[논문 리뷰] Automated forest inventory: Analysis of high-density airborne LiDAR point clouds with 3D deep learning

Binbin Xiang, Maciej Wielgosz외 5명|arXiv (Cornell University)|2023. 12. 22.

Remote Sensing and LiDAR Applications인용 수 2

한 줄 요약

이 논문은 고밀도 공중 LiDAR 점군을 사용한 자동 산림 조사용 3차원 딥러닝 프레임워크인 ForAINet을 제안한다. 수목과 구성 요소의 의미적 및 인스턴스 세분화를 수행하여 수목 높이, 冠 지름, 부피와 같은 생물물리적 매개변수를 정확하게 추정할 수 있으며, 개별 수목 세분화의 경우 F-스코어가 85.1%이고, 의미적 세분화의 경우 다섯 클래스에서 mIoU가 73.5%를 기록한다.

ABSTRACT

Detailed forest inventories are critical for sustainable and flexible management of forest resources, to conserve various ecosystem services. Modern airborne laser scanners deliver high-density point clouds with great potential for fine-scale forest inventory and analysis, but automatically partitioning those point clouds into meaningful entities like individual trees or tree components remains a challenge. The present study aims to fill this gap and introduces a deep learning framework, termed ForAINet, that is able to perform such a segmentation across diverse forest types and geographic regions. From the segmented data, we then derive relevant biophysical parameters of individual trees as well as stands. The system has been tested on FOR-Instance, a dataset of point clouds that have been acquired in five different countries using surveying drones. The segmentation back-end achieves over 85% F-score for individual trees, respectively over 73% mean IoU across five semantic categories: ground, low vegetation, stems, live branches and dead branches. Building on the segmentation results our pipeline then densely calculates biophysical features of each individual tree (height, crown diameter, crown volume, DBH, and location) and properties per stand (digital terrain model and stand density). Especially crown-related features are in most cases retrieved with high accuracy, whereas the estimates for DBH and location are less reliable, due to the airborne scanning setup.

연구 동기 및 목표

• 고밀도 공중 LiDAR 점군을 의미 있는 산림 요소들인 개별 수목 및 구성 요소로 자동으로 세분화하는 데 도전하는 것.
• 다양한 산림 유형과 지리적 지역으로 일반화할 수 있는 이식 가능하고 완전히 지도된 딥러닝 프레임워크를 개발하는 것.
• 개별 수목 및 산림 단위 수준에서 수목 높이, 冠 지름, 부피, DBH, 위치와 같은 생물물리적 매개변수를 자동으로 추출하는 것.
• 다양한 산림 구조와 점군 밀도를 가진 다국가 데이터셋(FOR-Instance)에서 방법의 성능을 평가하는 것.
• 낮은 점군 밀도와 복잡한 산림 구조와 관련된 한계를 규명하고未래 개선 방향을 제안하는 것.

제안 방법

• 프레임워크인 ForAINet은 LiDAR 점군의 의미적 및 인스턴스 세분화를 위한 3차원 컨볼루션 신경망 아키텍처를 사용한다.
• 특히 희귀하거나 복잡한 산림 유형에 대해 일반화 능력을 향상시키기 위해 TreeMix를 활용한 데이터 증강 기법을 적용한다.
• 의미적 세분화는 지면, 저지대 식생, 줄기, 생기둥, 죽은 기둥의 다섯 클래스에서 수행된다.
• 인스턴스 세분화는 의미적 백본 위에 마스크-RCNN 방식의 헤드를 적용하여 개별 수목을 식별한다.
• 기하학적 및 공간 분석을 통해 세분화된 수목 구성 요소에서 수목 높이, 冠 지름, 부피와 같은 생물물리적 매개변수를 유도한다.
• 기하학적 피팅 문제를 피하기 위해 DBH와 수목 위치를 직접 점군 특징에서 추정하기 위해 회귀 헤드 또는 이소모르픽 모델을 사용할 수 있다.

실험 결과

연구 질문

• RQ1 딥러닝 프레임워크가 다양한 산림 유형과 지리적 지역에서 고밀도 공중 LiDAR 점군을 강력하고 이식 가능하게 세분화할 수 있는가?
• RQ2 세분화된 점군에서 개별 수목의 생물물리적 매개변수(예: 높이, 冠 지름, 부피)를 자동으로 추출할 때 정확도는 어느 정도인가?
• RQ3 점군 밀도가 제안된 방법의 세분화 성능에 어느 정도 영향을 미치는가?
• RQ4 왜 DBH와 수목 위치 추정치가 덜 정확한가? 그리고 대체 추정 전략은 신뢰성을 향상시킬 수 있는가?
• RQ5 밀도 높은 하층 식생이나 겹치는 수관을 가진 복잡한 산림 구조에서는 모델이 어떻게 성능을 발휘하는가?

주요 결과

• ForAINet은 FOR-Instance 데이터셋에서 개별 수목 인스턴스 세분화에 대해 85.1%의 F-스코어를 기록하여 다섯 개 국가와 다양한 산림 유형에서 뛰어난 성능을 입증했다.
• 의미적 세분화는 지면, 저지대 식생, 줄기, 생기둥, 죽은 기둥의 다섯 클래스에서 평균 교차율(mIoU)이 73.5%를 기록했다.
• 높이, 冠 지름, 부피와 같은 冠 관련 매개변수는 매우 정확하게 추정되었으며, 이는 점군으로부터 강력한 구조 복원 능력을 의미한다.
• 점군 밀도가 약 100 pts/m² 이하로 떨어지면 성능이 크게 저하되었고, 생략 오류가 증가하여 신뢰할 수 있는 세분화의 한계점이 드러났다.
• TUWIEN과 RMIT의 구조적으로 복잡한 산림에서는 모델이 어려움을 겪었으며, 이는 수관 복잡성과 이러한 지역에 대한 훈련 데이터 부족이 원인일 가능성이 높다.
• 공중 스캐닝 기하학에서 하단 줄기 부분의 점군 밀도가 낮아 DBH와 수목 위치 추정치가 덜 신뢰성 있게 나타났으며, 이는 대체 추정 전략의 필요성을 시사한다.