개별 수관 영역(Individual Tree Crowns; ITCs)을 형태학적 속성과 함께 매핑하는 것은 도시 환경에서 열 스트레스와 탄소 배출과 같은 기능을 추정하기 위한 기반 변수를 제공한다. 그러나 형태학적 속성을 계산하기 위해서는 ITCs의 경계 구분이 필요하며, 산림에서 흔히 사용되는 분수령 분할(watershed segmentation; WS) 알고리즘을 도시 환경에 적용하는 일은 단일 밴드 데이터에 의존하고 이질적인 도시 요소의 복잡성이 크다는 점 때문에 어려움을 수반한다. 또한 이미지 분석에 탁월한 딥러닝(DL) 모델은 라벨 생성 과정이 노동 집약적이라는 제약을 받는다. 본 연구는 무인항공기(UAV)를 활용하여 도시 지역에서 ITCs를 매핑하고 형태학적 속성을 추출하기 위해 머신러닝(ML) 기반 및 DL 기반 접근을 통합한 새로운 프레임워크를 제안한다. ML 기반 접근을 통해 우리는 WS 알고리즘의 활용을 최적화하기 위해 객체기반 영상분석(object-based image analysis)을 수행하였는데, 산림에서처럼 WS를 도시 환경에 직접 적용하면 ITC 크기가 151.37 % 과대추정되기 때문이었다. 이 접근은 라벨 생성의 문제를 해결함으로써 DL 모델인 Mask R-CNN의 효과 또한 향상시켰다. Mask R-CNN은 정확도 0.942로 ITCs를 구획했으며, 이는 다양한 수목 배치의 이질성을 처리하는 데 있어 견고함을 시사한다. 결과는 제안된 프레임워크가 유사한 생태 조건을 갖는 전 세계의 도시 지역에서 적용 가능함을 보여준다. 형태학적 속성을 갖는 ITCs는 생태 기능을 평가하기 위한 기반 변수를 제공하며, 이는 도시 환경 계획 개선을 위해 확장 가능하다. 다만 모니터링 커버리지가 확대됨에 따라 UAV 데이터는 시간 및 비용의 한계에 직면할 수 있으며, 이는 본 프레임워크를 적용할 때 고려되어야 한다. • 도시 수목 모니터링의 어려움을 극복하기 위한 실용적인 접근을 제시함. • UAV를 이용하여 형태학적 속성을 갖는 개별 수관 영역을 매핑하는 것을 검증함. • 객체기반 영상분석(OBIA)을 통해 분류된 수관 피복에 분수령 분할을 적용함. • ML 접근이 딥러닝 모델의 노동 집약적인 라벨링 문제를 완화함. • Mask R-CNN이 높은 정확도와 적은 분석 과정으로 수관을 구획함.

노지 퇴비 더미(Outdoor compost piles, OCPs)는 질소와 인이 다량 포함되어 있어, 강우 시 OCPs가 하천으로 유입될 경우 부영양화 및 녹조와 같은 수질을 악화시키는 주요 오염원으로 작용한다. 대한민국에서는 OCPs가 빈번히 사용되고 있으나, 현황을 조사하는 데 많은 인력과 예산이 소모된다는 한계가 있어 OCPs를 효율적으로 조사할 필요가 있다. 본 연구는 무인 항공기(UAV) 영상을 이용하여, 대한민국 농업 지역의 비점오염원인 노지 퇴비 더미(OCPs)를 효율적으로 탐지하고 관리하기 위한 다양한 기계 학습 기법들의 정확도를 비교하였다. 2019년 8월과 10월에 RGB, 다중분광, 열적외선 UAV 영상을 촬영하였다. 또한 식생지수(NDVI, NDRE, ENDVI, 및 GNDVI)와 지표면 온도도 고려하였다. 지지벡터머신(support vector machine, SVM), 의사결정나무(decision tree, DT), 랜덤 포레스트(random forest, RF), k-NN 등 4가지 기계 학습 기법을 구현하였으며, 여러 변수를 조정하여 가장 높은 정확도를 보이는 기계 학습 기법을 식별하였다. 모든 기계 학습 기법의 정확도는 매우 높았고, 최대 0.96에 이르렀다. 특히, 추정기(estimator)의 개수를 10으로 설정한 RF 방법의 정확도가 가장 높았으며, 8월에는 0.989, 10월에는 0.987을 기록하였다. 제안된 방법은 넓은 지역에 대해 OCP의 위치와 면적을 예측할 수 있어, OCP 현장 측정의 필요성을 배제할 수 있다. 따라서 본 연구 결과는 OCP 관리 전략과 수질 개선을 위한 매우 유용한 데이터를 제공한다.

무인항공기(UAV) 센서의 개발로 단일 비행에서 다양한 형태의 분광 영상을 획득할 수 있게 되었다. 본 연구에서는 도시 지역의 고해상도 UAV 유래 영상을 활용하여 차도, 보도, 가로수(도로변 식생)를 포함한 토지피복 지도를 작성하였다. 총 9장의 정사영상(orthoimages)을 제작하였으며, UAV 기반 토지피복 지도를 생성하는 데 효과적인 변수를 식별하였다. 객체 기반 영상 분석을 바탕으로 각 영상마다 14개의 통계값을 계산하여 126개의 변수를 도출하였다. 무작위 포레스트(RF) 분류기를 사용하여 126개 변수의 우선순위를 평가하였다. 이어서 변수 축소를 통해 RF를 최적화하고, 초기 RF와 최적화된 RF를 비교함으로써 고우선 변수의 유용성을 평가하였다. 변수 중요도를 계산하여 정규화 디지털 표면모델(nDSM), 정규화 차이 식생지수(NDVI), 지표면 온도(LST), 토양조정 식생지수(SAVI), blue, green, red, rededge 순으로 가장 영향력 있는 변수를 평가하였다. 마지막으로 일련의 분석에서 분류 결과에 있어 초기 RF와 최적화된 RF 간에 유의미한 변화가 관찰되지 않았으며, 그럼에도 불구하고 분류에는 축소된 변수 개수가 적용되었다.

무인항공기(UAV)가 취득한 지표면 온도(LST)의 정확성은 대한민국 창원시 창원대학교 캠퍼스에서 다양한 토지피복 물질의 현장(in-situ) LST와 비교함으로써 검증하였다. UAV 영상 촬영과 현장 측정은 2019년 7월 31일 및 8월 2일에 수행되었다. 현장 측정 동안 LST는 적외선 온도계로 160개 지점에서 측정하였다. UAV와 현장 측정 간의 선형 회귀 모델은 두 날짜 모두 R2 값이 0.7004보다 큰 등 매우 높은 상관관계를 보였다. 그러나 평균제곱근오차(RMSE)는 7월 31일 4.030 °C, 8월 2일 5.446 °C로 나타났으며, 토지피복 유형에 따라서도 달라졌다. 이러한 결과는 시야(field of view)와 TIR(열적외선 복사도, Thermal infrared radiance) 카메라의 성능뿐만 아니라 기상 및 대기 조건 등 다양한 요인에 좌우될 수 있다. 공간적 요소를 기반으로 도시 지역의 열적 특성을 정확히 진단하면 도시 지역의 열적 특성을 정확하게 분석하고 효과적인 정책 의사결정을 하는 데 활용될 수 있다. 다양한 토지피복 물질에 대한 UAV TIR LST 데이터의 정확성을 검증하고 향상시키기 위한 기법이 도시 지역의 열적 특성을 정밀하게 조사할 수 있도록 필요하다.

개별 수관 영역(Individual Tree Crowns; ITCs)을 형태학적 속성과 함께 매핑하는 것은 도시 환경에서 열 스트레스와 탄소 배출과 같은 기능을 추정하기 위한 기반 변수를 제공한다. 그러나 형태학적 속성을 계산하기 위해서는 ITCs의 경계 구분이 필요하며, 산림에서 흔히 사용되는 분수령 분할(watershed segmentation; WS) 알고리즘을 도시 환경에 적용하는 일은 단일 밴드 데이터에 의존하고 이질적인 도시 요소의 복잡성이 크다는 점 때문에 어려움을 수반한다. 또한 이미지 분석에 탁월한 딥러닝(DL) 모델은 라벨 생성 과정이 노동 집약적이라는 제약을 받는다. 본 연구는 무인항공기(UAV)를 활용하여 도시 지역에서 ITCs를 매핑하고 형태학적 속성을 추출하기 위해 머신러닝(ML) 기반 및 DL 기반 접근을 통합한 새로운 프레임워크를 제안한다. ML 기반 접근을 통해 우리는 WS 알고리즘의 활용을 최적화하기 위해 객체기반 영상분석(object-based image analysis)을 수행하였는데, 산림에서처럼 WS를 도시 환경에 직접 적용하면 ITC 크기가 151.37 % 과대추정되기 때문이었다. 이 접근은 라벨 생성의 문제를 해결함으로써 DL 모델인 Mask R-CNN의 효과 또한 향상시켰다. Mask R-CNN은 정확도 0.942로 ITCs를 구획했으며, 이는 다양한 수목 배치의 이질성을 처리하는 데 있어 견고함을 시사한다. 결과는 제안된 프레임워크가 유사한 생태 조건을 갖는 전 세계의 도시 지역에서 적용 가능함을 보여준다. 형태학적 속성을 갖는 ITCs는 생태 기능을 평가하기 위한 기반 변수를 제공하며, 이는 도시 환경 계획 개선을 위해 확장 가능하다. 다만 모니터링 커버리지가 확대됨에 따라 UAV 데이터는 시간 및 비용의 한계에 직면할 수 있으며, 이는 본 프레임워크를 적용할 때 고려되어야 한다. • 도시 수목 모니터링의 어려움을 극복하기 위한 실용적인 접근을 제시함. • UAV를 이용하여 형태학적 속성을 갖는 개별 수관 영역을 매핑하는 것을 검증함. • 객체기반 영상분석(OBIA)을 통해 분류된 수관 피복에 분수령 분할을 적용함. • ML 접근이 딥러닝 모델의 노동 집약적인 라벨링 문제를 완화함. • Mask R-CNN이 높은 정확도와 적은 분석 과정으로 수관을 구획함.

노지 퇴비 더미(Outdoor compost piles, OCPs)는 질소와 인이 다량 포함되어 있어, 강우 시 OCPs가 하천으로 유입될 경우 부영양화 및 녹조와 같은 수질을 악화시키는 주요 오염원으로 작용한다. 대한민국에서는 OCPs가 빈번히 사용되고 있으나, 현황을 조사하는 데 많은 인력과 예산이 소모된다는 한계가 있어 OCPs를 효율적으로 조사할 필요가 있다. 본 연구는 무인 항공기(UAV) 영상을 이용하여, 대한민국 농업 지역의 비점오염원인 노지 퇴비 더미(OCPs)를 효율적으로 탐지하고 관리하기 위한 다양한 기계 학습 기법들의 정확도를 비교하였다. 2019년 8월과 10월에 RGB, 다중분광, 열적외선 UAV 영상을 촬영하였다. 또한 식생지수(NDVI, NDRE, ENDVI, 및 GNDVI)와 지표면 온도도 고려하였다. 지지벡터머신(support vector machine, SVM), 의사결정나무(decision tree, DT), 랜덤 포레스트(random forest, RF), k-NN 등 4가지 기계 학습 기법을 구현하였으며, 여러 변수를 조정하여 가장 높은 정확도를 보이는 기계 학습 기법을 식별하였다. 모든 기계 학습 기법의 정확도는 매우 높았고, 최대 0.96에 이르렀다. 특히, 추정기(estimator)의 개수를 10으로 설정한 RF 방법의 정확도가 가장 높았으며, 8월에는 0.989, 10월에는 0.987을 기록하였다. 제안된 방법은 넓은 지역에 대해 OCP의 위치와 면적을 예측할 수 있어, OCP 현장 측정의 필요성을 배제할 수 있다. 따라서 본 연구 결과는 OCP 관리 전략과 수질 개선을 위한 매우 유용한 데이터를 제공한다.