크리깅 기반 소프트 분류의 WiFS/IRS‑1D 이미지 적용 성능 평가

초록

본 연구는 인도 IRS‑1D 위성의 WiFS 데이터를 이용해 지상 하이퍼스펙트럼 서명을 기반으로 한 크리깅 기반 소프트 분류(KBSC)의 성능을 기존 하드·소프트 분류기와 비교한다. 혼합 픽셀 문제와 공간 변동성을 동시에 고려한 KBSC가 평균 제곱오차, 교차 엔트로피, 상관계수 등 세 가지 정밀도 지표에서 통계적으로 우수함을 확인하였다.

상세 분석

이 논문은 원격탐사 이미지 분류에서 흔히 발생하는 혼합 픽셀(mixed pixel) 문제와 공간적 상관성(spatial autocorrelation)을 동시에 해결하려는 시도로서, 비모수적 지구통계학 방법인 크리깅(Kriging)을 소프트 분류에 적용한 KBSC(Kriging Based Soft Classification)를 제안한다. 기존의 하드 분류기(최대우도, 베이시안 등)는 픽셀당 단일 클래스를 할당하고, 소프트 분류기(LMM, 퍼지, 신경망 등)는 스펙트럼 혼합 비율을 추정하지만 대부분 공간 정보를 무시한다는 한계가 있다. KBSC는 지상에서 수집한 700 밴드 하이퍼스펙트럼 서명을 평균·표준편차 형태의 통계량으로 변환하고, 각 밴드별 DN값의 상한·하한을 구한 뒤 이진화한다. 이후 변이도(variogram) 모델을 적합시켜 크리깅 추정량을 구하고, 상한·하한 이진 맵을 각각 확률 지도로 변환한다. 두 확률을 결합해 최종 joint probability map을 만들고, 사전 정의된 임계값을 넘는 픽셀을 목표 클래스(밀, 겨자)로 분류한다.

핵심 기술적 요소는 다음과 같다. 첫째, 지상 하이퍼스펙트럼 서명을 DN으로 변환하기 위해 이득·바이어스 보정식을 적용하고, 대기 보정은 DOS(Dark Object Subtraction) 모델을 사용하였다. 둘째, 변이도 모델링을 통해 공간 상관성을 정량화함으로써 인접 픽셀 간의 정보 공유를 가능하게 하였으며, 이는 전통적인 픽셀 독립 가정(i.i.d.)을 깨는 접근이다. 셋째, 확률 결합 단계에서 상한·하한 이벤트를 독립 사건으로 가정하고 Inclusion‑Exclusion 원리를 적용해 최종 확률을 계산한다는 점은 통계적 일관성을 유지한다.

실험은 인도 하리아나 주(위도 27°40’~30°55’, 경도 74°25’77°38’)에서 1998년 2월 16일에 촬영된 WiFS(188 m 해상도, RED 620‑680 nm, NIR 770‑860 nm) 데이터를 사용하였다. 현장에서는 겨울밀(Triticum aestivum)과 겨자(Brassica juncea) 두 작물의 하이퍼스펙트럼 서명을 25 cm 높이에서 700 nm1100 nm 구간으로 측정하였다. 수집된 서명은 각각 40 % 정도 혼합된 필드에서도 관측된 비율을 눈으로 추정해 보정하였다. 위성 데이터는 GPS 기반 지오레퍼런싱 후 대기 보정(DOS)과 DN 변환을 거쳐 분석에 투입되었다.

비교 대상은 MAXLIKE(최대우도), BAYCLASS(베이시안), BELCLASS(데믹스‑샤퍼), FUZZYCLASS(퍼지) 등 네 가지 전통적 소프트 분류기이며, 정확도 평가는 동일 날짜 LISS‑III(23.5 m 해상도) 데이터를 기준으로 수행하였다. LISS‑III 결과를 188 m 해상도로 평균 필터링 후 WiFS와 비교했으며, 혼합 픽셀 비율이 높은 영역에서만 정확도 지표를 산출하였다.

정량적 결과는 평균 제곱오차(MSE), 교차 엔트로피(Cross‑Entropy), 상관계수(Correlation) 세 지표에서 KBSC가 가장 낮은 MSE와 교차 엔트로피, 가장 높은 상관계수를 기록하였다(예: MSE ≈ 0.04, 교차 엔트로피 ≈ 0.12, 상관계수 ≈ 0.92). 통계적 유의성 검정(95 % 신뢰구간)에서도 KBSC가 다른 분류기보다 우수함이 확인되었다.

논문의 강점은 (1) 실제 농업 현장에서 수집한 하이퍼스펙트럼 서명을 활용해 위성 데이터와 직접 연결한 점, (2) 공간 변동성을 정량화한 변이도 모델을 통해 픽셀 간 상관성을 반영한 점, (3) 소프트 분류의 확률적 해석을 명확히 제시한 점이다. 그러나 몇 가지 한계도 존재한다. 변이도 모델 선택과 파라미터 추정 과정이 상세히 기술되지 않아 재현성이 떨어질 수 있다. 또한 상한·하한을 이진화하는 임계값 설정이 경험적이며, 다른 작물이나 지역에 적용할 경우 재조정이 필요할 것으로 보인다. 마지막으로, 정확도 평가는 LISS‑III와의 비교에 의존했는데, 실제 농업 생산량과의 정량적 연계(예: 수확량 추정) 검증이 부족하다.

종합하면, KBSC는 혼합 픽셀을 포함한 저해상도 다중 스펙트럼 이미지에서 공간적·스펙트럼적 정보를 동시에 활용해 분류 정확도를 현저히 향상시킬 수 있음을 실증하였다. 향후 연구에서는 변이도 모델 자동 선택, 다중 클래스 확장, 그리고 실시간 작물 생산량 모니터링과의 연계가 기대된다.