1. 서 론

위성영상은 소규모 지역에서부터 범지구적인 범위까지 지표면의 상태를 파악하는데 이용되고 있으나, 기존의 제공되는 데이터가 실제 지표면과 차이가 많이 발생하며, 도시계획과 같이 지역적인 범위의 데이터가 필요한 경우 충분한 데이터를 제공하지 못하는 것으로 나타났다(Hansen and Reed, 2000; Kaptué Tchuenté et al., 2011).

따라서, 이와 같은 문제점을 해결하고자 중해상도 영상과 고해상도 영상을 이용한 토지피복분류를 시도하고 있으나, 훈련자료 생성에 많은 인력과 시간이 드는 단점이 나타났다(Chen et al., 2012). 선행연구에서는 무감독분류를 수행하거나(Lu et al., 2004), 보조자료를 이용하여 훈련자료를 추출하였고(Kim et al., 2010; Chen et al.,2012), 특히, Chen et al.(2012)의 연구에서는 두 개의 다른 시기의 Landsat 영상과 기존의 토지피복지도를 이용하여 초기 훈련자료를 추출한 후 변화지역을 추출하였다.

국내에서는 Kim et al.(2010)는 고해상도 위성인 SPOT-5와 QuickBird 위성영상과 Landsat 영상을 활용하여 접근이 불가능한 지역의 훈련자료를 자동 생성하였으며, Choi et al.(2014a)는 단일 Landsat영상과 기존토지피복도를 이용하여 훈련자료를 생성하였다.

특히, 기존의 제작된 주제지도를 이용방법은 대상지역에 대한 2개 이상의 영상을 얻기 힘들거나, 대상지역의 사전 정보를 얻을 수 없는 경우, 또는 정확도 향상 등을 위하여 적용할 수 있으나(Jensen et al., 2009; Chen et al., 2012; Zhang et al., 2014), 현재 제안된 방법들은 2개 이상의 영상이 필요한(고해상도 위성영상 포함)것이 대부분을 차지하고 있어 2개 이상의 영상취득이 어려운 경우 적용에 한계점을 나타내고 있다.

국내에서 제안된 방법은 고해상도 위성영상을 취득하기 어려운 경우 적용하기가 힘들며, 단일 위성영상을 이용한 방법 또한 화소기반으로 일부 지역에서 salt and pepper가 발생하는 것을 확인할 수가 있었다.

따라서, 본 연구에서는 기존의 토지피복도와 단일 위성영상만을 이용하여 무감독분류를 수행하고 클래스를 자동으로 인식하여 초기 훈련자료를 추출하였다. 추출된 훈련자료를 MLC의 초기 훈련자료로 적용하여 재분류하고 이전 훈련자료와 비교를 통하여 새로운 훈련자료를 생성하였다. 각 반복단계별 MRF를 적용하여 화소기반에서 발생할 수 있는 노이즈를 감소시키고, 정해진 임계치를 만족할 때 까지 반복과정을 수행하였다. 결과적으로, 자동으로 추출된 훈련자료를 활용하여 토지피복지도를 분류하고 반복과정을 거쳐 정확도를 향상시키고자 하였다.

2. 연구방법

본 연구는 위성영상의 대기보정을 위한 전처리 과정, 초기 훈련자료의 구축, 반복 분류를 통한 최종 훈련자료 추출 등으로 구분되며, 연구 흐름도는 Fig. 1과 같다. 먼저, Landsat 자료와 토지피복도를 활용하여 자동으로 초기 훈련자료를 추출하였고, 이를 기반으로 피복분류를 반복적으로 적용하여 훈련자료를 재설정하고 토지피복지도를 갱신하였다.

Fig. 1.Workflow

2.1 전처리 과정

Landsat OLI 영상은 사용자들에게 DN(Digital Number) 값과 함께 각 화소의 상태를 QA밴드로 제공하고 있다. 본 연구에서는 QA밴드를 이용하여 구름 등과 같은 노이즈를 제거하고 ATCOR(ATmospheric CORrection) 모듈을 활용하여 대기보정을 수행하였다(Choi et al., 2014b; Richter and Schläfer, 2012).

2.2 초기 훈련자료 추출

ISODATA를 사용하여 무감독 분류를 실시할 때 생성된 클래스는 순수한 군집이 아닌 혼합된 군집에 대한 분광특성을 가지고 있어 각각의 적합한 정보 클래스로 명명하는 것이 곤란하다(Selim et al., 1984; Jensen et al., 2009). 본 연구에서는 기존의 토지피복지도를 이용하여 각각의 정보클래스를 분류하고 분류된 클래스에서 대표되는 클래스를 이용하여 훈련자료를 생성하는 방법을 사용하였다.

ISODATA는 최종 클래스의 숫자가 정해지지 않은 것이 특징이나, 본 연구에서와 같이 대분류 토지피복도를 이용하는 경우에는 클래스의 분류가 정해져 있어 연산시간을 줄이고자 클래스 분류를 설정하였고, 기존 토지피복도의 클래스를 모두 포함하기 위하여 14개의 클래스를 변수를 조정하였으나, 본 연구에서는 토지피복지도 내의 클래스의 최대 4배 이상의 클래스를 생성하였다(Choi et al., 2014a).

4배 이상의 클래스를 생성하기 위하여 최소 1개, 최대 26개의 클래스가 생성되도록 ISODATA의 변수를 조절하였다. 한편, 기존의 토지피복지도를 활용할 경우에는 토지피복지도와 위성영상 간의 생성 시기 내에 변화된 지역이 존재하여 훈련자료에 오차가 발생할 수 있다. 이를 해결하기 위하여, Fig. 2와 같이 기존 토지피복도에서 정의된 6개의 클래스특성을 고려하여 2단계의 Decision tree를 생성하였다(Dickinson et al., 1993; Friedl et al., 1997; Pal et al., 2003). 1단계는 NDVI 영상을 이용하여 식생의 유무로 분류하였고 2단계는 비식생지역을 도심지, 나지, 수계로 분류하였으며, 식생지역은 농업지역, 산림, 초지 등으로 구분하였다. 2단계의 분류에서는 각 클래스의 선험확률을 가중치로 두어 적용하였으며, 다수 클래스의 경우 보다 많은 화소수를 가지는 지역을 대표 클래스로 선정하였다.

Fig. 2.Hierarchical decision tree for the land cover classification

대표 클래스가 명명된 ISODATA 결과를 기존의 토지피복지도와 비교하여 동일한 클래스를 지니는 화소들만 초기 훈련자료로 할당하였다. 기존의 방법과 다르게 최대 26개의 클래스로 명명된 것 중 6개의 대표 클래스만 추출되기 때문에 훈련자료의 양이 줄어들어 데이터 처리속도가 증가하였다. 또한 각 클래스별 토지피복지도와 위성영상의 분광특성이 다른 지역 및 변화지역들은 훈련자료로 결정되지 않는다. Fig. 3은 기존의 토지피복지도와 명명된 ISODATA를 이용하여 초기 훈련자료를 추출한 것으로, 각 클래스별로 대표되는 지역이 아래의 범례에 따라 도식화되었다. 그림을 살펴보면 수계의 경우 수계 중심지역이 추출된 것을 알 수 있으며, 산림지역의 경우도 산 중심부가 추출된 것을 확인할 수 있다.

Fig. 3.Training dataset corresponding to each class

2.3 salt and pepper 오류 제거

화소기반의 분류 방법에서는 salt and pepper라 불리우는 오류가 발생하게 된다(Lu and Weng, 2007). 이와 같은 오류를 해결하기 위하여 객체기반의 분류가 제안되었으나(Blaschke, 2010), 이러한 방법은 많은 변수들이 필요하기 때문에 본 연구에서는 이와같은 오류를 줄이는데 효과적인 MRF(Markov random fields)를 이용하여 오류를 줄이고자 하였다(Sui et al., 2012; Szeliski et al., 2008). MRF에서 화소(i,j)가 클래스 Ci에 속할 확률은 Eqs.(1) and (2)와 같이 각 분광정보와 화소(i,j)의 주변 화소값에 의해 결정된다.

여기에서 Z는 정규화상수, Ucon와 Uspec은 context와 spectrum의 에너지, Uspec은 각 클래스의 사전확률의 로그함수에 의하여 결정된다.

본 연구에서 초기 사전확률은 기존의 토지피복도의 분포로 사용하였으며, 주변 화소는 2차 이웃 방법을 적용하였다(Fig. 4).

Fig. 4.Second-order neighborhood set used by the MRF model

Ucon는 주변의 화소를 이용하여 아래와 같이 산정한다. β는 가중치 상수로 Bruzzone and Prieto(2000)의 연구를 토대로 Eqs.(3) and (4)를 사용하였다.

분류된 토지피복지도 Fig. 5(a)에 MRF를 적용하면 Figs. 5(b) and 5(c) 같이 화소(i,j)가 클래스에 속할 확률이 도출되고, 1에 가까울수록 해당 화소가 특정 클래스에 속할 확률이 높으며, 반대의 경우 해당 클래스에 속할 확률이 줄어들게 된다. 각각의 클래스별 확률을 산정하고, 가장 높은 확률을 화소(i,j)에 분배한다면 Fig. 5(d)와 같이 salt and pepper가 감소한 영상을 획득하게 된다.

Fig. 5.Result image used by the MRF model

2.4 훈련자료 반복 추출을 통한 토지피복도 갱신

본 연구에서는 환경부에서 제공하는 대분류 토지피복도를 이용하여 ISODATA의 클래스의 명명과 피복을 결정하고, 이를 활용하여 자동으로 토지피복도를 분류하는 방법을 제안하였다. 또한, 초기 훈련자료에서 제거되지 않은 훈련자료내의 혼합된 분광특성을 반복적인 피복분류를 통해 제거하여 정확한 토지피복지도를 갱신하고자 하였다.

반복적 피복분류는 총 2단계로 구성되며, 첫 번째 단계는 기존 토지피복도와 위성영상의 ISODATA를 이용 피복데이터를 추출하는 단계이다. 두 번째 단계는 갱신된 훈련자료를 이용하여 새로운 토지피복도를 생성하고, 새로운 토지피복도와 이전 단계의 토지피복도를 비교하고 수렴조건을 만족하지 못하는 경우 새로운 토지피복도를 이용하여 MRF의 선험확률과 갱신된 훈련자료를 추출하게 된다. 수렴조건은 기존의 토지피복도를 T1와 초기 훈련자료로 분류한 피복도를 T2로 정의하고, T1과 T2를 비교하였을 때 변화가 일정한(1%) 범위에 도달하는 경우이며, 각각의 피복도를 비교하여 변화가 일정 기준치이하로 수렴할때까지 반복적으로 분류를 수행한다.

첫 번째 초기 훈련자료 추출 1. 2010년 대분류 토지피복도를 T1으로 정의하고 T1의 각 클래스별 분포도와 30년간 전국 토지피복도 변화율을 이용하여 MRF와 ISODATA의 클래스 명명에 필요한 선험확률을 추출한다. 2. T1을 2013년 Landsat 영상의 ISODATA의 클래스를 명명하고 각 대표클래스(6개)를 C1이라 정의한다. 3. C1을 훈련자료로 적용한 MLC분류를 통하여 새로운 토지피복도 T2를 생성한다. 4. T2에 MRF를 적용하여 salt and pepper제거한 T2M을 생성한다. 5. T1와 T2M을 비교하여 변화가 기준치 이상일 경우 C1과 T2M을 비교하여 변하지 않은 지역을 새로운 훈련자료로 정의한다.

두 번째 훈련자료 반복 추출 (이전 토지피복도를 T1M라 정의)를 통한 토지피복도 갱신 1. T1M을 이용하여 각 클래스별 분포를 추출하고 이를 선험확률로 정의한다. 2. 새로 정의된 훈련자료 C2를 적용한 MLC에 의하여 토지피복도 T2를 생성한다. 3. T2에 1번 단계에서 추출된 선험확률을 적용한 MRF를 이용하여 salt and pepper제거한 T2M을 생성한다. 4. T1M과 T2M을 비교하여 변화가 기준치 이상일 경우 C2와 T2M을 비교하여 변하지 않은 지역을 새로운 훈련자료로 정의한다. 5. 변화가 기준치 이하인 경우 분류된 T2M을 최종 토지피복도로 결정한다.

3. 결과 및 분석

3.1 대상지역 및 사용데이터

본 연구에서는 NASA에서 발사한 Landsat OLI 센서를 통하여 취득한 위성영상을 활용하였다. Landsat OLI 위성센서는 panchromatic을 제외한 총 8개의 다중 분광 밴드를 제공한다. 공간해상도는 30m이며, 기존의 Landsat ETM+ 자료와 비교하여 coastal aerosol, cirrus 밴드가 추가된 특징을 지닌다. Landsat OLI 위성의 제원은 Table 1과 같다.

Table 1.Specifications of the Landsat OLI

본 연구에서 제시한 영상분류기법을 적용하기 위하여 2013년 6월 5일에 촬영된 경상북도 상주지역의 영상(1500×1500 pixels)과 동일지역의 2010년 환경부 대분류 토지피복지도를 사용하였다(Fig. 6). 일반적인 대분류 토지피복지도의 경우, 도심지, 농지, 산지, 초지, 습지, 나지, 수역 등의 총 7개 클래스로 구성되어 있으나, 대상지역의 경우 습지에 해당하는 지역이 유의미한 화소수를 가지고 있지 않아 본 연구에서는 습지를 제외한 총 6개의 지역을 대상으로 토지피복지도를 생성하였다.

Fig. 6.Study area

3.2 정성적, 정량적 평가

본 연구에서 생성된 토지피복지도의 정확도 및 효율성을 평가하기 위하여 수동으로 취득한 영상 내의 참조자료를 50%는 분류하는데 이용하고, 50%는 평가하는데 활용하였다(Yu et al., 2012). 사용자가 수동으로 취득한 훈련자료를 MLC에 적용하여 생성된 결과는 Fig. 7(a)이고 제안된 방법을 적용하여 생성된 결과 Fig. 7(b)이며, 기존방법과 본 연구에서 생성된 토지피복지도를 참조자료와 비교한 오차행렬은 각각 Tables 2 and 3 이다.

Fig. 7.Classification results: (a) traditional method (b) proposed method

Table 2.Confusion matrix of supervised classification by traditional method

Table 3.Confusion matrix of proposed method

기존방법에 의한 전체 정확도(overall accuracy)는 94%, 카파계수(Kappa coefficient)는 0.92로 나타났으며, 제안된 방법은 각각 96%, 0.95의 전체 정확도와 카파 계수 값을 나타냈다. 카파계수 0.4-0.8에서 참조자료와 보통의 일치도를 나타낸다고 볼 수 있으며, 제안방법이 기존방법보다 높은 일치도를 보였다. 이를 통해, 본 연구에서 제안한 기법은 토지피복지도를 사용하여 효과적으로 훈련자료를 자동 추출할 수 있음을 확인하였다. 클래스에 대한 사용자 정확도와 생산자 정확도를 비교하여 보면 나지, 수계지역의 경우에는 유사한 정확도를 나타내었다.(Tables 2 and 3).

그러나, 제안기법은 기존방법과 비교하여, 도심지역의 생산자 정확도가 89%로 낮게 나타났는데, 이는 도심지의 혼합분광이 나지와 농지에 비슷한 분광특성을 가지고 있기 때문에 오분류 된 것으로 추정되었다. 기존방법은 초지가 과다하게 분류된 것을 볼 수가 있으며, 제안기법은 초지가 산림으로 오분류되어 초지가 상대적으로 과소하게 분류된 것을 알 수가 있다. 이러한 특성은 대상영상의 취득시기에 따른 영향으로 훈련자료의 자동화과정에서 발생하는 오차와 수동으로 취득된 참조데이터의 특성을 반영한 것으로 판단된다.

끝으로, Fig. 8에서 보는 것과 같이 MRF를 적용하지 않은 영상과 적용한 영상을 비교한 결과 적용한 영상에서 각 클래스별 군집화가 잘되어 있었으며, salt and pepper가 효과적으로 감소한 것을 알 수가 있다.

Fig. 8.Land cover map with MRF model (a) and without MRF model (b)

또한 Fig. 9을 이용하여 토지피복지도의 생성결과를 비교한 결과, 도심지의 경우 오차행렬에서와 같이 농지를 도심지로 분류하고 있어 기존의 방법이 제안방법에 비해 과다하게 분류된 것을 알 수가 있었다. 초지는 기존의 분류 방법이 과다하게 분류되었고, 제안방법은 산림으로 오분류하여 과소하게 분류된 것을 알 수가 있었으며, 이와 같이 농경지 주변지역은 도심지역으로 과대추정하고 있는 기존감독분류기법에 비하여 제안된 방법이 효과적 표현하고 있는 것도 시각적으로 확인할 수 있었다. 끝으로 나지도 제안방법이 기존방법에 비하여 수계지역에서 효과적으로 분류되어 나타나는 것을 알 수 있었다.

Fig. 9.Detailed images of classification results : (a) traditional method (b) proposed method

4. 결 론

본 연구에서는 기존의 토지피복지도를 가지고 생성된 훈련자료를 이용하여 Landsat OLI 영상의 분류를 수행하고자 하였으며, 제안방법과 기존의 방법을 비교하여 다음과 같은 결과를 얻을 수 있었다.

첫 번째, 단일 Landsat 영상과 환경부에서 제공하는 대분류 토지피복도를 이용하여 대표 분광 클래스를 선정하였고, 대분류 토지피복도와 매칭을 통하여 토지피복분류를 위한 초기 훈련자료를 추출하였다. 또한, 화소기반에서 발생하는 salt and pepper를 효과적으로 감소시킬 수 있었으며, 반복을 통하여 훈련자료를 갱신하고 최종적인 토지피복지도를 분류할 수 있었다.

두 번째, 기존의 방법을 통하여 분류된 피복 지도는 전체정확도(94%) 및 카파계수(0.92)와 비교하여 높은 전체정확도(96%)와 카파계수(0.95)를 나타냈으며, 시각적 분석을 통해서도 기존의 방법과 유사한 토지피복지도를 생성할 수 있었다.

세 번째, 토지피복도 생성결과 농경지를 도심지로 오분류하는 기존기법의 문제점을 해결 할 수 있었으나, 제안된 방법이 초지를 산림으로 오분류하는 것도 확인할 수 있었다.

위의 결과를 통하여 제안 방법이 기존의 토지피복지도를 활용하여 훈련자료를 자동으로 생성하고, 생성된 훈련자료를 감독분류에 적용하여 활용할 수 있음을 알 수 있었으나, 제안된 기법은 초지를 산림으로 오분류하였기 때문에 개선해야할 것으로 판단되었다.