최근 생태자원에 대한 관심이 증가함에 따라, 자연환경의 복원과 보존이나 경관성 평가 등을 위해 생태자원을 3차원으로 시각화하려는 노력이 늘어나고 있다. 그러나 산림자원의 경우 정보의 추출은 활발하지만 그 정보를 활용하여 효과적으로 시각화 하려는 노력은 일어나지 않고 있다. 즉 산림자원의 시각화에 있어 현실적이지 못하거나 각종 분석에서 요구하는 시뮬레이션이 부적합한 경우가 다수이며 이를 효과적으로 시각화하려는 노력은 부족하였다. 따라서 본 논문에서는 항공 LiDAR 데이터와 항공사진, 임상도(Forest Type Map)를 통해 산림정보를 추출하여 Vegetation Layer를 생성한 후 Flora3D 수목모델링 툴과 ArcGlobe를 이용하여 Vegetation Layer를 3차원으로 정밀하게 시각화하였다. 지리정보시스템 내에서 사용자가 산림정보를 직관적이고 현실적으로 인식할 수 있도록 함으로써 생태자원의 복원과 보존, 도시경관 등을 위한 분석에 효율적으로 활용할 수 있을 것으로 판단된다.
최근 생태자원에 대한 관심이 증가함에 따라, 자연환경의 복원과 보존이나 경관성 평가 등을 위해 생태자원을 3차원으로 시각화하려는 노력이 늘어나고 있다. 그러나 산림자원의 경우 정보의 추출은 활발하지만 그 정보를 활용하여 효과적으로 시각화 하려는 노력은 일어나지 않고 있다. 즉 산림자원의 시각화에 있어 현실적이지 못하거나 각종 분석에서 요구하는 시뮬레이션이 부적합한 경우가 다수이며 이를 효과적으로 시각화하려는 노력은 부족하였다. 따라서 본 논문에서는 항공 LiDAR 데이터와 항공사진, 임상도(Forest Type Map)를 통해 산림정보를 추출하여 Vegetation Layer를 생성한 후 Flora3D 수목모델링 툴과 ArcGlobe를 이용하여 Vegetation Layer를 3차원으로 정밀하게 시각화하였다. 지리정보시스템 내에서 사용자가 산림정보를 직관적이고 현실적으로 인식할 수 있도록 함으로써 생태자원의 복원과 보존, 도시경관 등을 위한 분석에 효율적으로 활용할 수 있을 것으로 판단된다.
As recent interest in ecological resources increases, an effort in three-dimensional visualization of the ecological resources has increased for the restoration and preservation of the natural environment as well as the evaluation of the landscape. However, in the case of forest resources, informati...
As recent interest in ecological resources increases, an effort in three-dimensional visualization of the ecological resources has increased for the restoration and preservation of the natural environment as well as the evaluation of the landscape. However, in the case of forest resources, information extraction has been active, but the effort in trying to apply that information into an effective visualization has not happened. In other words, the effort for effective visualization is lacking when it comes to the visualization of forest resources, and numerous cases are ether non-realistic or the simulation required for analysis is inappropriate. Therefore, this paper extracts information through the use of airborne LiDAR data, aerial photograph, and forest type maps to create a vegetation layer, and then uses Flora3D forest modeling tools and ArcGlobe to accurately visualize the vegetation layer into the three dimension. An effective application for restoration and preservation of ecological resources as well as analysis on the urban landscape can be considered as a result of intuitively and realistically enabling the user's awareness of forest information within the Geographic Information System.
As recent interest in ecological resources increases, an effort in three-dimensional visualization of the ecological resources has increased for the restoration and preservation of the natural environment as well as the evaluation of the landscape. However, in the case of forest resources, information extraction has been active, but the effort in trying to apply that information into an effective visualization has not happened. In other words, the effort for effective visualization is lacking when it comes to the visualization of forest resources, and numerous cases are ether non-realistic or the simulation required for analysis is inappropriate. Therefore, this paper extracts information through the use of airborne LiDAR data, aerial photograph, and forest type maps to create a vegetation layer, and then uses Flora3D forest modeling tools and ArcGlobe to accurately visualize the vegetation layer into the three dimension. An effective application for restoration and preservation of ecological resources as well as analysis on the urban landscape can be considered as a result of intuitively and realistically enabling the user's awareness of forest information within the Geographic Information System.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한, 기존의 연구에서는 산림을 구성하고 있는 객체목의 수와 형상을 추출하는 것을 주목적으로 하였기 때문에 시각화되었을 때 수종이나 임상의 특성과 같은 다양한 산림정보를 포함하지 못하는 경우가 많다. 본 연구에서는 LiDAR 데이터를 이용하여 객체목과 수목고를 산출한 뒤 임상도의 임상분류와 군집영역에 대한 정보를 입력하여 이를 해결하고자 하였으며, 추출한 산림정보를 대상으로 수목모델링 툴을 사용하여 현실적인 수목모델을 표현하는 3차원 시각화 시뮬레이션을 구현하여 산림을 시각적으로 더 쉽게 식별할 수 있도록 하였다.
본 연구에서는 태안반도의 산림지역을 대상으로 사용자가 직관적이고 현실적으로 산림에 대한 정보를 인지할 수 있는 3차원 시뮬레이션 구축하는 것을 목적으로 하였다.
제안 방법
1:5000 임상도는 PDF 형태로 되어 있으며 데이터입력을 위해 JPEG 이미지 파일 포맷으로 변환하였고 ArcMap 10.2를 이용하여 연구 대상지의 항공사진과 중첩한 뒤 임상별 영역을 폴리곤 형태로 디지타이징 하여 임상분류 정보를 폴리곤의 속성정보로 저장하였다. 디지타이징된 폴리곤 영역은 Vegetation Layer의 수목점과 중첩하여 폴리곤 영역내의 임상정보를 수목점의 속성정보에 생성시켰다.
따라서 현장답사를 통하여 각각의 수목에 대한 정보를 수집하였다. 6가지 수목(곰솔, 낙엽송, 소나무, 굴참나무, 벚나무, 굴피나무)의 줄기와 잎, 그리고 전체 형상을 촬영하였으며, 줄기와 잎의 촬영 사진 데이터는 PNG 이미지파일 포맷으로 변환 후 Flora 3D에 입력하였다.
ArcMap 10.2를 이용하여 Shape 파일 포맷의 Vegetation Layer를 생성한 후 LiDAR 자료처리로 생성된 9,595개의 수목점을 Vegetation Layer에 입력하였다. Vegetation Layer의 좌표체계는 WGS1984, UTM Zone 52N으로 설정하였고 수목점 데이터역시 동일한 좌표체계를 사용하였다.
수목점 추출의 마지막 단계로, 추출된 수목점에는 DCM의 높이 데이터를 입력하였다. ArcMap 10.2를 이용하여 벡터형태인 수목점과 래스터 형태인 DCM 데이터를 중첩하여 수목점 포인트와 중첩된 위치에 존재하는 DCM의 픽셀 정보를 해당 수목점의 속성정보(테이블)에 생성시켰다. 높이 정보가 포함된 연구 대상지 수목의 통계정보는 Table 3과 같다.
DCM으로부터 객체 수목점을 추출하기 위하여 국지적 최대값 필터링(Local Maxima Filtering)을 수행 하였다. 필터링을 수행하기 위해 ArcMap 10.
Vegetation Layer를 효과적으로 3차원 시각화하기 위한 응용프로그램으로 ESRI의 ArcGlobe를 사용하였다. 우선 연구지역의 항공사진과 DTM 데이터를 지형정보로 입력하여 베이스맵을 생성하였다.
입력을 위해 모든 데이터의 좌표체계는 WGS1984, UTM Zone 52N으로 통일하였다. 다음으로 베이스맵에 Vegetation Layer를 불러온 후 수목점을 수목 객체로 모델링하기 위하여 수목점의 Symbol을 해당 수목의 임상과 일치 하는 Flora3D 수목 모델로 불러오기(Import) 하여 Symbol을 변경하였다. 또한 Layer Properties 옵션의 Symbology 탭의 기능을 이용하여 수목의 높이정보를 참조하여 수목모델의 크기가 결정되도록 설정하였다.
이를 위해 첫 단계에서는 LiDAR 데이터를 통해 DSM과 DTM데이터를 구축하고 이 두 자료를 이용하여 DCM을 생성한 뒤 국지적 최대값 필터링을 이용하여 수목의 위치와과 높이에 대한 데이터를 구축하였다. 두 번째 단계에서는 앞서 만들어진 DCM과 임상도를 이용하여 Vegetation Layer에 수목의 종과 군집 영역에 대한 정보를 입력하였다. 마지막으로 수목 모델링 툴을 이용하여 6가지 수종의 모델을 생성하고 ArcGlobe를 이용하여 3차원 시뮬레이션을 구축하였다.
Flora3D 의 수목 모델링은 수목의 줄기와 잎에 대한 텍스처를 입력이 요구된다. 따라서 현장답사를 통하여 각각의 수목에 대한 정보를 수집하였다. 6가지 수목(곰솔, 낙엽송, 소나무, 굴참나무, 벚나무, 굴피나무)의 줄기와 잎, 그리고 전체 형상을 촬영하였으며, 줄기와 잎의 촬영 사진 데이터는 PNG 이미지파일 포맷으로 변환 후 Flora 3D에 입력하였다.
본 연구에서는 LiDAR 데이터를 이용하여 수목 객체와 수고를 추출하고 임상도(Forest Type Map)를 이용하여 산림의 수종정보와 군집영역을 입력하였다. 또한 Flora3D 수목모델링 툴을 사용하여 산림을 실제와 가깝게 3차원으로 시각화하였다. 산림정보를 현실적으로 시각화함으로써 생태자원의 복원과 보존, 도시경관 등을 위한 시뮬레이션과 분석에 도움을 줄 수 있을 것으로 기대된다.
다음으로 베이스맵에 Vegetation Layer를 불러온 후 수목점을 수목 객체로 모델링하기 위하여 수목점의 Symbol을 해당 수목의 임상과 일치 하는 Flora3D 수목 모델로 불러오기(Import) 하여 Symbol을 변경하였다. 또한 Layer Properties 옵션의 Symbology 탭의 기능을 이용하여 수목의 높이정보를 참조하여 수목모델의 크기가 결정되도록 설정하였다.
본 연구에서는 수목 추출이 국지적 최대값 필터링의 목적이므로 원형 구조요소를 사용하였으며 구조요소의 크기는 3m로 설정하였다. 또한 높이에 대한 임계값역시 산림내의 수목의 최소 높이라고 가정할 수 있는 2m를 기준으로 자료처리를 수행하였다. 국지적 최대값 필터링을 통하여 추출된 수목점은 Figure 8과 같으며 최초 31,214개의 수목점이 추출되었다.
두 번째 단계에서는 앞서 만들어진 DCM과 임상도를 이용하여 Vegetation Layer에 수목의 종과 군집 영역에 대한 정보를 입력하였다. 마지막으로 수목 모델링 툴을 이용하여 6가지 수종의 모델을 생성하고 ArcGlobe를 이용하여 3차원 시뮬레이션을 구축하였다.
마지막으로 항공사진, DTM, Vegetation Layer 자료를 바탕으로 ArcGlobe를 이용하여 3차원 시각화를 수행한다. 수목에 대한 모델링은 Flora 3D 툴을 사용하여 실제 형상에 가까우며 세밀도가 높은 모델을 생성하게 된다.
본 연구의 흐름은 Figure 3에 나타내었다. 먼저 연구 대상지의 항공 LiDAR 데이터를 이용하여 DSM과 DTM을 생성한 후 데이터를 차분하여 DCM을 생성한다. DCM은 연구대상지의 수목의 영역과 높이에 대한 정보를 저장하고 있다.
본 연구에서 제안한 3차원 시각화 방법은 약 0.7km2 대규모 산림지역의 약 1만개의 수목객체를 대상으로 하여 실제 산림지역에 적용하여도 무리가 없게 하였고, 임상도를 활용하여 정확한 산림정보를 포함하였다.
본 연구에서는 2×2 픽셀 크기 이내의 동일한 높이 값을 가진 픽셀이 그 데이터 주위를 2픽셀 떨어져 둘러싸고 있는 픽셀의 높이 값과 3m 이상 차이가 발생한 지점을 오분류된 지면의 기준으로 설정하였다.
본 연구에서는 LiDAR 데이터를 이용하여 수목 객체와 수고를 추출하고 임상도(Forest Type Map)를 이용하여 산림의 수종정보와 군집영역을 입력하였다. 또한 Flora3D 수목모델링 툴을 사용하여 산림을 실제와 가깝게 3차원으로 시각화하였다.
임상도의 5가지 임상분류 중 곰솔, 낙엽송, 소나무는 임상도의 임상분류와 실제수종이 일치하는 경우이나 기타활엽수와 침활혼효림은 분류 내의 수종이 더 세분화된다. 본 연구에서는 곰솔, 낙엽송, 소나무는 해당 수종이 100% 비율, 기타활엽수는 연구대상지의 대표적인 3가지 활엽수종인 굴참나무(Cork Oak), 벚나무(Cherry Blossoms), 굴피나무(Platycarya Strobilacea)로 분류하여 각각 33% 비율로 설정하였고. 침활혼효림은 기타활엽수의 굴참나무, 벚나무와 침엽수종 중 곰솔과 낙엽송을 각각 25% 비율로 설정하였다.
각각의 필터링 알고리즘이 분류하여 제거한 비지면 점의 개수는 차이가 크지만 지면점의 전체적인 형상에서는 차이가 미미하였다. 알고리즘간의 정확도를 비교하기 위하여 비지면점이 제거된 필터링 결과물에서 오분류된 지면을 판별하였다. 필터링된 데이터는 래스터화 하였으며 1픽셀의 크기는 1m이다.
연구 대상지의 LiDAR 데이터에서 지면점과 비지면 점을 분류하기 위하여 ATIN(Adaptive TIN), ETEW(Elevation Threshold Expanding Window), MLS(Maximum Local Slope), PM(Progressive Morphology) 필터를 적용시킨 후 비교하였다. 각각의 필터링 알고리즘을 처리하기 위한 S/W로 ALDPAT(Airborne LIDAR Data Processing and Analysis Tools)를 사용하였다.
연구 대상지의 식생에 대한 높이 값을 가지는 DCM을 산출하기 위해 최초의 LiDAR 데이터를 사용하여 제작된 DSM(Figure 5)과 ETEW 필터를 사용하여 제작된 DTM(Figure 6)을 차분하였다. 산출된 DCM은 Figure 7과 같다.
오류로 분류된 수목점의 제거 후 정확도 평가를 위하여 현지조사가 수행된 표본지의 실제 수목 객체수와 비교하였다. 정확도검증을 위한 표본지는 Figure 11에 나타낸 지역이며, 연구대상지의 범위가 광범위 하여 모든 수목객체의 추출정확도를 검증하기 어렵다고 판단되어 표본지를 선정하여 추출정확도를 분석하였다.
Vegetation Layer를 효과적으로 3차원 시각화하기 위한 응용프로그램으로 ESRI의 ArcGlobe를 사용하였다. 우선 연구지역의 항공사진과 DTM 데이터를 지형정보로 입력하여 베이스맵을 생성하였다. 입력을 위해 모든 데이터의 좌표체계는 WGS1984, UTM Zone 52N으로 통일하였다.
Table 1의 연구사례에서 알 수 있듯이 식생과 수목을 시각화하는 연구는 대부분 LiDAR와 위성영상을 사용하고 있으며, 주로 LiDAR 데이터에서 지면점과 비지면점을 분류한 후 수목지역을 추출한 후 수목 모델링 툴을 이용하여 수목을 시각화하는 방법을 이용하고 있다. 위성영상만으로 수목을 추출하는 연구는 드물었으며 LiDAR 데이터에서 수목을 정교하게 추출 하는 과정에서 위성영상을 이용하였다.
이를 위해 첫 단계에서는 LiDAR 데이터를 통해 DSM과 DTM데이터를 구축하고 이 두 자료를 이용하여 DCM을 생성한 뒤 국지적 최대값 필터링을 이용하여 수목의 위치와과 높이에 대한 데이터를 구축하였다. 두 번째 단계에서는 앞서 만들어진 DCM과 임상도를 이용하여 Vegetation Layer에 수목의 종과 군집 영역에 대한 정보를 입력하였다.
주로 건물의 지붕과 도로상에 다수 나타났으며 산림 내부에서도 다수의 오분류된 수목점이 존재하였다. 이에 따라 건물과 도로상에 나타난 수목점을 제거하였으며 산림지역 내의 Figure 10과 같이 밀집된 형태로 추출된 수목점에 대해서는 수목점 포인트간 거리가 1.5m 이내일 경우 오분류 되었을 것으로 고려하여 오류로 평가하여 제거하였다. 이 과정을 거쳐 최종적으로 결정된 수목점은 총 9,595개 이다.
이는 도시지역 내의 산림이 아닌 실제 대규모 산림 지역에 적용하기에 부적합할 수 있다고 판단된다. 이에 본 연구에서는 면적 약 0.7km2 (686,808m2)의 대규모 산림 지역을 연구 대상지로 설정하여 실제 비도시지역 산림과 유사한 규모의 산림을 시각화하였다.
DCM은 연구대상지의 수목의 영역과 높이에 대한 정보를 저장하고 있다. 이후 국지적 최대값 필터링 (Local Maxima Filtering)실시하여 객체 수목점을 추정하여 Vegetation Layer에 입력한 뒤, Vegetation Layer의 수목 임상구분을 위하여 1:5000 임상도의 임상분류를 참조하여 임상을 분류한다.
본 연구에서는 곰솔, 낙엽송, 소나무는 해당 수종이 100% 비율, 기타활엽수는 연구대상지의 대표적인 3가지 활엽수종인 굴참나무(Cork Oak), 벚나무(Cherry Blossoms), 굴피나무(Platycarya Strobilacea)로 분류하여 각각 33% 비율로 설정하였고. 침활혼효림은 기타활엽수의 굴참나무, 벚나무와 침엽수종 중 곰솔과 낙엽송을 각각 25% 비율로 설정하였다.
대상 데이터
2를 이용하여 Shape 파일 포맷의 Vegetation Layer를 생성한 후 LiDAR 자료처리로 생성된 9,595개의 수목점을 Vegetation Layer에 입력하였다. Vegetation Layer의 좌표체계는 WGS1984, UTM Zone 52N으로 설정하였고 수목점 데이터역시 동일한 좌표체계를 사용하였다. 입력된 수목점의 임상분류를 위하여 1:5000 임상도의 임상정보를 입력하였다.
또한 높이에 대한 임계값역시 산림내의 수목의 최소 높이라고 가정할 수 있는 2m를 기준으로 자료처리를 수행하였다. 국지적 최대값 필터링을 통하여 추출된 수목점은 Figure 8과 같으며 최초 31,214개의 수목점이 추출되었다. 이후 연구대상지의 경계 밖의 수목점을 제거하여 11,390개의 수목점 데이터가 Figure 9와 같이 저장되었다.
국지적 최대값 필터링에 사용되는 구조요소의 형태는 사각형, 삼각형, 원형, 링형 등으로 다양하며 추출 목적과 방법에 따라 선택적으로 사용할 수 있다[3]. 본 연구에서는 수목 추출이 국지적 최대값 필터링의 목적이므로 원형 구조요소를 사용하였으며 구조요소의 크기는 3m로 설정하였다. 또한 높이에 대한 임계값역시 산림내의 수목의 최소 높이라고 가정할 수 있는 2m를 기준으로 자료처리를 수행하였다.
연구지역은 충청남도 태안군 소원면 의항리 일대약 0.7km2(686,808m2) 면적의 지역이며, 태안군의 서측연안에 위치하고 있다. 도시화지역의 면적은 산림 지역 면적의 약 4%로서 면적이 상당히 적은 편이다.
연구지역의 LiDAR 자료는 Optech사의 ALTM Gemini 167모델을 사용하였으며 2011년 9월에 촬영되었고 2.5점/m2의 점밀도를 가진다. 항공사진은 ADS40 디지털카메라를 사용하였으며 2012년 7월에 촬영되었고 25cm의 공간해상도를 가지고 있다.
5m 이내일 경우 오분류 되었을 것으로 고려하여 오류로 평가하여 제거하였다. 이 과정을 거쳐 최종적으로 결정된 수목점은 총 9,595개 이다.
Vegetation Layer의 좌표체계는 WGS1984, UTM Zone 52N으로 설정하였고 수목점 데이터역시 동일한 좌표체계를 사용하였다. 입력된 수목점의 임상분류를 위하여 1:5000 임상도의 임상정보를 입력하였다. 임상도는 우리나라 국토의 산림이 어떻게 분포하고 있는가를 보여주는 대표적인 산림지도로 임종, 임상, 수종, 경급, 영급, 수관밀도 등 다양한 속성정보를 포함하고 있으며 지형도, 토양도, 지질도 등과 더불어 국가기관에서 전국적 규모로 제작하는 주요 주제도 중 하나이다[5].
알고리즘간의 정확도를 비교하기 위하여 비지면점이 제거된 필터링 결과물에서 오분류된 지면을 판별하였다. 필터링된 데이터는 래스터화 하였으며 1픽셀의 크기는 1m이다. 본 연구에서는 2×2 픽셀 크기 이내의 동일한 높이 값을 가진 픽셀이 그 데이터 주위를 2픽셀 떨어져 둘러싸고 있는 픽셀의 높이 값과 3m 이상 차이가 발생한 지점을 오분류된 지면의 기준으로 설정하였다.
5점/m2의 점밀도를 가진다. 항공사진은 ADS40 디지털카메라를 사용하였으며 2012년 7월에 촬영되었고 25cm의 공간해상도를 가지고 있다.
데이터처리
시뮬레이션의 정성적 검증을 위하여 연구대상지 외각의 두 지점에서 실제 촬영한 영상과 비교하였다 (Figure 16. (a), (b)).
이론/모형
Vegetation Layer의 수목 정보를 3차원으로 모델링 하기 위하여 Flora3D 수목 모델링 툴을 사용하였다. Flora3D는 Lenne3D사의 식생 모델링 소프트웨어로서 Rule-Based Modeling방식을 이용하여 정교한 수목 입체 모델을 생성시킬 수 있다.
연구 대상지의 LiDAR 데이터에서 지면점과 비지면 점을 분류하기 위하여 ATIN(Adaptive TIN), ETEW(Elevation Threshold Expanding Window), MLS(Maximum Local Slope), PM(Progressive Morphology) 필터를 적용시킨 후 비교하였다. 각각의 필터링 알고리즘을 처리하기 위한 S/W로 ALDPAT(Airborne LIDAR Data Processing and Analysis Tools)를 사용하였다. 각각 필터링 알고리즘에 사용된 변수는 Table 2와 같다.
식별 결과 MLS는 3지점, ETEW는 2지점, ATIN은 3지점, PM 10지점이 오분류로 판별되었다. 따라서 본 연구를 위한 필터링 알고리즘으로 오분류가 가장 적게 나타난 ETEW필터를 사용하였다.
줄기와 잎에 대한 기본 데이터를 바탕으로 Flora3D 의 Rule-Based Modeling 방식의 수목 모델링을 수행하였으며, 모델의 구조와 매개변수, 완성된 형상은 Table 4와 같다. 완성된 수목 모델은 3DS 파일 포맷으로 저장 하였다.
DCM으로부터 객체 수목점을 추출하기 위하여 국지적 최대값 필터링(Local Maxima Filtering)을 수행 하였다. 필터링을 수행하기 위해 ArcMap 10.2의 Raster Calculator툴을 이용하였다. 국지적 최대값 필터링에 사용되는 구조요소의 형태는 사각형, 삼각형, 원형, 링형 등으로 다양하며 추출 목적과 방법에 따라 선택적으로 사용할 수 있다[3].
성능/효과
ETEW 알고리즘의 주요 매개변수인 최초격자 크기는 평균 점간거리 보다 작게 하기 위해 0.5, 지면점 선택을 위한 경사의 임계값은 산악지형의 경사를 고려하여 0.7로 설정하였으며 3회 반복하였다. ETEW필터를 사용하여 비지면점을 제거한 후 얻어진 DTM은 Figure 6과 같다.
그러나 베이스 맵으로 사용된 항공사진의 색감이 수목모델보다 강한 지점에서는 수목모델의 식별성이 저하되었으며, 수목모델의 크기가 전체 비율이 유지된 체로 수고 정보만을 이용하여 결정되므로 수고가 낮은 모델은 줄기와 잎의 크기가 매우 작아지며 반대인 경우 매우 커지는 문제점도 발견되었다. 이러한 문제점은 향후 개선이 필요할 것이다.
7km2 대규모 산림지역의 약 1만개의 수목객체를 대상으로 하여 실제 산림지역에 적용하여도 무리가 없게 하였고, 임상도를 활용하여 정확한 산림정보를 포함하였다. 또한 수목 모델링 툴을 이용한 수목의 표현으로 사용자에게 직관적이고 현실적인 3차원 산림정보를 제공할 수 있었다.
식별 결과 MLS는 3지점, ETEW는 2지점, ATIN은 3지점, PM 10지점이 오분류로 판별되었다. 따라서 본 연구를 위한 필터링 알고리즘으로 오분류가 가장 적게 나타난 ETEW필터를 사용하였다.
1%로 나타났다. 정확도가 낮아지게 된 원인으로 국지적 최대값 필터링 과정에서 산림내의 수목의 최소 높이로 설정하였던 2m 이하의 수목이 존재하는 점과, 정확도 검증 표본지의 수관이 서로 근접하여있는 10m 이상의 객체목의 사이에 4m 수목이 추출되지 못한 점이 확인되었다. 향후 연구에서 이 문제에 대한 개선이 필요할 것으로 판단된다.
정확도검증을 위한 표본지는 Figure 11에 나타낸 지역이며, 연구대상지의 범위가 광범위 하여 모든 수목객체의 추출정확도를 검증하기 어렵다고 판단되어 표본지를 선정하여 추출정확도를 분석하였다. 현지조사 결과 표본지의 실제 객체목의 수는 45개, 국지적 최대값 필터링으로 인해 추출된 객체목의 수는 41개로 표본지의 객체목 추출정확도는 89.1%로 나타났다. 정확도가 낮아지게 된 원인으로 국지적 최대값 필터링 과정에서 산림내의 수목의 최소 높이로 설정하였던 2m 이하의 수목이 존재하는 점과, 정확도 검증 표본지의 수관이 서로 근접하여있는 10m 이상의 객체목의 사이에 4m 수목이 추출되지 못한 점이 확인되었다.
후속연구
또한 Flora3D 수목모델링 툴을 사용하여 산림을 실제와 가깝게 3차원으로 시각화하였다. 산림정보를 현실적으로 시각화함으로써 생태자원의 복원과 보존, 도시경관 등을 위한 시뮬레이션과 분석에 도움을 줄 수 있을 것으로 기대된다.
그러나 베이스 맵으로 사용된 항공사진의 색감이 수목모델보다 강한 지점에서는 수목모델의 식별성이 저하되었으며, 수목모델의 크기가 전체 비율이 유지된 체로 수고 정보만을 이용하여 결정되므로 수고가 낮은 모델은 줄기와 잎의 크기가 매우 작아지며 반대인 경우 매우 커지는 문제점도 발견되었다. 이러한 문제점은 향후 개선이 필요할 것이다.
정확도가 낮아지게 된 원인으로 국지적 최대값 필터링 과정에서 산림내의 수목의 최소 높이로 설정하였던 2m 이하의 수목이 존재하는 점과, 정확도 검증 표본지의 수관이 서로 근접하여있는 10m 이상의 객체목의 사이에 4m 수목이 추출되지 못한 점이 확인되었다. 향후 연구에서 이 문제에 대한 개선이 필요할 것으로 판단된다.
향후 연구에서는 국지적 최대값 필터링을 통한 객체목 추출 과정에서의 낮은 정확도에 대한 개선과 높이만을 참조하여 발생되는 수목 모델의 비율 문제, 그리고 계절에 따라 형상과 색이 변경되는 수목과 식생에 대한 시각화 방안이 고려되어야 할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
3차원 지리정보시스템의 한계는?
또한 3차원 시각화를 위한 3차원 지리정보시스템은 국내에서 크게 국방, 토목, 도시계획, 수자원, 해양 등의 여러 분야에 이용되고 있지만 생태‧환경 분야에는 적극적으로 활용되지 못하고 있다. 이러한 현상은 그 동안 생태자원의 3차원 시각화의 효과와 영향에 대한 관심이 부족하였기 때문이며, 생태자원이 건축물이나 시설물 등의 객체에 비해 3차원으로 시각화하기 까다롭기 때문이다.
현재 산림정보는 어떤 분야에서 요구되는가?
이러한 산림자원을 효과적으로 관리하기 위해서는 다양한 정보를 효과적으로 관리함과 동시에 정보를 현실에 가깝게 시각화하려는 노력이 필요하다. 현재 산림정보는 식생의 보전 및 복원, 산사태 취약성 분석, 도시경관 시뮬레이션, 수목관리 시스템구축등 여러 분야에서 요구되고 있으며 LiDAR(Light detection and ranging) 데이터와 위성영상 등 여러 가지 자료를 통한 정보 추출과 연구가 활발히 이루어지고 있다[2]. 그러나 산림정보와 연관된 연구결과를 이용한 3차원 시각화 노력은 저조한 실정이다.
3차원 지리정보시스템이 한계를 갖는 이유는?
또한 3차원 시각화를 위한 3차원 지리정보시스템은 국내에서 크게 국방, 토목, 도시계획, 수자원, 해양 등의 여러 분야에 이용되고 있지만 생태‧환경 분야에는 적극적으로 활용되지 못하고 있다. 이러한 현상은 그 동안 생태자원의 3차원 시각화의 효과와 영향에 대한 관심이 부족하였기 때문이며, 생태자원이 건축물이나 시설물 등의 객체에 비해 3차원으로 시각화하기 까다롭기 때문이다.
참고문헌 (15)
Charlie, Y; Peter, B; Paul, K; Adam, R. 2011, Environmental Visualization And 3D Modeling to Support Stream And Watershed Restoration In The Appalachians, Mid-Atlantic Stream Restoration Conference.
Cho, D. Y; Kim, E. M. 2012, Extraction of Street Tree Information Using Airborne LIDAR Data, Journal of Korea Spatial Information Society, 20(6): 45-57.
Choi, Y. W; Choi, N. I; Lee, J. W; Cho G. S. 2005, Accuracy Assessment of Ground Information Extracting Method from LiDAR Data, Journal of the Korea Society for Geospatial Information System, 14(4):19-26.
Flora3d Web Homepage, URL: http://flora3d.net (Last Date Accessed: 1 July 2014).
Forest Geospatial Information Service, URL: http://fgis.forest.go.kr/, Korea Forest Service, (Last Date Accessed: 6 October 2014).
Haans, F; Paul, M; Steven, D. 2009, Derived Lidar products and forestry applications: Crawford study area-White Mountain National Forest, Report: RSAC-0999-BRIEF3. Salt Lake City, UT: U.S. Department of Agriculture Forest Service, Remote Sensing Applications Center.
Harald, S; Oliver, S; Hannes, R; Andreas, W; Alexander A. 2005, Automac 3D Visualization of Geo-Information for Fireprevention in European Mediterranean Areas, Joanneum Research, Institute of Digital Image Processing.
Hofle, B; Hollaus, M. 2010, Urban Vegetation Detection Using High Density Full-Waveform Airborne LiDAR Data-Combination of Object-Based Image and Point Cloud Analysis, IAPRS 38(Part7B):281-286.
Jun, G; Zheng, N. 2010, Single Tree Modeling and Vegetation Visualization Using Lidar Data, Institute of Remote Sensing Applications, Chinese Academy of Sciences.
Kim, D. Y; Jang, Y. W; Kim, J. N; Park, S. K; Cho, G. S. 2009, A Study on Forest Information Extraction using Airborne LiDAR Data, Korean Society of Civil Engineers, 35(438):1575-1578.
Kim, E. M. 2013, Extraction of the Tree Regions in Forest Areas Using LIDAR Data and Orthoimage, Journal of the Korean Society for Geospatial Information System 21(2):27-34.
Lidar Remote Sensing of Forest, URL: http://faculty.ucmerced.edu/qguo/publications/OnePager_Lidar.pdf, Spatial Analysis and Remote Sensing Lab, Sierra Nevada Research Institute, School of Engineering, UC Merced, (Last Date Accessed: 10 October 2014)
Wikipedia, URL: http://en.wikipedia.org/wiki/Rulebased_modeling (Last Date Accessed: 6 October 2014).
Yoon, J. S; Lee, K. S; Shin, J. I; Woo C. S. 2006, Characteristics of Airborne Lidar Data and Ground Points Separation in Forested Area, Korean Journal of Remote Sensing, 22(6): 533-542.
Zhang, K; Whitman, D. 2005, Comparison of Three Algorithms for Filtering Airborne Lidar Data, Photogrammetric Engineering & Remote Sensing, 71(3):313-324.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.