대한원격탐사학회지 (Korean Journal of Remote Sensing)

  • 제27권4호
  • /
  • Pages.445-455
  • /
  • 2011
  • /
  • 1225-6161(pISSN)
  • /
  • 2287-9307(eISSN)
대한원격탐사학회 (Korean Society of Remote Sensing)
권호 표지
DOI QR코드

DOI QR Code

토지 피복 분류에서 분광 영상정보와 시간 문맥 정보의 결합을 위한 베이지안 확률 규칙의 적용

Application of Bayesian Probability Rule to the Combination of Spectral and Temporal Contextual Information in Land-cover Classification

  • 이상원 (인하대학교 지리정보공학과) ;
  • 박노욱 (인하대학교 지리정보공학과)
  • 투고 : 2011.07.02
  • 심사 : 2011.07.30
  • 발행 : 2011.08.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

이 논문은 분광 영상정보만으로 구분력이 상대적으로 떨어지는 분류 항목들의 분류 정확도 향상을 목적으로 기 존재하는 토지피복도로부터 계산된 시간 문맥 정보를 결합하는 확률론적 분류 방법론을 제안하였다. 기 존재하는 토지피복도와 고려하고 있는 시기의 훈련 집단으로부터 분류 항목간 전이 확률을 계산하여 이를 사전 확률로 간주하였다. 분광 영상정보로부터 얻어지는 조건부 확률을 사전 확률과 결합하여 최종적인 사후 확률을 계산하여 분류 항목을 결정하였다. 제안 기법은 기존 시간 문맥 정보를 결합할 때 많은 계산량을 요구하는 방법론들과 달리 확률론적 분류 방법에 쉽게 적용이 가능한 장점이 있다. 시계열 MODIS 자료를 이용한 농작물 분류 사례 연구를 수행하여, 제안 기법의 적용가능성을 검증하였다. MODIS 자료의 낮은 공간 해상도로 인한 혼재 효과로 분광 영상정보만으로 구분력이 떨어지는 분류 항목들은 시간 문맥 정보를 고려함으로써 상대적인 구분력이 향상되어 최종적으로 향상된 분류 정확도를 나타내었다. 따라서 제안 기법은 분류 정확도의 향상과 더불어 기제작된 토지피복도의 갱신에도 효과적으로 이용될 수 있을 것으로 기대된다.

A probabilistic classification framework is presented that can combine temporal contextual information derived from an existing land-cover map in order to improve the classification accuracy of land-cover classes that can not be discriminated well when using spectral information only. The transition probability is computed by using the existing land-cover map and training data, and considered as a priori probability. By combining the a priori probability with conditional probability computed from spectral information via a Bayesian combination rule, the a posteriori probability is finally computed and then the final land-cover types are determined. The method presented in this paper can be adopted to any probabilistic classification algorithms in a simple way, compared with conventional classification methods that require heavy computational loads to incorporate the temporal contextual information. A case study for crop classification using time-series MODIS data sets is carried out to illustrate the applicability of the presented method. The classification accuracies of the land-cover classes, which showed lower classification accuracies when using only spectral information due to the low resolution MODIS data, were much improved by combining the temporal contextual information. It is expected that the presented probabilistic method would be useful both for updating the existing past land-cover maps, and for improving the classification accuracy.

키워드

참고문헌

  1. 김민호, 이충근, 박호기, 이재은, 구본철, 신진철, 2008. Landsat 위성영상을 이용한 벼 생육 및 수량 모니터링, 한국작물학회지, 53(4): 288-393.
  2. 박노욱, 지광훈, 2007. 타겟 분해 기반 특징과 확률비 모델을 이용한 다중 주파수 편광 SAR자료의 결정 수준 융합, 대한원격탐사학회지, 23(2): 89-101. https://doi.org/10.7780/kjrs.2007.23.2.89
  3. 이기원, 전소희, 권병두, 2005. GLCM/GLDV 기반 texture 알고리즘 구현과 고해상도 영상분석 적용, 대한원격탐사학회지, 21(2): 121-133. https://doi.org/10.7780/kjrs.2005.21.2.121
  4. 이상훈, 2003. 퍼지 클래스 벡터를 이용하는 다중센서 융합에 의한 무감독 영상분류, 대한원격탐사학회지, 19(4): 329-339. https://doi.org/10.7780/kjrs.2003.19.4.329
  5. 장동호, 2005. 고해상도 위성영상을 이용한 홍수 전, 후의 하도 내 퇴적환경 변화 탐지:강릉 사천천 사례연구, 한국지형학회지, 12(3): 49-58.
  6. 천기선, 박재국, 2007. 산사태 취약지에서의 토지피복 상태 변화추적, 한국지형공간정보학회지, 15(3):69-76.
  7. 홍창희, 2009. 고해상도 영상자료 및 객체지향분류기법을 이용한 식생분류 정확도 향상 방안 연구, 한국환경영향평가학회지, 18(6): 387-392.
  8. Bazi, Y. and F. Melgani, 2006. Toward an optimal SVM classification system for hyperspectral remote sensing images, IEEE Transactions on Geoscience and Remote Sensing, 44(11): 3374-3385. https://doi.org/10.1109/TGRS.2006.880628
  9. Bruzzone, L. and S.B. Serpico, 1997. An iterative technique for the detection of land-cover transitions in multitemporal remote sensing images. IEEE Transactions on Geoscience and Remote Sensing, 35(4): 858-867. https://doi.org/10.1109/36.602528
  10. Camps-Valls, G. and L. Bruzzone, 2009. Kernel Methods for Remote Sensing Data Analysis, Wiley, Chichester, UK.
  11. Chang C.-C. and C.-J. Lin, 2011. LIBSVM: a library for support vector machines, ACM Transactions on Intelligent Systems and Technology, 2(3): 1-27.
  12. Cristianini, N. and J. Shawe-Taylor, 2000. An Introduction to Support Vector Machines, Cambridge University Press, Cambridge, UK.
  13. Ehlers, M., M. Gahler, and R. Janowsky, 2003. Automated analysis of ultra high resolution remote sensing data for biotope type mapping: new possibilities and challenges, ISPRS Journal of Photogrammetry and Remote Sensing, 57(5-6): 315-326. https://doi.org/10.1016/S0924-2716(02)00161-2
  14. Foody, G.M. and A. Mathur, 2004. A relative evaluation of multi class image classification by support vector machines, IEEE Transactions on Geoscience and Remote Sensing, 42(6): 1335-1343. https://doi.org/10.1109/TGRS.2004.827257
  15. Johnson, D.M. and R. Mueller, 2010. The 2009 Cropland data layer, Photogrammetric Engineering & Remote Sensing, 76(11): 1201-1205.
  16. Kalayeh, H.M. and D.A. Landgrebe, 1986. Utilizing multitemporal data by a stochastic model, IEEE Transactions on Geoscience and Remote Sensing, 24(5): 792-795.
  17. Mathur, A. and G.M. Foody, 2008. Crop classification by support vector machine with intelligently selected training data for an operational application, International Journal of Remote Sensing, 29(8): 2227-2240. https://doi.org/10.1080/01431160701395203
  18. Melgani, F. and S.B. Serpico, 2002. A statistical approach to the fusion of spectral and spatiotemporal contextual information for the classification of remote-sensing images, Pattern Recognition Letters, 23(9): 1053-1061. https://doi.org/10.1016/S0167-8655(02)00052-1
  19. Melgani, F. and S.B. Serpico, 2003. A Markov random field approach to spatio-temporal contextual image classification, IEEE Transactions on Geoscience and Remote Sensing, 41(11): 2478-2487. https://doi.org/10.1109/TGRS.2003.817269
  20. Melgani, F. and L. Bruzzone, 2004. Classification of hyperspectral remote sensing images with support vector machines, IEEE Transactions on Geoscience and Remote Sensing, 42(8): 1778-1790. https://doi.org/10.1109/TGRS.2004.831865
  21. Oh, H.-J., N.-W. Park, S.-S. Lee, and S. Lee, 2011. Extraction of landslide-related factors from ASTER imagery and its application to landslide susceptibility mapping, International Journal of Remote Sensing, in press.
  22. Pal, M. and P.M. Mather, 2005. Support vector machines for classification in remote sensing, International Journal of Remote Sensing, 26(5): 1007-1011. https://doi.org/10.1080/01431160512331314083
  23. Park, N.-W., 2010. Accounting for temporal contextual information in land-cover classification with multi-sensor SAR data, International Journal of Remote Sensing, 31(2): 281-298. https://doi.org/10.1080/01431160902882652
  24. Swain, P.H., 1978. Bayesian classification in a time-varying environment, IEEE Transactions on Geoscience and Remote Sensing, 8(12): 880-883.
  25. Vapnik, V.N., 1995. The Nature of Statistical Learning Theory, Springer, New York, USA.
  26. Yang, C.Z.X., 1998. Study of remote sensing image texture analysis and classification using wavelet, International Journal of Remote Sensing, 19(16): 3197-3203. https://doi.org/10.1080/014311698214262
  27. Zhao, M., F.A. Heinsch, R.R. Nemani, and S.W. Running, 2005. Improvements of the MODIS terrestrial gross and net primary production global data set, Remote Sensing of Environment, 95(2): 164-176. https://doi.org/10.1016/j.rse.2004.12.011

피인용 문헌

  1. Early Production of Large-area Crop Classification Map using Time-series Vegetation Index and Past Crop Cultivation Patterns - A Case Study in Iowa State, USA - vol.30, pp.4, 2014, https://doi.org/10.7780/kjrs.2014.30.4.7
  2. 능동 학습과 시간 문맥 정보를 이용한 작물 재배지역 분류 vol.18, pp.3, 2011, https://doi.org/10.11108/kagis.2015.18.3.076
  3. 고랭지밭 현황 파악을 위한 Terra MODIS 위성영상 적용 vol.20, pp.3, 2011, https://doi.org/10.11108/kagis.2017.20.3.001