Derivation of Green Coverage Ratio Based on Deep Learning Using MAV and UAV Aerial Images

The green coverage ratio is the ratio of the land area to green coverage area, and it is used as a practical urban greening index. The green coverage ratio is calculated based on the land cover map, but low spatial resolution and inconsistent production cycle of land cover map make it difficult to calculate the correct green coverage area and analyze the precise green coverage. Therefore, this study proposes a new method to calculate green coverage area using aerial images and deep neural networks. Green coverage ratio can be quickly calculated using manned aerial images acquired by local governments, but precise analysis is difficult because components of image such as acquisition date, resolution, and sensors cannot be selected and modified. This limitation can be supplemented by using an unmanned aerial vehicle that can mount various sensors and acquire high-resolution images due to low-altitude flight. In this study, we proposed a method to calculate green coverage ratio from manned or unmanned aerial images, and experimentally verified the proposed method. Aerial images enable precise analysis by high resolution and relatively constant cycles, and deep learning can automatically detect green coverage area in aerial images. Local governments acquire manned aerial images for various purposes every year and we can utilize them to calculate green coverage ratio quickly. However, acquired manned aerial images may be difficult to accurately analyze because details such as acquisition date, resolution, and sensors cannot be selected. These limitations can be supplemented by using unmanned aerial vehicles that can mount various sensors and acquire high-resolution images due to low-altitude flight. Accordingly, the green coverage ratio was calculated from the two aerial images, and as a result, it could be calculated with high accuracy from all green types. However, the green coverage ratio calculated from manned aerial images had limitations in complex environments. The unmanned aerial images used to compensate for this were able to calculate a high accuracy of green coverage ratio even in complex environments, and more precise green area detection was possible through additional band images. In the future, it is expected that the rust rate can be calculated effectively by using the newly acquired unmanned aerial imagery supplementary to the existing manned aerial imagery.

유·무인 항공영상을 이용한 심층학습 기반 녹피율 산정

녹피율은 행정구역면적 대비 녹지가 피복된 면적의 비율로, 실질적인 도시녹화 지표로 활용되고 있다. 현재 녹피율은 토지피복지도를 기반하여 산출되는데, 토지피복지도의 낮은 공간해상도와 일정하지 않은 제작시기는 정확한 녹피율 산출과 정밀한 녹피분석을 어렵게 한다. 따라서 본 연구는 새로운 녹피율 산출방안으로 항공영상과 심층학습을 활용한 방안을 제안한다. 항공영상은 높은 해상도와 비교적 일정한 주기로 정밀한 분석을 가능하게 하며 심층 학습은 항공영상 내 녹지를 자동으로 탐지할 수 있다. 지자체는 매년 다양한 목적을 위해 유인항공영상을 취득하여 이를 활용해 신속하게 녹피율을 산출한다. 하지만 미리 취득된 유인항공영상은 취득 시기와 해상도, 센서와 같은 세부사항을 선택할 수 없어 정밀한 분석이 어려울 수 있다. 이러한 한계점은 다양한 센서의 탑재가 가능하고 낮은 고도의 비행으로 인해 고해상도 영상을 취득할 수 있는 무인항공기를 활용하여 보완될 수 있다. 이에 두 가지 항공영상으로부터 녹피율을 산출하였고 그 결과, 모든 녹지 유형으로 부터 높은 정확도로 녹피율을 산출할 수 있었다. 하지만 유인항공영상으로부터 산출된 녹피율은 복잡한 환경에서 한계가 있었다. 이를 보완하고자 활용한 무인항공영상은 복잡한 환경에서도 높은 정확도의 녹피율을 산출할 수 있었고 추가밴드 영상을 통해 더 정밀한 녹지 영역 탐지가 가능했다. 추후 기존 유인항공영상에 새로 취득한 무인항공영상을 보완적으로 사용해 녹피율을 효과적으로 산출할 수 있을 것이라 기대된다.