KR20200122897A - 라이다 측량자료를 이용한 숲틈 모니터링 시스템 및 방법 - Google Patents

라이다 측량자료를 이용한 숲틈 모니터링 시스템 및 방법 Download PDF

Info

Publication number
KR20200122897A
KR20200122897A KR1020190046295A KR20190046295A KR20200122897A KR 20200122897 A KR20200122897 A KR 20200122897A KR 1020190046295 A KR1020190046295 A KR 1020190046295A KR 20190046295 A KR20190046295 A KR 20190046295A KR 20200122897 A KR20200122897 A KR 20200122897A
Authority
KR
South Korea
Prior art keywords
height
forest
water pipe
classified
area
Prior art date
Application number
KR1020190046295A
Other languages
English (en)
Inventor
이동근
송영근
최희준
Original Assignee
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020190046295A priority Critical patent/KR20200122897A/ko
Priority to PCT/KR2019/007573 priority patent/WO2020213787A1/ko
Priority to US17/603,608 priority patent/US20220198749A1/en
Publication of KR20200122897A publication Critical patent/KR20200122897A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • G01S17/10—Systems determining position data of a target for measuring distance only using transmission of interrupted, pulse-modulated waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • G01S17/32—Systems determining position data of a target for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated
    • G01S17/36—Systems determining position data of a target for measuring distance only using transmission of continuous waves, whether amplitude-, frequency-, or phase-modulated, or unmodulated with phase comparison between the received signal and the contemporaneously transmitted signal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Geometry (AREA)
  • Electromagnetism (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

본 발명은 도시에서 발생하는 숲틈을 탐지하고, 숲틈의 변화를 모니터링하는 시스템 및 방법을 제공하는데 목적이 있다.
이에 따라 본 발명은, 라이다 측량자료를 입력받는 데이터 입력부와; 라이다 측량자료에서 노이즈를 제거하고, 점군 데이터 별로 분류 작업을 하는 전처리부와; 수목으로 분류된 점군 데이터에 대하여 수관높이모델을 생성하는 모델링부와; 수관높이모델의 높이가 제1높이 이하인 인접한 점군 데이터들에 해당하는 영역의 면적의 총합이 제1면적 이상인 경우 숲틈으로 분류하고, 그렇지 않으면 닫힌 수관으로 분류하는 숲틈분류부와; 숲틈으로 분류된 영역이 닫힌 수관으로 변한 경우 닫힌 숲틈으로 분류하고, 숲틈으로 남아있는 경우 지속되는 숲틈으로 분류하는 숲틈변화측정부를 포함한다.

Description

라이다 측량자료를 이용한 숲틈 모니터링 시스템 및 방법 {SYSTEM AND METHOD FOR MONITORING THE FOREST GAPS USING AIRBORNE LIDAR DATASETS}
본 발명은 라이다 측량자료를 이용하여 도시에서 발생하는 숲틈의 변화를 모니터링 할 수 있는 시스템 및 방법에 관한 것이다.
교란은 생태계의 일상적인 변동 범위를 벗어나는 것으로, 삼림에서 일어나는 교란은 삼림 식생의 구조와 기능을 결정하는 중요한 요인의 하나이다. 삼림에서는 교란에 의해 열린 공간인 틈이 발생하는데, 숲 위의 전체적인 생김새를 이루는 수목들이 고사되면 수평으로 뿐만 아니라 수직으로도 빈 공간이 발생하여 열린 수관(open canopy) 또는 숲틈(forest gap)이 형성된다.
숲틈은 자연적으로 발생하는 숲틈과 인위적으로 발생하는 숲틈으로 분류될 수 있다. 그리고 숲틈은 상공에서 바라볼 때 빈 공간이 나타나 숲이 열려있는 공간으로 볼 수 있으며, 숲틈이 아닌 지역은 빈 공간이 나타나지 않아 숲이 닫혀 있는 공간으로 볼 수 있다.
자연적으로 발생하는 숲틈은 수목들이 고사되거나 수목들의 뿌리가 뽑히는 등의 이유로 발생하나, 시간이 지남에 따라 수목들이 생장하여 가지와 잎이 달려 있는 수목의 윗부분인 수관의 구조가 다양해지고, 숲에서 열려있는 공간이 닫힘으로써 숲틈이 사라질 수 있다.
그러나 토지 이용의 변화 등에 따라 인위적으로 발생하는 숲틈 또는 교란지역은, 시간이 지나도 수목들이 생장하지 않아 수관의 구조에 차이가 발생하지 않게 되며, 숲의 동태가 거의 변하지 않게 된다.
도시에서 형성되는 숲은 생물 종의 다양성을 높이고, 공기를 정화시키며, 시민의 건강을 증진시키는 이점을 제공하지만, 토지를 이용하거나 도시 개발 사업을 진행하는 과정에 있어서 숲에 교란이 발생하여 숲틈이 발생할 수 있다. 이와 같은 숲틈에 대하여 적절한 시기에 조치를 취하지 못하는 경우, 지속적으로 열린 공간으로 남을 가능성이 높아 외래종 침입의 루트가 되는 등 도시 생태계에 악영향을 미칠 수 있다.
도시에서 발생하는 숲틈의 변화를 관찰하고 수관을 분류하기 위하여, 현장조사를 실시하거나 항공사진을 이용할 수 있다. 그러나 현장조사를 통해 숲틈의 변화를 관찰하는 것은 많은 시간과 노동력을 필요로 하며, 샘플링을 통한 조사 방법은 도시 전체의 숲틈의 변화를 추정하기 어렵다는 한계가 있다.
그리고 고해상도의 항공사진을 이용하여 숲틈을 조사하는 경우, 태양의 고도 및 비행 고도, 수목의 높이 등에 따라 발생하는 그림자에 의해 오차가 발생할 수 있으며, 항공사진은 2차원의 데이터이기 때문에 숲틈의 변화와 수관의 종류를 정확하게 파악하기 어려운 점이 있다.
한편 라이다(LiDAR, Light Detection And Ranging)는 레이저 펄스를 목표물에 발사하여 반사된 빛이 센서로 되돌아 오는 시간을 계산함으로써, 목표물의 3차원 상의 좌표(X, Y, Z 축 상의 위치)를 계산하는 장치이다.
라이다는 짧은 파장의 광학 펄스를 이용하기 때문에 공간을 작은 단위로 나누어 정보를 취득할 수 있어, 상당히 높은 수준의 해상도와 정확도를 가지게 된다. 그리고 360도 전 방향으로 광학 펄스를 방출하기 때문에 넓은 시야각(FOV, Field of View)을 가지며, 비, 눈, 안개 등의 날씨에서도 성능이 하락되지 않는 장점이 있다.
이와 같은 라이다를 항공기에 장착하거나 소형화된 모바일 라이다를 탐사지역에서 직접 운용하여 지형 및 식생의 정보를 측정할 수 있지만, 측정된 라이다 측량자료를 이용하여 도시의 삼림에서 발생하는 숲틈의 변화를 모니터링하는 시스템 및 방법은 나타난 바가 없는 실정이다.
본 발명은 도시에서 발생하는 숲틈을 탐지하고, 숲틈의 변화를 모니터링하는 시스템 및 방법을 제공하는데 목적이 있다.
상기와 같은 목적을 달성하기 위하여 본 발명은, 점군 데이터를 포함하는 라이다 측량자료를 입력받는 데이터 입력부와; 상기 라이다 측량자료에서 로우 및 하이 포인트 데이터를 제거하고, 상기 점군 데이터 별로 지면, 건물, 수목, 차량 및 기타 지물로 분류하는 전처리부와; 상기 점군 데이터 별로 수치표면모델(DSM)과 수치지형모델(DTM)을 생성하고, 수목으로 분류된 상기 점군 데이터에 대하여 상기 수치표면모델(DSM)의 높이에서 상기 수치지형모델(DTM)의 높이를 감산하여 수관높이모델(CHM)을 생성하는 모델링부와; 상기 수관높이모델(CHM)의 높이가 제1높이(H1) 이하인 인접한 상기 점군 데이터들에 해당하는 영역의 면적의 총합이 제1면적(A1) 이상인 경우 숲틈(FG)으로 분류하고, 그렇지 않으면 닫힌 수관(CC)으로 분류하는 숲틈분류부와; 제1측정기간(T1) 동안 상기 숲틈(FG)으로 분류된 영역이 상기 닫힌 수관(CC)으로 변한 경우 닫힌 숲틈(CG)으로 분류하고, 상기 숲틈(FG)으로 분류된 영역이 상기 숲틈(FG)으로 남아있는 경우 지속되는 숲틈(EG)으로 분류하는 숲틈변화측정부를 포함하는 숲틈 모니터링 시스템을 제공한다.
그리고 상기 점군 데이터 별로 상기 수관높이모델(CHM)의 높이가 상기 제1높이(H1) 이하인 경우 하층수관(LC)으로 분류하고, 그렇지 않으면 상층수관(HC)으로 분류하는 수관분류부와; 상기 점군 데이터 별로 제2측정기간(T2) 동안 상기 수관높이모델(CHM)의 높이의 변화를 측정하는 수관변화측정부와; 상기 점군 데이터 별로 상기 수관높이모델(CHM)의 높이의 변화가 양(+)의 값을 가지며 제2높이(H2) 이하인 경우 수직방향 생장지역(VG)으로 분류하고, 상기 제2높이(H2)를 초과하는 경우 측방향 생장지역(LG)으로 분류하며, 음(-)의 값을 가지는 경우 교란지역(DA)으로 분류하는 지역분류부를 더 포함하는 숲틈 모니터링 시스템을 제공한다.
그리고 상기 제1높이(H1)는 5m 이고, 상기 제1면적(A1)은 10m2 이며, 상기 제1측정기간(T1)은 3년인 숲틈 모니터링 시스템을 제공한다.
그리고 상기 제2높이(H2)는 0.5m 이고, 상기 제2측정기간(T2)은 3년인 숲틈 모니터링 시스템을 제공한다.
본 발명의 다른 실시예는, (1) 데이터 입력부가 점군 데이터를 포함하는 라이다 측량자료를 입력받는 단계; (2) 전처리부가 상기 라이다 측량자료에서 로우 및 하이 포인트 데이터를 제거하고, 상기 점군 데이터 별로 지면, 건물, 수목, 차량 및 기타 지물로 분류하는 단계; (3) 모델링부가 상기 점군 데이터 별로 수치표면모델(DSM)과 수치지형모델(DTM)을 생성하고, 수목으로 분류된 상기 점군 데이터에 대하여 상기 수치표면모델(DSM)의 높이에서 상기 수치지형모델(DTM)의 높이를 감산하여 수관높이모델(CHM)을 생성하는 단계; (4) 숲틈분류부가 상기 수관높이모델(CHM)의 높이가 제1높이(H1) 이하인 인접한 상기 점군 데이터들에 해당하는 영역의 면적의 총합이 제1면적(A1) 이상인 경우 숲틈(FG)으로 분류하고, 그렇지 않으면 닫힌 수관(CC)으로 분류하는 단계; (5) 숲틈변화측정부가 제1측정기간(T1) 동안 상기 숲틈(FG)으로 분류된 영역이 상기 닫힌 수관(CC)으로 변한 경우 닫힌 숲틈(CG)으로 분류하고, 상기 숲틈(FG)으로 분류된 영역이 상기 숲틈(FG)으로 남아있는 경우 지속되는 숲틈(EG)으로 분류하는 단계를 포함하는 숲틈의 모니터링 방법을 제공한다.
그리고 (6) 수관분류부가 상기 점군 데이터 별로 상기 수관높이모델(CHM)의 높이가 상기 제1높이(H1) 이하인 경우 하층수관(LC)으로 분류하고, 그렇지 않으면 상층수관(HC)으로 분류하는 단계; (7) 수관변화측정부가 상기 점군 데이터 별로 제2측정기간(T2) 동안 상기 수관높이모델(CHM)의 높이의 변화를 측정하는 단계; (8) 지역분류부가 상기 점군 데이터 별로 상기 수관높이모델(CHM)의 높이의 변화가 양(+)의 값을 가지며 제2높이(H2) 이하인 경우 수직방향 생장지역(VG)으로 분류하고, 상기 제2높이(H2)를 초과하는 경우 측방향 생장지역(LG)으로 분류하며, 음(-)의 값을 가지는 경우 교란지역(DA)으로 분류하는 단계를 더 포함하는 숲틈의 모니터링 방법을 제공한다.
그리고 상기 제1높이(H1)는 5m 이고, 상기 제1면적(A1)은 10m2 이며, 상기 제1측정기간(T1)은 3년인 숲틈의 모니터링 방법을 제공한다.
그리고 상기 제2높이(H2)는 0.5m 이고, 상기 제2측정기간(T2)은 3년인 숲틈의 모니터링 방법을 제공한다.
이상 설명한 바와 같이 본 발명은, 라이다 측량자료를 이용하여 도시림에서 숲의 생장정보와 교란정보를 정량적으로 평가할 수 있고, 숲틈의 변화를 자동으로 모니터링 함으로써 도시림의 교란지역에 대한 대비 정책을 수립하는데 도움을 주는 정보를 제공할 수 있다.
도 1은 본 발명의 숲틈 모니터링 시스템의 구조를 나타낸 도면이다.
도 2a 내지 도 2c는 본 발명에서 숲틈을 분류하고, 숲틈 및 수관의 변화를 모니터링하는 방법을 단계별로 나타낸 도면이다.
이하, 도면을 참조하여 본 발명의 실시 예를 상세하게 설명한다.
하기의 실시 예는 본 발명을 구체적으로 설명하기 위한 예시로서, 본 발명의 권리범위를 제한하거나 이를 한정하는 것이 아님은 물론이다. 따라서 본 발명의 상세한 설명 및 실시 예로부터 본 발명이 속하는 기술 분야의 통상의 기술자가 용이하게 유추할 수 있는 것은, 본 발명의 권리범위에 속하는 것으로 해석된다.
도 1은 본 발명의 숲틈 모니터링 시스템의 구조를 나타낸 도면이다. 본 발명의 숲틈 모니터 시스템(100)은 라이다 측량자료를 저장하는 저장부(110)와, 라이다 측량자료를 입력 받기 위한 데이터 입력부(120), 라이다 측량자료의 노이즈를 제거하는 전처리부(130), 도시림의 지형 정보와 도시림에 형성되는 수목의 높이를 산출하는 모델링부(140), 숲틈 여부를 판단하는 숲틈분류부(150), 숲틈의 변화를 분류하는 숲틈변화측정부(160)를 포함한다.
데이터 입력부(120)는 숲틈 모니터링 시스템(100)의 외부에서 실시되는 라이다에 의해 도시림의 지형 및 식생 정보를 측량한 자료를 입력 받는 역할을 하며, 항공기에 장착된 라이다 및 모바일 라이다, 기타 라이다 장치에 의해 측량된 자료를 모두 이용할 수 있다.
라이다 장치는 레이저 펄스 또는 위상차를 이용하는 방법으로 목표물과의 거리를 측정할 수 있다.
레이저 펄스를 이용하는 방법은 라이다에서 레이저 펄스를 방출한 후 목표물에 의해 반사되어 라이다로 다시 돌아오는 왕복시간(T)과 빛의 속도(c)의 곱을 이분하여 목표물과의 거리(S)를 구할 수 있다.
Figure pat00001
위상차를 이용하는 방법은 레이저를 연속적으로 방출하는 경우, 레이저의 위상 변화량(φ)의 비율(φ/2π)을 주파수(f)로 나눔으로써, 라이다에서 레이저를 방출한 후 목표물에 의해 반사되어 라이다로 다시 돌아오는 왕복시간(T)을 구할 수 있고, 상기 수학식1에 대입하여 목표물과의 거리(S)를 구할 수 있다.
Figure pat00002
라이다는 레이저 펄스 또는 위상차에 의해 목표물과의 거리를 측정한 후, 목표물의 3차원 상의 위치(X, Y, Z 축 상의 위치) 정보를 가지는 점군 데이터(point cloud)를 생성하게 된다. 항공 또는 모바일 라이다에 의해 측정되어 계산된 상기 점군 데이터를 포함하는 라이다 측량자료는, 데이터 입력부(120)를 통해 숲틈 모니터링 시스템(100)에 입력된다. 그리고 데이터 입력부(120)는 라이다 장치의 기종과 이들이 생성한 점군 데이터의 규격에 상관없이 호환하여 라이다 측량자료를 입력 받을 수 있으며, 입력 받은 라이다 측량자료를 숲틈 모니터링 시스템(100)의 내부에 구비된 저장부(110)에 저장할 수 있다.
그리고 저장부(100)에 저장된 라이다 측량자료는 데이터 입력부(120)를 포함한 나머지 구성에 의해 각각 처리된 후, 다시 저장부(100) 저장될 수 있다.
데이터 입력부(120)를 통해 입력된 라이다 측량자료의 점군 데이터는 노이즈에 의해 영향을 받을 수 있다.
대표적으로 라이다에서 방출한 레이저 펄스가 건물 및 수목 사이에서 다중 반사되어, 목표물의 위치가 실제 위치보다 낮은 고도로 측정될 수 있다. 이러한 노이즈를 로우 포인트(low point) 데이터라고 하며, 건물 또는 수목 등의 식생이 많은 지역에서 빈번히 발생할 수 있다.
가장 낮은 고도를 가진 점을 지면으로 인식하는 방법에 있어서 로우 포인트 데이터가 발생하면, 지면 보다 목표물의 고도가 낮은 곳으로 측정되어 목표물을 지면으로 인식하고 지면을 목표물로 인식하는 오류가 나타날 수 있기 때문에, 이를 제거할 필요가 있다.
한편 구름 또는 조류 및 기타 비행물체가 라이다 센서에 의해 탐지될 경우, 다른 점군 데이터와는 상대적으로 높은 고도에서 점군 데이터가 생성될 수 있으며, 이를 하이 포인트(high point) 또는 에어 포인트(air point) 데이터라고 한다.
하이 포인트 데이터는 건물 및 수목의 높이 측정에 오류가 발생하는 원인으로, 로우 포인트 데이터와 같이 제거할 필요가 있다.
전처리부(130)는 데이터 입력부(100)에 저장된 라이다 측량자료에 포함된 점군 데이터를 검사하여, 지면의 고도인 제1고도(E1) 부근에서 일정한 체적을 갖는 제1영역(R1) 안에 포함된 점군 데이터의 개수(P1)가, 지면 여부를 판별하는 점군 데이터의 기준 개수(P2)보다 작은 경우, 로우 포인트 데이터로 간주하여 이를 제거할 수 있다.
마찬가지로 전처리부(130)는 지형, 건물, 수목 등이 위치할 수 있는 최고 고도인 제2고도(E2) 이상에서 일정한 체적을 갖는 제2영역(R2) 안에 포함된 점군 데이터의 개수(P3)가, 건물, 수목, 차량 및 기타 지물을 판별하는 점군 데이터의 기준 개수(P4, P5, P6) 보다 작은 경우, 하이 포인트 데이터로 간주하여 이를 제거할 수 있다.
전처리부(130)는 제1고도(E1)와 제2고도(E2) 사이에서 일정한 체적을 갖는 제3영역(R3) 안에 포함된 점군 데이터의 개수(P6)가, 지면, 건물, 수목, 차량 및 기타지물 등을 판별하는 점군 데이터의 기준 개수(P2, P4, P5, P6)의 오차 범위 안에 있을 때, 상기 제3영역(R3)에 포함된 점군 데이터들을 각각 지면, 건물, 수목, 차량 및 기타 지물 등으로 판별하여 분류할 수 있다.
로우 포인트 데이터 또는 하이 포인트 데이터를 판별하거나, 점군 데이터를 분류하는 방법은 위와 같은 방법에 제한되지 않고 다른 방법들을 적용할 수 있으며, 이와 같이 분류된 점군 데이터들의 정보는 저장부(110)에 저장되어, 표면, 지형, 수목의 높이를 모델링 하기 위해 이용될 수 있다.
모델링부(140)는 분류된 점군 데이터를 입력 받아 수치표면모델(DSM, Digital Surface Model)과 수치지형모델(DTM, Digital Terrain Model)을 생성할 수 있다.
수치표면모델(DSM)은 건물 등의 인공지물과 수목 등의 식생이 포함된 표면의 고도를 표현하기 위해, 점군 데이터를 수치로 기록한 모델이다. 그리고 수치지형모델(DTM)은 인공지물과 식생을 제외한 지형의 고도를 표현하기 위해 점군 데이터를 수치로 기록한 모델이다.
모델링부(140)는 전처리부(130)에서 분류한 수목에 해당하는 점군 데이터에 대하여, 수치표면모델(DSM)과 수치지형모델(DTM)을 이용하여 수관높이모델(CHM, Canopy Height Model)을 생성할 수 있다.
수관높이모델(CHM)은 수목의 높이를 수치로 기록한 모델이며, 수치표면모델(DSM)에서 수치지형모델(DTM)을 감산하여 구할 수 있다. 수관높이모델(CHM)은 수목의 수관을 분류하고, 숲틈 여부를 판별하는 기준으로 이용될 수 있다.
점군 데이터 별로 생성한 수치표면모델(DSM), 수치지형모델(DTM), 수관높이모델(CHM)의 정보는 저장부(110)에 저장되어, 수관을 분류하고 숲틈을 탐지하기 위해 이용될 수 있다.
숲틈분류부(150)는 수관높이모델(CHM)의 높이가 제1높이(H1) 이하인 점군 데이터가 인접하여 형성되고, 상기 점군 데이터들이 인접하여 형성된 영역의 면적의 총합이 제1면적(A1) 이상인 경우 숲틈(FG, Forest Gap)으로 분류한다. 그러나 수관높이모델(CHM)의 높이가 제1높이(H1)를 초과하거나, 점군 데이터들이 인접하여 형성된 영역의 면적의 총합이 제1면적(A1) 미만인 경우는 닫힌 수관(CC, Closed Canopy)으로 분류하여 숲틈(FG)과 구분한다.
제1면적(A1)은 도시림에서 발생하는 숲틈의 최소 면적의 평균이고, 조사 등을 통해 얻은 숲틈의 최소 면적의 평균인 10m2 이 될 수 있으며, 제1높이(H1)는 수목이 측 방향으로 생장하는 최소 높이의 평균이고, 조사 등을 통해 얻은 수치인 5m가 될 수 있다.
숲틈변화측정부(160)는 일, 월, 년 또는 임의의 시간별로 숲틈(FG) 또는 닫힌 수관(CC)을 분류하여, 이전 분류 시점과의 변화 추이를 구해낸다. 이전 분류 시점과의 시간적 차이인 제1측정기간(T1)은 2년 내지 3년이 될 수 있으나 이에 한정하지는 않는다.
닫힌 수관(CC)으로 분류된 영역이 제1측정기간(T1)이 지난 후 닫힌 수관(CC)으로 남아있는 경우 계속하여 닫힌 수관(CC)으로 분류하고, 숲틈(FG)으로 변한 경우 숲틈(FG)으로 분류한다.
숲틈(FG)으로 분류된 영역이 제1측정기간(T1)이 지난 후 닫힌 수관(CC)으로 변한 경우 닫힌 숲틈(CG, Closed Gap)으로 분류하고, 숲틈(FG)으로 계속하여 남아있는 경우 지속되는 숲틈(EG, Existing Gap)으로 분류한다. 분류된 변화의 양상은 숲틈 모니터링 시스템(100) 사용자에게 제공되어 도시림의 숲틈의 변화 추이를 모니터링 하게 할 수 있다.
한편 숲틈에서 시계열에 따른 수관 구조의 변화 양상을 모니터링하기 위하여, 숲틈 모니터링 시스템(100)은 수관분류부(170), 수관변화측정부(180)와 지역분류부(190)를 더 포함할 수 있다.
수관분류부(170)는 수목으로 분류된 점군 데이터에 대하여, 수관높이모델(CHM)의 높이가 수목이 측 방향으로 생장하는 최소 높이의 평균인 제1높이(H1) 이하인 경우 하부 식생인 하층수관(LC)으로 분류하고, 초과한 경우 상부 식생인 상층수관(HC)으로 분류한다. 이와 같이 분류된 수목의 변화를 모니터링하여 수목이 하층수관(LC)에서 상층수관(HC)으로 변한 경우, 수목이 생장하여 닫힌 지역(CaC, Canopy Closure)으로 판별할 수 있다.
수관변화측정부(180)는 일, 월, 년 또는 임의의 시간별로 점군 데이터의 수관높이모델(CHM)을 계산하여, 이전 계산 시점과의 높이 차이를 구해낸다. 수관높이모델(CHM)은 수치표면모델(DSM)에서 수치지형모델(DTM)을 감산하여 구할 수 있고, 이전 계산 시점과의 시간적 차이인 제2측정기간(T2)은 2년 내지 3년이 될 수 있으나 이에 한정하지는 않는다.
지역분류부(190)는 점군 데이터별로 수관높이모델(CHM)의 높이의 변화를 비교하여 수관이 생장하거나 교란되는 지역의 종류를 분류한다. 수관높이모델(CHM)의 높이의 변화가 양(+)의 값을 가지는 경우 수목이 생장하는 생장지역(GA, Growth Area)으로 분류될 수 있고, 음(-)의 값을 가지는 경우 수목이 소실되어 가는 교란지역(DA, Disturbance Area)으로 분류할 수 있다.
그리고 생장지역(GA)으로 판별된 점군 데이터에 해당하는 영역에 대하여, 수관높이모델(CHM)의 높이의 변화를 비교하여 생장지역(GA)의 종류를 분류한다.
수관높이모델(CHM)의 높이의 변화가 제2높이(H2) 이하인 경우 측방향 생장지역(LG, Lateral Growth)으로 분류할 수 있고, 제2높이(H2)를 초과한 경우 수직방향 생장지역(VG, Vertical Growth)으로 분류할 수 있다.
제2높이(H2)를 초과하여 생장하는 경우 수직 방향 뿐만 아니라 측 방향으로도 생장하게 되고, 제2높이(H2) 이하로 생장하는 경우 수직 방향으로만 생장하게 되며, 제2높이(H2)는 조사 등을 통해 얻은 수치인 0.5m 가 될 수 있다.
그리고 수관분류부(170)에서 분류한 수목의 수관이 하층수관(LC)에서 상층수관(HC)으로 변한 경우 닫힌 지역(CaC, Canopy Closure)으로 분류할 수 있다.
숲틈 모니터링 시스템(100)은 출력부(111)를 더 포함할 수 있으며, 출력부(111)는 측방향 생장지역(LG), 수직방향 생장지역(VG), 교란지역(DA), 닫힌 지역(CaC), 닫힌 수관(CC), 숲틈(FG), 닫힌 숲틈(CG), 지속되는 숲틈(EG)을 색상 또는 기호 등 시각적으로 구별하여, 영상표시장치 및 인쇄장치에 출력할 수 있다. 이와 같이 출력부(111)를 통해 구분되는 도시림의 정보는 숲틈 모니터링 시스템(100) 사용자가 도시림의 숲틈의 변화 추이를 용이하게 인식할 수 있도록 할 수 있다.
도 2a는 본 발명에서 숲틈을 분류하는 방법을 단계적으로 나타낸 도면이다.
(1)제1단계에서 데이터 입력부는 항공 라이다 또는 모바일 라이다에 의해 측량되며 점군 데이터가 포함된 자료를 외부로부터 입력 받게 된다.
(2)제2단계에서 전처리부는 노이즈인 로우 포인트 데이터 및 하이 포인트 데이터를 제거하며(도 2a의 2-1), 점군 데이터별로 지면, 건물, 수목, 차량 및 기타 지물을 판별하여 분류한다.(도2a의 2-2)
(3)제3단계에서 모델링부는 수치표면모델(DSM)과 수치지형모델(DTM)을 생성하고(도 2a의 3-1), 수치표면모델(DSM)의 높이에서 수치지형모델(DTM)의 높이를 감산하여 수관높이모델(CHM)을 생성한다.(도2a의 3-2)
(4)제4단계에서 숲틈분류부는 수관높이모델(CHM)의 높이가 수목이 측 방향으로 생장하는 최소 높이의 평균인 제1높이(H1) 이하인 인접한 점군 데이터들에 해당하는 영역의 면적의 총합이 도시림에서 발생하는 숲틈의 평균 면적인 제1면적(A1) 이상인 경우 숲틈(FG)으로 분류하고, 그렇지 않으면 닫힌 수관(CC)으로 분류한다.
도 2b는 본 발명에서 숲틈의 변화를 모니터링 하여 변화의 양상을 분류하는 방법을 단계적으로 나타낸 도면이다.
(5)제5단계에서 숲틈변화측정부는 제1 내지 제4단계를 실시한 제1시점으로부터 제1측정기간(T1)이 경과한 제2시점에서, 다시 제1 내지 제4단계를 실시하여 검사영역이 숲틈(FG)인지 여부를 판별한다.
제2시점에서 숲틈(FG)으로 분류된 영역이 제1측정기간(T1) 전의 제1시점에서도 숲틈(FG)이었던 경우 지속되는 숲틈(EG)으로 분류하고, 닫힌 수관(CC)이었던 경우 숲틈(FG)으로 분류한다.
제2시점에서 닫힌 수관(CC)으로 분류된 영역이 제1측정기간(T1) 전의 제1시점에서 숲틈(FG)이었던 경우 닫힌 숲틈(CG)으로 분류하고, 닫힌 수관(CC)이었던 경우 계속하여 닫힌 수관(CC)으로 분류한다.
도면에는 나타나지 않았지만, 이와 같이 숲틈(FG), 닫힌 수관(CC), 지속되는 숲틈(EG), 닫힌 숲틈(CG)은 출력부에 의해 영상표시장치나 인쇄장치에 출력되어 숲틈의 변화를 시각적으로 표시함으로써, 도시림에서 발생하는 숲틈의 변화 양상에 대한 정보를 제공할 수 있다.
도 2c는 본 발명에서 수관의 변화를 모니터링 하여 변화의 양상을 분류하는 방법을 단계적으로 나타낸 도면이다.
(6)제6단계에서 수관분류부는 수관높이모델(CHM)의 높이가 제1높이(H1) 이하인 경우 하층수관(LC)으로 분류하고, 제1높이(H1)를 초과하면 상층수관(HC)으로 분류한다.
(7)제7단계에서 수관변화측정부는 제6단계를 실시한 제3시점으로부터 제2측정기간(T2)이 경과한 제4시점에서, 다시 제6단계를 실시하여 수관높이모델(CHM)의 높이의 변화를 측정한다.
(8)제8단계에서 지역분류부는 수관높이모델(CHM)의 높이의 변화가 음(-)의 값을 가지는 경우 교란지역(DA)으로 분류하고, 0 내지 제2높이(H2)인 경우 수직방향 생장지역(VG)으로 분류하며, 제2높이(H2)를 초과하는 경우 측방향 생장지역(LG)으로 분류한다.
도면에는 나타나지 않았지만, 수목이 하층수관(LC)에서 상층수관(HC)으로 변한 경우 닫힌 지역(CaC)으로 판별할 수 있으며, 교란지역(DA), 수직방향 생장지역(VG), 측방향 생장지역(LG), 닫힌 지역(CaC)은 출력부에 의해 영상표시장치나 인쇄장치에 출력되어 수관의 변화를 시각적으로 표시함으로써, 도시림에서 식생의 생장 또는 교란 양상을 파악할 수 있는 정보를 제공할 수 있다.
이와 같이 본 발명은 상기 실시 예로 한정되지 않고, 본 발명의 취지를 벗어나지 않고 효과를 저해하지 않는 한도 내에서 다양하게 변경하여 실시할 수 있다.
100 : 숲틈 모니터링 시스템 110 : 저장부
111 : 출력부 120 : 데이터 입력부
130 : 전처리부 140 : 모델링부
150 : 숲틈분류부 160 : 숲틈변화측정부
170 : 수관분류부 180 : 지역분류부
190 : 수관변화측정부

Claims (8)

  1. 점군 데이터를 포함하는 라이다 측량자료를 입력받는 데이터 입력부와;
    상기 라이다 측량자료에서 로우 및 하이 포인트 데이터를 제거하고, 상기 점군 데이터 별로 지면, 건물, 수목, 차량 및 기타 지물로 분류하는 전처리부와;
    상기 점군 데이터 별로 수치표면모델(DSM)과 수치지형모델(DTM)을 생성하고, 수목으로 분류된 상기 점군 데이터에 대하여 상기 수치표면모델(DSM)의 높이에서 상기 수치지형모델(DTM)의 높이를 감산하여 수관높이모델(CHM)을 생성하는 모델링부와;
    상기 수관높이모델(CHM)의 높이가 제1높이(H1) 이하인 인접한 상기 점군 데이터들에 해당하는 영역의 면적의 총합이 제1면적(A1) 이상인 경우 숲틈(FG)으로 분류하고, 그렇지 않으면 닫힌 수관(CC)으로 분류하는 숲틈분류부와;
    제1측정기간(T1) 동안 상기 숲틈(FG)으로 분류된 영역이 상기 닫힌 수관(CC)으로 변한 경우 닫힌 숲틈(CG)으로 분류하고, 상기 숲틈(FG)으로 분류된 영역이 상기 숲틈(FG)으로 남아있는 경우 지속되는 숲틈(EG)으로 분류하는 숲틈변화측정부
    를 포함하는 숲틈 모니터링 시스템.
  2. 제1항에 있어서,
    상기 점군 데이터 별로 상기 수관높이모델(CHM)의 높이가 상기 제1높이(H1) 이하인 경우 하층수관(LC)으로 분류하고, 그렇지 않으면 상층수관(HC)으로 분류하는 수관분류부와;
    상기 점군 데이터 별로 제2측정기간(T2) 동안 상기 수관높이모델(CHM)의 높이의 변화를 측정하는 수관변화측정부와;
    상기 점군 데이터 별로 상기 수관높이모델(CHM)의 높이의 변화가 양(+)의 값을 가지며 제2높이(H2) 이하인 경우 수직방향 생장지역(VG)으로 분류하고, 상기 제2높이(H2)를 초과하는 경우 측방향 생장지역(LG)으로 분류하며, 음(-)의 값을 가지는 경우 교란지역(DA)으로 분류하는 지역분류부
    를 더 포함하는 숲틈 모니터링 시스템.
  3. 제1항에 있어서,
    상기 제1높이(H1)는 5m 이고, 상기 제1면적(A1)은 10m2 이며, 상기 제1측정기간(T1)은 3년인 숲틈 모니터링 시스템.
  4. 제2항에 있어서
    상기 제2높이(H2)는 0.5m 이고, 상기 제2측정기간(T2)은 3년인 숲틈 모니터링 시스템.
  5. (1) 데이터 입력부가 점군 데이터를 포함하는 라이다 측량자료를 입력받는 단계;
    (2) 전처리부가 상기 라이다 측량자료에서 로우 및 하이 포인트 데이터를 제거하고, 상기 점군 데이터 별로 지면, 건물, 수목, 차량 및 기타 지물로 분류하는 단계;
    (3) 모델링부가 상기 점군 데이터 별로 수치표면모델(DSM)과 수치지형모델(DTM)을 생성하고, 수목으로 분류된 상기 점군 데이터에 대하여 상기 수치표면모델(DSM)의 높이에서 상기 수치지형모델(DTM)의 높이를 감산하여 수관높이모델(CHM)을 생성하는 단계;
    (4) 숲틈분류부가 상기 수관높이모델(CHM)의 높이가 제1높이(H1) 이하인 인접한 상기 점군 데이터들에 해당하는 영역의 면적의 총합이 제1면적(A1) 이상인 경우 숲틈(FG)으로 분류하고, 그렇지 않으면 닫힌 수관(CC)으로 분류하는 단계;
    (5) 숲틈변화측정부가 제1측정기간(T1) 동안 상기 숲틈(FG)으로 분류된 영역이 상기 닫힌 수관(CC)으로 변한 경우 닫힌 숲틈(CG)으로 분류하고, 상기 숲틈(FG)으로 분류된 영역이 상기 숲틈(FG)으로 남아있는 경우 지속되는 숲틈(EG)으로 분류하는 단계를 포함하는 숲틈의 모니터링 방법.
  6. 제5항에 있어서,
    (6) 수관분류부가 상기 점군 데이터 별로 상기 수관높이모델(CHM)의 높이가 상기 제1높이(H1) 이하인 경우 하층수관(LC)으로 분류하고, 그렇지 않으면 상층수관(HC)으로 분류하는 단계;
    (7) 수관변화측정부가 상기 점군 데이터 별로 제2측정기간(T2) 동안 상기 수관높이모델(CHM)의 높이의 변화를 측정하는 단계;
    (8) 지역분류부가 상기 점군 데이터 별로 상기 수관높이모델(CHM)의 높이의 변화가 양(+)의 값을 가지며 제2높이(H2) 이하인 경우 수직방향 생장지역(VG)으로 분류하고, 상기 제2높이(H2)를 초과하는 경우 측방향 생장지역(LG)으로 분류하며, 음(-)의 값을 가지는 경우 교란지역(DA)으로 분류하는 단계
    를 더 포함하는 숲틈의 모니터링 방법.
  7. 제5항에 있어서,
    상기 제1높이(H1)는 5m 이고, 상기 제1면적(A1)은 10m2 이며, 상기 제1측정기간(T1)은 3년인 숲틈의 모니터링 방법.
  8. 제6항에 있어서
    상기 제2높이(H2)는 0.5m 이고, 상기 제2측정기간(T2)은 3년인 숲틈의 모니터링 방법.
KR1020190046295A 2019-04-19 2019-04-19 라이다 측량자료를 이용한 숲틈 모니터링 시스템 및 방법 KR20200122897A (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020190046295A KR20200122897A (ko) 2019-04-19 2019-04-19 라이다 측량자료를 이용한 숲틈 모니터링 시스템 및 방법
PCT/KR2019/007573 WO2020213787A1 (ko) 2019-04-19 2019-06-24 라이다 측량자료를 이용한 숲틈 모니터링 시스템 및 방법
US17/603,608 US20220198749A1 (en) 2019-04-19 2019-06-24 System and method for monitoring forest gap using lidar survey data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190046295A KR20200122897A (ko) 2019-04-19 2019-04-19 라이다 측량자료를 이용한 숲틈 모니터링 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20200122897A true KR20200122897A (ko) 2020-10-28

Family

ID=72838303

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190046295A KR20200122897A (ko) 2019-04-19 2019-04-19 라이다 측량자료를 이용한 숲틈 모니터링 시스템 및 방법

Country Status (3)

Country Link
US (1) US20220198749A1 (ko)
KR (1) KR20200122897A (ko)
WO (1) WO2020213787A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591766A (zh) * 2021-08-09 2021-11-02 中国林业科学研究院资源信息研究所 一种无人机多源遥感的树种识别方法
CN114626470A (zh) * 2022-03-18 2022-06-14 南京航空航天大学深圳研究院 基于多类型几何特征算子的飞机蒙皮关键特征检测方法
KR20220081482A (ko) * 2020-12-09 2022-06-16 주식회사 씨에스아이비젼 딥 러닝을 이용한 3d 지형 정보 분석기
KR20230105742A (ko) 2022-01-04 2023-07-12 주식회사 이노와이어리스 모바일 품질 데이터에서 이상치 데이터 제거 방법
KR20230131987A (ko) 2022-03-07 2023-09-15 주식회사 이노와이어리스 모바일 품질 데이터를 활용한 기지국 커버리지 변화 감지 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220215572A1 (en) * 2019-05-08 2022-07-07 Nippon Telegraph And Telephone Corporation Point cloud analysis device, method, and program
CN113379810B (zh) * 2021-06-11 2024-05-24 云南师范大学 一种林地点云数据配准方法、装置、设备及存储介质
CN115629393B (zh) * 2022-11-30 2023-04-21 北京市农林科学院智能装备技术研究中心 生物量估算方法、装置、系统、电子设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100935857B1 (ko) * 2009-08-25 2010-01-07 홍종옥 항공라이다와 디지털항공사진을 이용한 3차원 산림지리정보 생성 시스템 및 그 방법
US8374431B2 (en) * 2010-07-27 2013-02-12 Aerotec, Llc Method and apparatus for direct detection, location, analysis, identification, and reporting of vegetation clearance violations
KR101080985B1 (ko) * 2011-06-10 2011-11-09 주식회사 범아엔지니어링 항공 라이다 성과를 이용한 수고 및 개체 수 확인방법
KR101510618B1 (ko) * 2013-06-27 2015-04-14 남서울대학교 산학협력단 항공 라이다 자료를 이용한 가로수 영역 분리 방법 및 그 장치
CN106408604A (zh) * 2016-09-22 2017-02-15 北京数字绿土科技有限公司 一种点云数据的滤波方法及装置
US11205073B2 (en) * 2018-03-30 2021-12-21 Greensight Agronomics, Inc. System to automatically detect and report changes over time in a large imaging data set
US10891482B2 (en) * 2018-07-10 2021-01-12 Adroit Robotics Systems, devices, and methods for in-field diagnosis of growth stage and crop yield estimation in a plant area

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220081482A (ko) * 2020-12-09 2022-06-16 주식회사 씨에스아이비젼 딥 러닝을 이용한 3d 지형 정보 분석기
CN113591766A (zh) * 2021-08-09 2021-11-02 中国林业科学研究院资源信息研究所 一种无人机多源遥感的树种识别方法
CN113591766B (zh) * 2021-08-09 2022-10-11 中国林业科学研究院资源信息研究所 一种无人机多源遥感的树种识别方法
KR20230105742A (ko) 2022-01-04 2023-07-12 주식회사 이노와이어리스 모바일 품질 데이터에서 이상치 데이터 제거 방법
KR20230131987A (ko) 2022-03-07 2023-09-15 주식회사 이노와이어리스 모바일 품질 데이터를 활용한 기지국 커버리지 변화 감지 방법
CN114626470A (zh) * 2022-03-18 2022-06-14 南京航空航天大学深圳研究院 基于多类型几何特征算子的飞机蒙皮关键特征检测方法
CN114626470B (zh) * 2022-03-18 2024-02-02 南京航空航天大学深圳研究院 基于多类型几何特征算子的飞机蒙皮关键特征检测方法

Also Published As

Publication number Publication date
US20220198749A1 (en) 2022-06-23
WO2020213787A1 (ko) 2020-10-22

Similar Documents

Publication Publication Date Title
KR20200122897A (ko) 라이다 측량자료를 이용한 숲틈 모니터링 시스템 및 방법
Yu et al. Automatic detection of harvested trees and determination of forest growth using airborne laser scanning
Wulder et al. The role of LiDAR in sustainable forest management
CN107085710B (zh) 一种基于多光谱LiDAR数据的单木自动提取方法
Véga et al. Multi-level filtering segmentation to measure individual tree parameters based on Lidar data: Application to a mountainous forest with heterogeneous stands
Gatziolis et al. Challenges to estimating tree height via LiDAR in closed-canopy forests: A parable from Western Oregon
Popescu et al. Measuring individual tree crown diameter with lidar and assessing its influence on estimating forest volume and biomass
Allouis et al. Stem volume and above-ground biomass estimation of individual pine trees from LiDAR data: Contribution of full-waveform signals
Li et al. Airborne LiDAR: state-of-the-art of system design, technology and application
JP5507418B2 (ja) 樹木位置検出装置、樹木位置検出方法、及びプログラム
MX2012006717A (es) Metodo y sistema para el calculo del crecimiento de la vegetacion en relacion con un objeto de interes.
Hollaus et al. Tree species classification based on full-waveform airborne laser scanning data
Chen et al. Site quality assessment of a Pinus radiata plantation in Victoria, Australia, using LiDAR technology
Stephens et al. Estimation of carbon stocks in New Zealand planted forests using airborne scanning LiDAR
Mikita et al. Evaluation of airborne laser scanning data for tree parameters and terrain modelling in forest environment
Hollaus et al. Full-waveform airborne laser scanning systems and their possibilities in forest applications
Kulawardhana et al. Airborne lidar remote sensing applications in non-forested short stature environments: a review
Wagner et al. Robust filtering of airborne laser scanner data for vegetation analysis
Straub et al. A fully automated procedure for delineation and classification of forest and non-forest vegetation based on full waveform laser scanner data
Yilmaz et al. Determination of tree crown diameters with segmentation of a UAS-Based canopy height model
Hyyppä et al. Forest inventory using laser scanning
Tudoran et al. Cics, a, A
Berveglieri et al. Forest cover change analysis based on temporal gradients of the vertical structure and density
KR100741155B1 (ko) 레이저 펄스를 이용한 수목의 높이 데이터 추출장치 및 그방법
Chapman et al. Evaluating Tiffs (toolbox for lidar data filtering and forest studies) in deriving forest measurements from lidar data