논문 상세보기
항공 멀티센서 데이터를 활용한 국유림의 수종분류를 위한 앙상블 머신러닝 모델 개발 KCI 등재
Development of an Ensemble Machine Learning Model for Tree Species Classification in National Forests Using Airborne Multi-sensor Data
- 언어KOR
- URLhttps://db.koreascholar.com/Article/Detail/451493
pp.219-232
우리나라는 국토 면적의 63%가 산림으로 기후변화 대응을 위한 탄소흡수원 관리에 핵심적인 역할을 수행하고 있다. 그러나 기존 산림 임상도는 인력 중심의 현장 조사나 육안 판독에 의존하여 정확도가 낮고 일관성이 부족한 한계가 있다. 본 연구는 항공 LiDAR(ALS) 데이터와 고해상도 항공 정사영상(RGB, NIR)을 결합하고, AI 기술을 활용하여 객체 단위의 수종 분류를 자동화하는 방법을 제안한다. 홍천 가리산 선도산림경영단지 일원(약 207 km²)을 대상으로 하여, Random Forest, XGBoost, CatBoost, LightGBM, SVM 등 5가지 머신러닝 알고리즘을 비교 분석하고, Voting 및 Stacking 앙상블 기법을 적용하여 분류 정확도를 극대화하였다. 그 결과, Random Forest, LightGBM, CatBoost 를 기본 모델로 하고 Logistic Regression을 메타 모델로 구성한 Stacking Ensemble 모델이 F1-score 0.9330으로 가장 높은 성능을 기록하였다. 또한 오픈소스 라이브러리를 활용한 3단계 후처리 과정을 통해 데이터 용량을 약 14.58배 경량화하여 실무적 활용성을 확보하였다. 본 연구는 광역 범위의 수종 분류를 자동화할 수 있는 워크플로우를 정립하여, 정밀한 산림 경영 및 탄소흡수원 관리를 위한 기초 자료로 활용될 수 있을 것으로 기대된다.
South Korea has 63% of its national territory covered by forests, playing a crucial role in carbon sink management for climate change mitigation. However, existing forest type maps rely on manual field surveys or visual interpretation, resulting in low accuracy and inconsistent quality. This study proposes a method for automated object-based tree species classification by combining Airborne LiDAR (ALS) data and high-resolution aerial orthoimages (RGB, NIR) with AI technology. The study area covers approximately 207 km² of the Garisan Forest Management District in Hongcheon, where five machine learning algorithms (Random Forest, XGBoost, CatBoost, LightGBM, SVM) were compared, and ensemble techniques (Voting and Stacking) were applied to maximize classification accuracy. The Stacking Ensemble model, comprising Random Forest, LightGBM, and CatBoost as base models with Logistic Regression as the meta-model, achieved the highest performance with an F1-score of 0.9330. Additionally, a three-step post-processing procedure using open-source library reduced data volume by approximately 14.58-fold, ensuring practical applicability. This study establishes a workflow for automated tree species classification over large areas and is expected to serve as a fundamental resource for precise forest management and carbon sink monitoring.
ABSTRACT
서 론
연구방법
1. 연구대상지 특성
2. 데이터 취득 및 현황
3. 항공 LiDAR와 항공 사진의 전처리 과정
4. 머신러닝 실험을 위한 학습 데이터 생성
5. 수종분류를 위한 최적 머신러닝 앙상블 모델 정립
결과 및 고찰
1. 개별 머신러닝 모델을 활용한 수종분류 실험 결과
2. 앙상블 머신러닝 모델을 활용한 수종분류 실험 결과
3. 데이터 후처리 및 고품질 수종지도 제작
4. 종합 고찰
REFERENCES
