국토모니터링은 다(多)시기에 촬영한 항공영상, 위성영상 등을 포함한 다양한 지형공간 정보를 사용하여 국토의 변화를 탐지하고, 이를 활용하여 국토발전 및 정책결정에 필요 한 기초자료를 생성하고 분석하는 과정을 의미한다. 이석민 외(2011)는 국토모니터링에 대해 국토를 체계적으로 관리하고 국토계획을 수립하기 위하여 국토의 현황을 조사하여 결과를 축적하고, 이를 통해 국토의 변화를 파악하는 것으로 정의하였다.
각기 다른 시기에 촬영된 위성영상은 영상처리과정을 거쳐 국토의 변화유무 및 변 화양상을 효과적으로 파악할 수 있게 도와준다. 때문에, 다양한 국토모니터링 및 변화 탐지(change detection) 기법에 대한 연구가 이루어지고 있으며, 이에 따른 활용사례 들도 다양하게 제시되고 있다. 특히 4차 산업혁명 시대가 도래함에 따라, AI(Artificial Intelligence), 빅데이터(big data) 등의 기술을 위성영상에 적용하여 국토의 변화양상을 효과적으로 파악하는 학문 분야의 발전이 빠르게 진행되고 있다.
현재, 국토모니터링에 활용하기 위한 다양한 공간해상도(spatial resolution)와 분광해 상도(spectral resolution) 등을 지닌 위성센서가 존재하며, 국내의 경우에도 한반도를 포 함한 전 세계 국토에 대한 위성영상을 취득할 수 있는 국토전용관측위성의 발사가 예정 되어 있다. 국토지리정보원에서는 2019년 11월 1일 국토전용관측위성의 효율적 활용을 위해 국토위성센터를 설립하여 운영 중이다.
이 글에서는 4차 산업혁명 시대의 도래에 따른 기술발전을 기반으로 국내 · 외 공간 정보 구축 및 위성영상에 기반한 융복합 산업시장의 확대에 기여할 수 있을 것으로 판 단되는 다시기 위성영상을 통한 국토모니터링의 특징과 발전방향을 논하고자 한다.
국토모니터링을 위한 위성영상의 적용 분야 및 변화탐지 기법의 특징을 정리하고, 이 를 바탕으로 위성영상을 활용한 국토모니터링의 발전방향에 대하여 정리해보고자 하 였다.
국토모니터링을 위한
위성영상 활용방법 및 발전 방향
최재완 충북대학교 토목공학부 교수 ([email protected])
머리말
제467호 2020 September
국토모니터링을 위한 변화탐지 기법
변화탐지 기법은 국토모니터링을 위하여 다시기 위성영상에 적용할 수 있는 대표적인 기 법으로, 관심지역에 대하여 서로 다른 시기에 취득된 위성영상을 종합한 후 분석하는 것 이다. 미변화지역은 유사한 화솟값 혹은 분광반사도를 가지지만, 변화지역의 화솟값 및 분광반사도 특성은 상이하다는 가정을 이용하여 두 영상 간의 비유사성을 정량화하고, 이를 통하여 변화지역을 추정하는 방법이다.
변화탐지 기법은 크게 무감독 변화탐지(unsupervised change detection)와 감독 변화 탐지(supervised change detection)로 구분할 수 있다. 무감독 변화탐지는 사전정보 없 이 다시기 영상 간의 차이를 추출하여 관심지역의 변화유무만을 추정하는 기법으로(Lu et al. 2014), 사용자의 개입을 최소화할 수 있다. 그러나 변화지역의 변화유무에 대한 확 률정보의 형태로 결과물이 제공되기 때문에, 변화지역과 미변화지역을 구분하기 위한 임 계치(threshold)에 따라 변화탐지 결과의 품질이 결정되는 단점이 있다. 감독 변화탐지는 사용자가 사전에 정의한 훈련자료를 활용하여 변화 전후의 영상에 보이는 토지피복(land cover)을 분류하고, 다시기 영상의 분류결과를 비교하여 토지피복의 변화유무와 변화양 상을 분석하는 방법이다. 감독 변화탐지는 변화지역이 어떠한 형태의 토지피복으로 변화 하였는지에 대한 정보를 취득할 수 있지만, 훈련자료의 품질이 변화탐지 결과에 크게 영 향을 미칠 수 있다는 한계점이 있다. Singh(1998)과 Lu et al.(2003)은 변화탐지 기법의 특성에 따라서 변화탐지 기법의 범주를 분류한 바 있으며, 전통적인 변화탐지 기법들을 재구성하면 <표 1>과 같이 정리할 수 있다. 최근 들어 기계학습(machine learning) 및 AI 기술의 발전으로 그 범주를 명확히 구분하기 어려운 기법들이 등장하기 시작했다. 특 히, 딥러닝(deep learning) 기법 기반의 변화탐지 기법은 훈련자료의 참조자료가 변화유 무만으로 정의된 경우에는 무감독 변화탐지의 결과와 유사한 특성을 보이지만, 훈련자료 가 필요하다는 점에서는 감독 변화탐지의 범주에 속한다고 할 수 있다. 따라서 최근에 개
<표 1> 변화탐지 기법의 특성에 따른 전통적인 분류
분류 기법 개요
무감독 변화탐지
대수(algebra) 기반 기법
• 다시기 영상의 차분(differencing), 비율(ratio) 등의 수학적 모델을 통하여 변화지역을 추정 하는 방법
• 대표적 기법: 영상차분, 영상비율, 변화벡터 분석(Change Vector Analysis, CVA) 등
분광변환(spectral transformation)
기반 기법
• 다시기 영상의 분광변환을 통하여 영상 내 특정 패턴정보를 추출하고, 이를 활용하여 변화탐지를 수행하는 기법
• 대표적 기법: PCA(Principal Component Analysis) 기반의 변화탐지 기법, MAD(Multivariate Alteration Detection) 기반의 기법 등
감독 변화탐지
분류 (classification)
기반의 기법
• 영상분류 기법을 다시기 영상에 적용하여, 변화유무 및 변화양상을 확인하기 위한 기법
• 대표적 기법: 무감독분류/감독분류 결과의 비교를 통한 변화탐지 추출, 기계학습(machine learning) 기반의 기법
기계학습 및 AI 기반의 기법
• 기계학습 및 딥러닝(deep learning) 등의 기법으로 사용자가 정의한 학습자료의 학습을 통한 변화유무 혹은 변화양상을 추정할 수 있는 모델을 생성하는 기법
• 대표적 기법: CNN(Convolutional Neural Network) 기반의 기법
발되고 있는 최신의 변화탐지 기법들은 기법의 특성에 따른 범주구분이 모호해지는 추세 라고 볼 수 있다.
한편, 국토모니터링을 위한 변화탐지 기법들은 적용단위에 따라서 화소(pixel) 기반의 기법과 객체(object) 기반의 기법으로 구분할 수 있다. 화소 기반의 기법은 국토모니터링 을 위한 변화탐지 기법을 적용했을 때 영상의 최소단위인 화소에 적용하는 방법으로, 중 저해상도 영상에 효과적으로 적용할 수 있다. 그러나 고해상도 위성영상에 적용할 경우 에는 고해상도 영상의 위치정확도와 기하학적 특성의 영향을 받을 수 있는 단점을 지닌 다. 이러한 문제를 해결하기 위하여 분할(segmentation) 방법을 이용하여 동일한 물체를 나타내는 화소들을 하나의 객체로 표현하고, 해당 객체 단위를 기준으로 변화탐지를 수 행하는 객체 기반의 기법이 제안되어 활용되었다. 그러나, 객체 기반의 기법은 영상 분할 기법의 성능에 따라서 변화탐지 결과의 품질이 결정되기 때문에 분할 기법에 사용되는 최적의 변수를 선정해야만 한다.
국토모니터링을 위한 변화탐지 기법에서 양질의 결과물을 취득하려면 기법의 성능과 더 불어 안정성을 고려해야 하며, 다음과 같이 정리할 수 있다.
1. 다시기 위성영상의 위치정확도
원격탐사 자료의 변화탐지 기법에 관한 연구사례에서는 정사보정(geometrical rectification) 과정을 거친 정사영상을 입력자료로 활용하고 있으며, 기하보정과정 을 거쳐 다시기 위성영상 내의 동일 위치 화소는 동일 좌표를 나타냄을 가정하고 있 다(Hester et al. 2010). 이 때문에 영상의 기하보정 과정이 제대로 수행되지 않은 위 성영상은 고품질의 변화탐지 결과를 보장할 수 없다. 따라서 국토모니터링을 위하 여 자동화된 변화탐지 기법을 적용하고자 할 때는 입력자료로 활용되는 다시기 위 성영상의 위치정확도가 보장되어야 한다. 또한, 영상 내에 존재하는 기복변위(relief displacement) 등으로 동일 위치에 존재하는 객체가 다시기 영상 내에서 다른 좌표를 가질 때에는 해당 객체들이 변화지역으로 오탐지될 수 있으므로, 변화탐지 및 국토모 니터링 기법을 적용하기 전에 다시기 위성영상의 위치정확도를 반드시 검토해야 한다.
다시기 위성영상 간의 위치정확도가 변화탐지 결과에 미치는 영향은 고해상도 위성영 상을 사용하는 경우에 더욱 증대될 수 있지만, 대부분의 연구사례에서 다시기 위성영 상 간의 상대 위치정확도가 변화탐지 결과에 미치는 영향은 정량화되지 않았다. 때문 에, 위성영상의 특성 및 관심지역의 토지피복 분포 등에 따라 위치정확도가 변화탐지 결과에 미치는 영향은 상이할 수 있다.
국토모니터링을
위한 위성영상
활용의 고려사항
제467호 2020 September
2. 다시기 위성영상의 기하특성에 따른 영향
다시기 위성영상의 기하특성은 고해상도 위성영상을 이용하여 변화탐지를 수행하는 경 우에 반드시 고려해야 하는 요소이다. 기하보정 및 정사보정 과정을 거친 정사영상일지 라도 건물의 기복변위가 완벽하게 제거된 영상을 취득하는 것은 현실적으로 불가능하다.
위성영상 취득 시 촬영각 등의 영향으로 <그림 1>과 같이 변화하지 않은 동일 건물들이 서로 다른 형태로 표현될 수 있다. 이로 인하여 발생되는 그림자로 그림자 내 지역의 변 화유무를 판단하기 어려운 경우도 발생한다. 효과적인 국토모니터링을 위해서는 가급적 건물의 기복변위가 존재하지 않는 정사영상을 활용하여 분석을 수행하여야 하지만, 제거 되지 않은 건물의 기복변위가 포함된 객체들을 미변화지역으로 구분할 수 있는 변화탐지 기법을 마련하는 것이 필요하다. 또한, 그림자지역 등에 대해서 어떠한 규칙을 가지고 국 토모니터링을 수행할 것인지에 대한 정의도 필요하다. 예를 들어, 감독 변화탐지 기법들 을 활용하여 토지피복을 분류한 후에 변화유무를 분석할 때에는 그림자와 같은 현상들을 분류항목에 포함시킬지에 대한 고려가 필요할 것이다.
3. 다시기 위성영상의 촬영시기에 따른 영향
일반적으로 변화탐지를 수행하기 위해서는 다시기 영상 간의 전역적인 분광특성을 정량 화시키기 위한 상대방사정규화(relative radiometric normalization) 과정을 수행하여야 한다(한동엽 외 2017). 이를 통하여 미변화지역 내 동일 위치의 화솟값이 동일한 특성을 가지도록 조정한 후에 변화탐지 기법을 적용한다. 그러나 <그림 2>와 같이, 계절이 다른 시기의 위성영상들을 활용하여 변화탐지를 수행하는 경우에는 농업지역, 초지, 산림지역
<그림 1> 다시기 위성영상의 기하특성 차이에 따른 건물의 기복변위 발생 및 그림자 존재의 예 (다목적 실용위성 2호)
차이가 큰 지역들이 존재할 수 있다. 이러한 지역들을 환경적인 변화가 일어난 지역으로 정의할 경우에는 계절적 차이가 변화탐지에 영향을 미치지 않을 수 있다. 그러나 도심지 내의 인공구조물 등에 의한 변화만을 모니터링하고자 할 때는 해당 지역들이 변화지역으 로 오탐지될 수 있다. 따라서 가장 유사한 계절에 취득된 다시기 위성영상을 취득하는 것 이 이상적인데, 이러한 조건을 만족하지 못한다면 식생지역 등을 제거하는 후처리 과정 을 추가하거나, 식생지역을 추가로 제거할 수 있는 변화탐지 기법을 적용하는 것이 필요 하다.
위성영상을 이용하여 국토모니터링을 수행하기 위해서는 앞서 언급한 위성영상 활용의 고려사항과 더불어 국토모니터링의 목적을 명확히 수립하고, 이에 맞는 적절한 특성을 가지는 위성센서를 선정해야 한다. 현재 국내에서 운용 중인 다목적 실용위성 3, 3A호 를 비롯한 다양한 위성센서로 위성영상을 취득할 수 있지만, SAR(Synthetic Aperture Radar) 및 기상관측위성 등을 제외한 광학 위성센서로 국한하여 국토모니터링을 위한 국내 · 외 대표적인 위성센서를 정리하고자 하였다. 또한, RapidEye 위성센서 등과 같이 현재 운용이 중단된 센서들도 고려하지 않았으며, 이에 따른 국내 · 외 대표적인 위성들 은 <표 2>와 같다.
효과적인 국토모니터링을 위해서는 무엇보다도 짧은 재방문주기를 가진 위성센서들을 활용하는 것이 중요하다. 국내의 경우, 장마 등의 계절적인 특성으로 영상 내 구름의 비 율이 높아 사용이 불가능한 영상들도 많으므로, 재방문주기가 짧은 위성센서를 통하여 가급적 많은 영상을 취득하는 것이 국토모니터링에 도움이 된다. 또한, 재방문주기가 짧 은 위성센서들을 활용하면 다시기 영상 간의 계절적인 영향이 최소화된 영상 획득이 용 이해진다. 따라서 PlanetScope 및 Skysat과 같은 매우 짧은 재방문주기를 가진 위성센 서들이 국토모니터링에 특화되어 있다고 할 수 있으며, 국내에서 발사 예정인 국토전용
<그림 2> 여름과 겨울에 취득한 위성영상 내 농경지의 분광 특성 차이의 예(다목적 실용위성 2호 및 3호)
국토모니터링을
위한 국내·외
위성영상 현황
제467호 2020 September
관측위성과 농림위성도 높은 활용성을 가지도록 계획되었다고 볼 수 있다.
건물 및 인공구조물 등과 같은 객체 단위의 분석을 수행하기 위해서는 고해상도의 공 간해상도를 가진 것이 유리하다. 따라서 현재의 시점에서 2대의 위성센서로 운용되는 국 토전용관측위성은 국내 · 외 위성영상들과 비교하여 국토모니터링에 큰 장점을 가진다.
다만, 높은 공간해상도로 인하여 발생할 수 있는 기하특성의 영향을 최소화할 수 있는 기 법의 개발이 요구된다. 1m 내외의 공간해상도를 가지는 고해상도 위성영상은 앞서 언급 한 바와 같이 국토모니터링 관점에서 고려하지 않아야 하는 소규모 객체의 변화들(다시 기 영상 내 그림자의 차이, 차량 등의 위치 차이 등)까지 영상 내에 존재하기 때문에, 국 토모니터링을 위해서는 이 같은 소규모 객체들에 대한 탐지 여부를 명확히 정의해야 한 다. 국토모니터링에 효과적으로 적용할 수 있는 위성의 운영방안과 정사영상을 제작할 수 있는 전처리 기법의 확보도 요구된다.
앞서 언급한 바와 같이, 위성영상을 활용하여 국토모니터링을 수행할 경우에는 다시기 위성영상의 위치정확도와 더불어, 기하특성과 계절적 영향을 최소화할 수 있는 방안을 고려해야 한다. 이를 위하여 최근에 운용되거나 발사된 위성센서들은 짧은 재방문주기를 바탕으로 계절적 영향을 최소화시킬 수 있으며, 기복변위의 영향이 적은 단위영상들을 획득할 수 있도록 계획되어 있다. 이로써 국토모니터링이 다양한 분야에 현실적으로 적 용될 수 있을 것으로 판단된다. 국토모니터링을 위한 대표적인 적용 방안 및 발전 방향들
<표 2> 국토모니터링에 활용할 수 있는 대표적 광학위성 현황
분류 위성명 공간해상도 밴드수 재방문주기 촬영폭
현재 운용 중
Landsat 8호 15m(PAN) 30m(MS)
11밴드
(VNIR, SWIR, TIR) 15일 185km
Sentinel-2A, 2B호 10m~60m(MS) 13밴드
(VNIR, SWIR) 10일 290km
PlanetScope 3m(MS) R, G, B, NIR 약 1일
Skysat 0.8m(MS) PAN, R, G, B, NIR 약 1일
다목적 실용위성 3호 0.7m(PAN)
2.8m(MS) PAN, R, G, B, NIR 28일 16km
다목적 실용위성 3A호 0.55m(PAN)
2.2m(MS) PAN, R, G, B, NIR 28일 13km
발사 예정
차세대 중형위성 1, 2호 (국토전용관측위성)
0.5m(PAN)
2m(MS) PAN, R, G, B, NIR 4.6일 12km 이상
차세대 중형위성 4호
(농림위성) 5m(MS) R, G, B,
red-edge, NIR 3일 120km
국토모니터링의
발전 방향
1. 도시, 환경변화 모니터링
국토모니터링을 활용하는 대표적인 분야로는 도심지의 개발양상 분석이나 불법구조물의 탐지와 같은 도시모니터링, 산림 및 농경지 등의 환경모니터링 등이 있다. 해당 분야들 은 예전부터 위성영상을 활용하고 있는 분야이다. 그러나 앞서 언급한 위성영상의 위치 정확도, 기하특성 및 계절적인 영향 등으로 자동화된 변화탐지를 산업 및 공공분야에서 활용하지 못하고 있는 것도 사실이다. 짧은 재방문주기를 가지는 다양한 국내외 센서로 다량의 위성영상을 취득하여 기존 변화탐지 기법의 기술적인 제약을 극복한다면, 현업 에서 위성영상을 통한 국토모니터링 기법들을 보다 활발하게 사용할 수 있을 것으로 기 대한다.
2. 공간정보 제작 지원
국토모니터링을 위한 변화탐지 기법의 적용결과는 기구축된 수치지형도 및 각종 주제도 의 갱신을 위한 기초자료로 활용할 수 있다. 국토모니터링에 사용된 위성영상을 직접 활 용하여 공간정보의 수정 · 갱신을 수행할 수도 있을 것으로 기대된다. 예를 들어, 기존의 항공사진측량을 이용하여 수정 · 갱신되는 공간정보 가운데 일부는 국토정보위성의 변화 탐지 결과를 활용할 수 있을 것이다. 또한, 접근불능지역, 극지역의 공간정보 구축, 수치 지형도 및 공간정보의 갱신 등 국토교통부를 중심으로 한 국토모니터링을 활용한 다양한 정책 분야에 효과적으로 지원할 수 있을 것이다. 특히 <그림 3>과 같이, 공간정보의 수 정 · 갱신을 위한 업무 우선지역을 선정하는 데 지원할 수 있는 자료로서의 역할을 할 수
<그림 3> 국토모니터링 기법을 이용한 업무 우선지역 선정의 예
변화 전 위성영상
변화 후 위성영상
변화탐지 적용 결과
수치지형도 갱신 등에의 활용
영상지도 및 수치지형도 생성/갱신을 위한 항공촬영 업무 우선지역 선정 및 지원 변화 발생
추정 지역 제공 변화탐지
기법의 적용
제467호 2020 September
있을 것이다. 위성영상으로 취득한 변화지역의 정보들은 항공사진측량 우선지역을 결정 하기 위한 정보로 활용될 수 있을 것이며, 준실시간으로 공간정보 갱신지역 및 절차를 계 획하는 데 정책적인 바탕이 될 수 있을 것이다.
3. 재난 및 재해대응 지원
재난 및 재해 발생지역에 대한 피해규모 및 피해양상에 대한 분석은 도시, 환경변화 모니 터링에 사용되는 변화탐지 방법론을 적용하여 활용할 수 있는 대표적인 분야이다. 재난 지역은 접근이 어려운 경우가 많으므로 위성영상은 피해지역 확인과 함께 피해규모를 추 정하고 대응지원을 위한 정책 수립에 큰 장점을 가진다. <그림 4>는 2019년 강원도 옥계 지역 산불 발생 전후로 취득된 다목적 실용위성 3A호 영상을 활용하여 PCA 기반의 무감 독 변화탐지 기법을 적용한 사례이다. 해당 사진에서 확인할 수 있는 것과 같이, 산불 발 생에 따른 변화지역을 시각적으로 빠르게 파악할 수 있고, 발생지역의 규모를 쉽게 정량 화할 수 있다. 다만, 재난 및 재해 종류별로 피해지역을 추정할 수 있는 방법론 및 피해지 역의 정의는 상이할 수 있기 때문에 이에 대한 명확한 정의가 필요하다.
4. AI 기술을 이용한 변화탐지 기술의 고도화
딥러닝 기반의 CNN 모델을 통한 변화탐지 기법들은 기존에 제안된 변화탐지 기법들과 비교하여 우수한 성능이라는 것이 다양한 연구를 통하여 검증되고 있는 추세이다(Shi et al. 2020). <그림 5>는 무감독 변화탐지를 수행하기 위한 일반적인 딥러닝 모델생성 과 정을 나타낸 예이다. 딥러닝 모델을 생성하기 위해서는, 모델학습을 위한 훈련자료를 구
<그림 4> 2019년 강원도 옥계지역에 발생한 산불 피해지역 분석 사례
주: 2019년 3월 8일, 4월 12일에 촬영한 다목적 실용위성 3A호 영상에 무감독 변화탐지 기법을 적용하여 분석한 결과임.
자료 영상을 생성한 후, 이를 기반으로 변화탐지를 위한 모델, 손실함수, 변수들을 선정 하고, 생성된 훈련자료를 통하여 모델을 학습한다. 딥러닝 모델의 성능 및 학습 시 최적 의 변수를 선정하는 것도 중요하지만, 양질의 훈련자료를 선정하는 것이 가장 중요하다.
딥러닝 모델은 생성된 훈련자료들의 특성에 최적화된 형태로 학습이 이루어지기 때문에, 국토모니터링의 대상이 되는 목적에 따라서 효과적으로 훈련자료를 구성한다면, 훈련자 료로 해석할 수 있는 특성에 대해서는 고품질의 변화탐지 결과물을 얻을 수 있다. 따라 서, 다시기 영상 간의 기하특성 및 계절적 영향에 따른 영향을 딥러닝 모델에 반영할 수 있을 것이다. 이를 위하여 국토모니터링의 대상, 활용 분야에 적합한 훈련자료의 라이브 러리를 구축하는 것이 변화탐지 기술의 고도화를 위하여 선행되어야 할 조건이며, 국외 에서는 이를 위한 다양한 데이터셋을 만들기 위한 연구에 많은 투자가 이루어지고 있다.
특히, 다시기 영상뿐만 아니라 DEM, 점군자료 등을 포함한 다양한 공간정보를 포함한 데이터셋을 구축하고, 이를 활용하여 국토모니터링을 위한 AI 기술개발 연구를 중점적 으로 수행하고 있다(Shi et al. 2020). 국내의 경우에도 국토모니터링을 수행하고자 하는 기관들이 훈련자료를 구축하여 공유하고, 이를 기반으로 기술개발을 수행하는 단계를 밟 아 나가는 과정이 필요하다고 본다.
5. 다양한 위성센서의 융복합을 통한 주기해상도 제약의 극복
국내 · 외에서 활용할 수 있는 짧은 재방문주기를 가지는 위성영상들이 제공될 예정이지 만, 사용자가 원하는 시기의 위성영상을 취득하는 것에는 아직도 많은 제약요소들이 존 재한다. 드론, 항공사진 등의 다종센서들을 이용하여 위성영상 취득의 한계와 주기해상 도 제약의 문제를 제거할 수 있을 것이다. 이를 위해 이종센서를 포함한 다양한 영상들을
<그림 5> 변화탐지 및 국토모니터링을 위한 딥러닝 모델생성에 대한 일반적인 과정의 예
훈련자료의 구축 딥러닝 모델생성
학습된 딥러닝 모델 모델 선정
학습을 위한 손실함수 및 변수 선정
훈련자료를 이용한 학습 변화 전 위성영상
변화 후 위성영상
참조자료
변화탐지 결과
국토모니터링을 위한 다시기 위성영상
제467호 2020 September
융복합하여 처리할 수 있는 국토모니터링 기술개발과, 이를 위한 전처리 기법에 대한 연 구들이 필요할 것으로 판단된다.
전통적인 변화탐지 기법들을 이용한 국토모니터링 기술들은 위성영상 취득의 어려움과 기술적용에서의 여러 고려사항들로 인하여 다양한 분야에 활용되는 것이 어려운 현실 이었다. 그러나 최근 들어 짧은 재방문주기를 가지는 위성 및 다수의 초소형 위성들을 발사하여 이러한 제약들을 해소해나가고 있기 때문에, 다시기 위성영상을 활용한 국토 모니터링을 수행할 수 있는 기반은 마련되고 있다고 판단된다. 따라서 변화탐지 기법 을 고도화하기 위한 기반자료를 지속적으로 구축하여, 기술발전에 대응해나갈 준비를 해야 할 것이다. 특히, 국토모니터링을 효과적으로 수행하기 위해서는 세부 활용 분야 에 적합한 영상의 특성과 변화탐지 대상의 정의가 선행되어야 하므로, 국토모니터링의 세부 분야별 모니터링 대상의 정의와 학습자료의 선제적인 구축이 필요한 시점이라고 사료된다.
이석민, 유호선, 김미영. 2011. 국토모니터링 자료취득 및 공동활용 개선을 위한 요구도 분석. 서울도시연구 제12권, 제3호:
185-201.
한동엽, 송정헌, 변영기. 2017. 상대 방사 정규화를 이용한 다시기 적외 위성영상의 변화탐지. 대한원격탐사학회지 제33권, 제6호: 1179-1185.
Hester, D. B., Nelson, S. A. C., Cakir, H .I., Khorram, S., and Cheshire, H. 2010. High-resolution land cover change detection based on fuzzy uncertainty analysis anad change reasoning. International Journal of Remote Sensing 31, no.2: 455-475.
Lu, D., Li, G., and Moran, E. 2014. Current situation and needs of change detection techniques. International Journal of Image Data Fusion 5, no.1: 13-38.
Lu, D., Mausel, P. Brondizio, E., and Moran, E. 2003. Change detection techniques. International Journal of Remote Senisng 25, no.12: 2365-2407.
Shi, W., Zhang, M., Zhang, R., Chen, S., and Zhan, Z. 2020. Change detection based on artificial intelligence: State- of-the-art and challenges. Remote Sensing 12, no.10: 1688.
참고문헌
