• 한국지리정보학회지
• /
• 제14권2호
• /
• pp.28-39
• /
• 2011

본 연구는 HyGIS-SWAT 모형을 이용하여 환경부의 대분류/중분류에 따른 유출부하 특성을 평가하고, 토지피복변화에 따른 유출부하 특성을 평가하는 것을 목적으로 하고 있다. 대분류와 중분류 토지피복변화는 두 유역 모두 시가지 지역과 농업지역이 팽창하고 산림지역이 감소하는 것으로 분석되어 현재 지속적으로 도시화가 확대되는 추세를 반영하고 있는 것으로 판단된다. 분류항목특성에 따른 분석결과는 무심천유역의 경우 첨두유출은 상승하였고, 연총유출량은 감소하는 것으로 분석되었다. 구축시기에 따른 특성 분석결과는 갑천유역의 경우 첨두유출은 감소하고, 총유출은 증가하는 것으로 나타났다. 토지피복변화 시나리오는 도시화 확대와 농업지역 확대의 3가지 시나리오를 적용하여 분석하였다. 분석결과 도시화 및 농업지역 확대 시나리오 모두 유출 및 유사농도가 증가하는 것으로 분석되었다.

• 한국측량학회지
• /
• 제14권1호
• /
• pp.39-47
• /
• 1996

Landsat TM자료를 이용하여 전라남도 전역에 대한 토지피복분류를 실시하므로서 광역 분석시 자주 발생하게되는 서로 다른 두 path 데이타의 통합 분석기법을 제시하였다. path가 다를 경우 관측일이 다르므로 개별적 분석후 통합하였으며, 이 과정에서 두 scene간의 분류가능 항목의 변화 및 자료 중복지역의 처리문제 등이 대두되었다. 또한 광역 분석시 위도차에 따른 데이타값의 변화로 인하여 분류항목 및 training field의 선정이 어려웠다. 본 연구에서는 수차례의 시행착오를 통하여 이러한 문제에 대한 해결방안을 제시하였으며, 분류 정확도 향상을 위한 Bayesian 최대우도법 및 majority 필터링의 효율성을 입증하였다.

• 대한원격탐사학회지
• /
• 제39권3호
• /
• pp.269-282
• /
• 2023

본 연구는 딥러닝 모델(deep learning model)을 활용하여 토지피복분류를 수행하였으며 입력 이미지의 크기, Stride 적용 등 데이터세트(dataset)의 조절을 통해 토지피복분류를 위한 최적의 딥러닝 모델 선정을 목적으로 하였다. 적용한 딥러닝 모델은 3종류로 Encoder-Decoder 구조를 가진 U-net과 DeeplabV3+, 두 가지 모델을 결합한 앙상블(Ensemble) 모델을 활용하였다. 데이터세트는 RapidEye 위성영상을 입력영상으로, 라벨(label) 이미지는 Intergovernmental Panel on Climate Change 토지이용의 6가지 범주에 따라 구축한 Raster 이미지를 참값으로 활용하였다. 딥러닝 모델의 정확도 향상을 위해 데이터세트의 질적 향상 문제에 대해 주목하였으며 딥러닝 모델(U-net, DeeplabV3+, Ensemble), 입력 이미지 크기(64 × 64 pixel, 256 × 256 pixel), Stride 적용(50%, 100%) 조합을 통해 12가지 토지피복도를 구축하였다. 라벨 이미지와 딥러닝 모델 기반의 토지피복도의 정합성 평가결과, U-net과 DeeplabV3+ 모델의 전체 정확도는 각각 최대 약 87.9%와 89.8%, kappa 계수는 모두 약 72% 이상으로 높은 정확도를 보였으며, 64 × 64 pixel 크기의 데이터세트를 활용한 U-net 모델의 정확도가 가장 높았다. 또한 딥러닝 모델에 앙상블 및 Stride를 적용한 결과, 최대 약 3% 정확도가 상승하였으며 Semantic Segmentation 기반 딥러닝 모델의 단점인 경계간의 불일치가 개선됨을 확인하였다.

• 한국지리정보학회지
• /
• 제27권1호
• /
• pp.115-127
• /
• 2024

본 연구는 Transformer 모듈을 기반으로 다양한 구조의 모델을 구성하고, 토지피복 분류를 수행하여 Transformer 모듈의 활용방안 검토를 목적으로 하였다. 토지피복 분류를 위한 딥러닝 모델은 CNN 구조를 가진 Unet 모델을 베이스 모델로 선정하였으며, 모델의 인코더 및 디코더 부분을 Transformer 모듈과 조합하여 총 4가지 딥러닝 모델을 구축하였다. 딥러닝 모델의 학습과정에서 일반화 성능 평가를 위해 같은 학습조건으로 10회 반복하여 학습을 진행하였다. 딥러닝 모델의 분류 정확도 평가결과, 모델의 인코더 및 디코더 구조 모두 Transformer 모듈을 활용한 D모델이 전체 정확도 평균 약 89.4%, Kappa 평균 약 73.2%로 가장 높은 정확도를 보였다. 학습 소요시간 측면에서는 CNN 기반의 모델이 가장 효율적이었으나 Transformer 기반의 모델을 활용할 경우, 분류 정확도가 Kappa 기준 평균 0.5% 개선되었다. 차후, CNN 모델과 Transformer의 결합과정에서 하이퍼파라미터 조절과 이미지 패치사이즈 조절 등 다양한 변수들을 고려하여 모델을 고도화 할 필요가 있다고 판단된다. 토지피복 분류과정에서 모든 모델이 공통적으로 발생한 문제점은 소규모 객체들의 탐지가 어려운 점이었다. 이러한 오분류 현상의 개선을 위해서는 고해상도 입력자료의 활용방안 검토와 함께 지형 정보 및 질감 정보를 포함한 다차원적 데이터 통합이 필요할 것으로 판단된다.

• 환경영향평가
• /
• 제25권6호
• /
• pp.525-531
• /
• 2016

본 연구는 2007년과 2014년 국가토지피복지도에 따른 토양유실량을 평가하기 위해 GIS와 토양유실공식(USLE)을 활용하였다. 토양유실량의 공간분포를 추정하기 위해 USLE 모델의 토지피복변화와 식생인자를 적용하였다. 하지만, 토양유실량은 토지피복지도의 적용방법과 연산과정에 따라 서로 다른 결과가 나타났다. 본 연구에서는 USLE 모델을 적용하기 위해서 환경부의 식생인자와 토지피복지도를 적용하여 2014년 강원도 내린천 유역의 인제스터디움 개발지역 토양유실량 발생을 비교하였다. 연구지역의 토양유실량 산정을 위해 토지피복도, 지형도, 토양도 그리고 강수량 등의 자료들을 사용하였다. 토지피복의 변화는 중분류와 세분류 지도에 의해 평가되었고, 토양유실량은 최대 두 배의 차이가 나타났다.

• 대한원격탐사학회지
• /
• 제25권2호
• /
• pp.113-126
• /
• 2009

Terra와 Aqua 위성에서 촬영되는 MODIS 영상은 매일 수신되는 중해상도 영상으로써 광범위한 지역에 대한 모니터링을 하는데 여러가지 장점을 제공한다. 특히, MODIS 영상은 신뢰성 있는 알고리즘을 적용하여 만들어진 대기/해양/육상 관련한 여러 가지 영상(products)들을 함께 제공함으로써 사용자가 데이터를 확보하여 바로 사용할 수 있는 장점을 가지고 있다. 또한 북한이라는 제도적으로 제약이 따르는 지역을 포함하는 한반도의 경우, 활용상의 제약이 따르지 않는 점이 중해상도급 MODIS 영상의 큰 장점이라고 할 수 있다. 본 연구는 기존의 시계열 모니터링에서 주로 식생지수를 모니터링하는 방법과는 달리, 대기 보정을 거쳐 대기의 효과를 제거한 250m급 MODIS 반사율 영상을 이용하여 시계열로 변화되는 반사율을 대상으로 하였다. 2004년에서 2008년까지 5년 동안의 각 토지 피복이 보이는 반사율 패턴과 함께, 토지 피복이 변화된 지역에서 관찰되는 반사율의 변화를 살펴보았다. 7개의 토지 피복별 근적외선, 적색광 반사율과 NDVI의 시계열 자료에서 토지 피복과 계절적 영향이 근적외선 반사율에서 가장 민감하게 반영되고 있는 것을 알 수 있다. 토지 피복에 따른 반사율 패턴은 토지 피복 분류 및 변화된 지역을 탐지하는데 기본적으로 이용될 가능성을 제시한다.

• 한국지리정보학회지
• /
• 제13권1호
• /
• pp.89-100
• /
• 2010

본 연구는 다양한 고해상도 위성영상을 사용하여 토지피복도를 제작하고 영상종류와 피복도의 분류에 따른 정확도를 비교함에 목적이 있다. 토지피복도 작성시 세분류의 다양함을 위해 시가지와 농지, 수역 등을 포함하는 낙동강 하구 일대를 연구지역으로 선정하였고, 1m 이상의 해상도를 가지는 KOMPSAT2, QuickBird, IKONOS, 항공사진등을 육안판독 후 분류 하였다. 영상과 피복분류에 따른 토지피복도를 작성 후 상호 비교 한 결과 영상별 정확도는 항공사진과 QuickBird가 KOMPSAT2와 IKONOS 보다 상대적으로 높은 것으로 나타났고, 분류방법에 따른 일치도는 대분류의 경우 0.934~0.956, Kappa value는 0.905~0.937, 중분류의 일치도는 0.888~0.913, Kappa value는 0.872~0.901, 세분류의 일치도는 0.833~0.901, Kappa value는 0.813~0.888로 나타났다. 또한 영상별 혼돈발생 정도는 분류 항목에 따라 대분류의 경우 시가화 건조지역과 나지의 혼돈이 발생했고, 중분류는 논, 밭, 하우스 재배지, 인공초지에서 주로 발생하며, 세분류의 경우 자연녹지, 시설물 경작지, 간석지와 해수면으로 주로 나타났다. 본 연구를 통해 토지피복도 작성시 육안판독에 의한 고해상도 영상분류는 전체 80% 이상의 일치도를 나타내어 활용이 가능했고, 고해상도 영상을 사용할수록 정확한 분류가 가능하며 영상의 촬영시기가 토지피복도 작성에 중요함을 알 수 있었다.

• 한국측량학회지
• /
• 제19권2호
• /
• pp.163-172
• /
• 2001

본 연구에서는 원격탐사 데이터의 분류방법으로서 이차계획법을 토지피복 추출에 적용하였으며, 주제도 추출에 일반적으로 사용되는 최대우도와 신경망의 분류결과와 정확도를 비교하여 그 적용성을 검토하였다. 그 결과, 이차계획법에 의한 분류방법이 최대우도법에 비하여 평균 6%정도의 향상된 분류결과를 도출할 수 있어서 원격탐사 데이터의 분류에 이차계획법을 적용할 수 있으리라 판단되었다. 또한 이차계획법에 의한 분류에서는 클래스 구성비가 클래스 결정에 직접적인 영향을 주어 기존의 이진적인 분류방법에서 무시되었던 결과 값들을 명확하게 나타낼 수 있었다.

• 대한토목학회논문집
• /
• 제29권1D호
• /
• pp.153-160
• /
• 2009

고해상도 위성영상을 이용한 DEM 자동제작과 관련한 기존연구에 따르면, 토지피복 특성별로 DEM 정확도가 다르게 나타난다는 것을 제시하였다. 따라서 본 연구에서는 토지피복 분류영상을 이용하여 IKONOS Geo레벨 입체영상에서 상관계수 정합을 위한 토지피복 특성별 기준영역 크기 자동선택 방법을 제안하였다. 그리고 기준영역이 큰 지역의 경우, 정합시간 단 축을 위해 기준영역과 검색영역내의 일정간격 화소들만 참여하여 상관계수를 계산하게 하였다. 그 결과, 고정된 기준영역으로 정합한 DEM보다 제안방법으로 구한 DEM의 정확도가 향상되었다. 그리고 실험 대상지 중 경작지에서는 제안방법에 의한 DEM 결과가 수치지도와 ERDAS에 의한 DEM의 결과보다는 오히려 우수한 것으로 판단되어진다.

• 대한원격탐사학회:학술대회논문집
• /
• 대한원격탐사학회 2009년도 춘계학술대회 논문집
• /
• pp.22-25
• /
• 2009

본 논문은 기 구축된 환경부의 중분류 토지피복도를 올해 KOMPSAT-2 화상으로 갱신하기 위한 예비연구에서 분류결과의 정확도 평가를 중점적으로 나타낸다. KOMPSAT-2 화상기반의 중분류 토지피복도는 객체지향의 분류기법을 이용하였고, 경계선 수정의 경우 반자동 기법에 의해 제작되었다. 계통표집과 임의표집에 의한 Kappa 분석에서 계통 표집의 KHAT값은 0.81, 임의표집의 KHAT값은 0.89를 각각 가지므로 거의 완벽의 일치성을 표시한다. 따라서 전술한 지도화 방법을 통해 제작된 KOMPSAT-2 화상의 중분류 토지피복도는 이용자에게 토지피복정보의 신뢰성도 함께 제공한다.