Journal of the Korean Association of Geographic Information Studies (한국지리정보학회지)

The Korean Association of Geographic Information Studies (한국지리정보학회)
권호 표지
DOI QR코드

DOI QR Code

A Study on Object-Based Image Analysis Methods for Land Cover Classification in Agricultural Areas

농촌지역 토지피복분류를 위한 객체기반 영상분석기법 연구

  • Kim, Hyun-Ok (Satellite Information Research Center, Korea Aerospace Research Institute) ;
  • Yeom, Jong-Min (Satellite Information Research Center, Korea Aerospace Research Institute)
  • 김현옥 (한국항공우주연구원 위성정보연구센터) ;
  • 염종민 (한국항공우주연구원 위성정보연구센터)
  • Received : 2012.07.30
  • Accepted : 2012.10.12
  • Published : 2012.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

It is necessary to manage, forecast and prepare agricultural production based on accurate and up-to-date information in order to cope with the climate change and its impacts such as global warming, floods and droughts. This study examined the applicability as well as challenges of the object-based image analysis method for developing a land cover image classification algorithm, which can support the fast thematic mapping of wide agricultural areas on a regional scale. In order to test the applicability of RapidEye's multi-temporal spectral information for differentiating agricultural land cover types, the integration of other GIS data was minimized. Under this circumstance, the land cover classification accuracy at the study area of Kimje ($1300km^2$) was 80.3%. The geometric resolution of RapidEye, 6.5m showed the possibility to derive the spatial features of agricultural land use generally cultivated on a small scale in Korea. The object-based image analysis method can realize the expert knowledge in various ways during the classification process, so that the application of spectral image information can be optimized. An additional advantage is that the already developed classification algorithm can be stored, edited with variables in detail with regard to analytical purpose, and may be applied to other images as well as other regions. However, the segmentation process, which is fundamental for the object-based image classification, often cannot be explained quantitatively. Therefore, it is necessary to draw the best results based on expert's empirical and scientific knowledge.

지구온난화와 함께 홍수와 가뭄 등 기후변화에 대비하기 위해서는 경지현황에 대한 신속하고 정확한 정보를 바탕으로 농업생산량을 효율적으로 관리, 예측, 대비하는 것이 필요하다. 본 연구는 시 도 규모 이상의 넓은 지역을 대상으로 농촌지역 토지피복도 제작을 지원할 수 있는 영상분류 알고리즘 개발을 목표로 객체기반 영상분석기법의 활용가능성과 한계를 검토해 보았다. 추가적인 공간자료의 사용이 최소화된 상태에서 다중시기 RapidEye 위성영상의 분광정보 활용가능성을 테스트해 보고자 하였으며, 사례연구지인 김제지역 일대($1,300km^2$)에 대한 토지피복 분류 정확도는 80.3%로 양호하게 나타났다. 분석에 사용된 RapidEye의 6.5m 공간해상도는 대체로 작은 규모로 경작되는 우리나라 경지의 공간적 특성 추출이 가능하다는 것을 보여주었으며, 객체기반의 영상분석 기법은 분석가의 전문지식을 분류과정에서 다양한 방법으로 구현해냄으로써 영상정보 활용의 최적화를 꾀할 수 있음을 보여주었다. 또한, 기개발된 영상분류 알고리즘을 저장하고, 분석목적에 맞게 세부 변수들을 조정하여 다른 지역 또는 다른 영상에 응용할 수 있다는 장점이 있다. 하지만, 객체기반 영상분류의 근간이 되는 영상분할 과정은 정량적으로 명확히 설명되지 않는 경우가 많아 분석자의 경험과 전문지식을 바탕으로 최선의 결과를 도출하는 것이 요구된다.

Keywords

References

  1. 박정재, 구자용, 김병선. 2007. 위성영상을 이용한 중분류 토지피복도의 제작과정 개선. 한국GIS학회지 15(1):67-80.
  2. 오치영, 박소영, 김형석, 이양원, 최철웅. 2010. 고해상도 위성영상의 토지피복분류와 정확도 비교 연구. 한국지리정보학회지 13(1):89-100.
  3. 염종민, 김인환, 한경수. 2010. 장기간 SPOT/VEGETATION 정규화 식생지수를 이용한 지면 변화 탐지 개선에 관한 연구. 한국지리정보학회지 13(4):111-124.
  4. 이장우, 고정석, 김감래. 2010. 위성영상과 디지털카메라 영상을 이용한 토지피복도의 통계적 검증. 한국지적정보학회지 12(1):25-34.
  5. 이현직, 유지호, 유영걸. 2010. 고해상도 위성 영상을 이용한 정밀 주제 정보 추출. 한국지형공간정보학회지 18(1):73-81.
  6. 조명희, 부기동, 이정협, 이광재. 2000. 위성영상과 GIS를 이용한 과수재배 분포도 작성기법에 관한 연구. 한국지리정보학회지 3(4) :73-86.
  7. Gitelson, A.A., Y.J. Kaufman and M.N. Merzlyak. 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment 58:289-298. https://doi.org/10.1016/S0034-4257(96)00072-7
  8. Eitel, J.U.H., L.A. Vierling, M.E. Livak, D.S. Long, U. Schulthess, A. Ager, D.J. Krofcheck and L. Stoscheck. 2011. Broadband, red‐edge information from satellite improves early stress detection in a New Mexico conifer woodland. Remote Sensing of Environment 115: 3640-3646. https://doi.org/10.1016/j.rse.2011.09.002
  9. Fiella, I. and J. Penueals. 1994. The red edge position and shape as indicators of plant chlorophyll content, biomass and hydric status. International Journal of Remote Sensing (15):1459-1470.
  10. Lei, L., M. Koide, Y. Likuar and R. Yokoyama. 1998. Correction of atmospheric effects on AVHRR imagery by 6S code. Journal of the Remote Sensing of Japan 18(2):51-64.
  11. Moran, M.S., R.D. Jackson, P.N. Slater and P.M. Teillet. 1992. Evaluation of simplified procedures for retrieval of land surface reflectance factors from satellite sensor output. Remote Sensing of Environment 41:169-184. https://doi.org/10.1016/0034-4257(92)90076-V
  12. Rouse, J.W., R.H. Haas, J.A. Schell and D.W. Deering. 1974. Monitoring vegetation systems in the great plains with ETRS. Proceedings of the Third Earth Resources Technology Satellite‐1 Symposium, Greenbelt: NASA SP‐351:3010-317.
  13. Vermote, E.F., D. Tanre, J.L. Deuze, M. Herman and J.J. Morcette. 1997. Second simulation of the satellite signal in the solar spectrum, 6s: an overview. IEEE Transaction on Geoscience and Remote Sensing 35(3):675-686. https://doi.org/10.1109/36.581987
  14. 김제시청. http://www.gimje.go.kr.
  15. 네이버 백과. http://terms.naver.com/entry.nhn?cid=1587&docId=553408&categoryId=1587.
  16. USDA. http://www.pecad.fas.usda.gov/cropexplorer/description.cfm?legendid=6 ®ionid=rs.
  17. USGS. http://ivm.cr.usgs.gov/whatndvi.php.

Cited by

  1. Classification of Crop Cultivation Areas Using Active Learning and Temporal Contextual Information vol.18, pp.3, 2015, https://doi.org/10.11108/kagis.2015.18.3.076
  2. Land Cover Change Detection in the Nakdong River Basin Using LiDAR Data and Multi-Temporal Landsat Imagery vol.18, pp.2, 2015, https://doi.org/10.11108/kagis.2015.18.2.135
  3. Extraction of paddy field in Jaeryeong, North Korea by object-oriented classification with RapidEye NDVI imagery vol.56, pp.3, 2014, https://doi.org/10.5389/KSAE.2014.56.3.055
  4. Crops Classification Using Imagery of Unmanned Aerial Vehicle (UAV) vol.57, pp.6, 2015, https://doi.org/10.5389/KSAE.2015.57.6.091
  5. Classification of Radish and Chinese Cabbage in Autumn Using Hyperspectral Image vol.58, pp.1, 2016, https://doi.org/10.5389/KSAE.2016.58.1.091
  6. Analysis of Land Cover Characteristics with Object-Based Classification Method - Focusing on the DMZ in Inje-gun, Gangwon-do - vol.17, pp.2, 2014, https://doi.org/10.11108/kagis.2014.17.2.121
  7. A Study on Extraction of Croplands Located nearby Coastal Areas Using High-Resolution Satellite Imagery and LiDAR Data vol.18, pp.1, 2015, https://doi.org/10.11108/kagis.2015.18.1.170
  8. Analysis of Land Cover Classification and Pattern Using Remote Sensing and Spatial Statistical Method vol.18, pp.4, 2015, https://doi.org/10.11108/kagis.2015.18.4.100
  9. A Study on Land Cover Map of UAV Imagery using an Object-based Classification Method vol.23, pp.4, 2015, https://doi.org/10.7319/kogsis.2015.23.4.025
  10. UAV와 객체기반 영상분석 기법을 활용한 토지피복 분류 - 충청남도 서천군 마서면 일원을 대상으로 - vol.20, pp.1, 2012, https://doi.org/10.11108/kagis.2017.20.1.001
  11. 딥러닝 기반의 초분광영상 분류를 사용한 환경공간정보시스템 활용 vol.33, pp.6, 2017, https://doi.org/10.7780/kjrs.2017.33.6.2.3
  12. 화소 및 객체기반 분석기법을 활용한 생태계서비스 가치 추정 결과 비교 vol.33, pp.6, 2012, https://doi.org/10.7780/kjrs.2017.33.6.3.3
  13. Analysis of Land Cover Changes Based on Classification Result Using PlanetScope Satellite Imagery vol.34, pp.4, 2012, https://doi.org/10.7780/kjrs.2018.34.4.9
  14. UAV 자료와 객체기반영상분석을 활용한 대축척 갯벌 표층 퇴적상 분류도 작성 vol.36, pp.2, 2012, https://doi.org/10.7780/kjrs.2020.36.2.2.5
  15. 심층신경망 모델을 이용한 고해상도 KOMPSAT-3 위성영상 기반 토지피복분류 vol.23, pp.3, 2020, https://doi.org/10.11108/kagis.2020.23.3.252
  16. Development of Land Cover Classification Model Using AI Based FusionNet Network vol.12, pp.19, 2012, https://doi.org/10.3390/rs12193171
  17. CycleGAN을 활용한 항공영상 학습 데이터 셋 보완 기법에 관한 연구 vol.38, pp.6, 2012, https://doi.org/10.7848/ksgpc.2020.38.6.499
  18. A Comparative Approach of Fuzzy Object Based Image Analysis and Machine Learning Techniques Which Are Applied to Crop Residue Cover Mapping by Using Sentinel-2 Satellite and UAV Imagery vol.13, pp.5, 2012, https://doi.org/10.3390/rs13050937
  19. U-Net 기반 딥러닝 모델을 이용한 다중시기 계절학적 토지피복 분류 정확도 분석 - 서울지역을 중심으로 - vol.37, pp.3, 2012, https://doi.org/10.7780/kjrs.2021.37.3.4
  20. An Automated Machine Learning Framework in Unmanned Aircraft Systems: New Insights into Agricultural Management Practices Recognition Approaches vol.13, pp.16, 2012, https://doi.org/10.3390/rs13163190
  21. Spatiotemporal Analysis of Land Cover and the Effects on Ecosystem Service Values in Rupandehi, Nepal from 2005 to 2020 vol.10, pp.10, 2021, https://doi.org/10.3390/ijgi10100635