Detection of Individual Trees in Human Settlement Using Airborne LiDAR Data and Deep Learning-Based Urban Green Space Map

항공 라이다와 딥러닝 기반 도시 수목 면적 지도를 이용한 개별 도시 수목 탐지

Abstract

Urban trees play an important role in absorbing carbon dioxide from the atmosphere, improving air quality, mitigating the urban heat island effect, and providing ecosystem services. To effectively manage and conserve urban trees, accurate spatial information on their location, condition, species, and population is needed. In this study, we propose an algorithm that uses a high-resolution urban tree cover map constructed from deep learning approach to separate trees from the urban land surface and accurately detect tree locations through local maximum filtering. Instead of using a uniform filter size, we improved the tree detection performance by selecting the appropriate filter size according to the tree height in consideration of various urban growth environments. The research output, the location and height of individual trees in human settlement over Suwon, will serve as a basis for sustainable management of urban ecosystems and carbon reduction measures.

도시 수목은 대기 중 이산화 탄소 흡수, 대기질 개선, 도시열섬 현상 완화 및 생태계서비스 제공과 같은 중요한 역할을 한다. 도시 수목을 효과적으로 관리하고 보전하기 위해서는 위치, 상태, 수종, 개체 수 등에 대한 정확한 공간 정보가 필요하다. 본 연구에서는 딥러닝 기반의 고해상도 도시 수목 면적 지도를 이용해 도시 지표면으로부터 수목을 분리하고, 국지적 최대값 필터링을 통해 수목의 위치를 정확하게 탐지하는 알고리즘을 제안한다. 도시의 다양한 생육 환경을 고려해 일률적인 필터 크기를 사용하는 대신, 수고에 따라 적절한 필터 크기를 선택해 수목 탐지 성능을 향상시켰다. 수원시 전역을 대상으로 구축한 도시 수목 위치 및 수고 정보는 도시 생태계의 지속가능한 관리와 탄소 저감 대책을 위한 기반이 될 것이다.

1. 서론

도시는 전 세계 인구의 대다수가 거주하는 핵심 지역이지만, 급속한 발전과 인구밀도 증가로 인해 대기오염과 도시열섬 현상 등 다양한 환경 문제가 야기되고 있다. 특히, 도시에서의 지속적인 인간 활동은 기후 변화의 주요 원인으로 지목되는 인위적 탄소 배출을 증가시키고 있다. 도시 내 녹지 공간의 확대와 관리는 이러한 환경문제의 해결과 도시의 지속가능한 발전을 위한 중요한 전략으로 부상하였다. 특히 수목은 공기 중의 이산화탄소 농도를 낮추고, 미세먼지를 비롯한 유해한 대기 오염 물질을 흡수하여 도시의 대기 질을 개선하고, 도시열섬 현상을 완화하는 데 크게 기여한다. 많은 지자체에서 가로수 식재와 관리에 노력하고 있으나, 개별 수목에 대한 공간 정보가 부족해 효율적이고 지속적인 모니터링이 어려운 실정이다.

국지적 최대값 필터링(local maximum filtering) 기법은 이미지 내에서 국지적 최대값을 탐지하는 방법으로, 개별 수목을 탐지하는데 활발히 사용되고 있다. Wulder et al. (2000)은 1 m 공간 해상도의 광학영상에 다양한 크기의 필터를 테스트 해보았고, 그 중 3 × 3 크기의 필터를 사용했을 때 가장 많은 개수의 수목 꼭대기를 탐지해냈다. Popescu et al. (2003)은 원형 필터가 사각형 모양의 필터보다 수목 탐지에 더 효과적임을 밝혔다. 이러한 연구결과를 토대로, 고정된 크기의 반경 3 m 원형 필터가 수목 탐지 알고리즘에 널리 사용되고 있다(Cho and Kim, 2010; Kim, 2013; Bang et al., 2014). 국지적 최대값 필터링 기법을 이용한 개별 수목 탐지에 있어 필터의 크기는 작위 오류 또는 누락 오류를 유발하므로 적절한 크기를 선정하는 것이 아주 중요하다. 일반적으로 수고가 높을수록 캐노피 면적이 증가하기 때문에(Chen et al., 2006), 수고에 따라 필터의 크기를 다르게 적용할 필요가 있다(Popescu et al., 2002).

항공 레이저 측량은 광범위한 지역에 대한 지형 정보, 지표면 객체에 대한 정밀한 3차원 포인트 클라우드 자료를 제공한다. 3차원 포인트 클라우드에서 지면점과 비지면점을 구분하여 생성할 수 있는 캐노피 높이 모델(canopy height model, CHM)은 지면으로부터의 수목높이를 표현한다. 산림과 달리 도시 지역의 경우 CHM 자료에는 건물이나 기타 인공 구조물로 인한 다양한 형태의 객체들이 혼재되어, 수목과 비수목의 구분 및 수목의 높이 자료 구축을 어렵게 만든다. 일반적으로 식생 활력도를 나타내는 정규화 식생지수(normalized difference vegetation index, NDVI)를 사용하여 CHM 자료에서 수목을 추출하고 있다(Alonzo et al., 2014). 초고해상도 위성 영상 또는 항공 영상을 활용해 정교함을 높였으나, 도시 구조물과의 겹침, 건물 그림자로 인한 분광 정보오염, 공간해상도의 한계 등 수목을 정확하게 분류하기 어렵다(Nichol and Lee, 2005; Tigges et al., 2013; Man et al., 2020).

본 연구에서는 직접 제작한 고해상도 도시 수목 면적지도(tree canopy cover, TCC)를 활용하여 항공 라이다 CHM 자료에서 개별 수목 위치를 추출하는 알고리즘을 개발하고자 한다. 수목 면적 지도로 CHM 자료에서 수목을 추출하고, CHM 높이 값에 따라 반경이 달라지는 원형 필터를 적용한 국지적 최대값 필터링 기법을 이용해 수목 꼭대기 지점을 찾고자 한다.

2. 연구 지역 및 자료

2.1. 연구지역

연구지역은 대한민국 경기도 수원시로 선정하였다(Fig. 1). 수원시 면적은 2021년 기준 121.09 km2이며 주거지역 36.9%, 상업지역 5.1%, 공업지역 3.4%, 녹지지역 54.6%으로 구성되어 있다. 총 인구수는 1,216,965명으로 제곱 킬로미터 당 10,050명의 높은 인구밀도를 가진다. 전체 행정구역 중 약 21.8%가 산림인 것을 고려하면 과밀도는 더 높을 것으로 예상된다. 수원시는 2019년 녹색도시 전국우수사례 중 가로수 분야 우수 기관으로 선정되었으며, 2022년 가로수 종합관리계획을 수립하는 등 전문적으로 가로수를 조성하고 유지관리에 노력을 기울이고 있다. 따라서 본 연구의 개별 도시 수목 탐지 알고리즘 개발을 검토할 대상지로 적합하며 산출물의 활용 가능성이 높을 것으로 기대된다. 알고리즘 개발에 있어 필터 크기 최적화는 도시의 다양한 녹지 형태를 반영한 가로수(Fig. 1a), 아파트 단지(Fig. 1b), 그리고 학교숲(Fig. 1c)을 대상으로 하였다.

Fig. 1. The study area of this study, Suwon. Three boxes in the right panel are the evaluation sites for urban tree location detection algorithm. (a) Site for street trees. (b) Site for trees in residential area. (c) Site for school forest.

2.2. 연구자료

2.2.1. 항공 라이다 자료

본 연구는 Son et al. (2021)에서 수원시 항공 라이다 포인트 클라우드 자료로 제작한 0.25 m 공간 해상도의 CHM 레스터(raster) 자료를 사용하였다. 2020년 9월 27일과 28일 양일에 걸쳐 수원시 전역에 대해 항공 레이저 측량을 수행한 자료로, 수치표면모델(digital surface model)에서 수치지형모델(digital terrain model)을 뺀 것이다. 수목, 건물, 고가도로 등 다양한 도시 지표면 객체의 높이를 나타낸다.

2.2.2. 고해상도 도시 수목 면적 지도

다양한 객체를 포함한 CHM 레스터 자료에서 수목픽셀을 추출하기 위해 Son et al. (2021)에서 개발한 U-Net 기반 도시녹지 분류 모델의 0.25 m 공간 해상도의 분류 결과를 활용하였다. 해당 논문은 세 가지 스킴(scheme)의 분류 모델을 제안하였는데, 그 중 가장 높은 분류결과를 보였던 입력자료로 항공 라이다 자료와 항공 RGB 정사영상을 함께 사용하고, 분류 항목을 수목, 관목, 초지, 건물, 그리고 그 외로 총 다섯가지로 구성한 두번째 스킴의 결과를 활용하였다. 본 연구에서는 ‘수목’ 분류 결과를 사용하여 도시 수목 면적 지도를 제작하였고, CHM 레스터 자료에서 수목을 추출하기 위한 마스크(mask) 자료로 활용하였다.

3. 연구방법

Fig. 2는 항공 라이다 CHM 자료에서 수목 위치를 추출하는 알고리즘을 나타낸 것이다. 고해상도 TCC 지도를 사용하여 수목 픽셀의 CHM을 추출하였고, Python 코딩을 통해서 CHM 값에 따라 다른 크기의 필터를 사용하여 국지적 최대값을 찾았다. TCC 지도 상에서 수목과 건물 모서리 사이에 잘못 분류된 픽셀은 제거하여 건물 모서리가 꼭대기로 잘못 인식되는 것을 방지하였다.

Fig. 2. The flow of individual tree detection algorithm proposed in this study.

3.1. 자료 전처리

자료 전처리에는 공간 분석 프로그램인 ArcGIS 10.4와 프로그래밍 언어 Python이 사용되었다. 고해상도 도시 수목 TCC 지도와 ArcGIS Extract by Mask툴을 이용해 항공 라이다 CHM 레스터 자료에서 수목 픽셀을 분리하고, Filter툴의 저역 통과(low pass)를 사용하여 스무딩(smoothing) 처리하였다. 도시 지역에서는 건물 모서리가 수목으로 잘못 분류되는 현상이 자주 발생하는데(Degerickx et al., 2018), 이는 본 연구에서 활용한 TCC 지도에서 확인되었다. 따라서 해당 픽셀을 제거하기 위해 Python 코딩을 통해 이동 창(moving window) 내에서 인접 픽셀과의 표준 점수(z-score)를 계산하여 해당 픽셀이 이상치(outlier)인지 여부를 판단하였다. 픽셀의 높이가 20 m 이상이고, 표준 점수가 3점 이상인 경우 건물 모서리로 판단하여 제거했다.

3.2. 자동화 알고리즘 개발

본 연구는 기존의 수목 꼭대기 추정 알고리즘인 국지적 최대값 필터링 기법을 참조하였다(Wulder et al., 2000; Popescu et al., 2003). 하지만 도시에는 인공적으로 조성된 녹지공간, 자연녹지, 산지 등 다양한 녹지 유형이 존재하고 수목의 수고가 높을수록 수관면적이 증가하기 때문에(Chen et al., 2006), 도시 전역에 동일한 크기를 적용하는 획일적인 필터 사용을 개선하고자 하였다. 따라서 CHM 값이 5 m 이하라면 3 m 반경의 필터를 사용하고 CHM 값이 15 m 이상이라면 5 m 반경의 필터를 사용하는 등 Python 코딩을 통해 국지적 최대값 계산을 위한 필터의 반경을 CHM 값에 따라 다르게 적용하였다. Table 1은 최적의 CHM 기준 값과 필터의 반경을 찾기 위해 조사한 낮은 수고의 기준(lower boundary), 높은 수고의 기준(upper boundary), 필터 반경을 요약한 것으로 각 조합에 대한 수목 탐지 성능을 육안 비교하여 경험적으로 최적의 조합을 결정하였다.

Table 1. A set of possible values of CHM boundaries and radius of filter

3.3. 개별 수목 위치의 검증

수고 기준과 필터 반경의 조합에 따른 수목 탐지 알고리즘의 성능은 수목의 높낮이와 형태가 가장 잘 드러나는 항공 라이다 CHM 자료와 ArcGIS의 ArcBruTile 0.7 도구(https://bertt.itch.io/arcbrutile)에서 연동되는 고해상도 RGB 항공사진 영상을 바탕으로 판독하였다. 판독지역은 개별 수목이 잘 구별되는 가로수 지역(Fig. 1a), 수목이 밀집하며 고층 건물의 가장자리 오분류, 그림자 영향이 존재하는 아파트 단지 지역(Fig. 1b), 그리고 수목이 밀집하며 다양한 크기의 수목이 존재하는 학교 숲(Fig. 1c)으로 구성하였다. 선정된 최적의 수고 기준과 필터 반경 값은 수원시 전역의 개별 수목 탐지에 적용하였다.

수목의 공간정보는 취득할 수 없었으나, 도로망과 함께 식재된 수목 개수를 제공해주는 수원시 가로수 식재 통계 자료를 활용하여 정량적인 평가를 시도하였다. 산림빅데이터거래소(www.bigdata-forest.kr)에서 수원시 가로수 생태계 정보를 취득하였고, 해당 자료에는 수원시 도로망 polyline 자료와 가로수 식재 수목 개체수, 수종, 규격, 그리고 식재 간격에 대한 엑셀 자료가 제공되고 있다. 가로수의 정확한 개별 위치 정보는 포함되어 있지 않지만, 엑셀 파일 내 도로명과 도로망 polyline 자료를 매치하여 검증을 시도하였다.

4. 연구결과 및 토의

Fig. 3은 항공 라이다 CHM 자료에서 딥러닝 기반 고해상도 TCC 지도를 이용하여 수목 픽셀을 추출한 결과를 나타낸다. 본 연구에서 사용된 TCC 지도는 약 86–92.9%의 높은 전체 분류 정확도를 가진 자료이지만, 건물 가장자리와 건물 사이에 위치한 수목의 경우 오분류가 발생하고 있다(Fig. 3). 수목에 대해 추출한 CHM 자료에 이동 창을 이용하여 주변 픽셀과의 표준 점수를 계산한 결과, 건물 모서리에 해당하는 픽셀에서 2 이상의 표준 점수 값을 보였다(Fig. 3c). 수목의 중심에서도 표준 점수가 높은 경향이 있었기 때문에, 이동창 내 수목이 없는 비율을 계산하여 해당 픽셀이 수목의 중심이 아닌 가장자리에 위치하는지 확인하였다(Fig. 3d). Fig. 3(e)는 수목의 가장자리에서 높은 표준 점수를 가지는 지점을 건물 모서리로 추정하고 제거한 결과를 나타나낸다.

Fig. 3. The results of performing building edge removal on a tree CHM extraction using a high-resolution tree canopy cover map. (a) Raw CHM. (b) TCC map, where TCC pixels have a value of 1 and non-TCC pixels have a value of NaN. (c) Z-score calculated for each TCC pixel. (d) NaN ratio within a moving window. (e) Tree CHM in which the pixels supposed to be building boundary are removed based on Z-score and NaN ratio.

Fig. 4는 3, 5, 7 m의 고정된 크기의 국지적 최대값 필터를 사용하였을 때 개별 수목 탐지 결과의 분포를 나타낸다. 3 m 크기의 반경을 사용하였을 때, 각각 5 m와 7 m 반경의 필터를 사용한 결과보다 많은 개수의 수목 꼭대기 점이 탐지되었다. 3 m 반경에서 가장 적은 누락 오류를 보였는데, 이는 Wulder et al. (2000)에서 3, 5, 7 m 크기의 필터 중 3 m 크기에서 가장 많은 꼭대기점을 탐지하고 누락 오류가 적었던 결과와 일치하였다. 하지만, 꼭대기 점을 많이 탐지하는 만큼 1개의 수목에 대해 2개 이상의 꼭대기 점이 찍히는 등 작위 오류도 많이 나타났다. 특히 수고가 높아 수관 면적이 넓은 수목의 경우 5개 이상의 꼭대기점이 뽑히는 등 고정된 3 m 반경의 원형 필터는 연구지역인 수원에 부적합하였다.

Fig. 4. Tree location result using a circular filter of fixed sizes over the study area. Each column represents the results when the radius of filter was from 3 m to 7 m, and each row represents from Box 1 to Box 3 shown in Fig. 1.

Fig. 5는 수목의 높이에 따라 다른 크기의 반경을 적용한 개별 수목 탐지 결과로 Table 1에서 요약한 반경과 수고 기준을 조합하여 수목 탐지를 수행하였다. 최적의 조합은 낮은 수고 기준 값 5 m, 높은 수고 기준 값 15 m, 그리고 필터의 반경은 2.5, 4, 6 m로 나타났다(Table 2). 높은 수고 기준에 해당하는 15 m는 산림청 가로수 조성 관리 매뉴얼에서 업무가로에 주로 식재 되는 가로수 수고 조건과 일치하였다(Korea Forest Service, 2020). 낮은 수고 기준 값인 5 m는 수원시에 식재 된 다수의 가로수 수고 규격이 4–4.5 m인 만큼 중요한 기준 높이로 볼 수 있다. 육안 판독을 통해 CHM 조건과 필터의 크기를 최적화하는 과정에서 지속적으로 누락되는 수목의 경우, TCC 지도의 오분류로 인해 발생하는 것으로 확인되었다.

Table 2. The optimized filter size in this study

Fig. 5. Tree detection result using optimized filter size written in Table 2. The spatial distribution of detected individual trees is described in the top row. The TCC map is depicted in the bottom row. The red circles mark the omission error in tree detection caused by the misclassification in TCC map.​​​​​​​

정량적인 검증을 위해, 수원시 가로수 통계 자료를 활용하여 식재 수량과 본 연구에서 탐지된 가로수 수량을 비교하였다. Fig. 6는 본 연구에 최적의 조합으로 탐지한 개별 수목 위치 결과를 수원시 매탄로 126번길(Figs. 6a–c의 노란색 도로)과 권선로 882번길(Figs. 6d–f의 하늘색 도로) 일대에 대해 확대한 그림이다. 세번째 열의 초록색 삼각형 점은 수원시 가로수 생태계 정보 중매탄로 126번길과 권선로 882번길의 식재 가로수 정보(도로명, 도로길이, 식재 수종, 간격, 수량)와 네이버 로드뷰를 이용해 비교하여 정확하게 탐지된 가로수 위치를 표시한 것이다. 생태계 정보에 따르면 매탄로 126번길에는 총 64 그루의 가로수가 식재 되어있는 것으로 확인되며, 그 중 56 그루가 본 연구에서 개발한 알고리즘을 통해 탐지되었다(Fig. 6c). 일부 가로수는 아파트 단지 내 밀집된 수목과 인접하여, 캐노피가 겹쳐지면서 정확한 식별이 어려웠다. 권선로 882번길의 경우 생태계 정보에 의하면 650 m의 도로(Fig. 6d)의 파란색 도로 전체에 총 40 그루의 가로수가 식재 된 것으로 등록되어 있다. 하지만 네이버 로드뷰를 통해 재검토하면서 약 200 m의 도로에 식재 된 34 그루의 가로수만 비교군으로 선택하였으며, 그 중 20 그루가 제안된 개별 수목 탐지 알고리즘에 의해 탐지되었다(Fig. 6f). 누락된 가로수는 TCC 지도 자체에서 수목으로 분류되지 못한 점이 원인이 되었다. 본 연구에서 제작된 수원시 전역의 개별 수목 위치는 가로수뿐만 아니라 모든 도시 수목이 탐지된 결과이기 때문에 생태계 통계 정보와 정교한 비교를 위해서는 도로망 polyline 자료에 buffer를 적용하여 가로수만 추출하는 작업이 추가로 필요할 것으로 생각된다.

Fig. 6. Two example sites of validation with street trees statistics per road. RGB orthogonal images for the area including target roads (a, d). The spatial distribution of detected treetops (b, e) and exact locations of validated treetops with street tree statistics (c, f).​​​​​​​

5. 결론

본 연구는 수원시에 대해 항공 라이다 자료에서 개별 수목의 위치와 수고정보를 추출하여 도시 수목 공간정보를 구축하였다. 흔히 사용되는 정규 식생화 지수를 이용해 다양한 도시 구조물이 혼재된 CHM 자료에서 식생을 추출하지 않고, 딥러닝을 통해 제작된 높은 분류 정확도를 가지는 고해상도 도시 수목 면적 지도를 이용하여 효과적으로 수목의 CHM을 추출하였다. 또한, 건물 모서리와 수목의 혼동이 수목 꼭대기점 탐지에 혼동을 줄 수 있기 때문에 주변 픽셀의 높이 값과의 표준 점수를 계산하여 건물 모서리로 추정되는 점을 제거하였다. 수목 꼭대기 탐지에는 국지적 최대값 필터링 기법을 사용하였는데, 수목의 수고가 높을수록 수관폭이 증가함을 반영하여 CHM 값 15 m 이상의 높은 수목에 대해서는 6 m 반경의 필터를, CHM 값 5 m 이하의 낮은 수목에 대해서는 2.5 m 반경의 필터를, 그 사이의 CHM 값을 가지는 수목은 4 m 반경의 필터를 적용해주었다. 서로 다른 크기의 필터를 사용할 경우, 도시 전역에 대한 획일적인 크기의 필터를 사용할 때보다 개별 수목에 대한 누락 오류, 작위 오류가 모두 감소하는 것을 확인할 수 있었다. 하지만, 도시 수목 면적 지도 상의 수목 오분류 및 누락은 본 연구에서 제안하는 개별 수목 탐지 알고리즘의 근본적인 수목 탐지 오류를 유발하므로, 이러한 한계를 극복하기 위해 항공 라이다 자료나 초고해상도 광학영상을 사용하여 수목을 탐지하는 최신의 이미지 기반 딥러닝 기법을 적용하는 등 후속 연구가 필요하다.