Monitoring Urban Park Tree Pruning Using Sentinel-2 Remote Sensing = Sentinel-2 원격 감지를 활용한 도시 공원 수목 가지치기 모니터링

국문 초록 (Abstract)

정기적인 가지치기는 도심 수목의 구조적 안정성을 유지하고 가지나 나무가 쓰러지는 위험을 줄이는 데 매우 중요하다. 그러나 한정된 지방 자치 단체의 자원으로 도시 공원 전체의 가지치기 필요성을 체계적으로 평가하는 것은 여전히 어려운 과제다. 또한, 유지 관리는 주로 이용자가 많은 공원에 우선적으로 이루어져 상대적으로 이용이 적은 공원은 방치되는 경우가 많다. 시계열 위성 영상은 여러 공원에 걸친 식생 변화를 모니터링하는 데 있어 일관되고 광범위한 정보를 제공하지만, 기존 연구는 주로 생태적 또는 계절적 역학에만 집중했다. 가지치기를 구체적인 운영상의 유지 관리 활동으로 다루지 않았기 때문에, 위성 영상을 실질적인 유지 관리 우선순위 선정에 활용하는 데는 한계가 있다.
이러한 문제를 해결하기 위해, 본 연구는 Sentinel-2 위성 영상에서 추출한 엽면적 지수 시계열 데이터를 활용하여 도심 공원 수목의 가지치기 상태를 평가하는 프레임워크를 제안한다. 우리는 계절성을 제거한 LAI 추세의 변동성과 함께, 가지치기 특유의 수관 역학인 급격한 감소 후 이어지는 회복 패턴을 포착하는 시계열 특성을 설계하였으며, 서포트 벡터 머신을 사용하여 가지치기 상태를 분류했다. 감소 및 회복에 민감한 특성을 통합함으로써 이 모델은 견고한 가지치기 탐지 성능을 달성했다. 테스트 데이터셋 기준으로 본 모델은 F1 점수 63.5%를 기록하였으며, 가지치기 미실시 공원에 대해서는 사용자 정확도 70.4%를 달성하였다. 이는 관리가 이루어지지 않은 공원을 효과적으로 식별할 수 있음을 의미한다. 제안된 접근 방식은 점검 및 유지 보수가 필요한 공원을 조기에 식별하여 안전 위험을 완화하고, 도심 수목 관리 노력을 보다 지속 가능하고 형평성 있게 배분할 수 있도록 지원한다. 본 연구는 위성 시계열 분석을 의사결정 지원과 연결하여, 도시 녹지 행정의 디지털 전환에 기여한다.

다국어 초록 (Multilingual Abstract)

Regular pruning is crucial for maintaining the structural stability of urban trees and reducing the risk of branch or tree failure. However, systematically evaluating pruning needs at the city level remains difficult under limited municipal resources. And maintenance is often prioritized in highly visited parks, leaving less frequented sites neglected. While time-series satellite imagery provides consistent, large-area coverage for monitoring vegetation change across many parks, previous research has largely focused on ecological or seasonal dynamics and has not specifically addressed tree pruning as an operational maintenance activity, limiting the translation of imagery into actionable maintenance prioritization.
To address this gap, we propose a framework to assess urban park tree pruning status using Leaf Area Index (LAI) time series derived from Sentinel-2 imagery. We design time-series features that capture pruning-specific canopy dynamics—abrupt declines followed by recovery trajectories—alongside variability in de-seasonalized LAI trends, and classify pruning status using a support vector machine (SVM). By incorporating decline- and recovery-sensitive features, the model achieved robust pruning detection performance; on a held-out test set, it obtained an F1-score of 63.5% and a user accuracy of 70.4% for the unpruned class, enabling screening for unmanaged parks. The proposed approach enables early identification of parks requiring inspection and maintenance, mitigating safety risks and supporting more sustainable and equitable allocation of urban tree management efforts. Our study links satellite time series analytics to decision support, contributing to the digital transformation of urban greenspace governance.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• Chapter 2. Analytical procedure 5
• 2.1. Study area 5
• 2.2. Data acquisition 6
• 2.2.1. Sentinel 2A data 6
• 2.2.2. Reference data 7
• 2.3. Data processing 8
• 2.3.1. Data processing 8
• 2.3.2. Construction of LAI time-series data 9
• 2.4. Decomposition 11
• 2.5. Classification 12
• 2.5.1. Feature extraction 12
• 2.5.2. Feature selection 15
• 2.5.3. Model training 15
• 2.5.4. Model evaluation 16
• Chapter 3. Results 17
• 3.1. Importance of features 17
• 3.2. Classification 21
• Chapter 4. Conclusion and discussion 25
• Bibliography 29
• Abstract in korean 38