논문 상세보기

한국지리정보학회> 한국지리정보학회지> 고해상도 정사영상을 이용한 딥러닝 기반의 산림수종 분류에 관한 연구

KCI등재

고해상도 정사영상을 이용한 딥러닝 기반의 산림수종 분류에 관한 연구

A Study on the Deep Learning-based Tree Species Classification by using High-resolution Orthophoto Images

장광민 ( Kwangmin Jang )
  • : 한국지리정보학회
  • : 한국지리정보학회지 24권3호
  • : 연속간행물
  • : 2021년 09월
  • : 1-9(9pages)
한국지리정보학회지

DOI


목차

서 론
재료 및 방법
연구결과
결 론
REFERENCES

키워드 보기


초록 보기

본 연구에서는 드론으로 취득한 고해상도 정사영상 자료를 이용하여, 컨볼루션 신경망(Convolution Neural Network, CNN)을 이용한 딥러닝 기법을 통해 수종에 대한 자동분류 가능성을 분석해 보고자 하였다. 수종판독을 위한 분류항목을 소나무, 자작나무, 낙엽송, 잣나무 그리고 신갈나무 5개 수종으로 선정하였다. 고해상도 정사영상과 임상도를 이용하여 총 5,000개의 데이터셋을 구축하였다. 수종분류를 위한 학습모델로 CNN 기법을 적용하였고, 데이터셋을 5:3:2의 비율로 훈련데이터, 검증테이터, 테스트데이터를 구분하여 모델의 학습 및 평가에 사용하였다. 모델의 전체 정확도는 89%로 나타났으며, 수종별 정확도는 소나무 95%, 자작나무 89%, 낙엽송 80%, 잣나무 86%, 신갈나무 98%로 나타났다.
In this study, we evaluated the accuracy of deep learning-based tree species classification model trained by using high-resolution images. We selected five species classed, i.e., pine, birch, larch, korean pine, mongolian oak for classification. We created 5,000 datasets using high-resolution orthophoto and forest type map. CNN deep learning model is used to tree species classification. We divided training data, verification data, and test data by a 5:3:2 ratio of the datasets and used it for the learning and evaluation of the model. The overall accuracy of the model was 89%. The accuracy of each species were pine 95%, birch 89%, larch 80%, korean pine 86% and mongolian oak 98%.

UCI(KEPA)

간행물정보

  • : 공학분야  > 토목공학
  • : KCI등재
  • :
  • : 계간
  • : 1226-9719
  • : 2287-6952
  • : 학술지
  • : 연속간행물
  • : 1998-2021
  • : 1166


저작권 안내

한국학술정보㈜의 모든 학술 자료는 각 학회 및 기관과 저작권 계약을 통해 제공하고 있습니다.

이에 본 자료를 상업적 이용, 무단 배포 등 불법적으로 이용할 시에는 저작권법 및 관계법령에 따른 책임을 질 수 있습니다.

24권3호(2021년 09월) 수록논문
최근 권호 논문
| | | |

KCI등재

1고해상도 정사영상을 이용한 딥러닝 기반의 산림수종 분류에 관한 연구

저자 : 장광민 ( Kwangmin Jang )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 1-9 (9 pages)

다운로드

(기관인증 필요)

초록보기

본 연구에서는 드론으로 취득한 고해상도 정사영상 자료를 이용하여, 컨볼루션 신경망(Convolution Neural Network, CNN)을 이용한 딥러닝 기법을 통해 수종에 대한 자동분류 가능성을 분석해 보고자 하였다. 수종판독을 위한 분류항목을 소나무, 자작나무, 낙엽송, 잣나무 그리고 신갈나무 5개 수종으로 선정하였다. 고해상도 정사영상과 임상도를 이용하여 총 5,000개의 데이터셋을 구축하였다. 수종분류를 위한 학습모델로 CNN 기법을 적용하였고, 데이터셋을 5:3:2의 비율로 훈련데이터, 검증테이터, 테스트데이터를 구분하여 모델의 학습 및 평가에 사용하였다. 모델의 전체 정확도는 89%로 나타났으며, 수종별 정확도는 소나무 95%, 자작나무 89%, 낙엽송 80%, 잣나무 86%, 신갈나무 98%로 나타났다.


In this study, we evaluated the accuracy of deep learning-based tree species classification model trained by using high-resolution images. We selected five species classed, i.e., pine, birch, larch, korean pine, mongolian oak for classification. We created 5,000 datasets using high-resolution orthophoto and forest type map. CNN deep learning model is used to tree species classification. We divided training data, verification data, and test data by a 5:3:2 ratio of the datasets and used it for the learning and evaluation of the model. The overall accuracy of the model was 89%. The accuracy of each species were pine 95%, birch 89%, larch 80%, korean pine 86% and mongolian oak 98%.

KCI등재

2서울시 용도복합 현상의 측정 및 기술에 관한 연구

저자 : 김현무 ( Hyun-moo Kim ) , 이우진 ( Woo-jin Lee ) , 권태정 ( Tae-jung Kwon ) , 연정민 ( Jeong-min Yeon )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 10-31 (22 pages)

다운로드

(기관인증 필요)

초록보기

본 연구를 통해 정의된 용도복합 개념은 세 가지 이상의 주요 도시기능의 복합을 의미하며 도시 공간의 경제적, 사회적, 환경적 가치를 동시에 실현하기 위한 수단을 의미한다. 이러한 정의 하에서 서울의 용도복합 현상을 탐구하였다. 상대적 엔트로피 개념을 사용하여 단위 지역인 법정동을 기준으로 복합도(R.E.)를 측정하였으며 도시기능의 유형은 용도복합의 정의에서 도출한 개념을 통해 건축물 층별 용도를 유형화하여 계량화하였다. 서울의 용도복합 현상은 복합도(R.E.) 0.631 이하를 '복합아님', 복합도(R.E.) 0.631 초과 0.884 미만을 '불균형 복합', 복합도(R.E.) 0.884 이상 0.991 미만을 '균형복합', 복합도(R.E.) 0.991 이상을'완전균형복합'의 단계로 구분하여 용도복합 현상을 해석하는 기준으로 지표화하였다.


The mixed-use concept definition, this study reveals, is that the mixing three or more major types of urban uses implements for economical, social and environmental values in our urban space. With this definition the study explores Seoul's mixed-use phenomenon. The quantification method, the study uses, is the relative entropy which calculate the balance of each urban use in a certain area. The relative entropy method, also known as the LUM(land-use mix score), uses three urban-use categories which is derived from the mixed-use concept definition. Hundreds of building-use types in the building regulations are categorized and calculate the LUM of Seoul's legal-status neighborhoods. The result interpreted as the criteria of Seoul's mixed-use phenomenon and categorize mixed land-use status in a certain value:'non mixed-use' category has a value 0.631 and below,'unbalanced mixed-use'category has a value between 0.631 and 0.884,'balanced mixed-use'category has a value between 0.884 and 0.991 and'complete mixed-use'category has a value 0.991 and over.

KCI등재

3지하정보 정밀탐사를 위한 GPR 데이터 위치정확도 개선 방안

저자 : 류지송 ( Jisong Ryu ) , 장용구 ( Yonggu Jang ) , 박동현 ( Donghyun Park )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 32-40 (9 pages)

다운로드

(기관인증 필요)

초록보기

지하정보는 육안으로 확인이 어려워 안전사고가 발생할 경우 큰 사고로 이어질 수 있다. 최근 국토교통부는「지하안전관리에 관한 특별법」재정을 통해 지하매설물의 노후화 또는 파손으로 인해 발생하는 안전사고를 줄이고자 한다. GPR은 육안으로 확인이 어려운 지하공간의 정보를 습득하는 기술로 활용이 많아지고 있다. 그러나 GPR의 위치정보는 탐사 중 습득된 GPS 정보와 영상을 확인하여 보정한다. 이 방식은 평균 오차가 2m 정도 발생한다. 따라서 평면오차를 감소시킬 방안으로 LiDAR를 통한 보정법을 제시했다. 또한 제시된 방법을 활용하여 GPR정보를 보정하였다. 그 결과 오차가 최소 7㎝에서 최대 40㎝ 수준으로 감소하는 것을 볼 수 있었다. 향후 수집된 정확도 높은 GPR 정보를 AI 등을 활용하여 신속하게 분석한다면 현재보다 더 빠르게 지하정보를 수집하고 활용하여 안전을 확보할 수 있을 것이다.


Underground information is difficult to visually check, which can lead to a huge accident in the event of a safety accident. Recently, the Ministry of Land, Infrastructure and Transport intends to reduce safety accidents caused by the aging or damage of underground facilities through the Special Act on Underground Safety Management. GPR is increasingly being used as a technology to acquire information in underground spaces that are difficult to see with the naked eye. However, GPR's location information is corrected by checking images of CCTV and GPS information acquired during exploration. This method has an average error of about 2 meters. In this works, We used LiDAR to calibrate the GPR information and found that the error was reduced from at least 7㎝ to up to 40㎝. If accurate GPR information collected in the future is analyzed quickly using AI, etc., it will be able to collect and utilize underground information faster than it is now to secure safety.

KCI등재

4SWAT와 부하지속곡선을 이용한 유역 수질 관리방안

저자 : 갈병석 ( Byung-seok Kal ) , 조소현 ( So-hyun Cho ) , 박천동 ( Chun-dong Park ) , 문현생 ( Hyun-saing Mun ) , 주용은 ( Yong-eun Joo ) , 박재범 ( Jae-beom Park )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 41-57 (17 pages)

다운로드

(기관인증 필요)

초록보기

본 연구는 대청호 상류에 있는 서화천 유역을 대상으로 SWAT(Soil and Watershed Assessment Tool) 모형을 이용한 수질 관리 대책 적용 및 부하지속곡선(LDC, Load Duration Curve)을 이용한 대책의 효율을 평가하였다. 수질 관리 대책으로는 인공습지, 방치 축분 저감, 비닐하우스 유출량 저감, 생태하천 복원, LID(Low Impact Development) 기술 적용, 점오염원 관리를 적용하였다. 적용된 기술은 부하지속곡선을 통해 유황별 목표 수질 초과율 및 부하량 저감 정도를 이용하여 수질 개선대책의 효율을 평가하였다. 부하지속곡선은 SWAT를 이용하여 장기 유량지속곡선(FDC, Flow Duration Curve)을 만들고 목표 수질을 곱하여 작성하였으며 목표 수질은 서화천 하류에 있는 옥천천 수질 관측지점의 10년간 자료를 사용하여 60분위에 해당하는 값을 목표 수질로 설정하였다. 본 연구를 통하여 여러 가지 수질 대책을 SWAT 모형을 통해 적용 가능성을 확인할 수 있으며 부하지속곡선을 통하여 유황에 따른 시기별 적용 가능성을 검토할 수 있었다.


This study evaluated the application of water quality management measures using the SWAT model and the effectiveness of the measures using the load duration curve targeting the Seohwacheon watershed located upstream of Daecheongho. As water quality management measures, artificial wetlands, reduction of neglected livestock, reduction of runoff from greenhouses, restoration of ecological rivers, application of LID technology, and management of point sources were applied. The applied technology evaluated the efficiency of water quality improvement measures by using the target water quality excess rate and the degree of load reduction for each sulfur through the load duration curve. The load duration curve was created by creating a long-term flow duration curve using SWAT and multiplying it by the target water quality. For the target water quality, the value corresponding to the 60th percentile was set as the target water quality using the 10-year data from the Okcheoncheon water quality observation point located in the downstream of Seohwacheon. Through this study, it was possible to confirm the applicability of various water quality measures through the SWAT model, and to examine the applicability of each period according to the sulfur through the load retention curve.

KCI등재

5한국 자동차산업의 기업간 거래관계에 의한 지리적 네트워크 구조 분석

저자 : 김혜림 ( Hye-lim Kim ) , 문태헌 ( Tae-heon Moon )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 58-72 (15 pages)

다운로드

(기관인증 필요)

초록보기

2021년 7월 UNCTAD가 우리나라를 선진국으로 분류할 정도로 우리나라가 발전하는 성과가 있었다. 그러나 급변하는 글로벌 경제에 대응하기 위해서는 국내 산업생태계를 연구하여 끊임없이 변화시키고 성장을 위한 전략을 마련해야 한다. 그 중 하나가 기업간 네트워크를 강화하는 것이며, 본 연구는 기업 간 거래 데이터 구득이 가능한 자동차산업을 대상으로 공간적인 산업 네트워크를 분석하였다. 데이터는 295개의 기업 데이터(노드)와 607개의 거래 관계 데이터(링크)를 활용하였다. 기업의 주소지를 지오코딩하여 공간상 분포를 확인한 결과, 자동차산업 관련 기업은 수도권과 동남권에 집중 분포하고 있었다. 연결중심성, 매개중심성, 근접중심성, 위세중심성 등을 통해 노드의 중요도를 측정하고, 밀도, 거리, 커뮤니티 탐지, 동류성 및 이류성을 파악하여 네트워크 구조를 확인하였다. 그 결과, 4가지 노드 중요도에서 상위 15위 기업은 완성차기업 중에서는 현대자동차, 기아자동차, 한국지엠 3개의 기업이 공통적으로 포함되고, 상위 15위 기업은 주로 수도권에 입지하고 있다. 규모 면에서 연결중심성과 매개중심성은 대부분 종업원 수가 1,000명 이상인 큰 기업이고, 근접중심성과 위세중심성은 완성차기업을 제외하면 대개 종업원 수가 500명 이하인 기업이 상위 15위 안에 포함되었다. 전체적인 네트워크의 구조는 밀도는 0.01390522, 노드 간 평균거리는 3.422481로 나타났으며, 빠른탐욕알고리즘으로 커뮤니티 탐지를 실시한 결과, 최종적으로 11개의 커뮤니티가 도출되었다.


In July 2021, UNCTAD classified Korea as a developed country. After the Korean War in the 1950s, economic development was promoted despite difficult conditions, resulting in epoch-making national growth. However, in order to respond to the rapidly changing global economy, it is necessary to continuously study the domestic industrial ecosystem and prepare strategies for continuous change and growth. This study analyzed the industrial ecosystem of the automobile industry where it is possible to obtain transaction data between companies by applying complexity spatial network analysis. For data, 295 corporate data(node data) and 607 transaction data (link data) were used. As a result of checking the spatial distribution by geocoding the address of the company, the automobile industry-related companies were concentrated in the Seoul metropolitan area and the Southeastern(Dongnam) region. The node importance was measured through degree centrality, betweenness centrality, closeness centrality, and eigenvector centrality, and the network structure was confirmed by identifying density, distance, community detection, and assortativity and disassortivity. As a result, among the automakers, Hyundai Motor, Kia Motors, and GM Korea were included in the top 15 in 4 indicators of node centrality. In terms of company location, companies located in the Seoul metropolitan area were included in the top 15. In terms of company size, most of the large companies with more than 1,000 employees were included in the top 15 for degree centrality and betweenness centrality. Regarding closeness centrality and eigenvector centrality, most of the companies with 500 or less employees were included in the top 15, except for automakers. In the structure of the network, the density was 0.01390522 and the average distance was 3.422481. As a result of community detection using the fast greedy algorithm, 11 communities were finally derived.

KCI등재

6고해상도 위성영상을 이용한 농촌 도로 매핑을 위한 영상 분류 및 영상 분할 방법 비교에 관한 연구

저자 : 정윤재 ( Yun-jae Choung ) , 구본엽 ( Bon-yup Gu )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 73-82 (10 pages)

다운로드

(기관인증 필요)

초록보기

농촌 도로는 농촌 지역의 개발과 관리를 위한 핵심 기반시설로서 원격탐사 자료를 활용한 농촌도로 관리 기술은 농촌 교통 인프라 확대, 농촌 주민의 삶의 질 개선을 위해 매우 중요하다. 본 연구에서는 농촌 지역을 촬영한 고해상도 위성영상을 활용하여 농촌 도로를 매핑하기 위해 영상 분류 방법과 영상 분할 방법을 다음의 과정을 통하여 비교하였다. 영상 분류의 경우, 심층 신경망 기반 딥러닝 기법을 주어진 고해상도 위성영상에 적용하여 고정밀 객체 분류 지도를 제작하였고 이로부터 농촌 도로 객체를 추출함으로써 농촌 도로를 매핑하였다. 영상 분할의 경우, multiresolution segmentation 기법을 동일한 위성영상에 적용하여 세그먼트 영상을 제작하였고 농촌 도로에 위치한 다중 객체들을 선택하고 이들을 최종적으로 융합하여 농촌 도로를 매핑하였다. 영상 분류 및 영상 분할 방법을 통해 매핑한 농촌 도로의 정확도 검증을 위해 100개의 검사점을 사용하였고 다음과 같은 결론을 도출하였다. 영상 분류 방법에서는 객체 분류 지도 내 오분류 에러로 인해 영상 내 일부 농촌 도로의 인식이 불가능하였으나 영상 분할 방법에서는 영상 내 모든 농촌 도로의 인식이 가능하였으므로 영상 분할 방법이 영상 분류 방법보다 위성영상을 이용한 농촌 도로 매핑 작업에 더 적합한 방법이었다. 그러나 영상 분할 방법을 통해 매핑한 농촌 도로를 구성하는 일부 세그먼트들이 농촌 도로 외 객체를 포함하고 있어 영상 내 일부 농촌 도로에서 오분류 에러가 발생하였다. 추후 연구에서는 객체 기반 분류 또는 합성곱 신경망 등 다양한 정밀 객체 인식 기법을 고해상도 위성영상에 적용하여 농촌 도로의 정확도를 개선할 계획이다.


Rural roads are the significant infrastructure for developing and managing the rural areas, hence the utilization of the remote sensing datasets for managing the rural roads is necessary for expanding the rural transportation infrastructure and improving the life quality of the rural residents. In this research, the two different methods such as image classification and image segmentation were compared for mapping the rural road based on the given high-resolution satellite image acquired in the rural areas. In the image classification method, the deep learning with the multiple neural networks was employed to the given high-resolution satellite image for generating the object classification map, then the rural roads were mapped by extracting the road objects from the generated object classification map. In the image segmentation method, the multiresolution segmentation was employed to the same satellite image for generating the segment image, then the rural roads were mapped by merging the road objects located on the rural roads on the satellite image. We used the 100 checkpoints for assessing the accuracy of the two rural roads mapped by the different methods and drew the following conclusions. The image segmentation method had the better performance than the image classification method for mapping the rural roads using the give satellite image, because some of the rural roads mapped by the image classification method were not identified due to the miclassification errors occurred in the object classification map, while all of the rural roads mapped by the image segmentation method were identified. However some of the rural roads mapped by the image segmentation method also had the miclassfication errors due to some rural road segments including the non-rural road objects. In future research the object-oriented classification or the convolutional neural networks widely used for detecting the precise objects from the image sources would be used for improving the accuracy of the rural roads using the high-resolution satellite image.

KCI등재

7항공 LiDAR 및 RGB 정사 영상을 이용한 딥러닝 기반의 도시녹지 분류

저자 : 손보경 ( Bokyung Son ) , 이연수 ( Yeonsu Lee ) , 임정호 ( Jungho Im )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 83-98 (16 pages)

다운로드

(기관인증 필요)

초록보기

도시녹지는 도시 생태계 건강성 증진을 위한 중요한 요소이며, 건강한 도시 생태계 유지 및 관리를 위해서는 도시녹지의 공간적인 현황 파악이 필요하다. 환경부에서는 2010년 이후부터 총 41개의 분류 항목을 갖는 1m 급 해상도의 세분류 토지피복지도를 제공해오고 있으나, 가로수와 같은 도시 내 고해상도 상세 녹지 정보는 기타 초지로 분류되거나 누락되어 오고 있다. 따라서, 본 연구에서는 수원시 지역을 대상으로 1m 이하 급의 고해상도 원격탐사 자료(항공 LiDAR 및 RGB 정사영상)를 이용하여, 기존 세분류 토지피복지도에서는 나타나지 않는 고해상도의 상세 도시 녹지(수목, 관목 및 초지) 정보를 분류하고자 하였다. 분류 기법으로는 딥러닝 기반의 이미지 분할 방법인 U-Net 구조의 모델을 활용하였으며, 분류 항목의 수 및 사용하는 자료의 종류에 따라 총3가지의 모델(LRGB10, LRGB5, 및 RGB5)을 제안하고 성능을 평가하였다. 검증 지역에 대한 세 모델의 평균 전체 정확도는 각 83.40%(LRGB10), 89.44%(LRGB5), 74.76%(RGB5)이며, 항공 LiDAR와 RGB 정사영상을 함께 사용하여 총 5개의 항목(수목, 관목, 초지, 건물, 및 그 외)을 분류하는 LRGB5 모델의 성능이 가장 높게 나타났다. 수원시의 수목, 관목 및 초지 기준의 전체 녹지 현황은 각 45.61%(LRGB10), 43.47%(LRGB5), 및 44.22%(RGB5)로 나타났으며, 세 모델 모두 기존 세분류 토지피복지도와 비교하여 평균 13.40%의 도시 수목 정보를 더 제공할 수 있는 것으로 나타났다. 더불어 이러한 도시녹지 분류 결과는 향후 중분류 토지피복지도와 같은 기존 GIS 정보와의 융합을 통해 가로수 녹지 비율 현황 등 추가적인 상세 녹지 현황 정보를 제공할 수 있어, 다양한 도시녹지 연구 및 정책의 기초 자료로 활용될 수 있을 것으로 기대된다.


Urban green space is an important component for enhancing urban ecosystem health. Thus, identifying the spatial structure of urban green space is required to manage a healthy urban ecosystem. The Ministry of Environment has provided the level 3 land cover map(the highest (1m) spatial resolution map) with a total of 41 classes since 2010. However, specific urban green information such as street trees was identified just as grassland or even not classified them as a vegetated area in the map. Therefore, this study classified detailed urban green information(i.e., tree, shrub, and grass), not included in the existing level 3 land cover map, using two types of high-resolution(<1m) remote sensing data(i.e., airborne LiDAR and RGB ortho imagery) in Suwon, South Korea. U-Net, one of image segmentation deep learning approaches, was adopted to classify detailed urban green space. A total of three classification models(i.e., LRGB10, LRGB5, and RGB5) were proposed depending on the target number of classes and the types of input data. The average overall accuracies for test sites were 83.40% (LRGB10), 89.44%(LRGB5), and 74.76%(RGB5). Among three models, LRGB5, which uses both airborne LiDAR and RGB ortho imagery with 5 target classes(i.e., tree, shrub, grass, building, and the others), resulted in the best performance. The area ratio of total urban green space(based on trees, shrub, and grass information) for the entire Suwon was 45.61%(LRGB10), 43.47%(LRGB5), and 44.22%(RGB5). All models were able to provide additional 13.40% of urban tree information on average when compared to the existing level 3 land cover map. Moreover, these urban green classification results are expected to be utilized in various urban green studies or decision making processes, as it provides detailed information on urban green space.

1
권호별 보기
같은 권호 다른 논문
| | | | 다운로드

KCI등재

1고해상도 정사영상을 이용한 딥러닝 기반의 산림수종 분류에 관한 연구

저자 : 장광민 ( Kwangmin Jang )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 1-9 (9 pages)

다운로드

(기관인증 필요)

초록보기

본 연구에서는 드론으로 취득한 고해상도 정사영상 자료를 이용하여, 컨볼루션 신경망(Convolution Neural Network, CNN)을 이용한 딥러닝 기법을 통해 수종에 대한 자동분류 가능성을 분석해 보고자 하였다. 수종판독을 위한 분류항목을 소나무, 자작나무, 낙엽송, 잣나무 그리고 신갈나무 5개 수종으로 선정하였다. 고해상도 정사영상과 임상도를 이용하여 총 5,000개의 데이터셋을 구축하였다. 수종분류를 위한 학습모델로 CNN 기법을 적용하였고, 데이터셋을 5:3:2의 비율로 훈련데이터, 검증테이터, 테스트데이터를 구분하여 모델의 학습 및 평가에 사용하였다. 모델의 전체 정확도는 89%로 나타났으며, 수종별 정확도는 소나무 95%, 자작나무 89%, 낙엽송 80%, 잣나무 86%, 신갈나무 98%로 나타났다.

KCI등재

2서울시 용도복합 현상의 측정 및 기술에 관한 연구

저자 : 김현무 ( Hyun-moo Kim ) , 이우진 ( Woo-jin Lee ) , 권태정 ( Tae-jung Kwon ) , 연정민 ( Jeong-min Yeon )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 10-31 (22 pages)

다운로드

(기관인증 필요)

초록보기

본 연구를 통해 정의된 용도복합 개념은 세 가지 이상의 주요 도시기능의 복합을 의미하며 도시 공간의 경제적, 사회적, 환경적 가치를 동시에 실현하기 위한 수단을 의미한다. 이러한 정의 하에서 서울의 용도복합 현상을 탐구하였다. 상대적 엔트로피 개념을 사용하여 단위 지역인 법정동을 기준으로 복합도(R.E.)를 측정하였으며 도시기능의 유형은 용도복합의 정의에서 도출한 개념을 통해 건축물 층별 용도를 유형화하여 계량화하였다. 서울의 용도복합 현상은 복합도(R.E.) 0.631 이하를 '복합아님', 복합도(R.E.) 0.631 초과 0.884 미만을 '불균형 복합', 복합도(R.E.) 0.884 이상 0.991 미만을 '균형복합', 복합도(R.E.) 0.991 이상을'완전균형복합'의 단계로 구분하여 용도복합 현상을 해석하는 기준으로 지표화하였다.

KCI등재

3지하정보 정밀탐사를 위한 GPR 데이터 위치정확도 개선 방안

저자 : 류지송 ( Jisong Ryu ) , 장용구 ( Yonggu Jang ) , 박동현 ( Donghyun Park )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 32-40 (9 pages)

다운로드

(기관인증 필요)

초록보기

지하정보는 육안으로 확인이 어려워 안전사고가 발생할 경우 큰 사고로 이어질 수 있다. 최근 국토교통부는「지하안전관리에 관한 특별법」재정을 통해 지하매설물의 노후화 또는 파손으로 인해 발생하는 안전사고를 줄이고자 한다. GPR은 육안으로 확인이 어려운 지하공간의 정보를 습득하는 기술로 활용이 많아지고 있다. 그러나 GPR의 위치정보는 탐사 중 습득된 GPS 정보와 영상을 확인하여 보정한다. 이 방식은 평균 오차가 2m 정도 발생한다. 따라서 평면오차를 감소시킬 방안으로 LiDAR를 통한 보정법을 제시했다. 또한 제시된 방법을 활용하여 GPR정보를 보정하였다. 그 결과 오차가 최소 7㎝에서 최대 40㎝ 수준으로 감소하는 것을 볼 수 있었다. 향후 수집된 정확도 높은 GPR 정보를 AI 등을 활용하여 신속하게 분석한다면 현재보다 더 빠르게 지하정보를 수집하고 활용하여 안전을 확보할 수 있을 것이다.

KCI등재

4SWAT와 부하지속곡선을 이용한 유역 수질 관리방안

저자 : 갈병석 ( Byung-seok Kal ) , 조소현 ( So-hyun Cho ) , 박천동 ( Chun-dong Park ) , 문현생 ( Hyun-saing Mun ) , 주용은 ( Yong-eun Joo ) , 박재범 ( Jae-beom Park )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 41-57 (17 pages)

다운로드

(기관인증 필요)

초록보기

본 연구는 대청호 상류에 있는 서화천 유역을 대상으로 SWAT(Soil and Watershed Assessment Tool) 모형을 이용한 수질 관리 대책 적용 및 부하지속곡선(LDC, Load Duration Curve)을 이용한 대책의 효율을 평가하였다. 수질 관리 대책으로는 인공습지, 방치 축분 저감, 비닐하우스 유출량 저감, 생태하천 복원, LID(Low Impact Development) 기술 적용, 점오염원 관리를 적용하였다. 적용된 기술은 부하지속곡선을 통해 유황별 목표 수질 초과율 및 부하량 저감 정도를 이용하여 수질 개선대책의 효율을 평가하였다. 부하지속곡선은 SWAT를 이용하여 장기 유량지속곡선(FDC, Flow Duration Curve)을 만들고 목표 수질을 곱하여 작성하였으며 목표 수질은 서화천 하류에 있는 옥천천 수질 관측지점의 10년간 자료를 사용하여 60분위에 해당하는 값을 목표 수질로 설정하였다. 본 연구를 통하여 여러 가지 수질 대책을 SWAT 모형을 통해 적용 가능성을 확인할 수 있으며 부하지속곡선을 통하여 유황에 따른 시기별 적용 가능성을 검토할 수 있었다.

KCI등재

5한국 자동차산업의 기업간 거래관계에 의한 지리적 네트워크 구조 분석

저자 : 김혜림 ( Hye-lim Kim ) , 문태헌 ( Tae-heon Moon )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 58-72 (15 pages)

다운로드

(기관인증 필요)

초록보기

2021년 7월 UNCTAD가 우리나라를 선진국으로 분류할 정도로 우리나라가 발전하는 성과가 있었다. 그러나 급변하는 글로벌 경제에 대응하기 위해서는 국내 산업생태계를 연구하여 끊임없이 변화시키고 성장을 위한 전략을 마련해야 한다. 그 중 하나가 기업간 네트워크를 강화하는 것이며, 본 연구는 기업 간 거래 데이터 구득이 가능한 자동차산업을 대상으로 공간적인 산업 네트워크를 분석하였다. 데이터는 295개의 기업 데이터(노드)와 607개의 거래 관계 데이터(링크)를 활용하였다. 기업의 주소지를 지오코딩하여 공간상 분포를 확인한 결과, 자동차산업 관련 기업은 수도권과 동남권에 집중 분포하고 있었다. 연결중심성, 매개중심성, 근접중심성, 위세중심성 등을 통해 노드의 중요도를 측정하고, 밀도, 거리, 커뮤니티 탐지, 동류성 및 이류성을 파악하여 네트워크 구조를 확인하였다. 그 결과, 4가지 노드 중요도에서 상위 15위 기업은 완성차기업 중에서는 현대자동차, 기아자동차, 한국지엠 3개의 기업이 공통적으로 포함되고, 상위 15위 기업은 주로 수도권에 입지하고 있다. 규모 면에서 연결중심성과 매개중심성은 대부분 종업원 수가 1,000명 이상인 큰 기업이고, 근접중심성과 위세중심성은 완성차기업을 제외하면 대개 종업원 수가 500명 이하인 기업이 상위 15위 안에 포함되었다. 전체적인 네트워크의 구조는 밀도는 0.01390522, 노드 간 평균거리는 3.422481로 나타났으며, 빠른탐욕알고리즘으로 커뮤니티 탐지를 실시한 결과, 최종적으로 11개의 커뮤니티가 도출되었다.

KCI등재

6고해상도 위성영상을 이용한 농촌 도로 매핑을 위한 영상 분류 및 영상 분할 방법 비교에 관한 연구

저자 : 정윤재 ( Yun-jae Choung ) , 구본엽 ( Bon-yup Gu )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 73-82 (10 pages)

다운로드

(기관인증 필요)

초록보기

농촌 도로는 농촌 지역의 개발과 관리를 위한 핵심 기반시설로서 원격탐사 자료를 활용한 농촌도로 관리 기술은 농촌 교통 인프라 확대, 농촌 주민의 삶의 질 개선을 위해 매우 중요하다. 본 연구에서는 농촌 지역을 촬영한 고해상도 위성영상을 활용하여 농촌 도로를 매핑하기 위해 영상 분류 방법과 영상 분할 방법을 다음의 과정을 통하여 비교하였다. 영상 분류의 경우, 심층 신경망 기반 딥러닝 기법을 주어진 고해상도 위성영상에 적용하여 고정밀 객체 분류 지도를 제작하였고 이로부터 농촌 도로 객체를 추출함으로써 농촌 도로를 매핑하였다. 영상 분할의 경우, multiresolution segmentation 기법을 동일한 위성영상에 적용하여 세그먼트 영상을 제작하였고 농촌 도로에 위치한 다중 객체들을 선택하고 이들을 최종적으로 융합하여 농촌 도로를 매핑하였다. 영상 분류 및 영상 분할 방법을 통해 매핑한 농촌 도로의 정확도 검증을 위해 100개의 검사점을 사용하였고 다음과 같은 결론을 도출하였다. 영상 분류 방법에서는 객체 분류 지도 내 오분류 에러로 인해 영상 내 일부 농촌 도로의 인식이 불가능하였으나 영상 분할 방법에서는 영상 내 모든 농촌 도로의 인식이 가능하였으므로 영상 분할 방법이 영상 분류 방법보다 위성영상을 이용한 농촌 도로 매핑 작업에 더 적합한 방법이었다. 그러나 영상 분할 방법을 통해 매핑한 농촌 도로를 구성하는 일부 세그먼트들이 농촌 도로 외 객체를 포함하고 있어 영상 내 일부 농촌 도로에서 오분류 에러가 발생하였다. 추후 연구에서는 객체 기반 분류 또는 합성곱 신경망 등 다양한 정밀 객체 인식 기법을 고해상도 위성영상에 적용하여 농촌 도로의 정확도를 개선할 계획이다.

KCI등재

7항공 LiDAR 및 RGB 정사 영상을 이용한 딥러닝 기반의 도시녹지 분류

저자 : 손보경 ( Bokyung Son ) , 이연수 ( Yeonsu Lee ) , 임정호 ( Jungho Im )

발행기관 : 한국지리정보학회 간행물 : 한국지리정보학회지 24권 3호 발행 연도 : 2021 페이지 : pp. 83-98 (16 pages)

다운로드

(기관인증 필요)

초록보기

도시녹지는 도시 생태계 건강성 증진을 위한 중요한 요소이며, 건강한 도시 생태계 유지 및 관리를 위해서는 도시녹지의 공간적인 현황 파악이 필요하다. 환경부에서는 2010년 이후부터 총 41개의 분류 항목을 갖는 1m 급 해상도의 세분류 토지피복지도를 제공해오고 있으나, 가로수와 같은 도시 내 고해상도 상세 녹지 정보는 기타 초지로 분류되거나 누락되어 오고 있다. 따라서, 본 연구에서는 수원시 지역을 대상으로 1m 이하 급의 고해상도 원격탐사 자료(항공 LiDAR 및 RGB 정사영상)를 이용하여, 기존 세분류 토지피복지도에서는 나타나지 않는 고해상도의 상세 도시 녹지(수목, 관목 및 초지) 정보를 분류하고자 하였다. 분류 기법으로는 딥러닝 기반의 이미지 분할 방법인 U-Net 구조의 모델을 활용하였으며, 분류 항목의 수 및 사용하는 자료의 종류에 따라 총3가지의 모델(LRGB10, LRGB5, 및 RGB5)을 제안하고 성능을 평가하였다. 검증 지역에 대한 세 모델의 평균 전체 정확도는 각 83.40%(LRGB10), 89.44%(LRGB5), 74.76%(RGB5)이며, 항공 LiDAR와 RGB 정사영상을 함께 사용하여 총 5개의 항목(수목, 관목, 초지, 건물, 및 그 외)을 분류하는 LRGB5 모델의 성능이 가장 높게 나타났다. 수원시의 수목, 관목 및 초지 기준의 전체 녹지 현황은 각 45.61%(LRGB10), 43.47%(LRGB5), 및 44.22%(RGB5)로 나타났으며, 세 모델 모두 기존 세분류 토지피복지도와 비교하여 평균 13.40%의 도시 수목 정보를 더 제공할 수 있는 것으로 나타났다. 더불어 이러한 도시녹지 분류 결과는 향후 중분류 토지피복지도와 같은 기존 GIS 정보와의 융합을 통해 가로수 녹지 비율 현황 등 추가적인 상세 녹지 현황 정보를 제공할 수 있어, 다양한 도시녹지 연구 및 정책의 기초 자료로 활용될 수 있을 것으로 기대된다.

1
발행기관 최신논문
자료제공: 네이버학술정보
발행기관 최신논문
자료제공: 네이버학술정보

내가 찾은 최근 검색어

최근 열람 자료

맞춤 논문

보관함

내 보관함
공유한 보관함

1:1문의

닫기