라이다 자료를 이용한 도시지역의 수목공간정보 추출
Extraction of Spatial Information of Tree Using LIDAR Data in Urban Area
1)
조두영*ㆍ김의명**
Cho, Du YoungㆍKim, Eui Myoung
要 旨
도시화에 따른 이산화탄소의 발생이 증대되고 있는 실정에서 이를 해결할 수 있는 대안으로 도시의 녹지화가 추진 되고 있다. 도시지역에서 수목은 이산화탄소를 저감시킬 뿐만 아니라 심미적인 효과가 있다. 본 연구에서는 이러 한 수목의 공간정보를 효율적으로 추출하기 위하여 라이다 자료를 이용하는 방법론을 제안하였다. 제안한 방법론 에서는 수목추출에 따른 작업의 효율성을 향상시키기 위하여 점, 면, 영상기반의 복합적 자료처리를 수행하였다.
기존의 정규화된 수치표면모델은 건물과 수목정보를 모두 포함하고 있어 수목 추출 시 자료처리의 복잡성이 높은 문제점을 안고 있다. 따라서 이러한 문제점을 개선하기 위하여 본 연구에서는 건물추정영역을 제거한 수치표면모 델을 이용하였다. 제안한 방법론의 적용성을 평가하기 위하여 도시지역 내의 건물과 수목이 공존하는 3개의 지역 을 선정하였으며 수목추출의 정확도는 디지털 카메라에 의해 촬영된 디지털 영상과 비교하였다.
핵심용어 : 라이다, 수목공간정보, 정규화된 수치표면모델, 건물추정영역, 이산화탄소
Abstract
In situation that carbon dioxide emissions are being increased as urbanization, urban green space is being promoted as an alternative to find solution for these problems. In urban areas, trees have the ability to reduce carbon dioxide as well as to be aesthetic effect. In this study, we proposed the methodology which uses only LIDAR data in order to extract these trees information effectively. To improve the operational efficiency according to the extraction of trees, the proposed methodology was carried out using multiple data processing such as point, polygon and raster.
Because the existing NDSM(Normalized Digital Surface Model) contains both the building and tree information, it has the problems of high complexity of data processing for extracting trees. Therefore, in order to improve these problems, this study used modified NDSM which was removed estimate regions of building. To evaluate the performance of the proposed methodology, three different zones which coexist buildings and trees within urban areas were selected and the accuracy of extracted trees was compared with the image taken by digital camera.
Keywords : LIDAR, Tree Information, Normalized Digital Surface Model, Region Estimated Buildings, Carbon Dioxide
1. 서 론
지구온난화의 영향과 도시화로 인하여 이산화탄소의 저감을 위한 다양한 정책과 사업이 시행되고 있다. 특히 도시의 녹지화, 생태도시 구축, 도시공원의 확대 등 수 목을 기반으로 한 다양한 사업이 추진되고 있다. 수목은 탄소를 흡수하고 산소를 발생시켜 지구 온난화를 완화 해주는 중요한 역할을 수행하고 있다(박은진, 2009).
도시지역에서 이러한 수목정보를 추출하기 위해 과거 에는 항공사진측량 기법을 이용하여 수목에 대한 높이 를 거의 수작업을 추출하였으나 레이저 스캐너 기술의 발달로 인하여 항공 라이다(LIDAR : LIght Detection And Ranging)를 이용하면 이를 보다 효율적으로 추출 할 수 있다.
라이다 시스템은 지표면상에 존재하는 모든 객체의 3 차원 위치정보를 비교적 빠르고 정확하게 취득할 수 있는
2010년 10월 11일 접수, 2010년 11월 8일 채택
* 정회원ㆍ남서울대학교 지리정보공학과 석사과정([email protected])
** 교신저자ㆍ정회원ㆍ남서울대학교 지리정보공학과 조교수([email protected]) 연구논문
그림 1. 수목공간정보 추출 흐름도 측량기술로 주로 수치표고모델(DEM : Digital Elevation
Model)의 제작과 도시의 3차원 모형화에 이용되었다.
라이다 자료에서는 지면, 건물, 도로, 수목정보 등이 주요 추출 대상이 되며 이에 대한 많은 연구가 수행되었 다. 특히 수목추출에 관한 대부분의 연구에서는 라이다 자료에서 생성된 수치표면모델(DSM : Digital Surface Model)과 DEM 또는 수치지형모델(DTM : Digital Terrain Model)을 사용하여 지상위에 모든 객체들에 대한 바닥 높이를 일정하게 변환해줌으로서 효율적인 수 목추출을 가능하게 해주는 정규화된 수치표면모델인 NDSM(Normalized Digital Surface Model)을 생성하여 수목추출에 이용하였다(Persson, 2001; Lim, 2007; Chen et al., 2006; Demir et al., 2008; Wang et al., 2008).
그 외에 델로니 삼각형을 생성하고 최대 높이값을 수 목 중심점으로 추정하는 방법(Barilotti et al., 2009), DEM에서 추출한 수계를 이용한 방법(Mei et al., 2004), 항공사진영상에서 추출한 정규식생지수(NDVI : Normalized Difference Vegetation Index)와 라이다 자 료에서 생성된 NDSM을 병행 사용하는 방법(Demir et al., 2008)을 통해 수목을 추출하는 다양한 연구가 수행 되었다. 또한 NDSM생성 후 Median 필터링, Gaussian 필터링, 국지적 최대 필터링과 같은 필터링 기법만을 사용한 연구가 수행되기도 하였다(Persson, 2001; Lang et al, 2006; Tiede et al., 2007).
본 연구에서는 라이다 자료만을 사용하여 도시지역 의 수목정보를 추출하는 것을 목적으로 하였으며 이를 위해 라이다 점 자료만을 사용한 수목공간정보 추출 방 법론을 제안하였고, 작업의 효율성 향상을 위해 점, 면,
영상 기반의 복합적 자료처리를 통한 수목추출을 실시 하였다. 제안한 수목정보 추출방법론은 도시지역 내의 건물과 수목이 공존하는 서로 다른 유형의 실험대상지 역을 선정하고 적용하여 그 타당성을 평가하였으며 라 이다 관측 장비에 같이 장착된 디지털 카메라에 의해 촬영된 항공영상을 통해 개별적으로 추정된 수목량과 비교하여 그 정확도를 평가하였다.
2장에서는 본 연구에서 제안하는 도시지역의 수목공 간정보 추출 방법론을 단계별로 기술하였으며, 건물과 수목이 공존하는 연구대상지역의 실험을 통해 제안한 수목추출기법을 적용한 결과와 분석내용을 3장과 4장 에 각각 기술하였다. 또한 본 연구를 통해서 도출된 결 론은 5장에 기술하였다.
2. 수목공간정보 추출 방법론
본 연구에서 제안하는 항공라이다 자료를 이용한 수 목공간정보 추출 방법의 흐름은 그림 1과 같다. 라이다 자료에서 지면과 비지면을 분류한 후 수치모델을 생성 하는 과정에서는 점 자료를 공간보간하여 영상기반의 자료처리를 수행하였다. 건물 지붕으로 추정되는 점을 찾거나 수목 중심점을 추정하는 과정에서는 점 기반의 자료처리를 수행하고 점 자료를 버퍼링하는 과정에서 는 면기반의 자료처리를 수행하였다. 본 연구에서 제안 하는 수목추출방법은 라이다 자료를 점 기반, 면 기반, 영상 기반의 복합적 처리를 수행함으로서 작업의 효율 성을 높였다.
2.1 지면과 비지면 자료의 분류
라이다 장치는 적외선레이저의 파장을 발사하며 발 사된 파장은 식생(또는 나무), 지상시설물, 지형 등에 다시 반사되어 수신 장치에 의해 수신된다. 따라서 라 이다는 지면, 수목 뿐 만 아니라 도로, 건물 등에 대한 정보를 모두 수집하기 때문에 효율적인 자료처리를 위 해서는 지면과 비지면을 분류하여 추출해야 한다 (Brattberg et. al, 2008).
지면과 비지면 부분을 추출하는 기법은 라이다 점 자 료간의 거리와 경사각을 이용하는 방법과 폐색영역 (occlusion area)을 이용하는 방법 등이 있다. 그림 2는 거리와 경사각을 이용하여 지면과 비지면을 추출하는 방법을 나타내고 있다. 이 방법은 높이값이 낮은 점을 기준으로 직선을 만든 후 인접한 영역의 라이다 점자료 를 찾은 다음 이를 직선에 투영하였을 경우 거리와 경 사각에 따라 지면과 비지면을 분류한다(Axelsson, 2000).
그림 3은 폐색영역을 이용하는 방법으로 가상의 투 영중심을 여러 위치에 설정하고 이로부터 연직점과 주 어진 라이다 점 자료간의 경사각을 이용하여 지면과 비 지면을 추출하는 기법이다(Kim, 2008; Chang et. al, 2008).
본 연구에서는 폐색영역을 이용하여 지면과 비지면을 분류하는 방법을 사용하였다. 폐색영역을 이용한 지면 과 비지면의 분류방법은 높이 값의 급격한 변화가 기복 변위에 의해서 발생한다고 가정하는 것으로 이러한 기 복변위에 의해서 폐색영역이 발생하며 폐색영역이 발생 하는 지역을 통해서 지면과 비지면을 분류할 수 있다.
그림 2. 점 자료간의 거리와 경사각을 이용하는 방법
그림 3. 폐색영역을 이용하여 지면과 비지면 분류 (Kim, 2008)
(a) 전체 (b) 지면 자료 (c) 비지면 자료 그림 4. 라이다 자료의 지면과 비지면의 분류
그림 4는 전체 라이다 자료(a)에서 폐색영역을 이용 하여 지면 자료(b)와 비지면 자료(c)로 분류한 결과를 나타낸다.
2.2 건물 정보의 추정과 제거
지면과 비지면이 분류된 후 비지면 자료에는 대상지 역에 존재하는 건물, 수목, 교량, 기타 여러 인공물에 대한 정보가 들어 있으므로 비지면 자료에서 수목정보 를 추출하기 위해서는 도시지역에서 대부분의 비지면 자료를 차지하고 있는 건물정보를 추정하여 제거하는 것이 필수적이다.
2.2.1 건물 지붕 점 추정
본 연구의 목적은 수목정보를 추출하는 것으로 비지 면 자료 내에 존재하는 건물정보를 추정하여 제거하는 것이 필수적이다. 이를 위해 비지면 자료는 다시 평면 상에 존재하는 점과 그렇지 않은 점으로 분류하였다.
비지면 자료에 대해 각 비지면점을 중심으로 일정한 영 역을 설정하여 평면의 방정식을 적용하였다.
2.2.2 건물 지붕영역 확장
이전 단계에서 평면상에 존재하는 건물 영역을 제거 하였음에도 불구하고 건물 벽면 또는 벽면 주변의 발코 니와 같은 작은 구조물에 의해 평면상에 존재하지 않는 건물 영역이 발생한다. 또한 건물 벽면은 라이다 자료 취득의 특성상 상대적으로 건물 지붕면에 비해 취득되 는 자료의 수가 작고 멀티패스(multi path) 현상이 발생 할 수 있다.
그림 5(a)와 같이 건물 높이가 수목보다 낮거나 비슷 한 유형의 경우는 건물 벽면에 대한 정보가 매우 적기 때문에 건물 추정 점 자체만을 사용하여 건물정보를 제 거하여도 수목 추출에 큰 영향을 미치지 않는다. 반면 그림 5(c)와 같이 건물이 수목에 비해 매우 높은 고층 아파트가 있는 유형은 건물 벽면에 대한 정보를 제거하 지 않으면 이를 수목정보로 오분류하여 최종 추출되는 결과에 영향을 미친다. 따라서 평면상에 있지 않는 건 물 벽면에 해당하는 영역을 제거하기 위하여 건물 추정
A
(a) 건물과 수목높이가 비슷한 지역의 건물 추정점 (b) 건물 추정점을 확장하여 면처리한 결과
(c) 고층아파트와 같이 수목과의 높이차가 많은 지 역의 건물 추정점
(d) 건물 추정점을 확장하여 면처리한 결과 그림 5. 추정된 건물 지붕과 영역이 확장된 건물
정보
점을 라이다 자료의 평균점간 거리를 기준으로 확장하 여 면 처리하는 방법을 사용하였다. 그림 5(c)에서 삼각 형 형태의 점 자료들이 제거 대상이 되는 건물의 벽면 정보들이다. 면 처리된 건물 폴리곤 중 라이다 점 자료 의 개수가 평균 점밀도보다 상대적으로 적어 내부가 비 어있는 오류를 포함하는 일부 건물영역은 Majority 필 터를 이용하여 내부가 채워지도록 하였다.
2.2.3 건물이 제거된 비지면 자료
그림 4(c)의 비지면 자료에서 그림 5(b)의 면 처리된 건물추정정보를 중첩하여 제거해 줌으로서 수목을 포 함한 기타 인공물의 정보만 추출된다. 건물과 수목의 높이가 비슷한 유형에 대해 그림 6(a)는 벽면을 포함하 는 건물정보를 나타내고 그림 6(b)는 비지면자료와 확 장된 건물추정영역을 나타낸다. 또한 그림 6(c)는 건물 이 제거된 비지면 자료를 나타낸다.
(a) 벽면을 포함한 건물정보
(b) 비지면자료와 확장된 건물추정영역 (c) 건물이 제거된 비지면 자료
그림 6. 건물 정보가 제거된 비지면 자료의 생성
평균 점간 거리를 이용한 건물 지붕 점을 확장하는 건물추정방법으로 건물 벽면의 정보를 제거하는 과정 에서 평균 점간 거리 내에 위치하는 소수의 점들은 비 건물영역임에도 불구하고 제거되는 현상을 보이기도 하였다.
2.3 영상 기반 자료 처리
영상기반 자료처리는 그림 1의 전체 흐름도에서 알 수 있듯이 수목의 높이와 수관폭을 기준으로 가상의 수 목 꼭대기점(tree top)을 추정하는 단계이다.
2.3.1 DSM과 건물제거 DSM
영상 기반의 수목 꼭대기점을 추정하는 단계는 지면 자료와 건물이 제거된 비지면 자료를 공간보간하여 DEM과 DSM을 생성한 후 이 두 가지 수치모델을 기 반으로 정규화된 수치표면모델(NDSM : Normalized Digital Surface Model)을 생성하는 방법을 사용한다.
지면자료를 공간보간하여 생성한 DEM의 공간보간 방법은 자료처리 시간이 짧고 원 자료에 대한 기하학적 인 보간이 많이 발생하지 않는 최근린보간법을 적용하 였다(김의명, 2009). 격자간격은 라이다 자료의 평균점 간 거리를 이용하였다.
2.3.2 건물정보가 제거된 NDSM의 생성
NDSM은 DSM에서 DEM의 높이값을 빼주어 그림 7과 같이 건물, 수목 등의 바닥 높이값을 일정하게 변 환해 지상에 존재하는 객체추출을 용이하게 해주는 자 료이다.
그림 8의 (a)와 (c)는 기존 방법으로 생성한 DSM과 NDSM의 결과를 나타내고 있다. 기존의 DSM과 NDSM은 수목정보와 건물정보가 모두 포함되는 것을 알 수 있다.
이에 반해 그림 8의 (d)와 (e)에 나타낸 건물을 제거 한 DSM과 건물제거 NDSM에서는 건물로 추정되는 정보가 포함되지 않아 효과적으로 수목정보 추출을 가 능하게 한다.
기존의 NDSM이 비지면자료가 가지고 있는 건물과 수목정보를 모두 포함한 모델이라면 본 연구에서 제안 하는 건물제거 NDSM은 점 자료 형태의 비지면 자료
그림 7. NDSM 개념도
(a) 기존 DSM (c) 기존 NDSM
(b) DEM
(d) 건물제거 DSM (e) 건물제거 NDSM
그림 8. 기존의 NDSM과 건물제거 NDSM
에서 건물정보를 미리 제거하여 NDSM을 생성함으로서 도시지역에서 수목추출을 효율적으로 수행할 수 있다.
2.3.3 수목 꼭대기 추정
수목 꼭대기 추정은 그림 8(e)의 건물제거 NDSM을 입력 자료로 하여 국지적 최대값(local maxima) 필터 링을 수행한 후 다시 건물제거 NDSM 정보를 빼주는 영상기반으로 자료처리를 수행하였다. 본 연구에서는 수목의 꼭대기점을 수관폭의 중심점으로 가정하기 때 문에 국지적 최대값 필터링을 수행할 때 구조요소는 수 목과 유사한 원형(circle)을 사용하였다.
국지적 최대값 필터링에 사용되는 구조요소의 형태 는 사각형, 삼각형, 원형, 링형 등 다양하며 추출 목적 과 방법에 따라 선택적으로 사용할 수 있다(최연웅 등, 2006).
국지적 최대값 필터링 적용 시 구조요소의 크기는 추 정된 수관폭을 넣고 높이에 대한 임계값은 수목의 최소 높이라고 가정할 수 있는 3m를 기준으로 자료처리를 수행하였다.
그림 9는 3×3크기의 높이값 정보를 가지고 있는 격 자에 대하여 국지적 최대값 필터링을 적용하고 변환한 예시로 높이 임계값을 3m이상으로 설정하였다. 원형형 태의 구조요소의 크기는 직경 3m로 설정하였으며 높이 임계값 이하인 영역에 대해서는 null값이 할당되도록 하고 임계값 이상인 지역에 대해서는 필터 범위내의 값 들 중 최대값을 할당하도록 하였다.
영상기반의 수목 꼭대기점 추정 방법은 먼저 건물제 거 NDSM에서 도시지역 최소 수목 높이 값 이상의 격 자들만을 추출하여 그림 10(a)와 같이 생성하고 여기에 도시지역 평균 수관폭 만큼의 원형 필터를 적용하여 필
그림 9. 국지적 최대값 원형 필터링 예시
(a) 기준높이 이하 격자 제거 (b) 최대값 필터링 적용
(c) 수목 중심점 추정 2진 영상 (d) 점 기반 수목 꼭대기 추정점 그림 10. 수목 꼭대기 추정
터범위 내의 높이 값들 중에서 최대값으로 변환해 줌으 로서 그림 10(b)와 같이 생성한다.
이후 건물제거 NDSM과 최대값 필터링이 적용된 결 과값을 중첩하여 최대값을 가지는 1개의 중심 격자와 그 외의 셀들을 이진영상으로 그림 10(c)와 같이 생성 한다. 생성된 이진 영상은 이후 수목꼭대기 격자만을
(a) 수목 꼭대기 추정점의 면처리 (b) 건물이 제거된 비지면과의 중첩 (c) 개별 수목추정점 추출
그림 11. 개별 수목 추정점 추출
추출한 후 점 기반으로 그림 10(d)와 같이 변환한다.
2.4 개별 수목 라이다 점 추출 2.4.1 개별 수목 추정점 추출
건물이 제거된 비지면 점자료는 라이다자료의 3차원 정보를 가지고 있다. 이 자료와 수관폭정보를 중첩하여 개별 수목점들을 생성함으로서 추정된 수목점들은 3차 원 위치정보를 가지게 된다. 개별 수목 추정점은 수목 꼭대기 추정점(그림 10(d))을 설정한 수관폭을 기준으로 생성한 면 기반 자료(그림 11(a))와 그림 6(c)의 건물 정 보가 제거된 비지면 점자료를 중첩하여 추출할 수 있다.
그림 11(a)는 원형의 개별 수관폭 자료를 나타내고 그림 11(b)는 건물이 제거된 비지면 자료와 중첩한 결 과를 나타내며 그림 11(c)는 추출된 수목추정점이다.
2.4.2 추출수목의 정제
개별 수목 추정점으로 추출된 자료중에는 수목과 높 이가 비슷한 가로등과 건물 상부의 돌출 구조물 등이 수목으로 추출되는 오류가 발생한다. 따라서 이러한 비 수목으로 추정되는 점들은 일정한 기준에 의해서 정제 되어야 한다. 본 연구에서는 비수목으로 추정되는 오류 를 줄이기 위하여 설정한 수관폭의 면적과 라이다 자료 의 점밀도를 기준으로 수관폭 면적내에 존재해야 하는 평균 수목점의 개수를 분석하였다. 이를 기반으로 평균 수목 추정점 개수의 약 ± 1σ를 벗어나는 32%를 최소 개수로 설정하고 그 이하의 개수를 가지는 개별 수목 추정점은 비수목으로 추정하여 제거하였다.
그림 12는 개별 수목추정점으로 추출된 자료를 나타 내고 있으며 이 중에서 사각형으로 표시된 영역은 개별 수목으로 추출되었으나 기준 개수 이하의 점을 가지고 있어 비수목으로 분류되어 제거되어야 하는 자료를 나 타내고 있다. 그림 12(a)와 (b)는 제거대상이 되는 건물 지붕 구조물과 가로등정보를 각각 나타내고 있다. 점밀 도를 기준으로한 비수목 추정점 정제 방법을 사용하면 그림 12와 같이 구조물 상부 또는 건물 옥상과 가로등 정보의 제거가 가능하다.
(a) 건물 지붕과 인공물 (b) 가로등 그림 12. 비수목 추정점의 제거 대상
3. 실험 3.1 연구대상지역
연구대상지역은 수원시 일부지역으로 건물과 수목이 공존하며 건물과 수목의 높이 값과 근접성을 기준으로 그림 13과 같이 지역 1, 지역 2, 지역 3의 영역으로 구 분하여 자료처리를 수행하였다. 연구대상지역의 디지 털 영상은 그림 13의 (a), (b), (c)와 같고 라이다자료는 그림 13의 (d), (e), (f)와 같다.
(a) 지역 1 (b) 지역 2 (c) 지역 3
(d) 지역 1 (e) 지역 2 (f) 지역 3 그림 13. 연구대상지역
표 1. 연구대상지역의 특징과 수목 개수
구분 특징 면적
(㎡)
수목개수 (그루)
지역 1
- 수목에 비해 건물이 매우 높 음(건물 : 최대높이 약 72m) - 일부 수목들은 아파트건물과
매우 근접하여 존재
28,835 약 300
지역 2
- 수목과 건물 높이가 비슷하며 건물이 분산되어 존재 - 수목과 건물의 위치가 매우
근접하지 않음
38,284 약 180
지역 3
- 수목과 건물의 높이가 비슷함 - 전체적으로 수목과 건물이 매
우 근접하게 존재
16,495 약 70
구분 점의 개수
(개) 점간 평균거리 (m) 점밀도
(개/㎡)
높이값(Z)
최대(m) 최소(m) 평균(m) 표준편차
지역 1 71,499 0.66 2.3 106.59 34.51 49.27 18.64
지역 2 100,914 0.88 1.3 69.35 31.96 41.61 5.65
지역 3 36,888 0.69 2.1 55.62 26.42 38.41 5.59
표 2. 연구대상지역의 라이다자료 통계정보
표 1은 연구대상지역의 면적과 특징 그리고 디지털 영상을 통해 수작업으로 관측한 수목의 개수를 나타낸 다. 지역 1은 아파트 단지, 지역 2는 도시근교의 주거지 그리고 지역 3은 밀집 주거지 유형의 지역이다.
표 2는 연구대상지역의 라이다 자료에 대한 통계정 보를 나타내고 있다. 표 2에서 알 수 있듯이 지역 1은 아파트지역으로 최대 높이 값과 최소 높이 값의 차이가 가장 큰 지역이다. 또한 지역 2는 면적이 가장 큰 지역 으로 라이다 점의 개수가 가장 많으며 지역 3은 상대적 으로 높이 값의 표준편차가 작은 특성을 갖고 있다.
3.2 건물 지붕 정보의 추정과 제거
그림 14는 라이다 점자료에서 폐색영역을 이용하여 각 지역에 대해 지면, 비지면, 건물 지붕 정보의 추정 정보를 각각 나타낸다. 그림 15는 건물 지붕 영역을 확 장시켜 벽면정보를 포함시킨 면 기반 건물 정보를 비지 면 자료에서 제거한 결과를 나타낸다.
벽면 정보를 추가하기 위하여 건물 지붕영역을 라이 다 점밀도를 고려하여 확장하였다.
(a) 지역1 지면 (b) 지역1 비지면 (c) 지역1 건물
(d) 지역2 지면 (e) 지역2 비지면 (f) 지역2 건물
(g) 지역3 지면 (h) 지역3 비지면 (i) 지역3 건물 그림 14. 지면ㆍ비지면을 분류하고 건물 지붕을 추정
(a) 지역 1 (b) 지역 2 (c) 지역 3 그림 15. 비지면 자료에서 건물정보 제거
(a) 지역 1 (b) 지역 2 (c) 지역 3 그림 16. 건물제거 NDSM
3.3 건물제거 NDSM 생성
건물이 제거된 비지면 점자료는 표 2의 각 지역별 점 간 평균 거리를 기준으로 최근린보간법을 사용하여 DSM을 생성하였다.
그림 16은 생성된 DSM에서 지면 자료를 제거해 만 든 건물제거 NDSM의 결과를 나타낸다. 그림 16에서 알 수 있듯이 기존의 NDSM과 달리 본 연구에서는 건 물이 제거된 NDSM을 사용하였다. 따라서 건물제거 NDSM은 수목추출에 직접적으로 활용할 수 있다.
3.4 점 기반의 개별 수목 라이다 점 추출 건물제거 NDSM에 도시지역 수목의 최소 높이 3m 와 평균 수관폭 3m를 기준으로 국지적 최대값 필터링 을 적용하여 영상기반의 수목 꼭대기 추정 후 점기반으 로 변환하여 개별 수목 꼭대기 추정점을 생성한다. 그 림 17은 각 지역에 대하여 추정된 점기반의 수목 꼭대 기 점들을 나타낸다.
(a) 지역 1 (b) 지역 2 (c) 지역 3 그림 17. 점 기반의 수목 꼭대기 추정점
구분 측정 수목 개수 (그루)
1차 추출 수목 개수(그루)
비수목점 정제 최종 추출
수목 개수(그루) 추출율(%)
제거 수목 개수(그루)
지역 1 약 300 335 68 267 약 89
지역 2 약 180 191 28 163 약 90
지역 3 약 70 153 56 97 약 139
표 3. 연구대상지역의 수목추출결과
(a) 지역 1 (b) 지역 2 (c) 지역 3 그림 18. 면 기반의 수관폭 정보
(a) 지역 1 (b) 지역 2 (c) 지역 3 그림 19. 수목공간정보 추출결과
(a) 지역 1 (b) 지역 2 (c) 지역 3 그림 20. 최종 추출된 수목공간정보
라이다 자료에서 개별 수목 점들의 추출을 위하여 추 정된 수목 꼭대기점을 중심으로 도시지역 평균 수관폭 3m의 직경을 가지는 원형 면자료를 생성하고 건물정보 가 제거된 비지면 점자료와 중첩하여 3차원 위치정보 를 가지는 수목정보를 추출한다. 그림 18은 각 지역에 대하여 추정된 수관폭 정보를 나타낸다.
그림 19는 생성된 수관폭 면자료와 이전 단계에서 생성한 건물제거비지면 점자료의 중첩을 통해 생성된 점기반의 개별 수목공간정보를 나타낸다.
추출된 개별 수목점들의 추출정확도 향상을 위한 정 제단계에서는 라이다 자료의 평균 점밀도를 기준으로 비수목 추정점들의 제거를 통해 최종 수목정보를 추출 하였다. 각 지역 별 평균 점밀도는 표 2에 정리되어 있 으며 수관폭 기준인 직경 3m의 면적(≈ )내 에 존재하는 점의 개수는 각 지역별로 16.3개, 9.2개, 14.8개이며 32%인 5개, 3개, 5개를 기준으로 개별 수 목이 보유해야 하는 최소 기준 개수로 설정하고 각 지 역에서 기준 이하의 개별 수목들을 제거하여 정제 작업
을 실시하였다. 그림 20은 비수목 추정점을 제거하여 정제된 개별 수목공간정보 결과를 개별 수목별로 색을 다르게 구분하여 표현하고 항공사진과 중첩하여 나타 내었다.
4. 실험 결과 분석
본 연구에서 제안한 수목추출기법의 적용성을 평가 하기 위해서 라이다 관측 장비에 같이 장착된 디지털 카메라에 의해 촬영된 디지털 영상을 통해 수작업으로 관측한 수목의 개수와 제안한 기법에 의해 추출된 수목 개수를 비교 분석하였다. 표 3에서 알 수 있듯이 지역 1, 지역 2, 지역 3에 대해 제안한 자료처리기법으로 각 각 약 89%, 90%, 139%의 수목을 추출하였다.
지역 1의 경우 건물이 수목에 비해 매우 높은 지역으 로 건물 제거단계에서 아파트와 매우 근접한 수목점들 이 벽면정보로 추정되어 삭제되는 현상이 발생하였으 며 이로 인해 추출율이 89%정도로 나타났다. 지역 2의 경우는 건물과 수목이 근접하지 않고 떨어져 있어 양호 한 추출을 보였으나 산림 지역의 밀집된 수목들 중 일 부가 추출되지 않는 현상으로 추출율은 약 90%로 나타 났다. 본 연구는 도시지역의 수목추출을 전제로 하였기 때문에 산림지역의 밀집한 수목추출을 위해서는 별도 의 자료처리 과정이 필요한 것을 알 수 있었다. 지역 3 의 경우는 지역 1과 지역 2와 달리 실제 수목보다 추정 된 수목의 개수가 더 많이 나타났다.
지역 3의 경우는 다른 지역들에 비해 수목과 건물이 매우 근접하게 존재하고 높이가 비슷한 특성을 가지고 있다. 또한 건물위의 옥상부분에 있는 작은 구조물은 라이다 점자료가 수목과 유사한 형태의 패턴을 갖게 된 다. 따라서 이러한 지역은 라이다 점 자료만을 이용하 여 수목을 추출하는 방법론으로는 한계가 있었다.
5. 결 론
본 연구에서는 도시지역 수목공간정보 추출을 위하 여 라이다 자료를 활용하였으며 다음과 같은 결론을 도 출하였다.
도시지역에서 수목공간정보를 추출하기 위하여 라이 다 자료를 점, 면, 영상 기반의 복합적 자료처리를 통해 수목을 추출하는 방법론을 제안하였다. 특히 라이다 자 료에서 폐색영역을 이용하여 지면과 비지면을 분류하 고 비지면으로 분류된 점들 중 건물정보로 추정되는 자 료를 미리 제거하여 자료처리를 수행하는 건물제거 NDSM을 제안하였다.
또한 도시지역의 특성상 수목에 비해 건물의 높이가 매우 높은 지역이 존재하며 이들 지역에서는 건물의 벽 면정보를 효율적으로 제거해야 수목을 추출할 수 있다.
이를 위해서 점 기반의 건물추정영역을 평균점밀도를 고려하여 확장하는 방법으로 자료처리를 수행하였다.
제안한 수목공간정보 추출방법론의 적용성을 평가하 기 위하여 도시지역 내에 건물과 수목이 공존하는 서로 다른 유형의 영역을 설정하여 수목추출의 정확도를 평 가하였다.
대상영역은 건물과 수목의 높이, 근접성을 기준으로 건물이 수목에 비해 매우 높은 지역(지역 1), 건물과 수 목의 높이가 비슷하며 근접하지 않은 지역(지역 2), 건 물과 수목의 높이가 비슷하고 매우 근접한 지역(지역 3)으로 유형을 나누어 실험대상지역을 선정하였으며 제안한 기법을 적용한 결과 각각 89%, 90%, 139%의 수목추출율을 나타내었다.
본 연구에서는 라이다 자료만을 이용하여 수목을 추 출하는 방법론을 제안하고 자료처리를 수행하였으며 좀 더 정확한 3차원 수목정보를 추출하기 위해서는 고 해상도 위성영상으로부터 식생지수(NDVI) 자료를 활 용한 추가적인 연구가 진행되어야 할 것으로 사료된다.
감사의 글
이 논문은 공간정보 전문인력 양성사업의 지원을 받 아 수행된 연구입니다.
참고문헌
1. 김의명, 2009, “영상 및 점기반 자료처리에 의한 항공
라이다 자료의 건물경계추출”, 한국지형공간정보학
회지, 한국지형공간정보학회, 제17권, 제1호, pp.
43-52.
2. 박은진, 2009, “도시 수목의 이산화탄소 흡수량 산정 및 흡수효과 증진 방안”, 경기개발연구원.
3. 최연웅, 최내인, 이준환, 조기성, 2006, “LIDAR자료의
지면정보 추출기법의 정확도 평가”, 한국지형공간정
보학회지, 한국지형공간정보학회, 제14권, 제4호,
pp.19-26.
4. Axelsson, P., 2000, “DEM Generation from Laser Scanner Data Using Adaptive TIN Models, International Archives of Photogrammetry and Remote Sensing, XXXIII, Part B3, pp.85-92.
5. Barilotti, A., Crosilla, F., Sepic, F., 2009, “Curvature Analysis of LIDAR Data for Single Tree Species Classification in Alpine Latitude Forests”, ISPRS Workshop Laserscanning‘09, Vol. XXXVIII, Part 3/W8, pp.129-134.
6. Brattberg, O., Tolt, G, 2008, “Terrain Classification Using Airborne Lidar Data and Aerial Imagery”, International Archives of Photogrammetry and Remote Sensing, Vol. XXXVII, Part B3b, pp.261-266.
7. Chang, Y., Habib, A., Lee, D., Yom, J., 2008,
“Automatic Classification of LIDAR Data into Ground and Non-ground Points”, International Archives of Photogrammetry and Remote Sensing, Vol. XXXVII, Part B4, pp.463-468.
8. Chen, L., Teo, T., Chiang, T., 2006, “The Generation of 3D Tree Models by the Integration of Multi-Sensor Data”, PSIVT06, pp.34-43.
9. Demir, N., Poli, D., Baltsavias, E., 2008, “Extraction of Buildings and Trees Using Image and LiDAR Data”, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, IAPRS, Vol. XXXVII, Part B4, pp.313-318.
10. Lang, S., Tiede, D., Maier, B., Blaschke, T., 2006,
“3D Forest Structure Analysis from Optical and LIDAR Data”, Revista Ambiêencia, Guarapuava, Vol.
2 Ediçcãao Especial 1, pp.95-110.
11. Lim, C., 2007, “Estimation of Urban Tree Crown Volume based on Object-oriented Approach and LIDAR Data”, ITC, Netherlands, February.
12. Mei, C., Durrieu, S., 2004, “Tree Crown Delineation from Digital Elevation Models and High Resolution Imagery”, ISPRS Vol .36, http://www.isprs.org/
proceedings/XXXVI/8-W2/MEI.pdf, visited on 28nd, AUG., 2010.
13. Kim, C., 2008, “Obejct-based Integration of Photogrammetric and LiDAR Data for Accurate Reconstruction and Visualization of Building Models”, UCGE Reports, No. 20281.
14. Persson, Å., 2001, “Extraction of Individual Trees Using Laser Radar Data”, Swdish Defence Research Agency, Scientific Report, No. ISRN FOI-R-0236-SE.
15. Tiede, D., Lang, S., Maier, B., 2007, “Transferability
of a Tree-Crown Delineation Approach Using Region-specific Segmentation”, Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, Florianópolis, Brasil, 21-26, INPE, pp.1883-1890.
16. Wang, Y., Weinacker, D., Koch, B., 2008, “A LIDAR Point Cloud Based Procedure for Vertical Canopy Structure Analysis And 3D Single Tree Modelling in Forest”, Sensors 2008, ISSN 1424-8220, pp.3938-3951.
