Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1598-5504(Print)
ISSN : 2383-8272(Online)
Journal of Agriculture & Life Science Vol.55 No.2 pp.25-32
DOI : https://doi.org/10.14397/jals.2021.55.2.25

Estimating Tree Height and Diameter at Breast Height Using the Unmanned Aerial System for Korea Pine (Pinus koraiensis) in Bonghwa Region, Gyungbuk Province

Sung-Yong Kim, Jae-Heon Jeong, Sun-Joo Lee, Chun-Geun Kwon*
Division of Forest Disaster Management, National Institute of Forest Science, 57 Hoegi-ro, Dongdaemun-gu, Seoul, 02455, Korea
*Corresponding author: Chun-Geun Kwon Tel: +82-02-961-2685 Fax: +82-02-961-2699 E-mail: Chungeun@korea.kr
September 14, 2020 ; November 16, 2020 ; April 7, 2021

Abstract


The purpose of this study is to construct 3D spatial model using the true Orthophoto of Unmanned Aerial System (UAS) and to develop the estimation technique of height and diameter at breast height (DBH) of individual trees by analyzing the 3D spatial model. To do this, we extracted 3D tree height model using Structure from Motion (SfM) technique after taking UAS orthophoto of Korea Pine (Pinus koraiensis) plantation in Bonghwa, Gyeongbuk-province. We extracted individual tree using the watershed classification algorithm, and through this, we estimated DBH to the crown area of individual tree. The study result showed that the extracted tree height model (THM) and height measured on the spot were difference of 1.492m (R2 = 0.3401), the extraction method of the tree height model with the smallest error rate was the topographic analysis point of 20°angle, 1m separation distance, and 60m grid size. The extraction rate of individual tree was 75.4%, and the extraction rate of dominant tree was higher than 85.2%. he correlation coefficient between the crown area and DBH of extracted individual tree was in statistically significant (P<0.01), DBH increased according to the crown area at 77.05% of fit.



무인기 기술을 이용한 경북 봉화지역 잣나무림의 수고 및 흉고직경 추정

김성용, 정재헌, 이선주, 권춘근*
국립산림과학원 산림방재연구과

초록


본 연구의 목적은 무인기 정사영상 정보를 활용하여 초미세 고해상도 3차원 공간 모델을 구축하고, 구축된 모델을 이용하여 개체목의 수고와 흉고직경을 추정하는 기술을 분석하고자 하였다. 이를 위해 경상북도 봉화군 일대 잣나무 조림지를 대상으로 무인기 정사영상을 촬영하였으며, SfM 기술을 이용해 촬영영상에 대한 3차원 수고 모델을 추출하였다. 유역분류 알고리즘을 이용해 개체목을 선별·추출하였고, 개체목별 수관면적에 따른 흉고직경을 추정하였다. 본 연구 결과에 의하면, 추출된 수고모델과 현장에서 측정한 수고는 평균 제곱근 편차에서 1.492m (R2 = 0.3401) 차이를 보였으며, 오차율이 가장 적은 수고모델 추출 방법은 지형분석지점 사양이 각도 20°, 이격거리 1m, 격자크기 60m 이었다. 개체목 추출율은 75.4% 이었으며, 수고가 높은 우세목의 추출율은 85.2% 이상이었다. 추출된 개체목의 수관면적과 흉고직경의 상관성은 두 변수 사이에 유의 수준(P<0.01)에서 상관관계가 있었으며, 적합도 77.05% 수준에서 수관면적이 커질수록 흉고직경도 증가하는 추세를 확인할 수 있었다.



    서론

    산림자원을 효율적으로 관리하기 위해서는 정보를 빠르고 정확 하게 수집하는 것이 중요하다(Hyyppa et al., 2001). 산림에서 수 집할 수 있는 정보 중에서 임목의 수고(Tree height)와 흉고직경 (Diameter at breast height)은 생장 파악, 목재 생산량 추정, 탄소 저장량 산정 등에 있어 핵심적인 자료이다(Kang et al., 2019;Park et al., 2019). 과거 수고와 흉고직경은 산림 현장에서 직경테이프, 윤척, 하그로프(Haglofs) 등을 이용하여 측정해 왔고, 최근에는 레 이저 거리계, 지상 LiDAR, 스마트폰 사진 등이 활용되고 있다 (Bauwens et al., 2016;You et al., 2020;Moskal and Zheng, 2012;Nemec, 2015;Vastaranta et al., 2015). 그러나 이러한 장비들은 작업자가 산림 현장에서 직접 측정할 수밖에 없어 지형적 으로 위험한 험준지 등을 조사할 때 안전상의 문제를 야기하고 있으며, 작업시간과 비용 또한 효율적으로 절약하지 못하고 있다 (Iizuka et al., 2018).

    산림 분야에서는 이러한 문제를 해결하기 위해 과거부터 항공 및 위성영상 자료를 이용하여 정보를 생산하고, 임목의 수고나 흉 고직경을 간접적으로 추정할 수 있는 기술 도입을 시도해 왔다 (Hyyppa et al., 2012;Kobayashi et al., 2012;Lane et al., 2014;Ota et al., 2015). 하지만 공간해상도 저하, 높은 촬영 비용, 기상 상황 등에 의한 영상 왜곡, 원하는 시간대의 영상 미확보의 등의 문제로 현장 보급에는 다소 한계가 있었다(Asner et al., 2002).

    최근 무인기 기술이 비약적으로 발전하면서 다양한 공간 정보를 수집하여 초미세 2차원 정사영상(Orthophoto) 자료를 생산하고, 이를 3차원의 공간 정보로 재구축하는 SfM (Structure from Motion) 기술이 새로운 추세로 자리 잡았다(Mlambo et al., 2017;Wallace et al., 2016;Xu et al., 2016). SfM 기술을 이용한 3차원 공간 정보의 구축은 다양한 분야에서 활발하게 이용되고 있는데, 특히 무인기로 정사영상 정보를 취득하여 건물 등의 구조물을 정밀 하게 표출하고, 해당 구조물에 정보를 삽입하여 도시를 3차원으로 공간화하는 연구가 대표적이다(Grigillo & Kanjir, 2012).

    그동안 복합한 산림의 구조와 지형 변이로 인해 영상자료를 이 용한 산림정보 추출은 많은 어려움이 있었다(Juker et al., 2017). 그러나 무인기 기술을 이용한 SfM의 보급은 세밀한 초미세 고해상 도의 이미지를 손쉽게 생산, 분석이 가능한 체계를 만들었다(Ota et al., 2015) 현재 국외에서는 초해상도 정사영상을 활용하여 임목 높이와 수관의 면적을 추정하는 연구를 다수 진행하였다(Mlambo et al., 2017;Wallace et al., 2016). 산림 구조가 복잡한 환경에서 표면적 감소와 빛 노출에 제한이 있어 임목 및 지형을 정확하게 추출하는데 어려움이 따르지만, 영상 촬영 및 보정 방법을 적용하 여 기술 보급의 가능성을 확인하고 있으며, LiDAR 기술 등과의 융합 연구도 이루어지고 있다(Panagiotidis et al., 2017).

    본 연구의 목적은 무인기 정사영상 정보 분석을 통해 초미세 고해상도의 3차원 공간 모델을 구축하고, 임목의 개체를 정확하게 추출할 수 있는 가장 적합한 분석방법을 제안하고자 하였다. 또한 추출된 3차원 공간자료 분석으로 개체목의 수고를 추정하고, 수관 정보를 이용한 흉고직경 추정 모델을 제시하고자 한다.

    재료 및 방법

    1. 연구대상지 선정

    경상북도 봉화군 춘양면 일대(N 37°02’15.64”, E 128°47’47.57”) 잣나무 조림지를 연구대상지로 선정하였다. 잣나무를 대상 수종으 로 선정한 이유는 소나무에 비해 곧게 자라는 특성과 임분 내 하층 식생이 잘 자리지 않기 때문에 무인기 기술로 산림정보를 추출하기 에 가장 합리적이라고 판단하였다. 대상지는 영주국유림관리소에 서 관리하는 국유림 일대로 주로 소나무와 잣나무 등의 침엽상록수 림으로 구성되어 있으며, 대부분 1990년대에 인공으로 식재한 조 림지이다. 잣나무는 온대 북부 지역에서 천연적으로 자생하는 수종 으로써(Mirov, 1967), 1960년대 이래 산림녹화를 위해 우리나라 에서 많이 식재된 3대 침엽상록수 조림수종이다. 현재 소나무(해송 포함) 1,562천㏊, 리기다소나무 259천㏊ 다음으로 많은 170천㏊ 의 분포면적을 가지고 있다(Korea Forest Service, 2020). 대상지 는 연 평균 1,180.6㎜의 강수량을 보이며, 연 평균 기온은 9.95℃, 고도는 평균 해수면에서 773m에 분포하고 있다(Fig. 1).

    2. 자료수집 및 분석 방법

    2.1 무인기 촬영 및 영상 처리

    정사영상은 2018년 9월 8일에 촬영하였다. 무인기는 DJI사에 서 개발한 Mavic Pro 멀티콥터 UAS (DJI, Shenzhen, China)를 이용하였다. 무인기는 연구대상지 인근 임도에서 이륙하였으며, 비 행 중에 방해되는 구조물이 없도록 임도를 기준으로 약 150m 높이 에서 촬영을 진행하였다. 정사영상은 Mavic Pro 순정 카메라 (1,235만 Pixel)를 이용하였으며, DJI Ground Station Pro App을 이용하여 자동비행 모드로 설정하였다. 사진의 중첩도는 각 낱장별 85%로 비율을 설정하여 낱장 사진 오류시에도 정사영상이 분석될 수 있도록 하였다. 좌표의 왜곡현상을 방지하기 위하여 정밀 측정 에서 사용하는 GPS (CHC사 X90+ RTK Gnss GPS, 오차 1㎝ 이내)를 이용하여 지상기준점(Ground Control Point)을 총 4개 지점에 설치하였으며, 정사영상 자료에 지상기준점이 식별될 수 있 게 하였다(Fig. 2). 수집된 자료는 Agisoft PhotoScan Pro 1.3.1 (Agisoft LLC,St Petersburg, Russia)를 이용하여 2차원 영상을 3차원으로 생성하는 작업을 진행하였고, 분석 시 투영에 오류가 발생하는 몇 개의 지점은 삭제하였다. 임목의 높이를 정확하게 측정 하기 위해 자료 중 최저 고도를 추출하였으며, 지면상에 나타나는 고도의 차를 산출하기 위하여 역거리가중법(Inverse distance weighted)를 이용해 보간작업을 진행하였다(Table 1). 영상에서 표 현되지 않은 지형의 정보를 오차없이 추출하기 위하여 지형분석지 점의 사양을 격자크기(m), 분석각도(°), 이격거리(m) 변수로 다양 하게 설정하여 분석하였으며, 이후 오차가 가장 적은 분석 변수를 지형모델(Digital Terrain Model) 추출 최종사양으로 결정하였다.

    2.2 산림정보 현장 조사

    영상 촬영 지점 내에 위치하고 있는 개체목의 수고와 흉고직경 을 측정하기 위해 현장산림조사를 진행하였다. Vertex Ⅳ (Hoglof, Sweden) 측고기를 이용해 임목의 수고를 측정하고, 직경테이프로 임목의 흉고직경 정보를 수집하였다. 임목의 크기가 다양하게 수집 될 수 있도록 40m×40m 크기의 방형구를 설치하여 전수조사로 진행하였다. 연구대상지 임분의 임령은 37년이었으며, 평균 흉고 직경 25.1㎝, 수고 15.5m, 임분밀도는 평균 1,018.7 trees/㏊ 이었 다(Table 2). 한편 개설된 임도 내 설치한 지상기준점(GCP) 지점 을 중심으로 현장에서 임목별 거리와 방위를 측정하여 데이터화 하였으며, ArcGIS 10.3 프로그램을 이용하여 정사영상에서도 지 상지준점을 기준으로 임목으로 식별되는 지점의 거리와 방위를 측 정하였다. 그 후 현장에서 얻는 실제 임목 위치정보와 영상에서 얻은 임목 위치정보를 일치시켰다.

    2.3 임목 수고 추정을 위한 분석방법

    SfM으로 처리된 표면모델(Digital Surface Model)과 지형모델 (Digital Terrain Model)을 이용하여 임목의 높이를 추정할 수 있 는 수고모델(Tree Height Model)을 추출하였다. 수고모델을 추출 하기 위한 방법은 식 1과 같다.

    T H M = D S M D T M
    (1)

    추출된 수고모델과 실제 측정한 수고 자료와의 오차를 최대한으 로 줄이기 위하여 격자크기(m), 분석각도(°), 이격거리(m)의 변수 를 다양하게 설정하여 지형모델을 추출하였다. 오차율의 측정은 평균제곱근편차(Root Mean Square Error)를 이용하였으며, 가장 편차가 적은 분석사양을 지형모델의 최종 영상으로 선별하였다.

    2.4 임목 수관 추출 및 흉고직경 분석 방법

    수관의 영역을 추출하기 위해서 SAGA (System for Automated Geoscientific Analysis) GIS Platform 5.0. 프로그램을 이용하였 다. 먼저, 표면모델 영상에서 수관층 영역의 날카로운 경계를 부드 럽게 보정하기 위하여 표준편차 95% 수준의 반경 20을 사용하여 가우시안(Gaussian) 필터링을 진행하였다. 필터링 된 표면모델은 지형모델의 고도가 역전하는 구역을 분할할 수 있는 유역분류 (Watershed) 알고리즘을 이용하여 임목의 수관 영역을 추출하였다.

    흉고직경의 추정은 영상에서 추출 가능한 수관면적 변수를 이용 하였으며, 수관의 면적은 다각형의 가장자리를 모두 분류한 후 단 면적을 추출하였다. 이후 수관의 구조와 흉고직경과의 상관관계 분석을 위해 피어슨의 상관관계 방법을 이용하여 두 변수 사이의 유의 수준을 산출하였다.

    결과

    1. 정사영상 및 수고모델 추출 결과

    무인기로 촬영된 사진은 SfM 기술을 이용해 3차원 정보가 삽입 된 정사영상으로 완성하였다. 조합과정에서 낱장마다 해상도에서 다소 차이가 발생하여(최소 5㎝∼최대 10㎝) 3차회선 함수(Cubic convolution) 기법으로 정사영상을 5㎝ 급으로 통일하여 재생산하 였다. 촬영된 면적의 총 범위는 14.8㏊ 이었으며, 영상의 오류는 약 3.64m이었다. 오차가 가장 작은 지형모델 추출을 위하여 지형 분석지점 사양(격자크기, 분석각도, 이격거리)조합을 총 23개로 구 분한 후 영상분석을 반복(총 770회) 실시하였다. 그 결과, 분석각도 20°, 이격거리 1m, 격자크기 60m 크기가 가장 낮은 오차율을 보였 다(Fig. 3). 분석각도는 사양별로 큰 오차가 발생하지 않았으며, 이격거리의 경우 거리 간격이 커지면 평균제곱근편차(RMSE)가 급격히 증가하였다. 특히 5m 내외의 이격거리에서 이러한 현상을 명확하게 관측되었다. 격자크기의 변수는 조사대상지의 지형 환경 이 복잡해지면 조정이 필요할 것으로 판단되었으며, 실제로 영상 내에서도 지형변화가 심한 지역에서는 평균제곱근오차가 다소 높 았다. 기존 선행 연구 사례의 경우에는 분석각도 25°, 이격거리 1.3m, 격자크기 60m를 최적의 사양이라고 보고한 바 있다(Iizuka et al., 2018).

    분석을 통해 추출한 정사영상, 표면모델, 지형모델, 수고모델은 (Fig. 4)와 같다.

    2. 임목 개체 추출 결과

    추출된 수고모델을이용하여 가우시안 필터링을 수행한 결과, 임목의 중심점의 격자 색상은 뚜렷해지고 주변 개체는 희미하게 처리되었다. 또한 임목의 수관층 내에서도 높이값의 차이가 선명하 게 표출되어 개체 분류의 정확도를 높일 수 있었다(Fig. 5). 필터링 영상에 유역분류(Watershed) 알고리즘을 적용하여 임목의 수관 영역을 추출한 결과, 자동 개체목 추출율은 75.4%로 나타났으며, 수고가 높은 우세목의 추출율은 85.2% 이상이었다(Fig. 6).

    3. 임목 수고 및 흉고직경 추출 결과

    수고모델을 이용하여 개체목의 수고를 추출하고, 이를 실제 표 준지 매목조사를 통해 얻어진 수고와 비교·분석하였다. 현장조사는 우세목을 기준으로 하였으며, 수고가 낮은 임목(<10m)은 분석대 상에서 제외하였다. 수고모델에서 추출된 개체목 수고의 범위는 13.0m ∼ 20.2m, 현장에서 측정된 수고는 10.8m ∼ 18.6m의 범위를 보였다(Fig. 7). 수고모델에서 추정된 수고와 현장에서 측 정된 수고는 최소 0.3m에서 최대 3.1m 까지 차이가 있었으며, 두 집단 간 평균 제곱근 편차(Root Mean Square Error)는 1.492m (R2 = 0.3401)이었다. 국가산림자원조사(National Forest Inventory), 수치임상도(Digital Forest Type Map) 조사에서는 수고를 측정할 때 일반적으로 1m 괄약을 통해 정수로(예시 : 12.3m → 12m) 표시하고 있으며, 산림경영계획 수립 시 수행하는 매목조사에서는 수고를 1m 괄약을 수행한 후 3점 평균을 통해 개체목의 수고를 산출하고 있다(Korea Forestry Promotion Institute, 2017;Korea Forest Service, 2020). 따라서 본 연구에서 제시된 수고의 오차 1.492m는 현장조사 및 산림 경영계획 수립에 사용 가능한 수준으 로 판단되었다. 또한 기존 선행 연구 결과에서도 두 집단 간 평균 제곱근 편차가 1.712m (R2 = 0.2076)로 제시한 바 있어 본 연구의 결과가 높은 정확도를 보였다(Iizuka et al., 2018).

    수관의 면적 추정치와 개체목의 흉고직경 관측치의 상관성을 분석한 결과, 수관면적이 커질수록 흉고직경도 증가하는 추세를 확인할 수 있었으며, 두 변수 사이에 유의 수준(P<0.01)에서 상관 관계가 있었다(Fig. 8). 가장 적합도가 높은 조건은 다항식 함수를 이용한 추세(R2 = 0.7705)이었다. 추후 무인기로 개체목, 특히 우 세목의 수관면적을 추출하면 오차가 적은 흉고직경을 추정하는데 도움이 될 것으로 보인다.

    고찰

    본 연구에서는 무인기를 이용하여 개체목 추출, 수고, 수관면적 등 산림의 정보를 손쉽게 추정할 수 있는 방법론을 제시하였다. 본 연구의 성공과 실패를 판가름하는 것은 개체목 영역과 지형모델 을 얼마만큼 정확하게 추출하느냐에 있었다.

    먼저, 개체목 분할은 Gausian filtering을 통해 임분밀도가 높은 산림에서도 개체목의 수관층 영역 추출이 가능함을 보여주었다. 다만, 연구대상지에 비해 임분밀도가 더 높은 산림에서는 병합 현 상이 두드러지게 나타날 가능성이 있을 것으로 판단된다. 따라서, 높은 해상도의 카메라를 무인기에 별도로 장착하거나, LiDAR 기 술, 인공지능 딥러닝을 적절하게 융합하는 방법을 고안할 필요가 있다(Leitold et al., 2015). 지형모델 추출의 경우 기존 연구에서는 Lasground tool을 이용하는 방식이 주를 이루었다(Wallace et al., 2016). 이 방법은 추출된 점데이터를 선택하여 불규칙한 고도 삼각 형 격자 TIN(Triangular Irregular Network) 생성을 통해 수치를 조정하는 방법이다. 그러나 분석방법이 까다롭고, 오차가 높은 단 점이 있어 본 연구에서는 점데이터를 기반으로 최저 고도점을 다중 반복 추출하여 격자크기(m), 분석각도(°), 이격거리(m) 변수를 조 정하는 방법을 사용하였다(Panagiotidis et al., 2017). 그 결과 기 존 연구에 비해 오차가 적은 지형모델을 생산하고, 이를 토대로 양질의 수고모델을 구축할 수 있었다. 다만, 현장에 지상기준점을 설치하는 절차로 인하여 산림현장에 작업자가 직접 투입되는 단점 이 있었다. 추후 기술에서는 지상기준점 없이 해당 구역 내 기준이 될 지점을 자동으로 파악하는 기술이 접목되어야만 실제 산림현장 에 작업자가 투입되지 않고 양질의 정보 생산을 할 수 있는 체계가 구축될 것으로 보인다.

    수관 면적을 이용한 흉고직경 추정 결과는 과거 위성영상이나 항공사진을 통한 개체목 추출 및 산림정보 추정이 시기적, 기술적 으로 많은 제약이 있었음을 감안할 때 획기적인 대안이라고 할 수 있다. 특히 무인기 정사영상으로 추출한 산림정보를 이용하여 개체목 수고와 흉고직경을 추정한 결과는 실제 현장에서 측정된 결과와 높은 상관성을 보임에 따라 추후 무인기를 적절하게 활용하 면, 산림에서 직접 현장조사를 하지 않고, 정보를 손쉽게 수집이 가능할 것으로 보인다(Nguyen et al., 2016). 기존 많은 선행 연구 에서도 무인기 기술이 발전함에 따라 영상 품질도 점차 높아질 것으로 예상하고 있으며, 이에 따라 품질 높은 산림 정보가 추출될 것으로 기대하고 있다(Iizuka et al., 2018). 특히 위성영상 정보에 만 의존하고 있던 과거 상황에서 무인기를 이용한 정상영상 정보 취득은 산림분야의 획기적인 발전에 이바지 할 수 있을 것이다.

    Figures

    JALS-55-2-25_F1.gif

    Location of the study area. The map images are from Google Earth(Pro ver. 7.3.0.03832, Google Inc., Moutain view, CA, USA).

    JALS-55-2-25_F2.gif

    Orthophoto imaging method using Unmanned Aerial System of the study area.

    JALS-55-2-25_F3.gif

    Root mean square error (RMSE) of terrain models generated using vaious parameter settings to extract the ground points.

    JALS-55-2-25_F4.gif

    Graphical image of the (A) Orthophoto, (B) Digital surface model, (C) Digital terrain model, (D) Total height model.

    JALS-55-2-25_F5.gif

    (A) Gausian filtering, (B) Watershed segmentation, (C) >6m delete.

    JALS-55-2-25_F6.gif

    Result of the watershed segmentation method for delineating the individual canopy area.

    JALS-55-2-25_F7.gif

    The relationship between THM estimated and observed tree height.

    (The dotted line in the center indicates 1:1)

    JALS-55-2-25_F8.gif

    The relationship between observed DBH and crown area(㎡).

    Tables

    Parameter settings for the workflow of generating 3D models

    Summary of observed statistics for P.inus koraiensis in Bonghwa region, Gyungbuk province

    References

    1. Asner G , Palace M , Keller M , Pereira M , Silva J and Zweede J. 2002. Estimating canopy structure in an Amazon forest from laser rangefinder and IKONOS satellite observations. Biotropica 34: 483-492.
    2. Bauwens S , Bartholomeus H , Calders K and Lejeune P. 2016. Forest inventory with terrestrial LiDAR: A comparison of static and hand-held mobile laser scanning. Forests 7: 127.
    3. Grigillo D and Kanjir U. 2012. Urban object extraction from digital surface model and digital aerial images. ISPRS Annals of the Photogrammerty, Remote Sensing and Spatial Information Sciences 1: 215-220.
    4. Hyyppa J , Schardt M , Haggren H , Koch B , Lohr U , Scherrer HU , Paananen R , Luukkonen H , Ziegler M and Hyyppa H. 2001. The first european-wide attempt to derive single- tree information from laserscanner data. The Photogramm. J. of Finland 17: 43-53.
    5. Hyyppa J , Yu X , Hyyppa H , Vastaranta M , Holopainen M , Kukko A , Kaartinen H , Jaakkola A , Vaaja M and Koskinen J. 2012. Advances in forest inventory using airborne laser scanning. Remote Sensing 4: 1190-1207.
    6. Iizuka K , Yonehara T , Itoh M and Kosugi Y. 2018. Estimating tree height and diameter at breast height (DBH) from digital surface models and orthophotos obtained with an unmanned aerial system for a Japanese cypress (Chamaecyparis obtusa) forest. Remote Sensing 10: 13.
    7. Jucker T , Caspersen J , Chave J , Antin C , Barbier N , Bongers F , Dalponte M , Van Ewijk KY , Forrester DL and Haeni M. 2017. Allometric equations for integrating remote sensing imagery into forest monitoring programmes. Global Change Biology 23: 177-190.
    8. Kang JT , Yim JS , Lee SJ , Moon GH and Ko CU. 2019. Development of estimation equation for minimum and maximum DBH using national forest inventory. J. of Agriculture & Life Science 53(6): 23-33.
    9. Kobayashi S , Widyorini R , Kawai S , Omura Y , Sanga-Ngoie K and Supriadi B. 2012. Backscattering characteristics of L-band polarimetric and optical satellite imagery over planted Acacia forests in sumatra, indonesia. J. of Applied Remote Sensing 6: 063525.
    10. Korea Forest Promotion Institute.2017. 7th national forest inventory and forest health and vitality field survey guidelines.
    11. Korea Forest Service.2020. http://www.forest.go.kr
    12. Lane VR , Cordell KC , Zarnoch SJ , Green GT , Poudyal N and Fox S. 2014. The forest service safety survey: Results from an employee-wide safety attitude survey; e-general technical report SRS-GTR-191, U.S. Department of Agriculture Forest Service, Southern Research Station: Asheville. NC, USA, p.58.
    13. Leitold V , Keller M , Moeton DC , Cook BD and Shimabukuro YE. 2015. Airborne Lidar-based estimates of tropical forest structure in complex terrain: Opportunities and trade-offs for REDD+. Carbon Balance Management 10: 3.
    14. Mirov NT. 1967. The Genus Pinus. Ronald Press, New York.
    15. Mlambo R , Woodhouse IH , Gerard F and Anderson K. 2017. Structure from motion (SfM) photogrammetry with drone data: A low cost method for monitoring greenhouse gas emissions from forests in developing countries. Forests 8: 68.
    16. Moskal LM and Zheng G. 2012. Retrieving forest inventory variables with terrestrial laser scanning (TLS) in urban heterogeneous forest. Remote Sensing 4: 1-20.
    17. Nemec P. 2015. Comparison of modern forest inventory method with the common method for management of tropical rainforest in the Peruvian Amazon. J. of Tropical Forest Science 27: 80-91.
    18. Nguyen LV , Tateishi R , Kondoh A , Sharma RC , Nguyen HT , To TT and Minh DHT. 2016. Mapping tropical forest biomass by combining ALOS-2, Landsat 8, and Field Plots Data. Land 5(4): 31.
    19. Ota T , Ogawa M , Shimizu K , Kajisa T , Mizoue N , Yoshida S , Takao G , Hirata Y , Furuya N and Sano. T 2015. Aboveground biomass estimation using structure from motion approach with aerial photographs in a seasonal tropical forest. Forests 6: 3882-3898.
    20. Panagiotidis D , Abdollahnejad A , Surovy P and Chiteculo V. 2017. Determining tree height and crown diameter from high-resolution UAV imagery. International J. of Remote Sensing 38: 2392-2410.
    21. Park JH , Lee KS , Son YM , Jung SY and Kim HH. 2019. Development of site index model for Styrax japonica. J. of Agriculture & Life Science 53(4): 13-18.
    22. Vastaranta M , Latorre EG , Luoma V , Saarinen N , Holopainen M and Hyyppa J. 2015. Evaluation of a smartphone app for forest sample plot measurements. Forests 6: 1179-1194.
    23. Wallace L , Lucieer A , Malennovsky Z , Turner D and Vopenka P. 2016. Assessment of forest structure using two UAV techniques: A comparison of airborne laser scanning and structure from motion (SfM) point clouds. Forests 7: 62.
    24. Xu Z , Wu L , Gerke M , Wang R and Yang H. 2016. Skeletal camera network embedded structure-from-motion for 3D scene reconstruction from UAV images. ISPRS J. Photogramm. Remote Sensing 121: 113-127.
    25. You JH , Kim MY , Kim JG and Shin KC. 2020. Detection of pine wilt disease using RGB-based low altitude images and spectral vegetation indices from a drone. J. of Agriculture & Life Science 54(6): 21-27.
    오늘하루 팝업창 안보기 닫기