DOI:http://dx.doi.org/10.5389/KSAE.2014.56.3.055
RapidEye 위성영상의 시계열 NDVI 및 객체기반 분류를 이용한 북한 재령군의 논벼 재배지역 추출 기법 연구
Extraction of paddy field in Jaeryeong, North Korea by object-oriented classification with RapidEye NDVI imagery
이상현*․오윤경**․박나영***․이성학***․최진용****,†
Lee, Sang-Hyun․Oh, Yun-Gyeong․Park, Na-Young․Lee, Sung Hack․Choi, Jin-Yong
ABSTRACT
While utilizing high resolution satellite image for land use classification has been popularized, object-oriented classification has been adapted as an affordable classification method rather than conventional statistical classification. The aim of this study is to extract the paddy field area using object-oriented classification with time series NDVI from high-resolution satellite images, and the RapidEye satellite images of Jaeryung-gun in North Korea were used. For the implementation of object-oriented classification, creating objects by setting of scale and color factors was conducted, then 3 different land use categories including paddy field, forest and water bodies were extracted from the objects applying the variation of time-series NDVI. The unclassified objects which were not involved into the previous extraction classified into 6 categories using unsupervised classification by clustering analysis.
Finally, the unsuitable paddy field area were assorted from the topographic factors such as elevation and slope. As the results, about 33.6 % of the total area (32313.1 ha) were classified to the paddy field (10847.9 ha) and 851.0 ha was classified to the unsuitable paddy field based on the topographic factors. The user accuracy of paddy field classification was calculated to 83.3 %, and among those, about 60.0 % of total paddy fields were classified from the time-series NDVI before the unsupervised classification. Other land covers were classified as to upland(5255.2 ha), forest (10961.0 ha), residential area and bare land (3309.6 ha), and lake and river (1784.4 ha) from this object-oriented classification.
Keywords: Object-oriented classification, RapidEye, Paddy field, NDVI, North Korea
I. 서 론*
북한은 정치 ․ 경제 ․ 사회적으로 상당한 변화를 겪고 있으며, 해 마다 발생하고 있는 북한의 식량문제에 대한 우리나라의 정보 는 단편적인 뉴스, 사진 또는 견문과 일부 통계자료에만 의존하 고 있는 실정이다(Kim et al., 1998). 이에 따라 북한의 주 식 량원인 쌀 수급에 관한 식량문제에 대처하기 위해서는 위성영 상 등을 활용하여 현지조사가 불가능한 북한 지역에 대한 다양
* 서울대학교농업생명과학연구원연수연구원
** Department of Natural Resources Faculty for Geo-information and Earth Observation (ITC) University of Twente, Visiting Researcher
*** 서울대학교조경․ 지역시스템공학부
****서울대학교조경․ 지역시스템공학부부교수 농업생명과학연구원겸무연구원
† Corresponding author Tel.: +82-2-880-4583 Fax: +82-2-873-2087
E-mail: [email protected] 2014년 1월 21일 투고
2014년 5월 13일 심사완료 2014년 5월 20일 게재확정
한 지표 정보를 추출하는 연구가 필요하다. 특히, 농업분야에서 위성영상은 자료 수집의 광역성, 시간적 주기성 등의 이점을 바 탕으로 중요하게 활용되어왔다(Park and Park, 1998; Ham et al., 1999). 최근 고해상도 위성영상의 가용성이 높아지면서 위 성영상 활용 연구의 중요성이 높아지고 있다.
고해상도 위성영상 자료는 이전의 MODIS 및 Landsat 자료 와 비교하여 많은 정보를 제공할 수 있으며, 특히 농업생산기반 연구에 있어 높은 정확도를 가지고 있다. 그러나 공간해상도 5 m이하의 고해상도 위성영상을 활용하여 토지피복을 분류할 경 우 기존의 픽셀단위의 화소 분석에 기초한 분류 알고리즘은 이 웃한 화소와의 세밀한 차이까지 구분되기 때문에 오히려 오분 류 화소까지 분류되고, 마치 노이즈가 있은 것처럼 표현되는 문 제가 발생할 수 있다(Ku and Jang, 2006; Jensen, 2007; Van der Sande et al., 2003). 이에 따라 고해상도 위성영상에 적 합한 다양한 토지피복분류 기법들이 연구되고 있다. 국내의 고 해상도 위성영상을 활용하여 토지정보를 추출한 연구들을 살펴
보면 Lee et al. (2009)은 Kompsat-3급 위성영상을 활용하여 농업 토지이용 및 작물 생육정보를 추출한 바 있고, Lee et al.
(2010)은 Kompsat-2 위성영상을 활용하여 정밀 주제 정보를 추출한 바 있다. 또한 Kim et al. (2012)은 RapidEye 위성영 상을 활용하여 농촌지역의 토지피복분류를 위한 객체기반의 영 상분석 기법을 연구하였고, Hong et al. (2012)은 RapidEye 영 상을 육안판독하여 북한 전역에 대한 논 지역의 면적을 추출하 였다. 다음으로 다양한 분류기법에 따른 정확도와 위성영상별 정확도를 비교한 연구로서 먼저 Kang et al. (2012)은 IKONOS 위성 영상에 최대우도법, 인공신경망 알고리즘, Support Vector Machines(SVM) 알고리즘을 적용하여 토지피복을 분류하고 정확도를 비교하였다. 다음으로 Jo et al. (2012)는 중저해상 도부터 고해상도 영상의 경지면적의 분류정확도를 비교, 분석 한바 있다.
위성영상을 활용한 토지피복분류의 정확성을 높이기 위하여 다양한 식생지수를 활용하는 분류 기법 연구도 수행되고 있다.
특히 식생지수 중에서 가장 널리 알려진 정규화 식생지수를 이 용하여 식생지역을 효과적으로 추출하려는 연구가 다양하게 시 도되고 있다(Park et al., 1996; Sung and Park, 2000; Hwang et al., 2005). Kim et al. (2011)은 농촌지역의 토지이용 유형 별 위성영상 분광 식생지수의 시계열적인 특성을 분석하였고, Jeong (2012)은 식생지수를 이용한 도시지역 추출 방법에 대 한 비교 연구를 수행한 바 있다. 이처럼 고해상도 위성영상을 활용한 토지피복 정보 추출 관련 연구들이 다양하게 수행되어 왔으나 논벼 재배지역을 주 대상으로 한 고해상도 위성영상의 토지피복 추출 기법은 주로 육안판독에 주로 의존하고 있다. 육 안판독 기법은 분류 정확도는 높지만 시간적인 소비가 크고, 향 후 최신 위성영상 자료를 통한 업데이트 부분에서 어려움이 발 생할 수 있다(Oh et al., 2010).
현재 국가적으로 통일 대비 차원의 북한에 대한 연구 중요도 높아지고 있으며, 북한 관련 연구는 대부분 위성영상을 활용할 수 밖에 없는 실정이다. 특히 북한의 생산량 추정을 위해서는 보다 정확한 논벼 재배 지역 추출이 필요하기 때문에 본 연구 에서는 고해상도 위성영상에 적합한 논벼 재배 지역 추출 기법 을 연구하고, 이를 북한의 곡창지대에 적용하고자 하였다.
이에 따라 고해상도 위성영상에 적합한 객체기반의 토지피복 분류를 수행하고자 하였으며, 논벼 재배지역 등의 시계열 식생 지수를 산정하여 적용하였다. 특히, 본 연구에서 중점을 두고 있는 논벼 재배지역의 경우 담수재배라는 방식에 따라 타 피복 과는 차별적인 식생지수의 시기별 변화를 내포하고 있다. 예를 들어 모내기 시기에는 담수 상태이기 때문에 수면과 유사한 수 치의 반사도가 나타날 수 있으며 논벼의 생장이 이루어진 시기
에는 식생지수가 높게 나타나게 된다. 이와 같은 식생지수 변화 특징을 반영한 토지피복분류를 수행할 경우 정확하고 반자동화 된 논벼 재배지역의 추출이 가능할 것으로 판단된다. 또한 논벼 재배지역의 경우 경사도 및 표고 등의 지형학적 요인에 의해 재배에 제한을 받기 때문에 지형학적 요인을 고려할 경우 보다 정확한 분류가 이루어질 수 있을 것으로 판단된다.
이에 따라 본 연구에서는 향후 지속적으로 제공되는 고해상 도 위성영상을 활용하여 북한의 논벼 재배지역을 정확하게 추 출하기 위하여 시계열 식생지수의 변화와 객체기반의 위성영상 분류 기법, 논벼 재배지역의 지형학적 제한요소를 종합적으로 고려한 토지피복분류 기법을 개발하고자 하였다.
II. 재료 및 방법
1. 연구방법
본 연구에서는 RapidEye 위성영상의 시계열 NDVI와 객체기 반 분류 기법을 이용하여 북한의 황해남도 재령군의 논벼 재배 지역을 추출하고 정확도를 평가하고자 하였다. 먼저 각 시기별 위성영상의 객체를 생성하고 다음으로 생성된 객체의 시계열 NDVI의 특징을 적용하여 논벼 재배지역 및 수계, 산림 지역에 대한 사전분류를 실시하였다. 다음으로 사전분류 대상외의 객체 들을 무감독 분류하고, 지형학적인 제한요소를 적용하여 재령군 의 토지피복지도를 구축하였다. 본 연구의 흐름은 Fig. 1과 같다.
2. 연구대상지 및 RapidEye 위성영상
본 연구에서는 북한의 주요 곡창지대인 황해남도 재령군을 연구대상지로 선정하였다(Fig. 2). 재령군은 재령평야가 위치하고
Fig. 1 Flowchart of this study
(a) 2010-4-24 (b) 2010-6-24 (c) 2010-9-24 Fig. 3 RapidEye imagery by natural color
Fig. 2 Study area
있고 북한의 식량 수급의 중요한 역할을 수행하는 곳이며, 시계열 위성자료의 확보가 가능하였다. 고해상도 위성영상은 RapidEye 를 활용하였고 영상시기는 2010년 4월 24일, 6월 24일, 9월 24일으로 Fig. 3에 나타나 있다.
본 연구에서 활용한 RapidEye 위성영상은 German Aerospace Center (DLR)에서 2008년 8월 29일 발사한 위성으로 총 5개 의 위성을 동시에 발사했다는 것이 특징이다. 5개의 위성이 지 구를 관측하고 있기 때문에 매일 동일한 지역의 영상을 폭넓게 획득할 수 있다는 장점이 있으며, Red, Green, Blue, Near Infra
Table 1 Characteristic of RapidEye imagery Specification
Spectral Bands
Blue 440 - 510 nm
Green 520 - 590 nm
Red 630 - 685 nm
Red-Edge 690 - 730 nm
Near Infraed 760 - 850 nm
Ground Sampling Distance 6.5 m
Pixel Size 5 m
Swath Width 77 km
Revisit Time DAILY
Image Capture Capacity 4 Million km2 DAILY
Red 밴드 외에 Red Edge 밴드에서 데이터를 획득하여 산림 모니터링, 농작물 모니터링 등에 효과적으로 활용할 수 있다는 특징이 있다. 또한 5m 급의 해상도를 제공하기 때문에 한 필지 가 5 m×5 m 이상인 논벼 재배지역 분류 수행에 적합할 것으 로 판단된다.
3. 식생지수
위성영상 자료를 통하여 추출되는 식생지수는 반사파장에 따 른 식생군락의 밀도와의 상관을 밝히는데 이용된다. Pearson and Miller (1972)은 작물의 초장과 엽록소 함량, 엽면적 등 작물군락의 밀도에 관계되는 요인이 가시광선 영역과 근적외선
영역 파장들의 반사량과 밀접한 관련이 있다고 제시하고, 이 반 사파장들을 이용한 조합으로 RVI (Ratio Vegetation Index)를 개발하였다. Rouse et al. (1974)는 식생의 밴드 중 적색(RED) 밴드와 근적외선(NIR) 밴드간의 반사치 차이를 이용하여 정규화 식생지수 (NDVI; Normalized Difference Vegetation Index)를 개발하여 제시하였고 현재 가장 광범위하게 이용되고 있다.
(1)
NDVI는 근적외선과 적색 영역값을 활용한 것으로 근적외 선 영역에서는 녹색 잎이 매우 적은 에너지를 흡수하기 때문 에 반사가 크게 증가하고, 가시파장의 적색 영역에서는 매우 낮은 반사특성을 나타낸다. 이에 따라 식생지역은 일반적으로 근적외선 영역의 반사치가 가시광선 영역의 반사치보다 큰 값을 가진다. 반대로, 구름, 물, 눈 지역에서는 근적외선 영역 보다 가시광선 영역의 반사치가 크게 나타난다. 따라서 NDVI 의 경우 식생 활력도가 높은 지역은 양수(＋)를 나타내며, 근 적외선 영역에서 흡수되는 에너지의 양이 가시광선 영역의 양 보다 많은 수계 지역에서는 음수(－)를 나타낸다.
NDVI의 시기적 변화 특징은 지표면 피복 상태에 따라 다르 게 나타날 수 있다. 특히 산림과 수계지역의 수치간에는 확연한 차이가 나타나며, 논벼 지역의 경우 역시 담수재배에 따라 타 피 복과 차별되는 특징이 나타날 수 있다. 이와 같은 시계열 NDVI 를 논벼 재배지역 추출에 적용할 경우 보다 자동화 된 추출기 법을 개발할 수 있다. 이에 따라 본 연구에서는 논벼 및 수계, 산림 지역에 대한 NDVI의 시기별 분포 범위를 산출하고 이를 적용하여 사전분류를 수행하였다.
4. 객체기반 토지피복분류
고해상도 위성영상의 경우 유사한 분광 특징을 갖는 픽셀들 을 통합하여 객체를 생성하고, 이를 바탕으로 피복 분류를 수행 할 필요가 있다. 객체기반의 영상분할에 기초한 영상분류는 객 체를 최소 단위로 설정하기 때문에 모양이나 분광정보에 있어 서 균일한 영역이라고 정의되는 부분을 분류하여 하나의 단일 영상객체 (image object)를 생성한다(Benz, 2001). 이때 균일 한 영상 객체는 최근린분류법, 최소거리법, 최대우도법 외에 지 식기반 기법 및 퍼지 분류논리를 사용하여 분석된다(Jensen, 2007). Blaschke and Strobl (2001)은 원격탐사 자료를 분할 할 때 사용할 수 있는 객체기반의 알고리즘으로 각 화소들의 컬 러기준과 객체모양에 따른 공간기준을 제시하였다.
본 연구에서 활용한 RapidEye 위성영상 역시 고해상도에 속 하기 때문에 객체단위의 논벼 재배지역 분류를 수행하였다. 먼
저 eCognition 8.0 프로그램을 활용하여 분류 최소단위인 객체 를 생성하였다. 이때 객체 생성의 중요한 변수인 Sclae Factor 는 기존의 연구 결과를 참조하여 50으로 설정하고, Color 및 Smoothness 변수는 0.5로 설정하였다(Kim et al., 2012). 또 한 영상의 객체분할 시 입력밴드는 Red, Blue, Green, NIR 밴 드와 각 시기별 NDVI를 이용하였다. 다음으로 객체 생성결과 를 활용하여 객체기반 무감독 분류를 수행하였다. 무감독 분류 에서는 일반적으로 K-Means의 계산 알고리즘이 많이 사용되 고 있다. K-Means 알고리즘 방법은 초기에 설정한 평균을 사 용하여 임의 수치를 최소거리 개념을 적용하여 군집에 할당한 후, 각각의 군집에 할당된 수치를 통해서 평균을 재계산하고, 사용자가 설정한 조건이 만족할 때까지 재계산된 평균에 대하 여 반복적으로 데이터를 분배하는 방법이다.
5. 논벼 재배지역의 지형학적 특징
논벼의 경우 일반적으로 경사가 높은 지역이나 표고가 높은 지역에서는 재배가 어려울 수 있다. 급격한 경사지역에는 담수 재배가 어려우며, 표고가 높은 지역에서는 기온의 영향 등에 따라 벼 재배에 어려움이 발생할 수 있기 때문이다. 기존의 MODIS 위 성영상을 통한 북한 지역의 논 지역 추출 연구에서도 경사도 7도 이하, 표고 100 m 이상 200 m 이하인 지역에서 전체 논의 약 97 % 가 분포하였고, Table 2에 나타나 있다(Choi et al., 2007). 이 에 따라 경사도 7도 이상, 평균 표고 150 m 이상인 지역에서 논으로 분류된 곳은 불확실성을 내포하는 논으로 구분하여 토 지피복분류 결과에 적용하고자 하였다.
Table 2 Distribution ratio of paddy field by elevation in North Korea(Choi et al., 2007)
Elevation.
(m)
Distribution ratio of paddy field (%) Area (1000 ha)
~100 100~200 200~400 400~600 600~800 800~
Pyongyang 99.5 0.5 0 0 0 0 30.4
South
Pyongan 97.9 1.0 1.04 0.02 0 0 96.2
North
Pyongan 95.0 4.4 0.6 0 0 0 100.6
South
Hwanghae 98.2 1.81 0.03 0 0 0 150.6
North
Hwanghae 79.2 15.6 4.73 0 0 0 49.9
South
Hamgyong 92.7 4.86 2.35 0.14 0 0 59.7
North
Hamgyong 73.4 15.6 9.06 0.73 0.22 0 23.0
Kaesong 95.4 4.5 0.06 0 0 0 12.8
Namposi 100 0 0 0 0 0 12.7
III. 결과 및 고찰
1. RapidEye 위성영상의 객체 생성
토지피복분류를 위한 RapidEye 위성영상의 객체 생성 결과를 살펴보면 재령군내에 총 35,773 개의 객체가 생성된 것으로 나 타났고, 생성된 객체들 중에서 최소 면적은 약 0.44 m2이며 최대 면적은 391,762 m2으로 나타났다(Fig. 5). 또한 전체 객체 중 약 68 %의 면적이 10,000 m2 이하로 나타났고 3,000–6,000 m2 면적 사이에 약 36 %의 객체가 분포하는 것으로 나타났다.
Fig. 4 Objects in study area
Fig. 5 Histogram of objects area
2. 시계열 NDVI 변화에 따른 논, 산림, 수계지역의 사전 추출
각각의 토지피복의 시기별 NDVI 분포 변화를 적용하여 논벼 및 수계, 산림 지역의 사전분류를 실행하였다. 먼저 육안으로 논, 수계, 산림으로 확인되는 기준지역을 선정하고, 시계열 NDVI를 산정하여 분포범위를 분석하였다. 논벼 재배지역의 경 우 나지 및 담수 상태인 4, 6월에는 NDVI 값이 음수를 나타내 고, 논벼의 생장이 이루어진 9월에는 NDVI 값이 양수를 나타 내었다. 즉, 논벼의 경우 NDVI의 시계열 값이 음수에서 양수로 전환되는 것으로 나타났다. 수계의 경우 4, 6, 9월의 NDVI 모 두 음수영역에 분포하는 것으로 나타났고, 특히 4월 6월의 경 우 대부분 –0.1 이하인 것으로 나타났다. 산림의 경우 4월 NDVI는 음수와 양수영역 모두 분포하였고, 6월의 경우 NDVI 는 0.5 이상으로 상당히 높은 범위에서 분포하는 것으로 나타 났다. 또한 9월의 경우 산림지역의 NDVI 는 약 0.3 이상의 범 위에서 주로 분포하는 것으로 나타났다(Fig. 6).
NDVI의 시기별 분포 범위를 바탕으로 논벼 및 수계, 산림 지 역에 대한 사전분류 범위를 설정하였다. 기준지역의 90 % 이상 을 포함할 수 있는 시기별 NDVI 범위를 설정하였고, Fig. 7과 Table 3에 나타나 있다. 시기별 NDVI 변화를 적용한 사전분류 결과를 살펴보면 논벼 재배지역의 면적은 6308.4 ha으로 나타 났고 대부분 북부 평야지대에 위치하였다(Fig. 8). 수계 및 산림
Table 3 The results of the classification by time-series NDVI Classification Range of NDVI
Area (ha) April 24th June 24th Sept. 24th
Paddy field NDVI < 0.0 NDVI < 0.0 NDVI > 0.0 6308.4 Lake & River NDVI < -0.1 NDVI < -0.1 NDVI < 0 1208.1 Forest - NDVI > 0.5 NDVI > 0.3 2600.5
Total 10,117
Fig. 6 Estimation of NDVI in various season
-0.24 0.0 0.20 0.04 0.50
-0.12 0.0
(a) Paddy field
-0.24 0.10 -0.44 -0.16 -0.45 0.0
(b) Lake & River
0.09
-0.08 0.0 0.56 0.72 0.08 0.65
(c) Forest
2010-4-24 2010-6-24 2010-9-24
Fig. 7 Distribution of NDVI in various land cover
Fig. 8 The classification by time-series NDVI
지역은 각각 1208.1 ha, 2600.5 ha로 나타났고, 산림지역은 남부 지역에 주로 분포하였다. 이와 같은 시계열 NDVI를 활용 한 사전분류는 객체 기반의 무감독 분류의 정확성과 시간적인 효율성을 높일 수 있을 것으로 판단된다.
3. 객체기반의 무감독 분류 기법에 따른 토지피복 분류
객체 분할된 영상의 분광정보를 이용하여 무감독 토지피복분 류를 수행하였다. 먼저 시계열 NDVI를 이용한 사전분류 지역 을 제거한 후 나머지 객체들을 대상으로 K-means 군집분석에 따라 200개의 class로 분류하였다. 다음으로 육안판독을 통하 여 200개의 class를 논, 밭, 시가지 및 나지, 산림 및 초지, 수 계지역, 기타로 구분하였다. 국내의 토지피복지도의 분류체계는 대분류, 중분류, 소분류의 3단계 피복분류체계로 설정되어 있 고, 이중 대분류는 총 7개의 항목인 농업지역, 산림지역, 초지, 시가화 건조지역, 습지, 나지, 수역로 구분된다. 본 연구는 농 업지역에 초점을 맞추었기 때문에 대분류 항목인 농업지역을 논과 밭으로 세분화하고, 시가화 건조지역과 나지, 산림지역과 초지, 수계지역와 습지를 각각 하나의 피복으로 통합하고, 기 타지역을 추가하여 총 6개 항목에 대한 토지피복분류를 수행 하였다.
Table 4 The area by object-oriented classification and accuracy through error matrix
Classified data
Area (ha)
Reference data
Users Accuracy
(%) Kappa Statistics Paddy field Upland Forest Residential area
& bare land Lake & river
Paddy field 10874.9 45 5 2 1 1 83.3 0.76
Upland 5255.2 3 23 4 4 1 65.7
Forest 10961.0 4 5 58 5 2 78.4
Residential area &
bare land 3309.6 3 1 2 17 73.9
Lake & river 1784.4 14 100.0
Etc. 128.0
Unsuitable paddy field by constraints of elevation
Unsuitable paddy field by constraints of slope
Unsuitable paddy field by constraints of elevation and slope
Fig. 10 Constraints of paddy field by topographic factors Fig. 9 Land cover map by object-oriented classification
시계열 NDVI에 의한 사전 분류 결과와 객체기반 토지피복분 류의 수행 결과를 종합한 결과, 주로 북부 평야지대에 논벼 재배 가 이루어지는 것으로 나타났고, 전체 논 면적은 약 10,874.9 ha로 나타났다. 중부지역에는 주로 밭으로 분류된 지역이 많이 분포하였다. 남부지역에는 산림과 초지의 분포율이 높은 것으로 나타났다. 대상지역의 전체 면적인 32313.1 ha의 약 50 %가 농지인 논과 밭으로 나타났다. 특히 논 지역의 경우 전체 면적 의 약 60 %는 시계열 식생지수에 의해 사전 분류가 가능할 것 으로 판단된다. 분류된 결과에 대한 현지 조사가 불가능하기 때 문에 무작위 200개의 지점을 선정하고 육안판독 결과를 기준으 로 분류결과에 대한 정확도를 평가하였다. 전체적으로 대부분의 피복이 70 % 이상의 분류정확도를 나타내었으며 논벼 재배지 역 추출의 경우 분류정확도는 83.3 %으로 상당히 높게 나타났 다(Fig. 9, Table 4). 논벼 재배 지역 추출결과의 Kappa 지수 는 약 0.76으로 나타났으며 상당히 높은 일치도를 의미한다.
Fig. 11 Unsuitable paddy field by topographic factors
4. 지형학적 요인을 고려한 부적합 논벼 재배지역 추출
논벼 재배지역의 경우 표고 및 경사 등의 지형학적 요인에 의해 재배에 제한을 받게 된다. 본 연구에서는 선행 연구를 참조하여 논벼 재배에 부적합한 지형 기준을 설정하고, 객체기반의 논벼 재 배 지역 분류 결과 중 부적합 지역을 추출하였다. 먼저 DEM 자료 를 활용하여 표고 150 m 이상 또는 경사도 7도 이상인 지역과 그 외의 지역을 0과 1로 구분한 지형학적 제한요건 지도를 구축 하였다. 다음으로 지형학적 제한요건 지도와 앞서 수행된 객체기 반 피복분류 결과를 중첩하여 최종적으로 논벼 재배지역으로 구분 된 지역 중 지형학적 부적합 지역을 추출하였다 (Fig. 10).
Table 5를 보면 객체기반의 토지피복분류에 따른 전체 논벼 재배지역은 10874.9 ha로 나타났고, 이중에서 약 851.0 ha 지 역은 논벼 재배 부적합 지역으로 나타났다. 이와 같은 지역은 논벼 재배지역 분류 오류에 의한 것일 수 있다. Fig. 11에서 보면 마을 주변의 논과 인접한 마을 숲의 경우 논으로 분류되 는 오류가 발생하였고 지형학적 요인을 고려함에 따라 부적합 논 지역으로 구분되었다. 그러나 부적합 논 지역이 계단식 논 등의 지역일 수 있기 때문에 논벼 재배 부적합 지역을 추가적 으로 구분하여 전체 토지피복 결과에 반영하였다.
Table 5 The classification of the unsuitable paddy field by topographic factors
Land type Area (ha)
Unsuitable paddy field 851.0
Suitable paddy field 10023.9
Total 10874.9
IV. 요약 및 결론
본 연구에서는 고해상도 위성영상을 활용하여 북한 재령지역 의 논벼 재배지역 추출 및 토지피복분류를 수행하였다. 고해상 도 위성영상의 정확한 분류를 위하여 현재 주로 활용되는 객체 기반의 분류방법을 적용하였다. 또한 논벼 재배지역의 식생 변 화 특징을 고려하여 시계열 식생지수 변화에 따라 논벼 재배지 역을 사전 추출하였다. 다음으로 논벼 재배지역의 지형학적인 제한요소를 설정하여 추출된 논벼 재배지역 중에서 부적합한 지 역을 제외하였다. 이와 같은 추출 과정을 적용하여 최종적으로 논벼 재배지역 및 부적합 논벼 재배지역을 구분하고 추가적으로 밭, 산림 및 초지, 시가지 및 나지, 수계 지역을 분류하였다.
연구 결과에 따르면 북한 재령지역의 시계열 식생지수를 통 한 논벼 재배지역의 사전 추출 결과는 6,308.4 ha로 나타났고, 이후 객체기반의 무감독 토지피복 수행결과 최종적인 논벼 재 배지역은 10,874.9 ha로 나타났다. 전체 논벼 재배지역의 약 60 % 이상이 시계열 식생지수에 의해 반자동화로 사전 추출이 가능한 것으로 나타났다. 또한 지형적인 요소를 고려하여 부적 합 논벼 재배지역을 추출한 결과 851.0 ha로 나타났다. 이외에 밭 지역은 5,255.2 ha이었으며, 남부에 주로 분포하는 산림 및 초지지역은 약 10,961.0 ha로 나타났다. 무작위 기준점을 생성 하고 육안판독 결과를 기준으로 분류정확도를 살펴본 결과 논 벼 재배지역의 경우 약 83.3 %의 분류정확도가 나타났고 전체 피복에 대한 Kappa 지수는 약 0.76으로 나타났다. 본 연구 결 과는 현지 조사가 어려운 북한지역을 대상으로 하였기에 정확 도 검증에 있어서 한계가 발생하지만 보다 신뢰적인 피복분류
를 위하여 식생 및 경사도, 표고 등의 다양한 요소를 고려하고, 논벼 재배지역의 시계열 식생지수 변화 특징을 적용하여 반자 동화적인 논벼 추출 기법을 개발하였다는 점에서 본 연구의 의 의가 있다.
향후 본 연구결과는 북한의 식량 수급에 따른 국내 정책 수립 을 위한 자료로서 활용될 수 있으며, 또한 고해상도 위성영상의 토지피복분류시 식생과 지형요소를 고려한 객체기반의 분류방 법 연구를 위한 기초 자료로서 활용될 것으로 기대된다.
REFERENCES
1. Benz, U. C., 2001. Supervised fuzzy analysis of single and multi-channel SAR data, The institute of electrical and electronics engineers transactions on geoscience and remote sensing 37 (2): 1023-1037.
2. Blaschke, T. and Strobl, J., 2001. What’s wrong with pixels? Some recent developments interfacing remote sensing and GIS. GIS–Zeitschrift für Geo informations systeme 6: 12-17.
3. Choi, J. Y., S. H. Yoo, Y. G. Oh, S. H. Yoon, W. H.
Nam, and S. H., Lee, 2007. Estimating agricultural water requirement in North Korea using time-series satellite data, Seoul national university (in Korean).
4. Ham, J. H., C. G. Yoon, and S. J. Kim, 1999. Land cover classification and analysis using remotely sensed images Landsat TM with SPOT panchromatic, Proceedings of the korean society of agricultural engineers symposium (in Korean).
5. Hong, S. Y., B. K. Min, J. M. Lee, Y. H. Kim and K.
D. Lee. 2012. Estimation of paddy field area in north korea using Rapideye images, Korean society of soil science and fertilizer 45 (6): 1194-1202 (in Korean).
6. Hwang, E. J., K. J. Shin, S. K. Choi and J. K. Lee, 2005. RS : NDVI analysis of downtown using satellite image and GSIS, Journal of the korean society for geo-spatial information system 2005 GIS/RS proceedings: 249-253 (in Korean).
7. Jensen, J. R., 2007. Introductory digital image processing:
A remote sensing perspective, 3rd Edition.
8. Jeong, J. J., 2012. Comparison of built-up area extraction methods: classification method vs. vegetation index method, Journal of the korean cartographic association 12 (3):
35-44 (in Korean).
9. Jo, M. H., S. J. Kim, D. Y. Kim, and K. S. Choi, 2012.
Comparative analysis of classification accuracy for calculating cropland areas by using satellite images, Journal of the korean society of agricultural engineers 54 (2):
47-53 (in Korean).
10. Kang, N. Y., J. G. Pak, G. S. Cho and Y. Yeu, 2012.
An analysis of land cover classification methods using IKONOS satellite image, Journal of the korean society for geo-spatial information system 20 (3): 65-71 (in Korean).
11. Kim, D. I., U. Han and S. J. Jeong, 1998. A study on the land use change in the northern part of Hwanghae province using remote sensing images, The korean association of professional geographers 32 (4): 135-146 (in Korean).
12. Kim, H. O. and J. M. Yeom, 2012. A study on object- based image analysis methods for land cover classification in agricultural areas, Journal of the korean association of geographic information studies 15 (4): 26-41 (in Korean).
13. Kim, H. O., J. M. Yeom and Y. S. Kim, 2011. The multi-temporal characteristics of spectral vegetation indices of agricultural land use on RapidEye satellite imagery, Korea aerospace research institute Journal 10 (1): 149-155 (in Korean).
14. Ku, C. Y. and H. Y. Jang, 2006. Landcover classification using high-resolution satellite image with vector polygon data, Geographical Journal Korea 40 (3): 449-459 (in Korean).
15. Lee, H. J., J. H. Ru and Y. G. Yu, 2010. Extracting high quality thematic information by using high-resolution satellite imagery, Journal of the korean society for geo- spatial information system 18 (1): 73-81.
16. Lee, M. S., S. J. Kim, H. S. Shin, J. K. Park and J.
H. Park, 2009. Extraction of agricultural land use and crop growth information using KOMPAST-3 resolution satellite image, Korean journal of remote sensing 25 (5):
411-421 (in Korean).
17. Oh, C. Y., S. Y. Park, H. S. Kim, Y. W. Lee and C. U.
Choi, 2010. Comparison of landcover map accuracy using high resolution satellite imagery, Journal of the korean association of geographic information studies 13 (1):
89-100 (in Korean).
18. Park, C., Seo, D., and Seo, C., 1996. An Evaluation of the green belt of Seoul metropolitan region by utilizing NDVI derived from TM data, The korean society of remote sensing 12 (3): 245-256 (in Korean).
19. Park, H. S., and S. W. Park, 1998. Landuse classifications from thematic mapper images using a maximum likelihood method, Proceedings of the korean society of agricultural engineers symposium (in Korean).
20. Pearson, R. L., and L. D. Miller, 1972. Remote mapping of standing crop biomass for estimation of the productivity of the short-grass prairie, Proceedings of the 8th International Symposium on Remote Sensing of Environment 1357–1381.
21. Rouse, J. W., R. H. Haas, J. A. Schell, D. W. Deering, and J. C. Harlan, 1974. Monitoring the vernal advancement of retrogradation of natural vegetation. NASA/GSFC, Type III, Final Report, Greenbelt, MD, USA.
22. Sung, H. H. and O. J. Park, 2000. A study on distribution and change of NDVI with land-cover change in city of Sungnam, The journal of geographic information system association of Korea 8 (2): 275-288 (in Korean).
23. Van der Sande, C. J., S. M. Jong and A.P.J. Roo, 2003.
A segmentation and classification of IKONOS-2 imagery for land cover mapping to assist flood risk and flood damage assessment, International Journal of Applied Earth Observation and Geoinformation 4: 217-229.
