소나무재선충병 피해목 탐지를 위한 UAV기반의 식생지수 비교 연구 = A Study on the UAV-based Vegetable Index Comparison for Detection of Pine Wilt Disease Trees

다국어 초록 (Multilingual Abstract)

This study aimed to early detect damaged trees by pine wilt disease using the vegetation indices of UAV images. The location data of 193 pine wilt disease trees were constructed through field surveys and vegetation index analyses of NDVI, GNDVI, NDRE and SAVI were performed using multi-spectral UAV images at the same time. K-Means algorithm was adopted to classify damaged trees and confusion matrix was used to compare and analyze the classification accuracy. The results of the study are summarized as follows. First, the overall accuracy of the classification was analyzed in order of NDVI (88.04%, Kappa coefficient 0.76) > GNDVI (86.01%, Kappa coefficient 0.72) > NDRE (77.35%, Kappa coefficient 0.55) > SAVI (76.84%, Kappa coefficient 0.54) and showed the highest accuracy of NDVI. Second, K-Means unsupervised classification method using NDVI or GNDVI is possible to some extent to find out the damaged trees. In particular, this technique is to help early detection of damaged trees due to its intensive operation, low user intervention and relatively simple analysis process. In the future, it is expected that the utilization of time series images or the application of deep learning techniques will increase the accuracy of classification.

국문 초록 (Abstract)

본 연구는 UAV 영상의 식생지수를 활용한 소나무재선충병 피해목 조기 탐지를 그 목적으로 하며, NDVI를 비롯한 대표적인 식생지수들을 선정하고 각각의 분류 정확도 비교분석을 통해 최적의 식생지수를 분석해보았다. 현장답사를 통하여 193개체의 소나무재선충병 피해목 위치데이터를 구축하고 동시에 다중분광 UAV 영상을 이용하여 4가지 식생지수 분석을 수행하였다. 무감독분류(K-Means)를 통하여 피해목을 분류하였고, 오차행렬(Confusion Matrix)를 이용하여 식생지수별 분류정확도를 비교‧분석하였다. 연구의 결과를 요약하면 다음과 같다. 첫째 분류의 전체정확도는 NDVI (88.04%, Kappa계수 0.76) > GNDVI (86.01%, Kappa계수 0.72) > NDRE (77.35%, Kappa계수 0.55) > SAVI (76.84%, Kappa계수 0.54)순으로 분석되어 NDVI가 가장 높은 정확도를 보였으며, GNDVI가 거의 비슷한 수준의 분류정확도를 보였다. 둘째, NDVI 및 GNDVI 식생지수를 이용한 K-Means 무감독 분류방법으로 피해목의 판별이 어느 정도 가능한 것으로 판단된다. 특히 위 기법은 연산이 집약적이고 사용자의 개입이 적고 분석과정이 상대적으로 간단하여 피해목의 조기 탐지에 도움을 줄 수 있을 것으로 판단된다. 향후 시계열영상의 활용 또는 딥러닝기법의 추가 응용으로 분류정확도를 높일 수 있을 것으로 기대한다.

참고문헌 (Reference)

1 이신원, "클러스터 중심 결정 방법을 개선한 K-Means 알고리즘의 구현" 한국정보처리학회 11 (11): 867-874, 2004

2 이정빈, "지상용 초분광 카메라를 이용한 소나무재선충병 감염목 분광 특성 분석" 대한원격탐사학회 30 (30): 665-675, 2014

3 나상일, "원격탐사 기반 맥류 작황 추정을 위한 최적 식생지수 선정 - UAV와 현장 측정자료를 활용하여 -" 대한원격탐사학회 32 (32): 483-497, 2016

4 김동수, "소나무재선충의 매개충인 솔수염하늘소 성충의 우화 생태" 한국응용곤충학회 42 (42): 307-313, 2003

5 이채민, "소나무재선충에 대한 방선균 균주의 살선충 및 증식억제 효과" 한국농약과학회 19 (19): 141-150, 2015

6 김소라, "소나무재선충병 발생시기별 피해목 탐지를 위한 시계열 초분광 항공영상의 활용" 대한원격탐사학회 31 (31): 385-394, 2015

7 김덕인, "무인항공기의 국토모니터링분야 적용을 위한 연구" 한국측량학회 32 (32): 29-38, 2014

8 김명준, "무인항공기를 이용한 소나무재선충병 선단지 예찰 기법: 세종특별자치시를 중심으로" 한국산림과학회 106 (106): 100-109, 2017

9 임언택, "무인항공기를 이용한 딥러닝 기반의 소나무재선충병 피해목 탐지에 관한 연구" 한밭대학교 2020

10 이슬기, "무인항공기(UAV) 영상을 이용한 소나무재선충병 의심목 탐지" 대한원격탐사학회 35 (35): 359-373, 2019

11 이황재, "다각적인 위성 정보 응용을 위한 위성영상 분류기술 개발" 국립 전파연구원 12-13, 1999

12 조명희, "고해상도IKONOS 영상을 활용한 소나무재선충 피해지역추출 기법" 4 (4): 72-78, 2001

13 Gitelson A, "Use of a Green Channel in Remote Sensing of Global Vegetation from EOS-MODIS" 58 (58): 289-298, 1996

14 홍기영, "UAV 영상을 이용한 감염목 추출 및 정확도 검증에 관한 연구" 서울시립대학교 2017

15 Hardisky MA, "The influence of Soil Salinity, Growth form, and Leaf Moisture on the Spectral Radiance of Spartina alterniflora Canopies" 49 : 77-83, 1983

16 Flynn KF, "Remote Sensing of Submerged Aquatic Vegetation in a Shallow Non-Turbid River Using an Unmanned Aerial Vehicle" 6 (6): 12815-12836, 2014

17 Rouse JW, "Monitoring Vegetation Systems in th Great Plains with ERTS" NASA 309-317, 1974

18 Deering DW, "Measuring Forage Production of Grazing Units from Landsat MSS Data" 2 : 1169-1178, 1975

19 Automotive Industry Action Group, "Measurement Systems Analysis Reference Manual"

20 Tomas JR, "Leaf Reflectance vs. Leaf Chlorophyll and Carotenoid Concentrations for Eight Crops" 69 (69): 799-802, 1977

21 Herrmann I, "LAI Assessment of Wheat and Potato Crops by VENμS and Sentinel-2 Bands" 115 (115): 2141-2151, 2011

22 이규성, "Estimation of Forest LAI in Close Canopy Situation Using Optical Remote Sensing Data" 대한원격탐사학회 22 (22): 305-311, 2006

23 Korhonen L, "Comparison of Sentinel-2 and Landsat 8 in the Estimation of Boreal Forest Canopy Cover and Leaf Area Index" 195 (195): 259-274, 2017

24 Huete AR, "An Error and Sensitivity Analysis of the Atmospheric and Soilcorrecting Variants of the NDVI for the MODIS-EOS" 32 (32): 897-905, 1994

25 Story M, "Accuracy Assessment : A User’s Perspective" 52 (52): 397-399, 1986

26 Huete AR, "A Soil-Adjusted Vegetation Index(SAVI)" 25 (25): 259-309, 1988

27 Congalton RG, "A Review of Assessing the Accuracy of Classifications of Remotely Sensed Data" 37 : 35-46, 1991