인공지능기술 활용 침엽수 검출 기법 연구보고서

│참여연구진│ 연 구 진 구. 분. 연구책임. 이. 름. 직. 위. 김진원. 연 구 원. 박주흠. 대. 표. 김형수. 팀. 장. 임해웅. 팀. 장. 김경호. 매 니 저. 박진용. 매 니 저. 장지용. 매 니 저. 소. 속. 국립공원연구원. 공동연구. ㈜다비오. 연구지원 이. 름. 직. 위. 소. 최승운. 원. 채희영. 정책개발실장. 심규원. 융합연구부장. 속. 장. 전자영. 연. 구. 원. 박준희. 연. 구. 원. 국립공원연구원.



│목차│ Ⅰ. 연구 개요 ·································································································3 1. 배경 및 목적 ··································································································3 가. 연구 배경 ·········································································································3 나. 연구 목적 ···········································································································4. 2. 연구 범위 및 방법 ·························································································5 가. 연구 범위 ···········································································································5 나. 연구 방법 ···········································································································6. 3. 유사 연구 사례 ······························································································7 가. 연구 동향 ···········································································································7 나. 합성곱 신경망 모델을 통한 수목 피복 지도 자동구축 사례 ···························8 다. 객체기반영상분석을 통한 수목 개체 식별 및 피복 지도 작성 사례 ··············9. Ⅱ. 아고산대 침엽수 고사목 자동검출방법 ·················································13 1. 항공영상 자료 수집 ·····················································································13 2. 학습데이터 구축 ···························································································14 3. 고사목 자동검출 모델개발 및 결과활용 ·····················································16 가. 고사목 자동검출 모델개발 및 검출 정확도․정밀도 산출 ·······························16 나. 공원별 고사 밀도 분석 ···················································································18.

│목차│ Ⅲ. 공원별 침엽수 고사목 자동검출결과 ····················································21 1. 공원별 침엽수 고사목 검출결과 분석 ·························································21 가. 지리산국립공원 ································································································21 나. 설악산국립공원 ································································································22 다. 오대산국립공원 ································································································23 라. 태백산국립공원 ································································································24 마. 소백산국립공원 ································································································25 바. 덕유산국립공원 ································································································26 사. 한라산국립공원 ································································································27 아. 7개 공원 침엽수 고사목 검출현황 종합 ························································28. 2. 공원별 침엽수 고사 밀도 분석 ···································································29 가. 지리산국립공원 ································································································29 나. 설악산국립공원 ································································································31 다. 오대산국립공원 ································································································33 라. 태백산국립공원 ································································································35 마. 소백산국립공원 ································································································37 바. 덕유산국립공원 ································································································39 사. 한라산국립공원 ································································································41. Ⅳ. 결론 및 제언 ·························································································45 1. 결론 ··············································································································45 2. 제언 ··············································································································47. Ⅴ. 참고문헌 ·································································································51.

│표목차│ [표 1] 공원별 활용한 항공영상 규격 ···································································································13 [표 2] 공원별 침엽수 고사목 학습데이터 구축 현황 ···········································································14 [표 3] 지리산국립공원 침엽수 고사목 검출결과 ················································································21 [표 4] 설악산국립공원 침엽수 고사목 검출결과 ················································································22 [표 5] 오대산국립공원 침엽수 고사목 검출결과 ················································································23 [표 6] 태백산국립공원 침엽수 고사목 검출결과 ··················································································24 [표 7] 소백산국립공원 침엽수 고사목 검출결과 ··················································································25 [표 8] 덕유산국립공원 침엽수 고사목 검출결과 ··················································································26 [표 9] 한라산국립공원 침엽수 고사목 검출결과 ··················································································27 [표 10] 지리산국립공원 단위면적당(1ha) 침엽수 고사현황 ································································30 [표 11] 설악산국립공원 단위면적당(1ha) 침엽수 고사현황 ································································32 [표 12] 오대산국립공원 단위면적당(1ha) 침엽수 고사현황 ································································34 [표 13] 태백산국립공원 단위면적당(1ha) 침엽수 고사현황 ································································36 [표 14] 소백산국립공원 단위면적당(1ha) 침엽수 고사현황 ································································38 [표 15] 덕유산국립공원 단위면적당(1ha) 침엽수 고사현황 ································································40 [표 16] 한라산국립공원 단위면적당(1ha) 침엽수 고사현황 ································································42 [표 17] 입체항공영상 판독시스템 활용 연도별 반야봉, 영신봉, 천왕봉, 대상지역 생육밀도 분석결과 ······48.

│그림목차│ [그림 1] 아고산생태계 상록침엽수 쇠퇴 현황(좌: 지리산, 우: 설악산) ················································3 [그림 2] 인공지능기술 활용 상록침엽수 고사목 자동검출 연구 추진경과 ···········································5 [그림 3] 원격탐사기법을 활용한 산림자원조사 연구동향 ······································································7 [그림 4] 수목 피복 지도 작성 모습 ·······································································································9 [그림 5] 수목 객체인식(좌) 및 피복 지도 작성 모습(우) ····································································10 [그림 6] 상록침엽수 고사목 학습데이터 구축 모습 ·············································································15 [그림 7] 인공지능기술 활용 상록침엽수 고사목 자동검출 프로세스 ················································16 [그림 8] 검출 정확도 및 정밀도 모식도 ······························································································17 [그림 9] 지리산국립공원 침엽수 고사 현황 ·························································································29 [그림 10] 지리산국립공원 단위면적당 침엽수 고사현황 ·····································································30 [그림 11] 지리산국립공원 침엽수 고사 현황 ·······················································································31 [그림 12] 설악산국립공원 단위면적당 침엽수 고사현황 ·····································································32 [그림 13] 오대산국립공원 침엽수 고사 현황 ·······················································································33 [그림 14] 오대산국립공원 단위면적당 침엽수 고사현황 ·····································································34 [그림 15] 태백산국립공원 침엽수 고사 현황 ·······················································································35 [그림 16] 태백산국립공원 단위면적당 침엽수 고사현황 ·····································································36 [그림 17] 소백산국립공원 침엽수 고사 현황 ·······················································································37 [그림 18] 소백산국립공원 단위면적당 침엽수 고사현황 ···································································38 [그림 19] 소백산국립공원 침엽수 고사 현황 ·······················································································39 [그림 20] 덕유산국립공원 단위면적당 침엽수 고사현황 ·····································································40 [그림 21] 한라산국립공원 침엽수 고사 현황 ·······················································································41 [그림 22] 한라산국립공원 단위면적당 침엽수 고사현황 ·····································································42 [그림 23] 동일 해상도의 덕유산 및 지리산국립공원 항공영상 비교 ·················································46 [그림 24] 동일 고사목 중복 검출 모습 및 라이다영상 활용 수목 객체 인식 개선 사례 ················47.

Ⅰ. 연구개요.



Ⅰ. 연구 개요 1. 배경 및 목적. Ⅰ. 연구 개요 1. 배경 및 목적. 가. 연구 배경 아고산생태계 상록침엽수 쇠퇴 가속화에 따른 고사 실태 파악 요구도 증진 아고산생태계는 상록침엽수군락이 주로 숲을 이루고 있는데 이러한 상록침엽수군락 자생지 곳곳에서 최근 쇠퇴 및 고사현상이 관찰되고 있음. 특히 상록침엽수 중 구상나무와 같이 한국 고유종의 쇠퇴 또한 진행되고 있어 이에 대한 사회적 우려가 큼 특히 아고산생태계는 백두대간을 중심으로 국립공원에 주로 분포하기 때문에 상록침엽수군락의 보전은 국립공원 생태계 보전 및 관리에 있어 중요함. 상록침엽수 쇠퇴가 가시화됨에 따라 공원 관리 및 보전을 위하여 우선적으로 국립공원 내 상록침엽수 고사 실태 조사 자료 구축이 요구됨. <지리산국립공원 영신봉 일원>. <설악산국립공원 귀때기청봉-대청봉 일원>. 서서 고사한 상록침엽수 쓰러져 고사한 상록침엽수 [그림 1] 아고산생태계 상록침엽수 쇠퇴 현황(좌: 지리산, 우: 설악산). │인공지능기술 활용 침엽수 검출기법 연구│3.

상록침엽수 고사 실태 파악을 위한 현장 및 원격조사의 한계 발생 상록침엽수 고사 실태 파악을 위하여 고정조사구법을 활용한 현장조사를 통하여 매년 생육목, 고사목, 후계목 개체수를 파악하고 있으나 넓은 면적을 대상으로 할 수 없고 고지대 특성상 급경사지 등이 많아 안전문제가 발생할 수 있는 우려가 있음 현장조사의 한계를 극복하기 위하여 입체항공영상 판독시스템(원격조사기법)을 활용하여 보다 넓은 면적을 대상으로 고사목에 대한 위치정보를 구축하였으나 단순·반복 업무로 조사자의 피로도가 누적되는 한계가 발생함 단순·반복 업무의 자동화 방안 필요성 증대 최근 국내에서 디지털 뉴딜 정책 이행 노력이 다양한 분야에서 이루어지고 있으며 자연생태계 분야에 있어서도 인공지능기술이 급속도로 적용되고 있음 국립공원공단에서는 고사목 위치정보 구축 및 개수를 파악하는 단순·반복적인 업무에 인공 지능기술을 적용하여 고사 현황 진단의 효율성 개선하고자 하는 노력을 2019년부터 진행해 옴 2019년에는 시범적으로 지리산 주요 3개 봉우리(반야봉, 영신봉, 천왕봉) 대상 인공지능기술을 활용하여 고사목을 자동 검출하였고, 2020년에는 지리산 아고산대 상록침엽수림 분포 전역 대상으로 영역을 확대하여 기술을 적용한 바 있음 해당 기술을 통하여 단시간 내 광범위한 지역의 분석, 단순‧반복 업무 자동화 가능성이 검증 완료되었으며, 이를 기반으로 지리산 외 다른 아고산생태계 분포 국립공원 대상으로 확대 적용 하여 주요 국립공원 내 상록침엽수 고사 실태를 종합 분석할 필요 있음. 나. 연구 목적 아고산생태계 상록침엽수 고사목 개체수를 파악하는 단순·반복적인 업무에 인공지능기술 적용 하여 고사 현황 진단 효율성 개선 고해상도 항공영상 기반 고사목 자동검출 기술 개발하여 업무 효율성 증진. 4│국립공원공단│국립공원연구원│.

Ⅰ. 연구 개요 2. 연구 범위 및 방법. 2. 연구 범위 및 방법. 가. 연구 범위 공간적 범위 아고산생태계 상록침엽수 분포 주요 공원 7개소 대상 - 설악산·태백산·오대산·소백산·덕유산·지리산·한라산국립공원 ※ 지리산국립공원의 경우 과거 분석에는 2018년도 영상 활용하여 2020년 영상 확보에 따라 분석 실시 내용적 범위 아고산생태계 상록침엽수 고사목 자동검출 및 공원별 고사현황 분석. [그림 2] 인공지능기술 활용 상록침엽수 고사목 자동검출 연구 추진경과. │인공지능기술 활용 침엽수 검출기법 연구│5.

나. 연구 방법 항공영상자료 수집 각 공원별 상록침엽수 고사목 식별이 용이한 고해상도의 항공영상자료 수집 - 침엽수 고사목의 형태 식별이 용이한 고해상도(10cm급) 영상, 경쟁활엽수의 잎이 달리기 전 또는 낙엽이 졌을 때 촬영된 항공영상자료를 활용 학습데이터 구축 각 공원별 항공영상 상에서 침엽수 고사목 학습데이터 구축 - 서서 고사한 형태, 쓰러져서 고사한 형태의 학습데이터 구축 - 국립공원공단에서 공원별 구축한 상록침엽수 분포도(‘16년)에서 일정 면적 대상 방형구 설정하여 누락 없이 학습데이터 구축 고사목 자동검출 모델 개발 및 결과도출 CNN(합성곱신명망모델) 기반 DabeeoNet(다비오 고유 알고리즘)을 적용하여 검출을 진행 - 각 공원별로 구축된 고사목 학습데이터를 모두 사용하여 산 별로 검출 수행 - ’20년 수행 모델 대비 보다 진화된 알고리즘 사용으로 검출률 및 정확도 향상 목표. 6│국립공원공단│국립공원연구원│.

Ⅰ. 연구 개요 3. 유사 연구 사례. 3. 유사 연구 사례. 가. 연구 동향 2000년대 후반부터 원격탐사를 통한 산림자원조사 연구가 수행되기 시작함 초분광영상, 근적외선영상 등을 활용하여 RGB값을 통해 식생 유형 구분을 하고, 식생 지수 등을 통한 활력도, 수목 고사 피해지를 감지하였음(Murtha, 1978; 김유승, 2007; Heurich et al., 2010) 연구 초기에는 주로 면적 단위로 연구가 수행되었으나, 최근에는 객체 단위의 연구가 수행되기 시작함 수관 경계의 정확도를 향상하여 객체 단위 식별 용이성을 증진하기 위한 연구(Stereńczak et al.,. 2008), 라이다 및 정사영상 활용 수목 객체 감지 연구(김의명, 2013; 임원택,. 2016; Hamraz et al., 2019; Weinstein et al., 2019) 등 이루어짐 객체 단위 인식 관련 이를 자동화하는 연구도 국외를 중심으로 활발하게 연구가 진행 중임 이와 관련하여 드론 및 라이다 영상 등 활용하고 인공지능모델 개발을 통해 수목 객체 검출을 자동화하는 연구(이수지 등, 2014; Hamraz et al., 2019; Sylvain et al., 2019; Weinstein. et al., 2019; Safonova et al., 2019)가 다수 수행되었음 대부분의 연구에서 원격탐사기법을 통해 식생 피복 지도를 작성하였는데 이와 같은 식생 피복 지도는 광범위한 산림 상태를 파악하는데 효율적이며 산림 관리에 있어서도 활용성이 높음. [그림 3] 원격탐사기법을 활용한 산림자원조사 연구동향. │인공지능기술 활용 침엽수 검출기법 연구│7.

나. 합성곱 신경망 모델을 통한 수목 피복 지도 자동구축 사례1) 수목 고사는 산림생태계에 있어 산림 건강성 평가, 임분 동태 및 생산성 분석, 숲가꾸기 계획 수립 등을 결정하는데 있어 중요함 그러나 수목 고사 현황을 조사하기는 쉽지 않기 때문에 항공영상 상에서 수목 고사를 자동 판독할 수 있는 방법에 대한 연구가 진행됨 캐나다 퀘백 지역의 산림을 대상으로 진행하였고 산림 구조의 다양성이 고려될 수 있도록 온대낙엽수림, 혼효림, 한대림이 모두 포함된 지역을 선정하였음 항공영상은 2007년에 촬영된 20cm급 해상도의 디지털 항공영상을 활용함 해당 항공영상 상에서 1ha 크기의 315개의 방형구를 무작위로 선정하여 학습데이터를 구축함 학습데이터 유형은 수목의 유형 및 기능에 따라 침엽수/활엽수, 생육/고사로 구분하였고, 290,000개 이상의 학습데이터를 구축함 학습데이터 dataset은 다시 모델 학습, 오류 검증용 등에 목적에 따라 calibration(60%), validation(10%), test(30%) dataset으로 구분하여 모델에 활용함 CNN 모델(합성곱 신경망, Convolution Neural Networks)을 활용하였고 정확도를 평가함 모델 구동 결과, 고사한 침엽수의 정확도는 79~85%, 고사한 활엽수는 67~74%, 살아있는 침엽수는 79~82%, 살아있는 활엽수는 87~91%로 나타났음 침엽수와 활엽수를 구분하는 것보다 고사 여부를 판단하는 것이 더욱 정확도가 높게 나타남. 1) Sylvain et al.(2019) Mapping dead forest cover using a deep convolutional neural network and digital aerial photography. Journal of Photogrammetry and Remote Sensing 156: 14-26.. 8│국립공원공단│국립공원연구원│.

Ⅰ. 연구 개요 3. 유사 연구 사례. [그림 4] 수목 피복 지도 작성 모습 (초록: 살아있는 침엽수, 파랑: 살아있는 활엽수, 빨강: 고사한 활엽수, 노랑: 고사한 침엽수). 다. 객체기반영상분석을 통한 수목 개체 식별 및 피복 지도 작성 사례2) 최근 국내에서 쇠퇴 경향을 보이고 있는 한라산국립공원 구상나무를 대상으로 개체 식별에 대한 연구를 수행함 UAV(Unmanned Aerial Vehicle) 영상을 직접 촬영한 후 객체기반영상분석 방법을 활용하여 개체 식별을 진행함 또한 계절을 고려해 4월과 7월에 촬영한 영상을 통해 상록침엽수와 낙엽활엽수 식별 정확도를 높임 영상의 공간해상도는 4cm급으로 매우 선명한 편이였고 16ha 면적에 대한 분석을 진행함. 식생 피복 유형은 구상나무, 주목, 낙엽활엽수, 기타로 구분함 객체기반영상분석을 통해 대상지역에서 검출한 구상나무는 232본이었고 실제로 현장조사에서 확인한 구상나무는 267본으로 정확도는 약 84%로 높은 편임 개체수 추정뿐만 아니라 구상나무와 주목의 식별률이 약 95%로 비교적 높아 수종식별이 가능 한 것도 확인할 수 있었음. 2) 임원택(2016) UAV 영상과 객체기반영상분석 방법을 활용한 한라산 구상나무 개체 식별에 관한 연구. 국민대학교 석사학위논문. 100p.. │인공지능기술 활용 침엽수 검출기법 연구│9.

[그림 5] 수목 객체인식(좌) 및 피복 지도 작성 모습(우). 10│국립공원공단│국립공원연구원│.

Ⅰ. 연구 개요 3. 유사 연구 사례. Ⅱ. 아고산대 침엽수 고사목 자동검출방법. │인공지능기술 활용 침엽수 검출기법 연구│11.



Ⅱ. 아고산대 침엽수 고사목 자동검출방법 1. 항공영상 자료 수집. Ⅱ. 아고산대 침엽수 고사목 자동검출방법 1. 항공영상 자료 수집. 공원별 고해상도 항공영상 자료 수집 상록침엽수 고사목 식별이 용이하도록 항측업체에서 보유한 고해상도의 항공영상을 활용함 서서 또는 쓰러져서 고사한 수목이 분명하게 식별 가능할 수 있도록 해상도는 10cm급을 우선 으로 하였으며, 경쟁활엽수종이 잎을 틔우기 전 또는 낙엽이 진 후에 촬영된 영상을 활용함 또한 최근 촬영된 영상을 우선적으로 활용하고자 하였으나 해상도가 적합하지 않은 경우 2010년대에 촬영된 영상에 한하여 활용함 단, 소백산의 경우 항공영상 질이 낮아 해당 항공영상에 대한 실감처리를 하여 분석 수행함 [표 1] 공원별 활용한 항공영상 규격 구분. 규격 촬영시기. 해상도. 설악산. 2012년 5월. 25cm. 오대산. 2016년 4월. 10cm. 태백산. 2016년 10월~12월. 10cm. 소백산. 2016년 4월. 10cm. 덕유산. 2017년 10~11월. 10cm. 지리산. 2020년 10월. 10cm. 한라산. 2018년 4월. 10cm. │인공지능기술 활용 침엽수 검출기법 연구│13.

학습데이터 구축. 2. 공원별 고사목 학습데이터 구축 상록침엽수 고사목 학습데이터는 QGIS 3.16을 활용해 구축함. 공원별로 다수의 방형구 임의로 설정하여 누락 없이 고사목 학습데이터 라벨링함 학습데이터 유형은 서서 고사한 수목, 쓰러져 고사한 수목으로 구분하여 구축하였고, 향후 지리정보분석이 가능한 형태(GeoJSON)로 자료를 구축함 공원별로 상록침엽수 분포 면적, 생육밀도, 해상도 차이를 종합적으로 고려하여 학습데이터 구축 면적을 설정하였고, 상록침엽수 분포 면적 1% 이상이 포함되도록 하여 대표성을 확보 할 수 있도록 함. [표 2] 공원별 침엽수 고사목 학습데이터 구축 현황 학습데이터 구축(개) 구분. 서서 고사한 수목. 쓰러져 고사한 수목. 학습데이터 구축 면적(㎢). 상록침엽수 분포 면적(㎢). 설악산. 1,284. 357. 1.7. 21.0. 오대산. 166. 90. 0.4. 2.3. 태백산. 82. 14. 0.8. 3.4. 소백산. 24. 9. 0.2. 0.9. 덕유산. 86. 34. 0.6. 3.1. 지리산. 8,614. 3,421. 1.3. 41.9. 한라산. 1,218. 690. 0.8. 21.0. 합계. 11,474. 4,615. 5.8. 93.6. 14│국립공원공단│국립공원연구원│.

Ⅱ. 아고산대 침엽수 고사목 자동검출방법 2. 학습데이터 구축. [그림 6] 상록침엽수 고사목 학습데이터 구축 모습. │인공지능기술 활용 침엽수 검출기법 연구│15.

3. 고사목 자동검출 모델개발 및 결과활용. 가. 고사목 자동검출 모델개발 및 검출 정확도․정밀도 산출 CNN 기반 고사목 자동검출 모델개발 CNN(합성곱신경망모델, Convolutional Neural Network) 기반 DabeeoNet(다비오 고유의 알고리즘)을 적용하여 개체 검출 진행 학습데이터를 바탕으로 인공지능 알고리즘을 구성하여 프로세싱을 수행하던 방식에 고사목이 존재하지 않는 지역을 검출 후 Negative 샘플 데이터를 추가적으로 학습하는 수행과정을 통해 상록침엽수 고사목 검출 정확도 향상. [그림 7] 인공지능기술 활용 상록침엽수 고사목 자동검출 프로세스. 16│국립공원공단│국립공원연구원│.

Ⅱ. 아고산대 침엽수 고사목 자동검출방법 3. 고사목 자동검출 모델개발 및 결과활용. 검출 정확도 인공지능기술이 학습데이터와 일치하게 검출한 정도(%). 검출 정확도   . 기술로 검출된 고사목 중 학습데이터와 일치하는 고사목 수 ×  총 학습데이터 고사목 수. 검출 정밀도 인공지능기술 검출 총 고사목에서 학습데이터와 일치한 고사목 검출 정도(%). 검출 정밀도   . 기술 검출 고사목 중 학습데이터와 일치하는 고사목 수 ×  총 기술 검출 고사목 수. [그림 8] 검출 정확도 및 정밀도 모식도. ※ A와 B는 동일한 검출 정확도이지만 검출 정밀도는 B가 더 높음. 검출 정밀도가 높을수록 오검출한 개체가 적은 것을 의미함. │인공지능기술 활용 침엽수 검출기법 연구│17.

나. 공원별 침엽수 고사 밀도 분석 각 공원별 침엽수 고사목 자동검출 결과를 기반으로 고사목 집중 지역을 도출하기 위하여 단위 면적당 고사목 수 분석 및 도면 제작 단위면적은 1ha를 기준으로 하였고, 침엽수 고사목 개체수 단위는 고사 개체 없음, 1-100 미만, 100 이상 500 미만, 500 이상 1,000 미만, 1,000 이상으로 구분함. 18│국립공원공단│국립공원연구원│.

Ⅱ. 아고산대 침엽수 고사목 자동검출방법 3. 고사목 자동검출 모델개발 및 결과활용. Ⅲ. 공원별 침엽수 고사목 자동검출결과. │인공지능기술 활용 침엽수 검출기법 연구│19.



Ⅲ. 공원별 침엽수 고사목 자동검출결과 1. 공원별 침엽수 고사목 검출결과 분석. Ⅲ. 공원별 침엽수 고사목 자동검출결과 공원별 침엽수 고사목 검출결과 분석. 1. 가. 지리산국립공원 검출 결과 학습데이터 수목: 12,035개(서서 고사: 8,614개, 쓰러져 고사: 3,421개) 인공지능기술 검출 총 고사한 수목: 61,545개 - 서서 고사한 수목: 37,127개 - 쓰러져 고사한 수목: 24,418개 검출 정확도 및 정밀도 학습데이터 총 고사목 12,035개(서서 고사한 수목 8,614개 / 쓰러져 고사한 수목 3,421개)와 인공지능기술 검출 고사목 간 일치하는 정도에 따라 정확도 및 정밀도 산정 - 검출 정확도: 서서 고사한 수목 92% / 쓰러져 고사한 수목 74% - 검출 정밀도: 서서 고사한 수목 92% / 쓰러져 고사한 수목 94%. [표 3] 지리산국립공원 침엽수 고사목 검출결과 (단위: 개) 구분 서서 고사한 수목 쓰러져 고사한 수목. 학습데이터 수 (A). 학습지역 내 AI검출 학습데이터와 일치한 검출 정확도 고사목 수 (B) AI검출 고사목 수 (C) (C/A)*100. 검출 정밀도 (C/B)*100. 8,614. 8,625. 7,908. 94%. 92%. 3,421. 2,714. 2,540. 74%. 92%. │인공지능기술 활용 침엽수 검출기법 연구│21.

나. 설악산국립공원 검출 결과 학습데이터 수목: 1,641개(서서 고사: 1,284개, 쓰러져 고사: 357개) 인공지능기술 검출 총 고사한 수목: 10,914개 - 서서 고사한 수목: 8,532개 - 쓰러져 고사한 수목: 2,382개 검출 정확도 및 정밀도 학습데이터 총 고사목 1,641개(서서 고사한 수목 1,284개 / 쓰러져 고사한 수목 357개)와 인공지능기술 검출 고사목 간 일치하는 정도에 따라 정확도 및 정밀도 산정 - 검출 정확도: 서서 고사한 수목 87% / 쓰러져 고사한 수목 80% - 검출 정밀도: 서서 고사한 수목 74% / 쓰러져 고사한 수목 61%. [표 4] 설악산국립공원 침엽수 고사목 검출결과 (단위: 개) 구분. 학습데이터 수 (A). 학습지역 내 AI검출 학습데이터와 일치한 검출 정확도 고사목 수 (B) AI검출 고사목 수 (C) (C/A)*100. 검출 정밀도 (C/B)*100. 서서 고사한 수목. 1,284. 1,498. 1,115. 87%. 74%. 쓰러져 고사한 수목. 357. 469. 285. 80%. 61%. 22│국립공원공단│국립공원연구원│.

Ⅲ. 공원별 침엽수 고사목 자동검출결과 1. 공원별 침엽수 고사목 검출결과 분석. 다. 오대산국립공원 검출 결과 학습데이터 수목: 256개(서서 고사: 166개, 쓰러져 고사: 90개) 인공지능기술 검출 총 고사한 수목: 1,129개 - 서서 고사한 수목: 666개 - 쓰러져 고사한 수목: 463개 검출 정확도 및 정밀도 학습데이터 총 고사목 256개(서서 고사한 수목 166개 / 쓰러져 고사한 수목 90개)와 인공 지능기술 검출 고사목 간 일치하는 정도에 따라 정확도 및 정밀도 산정 - 검출 정확도: 서서 고사한 수목 82% / 쓰러져 고사한 수목 71% - 검출 정밀도: 서서 고사한 수목 87% / 쓰러져 고사한 수목 65%. [표 5] 오대산국립공원 침엽수 고사목 검출결과 (단위: 개) 구분 서서 고사한 수목 쓰러져 고사한 수목. 학습데이터 수 (A). 학습지역 내 AI검출 학습데이터와 일치한 검출 정확도 고사목 수 (B) AI검출 고사목 수 (C) (C/A)*100. 검출 정밀도 (C/B)*100. 166. 157. 136. 82%. 87%. 90. 98. 64. 71%. 65%. │인공지능기술 활용 침엽수 검출기법 연구│23.

라. 태백산국립공원 검출 결과 학습데이터 수목: 96개(서서 고사: 82개, 쓰러져 고사: 14개) 인공지능기술 검출 총 고사한 수목: 331개 - 서서 고사한 수목: 222개 - 쓰러져 고사한 수목: 109개 검출 정확도 및 정밀도 학습데이터 총 고사목 96개(서서 고사한 수목 82개 / 쓰러져 고사한 수목 14개)와 인공지능 기술 검출 고사목 간 일치하는 정도에 따라 정확도 및 정밀도 산정 - 검출 정확도: 서서 고사한 수목 79% / 쓰러져 고사한 수목 79% - 검출 정밀도: 서서 고사한 수목 64% / 쓰러져 고사한 수목 85%. [표 6] 태백산국립공원 침엽수 고사목 검출결과 (단위: 개) 구분 서서 고사한 수목 쓰러져 고사한 수목. 학습데이터 수 (A). 학습지역 내 AI검출 학습데이터와 일치한 검출 정확도 고사목 수 (B) AI검출 고사목 수 (C) (C/A)*100. 검출 정밀도 (C/B)*100. 82. 102. 65. 79%. 64%. 14. 13. 11. 79%. 85%. 24│국립공원공단│국립공원연구원│.

Ⅲ. 공원별 침엽수 고사목 자동검출결과 1. 공원별 침엽수 고사목 검출결과 분석. 마. 소백산국립공원 검출 결과 학습데이터 수목: 33개(서서 고사: 24개, 쓰러져 고사: 9개) 인공지능기술 검출 총 고사한 수목: 42개 - 서서 고사한 수목: 30개 - 쓰러져 고사한 수목: 12개 검출 정확도 및 정밀도 학습데이터 총 고사목 33개(서서 고사한 수모 23개 / 쓰러져 고사한 수목 9개)와 인공지능기술 검출 고사목 간 일치하는 정도에 따라 정확도 및 정밀도 산정 - 검출 정확도: 서서 고사한 수목 65% / 쓰러져 고사한 수목 56% - 검출 정밀도: 서서 고사한 수목 88% / 쓰러져 고사한 수목 71%. [표 7] 소백산국립공원 침엽수 고사목 검출결과 (단위: 개) 구분 서서 고사한 수목 쓰러져 고사한 수목. 학습데이터 수 (A). 학습지역 내 AI검출 학습데이터와 일치한 검출 정확도 고사목 수 (B) AI검출 고사목 수 (C) (C/A)*100. 검출 정밀도 (C/B)*100. 23. 17. 15. 65%. 88%. 9. 7. 5. 56%. 71%. │인공지능기술 활용 침엽수 검출기법 연구│25.

바. 덕유산국립공원 검출 결과 학습데이터 수목: 120개(서서 고사: 86개, 쓰러져 고사: 34개) 인공지능기술 검출 총 고사한 수목: 386개 - 서서 고사한 수목: 220개 - 쓰러져 고사한 수목: 166개 검출 정확도 및 정밀도 학습데이터 총 고사목 120개(서서 고사한 수목 86개 / 쓰러져 고사한 수목 34개)와 인공지능 기술 검출 고사목 간 일치하는 정도에 따라 정확도 및 정밀도 산정 - 검출 정확도: 서서 고사한 수목 69% / 쓰러져 고사한 수목 71% - 검출 정밀도: 서서 고사한 수목 65% / 쓰러져 고사한 수목 51%. [표 8] 덕유산국립공원 침엽수 고사목 검출결과 (단위: 개) 구분 서서 고사한 수목 쓰러져 고사한 수목. 학습데이터 수 (A). 학습지역 내 AI검출 학습데이터와 일치한 검출 정확도 고사목 수 (B) AI검출 고사목 수 (C) (C/A)*100. 검출 정밀도 (C/B)*100. 86. 91. 59. 69%. 65%. 34. 47. 24. 71%. 51%. 26│국립공원공단│국립공원연구원│.