토지이용변화에 따른 산림탄소저장량 변화는 기후변화협약에서 요구하는 주요 자료 중 하나이다. IPCC 우수실행지침(intergovernmental panel on climate change good practice guidance, IPCC GPG) 수준 3에 근거하여 공간적으로 명확한 산림탄소저장량을 추정하게 되면 높은 신뢰도를 확보할 수 있다. 그러나 기존의 추정 방법은 표본점(sample plot) 단위의 국가산림자원조사 (national forest inventory, NFI) 자료만을 이용하여 행정구역별 평균을 집계하는 것으로 폴리곤 혹은 셀 단위의 상세한 탄소저장량을 파악할 수 없었다. 이를 보완하기 위해 유럽, 북미 등에서는 NFI 자료, 원격탐사 및 GIS 기술을 결합하여 산림탄소저장량을 추정하기 위한 노력이 활발히 이루어져왔다. 주요국의 연구 동향을 활용 기법에 따라 분류해보면 원격탐사, GIS, 지구통계 및 환경변수모델링 등 크게 4가지 범주로 나눌 수 있다. 이 중 가장 손쉽게 국내 적용을 고려해 볼 수 있는 방법은 NFI 자료와 임상도를 결합하는 GIS 기반의 방법이다. 특히, 복잡한 수종 구성을 가지고 있는 국내 산림 환경 특성을 고려할 때 국지적 변이 추정에 유용한 지구통계 기법의 활용성이 기대된다. 아울러, 고해상도 영상의 활용은 산림탄소저장량 추정의 검증 및 탄소배출권 확보를 위한 CDM(clean development mechanism, 청정개발체제) 사업 적지 선정 등에 유용할 것으로 판단된다. 국내 관련 연구는 아직 초기 단계로 최근린 기법(k-nearest neighbor, k-NN)의 적용성을 검토하는 연구가 주를 이루고 있으나 국내 산림 환경에 적합한 방법론의 선정을 위해서는 보다 다양한 공간 자료와 알고리즘의 적용성이 검토되고 방법론 간의 비교 연구가 필요하다.
토지이용변화에 따른 산림탄소저장량 변화는 기후변화협약에서 요구하는 주요 자료 중 하나이다. IPCC 우수실행지침(intergovernmental panel on climate change good practice guidance, IPCC GPG) 수준 3에 근거하여 공간적으로 명확한 산림탄소저장량을 추정하게 되면 높은 신뢰도를 확보할 수 있다. 그러나 기존의 추정 방법은 표본점(sample plot) 단위의 국가산림자원조사 (national forest inventory, NFI) 자료만을 이용하여 행정구역별 평균을 집계하는 것으로 폴리곤 혹은 셀 단위의 상세한 탄소저장량을 파악할 수 없었다. 이를 보완하기 위해 유럽, 북미 등에서는 NFI 자료, 원격탐사 및 GIS 기술을 결합하여 산림탄소저장량을 추정하기 위한 노력이 활발히 이루어져왔다. 주요국의 연구 동향을 활용 기법에 따라 분류해보면 원격탐사, GIS, 지구통계 및 환경변수 모델링 등 크게 4가지 범주로 나눌 수 있다. 이 중 가장 손쉽게 국내 적용을 고려해 볼 수 있는 방법은 NFI 자료와 임상도를 결합하는 GIS 기반의 방법이다. 특히, 복잡한 수종 구성을 가지고 있는 국내 산림 환경 특성을 고려할 때 국지적 변이 추정에 유용한 지구통계 기법의 활용성이 기대된다. 아울러, 고해상도 영상의 활용은 산림탄소저장량 추정의 검증 및 탄소배출권 확보를 위한 CDM(clean development mechanism, 청정개발체제) 사업 적지 선정 등에 유용할 것으로 판단된다. 국내 관련 연구는 아직 초기 단계로 최근린 기법(k-nearest neighbor, k-NN)의 적용성을 검토하는 연구가 주를 이루고 있으나 국내 산림 환경에 적합한 방법론의 선정을 위해서는 보다 다양한 공간 자료와 알고리즘의 적용성이 검토되고 방법론 간의 비교 연구가 필요하다.
Forest carbon stocks change due to land use change is an important data required by UNFCCC(United Nations framework convention on climate change). Spatially explicit estimation of forest carbon stocks based on IPCC GPG(intergovernmental panel on climate change good practice guidance) tier 3 gives hi...
Forest carbon stocks change due to land use change is an important data required by UNFCCC(United Nations framework convention on climate change). Spatially explicit estimation of forest carbon stocks based on IPCC GPG(intergovernmental panel on climate change good practice guidance) tier 3 gives high reliability. But a current estimation which was aggregated from NFI data doesn't have detail forest carbon stocks by polygon or cell. In order to improve an estimation remote sensing and GIS have been used especially in Europe and North America. We divided research trends in main countries into 4 categories such as remote sensing, GIS, geostatistics and environmental modeling considering spatial heterogeneity. The easiest way to apply is combination NFI data with forest type map based on GIS. Considering especially complicated forest structure of Korea, geostatistics is useful to estimate local variation of forest carbon. In addition, fine scale image is good for verification of forest carbon stocks and determination of CDM site. Related domestic researches are still on initial status and forest carbon stocks are mainly estimated using k-nearest neighbor(k-NN). In order to select suitable method for forest in Korea, an applicability of diverse spatial data and algorithm must be considered. Also the comparison between methods is required.
Forest carbon stocks change due to land use change is an important data required by UNFCCC(United Nations framework convention on climate change). Spatially explicit estimation of forest carbon stocks based on IPCC GPG(intergovernmental panel on climate change good practice guidance) tier 3 gives high reliability. But a current estimation which was aggregated from NFI data doesn't have detail forest carbon stocks by polygon or cell. In order to improve an estimation remote sensing and GIS have been used especially in Europe and North America. We divided research trends in main countries into 4 categories such as remote sensing, GIS, geostatistics and environmental modeling considering spatial heterogeneity. The easiest way to apply is combination NFI data with forest type map based on GIS. Considering especially complicated forest structure of Korea, geostatistics is useful to estimate local variation of forest carbon. In addition, fine scale image is good for verification of forest carbon stocks and determination of CDM site. Related domestic researches are still on initial status and forest carbon stocks are mainly estimated using k-nearest neighbor(k-NN). In order to select suitable method for forest in Korea, an applicability of diverse spatial data and algorithm must be considered. Also the comparison between methods is required.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
다른 나라의 경우 과거 수십년 간 이에 대한 연구가 지속적으로 수행되어 다양한 연구 결과가 축적되었지만 우리나라는 관련 연구의 초기 단계로 산림탄소저장량의 공간적인 추정에 대한 포괄적인 리뷰는 아직까지 수행된 바가 없다. 따라서 본 연구는 원격탐사와 GIS를 이용한 산림탄소저장량 추정 연구의 국제 동향을 분석하여 우리나라 산림에 대한 적용성을 검토하고 향후 연구의 방향을 제시하는데 목적이 있다.
본 논문에서는 산림탄소저장량 연구가 본격화되기 시작한 1990년대 이후를 조사대상기 간으로 하여 원격탐사와 GIS를 이용한 산림 바이오매스 및 탄소저장량 추정 연구 동향을 북미, 유럽, 중국 등 주요국별로 조사하였다. 국제 동향 분석을 기반으로 활용 기법을 크게 4가지 범주로 분류하였으며 각 기법별로 활용되는 자료 및 알고리즘을 정리하고 장·단점을 분석하여 국내 적용성을 검토하였다.
따라서 국내 산림 환경에 적합한 방법론의 선정을 위해 방법론 간의 비교 연구가 요구된다. 이에 향후 연구에서는 우리나라 산림에 적합한 산림탄소저장량 추정 모델을 개발하기 위해 4가지 방법론에 기반한 산림탄소지도를 제작하고 정확도를 비교 평가하여 각 방법론의 장점을 융합한 하이브리드 모델을 개발하고자 한다.
제안 방법
현지 조사 자료는 NFI(National Forest Inventory)로부터 얻어진다. NFI에서 조사된 각 개체목의 흉고 직경(D)3)과 수고(H)4)를 이용하여 줄기의 부피에 해당하는 수간재적5)을 구하고 수종별 목재밀도6)를 곱하여 줄기의 건중량인 수간바이 오매스를 구한다. 줄기뿐만 아니라 가지, 잎 등 개체목의 전체 바이오매스로 확장하기 위해 수종별 바이오매스 확장계수7)를 곱하여 지상부 바이오매스를 구하고 마지막으로 탄소전 환계수8)(0.
국제 동향 분석을 기반으로 활용 기법을 크게 4가지 범주로 분류하였으며 각 기법별로 활용되는 자료 및 알고리즘을 정리하고 장·단점을 분석하여 국내 적용성을 검토하였다.
본 연구에서는 산림탄소저장량 연구가 본격 화되기 시작한 1990년대 이후를 조사대상기간으로 하여 원격탐사와 GIS를 이용한 산림 바이오매스 및 탄소저장량 추정 연구 동향을 주요국별로 조사하였다. 다양한 관점에서 연구 동향을 파악하고 주요 이슈를 도출하기 위해 국제 동향, 활용 기법의 종류, 국내 동향 및 한계점 등을 중심으로 분석하였다.
본 연구에서는 산림탄소저장량 연구가 본격 화되기 시작한 1990년대 이후를 조사대상기간으로 하여 원격탐사와 GIS를 이용한 산림 바이오매스 및 탄소저장량 추정 연구 동향을 주요국별로 조사하였다. 다양한 관점에서 연구 동향을 파악하고 주요 이슈를 도출하기 위해 국제 동향, 활용 기법의 종류, 국내 동향 및 한계점 등을 중심으로 분석하였다.
대상 데이터
미국의 경우 산림청에서 운영하는 FIA(Forest Inventory and Analysis) 국가프로그램의 지역 간 실무그룹인 RSB(Remote Sensing Band)에서 국가 단위의 산림바이오매스 지도를 제작하였다. 미국은 북유럽 국가보다 대면적이므로 저해상도인 MODIS(250m~1km)를 활용하였으며 보조 자료로 국가토지피복도, 지형도, 기상자료 등이 활용되었다. 캐나다의 경우 EOSD에서 제공하는 Landsat 자료를 주로 활용하였으며 LiDAR와 Radar 자료를 추가 활용하는 것을 연구 중에 있다(Hall et al.
이론/모형
(2009)은 산림변수 추정에 지구통계를 활용하는 방법을 체계적으로 발전시켰다. 추정 방법으로 공동 크리깅(co-kriging)과 회귀 크리깅(regression kriging)을 활용하였다. Sales et al.
성능/효과
(2007)은 아마존의 산림바이오매 스 공간분포를 더욱 정확하게 추정하기 위해 지구통계를 활용하였으며, 기존의 내삽 모델이 다양한 공간 정보를 잘 반영하지 못한다는 것을 발견하고 이를 보완하고자 하였다. 그 결과 아마존 전체에 대한 산림 바이오매스의 공간분포 추정 결과뿐만 아니라, 오차지도를 얻을 수 있었다. 최근에는 시뮬레이션 기법을 적용하여 추정치의 불확실성을 분석하기 위한 연구도 수행되고 있다.
그러나 영상의 종류와 시기에 따라 분광 반사 특성이 달라지기 때문에 동일한 산림탄소저장량 추정 회귀 모델을 적용하기가 어렵다. 둘째, NFI 자료와 임상도 결합의 경우 기구축된 임상도 등을 이용하기 때문에 현지 조사에 의한 바이오매스 추정치를 대면적으로 업스케일링(upsacling) 하기에 비용 측면에서 유리하다. 반면 임상도 제작 주기가 길 경우 단기간의 산림피복 변화를 추정하기 어렵다는 문제가 있으며 임상도 품질의 불확실성이 산출물의 품질에 많은 영향을 미친다.
반면 임상도 제작 주기가 길 경우 단기간의 산림피복 변화를 추정하기 어렵다는 문제가 있으며 임상도 품질의 불확실성이 산출물의 품질에 많은 영향을 미친다. 셋째, 지구통계를 이용한 방법은 위성 영상을 비롯한 다양한 보조 자료와 현지 조사 자료간의 공간적 상관관계를 분석함으로서 산림바이오매스의 국지적 공간변이를 고려한 모델링이 가능하여 정확도 향상에 유리하다. 그러나 보조 자료의 품질에 따라 결과물의 정확도가 큰 영향을 받으며, 자료 분석량이 많아 대면적 적용 시 소요 시간이 길어진다는 문제가 있다.
지구통계를 이용한 산림탄소저장량 추정 사례로 미국의 경우, FIA에서 제작한 Cubist 바이오매스 모델 기반의 바이오매스 지도를 더욱 개선하기 위해 Freeman and Moisen(2006)은 공간 구조(spatial structure) 모델링을 통한 개선 방법을 탐색하였다. 이 연구에서는 공간 구조가 분명히 드러나는 지역에 대해서는 크리깅이 성공적인 결과를 보여주었지만, 일반적으로는 Cubist 모델을 이용한 경우가 더욱 효과적인 접근 방법이었다. Meng et al.
(2001)은 바이오매스 밀도와 기상, 지형 등의 환경변수 및 위성영상 변수와의 관계를 탐색하였다. 즉, 환경변수만으로 구성된 바이오매스 회귀식, 위성영상 변수만으로 구성된 바이오매스 회귀식, 두 종류의 변수 조합으로 구성된 바이오매스 회귀식의 정확도를 비교한 결과 단일변수보다 복합변수(위성영상변수+환경변수) 사용이 더 효과적이었다. Magclae-Macandog et al.
후속연구
일반적으로 중해상도 자료가 활용될 경우 다중회귀분석이 AGB 추정 모델에 많이 활용되었으며 보조 자료가 활용됨에 따라 신경망 기법이 활용되었다. 또한 원격탐사자료와 보조 자료의 결합을 통해 개선된 모델을 개발하는데 GIS 기술이 유용하게 활용될 수 있다. 세 번째는 원격탐사자료의 한계이다.
그러나 보조 자료의 품질에 따라 결과물의 정확도가 큰 영향을 받으며, 자료 분석량이 많아 대면적 적용 시 소요 시간이 길어진다는 문제가 있다. 마지막으로 환경변수 모델 링은 산림의 생장에 영향을 미치는 기후, 토양, 지형적 차이를 고려함으로서 환경 조건이 상이한 지역의 산림바이오매스 추정에 효과적일 수 있지만 사용되는 자료의 가용성과 신뢰성에 따라 추정치의 정확도가 달라질 수 있는 한계가 있다.
특히, 공간이질성과 복잡한 수종 구성을 가지고 있는 국내 산림 환경 특성이 잘 반영될 수 있도록 산림 생장과 관련된 환경 변수와 임상도 변수를 함께 고려한 회귀크리깅을 적용할 경우 산림탄소저장량 추정의 정확도 개선에 많은 진전을 줄 수 있을 것으로 기대된다. 아울러, 고해상도 영상의 활용은 산림탄소저장량 추정치에 대한 검증 및 탄소배출권 확보를 위한 CDM(Clean Development Mechanism, 청정개발체제) 사업 적지 선정 등에 유용할 것으로 판단된다. 즉, 대상 지역과 산림탄소저 장량 추정 목적에 적합한 공간 자료와 알고리즘을 선택하기 위해서는 알고리즘의 정확도뿐만 아니라 자료 보유 현황, 갱신 주기, 자료 품질, 비용, 산림 환경 특성 등이 종합적으로 고려되어야 한다.
그러나, 영급, 경급, 소밀도 등과 같은 주요 속성이 범주형이므로 정확도 향상에 한계가 있으며 산림탄소저장량 추정에 필요한 수고 정보가 임상도에는 없기 때문에 별도의 수고 추정을 해야 되는 번거로움이 있다. 특히, 공간이질성과 복잡한 수종 구성을 가지고 있는 국내 산림 환경 특성이 잘 반영될 수 있도록 산림 생장과 관련된 환경 변수와 임상도 변수를 함께 고려한 회귀크리깅을 적용할 경우 산림탄소저장량 추정의 정확도 개선에 많은 진전을 줄 수 있을 것으로 기대된다. 아울러, 고해상도 영상의 활용은 산림탄소저장량 추정치에 대한 검증 및 탄소배출권 확보를 위한 CDM(Clean Development Mechanism, 청정개발체제) 사업 적지 선정 등에 유용할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
k-NN 기법이란 무엇인가?
k-NN 기법은 비모수 회귀 추정식의 하나로, 알려지지 않은 정보를 얻기 위하여 야외 조사 자료와 위성 영상과 같은 부가정보를 사용하는 통계적 기법이다(임종수 등, 2007; Haapanen et al., 2001).
산림탄소저장량 추정은 활용 기술에 따라 어떻게 구분되는가?
산림탄소저장량 추정은 활용 기술에 따라 현지 측정, 원격 탐사, GIS 등의 3가지 접근법으로 구분할 수 있다.
원격 탐사 기반 접근법의 한계점은 무엇인가?
원격 탐사 기반의 경우 데이터 취득 반복, 분광 밴드와 식생 파라미터와의 높은 상관 등과 같은 장점때문에 대면적 AGB 추정, 특히 접근 불능 지역에 대해 주요 자료원이 되고 있으며 일반적으로 회귀분석 및 k-NN 기법 등을 활용하여 산림바이오매스와 탄소저장량을 추정하고 있다. 그러나 대상 지역에서 개발된 회귀 모형 결과를 다른 지역에 확장해서 적용하는 것은 한계가 있다. 보조 자료를 활용한 GIS 기반의 방법은 현지 조사에 의한 바이오매스 추정치를 업스케일링할 수 있는 유용한 방법이지만 데이터 품질이 우수한 보조 자료를 확보하는데 어려움이 따르며 AGB와 보조 자료와의 간접적인 상관관계, AGB 축적에 대한 환경 조건의 광범위한 영향 등을 고려해야 하기 때문에 분석이 어려운 측면이 있다(Lu, 2006).
참고문헌 (98)
곽두안, 이우균, 손민호. 2005. 개체목 및 임분 조사를 위한 LiDAR 응용에 관한 연구. 한국임학회지 94(6):431-440.
Baccini, A., M.A. Friedl, C.E. Woodcock and R. Warbingto. 2004. Forest biomass estimation over regional scales using multisource data. Geophysical Research Letters 31(10):L10501.
Brown, I.F., L.A. Martinelli, W.W. Thomas, M.Z. Moreira, C.A.C. Ferreira and R.A. Victoria. 1995. Uncertainty in the biomass of Amazonian forests: an example from Randonia, Brazil. Forest Ecology and Management 75:175-189.
Brown, S., A.J.R. Gillespie and A.E. Lugo. 1989. Biomass estimation methods for tropical forests with applications to forest inventory data. Forest Science 35:881-902.
Brown, S. and G. Gaston. 1995. Use of forest inventories and geographic information systems to estimate biomass density of tropical forests: Application to tropical Africa. Environmental Monitoring and Assessment 38:157-168.
Brown, S. and L.R. Iverson. 1992. Biomass estimates for tropical forests. World Resource Review 4:366-384.
Brown, S., L.R. Iverson and A.E. Lugo. 1994. Land-use and biomass changes of forests in Peninsular Malaysia from 1972 to 1982: GIS approach. In: V.H. Dale(ed.). Effects of Land-use Change on Atmospheric CO2 Concentrations: South and Southeast Asia as a Case Study. Springer, New York, pp.117-143.
Civco, D. 1989. Topographic normalization of Landsat Thematic Mapper digital imagery. Photogrammetric Engineering and Remote Sensing 55:1303-1309.
Colby, J.D. 1991. Topographic normalization in rugged terrain. Photogrammetric Engineering and Remote Sensing 57:531-537.
Conese, C., G. Maracchi and F. Maselli. 1993. Improvement in maximum likelihood classification performance on highly rugged terrain using principal component analysis. International Journal of Remote Sensing 14(7):1371-1382.
Conese, C., G. Maracchi, F. Miglietta, F. Maselli and V.M. Sacco. 1988. Forest classification by principal component analyses of TM data. International Journal of Remote Sensing 9:1597-1612.
Dees, M., J. Duvenhorst, C.P. Gross and B. Koch. 2000. Combining remote sensing data sources and terrestrial sample-based inventory data for the use in forest management inventories. Proceeding of XIX ISPRS Congress. Commission VII. Amsterdam, 16-22 July 2000 pp.355-362.
Dong, J., R.K. Kaufmann, R.B. Myneni, C.J. Tucker, P.E. Kauppi, J. Liski, W. Buermann, V. Alexeyev and M.K. Hughes. 2003. Remote sensing estimates of boreal and temperate forest woody biomass: carbon pools, sources, and sinks. Remote Sensing of Environment 84(3):393-410.
Ellenwood, J.R. and F.J. Krist. 2007. Building a nationwide 30-meter forest parameter dataset for forest health risk assessments. ForestSat'07 Conference. Montpellier, France, Nov. 5-7, 2007.
Fang, J., G. Wang, G. Liu and S. Xu. 1998. Forest biomass of China: an estimate based on the biomass-volume relationship. Ecological Applications 8(4):1084-1091.
FAO. 2004. Assessing Carbon Stocks and Modeling Win-Win Scenarios of Carbon Sequestration Through Land-Use Change. 156pp.
Fazakas, Z., M. Nilsson and H. Olsson. 1999. Regional forest biomass and wood volume estimation using satellite data and ancillary data. Agricultural and Forest Meteorology 98-99:417-425.
Foody, G.M. 2003. Remote sensing of tropical forest environments: towards the monitoring of environmental resources for sustainable development. International Journal of Remote Sensing 24(20):4035-4046.
Fournier, R.A., J.E. Luther, L. Guindon, M.C. Lambert, D. Piercey, R.J. Hall and M.A. Wulder. 2003. Mapping aboveground tree biomass at the stand level from inventory information: test cases in Newfoundland and Quebec. Canadian Journal of Forest Resources 33:1846-1863.
Franklin, S.E., D.R. Connery and J.A. Williams. 1994. Classification of alpine vegetation using Landsat Thematic Mapper, SPOT HRV and DEM data. Canadian Journal of Remote Sensing 20(1):49-58.
Freeman, E.A. and G.G. Moisen. 2006. Evaluating Kriging as a tool to improve moderate resolution maps of forest biomass. Environmental Monitoring and Assessment 128:395-410.
Fuchs, H., P. Magdon, C. Kleinn and H. Flessa. 2009. Estimating aboveground carbon in a catchment of the Siberian forest tundra: combining satellite imagery and field inventory. Remote Sensing of Environment 113(3):518-531.
Goodenough, D.G., R. Sobie, R. Impey, H. Chen, A. Agarwal, R. Desmarais, I. Gable, A. Guan, A. Charbonneau, G. Hobart, D. Vanderster and W. Podaima. 2008. Service oriented scientific grid computing. http://cgs.saforah.org/attachment/wiki/PaPres/Goodenough-BCNet-NEP.ppt.
Haapanen, R., K. Lehtinen, J. Miettinen, M.E. Bauer and A.R. Ek. 2001. Progress in Adapting k-NN Methods for Forest Mapping and Estimation Using the New Annual Forest Inventory and Analysis Data. USDA. 87pp.
Hall, R.J., D.T. Price, R.M. Siltanem, Y. Wang, R. Fournier, R.H. Fraser and J.E. Luther. 2001. Assessing the Role of Environmental and Remote Sensing Variables in Modeling Canada's Forest Biomass. 23rd Canadian Remote Sensing Symposium. Ste Foy, Quebec, pp.465-471.
Hall, R.J., E.J. Arsenault, P. Boudewyn, M.Filiatrault, M.D. Gillis, A. Beaudion, J.E. Luther and M.A. Wulder. 2009. Creating a National Forest Biomass Map of Canada by Integrating Satellite Data and Models. GOFC-GOLD Biomass meeting.
Halme, M. and E. Tomppo. 2001. Improving the accuracy of multisource forest inventory estimates by reducing plot location error-a multicriteria approach. Remote Sensing of Environment 78:321-327.
Hame, T., A. Salli, K. Andersson and A. Lohi. 1997. A new methodology for the estimation of biomass of coniferdominated boreal forest using NOAA AVHRR data. International Journal of Remote Sensing 18(15):3211-3243.
Harrell, P.A., E.S. Kasischke, L.L. Bourgeau-Chavez, E.M. Haney and N.L. Christensen. 1997. Evaluation of approaches to estimating aboveground biomass in southern pine forests using SIR-C data. Remote Sensing of Environment 59(2):223-233.
Holben, B.N. and C.O. Justice. 1981. An examination of spectral band ratioing to reduce the topographic effect on remotely sensed data. International Journal of Remote Sensing 2(2):115-123.
Huiyan, G., D. Limin, W. Gang, X. Dong, W. Shunzhong and W. Hui. 2006. Estimation of forest volumes by integrating Landsat TM imagery and forest inventory data, Science in China. Series E Technological Sciences 49(I):54-62.
IPCC. 2003. Good Practice Guidance for Land Use, Land-Use Change and Forestry.
Iverson, L.R., S. Brown, A. Prasad, H. Mitasova, A.J.R. Gillespie and A.E. Lugo. 1994. Use of GIS for estimating potential and actual forest biomass for continental South and Southeast Asia. In: V.H. Dale(ed.). Effects of Land-Use Change on Atmospheric CO2 Concentrations: South and Southeast Asia as a Case Study. Springer, New York, pp.67-116.
Labrecque, S., R.A. Fournier, J.E. Luther and D. Piercey. 2006. A comparison of four methods to map biomass from Landsat-TM and inventory data in western Newfoundland. Forest Ecology and Management 226:129-144.
Lefsky, M.A., D. Harding, W.B. Cohen, G. Parker and H.H. Shugart. 1999. Surface lidar remote sensing of basal area and biomass in deciduous forest of eastern Maryland, USA. Remote Sensing of Environment 67(1):83-98.
LeMay, V., J. Maedel and N.C. Coops. 2008. Estimating stand structural details using nearest neighbor analyses to link ground data, forest cover maps, and Landsat imagery. Remote Sensing of Environment 112:2578-2591.
Li, X. 2011. Biomass and Carbon Storage of Korean Forests. Ph.D. Thesis, Kangwon National University, Korea. 134pp.
Lu, D. 2005. Aboveground biomass estimation using Landsat TM data in the Brazilian Amazon Basin. International Journal of Remote Sensing 26(12): 2509-2525.
Lufafa, A., I. Diedhiou, S.A.N. Samba, M. Sene, M. Khouma, F. Kizito, R.P. Dick, E. Dossa and J.S. Noller. 2008. Carbon stocks and patterns in native shrub communities of Senegal's Peanut Basin. Geoderma 146:75-82.
Luther, J.E., R.A. Fournier, R.J. Hall, C.-H. Ung, L. Guindon, D.E. Piercey, M.-C. Lambert and A. Beaudoin. 2002. A strategy for mapping Canada's forest biomass with Landsat TM imagery. Geoscience and Remote Sensing Symposium, IGARSS '02. 2002 IEEE International pp.1312-1315.
Magclae-Macandog, D.B., M.E.M. Delgado, E.Ty and J.R.T. Villarin. 2006. A GIS-based model to improve estimation of aboveground biomass of secondary forests in the Philippines. Journal of Tropical Forest Science 18(1):8-21.
Magnussen, S., R.E. McRoberts, E. Tomppo. 2009. Model-based mean square error estimators for k-nearest neighbour predictions and applications using remotely sensed data for forest inventories. Remote Sensing of Environment 113(3) : 476-488.
Mcroberts, R.E., E.O. Tomppo, A.O. Finley and J. Heikkinen. 2007. Estimating areal means and variances of forest attributes using the k-nearest neighbors technique and satellite imagery. Remote Sensing of Environment 111(4):466-480.
Meng, Q., C. Cieszewski and M. Madden. 2009. Large area forest inventory using Landsat ETM+: a geostatistical approach. ISPRS Journal of Photogrammetry and Remote Sensing 64(1):27-36.
Naugle, B.I. and J.D. Lashlee. 1992. Alleviating topographic influences on land-cover classifications for mobility and combat modeling. Photogrammetric Engineering and Remote Sensing of Environment 48:1217-1221.
Nijland, W., E.A. Addink, S.M.D. Jong and F.D.V.d. Meer. 2009. Optimizing spatial image support for quantitative mapping of natural vegetation. Remote Sensing of Environment 113(4):771-780.
Penner, M., K. Power, C. Muhairwe, R. Tellier and Y. Wang. 1997. Canada's forest biomass resources: deriving estimates from Canada's forest inventory. Canadian Forest Service, Pacific Forestry Centre Information Report BC-X-370, Victoria, BC. 33pp.
Phua, M. and H. Saito. 2003. Estimation of biomass of a mountainous tropical forest using Landsat TM data. Canadian Journal of Remote Sensing 29:429-440.
Pouch, G.W. and D.J. Campagna. 1990. Hyperspherical direction cosine transformation for separation of spectral and illumination information in digital scanner data. Photogrammetric Engineering and Remote Sensing 56:475-479.
Rahman, M.M., E. Csaplovics and B. Koch. 2008. Satellite estimation of forest carbon using regression models. International Journal of Remote Sensing 29(23):6917-6936.
Reese, H., M. Nilsson, P. Sandstrom and H. Olson. 2002. Application using estimates of forest parameters derived from satellite and forest inventory data. Computers and Electronics in Agriculture 37:37-55.
Ricketts, T.H., E.S. Bryant, R.W. Birnie and K.D. Kimball. 1992. Landsat TM mapping of alpine vegetation to monitor global climate change. Proceedings of the American Society for Photogrammetry and Remote Sensing/ACSM/RT 92 Convention. Washington, D.C., USA, pp.86-97.
Roy, P.S. and S.A. Ravan. 1996. Biomass estimation using satellite remote sensing data - an investigation on possible approaches for natural forest. Journal of Bioscience 21(4):535-561.
Sales, M.H., C.M.S. Jr, P.C. Kyriakidisb, D.A. Robertsb and E. Vidal. 2007. Improving spatial distribution estimation of forest biomass with geostatistics: a case study for Rondnia, Brazil. Ecological Modelling 205:221-230.
Schroeder, P., S. Brown, J. Mo, R. Birdsey and C. Cieszewski. 1997. Biomass estimation for temperate broadleaf forests of the US using inventory data. Forest Science 43:424-434.
Steininger, M.K. 2000. Satellite estimation of tropical secondary forest aboveground biomass data from Brazil and Bolivia. International Journal of Remote Sensing 21:1139-1157.
Thenkabail, P.S., N. Stucky, B.W. Griscom, M.S. Ashton, J. Diels, B.V.D. Meer and E. Enclona. 2004. Biomass estimations and carbon stock calculations in the oil palm plantations of African derived savannas using IKONOS data. International Journal of Remote Sensing 25(23):5447-5472.
Tiwari, A.K. and J.S. Singh. 1984. Mapping of forest biomass in India using aerial photographs and non-destructive field sampling. Applied Geography 4:151-165.
Tomppo, E., H. Olsson, G. Stahl, M. Nilsson, O. Hagner and M. Katila. 2008. Combining national forest inventory field plots and remote sensing data for forest databases. Remote Sensing of Environment 112(5):1982-1999.
Tomppo, E., M. Nilsson, M. Rosengren, P. Aalto and P. Kennedy. 2002. Simultaneous use of Landsat-TM and IRS-1C WiFS data in estimating large area tree stem volume and aboveground biomass. Remote Sensing of Environment 82:156-171.
Tomppo, E. and M. Siitonen. 1991. The national forest inventory of Finland. Paper and Timber 73(2):90？97.
Tucker, C. 1978. A comparison of satellite sensor bands for vegetation monitoring. Photogrammetric Engineering and Remote Sensing 44:1361-1380.
Walsh, S.J., J.W. Cooper, I.E.V. Essen and K.R. Gallagher. 1990. Image enhancement of Landsat Thematic Mapper data and GIS data integration for evaluation of resource characteristics. Photogrammetric Engineering and Remote Sensing 56:1135-1141.
Wang, G., Tonny Oyana, Maozhen Zhang, Samuel Adu-Prah, Siqi Zeng, Hui Lin, Jiyun Se. 2009. Mapping and spatial uncertainty analysis of forest vegetation carbon by combining national forest inventory data and satellite images. Forest Ecology and Management 258:1275-1283.
Wulder, M.A., J.C. White, R.A. Fournier, J.E. Luther and S. Magnussen. 2008. Spatially explicit lanrge area biomass estimation: three approaches using forest inventory and remotely sensed imagery in a GIS. Sensors 8:529-560.
Zheng, D., J. Rademacher, J. Chen, T. Crow, M. Bresee, J.L. Moine and S. Ryu. 2004. Estimating aboveground biomass using Landsat 7 ETM+ data across a managed landscape in northern Wisconsin, USA. Remote Sensing of Environment 93(3):402-411.
Zhuang, Q., T. Zhang and J. Xiao. 2009. Quantification of net primary production of Chinese forest ecosystems with spatial statistical approaches. Mitig Adapt Strateg Glob Change 14:85-99.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.