밴쿠버 도시 숲 매핑: AI로 생물 다양성 지도 생성하기

밴쿠버 도시 숲 매핑: AI로 생물 다양성 지도 생성하기

제목: 밴쿠버의 도시 숲을 매핑하는 AI 기술의 개발

목차

1. 소개
2. 밴쿠버의 도시 숲
3. 딥 러닝을 통한 나무 분류
4. AI 도구 개발의 중요성
5. 딥 러닝 기술 선택 및 데이터 생성
6. 모델 학습 과정과 결과
7. 나무 검출과 위치 추정
8. 나무 분류 모델의 성능 평가
9. 결과 분석 및 개선 방안
10. 결론

👉 소개

안녕하세요! 저는 영국 컬럼비아 대학에서 석사 과정 중인 Stephanie입니다. 오늘은 저의 지리학 연구에서 인공지능과 딥 러닝에 대한 여정을 공유하고 싶습니다. 함께 밴쿠버의 도시에서 가상으로 돌아다니면서 도시 숲의 나무를 매핑하는 과정을 알아보도록 하겠습니다. 밴쿠버의 도시 이미지를 통해 일련의 분류 작업을 수행하고, 그 결과를 토대로 도시의 생물 다양성 지도를 생성하는 것이 이 프로젝트의 궁극적인 목표입니다.

👉 밴쿠버의 도시 숲

밴쿠버의 도시 이미지를 살펴보면 봄에는 벚나무와 같은 나무들이 자랍니다. 하지만 나무 분류에 익숙한 사람도 애플 나무와 같은 다른 종류의 나무를 식별하는 것은 어렵습니다. 이런 세부적인 분류 작업을 토대로, 우리는 이 프로젝트에서 약 43개의 다른 나무 종류를 분류해내고자 합니다. 이를 통해 캐나다의 다양한 도시에서 생물 다양성 지도를 작성할 수 있습니다.

👉 딥 러닝을 통한 나무 분류

이 프로젝트의 궁극적인 목표는 도시 이미지에서 나무를 식별하여 위치를 찾고, 나무의 종류를 분류하여 생물 다양성 지도를 작성하는 도구를 개발하는 것입니다. 이를 위해 딥 러닝 기술을 사용합니다. 딥 러닝은 기존의 데이터 수집 방식으로는 어려웠던 도시 이미지 분석을 가능케 하며, 오픈 소스 프로젝트들의 등장으로도 더욱 손쉽게 딥 러닝 모델을 학습시킬 수 있게 되었습니다.

👉 AI 도구 개발의 중요성

기존에는 매뉴얼하게 데이터를 수집하는 방식으로 도시 숲의 생물 다양성 지도를 작성해왔습니다. 그러나 이는 시간과 비용이 많이 드는 작업입니다. 이러한 경우에 필요한 도구를 개발하여 도시에 있는 기관들이 생물 다양성 정보를 수집하기 쉽도록 도울 필요가 있습니다. 딥 러닝은 이러한 요구사항을 충족시키고, 데이터 분석을 더욱 효율적으로 수행할 수 있게 해줍니다.

👉 딥 러닝 기술 선택 및 데이터 생성

나무 검출 모듈을 위해 우리는 Mask R-CNN이라는 딥 러닝 모델을 선택했습니다. 또한, 나무 위치 추정을 위해서는 Mano-Dots를 사용했습니다. 이는 이미 학습된 심층 신경망으로, 각각의 나무 위치에서 깊이 정보를 생성하여 결과적으로 각 나무의 GPS 좌표를 얻을 수 있게 합니다. 나무 분류를 위해 우리는 ResNet 50 기반의 CNN 분류기를 학습시켰습니다.

데이터 생성을 위해, 이미지 분할과 시맨틱 라벨링 정보를 포함하는 "Common Objects in Context" 데이터셋을 활용했습니다. 또한, 벤쿠버와 Surrey에서 60개의 이미지를 무작위로 선택하여 수작업으로 약 803개의 마스크를 만들었습니다. 이렇게 구축한 데이터셋을 활용하여 학습을 진행했습니다.

👉 모델 학습 과정과 결과

모델 학습 과정에서 주목해야 할 점은 데이터 처리 과정을 꼼꼼히 추적하는 것입니다. FastAI와 같은 오픈 소스 라이브러리를 활용하여 데이터 증강과 학습률 조정, 원 사이클 스케줄링 등을 수행할 수 있습니다. 데이터 처리 과정과 모델 성능 평가를 철저히 수행하여 결과를 개선해나갈 필요가 있습니다.

👉 나무 검출과 위치 추정

나무 검출 모델을 통해 밴쿠버와 California 지역의 이미지를 테스트해 보았습니다. 결과적으로, 모델이 잘 일반화되는 것을 확인할 수 있었습니다. 또한, 보다 정확한 위치 추정을 위해 Google Street View나 Mapillary와 같은 데이터를 활용하여 데이터의 다양성을 고려하였습니다. 이를 통해 우리는 우리의 사용자에게 이상적인 입력 이미지의 조건과 크기를 추천할 수 있게 되었습니다.

👉 나무 분류 모델의 성능 평가

나무 분류 모델의 성능을 평가하기 위해 혼동 행렬을 분석하였습니다. 전반적으로 모델이 나무 종류를 잘 분류하는 것을 확인할 수 있었으나, 몇 가지 종류에서는 분류 정확도가 낮았습니다. 이는 정확한 분류를 위해 더 많은 훈련 데이터가 필요하다는 것을 의미합니다.

👉 결과 분석 및 개선 방안

딥 러닝을 통해 우리는 이전에 무시되거나 시간이 많이 드는 데이터를 분석할 수 있는 가능성을 열었습니다. FastAI와 같은 오픈 소스 프로젝트는 우리에게 딥 러닝 모델 학습과 배포를 쉽게 할 수 있는 도구를 제공합니다. 이 프로젝트에서는 FastAI와 Keras를 활용하여 나무 검출, 위치 추정, 분류 작업의 워크플로우를 구축하고 도시 숲의 생물 다양성 지도 생성에 활용하였습니다.

👉 결론

딥 러닝을 통한 도시 숲 매핑은 기존에 수집되지 않았거나 분석하기 어려웠던 데이터를 분석하는 데에 매우 유용합니다. 이 프로젝트는 도시 숲의 생물 다양성 지도 생성을 위해 FastAI와 Keras를 활용하여 나무 검출, 위치 추정, 분류 작업의 워크플로우를 개발하여 성공적으로 모델을 학습시켰습니다. 이를 통해 도시 내 다양한 지역에서 생물 다양성을 분석하는 데에 도움이 되는 도구를 개발하였습니다.

👉 FAQ

Q: 딥 러닝 모델을 학습시키기 위해 어떤 데이터를 사용했나요? A: 우리는 Google Street View와 Mapillary에서 얻은 이미지를 사용하여 모델을 학습시켰습니다. 또한, 이미지 분할에 성과적인 "Common Objects in Context" 데이터셋을 활용하였습니다.

Q: 모델 학습에 어떤 기술을 사용했나요? A: FastAI와 Keras 같은 오픈 소스 라이브러리를 사용하여 모델을 학습시켰습니다. 이러한 라이브러리를 사용하면 딥 러닝 모델의 학습과정을 보다 간편하게 수행할 수 있습니다.

Q: 모델의 성능이 어떠한가요? A: 전반적으로 모델의 성능이 좋았으나, 일부 나무 종류에서는 분류 정확도가 낮았습니다. 이는 더 많은 훈련 데이터가 필요하다는 것을 의미합니다.