초록 ▼

□ 연구개발 목표 및 내용
■ 최종 목표
● 원격탐사 및 빅데이터를 활용한 스마트 산림자원 조사 및 목재생산 지원 기술 개발
■ 전체 내용
● 정밀 산림자원정보 구축 알고리즘 개발 및 산림시업 최적화 기술 개발
- 드론영상, 지상 라이다, 항공라이다를 이용한 산림공간 빅데이터 구축
- 산림공간 빅데이터 기반 정밀 산림자원정보 구축 알고리즘 개발
- 머신러닝과 경쟁지수 기반의 간벌목 선정 알고리즘 개발
- 산림 내 위치결정시스템 기반의 모바일 산림시업 최적화 기술 개발
● 정밀 산림자원

□ 연구개발 목표 및 내용
■ 최종 목표
● 원격탐사 및 빅데이터를 활용한 스마트 산림자원 조사 및 목재생산 지원 기술 개발
■ 전체 내용
● 정밀 산림자원정보 구축 알고리즘 개발 및 산림시업 최적화 기술 개발
- 드론영상, 지상 라이다, 항공라이다를 이용한 산림공간 빅데이터 구축
- 산림공간 빅데이터 기반 정밀 산림자원정보 구축 알고리즘 개발
- 머신러닝과 경쟁지수 기반의 간벌목 선정 알고리즘 개발
- 산림 내 위치결정시스템 기반의 모바일 산림시업 최적화 기술 개발
● 정밀 산림자원정보 구축 알고리즘 및 산림시업 최적화 기술 적용
- LiDAR기반 산림자원정보 구축 알고리즘(개체목위치, 흉고직경, 수고, 재적 등)과 산림시업 최적화 기술을 결합한 “스마트 간벌 시스템” 구축
- LiDAR기반 재적 추정 알고리즘 개발, 공시목 자료 취득을 통한 정확도 평가
- 시험대상지 설정(잣나무, 낙엽송 각각 1ha, 총 2ha) 및 스마트 간벌 시스템 적용을 통한 정확도 및 경제성 평가

□ 연구개발성과
< 드론 기술을 이용한 수관영역 및 수종 정보 구축 >
● 드론 영상을 이용하여 DSM과 정사영상을 구축하고, 두 자료를 기반으로 수관영역 구축 알고리즘과 딥러닝 기반의 수종 분류 모델을 구축함
● 수관 영역 구축 알고리즘의 정확도는 최대 93.8%를 달성하였으며, 딥러닝 기반 수종 분류 모델의 정확도는 최대 95.9%를 달성함
< 지상 LiDAR 기술을 이용한 흉고직경과 수고 추정 >
● 원형 플롯 대상지를 대상으로 고정식 지상 라이다를 이용하여 1회 스캐닝한 자료와 9회 스캐닝한 자료에 대해 다양한 조건에 따른 흉고직경과 수고를 추정함
● RMSE가 가장 낮은 사례 기준, 흉고직경 RMSE는 잣나무 0.9cm, 낙엽송 1.3cm로 분포하였으며, 수고 RMSE는 잣나무 2.4m, 낙엽송 4.6m로 분포함
< 지상 LiDAR 자료를 이용한 수종 분류 모델 구축 >
● 수집된 잣나무림과 낙엽송림 라이다데이터를 개체목단위의 데이터세트로 구축하고, PCD 딥러닝 모델(Pointnet, Pointnet++)을 기반으로 수종 분류 모델을 구축함
● 잣나무와 낙엽송의 수종분류 모델 정확도는 최대 기준, 98.7%를 달성함
< 항공 LiDAR 기술을 이용한 수고 추정 >
● 지역별 항공라이다 자료를 이용한 수고를 추정하기 위해 5종류의 머신러닝 기법(Random fores, Support vector machine, multivariate adaptive regression splines, gradient boost, Neural network)를 적용하였으며, 최소 RMSE 기준, 춘천에서는 Neural network가 3.32m, 청송지역에서는 Randomf forest가 4.78m를 달성함
< 머신러닝 및 경쟁지수를 이용한 간벌목 선정 알고리즘 개발 >
● 머신러닝 기반의 수관급 분류 결과와 경재지수를 이용하여 간벌목을 선정하며, 네트워크 알고리즘을 이용하여 최적경로를 도출함
● 수관급 분류 정확도가 가장 높은 Light GBM 모델과 Hegyi 경쟁지수를 이용하여 간벌목을 선정한 결과, 간벌 후 존치목 간 최소거리 평균은 약 2.9m로 가장 높았으며, 간벌경로 분석에서도 임분 내 간벌목과 존치목이 가장 고르게 분포하여 우수한 결과를 도출함
< 산림 내 최적의 위치결정 시스템 선정 >
● 산림 내에서 위치결정 시스템 중 EGI와 GNSS-RTK에 대한 테스트를 수행하고, 최적의 위치결정 시스템으로 GNSS-RTK을 선정함
● GNSS-RTK는 흉고단면적과 최초 위치결정시간이 비례하게 증가하였으며, 이동 시에는 약 1.5~2m의 수평정밀도로 위치정보 수집이 가능하였음
< 시험 대상지에 대한 LiDAR 데이터 구축 >
● 개발된 산림자원정보 구축 알고리즘과 산림시업최적화 기술을 적용하기 위한 시험대상지를 선정함. 시험대상지는 잣나무림 1ha, 낙엽송림 1ha로 총 2ha 면적으로 설정됨
● 라이다 자료는 지상 고정식 라이다(TLS), 지상 이동식 라이다(MLS), 드론 라이다(ALS)를 이용하여 각각 수집되었으며, GNSS-RTK를 이용하여 절대좌표로 정의 되었음
< LiDAR 자료 기반 개체목 위치, 흉고직경, 수고 추정 알고리즘 개발 >
● 흉고지점 포인트를 추출하고, 밀도맵을 구축하여 개체목 위치 탐지 알고리즘을 개발하였으며, 사용한 라이다 플랫폼과 흉고직경 추정 알고리즘에 따른 정확도를 평가함. 수고는 플랫폼 별 융합자료(TLS, MLS, ALS, TLS+ALS, MLS+ALS)를 기반으로 CHM을 구축하고, 필터링 크기에 따른 수고 추정 결과를 비교함
● 흉고직경 추정 결과, RMSE 기준 잣나무림에서는 TLS와 원형 피팅을 이용하였을 때 0.74cm, 낙엽송림에서는 TLS와 원형 피팅, 랜삭알고리즘을 적용하였을 때 1.40cm로 정확도가 가장 높게 분포함.
● 수고 추정 결과, Filtering 크기가 5 by 5까지 정확도가 크게 증가하였으며, 융합 데이터를 활용하였을 때 RMSE가 약 2m로 정확도가 높게 분포함
< LiDAR 자료 기반 개체목 단위의 수간곡선 및 재적 추정 및 공시목 자료를 이용한 정확도 평가 >
● 수간 포인트 분류는 MLS자료를 이용하였으며, 육안판독을 통해 수간 및 수관 포인트를 구분함. 분류 모델은 PCD 딥러닝 모델(Pointnet, Pointnet++)을 이용하였으며, 검증정확도 기준, 97%를 달성함.
● 수간곡선 및 재적 추정은 낙엽송림의 10본을 공시목으로 선정하고, 세 종류의 데이터를 이용하여 재적을 추정하고 비교함
- 조사자료 기반 수간곡선 : 벌도 후 수고를 측정하고, 수간 높이에 따른 직경을 1m 간격으로 측정함. 측정된 직경을 기반으로 수간곡선 추정
- 재적표 기반 수간곡선 : 버택스와 D-tape를 이용하여 측정된 흉고직경과 수고를 기반으로 재적표 상의 매개변수를 이용하여 수간곡선을 추정
- 라이다 기반 수간곡선 : TLS+ALS 자료 이용하여 육안판독을 통해 수고를 측정하고, 수간고 별 직경 추정 알고리즘을 개발 및 적용하여 20cm 간격으로 직경을 추정. 추정된 직경을 기반으로 수간곡선 추정
● 수고 추정 결과, 버택스를 이용한 수고의 RMSE는 1.85m, 라이다를 이용한 수고의 RMSE는 0.47m로 분포함. 재적 추정 결과, 재적표 기반 수간곡선을 이용한 재적의 RMSE는 0.13m³, 라이다 기반 수간곡선의 RMSE는 0.05m³으로 라이다를 이용하여 재적 추정 시 더욱 정확한 산림자원모니터링이 가능함.
< 스마트 간벌 시스템 적용 및 평가 >
● 라이다를 이용하여 추정된 개체목 위치, 흉고직경, 수고 정보를 활용하여 간벌목을 선정하고, 선정된 간벌목을 최적경로에 따라 벌도를 수행하는 스마트 간벌 시스템을 적용함
● 선정된 간벌목을 올바르게 찾아가는 측설 정확도는 2차 조사 시기 기준, 잣나무림 87%, 낙엽송림 99%을 달성함
< 스마트 간벌 시스템과 현행 간벌 방법의 경제성 평가 >
● 스마트 간벌 시스템과 현행 간벌 방법의 작업 과정을 작업요소 공정으로 구분하고 소요시간을 측정하여 단위 면적 당 작업비용을 산출하고 비교함
● 현행 간벌 조사는 표준지 조사를 시행하기 때문에 비용은 가장 적게 소요되지만, 본 연구를 통해 개발된 스마트 간벌 시스템은 대상지의 모든 개체목에 대한 질 높은 데이터 수집이 가능함. 이에 따라, 동등한 비교를 위해 스마트 간벌 시스템의 작업비용은 전수조사 시의 작업비용 대비 잣나무림 기준 약 61%에 해당 됨

□ 연구개발성과 활용계획 및 기대 효과
● 연구개발성과 활용계획
- 산림지를 대상으로 한 라이다를 활용한 산림자원모니터링 및 위치결정시스템은 간벌 시스템 뿐만 아니라, 조림, 토목, 병해충 방제 등 다양한 산림시업에 활용 가능
- 특히, 라이다를 활용한 정밀 산림정보 추출 알고리즘은 향후, 이용재적, 산림 바이오매스 등 더욱 다양한 산림정보 추출 알고리즘 개발에 활용될 수 있음
● 연구개발성과 기대효과
- 데이터를 기반으로 한 정량적 평가에 따른 간벌 사업 적용으로 임업 생산량 및 소득 증대
- 정밀 산림자원 모니터링을 이용한 탄소중립 목표 달성을 위한 신뢰성 높은 데이터 구축

(출처 : 요 약 문 3p)

목차 Contents

• 표지 ... 1
• 요 약 문 ... 3
• 목차 ... 8
• 1. 연구개발과제의 개요 ... 9
• 가. 연구과제의 필요성 ... 9
• 나. 연구 개발 대상의 국내·외 현황 ... 10
• 1) 국내 현황 ... 10
• 2) 국외 현황 ... 11
• 다. 연구개발 목표 및 추진체계 ... 14
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 16
• 가. 정밀 산림자원 정보 구축 알고리즘 개발 및 산림시업 최적화 기술 개발 ... 17
• 1) 드론 기술을 이용한 정밀 산림자원 정보 구축 알고리즘 개발 ... 17
• 2) 지상 LiDAR 기술을 이용한 정밀 산림자원 정보 구축 알고리즘 개발 ... 29
• 3) 항공 LiDAR 기술을 이용한 정밀 산림자원 정보 구축 알고리즘 개발 ... 55
• 4) 머신러닝 알고리즘을 이용한 산림시업 최적화 기술 개발 ... 76
• 5) 스마트 간벌 방법의 벌도작업에 적용 가능한 실시간 위치결정 시스템 선정 및 평가 ... 97
• 6) 스마트 간벌 방법의 벌도작업에 있어서 GNSS-RTK의 적용성 평가 ... 107
• 나. 정밀 산림자원 정보 구축 알고리즘 및 산림시업 최적화 기술 적용 및 경제성 평가 ... 129
• 1) 연구 및 산림시업을 위한 시험대상지 선정 ... 130
• 2) 사용 장비 ... 131
• 3) 지상 및 항공 LiDAR 기술을 이용한 정밀 산림자원 정보 구축 알고리즘 적용 ... 132
• 4) 머신러닝 기반의 산림시업 최적화 기술 적용 및 경제성 평가 ... 163
• 3. 연구개발과제의 수행 결과 및 목표 달성 정도 ... 191
• 가. 연구수행 결과 ... 191
• 1) 정성적 연구개발성과 ... 191
• 2) 정량적 연구개발성과 ... 192
• 3) 세부 정량적 연구개발성과 ... 193
• 나. 목표 달성 수준 ... 195
• 4. 목표 미달 시 원인분석 ... 196
• 가. 목표 미달 원인(사유) 자체분석 내용 ... 196
• 나. 자체 보완활동 ... 196
• 다. 연구개발 과정의 성실성 ... 197
• 5. 연구개발성과의 관련 분야에 대한 기여 정도 ... 197
• 6. 연구개발성과의 관리 및 활용 계획 ... 198
• 7. 참고문헌 ... 200
• 끝페이지 ... 205