I. 서론
II. 조사방법 및 데이터처리
1. 드론 원격탐사 장비
2. 조사 지점과 조사일시
3. 데이터 처리
4. 드론 원격탐사를 이용한 종·군락 분류
III. 분석 결과 및 고찰
1. 드론 영상에 의한 2D, 3D Mapping
2. 객체기반 분류처리
IV. 결론
I. 서론
기후변화는 생태계 다양성과 분포 패턴에 직간접적으로 큰 영향을 미치는 것으로 알려져 있다(Latifovic and Pouliot, 2007). 이러한 기후변화의 영향은 우리나라도 예외가 될 수 없다. 특히, 고유 자생식물인 구상나무 등 아고산대 침엽수의 수목 고사에 따른 서식지 축소가 최근에 많은 우려를 낳고 있다(안웅산 등, 2019; 구경아･김다빈, 2020; 김종갑, 2022). 구상나무(Abies koreana E.H. Wilson)는 소나무과 전나무속의 상록침엽성 교목으로 한라산을 포함하여 가야산, 금원산, 덕유산, 백운산, 속리산, 영축산, 지리산 등 고산 및 아고산대에 한정되어 분포하는 우리나라 특산식물로(Korea National Arboretum, 기후변화에 취약한 종으로 평가되고 있고(공우석 등, 2014), 세계자연보전연맹(IUCN)은 구상나무를 멸종 위기 종으로 지정하고 있다(송주현 등, 2021).
구상나무의 쇠퇴와 고사와 관련해서는 40여 년이 넘는 기간에 걸쳐 그 원인과 규명을 위해 수많은 연구가 다방면에 걸쳐 진행되어 왔는데 아직 정확한 원인을 밝혀내고 있지 못한 상황이다. 몇몇 연구 사례를 보면, Kim(2006)은 2003년 항공사진분석을 통해 한라산 사면에 따라 분포하는 구상나무림을 해발고도별, 방위별로 조사하여 보고하였다. Song(2011)은 2009년 2월 촬영된 항공사진을 이용하여 해발 1,300 m 구간에서부터 정상까지 분포하는 구상나무의 전체면적을 803.6 ha로 보고하였고, 경사도 20도 미만의 지역에 70%의 면적이 분포한다고 제시하였다. Kim and Lee(2013)는 1988년과 2002년 Landsat 위성영상을 분석하여 구상나무의 분포 면적을 산출하였다. 하지만 이러한 연구결과를 보면 면적 산출에 있어 사용하는 영상이나 산출 방식에 있어 많은 면적 차이를 보이고 있다. 구상나무림의 쇠퇴 원인 규명과 관련해서는 Koo et al.(2001)은 태풍, 가뭄, 기후변화에 따른 지속적인 기온상승이 영향을 주는 것으로 보고 하였고, 특히 겨울에 발생하는 기온 상승이 상록수의 광합성을 촉진하는 계기가 되고 있으나 광합성에 필요한 수분공급이 부족하게 되어 수분 수지의 불균형이 발생한다고 하였다.
기후변화에 의한 어떠한 요인이 구상나무의 생장 혹은 생존에 영향을 주는가에 대한 구체적 답을 얻기 위한 시도로서 고해상도 항공영상자료를 활용하여 지리적 위치 및 지형적 요인에 주목하고 GIS 기법을 적용한 안웅산 등(2019)의 연구에서는 한라산 구상나무는 지형경사가 작고, 수계망 발달이 미약하며, 일사량이 상대적으로 적은 지역에서 고사율이 높은 것으로 분석하였고, 한라산 구상나무의 고사현상은 토양수분 과다에 의한 것으로 강하게 추정된다고 기존의 원인 주장과 상반된 조사 결과를 보고하였다. 기존의 연구가 특정 시기에 관측된 항공사진을 토대로 한 연구이며 구상나무 고사율의 시계열적 변화, 구상나무 임분 상태와 고사율 간의 관계 등에 관한 다학제적 후속 연구가 절실히 필요하다는 의견을 제시하고 있다.
구상나무 고사 원인을 분석하는 것과 더불어 제주조릿대에 대한 조사 연구도 진행 중에 있다. 관련 기사 제주의 소리(2023)에 따르면 제주조릿대는 죽어가는 구상나무와 달리 왕성한 번식력으로 문제를 발생시키고 있다고 한다. 기후변화에 따라 구상나무가 고사하더라도 어린나무들이 잘 자라준다면 어느 정도 유지될 텐데 제주조릿대의 과다 번식으로 이마저 힘든 상태가 계속되고 있는 것으로 알려지고 있다. 구상나무 역시 번식을 위한 씨앗을 뿌리지만 제주조릿대가 이를 방해하고 있어 문제가 되고 있는 상황이다.
본 연구에서는 한라산 지역의 아고산대에 분포하는 자생 침엽수 구상나무에 대한 초고해상도 영상을 이용한 고정밀 조사, 시계열적인 자료의 수집과 분석, 쇠퇴 원인 규명을 위한 유용한 자료의 제시 방법으로서의 드론 원격탐사 기술 적용 가능성에 대해 검토 하고자 한다. 고해상도 센서를 장착한 드론을 이용해 아고산대 침엽수림 지역을 주기적으로 정밀하게 촬영하고, 촬영된 영상으로부터 대상 침엽수림에 대한 고해상도 매핑 작업을 수행하였다. 또한, 멀피 스펙트럼 센서를 동시에 운용하여 대상 수목에 대한 가시 및 근적외선 대역의 영상을 취득하여 식생의 활력정보를 추출하였다. 초고해상도 드론 영상을 이용한 개체기반 분류처리 작업을 수행하여 구상나무 보존과 고사 원인규명에 반드시 필요한 대상지내의 구상나무와 주목, 제주조릿대, 고사목을 분류하고 분류 정도를 검증하였다. 분류결과를 이용한 구상나무와 제주조릿대의 계절별 활력 변화의 관계에 대해 비교 검토하였다. 연구를 수행하기 위한 도구로는 2차원, 3차원 매핑 작업과 식생활력 산출을 위해 Pix4D 소프트웨어를 사용하였고, Erdas Imagine 소프트웨어를 사용하여 객체기반 분류처리를 수행하였다.
II. 조사방법 및 데이터처리
1. 드론 원격탐사 장비
1) Inspire-2 드론
본 연구에서는 DJI사의 Inspire-2 기종을 센서의 플렛폼 드론으로 사용하였다(그림 1). 드론의 외형은 마그네슘과 알루미늄 합금 바디로 제작되어 내구성이 높고 최고 속도는 시속 108km이며 보강된 듀얼 배터리 시스템을 채택해 비행시간도 최대 27분이라는 시간을 확보하고 있다. 또한 새로운 듀얼 배터리 시스템은 비행 중 한 개의 배터리가 고장 날 경우 다른 배터리에서 전력을 공급받아 안전하게 귀환할 수 있고, 자체 발열 기능이 있어 영하 20도에서도 안정적인 비행이 가능하다. 기체 전면과 하단에는 장애물 감지를 위한 스테레오 비전 센서를 탑재하고 있으며, 기체 상단부와 측면에도 적외선 센서를 탑재하고 있다.
2) 젠뮤즈 X5S 카메라
젠뮤즈 X5S 카메라는 20.8 메가픽셀, 12.8 스톱의 다이나믹 레인지를 갖는 마이크로포서드(Micro Four Thirds) 센서를 탑재하고 있다. 전용 3축 짐벌 시스템을 사용하고 있어 드론의 빠른 비행과 동시에 안정적인 자세로 높은 해상도의 영상을 촬영할 수 있다. 드론과도 전용의 마운트를 사용하여 손쉽게 체결할 수 있다.
3) Sequoia 센서
Sequoia 센서는 농업용으로 개발된 멀티 스펙트럼 센서이다. 이 센서는 모든 유형의 드론에 탑재 가능한 무게 72g의 센서로서 사진 촬영 시 카메라의 위치를 확인시켜주는 GPS/GNSS 내장 모듈을 탑재하고 있다. 촬영 스펙트럼 대역은 녹색(파장 550 nm, 대역폭 40 nm), 적색(파장 660 nm, 대역폭 40 nm), 레드 엣지(파장 735 nm, 대역폭 10 nm), 근적외선(파장 790 nm, 대역폭 40 nm) 파장대역을 1.2메가 픽셀로 촬영한다. 멀티 스펙트럼 센서와 별도로 RGB 카메라를 통해 12메가 픽셀 혹은 16메가 픽셀의 영상을 동시에 촬영한다. 촬영된 영상은 내장 메모리와 SD카드에 선택적으로 저장된다. 한편 센서는 복사량 보정을 위해 일조량 센서(Sunshine Sensor)를 동시에 운용하여 복사량 보정을 자동으로 실행한다.
2. 조사 지점과 조사일시
아고산대 대상 수목의 조사를 위해 한라산 해발고도 1,500 m ~ 1,700 m 지역에 3개소의 조사 지점(Point-1, Point-2, Point-3)을 그림 2와 같이 설정하였다. 각 지점에 대한 촬영은 가로×세로의 크기를 각각 100 m × 100 m, 촬영 고도를 100 m로 설정하여 오토 촬영미션을 수행하였다.
표 1에 표시한 바와 같이 조사 지점에 대한 촬영은 2022년 3월 24일, 5월 19일과 8월 25일, 10월 27일에 각각 실시하였다. 조사지점인 Point-1에서 Point-2, Point-3의 순으로 각각의 지점을 따라 등반하면서 각 지점별 촬영을 진행하였다. 설정된 오토 촬영 미션을 수행하는 방식으로 드론에 의한 촬영을 실시하였다. 1회 조사의 경우 대상지역에 자생하는 식물의 생장활동이 시작되기 전인 시점으로 3월 조사를 기획하였으나 아쉽게도 전날 내린 눈에 의해 분석에 적합한 영상을 얻을 수 없었다. 이후 진행된 2, 3, 4회의 현장 조사를 통해 대상지에서의 봄, 여름 그리고 가을 시기에 해당되는 계절별 데이터를 촬영할 수 있었다. 분석 작업에는 적설로 인해 사용 곤란한 1회 조사 데이터를 제외한 5월과 8월, 10월 영상을 사용하였다.
표 1.
조사일시와 조사지점별 촬영 영상(단위: 장)
3. 데이터 처리
1) Mapping 데이터처리
3차원 모델링 소프트웨어로 일반적으로 많이 사용되고 있는 Pix4D를 이용하여 촬영 영상을 처리하였다. 데이터의 처리 과정을 그림 3에 나타내었다. 정밀한 지도 매핑의 목적을 위해서는 지상 기준점 선점의 별도 작업이 필요하나 본 연구에서는 정밀한 좌표 설정이 목적이 아닌 관계로 이러한 과정은 생략되었다. 데이터의 전체적인 처리단계는 크게 3단계로 이루어지며 1단계 과정에서는 AT 및 영상정합용 연결점을 검출한다. 2단계 과정에서는 Point Cloud를 생성하고 이렇게 생성된 Point Cloud를 바탕으로 정사영상과 정밀 수치표면모델(DSM)과 식생지수(NDVI)를 3단계 과정에서 생성한다.
2) 정규화식생지수(NDVI: Normalized Difference Vegetation Index)
식생의 잎에는 다량의 엽록소가 포함되어 있다. 이 엽록소는 가시광선 영역의 파장별 영역과 근적외선 영역에서 반사특성이 차별화된다. 0.4~0.7 마이크로미터(μm) 영역에 해당되는 가시광선대역은 녹색 파장을 제외하고 엽록소(chlorophyll)층에 대부분 흡수된다. 반면에 근적외선(0.7~1.3 μm) 파장대는 강한 반사특성을 가지고 있다. 이 두 파장의 반사특성 차이를 이용하여 식생의 상대적인 물리량을 측정할 수 있다. 이들 두 가지의 반사율 차이를 합으로 나눔으로써 차별화를 증대시켜 식생지수(NDVI)를 다음과 같은 식(1)로 산출할 수 있다.
식생지수는 –1.0 < NDVI < 1.0의 범위에 있으며 0.8~0.9 정도면 식생의 밀도가 아주 높은 지역이거나 식생의 활력이 매우 높은 것을 의미한다(김응남, 2012).
4. 드론 원격탐사를 이용한 종·군락 분류
1) 픽셀 기반 분류처리
전통적인 영상의 분류처리 방식인 픽셀 기반 분류처리는 이미지의 개별 픽셀 분석을 기반으로 하는 영상 분류 방법이다. 이 방법은 이미지를 픽셀로 알려진 더 작은 영역의 그리드로 나눈 다음 각 픽셀을 미리 정의된 여러 클래스 중 하나로 분류한다(김대영, 2011).
일괄적이고 자동적인 통계처리에 의해 분류되는 무감독분류와 훈련데이터(Training dataset)를 정하는 샘플링 작업을 진행하는 방식인 감독분류 처리 방법이 있다. 사용하는 영상 데이터의 공간해상도(spatial resolution)와 사용목적에 따라 결정되는 분류항목(예; 30 m 공간해상도 영상의 경우 7분류 항목(산림, 농경지, 도심지, 초지, 나대지, 수역, 습지) 등)의 종류와 가짓수를 결정하여 멀티 스펙트럼 영상의 경우 각 분류항목별로 수집된 훈련데이터로부터 밴드별 특징 값을 수집한다(구자용, 2007).
2) 객체 기반 분류처리
객체 기반 분류처리(object based classification)는 초고해상도 영상을 화소 단위로 처리할 때 나타나는 문제점을 극복하고자 개발한 기법이다. 먼저 고해상도 영상을 유사한 값을 갖는 화소들의 집합인 객체(object) 단위로 분리한 뒤 이를 분류하는 방법이다(김민호, 2016). 그러나 영상에서 특정 관심 객체를 탐지하고 분리하는 기술 개발은 쉽지 않다. 따라서 영상에서 객체의 전단계라고 할 수 있는 동질성을 가진 인접화소들을 묶어 segment(조각)로 분리하는 객체 단위 영상분할 방식을 많이 이용한다. 영상 조각은 유사한 밝기 또는 신호 특성을 갖는 인접화소들의 집합이며 객체의 하부 단위로 하나 이상의 조각이 합쳐져서 하나의 객체가 될 수 있다. 따라서 객체기반 영상분석은 영상분할부터 시작된다고 할 수 있다. 영상분할의 기준은 조각의 크기, 화소값, 질감, 주변 관계 등 다양한 요소를 이용하는데, 주로 사용되는 분할 기준은 조각의 크기와 화소값이다. 그림 4는 객체기반 영상분류 처리를 위해 설계된 객체기반 영상 분류 절차를 나타낸 것이다. 객체기반 분류처리의 성공적인 수행을 위해서는 목적에 맞는 분류절차의 적절한 설계가 필요하고 각 단계별 입력 파라미터 값의 설정과 결과의 검증 그리고 수정 등의 작업이 반복적으로 필요하다.
III. 분석 결과 및 고찰
1. 드론 영상에 의한 2D, 3D Mapping
1) 지점별 포인트 클라우드(3D)
X5S 카메라로 촬영된 영상을 그림 3에 나타낸 제1, 2, 3 단계별 처리를 통해 대상 지역에 대한 결과 영상을 제작하였다. 조사 지점 Point-1, Point-2, Point-3에 대한 영상처리를 통해 각각의 3D 포인트 클라우드 영상을 제작하였다. 그림 5는 5월 19일, 8월 25일, 10월 27일 촬영한 영상을 처리한 것이다. (a) 5월 19일 결과를 보면 전체적으로 연한 녹색으로 보이는 수목군과 갈색으로 보이는 조릿대 지역이 대조 되어 보인다. (b)는 8월 25일 촬영된 영상의 결과물이다. 전체적으로 짙은 녹색으로 보이며 조릿대 또한 녹색으로 보이고 있다. (c)는 10월 27일 촬영한 영상의 처리 결과로서 녹색을 띄는 상록수 종류와 단풍이 든 활엽수 종이 뚜렷이 구분된다. 3D로 처리된 개개 수목은 3차원 공간상에서 관찰이 가능하므로 정기적 관찰 대상 수목을 지정한다면 정기적인 모니터링이 가능하다.
2) 정사영상의 생성
정사영상(Ortho mosaic)은 정사보정을 통해 높이차, 기울어짐 등의 기하학적 왜곡을 보정한 사진으로 수직 방향의 위치 정보가 담겨 있어 도면 작업을 위해 만들어 진다. 그림 6에 각 지점별 정사영상을 나타내고 있다. (a) 5월 19일, (b) 8월 25일, (c) 10월 27, 계절적으로는 각각 봄, 여름, 가을에 해당된다. 정사영상의 처리 범위는 조사대상지의 지면상 가로*세로의 범위를 100 m * 100 m의 범위로 설정하여 처리하고 있다. 정사영상은 지도 좌표계 값을 가지고 있어 도면의 역할을 할 수 있기 때문에 해당 지역의 수목을 정밀하게 관측하고 관리할 수 있는 자료로서 활용 가능하다.
3) 정규화식생지수(NDVI) 산출
2022년 5월 19일, 8월 25일, 10월 27일 촬영된 Sequoia 센서 영상을 처리하여 각 지점별 정규화식생지수(NDVI; Normalized Difference Vegetation Index)를 산출하였다. 그림 7에 각각 Point-1, Point-2, Point-3의 조사일별 정규화식생지수 처리 결과 영상을 나타내고 있다. 각 지점별 결과 영상은 정규화식생지수를 산출해 범례와 같이 녹색에서 붉은색까지 9 단계의 색으로 표시하고 있다. 붉은색에 가까울수록 활력이 높음을 나타낸다. 전체적으로는 계절적 변화가 뚜렷하지 않은 구상나무와 주목군의 수목에 비해 조릿대의 변화가 눈에 띈다.
Point-1 지점의 정규화식생지수 계절별 변화를 보면, 봄에 해당되는 그림 (a)에서 상록침엽수인 구상나무와 주목, 그밖에 새순이 돋아난 여러 가지 수목에 비해 제주조릿대가 매우 낮은 값을 갖고 있음을 알 수 있다. 한여름에 해당되는 8월 25일 촬영한 그림 (b)의 결과를 보면 모든 식생이 매우 높은 정규화식생지수 값을 나타내고 있다. 계절적으로 가을에 해당되는 (c)를 보면, 상록침엽수인 구상나무와 주목, 그리고 제주조릿대는 활력이 높은 즉 정규화식생지수 값이 높은 값을 유지하는 반면에 낙엽이 지거나 갈변한 활엽수들은 매우 낮은 값을 보이고 있다. 그림에서 매우 낮은 값을 보이는 영상 우측 상단의 색으로 표시되지 않은 부분은 이번 여름에 등산로 주변 일정 범위의 제주조릿대를 제거한 지역에 해당된다.
Point-2 지점의 정규화식생지수 계절별 변화를 보면 이 지점은 사진의 중앙부분을 제주조릿대가 둘러싼 모습을 보이는 특징을 보이고 있다. 제주조릿대의 활력이 낮은 봄철(a)의 경우 중앙부분의 숲이 분명하게 식별되고 있으나 제주조릿대의 활력이 높아진 그림(b)에서는 그 구분이 분명하지 않다. 가을 영상인 그림(c)에서는 제주조릿대 부분의 활력이 떨어지고 있고 중앙부분의 일부 식생들도 급격히 활력이 떨어지고 있음을 보이기 시작한다.
Point-3 지점의 정규화식생지수 계절별 변화를 보면, 그림 (a)의 봄에 비해 여름의 그림 (b)에서 제주조릿대 이외의 부분에서 높은 식생 활력 값을 보인다.
한편, 계절별 식생활력 변화를 좀 더 구체화하기 위해 객체기반 분류처리 결과영상으로부터 구상나무와 주목으로 분류된 5 지점, 제주조릿대로 분류된 5 지점을 선점하였고, 5월 19일과 8월 25일, 10월 27일의 정규화식생지수 영상에서 지수 값을 추출하여 비교하였다. 선점 지점은 그림 8과 같다. 녹색으로 표시된 구상나무와 주목, 제주조릿대 지점에 각각 5개씩의 지점을 선점하였다. 각 지점별 정규화식생지수 값을 표 2, 표 3에 나타내고 있다. 각 지점별 평균값을 이용해 계절별 변화를 그림 9(a) 구상나무&주목의 정규화식생지수의 변화, (b) 제주조릿대의 정규화식생지수의 변화에 표시하였다. 전체적인 경향은 이전의 연구에서 분석한 2021년도의 계절별 변화와 같은 패턴을 보인다(환경부 국립생물자원관, 2021). 그림에서와 같이 1,500 m 표고의 Point-1의 정규화식생지수 값이 가장 높고, 1,700 m 표고의 Point-3의 값이 상대적으로 낮게 나타나고 있다. 다만 10월 27일의 결과에서는 Point-3의 값이 Point-1과 Point-2의 지점에 비해 높게 나타나는데 이는 촬영 당일의 기상상황과 관계가 있는 것으로 판단된다. 5월19일과 8월 25일 조사 당일에는 각 지점의 조사가 진행되는 동안 기상의 변화가 없는 상황이 유지되었던 반면에 10월 27일 조사 당일에는 Point-1, Point-2 지점의 조사가 진행되는 동안 흐림의 상황이었으나 Point-3의 지점으로 이동하는 동안 맑은 쾌청의 기상으로 변화한 영향이 결과에 반영된 것으로 판단된다.
표 2.
지점별 정규화식생지수값(2022년)
표 3.
지점별 정규화식생지수값(2022년)
그림 9를 통해 확인할 수 있듯이 5월과 8월, 10월에 상대적으로 큰 값의 변동이 보이지 않는 구상나무와 주목에 비해 제주조릿대는 큰 값의 변화를 보이고 있다. 지점별로는 Point-2 지역이 구상과 주목, 제주조릿대 모두에 있어서 상대적으로 높은 정규화식생지수 값을 보이고 있다.
2. 객체기반 분류처리
본 연구에서는 대상지에 자생하고 있는 멸종 위기 종 생물자원의 보호와 감시를 위한 방법으로서 객체기반 분류처리의 고도화를 수행하고 있다. 특히 조사 대상지내의 주요 자생종인 구상나무와 주목에 대한 높은 정도의 분류처리를 수행하고자 하였다. 또한 대상지내에서 구상나무와 주목의 고사와 연계하여 제주조릿대의 현황을 조사하고자 하는 취지에서 이들 구상나무와 주목, 제주조릿대를 주요 수종으로 정하여 분류처리 하고자 하였다. 예비 분류처리를 수행하였고 이러한 결과를 통해 5월과 8월에 촬영된 영상을 사용하는 경우보다 10월에 촬영된 영상을 사용할 경우 좋은 결과를 얻을 수 있었다. 객체기반 분류처리의 결과는 10월 27일 관측되어 처리된 영상을 이용해 수행되었다. 일반적으로 픽셀 기반 분류처리는 물론 객체기반 분류처리 과정에 있어서도 현장 샘플링 작업은 분류정확도의 측면에서 많은 영향을 미친다. 그림 10에 나타낸 바와 같이 본 연구에서는 수목 전문가와의 현장조사를 통해 대상지내 주요 수목에 대한 샘플링 데이터를 수집하여 분리처리 과정에 적용하였다.
1) 분류처리 결과
(1) Point-1
Point-1 지점에 대한 10월 27일 영상을 보면 활엽수는 잎이 떨어지거나 갈변한 상태로 일부 남아 있는 상태이다. 상록침엽수인 구상나무와 주목은 녹색의 건강한 상태로 보인다. 등산로 주변의 밝은 갈색 부분은 이곳에서 이루어지고 있는 제주조릿대 제거 작업으로 인해 생긴 제주조릿대 제거 부분이다. 분류처리 항목으로 구상나무, 주목, 제주조릿대, 기타 수목(잎이 떨어지거나 갈변한 상태의 활엽수 또는 제주조릿대 제거부분)과 고사목의 총 5가지 항목으로 분류하였다. 분류 결과를 그림 11(a)에서 확인 할 수 있다.
분류결과에 대한 분류 정확도 검증을 위해 5가지 분류항목에 대해 각각 30포인트의 검증 포인트를 랜덤하게 발생시켜 검증하였고 이때의 사용자 정확도(User Acc.)의 평균값인 총 분류정확도(Overall Acc.)는 90.67%로 나타났다. 각 분류 항목별 분류 정확도는 표 4의 분류 정확도 검증을 통해 확인할 수 있듯이 구상나무와 주목은 각각 86.67%의 동일한 분류 정확도로 검증 되었다. 대상지는 비교적 낙엽활엽수 종이 많았으며 구상나무에 비해 적은 수의 주목이 자생하고 있다.
표 4.
분류 정확도 검증(Point-1)
(2) Point-2
Point-2 지점에 대한 10월 27일 영상을 보면 활엽수는 Point-1과 비교가 될 만큼 대부분의 활엽수 잎이 떨어진 상태이고 극히 일부만이 갈변한 잎이 있는 상태이다. 상록침엽수인 구상나무와 주목은 녹색의 건강한 상태로 보인다. 이 지역은 대상지의 곳곳에 화산석이 포함되어 있어 분류 항목의 하나로 화산석을 포함하였다. 분류처리 항목으로 구상나무, 주목, 제주조릿대, 기타 수목과 화산석 총 5가지 항목으로 분류하였다. 분류 결과를 그림 11(b)에서 확인 할 수 있다.
분류결과에 대한 분류 정확도 검증을 위해 5가지 분류항목에 대해 각각 30포인트의 검증 포인트를 랜덤하게 발생시켜 검증하였고 이때의 사용자 정확도(User Acc.)의 평균값인 총 분류정확도(Overall Acc.)는 90.00%로 나타났다. 각 분류 항목별 분류 정확도는 표 5의 분류 정확도 검증을 통해 확인할 수 있듯이 구상나무 83.33%, 주목은 이보다 조금 낮은 76.67%를 보이고 있다. 대상지는 비교적 낙엽활엽수 종이 많았으며 구상나무에 비해 적은 수의 주목이 자생하고 있다.
표 5.
분류 정확도 검증(Point-2)
(3) Point-3
Point-3 지점에 대한 10월 27일 영상을 보면 Point-1과 Point-2에 비해 상대적으로 고도가 높은 지역인 이곳은 활엽수의 경우 대부분 잎이 떨어진 상태로 보인다. 상록침엽수인 구상나무가 다른 조사 지점에 비해 많이 자생하고 있고 부분적으로 주목도 자생하고 있다. 이 지역은 등산로 및 휴게 시설 주변으로 많은 수의 고사목을 쉽게 관찰할 수 있다. 분류처리 항목으로는 고사목을 포함해 구상나무, 주목, 제주조릿대, 기타 수목 총 5가지 항목으로 분류하였다. 분류 결과를 그림 11(c)에서 확인 할 수 있다.
분류결과에 대한 분류 정확도 검증을 위해 5가지 분류항목에 대해 각각 30포인트의 검증 포인트를 랜덤하게 발생시켜 검증하였고 이때의 사용자 정확도(User Acc.)의 평균값인 총 분류정확도(Overall Acc.)는 84.67%로 나타났다. 다른 조사 지역에 비해 다소 낮은 분류정확도를 보이고 있다. 여러 가지 이유가 있을 수 있겠지만 현재로서는 촬영 당시의 시간대와 기상 상태가 타 지역의 조사 조건과 약간의 차이가 있어 발생되는 것으로 추측된다. Point-1과 Point-2에서의 촬영 시에는 옅은 구름의 영향으로 일사에 따른 그림자의 영향이 존재하지 않았지만, Point-3 지점의 촬영 시에는 쾌청의 날씨로 영상 상에 그림자의 영향이 발생하게 되었다.
각 분류 항목별 분류 정확도는 표 6의 분류 정확도 검증을 통해 확인할 수 있듯이 구상나무 96.67%, 주목은 이보다 낮은 73.33%를 보이고 있다. 특히 주목은 현장조사를 통해서도 확인할 수 있듯이 비교적 주변 수목의 그림자 영향이 발생되는 부분에 위치하고 있어 그 영향이 분류정확도에 영향을 미친 것으로 판단된다. 대상지는 구상나무가 상대적으로 많이 자생하고 있고 낙엽활엽수도 전체 지역에 골고루 분포하고 있다. 고사목은 다른 지역에 비해 많이 분류되고 있다.
표 6.
분류 정확도 검증(Point-3)
2) 지점별 구상나무, 주목의 면적 산출
객체기반 분류처리를 통해 구상나무와 주목의 분류처리를 수행하였고 각 지점별 면적을 그림 12에 나타내고 있다. 구상나무의 고사 문제와 관련하여 구상나무의 현황조사는 매우 중요한 사안이다. 하지만 2021년도에 수행된 연구 결과에서는 구상나무와 주목의 분류에 있어 여러 어려움이 있었다. 금번 연구에서는 각 지점별로 선정된 지역내에 자생하는 구상나무, 주목, 제주조릿대의 분류처리를 연구의 주요 과제로 수행하였고 표 4, 5, 6에 나타낸 바와 같이 이들 수목을 분류할 수 있었다. point-1 지점에서의 구상나무와 주목은 각각 1,649.43 m2, 454.64 m2의 면적으로 분석되었다. point-2 지점에서의 구상나무와 주목은 1,061.27 m2, 676.68 m2, point-3 지점은 구상나무는 3,574.19 m2, 주목은 422.38 m2 의 면적으로 분석되었다.
IV. 결론
기후변화에 따른 자생식물의 생물계절 특성 조사를 위한 드론 영상의 활용성 검토를 위해 본 연구에서는 한라산 해발고도 1,500 m, 1,600 m, 1,700 m 지점에 각각의 조사 지점을 설정하였다. 2021년에는 5월, 8월 10월에 걸쳐 3회, 2022년에는 3월, 5월, 8월, 10월 걸쳐 4회, 2년간 총 7회 드론에 의한 현장 조사를 실시하였다. 1차 년도 기간인 2021년의 조사 결과로부터 대상지역에 자생하는 식물의 종･군락 분류 방법으로서 기존의 픽셀 기반의 분류처리 방법과 객체기반 분류처리 방법을 적용하였고, 초고해상도 드론 영상의 경우 객체기반 분류처리 방법이 타당함을 검증하였다. 한편, 초고해상도 드론 영상으로부터 객체기반 분류처리를 통해 구상나무와 주목, 낙엽활엽수 2종, 제주조릿대, 고사목, 기타(그림자) 항목으로 분류 처리를 수행해 Point-1 지점에서는 73.33%, Point-2 지점에서는 75.56%, Point-3 지점에서는 77.33%의 분류 정확도 결과를 얻을 수 있었다. 이러한 결과는 예상보다 다소 낮은 분류 정확도 이었으며, 대상지의 주요 보호 수종에 해당되는 구상나무와 주목을 각각의 개별 항목으로 분류하는 것에 어려움이 있었다.
2022년 계속된 2차 년도의 조사를 통해 계절별 현장조사를 수행하였고 자생식물의 생물계절 특성 조사와 종･군락 단위 분류기법의 고도화를 진행하였다. 이러한 연구수행을 통해 다음과 같은 결론을 얻을 수 있었다.
첫째, 봄, 여름, 가을에 걸친 계절별 촬영 영상을 통해 표고별 조사 지점 내 수목에 대한 3차원 포인트 클라우드, 2차원 정사영상을 생성할 수 있었다. 또한 포인트 클라우드 데이터를 이용한 다양한 비행 시점에서의 실감 3차원 영상을 제작할 수 있었다.
둘째, 드론에 장착 가능한 멀티 스펙트럼 센서를 운용함으로써 표고별 조사대상 수목에 대한 정규화식생지수 영상을 생성할 수 있었고 계절별 대상지내의 식생에 대한 정규화식생지수를 모니터링 하는 것이 가능하였다. 다만, 주요 자생식물인 구상나무와 주목의 고사 문제와 제주조릿대 간의 인과 관계를 분석함에 있어서는 단기간의 자료 수집의 한계로 인해 유의미한 결과를 얻을 수 없었다.
셋째, 초고해상도 영상을 이용한 분류처리 방법으로서 객체기반 분류처리를 실행하였다. 본 연구에서는 이전의 연구결과를 통해 봄, 여름 영상이 아닌 10월 27일 촬영된 드론 영상을 통해 분류처리를 수행하였다. 구상나무와 주목을 각각의 분류 항목으로 나누었으며, 그 외 제주조릿대, 고사목, 기타 낙엽활엽수를 각각의 항목으로 분류하였고 분류정확도를 검증하였다. 그 결과 모든 대상지의 영상에서 구상나무와 주목을 개별 분류항목으로 정도 높게 분류하였고 대상 수목군에 대한 면적을 산출할 수 있었다. 한편 자생식물의 종･군락 분류를 위한 객체기반 분류처리의 고도화를 위해 다양한 형태의 Work Flow를 설계하고 적용함으로써 최적의 분류처리 모델을 제시할 수 있었다. 이렇게 설계된 객체기반 분류처리를 통해 Point-1에서는 90.67%, Point-2에서는 90.00%, Point-3에서는 84.67%의 분류정확도를 각각 얻을 수 있었다.
