선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 의사결정나무를 이용하여 토양유기탄소량 추정 모델을 제작하였다. 토양유기탄소량에 영향을 미칠 수 있는 인자로서 DEM, 경사, 경사향, 식생의 형태를 고려하였으며, 의사결정나무를 구현하기 위해 상용 소프트웨어인 See5와 Weka 소프트웨어를 이용하였다.
제안 방법
- DEM은 Kolli hill 지역의 등고선 수치 지도를 이용하여 TIN을 생성한 다음 이를 래스터 형태로 변환하여 제작하였다. 경사 데이터는 지형의 기울기(gradient)를 x와 y방향에 대해 나타낸 편미분 요소의 벡터 크기로 나타냄으로서 데이터를 제작하였다(Hunter, Gary J.
- , 1997). 경사향 데이터는 x와 y방향에 대해 나타낸 편미분 요소를 나눔으로써 제작하였다. 본 연구에서는 상용 소프트웨어인 ArcGIS를 이용하여 DEM과 경사 데이터, 경사향 데이터를 제작하였는데, 이에 사용된 알고리즘은 앞서 언급한 알고리즘과 동일하다.
- 등(2000)이 그루지야의 Crisp 주에 대해 토양유기탄소 모델을 제작하였다. 대상 지역에 대해 샘플링한 토양유기탄소의 함유량과 원격 탐측을 통해 취득한 영상의 RGB 밴드간에 알맞은 로그 선형 식(logarithm linear equation)을 생성하여 77.4%의 정분류율(classified rate)을 가지는 모델을 제작했다. 그러나 해당 모델은 원격 탐측을 통해 수집한 정보에 의존하므로 영상의 밝기값에 따라 전혀 다른 결과가 도출될 가능성이 있다.
- 구축된 모델의 평가 방법 중 하나인 정오분류표는 제작된 모델을 이용해 분류를 수행했을 때 올바르게 분류된 속성과 그렇지 않은 속성의 수를 하나의 표로 나타내어 모델의 정확도를 파악할 수 있다. 또한 구축된 모델의 분석용 자료(training data)와 평가용 자료 (validation data)의 정분류율과 평가용 자료의 오분류율을 산정하여 제작된 모델의 성능 평가를 수행했다. 본 연구에서는 각각 C5.
- 또한 구축된 모델의 분석용 자료(training data)와 평가용 자료 (validation data)의 정분류율과 평가용 자료의 오분류율을 산정하여 제작된 모델의 성능 평가를 수행했다. 본 연구에서는 각각 C5.0과 C4.5 알고리즘이 적용된 상용 소프트웨어 See5(RuleQuest Research)와 Weka (The University of Waikato)를 이용하여 의사결정나무 모델을 구축했다.
- 본 연구에서는 내츄럴 브레이크 분류 방법을 통해 토양유기탄소 샘플 데이터를 분류하여 종속변수 자료로 사용했다. 내츄럴 브레이크 분류 방법은 저장된 데이터 내에서 상대적으로 값이 급증하는 단계에서 데이터를 구분시키는 방법이다.
- 경사향 데이터는 x와 y방향에 대해 나타낸 편미분 요소를 나눔으로써 제작하였다. 본 연구에서는 상용 소프트웨어인 ArcGIS를 이용하여 DEM과 경사 데이터, 경사향 데이터를 제작하였는데, 이에 사용된 알고리즘은 앞서 언급한 알고리즘과 동일하다. 식생 형태 데이터는 대상 지역에 대한 현장 조사를 통해 취득된 데이터로서 polygon 형식으로 저장되어 있다.
- 본 연구에서는 의사결정나무를 제작하기 위해 토양 유기탄소량과 네 가지 인자(경사, 경사향, 식생의 형태, DEM)를 이용하였다. 토양유기탄소는 표층, 중간층, 바닥층에 대해 추출되었으며, 각 층에 대한 함유량이 GIS의 점 데이터 형태로 저장되어 있다.
- 내츄럴 브레이크 분류 방법은 저장된 데이터 내에서 상대적으로 값이 급증하는 단계에서 데이터를 구분시키는 방법이다. 샘플링 데이터를 표층, 중간층, 바닥층에 대해 총 3개의 클래스 즉, class1, class2, class3로 구분하였다. Class 1의 경우 가장 적은 양의 탄소를 저장하고 있는 샘플 데이터들의 집합이며, class 3에 가까이 분류될수록 많은 양의 탄소를 저장하고 있는 샘플들로 구성했다.
- 총 216개의 샘플 토양유기탄소의 샘플은 표면의 잎들을 제거한 다음, 1m×1m의 면적으로 채취하되 깊이에 따라 표층(0～30cm), 중간층(30～60cm), 바닥층(60～90cm)으로 구분했다.
- 본 연구에서는 의사결정나무를 이용하여 토양유기탄소량 추정 모델을 제작하였다. 토양유기탄소량에 영향을 미칠 수 있는 인자로서 DEM, 경사, 경사향, 식생의 형태를 고려하였으며, 의사결정나무를 구현하기 위해 상용 소프트웨어인 See5와 Weka 소프트웨어를 이용하였다. 두 소프트웨어 모두 표층에 대해서는 식생의 형태가 가장 중요한 환경 인자인 것으로 나타났다.
대상 데이터
- 본 연구에서 선정한 연구 대상지는 인도의 Kolli hill 지역으로, 지역의 중심에는 도시가 존재하고 있으며 그 주변으로 산림이 분포하고 있는 특이 지형으로 활엽수와 침엽수 그리고 재배지가 분포하고 있다. 위치는 북위 11°10′00～11°30′00″, 동경 78°15′00″～78°30′00″ 이며 면적은 약 503km2이다(그림 1).
- 본 연구에서 이용한 데이터는 토양유기탄소 함유량, Digital Elevation Model(DEM)과 경사 데이터, 경사향데이터, 서식하고 있는 식생의 형태이다. 토양유기탄소의 데이터를 얻기 위해 대상 지역에 대해 채취한 샘플링 데이터를 이용했다.
- 본 연구에서 이용한 데이터는 토양유기탄소 함유량, Digital Elevation Model(DEM)과 경사 데이터, 경사향데이터, 서식하고 있는 식생의 형태이다. 토양유기탄소의 데이터를 얻기 위해 대상 지역에 대해 채취한 샘플링 데이터를 이용했다. 이 데이터는 GIS 형태의 점 데이터로 되어 있으며 2km2에 대해 한 번의 샘플링이 수행되었다.
데이터처리
- 제작된 의사결정나무의 정확도는 올바르게 분류된 속성 수를 전체 속성 수로 나눈 정분류율을 계산함으로서 모델의 정확도를 파악할 수 있다. 형성된 모델의 타당성은 10 집단 교차 검증(10 fold cross validation)을 통해 평가했다. 표 3와 표 4은 See5 소프트웨어에서 도출된 토양유기탄소의 표층과 중간층에 대한 정오분류표이고, 표 5와 표 6은 Weka 소프트웨어서 도출된 토양유기탄소의 표층과 중간층에 대한 정오분류표이다.
이론/모형
- 총 216개의 샘플 토양유기탄소의 샘플은 표면의 잎들을 제거한 다음, 1m×1m의 면적으로 채취하되 깊이에 따라 표층(0～30cm), 중간층(30～60cm), 바닥층(60～90cm)으로 구분했다. 샘플은 실험실에서 건조시켜 각각의 층에 대해 2mm 체에 통과시켜 투과되지 않은 샘플만을 취득했으며, 각 층에 대해 clad 방법 (Ramachandran, A., 2007)을 통해 부피 밀도(mg․m-3)를 계산했다. 토양유기탄소의 밀도(mg․ha 토양유기탄소는 표층, 중간층, 바닥층에 대해 추출되었으며, 각 층에 대한 함유량이 GIS의 점 데이터 형태로 저장되어 있다. 이 데이터를 내츄럴 브레이크(Natural Break) 방법에 의해 각각의 클래스(Class)로 구분하여 의사결정나무 제작에 이용하였다.
성능/효과
- 토양유기탄소량에 영향을 미칠 수 있는 인자로서 DEM, 경사, 경사향, 식생의 형태를 고려하였으며, 의사결정나무를 구현하기 위해 상용 소프트웨어인 See5와 Weka 소프트웨어를 이용하였다. 두 소프트웨어 모두 표층에 대해서는 식생의 형태가 가장 중요한 환경 인자인 것으로 나타났다. 중간층에 대해서는 DEM이 가장 중요한 인자로 도출되다.
- 분석결과는 ‘조건이 A이고 조건이 B이면 결과집단 C’라는 형태의 규칙으로 표현되므로 분류 또는 예측을 목적으로 하는 다른 계량적 분석방법에 비해 쉽게 이해할 수 있다는 장점이 있다.
- 중간층에 대해서는 DEM이 가장 중요한 인자로 도출되다. 이는 연구 대상지의 지형 특성상 고도가 높은 지역에 상록수와 같은 활엽수가 분포하고 있으므로, 결론적으로는 식생의 형태가 토양유기탄소량에 영향을 미치는 것으로 판단된다. 바닥층에 대해서는 두 소프트웨어 모두 의사결정나무가 형성되지 않았는데, 이는 지상의 자연적 환경이 바닥층에 대해 영향을 미치지 않기 때문인 것으로 판단된다.
- 토양유기탄소 표층의 경우, 매우 조밀히 분포되어 있는 상록수 지역일 때 상대적으로 더 많은 양의 토양유기탄소를 함유한다는 결론이 도출되었다. 중간층에 대해서는 표고가 1003.513m 이상이고, 매우 조밀히 분포한 상록수 지역일 때 상대적으로 더 많은 양의 토양유기탄소를 함유한다는 결론이 도출되었다. 바닥층에 대해서는 모델이 형성되지 않았다.
- Weka 소프트웨어를 통해 도출된 결과는 그림 4와 같으며, 토양유기탄소 샘플의 표층에 대해 매우 조밀히 분포된 상록수지역이 상대적으로 많은 양의 토양유기탄소를 가지는 것으로 도출됐다. 토양유기탄소 샘플의 중간층에 대해서는 표고가 1003.513m이상이고, 서식하고 있는 식생의 형태가 매우 조밀히 분포한 상록수 지역이거나 경사향이 동쪽인 지역에 분포한 퇴화된 상록수 지역일 때 상대적으로 많은 양의 토양유기탄소를 가지는 것으로 도출되었다. 바닥층에 대해서는 See 5와 마찬가지로 모델이 형성되지 않았다.
- 토양유기탄소 표층의 경우, 매우 조밀히 분포되어 있는 상록수 지역일 때 상대적으로 더 많은 양의 토양유기탄소를 함유한다는 결론이 도출되었다. 중간층에 대해서는 표고가 1003.
후속연구
- 토양유기탄소는 식물의 광합성 작용에 의해 고정된 탄소가 생물의 잔해로 토양에 들어온 후 토양 내에서 분해되는 과정 중에 있는 물질로써, 토양 속에서 굉장히 느린 속도로 분해되면서 토양을 비옥하게 하거나 대기 중에 분포하고 있는 이산화탄소와의 관계를 조절하는 중요한 요소이다. 따라서 토양유기탄소의 분포를 파악할 수 있는 모델을 제작한다면 산림의 형성 정책 결정 및 개발부지 선정시 중요한 참고자료로서 사용될 수 있다.
- 본 연구에서는 토양유기탄소량을 구분하기 위해 내츄럴 브레이크 방법을 이용하였으나, 구분 방법에 따라 다른 모델이 생성될 것으로 판단된다. 따라서 이에 대한 연구가 필요할 것으로 사료된다.
- 바닥층에 대해서는 두 소프트웨어 모두 의사결정나무가 형성되지 않았는데, 이는 지상의 자연적 환경이 바닥층에 대해 영향을 미치지 않기 때문인 것으로 판단된다. 생성된 의사결정나무 모델은 토양유기탄소량의 예측 및 지도 제작에 활용될 수 있을 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.