요약

변화탐지는 서로 다른 시점에 촬영된 영상에서 일어난 변화를 관측하는 기술로 위성영상을 활용한 원격탐사 분야에서 중요한 기술이다. 변화탐지 기법 중 하나인 무감독 변화탐지 기법은 단시간 내에 변화지역을 추출할 수 있는 장점을 지니지만, 임계값을 통해 변화된 지역을 이진영상으로 나타내기 때문에 토지피복변화를 파악하기 어렵다는 단점이 있다. 본 연구는 이러한 무감독 변화탐지의 단점을 보완하기 위해 공간정보를 기반으로 생성된 격자 포인트를 이용하여 위성영상의 토지피복변화 및 정확도 평가를 수행하였다. 변화탐지 알고리즘은 Spectral Angle Mapper(SAM)를 사용하였으며, 김제자유무역지역 일대를 촬영한 KOMPSAT-3A(K3A) 위성영상을 대상으로 진행하였다. 변화탐지결과는 자동 임계값 추출 알고리즘들 중 Otsu, Kittler, Kapur, Tsai 방법을 사용하여 이진영상으로 나타냈다. 또한, 변화탐지에 사용된 두 시점의 위성영상은 계절에 의한 식생 변화가 존재하기 때문에 확률밀도함수를 통한 Differenced Normalized Difference Vegetation Index(dNDVI)의 임계값으로 계절적 영향을 받는 지역을 제거하였다. 연구 결과, 자동 임계값 추출 알고리즘 중 Otsu와 Kapur의 정확도가 58.16%로 나타났고, dNDVI를 통해 계절적 영향을 제거하였을 때 85.47%로 정확도가 개선된 결과를 보였다. 본 연구결과를 기반으로 생성된 알고리즘은 무감독 변화탐지를 수행할 때 정확도 평가와 토지피복변화를 정량적으로 파악하여 기존의 단점을 보완할 수 있다고 판단된다.
 

1. 서론

변화탐지는 대상지역에서 일정 기간 동안 토지이용이나 토지피복의 차이를 파악할 수 있고 도시개발, 재해 평가와 같은 분야에도 활용되는 공간 기반 영상분석이다. 변화탐지 기술은 동일한 지역을 동일한 좌표에서 촬영된 영상이 요구되기 때문에 일정한 궤도로 같은 지점을 촬영할 수 있는 위성영상 기반 원격탐사기술에 효과적으로 활용할 수 있다. 국내에서는 이러한 위성활용을 촉진시키기 위해 국토위성센터를 설립하고 차세대중형위성인 국토전용관측위성을 개발하고 있다(Kang and Lim, 2017). 변화탐지 기법 중 무감독 변화탐지는 훈련자료를 기반으로 수행하는 감독 변화탐지와 달리, 두 영상의 모든 화소값의 비교를 수행하기 때문에 중첩을 하였을 경우 정확한 기하보정 및 대기보정이 요구된다. 특히 무감독 변화탐지는 변화된 화소와 변화되지 않은 화소를 구분해 주는 임계값의 설정이 필요하다(Park et al., 2003). 또한, 위성영상은 다중 분광 밴드를 고려해야 하기 때문에 n개의 밴드가 있을 경우 n 개의 임계값을 적용할 필요가 있고, 이후 n개의 결과를 통합하는 방법론을 정의할 필요가 있다(Bovolo et al., 2012). 위성영상 분야에서는 두 시기의 영상을 이용해 변화된 지역을 이진영상으로 나타내는 무감독 변화탐지를 수행한 연구들이 진행되어 왔으며(Oh and Lee, 2015; Sunwoo et al., 2017), 두 시기의 영상을 직접 비교하는 것이 아니라 교차 융합을 통해 변화탐지의 정확도를 개선하는 방식으로 발전되었다(Wang et al., 2017; Choi et al., 2018). Renza et al. (2017)은 위성영상간의 스펙트럼 차이를 분광각으로 계산하는 Spectral Angle Mapper(SAM) 알고리즘을 사용하여 변화탐지를 수행함으로써 모든 밴드에 동시에 적용되는 임계값을 선정하였다. 또한, 특정한 토지피복을 대상으로 하는 변화탐지는 Normalized Difference Vegetation Index(NDVI)와 같은 정규식의 차이를 통해 여러 밴드를 동시에 고려할 수도 있다(Teng et al., 2008).

무감독 변화탐지 기법들은 새로운 영상이 수집되었을 때 이진영상으로 신속하게 변화탐지를 수행하지만, 변화된 지역의 토지피복을 파악하기는 힘들다는 단점이 있다(Choi, 2015). 따라서 토지피복에 대한 정보가 없는 이진영상은 사전에 정의된 참조자료로 토지에 속성을 부여하는 과정이 필요하다(Liu et al., 2017). 특히, 대상지가 농업지역인 곳은 작물 수확이나 계절적 영향에 의해 발생한 식생 변화가 토지이용의 변화로 오탐지 될 수 있어 이에 대한 고려가 필요하다(Wang et al., 2014; Park et al., 2018). 이와 관련하여 Jeong (2019)은 기 구축된 공간정보인 연속수치지형도와 토지피복지도를 기반으로 두 시점의 영상에서 나타난 변화된 지역을 추출하여 실제로 변화한 지역과 비교해 우수한 결과를 나타냈고, 변화탐지 결과와 공간정보를 접합시키는 방향을 제시한 바 있다. 이에 본 연구에서는 영상 간 변화된 지역을 추출하였을 때 국가에서 제공하는 공간정보 기반 격자포인트를 활용하여 효율적인 변화탐지 정확도 평가 방안을 제시하였다. 정확도 평가 과정은 변화된 지역에 대해 공간속성을 부여함으로써 무감독 변화탐지의 결과로 나타나는 이진영상에서도 공간속성의 변화를 정량적으로 제시하였다.

2. 연구 자료 및 방법

본 연구에서는 전라 북도 김제시 자유무역지역 일대를 연구 대상지로 선정하였다(Fig. 1). 김제자유무역지역은 2009년 1월 김제시에서 유치한 특별 산업단지로, 2010년 착공을 시작으로 현재까지 재개발이 계속해서 이루어지고 있어 변화탐지를 수행하기에 적절할 것으로 판단된다(MOTIE, 2009).

Fig. 1. Study area and RGB composite image of K3A - Gimje Free Trade Zone, South Korea. (a) Study area (b) K3A Jul 30th, 2015 (c) K3A Nov 9th, 2017.

본 연구에서는 아리랑 3A호(KOMPSAT-3A: K3A)의 위성영상을 바탕으로 변화탐지를 수행하였다. Fig. 1(b)는 2015년에 연구 대상지를 촬영한 K3A 영상이며, Fig. 1(c)는 2017년에 촬영된 영상이다. 본 연구의 흐름은 Fig. 2와 같이 4단계로 구성되어 있으며, 연구에 사용된 데이터들의 제원은 Table 1과 같다. 첫 번째 전처리 과정에서는 두 시기의 기하보정이된 1G K3A 전정 영상 (Panchromatic image)과 다중분광영상(multi-spectral image)에 pan-sharpening 기법을 적용하여 공간해상력을 높였다. 두 번째 과정은 참조자료를 생성하기 위해 기 구축된 공간정보를 수집하였고, 세 번째 과정으로 영상간의 변화탐지를 수행하여 자동 임계값 알고리즘 적용하였다. 마지막 과정은 기 구축된 공간정보와 변화 탐지결과간의 정확도 평가를 수행하였다.

Fig. 2. Flowchart showing overall methodology for accuracy assessment of unsupervised change detection with automated threshold selection algorithms.

Table 1. Data source of K3A images and spatial information

본 연구에서는 기 구축된 공간정보를 이용하여 참조 자료를 생성하기 위해 연속수치지형도를 수집하였다. 연속수치지형도는 과거 도엽 단위로 제작된 수치지형도의 활용성을 높이기 위해 제작된 전국단위의 통합 수치지형도이다(Jeong, 2019). 본 연구는 연속수치지형도에서 제공하는 레이어 중 면형 레이어로 제공되는 건물, 도로, 농업지역, 수역을 사용하였다.

연속수치지형도는 국가기본도로 사용되는 중요한 자료로 정확성과 함께 최신성을 지녀야 하지만, 연속수치지형도는 제작과정상에서 소요되는 시간으로 인해 확보하는데 한계점이 있다(Yang et al., 2009). 따라서 본 연구에서는 위성영상의 촬영 시기와 가장 유사한 정확성을 확보하기 위해 2015년과 2018년 데이터를 사용하였다(Fig. 3(a), Fig. 3(b)). 본 연구에서는 무감독 변화탐지 결과에 공간정보를 참조하기 위해 격자 포인트(Grid point)를 사용하였다. 격자 포인트는 연속수치지형도의 속성을 참조하였으며, 2015년과 2018년 사이에 토지피복에서 발생한 변화를 확인할 수 있는 속성정보를 담고 있다. 격자 크기는 반복적인 실험을 통해 각 토지피복별로 1,000개 포인트 이상을 추출할 수 있는 10 m로 설정하였으며, 총 63,612개 포인트가 생성되었다. 변화탐지 알고리즘은 Differenced Normalized Difference Vegetation Index(dNDVI)기법이 접목된 SAM 기법을 사용했다. 본 연구에서는 계절적 영향이 발생할 수 있는 두 시기의 위성영상을 활용하기 때문에 발생할 수 있는 오탐지를 최소화하고자 하였다. 계절이 다른 위성영상간의 변화탐지는 식생, 논, 밭 등에서 식생의 변화가 발생하기 때문에 변화지역으로 탐지가 될 수 있다(Park et al., 2018). 이러한 변화탐지 지역은 토지이용 측면에서 변화가 발생한 것은 아니기 때문에 제거해야 할 필요성이 있다. 본 연구에서는 계절적 영향에 의해 발생한 식생의 변화를 제거하기 위해 dNDVI를 기반으로 하는 확률밀도함수를 사용하였다. NDVI는 식생과 비 식생을 구분하는 대표적인 정규 지수이며(Tucker, 1979) 이를 변화탐지 과정에서 사용하기 위해 식(1)과 같이 두 시기 NDVI의 차영상인 dNDVI를 활용하였다(Jin et al., 2013)

Fig. 3. Seamless digital map in study site. The seamless digital map includes road, buildings, agriculture and forest area. (a) 2015 seamless digital map (b) 2018 seamless digital map

dNDVI = postNDVI – preNDVI       (1)

여기서 postNDVI은 후시기 위성영상의 NDVI를 의미하고, preNDVI은 전시기 위성영상의 NDVI를 뜻한다. 연구 대상지의 토지피복은 주로 논으로 이루어져 있으며, 수확 시기를 기준으로 NDVI의 급격한 변화가 발생한다. 따라서 연속수치지형도에서 농업지역에 해당하는 영역만 추출하여 dNDVI의 확률밀도함수를 작성하였다. 본 연구에서 preNDVI에 사용되는 K3A 영상은 2015년 7월 30일에 촬영된 영상으로 식생 지수가 높은 시기이고, postNDVI에 사용되는 K3A 영상은 2017년 11월 9일에 촬영된 영상으로 수확기로 인해 식생 지수가 낮은 시기이다. 따라서 dNDVI가 음수일 경우 preNDVI가 더 높기 때문에 계절 영향에 의해 식생이 감소한 지역으로 판단할 수 있다. 본 연구에서는 계절 영향에 의해 식생이 감소한 임계값으로 확률밀도함수에서 밀도가 급증하기 시작하는 변곡점의 dNDVI값을 선정하였다.

본 연구에서 사용한 변화탐지 알고리즘인 SAM은 Boardman(1993)이 제안한 방법으로 기준 영상의 스펙트럼과 대상 영상의 스펙트럼의 유사성을 나타내는 알고리즘이다.

스펙트럼의 유사성은 두 스펙트럼 사이의 분광각을 계산하여 유사도를 결정하며, 영상의 밴드 수와 같은 차원을 가진 벡터로 이루어진다(Fig. 4). 두 영상의 스펙트럼에 대한 분광각은 화소마다 결정되며 이 값은 0°에서 90° 사이에 위치한다. 이때 0°에 가까울수록 두 스펙트럼의 유사성은 높고 90°에 가까울수록 두 스펙트럼의 유사성은 낮다. 식 (2)에서 \(X^{t_1}_i\)은 대상이 되는 영상의 스펙트럼, \(X^{t_2}_i\)은 기준이 되는 영상의 스펙트럼을 뜻하고, N은 영상의 총 밴드 수이다. 최종적으로 산출된 분광각은 라디안(radian)으로 정규화하여 0 ~ 1 사이의 값으로 나타낼 수 있다. 이때 사용자는 임계값에 따라 변화탐지된 화소들을 선정할 수 있으며, 임계값보다 높은 화소들은 변화탐지가 된 것으로 판단한다(Park et al., 2017).

Fig. 4. Plot of Spectral Angle Mapper(SAM) with multispectral bands (Kodama et al., 2010).

Spectral angle = \(\cos ^{-1} \frac{\sum_{i=1}^{i=N} X_{i}^{t} X_{i}^{t_{2}}}{\sqrt{\sum_{i=1}^{i=N}\left(X_{i}^{t_1}\right)^{2} \sum_{i=1}^{i=N}\left(X_{i}^{t_2}\right)^{2}}}\)       (2)

본 연구는 변화 여부의 기준이 되는 임계치를 설정하기 위해 자동 임계값 추출 알고리즘을 사용하였다. 자동 임계값 추출 알고리즘은 영상의 종류나 용도에 따라 다르게 설계될 수 있지만, 그 중에서도 Otsu기법과 Kittler and Illingworth기법은 보편적으로 우수한 성능을 나타낼 수 있는 것으로 나타난다(Wang et al., 2013; Zhao et al., 2017). 또한, Tsai 기법과 Kapur 기법은 각각 모멘트를 유지하는 방법과 엔트로피를 이용한 방법으로 영상 분석에 있어서 이진화성능이 우수하였다(Renza et al., 2012; Molina et al., 2012)

본 연구에서는 4가지 자동 임계값 추출 알고리즘을 사용하여 변화탐지 결과를 이진화하였으며, 각 알고리즘은 Table 2와 같이 계산된다. Otsu 기법은 임계값 t를 기준으로 모든 화소들을 두 가지 속성으로 분류했을 때 두 속성간의 intra-class variance(\(\sigma^2_\omega\)(t))를 최소화하거나 inter-class variance(\(\sigma^2_b\)(t))를 최대화하는 t를 찾는 방법이다. 이때 각 매개변수는 임계값 t보다 높은 값을 가진 화소들의 비율을 ω₀(t), 평균을 μ₀(t), 분산을 \(\sigma^2_0\)(t)이고 t보다 낮은 값을 가진 화소들의 비율을 ω₁(t), 평균을 μ₁(t), 분산을 \(\sigma^2_1\)(t)이라 한다. Kittler 기법은 클래스 간의 오차를 표현한 확률밀도함수에서 확률을 최소화하는 임계값을 도출하는 기법으로 확률밀도함수가 가우시안 분포를 따르는 영상에 최적화된 기법이다.

Table 2. Automated threshold selection algorithms for this study

N개의 값으로 이루어진 영상에서 Kittler 기법은 영상의 통계 분포가 평균 m_i산 \(\sigma^2_i\)로 이루어진 N(m_i, \(\sigma^2_i\))의 가우시안 모델이다. Kittler기법은 비용함수(Cost function)를 최적화하는 것으로 비용함수는 c(z, T)를 의미한다. 최적의 임계값은 평가함수 J(τ)를 최소화 함으로써 획득할 수 있다. 영상의 히스토그램은 h(z)이며, 이때 z는 화소의 강도값을 의미한다. 영상을 두 가지 클래스로 구분할 경우에는 클래스별로 두 개의 확률밀도함수가 존재하며 조건부 확률은 p(z|i)로 표현할 수 있다. 모든 화소는 두 클래스로 구분하고 조건부확률과 사전 확률로 각 화소의 변수 값을 설정한다. 가우시안 분포의 경우, 변수는 평균과 분산이며, 모든 변수는 임계값(T)에 의해 결정된다.

Tsai 기법은 모멘트 보존 변환을 기반으로 하며 화소의 강도를 이용하여 다수의 클래스로 그룹화 하는 것이다. 각 클래스의 값은 그레이 스케일값에 의해 표현될 수 있다. N은 히스토그램 이미지 F(x, y)에서의 총 화소수다. z_j는 그레이 스케일값의 평균이라고 할 때 z_o, z₁, p₀, p₁의 값은 단일 임계값 T를 구하기 위한 매개변수로 사용된다. 최종적으로 임계값은 p₀=\((\frac 1 n) \sum ^T _1 n_j\)로 계산된다.

Kapur 기법은 엔트로피를 기반으로 하는 이진화 임계값 알고리즘이다. Table 2에서 g는 (x, y)좌표에서의 화소 값이며, p(g)는 확률밀도함수, P(T)는 T값까지의 확률누적함수이다. 각 수식을 통해 얻어진 이진화된 영상 B(x, y)에서 f(x, y, z)는 t 시점에서의 영상이다.

3. 연구 결과

본 연구는 변화탐지의 정확도 평가를 위해 연속수치지형도 기반의 격자 포인트를 제작하였다(Fig. 5). Fig. 5(a)는 2015년 연속수치지형도를 기반으로 제작한 격자 포인트이고, Fig. 5(b)는 2018년 연속수치지형도를 기반으로 제작한 격자 포인트이다. 또한, 격자 포인트에서 변화가 나타난 지역의 공간적인 분포는 Fig. 5(c)와 같이 나타났다. Table 3은 격자 포인트 내에서 발생한 정량적인 변화를 행렬로 나타낸 것이다. 연구 대상지에서 가장 많은 영역을 차지한 토지피복은 농업지역으로 2015년에는 총 27,002개 포인트, 2018년에는 25,808개 포인트로 4.42%만큼 감소하였다. 가장 큰 변화를 보인 토지피복은 건물지역으로 2015년 1,277개 포인트에서 2018년 1,649개 포인트로 29.13%만큼 증가하였다. 도로는 2015년 3,217개 포인트에서 2018년 3,685개 포인트로 14.55%만큼 증가하였다. 수역과 기타 지역은 각각 7.37%만큼 감소, 5.71%만큼 증가하였다. 본 연구에서는 2015년 7월 30일 영상과 2017년 11월 9일 영상을 사용하여 SAM과 dNDVI 알고리즘에 따라 변화탐지를 수행하였다(Fig. 6). Fig. 6(a)는 SAM 알고리즘을 기반으로 생성한 변화탐지 영상이며, 화소값이 클수록 다른 지역보다 변화가 큰 지역으로 판단할 수 있다.

Fig. 5. 10 m grid points based on four class of seamless digital map. (a) grid points in 2015 (b) grid points in 2018 (c) difference in each grid points.

Fig. 6. Difference images obtained by the proposed methods. The image used in the change detection is K3A July 30th 2015 and K3A Nov 9th, 2017.

Table 3. Change detection matrix between 2015-2018 in grid points

또한, Fig. 6(b)는 계절에 의한 식생 변화지역을 추출하기 위해 제작된 dNDVI 기반의 변화탐지 영상이다 dNDVI는 영상값이 클수록 후시기의 NDVI 값이 증가한 영역이고, 영상값이 작을수록 NDVI 값이 감소한 영역이다. Fig. 7은 SAM 기반의 변화탐지 결과를 4가지 자동 임계값을 추출하여 이진영상으로 나타낸 결과이다. Table 4는 10 m격자에서 4가지 자동 임계값 추출 알고리즘과 중첩된 부분을 추출하고, 변화탐지 알고리즘에서의 변화 유무와 격자 포인트 상에서의 변화 유무를 오차 행렬로 표현하였다.

Fig. 7. Change detection results for SAM with four different automated threshold selection algorithms. Change area in the white, and non-change area in black.

Table 4. Classification accuracy assessment results obtained for the SAM methods, through the comparison against spatial based grid points (C is Changed and NC is Non-changed points)

SAM 기반의 변화탐지 과정에서 다른 3가지 기법과 비교하여 Tsai 모델은 상대적으로 낮은 임계값이 도출되어 변화탐지된 영역이 현저하게 적었다(Fig. 7(d)). 이는 Tsai 알고리즘이 모든 화소를 기반으로 하여 다수의 임계값을 도출하는 알고리즘이지만, 최저 임계값에 가장 가까운 단일 임계값을 선택하여 이진영상으로 제작하였기 때문인 것으로 판단된다. 또한, SAM 기반의 변화탐지결과에서 가장 높은 정확도를 나타낸 임계값 추출 알고리즘은 Tsai 기법으로 격자 포인트와 비교하였을 때 정확도가 93.07%로 나타났다. 하지만 전체 격자 포인트 중 변화된 포인트는 Otsu와 Kapur가 약 40%(20,756개), Kittler가 약 44%(22,474개)인데 반해 Tsai는 1%(478개)채 되지 않기 때문에 적절하지 못한 임계값이 산정되었다고 판단된다. Otsu와 Kapur는 격자 포인트와 비교하였을 때 변화된 지역에서 1,210개 포인트, 변화하지 않은 지역에서 28,654개가 동일하여 정확도가 58.16%로 나타났다.

본 연구에서는변화탐지정확도를향상시키기위해계절적 영향에 의한 식생 변화지역을 제거하고자 하였다. Fig. 8은 Fig. 6(b)에서 나타난 dNDVI 영상 중 농업지역에 해당하는 부분을 추출하여 확률밀도함수로 나타낸 것이다. 농업지역으로 추출된 영역은 위성영상의 촬영 시기를 고려하였을 때 7월 30일과 11월 9일 사이의 dNDVI를 계산하였기 때문에 수확기로 인한 계절적 영향이 나타날 수 있다. 또한, 농업지역에서 비닐하우스, 태양광 등의 비식생지역이 있지만, 계절적 영향으로 인한 식생 변화지역이 가장 많은 면적을 차지하기 때문에 확률밀도함수내에서 빈도가 상승하는 경계인 -0.38을 임계값으로 선정하였다. 본 연구에서는 SAM 기반의 변화탐지 결과 영상에서(Fig. 7(a)–(d)) 계절적 변화로 인한 식생 변화지역을 제거하기 위해 dNDVI가 -0.38 이하인 영역을 제외하고 이진영상에서 미변화지역으로 분류 하였다(Fig. 9(a)-(d)).

Fig. 8. The probability density function of dNDVI in agriculture area for vegetable changing threshold. Threshold is the boundary interval on which the number of pixel increases.

Fig. 9. Change detection results for dNDVI with four different automated threshold selection algorithms. White area is eliminated in areas where vegetation has changed due to seasonal effects.

따라서 Fig. 9(a)-(d)는 계절적 영향으로 인한 식생 변화지역이 제거된 결과로 판단할 수 있다. Table 5는 SAM기반의 변화탐지 결과에서 계절적 영향으로 인한 식생 변화지역을 제거한 결과를 오차행렬로 나타낸 것이다. Otsu와 Kapur의 경우 계절적 영향을 제거하였을 경우 정확도가 85.47%로 상승하였다. Kittler 기법은 기존 55.46%의 정확도에서 계절적 영향을 제거하였을 때 82.84%까지 정확도가 개선된 결과를 확인할 수 있었다.

Table 5. Classification accuracy assessment results obtained for the SAM applying dNDVI methods, through the comparison against spatial based grid points (C is Changed and NC is Non-changed points)

4. 결론 및 고찰

본 연구에서는 무감독 변화탐지의 정확도 평가를 수행하기 위해 기 구축된 공간정보를 기반으로 하는 격자 포인트를 사용하였다. 변화탐지 알고리즘은 SAM을 기반으로 수행하였으며, 4가지 자동 임계값 추출 알고리즘에 따라 이진영상으로 변화영역을 나타냈다. 또한, 농업지역에서 계절적 영향으로 인한 식생 변화지역은 확률밀도함수 기반의 dNDVI 임계값을 이용하여 제거하였다. 최종적으로 나타난 변화지역은 격자 포인트와의 오차행렬로 평가하였으며, 이를 통해 도출된 결론은 다음과 같다.

첫째, 본 연구에서는 무감독 변화탐지의 결과로 생성된 결과를 검증하기 위해 기 구축된 공간정보를 기반으로 생성된 격자 포인트를 활용하였다. 이를 통해 영상간 변화탐지 결과에서 토지피복의 변화인지, 단순 식생 변화인지 확인했으며, 이를 격자 포인트의 수와 비율을 통해 정량적으로 표현하였다.

둘째, 본 연구의 대상지는 농업지역이 대부분인 지역이기 때문에 두 시기의 위성영상간 계절 차이가 있을 경우 식생만의 변화가 발생할 수 있다. 따라서 토지이용의 변화가 나타난 지역만을 담기 위해 농업지역에서의 dNDVI 확률밀도함수를 통해 계절적 영향을 제거하고자 하였다. 계절적 차이를 제거한 결과는 Otsu와 Kapur, Kittler 임계값 알고리즘에서 약 27%의 정확도 개선이 이루어졌다. 또한, 자동 임계값 추출 알고리즘은 변화탐지결과가 적절하지 않은 Tsai를 제외하였을 때, Otsu와 Kapur가 85.47%로 가장 높은 정확도를 보였다.

본 연구는 향후 국토관측위성과 같은 차세대 중형위성에서 새롭게 수집되는 영상에 대해 무감독 변화탐지와 자동 임계값 알고리즘에 의해 신속한 변화탐지를 가능하게 한다. 또한, 기존에 구축된 공간정보를 통해 토지피복별로 정량적인 변화탐지 및 검증을 할 수 있다는 것에 의의가 있다. 하지만 본 연구에서 제시한 알고리즘은 도시개발지역에 대해 실험하였기 때문에 연구 지역이 달라질 경우 상이한 결과가 나타날 수 있다는 한계점이 있다. 따라서 향후 연구를 통해 다양한 형태의 실험 지역에 적용하여 알고리즘의 효율성을 검증할 필요가 있다.

사사

이 논문은 국토교통부 위성정보 활용센터 설립 운영사업인 ‘국토위성정보 수집 및 활용기술개발’(과제번 호:20SIUE-B148326-01)의 연구비지원에 의해 수행되었습니다.