LiDAR, 수치지형도, 항공사진 기반 수치표고모델을 활용한 중부 양산단층의 선형구조 추출과 비교

오정식; 김동은

추천

검색

질문

자료유형: 학술저널

저자정보: 오정식 (고려대학교) 김동은 (고려대학교)

저널정보: 대한지리학회 대한지리학회지 대한지리학회지 제54권 제5호(통권 제194호)

발행연도: 2019.10

수록면: 507 - 525 (19page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (3)

2019

다양한 유형의 DEM을 활용한 선형구조 추출과 활성단층 추적에 있어서 활용에 관한 논의: 중부 양산단층의 사례

오정식 , 김동은 대한지리학회 학술대회논문집 2019.11 학술대회자료

LiDAR, 수치지형도, 항공사진 기반 수치표고모델을 활용한 중부 양산단층의 선형구조 추출과 비교

오정식 , 김동은 대한지리학회지 2019.10 학술저널

가음단층계의 선형구조 추출과 선형구조와 단층활동의 관련성

오정식 한국지형학회지 2019.01 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

중부 양산단층에서 보고된 벽계단층과 단구단층 일대 약 27㎢ 구역을 대상으로 LiDAR, 수치지형도, 항공사진 기반의 DEM을 구축하고, DEM 유형에 따른 선형구조 인지 특징과 선형구조 추출 결과를 비교했다. 구축된 DEM은 유형별로 다른 시기의 지표를 구현하며, 각각의 해상도는 L-DEM(LiDAR 기반 DEM)이 0.50m, T-DEM(수치지형도 기반 DEM)이 5.00m, 그리고 A-DEM(항공사진 기반 DEM)이 0.46m이다. PCI Geomatica 소프트웨어의 라인 모듈을 활용하여 선형구조를 자동추출한 결과 모든 유형의 DEM에서 산지를 중심으로 높은 선형구조 분포밀도를 보였지만, 분절 길이와 주향, 그리고 추출된 선형구조의 개수는 DEM 유형에 따라 현저한 차이를 나타냈다. 시각적 판독을 통해 추출된 선형구조는 DEM 유형에 따른 추출 개수의 차이가 크지 않았다. 특히, 단층와지, 단층구릉, 삼각말단면과 같이 주변 지형과의 기복 차이가 뚜렷하거나, 수평 변위를 동반하는 굴절하천으로 인지된 선형구조는 DEM 유형과 관계없이 추출 결과가 유사했다. 이러한 결과는 시각적 판독이 단층활동과 직접 관련성이 높은 선형구조만을 감독 분류하여 추출하기 때문이다. 선형구조 추출 결과와 야외조사를 바탕으로 단층활동과 연관성이 높은 21개의 선형구조가 분리 추출되었으며, 이들 중에서 3개는 단층애와 굴절하천과 같은 제4기 지형 변위가 인지된 활성도 높은 선형구조로 평가됐다. DEM 유형별 선형구조 추출결과를 종합할 때, T-DEM은 선형구조의 거시적 특성을 파악하는데 유효하며, 1m 이하의 고해상도로 구축 가능한 L-DEM과 A-DEM은 제4기 지형의 변위를 수반한 선형구조를 추적할 때 유효함을 알 수 있었다. 특히, 활성도 높은 선형구조를 추적하고 선형구조 간 관계와 정확한 분절을 파악하는데 L-DEM의 활용성이 크며, 인위적 영향으로 지형의 변화가 심한 지역은 원지형에 가까운 지표를 구현하는 A-DEM이 효과적인 보완자료로 활용될 수 있다.

LiDAR, digital topographic map, aerial photo-based DEMs were generated for the area of 27㎢ including Byuckgae and Dangu fault site reported from the central segment of Yangsan fault. We compared the characteristics of lineament detection and the results of lineament extraction based on type of DEMs. The generated DEMs are subjected to different time and have different resolutions of 0.50m for L-DEM (LiDAR-based DEM), and 5.00m for T-DEM (Digital topographic map-based DEM), 0.46m for A-DEM (Aerial photo-based DEM). Automatic extraction of lineaments using the ‘Line Module’ of the PCI Geomatica software resulted in high density of lineament distributions in the mountainous regions, showing similar results in the all types of DEM. However, segment length, strikes (directions), and the number of extracted lineaments differed significantly depending on the type of DEMs. The lineaments extracted by visual detecting showed similar numbers of extractions in all types of DEM. In particular, the lineaments recognized as fault-related landforms with distinct relief and horizontal displacement such as fault saddles, kernbuts, triangular facets, and deflected streams, had similar extraction results in all types of DEM. These results are because visual detection only classifies the lineament related to fault activation. We extracted 21 lineaments related to fault activation based on the results of lineament extraction and field survey. Three of them are identified as a highly active lineament, and displacements of Quaternary landforms, such as fault scarps or deflected streams are identified. We believe that T-DEM is effective for understanding the macroscopic characteristics of lineaments. L-DEM and A-DEM, which can be generated with high resolutions of less than 1m, are more effective when tracking highly active lineaments with displacement of Quaternary landforms. In particular, L-DEM is useful for tracing active lineament and identifying precise segmentation pattern and the relationship between the lineaments. In areas where the landforms have changed due to anthropogenic effects, A-DEM representing initial landforms can be practically used as a supplementary data.

#선형구조 #선형구조 추출 #수치표고모델 #양산단층 #활성단층 #lineament #lineament extraction #digital elevation model #Yangsan fault #active fault

참고문헌 (38)

참고문헌 신청

국가활성단층연구단, 2019, 한반도 단층구조선의 조사 및평가기술 개발 표준 절차 및 지침.

김경덕·이동국·유영걸·이현직, 2017, “무인항공사진측량 절차를 적용한 항공사진영상의 처리 및 소규모 변화 지역의 수치지도 수정/갱신 방안,” 한국지형공간정보학회지, 25(4), 15-24.

김상완·원중선·김원균·민경덕, 1999, “자동 선구조 추출 알고리즘을 이용한 경북 의성지역의 선구조분석,” 자원환경지질, 32(1), 19-31.

김원균·원중선·김상완, 1996, “원격탐사자료와 수치표고모형을 이용한 지질학적 선구조 분석기술: 경상분지 의성지역을 중심으로,” 대한원격탐사학회지, 12(2), 139-154.

김영석·진광민·최원학·기원서, 2011, “활성단층의 이해: 최근의 연구에 대한 고찰,” 지질학회지, 47(6),723-752.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

오정식

소속기관 동국대학교-서울캠퍼스

주요연구분야 사회과학 > 지리학 > 지리학 일반 사회과학 > 지리학 > 국제·지역개발학

논문수 14 이용수 1,302

김동은

소속기관 한국지질자원연구원

주요연구분야 사회과학 > 지리학 > 지리학 일반 공학 > 컴퓨터학

논문수 15 이용수 1,286

이 논문과 함께 이용한 논문

딥러닝에 의한 항공사진 구름 분류 및 탐지 비교 실험

송준영 , 원태연 , 조수민 외 5명 한국측량학회지 2021 .12

고정밀 LiDAR 데이터를 이용한 수치지형도(등고선) 정확도 검증

유태우 , 권재현 한국측량학회 학술대회자료집 2020 .07

Characteristics of the topographical deformation in the central part of the Ulsan fault

김태형 , 신현조 , 김영석 지질학회지 2020 .04

고려시대 흥원창과 법천·거돈·흥법 원주 3대 강변사찰

홍금수 대한지리학회지 2019 .12

리슈만편모충은 어떻게 ‘하나의 유럽’에 균열을 가했는가?: ‘인간 너머의 위험경관’의 시각에서 바라본 코스모폴리타니즘의 한계

황진태 , 김민영 , 배예진 외 2명 대한지리학회지 2019 .06

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2019-981-001328793

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (38)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)