Evaluation of Grid-Based ROI Extraction Method Using a Seamless Digital Map
10
0
0
전체 글
(2) 정종철. 1. 서 론. 약 90%의 정확한 분류 결과를 이끌어냈다. Huang et al.(2015)은 World View- 2, GeoEye -1등의 고해상. 국토 공간을 효율적으로 관리하고 분석하기 위해. 도 영상을 이용하여 도시지역의 토지피복을 분류하였. 항공사진과 위성영상에서 연속수치지형도, 토지피복. 다. MBI, MSI, NDWI, NDVI와 같은 정규지수들을 분. 지도 등 공간 데이터가 주기적으로 획득되고 있으며,. 류에 활용하였으며, 특히 MBI로 나타난 지붕의 반사. 이렇게 원격에서 얻어지는 다양한 공간 데이터는 현. 율을 통해 건물과 인접한 곳의 그림자를 추출하였고,. 장 자료 수집보다 비용을 절감시킬 수 있을 뿐 아니라. 분류된 토지피복 유형은 건물, 그림자, 수계, 식생 및. 대상지에 대한 공간적인 분석에 있어서 다양한 방법. 나대지로 나타났다. 이 연구에서는 OpenStreetMap. 으로 응용될 수 있다. 오재홍･이창노(2015)는 변화탐. (OSM) 자료를 이용하여 사전에 정의된 면적 범위 이. 지기술을 다중 시간대에 걸쳐 얻어지는 공간 데이터. 내의 폴리곤을 선택한 후 폴리곤 경계와 접한 화소를. 를 이용한 기술 중 한 가지로 설명하였으며, 작업자로. 제외하는 방식으로 관심 지역을 선택하였다. 이렇게. 하여금 변화지역을 쉽게 인지하게 도와주거나 변화지. 선택된 폴리곤 내의 관심 지역을 이용하여 분류한 결. 역을 맵핑하고 정량화하는데 필수적인 기술이다 라고. 과 전체정확도가 80% 초반으로 나타났다. Jiang et al.. 소개하였다.. (2012)는 HJ-1 위성영상과 1:100,000축척의 토지피. 최근 공간정보를 활용한 위성영상 분류에 관한 연. 복지도를 이용하여 상하이 Qingpu 지구에서 2005년. 구로 조기환･정종철(2018)은 토지피복지도를 활용해. 부터 2009년 사이의 토지피복변화를 분석하였다. 농. 훈련지역 선택과정을 자동화함으로써 영상처리 과정. 지, 산림, 초지, 수역, 시가화 총 5가지 분류로 관심 지. 의 비용과 시간을 절감하는 방안을 제시하였다. 이 연. 역을 선택하였으며, 관심 지역 내에 밴드별 DN값을 3. 구에서는 Sentinel영상과 원주시의 2014년 중분류 토. 차원 산점도를 통해 분광특성을 나타냈다. 결과에서. 지피복지도 경계를 기준으로 내부 버퍼(negative. 제시된 알고리즘은 중국 토지피복지도의 활용성을 나. buffer)를 적용하였다. 이를 통해 경계 부분을 제외함. 타냈다. 또한, 토지피복도와 위성영상의 제작 시기가. 으로써 보다 특징적인 훈련자료를 수집하였다. 또한,. 5년 이하의 차이라면 사용 가능하다는 결론을 도출했. 수집된 훈련자료에서 NDVI를 활용해 각 분류 유형의. 다. Kiadtikornthaweeyot and Tatnall(2016)은 고해. 특성을 반영할 수 있는 지역을 훈련지역으로 선택하. 상도 위성영상 내에서 영상 처리 기법을 통해 물체를. 였으며, 이렇게 선택된 훈련지역으로 분류한 결과. 분류하고 관심 지역으로 식별하는 자동 알고리즘을. 86%대의 분류정확도를 보였다. 하지만 훈련지역을. 제시하였다. 위성영상의 특정 영역에서 히스토그램. 선택하는 과정에서 사용된 토지피복지도는 갱신주기. 분할, 가장자리, 텍스쳐 분할을 사용해 자동으로 영상. 가 길어 위성영상과 제작시기가 틀릴 경우 범용성에. 을 분할하고 불필요한 부분을 제거하였다. 또한, 본 선. 한계가 있다.. 행연구에서 제안된 방법을 통해 수작업으로 관심 지. 위성영상의 분류기법에 관해 국외의 연구자들은 다. 역을 추출하는 것보다 적절한 방법이라 제시하고 있. 음과 같은 연구를 수행하였다. Neware and Khan. 다. Postadjian et al.(2017)은 프랑스 Brittany 지역을. (2018)은 지역 성장 알고리즘을 사용하여 식생 지역,. 대상으로 국가 참조 지형도를 사용하여 관심 영역을. 비식생 지역, 수역, 시가화 지역 4가지 영역에 대해 관. 생성하고 딥러닝 알고리즘 중 하나인 Deep Con-. 심 지역을 추출한 바가 있다. 5가지 감독 분류기법을. volutional Neural Networks (DCNNs) 기법의 성능. 적용하여 정확도를 산출해냈으며 농작물 지역에 대해. 을 검증하였다. 또한 SPOT 6, 7호 위성영상을 사용하. 104. 「지적과 국토정보」 제49권 제1호. 2019.
(3) 연속수치지형도를 활용한 격자기준 관심 지역 추출기법의 평가. 여 2014년과 2016년 사이의 변화탐지를 수행하고 평. 사점을 생성하였고, 육안판독을 통해 정확도를 평가. 균 90%의 분류정확도를 나타냈다. Zhang et al.. 하여 오차 행렬(Confusion matrix)로 나타냈다.. (2016)는 고해상도 원격 영상에서 효과적인 관심 영 역을 추출하기 위해 ND-LWT를 기반으로 영상의 구. 2. 연구 방법 및 범위. 조, 가장자리, 형태, 방향, 공간정보를 담아내는 기법 을 사용하였다. 영상의 방사값을 히스토그램 기법을. Table 1은 본 연구에서 사용된 데이터를 나타낸 것. 통해 구분하고 나타낸 정보와 ND-LWT 기법으로 나. 이다. 본 연구에서는 관심 지역 추출을 위해 국토지리. 타낸 정보를 가중 융합하여 정확한 관심 영역을 추출. 정보원에서 제공하고 있는 2013년부터 2017년까지의. 하였다. 결론으로 도출된 알고리즘은 11개의 다른 알. 세종특별자치시 1:5000 연속수치지형도를 사용하였다.. 고리즘들과 비교하여 배경정보를 보다 효과적으로 제. 연속수치지형도는 과거 도엽단위로 제작된 수치지 형도의 활용성 한계를 극복하기 위해 제작된 전국단. 거하고 경계와 형상을 추출하였다. 기존의 연구들은 영상의 밴드값을 통해 정규지수를. 위의 통합 수치지형도이다. 연속수치지형도에서는 총. 사용하거나 임계값을 설정하여 분할함으로서 관심 지. 8가지의 대분류를 나타내고 있으며 그 중 교통, 건물,. 역을 추출하였다. 하지만 연구지역이나 위성영상이. 식생 레이어에서 면형 데이터만을 추출하여 관심지역. 달라질 경우 임계값도 달라질 수 있기 때문에 일반적. 선택에 활용하였다. 연속수치지형도에서 등고선으로. 으로 활용하기에 적합하지 않다고 판단하였다. 따라. 나타나는 산림, 초지, 나지의 경우 환경부에서 제공하. 서 본 연구에서는 기 구축된 공간정보 중 갱신주기가. 는 2015년 세종특별자치시 세분류 토지피복지도를. 짧고 관심 지역 선택에 효과적으로 사용될 수 있는 연. 참고하였다.. 속수치지형도를 사용하여 안정적이고 주기적인 관심. 본 연구에서는 공간정보를 활용하여 추출한 관심. 지역 획득 방법을 개발하였다. 이를 통해 국가 공간정. 지역의 정확도 검증을 위해 고해상도 위성영상 검증. 보를 시간과 비용 측면에서 효율적으로 생산해내는. 자료로 오차검증을 수행하였다. Figure 1은 검증에 사. 것을 목표로 하였다. 또한, 제시된 방법의 유효성을 검. 용된 위성영상으로 2015년 10월 28일 과 2018년 7월. 정하기 위해 관심지역 범위내에서 무작위 위치로 검. 7일에 촬영된 K3A 영상이다. K3A 위성은 한국항공우. Table 1. Data source and list of spatial information for ROI extraction Data. scale. Format. Date. Attribute. Source. location number. road, railway, crossroad, Inter-change Seamless digital map. 1:5000. ESRI Shape. 2013~2017. building. National Geographic Information Institute. farmland, tributary, roadside-tree Land cover map K3A image. 1:5000. ESRI Shape. 1:5000 Raster. 36710003. 2015. Forest, Grass, Bare soil. Ministry of Environment. 2015.10.28. 2018.7.7. Red, Green, Blue, NIR. Korea Aerospace Research Institute. Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 105.
(4) 정종철. (a). (b). Figure 1. Study area in Sejong city (top) and K3A image (a) Oct 28, 2015 (b) July 7, 2018. Figure 2. Flowchart of ROI extraction. 지분류를 연속수치지형도와 중첩하고 인접 경계 및 주연구원에서 개발한 55cm급 해상도의 전자광학카. 중복된 영역을 제거하여 Figure 3(a)과 같이 나타냈다.. 메라와 적외선 센서를 탑재한 고해상도 지구관측위성. Figure 3(a)을 영상의 분류에 기초적인 관심지역. 으로 2015년 3월에 발사된 관측위성이다.. (ROI)으로 활용할 경우 분류 항목마다 크기가 다르고. Figure 2는 연구 흐름도를 나타낸 것이다. 본 연구. 연구지역에 불규칙하게 분포하고 있어 분광특성의 정. 는 기 구축된 공간정보에서 공간분석을 통해 관심 지. 보 왜곡이 생기기 쉽다. 따라서 본 연구에서는 Figure. 역을 추출해내고 이를 병합, 제거, 수정을 통해서 가장. 3(b)과 같이 격자로 관심 지역을 분할하고 내부 버퍼. 적절한 관심지역을 추출해내는 것이 본 연구의 목적. (negative buffer)를 적용하여 위성영상의 분류를 위. 이다. 연속수치지형도는 위성영상과 항공사진을 통해. 한 분광특성을 격자 단위의 공간으로 세부적인 추출. 매년 변화된 지점을 추가하거나 제거하는 방식으로. 을 수행하였다.. 기존의 데이터를 갱신하고 있다. 따라서 본 연구에서. 국토지리정보원에서는 국가 공간정보를 ‘국토통계. 는 다년간 변화되지 않은 지점을 토지피복분류를 위. 지도’라는 항목으로 서비스하고 있다. 국토통계지도. 한 관심지역으로 활용하였다. 본 연구에서는 QGIS. 에서는 공간정보를 나타내기 위해 100km, 10km,. 3.6 버전을 사용하여 공간분석을 수행하였다.. 1km, 500m, 250m, 100m와 같이 일정한 격자를 통해. Figure 3은 연속수치지형도에서 시가화, 농업, 수계. 분할하여 제공하고 있다. 본 연구에서는 제시한 방법. 에 해당하는 토지분류와 토지피복지도에서 산림, 초. 을 통해 국가 공간정보 생성 기준에 대해 고려하기 위. 지, 나지에 해당하는 토지분류를 추출한 것이다.. 해 가장 작은 격자 단위 중 하나인 100m x 100m 단위. 토지피복지도에서 산림, 초지, 나지에 해당하는 토. 106. 「지적과 국토정보」 제49권 제1호. 2019. 를 적용하였다..
(5) 연속수치지형도를 활용한 격자기준 관심 지역 추출기법의 평가. (b). (a). Figure 3. An example of ROI extraction from Seamless digital map (a) 2015 Land cover map in Sejong (b) ROI with 100m x 100m grid applied.. 2013. 2014. 2015. Unchanged area. 2015. 2016. 2017. Unchanged area. (a) Based on 2015 K3A image. (b) Based on 2018 K3A image. Figure 4. Comparison of seamless digital map from 2013 to 2017 and unchanged areas.. Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 107.
(6) 정종철. (a). (b). (c). (d). (e). (f). Figure 5. Result of ROI extraction based on spatial information and ground truth points for accuracy verification. (a) 2015 ROI area (b) 2015 ROI with –25m Buffer (c) 2015 ground truth points, (d) 2018 ROI area (c) 2018 ROI with –25m Buffer (f) 2018 ground truth points. 본 연구에서는 토지분류를 건물, 도로, 농업지역, 산. 도시개발이 이루어져 일부 농업지역, 나지 지역이 도. 림, 나지 총 5가지로 설정하고 추출된 관심 지역의 정. 로, 건물로 변화가 이루어져 토지 특성이 다르다. 따라. 확도를 평가하기 위해 위성영상 검사점을 이용하여. 서, 2015년과 2018년 두 시기로 나누고 각 시기에 따. 관심지역 정확도를 오차 행렬로 나타냈다.. 라 공간정보를 통해 생성된 관심지역의 정확도를 검. Figure 4는 위성영상이 촬영된 시점인 2015년과. 증하였다. 2015년에 촬영된 K3A 영상은 2013년부터. 2018년으로부터 3년간 연속수치지형도에서 변화되. 2015년 동안 제작된 연속수치지형도를 사용하고,. 지 않은 지역을 관심지역으로 선정하는 과정을 나타. 2018년에 촬영된 K3A 영상은 2015년부터 2017년 동. 낸 것이다. 2015년과 2018년 사이에 연구지역에서는. 안 제작된 연속수치지형도를 사용하였다. 또한, 각각. 108. 「지적과 국토정보」 제49권 제1호. 2019.
(7) 연속수치지형도를 활용한 격자기준 관심 지역 추출기법의 평가. Table 2. Confusion matrix between ROI ground truth points during 2013-2015 and 2015 K3A image (OA=Overall accuracy) unit = point Building. ROI results Building. Road K3A reference. Road. Forest. Bare soil. 18. 18 16. 1 (Figure 6(b)). Bare soil. Sum 19. Agriculture Forest. Agriculture. 19. 16. 1 (Figure 6(a)). 20. 22. 2. 3. 20. 25. Sum. 20. 20. 20. 20. 20. 100. Accuracy(%). 95. 90. 80. 100. 100. OA=93.0%. Table 3. Confusion matrix between ROI ground truth points during 2015-2017 and 2018 K3A image (OA=Overall accuracy) unit = point. K3A reference. ROI results Building. Building. 15. Road. 1. Agriculture. Road. Agriculture. Forest. 14 2. Bare soil. Sum. 4. 19. 2. 17. 9. 11. Forest. 20. 20. Bare soil. 4. 4. 11. 14. 33. Sum. 20. 20. 20. 20. 20. 100. Accuracy(%). 75. 70. 45. 100. 70. OA=72.0%. 3년간 동일하게 중첩되는 영역만을 추출하여 변화되. 지역에서 각 폴리곤이 차지하는 영역이 넓어 영상 분. 지 않은 영역으로 나타냈다. 본 연구에서는 Figure 5. 류시 오차가 발생할 확률이 높다고 판단하였다. 따라. 와 같은 형태로 연속수치지형도와 토지피복지도를 이. 서 본 연구에서는 다른 토지분류에 비해 길이가 길고. 용하여 관심 지역을 선정하였다. Figure 4의 연속수치. 넓이가 좁은 도로와 건물을 제외하고, 농업, 산림, 나. 지형도에서 추출한 다년간 변화되지 않은 2015년,. 지에 대해 내부 버퍼를 적용하였다.. 2018년 시가화와 농업지역을 2015년 세종시 토지피 복지도의 산림, 나지와 병합하였다. 연속수치지형도. 3. 연구결과. 와 토지피복지도를 병합하는 과정에서 생긴 중복지역 은 모두 제거하여 데이터의 혼동을 방지하였다.. Figure 5(c)는 Figure 5(b)에서 나타낸 관심 지역. Figure 4(a)와 Figure 4(b)는 각각 2015년, 2018년 위. 내에서 무작위로 각 분류마다 20개씩 총 100개의 검. 성영상 기준으로 추출된 관심 지역을 100m x 100m. 사점을 생성하였고, Figure 5(f)는 Figure 5(e)에서 나. 격자를 적용한 것이다. 농업, 산림, 나지의 경우 관심. 타낸 관심지역 내에서 무작위로 검사점을 생성한 것 Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 109.
(8) 정종철. 심지역으로 사용된 공간정보의 제작시기와 위성영상 의 촬영시기가 일치하지 않아 두 시점 사이에 토지이 용변화가 일어났기 때문으로 판단된다. Table 2와 Table 3에서 나타난 변화된 검사점 중 오분류 변화를 나타낸 지점이 존재했다. Table 2에서는 건물에서 산 림으로, 농업지역에서 산림지역으로 나타난 지역이. (b). 존재하고 Table 3에서는 도로가 농업지역으로 나타난. (a). 지역이 존재했다. Figure 6은 Table 2에서 일치하지. (a). 않는 지점을 나타낸 것이다. Figure 6(a)은 관심 지역 에서 농업지역으로 나타났지만, 위성영상에서 산림으 로 변화되었다고 판단되는 지점이다. Figure 6(b)은 관심 지역에서 건물로 나타났지만, Figure 6(c)에서 NDVI가 높은 수치를 기록하고 있는 붉은색으로 나타. (b). (c). Figure 6. Ground truth points appeared in Table 2. (a) changes from agriculture to forest (b) Changes from building to forest (c) NDVI. 냈듯이 식생이 존재하고 있다.. 4. 결 론 본 연구에서는 기 구축된 공간정보인 연속수치지형. 으로 각 분류마다 20개씩 총 100개의 검사점을 생성. 도와 토지피복지도를 활용하여 관심지역을 추출하는. 하여 본 연구의 격자추출결과를 검증하였다. 관심 지. 방안을 제시하였다. 연속수치지형도로부터 도로, 건. 역에서 추출한 검사점과 2015년, 2018년 K3A 위성영. 물, 농업지역을 추출하였으며 산림, 나지는 토지피복. 상을 이용해 관심지역 정확도를 오차 행렬로 나타냈. 지도로부터 보완하였다. 또한, 다년간 변화하지 않은. 다(Table 2, Table 3). 2015년 K3A 위성영상과 검사. 공간정보는 이후에도 동일한 토지 분류일 가능성이. 점의 정확도 검증결과 전체정확도(Overall Accuracy,. 높다고 판단하여 2015년 위성영상 기준으로 2013. OA)가 93%로 나타났다. 위성영상과 관심지역 검사점. 년~2015년 동안 연속수치지도에서 변화하지 않은 영. 에서 일치하지 않은 지점은 건물에서 산림으로 나타. 역과 2015년 토지피복지도를 사용하였고, 2018년 위. 난 검사점 1개, 도로에서 나지로 나타난 검사점 2개,. 성영상 기준으로 2015년~2017년 동안 연속수치지도. 농업에서 나지로 나타난 검사점 3개와 산림으로 나타. 에서 변화하지 않은 영역과 2015년 토지피복지도를. 난 검사점 1개로 나타났다.. 사용하였다. 두 공간정보의 융합을 통해 생성된 관심. 2018년 K3A 위성영상과 검사점의 정확도 검증결. 지역은 영역의 축소가 필요하여 격자와 내부 버퍼를. 과 전체정확도가 72%로 나타나 2015년보다 낮은 수. 적용하였다. 또한, 추출된 관심지역의 유용성을 분석. 치를 나타냈다. 건물에서 75%, 도로 70%, 나지 70%로. 하기 위해 100개의 검사점을 통해 위성영상과 비교하. 나타나 전체적으로 정확도가 낮아진 것을 확인할 수. 여 정확도 검증을 수행하였으며 다음과 같은 결론을. 있으며 특히 농업지역에서는 정확도가 45%까지 낮아. 얻었다.. 진 것을 확인할 수 있다. 정확도가 낮아진 이유로는 관. 110. 「지적과 국토정보」 제49권 제1호. 2019. 첫째, 본 연구는 국가에서 제공하고 있는 공간정보.
(9) 연속수치지형도를 활용한 격자기준 관심 지역 추출기법의 평가. 를 통해 일정한 임계값의 격자와 버퍼의 영역을 선정. 참고문헌. 하고 관심지역을 추출하였기 때문에 이를 자동화하여. References. 분류지역을 탐색한다면 국토위성과 같은 고해상도 위 성영상의 효율적인 영상처리 시간을 제공할 것으로 판단된다. 둘째, 관심지역에 대해 정확도 검증결과 2015년에 는 농업 지역에서 낮은 정확도를 나타냈고, 2018년에 는 농업, 나지 지역이 낮은 정확도를 나타냈다. 따라서 2015년에는 시가화 지역에서 대부분 나지로 변화가 일어났고 2018년에는 나지가 도로 및 건물로, 농업에 서 나지로 대부분 변화가 나타났다는 것을 의미한다. 이와같이 연속수치지형도와 토지피복도와 같은 공간 정보 데이터 베이스를 활용하여 국토위성과 같은 고 해상도 위성영상의 분류검증과 변화탐지의 영상처리 에 공간정보의 활용이 효과적으로 제공될 수 있는 것 으로 판단된다. 향후 연속지적도, 스마트 팜 맵 지도, 임상도, 국가도로교통망 공간지도 등 다양한 국가공 간정보를 생산하는 데 있어서 국토위성과 같은 고해 상도 위성영상의 활용에 본 연구의 기초이론을 바탕 으로 활용 가능성을 확대할 수 있는 연구과제를 향후 연구과제로 도출할 수 있다. 또한 위성영상 활용센터 와 같은 국가기관은 차세대중형위성의 다양한 부처별 고해상도 위성영상과 해당 국가공간정보의 연계를 통 해 효율적인 국가공간정보의 생산과 검증 등의 위성 영상처리 시간을 단축시키는데 기여할 것으로 기대할 수 있다.. 사사. 오재홍, 이창노. 2015. 이종 공간 데이터를 활용한 에 지 정보 기반 도시 지역 변화 탐지. 한국측량학회 지. 33(4):259-266. Oh JH, Lee CN. 2015. Urban Change Detection Between Heterogeneous Images Using the Edge Information. Journal of the Korean. Society of Surveying, Geodesy, Photogrammetry and Cartography. 33(4):259-266. 조기환, 정종철. 2018. 토지피복 공간정보를 활용한 자 동 훈련지역 선택 기법. 지적과 국토정보. 48(2): 171-183. Cho KH, Jeong JC. 2018. Automatic selection method of ROI(region of interest) using land cover spatial data. Journal of Cadastre & Land. InformatiX. 48(2):171-183. Huang X, Weng C, Lu Q, Feng T, Zhang L. 2015. Automatic Labelling and Selection of Training Samples for High-Resolution Remote Sensing Image Classification over Urban Areas. Remote. Sensing. 7(12):16024-16044. Jiang D, Huang Y, Zhuang D, Zhu Y, Xu X, Ren H. 2012. A Simple Semi-Automatic Approach for Land Cover Classification from Multispectral Remote Sensing Imagery. PLoS ONE 7(9): e45889. doi:10.1371/journal.pone.0045889 Kiadtikornthaweeyot W, Tatnall A. 2016. Region of interest detection based on histogram segmen-. 본 연구는 남서울대학교 2019년 교내 연구과제의 지원에 의해 수행됨.. tation for satellite image. International Society. for Photogrammetry and Remote Sensing. XLI-B7:249-255. Neware R, Khan A. 2018. Identification of agriculture areas in satellite images using Supervised. Journal of Cadastre & Land InformatiX Vol.49 No.1 (2019). 111.
(10) 정종철. Classification Technique. The Journal of. saliency analysis with the normal directional. creative behavior. 6(2):682-688. lifting wavelet transform. Neurocomputing.. Postadjian T, Bris A, Sahbi H, Mallet C. 2017.. 179:186-201.. Investigating the potential of deep neural networks for large-scale classification of very high resolution satellite images. ISPRS Annals. 2019년 04월 30일 원고접수(Received). of Photogrammetry, Remote Sensing and. 2019년 05월 17일 1차심사(1st Reviewed). Spatial Information Sciences. 4:183-190.. 2019년 06월 03일 2차심사(2st Reviewed). Zhang L, Chen J, Qiu B. 2016. Region of interest. 2019년 06월 18일 게재확정(Accepted). extraction in remote sensing images by. 초록 위성영상 분류를 위한 관심 지역 추출은 국토 공간을 효율적으로 관리하기 위한 중요한 기술 중 하 나이다. 하지만 위성영상 분류에 관한 최근의 연구들은 관심 지역을 선택하는데 있어서 영상 내의 정 보에 의존하는 경우가 많다. 본 연구에서는 고해상도 영상으로부터 구축된 공간정보인 연속수치지형 도를 활용하여 효과적인 관심 지역 선택 방안을 제시하였다. 본 연구에 사용된 공간정보는 국토지리 정보원에서 제공하는 2013년~2017년 연속수치지형도와 환경부에서 제공하는 2015년 세종시 토지피 복도를 활용하였다. 공간정보를 통해 추출된 관심 지역의 정확도 검증을 위해 2015년 10월 28일과 2018년 7월 7일 촬영된 KOMPSAT-3A호 위성영상을 사용하였다. 2013년~2015년 동안 연속수치지형 도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하여 2015년 기초샘플을 추출하였다. 또 한, 2015년~2017년 동안 연속수치지형도에서 변화하지 않은 영역과 2015년 토지피복지도를 사용하 여 2018년 기초샘플을 추출하였다. 연속수치지형도와 토지피복도를 융합할 때 발생하는 중복된 영역 은 데이터의 혼동을 방지하기 위해 모두 제거하였다. 최종적으로 관심 지역 내에서 검사점을 생성하 고, 2015년, 2018년 K3A 위성영상과 오차행렬을 통해 추출된 관심 지역의 정확도를 나타냈으며 전체 정확도는 각각 약 93%, 72%로 나타났다. 관심 지역의 정확도 검증을 통해 정확하게 분류된 지역은 관 심 지역으로써 사용할 수 있고 오분류된 지역은 변화탐지를 위한 참고자료로서 활용할 수 있다고 판 단된다. 주요어：관심 지역, 연속수치지형도, 공간분석, 토지 분류. 112. 「지적과 국토정보」 제49권 제1호. 2019.
(11)
수치
+2
관련 문서
Preliminary Study of IR Sensor Equipped Drone-based Nuclear Power Plant Diagnosis Method using Deep Learning. Ik Jae Jin and
The objective of this research is to propose a method for evaluating service reliability based on service processes using fuzzy failure mode effects analysis (FMEA) and grey
Before identifying the anthocyanins of berries, experiments were conducted using different extracts, under 0.2% HCl-methanol extraction conditions, and as a
Clinical and histomorph ometric evaluation of extraction sockets treated with an autologous bone marro w graft... Barone A, Aldini NN, Fini M, Giardino R, Calvo Guirado
Based on the result of such assessment, this study attempted to establish a basis for establishment of physical epidemiology research evaluation system
If we wish to develop a learning process based on
Performance evaluation of Volume PTV based on Affine Performance evaluation of Volume PTV based on Affine Performance evaluation of Volume PTV based on Affine Performance
The method was analyzed in terms of appearance, music, and method of map, with six types of ultra-high quality textbooks published over the past five
