합성곱 신경망을 이용한 딥러닝 기반의 토지피복 분류와 변화탐지

Abstract

The land cover map plays an important role in land management and planning. The land cover map of Korea is produced and distributed by the Ministry of Environment. It is used as an auxiliary data in various research as well as to grasp the current status ofearth. However, the land cover map produced by Ministry of Environment has problems of classification accuracy and update cycle. Land cover map which has low classification accuracy can distort the results of research. The limitation of the land cover map is because of its classification method. This study propose a deep learning based method as a land cover classification. The existing method used a parametric models. However, there were many strict assumptions such as independent assumption and normal distribution assumption. Non-parametric model presented in machine learning field can overthrow these unrealistic statistical assumptions. This study intends to expand the land cover classification method, which has been focused on parametric models, to a deep learning-based method. And furthermore this research present a deep learning-based land cover change detection method. To prove the effectiveness of deep-leaning based method, this study present a convolutional neural network model for land cover classification. It includes the design work of the architecture and experiment of classification. In addition, this study examines the performance of the model according to the various input data. Case of land cover change detection, this study proposes a fully convolutional neural network model. The designed change detection model is tested in two cases. Key results of the study are as follows. First, the convolutional neural network was grafted onto land cover classification and its effectiveness was verified through experiments. The land cover classification model showed high classification accuracy. The importance of the training data was emphasized by presenting the difference in results according to the input data. In particular, the possibility of transfer learning using pre-trained parameters was shown through experiments, and it was confirmed that parameters trained from images which have noting to do with land cover data shorten the learning time and improve classification performance. Second, the model based on the fully convolutional neural network effectively performed change detection in the case area. Through this model, the detection and segmentation of land cover can be conducted simultaneously and its result can be expressed in continuous from. This study is meaningful in that it has demonstrated the effectiveness of land cover classification and change detection using convolutional neural network, which had not received much attention in South Korea. It is also meaningful in that it has been confirmed it can be an alternative to overcome the limitations of the existing method and put it into practice. Given such suggestions, it is expected that the results of this study can be used as a new method in the field of remote sensing with the theme of land cover.

위성영상 자료를 토대로 제작되는 토지피복도는 국토 관리와 계획에 중요한 역할을 하며 다양한 연구에 활용되는 자료이다. 대한민국의 토지피복도는 환경부에서 제작해 배포하고 있다. 그러나 환경부의 토지피복도는 정확도가 낮고 갱신주기가 길어 자료를 활용하는데 한계가 있다. 낮은 정확도는 이를 활용하는 연구의 결과를 왜곡시킬 수 있으며, 반복적인 자료 수집이 어려워 토지피복도를 활용한 시공간 분석의 효용성을 떨어뜨린다. 환경부의 토지피복도가 가지는 한계는 토지피복 분류의 방법에서 발생하는 문제점에 기인하며, 이에 토지피복 분류 방법에 대한 새로운 방법론이 요구되고 있는 실정이다. 본 연구에서는 토지피복 분류방법으로 딥러닝(deep learning) 기반의 방법을 제안한다. 기존의 토지피복 분류 방법은 매개변수 모형(parametric model)을 사용한 방법들로 설명변수의 독립성, 자료의 정규성 등 엄격한 통계적 가정이 많았다. 기계학습(machine learning) 분야에서는 이러한 비현실적 가정과 사전에 분포 형태를 강제하지 않는 비모수 모형(non-parametric model)들이 다양하게 제시되어왔다. 본 연구는 그간 매개변수 모형에 집중되었던 토지피복 분류 방법을 딥러닝 기반의 비모수 분류 방법으로 확대하고 나아가 딥러닝 기반의 토지피복 변화탐지 방법을 제시하고자 한다. 딥러닝 모형 중 합성곱 신경망(convolutional neural network) 기반의 토지피복 분류 방법을 제시하며, 그 효용성을 실증하기 위해 토지피복 분류를 위한 합성곱 신경망 모형을 설계하고 분류 실험을 하였다. 아울러 합성곱 신경망 모형을 설계하여 모형의 우수함을 판명하는 것에 더해, 모형이 투입 데이터에 따라 어떠한 결과차이를 가지는지 세 차례의 실험을 통해 파악했다. 토지피복 변화탐지의 경우 완전합성곱 신경망(fully convolutional network) 모형을 설계하여, 토지피복의 인공 구조물 변화 그리고 토지피복의 자연환경적 변화의 사례에 대한 변화탐지를 실험했다. 연구의 결과는 다음과 같이 요약된다. 첫째, 합성곱 신경망을 토지피복 분류에 접목시켰고 실험을 통해 그 효용성을 검증하였다. 본 연구에서 설계한 토지피복 분류 모형은 높은 분류 정확도를 보였다. 토지피복 분류에 있어 모형의 우수함뿐만 아니라 투입하는 학습데이터에 따른 결과차이를 함께 제시해 학습데이터의 중요성을 역설하였다. 특히 사전학습 파라미터(pre-trained parameter)를 사용한 전이학습(transfer learning)의 가능성을 실험을 통해 보였으며 토지피복과는 무관한 이미지로 학습된 파라미터가 학습시간을 단축시키고 분류성능을 높인다는 것을 확인했다. 둘째, 연구에서 설계한 완전합성곱 신경망 기반의 모형은 사례지역에 대하여 변화탐지를 효과적으로 수행했다. 완전합성곱 신경망의 적용을 통해 변화의 탐지와 분할을 동시화해 효율성을 제고하였으며, 보다 연속적인 변화탐지 결과물을 보여주었다. 본 연구는 국내에서 주목받지 못했던 합성곱 신경망을 이용한 토지피복 분류와 변화탐지의 효용성을 실증하였으며, 기존 방법의 한계를 타개하고 실용하기 위한 대안이 될 수 있음을 확인하였다는 점에서 의미가 있다. 이에 본 연구의 결과는 향후 토지피복을 주제로 한 원격탐사 분야에서 새로운 방법으로 활용될 수 있을 것으로 기대된다.