무인항공기 데이터의 영역 확장법 적용을 통한 정규수치표면모델 추출 및 경사도 파라미터 설정 Normalized Digital Surface Model Extraction and Slope Parameter Determination through Region Growing of UAV Data원문보기
정규수치표면모델(NDSM: Normalized Digital Surface Model)은 원격탐사데이터의 상세 분석을 위한 핵심 적인 자료로 사용된다. 지상기준높이인 정규수치표면모델을 생성하기 위한 가장 간단한 방법은 수치표면모델(DSM: Digital Surface Model)에서 수치지형모델(DTM: Digital Terrain Model)을 차분하는 것이지만, 무인항공기 데이터의 경우 높은 해상도의 특성상 식생, 도심 구조물 등 많은 수의 복잡한 지형지물을 포함하고 있어 정확한 수치지형모델을 추출하기 어렵다. 본 연구에서는 무인항공기 데이터의 고해상도 특성을 잘 살리고 비용효율적인 수치지형모델 생성이 가능하도록 RGB 기반 식생 지수인 ExG (Excess Green)를 이용하여 낮은 ExG 값을 갖는 영역 확장법의 초기 시드점을 선정하였다. 이때 국소적으로 낮은 식생지수 값을 갖는 초기 시드점이 잘못 추출되는 문제를 해결하기 위하여 지역적 윈도우 분석을 적용하였다. 이후, 해당 위치의 수치표면모델값을 바탕으로 영역 확장법을 적용하여 이웃하는 지면 화소들을 병합하였다. 영역 확장법 적용을 위해 경사도 파라미터가 사용되었으며 최종적으로 병합된 세그먼트의 크기가 0.25㎡ 초과일 경우 초기 시드점을 지면점으로 결정하였다. 다양한 경사도 파라미터 값을 설정하여 무인항공기 데이터 기반 정규수치표면모델 생성의 최적 경사도 기준값을 도출하고자 하였다. 최종적으로 추출된 지면점들에 대한 정확도 평가를 수행하였으며 지면점들에 보간법을 적용하여 정규수치표면모델을 생성하고 제안 기법을 농업지역에 적용하여 농작물의 지상기준높이 추출 및 농업 모니터링 가능성을 검증하였다.
정규수치표면모델(NDSM: Normalized Digital Surface Model)은 원격탐사데이터의 상세 분석을 위한 핵심 적인 자료로 사용된다. 지상기준높이인 정규수치표면모델을 생성하기 위한 가장 간단한 방법은 수치표면모델(DSM: Digital Surface Model)에서 수치지형모델(DTM: Digital Terrain Model)을 차분하는 것이지만, 무인항공기 데이터의 경우 높은 해상도의 특성상 식생, 도심 구조물 등 많은 수의 복잡한 지형지물을 포함하고 있어 정확한 수치지형모델을 추출하기 어렵다. 본 연구에서는 무인항공기 데이터의 고해상도 특성을 잘 살리고 비용효율적인 수치지형모델 생성이 가능하도록 RGB 기반 식생 지수인 ExG (Excess Green)를 이용하여 낮은 ExG 값을 갖는 영역 확장법의 초기 시드점을 선정하였다. 이때 국소적으로 낮은 식생지수 값을 갖는 초기 시드점이 잘못 추출되는 문제를 해결하기 위하여 지역적 윈도우 분석을 적용하였다. 이후, 해당 위치의 수치표면모델값을 바탕으로 영역 확장법을 적용하여 이웃하는 지면 화소들을 병합하였다. 영역 확장법 적용을 위해 경사도 파라미터가 사용되었으며 최종적으로 병합된 세그먼트의 크기가 0.25㎡ 초과일 경우 초기 시드점을 지면점으로 결정하였다. 다양한 경사도 파라미터 값을 설정하여 무인항공기 데이터 기반 정규수치표면모델 생성의 최적 경사도 기준값을 도출하고자 하였다. 최종적으로 추출된 지면점들에 대한 정확도 평가를 수행하였으며 지면점들에 보간법을 적용하여 정규수치표면모델을 생성하고 제안 기법을 농업지역에 적용하여 농작물의 지상기준높이 추출 및 농업 모니터링 가능성을 검증하였다.
NDSM (Normalized Digital Surface Model) is key information for the detailed analysis of remote sensing data. Although NDSM can be simply obtained by subtracting a DTM (Digital Terrain Model) from a DSM (Digital Surface Model), in case of UAV (Unmanned Aerial Vehicle) data, it is difficult to get an ...
NDSM (Normalized Digital Surface Model) is key information for the detailed analysis of remote sensing data. Although NDSM can be simply obtained by subtracting a DTM (Digital Terrain Model) from a DSM (Digital Surface Model), in case of UAV (Unmanned Aerial Vehicle) data, it is difficult to get an accurate DTM due to high resolution characteristics of UAV data containing a large number of complex objects on the ground such as vegetation and urban structures. In this study, RGB-based UAV vegetation index, ExG (Excess Green) was used to extract initial seed points having low ExG values for region growing such that a DTM can be generated cost-effectively based on high resolution UAV data. For this process, local window analysis was applied to resolve the problem of erroneous seed point extraction from local low ExG points. Using the DSM values of seed points, region growing was applied to merge neighboring terrain pixels. Slope criteria were adopted for the region growing process and the seed points were determined as terrain points in case the size of segments is larger than 0.25 ㎡. Various slope criteria were tested to derive the optimized value for UAV data-based NDSM generation. Finally, the extracted terrain points were evaluated and interpolation was performed using the terrain points to generate an NDSM. The proposed method was applied to agricultural area in order to extract the above ground heights of crops and check feasibility of agricultural monitoring.
NDSM (Normalized Digital Surface Model) is key information for the detailed analysis of remote sensing data. Although NDSM can be simply obtained by subtracting a DTM (Digital Terrain Model) from a DSM (Digital Surface Model), in case of UAV (Unmanned Aerial Vehicle) data, it is difficult to get an accurate DTM due to high resolution characteristics of UAV data containing a large number of complex objects on the ground such as vegetation and urban structures. In this study, RGB-based UAV vegetation index, ExG (Excess Green) was used to extract initial seed points having low ExG values for region growing such that a DTM can be generated cost-effectively based on high resolution UAV data. For this process, local window analysis was applied to resolve the problem of erroneous seed point extraction from local low ExG points. Using the DSM values of seed points, region growing was applied to merge neighboring terrain pixels. Slope criteria were adopted for the region growing process and the seed points were determined as terrain points in case the size of segments is larger than 0.25 ㎡. Various slope criteria were tested to derive the optimized value for UAV data-based NDSM generation. Finally, the extracted terrain points were evaluated and interpolation was performed using the terrain points to generate an NDSM. The proposed method was applied to agricultural area in order to extract the above ground heights of crops and check feasibility of agricultural monitoring.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
, 2019). 낮은 ExG 값을 갖는 화소를 초기 시드점으로 추출함으로써 비식생지역에서 지면 후보점을 1차적으로 추출하고자 하였다. 또한 지역적 윈도우 분석을 적용하여 추출된 초기 시드점이 해당 위치에서만 낮은 ExG 값을 갖는 것인지 아니면 인접 영역이 모두 낮은 ExG를 갖는지를 고려하여 오추출된초기시드점을제거하였다.
동일한 촬영조건에서 무인항공기 RGB 영상은 근적외 영역을 포함하는 다중분광영상에 비해 공간해상도가 높기 때문에 보다 고해상도의 수치표면모델을 제작할 수 있다는 장점이 있다. 따라서 본 연구에서는 RGB 무인항공기 영상에 적용 가능한 식생지수인 ExG를 이용하여 영역 확장법에 사용될 초기 지면점을 1차적으로 추출하고자 하였다.
따라서 본 연구에서는 분포 지수는 중간 수준이지만 가장 많은 수의 지면점을 추출하고 91%의 높은 정확도를 보인 15°경사도를 수치지형모델 생성을 위한 최적의 경사도로 판단하였다.
본 연구에서는 RGB 무인항공기 데이터로부터 지면점을 추출하고 이를 통해 수치지형모델과 정규수치표면모델을 생성하는 방법을 제안하였다. RGB 식생 지수인 ExG를 이용하여 지면 후보점들을 초기 추출하였으며 잘못 추출된 후보점을 제거하기 위해 지역적 윈도우 분석 기법을 적용하였다.
여기서 i,n 는 행과 열 위치이고 m, n 은 –1, 0, 1 중 하나로 이웃 화소의 위치를 나타낸다. 생성된 세그먼트 영역을 마스킹영역(M)으로 업데이트하여 동일 세그먼트 내에서 불필요한 영역 확장법이 재차 수행되지 않도록 하였으며 계산 효율성을 증대시키고자 하였다. 최종 지면 세그먼트의 크기가 0.
, 2015). 일반적으로 무인항공기 다중분광센서의 경우 RGB 센서에 비해 고가이며 낮은 해상도를 가지므로 본 연구에서는 무인항공기 데이터의 고해상도 특성을 잘 살리고 비용효율적인 수치지형모델 생성이 가능하도록 RGB 기반 무인항공기 데이터를 이용하여 연구를 진행하였다.
제안 방법
, 2016). CSF 알고리즘을 통해 추출된 지면점 중 100개의 지면점을 임의 추출하여 동일한 방법으로 정확도 평가를 수행하였다. 최종적으로 제안기법을 통해 추출된 지면점들로부터 수치지형모델을 생성하기 위해서 불규칙삼각망(TIN:Triangulated Irregular Network) 기반 보간법을 적용하였다.
ExG 값이 낮은 클래스를 분류한 후 0.01% 화소를 임의 추출하여 초기 지면점으로 결정하였다. 그러나 초기 지면점은 단일 화소의 ExG 값만을 고려하므로 식생 그림자 등에서 오추출되는 문제가 있으며 오추출된 초기 지면점은 수치지형모델의 정확도를 저하시키는 것은 물론 영역 확장법의 계산량을 증가시키게 된다.
각각의 경사도 파라미터 값을 적용하여 최종 추출된 지면점의 수, 분포, 정확도를 비교 평가하였다. 지면점이 영상 전체에 걸쳐 고르게 분포하는지에 대한 정량적인 분석을 수행하기 위하여 영상 전체의 행 범위를 10등분하여 10개의 행 영역을 생성하고 각 영역별 지면점의 수를 계산하였다.
각각의 초기 지면점을 중심으로 하는 0.5m × 0.5m 크기의 지역적 윈도우를 생성하고 해당 윈도우 내화소들의 평균 ExG 값을 계산하였다.
7(a)에서 확인 가능하듯이, 차분을 통해 생성된 정규수치표면 모델은 초기 수치표면모델에 비해 개별 농작물의 높이가 효과적으로 강조된 것을 알 수 있으며 정규수치표면모델을 통해 계산된 지상기준높이는 농작물 모니터링을 위한 핵심적 변수로 사용 가능하다. 계산된 농작물 지상기준높이에 대한 정확도 검증을 위하여 동일 위치의 농작물 정규수치표면모델값과 농작물 높이 참조값을 비교하였다(Fig. 8). 농작물 높이 참조값은 초기 무인항공기 수치표면모델에서 농작물과 인접한 지면의 높이차분을 통해 수작업으로 계산되었다.
이 때 5°,15°, 25°의 다양한 경사도 파라미터 값을 설정하여 지면점 추출 결과를 비교 평가하였다. 또한 CSF 알고리즘과 비교 평가 또한 수행하였다.
낮은 ExG 값을 갖는 화소를 초기 시드점으로 추출함으로써 비식생지역에서 지면 후보점을 1차적으로 추출하고자 하였다. 또한 지역적 윈도우 분석을 적용하여 추출된 초기 시드점이 해당 위치에서만 낮은 ExG 값을 갖는 것인지 아니면 인접 영역이 모두 낮은 ExG를 갖는지를 고려하여 오추출된초기시드점을제거하였다. 이후, 해당위치와인접화소의수치표면모델값을 바탕으로 경사도를 계산하였으며 지역적으로 표고 변화가 작은 이웃 화소들을 병합하여 지면 세그먼트를 추출하였다.
본 연구에서는 91%의 높은 정확도로 가장 많은 수의 지면점을 추출한 15°경사도를 수치지형모델 생성을 위한 최적의 경사도로 판단하여 수치지형모델과 정규수치표면모델을 생성하였다.
(2015)이 무인항공기의 촬영방향에 따른 수치표면모델 및 정사사진의 제작 정확도를 분석하였으며 Lee and Lee (2016)는 고도 파라미터가 다른 영상을 이용한 수치표면모델 제작 방법을 제안하고 정확도 평가를 수행하였다. 본 연구에서는 제안 기법의 수치지형모델 생성에 영향을 줄 수 있는 경사도 파라미터에 초점을 맞추어 다양한 경사도 파라미터 값을 설정하여 지면점을 추출하고 정확도를 비교 평가하였다. 제안 기법을 농업지역에 적용하여 농작물의 지상기준높이를 추출하고 농업 모니터링 가능성을 검증하였으며, 식생 지역이 적은 도심지의 경우 알고리즘 수정과 개선이 요구될 수 있다.
본 연구에서는 지면점 추출에 경사도 파라미터가 미치는 영향을 분석하고 최적의 경사도를 도출하고자 경사도 값(S)을 5°, 15°, 25°로 설정하여 실험을 진행하였다.
3). 영상처리 옵션으로 영상쌍 매칭, 기하학적 매칭, 키 포인트 추출, 내외부 표정요소 최적화를 수행하였다. 생성된 정사사진과 수치표면모델의 해상도는 1.
25m2 초과일 경우 정확하게 탐지된 지면 세그먼트로 판단하여 세그먼트생성에 이용된 초기 시드점을 지면점으로 결정하였다. 영역 확장법 적용 시 다양한 경사도 파라미터 값을 적용하여 무인항공기 데이터 기반 정규수치표면모델 생성의 최적 경사도 기준값을 도출하고자 하였으며 최종적으로 추출된 지면점들에 대한 정확도 평가 및 지면점들의 보간을 통해 정규수치표면모델을 생성하였다.
이 때 5°,15°, 25°의 다양한 경사도 파라미터 값을 설정하여 지면점 추출 결과를 비교 평가하였다.
또한 지역적 윈도우 분석을 적용하여 추출된 초기 시드점이 해당 위치에서만 낮은 ExG 값을 갖는 것인지 아니면 인접 영역이 모두 낮은 ExG를 갖는지를 고려하여 오추출된초기시드점을제거하였다. 이후, 해당위치와인접화소의수치표면모델값을 바탕으로 경사도를 계산하였으며 지역적으로 표고 변화가 작은 이웃 화소들을 병합하여 지면 세그먼트를 추출하였다. 최종적으로 병합된 세그먼트의 크기가 0.
전체 연구 흐름도는 Fig. 1과 같으며, 본 연구에서는 RGB 기반 무인항공기 식생 지수중 우수한 성능을 보인 ExG (Excess Green)를 이용하여 영역 확장법의 초기 시드점을 추출하였다(Yeom et al., 2019). 낮은 ExG 값을 갖는 화소를 초기 시드점으로 추출함으로써 비식생지역에서 지면 후보점을 1차적으로 추출하고자 하였다.
정확도 평가는 추출된 지면점 중 100개의 지면점을 임의추출하고 지형에서 정확하게 추출되었는지를 판독하여 진행되었다. 또한 제안 기법의 우수성을 검증하기 위하여 CSF(Cloth Simulation Filtering) 기법과 비교 평가를 수행하였다(Zhang et al.
RGB 식생 지수인 ExG를 이용하여 지면 후보점들을 초기 추출하였으며 잘못 추출된 후보점을 제거하기 위해 지역적 윈도우 분석 기법을 적용하였다. 지면 후보점을 영역 확장법의 시드점으로 하여 지면 세그먼트를 추출한 후 세그먼트 크기를 분석하여 최종 지면점을 추출하였다. 이 때 5°,15°, 25°의 다양한 경사도 파라미터 값을 설정하여 지면점 추출 결과를 비교 평가하였다.
각각의 경사도 파라미터 값을 적용하여 최종 추출된 지면점의 수, 분포, 정확도를 비교 평가하였다. 지면점이 영상 전체에 걸쳐 고르게 분포하는지에 대한 정량적인 분석을 수행하기 위하여 영상 전체의 행 범위를 10등분하여 10개의 행 영역을 생성하고 각 영역별 지면점의 수를 계산하였다. 이후 10개 행 구간의 지면점 빈도수에 대한 표준편차를 계산하였다.
최종 지면 세그먼트의 크기가 0.5m × 0.5m 보다 클 경우 영역 확장법에 사용된 초기 시드점을 지면점으로 결정하였다.
이후, 해당위치와인접화소의수치표면모델값을 바탕으로 경사도를 계산하였으며 지역적으로 표고 변화가 작은 이웃 화소들을 병합하여 지면 세그먼트를 추출하였다. 최종적으로 병합된 세그먼트의 크기가 0.25m2 초과일 경우 정확하게 탐지된 지면 세그먼트로 판단하여 세그먼트생성에 이용된 초기 시드점을 지면점으로 결정하였다. 영역 확장법 적용 시 다양한 경사도 파라미터 값을 적용하여 무인항공기 데이터 기반 정규수치표면모델 생성의 최적 경사도 기준값을 도출하고자 하였으며 최종적으로 추출된 지면점들에 대한 정확도 평가 및 지면점들의 보간을 통해 정규수치표면모델을 생성하였다.
수치표면모델 생성 시 파라미터 설정에 관한 연구로는, Parkand Bae (2004)가 수행한 수치지형도를 이용한 수치표면모델생성에 격자 크기가 미치는 영향에 대한 연구가 있다. 해당 연구에서는 격자 크기가 작을 경우 세부 지형이 오차로 작용하는 문제가 있으며 격자 크기가 클 경우 지나친 일반화로 인해 지형해석에 문제가 발생함을 밝혔으며 최적의 격자 크기를 10m로 제안하였다. 무인항공기 데이터를 이용한 수치표면모델 생성과 관련된 파라미터 설정 연구로는 Lee et al.
대상 데이터
경상북도 상주에 위치한 약 20,000m2 면적의 농업지역을 실험지역으로 선정하였다. 농업지역은 시간에 따라 농작물이 평면적, 수직적으로 성장하므로 토지 피복의 변화가 극심한 것이 특징이다.
뿐만 아니라 농작물의 지상 기준높이가 모니터링의 핵심 요소이므로 제안 기법이 효율성을 검증하기에 적합하다. 실험에 사용된 무인항공기 자료는 2018년 8월 9일에 수집되었으며, Pix4D mapper 4.3 소프트웨어를 이용하여 원시 영상 125장을 처리하여 정사사진과 수치표면모델을 생성하였다(Fig. 3). 영상처리 옵션으로 영상쌍 매칭, 기하학적 매칭, 키 포인트 추출, 내외부 표정요소 최적화를 수행하였다.
데이터처리
정확도 평가는 추출된 지면점 중 100개의 지면점을 임의추출하고 지형에서 정확하게 추출되었는지를 판독하여 진행되었다. 또한 제안 기법의 우수성을 검증하기 위하여 CSF(Cloth Simulation Filtering) 기법과 비교 평가를 수행하였다(Zhang et al., 2016). CSF 알고리즘을 통해 추출된 지면점 중 100개의 지면점을 임의 추출하여 동일한 방법으로 정확도 평가를 수행하였다.
이후 10개 행 구간의 지면점 빈도수에 대한 표준편차를 계산하였다. 열 방향에 대해서도 동일한 과정으로 표준편차를 계산하였으며, 행 표준편차와 열 표준편차의 평균값을 정량적 분포 지수로 계산하였다. 해당 분포 지수가 낮을수록 영상에 지면점이 고르게 분포함을 의미한다.
지면점이 영상 전체에 걸쳐 고르게 분포하는지에 대한 정량적인 분석을 수행하기 위하여 영상 전체의 행 범위를 10등분하여 10개의 행 영역을 생성하고 각 영역별 지면점의 수를 계산하였다. 이후 10개 행 구간의 지면점 빈도수에 대한 표준편차를 계산하였다. 열 방향에 대해서도 동일한 과정으로 표준편차를 계산하였으며, 행 표준편차와 열 표준편차의 평균값을 정량적 분포 지수로 계산하였다.
이론/모형
본 연구에서는 RGB 무인항공기 데이터로부터 지면점을 추출하고 이를 통해 수치지형모델과 정규수치표면모델을 생성하는 방법을 제안하였다. RGB 식생 지수인 ExG를 이용하여 지면 후보점들을 초기 추출하였으며 잘못 추출된 후보점을 제거하기 위해 지역적 윈도우 분석 기법을 적용하였다. 지면 후보점을 영역 확장법의 시드점으로 하여 지면 세그먼트를 추출한 후 세그먼트 크기를 분석하여 최종 지면점을 추출하였다.
경사도 파라미터를 15°로 설정한 경우 총 4,182개의 초기 지면점 후보가 추출되었으며 대부분의 지면점 후보들이 농작물 사이 흙, 나지, 도로에서 추출된것을확인하였다. 그러나 추출된 지면점 후보들 중 일부가 농작물 그림자로 인해 농경지 한 가운데에서 잘못 추출되었으며 해당점들을 제거하기 위해 지역적 윈도우 분석 기법을 적용하였다. 그 결과, Fig.
나지나 도로와 같이 ExG 값이 낮은 비식생화소를 초기 지면 점으로 추출하기 위하여 자동화된 임계값 결정 기법인 Otsu 알고리즘을 적용하였다(Otsu, 1975). Otsu 임계화 기법은 영상 히스토그램에서 지배적인 두 분포 사이의 계곡점 위치에 해당하는 임계값을 자동으로 결정하는 기법으로서 클래스 내외의 분산을 이용한다.
영역 확장법은 기준 화소와 이웃 화소의 1:1 비교를 유사한 화소가 없을 때까지 반복적으로 수행하는 높은 계산량을 요구하는 알고리즘이므로 오추출된 시드 지면점을 제거하여 연산 효율성을 증가시킬 필요가 있다. 따라서 본 연구에서는 영역 기반 ExG 값을 추가적으로 계산하기 위해 지역적 윈도우분석 기법을 적용하였다. 각각의 초기 지면점을 중심으로 하는 0.
CSF 알고리즘을 통해 추출된 지면점 중 100개의 지면점을 임의 추출하여 동일한 방법으로 정확도 평가를 수행하였다. 최종적으로 제안기법을 통해 추출된 지면점들로부터 수치지형모델을 생성하기 위해서 불규칙삼각망(TIN:Triangulated Irregular Network) 기반 보간법을 적용하였다. 불규칙삼각망 기반 보간법은 영상에서 불규칙하게 분포하는 포인트 표고 데이터로부터 지표면 전체의 표고 정보를 표현하기 위한매우 효과적인 방법으로 지형의 복잡한 정도에 따라 그 밀도를 가변적으로 적용할 수 있고 원시 표고 데이터를 보존하는 장점이 있다.
성능/효과
Fig.7(a)에서 확인 가능하듯이, 차분을 통해 생성된 정규수치표면 모델은 초기 수치표면모델에 비해 개별 농작물의 높이가 효과적으로 강조된 것을 알 수 있으며 정규수치표면모델을 통해 계산된 지상기준높이는 농작물 모니터링을 위한 핵심적 변수로 사용 가능하다. 계산된 농작물 지상기준높이에 대한 정확도 검증을 위하여 동일 위치의 농작물 정규수치표면모델값과 농작물 높이 참조값을 비교하였다(Fig.
경사도가 15°이상일 경우 추출되는 지면점의 수가 수렴하여 추출되는 지면점의 수에 큰 차이가 없는 것으로 나타났다(Table 2).
경사도파라미터의경우, 경사도가 15°이상일경우 추출되는 지면점의 수가 수렴하여 추출되는 지면점의 수에 큰 차이가 없는 것으로 나타났다.
본 연구에서는 91%의 높은 정확도로 가장 많은 수의 지면점을 추출한 15°경사도를 수치지형모델 생성을 위한 최적의 경사도로 판단하여 수치지형모델과 정규수치표면모델을 생성하였다. 그 결과 제안 기법의 정규수치표면 모델이 초기 수치표면모델에 비해 개별 농작물의 높이가 효과적으로 강조된 것을 확인하였으며, 농작물의 지상기준 높이에 대한 정량적인 오차 또한 5cm로 낮게 나타나 농작물 모니터링에 제안 기법이 효과적으로 활용될 수 있음을 확인하였다. 향후 연구로서 제안된 지면점 추출 기법을 수정, 보완하여 도심지의 수치지형모델과 정규수치표면모델을 생성하는 연구를 진행할 계획이다.
그리고 경사도가 5°일 때 가장 높은 정확도로 지면점을 추출하지만 추출되는 지면점의 수가 다른 경사도에 비해 50% 수준으로 매우 적다는 문제점이 있었으며, 경사도가 25°일 때는 가장 좋은 지면점 분포 지수를 보이지만 정확도가 다른 경사도에 비해 약 10% 가량 낮다는 문제점이 있음을 확인하였다.
본 연구에서 지역적 윈도우 크기 기준으로 이용한 0.5m × 0.5m (0.25m2)는 ExG 식생지수의 균질성을 분석하기 위한 최소 영역에 해당 하는 크기로서 시행착오적 반복 실험을 통해 결정되었다.
(4)의 클래스 내 분산이 최소가되며 이를 만족시키는 최적의 임계값(t)을 도출한다. 본 연구에서 클래스 1과 2는 ExG 값이 높은 클래스와 낮은 클래스를 의미하며 Otsu 알고리즘을 통해 분석가의 개입없이 자동으로 임계값을 결정함으로써 ExG 값이 높은 클래스와 낮은 클래스를 보다 객관적으로 분류할 수 있다.
따라서 자동화된 방법을 통해 토지 피복 변화에 적응적으로 지면점을 추출하고 수치지형모델을 생성할 필요가 큰 실험지역이다. 뿐만 아니라 농작물의 지상 기준높이가 모니터링의 핵심 요소이므로 제안 기법이 효율성을 검증하기에 적합하다. 실험에 사용된 무인항공기 자료는 2018년 8월 9일에 수집되었으며, Pix4D mapper 4.
연구 결과, 제안 기법의 정확도가 CSF 알고리즘에 비해 매우 높게나타났다. 경사도파라미터의경우, 경사도가 15°이상일경우 추출되는 지면점의 수가 수렴하여 추출되는 지면점의 수에 큰 차이가 없는 것으로 나타났다.
농작물 높이 참조값은 초기 무인항공기 수치표면모델에서 농작물과 인접한 지면의 높이차분을 통해 수작업으로 계산되었다. 총 30개의 참조값과 비교한 결과 RMSE (Root Mean Square Error) 값은 5cm로 나타났으며, 평균 농작물 높이가 0.76m 인 것을 고려할 때 약 6.6%에 해당하는 낮은 수치이다.
추출된 경사도별 최종 지면점의 정확도 평가를 수행한 결과 경사도가 5°일 때 95%로 가장 높게 나타났으며 15°일 때 91%, 25°일 때 83%로 나타났다(Table 2).
후속연구
Parkand Lee (2018)는 항공사진과 수치지형도로부터 생성된 수치표면모델의 특성을 분석하고 비교하였다. 이처럼 다양한 선행연구들이 입력 데이터의 종류와 공간해상도에 따른 수치표면모델 생성 결과를 검증하고 비교 평가하였으나 공간해상도의 제약으로 인해 수치표면모델에서 수치지형모델을 추출하는 단계까지 연구를 확장하지 못했다는 한계점이 있다. 표면이 아닌 지형의 표고 모델을 생성하기 위한 연구로 항공기 기반 LiDAR 데이터를 이용한 연구가 진행 되었으나 무인항공기 데이터를 이용한 수치지형모델 추출 관련 연구는 매우 부족한 실정이다(Bigdeli et al.
본 연구에서는 제안 기법의 수치지형모델 생성에 영향을 줄 수 있는 경사도 파라미터에 초점을 맞추어 다양한 경사도 파라미터 값을 설정하여 지면점을 추출하고 정확도를 비교 평가하였다. 제안 기법을 농업지역에 적용하여 농작물의 지상기준높이를 추출하고 농업 모니터링 가능성을 검증하였으며, 식생 지역이 적은 도심지의 경우 알고리즘 수정과 개선이 요구될 수 있다.
그 결과 제안 기법의 정규수치표면 모델이 초기 수치표면모델에 비해 개별 농작물의 높이가 효과적으로 강조된 것을 확인하였으며, 농작물의 지상기준 높이에 대한 정량적인 오차 또한 5cm로 낮게 나타나 농작물 모니터링에 제안 기법이 효과적으로 활용될 수 있음을 확인하였다. 향후 연구로서 제안된 지면점 추출 기법을 수정, 보완하여 도심지의 수치지형모델과 정규수치표면모델을 생성하는 연구를 진행할 계획이다.
질의응답
핵심어
질문
논문에서 추출한 답변
무인항공기 데이터의 문제점은?
원격탐사 데이터를 활용하여 도심지 변화탐지, 농작물 성장분석, 산림 모델링, 재난재해 피해평가 등의 상세 분석을 수행하기 위해서는 대상 건물, 농작물, 나무 등의 지상기준높이에 관한 정보가 필수적이다. 무인항공기 데이터의 경우 높은 공간 해상도로 인해 영상 내 다양하고 복잡한 자연 및 인공 구조물 등의 세부 정보가 포함되며 이는 특징 포인트 매칭 문제를 야기하고 수치지형모델 생성을 어렵게 한다는 문제가 있다(Xu et al.,2015).
무인항공기 영상에 특화된 정규수치표면모델을 생성하기 위해서 진행해야하는 과정은?
,2015). 따라서 무인항공기 영상에 특화된 정규수치표면모델을 생성하기 위해서는 무인항공기 기반 초기 수치표면모델에서 지형과 지물을 높은 정확도로 분리하여 수치지형모델을 생성하여야 한다.
Parkand Bae (2004)가 수행한 수치지형도를 이용한 수치표면모델생성 연구의 문제점은?
수치표면모델 생성 시 파라미터 설정에 관한 연구로는, Parkand Bae (2004)가 수행한 수치지형도를 이용한 수치표면모델생성에 격자 크기가 미치는 영향에 대한 연구가 있다. 해당 연구에서는 격자 크기가 작을 경우 세부 지형이 오차로 작용하는 문제가 있으며 격자 크기가 클 경우 지나친 일반화로 인해 지형해석에 문제가 발생함을 밝혔으며 최적의 격자 크기를 10m로 제안하였다. 무인항공기 데이터를 이용한 수치표면모델 생성과 관련된 파라미터 설정 연구로는 Lee et al.
참고문헌 (16)
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, M.L., and Bareth, G. (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, Vol. 39, pp. 79-87.
Bigdeli, B., Amirkolaee, H.A., and Pahlavani, P. (2018), DTM extraction under forest canopy using LiDAR data and a modified invasive weed optimization algorithm, Remote sensing of environment, Vol. 216, pp. 289-300.
Chen, Z., Xu, B., and Gao, B. (2016), An image-segmentationbased urban DTM generation method using airborne LiDAR data, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 9, No. 1, pp. 496-506.
Im, Y. and Kim, T. (2002), Comparison of DEM accuracy and quality over urban area from SPOT, EOC and IKONOS stereo pairs, Korean Journal of Remote Sensing, Vol. 18, No. 4, pp. 221-231. (in Korean with English abstract)
Lee, G., Choi, Y., Jung, K., and Cho, G. (2015), Analysis of the spatial information accuracy according to photographing direction of fixed wing UAV, Journal of the Korean Cadastre Information Association, Vol. 17, No. 3, pp. 141-149. (in Korean with English abstract)
Lee, K. and Lee, W. (2016), Orthophoto and DEM generation using low specification UAV images from different altitudes, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 34, No. 5, pp. 535-544. (in Korean with English abstract)
Li, S., Tang, H., He, S., Shu, Y., Mao, T., Li, J., and Xu, Z. (2015), Unsupervised detection of earthquake-triggered roof-holes from UAV images using joint color and shape features, IEEE Geoscience and Remote Sensing Letters, Vol. 12, No. 9, pp. 1823-1827.
Park, C. and Lee, G. (2018), Study on production of DEM using aerial photo, Journal of the Korean Geomorphological Association, Vol. 25, No. 3, pp. 105-120. (in Korean with English abstract)
Park, S. and Bae, Y. (2004), The optimal grid resolution to interpret the spatial structure of geomorphological processes over the landscape, Journal of the Korean Geomorphological Association, Vol. 11, No. 3, pp. 113-136. (in Korean with English abstract)
Rhee, S., Jeong, J., Lee, T., and Kim, T. (2011), DEM generation and accuracy comparison from multiple Kompsat-2 images, Korean Journal of Remote Sensing, Vol. 27, No. 1, pp. 51-58. (in Korean with English abstract)
Torres-Sanchez, J., Pena-Barragan, 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.
Woebbecke, D.M., Meyer, G.E., Von Bargen, K., and Mortensen, D.A. (1995), Color indices for weed identification under various soil, residue, and lighting conditions, Transactions of the American Society of Agricultural Engineers, Vol. 38, No. 1, pp. 259-269.
Xu, C., Lu, Z., Xu, G., Feng, Z., Tan, H., and Zhang, H. (2015), 3D Reconstruction of tree-crown based on the UAV aerial images, Mathematical Problems in Engineering, Vol. 2015, 318619.
Yeom, J., Jung, J., Chang, A., Ashapure, A., Maeda, M., Maeda, A., and Landivar, J. (2019), Comparison of vegetation indices derived from UAV data for differentiation of tillage effects in agriculture, Remote Sensing, Vol. 11, No. 13, pp. 1548.
Zhang, W., Qi, J., Wan, P., Wang, H., Xie, D., Wang, X., and Yan, G. (2016), An easy-to-use airborne LiDAR data filtering method based on cloth simulation, Remote Sensing, Vol. 8, No. 6, 501.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.