⚡ electrical engineering

Self-Supervised Tree-level Biomass Estimation in Urban Environments From Airborne LiDAR and Optical Observations

본 논문은 항공 LiDAR와 광학 이미지를 통합하여 온타리오의 810 km² 경관 전역에 걸쳐 개별 도시 수목 바이오매스의 고해상도 시계열 데이터베이스를 생성하는 자기 지도 학습 기반의 딥러닝 프레임워크를 제시하며, 이를 통해 수동 주석 없이도 정확한 수관 수준의 추정을 달고 5년간 39 Gg C의 순 탄소 획득을 밝혀냈다.

원저자: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, C

게시일 2026-06-26

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, Canada), Camile Sothe (Planet Labs PBC, San Francisco, California, USA), Alemu Gonsamo (McMaster University, Hamilton, Ontario, Canada)

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

거대한 보이지 않는 숲이 야생이 아닌, 바로 우리 도시와 교외, 마을 한복판에서 자라고 있다고 상상해 보세요. 이 나무들은 우리의 거리를 따라 늘어서 있고, 공원에 자리 잡고 있으며, 동네 곳곳에 점을 찍듯 퍼져 있습니다. 오랫동안 이 도시의 나무들이 얼마나 많은 "목재"(바이오매스)와 탄소를 보유하고 있는지 세는 것은, 두꺼운 장갑을 끼고 해변의 모래알을 세려는 것과 같았습니다. 전체 양은 짐작할 수 있었지만, 개별 모래알을 볼 수는 없었고 우리의 지도는 종종 흐릿했습니다.

이 논문은 이 도시의 나무들을 하나하나, 광범위한 지역(남부 온타리오 약 810평방킬로미터)에 걸쳐 세고 무게를 재는 새롭고 첨단적인 방법을 제시합니다. 그 방법은 다음과 같이 쉽게 설명할 수 있습니다.

1. "겨울 사진" 전략

보통 겨울에 나무 사진을 찍으면(잎이 없을 때), 나무는 앙상하고 회색빛인 골격처럼 보입니다. 이 때문에 컴퓨터가 나무 가지와 건물의 지붕을 구분하기 어렵습니다.

논문의 비결: 연구진은 도시를 관찰하기 위해 동시에 두 종류의 "눈"을 사용했습니다.
- 높이를 보는 눈 (LiDAR): 이것은 지면과 나무에 빛을 튕겨내어 정밀한 3D 모델을 구축하는 3D 레이저 스캐너와 같습니다. 잎이 없더라도 나무의 형태를 볼 수 있습니다.
- 색상을 보는 눈 (Optical): 이는 겨울에 촬영된 고해상도 사진입니다.
비유: 어두운 방 안에서 사람을 식별하려고 노력하는 상황을 생각해 보세요. 만약 손전등(사진)만 가지고 있다면 그 사람을 놓칠 수도 있습니다. 하지만 만약 당신에게 그 사람의 위치를 정확히 알려주는 소나 장치(레이저)가 있다면, 그 사람을 쉽게 찾을 수 있습니다. 레이저의 "형태"와 사진의 "색상"을 결 der함으로써, 컴퓨터는 잎이 없는 상태에서도 나무를 찾아낼 수 있습니다.

2. 선생님 없이 컴퓨터 가르치기

보통 컴퓨터에게 나무를 인식하도록 가르치려면, 인간이 사진 속 수천 그루의 나무에 일일이 테두리를 그려야 합니다. 이는 느리고 비용이 많이 듭니다.

논문의 비결: 그들은 "자기 지도 학습(Self-Supervised)" 방식을 사용했습니다. 선생님을 고용하는 대신, 컴퓨터에게 몇 가지 대략적인 규칙 기반의 추측값(예: "평평하고 높으면 건물이고, 울퉁불퉁하고 초록색이면 나무다")을 주었습니다. 이 추측값들은 완벽하지 않았으며, 마치 학생의 첫 번째 초안과 같았습니다.
비유: 학생이 엉망인 스케치북을 보며 그림 그리는 법을 배우는 것을 상상해 보세요. 컴퓨터는 이러한 엉성한 규칙 기반의 스케치로 시작하여 수백만 번의 연습을 거쳤고, 스스로 실수를 수정하며 완벽하게 나무를 그릴 수 있을 때까지 학습했습니다. 즉, 사람이 모든 나무를 일일이 그려줄 필요가 없었던 것입니다.

3. "숲"과 "도시" 분리하기

도시 매핑에서 가장 어려운 부분 중 하나는 나무와 집을 구별하는 것입니다. 위에서 내려다보면 평평한 지붕이 나무의 수관(canopy)처럼 보일 수 있습니다.

논문의 비결: 컴퓨터는 매우 엄격한 보안 요원이 되는 법을 배웠습니다. 컴퓨터는 3D 레이저 데이터를 사용하여 건물이 평평하고 매끄러운 반면, 나무는 울퉁불퉁하고 불규칙하다는 것을 파악했습니다.
결과: 컴퓨터는 매우 뛰어난 성능을 보여주었으며, 건물을 95%의 정확도로 식별하여 나무와 분리해 냈습니다. 이는 만약 지붕을 나무로 착각한다면, 나무의 무게가 아닌 집의 무게를 재게 될 수도 있기 때문에 매우 중요한 과정입니다.

4. 나무의 무게 재기

컴퓨터가 나무를 찾아내고 각 나무의 테두리를 그렸다면(구획화), 이제 그 나무가 얼마나 무거운지 추측해야 합니다.

논문의 비결: 모든 나무를 직접 올라가서 측정할 수는 없었습니다. 대신, 그들은 하나의 "레시피"(상대성 방정식/allometric equation)를 사용했습니다. 그들은 나무의 수관이 크고 키가 클수록 일반적으로 더 많은 목재를 가진다는 것을 알고 있었습니다. 이 레시피를 검증하기 위해, 이미 시 공무원들에 의해 측정된 오크빌(Oakville)의 나무 112,000그루 목록을 활용했습니다.
주의점: 컴퓨터는 나무를 찾는 데는 뛰어나지만, 모든 나무의 정확한 경계선을 그리는 데는 완벽하지 않습니다. 논문은 오류의 가장 큰 원인이 나무의 무게를 재는 "레시피" 때문이 아니라, 컴퓨터가 (특히 크고 불규칙한 나무의 경우) 나무 수관의 정확한 가장자리를 놓치는 데 있다는 것을 발견했습니다.

5. 거시적 결과

이 시스템을 810km² 지역에 대해 두 해(2018년과 2023년) 동안 실행한 결과는 다음과 같습니다.

총 무게: 2018년에 나무들은 약 173만 톤의 바이오매스를 보유하고 있었습니다. 2023년에는 이것이 181만 톤으로 증가했습니다.
탄소 흡수량: 나무들은 5년 동안 39,000톤의 탄소를 추가로 흡수했습니다.
나무의 분포: 가장 무거운 나무들은 나이아가라 절벽(Niagara Escarpment, 암석 절벽 지역)과 강 계곡 근처에서 발견되었습니다. 상대적으로 가볍고 드문드문 있는 나무들은 주거 지역과 상업 지역에서 발견되었습니다.
불확실성 지도: 컴퓨터는 또한 "신뢰도 지도"를 생성했습니다. 이 지도는 컴퓨터가 자신의 답에 확신이 없는 구역(주로 농경지나 혼합 지역)을 강조하여, 미래의 연구자들에게 "이 지점들을 먼저 확인하십시오"라고 알려줍니다.

요 요약

이 논문은 도시의 나무들을 인간이 일일이 그려주지 않고도, 겨울철 레이저 스캔과 사진을 사용하여 나무를 찾고, 구획하고, 무게를 잴 수 있는 똑똑하고 자기 학습적인 컴퓨터 시스템을 구축했습니다. 이 시스템은 우리가 도시의 바이오매스를 나무 단위로 매우 상세하게 지도화할 수 있음을 입증했으며, 이를 통해 도시 숲이 어디에서 성장하고 있는지, 그리고 얼마나 많은 탄소를 저장하고 있는지를 보여줌으로써 도시가 미래를 더 잘 계획할 수 있도록 돕습니다.

기술 요약: 도시 환경에서의 자기 지도 학습 기반 수목 단위 바이오매스 추정

문제 정의
도시 수목은 지상 탄소 저장량의 핵심적인 구성 요소이지만, 관리되는 산림에 비해 공간적 명시성과 일관성이 낮다. 기존의 추정 방식은 대개 표본 조사나 거친 원격 탐사 제품(예: 10–30 m 해상도)에 의존하며, 이는 개별 수관(tree crown)을 분별하거나 복잡한 도시 구조 내의 미세한 이질성을 포착하는 데 한계가 있다. 또한, 다음과 같은 세 가지 방법론적 격차로 인해 확장 가능한 매핑이 저해된다: (1) 감독 학습을 위한 픽셀 단위 수동 주석(annotation)에 대한 의존도가 높아 범위를 제한함, (2) 자동화된 수관 분할 오류와 생장식(allometric model) 오류 간의 상대적 기여도 및 전체 불확실성에 미치는 영향이 불분명함, (3) 공간적으로 명시적인 불확실성 레이어를 동반한 다시점(multi-temporal), 수관 규모의 바이오매스 제품이 부족함.

방법론
본 연구는 2018년과 2023년에 획득된 낙엽기(leaf-off) 조건의 이시기(bi-temporal) 항공 LiDAR(8–10 pulses m⁻²) 및 근적외선 RGB 직교 사진(0.16–0.20 m)을 사용하여 캐나다 남부 온타리오의 810 km² 도시-농촌 경관에 적용된 자기 지도 학습 기반의 다중 모달 융합 프레임워크를 제시한다.

의사 라벨(Pseudo-Label) 생성: 수동 주석의 필요성을 제거하기 위해, 저자들은 노이즈가 포함된 의사 라벨을 생성하는 규칙 기반 프레임워크를 개발하였다. 여기에는 다음 과정이 포함된다:
- 건물 탐지: 수관 높이 모델(CHM)에 대한 래스터 기반 평면성 분석과 형태학적 필터링 결합.
- 식생 분류: 낙엽기 조건에서 침엽수와 활엽수를 구분하기 위해 CHM 높이 임계값과 분광 지수(NDVI 및 HSV 색상 기준) 활용. 침엽수 수관은 높은 NDVI를 유지하는 반면 활엽수 수관은 그렇지 않다.
자기 지도 신경망: 이중 스트림 교차 주의(cross-attention) ConvNeXtV2 U-Net이 이러한 의사 라벨을 바탕으로 훈련되었다. 이 아키텍처는 광학(NIR, R, G, B) 및 구조적(CHM) 입력을 병렬 인코더를 통해 처리하며, 교차 모달 주의 블록을 사용하여 특징을 융합한다.
- 손실 함수: 지표 피복 분할, 수종 분류, 보조 입력 재구성을 결합한 멀티태스크 목적 함수를 사용하였다. 결정적으로, 노이즈가 있는 의사 라벨에 대한 과적합을 완화하기 위해 능동적 부정 손실(Active Negative Loss, ANL-CE)을 사용하였다.
- 불확실성 정량화: 폴드(fold)와 하이퍼파라미터를 달리한 25개의 모델 딥 앙상블을 사용하여 픽셀당 불확실성 지도를 생성하였으며, 이를 통해 우연적(aleatoric, 데이터) 불확실성과 인식적(epistemic, 모델) 불확실성을 구분하였다.
수관 분할(Crown Delineation): 식별된 수목 영역 내의 CHM에서 다중 스케일 워터셰드(watershed) 분할을 사용하여 개별 수관을 분할하였다. 작은 나무의 과분할(over-segmentation)과 크고 겹쳐진 수관의 저분할(under-segmentation) 문제를 해결하기 위해 세 가지 스케일을 적용하였다.
바이오매스 추정: 옥빌(Oakville)의 21,921개 조사 수목을 대상으로 생장식(Lambert et al., 2005)에 맞춰 보정된 거듭제곱 법칙 대리 모델( $AGB = e^\alpha \cdot (CA \cdot H)^\beta$ $A GB = e^{α} \cdot (C A \cdot H)^{β}$ )을 사용하였다.
- 방정식 선택: 불확실성이 낮은 수관에는 기능군별 특정 방정식(활엽수 대 침엽수)을 할당하였고, 불확실한 수관은 신뢰할 수 없는 외삽을 방지하기 위해 통합된 "전체 수목(all-trees)" 방정식으로 라우팅하였다.
- 검증: 홀드아웃 테스트 세트(90,726개 수목)를 대상으로 조사 기반 기하 구조(상한값)와 운영 워터셰드 분할로부터 도출된 예측값을 비교하여 정확도를 평가하였다.

주요 결과

분할 성능: 앙상블 모델은 모든 지표에서 초기 규칙 기반 의사 라벨보다 개선된 성능을 보였다. 수동 주석 타일과 비교했을 때, 모델은 평균 정밀도(precision) 0.86, 재현율(recall) 0.83, Dice 계수 0.84를 달이트했다. 건물 탐지는 특히 견고했다(Dice 0.95). 침엽수 분할이 가장 어려운 클래스로 남았다(Recall 0.66).
바이오매스 추정 정확도:
- 조사 기반 수관 기하 구조를 사용할 때(생장식 오류 격리), 모델은 $R^2 = 0.609$ 를 달성하였다.
- 자동화된 분할을 사용하는 운영 조건에서는 $R^2$ 가 0.570으로 감소하였다.
- 침엽수 추정치가 활엽수( $R^2 = 0.553$ )보다 더 정확하게 나타났는데( $R^2 = 0.646$ ), 이는 CHM 데이터에서 침엽수 수관의 높이 정점이 더 명확하기 때문이다.
- 조사 기하 구조에서 운영 기하 구조로의 성능 저하는 수관 분할 오류가 주요 불확실성 원인임을 확인시켜 주었으며, 특히 저분할되기 쉬운 큰 나무에서 두드러졌다.
공간 및 시계열적 발견:
- 총 지상 바이오매스(AGB)량은 2018년 1.73 Tg (811 Gg C)에서 2023년 1.81 Tg (850 Gg C)로 증가하였으며, 이는 39 Gg C의 순 탄소 획득을 의미한다.
- 높은 바이오매스 밀도(~140 Mg ha⁻¹)는 나이아가라 절벽(Niagara Escarpment)과 수변 구역을 따라 집중된 반면, 주거 및 상업 지역은 낮은 밀도를 보였다.
- 딥 앙상블 불확실성 지도는 훈련 데이터가 부족한 지역(예: 농경지 및 전이 지대)에서 높은 인식적 불확실성을 성공적으로 식별하였다.

의의 및 주장
저자들은 본 연구가 수동 주석 없이 표준 주 정부 센서 데이터만으로 작동하는, 확장 가능한 도시 바이오매스 추정 프로토타입 워크플로우를 제공한다고 주장한다. 주요 기여는 다음과 같다:

확장성: 규칙 기반 의사 라벨링과 신경망 정교화의 결 조합이 수동 라벨링이라는 병목 현상을 극복하고, 이질적인 도시 환경에서 높은 정확도를 달성할 수 있음을 입증하였다.
오류 특성화: 수관 분할 오류가 (특히 큰 나무의 저분할 문제에 초점을 맞추어) 운영 AGB 추정의 주요 제한 요소임을 명시적으로 정량화하였다.
불확실성 인지 매핑: 불확실성 레이어가 동반된 수목 단위의 이시기 데이터베이스를 제공하여, 사용자가 높은 신뢰도를 가진 지역과 현장 검증이 필요한 지역을 구분할 수 있도록 하였다.
탄소 회계: 조밀한 해상도 또는 표본 기반 방식에 대한 공간적으로 명시적인 대안을 제공하며, "산림 외 수목(trees outside forests)"에 대한 지자체 관리 및 지역 탄소 회계에 유용한 공개 가능한 데이터베이스를 구축하였다.

연구진은 산림 유래 생장식을 개방형 환경의 도시 수목에 사용하는 것이 체계적 편향(systematic bias)을 유발할 수 있음을 인정하며 절대적인 바이오매스 값에 대해 신중한 태도를 유지한다. 그러나 저자들은 상대적인 공간적, 시간적 패턴은 견고하며, 이는 보다 일관된 도시 탄소 회계를 위한 기초적인 단계가 될 것이라고 주장한다.