Forest Vertical Structure Classification in Gongju City, Korea from Optic and RADAR Satellite Images Using Artificial Neural Network

광학 및 레이더 위성영상으로부터 인공신경망을 이용한 공주시 산림의 층위구조 분류

Abstract

Since the forest type map in Korea has been mostly constructed every five years, the forest information from the map lacks up-to-date information. Forest research has been carried out by aerial photogrammetry and field surveys, and hence it took a lot of times and money. The vertical structure of forests is an important factor in evaluating forest diversity and environment. The vertical structure is essential information, but the observation of the vertical structure is not easy because the vertical structure indicates the internal structure of forests. In this study, the index map and texture map produced from KOMPSAT-3/3A/5 satellite images and the canopy information generated by the difference between DSM (Digital Surface Model) and DTM (Digital Terrain Model) were classified using the artificial neural network. The vertical structure of forests of single and multi-layer forests was classified to identify 81.59% of the final classification result.

기존의 식생정보는 대부분 5년 주기로 구축되어 최신성이 결여 되어있다. 식생의 조사는 사진측량과 사람의 현지조사로 이루어지며, 많은 시간과 비용을 소모하게 된다. 식생의 정보 중 식생층위구조에 대한 정보는 산림의 다양성과 환경을 평가하는 중요한 요소이다. 식생의 내부구조인 층위구조는 필수적 정보이지만, 일반적인 사진측량과 사람의 조사로는 한계점이 존재하게 된다. 본 연구에서는 KOMPSAT-3/3A/5 위성영상으로 부터 제작된 지수맵과 Texture맵, DSM(Digital Surface Model)과 DTM(Digital Terrain Model)의 차분으로 생성한 canopy정보를 Input layer로 층위자료를 인공신경망(Artificial Neural Network; ANN)을 이용하여 분류하였다. 단층과 다층의 산림의 층위 구조를 분류하여 최종분류결과 81.59% 확인하였다.

1. 서론

산림의 층위구조는 교목층, 아교목층, 관목층, 초본층 네 층위로 산림의 층위를 구분한다. 자연적으로 발생된 건강한 산림일수록 4층 구조를 지닌다(Kwon et al., 2019).

자연림은 오랜 기간 동안 많은 식생의 군락이 이루어졌고, 인공림은 과수농업, 목재생산, 재해예방 등 다양한 목적을 가지고 계획되어 객체의 밀집도가 낮으며 침엽수를 많이 심고, 주로 단층 구조이다(Lee et al., 2018).

과거부터 현재까지 산림의 조사는 항공사진과 사람의 현지조사에 의해 이루어 졌다. 면적이 넓고, 사람의 접근이 용이하지 않는 산림의 조사에 많은 비용과 시간을 소모하였다. 최근 광범위하고, 사람의 접근이 어려운 지역에 대해 효과적인 원격탐사와 대량의 데이터 분석이 가능한 머신러닝(Machine learning)기법을 적용하여 층위구조를 예측 및 분류하는 방법을 고안하였다. 주변 개체목과의 높이차로 다층의 경우 영상 질감이 거친 특징과 반사도 차이가 나타난다. 단층의 경우 나무의 배열이 고르기 때문에 영상 질감이 단조롭다(Hay et al., 1996; Kwon et al., 2017).

식생의 분광반사특성은 적색영역에서 가시광선 반사율이 낮아 녹색으로 보이며, red edge 파장에서 반사율이 커지기 때문에 식생조사를 하는데 효과적이라고 알려져 있다(Lee et al., 2018). SlideServe(2014)은 영급에 따른 식생지수(Normalized Difference Vegetation Index; NDVI)의 값이 영급에 따라 변화가 있고, 일정 영급 이상은 영향을 받지 않는다고 설명하였다. Herrmann et al.(2011)은 NDVI와 Red Edge Band는 식생분류에 유용함을 밝혔다. 수령과 수종이 일정한 단층구조의 인공림의 경우 영상의 그림자가 일정하고 질감이 부드럽고, 수령과 수종이 다양한 다층구조 자연림의 경우 질감이 거칠다(Hay et al., 1996; Lee et al., 2018).

층위구조는 높이와 관련이 있기 때문에 수목 높이를 측정하기 위해 항공기로 취득한 LiDAR(Light Detection and Ranging) 데이터를 사용한다(Zimble et al., 2003; Sun et al., 2008; Morsdorf et al., 2010; Mund et al., 2015). 항공기보다 넓은 영역을 탐사하는 위성영상을 활용하기 위해 RADAR X밴드 센서로 제작된 WorldDEM과 국토지리 정보원의 DTM(Digital Terrain Model)을 통해 수목의 높이를 추정 및 데이터의 질감을 파악하였다. Kwon et al. (2019)은 항공 정사영상과 산림의 거칠기(texture), SVM (Support Vector Machine; SVM)기법을 이용한 산림층위구조 분류를 하였다. Kang et al.(2000)은 정확도 높은 식생도의 작성이 인공신경망(Artificial Neural Network; ANN)기법을 통해 가능하다고 제시하였다. 또한, Lee et al.(2018)은 원격탐사 자료와 인공신경망은 산림의 분류에 효율적인 방법이라고 제시하였다. Kwon et al.(2019)는 항공사진과 SVM기법을 이용하여 산림의 다양한 층위구조 의 명확한 분류는 어려운 것으로 나타났다.

이에 본 연구에서는 광학 및 레이더 위성영상과 인공신경망을 이용해 산림의 층위를 분류하고자 한다. 삼림의 층위구조를 단층과 다층 두 단계로 분류하였는데1층 구조의 단층구조와 2, 3, 4층의 구조를 다층 구조로 분류하였다.

Kompsat-3/3A/5위성영상을 이용하여 제작한 NDVI, NDWI(Normalized Difference Water Index) 지수맵과 Texture 맵, 수목높이추정을 위해 DSM(Digital Surface Model)과 DTM의 차분한 canopy 정보를 생성하여 이를 입력 레이어(input layer)로 인공신경망에 적용한다. 인공신경망의 결과로 산림의 단층과 다층의 층위구조를 분류도를 작성하고, Error Matrix를 통해 분류 확률을 평가 하고자 한다.

2. 연구 자료와 방법

Fig. 1은 본연구의 전체적인 연구흐름을 나타낸다. 연구는 위성영상의 넓은 영역에 대한 층위자료로 2009년 조사된 제 3차 전국자연환경조사의 현장조사 층위 정보를 사용한다. 층위 정보를 활용하기 위해 연구지역은 충청남도 공주시로 선정하였다. 연구에 사용된 광학 영상자료는 Fig. 2(a)는 봄 시기, Fig. 2(b)는 가을 시기 KOMPSAT-2 영상이다. Fig. 2(a)는 2013년 3월 23일에 촬영, 태양 방위각과 고도각은 각 49.50°, 142.30°이며, Fig. 2(b)는 2013년 9월 17일에 촬영, 태양 방위각과 고도각은 각 65.64°, 127.23°이다. 두 영상은 GSD(Ground Sample Distance)가 4.0 m 급 이다(Table 1). Fig. 3(a), (b)는 연구지역의 TerraSAR-X의 Descending영상으로 각 제원은 Range와 Azimuth pixel spacing, Temporal baseline이 1.36 m, 1.89 m, 11일로 동일하며, Perpendicular baseline (a) 121 m, (b) -63 m 이다(Table 2). Fig. 4(a)는 WorldDEM으로 12 m급 DSM으로 사용하였다. Fig. 4(b)는 국토지리정보원의 DTM 자료이며, LiDAR측량을 통해 제작되었다. DEM은 KOMPSAT-2 영상의 지형보정에도 사용되었다. 현장조사 자료로는 Fig. 5로 2009년 국립생태원에서 조사된 제 3차 전국자연환경조사 중 공주지역의 현존식생도를 사용했으며, 이 중 층위구조를 학습 및 검증자료로 이용하였다.

Fig. 1. Overall data process.

Fig. 2. KOMPSAT-2 images acquired in the study area in (a) spring and (b) fall seasons.

Fig. 3. TerraSAR-X images acquired in the study area in (a) 2016 and (b) 2017.

Fig. 4. (a) Digital surface elevation model (12 m) from WorldDEM, (b) Digital elevation model (5 m) from National geographic information institute (NGII).

Fig. 5. Reference data showing the spatial distribution of forest vertical structure.

Table 1. Imaging parameters of KOMPSAT-2 images

Table 2. Imaging parameters of TerraSAR-X data

연구에 사용될 광학영상의 지형보정을 위해 국토지정보원의 DTM을 이용하여 지형보정을 수행하였다. Statistical-empirical 모델을 선택하여 지형보정을 수행하였다(Lee et al., 2018). 지형보정이 완료된 영상은 RED 밴드와 NIR 밴드의 조합으로 NDVI 지수맵을 작성한다. 또 Green 밴드와 NIR 밴드의 차이를 이용하여 식생의 캐노피 수분함량에 따른 분광 특성을 이용한 NDWI 지수맵을 제작하였다.

제작한 지수맵의 보다 세분화된 산림정보 추출을 위해서는 산림의 특성을 구분할 수 있는 영상자료 기반의 정보가 요구되므로 지수맵의 질감(texteure) 데이터를 제작하였다. 영상에서는 그림자에 의해 질감이 결정되는데, 수령과 수종이 일정한 단층구조의 경우 나무사이에 그림자가 일정하여 질감이 부드러우며, 수령과 수종이 다양한 다층구조의 경우 질감이 거칠다. 식생의 층위구조가 수고와 긴밀한 관련이 있다는 특징을 고려하여 수목의 높이(Canopy)를 구했다. 연구에 따르면 LiDAR 데이터는 수목의 높이를 측정하는데 탁월한 성능을 보인다(Kwon et al., 2019).

위성 레이더를 활용한 관측 영상에는 speckle noise 성분이 존재하고, 이 노이즈 성분들은 긴밀도(coherence)에 편이(bias)를 야기한다(Zebker and Vilasenor, 1992; Touzi et al., 1999; Bouaraba et al., 2016). 따라서 보다 현실적인 긴밀도를 계산하기 위해서는 이와 같은 편이를 고려해 주어야한다. 긴밀도 변이는 멀티룩을 하거나 필터링을 통하여 저감할 수 있다. 하지만 멀티룩과 필터링 과정은 최종적인 공간해상도를 저하시키는 한계가 존재한다(Bouaraba et al., 2016). 본 연구에서는 전술한 trade-off 관계를 고려하기 위하여 두 가지 종류의 긴밀도 영상을 생성하였다. 획득된 20160809_20160820, 20170306_20170317 간섭영상에 대하여 스태킹을 수행하여, 공간 해상도를 유지시키면서 존재하는 speckle noise 성분을 저감했다. 이어서 2X2 크기의 멀티룩을 수행함으로써 추가적인 노이즈를 저감했다. 이상의 과정을 거친 뒤 다음과 같이 두 장의 긴밀도 영상을 생성했다; 1) 3×3 윈도우의 블록 계산을 통하여 긴밀도를 계산하였다(CC1). 2) 재차 Goldstein의 필터를 적용하여 위상 노이즈를 추가 저감한 뒤 3×3 윈도우의 블록 계산을 통하여 긴밀도를 생성했다(CC2) (Goldstein and Werner, 1998). CC1은 추가적인 필터링을 수행하지 않았기 때문에 편이가 존재하는 한편, 비교적 공간해상도를 유지시킬 수 있다. 반면에 CC2의 경우 필터링에 의하여 공간해상도에 손실이 있으나 CC1에 비해 편이에 의한 효과는 낮은 특성을 가진다. 위성레이더 영상의 특성을 고려해 CC1, CC2를 제작하였다.

DSM과 DTM을 이용하여 수목의 높이를 추정한다. DSM은 객체의 표면 높이 정보와 DTM은 지형정보 데이터로 DSM 값에서 DTM 값을 차분하면 객체의 높이를 알 수 있으며, 해당 연구지역에서는 수목의 높이를 추정할 수 있다(Kwon et al., 2019).

이 과정으로부터 얻은 높이 데이터로부터 교목이 가지는 평균적인 높이를 가늠하기 위해 제작한 높이의 평균(Canopy height mean map)과 인접한 객체끼리의 높이가 다양한 것을 나타내는 높이의 표준편차(Canopy height std map)이다.

수목의 층위구조 분류에 사용된 머신런닝 기법은 인공신경망이다. 학습을 위해 멀티레이어 퍼셉트론 알고리즘(MultiLayer Perceptrons Algorithms; MLP)을 활용하였으며, MLP 알고리즘은 Input Layer, Hidden Layer, Output Layer로 구성되어 있으며, 각 시냅스(synapse)간 연결강도를 조정하며 최종적으로 예측 및 추정을 수행한다(Lee et al., 2018; Sarkar et al., 2018).

선행 처리로 제작된 각 광학영상으로 제작된 NDVI, NDWI, NDVI texture, NDWI texture와 TerraSAR-X 영상으로 제작된 coherence map 2종과 canopy map 2종을 인공신경망의 input layer로 사용하였다. 데이터세트는 훈련에 영역의 70%의 데이터를 사용하였으며, 훈련에 10fold cross validation 방법이 사용되었다. 전체 영역에 대한 맵을 만들고 검증을 위해 인공신경망의 학습결과를 적용하여 확률도를 구하고, 단층과 다층을 분류도를 작성하였다. 전체 영역의 참조자료와 분류도에 대한 Error matrix를 통해 분류확률을 검증하였다. 데이터 처리 및 인공신경망, Error matrix는 모두 Matlab으로 구현하였다.

4. 연구 결과

Fig. 6는인공신경망에적용하기위해제작된inputlayer를 나타낸다. 두시기의 KOPMSAT-2 영상으로 제작된 NDVI, NDWI, NDVI Texture, NDWI Texture, TerraSARX의 mean coherence로 제작된 CC1과 CC2, DSM과 DTM을 차분하여 제작한 canopy mean map, canopy std map 이다.

Fig. 6. Spring season KOMPSAT-2; (a) NDVI, (c) NDWI, (e) NDVI texture, (g) NDWI texture and fall season KOMPSAT-2; (b) NDVI, (d) NDWI, (f) NDVI texture, (h) NDWI texture, TerraSAR-X mean coherence; (i) CC1, (j) CC2, (k) canopy mean map, (l) canopy std map.​​​​​​​

제 3차 전국자연환경조사의 현장조사 층위 정보는 1, 2, 3층 구조 정보를 가지고 있는데 이중 1층을 단층, 2, 3층을 다층으로 인경신경망에 학습하여 Fig. 7와 같이 확률도를 얻었다.

Fig. 7. Probability map of forest vertical structure via ANN approach.​​​​​​​

확률도의 히스토그램(Histogram)에서 임계값을 설정하여 단층<0.5≦다층으로 분류하여 분류도를 작성하였다. Fig. 8은 임계값을 적용한 단층과 다층의 분류도이다. 분류도의 단층과 다층의 분류확률을 알아보기 위해 제 3차 전국자연환경조사의 현장조사 층위 정보를 참조자료로 Table 3와 같이 오차행렬(Error Matrix)를 작성하였다.

Fig. 8. Classification of forest vertical structure type using ANN.​​​​​​​

Table 3. Error matrix of classification (unit : pixel)​​​​​​​

먼저 산림지역에 해당하는 총 픽셀 수는 2,601,421개이며, 오차행렬을 통한 현지조사 자료와 인공신경망의 분류 전체 정확도는 81.59%로 나타났다. 단층과 다층의 분류확률은 사용자 정확도(user accuracy)에서 단층은 30.66%로 낮게 나타났으며, 다층의 분류확률은 92.76%로 높게 나타났다.

생산자 정확도(producer accuracy)에서의 분류 확률은 단층 48.19%, 다층 85.91%로 생산자 정확도 역시 다층의 분류확률이 높게 나타났다. 단층과 다층의 오분류가 발생한 부분의 원인은 광학영상간의 촬영 시기차이 및 다른 데이터의 제작시기도 영향을 미쳤을 것으로 예측된다. 하지만 현지조사의 시기가 2009년에 이루어졌고, 광학영상의 촬영시기가 2013년으로 약 4년의 시기차이로 단층구조의 산림구조가 자연림과 같은 2층 또는 3층의 다층구조화 되었을 가능성이 가장 높은 오분류 가능성으로 예측된다. 층위조사 자료와 input자료의 제작 시기 차이를 줄이고, 다양한 산림의 정보를 추가적으로 활용한다면 더 높은 분류 결과를 얻을 것으로 예측된다.

5. 결론

산림의 층위구조는 일반적으로 항공사진과 사람의 조사로 이루어지지만, 이는 많은 시간과 인력이 필요하다. 이에 본 연구에서는 원격탐사와 머신러닝기법을 이용하여 산림층위구조를 분석 및 분류하는 방안을 고안하였다. Kwon et al.(2019)의 항공사진과 SVM(Support Vector Machine; SVM)기법을 이용한 산림층위구조 분류 연구결과에 의하면 다층의 구분은 2층의 구분될 확률이 매우 낮게 나타났다. 이는 영상의 육안으로 분류 및 분석이 어려운 산림의 다층구조의 세분화 분류, 분석은 머신러닝으로도 한계점으로 나타났다. 인공림의 단층구조가 시간이 흐르면서 자연림화 되는 다층구조로 변하는 과정을 거치다. 이는 영상 및 자료의 획득시기가 층위조사 자료의 시기의 차이가 중요한 요소로 작용한다고 할 수 있다.

선행연구와 본연구의 연구결과로 원격탐사와 머신러닝 기법을 이용한 산림의 층위구조분석에 많은 영상자료와 식생데이터가 필수적인 요소이지만, 다층의 구분보다 단층과 다층의 분류가 더 적합하다는 결과이다.

본 연구에서 다양한 시기의 영상자료를 확보하여 활용 못한 점과 다양한 기계학습 기법을 사용하지 못한 아쉬운 점이 남아있다. 자연림과 인공림의 특성과 나무의 특징 등 많은 정보와 다양한 기계학습기법을 이용한다면 사람의 접근이 수월하지 않은 광범위한 산림탐사에 더욱 발전이 가능할 것으로 기대된다.