ROI 설정에 따른 Landsat 영상 기반 토지피복분류 정확도 변화 분석 (Analysis of Changes in Land Cover Classification Accuracy According to ROI Settings Based on Landsat Imagery)

서지정보

· 발행기관 : 한국측량학회
· 수록지 정보 : 한국측량학회지 / 43권 / 1호 / 11 ~ 20페이지
· 저자명 : 임종헌, 방건준, 이진덕

초록

"본 연구는 경상북도 구미시와 주변 지역을 대상으로 Landsat 8 및 9 위성 영상을 활용하여 토지피복 분류의 정확도를 분석하고, 분류 기법, 관심영역(Region of interest, ROI) 화소 개수, 계절적 요인이 분류 성능에 미치는 영향을 체계적으로 평가하였다. 최소거리법(Minimum Distance), 최대우도법(Maximum Likelihood), 마할라노비스거리법(Mahalanobis Distance), 서포트벡터머신(SVM: Support Vector Machine) 네 가지 분류 기법을 적용하였으며, 연구 결과 정량적 평가에서는 SVM이 가장 높은 정확도와 카파계수 값을 기록하며 다양한 클래스에서 안정적인성능을 보였다. 모든 방법에서 과대, 과소 문제가 나타났으나, 시각적 평가와 함께 최대우도법이 안정적이며, 일부클래스, 특히, 산림지를 물로 분류하는 오류가 적음을 알 수 있었다. 또 효과적이며 신뢰성을 구축하기 위해 ROI 화소 개수에 대한 분류 정확도 시험에서 SVM과 최대우도법은 30-40개의 화소에서, 가장 높은 전체 정확도를 확보할수 있어, 피복분류를 위한 ROI 선택에 있어 유효한 픽셀 개수만으로 정확도에 있어 효과적이고 신뢰성 높은 화소의개수를 제시할 수 있었다. 분류 정확도에 있어 계절적 요인은 유의미한 영향을 미쳤으며, 초지, 농경지 등의 분광 스펙트럼에 영향을 미치는 봄(4월) 보다는 가을(10월) 데이터가 더 높은 정확도를 도출하는 결과를 얻을 수 있었다. "

영어초록

"This study analyzed the accuracy of land cover classification using Landsat 8 and 9 satellite images for Gumi City and its surrounding areas in Gyeongsangbuk-do, South Korea. The impacts of classification methods, the number of pixels in ROIs (Regions Of Interest), and seasonal variations on classification performance were systematically evaluated. Four classification methods-minimum distance, maximum likelihood, Mahalanobis distance, and SVM (Support Vector Machine)-were applied. Quantitative assessments showed that SVM achieved the highest accuracy and Kappa coefficient values, demonstrating stable performance across various classes. Although over- and under-classification issues were observed across all methods, the maximum likelihood method showed stable performance during visual evaluations, with fewer errors, particularly in misclassifying forest areas as water. To establish effective and ROI selection criteria, classification accuracy tests based on ROI pixel count revealed that SVM and the maximum likelihood method achieved the highest overall accuracy with 30-40 pixels, suggesting optimal and reliable pixel counts for accurate land cover classification.
Seasonal variations had a significant impact on classification accuracy, with autumn (October) data outperforming spring (April) data, particularly for classes such as grasslands and croplands, due to differences in spectral characteristics. "

참고자료

· 없음