개별 수관 영역(Individual Tree Crowns; ITCs)을 형태학적 속성과 함께 매핑하는 것은 도시 환경에서 열 스트레스와 탄소 배출과 같은 기능을 추정하기 위한 기반 변수를 제공한다. 그러나 형태학적 속성을 계산하기 위해서는 ITCs의 경계 구분이 필요하며, 산림에서 흔히 사용되는 분수령 분할(watershed segmentation; WS) 알고리즘을 도시 환경에 적용하는 일은 단일 밴드 데이터에 의존하고 이질적인 도시 요소의 복잡성이 크다는 점 때문에 어려움을 수반한다. 또한 이미지 분석에 탁월한 딥러닝(DL) 모델은 라벨 생성 과정이 노동 집약적이라는 제약을 받는다. 본 연구는 무인항공기(UAV)를 활용하여 도시 지역에서 ITCs를 매핑하고 형태학적 속성을 추출하기 위해 머신러닝(ML) 기반 및 DL 기반 접근을 통합한 새로운 프레임워크를 제안한다. ML 기반 접근을 통해 우리는 WS 알고리즘의 활용을 최적화하기 위해 객체기반 영상분석(object-based image analysis)을 수행하였는데, 산림에서처럼 WS를 도시 환경에 직접 적용하면 ITC 크기가 151.37 % 과대추정되기 때문이었다. 이 접근은 라벨 생성의 문제를 해결함으로써 DL 모델인 Mask R-CNN의 효과 또한 향상시켰다. Mask R-CNN은 정확도 0.942로 ITCs를 구획했으며, 이는 다양한 수목 배치의 이질성을 처리하는 데 있어 견고함을 시사한다. 결과는 제안된 프레임워크가 유사한 생태 조건을 갖는 전 세계의 도시 지역에서 적용 가능함을 보여준다. 형태학적 속성을 갖는 ITCs는 생태 기능을 평가하기 위한 기반 변수를 제공하며, 이는 도시 환경 계획 개선을 위해 확장 가능하다. 다만 모니터링 커버리지가 확대됨에 따라 UAV 데이터는 시간 및 비용의 한계에 직면할 수 있으며, 이는 본 프레임워크를 적용할 때 고려되어야 한다. • 도시 수목 모니터링의 어려움을 극복하기 위한 실용적인 접근을 제시함. • UAV를 이용하여 형태학적 속성을 갖는 개별 수관 영역을 매핑하는 것을 검증함. • 객체기반 영상분석(OBIA)을 통해 분류된 수관 피복에 분수령 분할을 적용함. • ML 접근이 딥러닝 모델의 노동 집약적인 라벨링 문제를 완화함. • Mask R-CNN이 높은 정확도와 적은 분석 과정으로 수관을 구획함.

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