인도의 Tamil Nadu 지역을 대상지역으로 선택하여 Landsat ETM+ 영상과 현장 조사 자료(기저면적, 개체 수, 종의 수)를 취득하였다. 취득된 자료를 통하여 (1) 영상의 분류, (2) 식생지수 영상의 추출(NDVI, Tasseled Cap 토양명도, 녹색식생, 토양습도), (3) 가장 상관관계가 높은 결과를 보인 NDVI와 기저면적(Basal area)을 이용한 식생다양성 분포 예측 지도 제작이 이루어 졌다. 기저면적과 NDVI가 가장 높은 상관관계를 가지며 대상지역 영상분류 결과 69%정도의 정확도를 보였다.
인도의 Tamil Nadu 지역을 대상지역으로 선택하여 Landsat ETM+ 영상과 현장 조사 자료(기저면적, 개체 수, 종의 수)를 취득하였다. 취득된 자료를 통하여 (1) 영상의 분류, (2) 식생지수 영상의 추출(NDVI, Tasseled Cap 토양명도, 녹색식생, 토양습도), (3) 가장 상관관계가 높은 결과를 보인 NDVI와 기저면적(Basal area)을 이용한 식생다양성 분포 예측 지도 제작이 이루어 졌다. 기저면적과 NDVI가 가장 높은 상관관계를 가지며 대상지역 영상분류 결과 69%정도의 정확도를 보였다.
This study was carried out in part of Tamil Nadu, India. Also, Landsat ETM+ image and field sampling data were acquired. The field data were basal area, number of trees and number of species. Using the data set, this study performed a three steps processing, (1) Image classification (2) extracting t...
This study was carried out in part of Tamil Nadu, India. Also, Landsat ETM+ image and field sampling data were acquired. The field data were basal area, number of trees and number of species. Using the data set, this study performed a three steps processing, (1) Image classification (2) extracting the vegetation indices(NDVI, Tasseled cap brightness, greenness and wetness) (3) mapping the prediction of biodiversity distribution using basal area and NDVI image value. Basal area was significantly correlated with NDVI. The result of classification showed 69% overall accuracy.
This study was carried out in part of Tamil Nadu, India. Also, Landsat ETM+ image and field sampling data were acquired. The field data were basal area, number of trees and number of species. Using the data set, this study performed a three steps processing, (1) Image classification (2) extracting the vegetation indices(NDVI, Tasseled cap brightness, greenness and wetness) (3) mapping the prediction of biodiversity distribution using basal area and NDVI image value. Basal area was significantly correlated with NDVI. The result of classification showed 69% overall accuracy.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 현장조사 자료와 다양한 스케일의 데이터의 융합을 통한 식생 다양성 평가 빙법 연구(Nagendra et al, 2001)가 이루어졌으며 원격 탐사 자료와 GIS 자료를 활용한 식생서식지 분류와 서식종 분포 패턴의 연관성 연구(Debinski et al, 1999), 식생지역의 현장조사와 원격탐사 자료의 영상분류를 이용한 나무종 다양성에 대한 식물 사회학적 관측 연구(Padalia et al, 2004)등이 이루어졌다. 본 연구에서는 생물다양성 분석을 위하여 사용되는 기저면적, 개체 수, 종의 수와 같은 생물다양성지수와 원격 탐사자료의 상관관계를 분석하고 대상지역에 대한 생물 다양성을 지도제작을 통하여 예측하였다.
제안 방법
75개 현장조사 지역에 대한 좌표 정보를 활용하여 생성된 식생지 수 영상인 NDVI, Tasseled cap 변환 토양 명도(TCB), 녹색식생(TCG), 토양 습도(TCW) 영상에 중첩하여 각각의 범위에 대한 NDVI, Tasseled cap 변환토양명도, 녹색식생, 토양습도 영상의 평균값을 입력하였다. 입력된 값을 기준으로 하여 Table 4와 같이 기저 면적, 개체수, 종의 수를 5개의 범위로 분류하였다.
대상지역에 대한 무작위 추출 방법으로 현장조사 자료가 취득되었고 측정된 나무의 둘레를 통하여 기저 면적의 산정이 이루어졌다. 원격탐사 자료의 취득과 영상처리를 통한 식생지 수 영상을 생성하여 현장조사 지점에 대한식생 지수 영상값이 입력되었다.
경을 실시하여 결정하게 되는데 Landsat ETM+ 영상의밴드 2, 3, 4 조합 영상의 분광 정보를 통하여 식생이 활 피복 분류에 있어서 중요한 요소가 된다(Saura, 2002). 발하게 분포되어 있는 정도를 확인할 수 있으므로 분광정보에 많은 경중률을 두었다. 축척의 경우는 1, 3, 5, 10, 15의 축척을 적용하여 영상 분할을 실시한 결과 10 이상일 경우는 생성되는 객체의 크기가 너무 커져 영상에 대한 자세한 정보를 얻기가 힘들며 10이하로 너무 작아질 경우에는 현장조사를 통하여 취득한 지역은 한정이 되어 있지만 너무 세분화된 정보로 인하여 식생 다양성 지도를 생성하는데 문제가 있을 것이라 판단하였다.
원격탐사 자료를 식생 다양성 측정 및 평가에 적용할 수 있는 자료로 활용하기 위하여 Landsat ETM+ 영상에서 객체 기반 영상 분류기법을 통한 영상의 분할과 분류, 식생지수 영상의 생성이 이루어졌다. 영상의 객체 단위 분할과 분류를 통하여 현장조사 지점이 Landsat ETM+ 영상에서 식생지역으로 구분되는지에 대한 판단과 식생지역과 식생이 아닌 지역의 분류가 이루어진다.
지도의 제작은 기저면적의 범위 구분을 통하여 취득한 NDVI 영상의 평균값을 추출하여 이들 평균값을 기준으로 6개의 단위로 영상값의 범위를 결정하였다. 1은 가장 작은 크기의 기저면적이 예측되는 구간이며 6은 가장 넓은 크기의 기저면적이 예측되는 구간이다.
대상 데이터
취득되었다. 10m X 10m 구획 크기 설정으로 75개의 지역에서 나무 둘레가 측정되었으며 측정된 나무 둘레를 통하여 기저면적이 산출되었다. 무작위 추출은 ImX Im부터 20m x 50m, 2m x 50m 등 다양한 구획 크기를 정하고 무작위로 분배하여 식생의 다양성을 측정하는 방법이다.
본 연구에 사용한 Landsat ETM+ 영상은 2001년 5월에 촬영된 영상이다. 반면에 현장조사는 2005년 7월과 2006년 8월 사이에 진행되었다. 이러한 시기 차이로 인하여 대상지역에 대한 정확한 평가가 이루어지지 않았다.
본 연구에 사용한 Landsat ETM+ 영상은 2001년 5월에 촬영된 영상이다. 반면에 현장조사는 2005년 7월과 2006년 8월 사이에 진행되었다.
본 연구의 대상지역은 인도의 Tamil Nadu 지역의 Kolli Hills 이다. 위도 12°N에서 13° N사이, 경도 78° E에서 79°E사이이며 특징은 연평균 기온 28.
즉, 수계, 농경지, 거주지 등의 토지 피복 구분은 식생 다양성 분석 대상에서 제외된다. 분류된 영상에 대한 정확도 평가를 위해서 Landsat 영상에서 각각에 클래스에 해당하는 60개의 샘플이 추출되었다. Table 3은 분류된 영상에 대한 정확도 평가 결과를 보여준다.
식생 다양성 측정 및 평가에 많이 활용되고 있는 NDVI, Tasseled cap 변환토양명도, 녹색식생, 토양 습도 영상을 Landsat ETM+ 영상에서 추출하였다. 다음의 Table 4의 변환식을 사용하여 생성되었다.
이론/모형
입력된 값을 기준으로 하여 Table 4와 같이 기저 면적, 개체수, 종의 수를 5개의 범위로 분류하였다. 5 개 범위의 분류의 계층화 기법은 자연적 분류(Natural break) 방법에 의하여 분류되었다. 자연적 분류 방법은 대상 지역의 자료에 대하여 고유의 패턴을 분석하여 분류 지점을 결정하게 된다.
대상지역에 대한 현장조사 자료는 무작위 추출 방법으로 취득되었다. 10m X 10m 구획 크기 설정으로 75개의 지역에서 나무 둘레가 측정되었으며 측정된 나무 둘레를 통하여 기저면적이 산출되었다.
화소 기반의 NDVI를 활용한 영상값의 분류보다 높은 정확도를 나타내었다(Jayakumar et al,2007). 또한 화소단위가 아닌 객체단위의 영상값을 상관관계 분석에 활용하기 위하여 객체 기반 영상 분할 및 분류 기법이 적용되었다.
성능/효과
두 번째, 기본적으로 사용한 원격탐사 자료의 취득 시기와 현장조사 자료의 취득 시기가 동일해야 한다.
객체 기반 영상 분류를 통하여 비식생 지역과 식생 지역의 분류가 이루어졌듯이 기저면적 분포 지도의 작성은 식생지역 에만 적용될 수 있다. 따라서 산정된 대표 값에 비식생 지역은 0의 값, 식생지역은 1의 경중률을 곱하여 결과적으로 비식생 지역은 기저면적 예측 지도에 영향을 주지 않는다. 이와 같은 방법의 적용사례로 위성영상과 GIS 데이터를 활용한 산불 피해지역에 대한 매핑 연구(Ertenetal, 2004)가 진행되었다.
6과 같은 기저면적 분포 예측 지도를 생성하였다. 생성된 기저면적 분포 예측 지도와 객체 기반 영상 분류 결과를 비교하여 보면 식생이 많이 분포되어 있는 지역과 NDVI 영상 값이 높은 값을 보이는 지역은 기저면적이 작을 것으로 예측되며 반대로 식생이 적게 분포되어 있는 지역이나 식생이 많이 분포되어 있는 지역과 NDVI 영상값이 낮은 값을 보이는 지역은 기저면적이 클 것으로 예측된다.
6078을 나타내었다. 정확도 평가 결과를 보면 비식생 지역과 매우 많음, 많음의 클래스는 높은 정확도를 확보할 수 있었지만 중간과 적음 클래스에서는 높은 정확도를 확보할 수 없었다. 이들 두 클래스가 영상 값만으로는 식별하기 힘든 부분이 존재하며 현장조사를 통하여 분류하는 등의 추가적 방법이 필요하다.
발하게 분포되어 있는 정도를 확인할 수 있으므로 분광정보에 많은 경중률을 두었다. 축척의 경우는 1, 3, 5, 10, 15의 축척을 적용하여 영상 분할을 실시한 결과 10 이상일 경우는 생성되는 객체의 크기가 너무 커져 영상에 대한 자세한 정보를 얻기가 힘들며 10이하로 너무 작아질 경우에는 현장조사를 통하여 취득한 지역은 한정이 되어 있지만 너무 세분화된 정보로 인하여 식생 다양성 지도를 생성하는데 문제가 있을 것이라 판단하였다. Fig.
현장조사 자료의 분석을 통하여 기저면적의 변화와 NDVI의 평균값이 연관 있다는 것을 알 수 있다. 지도의 제작은 기저면적의 범위 구분을 통하여 취득한 NDVI 영상의 평균값을 추출하여 이들 평균값을 기준으로 6개의 단위로 영상값의 범위를 결정하였다.
현장조사 자료의 분포를 살펴보면 주로 NDVI 값이 낮은 지역, 즉 기저면적이 작은 지역에서 주로 자료 취득이 이루어진 것을 알 수 있었다. 이러한 이유로 기저 면적의 크기가 중간 정도 이상이 되는 지역의 신뢰할 만한 정확도 평가 결과를 얻을 수 없었다.
후속연구
이들 두 클래스가 영상 값만으로는 식별하기 힘든 부분이 존재하며 현장조사를 통하여 분류하는 등의 추가적 방법이 필요하다. 또한 영상 분류 및 정확도 평가에 사용한Landsat ETM+ 영상보다 고해상도의 영상을 사용함으로서 해결할 수 있을 것이다.
또한 각각의 자료 취득 시점이 동일해야 한다. 문제의 해결을 통하여 연구의 정확도를 향상시킨다면 기저면적 뿐만 아니라 식생 다양성 분석에 활용할 수 있는 다양한 식생 다양성 지수를 통하여 예측 지도의 제작이 가능할 것이다.
본 연구의 결과로 알 수 있듯이 현장조사 자료 취득지역의 고른 분포와 정확한 위치정보가 기반이 되어야 원격 탐사자료를 활용하여 정확한 식생 다양성 분석이 이루어 질 수 있다. 또한 각각의 자료 취득 시점이 동일해야 한다.
참고문헌 (9)
Baatz, M., Benz, U., Dehghani, S., Heynen, M., Holtje, A., Hofmann, P., Lingenfelder, I., Mimler, M., Sohlbach, M., Weber, M., Willhauck, G., 2004. eCognition Professional: User guide 4., Munich, Definiens-Imaging
Barrett, James W., 1977. A Field Guide for Stand Basal Area, Average Diameter and Tree Spacing Relationships, Research Note, PNW-298, USDA Forest Service
Erten, E., V. Kurgun, and N. Musaoglu, 2004. Forest Fire Risk Zone Mapping From Satellite Imagery and GIS a Case Study. XXth ISPRS Congress, Istanbul, Turkey
Jayakumar, S., A. Ramachandran, J. B. Lee, and J. Heo, 2007. Object-oriented Classification and Quickbird Multi-spectral Imagery in Forest Density Mapping, Korean Journal of Remote Sensing, 23(3): 153-160
Padalia, H., N. Chauhan, M. C. Porwal, and P. S. Roy, 2004. Phytosociological Observations on Tree Species Diversity of Andaman Islands, India, Current Science, 87: 799-806
Saura, S., 2002. Effect of Minimum Mapping Unit on Land Cover Data Spatial Configuration and Composition, International Journal of Remote Sensing, 23(22): 4853-4880
※ AI-Helper는 부적절한 답변을 할 수 있습니다.