[논문]UAV 식생지수 및 수고 자료를 이용한 엽면적지수(LAI) 추정 연구

문호경; 최태영; 강다인; 차재규

doi:10.11108/kagis.2018.21.4.158

UAV 식생지수 및 수고 자료를 이용한 엽면적지수(LAI) 추정 연구
Study on the Estimation of leaf area index (LAI) of using UAV vegetation index and Tree Height data 원문보기

한국지리정보학회지 = Journal of the Korean Association of Geographic Information Studies, v.21 no.4, 2018년, pp.158 - 174

문호경 (국립생태원) , 최태영 (국립생태원) , 강다인 (국립생태원) , 차재규 (국립생태원)

초록
AI-Helper

엽면적지수(LAI: Leaf Area Index)는 식생의 광합성, 증발산, 지표면과 대기사이의 에너지 교환 등을 설명하는 주요 인자로서, 정확하고 활용성 높은 LAI 추정 기법에 대한 연구들이 진행되었다. 본 연구에서는 UAV를 이용한 LAI 추정 방법을 모색하기 위하여 현장 실측된 LAI 자료와 UAV 영상기반의 식생지수, 수고 및 위성영상(Sentinel-2) LAI 간의 관계성을 파악하고 효과적인 UAV LAI 산정방법을 제시하고자 하였다. 그 결과 연구에 활용된 6종의 식생지수 중 Red-edge band를 포함하고 있는 NDRE ($R^2=0.496$), CIRE ($R^2=0.443$)가 LAI 추정에 효과적인 식생지수로 나타났다. 수고(Canopy Height Model) 자료를 식생지수에 적용하였을 때 LAI에 대한 설명력이 향상되었으며, NDVI의 경우에 LAI와의 선형관계에서 발생되는 포화문제(saturation problem)를 보였던 구간(0.85)이 일부 해소됨을 확인하였다.

Abstract ▼ AI-Helper

The leaf area index (LAI) is a major factor explaining the photosynthesis of vegetation, evapotranspiration, and energy exchange between the earth surface and atmosphere, and there have been studies on accurate and applicable LAI estimation methods. This study aimed to investigate the relationship between the actual LAI data, UAV image-based vegetation index, canopy height and satellite image (Sentinel-2) LAI and to present an effective LAI estimation method using UAV. As a result, among the six vegetation indices in this study, NDRE ($R^2=0.496$) and CIRE ($R^2=0.443$), which contained red-edge band, showed a high correlation. The application of the canopy height model data to the vegetation index improved the explanatory power of the LAI. In addition, in the case of NDVI, the saturation problem caused by the linear relationship with LAI was addressed. In this study, it was possible to estimate high resolution LAI using UAV images. It is expected that the applicability of such data will be improved if calibration and correction steps are carried out for various vegetation and seasonal images.

주제어

표/그림 (16)

그림 FIGURE 1. Study Site
그림 FIGURE 2. Process of this study
표 TABLE 1. Specifications of UAV and Sensor
표 TABLE 2. List of satellites equipped with multi-spectral sensor including red-edge bands
그림 FIGURE 3. LAI measured point
표 TABLE 3. Spectral indices using
그림 FIGURE 4. Schema of Canopy Height Model (Source: Perko et al., 2011)
표 TABLE 4. Specifications of VRS-RTK
그림 FIGURE 5. Scatter plot between LAI measurements data and (A) Sentinel-2 LAI, (B) LAI_UAV
그림 FIGURE 6. Vegetation Index map
그림 FIGURE 6. (Continued)
그림 FIGURE 7. Scatter plot between LAI measurements data and Vegetation Index
표 TABLE 5. Horizontal and Vertical coordinates RMSE
그림 FIGURE 8. Scatter plot between LAI measurements data and Canopy Height Model (CHM)
그림 FIGURE 9. Scatter plot between LAI measurements data and Vegetation Index with CHM
그림 FIGURE 10. R² value increase rate after the CHM applied

AI 본문요약
AI-Helper

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

문제 정의

5를 이용하였다. UAV를 활용한 LAI 추출은 선행연구에서 제시한 formula 1.을 적용한 방법과 식생지 수와 현장 측정된 LAI와의 회귀식을 통한 방법으로 나누어 수행하고 그 결과에 대하여 고찰하고자 하였다.
, 2016)등이 일부 수행된바 있지만 엽면적지수와 관련된 연구는 매우 부족한 실정이다. 따라서 본 연구에서는 UAV을 활용한 엽면적지수 추정을 위하여 실측자료와 UAV 영상기반 자료들 간의 관계성을 파악하여 효과적인 추정방법을 제시하고자 하였다.
본 연구는 UAV를 활용한 엽면적지수 추정을 위해 국립생태원내 산림을 대상으로 UAV용 다중분광 영상을 통해 생성된 6종의 식생지수와 LAI_field와의 상관성을 분석하였으며, 수고모델 (Canopy Height Model, CHM) 적용에 따른 R²변화를 살펴보았다. 연구결과를 요약하면 다음과 같다.
또한 NA(2016)는 UAV를 활용한 식생지수 생성 및 경작지 시험적용 결과에서 적색경계밴드의 특성을 확인한 바 있다. 이외에도 현재까지 제시된 식생지수는 약 60여종 이상이나 본 연구에서는 UAV 영상으로 산출이 가능한 식생지수 중 적색과 적색경계밴드가 포함된 유형(RE-NIR)과 녹색과 근적외선(Green-NIR), 적색과 근적외선(Red-NIR)밴드로 구성된 식생지수 6종을 선정하여 현장 실측한 LAI와 선형적인 관계성을 살펴보고 LAI 추정에 효과적인 지수를 파악하고자 하였다(표 3).

제안 방법

CHM은 SfM (Structure from Motion)을 통해 만들어진 점군자료(Point Cloud)에서 DSM 과 DTM을 각각 추출한 뒤 이를 차분한 값으로 생성하였다. 여기에서 DTM은 점군분류(Point Cloud Classification)를 통해 건물, 교목 등과 같이 높이 값을 가지는 객체를 마스킹 한 후, 해 당지점 주변의 표고정보를 이용하여 지표면을 자동 생성하는 알고리즘으로 만들었다.
UAV를 활용한 엽면적지수(이하 LAI) 추정을 위해 선행연구에서 제시된 산식을 활용한 방법과 식생지수(Vegetation Index, VI)를 활용한 방법, 식생지수 자료에 수고정보를 부가한 방법으로 나누어 수행하였으며 현장 실측값과의 관계성 비교를 통해 LAI 추정에 가장 효과적인 방법을 모색하고자 하였다. 또한 위성영상 기반의 LAI 자료를 선정하여 비교자료서 활용하였다.
점군자료에서 높이 값을 추출하는 방식은 형태나 색이 명확할수록 정확한 값(XYZ)의 취득이 가능한 특징이 있는데 수고정보는 식생지수와 같이 수관하부 정보를 담을 수 없는 2차원 자료의 한계를 보완할수 있다. 따라서 식생지수와 수고 정보를 LAI 추정에 활용한다면 보다 정확한 결과를 도출할수 있을 것으로 판단하여 본 연구에 사용된 식생지수 6종과 LAI_UAV, Sentinel-2 LAI에 CHM을 동일하게 곱한 결과와 LAI_field값과의 상관성 변화를 살펴보았다. CHM 적용방법은 ArcGIS의 raster calculator를 통하여 각 식생 지수별로 처리하였다.
10) 이 오차 범위를 높인 것으로 사료된다. 비록 평면 위치오차(XY)에 비해 표고 오차가 크지만 접근성이 떨어지는 산림지역에서 이 정도의 수준의 오차는 수용할 수 있는 범위이며, 본 연구에서는 항공사진측량자료 수준의 높은 정확성이 충족되지 않더라도 자료 분석이 가능하므로 DSM 및 DTM을 산출에 이용하였다.
CHM은 SfM (Structure from Motion)을 통해 만들어진 점군자료(Point Cloud)에서 DSM 과 DTM을 각각 추출한 뒤 이를 차분한 값으로 생성하였다. 여기에서 DTM은 점군분류(Point Cloud Classification)를 통해 건물, 교목 등과 같이 높이 값을 가지는 객체를 마스킹 한 후, 해 당지점 주변의 표고정보를 이용하여 지표면을 자동 생성하는 알고리즘으로 만들었다. 일련의 작업은 Pix4d Mapper로 처리하였으며, DTM 의 해상도는 Pix4d사에서 권장하는 Minimum DTM GSD=5×RGB GSD 에 따라 35cm급으로 생성하였다(Pix4D, 2018).
영상은 각각 센서를 장착하여 30분 간격으로 연속 2회 촬영하였다. 영상 처리는 Pix4d Mapper S/W를 통해 모자이크 영상을 제작하였으며 식생지수 및 LAI 산출은 ArcGIS 10.5를 이용하였다. UAV를 활용한 LAI 추출은 선행연구에서 제시한 formula 1.
사용된 UAV는 SenseFLY사의 eBee Classic 고정익 기체를 이용하였으며 취득한 영상의 GSD (Ground Sample Distance)는 multispectral 20cm, RGB 7cm급 이다. 영상은 각각 센서를 장착하여 30분 간격으로 연속 2회 촬영하였다. 영상 처리는 Pix4d Mapper S/W를 통해 모자이크 영상을 제작하였으며 식생지수 및 LAI 산출은 ArcGIS 10.
일련의 작업은 Pix4d Mapper로 처리하였으며, DTM 의 해상도는 Pix4d사에서 권장하는 Minimum DTM GSD=5×RGB GSD 에 따라 35cm급으로 생성하였다(Pix4D, 2018).
측정원리는 태양광으로부터 식물의 임관이 빛을 차단하는 정도에 따라 임관 아래로 투과되는 광합성 활성 광선(PAR, 400~700nm) 비율로 LAI를 산정한다(Decagon Devices 2017). 장비의 특성상 태양광은 측정결과의 주요 변수로 작용하므로 측정시간은 2018년 9월 29일 12시에서 15시 사이로 한정하여 총 30지점을 측정하였다(그림 3). 또한 PAR Sensor (90cm)에 들어오는 직사광선 피해 동일지점에서 3~5회 측정하여 반경 2m 범위의 평균값을 취득하였다.
선행연구에서 주로 다루어진 GCP를 활용한 수고 산출 또는 GCP에 따른 정확도 검증 연구는 대부분 도시 또는 평지에서 수행되어 항공사진측량 규정이 부합하는 높은 정확성을 보였다. 하지만 산림지역의 경우 수관아래에서의 GCP 측정이 어려우며 정밀한 DSM 획득에 한계점이 있지만 본 연구에서는 숲 틈에서 취득한 자료를 포함하여 좌표보정을 수행한 후 DSM, DTM 자료를 획득하였으며 차분한 값을 통해 수고(CHM)자료를 산정하였다(그림 4).

대상 데이터

)와 비교를 위한 위성영상 자료를 수집하였다. Red-edge band를 포함하는 위성은 Rapideye, Worldview-2, 3 위성 등이 있으나 UAV와 가장 유사한 파장대의 영상취득이 가능하며, 촬영 주기가 짧고 자료의 접근성이 용이한 Sentinel-2A 위성영상을 활용하였다(표 2). ESA (European Space Agency)에서 2015년과 2017년 각각 발사된 Sentinel-2A, 2B 인공위성은 농업 및 식생 정보 취득에 활용성이 높은 3개의 Red-edge band가 탑재되어 있으며 한반도 전체를 5일 간격으로 촬영한다.
UAV 촬영일시는 2018년 9월 30일 12시~ 14시이며, 구름이 거의 없는 맑은 날에 실시하였다. 사용된 UAV는 SenseFLY사의 eBee Classic 고정익 기체를 이용하였으며 취득한 영상의 GSD (Ground Sample Distance)는 multispectral 20cm, RGB 7cm급 이다.
다음으로는 LAIfield , UAV LAI (LAIUAV)와 비교를 위한 위성영상 자료를 수집하였다.
UAV를 활용한 엽면적지수(이하 LAI) 추정을 위해 선행연구에서 제시된 산식을 활용한 방법과 식생지수(Vegetation Index, VI)를 활용한 방법, 식생지수 자료에 수고정보를 부가한 방법으로 나누어 수행하였으며 현장 실측값과의 관계성 비교를 통해 LAI 추정에 가장 효과적인 방법을 모색하고자 하였다. 또한 위성영상 기반의 LAI 자료를 선정하여 비교자료서 활용하였다. 분석 자료는 동일시기의 UAV 영상촬영과 Sentinel-2 LAI 자료를 수집하였으며, LAI 실측(LAI_field), 지상기준점(Ground Control Point, GCP)은 수고모델(Canopy Height Model, CHM)의 정확도 향상을 위하여 측정하였다(그림 2).
본 연구는 충남 서천군 마서면에 위치한 국립생태원 내부 산림 및 조경수 식재지를 대상으로 수행하였다. 연구대상지의 식생은 침엽수로 소나무, 활엽수는 밤나무가 우점하고 있으며 주변은 대부분 농경지로 이용되고 있는 지역이다.
, 2011). 본 연구에 사용된 UAV용 multispectral sensor는 4개의 밴드와 RGB로 구성되어 있는 SenseFLY사의 Sequoia sensor를 이용하였다. 밴드폭은 40nm를 가지며 선행 연구의 산식에 해당하는 분광범위(R₇₁₂,R₆₇₄)의 자료획득이 가능하다(표 1).
ESA (European Space Agency)에서 2015년과 2017년 각각 발사된 Sentinel-2A, 2B 인공위성은 농업 및 식생 정보 취득에 활용성이 높은 3개의 Red-edge band가 탑재되어 있으며 한반도 전체를 5일 간격으로 촬영한다. 본연구에 사용된 영상은 KST (Korea standard time) 2018년 9월 30일 오전 11시 15분에 촬영된 영상이며, 대기의 상태는 구름이 10%이하의 맑은 날씨이다. LAI 산정은 Sentinel-2 전용 프로그램인 SNAP을 이용하였다.
또한 위성영상 기반의 LAI 자료를 선정하여 비교자료서 활용하였다. 분석 자료는 동일시기의 UAV 영상촬영과 Sentinel-2 LAI 자료를 수집하였으며, LAI 실측(LAI_field), 지상기준점(Ground Control Point, GCP)은 수고모델(Canopy Height Model, CHM)의 정확도 향상을 위하여 측정하였다(그림 2).
UAV 촬영일시는 2018년 9월 30일 12시~ 14시이며, 구름이 거의 없는 맑은 날에 실시하였다. 사용된 UAV는 SenseFLY사의 eBee Classic 고정익 기체를 이용하였으며 취득한 영상의 GSD (Ground Sample Distance)는 multispectral 20cm, RGB 7cm급 이다. 영상은 각각 센서를 장착하여 30분 간격으로 연속 2회 촬영하였다.
연구대상지의 식생은 침엽수로 소나무, 활엽수는 밤나무가 우점하고 있으며 주변은 대부분 농경지로 이용되고 있는 지역이다. 소규모 녹지패치, 평지에서 취득된 자료를 분석에 반영하기 위하여 조경수 식재지를 포함하였다(그림 1).
본 연구는 충남 서천군 마서면에 위치한 국립생태원 내부 산림 및 조경수 식재지를 대상으로 수행하였다. 연구대상지의 식생은 침엽수로 소나무, 활엽수는 밤나무가 우점하고 있으며 주변은 대부분 농경지로 이용되고 있는 지역이다. 소규모 녹지패치, 평지에서 취득된 자료를 분석에 반영하기 위하여 조경수 식재지를 포함하였다(그림 1).

데이터처리

장비의 특성상 태양광은 측정결과의 주요 변수로 작용하므로 측정시간은 2018년 9월 29일 12시에서 15시 사이로 한정하여 총 30지점을 측정하였다(그림 3). 또한 PAR Sensor (90cm)에 들어오는 직사광선 피해 동일지점에서 3~5회 측정하여 반경 2m 범위의 평균값을 취득하였다.
총 11개의 GCPs 측점좌표를 획득하였으며 이중 4개의 검사점(CP) 값들에 대한 평면 및 수직 위치에 대한 평균제곱근오차(RMSE: Root Mean Square Error)를 산출하였다(표 5). 그 결과 X는 30cm,, Y는 11cm RMSE를 가지며 “항공사진측량작업규정”에서 제시하는 도화축척 1/1,000~1/2,000의 오차 범위에 충족하는 정밀한 수준으로 나타났다.

이론/모형

따라서 식생지수와 수고 정보를 LAI 추정에 활용한다면 보다 정확한 결과를 도출할수 있을 것으로 판단하여 본 연구에 사용된 식생지수 6종과 LAI_UAV, Sentinel-2 LAI에 CHM을 동일하게 곱한 결과와 LAI_field값과의 상관성 변화를 살펴보았다. CHM 적용방법은 ArcGIS의 raster calculator를 통하여 각 식생 지수별로 처리하였다.
본연구에 사용된 영상은 KST (Korea standard time) 2018년 9월 30일 오전 11시 15분에 촬영된 영상이며, 대기의 상태는 구름이 10%이하의 맑은 날씨이다. LAI 산정은 Sentinel-2 전용 프로그램인 SNAP을 이용하였다.
LAI 현장측정은 LP-80 (AccuPAR ceptometer) 이동식 임관분석기(Canopy analyzer)를 활용하였다. 측정원리는 태양광으로부터 식물의 임관이 빛을 차단하는 정도에 따라 임관 아래로 투과되는 광합성 활성 광선(PAR, 400~700nm) 비율로 LAI를 산정한다(Decagon Devices 2017).
지상기준점(Ground Control Point)은 VRS-RTK GNSS 방식의 측량 장비를 활용하였으며 장비의 성능 및 모델은 표 4와 같다. GCP는 측정은 총 15개 지점이며 4개 지점은 검사점(Check Point)으로 활용하였다.

성능/효과

CHM 적용 후 전반적으로 설명력이 향상된 결과를 보였는데(그림 9), LAI_UAV는 기존 R²=0.225에서 R²=0.39로, 73.3% 증가하였으며 Sentinel-2 LAI와 CVI의 R²는 0.1 수준에 불과했지만 각각 R²=0.278, R²=0.33으로 두지수가 동일하게 146% 증가하였다. 다음으로 NDVI는 기존의 R²=0.
4%)의 설명력이 높아졌다. CIRE은 R²=0.443, 5.7%, NDRE은 R²=0.496, 9.6% 가 증가되었으며 모든 지수들 중 NDRE+CHM 가 가장 높은 상관성을 보였다(그림 10). LAI_UAV 추정을 위한 회귀모형은 식 2와 같다.
85)이 일부 해소되는 효과를 확인할 수 있었다. GNDVI와 RVI는 기존 R²= 0.296으로 동일하였지만 CHM을 적용한 결과, GNDVI (R 2 =0.343, 15.8%) 보다 RVI (R²= 0.392, 32.4%)의 설명력이 높아졌다. CIRE은 R²=0.
LAI_field지점(30point)에 대한 CHM을 추출한 결과 값의 분포 범위는 5.5m~15m이며, R²=0.367로 나타나 NDVI, RVI, GNDVI, CVI 보다 상관성이 높았다(그림 8). LAI는 식생밀 도, 하부식생의 유무, 수종 등의 다양한 변수가 존재하지만 CHM과 유의한 상관성을 보인 것은 의미 있는 결과로 볼 수 있다.
33) 순으로 나타나 LAI_field 에 대한 설명력이 전반적으로 향상되었다. R²의 향상은 CVI가 146%로 가장 높지만 순위(6위)의 변화는 없으 며, NDVI는 47.6%의 향상과 함께 5위에서 3위로 상승되었다. 또한 LAI_field와 NDVI의 선형관계 에서 나타났던 포화문제가 개선되는 것을 확인할 수 있었다.
134로 나타났으며, 분석에 이용된 6종의 지수 중 CVI가 가장 낮은 상관성을 보였다. RE-NIR 파장대를 이용한 식생지수의 상관성이 전반적으로 높은 것으로 나타났는데, NDRE (0.16~0.31)는 R²=0.436로 가장 높았으며, 다음으로 CIRE (2.39~2.89), R² =0.419 로 나타났다. 이러한 결과를 종합해볼 때 위성영상 기반으로 도출된 경험식(formula 1.
85에서 더 이상 증가하지 않은 값의 포화문제(saturation problem)가 발생되는 것을 확인 할 수 있었다. 가시광선 파장대를 이용한 GNDVI (0.03~0.35), CVI(0.13~0.25)의 R² =0.296, 0.134로 나타났으며, 분석에 이용된 6종의 지수 중 CVI가 가장 낮은 상관성을 보였다. RE-NIR 파장대를 이용한 식생지수의 상관성이 전반적으로 높은 것으로 나타났는데, NDRE (0.
그 결과 X는 30cm,, Y는 11cm RMSE를 가지며 “항공사진측량작업규정”에서 제시하는 도화축척 1/1,000~1/2,000의 오차 범위에 충족하는 정밀한 수준으로 나타났다.
33으로 두지수가 동일하게 146% 증가하였다. 다음으로 NDVI는 기존의 R²=0.275에서 R²=0.406으로 47.6%가 증가되면서 산점도 상에서 포화현상을 보였던 구간(0.85)이 일부 해소되는 효과를 확인할 수 있었다. GNDVI와 RVI는 기존 R²= 0.
둘째, LAIfield와 식생지수 6종에 대한 회귀분석 결과, NDRE (R2=0.436) > CIRE (R2=0.419) > GNDVI (R2=0.296) = RVI (R2=0.296) > NDVI (R2=0.275) > CVI (R2=0.134) 순으로 나타났다.
113) 나타난 결과는 해상도(20m급)의 한계로 분석지점에 비식생지역이 포함된 것이 주요 원인으로 볼 수 있으나, 한편으로 UAV 영상분석에 초점을 두고 조밀하게 취득한 LAI_field값이 위성영상 해상도 수준에서는 적합하지 않을 수 있다. 따라서 본 연구대상지와 같이 식생과 비식생지역이 혼재한 공간에서는 녹지패치가 큰 공간을 중심으로 대푯값을 취득하는 것이 위성영상과의 분석에 효과적일 것으로 사료된다. 마지막으로 연구결과에 제시된 회귀모형은 본연구대상지와 UAV를 기반으로 만들어진 모형 이므로 일반화 될 수는 없지만 향후 다양한 수종과 시기, 지형 등을 고려한 검·보정에 연구가 수반된다면 LAI_UAV 자료의 신뢰성 확보와 더불어 UAV 영상 자료의 활용성이 더욱 확대될 것으로 기대한다.
6%의 향상과 함께 5위에서 3위로 상승되었다. 또한 LAI_field와 NDVI의 선형관계 에서 나타났던 포화문제가 개선되는 것을 확인할 수 있었다. 식생지수 유형별로는 CHM 적용 여부와 상관없이 RE-NIR Type의 식생지수의 상관 성이 높았으며, Red-NIR Type, Green-NIR Type순으로 나타났다.
이와 같은 결과는 식생경계부나 조경수 식재지와 같이 작은 규모의 녹지패치의 경우 포장지역과 그림자가 Cell (20m×20m)에 포함되면서 값을 낮추는 주요 요인으로 작용하였다. 또한 산점도 분포에 서도 특정구간(실측값 3.5~4.0)의 값에 대한 위성영상의 변별력이 떨어지는 것을 확인할 수 있었으며 이는 해상도의 한계로 인해 해당 식생의 특성을 잘 반영하지 못한 것으로 판단된다 (그림 5).
셋째, CHM의 정확성 확보를 위해 VRS-RTK를 통해 수집된 GCP의 RMSE Error는 X (30cm), Y (11cm), Z (97cm)로 나타났으며본 연구에 활용 가능한 수준의 오차범위였다. VRS-RTK는 실시간 이동측위 방식으로서 위성과 주변 기지국과의 신호가 측위의 정확도에 영향을 주므로 산림 내부의 수직위치 오차에 대한 정확성 확보에 다소 어려움이 있었다.
수관하부 정보를 얻을 수 없는 식생지수의 한계점을 보완하기 위한 방안으로 CHM을 식생지 수에 적용한 결과, NDRE (R2=0.496) > CIRE (R2 =0.443) > NDVI (R2=0.406) > RVI (R2=0.392) > GNDVI (R2=0.343) > CVI (R2= 0.33) 순으로 나타나 LAIfield 에 대한 설명력이 전반적으로 향상되었다.
또한 LAI_field와 NDVI의 선형관계 에서 나타났던 포화문제가 개선되는 것을 확인할 수 있었다. 식생지수 유형별로는 CHM 적용 여부와 상관없이 RE-NIR Type의 식생지수의 상관 성이 높았으며, Red-NIR Type, Green-NIR Type순으로 나타났다.
첫째, 선행연구에서 제안되었던 위성영상 LAI 산식을 이용한 LAIUAV와 LAIfield의 상관성은 R²=0.225 나타나 활용성이 떨어짐을 알 수 있었으며 연구대상지와 UAV용 다중분광 센서의 특성을 고려한 모형이 필요함을 확인하였다.
통해 산출된 결과 보다 근소한 차이로 나은 상관성을 보였다. 하지만 NDVI 의 경우 서두에 언급한바와 같이 LAI 값은 증가하지만 NDVI는 0.85에서 더 이상 증가하지 않은 값의 포화문제(saturation problem)가 발생되는 것을 확인 할 수 있었다. 가시광선 파장대를 이용한 GNDVI (0.

후속연구

예를 들어 독립변수로 사용된 식생지수, 수고 자료는 대기의 변화 또는 지형의 영향을 받으며, 종속변수 (LAI_field)도 측정방법에 따라 결과 값의 편차가 발생된다. 따라서 LAI 추정을 위한 데이터 수집 및 처리에 대한 방법이 체계화 된다면 보다 개선된 결과를 취득할 수 있을 것으로 판단된다. Sentinel-2 LAI와 LAI_field의 상관성이 낮게 (R²=0.
따라서 본 연구대상지와 같이 식생과 비식생지역이 혼재한 공간에서는 녹지패치가 큰 공간을 중심으로 대푯값을 취득하는 것이 위성영상과의 분석에 효과적일 것으로 사료된다. 마지막으로 연구결과에 제시된 회귀모형은 본연구대상지와 UAV를 기반으로 만들어진 모형 이므로 일반화 될 수는 없지만 향후 다양한 수종과 시기, 지형 등을 고려한 검·보정에 연구가 수반된다면 LAI_UAV 자료의 신뢰성 확보와 더불어 UAV 영상 자료의 활용성이 더욱 확대될 것으로 기대한다.
본 연구의 한계점으로 통계분석 결과에 나타난 결정계수 수치가 높지 않았으며(0.5 이하), 가장 높게 나타난 지수의 조합은 NDRE+ CHM (R²=0.496)이었다. 이와 같은 결과는 경작지, 도시지역과 같은 평지에서 수행된 기존 연구들과 비교하여 산림지역에서의 균질한 데이터 취득에 어려움이 있었기 때문이다.
419 로 나타났다. 이러한 결과를 종합해볼 때 위성영상 기반으로 도출된 경험식(formula 1.)은 UAV 센서로 취득가능한 분광범위가 유사하더라도 직접 적용했을 때는 유의성이 떨어지는 것을 알 수 있었으며, 의미 있는 결과 도출을 위해서는 해당지역의 샘플을 기반으로 한 별도의 보정모형을 개발하여야 할 것이다.
VRS-RTK는 실시간 이동측위 방식으로서 위성과 주변 기지국과의 신호가 측위의 정확도에 영향을 주므로 산림 내부의 수직위치 오차에 대한 정확성 확보에 다소 어려움이 있었다. 이를 극복할 수 있는 방안으로 잎이 없는 겨울철에 GCP를 취득하거나 RTK가 탑재된 UAV 활용 또는 토탈스테이션과 같은 정지측위 방식을 통해 수직위치 오차범위를 줄일 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	엽면적지수란 무엇인가?	식생 및 생물학적 주요 변수 중 하나로서 엽면적지수(LAI: Leaf Area Index)는 산림 식생의 광합성, 증발산, 호흡량 등에 직접적인 관련이 있을 뿐만 아니라 강우나 태양에너지의 차단및 식물과 대기사이의 에너지 교환 등을 설명하는 인자로서 활용되고 있다(Kim, 2008). 엽면적지수는 임관층 총엽면적의 1/2(잎의 한쪽 면) 에 해당하는 면적 합을 지표면 면적으로 나눈 비율로서 단위공간에서 식생이 가지는 모든 입층(leaf layer)의 밀도로 정의할 수 있다. 엽면적지수의 정확한 측정 혹은 예측은 산림생태계의 탄소, 물, 에너지 순환 모델의 정확도를 높이 고, 기후변화로 인한 산림 생태계의 변화와 적응·저감 능력을 평가하거나 예측하는데 필수적 이라고 할 수 있다(Kwon, 2016).
	엽면적지수 산정방법 중 직접 측정법의 특징은 무엇인가?	엽면적지수 산정방법으로는 생육상태의 잎을 채취하거나 낙엽을 수거하여 산정하는 직접 측정방법과 광학 측정기 및 원격탐사 기법을 통해 간접적으로 추정하는 방법이 있다. 직접 측정법의 경우 수목, 경작지 등에 대한 정확한 측정이 가능하지만 많은 시간과 인력이 소요되어 넓은 지역에 적용이 어렵다(Chason et al., 1991).
	정규화식생지수가 LAI 추정에 관한 많은 연구에 적용되고 있는 이유는 무엇인가?	원격탐사를 통한 LAI 산정은 현지의 실측값과 영상신호(분광 반사율, 식생지수 등)간의 관계식을 통해 산출되는데 주로 식물의 엽록소 농도에 민감한 밴드(630nm~850nm)를 활용한다. 이 범위에 포함되는 적색(630nm~685nm), 근적외선(760nm~850nm) 밴드의 조합으로 만들 어진 정규화식생지수(normalized difference vegetation index: NDVI)는 지표면의 식생량, 잎의 밀도 등과 밀접한 관련이 있어 LAI 추정에 관한 많은 연구에 적용되고 있다(Rouse, 1973; Lee, 2017). 그러나 LAI가 일정 수준 (3.

참고문헌 (42)

Bang D.S., D.G. Lee, S.R. Yang and H.J. Lee. 2018. Study on the Tree Height Using Unmanned Aerial Photogrammetry Method. Journal of the Korean Association of Geographic Information Studies 21(3):35-47.
Barnes, E.M., T.R. Clarke and S.E. Richards. 2000. Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. Proceedings of the Fifth International Conference on Precision Agriculture.
Chason, J.W., D.D. Baldocchi and M.A. Huston. 1991. A comparison of direct and indirect methods for estimating forest canopy leaf area. Agricultural and Forest Meteorology 57(1):107-128.

상세보기
Chen, J.M. 1996. Optically-based methods for measuring seasonal variation of leaf area index in boreal conifer stands. Agricultural and Forest Meteorology 80(2):135-163.

상세보기
Chen, J.M., P.M. Rich, T.S. Gower, J.M. Norman and S. Plummer. 1997. Leaf area index of boreal forests: theory, techniques and measurements. Journal of Geophysical Research 102(29):429-444.
Delegido, J., J. Verrelst, C.M. Meza, J.P. River, L. Alonso and J. Moreno. 2011. Evaluation of Sentinel-2 Red-Edge Bands for Empirical Estimation of Green LAI and Chlorophyll Content. Journal of Sensors 11:7063-7081.

상세보기
Delegido, J., J. Verrelst, C.M. Meza, J.P. River, L. Alonso and J. Moreno. 2013. A red-edge spectral index for remote sensing estimation of green LAI over agroecosystems. Eur. J. Agron 46:45-52.
Decagon Devices Inc. 2017. AccuPAR PAR /LAI Ceptometer(Model LP-80) Operator's Manual. ver. July 10.
Fan, X., K. Kawamura, T.D. Xuan, N. Yuba and J. Lim. 2017. Lowcost visible and nearinfrared camera on an unmanned aerial vehicle for assessing the herbage biomass and leaf area index in an Italian ryegrass field, Grassland Science 64: 145-150.
Gitelson, A.A. 2004. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation. Journal of Plant Physiology 161:165-173.

상세보기
Gitelson, A.A., M. Mark and L. Hatrmut. 1996. Detection of Red Edge Position and Chlorophyll Content by Reflectance Measurements Near 700nm. Journal of Plant Physiology Vol(148):501-508.
Herwitz, S.R., L.F. John, S.E. Dunagan, R.G. Higgins, D.V. Sullivan, J. Zheng, B.M. Lobitz, J.G. Leung, B.A. Gallmeyer, M. Aoyagi, R.E. Slye and J.A. Brass. 2004. Imaging from an unmanned aerial vehicle: agricultural surveillance and decision support, Computers and Electronics in Agriculture 44: 49-61.

상세보기
Herrmann, I., A. Pimstein, A. Karnieli, Y. Cohen, V. Alchanatis and D. Bonfil. 2011. LAI assessment of wheat and potato crops by VEN ${\mu}$ S and Sentinel-2 bands, Remote Sensing of Environment 115(8): 2141-2151.

상세보기
Jordan, C.F. 1969. Derivation of leaf area index from quality of light on the forest floor, Ecology 50: 663-666.

상세보기
Kwon, B.R., J.H. Jeon, H.S. Kim and M.J. Lee. 2016. Estimation of Specific Leaf Area Index Using Direct Method by Leaf Litter in Gwangneung, Mt. Taewha and Mt. Gariwang. Korean Journal of Agricultural and Forest Meteorology 18(1):1-15.

원문보기 상세보기
Kalisperakis, I., Ch. Stentoumisa, L. Grammatikopoulosb, K. Karantzalosc. 2015. Leaf area index estimation in vineyards from UAV hyperspectral data, 2D image mosaics and 3D canopy surface models. Remote Sensing and Spatial Information Sciences Vol. XL-1/W4.
Kim, T.G. 2008. Integration of ASTER and MODIS data to generate LAI map of South Korea. Doctoral Thesis, In-Ha Univ., South Korea. pp.8-9.
Lee, K.S., S.H. Kim, Y.L. Park and K.C. Jang. 2003. Generation of Leaf Area Index(LAI) Map Using Multispectral Satellite Data and Field Measurements, Korean Journal of Remoote Sensing, 19(5):371-380.
Lee, J.M. 2017. Monthly LANDSAT LAI Generation in Korean Peninsula. Master Thesis, Kun-Kuk Univ. South Korea. goo.
Lee, K.D., C.W. Park, K.H. So and S.I. Na. 2017. Estimating of Transplanting Period of Highland Kimchi Cabbage Using UAV Imagery. Journal of Korean Society of Soil Science and Fertilizer 59(6):39-50.
Lee, K., S. Kim, J. Park, T. Kim, Y. Park and C. Woo. 2006. Estimation of forest LAI in close canopy situation using optical remote sensing data, Korean Journal of Remote Sensing 22(5): 305-311.

원문보기 상세보기
Lim, O.T. 2016. A study on identifying individual Korean fir (Abies koreana) trees at Mt. Halla, Jeju, Korea, using UAV (Unmanned Aerial Vehicle) images and the Object-based Image Analysis method UAV (Unmanned Aerial Vehicle). Master's thesis, Kookmin University. Korea.
Lim, Y.S., Y.D. Eo, M.C. Jeon, M.H. Lee and P.M. Wook. 2016. Experiments of Individual Tree and Crown Width Extraction by Band Combination Using Monthly Drone Images. The Korea Society For GeospatIal Information System 24(4):67-74.
Lee, Y.C. 2018. Vegetation Monitoring using Unmanned Aerial System based Visible, Near Infrared and Thermal Images. Journal of cadastre & land informatiX 48(1):79-91.
Lee, G.S., Y.W. Woong, J.K. Jung and G.S. Cho. 2015. Analysis of the Spatial Information Accuracy According to Photographing Direction of Fixed Wing. Journal of the Korean Association of Geographic Information Studies 17(3):141-149.
Mathews, A.J. and J.L.R. Jensen. 2013. Visualizing and Quantifying Vineyard Canopy LAI Using an Unmanned Aerial Vehicle (UAV) Collected High Density Structure from Motion Point Cloud. Remote Sensing 5(5):2164-2183.

상세보기
Milas, A.S., M. Romanko, P. Reil, T. Abeysinghe and A. Marambe. 2018. The importance of leaf area index in mapping chlorophyll content of corn under different agricultural treatments using UAV images. International Journal of Remote Sensing 39:5415-5431.

상세보기
Moon, H.G., S.M. Lee and J.G. Cha. 2017. Land Cover Classification Using UAV Imagery and Object-Based Image Analysis -Focusing on the Maseo-myeon, Seocheon -gun, Chungcheongnam-do-. Journal of the Korean Association of Geographic Information Studies 20(1):1-14.
Na, S.I., S.Y. Hong, C.W. Park, K.D. Kim and K.D. Lee. 2016. Estimation of Highland Kimchi Cabbage Growth using UAV NDVI and Agro-meteorological Factors, Journal of Korean Society of Soil Science and Fertilizer 49(5): 420-428 (in Korean).

원문보기 상세보기
NA, S.I., C.W. Park, Y.K. Cheong, C.S. Kang, I.B. Choi and K.D. Lee. 2016. Selection of Optimal Vegetation Indices for Estimation of Barley & Wheat Growth based on Remote Sensing - An Application of Unmanned Aerial Vehicle and Field Investigation Data - Korea Journal of Remote Sensing 32(5):483- 497.

원문보기 상세보기
Park, H.K., W.Y. Choi, N.H. Back, S.S. Kim and K.K. Kim. 2004. Estimation of Leaf Area Index by Plant Canopy Analyzer in Rice. Korean journal of crop science 48(6): 463-467.
Perko, R., R. Hannes, D. Janik eutscher, G. Karlheinz and S. Mathias. 2011. Forest Assessment Using High Resolution SAR Data in X-Band Data in X-Band. Remote Sens(3):792-815.
Park, J.K. and J.H. Park. 2015. Crop classification using imagery of unmanned aerial vehicle. Journal of the Korean Society of Agricultural Engineers 57(6): 91-9.

원문보기 상세보기
Pearson, R.L. and L.D. Miller. 1972. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie. Proc. of the Eighth International Symposium on Remote Sensing of Environment II, Michigan, Ann Arbor 1357-1381.
Pu, R., P. Gong, G.S. Biging and M.R. Larrieu. 2003. Extraction of red edge optical parameters from Hyperion data for estimation of forest leaf area index, IEEE Transactions on Geoscience and Remote Sensing 41(4): 916-921.

상세보기
Pix4d. 2018. https://support.pix4d.com/hc/en-us.
Rouse, J.W., R.H. Haas, J.A. Schell and D.W. Deering. 1973. Monitoring vegetation systems in the Great Plains with ERTS. Third ERTS Symposium Vol(1):309-317.
Stenberg. P., S. Linder, H. Smolander and J.f. Ellis. 1994. Performance of the LAI-2000 plant canopy analyzer in estimation leaf area index of some Scots pine stands. Tree Physiology 14:981- 995.

상세보기
Turner, D.P., W.B. Cohen, R.E. Kennedy, K.S. Fassnacht and J.M. Briggs. 1999. Relationships between leaf area index and Landsat TM spectral vegetation indices across three temperate zone sites, Remote Sensing of Environment 70(1):52-68.

상세보기
Verrelst. J., J.P. Rivera, F. Veroustraete, J. Munoz-Mari, Jan G.P.W. Clevers, G.C. Valls and J. Moreno. 2015. Experimental Sentinel-2 LAI estimation using parametric, non-parametric and physical retrieval methods - A comparison. Journal of Photogrammetry and Remote Sensing 108:260-272.

상세보기
Vincini, M., E. Frazzi and P. DAlessio. 2008. A broad-band leaf chlorophyll index at the canopy scale. Precision Agriculture 9:303-319.

상세보기
Wu, Chaoyang., Z. Niu, Q. Tang, W. Huang, B. Rivard and F. Benoit. 2009. Remote estimation of gross primary production in wheat using chlorophyll-related vegetation indices. Agricultural and Forest Meteorology 149:1015-1021.

상세보기

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