수직 구조 보존을 통한 3D2D 투영으로 영구동토층 해동 예측

본 논문은 기후 변화에 따른 영구동토층(Permafrost) 해동을 고해상도 UAV 라이다 데이터로 예측하기 위한 새로운 3D‑2D 투영 프레임워크를 제시한다. 서론에서는 영구동토층이 대량의 유기탄소를 저장하고 있으며, 해동 시 온실가스 방출과 지형 변형(thermokarst)으로 인한 인프라 위험이 증대된다는 배경을 설명한다. 기존 현장 측정은 정확하지만 공간적 한계가 크고, 기존 라이다 기반 모델은 포인트 클라우드의 수직 구조를 무시한 평균‑집계 방식으로, 특히 숲 환경에서 지표면과 캐노피가 혼재하는 경우 중요한 정보를 손실한다는 문제점을 지적한다. 관련 연구에서는 영구동토층 모니터링을 위한 위성·레이다·광학 데이터 활용과, 포인트 클라우드 처리에 있어 PointNet, PointNet++ 및 최신 Point Transformer 시리즈(특히 PTv3)의 발전을 소개한다. 또한 자율주행 분야의 BEV(Bird’s Eye View) 투영 기법이 고정된 공간 바인딩을 사용해 객체 탐지에 최적화돼 있었지만, 연속적인 회귀 작업에는 부적합함을 언급한다. 데이터 수집 파트에서는 알래스카 Fairbanks 인근의 Farmer’s Loop 2 현장을 선택해 2024년 5월(동결 직후)과 8월(여름 해동 직후) 두 시점의 UAV 라이다와 RGB 이미지를 획득했다. 라이다는 Velodyne Puck VLP‑16을 사용했으며, GNSS 기반 정밀 위치 보정을 통해 고정밀 포인트 클라우드를 생성했다. 두 시점의 고도 차이를 디지털 고도 모델(DTM)로 변환해 해동 깊이(ground truth) 라스터를 만들었으며, 이를 64×64 픽셀 타일로 분할해 학습·평가 데이터셋을 구성했다. 방법론에서는 먼저 7차원 입력(X,Y,Z,RGB,Intensity)을 PTv3 인코더에 통과시켜 네 단계의 멀티스케일 특징(채널 64,128,256,512)을 추출한다. 각 스케일에 대해 제안된 Z‑Stratified Projection Decoder를 적용한다. 구체적으로, 각 2D 셀(q_j)마다 XY‑거리 기준으로 2k(=64)개의 후보 포인트를 찾고, 이 중 Z축 최장점 샘플링(FPS)으로 k(=32)개의 포인트를 선택한다. 이렇게 하면 밀도가 높은 캐노피와 밀도가 낮은 지표면이 모두 대표된다. 선택된 포인트는 선형 변환 ϕ와 학습 가능한 높이 임베딩 ψ(z) (MLP) 를 합산해 ˜f_i 를 만든다. 이후 Z값을 기준으로 정렬하고, XY‑거리 기반 감쇠 가중치 w_i 를 곱해 하나의 벡터 v_j (k×D) 로 연결한다. v_j는 두 층 MLP(LayerNorm·GELU)으로 압축돼 최종 2D 피처 g_j 를 만든다. 네 스케일의 g_j 를 채널 차원에서 concat하고, 1×1 Conv와 GroupNorm·GELU 로 융합해 회귀(깊이) 혹은 분류(해동/비해동) 출력을 얻는다. 실험에서는 624개의 학습 타일과 157개의 평가 타일을 사용했으며, 베이스라인으로는 (1) 단순 평균‑집계, (2) 높이 히스토그램 기반 집계, (3) 기존 BEV 방식 등을 적용했다. 제안 모델은 평균 절대 오차(MAE) 0.12 m, R² 0.86을 기록했으며, 베이스라인 대비 MAE가 30 % 이상 감소했다. 특히 복잡한 수직 구조가 존재하는 타일에서 성능 차이가 크게 나타났으며, Ablation 실험을 통해 (a) 높이 임베딩 제거 시 MAE가 0.18 m로 악화, (b) FPS 대신 단순 k‑NN 선택 시 역시 성능 저하가 확인되었다. 또한, 분류 태스크에서는 IoU 0.78을 달성해 기존 방법보다 0.12 포인트 상승했다. 결론에서는 수직 구조 보존이 영구동토층 해동 예측에 필수적임을 강조하고, 제안된 높이‑조건부 임베딩과 Z‑Stratified 샘플링이 라이다 기반 환경 모니터링 전반에 적용 가능함을 제시한다. 향후 연구로는 다중 모달(라이다+멀티스펙트럼 이미지) 결합, 실시간 UAV 인퍼런스 최적화, 그리고 다른 기후 민감 지역(예: 시베리아, 그린란드)으로의 확장을 제안한다.