• 한국지리정보학회지
• /
• 제24권2호
• /
• pp.52-63
• /
• 2021

기존 연구에서는 연안습지를 탐지하기 위해 위성/항공 영상의 다중분광 밴드로부터 산출한 식생지수 또는 토지피복도를 활용하였으나, 단일 센서만을 활용할 경우 토지피복정보와 지형정보를 동시에 고려하는 것에 한계가 있어 높은 정확도의 연안습지 탐지 및 대규모 연안습지 관리 업무 수행에 많은 지장을 초래하였다. 본 연구에서는 우리나라 서해안 곰소만 지역을 촬영한 Sentinel-2 위성영상의 다중분광 밴드와 디지털 지형 모델인 SRTM(Shuttle Radar Topography Mission) DEM(Digital Elevation Model)을 사용하여 서해안 곰소만의 대규모 연안습지를 다음의 과정을 통해 탐지하였다. 우선 Sentinel-2 위성영상의 Green 및 근적외선 밴드를 활용하여 정규수분지수 영상을 제작하였다. 그리고 정규수분지수 영상에서 픽셀의 밝기값 0.2를 임계치로 설정하여 물과 육지를 구분하는 이진화 영상을 제작하였으며, SRTM DEM에서 픽셀의 밝기값 0을 임계치로 설정하여 해수면 아래와 해수면 위를 구분하는 이진화 영상을 제작하였다. 최종적으로는 두 장의 이진화 영상에 중첩 분석을 적용하여 이진화 영상 기반 연안습지 지도를 제작하였다. 본 연구에서 제안한 기술을 활용하여 제작한 이진화 영상 기반 연안습지 지도의 정확도는 94%로서 매우 높은 결과를 보여주었으며, 연안습지가 아닌 내륙습지, 산지습지 등은 탐지되지 않아서 연안습지 관리 업무에 매우 효과적으로 활용될 수 있음을 확인하였다.

• 터널과지하공간
• /
• 제26권1호
• /
• pp.24-31
• /
• 2016

최근 노천광산 현장의 지형측량을 위해 고정익 무인항공기와 회전익 무인항공기를 이용한 항공사진측량 기법들이 활발하게 연구되고 있다. 고정익 무인항공기와 회전익 무인항공기는 비행고도, 비행속도, 비행시간, 탑재된 광학 카메라의 성능 등에서 다양한 차이가 있으므로 동일한 현장을 대상으로 지형측량을 수행한 후 그 결과를 비교해 볼 필요가 있다. 본 연구에서는 경상남도 양산시에 위치한 토목건설 현장을 연구지역으로 선정하고, 고정익 무인항공기인 eBee와 보급형 회전익 무인항공기인 Phantom2 Vision+를 이용하여 지형측량을 수행한 후 그 결과를 비교하였다. eBee와 Phantom2 Vision+에서 촬영된 항공사진을 각각 자료처리한 결과 약 4 cm/pixel 공간해상도의 정사영상과 수치표면모델들을 제작할 수 있었다. 7곳의 지상기준점들에 대한 고정밀 위성측정시스템 좌표 측정결과와 비교할 때 eBee와 Phantom2 Vision+의 지형측량 결과 모두 평균 제곱근 오차가 X, Y, Z 방향에서 10 cm 내외로 나타났다.

• 한국측량학회지
• /
• 제34권1호
• /
• pp.53-62
• /
• 2016

최근 초경량 무인비행장치(UAS: Unmanned Aerial System)에 저가의 소형 항법장치와 카메라 등의 센서를 탑재하여 지상의 공간정보를 신속하고 정확하게 취득하는 무인항공사진측량(UAV Photogrammetry)이 크게 주목받고 있다. 특히, 무인 항공사진측량은 저가의 일반 카메라로 취득된 다량의 고해상 영상을 컴퓨터 비전기술을 접목한 영상처리 소프트웨어로 정사영상과 DEM 등을 신속히 생성할 수 있어 기존의 항공사진측량을 서서히 대체하고 있다. 따라서 무인항공사진측량의 활용분야는 정밀한 위치정보를 요구하는 대축척 지형도제작과 지적측량 등에까지 확장 적용되고 있다. 본 연구에서는 고정익 무인항공기로 지상표본거리(GSD: Ground Sample Distance) 4cm로 촬영된 영상을 이용하여 농경지 필지의 경계설정 정확도 실험 결과를 소개하였다. 연구결과, 지적현황측량 성과와 비교하여 무인항공 정사영상으로부터 추출된 필지경계점의 정확도는 8cm미만으로 축척 1:500 지적측량을 위한 연결교차의 허용범위를 만족하였다. 그리고 면적오차는 비교 기준면적인 1,969m²에 비하여 약 0.2%(3.3m²) 미만의 무시가능한 미소 오차가 발생하였다. 따라서 무인항공사진측량은 농경지의 필지경계 설정을 위하여 충분히 적용 가능한 전도유망한 기술임을 입증하였다.

• 한국측량학회지
• /
• 제40권3호
• /
• pp.187-193
• /
• 2022

강원 영동지방에서 연안은 문화적, 사회적, 경제적으로 중요한 자원이다. 그러나 강원도 해안은 다른 지역과 비교하여 매우 심각한 침식을 겪고 있으며, 이로 인한 피해가 점차 증가할 것으로 우려된다. 본 연구에서는 강원도 양양 남대천 하구 주변과 강릉 옥계 해변의 장기간에 걸친 해안선 변화를 추적하고 분석하였다. 시계열 영상자료를 구축하기 위해 해방 직후부터 최근까지의 항공사진을 주로 이용하였으며, 1960년대부터 70년대 초까지 운용된 CORONA 위성영상을 수집하여 함께 활용하였다. 51cm 해상도 정사영상과 2m 해상도 수치고도모형(DEM)을 이용하여 기준점을 설정하고 항공사진과 위성영상을 기하보정하였다. 이들 영상에 Canny 경계검출 연산자를 적용하여 해안선을 추출하고 벡터화하였다. 해안선을 해방 직후부터 시간 순서대로 중첩하여 분석한 결과, 인공 구조물 주변과 인근 해변에서 발생한 침식과 퇴적을 관찰할 수 있었으며, 구조물 건설 시점을 전후한 주변 해안선 변화도 관찰할 수 있었다. 다만 본 연구에서는 해안선의 계절적 변화와 조석, 그리고 양빈사업을 비롯한 각종 해안침식 방지사업에 따른 영향은 고려되지 않았다. 해안침식은 지리적 요인에 크게 영향을 받기 때문에 지역마다 원인과 해결방안이 다르며, 따라서 지자체별로 지속적인 연구와 데이터 축적이 필요하다.

• 한국환경복원기술학회지
• /
• 제9권2호
• /
• pp.81-89
• /
• 2006

The purpose of this study was to evaluate the applicability of small RC(radio controlled) helicopter and single lens reflect camera as SFAP(Small Format Aerial Photography) aquisition system to monitor the vegetation coverage of wetland. The system used to take pictures of small artificial wetland were a common optical camera(Nikon F80 with manual lens whose focal length was 28mm) attached to the bottom of a RC helicopter with a 50 cubic inch size glow engine. Three hundreds pictures were taken at the altitude of 50m above the ground, from 23rd June to 7th September 2005. Four from the images were selected and scanned to digital images whose dimension were 2048${\times}$1357 pixels. Those images were processed and rectified with GCP(Ground Control Poins) and digital map, and then classified by the supervised- classification module of image processing program PG-steamer Version 2.2. The major findings were as follows ; 1. The final images processed had very high spatial resolution so that the objects bigger than 30mm like lotus(Nelumbo nucifera), rock and deck were easily identified. 2. The dominant plants of the monitoring site were Monochoria ragianlis, Typha latifolia, Beckmannia syzigachne etc. Because those species have narrow and long leaves and form irregular biomass, the individuals were hardly identifiable, but the distribution of population were easily identifiable depending on the color difference. 3. The area covered by vegetation was rapidly increased during the first month of monitoring. At the beginning of the monitoring 23th June 2005, The rate of area covered by vegetation were only 34%, but after 27 and 60 days it increased to 74%, and the 86% respectively.

• 한국측량학회지
• /
• 제38권3호
• /
• pp.223-235
• /
• 2020

본 연구에서는 무인항공기 영상 기반의 정밀농업(precision agricultural) 구현에 있어 핵심 데이터 중 하나인 수치표고모델의 표고를 보정하기 위한 수치표고모델 표고 보정 방법론을 제시한다. 먼저 정사영상에 방사보정을 수행한 다음 ExG (Excess Green)를 생성한다. ExG에 Otsu 기법을 적용하여 산출된 임계값을 기준으로 비식생지역을 추출한다. 이어서, 비식생지역의 위치에 대응되는 수치표고모델의 표고를 표고 보정을 위한 데이터인 EIFs(Elevation Invariant Features)로 추출한다. 추출된 EIFs 간 차이값을 기반으로 정규화된 Z-score를 산출하여 포함된 특이치를 제거한다. 그리고 선형회귀식을 구성하여 수치표고모델의 표고를 보정함으로써 지상기준점 데이터 없이 고품질의 수치표고모델을 제작한다. 총 10장의 수치표고모델을 활용하여 제안기법을 검증하기 위해 표고 보정 전과 후의 최대/최소값, 평균/표준편차를 비교분석하였다. 또한, 검사점을 선정하여 RMSE (Root Mean Square Error)를 산출한 결과, 정확도는 평균 RMSE 0.35m로 도출되었다. 이를 통해 지상기준점 데이터 없이 고품질의 수치표고모델을 제작할 수 있음을 확인하였다.

• 한국지리정보학회지
• /
• 제22권3호
• /
• pp.82-98
• /
• 2019

정보화 사회로 진입하면서 공간정보의 중요성은 급격하게 부각되고 있다. 특히 스마트시티, 디지털트윈과 같은 Real World Object의 3차원 공간정보 구축 및 모델링은 중요한 핵심기술로 자리매김하고 있다. 구축된 3차원 공간정보는 국토관리, 경관분석, 환경 및 복지 서비스 등 다양한 분야에서 활용된다. 영상기반의 3차원 모델링은 객체 벽면에 대한 텍스처링을 생성하여 객체의 가시성과 현실성을 높이고 있다. 하지만 이러한 텍스처링은 영상 취득 당시의 가로수, 인접 객체, 차량, 현수막 등의 물리적 적치물에 의해 필연적으로 폐색영역이 발생한다. 이러한 폐색영역은 구축된 3차원 모델링의 현실성과 정확성 저하의 주요원인이다. 폐색영역 해결을 위한 다양한 연구가 수행되고 있으며, 딥러닝을 이용한 폐색영역 검출 및 해결방안에 대한 연구가 수행되고 있다. 딥러닝 알고리즘 적용한 폐색영역 검출 및 해결을 위해서는 충분한 학습 데이터가 필요하며, 수집된 학습 데이터 품질은 딥러닝의 성능 및 결과에 직접적인 영향을 미친다. 따라서 본 연구에서는 이러한 학습 데이터의 품질에 따라 딥러닝의 성능 및 결과를 확인하기 위하여 다양한 영상품질을 이용하여 영상의 폐색영역 검출 능력을 분석하였다. 폐색을 유발하는 객체가 포함된 영상을 인위적이고 정량화된 영상품질별로 생성하여 구현된 딥러닝 알고리즘에 적용하였다. 연구결과, 밝기값 조절 영상품질은 밝은 영상일수록 0.56 검출비율로 낮게 나타났고 픽셀크기와 인위적 노이즈 조절 영상품질은 원본영상에서 중간단계의 비율로 조절된 영상부터 결과 검출비율이 급격히 낮아지는 것을 확인할 수 있었다. F-measure 성능평가 방법에서 노이즈 조절한 영상품질 변화가 0.53으로 가장 높게 나타났다. 연구결과로 획득된 영상품질별에 따른 폐색영역 검출 능력은 향후 딥러닝을 실제 적용을 위한 귀중한 기준으로 활용될 것이다. 영상 취득 단계에서 일정 수준의 영상 취득과 노이즈, 밝기값, 픽셀크기 등에 대한 기준을 마련함으로써 딥러닝을 실질적인 적용에 많은 기여가 예상된다.

• 한국지리정보학회지
• /
• 제19권4호
• /
• pp.169-185
• /
• 2016

최근 임상도의 신규 속성으로 임분의 평균 수고인 임분고를 추가하기 시작하였으나 전국 940만개의 포인트를 스테레오 항공사진에서 수동 측정해야 하는 어려움이 예상된다. 아울러, 항공사진에서 수고 측정 시 임연부나 묘지 주변의 수고를 측정하기 쉬워 임분 대표성이 떨어지는 한계를 가지고 있다. 본 연구에서는 고해상도 스테레오 항공사진에서 추출한 영상 기반 3차원 점군과 FUSION S/W를 활용한 임분고 추정 방법을 제안하고 임분고를 자동 분석할 수 있는 모듈을 개발하였다. 스테레오 항공사진에서 수치표면모델 3차원 점군을 추출한 후 지면점 필터링을 거쳐 수치지면모델을 추출하고 이 두 모델을 차분하여 정규수치표면모델을 제작하였다. 정규수치표면모델에서 표본점별 개체목 수관을 육안판독한 후 수관별 최고점을 추출하여 정규수치표면모델 수고를 산출하였다. 표본점에서의 실측 수고와 정규수치표면모델 수고의 RMSE를 분석한 결과 전체 표본점 평균 수고의 RMSE는 0.96m로 나타났다. 대상지 전체의 개체목 수고를 추출하기 위해 FUSION S/W를 이용하여 항공사진의 정규수치표면모델에서 개체목 수고를 자동 추출하고 이를 임상도의 임분 폴리곤 단위로 평균하여 최종 임분고를 산출하였다. 마지막으로 임분고를 보다 손쉽게 분석할 수 있는 환경을 구현하기 위해 임분고 분석 프로세스를 ArcGIS add-in 모듈 형태로 자동화하였다.

• 한국재난정보학회 논문집
• /
• 제14권4호
• /
• pp.501-509
• /
• 2018

연구목적: UAV기반의 사진측량은 기존 항공촬영에 비해 비용이 절감될 뿐만 아니라 원하는 시간과 장소에 대한 고해상도의 데이터를 취득하기 용이하기 때문에, 공간정보 분야에서도 UAV를 활용한 연구가 진행되고 있다. 본 연구에서는 UAV 기반의 고해상도 영상을 활용하여 토지피복 분류를 수행하고자 하였다. 연구방법: 고해상도 영상의 획득을 위하여 RGB카메라를 사용하였으며, 추가적으로 식생지역을 정확하게 분류하기 위해서 다중분광 카메라를 사용하여 동일 지역을 추가 촬영하였다. 최종적으로 RGB 및 다중분광 카메라를 이용하여 생성된 정사영상, DSM(Digital Surface Model), NDVI(Normalized Difference Vegetation Index), GLCM(Gray-Level Co-occurrence Matrix)을 이용하여 대표적인 감독분류기법인 RF(Random Forest)방법을 이용해 총 7개 클래스에 대해 토지피복분류를 수행하였다. 연구결과: 분류정확도 평가를 위해 오차행렬을 기반으로 한 정확도 평가를 실시하였으며, 정확도 평가 결과 RGB 영상만을 이용한 감독분류결과와 비교하여 제안 방법이 해당 지역의 클래스를 효과적으로 분류할 수 있음을 확인하였다. 결론: 본 연구에서 제안한 정사영상, 다중분광영상, NDVI, GLCM을 모두 추가한 경우 기존의 정사영상만을 이용하였을 때 보다 높은 정확도를 나타냈다. 추후 연구로는 추가적인 입력자료의 개발을 통해 분류 정확도를 향상시키고자 한다.

• 한국측량학회지
• /
• 제38권3호
• /
• pp.187-196
• /
• 2020

본 연구에서는 UAV (Unmanned Aerial Vehicle)와 PlanetScope 위성영상을 함께 이용한 붕괴건물 탐지를 수행하여 지표면에 위치한 특정 객체 탐지에 있어 이종 센서의 활용 가능성을 제시하였다. 이를 위해 지난해 4월 산불 피해로 붕괴된 20여 채의 건물들이 있는 곳을 실험장소로 선정하였다. 붕괴건물 탐지를 위해 1차적으로 객체기반 분할을 수행한 고해상도의 UAV 영상을 이용해 ExG (Excess Green), GLCM (Gray-Level Co-occurrence Matrix) 그리고 DSM (Digital Surface Model)과 같은 객체들의 특징(feature) 정보를 생성한 후 이를 붕괴건물 후보군 탐지에 이용하였다. 이 과정에서 탐지정확도 향상을 위해 PlanetScope를 이용한 변화탐지 결과를 함께 사용하였으며 이를 시드 화소(seed pixles)로 사용하여 붕괴건물 후보군에서 오탐지된 영역과 과탐지된 영역을 수정 및 보완하였다. 최종적인 탐지 결과는 참조 영상을 통해 그 성능을 분석하였으며 UAV 영상만을 이용한 붕괴건물 후보군 탐지 결과와 UAV 그리고 PlanetScope 영상을 함께 사용했을 때의 결과의 정확도를 비교, 분석하였다. 그 결과 UAV 영상만을 이용해 탐지한 붕괴건물의 정확도는 0.4867 F1-score를 가지며 UAV와 PlanetScope 영상을 함께 사용했을 때의 결과는 0.8064 F1-score로 그 값이 상승하였다. Kappa 지수 또한 0.3674에서 0.8225로 향상된 것을 확인할 수 있었다.