[학위논문]무인항공기(UAV)와 Python언어를 활용한 산림구조 자동탐색 프로그램 개발 Development of Semi-automatic Search Program for Forest Structure characterization using UAV data and Python in stands level원문보기
본 연구는 무인항공기(UAV ; Unmanned Aerial Vehicle)영상과 Python 프로그래밍 언어를 이용하여 산림구조 탐색 프로그램을 개발하였으며, 이를 기반으로 산림구조 특성의 주요한 인자인 갭(GAP), 수관모양 및 크기, 개체목 위치, 수고 정보에 대한 자동 추출 가능성을 검토하였다. UAV를 활용하여 수종별(잣나무림, 낙엽송림)...
본 연구는 무인항공기(UAV ; Unmanned Aerial Vehicle)영상과 Python 프로그래밍 언어를 이용하여 산림구조 탐색 프로그램을 개발하였으며, 이를 기반으로 산림구조 특성의 주요한 인자인 갭(GAP), 수관모양 및 크기, 개체목 위치, 수고 정보에 대한 자동 추출 가능성을 검토하였다. UAV를 활용하여 수종별(잣나무림, 낙엽송림)정사영상 및 DSM(Digital Surface Model)을 구축하였으며, Otsu’s와 Entropy 방법을 이용한 산림Gap구분도를 구축한 후, Watershed(WS)와 Valley Following(VF) 알고리즘 적용하여 4종류의 수관추출도를 구축하였다. WS 알고리즘은 Gradient Image를 기반으로 분류중심점 및 지역분기점을 이용하여 수관을 추출하였으며, VF 알고리즘은 스케일의 변화에 따른 수관추출의 정확도를 비교·분석하였다. 또한, 개체목의 위치는 Local Maxima Filter를 이용하였으며, 수고는 추출된 개체목 위치와 DSM 및 DEM(Digital Elevation Model) 정보를 이용하여 산출하였다. 현장조사정보와 UAV영상에 의하여 추출된 산림인자 비교결과, 잣나무림의 경우, UAV영상의 Otsu’s_WS 알고리즘과 Entropy_WS 알고리즘 기반의 평균 수관크기는 각각 약 13.03㎡과 13.07㎡로, 이는 현장조사에 의한 평균수관크기 약 22.30㎡ 보다 과소추정되었다. 또한, Otsu’s_WS 알고리즘 기반의 수관중첩률의 전체정확도와 Khat는 각각 0.79와 0.55였으며, Entropy_WS 알고리즘은 각각 0.80와 0.59로 정확도는 유사하였다. Otsu’s_VF 알고리즘에 의한 수관추출의 정확도는 공간스케일이 증가할수록 전체정확도와 Khat가 증가하였으며, 특히 커널사이즈 201×201(약4m)의 공간스케일에서 수관중첩률의 전체정확도와 Khat가 각각 0.78, 0.50으로 가장 높았으며 현장조사의 개체목 수와 일치하였다. 또한, Entropy_VF 알고리즘에 의한 수관추출의 정확도는 Otsu’s_VF 알고리즘과 유사하게 커널사이즈 201×201(약4m)의 공간스케일에서 정확도가 가장 높고 개체목수가 일치하였으며, 전체정확도와 Khat는 각각 0.80, 0.53으로 Otsu’s_VF 알고리즘보다 우수하였다. 한편, Otsu’s_VF와 Entropy_VF 알고리즘 모두 공간스케일이 증가할수록 개체목의 수가 감소하고 수관면적은 증가하였다. Entropy_WS 알고리즘 기반의 평균 수고는 약 12.9m로 현장조사에 의한 평균수고 약 12.6m와 유사하였으며, RMSE는 약1.3m로 개체목 20개중 12개는 과대추정되었다. 한편, Entropy_VF 알고리즘 기반의 평균 수고는 약 12.8m, RMSE는 약1.1m로 Entropy_WS 보다 우수하였다. 낙엽송림의 경우, UAV영상의 Otsu’s_WS 알고리즘과 Entropy_WS 알고리즘 기반의 평균 수관크기는 각각 약 12.43㎡과 9.42㎡로, Otsu’s_WS는 현장조사에 의한 평균수관크기 약 9.61㎡ 보다 과대추정되었으며, Entropy_WS는 과소추정되었다. 또한, Otsu’s_WS 알고리즘 기반의 수관중첩률의 전체정확도와 Khat는 각각 0.76와 0.55였으며, Entropy_WS 알고리즘은 각각 0.73와 0.55로 정확도는 유사하였다. Otsu’s_VF 알고리즘에 의한 수관추출의 정확도는 낙엽송림의 경우와 유사하게 공간스케일이 증가할수록 전체정확도와 Khat가 증가하였으며, 특히 커널사이즈 201×201(약4m)의 공간스케일에서 현장조사의 개체목 수와 일치하였으며, 수관중첩률의 전체정확도와 Khat가 각각 0.73, 0.45였다. 또한, Entropy_VF 알고리즘에 의한 수관추출의 정확도는 Otsu’s_VF 알고리즘과 동일하게 커널사이즈 201×201(약4m)의 공간스케일에서 정확도가 가장 높고 개체목수가 일치하였으며, 전체정확도와 Khat는 각각 0.78, 0.51으로 Otsu’s_VF 알고리즘보다 우수하였다. Otsu’s_WS 알고리즘 기반의 평균 수고는 약 17.7m로 현장조사에 의한 평균수고 약 16.5m보다 과대추정되었으며, RMSE는 약1.6m로 개체목 7개중 6개가 과대추정되었다. 한편, Entropy_VF 알고리즘 기반의 평균 수고는 약 17.6m, RMSE는 약1.4m로 Otsu’s_WS 보다 우수하였다. 수관추출 정확도의 경우, 잣나무림과 낙엽송림 모두 Entropy_VF의 방법이 우수하였다. 수관형태를 보면, VF의 방법의 경우는 수종에 관계없이 수관의 형태가 정확히 추출되는 반면, WS 알고리즘의 경우, 잣나무림은 수관의 형태가 정확히 추출되었으나, 낙엽송림의 수관추출의 정확도가 낮았다. UAV를 활용한 수관, 개체목 위치, 수고정보 등 산림구조 특성의 주요 인자 추출은 높은 정확도를 보였으며, 자동화 기법을 이용한 탐색알고리즘은 산림분야에서 유용하게 사용될 것으로 사료된다.
본 연구는 무인항공기(UAV ; Unmanned Aerial Vehicle)영상과 Python 프로그래밍 언어를 이용하여 산림구조 탐색 프로그램을 개발하였으며, 이를 기반으로 산림구조 특성의 주요한 인자인 갭(GAP), 수관모양 및 크기, 개체목 위치, 수고 정보에 대한 자동 추출 가능성을 검토하였다. UAV를 활용하여 수종별(잣나무림, 낙엽송림)정사영상 및 DSM(Digital Surface Model)을 구축하였으며, Otsu’s와 Entropy 방법을 이용한 산림Gap구분도를 구축한 후, Watershed(WS)와 Valley Following(VF) 알고리즘 적용하여 4종류의 수관추출도를 구축하였다. WS 알고리즘은 Gradient Image를 기반으로 분류중심점 및 지역분기점을 이용하여 수관을 추출하였으며, VF 알고리즘은 스케일의 변화에 따른 수관추출의 정확도를 비교·분석하였다. 또한, 개체목의 위치는 Local Maxima Filter를 이용하였으며, 수고는 추출된 개체목 위치와 DSM 및 DEM(Digital Elevation Model) 정보를 이용하여 산출하였다. 현장조사정보와 UAV영상에 의하여 추출된 산림인자 비교결과, 잣나무림의 경우, UAV영상의 Otsu’s_WS 알고리즘과 Entropy_WS 알고리즘 기반의 평균 수관크기는 각각 약 13.03㎡과 13.07㎡로, 이는 현장조사에 의한 평균수관크기 약 22.30㎡ 보다 과소추정되었다. 또한, Otsu’s_WS 알고리즘 기반의 수관중첩률의 전체정확도와 Khat는 각각 0.79와 0.55였으며, Entropy_WS 알고리즘은 각각 0.80와 0.59로 정확도는 유사하였다. Otsu’s_VF 알고리즘에 의한 수관추출의 정확도는 공간스케일이 증가할수록 전체정확도와 Khat가 증가하였으며, 특히 커널사이즈 201×201(약4m)의 공간스케일에서 수관중첩률의 전체정확도와 Khat가 각각 0.78, 0.50으로 가장 높았으며 현장조사의 개체목 수와 일치하였다. 또한, Entropy_VF 알고리즘에 의한 수관추출의 정확도는 Otsu’s_VF 알고리즘과 유사하게 커널사이즈 201×201(약4m)의 공간스케일에서 정확도가 가장 높고 개체목수가 일치하였으며, 전체정확도와 Khat는 각각 0.80, 0.53으로 Otsu’s_VF 알고리즘보다 우수하였다. 한편, Otsu’s_VF와 Entropy_VF 알고리즘 모두 공간스케일이 증가할수록 개체목의 수가 감소하고 수관면적은 증가하였다. Entropy_WS 알고리즘 기반의 평균 수고는 약 12.9m로 현장조사에 의한 평균수고 약 12.6m와 유사하였으며, RMSE는 약1.3m로 개체목 20개중 12개는 과대추정되었다. 한편, Entropy_VF 알고리즘 기반의 평균 수고는 약 12.8m, RMSE는 약1.1m로 Entropy_WS 보다 우수하였다. 낙엽송림의 경우, UAV영상의 Otsu’s_WS 알고리즘과 Entropy_WS 알고리즘 기반의 평균 수관크기는 각각 약 12.43㎡과 9.42㎡로, Otsu’s_WS는 현장조사에 의한 평균수관크기 약 9.61㎡ 보다 과대추정되었으며, Entropy_WS는 과소추정되었다. 또한, Otsu’s_WS 알고리즘 기반의 수관중첩률의 전체정확도와 Khat는 각각 0.76와 0.55였으며, Entropy_WS 알고리즘은 각각 0.73와 0.55로 정확도는 유사하였다. Otsu’s_VF 알고리즘에 의한 수관추출의 정확도는 낙엽송림의 경우와 유사하게 공간스케일이 증가할수록 전체정확도와 Khat가 증가하였으며, 특히 커널사이즈 201×201(약4m)의 공간스케일에서 현장조사의 개체목 수와 일치하였으며, 수관중첩률의 전체정확도와 Khat가 각각 0.73, 0.45였다. 또한, Entropy_VF 알고리즘에 의한 수관추출의 정확도는 Otsu’s_VF 알고리즘과 동일하게 커널사이즈 201×201(약4m)의 공간스케일에서 정확도가 가장 높고 개체목수가 일치하였으며, 전체정확도와 Khat는 각각 0.78, 0.51으로 Otsu’s_VF 알고리즘보다 우수하였다. Otsu’s_WS 알고리즘 기반의 평균 수고는 약 17.7m로 현장조사에 의한 평균수고 약 16.5m보다 과대추정되었으며, RMSE는 약1.6m로 개체목 7개중 6개가 과대추정되었다. 한편, Entropy_VF 알고리즘 기반의 평균 수고는 약 17.6m, RMSE는 약1.4m로 Otsu’s_WS 보다 우수하였다. 수관추출 정확도의 경우, 잣나무림과 낙엽송림 모두 Entropy_VF의 방법이 우수하였다. 수관형태를 보면, VF의 방법의 경우는 수종에 관계없이 수관의 형태가 정확히 추출되는 반면, WS 알고리즘의 경우, 잣나무림은 수관의 형태가 정확히 추출되었으나, 낙엽송림의 수관추출의 정확도가 낮았다. UAV를 활용한 수관, 개체목 위치, 수고정보 등 산림구조 특성의 주요 인자 추출은 높은 정확도를 보였으며, 자동화 기법을 이용한 탐색알고리즘은 산림분야에서 유용하게 사용될 것으로 사료된다.
The present study developed a forest structure automated-detection program by using UAV(Unmanned Aerial Vehicle) image and python programming language and examined the automated-detection possibilities for the important factors of forest structure characteristics including gap, crown shape and size,...
The present study developed a forest structure automated-detection program by using UAV(Unmanned Aerial Vehicle) image and python programming language and examined the automated-detection possibilities for the important factors of forest structure characteristics including gap, crown shape and size, individual tree location, and tree height. The study built ortho-images and DSM(Digital Surface Model) by tree type(Pinus koraiensis, Larix leptolepis) using UAV, and after building a forest gap classification map using Otsu’s and entropy method, built 4 types of crown extraction maps by applying watershed(WS) and valley-following(VF) algorithms. The WS algorithm extracted crown by using classification center points and local points based on gradient images, while the VF algorithm compared and analyzed the accuracy of crown extraction depending on scale changes. Also, local maxima filtering was used to locate individual trees, whereas the extracted individual tree locations and DSM and DEM information were used to calculate tree heights. Comparisons of extracted forest factors through Field survey information and UAV video show that the average crown sizes of the Pinus koraiensis, based on Otsu’s_WS algorithm and the Entropy_WS algorithm of UAV image, to be 13.03㎡ and 13.07㎡ respectively, which were underestimations compared to the average crown size of 22.30㎡ in the Field survey. Also, overall accuracy and Khat of crown overlap rates based on Otsu’s_WS algorithm were 0.79 and 0.55 respectively, while the Entropy_WS algorithm scored a similar accuracy of 0.80 and 0.59 respectively. The accuracy and Khat of crown extraction by Otsu’s_VF algorithm increased in overall accuracy simultaneous to an increase in spatial scale, while the overall accuracy and Khat of crown overlap rates in a spatial scale of kernel size 201×201(approximately 4m) scored the highest at 0.78 and 0.50 respectively, matching the individual tree numbers of the Field survey. Similar to Otsu’s_VF algorithm, the accuracy of crown extraction by the Entropy_VF algorithm was the highest in a spatial scale of kernel size 201×201(approximately 4m), matching the number of individual trees, with overall accuracy and Khat scoring 0.80 and 0.53 respectively, which were scores better than Otsu’s_VF algorithm. On the other hand, both Otsu’s_VF algorithm and the Entropy_VF algorithm decreased in the individual number of trees and increased in crown area when spatial scale increased. Average tree height based on the Entropy_WS algorithm was approximately 12.9m, which was similar to the figure of 12.6m obtained in the Field survey, while RMSE, being 1.3m, was overestimated in 12 out of 20 individual trees. On the other hand, the average tree heigh based on the Entropy_VF algorithm was approximately 12.8m, while RMSE, at 1.1m, was better than the Entropy_WS algorithm. The average crown sizes of Larix leptolepis based on Otsu’s_WS algorithm and the Entropy_WS algorithm of UAV video were 12.43㎡ and 9.42㎡ respectively, with Otsu’s_WS algorithm being an overestimation and the Entropy_WS algorithm being an underestimation compared to the average crown size of 9.61㎡ of the Field survey. Also, the overall accuracy and Khat of crown overlap rates based on Otsu’s_WS algorithm were 0.76 and 0.55 respectively, whereas the Entropy_WS algorithm scored a similar accuracy of 0.73 and 0.55 respectively. The accuracy of crown extraction by Otsu’s_VF algorithm increased in overall accuracy and Khat simultaneous to an increase in spatial scale, which was similar to the case of Larix leptolepis forests, matching the number of individual trees in the Field survey in a spatial scale of kernel size 201×201(approximately 4m), with the overall accuracy and Khat of crown overlap rates at 0.73 and 0.45 respectively. Also, the accuracy of crown extraction by the Entropy_VF algorithm scored the highest accuracy in a spatial scale of kernel size 201×201(approximately 4m), similar to the case of Otsu’s_VF algorithm, matching the number of individual trees, with overall accuracy and Khat, at 0.78 and 0.51 respectively, better than Otsu’s_VF algorithm. The average tree height based on Otsu’s_WS algorithm was 17.7m, a figure that is an overestimation to the 16.5m of the Field survey, while RMSE, at 1.6m, overestimated 6 out of 7 individual trees. On the other hand, average tree height based on the Entropy_VF algorithm was 17.6m, while RMSE, at 1.4m, was better than Otsu’s_WS algorithm. For Pinus koraiensis and Larix leptolepis, the Entropy_WS method scored better in crown extraction accuracy. For crown shape, the VF method accurately extracted crown shapes regardless of tree species, whereas the WS algorithm accurately extracted crown shapes for Pinus koraiensis but scored low accuracy for the crown extraction of Larix leptolepis. The important factor extraction of forest structure characteristics including crown, individual tree location, and height by using UAV displayed a high degree of accuracy, and detection algorithms using automated techniques are determined to be useful in the field of forestry.
The present study developed a forest structure automated-detection program by using UAV(Unmanned Aerial Vehicle) image and python programming language and examined the automated-detection possibilities for the important factors of forest structure characteristics including gap, crown shape and size, individual tree location, and tree height. The study built ortho-images and DSM(Digital Surface Model) by tree type(Pinus koraiensis, Larix leptolepis) using UAV, and after building a forest gap classification map using Otsu’s and entropy method, built 4 types of crown extraction maps by applying watershed(WS) and valley-following(VF) algorithms. The WS algorithm extracted crown by using classification center points and local points based on gradient images, while the VF algorithm compared and analyzed the accuracy of crown extraction depending on scale changes. Also, local maxima filtering was used to locate individual trees, whereas the extracted individual tree locations and DSM and DEM information were used to calculate tree heights. Comparisons of extracted forest factors through Field survey information and UAV video show that the average crown sizes of the Pinus koraiensis, based on Otsu’s_WS algorithm and the Entropy_WS algorithm of UAV image, to be 13.03㎡ and 13.07㎡ respectively, which were underestimations compared to the average crown size of 22.30㎡ in the Field survey. Also, overall accuracy and Khat of crown overlap rates based on Otsu’s_WS algorithm were 0.79 and 0.55 respectively, while the Entropy_WS algorithm scored a similar accuracy of 0.80 and 0.59 respectively. The accuracy and Khat of crown extraction by Otsu’s_VF algorithm increased in overall accuracy simultaneous to an increase in spatial scale, while the overall accuracy and Khat of crown overlap rates in a spatial scale of kernel size 201×201(approximately 4m) scored the highest at 0.78 and 0.50 respectively, matching the individual tree numbers of the Field survey. Similar to Otsu’s_VF algorithm, the accuracy of crown extraction by the Entropy_VF algorithm was the highest in a spatial scale of kernel size 201×201(approximately 4m), matching the number of individual trees, with overall accuracy and Khat scoring 0.80 and 0.53 respectively, which were scores better than Otsu’s_VF algorithm. On the other hand, both Otsu’s_VF algorithm and the Entropy_VF algorithm decreased in the individual number of trees and increased in crown area when spatial scale increased. Average tree height based on the Entropy_WS algorithm was approximately 12.9m, which was similar to the figure of 12.6m obtained in the Field survey, while RMSE, being 1.3m, was overestimated in 12 out of 20 individual trees. On the other hand, the average tree heigh based on the Entropy_VF algorithm was approximately 12.8m, while RMSE, at 1.1m, was better than the Entropy_WS algorithm. The average crown sizes of Larix leptolepis based on Otsu’s_WS algorithm and the Entropy_WS algorithm of UAV video were 12.43㎡ and 9.42㎡ respectively, with Otsu’s_WS algorithm being an overestimation and the Entropy_WS algorithm being an underestimation compared to the average crown size of 9.61㎡ of the Field survey. Also, the overall accuracy and Khat of crown overlap rates based on Otsu’s_WS algorithm were 0.76 and 0.55 respectively, whereas the Entropy_WS algorithm scored a similar accuracy of 0.73 and 0.55 respectively. The accuracy of crown extraction by Otsu’s_VF algorithm increased in overall accuracy and Khat simultaneous to an increase in spatial scale, which was similar to the case of Larix leptolepis forests, matching the number of individual trees in the Field survey in a spatial scale of kernel size 201×201(approximately 4m), with the overall accuracy and Khat of crown overlap rates at 0.73 and 0.45 respectively. Also, the accuracy of crown extraction by the Entropy_VF algorithm scored the highest accuracy in a spatial scale of kernel size 201×201(approximately 4m), similar to the case of Otsu’s_VF algorithm, matching the number of individual trees, with overall accuracy and Khat, at 0.78 and 0.51 respectively, better than Otsu’s_VF algorithm. The average tree height based on Otsu’s_WS algorithm was 17.7m, a figure that is an overestimation to the 16.5m of the Field survey, while RMSE, at 1.6m, overestimated 6 out of 7 individual trees. On the other hand, average tree height based on the Entropy_VF algorithm was 17.6m, while RMSE, at 1.4m, was better than Otsu’s_WS algorithm. For Pinus koraiensis and Larix leptolepis, the Entropy_WS method scored better in crown extraction accuracy. For crown shape, the VF method accurately extracted crown shapes regardless of tree species, whereas the WS algorithm accurately extracted crown shapes for Pinus koraiensis but scored low accuracy for the crown extraction of Larix leptolepis. The important factor extraction of forest structure characteristics including crown, individual tree location, and height by using UAV displayed a high degree of accuracy, and detection algorithms using automated techniques are determined to be useful in the field of forestry.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.