지상부 바이오매스(AGB)와 탄소 격리량의 정확한 정량화는 육상 생태계 역동성을 모니터링하고, 기후 정책을 수립하며, 탄소 중립 이니셔티브를 지원하는 데 필수적이다. 그러나 전통적 방법—수작업 현장조사부터 2D 식생 지수에만 기반한 원격탐사 기법에 이르기까지—는 종종 산림 수관의 복잡한 스펙트럼 및 구조적 이질성을, 특히 미세한 공간 해상도에서 포착하지 못한다. 이러한 한계를 해결하기 위해 본 연구에서는 무인항공기(UAV) 촬영 영상을 고공간 충실도로 활용하여 AGB 및 관련 탄소 저장고를 추정하기 위한 새로운 종단간(end-to-end) 멀티모달 딥러닝 프레임워크인 ForestIQNet을 제안한다. ForestIQNet은 다중분광 UAV 영상 처리를 위한 듀얼 스트림 인코더와 복셀화된 수관고도모델(CHM)을 사용하며, Cross-Attentional Feature Fusion (CAFF) 모듈을 통해 융합하여 스펙트럼 반사도와 3D 구조 간의 세밀한 상호작용을 가능하게 한다. 이어 경량 Transformer 기반 회귀 헤드가 AGB와 CO2e에 대한 다중과제(multitask) 예측을 수행하며, 장거리 공간 의존성을 포착하고 일반화를 향상시킨다. 제안 방법은 AGB 예측에서 R2 0.93 및 RMSE 6.1 kg을 달성하였으며, 이는 XGBoost의 경우 R2 0.78 및 RMSE 11.7 kg, Random Forest의 경우 R2 0.73 및 RMSE 13.2 kg과 비교된다. 비록 아키텍처의 복잡성이 존재하더라도 ForestIQNet은 낮은 추론 비용(패치당 27 ms)을 유지하면서 종(species), 지형(terrain), 수관 구조(canopy structures)에 걸쳐 우수한 일반화 성능을 보인다. 이러한 결과는 UAV 기반 바이오매스 추정에 대한 새로운 벤치마크를 제시하며, 기후 모니터링과 산림 관리에 활용 가능한 확장성 있고 해석 가능한 도구를 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.