📄 agriculture

Evaluation of DBH measurement and tree detection in eucalyptus stands using SLAM systems

이 연구는 파라과이의 상업용 유칼립투스 플랜테이션에서 흉고직경 측정 및 수목 탐지를 위한 SLAM 기반 시스템의 높은 정확도와 신뢰성을 검증하였으며, 전통적인 수동 조사 방식과 대등한 성능을 입증하였다.

원저자: Luiza Ganski Federici, Jorge Matos, Carlos Diniz, Vinicius Henrique Gris

게시일 2026-07-16

📖 3 분 읽기☕ 가벼운 읽기

원저자: Luiza Ganski Federici, Jorge Matos, Carlos Diniz, Vinicius Henrique Gris

원본 논문은 CC BY 4.0 (https://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 거대한 인파로 가득 찬 경기장에서 모든 사람의 수를 세려는 탐정이라고 상상해 보세요. 이제 사람들이 아니라 수백만 그루의 나무들로 경기장이 가득 차 있고, 당신은 나무가 얼마나 많은 목재를 보유하고 있는지 알아내기 위해 나무 밑동의 두께를 측정해야 한다고 상상해 보세요. 이것이 바로 '산림 조사(forest inventory)'의 일상적인 과제입니다. 수십 년 동안 임업인들은 줄자와 클립보드를 들고 나무 줄 사이를 걸어 다니며 일일 하나하나 직접 세고 측정하는 구식 방식으로 이 일을 해왔습니다. 이는 정확하지만, 느리고, 힘들며, 많은 인력을 필요로 합니다.

최근에 새로운 종류의 탐정이 등장했습니다: 바로 로봇 탐정입니다. 이 로봇들은 줄자 대신 카메라와 인공지능(AI)을 사용하여 숲을 '봅니다'. 이들은 SLAM(Simultaneous Localization and Mapping)이라는 영리한 기술을 사용하는데, 이는 하늘이 보이지 않을 때도 작동하는 GPS와 같아서, 카메라가 영상을 기록하는 동안 자신이 정확히 어디에 있는지 알 수 있게 도와줍니다. 또한 이들은 AI를 사용하는데, 이는 영상 프레임 속에서 나무 밑동을 즉각적으로 인식하고 그 크기를 추측할 수 있는 초스마트한 두뇌 역할을 합니다. 산림 업계의 큰 질문은 이것입니다. 이 첨단 로봇들이 인간 전문가만큼 잘 해낼 수 있을까요, 아니면 혼란에 빠져 실수를 저지를까요?

이 연구는 마치 구식 인간 팀과 새로운 로봇 팀 사이의 헤드 투 헤드 경주와 같습니다. 연구진은 파라과이에 있는 6~7년생 유칼립투스 나무들(마치 병사들처럼 곧고 정연한 줄로 심어진 나무들)을 대상으로 두 가지 방법을 모두 테스트했습니다. 그들은 로봇의 AI가 인간이 캘리퍼스로 측정하는 것만큼이나 나무 밑동의 두께(DBH, 흉고직경이라 불리는 측정값)를 잘 측정하고 나무의 수를 정확히 셀 수 있는지 확인하고 싶었습니다.

결과는 놀라울 정도로 근접했습니다. '카탐(Katam)'이라는 시스템을 사용하는 로봇 팀은 놀라운 성과를 보여주었습니다. 나무의 수를 세는 데 있어서 로봇은 거의 완벽했습니다. 로bot은 실제로 존재하는 나무의 99.4%를 찾아냈으며, 존재하지 않는 나무를 잘못 센 사례(오탐)는 전혀 없었습니다(제로). 나무를 찾는 능력과 실수를 하지 않는 능력 사이의 균형을 얼마나 잘 맞췄는지를 나타내는 지표인 'F1 스코어'는 무려 99.7%에 달했습니다. 이는 마치 4,000개의 질문이 있는 시험에서 거의 만점에 가까운 A+를 받은 학생과 같습니다.

나무 밑동의 두께를 측정할 때도 로봇은 매우 뛰어났지만, 아주 약간, 지속적으로 수줍어하는 습관이 있었습니다. 평균적으로 로봇은 인간보다 0데시미터(약 0.3cm, 즉 1/8인치) 작게 측정했습니다. 이는 매우 작은 차이로, -1.9%의 편차를 나타냅니다. 이해를 돕기 위해 설명하자면, 만약 당신이 17cm 너비의 나무를 측정한다면, 로봇은 16.7cm라고 말할 것입니다. 연구진은 이러한 미세한 과소평가가 점검한 모든 구역에서 일관되게 나타난다는 것을 발견했습니다.

연구는 또한 로봇이 왜 몇몇 나무를 놓쳤는지에 대해서도 살펴보았습니다. 알고 보니 로봇은 가장 작고 가는 묘목(너비 6cm 미만)이나, 가지 또는 다른 식물이 밑동을 가로막고 있는 나무들 때문에 어려움을 겪었습니다. 이는 마치 잎사귀가 가로막고 있는 작은 개미를 사진으로 찍으려고 애쓰는 것과 같습니다. 카메라가 그것을 충분히 명확하게 볼 수 없기 때문입니다. 하지만 숲의 대부분을 차지하는 성숙한 나무들에 대해서 로bot은 챔피언이었습니다.

아마도 이 이야기에서 가장 흥미로운 부분은 정확성뿐만 아니라 속도일 것입니다. 인간 팀이 40그루의 나무가 있는 작은 구역을 측정하는 데 약 15분이 걸린 반면, 로봇 팀은 같은 작업을 단 2분 만에 해냈습니다. 이는 85%의 시간 단축입니다! 로봇은 단순히 나무를 측정한 것이 아니라, 전체 과정을 담은 영상을 기록하여 나중에 누군가 질문이 있을 경우 확인할 수 있는 디지털 흔적을 남겼습니다.

결국, 이 논문은 이 새로운 기술이 메이저 리그에 나설 준비가 되었음을 시사합니다. 완벽하지는 않습니다. 여전히 아주 작은 묘목을 놓치거나 크기를 약간 과소평가하기도 하지만, 실제 상업용 산림에서 사용하기에 충분히 빠르고 신뢰할 수 있으며 정확합니다. 이는 우리가 더 이상 속도와 정확성 중 하나를 선택할 필요가 없음을 증명합니다. 적절한 도구만 있다면 우리는 둘 다 가질 수 있으며, 느리고 지루한 숲속 산책을 숲이 계속해서 튼튼하게 자랄 수 있도록 돕는 빠르고 첨단적인 스캔 작업으로 바꿀 수 있습니다.

기술 요약: SLAM 시스템을 이용한 유칼립투스 식생 내 DBH 측정 및 수목 탐지 평가

문제 제기
남미, 특히 펄프 및 제지 산업 내 산업용 임업의 집약화로 인해 효율성, 추적성 및 기술적 엄밀성을 개선하기 위한 산림 인벤토리 디지털 솔루션이 필요해지고 있다. SLAM(Simultaneous Localization and Mapping), 지상 레이저 스캐닝(TLS), 딥러닝 기반 객체 탐지와 같은 기술들이 부상하고 있으나, 상업용 유칼립투스 플랜테이션의 운영 조건 하에서 이러한 도구들에 대한 엄격한 검증이 필요하다. 구체적으로, 대규모 도입의 타당성을 결정하기 위해 흉고직경(DBH) 추정의 정확도와 자동 수목 탐지의 신뢰성을 전통적인 수동 방식과 비교해야 한다.

연구 방법론
본 연구는 파라과이 코로넬 보가도(Coronel Bogado)에 위치한 4.5 m × 2.0 m 간격의 6~7년생 Eucalyptus urograndis 상업 플랜테이션에서 수행되었다. 연구는 총 3,779그루의 나무를 포함하는 9개의 표본 구획에 걸쳐 두 가지 데이터 수집 방법을 비교하였다:

참조 방법 (전통 방식): 두 명의 현장 작업자가 Haglöf 캘리퍼를 사용하여 수동으로 DBH를 측정하였다. 데이터는 스프레드시트에 기록되었으며, 정확성을 보장하기 위해 나무당 두 번의 측정을 실시하였다.
제안된 방법 (Katam 시스템): 핸드헬드 리그에 장착된 GoPro 10 액션 카메라를 이용한 비디오 기반 데이터 수집이다. 작업자들은 식재 열을 따라 직선으로 이동하며, 첫 번째 열의 나무들을 향해 90° 수직 방향으로 영상을 촬영하였다. 이 시스템은 3D 재구성을 위한 SLAM 알고리즘과 수목 탐지 및 DBH 추출을 위한 합성곱 신경망(CNN)을 결합한 독점 파이프라인을 활용하였다.
- 데이터 처리: 영상은 자동 처리를 위해 클라우드 서비스로 업로드되었다. 시스템은 일정한 식재 간격을 기준으로 간극을 식별하고, DBH가 6cm 미만인 나무는 제외하였다.
- 동기화: 수동 기록과 디지털 기록 간의 일대일 대응을 보장하기 위해, 데이터 세트를 연결할 목적으로 매 10그루마다 QR 코드 마커를 배치하였다.
통계 분석: 본 연구는 기술 통계, 일치도 분석을 위한 Bland-Altman 분석, 그리고 Lin의 일치 상관 계수를 사용하였다. 수목 탐지 성능은 정밀도(precision), 재현율(recall), F1 점수(F1-score) 지표를 사용하여 평가되었다.

주요 기여

운영 검증: 본 연구는 균질한 상업용 플랜테이션 환경에서 소비자급 비디오/SLAM 시스템과 전통적인 수동 캘리퍼 측정 간의 직접적인 대규모 비교(n > 3,700그루)를 제공한다.
탐지 지표: 본 연구는 열 구조를 가진 플랜테이션에서의 높은 수준의 수목 탐지 벤치마크를 설정하며, 지면 레벨의 비디오 획득이 완벽에 가까운 탐지율을 달 수 있음을 입증한다.
편향 특성화: 본 연구는 SLAM 기반 DBH 추정에 내재된 체계적 편향을 정량화하여, 운영 워크플로를 위한 잠재적 보정 계수의 기준을 제공한다.
효율성 정량화: 본 연구는 전통적인 조사 방식과 비교하여 디지털 방식의 시간 절감 효과를 명시적으로 측정함으로써, 인벤토리 계획을 위한 경제적 데이터를 제공한다.

결과

DBH 정확도: Katam 시스템은 평균 편향 **-0.3 cm (-1.9%)**를 나타냈으며, 이는 수동 캘리퍼에 비해 약간의 체계적 저평가가 발생함을 의미한다. 오차의 평균 표준 편차는 **0.97 cm (5.6%)**였다. 결정 계수( $R^2$ $R^{2}$ )는 0.87이었다.
- 오차는 구획 전반에 걸쳐 일관되게 나타났으며, 상대 오차 범위는 -0.6%에서 -3.0% 사이였다.
- 직경 클래스별 층화 분석 결과, 작은 직경 클래스(<14.1 cm)에서 상대 오차가 더 높고 큰 클래스에서 더 낮게 나타났는데, 이는 다른 원격 탐사 기술들과 일치하는 경향이다.
수목 탐지 성능: 시스템은 탁월한 탐지 신뢰도를 달erm했다:
- 정밀도 (Precision): 100% (위양성 0건).
- 재현율 (Recall): 99.4% (3,779그루 중 24그루의 미탐지 발생).
- F1 점수 (F1-score): 99.7%.
- 탐지되지 않은 24그루(0.64%)는 주로 DBH가 6cm 미만이거나, 식생에 의해 가려졌거나, 밑동 갈라짐(basal forking)이 있는 나무들이었다.
운영 효율성: 디지털 데이터 수집은 구획당(나무 40그루 기준) 약 2분이 소요되었으며, 이는 두 명의 조사원이 투입되는 전통적인 방식의 15분과 비교된다. 이는 현장 시간을 85% 단축한 결과이다.

의의 및 주장
저자들은 Katam 시스템이 상업용 유칼립투스 플랜테이션을 위한 일관되고 정확한 전통적 인벤토리 방식의 대안을 제공한다고 주장한다. 연구의 결론은 다음과 같다:

정확도는 운영에 충분함: 관찰된 DBH 편향(-1.9%)은 낮고 일관적이며, 상업용 인벤토리의 수동 측정 변동 범위 내에 있다. 저자들은 이 편향이 경험적 계수나 회귀 모델을 통해 보정될 수 있다고 제안한다.
탐지는 견고함: 완벽에 가까운 탐지율(F1 = 99.7%)과 위양성이 없다는 점은 이 시스템이 식생 밀도를 과다 산정할 위험이 없음을 의미하며, 이는 (시비, 재식재 등) 운영 계획에 있어 중요한 요소이다. 미탐지율(0.64%)은 재식재 표준 운영 임계값(5–10%)보다 낮다.
경제적 타당성: 구획당 85%의 현장 시간 단축은 인력 투입 일수 및 물류 측면에서 상당한 총비용 절감으로 이어져, 비용 증가 없이 더 빈번한 모니터링 주기를 가능하게 한다.
추적성: 수동 기록과 달리, 비디오 기반 시스템은 지리 참조 및 타임스탬프가 찍힌 로우 데이터를 제공하여 산림 인증 및 공급망 검증을 위한 추적성과 감사 가능성을 높인다.

본 논문은 검증이 특정 지형 지역, 특정 연령대 및 간격에 국한되었다는 점을 인정하며 신중한 입장을 유지한다. 또한 시스템의 성능은 훈련 데이터의 대표성에 의존하며, 이 방법은 줄기 결함이나 굽음(tortuosity)과 같은 질적 속성을 평가하는 데 여전히 우월한 수동 조사의 보완적 수단으로 보는 것이 가장 적절하다고 언급한다.

유사한 논문