• Spatial Information Research
• /
• 제20권3호
• /
• pp.27-38
• /
• 2012

산림의 보존과 관리에 대한 필요성이 점차 증가하면서 항공 라이다데이터를 이용한 산림연구가 활발히 수행되고 있다. 이러한 산림연구에서 수목고도는 정량적인 산림측정을 위한 중요한 변수로 이용된다. 이에 본 연구는 항공 라이다데이터로부터 수목고도 추정을 위한 대표적인 두 종류의 방법을 적용하고 그 결과를 비교분석한다. Local maximum 필터링에 기반한 개별수목탐지 방법으로 개별수목의 수, 위치, 높이 및 평균수고를, 수목고도모델 또는 히스토그램을 이용한 평균수고 추정방법으로 개별격자 또는 전체영역에 대한 최대, 평균수고, 평균 수관고를 추정한다. 현장에서 실측한 검증데이터와 비교한 결과 개별 수목은 76.6%의 정확도로 탐지되었으며 개별수고는 전체 수종의 경우 1.91m, 침엽수종에 대해서는 0.75m의 RMSE로 추정되었다. 반면 수목고도모델을 이용하여 추정된 평균수고는 약 1~2m의 RMSE를 보였으며, 히스토그램을 이용하여 추정된 평균수고는 약 0.6m 과소 추정되었다. 정확하고 다양한 산림정보 추출을 위해 수종 및 추정인자에 따라 적합한 상호보완적인 방법을 선택하고 융합하는 것이 필요하다.

• 대한원격탐사학회지
• /
• 제39권5_4호
• /
• pp.1145-1153
• /
• 2023

도시 수목은 대기 중 이산화 탄소 흡수, 대기질 개선, 도시열섬 현상 완화 및 생태계서비스 제공과 같은 중요한 역할을 한다. 도시 수목을 효과적으로 관리하고 보전하기 위해서는 위치, 상태, 수종, 개체 수 등에 대한 정확한 공간 정보가 필요하다. 본 연구에서는 딥러닝 기반의 고해상도 도시 수목 면적 지도를 이용해 도시 지표면으로부터 수목을 분리하고, 국지적 최대값 필터링을 통해 수목의 위치를 정확하게 탐지하는 알고리즘을 제안한다. 도시의 다양한 생육 환경을 고려해 일률적인 필터 크기를 사용하는 대신, 수고에 따라 적절한 필터 크기를 선택해 수목 탐지 성능을 향상시켰다. 수원시 전역을 대상으로 구축한 도시 수목 위치 및 수고 정보는 도시 생태계의 지속가능한 관리와 탄소 저감 대책을 위한 기반이 될 것이다.

• 환경영향평가
• /
• 제30권3호
• /
• pp.155-163
• /
• 2021

환경영향평가의 훼손수목량은 온실가스 배출량, 임목폐기물 산정 등 다양한 부분에 활용되는 환경지표이다. 지금까지 훼손수목량은 식생조사표의 임목밀도에 의존하였고, 이에 따른 표본편향으로 훼손수목량 추정의 불확실성이 가중되었다. 훼손수목량 추정의 정확성을 높이려면 전수조사를 대안으로 제시할 수 있으나 불가능한 것이 현실이다. 대안으로 드론영상을 이용한 개별 수목 탐지 방법이 있으며, 이 연구는 개별 수목 탐지 방법론으로 표본조사(방형구법)와 드론영상 분석법으로 추정된 훼손수목량을 전수조사 결과와 비교하였다. 연구 결과 전수조사 기준으로 드론 영상 분석법은 25주 과대추정 하였고 방형구법(평균)은 58주 과대 추정하였다. 그러나 기존 환경영향평가에서 시행하는 방형구법은 방형구의 개수, 방형구의 위치에 따른 표본편향의 영향을 많이 받을 것으로 예상된다.

• 대한원격탐사학회지
• /
• 제38권6_2호
• /
• pp.1633-1641
• /
• 2022

도시의 인구 집중과 무분별한 개발은 대기오염, 열섬현상과 같은 다양한 환경 문제들을 유발하며, 자연재해로 인한 피해 상황을 악화시키는 등 인재의 원인이 되고 있다. 도심 수목은 이러한 도시 문제들의 해결방안으로 제시되어왔으며, 실제로 환경 개선 기능을 제공하는 등 중요한 역할들을 수행한다. 이에 따라 수목이 도시 환경에 미치는 영향을 파악하기 위해 도심 수목에서 개별목에 대한 정량적인 측정 및 분석이 요구된다. 그러나 도심 수목의 복잡성 및 다양성은 단일 수목 탐지 정확도를 낮추는 문제점이 존재한다. 따라서 본 연구는 수목 개체에 대해 효과적인 탐지가 가능한 고해상도 항공영상 및 object detection에서 뛰어난 성능을 발휘한 You Only Look Once Version 5 (YOLOv5) 모델을 사용하여 도심 수목을 효과적으로 탐지하는 연구를 진행하였다. 수목 AI 학습 데이터셋의 구축을 위한 라벨링 가이드라인을 생성하고 이를 기준으로 동작구 수목에 대해 box annotation을 수행하였다. 구축된 데이터셋으로부터 다양한 scale의 YOLOv5 모델들을 테스트하고 최적의 모델을 채택하여 효율적인 도심 수목 탐지를 수행한 결과, mean Average Precision (mAP) 0.663의 유의미한 결과를 도출하였다.

• Spatial Information Research
• /
• 제18권3호
• /
• pp.23-32
• /
• 2010

산림영역에서 획득된 라이다데이터는 산림영역의 DTM생성, 수고 및 산림생체량 추정과 같은 산림연구에 효과적으로 이용될 수 있다. 이를 위한 핵심적인 전처리 과정으로 본 연구는 라이다데이터로부터 산림영역을 효과적으로 탐지하기 위한 방법을 개발하고자 한다. 먼저 라이다데이터로부터 산림영역으로 판단하기에 효과적인 다반사 특성, 높이값 편차 및 공간적 분포에 기반한 세 가지 인지적 단서를 제시하였다. 각 단서들에 기반하여 산림후보영역을 탐지하고, 오분류를 제거하고 경계를 정제하기 위한 이진형태학적처리를 수행하여 최종산림영역을 결정하였다. 항공영상을 이용하여 생성한 기준데이터로 검증한 결과에 따르면 세 종류 단서에 의한 방법 모두 약 90% 이상의 정확도를 보이는 것으로 평가되었다. 특히 다반사 특성에 기반한 방법이 다른 방법에 비교하여 정확도 및 단순도 측면에서 보다 좋은 방법으로 판단된다. 또한, 각각의 단서에 기반한 개별적인 결과를 조합하면 분류 정확도가 개선되는 것을 확인하였다.