현재 수행되고 있는 하상재료 조사는 직접 하천에서 하상재료를 채취하고 이를 체분석하여 입도분포 곡선을 그리는 방식으로 수행하고 있다. 그러나 이러한 방법은 시간, 인력 및 비용의 소모가 큰 반면에 조사 결과가 지점 데이터로 얻어져 하상재료의 공간적 분포를 확인하기 어려운 문제 등이 있다. 따라서 이러한 문제를 해결하기 위해서는 하상재료 조사 방법 개선에 대한 연구가 필요한 실정이다. 이에 본 연구에서는 하상재료의 입경을 드론과 초분광영상을 활용하여 조사할 수 있는 기술을 개발하고자 한다. 하상재료의 입경 분류는 촬영된 초분광영상에 반사율비 분석방법을 사용하여 수행하였다. 반사율비 분석방법은 초분광영상의 하상재료를 촬영한 각 ...
현재 수행되고 있는 하상재료 조사는 직접 하천에서 하상재료를 채취하고 이를 체분석하여 입도분포 곡선을 그리는 방식으로 수행하고 있다. 그러나 이러한 방법은 시간, 인력 및 비용의 소모가 큰 반면에 조사 결과가 지점 데이터로 얻어져 하상재료의 공간적 분포를 확인하기 어려운 문제 등이 있다. 따라서 이러한 문제를 해결하기 위해서는 하상재료 조사 방법 개선에 대한 연구가 필요한 실정이다. 이에 본 연구에서는 하상재료의 입경을 드론과 초분광영상을 활용하여 조사할 수 있는 기술을 개발하고자 한다. 하상재료의 입경 분류는 촬영된 초분광영상에 반사율비 분석방법을 사용하여 수행하였다. 반사율비 분석방법은 초분광영상의 하상재료를 촬영한 각 화소의 분광정보 중에서 2개의 파장에 대한 반사율의 비를 계산하고, 하상재료의 입경별로 반사율비가 다른 특징을 이용하여 입경 분류를 수행하는 방법이다. 본 연구에서는 우선 하상재료의 입경을 총 7 개 그룹(그룹 1(4.75 mm∼2 mm), 그룹 2(2 mm∼0.84 mm), 그룹 3(0.84 mm∼0.42 mm), 그룹 4(0.42 mm∼0.25 mm), 그룹 5(0.25 mm∼0.15 mm), 그룹 6(0.15 mm∼0.074 mm) 및 그룹 7(0.074 mm이하))으로 나누어 초분광영상을 촬영하고 분석하였다. 반사율비 분석방법은 두 개 그룹의 분류만이 가능하기 때문에 그룹 1과 그룹 2와 같이 인접한 두 그룹을 대상으로 분석을 수행하였다. 각 그룹 별로 20 개 화소의 분광정보를 대상으로 반사율비 분석방법을 적용하여 분류가 가장 명확히 이루어질 수 있는 최적 파장조합을 선정하였고, 해당 파장조합의 반사율비를 두 그룹의 분류 기준으로 설정하였다. 반사율비 분석방법을 통해 선정된 분류 기준을 이용하여 각 그룹별 초분광영상의 반사율을 기준으로 분류한 결과에 대한 정확도는 그룹 1과 2 66.3 %, 그룹 2와 3은 74.2 %, 그룹 3과 4는 92.2 %, 그룹 4와 5는 73.5 %, 그룹 5와 6은 69.0 % 그리고 그룹 6과 7은 100 %로 나타났다. 본 연구에서는 채취한 하상재료를 체분석하여 일정한 입경구간으로 나눈 후 실험을 수행하였다. 그러나 실제 하천의 하상재료는 다양한 입경을 가지는 입자들이 혼합되어 있기 때문에 본 연구에서 수행한 방법을 그대로 적용하기에는 어려움이 있다. 따라서 실제 하천과 유사한 입경 분포를 가지는 경우에 대해 연구가 수행된다면 실제 하천에 적용할 수 있는 하상재료 조사방법이 될 수 있을 것으로 기대된다.
현재 수행되고 있는 하상재료 조사는 직접 하천에서 하상재료를 채취하고 이를 체분석하여 입도분포 곡선을 그리는 방식으로 수행하고 있다. 그러나 이러한 방법은 시간, 인력 및 비용의 소모가 큰 반면에 조사 결과가 지점 데이터로 얻어져 하상재료의 공간적 분포를 확인하기 어려운 문제 등이 있다. 따라서 이러한 문제를 해결하기 위해서는 하상재료 조사 방법 개선에 대한 연구가 필요한 실정이다. 이에 본 연구에서는 하상재료의 입경을 드론과 초분광영상을 활용하여 조사할 수 있는 기술을 개발하고자 한다. 하상재료의 입경 분류는 촬영된 초분광영상에 반사율비 분석방법을 사용하여 수행하였다. 반사율비 분석방법은 초분광영상의 하상재료를 촬영한 각 화소의 분광정보 중에서 2개의 파장에 대한 반사율의 비를 계산하고, 하상재료의 입경별로 반사율비가 다른 특징을 이용하여 입경 분류를 수행하는 방법이다. 본 연구에서는 우선 하상재료의 입경을 총 7 개 그룹(그룹 1(4.75 mm∼2 mm), 그룹 2(2 mm∼0.84 mm), 그룹 3(0.84 mm∼0.42 mm), 그룹 4(0.42 mm∼0.25 mm), 그룹 5(0.25 mm∼0.15 mm), 그룹 6(0.15 mm∼0.074 mm) 및 그룹 7(0.074 mm이하))으로 나누어 초분광영상을 촬영하고 분석하였다. 반사율비 분석방법은 두 개 그룹의 분류만이 가능하기 때문에 그룹 1과 그룹 2와 같이 인접한 두 그룹을 대상으로 분석을 수행하였다. 각 그룹 별로 20 개 화소의 분광정보를 대상으로 반사율비 분석방법을 적용하여 분류가 가장 명확히 이루어질 수 있는 최적 파장조합을 선정하였고, 해당 파장조합의 반사율비를 두 그룹의 분류 기준으로 설정하였다. 반사율비 분석방법을 통해 선정된 분류 기준을 이용하여 각 그룹별 초분광영상의 반사율을 기준으로 분류한 결과에 대한 정확도는 그룹 1과 2 66.3 %, 그룹 2와 3은 74.2 %, 그룹 3과 4는 92.2 %, 그룹 4와 5는 73.5 %, 그룹 5와 6은 69.0 % 그리고 그룹 6과 7은 100 %로 나타났다. 본 연구에서는 채취한 하상재료를 체분석하여 일정한 입경구간으로 나눈 후 실험을 수행하였다. 그러나 실제 하천의 하상재료는 다양한 입경을 가지는 입자들이 혼합되어 있기 때문에 본 연구에서 수행한 방법을 그대로 적용하기에는 어려움이 있다. 따라서 실제 하천과 유사한 입경 분포를 가지는 경우에 대해 연구가 수행된다면 실제 하천에 적용할 수 있는 하상재료 조사방법이 될 수 있을 것으로 기대된다.
Conventional River-bed material survey is performed by sifting the collected material and drawing a grain-size distribution curve. However, which consumes large quantity of much time, human resources, and cost. Moreover, the surveyed results are the point-based data, making it difficult to know the ...
Conventional River-bed material survey is performed by sifting the collected material and drawing a grain-size distribution curve. However, which consumes large quantity of much time, human resources, and cost. Moreover, the surveyed results are the point-based data, making it difficult to know the spatial distribution of the bed material. It raises a need for a study on the improvement of the river-bed material survey method. This study aims to develop a technique of measuring the size of river-bed materials using drones and hyperspectral images. The study classifies the size of the river-bed material by applying the reflectance ratio method for the captured hyperspectral images. The reflectance ratio method selects two wavelengths, calculates a ratio of reflectances for the selected wavelengths, and performs size classification using features having different reflectance ratios for each material size. In this study, the collected river-bed materials were classified into seven groups depending on the material size: Group 1 (4.75 mm to 2 mm), Group 2 (2 mm to 0.84 mm), Group 3 (0.84 mm to 0.42 mm), and Group 4 (0.42 mm to 0.25 mm), Group 5 (0.25 mm to 0.15 mm), Group 6 (0.15 mm to 0.074 mm), and Group 7 (0.074 mm or less). Furthermore, hyperspectral images have been taken for these groups. Since the reflectance ratio analysis method can classify only two groups, the analysis was performed on two adjacent groups such as group 1 and group 2, group 2 and group 3. And the study selected the optimal wavelength combinations, which provides the best classification by applying the reflectance ratio method to the spectral characteristics of 20 pixels selected from the image of each group. As a result of verifying the classification based on the reflectance of all pixels of the image using the classification criteria determined by the reflectance ratio method, the accuracy of classification is 66.3% for group 1 & 2, 74.2% for group 2 & 3, 92.2% for group 3 & 4, 73.5% for group 4 & 5, 69.0% for group 5 & 6, and 100 % for group 6 & 7. This study sifted the collected river-bed material and divided them into several groups according to the grain size. However, this method is challenging to apply in practice as the bed material has various sizes in the actual river. If research is carried out on a case where the material size has a similar distribution to the actual river, the research will justify the application of the method suggested in this study for the actual river environments.
Conventional River-bed material survey is performed by sifting the collected material and drawing a grain-size distribution curve. However, which consumes large quantity of much time, human resources, and cost. Moreover, the surveyed results are the point-based data, making it difficult to know the spatial distribution of the bed material. It raises a need for a study on the improvement of the river-bed material survey method. This study aims to develop a technique of measuring the size of river-bed materials using drones and hyperspectral images. The study classifies the size of the river-bed material by applying the reflectance ratio method for the captured hyperspectral images. The reflectance ratio method selects two wavelengths, calculates a ratio of reflectances for the selected wavelengths, and performs size classification using features having different reflectance ratios for each material size. In this study, the collected river-bed materials were classified into seven groups depending on the material size: Group 1 (4.75 mm to 2 mm), Group 2 (2 mm to 0.84 mm), Group 3 (0.84 mm to 0.42 mm), and Group 4 (0.42 mm to 0.25 mm), Group 5 (0.25 mm to 0.15 mm), Group 6 (0.15 mm to 0.074 mm), and Group 7 (0.074 mm or less). Furthermore, hyperspectral images have been taken for these groups. Since the reflectance ratio analysis method can classify only two groups, the analysis was performed on two adjacent groups such as group 1 and group 2, group 2 and group 3. And the study selected the optimal wavelength combinations, which provides the best classification by applying the reflectance ratio method to the spectral characteristics of 20 pixels selected from the image of each group. As a result of verifying the classification based on the reflectance of all pixels of the image using the classification criteria determined by the reflectance ratio method, the accuracy of classification is 66.3% for group 1 & 2, 74.2% for group 2 & 3, 92.2% for group 3 & 4, 73.5% for group 4 & 5, 69.0% for group 5 & 6, and 100 % for group 6 & 7. This study sifted the collected river-bed material and divided them into several groups according to the grain size. However, this method is challenging to apply in practice as the bed material has various sizes in the actual river. If research is carried out on a case where the material size has a similar distribution to the actual river, the research will justify the application of the method suggested in this study for the actual river environments.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.