1. 서 론
2. 연구동향
2.1 색상필터 기법
2.2 형태필터 기법
3. 연구 방법
3.1 분석 대상
3.2 분석 방법
4. 결과 및 고찰
4.1 기법별 식생 필터링 특성
4.2 식생 필터링 정확도 비교
5. 결 론
1. 서 론
하천 제방은 유수의 원활한 소통을 유지하고 제내지를 보호하기 위하여 하천을 따라 흙 등으로 축조한 구조물이다. 제체는 대부분 자연 흙과 식생으로 구성되어 침식과 침투에 저항성을 갖도록 설계되며 지속적인 유지관리를 통해 침식과 침투에 대한 기능 보장을 확인하고 있다. 제방의 일상 점검과 안전 점검은 “하천법”에 따른 “하천 유지·보수 매뉴얼(MLTM, 2012)”과 “시설물의 안전 및 유지관리에 관한 특별법”에 따른 “시설물의 안전점검 및 정밀안전진단 세부지침”에 따라 수행된다.
제방 유지관리를 위한 관찰과 평가를 위해서는 제방의 점검과 검사가 필수적이다. 점검과 검사는 외형조사와 제체내부조사로 크게 구분할 수 있는데, 우리나라를 포함하여 미국, 일본, 유럽 등에서도 일상적이고 기본적인 조사는 외형조사이다. 외형조사는 제방 외형의 변형여부와 그 규모를 지속적으로 모니터링 하는 작업이다. 그러나 외형조사는 대부분 인력에 의한 육안조사로 진행되고, 제방은 대부분 흙으로 구성되어 식생이 무성한 상태여서 대규모의 손상이나 변형이 발생하지 않는 경우에는 이상지점을 파악하기 매우 어렵다. 이 때문에 일본과 미국 등에서는 제방에 대한 엄격한 식생관리를 통해 제방 외형의 변화를 육안으로 쉽게 파악하도록 하고 있으나 우리나라의 경우 인력 및 예산의 문제, 환경적 요구로 제방 식생이 무성한 것이 일반적이다. 즉, 현재 우리나라 제방에서 외형조사로 중소규모의 제방 이상지점을 파악하는 것은 어려워 제방 유지관리의 기본조사를 제대로 수행할 수 없는 문제가 있다(Park and Lee, 2021).
최근 지형의 정밀한 측정이 가능한 항공 및 지상 LiDAR (Light Detection And Ranging)의 적용이 확대되고 있다. LiDAR 측량은 지형의 정밀한 변위 측정이 가능하므로 제방 외형의 변화를 정밀하게 조사할 수 있는 효과적이 대안이 될 수 있다. 그러나 대부분의 제방은 식생이 무성한 상태로 정밀한 변위 관측을 위해서는 LiDAR 측량 결과로부터 식생을 제거하는 것이 필수적이다. 최근의 LiDAR 장비는 포인트의 위치정보에 색상정보가 포함된 영상 포인트 클라우드 자료 수집이 가능하여 색상정보를 이용해 포인트를 분류하는 기존의 영상분류기법을 활용할 수 있게 되었다. LiDAR 측량에서 식생을 제거하는 필터는 크게 색상정보를 이용하는 색상필터와 점군의 기하하적 특성을 이용하는 형태필터로 구분할 수 있다. 형태필터는 색상필터에 비해 식생 제거 정확도가 높은 편이나 거석 등 자연물을 제거하는 단점을 나타낸다(Park and Lee, 2021). 본 연구에서는 식생제거기법의 정확성 향상을 위해 형태필터와 식생필터의 복합형 필터를 제안하여 구성하였다. 기존 필터와 본 연구에서 제안한 필터를 식생 제거 후 원지반 재현의 정확성을 평가하여 식생이 무성한 제방 점검에 대한 적용성을 평가하고자 한다.
2. 연구동향
Park and Lee (2021)의 분류에 따르면 공간좌표와 색상정보가 함께 있는 영상 포인트 클라우드를 이용하는 식생필터는 색상정보를 이용한 색상필터와 공간좌표를 이용하는 형태필터로 구분할 수 있다. LiDAR 자료의 필터링 기법은 다양한 연구를 통해 다수의 기법이 제안되었다(Meng et al., 2010).
일반적인 카메라는 RGB 색상 공간을 사용하는데 관심 대상의 색상을 강조하면 흙 등의 배경 색상은 약화될 수 있다. Tian and Slaughter (1998)에 의하면 RGB 색상을 단순히 흑백영상으로 변환하는 경우에는 식생과 흙 배경이 유사한 회색톤을 가지므로 식생구분이 어렵다. 따라서 대부분의 식생구분방법은 RGB 공간을 다른 색상 공간으로 변환하여 사용한다(Park and Lee, 2021). 본 연구에서는 8개 색상필터와 6개 형태필터를 대상으로 수행하였으며 각 기법에 대해서 간략하게 살펴보면 다음과 같다.
2.1 색상필터 기법
Woebbecke et al. (1995)는 식생과 흙을 구분하기 위하여 색 좌표(chromatic coordinate)와 색상 수정을 이용하는 몇가지 식생 지수 방법을 검토하여 Eq. (1)과 같이 ExG (Excess Green Index)를 제안하였다. ExG 기법은 식생과 흙 사이에 명확한 대조를 나타내 식생구분에 널리 적용되고 있다.
여기서 r, g, b 등은 색 좌표로 Eq. (2)와 같다.
여기서 는 정규 RGB로 0에서 1 사이의 값을 가지며 Eq. (3)과 같다.
여기서 R, G, B는 영상의 실제 픽셀의 채널 값이다.
Meyer et al. (1998)은 인간 망막의 추상체 구성을 고려하여 Eq. (4)와 같이 ExR 기법을 제안하였다.
Kataoka et al. (2003)은 곡물 생장 상태를 평가하기 위하여 CIVE (Color Index of Vegetation Extraction) 기법을 Eq. (5)와 같이 제안하였다.
Meyer et al. (2004)는 ExG 기법과 ExR 기법을 조합하여 ExGR (Excess Green minus Excess Red Index) 기법을 Eq. (6)과 같이 제안하였다.
Hunt et al. (2005)는 항공 디지털 카메라 영상을 이용한 곡물 추출을 위해서 NGRDI (Normalized Green-Red Difference Index)를 제안하였다. 이 기법은 카메라 노출 정도에 따른 색상 영역의 왜곡을 개선하기 위하여 제안되었으며 Eq. (7)과 같다.
Hague et al. (2006)은 흙 픽셀에서 식생 픽셀을 구분하기 위한 방법으로 VEG (Vegetative Index)를 제안하였다. 식생 구분을 위해서 RGB 영상은 Eq. (8)에 의해 흑백 영상으로 변환된다.
Burgos-Artizzu et al. (2011)은 통제되지 않은 자연광 상황에서 ExG 보다 더 나은 성능을 보여주는 Modified Excess Green (MExG) Index를 개발하였는데, 이 방법은 변하는 조명 환경에서도 식물과 토양 영역을 구별하는데 안정적이고 효과적이었다고 한다. MExG를 나타내는 지수식은 Eq. (9)와 같다.
푸에르토리코 대학의 행성 거주가능성 연구소(Planetary Habitability Laboratory, PHL)에서는 가시광선영역의 정보만 사용하여 식생의 활성정도를 파악하기 Eq. (10)과 같이 VVI (Visible Vegetation Index)을 개발하였다(PHL, 2022).
여기서 RGB0는 기준이 되는 녹색을 나타내는 채널 벡터이고 는 스케일을 조정하기 위한 가중치이다.
2.2 형태필터 기법
형태필터는 공간 좌표 정보를 기초로 지형의 형태적 특징을 판단해 지반과 식생 등을 구분하는 것으로 여기에서는 ATIN (Adaptive Triangulated Irregular Networks), ISL (Iterative Surface Lowering), CSF, PMF, SMRF, GrMin 등을 대상으로 검토하였다.
ATIN 은 LiDAR 자료 처리에 많이 활용되는 LAStools의 lasground에 구현된 기법이다. LAStools는 Martin Isenburg가 만든 LiDAR 자료처리도구모음으로 지표 분류를 위해 Axelsson (2000)이 제안한 방법을 lasground로 구현한 것이다. ATIN에서는 점군을 그리드로 나누고 각 타일의 최저점을 초기 접지점으로 하여 성긴 TIN을 생성한다. 다음 단계에서는 TIN 표면에서 거리와 TIN 삼각형의 가장 가까운 꼭지점과 연결된 선과 TIN 표면 사이의 각도 등이 기준 이내인 점을 추가하는 작업을 반복적으로 수행하여 조밀한 TIN을 구성한다. 기준은 각 반복 시행에서 자동적으로 계산되어 갱신된다. 최종적으로 생성된 TIN은 지표로 구분하며 제외된 점들은 식생 또는 기타로 구분한다(Montealegre et al., 2015).
ISL은 지표와 식생을 나누는 기준면을 정하고 지표에서 멀리 떨어질수록 가중치를 낮추는 방법을 사용해 지표와 식생을 나누는 기준면을 재산정하는 반복을 통해 지표를 나타내는 점군을 구분하는 기법이다(Kraus and Pfeifer,1998).
CSF (Cloth Simulation Filter)는 점군을 아래와 위를 뒤집어놓고 얇은 천을 그 위에 올렸을 때를 가정하여 시뮬레이션 한 결과로 나타나는 천의 모양을 DTM으로 가정하는 방법이다(Zhang et al., 2016).
PMF (Progressive Morphological Filter)는 형태필터(Morphological Filter)의 창을 점진적으로 확대해 적용하는 방식이다. 형태필터는 확장(dilate)과 침식(erode)이라는 두 가지 기본 작업을 반복적으로 이용한다. 창 크기보다 큰 물체는 확장을 통해 복원되고 창 크기보다 작은 개체는 침식을 통해 제거된다. 하지만 고정된 필터링 창 크기를 사용하기 때문에 다양한 크기의 비지면 객체를 모두 감지하기는 어렵다. 이 문제를 해결하기 위해 필터의 크기를 점진적으로 증가시켜 적용한다(Zhang et al., 2003).
SMRF는 PMF의 대안으로 새롭게 이미지 인페인팅 기술을 적용함에 따라 선형적으로 증가하는 창과 단순한 기울기 임계값을 사용하는 방법이다. 이 방법은 용인할 수 있는 Type II 오류를 유지하면서 Type I 오류를 최소화하는데 효과적이다(Pingel et al., 2013).
GrMin은 본 논문에서 제안하는 방법으로 수풀이 우거진 지역에 대해 밀집된 점군을 획득했을 경우 적당히 좁은 그리드 간격으로 나눈다면 해당 그리드에서 제일 낮은 점의 고도가 지면을 대표한다는 가정하는 단순한 방법이다.
그 외에도 Park and Lee (2021)는 8개의 색상필터와 2개의 형태필터를 제방 라이다 자료에 적용하여 필터별 특성을 제시하였다.
3. 연구 방법
3.1 분석 대상
본 연구에서는 제방의 정밀한 영상 점군 수집을 위해 RGB 점군 수집이 가능한 지상 LiDAR를 이용하였다. 대상지역은 경기도 연천군 군남면에 위치한 임진강 임진교 하류 제방이며 2020년 3월 4일 및 5월 13일에 지상 라이더를 이용해 수집된 포인트 클라우드 자료를 이용하였다(Fig. 1).
2020년 3월 4일의 영상은 Leica RTC360으로 측량하였으며 5월 13일의 영상은 Leica BLK360으로 측량하였다(Fig. 2). 장비 제원 상 RTC360이 BLK360에 비해 성능이 좀 더 우수하지만 두 장비 모두 거리 10 m에서 정확도가 1 cm 미만이므로 대상 지역 면적을 고려했을 때 자료의 비교에는 적합한 것으로 판단하였다. 2개 장비의 상세한 사향은 Table 1과 같다. 대상 구간은 제방 비탈면에 초본류가 무성하며 비탈면 상부에는 다수의 풀꽃이 있고 하부에는 거석이 위치하여 다양한 구성요소에 대해 필터의 특성을 파악하기 용이하다. 라이다 측량 자료는 측량 구간에 위치한 배수로를 이용해 위치를 정확하게 일치시켰다. 이후 인공구조물을 제외한 폭 4.4 m, 사면 연장 14.5 m의 제방 사면 구간을 추출하여 분석하였다. 추출된 3월 자료는 103만 포인트, 5월 자료는 99만 포인트 정도로 구성되어 있다(Fig. 3).
식생 제거 대상 영상은 식생이 무성한 5월 영상이며 식생이 거의 없는 3월 영상은 식생이 제거된 지형의 정확도를 검증하기 위하여 사용하였다. 해당 지역에서는 3월에서 5월까지 제방 기초부 이상의 수위 상승이 없어 식생 성장 외의 지형적인 변화는 없는 것으로 판단하였다.
Table 1.
Specifications of LiDARs
3.2 분석 방법
본 연구에서는 지형의 정량적 비교를 위해 포인트 클라우드 자료를 TIN (Triangulated irregular network) 알고리즘을 이용하여 DTM (Digital Terrain Model)으로 변환하였으며 DTM의 해상도는 10 cm로 설정하였다. DTM 변환 결과는 Fig. 4와 같다.
식생필터는 색상필터로 CIVE, ExG, ExGR, ExR, MExG, NGRDI, VEG, VVI 등 8개, 형태필터로 ATIN, CSF, PMF, SMRF, GrMin, ISL 등 6개, 복합필터 ExGGM, ExRGM, ExGISL, ExRISL 등 4개를 적용하여 총 18개 필터를 적용하였다. 형태필터 GrMin (Grid Minimum)는 본 연구에서 제안하는 형태필터로 그리드 내의 최저점을 연결하는 기법이다. ExGGM, EXRGM, ExGISL, ExRISL 등은 본 연구에서 제안하여 구성한 복합형 필터로 각 필터의 세부적인 구성은 다음과 같다.
3.2.1 GrMin
점군을 x와 y 축의 일정한 간격의 그리드로 구분하고 각 그리드에 포함된 점들 중의 최소 z 값을 갖는 점을 해당 그리드의 지면을 나타내는 점으로 판단하는 방법이다. 이 방법은 사전필터링 없이 모든 점을 대상으로 하기 때문에 식생의 특징을 나타내는 포인트도 모두 대상이 된다.
3.2.2 ExGGM
ExG 필터를 통해 식생을 구분하여 분리해 내고 남은 점군에 대해 앞서 설명한 GrMin 방법을 적용하여 지표고도를 나타내는 점을 추출하는 방법이다. 필터를 통과하고 남은 점군에 대해 GrMin 방법을 적용하므로 속도가 빠른 편이다.
3.2.3 ExRGM
앞서의 ExGGM과 동일한 절차에서 식생을 구분하는 필터를 ExG로 설정하고 필터를 통과하고 남은 점군에 대해 앞서 설명한 GrMin 방법을 적용하여 지표고도를 나타내는 점을 추출하는 방법이다.
3.2.4 ExGISL
ExGISL은 앞서와 같이 ExG 필터를 통해 식생을 소거하고 남은 점군에 대해 그리드셀 별로 가정된 지면 고도에 따라 가중치를 부여하고 반복적으로 적용함으로써 고도를 내려 나가는 방식으로 지면을 찾는 방법이다(Anders et al., 2019; Kraus and Pfeifer, 1998).
3.2.5 ExRISL
ExRISL 방법은 ExGISL 방법에서 식생을 구분하는 필터를 ExR로 바꾸어 사용한다. 식생 필터를 사용할 경우 초목이 우거진 지여에서는 점군의 많은 부분들이 소거되어 소수의 점들만 남게 될 수 있어 정확하게 지면을 구하기 어려운 것으로 보인다.
각 기법은 Open-Source 통계프로그램인 R을 이용하여 구현하였다. R은 1993년 최초 공개된 통계전문프로그래밍 언어로서 대용량의 테이블 자료를 빠르고 쉽게 처리할 수 있는 도구인 data.table 패키지(Dowle and Srinivasan, 2022)와 표준형태의 라이다 파일에 대한 접근을 제공하는 도구인 lidR 패키지(Roussel et al., 2020) 등을 갖추고 있어 라이다 점군 자료 처리를 손쉽게 할 수 있고, 결과를 쉽게 이미지로 표현할 수 있으며, 코드와 자료, 도움말 등을 하나의 패키지 형태로 구성해 다른 사용자에게 손쉽게 배포할 수 있는 장점이 있다.
구현된 각 기법에 대한 적용과 평가는 Fig. 5에 제시한 절차에 따라 검증용 점군을 기반으로 생성한 DTM과 시험용 점군에 대해 구현된 기법으로 지면필터링(Ground Filtering)을 수행해 생성한 DTM에 대한 비교를 수행하였다. 비교 결과는 평균제곱근오차(Root Mean Square Error, RMSE)와 평균절대오차(Mean Absolute Error, MAE)로 요약하였다.
4. 결과 및 고찰
4.1 기법별 식생 필터링 특성
임진강 시험구간의 2020년 5월 영상 클라우드 포인트에 총 18가지 식생 필터링을 적용하였으며 지반으로 인식한 점군을 도시한 그림은 Fig. 6과 같다. 여기서 점군의 색상은 원자료의 색상으로 도시하여 식생필터기법에 따라 지반으로 구분되는 지형의 특성을 이해하기 용이하도록 제시하였다. 식생 필터링 결과를 적용구간의 중앙 횡단면 상에 도시한 결과는 Fig. 7과 같다.
CIVE, VEG, VVI 등은 영역 하부에 위치한 거석과 상부에 위치한 풀꽃을 제외한 중앙부의 대부분 영역을 식생 영역으로 인식하여 제거하였다. ExG와 ExR은 CIVE, VEG, VVI 등에 비해 중앙부에서 지반으로 인식하는 영역이 다소 넓으며 ExGR과 MEex는 중앙부의 상당부분을 식생과 지반으로 구분는 경향을 나타낸다. NGRDI는 중앙부의 대부분 포인트를 지반으로 구분하였다. 식생필터는 공통적으로 하부의 거석을 지반으로 구분하나 상부의 풀꽃을 지반으로 구분하는 한계를 나타낸다. 색상필터 중에서 ExGR, MExG, NGRDI 등은 식생 영역에서 지반을 일정 정도 구분하나 나머지 필터들은 시험구간에서 지반과 식생을 분리하는데 한계를 보인다. 이는 녹색에 가까운 색을 식생으로 구분하고 나머지를 지반으로 구분하는 색상필터의 한계로 판단된다.
형태필터 중 PMF는 지반 영역을 계단형으로 구분하는 한계를 보인다. ATIN, CSF, SMRF, GrMin, ISL 등은 상부 영역의 풀꽃과 중간의 식생 영역을 고르게 기반으로 구분하고 있으나 색상필터에 비해 전체적으로 지반을 높게 산정하는 경향을 보인다. 적용된 형태필터는 모두 하부 거석을 제대로 지반으로 구분하지 못하는 한계를 보였다. 특히, ATIN과 PMF는 거석 영역의 대부분을 지반으로 구분하지 못하고 있다. 형태필터는 클라우드 포인트의 기하학적 특성만을 고려하므로 경사면이 일정하여 지형의 국부적인 변화가 작은 경우에는 색상필터보다 우수하나, 하부 거석 영역과 같이 국부적인 지형변화가 심한 경우에는 정확도가 떨어지는 경향을 보인다.
복합필터 중 ExGGM은 하부 거석과 중간 식생영역을 잘 구분하는 특성을 보이는데 특히 중간 식생 영역에서 적용된 모든 필터 중에서 가장 세밀하게 지반을 구분하고 있다. 그러나 상부 풀꽃을 지반으로 구분하는 한계를 보인다. ExRGM은 상부 풀꽃과 중간 식생 영역에서 상대적으로 지반을 잘 구분하고 있으나 하부 거석은 형태필터가 가지는 한계를 보여주고 있다. ExGISL은 국부적으로 일부 지반고를 과소하게 산정하는 경향이 있으나 중간 식생영역에서 지반을 잘 구분하고 있다. 그러나 상부 풀꽃 영역과 하부 거석에서는 부정확한 경향을 나타낸다. ExRISL은 ExRGM과 유사한 경향을 나타내나 하부 거석 영역에서는 ExRGM에 비해 과도한 필터링 결과를 나타낸다.
4.2 식생 필터링 정확도 비교
각 기법별 식생 필터링 결과를 DTM으로 변환하여 2020년 3월 측량결과의 DTM과 비교하여 차이를 분석하였다. 각 기법별 식생 필터링 결과와 제방 지표면의 표고 차이는 Fig. 8과 같다. 여기에서 양의 값은 필터링 결과가 원지반보다 높음을 나타낸다.
적용된 18가지 기법 모두 공통적으로 식생 영역에서는 식생이 충분히 제거되지 않아 지반고를 과대 산정하고 거석 영역에서는 과소 산정하는 경향을 나타낸다. 색상필터 8종은 식생 영역과 거석 영역의 지반고 차이가 유사한 형태를 나타내고 있으며 형태필터와 복합필터는 기법에 따라 지반고 차이가 상이한 형태를 나타낸다. 색상필터는 식생 영역의 상부에서는 지반고를 과대하게 산정하는 경향을 보이며 식생 영역 하부에서 동일한 영역에서 비교적 지반고를 잘 나타내는 경향을 보인다.
형태필터인 ATIN은 식생 영역에서는 원지반고와 오차가 작으나 거석 영역에서는 큰 오차를 보인다. CSF는 식생영역의 상부에서는 오차가 크며 하부에서는 작은 경향을 나타내고 거석 영역에서는 작은 오차를 보인다. PMF는 식생 영역 상부에서 큰 오차를 보이며 거석 영역에서 과소 산정 경향을 나타낸다. SMRF는 CSF와 다소 유사한 경향을 나타내나 식생 영역에서 오차는 CSF 보다 작게 나타난다. GrMin은 형태 필터 중에서는 식생 영역의 오차가 가장 작게 나타나며 거석 영역에서의 오차도 작은 편이다.
복합필터 중 ExRGM과 ExRISL은 유사한 경향을 나타내는데 식생 영역의 상부에서 지반고를 과대 산정하고 식생 영역의 하부에서는 비교적 오차가 작게 나타나며 거석 영역은 형태 필터와 유사한 오차를 보인다. ExGGM은 ExRGMR과 ExRISL에 비해 식생 영역 상부의 오차가 작게 나타나며 거석 영역에서는 유사한 오차를 보인다.
적용된 18가지 기법의 RMSE, MAE 및 계산시간은 Table 2와 같다. 색상필터의 RMSE는 0.1666 - 0.1945이며 형태필터는 0.0981 - 0.1417이며, 복합필터는 0.0969 - 0.1225 등을 보인다. 원지반과의 오차는 복합필터와 형태필터가 우수하며 색상필터의 정확도가 가장 낮은 것으로 나타났다. 색상필터 중에서는 ExR이 정확도가 높으며 형태필터 중에서는 본 연구에서 제안한 GrMin이 오차가 작으며 복합필터는 ExGISL이 오차가 작은 것으로 나타났다.
계산시간 측면에서는 색상필터가 1초 이하로 빠른 편에 속하며 형태필터는 최대 25.67 초로 상대적으로 매우 많은 시간이 소요된다. 복합필터 중에서는 ExGISL과 ExRISL이 각각 7.80초 및 11.22초로 계산시간이 크게 나타났다.
각 필터 기법들을 실제 제방 비탈면에 적용하기 위해서는 정확도, 필터 특성, 계산시간 등을 모두 고려할 필요가 있다. 색상필터는 계산시간이 매우 짧고 거석 영역에서 정확도가 높으나 식생 영역에서의 RMSE가 높아 제방 비탈면에 적용하기에는 무리가 있는 것으로 판단된다. 형태필터는 PMF를 제외하고 ATIN, CSF, SMRF, GrMin 등은 식생 영역에 적용하기에는 오차가 작아 우수하나 거석 영역에서는 부정확하므로 국부적인 지형 변화가 많은 곳에서는 적합하지 않다고 판단된다. 형태필터인 GrMin의 경우 RMSE는 0.0981로 우수하나 거석 영역에서의 오차가 상대적으로 크며 계산 시간도 11.00초로 큰 편이다. 복합필터인 ExGISL도 RMSE가 0.0969로 우수하나 거석 영역에서의 오차가 크며 계산 시간도 7.80초로 큰 편이다. 반면에 복합필터인 ExRGM은 RMSE는 0.1336으로 복합형 필터 중에서는 높은 편이나 거석 영역의 재현이 우수하고 계산시간이 1.31초로 매우 짧게 나타났다. 이상을 종합적으로 고려하면 일반적인 경우에는 복합필터인 ExGGM을 적용하는 것을 추천하며, 국부적인 지형 변화가 심하지 않은 경우에는 형태필터인 GrMIn 또는 복합필터인 ExGISL을 적용하는 것이 좋을 것으로 판단된다.
Table 2.
Error evaluation and computation time of filters
5. 결 론
본 연구에서는 식생이 번무한 제방의 점검을 위한 지상 LiDAR 측량의 적용성을 평가하기 위하여 지상 LiDAR 측량으로 생성된 제방 사면의 영상 포인트 클라우드 자료에 식생 필터링 기법을 적용하여 각 기법별 정확성을 비교하여 적용성을 평가하였다. 이를 위해서 1개의 형태필터와 4개의 복합필터 기법을 개발하여 총 8개의 색상필터, 6개의 지형필터, 4개의 복합필터를 적용하였다. 적용결과는 각 기법별로 특성이 상이함을 확인하였다. 8종의 색상필터는 계산시간은 짧으나 식생 영역에서 부정확도가 높게 나타나 제방 점검에 적용하기에는 무리가 있는 것으로 판단된다. 형태필터는 식생 영역에서는 정확도가 높으나 거석 등 국부적 지형 변화가 심한 곳에는 부정확도 높아 적용시 지형 여건을 고려할 필요가 있다. 복합필터도 대체로 지형필터와 유사한 경향을 나타내나 ExGGM의 경우 식생 영역과 거석 영역 모두에서 오차가 작아 일반적인 적용에 유리한 것으로 나타났다. 일반적인 경우에는 복합필터인 ExGGM을 적용하는 것을 추천하며, 국부적인 지형 변화가 심하지 않은 경우에는 형태필터인 GrMIn 또는 복합필터인 ExGISL을 적용하는 것이 좋을 것으로 판단된다.
본 연구에서 개발된 복합형 필터의 오차가 현재는 0.1 m 내외로 정밀한 식생 하부 지형의 추정에는 한계가 있으나 지속적인 자료 축적과 필터 개선을 통해 향후 제방 점검 및 모니터링에 활용될 것으로 기대된다.
