$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

크리깅 기법을 이용한 단양군의 산림 탄소저장량 추정 - 지상부 바이오매스를 대상으로 -

Estimating Forest Carbon Stocks in Danyang Using Kriging Methods for Aboveground Biomass

한국지리정보학회지 = Journal of the Korean Association of Geographic Information Studies, v.15 no.1, 2012년, pp.16 - 33  

박현주 (한국환경정책.평가연구원 환경전략연구본부) ,  신휴석 (서울대학교 국토문제연구소) ,  노영희 (서울대학교 지리학과) ,  김경민 (국립산림과학원 산림자원정보과) ,  박기호 (서울대학교 지리학과)

초록
AI-Helper 아이콘AI-Helper

본 연구에서는 크리깅 기법 중 가장 일반적으로 사용되고 있는 정규 크리깅(ordinary kriging)과 여러 보조 자료를 활용한 회귀 모델에 크리깅 기법을 결합한 형태인 회귀 크리깅(regression kriging)을 이용하여 지상부 바이오매스의 탄소저장량 추정을 시도하였다. 분석 결과 단양군의 산림 탄소저장량은 정규 크리깅의 경우 3,459,902 tonC, 회귀 크리깅의 경우 3,384,581 tonC로 추정되었으며 회귀 크리깅에 이용된 회귀 모델의 결정계수는 0.1033으로 나타났다. 표본점을 임상별로(활엽수림, 침엽수림&혼효림) 층화하여 회귀 크리깅을 수행한 경우에는 탄소저장량은 3,336,206 tonC로 가장 낮게 추정되었으며 회귀 모델의 결정 계수는 각각 0.35, 0.18로 표본점 전체를 이용했을 때보다 높은 값을 보였다. 각 기법의 교차 검증(cross validation) 결과 표본점 전체를 이용한 회귀 크리깅의 RMSE(22.32 ton/ha)가 가장 낮았으나 기법간의 차이(0.23 ton/ha)는 크지 않은 것으로 나타났다.

Abstract AI-Helper 아이콘AI-Helper

The aim of this study is to estimate aboveground biomass carbon stocks using ordinary kriging(OK) which is the most commonly used type of kriging and regression kriging(RK) that combines a regression of the auxiliary variables with simple kriging. The analysis results shows that the forest carbon st...

주제어

참고문헌 (29)

  1. 국립산림과학원. 2009. 제5차 국가산림자원조사, 현지조사 매뉴얼. 54쪽. 

  2. 김기영, 전명식, 강현철, 이성건 공역. 2009. 예제를 통한 회귀분석, 제4판. 자유아카데미. 393쪽. 

  3. 단양군. 2009. 통계연보(제2장 토지 및 기후). 

  4. 단양군. 2010. 단양군 산림정밀지도 제작 및 활용시스템 통합 완료보고서. 154쪽. 

  5. 손영모, 이경학, 김래현. 2007. 우리나라 산림바이오매스 추정. 한국임학회지 96(4):477-482. 

  6. 이승호, 김철민, 원현규, 김경민, 조현국. 2004. Landsat TM 위성영상을 이용한 산림자원량 산정. 한국임학회 2004 학술연구 발표논문집 제1권. 250-252쪽. 

  7. 임종수, 공지수, 김성호, 신만용. 2007. kNN 기법을 이용한 강원도 평창군의 산림주제도 작성과 산림통계량 추정. 한국임학회지 96(3):259-268. 

  8. 임종수, 한원성, 황주호, 정상영, 조현국, 신만용. 2009. 위성영상자료 및 국가 산림자원조사 자료를 이용한 산림 바이오매스 추정, 대한원격탐사학회지 25(4):311-320. 

  9. 장안진, 김형태. 2008. 항공사진과 Lidar 데이터를 이용한 산림지역의 바이오매스 추정에 관한 연구. 한국지리정보학회지 11(3):166-173. 

  10. 정상영, 임종수, 조현국, 정진현, 김성호, 신만용. 2009. 산림 바이오매스 변환표와 위성영상을 이용한 무주군의 산림 바이오매스추정. 한국임학회지 98(4):409-417. 

  11. 최종근. 2007. 지구통계학. 시그마프레스. 199쪽. 

  12. Ahmed, S., G. de Marsily. 1987. Comparison of geostatistical methods for estimating transmissivity using data on transmissivity and specific capacity. Water Resources Research 23(9):1717-1737. 

  13. Bailey, T.C. and A.C. Gatrell. 1996. Interactive Spatial Data Analysis. Prentice Hall, London, UK. 432pp. 

  14. Cressie, N. 1993. Statistics for Spatial Data. John Wiley & Sons, NY, USA. 416pp. 

  15. Goovaerts, P. 1997. Geostatistics for Natural Resources Evaluation(Applied Geostatistics). Oxford University Press, NY, USA. 496pp. 

  16. Hengl, T. 2009. A Practical Guide to Geostatistical Mapping(2nd). University of Amsterdam, Netherlands. 291pp. 

  17. Hengl, T., G. Heuvelink and A. Stein. 2004. A generic framework for spatial prediction of soil variables based on regression kriging. Geoderma, 122(1-2):75-93. 

  18. Hengl, T., G. Heuvelink and D. Rossiter. 2007. About regression-kriging: From equations to case studies. Computers & Geosciences 33:1301-1315. 

  19. Hosseini, S., S. Khajeddin and H. Azarnivand. 2004. Application of ETM+ data for estimating rangelands cover percentage. 20th ISPRS Congress Youth Forum. Istanbul, Turkey, July 12-23, 2004, pp.198-201. 

  20. Isaaks, E. and R. Srivastava. 1989. An Introduction to Applied Geostatistics. Oxford University Press, NY, USA. 542pp. 

  21. Lu, D. 2006. The potential and challenge of remote sensing based biomass estimation, International Journal of Remote Sensing 27:1297-1328. 

  22. 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. 

  23. Odeh, I., A. McBratney and D. Chittleborough. 1994. Spatial prediction of soil properties from landform attributes derived from a digital elevation model. Geoderma 63(3-4):197-214. 

  24. Odeh, I., A. McBratney and D. Chittleborough. 1995. Further results on prediction of soil properties from terrain attributes: heterotopic cokriging and regression-kriging. Geoderma 67(3 -4):215-226. 

  25. Rahman, M., E. Csaplivics. and B. Koch. 2008. Satellite estimation of forest carbon using regression model. International Journal of Remote Sensing 29(23):6917-6936. 

  26. Sales, M., C. Souza Jr, P. Kyriakidis, D. Roberts and E. Vidal. 2007. Improving spatial distribution estimation of forest biomass with geostatistics: a case study for Rondonia, Brazil. Ecological Modelling 205(1-2):221-230. 

  27. Sappington, J.M., K.M. Longshore and D.B. Thomson. 2007. Quantifiying landscape ruggedness for animal habitat anaysis: a case study using bighorn sheep in the Mojave desert, Journal of Wildlife Management 71(5):1419-1426. 

  28. Sorensen, R., U. Zinko and J. Seibert. 2006. On the calculation of the topographic wetness index: evaluation of different methods based on field observations. Hydrology and Earth System Sciences Discussions 10:101-112. 

  29. Webster, R. and M.A. Oliver. 2007. Geostatistics for Environmental Scientists, Statistics in Practice(2nd). John Wiley & Sons, Chichester, England. 330pp. 

저자의 다른 논문 :

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 보고서와 함께 이용한 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트