도시화에 따른 녹지의 감소로 서식처 피괴, 대기오염, 열섬효과 등 많은 환경문제들이 발생하고 있다. 최근에는 자연경관에 대한 관심이 높아지면서 겨울철에도 서식하는 상록수의 적정 관리가 중요하게 대두되고 있다. 본 연구에서는 UAV 기반 식생지수를 이용하여 상록수 분포면적을 분석하였다. 먼저 고정익 UAV에 RGB와 NIR+RG 카메라를 탑재하였으며 Pix4DSW 기반 GCP점을 활용하여 영상접합을 수행하였다. 그리고 취득한 정사영상으로부터 밴드계산 기능을 통해 NDVI와 SAVI 식생지수를 계산하였다. 식생지수 구간별 상록수 분포의 정확도를 평가하기 위해 검정점을 이용하였으며, 분석 결과 "NDVI > 0.5"와 "SAVI > 0.7" 구간에서 Kappa 계수가 각각 0.822와 0.816로 가장 높게 나타났다. GIS공간분석을 통해 계산한 "NDVI > 0.5"와 "SAVI > 0.7" 구간에서의 상록수 분포면적은 각각 $11,824m^2$와 $15,648m^2$로 계산되었으며 이는 전체면적 대비 4.8%와 6.3%에 해당되는 비율이다. 이와 같이 도심지 환경, 대기오염, 기후변화, 열섬효과 등과 관련하여 식생을 분석하는 업무에서 UAV가 최신의 고해상도 정보를 제공해 줄 수 있으리라 판단된다.
도시화에 따른 녹지의 감소로 서식처 피괴, 대기오염, 열섬효과 등 많은 환경문제들이 발생하고 있다. 최근에는 자연경관에 대한 관심이 높아지면서 겨울철에도 서식하는 상록수의 적정 관리가 중요하게 대두되고 있다. 본 연구에서는 UAV 기반 식생지수를 이용하여 상록수 분포면적을 분석하였다. 먼저 고정익 UAV에 RGB와 NIR+RG 카메라를 탑재하였으며 Pix4D SW 기반 GCP점을 활용하여 영상접합을 수행하였다. 그리고 취득한 정사영상으로부터 밴드계산 기능을 통해 NDVI와 SAVI 식생지수를 계산하였다. 식생지수 구간별 상록수 분포의 정확도를 평가하기 위해 검정점을 이용하였으며, 분석 결과 "NDVI > 0.5"와 "SAVI > 0.7" 구간에서 Kappa 계수가 각각 0.822와 0.816로 가장 높게 나타났다. GIS 공간분석을 통해 계산한 "NDVI > 0.5"와 "SAVI > 0.7" 구간에서의 상록수 분포면적은 각각 $11,824m^2$와 $15,648m^2$로 계산되었으며 이는 전체면적 대비 4.8%와 6.3%에 해당되는 비율이다. 이와 같이 도심지 환경, 대기오염, 기후변화, 열섬효과 등과 관련하여 식생을 분석하는 업무에서 UAV가 최신의 고해상도 정보를 제공해 줄 수 있으리라 판단된다.
The decrease of green space according to the urbanization has caused many environmental problems as the destruction of habitat, air pollution, heat island effect. With interest growing in natural view recently, proper management of evergreen tree which is lived even the winter season has been on the...
The decrease of green space according to the urbanization has caused many environmental problems as the destruction of habitat, air pollution, heat island effect. With interest growing in natural view recently, proper management of evergreen tree which is lived even the winter season has been on the rise importantly. This study analyzed the distribution area of evergreen tree using vegetation index based on unmanned aerial vehicle (UAV). Firstly, RGB and NIR+RG camera were loaded in fixed-wing UAV and image mosaic was achieved using GCPs based on Pix4d SW. And normalized differences vegetation index (NDVI) and soil adjusted vegetation index (SAVI) was calculated by band math function from acquired ortho mosaic image. validation points were applied to evaluate accuracy of the distribution of evergreen tree for each range value and analysis showed that kappa coefficient marked the highest as 0.822 and 0.816 respectively in "NDVI > 0.5" and "SAVI > 0.7". The area of evergreen tree in "NDVI > 0.5" and "SAVI > 0.7" was $11,824m^2$ and $15,648m^2$ respectively, that was ratio of 4.8% and 6.3% compared to total area. It was judged that UAV could supply the latest and high resolution information to vegetation works as urban environment, air pollution, climate change, and heat island effect.
The decrease of green space according to the urbanization has caused many environmental problems as the destruction of habitat, air pollution, heat island effect. With interest growing in natural view recently, proper management of evergreen tree which is lived even the winter season has been on the rise importantly. This study analyzed the distribution area of evergreen tree using vegetation index based on unmanned aerial vehicle (UAV). Firstly, RGB and NIR+RG camera were loaded in fixed-wing UAV and image mosaic was achieved using GCPs based on Pix4d SW. And normalized differences vegetation index (NDVI) and soil adjusted vegetation index (SAVI) was calculated by band math function from acquired ortho mosaic image. validation points were applied to evaluate accuracy of the distribution of evergreen tree for each range value and analysis showed that kappa coefficient marked the highest as 0.822 and 0.816 respectively in "NDVI > 0.5" and "SAVI > 0.7". The area of evergreen tree in "NDVI > 0.5" and "SAVI > 0.7" was $11,824m^2$ and $15,648m^2$ respectively, that was ratio of 4.8% and 6.3% compared to total area. It was judged that UAV could supply the latest and high resolution information to vegetation works as urban environment, air pollution, climate change, and heat island effect.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 UAV 영상을 통해 분석한 식생지수를 기반으로 상록수 분포지역을 추출하는 것을 목적으로 하고 있으며, 이를 위해 봄철 새싹이 자라기 전인 2017년 2월 27일 촬영을 실시하였다. 영상자료 취득은 스위스 SenseFly 에서 제작한 eBee 고정익 UAV를 이용하였으며, 주요 제원은 Table 1과 같다.
본 연구에서는 겨울철 식생분포를 살펴볼 수 있는 상록수의 면적분포를 분석하였다. 만약 식생의 활력도가 좋은 시기에 영상을 촬영할 경우 수목과 초지를 포함한 식생지역을 효과적으로 모니터링할 수 있다.
본 연구에서는 최신의 영상을 얻을 수 있는 UAV를 이용하여 겨울철에도 식생 활력도를 유지할 수 있는 도심지의 상록수 분포를 파악하고자 하였다. 식생지역 모니터링을 위해 대표적인 식생지수인 NDVI와 토양보정식생지수(SAVI; Soil Adjusted Vegetation Index)를 활용하였으며, 식생지수 계산에 이용되는 영상밴드를 얻기 위해 근적외선과 RGB 영상을 모두 촬영하였다.
첫째, UAV로 취득한 NIR+RG 영상에 대해 GCP 매칭을 통해 영상접합을 실시하였으며, 최종 정사영상으로부터 밴드별 영상조합을 통해 NDVI와 SAVI 구간별 상록수 분포지역을 추출할 수 있었다. 특히 SAVI 지수를 적용하여 식생의 활력도가 상대적으로 낮은 겨울철 상록수 분포특성 분석 연구에 활용하고자 하였다.
제안 방법
5m 간격으로 배치한 총 9,922개의 검정점을 이용하여 NDVI와 SAVI 구간별 분포지역의 정확도를 평가하기 위해 검정점 포인트를 10㎝ 해상도의 그리드로 변환하여 NDVI와 SAVI 구간별 분포도와 중첩하였으며, 이를 통해 식생지수 구간별 Kappa 계수를 Table 4 및 5와같이 계산하였다.
UAV 기반 NIR+RG 카메라를 이용하여 취득한 영상으로부터 NDVI와 SAVI 식생지수를 계산하기 위해 영상처리 SW인 PG-Steamer를 이용하였다. 6㎝급으로 촬영된 영상은 각각 NIR, Red, Green 밴드를 포함하고 있으며 각 밴드별 영상을 조합하여 NDVI와 SAVI 식생지수를 구축하였다. 구축한 식생지수의 경우 6㎝ 해상도로 인해 식생과 비식생 위치가 연속적인 패턴을 보이고 있지 않아 검정점 위치별로 확인이 어려운 문제가 있었다.
촬영된 영상은 eMotion SW의 ｢Flight Data Manager｣ 기능을 이용하여 GPS와 INS 정보를 연결하였다. 낱장으로 촬영된 RGB와 NIR+RG 영상에 대해 Figure 3과 같이 Pix4D SW를 이용하여 영상을 접합하였으며, GNSS 측량을 통해 GRS80 TM 좌표로 취득된 지상기준점(GCP; Ground Control Point)을 Figure 4와 같이 영상과 매칭하였다.
둘째, 구축한 상록수 분포도의 정확도를 평가하기 위해 총 9,922개의 검정점을 입력한 후 NDVI와 SAVI 구간별로 구축한 상록수 분포도를 중첩하여 Kappa 계수를 분석하였다. 분석 결과, ｢NDVI > 0.
구축한 식생지수의 경우 6㎝ 해상도로 인해 식생과 비식생 위치가 연속적인 패턴을 보이고 있지 않아 검정점 위치별로 확인이 어려운 문제가 있었다. 따라서 10㎝ 해상도로 재배열 하였으며, UAV 기반 RGB 카메라를 이용하여 취득한 정사영상을 기초로 하여 실제 상록수 분포와 가장 유사한 패턴을 보이는 식생지수 구간을 Figure 7 및 8과 같이 각각 5개씩 구축하였다.
먼저 본 연구에서는 NDVI와 SAVI 식생지수 계산을 위해 UAV를 이용하여 취득한 NIR+RG 영상으로부터NIR, Red, Green 밴드를 각각 분리하였다. 그리고NDVI 분석을 위해 NIR과 Red 밴드를 기초로 식 (1)을 이용하여 계산하였다.
식생분류 연구에서 토양의 특성을 반영하기 위해 개선된 통계학적 방법론을 도입하여 보다 정교한 영상분석이 가능하게 되었다. 본 연구에서는 2월에 촬영이 이루어졌기 때문에 식생의 활력도가 낮고 상대적으로 토양특성이 강하게 나타나므로 NDVI 외에 SAVI 지수를 함께 적용하였다.
본 연구에서는 UAV 기반 RGB와 NIR+RG 카메라를 이용하여 식생지수 구간별 상록수 분포지역을 분석하였으며, 주요 결론은 다음과 같다.
식생지수는 촬영장비와 기상여건 그리고 촬영시간에 따라 반사도의 차이를 보이게 되므로 대상지마다 다양한 변화를 보이게 된다. 본 연구에서는 식생지수 구간별 상록수 분포지역을 분석한 후 검정점을 이용하여 정확도를 검증하였으며 이를 통해 가장 높은 정확도를 보이는 식생지수 분포도로부터 상록수 분포면적을 분석하였다.
영상자료 취득은 스위스 SenseFly 에서 제작한 eBee 고정익 UAV를 이용하였으며, 주요 제원은 Table 1과 같다. 식생지수로 활용한NDVI와 SAVI 계산에 이용되는 근적외선(NIR)과 적색(Red) 밴드를 얻기 위해 Canon사의 S110 Nir+RG 카메라를 이용하였으며, 검정점별 상록수 위치를 파악하기 위해 Sony사의 WX220 카메라를 이용하여 RGB 영상을 취득하였다. 카메라에 대한 상세 제원은 Table 2와 같다.
본 연구에서는 최신의 영상을 얻을 수 있는 UAV를 이용하여 겨울철에도 식생 활력도를 유지할 수 있는 도심지의 상록수 분포를 파악하고자 하였다. 식생지역 모니터링을 위해 대표적인 식생지수인 NDVI와 토양보정식생지수(SAVI; Soil Adjusted Vegetation Index)를 활용하였으며, 식생지수 계산에 이용되는 영상밴드를 얻기 위해 근적외선과 RGB 영상을 모두 촬영하였다. 식생지수는 촬영장비와 기상여건 그리고 촬영시간에 따라 반사도의 차이를 보이게 되므로 대상지마다 다양한 변화를 보이게 된다.
대상지역에 대해 Sony의 WX220 카메라를 이용하여 RGB 영상을 144매 촬영하였으며, Cannon의 S110 카메라를 이용하여 NIR+RG 영상을 160매 촬영하였다. 촬영된 영상은 eMotion SW의 ｢Flight Data Manager｣ 기능을 이용하여 GPS와 INS 정보를 연결하였다. 낱장으로 촬영된 RGB와 NIR+RG 영상에 대해 Figure 3과 같이 Pix4D SW를 이용하여 영상을 접합하였으며, GNSS 측량을 통해 GRS80 TM 좌표로 취득된 지상기준점(GCP; Ground Control Point)을 Figure 4와 같이 영상과 매칭하였다.
비행계획 수립은 Figure 2와 같이 eBee 전용 SW인eMotion을 활용하였다. 해상도는 고도 약 171m에서 6㎝/pix로 설계하였으며, 종 ‧ 횡중복도는 각각 85%와 70%로 설정하였다. 비행시간은 약 16분 26초로 설계되었으며, 총 비행거리는 12.
대상 데이터
대상지역에 대해 Sony의 WX220 카메라를 이용하여 RGB 영상을 144매 촬영하였으며, Cannon의 S110 카메라를 이용하여 NIR+RG 영상을 160매 촬영하였다. 촬영된 영상은 eMotion SW의 ｢Flight Data Manager｣ 기능을 이용하여 GPS와 INS 정보를 연결하였다.
본 연구에서는 UAV를 활용하여 상록수 분포지역을 분석하기 위해 Figure 1과 같이 전북 전주시 ◯◯대학교 일부지역을 대상지로 선정하였다. 대상지역에는 건물, 도로, 창고, 운동장, 벌개지 그리고 수목 등이 분포하고 있으며, 특히 수목은 상록수를 비롯하여 낙엽수 그리고 잡목 등이 다양하게 분포하고 있어 겨울철 상록수 분포지역을 파악할 수 있는 조건을 갖추고 있다.
본 연구에서는 UAV 영상을 통해 분석한 식생지수를 기반으로 상록수 분포지역을 추출하는 것을 목적으로 하고 있으며, 이를 위해 봄철 새싹이 자라기 전인 2017년 2월 27일 촬영을 실시하였다. 영상자료 취득은 스위스 SenseFly 에서 제작한 eBee 고정익 UAV를 이용하였으며, 주요 제원은 Table 1과 같다. 식생지수로 활용한NDVI와 SAVI 계산에 이용되는 근적외선(NIR)과 적색(Red) 밴드를 얻기 위해 Canon사의 S110 Nir+RG 카메라를 이용하였으며, 검정점별 상록수 위치를 파악하기 위해 Sony사의 WX220 카메라를 이용하여 RGB 영상을 취득하였다.
이론/모형
UAV 기반 NIR+RG 카메라를 이용하여 취득한 영상으로부터 NDVI와 SAVI 식생지수를 계산하기 위해 영상처리 SW인 PG-Steamer를 이용하였다. 6㎝급으로 촬영된 영상은 각각 NIR, Red, Green 밴드를 포함하고 있으며 각 밴드별 영상을 조합하여 NDVI와 SAVI 식생지수를 구축하였다.
성능/효과
분석 결과, ｢NDVI > 0.5｣와 ｢SAVI > 0.7｣구간에서 Kappa 계수가 각각 0.822와 0.816로 가장 높게 나타났다.
해상도는 고도 약 171m에서 6㎝/pix로 설계하였으며, 종 ‧ 횡중복도는 각각 85%와 70%로 설정하였다. 비행시간은 약 16분 26초로 설계되었으며, 총 비행거리는 12.1㎞ 그리고 촬영면적은 약 37,200㎡로 나타났다.
셋째, Kappa 계수가 가장 높게 나타난 식생지수 구간별 상록수 분포면적을 분석한 결과, ｢NDVI > 0.5｣와 ｢SAVI > 0.7｣ 구간에서 각각 11,824㎡와 15,648㎡로 분석되어 전체면적 대비 4.8%와 6.3%의 비율을 보이는 것으로 확인되었다.
첫째, UAV로 취득한 NIR+RG 영상에 대해 GCP 매칭을 통해 영상접합을 실시하였으며, 최종 정사영상으로부터 밴드별 영상조합을 통해 NDVI와 SAVI 구간별 상록수 분포지역을 추출할 수 있었다. 특히 SAVI 지수를 적용하여 식생의 활력도가 상대적으로 낮은 겨울철 상록수 분포특성 분석 연구에 활용하고자 하였다.
후속연구
식생분포를 분석하기 위해 이용되는 식생지수 구간은 촬영시기에 따라 서로 다른 특성을 보인다.다만 상록수 분포를 파악하는 연구에서 본 연구와 같이 겨울철에 촬영한 UAV 영상을 이용할 경우 본 연구에서 제시한 NDVI와 SAVI 구간이 참고자료로 활용될 수 있으리라 판단된다.
만약 식생의 활력도가 좋은 시기에 영상을 촬영할 경우 수목과 초지를 포함한 식생지역을 효과적으로 모니터링할 수 있다. 다만 식생 지역 중 수목과 초지를 별도로 분리하기 위해서는 UAV로 취득한 포인트 클라우드 기반 경사도기법 등을 이용하는 연구가 필요할 것으로 사료된다. 포인트 클라우드 기반 경사도기법은 일정 셀내의 표고값의 경사특성을 파악하여 일정 경사를 초과하는 영역을 수목으로 별도로 추출하는 방법이다.
NDVI와 SAVI의 경계값에 따른 정확도는 촬영시기에 따라 변화하게 된다. 즉 활력도가 좋은 여름철과 활력도가 낮은 겨울철의 경계값 범위는 달라지게 되며,다만 겨울철 상록수 분포를 파악하는 경우 본 연구에서 제시한 경계값의 범위가 참고가 될 수 있을 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
포인트 클라우드 기반 경사도기법이란 무엇인가?
다만 식생 지역 중 수목과 초지를 별도로 분리하기 위해서는 UAV로 취득한 포인트 클라우드 기반 경사도기법 등을 이용하는 연구가 필요할 것으로 사료된다. 포인트 클라우드 기반 경사도기법은 일정 셀내의 표고값의 경사특성을 파악하여 일정 경사를 초과하는 영역을 수목으로 별도로 추출하는 방법이다.
식생지수의 특징은 무엇인가?
식생지수는 원격탐사의 파장별 반사특성을 이용하여 식생의 상태를 표현한 지수로서, 영상으로부터 쉽게 추출할 수 있으며 정확도 역시 뛰어나 식생의 분포를 연구하는 많은 분야에서 이용되고 있다. 원격탐사를 이용하여 식생지수를 추출하는 원리는 다음과 같다.
기존의 위성영상 기반 식생분포 특성을 모니터링한 연구들의 한계점은 무엇인가?
또한 류재현 외(2013)은 식생지수를 이용하여 동아시아 사막주변의 토지피복 변화를 분석하였으며, 에르뎅솜베 술드 ‧ 조기성(2016)은 Landsat 영상을 이용하여 몽골의 토지피복변화 및 지표온도를 분석하여 사막화 연구에 활용하였다. 그러나 기존의 위성영상 기반의 식생 모니터링 연구는 공간해상도 및 주기해상도 문제로 최신의 도심지 식생변화를 주기적으로 파악하는데 한계가 있으며, 따라서 UAV를 활용한 접근이 필요하다.
참고문헌 (21)
김건우, 권치원, 임효진, 염동걸, 최윤호, 정다워, 임현희, 신호상, 박범진. 2013. 겨울철 소나무숲의 NVOC 농도와 숲환경과의 관계. 한국산림휴양학회지. 17(4):133-141. Kim GW, Kwon CW, Lim HJ, Yeom DG, Choi YH, Joung DW, Lim HH, Shin HS, Park BJ. 2013. Realationship between NVOC and Korean Red Pine(Pinus densiflora) Forest Environment in Winter Season. Journal of the Korea Institute of Forest Recreation Welfare. 17(4):133-141.
김미경, 김상필, 김남훈, 손홍규. 2014. LANDSAT 영상을 이용한 세종특별자치시의 도시화와 열섬현상 분석. 대한토목학회논문집. 34(3):1033-1041. Kim MG, Kim SP, Kim NH, Sohn HG. 2014. Urbanization and Urban Heat Island Analysis Using LANDSAT Imagery: Sejong City As a Case Study. Journal of Korean Society of Civil Engineers. 34(3):1033-1041.
김인환, 한경수, 김상일. 2011. 1KM NDVI 10년자료를 이용한 한반도 식생의 경년변동 분석. 대한원격탐사학회지. 27(1):17-24. Kim IH, Han KS, Kim SI. 2011. Vegetation Interannual variavility Over Korea Using 10-Years 1KM NDVI Data. Korean Journal of Remote Sensing. 27(1):17-24.
김영표. 2012. GIS 공간통계기법을 이용한 NDVI 분포특성 분석. 한국산림휴양학회지. 16(3):101-107. Kim YP. 2012. Distribution Characteristics Analysis of NDVI Using Spatial Statistical Method with GIS. Journal of the Korea Institute of Forest Recreation Welfare. 16(3):101-107.
류재현, 한경수, 피경진, 이미지. 2013. 식생자료를 이용한 동아시아 사막 주변의 토지피복 변화 분석. 대한원격탐사학회지. 29(1):105-114. Ryu JH, Han KS, Pi KJ, Lee MJ. 2013. Analysis of Land Cover Change Around Desert Areas of East Asia. Korean Journal of Remote Sensing. 29(1):105-114.
박인환, 조광진, 사공정희, 조현주, 김진효, 이혜영. 2012. 충남 서천군에 분포하는 상록침엽수림의 식생분포와 특성. 한국산림휴양학회지. 16(1):59-68. Park IH, Cho KJ, Sagong JH, Cho HJ, Kim JH, Lee HY. 2012. A Study on Vegetation Distribution and Characteristics of the Evergreen Coniferous Forest in Seochoen-gun, Chungcheongnam-do. Journal of the Korean Institute of Forest Recreation Welfare. 16(1):59-68.
박정기, 고신영, 조기성. 2013. KOMPSAT-2 영상 및 고해상도 항공영상을 이용한 도심지역 식생분류. 한국지형공간정보학회지. 21(4):21-27. Park JG, Go SY, Cho GS. 2013. Vegetation Classification using KOMPSAT-2 Imagery and High-resolution airborne imagery in Urban Area. Journal of Korean Society for Geospatial Information Science. 21(4):21-27.
에르뎅솜베 술드, 조기성. 2016. Landsat 위성영상을 이용한 몽골 Tuul-Basin 지역의 토지피복변화 및 지표온도 시계열적 분석. 한국지형공간정보학회지. 24(3):39-47. Erdenesumbee Suld, Cho GS. 2016. Time series Analysis of Land Cover Change and Surface Temperature in Tuul-Basin, Mongolia Using Landsat Satellite Image. Journal of the Korean Society for Geospatial Information Science. 24(3):39-47.
염종민, 한경수, 이창석, 박윤영, 김영섭. 2008. SPOT/VEGETATION NDVI 자료를 이용한 북한지역. 한국지리정보학회지. 11(2):28-37. Yeom JM, Han KS, Lee CS, Park YY, Kim YS. 2008. A Detection of Vegetation Variation Over North Korea using SPOT/VEGETATION NDVI. Journal of the Korean Association of Geographic Information Studies. 11(2):28-37.
장명준, 신예철, 최형선, 김태호. 2012. 도시규모를 고려한 탄소배출량과 도시특성요소와의 관계 연구. 한국도시행정학회 도시행정학보. 25(4):57-87. Jang MJ, Shin YC, Choi HS, Kim TH. 2012. The Analysis of Relationship Between Urban Size and Co2 Emissions Considering Urban Characteristics. Journal of the Korean Urban Management Association. 25(4):57-87.
최석근, 이승기, Wang Baio. 2014. Landsat 8 OLI영상의 NDVI를 이용한 식생피복지수 분석. 한국측량학회지. 32(1):9-17. Choi SK, Lee SK, Wang Baio. 2014. Analysis of Vegetation Cover Fraction on Landsat OLI using NDVI. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography. 32(1):9-17.
Gilabert MA, Gonzalez-Piqueras J, Garcia-Haro FJ, Melia J. 2002. A generalized soil-adjusted vegetation index. Remote Sensing of Environment. 82:303-310.
Jesper Rasmussen, Georgios Ntakos, Jon Nielsen, Jesper Svensgaard, Robert N. Poulsen, Svend Christensen. 2016. Are vegetation indices derived from consumer-grade cameras mounted on UAVs sufficiently reliable for assessing experimental plots?. European Journal of Agronomy. 74:75-92.
Juliane Bendig, Kang Yu, Helge Aasen, Andreas Bolten, Simon Bennertz, Janis Broscheit, Martin L. Gnyp, Georg Bareth. 2015. Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley. International Journal of Applied Earth Observation and Geoinformation. 39:79-87.
Lee KD, Na SI, Baek SC, Jung BJ, Hong SY. 2015. The Study of Applicability to Fixed-field Sensor for Normalized Difference Vegetation Index (NDVI) Monitoring in Cultivation Area. Korean Journal of Soil Science and Fertilizer. 48(6):593-601.
Na SI, Hong SY, Park CW, Kim KD, Lee KD. 2016. Estimation of Highland Kimchi Cabbage Growth using UAV NDVI and Agro-meteorological Factors. Korean Journal of Soil Science and Fertilizer. 49(5):420-428.
Nagai M, Chen T, Ahmed A, Shibasaki R. 2008. UAV Borne Mapping by Multi Sensor Integration. ISPRS XXI Congress. 1215-1221.
Torres-Sanchez J, Lopez-Granados F, Pena JM. 2015. An automatic object-based method for optimal thresholding in UAV images: Application for vegetation detection in herbaceous crops. Computers and Electronics in Agriculture. 114:43-52.
Villa P. 2012. Mapping urban growth using soil and vegetation index and landat data: The Milan (Italy) City Area Case Study. Landscape and Urban Planning. 107(3):245-254.
Yutaka Watanabe, Yoshihisa Kawahara. 2016. UAV Photogrammetry for monitoring changes in river topography and vegetation. Procedia Engineering. 154:317-325.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.