산림 복구 모니터링에 사용하기 위한 드론 기반 원격 감지 데이터 수집 및 처리

Dmytro Movchan; Charumitha Selvaraj; Zhouxin Xi; Angeline Van Dongen; Dani Degenhardt

doi:10.3791/68745

Method Article

산림 복구 모니터링에 사용하기 위한 드론 기반 원격 감지 데이터 수집 및 처리

DOI:

10.3791/68745

⸱

October 24th, 2025

Dmytro Movchan¹ , Charumitha Selvaraj¹ , Zhouxin Xi¹ , Angeline Van Dongen¹ , Dani Degenhardt¹

¹Natural Resources Canada, Canadian Forest Service, Northern Forestry Centre

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

원격 조종 항공기 시스템(RPAS)의 최근 발전으로 산림 복구 모니터링에 이상적인 서브미터 해상도가 가능해졌습니다. 인공 지능(AI)을 통합하면 대규모 원격 감지 데이터 세트에서 더 깊은 통찰력을 얻을 수 있습니다. 이 프로토콜은 교란으로부터 회복되는 산림 토지의 보다 효율적인 평가 및 관리를 지원하여 모니터링을 개선합니다.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

원격 감지(RS) 기술, 특히 LiDAR(빛 감지 및 거리 측정) 및 다중 스펙트럼(MS) 이미지는 다양한 공간 해상도에서 광범위한 식생 모니터링 기능을 제공합니다. LiDAR 및 MS 센서가 장착된 원격 조종 항공기 시스템(RPAS)은 유연한 비행 일정을 제공하고 미세 해상도 데이터를 캡처하여 식생 평가를 향상시킬 수 있습니다. 딥 러닝(DL) 모델의 추가 통합은 식생 모니터링 애플리케이션에 특히 중요한 후처리 워크플로를 자동화할 수 있는 가능성을 제시합니다.

이 프로토콜은 대화형 DL 플러그인을 사용하여 개별 3D 트리 묘사를 위해 RPAS 기반 LiDAR 및 MS 데이터를 수집, 처리, 정렬 및 병합하기 위한 실용적인 방법 모음을 간략하게 설명합니다. 독점적인 DL 모델은 산림 생태계 내의 다양한 센서, 연구 장소 및 데이터 해상도에 걸쳐 나무 경계를 효과적으로 감지하고 분할합니다.

이 프로토콜 및 도구를 개발하기 위한 우리의 구체적인 응용 프로그램과 동기는 매립된 석유 및 가스 유정에서 산림 회복을 모니터링하는 것입니다. 현재 현장 기반 평가 방법은 시간이 많이 걸리고 노동 집약적이며 공간적으로 제한적입니다. 매립 노력이 확대됨에 따라 매립 성공과 생태계 회복을 모니터링하기 위한 보다 효율적이고 확장 가능한 접근 방식에 대한 필요성이 커지고 있습니다. RPAS 기반 DL 애플리케이션을 발전시킴으로써 이 연구는 매립된 우물지의 생태 회복 모니터링을 지원하며 다른 산림 경관에도 적용할 수 있습니다.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

석유 및 가스 자원의 추출로 인해 앨버타¹ 전역에 수십만 개의 유정이 설립되었으며, 그 중 다수는 아한대 숲² 내에 위치해 있습니다. 매립 노력은 교란된 토지를 원래의 생태 상태로 복원하는 것을 목표로 합니다³. 기존의 지상 기반 조사는 매립 인증 모니터링의 주요 수단으로 남아 있습니다⁴; 그러나 이는 시간이 많이 걸리고 노동 집약적인 프로세스이며 교란 및 매립 지역의 수가 계속 증가함에 따라 효율성이 떨어지고 있습니다.

원격 감지(RS) 기술의 최근 발전, 특히 원격 조종 항공기 시스템(RPAS)의 사용은 유정 모니터링의 공간적, 시간적 문제에 대한 유망한 솔루션을 제공합니다 5,6,7,8. 이러한 플랫폼은 매우 높은 해상도의 데이터를 제공하므로 개별 나무 수준에서 정확한 측정이 가능합니다. 최근 몇 년 동안 본 것처럼 인공 지능(AI)과의 통합(^9,10,11)은 식생 감지 및 측정의 자동화를 통해 대규모 원격 감지 데이터 세트의 처리 및 분석을 용이하게 합니다. 그러나 딥 러닝(DL) 모델을 위한 적절한 훈련 및 검증 데이터 세트를 생성하는 것은 특히 3D 데이터 세트의 경우 주요 과제로 남아 있습니다.

이 프로토콜은 숲이 우거진 환경에서 RPAS 기반 LiDAR 및 다중 스펙트럼(MS) 데이터를 수집, 처리, 정렬 및 병합하여 개별 나무를 묘사하기 위한 단계별 워크플로를 간략하게 설명합니다. 이 방법은 CloudCompare에 통합된 새로 개발된 TreeAIBox¹² 플러그인을 사용하여 개별 나무 크라운 분할을 위해 RPAS 파생 포인트 클라우드를 분석합니다. 이 플러그인은 3D 트리 분할에 맞춰진 지도 심층 신경망 제품군인 TreeisoNet¹³ 모델을 기반으로 하는 새로운 3D DL 접근 방식을 도입하며, 이는 5개의 서로 다른 매립 유정지의 RPAS 파생 데이터 세트에서 훈련 및 검증되었습니다. 모델 훈련을 위해 선택된 사이트는 모델의 일반화 가능성을 보장하기 위해 나무 높이, 밀도 및 종 구성이 다양했습니다. 또한 훈련 데이터 세트에는 여름(2023년 8월), 가을(2023년 10월), 봄(2024년 5월)의 세 가지 연속 시즌 동안 수집된 데이터가 포함되어 있어 모델이 나무 가시성의 변화와 함께 다양한 계절 조건에서 정확하게 작동할 수 있도록 했습니다. 플러그인은 포인트 클라우드 필터링(나무 대 땅), 나무 꼭대기 감지 및 개별 나무 크라운 분할 프로세스를 자동화합니다. 플러그인의 출력은 간척 후 식생 모니터링에 사용되는 크라운 면적, 캐노피 비율, 줄기 밀도 및 나무 높이와 같은 식생 메트릭을 계산하는 데 사용할 수 있습니다.

TreeAIBox 플러그인에 통합된 TreeisoNet 모델은 유역 분할 또는 ShortestPath와 같은 기존 3D 분할 방법에 비해 크게 개선되었습니다. TreeisoNet은 다양한 산림 유형에서 더 높은 정확도를 보고하여 지도되지 않은 대안에 비해 지도 딥 러닝 접근 방식의 이점을 입증했습니다¹³. 구체적으로, 나무 꼭대기 로케이터 모듈(TreeLoc)은 평균 F1 점수 0.96을 달성하여 평균 F1 점수 0.57¹³을 능가하는 로컬 최대값(LM) 방법을 크게 능가했습니다. 유사하게, 크라운 묘사 모듈(TreeOff)은 0.85의 평균 유니온에 대한 교차점(mIoU)를 기록하여 기존 Watershed3D(mIoU 0.68) 및 ShortestPath 방법(mIoU 0.79)¹³을 능가했습니다. 이러한 지표는 특히 나무 높이, 줄기 밀도 및 종 구성이 다양한 매립 우물과 같은 복잡한 환경에서 나무 꼭대기를 감지하고 크라운을 묘사하는 데 있어 TreeisoNet의 탁월한 정확성을 강조합니다.

TreeisoNet 모델은 포인트 밀도가 평방미터당 1100포인트 이상인 RPAS 파생 LiDAR 데이터로 훈련되었습니다. 이 백서에 설명된 방법은 석유 및 가스 유정에서 산림 회복을 모니터링하는 데 중점을 둡니다. 그러나 다른 산림 지역에서 사용하도록 조정할 수 있습니다. 이 워크플로는 폐색이 최소화되는 줄기 밀도가 희박하거나 중간 정도(ha당 <3,000개의 줄기)인 젊은 농장 및 혼합 목재 숲에 매우 적합합니다. 폐쇄된 캐노피 또는 다층 숲에서는 제한된 LiDAR 침투로 인해 지하 나무의 감지가 감소할 수 있습니다. 이 모델은 침엽수 캐노피와 낙엽수 캐노피를 모두 지원하지만 정확도는 어린 침엽수의 얇은 리더와 같은 종별 특징에 따라 다를 수 있습니다. TreeAIBox 플러그인에는 다양한 산림 유형에 광범위하게 적용할 수 있도록 설계되고 매립된 유정지의 다양한 데이터 세트에서 검증된 사전 정의되고 사전 훈련된 모델 라이브러리가 포함되어 있습니다. 사용자는 이러한 내장 모델을 활용하고 최대 간격 또는 최소 반경과 같은 플러그인 매개변수를 조정하여 새 모델을 훈련할 필요 없이 특정 데이터 세트에 대한 출력을 최적화할 수 있습니다. 이러한 유연성을 통해 사용자는 CloudCompare의 사용자 친화적인 그래픽 사용자 인터페이스(GUI) 내에서 직접 다양한 나무 높이 또는 밀도와 같은 다양한 산림 조건에 워크플로를 조정할 수 있습니다. 현재 버전의 TreeAIBox 플러그인은 소프트웨어 자체 내에서 새 모델 훈련을 지원하지 않습니다. 그러나 고급 사용자는 사전 학습된 새 모델을 모델 라이브러리에 추가할 수 있습니다.

프로토콜 섹션 1과 2는 데이터 수집 및 처리 단계를 설명하고 프로토콜의 섹션 3은 트리 메트릭을 추출하기 위한 TreeAIBox 플러그인 사용을 설명합니다. 우리의 특정 연구는 드론 기반 LiDAR 데이터와 MS 이미지의 융합을 사용합니다. 그러나 프로토콜 섹션 3에서 사용할 고밀도 포인트 클라우드 파일을 생성하기 위해 다양한 절차, 장비 및 소프트웨어를 적용할 수 있습니다. 이 워크플로는 최첨단 AI 기반 나무 분할 접근 방식을 RPAS 기반 RS와 통합하여 산림 복구에 대한 더 빠르고 정확하며 확장 가능한 평가를 가능하게 함으로써 식생 모니터링의 상당한 발전을 나타냅니다.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. 데이터 수집을 위한 RPAS 사용

알림: 모든 RPAS 운영은 현지 영공 규정 및 안전 요구 사항을 준수해야 합니다. 재료 표 를 사용하여 데이터 수집에 필요한 장비 및 재료를 검토합니다.

비행 전 준비: 현장에 들어가기 전에 장비를 확인하고 필요한 경우 펌웨어를 업데이트하십시오. 각 비행 임무에 대한 비행 파일을 생성하여 조종기에 업로드합니다. 각 비행 임무에 대한 안전 계획 및 비상 절차 문서를 작성하십시오. 자세한 프리플라이트 설정 절차는 보충 파일 1 을 참조하십시오.
현장 데이터 수집: 현장에서 장비를 설정하고 비행 임무를 수행하여 관심 영역에서 LiDAR 및 MS 데이터를 수집합니다. 장비 설정 및 비행 매개변수에 대한 자세한 워크플로는 보충 파일 2 를 참조하십시오.
GNSS 기지국 설정: RPAS의 기지국 위치 위에 GNSS 기지국을 설정하고 실행하여 데이터 전처리 중 PPP(Precise Point Positioning) 보정¹⁴ 에 사용될 위치의 정확한 좌표를 얻습니다(높은 정확도를 위해 기지국의 최소 권장 실행 시간은 2시간입니다)(GNSS 기지국 설정 및 좌표를 얻는 절차의 예는 보충 파일 3 참조).
데이터 전송: 카드 리더기를 사용하여 추가 처리를 위해 수집된 LiDAR 및 MS 데이터를 센서에서 워크스테이션으로 전송합니다.

2. 원시 데이터 처리

다중 스펙트럼 데이터 전처리: 사진 측량 소프트웨어를 사용하여 수집된 MS 데이터를 전처리하고, 기하학적 및 방사성 보정을 수행하고, MS 정사모자이크를 생성합니다.
참고: 사진 측량 소프트웨어를 사용하여 RPAS 파생 MS 데이터를 처리하기 위한 일반적인 워크플로우는 보충 파일 4 를 참조하십시오.
LiDAR 포인트 클라우드 재구성: 적절한 소프트웨어를 사용하여 원시 LiDAR 데이터를 포인트 클라우드 파일(예: *.las/laz 파일)으로 재구성합니다. 재구성 수행 방법에 대한 자세한 절차는 보충 파일 5 를 참조하십시오.
LiDAR와 다중 스펙트럼 데이터를 정렬하고 병합합니다. 지리 공간 도구를 사용하여 LiDAR 포인트 클라우드와 MS 정사모자이크를 정렬합니다. 정렬을 수행하기 위한 자세한 절차는 보충 파일 6 을 참조하십시오. Python 스크립트( 보충 파일 7 참조)를 사용하여 LiDAR 포인트 클라우드를 MS 정사모자이크와 병합하여 MS 포인트 클라우드를 생성합니다.
참고: 모든 IDE(통합 개발 환경)를 사용하여 Python 스크립트를 실행할 수 있습니다. 보충 파일 8 은 일반적인 데이터 병합 워크플로를 보여줍니다.

3. 개별 트리 분할을 위해 TreeAIBox 플러그인 사용

참고: 프로토콜의 이 섹션은 *.las/.laz 파일 형식의 포리스트 환경의 고해상도 포인트 클라우드 데이터를 사용하여 따를 수 있습니다.

TreeAIBox는 Windows OS를 통해서만 테스트되었습니다.

설치 및 설정: 3D 포인트 클라우드 처리 소프트웨어인 CloudCompare¹⁵를 다운로드하여 설치합니다. 그런 다음 GitHub(TreeAIBox_Plugin_Installer_v1.0.exe)¹² 에서 플러그인 설치 프로그램을 다운로드합니다(그림 1). 설치 프로그램을 실행하고 화면의 지시를 따릅니다.
참고: 설치 프로그램은 CloudCompare 소프트웨어 위치를 자동으로 감지하고 GPU 또는 CPU 가용성에 따라 필요한 DL 라이브러리와 함께 플러그인을 배포합니다. 대체 설치 방법 또는 문제 해결은 README 지침¹²를 따르십시오. 설정 후 폴더 구조는 그림 2에 표시된 것과 일치해야 합니다.
포인트 클라우드 데이터 로드:
1. 바탕 화면 아이콘에서 CloudCompare를 열거나 시작 | 모든 프로그램 | CloudCompare를 사용합니다. 포인트 클라우드 파일(예: *.las/laz 파일)을 캔버스로 드래그하거나 메인 콘솔에서 하나 또는 여러 파일 열기 버튼을 사용하고 적용을 클릭하여 CloudCompare 에 로드합니다(그림 3).
2. 점 좌표가 크면 전역 이동/축척을 적용할지 여부를 묻는 메시지가 표시됩니다. .las/laz 파일에서 메타데이터를 읽는 입력 을 선택하고 예를 클릭합니다(그림 4). 이제 포인트 클라우드가 캔버스에 나타납니다.
TreeAIBox 플러그인 열기: Python 플러그인 도구 모음을 열고 Script Register 드롭다운을 확장한 다음 TreeAIBox 를 클릭하여 플러그인 GUI를 엽니다(그림 5).
트리 및 지지점 필터링
1. CUDA 지원 GPU를 사용할 수 있는 경우 Use GPU(CUDA) 확인란이 선택되어 있는지 확인합니다. 상단 패널에서 TreeFiltering을 선택하고, RPAS 데이터에 나무 줄기가 표시되지 않으면 ALS 를 선택하고, 타일 크기를 선택 취소하고, Predefined Models(사전 정의된 모델 ) 드롭다운에서 'treefiltering_als_esegformer3D_128_15cm(GPU3GB)'를 선택합니다(그림 6). 이 모델을 처음 사용하는 경우 글꼴 색상이 회색으로 표시됩니다. 다운로드 를 클릭하고 로컬 경로를 보여주는 팝업을 확인합니다.
2. 캔버스에서 포인트 클라우드(경계 상자로 강조 표시됨)를 선택하고 TreeFilter 패널에서 적용을 클릭합니다. treefilter라는 새 스칼라 필드가 생성됩니다: value = 2(트리 포인트, 빨간색) 및 value = 1(다른 포인트, 파란색)(그림 7). 다음 단계로 진행하기 전에 이를 확인하십시오.
나무 꼭대기 감지
1. TreeAIBox 상단 패널에서 TreeisoNet을 선택하고 회수, ALS(줄기 암시적) 및 TreeLoc을 활성화한 다음 사전 학습된 모델인 'treeisonet_als_reclamation_treeloc_esegformer3D_
  드롭다운에서 128_10cm(GPU4GB)'를 선택합니다. 캔버스의 포인트 클라우드가 선택되어 있는지 확인한 다음(경계 상자로 강조 표시됨) Apply(적용 )를 클릭합니다(그림 8).
2. 처리가 완료되면 DB 트리 창의 원래 포인트 클라우드 아래에 treetops라는 새 항목이 나타납니다. 이 항목을 선택하고 가시성을 높이기 위해 포인트 크기(예: 16)를 늘립니다. 나무 꼭대기 위치가 캔버스에서 흰색 점으로 나타나는지 확인합니다(그림 9).
나무 크라운 분할
1. 트리 포인트 클라우드 항목(빨간색으로 강조 표시됨)을 다시 선택합니다(그림 10). TreeAIBox 상단 패널에서 TreeisoNet을 선택하고 TreeOff를 활성화합니다. 사전 학습된 모델 'treeisonet_als_reclamation_treeoff 다운로드
  _esegformer3D_128_10cm(GPU4GB)'(그림 11)를 사용할 수 없는 경우 Apply 를 클릭하여 모델을 실행합니다.
2. 새 스칼라 필드 treeoff 가 생성되어 각 트리에 고유한 ID가 할당됩니다. 동일한 트리의 포인트는 동일한 ID를 공유합니다. 필요한 경우 트리 맨 위 포인트 크기를 기본값으로 재설정하여 시각적 혼란을 줄입니다. 소프트웨어 캔버스의 보기가 그림 12에 표시된 보기와 유사한지 확인합니다.
3. 선택적 시각화: 임의 나무 색상: 분할된 나무의 시각적 대비를 개선하려면 ID별로 나무 색상을 무작위로 지정합니다. 먼저 원본 포인트 클라우드를 복제하여 데이터를 보존합니다(편집 | 복제). 그런 다음 편집 | 스칼라 필드 | 랜덤 RGB로 변환 합니다(그림 13). 충분한 개별 색상을 보장하기 위해 큰 값(예: 256000)을 입력하고 확인을 클릭합니다. 포인트 클라우드는 나무를 임의의 색상으로 표시합니다(그림 14).
  참고: 이 단계는 시각화 전용이며 분할 ID에는 영향을 주지 않지만 복제된 포인트 클라우드의 RGB 값을 덮어씁니다.
세분화 메트릭 및 출력 내보내기: TreeAIBox 상단 패널에서 TreeisoNet 을 선택하고 통계 내보내기를 클릭하여 트리 세분화 결과를 내보냅니다. 그런 다음 출력 경로 열기 를 클릭하여 결과 폴더에서 출력 파일을 봅니다(그림 15). 내보낸 CSV에는 세그먼트화된 나무 ID, 좌표, 나무 높이 및 크라운 면적이 포함됩니다.
참고: 이것으로 TreeAIBox를 사용한 데이터 처리가 완료됩니다.

figure-protocol-1
그림 1: GitHub 리포지토리를 통해 TreeAIBox 플러그인 설치 프로그램에 액세스합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-2
그림 2: TreeAIBox 플러그인이 있는 폴더 구조입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-3
그림 3: 포인트 클라우드 파일을 CloudCompare에 로드합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-4
그림 4: 포인트 클라우드가 CloudCompare에 로드될 때 포인트 클라우드에 대한 전역 이동 설정. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-5
그림 5: CloudCompare의 Python 플러그인 도구 모음을 사용하여 TreeAIBox 플러그인을 시작합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-6
그림 6: 트리 포인트와 지상 포인트를 분리하기 위해 TreeFiltering 패널을 설정합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-7
그림 7: 트리 포인트와 지상 포인트를 분리한 결과. 트리 포인트는 빨간색으로 표시되고 지상 포인트는 파란색으로 표시됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-8
그림 8: TreeLoc을 사용하여 나무 꼭대기를 감지하도록 TreeisoNet 패널 설정. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-9
그림 9: 트리탑 감지 결과. 흰색 점은 나무 꼭대기의 위치를 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-10
그림 10: TreeOff 패널을 적용하기 전에 트리 포인트 클라우드 항목을 다시 선택합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-11
그림 11: TreeOff를 사용하여 나무 크라운 분할을 위한 TreeisoNet 패널 설정. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-12
그림 12: 나무 크라운 분할 결과. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-13
그림 13: 더 나은 경계 대비를 위해 ID에 따라 나무의 색상을 무작위화하도록 분할된 포인트 클라우드를 설정합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-14
그림 14: 나무 색상 무작위화 결과. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-protocol-15
그림 15: TreeisoNet 패널에서 csv 파일로 트리 분할 결과를 추출합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

확립된 프로토콜에 따라 RPAS 파생 LiDAR 및 MS 데이터는 어린 나무가 심어진 3개의 연구 사이트에서 수집되었습니다. 이러한 사이트는 다양한 높이의 개별 나무를 감지하는 모델의 능력을 테스트하기 위해 선택되었습니다. 사이트 1에는 평균 높이 1.46m의 Abies balsamea (발삼 전나무)가 심어졌습니다. 사이트 2에는 평균 높이 2.17m의 Pinus contorta (로지폴 소나무) 나무가 있었습니다. 사이트 3에는 평균 높이가 0.51m에 불과한 작은 Abies balsamea 와 Pinus contorta 나무가 혼합되어 있었습니다. RS 데이터 외에도 224개의 기준 트리의 위치도 GNSS 장치로 기록되었습니다.

데이터 수집 및 처리 후 TreeAIBox 플러그인을 적용하여 트리 포인트를 필터링하고 개별 트리를 묘사했습니다. 플러그인에서 생성된 결과는 그림 16에 나와 있습니다.

figure-results-1
그림 16: 3개의 연구 장소(A - 사이트 1; B - 사이트 2; C - 사이트 3)은 TreeAIBox 플러그인에 의해 생성됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

총 2,755그루의 개별 나무가 세 곳에서 발견되었습니다. 이 모델은 사이트 1(그림 16A)에서 1,706그루의 나무, 사이트 2에서 882그루의 나무(그림 16B), 사이트 3에서 167그루의 나무(그림 16C)를 식별했습니다. 참조 나무에 대한 검출률은 표 1과 같이 사이트 1에서 100%, 사이트 1에서 95%, 사이트 3에서 21%만 감지되어 사이트마다 다양했습니다. 이러한 결과는 1m> 나무를 감지하는 모델의 높은 성능을 강조하며, 이 범위의 모든 참조 나무에 대해 100% 감지율을 나타냅니다. 그러나 키가 작은 나무의 경우 성능이 저하되었습니다: 0.5m에서 1m 사이의 참조 나무의 45%만 감지되었고 0.5m < 나무는 식별되지 않았습니다(표 2).

사이트 #	Aver 나무 높이, m(stdev)	# 참조 트리	# 감지된 참조 트리	감지된 참조 트리의 %
1	1.46 (0.45)	75	71	95
2	2.17 (0.4)	74	74	100
3	0.51 (0.17)	75	16	21

표 1: 다양한 사이트별 참조 트리 감지율.

나무 높이 범위	# 참조 트리	# 감지된 참조 트리	감지된 참조 트리의 %
0 - 0.5 미터	41	0	0
0.5 - 1 미터	40	18	45
1 - 1.5 미터	49	49	100
1.5 - 2 미터	42	42	100
> 2m	52	52	100

표 2: 다양한 나무 높이 범위별 참조 나무 검출률.

보충 파일 1: RPAS 데이터 수집 워크플로 - 사전 현장 작업. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 2: RPAS 데이터 수집 워크플로 - 현장에서. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 3: 정확한 위치 추적을 위해 GNSS 장치를 사용합니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 4: 사진 측량 소프트웨어를 사용한 MS 데이터 처리 절차. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 5: 원시 LiDAR 데이터에서 포인트 클라우드 재구성. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 6: 지리 공간 도구를 사용한 LiDAR 포인트 클라우드 및 MS 정사모자이크 정렬. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 7: LiDAR 포인트 클라우드와 MS 이미지를 병합하여 MS 포인트 클라우드를 생성하기 위한 Python 스크립트입니다. 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 파일 8: LiDAR 포인트 클라우드와 MS 이미지 병합의 일반적인 워크플로우. 이 파일을 다운로드하려면 여기를 클릭하십시오.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

RS 데이터, 특히 3D 포인트 클라우드에 DL을 적용할 때 주요 과제 중 하나는 균형 잡히고 대표적인 훈련 및 검증 데이터 세트를 개발하는 데 있습니다. 모든 DL 모델의 효과는 훈련 ^9,10,11,16 중에 사용되는 주석이 달린 데이터의 다양성과 품질에 크게 좌우됩니다. 이 연구에 사용된 새로운 3D DL 모델은 젊고 심어졌으며 자연적으로 재생되는 초목을 특징으로 하는 아한대 숲 지역 내의 여러 매립된 우물 부지에서 수집된 데이터 세트를 사용하여 훈련 및 검증되었습니다. 이러한 장소는 광범위한 모델 일반화 가능성을 보장하기 위해 나무 높이, 줄기 밀도 및 종 구성의 변화를 포함하여 광범위한 산림 조건을 포괄하도록 신중하게 선택되었습니다. 또한 훈련 데이터 세트는 3개 연속 시즌에 걸쳐 수집된 RS 데이터를 통합하여 시간적으로 다양했습니다. 이러한 계절적 변화는 나뭇잎 덮개와 구조적 복잡성의 변화를 고려하여 다양한 캐노피 가시성 조건에서 안정적으로 작동하도록 모델을 훈련하는 데 중요했습니다. 다계절 및 다중 구조 데이터의 통합은 특히 변화하는 조명 조건과 계절 단계에서 개별 나무를 감지하는 능력에서 모델의 견고성에 기여했습니다.

이 연구에서 주목할만한 발견은 LiDAR와 함께 MS 또는 RGB 데이터를 통합해도 TreeAIBox 워크플로 내에서 나무 감지 또는 크라운 분할의 정확도가 크게 향상되지 않는다는 것입니다. 이는 크라운 모양 및 공간 배열과 같은 LiDAR 포인트 클라우드의 기하학적 특성이 특히 어리거나 드물게 식생이 있는 환경에서 효과적인 나무 감지 및 분할의 주요 동인임을 시사합니다. 그러나 스펙트럼 데이터는 MS 이미지가 침엽수와 낙엽수의 구별을 개선한 종 분류와 같은 보완적인 응용 분야에서 가치를 입증했습니다.

TreeAIBox 워크플로에서 개별 트리 감지 및 분할의 성공에 영향을 미치는 중요한 요소는 입력 포인트 클라우드의 품질입니다. 최적의 성능을 위해서는 일반적으로 평방 미터당 1,000개 이상의 매우 고밀도의 LiDAR 데이터가 필요합니다. 최신 RPAS 기반 LiDAR 시스템은 낮은 고도 및 높은 비행 중복과 같은 최적화된 비행 매개변수를 사용하여 이러한 밀도를 달성할 수 있습니다. TreeAIBox는 밀도가 낮은 포인트 클라우드를 처리할 수 있지만 포인트 밀도가 낮으면 구조적 세부 캡처가 제한될 수 있습니다. 이로 인해 감지 및 분할 정확도가 저하되는 경우가 많으며, 특히 크라운과 줄기 특징이 과소 표현될 수 있는 작은 나무의 경우 더욱 그렇습니다.

TreeAIBox 워크플로는 매립된 유정에 대한 검증을 통해 측정 가능한 지표를 통해 기존 또는 수동 분할 방법에 비해 효율성과 자동화를 향상시킵니다. 나무 꼭대기 감지 및 크라운 분할을 위한 처리 시간은 표준 GPU(예: NVIDIA RTX 3060)에서 사이트당 평균 5-10분인 반면, CloudCompare와 같은 소프트웨어에서 수동 묘사의 경우 몇 시간이 걸립니다. 자동화는 플러그인의 GUI를 통해 이루어지며, 명령줄 스크립팅과 종속성을 제거하여 비전문가도 최소한의 입력으로 엔드투엔드 분석을 실행할 수 있습니다. 실질적으로 이것은 1헥타르 유정 현장 분석을 5-8시간(수동 방법)에서 30분 미만으로 단축했습니다. CPU 모드로의 대체는 고급 하드웨어 없이도 접근성을 보장하지만 GPU 가속은 시간을 3-5배 단축합니다. 이러한 효율성 덕분에 빈번한 모니터링이 가능해 높은 정확도를 유지하면서 산림 관리에서 확장 가능한 애플리케이션을 지원합니다.

이 연구에서 관찰된 특정 한계는 1.0m< 나무를 감지하는 모델의 능력이 감소했다는 것입니다. 1.0m> 나무에 대한 검출률은 높았고 해당 높이 범위에서 100% 참조 나무가 올바르게 식별되었지만 작은 나무의 경우 성능이 크게 저하되었습니다(표 2). 이러한 제한은 여러 요인 때문일 수 있습니다. 첫째, 지상 근처, 특히 밀폐된 캐노피 아래에서 낮은 LiDAR 점 밀도는 빽빽한 초본 덮개와 결합되어 작은 나무와 관련된 미세한 구조적 세부 사항을 감지하는 데 방해가 됩니다. 또한, 키가 큰 초목으로 인한 폐색은 종종 충분한 포인트 리턴이 지하 나무에 도달하는 것을 방해하며, 이는 이러한 응용 프로그램에서 알려진 오류의 원인입니다^10,16. 알고리즘은 또한 얇은 트리 리더와 같은 미묘한 형태학적 특징을 포착하지 못하거나 촘촘하게 클러스터링된 트리를 단일 개체로 잘못 분류할 수 있습니다. 이러한 문제를 해결하려면 지상 가시성을 향상시키기 위해 비행 고도 또는 스캔 각도를 조정하는 것과 같은 LiDAR 획득 매개변수를 최적화하고 가려지고 희소한 데이터를 더 잘 처리하기 위해 분할 방법을 개선하는 것이 포함될 수 있습니다.

이러한 한계에도 불구하고 제안된 방법은 간척 후 및 재조림 모니터링에 적용할 수 있는 상당한 가능성을 보여줍니다. RPAS 기반 RS는 3D DL 알고리즘과 결합될 때 특히 석유 및 가스 추출과 같은 산업 활동으로 인해 방해를 받는 지역에서 시간 경과에 따른 식생 회복을 추적하기 위한 확장 가능하고 비용 효율적인 고해상도 솔루션을 제공합니다. 개별 나무를 감지하고, 높이를 추정하고, 공간 분포를 평가하는 기능은 부지 재생 및 매립 표준 준수에 대한 의미 있는 통찰력을 제공합니다. 또한 이 방법은 회복 중인 생태계의 계절적, 구조적 역학을 포착하는 빈번하고 비침습적인 모니터링을 가능하게 함으로써 적응형 관리 전략을 지원할 수 있습니다. 복원 프로젝트에서 생태 회복을 평가하기 위해 장기적이고 미세한 규모의 데이터가 점점 더 필요해짐에 따라 이 접근 방식은 복잡하고 이질적인 경관에서 식생 성능을 평가하려는 산림 관리자와 연구자에게 강력하고 실용적인 도구를 제공합니다.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

저자는 공개할 이해 상충이 없습니다.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 연구를 위한 자금은 에너지 연구 개발 사무국 CFS-23-101에서 제공했습니다. 저자는 현장에서 도움을 준 Philip Hoffman, Daniels Kononovs 및 Elizabeth Friel에게 감사를 표하고 싶습니다.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
Avenza 지도 앱	아벤자	NA	QGIS에서 생성된 지리 참조 PDF 지도를 이용한 오프라인 필드 내비게이션을 위해
체크무늬 표적	어떤 공급업체든	NA	지상 통제 지점
CloudCompare	CloudCompare	NA	3D 포인트 클라우드 처리 및 편집 소프트웨어
DJI BS60 배터리 스테이션 (M300 배터리(x8), D-RTK2 배터리(x4), 전원 코드, 그리고 리모컨에 연결할 수 있는 USB-C 케이블 사용	DJI	NA
DJI M300 RTK 항공기, DLS 장착 (컨트롤러 및 교체용 프로펠러 포함)	DJI	NA	DLS(하강 광 센서)
DJI 테라 프로	DJI	NA	원시 LiDAR 데이터를 3D 포인트 클라우드로 재구성합니다.
DJI 젠뮤즈 L1 LiDAR 센서 (마이크로SD 카드 포함)	DJI	NA
D-RTK2 이동국 (삼각대와 연장봉 포함)	DJI	NA
Emlid Reach RS2+ 베이스 스테이션 (삼각대 포함)	엠리드	NA
Emlid Reach RS2+ 로버 (GNSS 측량 폴 포함)	엠리드	NA
외장 하드 드라이브	어떤 공급업체든	NA	그리고 nbsp; 데이터 백업으로
비행 일지	어떤 공급업체든	NA
구글 어스 지지;	구글	NA	KML 비행 파일 생성
착륙장	어떤 공급업체든	NA	항공기 이륙/착륙
랩톱	어떤 공급업체든	NA	현장에서 데이터 다운로드, 카드 포맷 등 용도로 사용됩니다.
MicaSense RedEdge-P 센서 (MicaSense SD 카드, USB-C 케이블, MicaSense 보정 반사 패널(CRP) 포함)	미카센스	NA
PIX4Dmapper	픽스4D S.A.	NA	다중분광 이미지와 직교모자이크 생성의 기하학적 및 방사성 보정.
폐기계	어떤 공급업체든	NA
파이참	JetBrains s.r.o.	NA	파이썬 통합 개발 환경(IDE)
QGIS	QGIS	NA	지리공간 데이터 처리, 편집 및 시각화
SD 및 마이크로SD 카드 리더기	어떤 공급업체든	NA
스마트폰	어떤 공급업체든	NA	MicaSense RedEdge-P 센서와 Emlid Reach RS2+ 유닛과 연결하려면
별 모양 말톱/못, 망치, 그리고 깃발 테이프	어떤 공급업체든	NA	D-RTK2 기지국 위치를 표시하기 위해
정제	어떤 공급업체든	NA	현장 내비게이션을 위해
TreeAIBox (CloudCompare 플러그인)		NA
양방향 라디오	어떤 공급업체든	NA
워크스테이션(CPU i5 이상, CUDA 지원 NVIDIA GPU VRAM ≥ 4GB, RAM ≥ 32GB, SSD ≥ 512GB	어떤 공급업체든	NA

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Well status. , Alberta Energy Regulator. https://www.aer.ca/data-and-performance-reports/data-hub/well-status (2025).
Western boreal forest - Canada. , Ducks Unlimited. https://www.ducks.org/conservation/where-ducks-unlimited-works/western-boreal-forest--canada (2023).
Baah-Acheamfour, M., Dewey, M., Fraser, E. C., Schreiber, S. G., Schoonmaker, A. Assessing ecological recovery of reclaimed well sites: a case study from Alberta, Canada. Front. For. Glob. Change. 5, 849246(2022).
2010 reclamation criteria for wellsites and associated facilities for forested lands (Updated July 2013). , Environment and Sustainable Resource Development. https://open.alberta.ca/publications/1657667/resource/77e66fa1-f7ee-44ad-8c68-234854d38d44 (2013).
Alvarez-Vanhard, E., Corpetti, T., Houet, T. UAV and satellite synergies for optical remote sensing applications: a literature review. Sci. Remote Sens. 3, 100019(2021).
Hird, J., et al. Use of unmanned aerial vehicles for monitoring recovery of forest vegetation on petroleum well sites. Remote Sens. 9 (5), 413(2017).
Mathews, A. J., Singh, K. K., Cummings, A. R., Rogers, S. R. Fundamental practices for drone remote sensing research across disciplines. Drone Syst. Appl. 11, 1-22 (2023).
Zhang, Z., Zhu, L. A review on unmanned aerial vehicle remote sensing: platforms, sensors, data processing methods, and applications. Drones. 7 (6), 398(2023).
Puliti, S., McLean, J. P., Cattaneo, N., Fischer, C., Astrup, R. Tree height-growth trajectory estimation using uni-temporal UAV laser scanning data and deep learning. Forestry. 96 (1), 37-48 (2023).
Straker, A., et al. Instance segmentation of individual tree crowns with YOLOv5: a comparison of approaches using the ForInstance benchmark LiDAR dataset. ISPRS Open J. Photogr. Remote Sens. 9, 100045(2023).
Xiang, B., et al. Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning. Remote Sens. Environ. 305, 114078(2024).
TreeAIBox CloudCompare Plugin. , https://github.com/NRCan/TreeAIBox (2025).
Xi, Z., Degenhardt, D. A new unified framework for supervised 3D crown segmentation (TreeisoNet) using deep neural networks across airborne, UAV-borne, and terrestrial laser scans. ISPRS Open J. Photogr. Remote Sens. 15, 100083(2025).
Elsheikh, M., Iqbal, U., Noureldin, A., Korenberg, M. The implementation of precise point positioning (PPP): a comprehensive review. Sensors. 23 (21), 8874(2023).
CloudCompare. , https://www.cloudcompare.org/ (2024).
Wielgosz, M., Puliti, S., Xiang, B., Schindler, K., Astrup, R. SegmentAnyTree: a sensor and platform agnostic deep learning model for tree segmentation using laser scanning data. Remote Sens. Environ. 313, 114367(2024).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

산림 복구 모니터링에 사용하기 위한 드론 기반 원격 감지 데이터 수집 및 처리

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

References

Reprints and Permissions

Tags

Related Articles