Earticle

초록

영어

Land cover maps are essential for environmental management and agricultural policy, but in Korea they are still produced mainly through manual interpretation, limiting update frequency and boundary precision. This study assesses the feasibility of automating detailed land cover classification and farmland boundary verification using high-resolution RGB orthophotos and a U-Net semantic segmentation model. The study area is Haepyeong-myeon, Gumi City, Gyeongsangbuk-do, a rural region dominated by agricultural fields with scattered artificial structures. Orthophotos at 25 cm resolution were tiled into 512 × 512 patches and manually labeled into 11 classes. In total, 1,172 tiles were used for training and 200 for validation. The trained U-Net achieved a Mean Intersection over Union(MIoU) of 0.3342 and an overall accuracy of 0.8157 on the validation set. While the mIoU is below typical benchmarks, the results remain meaningful given the limited dataset size and class imbalance. Comparisons with topographic, cadastral, and official land cover maps indicate that the proposed method delineates parcel-level farmland boundaries and solar facilities more realistically. Overall, the findings suggest that orthophoto-based deep learning can support automated land cover map updates and farmland boundary extraction in rural areas.

한국어

토지피복도는 환경 관리와 농업 정책 수립에 필수적인 공간정보이지만 국내에서는 여전히 수작업 판독에 의존하고 있어 갱신 주기가 길고 경계 정밀도가 제한적이다. 본 연구는 고해상도 RGB 정사영상과 U-Net 기반 의미 분할 모델을 활용하여 세부 토지피복 분류 및 농경지 경계 검증의 자동화 가능성을 평가하였다. 연구 대상지는 농경 지가 우세하고 인공 구조물이 산재한 경상북도 구미시 해평면이다. 공간해상도 25 cm 정사영상을 512×512 픽셀 단 위로 분할하고 11개 클래스로 수작업 라벨링하여, 총 1,172개 타일을 학습에, 200개를 검증에 사용하였다. 검증 결과, MIoU는 0.3342, 전체 정확도는 0.8157로 나타났다. MIoU 값은 대규모 딥러닝 연구의 일반적 기준보다 낮지만 제한 된 데이터 규모와 클래스 불균형을 고려할 때 의미 있는 결과로 판단된다. 수치지도, 지적도 및 공식 토지피복도와의 시각적 비교를 통해 본 연구의 방법이 필지 단위 농경지 경계와 태양광 시설을 보다 현실적으로 추출함을 확인하였 다. 이러한 결과는 정사영상 기반 딥러닝 기법이 농촌 지역에서 토지피복도 자동 갱신과 농경지 경계 추출에 효과적 으로 활용될 수 있음을 보여준다.

목차

요약
Abstract
Ⅰ. Introduction
Ⅱ. Study area and data
2.1 Study area
2.2 Data
Ⅲ. Methodology
3.1 Overall workflow
3.2 Orthophoto preprocessing and labeling
3.3 U-Net model training and evaluation
Ⅳ. Result
4.1 Training Results
4.2 Quantitative performance evaluation
4.3 Visual interpretation of results
Ⅴ. Conclusion
REFERENCES

저자

• Jung-Ho Kim [ 김중호 | General Manager, EoT Department of Research and Development ]
• Ki-Rim Lee [ 이기림 | Research Visiting Professor, Research Institute of Artificial Intelligent Diagnosis Technology for Multi-Scale Organic and Inorganic Structure, Kyungpook National University ] Corresponding Author

참고문헌