MAIN＞Research＞Satellite Image Analysis
위성영상을 통해 관측하려는 대상
전편에서 살펴본 인공위성 영상은 RGB영역과 근적외선 영역의 파장을 이용하므로 주로 낮에 관찰된 지표면의 모습을 담고 있었습니다. 그러나 관찰하고자 하는 대상에 따라 야간영상이 더 유리한 경우가 있는데, 그 대표적인 예로 야간 인공조명 밝기 분석을 통해 특정 지역의 경제적 활력을 측정하는 방법이 있습니다. 이 밖에도 오징어잡이 배의 분포, 거주인구 추정, 빛 공해 분석, 국경지역 구별 등 활용분야가 다양합니다.
이러한 야간영상 촬영을 담당하는건 주로 저해상도 위성이 많고, 대표적인 예로는 DMSP/OLS(Defense Meteorological Satellite Program-Operational Linescan System)위성 영상이 있습니다. OLS 센서는 가시광선-근적외선과 열적외선 두 개의 밴드를 제공하며 이들 자료는 구름과 구름 상부 온도에 관한 기상정보를 획득하기 위한 목적으로 개발되었습니다. (자세한 원리는 고교 과정, 지구과학 1 참고)
DSMP 위성자료는 공간해상도가 1km로 세부적인 지형지물 관측에 쓸 수 없지만, 관측범위가 3000km로 왠만한 대륙을 한번에 커버할 수 있습니다. 또한 6비트 방사해상도를 가지므로 국지적인 관측 정확도면에선 성능이 극히 낮지만 1992년부터 2003년까지 10개년 넘게 수집해온 자료가 방대하므로 시계열적인 변화를 탐지하기에 유효합니다.
이러한 인식을 토대로 과거에 '글로벌 도시의 활동성과 중심성 비교분석'이라는 논문을 통해 도시의 야간 불빛과 지역이 가진 경제적 위상이 서로 비례함을 수치적으로 증명한 바 있습니다.
그리고 이를 통해 '부동산 분야'에서 상업과 주거환경의 판단에 있어서 저녁에 해당 지역을 직접 탐방하여
가로의 밝기와 창문 사이로 비쳐오는 불빛의 세기 및 숫자를 헤아려봄으로써 분석대상 지역의 거주율이나 안전성, 개방성 또는 경제적 활력의 정도를 알 수 있다는 결론을 얻었습니다.
KOMPSAT-3A 위성영상과 토지피복도를 활용한 산림식생의 임상 분류법 개발
전편에서 토지피복지도와 KOMPSAT-3A 위성영상에 관한 개요만 설명하였는데, 상업용도로 제공하기엔 지나칠 정도로 고해상도 영상에다가 육안으로만 활용되어선 자료가 아깝습니다. 그래서 무단 증개축 및 토지의 용도 외 사용을 적발할 수단으로써 컴퓨터 알고리즘에 의한 분석이 최근 각광받고 있습니다.
한 가지 예로, 산림식생의 임상 분류 작업에 활용하려는 시도가 있었습니다.
부동산 중에서도 특히 산림지역 내지 임야지역으로 불리는 산지(山地)는 토지대장이 아닌 임야대장에 따로 기재 관리될 정도로 일반 생활공간으로부터 괴리되어있는 듯한 장소이나, 인간은 누구나 언젠가는 '묘지'로 가게되고 이러한 묘지(분묘)는 대게 임야에 설치되는 경향이 있습니다.
그러나 임야에는 도로에서 쉽게 접근이 가능한 임야도 있지만 그렇지 않고 접근이 매우 어려운 험난한 산속에 위치한 경우도 많은데, 이러한 '산과 숲'을 관리하기 위해선 산림에 관한 분석이 필요할 것입니다.
무엇보다 한반도 전국토의 70% 이상을 차지하는 산지 면적을 효과적으로 관리한다면, 농사는 물론 겨울철의 '고로쇠 수액' 체취를 비롯한 경제적인 측면에서의 추가적인 수익창출도 가능하고 생태계 보존까지 영향이 미치므로 그 파급력이 무궁무진합니다.
산림식생의 임상을 분류하기 위해 위성영상을 활용하였으며 분석과정은 다음과 같습니다.
- 토지피복도의 속성에서 비교하려는 대상을 추려내어 이를 위성영상 위에 놓고 폴리곤 형태로 오려내었습니다. 이 과정에서 서로 다른 피복 분류간의 경계에서 생길 수 있는 화소 분해능에 따른 오차를 줄이기 위해 각 피복별 폴리곤의 경계선으로부터 안쪽으로 25m 버퍼를 설정하였습니다.
실제 분석에선 침엽수림, 활엽수림, 혼합림만 추려내어 분류하였고 각각의 색상은 초록색, 노란색, 선홍색으로 표시합니다. (KOMPSAT-3A RGB Band 영상, 강원도 원주시 2015년 3월 촬영) - 다음 작업으로 컴퓨터가 영상 데이터를 통해 피복 분류를 학습할 수 있도록 서로 다른 2개 이상의 피복 분류군을 포함하는 작은 구역을 지정합니다.
- 임야와 나대지를 구분하기 위한 학습자료를 추출할 수도 있지만, 이는 굳이 기계 학습을 거치지 않아도 매우 높은 수준의 구분 정확도를 나타내므로, 임야로 대표되는 녹색화소의 영상 구역 중에서도 침엽수와 활엽수를 세분화하는 작업을 다루는게 기술개량 측면에 기여합니다.
- 위성영상 분석 알고리즘에는 여러가지가 있지만, 자주 쓰이는 것으로 RF(Random Forest) 방법과 SVM(Support Vector Machine) 방법을 각각 적용하여 분류 정확도를 비교합니다.
알고리즘이 작동하는 상세 원리와 특징에 대해선 당사의 사업목적에 필요한 설명의 범위를 넘어서므로 생략하겠습니다. - 분석대상은 산림식생만 포함한 지역과 영상에 찍힌 대상지 전지역, 이렇게 2개로 나누어 구분하고, 대상 면적이 협소한 습지는 분석과정에서 제외합니다. 실행 결과, 오차 행렬의 전체 정확도가 상기 두 가지 분류대상에 대해 RF 기법이 SVM 기법보다 더 높은 것으로 나옵니다.
먼저 산림지역만을 분석 대상으로 삼은 경우, RF 기법이 SVM 기법에 비해 18.3% 높은 정확도를 나타낸 반면, 전체지역을 대상으로 한 경우에는 둘 사이의 분류 정확도 차이가 5.5%로 적어집니다. 더 나아가 SVM 기법에 다수 분석 (Majority analysis)을 추가로 실시한 결과, 1% 정도의 정확도 향상이 보입니다. RF 기법은 산림지역의 활엽수를 분석해 내는데 상당히 효과적이지만, 다른 분석 대상에 대해서는 SVM 기법이 보다 나은 분류 정확도를 나타냅니다. - 따라서 인공위성영상의 자동분류 작업에 있어 분석 대상이 어디인지에 따라 최적의 알고리즘이 다를 수 있으며, 각 분류기법이 지닌 장점을 혼합하여 시계열적인 분석을 진행할 경우, 토지의 실제 이용 상태가 어떻게 변화하였는지를 알 수 있을 것입니다.
사사
* 본 연구는 국토교통부 위성정보활용센터 설립운영사업의 연구비지원(18SIUE-B148326-01)에 의해 수행되었습니다.