Sentinel-2 시계열 영상의 정형화 및 군집화를 통한 필지 단위 작물 분류 모델 비교 분석 = Comparative analysis of Parcel-Level Crop Classification Method Using Tabularizing and Clustering Method for Sentinel-2 Image Time Series Data

국문 초록 (Abstract)

위성 영상 시계열 (Sattelite Image Time Series, SITS)은 작물 유형 분류에 가장 유용한 도구 중 하나이다. 그러나 한국의 농경지와 같이 작고 비정형적인 필지의 경우, 위성 영상의 낮은 해상도로 인해 픽셀 기반 작물 분류에 한계가 있다.
본 연구의 목적은 구조화된 Sentinel-2 시계열 데이터를 기반으로 필지 수준의 작물 분류 방법을 개발하는 것이다. 본 연구는 대한민국의 4개 지역 (나주시, 영천시, 의성군, 남해군)을 대상으로 20개의 서로 다른 작물 유형에 대해 수행되었다. 데이터는 6개월간의 Sentinel-2 영상과 드론 기반의 현장 조사 자료로부터 구축되었다. 전처리 과정에서는 위성 영상을 10일 단위 평균 반사율과 분광 밴드 정보를 활용하여 테이블 형태의 데이터로 구조화하였다.
10개의 머신러닝 및 딥러닝 모델의 성능을 비교한 결과, XGBoost가 Micro F1 0.718, Macro F1 0.547, kappa 계수 0.675로 가장 높은 성능을 보였으며, CBAM은 Micro F1 0.689, Macro F1 0.551, kappa 계수 0.647로 두 번째로 높은 성능을 기록하였다. XGBoost는 밭작물 분류에서 높은 정확도를 보인 반면, CBAM은 과수 작물에서 상대적으로 우수한 성능을 나타냈다. 이러한 결과를 통해 decision tree 기반 모델이 정형 데이터 기반 작물 분류에서 강점을 가진다는 점을 확인할 수 있었다.
XGBoost를 기반으로 수행한 SHAP 사후분석 결과, 작물별 재배 특성과 생육 시기가 시분광적 특징에 효과적으로 반영되어 있음을 확인하였다. 또한 K-means++ 클러스터링을 이용한 작물 간 유사성 분석을 통해 각 작물의 시분광적 유사성을 정량적으로 확인할 수 있었으며, 특정 작물에서 분류 정확도가 낮게 나타난 원인을 설명하는 데 유용하게 활용할 수 있었다.
클러스터링 결과를 바탕으로 부여한 의사 라벨을 이용한 분류에서는 CBAM+MLP가 Micro F1 0.820, Macro F1 0.685, kappa 계수 0.760으로 가장 높은 성능을 보였다. 의사 라벨을 통한 데이터 정제 과정에서 클래스 간 결정 경계가 보다 명확해졌으며, 이로 인해 시계열의 비정형적 패턴을 학습하는 데 강점을 가진 딥러닝 기반 모델들의 성능이 전반적으로 향상되었다. 그러나 표본 수가 극히 적거나 시분광적 특성이 강하게 중첩된 작물의 경우, 의사 라벨 적용 이후에도 분류 성능 개선에는 일정한 한계가 존재하였다.마지막으로, 생성된 분류 모델을 다른 연도 자료에 적용함으로써 아직 공개되지 않은 연도의 작물 재배 면적을 산출할 수 있음을 확인하였다.
본 연구에서는 여러 머신러닝 기법을 대상으로 소규모, 비정형적 필지에 대한 클러스터링 기반 SITS 작물 분류 성능일 비교 및 분석하였다. 본 연구는 향후 전국단위 작물지도 제작, 작물 별 재배 면적 파악, 작물 가격 예측, 농업 정책 수립 및 의사결정 등에 활용될 수 있을 것으로 보인다.

다국어 초록 (Multilingual Abstract)

Satellite Image Time Series (SITS) have become one of the most effective tools for crop type classification. However, in agricultural landscapes characterized by small and irregularly shaped parcels, such as those commonly found in South Korea, pixel-based crop classification remains challenging due to the limited spatial resolution of satellite imagery.
The objective of this study is to develop a parcel-level crop classification framework based on structured Sentinel-2 time series data. The study was conducted for 20 different crop types across four regions in South Korea: Naju-si, Yeongcheon-si, Uiseong-gun, and Namhae-gun. The dataset was constructed using six months of Sentinel-2 imagery in combination with drone-based field survey data. During preprocessing, satellite observations were aggregated into 10-day mean surface reflectance values and organized into a tabular format using multispectral band information.
The performance of ten machine learning and deep learning models was evaluated. Among all models, XGBoost achieved the highest performance with a Micro F1 score of 0.718, a Macro F1 score of 0.547, and a kappa coefficient of 0.675, followed by CBAM with a Micro F1 of 0.689, a Macro F1 of 0.551, and a kappa of 0.647. XGBoost showed particularly strong performance for field crops, whereas CBAM performed relatively better for orchard crops. These results confirm that decision tree–based models are well suited for crop classification tasks using structured tabular SITS data.
Post hoc SHAP analysis based on XGBoost revealed that crop-specific cultivation characteristics and phenological stages were effectively reflected in the spatio-spectral features. In addition, crop similarity analysis using K-means++ clustering quantitatively captured the spectral–temporal similarities among crops and provided an effective explanation for low classification accuracy observed in specific crop types.
When pseudo-labels derived from clustering results were incorporated, CBAM+MLP achieved the best performance, with a Micro F1 score of 0.820, a Macro F1 score of 0.685, and a kappa coefficient of 0.760. The pseudo-labeling process refined the input data and clarified decision boundaries between crop classes, leading to an overall performance improvement in deep learning models that are capable of learning non-linear and non-stationary temporal patterns. Nevertheless, crops with extremely limited sample sizes or highly overlapping spectral–temporal characteristics still exhibited limited performance gains even after pseudo-labeling.
Finally, the trained classification model was successfully applied to data from different years, enabling the estimation of crop cultivation areas for years in which ground truth information has not yet been released. This study provides a comprehensive comparison and analysis of clustering-based SITS crop classification methods for small and irregular agricultural parcels, and the proposed framework can support large-scale crop mapping, crop area estimation, crop price forecasting, and agricultural policy planning and decision-making in the future.

목차 (Table of Contents)

• 제 1 장 서론 1
• 제 1 절 연구 배경 1
• 제 2 절 연구 목적 4
• 제 2 장 연구사 5
• 제 1 절 SITS를 활용한 작물 분류 모델 5
• 1. Decision tree 기반 작물 분류 모델 5
• 2. CNN 기반 작물 분류 모델 11
• 3. Transformer 기반 작물 분류 모델 13
• 제 2 절 Tabular 데이터셋 분류 모델 18
• 제 3 절 SITS 분류 모델 사후분석 연구 22
• 제 3 장 연구 방법 28
• 제 1 절 연구 흐름도 28
• 제 2 절 대상 지역 선정 29
• 제 3 절 Ground truth 데이터 취득 31
• 1. 팜맵 필지 경계 데이터셋 31
• 2. 작물 재배 모니터링 데이터셋 31
• 제 4 절 위성 데이터 전처리 35
• 1. Sentinel-2 데이터 취득 35
• 2. 위성 이미지 필지 단위 분할 35
• 3. 위성 이미지 시계열 데이터 생성 36
• 4. 입력 데이터 구성 및 데이터 증강 37
• 제 5 절 작물 분류 모델 38
• 1. Decision tree 기반 머신러닝 모델 38
• 2. CNN, Transformer 기반 딥러닝 모델 39
• 3. K-means++ 클러스터링 모델 42
• 4. SHAP 사후분석 43
• 5. 정확도 평가 43
• 제 4 장 결과 및 고찰 46
• 제 1 절 작물 분류 모델 평가 및 사후분석 46
• 제 2 절 K-means++ 클러스터링 및 의사 라벨 생성 54
• 제 3 절 의사 라벨을 이용한 작물 분류 모델 평가 58
• 제 4 절 연도별 작물 면적 통계 도출 63
• 제 5 장 결론 66
• 참고문헌 68
• Abstract 79