다중스펙트럼 이미지 감독 분류 성능 비교

초록

본 논문은 다중스펙트럼 원격탐사 이미지에 대해 여러 지도학습 및 비지도학습 분류기를 실험하고, 정확도와 처리 효율성을 비교한다. 실험 결과 마할라노비스 분류기가 다른 알고리즘에 비해 전반적인 분류 정확도와 클래스 구분 능력에서 우수함을 확인하였다.

상세 분석

본 연구는 최근 원격탐사 데이터의 공간·시간 차원이 급격히 확대됨에 따라 기존 분류 알고리즘이 보이는 한계를 지적하고, 이를 보완할 효율적인 분류기 개발의 필요성을 강조한다. 실험에 사용된 데이터는 고해상도 다중스펙트럼 영상으로, 전처리 단계에서 대기 보정, 지오코딩, 그리고 밴드 선택을 수행하였다. 지도학습 알고리즘으로는 최소제곱 서포트 벡터 머신, 랜덤 포레스트, k‑최근접 이웃, 그리고 마할라노비스 거리 기반 분류기를 포함했으며, 비지도학습으로는 K‑means와 ISODATA를 적용하였다. 각 알고리즘은 동일한 훈련·검증 샘플을 사용해 10‑fold 교차 검증을 수행했으며, 평가 지표는 전체 정확도, Kappa 계수, 클래스별 정밀도·재현율, 그리고 실행 시간으로 설정하였다. 결과는 마할라노비스 분류기가 특히 클래스 간 공분산 구조를 효과적으로 활용해 경계가 모호한 토지 피복 유형을 정확히 구분함을 보여준다. 반면, SVM은 파라미터 튜닝 비용이 높고, 랜덤 포레스트는 과적합 위험이 존재한다는 단점이 드러났다. 비지도학습 방법은 전반적으로 정확도가 낮았으나, 초기 군집 중심을 제공함으로써 지도학습 초기화에 활용될 가능성을 시사한다. 또한, 실험에서 데이터 차원 축소를 위한 주성분 분석(PCA) 적용 여부가 분류 성능에 미치는 영향을 추가적으로 분석했으며, 차원 축소가 계산 비용을 크게 감소시키는 동시에 정확도 손실을 최소화함을 확인하였다. 이러한 분석은 다중스펙트럼 이미지 분류에서 마할라노비스 기반 접근법이 통계적 특성을 잘 반영한다는 점을 강조한다.