딥러닝 기반 삼림 조사의 한계: 수동 라벨링의 허상을 넘어

본 연구는 드론 영상과 TLS 데이터를 활용하여 딥러닝 기반 삼림 조사의 정확성을 검증하고, 수동 라벨링의 과대평가 문제를 지적했습니다. 폐쇄된 캐노피 환경에서의 모델 성능 저하를 확인하고, 향후 연구 방향을 제시했습니다.

기후변화에 따른 생태계 변화를 정확하게 평가하기 위해서는 개별 나무 단위의 삼림 역동성 모니터링이 필수적입니다. 하지만 기존의 현장 기반 삼림 조사는 노동 집약적이며 공간적 범위가 제한적이라는 한계를 가지고 있습니다.

최근 드론으로 획득한 RGB 영상과 딥러닝 모델을 결합한 원격 탐사 기술이 개별 나무 크라운(ITC) 분할에 대한 정확성을 높일 것이라는 기대를 받고 있지만, 기존 연구들은 대부분 사람이 직접 라벨링한 이미지를 기준으로 검증되어 왔습니다. 즉, 독립적인 지상 진실(ground truth) 이 부족했던 것입니다.

영국 엑서터 대학교 연구팀(Matthew J. Allen, Harry J. F. Owen, Stuart W. D. Grieve, Emily R. Lines)은 이러한 문제를 해결하기 위해 드론 영상과 지상 레이저 스캐닝(TLS) 데이터를 결합하여 고정밀 검증 레이블을 생성하는 새로운 방법을 제시했습니다.

연구팀은 혼합되지 않은 북방림과 지중해 삼림의 드론 영상에 대해, 두 가지 널리 사용되는 딥러닝 ITC 분할 모델인 DeepForest (RetinaNet)과 Detectree2 (Mask R-CNN)의 성능을 평가했습니다. 놀랍게도, 지중해 삼림에서 TLS 기반 지상 진실을 사용하여 검증한 결과, 모델 성능이 유사한 환경의 수동 라벨링 데이터 기반 평가 결과보다 현저히 낮았습니다 (AP50: 0.094 vs. 0.670). 이는 수동 라벨링이 모델 성능을 과대평가했음을 시사합니다.

수관(canopy) 나무만 평가 대상으로 제한했을 때 성능 차이는 다소 줄어들었지만 (Canopy AP50: 0.365), 여전히 수동 라벨링 데이터 기반 결과보다 훨씬 낮았습니다. 북방림 데이터에서도 유사한 결과가 나타났습니다 (AP50: 0.142, Canopy AP50: 0.308). 또한, 두 모델 모두 엄격한 IoU 임계값에서 매우 낮은 위치 정확도를 보였습니다.

이 연구는 수동 라벨링에 의존하는 기존 방식의 한계를 명확히 보여주며, 폐쇄된 캐노피 환경에서의 AI 기반 삼림 조사에 대한 새로운 접근법을 요구하고 있습니다. TLS 데이터와 같은 고정밀 지상 진실 데이터를 활용하고, 모델의 한계를 고려한 새로운 알고리즘 개발이 향후 연구의 중요한 과제가 될 것입니다. AI 기반 삼림 조사의 정확성 향상을 위해서는 수동 라벨링에 대한 의존도를 줄이고, 객관적이고 정확한 지상 진실 데이터 확보에 대한 노력이 더욱 필요합니다.