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
- 본 연구는 총 2회에 걸쳐 각각 다른 크기의 활엽수와 침엽수를 대상으로 이루어졌다. 그 이유는 point cloud 및 solid model기반 측량이 활엽수와 칩엽수 모두에 적용 가능한지, 규모가 다른 수목에서도 동일하게 적용 가능한가를 확인하기 위함이다. 드론은 DJI사의 Phantom 4 pro를 사용하였고 카메라 설정값은 ISO 100, 노출 Auto, 사진크기는 5248×2952이었다.
- 본 연구에서는 도시내 수목의 3차원 공간정보화의 필요성과 상기 연구들의 문제를 최소한의 비용과 시간으로 해결하기 위한 디바이스와 방법론으로 UAV와 SfM-MVS 그리고 Solid modeling을 제시하였다. Solid model은 3D모델 중 하나로, 단순히 물체의 외관만을 표현해주는 주는 wire frame model과 면적의 개념만 가진 surface model과는 달리 체적의 개념을 가지고 있어 부피계산을 가능하게 해줄 뿐만 아니라, 질량과 밀도의 개념까지 포함·확장시키면 더욱 다양한 분석이 가능해 환경 공간정보로써 활용 가능성이 높다고 판단하여 선택 하였다.
제안 방법
- 1차 촬영된 활엽수 총 사진개수 114장 대비 10%씩 사진개수를 점차 감소시키며 각 사진개수별로 SfM-MVS 알고리즘을 적용하여 각각의 point 생성시간, point 개수, 수목의 측량결과를 비교하였다. 그 결과(Table 4), 사진수를 100%→30%로 제거하면 Data 생성시간은 151분에서 21분으로 약 1/7 수준으로 줄어든 반면, 점밀도는 거의 1/2수준을 유지하였다.
- Solid model은 3D모델 중 하나로, 단순히 물체의 외관만을 표현해주는 주는 wire frame model과 면적의 개념만 가진 surface model과는 달리 체적의 개념을 가지고 있어 부피계산을 가능하게 해줄 뿐만 아니라, 질량과 밀도의 개념까지 포함·확장시키면 더욱 다양한 분석이 가능해 환경 공간정보로써 활용 가능성이 높다고 판단하여 선택 하였다.
- 첫째, 스테레오 사진으로부터 생성된 point cloud로 측량한 결과의 정확도를 지상 라이다 자료와 비교·검증하였다. 두 번째, UAV 촬영 사진개수를 감소시킴에 따라 변화하는 point cloud의 밀도가 수목의 부피 및 크기 정량화 결과에 어떤 영향을 주는지를 살펴봄으로써 고해상도의 point cloud가 정밀한 수목 측량에 꼭 필요한 요소인지를 확인하여 보았다. 마지막으로, 수목 부피의 정량화와 형상화를 위해 solid model이 얼마나 적합한가를 검증하고자 다른 3D type의 측정치와 비교하였다.
- 두 번째, UAV 촬영 사진개수를 감소시킴에 따라 변화하는 point cloud의 밀도가 수목의 부피 및 크기 정량화 결과에 어떤 영향을 주는지를 살펴봄으로써 고해상도의 point cloud가 정밀한 수목 측량에 꼭 필요한 요소인지를 확인하여 보았다. 마지막으로, 수목 부피의 정량화와 형상화를 위해 solid model이 얼마나 적합한가를 검증하고자 다른 3D type의 측정치와 비교하였다.
- 3). 우선 point cloud에서 수목만을 편집한 후 boxing하여 box높이를 수고(Height), box의 가로를 수관폭 (width)으로 정의하였고 직경(diameter)의 경우 활엽수는 1.5 m 미만임에 따라 약 1.2 cm 떨어진 지점을, 소나무는 흉고직경의 정의에 맞게 지표면으로부터 1.2 m 위치에서 분지된 직경을 각각 측정하였다.
- 위와 같은 결과를 토대로, point cloud의 점밀도의 높고 낮음이 수목 크기 정량화에 영향을 미치지 않는다는 사실을 검증하기 위하여 지상 라이다 point cloud의 밀도를 random하게 10%씩 감소시키며 수고와 수관폭의 변화를 살펴보았다. 그 결과(Fig.
- 이렇게 한날 촬영한 전체사진을 100%(활엽수는 114장, 침엽수는 164장)로 하여 SfM-MVS알고리즘에 적용할 사진을 전체사진수 대비 90%, 80%, 70% … , 30%까지 점차 줄여가며 point cloud와 surface model을 각각 생성하였다.
대상 데이터
- 5. 18에 촬영, 비행높이 30m, 비행반경 15 m, 비행시간 14분, 비행 최고속력 4 m/s로 총 164장의 사진을 수집하였다. 사진은 개수를 줄여가며 나타나는 경향성을 분석하기 위해 최대한 밀도있게 촬영하였다.
- 5 m인 활엽수(동백나무)를 대상으로 2017. 2. 22에 이루어졌으며, 비행높이 지상 5 m, 비행반경 5m 환경에서 총 114장을 수집하였다. 2차 사진취득은 약 12 m 크기의 침엽수(땅속에서부터 줄기가 두 갈래로 분지된 형태의 소나무)를 대상으로 2017.
- 드론은 DJI사의 Phantom 4 pro를 사용하였고 카메라 설정값은 ISO 100, 노출 Auto, 사진크기는 5248×2952이었다.
- 본 연구는 총 2회에 걸쳐 각각 다른 크기의 활엽수와 침엽수를 대상으로 이루어졌다. 그 이유는 point cloud 및 solid model기반 측량이 활엽수와 칩엽수 모두에 적용 가능한지, 규모가 다른 수목에서도 동일하게 적용 가능한가를 확인하기 위함이다.
- 측량 결과의 validation을 위해 FARO사의 Focus3D X1302를 이용하여 point cloud 데이터를 **.xyz 형태로 취득하였으며 오차는 약 2 mm로 활엽수만 스캔하였다.
데이터처리
- 첫째, 스테레오 사진으로부터 생성된 point cloud로 측량한 결과의 정확도를 지상 라이다 자료와 비교·검증하였다.
성능/효과
- 반면 지상 라이다 데이터로는 수목내부 존재하는 무수한 점들로 인해 특별한 편집 없이는 solid model로의 구현 및 부피 산정이 (가능하지만) 어려워 쉽고 빠르게 수목을 정량화고자 하는 연구의 취지에 맞지 않아 산정하지 않았다. 2차 자료취득을 통한 칩엽수의 정량화 결과는 수고 11.60 m, 수관폭 10.45 m, DBH는 각각 0.42 m과 0.68 m, 부피는 183.03 m3 이었다(Fig. 6, Table 3).
- 3D model인 grid, TIN과 solid model을 정량화한 결과, 세 모델 모두가 수고나 수관폭에서는 큰 차이가 없었으나 부피에서 두드러진 차이를 보였다. solid model 대비 gird와 TIN 모델은 약 2.
- 특히 solid model은 부피 정량화가 용이하다는 강점이 있을 뿐만 아니라 무게중심 등의 해석도 가능하며 밀도와 같은 개념까지 포함시키면 더욱 다양한 분석이 가능해 그 활용성이 아주 높다. Lidar point cloud를 이용한 수목의 부피측정 방법으로잘 알려진 복셀화(voxelization, Fig. 10(a))의 경우 solid model과 같이 다른개념을 포함한 해석이 어려우며, 무엇보다도 SfM-MVS point cloud는 point들이 객체 표면을 따라 분포한다는 특징이 있어 복셀화보다는 solid modeling이 더 적합한 방법이었다.
- UAV와 SfM-MVS를 통해 생성된 point cloud를 이용한 정량화 결과의 정확도는 활엽수 분석에서 지상라이다 point cloud와 비교를 통해 검증되었으나 다른 연구를 인용해 좀 더 보완하자면, 2007년에 51 m의 이탈리아의 피사 대성당을 3D로 구현하여 비교한 결과(Goesele et al., 2007) 90%의 SfM-MVS point cloud가 지상라이다 point cloud의 12.8 cm이내에 위치했었으며 이 결과는 SfM-MVS point cloud의 정확도가 10년 전 장비와 기술 로도 이미 상당한 수준임을 말해주고 있다.
- 위와 같은 결과를 토대로, point cloud의 점밀도의 높고 낮음이 수목 크기 정량화에 영향을 미치지 않는다는 사실을 검증하기 위하여 지상 라이다 point cloud의 밀도를 random하게 10%씩 감소시키며 수고와 수관폭의 변화를 살펴보았다. 그 결과(Fig. 8), 지상라이다 point cloud 또한 밀도가 감소하더라도 수고, 수관폭의 결과 값에는 영향을 미치지 않았으며, 이를 통해 point cloud 밀도의 높고 낮음은 데이터 취득 디바이스의 종류와도 상관이 없이 수목의 크기 정량화에 크게 영향을 주지 않음을 확인할 수 있었다.
- 그 결과(Table 4), 사진수를 100%→30%로 제거하면 Data 생성시간은 151분에서 21분으로 약 1/7 수준으로 줄어든 반면, 점밀도는 거의 1/2수준을 유지하였다.
- 우리는 분석을 위해 가급적 고해상도의 데이터를 원한다. 그러나 본 연구의 결과를 통해 SfM-MVS로부터 생성된 point cloud는 사진의 품질과 분석도구가 동일한 경우 사진개수 감소에 따라 해상도는 낮아지더라도 그것이 수목의 크기와 부피를 정량화함에 있어 큰 방해요 소가 아님을 확인하였다. 이것은 point cloud 구축의 목적이 수목의 정량화일 경우에는 UAV를 빠르게 비행하여 최소 3차원 point cloud가 생성될 수 있는 수준에서 빠르고 성글게 사진을 취득하더라도 ‘수목의 정량화’라는 목적달성에는 크게 지장을 주지 않는다는 것을 시사한다.
- 드론과 SfM-MVS로부터 생성된 point cloud로 활엽수 (동백나무)를 측정한 결과, 수고 1,452 m, 수관폭은 장폭과 단폭이 각각 0.631 m과 0.528, 직경은 2.79 cm이었고, 지상라이다로 측량한 결과는 수고 1.489 m, 수관폭이 각각 0.631 m, 0.550 m, 직경 2.81 cm 로 측정되어 지상 라이다 자료 대비 SfM-MVS point cloud 기반 정량화 결과는 약%1 정도 내외로 과소추정 됨을 확인하였다(Fig. 4, Table 2).
- 7). 따라서 point cloud의 데이터원인 사진개수를 줄이면 더불어 해상도와 데이터 생성시간도 크게 줄어들지만 수목의 정량화에는 크게 영향을 미치지 않는 것을 확인하였으며, 이것은 수목의 수종이나 크기에 관계없이 동일하게 나타났다.
- 따라서 오랜시간 밀도있는 사진을 촬영하거나 데이터 생성을 위해 긴 시간을 소요하지 않더라도 UAV를 이용해 입체를 구성할 수 있는 가장 최소한의 overlap 비율의 images과 SfM-MVS 그리고 solid model을 이용하면 단일 수목을 손쉽게 저비용·높은 시간해상도로 크기, 부피의 측량 및 형상화가 가능하다는 결론을 내렸다.
- 그 결과(Table 4), 사진수를 100%→30%로 제거하면 Data 생성시간은 151분에서 21분으로 약 1/7 수준으로 줄어든 반면, 점밀도는 거의 1/2수준을 유지하였다. 또한, 사진개수를 최소한 point cloud를 생성해주는 최소 비율까지 줄이더라도 수고 및 수관폭 측량값에는 거의 영향을 주지 않았다. 이 결과는 2차 촬영된 침엽수에서도 동일하게 확인할수 있었는데, 총 164장의 사진을 기준으로 10%씩 사진을 감소시켜 각각 SfM-MVS를 알고리즘을 적용하여 생성된 각각의 point cloud 로 측정된 수목 정량화 결과는 사진개수와 상관이 없이 유사하게 측정되었다(Fig.
- 본 연구를 통해 point cloud의 밀도가 낮아져 해상도가 낮아지더라도 수목의 크기 및 부피 정량화에는 크게 영향을 미치지 않으므로 고해상도의 point cloud가 수목측량에 꼭 필요한 요소는 아니라는 것을 확인하였다. 따라서 오랜시간 밀도있는 사진을 촬영하거나 데이터 생성을 위해 긴 시간을 소요하지 않더라도 UAV를 이용해 입체를 구성할 수 있는 가장 최소한의 overlap 비율의 images과 SfM-MVS 그리고 solid model을 이용하면 단일 수목을 손쉽게 저비용·높은 시간해상도로 크기, 부피의 측량 및 형상화가 가능하다는 결론을 내렸다.
- 본 연구에서는 point cloud와 solid model이 Grid나 TIN 모델에 비해 수목의 형상을 잘 재현해 주어 유일하게 흉고직경을 표현해 줄 수 있는 data type임을 확인하였다. 이것이 큰 차이가 아닌 듯 여겨질 수 있으나 실제로 수목의 정량화에 있어서 흉고직경의 측정은 상당히 중요한 의미를 가진다.
- 사진개수를 30%수준 까지만 감소시킨 것은 그 이하로는 수목의 point cloud가 제대로 형성되지 않았기 때문이다. 분명히 할 것은 각 분석 단계별 사용된 사진개수는 수목을 포함하고 있는 스캔된 해당지역(활엽수 : 23 0m2 , 침엽수 : 7,515 m2) 전체 넓이에 해당하는 scene 전체를 구성하기 위한 사진수이며, 수목은 이 scene에 포함된 일부이므로 제시된 자료생성 process time 및 point cloud의 개수는 해당 개체목 1개만을 위한 결과가 아니라 전체 scene의 생성 결과라는 점이다.
- 사실상 사진개수를 감소시킨다 하더라도 point cloud의 해상도가 급격히 낮아지는 것도 아니었다. 연구의 결과를 보면 사진수를 1/2로 감소시킬 때 point cloud의 밀도가 1/2수준으로 감소하는 것이 아니라 2/3수준을 유지하면서도 데이터 처리속도는 151분에서 1/3수준인 51분으로 급감하였다(Table 4). 이것은 성글게 사진을 취득하더라도 밀도있게 취득된 사진대비 큰 폭으로 해상도가 급감하는 것은 아니며, 시간 효율적으로도 더 합리적이라는 것을 말해준다.
- 또한, 사진개수를 최소한 point cloud를 생성해주는 최소 비율까지 줄이더라도 수고 및 수관폭 측량값에는 거의 영향을 주지 않았다. 이 결과는 2차 촬영된 침엽수에서도 동일하게 확인할수 있었는데, 총 164장의 사진을 기준으로 10%씩 사진을 감소시켜 각각 SfM-MVS를 알고리즘을 적용하여 생성된 각각의 point cloud 로 측정된 수목 정량화 결과는 사진개수와 상관이 없이 유사하게 측정되었다(Fig. 7). 따라서 point cloud의 데이터원인 사진개수를 줄이면 더불어 해상도와 데이터 생성시간도 크게 줄어들지만 수목의 정량화에는 크게 영향을 미치지 않는 것을 확인하였으며, 이것은 수목의 수종이나 크기에 관계없이 동일하게 나타났다.
- 이것은 규모가 다른 침엽수와 활엽수 모두에서 동일한 패턴을 보였는데, 사진개수가 감소함에 따라 부피는 소폭 지속적으로 상승하는 결과 (Table 5)를 보였으며, 100%→50%로 사진개수가 줄어들 경우는 100% 사진수 대비 (활엽수와 침엽수 모두) 부피가 5% 내외로 상승, 100%→30% 으로 줄일 경우는 전체대비 약 13% 내외로 부피가 상승하였다.
후속연구
- 그러나 본 연구가 단일 개체목만을 대상으로 하였으므로 더 많은 수목에 적용하기 위해서는 점차 녹지규모를 확장하여 이에 맞는 비행계획의 수립, 다양한 공간정보 데이터와의 복합적 이용방안, 녹지규모 확대에 따른 정량화 기법의 개선 등 앞으로 이를 발전시킬 수 있는 후속연구가 필요하다고 하겠다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.