데이터 불균형을 고려한 손실함수 적용 수변구역 토지피복 분류 AI 성능 비교 분석 = Comparative Analysis of AI Performance for Riparian Zone Land Use and Land Cover Classification Using Loss Functions Adapted for Data Imbalance

국문 초록 (Abstract)

수중 환경 및 생태계는 수변의 land use and land cover (LULC)에 많은 영향을 받는다. 최근 인간활동의 증가에 따라 LULC의 지속적으로 변화되고 있고, 변화된 LULC에 의해 수중 환경이 받게되는 영향도 변화되고 있다. 수중 환경의 변화를 사전적으로 대응하기 위해서는 수변의 LULC 변화를 지속적으로 모니터링 하는 것이 중요하다. 과거에는 현장조사 중심으로 LULC 모니터링을 수행했지만, 현장조사는 넓은 대상지역을 조사하기에는 시간적 비용적 한계가 명확하다. 원격탐사 기법은 광범위한 지역에 대한 정보 제공에 용이하여 현장조사 기법의 대안으로 활용되었고, 딥러닝 등 artificial intelligence (AI) 기법과 결합하여 면 단위의 LULC 모니터링 가능하게 했다. 원격탐사 및 AI 기반 LULC 모니터링의 정확도는 모델의 성능에 의존하여 높은 성능의 모델을 학습하는 것이 중요하다. 하지만, 실제 환경에서 LULC는 각 항목의 수가 균등하지 않은 데이터 불균형이 존재한다. 데이터 불균형은 모델의 성능을 감소시키고, 결국 LULC 모니터링의 정확도 감소로 이어진다. 본 연구에서는 데이터 불균형을 고려하는 손실함수를 적용하여 대한민국의 낙동강 본류 유역을 대상으로 U-Net 모델 기반 수변 LULC 분류 알고리즘을 학습했다. Combo loss, Focal loss, Dice loss 및 Tversky loss 등 데이터 불균형을 고려하는 손실함수는 불균형을 고려하지 않는 sparse categorical cross entropy (SCCE) loss와 비교하여 성능을 평가했다. 모델 성능 평가 결과, Combo loss를 적용한U-Net 모델이 가장 높은 성능(F-1 score = 0.8529, intersection over union [IoU]=0.7519)을 보였고, Tversky loss를 적용한 U-Net 모델도 SCCE loss를 적용한 U-Net 모델의 성능(F-1 score = 0.8375, IoU=0.7296)보다 높은 성능(F-1 score = 0.8426, IoU=0.7357)을 보였다. 하지만 Focal loss 및 Dice loss를 적용한 U-Net 모델들은 SCCE loss를 적용한 U-Net 모델보다 낮은 성능을 보였다. 소수 항목에 대해서는 Focal loss 및 Dice loss를 적용한 U-Net 모델의 성능이 더 높았지만, 다수 항목에서의 성능 저하가 원인으로 판단됨으로 소수항목에 대한 가중치 최적화가 필요하다. Combo 및 Tversky loss 기반 데이터 불균형 해결은 모델 성능 향상으로 이어졌고, 이는 정확한 수변 LULC 모니터링으로 연계될 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Aquatic environments and ecosystems are significantly influenced by riparian land use and land cover (LULC) patterns. With the continuous increase in human activities, LULC patterns are undergoing constant transformation, subsequently altering their impacts on aquatic environments. To proactively respond to changes in aquatic environments, continuous monitoring of riparian LULC changes is essential. Historically, LULC monitoring has been conducted primarily through field surveys, which present clear temporal and financial limitations when investigating extensive areas. Remote sensing techniques have emerged as viable alternatives to field surveys due to their capacity to provide information across broad geographical regions. When integrated with artificial intelligence technologies such as deep learning, these techniques enable area-based LULC monitoring. The accuracy of remote sensing and artificial intelligence (AI)-based LULC monitoring depends heavily on the performance of trained models, highlighting the importance of developing high-performance models. However, in real-world environments, LULC data often exhibits class imbalance, with unequal representation across categories. This data imbalance diminishes model performance, ultimately reducing the accuracy of LULC monitoring. In this study, we developed a U-Net-based riparian LULC classification algorithm for the main Nakdong River basin in South Korea, implementing loss functions that account for data imbalance. We evaluated the performance of various imbalance-addressing loss functions―Combo loss, Focal loss, Dice loss, and Tversky loss― against the standard sparse categorical cross-entropy (SCCE) loss that does not address imbalance. Performance evaluation revealed that the U-Net model incorporating Combo loss demonstrated the highest performance (F-1 score = 0.8529, intersection over union [IoU]=0.7519), while the U-Net model with Tversky loss (F-1 score = 0.8426, IoU=0.7357) also outperformed the model using SCCE loss (F-1 score = 0.8375, IoU=0.7296). However, U-Net models employing Focal loss and Dice loss showed inferior performance compared to the SCCE loss model. While models using Focal loss and Dice loss exhibited higher performance for minority classes, their overall performance deterioration was attributed to decreased accuracy in majority classes, indicating the need for optimizing class weights for minority categories. The implementation of Combo and Tversky loss functions for addressing data imbalance resulted in enhanced model performance, which is expected to lead to more accurate riparian LULC monitoring.