항공LiDAR와 정사영상을 활용한 앙상블 머신러닝 기반 수종 분류 모델 개발 = Development of an Ensemble Machine Learning Based Tree Species Classification Model using Airborne LiDAR and Orthoimages

국문 초록 (Abstract)

항공LiDAR와 정사영상을 활용한 앙상블 머신러닝 기반 수종 분류 모델 개발 상 지 대 학 교 일 반 대 학 원 측 량 및 G I S 전 공 박 상 인 지 도 교 수 이 현 직 본 연구는 항공LiDAR 데이터와 고해상도 항공정사영상을 융합 하여 앙상블 머신러닝 기반의 수종 분류 모델을 개발하고, 이를 통해 고정밀 수종지도를 자동으로 제작하는 기술 방법론을 구축 하였다. 현행 산림 임상도는 면적 단위 제작 방식과 판독자 의존 성으로 인해 실제 현황의 미반영, 혼효림 표현의 모호성, 등의 한 계를 가지고 있어, 고정밀 공간정보 기반의 자동 수종 분류 기법 개발이 요구되고 있다. 이에 본 연구에서는 강원도 홍천군 가리 산 선도산림경영단지 일대 207km를 대상으로 2024년 6월 고밀도 항공 LiDAR(평균 133점/m)와 고해상도 RGB/NIR 항공사진(0.075m GSD)을 취득하였다. 통계적 이상치 제거 기법으로 노이즈를 제거 하고 Progressive TIN Densification 알고리즘을 적용하여 지면점 을 분류한 후, SFM 기반 컴퓨터 비전 기법을 활용하여 고해상도 정사영상을 생성하였다. 다중 해상도 분할 알고리즘(Scale=30, Shape=0.1, Compactness=0.5)을 적용하여 4,563개의 객체 단위 학 습 데이터를 구축하였으며, 수관높이모델(CHM), 반사강도 (Intensity), 경사도(Slope), 정규식생지수(NDVI), 회색조 동시발생 행렬 기반 질감 정보(Contrast, Entropy) 등 총 10개 변수를 추출 하였다. RandomForest, LightGBM, CatBoost, XGBoost, SVM 등 5 종의 머신러닝 알고리즘의 단일 모델 성능을 혼동행열 기반 F1-score로 비교한 결과, RandomForest(0.8907), LightGBM(0.8830), CatBoost(0.8773)의 순서로 가장 우수한 성능을 나타냈다. Hard Voting, Soft Voting, Stacking 등 앙상블 기법을 적용한 결과, Stacking(RandomForest+LightGBM+CatBoost) 모델이 F1-Score 0.933으로 Hard Voting(0.893), Soft Voting(0.912) 대비 높은 정확 도를 나타내었다. 수종별로는 낙엽송(F1-Score 0.945), 기타 침엽 수(0.947), 잣나무(0.933)에서 93~95%의 매우 높은 분류 정확도를 기록하였으며, 신갈나무(0.908), 기타 활엽수(0.911)에서도 91% 이 상의 안정적인 성능을 보였다. 개발된 최적 모델을 전체 연구 대 상지(6.12km)의 286,601개 객체에 적용하여 고정밀 수종지도를 자 동으로 제작하였으며, QGIS 기반의 벡터라이징 후처리를 통해 데 이터 용량을 94,498KB에서 6,481KB로 약 14.58배 경량화하여 실 무 활용성을 향상시켰다. 본 연구는 고밀도 LiDAR와 초고해상도 정사영상을 융합한 광역 산림지역 대상 앙상블 머신러닝 기반 수 종 분류 연구로서, 기존 임상도 제작 방식의 주관성, 비일관성, 시간 지연 등의 한계를 극복하고 객관적이고 일관된 품질의 수종 정보를 대규모로 생산할 수 있는 자동화 시스템의 기반을 마련하 였다. 본 연구 결과는 산림 자원 관리, 탄소 저장량 평가, 생태계 모니터링 등 다양한 산림 분야에 활용될 수 있을 것으로 기대되 며, 향후 광역 확장 적용을 통해 산림 디지털트윈 DB 구축 및 산 림 경영·정책 수립에 기여할 것으로 판단된다. 핵심어 : 항공LiDAR, 고해상도 정사영상, 머신러닝, 앙상블, 수종분류

목차 (Table of Contents)

• 그 림 차 례 Ⅴ
• 국 문 요 약 Ⅷ
• 제 1 장 서 론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 연구 동향 5
• 1.3 연구 범위 및 방법 7
• 1.3.1 내용적 연구범위 7
• 1.3.2 공간적 연구범위 11
• 제 2 장 실험 데이터 취득 및 전처리 방법론 14
• 2.1 항공LiDAR 데이터 및 항공 사진 취득 14
• 2.1.1 촬영 조건 및 활용 센서 특성 14
• 2.1.2 취득한 항공LiDAR 및 항공사진 데이터 현황 16
• 2.2 항공LiDAR 데이터 현황 및 전처리 과정 17
• 2.2.1 항공LiDAR 데이터 점밀도 분석 및 데이터 특성 17
• 2.2.2 항공LiDAR 데이터의 노이즈 제거 및 지면점 분류 18
• 2.2.3 항공LiDAR 지면점을 활용한 수치표고모델 생성 23
• 2.3 항공 사진 데이터 현황 및 전처리 26
• 2.3.1 항공 사진 특성 및 분광수치 개념 26
• 2.3.2 컴퓨터 비전 해석의 개념 27
• 2.3.3 컴퓨터 비전 해석을 통한 고해상도 항공정사영상 생성 29
• 제 3 장 임상 및 수종 분류를 위한 학습데이터의 생성 31
• 3.1 머신러닝 기반 임상 및 수종 분류 방법 31
• 3.1.1 머신러닝 분류기의 이론적 개념 31
• 3.1.2 객체기반 영상분류 프로세스 체계 35
• 3.1.3 앙상블 머신러닝 기반 임상 및 수종분류 병렬 프로세스 36
• 3.2 항공LiDAR와 정사영상을 활용한 학습데이터 셋 구축 38
• 3.2.1 학습 데이터 셋 구축 과정 38
• 3.2.2 다중 해상도 알고리즘을 활용한 객체기반 영상 분할 39
• 3.2.3 QGIS를 활용한 학습용 라벨링 데이터 생성 41
• 3.2.4 항공LiDAR 기반 수치수관모델 생성 42
• 3.2.5 항공LiDAR 기반 반사강도 래스터 모델 생성 43
• 3.2.6 항공LiDAR 기반 수관 경사도 래스터 모델 생성 44
• 3.2.7 항공정사영상 기반 정규식생지수 래스터 모델 생성 45
• 3.2.8 항공정사영상 기반 회색조 동시발생 행렬 대비 계산 46
• 3.2.9 항공정사영상 기반 회색조 동시발생 행렬 엔트로피 계산 47
• 3.2.10 위상분석을 통한 학습 데이터 셋 구축 48
• 제 4 장 머신러닝 앙상블을 통한 최적 수종 분류 모델 개발 49
• 4.1 머신러닝 앙상블 실험 방법 49
• 4.1.1 머신러닝 앙상블 실험 프로세스 49
• 4.1.2 앙상블을 위한 머신러닝 알고리즘 선정 50
• 4.1.3 RandomForest 알고리즘의 특성 51
• 4.1.4 XGBoost 알고리즘의 특성 52
• 4.1.5 CatBoost 알고리즘의 특성 53
• 4.1.6 LightGBM 알고리즘의 특성 54
• 4.1.7 SVM 알고리즘의 특성 55
• 4.1.8 단일 머신러닝 모델 학습 및 추론 56
• 4.2 단일 머신러닝 모델의 성능 평가 61
• 4.2.1 머신러닝 분류 결과의 정확도 평가 방법 61
• 4.2.2 혼동행렬 기반 단일 모델의 성능 평가 결과 64
• 4.3 최적 수종 분류 모델 정립을 위한 앙상블 실험 방법 71
• 4.3.1 머신러닝 앙상블의 개념 73
• 4.3.2 Voting 앙상블의 개념 74
• 4.3.3 Stacking 앙상블의 개념 77
• 4.3.4 앙상블 실험의 성능 평가 결과 80
• 4.4 최적 앙상블 머신러닝 모델 기반 고정밀 임상도 제작 89
• 4.4.1 객체기반 임상도 자동 제작 프로세스 89
• 4.4.2 벡터라이징을 통한 데이터 후처리 91
• 제 5 장 결 론 95
• 참 고 문 헌 99
• ABSTRACT 102