FLORA: A deep learning approach to predict forest attributes from heterogeneous LiDAR data

기술 요약: FLORA – 이질적인 LiDAR 데이터를 활용한 산림 속성 예측을 위한 딥러닝 접근 방식

문제 정의
국가 산림 조사(National Forest Inventories, NFIs)는 국가적 규모에서 산림 속성을 추정하기 위해 항공 LiDAR와 같은 보조 원격 탐사 데이터에 의존한다. 그러나 운영 측면의 "전 영역(wall-to-wall)" 예측은 LiDAR 획득 조건의 이질성으로 인해 여전히 어려운 과제로 남아 있다. 국가 프로그램은 종종 다양한 비행 고도, 센서 유형, 스캔 각도, 그리고 결정적으로 계절적 현상(엽상/leaf-on vs. 엽하/leaf-off) 조건을 포함한다. 균일한 획득 파라미터로 학습된 로컬 데이터에 기반한 기존 모델들은 이러한 다양한 조건 전반에 걸쳐 일반화하는 데 어려움을 겪는다. 특히, 엽상 데이터로 학습된 모델을 엽하 획득 데이터에 적용하거나 그 반대의 경우, 낙엽활엽수의 경우 엽상 존재 여부가 포인트 클라우드의 구조를 급격히 변화시키기 때문에 상당한 편향과 오차를 유발한다. 또한, 수작업으로 제작된 통계적 특징에 의존하는 전통적인 머신러닝 방식은 숲의 완전한 3D 구조적 복잡성을 포착하거나 이질적인 데이터셋 전반에 걸쳐 견고하고 전이 가능한 표현을 학습하는 데 실패하는 경우가 많다.

방법론
저자들은 이질적인 LiDAR 포인트 클라우드로부터 6가지 산림 속성(우점고, 총 부피, 낙엽수 부피, 침엽수 부피, 기저 면적, 줄기 밀도)을 직접 예측하기 위해 설계된 딥러닝 프레임워크인 FLORA(Forest LiDAR Octree Regression with Auxiliary Data)를 제안한다.

• 아키텍처: FLORA는 복셀 기반 방식을 사용하여 원시 포인트 클라우드를 옥트리(octree) 구조로 변환함으로써, 계산 효율성을 유지하면서도 3D 구조 정보를 보존한다. 백본(backbone)은 HRNet 아키텍처가 적용된 Octree Convolutional Neural Network(OCNN)이다. 이 설계는 여러 공간 해상도에서 특징 맵을 병렬로 처리하여, 모델이 미세한 세부 사항과 거친 구조적 맥락을 모두 포착할 수 있도록 한다.
• 입력 데이터: 모델은 주로 포인트의 3D 공간 좌표(XYZ)를 운용한다. 강도(intensity) 및 에코(echo) 속성도 고려되었으나, 하이퍼파라미터 최적화 과정에서 성능 향상이 일관되지 않고 센서 특유의 노이즈를 유발한다는 점이 확인되어 제외되었다.
• 보조 데이터 통합: 획득의 이질성을 해결하기 위해, FLORA는 생태적 및 시공간적 보조 변수(예: 임목 생태 지역, 수관 피도 클래스, 획득 날짜, 현장 조사와의 시간적 간격)를 통합한다. 이러한 변수들은 학습 가능한 임베딩(learnable embeddings)을 통해 인코딩된 후 기하학적 특징과 결합된다.
• 융합 메커니로지즘: LiDAR 특징과 보조 데이터가 결합되는 "후기 융합(late-fusion)" 전략이 사용된다. 결정적으로, **대상 특화 게이팅 메커니즘(target-specific gating mechanism)**이 도입된다. 이는 각 예측 대상에 대해 계수($g_k$)를 학습하여, 기하학 기반 특징과 융합된 표현 사이를 동적으로 보간한다. 이를 통해 모델은 특정 속성을 예측하는 데 따라 맥락적 보조 데이터의 가중치를 적응적으로 조절할 수 있으며, 이는 보조 데이터의 기여도에 대한 일정 수준의 해석 가능성을 제공한다.
• 학습 전략: 모델은 프랑스 본토의 다양한 산림 유형과 획득 조건(엽상 및 엽하 모두 포함)을 포괄하는 32,052개의 국가 산림 조사(NFI) 플롯을 대상으로 학습되었다. 학습 과정에는 특정 회귀 작업에 아키텍처를 최적화하기 위해 베이지안 최적화(Optuna)를 이용한 체계적인 하이퍼파라미터 최적화가 포함되었다.

주요 기여

1. 이질성 처리: FLORA는 대조되는 계절적 현상(엽상 및 엽하) 조건에서 획득된 데이터로 공동 학습된 단일 딥러닝 모델이 계절 및 산림 유형 전반에 걸쳐 효과적으로 일반화될 수 있음을 입증하였으며, 이는 계절별 특화 모델보다 우수한 성능을 보인다.
2. 강건한 국가 규모 베이스라인: 본 연구는 독특하게 크고 이질적인 데이터셋(프랑스 LiDAR HD 프로그램)을 사용하여 대규모 산림 속성 추정을 위한 강건한 베이스라인을 구축하였으며, 이는 범용적인 국가 규모 모델에 관한 기존 문헌의 공백을 메운다.
3. 해석 가능한 융합: 게이팅 메커니즘의 도입을 통해 맥락적 보조 데이터가 특정 예측에 얼마나 기여하는지 정량화할 수 있었으며, 이러한 데이터의 효용성이 속성에 따라 달라짐을 밝혀냈다.
4. 계절적 현상에 대한 통찰: 연구는 교차 계절 일반화의 비대칭성을 정량화하였다. 즉, 엽하 모델을 엽상 데이터에 적용하면 심각하게 저하되는 반면, 엽상 모델을 엽하 조건에 적용할 때는 비교적 견고한 성능을 유지함을 보여준다.

결과

• 성능: 전체 모델은 우점고(rRMSE ≈ 12.3%, $R^2$ ≈ 0.88)에 대해 강력한 성능을 보였으며, 총 부피(rRMSE ≈ 39%, $R^2$ ≈ 0.74)에 대해서도 경쟁력 있는 결과를 달 나타냈다. 줄기 밀도는 가장 도전적인 속성($R^2$ < 0.47)으로 남았는데, 이는 광범위한 문헌 결과와 일치한다.
• 계절적 일반화: 두 계절 모두에서 학습된 단일 모델이 특정 계절에 특화된 모델보다 우수한 성능을 보였다. 교차 계절 테스트 결과, 엽하 모델을 엽상 데이터에 적용했을 때 심각한 성능 저하(예: 부피 rRMSE 약 24% 증가)가 발생한 반면, 엽상 모델을 엽하 데이터에 적용했을 때는 수용 가능한 성능을 유지했다.
• 클래스 불균형: 학습 세트의 균형을 맞추는 것(엽상/엽하 표현을 동일하게 강제)은 완만한 성능 저하만을 초래하였으며, 이는 기존의 불균형이 모델에 결정적인 편향을 주지는 않았음을 시사한다.
• 중첩된 획득 데이터: 두 계절 모두 조사된 플롯을 학습 전략으로 사용하는 것은 총 부피 및 낙엽수 부피 예측에는 개선을 가져왔으나, 침엽수 부피 예측에는 성능을 저하시켰다. 이는 중첩된 하위 집합의 지리적 다양성이 제한적이었기 때문으로 보인다.
• 보조 데이터의 영향: 보조 변수는 전반적으로 완만한 이득을 제공했으나, 속성에 따른 기여도가 다름을 드러냈다. 보조 변수는 종 특이적 부피(침엽수 및 낙엽수) 예측을 유의미하게 개선하고 교차 계절 일반화를 안정화했다. 그러나 우점고에 대해서는 개선 효과가 미미했으며, 동일 계절 맥락에서는 때때로 줄기 밀도 예측을 저하시키기도 했다.

의의
본 논문은 FLORA를 운영 가능한 대규모 산림 모니터링을 위한 중요한 단계로 자리매김한다. 이는 딥러닝이 계절, 센서, 또는 산림 유형에 따른 명시적인 층화 없이도 이질적인 LiDAR 데이터를 효과적으로 조화시킬 수 있음을 보여준다. 연구 결과는 다양한 국가 규모 데이터셋으로 학습하는 것이 로컬 및 조건 특화 모델의 한계를 극복하기 위한 실행 가능한 전략임을 시사한다. 본 연구는 종 특이적 부피 예측이 여전히 도전적인 과제임에도 불구하고, 일반적인 딥러닝 접근 방식이 주요 구조적 속성에 대한 견고한 추정을 제공하여 다중 소스 산림 조사(MSNFIs)로의 통합을 지원할 수 있음을 강조한다. 결론적으로, 획득의 이질성을 처리하는 능력은 데이터 범위가 공간적, 시간적으로 파편화된 미래의 국가 규모 애플리케이션에 있어 매우 중요하다.