[국내논문]산림지역의 항공기 탑재 하이퍼스펙트럴 영상에 대한 식생-Endmember와 식생지수의 상관 분석 Correlation Analysis with Vegetation Indices and Vegetation-Endmembers From Airborne Hyperspectral Data in Forest Area원문보기
작물과 산림을 포함한 식생에 대한 순1차 생산(net primary production, NPP)와 총1차 생산(gross primary production, GPP)은 바이오매스와 식생의 탄소저장과 밀접한 관련이 있으며, 원격탐사를 이용해 바이오매스를 추정하는 많은 노력이 이루어지고 있다. 바이오매스는 광합성에 매우 중요한 요소인 클로로필(엽록소)의 총 함유량으로 추정할 수 있는데, 클로로필을 추정하기 위해서 다양한 식생지수들이 개발되었다. 식생지수들은 개발에 사용된 식생의 종류와 원격탐사 데이터에 따라 조금씩 차이를 가지고 있다. 하이퍼스펙트럴 영상은 다중분광 영상에 비하여 세분화된 각 파장대마다 물질에 따른 반사 및 흡수 특성이 다르기 때문에, 기존의 식생지수를 그대로 사용하기에 무리가 따른다. 본 연구는 항공기 탑재 하이퍼스펙트럴 영상을 이용하여 산림에 대한 바이오매스 추정을 위한 매개변수로 활용되는 적합한 식생지수는 무엇인지 평가하는 것을 목적으로 한다. 이를 위해 하이퍼스펙트럴 영상의 밴드 특성을 고려하여 다수의 식생지수 산출식 중 9개를 선정하고, SMA(spectral mixture analysis)를 통하여 대상지역의 산림을 대표하는 3개의 endmember를 추출하였다. 9개의 식생지수와 추출된 endmembers의 상관관계를 분석하였다. 상관분석 결과는 산림이 분포된 지역에서 Pearson 상관계수는 MTVI1과 TVI가 0.877의 상관계수를 가졌으며, 식생이 적고 토양의 분포가 확연한 지역에서는 MCARI가 0.9061로 매우 높은 상관계수를 보였다. 전반적으로 MTVI1과 TVI이 0.757의 동일한 상관계수를 가지며 식생에 대한 3개의 endmember를 가장 잘 설명하는 것으로 나타났다.
작물과 산림을 포함한 식생에 대한 순1차 생산(net primary production, NPP)와 총1차 생산(gross primary production, GPP)은 바이오매스와 식생의 탄소저장과 밀접한 관련이 있으며, 원격탐사를 이용해 바이오매스를 추정하는 많은 노력이 이루어지고 있다. 바이오매스는 광합성에 매우 중요한 요소인 클로로필(엽록소)의 총 함유량으로 추정할 수 있는데, 클로로필을 추정하기 위해서 다양한 식생지수들이 개발되었다. 식생지수들은 개발에 사용된 식생의 종류와 원격탐사 데이터에 따라 조금씩 차이를 가지고 있다. 하이퍼스펙트럴 영상은 다중분광 영상에 비하여 세분화된 각 파장대마다 물질에 따른 반사 및 흡수 특성이 다르기 때문에, 기존의 식생지수를 그대로 사용하기에 무리가 따른다. 본 연구는 항공기 탑재 하이퍼스펙트럴 영상을 이용하여 산림에 대한 바이오매스 추정을 위한 매개변수로 활용되는 적합한 식생지수는 무엇인지 평가하는 것을 목적으로 한다. 이를 위해 하이퍼스펙트럴 영상의 밴드 특성을 고려하여 다수의 식생지수 산출식 중 9개를 선정하고, SMA(spectral mixture analysis)를 통하여 대상지역의 산림을 대표하는 3개의 endmember를 추출하였다. 9개의 식생지수와 추출된 endmembers의 상관관계를 분석하였다. 상관분석 결과는 산림이 분포된 지역에서 Pearson 상관계수는 MTVI1과 TVI가 0.877의 상관계수를 가졌으며, 식생이 적고 토양의 분포가 확연한 지역에서는 MCARI가 0.9061로 매우 높은 상관계수를 보였다. 전반적으로 MTVI1과 TVI이 0.757의 동일한 상관계수를 가지며 식생에 대한 3개의 endmember를 가장 잘 설명하는 것으로 나타났다.
The net biomass accumulation (or net primary production, NPP) and gross primary production (GPP) have closely related with carbon accumulations(or carbon exchange) in vegetation. There are many approaches to estimate biomass using remote sensing techniques. The vegetation indices (VIs) can be a meth...
The net biomass accumulation (or net primary production, NPP) and gross primary production (GPP) have closely related with carbon accumulations(or carbon exchange) in vegetation. There are many approaches to estimate biomass using remote sensing techniques. The vegetation indices (VIs) can be a methodology to estimate biomass which assumes total chlorophyll contents. Various VIs were characterized with difference development conditions as vegetation species, input datasets. The hyperspectral data have also different spatial/spectral resolutions for aerial surveying. Additionally they need particular spectral bands selection difficulty to calculate the VIs. The objective of this study is to evaluate the correlations with airborne hyperspectral data (compact airborne spectrographic imager, CASI) and spectral unmixing model (or spectral mixture analysis, SMA) to characterize vegetation indices in forest area. The spectral mixture analysis was used to model the spectral purity of each pixel as an endmember. The endmembers are the fraction components derived from hyperspectral data through the SMA. In this study, we choose three endmembers represented vegetation pixels in the hyperspectral data. These endmembers were compared with 9 VIs by the Pearson's correlation coefficient. The results show MTVI1 and TVI have same correlation coefficient with 0.877. The MCARI, especially has very high relationship with vegetation endmembers as 0.9061 at less vegetation and soil distributed site. The MTVI1 and TVI have high correlations with the vegetation endmembers as 0.757 in whole test sites.
The net biomass accumulation (or net primary production, NPP) and gross primary production (GPP) have closely related with carbon accumulations(or carbon exchange) in vegetation. There are many approaches to estimate biomass using remote sensing techniques. The vegetation indices (VIs) can be a methodology to estimate biomass which assumes total chlorophyll contents. Various VIs were characterized with difference development conditions as vegetation species, input datasets. The hyperspectral data have also different spatial/spectral resolutions for aerial surveying. Additionally they need particular spectral bands selection difficulty to calculate the VIs. The objective of this study is to evaluate the correlations with airborne hyperspectral data (compact airborne spectrographic imager, CASI) and spectral unmixing model (or spectral mixture analysis, SMA) to characterize vegetation indices in forest area. The spectral mixture analysis was used to model the spectral purity of each pixel as an endmember. The endmembers are the fraction components derived from hyperspectral data through the SMA. In this study, we choose three endmembers represented vegetation pixels in the hyperspectral data. These endmembers were compared with 9 VIs by the Pearson's correlation coefficient. The results show MTVI1 and TVI have same correlation coefficient with 0.877. The MCARI, especially has very high relationship with vegetation endmembers as 0.9061 at less vegetation and soil distributed site. The MTVI1 and TVI have high correlations with the vegetation endmembers as 0.757 in whole test sites.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 항공기탑재 하이퍼스펙트럴 영상은 촬영목적과 방법에 따라, 공간/분광해상도를 조절하기 때문에, 기존의 다양한 식생지수들 중에서 적절한 식생지수를 선택하기가 어렵다. 본 연구에서는 항공기 탑재 하이퍼스펙트럴 영상으로 적합한 식생지수를 판단하기 위해 문헌에서 제시된 28개의 식생지수들에 대해서 사전테스트를 통하여 9개의 식생지수를 선택하였다. 식생지수의 검증자료로는 SMA 분석을 통해 선택된 endmember 중 식생을 대표하는 3개의 endmember를 기준으로 각 식생지수와의 상관관계를 분석하였다.
제안 방법
영상 전반에 걸친 양반성반사분포(bidirectional reflectance distribution, BRD)의 효과는 제거하지 않았으나, 항공기 탑재체의 특성상 낮은 고도와 다소 기복이 심한 비행환경으로 인한 태양광에 의한 반사도가 주변의 픽셀에 비해 급격하게 높은 값을 가지는 픽셀이 존재할 가능성이 높아 Anomaly 탐지를 통해 상대적으로 매우 높은 이상치 값을 먼저 제거하였다. ENVI의 anomaly 탐지 모듈을 이용하여, RXD(reed-xiaoli detector)와 UTD(uniform target detector)를 함께 적용한 하이브리드 방법을 통해 331,731개 픽셀 중 1,649개(0.005%)의 이상치 픽셀을 탐지하였다. 이상치의 영향은 영상 아래쪽 건물지붕에서 강하게 발생하였고, 식생의 일부 픽셀에서 발견되었다.
SMA로부터 얻은 식생에 대한 endmember 를 검증자료로 활용하여 기존에 제시된 식생지수들과의 상관관계를 비교하였다. 성격이다른 식생지수들의 고유 특성을 반영하도록 별도의 정규화는 실시하지 않았다.
수종의 특성이 잘 나타나는 시점인 2010년 10월 26일 오전 12시 18분에 고도 약 2km에서 스캔이 이루어졌다. 기하보정과 방사, 대기보정의 전처리를 수행하였다. 영상 전반에 걸친 양반성반사분포(bidirectional reflectance distribution, BRD)의 효과는 제거하지 않았으나, 항공기 탑재체의 특성상 낮은 고도와 다소 기복이 심한 비행환경으로 인한 태양광에 의한 반사도가 주변의 픽셀에 비해 급격하게 높은 값을 가지는 픽셀이 존재할 가능성이 높아 Anomaly 탐지를 통해 상대적으로 매우 높은 이상치 값을 먼저 제거하였다.
대상지역의 하이퍼스펙트럴 영상의 96개 밴드 중 71%의 공간적 상관성을 가지는 9개의 데이터 차원으로 MNF 변환을 실시하였다. 그림 4의 다차원 산포도에서 기하학적으로 극값을 가지는 10개의 endmember를 얻을 수있었다.
다음으로, 계산된 식생지수는 식생 캐노피 정보뿐만 아니라 지표면(토양)의 반사정보가 혼합되어 있기 때문에(Elvidge and Chen 1995), SMA(Spectral Mixture Analysis) 분석을 통하여 픽셀을 설명하는 10개의 endmember를 결정한다. 마지막으로, endmember가 가지고 있는 분광 점유비율을 식생지수의 판단기준으로 설정하여 식생지수들의 상대적 정확성과 불확실성을 평가하였다(그림 2).
산출된 식생지수의 분포와 식생을 설명하는 3개의 endmember를 평균하여 상관관계를 비교하였다. 먼저 영상 전체에 대해서 오차행렬을 통해 전체정확도를 계산하였다. 오차행렬을 구하기 위해서 endmember와 식생지수의 히스토그램이 정규분포의 형태를 취하고 있어, 영상 전체에 대해 최소값(min), 최대값(max), 평균(μ)과 표준편차(σ)를 이용하였다.
사전 테스트를 통하여 기초통계 정보와 시각적 판독 결과가 양호한 9개의 식생지수들(MTV1(Modified Triangular Vegetation Index 1), RDVI(Renormalized Differene Vegetation Index), MCARI1(Modified Chlorophyll Absorption in Reflectance Index 1), SAVI(Soil Adjusted Vegetation Index), OSAVI(Optimized Soil-Adjusted Vegetation Index), MCARI(Modified Chlorophyll Absorption in Reflectance Index), TVI(Triangular Vegetation Index), Zarco-Tejada & Miller, Gitelson and Merzlyak)를 선별하였다(그림 3).
표 1의 식생지수 계산식에서 나타나있듯 정규화되거나 비율 계산이 되거나, 매개변수를 더하고 곱하는 과정을 거치기 때문이다. 산출된 식생지수의 분포와 식생을 설명하는 3개의 endmember를 평균하여 상관관계를 비교하였다. 먼저 영상 전체에 대해서 오차행렬을 통해 전체정확도를 계산하였다.
본 연구에서는 항공기 탑재 하이퍼스펙트럴 영상으로 적합한 식생지수를 판단하기 위해 문헌에서 제시된 28개의 식생지수들에 대해서 사전테스트를 통하여 9개의 식생지수를 선택하였다. 식생지수의 검증자료로는 SMA 분석을 통해 선택된 endmember 중 식생을 대표하는 3개의 endmember를 기준으로 각 식생지수와의 상관관계를 분석하였다. 오차행렬을 통한 중첩분석 결과는 평균(표 4의 분류‘4’)에서부터 식생점유비율이 높아 지는 분류‘8’에서 식생지수들과의 중첩율이 높았음을 알 수 있었다.
연구 방법으로 우선, 광릉수목원 지역 일부를 촬영한 항공기탑재 하이퍼스펙트럴 영상(푸쉬브롬의 라인스캔 형태를 가지는 CASI-1500 모델)으로 식생지수들을 산출한다. 기하보정은‘영상 대 지도’방법으로 대상지역의 수치지형도를 이용하였으며, 대기보정은 ENVI 상용 프로그램에서 제공되는 MODTRAN 알고리즘을 기반의 FLAASH 모듈을 이용하였다(ENVI, 2009).
기하보정과 방사, 대기보정의 전처리를 수행하였다. 영상 전반에 걸친 양반성반사분포(bidirectional reflectance distribution, BRD)의 효과는 제거하지 않았으나, 항공기 탑재체의 특성상 낮은 고도와 다소 기복이 심한 비행환경으로 인한 태양광에 의한 반사도가 주변의 픽셀에 비해 급격하게 높은 값을 가지는 픽셀이 존재할 가능성이 높아 Anomaly 탐지를 통해 상대적으로 매우 높은 이상치 값을 먼저 제거하였다. ENVI의 anomaly 탐지 모듈을 이용하여, RXD(reed-xiaoli detector)와 UTD(uniform target detector)를 함께 적용한 하이브리드 방법을 통해 331,731개 픽셀 중 1,649개(0.
(2004a)에 제시된 식생지수들 중 사전 테스트를 통하여 일부만 선택하였다(표 1). 항공기 탑재 하이퍼스펙트럴 영상으로 기존의 식생지수를 평가하기 위해서 산출식에서 제시된 파장영역을 최대한 유지하는 것이 적절하다고 판단되어 가장 근사밴드를 선택하여 식생지수를 산출하였다. 근사하는 파장대역의 범위오차는 적게는 0.
대상 데이터
본 연구에서 사용된 식생지수들은 Zarco-Tejada et al.(2004a, 2004b)에서 사용된 식생지수들을 대상으로 하였다. 이들은 다중분광과 하이퍼스펙트럴 영상을 사용하여 기존의 식생지수 산출식에 적용하였다.
대상지역이 식생분포가 좋은 산림지역이기 때문에, endmember를 기준으로 식생의 점유 비율이 높은 지역(site A1, A2, A3)과 건물이 포함된 비식생지역(site B1, B2)을 검증지역으로 선택하였다(그림 7). 선정 기준은 그림 5의 분광반사특성을 고려하고, 정규분포의 형태를 취하는 endmember의 점유비율 히스토그램에서 평균을 기준으로 양의 표준편차 2배(μ+2σ)에서 임계값으로 설정함으로써 점유비율이 높은 지역으로 선정하였다.
본 연구에서 사용된 데이터는 광릉수목원 지역 일부로(369×899 픽셀) 1.25m의 공간해상도와 96개 밴드(365.2~1044.5nm, ±3nm)를 가진 항공기 탑재 하이퍼스펙트럴 영상이다(그림 1).
5nm, ±3nm)를 가진 항공기 탑재 하이퍼스펙트럴 영상이다(그림 1). 수종의 특성이 잘 나타나는 시점인 2010년 10월 26일 오전 12시 18분에 고도 약 2km에서 스캔이 이루어졌다. 기하보정과 방사, 대기보정의 전처리를 수행하였다.
그림 4의 다차원 산포도에서 기하학적으로 극값을 가지는 10개의 endmember를 얻을 수있었다. 이들 중 식생의 분광특성과 유사한 7개의 endmember 중, 오차가 적고 점유비율이 높은 3개의 endmember(#3, #4, #9)를 최종적으로 선택하였다(그림 5). 표 3은 9개의 endmember 들이 대상지역의 하이퍼스펙트럴 영상에 대해 픽셀별로 점유하는 비율 (abundance)에 대한 기초통계정보이다.
하이퍼스펙트럴 영상은 좁고 많은 밴드 특성을 가지며 약 40개에서 200개의 채널정보가 포함된다. 기존의 VIS-Red, NIR과 같이 중저해상도에서 사용되는 분광밴드의 포괄적 범위(Holmgren and Thuresson, 1998)가 아닌 세밀한 분광정보를 이용할 수 있게 되었다.
데이터처리
붉은 색 추세선은 결과값의 범위 차이가 크기 때문에 endmember와 식생지수가 상호적으로 미치는 영향력을 판단하는 경계로서의 의미를 가진다. 상관관계는 비율척도의 판단기준으로 사용되는 Pearson 상관계수로 분석하였다. 표 5는 상관분석 결과를 나타낸 표이다.
오차행렬을 구하기 위해서 endmember와 식생지수의 히스토그램이 정규분포의 형태를 취하고 있어, 영상 전체에 대해 최소값(min), 최대값(max), 평균(μ)과 표준편차(σ)를 이용하였다.
또한 분석하고자하는 지표대상물에 다른 endmember의 간섭으로 하나 이상의 endmember가 포함되었을 경우, 혹은 하나 이상의 endmember가 손실되었을 가능성도 있다. 이를 검정하기 위해서 RMSE(Root mean square error)를 계산함으로써 대상지역의 영상을 대표하는 endmember의 점유비율의 정확도를 판단할 수 있다. RMSE는 endmember #3, #4, #9에서 각각 1.
이론/모형
기하보정은‘영상 대 지도’방법으로 대상지역의 수치지형도를 이용하였으며, 대기보정은 ENVI 상용 프로그램에서 제공되는 MODTRAN 알고리즘을 기반의 FLAASH 모듈을 이용하였다(ENVI, 2009).
이러한 픽셀정보를 fractal 차원으로 나뉘어 픽셀을 설명하는 요소인 endmember의 점유비율을 분석하는 것이 분광혼합분석(spectral mixture analysis, SMA)이다(김광은, 2011). 본 연구에서는 endmember를 선정하는 방법으로 이지민과 이규성(2003)이 적용한 픽셀 값을 다차원- 산포도(dimensional scatter plot)로 변환시켜 기하학적 단위지표물 선정방법(geometric endmember selection method)을 적용하였다. 이 방법은 영상은 데이터를 다차원 공간으로 MNF(minimum noise fraction) 변환하여 순수한 식물과 토양에 해당하는 픽셀 값은 산포도의 양끝에 분포하게 되고, 식물과 토양이 혼합된 화소의 밝기값은 점유비율에 따라 산포도 중간에 위치하게 되는 것을 이용하는 것이다.
성능/효과
표의 가로축은 endmember의 분류이고세로축은 각 식생지수의 분류이다. MCARI1와 MTVI가 약 60%의 전체정확도를 가졌고, TVI, MCARI, RDVI가 50%이상의 중첩정확도를 보였다.
정규분포를 보이는 히스토그램에 따른 임의의 분류이기 때문에 전체정확도는 다소 낮은 것으로 판단된다. Pearson 상관계수로 분석된 식생점유비율을 나타내는 endmember와 식생의 많고 적음을 나타내는 식생지수의 상관관계는 TVI, MCARI가 가장 높았고 MCARI1, MTVI1도 부분적으로 매우 높은 상관성을 보이고 있었다. 따라서 하이퍼스펙트럴 영상에서 적용할 수 있는 적합한 기존의 식생지수로 TVI, MCARI 를 선정할 수 있었다.
SMA를 통해 선택된 3개의 endmember는 식생을 대표하는 공통된 분광특성을 가지고 있지만 미묘한 차이를 보였다. 임상도를 통해 침엽수, 활엽수, 낙엽수로 예상되는 endmember에 대해 반사/분광 특성에 대한 정밀한 현장관측 정보가 수집된다면, 식생지수를 통해 수종의 분류를 기대할 수 있을 것으로 사료된다.
따라서 분석과정에서 신뢰성을 확보하기 위하여(영상을 설명하는 endmember의 수가 10개가 적절한지 확인하기 위하여) 각 64%, 61%, 55%의 공간적 상관성이 가지도록 MNF 변환을 반복하여 실시하여 11개, 12개, 13개의 endmember를 얻을 수 있었다. 그러나 점유비율 통계의 최소 값에서 모두 음수가 나타났고, 연구의 대상인식생과 유사한 분광특성을 보이는 추가적인 endmember는 발견되지 않았으며, 일부 건물 지붕과 그림자를 대표하는 잡음이 더해진 것을 알 수 있었다.
영상을 대표하는 endmember의 수는 대상지역에 따라 그 수가 정해질 수 있으며, 공간적 상관성을 높지 않는 고유값으로 선택된 endmember는 잡음에 대한 대표성을 가지는 endmember일 가능성이 높다. 따라서 분석과정에서 신뢰성을 확보하기 위하여(영상을 설명하는 endmember의 수가 10개가 적절한지 확인하기 위하여) 각 64%, 61%, 55%의 공간적 상관성이 가지도록 MNF 변환을 반복하여 실시하여 11개, 12개, 13개의 endmember를 얻을 수 있었다. 그러나 점유비율 통계의 최소 값에서 모두 음수가 나타났고, 연구의 대상인식생과 유사한 분광특성을 보이는 추가적인 endmember는 발견되지 않았으며, 일부 건물 지붕과 그림자를 대표하는 잡음이 더해진 것을 알 수 있었다.
Pearson 상관계수로 분석된 식생점유비율을 나타내는 endmember와 식생의 많고 적음을 나타내는 식생지수의 상관관계는 TVI, MCARI가 가장 높았고 MCARI1, MTVI1도 부분적으로 매우 높은 상관성을 보이고 있었다. 따라서 하이퍼스펙트럴 영상에서 적용할 수 있는 적합한 기존의 식생지수로 TVI, MCARI 를 선정할 수 있었다.
004로 endmember와 상관성이 거의 없는 독립적인 관계를 나타냈다. 모든 검증지역을 합한 pearson 상관계수 MCARI과 TVI가 0.757로 동일하였고 MCARI1, MTVI, OSAVI, SAVI, RDVI 순서로 나타났다. MCARI와 TVI가 식생 endmember와 상관성이 가장 높았다(그림 9).
식생분포가 많은 검증지역에서 MTVI1과 TVI가 0.8770의 같은 상관계수로 A3에서 가장 높았고, 비식생 분포가 많은 검증지역에서는 MCARI의 상관계수가 0.9061로 B1에서 가장 높게 나타났다. 식생이 적고 토양의 분포가 많은 B1지역에서 상관관계가 전반적으로 높게 나타났고, 건물이 있는 B2에서는 신뢰구간을 벗어나는 결과가 나타나는 등 상관관계가 매우 낮았다.
섬세한 분광밴드를 가지는 하이퍼스펙트럴 영상을 이용함으로써, 대상지역의 픽셀을 endmember의 점유비율로 설명할 수 있다. 식생을 대표하는 endmember와 각 식생지수들과의 상관관계를 분석함으로써, 산림의 바이오매스 추정을 위한 매개변수로써의 적합한 식생지수를 결정할 수 있었다.
식생이 적고 토양의 분포가 많은 B1지역에서 상관관계가 전반적으로 높게 나타났고, 건물이 있는 B2에서는 신뢰구간을 벗어나는 결과가 나타나는 등 상관관계가 매우 낮았다. 식생의 분포가 많은 A1, A2, A3에서는 MCARI1과 MTVI가 매우 높은 상관성을 보이고 있었으며, OSAVI와 SAVI는 0.5이하의 낮은 상관관계로 나타났다. A2 지역에서 RDVI의 공분산은 0.
9061로 B1에서 가장 높게 나타났다. 식생이 적고 토양의 분포가 많은 B1지역에서 상관관계가 전반적으로 높게 나타났고, 건물이 있는 B2에서는 신뢰구간을 벗어나는 결과가 나타나는 등 상관관계가 매우 낮았다. 식생의 분포가 많은 A1, A2, A3에서는 MCARI1과 MTVI가 매우 높은 상관성을 보이고 있었으며, OSAVI와 SAVI는 0.
오차행렬을 통한 중첩분석 결과는 평균(표 4의 분류‘4’)에서부터 식생점유비율이 높아 지는 분류‘8’에서 식생지수들과의 중첩율이 높았음을 알 수 있었다.
후속연구
기존의 식생지수 산출식에 가장 근접한 파장대를 선택하였기 때문에 밴드의 특성이 고려된 연구를 통하여 합리적이고 과학적인 식생지수의 결정 방법이 필요할 것으로 판단된다. 식생지수는 VIS-red와 Red-edge 부근의 반사특성에 초점을 두거나, 토양흡수와 토양반사를 고려하는 등 상이한 방법론이 적용되어 계산되기 때문에 식생지수들의 정확한 특성 파악이 필요하다.
향후에는 다양한 영상 분할, 분류기법과 식생지수를 이용함으로써 산림을 구성하는 수종, 수관 등의 임황정보에 캐노피-구조적 접근이 가능할 것으로 사료된다. 다양한 식생모델과 식재모델에 응용된다면 클로로필 정보와 잎면 적지수(LAI) 등의 파생지수를 통해 정밀한 탄소저장량, 바이오매스 추정에 활용할 수 있을 것으로 기대할 수 있을 것으로 기대된다.
그림 9의 검증지역별 식생지수의 상관계수에서 볼 수 있듯이, 식생이 아닌 지역 중 토양의 분포가 확연한 Site B1에 대해서 대부분의 식생지수가 일관성을 가지고 있는 반면, SAVI나 OSAVI와 같은 토양-식생을 함께 고려한 식생지수는 식생이 왕성한 지역(Site A1, A2, A3)을 잘 반영하지 못한다는 단점을 보였다. 이번 연구를 통하여 식생지수의 사용에 앞서 용도와 목적에 적절한 사용의 필요성을 확인할 수 있었으며, 항공기 탑재 하이퍼스펙트럴 영상에 적합한 식생지수 개발의 필요성을 확인할 수 있었다. 특히 다중분광 영상에서 사용되는 NDVI와 같은 대표적인 식생지수의 개발이 필요하다.
특히 다중분광 영상에서 사용되는 NDVI와 같은 대표적인 식생지수의 개발이 필요하다. 향후에는 다양한 영상 분할, 분류기법과 식생지수를 이용함으로써 산림을 구성하는 수종, 수관 등의 임황정보에 캐노피-구조적 접근이 가능할 것으로 사료된다. 다양한 식생모델과 식재모델에 응용된다면 클로로필 정보와 잎면 적지수(LAI) 등의 파생지수를 통해 정밀한 탄소저장량, 바이오매스 추정에 활용할 수 있을 것으로 기대할 수 있을 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
식생의 스트레스와 성장에 관한 지표로 사용되고 있는 것은?
원격탐사 자료를 이용하여 순1차 생산(net primary production, NPP)와 총1차 생산(gross primary production, GPP)과 같은 식생의 생물리적 변수들을 추출하고 분류하기기 위해서 비교적 정확한 식생지수 획득이 요구되는데, 일반적으로 식생 활력도를 측정하는 방법으로는 식생지수를 이용하여 식물의 특성을 파악하는 기법이 가장 많이 사용되고 있다(조윤원 등, 2009). 잎 클로로필a 와 클로로필b, 그리고 잎면적지수(LAI; leaf area index)는 식생의 스트레스와 성장에 관한 지표로 사용되고 있다(Zarco-Tejada et al., 2004a).
기존 방식과 비교했을 때, 하이퍼스펙트럴 영상을 통해 얻을 수 있게 된 정보는?
하이퍼스펙트럴 영상은 좁고 많은 밴드 특성을 가지며 약 40개에서 200개의 채널정보가 포함된다. 기존의 VIS-Red, NIR과 같이 중저해상도에서 사용되는 분광밴드의 포괄적 범위(Holmgren and Thuresson, 1998)가 아닌 세밀한 분광정보를 이용할 수 있게 되었다. 하이퍼스펙트럴 영상을 이용해 산출할 수 있는 다양한 식생지수들은 외국의 상이한 식생 환경에서 개발된 지표들이기 때문에, 종이다른 국내의 산림이나 식생의 바이오매스를 추정하기 위해서 적용하기 이전에 충분한 검토가 필요하다.
식생지수란 무엇인가?
식생지수는 지표를 포함하여 지표에서 수직적으로 분포한 하층부 식생에서 상층부 식생까지 표현되는 캐노피 정보, 즉 원격탐사 데이터가 식생을 포함하는 양으로 지표화한 값을 의미한다. 원격탐사에 의해 산출되고 추정 되는 식생지수는 열린 캐노피에 대해서 지표와 하층부 식생의 정보를 반영할 수 있지만 닫힌 캐노피에 대해서는 상층부 캐노피 정보만이 표출된다.
참고문헌 (20)
김경민, 이정민, 김은숙, 박현주, 노영희, 이승호, 박기호, 신휴석. 2011. 원격탐사와 GIS 기반의 산림탄소저장량 추정에 관한 주요국 연구동향 개관. 한국지리정보학회지 14(3):236-256.
조윤원, 김성재, 조명희. 2009. 임상 분류 정확도 향상을 위한 영상 알고리즘 변별력 실증연구. 한국지형공간정보학회지 17(2):55-60.
Cho, M.A., I. Sobhan, A.K. Skidmoreb and J. de Leeuwb. 2008. Discriminating species using hyperspectral indices at leaf and, canopy scales. The International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences Vol. XXXVII. Part B7:369-376.
De Jung, S.M., E.J. Pebesma and B. Lacaze. 2003, Above-ground biomass assessment of mediterranean forests using airbone imaging spectrometry : the DAIS peyne experiment. International Journal of Remote Sensing 24:1505-1520.
ENVI. 2009. Atmospheric Correction Module: QUAC and FLAASH User's Guid. ITT Visual Information Solution, 20AC47DOC. pp.10-11.
Gong, P., R. Pu, G.S. Biging and M.R. Larrieu. 2003. Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing 41(6):1355-1362.
Im, J.H., J.R. Jensen, M. Coleman and E. Nelson. 2009. Hyperspectral remote sensing analysis of short rotation woody crops grown with controlled nutrient and irrigation treatments. Geocarto International 24(4):293-312.
Myneni, R.B., F.G. Hall, P.J. Sellers and A.L. Marshek. 1995. The interpretation of spectral vegetaion indexes. IEEE Transactions on Geoscience and Remote Sensing 33(2):481-486.
Schlerf, M., C. Atzberger and J. Hill. 2005. Remote sensing of forest biophysical variables using HyMap imaging spectrometer data. Remote Sensing of Environment 95:177-194.
Sritakae, A. 2006. Predictive relations of forest stand parameters from hyperspectral remote sensing at Thetford Forest, the UK. Master Thesis, International Institute for Geo-information Science and Earth Observation, Netherlands. 85pp.
Zarco-Tejada, P.J., A. Berjon, and J.R. Miller. 2004a. Stress detection in crops with hyperspectral remote sensing and physical simulation models. Airborne Imaging Spectroscopy Workshop, 8 October 2004 - Bruges, Belgium.
Zarco-Tejada, P.J., J.R. Miller, A. Morales, A. Berjon and J. Aguera. 2004b. Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops. Remote Sensing of Environment 90:463-476.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.