Skip Navigation
Skip to contents

GEO DATA : GEO DATA

OPEN ACCESS
SEARCH
Search

Articles

Page Path
HOME > GEO DATA > Volume 6(4); 2024 > Article
Data Article
무인항공기 광학 영상 기반 주진천 염생식물 분포 데이터셋
이동욱1,2orcid, 장영재3orcid, 유주형4orcid, 주형태5orcid, 김근용6,*orcid
Unmanned Aerial Vehicle Photogrammetry Based Dataset of Halophyte Distribution in Jujin Estuary
Donguk Lee1,2orcid, Yeongjae Jang3orcid, Joo-Hyung Ryu4orcid, Hyeong-Tae Jou5orcid, Keunyong Kim6,*orcid
GEO DATA 2024;6(4):505-511.
DOI: https://doi.org/10.22761/GD.2024.0012
Published online: December 4, 2024

1학생연구원, 한국해양과학기술원 해양위성센터, 부산광역시 영도구 해양로 385, 49111, 대한민국

2박사과정생, 과학기술연합대학원대학교 해양과학전공, 부산광역시 영도구 해양로 385, 49111, 대한민국

3기술원, 한국해양과학기술원 해양위성센터, 부산광역시 영도구 해양로 385, 49111, 대한민국

4책임연구원, 한국해양과학기술원 해양위성센터, 부산광역시 영도구 해양로 385, 49111, 대한민국

5연구원, 한국해양과학기술원 기후대응·생태연구부, 부산광역시 영도구 해양로 385, 49111, 대한민국

6전문연구원, 한국해양과학기술원 해양위성센터, 부산광역시 영도구 해양로 385, 49111, 대한민국

1Student Researcher, Korea Ocean Satellite Center, Korea Institute of Ocean Science & Technology, 385 Haeyang-ro, Yeongdo-gu, 49111 Busan, South Korea

2PhD Student, Department of Ocean Science, University of Science and Technology, Haeyang-ro 385, Yeongdo-gu, 49111 Busan, South Korea

3Research Specialist, Korea Ocean Satellite Center, Korea Institute of Ocean Science & Technology, 385 Haeyang-ro, Yeongdo-gu, 49111 Busan, South Korea

4Principal Research Scientist, Korea Ocean Satellite Center, Korea Institute of Ocean Science & Technology, 385 Haeyang-ro, Yeongdo-gu, 49111 Busan, South Korea

5Research Scientist, Ocean Climate Response & Ecosystem Research Department, Korea Institute of Ocean Science & Technology, 385 Haeyang-ro, Yeongdo-gu, 49111 Busan, South Korea

6Senior Research Scientist, Korea Ocean Satellite Center, Korea Institute of Ocean Science & Technology, 385 Haeyang-ro, Yeongdo-gu, 49111 Busan, South Korea

Corresponding Author Keunyong Kim Tel: +82-51-664-3163 E-mail: keunyong@kiost.ac.kr
• Received: June 7, 2024   • Revised: August 22, 2024   • Accepted: September 30, 2024

Copyright © 2024 GeoAI Data Society

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

prev next
  • 142 Views
  • 31 Download
  • The importance of blue carbon is significant in terms of climate change mitigation and marine ecosystem conservation, and halophyte acts as a crucial reservoir for this blue carbon. Accordingly, this study utilized unmanned aerial vehicle (UAV) optical sensors to create a distribution map of vegetation in the natural salt marsh of the Jujin estuary. The optical images captured from a UAV at an altitude of 50 m provide ultra-high-resolution optical information with a ground sampling distance of 0.6 cm. Based on these images, a U-Net model was trained to classify Phragmites communis and Suaeda maritima, generating a classification map of the mixed habitats of salt marsh plants. The areas of Phragmites communis and Suaeda maritima in the Jujin- Cheon region were found to be 6,653.23 m2 and 1,409.08 m2, respectively. The classification results were validated using field control point data, confirming an approximate classification accuracy of 92%.
연안 염습지는 바다와 육지가 만나는 지역에 형성되는 지리적 특성상 생물 다양성이 매우 높고 생태적으로 다양한 기능을 수행한다(Barbier et al., 2011). 또한 다양한 저서동물의 서식지와 산란장을 제공하고 육상에서 유입되는 오염물질을 정화하며 연안 수질 개선, 폭풍 해일에 대한 피해 저감 등의 기능을 제공한다(Gailis et al., 2021; Zhu and Wiberg, 2022). 최근 기후 변화에 대응하기 위한 블루카본이 주목을 받으면서 염습지는 탄소 흡수원으로써 높은 생태계 서비스 가치를 갖는 것으로 평가되고 있다(MaMahon et al., 2023). 그러나, 연안 염습지는 이러한 생태적, 사회적 기능의 중요성에도 불구하고 갯벌 매립, 외래종 침입, 해수면 상승 등과 같은 자연적, 인위적 영향에 의해 끊임없이 위협받고 있다(Gedan et al., 2009).
염습지의 효율적인 관리와 더불어 정확한 블루카본 양을 산정하기 위하여 가장 기초가 되는 것은 식생의 종 분류와 분포 면적을 구하는 것이다. 하지만 연안 염습지는 주기적인 조석 시간과 발 빠짐 등으로 접근하기 힘들기 때문에 염습지를 조사하는 데 한계가 있다. 따라서 직접적인 현장 조사 방법보다는 무인항공기를 이용하여 염습지를 모니터링하는 경우 더 넓은 면적에 대하여 효율적으로 조사 가능하다. 최근 무인항 공기 기술의 빠른 발전으로 해안 식생 매핑(Meneses et al., 2018), 수중 식생 모니터링(Samiappan et al., 2017), 식생 생물량 추정(Doughty et al., 2021) 등에 적용되고 있으며 점차 연안 식생 모니터링을 위한 필수 도구가 되고 있다.
더욱이 최근에는 딥러닝 기술의 급속한 발전으로 무인항공기 영상을 분석하는 데 가장 유용한 분석 툴로 활용되고 있다. 다수의 연구를 통해 기존의 픽셀 기반의 기계학습과 비교하여 영상 기반의 딥러닝 분석 방법이 더 높은 분류 정확도를 보인다는 평가를 받고 있다(Zheng et al., 2022). 딥러닝 모델의 분류 정확도를 높이기 위해서는 적합한 훈련 데이터 구축, 입력 데이터의 패치 크기, 배치 크기 및 반복수 등 많은 변수가 존재한다. 다만 기존 연구 결과에 따르면 다양한 종이 혼재된 염습지에는 박스 타입(bounding box)보다는 폴리곤 타입(polygon)의 데이터 라벨링 방법이 종 분류에 더욱 효율적인 것으로 알려져 있다(Kim et al., 2023).
본 연구에서는 고해상도 무인항공기 영상과 딥러닝 분석 방법을 이용하여 주진천에 서식하는 염생식물을 분류하고 분포 조사를 수행하였다. 또한 염생식물 2종에 대한 학습 자료를 구축하였고 U-Net 모델을 적용한 분류 결과를 기반으로 각 종의 분포 지도와 분포 면적 지도를 제작하였다.
2.1 조사 지역
본 연구에서는 한반도 중서부 해안에 위치한 주진천 하구(35°30'33.46"N, 126°36'8.23"E)의 자연 염습지에 분포한 염생식물을 조사하였다(Fig. 1). 이 지역은 2021년부터 유네스코 세계 자연 유산으로 지정된 곰소만과 연결되어 있으며 서해안을 따라 이동하는 철새들의 중요한 휴식처로 알려져 있다. 염생습지는 조수 유입의 영향을 받는 해수습지로 염도와 조위, 토양 수분 함량, 지형과 같은 비생물적 요인에 의하여 식생 군락이 형성된다(Lee and Kim, 2018; Park, 2021; Park et al., 2021).
2021년 6월 25일 16시 25분부터 약 10분간 조사가 진행되었고 당시 조위는 508 cm였다. 조위 범위는 최고 698 cm에서 최저 36 cm였으며 조사 시점에는 모든 염생식물이 해수에 잠기지 않고 노출된 상태였다. 조사 결과 갈대(Phragmites communis)와 해홍나물(Suaeda maritima)의 두 가지 주요 식생 군락이 연구 지역의 동부와 서부에서 각각 우세하게 나타나는 것을 확인할 수 있었다. 해홍나물은 계절에 따라 새싹의 색이 녹색(봄)에서 적자색(늦여름)으로 변하며 이러한 변화는 염도의 영향을 받는다(Chung, 2018). 또한 연구 지역에서는 지형의 고도가 높아질수록 해홍나물의 색상이 점차 붉은색으로 변하는 경향을 보인다(Fig. 2). 이처럼 연구 지역에는 서로 다른 두 종의 식생 군락이 존재하며 이들 사이의 미세한 차이도 명확하게 구분되기 때문에 식생 분류 방법을 평가하는 데 매우 적합하다.
2.2 무인항공기 영상 촬영
연구 지역의 정사영상을 제작하기 위해 고해상도 카메라와 GPS-RTK를 장착한 Matrice 300 RTK (DJI, Shenzhen, China) 무인항공기를 사용하였다. Fig. 3과 같이 연구 지역 전체를 촬영하기에 적절한 비행 경로를 설정하였으며 Table 1Table 2는 본 연구에 사용된 무인항공기와 처리된 자료의 사양을 나타낸다.
비행고도는 지상 50 m 고도로 설정하였으며 인접한 영상 간에 전방 80%, 측방 70% 중복되도록 설정하여 충분한 중복도를 확보하였다. 이를 통해 0.6 cm의 ground sampling distance를 얻을 수 있었으며 학습에 사용할 고해상도 영상을 확보할 수 있었다. 또한 연구 지역에 걸쳐 13개의 ground control points (GCPs)를 배치하여 무인항공기 영상의 기하학적 보정에 사용하였다. 다만 갈대의 군집도가 높은 지역에 대해서는 GCP의 배치와 판독이 어려워 GCP를 설치하지 않았다.
2.3 자료 처리
연구 지역에서 획득한 무인항공기 영상은 Pix4D Mapper (Pix4D SA, Prilly, Switzerland)를 이용하여 자료 처리를 진행하였다. 무인항공기를 통해 수집된 연구 지역의 영상은 지리적 정확성 확보와 분석 가능한 데이터셋으로 변환하기 위하여 다음과 같은 기하 보정을 비롯한 사진 측량의 과정을 적용하였다. 먼저 RTK-GPS를 통해 수집한 GCP의 정확한 좌표를 사진 측량 소프트웨어에 통합하여 무인항공기 영상의 기하학적 왜곡을 보정하였으며 번들 조정 알고리즘을 사용하여 내부와 외부 표정 요소 및 영상 포인트의 3차원 좌표를 정밀하게 조정하여 전체 재투영 오차를 최소화하였다. 다음으로 기하 보정된 영상을 결합하여 정사영상을 생성하였다. 이 과정에서 특징점 매칭을 기반으로 영상 정합을 수행하였다.
식생 분류는 U-Net을 활용하여(Ronneberger et al., 2015) 갈대와 해홍나물 그리고 배경인 퇴적상을 의미적으로 분할(semantic segmentation)하는 방식으로 수행되었다. 모델 훈련을 위한 학습 자료는 GIS 프로그램(NV5 Geospatial Solutions, Inc., Broomfield, CO, USA)을 사용하여 영상에서 군집화된 부분을 다각형 형태로 선택한 폴리곤 타입의 데이터 라벨링으로 준비되었다(Fig. 4). 이를 통해 이미지 전체를 어노테이션하는 부담을 줄이고 필요한 영역만 선택하여 효율적으로 학습 데이터를 준비할 수 있었다. 이렇게 추출된 다각형 영역은 일정 크기로 분할하여 패치화되었으며 스트라이드(stride)를 제공하여 패치가 중복되게 제작되었다. 이를 통해 자료 불균형 문제를 완화하였고 데이터가 적은 종의 경우 작은 스트라이드(stride)를 사용하여 패치 수를 늘려 문제를 해결하였다. 자세한 학습 자료의 생성 과정은 Fig. 5에 나타내었다.
모델 훈련 과정에서는 추출된 다각형 이미지를 32×32 px 크기의 패치로 분할하여 입력하였고 영상이 없는 부분은 마스킹 처리하여 훈련 시 손실된 값 계산에서 제외되도록 하였다. U-Net 모델에서는 네트워크 깊이를 4로 설정하고 깊이에 따라 필터 수를 128개에서 시작해 1,024개까지 두 배씩 증가시켰다. 학습률은 0.001로 고정하였으며 손실 함수로는 교차 엔트로피를 사용하여 500회 학습하였다. 학습 데이터는 각 분류당 약 2만 개의 패치로 구성되었으며 이 중 80%는 학습에, 20%는 검증에 사용되었다. 검증 데이터에 대한 모델의 정확도는 99.99%로 매우 높은 성능을 보였다.
Fig. 6은 학습된 U-Net 모델을 이용하여 연구 지역의 갈대와 해홍나물 분포를 예측한 결과를 보여준다. 영상의 동부에는 갈대 군락이 밀집하여 나타났고 서부에는 해홍나물 군락이 우세하게 나타나는 것을 확인할 수 있다. 전반적으로 예측 결과는 현장 조사 시 관측 결과와 일치하는 모습을 보인다. 그러나 영상의 우측에 위치한 조류로를 따라 일부 짧은 형태의 갈대를 해홍나물로 잘못 예측한 사례가 나타났다.
주진천의 갈대와 해홍나물 분포 면적은 식생으로 분류된 픽셀을 이용하여 각각 6,653.23 m2와 1,409.08 m2로 계산되었다. 분류 결과는 5 m 간격의 현장 정점 자료를 이용하여 검증하였다. 현장 자료는 갈대 276개, 해홍나물 50개, 퇴적물 102개 정점을 포함한다(Fig. 7). 평가 지수로는 정밀도(precision)와 재현율(recall)을 이용한 분류별 정확도, 평균 정확도(overall accuracy) 그리고 Cohen’s kappa (κ) 값을 사용하여 전체 분류 결과의 정확도를 나타내었다(Table 3).
분류 결과의 전반적인 정확도는 약 92%로 분류 결과에 대한 신뢰성을 보여준다. 그러나 분류별 정확도에서는 칠면초의 분류 성능이 70%대에 그쳤으며 짧은 형태의 갈대나 퇴적물과 거의 동일한 색상을 보이는 부분에서 예측 오류가 나타났다.
본 연구에서는 무인항공기 광학 센서를 기반으로 주진천의 갈대와 해홍나물 식생 분포 정보를 제공하였다. 인공지능 기반의 분류 방법을 통해 고해상도 무인항공기 영상을 이용하여 식생 분류를 수행하였으며 염생식물 혼합 서식지에 대한 자료를 제공하였다. 그러나 해홍나물의 경우 외부 환경에 따른 변화가 커서 짧은 형태의 갈대나 퇴적물과 유사한, 다양한 형태를 보였고 조류로에 인접한 위치에서는 잘못 예측되는 한계가 있었다. 본 연구에서는 단일 시기의 영상만을 활용하여 식생 형태의 계절적 변화를 고려하지 못하였지만 더욱 정확한 식생 분류 결과를 얻기 위해서는 다양한 시기와 환경에서 촬영한 영상을 활용한 연구가 필요할 것으로 보인다. 한편 Lee et al. (2019)의 연구에 따르면 갈대와 해홍나물이 대한민국 전체 연안 식생 분포 면적의 약 76%를 차지하는 것으로 나타났다. 이러한 자료는 대한민국 연안의 블루카본 변화 추세를 분석하는 데 중요한 기초 자료로 활용될 수 있을 것으로 기대된다.

Conflict of Interest

Joo-Hyung Ryu has been an Editorial Board of GEO DATA; however, he was not involved in the peer reviewer selection, evaluation, or decision process of this paper. Otherwise, no other potential conflicts of interest relevant to this paper were reported.

Funding Information

This research was supported by Korea Institute of Marine Science & Technology (KIMST) funded by the Ministry of Oceans and Fisheries (RS-2023-00254717).

Data Availability Statement

The data that support the findings of this study are available on request from the corresponding author. The data are not publicly available due to privacy or ethical restrictions.

Fig. 1.
The study site (red box) is located near Gomso Bay on the Western Coast of South Korea.
GD-2024-0012f1.jpg
Fig. 2.
Orthophoto mosaic image (A) created from UAV data acquired on June 25, 2021. An enlarged portion (B) of (A) highlights three specific areas. Phragmites communis (1), greenish (2) and reddish (3) Suaeda maritima. UAV, unmanned aerial vehicle.
GD-2024-0012f2.jpg
Fig. 3.
Flight path for the acquisition of optical imagery. GCP, ground control point.
GD-2024-0012f3.jpg
Fig. 4.
Examples of extracted images for each class. Bottom of image represents input patch and label.
GD-2024-0012f4.jpg
Fig. 5.
Workflow illustrating the process of generating training dataset for model training.
GD-2024-0012f5.jpg
Fig. 6.
Classification result of the study area is shown. Tidal channels crossing the area are depicted in the figure. P. communis, Pyrus communis; S. maritima, Spartina maritima.
GD-2024-0012f6.jpg
Fig. 7.
Locations of 428 validation points are depicted on the ortho mosaic image. The data points were selected at intervals of 5 m. The green, red, and yellow points represent Phragmites communis , Suaeda maritima, and sediment, respectively.
GD-2024-0012f7.jpg
Table 1.
Specification of an UAV model and RGB sensor
Specification Value
DJI Matrice 300 RTK Dimensions (mm) 810×670×430
Weight (kg) 6.3
License classification 2nd
Max wind resistance (m/s) 15
Max flight time (min) 55
GNSS GPS+GLONASS+BeiDou+Galileo (RTK)
Zenmuse P1 (35 mm) Sensor (mm) 35.9×24 (45 MP)
Frame Full frame
Focal length (mm) 35
Photo size (px) 8,192×5,460
Shutter speed 1/8,000 to 1s (ESS)
1/2,000 to 1s (MSS)
Aperture range f/2.8 to f/16

UAV, unmanned aerial vehicle; RGB, red green blue; GNSS, Global Navigation Satellite System; ESS, electronic shutter speed; MSS, mechanical shutter speed.

Table 2.
Additional raw data information
Raw data Value
Covered area (km2) 0.015
P1 images 325
GCPs 13
GSD (cm) 0.6

GCP, ground control point; GSD, ground sampling distance.

Table 3.
Quantitative evaluation results by OA, precision, recall and Cohen’s κ-value
Prediction
P. communis S. maritima Sediment Total
Ground truth P. communis 259 0 1 260
S. maritima 10 38 5 53
Sediment 7 12 96 115
Total 276 50 102 428
Precision (%) 99.6 71.7 83.5
Recall (%) 93.8 76.0 94.1
OA (%) 91.8
κ-value 0.846

OA, overall accuracy; P. communis, Pyrus communis; S. maritima, Spartina maritima.

  • Barbier EB, Hacker SD, Kennedy C, Koch EW, Stier AC, Silliman BR (2011) The value of estuarine and coastal ecosystem services. Ecol Monogr 81(2):169–193Article
  • Chung SH (2018) Features and functions of purple pigment compound in halophytic plant Suaeda japonica: antioxidant/ anticancer activities and osmolyte function in halotolerance. Korean J Plant Res 31(4):342–354
  • Doughty CL, Ambrose RF, Okin GS, Cavanaugh KC (2021) Characterizing spatial variability in coastal wetland biomass across multiple scales using UAV and satellite imagery. Remote Sens Ecol Conserv 7(3):411–429ArticlePDF
  • Gailis M, Kohfeld KE, Pellatt MG, Carlson D (2021) Quantifying blue carbon for the largest salt marsh in southern British Columbia: implications for regional coastal management. Coast Eng J 63(3):275–309Article
  • Gedan KB, Silliman BR, Bertness MD (2009) Centuries of human-driven change in salt marsh ecosystems. Ann Rev Mar Sci 1:117–141ArticlePubMed
  • Kim K, Lee D, Jang Y, et al (2023) Deep learning of high-resolution unmanned aerial vehicle imagery for classifying halophyte species: a comparative study for small patches and mixed vegetation. Remote Sens 15(11):2723Article
  • Lee JS, Kim JW (2018) Dynamics of zonal halophyte communities in salt marshes in the world. J Mar Isl Cult 7(1):84–106Article
  • Lee M, Kim S, Jung H (2019) Distribution patterns of halophytes in the coastal area in Korea. The Sea: J Korean Soc Oceanogr 24(1):139–159
  • Meneses NC, Brunner F, Baier S, Geist J, Schneider T (2018) quantification of extent, density, and status of aquatic reed beds using point clouds derived from UAV-RGB imagery. Remote Sens 10(12):1869Article
  • McMahon L, Ladd CJT, Burden A, et al (2023) Maximizing blue carbon stocks through saltmarsh restoration. Front Mar Sci 10:1106607Article
  • Park JW (2021) Studies on the characteristics of distribution and environmental factor of halophyte vegetation in Western and Southern Coast in Korea. Master’s Thesis, Kongju National University, 123p
  • Park SI, Hwang YS, Um JS (2021) Estimating blue carbon accumulated in a halophyte community using UAV imagery: a case study of the southern coastal wetlands in South Korea. J Coast Conserv 25:38ArticlePDF
  • Ronneberger O, Fischer P, Brox T (2015) U-Net: convolutional networks for biomedical image segmentation. In: Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015 of the 18th International Conference, Munich, Germany, 5-9 Oct 2015
  • Samiappan S, Turnage G, Hathcock LA, Moorhead R (2017) Mapping of invasive phragmites (common reed) in Gulf of Mexico coastal wetlands using multispectral imagery and small unmanned aerial systems. Int J Remote Sens 38(8-10):2861–2882Article
  • Zheng JY, Hao YY, Wang YC, et al (2022) Coastal wetland vegetation classification using pixel-based, object-based and deep learning methods based on RGB-UAV. Land 11(11):2039Article
  • Zhu Q, Wiberg PL (2022) The importance of storm surge for sediment delivery to microtidal marshes. J Geophys Res Earth Surf 127(9):e2022JF006612ArticlePDF
Meta Data for Dataset
Essential
Field Sub-Category
Title of Dataset Unmanned Aerial Vehicle(UAV) derived RGB image and classification result for Jujin estuary in 2021
DOI https://doi.or.kr/10.22808/DATA-2024-2
Category Oceans
Temporal Coverage 2021.06.25.
Spatial Coverage Address (56417) 577, Yongsan-ri, Buan-myeon, Gochang-gun, Jeonbuk-do, South Korea
WGS84 Coordinates 126.600639, 35.508740
126.603343, 35.509753
Personnel Name Yeongjae Jang
Affiliation Korea Institute of Ocean Science and Technology
E-mail yeongjae@kiost.ac.kr
CC License CC BY-NC
Optional
Field Sub-Category
Summary of Dataset • Ortho_image.tif: Geotiff file of RGB image
• The data is resampled to a GSD of 25 cm to comply with national security regulations
• Class_image.tif: Geotiff file of classification into 3 classes
- Sediment (255, 0, 0)
- Phragmites communis (0, 255, 0)
- Suaeda maritima (0, 0, 255)
Project Development of change monitoring technique for tidal flat spatial information (RS-2023-00254717)
Instrument UAV: DJI Matrice300 RTK
Sensor: Zenmuse P1-35 mm

Figure & Data

References

    Citations

    Citations to this article as recorded by  

      Figure
      • 0
      • 1
      • 2
      • 3
      • 4
      • 5
      • 6
      Unmanned Aerial Vehicle Photogrammetry Based Dataset of Halophyte Distribution in Jujin Estuary
      Image Image Image Image Image Image Image
      Fig. 1. The study site (red box) is located near Gomso Bay on the Western Coast of South Korea.
      Fig. 2. Orthophoto mosaic image (A) created from UAV data acquired on June 25, 2021. An enlarged portion (B) of (A) highlights three specific areas. Phragmites communis (1), greenish (2) and reddish (3) Suaeda maritima. UAV, unmanned aerial vehicle.
      Fig. 3. Flight path for the acquisition of optical imagery. GCP, ground control point.
      Fig. 4. Examples of extracted images for each class. Bottom of image represents input patch and label.
      Fig. 5. Workflow illustrating the process of generating training dataset for model training.
      Fig. 6. Classification result of the study area is shown. Tidal channels crossing the area are depicted in the figure. P. communis, Pyrus communis; S. maritima, Spartina maritima.
      Fig. 7. Locations of 428 validation points are depicted on the ortho mosaic image. The data points were selected at intervals of 5 m. The green, red, and yellow points represent Phragmites communis , Suaeda maritima, and sediment, respectively.
      Unmanned Aerial Vehicle Photogrammetry Based Dataset of Halophyte Distribution in Jujin Estuary
      Specification Value
      DJI Matrice 300 RTK Dimensions (mm) 810×670×430
      Weight (kg) 6.3
      License classification 2nd
      Max wind resistance (m/s) 15
      Max flight time (min) 55
      GNSS GPS+GLONASS+BeiDou+Galileo (RTK)
      Zenmuse P1 (35 mm) Sensor (mm) 35.9×24 (45 MP)
      Frame Full frame
      Focal length (mm) 35
      Photo size (px) 8,192×5,460
      Shutter speed 1/8,000 to 1s (ESS)
      1/2,000 to 1s (MSS)
      Aperture range f/2.8 to f/16
      Raw data Value
      Covered area (km2) 0.015
      P1 images 325
      GCPs 13
      GSD (cm) 0.6
      Prediction
      P. communis S. maritima Sediment Total
      Ground truth P. communis 259 0 1 260
      S. maritima 10 38 5 53
      Sediment 7 12 96 115
      Total 276 50 102 428
      Precision (%) 99.6 71.7 83.5
      Recall (%) 93.8 76.0 94.1
      OA (%) 91.8
      κ-value 0.846
      Essential
      Field Sub-Category
      Title of Dataset Unmanned Aerial Vehicle(UAV) derived RGB image and classification result for Jujin estuary in 2021
      DOI https://doi.or.kr/10.22808/DATA-2024-2
      Category Oceans
      Temporal Coverage 2021.06.25.
      Spatial Coverage Address (56417) 577, Yongsan-ri, Buan-myeon, Gochang-gun, Jeonbuk-do, South Korea
      WGS84 Coordinates 126.600639, 35.508740
      126.603343, 35.509753
      Personnel Name Yeongjae Jang
      Affiliation Korea Institute of Ocean Science and Technology
      E-mail yeongjae@kiost.ac.kr
      CC License CC BY-NC
      Optional
      Field Sub-Category
      Summary of Dataset • Ortho_image.tif: Geotiff file of RGB image
      • The data is resampled to a GSD of 25 cm to comply with national security regulations
      • Class_image.tif: Geotiff file of classification into 3 classes
      - Sediment (255, 0, 0)
      - Phragmites communis (0, 255, 0)
      - Suaeda maritima (0, 0, 255)
      Project Development of change monitoring technique for tidal flat spatial information (RS-2023-00254717)
      Instrument UAV: DJI Matrice300 RTK
      Sensor: Zenmuse P1-35 mm
      Table 1. Specification of an UAV model and RGB sensor

      UAV, unmanned aerial vehicle; RGB, red green blue; GNSS, Global Navigation Satellite System; ESS, electronic shutter speed; MSS, mechanical shutter speed.

      Table 2. Additional raw data information

      GCP, ground control point; GSD, ground sampling distance.

      Table 3. Quantitative evaluation results by OA, precision, recall and Cohen’s κ-value

      OA, overall accuracy; P. communis, Pyrus communis; S. maritima, Spartina maritima.


      GEO DATA : GEO DATA
      TOP