[논문]여름철 UAV 기반 LiDAR, SfM을 이용한 하천 DTM 생성 기법 비교 분석

고재준; 이혁진; 박진석; 장성주; 이종혁; 김동우; 송인홍

doi:10.5389/ksae.2024.66.3.001

[국내논문] 여름철 UAV 기반 LiDAR, SfM을 이용한 하천 DTM 생성 기법 비교 분석
Comparative Analysis of DTM Generation Method for Stream Area Using UAV-Based LiDAR and SfM 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.66 no.3, 2024년, pp.1 - 14

고재준 (Department of Rural Systems Engineering, Global Smart Farm Convergence Major, Seoul National University) , 이혁진 (Department of Rural Systems Engineering, Global Smart Farm Convergence Major, Seoul National University) , 박진석 (Department of Rural Systems Engineering, Global Smart Farm Convergence Major, Seoul National University) , 장성주 (Department of Rural Systems Engineering, Global Smart Farm Convergence Major, Seoul National University) , 이종혁 (Department of Rural Systems Engineering, College of Agriculture and Life Sciences, Seoul National University) , 김동우 (Department of Rural Systems Engineering, Global Smart Farm Convergence Major, Seoul National University) , 송인홍 (Department of Rural Systems Engineering, Global Smart Farm Convergence Major, Research Institute of Agriculture and Life Sciences, Seoul National University)

Abstract ▼ AI-Helper

Gaining an accurate 3D stream geometry has become feasible with Unmanned Aerial Vehicle (UAV), which is crucial for better understanding stream hydrodynamic processes. The objective of this study was to investigate series of filters to remove stream vegetation and propose the best method for generating Digital Terrain Models (DTMs) using UAV-based point clouds. A stream reach approximately 500 m of the Bokha stream in Icheon city was selected as the study area. Point clouds were obtained in August 1st, 2023, using Phantom 4 multispectral and Zenmuse L1 for Structure from Motion (SfM) and Light Detection And Ranging (LiDAR) respectively. Three vegetation filters, two morphological filters, and six composite filters which combined vegetation and morphological filters were applied in this study. The Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) were used to assess each filters comparing with the two cross-sections measured by leveling survey. The vegetation filters performed better in SfM, especially for short vegetation areas, while the morphological filters demonstrated superior performance on LiDAR, particularly for taller vegetation areas. Overall, the composite filters combining advantages of two types of filters performed better than single filter application. The best method was the combination of Progressive TIN (PTIN) and Color Indicies of Vegetation Extraction (CIVE) for SfM, showing the smallest MAE of 0.169 m. The proposed method in this study can be utilized for constructing DTMs of stream and thus contribute to improving the accuracy of stream hydrodynamic simulations.

Keyword

표/그림 (13)

그림 Fig. 1 Locations of GCP, measured cross-section, and study site with photos of riparian vegetations
표 Table 1 Changes in the number of point clouds before and after preprocessing
표 Table 2 Applied morphological filters and applied parameter values for trial and error process
표 Table 3 Combination of single and composite filters
그림 Fig. 2 Threshold analysis using histograms of vegetation indices for point clouds generated by LiDAR: ExG (a-1), ExGR (b-1), CIVE (c-1); and SfM: ExG (a-2), ExGR (b-2), CIVE (c-2)
그림 Fig. 3 CSF parameter analysis for LiDAR (a) and SfM (b) point clouds. Black lines and dots represent resolution and threshold values respectively. Threshold values increase incrementally from 0.01 m to 0.05 m from left to right. The digits in red color highlight the smallest MAE values
그림 Fig. 4 PTIN parameter analysis for LiDAR (a) and SfM (b) point clouds. Vertical solid and dotted lines delineate step and spike values, respectively. Threshold values increase incrementally from 0.02 m to 0.10 m from left to right. The digits in red color highlight the smallest MAE values
표 Table 4 The MAE and RMSE of DTMs generated by applying single filters to SfM and LiDAR point clouds (Unit: m)
그림 Fig. 5 Cross-sectional views with morphological filters applied to the LiDAR and SfM point clouds
그림 Fig. 6 Cross-sectional views with vegetation filters applied to the LiDAR and SfM point clouds
그림 Fig. 7 Cross-sectional views with composite filters applied to respective the LiDAR and SfM point clouds
표 Table 5 The MAE and RMSE of DTMs generated by composite filters applied to the LiDAR and SfM point clouds (Unit: m)
표 Table 6 Comparative analysis of the selected filters in this study

AI 본문요약
AI-Helper

문제 정의

본 연구는 식생 밀도가 높고 지형이 복잡한 여름철 하천을 대상으로 신뢰할 수 있는 높은 해상도와 정확도를 가진 DTM을 생성하는 방법을 개발하는 것을 목표로 한다. 이를 위해 SfM과 LiDAR 두 가지 방법으로 얻은 측량정보에 다양한 포인트 클라우드 필터링 기법을 적용하여 비교 및 분석하고자 한다.

제안 방법

대상구간의 좌안 제방 상부부터 우안 제방 상부까지의 하폭은 약 200∼250 m 였다. 드론측량 및 수준 측량은 식생 활력도에 따른 식생 제거 기법의 성능 차이를 확인하기 위해 여름철인 2023년 8월 1일에 실시하였으며, 측량 기법상의 차이를 확인하기 위해 SfM과 LiDAR 두 가지 방법으로 드론 측량을 진행하였다.
(6))을 산정하여 정확도를 평가하였다. 수준 측량을 통해 확인된 식생과 지면의 경계 지점을 기준으로 전체 구간, 지면 구간, 비지면 구간으로 나누어 분석하였다. 이때, 여름철 하천의 유량이 높아 Section 2의 하상 구간의 포인트가 형성되지 않아 해당 부분은 정확도 평가에서 제외하였다.
본 연구에서는 여름철 하천을 대상으로 SfM, LiDAR 각각의 방식으로 생성한 포인트 클라우드에 식생 필터, 형태 필터, 복합 필터의 정확도를 수직 오차를 기준으로 비교하고 그 성능을 분석하였다. SfM 포인트 클라우드에 적용할 경우 PTIN+CIVE가 가장 적합하였으며 LiDAR 포인트 클라우드에 적용할 경우 PTIN+ExG가 적합하다는 것을 확인하였다.

대상 데이터

본 연구의 대상 지역은 경기도 이천시에 위치한 복하천 유역으로, 복하교 상하류 약 500 m 구간으로 설정되었다 (Fig. 1).
본 연구에서는 지금까지 연구된 수많은 포인트 클라우드 필터링 기법 중 여러 선행연구에서 성능이 입증되고 대상 지역에 적용하기 용이한 형태 필터 (PTIN, CSF)와 식생 필터(ExG, ExGR, CIVE)를 선정하였다 (Anders et al., 2019; Morgan et al., 2021; Park and Lee, 2021; Štroner et al., 2021; Tan et al., 2018)
본 연구의 대상 지역에는 나무 등과 같은 이상치를 발생시킬 수 있는 요소가 다수 분포하고 있다. 따라서 최적 매개변수를 선정하는 기준으로 RMSE와 MAE 중 이상치에 대한 편향을 최소화하고 대상 지역 전체의 경향성을 반영할 수 있는 MAE를 선정하였다.

데이터처리

본 연구에서는 Python을 이용하여 batch script를 작성하여 실행하는 방식으로 매개변수를 조정하고 PTIN을 적용하였다. 여러 선행연구에서 제안한 대로 Bulge와 Stddev는 Default로 설정하고, 복잡한 지형 변화를 반영하기 위해 Sub는 extra-fine으로 설정하였으며, Step, Spike, Offset는 Table 2와 같이 각각 1.

이론/모형

(2021)은 SfM 포인트 클라우드에 식생지수인 Excess Green (ExG) 등을 사용하여 강 하구 습지에서 DTM을 생성하여 바이오매스의 특성을 분석하였다. LiDAR 포인트 클라우드를 대상으로는 Park and Lee (2021)가 Excess Green minus Red (ExGR), ExG, Color Indices of Vegetation Extraction (CIVE) 등을 이용하여 하천 제방에서 DTM을 생성하였다. 식생 필터는 비교적 간단한 수식으로 식생을 효과적으로 분류할 수 있다는 장점이 있다.
Reilly et al. (2021)은 형태 필터인 CSF를 적용한 후 식생지수인 Normalized Difference Vegetation Index (NDVI)를 이용하여 추가로 필터링을 적용하였다. Villacrés and Cheein (2022)은 식생지수인 Difference Vegetation Index (DVI), NDVI와 형태 필터인 CSF의 조합을 시도하여 단일 필터를 적용했을 때보다 좋은 성능을 보였다.
본 연구는 식생 밀도가 높고 지형이 복잡한 여름철 하천을 대상으로 신뢰할 수 있는 높은 해상도와 정확도를 가진 DTM을 생성하는 방법을 개발하는 것을 목표로 한다. 이를 위해 SfM과 LiDAR 두 가지 방법으로 얻은 측량정보에 다양한 포인트 클라우드 필터링 기법을 적용하여 비교 및 분석하고자 한다.
, 2023). 처리 시간을 줄이고 포인트 클라우드 밀도를 균일하게 만들기 위해 여러 연구에서와같이 가로, 세로 5 cm 픽셀에 높이가 가장 낮은 지점을 추출하여 Down-Scaling을 진행하였다 (Zhao et al., 2016; Li et al., 2023). 이를 통해 포인트 클라우드의 밀도를 일정하게 만듦과 동시에 Table 1에 나타낸 것과 같이 포인트 클라우드의 수를 LiDAR는 42.
본 연구에서는 식생과 지면을 구분하는 임계값을 산정하는 방법으로 Ng et al. (2013)이 제안한 Gaussian Valley Emphasis (GVE) 방법을 사용하였다 (Eq. (4)).
, 2013). 본 연구에서는 여름철 하천 단면의 특성상 식생에 해당하는 포인트가 우세하기 때문에 해당 편향을 제거하고자 GVE 방법을 사용하였다.
형태 필터 매개변수의 경우 시행착오법을 이용하여 산정하였다. 본 연구의 대상 지역에는 나무 등과 같은 이상치를 발생시킬 수 있는 요소가 다수 분포하고 있다.

성능/효과

, 2023). 이를 통해 포인트 클라우드의 밀도를 일정하게 만듦과 동시에 Table 1에 나타낸 것과 같이 포인트 클라우드의 수를 LiDAR는 42.2%, SfM은 38.3% 감소시킬 수 있었다.
형태 필터는 PTIN과 CSF 모두 LiDAR가 SfM보다 성능이 우수하였다. CSF는 LiDAR와 SfM 간 비지면 구간의 MAE와 RMSE가 각각 0.
188 m로 큰 차이를 보였다. PTIN은 전체 구간 MAE는 LiDAR와 SfM이 거의 일치했으나, 전체 구간 RMSE와 비지면 구간의 MAE, RMSE 모두 LiDAR가 SfM보다 우수했다. 반면, 식생 필터는 ExGR을 제외하고 SfM이 LiDAR보다 정확도가 높았다.
SfM – PTIN+CIVE는 LiDAR – PTIN+ExG보다 높은 정확도를 보여주었으며, Pix4Dmapper의 DTM 생성 알고리즘보다 정확도가 높았다.
연구 결과를 바탕으로 확인한 기법들의 특징 및 차이점을 Table 6에 정리하였다. LiDAR는 SfM 방식에 비해 식생의 캐노피 아래에도 포인트가 생성되기 때문에 형태 필터의 정확도가 더 높았다. 하지만 캐노피 아래에 생성된 포인트는 대체로 식생활력도가 낮기 때문에 LiDAR는 나무와 같이 줄기가 있는 높은 식생에서 식생 필터의 정확도가 낮았다.
복합 필터는 단일 필터의 단점을 일부 개선하여 영상의 종류나 식생의 영향을 줄여 전반적으로 정확도를 개선한 것으로 나타났다. LiDAR는 모든 복합 필터가 비슷한 정확도를 보였고, 그 중 PTIN+ExG의 정확도가 가장 높았다. SfM은 PTIN과 CIVE가 조합된 복합 필터의 정확도가 가장 높았다.
LiDAR는 모든 복합 필터가 비슷한 정확도를 보였고, 그 중 PTIN+ExG의 정확도가 가장 높았다. SfM은 PTIN과 CIVE가 조합된 복합 필터의 정확도가 가장 높았다. 최종적으로 복합 필터 PTIN+CIVE를 SfM에 적용했을 때 가장 높았고, LiDAR에서도 높은 정확도를 보여 DTM 생성 최적 필터로 선정하였다.
SfM은 PTIN과 CIVE가 조합된 복합 필터의 정확도가 가장 높았다. 최종적으로 복합 필터 PTIN+CIVE를 SfM에 적용했을 때 가장 높았고, LiDAR에서도 높은 정확도를 보여 DTM 생성 최적 필터로 선정하였다. 복합 필터 PTIN+CIVE는 상용프로그램 (Pix4D)에서 제공하는 DTM에 비해 정확도가 높아 DTM 생성의 성능을 개선할 수 있을 것으로 기대한다.
본 연구에서는 여름철 하천을 대상으로 SfM, LiDAR 각각의 방식으로 생성한 포인트 클라우드에 식생 필터, 형태 필터, 복합 필터의 정확도를 수직 오차를 기준으로 비교하고 그 성능을 분석하였다. SfM 포인트 클라우드에 적용할 경우 PTIN+CIVE가 가장 적합하였으며 LiDAR 포인트 클라우드에 적용할 경우 PTIN+ExG가 적합하다는 것을 확인하였다. 또한, SfM과 LiDAR 모두에 적용할 수 있는 적용할 수 있는 필터로 PTIN+CIVE을 선정하였다.
식생 필터의 경우 SfM이 LiDAR보다 정확도가 높았으며, 형태 필터의 경우 LiDAR가 SfM보다 정확도가 높았다. 그 둘을 조합한 복합 필터는 두 측량 방식 모두에서 단일 필터 적용시보다 정확도가 개선되는 것을 확인하였다.
식생 필터의 경우 SfM이 LiDAR보다 정확도가 높았으며, 형태 필터의 경우 LiDAR가 SfM보다 정확도가 높았다. 그 둘을 조합한 복합 필터는 두 측량 방식 모두에서 단일 필터 적용시보다 정확도가 개선되는 것을 확인하였다. 선행연구와 달리 복합 필터를 사용할 경우 SfM으로도 신뢰할 수 있는 정확도와 해상도를 가진 DTM을 형성할 수 있다는 것을 알 수 있었다.
그 둘을 조합한 복합 필터는 두 측량 방식 모두에서 단일 필터 적용시보다 정확도가 개선되는 것을 확인하였다. 선행연구와 달리 복합 필터를 사용할 경우 SfM으로도 신뢰할 수 있는 정확도와 해상도를 가진 DTM을 형성할 수 있다는 것을 알 수 있었다.
전반적으로 LiDAR는 복합 필터 적용 시 단일 필터 적용 시보다 MAE가 개선되었다. 전체 구간에서의 LiDAR는 PTIN+ExG, CSF+ExG의 MAE가 0.
186 m로 가장 낮았는데, 이는 PTIN, CSF, EXG 단일 필터보다 개선된 수치이다. SfM의 경우도 복합 필터를 이용한 경우 단일 필터보다 MAE가 개선되는 것으로 나타났다. SfM에 PTIN+CIVE을 조합했을 때 MAE가 0.
169 m로 가장 오차가 작게 나타났다. LiDAR와 SfM을 비교하였을 때 CSF을 이용한 복합 필터는 LiDAR가 더 우수했지만, PTIN을 이용한 복합 필터는 SfM이 더 우수했다. 선행연구에 따르면 SfM은 LiDAR에 비해 식생을 투과하지 못해 DTM 생성에 적절하지 않다고 알려져 있다 (Mlambo et al.
7(c)와 7(d)의 검은 점선에서 보듯이 복합 필터를 이용할 경우 단일 필터에 비해 실측한 단면과 더 가깝게 DTM를 생성하는 것을 확인하였다. SfM은 PTIN을 이용한 복합 필터가, LiDAR의 경우는 CSF를 이용한 복합 필터가 상대적으로 정확도는 높았다. Fig.

후속연구

따라서 하천의 정확한 수문⋅수질⋅생태 모의를 위해서는 하천의 식생을 제거한 정교한 3차원 하천 지형 자료가 필요하다.
최종적으로 복합 필터 PTIN+CIVE를 SfM에 적용했을 때 가장 높았고, LiDAR에서도 높은 정확도를 보여 DTM 생성 최적 필터로 선정하였다. 복합 필터 PTIN+CIVE는 상용프로그램 (Pix4D)에서 제공하는 DTM에 비해 정확도가 높아 DTM 생성의 성능을 개선할 수 있을 것으로 기대한다.
본 연구에서는 UAV를 이용하였기 때문에 건물이나 식생 등으로 가려져 UAV로 취득할 수 없는 지면 포인트가 존재할 경우 지상 LiDAR에 비해 정확한 DTM을 생성하는 것은 어려울 수 있다는 한계가 있다. 또한, 여름철 하천을 대상으로 하였기 때문에 높은 유량으로 인해 SfM와 LiDAR 모두 수면 아래의 포인트 클라우드를 형성하지 못하였다.
또한, 여름철 하천을 대상으로 하였기 때문에 높은 유량으로 인해 SfM와 LiDAR 모두 수면 아래의 포인트 클라우드를 형성하지 못하였다. 따라서 항후 과제로 식생이나 수표면의 영향을 최소화할 수 있는 겨울철의 UAV 영상을 기반으로 정확도를 개선할 수 있는 DTM 생성 기법을 개발할 필요가 있다.
본 연구를 통해 여름철 하천에서 신뢰할 수 있는 높은 해상도와 정확도를 가진 DTM을 생성하는데 기여할 수 있으며 수문, 수질, 생태 모의의 정확도를 높이는 데 활용될 것으로 기대된다.

참고문헌 (34)

Anders, N., J. Valente, R. Masselink, and S. Keesstra,？2019. Comparing filtering techniques for removing？vegetation from UAV-based photogrammetric point？clouds. Drones 3(3): 61. doi: 10.3390/drones3030061.

상세보기
Asghar, U., 2017. Landslide mapping from analysis of？UAV-SFM point clouds. Ph.D. diss., Vancouver, Ind.:？University of British Columbia. doi: 10.14288/1.0357952.
Barba, S., M. Barbarella, A. Di Benedetto, M. Fiani, L.？Gujski, and M. Limongiello, 2019. Accuracy assessment？of 3D photogrammetric models from an unmanned aerial？vehicle. Drones 3(4): 79. doi: 10.3390/drones3040079.

상세보기
Bhatnagar, S., L. Gill, S. Regan, S. Waldren, and B.？Ghosh, 2021. A nested drone-satellite approach to？monitoring the ecological conditions of wetlands. ISPRS？Journal of Photogrammetry and Remote Sensing 174:？151-165. doi: 10.1016/j.isprsjprs.2021.01.012.

상세보기
Cai, S., W. Zhang, X. Liang, P. Wan, J. Qi, S. Yu, G.？Yan, and J. Shao, 2019. Filtering airborne LiDAR data？through complementary cloth simulation and progressive？TIN densification filters. Remote Sensing 11(9): 1037.？doi: 10.3390/rs11091037.

상세보기
Chen, Z., B. Gao, and B. Devereux, 2017.？State-of-the-art: DTM generation using airborne LIDAR？data. Sensors 17(1): 150. doi: 10.3390/s17010150.

상세보기
CloudCompare, 2016. CSF (plugin), https://www.cloudcompare.org/doc/wiki/index.php/CSF_(plugin). Accessed？10 Jan, 2024.
Gabiri, G., B. Diekkruger, C. Leemhuis, S. Burghof, K.？Naschen, I. Asiimwe, and Y. Bamutaze, 2018.？Determining hydrological regimes in an agriculturally？used tropical inland valley wetland in Central Uganda？using soil moisture, groundwater, and digital elevation？data. Hydrological Processes 32(3): 349-362. doi: 10.1002/hyp.11417.

상세보기
Guneralp, I., A. M. Filippi, and J. Randall, 2014.？Estimation of floodplain aboveground biomass using？multispectral remote sensing and nonparametric？modeling. International Journal of Applied Earth？Observation and Geoinformation 33: 119-126. doi: 10.1016/j.jag.2014.05.004.

상세보기
Green, V., 2015. Towards Systematic Selection of？Terrain-and Ground Cover-Specific LiDAR Filtering？Parameters. B.A. diss., Arkansas, Ind.: University of？Arkansas.
Kataoka, T., T. Kaneko, H. Okamoto, and S. Hata, 2003.？Crop growth estimation system using machine vision. In？Proc. 2003 IEEE/ASME International Conference on？Advanced Intelligent Mechatronics, 1079-1083. Kobe,？Japan. doi: 10.1109/AIM.2003.1225492.
Klapste, P., M. Fogl, V. Bartak, K. Gdulova, R. Urban,？and V. Moudry, 2020. Sensitivity analysis of parameters？and contrasting performance of ground filtering？algorithms with UAV photogrammetry-based and LiDAR？point clouds. International Journal of Digital Earth？13(12): 1672-1694. doi: 10.1080/17538947.2020.1791267.

상세보기
Kovanic, L., P. Blistan, R. Urban, M. Stroner, M.？Blistanova, K. Bartos, and K. Pukanska, 2020. Analysis？of the suitability of high-resolution DEM obtained using？ALS and UAS (SfM) for the identification of changes？and monitoring the development of selected geohazards？in the falpine environment-A case study in high Tatras,？Slovakia. Remote Sensing 12(23): 3901. doi: 10.3390/rs12233901.

상세보기
Lee, H., Y. Shin, D. Kang, and B. Kim, 2023. Effect？of areal mean rainfall estimation technique and？rainfall-runoff models on flood simulation in Samcheok？Osipcheon(riv.) basin. Korean Society of Civil Engineers？43(6): 775-784. doi: 10.12652/Ksce.2023.43.6.0775. (in？Korean).

원문보기 상세보기
Li, F., W. Shi, Y. Tu, and H. Zhang, 2023. Automated？methods for indoor point cloud preprocessing: Coordinate？frame reorientation and building exterior removal.？Journal of Building Engineering 76: 107270. doi: 10.1016/j.jobe.2023.107270.

상세보기
Meyer, G. E., T. W. Hindman, and K. Laksmi, 1999.？Machine vision detection parameters for plant species？identification. In Proc. Agriculture and Biological Quality,？327-335. Boston, MA: SPIE. doi: 10.1117/12.336896.
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(3): 68. doi: 10.3390/f8030068.

상세보기
Morgan, G. R., C. Wang, and J. T. Morris, 2021. RGB？indices and canopy height modelling for mapping tidal？marsh biomass from a small unmanned aerial system.？Remote Sensing 13(17): 3406. doi: 10.3390/rs13173406.

상세보기
Nadal-Romero, E., P. Errea, J. Revuelto, and J. I.？Lopez-Moreno, 2015. The application of terrestrial laser？scanner and SfM photogrammetry in measuring erosion？and deposition processes in two opposite slopes in a？humid badlands area (central Spanish Pyrenees). Soil？1(2): 561-573. doi: 10.5194/soil-1-561-2015.

상세보기
Neto, J. C., 2004. A combined statistical-soft computing？approach for classification and mapping weed species in？minimum-tillage systems. Ph.D. diss., Ind.: The？University of Nebraska-Lincoln.
Ng, H. F., D. Jargalsaikhan, H. C. Tsai, and C. Y. Lin, 2013. An improved method for image thresholding based？on the valley-emphasis method. In Proc. 2013？Asia-Pacific Signal and Information Processing？Association Annual Summit and Conference, 1-4.？Kaohsiung, Taiwan: IEEE. doi: 10.1109/APSIPA.2013.6694261.
rapidlasso, 2023. lasground_README.
Park, H., and D. H. Lee, 2021. Comparative analysis of？filtering techniques for vegetation points removal from？photogrammetric point clouds at the stream levee.？Ecology and Resilient Infrastructure 8(4): 233-244. doi: 10.17820/ERI.2021.8.4.233.

원문보기 상세보기
Reilly, S., M. L. Clark, L. P. Bentley, C. Matley, E.？Piazza, and I. Oliveras Menor, 2021. The potential of？multispectral imagery and 3D point clouds from？unoccupied aerial systems (UAS) for monitoring forest？structure and the impacts of wildfire in？Mediterranean-climate forests. Remote Sensing 13(19): 3810. doi: 10.3390/rs13193810.

상세보기
Schwarz, R., G. Mandlburger, M. Pfennigbauer, and N.？Pfeifer, 2019. Design and evaluation of a full-wave？surface and bottom-detection algorithm for LiDAR？bathymetry of very shallow waters. ISPRS Journal of？Photogrammetry and Remote Sensing 150: 1-10. doi: 10.1016/j.isprsjprs.2019.02.002.

상세보기
SROCM, 2011. Report on the basic river plan (Revised)？for Bokha stream (Publication registration number？11-1611347-000013-01). Gwacheon, Korea. (in Korean)
Stroner, M., R. Urban, M. Lidmila, V. Kolar, and T.？Kremen, 2021. Vegetation filtering of a steep rugged？terrain: The performance of standard algorithms and a？newly proposed workflow on an example of a railway？ledge. Remote Sensing 13(15): 3050. doi: 10.3390/rs13153050.

상세보기
Suh, J., and Y. Choi, 2017. Mapping hazardous？mining-induced sinkhole subsidence using unmanned？aerial vehicle (drone) photogrammetry. Environmental？Earth Sciences 76: 1-12. doi: 10.1007/s12665-017-6458-3.

상세보기
Tan, Y., S. Wang, B. Xu, and J. Zhang, 2018. An？improved progressive morphological filter for？UAV-based photogrammetric point clouds in river bank？monitoring. ISPRS Journal of Photogrammetry and？Remote Sensing 146: 421-429. doi: 10.1016/j.isprsjprs.2018.10.013.

상세보기
Tang, F., K. Li, F. Xu, L. Han, H. Zhang, and Z. Yang,？2023. Optimal ant colony algorithm for UAV airborne？LiDAR route planning in densely vegetated areas.？Journal of Applied Remote Sensing 17(4): 046506. doi: 10.1117/1.JRS.17.046506.

상세보기
Villacres, J. and F. A. A. Cheein, 2022. Construction of？3D maps of vegetation indices retrieved from UAV？multispectral imagery in forested areas. Biosystems？Engineering 213: 76-88. doi: 10.1016/j.biosystemseng.2021.11.025.

상세보기
Woebbecke, D. M., K. Von Bargen, G. E. Meyer, and？D. A. Mortensen, 1995. Color indices for weed？identification under various soil, residue, and lighting？conditions. Transactions of the ASAE 38(1): 259-269. doi: 10.13031/2013.27838.

상세보기
Zhang, W., P. Wan, J. Qi, H. Wang, D. Xie, X. Wang,？and G. Yan, 2016. An easy-to-use airborne LiDAR data？filtering method based on cloth simulation. Remote？Sensing 8(6): 501. doi: 10.3390/rs8060501.

상세보기
Zhao, X., B. Xue, Y. Su, and Q. Guo, 2016. Improved？progressive TIN densification filtering algorithm for？airborne LiDAR data in forested areas. ISPRS Journal of？Photogrammetry and Remote Sensing 117: 79-91. doi: 10.1117/1.JRS.17.046506.

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