Landcover classification by coherence analysis from multi-temporal SAR images

다중시기 SAR 영상자료 긴밀도 분석을 통한 토지피복 분류

윤보열*, 김윤수**

Landcover classification by coherence analysis from multi-temporal SAR images

Bo-Yeol Yoon*, Youn-Soo Kim**

Abstract

This study has regard to classification by using multi-temporal SAR data. Multi-temporal JERS-1 SAR images are used for extract the land cover information and possibility. So far, land cover information extracted by high resolution aerial photo, satellite images, and field survey.

This study developed on multi-temporal land cover status monitoring and coherence information mapping can be processing by L band SAR image. From July, 1997 to October, 1998 JERS SAR images (9 scenes) coherence values are analyzed and then extracted land cover information factors, so on. This technique which forms the basis of what is called SAR Interferometry or InSAR for short has also been employed in spaceborne systems. In such systems the separation of the antennas, called the baseline is obtained by utilizing a single antenna in a repeat pass.

초 록

본 연구는 지표투과력이 높은 L밴드 SAR 영상자료를 이용하여 토지피복 분류를 수행하 였다. 다중시기 SAR 영상자료의 시간적 변이도 특성이 각기 다르게 나타나는 점을 이용하 여 영상의 긴밀도 정보를 추출하고, 추출된 긴밀도 정보를 기반으로 분류를 수행하였다.

시간적 긴밀도 정보를 추출하기 위해 반복 패스를 통해 획득된 간섭 레이더(Interferometry SAR, 이하 InSAR) 기법을 이용하였고, 다중시기 영상에 대해 가장 최적의 기선거리에서 선정된 긴밀도 정보를 포함하는 영상을 선정하여 토지피복 분류작업을 수행한 결과 분류 된 객체들 간에 명확하게 구분됨을 확인할 수 있었다.

키워드 : 합성개구레이더(SAR), 긴밀도(coherence), 분류(Classification)

접수일(2008년12월23일), 수정일(1차 : 2009년 6월 5일, 2차 : 2009년 6월 17일, 게재 확정일 : 2009년 7월 1일)

* 영상활용기술팀/[email protected] ** 영상활용기술팀/[email protected]

1. 서 론

최근 효율적인 국토관리를 위한 토지피복 모 니터링 연구가 정부를 중심으로 새롭게 관심 분 야로 부상함에 따라 국내에서는 2006년 지능형 국토정보 사업단이 출범하여 핵심과제별로 사업 이 진행되고 있는 추세이다. 토지피복 변화정보 는 국토계획 분야에서 최적 입지선정 및 도로설 계 등 효과적인 기반정보로 활용될 수 있으며 이 러한 정보를 취득하기 위해서 다양한 센서를 이 용한 정보의 융합기술 또한 요구되는 시점이다.

토지피복 모니터링을 위해 기존의 항공사진을 대체하여 위성영상의 활용이 증가되고 있으며, 이종의 센서자료를 이용하여 상호 센서가 가진 장점을 부각시켜 이전에 추출되기 힘든 정보가 요구되고 또한 활용범위가 점차 확대되고 있는 추세다.

본 연구는 기존의 광학위성영상의 분광정보만 을 이용한 토지피복 모니터링 기법과는 다르게 다중시기 SAR 영상의 주파수 정보를 이용한 긴 밀도 정보를 바탕으로 토지피복별 정보를 추출하 고자 한다. 광학센서와는 다르게 SAR 자료는 대 기조건이나 일조조건에 영향을 덜 받아 연구 대 상지역에 대해 주기적인 영상 확보가 용이한 장 점이 있다.

본 연구에서 이용한 L 밴드 SAR 자료는 식생 지 분류 및 지표변위 정보 추출 분야에 많은 연 구가 시도되어 왔으나 분류를 위해 긴밀도 정보 를 고려한 연구는 드문 것이 사실이다. 본 연구 에서 가장 중점을 둔 사항은 다중시기 SAR 영상 간 기선거리(Baseline)에 따른 긴밀도 정보를 효 과적으로 추출하는 방법과 이를 통하여 토지피복 분류의 가능성 여부를 확인하고자 한다.

시기적으로 변화가 없는 인공구조물로 구성된 도시지역의 경우 SAR 자료를 통해 추출된 긴밀 도 정보는 매우 높게 나타난다. 하지만 상대적으 로 시기적인 변화양상이 뚜렷한 식생지역의 경우 긴밀도 정보가 매우 낮은 분포를 보이게 되는점 에 착안하여 본 연구에서는 긴밀도 정보를 이용 한 토지피복별 분류를 수행하였다.

2. 본 론

2.1 연구지역 및 자료

연구 대상지역은 충남 논산평야를 중심으로(중 심좌표 127.1° E, 36.1° N) 농경지, 산림, 도시지 역을 포함하는 지역을 대상으로 하였다.

1997년 7월부터 1998년 10월까지 획득된 9개 JERS-1 SAR 영상을 이용하여 다중시기 모니터링 연구를 위한 영상 자료를 확보하였다. JERS-1 원 자료를 Single look complex (SLC)자료로 처리하 여 화소 공간 간 range 방향으로 8.8m, azimuth 방향으로 4.5m의 공간 해상도를 가진 SAR 영상 을 생성하였다. 영상이 포함하는 면적은 range 방향으로 52.1km 이며 zaimuth 방향으로 79.2km 를 커버하는 지역으로 선정하였다(그림 1).

그림 1. 연구 대상 지역

동일지역을 대상으로 다중시기 SAR 자료는 각 영상 획득 순간의 궤도 및 위치 정보의 차이 가 존재하게 된다. 이 차이를 통해 SAR 영상의 주파수의 간섭 정보를 이용하여 미세한 지표변위 의 탐지가 가능하게 되고 더 나아가 영상 간 긴

밀도 정보를 추출하여 다중시기 토지피복별 시간 적 변이도를 추출할 수 있게 된다. 시기적인 차 이로 인한 토지피복별 변화특성은 인공 구조물로 구성된 도심지 보다는 생육시기별 변화양상이 뚜 렷한 농경지, 산림 식생지 등이 시간적 변이도의 차이가 크게 된다.

시간적 변이도 정보를 이용하여 도심지, 농경 지, 산림 등으로 토지피복별 구분을 실시하기 위 하여 다음과 같이 자료를 선정하였다. 각 영상 쌍(Image pair)을 Master 와 Slave로 구분하여 영상 획득 시기의 궤도 및 위치정보를 토대로 수 직 및 수평 기선거리(Baseline)를 계산한 후 긴밀 도를 평가한 결과는 표 1 과 같다.

Master Slave Baseline [Perp.(m)]

Baseline

[Para.(m)] Coherence 9707 9709 1500.66 -43.05 High 9709 9710 1486.60 -2009.76 Mid 9802 9804 216.57 145.98 High 9802 9807 420.09 80.90 High 9802 9808 1474.79 -804.05 Mid 9802 9810 2228.69 -1323.97 Low 9804 9807 203.30 -63.87 High 9804 9808 1261.09 -945.86 Mid 9804 9810 2016.03 -1463.13 Low 9805 9807 -3210.56 -2713.99 Low 9805 9808 -2157.00 -1827.01 Low 9807 9808 1055.44 -885.00 High 9807 9810 1809.46 -1403.34 Mid 9808 9810 758.23 -512.75 High

표 1. Data set in study area

3. 연구방법

3.1 Coregistration

Coregistration을 수행하는 목적은 slave 영상 과 master 영상간의 상호 기하학적인 위치정확도 를 향상시키기 위함이다. master와 slave 영상의 주파수 정보를 통해 생성되는 interferometry 영 상은 시기적인 차이를 가진 두 영상간의 위치 정

확도가 높아야 frange 특성이 제대로 반영될 수 있게 된다. Coregistration 과정을 거친 후 interferometric parameter를 기반으로 위성의 궤 도 및 위치정보를 이용하여 정확한 영상 간 간섭 정보를 획득할 수 있게 된다.

3.2 Interferometry and Coherence

InSAR는 SAR 자료의 phase 정보를 이용하게 된다. 센서와 지상간의 거리 차이를 통해 서로 다른 관측 지점으로 부터의 phase의 차가 발생 하고 그 차이에 따른 지표의 미세한 정보의 획득 이 가능하게 되는 frange 정보가 생성될 수 있게 된다.

noise def atm topo

orbit

φ φ φ φ

φ

φ = + + + +

위의 식에서 φorbit는 두 관측점의 차이에 따른 기선거리로부터 생성되는 궤도에 대한 frange를 나타내고, φtopo 는 지형에 대한 frange를 의미한 다. 각각에 대한 frange 생성에 대한 식은 다음 과 같다.

λ φ

π

B

= 4

(2)

α λρ φ π

sin 4

topo

= hB

(3)

위의 식에서 Bpara 와 Bperp는 수평과 수직 성분 에 대한 기선거리를 나타낸다. h, λ, ρ, 그리고 α 는 위성 고도, 파장, 경사방향의 거리, incidence angle을 각각 나타낸다. φatm 는 수증기에 따른 마이크로파의 반사에 의해 발생되는 phase 지연 에 대한 값을 나타내고, φnoise 는 두 영상간의 시 기적, 공간적인 차이에서 기인한 산란체의 특성 에 대한 변화 또는 기선거리에 따라 발생될 수 있는 노이즈에 대한 인자를 나타낸다. φdef 는 두 관측점의 신호획득 시간차에서 발생되는 표면 변

위에 대한 값을 나타낸다.

master 와 slave 영상간의 conjugate를 통해 raw interferogram을 생성하고, 필터링, coregistration과 flast Earth phase 제거 과정을 거쳐서 최종 interferogram이 생성되게 된다.

SAR interferometry 정보를 통해 생성되는 두 SAR SLC 영상간의 긴밀도는 지형에 대한 정보 뿐만 아니라 변화된 정보에 대한 정량적인 평가 를 가능케 하는 기준으로 이용될 수 있다. 또한 토지피복 분류 및 토지이용에 대한 부가가치 높 은 정보를 포함하고 있다(R.Touzi et al., 1999).

) ( ) (

) (

* 2 2

* 1 1

* 2 1

g g E g g E

g g

= E

γ (4)

위의 식에서 g 는 coherence를 의미하고, g1

and g2는 SLC pair영상 간의 complex 영상에 대 한 값을 나타낸다. g1* 는 g1의 complex conjugate을 나타내고 E()는 확률을 나타낸다.

4. 결 론

각각의 master와 slave 영상을 통해 interferogram을 생성할 수 있었다. 일반적으로 interferogram 영상은 지표면의 미세한 변위를 측정하는데 활용될 수 있으나 본 연구에서는 coherence 영상을 생성하는데 이용하였다.

coherence는 상관계수를 이용한 식 (4)를 통해 계산되었고, 각각의 coherence 영상을 생성할 수 있었다.

영상획득 시기에 대한 차이가 클수록

coherence 값은 낮은 값을 보였다. 그것은 계절 의 변화에 따른 식생지 및 농경지의 생육환경 에 따른 차이가 원인으로 작용한 결과라 할 수 있다.

특히 도시지역의 경우, 수직기선거리가 짧게 유지되는 조건하에서 두 영상 획득 시기가 길어 도 높은 coherence 값을 갖게 되었다.

결과적으로 연구 대상지역에 대한 coherence

값은 토지피복 형태에 따라 많은 차이를 보였다.

농경지와 도시지역에 대한coherence 값은 산림지 에 비해 높게 나타났다. 수체지역의 경우 가장 낮은 cohrenece 값을 나타내었는데 물 흐름에 따 른 표면 거칠기 정보의 변화가 큰 이유로 분석될 수 있다.

그림 2는 각 클래스의 coherence 값을 평균한 것이다. 영상 pair(좌에서 우로)에 따라 기선거리 는 213m에서부터 4,204m로 분포되어 있다. 기선 거리가 짧을수록 cohrence 값은 더 큰 양상을 보 였다(도시지역 9709-9710 영상 pair 예외). 겨울과 이른 봄 시기(9802-9804) 영상 pair는 가장 높은 coherence 값을 보였는데 겨울은 산림의 체적변 화와 농경지에 대한 변화가 다른 계절에 비해 적 기 때문으로 분석될 수 있다. L 밴드는 산림 및 벼의 줄기에 더욱 민감하게 영항을 받게 된다.

대부분의 도시지역에 대해서는 가장 높은 coherence 값을 보였다.

그림 2. Coherence of image pair by landcover type

본 연구에서 긴밀도가 가장 잘 추출된 세 개 의 영상에 대해 각각 RGB로 할당하여 컬러조합 영상을 생성하여 보았다(그림 4).

coherence 정보에 대해 RGB 컬러조합영상을 생성한 결과 광학 영상과 유사한 토지피복별 분 류가 육안으로도 쉽게 구분이 가능했고, 가장 높 은 cohrence 값을 나타내었던 도시지역은 밝게 나타난 반면 가장 낮은 coherence 값을 보였던 수체지역은 어두운 색으로 나타난 양상을 보였 다. 여름시기의 가장 생육이 왕성한 농경지의 coherence는 높게 나타났으며, 컬러조합영상에서 붉게 표시된 지역으로 구분이 쉽게 되었다.

그림 3. Coherence image

그림 4. Color composites image of coherence (R: 9807-9808, G: 9802-9804, B: 9802-9807)

영상 분류결과는 그림 5, 표 2와 같다. 침엽수 와 활엽수가 분포된 지역에서는 계절변화에 따 른 구분이 확연함을 분류결과 영상을 통해 확인 할 수 있다. 일부 농경지에서는 생육시기 동안의 담수로 인해 수체지역으로 분류된 지역도 존재 하였다.

본 연구는 SAR 영상의 활용기반 연구를 위한 토지피복 분류의 가능성을 연구한 사전연구로 향

후 광학과 다중 편파 SAR 영상자료를 활용한 정 밀분류의 개선이 필요한 연구라 할 수 있다.

그림 5. The Classification result of study area (Blue: Water, Yellow: Agricultural area, DarkGreen : Broadleaf area, Green: Coniferous area, Red: Urban)

Class Name Count Percent Kappa Producers Accuracy Users accuracy Water body 1716756 12.05% 0.8512 87.5% 87.5%

Agriculture 3409507 23.93% 0.8925 73.68% 93.33%

Broadleaf area 4032030 28.29% 0.4048 87.5% 50%

Coniferous

area 3334277 23.40% 0.8397 63.64% 87.5%

Urban 1757991 12.34% 0.7826 100% 80%

Overall 0.7152 78%

표 2. Classification results and accuracy

참 고 문 헌

1. Atlantis Scientific Inc., 2004, EVInSAR User’s Guide, Version 3.1, Nepean, Ontario, Canada, 315p.

2. Grey,W.M.F., A.J. Luckmana, and D.

Holland, 2004, Mapping urban change in the UK using satellite radar

interferometry, Remote Sensing of Environment, 87, pp. 16-22.

3. Ichoku, C., Karnieli, A., et al, 1998, Exploring the utility potential of SAR interferometric coherence images, INT. J.

Remote Sensing, Vol. 19, No. 6, pp.

1147-1160.

4. Luckman, A., Baker, J. and Wegmuiiller, Urs, 2000, Repeat-Pass Interferometric Coherence Measurements of Disturbed Tropical Forest from JERS and ERS Satellites, Remote Sensing of Environment, 73, pp. 350-360.

5. Rquste, Y., 2005, Multi-temporal JERS SAR data in boreal forest biomass mapping, Remote Sensing of Environment, 97, pp.

263-275.

6. Touzi. R., A. Lopes, J. Bruniquel and P.W.Vachon, 1999. Coherence Estimation for SAR Imagery. IEEE Transactions on Geoscience and Remote Sensing, 37(1):

135-149.

7. Zhu, C., M. soojeong, 2006, A Statistical Analysis of JERS L-band SAR Backscatter and Coherence Data for Forest Type Discrimination, Korean Journal of Remote Sensing, Vol. 22, No.1, pp. 25-40.