산림 조사는 대규모 3D 포인트 클라우드에서 산림 특성을 도출하기 위해 인공지능(AI) 모델에 점점 더 의존하고 있습니다. 현재의 모델들은 대개 단일 작업, 센서 및 산림 유형에 특화되어 있어, 어노테이션, 연산, 전문 지식 측면에서 적응 비용이 많이 듭니다. 본 연구에서는 단일 사전학습(pre-training) 모델이 다양한 산림 조사 환경에 걸쳐 전이 가능한 표현을 학습할 수 있는지 묻습니다. 언어 모델링과 컴퓨터 비전(CV)의 최근 발전에 영감을 받아, 3D 임업을 위한 파운데이션 모델(FM)을 향한 첫걸음을 내딛습니다. LitePT를 백본으로 사용하여, 산림 시맨틱 및 인스턴스 분할, 수종 분류(classification), 수령 회귀 벤치마크에서 새로운 최고 성능(state of the art)을 달성하는 강력한 지도학습 기준선(baseline)을 먼저 구축합니다. 그런 다음 다양한 산림 생태계에 걸쳐 항공, UAV 및 모바일 레이저 스캐닝을 아우르는 대규모 레이블 미지정 코퍼스를 구축하고, 자기지도학습을 사용하여 동일한 백본을 사전학습합니다. 다양한 어노테이션 예산 하에서 네 가지 대표적인 임업 작업에 대해 스크래치 학습(training from scratch), 지도 사전학습, 자기지도 사전학습을 비교함으로써 표현 학습 전략을 체계적으로 평가합니다. 스크래치 학습과 비교하여, 자기지도 사전학습은 모델(model) 수렴(convergence)을 가속화하고 어노테이션이 부족할 때 일관되게 성능을 향상시킵니다. 작업 특화 지도 사전학습과 비교할 때, 자기지도 사전학습은 다운스트림 임업 작업 전반에 걸쳐 더 전이 가능한 표현을 생성합니다. 이러한 발견은 사전학습된 표현이 가장 가치 있는 실질적인 영역을 규명하며, 산림 시맨틱보다는 인스턴스 구별이 범용 3D 산림 파운데이션 모델로 나아가는 주된 남은 장애물임을 시사합니다. 코드와 모델은 https://github.com/prs-eth/ForPT 에서 확인할 수 있습니다.
원격 탐사는 광범위한 지역에서 산림 및 산불 위험 관리를 위한 실행 가능한 과학적 근거를 제공하는 데 점점 더 많이 활용되고 있습니다. 효과적인 산림 관리를 위해서는 전 지역을 포괄하며 매년 갱신되는 지도가 지속적으로 요구됩니다. 많은 기획 시스템과 데이터 수집은 서로 다른 목적, 수집 시기, 예측 품질을 가진 이질적인 데이터 소스를 결합하는데, 이는 운용 기획 시스템에서 혼란을 야기하는 결과를 초래합니다.
우리는 산림 속성을 매핑하고 효과적인 산림 및 산불 기획을 위한 일관된 기반을 제공하기 위해 개발 및 적용된 VibrantForests 프레임워크를 소개합니다. VibrantForests는 라이다(lidar)에서 파생된 샘플로 학습된 위성 기반 산림 구조 모델을 포함하며, 미국 본토 전역에 적용되어 10미터 해상도로 수관 피도(canopy cover), 수관 고도(canopy height), 지상 생체량(aboveground live tree biomass), 흉고단면적(basal area), 2차 평균 직경(quadratic mean diameter)에 대한 추정치를 동시에 생성합니다.
우리는 희소 수관 및 저생체량(low-biomass)부터 밀집 수관 및 고생체량(high-biomass)에 이르는 산림 조건의 전체 스펙트럼에 걸친 예측 능력을 입증합니다.
결과에 따르면, 우리 모델은 유사한 수동 센서(passive-sensor) 모델에서 흔히 발생하는 포화(saturation) 범위를 확장하며, 작거나 희소한 조건에서는 산림 속성을 과대 추정하고 크거나 밀집한 조건에서는 과소 추정하는 일반적인 평균으로의 회귀(regression-to-mean) 현상을 줄여줍니다.
VibrantForests 프레임워크는 연간 주기와 10미터 해상도로 관리에 필요한 속성에 대한 일관된 전 지역 추정치를 제공함으로써 대규모 산림 및 산불 기획의 핵심적인 한계를 해결합니다.