드론 라이다 장비가 예전보다 손에 잡히는 가격대로 내려오면서, 임분조사에 UAV 라이다를 붙여보려는 현장이 많아졌다. 문제는 촬영을 마치고 포인트클라우드를 열어본 다음이다. 침엽수 단순림에서는 개체목이 깔끔하게 떨어지는데, 활엽수가 섞인 혼효림 구역으로 넘어가면 탐지율이 뚝 떨어지는 경험을 한 번쯤 하게 된다. 이 글에서는 UAV 라이다 포인트클라우드에서 개체목을 뽑아내는 기본 흐름과, 왜 유독 혼효림에서 나무를 자꾸 놓치는지, 흉고직경까지 욕심낼 때 어디서 한계에 부딪히는지를 정리해본다.
지면점 분류부터 CHM 생성까지, 순서가 꼬이면 결과도 꼬인다
개체목 탐지는 결국 수관고모델(CHM, Canopy Height Model)을 얼마나 깨끗하게 만드느냐에서 절반 이상이 결정된다. 원시 포인트클라우드에는 지면점과 식생점이 섞여 있어 먼저 지면점을 골라내는 필터링이 선행돼야 한다. LAStools의 lasground나 lasground_new는 TIN(불규칙삼각망)을 점진적으로 조밀화하는 방식으로 지면을 추정하는데, 경사가 급한 사면이나 하층 관목이 빽빽한 구간에서는 기본값 파라미터로 지면을 과대·과소 추정하는 경우가 흔하다. 임도 절토사면처럼 지형 변화가 급격한 구간은 별도 블록으로 나눠 처리하는 편이 안전하다.
지면점이 정리되면 DTM을 만들고, 전체 포인트에서 DTM 높이를 빼는 정규화를 거쳐 CHM을 뽑는다. 이때 격자별 최고점만 취하면 레이저가 닿지 못한 자리에 구멍(pit)이 뚫린 CHM이 나오는데, 이를 보정하는 pit-free 알고리즘(Khosravipour 등, 2014)을 쓰면 수관 표면이 한결 매끈해진다. R의 lidR 패키지라면 grid_canopy에 pitfree 옵션을 얹고, 이후 lmf(local maximum filtering)로 수관 정점을 찾은 다음 Dalponte2016이나 Silva2016, 워터쉐드 기반 Li2012 알고리즘으로 경계를 나누는 흐름이 일반적이다.
Dalponte2016은 시드 포인트에서 밝기·높이 기준으로 영역을 확장하는 방식이라 수관이 뾰족하고 경계가 뚜렷한 침엽수에 잘 맞는다. Silva2016은 보로노이 다이어그램 기반이라 계산이 가볍지만 인접 수관이 파고든 형태에서는 경계를 거칠게 나눈다. 워터쉐드 계열은 수관이 둥글고 균일한 조림지에서 강점을 보이는 반면, 상·중·하층이 뒤섞인 혼효림에서는 하나의 유역 안에 여러 그루가 뭉뚱그려지는 일이 잦다.
혼효림에서 개체목을 놓치는 진짜 이유
현장에서 답답한 순간은 육안으로 분명히 서 있는 나무가 결과물에서 통째로 빠져 있을 때다. 원인은 대개 겹쳐서 발생한다. 첫째는 수관 중첩이다. 상층목의 우산 같은 수관이 중층목을 가려버리면 레이저가 그 나무의 최고점까지 도달하지 못하고, CHM 상에서는 상층목 하나의 봉우리로만 보인다. 둘째는 포인트 밀도가 균일하지 않다는 점이다. 비행 고도와 중첩률을 일정하게 잡아도 지형 기복이 있으면 사면 방향에 따라 실제 도달 밀도가 달라지고, 밀도가 낮은 구간은 격자 크기를 조절해도 봉우리 자체가 뭉개진다. 셋째는 계절 요인이다. 낙엽수 혼효림을 잎이 없는 겨울철에 촬영하면 지면 투과율은 좋아지지만 수관 경계가 흐릿해져 분할 알고리즘이 헷갈려 하고, 반대로 활엽이 무성한 여름철에는 지면점 확보가 어려워진다.
실무에서는 촬영 목적에 맞춰 시기를 타협하게 된다. 지면 정밀도가 중요한 임도 설계 지원용이라면 낙엽기를, 개체목 수관 구조나 바이오매스 추정이 목적이라면 생육기 촬영을 우선하는 식이다. 두 계절 모두 잡고 싶다면 같은 구역을 나눠 비행하는 방법도 있지만, 예산과 일정이 허락하는 현장은 많지 않다.
흉고직경까지 뽑으려면 한 단계가 더 필요하다
UAV 라이다는 수고와 수관폭, 수관 면적 같은 상부 정보는 비교적 정확하게 잡아낸다. 하지만 흉고직경(DBH)은 얘기가 다르다. 상공에서 내려다보는 라이다는 지상 1.2m 높이 부근 줄기까지 레이저가 도달하는 경우가 드물어서, DBH를 직접 스캔하기보다 수고·수관 면적과의 상관식으로 간접 추정하는 방식을 쓴다. 지상 라이다(TLS)나 백팩형 이동형 라이다(MLS)를 병행하면 줄기 단면을 직접 잡아 더 정확한 DBH를 얻을 수 있지만 장비 대여 비용과 촬영 시간이 만만치 않다. 그래서 많은 현장은 표본구 몇 곳에서 실측 흉고직경과 라이다 유도 변수 사이의 회귀식을 임분별로 만드는 절충안을 택하는데, 이 상관식은 수종과 임령대에 따라 편차가 커서 다른 임분에서 만든 식을 그대로 가져다 쓰면 오차가 눈에 띄게 벌어진다.
현장에서 자주 하는 시행착오
처음 UAV 라이다를 도입한 팀에서 흔한 실수는 비행 계획에서 중첩률만 신경 쓰고 비행 방향은 임의로 잡는 것이다. 능선을 따라 한 방향으로만 비행하면 사면 그림자 쪽 수관 측면이 충분히 스캔되지 않아 분할 정확도가 떨어진다. 격자형으로 두 방향 이상 교차 비행을 넣으면 밀도 편차가 줄고, 경사가 15도를 넘는 사면에서는 그 차이가 바로 드러난다. GCP 없이 GNSS/INS 정확도만 믿고 결과를 쓰는 경우도 있는데, RTK 보정이 잘 들어갔더라도 수관 아래에서는 위성 신호 품질이 떨어지므로 최소한의 검증점은 확보해두는 편이 낫다.
실무에서 점검해볼 만한 지점
비행 전에는 대상 임분의 수관 폐쇄도와 임상 구성을 먼저 파악해 알고리즘 선택 방향을 잡아두는 게 좋다. 침엽수 단순림 위주라면 Dalponte2016 계열로 충분한 경우가 많고, 활엽 혼효림이라면 워터쉐드 단독보다 로컬맥시마 탐지 파라미터를 촘촘히 바꿔가며 여러 세팅을 비교하는 편이 시간을 아낀다. CHM 격자 크기는 무조건 작게 잡는다고 좋은 게 아니라, 평균 수관폭보다 지나치게 작으면 한 그루가 여러 봉우리로 쪼개지는 반대 현상도 생긴다. 표본구 실측치와 라이다 유도값을 주기적으로 대조해 상관식을 갱신해두면, 같은 임상을 다시 촬영했을 때 보정 시간을 크게 줄일 수 있다.
포인트클라우드 처리는 lidR, LAStools, CloudCompare 조합을 많이 쓰지만, 결과물 품질은 소프트웨어보다 지면점 분류와 비행 설계에서 갈리는 경우가 대부분이다. 장비 스펙표의 펄스 반복률이나 빔 발산각 수치에 매몰되기보다, 대상 임분의 구조를 먼저 이해하고 촬영·처리 파라미터를 맞춰가는 순서가 현장에서는 더 실속 있다.