딥러닝ㆍUAVㆍLiDAR 융합기술기반 산림자원정보시스템 구축에 관한 연구 = Study on the Development of Forest Resource Information System Based on Deep Learning·UAV·LiDAR Fusion Technology
저자
발행사항
춘천 : 강원대학교 대학원, 2022
학위논문사항
학위논문(박사)-- 강원대학교 대학원: 산림경영학과 2022. 2
발행연도
2022
작성언어
한국어
주제어
KDC
526.1526
발행국(도시)
강원특별자치도
형태사항
91 L. : 삽도 ; 30 cm
일반주기명
강원대학교 논문은 저작권에 의해 보호받습니다
지도교수: 이정수
참고문헌: L. 82-88
UCI식별코드
I804:42002-000000032330
소장기관
At the 46th Davos Forum held in Switzerland in 2016, the Fourth Industrial Revolution was presented as the plan for global economic reconstruction and economic growth, after the global financial crisis. In accordance, nations around the world have been promoting various countermeasures for the Fourth Industrial Revolution and Korea has also been continuing government-wide efforts, such as establishing national countermeasures. The innovative technology that the Davos Forum focused on included artificial intelligence(AI), big data, Internet of Things(IoT), automatic driving, sharing economy and crowd sourcing. To respond to the issue of the Fourth Industrial Revolution, the Forest Service established the ‘2020 Smart Forest Action Plan’ and ‘Smart Forest 2030 Promotional Strategy,’ to integrate the elemental technology of the Fourth Industrial Revolution and promote policies to maximize the efficiency of forest management. The forest resource information can be efficiently extracted if the remote sensing technology, with advantages of being able to monitor macro units of forest regions, is combined with AI and big data technologies. Furthermore, acquisition of precise forest information can be made possible if laser technologies, such as LiDAR(Light Detection and Ranging) and UAV(Unmanned Aerial Vehicle), with cm level resolution, are put to use. Therefore, the purpose of the present study is to present efficient extraction methods for forest resource information by using the Fourth Industrial Revolution technologies and remote sensing techniques, and develop automated extraction algorithm for forest information.
The macro-unit forest resource information was constructed by producing the land cover classification map and division of forests, clinical distribution and classification of tree species by using the deep learning algorithm integrated with the AI technology. Moreover, the land cover classification map and classification of tree species used the deep learning model of semantic technique to select the U-Net model as the base model, and by controlling the 3 hyper parameter, including convolution layer composition(1, 3), convolution filter size(3x3, 5x5), and number of pulling & up-convolution layer(1,3), the optimal deep learning model was selected and the classification map was produced. The classification map of land cover evaluated the consistency with the Ministry of Environment’s land cover map and the over accuracy was approximately 84.4% and the Kappa statistics reached approximately 62.3%. Moreover, as a result of conducting evaluation on consistency of the forest classification map with the Ministry of Environment’s digital stock map, the over accuracy was approximately 94.8% with the Kappa statistics of approximately 85.3%. The clinical distribution map and the classification of tree species were constructed using the classification deep learning model, and the clinical distribution map and classification of tree species of 5m spatial resolution were constructed based on the SE-Inception model was constructed by combining the SE-Net model and Inception-V4 model, developed by Google. As a result of evaluating the consistency with the digital stock map, the over accuracy was approximately 76.7% with the Kappa statistics of 47.0% and the classification of tree species was approximately 72.8% with the Kappa statistics of approximately 47.0%.
For the microunit forest resource information uses UAV and overland LiDAR to extract precise forest resource information, such as individual tree, type of crown and tree height and DBH. The UAV data was put through the lens correcting step to construct orthoimage and DSM, and developed the automation algorithm extracting the types of individual trees and water pipes, as well as tree heights, based on the tree crown extraction algorithm. The overland LiDAR data was used to develop the algorithm extracting individual tree unit DBH and crowns by using the RANSAC(Random Sample Consensus) algorithm and the circle fitting technique. As a result of evaluating the accuracy with the field study data, the pinus koraiensis forest recorded F-Score of approximately 88% in distribution for the extraction of individual tree and crown type, while the larch displayed high level of accuracy with approximately 92%. The accuracy of DBH extraction compared to field study-based DBH was approximately 96% for pinus koraiensis and 98% for larch in distribution. Moreover the accuracy of tree height extraction in the case of UAV data-based tree height, R2 distributed approximately 79% for the pinus koraiensis forest and approximately 92% for larch, and the LiDAR data-based tree height displayed high levels of accuracy with approximately 88% for the pinus koraiensis forest and approximately 98% for larch.
2016년 다보스 포럼 이후, 인공지능(AI), 빅데이터, 사물인터넷(IoT)와 같은 4차 산업혁명에 대한 대응전략이 다양하게 추진되고 있으며, 우리나라의 산림분야에서도 4차 산업혁명 요소기술을 접목하여 산림관리의 효율성을 증대시키기 위한 정책을 추진하고 있다. 특히, 매크로 단위의 산림지역을 모니터링 할 수 있는 장점을 가진 원격탐사의 기술과 함께 고해상도를 가진 UAV(Unmanned Aerial Vehicle)와 LiDAR(Light Detection and Ranging), 그리고 AI 및 빅데이터 기술의 활용은 정밀성, 객관성, 재현성이 우수한 산림정보의 구축뿐만 아니라 스마트 산림관리를 실현하는 데 필수 불가결한 요소로서, 4차산업 융합기술을 기반으로한 산림관리의 활용에 대해 기대가 높아지고 있다. 따라서, 본 연구는 4차산업 혁신기술과 원격탐사기법을 활용하여 효율적인 산림자원정보 추출방안을 제시하고, 매크로단위 및 마이크로단위 산림정보 자동화 추출 알고리즘 개발을 목적으로 하였다.
매크로단위 산림자원정보는 AI기술을 접목한 딥러닝 알고리즘을 활용하여 토지피복 분류지도와 산림구분도, 임상분포도, 수종구분도를 제작하여 산림자원정보를 구축하였다. 토지피복 분류지도와 수종구분도는 Semantic 기법의 딥러닝 모델을 활용하였으며, U-Net모델을 베이스모델로 선정하여 컨볼루션 레이어구성(1개, 3개), 컨볼루션 필터 크기(3×3, 5×5), 풀링&업-컨볼루션 레이어 수(1개, 3개) 등 3가지 하이퍼파라미터 조절을 통해 최적의 딥러닝 모델을 선정하고, 분류지도를 제작하였다. 토지피복 분류지도는 환경부 토지피복도와의 정합성을 평가하였으며, 전체 정확도(Over Accuracy)는 약 84.4%, Kappa 통계량은 약 62.3%를 달성하였다. 산림구분도는 산림청의 수치임상도와 정합성 평가결과. 전체 정확도는 약 94.8%, Kappa 통계량은 약 85.3%를 달성하였다. 임상분포도 및 수종구분도는 Classification 딥러닝 모델을 활용하여 구축하였으며, Google社에서 개발한 Inception-V4 모델과 SE-Net 모델을 결합한 SE-Inception 모델을 구축하고, 이를 기반으로 5m 공간해상도의 임상분포도 및 수종구분도를 구축하였다. 수치임상도와의 정합성 평가결과, 임상분포도는 전체 정확도가 약 76.7%, Kappa 통계량은 약 47.0%를 달성하였으며, 수종구분도는 약 72.8%, Kappa 통계량은 약 47.0%를 달성하였다.
마이크로단위 산림자원정보는 UAV와 지상LiDAR를 활용하여 개체목, 수관형태, 수고, DBH 등 정밀 산림자원정보를 추출하였다. UAV자료는 렌즈보정 단계를 거쳐 정사영상 및 DSM을 구축하였으며, 수관추출 알고리즘을 기반으로 개체목 및 수관형태, 수고를 추출하는 자동화 알고리즘을 개발하였다. 지상 LiDAR자료는 RANSAC(Random Sample Consensus) 알고리즘과 Circle fitting 기법을 활용하여 개체목 단위 DBH와 수고를 추출하는 알고리즘을 개발하였다. 현장조사자료와의 정확도 평가결과, 개체목 및 수관형태 추출은 잣나무림의 경우, F-Score가 약 88%로 분포하였으며, 낙엽송림은 약 92%로 높은 정확도를 보였다. DBH 추출의 정확도는 현장조사 기반 DBH 대비 R2가 잣나무림은 약 0.96, 낙엽송림은 약 0.98로 분포하였다. 수고 추출의 정확도는 UAV자료기반 수고의 경우, R2가 잣나무림은 약 0.79, 낙엽송림은 약 0.92로 분포하였으며, LiDAR자료기반 수고는 잣나무림 약 0.88, 낙엽송림은 약 0.98로 높은 정확도를 보였다.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)