Development of land cover classification model using CNN based FusionNet network and parcel boundary extraction algorithm

Abstract

토지이용이 빠르게 변화함에 따라, 토지 피복에 대한 공간정보를 담고 있는 토지 피복 지도의 신속한 최신화는 필수적이다. 하지만, 현 토지 피복 지도는 많은 시간과 노동력을 요구하는 manual digitizing 방법으로 제작됨에 따라, 토지 피복 지도의 업데이트 및 배포에 긴 시간 간격이 발생하는 실정이다. 본 연구에서는 convolutional neural network (CNN) 기반의 인공신경망을 이용하여 high-resolution remote sensing (HRRS) 영상으로부터 토지 피복을 분류하는 모델을 개발하고, 특히 농지 경계추출 알고리즘을 적용하여 농업지역에서 분류 정확도를 개선하고자 하였다. 개발된 토지 피복 분류모델은 전처리(pre-processing) 모듈, 토지 피복 분류(land cover classification) 모듈, 그리고 후처리(post-processing) 모듈의 세 모듈로 구성된다. 전처리 모듈은 입력된 HRRS 영상을 75%씩 중첩 분할하여 관점을 다양화하는 모듈로, 한 관점에서 토지 피복을 분류할 때 발생할 수 있는 오분류를 줄이고자 하였다. 토지 피복 분류 모듈은 FusionNet model 구조를 바탕으로 개발되었고, 이는 분할된 HRRS 이미지의 픽셀별로 최적 토지 피복을 부여하도록 설계되었다. 후처리 모듈은 픽셀별 최종 토지 피복을 결정하는 모듈로, 분할된 HRRS 이미지의 분류결과를 취합하여 최빈값을 최종 토지 피복으로 결정한다. 추가로 농지에서는 농지경계를 추출하고, 필지별 분류된 토지 피복을 집계하여 한 필지에 같은 토지 피복을 부여하였다. 개발된 토지 피복 분류모델은 전라남도 지역(면적: 547 km2)의 2018년 정사영상과 토지 피복 지도를 이용하여 학습되었다. 토지 피복 분류모델 검증은 학습지역과 시간, 공간적으로 구분된, 2018년 전라남도 수북면과 2016년 충청북도 대소면의 두 검증지역에서 수행되었다. 각 검증지역에서 overall accuracy는 0.81, 0.71로 집계되었고, kappa coefficients는 0.75, 0.64로 산정되어 substantial 수준의 토지 피복 분류 정확도를 확인하였다. 특히, 개발된 모델은 필지 경계를 고려한 농업지역에서 overall accuracy 0.89, kappa coefficient 0.81로 almost perfect 수준의 우수한 분류 정확도를 보였다. 이에 개발된 토지 피복 분류모델은 특히 농업지역에서 현 토지 피복 분류 방법을 지원하여 토지 피복 지도의 빠르고 정확한 최신화에 기여할 수 있을 것으로 생각된다.

The rapid update of land cover maps is necessary because spatial information of land cover is widely used in various areas. However, these maps have been released or updated in the interval of several years primarily owing to the manual digitizing method, which is time-consuming and labor-intensive. This study was aimed to develop a land cover classification model using the concept of a convolutional neural network (CNN) that classifies land cover labels from high-resolution remote sensing (HRRS) images and to increase the classification accuracy in agricultural areas using the parcel boundary extraction algorithm. The developed model comprises three modules, namely the pre-processing, land cover classification, and post-processing modules. The pre-processing module diversifies the perspective of the HRRS images by separating images with 75% overlaps to reduce the misclassification that can occur in a single image. The land cover classification module was designed based on the FusionNet model structure, and the optimal land cover type was assigned for each pixel of the separated HRRS images. The post-processing module determines the ultimate land cover types for each pixel unit by summing up the several-perspective classification results and aggregating the pixel-classification result for the parcel-boundary unit in agricultural areas. The developed model was trained with land cover maps and orthographic images (area: 547 km2) from the Jeonnam province in Korea. Model validation was conducted with two spatially and temporally different sites including Subuk-myeon of Jeonnam province in 2018 and Daseo-myeon of Chungbuk province in 2016. In the respective validation sites, the models overall accuracies were 0.81 and 0.71, and kappa coefficients were 0.75 and 0.64, implying substantial model performance. The model performance was particularly better when considering parcel boundaries in agricultural areas, exhibiting an overall accuracy of 0.89 and kappa coefficient 0.81 (almost perfect). It was concluded that the developed model may help perform rapid and accurate land cover updates especially for agricultural areas.