3D 나무 모델 품질과 종 분류를 위한 불균형 지표 활용

본 연구는 3차원 나무 모델(QSM)의 품질 관리와 나무 종 분류를 동시에 수행할 수 있는 새로운 방법론을 제시한다. 연구 대상은 옥스퍼드 대학 인근 Wytham Woods에서 수집된 ‘가상 숲’ 데이터로, 876개의 나무 각각에 대해 10개의 QSM이 제공된다. 저자들은 먼저 QSM을 그래프 이론적 rooted 3D 트리 형태로 변환하고, 이 트리에서 외부 불균형(수평면에 대한 전체 기울기)과 내부 불균형(가지 구조의 비대칭성)을 정량화하는 3D 불균형 지표를 적용하였다. 이 지표들은 서브트리의 중심점과 성장 방향을 이용해 물리적 펜듈럼 모델을 모방하며, O(n) 시간 복잡도로 빠르게 계산된다. 동시에, QSM에서 추출한 비3D 토폴로지를 이용해 전통적인 계통학적 불균형 지표(예: Sackin, Colless, B1, B2 등)를 적용하였다. 이러한 비3D 지표는 공간 정보를 배제하고 순수한 가지 구조만을 평가함으로써, 3D 지표와 상보적인 정보를 제공한다. 연구는 세 가지 주요 질문에 답한다. 첫째, 동일 나무에 대해 10개의 QSM 간 지표값 변동이 큰 경우가 모델 결함을 의미하는가? 저자들은 지표값의 표준편차와 이상치 탐지를 통해 ‘faulty’ QSM을 자동으로 식별하고, 가장 안정적인 QSM을 선택하는 절차를 제시한다. 실제로, 외부 불균형이 과도하거나 내부 불균형이 비정상적으로 높은 QSM은 시각적으로도 기둥이 휘어 있거나 비연결 실린더가 존재하는 등 명백한 오류를 보였다. 둘째, 이러한 불균형 지표가 ‘Unknown’으로 표기된 나무의 종을 추정하는 데 도움이 되는가? 저자들은 전통적인 나무 통계량(DBH, 높이, 부피, 크라운 면적 등)만을 사용한 베이스라인 모델과, 여기에 필터링된 3D·비3D 불균형 지표를 추가한 확장 모델을 비교하였다. 랜덤 포레스트와 XGBoost를 이용한 교차 검증 결과, 확장 모델은 최대 81.8%의 정확도를 달성했으며, 특히 소수 종(필드 메이플, 유럽 애쉬 등)에서 재현율이 크게 향상되었다. 변수 중요도 분석에 따르면, 내부 3D 불균형, Sackin 지수, 그리고 특정 깊이에서의 서브트리 부피 비율이 가장 높은 기여도를 보였다. 셋째, 어떤 지표가 품질 평가와 종 분류에 가장 큰 영향을 미치는가? 저자들은 다중공선성을 제거하기 위해 상관관계 기반 필터링을 수행하고, 남은 지표들의 중요도를 순위화하였다. 결과적으로, 외부 불균형은 품질 평가에, 내부 불균형과 전통적 토폴로지 지표는 종 분류에 각각 핵심적인 역할을 하는 것으로 나타났다. 전체 분석 파이프라인은 R 패키지 treeDbalance에 구현되어, QSM → rooted 3D 트리 변환, 지표 계산, 품질 평가, 종 분류까지 일관된 워크플로우를 제공한다. 모든 지표는 선형 시간 복잡도를 가지므로, 수천 개의 나무에 대해서도 실시간 수준의 품질 검증이 가능하다. 저자들은 또한 파생된 지표 데이터와 종 예측 결과를 GitHub에 공개하여, 향후 연구자들이 동일한 데이터셋을 재현하거나 확장 연구를 수행할 수 있도록 지원한다. 본 연구는 3D 나무 모델링 분야에서 품질 관리와 생태학적 분류 작업을 동시에 수행할 수 있는 효율적인 도구를 제공함으로써, 대규모 숲 모니터링 및 탄소 저장량 추정 등에 중요한 기여를 할 것으로 기대된다.