[논문 리뷰] Sub-Meter Tree Height Mapping of California using Aerial Images and LiDAR-Informed U-Net Model

Fabien H Wagner, Sophia Roberts외 8명|arXiv (Cornell University)|2023. 06. 02.

Remote Sensing and LiDAR Applications인용 수 4

한 줄 요약

이 연구는 2020년 농무부-NAIP 항공사진(60cm 해상도)을 기반으로 한 LiDAR 기반 U-Net 회귀 모델을 사용하여 캘리포니아의 하판 높이 지도를 0.6m 해상도로 제작한다. 모델은 다양한 산림 유형에서 평균 절대 오차(MAE)가 2.9m를 기록하며, 정점 시점에서의 옵티컬 영상에서 3차원 나무 구조를 정확히 재구성하고 기존의 글로벌 하판 높이 제품을 능가한다. 이는 높이가 50m에 이르는 나무에 대해서도 적용 가능하다.

ABSTRACT

Tree canopy height is one of the most important indicators of forest biomass, productivity, and species diversity, but it is challenging to measure accurately from the ground and from space. Here, we used a U-Net model adapted for regression to map the canopy height of all trees in the state of California with very high-resolution aerial imagery (60 cm) from the USDA-NAIP program. The U-Net model was trained using canopy height models computed from aerial LiDAR data as a reference, along with corresponding RGB-NIR NAIP images collected in 2020. We evaluated the performance of the deep-learning model using 42 independent 1 km$^2$ sites across various forest types and landscape variations in California. Our predictions of tree heights exhibited a mean error of 2.9 m and showed relatively low systematic bias across the entire range of tree heights present in California. In 2020, trees taller than 5 m covered ~ 19.3% of California. Our model successfully estimated canopy heights up to 50 m without saturation, outperforming existing canopy height products from global models. The approach we used allowed for the reconstruction of the three-dimensional structure of individual trees as observed from nadir-looking optical airborne imagery, suggesting a relatively robust estimation and mapping capability, even in the presence of image distortion. These findings demonstrate the potential of large-scale mapping and monitoring of tree height, as well as potential biomass estimation, using NAIP imagery.

연구 동기 및 목표

• 오직 옵티컬 항공사진과 제한된 LiDAR 학습 데이터만을 사용하여 대규모 산림 지역에서 고해상도로 나무 하판 높이를 지ap핑할 수 있는 확장 가능한 방법을 개발한다.
• 지역 산림 관리 및 보존 응용 분야에서 정확도가 떨어지는 해상도가 낮은 글로벌 하판 높이 지도(예: 10–30m 해상도)의 한계를 극복한다.
• 딥 러닝 기술이 LiDAR 기반 높이 기준을 통해 기하학적 패턴을 학습함으로써 정점 시점의 2차원 옵티컬 영상에서 3차원 나무 구조를 재구성할 수 있는지 평가한다.
• 캘리포니아의 고림생물다양성과 고림생물량을 고려하여 대규모 서브미터 수준의 나무 높이 지도를 제공함으로써 탄소 저장량 모니터링 및 보존 계획을 향상시킨다.
• 산악 지형 및 왜곡된 영상 환경을 포함한 다양한 산림 유형과 지형 조건에서 모델의 이식성과 강건성을 평가한다.

제안 방법

• 2020년에 수집된 RGB-NIR NAIP 항공사진(60cm 해상도)에서 하판 높이를 예측하기 위해 회귀 분석을 위한 U-Net 기반 컨volution 신경망(CNN)을 학습시켰다.
• 모델 학습을 위한 기준 데이터로 LiDAR에서 유도된 하판 높이 모델(CHMs)을 사용하여 나무 높이 추정에 높은 정확도의 기준 데이터를 확보했다.
• 다양한 산림 유형과 영상 조건에서의 일반화 능력을 향상시키기 위해 데이터 증강 및 정규화 기법을 적용했다.
• 고성능 클러스터가 아닌 표준 연구 하드웨어에서도 구동 가능한 모델을 위해 단일 NVIDIA RTX 3090 GPU를 사용하여 학습 및 추론을 수행했다.
• 기존의 건물 외곽선 데이터셋을 통합하여 기준 CHMs에서 구조물이 식생으로 잘못 분류되는 것을 방지했다.
• 캘리포니아의 다양한 산림 유형과 지형 조건을 포함한 42개의 독립된 1km² 테스트 지역에서 모델 성능을 검증했다.

Figure 1: Mosaic of NAIP aerial images containing 11,076 tiles that cover the state of California, USA, from the 2020 campaign ( $\sim$ 430,000 km 2 ). Only the red, blue, and green bands were used for visualization purposes. The map displays the extent of the NAIP images used for model training (sh

실험 결과

연구 질문

• RQ1 LiDAR 기반 하판 높이 지도에서 학습된 딥 러닝 모델이 정점 시점의 2차원 옵티컬 항공사진에서 정확한 3차원 나무 구조를 재구성할 수 있는가?
• RQ2 U-Net 기반의 회귀 모델은 기존의 글로벌 하판 높이 제품과 비교해 공간 해상도와 정확도 측면에서 어떤가?
• RQ3 산악 지형 및 영상 왜곡이 흔한 지역을 포함한 다양한 산림 유형과 지형 변화에 대해 모델의 일반화 능력은 어느 정도인가?
• RQ4 모델은 40m 이상의 나무에서 포화 현상 없이 높이를 추정할 수 있는가? 특히 캘리포니아의 해안 레드우드와 같은 가장 높은 나무에 대해서는 어떻게 성능을 보이는가?
• RQ5 모델의 아키텍처와 추론 파이프라인은 표준 하드웨어에서 대규모 배포에 실용적인가? 이는 보존 및 산림 관리 응용 분야의 광범위한 접근성을 높일 수 있는가?

주요 결과

• 모델은 42개의 독립된 1km² 검증 지역에서 전체 관측 나무 높이 범위에 걸쳐 체계적 편향이 낮은 평균 절대 오차(MAE) 2.9m를 기록했다.
• 모델은 포화 현상 없이 최대 50m까지 나무 높이를 정확히 추정했으며, 10m 해상도의 센티넬-2 지도 및 30m 해상도의 랜드스트 기반 지도와 같은 기존 글로벌 하판 높이 제품을 능가했다.
• 모델은 2차원 정점 시점 항공 영상에서 높은 정확도로 3차원 나무 구조를 재구성하여 개별 나무 수준의 지표(높이, 冠상 크기 등)를 추출할 수 있게 했다.
• 2020년 기준 높이 5m 이상의 나무는 캘리포니아의 약 19.3%를 차지했으며, 이는 생물량 및 탄소 저장량 평가의 핵심 지표이다.
• 영상 왜곡이 흔한 산악 지형 및 지형이 복잡한 지역에서도 모델은 뛰어난 성능을 보였으며, 이는 고해상도 영상에서 기하학적 왜곡에 대한 강건성을 시사한다.
• 모델의 추론 및 학습 파이프라인은 효율적이며 단일 고성능 GPU(NVIDIA RTX 3090)에서 실행 가능하므로 대부분의 연구 및 보존 기관에서 접근이 가능하다.

Figure 2: U-Net model architecture used for canopy height estimation from VHR NAIP images.