[논문]무인항공기(UAV) 영상을 이용한 소나무재선충병 의심목 탐지

이슬기; 박성재; 백경민; 김한별; 이창욱

doi:10.7780/kjrs.2019.35.3.2

무인항공기(UAV) 영상을 이용한 소나무재선충병 의심목 탐지
Detection of Damaged Pine Tree by the Pine Wilt Disease Using UAV Image 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.35 no.3, 2019년, pp.359 - 373

이슬기 (강원대학교 통합과학전공) , 박성재 (강원대학교 통합과학전공) , 백경민 (강원대학교 과학교육학부) , 김한별 (강원대학교 과학교육학부) , 이창욱 (강원대학교 과학교육학부)

초록
AI-Helper

소나무재선충병은 우리나라 소나무림에 심각한 위협이 되고 있는 질병이다. 그러나 일반적으로 재선충병의 고사목 관측은 현장조사를 기반으로 하고 있기 때문에 물리적, 경제적 문제가 있어 대규모 삼림을 관측하는데 어려움이 있다. 본 연구에서는 소나무재선충병이 재발한 지역에 무인 항공기를 이용하여 고해상도 영상을 획득하였다. 이후 Artificial Neural Network(ANN), Support Vector Machine(SVM) 감독분류 기법을 통해 소나무재선충병 의심목을 탐지하였고. 감독분류 결과에 대한 정확도를 산출하였다. 또한 접근성이 높은 산림에 대해 감독분류를 실시한 후 현장 조사 결과간의 비교를 통해 정확도의 신뢰성을 검증하였다.

Abstract ▼ AI-Helper

Bursaphelenchus xylophilus(Pine wilt disease) is a serious threat to the pine forest in Korea. However, dead wood observation by Pine wilt disease is based on field survey. Therefore, it is difficult to observe large-scale forests due to physical and economic problems. In this paper, high resolution images were obtained using the unmanned aerial vehicle (UAV) in the area where the pine wilt disease recurred. The damaged tree due to pine wilt disease was detected using Artificial Neural Network (ANN), Support Vector Machine (SVM) supervision classification technique. Also, the accuracy of supervised classification results was calculated. After conducting supervised classification on accessible forests, the reliability of the accuracy was verified by comparing the results of field surveys.

주제어

표/그림 (15)

그림 Fig. 1. Research Flowchart.
그림 Fig. 2. Study area (a) Anbo 1-ri, (b) Wonchang-ri.
그림 Fig. 3. ANN classification processing (Robert, 1992).
그림 Fig. 4. SVM flassification processing (a)Various hyperplanes in two dimensions, (b) Optimized hyperplane by maximum margin (Vapnik, 1995).
그림 Fig. 5. (a) tree with Pine wilt disease, (b) General dead tree, (c)The appearance of a forest with common tree and pine wilt disease tree.
그림 Fig. 6. Selection of Point and raster (a) Points specified in the verification data, (b) The point rasterized in pixels.
그림 Fig. 7. Image of studyarea (a) Ortho image around the Anbo 1-ri, (b) Ortho image around the Wonchang-ri, (c) Anbo-1ri forest image used in this research, (d) Wonchang-ri forest image used in this research.
그림 Fig. 8. Anbo 1-ri supervised classification results (a) ANN Method, (b) SVM Method.
그림 Fig. 9. Verification of the UAV image of the location classified as the damage tree with Pine wilt disease (Anbo 1-ri).
그림 Fig. 10. Wonchang-ri supervised classification results (a) ANN Method (b) SVM Method.
그림 Fig. 11. Verification of the UAV image of the location classified as the damage tree with Pine wilt disease (Wonchang-ri).
표 Table 1. Error matrix and accuracy of ANN classification result around Anbo 1-ri forest
표 Table 2. Error matrix and accuracy of SVM classification result around Anbo 1-ri forest
표 Table 3. Error matrix and accuracy of ANN classification result around Wonchang-ri forest
표 Table 4. Error matrix and accuracy of SVM classification result around Wonchang-ri forest

AI 본문요약
AI-Helper

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

문제 정의

하지만 오차 행렬을 통한 정확도 산출 방법은 분석자가 취득한 자료를 검증자료로써 산출하는 것이기 때문에 취득한 자료의 왜곡 등의 요인으로 신뢰도가 낮아질 수 있다. 따라서 감독 분류에 대한 신뢰도 검증을 위해 더 정확한 검증 방법인 현장 조사를 시행하고자 하였다. 그러나 소나무재선충병 산림 지역의 경우 표본이 적고 접근이 불가능하기 때문에 비교적 접근이 용이한 산림을 선정하여 감독 분류 후 현장 조사를 시행하였다.
하지만 현장 조사는 험준지 등 접근이 어려운 지역에 적용하기에 한계가 있으며, 경제적인 측면에서도 많이 비용이 발생한다. 따라서 본 연구는 현장 조사가 가지는 한계를 보완하기 위하여 무인항공기 기반의 고해상도 영상을 이용하여 감독 분류 기법을 적용한 소나무재선충병 탐지 가능성을 검증하고자 하였다. 본 연구에서는 무인항공기를 이용한 고해상도 산림 영상을 획득하고, ANN과 SVM을 이용하여 감독 분류를 수행하여 토지피복도를 작성하였다.
지표의 정보에는 축적 의존성이 있어 정보를 표현하기에 적합한 해상도가 존재하며(Ku, 2011), 소나무재선충병 의심목을 판독하기 위해서는 고해상도가 요구된다. 따라서 본 연구에서는 무인항공기를 이용하여 산림의 가시 영상을 획득하고, 그 영상을 기반으로 소나무재선충병 의심목을 분류하고자 한다. 소나무재선충병 의심목은 수분과 양분의 이동이 원활하지 못하여 잎의 색이 갈변되는 특징이 있다.
본 연구에서는 고화질 영상을 획득할 수 있는 무인 항공기를 이용하여 소나무재선충병 의심목을 탐지하고,감독 분류를 동해 소나무재선충병을 탐지하고자 한다. 또한 본연구결과의 정확도를 도출하고 현장 조사를 통해 감독 분류 및 정확도의 신뢰도를 검증하였다.
, 2011; Lee and Park, 2019)등 산림 조사 및 분석을 위한 연구에서는 연구 결과의 검증을 위해 신뢰도가 검증된 현장 조사의 결과와 비교하였다. 이에 따라 본연구결과의 검증을 위해 현장 조사를 시행하고, 감독 분류 결과와 비교 분석하고자 하였다. 하지만, 연구지역의 경우 표적 표본이 적고 접근이 어렵다.

제안 방법

지정한 점은 픽셀 단위로 래스터화 한 후(Fig. 6(b)), 검증자료와 토지피복도 분류자료의 각 분류항목 픽셀 수를 계산하여 오차 행렬을 작성하고, 오차 행렬의 주 대각 성분을 이용하여 사용자 정확도, 제작자 정확도, 종합 정확도를 산출하였다.
그러나 소나무재선충병 산림 지역의 경우 표본이 적고 접근이 불가능하기 때문에 비교적 접근이 용이한 산림을 선정하여 감독 분류 후 현장 조사를 시행하였다. 검증 지역으로는 강원대학교 연적지, 새롬관 일대 산림을 선정하였으며, 연구 지역과 동일한 방법으로 사진을 취득, 가공한 후 감독 분류를 실시하고 현장 조사를 시행하였다. 각각 50개의 지점에 대한 현장 조사 결과 연 적지 일대 산림의 현장 조사 정확도는 ANN 92%, SVM 94%이고, 새롬관 일대 산림의 현장 조사 정확도는 ANN 90%, SVM 94%로 계산되었다.
따라서 비교적 접근이 용이한 강원대학교 연적지, 새롬관 일대 산림을 선정하여 영상 촬영부터 감독 분류까지 모두 동일한 방법으로 진행한 후, 신뢰도가 높은 현장 조사 방법을 이용하여 감독 분류의 정확성을 검증하였다. 검증지역의 현장 조사는 접근이 가능한 곳의 좌표를 획득한 후, 현장의 수목 위치와 종류를 ANN, SVM 분류 결과와 비교하여 일치, 불일치 여부를 판단하고 현장 조사와 감독 분류 결과의 일치율을 계산하였다.
따라서 감독 분류에 대한 신뢰도 검증을 위해 더 정확한 검증 방법인 현장 조사를 시행하고자 하였다. 그러나 소나무재선충병 산림 지역의 경우 표본이 적고 접근이 불가능하기 때문에 비교적 접근이 용이한 산림을 선정하여 감독 분류 후 현장 조사를 시행하였다. 검증 지역으로는 강원대학교 연적지, 새롬관 일대 산림을 선정하였으며, 연구 지역과 동일한 방법으로 사진을 취득, 가공한 후 감독 분류를 실시하고 현장 조사를 시행하였다.
하지만, 연구지역의 경우 표적 표본이 적고 접근이 어렵다. 따라서 비교적 접근이 용이한 강원대학교 연적지, 새롬관 일대 산림을 선정하여 영상 촬영부터 감독 분류까지 모두 동일한 방법으로 진행한 후, 신뢰도가 높은 현장 조사 방법을 이용하여 감독 분류의 정확성을 검증하였다. 검증지역의 현장 조사는 접근이 가능한 곳의 좌표를 획득한 후, 현장의 수목 위치와 종류를 ANN, SVM 분류 결과와 비교하여 일치, 불일치 여부를 판단하고 현장 조사와 감독 분류 결과의 일치율을 계산하였다.
ANN과 SVM은 분석자가 선정한 학습 데이터를 분류하기 때문에 실제로 같은 토지 피복이라 하더라도 영상에서 색이 다르게 나타나면 다른 토지피복으로 인식할 수 있다. 따라서 학습 데이터를 지정할 때, 동일한 토지피복도에서 광량으로 인한 색상 차이 등에 따라 다르게 나타날 수 있으므로, 각각 광량 및 색상에 따라 다르게 나타난 지역을 다른 자료로 지정한 후에 ANN과 SVM 감독 분류 기법을 적용하였다. 이 후 분류 결과를 학습 데이터 지정 단계에서 광량 및 색상에 따라 각각 분류했던 동일 토지피복을 병합(Merge)하여 무인항공기에서 획득한 영상의 광량에 의한 색상 차이를 보정하였다.
본 연구에서는 무인항공기를 이용한 고해상도 산림 영상을 획득하고, ANN과 SVM을 이용하여 감독 분류를 수행하여 토지피복도를 작성하였다. 또한 본 연구 결과의 신뢰도를 검증하기 위하여 검증자료와 토지피복도를 기반으로 오차 행렬을 이용한 정확도를 계산하였다. 그 결과, 안보 1리 일대 산림의 경우 SVM, ANN 모두 재선충병 의심목에 대한 정확도가 각각 80% 이상으로 산출되었고, 종합 정확도는 ANN이 90.
본 연구에서는 고화질 영상을 획득할 수 있는 무인 항공기를 이용하여 소나무재선충병 의심목을 탐지하고,감독 분류를 동해 소나무재선충병을 탐지하고자 한다. 또한 본연구결과의 정확도를 도출하고 현장 조사를 통해 감독 분류 및 정확도의 신뢰도를 검증하였다. Fig.
본 연구를 수행하기 위해 소나무재선충병이 재발한 지역에 무인 항공기를 이용하여 고해상도 영상을 획득하고 편집 및 가공한 후 감독 분류를 시행하여 소나무재선충병 의심목을 탐지하고, 감독 분류 결과에 대한 정확도를 산출하였다. 또한 접근성이 높은 산림에 대해 감독 분류를 시행한 후 현장 조사 결과 간의 비교를 통해 계산된 정확도의 신뢰성을 검증하였다
검증자료로는 연구에 사용한 무인항공기 영상을, 토지 피복도 분류자료는 ANN, SVM 분류 결과를 각각 사용하였다. 무인항공기를 이용하여 획득한 영상의 해상도는 1.3 cm이며, 오차 행렬을 작성하기 위해 검증자료의 토지피복별로 각각 점(Point)을 지정하였다(Fig. 6(a)).
영상 촬영은 감독 분류 과정에서 소나무 재선충병 의심목의 잎과 단풍의 색 혼동을 줄이기 위해 단풍 시기 이전인 2018년 9월 초에 진행하였으며, 종 방향으로 촬영하였다. 무인항공기를 이용한 영상 촬영은 지정된 경로를 따라 움직이면서 선정한 연구 지역을 분할 촬영한다. 따라서 연구 지역 전체의 정사 영상(Ortho-mosaic)을 획득하기 위해서는 별도의 영상 합성 과정이 필요하다.
, 2008) 재선충병 의심목에 대해 가시 영상을 사용하여 감독 분류 기법을 적용할 수 있다. 본 연구를 수행하기 위해 소나무재선충병이 재발한 지역에 무인 항공기를 이용하여 고해상도 영상을 획득하고 편집 및 가공한 후 감독 분류를 시행하여 소나무재선충병 의심목을 탐지하고, 감독 분류 결과에 대한 정확도를 산출하였다. 또한 접근성이 높은 산림에 대해 감독 분류를 시행한 후 현장 조사 결과 간의 비교를 통해 계산된 정확도의 신뢰성을 검증하였다
본 연구에서는 무인항공기로 취득한 영상을 기반으로 감독 분류 기법 적용하여 소나무재선충병에 걸린 의심목을 판독하였다. 기존에는 시계열 초분광 항공 영상을 활용하여 소나무재선충병 의심목을 분류하는 연구(Kim et al.
1은 본연구방법의 모식도이다. 본 연구에서는 무인항공기를 이용하여 영상 데이터를 획득하고 영상처리를 통해 유효한 영상을 작성하였다. 이후 획득한 영상을 이용하여 인공신경망을 이용한 분류 기법에 해당하는 ANN과 SVM을 통한 감독 분류를 수행하였다.
따라서 본 연구는 현장 조사가 가지는 한계를 보완하기 위하여 무인항공기 기반의 고해상도 영상을 이용하여 감독 분류 기법을 적용한 소나무재선충병 탐지 가능성을 검증하고자 하였다. 본 연구에서는 무인항공기를 이용한 고해상도 산림 영상을 획득하고, ANN과 SVM을 이용하여 감독 분류를 수행하여 토지피복도를 작성하였다. 또한 본 연구 결과의 신뢰도를 검증하기 위하여 검증자료와 토지피복도를 기반으로 오차 행렬을 이용한 정확도를 계산하였다.
본 연구에서는 정확도 산출을 위해 검증자료와 토지 피복도 분류자료를 이용하여 오차 행렬을 작성하였다. 검증자료로는 연구에 사용한 무인항공기 영상을, 토지 피복도 분류자료는 ANN, SVM 분류 결과를 각각 사용하였다.
연구에서는 소나무재선충병 의심목을 가시 영상을 이용하여 감독 분류를 수행하고 소나무재선충병 의심목을 판독하였다. 이를 위하여 안보 1리 지역은 999개, 원창리 지역은 154개의 영상을 촬영하여 데이터를 획득하였고, 2차원 정사 영상을 합성하였다.
연구에서는 정확도 분석 방법의 하나인 오차 행렬을 이용하여 감독 분류 산출 결과의 정확도를 계산하였다. 오차 행렬이란 토지피복도 분류자료와 검증자료(reference data)를 바탕으로 각 오차 행렬의 해당란에 수치를 입력한 것으로, 세로는 검증자료를, 가로는 토지피복도의 분류자료를 나타낸다(Ha et al.
영상 촬영은 감독 분류 과정에서 소나무 재선충병 의심목의 잎과 단풍의 색 혼동을 줄이기 위해 단풍 시기 이전인 2018년 9월 초에 진행하였으며, 종 방향으로 촬영하였다. 무인항공기를 이용한 영상 촬영은 지정된 경로를 따라 움직이면서 선정한 연구 지역을 분할 촬영한다.
따라서 학습 데이터를 지정할 때, 동일한 토지피복도에서 광량으로 인한 색상 차이 등에 따라 다르게 나타날 수 있으므로, 각각 광량 및 색상에 따라 다르게 나타난 지역을 다른 자료로 지정한 후에 ANN과 SVM 감독 분류 기법을 적용하였다. 이 후 분류 결과를 학습 데이터 지정 단계에서 광량 및 색상에 따라 각각 분류했던 동일 토지피복을 병합(Merge)하여 무인항공기에서 획득한 영상의 광량에 의한 색상 차이를 보정하였다.
이후, 고밀도의 점군(Point cloud)을 생성하여 2차원적 영상의 집합을 형성한다. 이를 기반으로 본 연구에서는 무인항공기를 이용하여 취득한 영상을 2차원 정사 영상으로 합성하였고, 연구에 필요한 산림 지역만을 편집하여 영상처리를 수행하였다. 본 연구지역인 안보 1리 일대와 원창리 일대 모두 1.
무인항공기 영상을 이용한 원격탐사 기법은 신속성과 동시성의 장점과 물리적, 경제적인 측면에서도 장점이 있지만, 실제 현장 조사보다 신뢰도가 낮다는 단점이 있다. 이에, LiDAR 데이터를 이용한 산림 구조의 분류 및 분석(Lee et al., 2008; Choi et al., 2015), 산림 바이오매스 산정을 위한 LiDAR 데이터의 활용한 산림 정보추출(Lee et al., 2011; Lee and Park, 2019)등 산림 조사 및 분석을 위한 연구에서는 연구 결과의 검증을 위해 신뢰도가 검증된 현장 조사의 결과와 비교하였다. 이에 따라 본연구결과의 검증을 위해 현장 조사를 시행하고, 감독 분류 결과와 비교 분석하고자 하였다.
이후 획득한 영상을 이용하여 인공신경망을 이용한 분류 기법에 해당하는 ANN과 SVM을 통한 감독 분류를 수행하였다. 이후 본연구에서 소나무재선충병으로 탐지된 결과와 실측 결과 간의 비교를 통해 본 연구의 신뢰성을 검증하였다.
본 연구에서는 무인항공기를 이용하여 영상 데이터를 획득하고 영상처리를 통해 유효한 영상을 작성하였다. 이후 획득한 영상을 이용하여 인공신경망을 이용한 분류 기법에 해당하는 ANN과 SVM을 통한 감독 분류를 수행하였다. 이후 본연구에서 소나무재선충병으로 탐지된 결과와 실측 결과 간의 비교를 통해 본 연구의 신뢰성을 검증하였다.
따라서 연구 지역 전체의 정사 영상(Ortho-mosaic)을 획득하기 위해서는 별도의 영상 합성 과정이 필요하다. 정사 영상의 합성은 촬영된 영상의 GPS 좌표를 통해 일차적으로 배열된 각 사진의 일부 픽셀을 샘플링하여, 일치 여부를 판단하고 합성 가능 여부를 판정한다. 합성이 가능하다고 판정되면, 연속된 영상 간의 공액초점(Conjugate point)을 추출하여 샘플링 되지 않은 나머지 픽셀을 채우고 고정해 영상을 재배열한다.
획득한 영상의 감독 분류를 위한 학습 데이터는 ROI tool을 이용하여 폴리곤으로 지정하였고, 지정한 학습데이터를 기반으로 ANN과 SVM 두 가지 기법을 적용하여 감독 분류를 수행하였다. 또한, 감독 분류 결과의 정확도는 오차 행렬의 주 대각 성분을 이용하여 사용자정확도, 제작자 정확도, 종합 정확도를 각각 Eq.

대상 데이터

본 연구에서는 정확도 산출을 위해 검증자료와 토지 피복도 분류자료를 이용하여 오차 행렬을 작성하였다. 검증자료로는 연구에 사용한 무인항공기 영상을, 토지 피복도 분류자료는 ANN, SVM 분류 결과를 각각 사용하였다. 무인항공기를 이용하여 획득한 영상의 해상도는 1.
연구 지역은 과거 소나무재선충병의 피해가 있었던 안보 1리(강원도 춘천시 경춘로 647-29)(Fig. 2(a)) 일대와 원창리(강원도 춘천시 동산면 원창리)(Fig.
연구에서는 소나무재선충병 의심목을 가시 영상을 이용하여 감독 분류를 수행하고 소나무재선충병 의심목을 판독하였다. 이를 위하여 안보 1리 지역은 999개, 원창리 지역은 154개의 영상을 촬영하여 데이터를 획득하였고, 2차원 정사 영상을 합성하였다. 합성 과정의 시간과 정확성을 높이기 위해 불필요한 영상과 경로가 겹쳐 촬영된 영상을 선별하여 제거하였기 때문에 안보 1리는 394개, 원창리 지역은 119개의 데이터를 이용하여 2차원 정사 영상을 획득하였다(Fig.
이를 위하여 안보 1리 지역은 999개, 원창리 지역은 154개의 영상을 촬영하여 데이터를 획득하였고, 2차원 정사 영상을 합성하였다. 합성 과정의 시간과 정확성을 높이기 위해 불필요한 영상과 경로가 겹쳐 촬영된 영상을 선별하여 제거하였기 때문에 안보 1리는 394개, 원창리 지역은 119개의 데이터를 이용하여 2차원 정사 영상을 획득하였다(Fig. 7(a), (b)).

이론/모형

기계학습(Machine learning)의 한 종류인 인공신경망 ANN은 인간 두뇌의 신경세포 간의 연결 관계를 모델링 한 것으로 시냅스 결합을 통해 네트워크를 형성한 뉴런이 반복 학습을 거쳐 시냅스의 결합 세기를 변화시켜 자료 내에 숨어있는 패턴을 찾아내는 모델링 기법이다(Paola and Schowengerdt, 1995). Fig. 3은 ANN의 모식도를 나타낸 것으로, ANN은 외삽 능력을 향상하기 위해 출력 레이어와 숨김 레이어에 선형함수와 시그모이드(Sig-moid) 함수를 각각 할당하고(Murmu and Biswas,2015), 주어진 출력과 입력 데이터 간의 오차를 최소화하기 위해 역전파 알고리즘(Back-Propagation on Algorithm)을 사용하였다. 역전파 알고리즘은 바이어스와 가중치를 갱신하는 방향이 데이터가 흘러가는 방향의 역방향으로 갱신하는 알고리즘이다(Kadavi and Lee, 2018).
따라서 학습 데이터 선정 및 감독 분류가 가능하다. 본 연구에서 학습 데이터는 Region Of Interest(ROI) tool을 이용하여 폴리곤(Polygon)으로 지정하였다. ANN과 SVM은 분석자가 선정한 학습 데이터를 분류하기 때문에 실제로 같은 토지 피복이라 하더라도 영상에서 색이 다르게 나타나면 다른 토지피복으로 인식할 수 있다.
감독 분류는 산림 조사, 국토 모니터링 등에 필요한 토지 피복 분류에 사용하는 기법의 하나며, 분석자가 분류 항목 및 각 분류 항목별 학습 데이터를 지정하면, 학습 데이터의 특징을 기준으로 각 픽셀이 어떤 학습 데이터와 유사한지 판별하여 영상을 분류하는 방법이다. 본 연구에서는 인공신경망을 이용한 분류 기법에 해당하는 ANN과 SVM을 사용하였다(Yuan et al., 2009; Kadaviand Lee, 2018).

성능/효과

10(a)), SVM(Fig. 10(b)) 분류 결과 ANN과 SVM 방법 모두 토지피복 분포가 유사하게 분류되었음을 볼 수 있다. 토지 피복 분류 결과 소나무재선충병 의심목 후보군 4개인 ⓓ~ⓖ 중에 Fig.
8(b))분류 결과를 가시 영상(Fig. 7(c))과 비교했을 때 가시 영상에서 후보군으로 추정했던 ⓐ~ⓒ 모두 소나무재선충병 의심목으로 분류되었음을 확인할 수 있다. 여기서 실제 알고 있던 의심목은 ⓑ였으며, 재선충병 의심목 후보군인 ⓐ~ⓒ 위치의 무인항공기 영상을 확인해 본 결과 Fig.
안보 1리 일대 산림의 소나무재선충병 의심목으로 탐지된 위치를 확인한 결과,ⓐ는 도로였으며, ⓑ는 본 연구에서 위치를 파악하고 있던 실제 소나무재선충병 의심목이었다. ⓒ는 산림 깊은 곳에 있어 현장 조사가 용이하지 않기 때문에 본 연구에서 위치를 파악하고 있지 않은 지역이나, 본 연구의 감독 분류 과정을 통해 소나무재선충병 의심목을 탐지할 수 있었다. 안보 1리 일대 산림의 오차 행렬을 이용한 정확도 산출 결과 ANN 기법을 적용하였을 때 90.
검증 지역으로는 강원대학교 연적지, 새롬관 일대 산림을 선정하였으며, 연구 지역과 동일한 방법으로 사진을 취득, 가공한 후 감독 분류를 실시하고 현장 조사를 시행하였다. 각각 50개의 지점에 대한 현장 조사 결과 연 적지 일대 산림의 현장 조사 정확도는 ANN 92%, SVM 94%이고, 새롬관 일대 산림의 현장 조사 정확도는 ANN 90%, SVM 94%로 계산되었다. 따라서 감독 분류 결과는 신뢰할 수 있으며, 무인항공기를 이용한 원격탐사 및 감독 분류기법은 소나무재선충병 의심목 탐지에 적합하다고 할 수 있다.
또한 본 연구 결과의 신뢰도를 검증하기 위하여 검증자료와 토지피복도를 기반으로 오차 행렬을 이용한 정확도를 계산하였다. 그 결과, 안보 1리 일대 산림의 경우 SVM, ANN 모두 재선충병 의심목에 대한 정확도가 각각 80% 이상으로 산출되었고, 종합 정확도는 ANN이 90.6%(Table 1), SVM이 95.4%(Table 2)로 SVM 분류 정확도가 4.8% 높게 나타났다. 이 결과는 감독 분류 기법이 재선충병 의심목을 잘 탐지하였음을 의미한다.
3% 높게 나타났다. 두 지역 모두 종합적으로 ANN과 SVM 분류 대부분 80% 정도의 정확도가 산출되었다. 하지만 오차 행렬을 통한 정확도 산출 방법은 분석자가 취득한 자료를 검증자료로써 산출하는 것이기 때문에 취득한 자료의 왜곡 등의 요인으로 신뢰도가 낮아질 수 있다.
각각 50개의 지점에 대한 현장 조사 결과 연 적지 일대 산림의 현장 조사 정확도는 ANN 92%, SVM 94%이고, 새롬관 일대 산림의 현장 조사 정확도는 ANN 90%, SVM 94%로 계산되었다. 따라서 감독 분류 결과는 신뢰할 수 있으며, 무인항공기를 이용한 원격탐사 및 감독 분류기법은 소나무재선충병 의심목 탐지에 적합하다고 할 수 있다. 특히 안보 1리 분류과정에서 학습 데이터로 선정하지 않은 깊은 산림에 위치한 재선충병 의심 목을 탐지하였고, 본 연구 결과가 물리적으로 접근하기 어려운 지역에 대하여 적합하게 적용할 수 있음을 확인할 수 있었다.
8% 더 높은 정확도를 나타냈다. 소나무재선충병 의심목 분류에 대한 ANN의 사용자 정확도, 제작자 정확도는 각각 99.43%, 84.60%, SVM은 각각 99.24%, 95.35%로 모두 80% 이상의 높은 정확도가 산출되었다. 이는 분류에 사용한 토지피복도상의 재선충병 의심목의 위치와 실제 지표에서의 위치가 매우 유사하며, ANN, SVM 기법을 이용한 소나무재선충병 의심목의 분류가 정확하다고 판단할 수 있다.
9과 같음을 알 수 있었다. 안보 1리 일대 산림의 소나무재선충병 의심목으로 탐지된 위치를 확인한 결과,ⓐ는 도로였으며, ⓑ는 본 연구에서 위치를 파악하고 있던 실제 소나무재선충병 의심목이었다. ⓒ는 산림 깊은 곳에 있어 현장 조사가 용이하지 않기 때문에 본 연구에서 위치를 파악하고 있지 않은 지역이나, 본 연구의 감독 분류 과정을 통해 소나무재선충병 의심목을 탐지할 수 있었다.
ⓒ는 산림 깊은 곳에 있어 현장 조사가 용이하지 않기 때문에 본 연구에서 위치를 파악하고 있지 않은 지역이나, 본 연구의 감독 분류 과정을 통해 소나무재선충병 의심목을 탐지할 수 있었다. 안보 1리 일대 산림의 오차 행렬을 이용한 정확도 산출 결과 ANN 기법을 적용하였을 때 90.6%(Table 1), SVM 기법을 적용하였을 때 95.4%(Table 2)의종합 정확도가 산출되었으며, SVM 분류가 4.8% 더 높은 정확도를 나타냈다. 소나무재선충병 의심목 분류에 대한 ANN의 사용자 정확도, 제작자 정확도는 각각 99.
11과 같이 무인항공기 영상과 비교했을때잘 일치한 것을 확인할 수 있었다. 원창리 일대 산림의 오차 행렬을 이용한 정확도 산출 결과 ANN 78.4%(Table 3), SVM 83.7%(Table 4)의 종합 정확도가 산출되었으며, SVM 분류가 5.3% 더 높은 정확도를 나타냈다. 원창리는 ANN의 종합 정확도가 비교적 낮게 산출되었는데, 이는 ANN의 분류 과정에서 학습 데이터는 식물로 입력하였으나 식물로 분류된 영역이 없는 것에 대한 오차로 판단된다.
원창리는 ANN의 종합 정확도가 비교적 낮게 산출되었는데, 이는 ANN의 분류 과정에서 학습 데이터는 식물로 입력하였으나 식물로 분류된 영역이 없는 것에 대한 오차로 판단된다. 재선충병 의심목 분류에 대한 ANN의 사용자 정확도, 제작자 정확도는 각각 94.08%, 86.67%,SVM은 각각 98.01%, 89.70%로 모두 80% 이상의 높은 정확도가 산출되었다. 이는 분류에 사용한 토지피복도상의 재선충병 의심목의 위치와 실제 지표에서의 위치가 매우 유사하다는 의미이며, 소나무재선충병 의심목을 ANN, SVM이 정확하게 분류하였다고 판단할 수 있다.
원창리 일대 산림도 재선충병 의심목에 대한 분류 정확도가 80%로 산출되었다. 종합 정확도를 산출한 결과 ANN의 분류 정확도는 78.4%, SVM 분류 정확도는 83.7%로 SVM 분류가 5.3% 높게 나타났다. 두 지역 모두 종합적으로 ANN과 SVM 분류 대부분 80% 정도의 정확도가 산출되었다.
10(b)) 분류 결과 ANN과 SVM 방법 모두 토지피복 분포가 유사하게 분류되었음을 볼 수 있다. 토지 피복 분류 결과 소나무재선충병 의심목 후보군 4개인 ⓓ~ⓖ 중에 Fig. 10 ⓔ,ⓕ만 소나무재선충병 의심목으로 분류되었으며, Fig. 10 ⓓ,ⓖ는 과수목으로 분류된다. Fig.
따라서 감독 분류 결과는 신뢰할 수 있으며, 무인항공기를 이용한 원격탐사 및 감독 분류기법은 소나무재선충병 의심목 탐지에 적합하다고 할 수 있다. 특히 안보 1리 분류과정에서 학습 데이터로 선정하지 않은 깊은 산림에 위치한 재선충병 의심 목을 탐지하였고, 본 연구 결과가 물리적으로 접근하기 어려운 지역에 대하여 적합하게 적용할 수 있음을 확인할 수 있었다. 따라서 감독분류기법은 파악하지 못하거나 접근하기 어려운 지역에 대하여 소나무재선충병 의심목 분류 및 탐지가 가능하여 현장 조사를 통해 발생하는 한계점을 보완할 수 있다.

후속연구

본 연구에서 사용한 감독 분류 기법인 ANN과 SVM은 소나무재선충병과 같이 뚜렷한 외관상의 특징이 있는 산림 재해에 대한 조사 및 모니터링 분야에서 활용 가치가 높을 것으로 예상되며, 특히 연구에 사용한 가시 영상은 분광 영상보다 획득이 용이하며 비용적인 측면에서 이점이 있기 때문에 활용 가능성이 높을 것으로 생각된다. 더욱이 무인항공기를 이용하여 넓은 지역의 고해상도 지도를 작성하고 고사목 후보군을 추출하여 그 지역의 고사목을 확인한다면 경제적인 효과뿐만 아니라 시간적인 측면에서도 매우 단축할 수 있기 때문에 신속한 대응을 가능하게 하므로 소나무재선충병 피해를 최소화할 수 있는 효과를 얻을 수 있을 것으로 기대된다.
그러나 높은 정확성에도 불구하고 본 연구는 무인항공기를 촬영 중 태양고도 변화에 의한 광량의 차이, 지형 경사에 의해 영상의 합성과정 중 생긴 영상 왜곡 등이 오차 요인으로 작용한다. 따라서 분류 정확도 향상을 위해서는 무인항공기 영상 촬영 과정에서 태양의 고도가 낮은 시간대에 촬영을 피하여 광량의 차이를 최소화하는 등 영상 왜곡을 줄여 정확한 영상을 취득해야 할 것으로 판단된다.
본 연구에서 사용한 감독 분류 기법인 ANN과 SVM은 소나무재선충병과 같이 뚜렷한 외관상의 특징이 있는 산림 재해에 대한 조사 및 모니터링 분야에서 활용 가치가 높을 것으로 예상되며, 특히 연구에 사용한 가시 영상은 분광 영상보다 획득이 용이하며 비용적인 측면에서 이점이 있기 때문에 활용 가능성이 높을 것으로 생각된다. 더욱이 무인항공기를 이용하여 넓은 지역의 고해상도 지도를 작성하고 고사목 후보군을 추출하여 그 지역의 고사목을 확인한다면 경제적인 효과뿐만 아니라 시간적인 측면에서도 매우 단축할 수 있기 때문에 신속한 대응을 가능하게 하므로 소나무재선충병 피해를 최소화할 수 있는 효과를 얻을 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	역전파 알고리즘(Back-Propagation on Algorithm)의 기대효과는?	두 번째 단계는 목표 출력과 첫 번째 단계에서의 출력 차이를 계산하여 오차를 계산하고 각 층의 가중치와 바이어스를 갱신하는 것이다. 갱신한 가중치와 바이어스를 이용하여 다시 전 방향으로 출력하게 되면 첫 번째 단계에서 얻은 출력보다 오차가 적어진다. 이 과정을 반복하면서 계산 값과 실제 값의 차이를 최소화 시키는 분류를 진행하는 방법이다(Robert, 1992).
	소나무재선충병이란?	산림 병해 중 하나인 소나무재선충병은 우리나라 소나무림에 심각한 위협이 되는 질병이다. 소나무 재선충을 보유한 매개충(북방수염하늘소, 솔수염하늘소 등)이 나무 사이를 이동하며, 나무를 섭취할 때 소나무 재선충이 나무 조직 내부로 침입 및 증식하여 뿌리로부터 올라오는 수분과 양분 이동을 방해하여 나무를 말라 죽게 하는 병이다(Kim et al., 2003).
	무인항공기를 활용한 원격탐사의 장점은 무엇인가?	, 2017). 특히, 무인항공기를 활용한 원격탐사는 신속성, 동시성을 가지며 소규모 지역에 대해 고해상도 영상자료를 얻을 수 있기 때문에 특정 장소에 대하여 더욱 정밀한 분석이 가능하다(Choi et al., 2011; Kim et al.

참고문헌 (34)

Baek, K.H., 2005. Forest pest division and pine wilt disease, Proc. of Busan Development Forum, Busan, vol. 2005, no. 96, pp. 88-89.
Baek, W.K., S.H. Park, N.K. Jeong, S.K. Kwon, W.J. Jin, and H.S. Jung, 2017. A study for the techniques and applications of NIR remote sensing based on statical analyses of NIR-related papers, Korean Journal of Remote Sensing, 33(5): 889-900 (in Korean with English abstract).
Cho, K.H., J. Heo, J.H. Jung, C.J. Kim, and K.M. Kim, 2011. Review and comparative analysis of forest biomass estimation using remotely sensed data: from five different perspectives, Spatial Information Research, 19(1): 87-96 (in Korean with English abstract).
Choi, K.A., J. Lee, and I. Lee, 2011. Development of a close-range real-time aerial monitoring system based on a low altitude unmanned air vehicle, Spatial Information Research, 19(4): 21-31 (in Korean with English abstract).
Choi, Y.R., J.S. Lee, and H.C. Yun, 2015. Extraction of forest resources using high density LiDAR data, Journal of the Korean Society of Survey Geodesy Photogrammetry, 33(2): 73-81 (in Korean with English abstract).

원문보기 상세보기
Cortes, C. and V. Vapnik, 1995. Support-vector networks, Machine Learning, 20(3): 273-297.

상세보기
Ha, S.R., C.K. Kyoung, S.Y. Park, and D.H. Park, 2002. Estimation of classification accuracy of JERS-1 satellite imagery according to the acquisition method and size of training reference data, Journal of Korean Association of Geographic information Studies, 5(1): 27-37 (in Korean with English abstract).
Jeon, Y.J. and J.I. Kim, 2003. Supervised classification systems for high resolution satellite images, Journal of Korean Institute of Information Scientists and Engineers, 9(3): 301-310 (in Korean with English abstract).
Jung, Y.J., 2015. Pine wood nematode, The Magazine of The Korean Society of Hazard Mitigation, 15: 124-128.
Kadavi, P.R. and C.W. Lee, 2018. Land cover classification analysis of volcanic island in Aleutian arc using an artificial neural network (ANN) and a support vector machine (SVM) from landsat imagery, Geosciences Journal, 22(4): 653-665.

상세보기
Kim, D.I., Y.S. Song, G. Kim, and C.W. Kim, 2014. A study on the application of UAV for korean land monitoring, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 32(1): 29-38 (in Korean with English abstract).

원문보기 상세보기
Kim, D.S., S.M. Lee, Y.J. Chung, K.S. Choi, Y.S. Moon, and C.G. Park, 2003. Emergence ecology of japanese pine sawyer, monochamus alternatus (coleoptera: cerambycidae), a vector of pinewood nematode, bursaphelenchus xylophilus, Korean Journal of Applied Entomology, 42(4): 307-313 (in Korean with English abstract).
Kim, M., W.K. Lee, T.H. Kwon, D.A. Kwak, Y.S. Kim, and S.H. Lee, 2011. Early detecting damaged trees by pine wilt disease using DI (detection index) from portable near infrared camera, Journal of Korean Forest Society, 100(3): 374-381 (in Korean with English abstract).
Kim, M.J., H.S. Bang, and J.W. Lee, 2017. Use of unmanned aerial vehicle for forecasting pine wood nematode in boundary area: a case study of Sejong metropolitan autonomous city, Journal of Korean Forest Society, 106(1): 100-109 (in Korean with English abstract).
Kim, S.R., E.S. Kim, Y. Nam, W.I. Choi, and C.M. Kim, 2015. Distribution characteristics analysis of pine wilt disease using time series hyperspectral aerial imagery, Korean Journal of Remote Sensing, 31(5): 385-394 (in Korean with English abstract).

원문보기 상세보기
Kim, Y.S., W.K. Lee, S.E. Jung, T.H. Kwon, and J.B. Kim, 2009. Early diagnosis of pine wilt disease with agricultural digital camera, Proc. of Journal of Korean Forest Society, Seoul, Korea, Aug. 19, vol. 2009, pp. 388-391 (in Korean with English abstract).
Korea Forest Service, 2016, National forest inventory report, Korea Forest Service, Daejeon, Korea, pp. 1-192.
Ku, C.Y., 2011. A study on managing and processing the images with different spatial resolution for the systemic land cover classification, The Geographical Journal of Korea, 45(3): 375-386 (in Korean with English abstract).
Lee, C.M., T.H. Lim, S.M. Lee, I.S. Mun, S.S. Han, and D.W. Lee, 2015. Nematicidal and reproduction supression activity of actinomyces isolates against pine wood nematode, bursaphelenchus xylophilus, Korean Journal Pesticide Science, 19(2): 141-150 (in Korean with English abstract).

원문보기 상세보기
Lee, D.K., J.E. Ryu, E.Y. Kim, and S.W. Jeon, 2008. Analysis of forest structure using lidar data - a case study of forest in Namchon-dong, Osan, Journal of Environmental Impact Assesment, 17(5): 279-288 (in Korean with English abstract).
Lee, H.J., J.H. Ryu, S.R. Yand, and D.S. Koo, 2011. Extraction forest information by using highresolution satellite image and lidar data for calculate forest biomass, Proc. of Korean Society for Geospatial Information Science Symposium, Ilsan, Korea, Oct. 28, pp. 99-100.
Lee, K.W. and J.K. Park, 2019. Economic evaluation of unmanned aerial vehicle for forest pest monitoring, Journal of the Korea Academia-Industrial cooperation Society, 20(1): 440-446 (in Korean with English abstract).

원문보기 상세보기
Murmu, S. and S. Biswas, 2015. Application of fuzzy logic and neural network in crop classification: a review, Aquatic Procedia, 4: 1203-1210.

상세보기
Pakhale, G.K. and P.K. Gupta, 2010. Comparison of advanced pixel based (ANN and SVM) and object-oriented classification approaches using landsat-7 Etm+ data, International Journal of Engineering and Technology, 2(4): 245-251.
Paola, J.D. and R.A. Schowengerdt, 1995. A review and analysis of backpropagation neural networks for classification of remotely-sensed multi-spectral imagery, International Journal of Remote Sensing, 16(16): 3033-3058.

상세보기
Park, T.J., W.K. Lee, M.I. Kim, and G.S. Cui, 2011. Application proposal of remotely sensed data for scale expansion and transformation of forest volume from National Forest Inventory, Proc. of Korean Society for Geospatial Information Science Symposium, Ilsan, Korea, Oct. 28, pp. 197-200.
Robert, H.N., 1992. Theory of the Backpropagation Neural Network, Neural Networks for Perception Computation, Learning, and Architectures, Academic Press, MA, USA.
Smola, A.J. and B. Scholkopf, 2004. A tutorial on support vector regression, Statistics and Computing, 14(3): 199-222.

상세보기
Story, M. and R.G. Congalton, 1986. Accuracy assessment: a user's perspective, Photogrammetric Engineering and Remote Sensing, 52(3): 397-399.

상세보기
Vapnik, V.N., 1995. The Nature of Statistical Learning Theory, Springer New York, NY, USA.
Xiu, L.N. and X.N. Liu, 2003. Current status and future direction of the study on artificial neural network classification processing in remote sensing, Remote Sensing Technology and Application, 18(5): 339-345.

상세보기
Yim, J.S., W.S. Han, J.H. Hwang, S.Y. Chung, H.K. Cho, and M.Y. Shin, 2009. Estimation of forest biomass based upon satellite data and national forest inventory data, Korean Journal of Remote Sensing, 25(4): 311-320 (in Korean with English abstract).
Yuan, H., D.W.C. Vanand, and S. Khorram, 2009. An automated artificial neural network system for land use/land cover classification from Landsat TM imagery, Journal of Remote Sensing, 1(3): 243-265.
Zhao, B.G., K. Futai, J.R. Sutherland, and Y. Takeuchi, 2008. Pine Wilt Disease, Springer Japan, Tokyo, Japan.

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