[논문 리뷰] Probabilistic graphical model based approach for water mapping using GaoFen-2 (GF-2) high resolution imagery and Landsat 8 time series

Luyan Ji, Jie Wang외 2명|arXiv (Cornell University)|2016. 12. 22.

Flood Risk Assessment and Management참고 문헌 29인용 수 4

한 줄 요약

이 논문은 고분해상도 다중스펙트럼(MS) 및 투명대역(PAN) 영상인 고분자-2(GF-2)와 시계열 자료인 랜드세이트 8(Landsat 8)를 융합하는 확률적 그래픽 모델(PGM)을 제안하여 수자원 지ap 정확도를 향상시킨다. 짧은 자외선 외부(SWIR) 대역의 스펙트럼 차이와 물체 크기 사전 정보를 활용함으로써, PGM은 물과 그림자, 낮은 반사율 표면 간에 효과적으로 구분을 할 수 있으며, SVM, 임계치 설정, 수자원 지표 방법과 비교해 가장 높은 전체 정확도를 달성한다.

ABSTRACT

The objective of this paper is to evaluate the potential of Gaofen-2 (GF-2) high resolution multispectral sensor (MS) and panchromatic (PAN) imagery on water mapping. Difficulties of water mapping on high resolution data includes: 1) misclassification between water and shadows or other low-reflectance ground objects, which is mostly caused by the spectral similarity within the given band range; 2) small water bodies with size smaller than the spatial resolution of MS image. To solve the confusion between water and low-reflectance objects, the Landsat 8 time series with two shortwave infrared (SWIR) bands is added because water has extremely strong absorption in SWIR. In order to integrate the three multi-sensor, multi-resolution data sets, the probabilistic graphical model (PGM) is utilized here with conditional probability distribution defined mainly based on the size of each object. For comparison, results from the SVM classifier on the PCA fused and MS data, thresholding method on the PAN image, and water index method on the Landsat data are computed. The confusion matrices are calculated for all the methods. The results demonstrate that the PGM method can achieve the best performance with the highest overall accuracy. Moreover, small rivers can also be extracted by adding weight on the PAN result in PGM. Finally, the post-classification procedure is applied on the PGM result to further exclude misclassification in shadow and water-land boundary regions. Accordingly, the producer's, user's and overall accuracy are all increased, indicating the effectiveness of our method.

연구 동기 및 목표

• 고해상도 영상에서 수자원 지도를 작성할 때 발생하는 과제, 특히 물과 낮은 반사율 물체(예: 그림자) 간의 오분류 문제를 해결하기 위해.
• 다중스펙트럼(MS) 센서의 공간 해상도 이하에 있는 소규모 수자원을 탐지하는 데에 도움을 주기 위해.
• GF-2 MS/PAN 및 랜드세이트 8 시계열 자료와 같은 다중원천, 다중 해상도 자료를 통합하여 분류 성능을 향상시키기 위해.
• 확률적 그래픽 모델(PGM)이 스펙트럼, 공간, 시간 정보를 융합하여 수자원 지도 작성에 효과적으로 기여하는지 평가하기 위해.
• 후처리 분류 보정을 통해 그림자 영역 및 수자원-육지 경계 지역의 과다 경고를 줄이기 위해.

제안 방법

• PGM 프레임워크는 물체 크기와 스펙트럼 특성에 기반한 조건부 확률 분포를 모델링하여 GF-2 MS, GF-2 PAN, 랜드세이트 8 시계열 영상 자료를 통합한다.
• 랜드세이트 8의 두 개의 단파적외선(SWIR) 대역을 활용하여 물이 SWIR에서 강하게 흡수하는 특성을 이용함으로써, 낮은 반사율 표면과의 혼동을 줄인다.
• PGM에서 PAN에서 유도된 특징에 더 높은 가중치를 할당하여 소규모 강과 좁은 수자원의 탐지 능력을 향상시킨다.
• 후처리 분류 절차를 적용하여 PGM 출력 결과를 보완하며, 특히 그림자 및 수자원-육지 경계 영역에서 잘못 분류된 픽셀을 수정한다.
• 다양한 센서에서 관측된 자료를 바탕으로 공간 사전 정보와 스펙트럼 서명을 사용하여 픽셀이 물일 가능성의 가능도를 모델링한다.
• 비교 방법으로는 PCA 융합 GF-2 자료에 대한 SVM, PAN 자료에 대한 임계치 설정, 랜드세이트 8 자료에 대한 수자원 지표 방법을 사용한다.

실험 결과

연구 질문

• RQ1 GF-2 고해상도 자료와 랜드세이트 8 시계열 자료를 융합함으로써 단일 센서 방법에 비해 수자원 지도 정확도가 향상되는가?
• RQ2 스펙트럼 및 공간 사전 정보를 활용하여 확률적 그래픽 모델이 물과 낮은 반사율 물체(예: 그림자) 간의 혼동을 얼마나 효과적으로 해결하는가?
• RQ3 더 높은 공간 해상도를 가진 PAN 자료를 PGM 프레임워크에 통합함으로써 소규모 수자원 탐지 능력이 얼마나 향상되는가?
• RQ4 후처리 분류 보정이 수자원-육지 경계 및 그림자 영역에서 생산자 정확도와 사용자 정확도를 유의미하게 향상시키는가?
• RQ5 전통적인 방법(예: SVM, 임계치 설정, 수자원 지표 기법)에 비해 PGM 접근법의 상대적 성능은 어떠한가?

주요 결과

• PGM 기반 방법은 테스트된 모든 방법 중에서 가장 높은 전체 정확도를 달성하여 SVM, 임계치 설정, 수자원 지표 방법을 모두 능가했다.
• 랜드세이트 8의 SWIR 대역을 포함시킴으로써 그림자 및 기타 낮은 반사율 표면이 물로 오분류되는 현상이 크게 감소했다.
• PGM에서 PAN 자료에 가중치를 할당함으로써 MS 전용 방법에서 놓친 소규모 강과 좁은 수자원의 탐지 능력이 향상되었다.
• 후처리 분류 보정은 생산자 정확도와 사용자 정확도를 모두 향상시켜 경계 및 그림자 관련 오류 수정의 효과성을 입증했다.
• 오mission 및 commission 오류가 가장 낮은 혼동 행렬을 통해 PGM 방법이 모든 테스트 지역에서 가장 우수한 성능을 보였다.
• 스펙트럼, 공간, 시간 정보를 효과적으로 융합하여 각 센서의 강점을 살려 신뢰도 높고 정확한 수자원 지도를 생성하는 데 성공했다.