• 지적과 국토정보
• /
• 제48권2호
• /
• pp.171-183
• /
• 2018

급속한 위성영상 공급확대에도 불구하고 자동화되지 못한 영상처리과정으로 인해 영상활용이 제약받는 경우가 많다. 본 연구에서는 감독영상분류를 위한 훈련지역 선택과정을 자동화함으로써 영상처리과정의 비용과 시간을 절감하는 방안을 제시하였다. 이를 위해 기존의 토지피복 정보를 활용하여 훈련관심영역을 추출하는 방법을 최신영상에 적용하여 토지피복분류를 실행한 후 분류정확도를 평가하였다. 원주시 도심지역을 대상지로 하여 토지유형을 시가지역과 농지/초지, 숲, 나대지 및 수계로 나누고 유형별 훈련관심영역을 환경부 중분류 토지피복지도를 활용하여 선택하였다. 관심영역 선택을 위해 먼저 토지피복지도 폴리곤 경계를 기준으로 negative buffer (-15m)를 적용하여 새로 폴리곤을 만들었고 너무 작은 폴리곤(<$2,000m^3$)과 큰 폴리곤(>$200,000m^3$)을 제외하였다. 선택된 폴리곤들의 밴드별 반사율 표준편차와 평균값 및 NDVI의 평균값을 계산하였다. 이 정보를 이용하여 먼저 표준편차가 적은 폴리곤 (폴리곤 내 반사율 값의 편차가 크지 않은 폴리곤)을 선택한 후 이들 중 반사율 평균값이 각 유형의 특징적인 분광특성을 반영할 수 있는 폴리곤을 관심영역으로 선택하였다. 2017년 Sentinel-2영상을 활용하여 토지피복유형을 분류한 결과 86.9%의 분류정확도($\hat{K}=0.81$)가 도출되었다. 본 연구에서 시도된 자동 관심영역 선택방법 적용한 결과 수동 디지타이징 과정을 생략하고도 높은 분류정확도를 도출 할 수 있었으며 이와 같은 방법을 통해 영상처리에 필요한 시간과 비용을 절약하여 급속히 증가하고 있는 영상을 효율적으로 활용할 수 있게 될 것으로 기대된다.

• 지역연구
• /
• 제37권4호
• /
• pp.49-59
• /
• 2021

이 연구의 목표는 정비사업(재개발, 재건축사업)이 해제된 지역의 특성을 파악하는 것이다. 이 연구의 범위는 189개의 사업구역(추진구역 121개, 해제구역 68개)이다. 121개의 추진구역과 68개의 해제구역은 모두 의사결정나무기법으로 분석하였다. 해제구역 영향요인에 대한 첫 번째 분리는 추진주체 유무에 의해 이루어졌다. 즉, 해제구역 영향요인을 결정하는 가장 중요한 독립변수는 추진주체 유무로 나타났다. 추진주체가 없는 89개 구역 중 41개 구역이 해제되고 48개 구역이 추진되었으며, 추진주체가 있는 100개 구역 중에 9개 구역이 해제되고 91개 구역이 추진되었다. 그 다음 해제구역 영향요인에 대한 두 번째 분리는 토지등소유자 수에 의해 이루어 졌으며, 토지등소유자 수가 468명 이하인 경우 해제확률이 늘어났으며, 62개 구역 중 37개 구역이 해제되었다. 반면 토지등소유자 수가 468명 이상인 27개 구역은 4개 구역이 해제되고 23개 구역이 추진되었다. 세 번째 분리는 평균공시지가에 의해 이루어졌으며, 269.64 만원/m²(대략 평당 891만원)을 기준으로 이하에서는 35개 구역이 해제되었고, 더 높은 공시가격에서는 2개 구역이 해제되었다. 한편, 두 번째 분리에서 토지등소유자 수가 468명 이상으로 사업추진 방향으로 분리된 node4에서는 토지등소유자 당 국공유지 면적 비율이 29.43% 이상인 구역에서 4개 구역이 해제되었고, 그 이하인 구역에서 해제가 없었다. 이 연구를 위한 통계, 의사결정나무분석에는 IBM SPSS Statistics 26 프로그램이 사용되었다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제10권11호
• /
• pp.529-534
• /
• 2021

컴퓨팅 사고는 21세기에 필요한 중요한 소양 중 하나로 여겨지면서 여러 국가에서 컴퓨팅 사고 교육 과정을 도입하여 시행하고 있다. 컴퓨팅 사고 교육 방법 중 교육용 게임 기반 방법은 학생들의 참여와 동기를 증대시키고 컴퓨팅 사고에 대한 접근성을 높여준다. Autothinking은 학습자들에게 컴퓨팅 사고 교육을 제공하기 위한 목적으로 개발한 교육용 게임으로 학습자들에게 동적으로 피드백을 제공하고, 학습자의 컴퓨팅 사고 능력에 따라서 난이도를 자동으로 조절하는 적응적 시스템이다. 하지만 규칙기반으로 게임을 디자인하여 지능적으로 학습자들의 컴퓨팅 사고를 고려하거나 피드백을 주지 못한다. 본 연구에서는 Autothikning을 통해 수집한 게임 데이터를 소개하고, 이를 활용하여 해당 게임의 적응성을 높이기 위해 컴퓨팅 사고를 반영하는 게임 점수의 예측을 수행한다. 이 문제를 해결하기 위해 회귀 문제에 가장 많이 사용되는 선형 회귀, 결정 트리, 렌덤 포레스트, 서포트 벡터 머신 알고리즘에 대한 비교연구를 수행하였다. 연구 수행결과 선형회귀 방법이 게임 점수 예측에 가장 좋은 성능을 보여주었다.