구글 어스 엔진을 활용한 원격 감시 데이터 분류 및 검증 기법

구글 어스 엔진(Google Earth Engine, GEE) 은 클라우드 기반의 광범위한 공간 데이터를 처리할 수 있는 플랫폼입니다. 본 문서에서는 GEE 를 활용하여 원격 감시 영상을 기반으로 토지 피복 지도를 생성하는 전체적인 과정을 다룹니다. 여기에는 관심 지역 정의, 교차 검증용 샘플 데이터 수집, 랜덤 포레스트 분류기 학습, 그리고 최종 결과물의 신뢰도 분석이 포함됩니다. 예제로는 2020 년 초여름부터 하계까지의 센티널 -2(Sentinel-2) 정합 이미지를 사용하여 특정 관측 구역의 지표면 유형을 구분합니다.

데이터 로드 및 샘플 포인트 추출

분류 작업을 시작하기 위해 먼저 대상 지역의 경계를 설정하고 해당 시기의 위성 영상을 불러와야 합니다. 이후 지도 인터페이스를 통해 각 지표면 유형에 해당하는 훈련용 지점을 직접 지정해야 합니다.

// 연구 구역 정의 (다각형 좌표)
var roi = ee.Geometry.Polygon([
    [[121.81940156260009, 40.92383488850036],
     [121.81940156260009, 40.73887826797227],
     [121.99998933115478, 40.73887826797227],
     [121.99998933115478, 40.92383488850036]]
]);

// 분석 기간 및 밴드 설정
var targetYear = 2020;
var bandsToUse = ['B2', 'B3', 'B4', 'B8', 'B11', 'B12'];
var startDate = ee.Date(targetYear + '-5-1');
var endDate = ee.Date(targetYear + '-8-1');

// 센티널 -2 표면 반사율 이미지 컬렉션 필터링
var s2Raw = ee.ImageCollection('COPERNICUS/S2_SR')
                  .filterDate(startDate, endDate)
                  .filterBounds(roi)
                  .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', 20));

// 선택된 밴드만 추출
s2Raw = s2Raw.select(bandsToUse);

// 시각화 파라미터 설정 (RGB 합성)
var visSettings = {
  min: 0, 
  max: 3000, 
  bands: ['B4', 'B3', 'B2'], 
};

// 지도 뷰포트 중앙 조정 및 컬렉션 정보 출력
Map.centerObject(roi);
print('분석될 이미지 컬렉션:', s2Raw);

// 중위수 합성 후 영역 잘라내기
var finalImage = s2Raw.median().clip(roi);
Map.addLayer(finalImage, visSettings, '합성 영상');

지도상에서 다양한 지표면 (예: 담수, 해수, 식생, 건물 등) 에 해당하는 지점을 클릭하여 속성 값 (Label) 을 할당하는 FeatureCollection 객체들을 개별적으로 생성합니다. 이 과정에서 각 점에 부여되는 속성명은 분류 클래스를 명확히 식별할 수 있도록 통일되어야 합니다.

분류 모델 구현 및 적용

샘플 데이터가 준비되면 머신러닝 알고리즘을 적용하여 분류 모델을 학습시킵니다. 여기서는 비선형 관계를 잘 처리할 수 있는 랜덤 포레스트 (Random Forest) 방식을 채택하며, 과적합 방지를 위해 데이터셋을 학습용과 평가용으로 분리합니다.

// 모든 클래스 샘플 데이터 병합
var groundTruth = freshwater.merge(seawater).merge(forest)
                            .merge(agriculture).merge(buildings)
                            .merge(barrenLand).merge(grassland);

// 무작위 분할을 위한 열 추가
var labeledData = groundTruth.randomColumn('splitKey');

// 학습과 테스트 세트를 7 대 3 비율로 분리
var ratioSplit = 0.7;
var trainSet = labeledData.filter(ee.Filter.lt('splitKey', ratioSplit));
var testSet = labeledData.filter(ee.Filter.gte('splitKey', ratioSplit));

// 학습 세트를 이미지 픽셀 값과 연결
var trainingPixels = finalImage.sampleRegions({
    collection: trainSet,
    scale: 10, // 해상도 설정
    properties: ['ClassID'], // 목표 변수명
});

// 랜덤 포레스트 분류기 훈련
var trainedRF = ee.Classifier.smileRandomForest({
    numberOfTrees: 128,
    seed: 42
}).train({
    features: trainingPixels,
    classProperty: 'ClassID'
});

// 합성 이미지에 분류 모델 적용
var classifiedImg = finalImage.classify(trainedRF);

// 분류 결과 시각화 추가
Map.addLayer(classifiedImg.randomVisualizer(), {}, '분류 결과');

분류 정확도 검증

최종 생성된 토지 피복 지도의 신뢰성을 확인하기 위해 이전에 분리해 둔 테스트 세트를 활용하여 혼동 행렬 (Confusion Matrix) 을 계산합니다. 이를 통해 전체 정확도와 카파 계수 등을 도출할 수 있습니다.

// 테스트 세트에 대한 예측값 추출
var validatedPixels = finalImage.sampleRegions({
    collection: testSet,
    scale: 10,
});

// 혼동 행렬 계산 (실제 클래스 vs 예측 클래스)
var errorMat = validatedPixels.errorMatrix('ClassID', 'classification');

print('혼동 행렬 상세:', errorMat);
print('전체 정확도:', errorMat.accuracy());
print('카파 통계량:', errorMat.kappa());
// 필요 시 사용자 정밀도 및 생산자 정밀도 확인 가능
// print('사용자 정밀도:', errorMat.usersAccuracy());
// print('생산자 정밀도:', errorMat.producersAccuracy());

콘퓨팅 결과를 통해 분류 모델이 각 지목별로 얼마나 정확하게 판별했는지 수치화할 수 있으며, 낮은 정확도를 보인 클래스에 대해서는 샘플 데이터를 보강하여 다시 학습 절차를 진행할 수 있습니다.

태그: GoogleEarthEngine Sentinel-2 RandomForest LandCoverClassification ConfusionMatrix

10월 12일 18:19에 게시됨