Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
이질적인 LiDAR 데이터로부터 6가지 주요 산림 속성을 예측하는 딥러닝 프레임워크 FLORA를 제안합니다. 옥트리 기반 백본과 보조 변수를 결합하여 계절 및 센서 가변성에 대응하며, 프랑스 데이터를 통해 높은 예측 성능을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기산림 속성(Forest attributes)은 국가 규모의 자원 모니터링에 필수적입니다. 항공 LiDAR 지표(Airborne LiDAR metrics)는 국가 산림 조사(National Forest Inventory, NFI) 추정에 사용되는 산림 속성과 가장 강력하게 상관관계가 있는 보조 변수 중 하나입니다. 그러나 LiDAR 데이터가 이질적인(heterogeneous) 조건에서 수집될 경우, 전 구역(wall-to-wall) 예측을 수행하는 것은 여전히 어려운 과제로 남아 있습니다. 유럽 전역에서 국가 LiDAR 프로그램이 확장됨에 따라, 센서, 비행 매개변수, 계절 및 스캔 각도의 가변성은 종종 국지적 조건에 맞춰 조정된 기존 모델의 강건성(robustness)을 제한합니다. 본 논문에서는 이질적인 LiDAR 포인트 클라우드(point clouds)로부터 우세고(dominant height), 총 부피(total volume), 낙엽수 부피(deciduous volume), 침엽수 부피(coniferous volume), 기저 면적(basal area), 줄기 밀도(stem density)의 6가지 산림 속성을 예측하는 딥러닝 프레임워크인 FLORA(Forest LiDAR Octree Regression with Auxiliary Data)를 제시합니다. FLORA는 옥트리(octree) 기반의 백본(backbone)과 생태학적 및 시공간적 보조 변수를 후기 융합 게이팅 메커니즘(late-fusion gating mechanism)을 통해 결합합니다. 모델은 프랑스 LiDAR HD 프로그램의 데이터를 사용하여 프랑스 본토 전역의 32,052개 국가 산림 조사(NFI) 조사구를 대상으로 학습 및 평가되었습니다. 잎이 있는 시기(leaf-on)와 잎이 없는 시기(leaf-off)의 데이터를 모두 사용하여 학습된 단일 모델은 계절별 특화 모델보다 우수한 성능을 보이며 계절 간 강건성을 향상시킵니다. 보조 변수는 전반적으로 완만한 이득을 제공하지만, 수종별 부피 예측에는 더 강력하게 기여합니다. FLORA는 우세고에 대해 약 12.3%의 rRMSE (R2 = 0.88), 총 부피에 대해 39%의 rRMSE (R2 = 0.74)를 달성하여, 이질적인 국가 LiDAR 프로그램으로부터 대규모 산림 속성을 추정하기 위한 강력한 베이스라인을 제공합니다.