• 한국산림과학회지
• /
• 제109권4호
• /
• pp.371-381
• /
• 2020

환경부는 2020년 야생생물 보호 및 관리에 관한 법률 시행령을 통해 멸종위기 야생생물 지정은 세계자연보전연맹(IUCN)이 제시한 지역적색 목록 지침을 준용하기로 정하였고, 적색목록 관속식물 377종을 지정하였다. 본 연구는 IUCN의 지역 적색 평가를 근간으로 평가불가(NA)를 제외한 103종을 선별하고, 국제적 수준의 적색목록 목록평가 가능한 고유종 10종을 제외한 이후 93종에 대한 재평가를 실시하였다. 본 분석에서 적용 불가 34종이 추가로 확인되어 59종에 대한 지역적색 평가를 적용하였다. 재평가 결과 취약이상의 분류군은 16종으로 CR(위급) 1종, EN(위기) 10종, VU(취약) 5종으로 평가되었고, NT(준위협) 4종과 LC(약관심) 30종, DD(정보부족) 9종을 판정하였다. 환경부 지역적색목록의 평가기준 B의 경우 정량적 분포자료나 지속적인 감속에 대한 자료없이 평가를 시도하여 데이터의 신뢰도가 없었으며 난과에 속한 멸종위기식물은 판정시 필요한 남획의 구체적인 증거나 자료확보가 미비하다. 현재 환경부의 적색목록에 대한 문제점은 객관적 기초 자료가 부재하고 중장기적인 개체군 크기의 증감에 대한 모니터링 활동이 없어 과학적 평가를 어렵게 하고 있다. 환경부는 법적으로 범주 및 평가에 대한 것을 지정하고 그 기준을 스스로 따르지 못하는 전문성의 결여가 큰 문제로 인식되며, 또한 종의 분포 및 상태에 대한 지리적 및 분류학적 편향성은 자료의 질과 양에 큰 영향을 주고 있다. 이런 문제를 극복하고 생물다양성 정책의 발전을 위해서는 객관적이고 합리적인 멸종위기종 생물 자료 관리가 필요하다.

• 대한원격탐사학회지
• /
• 제38권6_1호
• /
• pp.1505-1514
• /
• 2022

영상정합은 다시기 및 다중센서 고해상도 위성영상을 효과적으로 활용하기 위해 필수적으로 선행되는 중요한 과정이다. 널리 각광받고 있는 딥러닝 기법은 위성영상에서 복잡하고 세밀한 특징을 추출하여 영상 간 빠르고 정확한 유사도 판별에 사용될 수 있음에도 불구하고, 학습자료의 양과 질이 결과에 영향을 미치는 딥러닝 모델의 한계와 고해상도 위성영상 기반 학습자료 구축의 어려움에 따라 고해상도 위성영상의 정합에는 제한적으로 적용되어 왔다. 이에 본 연구는 영상정합에서 가장 많은 시간을 소요하는 정합쌍 추출 과정에서 딥러닝 기반 기법의 적용성을 확인하기 위하여, 편향성이 존재하는 고해상도 위성영상 데이터베이스로부터 딥러닝 영상매칭 학습자료를 구축하고 학습자료의 구성이 정합쌍 추출 정확도에 미치는 영향을 분석하였다. 학습자료는 12장의 다시기 및 다중센서 고해상도 위성영상에 대하여 격자 기반의 Scale Invariant Feature Transform(SIFT) 알고리즘을 이용하여 추출한 영상쌍에 참과 거짓의 레이블(label)을 할당한 정합쌍과 오정합쌍의 집합으로 구축되도록 하였다. 구축된 학습자료로부터 정합쌍 추출을 위해 제안된 Siamese convolutional neural network (SCNN) 모델은 동일한 두 개의 합성곱 신경망 구조에 한 쌍을 이루는 두 영상을 하나씩 통과시킴으로써 학습을 진행하고 추출된 특징의 비교를 통해 유사도를 판별한다. 본 연구를 통해 고해상도 위성영상 데이터 베이스로부터 취득된 자료를 딥러닝 학습자료로 활용 가능하며 이종센서 영상을 적절히 조합하여 영상매칭 과정의 효율을 높일 수 있음을 확인하였다. 다중센서 고해상도 위성영상을 활용한 딥러닝 기반 영상매칭 기법은 안정적인 성능을 바탕으로 기존 수작업 기반의 특징 추출 방법을 대체하고, 나아가 통합적인 딥러닝 기반 영상정합 프레임워크로 발전될 것으로 기대한다.