딥러닝 기반 초고해상도 항공영상 토지 이용·피복 분류

초록

본 논문은 초고해상도(VHR) 정사보정 RGB 항공사진을 이용해 토지 이용·피복(LULC)을 자동 분류하는 딥 컨볼루션 신경망(CNN) 모델을 제안한다. 다양한 촬영 조건·지역적 특성에 따른 외관 변화를 고려해 데이터 전처리와 다중 스케일 특징 추출 방식을 적용했으며, 실험을 통해 기존 전통적 방법 대비 높은 정확도와 일반화 능력을 입증한다.

상세 분석

이 연구는 현재 급증하고 있는 초고해상도(1 m 이하) 항공영상 데이터를 활용해 토지 이용·피복(LULC) 분류 문제에 딥러닝을 적용한 점에서 의미가 크다. 먼저 데이터셋 구축 단계에서 저자들은 다양한 도시·농촌 지역, 서로 다른 계절·시간대, 그리고 센서 교정 차이를 포함한 10,000여 개의 정사보정 RGB 타일을 수집하고, 각 타일에 대해 10가지 클래스를 전문가가 라벨링하였다. 라벨링 과정에서 클래스 불균형을 완화하기 위해 오버샘플링과 클래스 가중치를 적용했으며, 이는 학습 단계에서 손실 함수에 반영되어 소수 클래스의 학습이 강화되도록 설계되었다.

모델 아키텍처는 ResNet‑50을 기반으로 하면서, 멀티스케일 피처 피라미드 네트워크(FPN)를 추가해 다양한 공간 해상도에서의 텍스처와 형태 정보를 동시에 추출한다. 특히, 초고해상도 이미지의 경우 작은 객체(예: 주차장, 교차로)의 식별이 어려운데, FPN 구조가 저해상도 레이어에서 전역 컨텍스트를, 고해상도 레이어에서 세부 디테일을 보완해 이러한 문제를 완화한다. 또한, 데이터 증강으로 회전, 색상 변형, 가우시안 노이즈 추가 등을 수행해 모델의 강인성을 높였다.

학습은 교차 엔트로피 손실에 클래스 가중치를 적용한 형태로 진행되었으며, Adam 옵티마이저와 cosine annealing 스케줄러를 사용해 학습률을 동적으로 조절하였다. 검증 단계에서는 전체 데이터의 20 %를 별도 검증셋으로 유지하고, 다중 스케일 테스트 타일을 평균화(ensemble)해 최종 예측을 도출했다.

실험 결과는 기존 전통적 머신러닝 기반 방법(예: SVM, Random Forest)과 비교했을 때, 전체 정확도 92.3 %를 기록했으며, 특히 소수 클래스인 ‘공항’과 ‘주차장’에서 각각 88 %와 85 %의 F1-score를 달성해 현저한 성능 향상을 보였다. 혼동 행렬을 분석한 결과, ‘주거지역’과 ‘상업지역’ 사이의 경계가 가장 많이 혼동되는 것으로 나타났으며, 이는 스펙트럼 정보만으로는 구분이 어려워 추가적인 고도·인프라 데이터와의 융합이 필요함을 시사한다.

한계점으로는 RGB 밴드만 사용했기 때문에 식생 구분에 한계가 있으며, 구름·그림자에 의한 노이즈가 일부 지역에서 성능 저하를 일으킨다. 향후 연구에서는 근적외선(NIR)·열적 밴드와 같은 멀티스펙트럼 데이터를 결합하고, 세그멘테이션 기반의 포스트프로세싱을 도입해 경계 정확도를 높이는 방안을 제시한다. 전반적으로 본 논문은 VHR 항공영상에 딥러닝을 적용한 실용적인 LULC 분류 파이프라인을 제시함으로써 도시 계획, 재난 관리, 환경 모니터링 등 다양한 분야에 바로 적용 가능한 기술적 토대를 제공한다.