Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Detection of Damaged Pine Tree by the Pine Wilt Disease Using UAV Image

무인항공기(UAV) 영상을 이용한 소나무재선충병 의심목 탐지

  • Lee, Seulki (Department of Integrated Science, Kangwon University) ;
  • Park, Sung-jae (Department of Integrated Science, Kangwon University) ;
  • Baek, Gyeongmin (Department of Integrated Science, Kangwon University) ;
  • Kim, Hanbyeol (Department of Integrated Science, Kangwon University) ;
  • Lee, Chang-Wook (Department of Integrated Science, Kangwon University)
  • 이슬기 (강원대학교 통합과학전공) ;
  • 박성재 (강원대학교 통합과학전공) ;
  • 백경민 (강원대학교 과학교육학부) ;
  • 김한별 (강원대학교 과학교육학부) ;
  • 이창욱 (강원대학교 과학교육학부)
  • Received : 2019.04.17
  • Accepted : 2019.05.21
  • Published : 2019.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

Bursaphelenchus xylophilus(Pine wilt disease) is a serious threat to the pine forest in Korea. However, dead wood observation by Pine wilt disease is based on field survey. Therefore, it is difficult to observe large-scale forests due to physical and economic problems. In this paper, high resolution images were obtained using the unmanned aerial vehicle (UAV) in the area where the pine wilt disease recurred. The damaged tree due to pine wilt disease was detected using Artificial Neural Network (ANN), Support Vector Machine (SVM) supervision classification technique. Also, the accuracy of supervised classification results was calculated. After conducting supervised classification on accessible forests, the reliability of the accuracy was verified by comparing the results of field surveys.

소나무재선충병은 우리나라 소나무림에 심각한 위협이 되고 있는 질병이다. 그러나 일반적으로 재선충병의 고사목 관측은 현장조사를 기반으로 하고 있기 때문에 물리적, 경제적 문제가 있어 대규모 삼림을 관측하는데 어려움이 있다. 본 연구에서는 소나무재선충병이 재발한 지역에 무인 항공기를 이용하여 고해상도 영상을 획득하였다. 이후 Artificial Neural Network(ANN), Support Vector Machine(SVM) 감독분류 기법을 통해 소나무재선충병 의심목을 탐지하였고. 감독분류 결과에 대한 정확도를 산출하였다. 또한 접근성이 높은 산림에 대해 감독분류를 실시한 후 현장 조사 결과간의 비교를 통해 정확도의 신뢰성을 검증하였다.

Keywords

1. 서론

한반도의 국토는 63.2%가 산림으로 구성되어 있으며 이는 세계 평균(31%)의 약 2배에 해당하는 비율로, 국토의 상당 부분을 차지하는 산림의 효율적인 보호를 위해 산림 생태계 보전 관리 체계를 구축하고, 조림사업, 숲가꾸기 사업, 산림재해 예방사업 등을 실시하고 있다. 최근 국제적인 기후변화 등 환경문제의 심각성이 강조되고 있는 가운데, 재생 가능한 친환경적 에너지인 산림자원의 중요성이 더욱 부각되고 있으며(Cho et al., 2010), 산림은 온실가스 흡수, 산사태 방지, 생물종의 다양성 보전, 휴양, 산소 생산 등의 공익적 가치를 지니고있다(Korea Forest Service, 2016). 이처럼 산림의 공익적기능이 중시되면서 산림에 관한 연구가 지속해서 수행되고 있으며(Yim et al., 2009; Choi et al., 2015; Lee and Park, 2019) 최근 산림의 혜택을 직·간접적으로 방해하는 산림 병해충에 대한 방제의 필요성이 강조되고 있다(Beak, 2005; Jung et al., 2015; Lee and Park, 2019). 국내에서는 매년 산림 병해충 방제 계획을 수립 및 실시하고 있으며, 고정조사구, 상습발생지 및 선 단지 등에 대한 산림 병해충 사전 조사를 실시하여 차후 삼림병해충의 발생을 예측하고 있다. 또한 사전 조사 결과 발생 규모, 발생속도 및 피해 정도 등에 따라 산림 병해충 발생을 예보하고 있다(Korea Forest Service, 2016).

산림 병해 중 하나인 소나무재선충병은 우리나라 소나무림에 심각한 위협이 되는 질병이다. 소나무 재선충을 보유한 매개충(북방수염하늘소, 솔수염하늘소 등)이 나무 사이를 이동하며, 나무를 섭취할 때 소나무 재선충이 나무 조직 내부로 침입 및 증식하여 뿌리로부터 올라오는 수분과 양분 이동을 방해하여 나무를 말라 죽게 하는 병이다(Kim et al., 2003). 소나무재선충병은 동시다발적이고, 급속하게 전염되며, 일정 기간 동안 잠복기가 있어 사전 탐지가 어렵다(Kim et al., 2015). 또한 치료약이 없어 감염되면 100% 고사하며 소나무 외에도 모든 침엽수에 대해 발병한다(Zhao et al., 2008). 특히 우리나라는 산림의 36.9%인 2,339천 ha를 침엽수림이 차지하고 있기때문에, 소나무재선충병은 가장 심각한 산림재해로 다루어지고 있다(Korea Forest Service, 2016). 따라서 우리나라는 소나무재선충병 방제특별법과 방제지침을 제정하여 국가 차원에서 관리하고 있으며, 산림청에서는 소나무재선충병 예방을 위해 나무 주사, 페로몬 유인 트랩설치 등으로 예방 방제를 시행하고 있다. 또한, 피해 발생 지역 및 전국적 확산을 방지하기 위하여 매개충의 우화 시기인 5~7월에 발생지역과 주변 임지를 대상으로광역적 항공 방제를 실시하고 있으며 소나무재선충병피해 고사목 벌채 등 의심목 제거 작업을 하고 있다. 일반적으로 재선충병의 피해·확산을 방지하기 위한 고사목 관측은 현장 조사를 기반으로 하고 있다. 그러나 현장조사는 군사지역과 험준지 등 접근이 어려운 지역에 대한 탐지가 어렵고, 인력의 공급, 비용과 같은 물리 및 경제적 문제로 인해 대규모 산림에 적용하기에는 한계가있다(Lee et al., 2015). 반면 원격탐사는 실측보다 개인오차가 적고 상대적인 위치가 정확하며, 지리적으로 접근하기 어려운 지역도 관측할 수 있다는 장점이 있기 때문에 물리 및 경제적 문제를 단점으로 가지고 있는 연구지역을 관측, 분석하는 데에 적합하다(Park et al., 2011; Baek et al., 2017). 특히, 무인항공기를 활용한 원격탐사는 신속성, 동시성을 가지며 소규모 지역에 대해 고해상도 영상자료를 얻을 수 있기 때문에 특정 장소에 대하여 더욱 정밀한 분석이 가능하다(Choi et al., 2011; Kim et al., 2014). 이에따라무인항공기를활용한원격탐사기법은현장조사의 한계점을 보완할 수 있으며, 획득한 영상은 감독 분류기법을 이용하여 정밀한 토지피복도(Landcover map)를 산출할 수 있다(Kim et al., 2017). 감독 분류란 분석자가 분류 항목 및 각 분류 항목별 학습 데이터(Training data)를 지정하면, 학습 데이터의 특징을 기준으로 각 픽셀이 어떤 학습 데이터와 유사한지 판별하여 영상 자료를 분류하는 방법이다(Jeon and Kim, 2003).

본 연구에서는 무인항공기로 취득한 영상을 기반으로 감독 분류 기법 적용하여 소나무재선충병에 걸린 의심목을 판독하였다. 기존에는 시계열 초분광 항공 영상을 활용하여 소나무재선충병 의심목을 분류하는 연구 (Kim et al., 2015)와 휴대용 근적외선 카메라를 통하여 획득한 영상으로 소나무재선충병 의심목을 검출하는 연구와 같이 다중분광 영상 자료를 이용한 식생의 병해충 피해에 대한 연구가 많이 이루어졌다(Kim et al., 2008; Cho et al., 2011; Kim et al., 2011). 지표의 정보에는 축적의존성이 있어 정보를 표현하기에 적합한 해상도가 존재하며(Ku, 2011), 소나무재선충병 의심목을 판독하기 위해서는 고해상도가 요구된다. 따라서 본 연구에서는 무인항공기를 이용하여 산림의 가시 영상을 획득하고, 그 영상을 기반으로 소나무재선충병 의심목을 분류하고자 한다. 소나무재선충병 의심목은 수분과 양분의 이동이 원활하지 못하여 잎의 색이 갈변되는 특징이 있다. 이러한 특징에 기인하여 잎이 다 떨어지는 일반 고사목의 특징과도 구별되며 감염되지 않은 침엽수와도 명확한 구분을 할 수 있어(Kim et al., 2008) 재선충병 의심목에 대해 가시 영상을 사용하여 감독 분류 기법을 적용할 수 있다. 본 연구를 수행하기 위해 소나무재선충병이 재발한 지역에 무인 항공기를 이용하여 고해상도 영상을 획득하고 편집 및 가공한 후 감독 분류를 시행하여 소나무재선충병 의심목을 탐지하고, 감독 분류 결과에 대한 정확도를 산출하였다. 또한 접근성이 높은 산림에 대해 감독 분류를 시행한 후 현장 조사 결과 간의 비교를 통해 계산된 정확도의 신뢰성을 검증하였다.

2. 연구 방법

본 연구에서는 고화질 영상을 획득할 수 있는 무인 항공기를 이용하여 소나무재선충병 의심목을 탐지하고, 감독 분류를 동해 소나무재선충병을 탐지하고자 한다. 또한 본연구결과의 정확도를 도출하고 현장 조사를 통해 감독 분류 및 정확도의 신뢰도를 검증하였다. Fig. 1은 본연구방법의 모식도이다. 본 연구에서는 무인항공기를 이용하여 영상 데이터를 획득하고 영상처리를 통해 유효한 영상을 작성하였다. 이후 획득한 영상을 이용하여 인공신경망을 이용한 분류 기법에 해당하는 ANN과 SVM을 통한 감독 분류를 수행하였다. 이후 본 연구에서 소나무재선충병으로 탐지된 결과와 실측 결과 간의 비교를 통해 본 연구의 신뢰성을 검증하였다.

OGCSBN_2019_v35n3_359_f0001.png 이미지

Fig. 1. Research Flowchart.

1) 연구지역 선정

연구 지역은 과거 소나무재선충병의 피해가 있었던 안보 1리(강원도 춘천시 경춘로 647-29)(Fig. 2(a)) 일대와 원창리(강원도 춘천시 동산면 원창리)(Fig. 2(b)) 일대산림을 선정하였다. 두 지역 모두 침엽수림으로 구성되어 있으며, 현재 소나무재선충병이 재발하여 실제 소나무재선충병 의심목이 있기 때문에 현장 조사가 가능한 지역이다.

OGCSBN_2019_v35n3_359_f0002.png 이미지

Fig. 2. Study area (a) Anbo 1-ri, (b) Wonchang-ri.

2) 영상 데이터 획득 및 자료처리

영상 촬영은 감독 분류 과정에서 소나무재선충병 의심목의 잎과 단풍의 색 혼동을 줄이기 위해 단풍 시기 이전인 2018년 9월 초에 진행하였으며, 종 방향으로 촬영하였다. 무인항공기를 이용한 영상 촬영은 지정된 경로를 따라 움직이면서 선정한 연구 지역을 분할 촬영한다. 따라서 연구 지역 전체의 정사 영상(Ortho-mosaic)을 획득하기 위해서는 별도의 영상 합성 과정이 필요하다. 정사 영상의 합성은 촬영된 영상의 GPS 좌표를 통해 일차적으로 배열된 각 사진의 일부 픽셀을 샘플링하여, 일치 여부를 판단하고 합성 가능 여부를 판정한다. 합성이 가능하다고 판정되면, 연속된 영상 간의 공액초점 (Conjugate point)을 추출하여 샘플링 되지 않은 나머지 픽셀을 채우고 고정해 영상을 재배열한다. 이후, 고밀도의 점군(Point cloud)을 생성하여 2차원적 영상의 집합을 형성한다. 이를 기반으로 본 연구에서는 무인항공기를 이용하여 취득한 영상을 2차원 정사 영상으로 합성하였고, 연구에 필요한 산림 지역만을 편집하여 영상처리를 수행하였다. 본 연구지역인 안보 1리 일대와 원창리 일대 모두 1.4 cm의 영상 해상도를 가진다.

3) 감독 분류

감독 분류는 산림 조사, 국토 모니터링 등에 필요한 토지 피복 분류에 사용하는 기법의 하나며, 분석자가 분류 항목 및 각 분류 항목별 학습 데이터를 지정하면, 학습 데이터의 특징을 기준으로 각 픽셀이 어떤 학습 데이터와 유사한지 판별하여 영상을 분류하는 방법이다. 본 연구에서는 인공신경망을 이용한 분류 기법에 해당하는 ANN과 SVM을 사용하였다(Yuan et al., 2009; Kadavi and Lee, 2018).

기계학습(Machine learning)의 한 종류인 인공신경망ANN은 인간 두뇌의 신경세포 간의 연결 관계를 모델링 한 것으로 시냅스 결합을 통해 네트워크를 형성한 뉴런이 반복 학습을 거쳐 시냅스의 결합 세기를 변화시켜 자료 내에 숨어있는 패턴을 찾아내는 모델링 기법이다 (Paola and Schowengerdt, 1995). Fig. 3은 ANN의 모식도를 나타낸 것으로, ANN은 외삽 능력을 향상하기 위해 출력 레이어와 숨김 레이어에 선형함수와 시그모이드 (Sig-moid) 함수를 각각 할당하고(Murmu and Biswas, 2015), 주어진 출력과 입력 데이터 간의 오차를 최소화하기 위해 역전파 알고리즘(Back-Propagation on Algorithm)을 사용하였다. 역전파 알고리즘은 바이어스와 가중치를 갱신하는 방향이 데이터가 흘러가는 방향의 역방향으로 갱신하는 알고리즘이다(Kadavi and Lee, 2018). 역전파 알고리즘은 크게 두 단계로 이루어지는데, 첫 번째 단계에서는 학습에 사용할 입력 패턴을 임의의 가중치를 이용하여 전 방향(feed-forward)으로 출력을 산출한다. 두 번째 단계는 목표 출력과 첫 번째 단계에서의 출력 차이를 계산하여 오차를 계산하고 각 층의 가중치와 바이어스를 갱신하는 것이다. 갱신한 가중치와 바이어스를 이용하여 다시 전 방향으로 출력하게 되면 첫 번째 단계에서 얻은 출력보다 오차가 적어진다. 이 과정을 반복하면서 계산 값과 실제 값의 차이를 최소화 시키는 분류를 진행하는 방법이다(Robert, 1992).

OGCSBN_2019_v35n3_359_f0003.png 이미지

Fig. 3. ANN classification processing (Robert, 1992).

Fig. 4는 Vapnik(1995)이 제안한 통계적 학습 이론에 기초한 기계학습 기법인 SVM이다(Cortes and Vapnik, 1995). SVM에는 특정 범주의 오 분류를 허용하는 벌칙 매개 변수가 포함되어 있다(Pakhale and Gupta, 2010). 특히 SVM은 ANN의 일반적인 문제점으로 지적된 과적합 (over-fitted) 문제를 벌칙(Penalty)항을 이용하여 최소화 할 수 있고, 일반화(함수 근사)에 있어서 이상치(Outlier)에 둔감하므로 높은 일반화 성능을 가진다(Smola and Scholkopf, 1998). SVM은 데이터를 분류하기 위해서 데이터들의 범주를 판별하기 위해 만들어진 기준인 초평면(Hyperplane)을 사용하는데, 데이터를 판별하는 기준은 다양하므로 초기에 데이터를 나눌 수 있는 초평면이 많아진다. 따라서 SVM 기법은 최적화된 초평면을 찾기 위해 최대 마진(Margin)을 찾으며, 여기서 최대 마진은 초평면과 가장 거리가 가까운 데이터를 의미한다. SVM은 최대 마진을 가진 데이터를 검색하고 초평면을 찾아서 결정한다. 이때 초평면이 결정되도록 도와주는 데이터들이 SVM의 지원 벡터(Support Vector)에 해당한다 (Vapnik, 1995). SVM은 각 분류 간 차이를 최대화하는 지원 벡터라는 결정면을 사용하여 분류를 진행하게 되는데, 앞서 선택된 지원 벡터를 사용하여 비선형 분류를 실시한다(Kadavi and Lee, 2018).

OGCSBN_2019_v35n3_359_f0004.png 이미지

Fig. 4. SVM flassification processing (a)Various hyperplanes in two dimensions, (b) Optimized hyperplane by maximum margin (Vapnik, 1995).

소나무재선충병 의심목(Fig. 5(a))은 재선충이 나무조직 내부로 침입 및 증식하여 뿌리로부터 올라오는 수분과 양분 이동을 방해하여 잎이 전체적으로 갈변하며 고사하는 특징이 있어 잎이 떨어지는 일반 고사목(Fig. 5(b))이나 감염되지 않은 침엽수와 육안으로 구별을 할 수 있다(Fig. 5(c)). 따라서 학습 데이터 선정 및 감독 분류가 가능하다. 본 연구에서 학습 데이터는 Region Of Interest(ROI) tool을 이용하여 폴리곤(Polygon)으로 지정하였다. ANN과 SVM은 분석자가 선정한 학습 데이터를 분류하기 때문에 실제로 같은 토지 피복이라 하더라도 영상에서 색이 다르게 나타나면 다른 토지피복으로 인식할 수 있다. 따라서 학습 데이터를 지정할 때, 동일한 토지피복도에서 광량으로 인한 색상 차이 등에 따라 다르게 나타날 수 있으므로, 각각 광량 및 색상에 따라 다르게 나타난 지역을 다른 자료로 지정한 후에 ANN과 SVM 감독 분류 기법을 적용하였다. 이 후 분류 결과를 학습 데이터 지정 단계에서 광량 및 색상에 따라 각각 분류했던 동일 토지피복을 병합(Merge)하여 무인항공기에서 획득한 영상의 광량에 의한 색상 차이를 보정하였다.

OGCSBN_2019_v35n3_359_f0011.png 이미지

Fig. 5. (a) tree with Pine wilt disease, (b) General dead tree, (c)The appearance of a forest with common tree and pine wilt disease tree.

4) 감독 분류 정확도 산출

본 연구에서는 정확도 분석 방법의 하나인 오차 행렬을 이용하여 감독 분류 산출 결과의 정확도를 계산하였다. 오차 행렬이란 토지피복도 분류자료와 검증자료 (reference data)를 바탕으로 각 오차 행렬의 해당란에 수치를 입력한 것으로, 세로는 검증자료를, 가로는 토지피복도의 분류자료를 나타낸다(Ha et al., 2002). Story and Congalton(1986)은 오차 행렬 분석에서 주 대각 성분을 이용하여 사용자 정확도(User’s accuracy)와 제작자 정확도(Producer’s accuracy), 종합 정확도(overall accuracy)를 산출하였다.

사용자 정확도는 토지피복도가 얼마나 실제 지표와 일치하는지를 나타낸 값으로 Eq. (1)과 같이 오차 행렬의 주 대각 요소(xii)를 분류한 영상의 각 분류 항목의 픽셀 수로 나눈 값이다(Ha et al., 2002).

\(U A={\frac{x_{i i}}{\sum_{i=1}^{n} x_{i j}} \times 100}\)       (1)

제작자 정확도(Eq. (2))는 연구 지역에 대해 분류 기법이 얼마나 정확히 분류하였는지 나타내는 값이다. 이는 오차 행렬의 주 대각 요소(xii)를 검증자료의 픽셀 수로 나눈 값이다(Ha et al., 2002).

\(P A=\frac{x_{i i}}{\sum_{j=1}^{n} x_{i j}} \times 100\)        (2)

종합 정확도(Eq. (3))은 분류항목별로 정확히 분류된 픽셀의 총합을 의미한다. 이는 주 대각 요소(xii)의 총합을 전체 검증자료로 쓰인 픽셀 수(N)로 나눈 값이다(Ha et al., 2002).

\(O A=\frac{\sum_{i=1}^{r} x_{i i}}{N} \times 100\)       (3)

본 연구에서는 정확도 산출을 위해 검증자료와 토지피복도 분류자료를 이용하여 오차 행렬을 작성하였다. 검증자료로는 연구에 사용한 무인항공기 영상을, 토지피복도 분류자료는 ANN, SVM 분류 결과를 각각 사용하였다. 무인항공기를 이용하여 획득한 영상의 해상도는 1.3 cm이며, 오차 행렬을 작성하기 위해 검증자료의 토지피복별로 각각 점(Point)을 지정하였다(Fig. 6(a)). 지정한 점은 픽셀 단위로 래스터화 한 후(Fig. 6(b)), 검증자료와 토지피복도 분류자료의 각 분류항목 픽셀 수를 계산하여 오차 행렬을 작성하고, 오차 행렬의 주 대각 성분을 이용하여 사용자 정확도, 제작자 정확도, 종합 정확도를 산출하였다.

OGCSBN_2019_v35n3_359_f0005.png 이미지

Fig. 6. Selection of Point and raster (a) Points specified in the verification data, (b) The point rasterized in pixels.

5) 현장 조사

무인항공기 영상을 이용한 원격탐사 기법은 신속성과 동시성의 장점과 물리적, 경제적인 측면에서도 장점이 있지만, 실제 현장 조사보다 신뢰도가 낮다는 단점이 있다. 이에, LiDAR 데이터를 이용한 산림 구조의 분류 및 분석(Lee et al., 2008; Choi et al., 2015), 산림 바이오매스 산정을 위한 LiDAR 데이터의 활용한 산림 정보추출(Lee et al., 2011; Lee and Park, 2019)등 산림 조사 및 분석을 위한 연구에서는 연구 결과의 검증을 위해 신뢰도가 검증된 현장 조사의 결과와 비교하였다. 이에 따라 본연구결과의 검증을 위해 현장 조사를 시행하고, 감독 분류 결과와 비교 분석하고자 하였다. 하지만, 연구 지역의 경우 표적 표본이 적고 접근이 어렵다. 따라서 비교적 접근이 용이한 강원대학교 연적지, 새롬관 일대 산림을 선정하여 영상 촬영부터 감독 분류까지 모두 동일한 방법으로 진행한 후, 신뢰도가 높은 현장 조사 방법을 이용하여 감독 분류의 정확성을 검증하였다. 검증지역의 현장 조사는 접근이 가능한 곳의 좌표를 획득한 후, 현장의 수목 위치와 종류를 ANN, SVM 분류 결과와 비교하여 일치, 불일치 여부를 판단하고 현장 조사와 감독 분류 결과의 일치율을 계산하였다.

3. 연구 결과

본 연구에서는 소나무재선충병 의심목을 가시 영상을 이용하여 감독 분류를 수행하고 소나무재선충병 의심목을 판독하였다. 이를 위하여 안보 1리 지역은 999개, 원창리 지역은 154개의 영상을 촬영하여 데이터를 획득하였고, 2차원 정사 영상을 합성하였다. 합성 과정의 시간과 정확성을 높이기 위해 불필요한 영상과 경로가 겹쳐 촬영된 영상을 선별하여 제거하였기 때문에 안보 1리는 394개, 원창리 지역은 119개의 데이터를 이용하여 2차원 정사 영상을 획득하였다(Fig. 7(a), (b)). 합성된 2차원 정사 영상에서 토지피복 분류에 필요한 범위를 지정하였으며 Fig. 7(c), (d)와 같다.

OGCSBN_2019_v35n3_359_f0006.png 이미지

Fig. 7. Image of studyarea (a) Ortho image around the Anbo 1-ri, (b) Ortho image around the Wonchang-ri, (c) Anbo-1ri forest image used in this research, (d) Wonchang-ri forest image used in this research.

획득한 영상의 감독 분류를 위한 학습 데이터는 ROI tool을 이용하여 폴리곤으로 지정하였고, 지정한 학습데이터를 기반으로 ANN과 SVM 두 가지 기법을 적용하여 감독 분류를 수행하였다. 또한, 감독 분류 결과의 정확도는 오차 행렬의 주 대각 성분을 이용하여 사용자 정확도, 제작자 정확도, 종합 정확도를 각각 Eq. (1), (2), (3)에 따라 계산하였다. Fig. 7(c), (d)는 본 연구에서 사용한 안보 1리와 원창리 일대의 산림 영상이며, 가시 영상(Fig. 7(c), (d))으로 판단했을 때 갈변된 색상으로 판단할 수 있는 부분을 후보군으로 선택하였고, 후보군은 ⓐ~ⓕ로 표기하였다. 위치를 파악하고 있는 소나무재선충병 의심목은 Fig. 7(c)에 표시한 ⓑ와 Fig. 7(d)에 표시한 ⓔ, ⓕ로 안보리의 소나무재선충병 의심목의 위치는 37°50′N, 127°34′E이고, 원창리 일대에 위치한 소나무재선충병 의심목의 위치는 37°48′N, 127°46′E와 37°48′N, 127°46′E이다.

안보 1리 일대 산림의 ANN(Fig. 8(a)), SVM(Fig. 8(b)) 분류 결과를 가시 영상(Fig. 7(c))과 비교했을 때 가시 영상에서 후보군으로 추정했던 ⓐ~ⓒ 모두 소나무재선충병 의심목으로 분류되었음을 확인할 수 있다. 여기서 실제 알고 있던 의심목은 ⓑ였으며, 재선충병 의심목 후보군인 ⓐ~ⓒ 위치의 무인항공기 영상을 확인해 본 결과 Fig. 9과 같음을 알 수 있었다. 안보 1리 일대 산림의 소나무재선충병 의심목으로 탐지된 위치를 확인한 결과, ⓐ는 도로였으며, ⓑ는 본 연구에서 위치를 파악하고 있던 실제 소나무재선충병 의심목이었다. ⓒ는 산림 깊은곳에 있어 현장 조사가 용이하지 않기 때문에 본 연구에서 위치를 파악하고 있지 않은 지역이나, 본 연구의 감독 분류 과정을 통해 소나무재선충병 의심목을 탐지할 수 있었다. 안보 1리 일대 산림의 오차 행렬을 이용한 정확도 산출 결과 ANN 기법을 적용하였을 때 90.6% (Table 1), SVM 기법을 적용하였을 때 95.4%(Table 2)의 종합 정확도가 산출되었으며, SVM 분류가 4.8% 더 높은 정확도를 나타냈다. 소나무재선충병 의심목 분류에 대한 ANN의 사용자 정확도, 제작자 정확도는 각각 99.43%, 84.60%, SVM은 각각 99.24%, 95.35%로 모두 80%이상의 높은 정확도가 산출되었다. 이는 분류에 사용한 토지피복도상의 재선충병 의심목의 위치와 실제 지표에서의 위치가 매우 유사하며, ANN, SVM 기법을 이용한 소나무재선충병 의심목의 분류가 정확하다고 판단할 수 있다. 원창리 일대 산림에서 재선충병 의심목의 후보군은 Fig. 7(d)와 같이 ⓓ~ⓖ로 총 4개의 지역으로 구분하였으며, ⓔ,ⓕ는 본 연구에서 위치를 파악하고 있는 소나무재선충병 의심목이다. 원창리 일대 산림의 ANN(Fig. 10(a)), SVM(Fig. 10(b)) 분류 결과 ANN과 SVM방법 모두 토지피복 분포가 유사하게 분류되었음을 볼 수 있다. 토지 피복 분류 결과 소나무재선충병 의심목후보군 4개인 ⓓ~ⓖ 중에 Fig. 10 ⓔ,ⓕ만 소나무재선충병 의심목으로 분류되었으며, Fig. 10 ⓓ,ⓖ는 과수목으로 분류된다. Fig. 11과 같이 무인항공기 영상과 비교했을때 잘 일치한 것을 확인할 수 있었다. 원창리 일대 산림의 오차 행렬을 이용한 정확도 산출 결과 ANN 78.4% (Table 3), SVM 83.7%(Table 4)의 종합 정확도가 산출되었으며, SVM 분류가 5.3% 더 높은 정확도를 나타냈다. 원창리는 ANN의 종합 정확도가 비교적 낮게 산출되었는데, 이는 ANN의 분류 과정에서 학습 데이터는 식물로 입력하였으나 식물로 분류된 영역이 없는 것에 대한 오차로 판단된다. 재선충병 의심목 분류에 대한 ANN의 사용자 정확도, 제작자 정확도는 각각 94.08%, 86.67%, SVM은 각각 98.01%, 89.70%로 모두 80% 이상의 높은 정확도가 산출되었다. 이는 분류에 사용한 토지피복도상의 재선충병 의심목의 위치와 실제 지표에서의 위치가 매우 유사하다는 의미이며, 소나무재선충병 의심목을 ANN, SVM이 정확하게 분류하였다고 판단할 수 있다.

OGCSBN_2019_v35n3_359_f0007.png 이미지

Fig. 8. Anbo 1-ri supervised classification results (a) ANN Method, (b) SVM Method.

OGCSBN_2019_v35n3_359_f0008.png 이미지

Fig. 9. Verification of the UAV image of the location classified as the damage tree with Pine wilt disease (Anbo 1-ri).

OGCSBN_2019_v35n3_359_f0009.png 이미지

Fig. 10. Wonchang-ri supervised classification results (a) ANN Method (b) SVM Method.

OGCSBN_2019_v35n3_359_f0010.png 이미지

Fig. 11. Verification of the UAV image of the location classified as the damage tree with Pine wilt disease (Wonchang-ri).

Table 1. Error matrix and accuracy of ANN classification result around Anbo 1-ri forest

OGCSBN_2019_v35n3_359_t0001.png 이미지

Table 2. Error matrix and accuracy of SVM classification result around Anbo 1-ri forest

OGCSBN_2019_v35n3_359_t0002.png 이미지

Table 3. Error matrix and accuracy of ANN classification result around Wonchang-ri forest

OGCSBN_2019_v35n3_359_t0003.png 이미지

Table 4. Error matrix and accuracy of SVM classification result around Wonchang-ri forest

OGCSBN_2019_v35n3_359_t0004.png 이미지

4. 결론

환경 문제로 인해 산림의 공익적 기능이 중시되면서산림의 혜택을 직·간접적으로 방해하는 산림 병해충에 대한 방제 필요성이 강조되고 있다. 특히 소나무재선충병은 급속하게 전염되며 치료약이 없어 가장 심각한 산림재해 중 하나로, 소나무재선충병에 대한 관측 및 연구는 현장 조사를 기본으로 하고 있다. 하지만 현장 조사는 험준지 등 접근이 어려운 지역에 적용하기에 한계가 있으며, 경제적인 측면에서도 많이 비용이 발생한다. 따라서 본 연구는 현장 조사가 가지는 한계를 보완하기 위하여 무인항공기 기반의 고해상도 영상을 이용하여 감독 분류 기법을 적용한 소나무재선충병 탐지 가능성을 검증하고자 하였다. 본 연구에서는 무인항공기를 이용한 고해상도 산림 영상을 획득하고, ANN과 SVM을 이용하여 감독 분류를 수행하여 토지피복도를 작성하였다. 또한 본 연구 결과의 신뢰도를 검증하기 위하여 검증자료와 토지피복도를 기반으로 오차 행렬을 이용한 정확도를 계산하였다. 그 결과, 안보 1리 일대 산림의 경우 SVM, ANN 모두 재선충병 의심목에 대한 정확도가 각각 80% 이상으로 산출되었고, 종합 정확도는 ANN이 90.6%(Table 1), SVM이 95.4%(Table 2)로 SVM 분류 정확도가 4.8% 높게 나타났다. 이 결과는 감독 분류 기법이 재선충병 의심목을 잘 탐지하였음을 의미한다. 원창리 일대 산림도 재선충병 의심목에 대한 분류 정확도가 80%로 산출되었다. 종합 정확도를 산출한 결과 ANN의 분류 정확도는 78.4%, SVM 분류 정확도는 83.7%로 SVM 분류가 5.3% 높게 나타났다. 두 지역 모두 종합적으로 ANN과 SVM 분류 대부분 80% 정도의 정확도가 산출되었다. 하지만 오차 행렬을 통한 정확도 산출 방법은 분석자가 취득한 자료를 검증자료로써 산출하는 것이기 때문에 취득한 자료의 왜곡 등의 요인으로 신뢰도가 낮아질 수 있다. 따라서 감독 분류에 대한 신뢰도 검증을 위해 더 정확한 검증 방법인 현장 조사를 시행하고자 하였다. 그러나 소나무재선충병 산림 지역의 경우 표본이 적고 접근이 불가능하기 때문에 비교적 접근이 용이한 산림을 선정하여 감독 분류 후 현장 조사를 시행하였다. 검증 지역으로는 강원대학교 연적지, 새롬관 일대 산림을 선정하였으며, 연구 지역과 동일한 방법으로 사진을 취득, 가공한 후 감독 분류를 실시하고 현장 조사를 시행하였다. 각각 50개의 지점에 대한 현장 조사 결과 연적지 일대 산림의 현장 조사 정확도는 ANN 92%, SVM 94%이고, 새롬관 일대 산림의 현장 조사 정확도는 ANN 90%, SVM 94%로 계산되었다. 따라서 감독 분류 결과는 신뢰할 수 있으며, 무인항공기를 이용한 원격탐사 및 감독 분류기법은 소나무재선충병 의심목 탐지에 적합하다고 할 수 있다. 특히 안보 1리 분류과정에서 학습 데이터로 선정하지 않은 깊은 산림에 위치한 재선충병 의심목을 탐지하였고, 본 연구 결과가 물리적으로 접근하기 어려운 지역에 대하여 적합하게 적용할 수 있음을 확인할 수 있었다. 따라서 감독분류기법은 파악하지 못하거나 접근하기 어려운 지역에 대하여 소나무재선충병 의심목 분류 및 탐지가 가능하여 현장 조사를 통해 발생하는 한계점을 보완할 수 있다. 그러나 높은 정확성에도 불구하고 본 연구는 무인항공기를 촬영 중 태양고도 변화에 의한 광량의 차이, 지형 경사에 의해 영상의 합성과정 중 생긴 영상 왜곡 등이 오차 요인으로 작용한다. 따라서 분류 정확도 향상을 위해서는 무인항공기 영상 촬영 과정에서 태양의 고도가 낮은 시간대에 촬영을 피하여 광량의 차이를 최소화하는 등 영상 왜곡을 줄여 정확한 영상을 취득해야 할 것으로 판단된다. 본 연구에서 사용한 감독 분류 기법인 ANN과 SVM은 소나무재선충병과 같이 뚜렷한 외관상의 특징이 있는 산림 재해에 대한 조사 및 모니터링 분야에서 활용 가치가 높을 것으로 예상되며, 특히 연구에 사용한 가시 영상은 분광 영상보다 획득이 용이하며 비용적인 측면에서 이점이 있기 때문에 활용 가능성이 높을 것으로 생각된다. 더욱이 무인항공기를 이용하여 넓은 지역의 고해상도 지도를 작성하고 고사목 후보군을 추출하여 그 지역의 고사목을 확인한다면 경제적인 효과뿐만 아니라 시간적인 측면에서도 매우 단축할 수 있기 때문에 신속한 대응을 가능하게 하므로 소나무재선충병 피해를 최소화할 수 있는 효과를 얻을 수 있을 것으로 기대된다.

사사

이 논문은 정부(미래창조과학부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업(NRF-2017 R1A2B4003258)의 연구 결과로 수행되었음.

References

  1. Baek, K.H., 2005. Forest pest division and pine wilt disease, Proc. of Busan Development Forum, Busan, vol. 2005, no. 96, pp. 88-89.
  2. Baek, W.K., S.H. Park, N.K. Jeong, S.K. Kwon, W.J. Jin, and H.S. Jung, 2017. A study for the techniques and applications of NIR remote sensing based on statical analyses of NIR-related papers, Korean Journal of Remote Sensing, 33(5): 889-900 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2017.33.5.3.11
  3. Cho, K.H., J. Heo, J.H. Jung, C.J. Kim, and K.M. Kim, 2011. Review and comparative analysis of forest biomass estimation using remotely sensed data: from five different perspectives, Spatial Information Research, 19(1): 87-96 (in Korean with English abstract).
  4. Choi, K.A., J. Lee, and I. Lee, 2011. Development of a close-range real-time aerial monitoring system based on a low altitude unmanned air vehicle, Spatial Information Research, 19(4): 21-31 (in Korean with English abstract).
  5. Choi, Y.R., J.S. Lee, and H.C. Yun, 2015. Extraction of forest resources using high density LiDAR data, Journal of the Korean Society of Survey Geodesy Photogrammetry, 33(2): 73-81 (in Korean with English abstract). https://doi.org/10.7848/ksgpc.2015.33.2.73
  6. Cortes, C. and V. Vapnik, 1995. Support-vector networks, Machine Learning, 20(3): 273-297. https://doi.org/10.1007/BF00994018
  7. Ha, S.R., C.K. Kyoung, S.Y. Park, and D.H. Park, 2002. Estimation of classification accuracy of JERS-1 satellite imagery according to the acquisition method and size of training reference data, Journal of Korean Association of Geographic information Studies, 5(1): 27-37 (in Korean with English abstract).
  8. Jeon, Y.J. and J.I. Kim, 2003. Supervised classification systems for high resolution satellite images, Journal of Korean Institute of Information Scientists and Engineers, 9(3): 301-310 (in Korean with English abstract).
  9. Jung, Y.J., 2015. Pine wood nematode, The Magazine of The Korean Society of Hazard Mitigation, 15: 124-128.
  10. Kadavi, P.R. and C.W. Lee, 2018. Land cover classification analysis of volcanic island in Aleutian arc using an artificial neural network (ANN) and a support vector machine (SVM) from landsat imagery, Geosciences Journal, 22(4): 653-665. https://doi.org/10.1007/s12303-018-0023-2
  11. Kim, D.I., Y.S. Song, G. Kim, and C.W. Kim, 2014. A study on the application of UAV for korean land monitoring, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 32(1): 29-38 (in Korean with English abstract). https://doi.org/10.7848/ksgpc.2014.32.1.29
  12. Kim, D.S., S.M. Lee, Y.J. Chung, K.S. Choi, Y.S. Moon, and C.G. Park, 2003. Emergence ecology of japanese pine sawyer, monochamus alternatus (coleoptera: cerambycidae), a vector of pinewood nematode, bursaphelenchus xylophilus, Korean Journal of Applied Entomology, 42(4): 307-313 (in Korean with English abstract).
  13. Kim, M., W.K. Lee, T.H. Kwon, D.A. Kwak, Y.S. Kim, and S.H. Lee, 2011. Early detecting damaged trees by pine wilt disease using DI (detection index) from portable near infrared camera, Journal of Korean Forest Society, 100(3): 374-381 (in Korean with English abstract).
  14. Kim, M.J., H.S. Bang, and J.W. Lee, 2017. Use of unmanned aerial vehicle for forecasting pine wood nematode in boundary area: a case study of Sejong metropolitan autonomous city, Journal of Korean Forest Society, 106(1): 100-109 (in Korean with English abstract). https://doi.org/10.14578/JKFS.2017.106.1.100
  15. Kim, S.R., E.S. Kim, Y. Nam, W.I. Choi, and C.M. Kim, 2015. Distribution characteristics analysis of pine wilt disease using time series hyperspectral aerial imagery, Korean Journal of Remote Sensing, 31(5): 385-394 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2015.31.5.3
  16. Kim, Y.S., W.K. Lee, S.E. Jung, T.H. Kwon, and J.B. Kim, 2009. Early diagnosis of pine wilt disease with agricultural digital camera, Proc. of Journal of Korean Forest Society, Seoul, Korea, Aug. 19, vol. 2009, pp. 388-391 (in Korean with English abstract).
  17. Korea Forest Service, 2016, National forest inventory report, Korea Forest Service, Daejeon, Korea, pp. 1-192.
  18. Ku, C.Y., 2011. A study on managing and processing the images with different spatial resolution for the systemic land cover classification, The Geographical Journal of Korea, 45(3): 375-386 (in Korean with English abstract).
  19. Lee, C.M., T.H. Lim, S.M. Lee, I.S. Mun, S.S. Han, and D.W. Lee, 2015. Nematicidal and reproduction supression activity of actinomyces isolates against pine wood nematode, bursaphelenchus xylophilus, Korean Journal Pesticide Science, 19(2): 141-150 (in Korean with English abstract). https://doi.org/10.7585/kjps.2015.19.2.141
  20. Lee, D.K., J.E. Ryu, E.Y. Kim, and S.W. Jeon, 2008. Analysis of forest structure using lidar data - a case study of forest in Namchon-dong, Osan, Journal of Environmental Impact Assesment, 17(5): 279-288 (in Korean with English abstract).
  21. Lee, H.J., J.H. Ryu, S.R. Yand, and D.S. Koo, 2011. Extraction forest information by using highresolution satellite image and lidar data for calculate forest biomass, Proc. of Korean Society for Geospatial Information Science Symposium, Ilsan, Korea, Oct. 28, pp. 99-100.
  22. Lee, K.W. and J.K. Park, 2019. Economic evaluation of unmanned aerial vehicle for forest pest monitoring, Journal of the Korea Academia-Industrial cooperation Society, 20(1): 440-446 (in Korean with English abstract). https://doi.org/10.5762/KAIS.2019.20.1.440
  23. Murmu, S. and S. Biswas, 2015. Application of fuzzy logic and neural network in crop classification: a review, Aquatic Procedia, 4: 1203-1210. https://doi.org/10.1016/j.aqpro.2015.02.153
  24. Pakhale, G.K. and P.K. Gupta, 2010. Comparison of advanced pixel based (ANN and SVM) and object-oriented classification approaches using landsat-7 Etm+ data, International Journal of Engineering and Technology, 2(4): 245-251. https://doi.org/10.7763/IJET.2010.V2.128
  25. Paola, J.D. and R.A. Schowengerdt, 1995. A review and analysis of backpropagation neural networks for classification of remotely-sensed multi-spectral imagery, International Journal of Remote Sensing, 16(16): 3033-3058. https://doi.org/10.1080/01431169508954607
  26. Park, T.J., W.K. Lee, M.I. Kim, and G.S. Cui, 2011. Application proposal of remotely sensed data for scale expansion and transformation of forest volume from National Forest Inventory, Proc. of Korean Society for Geospatial Information Science Symposium, Ilsan, Korea, Oct. 28, pp. 197-200.
  27. Robert, H.N., 1992. Theory of the Backpropagation Neural Network, Neural Networks for Perception Computation, Learning, and Architectures, Academic Press, MA, USA.
  28. Smola, A.J. and B. Scholkopf, 2004. A tutorial on support vector regression, Statistics and Computing, 14(3): 199-222. https://doi.org/10.1023/B:STCO.0000035301.49549.88
  29. Story, M. and R.G. Congalton, 1986. Accuracy assessment: a user's perspective, Photogrammetric Engineering and Remote Sensing, 52(3): 397-399.
  30. Vapnik, V.N., 1995. The Nature of Statistical Learning Theory, Springer New York, NY, USA.
  31. Xiu, L.N. and X.N. Liu, 2003. Current status and future direction of the study on artificial neural network classification processing in remote sensing, Remote Sensing Technology and Application, 18(5): 339-345. https://doi.org/10.3969/j.issn.1004-0323.2003.05.014
  32. Yim, J.S., W.S. Han, J.H. Hwang, S.Y. Chung, H.K. Cho, and M.Y. Shin, 2009. Estimation of forest biomass based upon satellite data and national forest inventory data, Korean Journal of Remote Sensing, 25(4): 311-320 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2009.25.4.311
  33. Yuan, H., D.W.C. Vanand, and S. Khorram, 2009. An automated artificial neural network system for land use/land cover classification from Landsat TM imagery, Journal of Remote Sensing, 1(3): 243-265. https://doi.org/10.3390/rs1030243
  34. Zhao, B.G., K. Futai, J.R. Sutherland, and Y. Takeuchi, 2008. Pine Wilt Disease, Springer Japan, Tokyo, Japan.