Estimating the Forest Micro-topography by Unmanned Aerial Vehicles (UAV) Photogrammetry

무인항공기 사진측량 방법에 의한 산림 미세지형 평가

Abstract

Unmanned aerial vehicles(UAV) photogrammetry provides a cost-effective option for collecting high-resolution 3D point clouds compared with UAV LiDAR and aerial photogrammetry. The main objectives of this study were to (1) validate the accuracy of 3D site model generated, and (2) determine the differences between Digital Elevation Model(DEM) and Digital Surface Model(DSM). In this study, DEM and DSM were shown to have varying degree of accuracy from observed data. The results indicated that the model predictions were considered tend to over- and under-estimated. The range of RMSE of DSM predicted was from 8.2 and 21.3 when compared with the observation. In addition, RMSE values were ranged from 10.2 and 25.8 to compare between DEM predicted and field data. The predict values resulting from the DSM were in agreement with the observed data compared to DEM calculation. In other words, it was determined that the DSM was a better suitable model than DEM. There is potential for enabling automated topography evaluation of the prior-harvest areas by using UAV technology.

1. 서론

지난 10년간 전 세계적으로 기계화 산림작업 (mechanized harvesting operation)은 생산성 향상과 비용 절감, 산림작업 중대재해와 산림환경피해 저감 등의 이유로 지속적으로 활용되고 있다 (Cambi et al., 2015; Enache et al., 2016; Lee et al., 2020). 특히, 급경사지에서 이용되고 있는 가선집재작업시스템은 지상집재작업시스템보다 낮은 작업 생산성과 높은 작업비용이 소요되고, 쵸커 작업원이 중대재해에 취약하기 때문에 윈치 제어형(winch-assisted) 지상집재장비를 이용한 산림작업이 확대되고 있는 실정이다(Harrill et al., 2019). 기본적으로 지상집재작업시스템에서 작업로는 필수적인 시설이며, 거리, 위치, 배치 등에 따라 작업 효율과 비용이 변화하므로, 산림 미세 지형을 고려한 적절한 계획이 필요하다(Contreras et al., 2016).

무인항공기(UAV; Unmanned Aerial Vehicles) 는 원격 또는 프로그램으로 비행할 수 있는 소형 비행체로 정의할 수 있다. 위성영상 및 항공사진 촬영에 비하여 저렴한 비용으로 지상의 공간정보를 신속하고 비교적 쉽게 고해상도의 정보를 획득할 수 있는 장점으로 최근 산림분야에도 활발하게 활용되고 있다(Colomina and Molina, 2014; Pierzchala et al., 2014). UAV는 관성항법장치 (Inertial Navigation System)와 Light Detection And Ranging (LiDAR), 열적외선, 일반 디지털 카메라를 탑재하여 촬영된 영상을 고정밀 정사영상, 수치표면모델(DSM; Digital Surface Model), 수치 표고모델(DEM; Digital Elevation Model) 등의 3차원 모델 생성이 가능하다(White et al., 2016; Rumpler et al., 2017). 이와 같이 생성된 영상들은 산림의 엽면적지수 측정(Mathews and Jensen, 2013), 식생밀도가 높은 지역의 지형정보 추출(Meng et al., 2017), 기계화 산림작업에서 토양 변위 측정(Pierzchala et al., 2014; Nevalainen et al., 2017), 지상집재작업시스템의 최적 작업로 배치 및 계획(Sterenczak and Moskalik, 2015) 등의 연구에 활용되고 있다. 특히, UAV는 기상조건 및 전파 등의 외부상황에 민감하게 반응하여 추락하는 사고가 빈번하게 발생되므로, 최근 일반 디지털 카메라를 탑재하여 촬영된 영상을 분석하는 연구가 활발하게 진행되고 있다(Nevalainen et al., 2017; Cao et al., 2019).

국내의 입목벌채 사업은 크게 주벌과 솎아베기로 구분할 수 있으며, 2019년 기준 주벌과 솎아베기의 사업면적은 각각 총 입목벌채 사업면적의 17%와 4%를 차지한다. 또한 최근 5년간 주벌과 솎아베기 사업면적을 살펴보면, 주벌은 2019년 기준 17천 ha로 2014년에 비해 21% 증가하였고, 솎아베기(4천 ha)은 66% 감소하는 경향을 보이고 있다(KFS, 2019). 입목벌채 사업은 대부분 우드그랩 임목수확장비 기반의 시스템을 적용하고 있으며, 이 시스템에서는 산림작업로 시설이 필수적으로 요구된다(Lee et al., 2019). 국립산림과학원 (NIFoS, 2020) 연구자료에 따르면, 주벌과 솎아베기 사업지의 평균 산림작업로 밀도는 각각 108m/ ha(최소: 76m/ha, 최대:184m/ha)와 76m/ha(최소:32m/ha, 최대: 127m/ha)로 나타났다. 더 나아가 이 시설은 일회성으로 개설되므로 설치 및 배치 기준이 명확하게 마련되어 있지 않다. 특히, 산림 내 미세지형을 고려하지 않은 채 수치지형도 (1:5,000)를 활용하여 계획되어 개설 작업 중 변경하는 문제가 발생될 뿐만 아니라, 차량형 임업기계의 작업로 선정이 어려운 실정이다. 이를 해결하기 위하여, 본 연구는 일반 디지털 카메라가 장착된 무인항공기로 취득한 디지털 영상으로 DSM을 제작하여, 차량형 임업기계의 주행가능성을 검토하는 것을 목적으로 하였다. DSM은 지표면상의 자연적 현상을 3D 모델로 변환 가능하여, 미세지형 파악이 가능하다(Talkasen et al., 2017). 이를 통해 산림 내 미세지형을 고려한 산림작업로를 계획하는데 기초 자료로 이용될 수 있을 것으로 판단된다.

2. 재료 및 방법

2.1 연구대상지

연구대상지는 국립산림과학원 광릉산림과학연구 시험림(경기도 남양주시 진접읍 부평리 산 99-75번지)에 위치한 잣나무 조림지를 선정하였다(Fig. 1). 잣나무 조림지는 2.5ha이고, 촬영면적은 227m × 836m이며, 평균고도는 189.4m(min. 140.5m, max. 248.3m)이다. 또한 카메라의 렌즈 왜곡을 줄이기 위해 지상기준점(GCP; Ground Control Points)은 3지점을 선정하였다(Fig. 1).

Fig. 1 (a) Study area, (b) GCP survey and (c) Mavic 2 Pro

2.2 영상취득 및 처리방법

본 연구에서 이용한 회전익 무인비행체는 DJI사 Mavic 2 Pro이고, 탑재된 카메라를 이용 하여 촬영하였다(Table 1). 카메라의 해상도는 5,472×3,648픽셀이고, 센서는 1”CMOS로 유효 픽셀은 20 메가픽셀이다.

Table 1. Specification of Mavic 2 Pro

촬영조건은 고도 170m에서 종 및 횡중복도는 각각 90%와 85%이고, GSD는 3 .98 cm/px로 설정하였다. 장방향으로 촬영하였으며, 전체 14분 25초 동안 304장의 영상을 취득하였다.

무인항공기로 취득한 영상을 정사영상과 Point cloud를 제작하기 위해서 UAS Master 소프트웨어를 이용하였다. 워크스테이션(Intel(R) Xeon(R) Silver 4110 CPU @ 2.10GHz, RAM 64.0GB, NVIDIA Quadro P4000)을 이용한 후처리작업은 총 2시간18분이 소요되었다. 후처리작업은 1. 자료준비(GCP 및 영상자료), 2. Tie point 추출, 3. 영상 GCP point 위치 보정, 4. Point cloud 자료 구축, 5. 정사영상제작(Orthophoto)으로 실시하였다.

2.3 분석방법

연구대상지에 수확시스템 선정을 위해 Kobayashi(2013)가 제시한 지형지수(F)를 이용하였다. 지형지수(F)는 산지경사를 이용한 면적비율 (%)로 분석하며, F<40 지상시스템, 40≦F<60 혼합시스템, F≧60을 가선시스템으로 구분하였다.

\(F=\frac{100+q_{60}-P_{30}}{2}\)

여기서, P₃₀: 경사 3 0% 미만의 면적비율(%), q₆₀: 경사 60% 이상인 장소의 면적비율(%)

지형지수(F)를 이용한 수확시스템을 선정하기 위해 경사분석은 국토지리정보원에서 제공하는 수치지형도(1:5,000)를 이용하여 등고선(code:7111, 7114)을 추출하였다(NGII, 2021). 추출한 등고선으로 TIN을 제작하였으며, TIN에서 DEM으로 변환하였다(Fig. 2). DEM을 이용하여 경사는 8등급(30% 미만, 30-35%, 35-40%, 40-45%, 45-50%, 50-55%, 55-60%, 60% 초과)으로 분석을 실시하였다.

또한 무인항공기로 취득한 Point cloud를 Arc GIS Pro프로그램을 이용하여 DSM을 제작하였다 (Fig. 2).

Fig. 2 DEM and DSM maps

선정된 수확시스템을 현장에 적용 가능한지 검토하기 위해 수치지형도(1:5,000)의 등고선 간격 10 m를 기준으로 3 라인에 대해 경사(%)를 현장 조사하였다(Fig. 3). 현장 조사는 GNSS 수신기가 탑재된 Trimble R2를 이용하였으며, 보정 신호 SBAS (Satellite Based Augmentation System)를 기준으로 정확도는 수평 50cm, 수직 85cm이다.

Fig. 3 (a) Aerial view of stud y site and (b) field survey

수치지형도와 무인항공기를 이용한 경사분석결과를 비교하기 위해 현장 경사를 기준으로 DEM 과 DSM의 평균 제곱근 편차(RMSE; Root Mean Square Error)를 분석하였다.

\(\operatorname{RMSE}=\left(\frac{1}{n} \sum_{i=1}^{n}\left(\left(x_{\text {Fieldsurvey }, i}-x_{D E M o r D S M, i}\right)^{2}\right)^{1 / 2}\right.\)

전체적인 연구의 흐름도는 Fig. 4와 같다.

Fig. 4 A flow diagram showing the process of study

3. 결과 및 고찰

3.1 수확시스템 선정

수확시스템 선정을 위해 수치지형도(1:5,000)를 Arc GIS프로그램으로 경사분석을 실시하였으며, 평균 경사는 23.2%로 분석되었다(Fig. 5). 또한 다음 Table 2와 같이 경사면적비율(P30: 86.8%, q60:0.5%)을 이용한 지형지수(F)는 6.8로 지상수확시스템(F<40)이 선정되었다(Kobayashi, 2013).

Table 2. Percentage of slope area for topographic index

¹⁾ Avg. slope : 23.2%,

P₃₀ (< 30%) : 86.8%, q₆₀ (60%≦) : 0.5%

3.2 DEM과 DSM을 이용한 지형분석

Visser and Stampfer (2015)에 따르면 지상수확시스템은 경사 30% 미만에 적용하는 것으로 보고하였다. 따라서 차량형 임업기계를 이용한 작업로 배치를 계획하기 위해 경사를 현장 조사한 결과는 다음 Table 3 과 같다. Line 1은 5구간(50m)에서 Line 2는 4구간(40m)이 차량형 임업기계가 주행 불가능하였다. Line 3은 경사가 –11∼28%로 전체 구간에서 모두 주행 가능하였다(Table 3).

Fig. 5 Slope analysis of study site

Table 3. Measure slope in the field

DEM과 DSM을 이용한 경사를 분석한 결과는 Fig. 4와 같다. DEM은 모든 Line에서 경사가 30% 미만으로 분석되었다. 또한 DSM은 Line 1에서 3구간(30m), Line 2에서는 2구간(20m)과 Line 3은 1구간(10m)으로 차량형 임업기계가 주행 불가능한 것으로 분석되었다(Fig. 6).

Fig. 6 Slope analysis by DEM and DSM

모든 라인에서 현장 경사를 기준으로 DSM의 RMSE는 8.2∼21.3으로 DEM(10.2∼25.8)보다 낮게 분석되었다(Table 4). 이는 무인항공기를 이용한 데이터취득 및 분석이 수치지형도 보다 더 정확성이 높은 것으로 분석되었다. 따라서 무인항공기를 이용하면 산림 미세지형을 파악할 수 있다. 특히, 차량형 임업기계의 주행가능 여부를 판단하여 보다 정밀한 산림작업로를 계획할 수 있을 것으로 사료된다. 또한 무인항공기의 정밀도 향상에 관한 연구로 Yun and Yoon (2018)과 Yun (2021)은 일반적인 촬영(단⋅장방향)기법 보다 교차비행이 효과적이라고 보고하였다. 따라서 무인항공기를 교차비행 방식으로 정밀도가 향상된다면 현장과 더 근접한 자료를 취득할 수 있을 것으로 사료된다.

Table 4. RMSE analysis by DEM and DSM

4. 결론

지상수확시스템에서 작업로는 필수적이며, 거리, 위치, 배치 등에 따라 작업효율과 비용이 변화하므로 적절한 목재수확계획이 필요하다. 본 연구는 일반 디지털 카메라가 장착된 무인항공기로 취득한 디지털 영상으로 DSM을 제작하여, 차량형 임업기계의 주행가능성을 검토하였다.

지상수확시스템에서 작업로 배치를 계획하기 위해 현장 경사와 DEM과 DSM을 이용한 지형분석으로 차량형 임업기계의 주행 가능 여부를 확인하였다. 모든 라인에서 현장 경사를 기준으로 DSM 의 RMSE는 DEM 보다 낮게 나타났다. 이는 무인항공기를 이용한 데이터 취득 및 분석이 수치지형도 보다 더 정확성이 높은 것으로 판단된다. 따라서 DSM은 산림 내 미세지형을 고려하여 보다 정밀한 산림작업로를 계획할 수 있을 것으로 판단 된다.

향후 현장과 더 근접한 자료를 취득하기 위해 무인항공기의 비행방식과 고도변화에 따라 정밀도 향상에 관한 연구가 필요할 것으로 판단된다.