A Transfer Learning-Based XGBoost Settlement Tree Detection Modelfor Data-Scarce Environments

본 연구는 최신 수목 정보가 부족한 지자체에서도 활용 가능한 수목 탐지 모델을 개발하기 위해, 전이학습 기반의 XGBoost 기계학습 모델을 활용하여 정주지 내 탄소흡수원(수목)을 탐지하는 방법론을 제안한다. 서울시의 공공 수목 위치 정보와 Sentinel-2 위성영상을 기반으로 계절별 기초모델을 구축하고, 이를 대구시 데이터에 전이 학습함으로써 소규모 라벨링 데이터 환경에서도 높은 예측 성능을 확보할 수 있는 가능성을 탐색하였다. 특히 여름철(8월) 데이터를 활용한 모델이 가장 우수한 성능을 보였으며, 기초모델 대비 전이모델의 정확도(Accuracy)가 0.022 향상되었다. SHAP 분석을 통해 예측 결과의 해석 가능성도 확보하였다. 전이모델로 예측된 수목 분포는 정주지 내 도심 가로수 밀집 지역을 중심으로 나타났으며, 실제 수목 위치와 높은 정합도를 보였다. 본 연구는 향후 고해상도 영상 기반 탐지, 극소량 데이터 환경에 대한 적용성 검증, 온실가스 인벤토리와의 연계 연구 등 다양한 후속 연구에 기여할 수 있는 기반을 제공한다.