[논문]산림지역에서의 LiDAR DEM 정확도 향상을 위한 FUSION 패러미터 선정에 관한 연구

조승완; 박주원

doi:10.14578/jkfs.2017.106.3.320

산림지역에서의 LiDAR DEM 정확도 향상을 위한 FUSION 패러미터 선정에 관한 연구
A Study on the Selection of Parameter Values of FUSION Software for Improving Airborne LiDAR DEM Accuracy in Forest Area 원문보기

韓國林學會誌 = Journal of Korean Forest Society, v.106 no.3, 2017년, pp.320 - 329

조승완 (경북대학교 산림과학.조경학부) , 박주원 (경북대학교 산림과학.조경학부)

초록
AI-Helper

본 연구는 항공 LiDAR DEM을 생산하는 FUSION 소프트웨어의 GroundFilter 모듈의 필터링 알고리즘(FA)과 GridSurfaceCreate 모듈의 보간 알고리즘(IA) 패러미터 수준 변화의 DEM 정확도에 대한 영향여부를 평가하고, 가장 정확한 해발고도 정보를 제공하는 LiDAR DEM을 생산하기 위한 패러미터 수준을 제시하고자 하였다. FA의 median 패러미터($F_{md}$), mean 패러미터($F_{mn}$) 및 IA의 median 패러미터($I_{md}$), mean 패러미터($I_{mn}$)에 대해 5개 수준(1, 3, 5, 7 및 9)을 적용한 조합의 변화에 따라 DEM의 정확도에 대한 영향 여부를 평가하기 위해 DEM 결과물의 해발고도와 실측한 현장 해발고도 간의 잔차를 종속변수로 선정하였다. 이후 패러미터의 수준 변화가 잔차 변화에 대한 영향 여부를 검정하는 다원분산분석을 실시하고, 다원분산분석 결과에서 유의미한 영향이 있는 변수의 패러미터 수준들을 잔차에 대한 영향이 차이가 나는 집단으로 그룹화하기 위해 사후검정인 Tukey HSD를 수행하였다. 다원분산분석 결과, 개별 $F_{md}$, $F_{mn}$, $I_{mn}$에서의 수준 변화와 잔차 변화 사이에 유의미한 관계가 있었으며, $I_{mn}$은 유의미한 영향이 없었다. 아울러 $F_{md}$와 $F_{mn}$의 패러미터 조합의 상호작용효과가 잔차 변화에 유의미한 영향을 미치는 것으로 나타났다. 이에 따라 $F_{md}$와 $F_{mn}$의 수준 및 $F_{md}{\ast}F_{mn}$ 상호작용 수준 그리고 $I_{mn}$의 수준이 DEM 정확도에 영향을 주는 요인으로 판단된다. $F_{md}{\ast}F_{mn}$의 조합에 대한 사후검정 결과, 잔차들의 평균 차이에 따라 네 개의 집단으로 나뉘었으며, 그중 '$9{\ast}3$' 조합이 가장 정확도가 높았으며, '$1{\ast}1$' 조합이 가장 낮은 정확도를 나타내었다. $I_{mn}$의 사후검정 결과, 세 개의 집단으로 나뉘었으며, 그중 수준 '3'과 '1'이 가장 낮은 잔차 평균값을 나타내었다. 따라서 가장 정확한 해발고도 정보를 제공하는 항공 LiDAR DEM의 생성을 위하여 $F_{md}{\ast}F_{mn}$의 조합이 수준 '$9{\ast}3$', $I_{mn}$은 수준 '3' 혹은 '1'인 조건을 우선적으로 고려해야할 것으로 판단된다. 본 연구는 LiDAR 자료 기반의 산림속성정보를 추출하는 연구들의 정확도 향상에 기여할 수 있을 것으로 사료된다.

Abstract ▼ AI-Helper

This study aims to evaluate whether the accuracy of LiDAR DEM is affected by the changes of the five input levels ('1','3','5','7' and '9') of median parameter ($F_{md}$), mean parameter ($F_{mn}$) of the Filtering Algorithm (FA) in the GroundFilter module and median parameter ($I_{md}$), mean parameter ($I_{mn}$) of the Interpolation Algorithm (IA) in the GridSurfaceCreate module of the FUSION in order to present the combination of parameter levels producing the most accurate LiDAR DEM. The accuracy is measured by the residuals calculated by difference between the field elevation values and their corresponding DEM elevation values. A multi-way ANOVA is used to statistically examine whether there are effects of parameter level changes on the means of the residuals. The Tukey HSD is conducted as a post-hoc test. The results of the multi- way ANOVA test show that the changes in the levels of $F_{md}$, $F_{mn}$, $I_{mn}$ have significant effects on the DEM accuracy with the significant interaction effect between $F_{md}$ and $F_{mn}$. Therefore, the level of $F_{md}$, $F_{mn}$, and the interaction between two variables are considered to be factors affecting the accuracy of LiDAR DEM as well as the level of $I_{mn}$. As the results of the Tukey HSD test on the combination levels of $F_{md}{\ast}F_{mn}$, the mean of residuals of the '$9{\ast}3$' combination provides the highest accuracy while the '$1{\ast}1$' combination provides the lowest one. Regarding $I_{mn}$ levels, the mean of residuals of the both '3' and '1' provides the highest accuracy. This study can contribute to improve the accuracy of the forest attributes as well as the topographic information extracted from the LiDAR data.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러나 각 모듈과 패러미터 변수들을 독립적으로 고찰함으로써 변수 사이 및 모듈 사이의 상관관계에 대한 고찰이 부족하였다. 따라서 본 연구에서는 산림지역의 LiDAR 자료를 FA 및 IA의 md 및 mn 패러미터로 각각의 패러미터 변수들의 수준에 따른 정확도에 대한 영향을 평가하기 위하여 각 변수의 수준들의 조합에 따라 생성된 항공 LiDAR DEM의 해발고도 값을 현장 실측값과 비교하였다. 이를 통해 가장 정확한 해발고도정보를 제공할 수 있는 LiDAR DEM을 생성하기 위해서는 어떤 변수들이 고려되어야 하며, 모듈과 변수들 사이에 상관관계가 있는지 여부와 어떤 패러미터 값의 조합을 사용해야 할지를 제시하는 것을 목적으로 한다.
본 연구는 산림지역 항공 LiDAR 자료를 이용하여 DEM을 생산할 때, FUSION 소프트웨어의 GroundFilter 모듈의 FA에 사용된 패러미터 F_md, F_mn와 GridSurfaceCreate 모듈의 IA에 사용된 패러미터 I_md 및 I_mn 수준 변화에 따른 DEM 결과물의 해발고도 정확도에 영향 여부를 평가하고, DEM을 생성 시 적합한 F_md, F_mn, I_md 및 I_mn 패러미터 수준과 그로 인한 영향에 대한 참고수준을 제시하는 것을 목적으로 하였다. 이를 위해 다원분산분석을 실시한 결과, F_md와 F_mn간 상호작용효과가 잔차의 평균에 영향을 미치는 것으로 나타났다.
본 연구는 산림지역에서의 항공 LiDAR DEM을 생성을 위한 FUSION에서 사용할 패러미터 값 선정에 대한지침을 개선할 수 있을 것이다. 이를 통해 산림지역에서의 지표면 해발고도 혹은 다양한 산림 내 지형에 대한 보다 신뢰성 높은 정보를 제공할 뿐만 아니라 LiDAR 자료를 이용한 산림구조분석 등의 지표면 정보를 활용한 연구에도 기여할 수 있을 것이라 사료된다.
따라서 본 연구에서는 산림지역의 LiDAR 자료를 FA 및 IA의 md 및 mn 패러미터로 각각의 패러미터 변수들의 수준에 따른 정확도에 대한 영향을 평가하기 위하여 각 변수의 수준들의 조합에 따라 생성된 항공 LiDAR DEM의 해발고도 값을 현장 실측값과 비교하였다. 이를 통해 가장 정확한 해발고도정보를 제공할 수 있는 LiDAR DEM을 생성하기 위해서는 어떤 변수들이 고려되어야 하며, 모듈과 변수들 사이에 상관관계가 있는지 여부와 어떤 패러미터 값의 조합을 사용해야 할지를 제시하는 것을 목적으로 한다.

제안 방법

먼저 FUSION 상에서 LiDAR 원자료에 대하여 필터링을 과정에서 5가지 수준(1, 3, 5, 7 및 9)의 F_md와 F_mn 변수를 교차 조합하여 총 25가지 패러미터 수준 조합을 구성하고 이 조합에 따라 각각 필터링된 자료를 추출하였다. F_md와 F_mn패러미터 수준 조합에 따라 필터링이 수행된 25개의 LiDAR 자료를 대상으로 정규격자화를 실시하였다. 필터링 단계에서와 마찬가지로 각각 5가지 수준(1, 3, 5, 7 및 9)의 I_md와 I_mn 변수 값을 조합하여 총 25개의 패러미터 수준별 조합을 구성하고, 개개의 필터링된 자료에 각 수준 조합에 따른 정규격자화를 시행하였다.
각 연구대상지의 LiDAR 원자료로부터 F_md, F_mn, I_md 및I_mn 개별 변수의 패러미터 수준별 그리고 변수들의 조합에 따른 수준들에 따른 DEM을 생성하였다. LiDAR DEM 생성에는 FUSION과 ArcGIS가 사용되었다.
분산분석을 실시한 후 잔차에 대하여 유의미한 영향을 끼치는 요인을 대상으로 사후검정(Post hoc test) 방법 중 하나인 Tukey HSD (Honestly Significant Difference)검정을 실시하였다. 검정은 유의수준 5% 내에서 실시하였으며, 요인의 수준 변화에 따른 잔차들의 평균값들 간의 차이 유무를 검정하고 정확도가 가장 높은 LiDAR DEM을 제공할 수 있는 수준을 각 요인변수별로 제시하였다.
LiDAR DEM 생성에는 FUSION과 ArcGIS가 사용되었다. 먼저 FUSION 상에서 LiDAR 원자료에 대하여 필터링을 과정에서 5가지 수준(1, 3, 5, 7 및 9)의 F_md와 F_mn 변수를 교차 조합하여 총 25가지 패러미터 수준 조합을 구성하고 이 조합에 따라 각각 필터링된 자료를 추출하였다. F_md와 F_mn패러미터 수준 조합에 따라 필터링이 수행된 25개의 LiDAR 자료를 대상으로 정규격자화를 실시하였다.
상호작용의 유의미한 영향이 있던 FA의 F_md, F_mn 변수와 달리 IA의 I_md, I_mn변수 사이에는 상호작용의 영향이 없기 때문에 두 개 변수 중 유의미한 영향을 미치는 I_mn개별 변수에 대해서만 사후검정만을 실시하였다. I_mn 변수의 수준들은 잔차 평균 차이에 따라 3개의 집단으로 구분되었다.
측량방식은 실시간 후처리 이동측위(RTK, Real-TimeKinematic) 방법을 사용하였다. 아울러 기하학적 배치에 의한 측위오차인 위치 정밀도 저하율(PDOP, Positional Dilution Of Precision)이 1 이하에서 측량된 z인 값들만을 사용하여 정밀도 수준을 보장하였다. 이에 따라 각 연구대상지에서 z를 획득한 표본점 개수는 Table 5와 같다.
현장조사를 통해 실제 해발고도를 측점하기에 앞서 측점을 실시할 표본점들을 선정하였다. 이를 위해 ArcGIS상에서 임의의 점들을 추출하는 Create Random Point 도구를 활용하여 각 연구대상지에 대해 30개의 표본점들을 임의 추출하고, 표본점들의 좌표를 추출하였다. 이후 추출된 표본점들의 좌표와 일치하는 현장 위치에서의 해발고도 값(z)들을 획득하였다.
잔차는 LiDAR DEM의 해발고도 정확도를 측정하는데 활용되는 자료로서, 잔차값이 낮으면 LiDAR DEM의 해발고도와 실제 해발고도 간 차이가 작다는 의미로서 정확도가 높다고 평가할 수 있다. 이에 따라 각 조합별DEM의 잔차에 차이가 있는지를 검정함으로써 패러미터 수준 조합별로 정확도를 비교하였다.
이후 FUSION 상에서 DTM2ASCII 알고리즘을 활용하여 각 패러미터 조합이 적용된 DTM에서 ASCII 포맷으로 변환하였고, ArcGIS상에서 ASCII To Raster 도구를 활용하여 ASCII 포맷의 자료를 Raster DEM 포맷으로 변환하였다(Figure 2).
정확한 z값의 획득을 위해 현장 위치에서의 측정에 앞서 각 연구대상지를 둘러싸는4개 이상의 수준점(benchmark)에 대하여 고도 측량을 실시하고, 수준점들의 고도자료를 기반으로 각 연구대상지의 고도 보정(calibration)을 실시하였다. 이후 연구대상지내의 앞서 임의 추출된 표본점 좌표와 일치하는 지점에서 고도 측량을 통해 z값을 획득하였다. z 및 고도 보정을 위해 사용한 GPS 장비는 수평 오차 8 mm, 수직 오차15 mm의 CHC Navigation 사의 X91+ GPS/GNSS이며 사후 처리를 거치면 수평, 수직 오차 모두 1 cm 이하의 오차를 보장하는 정밀측정 장비이다.
이후 추출된 표본점들의 좌표와 일치하는 현장 위치에서의 해발고도 값(z)들을 획득하였다. 정확한 z값의 획득을 위해 현장 위치에서의 측정에 앞서 각 연구대상지를 둘러싸는4개 이상의 수준점(benchmark)에 대하여 고도 측량을 실시하고, 수준점들의 고도자료를 기반으로 각 연구대상지의 고도 보정(calibration)을 실시하였다. 이후 연구대상지내의 앞서 임의 추출된 표본점 좌표와 일치하는 지점에서 고도 측량을 통해 z값을 획득하였다.
패러미터 수준 조합별로 생성된 LiDAR DEM 결과물의 정확도는 DEM 상의 해발고도 값과 해당 지점에 상응하는 현장에서 정밀 측정한 해발고도(z)와의 잔차(residual)를 이용하여 측정하였다(Figure 3).
F_md와 F_mn패러미터 수준 조합에 따라 필터링이 수행된 25개의 LiDAR 자료를 대상으로 정규격자화를 실시하였다. 필터링 단계에서와 마찬가지로 각각 5가지 수준(1, 3, 5, 7 및 9)의 I_md와 I_mn 변수 값을 조합하여 총 25개의 패러미터 수준별 조합을 구성하고, 개개의 필터링된 자료에 각 수준 조합에 따른 정규격자화를 시행하였다. 최종적으로 F_md, F_mn의 조합으로부터 25개의 결과물에 25개의 I_md및 I_mn 패러미터 조합이 적용됨에 따라 총 625가지의 최종 DEM 자료를 생성하였다.

대상 데이터

이를 고려한 연구대상지로는 화천시, 양주시, 포천시, 세종시, 경산시, 화순군, 장흥군 및 완도군에 각각에 위치하는 산림유역으로, 총 8곳을 선정하였다. 대상지들은 경기권, 강원권, 영남권, 호남권, 충청권 별로 최소 1개소 이상씩 배치되어 전국적인 분포를 보이고 있다(Figure 1.).
본 연구에서의 활용 자료는 국립산림과학원에서 제공한 항공 LiDAR 원자료로, 각 연구대상지에 대하여 항공 측량을 통한 자료 획득 시기는 연도별 차이는 있으나 계절적 차이에 의한 LiDAR 원자료의 구성에 영향을 줄 소지는 적다고 판단된다(Table 3). 따라서 연구대상지 간의 식생유무로 인한 자료 특성의 차이는 미미한 것으로 사료된다.
본 연구의 대상지는 산림지역에서의 항공 LiDAR 원자료의 가용성을 우선적으로 고려하였다. 이를 고려한 연구대상지로는 화천시, 양주시, 포천시, 세종시, 경산시, 화순군, 장흥군 및 완도군에 각각에 위치하는 산림유역으로, 총 8곳을 선정하였다.
본 연구의 대상지는 산림지역에서의 항공 LiDAR 원자료의 가용성을 우선적으로 고려하였다. 이를 고려한 연구대상지로는 화천시, 양주시, 포천시, 세종시, 경산시, 화순군, 장흥군 및 완도군에 각각에 위치하는 산림유역으로, 총 8곳을 선정하였다. 대상지들은 경기권, 강원권, 영남권, 호남권, 충청권 별로 최소 1개소 이상씩 배치되어 전국적인 분포를 보이고 있다(Figure 1.
필터링 단계에서와 마찬가지로 각각 5가지 수준(1, 3, 5, 7 및 9)의 I_md와 I_mn 변수 값을 조합하여 총 25개의 패러미터 수준별 조합을 구성하고, 개개의 필터링된 자료에 각 수준 조합에 따른 정규격자화를 시행하였다. 최종적으로 F_md, F_mn의 조합으로부터 25개의 결과물에 25개의 I_md및 I_mn 패러미터 조합이 적용됨에 따라 총 625가지의 최종 DEM 자료를 생성하였다.

데이터처리

F_md, F_mn, I_md 및 I_mn 변수의 1, 3, 5, 7 및 9의 5 단계의 패러미터 수준이 잔차 평균에 영향을 주는지 여부를 검정하기 위해 SPSS를 이용해 다원배치분산분석(multi-way ANOVA)을 실시하였다. 분산분석을 실시한 후 잔차에 대하여 유의미한 영향을 끼치는 요인을 대상으로 사후검정(Post hoc test) 방법 중 하나인 Tukey HSD (Honestly Significant Difference)검정을 실시하였다.
Table 6. Results from multi-way ANOVA test for effects on the mean residuals from DEM and field measured elevation by the FA and IA parameter level changes.
다원분산분석 결과로부터 잔차에 대하여 유의미한 영향을 미치는 것으로 판단된 F_md, F_mn및 F_md*F_mn의 상호작용 그리고 I_mn각개 변수의 패러미터 수준들을 잔차에 대한 영향이 차이가 나는 집단으로 그룹화하기 위하여 Tukey HSD 검정을 실시하였다(Table 7).
변수의 1, 3, 5, 7 및 9의 5 단계의 패러미터 수준이 잔차 평균에 영향을 주는지 여부를 검정하기 위해 SPSS를 이용해 다원배치분산분석(multi-way ANOVA)을 실시하였다. 분산분석을 실시한 후 잔차에 대하여 유의미한 영향을 끼치는 요인을 대상으로 사후검정(Post hoc test) 방법 중 하나인 Tukey HSD (Honestly Significant Difference)검정을 실시하였다. 검정은 유의수준 5% 내에서 실시하였으며, 요인의 수준 변화에 따른 잔차들의 평균값들 간의 차이 유무를 검정하고 정확도가 가장 높은 LiDAR DEM을 제공할 수 있는 수준을 각 요인변수별로 제시하였다.

이론/모형

측량방식은 실시간 후처리 이동측위(RTK, Real-TimeKinematic) 방법을 사용하였다. 아울러 기하학적 배치에 의한 측위오차인 위치 정밀도 저하율(PDOP, Positional Dilution Of Precision)이 1 이하에서 측량된 z인 값들만을 사용하여 정밀도 수준을 보장하였다.

성능/효과

Fmd, Fmn, Imd 및 Imn 개별 변수의 패러미터 수준 변화가 잔차에 대한 영향을 주는지 여부를 검정하기 위해 분산분석을 실시한 결과, Fmd(F-value : 193.965, p<0.01), Fmn(F-value : 232.258, p<0.01), Imn(F-value : 3.750, p<0.01)변수에서는 수준 변화와 잔차 변화 사이에 유의미한 관계가 있는 것으로 나타났다.
그러나 잔차들의 평균이 가장 큰 수준 ‘9’는 적정 패러미터 수준 선정 시 지양되어야 할 것으로 사료된다. I_md패러미터는 분산분석 결과에서 수준 변화에 따라 항공 LiDAR DEM의 해발고도 정확도에 대한 영향이 유의미하지 않은 것으로 나타났다. 이를 통해 신뢰성 있는 항공 LiDAR DEM의 생성을 위해 I_md 패러미터 선정 시, 어떤 수준을 선택하더라도 큰 차이가 없다고 할 수 있다.
다음으로 변수들의 상호작용으로 인해 잔차에 영향을 주는지 분석한 결과, Fmd와 Fmn의 두 변수의 패러미터 수준들의 경우 상호작용효과(Interaction effect)가 잔차 변화에 유의미한 영향이 있는 것으로 나타났다(F-value : 158.644, p<0.01).
먼저 F_md에 대한 사후검정을 실시한 결과, 잔차의 평균차이에 따라 F_md의 5개 수준들은 잔차 평균의 크기 순서가 낮은 정도에 따라 3개의 집단으로 구분되었다. 잔차 평균이 가장 낮은 1집단(group 1)에는 잔차 평균의 크기순서에 따라 ‘5’, ‘7’ 및 ‘9’ 수준이 속하며, 2집단과 잔차평균이 가장 높은 3집단에는 각각 ‘3’와 ‘1’이 있다.
분산분석결과에 따라 잔차에 대하여 유의미한 영향이 나타난 Fmd와 Fmn 변수 상호작용에 대한 사후검증을 위해 두 변수의 각각 5개 수준들 사이의 Fmd*Fmn조합에 대하여 사후분석을 실시한 결과, ‘9*3’조합이 0.5444 m의 가장 낮은 잔차평균 값을 나타내고 있어 신뢰성 있는 LiDAR DEM의 생성을 위한 Fmd, Fmn 패러미터 선정 시 가장 우선적으로 선택해야 할 것으로 사료된다.
아울러 F-test 결과를 고려할 때, F_md와 F_mn의 상호작용이 상대적으로 I_mn 보다 잔차의 변화에 더 큰 영향을 주는 것으로 추정된다. 이는 GroundFilter 모듈의 FA 관련 패러미터가 GridSurfaceCreate의 IA 관련 패러미터보다 LiDAR DEM의 해발고도 정확도에 대한 영향이 크다는 의미로 해석이 가능하며 이는 FA의 필터링이 LiDAR 원자료로부터 가중치를 사용하며 극단치를 제거하는 과정으로 자료를 직접적으로 통제한다는 측면에서 주어진 자료들을 연결하여 평면화시키는 격자화보다 더 결과물에 영향을 줄 수 있다는 견해와 일치한다(McGaughey,2016).
패러미터 수준과 그로 인한 영향에 대한 참고수준을 제시하는 것을 목적으로 하였다. 이를 위해 다원분산분석을 실시한 결과, F_md와 F_mn간 상호작용효과가 잔차의 평균에 영향을 미치는 것으로 나타났다. 따라서 산림지역의 보다 정확한 해발고도를 표현하는 LiDAR DEM 생성을 위한 패러미터 수준 선정 시, F_md와 F_mn의 조합을 우선적으로 고려해야 한다.
반면 그 외 변수 수준들의 조합들은 상호작용효과가 잔차에 유의미한 영향을 준다고 할 수 없었다. 특히 F_md, F_mn과 I_md, I_mn 사이의 어떠한 조합에서도 상관관계도 유의미하게 나타나지 않아 F_md와 F_mn 패러미터를 사용하는 GroundFilter 모듈의 FA와I_md와 I_mn 패러미터를 포함한 GridSurfaceGreate 모듈의 IA사이에는 상당한 독립성이 있다고 판단된다(Table 6).
FUSION은 LiDAR 원자료의 전처리 및 산림구조 분석을 위한 후처리를 목적으로 개발되어 무료로 제공되고 있다(McGaughey, 2016). 특히 여러 분석 기능 중 개별목 분류, 수관고 모델링, 지정 범위 내의 점군 자료 추출 등과 같이 산림 속성 정보 추출과 관련된 분석도구들을 통해 관심 정보의 효율적인 획득이 가능하다. 이러한 특징으로 인하여 다양한 연구에서 FUSION을 이용한 LiDAR 자료 처리 및 산림 속성 분석을 하였다(Richardson et al.

후속연구

이를 통해 산림지역에서의 지표면 해발고도 혹은 다양한 산림 내 지형에 대한 보다 신뢰성 높은 정보를 제공할 뿐만 아니라 LiDAR 자료를 이용한 산림구조분석 등의 지표면 정보를 활용한 연구에도 기여할 수 있을 것이라 사료된다. 다만, 지표면 모델을 생성하는 FUSION 외의 다른 소프트웨어는 FUSION과는 다른 필터링 알고리즘과 보간법을 사용하기 때문에 차이가 있기에 FUSION 외 소프트웨어에서 생성된 결과물의 상호비교를 통한 정확도 비교분석에 대한 고려가 필요할 것으로 판단된다. 또한 본 연구에서는 필터링 과정의 가중함수 식의 변수들을 고정하였기 때문에 향후 가중함수식의 패러미터 수준 변화에 따른 정확도에 대한 영향과 F_md, F_mn, I_md및 I_mn 패러미터들과의 상호작용 등에 대한 평가가 추가적으로 필요할 것으로 판단된다.
그러나 획득된 LiDAR 원자료를 DEM으로 처리하는 동일한 알고리즘의 자료 가공 과정 중에 개발자가 선택하여 투입하는 패러미터 값에 따라 생성된 결과물이 영향을 받을 수 있으나, 이에 대한 연구는 미미한 실정이다. 따라서 보다 정확한 산림 속성 정보의 추정을 위해서는 DEM의 가공과정에서 영향을 줄 수 있는 알고리즘 자체의 패러미터 선택에 따른 영향에 대한 연구가 필요하다.
이는 GroundFilter 모듈의 FA 관련 패러미터가 GridSurfaceCreate의 IA 관련 패러미터보다 LiDAR DEM의 해발고도 정확도에 대한 영향이 크다는 의미로 해석이 가능하며 이는 FA의 필터링이 LiDAR 원자료로부터 가중치를 사용하며 극단치를 제거하는 과정으로 자료를 직접적으로 통제한다는 측면에서 주어진 자료들을 연결하여 평면화시키는 격자화보다 더 결과물에 영향을 줄 수 있다는 견해와 일치한다(McGaughey,2016). 따라서 보다 정확한 해발고도를 표현하는 LiDARDEM을 추출하는 패러미터 선정 시, 필터링과 관련된 FA의 md 및 mn 패러미터 수준의 선택을 우선적으로 고려해야 할 것으로 사료된다.
그러나 FUSION의 알고리즘별로 선정된 패러미터들 조합이 산림지역에서 생성된 DEM의 정확도에 미치는 영향에 대한 실증적인 연구, 특히 통계적 검증에 관한 연구가 미흡하다(Hwang and Lee, 2011). 따라서 산림 속성 정보 추정의 정확도를 개선하기 위해서는 LiDAR DEM의 정확성을 높이는 데 기여할 수 있는 알고리즘별 패러미터값들을 통계적으로 검증하는 실증적 연구가 필요하다. 이와 관련해서 Park et al.
5 point/m²보다 높은 수치이다. 따라서 활용된 자료는 실제 지표면을 표현하는 신뢰성이 확보된 지표면 모델을 추출하기 위한 자료로 적절하다고 판단된다.
다만, 지표면 모델을 생성하는 FUSION 외의 다른 소프트웨어는 FUSION과는 다른 필터링 알고리즘과 보간법을 사용하기 때문에 차이가 있기에 FUSION 외 소프트웨어에서 생성된 결과물의 상호비교를 통한 정확도 비교분석에 대한 고려가 필요할 것으로 판단된다. 또한 본 연구에서는 필터링 과정의 가중함수 식의 변수들을 고정하였기 때문에 향후 가중함수식의 패러미터 수준 변화에 따른 정확도에 대한 영향과 F_md, F_mn, I_md및 I_mn 패러미터들과의 상호작용 등에 대한 평가가 추가적으로 필요할 것으로 판단된다. 아울러 연구에 사용된 LiDAR 자료가 일부 대상지에 국한되어 연구결과를 전국적으로 일반화시켜 적용하는데 제약이 있다.
본 연구는 산림지역에서의 항공 LiDAR DEM을 생성을 위한 FUSION에서 사용할 패러미터 값 선정에 대한지침을 개선할 수 있을 것이다. 이를 통해 산림지역에서의 지표면 해발고도 혹은 다양한 산림 내 지형에 대한 보다 신뢰성 높은 정보를 제공할 뿐만 아니라 LiDAR 자료를 이용한 산림구조분석 등의 지표면 정보를 활용한 연구에도 기여할 수 있을 것이라 사료된다. 다만, 지표면 모델을 생성하는 FUSION 외의 다른 소프트웨어는 FUSION과는 다른 필터링 알고리즘과 보간법을 사용하기 때문에 차이가 있기에 FUSION 외 소프트웨어에서 생성된 결과물의 상호비교를 통한 정확도 비교분석에 대한 고려가 필요할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	FUSION의 장점은 무엇인가?	FUSION은 LiDAR 원자료의 전처리 및 산림구조 분석을 위한 후처리를 목적으로 개발되어 무료로 제공되고 있다(McGaughey, 2016). 특히 여러 분석 기능 중 개별목 분류, 수관고 모델링, 지정 범위 내의 점군 자료 추출 등과 같이 산림 속성 정보 추출과 관련된 분석도구들을 통해 관심 정보의 효율적인 획득이 가능하다. 이러한 특징으로 인하여 다양한 연구에서 FUSION을 이용한 LiDAR 자료 처리 및 산림 속성 분석을 하였다(Richardson et al.
	FUSION의 개발 목적은?	Department of Agriculture)에서 제공하는 FUSION프로그램(이하 FUSION)이다. FUSION은 LiDAR 원자료의 전처리 및 산림구조 분석을 위한 후처리를 목적으로 개발되어 무료로 제공되고 있다(McGaughey, 2016). 특히 여러 분석 기능 중 개별목 분류, 수관고 모델링, 지정 범위 내의 점군 자료 추출 등과 같이 산림 속성 정보 추출과 관련된 분석도구들을 통해 관심 정보의 효율적인 획득이 가능하다.
	DEM의 정확도는 무엇에 영향을 받는가?	, 2004). DEM의 정확도는 LiDAR 원자료 획득 관련 측정 장비의 기술적 특성과 LiDAR 원자료로부터 DEM 생성을 위한 소프트웨어적 처리과정에 따라 영향을 받는다. 따라서 LiDAR DEM 정확도에 영향을 주는 인자와 그 영향 정도를 파악하는 것이 DEM 자료를 이용한 산림 속성 추정 모델의 불확실성을 이해하는 필수조건이다.

참고문헌 (24)

Bright, B.C., Hicke, J.A. and Hudak, A.T. 2012. Estimating aboveground carbon stocks of a forest affected by mountain pine beetle in Idaho using lidar and multispectral imagery. Remote Sensing of Environment 124: 270-281.

상세보기
Cho, K.H., Heo, J., Jung, J.H., Kim C.J. and Kim, K.M. 2011. Review and Comparative Analysis of Forest Biomass Estimation Using Remotely Sensed Data: from Five Different Perspectives. Journal of the Korean Society for Geo-spatial Information Science 19(1): 87-96.
Choi, Y.W., Sohn, D.J. and Cho, G.S. 2009. Applying Image processing Algorithm to Raw LiDAR Data for Extracting Ground Information. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography 27(5): 575-583.
Edson, C. and Wing, M.G. 2011. Airborne light detection and ranging (LiDAR) for individual tree stem location, height, and biomass measurements. Remote Sensing 3(11): 2494-2528.

상세보기
Erdody, T.L. and Moskal, L.M. 2010. Fusion of LiDAR and imagery for estimating forest canopy fuels. Remote Sensing of Environment 114(4): 725-737.

상세보기
Estornell, J., Ruiz, L.A., Velazquez-Marti, B. and Hermosilla, T. 2011. Analysis of the factors affecting LiDAR DTM accuracy in a steep shrub area. International Journal of Digital Earth 4(6): 521-538.

상세보기
Ferster, C.J., Coops, N.C. and Trofymow, J. A. 2009. Aboveground large tree mass estimation in a coastal forest in British Columbia using plot-level metrics and individual tree detection from lidar. Canadian Journal of Remote Sensing 35(3): 270-275.

상세보기
Fuchs, H., Magdon, P., Kleinn, C. and Flessa, H. 2009. Estimating aboveground carbon in a catchment of the Siberian forest tundra: Combining satellite imagery and field inventory. Remote Sensing of Environment 113: 518-531.

상세보기
Goodwin, N.R., Coops, N.C. and Culvenor, D.S. 2006. Assessment of forest structure with airborne LiDAR and the effects of platform altitude. Remote Sensing of Environment 103(2): 140-152.

상세보기
Hwang, S.R. and Lee, I.P. 2011. Comparative Analysis and Accuracy Improvement on Ground Point Filtering of Airborne LIDAR Data for Forest Terrain Modeling. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography 29(6): 641-650.

원문보기 상세보기
Hyyppa, J., Hyyppa, H., Litkey, P., Yu, X., Haggren, H., Ronnholm, P., Pyysalo, U., Pitkanen, J. and Maltamo, M. 2004. Algorithms and methods of airborne laser scanning for forest measurements. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences 36(8): 82-89.
Kim, Y., Yang, Z., Cohen, W.B., Pflugmacher, D., Lauver, C.L. and Vankat, J.L. 2009. Distinguishing between live and dead standing tree biomass on the North Rim of Grand Canyon National Park, USA using small-footprint lidar data. Remote Sensing of Environment 113(11): 2499-2510.

상세보기
Kobler, A., Pfeifer, N., Ogrinc, P., Todorovski, L., Ostir, K. and Dzeroski, S. 2007. Repetitive interpolation: A robust algorithm for DTM generation from Aerial Laser Scanner Data in forested terrain. Remote Sensing of Environment 108(1): 9-23.

상세보기
Kraus, K. and Pfeifer, N. 1998. Determination of terrain models in wooded areas with airborne laser scanner data. ISPRS Journal of Photogrammetry and Remote Sensing 53(4): 193-203.

상세보기
Magnusson, M., Fransson, J.E. and Holmgren, J. 2007. Effects on estimation accuracy of forest variables using different pulse density of laser data. Forest Science 53(6): 619-626.

상세보기
McGaughey, R.J. 2016. Fusion/LDV : Software for LiDAR Data Analysis and Visualization. United States Department of Agriculture, Forest Service, Pacific Northwest Research Station, Seattle, W.A., USA. pp. 1-206.
Meng, X., Currit, N. and Zhao, K. 2010. Ground filtering algorithms for airborne LiDAR data: A review of critical issues. Remote Sensing 2(3): 833-860.

상세보기
Minh, D.H.T., Le Toan, T., Rocca, F., Tebaldini, S., Villard, L., Rejou-Mechain, M., Phillips, O.L., Feldpausch, T.R., Dubois-Fernandez, P., Scipal, K. and Chave, J. 2016. SAR tomography for the retrieval of forest biomass and height: Cross-validation at two tropical forest sites in French Guiana. Remote Sensing of Environment 175: 138-147.

상세보기
Park, J., Choi, H.T. and Cho, S. 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 GridsurfaceGreate in FUSION software. Journal of the Korean Association of Geographic Information Studies 19(1): 154-166

원문보기 상세보기
Reutebuch, S.E., Andersen, H.E. and McGaughey, R.J. 2005. Light detection and ranging (LIDAR): an emerging tool for multiple resource inventory. Journal of Forestry 103(6): 286-292.

상세보기
Richardson, J.J., Moskal, L.M. and Kim, S. H. 2009. Modeling approaches to estimate effective leaf area index from aerial discrete-return LIDAR. Agricultural and Forest Meteorology 149(6): 1152-1160.

상세보기
Saarela, S., Schnell, S., Tuominen, S., Balazs, A., Hyyppa, J., Grafstrom, A. and Stahl, G. 2016. Effects of positional errors in model-assisted and model-based estimation of growing stock volume. Remote Sensing of Environment 172: 101-108.

상세보기
Shanghai Huace Navigation Technology Ltd. CHC X91+ GNSS Technical Specification. pp. 2
Yoo, H.H., Kim, E.M. and Chung, D.K. 2005. Assessment of Classification Accuracy of Ground and Nonground Points from LIDAR Data. Journal of the Korean Society of Civil Engineers D 25(6D): 929-935.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증