토지피복지도

3. 토지피복지도의 분류 체계

토지피복지도는 해상도에 따라 대분류(30m급), 중분류(5m급), 세분류(1m급)의 세 가지 위계로 나뉜다. 대분류는 우리나라를 대표하는 7가지 토지피복으로 구성되며, 중분류와 세분류는 대분류를 더 자세하게 나눈 것이다.

토지피복지도의 분류 체계는 크게 지도 기반 분류, 비지도 분류, 식생 지수 분류로 나눌 수 있다.

• 지도 기반 분류: 사용자가 다양한 토지 피복(LULC) 클래스를 나타내는 훈련 데이터 세트나 스펙트럼 시그니처를 구축하고, 이를 기계 학습 모델에 적용하여 LULC 패턴을 예측하고 공간적으로 분류하여 정확도를 평가한다.
• 비지도 분류: 사용자가 시그니처 파일이나 훈련 데이터를 적용하지 않고, 소프트웨어가 픽셀을 자동으로 분류한다. 사용자는 클러스터링 알고리즘을 통해 유사한 픽셀을 묶어 자동 생성할 클래스 수를 정의한다. 이 방법은 현장 관측이나 사용 가능한 토지 피복 유형에 대한 사전 지식이 없는 지역에서 주로 사용된다.
• 식생 지수 분류: 둘 이상의 분광 밴드를 통계 알고리즘으로 결합하여 식생 피복의 공간적 특성을 나타낸다.

3. 1. 대분류 (해상도 30m급)

3. 2. 중분류 (해상도 5m급)

3. 3. 세분류 (해상도 1m급)

4. 토지피복지도 제작 방법

토지피복지도는 사용자가 다양한 토지 피복 클래스를 나타내는 훈련 데이터 세트나 스펙트럼 시그니처를 구축하고, 이를 기계 학습 모델에 적용하여 토지피복 패턴을 예측, 분류하고 정확도를 평가하는 방식으로 제작된다. 비지도 분류는 사용자가 별도의 데이터를 적용하지 않고 소프트웨어가 자동 분류하는 방식이다. 유사한 픽셀을 자동으로 묶어 분류하며, 현장 관측이나 사전 지식이 없는 지역에 주로 사용된다.

식생 지수 분류는 둘 이상의 분광 밴드를 결합하여 식생 피복의 공간적 특성을 반영한다. 위성 영상의 적색 및 근적외선(NIR) 밴드 간의 관계를 이용하여 식생 특성을 생성하며, 이를 통해 산림 피복 및 토지 이용 패턴을 효과적으로 분류한다.^[18][19]

4. 1. 대분류 제작 방법

• 좌표 변환: 기준 좌표계에 맞춰 좌표변환을 실시한다.(WGS84 UTM → GRS80 TM)
• 오차 검증: 수치지형도를 기준으로 영상의 위치오차(35m이내)를 검증한다.
• 색상 보정: 색상보정을 실시하여 전체적인 색상톤을 통일한다.
• 영상 집성: 영상을 하나의 파일로 통합한다.

• 분류결과 합성 및 수정: 영상단위(씬, scene)로 분류된 피복분류 결과를 하나의 파일로 합친 후, 인접 부분 등 오류를 수정한다.
• 현지조사: 필요시 남한지역에 한해 현지조사를 실시한다.
• 분류정확도 평가: 아리랑 2호 영상자료 및 수치지형도를 이용하여 분류 정확도를 평가한다.

4. 2. 중분류 및 세분류 제작 방법

5. 토지피복지도 제작 현황 (대한민국)

대한민국에서는 환경부 주도로 1998년부터 전국 토지 피복(LULC)지도를 제작하고 있다. 구축 단계, 고도화 단계, 2019년 현행화 작업이 순차적으로 진행되었다.

5. 1. 구축 단계별 현황

5. 2. 고도화 단계별 현황

5. 3. 현행화 (2019년)

6. 토지피복지도의 활용 분야

토지피복지도는 지표면의 현상을 가장 잘 반영하기 때문에 다양한 분야에서 활용된다. 특히 환경 분야에서 중요한 역할을 수행하는데, 중앙정부 및 지방정부의 환경정책 수립에 과학적 근거를 제공하고 관련 학계의 다양한 연구 자료로 활용되고 있다.^[1]

지도 기반 분류는 사용자가 다양한 토지 피복(LULC) 클래스를 나타내는 훈련 데이터 세트나 스펙트럼 시그니처를 구축하고, 이를 기계 학습 모델에 적용하여 LULC 패턴을 예측하고 공간적으로 분류하는 시스템이다. 비지도 분류는 사용자가 별도의 데이터를 적용하지 않고 소프트웨어가 자동으로 픽셀을 분류하는 시스템으로, 현장 관측이나 사전 지식이 없는 지역에서 주로 사용된다. 식생 지수 분류는 둘 이상의 분광 밴드를 결합하여 식생 피복의 공간적 특성을 반영하는 시스템이다. 이러한 분광 지수는 토지 특징의 지표 반사율을 정확하게 획득하여 분류 정확도를 향상시킨다.^[18][19]

6. 1. 물 환경

6. 2. 자연 환경

6. 3. 대기/기후

6. 4. 기타

7. 토지피복 분류 알고리즘 (영문 Wikitext 참고)

토지피복 분류 알고리즘은 크게 세 가지로 나뉜다.

• 감독 분류: 사용자가 제공한 훈련 데이터를 기반으로 토지 피복을 분류한다. 최대 우도 분류, 최소 거리 추정, 마할라노비스 거리, 서포트 벡터 머신, 랜덤 포레스트 등 다양한 알고리즘이 사용된다.
• 비지도 분류: 훈련 데이터 없이 알고리즘이 자동으로 토지 피복을 분류한다. 주로 현장 관측이나 사전 지식이 없는 지역에서 사용되며, 반복적 자기 조직적 데이터 분석 기법(ISODATA), K-평균 군집화 등의 알고리즘이 사용된다.
• 식생 지수 분류: 분광 밴드를 조합하여 식생 피복의 특성을 파악한다. 정규 식생 지수(NDVI), 강화된 식생 지수(EVI), 토양 보정 식생 지수(SAVI) 등 다양한 식생 지수가 활용된다.

7. 1. 감독 분류 (Supervised Classification)

7. 1. 1. 사용 알고리즘

• 최대 우도 분류(MLC)^[4]: 이미지 픽셀이 특정 토지 피복 유형에 해당할 확률을 추정하여 중첩된 시그니처를 분류한다. 훈련 데이터 세트의 평균 및 공분산 행렬에 의존하며 이미지 픽셀의 통계적 유의성을 가정한다.^[4]
• 최소 거리(MD)^[4]: 이미지 픽셀 간의 의사 결정 경계를 정의하여 토지 피복을 분류한다.^[4] 의사 결정 경계는 클래스 픽셀 간의 평균 거리를 계산하고 생성된 훈련 데이터 세트의 표준 편차를 사용하여 평행육면체 상자를 생성하여 형성된다.
• 마할라노비스 거리^[5]: 유클리드 거리 알고리즘을 사용하여 훈련 데이터 세트 집합에서 토지 피복 클래스를 할당한다.^[5]
• 스펙트럼 앵글러 매퍼(SAM)^[6]: 각도 측정을 사용하여 두 스펙트럼 간의 관계를 결정하는 분광 영상 분류 접근 방식이다. ''q'' 차원 공간에서 벡터로 처리하며, 여기서 ''q'' 차원은 밴드 수를 나타낸다.^[6]
• 판별 분석(DA): 분류 알고리즘이 밀접하게 관련된 이미지 픽셀 그룹을 클래스로 분리하여 클래스 내 분산을 최소화하고 최대 우도 판별 규칙에 따라 클래스 간 분산을 최대화한다.
• 유전 알고리즘^[7]: 유전 원리를 적용하여 적절한 훈련 데이터 클러스터를 선택하고 예측자(위성 이미지 밴드)의 영향을 받아 분류한다.^[7]
• 부분 공간^[8][9]: 훈련 지점 클러스터에서 선택한 각 토지 피복 클래스의 저차원 부분 공간을 생성한다. 차원 부분 공간 생성은 훈련 지점에 대해 주성분 분석을 수행하는 것을 포함한다.^[8][9] 토지 피복 분류 오류를 최소화하기 위해 클래스 특징 정보 압축(CLAFIC)^[10] 및 평균 학습 부분 공간 방법(ALSM)^[11]이 있다.
• 평행육면체 분류^[12]: 각 이미지 밴드 내에서 각 토지 피복 클래스에 대한 값 범위를 할당하고 각 토지 피복 클래스의 픽셀이 분류기 훈련을 위해 선택되는 바운딩 박스를 생성한다.^[12]
• 다중 퍼셉트론 인공 신경망(MP ANNs)^[13][14]: 신경망 또는 노드를 사용하여 훈련 샘플의 역전파를 기반으로 토지 피복을 분류한다.
• 서포트 벡터 머신(SVM)^[15]: 서포트 벡터를 사용하여 둘 이상의 토지 피복 클래스를 분리하는 최적의 의사 결정 경계를 얻는다.
• 랜덤 포레스트(RF)^[16]: 여러 위성 이미지 밴드를 기반으로 훈련 데이터 세트를 분류하는 여러 의사 결정 트리를 생성하기 위해 부트스트랩을 사용한다.^[16]
• ''K''-최근접 이웃 알고리즘(kNN)^[15]: 훈련 데이터 세트에서 ''k''개의 가장 가까운 샘플을 추출하고 이러한 샘플 간의 거리를 기반으로 토지 피복을 분류한다.
• 의사 결정 트리(DT)^[13]: RF와 마찬가지로 DT는 훈련 샘플을 일련의 토지 피복 클러스터로 분할하는 연결된 노드 집합으로 구성된다.^[13] 빠르고, 구성하고 해석하기 쉬우며, 작은 데이터에 적합하고, 배경 또는 중요하지 않은 정보를 제외하는 데 능숙하다는 장점이 있다. 단점은 특히 대규모 데이터 세트에 대해 과적합을 생성할 수 있다는 것이다.
• 퍼지 클러스터링(FZ)

7. 2. 비지도 분류 (Unsupervised Classification)

7. 2. 1. 사용 알고리즘

• 반복적 자기 조직적 데이터 분석 기법(ISODATA) – 이 방법에서 분류기는 여러 개의 밀접하게 관련된 이미지 픽셀을 자동으로 클러스터로 그룹화한 다음, 일련의 반복을 통해 평균 클러스터를 계산하고 토지 피복을 분류한다.
• ''K''-평균 군집화^[17] – 컴퓨터가 위성 이미지에서 ''k''개의 토지 피복 특징을 자동으로 추출하고, 추출된 특징의 계산된 평균을 기반으로 전체 이미지를 분류하는 방식이다.

7. 3. 식생 지수 분류 (Vegetation Indices Classification)

7. 3. 1. 사용 식생 지수

참조

_[1] 논문 Identification of potential conflict areas between land transformation and biodiversity conservation in north-eastern South Africa http://dx.doi.org/10[...] 2003-04
_[2] 논문 MAD-MEX: Automatic Wall-to-Wall Land Cover Monitoring for the Mexican REDD-MRV Program Using All Landsat Data 2014-04-30
_[3] 논문 Geological mapping using remote sensing data: A comparison of five machine learning algorithms, their response to variations in the spatial distribution of training data and the use of explicit spatial information 2014-02
_[4] 논문 Analysis of Supervised Image Classification Method for Satellite Images https://www.academia[...]
_[5] 서적 2015 International Conference on Emerging Technologies (ICET) IEEE 2015-12
_[6] 논문 The spectral image processing system (SIPS)-interactive visualization and analysis of imaging spectrometer data http://dx.doi.org/10[...] AIP 1993
_[7] 논문 Genetic algorithm-based clustering technique http://dx.doi.org/10[...] 2000-09
_[8] 논문 A Poisson nonnegative matrix factorization method with parameter subspace clustering constraint for endmember extraction in hyperspectral imagery http://dx.doi.org/10[...] 2017-06
_[9] 논문 Quantifying Sub-Pixel Surface Water Coverage in Urban Environments Using Low-Albedo Fraction from Landsat Imagery 2017-05-01
_[10] 논문 The common vector approach and its comparison with other subspace methods in case of sufficient data http://dx.doi.org/10[...] 2007-04
_[11] 간행물 Subspace dimension selection and averaged learning subspace method in handwritten digit classification http://link.springer[...] Springer Berlin Heidelberg 2021-04-13
_[12] 서적 Proceedings. 2005 IEEE International Geoscience and Remote Sensing Symposium, 2005. IGARSS '05 IEEE 2005
_[13] 논문 Artificial neural networks and decision tree classification for predicting soil drainage classes in Denmark http://dx.doi.org/10[...] 2019-10
_[14] 논문 Modeling land cover change based on an artificial neural network for a semiarid river basin in northeastern Brazil 2020-03
_[15] 논문 A hybrid approach to urban land use/cover mapping using Landsat 7 Enhanced Thematic Mapper Plus (ETM+) images http://dx.doi.org/10[...] 2004-07
_[16] 논문 The Performance of Random Forests in an Operational Setting for Large Area Sclerophyll Forest Classification 2013-06-04
_[17] 문서 Abbas, A.; Minalla, N.; Ahmad, N.; Abid, S.; Khan, M. K-means and ISODATA clustering algorithms for landcover classification using remote sensing. Sindh Univ. Res. J. SURJ (Sci. Ser.) 2016, 48, 315–318
_[18] 서적 Classification Methods for Remotely Sensed Data http://dx.doi.org/10[...] Taylor & Francis 2001
_[19] 논문 Improvement of classification in urban areas by the use of textural features: The case study of Lucknow city, Uttar Pradesh http://dx.doi.org/10[...] 2001-01
_[20] 논문 Using the satellite-derived NDVI to assess ecological responses to environmental change http://dx.doi.org/10[...] 2005-09
_[21] 논문 Using a proxy of plant productivity (NDVI) to find key periods for animal performance: the case of roe deer http://dx.doi.org/10[...] 2006-03
_[22] 문서 Wegmann M, Leutner B, Dech S (2016) Remote sensing and GIS for ecologists: using open source software. Pelagic Publishing, Exeter, UK
_[23] 논문 Development of a two-band enhanced vegetation index without a blue band http://dx.doi.org/10[...] 2008-10-15
_[24] 논문 A feedback based modification of the NDVI to minimize canopy background and atmospheric noise http://dx.doi.org/10[...] IEEE 1995-03
_[25] 논문 Significant Remote Sensing Vegetation Indices: A Review of Developments and Applications 2017-05-23
_[26] 논문 A soil-adjusted vegetation index (SAVI) http://dx.doi.org/10[...] 1988-08
_[27] 논문 Tropical forest cover density mapping 2002
_[28] 논문 Assessing forest canopy density in a highly variable landscape using Landsat data and FCD Mapper software http://dx.doi.org/10[...] 2004-01
_[29] 문서 Rikimaru, A., 1999. The concept of FCD mapping model and semi-expert system. FCD mapper user’s guide. International Tropical Timber Organization and Japan Overseas Forestry Consultants Association. Pp 90.
_[30] 논문 NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space http://dx.doi.org/10[...] 1996-12
_[31] 논문 Use of normalized difference built-up index in automatically mapping urban areas from TM imagery http://dx.doi.org/10[...] 2003-01