Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Segment-based land Cover Classification using Texture Information in Degraded Forest land of North Korea

북한 산림황폐지의 질감특성을 고려한 분할영상 기반 토지피복분류

  • Received : 2010.04.29
  • Accepted : 2010.10.17
  • Published : 2010.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

In North Korea, forests were intensively degraded by forest land reclamation for food production and firewood collection since the mid-1970s. These degraded forests have to be certainly recovered for economic support, environmental protection and disaster prevention. In order to provide detailed land cover information of forest recovery project (A/R CDM), this study was focused to develop an improved classification method for degraded forest using 2.5m SPOT-5 pan-sharpened image. The degraded forest of North Korea shows various different types of texture. This study used GLCM texture bands of segmented image with spectral bands during forest cover classification. When scale factor 40/shape factor 0.3 was used as a parameter set to generate segment image, segment image was generated on suitable segment scale that could classify types of degraded forest. Forest land cover types were classified with an optimum band combination of Band1, Band2, band3, GLCM dissimilarity (band2), GLCM homogeneity (band2) and GLCM standard deviation (band3). Segment-based classification method using spectral bands and texture bands reached an 80.4% overall accuracy, but the method using only spectral bands yielded an 70.3% overall accuracy. As using spectral and texture bands, a classification accuracy of stocked forest and unstocked forest showed an increase of 23~25%. In this research, SPOT-5 pan-sharpened high-resolution satellite image could provide a very useful information for classifying the forest cover of North Korea in which field data collection was not available for ground truth data and verification directly. And segment-based classification method using texture information improved classification accuracy of degraded forest.

북한의 산림은 1970년대부터 산지개간과 땔나무 채취, 벌목 등에 의해 대규모로 황폐화되었으며, 이러한 산림황폐지는 경제적, 환경적, 재해발생 측면에서 반드시 복구되어야 한다. 본 연구의 목적은 산림황폐지가 대규모로 발견되고 있는 북한 혜산 지역에 대해 산림복구사업 (A/R CDM 사업)을 계획할 수 있는 잠재적 대상지를 추출하기 위한 목적으로, 입목지와 산림황폐지(무립목지, 개간산지, 산간나지)를 보다 정확하게 분류하지 위한 고해상도 영상 기반의 영상분류기법을 개발하고자 한다. 북한의 산림황폐지 유형은 분광특성뿐 아니라 질감특성에 따라 구분될 수 있다. 따라서 본 연구에서는 2.5m SPOT Pan-Sharpened 영상을 이용해 분할영상을 제작하고 이 과정에서 생성된 질감(texture) 정보를 산림피복 분류 시 분광정보와 함께 활용했다. 분할영상의 제작 시 Scale factor 40/Shape Factor 0.3을 적용하였을 떼 각 산림피복 항목을 분리할 수 있는 적절한 규모의 분할조각이 생성되었다. 또한 산림 피복을 가장 잘 분류해내는 최적밴드를 선정한 결과 기존의 분광밴드 1/2/3 에 질감밴드인 GLCM_dissimilarity (밴드2), GLCM homogeneity (밴드2), GLCM_standard deviation (밴드3)를 추가 하였을 때 산림황폐지 유형간 분리도가 가장 커지는 것으로 나타났다. 질감특성을 이용한 분할영상기반 분류결과기법에 따른 분류결과(80.4%)는 분광정보만을 이용하는 방법의 분류결과(70.3%) 보다 정확도가 높았으며, 특히 입목지와 무립목지의 분리에 있어서 약 23~25%의 정확도 향상 효과를 보였다. 결론적으로 본 연구에서는 직접 현지조사를 하기 어려운 북한지역에 대해 고해상도 위성영상이 효과적인 산림피복분류의 근거를 제공했으며 영상의 분류 시 질감특성을 함께 활용하는 것이 상세한 산림피복 분류에 있어서 정확도 향상에 기여를 할 수 있다는 것을 확인할 수 있었다.

Keywords

References

  1. 구자용, 2007. 고해상도 위성영상을 이용한 토지피복도 제작기법 연구, 지리학연구 41(1): 83-94.
  2. 박경석, 이성연, 박소영, 2009. 1990년대 경제난 이후 북한 산림관리 변화 연구, 통일문제연구 51:459-492
  3. 이규성, 정미령, 윤정숙, 1999. 북한 지역 산림면적 변화의 추이와 특성, 한국임학회지 88(3): 352-363.
  4. 이동근, 오영출, 김재욱, 2007. A/R CDM을 위한 북한 지역의 산림변화 연구, 한국환경복원녹화기술학회지 10(2): 97-104.
  5. 이승호, 2004. 북한 산림자원의 황폐화 현황과 남 . 북한 임업협력의 발전방향, 농업생명과학연구 38(3): 101-113.
  6. 농림부, 2002, 북한의 농업기반 특성과 정비방안 연구 - 북한의 산림과 산지의 개간실태 및 복구방안, p. 273-337.
  7. 이정빈, 허준, 어양담, 2007. 객체 기반 영상 분류에서 최적 가중치 선정과 정확도 분석 연구, 대한원격탐사학회지 23(6): 521-528. https://doi.org/10.7780/kjrs.2007.23.6.521
  8. 정인철, 1999. SPOT HRV 영상을 이용한 부산 지역 토 지피복분류에 있어서의 질감의 기여에 관한 평가, 한국지리정보학회지 2(1): 32-44.
  9. 조선임야분포도 공간자료(국립산림과학원, 2009).
  10. 조영욱, 한동엽, 김용일, 유기준, 2002. 객체지향영상분석을 통한 대전지역 IKONOS 영상의 분류, 2002년 대한 토목학회 학술대회.
  11. 채미옥, 염형민, 송하승, 2005. 계획적 국토관리를 위한 산지관리제도의 개선방향, 국토연구원.
  12. 최상일, 박종화, 2004. 고해상도 위성영상과 객체지향 분류기법을 이용한 식생도, 2004 한국지형공간정보학회 학술대회.
  13. 홍석영, 임상규, 이승호, 이정철, 김이현, 2008. 위성영상을 이용한 북한의 농업환경 분석 1. Landsat TM 영상을 이용한 북한의 지형과 토지피복분류, 한국환경농학회지 27(2): 120-132. https://doi.org/10.5338/KJEA.2008.27.2.120
  14. 장 훈, 윤완석, 신동준, 2004. 혼합화소와 정준상관분석을 이용한 감독분류의 최적밴드선정에 관한 연구, 대한국토학회지문집 24(6): 963-970.
  15. Coburn, C. A. and A. C. B. Roberts, 2004. A multiscale texture analysis procedure for improved forest stand classification, International Journal of Remote Sensing 25(20): 4287-4308. https://doi.org/10.1080/0143116042000192367
  16. Definiens-imaging, 2000. eCognition Professional 4.0 User Guide 4.
  17. Haralick, R.M., Shanmugam, K., and Dinstein, J., 1973. Textural features for image classification, IEEE Transactions on Systems. Man, and Cybernetics. SMC-3 : 610-621. https://doi.org/10.1109/TSMC.1973.4309314
  18. Jensen, J. R., 2007. 원격탐사와 디지털 영상처리(제3판), 시그마프레스.
  19. Kimes, D.S., R.F. Nelson, W.A. Salas, and D.L. Skole, 1999. Mapping secondary tropical forest and forest age from SPOT HRV data, International Journal of Remote Sensing 20(18): 3625-3640. https://doi.org/10.1080/014311699211246
  20. Wijaya, A., P. R. Marpu, and R. Gloaguen, 2008. Geostatistics texture classification of tropical rainforests in indonesia. In Shi Stein and Bijker, editors, Quality in spatial data mining, 199-210. CRC Book Series.