다. 방향에 따라 7가지의 GLCM 질감 정보를 추 출하였으며, R에서 제공하는 mean, variance, homogeneity, contrast, dissimilarity, entropy, second moment 총 7종을
추출하였다. GLCM은 M×N 크기의 영상에서 거리(d)와
방향(ø)에 대한 그레이 레벨(i, j)을 가지는 해당 화소쌍이 나타나는 빈도수를 표시하는 행렬P[i, j]로, mean, variance
는 통계적 특성과 관련이 있으며, contrast, dissimilarity, homogeneity는 밝기의 대조 및 동질성과 관련이 있으며, entropy, second moment는 규칙성과 관련이 있다. 3) 머신 러닝(Random Forest)을 통한 수종분류 본 연구에서 수종분류를 위해 사용된 머신 러닝 툴은 랜덤 포레스트(Random Forest)로 다수의 의사결정나무 (Decision Tree)가 생성되어 관심변수와 관심변수 간 공 간적 관계를 설명하기 위해 구성되는 학습 기법이다. 다 중 의사결정나무를 구성한 후 각 나무(Tree)의 클래스를 계산하는 것을 분류(Classification), 평균 예측 값을 결과
값으로 가지는 것을 회귀(Regression)라고 한다. 본 연구 에서 활용한 통계 소프트웨어인R은 패키지형태로 랜 덤 포레스트 코드가 구현되어 있으며, 이를 활용하였다. 1)과 2)의 과정을 통해 추출한 분광정보와 질감정보 를 랜덤 포레스트에 대한 입력 데이터로 하여 수종분류 를 수행하였다. Fig. 3은 위성영상 상에서 육안으로 확 인할 수 있는 산림의 모습이다. 생육기 RapidEye 영상에 서는 침엽수림의 경우 수관층이 붉은색을 지니며 활엽 수림의 경우 보다 녹색을 띠는 것을 알 수 있다. 비생육 기 영상에서는 활엽수의 잎이 존재하지 않아서 침엽수 림을 육안으로 구분할 수 있다. 임상도를 기준으로 하 여 총 아홉 가지 수종에 대해500개의 랜덤 포인트를 자 동 생성하였다(Fig. 4). 이 중 70%의 포인트를 트레이닝 데이터(학습 데이터)로 랜덤 샘플링 하였고 나머지 30% 를 검증 데이터로 하여 정확도를 평가하였다.
4. 연구 결과 및 고찰
대기보정을 수행 한RapidEye 생육기 영상으로부터추출한 분광 정보 데이터 5종(Blue, Green, Red, Red Edge, NIR)을 케이스 1의 입력 데이터로 적용하였고, RapidEye의 생육기, 비생육기 영상의 NIR 밴드로부터 각각 추출한GLCM 질감 정보 데이터 총 14종 데이터를 5종의 분광 정보 데이터와 함께 케이스 2의 입력데이터 로 적용하였다. 아래 1)에서는 수종 별 분광 분리도를 살 펴보았으며2)에서는 GLCM 질감 정보 분석을 위한 window size를 선정하였다. 3), 4) 에서는 두 케이스의 차 이를 비교하였다. 1) 수종 별 분광 분리도 차이 결과 Fig. 5은 수종 별 분광 분리도의 차이를 나타낸다. 수 종 별 분광 밴드에 따른 평균값을0-1로 정규화하여 그
래프로 나타낸 것으로, 바 그래프는 각 수종에 대한 최
대값-최소값 분포를 의미한다. 실제로는 생육기의 분리
도 폭이 비생육기 영상의 변화 폭보다 크다. 그래프를
보면, 생육기(Fig. 5. (a))의 NIR 밴드에서 특히 수종 간
분리도가 큰 것을 알 수 있으며, 수종 별 분광 특성의 차 이도 나타남을 알 수 있다. 이처럼 NIR 대역은 식생 영 역에 있어 반사도의 차이가 가장 민감하고 수종간 분리 도가 가장 큰 파장 대역이다(Lim et al., 2019). 따라서 본 연구에서는 생육기·비생육기 영상의NIR 밴드로부터 GLCM을 생성하였다. GLCM 결과에 대해서는 다음 세 션에서 설명한다. 2) GLCM 분석을 위한 window size 선정 GLCM 데이터는 무빙 윈도우(moving window)기법 으로 생성되기 때문에, GLCM 데이터를 생성하기 위해 서는 분석 대상을 고려한 윈도우 사이즈(window size)에 대한 설정이 필수적이며window size에 따라 GLCM 데 이터의 변화가 크다. 본 연구에서는 적절한 window size 의 선정을 위해3 by 3 (pixel)사이즈부터 4 pixel 씩 증가 시켜103 by 103까지 GLCM 윈도우 사이즈에 따른 수 종에 대한GLCM 영향 분석 실험을 수행하였다(Fig. 6,
Fig. 7). Fig. 7는 각 수종에 대한 GLCM input data window size에 따른 분산을 0-1의 범위로 표준화하여 나타낸 것
Fig. 5. Mean value graph with error bar of RapidEye multi spectral bands by species. (a) Growing season image, (b) Non-growing season image.
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.).
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).
이다. 따라서 그래프에서 나타나는 값이 작을수록 수종
별 픽셀 값 유사도가 높다는 것을 의미한다. 그래프 상
에서window size가 작을 때 수종 내 픽셀 별 유사도가
낮은 것을 확인할 수 있다. window size가 증가할수록
수종 별 픽셀 유사도가 높아지지만Fig. 6에서 확인할
수 있듯이window size가 증가할수록 데이터에 padding
이 커지기 때문에 원 데이터의 손실이 생기고, 영상 질 감이 과하게 부드러워져서 수종간 차이를 확인하기 어 렵다. 본 연구에서는 실험을 통해 window size 39 by 39 이상으로는 전체 정확도에 큰 영향을 주지 않으면서 데 이터 손실이 적은 것으로 판단되어window size 39를 선 정하였다. 3) Case 1 : 수종 별 분광 정보를 활용한 분석 결과 비교 2019년 5월 26일 춘천 선도산림경영단지를 촬영한 영상을 기반으로 분광정보만을 활용한 분석을 수행하 였을 때(Fig. 8) 분석 및 검증 결과 39.41%의 전체 분류 정확도를 보였으며 임상도와 대조했을 때 전반적으로 오분류가 많이 발생했음을 알 수 있다. Table 3은 케이스 1의 에러 매트릭스로, 행은 추정치(분류결과)이고 열은 참조 데이터(임상도)이다. 각 숫자는 랜덤포인트로 생성 한 검증 자료의 개수를 의미하며 잣나무, 낙엽송, 기타 활엽수, 자작나무에서는 약 50%에 준하는 분류 정확도 가 나왔으나 이외의 수종에서는 낮은 정확도가 나왔다. 특히 활엽수의 경우는5개 밴드 (B, G, R, RE, NIR)의 분 광정보만을 통해서는 수종 별 분류 정확도가 매우 낮은
Table 3. Error Matrix of Random Forest Classification Case 1
Class Korean Red Pine
Korean
Pine Japanese Larch Other Broad-leaved Mongolian Oak Oriental Cork Oak East Asian White Birch Korean
Castanea Mixed Forest Total User ACC (%)
Korean Red Pine 63 6 6 15 13 15 4 16 33 171 36.84
Korean Pine 15 100 17 4 2 3 3 14 24 182 54.95
Japanese Larch 4 16 57 6 9 5 3 11 6 117 48.72
Other
Broad-leaved 2 2 2 68 12 13 19 5 11 134 50.75
결과를 보였다. 이 결과는 분광정보만을 입력데이터로 활용하는 것은 수종분류에 있어 유효하지 않다는 한계 점을 시사하며, 수종 별 특성을 반영할 수 있는 추가 지 표가 필요함을 대변한다. 4) Case 2 : 수종 별 분광 및 질감 정보를 활용한 분석 결과 비교 케이스2에서는 수종 별 특성을 반영하여 케이스 1의 결과를 보완하기 위해GLCM 질감 정보 총 14종을 랜 덤 포레스트 입력변수에 추가하여 수종분류를 진행하 였다. 2019년 4월 7일 촬영된 비생육기 RapidEye 영상과 2019년 5월 26일 촬영된 생육기 RapidEye 영상의 NIR 밴드로부터 질감정보를 생성하였으며, 생육기 분광정 보와 함께 생육기와 비생육기 질감 정보를 융합하여 수 종분류를 수행하였다. 분석 결과 69.29%의 상대적으로 높은 분류 정확도를 보였으며, 질감정보의 투입이 약 Table 3. Continued
Class Korean Red Pine
Korean
Pine Japanese Larch Other Broad-leaved Mongolian Oak Oriental Cork Oak East Asian White Birch Korean
Castanea Mixed Forest Total User ACC (%)
Mongolian Oak 5 2 9 23 31 32 8 11 19 140 22.14
Oriental Cork Oak 7 2 8 15 44 44 7 20 16 163 26.99
East Asian White
Birch 9 4 5 19 4 9 89 1 3 143 62.24
Korean Castanea 18 14 21 16 19 27 4 65 18 202 32.18
Mixed Forest 9 2 10 15 16 9 7 15 15 98 15.31
Total 132 148 135 181 150 157 144 158 145 1350
Prod ACC (%) 47.73 67.57 42.22 37.57 20.67 28.03 61.81 41.14 10.34 39.41
30%의 분류 정확도 상승 효과로 이어진다는 것을 확인 하였다. 임상도와 직접 비교를 해 보았을 때 전반적으 로 유사한 형태의 분류 결과를 보이고 있다(Fig. 9). Table 4는 케이스 2의 에러 매트릭스로, 신갈나무와 침활혼효림에 있어 특히 정확도가 낮게 나타난 것을 알 수 있다. 춘천 선도산림경영단지 임상도 데이터베이스 를 살펴 보았을 때, 해당 지역에서 신갈나무가 가장 많 은 면적을 차지 하는 것으로 나타났다. 면적에 비례하 여 트레이닝 및 검증 포인트를 임의 선정하는 경우 신 갈나무가 아닌 다른 수종을 선택할 가능성이 다른 수종 에 비해 높아 발생한 오차라 생각된다. 또한 침활혼효 림의 경우 침엽수종과 활엽수종으로 오분류가 산발적 으로 발생한 것을 알 수 있는데, 침활혼효림은 침엽수 와 활엽수 중 수관 점유면적이75% 이상의 우점종이 없 이 섞여 있는 산림이므로 해당 클래스를 배제하고 다른 수종으로 편입시켜 분류하는 방안의 모색도 필요할 것 으로 판단된다. 케이스1과 케이스 2 결과를 토대로 5개 분광 밴드 정 보만을 가지고는 수종분류에 한계가 있음을 확인할 수 있었다. 그러나 케이스 2에서는 생육기의 분광정보와 함께 식물의 시계열적 특성 및 수관층의 특성을 반영할 수 있는 두 시기 질감정보를 활용하여 약70%의 정확도 를 확보하였다. 이를 토대로 향후 다중시기 영상을 활 용하여 목표 수종의 시계열적 분광 반사 특성과 시계열
Table. 4. Error Matrix of Random Forest Classification Case 2
Class KoreanRed Pine
Korean
Pine JapaneseLarch Other Broad-leaved Mongolian Oak Oriental Cork Oak East Asian White Birch Korean
Castanea MixedForest Total User ACC (%)
Korean Red Pine 101 2 1 6 15 8 1 0 32 166 60.84
Korean Pine 5 124 15 4 8 1 7 0 12 176 70.45
Japanese Larch 3 6 112 7 10 2 6 1 7 154 72.73
Other
Broad-leaved 4 3 5 122 15 6 4 0 14 173 70.52
Mongolian Oak 12 2 7 5 52 15 3 3 14 113 46.02
Oriental Cork Oak 10 2 5 3 16 112 0 0 16 164 68.29
East Asian White
Birch 3 2 5 3 2 4 113 0 4 136 83.09
Korean Castanea 6 2 0 0 4 0 0 149 4 165 90.30
Mixed Forest 8 3 10 7 13 7 4 0 49 101 48.51
Total 152 146 160 157 135 155 138 153 152 1348
Prod ACC (%) 66.45 84.93 70.00 77.71 38.52 72.26 81.88 97.39 32.24 69.29
Table. 5. Accuracy comparison or Case 1 and Case 2
Case
Class User ACC (%) Prod ACC (%) User ACC (%) Prod ACC (%) User ACC (%) Prod ACC (%)Case 1 Case 2 Variance Korean Red Pine 36.84 47.73 60.84 66.45 24.00 18.72
Korean Pine 54.95 67.57 70.45 84.93 15.50 17.36
Japanese Larch 48.72 42.22 72.73 70.00 24.01 27.78 Other Broad-leaved 50.75 37.57 70.52 77.71 19.77 40.14
Mongolian Oak 22.14 20.67 46.02 38.52 23.88 17.85
Oriental Cork Oak 26.99 28.03 68.29 72.26 41.30 44.23 East Asian White Birch 62.24 61.81 83.09 81.88 20.85 20.07 Korean Castanea 32.18 41.14 90.30 97.39 58.12 56.25
Mixed Forest 15.31 10.34 48.51 32.24 33.20 21.90
적 질감 변화 정보를 추가로 반영한다면 보다 높은 정
확도를 확보할 수 있을 것으로 기대된다.
Table 5는 케이스 1과 케이스 2의 사용자 정확도와 생 산자 정확도를 수종 별로 대조한 표이다. Case 1과 Case 2의 User ACC는 사용자 정확도를, Prod ACC는 생산자
정확도를 각각 뜻하며, Variance는 케이스 1에서 질감정 보가 투입됐을 때(케이스 2)의 변화량을 나타낸다. 질감 정보의 투입을 통해 전체 정확도가29.88% 증가한 것을 확인할 수 있다. 사용자 정확도와 생산자 정확도도 전 체적으로 증가하였고, 특히 활엽수(밤나무, 굴참나무) 에서 정확도가 크게 증가한 것을 알 수 있다.
5. 결론
본 연구는2023년 발사 예정인 농림위성의 수종분류 가능성을 모의 평가하기 위해 수행되었다. 기존 항공사 진을 통한 수종분류 방법론에 적용되는 색조, 질감을 랜 덤 포레스트 기법에 입력데이터로 적용하여, 색조 정보 (분광 정보)만 적용했을 경우 39.41%의 전체 정확도를, 색조 정보와 질감 정보를 모두 투입했을 경우69.29%의 전체 정확도를 얻었다. 기존 임상도 제작을 위한 수종분류 방식인 항공사진 육안 판독과 달리RapidEye 위성영상을 활용한 수종분 류는 해상도가5 m로 항공사진보다 낮아 질감 판독에 있어 정밀하지 못한 한계를 지니며, 지형이나 태양 입 사각으로 인해 발생한 그림자가 수종분류에 영향을 미 치는 한계를 지닌다. 수종 질감정보의 유사도 평가에 대 한 기존 연구(Lim et al., 2019)에 따르면 추출한 GLCM에 대한 유사도 평가 결과, 이를 통해 수종을 분류할 수 있 을 만큼 특별한 패턴을 보이지 않는다는 한계를 지닌다 는 연구 결과가 있으나, 본 연구에서 랜덤 포레스트에 입력 데이터로 질감정보를 투입했을 때30% 이상 정확 도 상승이라는 결과를 얻은 것을 통해 질감데이터는 그 자체로는 특별한 패턴을 보이지 않지만, 수종분류에 있 어 유의미함을 알 수 있다. 마지막으로 본 연구에서는 경험적 방법에 의해window size를 결정하였다. 향후 연구로 수관 폭이나 임분 크기 등 식생의 생장 특성을 반영하는 적정window size의 크 기를 찾고, 다중시기 영상의 활용을 통해 목표 수종의 시계열적 분광·질감 및 생장 특성과, 토양이나 일조량 등 환경적 요소를 입력 데이터로 적용한다면 분광데이 터–질감데이터–생태학적 특성의 상관관계를 파악하여 더욱 높은 정확도의 분류 결과를 얻을 수 있을 것으로 기대한다.References
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.
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.
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,
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.
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).
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).
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 seasonal imagery and multi-seasonal texture, Remote Sensing of Environment, 121: 93-107.
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):
