드론 및 지상 데이터를 이용한 북방 해안 습지 식물 군집 지도 및 분류를 위한 반자동 방법

요약

이 프로토콜은 무인 항공기(UAV) 조사, 현장 진실 데이터 수집, 식생 지수 계산, 그리고 AI 지원 해안 습지 식물 군집의 분류 및 지도 작성 등 네 가지 통합 단계로 구성되어 있습니다. 그 결과, 해안 습지 서식지 보전 및 관리를 위한 생태학, 환경 모니터링, 의사결정 분야에 응용할 수 있는 다층 지리공간 데이터셋이 탄생했습니다.

초록

반자동 식물 군집 지도 작성은 전통적인 생태 조사와 현대 AI 지원 생태계 모니터링 사이의 간극을 메워, 이전에는 달성할 수 없었던 규모와 속도로 현장 조사와 모니터링을 가능하게 합니다. 해안 습지는 저성장 초본 식물이 우세하며, 더 높은 공간 해상도와 타이밍 유연성을 달성하기 위해 드론 기반(무인 항공기, UAV) 사진측량 조사가 필요합니다. 이 프로토콜은 UAV 기반 항공 조사, 현장 데이터 수집 및 지리 참조, 식생 지수 계산, 그리고 R의 무작위 숲(RF) 알고리즘을 이용한 감독 분류(즉, 기계 학습 분류를 이용한 AI 지원 반자동 식물 군집 분포 매핑)의 네 단계로 구성됩니다. 주요 R 패키지로는 terra, sp, sf, rgdal, raster, rsample, MLmetrics, randomForest가 있습니다. 두 번째 단계에서는 전통적인 생태 조사 방법인 층별 사분면 지반 샘플링에 중점을 둡니다. 지상 샘플링은 현장 검증(ground truthing) 역할을 하며, 최종 지도 결과물의 정확성과 신뢰성을 보장하기 위한 실증적 증거를 제공합니다. UAV에 널리 사용되는 두 가지 센서 유형, 즉 다중 분광 센서와 RGB 카메라가 테스트되었으며, 19개의 다중분광 인덱스와 27개의 RGB 기반 인덱스, 그리고 RGB 기반 디지털 표면 모델(DSM)을 얻었습니다. 발트 연안 습지 사례 연구 현장에서 식물 군집이 지도화되었고, 다음과 같은 알고리즘 성능 결과가 나왔습니다: 다중 스펙트럼 데이터셋을 사용해 모델은 전체 정확도 92.3%를 달성했으며, 아웃-오브백(OOB) 오차는 7.75%였습니다; 반면, RGB 데이터셋은 1.14%의 OOB 오차로 98%를 초과하는 정확도를 달성했습니다. 이러한 결과는 두 센서 유형의 적합성을 강화합니다. 프로토콜의 각 단계는 지리 참조 데이터셋을 생성합니다. 이들은 생물물리학적 현장 관측을 내장한 계층형 지리 정보 시스템(GIS) 프로젝트로 통합될 수 있으며, 이는 영향과 변화를 예측하는 생태 모델링과 같은 복잡한 생태계 연구의 기초가 됩니다. 실제로 이 GIS 프로젝트는 토지 피복 및 지원 관리, 환경 복원 계획 및 모니터링의 역사적 기록 역할을 할 수 있습니다.

서론

이 프로토콜의 목표는 드론 기반(즉, 무인 항공기[UAV] 기반) 사진측량 조사와 현장 생물물리학적 관찰을 결합하여 해안 습지 식물 군집 분포 지도를 생성하는 실질적이고 단계별 워크플로우를 제공하는 것입니다. 최종 결과물인 토지 피복 지도는 반자동 기계 학습 과정(무작위 숲 [RF] 알고리즘)을 통해 생성됩니다^.

식물 군집 지도는 복잡한 식생 패턴을 공간적으로 명시적이고 픽셀 기반의 서식지 구조 표현으로 변환하기 때문에 습지 생태 모델링에서 필수적인 데이터셋입니다. 이 기준선 데이터셋은 생태학적 과정(예: 생체량 분포, 종 간 상호작용, 생태수문학적 반응, 영양 순환)을 경관 ^2,3,4 전반에 걸쳐 모델링할 수 있게 합니다.

식물 군집 지도 외에도, 이 프로토콜의 단계를 따르면 지리공간 데이터 모음이 생성됩니다. 지리정보시스템(GIS) 프로젝트로 저장된 데이터셋은 GIS에 통합되어 공유되고, 관리 계획 및 환경 모니터링을 지원하는 추가 생태계 분석 및 의사결정에 활용될 수 있습니다.

이 방법에서는 UAV 조사에서 RGB(즉, 빨강, 초록, 파랑, 세 가지 기본 색상) 및/또는 다중분광, 기하학적으로 정확한 정교 모자이크 지도, 그리고 디지털 표면 모델(DSM)을 제공하며, 모두 기준선 데이터 ^5,6으로 사용됩니다. 이 데이터는 직교모자이크 지도를 GIS 소프트웨어 계산기의 입력으로 사용하여 식생 지수(VI)를 계산하는 데 사용됩니다. 최종 출력 지도를 생성하기 위해 VI는 RF의 픽셀별 예측 변수 역할을 하며, 정교모자이크의 원시 스펙트럼 정보를 분류 ^7,8을 위한 구조화된 입력으로 변환합니다. VI는 식물^{과 빛이} 반사하는 식생 특성을 강조하는 스펙트럼 밴드의 수학적 조합이기 때문에, VI는 생태학에서 서식지 질과 생물다양성을 모니터링하고 생태 모델링을 지원하는 독립적인 데이터로 사용할 수 있습니다 ^8,9. 따라서 VI는 래스터 맵으로 저장되어 GIS 프로젝트에 포함됩니다.

AI 지원 환경에서 식물 군집을 분류하고 지도화하려면, 원격 탐사 데이터셋(예: UAV 조사 지도, DSM, VI)을 생태학적 신뢰성, 재현성, 의미 있는 해석을 보장하기 위해 현장 생물물리학적 지리 참조 관찰과 결합되어야 합니다.¹⁰. 이러한 현장 데이터는 RF 알고리즘이 VI에서 서식지-식생-피복 픽셀 데이터를 분류하고 연구 현장 내 식물 군집 분포를 예측하는 데 기반을 두는 기준 역할을 합니다(예: 식물 군집 지도 작성)¹¹. 기계 학습을 위한 현장 진실 데이터셋 역할 외에도, 지리 참조 관찰은 GIS 내에서 생물물리학적 관측을 고정시키는 수단을 제공합니다. 이렇게 해서 생태 데이터셋은 속성 테이블로 기능하며, 생태계 모델링을 위한 환경 변수로 활용될 수 있습니다^12,13. 현장 데이터는 실제 연구 환경 내에서 직접 수집되어^{특정 조건을} 현실적이고 즉각적으로 평가할 수 있기 때문에 서식지의 생태학적 조건을 입증하는 데 매우 유용합니다.

해안 습지는 보호받는 해안가 지역에 위치한 저에너지 서식지입니다. 습지 생태계는 남극을 제외한 6개 대륙 해안선을 따라 분포하며, 극지방의 얼음으로 덮인 지형을 제외한 전 세계적으로 중요한 생태학적 역할을^{수행합니다.} 전 세계 인구 증가와 산업화, 해안 방어, 농업 관행의 집중화는 해안 습지에 큰 영향을 미쳐 단편화와 황폐화를 초래합니다^16,17. 이러한 압력은 해안 생태계를 전 세계 생태 복원과 보전의 우선순위로 만듭니다.

해안 서식지의 환경 모니터링과 생태계 모델링은 생태계 건강 평가, 시간적 변화 식별, 복원 결과 평가를 용이하게 합니다. 그럼에도 불구하고, 이러한 생태계의 역동적인 특성, 제한된 접근성, 그리고 복잡하고 종종 외딴 조간대에서의 데이터 수집 비용이 막혀 효과적인 모니터링이 방해받을 수 있습니다. 역동적이고 접근이 어려운 서식지에서는 식생이 생태 변화의 가장 명확하고 안정적인 신호를 제공하는 경우가 많습니다¹⁸.

식생이 서식지 형성의 근본적인 기반이기 때문에, 식물 군집을 분류하고 분포를 지도화하는 것은 생태학적 평가와 서식지 과정 모델링에 중요한 토대를 제공합니다^20,21,22. 해안 습지는 고도, 염도, 식생 구조, 수문학, 퇴적물 특성 등에서 짧은 거리 내에 상당한 변동성을 보이는 매우 이질적인 시스템입니다. 이러한 복잡성 때문에, 프로토콜은 층별로 1m × 1m 사분면 샘플²³(식물 군집당 최소 10개의 1m 사분면 샘플)을 포함하고 있는데, 이는 대표적인 생태계 모델과 토지 피복도 생성에 있어 유익할 뿐만 아니라 방법론적으로도 필수적입니다^24,25.

이 방법론을 설명하기 위해, 발트해 서부 에스토니아 군도의 히우마아 섬에 위치한 미세조수 습지에서 사례 연구가 수행되었다(그림 1). 발트해의 해안 경관은 군도 내 10만 개 이상의 섬에 걸쳐 퇴적물 축적대에 위치한 습지를 포함하며, 강도²⁶의 다양한 수준으로 관리됩니다. 생물다양성 보전과 복원을 위해 발트해 해안 북방 습지는 반자연 초원으로 유지됩니다^27,28. 이러한 습지 초원은 지역 경관 유산의 가치를 지니고 있으며, 사례 연구 현장을 포함한 일부는 Natura 2000 보호 구역 네트워크에 포함되어 있습니다. 이러한 지역에서는 저성장 식생을 유지하기 위해 도^요새와 같은 야생동물의 서식지를 제공하기 위해 해안 초원이 광범위하게 방목되거나 계절에 따라 베어져 개방된 초원을 유지하고 예를 들어 Phragmites australis³⁰과 같은 광범위한 종에 의해 점령되는 것을 방지합니다. 북방 해안 지역에서 보전 조치로 관리되는 습지는 일반적으로 네 가지 주요 식물 군락을 포함합니다: 오픈 파이오니어(OP), 로어 쇼어(LS), 어퍼 쇼어(미국), 그리고 톨 그래스(TG)³¹. 네 가지 모두 선정된 사례 연구 현장에서 발생한다. 관다발식물 종이 해안 습지 초원을 지배합니다. OP 지표종은 살로피테스(Salicornia europaea, 가장 흔한 높이 범위 3–30cm)와 Suaeda maritima(10–50cm)입니다. LS는 Glaux maritima(3–25cm)와 Juncus geradii(25–75cm)가 우세합니다. 미국 지표종으로는 Festuca rubra(15–90cm)와 Leontodon autumnalis(10–80cm)가 있으며, 우세한 풀은 TG를 식별합니다: Deschampsia cespitosa(30–120cm), Elytrigia repens(30–120cm), Molinia caerulea(50–180cm). 또한, 이 기후대의 전형적인 해안 습지 식물로는 Spergularia marina(5–30cm), Plantago maritima(10–30cm), Triglochin maritima(15–70cm), Agrostis stolonifera(15–30cm)가 있으며, 이들은 군집 전반에 걸쳐 분포합니다.

해안 습지는 저지형으로 정의되며, 움푹 패인 곳과 험박(hummocks)과 같은 미묘한 미세지형 변화가 식물 군집 분포에 영향을 미칩니다. 이러한 지형은 홍수, 폭풍 해일, 조류 등 퇴적물 퇴적 과정을 통해 자연적으로 형성^됩니다. 이러한 특징들은 대개 거친 항공 사진으로 감지할 수 있는 뚜렷한 신호가 없지만, 종 구성은 기록 및 분류가 가능한 특정 스펙트럼 반응을 반영^합니다. 일반적으로 위성 및 항공기 항공 지도는 모니터링 및 평가를 지원하는 생태계 조사 및 모델링에 필요한 지리공간 데이터를 제공합니다^34,35. 하지만 저고도 드론 기반 항공 지도 작성은 해안 초원을 효과적으로 측량하는 데 필수적입니다. 이 방법은 고해상도 데이터를 제공하며, 식생 분포 패턴과 디지털 표면 모델(DSM)에서 도출된 식생 높이 모델 등 경관 특징의 더 상세한 사진측량 기록을 제공하여 분류 정확도를 향상시킵니다^.

대안적 접근법과 비교할 때, UAV 워크플로우는 시간 흐름 단계에 맞춰 유연한 일정을 조정하고, 구름 간핵을 최소화하며, 위성에서 제공되지 않은 구조적 세부사항을 포착할 수 있습니다^36,37. 머신러닝(예: 랜덤 포레스트)과 결합하면, UAV 데이터는 자동화된 패턴 탐지, 객체 분류, 그리고 인간에게는 감당하기 어려운 복잡한 데이터셋에서 귀중한 통찰을 추출하는 데 도움을 줍니다³⁸. 그러나 현장 지상 샘플링은 학습 및 평가를 위한 검증된 라벨을 제공하여 모델이 올바른 패턴을 학습하고 성능이 견고^{하고 신뢰할 수} 있도록 보장하기 때문에 감독 학습에 필수적입니다.

이 프로토콜은 현장 샘플링이 가능한 저지형 생태계와 저성장 식물 군락을 위해 설계되었습니다. 워크플로우는 네 가지 뚜렷한 단계로 나뉩니다(그림 2): (1) UAV 기반 항공 조사, (2) 현장 진실 데이터 수집 및 지리 참조, (3) 식생 지수 계산, (4) 오픈 소스 통계 컴퓨팅 환경 R에서 랜덤 포레스트를 이용한 감독 분류. 프로토콜은 terra, sp, sf, rgdal, raster, rsample, MLmetrics, randomForest 등 주요 패키지를 사용하여 RStudio를 사용해 구현되었습니다.

프로토콜

참고: 다음 단계는 해안 습지 식물 군집을 지도화하고 분류하기 위한 상세한 작업 흐름( 그림 3의 도표 참조)을 설명합니다. 이 프로토콜은 UAV에 장착된 다중분광 센서나 RGB 카메라를 사용하여 복제할 수 있습니다. 이 프로토콜을 완료하는 데는 며칠이 걸립니다. 따라서 방법론은 네 단계로 나뉘며, 선택적으로 중간 휴식 시간도 있습니다. 이전 단계의 결과가 다음 단계의 실행을 뒷받침하기 때문에 지정된 순서가 권장됩니다. 처음 세 단계는 최종 단계에 입력되는 데이터셋을 생성합니다.

1. UAV 기반 항공 조사

1. UAV 운용자를 위한 필수 예방 조치, 현지 규정, 드론 하드웨어 및 소프트웨어 매뉴얼을 획득하고 검토합니다.
   1. 조종사가 안전하고 합법적이며 전문적으로 운영되도록 보장하고; 운영 지역에 필요한 모든 자격증 또는 면허를 보유하며; 그리고 특정 드론 모델과 장착된 센서/카메라 사용 및 임무 워크플로우에 대해 완전히 교육받으세요. UAV 보험 가입을 위한 주 또는 지역 규제 체계에 문의하세요.
   2. 임무 구역의 공역 분류를 식별하고 필요한 허가를 받으세요. 공항, 인프라, 인구 밀집 지역 주변의 고도 제한, 비행금지 구역, 근접 제한을 존중하세요. 환경 및 야생동물 고려를 위해 계절별 제한(예: 둥지 기간)을 준수하고, 보호된 경관, 습지, Natura 2000 유적지 및 기타 보호구역의 환경 규정을 준수해야 합니다.
   3. 필요 시 지역 사회 구성원이나 이해관계자에게 통지하여 승인을 확보하고 오해를 방지하세요. 항공 사진이 사람, 사유지, 차량을 포착할 수 있는 경우에 대한 데이터 보호 규칙을 명확히 하여, 드론 비행이 연구를 위한 식물 군집을 지도화하는 것임을 모두가 이해하도록 하고, 데이터 보호법의 적용 대상 추가 데이터는 비밀로 유지된다는 점을 모두가 이해하도록 합니다.
      참고: 국가 또는 지역 규정이 드론 운용 시 사전 소통을 요구할 경우 통지가 일반적으로 필요합니다.
   4. 드론 및 장착 센서의 조립, 유지보수 및 운영에 관한 모든 제조사 지침을 준수하세요; 이러한 준수는 안전한 운전을 보장하고 장비의 무결성을 보호합니다. 센서/카메라 선택 시 최대 풍속 제한(9 m/s, 돌풍 포함), 온도 범위(최소 0 °C; 최대 35 °C), 탑재 용량을 존중하세요. 제조사의 지침과 항공 안전 규정에 따라 배터리를 보관하고 운송합니다.
2. UAV 비행 임무를 설계하세요.
   참고: 이 프로토콜을 구현하기 위해 eBee X 고정익 UAV 시스템이 사용되었으며, 다중분광 및 RGB 센서와 비행 관리 소프트웨어가 탑재되었습니다. UAV를 사용할 때는 항상 제조사 매뉴얼을 참고하세요.
   1. 노트북에 미리 설치된 비행 관리 소프트웨어를 열어보세요. 환영 페이지의 새 미션 탭에서 사용할 카메라(이 경우 Sequoia)를 선택하고, 설명적인 미션 제목(예: 연구 사이트 이름)을 입력한 후 미션 생성을 선택하세요. 미션 패널이 자동으로 열리고, 위성 지도가 메인 뷰에 나타납니다.
   2. 위성 지도에서 커서를 사용해 줌, 팬, 탐색을 통해 연구 현장의 대략적인 위치로 이동하세요. 작업 영역 탭에서 작업 영역 배치 를 선택하고 커서를 연구 부지 중앙 근처에 위치시키고 클릭하세요. 작업 구역을 나타내는 원이 나타납니다; 반경을 늘리거나 줄여 크기를 조절할 수 있습니다.
   3. 미션 패널에서 이 륙 및 착륙 탭을 클릭하세요. 그다음 새 시작 추가를 클릭하고, 위성 지도에서 커서를 원하는 이륙 지점으로 이동한 뒤, 새 출발점을 설정하세요. 그 다음, 새 집 추가를 클릭하고, 선형 착륙을 선택한 뒤, 지도 커서를 원하는 UAV 착륙/귀환 지점으로 이동한 뒤 설정을 클릭하세요.
      참고: 임무를 계획할 때는 소프트웨어의 위성 지도와 측정 도구를 사용하여 최적의 착륙 및 이륙 지점을 찾아야 하며, 장애물이 없는 활주로가 필요합니다. 일부 고정익 UAV는 수직 이륙이 없으며, 이륙 시 점진적인 상승과 점진적인 하강이 필요합니다. 이러한 UAV는 길이 200–300m, 폭 75m의 활주로가 필요합니다.
   4. 미션 패널에서 미션 블록 탭을 선택하세요. 미션 블록 추가를 클릭한 후 수평 매핑을 선택하세요. 카메라 드롭다운 메뉴에서 세쿼이아를 선택한 후, 위 계획에서 고도 데이터 - EAD를 선택하세요. 사전 설정 메뉴에는 해상도 10 cm/px, 측면 겹침 75%, 종방향 겹침 80%가 포함된 탭이 나타나며, 비행 고도는 106.1 m/AED가 됩니다(이 자동 값은 UAV 조사 시 선택됨).
   5. 위성 지도 뷰에 커서를 올려놓고 왼쪽 클릭으로 연구 구역 주위에 다각형을 그리면 측량 현장 주변에 조절 가능한 모서리 점을 추가할 수 있습니다. 최종 확인을 위해 우클릭하여 지도상에 잠재적 드론 비행 경로를 표시하세요.
      참고: 이 프로토콜을 실행하기 위해 조사 구역은 40헥타르, 비행 시간은 32분으로 추정되었습니다.
   6. 여전히 미션 패널의 안전 행동 탭에서 다음 행동들이 선택되었는지 확인하세요. 귀환 시 홈 모드: 강한 바람이 감지되거나, 카메라가 고장을 보고하거나, 저조도(또는 렌즈 캡이 켜져 있음), 지속 시간이 낮거나, GNSS 정확도가 저하되거나, 지상 모뎀 링크가 300초간 끊기거나(조정 가능), 그리고 클라임 시 지상 근접이 감지되면 선택해야 합니다 .
   7. 타이밍이 매우 중요합니다: 매핑 임무는 실제 확인(생물물리학적 샘플링 날짜)에 최대한 가깝게 일정을 잡으세요. 이는 드론 영상과 현장 데이터가 동일한 환경적·물상 조건 하에서 생태계를 반영하도록 보장하여 지도의 과학적 정밀도와 해석 가능성을 크게 향상시키는 매우 중요합니다.
   8. 노출된 서식지를 극대화하고 물 눈부심을 최소화하기 위해 간조 창(또는 비조수 해안의 '저수위' 조건)을 선택하세요; 항공 조사 시기를 정할 때는 야생동물 교란도 고려하고 번식기를 피하는 것이 좋습니다.
3. 사전 점검과 비행 임무를 수행하세요.
   1. 현장에서 환경 상태를 평가하세요. 현재 해수위가 낮은지 확인하고; 야생동물을 방해하지 않도록 하며; 이착륙 구역이 안정적이고 건조하며 수면 위로 충분히 높아져 있는지 확인하세요. 비행 임무가 진행될 공역 구역, 이착륙 구역을 포함한 항공 장애물이 있는지 조사하세요.
   2. 최적의 비행 조건을 위해 기상 예보를 모니터링하세요: 바람(최대 9 m/s), 시야(안개 없음), 습도(75% 미만), 강수량(최대 예측 40%).
   3. UAV 시스템 조립: 드론 하드웨어, 센서/카메라, 안테나, 비행 관리 소프트웨어. 드론 배터리를 연결하세요. 센서/카메라 상태 등 UAV 하드웨어를 점검하고; 렌즈가 깨끗한지 확인하고; 그리고 센서/카메라가 UAV에 올바르게 연결되어 있는지 확인했습니다.
   4. 현장 실습 컴퓨터를 켜고, 비행 관리 소프트웨어(eMotion)를 실행한 뒤, 탐색 파일에서 미션 로드를 클릭하세요.
      1. USB 안테나를 노트북에 연결하고 '연결'을 클릭하면 오른쪽에 비행 제어바가 나타납니다.
      2. 카메라 탭에서 모든 측량 사진을 저장할 수 있는 충분한 메모리가 있는지 확인하세요(빈 SD 카드, 최소 32GB 이내), 그리고 올바른 카메라(세쿼이아)가 목록에 있는지 확인하세요. 컴퓨터 소리를 켜서 소프트웨어 알림을 들을 수 있게 하세요.
   5. 펌웨어와 소프트웨어가 업데이트되어 있는지 확인(자동 소프트웨어 알림을 통해) 필요하면 나침반을 보정하세요.
   6. 미리 설계된 임무가 올바르게 로드되었는지 확인하세요(예: 비행 경로, 이착륙 궤적이 메인 뷰에 보이도록 합니다). 안전 조치가 올바르게 선택되었는지 확인하세요(1.2.6단계에 명시된 대로).
   7. 다중분광 센서를 보정하세요. 패널을 바닥에 놓고, 드론을 그 위에 올려놓고 센서/카메라 렌즈를 패널을 향하게 하세요.
      1. 소프트웨어에서 비행 제어 바에 접근해 카메라 탭을 열고 Calibrate를 누르세요.
      2. 사진 촬영을 알리는 소리 신호가 나오길 기다려 '방사성 보정 완료 '라는 문구가 뜰 때까지 기다립니다. RGB 센서만 사용할 경우에는 이 방법이 필요하지 않습니다.
   8. 임무 시작 전에 바람 방향을 확인하세요. 가볍고 마른 풀, 모래, 마른 잎을 한 움큼 집으세요. 눈높이에서 자료를 놓아라; 풀이 떠다니는 방향은 바람의 경로를 나타냅니다.
   9. 그 후 소프트웨어의 메인 뷰(위성 지도)에서 방향 핸들을 드래그하여 비행선이 바람 방향에 수직으로 향하도록 하여 UAV 비행 경로 방향을 조정합니다. 비행 경로가 조사 사이트 전체를 포함하는지 확인하세요: 모서리 점을 드래그하여 폴리곤 모서리를 조정하세요.
   10. 착륙 경로 방향을 조정하여 착륙 경로가 바람을 막도록 하세요.
   11. 모든 조정 후 비행 경로, 이착륙 및 착륙 구역이 작업 구역 내에 있는지 확인하세요. 작업 영역 원을 확장하려면 작업 영역 탭에서 반지름 수치를 늘려 확장하세요.
   12. UAV 비행은 미리 설계된 비행 경로(사례 연구 측량 면적: 40.5헥타르)를 따라 자동 비행 임무로 시작하세요. 비행 시작 시간을 기록하세요.
       1. 비행 중에는 비행 관리 소프트웨어를 켜두고, 드론 안테나도 항상 연결해 두세요.
       2. 배터리 수명 업데이트, 센서 성능, 드론의 경보 신호(예: 풍속 증가, 장애물 감지)를 소프트웨어에서 청취하고 관찰하세요.
       3. 별도의 승인이 없는 한 드론과 임무 중 항상 시야선(VLOS)을 유지하세요. 모든 방해 요소를 피하고 알림에 대응하거나 비상 착륙을 수행할 준비를 유지하세요. 비행 종료 시간을 기록하세요.
          참고: 최선의 관행(지역에 따라 법적 의무일 수 있음)은 두 명의 운영자가 함께 조사를 실시하는 것입니다: 한 명은 VLOS를 유지하고, 다른 한 명은 비행 관리 소프트웨어를 모니터링합니다. UAV 사고 발생 시 비행 운항을 중단하고, 지역을 확보하며, 사고를 기록하고, 관련 당국에 통보하며, 보험 절차를 시작하세요.
4. 비행 후 절차를 수행하세요.
   1. UAV에 장착된 센서나 카메라에서 모든 항공 이미지를 추출하고, 비행 기록을 포함한 모든 측량 데이터를 컴퓨터 및/또는 클라우드에 백업합니다.
      참고: 장비가 손상되고 SD 카드가 손상될 수 있어 시간이 지남에 따라 데이터 손실 위험이 증가합니다.
   2. 이미지 선명도, 노출, 커버리지를 검증하고, 센서 오류나 눈부심, 그림자 현상, 조수 침수로 인한 이미지 시퀀스의 빈틈을 점검합니다. 필요에 따라 일정을 재조정하고 재조사하여 드론 비행이 지상 실습 현장과 가까운 시간 내에서 이루어지도록 합니다.
   3. 국가 토지 측량 서비스와 같은 공공 기록 보관소에서 수신기 독립 교환 형식(RINEX) 파일을 다운로드하여 저장하며, 비행 날짜와 시간에 대응할 수 있습니다.
   4. 외장 하드 드라이브(250 GB-1 TB)에 연구 사례를 위한 폴더를 만드세요(권장 제목: date_ 위치 [공백 및 특수 문자 사용 피하기]). 이 폴더는 데이터 저장과 후속 단계에 대한 접근을 위한 마스터 폴더이며, 지리 패키지 레이어가 생성/저장되는 위치가 될 것입니다.
   5. 항공 조사 이미지 지오태깅을 수행하려면 비행 관리 소프트웨어에서 Postflight 탭을 열어라. 같은 컴퓨터로 비행 일정을 보낸다면 비행 날짜를 선택하세요. 아니면 아니요.
   6. 백업 파일에서 비행 기록을 검색하고 업로드하세요. 외부 메모리 드라이브에 연구 사례용 프로젝트 폴더를 만드세요(화면에 표시된 제목 프로젝트). 다음( Next)을 클릭하세요.
   7. 비행 중 사용한 SD 카드에서 비행 기록을 검색하고 업로드할 수 있으며, 항공편 번호로 식별하거나 백업 파일에서 업로드할 수 있습니다. 소프트웨어의 메인 뷰에 비행 경로가 나타날 때까지 기다려보세요. 정확한 지역/비행 기록인지 확인하세요. 다음( Next)을 클릭하세요.
   8. 후 처리 옵션 드롭다운에서 PPK: 원시 드론의 GNSS 데이터를 처리하기를 선택하세요. 기지국 로그 에서 Rinex를 선택하고, 저장된 RINEX 파일을 찾아보세요. 다음( Next)을 클릭한 후 계산이 완료될 때까지 기다리세요. PPK가 고정 된 > 지오태그가 후처리되어 100% 표시되도록 한 후 다음을 클릭하세요.
   9. 이미지 로드 드롭다운 메뉴에서 다음 옵션 중 하나를 선택하세요: SD 카드에서 또는 '탐색'으로 비행 로그에 해당하는 항공 조사 이미지가 있는 폴더를 찾으세요. 다음(Next)을 클릭하세요. 이미지 매칭이 성공할 때까지 기다렸다가 다음을 클릭해 지리태그가 포함된 이미지 가져오기를 프로젝트 폴더로 시작합니다. 이 이미지들은 사진측량 과정의 입력 자료로 활용될 것입니다.
      참고: 각 비행 기록마다 이미지 지오태깅을 별도로 수행해야 합니다(1.4.4 – 1.4.8 단계를 반복). 예를 들어, UAV 배터리 교체 후에는 후속 항공 조사에서 새로운 비행 기록이 생성됩니다.
5. 사진측량 데이터를 처리하며(즉, 항공 측량 이미지를 활용한 지도 생성).
   1. 워크스테이션에서 지리태그가 부착된 UAV 조사 이미지가 저장된 외장 하드 드라이브를 연결하고, 미리 설치된 사진측량 소프트웨어를 실행하세요.
      1. 새 프로젝트를 만들어 외장 드라이브에 저장하세요(권장 형식: MS 접두사 또는 RGB + 위치 + 날짜).
      2. 이미지를 추가하되, 다중분광 데이터셋과 RGB 데이터셋은 별도의 프로젝트로 처리해야 함을 주목하세요; 따라서 다중분광 영상에는 MS 접두사를, 후자는 RGB를 사용하세요.
         참고: PIX4Dmapper가 사용되었으며; 하지만 대체 사진측량 소프트웨어를 사용해 이 프로토콜을 재현할 수 있습니다.
   2. 이미지 속성 팝업 화면에서 다음 항목들이 나열되거나 선택되었는지 확인하세요: 좌표계로 WGS 84, 올바른 지리위치 이미지 수, 그리고 선택된 카메라 모델 목록 밴드(세쿼이아와 그린, 빨강, 빨간 가장자리, NIR 밴드, RGB).
      1. 다음(Next)을 누르고 처리 템플릿을 선택하세요: 다중 스펙트럼은 Ag multispectral, RGB 이미지는 RGB Ag. 완료하면 메인 뷰에 이미지 위치가 표시된 위성 지도가 나타납니다.
         참고: 멀티스펙트럴 프로젝트의 경우, 보정 패널이 보이는 보정 이미지를 반드시 추가하세요(1.3.7단계에서 생성되어 모든 측량 데이터와 함께 자동으로 저장됨). 이번 사례 연구에서는 총 2,320장의 다중분광 이미지와 577장의 RGB 이미지가 지리적으로 위치가 확인되었습니다.
   3. 처리 옵션 창을 열고 1을 클릭하세요. 초기 처리 시 Key Points 이미지 스케일에서 Quality Report에서 Full을 선택하고 Orthomosaic Preview를 생성한 후 2를 클릭하세요. 이 탭에서 Point Cloud and Mesh > Point Cloud 탭에서 1/2(절반 이미지 크기, 기본값)를 선택하고 Classify point cloud 선택.
   4. 3번 클릭. DSM, Orthomosaic, 인덱스 > 인덱스 계산기 탭에서 GeoTIFF를 선택하고 타일 병합 및 생성할 모든 가능한 인덱스를 생성하세요(그림 4).
      1. 다중분광 프로젝트의 경우, 방사성 처리 및 보정 항목에서 각 밴드의 보정 유형 이 카메라, 태양 광도, 태양 각도로 설정되어 있는지 확인하세요.
      2. 래스터 DSM에서 DSM과 Orthomosaic을 클릭해 GeoTIFF와 타일을 합치고, Orthomosaic에서 GeoTIFF와 타일의 병합을 선택하세요. 확인을 클릭하고 처리를 시작하세요.
         참고: 다중 스펙트럼 이미지를 처리할 때, 보정 유형은 비행 전 현장에서 촬영한 보정 이미지를 사용해 자동으로 설정되지만(Step 1.3.7), Calibrate를 클릭하여 수동으로 재보정할 수 있습니다. 그 후 보정 패널 이미지(해당 밴드 제목)를 찾아 보정 패널에서 읽은 반사율 값을 입력하세요.
   5. 사진측량 처리는 다중 분광 프로젝트 폴더(녹색, 빨강, 빨간 가장자리, NIR)와 RGB에 생성된 반사도 지도(UAV 측량 지도)와 RGB에 저장된 빨간색, 녹색, 파랑, 그레이스케일, 직교모자이크, DSM(디지털 표면 모델)으로 마무리됩니다. 모든 인덱스, 정교모자이크, DSM GeoTIFF가 통합되었는지 확인하고 프로젝트 보고서의 오류 여부를 검증합니다; 문제가 감지되면 다시 처리를 반복하세요.

2. 현장 진실 데이터 수집 및 지오레퍼싱 수행

1. 현장 조사 준비하세요.
   1. 연구 현장을 미리 방문하여 잠재적 식물 군락을 파악하여 현장에 대한 체험적 지식을 얻으세요. 현장에서 수집이 가능하고 선정된 연구 장소의 식물 군집 구성을 설명하는 데 필요한 생물물리학적 관찰 자료를 결정합니다.
      참고: 이 프로토콜을 설명하기 위해, 발트해 북방 해안 초원 서식지를 나타내는 4가지 식물 군집(오픈 파이오니어, OP), 하부 해안(LS), 상부 해안(미국), 그리고 톨 그래스(TG)를 분류하기 위해 식생 종, 구조 및 조성에 초점을 맞췄습니다.
   2. 지도화되는 특정 서식지에서 식물 군집을 나타내는 종을 나열한 시각적 식물 종 식별 가이드를 준비하고 인쇄하세요. 가이드는 전자 기기가 고장 날 경우 현장 종 식별을 신속하게 도와줄 수 있습니다.
   3. 현장 관찰 기록을 위한 워크시트를 준비하세요. 여기에는 연구 대상 서식지 및 주변 지역에서 흔히 발견되는 지표종 목록과 함께 조사 날짜, 식생 높이, 바이오매스 무게 등 추가적인 생물물리학적 현장 관찰 기록도 포함됩니다.
2. 사분형을 사용하여 층별 표본 추출 절차를 사용해 실제 데이터를 수집하세요.
   1. 현장 경험을 바탕으로 시각적으로 식물 군집을 식별하세요.
   2. 샘플링되는 식물 군집의 대표적인 위치에 쿼드랫 프레임을 설치하고, 교란이 심한 지역을 피하세요. 북방 해안 습지의 경우, 1m x 1m 크기의 사각면이 충분합니다. 이 사분면은 생물물리학적 관찰과 생체량 샘플링을 위한 샘플 플롯 역할을 할 것입니다.
   3. 조사 날짜, 측량사 이름, 식물 군집 유형/분류, 각 표본 쿼드랫의 번호 코드를 기록하세요.
      참고: 번호 코드를 다음 순서로 설정하는 것이 권장됩니다: 연구 현장 코드 + 식물 군집 코드 + 기록 중인 사분면의 샘플 쿼드랫 시퀀스 번호. 이 번호 코드는 생물물리학적 현장 관측을 지리공간 데이터셋과 좌표와 연결합니다.
   4. GNSS/RTK 시스템과 토지 측량 소프트웨어를 사용해 샘플 사각면의 각 모서리에 좌표를 기록하며, 사각형 번호 코드에 대응하는 숫자 코드를 입력하고 좌표를 저장합니다.
      참고: 고정밀도(센티미터 단위) 위치 데이터를 제공하는 GNSS 수신기를 사용하세요; 장치 및 보조 소프트웨어 사용법은 사용자 설명서를 참조하십시오.
   5. 생물물리학적 관찰에 관해서는, 표본 쿼드라트 내에서 관찰된 각 식물 종별 추정 덮개 비율과 벌지, 식물 쓰레기, 이끼, 조류 등 기타 잠재적 지표 덮개를 기록하세요(전체 비율이 95%에서 105% 사이로 식물사회학 조사에서 인정된 범위 기준입니다). 줄자를 사용해 식생 높이를 다섯 번 무작위로 측정해 평균 샘플 높이를 결정합니다.
   6. 동일한 샘플 쿼드라트를 사용해 선택적 생물물리학적 관측을 수집합니다: 예를 들어, 토양 수분 비율, 토양 수준에서 식생을 절단하여 식생 생체량 샘플링, 종이봉투에 생체량을 수집, 배터리 작동 평탄 저울(정밀도 ± 1g)로 무게를 측정하는 등의 방법입니다. 실제 바이오매스 무게를 찾으려면, 종이봉투 무게를 전체 무게에서 빼면 됩니다. 모든 무게를 기록해 두세요.
3. 이전 단계(2.2.1–2.2.6)에서 설명한 층화 사분면 샘플링 절차를 각 식물 군집 클래스(OP, US, LS, TG) 내에서 최소 10회 복제합니다.
   참고: 샘플 쿼드랏을 너무 가까이 배치하지 마세요. 기록된 쿼드랫 샘플이 서식지를 정확히 반영하도록 연구지 전반에 걸쳐 일관되고 포괄적인 샘플링을 제공하는 것이 필수적입니다. 식물 군집은 해안 습지에서 종종 모자이크 패턴으로 나타나므로, 연구 현장 내 여러 위치에 동일한 식물 군락을 샘플링하세요.
4. 모든 현장 관측을 완료한 후 쿼드랏 샘플링 기록을 디지털화하세요.
   1. 모든 현장 작업 노트를 스프레드시트 소프트웨어로 옮기고, 각 변수를 표 행에 표시하는 헤더 행으로 데이터를 정리하여 분석을 위한 데이터셋을 만듭니다; 그 다음 모든 값을 입력하세요.
   2. 파일을 저장한 후 쉼표 구분 값(CSV) 파일로 내보내세요.
5. 생물물리학적 관찰을 지리참조하여 현장 진실 데이터셋을 만듭니다.
   1. 현장에서 사용되는 GNSS/RTK 시스템에서 샘플 쿼드랏 코너 위치의 모든 기록된 좌표를 CSV 파일로 다운로드하세요.
   2. 지리정보시스템(GIS) 소프트웨어(이 프로토콜 구현에 QGIS가 사용됨)로 새 프로젝트를 생성하고, 1.4.3단계에서 생성된 프로젝트에 .qgz 파일로 저장합니다. 이 폴더와 .qgz 파일에는 앞으로 진행될 모든 지리공간 데이터셋이 포함됩니다.
   3. GIS 작업 공간에서 쿼드랏 코너 좌표를 담은 CSV 파일을 구분된 텍스트 레이어로 가져오세요. 이 좌표들을 가져오면 shape: points로 나타납니다.
   4. 각 쿼드라트 코너 점의 좌표를 쉐이프파일: 폴리곤으로 결합하고 쉐이프파일을 저장하세요.
   5. 폴리곤 셰이프파일을 2.4단계에서 생성된 디지털 필드 데이터셋 CSV 파일과 두 파일의 번호 코드를 연결하여 연결하세요.
   6. 새로 생성된 현장 진실 데이터셋을 외장 하드 드라이브에 생성된 폴더에 GeoPackage(.gpkg) 파일로 저장하세요(1.4.4단계). GIS 프로젝트를 업데이트하려면 저장하세요.

3. 식생 지수(VI) 계산

1. 비스.
   1. GIS 소프트웨어 작업 공간(2.5.2단계에서 생성하고 2.5.6에서 업데이트된 동일한 .qgz 파일 사용)으로 프로토콜 1단계 1.5에서 UAV 측량으로 생성된 모든 반사도 모자이크(지도 제품)를 가져오세요.
   2. 불필요한 데이터를 '클리핑'하여 지도 크기를 줄이세요. 샘플 사분형 분포를 살펴보고 연구 현장의 범위에 대한 경험적 지식을 바탕으로, 연구 현장을 둘러싼 다각형 경계를 만들고 다각형 범위에 맞게 지도를 편집합니다(그림 5). 이렇게 하면 파일 크기를 줄이고 처리 속도를 높일 수 있습니다.
      참고: 절단된 측량 지도(다중 분광 GREEN, RED, RED EDGE, NIR, RGB RED, GREEN, BLUE 밴드 GeoTIFF와 ground_truth.gpkg(2.5.6단계에서 생성됨)는 Zenodo 저장소에서 link: https://doi.org/10.5281/zenodo.20075625 를 통해 다운로드 가능하며, 교육 목적으로는 다음 단계를 연습하기 위한 용도로만 제공됩니다.
2. 래스터 계산기 도구를 사용해 계산하세요; VI 공식은 보충 파일 1 34,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56에 나열되어 있습니다 ^,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71.
   1. 다중 스펙트럼 VI를 계산할 때는 RED, GREEN, NIR, Red-edge GeoTIFF를 입력값으로 사용합니다. ( 그림 6, GIS 래스터 계산기, VI 공식 입력 1개를 참고하세요.)
   2. RGB 기반 VI 계산의 경우, 먼저 빨강, 초록, 파랑 지수를 정규화합니다(1.5단계의 맵 곱). 정규화 과정을 완료한 후에만 새로운 RGB VI를 계산하세요(RGB 인덱스 정규화 공식은 RGB VI 목록의 일부로 보충 파일 1 에서 제공됩니다).
   3. 새로운 VI를 GeoTIFF(예: 래스터 파일)로 별도의 폴더에 저장하고, 외장 하드 드라이브에 생성된 GIS 프로젝트 폴더(Step 1.4.4)에 이름(예: 접두사(MS 또는 RGB) + 인덱스 이름 등)을 붙입니다.
   4. 3.1.2단계에서 생성/편집한 DSM 및 기타 자동화된 VI(예: 그레이스케일)를 RGB VIs 폴더에 추가하세요. 이 VI가 포함된 폴더들은 2.5.6단계에서 생성된 현장 진실 파일과 결합되어 랜덤 포레스트 알고리즘의 기본 데이터셋으로 사용되어 식물 군집 지도를 분류합니다. VI 래스터 파일 링크를 포함해 GIS 프로젝트를 업데이트할 수 있도록 저장하세요.

4. 무작위 숲을 이용한 R 내 감독 분류

참고: 이 단계를 실행하려면 RStudio에서 R의 통계 컴퓨팅 환경을 열고, 파일 > 열린 파일 다음에 보조 파일 2에서 제공된 스크립트를 선택하세요. 이 스크립트는 재현성을 보장하고 다른 연구 현장에 적응하기 쉽게 사용할 수 있도록 즉시 사용할 수 있고 체계적으로 정리되어 있습니다. 두 가지 방식으로 실행할 수 있습니다: (1) 전체 스크립트를 한 번에 실행하기: Source 를 클릭하거나 Ctrl + Shift + Enter를 눌러 폴더와 GeoPackage 파일 경로가 업데이트되었는지 확인; 또는 (2) 한 줄씩 또는 블록 한 줄씩 달리기: 커서를 한 줄에 올리거나 블록을 선택한 후 Ctrl + Enter를 누르세요. 이 옵션은 더 나은 문제 해결 방법을 제공하기 때문에 추천됩니다.

1. R 환경을 준비하세요.
   1. 필요한 패키지(예: terra, sp, sf, raster, rsample, MLmetrics, randomForest, rgdal^)를 설치하고 불러오세요.
      참고: rgdal이 최신 R과 호환되지 않는 경우, 함수 stack()과 readOGR()를 각각 rast()와 st_read()로 대체할 수 있습니다.
   2. 작업 디렉터리를 설정하세요.
2. 래스터 전처리를 수행하세요.
   1. 특정 작업 디렉터리에 위치한 측량 영역에서 모든 래스터 파일을 불러오세요.
   2. 입력 래스터 간 투영, 해상도, 범위가 일관되게 유지되도록 하세요. 불일치가 감지되면 R에서 resample() 함수(예: terra::resample() 또는 raster::resample())를 사용하여 래스터를 공통 참조 파일(일반적으로 인공 업스케일링을 피하기 위해 공간 해상도가 가장 거친 참조 파일)에 정렬하세요(Hijmans 등의 ⁷³ 문서 참조).
3. 데이터 추출 수행:
   1. GeoPackage(2.5.6단계에서 생성됨)에서 지상 진실 데이터를 가져오세요.
   2. terra:: extract() 함수를 사용해 래스터 값과 샘플 폴리곤을 연결하세요.
   3. 추출한 값이 포함된 데이터 프레임을 식물 군집 코드와 결합하여 이들이 인자임을 확인하세요.
4. 클래스 균형을 유지하기 위해 계층화된 표본추출을 사용하여 데이터셋을 훈련 및 검증 세트로 나누세요. 학습 샘플과 검증 샘플 간의 비율을 선호하는 경우나 샘플 가용성에 따라 수정할 수 있습니다.
   참고: 소규모 데이터셋은 충분한 학습 데이터를 제공하기 위해 보통 80:20 비율로 나누어야 합니다. 더 큰 데이터셋: 70/30이면 충분하며 더 강력한 검증 또는 테스트 세트를 제공합니다(Mohammed와 Alsunosi⁷⁴의 논문 참조).
5. 모델 튜닝을 수행하세요.
   1. mtry와 ntree의 다양한 조합을 탐색할 매개변수 격자를 정의하세요.
      참고: mtry는 RF에서 결정 트리를 성장시킬 때 각 분할마다 무작위로 후보로 샘플링되는 변수(예측자)의 수입니다. 기본 값은 분류용 예측 변수 총수의 제곱근과 회귀분석의 3분의 1입니다. 반면 ntree는 숲에서 자랄 결정 나무의 총 수입니다. 트리 수가 많을수록 일반적으로 성능이 향상되지만 계산 시간이 늘어납니다; 오류율은 보통 일정 수의 트리가 지나면 안정됩니다.
   2. 격자를 순환시키며(즉, 모델에 가장 적합한 집합을 찾기 위해 다양한 하이퍼파라미터 값 조합을 체계적으로 테스트하는 그리드 탐색) 각 조합의 정확도를 평가합니다.
   3. 가장 정확한 조합을 선택하세요.
      참고: 이 단계의 관련성과 대안적 접근법에 대한 더 나은 이해는 Belgiu and Drăguţ⁷⁵, 그리고 Bergstra 등 ⁷⁶을 참조하십시오.
6. RF 모델을 최적의 매개변수 조합으로 적합시킵니다. 스크립트는 아웃 오브 백(Out-of-Bag) 오류와 변수 중요도를 기록합니다.
7. 예측 및 정확도 평가를 수행하세요.
   1. 래스터 스택과 검증 데이터셋의 모든 픽셀에 대해 식물 군집 클래스를 예측하세요. 분류 지도를 GeoTIFF로 내보내세요( 그림 7, 최종 출력의 그래프 시각화가 포함된 R 콘솔 스크린샷을 보여줍니다; 그림 7A 는 다중 스펙트럼 VI 입력 데이터셋을 사용할 때의 식물 군집 지도 산물을 보여주고, 그림 7B 는 RGB+DSM 데이터셋을 사용할 때의 식물 군집 지도 산물을 보여줍니다.
   2. 검증 세트에서 혼동 행렬, 정확도, F-1 점수, 정밀도, 회상 횟수를 계산합니다( 그림 8, VI 성능 순위를 보여주는 R 스크린샷을 보여줌; 그림 8A 는 다중 스펙트럼 VI를 입력 데이터셋으로 사용할 때 R 콘솔과 그래프의 스크린샷을 보여주며, 그림 8B 는 RGB+DSM 데이터셋을 사용할 때의 스크린샷을 보여줍니다; 그림 8A, B 뷰에는 "final_rf"라는 이름의 변수 중요도 그래프가 포함되어 있습니다). 이 지표들에 대한 자세한 내용은 Naidu 등의 ⁷⁷편 기사를 참고하시기 바랍니다.
8. QGIS 프로젝트를 재개하세요(2.5.2단계에서 생성되고 2.5.6 및 3.2.3에서 업데이트됨). 식물 군집 분류 지도(GeoTIFFs)를 추가합니다. QGIS 프로젝트를 저장해서 GIS 프로젝트를 업데이트하세요.
   1. 모든 지리공간 데이터셋(UAV 조사 지도, 지상 진실, VI, 식물 군집 분류 지도 등 GIS 프로젝트로서의 자료)을 공유하고 백업하려면 연구 현장 폴더로 가서 우클릭 후 압축(zip) 폴더로 보내> 선택하세요.
      참고: 전체 GIS 프로젝트 폴더는 상당한 데이터셋을 구성할 수 있습니다(이 40헥타르 사례 연구 데이터셋은 140GB를 넘었습니다). 필요하다면 파일 크기를 줄이기 위해 최종 결과와 실제 데이터셋만 전달하세요.

결과

식물 군집을 지도화하고 분류하는 반자동 방법은 해안 습지에 대해 정확한 토지 피복 정보를 생성하도록 설계되었으며, 이 습지는 이질적이고 저자라는 초본 식물이 우세하며 미지형학으로 특징지어집니다; 그림 1의 사진에서 그러한 서식지의 예를 볼 수 있습니다. 에스토니아 히우마아 섬의 발트해 북방 해안 습지에 대한 사례 연구가 수행되었습니다. 현장에서는 분류 모델 훈련을 위해 네 개의 식물 군락을 샘플링했습니다: 오픈 파이어니어(OP), 로어 쇼어(LS), 어퍼 쇼어(미국), 그리고 톨 그라스(TG). 그림 2 는 네 가지 뚜렷한 단계로 구현된 방법론에 대한 간결한 개요를 제공합니다. 반면, 그림 3 은 화살표로 연결된 번호가 매겨진 실행 가능한 단계들을 상세한 도표 가이드로 보여주어, 프로토콜의 각 단계와 단계에 걸친 방법론을 종합합니다. 이 방법의 최종 결과물은 다중 분광 센서와 RGB 센서를 활용하여 다중분광 및 RGB 기반 식물 군집 지도로, 모든 중간 데이터셋과 함께 GIS 프로젝트의 레이어로 저장됩니다. 지리공간 데이터셋의 품질은 각 프로토콜 단계가 완료될 때 평가되었으며, 이후 단계의 결과의 품질은 이전 단계의 결과에 따라 달라지며, 최종 단계에서 입력값이 이전 모든 단계의 합산을 구성합니다.

다음은 프로토콜의 네 단계 각각의 결과를 요약한 내용입니다:

1단계에서는 120m 고도에서 UAV 항공 조사가 실시되어 약 10cm/픽셀의 지상 샘플 거리(GSD)를 얻었습니다. 항공 조사는 다중분광 및 RGB 이미지를 생성했습니다. 운동학 후처리(PPK) 후, 각 드론 이미지에 대한 지오태그가 보정되었고, 전문 사진측량 소프트웨어로 모자이크되어 항공 측량 지도를 제작했습니다. 다중분광 항공 영상의 사진측량 처리를 통해 RED, GREEN, NIR, RED EDGE 반사율의 래스터 파일을 얻었습니다.

사진의 해상도가 본질적으로 다르기 때문에 다중스펙트럼 및 RGB 항공 이미지는 별도의 프로젝트로 처리되었습니다. RGB 이미지 모자이킹 설정의 그림 4 를 참조하세요. 그림 4A. 병합된 타일을 선택하고 매끄럽고 통합된 출력 지도를 생성하여 처리 옵션을 제공합니다. 그림 4B. RGB 카메라 이미지에서 자동 인덱스 계산을 선택해 네 개의 래스터 맵을 생성했는데, 하나는 밴드별로 하나(빨강, 초록, 파랑)이고 DSM(디지털 표면 모델)입니다. 그림 4C. 초기 처리 단계에서 겹치는 이미지 간 공통 픽셀을 자동으로 연결하는 방법을 시연합니다. 3개의 RGB(빨강, 초록, 파랑) 인덱스와 DSM과 함께, 사진측량 소프트웨어는 소프트웨어 생성 그레이스케일 래스터를 생성했습니다. 이는 단색 단일 채널 표현으로, 다양한 대역(예: 빨강, 초록, 파랑)을 스케일링하고 결합하며, 픽셀 값이 낮으면 검은색, 높은 픽셀 값은 흰색으로 나타납니다. 이 그레이스케일 지수의 공식화는 소프트웨어별로 적용되며, 사진측량 플랫폼 전반에 걸쳐 표준화되어 있지 않습니다.

사진측량 소프트웨어는 다중 분광 및 RGB 두 항공 이미지 모자이크 프로젝트 모두의 처리 결과를 설명하는 고품질 보고서를 생성했습니다. 이 보고서들은 정확성을 검증하는 주요 지표를 제공합니다. 고품질 결과의 지표는 낮은 재투영 오차입니다: 0에 가까울수록 좋습니다(일반적으로 1.0 미만이 허용됩니다). 예를 들어, 밀집된 '매칭 라인'은 대부분의 이미지 간에 강한 일치를 의미합니다. 출력 지도는 육안으로 평가되었고, 빈 공간이나 기타 시각적 불일치가 없음을 확인했습니다. 시각적 불일치는 반사와 모자이크 오류, 그리고 지오레퍼싱 그리드 문제의 근본적인 신호입니다. 사진측량 보고서와 특정 소프트웨어 매뉴얼 및 교육 자료를 통해 문제를 식별하고 해결책을 찾으며 항공 사진을 재처리합니다.

UAV 항공 조사 지도는 복잡한 스펙트럼 정보를 표준화된 픽셀 기반 인덱스(즉, 3단계에서 생성된 식생 지수)로 재계산하는 기준선 데이터셋 역할을 하여, 프로토콜의 마지막 단계에서 머신러닝 분류의 구조화된 입력으로 활용할 수 있게 했습니다.

현장 생물물리학적 관찰 데이터는 현장 진실 데이터셋으로 수집되었습니다. 사례 연구 현장(발트 해의 북방 해안 습지)에서는 네 가지 주요 관다발식물 군집이 확인되고 샘플링되었습니다: 오픈 파이어니어(OP), 로어 쇼어(LS), 어퍼 쇼어(미국), 그리고 톨 그래스(TG). 프로토콜 2단계에서 구분한 층별 사분면 표본 추출법을 활용하여, OP 식물 군락은 지표종인 Salicornia europaea 와 Suaeda maritima의 존재로 확인되었습니다; LS는 Glaux maritima와 Juncus geradii의 높은 비율로 인해 발생하며; 미국에서는 지표종으로 Festuca rubra 와 Leontodon autumnalis가 있습니다; 반면 TG는 키가 큰 풀들이 많이 자라서 Deschampsia cespitosa, Elytrigia repens, Molinia caerulea 가 특징입니다.각 식물 군집마다 최소 10개의 사분면 샘플이 수집되었습니다. 각 사분면 샘플에는 다음과 같은 생물물리학적 관찰이 포함되었습니다: 식물 종 구성(%), 토양 수분(%), 식생 높이(센티미터), 그리고 정확한 사분면 좌표 위치. 이 변수들은 표 데이터셋으로 디지털화되어 GIS 프로젝트에 가져와, 샘플 쿼드랫 GNSS 데이터 쉐이프파일에 추가된 후 GeoPackage(.gpkg)로 저장되었습니다. 이러한 플랫폼 독립 파일은 습지 식물 군집의 생물물리학적 관찰과 정확한 표본 좌표 데이터를 포함하며, 환경 및 생태계 평가 및 모델링이라는 두 가지 목적을 수행합니다. 무엇보다도, 이 프로토콜의 성공적인 실행을 위해 이 GeoPackage 파일은 4단계에서 설명된 머신러닝 과정의 모델 학습 및 검증 데이터 역할을 합니다. 식물 군집 코딩: OP, LS, US, TG; 머신러닝 과정에서 학습 라벨로 사용되었습니다. 정확성(고충실도 라벨, 인간 감사, 일관된 형식)과 구조(깔끔하고 직사각형 형식(행/열))는 고품질 실제 데이터셋을 만드는 데 필수적입니다. 근거 진실 라벨은 일관된 라벨링 규칙을 보장하기 위해 오류율(예: 오타)에 가깝게 해야 합니다. 예를 들어, "OP"가 실제 진실이라면, 중복을 피하기 위해 다른 방식으로 라벨링하지 않도록 하는 것이 필수적입니다.

프로토콜의 세 번째 단계를 실행하기 위해, 1단계에서 수행된 항공 조사 데이터셋을 사용해 원시 항공 조사 데이터를 식생 지수(VI)로 재계산했습니다. 첫째, 데이터셋 크기를 줄이고 컴퓨팅 과정을 간소화하기 위해, 사진 측량 출력은 연구 현장 경계 밖에서 관련 없거나 저품질 픽셀 데이터를 생략하기 위해 '클리핑' 처리되었습니다(GIS 소프트웨어에서 수행된 작업 예시 그림 5 참조).

그 후 RED, GREEN, NIR, RED EDGE 반사도 맵을 사용하여 19개의 다중분광 VI를 계산했습니다. 다음 다중분광 VI 래스터 파일이 생성되어 GIS 프로젝트에 포함되었습니다: Datt 지수 4 (Datt4)⁴¹, 향상된 식생 지수 (EVI)⁴², 녹색 엽록소 지수 (GCI)⁴³, 녹지 차이 지수 (GDI)⁴⁴, 일반화 차이 식생 지수(GDVI)⁴⁵, 녹색 적외선 백분율 식생 지수(GIPVI)⁴⁶, 녹색 정규화 차이 식생 지수 (GNDVI)⁴⁷, 녹색-적색 차이 지수 (GRDI)⁴⁴, 녹색-적색 식생 지수 (GRVI)⁴⁵, 수정 정규화 차이 식생 지수 (mNDVI)⁴⁸, 수정 토양 조정 식생 지수⁴⁹ (MSAVI: 그림 6 참조. MSAVI 공식 입력을 사용한 GIS 소프트웨어의 래스터 계산기 스크린샷), 수정 단순 비율 적선 가장자리 (MSRred_edge)⁵⁰, 정규화 차이 수분 지수 (NDWI)⁵¹, 정규화 차이 식생 지수 (NDVI)⁵², 적선 경계 NDVI (NDVIre)⁴⁷, 적선 삼각측량 식생 지수(RTVIcore)⁵⁰, 토양 조정 식생 지수(SAVI)^{53, 54}, 단순 비율(SR)⁵⁵, 적선 가장자리 단순 비율(SRre)⁴⁷.

또한, 총 23개의 RGB 기반 VI가 계산되어 GIS 프로젝트에 래스터 파일로 저장되어 추가 공간 분석을 위해 사용되었습니다: 청록 비율 지수(BGRI)⁵⁷, 밝기 지수(BI)⁵⁸, 청색 광동적 범위 식생 지수(BRVI)⁵⁹, 식생 색채 지수(CIVE)⁶⁰, 향상된 녹색 뷰 식생 지수(EGVI)⁶¹, 향상된 식생 지수(ERVI)⁶², 초과 녹색 지수 ExG 및 ExGI⁶³, 조합 지수(COM)⁶⁴, 녹색 색좌표(GCC)^34,65, 녹색 잎 지수(GLI)⁶⁶, 녹색-적색 식생 지수(GRVI)⁶⁷, 수정 녹색-빨간 식생 지수(MGRVI)⁶⁸, 정규화 녹색-파랑 차이 지수(NGBDI)⁶⁹, 정규화된 녹색-적색 차이 지수(NGRDI)⁶⁹, 적색-녹색-파랑 비율 지수 및 적-녹-푸른 식생 지수(RGBRI⁷⁰) RGBVI⁶⁸), 적녹색 비율 지수(RGRI)⁵⁷, 가시광 토양 조정 식생 지수(SAVI)⁵³, 삼각형 녹지수(TGI)⁶⁹, 가시광 대기 저항 지수(VARI)⁴⁷, 식생 지수(VEG)⁷¹, 우에베크케 지수(WI)⁶³.

최종 결과물에는 GIS 프로젝트 내에 GeoTIFF로 저장된 두 개의 별도 다중스펙트럼 및 RGB 식물 군집 분류 지도와 이전 모든 지리공간 데이터가 포함됩니다. 19개의 다중분광 VI와 지상 진실 데이터셋은 머신러닝 워크플로우(예: RF 알고리즘)에서 픽셀 단위 예측기로 사용되어 북방 해안 식물 군락(OP, LS, US, TG)을 분류하고 다중 스펙트럼 식물 군집 지도를 생성했습니다. 그리고 RGB 기반 예측기(25개의 RGB VI, 그레이스케일 인덱스, 그리고 정규화된⁵⁶개의 빨강, 파랑, 녹색 인덱스 및 DSM)와 함께 현장 진실 데이터셋을 사용하여 RGB 기반 식물 군집 지도를 분류하고 생성합니다(그림 7 참조). 최종 출력은 R 콘솔에 표시되었고; 그림 7A는 다중분광을, 그림 7B는 RGB 기반 식물 군집 지도를 나타냅니다.

최종 출력을 생성하기 위해 R 환경(프로토콜 4단계)을 사용하여 머신러닝 워크플로우(예: RF 알고리즘)를 스크립트화하고 실행하여, 식생 지수(VI) 성능 순위와 같은 중간 출력을 시각화할 수 있게 했습니다(그림 8). 식물 군집을 매핑하고 분류할 때, R 콘솔은 실시간 오류 메시지와 설명을 제공하여 문제 해결을 용이하게 하고 각 단계를 원활하게 진행할 수 있도록 했습니다.

이 연구는 식물 군집 분류 지도를 위한 두 가지 RF 알고리즘 모델을 평가하였습니다. 첫 번째 RF 모델은 다중 스펙트럼 VI를 입력 데이터셋으로 사용했으며, 검증 데이터셋에서 F1 점수 0.915로 92.34%의 정확도를 달성했습니다. 이는 유효한 결과로, F1 점수는 0(최악)에서 1(완벽)까지 다양하며, 점수가 높을수록 우수한 성과를 나타냅니다. RF 모델에서 F1 점수는 정밀도와 회상의 조화평균을 나타냅니다. 이 지표는 거짓 양성과 음성을 효과적으로 균형 있게 조절하여, 한 가지 유형의 오류가 다른 유형의 오류를 능가하지 않도록 하여 불균형 데이터셋에 필수적이며, 전체 모델 성능을 평가하기 위해 클래스 간 평균화나 클래스별로 자주 보고됩니다^78,79. 다중 스펙트럼 모델의 OOB 오류율은 7.75%로, 오분류 위험이 중간 정도임을 나타냈습니다. 검증 데이터셋의 클래스별 F1 점수는 TG 기준 0.845에서 OP 식물 군집 내 0.984 사이로, 군집 간 성능 변동성이 중간 정도임을 나타냈습니다.

두 번째 평가된 RF 모델은 RGB 항공 조사에서 도출된 VI와 DSM을 기반으로 하여 98.89%의 정확도와 전체 F1 점수 0.987을 달성했습니다. OOB 오류율은 1.14%에 불과해 매우 높은 신뢰성을 반영합니다. 학급별 F1 점수는 일관되게 높았으며(0.986–0.993), 모든 공동체에서 견고한 분류를 나타냈다.

R의 변수 중요도 그래프(그림 8A)는 각 VI가 북방 해안 습지 식물 군집에 대한 예측 능력을 보여주었다. 가장 영향력 있는 다중분경 VI는 수관의 녹색과 생량에 대한 강한 민감성을 나타내는 mNDVI와 SR이었습니다. 마찬가지로 GRDI, NDVI, NDVIre, SRre 역시 높은 순위를 차지했는데, 이는 식생 유형을 구별하는 데 있어 적선 경계와 정규화 차이 지수의 역할을 반영합니다. 반면, RGB 기반 지수와 DSM 변수 중요도 그래프는 DSM 기반 구조 높이 모델이 예측 변수로서 분류 정확도의 핵심 동인임을 보여줍니다(그림 8B). 기타 중요한 예측 변수로는 RGB 반사율 변동성을 활용하는 TGI, 그레이스케일, VARI가 있습니다. 따라서 이 결과는 DSM과 RGB 유도 지수가 분류 신뢰도를 크게 향상시키고 오분류 위험을 줄인다는 것을 나타냅니다.

전체 지리공간 데이터셋은 GIS 프로젝트라는 폴더로 저장되었으며, UAV 조사 및 VI 래스터 지도, 생물물리학적 관측 GeoPackage(지상 진실), 식물 군집 지도가 포함되어 있습니다; 모두 QGIS 프로젝트(.qgz 파일)로 연결되어 있습니다. 이 프로젝트는 오프라인 사용에 적합하며 GIS 플랫폼 간 상호운용성을 가능하게 합니다.

그림 1: 연구 현장. 전 세계 지도에 위치 핀을 꽂은 사진으로, 서부 에스토니아 군도의 히우마아 섬을 가리키고 있습니다. 연구 장소인 코르게사레 란나니트는 비스코사 마을에 위치해 있으며 자연보호구역입니다. 서식지 유형: 북방 발트 해안 초원(Natura 2000 코드 1630). 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 2: 개념적 워크플로우 다이어그램. (1) UAV 기반 항공 조사, (2) 현장 데이터 수집 및 지리 참조, (3) 식생 지수 계산, (4) R의 무작위 숲을 이용한 감독 하 분류. 프로토콜 구현의 실제 지도가 이 4단계 방법을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 3: 상세한 워크플로우 다이어그램. 도표는 프로토콜의 4단계(및 주요 단계)를 다양한 색상의 패널로 나열하며, 각 단계에서 생성된 데이터셋을 함께 보여줍니다. 아로는 데이터 흐름을 상징합니다. 파란색은 다중분광 데이터셋과 빨간색의 RGB를 구분합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 4: 사진측량 소프트웨어 예시. (A–C) RGB 이미지 모자이크 프로젝트 스크린샷: (A) DSM 및 정교 모자이크의 처리 옵션. (B) 빨간색, 녹색, 파란색 지수에 대한 처리 옵션. (C) 항공 이미지 및 카메라 앵글을 포함한 처리 진행 상황 보기 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 5. GIS 소프트웨어에서 지도 래스터 파일을 클리핑하는 방법. QGIS 작업 공간의 스크린샷으로, 불필요한 데이터를 클리핑하는 방법을 시연하는 탭과 연속된 레이어가 있습니다: Extent by Raster-extraction-clip 래스터(여기서 "extent"는 원하는 대로 그려져 경계 밖에 떨어지는 픽셀을 마스킹하는 폴리곤 모양을 의미합니다). 이 그림의 더 큰 버전을 보려면 여기를 클릭하세요.

그림 6. GIS 소프트웨어 래스터 계산기 스크린샷. 예를 들어, 수정된 토양 보정 식생 지수(MSAVI) 공식 입력. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 7. R 버전 통계 컴퓨팅 환경: R 콘솔(RStudio)에서 최종 출력을 보여주는 스크린샷. (A) 다중분광 및 (B) RGB 기반 식물 군집 지도. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 8. R 성능 순위를 보여주는 통계 컴퓨팅 환경. (A, B) R 콘솔의 뷰: (A) 멀티스펙트럴 VI를 입력 데이터셋으로 사용할 때의 스크린샷, (B) RGB+DSM 데이터셋을 사용할 때의 스크린샷. (A와 B) 뷰 모두 "final_rf"(스크립트 생성 객체 이름)라는 변수 중요도 플롯을 포함합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

보조 파일 1: 식생 지수 방정식. 이 프로토콜에서 사용되는 다중 스펙트럼 및 RGB 기반 식생 지수(VI) 방정식 목록과 RGB VI 계산 전 RGB 밴드 정규화 공식을 포함합니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 파일 2: RF 분류 및 검증 스크립트.R. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

토론

프로토콜의 핵심 단계는 1단계인 UAV 조사와 2단계인 현장 조사로, 생물물리학적 관측 데이터를 수집하고 실제 데이터셋을 수집합니다. 두 가지 모두 날씨에 따라 달라지며, 반드시 가까운 곳에서 이루어져야 합니다. 또한 두 방법 모두 높은 좌표 정밀도(사례 연구에서 1–3 cm 정밀도를 달성함)를 제공하는 지리공간 데이터셋을 제공해야 합니다. 식생 지수 계산과 머신러닝 프로세스의 성공은 UAV 조사의 데이터 품질과 현장 진실에 직접적으로 달려 있습니다. UAV 측량 지도 정확도를 달성하기 위한 중요한 단계는 1.4단계, 비행 후 절차에 설명되어 있습니다. 후처리/이미지 지오태깅이 접근 불가능한 RINEX 데이터를 사용하는 경우, 대안으로는 실시간 RTK 기지국을 사용하는 것이 있습니다. 이는 비행 중 드론에 실시간 GNSS 보정 신호를 제공합니다(설정 지침 예시가 있는 Movchan et ^al.37 영상 기사 참조).

데이터 수집 전에 연구 현장을 방문하여 경관에 대한 체험적 지식을 얻고, 관심 있는 식물 군락을 식별하며, 현장에서 식물 군집 구성을 설명하기 위해 어떤 생물물리학적 관찰을 실질적으로 수집할 수 있는지 결정해야 합니다. 각 연구 장소는 기후대에 의해 형성된 뚜렷한 지형과 식물상을 보이기 때문에, 식물 종을 식별하는 것은 정확한 토지 피복 지도를 위해 필수적입니다. 종별 생화학적, 구조적, 생리학적 특성은 고유한 스펙트럼 반사율 신호를 만들어냅니다. 각 샘플링 쿼드랫에 대해 좌표는 GNSS/RTK 장비와 토지 측량 소프트웨어를 사용해 네 모서리에 기록하고, 쿼드랏 식별 코드를 입력하여 저장해야 합니다. 사분면 내에서 수집된 모든 추가 생물물리학적 관측 또는 샘플은 이 좌표와 연동되어 모든 측정값이 지리공간 데이터셋에 고정되고, 식물 군집 분류 및 이후 통계 분석 또는 생태 모델링을 위해 균일한 표 형식으로 집계될 수 있어야 합니다. 샘플링된 사분들은 훈련 지점으로 표시되며, 군집 이름/코드가 붙어 있습니다(예: 이 훈련 세트에서는 OP, LS, US, TG였습니다). 랜덤 포레스트(RF)는 각 라벨과 연관된 픽셀 패턴을 학습합니다. RF 분류의 최종 결과는 현장 조사 중 제공된 쿼드랫 훈련 샘플을 바탕으로 연구 현장 내 식물 군집 라벨의 분포를 보여주는 지도입니다.

3단계(식생 지수 계산)와 4단계(무작위 숲을 이용한 R 기반 감독 분류)는 상호 의존적이며 매우 수정 가능하다. 예를 들어, 보충 파일 1에는 다중 스펙트럼 밴드에서 지수를 계산하는 19개의 수학 공식과 RGB 항공 조사 데이터 재계산을 위한 23개의 공식이 나열되어 있습니다. 그럼에도 불구하고, VI는 연구자들에 의해 공식화되기 때문에, 방정식은 오픈 소스이며 동료 검토 논문과 스펙트럼 지수 데이터베이스에 게재되어^{있습니다.} 식물 군집 지도를 분류하기 위한 기계 학습 과정에서 테스트할 수 있는 공식이 제공된 것보다 더 많습니다. 데이터셋의 변경은 알고리즘의 성능에 영향을 미칩니다. VI는 테스트 모델에 추가하거나 생략할 수 있습니다. 다중분광 및 RGB 기반 데이터셋에서 도출된 두 개의 최종 식물 군집 지도가 제공되면서 모델 성능을 비교할 수 있는 기회가 되었습니다. RGB 모델은 98.89%를 기록했지만, 그렇다고 해서 센서가 더 낮은 점수를 받은 멀티스펙트럴 센서보다 우수하다는 의미는 아닙니다. RGB 기반 데이터는 색상과 높이에 의존하는데, 이는 구조적으로 다양한 서식지의 토지 덮개 지도를 분류하는 데 효율적일 수 있습니다 ^9,33. 반면, 다중분광 영상은 외형뿐만 아니라 식물 생리학에 대한 더 많은 정보를 제공하며, 유사한 색상과 그림자 저항성을 가진 식생 유형을 구별하는 데 더 우수할 수 있습니다(예: 식물이 강하게 반사하는 NIR 빛은 부분적으로 그늘이 가려져 있어도 포착 가능합니다⁸¹). RGB 센서만 사용하는 것은 좁은 스펙트럼 범위(빨강, 초록, 파랑)에 제한이 있는데, 이는 미묘한 생화학적 및 생리학적 차이(예: 엽록소 함량, 수분 스트레스)가 NIR, 적색 가장자리, 또는 하이퍼스펙트럼 밴드 없이는 감지되지 않을 수 있기 때문입니다.

이 방법의 주요 한계는 비용이 많이 드는 UAV 시스템과 시연된 사진측량 기술일 수 있습니다. 하지만 이 방법은 이 프로토콜을 복제하기 위해 다중 스펙트럼 센서와 RGB 카메라를 상호 교환하여 사용할 수 있도록 설계되었습니다. 이 프로토콜을 구현하기 위해 다중분광 및 RGB 센서(세쿼이아)와 eMotion 비행 관리 소프트웨어가 장착된 eBee X 고정익 UAV 시스템이 사용되었으며; 다른 UAV 시스템도 다중 스펙트럼 센서 및/또는 RGB 카메라, 비행 관리 소프트웨어의 임무 계획 기능, 90도 나디르 카메라 방향, 그리고 사용자가 접근 가능한 비행 기록(비행 후 지오태깅 기능) 또는 RTK 기능을 포함하면 제공된 프로토콜을 재현할 수 있습니다. 더불어, 비조종사도 계약된 조종사가 모든 법적 및 운영 요건을 충족하는 경우에 UAV 조사를 하청할 수 있으며, 이는 연구, 보전, 환경 모니터링에서 흔한 관행입니다; 그러나 연구팀은 연구 장소 정의와 조사 시기 결정 등 기본적인 임무 설계에 대한 책임을 계속 맡고 있습니다. 따라서 비 UAV 조종사도 프로토콜의 1단계를 숙지하도록 권장합니다. 또한, 시연된 사진측량 소프트웨어는 프로토콜을 성공적으로 구현하는 데 사용될 수 있으며, 비용 절감을 위해 단기간 라이선스를 받을 수도 있습니다.

이 프로토콜의 주목할 만한 장점은 다중 스펙트럼 및 표준 RGB UAV 카메라 모두와의 호환성입니다. 예산이 한정된 연구팀과 보전 실무자들이 채택할 수 있으며, 지역과 기관 전반에 걸쳐 확장 가능하여 장기 모니터링에 적합합니다. 이러한 하드웨어 독립성 덕분에 워크플로우는 미래 지향적이고 하드웨어에 구애받지 못할 수 있도록 보장합니다. RGB 및 다중 스펙트럼 조사 데이터를 모두 사용할 수 있기 때문에, 워크플로우는 여러 지점 간 비교, 장비 변경에도 불구하고 장기 시계열, 그리고 구(역사적) RGB 데이터셋 통합을 지원합니다.

향후 이 프로토콜의 개선에는 고해상도 이미지에서 파생된 텍스처 지표를 도입하여 식생의 구조적 차이를 더 잘 포착할 수 있습니다. 이와 관련하여, RGB와 다중분광 이미지를 결합한 RF 모델 앙상블을 탐색하는 것이 분류 정확도를 향상시킬 수 있습니다. 또한, UAV 기반 식물 군집 지도를 위성 이미지로 업스케일링하고 클라우드 기반 플랫폼과 결합하는 향후 권고안이 있을 경우 대규모 생태계 모델링⁸²가 가능해질 것입니다. UAV 데이터는 정확한 지역사회 수준 지도 작성에 필요한 센티미터 규모의 구조 및 분광 세부사항을 포착하는 데 필수적이지만, 위성 이미지는 추가 예측 계층이나 더 넓은 맥락적 입력 역할을 할 수 있습니다. 위성 기반 변수를 RF 모델에 통합하면 더 넓은 공간 범위에 걸쳐 일반화하고 다중 규모 서식지 평가를 지원하는 능력이 향상될 수 있습니다. 이 하이브리드 접근법은 UAV 기반 커뮤니티 지도를 더 넓은 경관 관점에 중첩하여 지역 패턴을 탐지하고, UAV 조사 위치를 우선순위 정하며, 장기 모니터링 체계를 강화할 수 있게 합니다. 위성 데이터를 RF 파이프라인 내에서 UAV 입력과 조화시키는 방법을 탐구하는 것은 프로토콜의 확장성과 운영 유용성을 확장할 수 있는 연구 기회입니다.

UAV 영상, 현장 조사, 식생 지수, AI 지원 분류를 하나의 재현 가능한 워크플로우로 통합하는 것은 공간적, 분광적, 생태학적 세부 정보를 제공하여 저성장 식생의 정확한 지도화를 가능하게 합니다. UAV 기반 원격 탐사는 과학계에서 점점 더 주목받고 있으며, 특히 해안 환경 모니터링⁸³ 등 다양한 응용 분야에서 널리 사용되는 도구로 빠르게 발전했습니다. 이 방법은 UAV 기반의 머신러닝 지원 워크플로우를 교육 및 연구에서 실질적으로 안내하며, 해안 생태계 내 자연 또는 반자연 초원의 생태 복원과 모니터링을 지원하도록 설계되었습니다.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
eBee X	senseFly/AgEagle	eBee X, https://www.sensefly.com/drones/ebee-x/	UAV 시스템 eBee X는 전문 고정 날개형 매핑 드론입니다. 대체 매핑 드론 시스템을 사용할 수 있습니다
eMotion	senseFly/AgEagle	https://www.sensefly.com/drone-software/emotion/	드론 비행 임무 계획 및 항공 데이터 관리에 사용됩니다. eMotion 소프트웨어는 eBeeX 드론 시스템의 무료 부분입니다
외장 하드 드라이브	모든 공급업체	NA	연구 지역 크기 프로젝트 크기에 따라 크기가 다릅니다 (250 GB - 1TB)
현장 작업용 노트북	모든 공급업체	NA	현장 작업에 적합하고 휴대 가능한 기기로 드론 비행 관리 소프트웨어를 실행합니다 (eMotion 사양 기준:  64비트 Windows 10/11; Intel Core i5/i7 (12세대 이상) 또는 AMD Ryzen 5/7 (>3.5 GHz) - 높은 클록 속도가 코어 수보다 중요함; 최소 16GB (32GB+ 강력 권장); 중간 범위의 NVIDIA GTX/RTX (예: RTX 3060/4060); NVMe SSD (필수).
GNSS/RTK 시스템 Trimble	Trimble Inc.	모델  R10	토지 측량 소프트웨어가 있는 수신기와 예비 배터리가 있습니다. 대체 GNSS/RTK 시스템도 사용할 수 있습니다.
풀 가위	모든 공급업체	NA	바이오매스 샘플링 (선택 사항)
Pix4Dmapper	Pix4D	https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/	사진측량 소프트웨어: Pix4Dmapper는 월별 또는 연간 기준으로 라이선스를 사용할 수 있습니다. 이 프로토콜을 구현하기 위해 대체 사진측량 소프트웨어를 사용할 수 있습니다.
식물 식별 가이드	모든 공급업체	NA	생물물리적 관찰을 수행하는 데 사용됩니다 (온라인, 책 또는 인쇄 로컬 식물 ID 가이드)
QGIS	QGIS	3.44.9 Solothurn	무료 및 오픈 소스 GIS 소프트웨어로, https://qgis.org/에서 사용할 수 있습니다. 이 프로토콜을 구현하기 위해 대체 GIS 소프트웨어를 사용할 수 있습니다
1 m x 1 m의 쿼드라트 프레임	모든 공급업체	NA	2단계에서 현장 작업/샘플링에 사용되며 생물물리적 관찰을 수행할 수 있으며 직접 만들 수 있습니다
R	R-Software Services	버전 4.2.0, https://cran.r-project.org	통계 컴퓨팅 및 그래픽, 데이터 분석 및 예측 모델링에 널리 사용되는 오픈 소스 예측 다운로드 모델링 환경입니다.
RStudio	R-Software Services	버전 2024.4.0.735, https//posit.co/download/rstudio/
Rtools	R-Software Services	https://cran.r-project.org/bin/windows/Rtools/	일부 패키지는 소스 코드에서 컴파일해야 할 수 있습니다. 사용된 주요 패키지: terra 1.5 21, sp 1.5 0, sf 1.0 15, rgdal 1.6 6, raster 3.5 15, rsample 1.3 1, MLmetrics 1.1 1, 및 randomForest 4.7 1.1.
스케일 (배터리 구동, 수평, 정밀도 ±1 g)	모든 공급업체	NA	현장 작업에 내구성이 뛰어납니다
Sequoia	Parrot SA	Parrot SEQUOIA+	다중 스펙트럼/RGB 센서로 1단계에서 사용됩니다. RGB 및/또는 다중 스펙트럼 센서 (많은 전문 드론에는 하나 또는 두 개의 센서가 포함됨). 이 프로토콜을 구현하기 위해 Parrot SEQUOIA+ (Parrot SA 회사)를 사용합니다
토양 수분 판독기	모든 공급업체	NA
UAV 예보 날씨 앱	모든 공급업체	NA	비행 계획을 위해 https://www.uavforecast.com/을 사용합니다
WET 센서 키트	Delta T Devices	WET-UM-1.6	토양 수분 센서 (선택 사항)
워크스테이션	모든 공급업체	NA	사진측량 프로젝트 및 R에서 기계 학습의 원활한 처리에 필요한 최적 사양 (Pix4Dmapper 소프트웨어 요구 사항 기준: Windows 10/11, 64비트; CPU 쿼드 코어 또는 헥사 코어 Intel i9/Threadripper/Ryzen 9/; OpenGL 3.2과 호환되는 GeForce GTX GPU 및 2GB RAM; 하드 디스크: SSD;