크리깅 기반 소프트 분류의 WiFS/IRS‑1D 이미지 적용 성능 평가

본 논문은 인도 원격탐사 위성인 IRS‑1D의 Wide Field Sensor(WiFS) 데이터를 이용해, 현장에서 수집한 하이퍼스펙트럼 서명을 기반으로 한 크리깅 기반 소프트 분류(Kriging Based Soft Classification, 이하 KBSC)의 성능을 기존의 하드·소프트 분류 기법과 비교·평가한다. 연구 배경으로는 전통적인 하드 분류기가 혼합 픽셀에 대해 단일 클래스를 할당하는 한계와, 대부분의 소프트 분류기가 스펙트럼 혼합 비율을 추정하지만 공간적 변동성을 무시한다는 점을 들었다. 이러한 문제점을 해결하기 위해 비모수적 지구통계학 방법인 크리깅을 도입해, 픽셀 간 공간 상관성을 정량화하고 이를 소프트 분류에 적용하였다. 연구 지역은 인도 하리아나 주이며, 1998년 2월 16일에 촬영된 WiFS 이미지(해상도 188 m, RED 620‑680 nm, NIR 770‑860 nm)를 사용하였다. 현장에서는 겨울밀(Triticum aestivum)과 겨자(Brassica juncea)의 하이퍼스펙트럼 서명을 700 nm~1100 nm 구간, 1 nm 간격으로 측정하였다. 각 서명은 40 % 정도 혼합된 필드에서도 관측된 비율을 눈으로 추정해 보정하였다. 위성 데이터는 GPS 기반 지오레퍼런싱 후 대기 보정(DOS)과 DN 변환(이득·바이어스 보정) 과정을 거쳐 분석에 투입되었다. KBSC의 핵심 절차는 다음과 같다. 1) 지상 서명의 평균·표준편차를 이용해 각 밴드별 DN의 상한(U_i)과 하한(L_i)을 정의하고, 이를 이진화한다(상한 이하=1, 초과=0). 2) 변이도(variogram) 모델을 적합시켜 크리깅 추정량을 계산한다. 3) 상한·하한 이진 맵을 각각 확률 지도로 변환하고, 두 확률을 Inclusion‑Exclusion 원리를 이용해 결합해 최종 joint probability map을 만든다. 4) 사전 정의된 최소 확률 임계값을 초과하는 픽셀을 목표 클래스(밀, 겨자)로 분류한다. 이 과정에서 KBSC는 입력 픽셀 크기와 출력 픽셀 크기를 자유롭게 설정할 수 있어, 하위 해상도(보간) 혹은 상위 해상도(외삽) 모두에 적용 가능하다. 비교 대상으로는 MAXLIKE(최대우도), BAYCLASS(베이시안), BELCLASS(데믹스‑샤퍼), FUZZYCLASS(퍼지) 등 네 가지 전통적 소프트 분류기가 선택되었다. 정확도 평가는 동일 날짜에 촬영된 LISS‑III(23.5 m 해상도) 데이터를 기준으로 수행했으며, LISS‑III 결과를 188 m 해상도로 평균 필터링 후 WiFS와 비교하였다. 정확도 평가지표는 평균 제곱오차(MSE), 교차 엔트로피(Cross‑Entropy), 상관계수(Correlation) 세 가지를 사용하였다. 실험 결과, KBSC는 MSE가 가장 낮고(≈0.04), 교차 엔트로피도 최소(≈0.12), 상관계수는 가장 높았다(≈0.92). 95 % 신뢰구간 내에서 통계적으로 유의미한 차이를 보였으며, 특히 혼합 픽셀 비율이 높은 농업 지역에서 다른 분류기보다 현저히 우수한 성능을 나타냈다. 논문의 강점은 (1) 현장 하이퍼스펙트럼 서명을 직접 활용해 위성 데이터와 연결한 실증적 접근, (2) 변이도 모델을 통한 공간 상관성 반영, (3) 확률적 소프트 분류 결과를 명확히 정의한 점이다. 반면, 변이도 모델 선택과 파라미터 추정 과정이 상세히 기술되지 않아 재현성이 떨어질 수 있고, 상한·하한 이진화 임계값이 경험적이라 다른 지역·작물에 적용 시 재조정이 필요함을 지적한다. 또한 정확도 평가는 LISS‑III와의 비교에 국한돼 실제 작물 생산량과의 정량적 연계 검증이 부족하다. 결론적으로, KBSC는 저해상도 다중 스펙트럼 이미지에서 혼합 픽셀 문제와 공간 변동성을 동시에 해결함으로써 분류 정확도를 크게 향상시킬 수 있음을 입증하였다. 향후 연구에서는 변이도 모델 자동 선택, 다중 클래스 확장, 실시간 작물 생산량 모니터링과의 연계 등을 통해 실용성을 확대할 필요가 있다.