Impervious Surface Estimation of Jungnangcheon Basin Using Satellite Remote Sensing and Classification and Regression Tree

大 韓 土 木 學 會 論 文 集 第28卷 第6D 號·2008年 11月 pp. 915~922

測量 및 地形空間情報工學

위성원격탐사와 분류 및 회귀트리를 이용한 중랑천 유역의 불투수층 추정

Impervious Surface Estimation of Jungnangcheon Basin Using Satellite Remote Sensing and Classification and Regression Tree

김수영*·허준행**·허준***·김성훈****

Kim, Sooyoung·Heo, Jun-Haeng·Heo, Joon·Kim, SungHoon

···

Abstract

Impervious surface is an important index for the estimation of urbanization and the assessment of environmental change. In addition, impervious surface influences on short-term rainfall-runoff model during rainy season in hydrology. Recently, the necessity of impervious surface estimation is increased because the effect of impervious surface is increased by rapid urban- ization. In this study, impervious surface estimation is performed by using remote sensing image such as Landsat-7 ETM+

image with 30m×30m spatial resolution and satellite image with 1m×1m spatial resolution based on Jungnangcheon basin. A tasseled cap transformation and NDVI(normalized difference vegetation index) transformation are applied to Landsat-7 ETM+

image to collect various predict variables. Moreover, the training data sets are collected by overlaying between Landsat-7 ETM+ image and satellite image, and CART(classification and regression tree) is applied to the training data sets. As a result, impervious surface prediction model is consisted and the impervious surface map is generated for Jungnangcheon basin.

Keywords :impervious surface estimation, remote sensing image, classification and regression tree

···

요 지

불투수층은 자연적인 침투를 허용하지 않는 인위적인 토지피복상태로, 도시화율을 추정하거나 도시의 환경변화 정도를 분 석하기 위한 척도로 사용되어 왔다. 수문학적인 관점에서 불투수층은 단기 유출현상에 큰 영향을 끼치는 요소로 급속한 도 시화로 인해 불투수층의 영향이 더욱 커짐에 따라 불투수층의 추정에 대한 필요성이 증가하고 있다. 따라서 본 연구에서는 불투수층을 추정하기 위해 중랑천 유역을 대상지역으로 선정하고, 30m×30m 공간해상도의 Landsat-7 ETM+ 영상과

1m×1m

의 고해상도 위성영상을 구축하였으며 tasselled cap 변환과 식생지수(NDVI) 변환을 수행하여 다양한 예측변수를 고

려하였다. 수집된 학습자료에 분류 및 회귀트리를 적용하여 불투수층 추정모델을 구성하였고, 이를 지도화하여 중랑천 유역 의 불투수층을 나타냈다.

핵심용어

:

불투수층의 추정, 원격탐사영상, 분류 및 회귀트리

···

1.

서 론

일반적으로 불투수층은 아스팔트, 콘크리트 등과 같은 포 장재를 위주로 건축물, 도로, 교량, 주차장 등과 같이 자연 적인 침투를 허용하지 않는 인위적인 구조로 이루어진 토지 피복 상태를 말한다(Vikhamar and Kastdalen, 2005). 불투 수층은 도시화율을 추정하거나 도시의 환경변화 정도를 분 석하기 위한 척도로 사용되어 왔다. 또한 수문학적인 관점에 서 불투수층은 단기 유출현상에 큰 영향을 끼치는 요소로 불투수층이 증가할수록 침투량이 감소하여 첨두유출량은 증

가하고 도달시간은 짧아지는 것이 일반적인 현상이다. 최근 에는 급속한 도시화 및 산업화 등으로 인해 불투수층의 영 향이 더욱 커짐에 따라 불투수층 추정의 중요성이 점차 커 지고 있으며 보다 정확한 불투수층 추정을 위한 연구도 활 발히 진행 중이다. 이 중에서도 thematic mapper(TM) 영상 이나 IKONOS, DOQQ 등과 같은 고해상도 위성영상, 항공 사진 등과 같은 원격탐사영상(remote sensing image)를 이 용하여 불투수층을 추정하는 방법에 대한 연구가 전세계적 으로 활발히 이루어지고 있다.

Huang

등(2001)은 Landsat-7 ETM+ 영상과 DOQQ 영

*정회원·연세대학교사회환경시스템공학부박사과정 (E-mail : [email protected])

**정회원·교신저자·연세대학교 사회환경시스템공학부 교수 (E-mail : [email protected])

***정회원·연세대학교사회환경시스템공학부부교수 (E-mail : [email protected])

****연세대학교 사회환경시스템공학부 석사과정 (E-mail : [email protected])

상에 분류 및 회귀트리를 적용하여 나무의 임관 밀도 추 정에 사용한 바 있으며, Herold 등(2003)은 비교적 간단 하게 사용할 수 있는 분류 및 회귀트리(classification and

regression tree)

를 Landsat-7 ETM+(enhanced thematic

mapper plus)

영상에 적용하여 불투수층과 식생층을 추정하였

다. Huang and Townshend(2003)는 Landsat-7 ETM+와

NDVI

에 전방 분류 및 회귀트리와 후방 분류 및 회귀트리 를 분리 및 적용하여 다양한 토지피복 상태의 추정에 대한 적용성을 알아보기도 하였다. 또한 Yang 등(2003)은

Landsat-7 ETM+

영상과 고해상도 위성영상에 분류 및 회

귀트리를 적용하여 불투수층을 추정하였으며, Vikhamar

and Kastdalen(2005)

도 분류 및 회귀트리를 Landsat-7

ETM+

영상과 항공사진에 적용하여 불투수층을 추정한 바

있다.

이 외에도 다양한 분류기법들이 원격탐사영상에 적용되었 는데, Wu and Murray(2003)와 Lu and Weng(2006)은 분 광혼합기법(spectral mixture analysis)을 Landsat-7 ETM+

영상과 DOQQ 영상에 적용하여 불투수층을 분석하였다. 또 한 Hodgson 등(2003)은 최대우도법에 의한 분류와 분광군 집화 기법, 룰-기반 분류과 같은 다양한 분류 방법을 이용하 여 불투수층을 추정하였고, Hurd and Civeo(2004)는

ERDAS Imagine Subpixel Classification(SPC)

를 이용하여

불투수층을 추정하였다. Lee(2006)는 퍼지 C-평균 군집화 기법(fuzzy C-means clustering)을 이용하여 불투수층을 추 정하였으며, Yang and Liu(2005)는 다중회귀분석을 이용하 여 불투수층을 추정하기도 하였다.

국내에서는 사공호상(2003)은 IKONOS 영상을 이용하여 토지피복분류 과정을 통해 안양시의 불투수 지표면을 추정 하였고, 조홍래와 정종철(2005)은 분광혼합기법을 1988,

1994, 2001

년의 Landsat 영상에 적용하여 탄천 유역의 불수

투 지표면의 비율을 평가한 바 있다. 또한 김성훈 등(2007) 은 Landsat-7 ETM+ 영상과 회귀트리기법(tree regression

algorithm)

을 이용하여 안성지역의 불투수 지역을 추정하였다.

본 연구에서는 분류 및 회귀트리를 원격탐사영상에 적용하 여 불수투층의 추정을 위한 예측모델을 개발하고자 한다. 이 를 위해 다양한 피복상태를 고려할 수 있는 도시하천인 중 랑천 유역을 대상지역으로 선정하고, 중랑천 유역을 포함하 는 Landsat-7 ETM+ 영상과 고해상도 위성영상을 수집하였 다. 또한 식생지수(Normalized Difference Vegetation Index,

NDVI)

변환, tasselled cap 변환 등을 수행하여 다양한 예

측변수를 생성하여 불투수층 추정의 변수를 다양화하였고, 토지피복상태를 고려하여 학습자료를 수집하였다. 또한 수집 된 입력변수에 분류 및 회귀트리를 적용하여 불투수층의 추 정을 위한 모델을 구성하였고, 이를 이용하여 중랑천 유역의 불수투층을 지도화하였다.

2.

분류 및 회귀 트리

(Classification and regres- sion tree)

2.1

기본이론

분류 및 회귀트리는 지속적인 종속변수 및 범주적 종속변 수를 분류하여 개별적으로 반복되는 비선형 함수를 추정하

는 방법으로 이진반복 배분과정(binary recursive partition-

ing process)

을 통해 비선형 회귀분석을 수행한다(Breiman

등, 1984). 여기서 이진반복 배분과정이란, 부모노드에서 조 건에 따라 두 개의 자식노드로 이분류(binary splits)되는 과 정을 나무구조에 기초하여 반복 수행하는 것을 뜻한다. 분류 및 회귀트리는 의사결정 구조가 명확하고, 회귀함수가 비교 적 적은 수의 변수를 사용하기 때문에 상대적으로 간단한 계산과정을 거치므로 비교적 쉽게 이용할 수 있어 원격탐사 영상의 분석에 다방면으로 사용되고 있다.

Fig. 1

은 이와 같은 분류 및 회귀트리의 개념을 설명해

주는 그림으로, 주어진 표본자료를 특정 분할기준에 따라 분 류하여 최종 모델을 구성하는 과정을 나타낸다. 우선 표본자 료에 대해 비교적 간단한 나무 구조의 생성과정을 Fig. 1을 통해 살펴보면, 주어진 표본자료 X, Y는 첫 번째 분류기준

Y>3(

①)의 만족여부에 따라 두 개의 자식노드(②, ③)로 분류 되며, 이 중 두 번째 분류기준 X>4(②)의 만족여부에 따라 한 개의 자식노드(④)와 최종 모델 3이 결정된다. 마찬가지 로 세 번째 분류기준 X<4(③)의 만족여부에 따라 한 개의 자식노드(⑤)와 최종 모델 4가 결정되고, 네 번째 분류기준

X<7(

④)의 만족여부에 따라 최종 모델 1과 2가 결정되며 다 섯 번째 분류기준 X>9(⑤)의 만족여부에 따라 최종 모델 5 와 6이 결정된다.

2.2

분류 및 회귀트리의 수행절차

Lewis(2000)

는 분류 및 회귀트리의 수행절차를 Fig. 2와

같은 4단계로 구분하여 설명한 바 있다. 첫 번째 단계에서 는 나무구조가 노드의 반복분할에 의해 생성되며(tree

building),

두 번째 단계에서는 생성되던 나무구조의 정지

(stopping the tree building)

가 발생하고, 세 번째 단계에서

는 나무구조의 가지치기(tree pruning)가 이루어지며, 네 번 째 단계에서는 가지치기된 구조를 기초로 최적 나무구조

(optimal tree)

를 선택하게 된다.

나무구조의 생성은 학습자료의 모든 정보가 포함된 뿌리노 드에서 시작되고, 분류 및 회귀트리는 시작 노드에서 자식노 드로의 분할을 위한 최적분할노드(splitter)를 찾아내게 된다.

분류 및 회귀트리는 최적변수를 찾아내기 위해 가능한 모든 분할변수와 변수 값을 고려하며, 두 자식노드의 평균 순수도

(purity)

를 최대화할 수 있는 분할변수를 최적분할변수로 선

택한다. 여기서 순수도의 측정방법은 분할기준(splitting

criteria)

또는 분할함수(splitting function)라 일컫는다. 나무

구조의 생성 과정에서 뿌리노드를 포함하는 모든 노드는 예

측된 결과 계층(class)에 배분되며, 이와 같은 노드의 분할과

Fig. 1. Basic concept of classification and regression tree

정은 각각의 자식노드에서도 분할이 불가능해질 때까지 동 일하게 반복된다. 이때 예측계층으로의 배분 과정은 Eq. (1) 을 기준으로 이루어진다(Lewis, 2000).

(1)

여기서 C(j|i)는 계층 i를 계층 j로 분류하는데 따르는 결정 대가(decision cost)이고, π(i)는 계층 i에 대해 가정된 초기 확률이며, N

i

는 자료 중 계층 i의 수, N

i(t)

는 노드 t에서 계 층 i의 수를 나타낸다. 모든 계층 j가 Eq. (1)을 만족하는 경우 노드는 계층 i에 속하게 되며, 나무구조에서 기대되는 최소 평균 결정 대가를 산출하게 된다.

나무구조의 정지 과정은 다음과 같은 조건에서 이루어진다

(Lewis, 2000).

(1)

각 자식노드에 단 한 개의 관측자료만 존재할 때

(2)

각 자식노드의 모든 관측자료가 예측 변수와 동일한

분포를 가질 때

(3)

사용자에 의해 외부로부터 최대 나무구조의 범위가 주 어질 때

일반적으로 나무구조의 정지 단계에서 발생하는 최대 나무 구조는 학습자료에 대해 높은 정확도를 보이는데, 이는 학습 자료 내에 포함되어 있는 특이점과 이상치를 모두 반영하기 때문이며 일반적으로 과대적합 된 상태이다.

나무구조의 단순화는 최적으로 적합된 최종 나무구조를 결 정하기 위한 것으로 대가복잡도(cost complexity)를 이용한 가지치기(pruning)를 이용하여 수행된다. 대가복잡도를 이용 한 가지치기는 α라는 복잡도 변수를 사용한다. α는 가지치 기가 진행되는 동안 점차 증가하는 값으로 좀 더 정확한 분 할을 수행하기 위한 척도로 이용되고 있다. α를 이용한 가 지치기는 마지막 단계에서 잘못 예측된 분류의 대가에 대한 결과 변화가 나무구조의 복잡도 변화의 α배에 해당하는 값 보다 작으면 자식노드를 가지치기하는 방법으로 진행되며, α 가 증가할수록 더욱 많은 노드가 가지치기되고 나무구조는 더욱 단순화 된다. 결과적으로 최적 나무구조의 선택은 학습 자료의 정보를 잘 반영하면서도 과대추정 되지 않는 나무구 조를 선택할 수 있는 복잡도 변수 α를 찾는 것이라고 할 수 있다. 일반적으로 정확한 복잡도 변수를 찾기 위해서는 독립적인 자료군이 필요하나, 교차확인분석을 통해 독립적인 자료군을 따로 수집하지 않고 분석할 수도 있다.

Fig. 3

은 최적적합을 찾아내는 과정을 나타내는 그림으로

최종 노드의 수를 나타내는 복잡도와 독립적인 자료군(test

data)

및 학습자료(learning data)에 대한 결정대가의 관계를

도시하고 있다(Lewis, 2000). Fig. 3을 살펴보면 최종 노드 의 수(복잡도)가 증가할수록 학습자료에 대한 결정대가는 감 소하는 것을 알 수 있는데 이는 최대 나무구조가 학습자료 에 대해 최고로 적합된 구조임을 뜻한다. 이에 반해 독립적 인 자료에 대한 기대대가는 최소값에 도달한 이후에는 복잡 도가 증가할수록 증가하는 것으로 나타나는 것을 알 수 있 으며, 이를 통해 최대 나무구조가 새롭게 생성된 독립적인 자료에 대해서는 과대추정된 것임을 알 수 있다. 따라서 두 자료군에 대한 결정대가의 비교를 통해 최적 나무구조를 선 택하는 것이 가능하게 된다.

2.3

교차확인분석

(Cross validation)

교차확인분석은 모형 구성을 위한 과정의 타당성을 검증하 기 위해 고안된 방식으로 새로운 자료나 독립적인 자료군을 획득할 수 없을 경우에 사용이 가능하며, 교차확인분석의 기 본 개념은 Fig. 4와 같다(Lewis, 2000). 교차확인분석은 필 요한 결과 변수에 대해 학습자료를 무작위로 N개의 부분집 합으로 분할하여, 분할된 부분집합 중 한 개의 부분집합은 독립적인 시험자료로 사용하고, 나머지 N-1개의 부분집합을 모형구성 과정에서 이용되는 학습자료로 사용한다. 이와 같 은 과정은 모든 모형구성 과정에서 총 번 반복되며 각 경우 에서 각기 다른 부분집합이 시험자료로 선택된다. 교차확인 분석이 실시되면 최종적으로 개의 다른 모형이 구축되며, 이 들 개의 정확도를 평균한 값이 본 모형의 가장 좋은 정확도 가 된다. 또한 교차확인분석이 분류 및 회귀트리에서 사용되 면, 모든 나무구조와 가지치기 과정은 N번 반복되고, 이는 독립적인 자료군에 대한 최상의 정확도를 가지는 복잡도를 추정할 수 있게 한다.

본 연구에서는 분류 및 회귀트리를 손쉽게 사용할 수 있 도록 개발된 Cubist라는 소프트웨어(http://rulequest.com/

cubist-info.html)

를 사용하였는데, Cubist는 기본 분류 및 회

귀트리 분석뿐만 아니라 N-번(folds) 교차확인분석 기능을 제 공하고 있다. 추정된 모델의 정확도의 측정은 Eq. (2)와 같 은 나무구조 T에 대한 평균오차 R에 의해 평가된다.

C j i

( )π i()N

i

( )

t C i j

( )π j()N

j

( )

t --- N_i

N_j ---

>

Fig. 2. Procedure of classification and regression tree

Fig. 3. Example of optimal tree selection (Lewis, 2000)

(2)

여기서 N은 나무구조의 생성에 사용되는 표본자료의 수, y

i

는 예측모델의 실제 값이고, 는 y

i

와 비교하게 되는 추정 값이다.

또한 생성된 나무구조의 정확도 비교를 위해 계산되는 상 대오차는 Eq. (3)과 같다.

(3)

여기서 R(µ)는 예측된 평균값으로부터 계산된 평균오차로 평 균오차를 표준화하는데 이용된다.

3.

불수투층의 추정

3.1

대상지역

본 연구에서는 중랑천 유역을 대상지역을 선정하여 불투 수층을 추정하였다. 중랑천은 서울 도심을 지나는 한강의 제 1지류로 중랑천 유역은 경기도 의정부시, 양주군 주내 면, 서울특별시 도봉구, 노원구, 강북구, 성북구, 중랑구, 광진구, 성동구, 종로구, 중구 등의 행정구역을 포함하고 있다(건설교통부, 2003). 중랑천 유역의 유역면적은

299.60km²,

유로연장은 37.17km, 유역평균폭은 8.06km이

고, 국가수자원관리 종합정보시스템에서 획득한 중랑천 유 역의 유역 현황 및 토지이용 현황을 나타내면 Figs. 5(a)

and 5(b)

와 같다. Fig. 5(b)에 나타난 중랑천 유역의 토지

이용상황을 통해서도 알 수 있듯이 중랑천은 서울특별시와 의정부시가 전체유역의 3/4 이상을 차지하고 있는 전형적 인 도시하천이다.

3.2

대상지역의 원격탐사영상 및 영상처리

불투수층 추정을 위해 대상지역인 중랑천 유역에 대해

Figs. 6(a) and 6(b)

와 같은 원격탐사영상을 수집하였다. 여

기서 수집된 원격탐사영상은 Landsat-7 ETM+ 영상과 고해 상도 위성영상으로 이중에서 Landsat-7 ETM+ 영상은

15m×15m

공간 해상도의 전정색 밴드(panchromatic band)

와 60m×60m 공간 해상도를 가지는 열적외선 밴드(thermal

infrared band)

에 의한 항공 방사보정(on-flight radiometric

calibration)

및 기하보정(geometric calibration)이 수행된 양 질의 영상을 일컫는다. Fig. 6(a)는 중랑천 유역을 포함하고 있는 Landsat-7 ETM+ 영상으로 2001년 9월 23일에 관측 된 영상이고, 공간 해상도는 30m×30m이며 좌표계는 UTM

R T

( ) 1

N---- y_i–yˆ_i

i=1

∑

N

=

yˆ_i

RE T

( ) R T ( )

R

( ) µ

---

=

Fig. 4. The concept of cross validation (Lewis, 2000)

Fig. 5. The basin and landuse of Jungnangcheon

Fig. 6. Remote sensing images collection of Jungnangcheon

좌표계(WGS84 타원체)를 사용하고 있다. Fig. 6(b)는 중랑 천 유역을 포함하고 있는 고해상도 위성영상으로 기하보정, 색상보정, 정사보정이 이루어진 영상이다. 또한 2002년 2월

~6

월 사이에 관측되었고, 공간 해상도는 1m×1m이며 좌표계 는 TM 좌표계(Bessel 타원체)를 사용하고 있다.

Fig. 6(a)

와 같이 나타난 Landsat-7 ETM+ 영상은 UTM

좌표계를 사용하고, Fig. 6(b)와 같이 나타난 고해상도위성영 상은 TM 좌표계를 사용함에 따라 두 영상을 중첩했을 때 서로 다른 좌표계로 인한 오차가 발생하게 되므로 이와 같 은 오차를 제거하기 위해 고해상도 위성영상의 좌표계를

WGS84

타원체 기반의 UTM 좌표계로 변환하였다.

또한 본 연구에서는 불투수층 추정 모델이 다양한 예측변 수를 고려할 수 있도록 식생지수 변환과 tasseled cap 변환 을 수행하였고, 그 결과는 Figs. 7(a) and 7(b)와 같다. 여 기서, 식생지수 변환은 Eq. (4)를 이용하여 추정되었고,

tasseled cap

변환은 Landsat-7 ETM+ 영상에 Table 1과

같은 위성반사율에 의해 결정된 계수(Huang 등, 2002)를 이 용하여 수행되었으며 Landsat-7 ETM+의 밴드 1, 2, 3, 4,

5, 7

에 대해 토양명도(brightness), 녹색식생(greenness), 토양 습도(wetness)를 적용하여 나타냈다. 이러한 tasseled cap 변환 결과 중 녹색식생, 토양습도는 주로 산림의 분류나 변 화탐지 등과 같은 식생에 관한 연구에 주로 사용되는 인자 이다.

(4)

여기서 NearIR은 Landsat-7 ETM+ 영상의 4번째 밴드이고,

Red

는 Landsat-7 ETM+ 영상의 3번째 밴드를 말한다.

3.3

불투수층 모델링

3.3.1

학습자료 수집

불투수층의 모델링은 학습자료(training data)를 수집하고, 수집된 학습자료에 분류 및 회귀트리를 적용하여 불투수층 추정 모델을 구축하고 이를 실제 자료에 적용하는 과정을 거쳐 수행되며 이를 나타내면 Fig. 8과 같다. Fig. 8의 절 차에 따르면, 우선 좌표계 변환이 이루어진 고해상도 위성영 상과 Landsat-7 ETM+ 영상을 중첩(overlay)하여 학습자료 를 수집해야 한다. 여기서 학습자료는 30m×30m 공간 해상 도의 Landsat-7 ETM+ 영상에 1m×1m 공간 해상도의 위성 영상을 중첩한 뒤, Landsat-7 ETM+ 영상의 1 픽셀(pixel) 의 면적과 고해상도 위성영상의 픽셀(900 pixels)내에 존재 하는 불투수층의 면적의 비율로 추정하여 수집하며, 이를 식 으로 나타내면 다음과 같다.

(5)

여기서 IM(%)는 불투수도(%)를 나타내고, Area of imper-

viousnessH

는 고해상도 위성영상 내에 존재하는 불투수층의 면적(m

²)

을 나타내며 지표의 포장상태를 고려하여 추정되며,

Area of 1 pixelL

은 Landsat-7 ETM+ 영상의 1픽셀(900m

²)

을 나타낸다.

수집된 학습자료에 대해 분류 및 회귀트리를 적용하여 모

델링을 실시하게 되며, 이때 분류 및 회귀트리의 적용 단계 에서 모델의 종속변수는 학습자료로 수집된 불투수도(%)이 고, 독립변수는 ETM+ 영상의 band 3(red, B3), band 4(near

NDVI NearIR Red–

NearIR Red+ ---

=

IM %

( )

Area of imperviousness_H Area of 1 pxiel_L

--- 100

×

=

Fig. 7. Image processing of Jungnangcheon for various prediction variables

Table 1. Tasselled cap coefficients (Huang 등, 2002)

Index Band 1 Band 2 Band 3 Band 4 Band 5 Band 7

Brightness 0.3561 0.3972 0.3904 0.6966 0.2286 0.1596

Greenness -0.3344 -0.3544 -0.4556 0.6966 -0.0242 -0.2630

Wetness 0.2626 0.2141 0.0926 0.0656 -0.7629 -0.5388

Fig. 8. Procedure of impervious surface estimation

IR, B4), band 5(mid IR, B5), band 7(mid IR, B7)

과

tasseled cap

변환 영상의 녹색식생(TC2)와 토양습도(TC3)

및 NDVI이다. 여기에서 Landsat-7 ETM+ 영상의 band 3 은 활성도가 큰 식생, band 4는 식생의 양에 따른 식생군,

band 5

는 물의 양에 따른 수역과 식생, 토양의 구분에 용

이하다고 판단되어 채택하였고, band 7은 열수변질(hydro-

thermal)

작용을 받은 지역을 구분하는데 유용하다고 판단

하여 독립변수로 선택하였다. 또한 식생지수와 함께 녹색식 생, 토양습도를 고려하여 불투수도 추정 시 식생 구별에 대 해 더욱 효과적인 변수를 찾아보기 위해 독립변수로 적용하 였다.

3.3.2

분류 및 회귀트리를 적용한 모델링

앞서 설명한 바와 같이 수집된 모든 학습자료에 분류 및 회귀트리를 적용한 결과는 Table 2와 같다. 이때 분류 및 회귀트리의 적용에 있어 독립변수들 간의 조합에 따라 8개 의 경우로 구분하여 적용하였고, 각각의 경우별 정확성을 측 정하기 위해 절대오차(AE), 상대오차(RE), 상관계수(r)를 계 산하여 정확도를 비교하였다. Table 2의 결과에 따르면 test

1

과 test 2의 상대오차와 상관계수가 각각 0.36, 0.92로 가 장 작은 상대오차와 가장 높은 상관관계를 보이는 것으로 나타난 데 반해, test 4의 경우는 각각 0.42와 0.88로 가장 큰 상대오차와 가장 낮은 상관관계를 보이는 것으로 나타났 다. 여기서 test 1, 2는 tasseled cap 변환 영상의 요소를 고려하였으나 test 4의 경우는 이를 고려하지 않은 것으로 불투수층의 추정에 tasseled cap 변환 영상의 녹색식생과 토 양습도의 영향이 큰 것을 알 수 있다. 가장 작은 상대오차 와 가장 높은 상관관계를 보이는 test 1, 2를 비교하면, test

2

의 절대오차는 9.2로 test 1의 절대오차보다 작은 것으로 나타났다.

또한 Table 2의 결과에서 절대오차, 상대오차, 상관계수 등이 동일하거나 비슷한 값을 보이는 변수조합 경우들의 정 확도를 구체적으로 비교하기 위해 10번의 교차확인분석을 수 행하였고, 그 결과는 Table 3과 같다. Table 3는 동일한 학 습자료를 10개의 독립적인 자료군으로 재분류하여 분류 및 회귀트리를 수행한 결과로 test 1, 2, 6의 평균적인 상관계 수는 0.86으로 가장 높은 상관관계를 보이지만, test 2의 평 균절대오차, 평균상대오차가 각각 11.6, 0.45로 가장 작은 것으로 나타났다. 또한 비슷한 평균절대오차, 평균상대오차 및 동일한 상관계수를 보이는 test 1과 test2의 경우에 대해 분산을 비교하면 test 1은 3.52, test 2는 2.76으로 test 2가

test 1

에 비해 주어진 표본에 대해 변동이 작은 것으로 분석

되었다. 따라서 test 2의 조건(Landsat-7 ETM+ 영상의

band 3, band 4, band 5, band 7

과 tasseled cap 변환 영 상의 녹색식생(TC2) 및 NDVI)이 불투수층의 추정에 가장 적합한 것으로 판단된다.

Test 2

의 조건에 대해 구축된 불투수층 추정모델을 적용하

여 추정된 중랑천 유역의 불투수층 결과는 Fig. 9와 같으며, 불투수도(%)가 높을수록 밝게 표현된다. Fig. 9의 불투수층 추정결과를 살펴보면, 고층건물이 밀집한 부분에 대해서는 상대적으로 불투수도(%)가 40~60%로 다소 낮은 것으로 나 타나고 있는데, 이는 건물의 그림자로 인해 나타나는 현상으 로 판단된다. 그러나 Fig. 5(b)의 토지이용현황과 비교하여 살펴보면 대체로 시가지로 나타나는 부분의 불투수도(%)는 약 80~90%로 다른 지역에 비해 상대적으로 높은 것으로 나타난 것을 확인할 수 있다. 이와 함께 고해상도 위성영상

Table 2. The accuracy of modeling for each test combined 7 independent variables

Test B3 B4 B5 B7 TC2 TC3 NDVI AE RE r

1

○ ○ ○ ○ ○ ○ ○

9.3 0.36 0.92

2

○ ○ ○ ○ ○ ○

9.2 0.36 0.92

3

○ ○ ○ ○ ○ ○

10.7 0.41 0.89

4

○ ○ ○ ○ ○

10.8 0.42 0.88

5

○ ○ ○ ○ ○ ○

10.0 0.39 0.91

6

○ ○ ○ ○ ○

10.0 0.39 0.91

7

○ ○ ○ ○ ○

11.3 0.44 0.87

8

○ ○ ○ ○

9.7 0.38 0.91

Table 3. The accuracy of 10-folds validation for each test combined 7 independent variables

Test Folds (Mean error)

AE RE r

1 2 3 4 5 6 7 8 9 10

1 9.1 9.9 10.7 12.5 12.8 14.3 9.4 12.7 14.1 11.8 11.7 0.46 0.86

2 10.1 10.1 12.0 9.7 12.0 11.5 13.5 14.9 11.6 10.2 11.6 0.45 0.86

3 13.0 9.3 9.5 11.5 12.2 15.3 16.3 15.8 16.4 15.0 13.4 0.52 0.78

4 10.4 11.2 12.9 16.0 8.7 15.5 18.0 14.6 16.9 9.9 13.4 0.52 0.80

5 14.0 8.4 8.7 9.5 13.9 11.3 10.4 20.1 11.5 18.5 12.6 0.49 0.83

6 13.8 12.0 10.9 11.1 10.8 11.8 13.5 12.0 13.0 11.6 12.1 0.47 0.86

7 13.7 12.8 19.5 16.2 14.8 12.7 12.9 12.1 12.4 15.9 14.3 0.56 0.75

8 13.0 13.4 16.2 14.4 9.8 12.8 17.1 14.8 12.9 14.1 13.9 0.54 0.80

과 Landsat-7 ETM+ 영상의 관측 시간 사이에 발생하는 시간차에 의한 오차가 모델에 영향을 주었을 것으로 판단되 며 이에 대한 보정은 향후 연구를 통해 해결해야 할 것으로 판단된다.

4.

결 론

본 연구에서는 불투수층의 추정을 위해 중랑천 유역을 대 상지역으로 선정하고, Landsat-7 ETM+ 영상과 고해상도 위 성영상을 포함하는 원격탐사영상을 구축하여 Landsat-7

ETM+

영상에 대한 tasseled cap 변환과 식생지수 변환을

통해 다양한 예측변수를 구성하고 학습자료를 수집하였다.

수집된 학습자료에 분류 및 회귀트리를 적용하여 지속적인 불투수층의 추정을 수행하였고, 불투수층 추정 모델을 확립 하여 이를 지도화 하였으며 본 연구의 결론은 다음과 같다.

1.

중랑천 유역에 대한 Landsat-7 ETM+ 영상과 고해상도 위성영상을 이용하여 학습자료를 수집하고 이에 대해 분 류 및 회귀트리를 적용한 결과 원격탐사영상을 이용한 불 투수층의 추정이 가능한 것으로 나타났다.

2.

분류 및 회귀트리 및 10번의 교차확인분석의 적용결과, 중랑천 유역의 불투수층 추정을 위해서는 Landsat-7

ETM+

영상의 band 3, band 4, band 5, band 7과

tasseled cap

변환 영상의 greenness(TC2) 및 NDVI가

가장 적합한 예측변수인 것으로 나타났다.

3.

불투수층 추정결과를 실제 중랑천 유역의 토지이용현황과 비교하여 살펴본 결과, 일부 지역의 경우 건물의 그림자 로 인해 상대적으로 불투수도가 낮게 분석되는 경우도 발 생하고 있으나, 대체로 시가지로 나타나는 부분의 불투수

도가 다른 지역이 비해 상대적으로 높은 것으로 나타났다.

또한 고해상도 위성영상과 Landsat-7 ETM+ 영상의 관측 시간 사이에 발생하는 시간차에 의한 오차가 모델에 영향 을 주었을 것으로 판단되며 이에 대한 보정은 향후 연구 를 통해 해결해야 할 것으로 판단된다.

참고문헌

건설교통부(2003) 중랑천 하천정비기본계획.

김성훈, 허준, 윤공현, 손홍규(2007) Landsat-7 ETM+영상을 이 용한 안성지역의 불투수도 추정. 대한원격탐사학회 논문집, 대한원격탐사학회, 제23권 제6호, pp. 529-536.

사공호상(2003) IKONOS 위성영상을 이용한 불투수지표면 분석 방법에 관한 실증연구. 한국

GIS

학회 논문집, 한국GIS학회, 제11권 제4호, pp. 509-518.

조홍래, 정종철(2005) 분광혼합분석 기법을 이용한 탄천유역 불 투수율 평가. 대한원격탐사학회 논문집, 대한원격탐사학회, 제

21

권 제6호, pp. 457-468.

Breiman, L., Friedman, J.H., Olshen, R.A., and Stone, C.J. (1984) Classification and regression trees. The Wadsworth Statistics/

Probability Series. Wadsworth International group, California, USA.

Herold, N.D., Koeln, G., and Cunnigham, D. (2003) Mapping impervious surfaces and forest canopy using classification and regression tree analysis. ASPRS 2003 Annual Conference Pro- ceedings, Alaska, USA.

Hodgson, M.E., Jenson, J.R., Tullis, J.A., Riordan, K.D., and Archer, C.M. (2003) Synergistic Use of Lidar and Color Aerial Photography for Mapping Urban Parcel Imperviousness. Pho- togrammetric Engineering & Remote Sensing, Vol. 69, No. 9, pp. 973-980.

Huang, C., Yang, L., Wylie, B.K., and Homer, C.G. (2001) A strategy for estimating tree canopy density using LAND- SAT 7 ETM+ and high resolution images over large areas.

The Proceedings of the 3rd International Conference on Geospatial Information in Agriculture and Forestry, Colo- rado, USA.

Huang, C., Wylie, B.K., Yang, L., Homer, C.G., and Zylstra, G.

(2002) Derivation of a tasselled cap transformation based on Landsat-7 at satellite reflectance. International Journal of Remote Sensing, Vol. 23, No. 8, pp. 1741-1748.

Huang, C. and Townshend, J.R.G. (2003) A stepwise regression tree for nonlinear approximation : applications to estimating sub- pixel land cover. International Journal of Remote Sensing, Vol.

24, No. 1, pp. 75-90.

Hurd, J.D. and Civeo, D.L. (2004) Temporal characterization of impervious surfaces for the state of connecticut. ASPRS 2004 Annual Conference Proceedings, Colorado, USA.

Lee, S. (2006) Landsat ETM+ sub-pixel annalysis of urban land- scape using Fuzzy C-means clustering and differentiated impervious surface classed. ASPRS 2006 Annual Conference Proceedings, Reno, Nevada, USA.

Lewis, R.J. (2000) An Introduction to Classification and Regres- sion Tree (CART) Analysis. The 2000 Annual Meeting of the Society for Academic Emergency Medicine, San Francisco, California.

Lu, D. and Weng, Q. (2006) Use of impervious surface in urban land-use classification. Remote Sensing of Environment, Vol.

102, pp. 146-160.

Vikhamar, D. and Kastdalen, L. (2005) Impervious surface map- ping in Southern Norway. 31st International Symposium on Remote Sensing of Environment, St. Petersburg, Russia.

Wu, C. and Murray, A.T. (2003) Estimating impervious surface dis- Fig. 9. Impervious surface map of Jungnangcheon

tribution by spectral mixture analysis. Remote Sensing of Envi- ronment, Vol. 84, pp. 493-505.

Yang, L., Huang, C., Homer, C.G., Wylie, B.K., and Coan, M.J.

(2003) An approach for mapping large-area impervious sur- faces synergistic use of Landsat-7 ETM+ and high spatial reso- lution imagery. Canadian Journal of Remote Sensing, Vol. 29, No. 2, pp. 230-240.

Yang, X. and Liu, Z. (2005) Use of satellite-derived landscape imperviousness index to characterize urban spatial growth.

Computers, Environment and Urban Systems, Vol. 29, pp. 524- 540.

(

접수일: 2008.3.27/심사일: 2008.4.27/심사완료일: 2008.10.17)