GF2 위성 영상을 활용한 도시 특징 추출 연구

초록

본 논문은 중국 난징 칭후아이 구역을 대상으로 고해상도 가오펀2(GF‑2) 위성 영상을 이용해 객체 지향 분류 기법을 적용한 도시 특징 추출 방법을 제시한다. ENVI로 전처리 후 eCognition에서 스펙트럼·형상·텍스처 속성을 결합한 멤버십 함수를 활용해 객체를 정의하고, ARCGIS로 벡터화한다. 픽셀 기반 신경망 분류와 비교했을 때 전체 정확도 95.44 %·Kappa 0.9405를 달성해 객체 지향 방식이 우수함을 입증한다.

상세 분석

이 연구는 고해상도 GF‑2 위성 영상이 제공하는 1 m 수준의 공간 해상도를 도시 공간 정보 획득에 활용하고자 하는 시도이다. 먼저 ENVI 소프트웨어를 이용해 방사 보정, 대기 보정, 지오코딩 등 기본 전처리를 수행함으로써 원시 DN 값을 물리적 반사율 값으로 변환하고, 이미지의 기하학적 왜곡을 최소화하였다. 전처리된 데이터는 객체 지향 분류에 최적화된 eCognition 플랫폼으로 이관되었다. 여기서 핵심은 ‘객체’를 정의하는 기준이다. 연구자는 스펙트럼 밴드(청색, 녹색, 적색, 근적외선)의 평균값과 표준편차, 그리고 형태 지표(면적, 주변 길이, 형태 인덱스)와 텍스처 지표(GLCM 기반 에너지, 대비, 상관관계)를 동시에 고려한 멤버십 함수를 설계하였다. 이러한 다중 속성 결합은 전통적인 픽셀 기반 분류가 놓치기 쉬운 공간적 연속성 및 구조적 정보를 보완한다.

객체 생성 단계에서는 다중 해상도 세그멘테이션을 적용해 초기 객체를 만든 뒤, 속성값에 따라 계층적 병합을 수행하였다. 이후 규칙 기반(class rule)과 지도학습(classifier) 방식을 혼합한 하이브리드 분류 체계를 구축했으며, 주요 도시 토지 피처(건물, 도로, 녹지, 수역 등)를 구분하기 위해 각각의 멤버십 함수를 최적화하였다. 분류 결과는 ARCGIS로 벡터화되어 GIS 데이터베이스에 저장되었으며, 이는 후속 공간 분석 및 모델링에 바로 활용 가능하도록 설계되었다.

정확도 검증은 현장 조사와 고해상도 항공 사진을 기반으로 한 시각적 해석을 통해 얻은 ‘그라운드 트루스’ 데이터를 사용하였다. 픽셀 기반 인공신경망(ANN) 분류와 비교했을 때, 객체 지향 방법은 전체 정확도 95.44 %와 Kappa 0.9405를 기록했으며, 특히 건물·도로와 같은 고밀도 인공구조물의 구분에서 현저한 개선을 보였다. 이는 객체 지향 분류가 공간적 연속성과 형태 정보를 효과적으로 활용함을 의미한다.

또한, 연구자는 수작업 보정 단계에서 발생하는 주관적 오류를 최소화하기 위해 규칙 기반 분류와 머신러닝 기반 분류를 병행했으며, 이는 재현성 및 자동화 가능성을 높이는 전략으로 평가된다. 최종적으로, GF‑2 데이터의 높은 공간·스펙트럼 해상도가 객체 지향 분류와 결합될 때 도시 토지 이용·피복 지도 제작에 있어 기존 저해상도 위성 데이터보다 뛰어난 정확도와 효율성을 제공한다는 결론에 도달하였다.