[논문 리뷰] Machine Learning-based Estimation of Forest Carbon Stocks to increase Transparency of Forest Preservation Efforts

Björn Lütjens, Lucas Liebenwein외 1명|arXiv (Cornell University)|2019. 12. 17.

Remote Sensing and LiDAR Applications참고 문헌 9인용 수 10

한 줄 요약

이 논문은 저비용의 딥러닝 기반 방법을 제안하며, 드론 촬영한 RGB-NIR 영상 자료를 활용해 숲 탄소 저장량을 높은 투명성과 정확도로 추정한다. 이는 신뢰할 수 있는 탄소 보정을 가능하게 한다. 의미적 세분화와 베이지안 회귀, 그리고 이차적 방정식을 조합함으로써, 약 10달러/헥타르의 비용으로 나무 수준의 지표(종, 冠폭, 높이)를 정확히 추정할 수 있으며, 전통적인 방법에 비해 비용과 신뢰성 면에서 뛰어나다.

ABSTRACT

An increasing amount of companies and cities plan to become CO2-neutral, which requires them to invest in renewable energies and carbon emission offsetting solutions. One of the cheapest carbon offsetting solutions is preventing deforestation in developing nations, a major contributor in global greenhouse gas emissions. However, forest preservation projects historically display an issue of trust and transparency, which drives companies to invest in transparent, but expensive air carbon capture facilities. Preservation projects could conduct accurate forest inventories (tree diameter, species, height etc.) to transparently estimate the biomass and amount of stored carbon. However, current rainforest inventories are too inaccurate, because they are often based on a few expensive ground-based samples and/or low-resolution satellite imagery. LiDAR-based solutions, used in US forests, are accurate, but cost-prohibitive, and hardly-accessible in the Amazon rainforest. We propose accurate and cheap forest inventory analyses through Deep Learning-based processing of drone imagery. The more transparent estimation of stored carbon will create higher transparency towards clients and thereby increase trust and investment into forest preservation projects.

연구 동기 및 목표

• 탄소 보정 투자에 장애가 되고 있는 숲 보존 프로젝트의 투명성과 신뢰성 부족 문제를 해결한다.
• 기존의 지상 기반 조사(비용이 많이 들고 시간이 오래 걸림)와 저해상도 위성 데이터(나무 수준 지표에 정확도가 떨어짐)의 한계를 극복한다.
• 딥러닝 기반 드론 영상 처리를 통해 열대 우림에서 리모트 센싱 기반의 LiDAR 기반 방법에 비해 확장 가능하고 저비용인 대안을 개발한다.
• 모바일 앱과 개방형 데이터 인프라를 통해 공동체 주도의 숲 모니터링 및 검증을 가능하게 한다.
• 탄소 흡착 비용을 약 20~25달러/톤 CO2 수준으로 낮춤으로써, 직접 대기 중 CO2를 제거하는 기술보다 경쟁력 있는 숲 탄소 보정을 위치 지음.

제안 방법

• 4K RGB 및 Sentera NDVI-IR 카메라를 장착한 저비용 다운로터 드론(예: DJI Phantom 4 Pro)을 사용해 약 100헥타르의 영역을 약 5시간 내에 고해상도 영상 촬영.
• 딥러닝 기반의 딥랩v3+ 컨볼루션 신경망(CNN)을 활용해 픽셀 단위 의미적 세분화를 수행하여 RGB-NIR 영상에서 수종 분류 및 冠폭, 나무 수 추출.
• 공간적 랜덤 효과를 포함한 베이지안 회귀 모델을 도입하여 예측 결과를 통합하고, 새로운 또는 분포 외 데이터에 대한 강건성을 향상.
• 드론의 GPS, 자이로스코프 인ertial 측정 장치(IMU) 및 구조에서의 운동(SfM) 데이터를 기반으로 디지털 표면 모델(DSM)을 생성하고, 위성 기반 디지털 고도 모델(DEM)을 빼내어 캄라 높이 모델(CHM)을 계산.
• 수종별 및 일반적인 이차적 방정식을 적용하여 수고, 冠폭, 수종 데이터를 기반으로 생물량 및 탄소 저장량 추정.
• 지상 기반 정밀 조사와 잘 연구된 숲(예: 미국 국립 숲)의 데이터를 융합하여 학습 데이터를 확장하고 정확도를 검증.

실험 결과

연구 질문

• RQ1 저비용 드론 영상으로 학습된 딥러닝 모델이 열대 우림에서 수종, 冠폭, 캄라 높이를 정확하게 추정할 수 있는가?
• RQ2 베이지안 회귀를 통한 모델 앙상블이 새로운 숲 지역에 대한 예측 정확도와 일반화 능력을 얼마나 향상시키는가?
• RQ3 제한된 지상 기반 정밀 조사 데이터로 校정된 이차적 방정식이 원격 감시 지표와 결합될 경우 얼마나 신뢰할 수 있는 탄소 저장량 추정을 가능하게 하는가?
• RQ4 이 드론 기반 머신러닝 접근법이 열대 숲 환경에서 기존의 지상 조사 및 LiDAR 기반 방법에 비해 비용 효율성이 얼마나 높은가?
• RQ5 모바일 앱과 저비용 드론을 활용한 공동체 기반 모니터링이 국가 수준에서 숲 조사 및 검증 작업을 얼마나 확장할 수 있는가?

주요 결과

• 제안된 방법은 숲 조사 비용을 약 10달러/헥타르로 낮추어 기존의 지상 조사(~300달러/헥타르)보다 크게 낮춘다.
• 딥랩v3+ 의미적 세분화는 페루 산라몬 근처 시범 비행에서 저비용 RGB-NIR 드론 영상에서 수종 분류 및 冠폭 추출에 높은 정확도를 달성했다.
• 공간적 랜덤 효과를 포함한 베이지안 회귀 통합은 모델의 강건성을 향상시키고, 새로운 숲 지역에 대한 예측 오차를 감소시켰다.
• 드론 기반 DSM과 위성 기반 DEM을 조합해 유도한 캄라 높이 모델(CHM)은 수고 추정에 있어 정확도를 확보했으며, 이는 이차적 탄소 계산의 핵심 입력 요소였다.
• 추정된 지표에 이차적 방정식을 적용한 결과, 특히 수종별 방정식을 사용했을 경우 위성 단독 접근에 비해 불확실성이 낮은 탄소 저장량 추정치를 도출했다.
• 이 방법은 대규모 적용 가능성을 보였으며, 고정익 VTOL 드론을 활용해 1회 비행당 약 250헥타르까지 확장 가능하고, 모바일 앱 기반 공동체 기반 데이터 수집을 통해 국가 수준의 숲 조사 및 검증을 가능하게 했다.