Abstract
The advantage of the lidar data is in fast acquisition and process time as well as in high accuracy and high point density. However lidar data itself is difficult to classify the earth surface because lidar data is in the form of irregularly distributed point clouds. In this study, we investigated land cover classification using both lidar data and optical image through a supervised classification method. Firstly, we generated 1m grid DSM and DEM image and then nDSM was produced by using DSM and DEM. In addition, we had made intensity image using the intensity value of lidar data. As for optical images, the red, blue, green band of CCD image are used. Moreover, a NDVI image using a red band of the CCD image and infrared band of IKONOS image is generated. The experimental results showed that land cover classification with lidar data and optical image together could reach to the accuracy of 74.0%. To improve classification accuracy, we further performed re-classification of shadow area and water body as well as forest and building area. The final classification accuracy was 81.8%.
라이다 데이터는 데이터 취득시간과 처리시간이 짧으며 높은 점밀도와 정확도를 가지고 있다. 그러나 광학영상과는 달리 3차원 형태의 비정규 점군의 형태이기 때문에 지표면에 대한 정확한 분류가 어렵다. 본 연구에서는 라이다 데이터와 광학영상을 동시에 이용해서 감독분류 기법을 통해 토지피복분류를 수행하였다. 먼저 라이다 데이터로부터 격자 크기가 1m인 DSM 영상과 DEM 영상을 제작하고 이를 이용하여 nDSM 영상을 제작하였다. 또한 라이다 데이터의 인텐서티(intensity) 정보를 이용해서 인텐서티 영상을 제작하였다. 광학영상의 입력데이터는 CCD 영상의 적색, 청색, 녹색 파장영역과 IKONOS 영상의 근적외선 파장영역이다. 그리고 CCD 영상의 적생광 파장영역을 이용해서 제작한 식생지수 영상이다. 광학영상과 라이다 데이터를 동시에 이용해서 토지피복 분류를 수행한 결과 74%의 분류 정확도를 얻을 수 있었다. 추가적으로 그림자 지역의 재분류, 수계지역의 처리 그리고 숲과 건물의 오분류 수정 과정을 수행하여 최종적으로 81.8%의 분류 정확도를 얻을 수 있었다.
