선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 또한 국내의 수종 토양, 지형, 기후 등 산림에 영향을 미치는 인자가 국외와는 크게 다르다. 따라서 본 연구에서는 최근 진행되고 있는 국외 수목모델링의 최신 기술들을 조합하여 국내 산림지역을 대상으로수목 모델링의 평가를 수행하고자 한다.
- 국내의 경우 국외와는 산림에 관련된 여러조건들이 다르기 때문에 국내 실정에서도 이들 수목모델링이 유효한가에 관한 정보가 필요하다. 따라서 본 연구에서는 국외의 최신 수목모델링 기술을 조합하여 국내의 산림지역에 적용, 그 효용성을 평가해 보았다.
제안 방법
- 국내에서는 최근 곽두안(2005)이 LiDAR 데이터를 이용하여 수고와 지하고를 추정하고, 현장조사 자료와 항공사진을 이용하여 흉고직경, 흉고 단면적, 임분체적, Biomass 등의 산림정보를 추출하였다. 하지만 현장조사를 통해 수집한 자료가 차지하는 비중이 높고, LiDAR 데이터를 이용한 수고, 지하고 추정의 경우 LiDAR 데이터의 멀티리턴(Multi-Return)을 이용하여구성한 각각의 TIN (Triangulated Irregular Network) 에서 수목의 위치에 해당되는 좌표의 높이차를 이용하였다. 또한 항공사진은 수목지역의 넓이 추출에 사용되었다.
- 본 연구는 컬러항공사진과 LiDAR 데이터를 이용하여 수목지역을 추출하고, LiDAR 데이터의 높이 정보를 이용하여 수목의 개체 추출 및 높이를 추정하였으며 현장 조사 자료를 바탕으로 정확도 평가를 수행하였다. 이와 같은 방법은 광학영상과 LiDAR 데이터를 통해 산림지역의 수목정보를 추정함으로써, 기존의 현장조사 방법보다 효율적인 산림정보 취득을 가능하게 해 준다.
- 대전지역 중 수목 모델링이 용이한 장소(Site) 4곳 (Fig. 1)을 선정하였고, 수목 모델링을 수행한 4군데 장소에서 총 8개의 테스트 지역(Plot)을 설정하여 정확도 평가를 수행하였다. 정확도 평가를 위한 현장조사 자료를 얻기 위해 테스트 지역을 정사각형의 조사구로 하여 단순림 형태의 산림지역의 정보를 수집하였다.
- 1)을 선정하였고, 수목 모델링을 수행한 4군데 장소에서 총 8개의 테스트 지역(Plot)을 설정하여 정확도 평가를 수행하였다. 정확도 평가를 위한 현장조사 자료를 얻기 위해 테스트 지역을 정사각형의 조사구로 하여 단순림 형태의 산림지역의 정보를 수집하였다. 조사구의 크기는 10m X 10m를 기본으로 하였으며 현장 조건에 따라 20mX 20m 크기로 조사한 곳도 있었다.
- 조사구의 크기는 10m X 10m를 기본으로 하였으며 현장 조건에 따라 20mX 20m 크기로 조사한 곳도 있었다. 조사 구내에 존재하는 수목의 개체수와 수고를 측정하여 본 연구에서 추정한 개체수와 수고의 정확도를 검증하였다. 그리고 LiDAR 데이터의 취득 시기가 활엽수가 제대로 측정되지 않는 시기임을 감안하여 침엽수만을 대상으로 정확도 평가를 실시하였다.
- 조사 구내에 존재하는 수목의 개체수와 수고를 측정하여 본 연구에서 추정한 개체수와 수고의 정확도를 검증하였다. 그리고 LiDAR 데이터의 취득 시기가 활엽수가 제대로 측정되지 않는 시기임을 감안하여 침엽수만을 대상으로 정확도 평가를 실시하였다. 테스트 지역별 현장조사 자료는 Table 2와 같다.
- 본 연구에서는 기본적으로 항공사진에 K-Means 알고리즘을 적용해 수목예상 지역을 결정한 뒤 LiDAR 데이터를 이용하여 생성한 NDSM(Nomalized Digital Surface Model)을 이용하여 일차적으로 수목지 역을 추출한다. 추출된 수목지역은 다시 수목의 넓이, 이심률, 높이의 편차 등을 이용하여 오분류된 부분을 제거한 뒤단일개체 집단과 군집개체 집단으로 나누어 유역분할 (Watershed Segmentation) 알고리즘을 이용하여 수목개체를 결정하였다.
- 추출된 수목지역은 다시 수목의 넓이, 이심률, 높이의 편차 등을 이용하여 오분류된 부분을 제거한 뒤단일개체 집단과 군집개체 집단으로 나누어 유역분할 (Watershed Segmentation) 알고리즘을 이용하여 수목개체를 결정하였다. 결정된 개체에 국부적 최대값 필터를 적용하여 수목 모델링을 완료한다.
- LiDAR 데이터의 3차원 높이 정보를 이용하여 DSM (Digital Surface Model)과 DTM (Digital Terrain Model)을 생성한다. DSM의 경우 포인트 기반의 X, Y, Z 좌표로 되어 있는 LiDAR 데이터를 격자로 변환 하였다.
- DSM에 모폴리지의 오프닝 연산을 적용하여 DTM을 생성한다. 본 연구에서 생성하는 DTMe도심지의 건물이나 인공 구조물이 모두 제거될 필요가없고, 필터의 크기가 커질수록 오차가 발생하기 때문에산림지역의 수목이 제거되는 크기로 결정하였다. 따라서 산림지역의 모폴로지 필터는 반복적인 실험을 통해반지름 9m의 원형으로 결정하였다(Fig.
- 컬러항공사진을 분류하여 선정한 지역과 LiDAR 데이터로부터 생성한 NDSM의 높이값을 이용하여 수목 예상 지역을 추출한다. 높이조건을 이용하여 높이가 높은 인공물과 지면, 초지, 관목 등을 제거하고 관심 대상인 수목지 역만을 추출하게 된다(Fig.
- 이러한 오분류 지역은 단순히 임계치를 적용하는 방법으로는 제거하기 어렵기 때문에 개체에 따른 기하학적인 정보를 가지고 오분류를 제거하기로 한다. 먼저, 수목 예상지역으로 추출된 결과를 레이블링(Labeling)하고 넓이를 이용하여 단일 수목의 크기 이하 개체를 제거한다. 넓이를 통하여작은 개체와 기존에 제거되지 않은 관목, 낮은 높이의 구조물 등을 제거할 수 있다.
- 추출된 수목지역을 LiDAR 데이터를 이용하여 개체별 분할을 수행한다. 수목지역을 넓이에 따라 단일개체집단과 군락개체집단으로 나누고 각각의 집단에 대해개체분할을 수행한다.
- 분할을 수행한다. 수목지역을 넓이에 따라 단일개체집단과 군락개체집단으로 나누고 각각의 집단에 대해개체분할을 수행한다. 단일개체집단의 경우 모든 개체가 하나의 수목을 나타내는 것이 아니라 소수의 수목 개체가 근접해 있는 경우도 존재한다.
- 유역분할 알고리즘에는 각 화소간의 거리를 이용하는 방법과 기울기 크기를 이용하는 방법이 있다. 본 논문에서는 LiDAR 데이터를 3차원 표면으로 하여 유역분할 알고리즘을 통해 개체분할을 수행하였다.
- 존재하는 화소들의 높.이 값에 국부적 최대값 필터를적용하여 수목의 개체별 중심점을 추출하였다. 중심점추출을 통해 개체수: 수목의 위치, 수고를 추정할 수 있다.
- 중심점추출을 통해 개체수: 수목의 위치, 수고를 추정할 수 있다. 수목 모델링을 통하여 추정된 수목의 개체수와 수고는 현장조사 자료를 통하여 정확도 검증을 수행하였다.
- 개체수 검정의 경우 현장조사를 통해 얻은 테스트 지역의 자료와 실험영상에서 테스트 지역의 크기에 해당되는 지역을 선정하여 내부에 존재하는 수목 중심점의 수를 비교하였다. 현지 사정상 2번 테스트 지역 이외의 모든 테스트 지역의 크기가 lOmxlOm이고, 2번 테스트 지역의 크기는 20mX20m 이다.
- LiDAR 데이터로부터 취득된 개체의 높이정보에 국부적 최대값 필터를 적용하여 해당 개체의 수고를 도출하였다. 정확도 평가는 크게 수고 추정치와 측정치를 테스트 지역 전체 집단을 비교하는 집단 정확도 평가와 수목 개체별 수고를 비교하는 개별 정확도 평가로 나누어검정하였다.
- 정확도 평가는 크게 수고 추정치와 측정치를 테스트 지역 전체 집단을 비교하는 집단 정확도 평가와 수목 개체별 수고를 비교하는 개별 정확도 평가로 나누어검정하였다.
대상 데이터
- 연구 지역은 주로 소나무류의 침엽수로 이루어졌으나 지역에 따라 튤립나무, 상수리나무 등의 활엽수가 함께 존재하는 혼합림이존재하였고, 현장조사 결과 최근 새로운 수목으로 인공조림이 진행된 지역도 있었다. 대상지역의 컬러항공사진 및 LiDAR 데이터는 동시에 취득되었으며(Fig. 1, 2), 데이터의 제원eTable 1과 같다.
- 정확도 평가를 위한 현장조사 자료를 얻기 위해 테스트 지역을 정사각형의 조사구로 하여 단순림 형태의 산림지역의 정보를 수집하였다. 조사구의 크기는 10m X 10m를 기본으로 하였으며 현장 조건에 따라 20mX 20m 크기로 조사한 곳도 있었다. 조사 구내에 존재하는 수목의 개체수와 수고를 측정하여 본 연구에서 추정한 개체수와 수고의 정확도를 검증하였다.
- 컬러항공사진과 LiDAR 데이터를 이용하여 수목지 역을 추출한다. 먼저 컬러항공사진에 K-Means 알고리즘을 적용하여 분류를 수행한다.
- 먼저 컬러항공사진에 K-Means 알고리즘을 적용하여 분류를 수행한다. 본 실험에서는 총 15개의 클래스로 영상을 분류하였고, 지역에 따라 2~3개의 클래스가 수목지 역으로 예상되었다.
- 비교하였다. 현지 사정상 2번 테스트 지역 이외의 모든 테스트 지역의 크기가 lOmxlOm이고, 2번 테스트 지역의 크기는 20mX20m 이다. 테스트 지역의 넓이가 다르기 때문에 단위면적당 개체수를 계산하여 현지 조사 자료와 비교해본 결과 R2값이 0.
- 본 연구의 대상지역은 대전광역시의 중구와 서구 지역에 위치한 소규모 산림지역이다. 연구 지역은 주로 소나무류의 침엽수로 이루어졌으나 지역에 따라 튤립나무, 상수리나무 등의 활엽수가 함께 존재하는 혼합림이존재하였고, 현장조사 결과 최근 새로운 수목으로 인공조림이 진행된 지역도 있었다.
데이터처리
- 결정된 개체에 국부적 최대값 필터를 적용하여 수목 모델링을 완료한다. 추정된 수목 인자들은 현장조사 자료와 비교하여 정확도를 평가하였다.
- 집단 정확도 평가의 경우 테스트 지역의 수목 높이를실제 현장조사를 통한 실측수고집단과 실험을 통해 추정한 추정수고집단으로 나누어 두 집단에 대해 T-test 를 수행하였다. 3, 4, 5번 지역의 경우 활엽수가 포함되어있는 혼합림 이거나 최근 산림이 변화된 지역이기 때문에 두 집단이 유의하지 않게 나타난 것으로 추정되어정확도 평가에서 제외시켰다.
이론/모형
- 추출한다. 먼저 컬러항공사진에 K-Means 알고리즘을 적용하여 분류를 수행한다. 본 실험에서는 총 15개의 클래스로 영상을 분류하였고, 지역에 따라 2~3개의 클래스가 수목지 역으로 예상되었다.
- DSM의 경우 포인트 기반의 X, Y, Z 좌표로 되어 있는 LiDAR 데이터를 격자로 변환 하였다. 이때 LiDAR 데이터의 포인트가 충분히 밀집되어있고, 수목의 임관 형태는 완만한 표면으로 나타나기 때문에, 주변의 가까운 점으로부터 선형으로 결합된 가중치를 사용하여 새로운 셀의 값을 결정하는 보간방법인 IDW (Inverse Distance Weight) 알고리즘을 적용하였다. 격자의 크기는 항공사진의 해상도와 동일한 0.
성능/효과
- 위치한 소규모 산림지역이다. 연구 지역은 주로 소나무류의 침엽수로 이루어졌으나 지역에 따라 튤립나무, 상수리나무 등의 활엽수가 함께 존재하는 혼합림이존재하였고, 현장조사 결과 최근 새로운 수목으로 인공조림이 진행된 지역도 있었다. 대상지역의 컬러항공사진 및 LiDAR 데이터는 동시에 취득되었으며(Fig.
- 현지 사정상 2번 테스트 지역 이외의 모든 테스트 지역의 크기가 lOmxlOm이고, 2번 테스트 지역의 크기는 20mX20m 이다. 테스트 지역의 넓이가 다르기 때문에 단위면적당 개체수를 계산하여 현지 조사 자료와 비교해본 결과 R2값이 0.47로 산출되었고, 대부분의 테스트 지역에서 추정 개체수보다 실제로 측정된 개체수가 많았다.
- 3, 4, 5번 지역의 경우 활엽수가 포함되어있는 혼합림 이거나 최근 산림이 변화된 지역이기 때문에 두 집단이 유의하지 않게 나타난 것으로 추정되어정확도 평가에서 제외시켰다. T-test를 수행한 결과 8 곳의 테스트 지역 중 3, 4, 5번 테스트 지역을 제외한 5 곳은 5% 유의수준 내에서 추정치와 측정치 사이에 차이가 없는 것으로 산출되 었다(Table 3).
- 본 연구를 통해 LiDAR 데이터와 컬러항공사진을 이용하여 기존의 광학영상만을 통해 쉽게 추정할 수 없었던 수고, 개체수 등을 보다 효율적이고, 정확하게 산출할 수 있었다. 이는 단일 데이터를 이용한 경우보다 이종 데이터를 통한 수목 모델링이 보다 정확하고 많은 양의 정보를 추출할 수 있는 가능성을 보여주는 것이다.
- 77로 높게 산출되었다. 수고의 정확도 평가에서는 집단 비교의 경우 T-test 결과 혼합림이거나 최근 변화되지 않은 산림지역은 추정치와 실측치의 차이가 없는 것으로 산출되었고, 개별 비교 결과는 값이 0.83으로 추정값과 실측값이 서로 높은 상관도를 보였다. LiDAR 데이터 취득 시기상 활엽수가 포함된 지역과 최근 인공조림으로 인해 산림구성이 바뀐 지역은 정확도 평가에서 제외시켰다.
후속연구
- 이와 같은 방법은 광학영상과 LiDAR 데이터를 통해 산림지역의 수목정보를 추정함으로써, 기존의 현장조사 방법보다 효율적인 산림정보 취득을 가능하게 해 준다. 또한 이러한 작업을 통해 흉고직경, 임분의 체적, Biomass 등의 추가적인 산림정보를 추정할 수 있을 것으로 판단된다.
- 추후 연구에서는 LiDAR 데이터의 처리 방법 및 수목지역 추출 방법을 보완해야 할 것으로 보인다. 또한 추정된 수고와 개체수를 기반으로 흉고직경, 흉고 단면적, 임분 체적, Biomass 등의 추정에 관한 연구도 필요할것이며 이를 통해 국내 산림의 탄소수지를 정량적으로산출할 수 있을 것으로 사료된다.
- 추출 방법을 보완해야 할 것으로 보인다. 또한 추정된 수고와 개체수를 기반으로 흉고직경, 흉고 단면적, 임분 체적, Biomass 등의 추정에 관한 연구도 필요할것이며 이를 통해 국내 산림의 탄소수지를 정량적으로산출할 수 있을 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.