Ⅰ. 서 론
최근 인공지능 및 위성기술의 발전으로 지리정보시스템 분야에서 정확하고 신속한 공간정보의 구축이 가능해졌다 (Kang, 2023; Sharifi and Mahdipour, 2024). 농업 분야에서는 위성영상을 이용하여 작물모니터링, 토지 이용 변화, 작물 재배면적 산정 등 다양한 위성기술이 활발하게 적용되고 있다. 특히 재해 지역이나 접근이 어려운 지역의 정보도 획득이 가능하다는 장점이 있다 (Yu et al., 2024). 이러한 데이터는 농업 정책 수립, 농지관리, 작물 생산량 예측 등의 기초자료로 활용되기 때문에 데이터의 정확성과 처리 효율성은 매우 중요한 요소로 작용한다.
위성영상의 해상도가 지속적으로 향상되면서 작물 생육, 토지 이용 현황, 수확량, 재해 대응 등 다양한 분야에서 정밀 모니터링이 가능하게 되었다 (Inoue, 2020). 우리나라는 2021년에 국토위성 (차세대중형위성 CAS500-1)을 발사하여 50 cm급 고해상도 영상을 제공하기 시작하면서, 저해상도 영상으로 파악하기 어려웠던 소규모 지역을 대상으로 한 연구가 활발하게 진행되고 있다 (Kim and Lee, 2023). 그러나 국토위성은 RGB 및 NIR와 같은 제한된 다분광 밴드만을 제공하기 때문에 농업 분야의 공간정보를 정확하게 분석하기에는 한계가 존재한다. 이는 기존 연구에서 자주 활용되는 감독분류법의 적용에 제약을 가져오기 때문이다 (Kunhoth and Al-Maadeed, 2024). 위성영상으로부터 다분광 밴드를 충분히 활용할 수 있다면 각 밴드별 정보의 특성을 통해 더욱 정밀한 분류와 분석이 가능하지만, 제한된 밴드로는 작물 상태나 토양 상태 등의 분석에서 정밀도가 저하될 수 있다 (Inoue, 2020). 특히 작물의 세밀한 상태 분석이 필요한 정밀농업이나 토지 복합 분석에서는 이러한 다분광 데이터의 부족이 분류 정확도에 대한 성능 저하의 주요 원인이 된다 (Inoue, 2020; Bandla et al., 2024).
위성기술의 발달에도 불구하고 제한된 다분광 밴드나 감독분류법 적용의 제약 등 농업분야의 적용에 기술적인 제약을 해결하기 위해 인공지능 기술의 도입으로 농업 모니터링의 정확도와 처리 속도가 크게 향상되고 있다. 기존의 연구에서는 다분광 밴드가 다양할수록 객체의 고유한 분광특성을 잘 파악하여 탐지 정확도가 향상되지만, 다분광 영상의 높은 비용과 고용량 데이터로 분석에 많은 시간이 소요되는 단점이 있다 (Franke and Menz, 2007; Hulley et al., 2017; Khanal et al., 2020). 그러나 객체 인식 기술은 다분광 데이터 없이 RGB 밴드만으로도 충분히 빠르고 정확하며, 효율적인 분석이 가능한 장점이 있다 (Badgujar et al., 2024). 또한, 객체 인식 기술은 단일 신경망으로 이미지를 한 번에 처리하는 특성으로 인해 기존의 픽셀 단위로 순차적으로 분석되는 감독분류법의 한계를 보완할 수 있다 (Lee et al., 2015). 또한 객체 인식 기술은 이미지의 패턴과 형태를 인식하는 데 중점을 두어 작물의 경계와 토지이용 변화를 효과적으로 파악할 수 있다. 특히 머신러닝과 딥러닝 기술을 결합한 자동화된 학습과 분석을 통해 대용량 데이터의 실시간 처리가 가능하여 광역 지역의 모니터링과 관리에 효과적이다 (Hosseini et al., 2023). 이러한 기술은 위성영상에서 특정 작물이나 농업 경작지 등을 자동으로 탐지하는 데 사용되며, 그 결과는 실시간 의사결정과 자원 관리에 활용된다. 결론적으로, 감독분류법이 다분광 데이터를 활용해 정밀한 분석을 제공할 수 있는 반면, 객체 인식 기술은 다분광 데이터 없이도 신속하고 효율적인 분석을 통해 농업 정보 구축과 모니터링에서의 한계를 극복할 수 있는 강력한 도구로 볼 수 있다.
농업분야에서 위성영상과 객체인식 기법을 이용하여 작물 모니터링 및 농경지 경계 탐지를 위한 연구가 활발하게 진행되고 있다. 딥러닝 기술을 활용하여 작물모니터링을 시도하는 분야에서는 대표적으로 Nguyen et al. (2020)은 CNN과 LSTM을 결합한 하이브리드 모델로 89.5%의 정확도로 작물의 생육 단계를 자동으로 탐지하였으며, Peng et al. (2024)은 사전학습된 CNN 모델들의 비교 분석을 통해 DenseNet121이 92.8%의 높은 정확도로 작물 상태를 모니터링 할 수 있음을 증명하였다. 또한, 농경지 경계 탐지에서는 Wagner and Oppelt (2020)가 CNN과 그래프 기반 경계 추출 기법을 결합하여 85%의 정확도로 복잡한 농경지 경계를 추출한 바 있으며, Taravat et al. (2021)이 U-Net 기반의 개선된 FCN 구조를 제안하여 0.82의 F1-score를 달성하였다. 그러나 이러한 연구들은 다양한 분광 정보를 필요로 하거나 5-10 m 수준의 중해상도 위성영상을 사용하여, 제한된 분광 정보를 가진 0.5 m 고해상도 영상에서의 농경지 탐지에는 한계가 있었다. 또한 최근의 YOLO 알고리즘을 이용하여 토지피복 변화에 대한 모니터링 연구도 활발히 진행되고 있다. 농촌지역을 대상으로 YOLO 모델을 적용한 사례는 농경지, 건축물, 시설물 (태양광, 농업용 온실 등)을 탐지 또는 지속적인 모니터링을 수행하는 연구가 주를 이루고 있으며 (Kim et al., 2022; Hong, 2023; Jeon, 2024; Abanoub et al., 2024), 이 외에는 고해상도 영상을 이용하여 농작물의 종류 또는 병충해를 탐지하는 연구가 주를 이루고 있다 (Lippi et al., 2021; Tang et al., 2021; Zhang et al., 2022; Xinming and Hong, 2023). 그러나 이러한 연구에서는 객체의 위치를 인식하기 위하여 Bounding Box (Bbox, 이하 바운딩 박스)를 이용한 객체 탐지가 주를 이루고 있으며, Segmentation (이하 세그멘테이션)을 통한 형상을 탐지하는 연구는 부족한 것으로 조사되었다.
본 연구에서는 객체 인식 기법을 활용하여 고해상도 위성영상 기반의 효율적인 농경지 모니터링 방법론을 제시하고자 한다. 기존의 바운딩 박스 기반의 연구들은 객체의 위치 탐지에는 효과적이나, 불규칙한 형상을 가진 농경지의 실제 경계를 정확히 파악하는 데는 한계를 가지고 있다. 따라서 본 연구에서는 제한된 분광정보 환경에서도 효율적인 농경지 모니터링을 위하여 세그멘테이션 기법을 통해 농경지의 세부적인 형상까지 탐지하는 기술을 개발하고자 한다. 이를 위해 국토위성 영상데이터를 획득하고, 객체 인식 기법을 위한 학습데이터를 구축하였다. 구축된 학습데이터를 통해 인공지능 모델을 훈련하고, 실증 분석을 통해 농경지 탐지 정확도를 평가하였다.
Ⅱ. 재료 및 방법
1. 사용데이터
본 연구에서는 객체 인식 기법을 통한 농경지 모니터링을 수행하기 위해 국토리지정보원의 국토정보플랫폼에서 제공하고 있는 국토위성 (CAS500-1) 영상을 활용하였다. 국토위성 영상은 정밀정사영상 (Level 2G)으로 전정색 밴드 (panchromatic band)를 이용한 0.5 m의 공간해상도와 다중분광밴드 (R, G, R, NIR)를 이용한 2 m 해상도를 가진다. 선정한 위성영상은 영상 정보 중에서 2023년 8월 18일 촬영된 영상 중에서 전라남도 곡성군 일대로 크기는 30,106×29,126 픽셀이며, 총면적은 219.2 km2이다 (Fig. 1 (a)). 이 중에서 농경지가 밀집된 중심 지역을 대상으로 구름에 의한 폐색이 최소화된 정사영상을 추출하여 전라남도 곡성군 입면 송전리 일대를 대상으로 하였으며, 해당 영상 지역의 면적은 약 7.62 km2에 해당한다 (Fig. 1 (b)).
인공지능 기반의 객체 인식 기법 적용을 위해 실제 농경지의 경계 정보를 구축하였다. 먼저 위성영상을 256×256 픽셀 크기로 분할 (Split)하고 (Fig. 2 (a)), 육안판독법을 통해 총 959개의 농경지 경계 정보를 취득하였다 (Fig. 2 (b)). 구축된 전체 농경지 경계 정보는 분석 결과를 위한 참값 (ground truth)으로 활용함과 동시에 학습데이터 구축을 위한 기초자료로 활용하였다.
Fig. 2
Satellite image split grids and actual agricultural boundary information based on visual inspection in the study area
육안판독으로 구축한 농경지 경계 정보 중 무작위 추출 방식으로 1/3에 해당하는 320개의 샘플을 선택하였다. 객체 인식을 위한 영상 분할과 동일한 크기로 실제 농경지 경계 정보도 분할하여 영상과 실제 농경 정보의 공간적 일치성을 확보하였다. 객체 인식 탐지율과 정확도 향상을 위해 좌우반전, 상하반전, 회전 (15도, 90도) 등의 데이터 증강 기법을 적용하였다. 좌우반전과 상하반전은 농경지의 수평 및 수직 방향 특성을 학습하기 위하여 적용하였으며, 회전은 다양한 방향의 농경지 패턴을 학습하기 위해 도입하였다. 이러한 데이터 증강을 통해 총 2,826개의 학습데이터를 구축하였으며, 그 예시는 Fig. 3과 같다.
2. YOLO 알고리즘
본 연구에서는 인공지능 기반의 객체 인식 모델 중 YOLO (You Only Look Once) 알고리즘의 확장 모델인 YOLO-Seg 모델을 사용하였다. YOLO는 컴퓨터 비전 (computer vision, 이하 CV) 분야에서 이미지나 영상의 객체 탐지에 널리 사용되는 효율적인 알고리즘으로, 단일 신경망 처리를 통해 다중 객체 탐지를 수행한다. 다양한 객체 탐지 모델 중 YOLO를 선택한 주요 이유는 R-CNN이나 Fast R-CNN과 같은 2단계 탐지 방식의 알고리즘과 달리, 이미지를 한 번에 처리하여 객체의 위치와 클래스를 동시에 예측하는 단일 단계 방식을 사용하기 때문이다. 이러한 단일 신경망 처리 방식은 이미지를 그리드로 분할하여 한 번에 처리함으로써 실시간 처리가 가능하며, 특히 위성영상과 같은 대용량 데이터를 처리할 때 연산 효율성이 매우 높다 (Redmon et al., 2016). 실제로 YOLO 초기모델인 YOLOv1은 45 fps (frames per second), Fast YOLO는 155 fps의 처리 속도를 보이며 (Redmon et al., 2016), 이후 버전들도 실시간 처리가 가능한 성능을 유지하고 있어 농경지 모니터링과 같은 대규모 영상처리에 적합하다. 이에 본 연구에서는 Jocher et al. (2023)이 개발한 객체 탐지 (Detection), 세그멘테이션 (Segmentation), 분류 (Classification) 등 다양한 컴퓨터 비전 태스크를 지원하는 YOLOv8 알고리즘의 세그멘테이션 기능을 사용하였다.
YOLO 모델의 학습과정은 바운딩 박스의 위치 예측과 오차 (loss) 계산으로 구성된다. 바운딩 박스는 중심점 좌표 (
, 
)와 크기인 가로/세로 길이 (
, 
)로 정의되며, 위치 손실, 신뢰도 손실, 클래스 손실의 세 가지 손실함수를 통해 모델을 최적화한다. 위치 손실은 예측된 바운딩 박스와 실제 값 간의 위치 차이를 계산하며, 신뢰도 손실은 객체 존재 확률과 실제 존재 여부의 차이를 측정한다. 클래스 손실은 예측된 객체 클래스와 실제 클래스의 차이를 측정한다. 이러한 손실값은 역전파 (backpropagation) 과정을 통해 모델의 가중치를 최적화하는 데 사용되며, 반복 학습 (epoch)을 통해 손실을 줄여나가게 된다.
3. YOLO 모델의 검증
모델성능의 검증은 정밀도, 재현율, 교차결합 (Intersection over Union, IOU), 평균정밀도를 통해 평가된다 (Redmon et al., 2016). 정밀도는 정확하게 검출된 객체 수를 전체 검출된 객체 수로 나눈 값으로 Eq. (1)과 같이 계산된다. 재현율은 정확하게 검출된 객체 수를 실제 객체의 총 수로 나눈 값으로 Eq. (2)와 같다. 교집합비는 예측된 영역과 실제 영역의 중첩도를 평가하는 지표로 Eq. (3)과 같이 계산되며, 본 연구에서는 임계값을 0.5로 설정하여 객체 검출의 정확도를 평가하였다. IOU 임계값을 0.5로 설정한 것은 PASCAL VOC, COCO와 같은 주요 객체 탐지 데이터셋에서 일반적으로 사용되는 기준을 따른 것이다. IOU가 0.5 이상일 경우 객체의 주요 특징을 충분히 포함하고 있다고 판단할 수 있으며, 농경지와 같이 불규칙한 형태를 가진 객체의 경우 너무 높은 IOU 임계값을 설정하면 실제로는 정확한 탐지 결과임에도 불구하고 FN (False Negative)으로 판단될 수 있다 (Lin et al., 2014; Everingham et al., 2015; Jeon, 2024). 따라서 본 연구에서는 일반적인 기준인 0.5를 채택하여 농경지 객체 탐지의 정확도를 평가하였다.
Where, 
(True Positive) represents the number of correctly detected objects, 
(False Positive) indicates the number of incorrectly detected objects, and 
(False Negative) denotes the number of undetected objects.
where 
represents the predicted region and 
represents the ground truth region.
마지막으로 평균정밀도 (Average Precision, AP)는 정밀도-재현율곡선 (Precision-Recall Curve, PRC)의 아래 영역 면적을 계산하여 산출된다 (Eq. (4)). 정밀도-재현율 곡선은 신뢰수준 (confidence level) 임계값의 변화에 따른 객체 탐지 성능을 평가하는 방법으로, 재현율이 증가할 때 정밀도가 얼마나 유지되는지를 측정하는 통합적인 성능 지표이다. 각 정밀도는 B (바운딩 박스)와 M (세그멘테이션) 클래스로 구분하여 평가하였다.
where 
(Average Precision) represents the area under the precision-recall curve.
YOLO-Seg는 바운딩 박스를 이용하여 객체의 튀치를 탐지하는 기존 YOLO 모델에 세그멘테이션 기능을 추가하여 확장하여 객체의 불규칙한 경계까지 보다 세밀하게 구분할 수 있는 확장 모델이다. 세그멘테이션 작업을 통해 각 객체의 픽셀 단위 경계를 탐지하여 복잡한 형태의 객체 경계를 구체적인 모양으로 정밀하게 인식할 수 있다. 중복 세그먼트 제거를 위해 NMS (Non-Maximum Suppression) 알고리즘을 적용하며, 이는 IOU 값이 높은 중복 영역 중 신뢰도가 가장 높은 것만을 선택한다.
신뢰도는 바운딩 박스가 객체를 포함할 가능성과 해당 객체의 IOU 값을 기반으로 객체 탐지에 중요한 매개변수로 사용된다. 신뢰도 임계값은 탐지 성능에 직접적인 영향을 미치는 주요 매개변수로, 낮은 임계값을 설정할 경우 재현율이 향상되고 높은 임계값을 설정할 경우 정밀도가 향상되는 특성이 있다. 낮은 신뢰도 임계값을 설정하면 FP (False Positive)를 더 많이 탐지할 수 있지만, 탐지된 객체 수가 증가하여 재현율이 높아질 수 있다. 반면, 높은 신뢰도 임계값을 설정하면 부정확한 객체는 줄어들지만, 탐지되지 않은 객체인 FN (False Negative)가 증가할 가능성이 있다. 따라서 분석을 위한 신뢰도의 임계값을 적절히 조절할 필요가 있다.
4. 연구 추진 프로세스
본 연구의 전체 프로세스는 데이터 구축과 YOLO 분석 프로세스의 두 가지 주요 단계로 구성된다 (Fig. 4). 첫 번째 데이터 구축 단계에서는 위성영상 전처리 및 학습데이터를 구축하였다. 이를 위해 국토지리정보원의 국토정보플랫폼에서 국토위성1호 영상을 다운로드하고, 농경지가 존재하며 구름이 촬영되지 않은 연구대상지역을 추출하였다.
국토위성영상은 RGB, NIR, PAN에 해당하는 총 5개의 밴드를 제공하며, 각각의 밴드는 16비트 부호가 없는 정수형 (sixteen bit unsigned integer, UInt16) 형식으로 제공되어 0~65,535 범위의 수치적 값을 가진다. 그러나 YOLO 모델에서는 일반적으로 JPG 또는 PNG의 확장자를 가진 영상을 사용하며, 특히 JPG 영상은 8비트만 지원하므로 수치값이 0~255의 범위를 가지게 된다. 따라서 국토위성의 16비트로 제공되는 RGB 밴드를 8비트로 변환하여 YOLO 모델을 위한 전처리 과정을 수행하였다. 또한 넓은 범위를 가진 위성영상을 한 번에 YOLO 모델을 적용할 경우 고용량의 컴퓨팅 자원이 필요하므로, 영상을 256×256 픽셀 크기로 분할하여 YOLO 분석을 수행하였다. 분석된 결과의 탐지율과 정확도를 파악하기 위하여 육안 판독에 따라 실제 농경지 정보를 추출하였으며, 이 가운데 1/3에 해당하는 320개의 농경지를 추출하고, 데이터 증강 기법을 통해 최종적으로 총 2,826개의 학습데이터 셋을 구축하였다. 이 데이터셋은 8:2의 비율로 학습 (train) 데이터와 검증 (valid) 데이터로 구분하였다.
두 번째 YOLO 분석 프로세스는 학습, 탐지, 변환, 비교 단계로 진행된다. 구축된 학습데이터를 NVIDIA RTX 3070 GPU를 이용하여 총 300회 (epoch) 학습을 수행하였으며, 검증데이터로 검증을 수행하였다. 다음으로 학습된 YOLO 모델을 이용하여 위성영상의 농경지 탐지를 수행하였다. 탐지 단계에서는 신뢰도, IOU, 중첩도 등의 매개변수를 설정하여 농경지 객체를 탐지하였다. 탐지된 결과는 공간정보 (shapefile) 형태로 변환하였으며, 최종적으로 실제 농경지 경계와의 비교 분석을 통해 매개변수 변화에 따른 탐지 정확도를 평가하였다.
농경지 탐지는 256×256 픽셀 크기로 분할된 개별 이미지 단위로 분석을 수행하였다. 그러나 이렇게 분할된 이미지를 분석할 때 경계 (외곽) 지역에서 객체가 부정확하게 탐지되는 경향이 나타날 수 있다. 이를 해결하기 위해 타일링을 수행할 때 중복 영역을 설정하는 방법을 사용하였다. 중복된 영역을 포함하여 분석을 수행하면, 각 타일에서 동일한 객체가 중복으로 탐지되어 결과의 정확성을 높이는 효과를 가지게 된다 (Mnih and Hinton, 2010; Chen, et al., 2014; Long et al., 2017; Al Dawasari et al., 2023; Yang et al., 2023). 이를 위해 본 연구에서는 중복도를 0%에서 90%까지 증가하면서 탐지 결과를 비교하였다. 마지막으로 신뢰도 임계값을 조정하였는데, 일반적으로 신뢰도 임계값은 0.5로 설정하고 있지만 (Ren et al., 2016; Ross and Dollár, 2017; Farhadi and Redmo, 2018; Cai and Vasconcelos, 2018; Chen et al., 2024), 본 연구에서는 신뢰도에 따라 탐지율과 정확도를 파악하기 위하여 신뢰도의 임계값을 0에서 0.9까지 증가하면서 탐지 결과를 비교하였다.
Ⅲ. 분석 결과
1. YOLO-Seg 학습 결과
YOLO-Seg 모델의 학습은 구축된 농경지 데이터를 이용하여 총 300 에포크 (epoch) 동안 진행되었으며, 학습 과정에서의 손실함수 (loss function)와 성능 지표의 변화는 Fig. 5와 같다. 학습 초기에는 높은 손실값을 보이다가 에포크가 진행됨에 따라 점차 감소하는 경향을 보였다. 특히 box loss와 segmentation loss는 학습 초기 약 1.5 수준에서 시작하여 50 에포크 이후부터 급격히 감소하는 패턴을 보였으며, 200 에포크 이후에는 안정적인 값을 유지하였다.
Fig. 5
Changes in loss values and performance metrics during YOLO-Seg model training. The x-axis represents the number of training epochs (0-200), and the y-axis shows various metrics including validation loss, batch loss, objectness loss, and mAP (mean Average Precision) values (ranging from 0 to 1.5).
정밀도는 B (바운딩 박스)와 M (세그멘테이션) 클래스 모두에서 초기 0.3 수준에서 학습이 완료된 시점에서는 0.8 수준까지 큰 폭으로 증가하는 것으로 나타났다. 이는 모델에서 예측된 마스크가 실제 객체 형상의 80%의 비율로 탐지하는 것으로 볼 수 있다. 재현율에서는 학습초기에는 변동성이 컸으나, 반복 학습이 진행됨에 따라 0.8 이상으로 안정적인 성능이 나타났다. 이는 모델이 누락 없이 객체를 잘 탐지하는 것으로 해석할 수 있다.
평균정밀도는 IOU 임계값이 0.5 이상일 경우를 정확한 탐지로 간주한 경우 (mAP50)에서는 0.8 이상으로 나타났으며, 임계값이 0.5~0.95의 범위의 경우 (mAP50-95)에서는 0.6 수준으로 나타났다. 즉, 예측된 세그멘테이션 면적이 실제 면적과 50% 이상 겹치는 객체의 탐지율이 약 80%의 수준으로 볼 수 있다. 결과적으로 실제 객체 탐지율과 형상 정확도는 80% 정도 수준이며, 형상을 정확히 탐지한 비율은 60%의 수준으로 볼 수 있다. 이러한 학습 곡선의 패턴은 모델이 과적합 (overfitting) 없이 안정적으로 학습되었음을 보여준다. 특히 검증 데이터셋에 대한 성능도 학습 데이터셋과 유사한 패턴을 보이며, 이는 모델이 학습 데이터에 과도하게 특화되지 않고 일반화 능력을 잘 확보했음을 시사한다.
2. 학습 모델을 통한 농경지 탐지 결과
가. 영상 분할에 따른 탐지 결과
학습된 YOLO-Seg 모델을 이용하여 연구 대상 지역의 농경지 탐지를 수행하였다 (Fig. 6). 이 과정에서 위성영상을 256×256 픽셀 크기로 분할하고 신뢰도의 임계값을 0.5로 설정하였다. 그 결과 총 1,041개의 객체를 탐지하는 것으로 나타났다. 이 가운데 실제 농경지의 경계에 포함되는 객체는 총 1,027개로 분석되었으며, 농경지가 아닌 위치를 탐지한 객체는 14개로 분석되었다.
면적 기준으로 살펴보면, YOLO-seg를 통해 탐지된 객체의 총 면적은 140.34 ha로 분석되었으며, 실제 농경지의 총 면적은 246.77 ha로 두 값의 차이는 106.43 ha로 나타났다. 이 가운데 탐지된 객체가 실제 농경지를 정확히 탐지한 면적은 120.90 ha로 전체의 49.0%를 탐지하는 것으로 분석되었다. 이 과정에서 일부 분할된 격자의 경계에서 객체를 탐지하지 못해, 원래는 하나의 객체로 공간적인 연속성을 가져야 하지만, 여러 개의 객체로 분할되어 분석되는 경향이 나타나고 있다 (Fig. 7).
격자의 경계에서 객체를 탐지가 부정확한 이유는 객체를 정확히 인식하기 위한 주변 컨텍스트 (context, 객체 주변의 환경정보)가 필요하지만, 타일 경계에 위치한 객체의 주변에 충분한 컨텍스트 정보가 부족하여 객체를 탐지의 정확도가 낮아질 가능성이 있다 (Yang et al., 2022). 또한 학습 과정에서 사용된 데이터셋이 타일 경계에 위치한 객체를 충분히 학습하지 못한 경우, 분할 경계에 위치한 객체가 잘못 탐지 (오탐지) 되거나 누락 (미탐지) 될 가능성이 높아지는 한계가 존재한다.
격자의 경계 부분의 객체 탐지의 정확도를 높이기 위하여 본 연구에서는 분할된 격자의 경계 부분을 최소화하고, 동일한 객체가 여러 분할 격자에서 중복으로 탐지될 수 있도록 격자의 중복도를 높이는 방법을 적용하였다. 구체적으로 격자의 중복도를 10%에서 90%까지 10%씩 증가하여 농경지 탐지를 수행하였다 (Fig. 8). 그 결과, 격자의 중복도가 증가할수록 정확히 탐지하는 면적은 지속적으로 증가하는 것으로 나타났으며, 90%의 중복도일 경우 실제 농경지 면적 대비 81.7%의 면적을 탐지하는 것으로 나타났다. 반면, 중복도가 증가할수록 농경지가 아닌 지역이 탐지된 면적도 함께 증가하였으며, 90%의 중복도에서 21.3 ha가 오탐지되는 것으로 나타났다. 이는 실제 농경지 면적을 기준으로 보면 8.6%에 해당하는 수치이다.
중복도 증가에 따라 처리시간도 함께 증가하는 경향을 보인다 (Fig. 9). 중복도 10%에서 0.2분의 처리시간이 소요된 반면, 90%의 중복도에서 14.1분으로 급격하게 증가하였다. 중복도가 60% 이상부터 처리시간이 지수함수적으로 증가하는 것으로 나타났다. 격자의 중복도가 높을수록 타일 경계에서 객체를 놓치지 않고 탐지하기 때문에 실제 면적을 더욱 명확하게 탐지하지만, 반면에 오탐지 면적도 함께 증가하고, 분석을 위한 시간도 증가하게 된다. 따라서 데이터의 특성 (영상해상도, 객체 크기, 객체 밀집도)과 분석 목적에 따라 최적의 중복도로 조정되어야 한다. 최적의 중복도는 많은 연구에서 10%에서 30% 사이로 설정하고 있다 (Wu et al., 2015; Zhu et al., 2023; Smith and Johnson, 2022; Decitre and Joyce, 2024; Antwi et al., 2024). 본 연구에서의 결과를 기준으로 검토하면, 중복도가 10-30%에서는 실제 농경지의 49~55%를 탐지하며, 분석 시간은 약 0.3분이 소요되는 것으로 나타났고, 오탐지 면적은 실제 농경지 면적 대비 약 3%로 비교적 낮은 오차율을 가지는 것으로 볼 수 있다. 그러나 본 연구에서는 10-30%의 중복도로는 실제 농경지의 약 50%만 탐지하기 때문에 탐지율을 높이면서 계산 효율성을 고려하여 중복도 60%가 적절하다고 판단하였다.
나. 신뢰도 임계값 변화에 따른 탐지 결과
현재 신뢰도 임계값은 타 연구에서 일반적으로 사용되고 있는 0.5로 설정하여 분석을 수행하였다. 영상 분할 격자의 중복도가 60%인 경우 실제 농경지 면적의 약 70.0%를 탐지하며, 오차 비율은 약 5%로 나타났다. 이러한 결과는 YOLO-Seg 모델의 학습에 따른 IOU 임계값이 0.5-0.95 범위일 때의 평균정밀도 (mAP50-95)의 수준과 유사한 것으로 볼 수 있다.
신뢰도 값의 변화에 따른 탐지 성능을 분석하기 위해 격자의 중복도는 60%로 고정하고 신뢰도의 임계값을 0.1에서 0.9까지 증가하면서 탐지를 수행하였다 (Fig. 10). 분석 결과, 신뢰도가 0.1일 경우 206.2 ha를 탐지하여 실제 농경지 면적 대비 약 80.3%의 탐지율을 보였으며, 신뢰도가 0.9일 경우에는 112.4 ha를 탐지하여 45.5%의 탐지율을 나타났다. 신뢰도가 0.1씩 증가할 때마다 탐지 면적은 평균 6.3%씩 감소하였다. 신뢰도 값의 증가는 오탐지 면적의 감소도 동반하였는데, 신뢰도 0.1에서 23.2 ha의 오탐지가 발생한 반면, 신뢰도 0.9에서는 5.8 ha로 감소하여 평균 15.4%의 감소율을 보였다. 이러한 결과는 신뢰도 상승에 따라 정확한 탐지 면적은 소폭 감소하나, 오탐지 면적은 상대적으로 큰 폭으로 감소함을 보여준다.
공간적 분포 측면에서 탐지 결과를 상세히 살펴보면, 실제 농경지가 아닌 건물이나 도로 등이 농경지로 오탐지 되는 사례가 나타났다. 이러한 현상은 본 연구에서 사용된 실제 농경지 경계가 0.5 m의 공간해상도를 가진 영상을 통한 육안판독법으로 구축되어, 실제 측량과 같이 정밀도가 높은 수준으로 정확한 경계를 구축하긴 어려운 한계에서 비롯된다. YOLO-Seg 모델에 따른 탐지영역과 실제 농경지 경계 사이의 차이는 대부분 경계 인근 1 m 이내에 위치하며, 공간적 연속성을 고려할 때 실제 농경지로 간주할 수 있는 가능성이 높다. 이러한 이유로 Fig. 11에서와 같이 모델이 농경지를 예측하긴 하였지만, 실제 경계 인근 위치한 일부 픽셀이 농경지가 아닌 지역으로 구분되는 경우가 발생한다. 따라서 해상도에 따라 실제 경계 인근에 위치한 픽셀이 공간적으로 연속성을 가지고 있다면 실제 농경지로 보아야 함이 타당할 것으로 사료된다.
이러한 문제의 해결을 위해 탐지된 영역을 폴리곤 (polygon)으로 변환하고, 그 중심점이 실제 농경지 경계의 내부에 포함되지 않는 객체를 오탐지로 설정하는 방식을 적용해보았다 (Fig. 12). 수정된 방법을 적용해 본 결과, 기존 방법 대비 정탐지 면적은 5.0% 증가하였으며, 오탐지 면적은 큰 폭으로 감소하였다. 구체적으로 신뢰도 0.1에서는 오탐지 면적이 23.2 ha에서 12.2 ha, 신뢰도 0.9에서는 5.8 ha에서 0.2 ha로 개선되었다.
Ⅳ. 결론 및 고찰
본 연구에서는 위성영상 기반의 농경지 탐지에서 분할 격자의 중복도와 신뢰도 임계값이 탐지 정확도에 미치는 영향을 분석하였다. 분석 결과, 중복도를 60%로 설정했을 때 정탐지 면적이 70%에 가깝고, 오탐지 면적은 5% 정도이며, 분석 소요 시간이 1분 이내로 탐지의 정확성과 효율성 간의 최적 균형을 유지할 수 있었다. 중복도가 높을수록 객체 탐지의 정확도는 향상되었으나, 오탐지 가능성과 처리 시간도 함께 증가하는 것으로 나타났다. 특히 중복도가 90%일 경우 실제 농경지 면적 대비 81.7%의 면적을 탐지할 수 있었으나, 처리 시간이 14.1분으로 크게 증가하는 한계가 확인되었다.
신뢰도 임계값의 경우, 0.1씩 증가할 때마다 평균적으로 정탐지 면적은 6.3% 감소하고 오탐지 비율은 15.4% 감소하는 것으로 분석되었다. 최적의 신뢰도 임계값은 탐지 대상 지역의 특성과 분석 목적에 따라 달라질 수 있다. 농경지 면적이 크고 분포가 넓은 지역에서는 낮은 신뢰도 임계값이 유리할 수 있으며, 정밀한 탐지가 필요한 경우에는 높은 신뢰도 임계값이 적절할 수 있다.
수정된 탐지 방법을 통해 경계 근처 픽셀을 보정한 결과, 정탐지 면적이 증가하고 오탐지 비율이 크게 감소하는 효과가 확인되었다. 구체적으로 신뢰도 0.1에서는 정탐지 면적이 217.6 ha, 오탐지 면적은 12.2 ha로 개선되었으며, 신뢰도 0.9에서는 정탐지 면적 117.9 ha, 오탐지 면적 0.2 ha로 성능이 향상되었다. 이러한 결과는 본 연구에서 제안한 중심점 기반의 오탐지 판별 방법과 경계 근처 픽셀의 공간적 연속성을 고려한 보정 방법이 탐지 성능 향상에 효과적임을 입증한다.
개발된 모델은 농경지의 효율적인 모니터링과 면적 산출이 가능하여 다양한 분야에 활용될 수 있다. 구체적으로 농업 생산량 예측, 농업 자원 관리, 농업 보조금 정책 수립, 환경 모니터링, 농업 탄소배출 관리, 자연재해 대응, 재해보험금 산정, 지속가능한 환경요인 분석 등에 적용될 수 있다. 또한 모델의 활용도를 높이기 위해 팜맵 (농림축산식품부)의 필지 경계를 정확히 제공하는데에 활용할 수 있다. 농지의 토지이용은 변화가 크지만, 필지 경계는 상대적으로 변화가 적기 때문에, 팜맵의 대용량 데이터를 이용하면 보다 정확한 경계를 파악할 수 있을 것이다. 여기에 더해 팜맵에는 논, 밭, 과수, 시설 등으로 구분이 되어 있기 때문에 다양한 토지이용에 대해서도 적용이 가능할 것으로 판단된다.
또한 본 연구에서는 0.5 m 해상도의 위성영상을 사용하였는데, 이는 드론영상 (10 cm 이하)이나 항공영상과 같이 다른 해상도를 가진 영상에서는 최적의 임계값이 달라질 수 있음을 시사한다. 후속 연구에서는 다양한 해상도의 영상 데이터와 경계 설정 방법에 따른 탐지 성능을 추가적으로 분석하여, 제안된 보정 기법이 농경지뿐만 아니라 다른 유형의 객체 탐지에도 적용 가능한지 검증할 필요가 있다. 이를 통해 현실적인 공간적 연속성을 고려할 수 있으며, 오탐지의 비율을 크게 감소시킬 수 있을 것으로 기대된다.
