라데마허 복잡도 기반 유전자 프로그래밍으로 찾아낸 미슬토 감지용 해석 가능 분광 지수

라데마허 복잡도 기반 유전자 프로그래밍으로 도출된 해석 가능 분광 지수(GP-VRI)가 적색(650nm)과 청색(450nm) 파장의 미세한 반사율 차이를 이용해 미슬토를 식별하는 개념을 시각화한 이미지.

드론이나 위성을 활용한 원격탐사 분야에서 딥러닝과 머신러닝은 눈부신 성과를 내고 있다. 하지만 정작 현장 행정가나 산림 관리자들은 이 뛰어난 인공지능을 선뜻 신뢰하기 어렵다. 복잡한 신경망 내부에서 어떤 근거로 결정을 내리는지 알 수 없는 ‘블랙박스’ 문제 때문이다. 반면 기존의 분광 지수(Spectral Index)는 수식 형태가 단순하여 특정 식물의 생화학적 특성과 직접 연계해 해석할 수 있다는 강력한 장점이 있다.

이러한 배경에서 유전자 프로그래밍(GP, Genetic Programming)은 스스로 수식 구조를 진화시키며 최적의 알고리즘을 찾아내는 대표적인 모델 생성 기법으로 주목받아 왔다. 하지만 GP 역시 세대를 거듭할수록 수식이 쓸데없이 비대해지는 ‘블롯(Bloat)’ 현상에 직면한다. 덩치가 커진 수식은 해석이 불가능해져 블랙박스 모델과 다를 바 없어진다. 최근 발표된 연구는 이 문제를 해결하기 위해 수학 이론인 ‘라데마허 복잡도(Rademacher Complexity)’를 진화 과정에 도입하고, 해석 가능하면서도 정확하게 기생식물을 감지하는 새로운 분광 지수를 탐색했다.

라데마허 복잡도를 통한 수식 비대화 제어

연구진은 멕시코 시티 남서부 산바르톨로 아메얄코(San Bartolo Ameyalco) 산림 보존 구역에서 드론(DJI P4 Multispectral)으로 촬영한 250장의 다중분광 영상(300×300 피셀)을 연구 대상으로 활용했다. 목표는 산림 생태계를 위협하는 기생식물인 ‘포라덴드론 벨루티눔(Phoradendron velutinum)’ 미슬토(겨우살이)를 정확히 식별하는 단순한 수식을 발견하는 것이었다.

연구진은 수식의 구조적·행동적 복잡성을 측정하기 위해 라데마허 복잡도 개념을 도입했다. 라데마허 복잡도는 어떤 모델이 무작위 노이즈 신호를 얼마나 쉽게 흉내 낼 수 있는지를 정량화하는 지표다. 복잡도가 높을수록 노이즈에 과적합(Overfitting)될 가능성이 크고, 낮을수록 일반화 성능이 뛰어나다.

이 원리를 바탕으로 연구진은 기존 GP 간소화 기법들과 함께 두 가지 신규 제어 기법을 제안했다. Rademacher 기법은 세대마다 라데마허 복잡도가 가장 높은 개체를 선택하여 가지치기를 수행한다. Fit Rademacher 기법은 적합도 점수와 라데마허 복잡도 감점 요소를 선형 결합한 지표를 기준으로 삼아, 성능이 우수하면서도 복잡한 개체를 집중적으로 간소화한다. 실험 결과, Fit Rademacher 기법은 기존 Plain GP 대비 평균 트리 크기를 약 54% 줄인 22개 노드로 수식을 압축하는 데 성공했으며, 재현율(Recall)을 0.566까지 끌어올렸다.

수식 진화가 스스로 찾아낸 적색과 청색 파장의 비밀

Fit Rademacher 기법 등을 통해 독립적으로 진화한 최적의 수식은 사람이 직접 대수학적으로 재정리할 수 있을 만큼 단순했다. 이를 연구진은 ‘GP-VRI(GP-Velutinum Red Index)’로 명명했다. GP-VRI는 원본 25개 노드에서 14개 노드로 간소화되었으며, 입력을 단 두 가지 파장인 적색(Red, 650nm)과 청색(Blue, 450nm) 밴드만 사용한다. 흥미로운 점은 인공지능이 사전 생물학적 정보 없이 오직 영상 데이터만을 바탕으로 이 두 파장을 스스로 선택했다는 사실이다.

식물학적으로 엽록소와 카로티노이드는 청색 파장을 강하게 흡수하지만, 적색 파장은 주로 엽록소만이 흡수한다. P. velutinum 미슬토는 엽록소 외에도 나랑게닌, 피노셈브린과 같은 황색을 띠는 플라보노이드 성분을 풍부하게 함유하고 있다. 숙주 나무는 엽록소 a의 영향으로 청색과 적색을 모두 흡수하고 녹색을 반사하는 반면, 미슬토는 노란 빛깔을 띠며 적색 파장을 상대적으로 더 많이 반사한다. 유전자 프로그래밍으로 찾아낸 수식은 이 적색과 청색 반사율의 미세한 차이를 정확히 포착해 낸 것이다.

산림 현장을 위한 인공지능 추출 지식의 활용

독립적으로 실행된 진화 알고리즘이 적색과 청색 파장의 조합을 핵심 변수로 선택했다는 점은, 이 수식이 단순한 데이터 통계의 산물이 아니라 해당 기생식물의 물리·화학적 반사 특성을 반영한 결과임을 뒷받침한다.

이 연구가 가져다주는 실용적 가치는 명확하다. 수십 개의 계수를 가진 거대한 딥러닝 모델은 별도의 서버나 전용 소프트웨어가 있어야 구동할 수 있다. 반면 14개 노드로 구성된 GP-VRI 수식은 일반 범용 지리정보시스템(GIS)의 래스터 계산기(Raster Calculator)나 드론 탑재용 기판에 직접 입력하여 즉시 작동시킬 수 있다. 전문적인 머신러닝 지식이 없는 산림 관리자도 수식의 동작 원리를 직관적으로 이해하고 현장 예찰에 곧바로 적용할 수 있게 된다.

연구의 의미와 한계

본 연구는 라데마허 복잡도를 유전자 프로그래밍의 간소화 연산자로 조합하여, 딥러닝 수준의 거대한 블랙박스 모델 대신 사람이 직접 읽고 검증할 수 있는 분광 지수를 자동 합성해 낼 수 있음을 입증했다. 모델의 해석 가능성을 높임으로써 산림 환경 모니터링 분야에서 AI 기술의 신뢰성과 활용성을 대폭 끌어올렸다는 점에서 중요한 학술적·실용적 의의를 가진다.

다만 연구 결과를 실제 현장에 적용할 때는 몇 가지 한계를 고려해야 한다. 첫째, 데이터가 개화기(4월)라는 특정 생육 시기와 멕시코 단일 지역, 동일한 드론 센서 조건에서 수집되었다. 잎이 떨어지거나 다른 계절일 때, 혹은 다른 지역의 숙주 나무 환경에서도 이 수식이 동일한 성능을 발휘할지는 추가 검증이 필요하다. 둘째, Fit Rademacher 기법은 미슬토를 놓치지 않는 재현율은 높아졌으나, 정밀도(Precision, 0.307)가 낮아져 오탐을 다수 포함한다. 셋째, 연구에서 사용된 교차 검증은 동일한 촬영 프레임에서 잘라낸 인접 타일들이 학습과 테스트 세트에 나누어 들어갈 수 있는 공간적 자가상관성 문제를 포함하므로 완전히 새로운 지역에 적용할 때는 성능 수치가 낮아질 가능성이 있다.

결론

이 연구는 설명 불가능한 딥러닝 모델의 대안으로, 이론적 근거에 기반한 수식 간소화를 통해 ‘해석 가능한 인공지능(XAI)’의 실용성을 보여주었다. 인공지능이 데이터 속에서 스스로 찾아낸 규칙이 실제 식물의 생화학적 반사 특성과 일치함을 확인한 것은 고무적인 성과다.

이러한 접근법은 향후 산림 병해충 예찰뿐만 아니라 농업의 작황 모니터링, 환경 오염 감지 등 다양한 원격탐사 산업 분야에 널리 응용될 수 있다. 저사양 드론 센서나 현장 단말기에서도 경량화된 수식을 통해 즉각적인 모니터링이 가능해짐에 따라, AI 기반 환경 관리 시스템의 대중화와 신뢰성 확보에 크게 기여할 것으로 기대된다.

논문 출처

Mejia-Zuluaga, P. A., Dozal, L., & Valdiviezo-Navarro, J. C. (2026). Rademacher Complexity-Guided Genetic Programming for Interpretable Spectral Index Discovery in UAV-Based Mistletoe Detection. Machine Learning and Knowledge Extraction, 8(1), 297. [https://doi.org/10.3390/make8100297](https://doi.org/10.3390/make8100297)

연구의 의의

이 연구는 국내 산림 보존 및 기후변화 대응 측면에서 시사하는 바가 매우 크다. 한국 역시 최근 이상기후로 인해 참나무시드름병이나 겨우살이(미슬토) 등 산림 기생식물 및 병해충 피해가 전국적으로 확산되고 있다. 국내 지자체와 산림청은 드론 예찰을 도입하고 있으나 고성능 AI 서버 구축 비용과 딥러닝 모델의 '블랙박스' 문제로 현장 담당자의 직관적인 검증에 어려움을 겪어왔다. 본 연구가 제시한 라데마허 복잡도 기반 분광 지수 추출 기법을 한국의 대표 수종(소나무, 참나무 등) 및 드론 예찰 시스템에 도입한다면, 저비용·고효율의 해석 가능한 산림 관리 체계를 구축하는 데 크게 기여할 수 있다고 본다.