감독분류 (Supervised Classification)
쉽게 풀면
이미 정답을 아는 몇몇 지역을 컴퓨터에 학습시킨 뒤 나머지 지역을 자동으로 분류하게 하는 방법이다. 예를 들어 논, 밭, 도시로 이미 확인된 몇몇 표본지역을 컴퓨터에 학습시킨 뒤, 나머지 영상 전체를 같은 기준으로 자동 분류하는 것이 감독분류이다. 선생님이 몇 가지 예시 답을 미리 알려주고 나머지 문제를 풀게 하는 학습 방식과 비슷하다.
왜 중요한가
토지피복도 제작이나 작물 분류 등 특정 범주를 사전에 정의하고 정밀하게 분류해야 하는 실무에서 널리 활용되며, 훈련지역의 품질이 전체 분류 정확도를 좌우하는 핵심 요소로 다뤄집니다.
논문에서는 이렇게 쓰입니다
감독분류는 훈련자료의 대표성과 품질이 분류정확도를 좌우하는 핵심 요소이다.
감독분류의 정확도는 훈련지역 표본의 대표성과 품질에 크게 좌우되므로 다양한 지역과 유형을 고르게 포함하는 것이 중요하다.
조금 더 깊게 보면
감독분류는 분석자가 사전에 알고 있는 지역만을 훈련자료로 쓰므로, 훈련지역이 연구지역 전체의 다양성을 충분히 대표하지 못하면 훈련지역 밖의 특이한 지표물질은 잘못 분류될 위험이 있습니다. 대표적 분류 알고리즘으로는 훈련자료의 평균과 분산으로 확률을 계산하는 최대우도법, 단순히 분광공간에서의 거리로 판정하는 최소거리법, 최근에는 랜덤포레스트나 서포트벡터머신 같은 기계학습 기법이 널리 쓰인다. 훈련지역은 각 범주별로 충분한 수의 화소를 포함하고, 서로 겹치지 않는 순수한 지역에서 추출해야 분류 품질이 높아진다. 훈련자료 수집에는 현장 답사, 고해상도 항공사진 판독, 기존 지도 자료 활용 등 여러 방법이 병행된다. 일부 화소는 훈련이나 검증에 쓰지 않고 남겨두어, 분류 후 독립적인 정확도 평가에 사용하는 것이 방법론적으로 바람직하다. 일부 화소는 어느 범주에도 뚜렷이 속하지 않는 혼합화소로 남아 미분류로 처리되기도 한다.
주의할 점
훈련지역 선정이 편중되거나 부족하면 특정 지표유형에 대한 분류정확도가 크게 떨어질 수 있다.
훈련지역을 고를 때 분석자의 사전 지식이 편향되어 있으면, 그 편향이 그대로 분류 결과에 반영될 위험이 있다. 훈련자료 규모가 작으면 과적합으로 새로운 지역에 대한 일반화 성능이 떨어질 수 있다.