U-Net을 이용한 딥러닝 기반의 토지피복 변화탐지 = Deep learning based Land Cover Change Detection Using U-Net

다국어 초록 (Multilingual Abstract)

Remote sensing enables the iterative collection of data, which enables spatio-temporal analysis using satellite images. Detecting land cover changes using multi-time satellite imagery plays an important role in efficient land monitoring and planning. In the existing land cover change detection ethod, effective change detection was difficult on account of using a parameter-based model. This study proposes a new method of land cover change detection by presenting a model based on U-Net deep learning architecture. To verify the effectiveness of model presented in this study, change detection as tested in two cases according to the type of change in land cover. The model improved the efficiency by synchronizing the detection and segmentation operations, and showed effective detection results. The approach of this study can be a useful model for monitoring and managing the land.

국문 초록 (Abstract)

원격탐사를 통한 자료의 반복적 수집은 위성영상 자료를 통한 시공간적 분석을 가능하게 한다. 다중시기의 위성영상을 사용해 토지피복의 변화를 탐지하는 것은 효율적인 국토의 모니터링과 계획에 중요한 역할을 한다. 기존의 토지피복 변화탐지 방법은 매개변수 기반의 모형을 사용해 효과적인 변화탐지가 어려웠다. 본 연구는 U-Net을 이용한 딥러닝(deep learning) 기반의 변화탐지 모형을 설계하여 토지피복 변화탐지의 새로운 방법을 제시한다. 이 연구에서 설계한 변화탐지 모형의 효용성을 검증하고자, 토지피복의 변화 종류에 따른 두 가지 사례에 대한 변화탐지를 실험하였다. 연구에서 설계한 변화탐지 모형은 탐지 작업과 분할작업을 동시화해 효율성을 제고하였으며, 효과적인 탐지 결과를 보여주었다. 본 연구의 접근은 변화탐지 모형으로써 국토를 모니터링하고 관리하는데 유용한 모형이 될 수 있다.

참고문헌 (Reference)

1 조원호 ; 임용호 ; 박기호, "합성곱 신경망을 이용한 딥러닝 기반의 토지피복 분류: 한국 토지피복을 대상으로" 대한지리학회 54 (54): 1-16, 2019

2 조명래, "세종시와 충남의 상생발전 모색을 위한 심포지엄" 2010

3 Jensen, J. R., "Urban change detection mapping using Landsat digital data" 8 : 127-147, 1981

4 Zhou, Z., "Unet++ : A nested u-net architecture for medical image segmentation" 3-11, 2018

5 Ronneberger, O., "U-net:Convolutional networks for biomedical image segmentation" 234-241, 2015

6 Warner, T., "Remote Sensing of Land Cover Change" SAGE 2009

7 Purkis, S. J., "Remote Sensing and Global Environmental Change" Wiley Blackwell 2011

8 Lunetta, R. S., "Remote Sensing Change Detection: Environmental Monitoring Methods and Applications" Ann Arbor Press 1998

9 Zhao, H., "Pyramid scene parsing network" 2881-2890, 2017

10 Zhang, S. -H., "Pose2seg:Detection free human instance segmentation" 889-898, 2019

11 Gärtner, P., "Object based change detection of Central Asian Tugai vegetation with very high spatial resolution satellite imagery" 31 : 110-121, 2014

12 Noh, H., "Learning deconvolution network for semantic segmentation" 1520-1528, 2015

13 Jensen, J. R., "Introductory Digital Image Processing: A Remote Sensing Perspective" University of South Carolina 2016

14 Li, X., "H-DenseUNet : hybrid densely connected UNet for liver and tumor segmentation from CT volumes" 37 : 2663-2674, 2018

15 Foley, J. A., "Global consequences of land use" 309 : 570-574, 2005

16 Long, J., "Fully convolutional networks for semantic segmentation" 3431-3440, 2015

17 Im, J., "Enhancing binary change detection performance using a moving threshold window(MTW)approach" 75 : 951-961, 2009

18 Lambin, E. F., "Dynamics of land-use and land-cover change in tropical regions" 28 : 205-241, 2003

19 National Research Council, "Down to earth : Geographic Information for Sustainable Development in Africa" National Academy Press 2002

20 Green, K., "Change matters" 77 : 305-309, 2011

21 Tang, J., "A review of lane detection methods based on deep learning" 111 : 107623-, 2021

22 산림청, "2019년도 산불통계 연보" 2020