표제지
목차
주요 내용 및 정책제안 4
CHAPTER 1. 연구개요 25
1. 연구배경 26
2. 연구목적 28
3. 연구범위 28
4. 연구방법 29
CHAPTER 2. 토지이용변화 모니터링 현황 및 문제점 31
1. 지속가능한 국토발전과 토지이용변화 모니터링 32
1) 지속가능한 국토발전 32
2) 국토ㆍ환경계획과 토지이용현황 33
3) 토지이용변화 모니터링 34
2. 토지이용변화 모니터링 현황 35
1) 토지이용현황도 36
2) 토지피복도 40
3) 국토변화도 43
4) 기타 토지이용현황 관련 조사 45
3. 토지이용변화 모니터링 문제점 46
CHAPTER 3. 관련 이론 및 연구동향 52
1. 여건변화 53
2. 머신러닝ㆍ딥러닝 개념 55
1) 머신러닝과 A.I. 55
2) 딥러닝 57
3. 관련 연구동향 및 사례 66
1) 토지이용변화 모니터링 관련 선행연구 66
2) 머신러닝/딥러닝 적용 사례 71
3) 선행연구와 차별성 79
4) 시사점 80
CHAPTER 4. 딥러닝 기반 토지이용현황 자동추출 가능성 실증 83
1. 딥러닝 기반 자동추출 실증 개요 84
2. 실증 대상지역 및 자료 85
1) 대상지역 85
2) 자료취득 및 검토 86
3. 분류항목 정의 89
1) 분류를 위한 관심객체 정의 89
2) 관심객체 유형 90
3) 객체정의 시 제약사항 91
4. 딥러닝 적용 가능성 실증 92
1) 데이터셋 구축 92
2) 딥러닝 모델 선정 및 학습 96
3) 모델 검증 및 평가 110
5. 토지이용변화 모니터링 123
6. 기존 방법과 비교 128
CHAPTER 5. 딥러닝 기반 토지이용변화 모니터링 방안 132
1. 기본방향 133
2. 딥러닝 기반 토지이용변화 모니터링 방안 134
1) 데이터 생산방식 개선 134
2) 모니터링 주체와 협력체계 136
3) 단계별 추진 139
4) 제도개선 및 지침마련 140
5) 기타 개선사항 141
3. 딥러닝 기반 토지이용변화 모니터링 활용 방안 142
1) 미래 예측 142
2) 시의성 있는 정책대응 142
3) 기타 국토교통업무 지원 143
CHAPTER 6. 결론 145
1. 결론 및 기대효과 146
2. 연구의 한계 및 향후 과제 148
1) 연구의 한계 148
2) 향후 과제 149
참고문헌 150
SUMMARY 157
[부록] 토지피복지도 및 토지이용현황도 분류체계 159
판권기 162
표 2-1. 토지이용변화 모니터링 범위 및 방법 35
표 2-2. 토지이용현황도 분류체계 38
표 2-3. 토지피복도 연차별 사업현황 (구축사업) 41
표 2-4. 토지피복도 연차별 사업현황 (활용단계 고도화 사업) 42
표 2-5. 국토변화 자동탐지 방법 45
표 2-6. 광역도시계획 수립을 위한 토지이용과 관련 기초조사내용 및 세부항목 50
표 3-1. 머신러닝과 딥러닝의 특징 비교 58
표 4-1. 건축물용도 코드 정의서 88
표 4-2. 벡터자료 간 비교 89
표 4-3. 데이터셋 규격 및 구축 소요시간 95
표 4-4. 데이터셋의 배분 96
표 4-5. 하드웨어 사양 106
표 4-6. 모델 학습 소요시간 107
표 4-7. 하이퍼파라미터 튜닝 결과 109
표 4-8. 혼동행렬 (Confusion Matrix) 113
표 4-9. 검증셋 평가 결과 114
표 4-10. 시험셋 평가 결과 1 118
표 4-11. 3 class 시험셋 평가 결과 122
표 4-12. 기존토지이용변화 모니터링과 딥러닝 기반 모니터링 비교 128
표 5-1. 딥러닝 기반 토지이용현황 세분류 항목 개선 (안) 138
표 5-2. 국토이용현황 및 변화 모니터링 플랫폼 구축 추정예산 (안) 140
그림 1-1. 연구의 틀 30
그림 2-1. 토지이용현황도 (1 : 25,000 축척) 37
그림 2-2. 국토모니터링 사업 프로세스 43
그림 2-3. 국토변화도 제작과정 44
그림 2-4. 타 연구에 사용된 도시 및 개발제외지역 자료구축 현황 48
그림 3-1. 인공지능과 머신러닝ㆍ딥러닝의 관계 56
그림 3-2. U-net 알고리즘의 구조 59
그림 3-3. Overlap-Tile Strategy/Weighted Cross Entropy 60
그림 3-4. Deep U-Net의 상세구조 61
그림 3-5. DeepLab 알고리즘 및 atrous convolution 구조 62
그림 3-6. atrous spatial pyramid pooling 구조 및 V3+ 알고리즘 개념 63
그림 3-7. PSPNet 알고리즘의 구조 64
그림 3-8. ENet 알고리즘의 구조 65
그림 3-9. ENet 알고리즘 영상 분류 결과 65
그림 3-10. KOMPSAT-2 영상을 이용한 토지피복 정보 66
그림 3-11. 객체기반분류를 활용한 벼 재배지역 산출 결과 67
그림 3-12. 위성영상을 활용한 제1종일반주거지역의 토지이용 변화 모니터링 68
그림 3-13. 북한의 토지피복 변화 (2001년-2013년) 69
그림 3-14. 서산지역 토지피복분류 및 변화 예측 70
그림 3-15. 줄포만 갯벌지역 토지피복/토지이용 변화 (2009년-2014년) 71
그림 3-16. 머신러닝 기술을 적용한 2014년 프랑스의 토지피복도 72
그림 3-17. 스위스 취리히의 건축물 분류 결과 및 변화 탐지 73
그림 3-18. 로드트레이서의 도로 학습 알고리즘 74
그림 3-19. 남포특급시 도시개발 시나리오와 토지이용변화 시뮬레이션 추정지도 75
그림 3-20. 초분광영상을 활용한 토지이용 분류 76
그림 3-21. 인공신경망(ANN) 기법을 활용한 도시 재해 탐색 결과 77
그림 3-22. 벼 재배면적 탐지에 대한 딥러닝 기업의 정확도 평가 결과 78
그림 3-23. 머신러닝과 딥러닝 기술의 특징 비교 81
그림 4-1. 대전광역시 주택 수 증가추이 86
그림 4-2. 영상자료와 벡터자료의 중첩 이미지 (대전광역시 서구 용문동) 87
그림 4-3. 정사항공영상에서 건물 영상 91
그림 4-4. 건물 경계 구획 시 특이사항 92
그림 4-5. 데이터 라벨링 과정 93
그림 4-6. 데이터셋 절취 방법 94
그림 4-7. 데이터셋의 형태 95
그림 4-8. 딥러닝 모델 학습 과정 97
그림 4-9. Fully Connected Layer 예시 98
그림 4-10. Detection 결과 예시 98
그림 4-11. Semantic Segmentation 결과 예시 99
그림 4-12. FCN의 특징추출 및 복원 과정 101
그림 4-13. Deep U-Net의 상세구조 102
그림 4-14. Atrous convolution 예시 103
그림 4-15. Atrous spatial pyramid pooling (ASPP) 103
그림 4-16. 기존 Convolution과 Depthwise Separable Convolution 105
그림 4-17. 에포크(epoch)와 에러(error)의 상관관계 107
그림 4-18. 하이퍼파라미터 탐색 방법 108
그림 4-19. Momentum 방식과 Learning rate 109
그림 4-20. 검증셋 모델 적용 결과 111
그림 4-21. 검증셋 모델 적용 결과 비교 112
그림 4-22. 이진분류 시험셋 모델 적용 결과 116
그림 4-23. 이진분류 시험셋 모델 적용 결과 비교 117
그림 4-24. 3 Class 시험셋 모델 적용 결과 (일반주택지 class 1) 119
그림 4-25. 3 Class 시험셋 모델 적용 결과 (일반주택지 외 class 2) 120
그림 4-26. 3 class 시험셋 모델 적용 결과 비교 121
그림 4-27. 2015년 영상 모델 적용 결과 (전남 광주) 124
그림 4-28. 2017년 영상 모델 적용 결과 (전남 광주) 125
그림 4-29. 2017년 영상 모델 적용 결과 127
그림 4-30. 환경부 세분류 토지피복도 4-2차 구축사업 전문가 분류정확도 검수 결과 129
그림 5-1. 미래 토지이용변화 모니터링 기본방향 134
그림 5-2. 정사영상(좌)과 실감정사영상(우) 비교 135
그림 6-1. 토지이용변화 모니터링 기대효과 148