자동화된 훈련 자료를 활용한 Landsat-8 OLI 위성영상의 반복적 분광혼합모델 기반 무감독 분류
Unsupervised Classification of Landsat-8 OLI Satellite Imagery Based on Iterative Spectral Mixture Model
*
최재완*ㆍ노신택**ㆍ최석근***
Choi, Jae WanㆍNoh, Sin TaekㆍChoi Seok Keun
要 旨
Landsat OLI 위성영상은 다양한 분광정보 밴드를 포함하고 있기 때문에, 토지피복지도 생성, 도심지역의 분석, 식 생지수의 추출, 변화탐지 모니터링 등과 같은 다양한 원격탐사 분야에 활용할 수 있다. 또한, 토지피복지도는 GIS 및 국토 모니터링에 있어서 필수적인 정보이다. 본 연구에서는 Landsat OLI 위성과 기존의 토지피복지도를 활용하 여 토지피복지도를 생성하고자 하였다. 이를 위해, 기존의 토지피복지도와 K-means 기법의 상관관계를 활용하여 훈련자료를 자동으로 생성하였으며, 생성된 훈련자료를 이용하여 각 클래스 별 분광 반사율 값을 추정하였다. 최 종적으로, 반복적인 분광혼합분석을 통하여 각 클래스 별 점유 비율 영상과 토지피복지도를 생성하였다. 청주시 일대에 대한 토지피복지도와 Landsat OLI 위성영상을 활용한 실험을 수행하였으며, 감독분류 기법에 대한 결과 및 기존 토지피복지도와의 비교평가를 통하여 본 연구에서 제안된 기법이 수동으로 취득한 훈련자료가 없어도 효과 적으로 토지피복지도를 생성할 수 있음을 정량적, 시각적으로 확인하였다.
핵심용어 : 분광혼합분석, 토지피복지도, Landsat OLI, 훈련자료
Abstract
Landsat OLI satellite imagery can be applied to various remote sensing applications, such as generation of land cover map, urban area analysis, extraction of vegetation index and change detection, because it includes various multispectral bands. In addition, land cover map is an important information to monitor and analyze land cover using GIS. In this paper, land cover map is generated by using Landsat OLI and existing land cover map. First, training dataset is obtained using correlation between existing land cover map and unsupervised classification result by K-means, automatically. And then, spectral signatures corresponding to each class are determined based on training data. Finally, abundance map and land cover map are generated by using iterative spectral mixture model.
The experiment is accomplished by Landsat OLI of Cheongju area. It shows that result by our method can produce land cover map without manual training dataset, compared to existing land cover map and result by supervised classification result by SVM, quantitatively and visually.
Keywords : Spectral Mixture Analysis, Land Cover Map, Landsat OLI, Training Data
1. 서 론
1972년 미국 NASA(National Aeronautics and Space Administration)에서 Landsat-1 위성영상을 발
사한 이래로, Landsat 위성영상은 토지의 특성 및 변화 를 분석하기 위하여 원격탐사 분야에서 다양하게 사용 되었다. 특히, 2013년 2월 11일에는 9개의 분광밴드 (spectral band)를 지닌 OLI(Operational Land Imager)
Received: 2014.08.28, revised: 2014.09.18, accepted: 2014.09.25
* 교신저자ㆍ정회원ㆍ충북대학교 공과대학 토목공학부 조교수(Corresponding Author, Member, Assistant Professor, School of Civil Engineering, Chungbuk National University, [email protected])
** 충북대학교 공과대학 토목공학부 석사과정(M. S. Student, School of Civil Engineering, Chungbuk National University, [email protected])
*** 정회원ㆍ충북대학교 공과대학 토목공학부 교수(Member, Professor, School of Civil Engineering, Chungbuk National University, [email protected])
53 (Journal of the Korean Society for Geospatial Information System) Vol.22 No.4 December 2014 pp.53-61
연구논문
ISSN: 2287-6693(Online) http://dx.doi.org/10.7319/kogsis.2014.22.4.053
와 2개의 분광밴드를 지닌 TIRS(Thermal Infrared Sensor)가 탑재된 Landsat-8 위성영상이 발사되고, 촬 영 자료들을 배포함에 따라서, 이를 활용한 다양한 분 석이 가능하게 되었다.
최근 들어, Landsat-8 위성의 발사에 따라 Landsat-8 OLI의 처리 방법 및 활용방안에 대한 다양한 연구가 진행되고 있다. 국외의 경우, Jia et al.(2014)는 Landsat 8과 Landsat 7 ETM+ 센서를 통해 취득된 위 성영상의 분광특성을 비교하고, MLC(Maximum Likelihood Classification)과 SVM(Support Vector Machine) 기법을 활용하여 토지피복지도를 생성하였 으며, Ding et al.(2014)는 Landsat 8 영상을 활용하여 농경지의 시계열 NDVI(Normalized Difference Vegetation Index)를 생성하여 공간적인 분포를 분석하 였다. El-Askary et al.(2014)는 Landsat 5 TM, Landsat 7 ETM+와 Landsat 8 자료를 이용하여 이집 트 홍해 지역의 산호초에 대한 변화탐지를 수행하였으 며, Bhatti et al.(2014)는 Landsat 8 자료를 이용하여 도심지 지역을 추출하는 연구를 수행하기도 하였다.
국내의 경우, Chi(2013)가 EO-1 Hyperion 초분광 영상의 밴드 접합 기법 및 분광 반응도를 활용하여 Lansdat OLI 센서의 절대 방사 보정 계수를 분석하 였다. Kim et al.(2014)는 Landsat-8 위성영상의 효과 적인 활용을 위하여 영상 내에 존재하는 구름을 자 동으로 추출하고 제거하는 방법을 제안하였으며, Choi et al.(2014)는 Landsat-8 OLI 영상에서 추출한 NDVI를 이용하여 식생지수를 산정하였다.
한편, 저해상도 위성영상을 활용한 토지피복지도 작 성 기법의 경우, 일반적인 Landsat 위성센서가 가지는 공간해상도로 인하여, 대분류 토지피복도를 생성하고, 이를 기반으로 다양한 토지특성을 분석하는 연구들이 이루어지고 있다. 환경부는 Landsat 자료를 활용하여, 무감독 분류(unsupervised classification), 감독분류 (supervised classification) 및 영상 판독을 이용하여 총 7개의 클래스(class)로 이루어지는 대분류 토지피복지 도를 제작하고 있다. Kim and Yeom(2012)는 다중해 상도 위성영상을 활용하여 도시의 토지피복유형이 지 표면온도에 미치는 영향을 평가하였으며, Erdenechimeg et al.(2010)은 1991∼2007년까지의 Landsat 위성영상 을 활용하여 사막지역의 토지피복 변화를 분석하기도 하였다. 특히, 자동화된 토지피복지도 생성을 위하여 Kim et al.(2010)은 SPOT-5 및 QuickBird 위성영상을 활용하여 Landsat 영상의 훈련자료(training data)를 자 동생성하기 위한 방법론을 제시하였으며, Jiang et al(2012)는 버퍼(buffer)와 클래스의 분광특성을 활용
하여 생성된 훈련자료를 기반으로 하는 분류 기법을 제 안하였다.
Landsat OLI 센서는 최근에 발사되었기 때문에 해당 영상을 이용하여 토지피복지도를 생성한 사례들이 다 양하게 존재하지 않으며, 기존의 토지피복지도를 활용 하여 자동으로 훈련지역을 추출하는 일부 연구들의 경 우에는 부가자료가 필요한 문제점을 지닌다. 따라서, 본 연구에서는 기구축된 토지피복지도를 활용하여 각 클래스 별 대표 분광 특성을 고려하여 훈련자료를 자동 으로 생성하고, 해당 자료를 바탕으로 하여 분류 영상 을 자동으로 생성하고자 하였다. 영상의 분류를 위해서 는 분광혼합모델(spectral mixture model)을 활용하였 으며, 생성된 분류결과는 기존의 토지피복지도와 감독 분류를 통하여 생성된 분류결과와의 비교평가를 통하 여 효율성을 검증하고자 하였다.
2. 연구 자료 및 대상지역
2.1 사용 데이터
본 연구에서는 서론에서 언급한 바와 같이 NASA에 서 발사한 Landsat OLI 센서를 통하여 취득한 위성영 상을 활용하였다. 푸쉬브롬(pushbroom) 센서인 Landsat OLI 위성센서는 흑백영상을 제외하면 총 8개 의 멀티스펙트럴(multispectral) 밴드를 제공한다. 공간 해상도는 30m이며, 기존의 Landsat ETM+ 자료와 비 교하여 coastal aerosol, cirrus 밴드가 추가된 특징을 지닌다. 또한, 12bit의 방사 해상도를 가지고 있어, 기 존 ETM+ 센서(8bit)보다 개선된 성능을 나타낸다.
Landsat OLI 위성의 세부적인 제원은 Table 1과 같다.
Table 1. Specifications of the Landsat OLI
Spatial resolution 30m (multispectral) 15m (panchromatic)
Spectral resolution(㎛)
Coastal aerosol : 0.43-0.45 Blue : 0.45-0.51
Green : 0.53-0.59 Red : 0.64-0.67 NIR : 0.85-0.88 SWIR 1 : 1.57-1.65 SWIR 2: 2.11-2.29 Panchromatic : 0.50-0.68 Cirrus : 1.36-1.38 Radiometric
resolution 12 bits
2.2 대상 지역
본 연구에서 제시한 영상 분류 기법을 적용하기 위하 여 2013년 10월 27일에 촬영된 충청북도 청주시 지역 의 영상을 사용하였으며, 동일지역에 대하여 2012년에 생성된 환경부 대분류 토지피복지도 2도엽을 보조자료 로 활용하였다(Fig. 1(a) and Fig. 1(b)). 일반적인 대분 류 토지피복지도의 경우, 도심지, 농지, 산지, 초지, 습 지, 나지, 수역의 총 7개 클래스로 구성되어 있으나, 청 주시 지역의 경우 습지에 해당하는 지역이 화소 이상의 단위로 대분류 토지피복지도에 존재하지 않기 때문에 본 연구에서는 습지를 제외한 총 6개의 지역을 대상으 로 하여 토지피복지도를 생성하였다. 한편, Landsat OLI의 대기보정(atmospheric correction)을 위하여 부 가적으로 해당 지역의 DEM(Digital Elevation Model) 을 수치지형도를 통하여 구축하였다(Fig. 1(c)). 대상지
(a) Landsat OLI image
(b) land cover map
(c) DEM Figure 1. Study area
역은 대분류 토지피복지도를 기준으로 하여 좌표등록이 이루어졌으며, 2도엽내에 포함하는 지역을 기준으로
× 화소의 크기를 지니는 영상으로 구성하였다.
3. 연구 방법
본 연구의 흐름은 위성영상의 대기보정을 위한 전처 리 과정, 초기 훈련자료의 구축, 분광혼합모델을 이용 한 영상 분류 기법으로 구분되며, 전체적인 연구 흐름 도는 Fig. 2와 같다. 먼저, DEM을 활용하여 대기보정 이 적용된 Landsat 자료와 토지피복도를 활용하여 자 동으로 훈련 자료를 추출하였다. 이를 기반으로 분광혼 합분석 기법을 반복적으로 적용하여 훈련자료를 갱신 함으로써 최적의 토지피복도를 제작하고자 하였다.
3.1 전처리 과정
Landsat OLI 영상은 사용자들에게 DN(Digital Number) 값과 함께, 이들을 대기 상층의 반사율(top of atmospheric reflectance)로 변화하기 위한 선형식을 제 공한다. 하지만, 대기 상층의 반사율은 산란 및 흡수 등 의 대기에 의한 영향이 반영되지 않기 때문에, 본 연구 에서는 ATCOR(ATmospheric CORrection) 모듈을 활 용하여 Landsat OLI 위성영상의 대기보정을 수행하였 다(Richter and Schläpfer, 2012). 대기보정을 거친 영 상은 0∼1사이의 반사율 값을 가진다.
3.2 식생지수 및 수계지수의 추출
Table 1과 같이 Landsat OLI 센서는 총 8개의 멀티 스펙트럴 밴드를 가지고 있다. 그러나, 분광혼합분석을 수행하거나, 훈련자료를 효과적으로 추출하기 위해서
Figure 2. Workflow
는 충분한 수의 추가 밴드가 필요하다. 따라서, 본 연구 에서는 토지피복의 6개 클래스 중, 수계 및 식생지역을 효과적으로 표현할 수 있는 4개의 밴드를 자료에 추가 하였다. 대표적인 식생지수 및 수계지수인 NDVI, 수계 지수는 NDWI(Normalized Difference Water Index)와 함께 TCT(Tasselled Cap Transformation)을 통한 Greenness 및 Wetness를 적용하였으며, 이는 식 (1)〜
(4)와 같다(Jiang et al., 2014; Baig et al., 2014).
(1)
(2)
(3)
(4)
여기서, 는 Landsatt OLI의 2번째 밴드자료를 의 미한다.
3.2 초기 훈련자료 및 클래스 별 분광특성의 추출 본 연구에서는 기존의 토지피복지도를 활용하여 훈 련자료를 자동으로 생성하기 위하여, 무감독 분류에서 추출된 각 클래스들을 토지피복지도에 매칭(matching) 하는 방법을 사용하였다. 이를 위하여, Landsat OLI 영 상에 대표적 무감독 분류 기법인 K-means 알고리즘을 적용하였다(Kim et al., 2010). 무감독 분류를 통하여 생성된 클래스가 토지피복도 내 2개 이상의 클래스를 포함할 수 있기 때문에, 토지피복지도 내의 클래스의 2 배 이상의 K-means 클래스를 생성하고자 하였으며, 본 연구에서는 14개의 클래스가 생성되도록 K-means의 변수를 조절하였다. 한편, 기존의 토지피복지도를 활용 할 경우에는 토지피복지도와 위성영상 간의 생성 시기 내에 변화된 지역이 존재하여 훈련자료에 오차가 발생 할 수 있다. 이를 해결하기 위하여, 토지피복지도와 가 장 상관도가 높은 K-means 클래스를 추출하였다. 상관 도는 피어슨 상관계수(Pearson correlation coefficient) 를 사용하였으며, 각 토지피복지도 클래스가 명명된 K-means 클래스 내의 화소들을 기존의 토지피복지도 와 비교하여 동일한 클래스를 지니는 화소들만 초기 훈 련자료로 할당하였다. 따라서, 해당 지역내에서 토지피 복지도와 위성영상의 분광특성이 다른 지역 및 변화지
Figure 3. Training dataset corresponding to each class
역들은 훈련자료로 결정되지 않도록 조정하였다. Fig.
3은 기존의 토지피복지도에서 추출된 훈련자료들의 영 역을 도식화 한 것으로, 전체 영역에 대하여 변화지역 을 제외한 대부분의 화소들이 훈련자료로 선택된 것을 볼 수 있다.
3.3 반복적 분광혼합모델을 이용한 영상 분류 3.2에서 추출된 훈련자료는 지역의 대부분 화소들을 포함하고 있기 때문에 이들을 분류자(classifier)에 적용 할 경우에는 많은 처리시간이 소요된다. 또한, 해당 훈 련자료들은 정규분포를 가지고 있지 않기 때문에, 통계 적 기법을 기반으로 하는 분류자들을 사용하기 어렵다.
본 연구에서는 반복적 분광혼합모델을 통하여 지역 내 의 해당 클래스 별 점유비율 영상(abundance map)을 구 축하고, 이를 활용하여 영상 분류를 수행하고자 하였다.
분광혼합모델은 화소 이하(sub-pixel) 단위의 분석을 위 하여 사용되는 대표적인 원격탐사 분야의 알고리즘으로, 영상 내 화소들이 영상 내의 고유물질(endmember)들의 선형조합으로 이루어져있으며, 각 고유물질 별 점유비 율로 화소를 표현할 수 있다고 가정한다(Park et al.(2014)). 해당 지역이 개의 endmember로 이루어 져 있다고 할 때, 번째 endmember의 분광반사율을
라고 하면, 특정 화소의 분광 반사율 은 번째 endmember의 점유비율 로 표현할 수 있으며, 이는 식 (5)와 같다 (Chang and Heinz, 2000).
(5)
여기서, 는 분광혼합분석의 오차를 의미한다. 점유 비율 는 endmember와 동일한 개수의 밴드가 생성되 며, 일반적인 분광혼합모델은 최소제곱법(least square method)을 통하여 계산할 수 있다. 분광혼합모델을 실 제적으로 적용할 때, 점유비율의 총합은 1이 되어야 한
다는 조건(ASC : abundance sum-to-one constraint)과 점유비율은 항상 0 이상의 값을 가져야 한다는 조건 (ANC : abundance non-negativity constraint)을 추가 하여야 할 필요성이 있으며, 이러한 경우에는 ANC와 ASC의 조건을 제약조건으로 하는 제약최소제곱법 (constrained least square method)를 통하여 처리된다 (Sánchez et al.(2011)).
본 연구에서는 분광혼합모델을 적용하기 위하여, 3.2 에서 추출된 훈련자료의 각 클래스별 평균 분광 반사율 값을 각 클래스의 초기 endmember로 가정하여 식 (5) 의 분광혼합모델을 적용하였으며, 이에 따른 점유 비율 영상을 생성하였다. Fig. 4는 식 (5)을 통하여 생성된 각 클래스 별 점유 비율 영상 중 도심지와 수계지역에 대한 초기 결과이다. 전반적으로 각 클래스 별 점유 비 율의 특성이 지역의 토지피복과 유사하게 표현된 것을 확인할 수 있지만, 수계지역(Fig. 4(d))에서는 일부 도 심지역의 점유비율이 포함되었다. 이는 멀티스펙트럴 영상에서 수계지역과 그림자는 유사한 분광특성을 보 이기 때문에, 도심지에서 발생하는 일부 그림자에 대한 영향들이 수계지역의 점유 비율로 표시되는 것으로 볼 수 있으며, 해당 지역들은 일반적인 수계지역의 점유비 율(약 0.7∼1)과 비교하여 상대적으로 낮은 점유비율을 가지고 있는 것으로 확인하였다.
따라서, 0.7 이하의 점유비율을 가지는 수계지역은 도심지역의 그림자에 대한 영향으로 간주하여 도심지
(a) (b)
(c) (d)
Figure 4. Example of spectral mixture analysis results:
(a) land cover map, (b) Landsat OLI, (c) abundance map of urban class, (d) abundance map of water class
역의 점유비율로 추가하였다. 최종적으로, 토지피복지 도는 각 화소 내에 가장 높은 점유 비율을 가지는 클래 스를 해당 화소의 토지피복으로 변환하여 생성하였다.
한편, 분광혼합모델에서 정의되는 endmember는 순수 물질에 대한 분광반사율을 의미하기 때문에, Fig. 4의 훈련자료의 평균 반사율 값을 활용하여 endmember를 추출할 경우에는 훈련자료 생성 과정에서 발생하는 오 차로 인하여 최적의 endmember가 생성될 수 없는 문 제를 지닌다. 따라서, 본 연구에서는 반복적 분광혼합 모델을 통하여 최적의 토지피복지도를 생성하였다. 분 광혼합모델을 반복적으로 적용하기 위해서, 분광혼합 모델에 의하여 생성된 점유비율 영상에 의한 토지피복 지도를 지난 단계의 과정에서 생성된 토지피복지도(첫 번째 반복과정에서는 기존의 토지피복지도를 의미함) 와 비교하였으며, 동일한 토지피복을 가지는 지역들을 해당 클래스의 훈련지역으로 다시 가정하였다. 이를 통 해, 해당 화소들의 평균 화소값을 endmember로 다시 계산하고 식(3)을 재적용하여 새로운 토지피복지도를 생성하였다. 해당 과정은 새롭게 생성된 토지피복지도 와 지난 단계에서 생성된 토지피복지도의 변화율이 1%
이내가 될 때가지 반복하여 수행하였다. 이는 반복적인 연산에 의한 토지피복지도의 변화율이 크지 않을 때, 최적의 endmember가 추출되었다고 판단할 수 있기 때 문이다.
3.4 후처리 및 토지피복지도의 생성
본 연구에서 적용한 방법론은 화소기반의 알고리즘 이기 때문에 일부 클래스의 화소들은 오차의 형태로 나 타낼 수 있다. 따라서, 해당 클래스 별로 majority analysis를 수행하여 주변 클래스에 고립되어 표현되어 있는 클래스들은 주변화소의 클래스로 보정하여 최종 적인 토지피복지도를 생성하였다(Jawak and Luis, 2013).
4. 실험 결과 및 분석
Landsat OLI 영상과 기존의 토지피복지도에서 추출 한 훈련자료를 활용하여 최종적으로 획득한 각 클래스 별 점유비율 영상은 Fig. 5와 같다. Fig. 5(c)〜(h)에서 확인할 수 있는 것과 같이, 기존의 토지피복지도에서 훈련자료를 추출하여 적용하였지만, Landsat OLI 영상 과 비교하여 기존의 토지피복지도에서 가지고 있는 오 차 및 변화들이 반복적 분광혼합모델의 결과에서 제거 되어 각 클래스 별 피복 내의 점유 비율이 효과적으로 생성된 것을 확인할 수 있다. 한편, 본 연구에서 생성된
(a) (b) (c) (d)
(e) (f) (g) (h)
Figure 5. Abundance map corresponding to 6 class: (a) existing land cover map, (b) Landsat OLI, (c) urban class, (d) agriculture class, (e) forest class, (f) grass class, (g) ground class, (h) water class
reference
test urban agriculture forest grass ground water user's
accuracy
urban 329 1 0 0 16 1 94.81
agriculture 12 250 0 4 5 0 92.25
forest 33 1 562 53 0 0 86.59
grass 0 44 0 123 1 0 73.21
ground 30 89 0 0 146 0 55.09
water 0 0 0 0 0 145 100
producer's accuracy 81.44 64.94 100 68.33 86.90 99.32
Table 3. confusion matrix of proposed algorithm reference
test urban agriculture forest grass ground water user's
accuracy
urban 399 136 0 0 85 1 64.25
agriculture 0 242 0 1 3 0 98.37
forest 5 0 559 48 0 0 91.34
grass 0 0 3 131 0 0 97.76
ground 0 7 0 0 80 0 91.95
water 0 0 0 0 0 145 100
producer's accuracy 98.76 62.86 99.47 72.78 47.62 99.32
Table 2. confusion matrix of supervised classification by SVM 토지피복지도의 정확도 및 효율성을 평가하기 위하여 수동으로 취득한 영상 내의 훈련자료를 통한 오차분석 을 수행하였다. 정량적인 비교평가를 위하여 대표적인 감독분류 기법인 SVM을 적용하여 생성된 결과와의 비 교평가도 수행하였으며, Table 2와 3은 각각 SVM에 의한 감독분류와 본 연구에서 생성된 토지피복지도의
오차행렬이다. 감독분류에 의한 전체 정확도(overall accuracy)는 84.28%, 카파계수(Kappa coefficient)는 0.80로 나타났으며, SVM을 이용한 감독분류는 각각 84.33%, 0.79의 전체 정확도와 카파 계수 값을 보였다.
이를 통해, 본 과제에서 제안한 기법은 토지피복지도를 사용하여 효과적으로 훈련자료를 자동으로 추출할 수
(a) (b)
(c) (d)
Figure 6. Classification results: (a) existing land cover map, (b) Landsat OLI, (c) SVM result, (d) proposed algorithm
(a) (b) (c) (d)
Figure 7. Detailed images of Classification results: (a) existing land cover map, (b) Landsat OLI, (c) SVM result, (d) proposed algorithm
있음을 확인하였다. 클래스에 대한 사용자 정확도와 생산자 정확도를 비교하여 보면, 수계, 농지, 산림지역 의 경우에는 전반적으로 유사한 정확도를 보인다 (Table 2, 3). 그러나, 제안기법은 감독분류 결과와 비 교하여, 높은 도심지역의 사용자정확도(94.81%)를 보 이고 있는데, 이는 감독분류 기법이 농지 내 비닐하우 스 지역을 도심지로 오분류하거나, 해당 농지들을 도 심지로 과대평가하기 때문으로 추정된다(Table 2, 3).
도심지에 대한 감독분류의 과대평가에 의한 영향은 나 지 클래스에 대한 평가에서도 확인할 수 있으며, 제안 방법에 대한 나지 지역의 생산자 정확도(86.90%)가 감독분류 결과(47.62%)에 비하여 높게 되는 원인으로 판단된다. 한편, 제안 방법에 의한 결과에서 나지 지역
에 대하여 상대적으로 낮은 사용자 정확도(55.09%)를 보이는 것은 감독분류 결과와 유사하게 일부 비닐하우 스를 나지로 오분류하고, 나지와 건물이 혼재되어 있 는 일부 도심지 지역을 나지로 과대추정하기 때문으로 판단된다. 제안기법에서 일부 초지 지역들이 농지지역 으로 오분류되는 지역들은 훈련자료의 자동화과정에 서 발생하는 오차로 판단된다. 끝으로, Fig. 6∼7을 이 용하여 토지피복지도의 생성결과를 정성적으로 비교 하고자 하였다. 기존의 토지피복지도(Fig. 6(a))가 Landsat OLI 영상(Fig. 6(b))과 비교하여 농경지 지역 을 과대표현(Fig. 7(b))하고 있는 반면에, 감독 분류 기 법과 제안기법의 결과는 영상과 유사한 형태의 농경지 를 효과적으로 추출한 것을 볼 수 있다. 공사지역인 일
부 나지의 경우에는 감독분류의 결과는 모두 도심지역 으로 오분류하고 있는 반면에, 토지피복지도는 일부 나대지들을 효과적으로 도식화하고 있었다(Fig. 7(c)
∼7(d)). 한편, 농경지 주변 지역들을 분포가 도심지역 으로 과대추정하고 있는 감독분류기법과 비교하여 농 경지 지역을 효과적으로 표현하고 있는 것도 시각적으 로 확인할 수 있었다(Fig. 7(c)〜7(d)).
5. 결 론
본 연구에서는 기존의 토지피복지도를 통하여 생성 된 훈련자료를 이용하여 Landsat OLI 영상의 분류를 수행하고자 하였다. K-means와 클래스 별 상관관계를 통한 훈련자료를 생성하였으며, 반복적 분광혼합분석 을 활용하여 토지피복지도를 구축할 수 있었다. 본 방 법론을 통하여 생성된 토지피복지도는 기존의 감독분 류를 통하여 생성된 토지피복지도의 전체정확도 (84.33%) 및 카파계수(0.79)와 비교하여 유사한 전체 정확도(84.28%)과 0.80의 카파계수를 보였으며, 시각 적인 분석을 통해서도 기존의 감독분류와 유사한 토지 피복지도를 생성할 수 있으며, 도심지역의 과대오차 등을 효과적으로 제거할 수 있었다. 이를 통해, 기존의 토지피복지도를 활용하여 훈련자료를 자동으로 생성 하고, 분광혼합 모델을 통한 감독분류 기법에 효율적 으로 적용할 수 있음을 정량적, 시각적으로 증명하였 다. 한편, 제안된 기법의 경우에도 나지로 표현되어 나 지와 농경지 클래스에서 일부 오차가 발생하는 것을 확인할 수 있었는데, 해당 부분은 추가적으로 영상의 텍스쳐(texture) 정보 혹은 객체 기반의 분석을 활용하 여 개선해야 할 것으로 판단된다.
감사의 글
이 논문은 2013년도 정부(미래창조과학부)의 제원 으로 한국연구재단의 지원을 받아 수행되었음(NRF- 2013R1A1A1060343, NRF-2012M1A3A 3A02033469).
References
1. Baig M. H. A., Zhang, L., Shuai T. and Tong, Q., 2014, Derivation of a tasselled cap transformation based on landsat 8 at satellite reflectance, Remote Sensing Letters, Vol. 5, No. 5, pp. 423-431.
2. Bhatti, S. S. and Tripathi, B. K., 2014, Built-up area extraction using Landsat 8 OLI imagery, GIScience
& Remote Sensing, Vol. 51, No. 4, pp. 445-467.
3. Chang, C. I. and Heinz, D. C., 2000, Constrained subpixel target detection for remotely sensed imagery, IEEE Transactions on Geoscience and Remote Sensing, Vol. 38, No. 3, pp. 1144-1159.
4. Chi, J., 2013, Validation of the radiometric characteristics of landsat 8(LDCM) OLI sensor using band aggregation technique of EO-1 hyperion hyperspectral imagery, Korean Journal of Remote Sensing, Vol. 29, No. 4, pp. 399-406.
5. Choi, S., Lee, S. and Wang, B., 2014, Analysis of vegetation cover fraction on landsat OLI using NDVI, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol.
32, No. 1, pp. 9-17.
6. Ding, Y., Zhao, K., Zheng, X. and Jiang, T., 2014, Temporal dynamics of spatial heterogeneity over cropland quantified by time-series NDVI, near infrared and red reflectance of Landsat 8 OLI imagery, International Journal of Applied Earth Observation and Geoinformation, Vol. 30, pp.
139-145.
7. El-Askary, H., El-Mawla, S. H. Abd., Li, J., El-Hattab, M. M. and El-Raey, M., 2014, Change detection of coral reef habitat using landsat-5 TM, Landsat 7 ETM+ and Landsat 8 OLI data in the Red Sea (Hurghada, Egypt), International Journal of Remote Sensing, Vol. 35, No. 6, pp. 2327-2346.
8. Erdenechimeg, M., Choi, B., Na, Y. and Kim, T., 2010, Detection of land cover change using landsat image data in desert area, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 28, No. 4, pp. 471-476.
9. Jawak, S. D. and Luis, A. J. 2013, Very high-resolution satellite data for improved land cover extraction of larsemann hills, Eastern Antarctica, Journal of Applied Remote Sensing, Vol.
7, No. 1, pp. 1-28.
10. Jia, K., Wei, X., Gu, X., Yao, Y., Xie, X. and Li, B., 2014, Land cover classification using landsat 8 operational land imager data in beijing, China, Geocarto International, Vol. 29, No. 8, pp. 941-951.
11. Jiang, D., Huang, Y., Zhuang, D., Zhu, Y, Xu, X.
and Ren, H., 2012, A simple semi-automatic approach for land cover classification from multispectral remote sensing imagery, PLOS ONE, Vol. 7, No. 9, pp. 1-10.
12. Jiang, H., Feng, M., Zhu, Y., Lu, N., Huang, J. and
Xiao, T, 2014, An automated method for extracting rivers and lakes from landsat imagery, Remote Sensing, Vol. 6, No. 6, pp. 5067-5089.
13. Kim, B., Kim, Y., Han, Y., Choi, W. and Kim, Y., 2014, Fully automated generation of cloud-free imagery using landsat-8, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 32, No. 2, pp. 133-142.
14. Kim, H. and Yeom, J., 2012, Effect of the urban land cover types on the surface temperature: case study of ilsan new city, Korean Journal of Remote Sensing, Vol. 28, No. 2, pp. 203-214.
15. Kim, Y., Kim, Y., Park, W. and Eo, Y., 2010, Automated training from landsat image for classification of SPOT-5 and quickbird images, Korean Journal of Remote Sensing, Vol. 26, No.3, pp. 317-324.
16. Park, H., Choi, J. and Choi, S. 2014, Impervious surface mapping of cheongju by using rapideye satellite imagery, Journal of the Korean Society for Geospatial Information System, Vol. 22, No. 1, pp.
71-79.
17. Richter, R. and Schläpfer, D., 2012, Atmospheric/
topographic correction for satellite imagery;
ATCOR-2/3 user guide version, ReSe Applications Schläpfer, Wil, Switzerland.
18. Sánchez, S., Paz, A. and Plaza, A., 2011, A.
real-time spectral unmixing using iterative error analysis on commodity graphics processing units.
In proceedings, IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2011), Vancouver, BC, July, pp. 1767-1770.
