Sentinel-2 시계열 영상을 활용한 토지피복변화 모니터링
The Monitoring of Land Cover Changes Using Time-Series Images of Sentinel-2
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 논문은 머신러닝을 이용하여 2017년 2월부터 2018 년 1월까지 Sentinel-2 영상의 시계열 토지피복변화를 비교하였다. 머신러닝 포인트 샘플링을 위해 EGIS의 디지털 토지피복지도를 참조하여 각 클래스당 동일한 지역 250개의 포인트 전체 픽셀 중 약 3%를 수집했다. 토지피복변화를 비교하기 위해 SVM(Support Vector Machine, 서포트 벡터 머신) 모델을 사용했다. 시계열분석의 연구 결과로는 습지와 나지 면적은 증가하고 농업과 잔디 면적은 감소했으며 시가지와 산림, 수역면적은 두 해 동안 크게 변하지 않았다. 월별 f1- 점수는 0.61~0.67 사이를 유지했으며, 4월의 f1- 점수가 가장 높았다. 오차행렬을 이용하여 정확도 검증을 실시한 경우 수역이 가장 높은 정확도를 보였다. 주로 식물 활동과 관련된 클래스들이 종종 잘못 분류되었으며, 계절적 영향으로 식물 활동을 유발하는 클래스들과 건축물이 잘못 분류되었다는 것을 발견했다. 각 클래스의 특성은 변수의 중요도를 통해 확인되었다. 평균적으로 R, G, B, NDVI는 계절에 관계없이 높은 중요도를 보였지만 NIR, SWIR 및 Red Edge 대역은 계절에 따른 영향을 받았다. 향후 연구에서는 표본 수를 지역에 따라 상대적으로 고려하고, 훈련 영역 및 지수의 선택을 고려하여 정확도를 향상시킬 수 있을 것으로 판단된다.
Abstract
This paper presents a comparison of time-series land cover changes from Sentinel-2 imagery from 2017 to 2018 using machine learning. For the machine learning point sampling, we collected approximately 3% of the total pixels at an identical 250 points per class, referring to a digital land cover map of EGIS. To compare land cover changes, the SVM(Support Vector Machine) model was used. The results of time series analysis shows that areas of wetland and bare soil increased, agricultural and grass decreased, and the areas of built-up, forest, and water did not change significantly over the two years. The monthly f1-score remained between 0.61 and 0.67 and the f1-score in April was the highest. When accuracy verification was performed using the error matrix, water areas showed the highest accuracy. Classes that mainly occur in the context of vegetation activity were often misclassified, and built-up areas were found to be misclassified with classes that see vegetation activity due to seasonal effects. The characteristics of each class were confirmed using variable importance. On average, R, G, B, and NDVI showed high importance values regardless of seasonal conditions, but NIR, SWIR, and Red Edge bands were seasonally affected. Additional studies are expected to improve accuracy by considering the number of samples relative to the class area, the selection of training areas and the selection of indices.
참고문헌 (24)
- 강남이, "KOMPSAT-2 영상의 토지피복분류에 적합한 SVM 커널 함수 비교 연구", 한국지형공간정보학회지, 21(2), pp.19~25 (2013)
- 김란희, "위성자료를 이용한북한지역 토지피복 및 식생 변화 추정", 국토연구, 90, pp.117~128 (2016)
- 김성희, "비도시지역 난개발 토지이용행태 분석 기법 연구: 토지이용의 분산과 혼재를 중심으로", 국토연구, 105, pp.145~163 (2020)
- 김준, "U-Net 기반 딥러닝 모델을 이용한 다중시기 계절학적 토지피복 분류 정확도 분석 : 서울지역을 중심으로", 대한원격탐사학회지, 37(3), pp.409~418 (2021)
- 박현수, "시계열 토지피복 변화 탐지를 통한대전광역시의 시가화지역 변화 패턴 분석 : 다중시기 위성영상을 활용하여", 한국지리학회지, 9(1), pp.177~190 (2020)
- 지속가능한 국토발전을 위한 토지이용변화 모니터링 방안 연구 : 딥러닝 알고리즘 활용을 중심으로, "서기환", 국토연구원, ~ (2018)
- 송지용, "KOMPSAT-3A 위성영상과토지피복도를 활용한 산림식생의 임상 분류법 개발", 한국환경생태학회지, 32(6), pp.686~697 (2018)
- 유수홍, "Residual U-Net을 이용한 토지피복지도 자동 제작 연구", 대한토목학회논문집, 40(5), pp.535~546 (2020)
- 이슬기, "무인항공기(UAV)영상을 이용한 소나무재선충병 의심목 탐지", 대한원격탐사학회지, 35(3), pp.359~373 (2019)
- 장순신, "Sentinel-2 위성영상을 이용한 수종 분류", 석사, pp.2018
- 조원호, "합성곱 신경망을 이용한 딥러닝 기반의 토지피복 분류 : 한국 토지피복을 대상으로", 대한지리학회지, 54(1), pp.1~16 (2019)
- 조기환, "토지피복 공간정보를 활용한 자동 훈련지역 선택 기법", 지적과 국토정보, 48(2), pp.171~183 (2018)
- "환경공간정보서비스"[URL]
- Abdi, Adbulhakim. M., "Land cover and land use classification performance of machine learning algorithms in a boreal landscape using Sentinel-2 data", GIScience & Remote Sensing, 57(1), pp.1~20 (2020)
- Acharya, T. D., "Land cover classification using a KOMPSAT-3A multi-spectral satellite image", Applied Sciences, 6(11), pp.371~ (2016)
- Cortes, C., "Support-vector networks", Machine Learning, 20(3), pp.273~297 (1995)
- Du, Y., "Water bodies’ mapping from Sentinel-2 imagery with modified normalized difference water index at 10-m spatial resolution produced by sharpening the SWIR band", Remote Sensing, 8(4), pp.354~ (2016)
- He, H., "Learning from imbalanced data", IEEE Transactions on Knowledge & Data Engineering, 21(9), pp.1263~1284 (2009)
- Kuc, G., "Sentinel-2 imagery for mapping and monitoring imperviousness in urban areas", International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42, pp.43~47 (2019)
- Maxwell, A. E., "Implementation of machine-learning classification in remote sensing : An applied review", International Journal of Remote Sensing, 39(9), pp.2784~2817 (2018)
- Olofsson, P., "Good practices for estimating area and assessing accuracy of land change", Remote Sensing of Environment, 48, pp.42~57 (2014)
- Rouse, J. W., "Monitoring vegetation systems in the great plains with ERTS", NASA special publication, 351(1), pp.309~317 (1974)
- Xu, Hanqiu., "Modification of normalised difference water index(NDWI)to enhance open water features in remotely sensed imagery", International Journal of Remote Sensing, 27(14), pp.3025~3033 (2006)
- Zha, Y., "Use of normalized difference built-up index in automatically mapping urban areas from TM imagery", International Journal of Remote Sensing, 24(3), pp.583~594 (2003)