최근 임상도의 신규 속성으로 임분의 평균 수고인 임분고를 추가하기 시작하였으나 전국 940만개의 포인트를 스테레오 항공사진에서 수동 측정해야 하는 어려움이 예상된다. 아울러, 항공사진에서 수고 측정 시 임연부나 묘지 주변의 수고를 측정하기 쉬워 임분 대표성이 떨어지는 한계를 가지고 있다. 본 연구에서는 고해상도 스테레오 항공사진에서 추출한 영상 기반 3차원점군과 FUSION S/W를 활용한 임분고 추정 방법을 제안하고 임분고를 자동 분석할 수 있는 모듈을 개발하였다. 스테레오 항공사진에서 수치표면모델 3차원 점군을 추출한 후 지면점 필터링을 거쳐 수치지면모델을 추출하고 이 두 모델을 차분하여 정규수치표면모델을 제작하였다. 정규수치표면모델에서 표본점별 개체목 수관을 육안판독한 후 수관별 최고점을 추출하여 정규수치표면모델 수고를 산출하였다. 표본점에서의 실측 수고와 정규수치표면모델 수고의 RMSE를 분석한 결과 전체 표본점 평균 수고의 RMSE는 0.96m로 나타났다. 대상지 전체의 개체목 수고를 추출하기 위해 FUSION S/W를 이용하여 항공사진의 정규수치표면모델에서 개체목 수고를 자동 추출하고 이를 임상도의 임분 폴리곤 단위로 평균하여 최종 임분고를 산출하였다. 마지막으로 임분고를 보다 손쉽게 분석할 수 있는 환경을 구현하기 위해 임분고 분석 프로세스를 ArcGIS add-in 모듈 형태로 자동화하였다.
최근 임상도의 신규 속성으로 임분의 평균 수고인 임분고를 추가하기 시작하였으나 전국 940만개의 포인트를 스테레오 항공사진에서 수동 측정해야 하는 어려움이 예상된다. 아울러, 항공사진에서 수고 측정 시 임연부나 묘지 주변의 수고를 측정하기 쉬워 임분 대표성이 떨어지는 한계를 가지고 있다. 본 연구에서는 고해상도 스테레오 항공사진에서 추출한 영상 기반 3차원 점군과 FUSION S/W를 활용한 임분고 추정 방법을 제안하고 임분고를 자동 분석할 수 있는 모듈을 개발하였다. 스테레오 항공사진에서 수치표면모델 3차원 점군을 추출한 후 지면점 필터링을 거쳐 수치지면모델을 추출하고 이 두 모델을 차분하여 정규수치표면모델을 제작하였다. 정규수치표면모델에서 표본점별 개체목 수관을 육안판독한 후 수관별 최고점을 추출하여 정규수치표면모델 수고를 산출하였다. 표본점에서의 실측 수고와 정규수치표면모델 수고의 RMSE를 분석한 결과 전체 표본점 평균 수고의 RMSE는 0.96m로 나타났다. 대상지 전체의 개체목 수고를 추출하기 위해 FUSION S/W를 이용하여 항공사진의 정규수치표면모델에서 개체목 수고를 자동 추출하고 이를 임상도의 임분 폴리곤 단위로 평균하여 최종 임분고를 산출하였다. 마지막으로 임분고를 보다 손쉽게 분석할 수 있는 환경을 구현하기 위해 임분고 분석 프로세스를 ArcGIS add-in 모듈 형태로 자동화하였다.
Recently mean stand height has been added as new attribute to forest type maps, but it is often too costly and time consuming to manually measure 9,100,000 points from countrywide stereo aerial photos. In addition, tree heights are frequently measured around tombs and forest edges, which are poor re...
Recently mean stand height has been added as new attribute to forest type maps, but it is often too costly and time consuming to manually measure 9,100,000 points from countrywide stereo aerial photos. In addition, tree heights are frequently measured around tombs and forest edges, which are poor representations of the interior tree stand. This work proposes an estimation of mean stand height using an image-based point cloud, which was extracted from stereo aerial photo with FUSION S/W. Then, a digital terrain model was created by filtering the DSM point cloud and subtracting the DTM from DSM, resulting in nDSM, which represents object heights (buildings, trees, etc.). The RMSE was calculated to compare differences in tree heights between those observed and extracted from the nDSM. The resulting RMSE of average total plot height was 0.96 m. Individual tree heights of the whole study site area were extracted using the USDA Forest Service's FUSION S/W. Finally, mean stand height was produced by averaging individual tree heights in a stand polygon of the forest type map. In order to automate the mean stand height extraction using photogrammetric methods, a module was developed as an ArcGIS add-in toolbox.
Recently mean stand height has been added as new attribute to forest type maps, but it is often too costly and time consuming to manually measure 9,100,000 points from countrywide stereo aerial photos. In addition, tree heights are frequently measured around tombs and forest edges, which are poor representations of the interior tree stand. This work proposes an estimation of mean stand height using an image-based point cloud, which was extracted from stereo aerial photo with FUSION S/W. Then, a digital terrain model was created by filtering the DSM point cloud and subtracting the DTM from DSM, resulting in nDSM, which represents object heights (buildings, trees, etc.). The RMSE was calculated to compare differences in tree heights between those observed and extracted from the nDSM. The resulting RMSE of average total plot height was 0.96 m. Individual tree heights of the whole study site area were extracted using the USDA Forest Service's FUSION S/W. Finally, mean stand height was produced by averaging individual tree heights in a stand polygon of the forest type map. In order to automate the mean stand height extraction using photogrammetric methods, a module was developed as an ArcGIS add-in toolbox.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 임상도 제작 시 활용되는 스테레오 항공사진에서 추출한 영상 기반 3D 점군과 미국 산림청에서 산림부문의 LiDAR 데이터 활용성을 향상시키기 위해 개발한 프로그램인 FUSION S/W를 이용하여 임분고를 추출하는 체계적인 프로세스를 개발하고 임분고를 자동 분석할 수 있는 모듈을 개발하여 임상도 제작 시 임분고를 보다 과학적이고 효율적인 방법으로 취득하는데 목적이 있다.
스테레오 항공사진에서 nDSM을 추출하고 임분고를 추정하는 전 과정이 수행 가능하도록 충분한 기능을 보유한 단일 프로그램이 없기 때문에 Erdas, Microstation Terra, FUSION,Global mapper 및 ArcGIS 등 다양한 프로그램을 번갈아 가며 사용해야 하는 어려움이 존재하므로 향후 임상도 사업 적용 시 작업자 불편을 야기할 수 있을 것으로 예측된다(표 5). 따라서 임상도 제작 시 임분고 속성 추가를 효율적으로 수행할 수 있도록 스테레오 항공사진에서 추출된 nDSM에서 임분고를 추정하여 임상도 속성 정보로 자동 입력할 수 있는 단일모듈 개발을 추진하였다.
제안 방법
입체항공사진의 DSM을 활용하여 임분고를 추정할 때 효율적으로 적용될 수 있는 DSM 3차원 점군의 적정 점밀도에 대한 Mun etal.(2014)의 선행실험연구를 토대로 본 연구에서는 3차원 점군의 점밀도를 16pt/㎡로 선택하였다. 이는 국토지리정보원에서 규정한 항공 LiDAR 기반의 DEM(1m×1m) 제작에 필요한 최소 점밀도 기준인 2.
1단계에서는 표정 등 전처리 과정을 거친 스테레오 항공사진을 이미지 매칭하여 DSM을 추출하고 3차원 수직정보를 포함하는 3차원 점군으로 변환한 후 필터링을 거쳐 수치지면모델(DTM, Dital Terrain Model)을 산출하였다. 두 모델을 차분하여 정규수치표면모델(nDSM,normalized Digital Surface Model)을 구하여 개체목 수고를 포함한 지형지물의 높이 정보를 추출하였다.
2단계에서는 항공사진 nDSM에서 개체목별로 수고를 추출한 후 정확도를 평가하기 위해 현지조사를 통해 취득한 표본점의 모든 개체목 수고를 표본점별로 평균한 표본점 평균 수고(Hf)와 nDSM 기반 개체목 수고를 표본점별로 평균한 표본점 평균 수고(Hn)의 RMSE를 분석하였다. 여기서, Hn는 표본점 내 개체목 수관을 육안 판독하여 생성된 원형의 수관 객체의 최고점을 추출하여 구하였다.
3단계에서는 개체목 수고의 추출 범위를 표본점에서 매화산 경영모델림 촬영지역 전체로 확장하기 위해, FUSION 프로그램의 CanopyModel 알고리즘을 이용하여 nDSM에서 수관을 자동분할하고, CanopyMaxima 알고리즘을 이용하여 수관 내 최고점을 탐색하여 촬영지역 전체의 개체목 수고를 산출하였다.
FUSION은 입력자료인 nDSM에 대해“DTM”이라는 고유포맷을 활용하므로 img 포맷의 nDSM파일을 ASCII로 변환하고 FUSION에서 ASCII2DTM 알고리즘을 이용하여 DTM 포맷으로의 nDSM의 파일변환 과정을 거쳤다. CanopyMaxima 알고리즘의 수행 결과인 개체목별 수고 파일은 csv 포맷으로 저장되므로 이를 ArcGIS에서 point 형태의 shp 포맷으로 변환하였다.
이 정제된 DSM에서 지면점을 분류하여 DTM을 추출하였다. DSM과 DTM은 Global Mapper에서 래스터 형태의 img 포맷으로 변환하였다. 마지막으로, ERDAS IMAGINE V.
현재 임상도의 임분고가 2m 괄약으로 입력됨을 고려할 때 한 임분당 3지점의 개체목 수고를 측정하는 기존의 임상도 임분고 수동 측정공정을 임분고 자동모듈 활용으로 대체 가능함을 확인할 수 있었다. FUSION S/W를 이용하여 매화산 경영모델림 전체 개체목 수고를 자동 추출하였으며 이를 임상도 임분 단위로 평균하여 임상도에 추가하였다.
FUSION은 입력자료인 nDSM에 대해“DTM”이라는 고유포맷을 활용하므로 img 포맷의 nDSM파일을 ASCII로 변환하고 FUSION에서 ASCII2DTM 알고리즘을 이용하여 DTM 포맷으로의 nDSM의 파일변환 과정을 거쳤다.
각 표본점은 반경 11.3m의 원형으로 구성되었으며 표본점 반경 내에 위치한 모든 개체목의 위치정보 수집을 위해 중심점으로부터의 거리와 각도를 측정하였으며, 수종, 흉고직경 및 수고 등의 조사 항목을 전수 조사하였다(표 4). 개체목 위치는 DGPS로 측정한 표본점의 중심좌표에서 방위각과 거리를 이용하여 좌표를 획득하였으며, 수고는 Haglof Vertex와 TruPulse를 이용하여 측정하였다(그림 3).
3m의 원형으로 구성되었으며 표본점 반경 내에 위치한 모든 개체목의 위치정보 수집을 위해 중심점으로부터의 거리와 각도를 측정하였으며, 수종, 흉고직경 및 수고 등의 조사 항목을 전수 조사하였다(표 4). 개체목 위치는 DGPS로 측정한 표본점의 중심좌표에서 방위각과 거리를 이용하여 좌표를 획득하였으며, 수고는 Haglof Vertex와 TruPulse를 이용하여 측정하였다(그림 3).
1단계에서는 표정 등 전처리 과정을 거친 스테레오 항공사진을 이미지 매칭하여 DSM을 추출하고 3차원 수직정보를 포함하는 3차원 점군으로 변환한 후 필터링을 거쳐 수치지면모델(DTM, Dital Terrain Model)을 산출하였다. 두 모델을 차분하여 정규수치표면모델(nDSM,normalized Digital Surface Model)을 구하여 개체목 수고를 포함한 지형지물의 높이 정보를 추출하였다.
본 연구에서는 전술한 수고 추출의 복잡한 과정을 수고추출도구로 자동화하여 사용자가 별도로 명령어를 입력하지 않고 ArcGIS에서 FUSION 프로그램을 내부 호출하여 nDSM에서 개체목 수고점 포인트 파일을 자동 생성할 수 있다. 두 번째 기능은 임분 구획별 임분고 분석 기능으로 기존에는 Spatial Join을 이용하여 임상도와 수고점 shp 파일을 point to polygon 방식으로 조인한 후 임상도의 임분 폴리곤에 떨어지는 수고점의 수고값을 평균하여 임분고를 계산한다. 임상도에 임분고가 추가되면 임분고 필드를 토대로 임분고 라벨링과 임분고 등급을 분류하였다.
nDSM기반 수고 추출 시 사용한 FUSIONS/W의 경우 사용자가 command 창에서 직접프로그램과 환경변수를 입력해야 하며, 추출된 수고점을 다시 ArcGIS 상에서 point 기반 Feature 데이터로 변환하고 사용자가 직접 임분고 필드 추가와 평균값을 계산하는 스크립트 식을 입력하여야 하는 어려움이 존재한다. 따라서, 본 연구에서는 사용자가 별도로 명령어를 입력하지 않고 ArcGIS에서 FUSION 프로그램을 내부 호출하여 nDSM에서 개체목 수고점 포인트 파일을 자동 생성하는 수고 추출 자동화 기능과 추출된 수고를 임분 단위로 평균한 임분고를 추가하고, 라벨링 및 임분고의 등급을 분류하는 임분고 분석 자동화 기능 등을 포함하는 add-in 모듈을 개발하였다.
DSM과 DTM은 Global Mapper에서 래스터 형태의 img 포맷으로 변환하였다. 마지막으로, ERDAS IMAGINE V.14.0을 이용하여 DSM 및 DTM의 차분 연산을 수행하고, 수고 및 건물 높이 등의 지형지물 높이 정보를 포함하는 nDSM을 생성하였다(그림 5).
본 연구에서는 FUSION Ver 3.42의 Canopy Maxima 알고리즘을 활용하여 수관별 높이 정보를 가지고 있는 nDSM으로부터 수관표면모델을 만들고 수관별 최고점(top height point)의 좌표와 수고값을 추출하였다. FUSION은 입력자료인 nDSM에 대해“DTM”이라는 고유포맷을 활용하므로 img 포맷의 nDSM파일을 ASCII로 변환하고 FUSION에서 ASCII2DTM 알고리즘을 이용하여 DTM 포맷으로의 nDSM의 파일변환 과정을 거쳤다.
본 연구에서는 강원도 홍천군 매화산 경영모델림을 대상으로 고해상도 스테레오 항공사진(25cm GSD)을 이미지 매칭하고 영상기반 3차원 점군을 생성하여 항공 LiDAR가 제공하는 수직 정보와 유사한 nDSM을 추출하였다. 이 nDSM으로부터 미국 산림청이 제공하는 FUSION 프로그램을 이용하여 개체목 수고를 추출하고 임상도의 임분 폴리곤별로 개체목 수고를 평균하여 임분고를 산출하였다.
csv)을 생성한 후 최종적으로 text 파일 형태의 수고파일을 포인트 파일로 변환하는 일련의 복잡한 과정을 거친다. 본 연구에서는 전술한 수고 추출의 복잡한 과정을 수고추출도구로 자동화하여 사용자가 별도로 명령어를 입력하지 않고 ArcGIS에서 FUSION 프로그램을 내부 호출하여 nDSM에서 개체목 수고점 포인트 파일을 자동 생성할 수 있다. 두 번째 기능은 임분 구획별 임분고 분석 기능으로 기존에는 Spatial Join을 이용하여 임상도와 수고점 shp 파일을 point to polygon 방식으로 조인한 후 임상도의 임분 폴리곤에 떨어지는 수고점의 수고값을 평균하여 임분고를 계산한다.
임상도에 임분고가 추가되면 임분고 필드를 토대로 임분고 라벨링과 임분고 등급을 분류하였다. 본 연구에서는 전술한 수고 추출의 복잡한 과정을 임분고 추출도구로 자동화하여 임상도 속성정보 테이블에 FUSION에서 추출한 수고 데이터 및 이를 임분 단위로 평균한 임분고를 추가하고, 라벨링 및 임분고 등급 분류 등 일련의 과정을 자동 수행할 수 있는 제작 환경을 구현하였다.
이 DSM 3차원 점군에서 지면점을 재분류하여 DTM을 추출하고 두 모델을 래스터로 변환한 후 차분 연산을 수행하여 nDSM을 제작하였다(그림 7).
본 연구에서는 강원도 홍천군 매화산 경영모델림을 대상으로 고해상도 스테레오 항공사진(25cm GSD)을 이미지 매칭하고 영상기반 3차원 점군을 생성하여 항공 LiDAR가 제공하는 수직 정보와 유사한 nDSM을 추출하였다. 이 nDSM으로부터 미국 산림청이 제공하는 FUSION 프로그램을 이용하여 개체목 수고를 추출하고 임상도의 임분 폴리곤별로 개체목 수고를 평균하여 임분고를 산출하였다. 총 25개 표본점에서 측정한 577개 개체목의 수고값을 토대로 표본점 평균 수고의 RMSE를 분석한 결과, nDSM기반 평균 수고의 RMSE는 0.
이 정제된 DSM에서 지면점을 분류하여 DTM을 추출하였다. DSM과 DTM은 Global Mapper에서 래스터 형태의 img 포맷으로 변환하였다.
따라서, 대면적 임상 도의 신규 속성으로 임분고를 추가할 때 본 연구에서 제안한 영상기반 3차원 점군 기법을 이용한다면, 현재와 같은 노동집약적인 아날로그 방식의 수고 독취보다 객관적이며 효율적으로 임분고를 추가할 수 있을 것으로 기대된다. 이를 효과적으로 수행하기 위하여 스테레오 항공사진 기반의 nDSM과 임상도를 이용하여 임분고를 추출하는 일련의 복잡한 프로세스를 ArcGISadd-in 모듈 형태로 자동화하여 임분고를 보다 손쉽게 취득하고 임상도를 고도화할 수 있는 제작 환경을 구현하였다.
본 연구에서는 항공사진 촬영 성과품으로 제공받은 원시 DSM을 정제하여 사용하였다. 이원시 DSM은 스테레오 영상을 이미지 매칭하여 제작한 것으로 본 연구에서는 원시 DSM을 Global Mapper V10.0을 이용하여 las 포맷의 포인트로 변환하여 영상기반 3차원 점군을 생성하고 MicroStation Terra를 이용하여 노이즈를 제거하여 정제된 DSM을 취득하였다.
즉, nDSM 기반 개체목 수고 포인트 파일을 임상도의 임분 폴리곤에 조인하며 이때 point to polygon의 옵션으로 포인트의 평균 요약값을 폴리곤에 조인하는 방식을 선택하였다. 이후 임상도에 임분고 필드를 추가하고 Field Calculater로 임분고 필드에 nDSM 기반 임분고를 할당하여 임상도에 임분고를 추가하는 과정을 완료하였다.
임상도의 신규 속성으로 임분고를 추가하기 위해 ArcGIS에서 임상도의 임분 폴리곤별로 nDSM에서 추출된 수고값을 평균하여 평균 임분고를 추가하고 임분고를 등급화하여 임분고 등급정보를 추가한다. 즉, nDSM 기반 개체목 수고 포인트 파일을 임상도의 임분 폴리곤에 조인하며 이때 point to polygon의 옵션으로 포인트의 평균 요약값을 폴리곤에 조인하는 방식을 선택하였다.
전체 표본점에서 조사한 개체목의 수관 경계 feature를 생성하기 위해 현지 조사한 개체목 위치 좌표를 참조하고(노랑색 점) 반경 11.3m의 표본점(빨강색 원)내에 포함된 개체목을 항공사진에서 육안 판독하여 수관 경계(노랑색원)를 분할하였다(그림 6, 위). ArcGIS를 이용하여 이 수관경계 내 최고점을 nDSM으로부터추출하여 최종적인 개체목 수고를 획득하고 표본점 단위의 평균 임분고를 산출하였다.
임상도의 신규 속성으로 임분고를 추가하기 위해 ArcGIS에서 임상도의 임분 폴리곤별로 nDSM에서 추출된 수고값을 평균하여 평균 임분고를 추가하고 임분고를 등급화하여 임분고 등급정보를 추가한다. 즉, nDSM 기반 개체목 수고 포인트 파일을 임상도의 임분 폴리곤에 조인하며 이때 point to polygon의 옵션으로 포인트의 평균 요약값을 폴리곤에 조인하는 방식을 선택하였다. 이후 임상도에 임분고 필드를 추가하고 Field Calculater로 임분고 필드에 nDSM 기반 임분고를 할당하여 임상도에 임분고를 추가하는 과정을 완료하였다.
현장에서 취득한 개체목의 위치 데이터를 항공사진에 중첩하고 개체목별 수관 경계를 육안 판독하여 수관 경계를 인식할 수 있는 원형 객체를 제작하였다. 이 수관경계 객체와 nDSM을 중첩하여 수관경계 내 최고점을 해당 개체목의 수고로 추출하고 최종적으로 다음 식 (1)과 같이 현지 실측 수고와의 차이를 비교하여 표본점별 평균 수고의 RMSE를 구하였다.
대상 데이터
2013년 9월에 DMC 01–125 디지털 항공카메라로 촬영고도 2,350m, 촬영 횡중복도 50% 이상을 유지하며 GSD 25cm로 항공사진을 촬영하였다(표 2, 그림 2).
영상 기반 3차원 점군으로부터 추정된 수고에 대한 정확도 평가를 위해 2014년 4월 및 5월 등 총 2회에 걸쳐 현지 실측 자료를 수집하였다. 매화산 경영모델림의 주요 수종인 잣나무, 낙엽송, 소나무 및 참나무류 등의 4개 수종을 3개 경급별로 층화하여 총 32개소의 표본점을 배치하였다(표 3, 그림 1(우)).
본 연구에서는 항공사진 촬영 성과품으로 제공받은 원시 DSM을 정제하여 사용하였다. 이원시 DSM은 스테레오 영상을 이미지 매칭하여 제작한 것으로 본 연구에서는 원시 DSM을 Global Mapper V10.
본 연구의 대상지역은 강원도 홍천군 매화산 경영모델림 일대 25㎢이다(그림 1).
영상 기반 3차원 점군으로부터 추정된 수고에 대한 정확도 평가를 위해 2014년 4월 및 5월 등 총 2회에 걸쳐 현지 실측 자료를 수집하였다. 매화산 경영모델림의 주요 수종인 잣나무, 낙엽송, 소나무 및 참나무류 등의 4개 수종을 3개 경급별로 층화하여 총 32개소의 표본점을 배치하였다(표 3, 그림 1(우)).
데이터처리
3m의 표본점(빨강색 원)내에 포함된 개체목을 항공사진에서 육안 판독하여 수관 경계(노랑색원)를 분할하였다(그림 6, 위). ArcGIS를 이용하여 이 수관경계 내 최고점을 nDSM으로부터추출하여 최종적인 개체목 수고를 획득하고 표본점 단위의 평균 임분고를 산출하였다.
현장에서 취득한 개체목의 위치 데이터를 항공사진에 중첩하고 개체목별 수관 경계를 육안 판독하여 수관 경계를 인식할 수 있는 원형 객체를 제작하였다. 이 수관경계 객체와 nDSM을 중첩하여 수관경계 내 최고점을 해당 개체목의 수고로 추출하고 최종적으로 다음 식 (1)과 같이 현지 실측 수고와의 차이를 비교하여 표본점별 평균 수고의 RMSE를 구하였다.
이론/모형
개체목 수고의 추출 범위를 표본점에서 매화산 경영모델림 촬영지역 전체로 확장하기 위해 FUSION S/W를 활용하였다. FUSION 소프트웨어는 미국 산림청(The Forest Service of the U.
성능/효과
스테레오 항공사진을 이미지 매칭하여 DSM을 추출하고, 이를 3차원 점군으로 변환한 결과는 그림 6과 같다. 16 points/m2 의 높은 점밀도로 세밀하게 추출한 결과, 수관의 구조가 개체목별로 잘 구분되고 있음을 확인할 수 있었다. 잣나무 임분인 plot 17의 경우, 약간 경사진 지면에서 6개의 대경목이 현지에서 조사되었는데(그림 6.
nDSM 기반 수고를 평가하기 위한 현지조사 결과는 표 6과 같이 요약하였다. 이상치 7개소를 기각한 총 25개소의 표본점 중 잣나무 표본점 8개, 소나무 표본점 5개, 낙엽송 표본점 7개 및 참나무류 표본점은 5개소이며 각 수종별 수고범위를 살펴볼 때 낙엽송, 잣나무, 소나무, 참나무류 순으로 수고가 높았다.
이 nDSM으로부터 미국 산림청이 제공하는 FUSION 프로그램을 이용하여 개체목 수고를 추출하고 임상도의 임분 폴리곤별로 개체목 수고를 평균하여 임분고를 산출하였다. 총 25개 표본점에서 측정한 577개 개체목의 수고값을 토대로 표본점 평균 수고의 RMSE를 분석한 결과, nDSM기반 평균 수고의 RMSE는 0.96m로 1m 이하의 정확도를 나타내었다. 따라서, 대면적 임상 도의 신규 속성으로 임분고를 추가할 때 본 연구에서 제안한 영상기반 3차원 점군 기법을 이용한다면, 현재와 같은 노동집약적인 아날로그 방식의 수고 독취보다 객관적이며 효율적으로 임분고를 추가할 수 있을 것으로 기대된다.
표본점별 nDSM 수고와 실측 수고와의 차이에 대한 RSME 분석 결과, RMSE 범위는 0.63m~2.65m 이며 전체 표본점별 수고 평균에 대한 RMSE는 0.96m로 분석되었다(그림8). 현재 임상도의 임분고가 2m 괄약으로 입력됨을 고려할 때 한 임분당 3지점의 개체목 수고를 측정하는 기존의 임상도 임분고 수동 측정공정을 임분고 자동모듈 활용으로 대체 가능함을 확인할 수 있었다.
96m로 분석되었다(그림8). 현재 임상도의 임분고가 2m 괄약으로 입력됨을 고려할 때 한 임분당 3지점의 개체목 수고를 측정하는 기존의 임상도 임분고 수동 측정공정을 임분고 자동모듈 활용으로 대체 가능함을 확인할 수 있었다. FUSION S/W를 이용하여 매화산 경영모델림 전체 개체목 수고를 자동 추출하였으며 이를 임상도 임분 단위로 평균하여 임상도에 추가하였다.
후속연구
그러나 미국 산림청이 제공하는 FUSIONS/W를 이용하여 nDSM에서 개체목 수고점을 추출하였기 때문에 우리나라 산림의 수종 특성에 더욱 부합하는 수고점을 추출하기 위해서는 FUSION 알고리즘을 보다 면밀하게 해석하여 국내 환경에 맞게 수정하여 활용할 필요가 있을 것으로 예상된다. 또한, 항공사진 영상기반 3차원 점군은 밀도가 높은 임분의 경우 지표면의 높이값을 정확하게 확인하기가 어렵다는 한계가 있다.
본 연구에서 제안한 임분고 분석 프로세스와 분석 모듈은 UN이 인정한 녹화성공국인 우리나라 산림의 40년 동안의 정량적인 변화를 보다 손쉽게 해석하는데 응용할 수 있다. 나아가 북한 산림 지역에 적용한다면, 아직 황폐되지 않고 남아 있는 우수한 산림지역을 탐색하고 산림자원량 해석에 활용이 가능할 것으로 기대된다.
96m로 1m 이하의 정확도를 나타내었다. 따라서, 대면적 임상 도의 신규 속성으로 임분고를 추가할 때 본 연구에서 제안한 영상기반 3차원 점군 기법을 이용한다면, 현재와 같은 노동집약적인 아날로그 방식의 수고 독취보다 객관적이며 효율적으로 임분고를 추가할 수 있을 것으로 기대된다. 이를 효과적으로 수행하기 위하여 스테레오 항공사진 기반의 nDSM과 임상도를 이용하여 임분고를 추출하는 일련의 복잡한 프로세스를 ArcGISadd-in 모듈 형태로 자동화하여 임분고를 보다 손쉽게 취득하고 임상도를 고도화할 수 있는 제작 환경을 구현하였다.
국립산림과학원은 1970년대부터 약 40년 동안 국토 전 지역을 주기적으로 촬영한 항공사진을 보유하고 있으며 이는 현재 DB로 구축되어 있다. 본 연구에서 제안한 임분고 분석 프로세스와 분석 모듈은 UN이 인정한 녹화성공국인 우리나라 산림의 40년 동안의 정량적인 변화를 보다 손쉽게 해석하는데 응용할 수 있다. 나아가 북한 산림 지역에 적용한다면, 아직 황폐되지 않고 남아 있는 우수한 산림지역을 탐색하고 산림자원량 해석에 활용이 가능할 것으로 기대된다.
스테레오 항공사진에서 nDSM을 추출하고 임분고를 추정하는 전 과정이 수행 가능하도록 충분한 기능을 보유한 단일 프로그램이 없기 때문에 Erdas, Microstation Terra, FUSION,Global mapper 및 ArcGIS 등 다양한 프로그램을 번갈아 가며 사용해야 하는 어려움이 존재하므로 향후 임상도 사업 적용 시 작업자 불편을 야기할 수 있을 것으로 예측된다(표 5). 따라서 임상도 제작 시 임분고 속성 추가를 효율적으로 수행할 수 있도록 스테레오 항공사진에서 추출된 nDSM에서 임분고를 추정하여 임상도 속성 정보로 자동 입력할 수 있는 단일모듈 개발을 추진하였다.
아울러 본 연구에서 제안한 영상기반 3차원점군 기법을 항공사진과 유사한 고해상도의 GeoEye나 WorldView와 같은 스테레오 위성영상에 적용할 경우, 항공사진 촬영이 불가능한 남북접경지역의 수고 정보, 더 나아가서는 북한지역 산림의 수고 정보도 해석이 가능할 것으로 판단된다. 본 연구에서 개발된 임분고 분석프로세스(특허등록번호 제10-1595406호.
, 2013). 향후 우리나라 전 지역의 LiDAR DTM이 구축될 경우, 항공사진 기반 DSM과 함께 융합한다면 시계열적인DSM을 손쉽게 구하고 정확한 DTM을 활용할 수 있으므로 보다 정확한 산림의 3차원 정보추정이 가능해질 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
임상도란 무엇인가?
임상도는 항공사진 및 위성영상 등의 원격탐사 자료를 판독하고 현지조사를 통하여 토지이용, 임종, 임상, 수종, 경급, 영급 및 소밀도 등을 표시한 대표적인 산림 주제도이다.
산림 속성 중 수고의 특징은 무엇인가?
이러한 축척의 변화와 달리 속성 종류는 1972년 최초의 임상도가 제작된 이후 변화가 없어 수고, 임목축적 및 환경인자 등의 해외 임상도 속성과 비교할 때 좀 더 다양한 속성 개발이 필요하다. 특히, 수고는 임분의 입지 특성(site quality)을 나타내며 임목축적, 바이오매스 및 탄소저장량 등의 추정 시 기초 정보로 활용되는 중요한 산림 속성으로 임업 현장에서 요구도가 매우 높다
수고를 측정하는 방법 중 현장조사가 가지는 장단점은 무엇인가?
수고를 측정하는 방법은 크게 2가지로 현장 조사와 원격탐사 등이 있다. 현장조사의 경우,정확도는 높지만 조사 비용 및 시간 소모가 크므로 대면적의 산림에 적용하기에는 많은 어려움이 따른다(St-Onge and Achaichia, 2001). 대면적의 수고를 측정하기 위한 대안으로 원격탐사를 고려할 수 있는데 항공 LiDAR와 항공사진이 대표적인 자료원이다.
참고문헌 (37)
Anttila, P. 2005. Assessment of manual and automated methods for updating stand-level forest inventories based on aerial photography. Ph.D Thesis, University of Joensuu, Joensuu, Finland. p.42.
Asner, G.P., G.V.N. Powell, J. Mascaro, D.D. Knapp, J.K. Clark, J. Jacobson, T. Kennedy-Bowdoin, A. Balaji, G. Paez-Acosta, and E. Victoria. 2010. Highresolution forest carbon stocks and emissions in the Amazon. Proceedings of the National Academy of Sciences. USA. 107(38):16738-16742.
Asner, G.P., J. Mascaro, H.C. Muller-Landau, G. Vieilledent, R. Vaudry, M. Rasamoelina, J.S. Hall, and M. van Breugel. 2012. A universal airborne LiDAR approach for tropical forest carbon mapping. Oecologia 168:1147-1160.
Balenovic , I., A. Seletkovic, R. Pernar, and A. Jazbec. 2015. Estimation of the mean tree height of forest stands by photogrammetric measurement using digital aerial images of high spatial resolution. Annals of Forest Research. 58(1):125-143.
Bohlin, J., J. Wallerman, and J. Fansson. 2012. Forest variable estimation using photogrammetric matching of digital aerial images in combination with a high-resolution DEM. Scandinavian Journal of Forest Research 27(7):692-699.
Bright, B.C., J.A. Hicke, and A.T. Hudak. 2012. Estimating aboveground carbon stocks of a forest affected by moutain pine beetle in Idaho using lidar and multispectral imagery. Remote Sensing of Environment 124:270-281.
Debella-Gilo, M., K. Bjorkelo, J. Breidenbach, and J. Rahlf. 2013. Object-based analysis of aerial photogrammetric point cloud and spectral data for land cover mapping. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. ISPRS Hannover Workshop 2013, Hannover, Germany, May. 21-24, 2013. XL-1/W1, pp.63-67.
Edson, C. and M.G. Wing. 2011. Airborne Light Detection and Ranging (LiDAR) for Individual Tree Stem Location, Height, and Biomass Measurements. Remote Sensing 3(11):2494-2528.
Englhart, S., J. Jubanski, and F. Siegert. 2013. Quantifying dynamics in tropical peat swamp forest biomass with multitemporal LiDAR datasets. Remote Sensing 5(5):2368-2388.
Ferdinent, J. and R.C. Padmanaban. 2013. Development of a methodology to estimate biomass from tree height using airborne digital image. International Journal of Advanced Remote Sensing and GIS 2(1):49-58.
Forest Service. 2015. Action plan of forest type map update project(2015-2019) (산림청. 2015. 임상도 현행화 구축사업 추진계획(2015-2019)).
Ioki, K., S. Tsuyuki, Y. Hirata, M.-H. Phua, W.V.C. Wong, Z.-Y. Ling, H. Saito, and G. Takao. 2014. Estimating aboveground biomass of tropical rainforest of different degradation levels in Northern Borneo using airborne LiDAR. Forest Ecology and Management 328:335-341.
Jamstedt, J., A. Pekkarinen, S. Tuominen, C. Ginzler, M. Holopainen, and R. Viitala. 2012. Forest variable estimation using a high-resolution digital surface model. ISPRS Journal of Photogrammetry and Remote Sensing 74:78-84.
Ke, Y. and I.J. Quackenbush. 2011. A review of methods for automatic individual tree-crown detection and delineation from passive remote sensing. International Journal of Remote Sensing 32(17):4725-4747.
McGaughey, R.J. 2015. FUSION/LDV : Software for LiDAR data analysis and visualization. United States Department of Agriculture, Forest Service, Pacific Northwest Research Station, Seattle, W.A., USA. p.175.
Meyer, P., K. Staenz, and K.I. Itten. 1996. Semi-automated procedures for tree species identification in high spatial resolution data from digitized colour infrared-aerial photography. ISPRS Journal of Photogrammetry and Remote Sensing 51(1):5-16.
Mun, G.S., K.M. Kim, and C.M. Kim. 2014. A Comparative study of point clould density for stand height modeling using digital aerial photo. Proceedings of the KSRS Fall Conference 2014. pp.156-159 (문건수, 김경민, 김철민. 2014. 디지털 항공사진 기반 임분고 모델링을 위한 포인트 클라우드 점밀도 비교 연구. 2014 대한원격탐사학회 추계학술발표논문 초록집. 156-159쪽).
Ota, T., M. Ogawa, K. Shimizu, T. Kajisa, N. Mizoue, S. Yoshida, G. Takao, Y. Hirata, N. Furuya, T. Sano, H. Sokh, V. Ma, J. Toriyama, Y. Mouda, Hi. Saito, Y. Kiyono, So. Chana, and N. Ket. 2015. Aboveground biomass estimation using structure from motion approach with aerial photographs in a seasonal tropical forest. Forests 6(11):3882-3898.
Park, J.W., H.T. Choi, and S.W. Cho. 2016. A study on the effects of airborne LiDAR data-based DEM-generating techniques on the quality of the final products for forest areas-focusing on GroundFilter and GridsurfaceCreate in FUSION Software-. Journal of the Korean Association of Geographic Information Studies 19(1):154-166 (박주원, 최형태, 조승완. 2016. 항공 LiDAR 자료기반 DEM 생성기법의 산림지역 최종산출물 품질에 미치는 영향에 관한 연구-FUSION Software 의 GroundFilter 및 GridsurfaceCreate 알고리즘을 중심으로-. 한국지리정보학회지 19(1): 154-166).
Pflugmacher, D., W.B. Cohen, R.E. Kennedy, and Z. Yang. 2014. Using landsatderived disturbance and recovery history and LiDAR to map forest biomass dynamics. Remote sensing of Environment 151:124-137.
Pitt, D.G., M. Woods, and M. Penner. 2014. A comparison of point clouds derived from stereo imagery and airborne laser scanning for the area-based estimation of forest inventory attributes in Boreal Ontario. Canadian Journal of Remote Sensing 40(3):214-232.
Rahlf, J., J. Breidenbach, S. Solberg, E. Naesset, and R. Astrup. 2014. Comparison of four types of 3D data for timber volume estimation. Remote Sensing of Environment 155:325-333.
Rahlf, J., J. Breidenbach, S. Solberg, and R. Astrup. 2015. Forest parameter prediction using an image-based point cloud: a comparison of semi-ITC with ABA. Forests 6:4059-4071.
Stephens, P.R., M.O. Kimberley, P.N. Beets, T.S.H. Paul, N. Searles, A. Bell, C. Brack, and J. Broadley. 2012. Airborne scanning LiDAR in a double sampling forest carbon inventory. Remote Sensing of Environment 117:348-357.
Stepper, C., C. Straub, and H. Pretzsch. 2015a. Assessing height changes in highly structured forest using regularly acquired aerial image data. Forestry 88:304-316.
Stepper, C., C. Straub, and H. Pretzsch. 2015b. Using semi-global matching point clouds to estimate growing stock at the plot and stand levels: Application for a broadleaf-dominated forest in central Europe. Canadian Journal of Forest Research 45(1):111-123.
St-Onge, B. and N. Achaichia. 2001. Measuring forest canopy height using a combination of lidar and aerial photography data. International Archives of Photogrammetry and Remote Sensing, Annapolis, MD, Oct. 22-24, 2001. Vol. XXXIV-3/W4, pp.131-137.
St-Onge, B., F.-A. Audet, and J. Begin. 2015. Characterizing the height structure and composition of a boreal forest using an individual tree crown approach applied to photogrammetric point clouds. Forests 6(11):3899-3922.
Straub, C., C. Stepper, R. Seitz, and L.T. Waser. 2013. Potential of UltraCamX stereo images for estimating timber volume and basal area at the plot level in mixed European forests. Canadian Journal of Forest Research 43(8):731-741.
Wang, Z. and R. Boesch. 2007. Color-and texture-based image segmentation for improved forest delineation. IEEE Transactions on Geoscience and Remote Sensing 45(10):3055-3062.
Waser, L.T., E. baltsavias, K. Ecker, H. Eisenbeiss, E. Feldmeyer-Christe, C. Ginzler, M. Kuchler, and L. Zhang. 2008a. Assessing changes of forest area and shrub encroachment in a mine ecosystem using digital surface models and aerial images. Remote Sensing of Environment 112(5):1956-1968.
Waser, L.T., E. Baltsavias, K. Ecker, H. Eisenbeiss, C. Ginzler, M. Kuchler, P. Thee, and L. Zhang. 2008b. Highresolution digital surface models(DSMs) for modelling fractional shrub/tree cover in a mine environment. International Journal of Remote Sensing 29(5):1261-1276.
Waser, L.T., C. Fischer, Z. Wang, and C. Ginzler. 2015. Wall-to Wall Forest Mapping Based on Digital Surface Models from Image-Based Point Clouds and a NFI Forest Definition. Forests 6(12):4510-4528.
White, J.C., M.A. Wulder, M. Vastaranta, N.C. Coops, D. Pitt, and M. Woods. 2013. The Utility of Image-Based Point Clouds for Forest Inventory: A Comparison with Airborne Laser Scanning. Forests. 4(3):518-536.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.