[논문]3차원 포인트 클라우드 기반 복셀화에 의한 식생의 물리적 구조 재구현

안명희; 장은경; 배인혁; 지운

doi:10.12652/ksce.2020.40.6.0571

[국내논문] 3차원 포인트 클라우드 기반 복셀화에 의한 식생의 물리적 구조 재구현
Reconfiguration of Physical Structure of Vegetation by Voxelization Based on 3D Point Clouds 원문보기

KSCE Journal of Civil and Environmental Engineering Research = 대한토목학회논문집, v.40 no.6, 2020년, pp.571 - 581

안명희 (한국건설기술연구원 국토보전연구본부) , 장은경 (한국건설기술연구원 국토보전연구본부) , 배인혁 (과학기술연합대학원대학교 건설환경공학) , 지운 (한국건설기술연구원 국토보전연구본부, 과학기술연합대학원대학교 건설환경공학)

초록
AI-Helper

하천에 광범위하게 활착되는 식생은 수위 변화 및 흐름 저항에 절대적인 영향을 미칠 뿐만 아니라 하천 시스템 전반에 영향을 미치는 중요 요소이다. 따라서 유입되는 식생의 형태와 규모를 정확하게 파악하는 것이 매우 중요함에도 불구하고 현장에서 이를 파악하기란 쉽지 않은 일이다. 따라서 최근에는 지상 레이저 스캐닝 등을 활용하여 대용량의 식생 정보를 취득하는 연구가 시도되고 있다. 그러나 식생의 복잡한 형상으로 인해 캐노피 영역의 정확한 정보를 획득하기 어려우며, 자연적인 영향에 매우 민감하게 반응한다는 한계가 있다. 본 연구에서는 3차원 지상 레이저 스캐닝을 통해 수집된 고해상도의 포인트 클라우드 데이터를 복셀 형식으로 재구현하여 식생의 물리적 구조를 분석하였다. 먼저 잎이 없는 단순한 형태, 잎이 있는 완전한 형태의 식생 및 패치 규모 식생 조건으로 설정하여 각각의 물리적 구조를 분석하였다. 이를 위해 측정된 데이터의 이상치 제거 및 불필요한 데이터의 필터링을 위해 통계적 이상치 제거 방법을 활용하여 각각 17 %, 26 %, 25 %의 포인트를 제거하였다. 또한 후처리 된 포인트 클라우드로부터 복셀 크기별 식생 형상을 재구현하여 실제 식생의 부피와 비교하였으며, 분석 결과, 오차 범위는 각 조건별로 8 %, 25 %, 63 %로 나타났다. 대상 샘플의 규모가 클수록 더 큰 오차가 발생하였으며, 복셀 크기 조정 시 식생의 표면이 시각적으로 비슷하게 보이지만 전체 식생의 부피는 이러한 변화에 매우 민감한 것으로 나타났다.

Abstract ▼ AI-Helper

Vegetation affects water level change and flow resistance in rivers and impacts waterway ecosystems as a whole. Therefore, it is important to have accurate information about the species, shape, and size of any river vegetation. However, it is not easy to collect full vegetation data on-site, so recent studies have attempted to obtain large amounts of vegetation data using terrestrial laser scanning (TLS). Also, due to the complex shape of vegetation, it is not easy to obtain accurate information about the canopy area, and there are limitations due to a complex range of variables. Therefore, the physical structure of vegetation was analyzed in this study by reconfiguring high-resolution point cloud data collected through 3-dimensional terrestrial laser scanning (3D TLS) in a voxel. Each physical structure was analyzed under three different conditions: a simple vegetation formation without leaves, a complete formation with leaves, and a patch-scale vegetation formation. In the raw data, the outlier and unnecessary data were filtered and removed by Statistical Outlier Removal (SOR), resulting in 17%, 26%, and 25% of data being removed, respectively. Also, vegetation volume by voxel size was reconfigured from post-processed point clouds and compared with vegetation volume; the analysis showed that the margin of error was 8%, 25%, and 63% for each condition, respectively. The larger the size of the target sample, the larger the error. The vegetation surface looked visually similar when resizing the voxel; however, the volume of the entire vegetation was susceptible to error.

Keyword

표/그림 (13)

그림 Fig. 1. Schematic Diagram and Example of Approach to Explain the Voxel
그림 Fig. 2. Schematic to Show the 3D Scan Setup
그림 Fig. 3. Point Cloud Matching Results of Single Vegetation
그림 Fig. 4. Point Cloud Matching Results of Vegetation Patch
표 Table 1. The Vegetation Sample Volume Measurement Results
그림 Fig. 5. Effect of Passing the Statistical Outlier Removal (SOR)
표 Table 2. Removal of Isolated Points with Successive Passes of The Statistical Outlier Removal (SOR) Tool
그림 Fig. 6. Variation of Volume by Voxel Size in Defoliated Vegetation
표 Table 3. Number of Cells, Volume, and Error by Voxel Size in Defoliated Vegetation
그림 Fig. 7. Variation of Volume by Voxel Size in Foliated Vegetation
표 Table 4. Number of Cells, Volume, and Error by Voxel Size in Foliated Vegetation
그림 Fig. 8. Variation of Volume by Voxel Size in Vegetation Patch
표 Table 5. Number of Cells, Volume and Error by Voxel Size in Vegetation Patch

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 첫째, 대상이 되는 식생 샘플의 정확한 실제 밀도를 측정하고, 둘째, 대상 식생으로부터 3차원 TLS 정보를 획득하여 포인트 클라우드 형태로 구축한 후, 셋째, 포인트 클라우드 데이터의 후처리 과정을 거쳐, 마지막으로 포인트 클라우드로부터 복 셀 크기별 식생 형상을 재구현하여 실제 식생의 물리적 구조와의 관계를 규명하고자 한다. 이러한 연구결과를 통해 고해상도 포인트 클라우드에서 정확한 식생의 물리적 구조 정보를 획득함으로써 현장 취득이 어렵다는 기존의 한계를 보완할 수 있을 것으로 기대한다.
1(b)과같이 재구현하였으며, 이를 활용하여 공간적인 분포를 면밀하게 파악하였다. 또한 3차원 스캐닝을 통해 정밀한 수백만 개의 대용량 클라우드 데이터가 수집되어 줄기-잎-가지로 대표되는 식생의 물리적 매개변수를 보다 정확하게 수집하고자 하였다.
본 절에서는 식생의 일반적인 크기를 고려하여 일괄적으로 제작된 인공 식생을 활용함으로써 자연적으로 발생할 수 있는 성장의 불규칙성을 최소화하고자 하였다. 인공 식생은 실제 나무줄기에 방수 처리한 후 버드나무의 잎사귀와 가장 유사한 잎사귀인 인공 올리브 잎사귀 형태를 적용하였다.
그러나 실제로 식생이 활착된 하천 현장에서는 레이저가 식생의 내부를 완전히 관통하여 측정하는 것은 거의 불가능하다. 따라서 이와 같이 잎이 무성한 표본을 활용하여 복잡하고 까다로운 실험 조건을 인위적으로 설정함으로써 레이저 스캔의 폐색(Blocking) 영향을 분석하고자 하였다.
또한 통제된 실험실 환경에서 스캔하여 바람을 비롯한 자연적인 영향을 최소화하고자 하였다. 정밀한 데이터 정합을 위해 대상 샘플 식생을 중심으로 Fig.
본 절에서는 식생 샘플의 3D 포인트 클라우드를 활용한 복 셀 부피와 실제 부피를 비교하기 위해 물이 있는 메스실린더를 이용하여 부피를 측정하였다. 또한 잎이 있는 경우와 없는 경우 3D 스캔 측정과 복셀 형상 구현에 미치는 영향을 분석하기 위해 잎과 잔가지, 줄기를 각각 구분하여 측정하였다.
또한 복셀 크기를 줄이면 식생을 구현하는데 필요한 셀 수가 급격하게 증가하므로 이를 활용한 수치모의 시 훨씬 더 많은 계산 시간이 소요될 수 있다. 따라서 본 절에서는 샘플 식생을 재구성하기 위한 복셀 크기별 부피 산정 결과를 비교하였다.

제안 방법

본 연구에서는 식생의 형상을 감지하기 위해 물체 및 공간에 대한 3차원 정보 수집이 용이한 복셀 개념을 적용하였다. 복 셀이라는 용어는 부피(volume)와 픽셀(pixel)을 조합한 합성어이다.
최소화하고자 하였다. 정밀한 데이터 정합을 위해 대상 샘플 식생을 중심으로 Fig. 2와 같이 8방향의 위치 및 지면에 서동 일한 높이로 설정한 후 가장 정밀한 3 mm의 해상도로 스캔하였다. 스캔 방향을 보다 다양하게 활용한 측정을 통해 포인트 클라우드의 밀도가 높아져 식생의 구조와 형태를 재구성하기 위한 정확도를 향상할 수 있다.
실내에서 제한된 환경에 의해 측정된 표본의 결과와 현장 측정 결과를 비교 분석하기 위해 실규모 수로에 식생 패치를 설치하여 식생 패치 사이즈의 포인트 클라우드를 수집하였다. 이를 위해 한국건설기술연구원 하천연구센터(Korea Institute of Civil Engineering and Building Technology-River Experiment Center, KICT-REC) 의직선 수로를 활용하였으며(Fig.
하천연구센터의 실규모 실험수로는 사면 경사가 1:2인 사다리꼴 형태로써 수로 경사는 1/800, 하상 폭은 3 m이고, 수로 전체 길이는 600 m이다. 식생 패치는 하류 70 m 구간에 설치하였으며, 자연하천에서의 식생 활착 형태를 고려하여 큰 타원형의 식생 그룹과 작은 타원형의 식생 그룹이 결합한 형상으로 총 8개 패치를 설치하였다. 큰 타원(폭 1.
대상으로 포인트 클라우드를 수집하였다. 실규모 수로의 식생 패치에 대한 포인트 클라우드 수집을 위해 실내 실험과 마찬가지로 Leica의 RTC 360 3D 레이저 스캐너를 활용하였으며, 패치 주변에서 6 mm 정밀도로 스캔한 후 4 mm 이하의 오차로 정합하였다. 정합된 전체 스캔 파일에서 하상 및 수로 형태, 주변 환경 등을 제외하고 식생패치에 대한 포인트 클라우드만 샘플링 한 결과, 포인트 수는 838, 384개로 확인되었다.
부피를 측정하였다. 또한 잎이 있는 경우와 없는 경우 3D 스캔 측정과 복셀 형상 구현에 미치는 영향을 분석하기 위해 잎과 잔가지, 줄기를 각각 구분하여 측정하였다. 부피가 큰 식생 샘플은 물이 있는 메스실린더에 한 번에 잠기게 하는데 한계가 있어 주요 줄기를 일정한 간격으로 소분한 후 측정하였다.
또한 잎이 있는 경우와 없는 경우 3D 스캔 측정과 복셀 형상 구현에 미치는 영향을 분석하기 위해 잎과 잔가지, 줄기를 각각 구분하여 측정하였다. 부피가 큰 식생 샘플은 물이 있는 메스실린더에 한 번에 잠기게 하는데 한계가 있어 주요 줄기를 일정한 간격으로 소분한 후 측정하였다. 측정 결과 잎이 있는 샘플 의총 부피는 471 ml 이었으며, 잎이 없는 식생 줄기의 부피는 176.
5 ml임을 알 수 있으며, 식생 샘플의 상세한 부피 측정 결과는 Table 1을 통해 확인할 수 있다. 또한 식생은 모두 거의 유사한 재질 및 크기로 제작된 인공 식생이기 때문에 측정된 한 그루 식생을 측정 결과에 총 그루 수를 곱하여 식생 패치의 실제 부피를 추정하였다. 패치 내 설치된 식생은 총 23개로 패치 규모의 부피는 10, 833 ml로 추정하였다.
측정된 포인트 클라우드는 Leica의 Register 소프트웨어를 통해 자동 정합한 후 Cloud Compare 소프트웨어를 사용하여 후처리 작업을 수행하였다. 후처리 작업의 첫 단계는 해당 구간을 명확하게크롭함과 동시에 부피 또는 형태학적으로 부정확성을 초래할 수 있는 아웃라이어들을 제거하는 과정이다.
특히 패치 사이즈에서는 식생의 줄기 형상이 재대로 구현되지 않은 것으로 확인되었다. 따라서 두 차례 SOR 과정을 거친 포인트를 최종 복셀 형상 구현 포인트 클라우드로 결정하였으며, 초기 데이터와 SOR 적용에 따른 포인트 제거결과는 Table 2와 같다. 수집된 초기의 포인트 클라우드는 3 mm의 정밀도로 측정한 식생 샘플의 경우, 잎이 있을 때 97, 165개, 잎이 없을 때 2, 097, 475 개 이었으며, 6 mm의 정밀도로 측정한 식생 패치의 경우 838, 384 개였다.
먼저 잎이 없는 상태 식생을 복셀의 크기별로 재구현하였다 (Fig. 6). 최소 8개의 복셀이 있을 때 식생 형태를 재구현할 수 있으며, 이때 복셀 사이즈는 355.
다음으로 식생 잎이 있는 경우의 복셀을 활용하여 식생을 재구현해 봄으로써 잎에 의한 영향을 분석해보고자 하였으며, 복셀 사이즈별 식생 형상은 Fig. 7과 같다. 가장 큰 복셀 사이즈를 사용하여 총 8개의 복셀로 구성했을 때, 실제 부피와 비교하여 큰 오차가 발생하였으며, 3.
마지막으로 현장 수로 내에서 측정된 패치 규모의 식생 부피와 포인트 클라우드를 통해 복셀화된 부피를 비교하고자 하였다 (Fig. 8). 한 패치안의 식생은 총 23개였으며, 이에 따라 패치의 실제 부피는 포인트 클라우드로 추정한 한 그루의 식생 부피 471 ml에 23을 곱하여 총 10, 833 ml로 추정할 수 있었다.
본 연구에서는 3D 지상 레이저 스캐닝을 통해 수집된 고해상도 포인트 클라우드를 활용하여 대상 샘플을 복셀화한 후 식생의 물리적 구조를 분석하였다. 본 연구를 통해 도출된 결과를 요약하면 다음과 같다.
첫째, 대상이 되는 식생 샘플의 실제 부피를 측정하기 위해물이 들어있는 메스실린더를 활용하였으며, 잎이 없는 단순한 실린더 형태의 부피는 176.5 ml이었으며, 잎이 있는 완전한 형태의 한 그루 식생의 부피는 471 ml였다. 또한 패치 규모의 부피 비교를 위해 23개의 인공 식생을 설치하였으며, 총 부피는 10, 833 ml로 추정하였다.
5 ml이었으며, 잎이 있는 완전한 형태의 한 그루 식생의 부피는 471 ml였다. 또한 패치 규모의 부피 비교를 위해 23개의 인공 식생을 설치하였으며, 총 부피는 10, 833 ml로 추정하였다. 또한 각각의 경우에 대해 3차원 지상 레이저 스캐닝을 통해 대용량 포인트 클라우드 형태를 구축하였다.
둘째, 측정된 데이터의 이상치를 제거하기 위해 포인트 클라우드 데이터의 후처리 과정을 거친 후, 통계적 이상치 제거(SOR) 방법을 활용하였다. 두 차례에 걸친 통계적 이상치 제거를 통해 데이터의 노이즈 및 불필요한 데이터가 제외되었으며, 최종적으로 초기 데이터와 비교하여 각각 17 %, 26 %, 25 % 포인트가 제거되었다.
셋째, 포인트 클라우드로부터 복셀 크기별 식생형상을 재구현하여 실제 식생의 부피와 비교하였다. 분석 결과, 잎이 없는 경우 최적의 복셀 사이즈는 2.
스캔 방향을 보다 다양하게 활용한 측정을 통해 포인트 클라우드의 밀도가 높아져 식생의 구조와 형태를 재구성하기 위한 정확도를 향상할 수 있다. 또한 잎이 달린 식생이 스캔 정밀도 및 복셀 부피에 미치는 영향을 분석하기 위해 샘플 식생의 표본을 잎이 있는 상태와 없는 상태로 구분하여 각각 스캔하였다. 이러한 다중 측정을 통해 측정한 포인트 클라우드는 Leica의 Register 소프트웨어를 통해 정합하였으며, 정합 후 각각의 포인트 수는 잎을 포함했을 때 1, 643, 350개 (Fig.
또한 패치 규모의 부피 비교를 위해 23개의 인공 식생을 설치하였으며, 총 부피는 10, 833 ml로 추정하였다. 또한 각각의 경우에 대해 3차원 지상 레이저 스캐닝을 통해 대용량 포인트 클라우드 형태를 구축하였다.

대상 데이터

고해상도 포인트 클라우드 수집을 위한 3D 스캔을 위해 Leica의 RTC 360 3D 레이저 스캐너를 활용하였다. RTC 360의 레이저 등급은 1 (IEC 60825-1:2014)이며, 수평 방향으로 360°, 수직 방향으로 300°까지 측정할 수 있다.
사이즈의 포인트 클라우드를 수집하였다. 이를 위해 한국건설기술연구원 하천연구센터(Korea Institute of Civil Engineering and Building Technology-River Experiment Center, KICT-REC) 의직선 수로를 활용하였으며(Fig. 4(a)), 특히 실규모 실험장에 설치된 식생 패치를 활용으로써 식생의 활착 및 성장에 관한 환경적인 요소들을 제한하였다.
4(a)), 특히 실규모 실험장에 설치된 식생 패치를 활용으로써 식생의 활착 및 성장에 관한 환경적인 요소들을 제한하였다. 하천연구센터의 실규모 실험수로는 사면 경사가 1:2인 사다리꼴 형태로써 수로 경사는 1/800, 하상 폭은 3 m이고, 수로 전체 길이는 600 m이다. 식생 패치는 하류 70 m 구간에 설치하였으며, 자연하천에서의 식생 활착 형태를 고려하여 큰 타원형의 식생 그룹과 작은 타원형의 식생 그룹이 결합한 형상으로 총 8개 패치를 설치하였다.
본 절에서는 8개의 식생패치 중에 흐름방향에서 여섯 번째 식생 패치를 대상으로 포인트 클라우드를 수집하였다. 실규모 수로의 식생 패치에 대한 포인트 클라우드 수집을 위해 실내 실험과 마찬가지로 Leica의 RTC 360 3D 레이저 스캐너를 활용하였으며, 패치 주변에서 6 mm 정밀도로 스캔한 후 4 mm 이하의 오차로 정합하였다.
수집된 초기의 포인트 클라우드는 3 mm의 정밀도로 측정한 식생 샘플의 경우, 잎이 있을 때 97, 165개, 잎이 없을 때 2, 097, 475 개 이었으며, 6 mm의 정밀도로 측정한 식생 패치의 경우 838, 384 개였다. SOR의 두 차례 적용 후, 최종적으로 각각 80, 733개, 1, 561, 804개, 628, 422개의 포인트 클라우드를 복셀화 과정에 활용하였다.

이론/모형

후처리 작업의 첫 단계는 해당 구간을 명확하게크롭함과 동시에 부피 또는 형태학적으로 부정확성을 초래할 수 있는 아웃라이어들을 제거하는 과정이다. 이를 위해 통계적 이상치 제거(Statistical Outher Removal, SOR) 방법을 사용하여 Fig. 5와 같이 아웃라이어 데이터 포인트를 필터링하였다. SOR 방법은 초기 포인트 클라우드의 각 점과 가장 가까운 점 사이의 평균 거리를 계산하고, 가우스 분포를 통해 정의된 임의의 표준 편차를 벗어나는 점을 이상치로 간주하고 제거한다(Boothroyd, 2017).

성능/효과

실규모 수로의 식생 패치에 대한 포인트 클라우드 수집을 위해 실내 실험과 마찬가지로 Leica의 RTC 360 3D 레이저 스캐너를 활용하였으며, 패치 주변에서 6 mm 정밀도로 스캔한 후 4 mm 이하의 오차로 정합하였다. 정합된 전체 스캔 파일에서 하상 및 수로 형태, 주변 환경 등을 제외하고 식생패치에 대한 포인트 클라우드만 샘플링 한 결과, 포인트 수는 838, 384개로 확인되었다.
부피가 큰 식생 샘플은 물이 있는 메스실린더에 한 번에 잠기게 하는데 한계가 있어 주요 줄기를 일정한 간격으로 소분한 후 측정하였다. 측정 결과 잎이 있는 샘플 의총 부피는 471 ml 이었으며, 잎이 없는 식생 줄기의 부피는 176.5 ml인 것으로 나타났다. 따라서 식생 샘플에서 잎이 차지하는 부피는 294.
6). 최소 8개의 복셀이 있을 때 식생 형태를 재구현할 수 있으며, 이때 복셀 사이즈는 355.015 mm이고, 식생의 부피는 357, 956 ml인 것으로 나타났다. 이는 부피가 355.
5 ml의 차이가 있는 것으로 복 셀 사이즈를 훨씬 더 작게 설정해야 한다. 복셀 사이즈별 반복적인 부피 계산 결과, 복셀의 사이즈가 2.774 mm 일 때의 부피는 272.139 ml로 실제 부피와 가장 작은 오차인 것으로 나타났으며, 이때 복 셀의 개수는 12, 755개이다. 또한 복셀 사이즈를 작게 할수록 식생 줄기의 부피는 감소하였으며, 특히 복셀의 사이즈를 1.
139 ml로 실제 부피와 가장 작은 오차인 것으로 나타났으며, 이때 복 셀의 개수는 12, 755개이다. 또한 복셀 사이즈를 작게 할수록 식생 줄기의 부피는 감소하였으며, 특히 복셀의 사이즈를 1.387 mm 보다 작게 설정할 경우, 실제 부피와의 차이가 다시 벌어지는 것을 알 수 있다(Table 3). 복셀의 사이즈는 포인트 클라우드의 규모와 분할 횟수에 의해 결정되기 때문에 실제 부피와 동일한 복셀의 사이즈를 설정하는데 한계가 있다.
7과 같다. 가장 큰 복셀 사이즈를 사용하여 총 8개의 복셀로 구성했을 때, 실제 부피와 비교하여 큰 오차가 발생하였으며, 3.3.1절과 마찬가지로 복셀 사이즈가 작아질수록 오차의 범위가 작아짐을 알 수 있다. 최적의 복셀 사이즈는 0.
477 ml 이다. 잎이 있는 경우의 포인트 클라우드는 잎이 없는 경우의 포인트 클라우드 개수와 비교하면 약 14배 정도 많았으며, 잎이 없는 경우의 최적의 복셀사이즈 2.774 mm와 비교하여 복셀의 사이즈는 약 1.8 mm 더 작아지고 복셀 개수는 더 늘어난 것을 알 수 있다(Table 4). 따라서 단순화된 잎이 없는 상태의 식생 줄기에 비해 식생을 포함하는 복 셀 화하기 위해 더 세분되고 더 많은 복셀이 필요함을 알 수 있다.
한 패치안의 식생은 총 23개였으며, 이에 따라 패치의 실제 부피는 포인트 클라우드로 추정한 한 그루의 식생 부피 471 ml에 23을 곱하여 총 10, 833 ml로 추정할 수 있었다. 복셀 사이즈별 재구현 된 식생의 부피 산정 결과, 최적의 복셀 사이즈는 1.862 mm였으며, 측정 부피는 4, 023.96 ml이었다. 측정 부피는 구현 가능한 복셀 사이즈 중 가장 작은 오차임에도 실제 부피로 추정된 10, 833 ml와는 6, 809.
복 셀 화하려는 대상 포인트 클라우드의 규모가 커질수록 세밀한 복셀 사이즈 설정이 어려웠으며, 이에 따라 실제 부피에 비해 큰 오차가 포함되었다. 가장 작은 규모였던 잎이 없는 경우의 오차가 8 % 인 것에 반해 잎이 있는 경우의 오차는 25 %였으며, 패치 규모의 오차는 63 %로 증가하였다. 이를 통해 정밀한 식생 부피를 산정하기 위해서는 포인트 클라우드의 데이터 범위를 세분화한 후 시도해야 할 것으로 판단된다.
두 차례에 걸친 통계적 이상치 제거를 통해 데이터의 노이즈 및 불필요한 데이터가 제외되었으며, 최종적으로 초기 데이터와 비교하여 각각 17 %, 26 %, 25 % 포인트가 제거되었다.
실제 식생의 부피와 비교하였다. 분석 결과, 잎이 없는 경우 최적의 복셀 사이즈는 2.774 mm이며, 이때 실제 부피와의 오차는 8 %였다. 잎이 없는 한 그루 식생의 최적 복셀 사이즈는 0.
985 mm이고, 실제 부피와의 오차는 25 %였다. 또한 패치 규모에서의 최적 복셀 사이즈는 1.862 mm이고, 실제 부피와의 오차는 63 %로 증가하였다. 이를 통해 복셀 크기를 조정할 때 식생의 표면이 시각적으로 비슷하게 보이지만 전체 식생의 부피는 이러한 변화에 매우 민감함을 알 수 있으며 복셀 크기가 미세할수록 전체 부피가 더 작아지는 것을 알 수 있었다.
862 mm이고, 실제 부피와의 오차는 63 %로 증가하였다. 이를 통해 복셀 크기를 조정할 때 식생의 표면이 시각적으로 비슷하게 보이지만 전체 식생의 부피는 이러한 변화에 매우 민감함을 알 수 있으며 복셀 크기가 미세할수록 전체 부피가 더 작아지는 것을 알 수 있었다. 또한 정밀한 식생 부피를 산정하기 위해서는 포인트 클라우드의 데이터 범위를 세분화한 후 분석할 필요가 있다.
본 연구는 하나의 식생 샘플의 두 가지 조건과 단일 패치를 대상으로 진행되었지만 다수의 대상을 통해 반복적인 분석을 수행한다면 현장에서 발생하는 오차 범위를 패턴화 시킬 수 있을 것으로 판단된다. 최종적으로 본 연구를 통해 정확한 식생의 물리적 구조 정보를 획득함으로써 식생 정보의 현장 취득이 어렵다는 기존의 한계를 보완할 수 있었다. 또한 하천 흐름에서 식생으로 인해 차단되는 부피와 형태, 형상 등 정확한 식생 정보를 제시함으로써 식생으로 인해 차단 또는 방해된 하천 흐름에 미치는 영향을 분석하기 위한 수치 모델링 연구에 적용할 수 있을 것으로 기대된다.

후속연구

이러한 한계를 보완하여 정확한 식생의 물리적 구조를 측정하기 위해 3차원 포인트 클라우드를 3차원으로 재구현한 후 부피와 규모를 계산하는 복셀(Volumepixel, Voxel) 기반 접근법을 활용할 수 있을 것이다. Antonarakis et al.
규명하고자 한다. 이러한 연구결과를 통해 고해상도 포인트 클라우드에서 정확한 식생의 물리적 구조 정보를 획득함으로써 현장 취득이 어렵다는 기존의 한계를 보완할 수 있을 것으로 기대한다. 또한 하천 흐름에서 식생으로 인해 차단되는 부피를 정확하게 제시함으로써 보다 정확한 수치모델 연구에 기여할 수 있을 것으로 판단된다.
이러한 연구결과를 통해 고해상도 포인트 클라우드에서 정확한 식생의 물리적 구조 정보를 획득함으로써 현장 취득이 어렵다는 기존의 한계를 보완할 수 있을 것으로 기대한다. 또한 하천 흐름에서 식생으로 인해 차단되는 부피를 정확하게 제시함으로써 보다 정확한 수치모델 연구에 기여할 수 있을 것으로 판단된다.
인공 식생은 실제 나무줄기에 방수 처리한 후 버드나무의 잎사귀와 가장 유사한 잎사귀인 인공 올리브 잎사귀 형태를 적용하였다. 따라서 장시간 흐름에서도 변형이 발생하지 않으며, 이에 따라 해당 식생 샘플의 반복적인 연구활용이 가능하게 하여 자연 식생의 시간적인 한계를 보완하였다. 식생의 전체 높이는 1.
본 연구를 통해 캐노피로 가려지는 부분에 대한 포인트 클라우드측정의 한계, 현장 측정에서 발생되는 대략적인 오차의 범위를 확인할 수 있었다. 본 연구는 하나의 식생 샘플의 두 가지 조건과 단일 패치를 대상으로 진행되었지만 다수의 대상을 통해 반복적인 분석을 수행한다면 현장에서 발생하는 오차 범위를 패턴화 시킬 수 있을 것으로 판단된다.
수 있었다. 본 연구는 하나의 식생 샘플의 두 가지 조건과 단일 패치를 대상으로 진행되었지만 다수의 대상을 통해 반복적인 분석을 수행한다면 현장에서 발생하는 오차 범위를 패턴화 시킬 수 있을 것으로 판단된다. 최종적으로 본 연구를 통해 정확한 식생의 물리적 구조 정보를 획득함으로써 식생 정보의 현장 취득이 어렵다는 기존의 한계를 보완할 수 있었다.
최종적으로 본 연구를 통해 정확한 식생의 물리적 구조 정보를 획득함으로써 식생 정보의 현장 취득이 어렵다는 기존의 한계를 보완할 수 있었다. 또한 하천 흐름에서 식생으로 인해 차단되는 부피와 형태, 형상 등 정확한 식생 정보를 제시함으로써 식생으로 인해 차단 또는 방해된 하천 흐름에 미치는 영향을 분석하기 위한 수치 모델링 연구에 적용할 수 있을 것으로 기대된다.

참고문헌 (15)

Aberle, J. and Jarvela, J. (2013). "Flow resistance of emergent rigid and flexible floodplain vegetation." Journal of Hydraulic Research, Vol. 51, No. 1, pp. 33-45. DOI: 10.1080/00221686.2012.754795.

상세보기
Antonarakis, A. S., Richards, K. S., Brasington, J. and Bithell, M. (2009). "Leafless roughness of complex tree morphology using terrestrial lidar." Water Resources Research, Vol. 45, No. 10. DOI: 10.1029/2008WR007666.

상세보기
Beland, M., Widlowski, J. L. and Fournier, R. A. (2014). "A model for deriving voxel-level tree leaf area density estimates from ground-based LiDAR." Environmental Modelling & Software, Vol. 51, pp. 184-189. DOI: 10.1016/j.envsoft.2013.09.034.

상세보기
Bienert, A., Hess, C., Maas, H. G. and Von Oheimb, G. (2014). "A voxel-based technique to estimate the volume of trees from terrestrial laser scanner data." International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, Vol. XL-5, pp. 101-106. DOI: 10.5194/isprsarchives-xl-5-101-2014.

상세보기
Boothroyd, R. J. (2017). Flow-vegetation interactions at the plant-scale: the importance of volumetric canopy morphology on flow field dynamics, Doctoral thesis, Durham University, Durham, UK.
Boothroyd, R. J., Hardy, R. J., Warburton, J. and Marjoribanks, T. I. (2016). "The importance of accurately representing submerged vegetation morphology in the numerical prediction of complex river flow." Earth Surface Processes and Landforms, Vol. 41, No. 4, pp. 567-576. DOI: 10.1002/esp.3871.

상세보기
Brodu, N. and Lague, D. (2012). "3D terrestrial lidar data classification of complex natural scenes using a multi-scale dimensionality criterion: Applications in geomorphology." ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 68, pp. 121-134. DOI: 10.1016/j.isprsjprs.2012.01.006.

상세보기
Gurnell, A. (2014). "Plants as river system engineers." Earth Surface Processes and Landforms, Vol. 39, No. 1, pp. 4-25. DOI: 10.1002/esp.3397.

상세보기
Hosoi, F. and Omasa, K. (2006). "Voxel-based 3-D modeling of individual trees for estimating leaf area density using high-resolution portable scanning lidar." IEEE transactions on geoscience and remote sensing, Vol. 44, No. 12, pp. 3610-3618. DOI: 10.1109/TGRS.2006.881743.

상세보기
Jalonen, J. and Jarvela, J. (2014). "Estimation of drag forces caused by natural woody vegetation of different scales." Journal of Hydrodynamics, Vol. 26, No. 4, pp. 608-623. DOI: 10.1016/S1001-6058(14)60068-8.

상세보기
Jalonen, J., Jarvela, J., Virtanen, J. P., Vaaja, M., Kurkela, M. and Hyyppa, H. (2015). "Determining characteristic vegetation areas by terrestrial laser scanning for floodplain flow modeling." Water, Vol. 7, No. 2, pp. 420-437. DOI: 10.3390/w7020420.

상세보기
Jang, E. K., Ahn, M. H. and Ji, U. (2020). "Introduction and Application of 3D Terrestrial Laser Scanning for Estimating Physical Structurers of Vegetation in the Channel." Ecology and Resilient Infrastructure, Vol. 7, No. 2, pp. 9-96. DOI: 10.1080/00221686.2012.754795 (in Korean).

상세보기
Luhar, M. and Nepf, H. M. (2013). "From the blade scale to the reach scale: A characterization of aquatic vegetative drag." Advances in Water Resources, Vol. 51, pp. 305-316. DOI: 10.1016/j.advwatres.2012.02.002.

상세보기
Rutzinger, M., Pratihast, A. K., Oude Elberink, S. and Vosselman, G. (2010). "Detection and modelling of 3D trees from mobile laser scanning data." International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. 38, pp. 520-525.
Wu, D., Phinn, S., Johansen, K., Robson, A., Muir, J. and Searle, C. (2018). "Estimating changes in leaf area, leaf area density, and vertical leaf area profile for mango, avocado, and macadamia tree crowns using terrestrial laser scanning." Remote Sensing, Vol. 10, No. 11, 1750. DOI:10.3390/rs10111750.

상세보기

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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