2.1 연구방법

본 연구에서는 RTK-UAV 기반 LiDAR 센서를 이용하여 연구대상지에 대해 포인트 클라우드(Point Cloud) 데이터를 취득하였으며, GNSS 측량을 바탕으로 대상지 가장자리와 모서리에 대하여 5개의 지상기준점(Ground Control Point, GCP)과 3개의 검사점(Check Point, CP)에 대해 총 8개의 지점에 대한 3차원 좌표 데이터를 취득하였다. 취득된 LiDAR 포인트 클라우드 데이터에 대해 이상치 제거 및 GNSS 측량을 기반으로 취득된 지상기준점 및 검사점 좌표에 따라 좌표 정합 실시 이후 비지도학습 알고리즘을 적용하여 식생과 지면을 분리하였다. 식생이 분리되어 얻은 지면 데이터에 대해 후처리 이후 GIS(Geographic Information System)를 통해 지형 구축 모델을 제작하였다. 이를 통해 세 가지 비지도학습 기법 적용을 바탕으로 산정된 성토량과 절토량을 합산하여 산정된 최종 토공량을 비교 기준값인 GNSS 측량 성과로 산정된 토공량과 정확도 비교 및 평가하였고, 본 연구의 전체 흐름도는 Fig. 1과 같다.

Fig. 1. Flow of Study

2.2 연구대상지 및 연구 장비

본 연구에서는 경상북도 상주시 화서면 상용리 312에 위치한 상용 저수지 구역을 대상으로 하였으며, 저수지 영역이 아닌 반대편 사면을 연구대상지로 선정하였다. 이 지역은 GNSS 위성 신호 수신을 방해하는 요소가 없고, 무인항공기 비행에 적합한 환경을 제공하여, 연구 수행에 적합한 조건을 갖추고 있다고 판단하였다. 연구는 식생이 가장 활발한 시기인 6월 중순에 진행하였으며, 해당 지역은 짧은 초목과 다양한 관목이 혼재된 복합 지형이다(Fig. 2).

본 연구에 사용된 무인항공기는 DJI사의 Matrice 300 RTK이며, 대상지 촬영에 사용된 LiDAR 센서는 Matrice 300 RTK와 탑재 및 호환이 가능한 DJI Zenmuse L1 모델을 사용하였다. 또한, 실시간 무인항공기 위치 데이터 보정을 위해 DJI D-RTK2 Mobile Station을 사용하였다. 지상기준점 및 검사점 측량에 대해서는 GNSS 수신장치인 Trimble사의 R8S 모델을 사용하여 데이터를 취득하였다. 데이터 취득에 활용한 촬영 장비 및 GNSS 수신장치에 대한 제원은 Tables 1, 2와 같다.

Fig. 2. Study Area

3.1 데이터 취득

본 연구에서는 기존 취득된 GNSS 측량 성과에 더해 RTK-UAV 기반의 LiDAR 센서를 활용하여 대상지에 대한 포인트 클라우드 형식의 3차원 좌표 데이터를 취득하였다. 무인항공기 영상 촬영은 바람으로 인한 좌표 취득 오차가 최소화될 수 있는 시점을 선정하여 진행하였다. 취득된 영상은 DJI사의 Terra 소프트웨어를 사용해 파일 형식을 GIS 소프트웨어에서 처리하기 용이한 Las 형식으로 변환하였으며, 또한 연구대상지가 위치한 지역 좌표계인 TM(Transverse Mercator) 중부원점 좌표계인 Korea 2000/ Central Belt 2010(EPSG : 5186)과 GNSS 측량 기준 지오이드 모델과 같은 KN-Geoid 18(Korea National-Geoid Model 18)를 적용하였다. 데이터 간의 상호 거리 밀도는 Terra 소프트웨어 최소거리 밀도 설정 한계인 5 cm로 설정하였다. 아울러, 실시간 항공기 위치 보정을 위해 현장 설치식 DGNSS(Differential GNSS) 수신기인 D-RTK 2 Mobile Station을 설치하여 실시간 위치 오차 수정을 진행하였다.

3.2 지상기준점 및 검사점 측량

본 연구에서는 DGNSS Station의 실시간 위치 오차 보정뿐만 아니라, 정확한 좌표 데이터의 정합을 위해 대상지에 지상기준점과 검사점을 직접 설치하여 촬영을 진행하였다^{(Seong et al., 2018)}. RTK 방식과 더불어 가상기준점 간의 상호 시통을 기반으로 높은 정확도를 제공하여 널리 사용되는 방식인 VRS 측량 방식을 채택하였다^{(Schaefer and Pearson, 2021)}. 대상지 측량에 사용된 지오이드 모델은 KN-Geoid 18이고, 실시간 GPS 수신 위성 수는 25개 이상을 유지하였으며, 수직 오차는 14 mm, 수평 오차는 9 mm로 집계되었다. 지상기준점은 대상지 가장자리에 5개, 검사점은 대상지 중간 지점에 3개를 배치하여 총 8개 점에 대해 GNSS 측량을 진행하였다. 대상지는 울창한 식생과 불규칙적인 지형 기복을 특징으로 하며, GNSS 수신이 원활한 지면 구역 중 식생 분포가 비교적 적은 대상지 가장자리와 중간 지점을 선정하여 지상기준점 및 검사점을 설치하였다. 이러한 위치는 정확한 좌표 데이터 수집이 가능하다고 판단되어, 이를 바탕으로 측량 작업을 수행하였다. 공공측량 작업 규정에 따라 해당 지점마다 10초 이상 관측하였으며 대상지가 식생으로 인한 기복과 장애물로 인해 측량을 진행한 시간은 총 20분이 소요되었다.

3.3 RTK-UAV 기반 LiDAR 센서 촬영

LiDAR 센서는 짧은 주기의 레이저 펄스를 발사하여 반사 신호를 감지하고, 반사된 시간을 기반으로 물체와의 거리를 계산한다. 이 과정에서 광자가 물체에 반사되거나 틈을 통해 지면으로 투과되어 다중반사가 발생하며, 이를 통해 정밀한 3차원 포인트 클라우드 데이터를 생성한다. LiDAR는 기존 사진측량 방식에 비해 정확하고 세밀한 데이터를 제공하며, 복잡한 지형에서도 우수한 정보 수집 능력을 보여 다수의 관련 연구가 진행되었다^{(Langhammer et al., 2018)}. RTK-UAV 기반 LiDAR 센서를 활용한 측량은 바람으로 인한 기체 흔들림을 방지하기 위해 풍속 1 m/s 이하 조건에서 수행되었으며, 비행 전 자세 보정 및 왜곡 수정을 위한 캘리브레이션 과정을 완료하였다. 정확한 고도 값 확보를 위해 비행고도는 50 m로 설정하였고, 종중복도와 횡중복도는 사진측량 권장 기준인 각각 70 %, 80 %로 설정하였다. 촬영 데이터의 정합성을 확보하기 위해 비행속도는 4 m/s로 유지하였으며, 사전에 설정한 코스를 따라 자동비행 측량을 수행하였다. 대상지는 경사각이 존재하는 지형으로, 세밀한 데이터 취득을 위해 코스각을 240도로 설정하여 대각선 방향 경로로 비행을 진행하였다. 또한, LiDAR 센서와 지면 요소 간의 입사각 영향을 최소화하기 위해 카메라 센서를 지면에 수직으로 설정하여 촬영을 진행하였다. 총 7분간의 비행을 통해 데이터를 취득하였으며, Fig. 3은 무인항공기 LiDAR 측량을 통해 촬영된 데이터의 취득코스의 경로를 보여준다.

Fig. 3. Data Acquisition Course of RTK-UAV LiDAR Sensor

4.1 데이터 샘플링

LiDAR 센서로 취득한 데이터는 높은 점밀도의 포인트 클라우드로 구성되어 있지만, 분석하려고 하는 대상 이외의 불필요한 데이터도 포함하고 있어 데이터 처리 시간의 증가와 처리 속도가 저하되어 결과적으로 데이터 처리 효율성이 떨어지는 결과를 유발하게 된다. 이러한 비효율적인 측면을 개선하기 위해 데이터 샘플링 기법이 사용되며, 이는 전체 데이터 세트에서 대표적인 부분 집합을 추출함으로써 데이터 분석 속도와 처리 효율을 향상시키는 데 활용된다^{(Guo et al., 2010)}. 본 연구에서는 Cloud Compare 소프트웨어의 Subsampling 도구를 활용하였으며, 포인트 간 거리 간격 0.01 m로 설정하여 데이터 샘플링을 수행하였다. 이를 통해 취득된 대상지 포인트 클라우드에서 분석에 필요한 주요 특징을 나타내는 포인트 위주로 샘플링함으로써 불필요한 데이터를 제거하고, 메모리 사용량 절감과 대표성 확보를 통해 데이터 분석 효율성의 향상을 달성할 수 있었다.

4.2 지상기준점 및 검사점 좌표 정합

본 연구에서는 무인항공기의 실시간 자세 보정 및 위치 오차 수정을 위해 현장에 이동식 GNSS 수신기를 설치하여 RTK-UAV 기반 LiDAR 센서를 통해 대상지의 포인트 클라우드 데이터를 취득하였다. 그러나 이동식 GNSS 수신기만으로는 100 % 정확도에 근접하는 데이터를 취득하는 것은 어려운 실정이며, 실시간 왜곡 보정은 가능하지만, RTK 수신 특성상 거리가 멀어질수록 오차율이 증가한다는 한계가 존재한다. 이에 따라 본 연구에서는 정확한 좌표 보정을 위해 포인트 클라우드 데이터 후처리 프로그램인 Cloud Compare 소프트웨어를 통해 GNSS 측량으로 취득한 좌표와 RTK-UAV 기반 LiDAR 센서를 통해 취득된 지상기준점과 검사점 좌표에 대하여 각각 좌표 정밀 정합을 하였다(Fig. 4). RTK-UAV 기반 LiDAR 센서를 바탕으로 취득된 좌표와 GNSS 측량으로 취득된 좌표 간의 최종 산출 평균제곱근오차(Root Mean Square Error, RMSE)는 0.42 m로 산출되었다. 산출된 RMSE는 정합된 좌표들의 평균적인 오차를 나타내며, 모든 포인트가 동일한 오차를 가지는 것은 아니다. 이에 따라 일부 포인트에서 특정 오차가 나타나는 것을 배제할 수 없었다. 또한, 연구대상지에 설치한 지상기준점 및 검사점에 대해 RTK-UAV 기반 LiDAR 센서로 측량한 결과와 기준값인 GNSS 측량으로 직접 취득한 성과를 비교한 결과는 Table 3과 같다.

Fig. 4. GCP/CP Location of Study Area

4.3 포인트 클라우드 데이터 전처리

무인항공기 LiDAR 센서를 통해 취득된 포인트 클라우드 데이터는 사람, 새, 자동차 등 움직이는 대상물로 인해 다양한 노이즈가 포함될 수 있으며, 이를 추가적인 작업 없이 활용할 경우 오차가 발생할 가능성이 있다. 이러한 노이즈 데이터를 제거하기 위해 포인트 클라우드 후처리 소프트웨어인 Cloud Compare를 활용하여, 취득된 영상에 대한 전처리 과정을 수행해 주었다. 본 연구에서는 Noise filter 및 SOR filter를 순차적으로 적용하였다. Noise filter는 k-NN(k-Nearest Neighbors) 알고리즘 기반으로 한 이상치 제거 기법으로, 지역 밀도를 분석하여 밀도가 낮은 영역은 자동으로 노이즈로 감지하고 제거하며, SOR(Statistical Outlier Remover) filter는 통계적 방법을 이용하여 포인트 클라우드 내 이상치를 제거하는 필터링 기법으로 각 포인트들과 이웃 포인트들 간의 평균 거리를 계산하여 특정 임계값을 초과하는 포인트를 노이즈로 간주하고 제거한다. 이를 통해 대상지 사면에서 특정 임계 범위를 초과하는 노이즈를 제거하였고, 결과적으로 이상치가 감소된 포인트 클라우드 데이터를 확보하여 데이터 가독성을 향상시키고 불필요한 데이터를 삭제함으로써 전반적인 정확도를 높였다(Fig. 5).

Fig. 5. Result of Preprocessed LiDAR Point Cloud

5.1 LiDAR Reflectance Intensity

본 연구에서는 RTK-UAV 기반 LiDAR 센서의 취득 요소 중 하나인 반사 강도 데이터를 활용하여 식생을 분리하고 순수한 지면 정보를 추출하였다. 반사 강도 데이터란 레이저 펄스의 송수신을 통해 얻을 수 있는 요소로 레이저가 표면에서 반사될 때 센서가 수신하는 반사된 빛의 세기를 나타내며 0~255 범위에 존재하는 값을 가진다. 본 연구에서 LiDAR 센서로 채택한 DJI Zenmuse L1 모델은 근적외선(Near Infrared, NIR) 대역에 해당하는 905 nm 파장을 사용하는 레이저를 탑재하고 있다. 식물의 엽록소가 근적외선 대역의 파장에서 높은 반사율을 보이기 때문에 이러한 특징을 활용하면 효율적으로 식생 탐지 및 건강 상태 평가 등을 할 수 있다^{(Gong et al., 2022)}. 또한, 905 nm 대역의 레이저는 장거리 고밀도 측정 및 대기 산란에 대한 저항성이 강해, 지형 및 구조물의 고도와 거리 정보를 정확하고 안정적으로 취득할 수 있다.

5.2 비지도학습 기반 반사 강도 데이터 필터링

LiDAR 센서는 레이저를 발사하여 반사된 신호를 분석하는 방식으로 작동하며, 물체의 광학적 반사특성, 센서와 물체 간의 입사각, 표면상태 등이 반사 강도 데이터 품질에 영향을 미친다. 빛을 흡수하거나 산란이 적은 지면은 광학적 반사 강도가 낮게 측정되는 반면, 복잡하고 불규칙한 표면을 가진 식생은 레이저 신호가 여러 방향으로 산란되면서 광학적으로 우수한 결과를 내어 높은 반사강도를 나타낸다^{(Zhao et al., 2020)}. 반사 강도 데이터는 물체의 표면 특성에 따라 다르게 측정되며, 특정 구간에 밀도가 집중적으로 형성되는 특성을 보여준다. 본 연구에서 채택한 비지도학습 기법 중 클러스터링 기법은 이러한 데이터를 자연스럽게 그룹화하는 데 적합하며, 물체의 표면 특성에 따라 다르게 수집된 밀도 기반의 데이터를 바탕으로 식생과 지면을 자동으로 그룹화할 수 있다. 또한, 비지도학습 기법은 사전에 클래스 정보가 정의되지 않은 상태에서도 데이터의 특성을 정교하게 반영하며, 잔존 노이즈 데이터를 효과적으로 필터링할 수 있는 장점이 있다. 단순 Thresholding 방식과 달리, 클러스터링 기법은 반사 강도 값의 분포와 밀도를 기반으로 그룹화를 수행하여, 보다 유의미한 결과를 도출할 수 있다. 본 연구에서는 K-Means, DBSCAN, K-Medoids 등의 클러스터링 기법을 비교 분석하였으며, 이를 통해 단일 밴드 반사 강도 데이터를 활용한 분류의 효용성과 가능성을 확인하였다.

5.3 K-Means 클러스터링

K-Means 클러스터링 기법은 데이터를 사전 지정된 클러스터 수(K)로 군집화하는 비지도학습 알고리즘으로, 각 데이터 포인트를 가장 가까운 중심점에 할당한 후, 중심적으로 반복 수정하여 데이터 포인트들이 서로 유사한 값으로 묶이도록 한다. K-Means 클러스터링은 초기 중심점(Centroid)을 사전에 설정한 뒤 각 데이터 포인트를 가장 가까운 중심점에 할당하고, 클러스터 내 데이터의 평균값을 중심점으로 반복 갱신하면서 데이터 포인트들이 서로 유사한 값으로 묶이도록 한다^{(Ghazal, 2021)}. 이러한 과정을 수렴할 때까지 반복함으로써 최적의 클러스터를 도출한다. 본 연구에서는, LiDAR 센서 취득 요소 중 하나인 반사 강도를 기준으로 클러스터링을 수행하였으며, 지표면에는 식생과 지면뿐만 아니라 다양한 요소가 존재할 수 있기 때문에 클러스터 수는 5개로 설정하였다. 클러스터링 수행 결과, 46.33, 57.94, 31.98, 70.22, 88.04의 5개 클러스터로 군집화할 수 있었다(Fig. 6). K-Means 클러스터링의 경우 사전에 설정된 클러스터 수에 따라 포인트 클라우드 내 모든 데이터를 포함하여 처리하므로, 입력 데이터와 출력 결과의 포인트 개수가 동일하게 유지된다. LiDAR 센서에서 발사되는 레이저 펄스는 기존 지면뿐만 아니라 식생의 작은 틈을 파고 들어가 식생의 하부에 존재하는 지면 정보까지 취득할 수 있다. 이를 바탕으로 지면에 해당하는 데이터 분포가 가장 많이 수집되게 된다. 이를 통해 가장 높은 반사 강도 데이터 밀집도의 평균 수치인 46.33으로 분류된 클러스터 군집에 따라 반사 강도 기반 필터링을 수행하였다.

Fig. 6. Histogram of K-Means Clustering Result by Intensity

5.4 K-Medoids 클러스터링

K-Medoids 클러스터링은 대표적인 비지도학습 기법 중 하나로, K-Means 클러스터링 기법과 유사하지만, K-Means가 평균값을 기준으로 클러스터링하는 것과 달리 각 클러스터의 중심을 데이터 포인트와 클러스터 중심 간의 총 거리를 최소화하도록 중심점을 반복적으로 업데이트하면서 동작한다. 이를 통해, 클러스터 내 데이터 간의 거리와 유사도를 지속적으로 줄여 최적의 중심점을 찾는 방식이다. 특히, 평균값 대신 실제 데이터 포인트를 중심으로 사용하기 때문에 이상치와 노이즈에 강건하다는 특징이 있다. 본 연구에서는 K-Means 클러스터링을 수행한 과정과 같이 기존 K-Medoids 클러스터링 기법에서 보편적으로 사용되는 방식인 5개의 클러스터를 설정하여 진행하였고, 수행 결과 43.10, 53.72, 58.49, 30.29, 77.17의 수치를 가지는 반사강도 클러스터 군집으로 분류할 수 있었다(Fig. 7). K-Medoids 클러스터링의 경우 클러스터의 중심을 실제 데이터 포인트 중에서 선정하고, 클러스터 내 총 거리를 최적화하는 과정을 반복적으로 수행한다. 이 과정에서 경계에 위치한 일부 포인트가 특정 클러스터에 속하지 않아 군집 대상에서 제외될 수 있으며, 이로 인해, K-Means 클러스터링 기반의 분류 결과와 비교할 때, 출력되는 포인트 수가 다르게 나타난다. 반사 강도 데이터 분포가 주로 클러스터 0과 클러스터 2구간에 주로 분포하였으며, 가장 많은 분포를 보이는 클러스터 0(43.10)에 따라 분류를 수행하였다.

Fig. 7. Histogram of K-Medoids Clustering Result by Intensity

5.5 DBSCAN 클러스터링

DBSCAN 클러스터링은 데이터의 밀도를 기반으로 클러스터를 형성하며, 밀집된 포인트들은 클러스터로 묶고, 밀도가 낮은 포인트는 노이즈로 인식 및 처리하는 알고리즘이다. 본 클러스터링은 클러스터 개수를 미리 지정할 필요 없이, 두 포인트 간의 거리와 밀도를 기준으로 클러스터를 자동으로 결정하며, 밀도 조건을 충족하지 못하는 포인트는 노이즈로 판단하여 클러스터에 포함시키지 않고 경계 구분을 확실하게 할 수 있어, 복잡한 데이터 분포에서 유연하게 작동한다. DBSCAN 클러스터링은 K-Means 및 K-Medoids 클러스터링과 달리, 밀도 조건을 충족하지 못하는 포인트를 노이즈로 간주하여 수집대상에서 배제하고 자동으로 군집에서 제외한다. 이로 인해 앞선 두 기법에 비해 출력되는 포인트 클라우드의 개수가 대폭 감소되어 상당히 적게 산출된다. 본 연구에서는 지형의 특성에 따라 일정 구간에 특징적으로 분포하고 있는 반사 강도 데이터를 대상으로 하였기 때문에 환경에 따른 다양한 여러 설정값을 비교해보았으며, 결론적으로 클러스터링 변수이자 데이터 이웃 최대거리(Epsilon)를 3으로 설정하고, 복잡한 지형 구조와 LiDAR 센서의 다중반사 특성을 반영하여 최소 이웃 포인트(Min_samples) 변수를 42로 설정하여 분류를 진행하였다(Fig. 8). 클러스터링 결과 3개의 클러스터 군집이 형성되었고, Cluster 0은 164,304의 포인트로 가장 많은 데이터가 수집되어, 주로 지면으로 이루어진 것으로 추정된다. Cluster 1은 2,250개의 포인트가 수집되어 고도 차이가 존재하는 식생이 분류된 것으로 추정되며, 사전에 Cluster -1은 사전에 노이즈 데이터로 설정하였고, 밀도가 낮아 군집조건을 충족하지 못하여 이로 인해 지면과 식생으로 판단되는 두 클러스터에 모두 포함되지 않아 포인트 수집대상에서 제외되었다. 다음은 비지도학습 알고리즘을 통해 최종적으로 식생과 지면을 필터링한 포인트 클라우드를 나타낸다(Fig. 9).

Fig. 8. Histogram of DBSCAN Clustering Result by Intensity

Fig. 9. Point Cloud of Unsupervised Learning-based Model Filtering. (a) K-Means, (b) K-Medoids, (c) DBSCAN

6.1 크리깅 보간법(Kriging Interpolation)

크리깅 보간법은 통계적 기법을 이용하여 공간적으로 분포된 데이터 값을 예측하는 지리데이터 분석기법이다. 이 기법은 주변 측정값들의 공간적 상관성을 고려하여 미측정 지점의 값을 예측하며, 특히 지리적 데이터를 분석하는 경우 보편적으로 사용된다. 이 기법은 예측값뿐만 아니라 예측 오차까지 계산하여 예측 신뢰성까지 도출 가능하다는 장점이 있다. 본 연구에서는 Cloud Compare 소프트웨어에 내장된 Rasterization - Kriging Interpolation 도구를 사용하여, 비지도학습 알고리즘을 통해 제거된 식생을 기반으로 분리된 순수한 지면 데이터에 존재하는 미측정 구역에 해당하는 좌표를 보간하여 기존 지형의 3차원 좌표 데이터를 예측하였다. 다음은 크리깅 보간법을 통해 미측정 지형 좌표 데이터가 예측 및 보간된 비지도학습 알고리즘의 결과 모델을 나타낸다(Fig. 10).

Fig. 10. Kriging Interpolation of Unsupervised Learning-based Models. (a) K-Means, (b) K-Medoids, (c) DBSCAN

6.2 토공량 산정 기초 자료를 위한 데이터 변환

토공량 산정을 위한 기초자료를 제작하는데 GIS 소프트웨어를 활용한 분석은 매우 유용하다. 본 연구에서는 크리깅 보간법을 통해 미측정 좌표값에 대해 보간된 데이터를 ArcMap 10.1 소프트웨어에 투영한 후 토공량 산정을 위한 기초지형자료를 제작하였다. 토공량 산정을 위해서는 래스터 형식인 DEM 모델과 벡터 형식인 불규칙 삼각망(Triangulated Irregular Network, TIN) 모델을 활용할 수 있다. 불규칙 삼각망 모델은 수치표고모형에 비해 지형의 기복 등 세밀한 표현에 민감하며 급경사나 굴곡 등의 불규칙적인 고도 데이터에서 정밀도가 높다. 따라서 본 연구에서는 불규칙 삼각망 모델을 채택하여 토공량 산정에 활용하였다. 다음은 ArcMap 10.1 소프트웨어의 Create TIN 도구를 이용하여 제작된 각 기법에 따른 불규칙 삼각망 모델을 나타낸다(Fig. 11).

Fig. 11. Triangulated Irregular Network Model. (a) K-Means, (b) K-Medoids, (c) DBSCAN

7.1 비지도학습 모델별 토공량 산정

앞서 제작된 불규칙 삼각망 모델을 바탕으로 성토량과 절토량을 합산한 최종 토공량을 계산할 수 있다. 본 연구에서는 ArcMap 10.1 소프트웨어의 체적계산 도구인 Surface Volume 도구를 이용하여 기준면을 기준으로 성토량과 절토량을 산정하였다. Surface Volume 도구는 TIN 모델을 기반으로 불규칙한 지표면으로부터 효율적인 계산이 용이한 프리즘 체적 계산법을 바탕으로 지정된 표고 기준면과 입력된 표면 간의 고도 차이를 계산하여 토공량을 산정한다. 본 연구에서 기준 고도는 대상지가 가지고 있는 전체 고도값 중 중앙값을 산정하여 활용하였다. 중앙값은 평균값에 비해 비대칭적인 특징을 가지는 지형에서 현실적으로 고도 정보를 반영할 수 있다. 다음 Eq. (1)은 성토량과 절토량을 합산하여 최종 토공량을 산정하는 공식을 나타낸다.

＊$A_{i}$ : Area of each pixel ($m^{2}$)

＊$h_{i}$ : Elevation difference between the reference plane and the surface for each pixel ($m$)

＊$n$ : Total number of each pixel

7.2 정확도 비교 및 평가

연구대상지는 현재 한국농어촌공사가 관리 감독하에 있으나, 정확한 토공량 정보는 제공되지 않았다. 이에 따라 본 연구에서는 기존에 널리 사용되는 방식인 GNSS 측량 방식을 바탕으로 산정된 토공량을 기준으로 정확도 비교 및 평가를 수행하였다. 정확도 비교의 기준값이 되는 토공량은 식생이 가장 적어 식생의 영향이 최소화되는 시기인 2024년 1월을 선정하여 사전측량을 통해 산정하였다. 본 연구에서는 기준값을 바탕으로 각 기법에서 산정된 성토량과 절토량이 전체 토공량에서 차지하는 비율을 계산하고, 이를 가중치로 적용하여 가중평균을 계산한 뒤, 최종 정확도를 산정하였다(Eq. (2)). 다음은 RTK-UAV 기반 LiDAR 센서를 통해 취득된 데이터에 대해 비지도학습 알고리즘을 적용하여 최종 산정된 토공량 및 정확도 결과이다(Table 4). 비지도학습 기반 필터링 기법을 적용하지 않은 상태에서 산정된 기존 지형의 최종 토공량 비율은 GNSS 측량 결과를 기준으로 104.6 %를 기록하며, 전체 필요 토공량 대비 4.6 % 과대 산정되었지만, 성토량과 절토량 간의 편차는 무려 26.3 %나 발생하였다. 이는 가중치가 높은 성토량 비율이 93 %로 과소 산정되고, 가중치가 낮은 절토량 비율이 119.3 %로 과대 산정된 데 따른 불균형이 최종 결과에 영향을 미친 것이다. K-Medoids 클러스터링 기법을 기반으로 산정된 토공량 비율은 기준값 대비 100.3 %로 미세한 과대 산정을 보여주었다. 성토량 비율은 98.7 %로 1.3 % 과소 산정되었고, 절토량 비율은 102.8 %로 2.8 % 과대산정되어, 성토량과 절토량 간 편차는 4.1 %로 상대적으로 작아 균형 잡힌 결과를 제공하였다. 최종 토공량 정확도 측면에서 보았을 때, DBSCAN 클러스터링 기법은 최종 토공량 비율이 기준값(100 %)에 근접한 99.5 %를 기록하여 안정성 측면에서 우수하다고 볼 수 있다. 그러나 가중치가 높은 성토량은 96.4 %로 과소 산정되었고, 가중치가 낮은 절토량은 104.8 %로 과대 산정되어 성토량과 절토량 간의 편차가 비교적 큰 8.4 %로 집계되었다. 이는 DBSCAN 클러스터링이 성토량과 절토량의 가중치 비중을 균형 있게 반영하지 못한 결과로, 상대적으로 불균형한 결과를 바탕으로 토사 운반 및 불필요한 작업과정을 초래할 가능성이 있다. 결론적으로, K-Medoids 클러스터링은 미세한 과대 산정(0.3 %)과 적은 편차(4.1 %)로 비교적 균형 잡힌 결과를 제공한 반면, DBSCAN 클러스터링은 최종 기준값 근접성(99.5 %)은 우수했으나, 성토량과 절토량 간의 편차가 크다는 한계를 보였다. 이는 각 기법의 특성과 가중치 기반 분석이 최종 결과에 미치는 영향을 시사하며, 상황에 맞는 기법 선택의 중요성을 강조한다. 토공량 산정 시 절토량과 성토량 산정 결과가 균일하지 않다면, 실제 공사현장에서 계획보다 많은 토공량을 요구할 수 있으며, 이를 통해 추가적인 토사처리 과정을 초래하여 공사 효율성을 저하시키는 원인이 될 수 있다.

$Accuracy_{total}=$$(W_{cut}\times Accuracy_{cut})+(W_{fill}\times Accuracy_{fill})$

＊$W_{cut}$ : The weight based on the proportion of cut volume within the total earthwork volume

＊$W_{fill}$ : The weight based on the proportion of fill volume within the total earthwork volume