Vegetation Monitoring using Unmanned Aerial System based Visible, Near Infrared and Thermal Images

전체 글

(1)pISSN : 2508-3384 eISSN : 2508-3392 https://doi.org/10.22640/lxsiri.2018.48.1.71. Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018) 한국국토정보공사 「지적과 국토정보」 제48권 제1호 2018년 6월 p. 71-91. UAS 기반, 가시, 근적외 및 열적외 영상을 활용한 식생조사 Vegetation Monitoring using Unmanned Aerial System based Visible, Near Infrared and Thermal Images 이용창* Lee, Yong-Chang. Abstract In recent years, application of UAV(Unmanned Aerial Vehicle) to seed sowing and pest control has been actively carried out in the field of agriculture. In this study, UAS(Unmanned Aerial System) is constructed by combining image sensor of various wavelength band and SfM((Structure from Motion) based image analysis technique in UAV. Utilization of UAS based vegetation survey was investigated and the applicability of precision farming was examined. For this purposes, a UAS consisting of a combination of a VIS_RGB(Visible Red, Green, and Blue) image sensor, a modified BG_NIR(Blue Green_Near Infrared Red) image sensor, and a TIR(Thermal Infrared Red) sensor with a wide bandwidth of 7.5μm to 13.5μm was constructed for a low cost UAV. In addition, a total of ten vegetation indices were selected to investigate the chlorophyll, nitrogen and water contents of plants with visible, near infrared, and infrared wavelength's image sensors. The images of each wavelength band for the test area were analyzed and the correlation between the distribution of vegetation index and the vegetation index were compared with status of the previously surveyed vegetation and ground cover. The ability to perform vegetation state detection using images obtained by mounting multiple image sensors on low cost UAV was investigated. As the utility of UAS equipped with VIS_RGB, BG_NIR and TIR image sensors on the low cost UAV has proven to be more economical and efficient than previous vegetation survey methods that depend on satellites and aerial images, is expected to be used in areas such as precision agriculture, water and forest research. Keywords: UAV, UAS, VIS_RGB, BG_NIR, TIR, Vegetation Survey, Precision Agriculture. 1. 서론 이고 고령화 경향을 보이고 있다. 우리나라 농업부문 현재 국내 농업에 종사하는 인구는 감소하는 추세. 의 드론 응용은 전국 농업협동조합 단위의 “농약살포”. * 인천대학교 도시과학대학 도시공학과 교수 Professor, Department of Urban Construction Engineering, College of Urban Science, Incheon National University ([email protected]). Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018). 71.

(2) 이용창. 용 드론 운용이 대표적이다. 그 동안 정밀농업 분야를. 표현하는 몇 가지 파장대역(밴드값)의 조합으로 생성. 위해 원격탐측(Remote Sensing), GIS(Geographical. 된 식생지수로 식생 상태(엽록소, 수분, 영양, 질소 함. Information System) 및 GNSS(Global Navigational. 량 등)의 조사·분석(Hunt et al. 2013)의 판단 기준으. Satellite system)와 같은 공간정보기술이 활용되어. 로 활용된다. 식생분광지수는 가시광 밴드, Red edge. 왔다. MSS(Multi Spectral Scanner)센서를 탑재한. 밴드, 적외 영역 밴드의 식생분광특성과 토양, 대기,. ERTS-1 (LANDSAT 1)가 1972년 7월 23일 발사되면. 그림자 등의 간섭영향을 최소화 할 수 있도록 2가지. 서부터 인공위성을 활용한 지구 자원 및 식물체총량. 또는 3가지 밴드간의 비율(Jackson, and Huete. (Biomass)의 원격탐측 연구(Rouse et al. 1973)가 활. 1991), 거리 및 조합을 통해 보완되면서 연구 개발되. 발히 진행되었다. 원격탐측은 인공위성, 항공기의 플. 어 왔다. 식생분석을 위해서는 검출대상과 목적에 적. 랫폼에 물체표면에서 반사 및 방사되는 다양한 분광. 합한 식생지수 선정 외에도 식생 및 대상체의 특징별. 파장대역 즉, 가시 컬러(VIS_RGB ; Visible Red, Green,. 가시화 분석 과정에서 분류(Classes) 방법이 중요한데. and Blue), RE(Red edge), 근적외(NIR ; Near. 대표적인 공간정보의 분류방법으로 Equal area, Equal. Infrard Red) 및 열적외(TIR ; Thermal Infrared Red). spacing 및 Jenks 분류법이 있다(Pix4D 2018; Campbell,. 대역의 영상센서로 부터 획득한 영상화소의 분광반사. and Michael 2012). 원격탐측자료로부터 식생정보를. 특성을 물리량으로 녹지, 삼림 및 경작지 등의 식생을. 추출하기 위해서는 임의 식생분광지수의 효용성 검토. 탐측하는 것이다. 분광탐측 센서는 가격, 해상도, 지상. 는 물론 잎의 엽록소, 질소, 수분의 함량과 잎 면적은. 및 항공용 등 조건대비 다양한 종류가 있고 최근에는. 물론 대기, 지형 및 토양의 영향 변수 등에 대한 정보. 무인항공기(UAV ; Unmanned Aerial Vehicle) 플랫. 와 기존 식생분광지수 공식의 보완이 필요하다(Turner. 폼에 다양한 파장대의 분광센서를 탑재한 저가형 고해. et al. 2011). 또한, 반복성이 뛰어나며 VIS_RGB, NIR. 상 저고도 원격탐측 시스템(UAS ; Unmanned Aerial. 및 TIR 센싱을 통해 신속․정확하게 식생관리 정보를. System)의 활용이 보편화 되고 있다(Sindhuja et al.. 도출할 수 있는 대체 시스템이 요망되어 왔다. 최근. 2015). 그 동안 식생분석에 주로 활용된 방법은 인공위. VIS_RGB, NIR 및 TIR 센서 기술의 발달과 VIS_RGB. 성 또는 항공기를 플랫폼으로 고가의 다중파장대역 센. 카메라 자체는 물론 VIS_RGB 카메라를 수정한 근 적외. 서 기반의 가시영상 및 낮은 파장대역의 근적외선 영. BG_NIR 또는 GR_NIR 센서(Rasmussen et al. 2016)를. 상으로 부터 식생지수를 산출하고 식생의 상태를 파악. UAV에 탑재한 보급형 UAS가 개발되면서 식생분광. 하는 방식으로 영상의 취득 시기와 반복성 및 경제성. 분석 응용에 UAS 센서가 활용되기 시작하였다. 또한,. 면에서 제한이 있었다. 특히, 영상의 공간해상도, 안개,. 열적외선 분광대역은 흑체방사원리에 따라 피사체 자. 구름, 대기상태, 태양 고도각, 센싱 방향각, 토양의 수. 체의 방사열 에너지를 감지하므로 피사체의 가시 및. 분함유상태, 식생상부피복(Canopy) 구조, 토양후면배. 근 적외 방사 특성을 활용하여 산출한 식생지수에 비. 경 영향, 그림자, 탑재된 센서의 수준 등에 따라 식생. 해 토양함수 조건과 식생상태에 민감하게 반응하게. 상태의 특성이 다르게 나타난다(Huete AR 1988). 식. 된다. 특히, 조명조건이 필요 없고 특수 센서 배열에. 생에 대한 부정확한 진단은 관개배수 운영의 실패, 농. 열적외선을 집적시켜 피사체의 온도차에 따른 열 영. 약의 남용으로 인한 생태환경과 자연환경의 파괴는 물. 상으로 가시화 할 수 있어 식생상태 판단과정에 개입. 론 농작물의 품질저하 및 작황의 저하를 야기하게 된다.. 될 수 있는 장해 영향을 최소화 하면서 농작물의 수분. 식생분광지수는 임의 식생지역의 특징을 가장 잘. Stress(CWSI ; Crop-Water Stress Index,)조사(Cohen. 72. 「지적과 국토정보」 제48권 제1호. 2018.

(3) UAS 기반, 가시, 근적외 및 열적외 영상을 활용한 식생조사. et al. 2005), 토양의 함수상태(Park et al. 2015) 및 관. 2015)연구가 활발히 진행되고 있다.. 개용수시설의 효율적인 관리가 가능하다. 현재,. 본 연구의 목적은 보급형 UAV를 플랫폼으로 다양. VIS_RGB, NIR 센서 대비 TIR 센서가 고가이기는 하. 한 파장대의 영상센서를 탑재, 식 생태 탐측용 보급형. 나 UAV 연계 응용은 잠재성 높은 UAS로 관심이 주목. UAS를 구성, 대상지의 사전 식생조사 결과를 기준으. 되고 있다. 2018년 3월 30일 우리나라 국토지리정보. 로 UAS에 의한 파장대별 식생지수를 산출, 식생지수. 원에서는 “무인비행장치 이용 공공측량 작업지침(고. 간의 상관성을 가시 및 정량적으로 분석하고 식생조. 시 제2018-1075호, 2018.3.30.)”를 제정·고시(NGII,. 사의 효용성을 고찰하여 정밀농업 분야를 위한 활용. 2018)하여 소규모 지역측량에 기존 항공사진 측량의. 성을 검토하는 것이다. 이를 위해 시험대상지의 파장. 문제점(운항의 신속성·경제성·편리성)을 보완하고. 대별 영상을 SfM(Structure from Motion) 기반 영상. 무인비행장치 활용에 필요한 작업방법·절차, UAV 측. 해석(Lee YC 2017)을 수행하여 정사영상모자익 및. 량 각 공정별 작업방법 신설 및 오차 등의 기준과 성과. 수치표면모형을 재현한 후, 파장대별 스펙트럴 특성. 품에 대한 품질관리 및 정리점검 방법 등을 명시하여. 을 활용, 각 영상 내 픽셀 단위의 식생지수를 산정한. UAV 활용의 제도적 기반이 확립되었다. UAS 기반의. 다. 회전익 UAV로 DJI 사의 보급형 Inspire 1 및 팬톰. 원격탐측은 정밀농업 분야에서 비교적 쉽고 용이하게. 4 Pro를 선정하고 VIS_RGB 카메라(DJI FC-350 및. 농경지 및 식생관련 고 해상 및 고 밀도 자료를 획득할. FC6310), 근적외 영상을 취득할 수 있도록 DJI. 수 있는 유용한 수단(Candiago 2015)으로 활용할 수. FC-350를 수정한 BG-NIR 카메라(Maxmax 2018). 있다. 그러나 농작물의 작황 및 Stress 상태 감시용도. 및 DJI․FLIR 사가 공동 개발한 7.5㎛∼13.5㎛ 분광대. 의 대중성 있는 시스템으로 구현되기 위해서는 저가. 역의 열적외영상(TIR)센서(ZENMUSE XT, DJI 2018). UAV를 플랫폼으로 가시 및 열적외선 센서의 소형화,. 을 활용, ‘다중파장대역(Multispectral bands) 영상취. 경량화 및 저가형이 전제가 되어야 할 것이다. 현재,. 득용 UAS’를 구성하였다. 관측시기 및 시험대상지. 국내에서 4차 산업 융합기술로 주목받고 있는 드론 기. (Test bed)는 모내기 직전 농수로가 정비된 논 및 인. 술의 향상, 저렴화 및 응용분야의 다양화에 힘입어 사. 접지(내한성 조사료용 식물 재배 밭)를 선정하였다.. 진측량, UAV 및 ICT(정보통신기술) 융·복합 기술을 활. 또한 지난 40여 년 동안 식생 상태의 원격탐측분석 기. 용한 식생관리(Lee GS 2017) 연구가 활발히 시도되고 있. 준으로 개발·활용해온 식생지수들의 특성과 활용성. 어 국내 농업분야의 발전에 효율적으로 활용될 전망이다.. 을 검토(Agapiou 2012; HARRIS 2018; Hunt 2013; Barati 2011)하여 가시, 근적외 및 열적외 파장대역을. 2. 연구목적 및 연구방법. 기본요소로 정밀농업분야에 활용할 수 있는 VIS_RGB 및 BG_NIR 파장대역 식생지수와 TIR 온도지수 총 10. 정밀 영 농림을 위한 인공위성 또는 항공기 플랫폼. 종을 선정, 식물의 엽록소, 질소 및 수분 함유량 등의. 기반의 원격탐측기술은 영상의 해상도, 렌즈왜곡, 대. 식 생태 검출에 활용한다. 시험대상지의 각 파장대역. 기굴절 및 기상 영향 등으로 식생 해석에 제한을 받았. 의 영상을 획득한 후, SfM(Structure from Motion)기. 지만, 최근 UAV, VIS_RGB, NIR 및 TIR 센싱 기술의. 반의 영상해석(Lee YC 2017) 툴(Pix4Dmapper)을 활. 향상과 보편화로 다중 파장대역의 고해상 영상 획득. 용하여 정사영상모자익(Orthophoto mosaics), 수치. 이 가능해져 식생분야를 위한 UAV 기반 고해상 저고. 표면모형(DSM ; Digital Surface Model)을 재현하고. 도 원격탐측시스템(UAS)의 효용성 검증(Candiago. 파장대별 스펙트럴 특성을 활용, 각 영상 내 픽셀 단위 Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018). 73.

(4) 이용창. 의 식생지수와 온도지수, 식생분포도를 작성, 식 생태. 대기흡수, 일 관측 시간, 및 태양입사각변화에 따라 지. 분석에 활용하였다. 시험대상지에 대한 지상 피복현. 수값은 변화된다.(Harris 2018) 원격탐측 자료로부터. 황을 기준으로 각 식생지수의 분포도 및 식생지수 간. 식생정보를 추출하기 위해서는 잎의 엽록소, 질소, 수. 상관성(R2 : 결정계수)를 비교·고찰하며 특히, 중점. 분의 함량과 잎 면적은 물론 대기, 지형 및 토양의 영. 검증 대상 네 곳을 대상으로 UAS를 활용한 가시컬러,. 향 변수 등에 대한 사전 정보와 보정방법 등에 대한 연. 근적외 및 열적외 영상해석에 의한 식생 상태의 탐측. 구가 선행되어야 한다.. 능력을 비교 고찰하였다. 아울러 식생 및 주변 환경의. 식생분광지수는 임의 식생지역의 특징을 가장 잘. 수분 분포 및 관개배수용 농수로 탐측을 위한 열적외. 표현하는 몇 가지 파장대역의 조합으로 지수를 산출. 영상의 활용성을 검토하였다.. 하고 식생상태(엽록소, 수분, 영양, 질소 함량 등) 조 사·분석을 위한 판단 기준으로 활용되며 NDVI 지수. 3. 식생지수. 개발 이후, 가시광, Red edge 및 적외 밴드대역의 분 광 향상과 토양, 대기, 그림자 등 간섭영향의 최소화를. Rouse et al.(1973)은 미국 중부 Great plains 지역. 도모하면서, 2가지 또는 3가지 밴드 간의 비율․거리․조. 의 ERTS-1 MSS 밴드 5(Red) 및 밴드 7(NIR) 정보를. 합 기반의 보완 연구를 통해 지속적으로 개발. 활용한 식생연구에서 Krigler(1969)에 의해 설명된. (Jackson 1991)되어 왔다. 본 연구에서는 시험대상지. NDVI 식생지수를 개발, 관심대상지역내 녹색식물의. 내, 탐측대상 식생탐측 및 환경에 적합한 식생지수를. 유·무를 판단하는 중요 지표를 제공하여 지구표면의. 선정하기 위해 농작물의 생태 분석용 식생지수의 특. 식생연구 분야에 지대한 공헌을 한 바 있다. 그러나. 성과 활용성을 고찰하여 Table 1과 같이 9가지 식생. NDVI 지수는 동일 대상이라도 토양후면반사, 그림자,. 지수와 절대온도변환에 의한 온도지수를 선정, 실험. Table 1. The considered vegetation indices related to the vegetation cover and chlorophyll content Type. VIS_RGB. VIS_NIR (BG_NIR). TIR. 74. Index Name (Abbreviation) GLI (Green Leaf Index) VARI (Visible Atmospherically Resistance Index ) NGRDI (Normalised Green Red Difference Index NDVI (Normalized Difference Vegetation Index) ENDVI (Enhanced Normalized Difference Vegetation Index ) GNDVI (Green Normalized Difference Vegetation Index) EVI2 (2-band Enhanced Vegetation Index) OSAVI (Soil-Adjusted Vegetation Index ) NDWI (Normalized Difference Water Index) TIR (Thermo_map). 「지적과 국토정보」 제48권 제1호. 2018. Equation. Reference. (2G−R−B)/(2G+R+B). Louhaichi et al.(2001). (G−R)/(G+R−B). Gitelson et al.(2002). (G−R)/(G+R). Tucker(1979). (N-R)/(N+R). Rouse et al.(1973). ((N+G)-(2*B))/((N+G)+(2*B)). LDP LLC(2018) (maxmax.com). (N-G)/(N+G). Gitelson et al.(1996). 2.5*(N-R)/(N+2.4*R+1). Jiang et al.(2008). (1+1.16)*(N-R)/(R+N+0.16). Rondeaux et al.(1996). (G-N)/(G+N). McFeeters(1996). 0.04*Thermal_IR-273.15 (K). Pix4D(2018).

(5) UAS 기반, 가시, 근적외 및 열적외 영상을 활용한 식생조사. 험대상지 내 식생의 생태 조사, 수분함유량 및 관개배. Jenks 분류법은 ‘각 분급 내 표준편차가 최소’가 되는. 수로 탐측 능력의 검토에 활용하였다. 선정된 9가지. 추가 조건이 부여되며, Equal area 분류법은 분급 간. 식생지수의 공통점은 식생여부확인 및 광합성에 따른. 격은 다르나 각 분급의 면적이 동일하게 분류된다. 활력도 탐측으로 가시컬러(VIS_RGB) 밴드를 활용한. (Pix4D, 2018). 본 연구에서 분급 개수의 선정은 관심. 식생지수로 G밴드가 강조된 GLI, 대기영향에 덜 민감. 식생에 대한 면적에 비중을 두고 ‘주변 환경과 근사한. 한 VARI 및 G와 R 밴드만을 활용한 NGRDI를 선정하. 재현’을 조건으로 결정하였다.. 였다. 일반 카메라를 수정한 BG_NIR 파장대를 활용 하는 지수로는 NDVI, NDVI의 민감도를 강화한. 4. 관측 및 영상해석. ENDVI, 엽록소의 밀도 탐측에 특화된 GNDVI, 토양 후면배경 영향과 대기흡수영향을 보정한 EVI2 및. 시험대상지는 충남 공주시 의당면 유계리와 청룡리. OSAVI(식생밀도가 작고 토양이 보이는 환경에 특화),. 경계에 위치한 210m×170m 규모의 지목 상, 전․답․대․. 수분 또는 물 검출에 특화된 NDWI를 선정하였다. 특. 도 혼합지로 Figure 1은 시험대상지 전경과 지상기준. 히, TIR로 부터 온도정보를 도출하기 위해 Pix4D사의. 점(GCP : Ground Control Point △, GCP1∼GCP4) 4. 절대온도 변환식(Pix4D. 2018)을 활용한 절대온도 지. 점, 검사점(Check points ○ : CP1, CP2) 2점 및 영상. 수를 산출하였다. 식생분석을 위해서는 검출대상과. 별, 식생지수 조사를 위한 검사선 4종(         ). 목적에 적합한 식생지수 선정 외에도 분석을 위한 가. 의 위치를 나타낸 것이다.. 시화 분류방법 및 분급 수(Number of classes)의 선. 시험대상지 내 관심 식생(POI ; Plants of Interesting). 정 또한 중요하다. Equal spacing 및 Jenks 분류법은. 으로 '코윈어리'(재배면적 약 2,360㎡, "가"), ‘마늘’(재. 분급간격은 동일하나 각 분급 면적이 다르고 특히. Figure 1. The study areas with the analyzed cultivation areas, GCP, check points, and the check lines for comparison of vegetation indices. Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018). 75.

(6) 이용창. 배면적 약 500㎡, "나"), ‘둑새풀(학명 Alopecurus. 철 국내 논·밭에 흔한 잡초로 논의 염 농도가 높을수. aequalis, 영문명 : Water foxtail)’가 분포하며 인공물. 록 발생량이 적고 인산의 함량이 높은 논에서 생육이. 로는 주택, 축사, 도로, 농수로가 포함되어 있다. '코윈. 왕성한 특성이 있어 논토양의 염 농도와 인산함량의. 어리'는 농촌진흥청 축산과학원이 2006년 개발한 ‘이. 지표식물이다. 따라서, 둑새풀의 발생정도·분포에 따. 탈리안 라이 그라스(IRG ; Italian-RyeGrass)’의 신품. 라 논의 염 농도는 물론 인산비료의 감비 대상지를 검. 종으로 국내환경에 적합한 내한성, 극 조생 조사료로. 토할 수 있다. 농수로는 항공촬영 전날(2018년 4월 5. 현재 국내 한우·젖소 농가에 많이 보급되어 있다. 마. 일) 및 촬영당일(4월 6일) 새벽까지 비가 내려 물이 흐. 늘은 토양상부에 검은색 롤 비닐로 멀칭(Mulching). 르며 논에는 농기계 바퀴궤적 부분과 요(凹)부에 물이. 된 상태로 식재되어 있다. 둑새풀(Water foxtail)은 봄. 고여 있는 상태이다.. 2.1. GCPs for TIR(top) and RGB(bottom) images. 2.2. GCPs in RGB image. 2.3. GCPs in BG_NIR image. 2.4. GCPs in TIR image. 2.5. The zoomed GCPs in TIR image. 2.6. GNSS Network RTK Surveying at GCP(△4). Figure 2. Images of the used GCP targets acquired during flights with RGB, BG_NIR, TIR cameras, and GNSS Network RTK surveying at GCP(△4). Figure 2의 사진 2.1은 VIS 및 TIR 용 지상기준점으. (Geo_tagging) 작업에서 VIS 및 TIR 용 GCP 타겟의. 로 특히, TIR 용 GCP의 설계는 열 반사성이 우수하고. 식별 성을 영상 즁류 별로 비교한 것이다. 열 영상의. 주변 사물대비 복사열의 편차가 큰 알루미늄 재질의. 경우, 사진 2.4 및 사진 2.5와 같이 VIS용 타킷은 식별. 은박접시(직경 23mm) 중앙에 검은색 절연테이프로. 이 불가한 반면, 알루미늄 타킷은 명확히 식별되어 열. 십자(+)을 만들어 활용하였다. Figure 2의 사진 2.2 ∼. 영상용 GCP로 알루미늄 은박접시의 효용성을 확인할. 사진 2.5는 절대표정 작업을 위한 GCP의 지오태깅. 수 있었다.. 76. 「지적과 국토정보」 제48권 제1호. 2018.

(7) UAS 기반, 가시, 근적외 및 열적외 영상을 활용한 식생조사. Table 2는 VIS_RGB, 수정된 BG-NIR 근적외, 및. LLC(maxmax.com)사의 X-Nite 필터로 수정․개조한. 7.5㎛∼13.5㎛ 분광대역의 열영상 센서의 제원, Table. 근적외 영상 카메라로 SfM 영상해석의 초반부에. 3은 영상센서별 비행계획 제원을 요약한 것이다. 본. R(Red), G(Green), B(Blue) 각 밴드별로 할당하는 경중. 연구에서 활용한 BG_NIR 카메라는 Inspire 1. 률[Red(NIR)=0.7152, Green=0.2126, Blue(Red)=0.0722)]. FC-350(RGB)의 적외선차단 필터를 제거한 후 LDP. 를 적용하였다(Pix4D 2008).. Table 2. UAV and Sensor's specification UAV & Camera. Inspire 1 FC-350 (BG-NIR). Table 3. Conditions for UAV flights planning. Phantom 4 Inspire 1 Pro.FC6310 Zenmuse-X (RGB) T(TIR). UAV & Camera. Inspire 1 FC-350 (BG-NIR). Phantom 4 Pro.FC6310 (RGB). Inspire 1 Zenmuse-X T(TIR). Maker. DJI LDP LLC. DJI. DJI FLIR. GSD (cm/pixel). 2.77. 1.58. 13.94. Resolution. 4000× 3000. 5472× 3648. 336×256 (RGB). Number of image. 116. 315. 208. Senser size. 6.24mm. 6.24mm. 15.60mm×1 1.89mm. Flight height (m). 60. 60. 110. Overlap(%). 90. 90. 90. CMOS. NEdT < 50mK f/1.0 u-Bolometer. Speed (m/sec). 4.6. 4.6. 4.6. 20(φ35). 13. GCP(points). 4. 4. 4. CP(points). 2. 2. 2. sRGB. Uncooled VOx Microbolom eter. Date of Aerial Shooting. 18‘ 4. 6 1:54-2:00. 18‘ 4. 6 2:07-2:20. 18‘ 4. 6 1:33-1:37. Senser type. CMOS. Focal 20(φ35) length(mm) Charasteris sRGB tcs. 3.1 BG_NIR. 3.2 RGB. 3.3 TIR(in RGB band). Figure 3. The obtained orthophoto_mosaic reconstruction with RGB, BG_NIR, and TIR images of the study areas with the analyzed cultivation fields. Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018). 77.

(8) 이용창. 또한, 피사체의 방사온도정보를 갖는 Zenmuse XT. 모자익(Orthophoto_mosaic)을 나타낸 것이다.. 열영상 카메라는 온도정보가 포함된 밴드(Thermal_ IR)에 보정계수(0.04)를 적용한 온도지수(Temperature Index=0.04*Thermal_IR–273.15)를. 5. 식생 및 수계 비교분석. 적용(Pix4D,. 2018)하여 절대온도를 추출하였다. UAS 항공 촬영은. 시험대상지(Figure 1)에 대한 UAS기반 VIS_RGB,. 국토지리정보원 "무인비행장치 이용 공공측량 작업지. BG-NIR 및 TIR 영상을 대상으로 영상해석 툴. 침"를 준수하여 2018년 4월 6일 오후 1시 33분 ∼ 오. (Pix4Dmapper)로부터 식생지수 9종 및 온도지수를. 후 2시 20분 동안, DJI사의 팬톰4 Pro.(일체형 카메. 산출한 후, 대상지 내 사전 식생분포조사 내용을 기준. 라), BG_NIR 및 TIR 영상 센서를 Inspire 1 기종에 교. 으로 식생지수 간의 상관성(R2), 관심영역 및 검사선. 환 장착하면서 연속 수행하였다. 특히, 4점의 지상기. 에 대한 식생지수별 식생분포와 수계현황 등을 비교·. 준점과 검사점 2점의 실세계 좌표성과는 GNSS. 고찰하였다.. Network RTK 측량(Trimble R8)를 수행(Figure 5.6) 하고 중부원점을 도 원점으로 한 지도투영좌표로 산. 5.1 BG-NIR 영상기반 식생해석. 정하였다. 검사점의 측위정확도는 VIS_RGB 및 BG_ NIR의 경우, 좌표성분별 최대편차가 ±10cm 이내인 반면, TIR의 경우는 최대편차(±30cm)를 나타내었는. 5.1.1 분류방법에 따른 NDVI 식생지수분 포 분석. 데 Zenmuse XT 열영상 카메라의 저해상 영상, 렌즈. 시험대상지의 NDVI 지수 분포는 최소 –0.52 ∼ 최. 왜곡보정의 미흡 및 4점의 GCP 영역 외부에 검사점을. 대 0.72 로 나타났다. 일반적으로 NDVI 지수값은 +0.2. 설치한 것 등에 기인된 것으로 사료된다. Figure 3은. ∼ +0.8 분포는 식생, 0은 흙 또는 바위 등 인공물, - 값. Pix4Dmapper 영상해석 툴로 VIS_RGB, BG_NIR 및. 은 물을 나타낸다.. TIR 영상을 각각 해석하고 재현한 대상지의 정사영상. 4.1 NDVI (Equal spacing) Number of classes = 5 (1/5 : 0.47 ∼ 0.72) = 4.16%. 4.2 NDVI (Equal area) Number of classes = 22 (1/22 : 0.45 ∼ 0.72) =4.40%. 4.3 NDVI (Jenks) Number of classes = 5 (1/5 : 0.47 ∼ 0.72) = 4.16%. Figure 4. The distribution of NDVI vegetation index calculated by analyzing the BG_NIR image of the test sites according to the three classification methods(equal spacing, equal area, and Jenks, area percentage(%) corresponding to first category relative of number of classes for test cultivated field). 78. 「지적과 국토정보」 제48권 제1호. 2018.

(9) UAS 기반, 가시, 근적외 및 열적외 영상을 활용한 식생조사. NDVI 식생지수를 3가지 분류방법(Equal spacing,. 작업이 예상된다.. Equal area, Jenks)를 적용하고 템플릿(RdYIGn)을 활용하여 가시화 한 결과는 Figure 4와 같다. 3가지 분. 5.1.2 식생지수 별 식생분포 분석. 류방법의 각 분급 개수는 시험대상지 내, 식생의 활력도. Figure 5는 BG_NIR 영상기반 식생지수 5종. 가 가장 높은 ‘코윈어리(Kowinearly)’ 재배지(Figure 1,. (ENDVI, GNDVI, EVI2, OSAVI 및 NDWI)의 식생분. “가” 부분)를 기준으로 BG_NIR 영상의 실세계 전체. 포를 가시화 한 것이다. 촬영 당일 기상이 양호했고 미. 면적(약 54,830㎡)에 대한 ‘코윈어리’ 재배면적(약. 세먼지 농도도 낮았으며 저 고도 UAS 특성 상, 대기. 2,360㎡)의 비(4.3%)가 최상위 분급 수의 면적비 및. 영향은 미소한 것으로 판단하여 본 연구에서는 식생. 주변 환경에 근사하게 조정 후, 가시화 하였다. Figure. 의 토양후면배경영향의 보정상태를 고찰하였다. NDVI. 4에서 Equal spacing 및 Jenks 분류의 분급 개수는 5. 지수의 토양후면배경영향 보정을 검토하기 위해 ‘코. 분위로 설정하였다. Equal area는 22개 분급으로 세. 윈어리’ 면적 비율이 근사한 조건에서 대상지 내 ‘마. 분화 되었지만, 다른 두 분류법에 비해 템플릿 특성이. 늘’ 및 ‘둑새풀’ 재배지를 관심영역으로 Figure 4 및. 강조되어 식생 여부의 판단은 명료하나 세밀한 식생. Figure 5의 식생분포 변화를 비교하였다.. 구분 시, 분급 수의 과대 설정에 따른 불필요한 세분화. 5.1 ENDVI (Equal spacing, Number of classes = 6), (1/6) : 0.36 ∼ 0.50 : 4.26%. 5.2 GNDVI (Equal spacing, Number of classes = 4), (1/4) : 0.30 ∼ 0.53 : 4.02%. 5.3 EVI2 (Equal spacing, Number of classes = 6), (1/6) : 0.85 ∼ 1.18 : 4.21%. 5.4 OSAVI (Equal spacing, Number of classes=5), (1/5) : 1.03 ∼ 1.56 : 4.21%. 5.5 NDWI (Equal spacing, Number of classes=4), (1/4) : 0.15 ∼ 0.38 : 2.31%. 5.6 NDWI by RSE tool of LDP LLC. Figure 5. The distribution of five vegetation indices calculated by analyzing the BG_NIR image of the test sites(equal spacing, area percentage(%) corresponding to first category relative of number of classes for test cultivated field, and NDWI by ‘RSE’(RemoteSensingExplorer) tool of LDP LLC Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018). 79.

(10) 이용창. ‘마늘’과 ‘코윈어리’ 재현성을 고찰한 결과 ENDVI,. 다. 특히, Figure 5.6 가시분포도에서 물 또는 수분은. EVI2 지수가 NDVI 대비 우수하여 NDVI 식생지수의. 강한 청색계열(blue) 반응을 보여 물이 있는 장소 또. 토양후면배경 영향의 보정을 입증할 수 있었다. OSAVI. 는 수분을 함유한 식물의 경우, 청색 또는 군청색(식생. 는 대등 이상, GNDVI는 식생밀도가 높은 부분의 재현. 밀집도 높은 경우)을 나타낸 반면, 맨땅 또는 콘크리트. 성은 양호하나 낮은 부분의 경우는 미흡했다. Figure. 포장도로는 보라색, 아스팔트 포장도로는 밝은 황색. 5.6은 BG_NIR 카메라를 제조사인 LDP LLC사. 으로 나타나 있다. 그러나 반사성이 강한 축사와 주택. (Maxmax 2018)의 식생분석 툴(RSE ; RemoteSensing. 가 지붕 및 중앙부 농수로 일부구간의 태양반사로 인. Explorer)을 활용하여 NDWI 식생지수의 분포를 나. 해 상대적으로 큰 양수값 즉, 강한 ‘녹색’ 계열의 예외. 타낸 것이다. 일반적으로 BG_NIR 영상의 NDWI 식생. 반응도 관찰 되었다. Figure 5.5 및 Figure 5.6에서 농. 지수는 +는 물, -는 식생, 0은 흙 또는 바위 등을 나타. 수로(Figure 1의   )의 중앙부 녹색 부분은 태양 빛. 내는데 촬영 전날 종일과 촬영 당일 오전 6시까지 비. 이 물에 강하게 반사 것에 기인된 것으로 분석되었다.. 가 내린 관계로 농수로에 흐르는 물이 Figure 5.5의 경 우, 노란색으로 나타나며 논둑은 지수가 0에 가까운. 5.1.3 NDVI 기준 식생지수 간 상관분석. 짙은 황색으로 나타나 있다. 또한, Figure 5.6(RSE에. Figure 6은 BG_NIR 영상기반 식생지수 중, NDVI. 의한 NDWI 식생지수의 분포)의 경우 동일한 BG_NIR. 를 기준으로 5가지 식생지수(ENDVI, GNDVI, EVI2,. 계열의 NDWI 지수로 템플릿과 역전(Invert) 옵션 선. OSAVI, NDWI)간의 상관성을 직선방정식과 결정계. 택에 따라 지수 색인이 다른 것(물의 경우, ‘-’ 값)을. 수(R2)로 정량화하여 나타낸 것이다.. 제외하고는 대체로 Figure 5.5와 유사한 분포를 보였. 6.1 Correlation between NDVI and ENDVI. 6.2 Correlation between NDVI and GNDVI. 6.4 Correlation between NDVI and OSAVI. 6.5 Correlation between NDVI and NDWI. 6.3 Correlation between NDVI and EVI2. Figure 6. The distribution of the vegetation index based on the RGB elements of the test site, Correlation between NDVI and BG_NIR based vegetation indexes. (the red dot line is the best fit function, R2=the coefficients of determination). 80. 「지적과 국토정보」 제48권 제1호. 2018.

(11) UAS 기반, 가시, 근적외 및 열적외 영상을 활용한 식생조사. 식생지수 대부분은 NDVI와 직선 상관하며 R2이 평. Figure 7은 실험대상지에 대한 VIS_RGB 영상기반. 균 0.97 이상으로 높은 상관성을 나타내었다. 특히,. 식생지수 3종(GLI, VARI, NGRDI)의 가시적 분포와 3. OSAVI의 경우, R2 ≒ 1에 근사한 상관성을 보였다.. 종간의 상관성 및 NDVI 지수와의 상관성을 정량화한. NDWI 지수는 +값이 ‘식생’이 아닌 ‘물’을 나타내므로. 것이다. 각 식생 지수의 분급 수는 VIS_RGB 영상 내. 식생이 ‘+’값을 나타나는 NDVI 계열의 지수와는 달리. 실세계 전 면적(약 36,400㎡)에 대한 ‘코윈어리’ 재배. ‘음’의 상관 경향을 나타내었다.. 면적의 비(3.55%)를 기준으로 최상위 분급 면적비율 이 ‘코윈어리’ 재배지 면적비율 및 주변 환경에 근사하. 5.2 RGB 영상 기반 식생해석. 게 조정한 후, 지수별로 가시화 하였다.. 7.1 GLI (Equal spacing, Num. of classes=5) (1/5) : 0.17 ∼ 0.26 : 3.42%. 7.2 VARI (Equal area, Num. of classes=8) (1/8) : 0.42 ∼ 51.33(Gross error) : 4.13%. 7.3 NGRDI (Equal spacing, Num. of classes=11) (1/11) : 0.23 ∼ 0.28 : 3.63%. 7.4 Correlation between NDVI and GLI. 7.5 Correlation between NDVI and VARI. 7.6 Correlation between NDVI and ENDVI. 7.7 Correlation between NGRDI and VARI. 7.8 Correlation between NGRDI and GLI. 7.9 Correlation between VARI and GLI. Figure 7. The distribution of the vegetation index based on the RGB elements of the test site, Correlation between NDVI and RGB based vegetation indexes. (the red dot line is the best fit function, R2 = the coefficients of determination). Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018). 81.

(12) 이용창. Figure 7에서 VARI 식생지수는 영상의 가장자리. VARI 지수간의 상관성이 높게 나타났다. 특히, 보급. 부분에 위치한 픽셀(영상 내, 전체픽셀의 약 1.1%)에. 형 디지털카메라의 2 밴드 또는 3 밴드 파장대역 영상. 과대 식생지수가 불규칙적으로 분포한 관계로 식생. 을 활용한 식생조사의 효용성은 ‘5.4 관심 대상의 영상. 분류방법을 Equal area로 변경하고 분급 수는 8개 구. 센서 별 식생지수 분포’ 에서 상세히 고찰하였다.. 간으로 식생분포를 가시화 하였다. 시험대상지의 사 전조사를 통해 분석된 대상지 내 식생분포는 가장 활. 5.3 TIR 영상기반 식생해석. 성도가 높은 ‘코윈어리’ 재배지, 인접한 마늘재배지 및 논에 가장 넓게 분포하고 있는 ‘둑새풀’이 대표 식종이. Figure 8은 실험대상지에 대한 분급 개수 별, TIR. 다. Figure 7과 같이 VIS_RGB 영상기반 식생지수 3종. 영상기반 온도 지수분포로 식생온도는 Zenmuse XT. 의 식생지수 분포도를 비교·고찰하면 Figure 4 및. 열 영상에서 온도정보를 포함한 밴드에 보정계수. Figure 5의 NDVI 계열 5종 식생분포 대비, 밀도가 작. (0.04)를 곱한 온도지수 변환식(Pix4D 2018)을 활용. 은 식생영역에서 토양과의 차별화가 명료하지는 않지. 하여 RGB 밴드의 영상에서 절대온도를 추출하였다.. 만 ‘코윈어리’, ‘마늘’, ‘둑새풀’ 분포 및 일부 인공물의. 분급 개수는 TIR 영상 내, 실세계 전체 면적(약. 식별이 가능한 것으로 검토되었다. 또한 RGB 영상 기. 31,600㎡)에 대한 ‘코윈어리’ 재배면적(2357.2㎡)의. 반 식생지수 3종과 NDVI 지수 간의 상관성은 식생지. 비(7.47%)를 최상위 분급면적에 근사시켜 5개 분급. 수 산정에 활용되는 파장대역의 차이로 상관성은 매. 수로 분류한 식생온도 분포, 우측 그림(Figure 8.2)는. 우 약한 반면, VIS_RGB 영상기반 식생지수 3종간의. 분급 수를 최대 32개로 확장한 식생온도 분포를 나타. 상관성은 NGRDI와 VARI(R2= 0.857),. NGRDI와. 낸 것이다. 두 경우 모두, ‘코윈어리’ 재배지 탐측에는. GLI(R2=0.574), 및 VARI와 GLI(R2=0.444)로 나타났. 유효하였다. Figure 8에서 TIR 영상의 온도지수분포. 고 2 밴드 식생지수인 NGRDI와 대기영향을 보정한. 는 두 경우 모두 최소 –272.83K, 최대 –263.17K, 평. 8.1 Thermo_map (1), (Number of classes = 5) (1/5) : -272.83K ∼ -270.90K : 7.23%. 8.2 Thermo_map (2), (Number of classes = 32) (7/32) : -272.83K ∼ -270.72K : 8.23%. Figure 8. The distribution of the thermo_map index based on the TIR of the test site(thermal index ; t_thermal_red = 0.04*red - 273.15, Classes method = Equal spacing, template : thermal). 82. 「지적과 국토정보」 제48권 제1호. 2018.

(13) UAS 기반, 가시, 근적외 및 열적외 영상을 활용한 식생조사. 균 –267.83K를 나타냈다. 특히, 온도지구를 Equal. 인 탐측이 가능할 것으로 기대된다.. spacing으로 분류한 경우, ‘코윈어리’ 재배지내 식생. 5.4 관심 대상의 영상 센서 별 식생지수 분포. 의 밀도 구분이 가능한 반면, Equal area 분류 결과를 가시화 할 경우, 상세한 식생밀도 구분이 어렵고 전체. 5.4.1 ‘코윈어리’ 재배지(“가” 지역 내부. 적으로 대조가 큰 식생분포 경향을 나타내었다. 또한,.  ) 검사선, . Jenks 분류법의 경우에서도 ‘코윈어리’의 식생밀도 구 분이 가능한 분포를 보였다. 특히, BG_NIR 영상대비. Figure 9는 ‘코윈어리’ 재배지(Figure 1의 “가”지. TIR 영상의 온도지수분포는 농수로 및 물이 고여 있. 역) 내에 설정한 식생분포 검사선   의 거리 변화에. 는 부분의 식별이 용이하므로 식생분포 조사는 물론. 따른 영상센서 별, 식생지수 9종과 온도지수 1종의 식. 농수로, 관개배수로 및 수계 분석 응용 분야에 효율적. 생지수 분포를 나타낸 것이다.. 9.1 Distribution of five vegetation indices based on BG_NIR images. 9.2 Distribution of three vegetation indices based on RGB images. 9.3 Distribution of NDWI and thermomap indices using BG_NIR and TIR images. 9.4 Photo of current status of interest points (7m, 14m apart from the starting point). Figure 9. The distribution of the vegetation indices and thermo_map index of the survey line   in kowinearly cultivated field Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018). 83.

(14) 이용창. ‘코윈어리’ 재배지는 파종 시, 형성된 농기계 바퀴. 의 종합적인 고찰을 통해 특이 상황에 좀 더 근접한 식. 자국을 제외하면, 식생 간 흙을 관찰할 수 없을 정도로. 생 조사를 도모할 수 있었다. 반면, VIS_RGB 지수는. 식생밀도가 매우 높은 현황으로 사전 조사되었다. ‘코. 대상지의 포괄적 식생 유·무 조사에 유용할 것으로 사. 윈어리’ 재배지는 파종 시, 형성된 농기계 바퀴 자국을. 료되나 좀 더 다양한 추가 연구가 요망된다.. 제외하면, 식생 간 흙을 관찰할 수 없을 정도로 식생밀 도가 매우 높은 현황으로 사전 조사되었다. BG_NIR 영상기반 식생지수분포(Figure 9.1)의 경우, 5가지 지. 5.4.2 ‘마늘’ 재배지 (“나” 지역 내부 검사  ) 선, . 수분포의 패턴이 근사하게 나타나 앞서 Figure 6에서. Figure 10은 ‘마늘’ 재배지(Figure 1의 “나”지역). 고찰된 상관성을 입증하였고 동일 식생에 대해. 에 설정한 식생분포 검사선   의 거리 변화에 따른. ENDVI, EVI2는 NDVI, OSAVI 및 GNDVI에 비해 좀 더 민감한 분포를 보였다. 또한, VIS_RGB 영상기반 식생지수분포(Figure 9.2)을 고찰하면 Figure 9.1의 패턴과는 지수 산출에 활용되는 파장대역의 차이로 대체로 거리별로 상이한 반면, BG_NIR 영상기반 식. 영상센서 별, 9종의 식생지수와 온도지수 1종의 지수 분포를 나타낸 것이다. 사전 식생조사결과, 이른 봄철 마늘의 형태는 대체로 길이가 30cm 미만이며 가는 형 태를 나타내고 있어 상공에서 현황조사한 결과, ‘코윈 어리’ 대비 식생밀도가 상대적으로 매우 낮은 편이다.. 생지수와 같이 조사선   전체 경로에서 양(+)의 지. 마늘밭은 Figure 10.4의 영상과 같이 검은 비닐로. 수분포를 나타내었다. 일반적으로 2밴드 및 3밴드. 멀칭된 상태로 검사선   부분의 32m 부근에는 마늘. VIS_RGB 식생지수 값은 양(+)은 식생, 음(-)은 흙, 암 석 등과 같은 무 식생을 나타내므로 ‘BG_NIR’ 계열 지 수에 비해 민감도는 낮지만, 3가지 VIS_RGB 계열의 지수 모두 ‘코윈어리’ 재배지의 현황을 조사할 수 있는 것으로 판단된다. 특히, 출발점으로부터 7m, 14m 떨 어진 위치(현황 사진, Figure 9.4)를 대상으로 Figure 9.1과 Figure 9.2 분포 및 Figure 9.3의 NDWI 및 TIR 분포를 연계·검토하면 7m 지점의 경우 BG_NIR 및 VIS_RGB 지수 동일하게 식생지수가 높게 나타난 반 면 온도지수는 낮고 NDWI 지수도 0.5로 나타났다. 반 면, 14m 지점의 경우, BG_NIR지수와 온도지수는 낮 은 분포를 보인반면, VIS_RGB지수와 NDWI지수는 상승경향을 나타내었는데 사전식생 조사결과, ‘코윈 어리’는 녹색을 유지하면서 월동하며 대체로 식생밀 도가 고르고 높지만 종자 파종당시, 파종기의 바퀴자 국으로 해당부분이 오목하며 식생밀도가 낮아 높은 수분을 포함한 흙이 노출된 경우에 기인된 것으로 분 석되었다. 따라서, BG_NIR, 온도지수 및 NDWI 지수. 84. 「지적과 국토정보」 제48권 제1호. 2018. 외에 부분적으로 ‘코윈어리’ 작물이 분포하며 멀칭비 닐 사이로 토양이 부분 노출된 상태이다. Figure 10.1 은 BG_NIR기반 5가지 식생지수로 분포 패턴이 매우 유사함을 확인할 수 있다. 특히 검사선   출발점에 서 32m 지점은 공통적으로 높은 지수를 보였는데 Figure 10.4의 좌측상단 사진과 같이 마늘 외에 ‘코윈 어리’식생이 부분적으로 집중 분포되었음을 알 수 있 다. 또한 Figure 10.2의 VIS_RGB 영상기반 2 band 및 3 band 식생지수분포의 경우 ‘녹색’이 특화된 GLI 지 수는 지수값이 전 구간에서 0이상으로 저밀도 식생분 포를 나타내었다. 반면, NGRDI 및 VARI 경우는 지수 가 ‘음’인 부분(시단 부 0∼2m, 중간 부 17∼22m, 종단 부 34∼36m)를 보여 무 식생(흙, 암석, 및 멀칭 부분) 을 나타내고 있다. BG_NIR의 경우, 최고 식생지수는 32m인 반면, RGB에선 29m 부근으로 최대 식생밀도 위치가 다르게 나타나고 있다. 이는 ‘코윈어리’ 경우와 같이 VIS_RGB 식생지수의 식생구분 한계를 간접적 으로 나타낸 것으로 사료된다. 또한, Figure 10.3의.

(15) UAS 기반, 가시, 근적외 및 열적외 영상을 활용한 식생조사. 10.1 Distribution of five vegetation indices based on BG_NIR images. 10.2 Distribution of three vegetation indices based on RGB images. 10.3 Distribution of NDWI and thermomap indices using BG_NIR and TIR images. 10.4 Photo of current status of interest points (32m, 2m, 17-22m apart from the starting point). Figure 10. The distribution of the vegetation indices and thermo_map index of the survey line   in garlic cultivated field. NDWI 식생지수 분포도에서도 32m부근에서 가장 낮. 과 당일 오전 내린 봄비로 농수로에 평균 15cm 내외. 은 값을 보여 식생밀도가 높은 상태를 나타내고 있다.. 수심의 물이 흐르고 수중과 수변에는 수생잡풀, 나무. 특히, 온도지수의 경우 마늘재배지 “나”의 검은 비닐. 등이 부분 식생하au 맑은 물색부에서는 수심이 얕아. 로 덮은 멀칭 둔덕 개수(총 9개)와 일치한 분포를 보였. 바닥의 토양이 육안으로 관찰되었다. 농수로 내 특이. 고 온도차를 활용할 경우, 식생부와 무식생부 간의 구. 사항은 수량을 조정하기 위한 조정지가 출발점에서. 별도 용이함을 확인할 수 있었다. 5.5m와 34m 위치에 설치되어 있고 2∼3m 길이의 포 말이 형성되어 있다. 물색은 부분적으로 맑아 바닥토. 5.4.3 ‘농수로’ 지역 (검사선   ). 양이 관찰되나 대체로 흐린 상태이고 둑새풀 등으로. Figure 11은 시험대상지 중앙에 위치한 농수로에. 덮여 있는 두덩(Mound)과 수생식물이 여러 곳에 분. 설정한 검사선   (Figure 1 중앙부)의 식생지수 9종. 포하고 특히, 26∼33m, 38∼43m 구간은 도수로 인접. 과 온도지수의 분포를 나타낸 것이다. 농수로는 직선 형태로 5에서 6방향으로 실험 전날. 제방의 나무줄기가 도수로 중앙부까지 중첩되어 영상 에 나타나 있다.. Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018). 85.

(16) 이용창. 11.1 Distribution of five vegetation indices based on BG_NIR images. 11.3 Distribution of NDWI and Thermomap indices using BG_NIR and TIR images. 11.2 Distribution of three vegetation indices based on RGB images. 11.4 Photo of current status of interest points (6m, 8.5m, 22m, 37m apart from the starting point). Figure 11. The distribution of the vegetation indices and thermo_map index of the survey line   in agricultural channel. BG_NIR 영상기반 식생지수분포(Figure 11.1) 및. Figure 10과 같이 전 구간에서 0이상 양수 값을 나타. VIS_RGB 영상기반 식생지수분포(Figure 11.2)을 고. 내어 ‘물’ 검출에는 한계가 있는 것으로 사료되었다.. 찰하면 각 지수별로 유사한 변동 분포를 보였다.. Figure 11.3의 온도분포는 2.5～3.7 편차로 ‘코윈어리’. BG_NIR 식생지수 분포의 볼록 부분(6m, 22m 부근). 및 ‘마늘’의 경우 각각 0.5～3.5 및 3～8에 비해 온도. 은 대체로 잡초두덩 또는 수중식생이 위치하였고 오. 및 온도 편차가 작은 반면, 고밀도 식생인 ‘코윈어리’. 목부분(조정지의 포말 부 아래 2∼3m 부분, 특히. 는 온도차가 3, 밀도가 낮고 멀칭 및 노출된 흙으로 조. 8.5m, 37m 전후부근)의 위치는 물색이 맑아 수중바닥. 합된 ‘마늘’재배지의 경우 온도 분포도 높고 편차 또한. 토양이 보이거나 수생식물이 없는 부분이었다.. 5를 나타내었다. Figure 11.1와 Figure 11.2 분포,. VIS_RGB 기반 식생지수의 분포 중 NGRDI, VARI의. NDWI와 TIR 분포(Figure 11.3) 및 4가지 세부 관심. 경우는 Figure 9(‘코윈어리’ 재배지) 및 Figure 10(‘마. 장소의 현황사진(Figure 11.4)를 종합·고찰하면 식생. 늘’ 재배지)과는 달리, 부분식생을 보인 6m, 22m, 및. 지수가 낮은 부분(8.5m, 37m 부근)에서는 수생식물. 50m 부근을 제외하고는 전구간에서 지수값이 음수. 과 바닥이 보이지 않고 물이 흐르는 곳으로 온도지수. (‘-’)를 보인반면, 녹색에 특화된 NGRDI의 경우. 도 낮고 NDWI 지수는 대체로 높은 경향을 보였다. 특. 86. 「지적과 국토정보」 제48권 제1호. 2018.

(17) UAS 기반, 가시, 근적외 및 열적외 영상을 활용한 식생조사. 히, 온도지수 분포에서 오목패턴의 최저점을 고찰하. 황으로 측면부 답사 및 항공촬영을 통해 조사하였다.. 면 출발지에서 5∼6m 구간 중앙부의 식생, 30m 및. 검사선   의 총길이는 115m, 각 논둑은 출발선에서. 42m 부근의 식생이 있는 장소였다. 또한, 출발지에서. 8m(폭 1.5m), 38m(폭 3m 폭), 68m(폭 1.5m), 및. 21∼25m 볼록 부분은 고사된 잡초의 영향으로 NDWI. 98m(폭 1m)에 위치해 있고 검사선 7에서 8방향으로. 지수도 낮게 나타났다.. 경사가 내려가는 지형이다. 첫 번째 논둑 경사면에는 ‘둑새풀’과 잡초가 60cm 폭으로 높은 밀도로 식생하. 5.4.4 ‘둑새풀’ 지역 (검사선   ). 고 두 번째 논둑은 사면에 부분 분포하며 세 번째 논둑. Figure 1 및 Figure 13 내 검사선   은 논둑 길 4개. 중앙에는 녹색 펜스, 마지막 논둑 상부는 고사된 잡초. 를 수직방향으로 횡단하면서 논(답) 5개 필지를 지나. 로 피복되어 있다. 그러나 공통적으로 논둑 하부 양단.  방향의 거리에 다 는 식생조사선으로 Figure 12는 . 의 경작지와 접한 부분은 ‘둑새풀’의 밀도가 높게 나타. 른 ‘둑새풀(Water foxtail)’의 식생분포로서 BG_NIR,. 났다. 논둑 간, 간격은 약 30m, 둑새풀의 밀도는 d > e > a > b > c 순으로 d 필지에서 가장 높은 식생이 나타. VIS_RGB 및 TIR 파장대역 별로 총 9개의 식생지수와. 났고 특히, 전날과 당일 새벽에 내린 비로 물고임 상태. 온도지수분포를 나타낸 것이다. 특히, Figure 13은 사. 는 e > b > c 순으로 현장조사 되었다.. 전 현황조사로 파악된 각 필지 내 ‘둑새풀’의 식생 현. 12.1 Distribution of five vegetation indices based on BG_NIR images. 12.2 Distribution of three vegetation indices based on RGB images. 12.3 Distribution of NDWI and Thermomap indices using BG_NIR and TIR images. 12.4 Status picture around levees in rice field (levee 1 ∼ levee 4). Figure 12. The distribution of the vegetation indices and thermo_map index of by RGB, BG_NIR and TIR image analysis of water foxtail on rice field Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018). 87.

(18) 이용창. Figure 13. The distribution of vegetation density of Water foxtail growing on cultivated area around.  ) inspection line(  BG_NIR 영상기반 식생지수분포(Figure 12.1),. 통해 파악된 현황과 비교할 때 논둑 양단 식생부와 대. VIS_RGB 영상기반 식생지수분포(Figure 12.2) 및. 략 일치하는 것으로 나타나 논둑 4개의 위치와도 매우. NDWI 지수를 종합·고찰하면 NDWI 지수를 제외한. 근접한 분포로 확인되었다. 또한, 둑새풀의 식생지수. 다른 식생지수분포는 첫 번째 논 뚝(8m)과 d 필지(68. 가 높을 경우, 토양의 염분도는 낮고 인산함유량이 높. ∼98m)에서 높은 식생지수가 나타났고 구간별 식생. 은 특징이 있으므로 인산 성분이 가장 많은 토양을 가. 분포는 사전현장 조사결과와 대체로 동일한 ‘d > e > a. 진 필지는 d > e > a > b > c 순으로 사료되나 토양조사. > b > c’ 순을 보였다.. 후속연구를 통해 향후 입증할 계획이다.. 또한, VIS_RGB 식생지수가 높게 나타난 부분이. UAS를 기반의 가시(VIS_RGB), 근적외(BG_NIR). BG_NIR의 경우와 유사하였고 봄비로 논에 물이 고여. 및 열적외(TIR) 영상을 활용한 시험대상지에 대한 총. 있는 상황으로 인해 NGRDI와 VARI 지수는 Figure. 9종의 식생지수 및 TIR 온도지수 분포를 사전 현장 실. 12.3의 NDWI패턴과 유사하게 나타났고 GLI의 경우. 사 내용을 기본으로 비교·고찰하고 식생지수 간의 상. 에서도 함수비가 높은 일부 구간의 경우, 음수(‘-’)로. 관성(R2) 검토, 대상지 내 다양한 식생 및 검사선에 대. 나타나 ‘물’ 특성을 보였다.. 한 식생지수 분포 분석 등, 무인항공기를 활용한 식생. Figure 12.1, Figure 12.2 분포와 논둑1 ∼ 논둑4 주 변의 현황사진(Figure 12.4) 및 Figure 13의 TIR 분포. 상태의 탐측 수행능력을 다양하게 검토하여 그 효용 성을 입증할 수 있었다.. 를 종합·고찰하면 식생지수가 높은 부분에서는 온도 지수도 낮고 NDWI 지수도 대체로 낮은 경향을 보였. 6. 결론. 다. 특히, Figure 12.3의 TIR 분포에서 대체로 낮은 값 을 나타낸 오목부분이 위치한 곳은 사전 식생 조사를. 88. 「지적과 국토정보」 제48권 제1호. 2018. 보급형 무인항공기에 VIS_RGB, BG_NIR 및 TIR 영.

(19) UAS 기반, 가시, 근적외 및 열적외 영상을 활용한 식생조사. 상 센서를 탑재, 시험대상지에 대한 온도지수를 포함. 고령화, 농업부문 FDA 문제 등, 우리 사회의 당면 문. 한 10종의 식생 및 온도지수와 상관성을 검토하고 사. 제 보완에 일조할 수 있을 것이다.. 전조사 자료와의 비교분석을 통해 UAS기반 식생 조 사의 예측 수행능력을 평가하고 그 효용성을 다음과 같이 검토할 수 있었다.. 감사의 글. 첫째, 생활용 디지털 카메라를 활용한 가시분석 외 에 RGB 밴드기반 식생지수 3종(GLI, VARI, NGRDI) 의 시험대상지 적용결과, 단순 식생조사 및 분석의 가 능성을 입증할 수 있었으므로 보급형 UAV와 디지털. 본 연구는 2016년 인천대학교 자체연구지원비에 의해 이루어진 연구내용으로 인천대학교의 연구지원 에 감사드립니다.. 카메라만의 2밴드(NGRDI) 또는 3밴드(GLI, VARI) 파장 대역을 활용한 고 해상 저 고도 원격탐측시스템 (UAS)의 활용이 기대된다. 둘째, 일반 RGB 카메라를 필터 수정한 가시 근적외. 참고문헌. References. (BG_NIR) 카메라와 보급형 UAV를 조합한 UAS를 구 성, 시험대상지에 대한 6가지 식생지수(NDVI, ENDVI,. Agapiou A, Hadjimitsis DG, Alexakis DD. 2012.. GNDVI, EVI2, OSAVI 및 NDWI)와 NDVI 지수간의. Evaluation of Broadband and Narrowband. 상관성 분석, 관심장소 및 검사선에 대한 식생조사의. Vegetation Indices for the Identification of. 수행 평가를 통해 UAS의 활용성을 검증할 수 있었다.. Archaeological Crop Marks, Remote Sensing, 4:. 셋째, 상대적으로 저렴한 열적외 영상 카메라를. 892-3919.. UAV에 탑재, 식생지에 대한 절대온도를 산출하고. Barati S, Rayegani B, Saati M, Sharifi A, Nasri M.. RGB 및 BG_NIR 대역의 9가지 식생분포와 비교 검토. 2011. Comparison the accuracies of different. 한 결과, 대상체간의 온도편차와 온도변화를 활용한. spectral indices for estimation of vegetation. 식생분석의 응용성을 확인할 수 있었다. 특히, 검사선. cover fraction in sparse vegetated areas, The. 및 농수로 적용을 통해 식생의 수분함량조사 및 수계. Egyptian Journal of Remote Sensing and Space. 분석 응용이 기대된다.. Sciences, 14:49–56.. 본 연구수행을 통해 인공위성과 항공영상에 의존한. Campbell JE, Michael S. 2012. Chapter 6. Data. 과거의 식생조사방식 대비, 영상해상도, 경제성 및 운. characteristics and visualization, http://2012books.. 용성 면에서 UAV기반 고 해상 저고도 원격탐측시스. lardbucket.org/. 템(UAS)의 효용성을 입증할 수 있었으므로 정밀농업,. Candiago S, Remondino F, Giglio MD, Dubbini M,. 산림 및 수계 조사 등의 분야에 그 활용이 기대된다.. Gattelli M. 2015. Evaluating multispectral. 향후, RGB, BG-NIR 및 열적외 영상에 의한 식생·온. images and vegetation indices for precision. 도지수를 식생 평가의 정보원으로 조합·활용하는 등,. farming applications from UAV images,. UAS 기반 식생영농 기술을 활성화 한다면 기존 식생. Remote Sensing, 7:4026-4047.. 분석방법의 단점과 미흡한 부분을 보완·해소할 수 있. Cohen Y, Alchanatis V, Meron M, Saranga Y,. 을 것이다. 특히, 4차 산업 융합시대, 농촌인구 감소와. Tsipris J. 2005. Estimation of leaf water potential Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018). 89.

(20) 이용창. by thermal imagery and spatial analysis,. of the Sixth International Symposium on Remote. Journal of Experimental Botany, Vol. 56, No.. Sensing of Environment, University of Michigan,. 417, 1843-1852.. Ann Arbor, MI, p. 97-131. DJI. 2018. www.dji.com Gitelson AA, Kaufman YJ, Merzylak MN. 1996. Use of a green channel remote sensing of global vegetation from EOS-MODIS. Remote Sensing. of Environment, 58 : 289–298. Harris. 2018. http://harrisgeospatial.com/docs/ BroadbandGreenness.html Huete AR. 1988. A soil-adjusted vegetation index (SAVI), Remote Sensing of Environment, 25:295309. Hunt ER, Doraiswamy PC, McMurtrey JE, Daughtry C.S.T, Perryb EM, Akhmedov B. 2013. A visible. Lee GS. 2017. The analysis of evergreen tree area using UAV-based vegetation index, Journal of. cadastre & land informatiX, 47:15-26. Lee YC. 2017. Validation on the utilization of small-scale unmanned aerial system(sUAS) for topographic volume calculations, Journal of. cadastre & land informatiX, 47:111-126. LDP LCC. 2018. www.maxmax.com/index.php Louhaichi M, Borman M, Johnson D. 2001. Spatially located platform and aerial photography for documentation of grazing impacts on wheat." Geocarto International, 16, 1:65-70.. band index for remote sensing leaf chlorophyll. Maxmax. 2018. www.maxmax.com. content at the canopy scale, International. McFeeters SK. 1996. The Use of the Normalized. Journal of Applied Earth Observation and. Difference Water Index (NDWI) in the Delineation. Geoinformation, 21:103–112.. of Open Water Features. International Journal. Jackson RD, Huete AR. 1991. Interpreting vegetation indices, Preventive Veterinary Medicine, 11:185200.. of Remote Sensing, 17:1425-1432. NGII. 2018. Guidelines for the Use of Unmanned Aerial Vehicles in Public Surveys, www.ngii.go.kr. Rouse JW, Haas RH, Schell JA, Deering DW. 1973.. Park S, Nolan A, Ryu D, Fuentes S, Hernandez E,. Monitoring vegetation systems in the great. Chung H, Connell MO. 2015. Estimation of. plains with ERTS. Third ERTS Symposium,. crop water stress in a nectarine orchard using. NASA, Paper A20: 309-317.. high-resolution imagery from unmanned. Jiang Z, Huete AR, Kim YW, Didan K. 2007.. aerial vehicle (UAV), 21st International Congress. 2-band Enhanced Vegetation Index without a. on Modelling and Simulation, Gold Coast,. blue band and its application to AVHRR data,. Australia, www.mssanz.org.au/modsim2015. Remote Sensing and Modeling of Ecosystems for. Pix4D. 2018. Pix4Dmapper user manual, www.pix4d.com. Sustainability IV, edited by Wei Gao, Susan. Rasmussen J, Ntakos G, Nielsen J, Svensgaard J,. L. Ustin, Proc. of SPIE, Vol. 6679, 667905.. Poulsen RN, Christensen S. 2016. Are vegetation. Kriegler FJ, Malila WA, Nalepka RF, Richardson W.. indices derived from consumer-grade cameras. 1969. Preprocessing transformations and their. mounted on UAVs sufficiently reliable for. effects on multispectral recognition, in: Proceedings. assessing experimental plots ?, European. 90. 「지적과 국토정보」 제48권 제1호. 2018.

(21) UAS 기반, 가시, 근적외 및 열적외 영상을 활용한 식생조사. Journal of Agronomy, 74:75-92.. Tucker CJ. 1979. Red and photographic infrared. Rondeaux G, Steven M, Baret F. 1996. Optimization. linear combinations for monitoring vegetation,. of soil-adjusted vegetation indices, Remote. Remote Sensing. Environ. 8:127–150.. Sens. Environ. 55:95–107.. Turner D, Lucieer A, Watson C. 2011. Development. Sankarana S, Khotb LR, Espinoza CZ, Jarolmasjed. of an Unmanned Aerial Vehicle (UAV) for. S, Sathuvallic VR, Vandemarkd GJ, Miklas PN,. hyper resolution vineyard mapping based on. Carter AH. Pumphrey MO, Knowlesg NR,. visible, multispectral, and thermal imagery,. Pavek MJ. 2015. Low-altitude, high-resolution. Proceedings of 34th International Symposium on. aerial imaging systems for row and field crop. Remote Sensing of Environment.. phenotyping: A review, European Journal of. Agronomy, 70:112–123.. 2018년 5월 03일 원고접수(Received) 2018년 6월 01일 1차심사(1st Reviewed). Tom M, Paul H. 2017. Comparing RGB-Based Vegetation Indices With NDVI For Agricultural. 2018년 6월 15일 2차심사(2st Reviewed). Drone Imagery, RGB Vegetation Indices, Agribotix,. 2018년 6월 27일 게재확정(Accepted). LLC, Agribotix.com.. 초록 최근 영농분야에서 종자파종, 병충해 방제 등에 무인항공기(UAV ; Unmanned Aerial Vehicle)를 활 용한 응용이 활발히 진행되고 있다. 본 연구는 UAV에 다양한 파장대의 영상센서를 탑재하고 SfM (Structure from Motion) 영상해석기법과 연계한‘고해상 저고도 원격탐측시스템(UAS ; Unmanned Aerial System)’를 구성, UAS 기반 식생조사의 효용성을 고찰하여 정밀영농의 활용성을 검토하였다. 이를 위해 저가 UAV에 가시 컬러(VIS_RGB ; Visible Red, Green, and Blue) 영상센서, 수정된 BG_NIR (Blue Green_Near Infrared Red) 근적외 영상 센서, 7.5∼13.5㎛ 분광대역의 열적외 영상(TIR ; Thermal Infrared Red)센서를 조합 연계한 UAS를 구성하였다. 또한, 가시·근적외 및 열적외 파장대를 기본요소 로 광합성에 따른 식물의 엽록소, 질소 및 수분 함유량 등을 검토할 수 있는 총 10종의 식생지수를 선 정, 식생상태 검출에 활용하였다. 시험대상지에 대한 각 파장대역의 영상을 획득하고 사전에 조사된 지상 피복현황을 기준으로 각 식생지수의 분포도 및 식생지수 간 상관성(결정계수 R2) 등을 비교·고 찰하여 무인항공기를 활용한 가시 컬러, 근 적외 및 열 적외 영상에 의한 식생상태의 검측 수행능력 을 검토하였다. 저가 무인항공기에 VIS_RGB, BG_NIR 및 TIR 영상 센서를 탑재, 식생조사의 효용성을 종합적으로 검토한 결과, 인공위성과 항공영상에 의존한 과거의 식생조사방식 대비, 영상해상도, 경 제성 및 운용성 면에서 UAV기반 고해상 저고도 원격탐측시스템(UAS)의 효용성을 입증할 수 있었으 므로 정밀농업, 수계 및 산림조사 등의 분야에 그 활용이 기대된다. 주요어: UAV, UAS, 가시, 근적외, 열적외, 식생조사, 정밀농업. Journal of Cadastre & Land InformatiX Vol.48 No.1 (2018). 91.

(22)