[논문]라이다 플랫폼과 딥러닝 모델에 따른 잣나무와 낙엽송의 분류정확도 비교 및 평가

이용규; 이상진; 이정수

doi:10.14578/jkfs.2023.112.2.195

[국내논문] 라이다 플랫폼과 딥러닝 모델에 따른 잣나무와 낙엽송의 분류정확도 비교 및 평가
Comparison and Evaluation of Classification Accuracy for Pinus koraiensis and Larix kaempferi based on LiDAR Platforms and Deep Learning Models 원문보기

한국산림과학회지 = Journal of korean society of forest science, v.112 no.2, 2023년, pp.195 - 208

이용규 (강원대학교 산림경영학과) , 이상진 (강원대학교 산림경영학과) , 이정수 (강원대학교 산림경영학과)

초록
AI-Helper

본 연구는 잣나무와 낙엽송을 대상으로 라이다로부터 취득된 3차원의 Point cloud data (PCD)를 이용하여 딥러닝 기반의 수종 분류 모델을 구축하고 분류정확도를 비교·평가하였다. 수종 분류 모델은 라이다 플랫폼(고정식과 이동식), Farthest point sampling (FPS) 기반의 다운샘플링 강도(1024개, 2048개, 4096개, 8192개), 딥러닝 모델(PointNet, PointNet++) 3가지 조건에 따라 총 16개의 모델을 구축하였다. 분류 정확도 평가 결과, 고정식 라이다는 다운샘플링 강도가 8192개인 PCD 자료에 PointNet++ 모델을 적용하였을 때 카파계수가 93.7%로 가장 높았으며, 이동식 라이다는 다운샘플링 강도가 2048개에 PointNet++을 적용하였을 때 카파계수가 96.9%로 가장 높았다. 또한, 플랫폼과 다운샘플링 강도가 동일한 경우 PointNet++이 PointNet보다 정확도가 높았다. 구축된 16개 모델의 오분류 사례는 첫 번째, 수종 간의 구조적인 특징이 유사한 개체목 두 번째, 경사지 또는 임도 주변에 위치하여 편심생장한 개체목 세 번째, 개체목 분할 시 수관부가 수직으로 분할된 개체목에 대해 발생하였다.

Abstract ▼ AI-Helper

This study aimed to use three-dimensional point cloud data (PCD) obtained from Terrestrial Laser Scanning (TLS) and Mobile Laser Scanning (MLS) to evaluate a deep learning-based species classification model for two tree species: Pinus koraiensis and Larix kaempferi. Sixteen models were constructed based on the three conditions: LiDAR platform (TLS and MLS), down-sampling intensity (1024, 2048, 4096, 8192), and deep learning model (PointNet, PointNet++). According to the classification accuracy evaluation, the highest kappa coefficients were 93.7% for TLS and 96.9% for MLS when applied to PCD data from the PointNet++ model, with down-sampling intensities of 8192 and 2048, respectively. Furthermore, PointNet++ was consistently more accurate than PointNet in all scenarios sharing the same platform and down-sampling intensity. Misclassification occurred among individuals of different species with structurally similar characteristics, among individual trees that exhibited eccentric growth due to their location on slopes or around trails, and among some individual trees in which the crown was vertically divided during tree segmentation.

Keyword

표/그림 (16)

그림 Figure 1. The location of study area.
표 Table 1. Distribution of diameter at breast height (DBH) and tree height in the study area.
표 Table 2. Specifications and performance of the BLK360 and Hovermap LiDAR.
그림 Figure 2. Flowchart of overall research for tree species classification using LiDAR point cloud data and deep learning.
그림 Figure 3. Data Acquisition and Preprocessing in the tree species dataset.
그림 Figure 4. Architecture visualization of PCD deep learning models.
표 Table 3. Evaluation of confusion matrix for tree species classification models.
표 Table 4. Distribution of tree species dataset with number of point cloud data.
그림 Figure 5.The samples of individual tree point clouds obtained by the farthest point sampling method down-sampling on TLS and MLS data.
그림 Figure 6. Accuracy and loss curves of tree species classification using two deeplearning models with LiDAR platform and down-sampling method.
표 Table 5. Confusion matrix of PCD deep learning models according to platform and down-sampling intensity.
표 Table 6. Comparison of classification accuracy by PCD deep learning models.
표 Table 7. Time required to down-sampling and training and validation for PointNet and PointNet++.
그림 Figure 7. The distribution of DBH and Tree height in misclassified tree species.
표 Table 8. Comparative t-test analysis of DBH and tree height for true and false classifications in Pinus koraiensis and Larix kaempferi
그림 Figure 8. The Samples of individual tree point clouds in misclassification types.

AI 본문요약
AI-Helper

문제 정의

따라서, 본 연구는 우리나라의 산림자원조사에 라이다를 적용하기 위해 PCD와 딥러닝 모델을 이용하여 수종정보를 추출하는 것을 목적으로 하였다. 이를 위해 본 연구에서는 우리나라 주요 침엽수종인 잣나무와 낙엽송에 대한 데이터를 수집하고, 플랫폼 별 다운샘플링 강도, 딥러닝 모델에 따른 수종 분류 결과를 도출함으로써 라이다를 이용한 산림자원조사에 수종 분류 모델을 적용하고자 하였다.

제안 방법

따라서, 본 연구는 우리나라의 산림자원조사에 라이다를 적용하기 위해 PCD와 딥러닝 모델을 이용하여 수종정보를 추출하는 것을 목적으로 하였다. 이를 위해 본 연구에서는 우리나라 주요 침엽수종인 잣나무와 낙엽송에 대한 데이터를 수집하고, 플랫폼 별 다운샘플링 강도, 딥러닝 모델에 따른 수종 분류 결과를 도출함으로써 라이다를 이용한 산림자원조사에 수종 분류 모델을 적용하고자 하였다.
본 연구에서는 TLS와 MLS를 이용하여 PCD를 수집하였으며, 수집된 표본지 단위의 PCD를 노이즈 제거 및 지면점 분리, 높이 정규화, 개체목 분할 과정의 데이터 전처리를 통해 개체목 단위의 PCD로 구축하였다. 각 개체목 단위의 PCD는 데이터 형태에 따른 딥러닝 모델의 비교를 위해 1024개(S1), 2048개(S2), 4096개(S3), 8192(S4) 포인트로 다운샘플링을 수행하였다.
본 연구는 TLS와 MLS를 이용하여 잣나무와 낙엽송을 대상으로 개체목 단위의 PCD를 구축하고 라이다 플랫폼, 다운샘플링 강도, PCD 딥러닝 모델에 따라 수종분류 모델을 구축 및 평가하였다. 수종분류 모델의 구축 결과, TLS을 이용하였을 때는 S4 포인트로 다운샘플링된 자료에 PointNet++을 적용한 모델, MLS는 S2 포인트에 PointNet++을 적용한 모델의 정확도가 가장 우수하였다.

대상 데이터

연구대상지는 강원도 춘천시 동산면과 홍천군 북방면에 위치한 강원대학교 학술림의 잣나무림과 낙엽송림 지역에 각각 5개의 표본지를 선정하였다. 표본지는 국가산림 자원조사(NFI) 표본지 설정에 따라 기본 조사구 반경이 11.
연구대상지는 강원도 춘천시 동산면과 홍천군 북방면에 위치한 강원대학교 학술림의 잣나무림과 낙엽송림 지역에 각각 5개의 표본지를 선정하였다. 표본지는 국가산림 자원조사(NFI) 표본지 설정에 따라 기본 조사구 반경이 11.3 m, 면적이 0.04 ha인 원형 Plot으로 설정하여 조사하였다(Korea Forest Service, 2021)(Figure 1). 잣나무림과 낙엽송림 표본지는 모두 5영급 인공림으로, 평균 경사는 잣나무림에서 약 20°, 낙엽송림에서 약 26°로 분포하였다.
본 연구에서는 TLS와 MLS를 이용하여 PCD를 수집하였으며, 수집된 표본지 단위의 PCD를 노이즈 제거 및 지면점 분리, 높이 정규화, 개체목 분할 과정의 데이터 전처리를 통해 개체목 단위의 PCD로 구축하였다. 각 개체목 단위의 PCD는 데이터 형태에 따른 딥러닝 모델의 비교를 위해 1024개(S1), 2048개(S2), 4096개(S3), 8192(S4) 포인트로 다운샘플링을 수행하였다. 데이터세트는 7:3 비율로 학습데이터와 검증데이터로 구분하였으며, 라이다 플랫폼과 다운샘플링 강도에 따라 8종류의 데이터세트를 구축하였다.
각 개체목 단위의 PCD는 데이터 형태에 따른 딥러닝 모델의 비교를 위해 1024개(S1), 2048개(S2), 4096개(S3), 8192(S4) 포인트로 다운샘플링을 수행하였다. 데이터세트는 7:3 비율로 학습데이터와 검증데이터로 구분하였으며, 라이다 플랫폼과 다운샘플링 강도에 따라 8종류의 데이터세트를 구축하였다. 딥러닝 모델은 PointNet과 PointNet++를 이용하였으며, 검증데이터를 이용하여 혼동 행렬을 작성하여 수종분류 모델의 정확도를 비교·평가하였다(Figure 2).
본 연구에서 구축한 데이터세트는 총 263개의 개체목 단위의 PCD로 구성되었으며, 무작위 추출법을 이용하여 학습데이터(185개)와 검증데이터(78개)로 구분되었다. 학습데이터는 잣나무 130개, 낙엽송 55개, 검증데이터는 잣나무 55개, 낙엽송 23개로 구성되었다.
본 연구에서 구축한 데이터세트는 총 263개의 개체목 단위의 PCD로 구성되었으며, 무작위 추출법을 이용하여 학습데이터(185개)와 검증데이터(78개)로 구분되었다. 학습데이터는 잣나무 130개, 낙엽송 55개, 검증데이터는 잣나무 55개, 낙엽송 23개로 구성되었다. 구축된 각 개체목 단위의 PCD는 포인트 수가 TLS의 경우 최소 992천개에서 최대 10,292천개까지 분포한 반면, MLS는 최소 182천개에서 최대 2,915천개로 평균 포인트 수가 TLS가 MLS에 비해 약 1.
본 연구에서 구축된 16개의 모델을 검증데이터에 적용하여 도출된 오분류 사례에 대해 분석한 결과, 데이터세트에 대한 보완이 필요하다고 판단된다. 본 연구의 데이터세트는 5영급 잣나무림과 낙엽송림에 한정되었으며, 완경사지에 위치하였다. 또한, 임분단위로 수집된 PCD 자료를 개체목 단위의 PCD로 구축하는 과정에서 수관 부분을 명확하게 구분하는데 어려움이 있었다.

데이터처리

딥러닝 모델은 PointNet과 PointNet++를 이용하였으며, 검증데이터를 이용하여 혼동 행렬을 작성하여 수종분류 모델의 정확도를 비교·평가하였다(Figure 2).
마지막으로, 수종 분류 모델의 오분류 원인을 도출하기 위해 검증데이터에 해당하는 개체목들을 모든 모델에서 바르게 분류한 그룹(True)과 하나의 모델 이상에서 오분류된 그룹(False)으로 구분하였다. True 그룹과 False 그룹의 흉고직경과 수고에 차이가 있는지 검정하기 위해 t-test를 시행하였다.
마지막으로, 수종 분류 모델의 오분류 원인을 도출하기 위해 검증데이터에 해당하는 개체목들을 모든 모델에서 바르게 분류한 그룹(True)과 하나의 모델 이상에서 오분류된 그룹(False)으로 구분하였다. True 그룹과 False 그룹의 흉고직경과 수고에 차이가 있는지 검정하기 위해 t-test를 시행하였다. 또한, 오분류된 개체목의 PCD에 대한 검토를 수행하고 수종 분류 모델의 개선방안을 제시하였다.

이론/모형

노이즈 제거는 LiDAR 데이터 취득 시 발생하는 대상지 외의 불필요한 포인트를 대상으로 제거하였다. 노이즈 제거 방법은 임분 상단부 또는 지면 하단부에 분포한 노이즈 포인트를 육안판독을 통해 수동으로 제거한 후에 Statistical Outlier Removal (SOR) 방법을 적용하였다. SOR은 각 이웃 점과의 거리의 평균과 표준편차(std)를 산출하고, 표준편차가 기준값보다 크면 노이즈 포인트로 간주하여 제거한다.

성능/효과

플랫폼에 따른 최적 모델은 TLS는 다운샘플링 S4, PointNet++을 적용한 모델이 검증정확도가 97.4%로 가장 높았으며, MLS는 다운샘플링 S2, PointNet++을 적용한 모델이 검증정확도가 98.7%로 플랫폼별 최적의 모델 기준, MLS가 TLS보다 약 1.3% 우수하였다.
TLS를 이용하여 구축된 수종 분류 모델 중 다운샘플링 S4, PointNet++을 이용한 모델의 카파 계수가 93.7%로 가장 높았으며, MLS는 다운샘플링 S2, PointNet++을 이용한 모델이 96.9%로 가장 높았다. 특히, 구축된 수종 분류 모델에서 다운샘플링 강도와 플랫폼이 동일한 모든 경우에서 PointNet++가 PointNet보다 더 높은 정확도로 산출되었다.
9%로 가장 높았다. 특히, 구축된 수종 분류 모델에서 다운샘플링 강도와 플랫폼이 동일한 모든 경우에서 PointNet++가 PointNet보다 더 높은 정확도로 산출되었다. 따라서, 잣나무와 낙엽송의 분류 모델은 PointNet++이 적절한 것으로 판단된다.
특히, 구축된 수종 분류 모델에서 다운샘플링 강도와 플랫폼이 동일한 모든 경우에서 PointNet++가 PointNet보다 더 높은 정확도로 산출되었다. 따라서, 잣나무와 낙엽송의 분류 모델은 PointNet++이 적절한 것으로 판단된다.
수종 분류 분석과정의 소요시간은 다운샘플링 단계에서 평균 약 184분, 모델 학습 및 검증 단계에서 평균 약 83분으로 다운샘플링 단계가 평균 약 2.2배 더 오래 소요되었다. 다운샘플링의 강도에 따른 총 분석 소요시간은 TLS가 MLS보다 3.
2배 더 오래 소요되었다. 다운샘플링의 강도에 따른 총 분석 소요시간은 TLS가 MLS보다 3.9배 오래 소요되었으며, 다운샘플링의 포인트 수가 S4가 S1에 비해 TLS에서 7.4배, MLS에서 7.6배 오래 소요되었다. 이처럼 FPS를 이용한 다운샘플링은 원본데이터의 포인트 수와 다운샘플링의 포인트 수가 많을수록 시간이 증가하였다.
이처럼 FPS를 이용한 다운샘플링은 원본데이터의 포인트 수와 다운샘플링의 포인트 수가 많을수록 시간이 증가하였다. 모델의 학습 및 검증 시간은 포인트의 수가 증가할수록 소요시간이 증가하는 패턴을 보였으나, 포인트 수보다 모델의 구조 차이에 따라 학습시간에 미치는 영향이 컸다. 모델별 평균 소요시간을 측정하였을 때, PointNet++는 PointNet보다 약 1.
오분류 검토 결과를 종합하면, 두 수종 간의 구조적인 특징이 유사하거나 주변 생육 환경에 의해 특징이 나타나지 않는 개체목들이 오분류 되었다. 따라서, 위와 같은 오분류사례를 개선하기 위해서는 다양한 환경에서 생육하고 있는 개체목들에 대한 데이터 수집이 필요하다고 판단된다.
본 연구는 TLS와 MLS를 이용하여 잣나무와 낙엽송을 대상으로 개체목 단위의 PCD를 구축하고 라이다 플랫폼, 다운샘플링 강도, PCD 딥러닝 모델에 따라 수종분류 모델을 구축 및 평가하였다. 수종분류 모델의 구축 결과, TLS을 이용하였을 때는 S4 포인트로 다운샘플링된 자료에 PointNet++을 적용한 모델, MLS는 S2 포인트에 PointNet++을 적용한 모델의 정확도가 가장 우수하였다. 정확도가 가장 높은 모델을 기준으로 MLS를 이용하여 구축된 수종분류 모델이 TLS보다 카파계수가 약 1.
수종분류 모델의 구축 결과, TLS을 이용하였을 때는 S4 포인트로 다운샘플링된 자료에 PointNet++을 적용한 모델, MLS는 S2 포인트에 PointNet++을 적용한 모델의 정확도가 가장 우수하였다. 정확도가 가장 높은 모델을 기준으로 MLS를 이용하여 구축된 수종분류 모델이 TLS보다 카파계수가 약 1.3% 높았으며, MLS 데이터 구축과정에서 정합하는 과정이 생략되어 데이터세트 구축에 용이하였다. 따라서, 잣나무와 낙엽송의 분류에 있어서는 TLS 보다 MLS의 활용 가능성이 높다고 판단된다.
또한, 다운샘플링의 최적화 단계서는 다운샘플링 강도에 따라 소요 시간이 급격하게 변화하는 점을 고려해야 한다. 마지막으로, PCD 딥러닝 모델은 동일한 플랫폼과 다운샘플링 강도를 이용하였을 때, 모든 모델에서 PointNet++의 정확도가 PointNet보다 높았기 때문에 수종분류 모델에는 PointNet++가 적합하다고 판단된다.

후속연구

이러한 점은 PointNet++이 모델의 크기를 의미하는 파라미터 수가 PointNet보다 더 큰 것이 원인으로 판단된다. 다운샘플링 과정과 학습 및 검증의 소요시간을 비교한 결과, 효율적인 수종 분류모델의 구축 및 적용을 위해서는 데이터의 구축과정에 대한 검토가 필요하며, 다양한 샘플링기법의 적용 및 평가를 통한 효율화가 필요할 것으로 판단된다(Table 7).
오분류 검토 결과를 종합하면, 두 수종 간의 구조적인 특징이 유사하거나 주변 생육 환경에 의해 특징이 나타나지 않는 개체목들이 오분류 되었다. 따라서, 위와 같은 오분류사례를 개선하기 위해서는 다양한 환경에서 생육하고 있는 개체목들에 대한 데이터 수집이 필요하다고 판단된다. 또한, 입력데이터를 포인트들의 위치 정보만 입력하는 기존 모델에서 라이다의 반사강도, 색상 값 등 다양한 입력자료룰 활용하는 수종 분류 모델의 개발이 필요하다고 생각된다.
따라서, 위와 같은 오분류사례를 개선하기 위해서는 다양한 환경에서 생육하고 있는 개체목들에 대한 데이터 수집이 필요하다고 판단된다. 또한, 입력데이터를 포인트들의 위치 정보만 입력하는 기존 모델에서 라이다의 반사강도, 색상 값 등 다양한 입력자료룰 활용하는 수종 분류 모델의 개발이 필요하다고 생각된다.
3% 높았으며, MLS 데이터 구축과정에서 정합하는 과정이 생략되어 데이터세트 구축에 용이하였다. 따라서, 잣나무와 낙엽송의 분류에 있어서는 TLS 보다 MLS의 활용 가능성이 높다고 판단된다. 하지만, 다양한 수종의 데이터세트가 구축된다면 고해상도의 TLS 자료의 정확도가 더 높게 산출될 가능성이 있기 때문에 TLS와 MLS 자료에 대한 지속적인 수집과 연구가 필요하다고 사료 된다.
따라서, 잣나무와 낙엽송의 분류에 있어서는 TLS 보다 MLS의 활용 가능성이 높다고 판단된다. 하지만, 다양한 수종의 데이터세트가 구축된다면 고해상도의 TLS 자료의 정확도가 더 높게 산출될 가능성이 있기 때문에 TLS와 MLS 자료에 대한 지속적인 수집과 연구가 필요하다고 사료 된다.
다운샘플링 강도는 모델을 구축하는 환경에 따라 최적의 값이 달라지기 때문에 향후, 수종분류 모델 구축 시 다운샘플링 강도를 최적화하는 단계가 필요하다고 판단된다. 또한, 다운샘플링의 최적화 단계서는 다운샘플링 강도에 따라 소요 시간이 급격하게 변화하는 점을 고려해야 한다.
본 연구에서 구축된 16개의 모델을 검증데이터에 적용하여 도출된 오분류 사례에 대해 분석한 결과, 데이터세트에 대한 보완이 필요하다고 판단된다. 본 연구의 데이터세트는 5영급 잣나무림과 낙엽송림에 한정되었으며, 완경사지에 위치하였다.
또한, 임분단위로 수집된 PCD 자료를 개체목 단위의 PCD로 구축하는 과정에서 수관 부분을 명확하게 구분하는데 어려움이 있었다. 이에 따라 향후에는 다양한 수종과 환경조건의 라이다 자료 수집을 통해 다양한 수종 및 혼효림을 대상으로 한 수종분류 모델의 적용가능성에 대해 검토해야 한다. 또한, 우리나라 수종의 특징을 추출할 수 있는 개체목 분할 알고리즘과 PCD 딥러닝 모델이 개발된다면, 산림자원조사의 수종 분류에도 라이다를 활용할 수 있을 것으로 기대된다.
이에 따라 향후에는 다양한 수종과 환경조건의 라이다 자료 수집을 통해 다양한 수종 및 혼효림을 대상으로 한 수종분류 모델의 적용가능성에 대해 검토해야 한다. 또한, 우리나라 수종의 특징을 추출할 수 있는 개체목 분할 알고리즘과 PCD 딥러닝 모델이 개발된다면, 산림자원조사의 수종 분류에도 라이다를 활용할 수 있을 것으로 기대된다.

참고문헌 (37)

Axelsson, A., Lindberg, E. and Olsson, H. 2018. Exploring multispectral ALS data for tree species classification. Remote Sensing 10(2): 183.
Ballanti, L., Blesius, L., Hines, E. and Kruse, B. 2016. Tree species classification using hyperspectral imagery: a comparison of two classifiers. Remote Sensing 8(6): 445.

상세보기
Briechle, S., Krzystek, P. and Vosselman, G. 2020. Classification of tree species and standing dead trees by fusing UAV-based lidar data and multispectral imagery in the 3D deep neural network PointNet++. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences 2: 203-210.
Chen, J., Chen, Y. and Liu, Z. 2021. Classification of typical tree species in laser point cloud based on deep learning. Remote Sensing 13(23): 4750.

상세보기
Chen, S., Liu, H., Feng, Z., Shen, C. and Chen, P. 2019. Applicability of personal laser scanning in forestry inventory. PLoS One 14(2): e0211392.

상세보기
Chen, Y., Liu, G., Xu, Y., Pan, P. and Xing, Y. 2021. PointNet++ network architecture with individual point level and global features on centroid for ALS point cloud classification. Remote Sensing 13(3): 472.

상세보기
Del Perugia, B., Giannetti, F., Chirici, G. and Travaglini, D. 2019. Influence of scan density on the estimation of single-tree attributes by hand-held mobile laser scanning. Forests 10(3): 277.

상세보기
Guan, H., Yu, Y., Ji, Z., Li, J. and Zhang, Q. 2015. Deep learning-based tree classification using mobile LiDAR data. Remote Sensing Letters 6(11): 864-873.

상세보기
Hartley, R.J., Jayathunga, S., Massam, P.D., de Silva, D., Estarija, H.J., Davidson, S.J., Wuraola, A. and Pearse, G.D. 2022. Assessing the potential of backpack-mounted mobile laser scanning systems for tree phenotyping. Remote Sensing 14(14): 3344.

상세보기
Jones, T.G., Coops, N.C. and Sharma, T. 2010. Assessing the utility of airborne hyperspectral and LiDAR data for species distribution mapping in the coastal Pacific Northwest, Canada. Remote Sensing of Environment 114(12): 2841-2852.

상세보기
Ko, B.J., Park, S.I., Park, H.J. and Lee, S.H. 2022. Measurement of tree height and diameter using terrestrial laser scanner in coniferous forests. Journal of Environmental Science International 31(6): 479-490.
Ko, C.U., Lee, J.W., Kim, D. and Kang, J.T. 2022. The application of terrestrial light detection and ranging to forest resource inventories for timber yield and carbon sink estimation. Forests 13(12): 2087.

상세보기
Korea Forest Service and Korea Forestry Promotion Institute. 2021. The 8th national forest inventory and forest health monitoring. -Field manual-. Seoul: Korea Forestry Promotion Institute. pp. 7-8.
Landis, J.R. and Koch, G.G. 1977. The measurement of observer agreement for categorical data. biometrics. pp. 159-174.
Liang, X. et al. 2018. International benchmarking of terrestrial laser scanning approaches for forest inventories. ISPRS Journal of Photogrammetry and Remote Sensing 144: 137-179.

상세보기
Lim, J.B., Kim, K.M., and Kim, M.K. 2019. The development of major tree species classification model using different satellite images and machine learning in Gwangneung area. Korean Journal of Remote Sensing 35(6): 1037-1052
Liu, B., Chen, S., Huang, H. and Tian, X. 2022. Tree Species Classification of backpack laser scanning data using the PointNet++ point cloud deep learning method. Remote Sensing 14(15): 3809.

상세보기
Liu, B., Huang, H., Su, Y., Chen, S., Li, Z., Chen, E. and Tian, X. 2022. Tree species classification using ground-based LiDAR data by various point cloud deep learning methods. Remote Sensing 14(22): 5733.

상세보기
Liu, B., Huang, H., Tian, X. and Ren, M. 2022. Individual tree species classification using the pointwise mlp-based point cloud deep learning method. Environmental Sciences Proceedings 22(1): 19.
Liu, M., Han, Z., Chen, Y., Liu, Z. and Han, Y. 2021. Tree species classification of LiDAR data based on 3D deep learning. Measurement 177: 109301.
Loudermilk, E.L., Pokswinski, S., Hawley, C.M., Maxwell, A., Gallagher, M.R., Skowronski, N.S., Hudak, A.T., Hoffman, C. and Hiers, J.K. 2023. Terrestrial laser scan metrics predict surface vegetation biomass and consumption in a frequently burned southeastern US ecosystem. bioRxiv, 2023-01.
Pu, R. and Landry, S. 2012. A comparative analysis of high spatial resolution IKONOS and WorldView-2 imagery for mapping urban tree species. Remote Sensing of Environment 124: 516-533.

상세보기
Qi, C.R., Su, H., Mo, K. and Guibas, L.J. 2017. Pointnet: deep learning on point sets for 3d classification and segmentation. In Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 652-660.
Qi, C.R., Yi, L., Su, H. and Guibas, L.J. 2017. Pointnet++: Deep hierarchical feature learning on point sets in a metric space. Advances in Neural Information Processing Systems 30: 5105-5114.
Ramadhani, F., Pullanagari, R., Kereszturi, G. and Procter, J. 2020. Mapping of rice growth phases and bare land using Landsat-8 OLI with machine learning. International Journal of Remote Sensing 41(21): 8428-8452.

상세보기
Sakharova, E.K., Nurlyeva, D.D., Fedorova, A.A., Yakubov, A.R. and Kanev, A.I. 2022. Issues of tree species classification from LiDAR data using deep learning model. In advances in neural computation, machine learning, and cognitive research V: Selected papers from the XXIII international conference on neuroinformatics, Moscow, Russia. Springer International Publishing. pp. 319-324.
Shin, Y. H., Son, K. W. and Lee, D. C. 2022. Semantic segmentation and building extraction from airborne LiDAR data with multiple return using PointNet++. Applied Sciences 12(4): 1975.
Soydaner, D. 2020. A comparison of optimization algorithms for deep learning. International Journal of Pattern Recognition and Artificial Intelligence 34(13): 2052013.

상세보기
Su, H., Maji, S., Kalogerakis, E. and Learned-Miller, E. 2015. Multi-view convolutional neural networks for 3d shape recognition. In Proceedings of the IEEE international conference on computer vision. pp. 945-953.
Tao, S. et al. 2015. Segmenting tree crowns from terrestrial and mobile LiDAR data by exploring ecological theories. ISPRS Journal of Photogrammetry and Remote Sensing 110: 66-76.

상세보기
Wessel, M., Brandmeier, M. and Tiede, D. 2018. Evaluation of different machine learning algorithms for scalable classification of tree types and tree species based on Sentinel-2 data. Remote Sensing 10(9): 1419.

상세보기
Wu, Z., Song, S., Khosla, A., Yu, F., Zhang, L., Tang, X. and Xiao, J. 2015. 3d shapenets: A deep representation for volumetric shapes. In Proceedings of the IEEE conference on computer vision and pattern recognition. pp. 1912-1920.
Xi, Z., Hopkinson, C., Rood, S.B. and Peddle, D.R. 2020. See the forest and the trees: effective machine and deep learning algorithms for wood filtering and tree species classification from terrestrial laser scanning. ISPRS Journal of Photogrammetry and Remote Sensing 168: 1-16.

상세보기
Yan, S., Jing, L. and Wang, H. 2021. A new individual tree species recognition method based on a convolutional neural network and high-spatial resolution remote sensing imagery. Remote Sensing 13(3): 479.

상세보기
Zeybek, M. and Sanlioglu, I. 2019. Point cloud filtering on UAV based point cloud. Measurement 133: 99-111.
Zhang, F., Tian, X., Zhang, H., and Jiang, M. 2022. Estimation of Aboveground carbon density of forests using deep learning and multisource remote sensing. Remote Sensing 14(13): 3022.

상세보기
Zhao, X., Guo, Q., Su, Y. and Xue, B. 2016. Improved progressive TIN densification filtering algorithm for airborne LiDAR data in forested areas. ISPRS Journal of Photogrammetry and Remote Sensing 117: 79-91.

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