지난 포스트에 이어, 어두운 객체(dark objects) 개념을 이용하여 산림학습표집을 자동 추출하는 방법에 대해 보다 자세히 살펴보고 실제 영상처리를 통해 확인해보도록 하겠습니다.
먼저 산림학습표집을 얻기 위한 동기부여는 아래 논문에서부터 시작되었죠.
Huang, C., Goward, S., Schleeweis, K., Thomas, N., Masek, J., & Zhu, Z. (2009).
Dynamics of national forests assessed using the Landsat record: Case studies in eastern United States. Remote Sensing of Environment, 113, 1430-1442.
아래는 위 논문에서 산림학습표집과 관련된 사항을 발췌하여 해석한 내용입니다.
각 위성영상에 대해, 확신하는 산림표집(confident forest samples)은 어두운 객체 기법(dark objects approach)을 이용하여 추출되었다. 이 기법은 나무 덮개(tree canopy) 내부에서 드리우는 상당한 그림자(substantial shadows)로 인해, 산림은 가시 및 단파 근적외밴드(visible and shortwave infrared bands)에서 일반적으로 대부분의 다른 식생표면보다 더 어둡다는 잘 알려진 관측에 기초한다.
그럼, 이러한 관측을 참고하여 다시 산림학습표집의 자동 추출 절차를 살펴보도록 하겠습니다.
1) 방사 정규화(Radiometric standardization)
TOA 방사휘도(top-of-atmosphere radiance)는 단지 지상 객체(ground objects) 반사율 속성의 함수가 아니라, 태양 조도 기하학(solar illumination geometry) 및 대기 조건(atmospheric conditions)을 포함한 비지표 인자(non-surface factors)에 의해서도 영향 받는다. 태양 기하학의 큰 영향은 다음의 식을 이용하여 DN을 TOA 반사율(reflectance)로 변환함으로써 정규화될 수 있다.
2) 비식생인 어두운 객체(non-vegetated dark objects)의 마스킹
본 연구에서는 비식생인 객체를 마스킹하기 위해 0.2의 NDVI 임계치를 사용하였다. 지역적 규모에서 FCCA(forest cover change analysis; 산림피복변화분석)에 대해 이 임계치는 조정될 수 있다. 예를 들면, 주어진 지역에서 대부분의 산림이 매우 조밀하고 녹색이면, 약간 더 높은 임계치(예, ~0.4)가 더 적극적으로 어두운 비산림 객체를 제외하는데 사용될 수 있다.
3) 지역 히스토그램 정의
본 TDA(training data automation) 절차에서 히스토그램을 구축하는데 두 가지 주요인자가 고려될 필요가 있다. 첫 번째는 적합한 영상 창(image window) 크기를 정의하는 것이다. 히스토그램을 만드는데 고려될 다른 인자는 적합한 밴드를 선택하는 것이다.
4) 산림 피크(forest peak) 위치 선정
임의의 빈(bin)이 좌우측의 빈보다 더 높은 빈도값일 때, 최고점의 첫 번째 발생값이 산림 피크로 인식된다. 산림 피크로 인식될 수 있는 평범한 지역적 피크를 피하기 위해, 중간값 필터(median filter)가 평범한 피크를 제거하는데 사용되었다.
5) 일관성 확인(consistency checking)
본 연구에서는 지속적으로 개발되고 전세계적으로 이용 가능한 수목피복산물(tree cover product)의 MODIS 식생 연속 영역(VCF; vegetation continuous field)을 이용하였다. 구체적으로, 각 MODIS 화소는 본 연구에서 정의된 산림의 최소 허용치인 30% 임계치를 사용하여 산림 또는 비산림 화소로 분류되었다.