최근 연안에서 서식하는 식물과 퇴적물이 흡수하는 블루카본의 중요성이 알려지면서 해양생물에 대한 관심과 중요성이 주목받고 있으며, 특히 블루카본의 중요한 자원 중 해초류에 속하는 잘피는 바다 속의 이산화탄소를 흡수하고 해양 동식물의 산란장으로 생태계에서 아주 주요한 역할을 하고 있다. 그러나 잘피의 생태적인 가능은 빈번히 연구된 반면, 잘피의 분류나 분포면적에 대한 조사는 거의 이루어지지 않고 있다. 대부분의 잘피는 조하대에 서식하고 있는 침수식물이므로 뻘의 접근성, 높은 탁도 및 큰 조석간만의 차이 등의 환경적 요소 때문에 잘피의 대한 조사는 대략적인 현장 조사로만 이루어지고 있는 상황이다. 본 연구에서는 저조위 시간에 맞춰, 영상취득이 용이한 드론을 활용하여 잘피 서식지의 RGB영상, ...
최근 연안에서 서식하는 식물과 퇴적물이 흡수하는 블루카본의 중요성이 알려지면서 해양생물에 대한 관심과 중요성이 주목받고 있으며, 특히 블루카본의 중요한 자원 중 해초류에 속하는 잘피는 바다 속의 이산화탄소를 흡수하고 해양 동식물의 산란장으로 생태계에서 아주 주요한 역할을 하고 있다. 그러나 잘피의 생태적인 가능은 빈번히 연구된 반면, 잘피의 분류나 분포면적에 대한 조사는 거의 이루어지지 않고 있다. 대부분의 잘피는 조하대에 서식하고 있는 침수식물이므로 뻘의 접근성, 높은 탁도 및 큰 조석간만의 차이 등의 환경적 요소 때문에 잘피의 대한 조사는 대략적인 현장 조사로만 이루어지고 있는 상황이다. 본 연구에서는 저조위 시간에 맞춰, 영상취득이 용이한 드론을 활용하여 잘피 서식지의 RGB영상, 다중분광영상 및 초분광영상을 취득하고, 영상을 분석하여 잘피를 탐지함으로써 잘피 조사에 드론 영상 적용 가능성을 파악하고자 하였다. RGB영상, 다중분광영상 및 초분광영상에서 현장조사를 통해 취득한 잘피의 위치자료를 활용하여 잘피의 분광반사자료를 취득하였고, SAM, MF 및 BE 알고리즘을 활용하여 잘피를 탐지한 결과 다음과 같은 결론을 얻을 수 있었다. 첫째, 알고리즘 별 탐지 결과를 비교하였을 때 모든 영상에서 SAM 알고리즘이 가장 높은 정탐지율과 가장 낮은 오탐지율을 나타냈다. SAM 알고리즘의 정탐지율은 RGB영상에서 74%, 다중분광영상에서 76%, 초분광영상에서 82%를 나타냈고 오탐지율은 RGB영상에서 62%. 다중분광영상에서 34%, 초분광영상에서 18%를 나타냈다. 이는 잘피를 탐지함에 있어 영상의 종류도 중요하지만 영상에 최적화된 알고리즘 선정이 탐지 정확도에 끼치는 영향이 크다는 것을 알 수 있다. 둘째, 영상의 종류 별 탐지 결과를 비교하였을 때 초분광영상이 가장 높은 정탐지율과 가장 낮은 오탐지율을 나타냈다. RGB영상의 경우 다중분광영상과 초분광영상에 비해 넓은 면적이 잘피로 탐지됨에 따라 정탐지율의 차이는 크지 않았으나, 오탐지율이 높게 나타났다. 이는 탐지 면적에서 원인을 찾을 수 있었는데, RGB영상, 다중분광영상, 초분광영상 순으로 탐지 면적이 넓게 나타났으므로 정탐지율 역시 비슷한 수준을 나타낸 것으로 판단할 수 있다. 이런 이유로 오탐지율을 산출하였으며 오탐지율에서는 큰 차이를 나타내며 초분광영상의 활용성이 가장 높다고 판단하였다. 잘피 군락은 임상도와 같은 정량적인 기준 자료가 없어 잘피의 위치를 현장조사를 통하여 좌표를 취득하고 영상에서 기준 분광반사자료를 추출하여 탐지를 수행하였다. 잘피 조사에 있어 초분광영상과 SAM 알고리즘을 활용할 경우 보다 높은 정확도를 보일 것으로 판단되며 드론영상을 활용할 경우 위성영상이나 항공영상에 비해 효율성을 향상시킬 수 있을 것이다. 또한 잘피에 대한 정량적인 기준자료를 구축하게 된다면, 잘피의 실제 면적과 탐지 결과의 비교를 통해 보다 정확한 탐지 정확도를 분석할 수 있을 것이라 생각한다. 더불어 탐지에 있어 높은 정확도를 보이는 초분광영상의 활용을 위해 잘피의 분광반사자료를 라이브러리로 구축한다면, 현장조사를 최소화하여 원격탐사만을 통해 잘피군락의 보호 및 관리에 활용할 수 있을 것이라 기대한다.
최근 연안에서 서식하는 식물과 퇴적물이 흡수하는 블루카본의 중요성이 알려지면서 해양생물에 대한 관심과 중요성이 주목받고 있으며, 특히 블루카본의 중요한 자원 중 해초류에 속하는 잘피는 바다 속의 이산화탄소를 흡수하고 해양 동식물의 산란장으로 생태계에서 아주 주요한 역할을 하고 있다. 그러나 잘피의 생태적인 가능은 빈번히 연구된 반면, 잘피의 분류나 분포면적에 대한 조사는 거의 이루어지지 않고 있다. 대부분의 잘피는 조하대에 서식하고 있는 침수식물이므로 뻘의 접근성, 높은 탁도 및 큰 조석간만의 차이 등의 환경적 요소 때문에 잘피의 대한 조사는 대략적인 현장 조사로만 이루어지고 있는 상황이다. 본 연구에서는 저조위 시간에 맞춰, 영상취득이 용이한 드론을 활용하여 잘피 서식지의 RGB영상, 다중분광영상 및 초분광영상을 취득하고, 영상을 분석하여 잘피를 탐지함으로써 잘피 조사에 드론 영상 적용 가능성을 파악하고자 하였다. RGB영상, 다중분광영상 및 초분광영상에서 현장조사를 통해 취득한 잘피의 위치자료를 활용하여 잘피의 분광반사자료를 취득하였고, SAM, MF 및 BE 알고리즘을 활용하여 잘피를 탐지한 결과 다음과 같은 결론을 얻을 수 있었다. 첫째, 알고리즘 별 탐지 결과를 비교하였을 때 모든 영상에서 SAM 알고리즘이 가장 높은 정탐지율과 가장 낮은 오탐지율을 나타냈다. SAM 알고리즘의 정탐지율은 RGB영상에서 74%, 다중분광영상에서 76%, 초분광영상에서 82%를 나타냈고 오탐지율은 RGB영상에서 62%. 다중분광영상에서 34%, 초분광영상에서 18%를 나타냈다. 이는 잘피를 탐지함에 있어 영상의 종류도 중요하지만 영상에 최적화된 알고리즘 선정이 탐지 정확도에 끼치는 영향이 크다는 것을 알 수 있다. 둘째, 영상의 종류 별 탐지 결과를 비교하였을 때 초분광영상이 가장 높은 정탐지율과 가장 낮은 오탐지율을 나타냈다. RGB영상의 경우 다중분광영상과 초분광영상에 비해 넓은 면적이 잘피로 탐지됨에 따라 정탐지율의 차이는 크지 않았으나, 오탐지율이 높게 나타났다. 이는 탐지 면적에서 원인을 찾을 수 있었는데, RGB영상, 다중분광영상, 초분광영상 순으로 탐지 면적이 넓게 나타났으므로 정탐지율 역시 비슷한 수준을 나타낸 것으로 판단할 수 있다. 이런 이유로 오탐지율을 산출하였으며 오탐지율에서는 큰 차이를 나타내며 초분광영상의 활용성이 가장 높다고 판단하였다. 잘피 군락은 임상도와 같은 정량적인 기준 자료가 없어 잘피의 위치를 현장조사를 통하여 좌표를 취득하고 영상에서 기준 분광반사자료를 추출하여 탐지를 수행하였다. 잘피 조사에 있어 초분광영상과 SAM 알고리즘을 활용할 경우 보다 높은 정확도를 보일 것으로 판단되며 드론영상을 활용할 경우 위성영상이나 항공영상에 비해 효율성을 향상시킬 수 있을 것이다. 또한 잘피에 대한 정량적인 기준자료를 구축하게 된다면, 잘피의 실제 면적과 탐지 결과의 비교를 통해 보다 정확한 탐지 정확도를 분석할 수 있을 것이라 생각한다. 더불어 탐지에 있어 높은 정확도를 보이는 초분광영상의 활용을 위해 잘피의 분광반사자료를 라이브러리로 구축한다면, 현장조사를 최소화하여 원격탐사만을 통해 잘피군락의 보호 및 관리에 활용할 수 있을 것이라 기대한다.
Recently, the importance of blue carbon absorbed by plants and sediments in coastal areas has been recognized, and attention and importance of marine life have been attracting attention. In particular, among the important resources of blue carbon, it absorbs carbon dioxide in seawater, And it plays ...
Recently, the importance of blue carbon absorbed by plants and sediments in coastal areas has been recognized, and attention and importance of marine life have been attracting attention. In particular, among the important resources of blue carbon, it absorbs carbon dioxide in seawater, And it plays a very important role in the ecosystem. However, the ecological possibility of the seagrass habitat has been studied frequently, but the classification and distribution area of the seagrass habitat have been rarely investigated. Since most of the well - bloomed submerged plants are inhabited in the sub - basin, environmental factors such as the accessibility of mature, high turbidity and large tidal tide are only a rough survey. In this study, we have acquired RGB image, multispectral image, and hyperspectral image of the seagrass habitat using drones that are easy to acquire images. The spectral reflection data of the seagrass were obtained using the position data of the seagrass obtained from the field survey in the RGB image, the multispectral image and the hyperspectral image, and the seagrass were detected using the SAM, MF and BE algorithms. First, when comparing the detection results by algorithm, the SAM algorithm showed the highest positive detection rate and the lowest false detection rate in all images. The detection rate of the SAM algorithm was 74% in the RGB image, 76% in the multispectral image, and 82% in the hyperspectral image, and the false positive rate was 62% in the RGB image. 34% in the multispectral image and 18% in the hyperspectral image. This is because the type of image is also important in detecting the bark, but the selection of the algorithm optimized for the image has a great influence on the detection accuracy. Second, when comparing the detection results by image type, hyperspectral images showed the highest positive detection rate and the lowest false detection rate. In the case of RGB image, the detection rate of the large area is better than that of the multispectral image and the hyperspectral image, but the false detection rate is high. The reason for this could be found in the detection area. The detection area is wide in the order of RGB image, multispectral image, and hyperspectral image, so the detection rate is also similar. For this reason, the false positive rate is calculated, and the false positive rate is large and the ultra - spectral image is most useful. There was no quantitative reference data for clay loam, and the location of clay loam was obtained through field survey and the reference spectral reflection data were extracted from the images. The use of hyperspectral images and SAM algorithms will be more accurate for the clipping, and the use of drones will improve the efficiency compared to satellite images or aerial images. In addition, if quantitative baseline data for the Seagrass are constructed, we can more accurately analyze the detection accuracy by comparing the actual area and the detection results. In addition, if we construct a library of spectrophotometric reflection data for the application of ultra - spectroscopic images with high accuracy in detection, we expect that it will be possible to minimize the field survey and to protect and manage the dwarf communities only through remote sensing.
Recently, the importance of blue carbon absorbed by plants and sediments in coastal areas has been recognized, and attention and importance of marine life have been attracting attention. In particular, among the important resources of blue carbon, it absorbs carbon dioxide in seawater, And it plays a very important role in the ecosystem. However, the ecological possibility of the seagrass habitat has been studied frequently, but the classification and distribution area of the seagrass habitat have been rarely investigated. Since most of the well - bloomed submerged plants are inhabited in the sub - basin, environmental factors such as the accessibility of mature, high turbidity and large tidal tide are only a rough survey. In this study, we have acquired RGB image, multispectral image, and hyperspectral image of the seagrass habitat using drones that are easy to acquire images. The spectral reflection data of the seagrass were obtained using the position data of the seagrass obtained from the field survey in the RGB image, the multispectral image and the hyperspectral image, and the seagrass were detected using the SAM, MF and BE algorithms. First, when comparing the detection results by algorithm, the SAM algorithm showed the highest positive detection rate and the lowest false detection rate in all images. The detection rate of the SAM algorithm was 74% in the RGB image, 76% in the multispectral image, and 82% in the hyperspectral image, and the false positive rate was 62% in the RGB image. 34% in the multispectral image and 18% in the hyperspectral image. This is because the type of image is also important in detecting the bark, but the selection of the algorithm optimized for the image has a great influence on the detection accuracy. Second, when comparing the detection results by image type, hyperspectral images showed the highest positive detection rate and the lowest false detection rate. In the case of RGB image, the detection rate of the large area is better than that of the multispectral image and the hyperspectral image, but the false detection rate is high. The reason for this could be found in the detection area. The detection area is wide in the order of RGB image, multispectral image, and hyperspectral image, so the detection rate is also similar. For this reason, the false positive rate is calculated, and the false positive rate is large and the ultra - spectral image is most useful. There was no quantitative reference data for clay loam, and the location of clay loam was obtained through field survey and the reference spectral reflection data were extracted from the images. The use of hyperspectral images and SAM algorithms will be more accurate for the clipping, and the use of drones will improve the efficiency compared to satellite images or aerial images. In addition, if quantitative baseline data for the Seagrass are constructed, we can more accurately analyze the detection accuracy by comparing the actual area and the detection results. In addition, if we construct a library of spectrophotometric reflection data for the application of ultra - spectroscopic images with high accuracy in detection, we expect that it will be possible to minimize the field survey and to protect and manage the dwarf communities only through remote sensing.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.