기계학습 알고리즘을 이용한 현황지목 분류에 관한 연구 : UAV 영상 활용을 중심으로 = A Study on Classification of Current Land Category Using Machine Learning Algorithm : Focused on UAV Image Utilization

국문 초록 (Abstract)

본 연구의 주된 목적은 UAV 영상과 기계학습 알고리즘을 이용하여 보다 효율적이고 신뢰성 있는 현황지목 식별방법을 제시하는 것이었다. 이러한 연구목적을 달성하기 위해 본 연구는 다음의 연구 방법을 이용하였다. 첫째, UAV 촬영 대상지를 선정하여 그 지역에 대한 영상 취득을 하였다. 둘째, 위에서 취득한 UAV 영상에 대하여 객체 기반 영상 분류를 실시하였다. 셋째, 분류된 객체와 영상을 중첩하여 현황지목 분류를 위한 Training 데이터를 추출하였고, 6개의 기계학습 알고리즘을 이용하여 Training 데이터를 분류하고 성능을 비교하였다. 넷째, 6개의 기계학습 알고리즘으로부터 얻은 래스터 자료와 법정 지목의 일치율 분석을 위해 연속지적도의 지목을 기반으로 한 래스터화 작업이 시도되었다. 다섯째, 마지막으로 Grid to Grid 방식을 이용하여 일치율 분석을 하였다. 영상처리는 Pix4D를 이용하였고, 자료 처리 및 분석은 QGIS, SAGA GIS 프로그램을 이용하였다.
자료 분석방법은 1차 분류인 현황지목 분류에 있어 6개의 기계학습 알고리즘별 성능 평가를 위해 분류의 정확도를 나타내는 Kappa 지수를 비교하였다. 둘째, 법정 지목과 현황지목의 일치도 분석을 위해 Kappa 및 Overall Accuracy를 비교하여 지목별, 기계학습 알고리즘별 정확성 검증을 실시하였다.
분석 결과 K-Nearest Neighbor의 알고리즘이 현황지목 분류에 있어서 가장 높은 신뢰도가 있는 것으로 나타났다. 또한 Decision Tree, Support Vector Machine, Random Forest, Naive Bayes 순으로 신뢰도가 높았으나 Artificial Neural Network은 낮은 신뢰도를 보여주었다. 둘째, 법정 지목과 현황지목 일치율 분석에 있어서는 Support Vector Machine이 가장 높은 신뢰도를 보여주었다. 또한 K-Nearest Neighbor, Decision Tree, Random Forest, Naive Bayes 등도 법정 지목과 현황지목 일치율 분석에 있어서 비교적 높은 신뢰도를 보여주었으나 현황지목 분류에서와 마찬가지로 Artificial Neural Network은 낮은 신뢰도를 보여주었다.
본 연구의 한계와 향후 연구 과제는 다음과 같다. 첫째, 본 연구는 기계학습 알고리즘을 이용하여 농촌지역의 현황지목만을 분석하였을 뿐이다. 따라서 동일한 알고리즘을 이용하여 도시지역의 현황지목을 분류한다면 다른 결과가 도출될 수 있을 것이다. 둘째, 만약에 UAV 영상분석에 있어서 다른 기계학습 알고리즘을 시용했다면 전혀 다른 결과를 도출했을 수도 있다. 본 연구에서는 여러 가지 기계학습 알고리즘 중에서 단지 6개의 알고리즘만을 사용하였다. 따라서 Sharkrf나 Sharkkm 와 같은 다른 기계학습 알고리즘을 이용한다면 본 연구의 결과와는 다른 결과를 도출할 수도 있을 것이다. 셋째, 과수원의 경우 임야와 구분이 어렵다는 점이다. 임야와 과수원의 경우 유사한 특성을 지니고 있기 때문에 OBIA를 이용하여 이들 간의 차이를 구분하기는 어렵다. 따라서 이러한 한계를 극복하기 위해서는 현황지목을 분류하는 데 있어서 OBIA뿐만 아니라 또한 Pixel 기반의 분류 기법이 동시에 이용되어야만 할 것이다.

다국어 초록 (Multilingual Abstract)

The primary purpose of this study was to propose a more efficient and reliable method for identifying land use categories using UAV images and machine learning algorithms. To achieve this purpose, this author used the following research methods. First, the UAV filming site was selected to acquire the image of the area. Second, object-based image classification was performed on the UAV images acquired above. Third, we extracted the training data for classifying the current category by superimposing the classified objects and pictures, and organizing the training data using six machine learning algorithms and comparing the performances. Fourth, a rasterization task based on the classification of continuous cadastral maps was attempted to analyze the agreement rate between the raster data obtained from the six machine learning algorithms and the legal land use categories. Fifth, we examined the concordance rate using the Grid to Grid method. Pix4d was used for image processing, and QGIS and SAGA GIS programs were utilized for data processing and analysis. The Kappa index, which represents the accuracy of classification, was compared to evaluate the performance of six machine learning algorithms. Second, Kappa and Overall Accuracy were compared to analyze the accuracy of each category and machine learning algorithm.
As a result, the K-Nearest Neighbor algorithm has the highest reliability in the classification of the current category. Besides, decision trees, SVM, Random Forest, and Naive Bayes showed high reliability, but Artificial Neural Network showed low reliability. Second, SVM showed the highest reliability in analyzing the statutory and current status agreement rates. Also, K-Nearest Neighbor, Decision Tree, Random Forest, Naive Bayes showed relatively high reliability in the analysis of legal and existing category agreements, but artificial neural network showed low reliability.
The limitations of this study and future research are as follows. First, this study only analyzes the current land use categories of rural areas using machine learning algorithms. Therefore, if we classify the existing land use categories of urban areas using the same algorithms, different results may be obtained. Second, if different machine learning algorithms were used in UAV image analysis, totally different results could be obtained. In this study, only six algorithms were used among the various machine learning algorithms. Thus, using other machine learning algorithms such as Sharkrf or Sharkkm may yield different results. Third, in the case of orchards, it is difficult to distinguish them from forestry. Because forests and orchards have similar physical characteristics, it is difficult to differentiate between them using OBIA. Therefore, to overcome these limitations, not only OBIA but also pixel-based classification techniques should be used simultaneously in classifying the current land use categories.

목차 (Table of Contents)

• 제1장 서 론 1
• 제1절 연구의 배경 및 목적 1
• 1. 연구의 배경 1
• 2. 연구의 목적 3
• 제2절 연구의 범위 및 방법 4
• 1. 연구의 범위 4
• 2. 연구의 방법 5
• 제2장 이론적 논의 및 선행연구 검토 7
• 제1절 UAV와 객체 기반 영상 분류 7
• 1. UAV 개념 및 유형 7
• 2. UAV 측량 시스템 10
• 3. UAV 객체 기반 영상 분류 19
• 제2절 기계학습 알고리즘 23
• 1. 기계학습 알고리즘의 개념 23
• 2. 기계학습 알고리즘의 유형 24
• 3. 기계학습 알고리즘의 절차 26
• 제3절 현황지목 분류 27
• 1. 현황지목의 개념 27
• 2. 현황지목의 유형 28
• 3. 현황지목의 활용 29
• 제4절 선행연구 및 차별성 32
• 1. 선행연구 32
• 2. 연구의 차별성 35
• 제3장 현황지목 조사 실태 및 문제점 37
• 제1절 현황지목 조사 실태 37
• 1. 지적재조사사업 37
• 2. 국토센서스 41
• 제2절 현황지목 조사의 문제점 43
• 1. 주관적 조사 가능성 43
• 2. 현장조사 의존 45
• 제4장 실험설계 및 분석 47
• 제1절 자료수집 47
• 1. 실험설계 및 연구 대상지 선정 47
• 2. UAV 영상 취득 및 처리 47
• 제2절 자료분석 54
• 1. UAV 영상 분류 54
• 2. 분류 결과 분석 64
• 3. 논의 73
• 제5장 결 론 76
• 제1절 연구성과 요약 76
• 제2절 연구 한계 및 향후 연구과제 79
• 참고문헌 80