🔬 applied physics

Watershed vs. Region Growing for Individual Tree Segmentation from Airborne LiDAR: An Urban Case Study in Bologna

이 연구는 볼로냐의 항공 LiDAR 데이터로부터 개별 도시 수목을 분할하기 위해 워터셰드(watershed) 알고리즘과 리전 그로잉(region growing) 알고리즘을 비교하며, 각 방법의 뚜렷한 탐지 프로파일을 밝히는 동시에 기존 시정 기록이 지표값(ground truth)으로서 갖는 한계를 강조하고 바이오매스 및 꽃가루 생산량과 같은 식생 지표를 도출하기 위한 모듈형 파이프라인을 입증한다.

원저자: Aldo Canfora, Tommaso Rondini, Matteo Falcioni, Mirko Degli Esposti

게시일 2026-07-30

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Aldo Canfora, Tommaso Rondini, Matteo Falcioni, Mirko Degli Esposti

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

당신이 거대하고 투명한 숲 속에서 미스터리를 풀려는 탐정이라고 상상해 보세요. 하지만 이 숲은 만질 수 있는 흙이나 잎사귀로 이루어진 것이 아니라, 빛의 줄기로 이루어진 숲입니다. 과학자들은 하늘에서 레이저를 쏘기 위해 LiDAR(Light Detection and Ranging)라는 특별한 도구를 사용합니다. 이 레이저는 건물, 자동차, 나무 등에 부딪혀 튕겨 나오며 그것들이 얼마나 높은지를 정확하게 알려줍니다. 마치 도시가 수백만 개의 작은 점들로 만들어진 3D 슈트를 입고 있는 것과 같습니다.

이제 당신에게 이 점들의 거대한 더미가 주어졌고, 당신의 임무는 어떤 점이 어떤 나무에 속하는지 알아내는 것이라고 상상해 보세요. 이것을 **세그멘테이션(segmentation)**이라고 부릅니다. 이는 까다로운 일입니다. 왜냐하면 도시의 나무들은 종종 서로 가깝게 자라며, 나뭇가지들이 스파게티 그릇 속의 면처럼 뒤엉켜 있고, 어떤 나무는 높고 어떤 나무는 낮기 때문입니다. 만약 당신이 나무 한 그루 한 그루를 구별해내지 못한다면, 나무의 수를 셀 수도, 건강 상태를 측정할 수도, 혹은 공기 중에서 탄소를 얼마나 흡수하고 있는지 추측할 수도 없습니다. 이는 매우 중요한 일입니다. 도시가 점점 더 뜨거워지고 있기 때문이며, 나무는 자연이 만든 에어컨이니까요. 나무들을 관리하기 위해서는 이 초록색 군중 속에서 누가 누구인지 정확히 알 필요가 있습니다.

이 논문은 이탈리아 볼로냐에서 이 퍼즐을 풀기 위해 두 명의 서로 다른 탐정을 소개합니다. 첫 번째 탐정은 **워터셰드(Watershed)**라고 불리는 방법을 사용하는데, 이는 울퉁불퉁한 지형 위로 물을 붓는 것과 같습니다. 물은 골짜기를 따라 흘러 내려가며, 서로 다른 두 골짜기의 물이 만나는 지점이 바로 두 나무 사이의 경계가 됩니다. 두 번째 탐정은 **리전 그로잉(Region Growing)**을 사용하는데, 이는 마치 '점 잇기' 게임과 같습니다. 이 방법은 나무의 맨 꼭대기에서 시작하여 주변의 점들이 같은 가족처럼 보이면 그 점들을 붙잡으며, 이웃을 만날 때까지 나무 바깥쪽으로 뻗어나가며 나무를 키워나갑니다.

연구진은 이 두 탐정을 12개의 서로 다른 도시 구역에서 테스트했습니다. 결과는 다음과 같았습니다. 워터셰드 탐정은 더 많은 나무, 즉 7,589그루를 찾아냈습니다! 하지만 이 탐정은 다소 의욕이 지나쳤던 것 같습니다. 큰 나무들을 여러 개의 작은 조각으로 쪼개버려, 높이가 약 5미터밖에 안 되는 아주 작은 나무들을 엄청나게 많이 찾아냈습니다. 마치 거대한 참나무를 보고, "물"이 잎사귀의 작은 굴곡에 걸리는 바람에 그것이 사실은 작은 묘목들의 숲이라고 생각한 것과 같았습니다.

리전 그로잉 탐정은 좀 더 신중했습니다. 그는 6,432그루라는 더 적은 수의 나무를 찾았지만, 거인들을 포착하는 데는 더 뛰어났습니다. 그는 40미터가 넘는 거대한 나무들을 성공적으로 식별해 냈는데, 이는 다른 방식이 놓쳤던 부분입니다. 이는 리전 그로잉이 데이터를 매끄럽게 만들지 않고, 가장 높은 곳의 날카로운 지점들을 그대로 유지했기 때문에 가능했습니다.

연구팀은 자신들의 작업을 확인하기 위해 도시의 공식 나무 목록인 Alberi in manutenzione라는 데이터베이스를 대조해 보려고 했습니다. 그들은 이 목록을 "진실"로 사용하여 누가 맞는지 확인하고 싶었습니다. 하지만 그 목록은 꽤 엉망이었습니다. LiDAR가 본 나무 중 약 절반은 목록에 전혀 없었습니다. 목록의 어떤 지점에는 더 이상 존재하지 않는 나무들이 적혀 있었고, 높이 기록은 대부분 20년 전의 것이었습니다. 마치 페이지가 절반이나 빠진 10년 전 교과서를 보고 숙제가 맞는지 확인하려는 것과 같았습니다. 이 때문에 저자들은 어떤 탐정이 완벽하다고 단정 지을 수는 없었지만, 도시의 오래된 목록이 심판 역할을 하기에는 충분하지 않다는 것을 알 수 있었습니다.

이런 혼란에도 불구하고, 팀은 새로운 나무 지도를 사용하여 멋진 숫자들을 계산해 냈습니다. 그들은 각 나무가 저장하는 탄소량(기후 변화를 막는 데 도움이 됨)과 꽃가루를 얼마나 생성할지(사람들을 재채기하게 만들 수 있음)를 추정했습니다. 그들은 이 모든 데이터를 클릭하면 나무의 높이, 크기, 그리고 "꽃가루 파워"를 볼 수 있는 대화형 지도로 만들었습니다.

핵심적인 결론은 무엇일까요? 도시의 오래된 나무 목록은 시대에 뒤떨어져 있고 신뢰할 수 없다는 것입니다. 새로운 LiDAR 방식은 효과적이지만, 세밀한 조정이 필요합니다. "워터셰드" 방식은 빠르지만 너무 많은 작은 나무를 찾아낼 수 있고, "리전 그로잉"은 거인들을 찾는 데는 훌륭하지만 일부 세부 사항을 놓칠 수 있습니다. 저자들은 미래에 이러한 하늘 스캔 방식이 지상 스캔 및 최신 현장 조사와 결합되어야 한다고 제안합니다. 그때까지 이 새로운 파이프라인은, 비록 오래된 지도들이 여전히 뒤처져 있을지라도, 도시가 자신의 녹지를 볼 수 있는 강력하고 최신의 방법을 제공합니다.

기술 요약: 볼로냐의 개별 수목 분할을 위한 Watershed 대 Region Growing 비교

문제 정의
본 논문은 항공 LiDAR 포인트 클라우드를 사용하여 이탈리아 볼로냐의 키 큰 도시 수목을 분할하고 특성화하는 과제를 다룹다. 주요 장애물로 식별된 것은 검증을 위한 신뢰할 수 있는 지상 실측 데이터(ground truth)의 부재이다. 시의 오픈 데이터 카탈로그(Alberi in manutenzione)는 약 20년 전의 기록으로 매우 오래되었고, 불완전하며(샘플링된 구역 내 LiDAR가 탐지한 나무의 약 50%가 누락됨), 일관성이 없는 것(나무가 존재하지 않는 지점에 지오포인트가 포함됨)으로 나타났다. 결과적으로, 기존 시의 기록에 대한 표준 검증은 부적절한 것으로 간기되어, 외부 지상 실측 데이터가 아닌 구조적 출력을 기반으로 한 분할 알고리즘의 비교 분석이 필요하다.

방법론
본 연구는 Random Forest 모델을 사용하여 "고밀도 식생(high vegetation)"으로 사전 분류된 항공 LiDAR 포인트 클라우드로부터 시작되는 모듈형 엔드 투 엔드 파이프라인을 제안한다. 방법론의 핵심은 두 가지 서로 다른 개별 수목 분할(ITS) 전략을 구현하고 비교하는 것이다:

Watershed 알고리즘:
- 입력: 식생 포인트에 국한된 디지털 지표 모델(DTM)을 디지털 표면 모델(DSM)에서 뺀 결과인 수관 높이 모델(CHM).
- 과정: CHM을 지형 표면으로 취급한다. 국부 최댓값(나무 꼭대기)은 침수 시뮬레이션을 위한 시드 포인트 역할을 한다. 인접한 분지(basin)의 경계가 만나는 지점을 나타내는 Watershed 라인이 수관 경계를 획정한다.
- 출력: 원래의 3D 포인트 클라우드를 공간적으로 필터링하는 데 사용되는 2D 다각형 수관 경계.
Region Growing 알고리즘:
- 입입: "고밀도 식생"으로 분류된 3D LiDAR 포인트 클라우드.
- 과정: 반복적인 포인트 단위 할당 전략. 포인트들은 고도에 따라 내림차순으로 정렬된다. 가장 높은 점이 새로운 나무를 시작한다. 후속 포인트들은 근접성 및 구조적 연속성 기준(예: 이전에 분석된 점 아래에 위치하거나 해당 점의 레이블을 상속받음, 또는 현재 나무 꼭대기 근처에서 가지 형태의 구조를 형성함)을 충족하는 경우 현재의 나무에 할당된다. 만약 포인트가 이에 부합하지 않으면 다음 패스를 위해 미할당 상태로 남는다.
- 출력: 추가적인 재구성이 필요한 2D 폴리곤 없이 특정 나무에 할당된 3D 포인트 클러스터.

주요 기여 및 결과
본 연구는 두 방법의 성능을 비교하기 위해 Talea 지구(Montagnola, Via Indipendenza, Stazione Centrale 지역)를 덮는 12개의 공간 타일을 분석하였다:

분할 수량 및 높이 분포:
- Watershed: 7,589그루의 나무를 탐지했다. 분포는 짧은 나무들이 지배적이며, 높이는 약 5미터에서 정점을 이룬다. 저자들은 이를 CHM의 평활화(smoothing) 때문으로 보는데, 이는 연속적인 캐노피를 여러 개의 국부 최댓값으로 파편화하여 과분할(over-segmentation)을 유발할 수 있다.
- Region Growing: 6,432그루의 나무를 탐지했다. 이 방법은 가장 높은 LiDAR 반사 값을 유지하며, 40미터를 초과하는 높이의 개별 나무를 성공적으로 식별한다. 이 방법은 평활화 단계를 거치지 않고 3D 포인트에서 직접 작동하므로, Watershed 방식에서 나타나는 키 큰 나무의 인위적인 파편화를 피한다.
- 일치도: 두 방법은 10미터보다 큰 나무의 수와 수관 반경 분포의 정점(2~3미터)에서 일치한다. 불일치는 높이 분포의 낮은 구간에 집중되어 있다.
데이터 검증:
시의 Alberi in manutenzione 데이터셋과의 비교 결과, LiDAR가 탐지한 나무의 약 절반이 카탈로그에 없었으며, 일부 카탈로그 포인트는 나무가 없는 위치에 해당했다. 이는 해당 데이터셋이 ITS 알고리즘의 훈련이나 평가를 위한 지상 실측 참조 자료로서 부적합함을 확인해 준다.
식생 지표:
분할된 나무들(특히 폴리곤을 즉시 제공하는 Watershed 출력 활용)을 사용하여 저자들은 두 가지 예비 지표를 계산했다:
1. 탄소 저장량: 나무 높이( $H$ )와 수관 반경( $R$ )을 기반으로 한 전량 모델( $AGB = \alpha \cdot [H \cdot \ln(\pi R^2)]^\beta$ )을 사용하여 지상부 바이오매스(AGB)를 추정했다. 탄소량은 표준 IPCC 계수를 사용하여 도출되었다. 저자들은 사용된 계수가 볼로냐의 활엽수 도시 숲이 아닌 낙우송(dawn redwood) 플랜테이션에 맞춰 교정된 것이라는 점에서 이것이 1차 근사치임을 언급했다.
2. 알레르기 유발 잠재력: 종 특이적 꽃차례 계수를 사용하여 연간 꽃가루 생산량( $P = D \cdot V_{crown} \cdot E$ )을 추정했다. 수관 부피는 고정된 수관 깊이 비율( $L = H/2$ )을 가진 구체로 근사되었다. 이는 밀집된 도시 캐노피 내에서 항공 LiDAR가 수관 기부를 탐지할 수 없다는 점을 고려한 보수적인 가정이다.
시각화:
모든 결과(종, 높이, 수관 반경, 탄소, 꽃가루 등의 메타데이터 포함)는 folium 라이 라이브러리를 사용하여 인터랙티브한 나무별 지도에 통합되었다.

의의 및 주장
본 논문은 확정적인 해결책이라기보다 기초적인 작업으로서의 위치를 설정하며, 검증 및 파라미터 교정의 한계를 명시적으로 인정한다. 그 의의는 다음과 같다:

확장 가능한 파이프라인 입증: 더 나은 분류, 현장 데이터 또는 센싱 기술(예: 지상 LiDAR)이 가용해짐에 따라 재교정될 수 있는 모듈형 프레임워크를 제공한다.
데이터 격차 강조: 현재의 시 오픈 데이터가 도시 임업 관리에 있어 불충분함을 엄격히 기록하며, 나무의 존재, 높이 및 수관 범위를 업데이트하기 위해 주기적인 항공 LiDAR 사용을 옹호한다.
알고리즘 비교: 도시 환경에서의 Watershed와 Region Growing 기법에 대한 실질적인 비교를 제공하며, Watershed는 계산량이 적고 2D 폴리곤을 제공하는 반면, Region Growing은 키 큰 나무의 수직 구조를 더 잘 보존한다는 점을 언급한다.
예비 지표: LiDAR 데이터로부터 생태적 지표(탄소 및 꽃가루)를 도출하는 타당성을 확립하여, 향에 정교한 시의 녹지 전략을 위한 토대를 마련한다.

저자들은 이 파이프라인이 시의 전략적 우선순위에 따라 진화하도록 설계되었다고 결론지으며, 향후 연구 과제로 Region Growing의 가지 구조 제어 개선, 현장 캠페인을 통한 큐레이팅된 참조 데이터셋 구축, 종 특이적 교정을 통한 지표 정교화 등을 꼽았다.

유사한 논문