diff --git a/docs/raw/요구_1103/_분석_601-1_라이다지면가름_외부조사.md b/docs/raw/요구_1103/_분석_601-1_라이다지면가름_외부조사.md
new file mode 100644
index 000000000..4f4199081
--- /dev/null
+++ b/docs/raw/요구_1103/_분석_601-1_라이다지면가름_외부조사.md
@@ -0,0 +1,176 @@
+# 조사 601 — 라이다 지면 · 식생 가름 외부 조사 · 품질 확인 방법 (요구 601 · 조사만)
+
+앱 코드 · storage · DB · 설정 손대지 않음. 출처는 열어 본 것만 · [번호] = 6 장 목록. 「재인용」 = 남의 논문이 옮긴 값 · 「추정」 = 짐작 · 「못 찾음」 = 원문 못 엶.
+
+## 0. 결론
+
+1. 바깥 논문도 같은 결론 — 경사 15° 넘는 숲 · 덤불이 모든 필터의 가장 큰 약점 · 하나로 다 되는 필터 없음 → 「거른 뒤 한 번 더 다듬기」가 정석.
+2. 599 열림 거름의 능선 깎임은 문헌에 답 있음 — 거름 창을 조금씩 키우며 문턱도 같이 키우고, 마지막 판정은 「다시 그린 임시 지면 + 비탈만큼 너그러운 문턱」(SMRF 방식) · 1 순위로 권함.
+3. 점 하나의 단서는 「둘레 땅보다 얼마나 높나」가 으뜸 · 색(초록 정도) · 반사 세기 · 마지막 반사는 보탬 — 우리 LAS 에 이미 다 있으나 지금 필터는 안 씀.
+4. 품질은 기준 없이도 잼 — 튐 · 등고선 거품 · 꺾임 + 「땅 점 빈 곳」 지도 + 필터끼리 차 지도 · 검사점이 있으면 30 점 넘게 · 열린 땅 RMSE 10 cm · 숲은 중간값 · NMAD 로 보고.
+5. 한국 작업규정 원문은 못 엶(재인용: 항공레이저 RMSE 25 cm · 1/1,000 도면 0.5 m) · 딥러닝은 업체 분류 한 곳으로 학습 자료 모자람 — 뒤로 미룸.
+
+## 1. 지면 가름 갈래 — 원리 · 숲 급경사 성적 · 약점 · 도구
+
+### 1-1 갈래별
+
+| 갈래 | 원리 한 줄 | 숲 · 급경사 성적 | 약점 | 파이썬 도구 |
+| --- | --- | --- | --- | --- |
+| 경사 기반(Vosselman · MLS) | 두 점 사이 기울기가 문턱 넘으면 물체 | 지중해 숲 MLS 총오류 37.5 %(꼴찌) · 땅 점 75 % 버림 [6] | 급경사에서 땅도 물체로 버림 [1][6] | whitebox `LidarGroundPointFilter`(반지름 2 m · 기울기 45° · 높이 1 m · `slope_norm` 켬) [25] |
+| 형태학(PMF) | 칸 최저면을 창 키우며 열림 · 문턱 = 기울기 × 칸 × 창 증가 + 0.15 m(최대 2.5 m) [10] | 지중해 숲 ALDPAT-PM · ETEW · MLS 보다 나음 [6] · 바위 급경사 총오류 60 % [4] | 능선 · 꼭대기 깎임 [4] · 큰 창은 느림 [10] | PDAL `filters.pmf`(PDAL 이 smrf 를 더 권함) [10] · 앱 PMF |
+| SMRF(Pingel 2013) | PMF + 걸린 칸 빼고 임시 지면 다시 그림 → 점마다 「문턱 0.5 m + 1.25 × 그 자리 기울기」 [9] | ISPRS 평균 총오류 2.97 %(Axelsson 4.82 · CSF 4.39) [2] · 바위 급경사 11 % → 펴기 뒤 8 % [4] | 창 · 기울기 문턱 다듬기 필요 | PDAL `filters.smrf`(칸 1 m · slope 0.15 · window 18 m · threshold 0.5 · scalar 1.25 · 마지막 · 단일 반사만) [9] |
+| 점진 TIN(PTD · Axelsson) | 칸 최저 씨앗 → 삼각망에 각 · 거리 문턱 안 점을 차례로 넣음 | ISPRS 급경사 총오류 최소 · 물체를 땅으로 받는 쪽으로 치우침 [1] · 사진 점군 급경사에서도 고름 [8] · lidR 이 산지에 권함(각 40° · 거리 3 m · 씨앗 칸 10 m) [12] | 씨앗 하나라도 비지면이면 틀림 [12] · 넣은 점이 다음 기준이 되어 덤불 타고 오름(599) | lidR `ptd()`(R) · LAStools · 앱 PTD |
+| 면 기반 · MCC(Evans 2007) | TPS 등 보간면을 여러 축척으로 되풀이 · 면보다 볼록하게 뜬 점을 뺌 [13] | 지중해 숲 7 필터 중 1 위 — 맞음 83.3 % · κ 0.67 · 총오류 16.7 % [6] | 땅 점 남김은 적으나 물체 받음 20.8 % [6] · 계산 무거움(추정) | R `RMCC` · lidR `mcc()` [12] |
+| CSF(Zhang 2016) | 뒤집은 점 위에 천을 떨어뜨려 지면 근사 | ISPRS 평균 총오류 4.58 %(초록) · 4.39 %(표 4) [2] · 바위 급경사 16 % → 펴기 뒤 6 % [4] · 드론 덤불 OA 91.8 % [14] | 급경사 · 구덩이 · 절벽에서 가장 나쁨 · 천이 비탈 끝에 못 붙음 [2] | PDAL `filters.csf` · `cloth-simulation-filter`(pip) · 앱 CSF |
+| 특징 분류기(CANUPO · GMM · RF) | 점 둘레 꼴(여러 축척 차원성 · 높이 잔차) · 색 · 세기로 가름 | CANUPO 홀로 4 % · CANUPO + CSF 0.9 % [4] · 드론 덤불 GMM OA 94.1 %(CSF 91.8 · PMF 92.4 · RandLA-Net 93.3) [14] | 줄기 · 수관 남김(CANUPO) [4] · 색 · 세기 보정 필요 [14] | CloudCompare CANUPO · scikit-learn(미설치) |
+| 딥러닝(PointNet++ · KPConv · RandLA-Net) | 대량 라벨로 점마다 지면 / 비지면 학습 | OpenGF 시험 I(학습과 다른 곳 · 6 점/m²) OA 96.3~97.8 %(CSF 93.1) · DEM RMSE 0.20~0.29 m(CSF 0.95) · 시험 II(대도시 · 잡점 뺀 판) DEM RMSE 1.2~4.9 m(PMF 1.1 · CSF 1.9) [5] | 수억 점 라벨 · GPU 필요 · 시험 지역 따라 흔들림 [5] | PyTorch(미설치) |
+
+- 용어 — Type I = 땅 점을 버림 · Type II = 물체 점을 땅으로 받음 · 총오류 = 틀린 점 / 전체 [1][2]. Štroner [4] 는 이름을 거꾸로 씀 — 여기서는 풀어 씀.
+
+### 1-2 숲 · 급경사 비교 논문 — 핵심 수치
+
+| 논문 | 자료 · 지형 | 핵심 |
+| --- | --- | --- |
+| Sithole & Vosselman 2003 [1] | ISPRS 시험(옛 항공 라이다 · 8 팀) | Type I 0~64 % · Type II 0~19 % · 총 2~58 % · 대부분 Type II 줄이기 쪽(Axelsson · Sohn 만 예외) · 급경사에서는 「식생이 이웃보다 높다」 가정이 무너짐 · 날카로운 능선 지키기 = 볼록 비탈 지키기의 더 심한 꼴 |
+| Meng 2010 리뷰 [3] | 문헌 리뷰 | 필터가 못 하는 셋 = 거친 · 끊긴 비탈 · 짙은 숲(투과 안 됨) · 낮은 식생 · 1 m 밑 덤불은 둘레 땅과 기울기 · 높이 차가 비슷해 땅으로 잘못 들어감 |
+| Montealegre 2015 JSTARS [6] | 스페인 PNOA 항공(저밀도) · 지중해 숲 · 손 분류 424 점 | MCC 1 위 · LAStools 2 위 · 15° 넘는 비탈에서 MLS 빼고 모두 Type I 늚 · 가장 나쁜 덮개 = 새로 난 덤불 + 쓰러진 나무 · 그루터기 · 점 밀도 · 스캔 각 영향은 작음 |
+| Klápště 2020 [8] | 같은 곳 항공 라이다 · 드론 사진 점군 · 6 필터 | 라이다 RMSE 0.13~0.19 m · 사진 0.19~0.23 m · 가장 큰 변수 = 처음 최저점(씨앗) 고르기 |
+| Štroner 2021 [4] | 드론 사진(SfM) · 철도 옆 바위 급경사 | 기하 필터는 모서리 · 돌출 · 꼭대기를 깎음 · 수평으로 돌려 펴면 오류 절반 · CANUPO 먼저 → CSF 뒤 = 0.9 % |
+| Cățeanu 2017 [20] | 루마니아 산지 숲 항공 | 최고 RMSE 0.34 m(현장 구 0.66 m) · 짙은 수관 밑 지면점 0.10 점/m²(평균보다 −86 %) · 손 고침 필요할 것 |
+| Liu 2025 [14] | 드론 라이다(CHCNAV AU20 · 665 점/m²) · 덤불 덮인 기복지 | 높이 잔차 + 녹색도(GLI) + 세기 GMM · 낮은 덤불에서 CSF · PMF · RandLA-Net 보다 나음 |
+| OpenGF 2021 [5] | 9 지형 · 4 나라 · 47 km² · 5 억 점 라벨 | 시험 I 은 딥러닝이 앞섬 · 시험 II(대도시 · 잡점 뺀 판)는 OA 와 DEM RMSE 차례가 뒤집힘(PMF OA 꼴찌 · RMSE 1 위) · 숲 · 급경사 장면(S7 · S8)도 학습 자료에 듦 |
+| 김의명 · 조두영 2012 [22] | 한국 산지 · 도시 항공 | 산지 ATIN(점진 TIN) 1 위 RMSE 0.131 m(검사점 5) · 시점 중심(PC) 필터는 산 위 땅 점을 버려 꼴찌 |
+
+- **드론 라이다(DJI L1 · L2) 전용 독립 비교 수치 — 못 찾음.** 판매사 블로그 · 학회 초록만 나옴 → 안 씀. 가장 가까운 것 = 드론 라이다 덤불 [14] · 사진 점군 급경사 [4][8].
+- 599 와 맞닿음 — PTD 혹이 CSF 보다 높음 = Axelsson 꼴의 「물체 받기」 치우침 [1] · 점 맞음(PTD 83 %)과 서피스 품질이 엇갈림 = OpenGF 의 OA 대 DEM RMSE 뒤집힘 [5] 과 같은 꼴.
+
+## 2. 점 하나의 단서 — 지면 / 식생 가름에 얼마나 돕나
+
+| 단서 | 근거 수치 | 우리 자료 |
+| --- | --- | --- |
+| 둘레 지면 대비 높이(잔차 · 칸 최저 대비 높이) | 드론 덤불 단독 F1 93.3 %(셋 중 1 위) · 넣으면 지면 IoU +13 % · OA +6 % [14] · 도시 RF 중요도 1 위 = 「둘레 최저점 대비 높이 차」 · 높이 분산 [15] | 계산만 하면 됨 |
+| 색 — 녹색도(GLI) | 단독 F1 89.0 % · 넣으면 지면 IoU +7 % · OA +3 % [14] | `rgb` 저장됨(카메라 입힘 · 그늘 영향 추정) |
+| 반사 세기(intensity) | 단독 F1 75.2 % · 넣으면 지면 IoU +2 % · OA +1 % · 거리 · 각 보정 필요 [14] · 땅이 세기 높고 식생이 낮음 [14] | `intensity` 저장됨 |
+| 반사 차례 · 마지막 반사 | 숲 연구는 마지막 반사를 씀 · 반론 = 마지막 반사도 물체 아래쪽일 수 있음 [3] · PDAL SMRF · PMF 기본 = 「마지막 · 단일 반사만」 [9][10] · 반사 수 특징은 꼴 특징이 있으면 중요도 낮음(도시) [15] | `return_number` · `number_of_returns` 저장됨 |
+| 둘레 꼴(평면도 · 고유값 λ3 · 평면 거리 · 거칠기) | λ3 · 평면 거리가 꼴 특징 중 중요 [15] · 여러 축척 차원성(CANUPO)이 땅 가까운 낮은 덤불을 잘 지움 · 줄기 · 수관은 남김 [4] | 계산 필요 |
+| 스캔 각 · 점 밀도 | 영향 작음(형태학 필터는 덜 민감) [6] | — |
+| 우리 필터 지금 | 필터에 `xyz` 만 넘김(599 §1) · 저장 파일에는 세기 · 색 · 반사 차례 · 반사 수 모두 있음(`B04_PreProcess_Engine_Structurize.py` `_ATTRIBUTES`) | — |
+
+- 정리 — 꼴(높이 잔차)이 주 · 색 · 세기 · 반사 차례는 꼴이 모자랄 때 보탬 [14][15]. 단서 하나로 덤불을 가르는 근거 없음.
+
+## 3. 품질 확인 방법
+
+### 3-1 기준이 있을 때
+
+| 방법 | 정의 · 수치 | 출처 |
+| --- | --- | --- |
+| Type I · II · 총오류 · Kappa | 기준 라벨 대비 점 셈 · ISPRS 는 필터 DEM 과 기준 점 높이를 20 cm 문턱으로 비교해 라벨 | [1][2] |
+| 검사점 RMSE(ASPRS 2판) | 검사점 최소 30 · 최대 120 · 검사점은 제품보다 2 배 정확 · 측량 오차 포함 · 95 % 신뢰 표현 없앰 · RMSEv 하나로 | [17][19] |
+| NVA · VVA(USGS LBS) | QL1 · QL2 RMSEv ≤ 0.10 m(옛 NVA 95 % 0.196 m · 옛 VVA 95 백분위 0.30 m) · **NVA 는 맞춰야 · VVA 는 보고만**(VVA 만으로 불합격 없음) | [17][19] |
+| VVA 재는 법 | 검사점을 식생 안(다중 반사 곳)에 둠 · 지면점 TIN 과 비교 · 최종 DEM 과도 비교 | [18] |
+| 숲 = 중간값 · NMAD · 분위 | 숲 오차는 꼬리가 길어 정규분포 아님 → 중간값 · NMAD = 1.4826 × 중간값(\|Δh − 중간값\|) · 68.3 % · 95 % 분위 | [16] |
+| 분류 고르기 | 타일 · 비행줄 사이 분류 질감이 눈에 띄게 다르면 납품 전체 반려 | [18] |
+| 한국 | 원지반 지형현황측량 DSM · DEM 평면 · 표고 ±10 cm(지면 드러난 원지반) | [26] |
+
+### 3-2 기준이 없을 때 — 자동으로 잴 수 있는 것
+
+| 방법 | 잡는 것 | 근거 | 한계 |
+| --- | --- | --- | --- |
+| 음영기복 눈 검사 | 혹 · 구덩이 · 능선 깎임 | 정성 평가 표준 [1][22] | 사람 눈 · 수치 아님 |
+| 튐 · 거품 · 꺾임 · 곡률(599 정의) | 남은 덤불 혹 | 599 측정(업체 분류 대비 PTD 8 배) | 외부 문턱 수치 못 찾음 — 우리 기준 |
+| 지면점 밀도 · 빈 곳 지도 | 땅 반사 없는 곳(어느 필터든 보간 · 덤불 고름) | 빈 곳 = (4 × 점 간격)² 넘는 넓이 · 칸 90 % 에 점 하나(첫 반사 기준) [18] · 15° 넘고 지면점 ≤ 0.30 점/m² = 오차 가장 큼 · 15° 밑은 불확실성 낮음 [7] · 짙은 수관 밑 지면점 −86 % [20] | 밀도 높아도 덤불 점이면 못 잡음 |
+| 지면점 일부 빼고 맞혀 보기 | 보간 흔들림(RBF 잔물결) | 뺀 점 대비 RMSE 2.68 cm 대 GPS 검사점 37.10 cm(각 최고 방법 · 14 배 차) [7] | **필터 잘못은 못 잼** — 뺀 점도 같은 필터 결과 |
+| 국가 DEM(국토지리정보원 5 m) 대조 | 수 m 넘는 큰 잘못 | 5 m DEM 정확도 수치 못 찾음 · 1/5,000 도면 수직 RMSE 1.0 m(최대 1.5 m) 재인용 [23] · 김 · 조는 국토지리정보원 라이다 지면점과 상대 비교 [22] | 1 m 밑 혹은 못 가름(추정) |
+| 필터끼리 일치도 | 필터가 갈리는 곳 = 불확실 | 외부 수치 못 찾음 · 599 E(PTD ∩ CSF) 튐 −42 % | 둘 다 틀린 곳은 못 잡음 |
+| 불확실성 지도 | 믿을 수 없는 곳 표시 | 기울기 · 지면점 밀도 · 덮개로 나무 회귀(CART) [7] · 잭나이프 · 몬테카를로 [13] | 모형 맞출 기준 필요 |
+
+### 3-3 앱에 넣기 좋은 지표 — 권함(문턱은 제안 · 사용자 협의)
+
+| 지표 | 문턱(제안) | 근거 |
+| --- | --- | --- |
+| ① 튐 넓이 비율(5 × 5 중간값 대비 0.5 m) | ≤ 3 % | 업체 분류 1.7 % · PTD 14.3 %(599) |
+| ② 1 m 등고선 꺾임 | ≤ 45 /km | 업체 33 · PTD 114(599) |
+| ③ 땅 점 빈 곳 지도 + 넓이 % | 2 m 안 지면점 없는 칸 · 그중 기울기 > 15° 칸을 「자료 성김」으로 칠함 · 넓이 % 는 보고만 | [7][18] · 업체 빈 곳 13 %(599) |
+| ④ 필터 차 지도(지금 필터 대 다른 필터) | \|차\| > 0.5 m 넓이 ≤ 5 %(추정) | 599 E · 외부 근거 못 찾음 |
+| ⑤ 검사점이 있을 때 | 30 점 넘게 · 열린 땅 RMSEv ≤ 0.10 m(USGS QL2) · KCS ±10 cm · 숲 = 중간값 · NMAD · 95 % 분위 보고만 | [16][17][26] |
+
+- 점 지표(맞음 % · Kappa)는 참고만 — 서피스 품질과 뒤집힘(599 · [5]).
+
+## 4. 한국 기준
+
+| 자료 | 내용 | 상태 |
+| --- | --- | --- |
+| KCS 10 30 05 건설공사 측량 [26] | 벌목 · 표토 제거 뒤 원지반 지형현황측량 → DEM 작성 · DSM · DEM 사용 시 평면 · 표고 ±10 cm · DSM · DEM 로 토공량 자동 산정 시 일부 구간 검증 뒤 종 · 횡단측량 생략 가능(감독자 협의) | 지식DB 원문 |
+| KCS 10 70 06 토공 자동화 시공 [26] | DEM = 식생 · 인공 지물 뺀 지형 · 드론 영상 · 라이다 토공량을 설계 토공량과 비교해 보고 | 지식DB 원문 |
+| KDS 47 10 20 측량 및 지반조사 [26] | 레이저측량으로 현황도 · DEM 작성 시 항공레이저측량 작업규정 따름 | 지식DB 원문 |
+| 항공레이저측량 작업규정(국토지리정보원 고시 제2009-593호) 제35조 | 데이터 RMSE 25 cm | 재인용 [24] · 원문 못 엶 |
+| 무인비행장치 측량 작업규정 제23조 → 항공레이저측량 작업규정 수직 정확도 준용 | 1/1,000 RMSE 0.5 m(최대 0.75) · 1/2,500 0.7 m(1.0) · 1/5,000 1.0 m(1.5) | 재인용 [23] · 원문 못 엶 |
+| 작업규정의 지면 분류 방법 · 점밀도 · 분류 정확도 조항 | — | 못 찾음(국가법령정보센터 화면이 스크립트라 못 읽음 · 지식DB 에 작업규정 원문 없음) |
+| 한국 숲 실측(이상훈 외 2009) [21] | 검사점 24 · 평균 \|dz\| 0.40 m · 표준편차 0.909 m · 최대 4.15 m(빛 안 드는 활엽수 밑) · 오차와 경사 R² 0.671 · 지면점 밀도와 R² 0.222(음) · 낙엽 뒤 촬영 권함 · Hyyppä 2000 재인용 = 평지 15 cm → 경사 40 % 에서 40 cm | 원문 |
+| 한국 산지 필터 비교(김 · 조 2012) [22] | 판정 = 음영기복 + GPS 검사점 + 국토지리정보원 라이다 지면점 상대 비교 | 원문 |
+
+- 임도 설계에 필요한 지반고 정확도 수치는 지식DB 에 없음 — 문턱은 사용자 협의.
+
+## 5. 우리 길 권함
+
+### 5-1 599 「열림 거름 + 능선 처짐」 — 문헌 해법
+
+| 해법 | 내용 | 근거 |
+| --- | --- | --- |
+| 창 키우며 문턱 키움 | 반지름 1 칸부터 최대까지 한 칸씩 · 문턱 = 기울기 × 칸 × 반지름 → 완만히 솟은 능선은 문턱 안에 듦 | SMRF [9] · PMF [10] |
+| 열린 면이 아니라 다시 그린 임시 지면과 비교 | 걸린 칸만 빼고 남은 칸으로 임시 지면 보간 → 점마다 \|z − 임시 지면\| ≤ 0.5 m + 1.25 × 그 자리 기울기 → 비탈 · 능선에서 너그러움 | SMRF 원문 인용 · PDAL 코드 [9] |
+| 기울기 펴고 거르기 | white top-hat 으로 지형을 평평히 편 뒤 일정 문턱 · 점군을 수평으로 돌려 거르면 오류 절반 | whitebox `slope_norm` [25] · [4] |
+| 아래 잡점 먼저 | 뒤집어 열림(SMRF 낮은 잡점 가림) · 통계 잡점 거름 → 지면 거름 | [9][11] · 599 아래 비지면 22 % |
+| 남는 한계 | 날카로운 능선 지키기는 문헌도 완전 해법 없음 | [1][4] |
+
+- 599 D 와 차이 — D 는 반지름 4 m 하나 · 열린 면 대비 「0.5 m + 기울기」 판정 → 폭 8 m 밑 볼록은 열림에서 통째로 깎임(추정). SMRF 는 그 칸을 빼고 둘레로 다시 그린 면과 비교.
+
+### 5-2 차례
+
+| 차례 | 무엇 | 기대 효과 | 품 | 위험 | 근거 |
+| --- | --- | --- | --- | --- | --- |
+| 1 | **SMRF 꼴 다듬기를 implicit 앞 한 자리에**(599 D 자리 갈음) — 창 키움 + 임시 지면 다시 그림 + 기울기 비례 문턱 · 낮은 잡점 먼저 | D 의 튐 −71 % 는 지키고 능선 · 볼록 처짐을 줄임(추정) | 중 — numpy · scipy 로 열림 · 보간 · 기울기(PDAL 미설치) | 창 · 문턱 훑기 필요 · 넓은 덤불 판은 남음 | [9][10][2] |
+| 2 | 기울기 펴고 거르기 — 1 의 판정 앞에 top-hat 으로 지형 폄 | 급경사 Type I 줄임 | 하~중 | 큰 창 top-hat 은 능선도 폄(추정) | [25][4] |
+| 3 | 점 단서로 다듬기 — 지면 후보 중 「높이 잔차 + 녹색도 + 세기」 두 무리 가름(GMM) · 씨앗은 마지막 반사만 | 낮은 덤불 · 풀 혹 줄임(남의 자료 OA +1.7~2.4 %) | 중 | 색은 카메라 입힘 · 그늘 · 세기 보정 · 우리 자료에서 효과 미검증 | [14][15][3] |
+| 4 | MCC 꼴 TPS 곡률 되풀이 — 지금 implicit(TPS) 로 맞춤 → 위로 문턱 넘는 중심점 뺌 → 축척 바꿔 2~3 번 | 숲 급경사 1 위 필터 꼴 · 물체 받음 적음 | 중~상 — TPS 여러 번(시간 늚) | 시간 · 볼록 처짐 되풀이 가능 | [6][13] |
+| 5 | PTD 씨앗 손봄 — 씨앗 칸 키움 · 씨앗 중 둘레보다 뜬 것 뺌 | 덤불 타고 오름의 시작점 줄임 | 하 | 599 B(장면 바꿈) 효과 없었음 · 효과 불확실 | [8][12] · 599 위 혹 71 % 가 더 낮은 점 있는 칸 |
+| 6 | 「자료 성김」 지도 화면 표시 — 기울기 > 15° 이고 땅 점 빈 곳 | 업체 빈 곳 13 %(튐 45 %)를 설계자가 앎 | 하 | 고침 아님 · 표시만 | [7][18] |
+| 7 | 딥러닝 | — | 상 | — | [5] |
+
+- 딥러닝 판단 한 줄 — **업체 분류 한 곳(용화 4,900 만 점 · 지면 114 만)으로는 모자람**: OpenGF 는 9 지형 · 4 나라 · 5 억 점 라벨로도 시험 II DEM RMSE 1.2~4.9 m(PMF 1.1) [5] · 업체 라벨은 DJI 자동 분류라 그 흠(빈 곳 13 %)까지 배움 · torch 미설치 → 여러 현장 업체 분류가 쌓이면 다시 봄.
+- 업체 분류가 있는 LAS 는 지금처럼 Classification 필터가 가장 나음(599 기준).
+- 덤 — 같은 필터라도 판정은 서피스 지표(3-3 ①~④)로 · 표본 LAS 를 지형 다른 곳 1~2 개 더(599 §7).
+
+## 6. 출처(열어 본 것)
+
+| 번호 | 제목 · 해 | DOI · URL |
+| --- | --- | --- |
+| 1 | Sithole & Vosselman, Comparison of filtering algorithms, ISPRS Archives XXXIV-3/W13, 2003(같은 시험의 2004 저널판 10.1016/j.isprsjprs.2004.05.004 은 못 엶) | https://www.isprs.org/proceedings/XXXIV/3-W13/papers/Sithole_ALSDD2003.pdf |
+| 2 | Zhang et al., An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation, Remote Sens. 8(6):501, 2016 | 10.3390/rs8060501 |
+| 3 | Meng, Currit, Zhao, Ground Filtering Algorithms for Airborne LiDAR Data: A Review of Critical Issues, Remote Sens. 2:833, 2010 | 10.3390/rs2030833 |
+| 4 | Štroner et al., Vegetation Filtering of a Steep Rugged Terrain, Remote Sens. 13:3050, 2021 | 10.3390/rs13153050 |
+| 5 | Qin et al., OpenGF: An Ultra-Large-Scale Ground Filtering Dataset, CVPR Workshops 2021 | https://arxiv.org/abs/2101.09641 |
+| 6 | Montealegre, Lamelas, de la Riva, A Comparison of Open-Source LiDAR Filtering Algorithms in a Mediterranean Forest Environment, IEEE JSTARS 8(8):4072, 2015 | 10.1109/JSTARS.2015.2436974 · https://zaguan.unizar.es/record/65619/files/texto_completo.pdf |
+| 7 | Montealegre, Lamelas, de la Riva, Interpolation Routines Assessment in ALS-Derived DEMs for Forestry Applications, Remote Sens. 7:8631, 2015 | 10.3390/rs70708631 |
+| 8 | Klápště et al., Sensitivity analysis of parameters and contrasting performance of ground filtering algorithms with UAV photogrammetry-based and LiDAR point clouds, Int. J. Digital Earth, 2020(요약 쪽만) | 10.1080/17538947.2020.1791267 · https://www.fzp.czu.cz/en/r-9409-science-research/r-9674-leading-research-groups/r-12318-spatial-science-in-ecology-and-environment-group/r-12302-team-news/publication-on-sensitivity-analysis-of-parameters-and-contra.html |
+| 9 | PDAL filters.smrf 문서 · SMRFilter.cpp(Pingel et al. 2013 ISPRS J. 77:21 원문 인용 주석 · 원 논문은 못 엶) | https://pdal.io/stages/filters.smrf.html · https://github.com/PDAL/PDAL/blob/master/filters/SMRFilter.cpp |
+| 10 | PDAL filters.pmf 문서(Zhang et al. 2003 PMF 구현) | https://pdal.io/stages/filters.pmf.html |
+| 11 | PDAL 워크숍 Identifying ground | https://pdal.io/workshop/manipulation/ground/ground.html |
+| 12 | lidR book — Ground classification | https://r-lidar.github.io/lidRbook/gnd.html |
+| 13 | Evans & Hudak, A Multiscale Curvature Algorithm for Classifying Discrete Return LiDAR in Forested Environments, IEEE TGRS 45(4):1029, 2007(초록) | 10.1109/TGRS.2006.890412 · https://research.fs.usda.gov/treesearch/29032 |
+| 14 | Liu et al., Integrating Elevation Frequency Histogram and Multi-Feature GMM for Ground Filtering of UAV LiDAR in Densely Vegetated Areas, Remote Sens. 17:3261, 2025 | 10.3390/rs17183261 |
+| 15 | Chehata, Guo, Mallet, Airborne Lidar Feature Selection for Urban Classification Using Random Forests, ISPRS Archives XXXVIII-3/W8, 2009 | https://www.isprs.org/proceedings/XXXVIII/3-W8/papers/207_laserscanning09.pdf |
+| 16 | Höhle & Höhle, Accuracy assessment of DEMs by means of robust statistical methods, ISPRS J. 64(4):398, 2009 | 10.1016/j.isprsjprs.2009.02.003 |
+| 17 | USGS, Adopt updated accuracy standards(ASPRS 2판 반영 · LBS 표 4 고침) | https://www.usgs.gov/ngp-standards-and-specifications/adopt-updated-accuracy-standards |
+| 18 | USGS, 3DEP Lidar Base Specification 2020 rev. A | https://d9-wret.s3.us-west-2.amazonaws.com/assets/palladium/production/s3fs-public/atoms/files/Lidar-Base-Specification-2020-rev-A.pdf |
+| 19 | LIDAR Magazine, The ASPRS Positional Accuracy Standards, Edition 2, 2023 | https://lidarmag.com/2023/10/06/the-asprs-positional-accuracy-standards-edition-2/ |
+| 20 | Căţeanu, LiDAR for Ground Surface Mapping in Forest Environments, J. Young Scientist V, 2017 | https://www.journalofyoungscientist.usamv.ro/pdf/vol_V_2017/Art29.pdf |
+| 21 | 이상훈 외, 산림지역에서 LiDAR 측량의 정확도 평가, 한국측량학회지 27(5):545, 2009 | https://koreascience.kr/article/JAKO200909659872389.page |
+| 22 | 김의명 · 조두영, 지면 · 비지면점 분류를 위한 라이다 필터링 알고리즘의 종합적인 비교, 한국측량학회지 30(1):39, 2012 | https://koreascience.kr/article/JAKO201216636293495.pdf |
+| 23 | 이종필, 지상기준점 선점 위치에 따른 DSM 높이 정확도 분석, 지적과 국토정보 51(1):125, 2021 | https://koreascience.kr/article/JAKO202122260843090.pdf |
+| 24 | 최병길 외, 항공라이다의 하천측량 적용 방안 연구, 한국지형공간정보학회지 22(2):25, 2014 | 10.7319/kogsis.2014.22.2.025 |
+| 25 | WhiteboxTools 설명서 — LidarGroundPointFilter | https://jblindsay.github.io/wbt_book/available_tools/lidar_tools.html |
+| 26 | 지식DB — KCS 10 30 05 건설공사 측량 · KCS 10 70 06 토공 자동화 시공 · KDS 47 10 20 측량 및 지반조사 | `resources/knowledge/original/표준시방서/…` |
+| — | 분석 599(앱 안 측정) | `docs/raw/요구_1103/_분석_599_PTD_CSF_서피스품질.md` |
+
+- 못 엶 — Pingel 2013 · Zhang 2003 PMF · Sithole 2004 원 논문 · ASPRS 표준 원문 · 국토지리정보원 작업규정 원문 · DJI L1/L2 숲 독립 비교.