드론을 이용하여 고도 100 m에서 촬영한 고해상도 카메라 이미지를 분석하여 천해해저지형 측량을 시도하였다. 쇄파대 내의 수심측량은 해안침식의 원인분석 등 관련 연구를 위해 가장 중요한 입력자료 중의 하나이다. 특히 이동한계수심 이내의 천해 수심자료는 연안 침퇴적 수치모델링을 위한 가장 중요한 입력자료 임에도 불구하고 정확한 해저지형측량 자료를 얻을 수 없었다. 그 이유는 선박을 이용한 상세 수심측량이 흘수 등을 고려할 때 수심 2 m 이내에서는 거의 불가능하며, 또한 쇄파와 연안류로 인해 선박 또는 사람이 직접 충분한 해상도로 측량하기에 매우 어렵기 때문이다. 따라서 소형 드론과 고해상도 카메라 이미지를 이용한 광학원격탐사는 매우 효과적인 천해수심측량 수단이 될 수 있다. 본 연구에서는 경북 월포해수욕장에서 드론으로 촬영한 고해상도 카메라 이미지의 적색, 녹색, 청색 그리고 회색 밴드 이미지를 다변수 선형회귀분석법으로 분석하여 천해 수심을 추정하고 실측한 수심자료와 비교하여 천해수심측량의 가능성과 정확도를 검토하였다. 드론에서 촬영한 이미지를 해저 지질, 바닷물의 색상, 부유사의 농도 등의 영향을 고려하지 않고 수심추정 알고리즘을 이용하여 분석한 결과 수심 5 m 이내에서 상관계수 0.99 이상, 절대오차 0.2 m 이하로 수심을 정확하게 추정할 수 있음을 확인하였다.
드론을 이용하여 고도 100 m에서 촬영한 고해상도 카메라 이미지를 분석하여 천해 해저지형 측량을 시도하였다. 쇄파대 내의 수심측량은 해안침식의 원인분석 등 관련 연구를 위해 가장 중요한 입력자료 중의 하나이다. 특히 이동한계수심 이내의 천해 수심자료는 연안 침퇴적 수치모델링을 위한 가장 중요한 입력자료 임에도 불구하고 정확한 해저지형측량 자료를 얻을 수 없었다. 그 이유는 선박을 이용한 상세 수심측량이 흘수 등을 고려할 때 수심 2 m 이내에서는 거의 불가능하며, 또한 쇄파와 연안류로 인해 선박 또는 사람이 직접 충분한 해상도로 측량하기에 매우 어렵기 때문이다. 따라서 소형 드론과 고해상도 카메라 이미지를 이용한 광학원격탐사는 매우 효과적인 천해수심측량 수단이 될 수 있다. 본 연구에서는 경북 월포해수욕장에서 드론으로 촬영한 고해상도 카메라 이미지의 적색, 녹색, 청색 그리고 회색 밴드 이미지를 다변수 선형회귀분석법으로 분석하여 천해 수심을 추정하고 실측한 수심자료와 비교하여 천해수심측량의 가능성과 정확도를 검토하였다. 드론에서 촬영한 이미지를 해저 지질, 바닷물의 색상, 부유사의 농도 등의 영향을 고려하지 않고 수심추정 알고리즘을 이용하여 분석한 결과 수심 5 m 이내에서 상관계수 0.99 이상, 절대오차 0.2 m 이하로 수심을 정확하게 추정할 수 있음을 확인하였다.
Shallow-water bathymetry survey has been conducted using high definition color images obtained at the altitude of 100 m above sea level using a drone. Shallow-water bathymetry data are one of the most important input data for the research of beach erosion problems. Especially, accurate bathymetry da...
Shallow-water bathymetry survey has been conducted using high definition color images obtained at the altitude of 100 m above sea level using a drone. Shallow-water bathymetry data are one of the most important input data for the research of beach erosion problems. Especially, accurate bathymetry data within closure depth are critically important, because most of the interesting phenomena occur in the surf zone. However, it is extremely difficult to obtain accurate bathymetry data due to wave-induced currents and breaking waves in this region. Therefore, optical remote sensing technique using a small drone is considered to be attractive alternative. This paper presents the potential utilization of image processing algorithms using multi-variable linear regression applied to red, green, blue and grey band images for estimating shallow water depth using a drone with HD camera. Optical remote sensing analysis conducted at Wolpo beach showed promising results. Estimated water depths within 5 m showed correlation coefficient of 0.99 and maximum error of 0.2 m compared with water depth surveyed through manual as well as ship-board echo-sounder measurements.
Shallow-water bathymetry survey has been conducted using high definition color images obtained at the altitude of 100 m above sea level using a drone. Shallow-water bathymetry data are one of the most important input data for the research of beach erosion problems. Especially, accurate bathymetry data within closure depth are critically important, because most of the interesting phenomena occur in the surf zone. However, it is extremely difficult to obtain accurate bathymetry data due to wave-induced currents and breaking waves in this region. Therefore, optical remote sensing technique using a small drone is considered to be attractive alternative. This paper presents the potential utilization of image processing algorithms using multi-variable linear regression applied to red, green, blue and grey band images for estimating shallow water depth using a drone with HD camera. Optical remote sensing analysis conducted at Wolpo beach showed promising results. Estimated water depths within 5 m showed correlation coefficient of 0.99 and maximum error of 0.2 m compared with water depth surveyed through manual as well as ship-board echo-sounder measurements.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 드론에 의해 해상고도 100 m에서 촬영한 고해상도 카메라 이미지 자료로 추정된 수심과 측량된 수심자료를 비교하여 정확도를 검증하였다. 수심 1.
본 논문에서는 수심 5 m 이내의 천해 수심을 추정할 수 있는 드론과 고해상도 카메라에 의한 광학원격탐사 방법론을 제시하였다. 수심 1.
제안 방법
또한 Philpot(1989)는 Eq. (2)에 관련된 물리적 특성치를 밝히고 일부 물리적 특성이 변하는 상황별로 수심을 추정하는 방법을 개발하였다. 그러나 해당 연구들은 위성에서 촬영된 근적외선, 적외선, 자외선 등의 가시광선 밴드 이외의 밴드를 포함한 멀티스펙트럼 영상을 이용한 것으로 본 연구와 같이 일반 고해상도 카메라의 가시광선 밴드만을 이용할 경우 적용하기 힘들다.
본 연구에서는 Eq. (4)의 다변수 선형회귀식으로 수심을 추정하였으며, 적색, 녹색, 청색, 회색 밴드를 이용하여 수심을 추정하였다. 회색밴드는 (R band + G band + B band)/3로 보통 계산되나 이와 같이 계산할 경우 선형성에 의해 R, G, B 밴드만을 사용한 결과와 같으므로 Eq.
1). HD 카메라에 의해 취득된 이미지는 수면반사광 제거, 이미지 노출 보정, 이미지 병합 그리고 매핑 등의 전처리 과정 후, 실해역 수심측량 자료와 비교하여 수심추정을 수행한다. 드론에 의해 촬영된 HD 이미지의 RGB 밴드별 해수에 의한 굴절율과 흡수율의 차이에 의한 수심추정식을 다변수 선형회귀분석을 통해 수심을 추정하였다(Fig.
드론에 의해 촬영된 HD 이미지의 RGB 밴드와 실해역에서 측량한 수심자료의 다변수 선형회귀분석에 의해 추정된 수심자료를 비교하였다. Fig.
(2017)은 드론을 이용한 지형측량의 정확도를 검토하였으며, 특히 드론에서 촬영된 해수면 이미지 분석을 통해 수심을 추정하는 방법의 정확도를 제시하였다. 해수면을 촬영한 이미지로부터 파랑의 전파속도를 추정하여 선형 분산방정식으로 수심을 추정하여 95퍼센타일(percentile) 오차가 0.95 m 정도라고 추정하였다. Zinke and Plener(2013)는 드론을 이용하여 촬영한 카메라 이미지를 분석하여 하천유역의 지형 및 수심측량을 수행하였다.
대상 데이터
본 연구에서는 DJI Phantom3 드론과 HD 카메라를 사용하였다(Fig. 1). HD 카메라에 의해 취득된 이미지는 수면반사광 제거, 이미지 노출 보정, 이미지 병합 그리고 매핑 등의 전처리 과정 후, 실해역 수심측량 자료와 비교하여 수심추정을 수행한다.
3은 월포해수욕장에서 드론과 HD 카메라를 이용해 수심을 추정한 영역을 나타낸다. 수심 추정 대상 영역은 사진에서 빨간색 직사각형 박스로 가로 세로는 각각 500 m와 900 m이다. Fig.
데이터처리
5 m까지는 사람이 직접 측량하였으며 수심 9m까지는 선박에서 음향측심기로 측정하였다. 고해상도 카메라 이미지의 적색, 녹색, 청색 및 회색 밴드의 흡수율 및 반사율의 차이에 의한 수심에의 영향을 이해하기 위해 다변수 선형회귀분석법을 활용하였다.
HD 카메라에 의해 취득된 이미지는 수면반사광 제거, 이미지 노출 보정, 이미지 병합 그리고 매핑 등의 전처리 과정 후, 실해역 수심측량 자료와 비교하여 수심추정을 수행한다. 드론에 의해 촬영된 HD 이미지의 RGB 밴드별 해수에 의한 굴절율과 흡수율의 차이에 의한 수심추정식을 다변수 선형회귀분석을 통해 수심을 추정하였다(Fig. 2).
성능/효과
그러나 Eq. (3)은 가시광선 밴드만을 사용하는 일반 고해상도 카메라에서는 잘 맞지 않는 경향을 보이며, Eq. (4)와 같이 로그를 취하지 않고 계산할 때 더 나은 결과를 얻는다고 보고된 바 있다(Ehses, 2015).
그러나 RGB 밴드의 물에서의 흡수에 의해 수심 6 m 이상인 해역은 측정할 수 없음을 확인하였다. 또한 해저질과 탁도 등에 의해 수심추정에 큰 변수가 있음을 확인하였다. 향후 수심추정 시 파랑에 의한 영향과 태양광의 광량에 의한 영향 그리고 해저면과 탁도에 의한 영향 등을 고려하여 분석하기 위해서는 더 많은 자료의 축적이 필요하며, 축적된 빅데이터(big data)에 기계학습방법론을 적용하는 것이 필요한 것으로 생각된다.
5 m 이내의 얕은 수심은 사람이 직접 수준 측량을 실시하고, 수심 2 m 이상인 곳은 선박에서 음향측심기로 측정하여 9 m 이내의 수심측량 자료를 확보하고, 이 측정자료와 드론에 장착된 HD 카메라에 의한 고해상도 이미지의 적색, 녹색, 청색 그리고 회색 밴드 이미지의 천해수심추정자료와 비교하여 제안 방법이 수심측량 결과와 매우 잘 일치함을 검증하였다. 상관계수는 0.99로서 강한 상관관계를 나타내며 절대 오차는 0.2 m 이내임을 확인하였다. 그러나 RGB 밴드의 물에서의 흡수에 의해 수심 6 m 이상인 해역은 측정할 수 없음을 확인하였다.
(2016)은 경북 울진 후정해수욕장 앞바다에서 드론에서 고해상도 카메라로 촬영한 영상과 선박에서 음향측심기로 측정한 수심자료로 천해수심 측량의 정확도를 제시하였다. 선박에 장착된 음향측심기로 수심 1 m부터 10 m까지를 측정한 후, 인공신경망 알고리즘을 이용하여 적색, 녹색, 청색밴드와 이를 합성한 회색밴드의 조합을 이용한 인공신경망 수심추정이 선형상관계수 0.97, RMS 오차 0.63 m 수준임을 제시하였다. 인공신경망 이론은 일종의 블랙박스 알고리즘으로 입력자료의 정확성에 따라 출력자료를 최적화 일치시키는 방법이므로 물리적인 해석이 불가능한 단점이 있다.
본 논문에서는 수심 5 m 이내의 천해 수심을 추정할 수 있는 드론과 고해상도 카메라에 의한 광학원격탐사 방법론을 제시하였다. 수심 1.5 m 이내의 얕은 수심은 사람이 직접 수준 측량을 실시하고, 수심 2 m 이상인 곳은 선박에서 음향측심기로 측정하여 9 m 이내의 수심측량 자료를 확보하고, 이 측정자료와 드론에 장착된 HD 카메라에 의한 고해상도 이미지의 적색, 녹색, 청색 그리고 회색 밴드 이미지의 천해수심추정자료와 비교하여 제안 방법이 수심측량 결과와 매우 잘 일치함을 검증하였다. 상관계수는 0.
한편, 다변수 회귀분석의 결과 수심추정식은 depth = 0.052R + 0.098G − 0.0078B − 0.07Gray − 5.7과 같고, 이 식을 통하여 청색밴드의 계수가 다른 밴드에 비해 1/10 정도로 작은 것을 알 수 있다.
그러나 수심 5 m 영역까지는 천해수심을 잘 추정함을 알 수 있다. 현 연구의 결과에 의하면 드론에 장착된 HD 카메라에 의한 수심추정은 5 m 이내의 수심에서 가능함을 알 수 있다. 동해안의 경우 폐합수심(closure depth)이 약 6 내지 7 m 정도 되기 때문에 현재로선 연안침식의 원인분석을 위한 드론에 의한 수심추정은 수심이 6m이상인 영역에서는 약간의 한계가 있는 것을 알 수 있다.
후속연구
또한 해저질과 탁도 등에 의해 수심추정에 큰 변수가 있음을 확인하였다. 향후 수심추정 시 파랑에 의한 영향과 태양광의 광량에 의한 영향 그리고 해저면과 탁도에 의한 영향 등을 고려하여 분석하기 위해서는 더 많은 자료의 축적이 필요하며, 축적된 빅데이터(big data)에 기계학습방법론을 적용하는 것이 필요한 것으로 생각된다.
질의응답
핵심어
질문
논문에서 추출한 답변
우리나라 해안침식의 원인은 무엇인가?
해안 침식의 원인을 정확히 분석해야 침식의 저감과 복구가 가능하다. 우리나라에서 해안침식은 겨울철의 폭풍과 여름부터 가을까지 주로 발생되는 태풍 파랑에 의해 간헐적으로 일어난다. 폭풍에 의한 해안침식은 2일 내지 3일간의 고파랑에 의하여 발생하며, 태풍에 의한 해안침식은 하루 동안 급격히 이루어지기도 한다.
LiDAR를 이용한 수심 측량 방법의 문제점은?
LiDAR를 이용한 수심 측량은 항공기에 탑재된 LiDAR에서 레이저를 쏘아 돌아오는 시간을 측정하여 수심을 측량하는 방법이다(Setter and Willis, 1994; Irish and Lillycrop, 1999). 그러나 LiDAR는 항공기를 이용하는 특성상 비용이 많이 들고 비행허가를 받아야 되므로 필요한 때 간편하게 측량하기에는 어려움이 있다.
드론과 고해상도 카메라를 사용한 천해 수심 측정 중 나타난 문제점은?
2 m 이내임을 확인하였다. 그러나 RGB 밴드의 물에서의 흡수에 의해 수심 6 m 이상인 해역은 측정할 수 없음을 확인하였다. 또한 해저질과 탁도 등에 의해 수심추정에 큰 변수가 있음을 확인하였다. 향후 수심추정시 파랑에 의한 영향과 태양광의 광량에 의한 영향 그리고 해저면과 탁도에 의한 영향 등을 고려하여 분석하기 위해서는 더 많은 자료의 축적이 필요하며, 축적된 빅데이터(big data)에 기계학습방법론을 적용하는 것이 필요한 것으로 생각된다.
참고문헌 (14)
Ahn, K., Park, J. and Oh, C.Y. (2016). Estimation of shallow water depth using drone and HD camera. Proc. of the Conference of Korea Society of Coastal and Ocean Engineering, Busan, Korea. (in Korean).
Ehses, J.S. and Rooney, J.J. (2015). Depth derivation using multispectral WorldView-2 satellite imagery. US Department of Commerce., NOAA Technical Memorandum NMFS-PIFSC-46, 24.
Hochberg, E.J., Andrefouet, S. and Tyler, M.R. (2003). Sea surface correction of high spatial resolution Ikonos images to improve bottom mapping in near-shore environments. IEEE Transactions on Geoscience and Remote Sensing, 41(7), 1724-1729.
Holman, R.A., Brodie, K.L. and Spore, N.J. (2017). Surf zone characterization using a small quadcopter: technical issues and procedures. IEEE Transactions on Geoscience and Remote Sensing, 55(4).
Irish, J.L. and Lillycrop, W.J. (1999). Scanning laser mapping of the coastal zone: The SHOALS system. ISPRS Journal of Photogrammetry and Remote Sensing, 54(2), 123-129.
Lyzenga, D.R. (1981). Remote sensing of bottom reflectance and water attenuation parameters in shallow water using aircraft and Landsat data. International Journal of Remote Sensing, 2(1), 71-82.
Lyzenga, D.R., Malinas, N.P. and Tanis, F.J. (2006). Multispectral bathymetry using a simple physically based algorithm. IEEE Transactions on Geoscience and Remote Sensing, 44(8), 2251-2259.
Setter, C. and Willis, R.J. (1994, April). LADS--From development to hydrographic operations. In Proc. US Hydro. Conf (Vol. 94).
Srivastava, D.K., Weinrotter, M., Kofler, H., Agarwal, A.K. and Wintner, E. (2009). Laser-assisted homogeneous charge ignition in a constant volume combustion chamber. Optics and Lasers in Engineering, 47(6), 680-685.
Yi, J.-H., Ryu, K.-H., Shin, C., Baek, W.-D. and Jeong, W.M. (2016). Bathymetry estimation using aerial imagery for shallow water region. Journal of The Korean Society of Hazard Mitigation, 16(5), 351-358. (in Korean).
Zinke, P. and Flener, C. (2013). Experiences from the use of unmanned aerial vehicles (UAV) for river bathymetry modelling in norway. VANN, 48, 351-360.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.