Beyond Binary Rooftop Mapping: A Four-Class Deep Learning Framework for Green Roof Potential Assessment from Open Swiss Geospatial Data

기술 요약: 이진 분류를 넘어선 옥상 매핑 (Beyond Binary Rooftop Mapping)

문제 제기
효과적인 도시 기후 적응 전략을 위해서는 생태계 서비스를 평가하기 위해, 특히 도시 열섬(UHI) 현상 완화를 위한 포괄적인 옥상 공간 데이터가 필요하다. 녹색 지붕(Green roofs)은 필수적인 해결책으로 인식되고 있으나, 기존의 연구와 데이터셋은 대개 현재의 녹색 옥상을 매핑하거나 잠재적인 녹화 가능 부지를 매핑하는 것 중 하나에만 집중할 뿐, 두 가지를 동시에 수행하는 경우는 드물다. 더욱이, 현재의 접근 방식들은 독점적인 이미지를 사용하는 경우가 많아 재현성이 제한되며, 기존 녹색 옥상, 태양광 설치 시설, 잠재적 녹색 부지, 그리고 부적합한 평평한 표면을 구분하지 못하는 경우가 많다. 따라서 구조적 제약(경사도 등)을 분광 분석과 통합하여 도시 전역의 옥상 적합성을 실행 가능한 수준으로 제공할 수 있는 오픈 소스 기반의 다중 클래스 프레임워크에 대한 비판적 공백이 존재한다.

방법론
본 연구는 기존의 "Roofpedia" 아키텍처를 기반으로 하여, 4개 클래스 의미론적 분할(semantic segmentation)을 수행하도록 조정된 딥러닝 프레임워크를 제안한다. 이 워크플로우는 물리적 실현 가능성 제약을 강제하기 위해 고해상도 항공 이미지와 디지털 표면 모델(DSM) 데이터를 통합한다.

• 데이터 소스: 본 프레임워크는 전적으로 오픈 소스인 Swisstopo 데이터셋에 의존한다:
  • SWISSIMAGE: 10cm 해상도의 RGB 정사영상.
  • swissSURVICE3D: 옥상 경사도를 계산하기 위한 DSM.
  • swissTLM3D: 벡터 건물 풋프린트.
  • 참고: 본 연구는 Mapbox 이미지와 SWISSIMAGE RS(근적외선 포함)를 벤치마킹하였으나, 최종적인 도시 규모 적용을 위해 완전한 오픈 소스 가용성과 SWISSIMAGE RS의 흐릿한 특성 대비 우수한 기하학적 선명도를 가진 SWISSIMAGE를 선택하였다.
• 전처리: 경사 기반 필터링 단계(QGIS Zonal Statistics 사용)를 통해 평균 경도가 6.5도를 초과하는 건물을 제외함으로써, 녹색 인프라에 적합한 평평한 지붕 구조물만을 유지한다.
• 모델 아키텍처: ImageNet에서 사전 학습된 ResNet-50 인코더 백본을 사용하는 수정된 U-Net이 채택되었다. 모델은 옥상을 다음 네 가지 범주로 분류한다:
  1. 기존 녹색 지붕 (Existing Green Roofs): 현재 식생이 존재하는 곳.
  2. 잠재적 녹색 지붕 (Potential Green Roofs): 현재 식생은 없으나 식재가 가능한 평평한 표면.
  3. 태양광 지붕 (Solar Roofs): 태양광 패널이 점유하고 있는 표면.
  4. 부적합 (Not Suitable): 재료나 다른 용도로 인해 녹화가 불가능한 평평한 표면.
• 레이블 할당: 하나의 건물 풋프린트 내에 여러 클래스가 예측될 때, 단일 클래스를 할당하기 위해 두 가지 전략을 평가하였다:
  • 우선순위 기반 (Priority-based): 태양광 > 잠재적 녹색 > 녹색 > 부적합.
  • 면적 기반 (Area-based): 교차하는 면적 비율이 가장 큰 클래스를 할당.
• 평가: 모델은 스위스 베른(Bern)의 수동 레이블링된 9,814개 건물을 대상으로 훈련 및 검증되었다. 성능은 Cross-Entropy Loss, 평균 IoU(mIoU), 그리고 전체 정확도(OA)를 통해 측정되었다.

주요 기여

1. 4개 클래스 분류 시스템: 본 연구는 기존 녹색 지붕, 기존 태양광 지붕, 잠재적 녹색 지붕, 그리고 부적합한 평평한 표면을 동시에 구별할 수 있는 최초의 완전한 오픈 소스 모델을 도입한다.
2. 구조적 제약의 통합: 순수하게 분광적 접근 방식에만 의존하는 것과 달리, 본 프레임워크는 분류 전 DSM 유래 경사 임계값을 사용하여 물리적으로 부적합한 지붕을 필터링함으로써, "잠재적 녹색" 범주가 실제 설치 가능성을 반영하도록 보장한다.
3. 이미지 소스 비교 분석: 본 논문은 4개 클래스 작업을 위해 세 가지 항공 이미지 소스(Mapbox, SWISSIMAGE, SWIFFIMAGE RS)를 체계적으로 평가하였으며, RGB 이미지(Mapbox 및 SWISSIMAGE)가 종합적으로 유사한 성능을 보였으나, 근적외선(SWISSIMAGE RS)의 추가가 4개 클래스 분할 점수를 개선하지 못했을 뿐만 아니라 오히려 기하학적 선명도를 저하시킨다는 것을 발견하였다.
4. 오픈 소스 재현성: 데이터 처리부터 모델 훈련에 이르는 전체 워크플로우가 오픈 소스 도구와 데이터로 구축되어, 다른 스위스 도시 및 전 세계로의 전이가 가능하다.

결과

• 모델 성능: 수정된 Roofpedia 모델은 4개 클래스에 대해 0.86의 훈련 mIoU와 0.78의 검증 mIoU를 달연했다.
• 이미지 소스 비교:
  • SWISSIMAGE (10 cm RGB): 51%의 건물 단위 전체 정확도를 달성했다. 이는 최적의 균형을 보여주었으며, 미검출률(443개 건물)이 가장 낮았고, 오류는 주로 "잠재적 녹색" 클래스(기존 녹색을 잠재적 녹색으로 혼동)에 집중되었다.
  • Mapbox (~50 cm RGB): 59.7%의 건물 단위 정확도를 달성했으나, 낮은 해상도로 인한 질감의 모호함 때문에 "부적합" 지붕을 "잠재적 녹색"으로 오분류하는 경향이 더 높았다.
  • SWISSIMAGE RS (RGB + NIR): 이미지의 흐릿함으로 인해 태양광 패널과 같은 기하학적 특징의 탐지가 저하되어 성능이 현저히 떨어졌다 (정확도 15.2%).
• 베이스라인 비교: 기존의 이진(binary) Roofpedia 모델은 단일 클래스(녹색 vs 비녹색)에서 77.5%의 정확도를 달성한 반면, 식생 유형론을 위해 훈련된 proj-vegroofs-DL 모델은 4개 클래스 작업에 매핑했을 때 11%의 정확도만을 기록했다. 제안된 4개 클래스 모델은 이진 베이스라인보다 원시 정확도는 낮지만, 훨씬 더 풍부하고 정책적으로 유의미한 출력을 제공한다.
• 베른 사례 연구: 베른 시에 적용한 결과, 모델은 약 9,898개의 평평한 지붕 건물(전체 스톡의 9.6%)을 식별했다. 레이블링 전략의 선택은 결과에 큰 영향을 미쳤는데, 우선순위 기반 전략은 태양광 지붕을 11.7%로 추정한 반면, 면적 기반 전략은 6.3%로만 추정했다.

의의 및 주장
본 논문은 이 프레임워크가 통합적이고 투명하며 재현 가능한 도구를 제공함으로써 주요한 방법론적 공백을 메운다고 주장한다. 이진 "녹색/비녹색" 매핑을 넘어섬으로써, 본 연구는 조율된 기후 적응 계획에 필요한 증거 기반 정보를 전달한다. 저자들은 오픈 소스 Swisstopo 데이터에 대한 의존성이 자원이 제한된 도시에서도 워크플로우를 사용할 수 있게 하며 국제적으로 확장 가능함을 강조한다. 결과는 베른이 "부적합" 또는 "잠재적 녹색"으로 분류된 평평한 지붕들 사이에서 상당한 미개척 녹색 지붕 확장 잠재력을 가지고 있음을 시사하며, 이는 UHI 완화 전략을 위한 구체적인 근거를 제공한다. 본 연구는 모델이 완벽하지는 않지만(이끼 낀 맨 지붕과 녹색 지붕 간의 혼동, 또는 태양광 패널과 골형 지붕 간의 기하학적 유사성 등으로 인해 나타남), 실행 가능한 다중 클래스 옥상 평가를 위한 실질적인 진보를 나타낸다고 결론짓는다.