Landsat-8 OLI 영상과 식생 및 수분지수를 이용한 하천유역 토지피복분류 정확도 개선 :Improving Accuracy of Land Cover Classification in River Basins Using Landsat-8 OLI Image, Vegetation Index, and Water Index

박주성

추천

검색

자료유형: 학위논문

저자정보: 박주성 (경북대학교, 경북대학교 과학기술대학원)

지도교수: 조명희

발행연도: 2016

저작권: 경북대학교 논문은 저작권에 의해 보호받습니다.

이용수4

이 논문의 연구 히스토리 (2)

2016

Landsat-8 OLI 영상과 식생 및 수분지수를 이용한 하천유역 토지피복분류 정확도 개선

박주성 융복합시스템공학전공 2016.01 학위논문

Landsat-8 OLI 영상과 식생 및 수분지수를 이용한 하천유역 토지피복분류 정확도 개선

박주성 , 이원희 , 조명희 한국지리정보학회지 2016.01 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

원격탐사 기술은 현장에 직접 방문하지 않고 지표를 손쉽게 모니터링 하기 위한 효율적인 기술이다. 본 연구에서는 Landsat-8 OLI(Operation Land Imager) 영상을 이용하여 토지피복분류의 정확도를 향상시키는 방법을 제안한다. 제안된 방법은 다음과 같이 구성되어 있다. 첫째, Lansat-8 OLI의 영상을 활용하여 NDVI(Normalized Difference Vegetation Index) 및 NDWI(Normalized Difference Water Index)를 추출한다. 그리고 원 영상에 Layer-Stacking하여 새로운 이미지를 생성한다. 생성된 영상을 활용하여 각각에 감독분류 방법의 한 종류인 MLC(Maximum Likelihood Classification)기법과 SVM(Support Vector Machine)기법을 이용하여 토지피복분류를 수행하였다. 분류항목으로는 산림 및 식생 지역을 한 클래스, 하천 및 수계 지역을 한 클래스, 도로와 비닐하우스와 같은 인공구조물을 한 클래스, 논과 밭, 건천 지역 등을 각각 한 클래스로 설정하여 총 5가지 분류항목을 선정 하였다.
MLC 분류기법을 사용 하였을 때 분류 정확도 상승률은 약 8.1%p 상승하였고 SVM 분류기법을 사용 하였을 때 분류 정확도의 상승률은 약 1.7%p 상승하여 토지피복분류의 정확도를 향상 시킨 것을 보여준다. 이 연구는 Layer-Stacking 방법을 이용하여 토지피복분류의 정확도를 향상시키는 방법을 제안하는데 그 목적이 있다.

#MLC #SVM #Classification #Landsat Images

Ⅰ. 서 론 1
1.1 연구배경 및 목적 1
1.2 연구동향 2
1.3 연구흐름도 4
1.4 연구대상지역 5
1.4.1 영상취득 11
1.5 Landsat 위성과 센서체계 12
1.5.1 Landsat 위성의 역사 12
1.5.2 Landsat 위성의 센서구조 14
1.6 연구방법 19
1.6.1 정규식생지수(NDVI) 및 정규수분지수(NDWI) 추출 19
1.6.2 정규식생지수(NDVI) 21
1.6.3 정규수분지수(NDWI) 22
Ⅱ. 이론적 고찰 23
2.1 영상분류(Classification) 23
2.2 감독분류(Supervised Classification) 24
2.2.1 MD(Minimum Distance) 24
2.2.2 평행육면체 분류법(Parallel-Piped) 25
2.2.3 마하라노비스(Mahalanobis) 25
2.2.4 최대우도법(Maximum Likelihood Classification) 25
2.2.5 SVM(Support Vector Machine) 26
2.2.6 오차행렬(Error Matrix) 26
Ⅲ. 실험 및 분석 27
3.1 분류항목설정 27
3.2 실험 결과 및 분석 29
3.2.1 MLC(Maximum Likelihood Classification) 분류정확도 29
3.2.2 MLC(Maximum Likelihood Classification)를 활용한 항목별 개선지역 32
3.2.3 SVM(Support Vector Machine) 분류정확도 36
3.2.4 SVM(Support Vector Machine)을 활용한 항목별 개선지역 39
Ⅳ. 결 론 43
참고문헌 45
Abstract 49

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)