원격탐사(remote sensing)와 인공지능

A. I나 머신러닝의 연구가 활발해지고 있는데, GIS 분야에서도 크게 다르지 않다. 

그래서 원격탐사와 인공지능을 이용한 분석 방법이 다양한데 크게 2방향으로 활용되고 있다.

바로 1. Object Detection, 2. Classification 이다.

 

첫번째, Object detection (객체탐지) 은 말 그대로 물체를 탐지하는 것으로,

Deep learning에서의 다양한 알고리즘을 통해 사진에서 특정한 대상을 추출하는 것처럼

원격탐사를 통해 얻어낸 영상에서 특정한 개체를 추출해내는 방법이다. 

 

이러한 개념을 인공지능에 적용하는 것은 사실 일반 사진에서 객체를 추출하는 것도 동일한 방식으로 진행되기 때문에

일반적인 개념 하에 발전된 알고리즘 (Convolutional Neural Network (CNN), YOLO 등..)을 GIS 분야에 적용하는 방식으로

진행되는 경우가 많다. 

 

저고도 인공위성은 경사궤도를 따라서 이동하여 재방문주기가 발생하기 때문에

과거 촬영했던 장소로 되돌아오려면 몇 일이라는 시간이 필요했었지만,

이제 2~3kg 되는 나노위성을 이용하여 일종의 궤도위성군을 통해 재방문주기를 몇 시간으로 단축이 가능해졌다.

이러한 개념을 이용하여 Object tracking (객체추적)하는 기술까지 발전하고 있다.

Object Detection (출처: pinterest)

  두번째로는 Classification (분류)로서, 

원격탐사의 정의를 생각해보면 '지표면에서부터 방사 또는 반사되는 전자기파의 정보에 의해 지표면의 성질을 파악하는 것' 이다. 분류를 할 때는 감독(Supervised) 또는 무감독(Unsupervised) 분류로 나뉘게 되며, 주로 지구환경을 분석하는데 용이하게 사용되고 있다. 

 

  우선, 분류를 할 때 가장 중요한 것은 어떠한 항목으로 분류할 것인지 그 기준 (standard)을 정하는 것이 중요하다.

일반적인 분류 (식생, 도로, 야지, 건물, 모래, 물)로도 분류하는 경우가 있는가하면, 보다 정밀한 센서를 활용하여 식생 종류라던지 성장 정도까지도 분류가 가능해지고 있다. 이 분류에 따라서 위성영상 각 픽셀이 어떠한 범주에 포함이 되는지 강화학습을 통해 정해지는 것이라고 할 수 있다.

 

  감독분류는 알고리즘이 학습할 수 있는 일종의 지침을 주는 것으로 내가 확실하게 알고 있는 픽셀이 어떤 항목에 해당하는지 지정할 한 훈련 세트 (training set)를 만든 후, 이를 학습시킨 알고리즘이 실험영역에 어떤 것이 있는지 정하는 것이다. 

아래에 있는 그림에서도 알 수 있듯이 우리가 알고 있는 다음 지점을 우측의 표와 같이 분류를 설정하고 학습시킨다는 개념으로 이해해야 한다. 여기서 중요한 것은 훈련 세트에 해당하는 픽셀을 잘 설정해야 알고리즘의 훈련이 정확하게 되므로 지상 참조점이 확실한 것을 훈련세트로 이용해야 한다. 

 

(출처: https://8430352m.wordpress.com/2013/12/28/image-classification-supervised/)

반대로 무감독분류는 훈련세트가 없이 알고리즘에 의해서 분광정보가 유사한 픽셀끼리 그룹핑 (segmentation)을 한 다음에 각각의 그룹이 어떤 범주에 해당하는지 정의하는 것이다. 이 때는 비슷한 특성을 지닌 데이터 집단을 묶는 클러스터링(clustering) 알고리즘을 사용하게 되는데,  K-means clustering, Mean-Shift clusting이 대표적인 알고리즘 중의 하나이다.

  

  1) K-means clustering

     - 가장 많이 사용되는 알고리즘

     - 임의의 군집 중심점(centroid)을 선택하여 해당 중심에 가장 가까운 포인트를 선택하고 반복적인 계산을 통해 중심점의

        위치를 최적화시킴

     - 사람이 초기 k값을 지정해주는 형태로서 가장 최적의 k값을 정하기가 어려움

     - 거리기반 알고리즘으로 속성 개수가 많을수록 군집화 정확도가 떨어짐

     → 개선된 알고리즘 (ISODATA)

          Iterative Self-Organizing Data Analysis Technique Algorithm 

          K 값의 크기가 불명확할 때 사용하며, 사용자가 지정한 샘플 임계값(threshold)보다 작게되면 클래스를 없애고,

          반대로 많거나 분산이 커지면 클래스를 두개로 분산시킴 (분열 or 합병)

       

  2) Mean-shift clustering          

      - 데이터의 군집밀도가 높은 쪽으로 군집 중심점을 이동

      - 이미지나 영상 데이터에서 특정 개체를 구분할 때 뛰어난 역할을 함

      - 미리 군집의 개수를 정할 필요가 없으나, 수행시간이 긴 편