[논문]다중시기 항공 LiDAR를 활용한 도시림 개체목 수고생장분석

김성열; 김휘문; 송원경; 최영은; 최재용; 문건수

doi:10.13087/kosert.2019.22.5.1

다중시기 항공 LiDAR를 활용한 도시림 개체목 수고생장분석
Analysis of the Individual Tree Growth for Urban Forest using Multi-temporal airborne LiDAR dataset 원문보기

環境復元綠化 = Journal of the Korean Society of Environmental Restoration Technology, v.22 no.5, 2019년, pp.1 - 12

김성열 (단국대학교 생명자원과학과) , 김휘문 (단국대학교 생명자원과학과) , 송원경 (단국대학교 생명자원과학과) , 최영은 (충남대학교 산림환경자원학과) , 최재용 (충남대학교 산림환경자원학과) , 문건수 (삼아항업(주))

Abstract ▼ AI-Helper

It is important to measure the height of trees as an essential element for assessing the forest health in urban areas. Therefore, an automated method that can measure the height of individual tree as a three-dimensional forest information is needed in an extensive and dense forest. Since airborne LiDAR dataset is easy to analyze the tree height(z-coordinate) of forests, studies on individual tree height measurement could be performed as an assessment forest health. Especially in urban forests, that adversely affected by habitat fragmentation and isolation. So this study was analyzed to measure the height of individual trees for assessing the urban forests health, Furthermore to identify environmental factors that affect forest growth. The survey was conducted in the Mt. Bongseo located in Seobuk-gu. Cheonan-si(Middle Chungcheong Province). We segment the individual trees on coniferous by automatic method using the airborne LiDAR dataset of the two periods (year of 2016 and 2017) and to find out individual tree growth. Segmentation of individual trees was performed by using the watershed algorithm and the local maximum, and the tree growth was determined by the difference of the tree height according to the two periods. After we clarify the relationship between the environmental factors affecting the tree growth. The tree growth of Mt. Bongseo was about 20cm for a year, and it was analyzed to be lower than 23.9cm/year of the growth of the dominant species, Pinus rigida. This may have an adverse effect on the growth of isolated urban forests. It also determined different trees growth according to age, diameter and density class in the stock map, effective soil depth and drainage grade in the soil map. There was a statistically significant positive correlation between the distance to the road and the solar radiation as an environmental factor affecting the tree growth. Since there is less correlation, it is necessary to determine other influencing factors affecting tree growth in urban forests besides anthropogenic influences. This study is the first data for the analysis of segmentation and the growth of the individual tree, and it can be used as a scientific data of the urban forest health assessment and management.

주제어

표/그림 (7)

그림 Figure 1. Location of study area, Mt. Bongseo Mt Cheonan si. Chungcheongnam-do. Main survey area is designated by white solid line
그림 Figure 2. A Workflow for the segmentation of the Individual tree and analysis of influencing factors
그림 Figure 3. (a) : Result of segmentation using Watershed segment algorithm in the Mt. Bongseo. Comparison site of two segmentation methods is designated by white square box. (b) is result by using Watershed segment algorithm, (c) is result by using supervised Imagery classification.
그림 Figure 4. Difference between lateral and vertical growth in terms of detection of LiDAR pulses
표 Table 1. Comparison of the average height value and growth quantity in two periods of CHM, lateral and vertical growth, vertical growth only
표 Table 2. Growth quantity of differences in forest type class(age, diameter, density) and Soil Characteristics(effective soil depth, Soil drain)
표 Table 3. Correlation between individual tree growth and environmental factor affecting the tree growth

AI 본문요약
AI-Helper

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

문제 정의

이에 본 연구는 LiDAR 데이터를 활용하여 침엽수림을 대상으로 자동화된 방법으로 개체목을 추출하고, 다중시기 항공 LiDAR 데이터를 통해 수고 생장을 정량화하고자 한다. 더 나아가 수고생장에 미치는 환경요인을 분석하여, 개체목 단위의 수고 생장에 영향을 미치는 환경변수를 파악하고자 한다.
개체목을 추출하는 과정에서 격자단위의 분석은 위치오차를 발생시킬 수 있는데, 이는 항공사진측량 규정의 오차범위 내로서 허용될 수 있는 수준이라 판단된다. 더불어 오차를 최소화하기 위해 격자크기를 0.5m로 선정함으로서 이를 극복하고자 하였다. 따라서 본 연구방법은 자동화된 추출방법으로 고밀도의 넓은 지역에 적용할 수 있는 방법이라 판단된다.
또한 10cm급 고해상도 정사영상의 영상판독을 통한 개체목 추출과 비교·검증하여 한계를 극복하고자 하였다.
이를 통해 도시림 복원 및 관리와 산림 건강성 평가 등 객관적인 수치를 통한 과학적인 자료가 될 것이라 사료된다. 이에 더불어 도시림 수고생장에 미치는 요인들을 분석함으로서 개체목 단위 수고생장에 교란요인들을 파악할 수 있었다. 개체목 단위의 수고생장량 분석에 대한 국내 첫 자료로서 접근이 어려운 산림 내에서 개체목 단위 분석과 보다 정확한 도시림의 건강성 평가 및 관리가 가능할 것으로 판단된다.
이에 본 연구는 LiDAR 데이터를 활용하여 침엽수림을 대상으로 자동화된 방법으로 개체목을 추출하고, 다중시기 항공 LiDAR 데이터를 통해 수고 생장을 정량화하고자 한다. 더 나아가 수고생장에 미치는 환경요인을 분석하여, 개체목 단위의 수고 생장에 영향을 미치는 환경변수를 파악하고자 한다.

제안 방법

유역분할알고리즘을 적용한 이후 수목 최고지점(Tree- top Points)을 식별하고자 국부최대값 방법(Local Maxima Method)을 통해 수행되고 이는 CHM상 인접한 격자의 높이 값보다 높거나 같을 때 검출된다(Palenichka, 2013). 개체목 내 여러 개의 수목 최고지점 식별을 피하기 위해, 수관 내 평탄한 표준 CHM을 산출하고 국부최대값인 수목 최고지점을 추출하였다(Chen et al 2006). 생성된 수목 최고지점에서 CHM의 높이 값(Height Value)을 각 개체목의 수고로 인식할 수 있으며, 두 시기의 높이 값 차이를 통해 2016년부터 2017년까지 수고 생장을 확인하였다.
개체목 수고 생장량을 파악하고 수고 생장에 영향을 끼치는 요인을 파악하기 위해, 두 시기 항공 LiDAR 데이터를 활용하여 개체목을 추출하였고 요인 별 생장량을 확인하였다. 유역기반 분할 알고리즘과 국부최대값 방법을 통해 추출된 개체목을 검증하기 위해 봉서산 일부지역을 대상으로 10cm급 항공사진의 감독분류 결과와 비교하였다.
개체목 추출은 항공 LiDAR를 이용하여 수목형상 자료가 포함된 CHM(Canopy Height Model)자료를 제작하고, 유역분할알고리즘을 적용한 과정으로 진행되었다. CHM은 지형, 건물, 수목 등의 높이 정보를 포함하고 있는 수치표면모델(Digital Surface Model)과 지형자료만 포함하고 있으며 앞서 활용된 수치표고모델의 차분영상으로부터 생성된다.
또한 두 시기 데이터의 점밀도 차이에서 오차가 발생할 수 있는 가능성이 있다. 그러나 두 시기의 LiDAR 데이터의 높이 값을 보정하기 위하여 동시에 탐지된 건물 옥상지점을 통해 높이 차를 보완 하였다. 또한 10cm급 고해상도 정사영상의 영상판독을 통한 개체목 추출과 비교·검증하여 한계를 극복하고자 하였다.
수치표면모델자료와 수치표고모델자료는 이미지기반의 자료로 격자단위로 구성된다. 대상지역의 고점밀 항공 LiDAR를 이용하여 수목 형상과 정밀 개체목 추출을 위해 격자단위를 0.5mX0.5m로 설정하였으며, 두 자료의 격자자료가 일치하도록 Layer Stacking을 수행하였다. Layer Stacking은 동일한 격자일지라도 격자자료의 시작지점이 다를 경우 계산 시 발생하는 오차를 최소화하는 방법이다(Ayrey et al, 2017).
이 때 수목의 수고생장은 영급, 경급, 밀도별로 다르게 나타난다. 따라서 상관관계 분석은 침엽수에서 가장 많은 비율을 나타내는 리기다소나무, 4영급, 중경목, 중밀도의 개체를 대상으로 수행하였다. 도로와의 거리(r=0.
또한 산림입지토양도를 통해 토양 특성 별 개체목 수고 생장량 분석을 진행하였다.
이 때 수목 과추출(over-segmentation) 방지를 위해 평균 수관 폭보다 작은 수관은 제거하였다. 보다 정확한 개체목 추출 검증을 위해 항공사진의 영상판독 감독분류 방법으로 개체목을 추출하였고 이와 비교 검증을 수행하였다. 유역분할알고리즘을 적용한 이후 수목 최고지점(Tree- top Points)을 식별하고자 국부최대값 방법(Local Maxima Method)을 통해 수행되고 이는 CHM상 인접한 격자의 높이 값보다 높거나 같을 때 검출된다(Palenichka, 2013).
1m급 항공정사영상을 활용하였으며 객체기반 이미지 분류기법(Objective based Image Classification)을 통해 수목 지역과 침엽수림을 분류하였다. 보다 정확한 수목지역을 분류하기 위해 5m이상은 교목지역(수목지역), 5m미만은 관목 및 비수목지역으로 분류하였다.
개체목 내 여러 개의 수목 최고지점 식별을 피하기 위해, 수관 내 평탄한 표준 CHM을 산출하고 국부최대값인 수목 최고지점을 추출하였다(Chen et al 2006). 생성된 수목 최고지점에서 CHM의 높이 값(Height Value)을 각 개체목의 수고로 인식할 수 있으며, 두 시기의 높이 값 차이를 통해 2016년부터 2017년까지 수고 생장을 확인하였다. 유역분할알고리즘과 국부최대값 방법을 활용한 개체목 추출과 수고생장의 모든 분석은 Arcmap 10.
표고와 경사도와 같은 지형적 변수는 LiDAR 데이터로부터 생성된 수치표고모델로부터 생성하였다. 수치지형도를 활용하여 모든 개체목으로부터 도로와 거리를 계산을 통해 거리변수를 구축하였고, 임상도로부터 수종, 영급, 경급, 소밀도를 구분하고 산림입지토양도를 통해 토성, 유효토심(Effective Soil Depth), 토양배수등급도 (Soil Drain)를 구분하였다. 토양습윤지수(TWI)는 상위경사면의 면적과 경사도를 통해 대상지점 수분 응집 정도를 추정하는 지수로서 토양의 습윤 한 정도를 파악할 수 있다(TWI = In(A/tanB), A: 누적집수량, B: 기울기); Bevenand and Kirkby, 1979).
개체목 수고 생장량을 파악하고 수고 생장에 영향을 끼치는 요인을 파악하기 위해, 두 시기 항공 LiDAR 데이터를 활용하여 개체목을 추출하였고 요인 별 생장량을 확인하였다. 유역기반 분할 알고리즘과 국부최대값 방법을 통해 추출된 개체목을 검증하기 위해 봉서산 일부지역을 대상으로 10cm급 항공사진의 감독분류 결과와 비교하였다. 개체목이 영상판독에 의해 과추출 되었지만 상당히 높은 수준으로 지리적 정확도를 보였다.
)를 활용하였다. 이 때 두 시기의 LiDAR 데이터 상 공통적으로 탐지된 건물 옥상을 기준으로 각 LiDAR 데이터의 높이 값을 보정하였다.
이때 거리변수는 도로와의 거리로서 국토지리정보원에서 제공하는 수치지형도를 통해 구축하였으며, 지형적인 변수인 고도와 기울기, 태양복사에너지, 토양습윤지수(TWI : Topographic Wetness Index)를 구축하기 위해 2017년 12월 12일 촬영된 LiDAR데이터를 이용하여 수치표고모델을 구축·활용하였다.
토양습윤지수(TWI)는 상위경사면의 면적과 경사도를 통해 대상지점 수분 응집 정도를 추정하는 지수로서 토양의 습윤 한 정도를 파악할 수 있다(TWI = In(A/tanB), A: 누적집수량, B: 기울기); Bevenand and Kirkby, 1979). 이를 통해 각 환경변수들이 생장량에 미치는 영향을 분석하였다. 임상도에서 나타난 수목의 영급, 경급, 수관밀도에 따른 생장량을 파악하였고 산림입지토양도에서 구분된 토성, 유효토심, 토양배수등급에 따른 개체목 단위 수고생장량을 파악하기 위하여 paired t-test와 one-way ANOVA분석을 수행하였다.
4). 이에 같은 수목 최고지점 내 수관 측방생장을 제외하고 개체목 수고 생장량을 분석하였다. 그 결과 개체목 수고생장은 평균 0.
추출된 개체목의 생장량에 영향을 끼치는 요인을 파악하기 위한 환경변수 데이터를 구축하였다. 이에 수종분포, 영급, 경급, 토성(Soil texture) 등을 획득하기 위해 1:5000 정밀임상도와 1:5000 산림입지토양도를 활용하였다. 거리, 지형적인 변수를 위한 데이터는 1:5000의 수치지형도와 본 연구에서 구축한 수치표고모델(Digital Terrain Model)자료를 활용하였다.
데이터 전처리과정 중 오류값을 제거하기 위해 라이다 펄스의 포인트 클라우드(Point Cloud)가 건물에 의해 반사가 일어나 정상적인 위치보다 멀리 떨어진 곳에 생성되거나(low point), 비행기 또는 조류에 의해 생성된 점(air point)을 수작업으로 분류하였다(Choi, 2018). 이후 점군데이터는 지표면(Ground)과 낮은 식생(Low Vegetation), 중간 식생(Medium Vegetation), 높은 식생(High Vegetation), 건물(Building)로 분류하였으며, Terrasolid 소프트웨어(Terrasolid Oy Inc.)를 활용하였다. 이 때 두 시기의 LiDAR 데이터 상 공통적으로 탐지된 건물 옥상을 기준으로 각 LiDAR 데이터의 높이 값을 보정하였다.
임상도 오류를 수정하고 수목·비수목지역, 침엽·활엽수를 구분하고자 삼아항업(주)에서 2017년 12월에 촬영한 공간해상도 0.1m급 항공정사영상을 활용하였으며 객체기반 이미지 분류기법(Objective based Image Classification)을 통해 수목 지역과 침엽수림을 분류하였다.
주변 환경과 개체목 단위 수고생장량의 관계를 파악하기 위해 도로와의거리, 토양습윤지수 (TWI), 토양배수등급, 유효토심, 태양복사에너지, 경사도, 고도에 따른 상관관계를 분석하였다. 이 때 수목의 수고생장은 영급, 경급, 밀도별로 다르게 나타난다.
추출된 개체목 생장량에 영향을 끼치는 요인을 파악하기 위해, 참고문헌을 토대로 도시림의 수고 생장에 영향을 미칠 것으로 판단되는 변수를 표고(Elevation), 향(Aspect), 경사도(Slope), 도로와의 거리, 수종, 수목의 연령, 토성, 토양습윤지수 등으로 선정하였다. 앞서 도출된 개체목 단위 수고 생장량과 주변 환경요인과 관계를 확인하고자 환경변수 간 피어슨 상관분석을 실시하였다.
추출된 개체목의 생장량에 영향을 끼치는 요인을 파악하기 위한 환경변수 데이터를 구축하였다. 이에 수종분포, 영급, 경급, 토성(Soil texture) 등을 획득하기 위해 1:5000 정밀임상도와 1:5000 산림입지토양도를 활용하였다.

대상 데이터

이에 수종분포, 영급, 경급, 토성(Soil texture) 등을 획득하기 위해 1:5000 정밀임상도와 1:5000 산림입지토양도를 활용하였다. 거리, 지형적인 변수를 위한 데이터는 1:5000의 수치지형도와 본 연구에서 구축한 수치표고모델(Digital Terrain Model)자료를 활용하였다. 이때 거리변수는 도로와의 거리로서 국토지리정보원에서 제공하는 수치지형도를 통해 구축하였으며, 지형적인 변수인 고도와 기울기, 태양복사에너지, 토양습윤지수(TWI : Topographic Wetness Index)를 구축하기 위해 2017년 12월 12일 촬영된 LiDAR데이터를 이용하여 수치표고모델을 구축·활용하였다.
따라서 본 연구방법은 자동화된 추출방법으로 고밀도의 넓은 지역에 적용할 수 있는 방법이라 판단된다. 두 시기 생장량을 파악하기 위한 개체목은 2017년 항공정사영상을 통해 검증된 개체목을 기준으로 선정하였다.
Layer Stacking은 동일한 격자일지라도 격자자료의 시작지점이 다를 경우 계산 시 발생하는 오차를 최소화하는 방법이다(Ayrey et al, 2017). 두 항공 LiDAR 데이터가 활엽수림 개엽(開葉) 전과 낙엽 이후 시기에 촬영되어, 침엽수림을 대상으로 수목지역을 추출하였다. 임상도 오류를 수정하고 수목·비수목지역, 침엽·활엽수를 구분하고자 삼아항업(주)에서 2017년 12월에 촬영한 공간해상도 0.
연구 대상지는 충남 천안시 서북구 서쪽에 위치한 봉서산으로 대단위 아파트, 도로 등 주거지 및 시가지로 둘러싸여 있는 고립된 도시림이다(Fig 1). 본 대상지는 2010년부터 현재까지 약 10회 이상 항공 LiDAR를 촬영해온 지역으로, 지속적인 LiDAR 데이터 구축이 이루어지고 있다. 이에 봉서산은 다중시기(Multi-temporal) 항공 LiDAR 데이터를 활용하여 3차원적인 산림자원정보를 취득하는데 유리한 지역이다.
8%가 3영급으로 성숙한 산림으로 확인되었다. 본 연구는 항공사진과 LiDAR의 촬영 시기를 고려하여 계절적 차이를 최소화하기 위해 봉서산의 침엽수림을 대상으로 하였다.
삼아항업(주)으로부터 대상지의 항공 LiDAR 데이터를 제공받았으며, 2016년 04월 06일(Day of year : 97)과 2017년 12월 12일(Day of year : 346)에 취득된 항공 LiDAR 데이터를 분석에 사용하였다.
연구 대상지는 충남 천안시 서북구 서쪽에 위치한 봉서산으로 대단위 아파트, 도로 등 주거지 및 시가지로 둘러싸여 있는 고립된 도시림이다(Fig 1). 본 대상지는 2010년부터 현재까지 약 10회 이상 항공 LiDAR를 촬영해온 지역으로, 지속적인 LiDAR 데이터 구축이 이루어지고 있다.

데이터처리

추출된 개체목 생장량에 영향을 끼치는 요인을 파악하기 위해, 참고문헌을 토대로 도시림의 수고 생장에 영향을 미칠 것으로 판단되는 변수를 표고(Elevation), 향(Aspect), 경사도(Slope), 도로와의 거리, 수종, 수목의 연령, 토성, 토양습윤지수 등으로 선정하였다. 앞서 도출된 개체목 단위 수고 생장량과 주변 환경요인과 관계를 확인하고자 환경변수 간 피어슨 상관분석을 실시하였다. 표고와 경사도와 같은 지형적 변수는 LiDAR 데이터로부터 생성된 수치표고모델로부터 생성하였다.
임상도를 기반으로 구분된 수목의 영급, 경급, 수관밀도에 따른 개체목 단위 생장량을 파악하고 평균간 비교를 위한 통계분석을 수행하였다. 그 결과 2영급 평균 0.
이를 통해 각 환경변수들이 생장량에 미치는 영향을 분석하였다. 임상도에서 나타난 수목의 영급, 경급, 수관밀도에 따른 생장량을 파악하였고 산림입지토양도에서 구분된 토성, 유효토심, 토양배수등급에 따른 개체목 단위 수고생장량을 파악하기 위하여 paired t-test와 one-way ANOVA분석을 수행하였다. 피어슨 상관관계 분석를 포함한 모든 통계적인 분석은 R statistical 3.
임상도에서 나타난 수목의 영급, 경급, 수관밀도에 따른 생장량을 파악하였고 산림입지토양도에서 구분된 토성, 유효토심, 토양배수등급에 따른 개체목 단위 수고생장량을 파악하기 위하여 paired t-test와 one-way ANOVA분석을 수행하였다. 피어슨 상관관계 분석를 포함한 모든 통계적인 분석은 R statistical 3.4.2와 R Studio 3.4.2를 사용하였다.

이론/모형

CHM을 토대로 유역분할알고리즘(Watershed Segmentation Algorithm)을 통해 개체목을 추출하였다. 능선과 집수지역을 찾아 각 지역을 분할하는 것을 유역분할알고리즘이라 하며(Jang et al, 2006), CHM의 높이 값(Hight Value)을 역산하여 나무가 유역으로 나타나게 유역분할알고리즘을 적용하였다(Vincent and Soille, 1991).
유역분할알고리즘과 국부최대값 방법을 활용한 개체목 추출과 수고생장의 모든 분석은 Arcmap 10.5(ESRI Inc.)를 이용하였다.

성능/효과

개체목 단위 도시림 수고 생장량은 국립산림과학원의 수고생장 지위곡선 생장량 보다 적은 0.2m/year로 분석되었다. 이는 도시에 고립된 수목들로 건강성이 다소 악화된 것으로 판단된다.
그 결과 2영급 평균 0.46m, 3영급 0.42m, 4영급 0.39m 생장한 것으로, 2영급에서 가장 높은 생장량을 보이는 것으로 분석되었으나 통계적으로 유의한 차이는 확인되지 않았다(F=0.55, p-value > 0.1).
그 결과 개체목 수고생장은 평균 0.40±0.25m로 확인되었다.
또한 두 시기 데이터의 점밀도 차이에서 발생할 수 있는 오차에 대한 가능성도 추후 정량적으로 파악할 필요가 있다. 그러나 LiDAR 데이터와 항공정사영상, 두 데이터를 활용하여 기존의 정사 영상만으로 추정 할 수 없었던 수고와 개체목을 보다 정확하게 산출하였으며 광범위한 대상지에서도 적용가능한 방법이라 사료된다.
항공사진에서 발생하는 그림자와 높은 수관밀도로 인해 오류가 발생하였고, 봉서산 전체가 아닌 일부 지역만을 추출하였기에 개체목 추출이 저추정 되었을 것이라 판단된다. 그러나 본 연구방법론이 영상을 통한 감독분류보다 숲틈지역 또는 비수목 및 관목지역의 추출 정확도가 높았다. 또한 두 가지 방법으로 추출된 개체목의 최고지점이 개체목 내부에 위치하는 정도를 파악한 결과, 개체목의 지리적인 위치는 94%이상 일치하였다.
25m로 확인되었다. 두 시기의 2년 평균 CHM의 평균 높이차는 0.32m, 측방생장을 고려하지 않은 수고 생장량은 0.33m로서, 측방 생장량을 제거하였을 때 수고생장량이 더 높은 정확도를 갖는 것으로 사료된다. 국립산림과학원 지위지수에 따르면 리기다소나무 생장량은 광릉지역에서 연간 23.
5m로 선정함으로서 이를 극복하고자 하였다. 따라서 본 연구방법은 자동화된 추출방법으로 고밀도의 넓은 지역에 적용할 수 있는 방법이라 판단된다. 두 시기 생장량을 파악하기 위한 개체목은 2017년 항공정사영상을 통해 검증된 개체목을 기준으로 선정하였다.
이는 도시에 고립된 수목들로 건강성이 다소 악화된 것으로 판단된다. 또한 CHM 평균 수고값 변화가 아닌 개체목 단위 생장량을 파악했으며, 수목의 수직생장에 대한 정확한 수고 생장량 분석결과라 사료된다. 수목 수고생장은 임상의 경급과 유효토심을제외하고 다른 임상 및 토양특성에 대한 생장량은 통계적으로 유의미한 차이를 확인하지 못했다.
그러나 본 연구방법론이 영상을 통한 감독분류보다 숲틈지역 또는 비수목 및 관목지역의 추출 정확도가 높았다. 또한 두 가지 방법으로 추출된 개체목의 최고지점이 개체목 내부에 위치하는 정도를 파악한 결과, 개체목의 지리적인 위치는 94%이상 일치하였다. 개체목을 추출하는 과정에서 격자단위의 분석은 위치오차를 발생시킬 수 있는데, 이는 항공사진측량 규정의 오차범위 내로서 허용될 수 있는 수준이라 판단된다.
항공 LiDAR의 포인트 클라우드를 통해 CHM을 생성하였으며 이를 통한 개체목 추출 결과 봉서산의 전체의 침엽수는 11,781본으로 확인됐다. 봉서산 내 일부지역 대상으로 항공사진 감독분류 결과와 비교해본 결과(Fig. 3), 유역분할 알고리즘을 이용한 개체목 추출은 1,915본, 항공사진 감독 분류결과 2,274본으로 분석 되었다. 이에 유역분할 알고리즘을 이용한 개체목 추출 결과가 저추정(Under-segmentation) 된 것을 확인하였다.
이에 봉서산은 다중시기(Multi-temporal) 항공 LiDAR 데이터를 활용하여 3차원적인 산림자원정보를 취득하는데 유리한 지역이다. 봉서산은 임상도에 따라 활엽수 중 상수리나무(Quercus acutissima), 침엽수인 리기다소나무(Pinus rigida), 낙엽송(Larix kaempferi)이 우세한 것으로 조사되었으며, 영급은 대상지 내 85.2%가 4영급, 13.8%가 3영급으로 성숙한 산림으로 확인되었다. 본 연구는 항공사진과 LiDAR의 촬영 시기를 고려하여 계절적 차이를 최소화하기 위해 봉서산의 침엽수림을 대상으로 하였다.
1). 영급과 수관밀도는 통계적으로 유의미하지 않았지만 수목 수고생장은 2영급, 소경목 중밀도에서 가장 높은 수고 생장량을 보였으며 이는 국립산림 과학원 리기다소나무의 생장량 지위곡선과 일치하는 결과였다. 또한 산림입지토양도를 통해 토양 특성 별 개체목 수고 생장량 분석을 진행하였다.
수목 생장량에 영향을 끼친 것으로 분석된 환경요인은 도로와의 거리와 태양복사에너지이다. 영향을 끼치는 정도가 작지만 통계적으로 매우 유의한 관계를 확인하였다. 이는 물리적, 인위적 영향요인 외 생장량에 영향을 끼치는 다른 영향요인에 대한 연구가 필요할 것으로 판단된다.
유효토심의 경우 20cm 미만, 20~50cm, 50~100cm로 구분하여 생장량 차이 분석 결과, 유효 토심 별 생장량은 평균 0.34m, 0.39m, 0.40m로 각 토심 별 통계적으로 유의미한 차이가 있다고 분석되었다(F=0.55, p-value < 0.001).
3), 유역분할 알고리즘을 이용한 개체목 추출은 1,915본, 항공사진 감독 분류결과 2,274본으로 분석 되었다. 이에 유역분할 알고리즘을 이용한 개체목 추출 결과가 저추정(Under-segmentation) 된 것을 확인하였다. 항공사진에서 발생하는 그림자와 높은 수관밀도로 인해 오류가 발생하였고, 봉서산 전체가 아닌 일부 지역만을 추출하였기에 개체목 추출이 저추정 되었을 것이라 판단된다.
추출된 개체목의 최고지점을 기준으로 2016년의 평균 수고값은 16.23 ± 3.35m였고 2017년의 평균 수고는 16.56 ± 3.39m로 생장량은 약 0.33m로 분석되었다.
1). 토양에 따른 생장량은 유효토심 50~100cm, 토양 배수 양호등급에서 가장 높은 생장량을 보였다. 본 연구는 침엽수 를 대상으로 수행하여, 대부분의 리기다소나무가 같은 토심이나 토양 배수등급의 토양에 분포 되어있기 때문이라 판단된다.
토양의 배수등급의 경우 “불량”, “약간 불량,” “양호”, “매우양호” 4가지로 구분하여 생장량 차이 분석 결과, 평균 생장량은 0.40m, 0.43m, 0.47m, 0.42m로 각 구분 별 생장량의 차이가 있었지만 통계적으로 유의미하지 않았다 (F=0.06, p-value < 0.1).
항공 LiDAR의 포인트 클라우드를 통해 CHM을 생성하였으며 이를 통한 개체목 추출 결과 봉서산의 전체의 침엽수는 11,781본으로 확인됐다. 봉서산 내 일부지역 대상으로 항공사진 감독분류 결과와 비교해본 결과(Fig.

후속연구

개체목 단위 수고 생장 관련 연구가 부족한 국내에서 자동화된 기법으로 개체목을 추출하고 수고 생장량을 분석하여 적용한 기초연구로서, 산림정보 취득에 활용될 수 있을 것이라 판단된다. 개체목 단위의 산림정보를 통해 수목의 변화를 보다 정밀하게 파악하여, 개체목단위 생태 복원이 가능할 것으로 사료된다.
개체목 단위 수고 생장 관련 연구가 부족한 국내에서 자동화된 기법으로 개체목을 추출하고 수고 생장량을 분석하여 적용한 기초연구로서, 산림정보 취득에 활용될 수 있을 것이라 판단된다. 개체목 단위의 산림정보를 통해 수목의 변화를 보다 정밀하게 파악하여, 개체목단위 생태 복원이 가능할 것으로 사료된다. 또한 정밀임상도의 숲틈과 같은 세부적인 산림정보와 수고와 같은 입체적인 정보를 축척하는데 활용될 수 있다.
이에 더불어 도시림 수고생장에 미치는 요인들을 분석함으로서 개체목 단위 수고생장에 교란요인들을 파악할 수 있었다. 개체목 단위의 수고생장량 분석에 대한 국내 첫 자료로서 접근이 어려운 산림 내에서 개체목 단위 분석과 보다 정확한 도시림의 건강성 평가 및 관리가 가능할 것으로 판단된다.
그러나 그 정도가 작아 물리적, 인위적인 영향 요인 외 도시림에서 수목 생장량에 영향을 끼치는 다른 영향 요인에 대한 연구가 필요하다.
소나무의 경우 생장량에 영향을 끼치는 요인으로 식생구조와 토양pH, 유기물량, 이 화학성에 따라 크게 영향을 받는 것으로 알려져 있다(Kim, 2003; Park, 1993; Park et al, 2017). 그러나 본 연구는 고해상도 항공정사영상을 통해 리기다소나무만을 추출하여 분석하였기에, 추후 연구에는 군락을 이루는 식생구조와 주변 수목과의 관계를 파악하는 것이 중요하다. 또한 토양 pH 및 총질소량 등과 같은 이화학성에 고려한 개체목 단위 수고생장량을 파악 할 필요가 있다.
또한 측방생장에 따른 LiDAR 펄스의 오차가 반영되지 못했다. 그러나 본 연구는 측방생장을 고려한 개체목 단위 수고생장량 분석 결과로서, 보다 정확한 생장량 추정이라 판단된다.
또한 숲틈지역 또는 비수목 및 관목 지역과 침엽수림 추출의 높은 정확도를 보였으며, 광범위한 지역을 유역분할알고리즘을 이용해 무감독 개체목 분류 방법을 적용한 연구로서 의의가 있다. 그러나 추후 연구에서는 현장조사를 통해 개체목추출 방법에 정확하고 정량적인 검증이 필요할 것으로 판단된다.
그러나 그 정도가 작아 물리적, 인위적인 영향 요인 외 도시림에서 수목 생장량에 영향을 끼치는 다른 영향 요인에 대한 연구가 필요하다. 도시림은 대기오염, 병충해 등 보다 다양한 환경 변수들이 존재할 수 있으므로, 앞서 분석된 요인 외 도시림 수고생장 영향을 미칠 수 있는 다양한 요인에 대한 연구가 필요할 것으로 판단된다.
본 연구는 침엽수 를 대상으로 수행하여, 대부분의 리기다소나무가 같은 토심이나 토양 배수등급의 토양에 분포 되어있기 때문이라 판단된다. 따라서 향후 연구에서는 토양에 따른 수목 생장량의 영향을 확인하기 위해 침엽수뿐만 아니라 활엽수와 혼효림 대상으로 연구가 필요하며, 토양특성이 다양한 대상지를 선정하여 연구를 진행하는 것이 중요할 것으로 판단된다.
도시생태계 내 수관밀도가 높은 도시산림에서는 산림정보 취득 목적으로 촬영된 LiDAR 데이터의 경우 적절한 점밀도가 보장되어야 한다. 또한 두 시기 데이터의 점밀도 차이에서 발생할 수 있는 오차에 대한 가능성도 추후 정량적으로 파악할 필요가 있다. 그러나 LiDAR 데이터와 항공정사영상, 두 데이터를 활용하여 기존의 정사 영상만으로 추정 할 수 없었던 수고와 개체목을 보다 정확하게 산출하였으며 광범위한 대상지에서도 적용가능한 방법이라 사료된다.
개체목 단위의 산림정보를 통해 수목의 변화를 보다 정밀하게 파악하여, 개체목단위 생태 복원이 가능할 것으로 사료된다. 또한 정밀임상도의 숲틈과 같은 세부적인 산림정보와 수고와 같은 입체적인 정보를 축척하는데 활용될 수 있다. 이를 통해 도시림 복원 및 관리와 산림 건강성 평가 등 객관적인 수치를 통한 과학적인 자료가 될 것이라 사료된다.
본 연구에서는 항측회사에서 제공받은 LiDAR 데이터를 사용하여 생장량을 파악하였는데, 높이 값과 개체목 추출에 대한 현장 검증이 수행되지 않아 그 한계가 있다. 또한 두 시기 데이터의 점밀도 차이에서 오차가 발생할 수 있는 가능성이 있다.
영향을 끼치는 정도가 작지만 통계적으로 매우 유의한 관계를 확인하였다. 이는 물리적, 인위적 영향요인 외 생장량에 영향을 끼치는 다른 영향요인에 대한 연구가 필요할 것으로 판단된다. 소나무의 경우 생장량에 영향을 끼치는 요인으로 식생구조와 토양pH, 유기물량, 이 화학성에 따라 크게 영향을 받는 것으로 알려져 있다(Kim, 2003; Park, 1993; Park et al, 2017).
또한 정밀임상도의 숲틈과 같은 세부적인 산림정보와 수고와 같은 입체적인 정보를 축척하는데 활용될 수 있다. 이를 통해 도시림 복원 및 관리와 산림 건강성 평가 등 객관적인 수치를 통한 과학적인 자료가 될 것이라 사료된다. 이에 더불어 도시림 수고생장에 미치는 요인들을 분석함으로서 개체목 단위 수고생장에 교란요인들을 파악할 수 있었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	LiDAR란?	LiDAR는 항공기에 탑재된 LiDAR장비에서 레이저 펄스(pulse)를 발사하고, 지표의 물체에서 반사되어 되돌아오는 시간과 방향을 측정하여 지표물의 정확한 3차원 좌표를 얻는 기술이다(Cho et al, 2003). 산림지역에서 레이저 반사 신호가 임목특성에 따라 다르게 나타나는 성질을 이용하여 산림정보 취득에 활용되고 있다(Nelson et al, 1997).
	항공사진과 같은 원격탐사도구의 단점은?	산림자원정보를 수집하기 위해서 항공사진을 활용하여 수관 및 수고를 추정하는 기법이 활용되고 있지만, 영상판독에 의한 방법을 광범위한 산림지역에 적용하기에는 어려움이 많다(Woo et al, 2007). 또한 항공사진과 같은 원격탐사도구는 태양의 고도에 따라 그림자로 인한 오차가 발생 할 수 있다는 단점이 있으며, 2차원적인 데이터를 다루기 때문에 높이 값(z 좌표) 한계가 있다. 따라서 산림에서 개체목을 추출하기 위한 자동화 기법과, 이로 인하여 고밀도 3차원 자료인 LiDAR(Light Detection and Ranging) 자료를 활용한 산림 정보 추출 연구들의 필요성이 대두되고 있다(Kim et al, 2009).
	상관관계 분석을 침엽수에서 가장 많은 비율을 나타내는 리기다소나무, 4영급, 중경목, 중밀도의 개체를 대상으로만 수행한 이유는?	주변 환경과 개체목 단위 수고생장량의 관계를 파악하기 위해 도로와의거리, 토양습윤지수 (TWI), 토양배수등급, 유효토심, 태양복사에너지, 경사도, 고도에 따른 상관관계를 분석하였다. 이 때 수목의 수고생장은 영급, 경급, 밀도별로 다르게 나타난다. 따라서 상관관계 분석은 침엽수에서 가장 많은 비율을 나타내는 리기다소나무, 4영급, 중경목, 중밀도의 개체를 대상으로 수행하였다.

참고문헌 (31)

Ayrey, E.？S. Fraver.？J. A. Kershaw.？L. S. Kenefic.？D. Hayes.？A. R. Weiskittel and B. E. Roth. 2017. Layer Stacking: A Novel Algorithm for Individual Forest Tree Segmentation from LiDAR Point Clouds. Canadian Journal of Remote Sensing. 43(1) : 16-27

상세보기
Beven, K. J and M. J. Kirkby. 1979. A physically based variable contributing area model of basin hydrology. Hydrologic Science Bulletin. 24(1) : 43-69

상세보기
Chen, Q.？D. Baldocchi.？P. Gong and M. Kelly. 2006. Isolating individual trees in a savanna woodland using smallfootprint LiDAR data. Photogramm. Eng. Remote Sens. 72(8) : 923-932.

상세보기
Cho, W. S.？Y. J. Lee and Y. S. Jwa. 2003. Automatic Extraction of Building using Aerial Photo and Airborne LiDAR Data. Korean Journal of Remote Sensing. 19(4) : 307-317. (in Korean)
Choi, H. J. 2018. Estimation of the Urban Forest Growth Using Multi-temporal LiDAR Dataset Seoul National University Master Thesis. (in korean)
Choi, J. Y..S. Y. Kim..H. M. Kim..W. K. Song..J. Y. Lee..W. T. Choi..G. S. Moon. 2018. Analysis of Individual Tree Change Using Aerial Photograph in Deforested area Before and After Road Construction. J. Korean Env. Res. Tech. 21(4):65-73. (in korean)
Clark, N. E.？R. Lovell.？B. W. Wheeler？S. L. Higgins？M. H. Depledge and K. Norris. 2014. Biodiversity, cultural pathways, and human health: a framework. Trends Ecol Evol 29(4) : 198-204

상세보기
Hopkinson, C.？L. Chasmer and R. J. Hall. 2008. The uncertainty in conifer plantation growth prediction from multi-temporal LiDAR datasets. Remote Sensing of Environment. 112(3) : 1168-1180.

상세보기
Jang, A. J？K. Y. Yu？Y. I. Kim and B. K. Lee. 2006. Estimation of Individual Tree and Tree Height using Color Aerial Photograph and LiDAR Data. Korean Journal of Remote Sesnsing. 22(6) : 543-551. (in korean)
Kim, D. Y？Y. W. Jang？Y. W. Choi？D. S. Baei and G. S. Cho. 2009. A Study on Forest Information Extraction using Airborne LiDAR Data. Korean Society of Civil Engineers Conference. Journal of cadastre and land informatix. 46(1) : 87-100. (in korean)
Kim. D. Y. 2010. Utilizing Airborne LiDAR to extract forest information. ChonBuK National University Master Thesis. (in korean)
Kim, D. Y？Y. W. Choi？G. S. Lee. and G. S. Cho. 2016. Extracting Individual Number and Height of Tree using Airborne LiDAR Data. Journal of Cadastre & Land Informatix. 46(1) : 87-100
Kim, H. S. 2003. A Study for the Comparison about the Growth Amountof Principal Kinds of Trees between the Urban Forest and the Natural Forest. Seoul university Master thesis. (in korean)
Lee, C. H.？D. S. Choi.？S. W. Lee.？E. Y. Kim..H. O. Jin.？J. H. Jeong.？C. Y. Lee and J. S. Oh. 2004. Growth and Photosynthetic rate of Pinus koraiensis and Pinus rigida in Banwol Industrial Region. J. Kor. For. En. 23(1):19-25. (in korean)
Lefsky, M. A.？W. B. Cohen and T. A. Spies. 2002. An evaluation of alternate remote sensing products for forest inventory, monitoring, and mapping of Douglas-fir forests in western Oregon. Canadian Journal of Forest Reaserch. 31(1) : 78-87
Ma, Q.？Y. Su and Q. Guo. 2017. Comparison of Canopy Cover Estimations From Airborne LiDAR, Aerial Imagery, and Satellite Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 10(9) : 4225-4236

상세보기
Mahoney, C.？H. Chris.？N. Kijun and E. V. Gorsel. 2017. Estimating Canopy Gap Fraction Using ICESat GLAS within Australian Forest Ecosystems. Remote sensing. 9(1) : 59

상세보기
National Institute of Forest Science. 2007. pitch pine(Pinus rigida) management plan.
National Institute of Forest Science. 2016. Timber Biomass and Forest Harvest Report
Nelson, R. F.？R. G. Oderwald and T. G. Gregoire. 1997. Separating the ground and airborne laser sampling phases to estimate tropical forest basal area, volume, and biomass. Remote Sensing of Environment. 60(3) : 311-326

상세보기
Korhonen, L.？I. Korpela.？J. Heiskanen and M. Maltamo. 2011. Airborne discrete-return LiDAR data in the estimation of vertical canopy cover, angular canopy closure and leaf area index. Remote Sensing of Environment. 115(4): 1065-1080.

상세보기
Norman, J. M. and G. S. Campbell. 1989. Canopy structure. Plant Physiological Ecology: Field methods and instrumentation : 301-325
Palenichka, R.？F. Doyon.A. Lakhssassi and M. B. Zaremba. 2013. Multi-scale segmentation of forest areas and tree detection in LiDAR images by the attentive vision method. IEEE J. 6(3) : 1313-1323.
Park, G. C. 1993. Relation of the physico-chemical properties of forest soil to site indices of Pinus koraiensis, Larix leptolepis, Pinus densiflora and Pinus densiflora for. erecta stands. Doctor's thesis, Gyeongsang Univ. (in korean)
Park, S. G.？S. H. Hong and C. J. Oh. 2017. A Study on Correlation Between the Growth of Korean Red Pine and Location Environment in Temple Forests in Jeollanam-do, Korea. Korean J. Environ. Ecol. 31(4) : 409-419. (in korean)

원문보기 상세보기
Sung, W. G.？D. G. Lee and Y. H. Kim. 2018. Analyzing Difference of Urban Forest Edge Vegetation Condition by Land Cover Types Using Spatio-temporal Data Fusion Method. J. Environ. Impact Assess. 27(3): 279-290. (in korean)
Vepakomma, U.？B. St-Onge and D. Kneeshaw. 2008. Spatially explicit characterization of boreal forest gap dynamics using multi-temporal LiDAR data. Remote Sensing of Environment. 112(5) : 2326-2340.

상세보기
Vepakomma, U.B. St-Onge and D. Kneeshaw. 2011. Response of a boreal forest to canopy opening: Assessing vertical and lateral tree growth with multi-temporal LiDAR data. Ecological Applications. 21(1) : 99-121.

상세보기
Vincent, L. and P. Soille. 1991. Watersheds in digital spaces: an ecient algorithm based on immersion simulations. IEEE PAMI. 13(6) : 583-598.

상세보기
Woo, C. S.J. S. Yoon？J. I. Shin and K. S. Lee. 2007. Automatic Extraction of Individual Tree Height in Mountainous Forest Using Airborne LiDAR Data. Korean Society of Forest Science. 96(3): 251-258. (in korean)
Zhao, K and S. Popescu. 2009. LiDAR-based mapping of leaf area index and its use for validating GLOBCARBONsatellite LAI product in a temperate forest of the southern USA. Remote Sensing of Environment. 113(8) : 1628-1645

상세보기

저자의 다른 논문 :

LOADING...

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