딥러닝을 이용한 정사영상 기반 토지피복 분석 = Land cover analysis based on orthophotos using deep learning

국문 초록 (Abstract)

토지피복도(Land Cover Map)는 지구표면 지형지물의 형태를 일정한 과학적 기준에 따라 분류하여 동질의 특성을 지닌 구역을 color indexing 한 후 지도의 형태로 표현한 공간정보 DB이다. 지구 표면의 다양한 자연 및 인공적인 요소를 구분하는 지도로써 지표면의 현상을 가장 잘 반영하기 때문에 정부 정책의 근거 자료로 사용하며, 도시계획 및 환경영향평가 등에 폭넓게 활용되는 자료다. 환경부에서 구축하고 배포하는 토지피복도는 수치지도, 항공정사영상, 연속수치지도 및 KLIS 지적도 등 상당히 많은 양의 기초 자료를 가지고 제작하기 때문에 토지피복의 경계 결정에 많은 시간이 소요되므로 토지피복도의 갱신 주기가 길어지는 근본적인 문제점을 가지고 있다.

그래서 이를 해결하기 위한 많은 연구들이 진행되고 있고, 최근엔 딥러닝 인공지능을 활용하여 토지피복을 분석하는 다양한 시도를 하고 있다. 또한 환경부에서는 1대5000 수치지도 도엽번호에 해당하는 정사영상을 512x512 크기로 분할한 정사영상 원본 이미지와 gray 스케일의 인공지능 학습용 라벨 이미지를 동시에 제공하고 있는데, 본 연구에서는 환경부에서 배포하는 학습용 이미지를 사용하지 않고 연구 대상지의 정사영상으로 직접 라벨링 처리한 RGB 색상 이미지로 딥러닝 U-Net 모델 학습을 진행하고 토지피복 분석을 수행하였다. 현재 환경부에서 구축하는 토지피복도는 대분류가 7개 항목, 중분류는 22개 항목, 세분류는 41개 항목으로 분류하고 있는데 환경부에서 분류한 도로는 하나의 클래스만 지정하였지만, 본 연구에서는 고가도로와 일반도로 2가지로 좀 더 세분화하고 시설물 중에서는 태양광설비 개체를 추가한 11개 클래스로 분류한 항목으로 토지피복 분석 작업을 수행하였다.

환경부에서 작성한 토지피복도의 농경지는 넓은 지역의 농지를 묶어서 하나의 경지로 처리하고 있지만 본 연구에서는 농지의 경계를 보다 명확하게 구분하고 실경작지 영역을 제대로 분석할 수 있는지 실험하였다. 본 연구의 토지피복 분석 결과영상을 보면 미세한 농지의 경계를 어느 정도 잘 구분해내고 있다는 것을 확인할 수 있었다. 그리고 시설물 개체로 추가한 태양광설비는 학습 이미지의 개수가 많지 않음에도 상당히 잘 구분해 내는 것을 볼 수 있었다. 또한 수치지도 및 연속지적도의 경작지 경계와 본 연구에서 분석한 정사영상 이미지의 실경작지 경계를 비교해 보았을때 본 연구의 농지 경계가 보다 실제에 가까운 농지 경계로 분석하고 있는 것을 확인했으며, 환경부에서 제작한 토지피복도의 농지 경계와 비교 하였을때, 본 연구에서 분석한 실제 농경지의 경계와 일치하는 지역도 있었고, 일치하지 않는 지역도 있었다. 나아가 본 연구의 결과가 토지피복 분석뿐만아니라 통계청에서 사용하는 농경지 면적 산출 방법 중에서 원격 탐사의 한가지 방법으로 응용할 수 있는지 확인하였다.

목차 (Table of Contents)

• 제 1 장 서 론 1
• 1.1 연구배경 및 목적 1
• 1.2 국내외 연구 동향 2
• 1.3 연구 대상지 및 연구 방법 8
• 제 2 장 기초자료 취득 12
• 2.1 수치지도 자료 12
• 2.2 정사영상 자료 14
• 2.3 연속지적도 자료 17
• 제 3 장 연구 방법 20
• 3.1 전체 자료 처리과정 20
• 3.2 정사영상 전처리 20
• 3.2.1 수치지도와 정사영상의 좌표 일치시키기 21
• 3.2.2 정사영상 라벨링 마스크 처리 23
• 3.3 U-Net을 이용한 토지피복 분석 25
• 제 4 장 연구 결과 28
• 4.1 학습 곡선 28
• 4.2 정량적 평가 29
• 4.3 결과영상 분석 35
• 제 5 장 결 론 44
• 참고문헌 45
• Abstract 50