Advanced
Automatic Extraction of Initial Training Data Using National Land Cover Map and Unsupervised Classification and Updating Land Cover Map
Automatic Extraction of Initial Training Data Using National Land Cover Map and Unsupervised Classification and Updating Land Cover Map
Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography. 2015. Aug, 33(4): 267-275
Copyright © 2015, Korean Society of Surveying, Geodesy, Photogrammetry and Cartography
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
  • Received : June 06, 2015
  • Accepted : August 08, 2015
  • Published : August 31, 2015
Download
PDF
e-PUB
PubReader
PPT
Export by style
Share
Article
Author
Metrics
Cited by
TagCloud
About the Authors
승기 이
Member, Department of Civil Engineering, Chungbuk University(E-mail:iruril@cbnu.ac.kr)
석근 최
Corresponding Author, Member, Department of Civil Engineering, Chungbuk University(E-mail:skchoi@cbnu.ac.kr)
신택 노
Member, Department of Civil Engineering, Chungbuk University(E-mail:sintaek2809@cbnu.ac.kr)
노열 임
Department of Civil Engineering, Chungbuk University(E-mail:nylim019@hanmail.net)
주원 최
Department of Civil Engineering, Chungbuk University(E-mail:cjw507@korea.kr)
Abstract
토지피복지도는 환경, 군사, 의사결정 등 다양한 분야에서 널리 사용되고 있다. 본 연구에서는 단일 위성영상과 환경부에서 제공하는 국가토지피복도를 이용하여 훈련자료를 자동으로 추출하고, 이를 활용하여 피복을 분류하는 방법을 제안하였다. 이를 위하여 초기 훈련자료는 무감독분류인 ISODATA와 기존 토지피복도를 이용하였으며, 무감독 분류 사용시 각 클래스별 분류 선정과 클래스 명명, 감독분류에서 훈련자료 선정 등의 문제점을 해결하기 위하여 기존 토지피복도의 클래스 정보를 활용하여 자동으로 클래스를 분류하고 명명하였다. 추출된 초기 훈련자료는 대상 위성영상의 토지피복분류를 위하여 MLC의 훈련자료를 활용하였고, 피복분류의 정확도 향상을 위하여 반복방법을 적용하여 훈련자료를 갱신하였으며 최종적으로 토지피복지도를 추출하였다. 또한, 화소분류방법에서 발생하는 salt and pepper를 감소시키기 위하여 각 반복단계별 MRF를 적용하여 분류정확도를 향상시켰다. 본 연구에서 제안된 방법을 대상지역에 적용한 결과 효과적으로 토지피복지도를 생성할 수 있음을 정량적, 시각적으로 확인하였다.
Keywords
1. 서 론
위성영상은 소규모 지역에서부터 범지구적인 범위까지 지표면의 상태를 파악하는데 이용되고 있으나, 기존의 제공되는 데이터가 실제 지표면과 차이가 많이 발생하며, 도시계획과 같이 지역적인 범위의 데이터가 필요한 경우 충분한 데이터를 제공하지 못하는 것으로 나타났다( Hansen and Reed, 2000 ; Kaptué Tchuenté ., 2011 ).
따라서, 이와 같은 문제점을 해결하고자 중해상도 영상과 고해상도 영상을 이용한 토지피복분류를 시도하고 있으나, 훈련자료 생성에 많은 인력과 시간이 드는 단점이 나타났다( Chen ., 2012 ). 선행연구에서는 무감독분류를 수행하거나( Lu ., 2004 ), 보조자료를 이용하여 훈련자료를 추출하였고( Kim ., 2010 ; Chen .,2012 ), 특히, Chen .(2012) 의 연구에서는 두 개의 다른 시기의 Landsat 영상과 기존의 토지피복지도를 이용하여 초기 훈련자료를 추출한 후 변화지역을 추출하였다.
국내에서는 Kim .(2010) 는 고해상도 위성인 SPOT-5와 QuickBird 위성영상과 Landsat 영상을 활용하여 접근이 불가능한 지역의 훈련자료를 자동 생성하였으며, Choi .(2014a) 는 단일 Landsat영상과 기존토지피복도를 이용하여 훈련자료를 생성하였다.
특히, 기존의 제작된 주제지도를 이용방법은 대상지역에 대한 2개 이상의 영상을 얻기 힘들거나, 대상지역의 사전 정보를 얻을 수 없는 경우, 또는 정확도 향상 등을 위하여 적용할 수 있으나( Jensen ., 2009 ; Chen ., 2012 ; Zhang ., 2014 ), 현재 제안된 방법들은 2개 이상의 영상이 필요한(고해상도 위성영상 포함)것이 대부분을 차지하고 있어 2개 이상의 영상취득이 어려운 경우 적용에 한계점을 나타내고 있다.
국내에서 제안된 방법은 고해상도 위성영상을 취득하기 어려운 경우 적용하기가 힘들며, 단일 위성영상을 이용한 방법 또한 화소기반으로 일부 지역에서 salt and pepper가 발생하는 것을 확인할 수가 있었다.
따라서, 본 연구에서는 기존의 토지피복도와 단일 위성영상만을 이용하여 무감독분류를 수행하고 클래스를 자동으로 인식하여 초기 훈련자료를 추출하였다. 추출된 훈련자료를 MLC의 초기 훈련자료로 적용하여 재분류하고 이전 훈련자료와 비교를 통하여 새로운 훈련자료를 생성하였다. 각 반복단계별 MRF를 적용하여 화소기반에서 발생할 수 있는 노이즈를 감소시키고, 정해진 임계치를 만족할 때 까지 반복과정을 수행하였다. 결과적으로, 자동으로 추출된 훈련자료를 활용하여 토지피복지도를 분류하고 반복과정을 거쳐 정확도를 향상시키고자 하였다.
2. 연구방법
본 연구는 위성영상의 대기보정을 위한 전처리 과정, 초기 훈련자료의 구축, 반복 분류를 통한 최종 훈련자료 추출 등으로 구분되며, 연구 흐름도는 Fig. 1 과 같다. 먼저, Landsat 자료와 토지피복도를 활용하여 자동으로 초기 훈련자료를 추출하였고, 이를 기반으로 피복분류를 반복적으로 적용하여 훈련자료를 재설정하고 토지피복지도를 갱신하였다.
PPT Slide
Lager Image
Workflow
- 2.1 전처리 과정
Landsat OLI 영상은 사용자들에게 DN(Digital Number) 값과 함께 각 화소의 상태를 QA밴드로 제공하고 있다. 본 연구에서는 QA밴드를 이용하여 구름 등과 같은 노이즈를 제거하고 ATCOR(ATmospheric CORrection) 모듈을 활용하여 대기보정을 수행하였다( Choi ., 2014b ; Richter and Schläfer, 2012).
- 2.2 초기 훈련자료 추출
ISODATA를 사용하여 무감독 분류를 실시할 때 생성된 클래스는 순수한 군집이 아닌 혼합된 군집에 대한 분광특성을 가지고 있어 각각의 적합한 정보 클래스로 명명하는 것이 곤란하다( Selim ., 1984 ; Jensen ., 2009 ). 본 연구에서는 기존의 토지피복지도를 이용하여 각각의 정보클래스를 분류하고 분류된 클래스에서 대표되는 클래스를 이용하여 훈련자료를 생성하는 방법을 사용하였다.
ISODATA는 최종 클래스의 숫자가 정해지지 않은 것이 특징이나, 본 연구에서와 같이 대분류 토지피복도를 이용하는 경우에는 클래스의 분류가 정해져 있어 연산시간을 줄이고자 클래스 분류를 설정하였고, 기존 토지피복도의 클래스를 모두 포함하기 위하여 14개의 클래스를 변수를 조정하였으나, 본 연구에서는 토지피복지도 내의 클래스의 최대 4배 이상의 클래스를 생성하였다( Choi ., 2014a ).
4배 이상의 클래스를 생성하기 위하여 최소 1개, 최대 26개의 클래스가 생성되도록 ISODATA의 변수를 조절하였다. 한편, 기존의 토지피복지도를 활용할 경우에는 토지피복지도와 위성영상 간의 생성 시기 내에 변화된 지역이 존재하여 훈련자료에 오차가 발생할 수 있다. 이를 해결하기 위하여, Fig. 2 와 같이 기존 토지피복도에서 정의된 6개의 클래스특성을 고려하여 2단계의 Decision tree를 생성하였다( Dickinson ., 1993 ; Friedl ., 1997 ; Pal ., 2003 ). 1단계는 NDVI 영상을 이용하여 식생의 유무로 분류하였고 2단계는 비식생지역을 도심지, 나지, 수계로 분류하였으며, 식생지역은 농업지역, 산림, 초지 등으로 구분하였다. 2단계의 분류에서는 각 클래스의 선험확률을 가중치로 두어 적용하였으며, 다수 클래스의 경우 보다 많은 화소수를 가지는 지역을 대표 클래스로 선정하였다.
PPT Slide
Lager Image
Hierarchical decision tree for the land cover classification
대표 클래스가 명명된 ISODATA 결과를 기존의 토지피복지도와 비교하여 동일한 클래스를 지니는 화소들만 초기 훈련자료로 할당하였다. 기존의 방법과 다르게 최대 26개의 클래스로 명명된 것 중 6개의 대표 클래스만 추출되기 때문에 훈련자료의 양이 줄어들어 데이터 처리속도가 증가하였다. 또한 각 클래스별 토지피복지도와 위성영상의 분광특성이 다른 지역 및 변화지역들은 훈련자료로 결정되지 않는다. Fig. 3 은 기존의 토지피복지도와 명명된 ISODATA를 이용하여 초기 훈련자료를 추출한 것으로, 각 클래스별로 대표되는 지역이 아래의 범례에 따라 도식화되었다. 그림을 살펴보면 수계의 경우 수계 중심지역이 추출된 것을 알 수 있으며, 산림지역의 경우도 산 중심부가 추출된 것을 확인할 수 있다.
PPT Slide
Lager Image
Training dataset corresponding to each class
- 2.3 salt and pepper 오류 제거
화소기반의 분류 방법에서는 salt and pepper라 불리우는 오류가 발생하게 된다( Lu and Weng, 2007 ). 이와 같은 오류를 해결하기 위하여 객체기반의 분류가 제안되었으나( Blaschke, 2010 ), 이러한 방법은 많은 변수들이 필요하기 때문에 본 연구에서는 이와같은 오류를 줄이는데 효과적인 MRF(Markov random fields)를 이용하여 오류를 줄이고자 하였다( Sui ., 2012 ; Szeliski ., 2008 ). MRF에서 화소( i , j )가 클래스 Ci 에 속할 확률은 Eqs.(1) and (2)와 같이 각 분광정보와 화소( i , j )의 주변 화소값에 의해 결정된다.
PPT Slide
Lager Image
여기에서 Z는 정규화상수, Ucon Uspec 은 context와 spectrum의 에너지, Uspec 은 각 클래스의 사전확률의 로그함수에 의하여 결정된다.
PPT Slide
Lager Image
본 연구에서 초기 사전확률은 기존의 토지피복도의 분포로 사용하였으며, 주변 화소는 2차 이웃 방법을 적용하였다( Fig. 4 ).
PPT Slide
Lager Image
Second-order neighborhood set used by the MRF model
Ucon 는 주변의 화소를 이용하여 아래와 같이 산정한다. β는 가중치 상수로 Bruzzone and Prieto(2000)의 연구를 토대로 Eqs.(3) and (4)를 사용하였다.
PPT Slide
Lager Image
PPT Slide
Lager Image
분류된 토지피복지도 Fig. 5(a) 에 MRF를 적용하면 Figs. 5(b) and 5(c) 같이 화소(i,j)가 클래스에 속할 확률이 도출되고, 1에 가까울수록 해당 화소가 특정 클래스에 속할 확률이 높으며, 반대의 경우 해당 클래스에 속할 확률이 줄어들게 된다. 각각의 클래스별 확률을 산정하고, 가장 높은 확률을 화소(i,j)에 분배한다면 Fig. 5(d) 와 같이 salt and pepper가 감소한 영상을 획득하게 된다.
PPT Slide
Lager Image
Result image used by the MRF model
- 2.4 훈련자료 반복 추출을 통한 토지피복도 갱신
본 연구에서는 환경부에서 제공하는 대분류 토지피복도를 이용하여 ISODATA의 클래스의 명명과 피복을 결정하고, 이를 활용하여 자동으로 토지피복도를 분류하는 방법을 제안하였다. 또한, 초기 훈련자료에서 제거되지 않은 훈련자료내의 혼합된 분광특성을 반복적인 피복분류를 통해 제거하여 정확한 토지피복지도를 갱신하고자 하였다.
반복적 피복분류는 총 2단계로 구성되며, 첫 번째 단계는 기존 토지피복도와 위성영상의 ISODATA를 이용 피복데이터를 추출하는 단계이다. 두 번째 단계는 갱신된 훈련자료를 이용하여 새로운 토지피복도를 생성하고, 새로운 토지피복도와 이전 단계의 토지피복도를 비교하고 수렴조건을 만족하지 못하는 경우 새로운 토지피복도를 이용하여 MRF의 선험확률과 갱신된 훈련자료를 추출하게 된다. 수렴조건은 기존의 토지피복도를 T 1 와 초기 훈련자료로 분류한 피복도를 T 2 로 정의하고, T 1 T 2 를 비교하였을 때 변화가 일정한(1%) 범위에 도달하는 경우이며, 각각의 피복도를 비교하여 변화가 일정 기준치이하로 수렴할때까지 반복적으로 분류를 수행한다.
  • 첫 번째 초기 훈련자료 추출
  • 1. 2010년 대분류 토지피복도를T1으로 정의하고T1의 각 클래스별 분포도와 30년간 전국 토지피복도 변화율을 이용하여 MRF와 ISODATA의 클래스 명명에 필요한 선험확률을 추출한다.
  • 2.T1을 2013년 Landsat 영상의 ISODATA의 클래스를 명명하고 각 대표클래스(6개)를C1이라 정의한다.
  • 3.C1을 훈련자료로 적용한 MLC분류를 통하여 새로운 토지피복도T2를 생성한다.
  • 4.T2에 MRF를 적용하여 salt and pepper제거한T2M을 생성한다.
  • 5.T1와T2M을 비교하여 변화가 기준치 이상일 경우C1과T2M을 비교하여 변하지 않은 지역을 새로운 훈련자료로 정의한다.
  • 두 번째 훈련자료 반복 추출 (이전 토지피복도를T1M라 정의)를 통한 토지피복도 갱신
  • 1.T1M을 이용하여 각 클래스별 분포를 추출하고 이를 선험확률로 정의한다.
  • 2. 새로 정의된 훈련자료C2를 적용한 MLC에 의하여 토지피복도T2를 생성한다.
  • 3.T2에 1번 단계에서 추출된 선험확률을 적용한 MRF를 이용하여 salt and pepper제거한T2M을 생성한다.
  • 4.T1M과T2M을 비교하여 변화가 기준치 이상일 경우C2와T2M을 비교하여 변하지 않은 지역을 새로운 훈련자료로 정의한다.
  • 5. 변화가 기준치 이하인 경우 분류된T2M을 최종 토지피복도로 결정한다.
3. 결과 및 분석
- 3.1 대상지역 및 사용데이터
본 연구에서는 NASA에서 발사한 Landsat OLI 센서를 통하여 취득한 위성영상을 활용하였다. Landsat OLI 위성센서는 panchromatic을 제외한 총 8개의 다중 분광 밴드를 제공한다. 공간해상도는 30m이며, 기존의 Landsat ETM+ 자료와 비교하여 coastal aerosol, cirrus 밴드가 추가된 특징을 지닌다. Landsat OLI 위성의 제원은 Table 1 과 같다.
Specifications of the Landsat OLI
PPT Slide
Lager Image
Specifications of the Landsat OLI
본 연구에서 제시한 영상분류기법을 적용하기 위하여 2013년 6월 5일에 촬영된 경상북도 상주지역의 영상(1500×1500 pixels)과 동일지역의 2010년 환경부 대분류 토지피복지도를 사용하였다( Fig. 6 ). 일반적인 대분류 토지피복지도의 경우, 도심지, 농지, 산지, 초지, 습지, 나지, 수역 등의 총 7개 클래스로 구성되어 있으나, 대상지역의 경우 습지에 해당하는 지역이 유의미한 화소수를 가지고 있지 않아 본 연구에서는 습지를 제외한 총 6개의 지역을 대상으로 토지피복지도를 생성하였다.
PPT Slide
Lager Image
Study area
- 3.2 정성적, 정량적 평가
본 연구에서 생성된 토지피복지도의 정확도 및 효율성을 평가하기 위하여 수동으로 취득한 영상 내의 참조자료를 50%는 분류하는데 이용하고, 50%는 평가하는데 활용하였다( Yu ., 2012 ). 사용자가 수동으로 취득한 훈련자료를 MLC에 적용하여 생성된 결과는 Fig. 7(a) 이고 제안된 방법을 적용하여 생성된 결과 Fig. 7(b) 이며, 기존방법과 본 연구에서 생성된 토지피복지도를 참조자료와 비교한 오차행렬은 각각 Tables 2 and 3 이다.
PPT Slide
Lager Image
Classification results: (a) traditional method (b) proposed method
Confusion matrix of supervised classification by traditional method
PPT Slide
Lager Image
Confusion matrix of supervised classification by traditional method
Confusion matrix of proposed method
PPT Slide
Lager Image
Confusion matrix of proposed method
기존방법에 의한 전체 정확도(overall accuracy)는 94%, 카파계수(Kappa coefficient)는 0.92로 나타났으며, 제안된 방법은 각각 96%, 0.95의 전체 정확도와 카파 계수 값을 나타냈다. 카파계수 0.4-0.8에서 참조자료와 보통의 일치도를 나타낸다고 볼 수 있으며, 제안방법이 기존방법보다 높은 일치도를 보였다. 이를 통해, 본 연구에서 제안한 기법은 토지피복지도를 사용하여 효과적으로 훈련자료를 자동 추출할 수 있음을 확인하였다. 클래스에 대한 사용자 정확도와 생산자 정확도를 비교하여 보면 나지, 수계지역의 경우에는 유사한 정확도를 나타내었다.( Tables 2 and 3 ).
그러나, 제안기법은 기존방법과 비교하여, 도심지역의 생산자 정확도가 89%로 낮게 나타났는데, 이는 도심지의 혼합분광이 나지와 농지에 비슷한 분광특성을 가지고 있기 때문에 오분류 된 것으로 추정되었다. 기존방법은 초지가 과다하게 분류된 것을 볼 수가 있으며, 제안기법은 초지가 산림으로 오분류되어 초지가 상대적으로 과소하게 분류된 것을 알 수가 있다. 이러한 특성은 대상영상의 취득시기에 따른 영향으로 훈련자료의 자동화과정에서 발생하는 오차와 수동으로 취득된 참조데이터의 특성을 반영한 것으로 판단된다.
끝으로, Fig. 8 에서 보는 것과 같이 MRF를 적용하지 않은 영상과 적용한 영상을 비교한 결과 적용한 영상에서 각 클래스별 군집화가 잘되어 있었으며, salt and pepper가 효과적으로 감소한 것을 알 수가 있다.
PPT Slide
Lager Image
Land cover map with MRF model (a) and without MRF model (b)
또한 Fig. 9 을 이용하여 토지피복지도의 생성결과를 비교한 결과, 도심지의 경우 오차행렬에서와 같이 농지를 도심지로 분류하고 있어 기존의 방법이 제안방법에 비해 과다하게 분류된 것을 알 수가 있었다. 초지는 기존의 분류 방법이 과다하게 분류되었고, 제안방법은 산림으로 오분류하여 과소하게 분류된 것을 알 수가 있었으며, 이와 같이 농경지 주변지역은 도심지역으로 과대추정하고 있는 기존감독분류기법에 비하여 제안된 방법이 효과적 표현하고 있는 것도 시각적으로 확인할 수 있었다. 끝으로 나지도 제안방법이 기존방법에 비하여 수계지역에서 효과적으로 분류되어 나타나는 것을 알 수 있었다.
PPT Slide
Lager Image
Detailed images of classification results : (a) traditional method (b) proposed method
4. 결 론
본 연구에서는 기존의 토지피복지도를 가지고 생성된 훈련자료를 이용하여 Landsat OLI 영상의 분류를 수행하고자 하였으며, 제안방법과 기존의 방법을 비교하여 다음과 같은 결과를 얻을 수 있었다.
첫 번째, 단일 Landsat 영상과 환경부에서 제공하는 대분류 토지피복도를 이용하여 대표 분광 클래스를 선정하였고, 대분류 토지피복도와 매칭을 통하여 토지피복분류를 위한 초기 훈련자료를 추출하였다. 또한, 화소기반에서 발생하는 salt and pepper를 효과적으로 감소시킬 수 있었으며, 반복을 통하여 훈련자료를 갱신하고 최종적인 토지피복지도를 분류할 수 있었다.
두 번째, 기존의 방법을 통하여 분류된 피복 지도는 전체정확도(94%) 및 카파계수(0.92)와 비교하여 높은 전체정확도(96%)와 카파계수(0.95)를 나타냈으며, 시각적 분석을 통해서도 기존의 방법과 유사한 토지피복지도를 생성할 수 있었다.
세 번째, 토지피복도 생성결과 농경지를 도심지로 오분류하는 기존기법의 문제점을 해결 할 수 있었으나, 제안된 방법이 초지를 산림으로 오분류하는 것도 확인할 수 있었다.
위의 결과를 통하여 제안 방법이 기존의 토지피복지도를 활용하여 훈련자료를 자동으로 생성하고, 생성된 훈련자료를 감독분류에 적용하여 활용할 수 있음을 알 수 있었으나, 제안된 기법은 초지를 산림으로 오분류하였기 때문에 개선해야할 것으로 판단되었다.
Acknowledgements
이 논문은 2013학년도 충북대학교 학술연구지원사업에 의하여 연구되었음.
References
Blaschke T. 2010 Object based image analysis for remote sensing ISPRS Journal of Photogrammetry and Remote Sensing 65 (1) 2 - 16
Bruzzone L. , Prieto D. F. 2000 Automatic analysis of the difference image for unsupervised change detection IEEE Transactions on Geoscience and Remote Sensing 38 (3) 1171 - 1182
Chen X. , Chen J. , Shi Y. , Yamaguchi Y. 2012 An automated approach for updating land cover maps based on integrated change detection and classification methods ISPRS Journal of Photogrammetry and Remote Sensing 71 86 - 95
Chen X. , Chen J. , Shi Y. , Yamaguchi Y. 2014 Unsupervised classification of Landsat-8 OLI satellite imagery based on iterative spectral mixture model Journal of the Korean Society for Geospatial Information System (in Korean with English abstract) 22 (4) 53 - 61
Choi S. K. , Lee S. K. , Wang B. 2014 Analysis of vegetation cover fraction on Landsat OLI using NDVI Journal of the Korean Society of Surveying Geodesy Photogrammetry and Cartography (in Korean with English abstract) 32 (1) 9 - 17
Dickinson R. E. , Kennedy P. J. , Henderson-Sellers A. 1993 Biosphere-atmosphere transfer scheme (BATS) version 1e as coupled to the NCAR community climate model National Center for Atmospheric Research 1-59
Franklin S. E. , Wulder M. A. 2002 Remote sensing methods in medium spatial resolution satellite data land cover classification of large areas Progress in Physical Geography 26 (2) 173 - 205
Friedl M. A. , Brodley C. E. 1997 Decision tree classification of land cover from remotely sensed data Remote Sensing of Environment 61 (3) 399 - 409
Friedl M. A. , McIver D. K. , Hodges J. C. , Zhang X. Y. , Muchoney D. , Strahler A. H. , Woodcock C. E. , Gopal S. , Schneider A. , Cooper A. , Baccini a. , Gao F. , Schaaf C. 2002 Global land cover mapping from MODIS: algorithms and early results Remote Sensing of Environment 83 (1) 287 - 302
Hansen M. C. , DeFries R. S. , Townshend J. R. , Sohlberg R. 2000 Global land cover classification at 1 km spatial resolution using a classification tree approach International Journal of Remote Sensing 21 (6-7) 1331 - 1364
Hansen M. C. , Reed B. 2000 A comparison of the IGBP DISCover and University of Maryland 1 km global land cover products International Journal of Remote Sensing 21 (6-7) 1365 - 1373
Jia K. , Wei X. , Gu X. , Yao Y. , Xie X. , Li B. 2014 Land cover classification using Landsat 8 operational land imager data in Beijing, China Geocarto International 29 (8) 941 - 951
Jiang D. , Huang Y. , Zhuang D. , Zhu Y , Xu X. , Ren H. 2012 A simple semi-automatic approach for land cover classification from multispectral remote sensing imagery PLoS ONE 7 (9) 1 - 10
Jensen J. R. 2009 Remote Sensing of the Environment: An Earth Resource Perspective (2nd Edition) Prentice Hall Inc.
KaptuéTchuenté A. T. , Roujean J. L. , Bégué A. , Los S. O. , Boone A. A. , Mahfouf J. F. , Carrer D. , Daouda B. 2011 A new characterization of the land surface heterogeneity over Africa for use in land surface models Journal of Hydrometeorology 12 (6) 1321 - 1336
Kim Y. M. , Kim Y. I. , Park W. Y. , Eo Y. D. 2010 Automated training from Landsat image for classification of SPOT-5 and Quickbird images Korean Journal of Remote Sensing 26 (3) 317 - 324
Loveland T. R. , Reed B. C. , Brown J. F. , Ohlen D. O. , Zhu Z. , Yang L. W. M. J. , Merchant J. W. 2000 Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data International Journal of Remote Sensing 21 (6-7) 1303 - 1330
Lu D. , Mausel P. , Brondizio E. , Moran E. 2004 Change detection techniques International Journal of Remote Sensing 25 (12) 2365 - 2401
Lu D. , Weng Q. 2007 A survey of image classification methods and techniques for improving classification performance International Journal of Remote Sensing 28 (5) 823 - 870
Pal M. , Mather P. M. 2003 An assessment of the effectiveness of decision tree methods for land cover classification Remote Sensing of Environment 86 (4) 554 - 565
Richter R. , Schläpfer D. 2005 Atmospheric/Topographic Correction for Satellite Imagery, DLR report DLR-IB 565 - 01
Schläpfer D. , Richter R. , Kellenberger T. W. 2012 Aspects of atmospheric and topographic correction of high spatial resolution imagery IGARSS 4291 - 4294
Selim S. Z. , Ismail M. A. 1984 K-means-type algorithms: a generalized convergence theorem and characterization of local optimality IEEE Transactions on Pattern Analysis and Machine Intelligence 1 81 - 87
Sui H. , Peng F. , Xu C. , Sun K. , Gong J. 2012 GPU-accelerated MRF segmentation algorithm for SAR images Computers and Geosciences 43 159 - 166
Szeliski R. , Zabih R. , Scharstein D. , Veksler O. , Kolmogorov V. , Agarwala A. , Tappen M. , Rother C. 2008 A comparative study of energy minimization methods for markov random fields with smoothness-based priors IEEE Transactions on Pattern Analysis and Machine Intelligence 30 (6) 1068 - 1080
Yu L. , Porwal A. , Holden E. J. , Dentith M. C. 2012 Towards automatic lithological classification from remote sensing data using support vector machines Computers and Geosciences 45 229 - 239
Zhang Z. , Wang X. , Zhao X. , Liu B. , Yi L. , Zuo L. , Wen Q. , Liu F. , Xu J. , Hu S. 2014 A 2010 update of national land use/cover database of China at 1:100000 scale using medium spatial resolution satellite images Remote Sensing of Environment 149 142 - 154