무인항공기를 이용한 소나무재선충병 선단지 예찰 기법: 세종특별자치시를 중심으로 Use of Unmanned Aerial Vehicle for Forecasting Pine Wood Nematode in Boundary Area: A Case Study of Sejong Metropolitan Autonomous City원문보기
본 연구는 세종특별자치시 소나무재선충병(PWN) 피해지의 선단지에 대해서 무인항공기를 이용하여 효율적인 예찰 및 방제사업 지원을 실시하기 위해 수행되었다. 선단지를 중심으로 2016년 2월 15일부터 약 2주간 6개 구역 총 2,284 ha의 면적에 대해 무인항공 촬영을 실시하여 GSD (Ground Sample Distance) 12 cm의 고품질 정사영상 6매를 제작하였다. 정사영상을 바탕으로 1차 피해 의심목 분류를 실시한 결과 총 423본이 분류되었다. 그러나 촬영시기의 계절적 특성, 임상의 다양성 등의 문제로 인해 적중률이 낮아짐에 따라 1차 분류 결과와 스냅사진, 비행정보 등을 활용하여 2차 재분류를 실시하였으며, 이를 통해 피해 의심목 423본 중 231본을 추출하였다. 추출된 231본에 대해 대상지별 주제도를 제작하고 GNSS 등을 이용하여 현장조사를 실시하였으며, 그 결과 총 23본의 피해 의심목을 추출하였다. 현장조사를 통해 추출된 23본에 대해 시료를 채취하여 관련기관에 검증을 의뢰한 결과 23본 모두 소나무재선충병에 감염된 것으로 나타났다. 소나무재선충병 피해목의 분포 특성을 분석한 결과 활엽수림 14본, 침엽수림 4본, 소나무림 3본, 리기다소나무림 2본 등 다양한 임상에서 피해목이 검출된 것으로 나타났다. 무인항공기를 활용하여 항공촬영에서부터 현장조사까지의 과정에 대해 효율성 분석을 실시한 결과 2.3인의 인력으로 6일에 걸쳐 수행한 것으로 분석되었다.
본 연구는 세종특별자치시 소나무재선충병(PWN) 피해지의 선단지에 대해서 무인항공기를 이용하여 효율적인 예찰 및 방제사업 지원을 실시하기 위해 수행되었다. 선단지를 중심으로 2016년 2월 15일부터 약 2주간 6개 구역 총 2,284 ha의 면적에 대해 무인항공 촬영을 실시하여 GSD (Ground Sample Distance) 12 cm의 고품질 정사영상 6매를 제작하였다. 정사영상을 바탕으로 1차 피해 의심목 분류를 실시한 결과 총 423본이 분류되었다. 그러나 촬영시기의 계절적 특성, 임상의 다양성 등의 문제로 인해 적중률이 낮아짐에 따라 1차 분류 결과와 스냅사진, 비행정보 등을 활용하여 2차 재분류를 실시하였으며, 이를 통해 피해 의심목 423본 중 231본을 추출하였다. 추출된 231본에 대해 대상지별 주제도를 제작하고 GNSS 등을 이용하여 현장조사를 실시하였으며, 그 결과 총 23본의 피해 의심목을 추출하였다. 현장조사를 통해 추출된 23본에 대해 시료를 채취하여 관련기관에 검증을 의뢰한 결과 23본 모두 소나무재선충병에 감염된 것으로 나타났다. 소나무재선충병 피해목의 분포 특성을 분석한 결과 활엽수림 14본, 침엽수림 4본, 소나무림 3본, 리기다소나무림 2본 등 다양한 임상에서 피해목이 검출된 것으로 나타났다. 무인항공기를 활용하여 항공촬영에서부터 현장조사까지의 과정에 대해 효율성 분석을 실시한 결과 2.3인의 인력으로 6일에 걸쳐 수행한 것으로 분석되었다.
This study was conducted for preliminary survey and management support for Pine Wood Nematode (PWN) suppression. We took areal photographs of 6 areas for a total of 2,284 ha during 2 weeks period from 15/02/2016, and produced 6 ortho-images with a high resolution of 12 cm GSD (Ground Sample Distance...
This study was conducted for preliminary survey and management support for Pine Wood Nematode (PWN) suppression. We took areal photographs of 6 areas for a total of 2,284 ha during 2 weeks period from 15/02/2016, and produced 6 ortho-images with a high resolution of 12 cm GSD (Ground Sample Distance). Initially we classified 423 trees suspected for PWN infection based on the ortho-images. However, low accuracy was observed due to the problems of seasonal characteristics of aerial photographing and variation of forest stands. Therefore, we narrowed down 231 trees out of the 423 trees based on the initial classification, snap photos, and flight information; produced thematic maps; conducted field survey using GNSS; and detected 23 trees for PWN infection that was confirmed by ground sampling and laboratory analysis. The infected trees consisted of 14 broad-leaf trees, 5 pine trees (2 Pinus rigida), and 4 other conifers, showing PWN infection occurred regardless of tree species. It took 6 days for 2.3 men from to start taking areal photos using UAV (Unmanned Aerial Vehicle) to finish detecting PNW (Pine Wood Nematode) infected tress for over 2,200 ha, indicating relatively high efficacy.
This study was conducted for preliminary survey and management support for Pine Wood Nematode (PWN) suppression. We took areal photographs of 6 areas for a total of 2,284 ha during 2 weeks period from 15/02/2016, and produced 6 ortho-images with a high resolution of 12 cm GSD (Ground Sample Distance). Initially we classified 423 trees suspected for PWN infection based on the ortho-images. However, low accuracy was observed due to the problems of seasonal characteristics of aerial photographing and variation of forest stands. Therefore, we narrowed down 231 trees out of the 423 trees based on the initial classification, snap photos, and flight information; produced thematic maps; conducted field survey using GNSS; and detected 23 trees for PWN infection that was confirmed by ground sampling and laboratory analysis. The infected trees consisted of 14 broad-leaf trees, 5 pine trees (2 Pinus rigida), and 4 other conifers, showing PWN infection occurred regardless of tree species. It took 6 days for 2.3 men from to start taking areal photos using UAV (Unmanned Aerial Vehicle) to finish detecting PNW (Pine Wood Nematode) infected tress for over 2,200 ha, indicating relatively high efficacy.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 위성영상의 확보 어려움, 항공예찰의 자료수준, 지상예찰의 제약사항 등을 극복하고자 무인항공기를 활용하여 빠른 시간 내에 위치좌표를 갖고 있는 정사영상을 확보하고자 하였다. 또한, 봄철 소나무재선충병 방제시기를 고려한 신속한 예찰을 위해 효율적인 영상분류 방법을 통해 현장조사를 바탕으로 적중률을 평가하여 무인인항공기를 활용한 소나무재선충병 선단지 예찰 기법을 제시하고자 한다.
따라서 본 연구에서는 위성영상의 확보 어려움, 항공예찰의 자료수준, 지상예찰의 제약사항 등을 극복하고자 무인항공기를 활용하여 빠른 시간 내에 위치좌표를 갖고 있는 정사영상을 확보하고자 하였다. 또한, 봄철 소나무재선충병 방제시기를 고려한 신속한 예찰을 위해 효율적인 영상분류 방법을 통해 현장조사를 바탕으로 적중률을 평가하여 무인인항공기를 활용한 소나무재선충병 선단지 예찰 기법을 제시하고자 한다. 즉, 소나무재선충병 선단지에 대해서 무인항공기를 활용한 촬영, 정상영상 제작, 영상분류 및 필터링, 현장조사 기법에 대한 방안을 제시하고자 본 연구를 수행하였다.
본 연구에서는 무인항공기를 활용하여 세종특별자치시 일원 소나무재선충병 피해지역 선단지를 중심으로 항공예찰을 실시하고 현장검증을 실시하였다. 항공촬영을 위한 대상지 선정은 피해지역을 중심으로 반경 약 2∼3 km 떨어진 지점 1 km 범위 내에서 대상지를 선정하였으며, 총 6개 지역 2,284 ha에 대한 항공예찰을 실시하였다.
또한, 봄철 소나무재선충병 방제시기를 고려한 신속한 예찰을 위해 효율적인 영상분류 방법을 통해 현장조사를 바탕으로 적중률을 평가하여 무인인항공기를 활용한 소나무재선충병 선단지 예찰 기법을 제시하고자 한다. 즉, 소나무재선충병 선단지에 대해서 무인항공기를 활용한 촬영, 정상영상 제작, 영상분류 및 필터링, 현장조사 기법에 대한 방안을 제시하고자 본 연구를 수행하였다.
제안 방법
1차 영상분류와 2차 영상분류 및 필터링을 통해 피해 의심목으로 선발된 개체에 대해서는 적중률 평가를 위해 위치정보를 기반으로 현장조사를 실시하였다. 이는 시료 채취를 위한 현장 재방문, 방제계획 수립을 위한 현장조사 등 중복조사를 피하기 위한 방안이 될 수 있다.
이와 같은 특징을 활용하여 컴퓨터를 활용한 자동분류를 실시할 경우 주변의 낙엽수, 농경지, 흙 등 색상값이 유사한 지역과 구분되지 않는 문제점이 발생한다. 따라서 본 연구에서는 Figure 4와 같이 사전에 제작된 인덱스를 활용하여 정사영상 상에서 소나무재선충병 피해 의심목을 대상으로 색상, 패턴, 질감 등을 활용하여 육안식별 방법으로 1차영상분류를 실시하였다.
무인항공기 촬영시 횡중첩과 종중첩을 80%로 설정하였기 때문에 피해 의심목 1개체에 대해서 동, 서, 남, 북의 방향에서 각각 4회로 총 16매의 영상이 제작됨에 따라서 대상목의 입체적 확인이 가능하다(Figure 5). 따라서 스냅사진으로 피해목을 확인할 경우 다양한 방향에서 수목의 확인이 가능하므로 대상목의 수관 및 수형 등을 고려하여 2차 영상분류 및 필터링을 실시하였다.
소나무재선충병 선단지 조사를 계획할 당시 임상도에서 소나무림과 잣나무림을 대상으로 촬영계획을 수립하였으나, 촬영 전 현장답사 결과 소나무림과 잣나무림 이외에 활엽수림 및 침활혼효림에서도 소나무재선충병 피해 의심목이 위치하고 있는 것으로 조사되었다. 따라서 임상도를 활용하여 수립한 비행계획을 수정하여 소나무재선충병 피해가 의심되는 지역을 중심으로 촬영을 실시하였다.
본 연구에서 활용한 무인항공기의 경우 최대 1회 50분 비행에 약 700 ha의 면적까지 촬영이 가능하나, 자료의 품질 및 효율성을 위해 1회 촬영에 약 400 ha의 면적 이내로 제한하였다. 따라서 대상지 내의 지형여건과 소나무림 및 잣나무림의 분포 현황 등을 고려하여 대상지를 6개의 구역으로 구분하였으며, 대상지역의 요약정보는 Table 1, Figure 2와 같다.
이와 같은 예찰은 소나무재선충병 확진 판정이 이루어진 시점으로부터 무인항공기 운용을 위한 인허가 및 계획 수립을 바탕으로 2016년 2월 15일부터 28일까지 촬영, 영상제작, 영상분류, 현장 조사의 단계를 적용하였다. 전체 조사과정은 Figure 1과 같이 대상지 선정, 무인항공기 촬영, 정사영상 제작, 1차 영상분류, 2차 영상분류, 피해 의심목 주제도 제작, 현장조사 및 최종 피해 의심목 주제도 제작의 단계에 의해 수행되었다.
항공촬영을 통해 지역별로 총 6개의 정사영상을 제작하였으며, 이를 바탕으로 1차로 육안식별을 통해 소나무재선충병 피해 의심목 총 423본을 분류하였다. 하지만 계절적인 영향으로 인하여 잎이 탈리되지 않은 참나무 및 수세가 약해진 리기다소나무 등과 식별이 어려워 스냅사진과 비행경로 정보를 활용하여 2차 영상분류 및 필터링을 하였으며, 1차로 분류된 423본 중 231본이 피해 의심목으로 검출되었다.
대상 데이터
연구 대상지인 선단지는 소나무재선충병 피해 확진 지역을 중심으로 GIS 분석을 통해 약 2∼3 km 범위 내에서 소나무림과 잣나무림을 포함하고 있는 지역으로 대상지를 선정하였다. 대상지는 세종특별자치시 전의면과 전동면, 충청북도 청주시 오송읍, 충청남도 천안시 수신면 등의 지역에 포함되어 있다.
대상 지역은 소나무재선충병 피해가 처음 확인된 지역으로서 전체 피해현황이 파악되지 않은 시점에서 봄철 매개충의 우화로 인해 추가 확산이 우려됨에 따라 빠른 시간내의 예찰, 방제가 완료되어야 할 필요성이 있는 지역이라 할 수 있다. 또한, 해당 지역은 충청북도 청주시, 충청남도 천안시와 경계를 이루는 지역으로서 추가 피해를 고려하여 선단지를 대상으로 접근이 어렵고 면적이 넓은 지역을 대상으로 무인항공기 예찰을 실시하였다.
본 연구의 대상지인 세종특별자치시는 2015년 12월 소나무와 잣나무 고사목이 최초로 발견·신고되어 시료채취를 통한 검경을 실시한 결과 2016년 1월 15일 소나무재선충병 감염이 확진된 지역이다. 대상 지역은 소나무재선충병 피해가 처음 확인된 지역으로서 전체 피해현황이 파악되지 않은 시점에서 봄철 매개충의 우화로 인해 추가 확산이 우려됨에 따라 빠른 시간내의 예찰, 방제가 완료되어야 할 필요성이 있는 지역이라 할 수 있다.
연구 대상지인 선단지는 소나무재선충병 피해 확진 지역을 중심으로 GIS 분석을 통해 약 2∼3 km 범위 내에서 소나무림과 잣나무림을 포함하고 있는 지역으로 대상지를 선정하였다. 대상지는 세종특별자치시 전의면과 전동면, 충청북도 청주시 오송읍, 충청남도 천안시 수신면 등의 지역에 포함되어 있다.
촬영을 위해 사용된 무인항공기는 Trimble 회사의 UX5이며, 주요 특징으로는 항공측량을 위해 제작된 산업용 고정익 무인항공기로서 빠른 속도로 50분 동안 순항 비행이 가능하다. 무인항공기의 주요 제원은 Table 2에 제시하고 있으며, 주요 구조는 Figure 3과 같다.
본 연구에서는 무인항공기를 활용하여 세종특별자치시 일원 소나무재선충병 피해지역 선단지를 중심으로 항공예찰을 실시하고 현장검증을 실시하였다. 항공촬영을 위한 대상지 선정은 피해지역을 중심으로 반경 약 2∼3 km 떨어진 지점 1 km 범위 내에서 대상지를 선정하였으며, 총 6개 지역 2,284 ha에 대한 항공예찰을 실시하였다.
이론/모형
현장조사를 통해 검출된 피해목 23본에 대해서는 시료를 채취하여 소나무재선충병 1차 검경기관인 한국임업진흥원 소나무재선충병모니터링센터에서 검경을 실시하였다. 검경은 시료에서 베르만법(Van Bezooijen, 2006)으로 선충을 추출한 후 광학현미경(Leica DM500, 400배율)을 활용하여 B. mucronatus와 B.
아울러 급경사로 인해 접근이 불가능한 지역에 대해서는 Field scope를 활용하여 피해 유무를 확인하였다.
성능/효과
2차 영상분류를 통해 검출된 피해 의심목을 대상으로 현장조사를 실시하였으며, 그 결과 총 23본의 소나무재선충병 피해목을 추출하여 소나무재선충병 검진을 의뢰한 결과 23본 모두 소나무재선충병 감염이 확인되었다. 아울러 행정구역상으로 충청북도 청주시에 최초로 소나무재선충병이 확인되었으며, 충청남도 천안시의 경우 추가 발병을 확인할 수 있었다.
본 연구를 통해 무인항공기를 활용하여 선단지 예찰을 실시한 결과 기상 및 계절적인 영향으로 인해 많은 문제점이 발생하였다. 특히 지표면에 쌓여 있는 눈은 촬영과정 및 영상제작, 현장조사 단계에서 모두 장애요인으로 작용하였다.
소나무재선충병 선단지 조사를 계획할 당시 임상도에서 소나무림과 잣나무림을 대상으로 촬영계획을 수립하였으나, 촬영 전 현장답사 결과 소나무림과 잣나무림 이외에 활엽수림 및 침활혼효림에서도 소나무재선충병 피해 의심목이 위치하고 있는 것으로 조사되었다. 따라서 임상도를 활용하여 수립한 비행계획을 수정하여 소나무재선충병 피해가 의심되는 지역을 중심으로 촬영을 실시하였다.
소나무재선충병 확진이 확인된 대상지의 임상을 분석한 결과 소나무림을 포함하여 활엽수림, 침활혼효림, 리기다소나무림 등 다양한 임상에서 피해목이 검출된 것으로 분석되었다. 따라서 소나무재선충병 예찰을 실시할 경우 소나무 및 잣나무가 포함되어 있는 임지에 대해서 면밀한 예찰이 필요할 것으로 판단된다.
현재 소나무재선충병 선단지 조사의 효율성에 대한 선행 연구사례는 많지 않으며, Korea Forest Service(2014)에 따르면 소나무재선충병 피해지에 대해서 인력에 의한 지상예찰을 실시할 경우 40인/235 ha·일이 소요되는 것으로 제시된 바 있다. 이에 본 연구에서는 무인항공기와 현장조사를 병행한 결과 6일 동안 8인의 인력을 통해 2,284 ha의 면적에 대한 예찰이 가능한 것으로 확인되었고, 현장조사를 병행하였을 경우 소나무재선충병 검출률이 높은 것으로 분석되어 활용가능성은 높은 것으로 판단된다.
이는 선단지의 특성상 명확한 영상판독 불가로 인해 소나무재선충병 감염 의심목이 누락될 경우 2차 피해가 더욱 커질 수 있기 때문이다. 이와 같이 소나무재선충병 감염 의심목을 중심으로 명확한 영상 판독이 불가능한 활엽수까지 포함하여 총 6개소 2,284 ha에 대해 1차 영상분류를 실시한 결과, SJ01에서 57본, SJ02에서 64본, CJ01 에서 63본, CJ02에서 92본, CJ03에서 56본, CA01에서 91본으로 총 423본이 추출되었다.
최종적으로 소나무재선충병 확진을 받은 피해목을 중심으로 임상도를 분석한 결과 활엽수림(H)에서 14본, 침활혼효림(M)에 4본, 소나무림(D)에 3본, 리기다소나무림(PR)에 2본이 위치하고 있는 것으로 분석되었다. 즉, 소나무재선충병의 경우 소나무림(D) 또는 잣나무림(PK)에서만 발생하는 것이 아니라 소나무 또는 잣나무를 포함하고 있는 모든 임상에서 발생할 가능성이 있는 것으로 판단된다(Figure 12).
한편, 현장조사 결과 선단지 내 소나무재선충병 피해목은 한 개체만 독립적으로 발생한 것이 아니라 2본 이상이 인접하여 발생하고 있는 특징을 보이고 있었다. 따라서 선단지 내에서도 소나무재선충병 감염이 진행되고 있으며, 선단지는 곧 피해지로 발전할 가능성이 있으므로 선단지의 경우 면밀한 검토와 지속적인 예찰을 통해 피해목의 조기 제거가 필요할 것으로 사료된다.
후속연구
, 2015) 등을 실시하여 산림지역에서의 적용성을 입증한 바 있다. 본 연구에서는 RGB 영상으로 육안식별을 통해 피해의심목을 검출하였으나 향후 근적외선 영상 등을 활용한 자동화 분류기법을 도입하여 보다 활용성 및 정확성을 높일 필요가 있을 것으로 판단된다.
또한 겨울철 잎이 탈리되지 않은 참나무류와 수세가 약해진 리기다소나무는 정사영상 상에서 소나무재선충병 피해목과 매우 유사한 형태를 보이고 있어 피해목 분류에 있어서 장애요인으로 작용하였다. 이에 따라 현장조사를 제외한 정사영상만을 활용하여 피해목을 분류하였을 경우 소나무재선충병 피해목의 검출에 대한 적중률은 다소 낮게 나타났으며, 이를 극복하기 위한 추가적인 연구가 필요할 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
지상예찰의 단점은?
현재 소나무재선충병 선단지에 대한 예찰은 주로 지상 예찰 및 항공예찰을 통해 실시하고 있으며, 최근 위성영상 및 항공사진에 대한 적용을 시도하고 있다. 그러나 지상예찰은 많은 인력과 시간이 소요되는 단점이 있으며, 항공예찰은 위치좌표를 갖는 자료를 확보하기 어렵기 때문에 현황파악 수준에서 실시되는 단점 있다. 또한, 위성 영상의 경우 관련기관의 협조와 더불어 주기가 비교적 길고 날씨의 영향을 크게 받기 때문에 원하는 시기의 영상을 확보하는데 제약사항이 있다.
소나무재선충병 예찰을 실시할 경우 소나무 및 잣나무가 포함되어 있는 임지에 대해서 면밀한 예찰이 필요할 것으로 판단되는 근거는?
소나무재선충병 확진이 확인된 대상지의 임상을 분석한 결과 소나무림을 포함하여 활엽수림, 침활혼효림, 리기다소나무림 등 다양한 임상에서 피해목이 검출된 것으로 분석되었다. 따라서 소나무재선충병 예찰을 실시할 경우 소나무 및 잣나무가 포함되어 있는 임지에 대해서 면밀한 예찰이 필요할 것으로 판단된다.
예찰을 위한 위성 영상 확보가 어려운 이유는?
그러나 지상예찰은 많은 인력과 시간이 소요되는 단점이 있으며, 항공예찰은 위치좌표를 갖는 자료를 확보하기 어렵기 때문에 현황파악 수준에서 실시되는 단점 있다. 또한, 위성 영상의 경우 관련기관의 협조와 더불어 주기가 비교적 길고 날씨의 영향을 크게 받기 때문에 원하는 시기의 영상을 확보하는데 제약사항이 있다.
참고문헌 (21)
Bendea, H., Cina, A., Piras, M., Marucco, G. and Mulassano, P. 2010. Posizionamento indoor con ricevitori a basso costo: quali prestazioni, 14a Conferenza nazionale ASITA Brescia, Italy. pp. 5.
Hoffer, R.M., Linden, D.S. and Pasdhke, J.L. 1995. Integration of GIS, GPS and remote sensing for inexpensive assessment of forest insect damage. 1995. ACSM/ASPRS Annual Convention & Exposition Technical Papers (Charlotte. NC) 3: 571-578.
Jo, M.H., Kim, J.B., Oh, J.S., Park, S.J. and Kwon, S. 2001a. Extraction method of damaged area by Bursaphelenchus xylophilus using satellite image and GIS. Korean Journal of Remote Sensing 4: 62-69.
Jo, M.H., Kim, J.B., Oh, J.S. and Lee, K.J. 2001b. Extraction method of damaged area by Pine tree Pest (Bursaphelenchus xylophilus) using high resolution IKONOS image. Journal of The Korean Association of Geographic information 4(4): 72-78.
Kelly, M. 2002. Landscape dynamics of the spread of sudden oak death, Photogrametric Engineering & remote sensing 68(10): 1001-1009.
Kim, D.S., Lee, S.M., Chung, Y.J., Choi, K.S., Moon, Y.S. and Park, C.G. 2003. Emergence ecology of Japanese pine sawyer, monochanmus alternatus(Coleoptera: Cerambycidae), a vector of pinewood nematode, Bursaphelenchus xylophilus. Korean Journal of Applied Entomology 42(2): 307-313.
Kim, J.B., Kim, D.Y. and Park, N.C. 2010. Development of an aerial precision forecasting techniques for the pine wilt disease damaged area based on GIS and GPS. Journal of The Korean Association of Geographic information 13(1): 28-34.
Kim, M.I., Lee, W.K. Kwon, T.H. Kwak, D.A. Kim, Y.S., and Lee, S.H. 2011. Early detecting damaged trees by pine wilt disease using DI(Detection Index) from portable near unfrared camera. Journal of Korean Forest Society 100(3): 374-381.
Kim, S.R., Lee, W.K., Nam, K.J., Song, Y.H., Yu, H.N., Kim, M.I., Lee, J.Y. and Lee, S.H. 2013. Investigation into reflectance characteristics of trees infoected by pine wilt disease. Journal of Korean Forest Society 102(4): 499-505.
Kim, D.I., Song, Y.S., Kim, G.H. and Kim, C.W. 2014. A Study on the application of UAV for Korean land monitoring. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography 32(1): 29-38.
Kim, M.J., Bang, H.S. and Lee, J.W. 2016. Evaluation of the positioning accuracy of spatial information on forest resources using UAV. Korean Society of Forest Engineering 14(1): 21-32.
Korea Forest Service. 2014. Availability evaluation of UAV for damaged area by pine wilt disease. pp. 171.
Lee, J.B., Kim, E.S. and Lee, S.H. 2014. An analysis of spectral pattern for detecting pine wilt disease using ground-based hyperspectral camera. Korean Journal of Remote Sensing 30(5): 665-675.
Lehmann, J.R., Nieberding, F., Prinz, T. and Konth, C. 2015. Analysis of unmanned aerial system-based CIR images in forestry―a new perspective to monitor pest infestation levels. Forests 2015(6): 594-612.
Lin, Z. 2008. UAV for mapping-low alttitude photogrammetric survey, the International archives of the photogrammetry. Remote Sensing and Spatial information Sciences. Vol.XXXVII, Part B1, Beijing. pp. 1183-1186.
Nagai, M., Chen, T., Shibasaki, R., Kumagai, H. and Ahmed, A. 2009. UAV-borne 3-D mapping system by multisensor integration. IEEE Transactions on Geoscience and Remote Sensing 47(3): 701-708.
Nasi, R., Honkavaara, E., Lyytikainen-Saarenmaa, P., Blomqvist, M., Litkey, P., Hakala, T., Viljanen, N., Kantola, T., Tanhuanpaa, T. and Holopainen, M. 2015. Using UAVbased photogrammetry and hyperspectral imaging for mapping bark beetle damage at tree-level. Remote Sensing 7(11): 15467-15493.
Guo, Q., Kelly, M. and Graham, C.H. 2005. Support vector machines for predicting distribution of sudden oak death in California. Ecological Modeling 182: 75-90.
Son, M.H., Lee, W.K., Lee, S.H., Cho, H.K. and Lee, J.H. 2006. Natural spread pattern of damaged area by pine wilt disease using geostatistical Analysis. Journal of Korean Forest Society 95(3): 240-249.
Turner, D., Lucieer, A. and Wallace, L. 2014. Direct georeferencing of ultrahigh-resolution uav imagery. IEEE Transactions on Geoscience and Remote Sensing 52(5): 2738-2745.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.