工學碩士學位論文

LiDAR 데이터를 이용한 산림지역의

지형고도자료(DEM) 제작 및 수고추정

DEM generation and tree height estimation in

forest area using airborne LiDAR data

2006年 2月

仁荷大學校 大學院

地理情報工學科

禹 忠 植

工學碩士學位論文

LiDAR 데이터를 이용한 산림지역의

지형고도자료(DEM) 제작 및 수고추정

DEM generation and tree height estimation in

forest area using airborne LiDAR data

2006年 2月

指導敎授 李 奎 成

이 論文을 工學碩士學位 論文으로 提出함.

仁荷大學校 大學院

地理情報工學科

禹 忠 植

本 論文을 禹忠植의 工學碩士學位 論文으로 認定함.

2006年 2月

요지

수고(樹高) 측정은 인력에 의한 현지조사에 의하여 수행하지만 산림의 면

적이 매우 넓고 지형이 험해 현지조사의 방법은 한계가 있다. 이러한 문제를

해결할 수 있는 대안의 하나로 LiDAR (Light Detection And Ranging)측량

을 꼽을 수 있다. LiDAR를 이용해 수고를 측정하기 위해서는 고려되어야할

문제가 크게 두 가지인데 하나는 정확한 지표면의 고도를 나타내는 지형고도

자료(DEM) 제작이고 다른 하나는 수고추정을 위한 방법론이다. 현재

LiDAR를 이용한 DEM 제작방법은 도시지역을 위주로 개발되어 왔고 산림

지역에서는 그 적용이 어려우며 효율성도 떨어져 새로운 알고리즘이 필요하

다. 수고추정 또한 다양한 임분 특성에 맞게 정확하고 효율적인 방법이 제시

되어야 한다. 본 연구에서는 산림지역에서 LiDAR Laser pulse의 반사특성

을 분석하여 산림지역에 적합한 DEM 제작방법을 제시하고 임상의 특성에

알맞은 수고추정방법을 개발하였다.

연구 대상지역은 대부분 낙엽송과 잣나무, 기타 활엽수 등으로 구성되어있

으며 경사가 급한 지역 한 곳과 , 평지산림 두 곳으로 나누었다. 연구방법은

DEM제작 및 수고추정 모두 가상격자(Pseudo-Grid) 방법과 직렬식 또는 병

렬식 moving window filtering 방법을 취하였고 그 연산에 있어서 기존의

방식과는 차별화 하였다. 또한 정확도 검증을 위해 현지조사를 수행하였다.

정밀 DEM 제작을 위한 지면점 분류 결과 일정 부분의 지면점이 비지면점으

로 제거되었지만 지형고도자료 제작이 가능했다. 또한 수고점 추출결과 몇

개의 오차를 제외하곤 0.6~1m 정도의 오차를 나타내었다. 본 연구에서는

LiDAR를 이용하여 산림지역에서 보다 효율적인 지형고도자료 제작 및 수고

추출방법을 제시함으로써 LiDAR를 이용해 산림정보를 추출할 수 있는 가능

성을 보여주고자 하였다.

- ii -

ABSTRACT

In general, tree height is measured manually. However, forest is

relatively difficult to assess, and manual measurement has certain

limitations. LiDAR(Light Detection And Ranging) survey can be an

alternative to solve such problems. In the measurement of tree height

using LiDAR, we must think two problems. The one is to produce

accurate DEM(Digital Elevation Model) data to represent the elevation

of ground surface and the other one is to develop the tree height

measurement algorithm. The development of DEM generation

algorithms in LiDAR surveying has been mainly focused on the city

area and it is difficult to apply those algorithms in forest. The tree

height measurement algorithm must be efficient considering various

forest characteristics. Accordingly, this study try to propose effective

algorithm for generating and estimating tree height in forest.

The study area is pine(Pinus koraiensis) and larch(Larix leptolepis)

forests that have flat and rugged terrain slopes. Pseudo-grid and the

moving window filtering were main methods to separate ground-hit

laser pulses from others. In the ground point filtering, most ground-hit

laser pulses were separated from non-ground points although it

showed some problem for complete separation. The tree height

estimation showed the accuracy ranging from 0.6m to 1m as compared

to the field measurement. In this study, the proposed methods for

generating DEM and tree height in forest using LiDAR showed the

possibility that can extract forest informations from LiDAR data.

- iii -

제 1 장 서 론······························································································1

1.1 연구배경········································································································1

1.2 연구동향········································································································3

1.3 연구목적과 범위··························································································5

제 2 장 LiDAR 측량····················································································6

2.1 개 요··············································································································6

2.2 기본 원리······································································································7

2.2.1 Ranging ··································································································7

2.2.2 Scanning ································································································9

2.2.3 Pulse returns ····················································································11

2.2.4 Intensity return ··············································································12

제 3 장 연구방법······················································································14

3.1 연구의 개요································································································14

3.2 연구대상지역······························································································15

3.3 연구자료······································································································16

3.3.1 LiDAR DATA ··························································································16

3.3.2 현지조사(수고측정)··········································································19

3.4 산림지역의 LiDAR Last return Point 분석········································23

3.5 지면점 분류를 위한 전처리 단계··························································24

3.5.1 가상격자(Pseudo-Grid)형성····························································24

3.5.2 Noise 제거··························································································25

3.6 지형고도자료(DEM) 제작방법··································································29

3.6.1 지면점 분류 Filtering ····································································29

3.6.2 지형의 방향성을 고려한 Filtering ··············································32

- iv -

3.6.3 보간(Interpolation) ········································································33

3.7 수고추출방법······························································································33

3.7.1 수고 후보점 추출··············································································33

3.7.2 Canopy Height Model ········································································34

3.7.3 수고추출 Filtering ··········································································34

제 4 장 결과 및 고찰··············································································37

4.1 산림지역의 LiDAR Last return Point 분석결과································37

4.1.1 1차 지면점 분류 결과······································································37

4.1.2 2차 지면점 분류 결과······································································44

4.2 지형고도자료(DEM)제작 결과··································································46

4.2.1 Window size 및 허용오차 결정······················································46

4.2.2 지면점분류 Filtering의 결과분석················································47

4.2.3 Slope based algorithm과의 비교··················································53

4.2.4 보간(Interpolation) 결과······························································55

4.3 수고추정······································································································57

4.3.1 CHM 제작······························································································57

4.3.2 수고추출 Filtering의 결과····························································58

제 5 장 결 론····························································································64

참고문헌······································································································66

- v -

표 3.1 지형에 따른 세 가지의 연구지역························································16

표 3.2 Optech 社 ALTM 3070의 제원·······························································17

표 3.3 Optech 社 ALTM 4K02의 제원·······························································18

표 3.4 LiDAR 데이터의 촬영내역······································································18

표 3.5 Haglof Vertex III의 제원···································································21

표 3.6 연구지역에서의 수고측정 결과····························································23

표 3.7 유명산 지역의 현지조사 결과······························································24

표 3.8 수관추정 Filtering과 Local Maximum Filtering의 비교·············35

표 4.1 낙엽송 A지역에서의 Laser pulse 특성 ···········································39

표 4.2 낙엽송 B지역에서의 Laser pulse 특성 ···········································40

표 4.3 잣나무 A지역에서의 Laser pulse 특성 ···········································41

표 4.4 잣나무 B지역에서의 Laser pulse 특성 ···········································43

표 4.5 유명산 지역 낙엽송과 잣나무의 Laser pulse 특성 ······················43

표 4.6 유명산 지역 낙엽송과 잣나무 지면점의 특성 ································44

표 4.7 유명산 지역 낙엽송과 잣나무의 Laser pulse 특성 ······················45

표 4.8 Window size에 따른 분류 결과 ··························································47

표 4.9 각 연구지역의 허용오차········································································47

표 4.10 A 지역의 지면점 분류 Filtering 결과 ··········································50

표 4.11 B 지역의 지면점 분류 Filtering 결과 ··········································51

표 4.12 C 지역의 지면점 분류 Filtering 결과 ··········································53

표 4.13 A의 지면점분류 Filtering과 Slope based algorithm 결과 ·····54

표 4.14 각 연구지역의 DEM 격자크기······························································55

표 4.15 A 지역의 추출한 수고점과 현지조사의 비교··································60

표 4.16 B, C 지역의 추출한 수고점과 현지조사의 비교····························61

표 4.17 A 지역에서 추출된 개개목 수와 항공사진의 개개목 수··············62

- vi -

그림 1.1 LiDAR를 이용한 산림지역의 3D 모델링 ········································· 2

그림 1.2 Last return 전체를 이용한 경우(좌)와 지면점만 분류하여

이용한 경우(우) ·················································································· 3

그림 2.1 LiDAR 시스템 구성 ·············································································· 7

그림 2.2 Pulse 측정원리(左)와 위상차측정원리(右) ····································· 8

그림 2.3 Oscillating mirror 구조와 지그재그 스캔패턴 ····························· 10

그림 2.4 Nutating mirror의 구조와 타원형의 스캔패턴 ····························· 10

그림 2.5 Fiber scan의 구조와 평행한 직선의 스캔패턴 ··························· 11

그림 2.6 수목에서의 반사되는 returns ·························································· 12

그림 2.7 유명산 지역 3D Intensity ································································ 13

그림 3.1 연구 전체 흐름도 ··············································································· 14

그림 3.2 경기도 가평군 유명산 일대 디지털 항공사진 ····························· 15

그림 3.3 ALTM 3070 ························································································· 17

그림 3.4 디지털항공카메라 4K02 ··································································· 17

그림 3.5 수목의 형태를 나타내는 용어 ························································· 19

그림 3.6 수고 측정의 원리 ··············································································· 20

그림 3.7 Haglof Vertex III ·············································································· 21

그림 3.8 연구지역 A에서의 수고측정 지점 ·················································· 22

그림 3.9 연구지역 B와 C에서의 수고측정 지점 ········································· 22

그림 3.10 산림지역에 발생되는 Noise ·························································· 26

그림 3.11 수관크기에 따른 가상격자 크기결정 ·········································· 27

그림 3.12 높은 Noise의 제거 ·········································································· 28

그림 3.13 낮은 Noise의 제거 ·········································································· 28

그림 3.14 지면점 분류 Filtering의 원리 ························································ 29

그림 3.15 Slope based algorithm ································································· 31

그림 3.16 방향성을 고려한 지면점 분류 ······················································ 32

그림 3.17 수고추출 ···························································································· 34

- vii -

그림 3.18 수고추출 Filtering의 원리 ······························································ 36

그림 3.19 낙엽송 윈도우(19×19) 잣나무 윈도우(13×13) ················· 36

그림 4.1 낙엽송 A지역의 사진 및 수치지형도 ············································ 37

그림 4.2 낙엽송 A지역의 실제 사진과 X방향에서의 Z-profile ··············· 38

그림 4.3 낙엽송 A지역의 히스토그램 ···························································· 38

그림 4.4 낙엽송 B지역의 사진 및 수치지형도 ············································ 39

그림 4.5 낙엽송 B지역의 실제 사진과 X방향에서의 Z-profile ··············· 39

그림 4.6 낙엽송 B지역의 히스토그램 ···························································· 40

그림 4.7 잣나무 A지역의 사진 및 수치지형도 ············································ 40

그림 4.8 잣나무 A지역의 Z-profile과 히스토그램 ······································ 41

그림 4.9 잣나무 B지역의 사진 및 수치지형도 ············································ 42

그림 4.10 잣나무 B지역의 Z-profile과 히스토그램 ··································· 42

그림 4.11 Window size에 따른 분류된 Point의 비율 ······························· 46

그림 4.12 지면점 분류 결과 지면점(적)-비지면점(녹) ······························ 48

그림 4.13 지면점과 비지면점의 Z-profile ·················································· 49

그림 4.14 지면점 분류 결과 ············································································ 50

그림 4.15 지면점과 비지면점의 Z-profile ·················································· 51

그림 4.16 지면점 분류 결과 ·········································································· 52

그림 4.17 지면점과 비지면점의 Z-profile ·················································· 53

그림 4.18 지면점 분류 Filtering과 Slope based algorithm의 결과 ····· 54

그림 4.19 연구지역 A(상), B(중), C(하)의 DEM ········································ 56

그림 4.20 A 지역의 First return(좌)과 CHM(우) ········································ 57

그림 4.21 A 지역에서의 수고점 추출한 결과 ·············································· 58

그림 4.22 B, C 지역에서의 수고점 추출(낙엽송) ······································ 59

그림 4.23 Local Maximum Filtering의 결과(좌)와 수고추출 Filtering의

결과(우) ···························································································· 62

1

제 1 장 서 론

1.1 연구 배경

우리나라는 임목을 비롯한 자연자원이 부족하여 매년 자원을 수입하는데

엄청난 규모의 자본을 지출하고 있다. 현재 지구는 육상면적의 약 1/3 가량

이 숲으로 덮여 있으며 우리나라의 경우에는 국토의 면적의 약 2/3 가량이

산림으로 구성되어 있으나 이렇게 산림자원의 지속가능한 관리를 위해서 반

드시 필요한 것이 있는데 그것은 산림자원의 분포 및 현황을 조사하는 산림

자원조사(山林資源凋謝)이다.

산림자원의 조사항목은 수종(樹種)의 분포를 나타내는 임상(林相)과 수고

(樹高), 흉고직경(胸高直徑) 등이 있다. 그 중 수고와 흉고직경은 산림자원의

여러 가지 정보들을 추정할 수 있는 물리적 인자로 재적(材積)이나

Biomass, 엽면적 지수(LAI), 연간 순생장량(NPP) 등을 추정할 수 있다. 여

기서 흉고직경은 임분(林分)의 밀도와 수령, 수고를 이용하여 추정이 가능하

기 때문에 정확한 수고정보가 있다면 산림자원의 많은 정보들의 추정이 가능

하다. 현재 가장 많이 사용하고 있는 수고측정방법은 비교적 그 구조가 간단

한 측고기(測高器)라는 측정장비를 이용한 방법으로 측고봉이나 줄자를 이

용하는 직접적인 측정방식이 아닌 고도차에 의해 생기는 각도와 대상물과의

거리의 비를 이용하여 측정하는 간접적인 방식이다. 그러나 이 방식은 측정

자의 실수에 의해 오차가 발생할 위험이 크고 지형변이가 심해 접근하기 힘

든 곳은 측정이 불가하며 인력에 의해 수행되는 것이므로 대면적의 산림을

조사하기에는 인건비와 같은 비용이 많이 든다.

지형고도자료 DEM은 산림자원의 관리를 위해 필요한 기본적인 지형자료

로써 산림경영을 위한 계획 수립에 크게 이용되며 산림경영 외에도 산지이용

이나 대규모 개발에 반드시 필요한 자료이다. 그러나 대부분 DEM 자료를 제

작하기 위해 수치지형도를 주로 사용하게 되는데 수치지형도는 산림지역의

식생이 포함되어있는 항공사진을 이용해 고도를 추정하기 때문에 한계오차

2

보다 더 큰 오차가 발생하는 문제를 가지고 있다.

따라서 이러한 수고측정과 지형고도자료 제작을 보다 정확하면서도 빠르

고 쉽게 하기 위해 LiDAR (Light Detection And Ranging)측량이 도입되었

다. 이 측량 방법은 원래 도시지역의 건물이나 지형형태를 추출하기 위해 주

로 사용되는 것으로 고도 정확도가 높고 빠른 시간에 많은 측량을 수행할 수

있으며 자동화가 가능하기 때문에 많은 연구가 진행되고 있다. 이러한 장점

을 이용하여 외국에서는 일찍이 산림지역의 자원을 조사, 관리하기 위한 목

적으로 연구가 활발히 진행되고 있으며 국내에서도 최근 LiDAR 측량을 이

용한 연구가 시작되고 있다. LiDAR 측량을 이용하여 산림지역을 촬영할 경

우 정확도가 높은 지형고도자료를 제작할 수 있다. 또한 인력에 의해 일일이

수고를 측정하던 방식을 떠나 대규모의 면적에 분포하는 개개목의 수고를 자

동으로 추정해낼 수 있다.

그림 2.1 LiDAR를 이용한 산림지역의 3D 모델링

* ALTM 3070 manual

LiDAR 데이터를 이용하여 지형고도자료를 제작하기위해서는 LiDAR 데이

터 내에서 지면점만을 분류해야하는데 지면점을 분류하는 방법이 대부분 도

시지역에 초점이 맞추어져 개발이 되었다. 도시지역은 대부분 지형변이가 심

하지 않고 건물 외에는 큰 장애요인이 없기 때문에 지면점분류가 비교적 용

이하지만 산림지역은 지형의 변이가 심하고 식생의 밀도가 높아 지면점분류

가 용이하지 못하다. 따라서 지면점을 분류하지 못한 채 Last return을 그대

3

로 이용하고 있는 경우가 있다. 아래의 그림은 Last return에서 지면점을 분

류하지 않고 DEM을 제작한 경우와 지면점을 분류한 후 DEM을 제작한 경우

를 나타내었다.

그림 1.2 Last return 전체를 이용한 경우(좌)와 지면점만 분류하여

이용한 경우(우)

위의 그림에서 잘 나타나듯 지면점을 분류하지 않을 경우에는 매우 큰 오차

가 발생하게 되어 실제 지형고도자료로써의 가치가 떨어지게 되므로 지면점

분류는 반드시 수행해야한다. 따라서 산림지역에 적용가능한 새로운 지면점

분류 방법이 필요하다.

수고추정방법 또한 LiDAR 데이터의 고도값을 이용하여 추정해야하는데

아직까지 우리나라에 적용가능한 방법이 제시되지 못하고 있다.

1.2 연구 동향

LiDAR DATA를 이용하여 지형고도자료를 제작하기 위해선 지면점과 비

지면점의 분류가 매우 중요하며 현재까지 많은 분류방법이 제시되었다. 그

중 Slope based filter는 한 Point와 주위의 Point들 사이에 생기는 경사를

이용하여 지면점과 비지면점을 분류하는 방법으로 일정크기의 공간에 존재

하는 Point 사이의 경사 중 최대허용경사보다 큰 점들은 비지면점, 작은 점

들은 지면점으로 분류된다(Vosselman, 2001). 여기에서 최대허용경사는 대

상지형에 대한 사전지식을 통하여 얻을 수 있다. 그러나 이 방법은 지형의 변

4

이가 심한 산림지역에서는 일률적으로 최대허용경사를 적용하기가 어려우며

적용한다고 하더라도 매우 주관적일 수밖에 없다. Slope based filter와 유

사하지만 LiDAR의 수평과 수직오차 및 지형각을 이용하여 지면점을 분류한

연구가 있었고 지면점을 최대한 확보하기위해 잎이 떨어진 겨울에 LiDAR

촬영을 하였다(Hodgson, 2005). Point의 경사를 이용한 방법 외에 Point들

의 곡률(Curvature)을 이용한 방법이 있는데 지면을 형성하는 Point들은 가

장 낮은 고도값을 갖는 Point라고 가정한 뒤 LiDAR 데이터의 가장 낮은 값

을 이용해 TIN을 형성한다. 그리고 높은 고도값을 갖는 Point의 곡률을 계

산하여 제거시켜 다시 TIN을 형성, 이와 같은 작업을 반복하여 지면을 형성

하였다(Haugerud & Harding, 2001). 이 방법 또한 지형의 변이가 심한 산

림지역에서는 최대허용곡률을 정의하는 것이 어려우며 주관적이게 된다. 때

문에 새로운 지면점 분류 알고리즘에 제시될 경우에는 주관적인 요소를 최대

한 배제하여 객관성을 유지해야할 것이다. 이러한 방법과 달리 가상격자를

형성하여 일정높이로 분할하여 지면점을 분류하는 방법도 있다(Choi,

2004).

수고 추정방법은 DSM(Digital Surface Model)과 DEM의 차이를 이용하여

제작된 CHM(Canopy Height Model)에 Moving Window 방식을 적용하게

되는데 수고추정치의 계산방법과 윈도우의 크기 및 모양에서 차이를 나타내

고 있다. Local Maximum filtering은 윈도우 내의 고도값 중 가장 높은 값을

중앙의 Pixel에 치환시켜주는 직렬식 Moving window로 추정하려는 임상의

수관모양과 크기와 유사하게 윈도우를 제작하였다. 그 모양은 원형으로

19×19의 크기로 제작하였다(Sorin, 2002). 이 방법은 윈도우의 모양과 크

기에 의해 크게 영향을 받기 때문에 윈도우의 모양과 크기를 결정하는 과정

이 객관적이어야 하며 Local Maximum Filtering은 수목의 peak Point를 추

출하는 방법이 아니며 수관영역을 모두 최대값으로 치환시키기 때문에 개개

목의 위치와 수목의 peak 위치가 부정확해진다. 따라서 peak에 해당하는

LiDAR Point를 추출할 수 있는 방법이 필요하다.

5

1.3 연구 목적 및 범위

산림자원을 지속가능하게 경영, 관리하기위해서는 현재 산림자원의 현황

및 분포에 대한 조사가 이루어져야 한다. 그중 수고는 매우 중요한 인자이지

만 지형변이가 심하고 엄청나게 많은 수목을 일일이 측정한다는 것은 거의

불가능하다. 산지의 이용 및 개발에 매우 중요한 데이터인 지형고도자료

(DEM) 또한 수치지형도를 이용할 경우 오차가 많이 발생하기 때문에 새로

운 측량방법이 요구되었다. 따라서 이러한 요구를 해결할 수 있는 측량법인

LiDAR 측량이다. 그러나 LiDAR 측량은 주로 도시지역에서 사용되었기 때

문에 도시지역에 알맞은 데이터분석방법이 대부분이며 산림지역에 적용이

어렵다.

본 연구에서는 이러한 문제점을 해결하기 위해 LiDAR 측량 시 산림지역

침엽수림에서 나타나는 Pulse return의 특성과 산림지역에 알맞은 LiDAR

데이터 분석방법을 제시하고자 한다. 먼저 산림지역의 침엽수림에 나타나는

LiDAR Last return의 Pulse return 특성에 대해 분석해 보겠다. 또한 산림

지역의 지형고도자료를 제작하기 위해 반드시 필요한 지면점 분류 알고리즘

을 제시하겠다. 그 후 임상종류에 따라 개개목의 수고를 추정할 수 있는 수고

추정알고리즘을 제시하겠다. 수고추정알고리즘은 개개목의 위치와 수고를

동시에 추정할 수 있는 방법이다.

본 연구는 LiDAR 데이터의 산림특성에 관해서는 각각 경기도 가평지역의

유명산과 충청남도 홍성군 지역의 오서산을 촬영한 LiDAR 데이터를 이용하

였으며 지형고도자료의 제작과 수고추정은 유명산의 LiDAR 데이터를 주로

사용하였다. 여기에서 두 지역의 LiDAR 데이터는 4월 말경에 촬영했기 때문

에 대부분의 활엽수림과 침엽수림 중 낙엽송림의 잎이 완전히 자란 시기는

아니다. 따라서 침엽수림 중 사철 잎이 떨어지지 않는 상록수인 잣나무림

(Pinus koraiensis)과 중부지방 활엽수와 같이 낙엽이지는 낙엽송림(일본잎

갈나무, Larix leptolepis)을 대상으로 하여 분석을 수행하였다.

6

제 2 장 LiDAR 측량

본 장에서는 LiDAR 측량의 이해를 돕기 위해 LiDAR의 뜻과 그 구성요소

및 기본원리에 대해 설명하고 있다. 또한 LiDAR 측량방식에 따른 종류 및

특성에 대해 여러 가지 그림과 함께 설명하고 있으며 획득한 데이터의 각각

의 특성과 획득과정에 대해서도 조명하고 있다.

2.1 개요

LiDAR (Light Detection And Ranging)는 비행기에서 발사하는 빛을 이

용하여 거리를 측정하는 방법으로 일반적으로 레이저를 광원으로 이용한다.

여기서 레이저(Laser)란 유도방출복사에 의해 빛을 증폭시키는 것을 말하며

이러한 레이저의 원리는 낮은 준위의 원자, 분자들이 높은 준위로 바뀌는 순

간에 임의의 파장을 갖는 빛이 원자에 충돌하면 원자가 자신을 자극한 파동

과 같은 위상을 갖는 복사선을 방출하도록 유도되는 성질을 이용한 것으로

이 과정을 충분히 반복하여 발생되는 완전한 간섭성 빛이 레이저이다.

LiDAR는 악천후를 제외한 비행이 가능한 날씨라면 지형에 상관없이 측량

가능하고 광학영상과 달리 능동형 센서이기 때문에 그림자나 구름의 영향을

받지 않는다. LiDAR 측량은 다른 측량법에 비해 자료처리시간이 매우 빨라

개활지의 경우 시간당 2~5km²의 면적을 처리할 수 있다. LiDAR 측량을 통

해 생성된 지형고도자료는 항공사진으로 생성하는 것보다 더욱 정확하며 특

히 산림지역과 같이 식생에 의해 지형이 보이지 않는 경우 항공사진으로 생

성한 지형고도자료는 식생의 높이를 포함하고 있지만 LiDAR 측량은 식생을

투과할 수 있는 특성을 가지고 있기 때문에 정확한 지형고도자료를 생성할

수 있다. 또한 지형고도자료 구축 시 항공사진에 비해 경제성이 높다.

LiDAR 측량은 식생을 투과할 수 있는 특성을 가지고 있어 식생의 구조적 특

징이나 물리적 인자를 추출하는데 이용되기도 한다.

7

LiDAR 시스템은 광원의 특성에 Pulse의 비행시간을 측정하는 Pulse

ranging 방법과 위상차를 측정하는 Continuous Wave (CW) ranging 방법

이 있으며 CW ranging 방법은 전력소비가 심하여 장시간 사용이 곤란해 현

재 대부분의 상용시스템은 Pulse ranging 방법을 사용하고 있다. LiDAR 시

스템의 구성요소는 아래의 그림과 같이 레이저 스캐너, 항공기의 위치와 자

세정보를 제공하는 GPS/INS, DATA 저장매체 등으로 구성되어 있으며 레

이저 스캐너는 거리측정 부분과 스캐닝 부분으로 이루어져 있다.

그림 2.1 LiDAR 시스템 구성

2.2 기본 원리

2.2.1 Ranging

LiDAR의 거리측정원리는 Pulse를 이용한 방법과 위상차(CW)를 이용한

방법으로 나누어지는데 두 방법 모두 레이저가 대상물에서 반사되어 수신되

는 시간을 측정하지만 원리는 다르다.

8

그림 2.2 Pulse 측정원리(左)와 위상차측정원리(右)

위상차를 이용하는 방법은 빛을 연속적으로 방출하는 Continuous Wave

시스템을 사용하는 경우로 장시간 신호를 지속적으로 발생시키며 주로 대상

물이 가까이 있는 경우에 사용하므로 대상지역의 평균적인 특성을 측정하는

데 편리하고 세밀한 측량이 가능하다. CW의 왕복시간과 거리측정은 아래의

식과 같다.

t L=Φ2πf

R=c4πfΦ

tL : 왕복시간, R : 거리, Φ : 위상차, f : 주파수, c : 빛의 속도 3×108m/sec

Pulse는 CW 방식에 비해 높은 에너지를 사용하므로 더 높은 S/N 비율을

가진다. 주로 Solid-state 레이저가 사용되며 Pulse의 왕복시간과 거리측정

은 아래의 식과 같다.

t L=2Rc

R =12ct L

거리의 정확도는 pulse의 생성시간, S/N비율, 측정비율에 의해 결정되어지

는데 일반적으로 cm단위의 정확도를 가진다. 거리정확도에 대한 식은 아래

와 같다.

9

: Pulse의 생성시간, S/N : 신호에 대한 잡음의 비율

현재 LiDAR 시스템에서 CW 시스템은 전력소비가 심하여 장시간 사용이 곤

란해 대부분 Pulse 시스템을 사용한다.

2.2.2 Scanning

LiDAR의 측정점 간의 거리와 촬영폭(Swath width)은 여러 가지 인자에

의해 달라지는데 아래와 같이 나타낼 수 있다.

- Scan 방향의 측량점 간의 거리

: 순간 스캔각, h : 비행고도, PRF : Pulse의 반복횟수

- 비행방향의 측량점 간의 거리

v : 비행기 속도, : 진동거울의 왕복시간

- 촬영폭 (Swath width)

θ : FOV (진동거울의 왕복주기)

10

촬영폭은 FOV라고 불리는 스캔각( θ)에 따라 달라진다. 또한 LiDAR는 각

기 방식이 다른 Scanning 기법이 있는데 크게 세 가지로 나눌 수 있다. 첫 번

째는 Oscillating mirror 방식으로 가장 많이 사용하는 방식으로 거울이 일

정한 각도 범위에서 좌우로 움직이는 방식으로 아래의 그림에 구조와 스캔패

턴을 나타내어 보았다.

그림 2.3 Oscillating mirror 구조*와 지그재그 스캔패턴**

이 방식은 레이저가 지그재그로 움직여 스캔되어지고 중심으로 갈수록 점

간격이 좁지만 중심에서 멀어질수록 점간격이 넓어진다. 따라서 끝부분에서

많은 오차요소를 포함한다. 상용시스템으로는 Optech 社의 ALTM series,

Leica ALS 50 등이 있다. 이러한 Oscillating mirror의 단점을 보완하기 위

해 Palmer scan이라고도 부르는 Nutating mirror가 등장하였는데 이 방식

은 거울을 회전을 시켜 타원형의 모양으로 스캔하는 방식으로 아래의 그림과

같다.

그림 2.4 Nutating mirror의 구조*와 타원형의 스캔패턴**

11

이 방식은 촬영폭을 변경하기 어렵고 calibration 하기가 힘들다. 상용시스

템으로는 독일의 ScaLARS 등이 있다. 지금까지의 거울을 이용한 방식이 아

닌 Fiber를 이용한 방식이 등장하였는데 그 구조와 스캔패턴이 아래와 같다.

그림 2.5 Fiber scan의 구조*와 평행한 직선의 스캔패턴**

이 방식은 Fixed glass Fiber array 방식으로 Push-broom으로 설계되었

다. 진동이 있을 경우에 발생하는 위치 부정확성을 최소화할 수 있으나 촬영

폭이 좁아 비행시간이 증가하기 때문에 비용이 많이 든다. 상용시스템으로는

독일의 TopoSys가 있다.

* Wehr, 1999 ** 좌윤석, 2003

2.2.3 Pulse Returns

LiDAR로부터 획득하는 정보는 수신된 Pulse의 시간 차이에 따라 총 4가지

이상으로 대개 First return, Second return, Third return, Last return 등

으로 구분된다. 많은 경우에 있어서 Second와 Third return은 획득되는 정

보량이 극히 적어 나머지 First와 Last return을 이용한다. 여기에서 First

return은 지형지물(地形地物) 중 지물, 즉 도시지역의 경우 빌딩이나 가옥,

교각 등의 고도에 대한 정보 잘 나타나있는 반면 Last return은 First return

과 달리 지물보다는 지형에 관한 정보가 잘 나타나있다. 구체적으로 각

return이 발생하는 원리를 살펴보면 1m 크기의 footprint를 가진 LiDAR 시

12

스템에서 Pulse를 발사했을 때 하나의 Pulse에 대하여 두 가지의 다른 고도

값, 즉 지붕의 모서리와 지면에 반사되었다면 지붕 모서리에 반사된 고도값

은 First return, 지면에 반사된 고도값은 Last return으로 구분된다. 또한

아래의 그림과 같이 식생지역에서 하나의 Pulse가 수목의 수관을 투과하는

경우 수관층 맨 위부분에 반사된 고도값은 First, 잎이나 가지는 Second, 지

면이나 하층식생은 Third/Last return으로 구분된다.

그림 2.6 수목에서의 반사되는 returns

(http://www.optech.on.ca)

LiDAR 데이터를 사용할 때 사용자는 원하는 정보를 추출하기 위해 어떠한

return의 데이터를 쓸 것인지 사용목적에 맞게 선택해야한다.

2.2.4 Intensity return

LiDAR 시스템 중에 물체에 반사된 레이저펄스의 강도를 나타내는

Intensity를 기록할 수 있는 것들이 있다, LiDAR 시스템은 0.9 μm~1.2 μm

사이의 파장을 사용하기 때문에 Intensity return의 값은 광학영상의 근적외

선 반사특성과 RADAR 영상과 같은 표면 거칠기, 표면강도 등의 특성에 영

향을 받는다. 따라서 이러한 특성을 이용하여 지형지물을 추출하는 연구가

13

활발히 진행되고 있다.

그림 2.7 유명산 지역 Laser pulse intensity

14

제 3 장 연구방법

본 장에서는 대상지역의 특성과 사용하는 데이터에 대해서 살펴보겠으며

구체적인 연구방법을 설명하겠다. 연구방법은 먼저 DEM 제작을 위한 지면

점분류 알고리즘과 보간(Interpolation)방법을 설명하겠고 그 후 DSM과

CHM의 제작 및 CHM을 이용한 개개목의 수고추정알고리즘을 설명하겠다.

3.1 연구의 개요

본 연구는 아래와 같은 순서로 수행되었으며 검은색으로 나타낸 부분이 본

연구에서 새로 제시하는 방법이다.

그림 3.1 연구 전체 흐름도

15

먼저 전처리 단계에서는 수많은 Point 데이터는 직접처리하기가 어려워

좌윤석(2003)이 사용한 가상격자(Pseudo-Grid)방법을 이용하여 Noise를

제거하였으며 각각 First return으로 DSM을, Last return으로 DEM을 제작

하였다. 그 후 CHM을 DSM과 DEM의 차이로 제작하였으며 본 연구에서 제

시한 수고추정 Filtering에 적용시켜 개개목의 수고에 해당하는 후보점을 추

출하였다. 이러한 과정을 통해서 추출된 수고 후보점의 정확도를 알아보기

위해 현지조사를 실시하여 31개의 비교점을 측정하였다.

3.2 연구 대상지역

경기도 가평군과 양평군에 걸쳐 위치하고 있는 최대고도 862m의 비교적

높은 지형인 유명산 지역은 좁은 면적의 경작지와 주거지를 제외하면 대부분

산림으로 이루어져 있다. 임상은 그 비율에 따라 낙엽송림과 잣나무림, 기타

참나무류의 활엽수림 순으로 이루어져있으며 낙엽송림은 평균 40~50년생

으로 이루어진 5영급으로 평균수고가 약 25m이다. 잣나무림은 평균

30~40년생의 4영급으로 평균수고가 약 16m로 낙엽송보다 작다.

그림 3.2 경기도 가평군 유명산 일대 디지털 항공사진

수고추정의 대상지역을 주로 유명산 일대로 하였으며 산림의 여러 지형 형

16

태를 모두 포함할 수 있도록 세 부분으로 나누어 연구를 수행하였다. 첫 번째

지역은 경사가 급한 전형적인 산림지역을 선택하였고 두 번째 지역은 산림지

역이지만 경사가 완만한 평지 식생지역을 선택하였다. 세 번째 지역은 평지

와 경사가 모두 존재하는 지역으로 식생 외 건물이 포함된 지역으로 선택하

였다.

표 3.1 지형에 따른 세 가지의 연구지역

구분 A B C

특성 경사가 급한 지역 평지 식생지역 건물이 포함된 지역

디지털

항공

사진

3.3 연구 자료

3.3.1 LiDAR DATA

본 연구를 수행하기 위한 연구자료는 Optech 社의 ALTM 3070으로 유명

산과 오서산을 촬영한 LiDAR 데이터와 LiDAR 촬영 당시 같이 촬영되는

ALTM 4K02 디지털항공 CCD영상이 있다. LiDAR 측량 장비인 Optech 社

의 ALTM 3070의 제원은 아래와 같다.

17

그림 3.3 ALTM 3070 * http://www.hist.co.kr

표 3.2 Optech 社 ALTM 3070의 제원

구 분 내 용Operating altitude 200 - 3000m nominalHorizontal accuracy 1 / 2,000 × altitude

Elevation accuracy15cm at 1,200m;

35cm at 3,000m (1sigma)Range resolution 1cm

Intensity 12bitsScan angle 50° FOVSwath width 0.93 × altitude

Scan frequency 0 - 70 HzLaser classification Class IVLaser repetition rate Selectable - 33 kHz, 50 kHz, 70 kHz

디지털항공CCD영상 장비인 ALTM 4K02의 제원은 아래와 같다.

그림 3.4 디지털항공카메라 4K02

18

표 3.3 Optech 社 ALTM 4K02의 제원

구 분 내 용Array size 4,092 × 4,079 pixelsPixel size 0.009mmFilter array color and color-IR

Lens Zeiss Distagon 55.0mm, 36° FOVShutter speed 1 / 125 - 1 / 4,000 seconds

Storage 160GB

본 연구에서 사용된 LiDAR 데이터의 구체적인 촬영내역은 아래의 표와 같

다.

표 3.4 LiDAR 데이터의 촬영내역

구 분 유 명 산촬영시기 2004년 4월 28일촬영고도 1500m

Laser classification Class II (First-Last)Footprint 30cm

Point density

(First/Last, point/㎡)2.55-2.5

Laser repetition rate 70 kHz출 처 한진정보통신

두 지역의 데이터는 시기적으로 3일정도 차이나며 촬영장비와 고도가 같기

때문에 점밀도가 비슷하다. 또한 Laser Pulse return이 원래는 4가지로

First, Second, Third, Last return으로 나뉘어야 하지만 실제 Second,

Third return의 데이터가 거의 존재하지 않아 First와 Last return을 주로

사용하였다. 데이터는 본 연구를 위해 촬영한 것이 아닌 한진정보통신에서

제공받아 사용하였다.

19

3.3.2 현지조사(수고측정)

수목의 형태를 나타낼 때 사용되는 용어들이 몇 가지 있는데 아래의 그림

과 같다.

그림 3.5 수목의 형태를 나타내는 용어

수고(樹高)란 수목의 높이를 가리키는 것으로 그림에 잘 나타나듯 잎이나

가지들로 구성된 수관(樹冠, Crown)과 수목의 지지 및 영양분의 이동통로인

수간(樹幹, Stem)으로 구분된다. 수종마다 그 특성이 조금씩 다르지만 수고

를 이용하여 연령, 수관의 길이 및 폭, 수간의 길이, 흉고직경, 재적,

Biomass 등의 정보를 추정할 수 있다. 다시 말해 수고는 어떠한 임분의 총체

적인 정보를 추정하고 판단하는데 사용될 수 있는 인자로써 산림자원을 관리

하고 육성하는데 가장 기본이 되는 정보라고 말할 수 있다.

수고의 중요성은 크게 두 가지로 경제적인 부분과 환경적인 부분으로 나눌

수 있다. 경제적인 중요성은 임업측면을 가리키는 것으로 산림 내에서 목재

를 생산하는 벌채작업에서 매우 중요하게 사용된다. 대상 임분이 벌채를 할

수 있는 적정 연령에 도달할 경우 벌채계획을 수립하게 되는데 그 타당성을

결정하는 인자가 목재의 부피를 나타내는 재적이다. 즉, 대상 임분에서 벌채

20

를 할 경우 생산될 수 있는 목재의 재적이 어느 정도인지 추정하는데 그때 재

적을 추정하는데 수고가 사용된다.

환경적인 부분에서의 중요성은 다음과 같다. 탄소의 과잉으로 인해 생기는

지구온난화와 무차별적인 탄소의 배출을 막고 서로를 견제하고 규제하기 위

해 협의된 기후변화협약과 같은 범지구적 차원의 문제들은 해결할 수 있는

수단 중의 하나가 산림이다. 산림은 탄소의 저장고라고 불릴 정도로 탄소배

출과 연관되어 탄소를 흡수하고 저장하는 역할을 담당해 내고 있으며 탄소의

흡수 및 저장 크기를 추정할 수 있는 인자가 산림의 Biomass이다. 이러한

Biomass를 추정하는데 수고가 매우 중요하게 사용된다.

수고측정은 주로 비교적 간단한 장비를 이용한 현지조사를 통해 이루어지

며 많은 면적을 측정하기 위해선 많은 인력이 동원되어야 한다. 인력에 의한

현지조사는 비용이 많이 들고 지형에 영향을 많이 받기 때문에 효율성이 떨

어진다. 따라서 대부분 임분 내에서 대표적인 표준목을 선정하여 표준목의

수고를 임분의 평균 수고로 사용하는 경우가 많다. 수고측정은 높은 위치를

측정하여야 하기 때문에 직접측정보다는 기하학적인 원리나 삼각법의 원리

를 응용한 측정장비를 이용하는데 이러한 장비들을 측고기(測高器,

Hypsometer)라고 한다. 이러한 측고기의 원리는 아래의 그림과 같다.

그림 3.6 수고 측정의 원리

그림에서 보듯 수고는 측정자의 수평거리(D)와 측정위치에서의 최고점의

각도(A)로부터 계산된 길이(B)와 발에서부터 눈까지의 길이(C)를 합친 길

이(H)가 수고가 된다.

현지조사는 수고를 측정하기 위해 수행하였고 유명산 지역을 대상으로 하

21

였다. 수고는 세 부분의 연구지역에서 측정하였으며 낙엽송과 잣나무를 대상

으로 하였다. 연구지역 A는 잣나무림이 주거지역으로 용도변경이 되어 잣나

무의 수고측정 개수가 적다. 연구지역 A, B, C의 수고측정 개수를 모두 합

친 결과 낙엽송이 21그루, 잣나무가 10그루이다.

수고의 측정은 Haglof Vertex III라는 수고측정기를 이용하였는데 이 측정

기의 원리는 음파의 송신과 수신시간을 이용하여 측정자와 수목간의 거리를

계산한 다음 수목의 Peak와 센서와의 각도를 이용하여 최종 수고를 구하게

된다.

그림 3.7 Haglof Vertex III

표 3.5 Haglof Vertex III의 제원

구 분 내 용

Height 0 to 999m

Height resolution 0.1m

Distance resolution 0.01m

Angle -40° to +90°

아래의 그림은 연구지역 A에서의 수고측정 지점을 나타내었다. 붉은색으로

표시된 번호는 낙엽송을 노란색으로 표시된 번호는 잣나무를 가리킨다.

22

그림 3.8 연구지역 A에서의 수고측정 지점

연구지역 B와 C는 한꺼번에 표시하였는데 아래의 그림과 같다.

그림 3.9 연구지역 B와 C에서의 수고측정 지점

수고측정 결과는 아래의 표와 같다.

23

표 3.6 연구지역에서의 수고측정 결과

구 분A B와 C

수종 수고(m) 수종 수고(m)1 낙엽송 26.3 낙엽송 24.42 낙엽송 27.5 잣나무 17.53 낙엽송 30.2 낙엽송 22.74 잣나무 18.1 잣나무 16.55 잣나무 16.5 낙엽송 24.76 잣나무 16.0 낙엽송 28.47 낙엽송 29.0 낙엽송 20.98 낙엽송 27.2 잣나무 19.09 낙엽송 30.8 잣나무 14.310 낙엽송 27.8 잣나무 12.811 낙엽송 29.5 잣나무 16.812 낙엽송 30.7 잣나무 17.813 낙엽송 16.114 낙엽송 19.315 낙엽송 18.816 낙엽송 19.817 낙엽송 18.218 낙엽송 19.4

낙엽송 19.9

3.4 산림지역의 LiDAR Last return의 Point 분석

Last return 데이터를 이용하여 반사특성을 분석하기 위해 몇 개의 표

본지역을 설정하였다. 표본지역은 지형에 의한 영향을 최대한 없애기 위

해 수관층과 지형의 고도값이 겹치지 않는 범위에서 20m×20m의 면적으

로 비교적 평평한 지역으로 선정하였다.

Last return의 Point를 크게 수관층에 반사된 Point, 하층식생에 반사

된 Point, 지면에 반사된 Point로 구분하였고 구분의 기준은 다음과 같다.

- 20m 내의 지면은 급격히 변하지 않는 연속적인 지형이다.

- 지면점은 최대경사 및 수직오차(약 20cm) 범위 내에 포함하는 Point

24

이다.

- 하층식생에 반사된 Point는 지면점과 수관층에 반사된 Point 사이에

존재하는 모든 Point이다. 단, 하층식생이 존재할 경우

- 수관층에 반사된 Point는 평균 수간(stem) 길이 이상의 고도값을 갖

는 Point로 수간의 길이를 조사하지 못한 곳은 다음과 같은 방법으

로 적용하였다.

=> 경기도 가평, 양평 지방의 잣나무의 수간길이는 대략 수고의

30%, 낙엽송의 수간길이는 대략 수고의 40% (이돈구, 1997), 수고

는 현지조사를 통해 획득하였음.

유명산 지역을 현지 조사한 결과 평균 4, 5영급의 낙엽송 임분과 4영급

의 잣나무 임분이 존재하였는데 아래와 같이 표로 나타내었다.

표 3.7 유명산 지역의 현지조사 결과

수종 평균 영급 평균 수고(m) 평균 DBH(cm)

낙엽송4 21.05 37.3

5 28.8 38.3

잣나무 4 16.4 27.2

낙엽송 두 지역과 잣나무 두 지역을 선정하여 분석을 실시하였다.

3.5 지면점 분류를 위한 전처리 단계

3.5.1 가상격자(Pseudo-Grid) 형성

LiDAR 데이터는 엄청나게 많은 Point로 이루어져 Point를 하나하나 처리

하기가 매우 어렵고 처리에 들어가는 시간과 비용 또한 매우 크다. 따라서 수

많은 Point를 좀 더 효율적으로 처리하는 방법들이 개발되었는데 본 연구에

서는 좌윤석(2003)이 보간에 의한 데이터 손실을 줄이고자 사용한 가상격자

25

(Pseudo-Grid)를 이용한 방법을 적용하였다. 이 방법은 주로 도시지역을 위

해 제시된 것으로 일정한 크기의 가상의 격자를 형성하여 가상격자 내에 포

함되어 있는 Point들을 처리하는 방식이다. 위의 연구에서는 격자의 크기를

Morgan(2002)이 제시한 “점밀도가 n/㎡일 때 가상격자의 적정한 크기는

1/ nm이다.”를 인용하여 가상격자의 크기를 결정하였는데 이것은 다음

식에서 가정을 추정할 수 있다.

n point : 1m 2 = 1 point : x 2m 2

x는한격자의크기n x

2= 1

x2=1n

∴ x =1

n

즉, 격자 내에 단지 한 개의 Point가 있을 때를 가정한 것이므로 Noise

제거에는 적절하지 못한 크기이다. 오히려 순수하게 지면점만 존재할 경

우에 DEM의 크기를 결정하는데 사용되어야 적절할 것이다. 따라서 본 연

구에서는 가상격자를 두 가지로 구분하여 적용하였으며 각각 격자크기를 달

리 하였다. 첫 번째는 Noise를 제거하기 위해 사용하였다. Noise를 제거하

기 위한 목적으로 가상격자를 사용하기 위해선 격자의 크기를 Noise 제거에

적절한 크기로 정해 주어야 한다. 두 번째로 DEM과 DSM을 제작하기 위한

목적으로 사용하였다. Noise제거와 달리 DEM과 DSM의 가상격자의 크기는

격자 내에 한 개의 Point만 존재하도록 그 크기를 결정해야한다.

3.5.2 Noise 제거

LiDAR 데이터에서 Noise는 낮은 Noise (Low-outlier)와 높은 Noise

26

(High-outlier)로 나누어진다. 낮은 Noise는 지형지물에서의 다중반사

(multi-path)나 LiDAR 거리계측기의 오류에 의해 발생하는 것으로 지면

보다 낮게 분포한다. 높은 Noise는 전선이나 새, 낮은 비행을 하는 물체

에 반사되어 측정된 것으로 주위의 점보다 높게 위치한다.

먼저 산림지역에서 나타나는 Noise의 특성을 살펴보면 대부분 산림지

역에서는 식생의 영향에 의한 다중반사로 인해 낮은 Noise가 높은 Noise

에 비해 많이 발생한다. 높은 Noise는 대개 전선줄에 반사되어 생기는데

산림지역에 설치되는 전선로는 규모가 커 지면보다 30~40m 이상 높다.

아래의 그림은 산림지역에 나타난 Noise를 나타내어 보았다.

그림 3.10 산림지역에 발생되는 Noise

위의 그림에서 잘 나타나듯 산림지역의 Noise는 다른 데이터와 그 위

치의 차가 커 뚜렷하게 구분이 된다. 높은 Noise가 크게 발생하는 원인은

앞서 언급했듯이 전선에 의한 영향이 크며 낮은 Noise 또한 다중반사가

식생에 의해 많이 일어나기 때문에 다른 데이터와 차이가 크게 나타난다.

그러나 실제 다중반사가 많이 일어난 Pulse는 수신될 확률이 낮아지기

때문에 낮은 Noise로 분류되는 데이터는 적다.

Noise 제거방법은 이재욱(2005)이 제안한 방법을 적용하였다. 이 방법

은 가상격자를 일정 높이로 분할하여 분할된 가상격자 3그룹의 Point의

빈도가 한계빈도보다 낮을 때 Noise라고 결정한다.

먼저 산림지역의 특성에 맞게 Noise 제거를 위한 가상격자의 크기는 대

27

상지역에 존재하는 가장 큰 수관을 갖는 수목이 네 그루 존재할 경우의

크기로 하였다. 즉, 아래의 그림과 같이 최대수관의 길이가 6m일 때 가상

격자의 크기는 12m×12m로 결정한다.

그림 3.11 수관크기에 따른

가상격자 크기결정

이렇게 결정할 수 있는 이유는 위의 그림처럼 네 그루의 수목의 존재할 때

가운데 부분에 공간이 생겨 이 공간 내에는 반드시 하나 이상의 지면점이 존

재할 것이라는 가정을 하였다. 위의 가정을 바탕으로 수관 중복도를 고려해

11m×11m의 가상격자를 형성한 후 다시 분할할 격자의 높이를 결정해 주었

다. 격자의 높이는 작업의 효율성을 위해 1m로 하였으며 분할된 각 격자에

서 Point의 빈도를 계산하여 히스토그램을 작성하였다. 아래의 그림은 높은

Noise와 낮은 Noise를 제거하기 위해 분할된 격자에서의 Point 빈도를 나타

내었다.

28

그림 3.12 높은 Noise의 제거

그림과 같이 높은 Noise는 세 격자를 합친 빈도가 한계빈도 3 이하일 경우

Noise로 결정하여 제거시킨다.

그림 3.13 낮은 Noise의 제거

그림과 같이 낮은 Noise 또한 높은 Noise와 같은 방식으로 세 격자를 합친

빈도가 한계빈도 3 이하일 경우 Noise로 결정하여 제거시킨다.

29

3.6 지형고도자료(DEM) 제작 방법

3.6.1 지면점 분류 Filtering

산림지역에서 촬영한 LiDAR 데이터 중 Last return에는 지면에서 반사

된 Point도 존재하지만 식생이나 다른 영향에 의해 반사된 Point들도 상당수

존재한다. 지형고도자료를 제작하기 위해선 지면에서 반사된 Point만을 사

용해야 하기 때문에 지면점과 비지면점을 반드시 분류해주어야 한다. 따라서

본 연구에서는 산림지역에서 효율적으로 지면점을 분류하기 위한 새로운 방

법을 다음과 같이 제시하였다.

먼저 지면점 분류 Filtering의 작업효율성을 높이기 위해 가상격자

(Pseudo-Grid)를 형성한다. 가상격자의 크기는 LiDAR 측량 당시 Footprint

의 크기인 30cm로 결정하였다. 그 이유는 LiDAR 측량은 이론적으로 한 개

의 Footprint에 Last return이 한 Point만 존재한다. 때문에 Footprint

크기로 가상격자를 형성할 경우 가상격자 내에는 한 Point만 존재할 것이

다. 그러나 실제 LiDAR는 약 60%의 중복촬영을 하기 때문에 두 개의

Point가 존재할 수도 있다. 이때에는 지형고도자료라는 특성상 가장 낮은

점 하나만 사용을 하고 나머지 Point는 제거시켰다.

이 후 지면점 분류 Filtering을 이용하여 지면점과 비지면점을 분류하게

되는데 지면점 분류 Filtering의 원리는 아래의 그림과 같다.

그림 3.14 지면점 분류 Filtering의 원리

30

이 방식은 원본 값은 변화시키지 않고 가장 낮은 값만 추출하는 직렬식

Moving Window 방식의 Local Minimum Filtering과 유사하다. 여기서

직렬식 Moving Window와 병렬식 Moving Window의 차이를 간단히 설

명하면 직렬식 Moving Window는 추출하고자하는 원본 Grid영상의 값은

변화시키지 않고 참조만하지만, 다시 말해 Moving Window 수행 시 원

본의 값만을 사용하지만 병렬식 Moving Window는 수행된 결과를 다시

원본 Grid영상에 반영하여 계산하는 방식이다. 직렬식 Moving Window

기반의 지면점 분류 Filtering은 다음과 같이 크게 네 가지로 그 특징을

설명할 수 있다.

첫째로 비록 가상격자(Pseudo-Grid)라는 Grid의 개념을 이용하지만

Point 처리이기 때문에 Point의 Raw값을 변화시키지 않는다.

둘째로 계산된 값을 가운데 픽셀로 치환하지 않고 원래의 위치에 보존

시켜 위치오차를 최소화 하였다.

셋째로 수행 결과를 가운데 픽셀에 치환하지 않고 원래의 위치에 그대

로 남기기기 때문에 Window Size는 홀수, 짝수 모두 가능하다.

넷째로 허용오차 내의 모든 값을 추출한다. 예를 들어 3×3 윈도우에 1

부터 9까지의 수가 있을 때 최소값과 허용오차 +2가 주어진다면 추출된

는 값은 1, 2, 3이 된다. 이것은 LiDAR의 수직오차범위와 경사가 급한

곳에 존재하는 지면점을 더욱 정밀하게 추출할 수 있다.

위의 내용을 바탕으로 그림을 설명하면 이 Filtering을 수행하기 전에

먼저 윈도우의 크기와 허용오차를 정하게 되는데 윈도우의 크기는 3×3,

한계오차는 +2로 하였다. 첫 번째 윈도우 내에 포함되어 있는 값은 {10,

4, 5, 5, 5, 1, 9, 5, 7}이다. 이 값들 중 가장 낮은 값인 ‘1’을 찾게 되고

그 ‘1’에부터 허용오차를 더한 ‘3’ 사이의 모든 값을 찾게 된다. 그러나

윈도우 내에는 1~3사이의 값이 1밖에 없기 때문에 1만 추출한다. 다시

우측으로 한 픽셀 옮겨가 계산을 수행하는데 이 때 윈도우에 포함되는 값

은 { 4, 5, 3, 4, 2, 5, 1, 7, 5}이다. 같은 방법으로 최소값 ‘1’과 허용오

차를 더해준 ‘3’사이의 값을 검색하게 되고 { 3, 2, 1}을 찾게 된다. 이렇

게 반복해서 수행된 결과가 우측의 그림이며 원래의 위치를 보존하면서

찾고자하는 Point를 추출할 수 있다.

31

이 지면점 분류 Filtering에 알맞은 윈도우의 크기를 결정하기 위해 연

구지역 내의 수목 한 그루의 크기인 6m×6m(20×20), 수관 중복도를 고

려한 두 그루의 크기인 6m×10.5m(20×35), 네그루의 수목이 2×2를 형

성하고 있는 크기인 10.5m×10.5m(35×35), 이 세 가지를 수행, 비교하

여 결정할 것이다.

허용오차는 LiDAR 측량의 최대 수직오차의 값과 윈도우 크기에 따른

지형의 변이 상태를 고려하여 결정해야한다. 예를 들어 수직오차가 약

20cm, 지형의 평균 경사가 약 30°, 윈도우의 크기가 12m×12m(40×40,

Footprint 30cm)이면 아래와 같은 식으로 결정할 수 있다. 위의 식을 이

용하여 허용오차를 계산한 결과 '35cm'를 구할 수 있었다.

허용오차 = Footprint × tanθ + LiDAR elevationerror

Footprint는 PseudoGridsizeθ는지형의평균경사각

현재 가장 많이 사용되고 있는 지면점 분류 방법은 Slope based

algorithm이다. 이 방법은 아래의 그림과 같이 점과 점이 이루고 있는 경사

각을 이용하는 것으로 사용자가 대상 지역에 대한 정보를 먼저 파악해야 수

행할 수 있다.

그림 3.15 Slope based algorithm

* terrascan user's guide

32

즉, 대상 지형이 이루고 있는 terrain angle로부터 사용자가 허용할 수 있

는 한계 거리 및 각도를 정의하여 지면점과 비지면점을 분류하는 방법으로

대부분 도시지역에 초점이 맞추어져 개발되었다. 위의 방법에서도 본 연구와

같은 목적으로 Pseudo-Grid를 사용하였는데 초기 격자의 크기를 결정하는

방법에서 차이를 보이고 있으며 격자의 크기는 대상 지역에 존재하는 최대

건물길이의 크기로 결정한다.

3.6.2 지형의 방향성을 고려한 Filtering

산림지형은 도시지역과 달리 매우 기복변이가 심하다. 즉, 여러 방향으로

기복의 변화가 생긴다. 따라서 이러한 방향성을 모두 고려하여 Filtering을

수행해야한다. 기존의 Moving Window는 좌에서 우로 위에서 아래로 움직

이는 방식이기 때문에 윈도우의 크기 및 모양에 따라서 특정 방향의 정보를

추출하지 못하게 된다. 따라서 본 연구에서는 지면점분류 Filtering 수행 시

여러 방향을 수행할 수 있도록 하였다.

그림 3.16 방향성을 고려한 지면점 분류

위 그림과 같이 윈도우가 좌에서 우로, 위에서 아래의 방향을 탐색할 경우

에는 좌에서 우로, 위에서 아래의 방향으로 고도가 증가하는 지형탐색에 용

33

이하고 윈도우가 우에서 좌로, 아래에서 위의 방향을 탐색할 경우에는 우에

서 좌로, 아래에서 위의 방향으로 고도가 증가하는 지형탐색에 용이하다.

3.6.3 보간 (Interpolation)

지면점은 특정위치의 값만을 가지고 있으므로 지형고도자료(DEM)를 제작

하기 위해선 보간을 해야한다. 보간(Interpolation)이란 이미 알고 있는 점의

값을 이용하여 미지점의 값을 추정해 내는 방법으로 Nearest Neighbor,

IDW (Inverse Distance Weighting), Kriging 등이 있다. Nearest

Neighbor는 처리속도는 빠르지만 보간되어진 값의 정확도가 낮은 단점을

가지고 있다. 그에 비해 IDW는 처리속도는 느리지만 정확도가 높다.

Kriging은 정확도가 Nearest Neighbor나 IDW에 비해 높지만 처리속도가

낮은 단점이 있다. 일반적으로 LiDAR 데이터는 매우 많은 Point 데이터로

이루어져 있어 보간 시 필요한 관측점이 충분하며 산림지역은 면적이 비교적

대면적이기 때문에 처리속도가 빨라야 한다. 따라서 Kiriging보다 처리속도

가 빠르며 Nearest Neighbor보다 정확도가 높은 IDW을 가장 알맞은 보간

법이라고 판단하여 적용하였다(김계현, 2004).

3.7 수고 추출방법

3.7.1 수고 후보점 추출

DSM (Digital Surface Model)은 지형지물의 고도가 모두 포함된 자료로써

DEM과는 다르다. 산림지역의 경우 DSM은 식생의 높이가 포함된 자료이고

DEM은 앞서 살펴보았듯이 지형에 관한 고도자료이다. DSM을 제작하는 것

은 DEM을 제작하는 정도의 여러 과정을 거쳐야하며 수고추출에 있어서 반

드시 DSM을 제작해야 할 필요도 없기 때문에 식생 상층부의 반사비율이 높

아 수고점이 포함되어 있을 확률이 높은 전체 First return Point를 이용하

34

였다. 먼저 가상격자(Pseudo-Grid)를 DEM 제작과 동일한 방법으로 형성한

후 가상격자 내에 두 Point 이상이 존재하면 가장 고도값이 큰 Point를 제외

한 나머지 Point들은 제거했다.

3.7.2 Canopy Height Model

CHM (Canopy Height Model)은 First return에서의 식생 고도값에 지형의

고도값을 제거시켜주어 순수한 식생의 높이를 나타내기 위해 제작하는 자료

로써 First return Point와 DEM의 거리 차이로 계산한다. 이것은 아래와 같

은 식으로 나타낼 수 있다.

CHM = FirstReturn - DEM

3.7.3 수고추출 Filtering

수고추출 Filtering은 제작된 CHM을 이용하여 수고 후보점을 추출하는 방

법으로 본 연구에서는 아래와 같은 방법을 제시하고자 한다.

그림 3.17 수고추출

35

먼저 가상격자를 형성하게 되는데 가상격자의 크기는 앞서 지면점 분류

Filtering과 마찬가지로 Footprint의 크기로 결정한다. 그 후 수고추출

Filtering을 수행하게 되는데 수고는 지면에서부터 수목의 peak까지의 거리

이며 여기서 peak는 수관 영역 내에서 가장 높은 중심의 위치이다. 따라서

CHM의 수관 영역에서 가장 높은 고도값을 갖는 Point를 찾게 되면 개개목

의 수고와 수관의 중심을 알 수 있다. 수고추출 Filtering은 지면점 분류

Filtering과 같은 Moving Window 방식이지만 직렬식이 아닌 병렬식방법이

다. 또한 윈도우의 크기와 모양은 수관에 따라 나타나는 고도변이를 최대한

포함할 수 있도록 각 임상의 평균 수관의 크기와 수관의 전형적인 모양인 원

형으로 결정하였다.

수고추출 Filtering를 살펴보면 이 Filtering은 윈도우 내에 가장 높은 값을

찾는다는 점에서 Local Maximum filtering과 유사하며 원본의 값을 변화시

켜가면서 수행하는 병렬식 Moving Window를 기반으로 한다.

표 3.8 수관추정 Filtering과 Local Maximum Filtering의 비교

구 분 수고추출 Filtering Local Maximum Filtering

윈도우 크기 홀수, 짝수 모두 가능 홀수만 가능

Moving window 방식 병렬식 직렬식

처리방식 값과 위치보존 중앙픽셀로 치환(위치오차)

OUTPUT 수관 내 하나의 수고점 수관영역 픽셀 모두 수고값

개개목 추정 추출된 점 = 개개목 수작업

직렬식 대신 병렬식을 선택한 이유는 직렬식으로 수행할 경우 주위에 높은

수목으로 인해 작은 높이를 가지는 수목의 수고가 영향을 받을 수 있다. 따라

서 수고 후보점을 제외한 수관영역에 존재하는 Point들을 제거하기 위해 병

렬식으로 수행하였다. Local Maximum filtering은 직렬식이며 계산된 값을

중앙의 픽셀에 치환하기 때문에 수고의 값을 알 수 있지만 개개목의 peak

Point의 위치는 알 수가 없게 된다. 또한 윈도우 크기에 영향이 커 하나의 수

관이 때로는 두 개로 구분되거나 여러 개의 수관이 하나로 구분될 가능성을

가지고 있다.

36

그림 3.18 수고추출 Filtering의 원리 0 : Nodata

수고추출 Filtering의 Point 추출방법은 위의 그림과 같이 원형으로 이루어

진 윈도우 내의 Point 중 가장 높은 값은 그 위치에 그대로 남기고 나머지는

제거한다. 다시 옆 픽셀로 옮겨 같은 작업을 반복하는데 병렬식 Moving

Window이기 때문에 직전에 수행되어진 결과가 현재의 계산에 영향을 미친

다. 본 연구대상지역의 수관의 크기를 고려하여 윈도우의 크기를 달리하였

다. 연구지역은 주로 낙엽송과 잣나무로 이루어져있으며 항공사진을 이용하

여 각각의 수관폭을 측정하였다.

그림 3.19 낙엽송 윈도우(19×19) 잣나무 윈도우(13×13)

낙엽송의 수관크기는 평균 약 6m로 19×19, 잣나무는 약 4m로 13×13으로

하였다.

37

제 4 장 결과 및 고찰

4.1 산림지역의 LiDAR Last return 분석결과

4.1.1 1차 지면점 분류 결과

낙엽송 A지역은 사다리꼴 모양이지만 넓이는 20m×20m, 400㎡으로

하였다.

그림 4.1 낙엽송 A지역의 사진 및 수치지형도

X방향

이 지역의 최대경사는 수치지형도에서 구한 결과 최대 6° 이하의 경사를

나타내었다.

38

그림 4.2 낙엽송 A지역의 실제 사진과 X방향에서의 Z-profile

이 지역은 평균 4영급으로 수고가 약 21m이며 낙엽송의 수간의 길이는

약 8m이다. 따라서 지면을 기준으로 8m 이상의 고도값을 갖는 Point는

하층식생이 아닌 수관층에 반사된 Point라고 할 수 있다. 그리고 지형각

과 LiDAR 수직오차범위 내에 존재하는 Point를 지면점으로 선정하였다.

이러한 기준으로 분류된 Point는 아래의 표와 같다.

그림 4.3 낙엽송 A지역의 히스토그램

39

표 4.1 낙엽송 A지역에서의 Last laser pulse 특성

구 분 내 용

최대경사(°) 6

면적(㎡) 400

점밀도(p/㎡) 1.66

본수 10

수관층(point) 335(50%)

하층식생(point) 11(2%)

지면(point) 318(48%)

낙엽송 B지역은 20m×20m로 최대경사는 약 2°이다.

그림 4.4 낙엽송 B지역의 사진 및 수치지형도

그림 4.5 낙엽송 B지역의 실제 사진과 X방향에서의 Z-profile

40

이 지역은 평지산림으로 4영급이다. 따라서 낙엽송 A지역과 같은 기준으

로 아래와 같이 분류하였다.

그림 4.6 낙엽송 B지역의 히스토그램

표 4.2 낙엽송 B지역에서의 Last laser pulse 특성

구 분 내 용

최대경사(°) 2

면적(㎡) 400

점밀도(p/㎡) 1.72

본수 7

수관층(point) 328(48%)

하층식생(point) 41(6%)

지면(point) 318(46%)

잣나무 A지역은 20m×20m로 최대경사는 약 7°이다.

그림 4.7 잣나무 A지역의 사진 및 수치지형도

Z- p rofil

e

41

그림 4.8 잣나무 A지역의 Z-profile과 히스토그램

이 지역은 4영급의 잣나무림으로 수고가 약 16m 정도이다. 잣나무의

수간길이는 수고의 30%이므로 약 4.8m가 된다. 따라서 지면을 기준으로

4.8m 이상인 Point는 수관층에 반사된 Point로 구분하였다. 또한 이 지역

은 임분 주위의 지표 상태를 보았을 때 식생이 거의 자라지 않는 것을 확

인할 수 있다.

표 4.3 잣나무 A지역에서의 Last laser pulse 특성

구 분 내 용

최대경사(°) 16

면적(㎡) 400

점밀도(p/㎡) 1.92

본수 18

수관층(point) 645(84%)

하층식생(point) 0

지면(point) 122(16%)

42

때문에 임분 내에도 하층식생이 거의 발달하지 않을 것이라고 판단할 수

있다. 실제 아래의 히스토그램에서도 지면에서 4.8m 내에는 Point가 거

의 존재하지 않는다는 것을 알 수 있다.

잣나무 B지역은 20m×20m로 최대경사는 약 3°이다.

그림 4.9 잣나무 B지역의 사진 및 수치지형도

Z- p rofil e

그림 4.10 잣나무 B지역의 Z-profile과 히스토그램

43

이 지역에서도 위의 히스토그램을 보면 하층식생의 영향을 받은 Point가

없다는 것을 알 수 있다.

표 4.4 잣나무 B지역에서의 Last laser pulse 특성

구 분 내 용

최대경사(°) 3

면적(㎡) 400

점밀도(p/㎡) 1.92

본수 14

수관층(point) 510(64%)

하층식생(point) 0

지면(point) 277(36%)

위의 네 지역을 종합해 보면 다음과 같다.

표 4.5 유명산 지역 낙엽송과 잣나무의 Last laser pulse 특성

구 분 낙엽송A 낙엽송B 잣나무A 잣나무B

최대경사(°) 6 2 16 3

면적(㎡) 400 400 400 400

평균영급 4 4 4 4

평균수고(m) 21 21 16.4 16.4

점밀도(p/㎡) 1.66 1.72 1.92 1.92

본(本)수 10 7 18 14

Min(m) 326.04 260.52 336.63 284.91

Max(m) 351.80 278.91 361.07 302.79

Mean(m) 335.89 267.50 352.94 294.00

Std(m) 7.97 5.828 5.644 6.096

수관층(point) 335(50%) 328(48%) 645(84%) 510(64%)

하층식생(point) 11(2%) 41(6%) 0 0

지면(point) 318(48%) 318(46%) 122(16%) 277(36%)

44

표 4.12를 분석해 보면 낙엽송림은 전체 Last return 중에서 약 47%

가 지면점으로 나타났고 잣나무림은 임분밀도에 따라 16~36%로 나타났

다. 잣나무림의 경우에는 임분의 밀도에 따라 지면점의 비율이 차이를 보

이긴 하지만 투과된 많은 수의 Point들이 수관층에서 반사되는 것으로 판

단할 수 있다. 실제 낙엽송은 가지가 길게 뻗고 잎이 짧아 그 수관의 구

조가 잣나무에 비해 공간적인 여유를 가지고 있지만 잣나무는 낙엽송에

비해 가지가 짧고 잎이 길어 수관층이 빽빽한 편이다.

4.1.2 2차 지면점 분류 결과

산림지역에서는 다른 하층식생에 비해 비교적 크기가 작은 초본류가 많

이 분포하고 있어 투과된 Laser pulse가 이러한 초분류에 영향을 받아

반사될 가능성을 가지고 있다. 따라서 지면점으로 분류된 Point들이 어떠

한 특성을 갖고 있는지 알아보기 위해 단순통계분석을 실시하여 아래에

나타내었다.

표 4.6 유명산 지역 낙엽송과 잣나무 지면점의 특성

구 분 낙엽송A 낙엽송B 잣나무A 잣나무B

최대경사(°) 6 2 16 3

Min(m) 326.04 260.52 336.63 284.91

Max(m) 331.98 262.78 345.51 287.16

Mean(m) 328.18 261.73 341.28 285.92

Std(m) 1.33 0.61 2.26 0.41

지면점으로 분류된 Point들을 분석한 결과 낙엽송림에서는 표준편차가

0.61~1.33m, 잣나무림에서는 0.41~2.26m로 나타났다. 여기에서 지형의

기복 차이로 인해 표준편차가 커질 수 있기 때문에 지형의 기복차이가 거

의 없어 평지에 가까운 낙엽송 B지역과 잣나무 B지역만을 보면 표준편차

가 각각 0.61, 0.41m이다. 이러한 표준편차의 값은 두 곳에서 모두 초본

류의 영향을 어느 정도 받았다는 것으로 설명할 수 있다. 여기서 실제 지

45

면점의 비율을 알아보기 위해 아래와 같은 과정으로 두 임상에서의 실제

지면점의 비율을 추정해 보았다. 먼저 연구지역의 가로, 세로의 길이가

각각 20m인 것을 감안할 때 최대 경사 2°는 최소지점과 최고지점의 높

이의 차이가 약 0.7m, 3°는 약 1.0m 이하이다. 여기에 LiDAR 장비는 수

직오차를 갖고 있기 때문에 촬영고도 1500m일 때 발생하는 장비에 의한

수직오차 20cm를 합해 주었다. 낙엽송과 잣나무에서 각각 최소지점의 높

이에 0.9m과 1.2m를 합한 260.52~261.42m, 284.91~286.11m 내에 실

제 지면점이 존재한다. 물론 이 범위 내에서도 초본류의 영향을 받은

Point가 존재하겠지만 이러한 비율을 모두 합한 최대 지면점의 비율은 아

래의 표와 같다.

표 4.7 유명산 지역 낙엽송과 잣나무의 Laser pulse 특성

구 분 낙엽송B 잣나무B

최대경사(°) 2 3

수관층(point) 328(48%) 510(65%)

하층식생(관목, point) 41(6%) 0

하층식생(초본, point) 183(26%) 93(12%)

지면(point) 135(20%) 184(23%)

낙엽송의 경우 지면점이 전체 Point 중 약 20%를 차지하며 잣나무의

경우 23%를 차지한다. 잣나무에 비해 초본류에 반사된 비율이 낙엽송에

서 높게 나타났는데 이것은 낙엽송이 시기적으로 잎이 피어나는 계절이므

로 지면까지 투과되는 빛의 양이 상대적으로 커 초본류가 더욱 발달할 수

있기 때문이다. 잣나무는 그에 반해 사계절 잎이 떨어지지 않아 수관층을

투과하는 빛의 양이 낙엽송에 비해 적어 하층식생의 생육이 어렵다.

한 가지 여기에서 짚고 넘어갈 점은 낙엽송의 경우 앞에서도 언급했지

만 데이터의 시기적인 문제로 인해 전반적인 LiDAR 반사특성이라고 단

정하기가 어렵다.

46

4.2 지형고도자료(DEM)제작 결과

4.2.1 Window size 및 허용오차 결정

지면점 분류 Filtering을 수행하기 앞서 먼저 지면점을 가장 효과적으로

분류할 수 있는 윈도우의 크기를 정해야 한다. 앞에서 언급했듯이 연구지역

내의 수목 한 그루의 크기인 6m×6m(20×20), 수관 중복도를 고려한 두

그루의 크기인 6m×10.5m(20×35), 네그루의 수목이 2×2를 형성하고 있

는 크기인 10.5m×10.5m(35×35), 이 세 가지에 대하여 지면점분류

Filtering을 미리 수행하여 나타난 결과를 비교하였다.

그림 4.11 Window size에 따른 분류된 Point의 비율

15

16

17

18

19

20

21

22

20 X 20 20 X 35 35 X 35

window s ize

분류

된 Point 비율

비지면점

지면점

위의 그림은 기복변이가 심한 연구지역 A에 대해서 각 윈도우의 크기에 따

라 지면점분류 Filtering을 수행한 결과이다. 윈도우가 20×20, 20×35의 크

기일 때 전체 Last return 데이터 중 분류된 지면점은 각각 22.1%, 21.8%이

었고 35×35일 때 17.5%였다. 그런데 윈도우의 크기가 20×20일 때에는 순

수한 지면점만 존재하는 것이 아니라 잘못 분류된 비지면점도 0.08% 포함되

어 있었다. 수치로는 작은 값이라고 판단될지 모르지만 실제 이러한 Point로

인해 지형고도제작 시 큰 오차를 발생시킨다. 아래의 표에서 더욱 자세하게

47

나타내었다.

표 4.8 Window size에 따른 분류 결과

Window size 전체 개수 지면점 개수 비지면점 개수

20×20

64,398

14,241(22.1%) 50(0.08%)

20×35 14,071(21.8%) 0

35×35 11,926(17.5%) 0

위의 결과를 볼 때 가장 �