The Analysis of Evergreen Tree Area Using UAV-based Vegetation Index

전체 글

(1)pISSN：2508-3384 eISSN：2508-3392 https://doi.org/10.22640/lxsiri.2017.47.1.15. Journal of Cadastre & Land InformatiX Vol.47 No.1 (2017) 한국국토정보공사 「지적과 국토정보」 제47권 제1호 2017년 6월 p. 15-26. UAV 기반 식생지수를 활용한 상록수 분포면적 분석 The Analysis of Evergreen Tree Area Using UAV-based Vegetation Index 이근상* Lee, Geun-Sang. Abstract The decrease of green space according to the urbanization has caused many environmental problems as the destruction of habitat, air pollution, heat island effect. With interest growing in natural view recently, proper management of evergreen tree which is lived even the winter season has been on the rise importantly. This study analyzed the distribution area of evergreen tree using vegetation index based on unmanned aerial vehicle (UAV). Firstly, RGB and NIR+RG camera were loaded in fixed-wing UAV and image mosaic was achieved using GCPs based on Pix4d SW. And normalized differences vegetation index (NDVI) and soil adjusted vegetation index (SAVI) was calculated by band math function from acquired ortho mosaic image. validation points were applied to evaluate accuracy of the distribution of evergreen tree for each range value and analysis showed that kappa coefficient marked the highest as 0.822 and 0.816 respectively in 「NDVI > 0.5」 and 「SAVI > 0.7」. The area of evergreen tree in 「NDVI > 0.5」and 「SAVI > 0.7」was 11,824㎡ and 15,648㎡ respectively, that was ratio of 4.8% and 6.3% compared to total area. It was judged that UAV could supply the latest and high resolution information to vegetation works as urban environment, air pollution, climate change, and heat island effect. Keywords: UAV, Evergreen Tree, Normalized Difference Vegetation Index, Soil Adjusted Vegetation Index. 1. 서 론. 2012). 또한 도시화가 진행되는 과정에서 발생하는 토 지이용변화에 따른 녹지감소는 생물의 서식처파괴와. 급속한 산업화와 도시화는 도시민의 생활편의를 향. 쾌적성 악화 등 많은 부정적인 영향을 끼치면서 무분별. 상시키는데 일정부분 기여했지만 무분별한 도시의 외. 한 개발에 대한 우려의 목소리가 높아지고 있는 실정이. 연적 확산(Urban Sprawl)과 이에 따른 자동차 보급의. 다. 특히 이러한 환경문제 중에서 온실가스 발생량이 상. 가속화, 대기오염, 수질, 열섬효과 등의 자원과 에너지. 대적으로 많은 도심지역에서의 온실가스 감축방안으로. 효율의 부작용을 보이고 있다(김미경 외 2014; Villa. 녹지공간의 중요성이 대두되고 있다(박정기 외 2013).. * 전주비전대학교 지적토목학과 부교수 Department of Cadastre & Civil Engineering, Vision College of Jeonju (Corresponding author: [email protected]). Journal of Cadastre & Land InformatiX Vol.47 No.1 (2017). 15.

(2) 이근상. 이러한 자원과 환경 문제를 해결하기 위해 세계는. 로 식생지수를 이용하여 도시화와 열섬효과를 분석하. Green Race에 국가역량을 집중시키고 있다. 우리나라 역. 였다. 또한 염종민 외(2008)은 SPOT/VEGETATION. 시 고유가 시대 도래에 따른 사회적 비용 지출의 증가와. NDVI 자료를 이용하여 북한지역 식생변화를 탐지하였. 기후변화 협약에 따른 탄소배출권 거래시장의 형성에 대. 으며, 김인환 외(2011)은 NDVI 10년 자료를 이용하여. 비하는 정책 및 전략을 수립해 왔다(장명준 외 2012).. 한반도 식생의 경년변화를 분석하였다. 박정기 외. 기후변화에 따른 환경문제 개선을 위해서는 녹지조. (2013)은 KOMPSAT-2 영상과 항공영상을 이용하여. 성 및 관리가 매우 중요하다. 그러나 최근 우리나라 산. 도심지 식생을 분류하였으며, 김영표(2012)는 GIS 통. 림의 경우 겨울철 이상 고온과 가뭄 등의 기후변화에 영. 계기법을 활용하여 NDVI 분포특성을 분석하였다. 또. 향을 받아 한국 토종 상록침엽수인 구상나무의 개체수. 한 류재현 외(2013)은 식생지수를 이용하여 동아시아. 가 급격하게 줄어들고 있다(박인환 외 2012). 삶의 질에. 사막주변의 토지피복 변화를 분석하였으며, 에르뎅솜. 대한 관심이 건강과 행복이라는 키워드와 함께 현대사. 베 술드 ‧ 조기성(2016)은 Landsat 영상을 이용하여. 회의 핵심가치가 되면서 숲의 건강 기능 및 보건 의학적. 몽골의 토지피복변화 및 지표온도를 분석하여 사막화. 치료차원에서 국립공원을 비롯한 자연경관이 수려한. 연구에 활용하였다. 그러나 기존의 위성영상 기반의 식. 지역에 대한 관심 또한 증가하고 있다. 이러한 웰빙. 생 모니터링 연구는 공간해상도 및 주기해상도 문제로. (Well being), 네츄럴빙(Natural being), 로하스. 최신의 도심지 식생변화를 주기적으로 파악하는데 한. (LOHAS: Lifestyle of Health and Sustainability) 등. 계가 있으며, 따라서 UAV를 활용한 접근이 필요하다.. 의 트렌드에 발맞추어 여러 지자체에서 둘레길, 올레길,. 최근에는 산림 및 식생분야에 최신의 영상을 얻기 위. 슬로길 등 걷기코스를 개발하고 캠핑장 유치 및 숲유치. 해 UAV(Unmanned Aerial Vehicle)에 다양한 파장대. 원 운영 등 많은 노력을 기울이고 있다(김건우 외 2013).. 의 센서를 탑재하여 활용하는 연구들이 시도하고 있다. 우리나라의 경우 봄부터 초가을까지는 수목과 초지가. (Nagai et al. 2008). 먼저 Lee et al.(2015)은 고정익. 잘 형성될 수 있는 기후조건을 갖추고 있어 식생분포가 매. UAV를 이용하여 경작지에 대한 NDVI를 계산하였으. 우 양호하지만, 겨울철의 경우 추운날씨로 인해 상록수만. 며, Na et al.(2016)은 UAV로 취득한 NDVI와 기상학적. 서식하는 특성을 보인다. 도심지에 식재된 상록수는 산소. 요인들과의 상관성을 연구하였다. 국외 연구로서. 공급, 유해물질 흡수뿐만 아니라 수종에 따라 피톤치드와. Yutaka ‧ Yoshihisa(2016)은 하천의 지형과 식생변화. 같이 인간에게 유익한 물질을 제공하며 특히 자연 경관측. 를 모니터링하는데 UAV를 활용하였으며, Juliane et. 면에서도 매우 중요한 영향을 준다. 따라서 도시관리 측면. al.(2015)은 바이오메스 모니터링을 위해 UAV 기반의. 에서 겨울철에도 녹지를 유지할 수 있는 적정한 비율의 상. 다양한 식생지수를 적용하였다. 또한 Jesper et. 록수 식재 및 관리가 매우 중요하다고 할 수 있다.. al.(2016)은 곡물재배지 실험지를 대상으로 UAV를 이. 최근 녹지 및 식생분포 특성을 모니터링하기 위한 다. 용하여 고도별 카메라별 식생지수 계산결과에 대한 영. 양한 연구들이 시도되었다. 대표적으로 다중분광 영상. 향을 분석하였으며, Torres-Sanchez et al.(2014)은. 밴드를 조합하여 식생지수를 산정하는 연구들이 진행. UAV로부터 얻은 영상을 이용하여 밀밭에서의 시계열. 되어 왔다. 먼저 최석근 외(2014)은 Landsat 8 OLI 영상. 식생변화를 분석하였다. 다만 식생의 활력도가 낮은 겨. 의 정규식생지수(NDVI; Normalized Differences. 울철의 상록수 분포에 초점을 맞춘 연구는 상대적으로. Vegetation Index)를 이용하여 식생피복지수를 분석. 미흡한 것으로 나타났다.. 하였으며, 김미경 외(2014)은 Landsat 영상을 기반으. 16. 「지적과 국토정보」 제47권 제1호. 2017. 본 연구에서는 최신의 영상을 얻을 수 있는 UAV를 이.

(3) UAV 기반 식생지수를 활용한 상록수 분포면적 분석. 용하여 겨울철에도 식생 활력도를 유지할 수 있는 도심. 2.2. UAV 기반 영상 취득. 지의 상록수 분포를 파악하고자 하였다. 식생지역 모니 터링을 위해 대표적인 식생지수인 NDVI와 토양보정식. 본 연구에서는 UAV 영상을 통해 분석한 식생지수를. 생지수(SAVI; Soil Adjusted Vegetation Index)를 활. 기반으로 상록수 분포지역을 추출하는 것을 목적으로. 용하였으며, 식생지수 계산에 이용되는 영상밴드를 얻. 하고 있으며, 이를 위해 봄철 새싹이 자라기 전인 2017. 기 위해 근적외선과 RGB 영상을 모두 촬영하였다. 식생. 년 2월 27일 촬영을 실시하였다. 영상자료 취득은 스위. 지수는 촬영장비와 기상여건 그리고 촬영시간에 따라. 스 SenseFly 에서 제작한 eBee 고정익 UAV를 이용하였. 반사도의 차이를 보이게 되므로 대상지마다 다양한 변. 으며, 주요 제원은 Table 1과 같다. 식생지수로 활용한. 화를 보이게 된다. 본 연구에서는 식생지수 구간별 상록. NDVI와 SAVI 계산에 이용되는 근적외선(NIR)과 적색. 수 분포지역을 분석한 후 검정점을 이용하여 정확도를. (Red) 밴드를 얻기 위해 Canon사의 S110 Nir+RG 카메. 검증하였으며 이를 통해 가장 높은 정확도를 보이는 식. 라를 이용하였으며, 검정점별 상록수 위치를 파악하기. 생지수 분포도로부터 상록수 분포면적을 분석하였다.. 위해 Sony사의 WX220 카메라를 이용하여 RGB 영상을 취득하였다. 카메라에 대한 상세 제원은 Table 2와 같다.. 2. UAV 기반 영상정보 취득 2.1. 연구 대상지. Table 1. Specifications of UAV Category. Specifications. Model. Swiss. UAV type. fixed-wing. Flight altitude. 100 ~ 800m. 분석하기 위해 Figure 1과 같이 전북 전주시 ◯◯대학. Flight speed. within 90km/h. Size and weight. size 96cm, weight 700g. 교 일부지역을 대상지로 선정하였다. 대상지역에는 건. Maximum flight time. 45 minutes. Nominal cruise speed. 고 있으며, 특히 수목은 상록수를 비롯하여 낙엽수 그리. 40~90 km/h (11~25m/s). Radio linkrange. Up to 3 km. 고 잡목 등이 다양하게 분포하고 있어 겨울철 상록수 분. Maximum coverage. 12 ㎢. Wind resistance. Up to 45km/h (12m/s). Ground Sampling Distance(GSD). Down to 1.5 cm per pixel. Horizontal / Vertical Accuracy. Down to 3cm / 5cm. 본 연구에서는 UAV를 활용하여 상록수 분포지역을. 물, 도로, 창고, 운동장, 벌개지 그리고 수목 등이 분포하. 포지역을 파악할 수 있는 조건을 갖추고 있다.. Table 2. Specifications of S110, WX220 digital camera. Figure 1. Study area. Category. Specifications. Band. S110：Red, Green, NIR WX220：Red, Green, Blue. Resolution. S110：12Mp WX220：18Mp. Ground resolution at 100m. 3.5cm/pix. Sensor size. 7.44 × 5.58mm. Pixel pitch. 1.33um. Image format. JPEG and/or RAW. Journal of Cadastre & Land InformatiX Vol.47 No.1 (2017). 17.

(4) 이근상. 비행계획 수립은 Figure 2와 같이 eBee 전용 SW인 eMotion을 활용하였다. 해상도는 고도 약 171m에서 6 ㎝/pix로 설계하였으며, 종 ‧ 횡중복도는 각각 85%와 70%로 설정하였다. 비행시간은 약 16분 26초로 설계되 었으며, 총 비행거리는 12.1㎞ 그리고 촬영면적은 약 37,200㎡로 나타났다.. Figure 4. GCP Matching by GNSS Survey. Table 3은 GNSS 측량을 통해 취득한 GCP 좌표이며, Figure 5는 이 중 9번 GCP 지점에 대한 측량 화면이다. Figure 2. Design of Flight Planning. 대상지역에 대해 Sony의 WX220 카메라를 이용하여 RGB 영상을 144매 촬영하였으며, Cannon의 S110 카메 라를 이용하여 NIR+RG 영상을 160매 촬영하였다. 촬영 된 영상은 eMotion SW의 ｢Flight Data Manager｣ 기능을 이용하여 GPS와 INS 정보를 연결하였다. 낱장으로 촬영 된 RGB와 NIR+RG 영상에 대해 Figure 3과 같이 Pix4D. Table 3. GNSS Survey Information to GCP No. X(E). Y(N). Z(EL.m). 1. 208,273.52. 356,839.07. 48.073. 2. 208,158.80. 356,741.19. 50.601. 3. 208,264.45. 357,025.07. 48.135. 4. 208,319.01. 356,991.52. 48.183. 5. 208,266.54. 356,906.45. 48.116. 6. 208,211.96. 356,939.97. 48.101. 7. 207,995.82. 357,008.64. 65.627. 8. 207,863.04. 357,128.65. 59.903. SW를 이용하여 영상을 접합하였으며, GNSS 측량을 통해. 9. 208,115.05. 357,158.44. 56.828. GRS80 TM 좌표로 취득된 지상기준점(GCP; Ground. 10. 208,508.75. 356,963.03. 46.640. 11. 208,476.46. 356,712.82. 44.574. 12. 207,996.82. 356,758.30. 56.064. Control Point)을 Figure 4와 같이 영상과 매칭하였다.. Figure 3. Image Matching using Pix4D. 18. 「지적과 국토정보」 제47권 제1호. 2017. Figure 5. GCP Survey.

(5) UAV 기반 식생지수를 활용한 상록수 분포면적 분석. 3. 식생지수를 활용한 상록수 분포면적 분석. 먼저 본 연구에서는 NDVI와 SAVI 식생지수 계산을 위해 UAV를 이용하여 취득한 NIR+RG 영상으로부터. 식생지수는 원격탐사의 파장별 반사특성을 이용하. NIR, Red, Green 밴드를 각각 분리하였다. 그리고. 여 식생의 상태를 표현한 지수로서, 영상으로부터 쉽게. NDVI 분석을 위해 NIR과 Red 밴드를 기초로 식 (1)을. 추출할 수 있으며 정확도 역시 뛰어나 식생의 분포를 연. 이용하여 계산하였다. NDVI는 -1.0~1.0의 범위를 가. 구하는 많은 분야에서 이용되고 있다. 원격탐사를 이용. 지며, 1에 가까울수록 식생의 밀도와 활력도가 좋은 지. 하여 식생지수를 추출하는 원리는 다음과 같다. 건강한. 역을 의미한다(Juliane et al. 2015).. 녹색식생은 근적외선 파장의 에너지를 40~50% 정도 반사하며 가시광선 파장에너지는 80~90%를 흡수한.           . 다. 반면 죽은 식생은 근적외선 파장에서 건강한 녹색. 식생분류 연구에서 토양의 특성을 반영하기 위해 개. 식생보다 적은 양의 에너지를 반사하며 가시광선 파장. 선된 통계학적 방법론을 도입하여 보다 정교한 영상분. 에너지는 많이 반사한다. 건강한 식생일수록 근적외선. 석이 가능하게 되었다. 본 연구에서는 2월에 촬영이 이. 파장의 반사도와 가시광선 파장의 반사도간에 많은 차. 루어졌기 때문에 식생의 활력도가 낮고 상대적으로 토. 이를 보이게 된다(Jesper et al. 2016). 식생지수는 이와. 양특성이 강하게 나타나므로 NDVI 외에 SAVI 지수를. 같은 분광특성을 이용하여 기본적으로 계산되어지며,. 함께 적용하였다.. 대상지역의 특성을 비롯하여 기상 및 지형여건에 따라 다양한 형태로 응용되어진다(Na et al. 2016). 본 연구에서는 UAV 기반의 상록수 분포지역 분석을. (1). Huete(1988)는 비율척도지수와 수직식생지수(PVI; Perpendicular Vegetation Index)를 융합하여 SAVI 지수 를 개발하였다. SAVI 지수를 구하는 식은 다음 (2)와 같다.. 위해 Figure 6과 같은 과정으로 진행하였다.                Acquisition of Image using UAV based on NIR+RG camera ⇓ Image Mosaic and GCP ⇓ The calculation of NDVI and SAVI ⇓ The extraction of vegetation area according to the range of NDVI and SAVI. (2). 여기서, L은 수정 요소로서 일반적으로 사용되는 0.5 를 적용하였다(Gilabert et al. 2002). UAV 기반 NIR+RG 카메라를 이용하여 취득한 영상 으로부터 NDVI와 SAVI 식생지수를 계산하기 위해 영상 처리 SW인 PG-Steamer를 이용하였다. 6㎝급으로 촬영 된 영상은 각각 NIR, Red, Green 밴드를 포함하고 있으 며 각 밴드별 영상을 조합하여 NDVI와 SAVI 식생지수. ⇓. 를 구축하였다. 구축한 식생지수의 경우 6㎝ 해상도로 인. The calculation of kappa coefficient using validation point. 해 식생과 비식생 위치가 연속적인 패턴을 보이고 있지. ⇓ The selection of proper range of NDVI and SAVI. 않아 검정점 위치별로 확인이 어려운 문제가 있었다. 따 라서 10㎝ 해상도로 재배열 하였으며, UAV 기반 RGB 카. ⇓. 메라를 이용하여 취득한 정사영상을 기초로 하여 실제. Analysis of the area of evergreen tree. 상록수 분포와 가장 유사한 패턴을 보이는 식생지수 구. Figure 6. Flow chart of study. 간을 Figure 7 및 8과 같이 각각 5개씩 구축하였다. Journal of Cadastre & Land InformatiX Vol.47 No.1 (2017). 19.

(6) 이근상. Figure 7. Vegetation Area by NDVI. 20. 「지적과 국토정보」 제47권 제1호. 2017. Figure 8. Vegetation Area by SAVI.

(7) UAV 기반 식생지수를 활용한 상록수 분포면적 분석. NDVI와 SAVI 식을 이용하여 분석한 상록수 분포 중. 여 NDVI와 SAVI 구간별 분포지역의 정확도를 평가하. 가장 유사한 패턴을 보이는 구간값을 선정하기 위해. 기 위해 검정점 포인트를 10㎝ 해상도의 그리드로 변환. 5m 간격으로 검정점을 생성한 후 RGB로 접합한 UAV. 하여 NDVI와 SAVI 구간별 분포도와 중첩하였으며, 이. 정사영상을 중첩하여 각 검정점별로 식생(Vegetation). 를 통해 식생지수 구간별 Kappa 계수를 Table 4 및 5와. 과 비식생(Non vegetation) 검정점 위치를 Figure 9와. 같이 계산하였다.. 같이 표시하였다. Figure 10은 확대 화면으로서, RGB. Table 4와 5에 제시된 NDVI와 SAVI 경계값별. 접합영상과 중첩한 후 상록수 위치를 고려하여 식생과. Kappa 계수를 볼 때, ｢NDVI > 0.5｣와 ｢SAVI > 0.7｣일. 비식생별 검정점 위치를 나타내었다.. 때의 Kappa 계수가 각각 0.822와 0.816으로 가장 높게 나타났다. NDVI와 SAVI의 경계값에 따른 정확도는 촬영시기 에 따라 변화하게 된다. 즉 활력도가 좋은 여름철과 활 력도가 낮은 겨울철의 경계값 범위는 달라지게 되며, 다만 겨울철 상록수 분포를 파악하는 경우 본 연구에서 제시한 경계값의 범위가 참고가 될 수 있을 것으로 판 단된다. Figure 11은 ｢NDVI > 0.5｣, ｢SAVI > 0.7｣ 구간별 식생 분포도에 5m 간격으로 설치한 검정점을 중첩한 것으로 서, 검정점의 식생위치와 식생지수별 상록수 위치가 잘. Figure 9. Overlay of UAV image and Validation Points. 일치하는 것을 확인할 수 있다. ｢NDVI > 0.5｣, ｢SAVI > 0.7｣ 구간별 식생분포도를 이 용하여 대상지역의 상록수 면적 및 분포비율을 Table 6와 같이 계산하였다. ｢NDVI > 0.5｣ 구간에서 상록수 분포는 연구대상지 대비 4.8%인 11,824㎡로 나타났으 며, ｢SAVI > 0.7｣ 구간에서는 6.3%인 15,648㎡로 분석 되었다. 본 연구에서는 겨울철 식생분포를 살펴볼 수 있는 상 록수의 면적분포를 분석하였다. 만약 식생의 활력도가 좋은 시기에 영상을 촬영할 경우 수목과 초지를 포함한 식생지역을 효과적으로 모니터링할 수 있다. 다만 식생 지역 중 수목과 초지를 별도로 분리하기 위해서는 UAV 로 취득한 포인트 클라우드 기반 경사도기법 등을 이용. Figure 10. Zoom In to Overlay of UAV image and Validation Points. 하는 연구가 필요할 것으로 사료된다. 포인트 클라우드 기반 경사도기법은 일정 셀내의 표고값의 경사특성을 파악하여 일정 경사를 초과하는 영역을 수목으로 별도. 5m 간격으로 배치한 총 9,922개의 검정점을 이용하. 로 추출하는 방법이다. Journal of Cadastre & Land InformatiX Vol.47 No.1 (2017). 21.

(8) 이근상. (a) NDVI > 0.5. (b) SAVI > 0.7. Figure 11. Overlay of Vegetation Area and Validation Points in ｢NDVI > 0.5｣ and ｢SAVI > 0.7｣ Table 4. Kappa Coefficient according to NDVI Range NDVI > 0.3 Image point. Vegetation Non vegetation ∑. NDVI > 0.4 Image point. Vegetation Non vegetation ∑. NDVI > 0.5 Image point. Vegetation Non vegetation ∑. NDVI > 0.6 Image point. Vegetation Non vegetation ∑. NDVI > 0.7 Image point. 22. Vegetation Non vegetation ∑. 「지적과 국토정보」 제47권 제1호. 2017. Vegetation 508 2,131 2,639 Kappa Coefficient = 0.257 Vegetation 490 654 1,144 Kappa Coefficient = 0.558 Vegetation 454 120 574 Kappa Coefficient = 0.822 Vegetation 293 32 325 Kappa Coefficient = 0.682 Vegetation 193 10 203 Kappa Coefficient = 0.521. Validation points Non vegetation. ∑. 10 7,273 7,283 Validation point Non vegetation. 518 9,404 9,922. ∑. 28 8,750 8,778 Validation points Non vegetation. 518 9,404 9,922. ∑. 64 9,284 9,348 Validation points Non vegetation. 518 9,404 9,922. ∑. 225 9,372 9,597 Validation points Non vegetation 325 9,394 9,719. 518 9,404 9,922. ∑ 518 9,404 9,922.

(9) UAV 기반 식생지수를 활용한 상록수 분포면적 분석. Table 5. Kappa Coefficient according to SAVI Range SAVI > 0.5 Image point. Vegetation Non vegetation ∑. 505 1,560 2,065 Kappa Coefficient = 0.336. SAVI > 0.6 Image point. Validation points Non vegetation. Vegetation. Validation points Non vegetation. Vegetation. Vegetation Non vegetation ∑. ∑ 13 7,844 7,857. 490 655. 518 9,404 9,922. ∑ 28 8,749. 518 9,404. Kappa Coefficient = 0.557 SAVI > 0.7 Image point. Vegetation. Vegetation Non vegetation ∑. 469 148 617 Kappa Coefficient = 0.816. SAVI > 0.8 Image point. Vegetation. Vegetation Non vegetation ∑. Image point. Vegetation 306 51 357 Kappa Coefficient = 0.686. Table 6. Area of Evergreen Tree in ｢NDVI > 0.5｣ and ｢SAVI > 0.7｣ Non Vegetation Vegetation NDVI Area > 0.5 (㎡, %) SAVI > 0.7. ∑. 236,201㎡ (95.2%). 11,824㎡ (4.8%). 248,025㎡ (100.0 %). 232,377㎡ (93.7%). 15,648㎡ (6.3%). 248,025㎡ (100.0%). ∑ 49 9,256 9,305. Validation points Non vegetation. 343 83 426 Kappa Coefficient = 0.713. SAVI > 0.9 Vegetation Non vegetation ∑. Validation points Non vegetation. 518 9,404 9,922. ∑ 175 9,321 9,496. Validation points Non vegetation. 518 9,404 9,922. ∑ 212 9,353 9,565. 518 9,404 9,922. 였으며, 주요 결론은 다음과 같다. 첫째, UAV로 취득한 NIR+RG 영상에 대해 GCP 매칭 을 통해 영상접합을 실시하였으며, 최종 정사영상으로 부터 밴드별 영상조합을 통해 NDVI와 SAVI 구간별 상 록수 분포지역을 추출할 수 있었다. 특히 SAVI 지수를 적용하여 식생의 활력도가 상대적으로 낮은 겨울철 상 록수 분포특성 분석 연구에 활용하고자 하였다.. 4. 결론. 둘째, 구축한 상록수 분포도의 정확도를 평가하기 위 해 총 9,922개의 검정점을 입력한 후 NDVI와 SAVI 구. 본 연구에서는 UAV 기반 RGB와 NIR+RG 카메라를. 간별로 구축한 상록수 분포도를 중첩하여 Kappa 계수. 이용하여 식생지수 구간별 상록수 분포지역을 분석하. 를 분석하였다. 분석 결과, ｢NDVI > 0.5｣와 ｢SAVI > 0.7｣. Journal of Cadastre & Land InformatiX Vol.47 No.1 (2017). 23.

(10) 이근상. 구간에서 Kappa 계수가 각각 0.822와 0.816로 가장 높. Study. Journal of Korean Society of Civil. 게 나타났다. 식생분포를 분석하기 위해 이용되는 식생. Engineers. 34(3):1033-1041.. 지수 구간은 촬영시기에 따라 서로 다른 특성을 보인다.. 김인환, 한경수, 김상일. 2011. 1KM NDVI 10년자료를. 다만 상록수 분포를 파악하는 연구에서 본 연구와 같이. 이용한 한반도 식생의 경년변동 분석. 대한원격탐. 겨울철에 촬영한 UAV 영상을 이용할 경우 본 연구에서. 사학회지. 27(1):17-24.. 제시한 NDVI와 SAVI 구간이 참고자료로 활용될 수 있 으리라 판단된다. 셋째, Kappa 계수가 가장 높게 나타난 식생지수 구간 별 상록수 분포면적을 분석한 결과, ｢NDVI > 0.5｣와 ｢ SAVI > 0.7｣ 구간에서 각각 11,824㎡와 15,648㎡로 분 석되어 전체면적 대비 4.8%와 6.3%의 비율을 보이는. Kim IH, Han KS, Kim SI. 2011. Vegetation Interannual variavility Over Korea Using 10-Years 1KM NDVI Data. Korean Journal of Remote Sensing. 27(1):17-24. 김영표. 2012. GIS 공간통계기법을 이용한 NDVI 분포특 성 분석. 한국산림휴양학회지. 16(3):101-107.. 것으로 확인되었다. 이와 같이 도심지 환경, 대기오염,. Kim YP. 2012. Distribution Characteristics Analysis. 기후변화, 열섬효과 등과 관련하여 식생을 분석하는 업. of NDVI Using Spatial Statistical Method with. 무에서 UAV는 기존의 위성영상 연구에 비해 최신의 고. GIS. Journal of the Korea Institute of Forest. 해상도 정보제공이 가능하리라 판단된다.. Recreation Welfare. 16(3):101-107. 류재현, 한경수, 피경진, 이미지. 2013. 식생자료를 이용. 참고문헌. References. 한 동아시아 사막 주변의 토지피복 변화 분석. 대한 원격탐사학회지. 29(1):105-114. Ryu JH, Han KS, Pi KJ, Lee MJ. 2013. Analysis of. 김건우, 권치원, 임효진, 염동걸, 최윤호, 정다워, 임현희,. Land Cover Change Around Desert Areas of. 신호상, 박범진. 2013. 겨울철 소나무숲의 NVOC 농. East Asia. Korean Journal of Remote Sensing.. 도와 숲환경과의 관계. 한국산림휴양학회지.. 29(1):105-114.. 17(4):133-141. Kim GW, Kwon CW, Lim HJ, Yeom DG, Choi YH, Joung. 박인환, 조광진, 사공정희, 조현주, 김진효, 이혜영. 2012. 충남 서천군에 분포하는 상록침엽수림의 식생분포. DW, Lim HH, Shin HS, Park BJ. 2013.. 와 특성. 한국산림휴양학회지. 16(1):59-68.. Realationship between NVOC and Korean Red. Park IH, Cho KJ, Sagong JH, Cho HJ, Kim JH, Lee HY.. Pine(Pinus densiflora) Forest Environment in. 2012. A Study on Vegetation Distribution and. Winter Season. Journal of the Korea Institute of. Characteristics of the Evergreen Coniferous. Forest Recreation Welfare. 17(4):133-141.. Forest in Seochoen-gun, Chungcheongnam-do.. 김미경, 김상필, 김남훈, 손홍규. 2014. LANDSAT 영상. Journal of the Korean Institute of Forest. 을 이용한 세종특별자치시의 도시화와 열섬현상 분 석. 대한토목학회논문집. 34(3):1033-1041. Kim MG, Kim SP, Kim NH, Sohn HG. 2014. Urbanization and Urban Heat Island Analysis Using LANDSAT Imagery: Sejong City As a Case. 24. 「지적과 국토정보」 제47권 제1호. 2017. Recreation Welfare. 16(1):59-68. 박정기, 고신영, 조기성. 2013. KOMPSAT-2 영상 및 고 해상도 항공영상을 이용한 도심지역 식생분류. 한 국지형공간정보학회지. 21(4):21-27. Park JG, Go SY, Cho GS. 2013. Vegetation.

(11) UAV 기반 식생지수를 활용한 상록수 분포면적 분석. Classification using KOMPSAT-2 Imagery and. NDVI. Journal of the Korean Society of. High-resolution airborne imagery in Urban. Surveying, Geodesy, Photogrammetry and. Area. Journal of Korean Society for Geospatial. Cartography. 32(1):9-17.. Information Science. 21(4):21-27.. Gilabert MA, Gonza´lez-Piqueras J, Garcı´a-Haro FJ,. 에르뎅솜베 술드, 조기성. 2016. Landsat 위성영상을 이. Melia J. 2002. A generalized soil-adjusted. 용한 몽골 Tuul-Basin 지역의 토지피복변화 및 지. vegetation index. Remote Sensing of Environment.. 표온도 시계열적 분석. 한국지형공간정보학회지.. 82:303-310.. 24(3):39-47. Erdenesumbee Suld, Cho GS. 2016. Time series Analysis of Land Cover Change and Surface. Huete AR. 1988. A Soil-adjusted vegetation index(SAVI). Remote sensing of Environment. 25:295-309.. Temperature in Tuul-Basin, Mongolia Using. Jesper Rasmussen, Georgios Ntakos, Jon Nielsen,. Landsat Satellite Image. Journal of the Korean. Jesper Svensgaard, Robert N. Poulsen, Svend. Society for Geospatial Information Science.. Christensen. 2016. Are vegetation indices. 24(3):39-47.. derived. 염종민, 한경수, 이창석, 박윤영, 김영섭. 2008.. from. consumer-grade. cameras. mounted on UAVs sufficiently reliable for. SPOT/VEGETATION NDVI 자료를 이용한 북한지. assessing. experimental. plots?.. 역. 한국지리정보학회지. 11(2):28-37.. Journal of Agronomy. 74:75-92.. European. Yeom JM, Han KS, Lee CS, Park YY, Kim YS. 2008.. Juliane Bendig, Kang Yu, Helge Aasen, Andreas Bolten,. A Detection of Vegetation Variation Over North. Simon Bennertz, Janis Broscheit, Martin L. Gnyp,. Korea using SPOT/VEGETATION NDVI. Journal. Georg Bareth. 2015. Combining UAV-based plant. of the Korean Association of Geographic. height from crop surface models, visible, and near. Information Studies. 11(2):28-37.. infrared vegetation indices for biomass monitoring. 장명준, 신예철, 최형선, 김태호. 2012. 도시규모를 고려 한 탄소배출량과 도시특성요소와의 관계 연구. 한 국도시행정학회 도시행정학보. 25(4):57-87.. in barley. International Journal of Applied Earth. Observation and Geoinformation. 39:79-87. Lee KD, Na SI, Baek SC, Jung BJ, Hong SY. 2015. The. Jang MJ, Shin YC, Choi HS, Kim TH. 2012. The Analysis. Study of Applicability to Fixed-field Sensor for. of Relationship Between Urban Size and Co2. Normalized Difference Vegetation Index (NDVI). Emissions Considering Urban Characteristics.. Monitoring in Cultivation Area. Korean Journal. Journal of the Korean Urban Management. of Soil Science and Fertilizer. 48(6):593-601.. Association. 25(4):57-87.. Na SI, Hong SY, Park CW, Kim KD, Lee KD. 2016.. 최석근, 이승기, Wang Baio. 2014. Landsat 8 OLI영상의. Estimation of Highland Kimchi Cabbage Growth. NDVI를 이용한 식생피복지수 분석. 한국측량학회. using UAV NDVI and Agro-meteorological. 지. 32(1):9-17.. Factors. Korean Journal of Soil Science and. Choi SK, Lee SK, Wang Baio. 2014. Analysis of Vegetation Cover Fraction on Landsat OLI using. Fertilizer. 49(5):420-428. Nagai M, Chen T, Ahmed A, Shibasaki R. 2008. UAV Journal of Cadastre & Land InformatiX Vol.47 No.1 (2017). 25.

(12) 이근상. Borne Mapping by Multi Sensor Integration.. 2017년 3월 14일 원고접수(Received). ISPRS XXI Congress. 1215-1221.. 2017년 6월 07일 1차심사(1st Reviewed). Torres-Sanchez J, Lopez-Granados F, Pena JM. 2015.. 2017년 6월 19일 2차심사(2nd Reviewed). An automatic object-based method for optimal. 2017년 6월 20일 게재확정(Accepted). thresholding in UAV images: Application for vegetation detection in herbaceous crops.. Computers and Electronics in Agriculture. 114:43-52. Villa P. 2012. Mapping urban growth using soil and vegetation index and landat data: The Milan (Italy) City Area Case Study. Landscape and. Urban Planning. 107(3):245-254. Yutaka Watanabe, Yoshihisa Kawahara. 2016. UAV Photogrammetry for monitoring changes in river topography and vegetation. Procedia. Engineering. 154:317-325.. 초록 도시화에 따른 녹지의 감소로 서식처 피괴, 대기오염, 열섬효과 등 많은 환경문제들이 발생하고 있다. 최근에는 자연경관에 대한 관심이 높아지면서 겨울철에도 서식하는 상록수의 적정 관리가 중 요하게 대두되고 있다. 본 연구에서는 UAV 기반 식생지수를 이용하여 상록수 분포면적을 분석하였 다. 먼저 고정익 UAV에 RGB와 NIR+RG 카메라를 탑재하였으며 Pix4D SW 기반 GCP점을 활용하여 영상접합을 수행하였다. 그리고 취득한 정사영상으로부터 밴드계산 기능을 통해 NDVI와 SAVI 식생 지수를 계산하였다. 식생지수 구간별 상록수 분포의 정확도를 평가하기 위해 검정점을 이용하였으 며, 분석 결과 ｢NDVI > 0.5｣와 ｢SAVI > 0.7｣ 구간에서 Kappa 계수가 각각 0.822와 0.816로 가장 높게 나타났다. GIS 공간분석을 통해 계산한 ｢NDVI > 0.5｣와 ｢SAVI > 0.7｣ 구간에서의 상록수 분포면적은 각각 11,824㎡와 15,648㎡로 계산되었으며 이는 전체면적 대비 4.8%와 6.3%에 해당되는 비율이다. 이와 같이 도심지 환경, 대기오염, 기후변화, 열섬효과 등과 관련하여 식생을 분석하는 업무에서 UAV 가 최신의 고해상도 정보를 제공해 줄 수 있으리라 판단된다. 주요어：무인비행시스템, 상록수, 정규식생지수, 토양보정식생지수. 26. 「지적과 국토정보」 제47권 제1호. 2017.

(13)