[논문]다종 공간정보로부터 취득한 지상기준점을 활용한 UAV 영상의 3차원 위치 정확도 비교 분석

박소연; 최윤조; 배준수; 홍승환; 손홍규

doi:10.7780/kjrs.2020.36.5.3.2

다종 공간정보로부터 취득한 지상기준점을 활용한 UAV 영상의 3차원 위치 정확도 비교 분석
Three-Dimensional Positional Accuracy Analysis of UAV Imagery Using Ground Control Points Acquired from Multisource Geospatial Data 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.36 no.5 pt.3, 2020년, pp.1013 - 1025

박소연 (연세대학교 건설환경공학과) , 최윤조 (연세대학교 건설환경공학과) , 배준수 (연세대학교 건설환경공학과) , 홍승환 ((주)스트리스) , 손홍규 (연세대학교 건설환경공학과)

초록
AI-Helper

UAV (Unmanned Aerial Vehicle) 플랫폼은 소규모 지역의 영상을 저비용으로 신속하게 취득이 가능하다는 장점이 있어 재난모니터링과 스마트시티 분야에 널리 활용되고 있다. UAV 기반 정사영상 및 DSM (Digital Surface Model) 제작 시 cm 급 정확도를 확보하기 위하여 UAV 영상의 위치보정을 위한 지상기준점(Ground Control Points, GCP)이 필수적이다. 하지만, 현장 GCP 취득을 위한 현장방문, 대공표지 설치에는 상당한 인력과 시간이 소요된다. 따라서 본 연구에서는 GCP 현장 취득을 대체하기 위한 방법으로 사전에 구축되어 활용가능한 세 가지 공간정보를 GCP로 이용하는 방법을 제시하였다. 연구에 사용한 세 가지 공간정보는 첫째, 25 cm 급 정사영상과 1:1000 수치지형도 기반 DEM (Digital Elevation Model), 둘째, 모바일매핑시스템(Mobile Mapping System, MMS)으로 취득한 점군 데이터, 셋째, MMS 데이터와 UAV 데이터를 융합하여 만든 하이브리드 점군 데이터이다. 세 가지 공간정보로부터 취득한 GCP를 이용하여 각각에 대하여 UAV 정사영상과 DSM (Digital Surface Model, DSM)을 생성하였다. 생성된 3가지 결과를 현장 RTK-GNSS 측량으로 취득한 검사점과 비교하여 3차원 위치 정확도평가를 진행하였다. 실험결과, 세 번째 경우인 MMS와 UAV를 융합한 하이브리드 점군 데이터를 GCP로 사용하였을 때, UAV 정사영상과 DSM의 최종 정확도가 수평방향의 RMSE는 8.9 cm, 수직방향의 RMSE는 24.5 cm로 가장 높게 나타났다. 또한, 현장 측량을 대체하기 위해 활용한 공간정보로부터 취득한 GCP의 분포는 수평 위치 정확도 보다 수직 위치 정확도에 더 많은 영향을 미치는 것으로 나타났다.

Abstract ▼ AI-Helper

Unmanned Aerial Vehicle (UAV) platform is being widely used in disaster monitoring and smart city, having the advantage of being able to quickly acquire images in small areas at a low cost. Ground Control Points (GCPs) for positioning UAV images are essential to acquire cm-level accuracy when producing UAV-based orthoimages and Digital Surface Model (DSM). However, the on-site acquisition of GCPs takes considerable manpower and time. This research aims to provide an efficient and accurate way to replace the on-site GNSS surveying with three different sources of geospatial data. The three geospatial data used in this study is as follows; 1) 25 cm aerial orthoimages, and Digital Elevation Model (DEM) based on 1:1000 digital topographic map, 2) point cloud data acquired by Mobile Mapping System (MMS), and 3) hybrid point cloud data created by merging MMS data with UAV data. For each dataset a three-dimensional positional accuracy analysis of UAV-based orthoimage and DSM was performed by comparing differences in three-dimensional coordinates of independent check point obtained with those of the RTK-GNSS survey. The result shows the third case, in which MMS data and UAV data combined, to be the most accurate, showing an RMSE accuracy of 8.9 cm in horizontal and 24.5 cm in vertical, respectively. In addition, it has been shown that the distribution of geospatial GCPs has more sensitive on the vertical accuracy than on horizontal accuracy.

주제어

표/그림 (17)

그림 Fig. 1. Flowchart of this research.
그림 Fig. 2. (a) Aerial Orthoimage and (b) Digital Elevation Model (DEM).
그림 Fig. 3. Point cloud data acquired from Fegasus MMS at Yonsei University and Yeonhui-dong.
그림 Fig. 4. Integrated point cloud data from UAV imagery and MMS point cloud.
표 Table 1. Leica Pegasus: Two Specifications
그림 Fig. 5. Leica GS 18 T receiver and controller.
표 Table 2. Leica GS18 T Specifications
표 Table 3. Specification of FireFly 6 Pro and camera
그림 Fig. 6. Location of ground control point and check point: (a) GCP from aerial orthoimage and DEM, (b) GCP from MMS point cloud, (c) GCP from point cloud integrated by MMS and UAV, (d) CP acquired from GNSS equipment.
표 Table 4. Comparison of quality check result
표 Table 5. Accuracy comparison of three-dimensional position
그림 Fig. 7. UAV-Based Orthoimage (a) and DSM (b) using GCP acquired from point cloud integrated by MMS data and UAV data at Yonsei University.
그림 Fig. 8. Distribution of error at Check Point location, (a) horizontal error and (b) vertical error.
그림 Fig. 9. Boxplot of range of (a) horizontal error and (b) vertical error.
그림 Fig. 10. Horizontal differences of UAV-based orthoimage.
표 Table 6. Comparison of the mean value in vertical error at part of check point
표 Table 7. Positional accuracy comparison depending on DEM raster size

AI 본문요약
AI-Helper

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

문제 정의

하지만, 이와 같은 단점을 보완하기 위해 다양한 공간정보 센서로부터 취득된 정보를 UAV의 위치 보정을 위하여 활용하는 연구는 거의 진행되지 않고 있다. 따라서, 본 연구에서는 UAV 영상의 위치 보정을 위하여 광범위한 지역에 대한 GCP가 필요할 경우, GCP 현장 취득을 대체하기 위한 방법으로 사전에 구축되어 있어 활용 가능한 세 가지 공간정보를 GCP로 이용하는 방법을 연구하였다. 연구에 사용한 공간정보는 항공정사영상 및 수치지형도 기반 DEM 데이터, MMS 점군 데이터, MMS 점군 데이터와 UAV 사진측량 기반 점군 데이터를 융합한 하이브리드 데이터이다.
MMS로 취득한 데이터의 폐색 영역 문제를 해결하기 위해 Gholami Farkoushi(2018)는 MMS를 이용하여 취득한 점군 데이터와 UAV 영상을 기반으로 제작된 점군 데이터를 융합하여 폐색 영역이 최소화된 점군 데이터를 생성하는 방법을 제안하였다. 해당 연구는 각 플랫폼의 장점을 최대화한 3차원 정밀 공간데이터를 융합하여 도시 모델링을 위한 데이터로 활용하고자 하였다. 하지만, 이 연구에서는 UAV의 영상을 보정하기 위하여 연구지역에 직접 RTK-GNSS 측량을 실시하여 3차원 공간모델을 생성하고 이를 MMS로 취득된 점군 자료와 융합하는 연구만을 진행하였다.

제안 방법

본 연구에서는 UAV 정사영상과 DSM 정확도 평가를 위한 검사점으로 총 31점의 3차원 좌표를 취득하였으며, 정확도는 정량적인 수치인 최대값, 최소값, 평균 제곱근 오차(Root Mean Square Error), 평균값을 계산하여 비교하였으며, RMSE는 식 (3) ~ 식 (6)에 대입하여 계산하였다. RMSE를 계산하기 위해서 X, Y, Z 축 오차를 계산하였으며, X, Y 평면 좌표값을 비교하여 수평 RMSEH와 Z 좌표값을 비교하여 수직 RMSEZ를 산정하여 비교하였다.
UAV영상의 위치 보정을 위하여 GCP 현장측량 시 소요되는 시간과 비용 문제를 대체하고자, 광범위한 지역의 공간데이터를 신속하게 취득이 가능한 항공정사 영상과 수치지형도 기반 DEM, MMS 점군 데이터, MMS 점군 데이터와 UAV 점군 데이터를 융합한 하이브리드 점군 데이터에서 취득한 GCP를 활용하여 UAV 정사영상과 DSM을 제작하고 이에 대해 정확도 비교 수행한 결과 다음과 같은 결과를 얻었다.
기하보정이 완료된, UAV 영상에서 증가된 매칭점 수를 기반으로 정밀 점군 데이터를 생성하였다. 고정밀 UAV 사진측량 기반 점군 데이터의 3차원 위치정보를 활용하여 TIN (Triangulation Irregular Network) 제작 후 래스터 데이터 보간법을 통해 격자 데이터인 DSM을 생성하였다. 정사영상을 제작하기 위해서는 연속적인 표고값을 나타낸 DEM와 달리 비고가 큰 건물로 인한 기복변위에 대한 정보를 포함하는 DSM을 활용한다.
셋째, 3가지 공간정보로부터 취득된 GCP를 활용하여 UAV 영상의 EOP(Exterior Orientation Parameter)와 IOP(Interior Orientation Parameter)를 보정한다. 넷째, 3가지 다른 공간정보로부터 취득한 GCP를 활용하여 생성된 정사영상과 DSM을 2번째 단계에서 생성된 direct georeferencing 단계의 결과와 비교한다. 이들 결과를 현장 RTK-GNSS 측량을 통하여 취득한 기준점과 비교하여 각 3가지 경우에서 취득한 GCP 결과와 분석을 진행한다.
첫째, UAV 플랫폼을 이용하여 데이터를 취득하기 위해서 비행 예상 일의 날씨, 바람, 지형 정보를 수집하여 비행계획(flight planning)을 수립한다. 둘째, 앞서 작성한 계획을 토대로 연구대상지역에서 UAV 플랫폼을 이용하여 취득한 UAV 영상에 대하여 GCP를 활용하지 않고 UAV에 탑재된 GNSS/ INS 센서 정보만을 이용하여 대상지역의 정사영상과 DSM을 생성한다. 즉, direct georeferencing 결과를 취득한다.
UAV 영상의 기하보정을 위한 위치와 자세 초기값으로, UAV에 탑재된 GNSS/INS 센서로 취득한 EXIF(EXchangeable Image File format)의 메타데이터를 사용 하였다. 또한 저가의 카메라를 사용하였기 때문에 탑재된 카메라에 대한 캘리브레이션을 동시에 수행하여 IOP를 추정하였다. 광속조정법은 공선조건식을 기반으로 하며, 식 (1)과 식 (2)로 표현할 수 있다.
이상의 3가지 공간정보로부터 취득한 GCP를 활용하여 UAV 정사영상 및 DSM을 제작하고 이에 대한 3차원 위치 정확도를 비교 분석하였다. 또한, GCP 모델링을 위하여 활용한 공간 데이터 특성과 GCP의 개수와 분포에 따라 영상 기반으로 생성된 UAV 정사영상 및 DSM 정확도에 미치는 영향을 확인하였다.
1의 데이터 처리 단계에 자세히 나타냈다. 먼저, 특징점 기반 매칭을 수행하여 영상에서 특징점을 추출한 후 매칭을 통해 모든 영상의 상호표정을 결정하였다. 이 결과에 따라, 광속조정법(Bundle Adjustment, BA)을 이용하여 모든 영상의 EOP와 IOP 초기값을 설정한 후 기하보정을 실시하였다.
본 연구에서 GCP를 취득하기 위한 참조 공간정보로 세가지 종류를 활용하였으며, 참조 데이터를 달리하여 제작된 UAV 정사영상 및 DSM의 정확도를 비교하였다. 사전 구축되어 본 연구에서 활용된 3차원 공간정보는 항공정사영상 및 DEM, MMS 점군 데이터, MMS와 UAV를 융합한 점군 데이터를 활용하였다.
본 연구에서는 사전 구축되어 활용 가능한 공간정보에서 3차원 좌표를 취득하여 UAV 영상 처리 시 GCP로 활용하였다. 연구에 활용한 공간정보는 항공정사영상 및 수치지형도 기반 DEM, MMS로 취득한 점군 데이터, MMS와 UAV 데이터를 융합한 점군 데이터로, 다음에 상세히 기술하였다.
사전 제작된 다양한 공간정보에서 취득한 GCP 데이터를 활용하여 UAV 사진측량 기반 정사영상 및 DSM을 제작하여 정확도 비교를 진행하고 이를 분석하였다. GCP에 따른 각 공간정보에 대한 데이터 처리 품질을 Table 4에 수록하였다.
즉, direct georeferencing 결과를 취득한다. 셋째, 3가지 공간정보로부터 취득된 GCP를 활용하여 UAV 영상의 EOP(Exterior Orientation Parameter)와 IOP(Interior Orientation Parameter)를 보정한다. 넷째, 3가지 다른 공간정보로부터 취득한 GCP를 활용하여 생성된 정사영상과 DSM을 2번째 단계에서 생성된 direct georeferencing 단계의 결과와 비교한다.
먼저, 특징점 기반 매칭을 수행하여 영상에서 특징점을 추출한 후 매칭을 통해 모든 영상의 상호표정을 결정하였다. 이 결과에 따라, 광속조정법(Bundle Adjustment, BA)을 이용하여 모든 영상의 EOP와 IOP 초기값을 설정한 후 기하보정을 실시하였다.
넷째, 3가지 다른 공간정보로부터 취득한 GCP를 활용하여 생성된 정사영상과 DSM을 2번째 단계에서 생성된 direct georeferencing 단계의 결과와 비교한다. 이들 결과를 현장 RTK-GNSS 측량을 통하여 취득한 기준점과 비교하여 각 3가지 경우에서 취득한 GCP 결과와 분석을 진행한다. 이와 같은 연구를 위한 각 단계에 대한 상세한 내용은 다음과 같다.
정사영상을 제작하기 위해서는 연속적인 표고값을 나타낸 DEM와 달리 비고가 큰 건물로 인한 기복변위에 대한 정보를 포함하는 DSM을 활용한다. 이를 이용하여 기복변위로 인한 기하학적 왜곡을 제거하여 최종적으로 대상지역의 정사영상을 생성하였다.
연구에 사용한 공간정보는 항공정사영상 및 수치지형도 기반 DEM 데이터, MMS 점군 데이터, MMS 점군 데이터와 UAV 사진측량 기반 점군 데이터를 융합한 하이브리드 데이터이다. 이상의 3가지 공간정보로부터 취득한 GCP를 활용하여 UAV 정사영상 및 DSM을 제작하고 이에 대한 3차원 위치 정확도를 비교 분석하였다. 또한, GCP 모델링을 위하여 활용한 공간 데이터 특성과 GCP의 개수와 분포에 따라 영상 기반으로 생성된 UAV 정사영상 및 DSM 정확도에 미치는 영향을 확인하였다.
도심지역의 경우 공간정보의 구축 및 관리 등에 관한 법률 제12조 2항에 따라 1:1000의 수치지형도를 제작하고 있으나, 전국단위로는 1:5000 수치지형도가 제작되고 있다. 이에 따라, 수치지형도 축척을 고려한 1 m, 5 m로 DEM을 제작하여 GCP 취득을 위한 데이터로 활용하여 보았으며, UAV 정사영상 및 DSM를 생성한 후 정확도를 비교하였다. 축척에 따른 정확도는 Table 7에 나타냈으며, 기존 DEM 공간해상도 1 m를 사용한 경우에 비해 DEM 공간해상도 5 m를 사용한 경우 수평 RMSE의 변화는 미비하였으나, 수직 RMSE는 24.
3차원국토공간정보구축작업규정 제18조에 따르면, 축척이 1:1000인 수치지도를 이용하여 DEM를 제작할 경우, 격자간격은 1 m로 편집을 수행해야 함을 명시하였다. 이에 따라, 수치지형도의 표고 및 등고선 데이터는 2차원 공간에 분포된 점들의 집합으로, 들로네 삼각법을 이용하여 TIN을 구축한 후, 공간해상도가 1 m인 DEM 데이터를 제작하였다. DEM의 정확도는 항공레이저측량 작업규정 제44조에 따라, 수치지도 축척이 1:1000인 경우, 오차 한계로 평균 제곱근 오차(Root Mean Square Error, RMSE)는 0.
1과 같은 절차로 진행하였다. 첫째, UAV 플랫폼을 이용하여 데이터를 취득하기 위해서 비행 예상 일의 날씨, 바람, 지형 정보를 수집하여 비행계획(flight planning)을 수립한다. 둘째, 앞서 작성한 계획을 토대로 연구대상지역에서 UAV 플랫폼을 이용하여 취득한 UAV 영상에 대하여 GCP를 활용하지 않고 UAV에 탑재된 GNSS/ INS 센서 정보만을 이용하여 대상지역의 정사영상과 DSM을 생성한다.
최종적으로, 광속조정법을 통해 UAV의 IOP와 EOP를 추정하였으며 이를 기반으로 항공삼각측량을 수행하여 지상 데이터의 3차원 위치좌표를 산출하였다. 기하보정이 완료된, UAV 영상에서 증가된 매칭점 수를 기반으로 정밀 점군 데이터를 생성하였다.
해당 연구는 각 플랫폼의 장점을 최대화한 3차원 정밀 공간데이터를 융합하여 도시 모델링을 위한 데이터로 활용하고자 하였다. 하지만, 이 연구에서는 UAV의 영상을 보정하기 위하여 연구지역에 직접 RTK-GNSS 측량을 실시하여 3차원 공간모델을 생성하고 이를 MMS로 취득된 점군 자료와 융합하는 연구만을 진행하였다.

대상 데이터

연구 지역은 서울특별시 서대문구에 위치한 연세대학교 신촌캠퍼스로 선정하였다. 2020년 2월 비행계획을 수립하여 데이터를 취득하였으며, 영상의 중복도가 높으면 영상의 특징점 기반 매칭수가 증가하여 기하보정 정확도가 향상되기 때문에, 종중복도와 횡중복도는 모두 80%로 설정되었다. 데이터 취득 면적은 0.
GCP로 활용한 세 번째 데이터는 Pegasus MMS 점군 데이터와 UAV 사진측량 기법으로 제작한 3차원 점군 데이터를 융합한 하이브리드 데이터이다. MMS는 차량에 장착된 라이다를 이용하여 취득한 데이터로 지상 물체는 고정밀, 고해상도로 3차원 데이터를 구축할 수 있으나, 사람, 건물, 나무 등으로 인하여 폐색영역이 발생하기도 한다.
UAV 영상의 기하보정을 위한 위치와 자세 초기값으로, UAV에 탑재된 GNSS/INS 센서로 취득한 EXIF(EXchangeable Image File format)의 메타데이터를 사용 하였다. 또한 저가의 카메라를 사용하였기 때문에 탑재된 카메라에 대한 캘리브레이션을 동시에 수행하여 IOP를 추정하였다.
652 km²이며, 비행 시 사용한 UAV 기체와 카메라는 각각 FireFly 6 Pro와 SONY ILCE-6000으로 상세한 사양은 Table 3에나타냈다. UAV에 장착된 GNSS/INS센서를 사용하여 촬영 시 UAV의 위치와 자세는 영상 메타데이터에 기록되었으며, 총 470장의 영상을 취득하였다.
40 m라 명시되어 있다. 국토정보플랫폼에서 제공받은 연구 대상지역의 수치지형도의 표고 및 등고선 데이터를 기반으로 DEM을 생성하였으며, 이를 UAV 영상 기하보정을 위한 수직 Z값 취득에 활용하였다. 3차원국토공간정보구축작업규정 제18조에 따르면, 축척이 1:1000인 수치지도를 이용하여 DEM를 제작할 경우, 격자간격은 1 m로 편집을 수행해야 함을 명시하였다.
최종적으로, 광속조정법을 통해 UAV의 IOP와 EOP를 추정하였으며 이를 기반으로 항공삼각측량을 수행하여 지상 데이터의 3차원 위치좌표를 산출하였다. 기하보정이 완료된, UAV 영상에서 증가된 매칭점 수를 기반으로 정밀 점군 데이터를 생성하였다. 고정밀 UAV 사진측량 기반 점군 데이터의 3차원 위치정보를 활용하여 TIN (Triangulation Irregular Network) 제작 후 래스터 데이터 보간법을 통해 격자 데이터인 DSM을 생성하였다.
GNSS는 건물, 나무 등 다중경로로 인해 도심지역에서 정확도가 낮아지는 단점이 있으나, MMS에 탑재된 GNSS/INS 센서와 주변환경을 분석하여 실시간 3차원 스캔을 수행하면, GNSS 다중경로 문제로 인하여 GNSS 신호 정확도가 낮은 지역에서도 정밀 위치 정보 취득이 가능하다는 장점이 있다. 따라서, 본 연구에서 MMS 점군 데이터를 GCP로 활용하였으며, Fig. 3는 연구에 활용된 MMS 점군 데이터로 Leica Pegasus: Two 장비를 사용하여 취득한 데이터이다. Pegasus MMS의 상세한 사양은 Table 1에 표시하였다.
하지만 연구에 활용한 공간정보의 특성으로 GCP의 수와 분포를 동일하게 취득하는 데 어려움이 있었다. 따라서, 본 연구에서는 항공정사영상 및 DSM 데이터에서 81개, MMS 점군 데이터에서 40개, MMS와 UAV를 융합한 점군 데이터에서 101개의 GCP를 취득하였다. MMS 점군 데이터의 GCP와 MMS 데이터 및 UAV 데이터를 융합한 하이브리드 점군 데이터의 특성을 비교하였을 때, MMS의 접근 한계와 지상의 차량, 건물, 나무, 사람 등 폐색요인으로 인해 활용 가능한 MMS 점군 데이터로 취득한 GCP 분포가 도로 주변에 치우치는 경향이 있다.
국토정보지리원에서는 2년 주기로 전국 단위의 항공 정사영상을 제작하고 있어 기준영상으로의 활용성이 높게 평가되고 있다. 본 연구에 사용된 항공정사영상은 국토지리정보원에서 제공받은 것으로 2018년에 촬영되었으며, 정사영상의 공간해상도(GSD)는 25 cm로 이로부터 UAV 영상 기하보정을 위한 수평 X, Y 좌표 취득을 위하여 사용하였다. 항공정사영상은 항공사진측량 작업규정 제56조에 따라, 도화축척 1:1000인 경우 표준편차는 0.
본 연구에서는 비행계획을 자동으로 계획하는 GCS(Ground Control System) 소프트웨어인 FireFLY 6 Planner을 사용하여 UAV 데이터를 취득하였다. UAV 데이터 취득 후, 데이터 처리는 상용 소프트웨어인 Pix4D Mapper를 사용하였으며, Pix4D를 이용한 데이터 처리 연구 흐름도는 Fig.
UAV 사진측량 기반으로 제작된 정사영상과 DSM의 위치 정확도를 평가하기 위해서, GNSS를 이용하여 검사점(Check Point, CP)을 취득하였다. 사용한 GNSS 장비는 Fig. 5에 있는 Leica GS18 T 수신기이다. GNSS 측량 방식은 네트워크 실시간 이동 측위(Network-Real Time Kinematic, Network-RTK) 기법으로, 한 측점 마다 10 epoch로 설정하여 위성 신호를 수신하였으며, Table 2에 GNSS 장비의 정확도를 나타냈다.
본 연구에서 GCP를 취득하기 위한 참조 공간정보로 세가지 종류를 활용하였으며, 참조 데이터를 달리하여 제작된 UAV 정사영상 및 DSM의 정확도를 비교하였다. 사전 구축되어 본 연구에서 활용된 3차원 공간정보는 항공정사영상 및 DEM, MMS 점군 데이터, MMS와 UAV를 융합한 점군 데이터를 활용하였다.
연구 지역은 서울특별시 서대문구에 위치한 연세대학교 신촌캠퍼스로 선정하였다. 2020년 2월 비행계획을 수립하여 데이터를 취득하였으며, 영상의 중복도가 높으면 영상의 특징점 기반 매칭수가 증가하여 기하보정 정확도가 향상되기 때문에, 종중복도와 횡중복도는 모두 80%로 설정되었다.
따라서, 본 연구에서는 UAV 영상의 위치 보정을 위하여 광범위한 지역에 대한 GCP가 필요할 경우, GCP 현장 취득을 대체하기 위한 방법으로 사전에 구축되어 있어 활용 가능한 세 가지 공간정보를 GCP로 이용하는 방법을 연구하였다. 연구에 사용한 공간정보는 항공정사영상 및 수치지형도 기반 DEM 데이터, MMS 점군 데이터, MMS 점군 데이터와 UAV 사진측량 기반 점군 데이터를 융합한 하이브리드 데이터이다. 이상의 3가지 공간정보로부터 취득한 GCP를 활용하여 UAV 정사영상 및 DSM을 제작하고 이에 대한 3차원 위치 정확도를 비교 분석하였다.
본 연구에서는 사전 구축되어 활용 가능한 공간정보에서 3차원 좌표를 취득하여 UAV 영상 처리 시 GCP로 활용하였다. 연구에 활용한 공간정보는 항공정사영상 및 수치지형도 기반 DEM, MMS로 취득한 점군 데이터, MMS와 UAV 데이터를 융합한 점군 데이터로, 다음에 상세히 기술하였다.
따라서, MMS 점군 데이터 기반 GCP를 추출하는 것보다, MMS 점군 데이터의 GCP와 MMS 데이터 및 UAV 데이터를 융합한 하이브리드 점군 데이터에서 취득한 GCP의 분포는 3차원 공간에서 균일하였으며, 항공정사영상과 DEM에서도 마찬가지로 균일하게 분포된 GCP를 취득하여 사용하였다. 하지만, 항공정사영상과 DEM을 사용하였을 경우 항공정사영상의 공간해상도는 25 cm로 제작되어 25 cm 내 지상거리에 물체가 있는 경우 점, 선, 면 특징을 구별하기 어려운 단점이 있어, MMS 데이터 및 UAV 데이터를 융합한 하이브리드 점군 데이터에서 취득한 GCP 개수보다 20개 적은 81개의 GCP를 취득하여 사용하였다.

데이터처리

UAV 사진측량 기반으로 제작된 정사영상과 DSM의 위치 정확도를 평가하기 위해서, GNSS를 이용하여 검사점(Check Point, CP)을 취득하였다. 사용한 GNSS 장비는 Fig.
GNSS 측량 방식은 네트워크 실시간 이동 측위(Network-Real Time Kinematic, Network-RTK) 기법으로, 한 측점 마다 10 epoch로 설정하여 위성 신호를 수신하였으며, Table 2에 GNSS 장비의 정확도를 나타냈다. 본 연구에서는 UAV 정사영상과 DSM 정확도 평가를 위한 검사점으로 총 31점의 3차원 좌표를 취득하였으며, 정확도는 정량적인 수치인 최대값, 최소값, 평균 제곱근 오차(Root Mean Square Error), 평균값을 계산하여 비교하였으며, RMSE는 식 (3) ~ 식 (6)에 대입하여 계산하였다. RMSE를 계산하기 위해서 X, Y, Z 축 오차를 계산하였으며, X, Y 평면 좌표값을 비교하여 수평 RMSEH와 Z 좌표값을 비교하여 수직 RMSEZ를 산정하여 비교하였다.

이론/모형

5에 있는 Leica GS18 T 수신기이다. GNSS 측량 방식은 네트워크 실시간 이동 측위(Network-Real Time Kinematic, Network-RTK) 기법으로, 한 측점 마다 10 epoch로 설정하여 위성 신호를 수신하였으며, Table 2에 GNSS 장비의 정확도를 나타냈다. 본 연구에서는 UAV 정사영상과 DSM 정확도 평가를 위한 검사점으로 총 31점의 3차원 좌표를 취득하였으며, 정확도는 정량적인 수치인 최대값, 최소값, 평균 제곱근 오차(Root Mean Square Error), 평균값을 계산하여 비교하였으며, RMSE는 식 (3) ~ 식 (6)에 대입하여 계산하였다.

성능/효과

Fig. 9에 묘사된 바와 같이, MMS의 점군 데이터의 GCP 분포가 고르지 못할 경우 검사점 전체의 수직 오차의 평균은 작을 수 있지만, 검사점 위치에 따른 수직오차의 범위는 1.45 m로 가장 큰 차이를 보임을 알 수 있었다. 이에 따라, 연구 대상 지역 전체에서 균일한 수직위치 정확도를 확보하기 위해서는 균일 분포된 GCP 취득이 정밀 데이터 구축에 중요함을 확인하였다.
다음으로 GCP를 사용하지 않고 UAV 플랫폼 RTKGNSS 정보만을 이용하여 제작한 정사영상과 DSM 정확도는 m 단위로 정확도가 현저하게 낮은 것을 확인하였다. GCP를 사용하지 않았을 경우 수직 RMSE는 4.165m, 수평 RMSE는 2.331 m로 계산되었으며 GCP를 사용했을 경우 약 cm 급 RMSE인 경우에 비해 수평 RMSE는 약 15배 ~ 26배 증가함을 보였으며, 수직 RMSE는 약 7 ~17배 증가함을 확인하였다.
Table 5는 GCP를 취득한 참조 데이터 종류에 따라 제작된 UAV 정사영상 및 DSM과 검사점 위치정보를 이용하여 Max, Min, Mean, RMSE을 계산하였으며, 이를 비교한 표이다. MMS와 UAV 융합 점군 데이터의 GCP를 사용한 경우 RMSE_H = 8.9 cm, RMSEZ = 24.5 cm이며, MMS의 GCP를 사용한 경우 RMSE_H= 11.8 cm, RMSE_Z = 62.7 cm로 계산되었다. 항공정사사진과 DEM의 GCP를 사용한 경우 RMSE_H = 16.
GCP에 따른 각 공간정보에 대한 데이터 처리 품질을 Table 4에 수록하였다. Table 4에서 알 수 있듯이 GCP 취득에 활용한 참조데이터 따라 UAV 지오레퍼런싱 RMSE는 MMS 데이터와 UAV 데이터를 융합한 점군 데이터, MMS 점군 데이터, 항공정사사진과 DEM 순으로 증가하였으며, 매칭수도 UAV 지오레퍼런싱 RMSE에 따라 증가하는 것을 확인하였다.
10에 방향과 상대적인 오차길이를 함께 표시하였으나, GCP 취득에 활용된 검사점 위치에 따른 수평 오차의 발생 방향에 대한 경향은 미비한 것으로 보인다. 검사점의 수평 RMSE(Root Mean Square Error)는 MMS와 UAV데이터를 융합한 점군 데이터 GCP를 사용한 경우 8.9 cm이며, MMS 점군 데이터 GCP의 수평 RMSE는 11.8 cm로, 항공정사영상과 1:1000 수치지형도 기반 DEM 데이터의 수평 RMSE는 16.0 cm로 계산되었으며, 하이브리드 점군 데이터 GCP를 사용한 경우 수평 정확도가 가장 높은 것으로 확인되었다.
다음으로 GCP를 사용하지 않고 UAV 플랫폼 RTKGNSS 정보만을 이용하여 제작한 정사영상과 DSM 정확도는 m 단위로 정확도가 현저하게 낮은 것을 확인하였다. GCP를 사용하지 않았을 경우 수직 RMSE는 4.
둘째, GCP 없이 UAV에 탑재된 GNSS/INS 정보만 사용했을 경우 수평 RMSE는 2.331 m, 수직 RMSE는 4.165 m로 m 급 정확도로 계산되었으며, GCP를 사용했을 경우 약 cm 급 RMSE인 경우에 비해 수평 RMSE는 약 15배 ~ 26배, 수직 RMSE는 약 7배 ~ 17배 증가함을 확인하였다. 즉, 정밀 위치 보정을 하기 위해서 GCP는 반드시 필요하다는 것을 알 수 있었다.
MMS 점군 데이터의 GCP와 MMS 데이터 및 UAV 데이터를 융합한 하이브리드 점군 데이터의 특성을 비교하였을 때, MMS의 접근 한계와 지상의 차량, 건물, 나무, 사람 등 폐색요인으로 인해 활용 가능한 MMS 점군 데이터로 취득한 GCP 분포가 도로 주변에 치우치는 경향이 있다. 따라서, MMS 점군 데이터 기반 GCP를 추출하는 것보다, MMS 점군 데이터의 GCP와 MMS 데이터 및 UAV 데이터를 융합한 하이브리드 점군 데이터에서 취득한 GCP의 분포는 3차원 공간에서 균일하였으며, 항공정사영상과 DEM에서도 마찬가지로 균일하게 분포된 GCP를 취득하여 사용하였다. 하지만, 항공정사영상과 DEM을 사용하였을 경우 항공정사영상의 공간해상도는 25 cm로 제작되어 25 cm 내 지상거리에 물체가 있는 경우 점, 선, 면 특징을 구별하기 어려운 단점이 있어, MMS 데이터 및 UAV 데이터를 융합한 하이브리드 점군 데이터에서 취득한 GCP 개수보다 20개 적은 81개의 GCP를 취득하여 사용하였다.
UAV는 기체 자체가 바람의 영향으로 불안정하고, 위치센서의 정확도에 문제가 있기 때문에 UAV에 탑재된 GNSS/INS을 이용하여 제작한 정사영상 및 DSM은 위치정보의 정확도에 문제가 있다. 따라서, UAV기반 데이터 처리 시 GCP를 사용이 필수적이며, 이를 이용하여 UAV의 지오레퍼런싱 정확도를 향상하였다.
즉, 정밀 위치 보정을 하기 위해서 GCP는 반드시 필요하다는 것을 알 수 있었다. 또한 참조 데이터에서 GCP를 취득할 경우 GCP의 수와 분포, 활용한 공간정보의 해상도에 따라 UAV 영상 기반으로 제작된 정사영상과 DSM 정확도에 영향을 미치는 것으로 확인되었다.
마지막으로, MMS 점군 데이터와 UAV 점군 데이터를 융합한 하이브리드 점군 데이터의 GCP와 항공정사 영상과 DEM의 GCP는 비슷한 GCP 개수와 분포로 취득되었으나, 공간정보의 정확도 및 해상도의 차이로 점, 선, 면 특징을 구별하기 어려운 단점이 있어 항공정사 영상과 DEM의 GCP의 개수가 20개 적게 취득되었다. 항공정사영상과 DEM의 공간해상도는 각 25 cm, 1 m로 MMS 데이터와 UAV 데이터를 융합한 하이브리드 데이터의 수평·수직 RMSE를 비교하면, 항공정사영상과 DEM을 사용했을 경우 수직 RMSE는 하이브리드 데이터와 비슷한 정확도를 보였으며, 수평 RMSE는 MMS와 UAV 데이터를 융합한 점군 데이터보다 약 2배 증가하였다.
8은 검사점의 위치 분포에 따른 UAV 기반 정사 영상과 DSM의 정확도를 비교하기 위해 DSM 값과 검사점의 Z축 값 오차를 막대그래프로 도시하였다. 수직오차의 경우, MMS 데이터를 GCP로 사용하였을 때, 연구지역의 남동측 하단에서 검사점과의 오차범위가 비교적 크게 나타났다. 이에 대해, 정량적 비교를 하기 위하여 MMS 점군 데이터가 구축된 지역과 검사점의 거리의 평균인 약 75 m를 기준으로 13개의 근거리 검사점과 18개의 원거리 검사점을 나누어 오차의 평균을 계산 하였으며, 근거리 검사점에서 수직 오차의 평균은 21.
5 cm로 가장 작은 수치를 보였다. 수평 RMSE는 MMS 점군 데이터, 항공정사영상과 DEM를 GCP로 사용한 순으로 11.8 cm, 16.0 cm로 증가함을 보였으며, 수직 RMSE는 항공 정사영상과 DEM, MMS 점군 데이터를 GCP로 사용한 순으로 24.5 cm, 62.7 cm로 특히, MMS 점군 데이터만을 사용한 경우 2.6배 증가하였다.
수직오차의 경우, MMS 데이터를 GCP로 사용하였을 때, 연구지역의 남동측 하단에서 검사점과의 오차범위가 비교적 크게 나타났다. 이에 대해, 정량적 비교를 하기 위하여 MMS 점군 데이터가 구축된 지역과 검사점의 거리의 평균인 약 75 m를 기준으로 13개의 근거리 검사점과 18개의 원거리 검사점을 나누어 오차의 평균을 계산 하였으며, 근거리 검사점에서 수직 오차의 평균은 21.9 cm로 계산되었으나, 원거리 검사점에서 수직 오차의 평균은 87.9 cm로 증가함을 확인하였다(Table 6). 이에따라 MMS와 UAV 융합 점군 데이터의 GCP를 사용한 경우와 MMS 점군 데이터의 정확도를 비교하면, MMS로 취득한 점군 데이터는 cm 급 정확도로 UAV 기하보정이 가능할 것으로 판단되나, GCP의 분포에 따라 수직 오차 범위가 커질 수 있다는 단점이 있다.
165 m로 m 급 정확도로 계산되었으며, GCP를 사용했을 경우 약 cm 급 RMSE인 경우에 비해 수평 RMSE는 약 15배 ~ 26배, 수직 RMSE는 약 7배 ~ 17배 증가함을 확인하였다. 즉, 정밀 위치 보정을 하기 위해서 GCP는 반드시 필요하다는 것을 알 수 있었다. 또한 참조 데이터에서 GCP를 취득할 경우 GCP의 수와 분포, 활용한 공간정보의 해상도에 따라 UAV 영상 기반으로 제작된 정사영상과 DSM 정확도에 영향을 미치는 것으로 확인되었다.
6 cm로 증가하였다. 즉, 참조데이터의 DEM 해상도에 따라 GCP로 활용되는 Z축 정확도가 낮으면, UAV 기반 DSM 수직 정확도 또한 낮아지는 것을 확인하였다.
첫째, MMS와 UAV 데이터를 융합한 점군 데이터를 이용한 경우 수평·수직 RMSE는 8.9 cm, 24.5 cm로 가장 작은 수치를 보였다.
7 cm로 계산되었다. 항공정사사진과 DEM의 GCP를 사용한 경우 RMSE_H = 16.0 cm, RMSE_Z = 24.5 cm로 확인되었다. 이에 반해, UAV의 GNSS/INS 센서만을 사용한 경우 RMSE는 m 단위로 계산되었으며, RMSE_H =2.
항공정사영상과 DEM의 공간해상도는 각 25 cm, 1 m로 MMS 데이터와 UAV 데이터를 융합한 하이브리드 데이터의 수평·수직 RMSE를 비교하면, 항공정사영상과 DEM을 사용했을 경우 수직 RMSE는 하이브리드 데이터와 비슷한 정확도를 보였으며, 수평 RMSE는 MMS와 UAV 데이터를 융합한 점군 데이터보다 약 2배 증가하였다.

후속연구

따라서, 기 제작된 다양한 공간데이터로 취득한 GCP를 활용하여 UAV 영상 기반 정사영상과 DSM을 제작한다면 신속하고 정확한 위치정보를 요구하는 재난 대응 단계에서 광범위한 지역의 준 실시간 모니터링이 가능해지고 재난 복구 단계에서 보다 정확한 피해면적과 피해 규모 산출, 주기적으로 복구현황 파악이 가능해질 것으로 기대된다. 본 연구에서는 참조 공간데이터의 GCP 취득 시 수동적인 방법을 자동적인 매칭기법으로 보완해야 하는 것은 향후 연구가 필요한 내용이다.
따라서, 기 제작된 다양한 공간데이터로 취득한 GCP를 활용하여 UAV 영상 기반 정사영상과 DSM을 제작한다면 신속하고 정확한 위치정보를 요구하는 재난 대응 단계에서 광범위한 지역의 준 실시간 모니터링이 가능해지고 재난 복구 단계에서 보다 정확한 피해면적과 피해 규모 산출, 주기적으로 복구현황 파악이 가능해질 것으로 기대된다. 본 연구에서는 참조 공간데이터의 GCP 취득 시 수동적인 방법을 자동적인 매칭기법으로 보완해야 하는 것은 향후 연구가 필요한 내용이다.

참고문헌 (15)

Aguera-Vega, F., F. Carvajal-Ramirez, and P. Martinez-Carricondo, 2017. Assessment of photogrammetric mapping accuracy based on variation ground control points number using unmanned aerial vehicle, Measurement: Journal of the International Measurement Confederation, 98: 221-227.

상세보기
Ai, M., Q. Hu, J. Li, M. Wang, H. Yuan, and S. Wang, 2015. A robust photogrammetric processing method of low-altitude UAV images, Remote Sensing, 7(3): 2302-2333.

상세보기
Boccardo, P., F. Chiabrando, F. Dutto, F. G. Tonolo, and A. Lingua, 2015. UAV deployment exercise for mapping purposes: Evaluation of emergency response applications, Sensors, 15(7): 15717-15737.

상세보기
Coveney, S. and K. Roberts, 2017. Lightweight UAV digital elevation models and orthoimagery for environmental applications: data accuracy evaluation and potential for river flood risk modelling, International Journal of Remote Sensing, 38(8-10): 3159-3180.

상세보기
Escobar Villanueva, J., L. Iglesias Martinez, and J. I. Perez Montiel, 2019. DEM generation from fixedwing UAV imaging and LiDAR-derived ground control points for flood estimations, Sensors, 19(14): 3205.

상세보기
Forlani, G., E. Dall'Asta, F. Diotri, U. M. di Cella, R. Roncella, and M. Santise, 2018. Quality assessment of DSMs produced from UAV flights georeferenced with on-board RTK positioning, Remote Sensing, 10(2): 311.

상세보기
Gholami Farkoushi, M., 2018. Data Fusion Technique for Laser Scanning Data and UAV Images to Construct Dense Geospatial Dataset, Master Thesis, Yonsei University, Seoul, Republic of Korea.
Goncalves, J. A. and R. Henriques, 2015. UAV photogrammetry for topographic monitoring of coastal areas, ISPRS Journal of Photogrammetry and Remote Sensing, 104: 101-111.

상세보기
Nex, F., D. Duarte, A. Steenbeek, and N. Kerle, 2019. Towards real-time building damage mapping with low-cost UAV solutions, Remote Sensing, 11(3): 1-14.
Nho, H., 2018. Fast Geocoding Processing for Low-Cost Unmanned Aerial Vehicle Imagery, Yonsei University, Seoul, Republic of Korea.
Sanz-Ablanedo, E., J. H. Chandler, J. R. Rodriguez-Perez, and C. Ordonez, 2018. Accuracy of Unmanned Aerial Vehicle (UAV) and SfM photogrammetry survey as a function of the number and location of ground control points used, Remote Sensing, 10(10): 1606.

상세보기
Suh, J. and Y. Choi, 2017. Mapping hazardous mininginduced sinkhole subsidence using unmanned aerial vehicle (drone) photogrammetry, Environmental Earth Sciences, 76(4): 1-12.

상세보기
Tonkin, T. N. and N. G. Midgley, 2016. Ground-control networks for image based surface reconstruction: An investigation of optimum survey designs using UAV derived imagery and structure-from-motion photogrammetry, Remote Sensing, 8(9): 16-19.
Zekkos, D., J. Manousakis, W. Greenwood, and J. Lynch, 2016. Immediate UAV-enabled infrastructure reconnaissance following recent natural disasters: case histories from Greece, Proc. of 1st International Conference on Natural Hazards & Infrastructure, Chania, Greece, Jun. 28-30.
Zimmerman, T., K. Jansen, and J. Miller, 2020. Analysis of UAS flight altitude and ground control point parameters on DEM accuracy along a complex, developed coastline, Remote Sensing, 12(14): 2305.

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