[논문]드론 영상을 이용한 리기다소나무림의 개체목 및 수고 추출

송찬; 김성용; 이선주; 장용환; 이영진

doi:10.7780/kjrs.2021.37.6.1.20

드론 영상을 이용한 리기다소나무림의 개체목 및 수고 추출
Extraction of Individual Trees and Tree Heights for Pinus rigida Forests Using UAV Images 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.6 pt.1, 2021년, pp.1731 - 1738

송찬 (국립공주대학교 산림과학과) , 김성용 (국립산림과학원 산불.산사태연구과) , 이선주 (국립산림과학원 산불.산사태연구과) , 장용환 (국립공주대학교 산림과학과) , 이영진 (국립공주대학교 산림과학과)

초록
AI-Helper

본 연구에서는 드론 정사영상과 객체추출 기법을 융합하여 개체목을 선별함과 더불어 수고를 추정할 수 있는 방법론을 제시하고자 하였다. 연구대상지는 충청남도 예산군 공주대학교 학술림에 위치한 리기다소나무림으로 간벌을 강도별로(40%, 20%, 10%, 대조구)로 조성한 시험지이다. 정사영상취득은 DJI사의 MAVIC2 PRO 드론을 이용하였으며, 촬영 범위 내 가장 높은 지형지물을 고려하여 고도를 180 m로 설정하였다. 영상왜곡을 방지하기 위하여 지상기준점 설치 및 내중첩(End lap)과 옆중첩(Side lap)을 각각 80%로 설정하였다. 영상분석 통하여 수치표면모델(DSM)과 수치지형 표고모델(DTM)을 추출하고 두 모델의 고도차를 이용해 수고모델(DCHM)을 생성하였다. 본 연구결과에 의하면, 간벌강도별 개체목 추출율은 간벌강도 40%는 109.1%, 간벌강도 20% 87.1%, 간벌강도 10% 63.5%, 대조구 56.0% 수준이었다. 개체목 별 수고특성을 추출한 결과, 간벌강도 40%는 현장조사 결과보다 약 1.43 m 낮았으며, 간벌강도 20%는 1.73 m, 간벌강도 10%는 1.88 m, 대조구는 2.22 m 낮게 측정되었다.

Abstract ▼ AI-Helper

The objective of this study was to extract individual trees and tree heights using UAV drone images. The study site was Gongju national university experiment forest, located in Yesan-gun, Chungcheongnam-do. The thinning intensity study sites consisted of 40% thinning, 20% thinning, 10% thinning and control. The image was filmed by using the "Mavic Pro 2" model of DJI company, and the altitude of the photo shoot was set at 80% of the overlay between 180m pictures. In order to prevent image distortion, a ground reference point was installed and the end lap and side lap were set to 80%. Tree heights were extracted using Digital Surface Model (DSM) and Digital Terrain Model (DTM), and individual trees were split and extracted using object-based analysis. As a result of individual tree extraction, thinning 40% stands showed the highest extraction rate of 109.1%, while thinning 20% showed 87.1%, thinning 10% showed 63.5%, and control sites showed 56.0% of accuracy. As a result of tree height extraction, thinning 40% showed 1.43m error compared with field survey data, while thinning 20% showed 1.73 m, thinning 10% showed 1.88 m, and control sites showed the largest error of 2.22 m.

주제어

표/그림 (7)

그림 Fig. 1. The location of study sites.
그림 Fig. 2. The images of MAVIC2 PRO UAV.
그림 Fig. 3. Drone image route and ground control point location.
그림 Fig. 5. The result of the segmentation (a) gray image (b) blue image (c) red image.
그림 Fig. 4. (a) orthophoto , (b) digital terrain model, (c) digital surface model, (d) digital crown height model of the study sites.
표 Table 1. The results of tree extraction rate and accuracy based on the different thinning types
표 Table 2. The results of tree height extraction based on the different thinning types (Unit: m)

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 고해상도 드론영상 정보와 원격탐사 방법 중 하나인 객체기반 영상분석 방법을 이용하여 산림내 개체목 추출과 수고를 추정할 수 있는 방법을 제시하고, 간벌강도가 수고와 개체목 추출에 어떤 영향을 미치는지를 분석하고자 하였다. 이를 통해 드론영상을 활용한 산림자원정보의 추정 가능성을 검토하는데 있어 기초 자료를 제공하고자 한다.
본 연구의 목적은 드론정사영상과 객체추출 기법을 융합하여 개체목 선별 및 수고를 추정할 수 있는 방법을 제시하는 것이다. 연구대상지는 충청남도 예산군 내리기다소나무림으로 간벌강도 40%, 20%, 10% 대조구가 설치된 지역이다.
본 연구에서는 고해상도 드론영상 정보와 원격탐사 방법 중 하나인 객체기반 영상분석 방법을 이용하여 산림내 개체목 추출과 수고를 추정할 수 있는 방법을 제시하고, 간벌강도가 수고와 개체목 추출에 어떤 영향을 미치는지를 분석하고자 하였다. 이를 통해 드론영상을 활용한 산림자원정보의 추정 가능성을 검토하는데 있어 기초 자료를 제공하고자 한다.

제안 방법

5로 고정하였다. 객체 분할 과정에서 Band의 크기, 공간특성, 공간위치, 임계값에 대한 가중치에 따라 객체의 성질과 형태가 변화함을 감안하여 개체목 추출에 적합한 수치 설정을 위한 반복 분석을 실시하였다.
영상취득에는 DJI사의 MAVIC2 PRO 드론을 이용하였으며, 촬영 범위 내 가장 높은 지형지물을 고려하여 고도를 180 m로 설정하였다. 영상 왜곡을 방지하기 위하여 4개 지점에 지상기준점을 설치하였으며, 내중첩과 옆중첩을 각각 80%로 설정하였다. 영상분석 통하여 DSM과 DTM을 추출하고 두 모델의 고도차를 이용해 DCHM을 생성하였다.
영상 왜곡을 방지하기 위하여 4개 지점에 지상기준점을 설치하였으며, 내중첩과 옆중첩을 각각 80%로 설정하였다. 영상분석 통하여 DSM과 DTM을 추출하고 두 모델의 고도차를 이용해 DCHM을 생성하였다. 간벌강도별 개체목 추출율을 분석한 결과, 간벌강도 40% 표준지 109.
영상에서 추출한 자료와 실제 측정으로 획득한 자료를 비교하기 위해 연구대상지에 설치된 12개의 표준지에 생육하고 있는 흉고직경 6 cm 이상의 개체목에 대하여 수고와 위치정보를 전수조사하였다. 수고는 Vertex IV 장비로 측정하였으며, 개체목의 위치정보는 임의의 중심점을 선정한 후 거리와 방위각을 이용하여 추정하였다.
연구대상지는 충청남도 예산군 내리기다소나무림으로 간벌강도 40%, 20%, 10% 대조구가 설치된 지역이다. 영상취득에는 DJI사의 MAVIC2 PRO 드론을 이용하였으며, 촬영 범위 내 가장 높은 지형지물을 고려하여 고도를 180 m로 설정하였다. 영상 왜곡을 방지하기 위하여 4개 지점에 지상기준점을 설치하였으며, 내중첩과 옆중첩을 각각 80%로 설정하였다.
활주 공간이 좁고, 바위나 식생 등 장애 요소가 많은 연구대상지 특징을 감안하여 수직 이·착륙이 가능하며, 방향 전환이 자유로운 회전익 드론을 영상 촬영 도구로 선정하였다

대상 데이터

본 연구의 목적은 드론정사영상과 객체추출 기법을 융합하여 개체목 선별 및 수고를 추정할 수 있는 방법을 제시하는 것이다. 연구대상지는 충청남도 예산군 내리기다소나무림으로 간벌강도 40%, 20%, 10% 대조구가 설치된 지역이다. 영상취득에는 DJI사의 MAVIC2 PRO 드론을 이용하였으며, 촬영 범위 내 가장 높은 지형지물을 고려하여 고도를 180 m로 설정하였다.
연구대상지는 충청남도 예산군 예산읍 주교리 산 45에 위치한 공주대학교 학술림으로 임령 49년생의 V영급 리기다소나무림이다. 연구대상지의 전체 면적은 18.
촬영대상지 면적은 총 면적은 36.5 ha로, 총 128매의 영상을 수집할 수 있었다. 이 중 125매는 내부표정요소에 의해 보정되었으나, 3매는 영상의 왜곡이 심하여 후처리 과정에서 삭제하였다.

데이터처리

최종 결과물을 이용해 간벌강도별 임목 추출율(Extraction rate)과 현장 조사 임목과 영상추출된 임목 간의 비교를 통해 추출정확도(Extraction accuracy)를 분석하였다. 이때 드론 영상으로부터 추출된 개체목을 추출 임목으로, 현장조사한 임목을 현장 임목으로 정의하였다.

이론/모형

활주 공간이 좁고, 바위나 식생 등 장애 요소가 많은 연구대상지 특징을 감안하여 수직 이·착륙이 가능하며, 방향 전환이 자유로운 회전익 드론을 영상 촬영 도구로 선정하였다. 드론은 DJI사 MAVIC2 PRO를 이용하였으며, 카메라는 2,000만 화소의 이미지를 촬영할 수 있는 Hasselblad L1D-20c를 이용하였다(Fig. 2).
DSM은 수치표면모델로 지면과 인공구조물, 수목 등의 지표피복물에 대한 표고를 나타내며, DTM은 수치 지형모델로 인공구조물과 수목 등 지표피복물에 대한 높이를 제거한 고도 모형이다. 이에 두 영상을 수치정보 차이를 통해 지면에 존재하는 구조물의 높이를 추정한 수고모델(DCHM, digital crown height model)을 생성하였다. 수고모델을 생성하기 위해서 사용된 수식은 식 (1)과 같다.

성능/효과

영상분석 통하여 DSM과 DTM을 추출하고 두 모델의 고도차를 이용해 DCHM을 생성하였다. 간벌강도별 개체목 추출율을 분석한 결과, 간벌강도 40% 표준지 109.1%, 간벌강도 20% 표준지 87.1%, 간벌강도 10% 표준지 75.6%, 대조구 58.2%이었다. 개체목 별 수고특성을 추출한 결과, 간벌강도 40%는 현장조사 결과보다 약 1.
2%이었다. 개체목 별 수고특성을 추출한 결과, 간벌강도 40%는 현장조사 결과보다 약 1.43 m 낮았으며, 간벌강도 20%는 1.73 m, 간벌강도 10%는 1.88 m, 대조구 2.22 m로 차이가 있었다. 드론을 이용한 산림측정은 지상기준점에 대한 연구와 Point Cloud의 밀도, 영상 분할 가중치 등 기초 연구에 대한 데이터가 누적된다면, 추후 빅데이터를 통한 딥러닝 학습 등을 수행할 수 있는 체계를 마련하고, 이를 통해 기존의 원격탐사 방법이나 현장조사를 대체할 수 있는 방안으로 잠재력이 충분하다고 판단된다.

후속연구

22 m로 차이가 있었다. 드론을 이용한 산림측정은 지상기준점에 대한 연구와 Point Cloud의 밀도, 영상 분할 가중치 등 기초 연구에 대한 데이터가 누적된다면, 추후 빅데이터를 통한 딥러닝 학습 등을 수행할 수 있는 체계를 마련하고, 이를 통해 기존의 원격탐사 방법이나 현장조사를 대체할 수 있는 방안으로 잠재력이 충분하다고 판단된다. 또한 연구의 목적과 계획에 따라 조방적인 지역을 대상으로 한 연구와 수관의 상층부에 대한 연구 등 드론의 장점을 고려한 선택적 연구에도 활용이 가능할 것이다.
드론을 이용한 산림측정은 지상기준점에 대한 연구와 Point Cloud의 밀도, 영상 분할 가중치 등 기초 연구에 대한 데이터가 누적된다면, 추후 빅데이터를 통한 딥러닝 학습 등을 수행할 수 있는 체계를 마련하고, 이를 통해 기존의 원격탐사 방법이나 현장조사를 대체할 수 있는 방안으로 잠재력이 충분하다고 판단된다. 또한 연구의 목적과 계획에 따라 조방적인 지역을 대상으로 한 연구와 수관의 상층부에 대한 연구 등 드론의 장점을 고려한 선택적 연구에도 활용이 가능할 것이다.

참고문헌 (19)

Andersen, H.E., R. McGaughey, and J. Reutebuch, 2004. Estimating forest canopy fuel parameters using LIDAR data, Remote Sensing of Environment, 94(4): 441-449.

상세보기
Grigillo, D. and U. Kanjir, 2012. Urban object extraction from digital surface model and digital aerial images, ISPRS annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 1: 215-220.

상세보기
Beucher, S., 1992. The watershed transformation applied to image segmentation, Scanning Microscopy, 1992(6): 28.
Belaid, L.J. and W. Mourou, 2009. Image segmentation: a watershed transformation algorithm, Image Analysis and Stereology, 28(2): 93-102.

상세보기
Hyyppa, J., M. Schardt, H. Haggren, H. Koch, U. Lohr, H.U. Scherrer, R. Paananen, H. Luukkonen, M. Ziegler, and H. Hyyppa, 2001. The first europeanwide attempt to derive single-tree information from laserscanner data, Journal of Finland, 17: 43-53.
Iizuka, K., T. Yonehara, M. Itoh, and Y. Kosugi, 2018. Estimating tree height and diameter at breast height (DBH) from digital surface models and orthophotos obtained with an unmanned aerial system for a Japanese cypress (Chamaecyparis obtusa) forest, Remote Sensing, 10: 1-13.

상세보기
Jucker, T.J., J. Caspersen, C. Chave, N. Antin, F. Barbier, M. Bongers, K.Y. Dalponte, D.L. Forrester, and M. Haeni, 2017. Allometric equations for integrating remote sensing imagery into forest monitoring programmes, Global Change Biology, 23: 177-190.

상세보기
Jain, Y., Y.H. He, and C. John, 2014. A multi-band watershed segmentation method for individual tree crown delineation from high resolution multispectral aerial image, Proc. of 2014 IEEE Geoscience and Remote Sensing Symposium, Quebec City, QC, CAN, Jul. 13-18, pp. 1599-1591.
Kamal, M. and S. Phinn, 2011. Hyperspectral data for mangrove species mapping: A comparison of pixel-based and object-based approach, Remote Sensing, 3(10): 2222-2242.

상세보기
Kim, S.Y., J.H. Jeong, S.J. Lee, and C.G. Kwon. 2021. Estimating tree height and diameter at breast height using the unmanned aerial system for Pinus koraiensis in Bonghwa region, Journal of Agriculture and Life Sciences, 55(2): 25-32.

상세보기
Liu, D. and F. Xia, 2010. Assessing object-based classification: Advantages and limitations, Remote Sensing Letters, 1: 187-194.

상세보기
Lynn, T.J., 2016. Tree height quantification with the use of DSM generated from uav-acquired imagery: Pinus densiflora forest in andong and Pinus koraiensis plantation in gwangju, Ph.D thesis, Kyungpook National University, Daegu, Kyungsang, KOR.
Mlambo, R., I.H. Woodhouse, F. Gerard, and K. Anderson, 2017. Structure from motion (SfM) photogrammetry with drone data: A low cost method for monitoring greenhouse gas emissions from forests in developing countries, Forests, 8: 68.

상세보기
Nemec, P., 2015. Comparison of modern forest inventory method with the common method for management of tropical rainforest in the Peruvian Amazon, Journal of Tropical Forest Science, 27: 80-91.
Ota, T., M. Ogawa, K. Shimizu, T. Kajisa, N. Mizoue, S. Yoshida, G. Takao, Y. Hirata, N. Furuya, and T. Sano, 2015. Aboveground Biomass Estimation Using Structure from Motion Approach with Aerial Photographs in a Seasonal Tropical Forest, Forests, 6: 3882-3898.

상세보기
Woo, C.S., 2006. DEM generation and tree height estimation in forest area using airborne LiDAR data, M.S. Thesis, Inha University, Incheon, KOR.
Yim, Y.S. 2017. A study on the extraction of tree structure characteristics by Drone images, M.S. Thesis, Kunkook University, Seoul, KOR.
Yim. W.T., 2016. A study on automatic extraction of tree using UAV-based spatial information, Ph.D thesis, Kunkook University, Seoul, KOR.
You, J.H, M.Y. Kim, J.G. Kim, and K.C. Shin, 2020. Detection of pine wilt disease using RGB-based low altitude images and spectral vegetation indices from a drone, Journal of Agriculture and Life Science, 54(6): 21-27.

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