[논문]다중분광 카메라 탑재 드론 영상 기반 토지피복도 제작 및 활용성 평가

서춘욱; 임재형; 김형매; 윤희천

doi:10.7848/ksgpc.2018.36.6.589

다중분광 카메라 탑재 드론 영상 기반 토지피복도 제작 및 활용성 평가
Land Cover Mapping and Availability Evaluation Based on Drone Images with Multi-Spectral Camera 원문보기

한국측량학회지 = Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, v.36 no.6, 2018년, pp.589 - 599

서춘욱 (Dept. of Civil Engineering, Chungnam National University) , 임재형 (Dept. of Civil Engineering, Chungnam National University) , 김형매 (Dept. of Landscape Architecture, Chonbuk National University) , 윤희천 (Dept. of Civil Engineering, Chungnam National University)

초록
AI-Helper

토지피복도는 지금까지 주로 위성영상과 항공영상을 이용하여 제작되어 왔지만 이 두 영상은 공간적 해상도의 한계가 따르고 구름의 영향으로 원하는 시점에 원하는 지역의 영상을 취득하기에는 역부족이다. 또한, 소규모 지역에 대한 토지피복도를 제작하기에는 시간적 및 경제성 측면에서 비효율적이다. 이에 본 연구에서는 다중분광 카메라 기반의 드론을 사용하여 다중시기 영상을 취득하고 정사영상을 생성한 후 토지피복도를 제작하여 시계열 분석을 통해 활용성을 평가 하였다. 그 결과 RMSE (Root Mean Square Error)가 X, Y, H에서 각각 ${\pm}10mm$, ${\pm}11mm$, ${\pm}26mm$인 RGB 정사영상과 ${\pm}28mm$, ${\pm}27mm$, ${\pm}47mm$인 다중분광 정사영상을 생성할 수 있었다. 픽셀기반 및 객체기반 분류로 각각 제작된 토지피복도의 정확도를 분석한 결과 전체 정확도와 Kappa 계수에서 객체기반 분류가 시기별로 각각 7월 93.75%, 92.42%, 10월 92.50%, 91.20%, 2월 92.92%, 91.77%로 더 높게 나타났으며 시계열 분석 결과 특정 객체의 면적 변화량을 정량적으로 정확하게 파악할 수 있었다. 이를 통해 다중분광 카메라 기반의 드론을 활용한 효율적인 토지피복도 제작 가능성과 활용성을 확인하였다.

Abstract ▼ AI-Helper

The land cover map has been produced by using satellite and aerial images. However, these two images have the limitations in spatial resolution, and it is difficult to acquire images of a area at desired time because of the influence of clouds. In addition, it is costly and time-consuming that mapping land cover map of a small area used by satellite and aerial images. This study used multispectral camera-based drone to acquire multi-temporal images for orthoimages generation. The efficiency of produced land cover map was evaluated using time series analysis. The results indicated that the proposed method can generated RGB orthoimage and multispectral orthoimage with RMSE (Root Mean Square Error) of ${\pm}10mm$, ${\pm}11mm$, ${\pm}26mm$ and ${\pm}28mm$, ${\pm}27mm$, ${\pm}47mm$ on X, Y, H respectively. The accuracy of the pixel-based and object-based land cover map was analyzed and the results showed that the accuracy and Kappa coefficient of object-based classification were higher than that of pixel-based classification, which were 93.75%, 92.42% on July, 92.50%, 91.20% on October, 92.92%, 91.77% on February, respectively. Moreover, the proposed method can accurately capture the quantitative area change of the object. In summary, the suggest study demonstrated the possibility and efficiency of using multispectral camera-based drone in production of land cover map.

주제어

표/그림 (22)

그림 Fig. 1. GCP locations in study area
표 Table 1. The acquired GCP coordinates
표 Table 2. The input values for automatic ﬂight
그림 Fig. 2. The acquired sample image
그림 Fig. 3. February RGB DEM and orthoimage
그림 Fig. 4. February multispectral DEM and orthoimage
표 Table 3. RGB orthoimage accuracy analysis result
표 Table 4. Multispectral orthoimage accuracy analysis result
표 Table 5. Classiﬁcation and color system
그림 Fig. 5. NDVI generation result
그림 Fig. 6. July pixel-based classiﬁcation result
그림 Fig. 7. October pixel-based classiﬁcation result
그림 Fig. 8. February pixel-based classiﬁcation result
그림 Fig. 9. July object-based classiﬁcation result
그림 Fig. 10. October object-based classiﬁcation result
그림 Fig. 11. February object-based classiﬁcation result
표 Table 6. Classiﬁcation accuracy analysis by error matrix
그림 Fig. 12. July inland wetland and mixed forest
그림 Fig. 13. October inland wetland and mixed forest
그림 Fig. 14. February inland wetland and mixed forest
그림 Fig. 15. Comparison graph of area percentage by period
표 Table 7. Comparison of area percentage by period

AI 본문요약
AI-Helper

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

문제 정의

이에 본 연구에서는 드론과 다중분광 카메라를 이용하여 연구 대상지의 다중시기 고해상도 RGB 및 다중분광 영상을 취득하고 정사영상을 생성하여 위치 정확도를 분석한 후 픽셀기반 및 객체기반 분류 기법으로 토지피복도를 제작하여 분류 정확도 평가를 통해 소규모 지역에 적합한 최적의 분류 기법을 제시하고자 한다. 또한, 계절의 변화에 따른 시계열 모니터링을 통해 변화 양상을 정성적 및 정량적으로 파악하여 위성영상과 항공영상의 한계점을 보완하면서 공간정보의 갱신이 용이한 드론 원격탐사 기법의 효율적인 토지피복도 제작과 활용성을 평가하고자 한다.
본 연구에서는 위성영상과 항공영상으로는 비효율적인 소규모 지역에 대해 다중분광 카메라를 탑재한 드론으로 다중시기 고해상도 영상을 취득하여 정사영상을 생성하고 위치 정확도를 분석한 후 최적의 분류 방법을 도출 하고자 픽셀 및 객체기반 방식으로 토지피복 분류를 수행하여 정확도를 분석하였다. 또한, 시계열 분석을 통해 면적 변화량을 파악하여 효율적인 토지피복도 제작 가능성과 활용성을 평가하고자 하였으며 그 결과 다음과 같은 결론을 얻었다.
식생지수는 현재 여러 가지가 존재하는데 그 중에서 1974년에 개발된 정규화식생지수(NDVI: Normalized Difference Vegetation Index)가 가장 대표적이고 널리 사용되고 있다. 본 연구에서는 대상지의 식생 상태를 보다 정확하게 파악하고자 NDVI를 추출하였다. NDVI 값은 -1에서 1 사이에 분포하는데 일반적으로 수분상태를 고려하지 않을 경우 0.
본 연구에서는 분류 정확도 분석에서 가장 높은 정확도를 확보한 객체기반 분류 기법으로 제작된 토지피복도를 이용하여 피복의 면적 변화량을 파악하는 시계열 분석을 통해 활용성을 평가하였다. 분류 항목 중 내륙습지는 연구 대상지 특성상 여름이 되면 연잎 분포지로 변화되기 때문에 계절에 따라 식생지와 습지로 구분되며 시간이 변해도 거의 정적인 토지피복에 비해 면적 비율의 변화가 뚜렷하다는 특징이 있다.
이에 본 연구에서는 드론과 다중분광 카메라를 이용하여 연구 대상지의 다중시기 고해상도 RGB 및 다중분광 영상을 취득하고 정사영상을 생성하여 위치 정확도를 분석한 후 픽셀기반 및 객체기반 분류 기법으로 토지피복도를 제작하여 분류 정확도 평가를 통해 소규모 지역에 적합한 최적의 분류 기법을 제시하고자 한다. 또한, 계절의 변화에 따른 시계열 모니터링을 통해 변화 양상을 정성적 및 정량적으로 파악하여 위성영상과 항공영상의 한계점을 보완하면서 공간정보의 갱신이 용이한 드론 원격탐사 기법의 효율적인 토지피복도 제작과 활용성을 평가하고자 한다.

제안 방법

따라서, 내륙습지의 변화가 시기별로 토지피복들에 미치는 영향을 분석하기 위해서 Figs. 12, 13 and 14와 같이 내륙습지와 혼효림을 시기별로 추출하여 RGB 정사영상과 중첩시켜 NDVI 영상과 상호 비교할 수 있도록 도시하였다.
GCP 측량에 앞서 GNSS 수신기의 정확도 검증을 확인하기 위해 연구기관 근처의 통합기준점을 Network 기반 RTK (Real-Time Kinematic) 방식 중 VRS (Virtual Reference Station) 방법으로 300번의 관측을 통해 좌표 값을 취득하여 고시된 성과와 비교하였다. 결과 X, Y, H 방향에서 각각 –2mm, 3mm, 5mm로 나타났다.
본 연구에서는 Multi Resolution Segmentation 모듈을 사용하여 분할 축척, 공간정보 및 조밀도에 대한 변수들의 최적의 가중치를 선정하여 객체기반 분류에 앞서 영상을 분할하였다. 우선 조밀도는 값의 변화가 극히 미세하여 기본 값인 0.
본 연구에서는 SIFT (Scale-Invariant Feature Transform) 알고리즘과 SfM (Structure from Motion) 알고리즘이 내장된 러시아 Agisoft사의 Photoscan을 사용하여 토지피복도 제작에 앞서 자동으로 정사영상을 생성하였다.
본 연구에서는 시기별로 ROI 참조자료를 수집하여 픽셀기반 방식의 각 기법별로 토지피복을 분류하고 결과를 Figs. 6, 7 and 8에 RGB 정사영상과 함께 도시하였다.
픽셀기반 분류 방식은 영상에 존재하는 픽셀들의 특정한 분광 값에 기반하여 분류하는 방식이다. 본 연구에서는 영상에서 토지피복 분류의 클래스를 선정하고 관심지역(RoI : Region of Interest)을 수집한 후 최대우도 및 SVM 분류 기법으로 다중시기의 토지피복 분류를 수행하였다. 최대우도 분류 기법은 정규 분포를 기준으로 하는 확률 밀도 함수를 사용하여 통계적인 확률 분포에 따라 대상 픽셀이 특정 클래스에 포함될 확률을 계산하는 방식이고(Foody et al.
본 연구에서는 위성영상과 항공영상으로는 비효율적인 소규모 지역에 대해 다중분광 카메라를 탑재한 드론으로 다중시기 고해상도 영상을 취득하여 정사영상을 생성하고 위치 정확도를 분석한 후 최적의 분류 방법을 도출 하고자 픽셀 및 객체기반 방식으로 토지피복 분류를 수행하여 정확도를 분석하였다. 또한, 시계열 분석을 통해 면적 변화량을 파악하여 효율적인 토지피복도 제작 가능성과 활용성을 평가하고자 하였으며 그 결과 다음과 같은 결론을 얻었다.
본 연구에서는 정사영상 생성 시 사용된 GCP에 대한 결과 정확도와 10개의 CP를 선정하여 영상좌표와 상호 비교하는 방식으로 2월의 정사영상 위치 정확도를 분석하였다. 다른 시기 정사영상은 똑같은 방식으로 생성 되었기에 정확도 분석에서 배제해도 무방하다고 판단하였다.
본 연구에서는 토지피복 분류 정확도 분석을 객체기반 방식과 픽셀기반 방식에서 최대우도 및 SVM 기법으로 분류한 결과의 오차행렬을 이용하여 생산자, 사용자 및 전체 정확도와 Kappa 계수를 산정하여 상호 비교하는 방식으로 평가하였다. 정확도 평가에 사용된 참조자료는 픽셀기반 방식에서는 층화임의 표집(stratiﬁed random sampling) 방법을 이용하여 무작위로 추출하였고, 객체기반 방식에서는 각 클래스별로 TTA (Training and Test Area) mask를 제작하는 방법을 이용하여 무작위로 참조자료를 추출하였다.
본 연구에서는 픽셀기반 및 객체기반 두 가지 방식으로 토지피복도를 제작하였고 모두 감독분류 기법을 사용하였다. 픽셀기반 방식에는 최대우도 분류 기법(maximum likelihood classification)과 SVM 분류 기법(Support Vector Machine classification)을 사용하였고, 객체기반 방식에는 우선 최적의 가중치 선정과 식생지수를 이용한 영상 분할을 수행한 후 최근린 분류 기법(nearest-neighbor classification)을 사용하여 토지피복을 분류하였다.
영상취득을 위한 자동비행 설정 값은 종·횡 중복도 85%/80%, 비행고도와 속도는 150m와 6m/s, 다중분광 카메라는 25m 간격으로 촬영 하도록 설정하였다.
전체적으로 가장 높은 정확도와 가장 낮은 정확도를 산출 하였으며 8개 분류 항목에 대해 상호 비교하였다. 그 결과 생산자 정확도에서 객체기반 분류는 가장 높은 정확도가 15개, 가장 낮은 정확도가 4개로 산출되었고, 최대우도 분류와 SVM 분류는 가장 높은 정확도가 각각 2개와 5개, 가장 낮은 정확도는 모두 10개씩 산출되었다.
그 다음 10씩 높이면서 확인한 결과 250일 때 최적이라 판단하여 250으로 선정하였다. 최종적으로 분할 축척 250, 공간정보 0.8, 조밀도 0.5로 가중치를 선정하였다.
토지피복 분류에 앞서 환경부에서 규정한 세분류 항목 및 색상체계를 기준으로 연구 대상지 특성에 맞게 총 8가지 분류 항목과 색상체계를 설정하였다. 여기서 내륙습지는 연잎이 피는 시기를 기준으로 식생과 비 식생 지역으로 구분하게 됨으로 이를 감안해야 한다.

대상 데이터

GCP는 영상에서 식별이 용이한 맨홀 중앙, 우수 유입구, 도로, 주차장 및 인공구조물의 모서리 부분으로 선정 하였고 총 23개 GCP에 대해 VRS 측량으로 위치정보를 취득하였다. Fig.
그 다음 10씩 높이면서 확인한 결과 250일 때 최적이라 판단하여 250으로 선정하였다. 최종적으로 분할 축척 250, 공간정보 0.
본 연구에서는 토지피복을 분류 하고자 하는 항목들이 다양하게 분포되어 있고 지형이 비교적 평탄하여 GCP (Ground Control Point) 측량에도 접근이 용이한 지역을 연구 대상지로 선정하였고 촬영 면적은 가로×세로 약 500m×600m이다.
자료취득에 사용된 장비는 중국 DJI사의 Phantom 4 Advanced 회전익 드론과 근적외선 외 4개 밴드가 포함된 초경량 모델인 프랑스 Parrot사의 SEQUOIA 다중분광 카메라, 그리고 일본 Sokkia사의 GRX2 모델인 GNSS (Global Navigation Satellite System) 수신기를 사용하였다.
2에 한 시기에 취득된 RGB와 근적외선 영상만 도시하였다. 최종적으로 7월, 10월, 2월 다중시기의 GSD (Ground Sample Distance)가 약 4cm인 RGB 영상 135매와 약 14cm인 다중분광 영상 540매를 취득하였다.

이론/모형

픽셀기반 방식에는 최대우도 분류 기법(maximum likelihood classification)과 SVM 분류 기법(Support Vector Machine classification)을 사용하였고, 객체기반 방식에는 우선 최적의 가중치 선정과 식생지수를 이용한 영상 분할을 수행한 후 최근린 분류 기법(nearest-neighbor classification)을 사용하여 토지피복을 분류하였다. 이를 위해 미국 Harris사의 ENVI와 Trimble사의 eCognition 소프트웨어를 사용하였다.
본 연구에서는 토지피복 분류 정확도 분석을 객체기반 방식과 픽셀기반 방식에서 최대우도 및 SVM 기법으로 분류한 결과의 오차행렬을 이용하여 생산자, 사용자 및 전체 정확도와 Kappa 계수를 산정하여 상호 비교하는 방식으로 평가하였다. 정확도 평가에 사용된 참조자료는 픽셀기반 방식에서는 층화임의 표집(stratiﬁed random sampling) 방법을 이용하여 무작위로 추출하였고, 객체기반 방식에서는 각 클래스별로 TTA (Training and Test Area) mask를 제작하는 방법을 이용하여 무작위로 참조자료를 추출하였다. 그리고 참조자료와 분류 결과를 이용하여 오차행렬을 산정하고 분류 기법별로 산출된 각각의 정확도를 시기별로 Table 6에 나열하였다.
본 연구에서는 픽셀기반 및 객체기반 두 가지 방식으로 토지피복도를 제작하였고 모두 감독분류 기법을 사용하였다. 픽셀기반 방식에는 최대우도 분류 기법(maximum likelihood classification)과 SVM 분류 기법(Support Vector Machine classification)을 사용하였고, 객체기반 방식에는 우선 최적의 가중치 선정과 식생지수를 이용한 영상 분할을 수행한 후 최근린 분류 기법(nearest-neighbor classification)을 사용하여 토지피복을 분류하였다. 이를 위해 미국 Harris사의 ENVI와 Trimble사의 eCognition 소프트웨어를 사용하였다.

성능/효과

CP와의 비교를 통해 정확도를 분석한 결과 RGB 정사영상에서의 최대 오차는 X, Y, H 방향에서 각각 0.018m (51pix), 0.023m(65pix), 0.042m로 나타났고, RMSE는 X방향 ±0.010m(28pix), Y방향 ±0.011m(29pix), H방향에서 ±0.026m로 나타났다.
GCP에 대한 결과 정확도에서 RGB 정사영상 RMSE는 X, Y, H 방향에서 각각 ±0.010m, ±0.007m, ±0.014m로 나타났고, 다중분광 정사영상 RMSE는 X, Y, H 방향에서 각각 ±0.019m, ±0.025m, ±0.032m로 나타났다.
그 결과 생산자 정확도에서 객체기반 분류는 가장 높은 정확도가 15개, 가장 낮은 정확도가 4개로 산출되었고, 최대우도 분류와 SVM 분류는 가장 높은 정확도가 각각 2개와 5개, 가장 낮은 정확도는 모두 10개씩 산출되었다. 같은 방식으로 사용자 정확도를 분석한 결과도 객체기반 분류는 17개의 가장 높은 정확도와 3개의 가장 낮은 정확도로 산출되었고, 최대우도 분류와 SVM 분류는 가장 높은 정확도가 각각 3개와 2개, 가장 낮은 정확도가 각각 10개씩 산출되었다. 따라서 생산자 및 사용자 정확도 분석에서는 객체기반 분류 기법이 타 기법에 비해 높은 정확도를 확보하였다.
객체기반 및 픽셀기반 방식으로 분류된 토지피복의 결과를 육안 상으로 정사영상과 비교해 보면 대체적으로 양호하게 분류 되었지만 10월과 2월의 최대우도 분류 결과는 SVM 분류 결과와 비교해 볼 때 일부분의 기타초지가 내륙습지로 오분류 된 것을 알 수 있다. 이는 두 기법의 알고리즘 특성상 확률적 방법과 통계적 방법의 차이가 초래한 결과로 사료된다.
객체기반 방식으로 제작된 토지피복도에 대한 시기별 면적 변화량을 분석한 결과 도로, 단독주거지, 기타나지에서는 변화가 거의 없었고 기타초지와 논·밭은 7월에서 2월로 갈수록 각각 약 5% ~ 11% 및 약 2%씩 증가하였는데 이는 겨울로 갈수록 활엽수가 기타초지와 논·밭으로 분류되어 나타난 결과이다.
전체적으로 가장 높은 정확도와 가장 낮은 정확도를 산출 하였으며 8개 분류 항목에 대해 상호 비교하였다. 그 결과 생산자 정확도에서 객체기반 분류는 가장 높은 정확도가 15개, 가장 낮은 정확도가 4개로 산출되었고, 최대우도 분류와 SVM 분류는 가장 높은 정확도가 각각 2개와 5개, 가장 낮은 정확도는 모두 10개씩 산출되었다. 같은 방식으로 사용자 정확도를 분석한 결과도 객체기반 분류는 17개의 가장 높은 정확도와 3개의 가장 낮은 정확도로 산출되었고, 최대우도 분류와 SVM 분류는 가장 높은 정확도가 각각 3개와 2개, 가장 낮은 정확도가 각각 10개씩 산출되었다.
네 번째로 기타초지와 논·밭은 7월, 10월, 2월에 각각 2.98%, 7.53%, 18.65%와 6.86%, 8.88%, 10.45%로 나타났는데 기타초지의 면적이 겨울로 갈수록 늘어나는 것은 혼효림 중 활엽수의 엽록소가 빠지면서 식생지가 아닌 초지로 분류되어 나타난 결과로 보이며, 논· 밭의 경우도 초지와 마찬가지로 분류된 결과라고 판단된다.
다중분광 정사영상에서의 최대 오차는 X, Y, H 방향에서 각각 0.058m(219pix), 0.052m(196pix), 0.087m로 나타났고, RMSE는 X방향 ±0.028m(107pix), Y방향 ±0.027m(104pix), H방향에서 ±0.047m로 나타났다.
이는 내륙습지의 일부분이 겨울이 되면서 표면이 노출되어 호소로 분류된 결과이다. 두 번째로 도로와 기타나지의 면적은 7월, 10월, 2월 모두 대체적으로 변화가 없는 것으로 나타났다. 세 번째로 단독주거지의 면적은 7월 3.
같은 방식으로 사용자 정확도를 분석한 결과도 객체기반 분류는 17개의 가장 높은 정확도와 3개의 가장 낮은 정확도로 산출되었고, 최대우도 분류와 SVM 분류는 가장 높은 정확도가 각각 3개와 2개, 가장 낮은 정확도가 각각 10개씩 산출되었다. 따라서 생산자 및 사용자 정확도 분석에서는 객체기반 분류 기법이 타 기법에 비해 높은 정확도를 확보하였다.
육안 상으로도 확인할 수 있듯이 NDVI 영상에서 수목인 지역은 시간의 변화에도 그대로지만 내륙습지의 경우 연잎이 피는 시기인 7월에서 10월, 2월로 가면서 식생지수가 뚜렷하게 변화되는 것을 알 수 있었고, 추출한 시기별 혼효림과 내륙습지 영상을 비교해 볼 때 면적의 변화량이 상호 반비례 하는 것을 확인 할 수 있었다. 또한, 내륙습지의 일부분은 2월이 되면 연잎의 가지가 완전히 사라져 호소로 변화되는 것으로 나타났다.
91%로 가장 낮게 나타났다. 마지막 2월의 경우 도로, 기타초지, 내륙습지가 각각 18.61%, 18.65%, 18.63%로 가장 높았고, 이번에도 단독주거지가 3.18%로 면적 비율이 가장 낮았다.
마지막으로 2월의 경우에는 도로와 내륙습지에서 최대우도 분류 결과가 약 3%로 타 분류에 비해 차이를 보였으며 논·밭에서는 객체기반 분류가 약 5% 상이하게 나타났다.
45%로 나타났는데 기타초지의 면적이 겨울로 갈수록 늘어나는 것은 혼효림 중 활엽수의 엽록소가 빠지면서 식생지가 아닌 초지로 분류되어 나타난 결과로 보이며, 논· 밭의 경우도 초지와 마찬가지로 분류된 결과라고 판단된다. 마지막으로 계절에 따라 가장 큰 폭의 면적 변화량을 보인 혼효림과 내륙습지의 7월, 10월, 2월 면적 비율 분포는 각각 48.01%, 23.73%, 10.69%와 4.87%, 22.78%, 18.63%로 나타났다. 이는 앞에서 언급한 바와 같이 연구 대상지에 존재하는 내륙습지는 여름이면 연잎으로 덮여 있다가 가을과 겨울에는 연잎이 사라져 정상적인 습지나 호소로 분류 되어 초래된 결과이다.
호소의 경우 7월과 10월은 비슷한 반면 내륙습지의 일부분이 겨울이 되면서 표면이 노출되어 2월에는 약 4%로 증가한 것을 알 수 있었다. 마지막으로 면적 비율이 가장 크게 나타난 혼효림과 내륙습지의 경우 비율 분포는 각각 7월 48.01%, 10월 23.73%, 2월 10.69%, 내륙습지는 4.87%, 22.78%, 18.63%로 나타났다. 이는 연구 대상지의 내륙습지는 여름이면 연잎으로 덮여 있다가 가을과 겨울에는 연잎이 떨어져서 정상적인 습지나 호소로 분류가 되어 초래된 결과이다.
8로 선정하였다. 분할 축척에서는 100보다 낮은 값은 불필요한 부분까지 분할되어서 100을 기준으로 20씩 순차적으로 값을 높이면서 확인 하였고 200에서 객체들의 경계가 비로소 불필요한 분할 없이 대체적으로 뚜렷하게 분할되는 것을 확인할 수 있었다.
두 번째로 도로와 기타나지의 면적은 7월, 10월, 2월 모두 대체적으로 변화가 없는 것으로 나타났다. 세 번째로 단독주거지의 면적은 7월 3.63%, 10월 3.91%, 2월 3.18%로 10월의 비율이 조금 높게 나타났는데, 이는 특정 행사로 인하여 주차장에 설치한 천막이 건물로 분류가 되어 초래된 결과이다. 네 번째로 기타초지와 논·밭은 7월, 10월, 2월에 각각 2.
육안 상으로도 확인할 수 있듯이 NDVI 영상에서 수목인 지역은 시간의 변화에도 그대로지만 내륙습지의 경우 연잎이 피는 시기인 7월에서 10월, 2월로 가면서 식생지수가 뚜렷하게 변화되는 것을 알 수 있었고, 추출한 시기별 혼효림과 내륙습지 영상을 비교해 볼 때 면적의 변화량이 상호 반비례 하는 것을 확인 할 수 있었다. 또한, 내륙습지의 일부분은 2월이 되면 연잎의 가지가 완전히 사라져 호소로 변화되는 것으로 나타났다.
77%로 객체기반 분류가 타 분류 기법에 비해 최소 약 5%에서 최대 약 15%로 가장 높게 나타났다. 이 결과는 드론을 이용한 원격탐사에서는 분광학적인 성격보다는 공간학적인 성격을 우선시하는 객체기반 분류 방식이 정확도면에서는 더 효율적이라는 사실을 입증하였다.
77%로 객체기반 분류가 최소 약 7%에서 최대 약 15%로 타 기법에 비해 높게 나타났으며, 최대우도 분류 기법의 정확도가 가장 낮았다. 이를 통해 드론 원격탐사에서는 분광학적인 성격보다 공간학적인 성격을 우선시하는 객체기반 분류 기법이 정확도가 높다는 것을 다시 한 번 확인하였다.
이상의 결과는 항공사진측량 작업규정의 세부도화 묘사오차 허용범위 안에 들어오는 것을 확인할 수 있었고, 세분류 토지피복도 제작에 요구되는 최소 해상도가 1m인 것을 감안하면 충분히 토지피복 분류 및 제작에 사용이 가능하다.
이상의 토지피복 분류와 시계열 분석으로부터 다중분광 카메라 기반 드론 영상을 이용한 토지피복 분류 시 최적의 방법을 제시할 수 있었으며, 시기별 정확한 면적 변화량을 파악하는 것으로 활용 가능성을 확인 할 수 있었다.
정사영상의 위치 정확도를 분석한 결과 RGB 정사영상에서 RMSE는 X, Y, H에서 각각 ±10mm(28pix), ±11mm(29pix), ±26mm로 나타났고, 다중분광 정사영상에서는 각각 ±28mm(107pix), ±27mm(104pix), ±47mm로 나타났으며, 이를 통해 저가의 드론과 센서로도 높은 정확도의 고품질 정사영상 생성이 가능함을 확인하였다.
정확도 분석의 마지막으로 전체 정확도와 Kappa 계수를 산출하고 상호 비교한 결과 전체 정확도에서 객체기반 분류가 7월 93.75%, 10월 92.50%, 2월 92.92%로 타 분류 기법과 비교해 최소 약 5%에서 최대 약 13%로 높게 나타났고, Kappa 계수도 7월 92.43%, 10월 91.20%, 2월 91.77%로 객체기반 분류가 최소 약 7%에서 최대 약 15%로 타 기법에 비해 높게 나타났으며, 최대우도 분류 기법의 정확도가 가장 낮았다. 이를 통해 드론 원격탐사에서는 분광학적인 성격보다 공간학적인 성격을 우선시하는 객체기반 분류 기법이 정확도가 높다는 것을 다시 한 번 확인하였다.
픽셀 및 객체기반 방식으로 분류된 토지피복의 정확도를 분석한 결과 객체기반 분류가 생산자 및 사용자 정확도가 가장 높았고, 전체 정확도와 Kappa 계수를 상호 비교한 결과도 시기별로 각각 7월 93.75%, 92.42%, 10월 92.50%, 91.20%, 2월 92.92%, 91.77%로 객체기반 분류가 타 분류 기법에 비해 최소 약 5%에서 최대 약 15%로 가장 높게 나타났다. 이 결과는 드론을 이용한 원격탐사에서는 분광학적인 성격보다는 공간학적인 성격을 우선시하는 객체기반 분류 방식이 정확도면에서는 더 효율적이라는 사실을 입증하였다.

후속연구

본 연구에서는 포인트 클라우드 생성에 SfM 알고리즘만 사용하였지만 향후 SGM (Semi-Global Matching) 알고리즘을 사용한다면 좀 더 정밀하고 정확한 DEM 및 정사영상 제작이 가능할 것으로 기대된다. 또한, 방대한 양의 영상자료들의 수집이 가능해 지고 기계학습 분야를 토지피복 분류에 적용시킨다면 보다 정확도가 향상된 토지피복도 제작이 가능할 것이고 활용성도 더욱 높아질 것으로 사료된다.
본 연구에서는 포인트 클라우드 생성에 SfM 알고리즘만 사용하였지만 향후 SGM (Semi-Global Matching) 알고리즘을 사용한다면 좀 더 정밀하고 정확한 DEM 및 정사영상 제작이 가능할 것으로 기대된다. 또한, 방대한 양의 영상자료들의 수집이 가능해 지고 기계학습 분야를 토지피복 분류에 적용시킨다면 보다 정확도가 향상된 토지피복도 제작이 가능할 것이고 활용성도 더욱 높아질 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	토지피복들에 대한 신속한 파악과 정량화를 위한 위성영상과 항공영상의 한계는 무엇인가?	위성영상의 공간해상도는 종류에 따라 0.55m~100m로 다양하지만 대축척 정밀지도 제작에는 한계가 있다. 주기해상도는 3일~28일로 높은 위성도 있지만 소규모 지역에 사용하려면 영상 구입부터 보정 및 분석에 많은 비용이 소요됨으로 경제성이 떨어지는 문제점을 갖고 있다(Feng et al., 2015). 항공영상은 공간해상도가 20cm~50cm로 위성영상보다 높지만 구름의 영향을 많이 받아 쾌청일 수가 약 50일에 불과한 기상 여건을 감안하면 소규모 지역을 짧은 주기해상도로 원하는 시점에 촬영하기에는 역부족이다. 또한, 촬영 및 영상 분석 비용이 높아 위성영상과 마찬가지로 경제성 면에서 비효율적이다. 그리고 환경부에서 제작하고 있는 토지피복도는 위치 정확도와 표현 정밀도가 낮고 갱신 주기가 길어 보다 정확하고 정밀한 대축척 공간정보의 수요와 수준 높은 변화탐지 자료의 갱신에 대한 요구를 만족시키지 못하고 있는 실정이다.
	토지피복이란 무엇인가?	토지피복이란 산림, 도로, 물, 농작물, 습지 및 인공구조물 등과 같은 지형에 존재하는 물질들의 종류를 뜻한다. 토지피복도는 이러한 토지피복들이 지표면에 분포되어 있는 형태를 일정한 기준에 따라 동질성을 갖는 구역들로 분류하여 지도의 형태로 제작한 것이다.
	토지피복도는 어떠한 것을 분류하여 제작한 것인가?	토지피복이란 산림, 도로, 물, 농작물, 습지 및 인공구조물 등과 같은 지형에 존재하는 물질들의 종류를 뜻한다. 토지피복도는 이러한 토지피복들이 지표면에 분포되어 있는 형태를 일정한 기준에 따라 동질성을 갖는 구역들로 분류하여 지도의 형태로 제작한 것이다. 지표를 구성하고 있는 토지피복도는 형상과 특성이 변화되는 토지의 현황들을 공간적으로 파악할 수 있기 때문에 정부에서는 환경정책, 국토 및 도시계획 수립과 분석에 있어서 기초적인 자료로 활용하고 있고, 학술분야에서는 생태계를 조사하고 시기별 변화를 분석하기 위한 다양한 연구 자료로 활용되고 있다.

참고문헌 (15)

Colomina, I. and Molina, P. (2014), Unmanned aerial systems for photogrammetry and remote sensing: A review, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 92, pp. 79-97.

상세보기
Feng, Q.L., Liu, J.T., and Gong, J.H. (2015), UAV remote sensing for urban vegetation mapping using random forest and texture analysis, Journal of Remote Sensing, Vol. 7, No. 1, pp. 1074-1094.

상세보기
Foody, G.M., Campbell, N.A., Trodd, N.M., and Wood, T.F. (1992), Derivation and applications of probabilistic measures of class membership from the maximumlikelihood classification, Photogrammetric Engineering & Remote Sensing, Vol. 58, No. 9, pp. 1335-1341.
Fuyi, T., Chun, B.B., Mat Jafri, M.Z., Lim, H.S., Abdullah, K., and Tahrin, N.M. (2012), Land cover/use mapping using multi-band imageries captured by cropcam unmanned aerial vehicle autopilot(UAV) over Penang Island, Malaysia, Proceedings of SPIE, The International Society for Optics and Photonics, 8 November 2012, Edinburgh, United Kingdom, Vol. 8540, pp. 1-6.
Gay, A., Stewart, T.P., Angel, R., Easey, M., Eves, A.J., Thomas, N.J., Pearce, D. A., and Kemp, A.I. (2009), Developing unmanned aerial vehicles for local and flexible environmental and agricultural monitoring, Proceedings of the Remote Sensing and Photogrammetry Society Conference, Remote Sensing and Photogrammetry Society, 8-11 September 2009, Leicester, UK, pp. 471-476.
Gini, R., Passoni, D., Pinto, L., and Sona, G. (2013), Use of unmanned aerial systems for multispectral survey and tree classification: a test in a park area of northern Italy, European Journal of Remote Sensing, Vol. 47, No. 1, pp. 251-269.
Jensen, J.R., Guptill, S., and Cowen, D. (2012), Change Detection Technology Evaluation, Task T007 Report, Bureau of the Census, U.S., 232p.
Kim, B.S. (2015), Crop classification using unmanned aerial vehicle imagery and object-based classification method, Master's thesis, Chungbuk National University, Cheongju, Korea, 76p.
Kit, O. and Ludeke, M. (2013), Automated detection of slum area change in hyderabad, India using multitemporal satellite imagery, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 83, pp. 130-137.

상세보기
Lee, H.S., Kim, D.J., Oh, J.H., Shin, J.G., and Jung, J.S. (2017), Tidal flat DEM generation and seawater changes estimation at hampyeong bay using drone images, Korean Journal of Remote Sensing, Vol. 33, No. 3, pp. 325-331. (in Korean with English abstract)
Lucieer, A., Steven, M., and Turner, D. (2014), Mapping landslide displacements using structure from motion(SFM) and image correlation of multi-temporal UAV photography, Progress in Physical Geography, SAGE, Vol. 38, No. 1, pp. 97-116.

상세보기
Marcis, M., Bartak, P., Valaska, D., Frastia1, M., and Trhan, O. (2016), Use of image based modelling for documentation of intricately shaped objects, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 12-19 July, Prague, Czech Republic, Vol. XLI-B5, pp. 327-334.
Park, J.S. (2017), Soil classification and characterization using unmanned aerial vehicle and digital image processing, Ph.D. dissertation, Seoul National University, Seoul, Korea, 191p.
Torres-Sanchez, J., Pena, J.M., De Castro, A.I., and Lopez-Granados, F. (2014), Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV, Computers and Electronics in Agriculture, Vol. 103, pp. 104-113.

상세보기
Vapnik, V.N. (1995), The Nature of Statistical Learning Theory, Springer-Verlag, New York, N.Y.

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