Google Earth Engine의 기계학습을 통한 KOMPSAT-3/5 위성영상의 고해상도 토지피복 분류 및 SHAP 기반 결과 분석

Abstract

최근 Google Earth Engine (GEE) 플랫폼에서 제공하는 기계학습 알고리즘을 활용한 연구가 점점 활발히 이루어지고 있다. 본 연구에서는 GEE에서 애플리케이션 프로그래밍 인터페이스(application programming interface, API)를 통해 제공하는 중ㆍ저해상도의 위성 데이터와 GEE에서 직접 제공하지 않는 고해상도 위성 데이터를 직접 올려 융합하여 사용하였다. 색상정보를 제공하는 광학영상인 Sentinel2, KOMPSAT-3A, Landsat8와 구름이나 대기 조건에 영향을 받지 않는 레이더 SAR영상인 Sentinel1, KOMPSAT-5 데이터를 이용하였다. 또한 Sentinel2 데이터와 Landsat8 데이터를 이용해 계산한 정규 식생 지수(Normalized Difference Vegetation Index, NDVI)자료를 추가해 Random Forest 알고리즘으로 연구 지역에 대한 토지피복(LULC) 분류에 사용하였다. 토지피복 분류 결과에 대하여 Accuracy와 Kappa 계수를 비교 분석하였으며 분류 성능 지표로 F-1 Score를 이용하였다. SHAP 기법은 다수의 입력 변수와 다중 대상 객체를 포함하는 복합적인 기계학습 모델을 해석하는데 적합하며, 단일 객체 추출 중심의 딥러닝 모델보다 다양한 지표 정보를 다루는 기계학습 기반 분석에 더욱 효과적으로 활용될 수 있다. 토지피복 분류 결과를 바탕으로 SHAP 분석을 진행하였으며, 각 피복 유형에 가장 영향을 미치는 특성을 식별하는데 유용한 정보를 제공함을 확인하였다. 이 연구는 설명 가능한 기계학습 기법이 다중 센서 고해상도 위성영상을 이용한 지표 환경의 이해 및 모니터링에 효과적인 도구로 활용 될 수 있음을 시사한다. 【주요어】KOMPSAT-3A, KOMPSAT-5, Google Earth Engine, SHAP, Image classification, Random Forest|Recently, research utilizing machine learning algorithms provided within the Google Earth Engine(GEE) platform has increased substantially. In this study, low to medium satellite resolution satellite data provided by GEE through the application programming interface (API) and high-resolution satellite data not directly provided by GEE. Sentinel-2, KOMPSAT-3A, and Landsat 8, which are optical images that provide spectral information, and Sentinel-1 and KOMPSAT-5 data, which are radar-based SAR images that are not affected by clouds or atmospheric conditions, were used together. In addition, NDVI (Normalized Difference Vegetation Index) calculated using surface reflectance data Sentinel-2 and Landsat-8 was added, and land use/land cover (LULC) classification was performed using the Random Forest algorithm. The resulting LULC classification was evaluated by comparing the overall accuracy and Kappa coefficient, while the F1-Score was employed as a complementary performance metric. The SHAP method was then applied to interpret the classification model. As an explainable machine learning technique, SHAP is particularly suitable for analyzing complex models that incorporate numerous input variables and multiple target classes, and it can be more effective than deep learning approaches that primarily focus on single-object extraction. Based on the classification outcomes, SHAP analysis was conducted to identify the most influential features for each land-cover type, demonstrating its usefulness in understanding the contribution of multi-sensor inputs. This study highlights that explainable machine learning techniques, such as SHAP, can serve as powerful tools for interpreting and monitoring surface environmental conditions, particularly when working with multi-sensor high-resolution satellite imagery. 【Key words】 KOMPSAT-3A, KOMPSAT-5, Google Earth Engine, SHAP, Image classification, Random Forest