Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Land Cover Classification of the Korean Peninsula Using Linear Spectral Mixture Analysis of MODIS Multi-temporal Data

MODIS 다중시기 영상의 선형분광혼합화소분석을 이용한 한반도 토지피복분류도 구축

  • Jeong, Seung-Gyu (Environmental Planning Institute, Seoul National University) ;
  • Park, Chong-Hwa (Graduate School of Environmental Studies, Seoul National University) ;
  • Kim, Sang-Wook (Land and Urban Institute, Korea Land Corporation)
  • 정승규 (서울대학교 환경계획연구소) ;
  • 박종화 (서울대학교 환경대학원) ;
  • 김상욱 (한국토지공사 국토도시연구원)
  • Published : 2006.12.30
Download PDF
⟨ Previous Next ⟩

Abstract

This study aims to produce land-cover maps of Korean peninsula using multi-temporal MODIS (Moderate Resolution Imaging Spectroradiometer) imagery. To solve the low spatial resolution of MODIS data and enhance classification accuracy, Linear Spectral Mixture Analysis (LSMA) was employed. LSMA allowed to determine the fraction of each surface type in a pixel and develop vegetation, soil and water fraction images. To eliminate clouds, MVC (Maximum Value Composite) was utilized for vegetation fraction and MinVC (Minimum Value Composite) for soil fraction image respectively. With these images, using ISODATA unsupervised classifier, southern part of Korean peninsula was classified to low and mid level land-cover classes. The results showed that vegetation and soil fraction images reflected phenological characteristics of Korean peninsula. Paddy fields and forest could be easily detected in spring and summer data of the entire peninsula and arable land in North Korea. Secondly, in low level land-cover classification, overall accuracy was 79.94% and Kappa value was 0.70. Classification accuracy of forest (88.12%) and paddy field (85.45%) was higher than that of barren land (60.71%) and grassland (57.14%). In midlevel classification, forest class was sub-divided into deciduous and conifers and field class was sub-divided into paddy and field classes. In mid level, overall accuracy was 82.02% and Kappa value was 0.6986. Classification accuracy of deciduous (86.96%) and paddy (85.38%) were higher than that of conifers (62.50%) and field (77.08%).

본 연구의 목적은 MODIS 다중시기영상과 선형분광혼합화소분석(Linear Spectral Mixture Analysis : LSMA)을 이용하여 한반도의 토지피복도를 작성하는 것이다. 다양한 공간해상도와 광역적인 촬영스케일의 MODIS 영상에 LSMA를 이용하여 토지피복분류기 정확도의 향상과 한반도 생물계절적인 특성을 분석하고자 하였다. LSMA는 하나의 화소를 단일의 지표물로 가정하여 영상을 처리하는 기존의 기법과 달리 대상지의 토지피복 특성을 가장 잘 반영하는 순수한 물체의 화소값(Endmember)을 선택하여 자연환경요소들의 하나하나를 분리하는 기법이다. 본 연구에서 MODIS 다중시기 영상에 LSMA를 적용한 결과 남, 북한의 농경지 및 산림지역에 대한 서로 다른 생물계절적인 특성을 파악 할 수 있었으며, 이러한 결과 영상을 ISODATA 무감독분류기법을 통해서 대분류와 중분류하였다. 대분류에서는 79.94%의 전체 정확도를 보였으며, 농업지역은 85.45%, 산림지역은 88.12%로 다른 분류군들에 비해서 가장 높은 정확도를 보였다. 중분류에서는 산림지역과, 농업지역을 더욱 세분화하여 분류하였다. 전체정확도는 82.09%였으며, 활엽수림 86.96%, 논 85.38%로 분류군중 가장 높은 정확도를 나타냈다.

Keywords

References

  1. 김대성, 2003. Linear Spectral Mixing 모델을 이용한 하이퍼스펙트럴 영상의 Sub-Pixel 인식에 관한 연구, 서울대학교 석사학위논문
  2. 김원주, 2004. 자연환경 관련 공간변수를 이용한 한반도 생태지역 분류, 서울대학교 환경대학원 박사학위논문
  3. 남기덕, 1999. 한반도 식생의 연중 변화 고찰을 위한 Global NDVI 자료의 보정 방법, 서울대학교 환경대학원 석사학위논문, pp 24-26
  4. 박종화, 김원주, 남기덕, 이경렬, 1999. Seasonal Index를 사용한 Global 1Km AVHRR 자료의 부분이상 보정 방법 '춘계 학술대회 논문집', 대한원격탐사학회, 2: 20-24
  5. 박종화, 최상일, 2002. Classification Strategies for Korean Forests: A Case Study of Namhansansung Provincial Park, Korea, International Symposium on Remote Sensing, Sokcho, Korea, p708
  6. 이성구, 2004. MODIS 시계열영상을 이용한 한반도 토지피복 분류, 서울대학교 환경대학원 석사학위논문
  7. 이지민, 2004. 산림지역에서 Landsat-7 ETM+영상의 혼합화소분석, 인하대학교 석사학위논문, pp1-5
  8. 환경부, 2001. 인공위성영상자료를 이용한 토지피복분류도 구축 완료보고서, 한국전산원, pp.48-87
  9. 황순욱, 1997. NOAA/AVHRR 자료를 이용한 북한지역 지피 식생 및 농경지 모니터링, 서울대학교 환경대학원 석사학위논문
  10. Boardman, J. W., 1994. Geometric mixture analysis of imaging spectrometry data, Surface and Atmospheric Remote Sensing: Technologies, Data Analysis and Interpretation International, 4: 2369 -2371
  11. Stone, T. A., P. Schlesinger, G. M. Woodwell, and R. A. Houghton, 1994. A Map of the Vegetation of South America Based on Satellite Imagery
  12. Chavez, P. S., Jr., 1996. Image-based atmospheric corrections-revisited and revised, Photogrammetric Engineering and Remote Sensing, 62(9): 1025-1036
  13. DeFries, R. S., C. B. Field, I. Fung, C. O. Justice, S. Los, P. A. Matson, E. Matthews, H. A. Mooney, C. S. Potter, K. Prentice, P. J. Sellers, J. R. G. Townshend, C. J. Tucker, S. L. Ustin, and P. M. Vitousek, 1995. Mapping the land surface for global atmospherebiosphere models: Toward continuous distributions of vegetation's functional properties, J. Geophys. Res. 100: 20867-20882 https://doi.org/10.1029/95JD01536
  14. Drake N. A., S. Mackin, and J. J. Settle, 1999. Mapping Vegetation, Soils, and Geology in Semiarid Shrublands Using Spectral Matching and Mixture Modeling of SWIR AVIRIS Image, Remote Sensing of Environment, 68: 12-25 https://doi.org/10.1016/S0034-4257(98)00097-2
  15. Elmore A. J., et al., 2000. Quantifying Vegetation Change in Semiarid Environments: Precision and Accuracy of Spectral Mixture Analysis and the Normalized Difference Vegetation Index, Remote Sensing of Environment, 73(1): 87-102 https://doi.org/10.1016/S0034-4257(00)00100-0
  16. Jensen, J. R., 1996. Introductory Digital Image Processing: A remote sensing perspective, 2nd Edition. NJ: Prentice-Hall
  17. Keshava N. and J. F. Mustard, 2002. Spectral Unmixing, IEEE Signal Processing Magazine, 44-57
  18. Kim S. and C. Park, 2004. Identification of Palustrine Wetlands in Paldang Reservoir Using Spectral Mixture Analysis of Multi-Temporal Landsat Imagery, Journal of the Korea Society for Environmental Restoration and Revegetation Technology, 7(3): 48-55
  19. Roberts, D. A., Gardner, M., Church, R., Ustin, S., Scheer, G., and Green, R. O., 1998. Mapping Chaparral in the Santa Monica Mountains using Multiple Endmember Spectral Mixture Models, Remote Sensing of Environment, 65: 267-279 https://doi.org/10.1016/S0034-4257(98)00037-6
  20. Weiss and Milich, 1997. Errors in a standard method for generating interannual NDVI coefficient of variation (CoV) images, International Journal of Remote Sensing, 18(18), 1997, 3743-3748(6) https://doi.org/10.1080/014311697216595
  21. Winter M. E., 1999. N-FINDER An algorithm for fast autonomous spectral endmember determination in hyperspectral data, in Proceedings of SPIE Imaging Spectrometry V, 266-275
  22. Wu, Changsan and Alan T. Murray, 2003. Estimating Impervious Surface Distribution by Spectral Mixture Analysis, Remote Sensing of Environment, 84: 493-505 https://doi.org/10.1016/S0034-4257(02)00136-0
  23. Wu, C., 2004. Normalized spectral mixture analysis for monitoring urban composition using ETM+imagery, Remote Sensing of Environment, 93: 480-492 https://doi.org/10.1016/j.rse.2004.08.003
  24. Yi-Hsing and TSENG, 2000. Spectral Unmixing for the classification of hyperspectral images, International Archives of Photogrammetry and Remote Sensing. Vol.XXXIII, Part B7. Am.2000
  25. Zhu, Z. and Evans, D. L., 1994. U.S. forest types and predicted percent forest cover from AVHRR data. Photogrammetric Eng. & Remote Sensing, 60(5): 525-531