위성영상 자료의 선정

센서를 탑재하고 우주공간에서 지구를 관측하는 인공위성을 원격탐사 위성 또는 지구관측위성(Earth Resources Satelite)이라 한다. 이중 기상관측을 주목적으로 하는 위성을 특히 기상위성(Meteorological satelite)이라 하며, 기타의 지구관측위성과 구별하는 경우도 있다. 현재 전세계적으로 지구관측위성으로부터 획득되는 영상은 저해상도 영상에서부터 고해상도 영상까지 다양하게 공급되고 있다. 이로 인하여 위성영상시장은 매우 활성화되고 있으며, 매우 다양한 응용분야를 낳고 있다. 더구나 과거의 10∼30m급 해상도의 중·저해상도를 위주로 하던 영상시장이 현재는 세계 각국의 우주산업분야 선진국들의 1m급 고해상도 지구관측위성의 앞다툰 발사로 말미암아 그 시장이 더욱 확대 재구성되고 있다.

위성영상의 종류

1. Landsat 위성(미국)

세계 최초의 지구자원관측위성은 1972년 미국에 의해 발사된 ERTS-1(지금의 Landsat-1)이었고, 이는 우수한 관측능력 발휘하여 인공위성에 의한 원격탐사를 비약적으로 발전하게 한 계기가 되었다. 현재 Landsat 위성은 다중분과주사계(MultiSpectral Scanner : MSS)와 Thematic Mapper(TM)의 두 종류의 센서를 탑재하고 있으며, 주로 육지의 자원탐사, 주제도 제작을 위해 널리 이용되며, TM자료는 열적외선(Thermal Infrared)밴드를 포함하고 있어, 연안지역의 환경감시에도 유용하다. 현재 5호와 7호가 작동 중에 있다. Landsat-4∼7호까지의 제원은 고도가 705㎞, 관측주기가 16일, 관측폭이 185㎞×185㎞이다.

2. Spot 위성(프랑스)

세계 최초의 지구자원관측위성은 1972년 미국에 의해 발사된 ERTS-1(지금의 Landsat-1)이었고, 이는 우수한 관측능력 발휘하여 인공위성에 의한 원격탐사를 비약적으로 발전하게 한 계기가 되었다. 현재 Landsat 위성은 다중분과주사계(MultiSpectral Scanner : MSS)와 Thematic Mapper(TM)의 두 종류의 센서를 탑재하고 있으며, 주로 육지의 자원탐사, 주제도 제작을 위해 널리 이용되며, TM자료는 열적외선(Thermal Infrared)밴드를 포함하고 있어, 연안지역의 환경감시에도 유용하다. 현재 5호와 7호가 작동 중에 있다. Landsat-4∼7호까지의 제원은 고도가 705㎞, 관측주기가 16일, 관측폭이 185㎞×185㎞이다.

3. 아리랑 1호(한국)

1999년 12월 21일에 발사 성공한 아리랑위성(KOMSAT, 다목적 실용위성)은 국가 공공목적으로 정부에서 투자하고 항공우주연구소와 함께 개발한 국내 최초의 실용 원격탐사 위성이다. 전자광학카메라(EOC), 해양관측카메라(OSMI), 이온층측정기(IMS), 고에너지 입자 검출기(HEPD)의 4개의 관측기기가 탑재되어 있다. 이 위성의 임무는 한반도지도제작(1 : 25,000)을 자료수집, 해양관측 자료수집, 우주환경에 대한 연구, 아리랑위성의 상태데이터의 수집 등의 수행하는 것으로 되어 있다. EOC는 510∼730㎚ 파장대역에서 6.6m 공간해상도를 가진 전정색(Panchromatic) 영상을 수집하며, 지상국에서 여러 궤도의 영상들을 혼합 처리하여 입체영상(Stereo Image)을 얻을 수 있다. 위성의 고도는 685㎞이며, 관측폭은 17㎞, 한 궤도당 800㎞의 지상길이에 대한 연속촬영이 가능하다.

4. IRS-1C 위성(인도)

IRS(Indian Resources Satellite) 시리즈는 1980년대 중반부터 인도의 원격탐사위성 개발계획에 따라 개발되기 시작한 원격탐사 위성프로그램으로써 1988년 최초로 IRS-1A가 발사된 이래 1991년 IRS-1B, 1995년 IRS-1C까지 발사되었고, 1998년 IRS-1D가 발사되었다. IRS-1C와 IRS-1D에는 20m 공간해상도의 다중분광 센서인 LISS-Ⅲ와 5m 공간해상도의 전정색 센서와 Vegetation Control을 위한 188m 공간해상도의 WiFS(Wide Field Sensor)가 탑재되었다. 이 위성의 전정색센서는 다른 위성과 달리 6bit 데이터를 갖고 있는 단점이 있다. 위성의 고도는 약 820㎞이고, 관측폭은 70㎞×70㎞이다.

5. KVR-1000, Alternative system(러시아)

러시아 관측위성인 KOSMOS 시리즈에 장착된 KVR-1000 카메라는 넓은 면적을 촬영하면서도 고해상도 영상을 취득한다는 것이 특징이다. 1984년부터 활동한 이 위성은 군사첩보용으로 임무를 수행해 왔으며 1998년부터 국내에서 상용화되기 시작하여 현재 그 활용분야가 광범위하게 이용되고 있다. 이 카메라의 필름포멧은 18㎝×18㎝이며, 해상도 손실없이 1 : 10,000 축적까지 확장이 가능하다. 이 영상은 TK-350으로 입체영상을 얻어, 이를 이용한 정상영상을 제작할 수 있도록 되어 있다. 또한 Alternative 위성영상은 1m의 공간해상도를 가지고 있어 1 : 5,000 축적의 지도를 제작할 수 있다. 위성고도는 220㎞, 관측폭은 40㎞×160㎞이다.

6. IKNOS(미국)

1999년 9월 24일 미국 Space Imaging 사는 세계 최초로 상업용의 1m급 고해상도 위성인 IKNOS위성의 발사에 성공하였으며, 현재 전세계는 물론 한반도 지역의 영상을 송신하고 있다. 특히 해상도의 한계로 대축적 지도제작이 불가능했던 위성영상 지도제작 분야의 비약적인 발전인 이 위성영상은 전정색 영상이며, 공간해상도가 1m이다. 또한 4m의 다중분광 영상도 획득이 가능하며, 입체영상을 이용하여 수치표고모형(DEM) 추출이 가능하다. 제원은 위성고도가 680㎞, 관측주기는 2일, 관측폭은 13㎞×13㎞이다.

위성영상 자료의 선정

본 과업에서의 위성영상 자료를 이용한 토지피복 분류는 다중밴드의 영상이 필요하며 이에 이용되는 대표적인 영상으로는 Landsat, MK-4(러시아 위성), SPOT, IKNOS 위성 영상이 있다. 이중 MK-4 위성영상은 러시아 군사위성 영상으로써, 아직 국내에서 그 활용사례가 많지 않다. 또한 SPOT 위성영상은 20m 해상도의 다중밴드 영상과 10m 해상도의 전정색 영상을 제공한다. 토지피복분류에 활용할 수 있는 다중밴드 영상의 경우 4개 밴드로 이루어지며 전정색 영상은 스테레오 이미지를 통하여 DEM 추출이 가능하다.

Landsat 위성영상은 최소 4개 밴드에서 최대 8개 밴드에 이르는 광범위한 파장대로 이루어진다. 따라서 영상으로부터 취득할 수 있는 정보의 양이 SPOT 위성에 비하여 월등히 많다. Landsat, MK-4, SPOT 위성영상이 1 scene이 포괄하는 지상면적은 다음의 [그림 1]과 같다.

본 과업에서 한강유역의 면적은 30,281.95㎢으로써(임진강 유역 제외) 전 국토면적 99,538.00㎢의 30.42%에 해당하는 광범위한 범위로써 Landsat 영상을 이용할 경우 최대 5 scene으로 활용이 가능하나, SPOT 위성영상이나 IKNOS 위성영상을 사용할 경우 위의 [그림 1]에 나타난 바와 같이 매우 많은 영상이 필요하다. 또한 Landsat, SPOT, IKNOS 위성영상 중 다중밴드영상의 지상면적, 가격 및 특성을 비교하면 [표 1]와 같다.

[표 1] Lansat, SPOT, IKONOS 위성영상의 비교

Lansat, SPOT, IKONOS 위성영상의 비교

	발사년도	밴드수	1 scene당 지상면적	가격(만원)
Landsat	1972	4~8	185km×170km	60∼250
SPOT	1986	4	60km×60km	140∼240
IKNOS	1999	4	12km×12km	440

하천경관의 변천특성을 조사하기 위해서는 주기별 영상이 필요하다. Landsat 위성의 경우 최초 발사년도가 1972년이며, SPOT 위성은 1986년, IKNOS 위성은 1999년이다. 한강유역조사 사업에서는 1975년부터 2000년까지에 이르는 광범위한 시계열 분석이 필요하기 때문에 이를 만족하는 것은 Landsat 위성영상밖에 없다. 특히 사업지역을 포괄하는 영상 scene 수량과 가격을 고려한다면 Landsat 위성영상이 가장 적합할 것으로 판단된다.

유역조사 Landsat 자료의 이용

토지자원조사는 기본적으로 1975년부터 2000년까지 약 5년간격의 Landsat 위성자료를 이용하여 분석을 실시함을 목적으로 하였으나, Landsat 위성과 같이 분광센서의 경우 구름이 있는 경우 지표면의 특성을 파악할 수 없게 된다. 더우기, 본 과업의 대상지역이 넓은 지역을 대상으로 하고 있으므로 구름의 영향이 전혀 없는 영상을 선정하기는 상당히 어려우므로 1∼2년 정도의 시간적 차이는 허용하는 것으로 하였다.

본 과업대상 지역인 한강권역을 포함하기 위해서는 5개 scene의 Landsat자료가 필요하며, 그 Path/Row는 TM 기준 114/34 115/33, 115/34, 115/35, 116/34 로써 다음의 [그림 2]과 같다.

한강권역의 Landset 위성영상은 TM기준으로 Path/Row 114/34, 115/33, 115/34, 115/35, 116/34로써 5개의 영상이며, 토지피복변화량을 검출하기위하여 필요한 영상은 1975년부터 2000년까지 약 5년 간격의 6개 영상으로 총 30개의 영상이 필요하다. (MSS의 경우 T/M의 Path/Row와 약간 다르나 개략적으로 123/34가 TM의 114/34에, 124/33는 115/33, 124/34는 115/334, 124/35는 115/35, 125/34는 116/34에 대응한다고 볼 수 있다)

그러나 위성영상의 검토결과 114(123)/34(1975년 인근 - 730214, 750213)영상은 영상의 질이 사용하기에 부적당하여 분석에서 제외하였다.

따라서 한강권역에서는 총29개 scene을 토지피복분류에 이용하였으며, 자료의 목록은 다음의 [표 2]와 같다.

1974년도 123/34 위성영상의 경우 본과업에서 활용할 수 있는 위성영상이 없는 관계로 토지피복분류 시에는 1980년도 영상을 이용하였다.

[표 2] Landsat 위성영상자료 목록

Landsat 위성영상자료 목록

일련번호	위성명	센서	년/월/일	Path/Row	비고
1	Landsat-1	MSS	1974/04/23	124/33	북한강
2	Landsat-1	MSS	1974/04/23	124/34	남·북한강
3	Landsat-1	MSS	1974/04/23	124/35	남한강
4	Landsat-1	MSS	1973/10/08	125/34	북한강
5	Landsat-2	MSS	1981/06/05	123/34	남한강
6	Landsat-2	MSS	1979/08/28	124/33	북한강
7	Landsat-2	MSS	1979/08/28	124/34	남·북한강
8	Landsat-2	MSS	1979/08/28	124/35	남한강
9	Landsat-2	MSS	1981/07/31	125/34	북한강
10	Landsat-5	TM	1985/05/16	114/34	남한강
11	Landsat-5	TM	0984/05/04	115/33	북한강
12	Landsat-5	TM	1985/10/14	115/34	남·북한강
13	Landsat-5	TM	1986/04/24	115/35	남한강
14	Landsat-5	TM	1985/05/14	116/34	북한강
15	Landsat-5	TM	1989/10/18	114/34	남한강
16	Landsat-5	TM	1989/06/03	115/33	북한강
17	Landsat-5	TM	1989/06/03	115/34	남·북한강
18	Landsat-5	TM	1989/06/03	116/35	남한강
19	Landsat-5	TM	1989/04/26	116/34	북한강
20	Landsat-5	TM	1995/05/12	114/34	남한강
21	Landsat-5	TM	1995/04/17	115/33	북한강(수공)
22	Landsat-5	TM	1994/06/01	115/34	남·북한강
23	Landsat-5	TM	1995/05/03	115/35	남한강(수공)
24	Landsat-5	TM	1994/07/24	116/34	북한강
25	Landsat-7	ETM	2000/06/18	114/34	남한강
26	Landsat-7	ETM	2000/05/08	115/33	북한강
27	Landsat-7	ETM	2000/05/08	115/34	남·북한강
28	Landsat-7	ETM	2000/05/08	115/35	남한강
29	Landsat-7	ETM	2000/04/29	116/34	북한강

토지피복 분류 방법 및 절차

토지피복 분류

영상분류는 영상의 모든 화소를 몇 개의 토지피복 항목이나 주제별로 자동 지정하는 작업이다. 일반적으로 다중분광 위성영상을 이용하며 각 화소의 밴드별 화소값을 이용한다. 본 사업에서는 최소 4개 밴드에서 최대 7개 밴드로 이루어진 Landsat TM영상을 이용하게 된다. 접근방식에 따른 분류방법을 살펴보면 분광적(Spectral Pattern), 공간적(Spatial Pattern), 시간적(Temporal Pattern) 특성 등을 이용하는 방법으로 구분할 수 있다.

처리과정에 따른 분류방법에는 감독분류(Supervised Classification)와 무감독분류(Unsupervised Classification )방법이 있다. [표 3]는 토지피복 분류방법과 본 사업에서의 적용 여부를 정리한 것이다.

[표 3] 토지피복분류 방법의 구분

토지피복분류 방법의 구분

구분	분류방법과 정의		적용
접근방식에따른 분류	분광적(spectral) 분류	화소값을 기초로 분광패턴을 인식하여 분류	Landsat영상의 다중분광특성에 적용가능
	화소값을 기초로 분광패턴을 인식하여 분류	주위화소들과의 관련성을 기초로 공간패턴을 인식하여 분류	심도있는 시뮬레이션이 요구되어 부적당
	Landsat영상의 다중분광특성에 적용가능	시간에 따른 변화를 파악하여 대상물을 확인분류	5년주기의 영상분석을 통하여 가능
처리과정에 따른 분류	무감독(unsupervised) 분류	트레이닝 데이터를 사용하지 않고 영상의 특성에 의해서만 분류한 후 실제확인	분류시간 단축을 위해 1차 적용
	감독(supervised) 분류	분류자가 트레이닝 데이터를 지정하여 그에 근접한 특징을 갖도록 항목분류	미분류문제를 해결하기 위해 2차 적용

1. 무감독분류

본 조사에서는 무감독분류를 수행하기 위해 비계층적 클러스터링중의 하나인 ISODATA Clustering 알고리즘을 이용하였다. ISODATA Clustering은 처음에 자동으로 계산되는 평균값등을 이용해 각 픽셀이 어느 클래스에 포함되는지를 결정한다. 이렇게 결정이 되면 각 클래스의 평균값이 변화하기 때문에 이 변화된 평균값을 가지고 다시 반복작업을 수행하게 된다. 여기서 작업을 완료시킬 수 있는 조건은 반복작업의 횟수가 될 수도 있고, 픽셀 정렬작업의 전과 후를 비교해서 아무 변화가 없는 픽셀이 전체의 몇 퍼센트 이상이면 작업을 중단시킬 수 있다. 본 조사에서는 30회, 95%를 기준으로 하였다.

2. 감독분류

감독분류로는 가장 많이 이용되는 분류법중의 하나로 각 클래스에 대한 ?셀자료의 우도(尤度;Likelihood)를 구하고 최대 우도 클래스에 그 픽셀을 분류하는 방법인 최우법, 혹은 최적분류법(Maximum Likelihood classifier)를 이용하였다.

토지피복 분류 절차

자료처리는 PCI Geomatics社의 영상처리 전문 소프트웨어인 PCI를 이용하였다.작업순서는 다음과 같다.

1. 영상의 기하보정

영상보정(image correction)은 왜곡(distortion)이 있는 영상으로부터 그것을 제거하는 것으로 기하학적 왜곡을 제거하는 것을 기하보정(geometric correction)이라 한다. 영상에 포함되는 기하학적 왜곡은 화상에서의 각 픽셀 위치좌표와 지도좌표계에서의 대상물 좌표와의 차이로서 나타낼 수 있다. 영상상의 픽셀좌표와 대상물의 지리좌표와의 대응관계(좌표변환식)를 정량적으로 명확히 하는 것이라고도 말할 수 있다.

① GCP 선정

위성의 궤도는 원형의 극궤도를 이루지만 위성이 움직이는 동안 지구가 자전하기 때문에 실제궤도는 약간 경사지게 되며, 이로 인하여 관측된 위성자료는 실제 지형위치에 대해 왜곡된다. 따라서 GCP(Ground Control Point)를 이용하여 정밀 기하보정을 실시한 후 분석하여야 한다. 그에 대한 절차는 [그림 4]과 같다.

위성영상자료를 처리하여 필요로 하는 정보를 추출하기 위해서는 기준이 되는 지상기준점(Ground Control Point) 좌표를 결정하여야 한다. 이러한 지상기준점들의 좌표는 기준이 되는 준거면(Reference surface)에 설정한 좌표계를 기준으로 하여 좌표를 표시한다.

우리 나라에서는 1910년대에 일본의 Tokyo원점을 기준으로 조선총독부에 의하여 기준점망이 설정되었고, 준거면은 Bessel 타원체를 채택하여 현재까지 사용하고 있다. 종래에는 이러한 기준점을 기준으로 재래식 측량에 의하여 측량을 실시하고 지도를 제작함으로 인하여, 큰 오차가 발생되며, 장기간의 관측 및 계산, 많은 인력이 요구되어 매우 비효율적이고 비경제적이었으나, 90년대들어 범 지구 인공위성 측위 시스템(Global Positioning System : GPS)의 개발로 매우 효율적이고 경제적으로 고정밀도의 위치결정을 수행할 수 있게 되었다.

GCP는 화상에서 명확히 식별되는 점이어야 하며 주로 교량, 도로의 교차점 및 육지와 수면의 경계점 등이 사용되고, 또한 기복변위의 영향을 최소화하기 위하여 가급적 동일표고의 점을 선정하는 것이 좋다. GCP의 분포는 전체적인 결과에 영향을 미치므로 해석대상 영역 전반에 고르게 분포되어야 하며, 가급적 많을수록 좋은 결과를 얻게 된다.

본 과업에서는 기본적으로 환경부에서 설정한 GCP를 이용하며, 하나의 영상당 최소 8점이상의 GCP를 독취한다. 또한 경우에 따라 기 보정된 이미지를 이용하여 image to image 형식으로 기하보정을 실시하였다. 영상별로 작성된 피복분류도의 최종 결합 시 두 scene의 매끄러운 결합을 위하여 중복지역에 분포하는 공통 GCP는 동일지점을 이용하였다.

② 기하보정

- 남한강 및 한강동해 지역
본 영상에서는 보정식(픽셀좌표와 지리좌표간의 좌표변환식)으로 1차 다항식 (1-order polynomials)의 방법을 사용하였으며, 기준점(이하 GCP;Ground Control Point)을 이용, 보정식의 변환계수를 구하였다. GCP는 GPS Fast static으로 직접 측량하였으며, 성과의 조정과 변환의 기준이 된 삼각점은 남산의 성동25, 춘천의 내평21, 속초의 속초28, 충주의 엄정25, 삼척의 매월21이다. GCP의 RMS오차는 0.3픽셀(약 10m)내로 조정하였다. [그림 6]은 영상에서 GCP를 잡은 모습이다.

본 영상에서는 재배열을 출력영상의 각 픽셀에 대해 입력화상좌표계에서의 대응위치를 역으로 계산하고 그 위치에서 화소자료를 구하는 방법을 사용하였는데 이 방법이 일반적이다. 그리고 일반적인 기하보정에서는 보정 후 출력지도좌표계상에서 정사각형 격자를 설정하고 그 격자점에 대응하는 영상자료를 구한다. 그러나 이 영상지도좌표계의 격자점에 대응하는 입력영상의 좌표는 보통 정수값으로 되지 않기 때문에 구하고자 하는 점의 픽셀값을 입력영상의 주변 픽셀값으로부터 내삽(interporation)으로 구해야 한다. 본 영상에서는 내삽조정방법으로 최근접 내삽법(NN;Nearest Neighbor)을 이용하였다. 이 방식에는 원자료가 흠이 나는 결점이 있으나 평균하기 때문에 평활화의 효과가 있다. [그림 7]은 재배열을 도식적으로 보여주고 있으며 [그림 8]는 내삽을 설명하는 그림이다.

- 북한강 및 팔당하류 지역
기하보정에서는 영상에 지도좌표를 부여하고 화소를 이에 맞게 재배열(resample)한다.[그림 8]은 기하보정의 과정을 설명한 것이다. 본 과업 수행시 다음과 같은 고차다항식을 사용하였으며, 미정계수는 최소제곱법을 이용하여 결정될 수 있다.

X = a0 + a1U + a2V + a3UV + a4U2 + a5V2 + ··· + akUmVm
Y = b0 + b1U + b2V + b3UV + b4U2 + b5V2 + ··· + bkUmVm

실제 선정된 GCP에 대하여 Affine 변환식 및 2차 이상의 고차 다항식을 이용하였을 때 평균제곱오차(RMS)는 변환식의 차수가 높을수록 감소하여 정밀변환을 할 수 있다. 본과업에서는 GCP를 이용하여 위성영상의 RMS(root mean square) 오차를 0.5화소(TM의 경우 15m) 이내로 조정하였다.

이와 같이 GCP 좌표들을 기준으로 변환식이 구성되면, 그 변환식을 기준으로 원격탐사 영상자료를 재배열(resampling)시킴으로서 최초에 구득된 원격탐사자료는 기하보정 및 좌표일치가 될 수 있다. 재배열이란 기준도상에서 격자로서 배열된 일정영역을 가지는 특정위치의 값을 원격탐사 자료로부터 계산해 내는 과정이다. 이와같이 지리적인 좌표체계를 가지는 기준도상에서 재배열됨으로서, 원격탐사 자료는 기하학적으로 왜곡이 보정됨과 동시에 실세계 좌표체계를 갖는 공간자료로서의 가치를 갖게 된다.

재배열을 실행하기 위해서는 두가지 사항이 결정되어야 한다. 그 하나는 기준도상에서의 격자간격이며, 다른 하나는 재배열의 방법이다. 기준도상에서의 격자간격은 새롭게 재구성되는 공간자료로서의 원격탐사자료가 가지는 공간해상도를 얼마로 할 것인지를 결정하는 것이다. 이 격자간격은 자료의 활용목적에 따라 임의의 값으로 결정할 수 있으나, 원격탐사 자료 획득시의 공간해상도보다 더 작은 크기의 격자로서 설정하는 것은 무의미하다. Landsat TM 자료의 경우, 자료의 배포처에서 구조적 기하보정을 통하여 28.5m×28.5m의 공간해상도를 가지는 자료로 제공되므로 재구성되는 원격탐사 자료의 격자간격은 DEM의 해상도와 동일한 30m로 하였다. 또한, MSS의 경우 공간해상도는 80m이지만, TM 및 DEM과의 해상도를 일치시키기 위하여 30m로 재배열하였다. 이는 인공위성자료의 특성값에 대한 물리적 의미는 없는 것으로 단지 유역분할 및 GIS 자료로서의 정확도를 일치시키기 위한 것이다.

재배열 과정은 출력화소의 위치를 변환식의 역변환식에 대입하여 미보정 화상에서의 화상좌표를 구한 후 그 위치에 해당되는 화소값을 취함으로서 이루어진다. 이때 계산된 화상좌표는 화소단위 이하이므로 주위의 화소값을 참조하여 최종 데이터값을 결정하게 되며 여기에는 최근린 내삽법(nearest neighbour), 공일차 내삽법(bilinear interpolation), cubic convolution 방법 등이 적용된다.

각각의 방법들은 고유의 장, 단점을 가지고 있으나, 최근린내삽법은 계산된 화상좌표에 가장 가까운 화소의 값을 택하는 방법으로 결과로서 나타나는 자료를 영상으로 표현하였을 때 부드럽게 보이지는 않으나 당초의 자료값과 다른 새로운 값이 생성되지 않는다는 점에서 주로 이용되고 있다. bilinear 및 cubic convolution의 경우에는 내삽을 통하여 새롭게 결정되는 값들이 공간적으로 연속적인 분포값을 갖게 되어 영상으로 나타냈을 때 비교적 부드럽게 보이나, 원래의 자료에는 존재하지 않았던 새로운 값이 생기게 되어 정량분석에 적합하지 않은 기법으로 보고되고 있으며 그 계산시간이 오래 걸린다는 단점을 갖는다. 따라서 본 과업에서는 최근린내삽법을 이용하여 DEM과 동일한 해상도를 갖는 30m가 되도록 재배열을 실시하였다.

분류항목 설정

토지피복분류(Land Cover Classification)는 원격탐사자료의 가장 대표적이고 전형적인 응용방법의 하나로 숲, 초지, 콘크리트 포장과 같은 대지 표면의 물리적 상황을 분류한 것이며, 토지이용(Land Use)은 공업지역, 주거지역, 농경지 등과 같은 토지이용현황 및 계획상태를 반영하는 것으로 개념상 차이가 있다.

인공위성을 이용한 원격탐사 자료는 항공사진에 비하여 광역적이고 주기적인 자료획득이 가능하며 수치형태로 취득할 수 있다는 장점으로 그 활용성이 대단히 크다. 우리나라에서도 그 동안 도시지역의 토지피복분류, 산림자원 관리, 환경자원관리 등을 중심으로 연구가 진행되었으며 수자원분야에의 효용성도 입증되고 있다.

토지피복분류는 일반적으로 사전정보(ground truth data)를 이용하는 감독분류 (supervised classification)를 적용하며, 이것은 사용자가 각 분류항목의 특성을 지정하는 training단계와 이를 이용한 분석단계로 이루어진다.

training 단계에서는 화상에서 각 분류항목별로 확실한 영역(training field)을 지도나 현장조사 등을 통하여 설정하고, 그 지역의 데이터 분포를 기준으로 하여 분류항목별 통계특성 자료를 작성하게 된다. training field는 이후 분류단계의 결과에 직접적으로 영향을 미치므로 신중히 선택하여야 하며 보통 시행착오법을 거치게 된다.

분석단계에서는 위의 통계특성 자료를 이용하여 일정한 기준에 의하여 모든 화소들을 순차적으로 분류하게 된다. 이때 분류 기준설정 방법에 따라 최단거리법 (minimum distance classifier), 평행육면체법(parallelpiped classifier), 최대우도법(maximum likelihood classifier) 등이 적용된다.

본 과업에서는 처리시간은 많이 걸리지만 가장 정확한 분류방법인 최대우도법을 적용하였다. 이 방법은 training field의 자료가 정규분포를 따른다는 가정하에 각 분류항목의 평균벡터와 공분산행렬을 계산한 후, 확률밀도함수를 이용하여 각각의 화소를 확률이 가장 높은 분류항목으로 분류하는 방법이다. 분류작업은 각 scene 별로 수행하였으며, 분류 후 하나로 통합하였다.

본 과업에서의 토지피복분류는 환경부의 7단계 토지피복분류체계를 기준으로 하였다.

환경부의 토지피복분류체계는 1단위부터 3단위까지 안을 제시하고 있으나 Landsat TM을 이용하여 분류가 가능한 단위는 1단위이므로 본 사업에서는 1단위 7단계 토지피복분류를 실시하도록 하였으며, 1단위 농업지역에서 논·밭의 구분을 추가로 분류하도록 하였다.

과업의 기간과 관련하여 본 과업이 1년 이내의 단기과업으로 완료되는 사업일 경우 토지분류항목은 CORINE 및 USGS의 분류사례는 너무 방대하여 수행할 수 없다. 따라서 자연환경, 대기, 수질 분야에서 단기간에 사용이 가능한 형태로 항목을 설정해야 할 것이다.

환경부의 토지피복분류체계의 내용은 다음과 같다. 시가지는 주거지역, 산업·상업지역, 교통, 공공시설물을 포함하는 지역으로, 취락을 목적으로 인위적으로 개발된 용지와 시설물이 모두 해당된다. 농경지는 논, 밭, 과수원 등 경작지를 말한다. 산림은 활엽수, 침엽수, 혼효림 등 자연적으로나 인공적으로 조성된 수림을 의미하며, 초지는 녹지, 묘지, 수목밀도가 높지 않은 야산 등을 포함하는데, 초분류의 식생이 자생하는 지역이나, 골프장과 같은 시설, 도심내에 조성된 도심공원 등이 이에 해당한다. 습지는 늪이나 갯벌, 염전 등을 말한다. 나지는 광산, 채석장 등 채광지역, 해변의 백사장, 강기슭의 모래사장, 미개발지역이 이에 해당한다. 수계는 하천, 호수 등 내륙수와 해양수를 말한다.

1. training field의 결정

분류체계가 결정되고 나면, 분석자는 화상에서 토지피복계급을 대표하는 지역을 선택해야 한다. 이러한 지역은 불규칙적인 지역이 아니라 각각의 계급을 일반적으로 잘 표현할 수 있는 지역이어야 한다. 그런 후 이러한 지역의 화상좌표가 구별되고, 화상좌표는 이러한 지역의 각각의 분광데이타로 부터 통계치를 추출하기 위해 사용된다. Training이 획득된 환경이 비교적 동질이라면, training 데이타는 전 지역에 걸쳐 유용하다. 환경적인 조건이 동질적이거나 일정하게 유지할 수 있다면, 공간상으로 상당한 거리까지 signature를 확대할 수 있고, 따라서 training site를 재 선택하기 위한 노력과 비용을 현저히 감소시킬 수 있다.

각 분류항목별로 그 항목을 가장 잘 대표할 수 있는 training field를 선정하였으며, 이 과정은 1:25,000 지형도, 칼라합성시의 색조 및 환경부의 토지피복분류도 등을 참고로 하여 이루어졌으며 원칙적으로 대상영역에 고루 분포하도록 하였다. 선정된 training 자료는 동질성이 유지되는 공간상으로 signature를 확대할 수 있다. signature에 대한 타당성은 일차적으로 자체에 대한 contingency matrix(error matrix)를 작성해 봄으로서 판단할 수 있으며 바람직한 결과가 나올 때까지 검토 및 수정을 반복하게 된다.

2. 토지피복 분류

일반적으로 물의 경우 가시광선대(TM밴드 1-3)에서 물의 특성에 따른 차이가 발생하는 반면 적외선 파장대(TM밴드 4-7)에서는 다른 항목보다 매우 낮게 나타나 확실히 구분될 수 있다. 또한 산림지역은 밴드 4, 5에서 가장 잘 구분되며, 일반나지는 거의 모든 밴드에서 다른 분류 항목들보다 평균값 및 표준편차가 높게 나타나고, 그리고 열적외선 밴드인 밴드 6의 경우 대체적으로 평균값이 비슷하지만 어떤 분류 항목 간에는 많은 차이가 나타난다. 따라서 signature에 대한 분리도(separability)를 계산하여 최적분류를 위한 band의 선택을 할 수도 있으나, 최근의 전자계산기의 발달로 인하여 TM자료의 full scene을 짧은 시간내에 처리할 수 있으므로 본 과업에서는 분류를 위하여 7개 밴드 모두를 사용하였다.

본 과업에서는 토지피복분류를 위하여 사전확률을 이용하는 Bayesian 최대우도법을 적용하였다. Bayesian 최대우도법은 임의의 화소 X가 분류항목 ωi 에 속할 확률 가 가장 높은 항목으로 분류하는 것이다.

 ... (1)
여기서

: 분류항목 에서 X가 나타날 확률

: 분류항목 의 사전확률

식 (1)에서 P(X)는 개별 분류항목과 관계가 없으므로,   만으로 판단할 수 있으며 이것을 판별함수라 한다. 한편

는 정규확률밀도함수로 표현하면 n차원에 대하여 다음 식으로 표현된다.

 ... (2)

여기서 : 분류항목 의 평균벡터

: 분류항목 의 공분산행렬

: 공분산행렬의 행렬식

판별함수에서는 상수값을 가감승제하거나 대수를 취하더라도 관계없으므로 식(2)에 대하여 자연대수를 취하고 상수항을 소거하여 간단히 하면 판별함수 는 다음 식으로 표현된다.

 ... (3)

즉, 임의의 화소 X에 대하여 각 분류항목별로 식(3)에 의한 값을 구한 후 이 중 값이 가장 높은 항목으로 분류하게 된다. 여기서 사전확률 는 분류항목간의 가중치를 생각할 수 있으며, 자체적으로 추정하기 어렵기 때문에 확실하지 않은 경우 보통 모두 1을 적용한다. 그러나 임의 항목으로 분류하기가 애매한 화소의 경우 이 값에 따라 최종적인 분류결과에 따라 적절한 가중치를 적용함으로서 분류의 정확도를 향상시킬 수 있다.

3. 분류 결과의 해석

원격탐사로부터 유도된 토지피복도의 전체적인 정확도를 결정하기 위하여, 지도가 미리 정한 분류정확도 기준에 일치하는지의 여부를 확실하게 할 필요가 있다. 예를 들어 지구자원경영에 대한 토지이용도의 전체적인 정확도는 일반적으로 약 85%이고, 이러한 정확도는 대부분의 범주에 대하여 대략 동일하다고 보고되고 있다.

분류결과의 신뢰도는 일차적으로 사용된 training field(signature)에 대한 contingency matrix에 의해 평가 할 수 있다. 정확도 평가에 사용될 검증지역의 유형을 선택하는 방법은 training field의 영역전체를 평가하는 방법과 영상전체에 대하여 표본을 추출하는 방법이 있다. 그러나 본 과업의 경우 상당히 광대한 범위에 대한 피복조사를 실시함에 따라 추출된 표본에 대한 검증자료를 일일이 정의한다는 것은 대단히 어려운 일이다.

따라서, 본과업에서는 한강유역내 분류결과의 비교를 위하여 통계연보 자료를 종합 정리하여 나타내었으며, 통계연보 자료는 지적공부상 지목별 현황이기 때문에 토지피복을 대상으로 한 본 과업의 분류체계와 다르므로 적절한 항목끼리 묶을 필요가 있다. 지적통계상 대지와 도로를 합쳐 토지피복의 시가화지역으로 하였으며, 지적통계 상의 임야를 산림으로, 밭과 과수원을 합하여 토지피복의 밭으로 하여 상호 비교하였다.