위성 이미지 기반 토지 피복 자동 추출을 위한 Satellite Net

초록

본 논문은 Sentinel‑2A 위성 영상과 EuroSAT 데이터셋을 활용해 토지 피복을 10가지 클래스로 분류하는 CNN 모델인 Satellite‑Net을 제안한다. 4개의 합성곱 층, 배치 정규화, 드롭아웃 등을 포함한 경량 구조로 300 epoch 학습 후 테스트 정확도 98.22%를 달성했으며, 슬라이딩 윈도우 방식을 통해 고해상도 이미지에서도 실시간 분류가 가능함을 보였다.

상세 분석

Satellite‑Net은 기존의 대규모 CNN 모델에 비해 파라미터 수와 연산량을 크게 줄인 경량 설계가 특징이다. 네트워크는 4개의 Conv 레이어와 3개의 Max‑Pooling 레이어, 6개의 ReLU 활성화, 3개의 Dropout(0.5) 레이어, 그리고 최종 Fully‑Connected와 Softmax 레이어로 구성된다. 이러한 구조는 64×64 픽셀 RGB 이미지에 최적화되어 있으며, EuroSAT 데이터셋(27,000장, 10클래스)에서 80%를 학습, 10%를 검증, 10%를 테스트에 할당하였다. 데이터 증강으로는 줌(0.81.2), 회전(030도), 수평·수직 플립을 적용해 모델의 일반화 능력을 강화하였다. 학습 최적화는 Adam 옵티마이저(lr=0.01, batch=32)를 사용했으며, GTX‑1080 GPU에서 epoch당 35초, 총 300 epoch을 수행하였다. 결과적으로 혼동 행렬에서 대부분의 클래스가 높은 정밀도와 재현율을 보였으며, 전체 정확도는 98.22%에 달한다. 이는 기존 연구와 동일 수준의 성능을 유지하면서도 모델 크기와 학습 시간에서 효율성을 확보한 것이다. 또한, 실제 운영 환경을 고려해 슬라이딩 윈도우(스트라이드=64) 기반의 타일링 방식을 구현했으며, 이를 통해 10,980×10,980 픽셀 규모의 고해상도 위성 영상을 171×171 타일로 분할, 각 타일에 대한 클래스를 예측해 전체 토지 피복 비율을 추정한다. 이 과정에서 해양 영역을 제외하는 전처리가 필요함을 언급했으며, GIS와 연계한 후처리 방안을 제시하였다. 한편, 모델은 RGB 3채널에만 의존하므로, 멀티스펙트럼 또는 레이더 데이터와의 융합을 통해 분류 정확도를 더욱 향상시킬 여지가 있다. 또한, 현재 테스트는 EuroSAT 내부 데이터에 국한되어 있어, 실제 현장 사진이나 다른 위성 센서 데이터에 대한 외부 검증이 필요하다. 전반적으로 Satellite‑Net은 경량화와 높은 정확도를 동시에 달성한 실용적인 토지 피복 분류 솔루션으로, 국가 통계기관이나 도시 계획 분야에서 바로 적용 가능한 잠재력을 가진다.