지상 표지 매핑

이 기사는 위키피디아의 품질 기준을 충족시키기 위해 정리가 필요할 수 있다. 구체적인 문제는 비표준 자본화와 이탤릭체의 사용이다. 가능하다면 이 기사를 개선하는 것을 도와줘. (2021년 6월) (이 템플릿 메시지를 제거하는 방법과 시기 알아보기)

토지 표지 지도는 지구의 토지 이용과 표지 패턴에 대한 중요한 정보를 제공하는 도구다. 그들은 정책 개발, 도시 계획, 산림 및 농업 감시 등을 보좌한다.^[1][2]

변경 탐지를 포함한 토지 덮개 패턴의 체계적 매핑은 크게 두 가지 접근방식을 따르는 경우가 많다.

• 현장 조사
• 원격 감지 위성 이미지 ^[3]처리 비용 효율적인 이 접근법은 토지 커버 패턴을 정확하게 매핑하기 위해 몇 가지 이미지 사전 처리 및 처리 기법을 사용한다. 이러한 기술들은 일련의 머신러닝 시뮬레이션과 통계적 응용에 따른 다양한 공간적 규모의 변화를 감지한다.

이미지 전처리는 일반적으로 방사선량 보정을 통해 수행되는 반면, 이미지 처리는 토지 표지 지도 제작을 위해 감독되지 않은 분류 또는 감독된 분류와 식물 지표의 정량화를 포함한다.

감독구분

감독형 분류란 사용자가 무작위로 생성된 일련의 교육 데이터 세트 또는 다른 LULC 클래스를 대표하는 스펙트럼 시그니처를 구축하고, 이러한 데이터 세트를 기계 학습 모델에 적용하여 LULC 패턴을 예측하고 공간적으로 분류하고 분류 정확도를 평가하는 분류 시스템이다.

이 접근법을 위해 몇 가지 머신러닝 알고리즘이 개발되었다. 예:최대 Likelihood 분류(MLC)[4]서포트 벡터 머신(SVMs)[5]랜덤 포레스트(RF)[6]의사 결정 나무(DT)[7]K-Nearest 이웃(KNN)[5]Multi-perceptron 인공 신경망을 이용한(MP-ANNs)[7][8]최소 거리(MD)[4]마할라노비스 Distance,[9]스펙트럼 Angler 매퍼(지대공 미사일)[10]판별 분석(DA), 쿵푸를 포함한다.Zzy(FZ)의 유전 Algorithm,[11]S.ubspace,^[12][13] Parallelelelepiped 분류.^[14]

감독된 분류 알고리즘에 대한 설명

• 최대우도 분류(MLC): 이 접근방식은 최대 가능성을 가진 영상 픽셀이 특정 LULC 유형에 해당할 확률을 추정하여 겹치는 서명을 분류한다. 또한 훈련 데이터 세트의 평균 및 공분산 행렬에 의존하며 이미지 픽셀의 통계적 중요성을 가정한다.^[4]
• 최소 거리(MD): 토지 커버를 분류하기 위해 이미지 픽셀 간의 결정 경계를 정의하는 감독된 분류의 한 형태.^[4] 결정 경계는 클래스 픽셀 사이의 평균 거리 및 생성된 훈련 데이터 세트의 표준 편차를 계산하여 평행한 상자를 생성한다.
• 마할라노비스 거리: 유클리드 거리 알고리즘을 사용하여 일련의 교육 데이터 집합에서 토지 커버 클래스를 할당하는 분류 시스템.^[9]
• 스펙트럼 앵글러 매퍼(SAM): q-dimension이 대역의 수를 나타내는 q-dimension으로 q차원 공간에서 두 스펙트럼 사이의 관계를 결정하기 위해 각도 측정을 사용하는 스펙트럼 이미지 분류 접근법이다.^[10]
• 판별 분석(DA): 분류 알고리즘이 밀접하게 연관된 영상 픽셀의 그룹을 세분류로 구분하여 클래스 내 분산을 최소화하고 최대우도 판별 규칙에 따른 클래스 간 분산을 극대화하는 분류 체계
• 유전 알고리즘: 적절한 훈련 데이터 군집을 선택하고 예측 변수(위성 이미지 밴드)의 영향을 받아 분류하기 위해 유전적 원리를 적용하는 분류 체계.^[11]
• 하위 공간: 분류자가 교육 지점의 클러스터에서 선택한 각 토지 커버 클래스의 저차원 하위 공간을 생성하는 분류 접근법. 차원 하위 공간 생성 접근법에는 교육 지점에 대한 주요 구성요소 분석을 수행하는 것이 포함된다.^[12][13] 지상 커버 분류 오류를 최소화하기 위한 두 가지 유형의 서브 스페이스 알고리즘이 존재한다. 여기에는 클래스 기능 정보 압축(CLAFIC)^[15]과 평균 학습 서브스페이스 방법(ALSM)이 포함된다.^[16]
• Parallelelepiped 분류: 각 이미지 대역 내에서 각 랜드 커버 클래스에 대한 값의 범위를 할당하고 각 랜드 커버 클래스의 픽셀을 선택하여 분류기를 교육하는 경계 상자를 만드는 피쳐 스페이스 분류기.^[14]
• 다중 수용체 인공신경망(MP-ANN): 분류자가 일련의 신경망이나 노드를 사용하여 훈련 표본의 백프로포즈를 기반으로 토지 커버를 분류하는 분류 체계.
• 지원 벡터 머신(SVM): 분류자가 지원 벡터를 사용하여 둘 이상의 토지 커버 클래스를 분리하는 최적의 결정 경계를 얻는 분류 접근방식.
• RF(Random Forest: 분류자가 부스트랩을 사용하여 여러 위성 이미지 밴드를 기반으로 훈련 데이터 세트를 분류하는 여러 결정 트리를 생성하는 접근 방식.^[6]
• k-가장 가까운 이웃: 이 접근방식은 훈련 데이터 집합에서 k-closest 표본을 추출하고 이들 표본 사이의 거리에 기초하여 토지 커버를 분류한다.
• 의사결정 트리(DT): RF와 마찬가지로 DT는 훈련 샘플을 일련의 랜드 커버 클러스터로 분할하는 연결된 노드 집합을 구성한다.^[7] 그것의 장점은 그것이 빠르고, 작은 데이터에 대해 구성하고 해석하기 쉬우며, 배경이나 중요하지 않은 정보를 배제하는데 능하다는 것이다. 특히 대규모 데이터셋에 대한 오버피칭을 만들 수 있다는 점에서 불리하다.

무감독구분

무감독 분류란 사용자가 서명 파일이나 훈련 데이터를 적용하지 않고 이미지 픽셀이나 픽셀 그룹을 소프트웨어에 의해 자동으로 분류하는 분류 체계다. 그러나 사용자는 클러스터링 알고리즘을 사용하여 유사한 픽셀을 단일 범주로 그룹화하여 컴퓨터가 자동으로 생성하는 클래스 수를 정의한다. 이 분류 체계는 주로 이용 가능한 토지 커버 유형에 대한 현장 관찰이나 사전 지식이 없는 지역에서 사용된다. 감독되지 않은 알고리즘의 예로는 ISODATA(Interferative Self-Organizing Data Analysis Technology)와 K-Means가 있다.^[17]

• ISODATA는 분류자가 밀접하게 연관된 다수의 영상 픽셀을 클러스터로 자동 분류한 후, 일련의 반복적인 반복을 바탕으로 평균 군집을 계산하고 토지 커버를 분류하는 분류 체계다.
• K-Means로 컴퓨터는 위성 이미지에서 k 랜드 커버 피쳐를 자동으로 추출하고, 추출된 피쳐의 계산된 수단을 바탕으로 전체적인 이미지를 분류한다.

식생 지수를 사용한 분류

식생 지수 분류는 식생 지수의 공간 특성을 반영하기 위해 정의된 통계 알고리즘을 통해 둘 이상의 스펙트럼 밴드가 결합되는 분류 체계다.

이러한 지표의 대부분은 적외선 대역과 근적외선(NIR) 대역의 관계를 이용하여 식생 특성을 생성한다. 숲 표지와 토지 이용 패턴을 효과적으로 분류하기 위해 원격 감지 과학자에 의해 몇 가지 식생 지수가 개발되고 적용되었다. 저명한 예는 다음과 같다.

• NDVI(^[18][19]표준화된 미분 식물 지수)
• EVI(^[20]향상된 식물 지수)
• 토양 조정 식생 지수(SAVI),^[21]
• 고급 식생 지수(AVI)
• 캐노피 그림자 지수(SI),
• 맨땅 지수(^[22][23]BSI),
• 표준화된 차동수지수(NDWI)^[24]
• 표준화된 차동 빌트업 지수(^[25]NDBI)

이러한 스펙트럼 지수는 두 개 이상의 띠를 사용하여 토지 이용의 표면 반사율과 피복 특성을 정확하게 획득하여 토지 이용/피복 분류 정확도를 개선한다.^[26][27]

식생 지수 설명

• NDVI(표준화된 미분 식물 지수): 표준화 미분생 식생 지수는 위성 이미지의 적외선 대역과 근적외선 대역 사이의 비율로 정의된다. 즉, NDVI = (NIR – R) / (NIR + R) / (NIR + R) 여기서 NIR = 근적외선 및 R = 적색. 이 지수는 식물의 푸르름을 측정하며, 값은 -1과 1 사이이다. 높은 NDVI 값은 빽빽한 초목 커버를 나타내며, 중간 NDVI 값은 희박한 초목 커버를 나타내며, 낮은 NDVI 값은 비식물 영역(예: 척박한 땅 또는 맨땅)에 해당한다.^[28]
• EVI(Enhanced Veature Index): EVI는 토양 밝기 보정 계수(L)와 대기 중 에어로졸 보정 계수(C)를 갖는 적색, NIR 및 청색 대역 사이의 비율로 정의된다.^[29][30] It is calculated as: EVI = ${\displaystyle 2.5*((NIR-R))/((NIR+C1*R-C2*B+L))}$, where B = Blue, L = soil brightness correction factor usually given a default value of 0.5, and C1 and C2 = atmospheric aerosol correction factors.
• 토양 조정 식생 지수(SAVI): SABI는 토양 밝기 보정 계수(L)를 가진 적색과 NIR 값 사이의 비율로 정의된다. ${\displaystyle \mathrm{SABI}}$ =${\displaystyle }$( 1${\displaystyle }$+ ${\displaystyle L}$) ${\displaystyle \ast }$(${\displaystyle }$( N ${\displaystyle I}$ ${\displaystyle R}$- ${\displaystyle R}$)${\displaystyle }$)${\displaystyle }$/${\displaystyle }$(${\displaystyle }$( ${\displaystyle N}$ ${\displaystyle I}$ ${\displaystyle R}$+ R${\displaystyle }$+ ${\displaystyle L}$)${\displaystyle }$) ${\displaystyle (1+L)*($NIR-R$)/($NIR$+R+L)}}$로 계산된다$.$
• 캐노피 그림자 지수(SI): SI는 위성 영상의 적색과 녹색 띠의 제곱근에 의해 정의된다. 나이, 구조, 구성 등을 기준으로 숲 카노피의 각기 다른 그림자 패턴을 평가하고, 울창한 숲과 풀밭, 맨땅을 쉽게 구분한다.^[23][31] SI =${\displaystyle \text{exception 25:}}$(${\displaystyle \text{exception 25:}}$( (${\displaystyle \text{exception 25:}}$-${\displaystyle \text{exception 25:}}$ )${\displaystyle \text{exception 25:}}$ (${\displaystyle \text{exception 25:}}$- ${\displaystyle \text{exception 25:}}$)${\displaystyle \text{exception 25:}}${ (256 - R ) $displaystyle {\sqrt[{}]{(256-G)*(256-R)$로 계산된다.$\}\}\},$ 여기서 G = 녹색 밴드
• 고급 식생 지수(AVI): AVI는 NIR 및 Red 밴드의 입방근으로 정의되며, 생성된 지수는 숲 커버를 초원과 맨땅 영역과 차별화한다. AVI =${\displaystyle \text{exception 25:}}$(${\displaystyle \text{exception 25:}}$( (${\displaystyle \text{exception 25:}}$ ${\displaystyle \text{exception 25:}}$+ ${\displaystyle \text{exception 25:}}$) ${\displaystyle \text{exception 25:}}$(${\displaystyle \text{exception 25:}}$- R${\displaystyle \text{exception 25:}}$) ∗ (${\displaystyle \text{exception 25:}}$ ${\displaystyle \text{exception 25:}}$- ${\displaystyle \text{exception 25:}}$ )${\displaystyle \text{exception 25:}}$(NI R - R${\displaystyle \text{exception 25:}}$) ) ${\displaystyle \text{exception 25:}}$ ${\$NIR$+1)**(NIR-R)}}}}}}}}}}}}}$
• BSI: BSI는 위성 이미지의 NIR, Red 및 Blue 밴드 사이의 비율로 정의된다. 그것은 맨땅의 양을 측정하고, 그 양이 증가함에 따라 산림 밀도가 감소한다.^[23][31] BSI =${\displaystyle }$(${\displaystyle }$( (${\displaystyle \mathrm{NI}}$ ${\displaystyle R}$+ G${\displaystyle }$) -${\displaystyle }$R${\displaystyle }$)${\displaystyle }$/${\displaystyle }$(${\displaystyle }$(${\displaystyle \mathrm{NI}}$ R${\displaystyle }$+ ${\displaystyle G}$)${\displaystyle }$+ ${\displaystyle R}$) ${\디스플레이$ 스타일 $(($NIR$+G)-R)/($NIR$+G)+R)}$로 계산된다.
• NDWI(표준화된 차동수 지수): 식물 및 기타 지구계통의 특징의 수분 함량을 정량화하기 위해 개발되었다. NDWI = (NIR – WWID)/(NIR + SWIR)로 계산되며, 여기서 WWID = 단파 적외선이다.
• 표준화된 차동 빌트업 지수(NDBI): 위성 영상의 빌트업 영역을 정량화하기 위해 개발되었다. NDBI = (SWIR – NIR) / (SWIR + NIR)로 계산된다.

참고 항목

• 토지 커버
• 식물 지수

참조