• 대한원격탐사학회지
• /
• 제40권1호
• /
• pp.45-56
• /
• 2024

Faced with aging populations, declining resources, and limited agricultural productivity, rural areas in South Korea require innovative solutions. This study investigated the potential of drone-based vegetation indices (VIs) to analyze soybean growth patterns in open-field smart agriculture in Goesan-gun, Chungbuk Province, South Korea. We monitored multi-seasonal normalized difference vegetation index (NDVI) and the normalized difference red edge (NDRE) data for three soybean lots with different irrigation methods (subsurface drainage, conventional, subsurface drip irrigation) using drone remote sensing. Combining NDVI (photosynthetically active biomass, PAB) and NDRE (chlorophyll) offered a comprehensive analysis of soybean growth, capturing both overall health and stress responses. Our analysis revealed distinct growth patterns for each lot. LotA(subsurface drainage) displayed early vigor and efficient resource utilization (peaking at NDVI 0.971 and NDRE 0.686), likely due to the drainage system. Lot B (conventional cultivation) showed slower growth and potential limitations (peaking at NDVI 0.963 and NDRE 0.681), suggesting resource constraints or stress. Lot C (subsurface drip irrigation) exhibited rapid initial growth but faced later resource limitations(peaking at NDVI 0.970 and NDRE 0.695). By monitoring NDVI and NDRE variations, farmers can gain valuable insights to optimize resource allocation (reducing costs and environmental impact), improve crop yield and quality (maximizing yield potential), and address rural challenges in South Korea. This study demonstrates the promise of drone-based VIs for revitalizing open-field agriculture, boosting farm income, and attracting young talent, ultimately contributing to a more sustainable and prosperous future for rural communities. Further research integrating additional data and investigating physiological mechanisms can lead to even more effective management strategies and a deeper understanding of VI variations for optimized crop performance.

• 대한원격탐사학회지
• /
• 제37권6_1호
• /
• pp.1573-1587
• /
• 2021

드론 영상은 위성이나 항공 영상보다 공간 해상도가 수배 혹은 수십 배가 높은 초고해상도 영상이다. 따라서 드론 영상 기반의 원격탐사는 영상에서 추출하고자 하는 객체의 수준과 처리해야 하는 데이터의 양이 전통적인 원격탐사와 다른 양상을 보인다. 또한, 적용되는 딥러닝(deep learning) 모델의 특성에 따라 모델 훈련에 사용되는 최적의 데이터의 축척과 크기가 달라질 수밖에 없다. 하지만 대부분 연구가 찾고자 하는 객체의 크기, 축척을 반영하는 영상의 공간 해상도, 영상의 크기 등을 고려하지 않고, 관성적으로 적용하고자 하는 모델에서 기존에 사용했던 데이터 명세를 그대로 적용하는 경우가 많다. 본 연구에서는 드론 영상의 공간 해상도, 영상 크기가 6가지 월동채소의 의미론적 분할(semantic segmentation) 딥러닝 모델의 정확도와 훈련 시간에 미치는 영향을 실험 통해 정량적으로 분석하였다. 실험 결과 6가지 월동채소 분할의 평균 정확도는 공간 해상도가 증가함에 따라 증가하지만, 개별 작물에 따라 증가율과 수렴하는 구간이 다르고, 동일 해상도에서 영상의 크기에 따라 정확도와 시간에 큰 차이가 있음을 발견하였다. 특히 각 작물에 따라 최적의 해상도와 영상의 크기가 다름을 알 수 있었다. 연구성과는 향후 드론 영상 데이터를 이용한 월동채소 분할 모델을 개발할 때, 드론 영상의 촬영과 학습 데이터의 제작 효율성 확보를 위한 자료로 활용할 수 있을 것이다.

• 농촌계획
• /
• 제30권1호
• /
• pp.57-66
• /
• 2024

This study aimed to develop a precise vegetation cover classification model for small streams using the combination of drone remote sensing and support vector machine (SVM) techniques. The chosen study area was the Idong stream, nestled within Geosan-gun, Chunbuk, South Korea. The initial stage involved image acquisition through a fixed-wing drone named ebee. This drone carried two sensors: the S.O.D.A visible camera for capturing detailed visuals and the Sequoia+ multispectral sensor for gathering rich spectral data. The survey meticulously captured the stream's features on August 18, 2023. Leveraging the multispectral images, a range of vegetation indices were calculated. These included the widely used normalized difference vegetation index (NDVI), the soil-adjusted vegetation index (SAVI) that factors in soil background, and the normalized difference water index (NDWI) for identifying water bodies. The third stage saw the development of an SVM model based on the calculated vegetation indices. The RBF kernel was chosen as the SVM algorithm, and optimal values for the cost (C) and gamma hyperparameters were determined. The results are as follows: (a) High-Resolution Imaging: The drone-based image acquisition delivered results, providing high-resolution images (1 cm/pixel) of the Idong stream. These detailed visuals effectively captured the stream's morphology, including its width, variations in the streambed, and the intricate vegetation cover patterns adorning the stream banks and bed. (b) Vegetation Insights through Indices: The calculated vegetation indices revealed distinct spatial patterns in vegetation cover and moisture content. NDVI emerged as the strongest indicator of vegetation cover, while SAVI and NDWI provided insights into moisture variations. (c) Accurate Classification with SVM: The SVM model, fueled by the combination of NDVI, SAVI, and NDWI, achieved an outstanding accuracy of 0.903, which was calculated based on the confusion matrix. This performance translated to precise classification of vegetation, soil, and water within the stream area. The study's findings demonstrate the effectiveness of drone remote sensing and SVM techniques in developing accurate vegetation cover classification models for small streams. These models hold immense potential for various applications, including stream monitoring, informed management practices, and effective stream restoration efforts. By incorporating images and additional details about the specific drone and sensors technology, we can gain a deeper understanding of small streams and develop effective strategies for stream protection and management.

• 대한원격탐사학회지
• /
• 제39권1호
• /
• pp.87-97
• /
• 2023

Unmanned aerial vehicles (UAVs) can capture high-resolution imagery from a variety of viewing angles and altitudes; they are generally limited to collecting images of small scenes from larger regions. To improve the utility of UAV-appropriated datasetsfor use with deep learning applications, multiple datasets created from variousregions under different conditions are needed. To demonstrate a powerful new method for integrating heterogeneous UAV datasets, this paper applies a combined segmentation network (CSN) to share UAVid and semantic drone dataset encoding blocks to learn their general features, whereas its decoding blocks are trained separately on each dataset. Experimental results show that our CSN improves the accuracy of specific classes (e.g., cars), which currently comprise a low ratio in both datasets. From this result, it is expected that the range of UAV dataset utilization will increase.

• 대한원격탐사학회지
• /
• 제39권5_3호
• /
• pp.967-978
• /
• 2023

본 연구에서는 다양한 드론 영상 데이터셋을 효과적으로 학습하여 의미론적 분할의 정확도를 향상시키기 위한 combined segmentation network (CSN)를 제안하고 검증하였다. CSN은 세 가지 드론 데이터셋의 다양성을 고려하기 위하여 인코딩 영역의 전체를 공유하며, 디코딩 영역은 독립적으로 학습된다. CSN의 경우, 학습 시 모든 데이터셋에 대한 손실값을 고려하기 때문에 U-Net 및 pyramid scene parsing network (PSPNet)으로 단일 데이터셋을 학습할 때보다 학습 효율이 떨어졌다. 그러나 국내 자율주행 드론 영상에 CSN을 적용한 결과, CSN이 PSPNet에 비해 초기 학습 없이도 영상 내 화소를 적절한 클래스로 분류할 수 있는 것을 확인하였다. 본 연구를 통하여 CSN이 다양한 드론 영상 데이터셋을 효과적으로 학습하고 새로운 지역에 대한 객체 인식 정확성을 향상시키는 데 중요한 도구로써 활용될 수 있을 것으로 기대할 수 있다.

• 대한원격탐사학회지
• /
• 제40권3호
• /
• pp.257-268
• /
• 2024

Drone-mounted hyperspectral sensors (DHSs) have revolutionized remote sensing in agriculture by offering a cost-effective and flexible platform for high-resolution spectral data acquisition. Their ability to capture data at low altitudes minimizes atmospheric interference, enhancing their utility in agricultural monitoring and management. This study focused on addressing the challenges of radiometric and geometric distortions in preprocessing drone-acquired hyperspectral data. Radiometric correction, using the empirical line method (ELM) and spectral reference panels, effectively removed sensor noise and variations in solar irradiance, resulting in accurate surface reflectance values. Notably, the ELM correction improved reflectance for measured reference panels by 5-55%, resulting in a more uniform spectral profile across wavelengths, further validated by high correlations (0.97-0.99), despite minor deviations observed at specific wavelengths for some reflectors. Geometric correction, utilizing a rubber sheet transformation with ground control points, successfully rectified distortions caused by sensor orientation and flight path variations, ensuring accurate spatial representation within the image. The effectiveness of geometric correction was assessed using root mean square error(RMSE) analysis, revealing minimal errors in both east-west(0.00 to 0.081 m) and north-south directions(0.00 to 0.076 m).The overall position RMSE of 0.031 meters across 100 points demonstrates high geometric accuracy, exceeding industry standards. Additionally, image mosaicking was performed to create a comprehensive representation of the study area. These results demonstrate the effectiveness of the applied preprocessing techniques and highlight the potential of DHSs for precise crop health monitoring and management in smart agriculture. However, further research is needed to address challenges related to data dimensionality, sensor calibration, and reference data availability, as well as exploring alternative correction methods and evaluating their performance in diverse environmental conditions to enhance the robustness and applicability of hyperspectral data processing in agriculture.

• 대한원격탐사학회지
• /
• 제40권2호
• /
• pp.151-166
• /
• 2024

해안쓰레기 문제는 전 세계적으로 환경에 대한 심각한 위협이 되고 있다. 본 연구에서는 딥러닝과 원격탐사 기술을 활용하여 해안쓰레기의 모니터링 방법을 개선하고자 하였다. 이를 위해 You Only Look Once (YOLO)v8 모델을 이용한 객체 탐지 기법을 적용하여 우리나라 주요 해안쓰레기 11종에 대한 대규모 이미지 데이터셋을 구축하고, 실시간으로 쓰레기를 탐지 및 분석할 수 있는 프로토콜(Protocol)을 제안한다. 낙동강 하구에 위치한 신자도를 대상으로 드론 이미지 촬영 및 자체 개발한 YOLOv8 기반의 분석 프로그램을 적용하여 해안쓰레기 성상별 핫스팟을 식별하였다. 이러한 매핑(Mapping) 및 분석 기법의 적용은 해안쓰레기 관리에 효과적으로 활용될 수 있을 것으로 기대된다.

• 한국해안·해양공학회논문집
• /
• 제29권3호
• /
• pp.162-168
• /
• 2017

드론을 이용하여 고도 100 m에서 촬영한 고해상도 카메라 이미지를 분석하여 천해 해저지형 측량을 시도하였다. 쇄파대 내의 수심측량은 해안침식의 원인분석 등 관련 연구를 위해 가장 중요한 입력자료 중의 하나이다. 특히 이동한계수심 이내의 천해 수심자료는 연안 침퇴적 수치모델링을 위한 가장 중요한 입력자료 임에도 불구하고 정확한 해저지형측량 자료를 얻을 수 없었다. 그 이유는 선박을 이용한 상세 수심측량이 흘수 등을 고려할 때 수심 2 m 이내에서는 거의 불가능하며, 또한 쇄파와 연안류로 인해 선박 또는 사람이 직접 충분한 해상도로 측량하기에 매우 어렵기 때문이다. 따라서 소형 드론과 고해상도 카메라 이미지를 이용한 광학원격탐사는 매우 효과적인 천해수심측량 수단이 될 수 있다. 본 연구에서는 경북 월포해수욕장에서 드론으로 촬영한 고해상도 카메라 이미지의 적색, 녹색, 청색 그리고 회색 밴드 이미지를 다변수 선형회귀분석법으로 분석하여 천해 수심을 추정하고 실측한 수심자료와 비교하여 천해수심측량의 가능성과 정확도를 검토하였다. 드론에서 촬영한 이미지를 해저 지질, 바닷물의 색상, 부유사의 농도 등의 영향을 고려하지 않고 수심추정 알고리즘을 이용하여 분석한 결과 수심 5 m 이내에서 상관계수 0.99 이상, 절대오차 0.2 m 이하로 수심을 정확하게 추정할 수 있음을 확인하였다.

• 대한원격탐사학회지
• /
• 제38권6_1호
• /
• pp.1219-1230
• /
• 2022

농업관측에서의 다중분광 드론은 식생구분 및 식생활력도 분석에 있어 복사량이나 반사도와 같은 물리량을 기반으로 한 정량적이고 신뢰성 있는 데이터가 필요하다. 작황분석 모니터링을 위한 원격탐사 자료의 경우 동일지역에 대해 여러 시기에 걸쳐 촬영된 영상이 요구되며, 특히 엽면적 지수 또는 엽록소와 같은 생물리자료의 경우 동일한 기준에서의 시계열 자료를 통해 분석되므로 직접적으로 비교 가능한 반사도 자료가 필요하다. 드론영상을 기반 정사영상(정합영상)은 전체 영상 화소값이 왜곡되거나 접합 경계면 화소값의 차이가 발생하여 정확한 물리량 산출에 한계를 가진다. 본 연구는 시계열 작황 모니터링을 위한 드론영상의 보정방법에 따른 지상 반사도와 드론영상 기반 식생지수를 산정하고 그 결과를 지상관측자료와 비교하여 전처리 방법에 따른 드론영상의 분광학적 특성을 구명하고자 수행하였다.

• 대한원격탐사학회지
• /
• 제36권5_4호
• /
• pp.1209-1220
• /
• 2020

산림지역의 경우 도심지에 비해 무인항공사진측량 작업과정 중 하나인 지상기준점(ground control point, GCP) 측량이 제한적이며, 높은 산림 때문에 비가시권 비행으로 인해 안전문제가 발생한다. 이를 보완하기 위해 드론의 위치를 실시간으로 보정하는 RTK(real time kinematic) 드론과 지형정보를 기반으로 비행하는 3차원 비행 방식이 개발되고 있다. 본 연구는 산림지역에서 재난피해조사를 위한 드론의 활용방안을 제시하기 위해 1) GCP 측량을 통한 드론 맵핑(normal drone mapping), 2) 지형정보를 기반으로 비행하는 드론 맵핑(3D flight drone mapping), 3) RTK 드론을 이용한 드론 맵핑(RTK drone mapping) 3가지 방법을 통해 위치정확도를 평가하였으며, 그 결과 평면 위치오차는 2 cm, 높이오차는 13 cm 이내로 나타났다. 위치정확도 평가 후, 산사태 발생 면적을 계산하여 체적 값을 비교했을 때 세 가지 방법 모두 유사한 결과를 보였다. 본 연구에서는 3D flight drone mapping, RTK drone mapping을 통해 산림지역에서 드론 맵핑이 가지는 한계를 극복하고 재난피해조사의 활용 가능성을 확인하였다. 향후 다양하게 발생하는 재난상황을 감안하였을 때 재난지역의 여건에 따라 3가지 방법을 적절히 활용하면 보다 효과적인 피해조사를 수행할 수 있을 것으로 기대된다.