[논문]항공 LiDAR 기반 Local Maxima를 이용한 산림지역 수목정보 추출 자동화

최인하; 남상관; 김승엽; 이동국

doi:10.7780/kjrs.2023.39.5.4.9

항공 LiDAR 기반 Local Maxima를 이용한 산림지역 수목정보 추출 자동화
Automatic Extraction of Tree Information in Forest Areas Using Local Maxima Based on Aerial LiDAR 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.5/1, 2023년, pp.1155 - 1164

최인하 ((주)올포랜드 사업본부 7그룹) , 남상관 ((주)올포랜드 사업본부) , 김승엽 ((주)올포랜드 사업본부 7그룹) , 이동국 ((주)올포랜드 사업본부 7그룹)

초록
AI-Helper

현재 국가산림자원조사(National Forest Inventory, NFI)는 인력에 의한 수목정보를 수집하고 있어 조사 범위와 시간의 한계가 따른다. 항공 Light Detection And Ranging (LiDAR) 및 항공 사진 등을 이용하여 넓은 지역의 수목 정보를 추출하기 위한 연구가 활발하게 진행되고 있으나 수목의 간격이 넓은 지역이거나 수목의 간격이 일정하게 배치된 지역을 대상으로 이루어지고 있어 우리나라 산림지역 특성을 반영하지 못하고 있다. 이에 본 연구에서는 항공 LiDAR를 이용하여 수치표면모델(Digital Surface Model, DSM), 수치표고모델(Digital Elevation Model, DEM), 수목높이모델(Canopy Height Model, CHM) 영상을 생성한 후 local maxima 기법을 통해 수고를 추출하고 산정식을 통해 흉고직경(Diameter at Breast Height, DBH)을 산정하는 방법론을 제안하였다. 제안한 방법론을 통해 추출한 수목의 검출 정확도는 매목지구별 각 88.46%, 86.14%, 84.31%로 나타났으며, 수고 값을 기반으로 산정한 DBH의 평균제곱근오차(Root Mean Squared Error, RMSE)가 5 cm 내외로 나타나 제안한 방법론의 활용 가능성을 확인하였다. 향후 다양한 유형의 산림에 대한 표준화 연구를 진행한다면 수작업으로 이루어지는 국가산림자원조사의 자동화 적용 범위를 확대할 수 있을 것으로 사료된다.

Abstract ▼ AI-Helper

Currently, the National Forest Inventory (NFI) collects tree information by human, so the range and time of the survey are limited. Research is actively being conducted to extract tree information from a large area using aerial Light Detection And Ranging (LiDAR) and aerial photographs, but it does not reflect the characteristics of forest areas in Korea because it is conducted in areas with wide tree spacing or evenly spaced trees. Therefore, this study proposed a methodology for generating Digital Surface Model (DSM), Digital Elevation Model (DEM), and Canopy Height Model (CHM) images using aerial LiDAR, extracting the tree height through the local Maxima, and calculating the Diameter at Breath Height (DBH) through the DBH-tree height formula. The detection accuracy of trees extracted through the proposed methodology was 88.46%, 86.14%, and 84.31%, respectively, and the Root Mean Squared Error (RMSE) of DBH calculated based on the tree height formula was around 5cm, confirming the possibility of using the proposed methodology. It is believed that if standardized research on various types of forests is conducted in the future, the scope of automation application of the manual national forest resource survey can be expanded.

주제어

표/그림 (18)

그림 Fig. 1. Study area.
그림 Fig. 2. Forest density map of study area.
그림 Fig. 3. Aerial orthophoto.
표 Table 1. Characteristics of study area
표 Table 2. Specification of CityMapper
그림 Fig. 4. Aerial LiDAR point cloud.
그림 Fig. 5. Collected diameter measurement data: (a) Study area 1, (b) Study area 2, and (c) Study area 3.
그림 Fig. 6. Methodology of extract individual tree information in forested areas based on aerial LiDAR.
그림 Fig. 7. Result of generating (a) DSM, (b) DEM, and (c) CHM.
그림 Fig. 8. Result of normalization height of point cloud. (a) Before normalization. (b) After normalization.
표 Table 3. Comparison of height between DSM, DEM, CHM
표 Table 4. Quantitative analysis for height normalization
그림 Fig. 9. Concept of local maxima.
그림 Fig. 10. Result of detection of tree top and extraction of point cloud. (a) Detected tree top. (b) Extracted point cloud of individual tree.
표 Table 5. Threshold for local maxima
표 Table 6. Result of tree extraction accuracy test
표 Table 7. Result of tree extraction accuracy test
표 Table 8. Result of DBH accuracy test

AI 본문요약
AI-Helper

문제 정의

매목 조사를 통해 수집된 수목의 위치는 수고의 위치가 아니므로 제안한 방법론으로 추출한 수고의 위치와는 위치적 차이가 발생한다. 따라서 매목 조사를 통해 수집된 수목의 개체 수와 제안한 방법론을 통해 검출한 수목의 개체 수를 비교하여 수목 검출 정확도 검사를 수행하고자 하였다. 제안한 방법론으로 수목의 개체를 검출한 결과는 Table 7과 같으며 매목지구별 수목 개체 검출률은 각 88.
하지만 대다수 연구는 수목의 간격이 넓은 지역이거나 수목의 간격이 일정하게 배치된 지역을 대상으로 수목 정보 추출 연구가 진행되고 있어 우리나라 산림과 같이 수목의 밀집도가 높은 지역을 대상으로 수행된 연구는 미비한 실정이다. 이에 본 연구에서는 우리나라 산림지역을 대상으로 취득된 항공 LiDAR 데이터와 CHM을 기반으로 local maxima 기법을 적용하여 수목 개체별 수목 정보를 자동으로 추출하는 방법론을 제안하였다.

제안 방법

DBH 산정 정확도 검사를 위해 매목 조사를 통해 수집된 DBH를 ground truth로 선정하고 제안한 방법론으로 산출한 수고에 DBH-수고 산정식을 적용하여 산출한 DBH를 비교함으로써 수목정보 정확도 검사를 수행하였다. 수목정보 정확도 검사를 위해 제안한 방법론을 통해 자동으로 추출한 수고의 위치와 매목 조사를 통해 수집된 수목의 위치 간 유클리디안 거리(euclidean distance)가 가장 근접한 쌍(pair)을 탐색하고 각 DBH 값을 비교하여 평균오차, 최대/최소오차, 그리고 표준편차를 비교하였다(Table 8).
Local maxima를 적용하여 수목의 정점 위치를 추출하였으며(Fig. 10a), 추출한 수목의 정점 위치와 CHM을 활용하여 watershed 기반의 수관 형상을 검출하였다.
개체별 수목정보 추출 기법의 활용성을 확인하기 위해 수목의 검출 정확도 검사를 수행하였다. 매목 조사를 통해 수집된 수목의 위치는 수고의 위치가 아니므로 제안한 방법론으로 추출한 수고의 위치와는 위치적 차이가 발생한다.
본 연구는 LiDAR를 기반으로 DEM, DSM, CHM 영상을 생성하여 local maxima 기법을 통해 산림지역의 수목별 수고 정보를 추출하고 DBH을 산정한 후 매목조사를 통해 수집한 수목별 DBH 정보 결과와 비교하여 다음과 같은 결론을 도출하였다.
6과 같으며, 수목별 수고 정보 추출을 위한 전처리, local maxima 기반 수목별 수고 정보 추출, 그리고 DBH-수고 산정식 기반의 DBH 산정 세 단계로 구분할 수 있다. 제안한 방법론은 자동화를 위하여 파이썬(python) 기반의 스크립트로 작성하였으며 포인트 클라우드 처리를 위한 laspy 라이브러리와 다양한 영상 처리 기능을 제공하는 scikit-image 라이브러리를 활용하였다.
지면 높이가 수고 추출 결과에 미치는 영향을 최소화하기 위해 CHM을 생성한 것과 동일하게 포인트 클라우드의 정규화를 수행하였다. 기존 포인트 클라우드(Fig.

대상 데이터

본 연구 대상 지역은 산림밀도가 높은 C등급의 지역 중 30 × 30 m 범위의 국립공원관리 공단 매목조사 3개 조사구(침엽수림 2개, 활엽수림 1개)로 선정하였으며, 각 지구별 특징은 Table 1과 같다.
셋째, 본 연구에서 사용한 항공 LiDAR 데이터는 국가 기본도를 생성하기 위해 활용하는 CityMapper 장비로 취득되었으며, 국가 기본도 갱신을 위해 전 국토를 대상으로 도시는 1년 주기, 비도시 지역은 2년 주기로 촬영을 수행한다. 따라서 2년 주기로 취득되는 비도시 지역의 항공 LiDAR 데이터를 수집할 경우 산림 지역의 광역적 모니터링이 가능할 것이라 생각된다.

데이터처리

높이 정규화에 대한 정량적 분석을 위해 Table 4와 같이 포인트 클라우드 높이 값의 최대, 최소, 평균, 표준편차를 계산하였다. 매목지구1 지역의 원본 포인트 클라우드의 최소-최대 높이는 각 562.
DBH 산정 정확도 검사를 위해 매목 조사를 통해 수집된 DBH를 ground truth로 선정하고 제안한 방법론으로 산출한 수고에 DBH-수고 산정식을 적용하여 산출한 DBH를 비교함으로써 수목정보 정확도 검사를 수행하였다. 수목정보 정확도 검사를 위해 제안한 방법론을 통해 자동으로 추출한 수고의 위치와 매목 조사를 통해 수집된 수목의 위치 간 유클리디안 거리(euclidean distance)가 가장 근접한 쌍(pair)을 탐색하고 각 DBH 값을 비교하여 평균오차, 최대/최소오차, 그리고 표준편차를 비교하였다(Table 8).

이론/모형

31%로 나타났다. 또한, 추출한 수고 정보의 활용성을 확인하기 위해 DBH-수고 산정식을 통해 DBH를 역산하였다. 매목조사를 통해 산정한 DBH 정보와 비교하여 정확도 검사를 수행한 결과 DBH 값에 대한 평균오차는 각 4.

성능/효과

둘째, 항공 LiDAR를 기반으로 DEM, DSM, CHM 영상으로 변환하여 local maxima 기법을 이용하는 방법론을 제시하였으며, 제안한 방법론을 통해 추출한 수목의 검출 정확도는 매목지구별 각 88.46%, 86.14%, 84.31%로 나타났다. 또한, 추출한 수고 정보의 활용성을 확인하기 위해 DBH-수고 산정식을 통해 DBH를 역산하였다.
또한, 추출한 수고 정보의 활용성을 확인하기 위해 DBH-수고 산정식을 통해 DBH를 역산하였다. 매목조사를 통해 산정한 DBH 정보와 비교하여 정확도 검사를 수행한 결과 DBH 값에 대한 평균오차는 각 4.842 cm, 3.827 cm, 1.955 cm로 나타났으며 표준편차는 3개 매목지구에서 모두 5 cm 내외로 나타나 제안한 수목 정보 자동 추출 방법론의 활용 가능성을 확인하였다.
49 cm이다. 매목지구별 DBH에 대한 표준편차는 모두 5 cm 내외로 나타나 제안한 수목 정보 자동 추출 방법론의 활용 가능성을 확인하였다.
생성한 DSM, DEM, CHM의 정량적인 분석을 위해 각 영상의 최대 높이와 최소 높이 값을 비교한 결과는 Table 3과 같다. 분석 결과 기존 DEM 및 DSM은 지형의 높이 즉, 표고에 대한 정보를 포함하고 있으나 CHM의 경우 순수한 수목에 대한 높이 값만을 포함하고 잇는 것을 확인할 수 있다.
따라서 매목 조사를 통해 수집된 수목의 개체 수와 제안한 방법론을 통해 검출한 수목의 개체 수를 비교하여 수목 검출 정확도 검사를 수행하고자 하였다. 제안한 방법론으로 수목의 개체를 검출한 결과는 Table 7과 같으며 매목지구별 수목 개체 검출률은 각 88.46%, 86.14%, 84.31%로 나타났다.
첫째, 대규모 산림 지역의 수목별 수고 정보를 추출하기 지상 LiDAR를 활용하는 대신, 항공 LiDAR를 기반의 수목별 수고 정보 추출 방법론을 제시함으로써 좁은 규모에 국한된 현장조사에 비해 넓은 지역의 산림을 한 번에 조사할 수 있었다.

후속연구

셋째, 본 연구에서 사용한 항공 LiDAR 데이터는 국가 기본도를 생성하기 위해 활용하는 CityMapper 장비로 취득되었으며, 국가 기본도 갱신을 위해 전 국토를 대상으로 도시는 1년 주기, 비도시 지역은 2년 주기로 촬영을 수행한다. 따라서 2년 주기로 취득되는 비도시 지역의 항공 LiDAR 데이터를 수집할 경우 산림 지역의 광역적 모니터링이 가능할 것이라 생각된다.
본 연구에서는 3개의 매목지점을 선정하여 국한된 지역에 대해 연구를 수행하였으나, 향후 다양한 유형의 산림에 대한 항공 LiDAR를 수집하고 local maxima 기법에 대한 표준화 연구를 진행한다면 본 연구에서 제시한 방법론의 적용 범위를 확대할 수 있을 것으로 사료된다.

참고문헌 (14)

Bang, D. S., Lee, D. G., Yang, S. R., and Lee, H. J., 2018. Study on the tree height using unmanned？aerial photogrammetry method. Journal of the？Korea Association of Geographic Information？Studies, 21(3), 35-47. https://doi.org/10.11108/kagis.2018.21.3.035

원문보기 상세보기
Jo, S. H., Sim, K. W., Lee, H. J., and Choi, S. K., 2023.？A study on the generation of forest management？database by individual trees for forest Digital？Twin implementation based on Airborne Laser？Scanning. In Proceedings of 2023 Korean Society？for Geospatial Information Science Spring？Conference, Daejeon, Republic of Korea, June？2-3, pp. 129-132.
Kang, J. K., Yim, J. S., Lee, S. J., Moon, G. H., and？Ko, C. U., 2019. Development of estimation？equation for minimum and maximum DBH using？national forest inventory. Journal of Agriculture？& Life Science, 53(6), 23-33. https://doi.org/10.14397/jals.2019.53.6.23

상세보기
Kim, D. Y., Jang, Y. W., Choi, Y. W., Beai, D. S., and？Choi, G. S., 2009. A study information extraction？using airborne LiDAR data. In Proceeding of？the 2009 Korean Society of Civil Engineers？Seasonal Conference, Gangwon, Republic of？Korea, pp. 1575-1578.
Korea Forest Service, 2016. Analysis of national forest？inventory and monitoring research service. Korea？Forest Service.
Korea National Park Research Institute, 2021. Study？on the use of lidar-based vegetation structure？measurements to estimate carbon storage in？national parks. Korea National Park Research？Institute
Korea National Park Service, 2021. Study on the use of？lidar-based vegetation structure measurements to？estimate carbon storage in national parks. Korea？National Park Research Institute, Korea National？Park Service.
Lee, D. G., Kim, K. D., Yang, S. R., and Lee, H. J., 2017. Study on the possibility of forest geospatial？information generation using past panchromatic？forest aerial photograph scanning database. Journal？of the Korean Society for Geospatial Information？Science, 25(4), 107-116. https://doi.org/10.7319/kogsis.2017.25.4.107

상세보기
Lee, H. J., Min, K. J., Lee, S. Y., Moon, J. M., Lee, K.？W., Lee, J. E., and Lee, J. W., 2021. A study on？arrhythmia classification based on local maximum？scalogram using convolutional neural network.？The Transactions of the Korean Institute of？Electrical Engineers, 70(5), 791-804. https://doi.org/10.5370/KIEE.2021.70.5.791

상세보기
Lee, S. J., Park, J. Y., and Kim, E. M., 2014. Development？of automated model of tree extraction using aerial？LIDAR data. Journal of the Korea Academia-Industrial Cooperation Society, 15(5), 3213-3219.？https://doi.org/10.5762/KAIS.2014.15.5.3213

원문보기 상세보기
Liao, L., Cao, L., Xie, Y., Luo, J., and Wang, G., 2022.？Phenotypic traits extraction and genetic characteristics？assessment of eucalyptus trials based on UAV-borne LiDAR and RGB images. Remote Sensing,？14(3), 765. https://doi.org/10.3390/rs14030765

상세보기
Meng, X., Currit, N., and Zhao, K. 2010. Ground filtering？algorithms for airborne LIDAR: A review of？critical issues. Remote Sensing, 2(3), 833-860.？https://doi.org/10.3390/rs2030833

상세보기
Scholkmann, F., Boss, J., and Wolf, M., 2012. An？efficient algorithm for automatic peak detection？in noisy periodic and quasi-periodic signals.？Algorithms, 5(4), 588-603. https://doi.org/10.3390/a5040588

상세보기
Yang, J., Kang, Z., Cheng, S., Yang, Z., and Akwensi,？P. H., 2020. An individual tree segmentation？method based on watershed algorithm and three-dimensional spatial distribution analysis from？airborne LiDAR point clouds. IEEE Journal of？Selected Topics in Applied Earth Observations？and Remote Sensing, 13, 1055-1067. https://doi.org/10.1109/jstars.2020.2979369

상세보기

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