지표면에 대한 정보를 취득하는 기법 중 지금까지 주로 사용되어온 기법은 항공사진 및 위성영상과 같이 평면적인 정보 수집에 중점을 두고 있는 반면, 본 논문에서 다루는 LiDAR(Light Detection And Ranging)는 레이저 측량기술을 이용하여 지표면에 대한 고해상도의 비정규분포 Point 형태의 3차원 정보의 획득이 가능하다. GPS(Global Positioning System) 수신기와 INS(Inertial Navigation System)의 결합을 통해 좌표 값을 제공하게 된다. 이러한 LiDAR의 3차원 Point 정보와 좌표 값을 활용하여 보다 정밀한 3차원 모델링 수행이 가능하다. 본 연구에서는 LiDAR의 반사강도와 기하/지형 자료를 이용하여 도시지역을 대상으로 정밀한 3차원 공간정보자료를 취득하고, 그 자료를 분석하여 도시지역을 높이와 밀도를 기반으로 하여 3차원으로 분류하였다. LiDAR를 통해 획득된 원시자료로부터 지표면에서 반사되는 Point Data의 개수를 지면과 비지면 요소의 비율로 추정하여 지형과 공간적 특성을 파악하고 이에 따라 3차원 토지피복분류도를 작성하였다. 신호의 강약을 구분하는 기준은 통계적 방법(Jenk's Natural Break)을 통해 추정된 값을 사용하였으며, 지표면 반사비율에 따라 세부지역으로 구분하여 크게 고밀도 저밀도 식생지역과 비식생지역으로 구분하였다.
지표면에 대한 정보를 취득하는 기법 중 지금까지 주로 사용되어온 기법은 항공사진 및 위성영상과 같이 평면적인 정보 수집에 중점을 두고 있는 반면, 본 논문에서 다루는 LiDAR(Light Detection And Ranging)는 레이저 측량기술을 이용하여 지표면에 대한 고해상도의 비정규분포 Point 형태의 3차원 정보의 획득이 가능하다. GPS(Global Positioning System) 수신기와 INS(Inertial Navigation System)의 결합을 통해 좌표 값을 제공하게 된다. 이러한 LiDAR의 3차원 Point 정보와 좌표 값을 활용하여 보다 정밀한 3차원 모델링 수행이 가능하다. 본 연구에서는 LiDAR의 반사강도와 기하/지형 자료를 이용하여 도시지역을 대상으로 정밀한 3차원 공간정보자료를 취득하고, 그 자료를 분석하여 도시지역을 높이와 밀도를 기반으로 하여 3차원으로 분류하였다. LiDAR를 통해 획득된 원시자료로부터 지표면에서 반사되는 Point Data의 개수를 지면과 비지면 요소의 비율로 추정하여 지형과 공간적 특성을 파악하고 이에 따라 3차원 토지피복분류도를 작성하였다. 신호의 강약을 구분하는 기준은 통계적 방법(Jenk's Natural Break)을 통해 추정된 값을 사용하였으며, 지표면 반사비율에 따라 세부지역으로 구분하여 크게 고밀도 저밀도 식생지역과 비식생지역으로 구분하였다.
LiDAR, unlike satellite imagery and aerial photographs, which provides irregularly distributed three-dimensional coordinates of ground surface, enables three-dimensional modeling. In this study, urban area was classified based on 3D information collected by LiDAR. Morphological and spatial propertie...
LiDAR, unlike satellite imagery and aerial photographs, which provides irregularly distributed three-dimensional coordinates of ground surface, enables three-dimensional modeling. In this study, urban area was classified based on 3D information collected by LiDAR. Morphological and spatial properties are determined by the ratio of ground and non-ground point that are estimated with the number of ground reflected point data of LiDAR raw data. With this information, the residential and forest area could be classified in terms of height and density of trees. The intensity of the signal is distinguished by a statistical method, Jenk's Natural Break. Vegetative area (high or low density) and non-vegetative area (high or low density) are classified with reflective ratio of ground surface.
LiDAR, unlike satellite imagery and aerial photographs, which provides irregularly distributed three-dimensional coordinates of ground surface, enables three-dimensional modeling. In this study, urban area was classified based on 3D information collected by LiDAR. Morphological and spatial properties are determined by the ratio of ground and non-ground point that are estimated with the number of ground reflected point data of LiDAR raw data. With this information, the residential and forest area could be classified in terms of height and density of trees. The intensity of the signal is distinguished by a statistical method, Jenk's Natural Break. Vegetative area (high or low density) and non-vegetative area (high or low density) are classified with reflective ratio of ground surface.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
분석단계에서 비식생지역에 대해서도 밀도에 따른 분류를 적용하였으나 분류결과 비식생지역에서는 대부분이 Singular Retum으로 반사값이 동일하게 나타나기 때문에 밀도에 따른 분류의 차이가 거의 발생하지 않았다. 본 연구의 목적은 LiDAR 데이터의 높이 및 밀도정보를 통해도 시 지역을 구획화하는 것으로, 구획의 유용성을 주로 다루었으며 분류정확도 검증은 실시하지 않았다.
본 연구의 목적은 LiDAR 수집 정보를 활용하여 도시지역 현황을 3차원 Point 정보로 파악하고 통계적 기법을 활용하여 13개 세부 지역으로 분류함으로써 3D기반의 구 죄 밀도 지수를 파악하고 비오톱 지도로 작성하는 프로세스를 개발하는 것에 있다.
제안 방법
본 연구에서는 최종적으로 5m X 5m 크기의 pixel을 이용하였다. 5m X 5m pixel 이하의 GRR 데이터는 임관에서 투과 및 반사된 LiDAR 포인트 데이터가 충분하지 않아 Pulse의 유효성이 낮아 래스터데이터로 표현하는데 부적합하다고 판단되어 pixel의 크기를 위와 같이 결정하였다.
GRR 데이터는 임관밀도에 따라 고밀도, 중밀도, 저밀도의 세 개의 등급으로 분류하였다. 분류를 위한 여러가지 클러스터링 기법을 비교한 결과, 각각의 값 중 가장 유사한 값을 가지는 값들을 같은 등급으로 분류하는데 Jeiik's Natural Break 알고리즘이 가장 적합하다고 판단되었다(식 2).
GRR과 높이와 밀도 따라 비 식생 지역과 식생 지역을 분류하여 등급화 하였다. 각 등급에 따른 세부 기준은 다음의<Table 3>과같다.
LiDAR 자료를 통해 식생/비식생, 높이, 밀도의 속성을 갖는 3D기반의 구조/밀도 지도를 작성하였다(Figure 2). 대상지역은 총 14 개의 지역으로 분류되었다.
본 연구에서는 IDW보간과 필터링 과정을 통하여 DSM을 생성하였다. 다음 단계로 자연 지물과 인공지물을 제거하여 수순한 지형으로 지면점을 분리한 DTM을 생성하였다 (윤정숙 등, 2006).
본 연구에서는 LiDAR의 반사강도와 기하/ 지형 자료를 이용하여 도시지역을 대상으로 정밀한 공간정보자료를 취득하고, 취득된 자료를 분석하여 도시지역을 3D기반으로 분류하였다. 토지피복 등급화에 따라 토지 피복 분류 도를 작성하였고 13개 세부 지역으로 구분하였으며 크게 고밀도.
Jenk's Natural Break법은 데이터를 분류할 때 임의의 분류군의 평균값과 해당 분류군에 포함되는 실제 데이터들 간의 차이를 가장 작게 함으로써 분류군 안의 데이터 변이를 가장 작게 하는 분류 방법이다(Murray와 Shyy, 2000). 이 방법을 이용함으로써 GRR을 데이터간의 변이가 가장 작은 세 개의 분류군으로 분류하였다 (Table 1).
따라서 Singular Returne First와 Last Retum 에서 3차원 좌표와 반사강도가 모두 동일하게 기록되어 있으며, 산림과 건물지붕의 모서리 부분을 제외한 대부분의 피복에서 주로 발생한다(Moffiet 등, 2005; 신정 일, 2007). 이러한 특성을 이용하여 식생지역과 비식생 지역을 분류하였다.
이를 비식생지역과 식생지역으로 각각의 기준을 적용하여 높이에 따라 각각 세 개의 등급으로 분류를 세분화하였다. 비식생지역에서는 고층건물군(10층 이상), 중층건물군(3~10증), 저증건물군(3증 이하)으로 분류하였고 식생지역에서는 교목층(9m 이상), 아교목증(3~9m), 관목증(3m 이하)로 분류하였다.
중밀도.저밀도 식 생지 역과 비식생지 역으로 구분하였다.
토지피복 등급화에 따라 토지 피복 분류 도를 작성하였고 13개 세부 지역으로 구분하였으며 크게 고밀도.중밀도.
대상 데이터
본 연구는 인천광역시 서구 검단신도시 (37°38'N 126°39'E - 37°34"N 126°44'E)를 대상으로 하였다(Figure 1). 이 지역은 산림지역과 시가화지역에 고층, 중층, 저층의 구조가 복합적으로 분포되어 있는 특성을 지니고 있다.
작성하였다(Figure 2). 대상지역은 총 14 개의 지역으로 분류되었다. 대상지역의 면적 비는<Table 4>와 같이 나타났으며, 식생지
8 points/m'의 점밀도로 촬영되었다. 레이저스캔을 위해 사용된 장비는 Optech 社의 ALHM(Airbome Laser Terrain Mapper) 3070 모델로 2007년 8월경에 취득한 자료를 사용하였다.
본 연구에 사용된 LiDAR 자료는 항공기를 이용하여 1,000m의 상공에서 2.8 points/m'의 점밀도로 촬영되었다. 레이저스캔을 위해 사용된 장비는 Optech 社의 ALHM(Airbome Laser Terrain Mapper) 3070 모델로 2007년 8월경에 취득한 자료를 사용하였다.
pixel의 크기 판정은 Pulse의 Last return의 유효성과 해상도를 고려하여 판단하였다. 본 연구에서는 최종적으로 5m X 5m 크기의 pixel을 이용하였다. 5m X 5m pixel 이하의 GRR 데이터는 임관에서 투과 및 반사된 LiDAR 포인트 데이터가 충분하지 않아 Pulse의 유효성이 낮아 래스터데이터로 표현하는데 부적합하다고 판단되어 pixel의 크기를 위와 같이 결정하였다.
데이터처리
또한, 취득된 LiDAR 데이터는 GRR(Ground Returns Ratio)을 산정 및 전처리를 수행하기 위해 TerraSolid 社의 TerraScan 프로그램과 ESRI 社의 ArcGIS 프로그램을 이용하였다.
이론/모형
다음 단계로 자연 지물과 인공지물을 제거하여 수순한 지형으로 지면점을 분리한 DTM을 생성하였다 (윤정숙 등, 2006). 구조물의 분류를 위해 DSM 에서 DTM을 제거하여 자연지물과 인공지물들이 평평한 지표면에 있는 것으로 표현하는 정규화된 DSM(nDSM: normalized Digital Surface Model)을 작성하였다(식 3),
성능/효과
98%와 비교했을 때 높은 비율을 나타냈다. 고밀도 식생지의 비율은 28.05%로 중밀도 식생지 2.67%, 저밀도 식생지 2.67%와 비교했을 때 높은 비율을 나타냈다. 미분류된 지역은 물이나 논과 같이 반사값을 획득하는데 실패하거나 오분류된 지역으로 13.
2003). 그러나 촬영시 조건에 따라 반사값의 차이가 다르게 나타나고 노이즈가 발생하였기 때문에 본 연구에서는 식생과 비식생지역의 분류를 위해 Singular Return을 활용하는 것이 반사 값을 이용하여 분류하는 것보다 적합하다고 판단하였다. 또한 식생지역은 여러 가지 수종이 고밀도로 집적되어 있고, 특히 점 밀도가 2.
분류를 위한 여러가지 클러스터링 기법을 비교한 결과, 각각의 값 중 가장 유사한 값을 가지는 값들을 같은 등급으로 분류하는데 Jeiik's Natural Break 알고리즘이 가장 적합하다고 판단되었다(식 2). Jenk's Natural Break법은 데이터를 분류할 때 임의의 분류군의 평균값과 해당 분류군에 포함되는 실제 데이터들 간의 차이를 가장 작게 함으로써 분류군 안의 데이터 변이를 가장 작게 하는 분류 방법이다(Murray와 Shyy, 2000).
후속연구
2007). 그러나 지역차원의 생태도시건설 및 생태 도시관리를 위한 계획 수립에 3차원의 속성을 갖는 정밀한 토지피복계획도를 작성하여 활용한다면 대상지의 자연적인 형태를 보존하여 환경의 교란을 최소화하는 개발이 가능할 것이다
구획되는 경향이 있다. 따라서 건물 지역이 보다 큰 단위로 구획될 수 있는 방법이 추후로 개발되어야 한다.
필요하다. 본 연구와 같이 3차원의 구죠 밀도의 속성을 포함하는 피복분류를 통해 생태 도시의 건설계획뿐만 아니라 생태 지향적 도시 지역관리에 활용한다면 대상지의 자연적인 형태를 보존하여 환경의 교란을 최소화하는 개발이 가능할 것이다.
LiDAR의 연구범위를 확대 .분류하고 계절별로 LiDAR 촬영을 수행하여, 지역과 시기적 특성에 따른 다양한 DB를 우선적으로 구축하고 지속적인 연구 및 현장조사를 통한 검증 작업이 수반된다면 좀 더 유용한 기법으로 활용 가능하리라 사료된다.
생태지향적 도시지역관리에 활용하기 위해 추후 분류지역의 그룹화와 구조밀도의 3차원 정보를 고려한 생태계획 연구가 진행되어야 한다.
그러므로 접근이 어렵거나 광범위한 지역의 정보 획득시 시간과 정확도 측면에서 효과적이다. 이러한 LiDAR의 특성을 이용한다면 3차원 Point 정보를 활용하여 입체적인 속성을 갖는 비오톱지도를 작성함으로써 전술한 2차원 영상과 현장조사의 비효율성을 상당 부분 극복할 수 있을 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.