• 한국측량학회지
• /
• 제23권3호
• /
• pp.293-301
• /
• 2005

산악지역을 지나가는 도로계획의 경우 그 특성상 절토 및 터널구간을 시공하게 되고, 겨울철에는 일정 구간에 일조가 적게 나타나고 음영이 오래 지속되어 결빙구간이 발생함으로써 교통안전에 주의되고 있다. 본 연구는 GIS를 이용하여 도로의 노선계획시 예상되는 일조영향을 평가하고 예상되는 노면결빙구간을 추출하여 도로 안정성 확보에 대안을 제시하고자 한다. 동해고속도로중 약 290구간을 선정하여 설계도면 자료의 수치 변환을 통하여 3차원 지형표면을 생성한 후 동일좌표체계의 도로선형자료를 반영하여 3차원 도로 모델링을 생성하였다. 동지시 태양의 궤적에 따른 도로 노면상의 음영시간을20분 간격으로 설정하여 일조영향지역을 시각화하고 이음영지역들을 수동 벡터라이징하여 폴리곤화하였다. 이 음영구간의 도형 및 속성자료를 지오데이터베이스로 구축하고 GIS의 공간분석중 중첩기능을 이용하여 결빙예상구간을 추출하였다. 또한 온도, 강수량, 적설량 및 습도 등의 동절기 기상자료를 함께 분석하여 노면결빙위험 구간을 보다 효과적으로 파악함으로써 기본설계시 반영하는 사전 안정성 평가의 대안으로 사용할 수 있을 것이다.

• 대한지리학회지
• /
• 제39권4호
• /
• pp.495-513
• /
• 2004

효율적인 국토환경관리와 지속 가능한 생태자원의 보존을 위해서는 지형 및 토양의 공간적인 분포특성과 그것이 각종 자연 및 인문현상들과 가지는 상관성에 대한 이해가 선행되어야 한다. 기존의 지형분류법은 대부분 지형형성과정 혹은 지형의 단순한 형태분류에 치중하여, 분류 결과와 지표면에서 나타나는 다양한 생태학적 현상들과의 관련성을 파악하기 어려운 단점이 있었다. 이 연구는 지표면에서 나타나는 물과 에너지, 그리고 물질의 흐름을 생태적 환경특성을 반영하는 주원인으로 규정하고, 이에 근거하여 전산화된 지형분류법을 개발하는 것을 목적으로 한다. 지표면을 에너지와 물질의 흐름을 반영하는 8개의 토양지형단위(sod landscape units)로 구분하였으며, 이것을 수치고도모델(DEM)로부터 추출하는 방법을 개발하였다. 경기도 양평군의 약 12$extrm{km}^2$ 크기의 지역에 개발된 기법을 적용하여 토양지형단위들을 분류한 뒤, 각 단위들의 공간적인 분포특성을 살펴보았다. 개발된 방법은 일반적으로 구할 수 있는 수치고도모델에 적용할 수 있어, 넓은 지역의 지형특성들을 쉽게 파악할 수 있는 장점을 가지고 있다. 또한 분류된 토양지형단위들은 자연환경조사와 제반 수문 및 토양환경 특성 파악에 중요한 기본자료를 제공할 수 있을 것으로 기대된다. 하지만 제시된 방법이 보다 널리 쓰이기 위해서는 기존 수치지도의 정확성의 문제, 사용된 수치고도모델의 격자크기에 따라 분류기준의 변화를 야기 시키는 스케일의 문제, 그리고 다양한 지형형성작용과의 상관성에 관한 보다 체계적인 연구가 요구된다.

• 한국측량학회지
• /
• 제38권4호
• /
• pp.363-373
• /
• 2020

정사영상 생성을 위한 많은 연구들이 진행되어 왔다. 기존의 방법은 정사영상을 제작할 경우, 폐색지역을 탐지하고 복원하기 위해 항공영상의 외부표정요소와 정밀 3D 객체 모델링 데이터가 필요하며, 일련의 복잡한 과정을 자동화하는 것은 어렵다. 본 논문에서는 기존의 방법에서 탈피하여 딥러닝(DL)을 이용하여 엄밀정사영상을 제작하는 새로운 방법을 제안하였다. 딥러닝은 여러 분야에서 더욱 급속하게 활용되고 있으며, 최근 생성적 적대 신경망(GAN)은 영상처리 및 컴퓨터비전 분야에서 많은 관심의 대상이다. GAN을 구성하는 생성망은 실제 영상과 유사한 결과가 생성되도록 학습을 수행하고, 판별망은 생성망의 결과가 실제 영상으로 판단될 때까지 반복적으로 수행한다. 본 논문에서 독일 사진측량, 원격탐사 및 공간정보학회(DGPF)가 구축하고 국제 사진측량 및 원격탐사학회(ISPRS)가 제공하는 데이터 셋 중에서 라이다 반사강도 데이터와 적외선 정사영상을 GAN기반의 Pix2Pix 모델 학습에 사용하여 엄밀정사영상을 생성하는 두 가지 방법을 제안하였다. 첫 번째 방법은 라이다 반사강도영상을 입력하고 고해상도의 정사영상을 목적영상으로 사용하여 학습하는 방식이고, 두 번째 방법에서도 입력영상은 첫 번째 방법과 같이 라이다 반사강도영상이지만 목적영상은 라이다 점군집 데이터에 칼라를 지정한 저해상도의 영상을 이용하여 재귀적으로 학습하여 점진적으로 화질을 개선하는 방법이다. 두 가지 방법으로 생성된 정사영상을 FID(Fréchet Inception Distance)를 이용하여 정량적 수치로 비교하면 큰 차이는 없었지만, 입력영상과 목적영상의 품질이 유사할수록, 학습 수행 시 epoch를 증가시키면 우수한 결과를 얻을 수 있었다. 본 논문은 딥러닝으로 엄밀정사영상 생성 가능성을 확인하기 위한 초기단계의 실험적 연구로서 향후 보완 및 개선할 사항을 파악할 수 있었다.