본 연구에서는 산림 바이오매스와 식생지수의 상관성을 분석하기 위해 현장조사 자료, 위성영상과 LiDAR 자료를 이용하여 산정된 산림 바이오매스 분포도를 기준으로 고해상도 KOMPSAT-2 영상과 LANDSAT 영상을 이용하여 식생지수인 SR, NDVI, SAVI, LAI를 계산한 값과 비교하였다. 분석결과, 고해상도 KOMPSAT-2 영상의 식생지수가 LANDSAT 영상의 식생지수보다 침엽수의 상관성이 더 높게 나타났으며 활엽수의 경우는 LANDSAT 영상의 식생지수가 높은 상관성을 보였다. 식생지수 중에는 NDVI 값이 다른 지수에 비해 상관성이 높게 나타났다. 또한 STSAT-3 위성의 소형영상분광기(Compact Imaging Spectrometer, COMIS)와 유사 센서인 EO-1 위성의 Hyperion 영상을 이용하여 하이퍼스펙트럴 영상을 분석하고 바이오매스와 상관성이 상대적으로 높은 식생지수를 동일한 GSD 조건의 LANDSAT 위성의 식생지수와 비교하고 하이퍼스펙트럴 영상의 임상 추출에 대한 활용가능성을 분석하였다.
본 연구에서는 산림 바이오매스와 식생지수의 상관성을 분석하기 위해 현장조사 자료, 위성영상과 LiDAR 자료를 이용하여 산정된 산림 바이오매스 분포도를 기준으로 고해상도 KOMPSAT-2 영상과 LANDSAT 영상을 이용하여 식생지수인 SR, NDVI, SAVI, LAI를 계산한 값과 비교하였다. 분석결과, 고해상도 KOMPSAT-2 영상의 식생지수가 LANDSAT 영상의 식생지수보다 침엽수의 상관성이 더 높게 나타났으며 활엽수의 경우는 LANDSAT 영상의 식생지수가 높은 상관성을 보였다. 식생지수 중에는 NDVI 값이 다른 지수에 비해 상관성이 높게 나타났다. 또한 STSAT-3 위성의 소형영상분광기(Compact Imaging Spectrometer, COMIS)와 유사 센서인 EO-1 위성의 Hyperion 영상을 이용하여 하이퍼스펙트럴 영상을 분석하고 바이오매스와 상관성이 상대적으로 높은 식생지수를 동일한 GSD 조건의 LANDSAT 위성의 식생지수와 비교하고 하이퍼스펙트럴 영상의 임상 추출에 대한 활용가능성을 분석하였다.
This study calculated vegetation indexes such as SR, NDVI, SAVI, and LAI to figure out correlations regarding vegetation by using high resolution KOMPSAT-2 images and LANDSAT images based on the forest biomass distribution map that utilized field survey data, satellite images and LiDAR data and then...
This study calculated vegetation indexes such as SR, NDVI, SAVI, and LAI to figure out correlations regarding vegetation by using high resolution KOMPSAT-2 images and LANDSAT images based on the forest biomass distribution map that utilized field survey data, satellite images and LiDAR data and then analyzed correlations between their values and forest biomass. The analysis results reveal that the vegetation indexes of high resolution KOMPSAT-2 images had higher correlations than those of LANDSAT images and that NDVI recorded high correlations among the vegetation indexes. In addition, the study analyzed the characteristics of hyperspectral images by using the COMIS of STSAT-3 and Hyperion images of a similar sensor, EO-1, and further the usability of biomass estimation in hyperspectral images by comparing vegetation index, which had relatively high correlations with biomass, with the vegetation indexes of LANDSAT with the same GSD conditions.
This study calculated vegetation indexes such as SR, NDVI, SAVI, and LAI to figure out correlations regarding vegetation by using high resolution KOMPSAT-2 images and LANDSAT images based on the forest biomass distribution map that utilized field survey data, satellite images and LiDAR data and then analyzed correlations between their values and forest biomass. The analysis results reveal that the vegetation indexes of high resolution KOMPSAT-2 images had higher correlations than those of LANDSAT images and that NDVI recorded high correlations among the vegetation indexes. In addition, the study analyzed the characteristics of hyperspectral images by using the COMIS of STSAT-3 and Hyperion images of a similar sensor, EO-1, and further the usability of biomass estimation in hyperspectral images by comparing vegetation index, which had relatively high correlations with biomass, with the vegetation indexes of LANDSAT with the same GSD conditions.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
Hyperion 영상과 바이오매스의 상관성을 산정하기 위해서 동일 지역에 대한 영상이 필요하지만 영상의 제약으로 대상지역을 홍천 일부지역으로 변경하고 LANDSAT 영상도 2003년 4월 영상의 식생지수와 Hyperion 영상의 식생지수를 구하여 상관성을 분석하고 이를 통하여 바이오매스를 구하기 위한 방법론을 제시하고자 하였다.
본 연구에서는 현장조사 방법과 LiDAR 자료 등에 의해 산정된 산림 바이오매스를 기준으로 고해상도 위성영상과 COMIS 유사영상인 LANDSAT 영상의 식생지수를 산정하여 상관성을 분석하고자 하였으며 산출된 회귀방정식을 이용하여 산림 바이오매스를 구하고 미계측 대상지역에 대한 확장성을 분석하고자 하였다. 또한 LANDSAT 영상과 EO-1 영상 들을 이용하여 분광 특성 및 식생 지수를 고려하여 임상을 분류하고 중 해상도 하이퍼스펙트럴 영상의 활용성을 실험하고자 하였다.
본 연구에서는 현장조사 방법과 LiDAR 자료 등에 의해 산정된 산림 바이오매스를 기준으로 고해상도 위성영상과 COMIS 유사영상인 LANDSAT 영상의 식생지수를 산정하여 상관성을 분석하고자 하였으며 산출된 회귀방정식을 이용하여 산림 바이오매스를 구하고 미계측 대상지역에 대한 확장성을 분석하고자 하였다. 또한 LANDSAT 영상과 EO-1 영상 들을 이용하여 분광 특성 및 식생 지수를 고려하여 임상을 분류하고 중 해상도 하이퍼스펙트럴 영상의 활용성을 실험하고자 하였다.
본 연구에서는 Hyperion의 영상의 밴드수가 242밴드로 많고 밴드폭도 10nm로 협소하므로 식생지수 분석에 필요한 밴드의 선정이 필요하다. 식생지수 분석에는 근적외선 밴드와 적색 밴드가 사용되므로 유사한 밴드를 선정하고자 하였다.
식생지수의 상관성 분석을 위해서는 산림지역을 추출하여 침엽수림, 활엽수림, 침활혼효림으로 임상별로 분류하고 이를 대상으로 각각 산림 바이오매스와 식생지수를 회귀분석을 통하여 직접 비교하였다. 임상별 식생지수의 회귀모델의 결과를 이용하여 대상지역을 확장하여 지방자치단체 단위의 산림 바이오매스 분포도를 제작하고자 하였다.
제안 방법
Fig. 2는 연구대상지역과 6개 현장조사 지점을 나타낸 것으로 침엽수림, 활엽수림, 침활혼효림에 대해 선행 연구의 결과로 산정된 산림 바이오매스를 영상의 식생지수와 상관성 분석을 수행하였다.
KOMPSAT-2 영상의 식생지수와 바이오매스의 상관성 분석을 위해서 대상지역을 침엽수림, 활엽수림, 침활혼효림으로 구분하였으며 현장조사 자료의 바이오매스 산정 값을 기준으로 하였다. 대상지역의 바이오매스 값을 기준으로 KOMPSAT-2 영상의 식생지수 NDVI, SAVI, SR, LAI 산출하여 비교한 결과는 Fig.
LANDSAT 영상의 식생지수와 바이오매스의 상관성 분석을 위해서 대상지역을 침엽수림, 활엽수림, 침활혼효림으로 구분하였으며 현장조사자료의 바이오매스 산정 값을 기준으로 사용하였다. 그러나 LANDSAT 영상의 공간해상도가 30m로 중해상도이기 때문에 주변지점에 대한 보간을 실시하고 대상지역의 바이오매스 값을 기준으로 식생지수 SR, NDVI, SAVI, LAI 산출하여 비교한 결과는 Fig.
대상지역의 수치지형도를 이용하여 기하보정을 실시하였으며 RMSE 오차는 0.5화소 이내가 되도록 GCP를 8개 선정하여 수행하였다.
또한 하이퍼스펙트럴 영상의 활용성을 분석하기 위해 식생지수 추출을 위한 적합한 밴드의 선정 및 임상 분류를 위한 실험을 수행하였다.
산림 바이오매스의 산정을 위한 실험은 선행 연구(Lee and Ru, 2012)를 통하여 현장조사 방법(여름과 가을에 흉고직경과 개체수 측정)과 LiDAR 자료에 의해 얻어진 소규모 지역의 바이오매스를 기준으로 고해상도 위성영상 KOMPSAT-2와 LANDSAT 5호 위성영상의 식생지수인 정규식생지수(Normalized Difference Vegetation Index: NDVI), 토양보정식생지수(Soil Adjusted Vegetation Index: SAVI), 단순비지수(Simple Ratio: SR), 엽면적 지수(Leaf Area Index: LAI)와의 상관성을 분석하였다.
식생지수와 바이오매스 상관성 분석을 위해서 각각의 임상별로 비교하였다. 침엽수림 지역에서는 SAVI와 NDVI에 대한 결정계수 R2이 바이오매스의 변화량 중 70%가 영향을 받고 있으며 이들 상관성이 상대적으로 높게 나타났으며, 활엽수림 지역에서는 식생지수가 비슷한 경향을 보이고 있다.
식생지수의 상관성 분석을 위해서는 산림지역을 추출하여 침엽수림, 활엽수림, 침활혼효림으로 임상별로 분류하고 이를 대상으로 각각 산림 바이오매스와 식생지수를 회귀분석을 통하여 직접 비교하였다. 임상별 식생지수의 회귀모델의 결과를 이용하여 대상지역을 확장하여 지방자치단체 단위의 산림 바이오매스 분포도를 제작하고자 하였다.
앞 절에서 산출된 식생지수와 바이오매스의 상관관계를 적용하기 위해서 LANDSAT 영상과 Hyperion 영상의 밴드를 비교하였으며, 적색밴드 영역은 밴드 28~34(630.3nm~691.4nm)를 선정하여 사용하였으며, 근적외선밴드는 밴드 41~54(762.6nm~894.9nm)까지로 정하여 분석을 수행하였다.
영상은 전처리과정에서 대기보정은 ENVI의 FLAASH를 사용하여 수행하였으며 기하보정은 GCP를 수치지형도와 고해상도 영상을 이용하여 선정하고 Affine 변환을 실시하여 RMSE 오차는 0.5화소 이내로 보정하였다.
21의 처리과정을 거쳐 이루어졌다. 임상분류를 위해서 우선 유효밴드를 선정하였다. Hyperion 영상의 band 1~band12까지는 영상 내 노이즈가 많기 때문에 제외하고 식생 및 산림과 관련성이 높은 가시/근적외 밴드 (13~54밴드) 41개 밴드, 적외/근적외 밴드(28~54밴드) 26개 밴드를 선정하였다.
참조 분광클래스(endmember) 선정은 영상 내에서 참조 분광클래스를 직접 선정하는 방법을 이용하였으며, 대상지역에 대해 침엽수, 활엽수, 그림자, 나지, 물 등으로 참조 분광클래스를 선정하였다. Fig.
하이퍼스펙트럴 영상을 제공할 예정인 STSAT-3의 COMIS 영상의 활용성을 실험하기 위해 유사 센서인 EO-1의 Hyperion 영상을 이용하여 식생지수 추출과 임상 분류 실험을 수행하였다.
현장조사 자료, 위성영상과 LiDAR 자료를 이용한 산림 바이오매스 분포도를 기준으로 고해상도 KOMPSAT-2 영상과 LANDSAT 영상을 이용하여 식생에 관한 상관성을 추출하기 위해 식생지수인 NDVI, SAVI, SR, LAI를 계산하고 이들 값과 산림 바이오매스와의 상관성을 분석하였다.
대상 데이터
임상분류를 위해서 우선 유효밴드를 선정하였다. Hyperion 영상의 band 1~band12까지는 영상 내 노이즈가 많기 때문에 제외하고 식생 및 산림과 관련성이 높은 가시/근적외 밴드 (13~54밴드) 41개 밴드, 적외/근적외 밴드(28~54밴드) 26개 밴드를 선정하였다.
KOMPSAT-2 영상은 2011년 5월 30일에 촬영된 GSD 4m의 다중분광 영상의 근적외선과 적색 밴드를 조합하여 현장조사 자료를 확보한 산림지역을 대상으로 식생지수를 산정하였다.
LANDSAT 영상은 2000년 5월 8일에 촬영되었으며 GSD 30m의 근적외밴드(band4), 적색 밴드(band3)을 이용하였다.
본 연구에서는 식생지수와 산림 바이오매스의 상관성을 분석하고 중해상도 영상을 이용한 임상분류를 수행하기 위해 고해상도 위성인 KOMPSAT-2 영상(2011년 5월 30일 영상)과 STSAT-3의 COMIS 영상과 GSD 30m의 유사영상인 LANDSAT 영상(2000년 5월 8일, 2003년 4월 15일 취득영상), EO-1의 Hyperion 영상(2004년 2월 29일 영상)을 이용하였다.
데이터처리
여기서 평가된 회귀식을 이용하여 대상지역 전체에 대한 산림 바이오매스 분포도를 생성하였으며 20개의 랜덤 포인트에 대해 LiDAR를 이용하여 산정된 산림바이오매스와 비교․평가하였다.
연구대상지역의 침엽수림, 활엽수림, 침활혼효림의 현장조사를 통하여 산정된 산림 바이오매스와 위성영상을 이용하여 계산된 식생지수인 NDVI, SAVI, SR, LAI를 각각 상관성 분석을 수행하기 위해 회귀분석을 수행하였다.
이론/모형
선정된 참조 분광클래스를 이용하여 참조데이터의 벡터와 각도에 의해 분광적인 유사성을 계산하는 SAM 방법과 신호처리기법과 선형분광혼합 화소분석기법을 혼합하여 선정된 참조 분광클래스의 스펙트라 양을 최대화하고 나머지는 최소화시키는 MTMF 방법을 적용하여 임상분류를 수행하였다.
임상 분류과정에서 밴드 압축은 MNF(minimum noise fraction) 변환을 사용하였다. 이 변환은 하이퍼 스펙트럴 영상의 여러 개의 밴드를 효율적으로 압축하고 노이즈를 감소시킨다.
성능/효과
LANDSAT 영상의 식생지수와 바이오매스 상관성은 침엽수림에서는 SAVI가 조금 작은 값으로 나타났으며, 활엽수림 지역에서는 KOMPSAT-2 영상의 식생지수보다 높은 상관성을 나타냈으며 SAVI와 NDVI가 상관성이 조금 높은 것으로 나타났다. 침활혼효림 지역의 경우는 KOMPSAT-2 영상의 식생지수와 마찬가지로 상관성이 낮은 것으로 나타났다.
0 지역을 강조하여 나타내었다. 가시/근 적외 밴드(Fig. 25)를 이용한 분류결과가 적외/근적외 밴드(Fig. 26)를 이용한 결과보다 파장 특성이 중복되는 영역이 발생하였고, 그림자 지역의 영향 등으로 활엽수 지역이 크게 감소하였으며 미분류 지역이 증가하였다(Table 2).
MTMF의 경우 MF score 영상과 infeasibility score 영상이 얻어지며 MF score 영상은 밝기값이 크게 나타나는 곳이 비율이 높은 곳이고 infeasibility score 영상은 밝기값이 작게 나타나는 곳이 정확도가 높은 결과를 나타낸다. 결과 영상을 생성하기 위해 참조 분광클래스의 값은 0.4~1.0 지역을 강조하여 나타내었다. 가시/근 적외 밴드(Fig.
대표적인 식생지수 NDVI에 대한 LANDSAT과 Hyperion 영상의 상관성 분석에서 적색밴드 32(670.1nm), 근적외선 밴드 47(823.7nm)의 상관성이 비교적 높게 나타났다. 본 연구의 결과에서는 하이퍼스펙트럴 영상의 NDVI 산정 시 적합한 밴드로 나타났지만, 계절적인 영향이나 대기조건 등이 서로 상이한 영상을 비교한 결과이므로 좀 더 다시기 영상에 대한 비교 연구가 필요할 것으로 판단된다.
둘째, 임상별 식생지수와 바이오매스의 상관성은 침엽수림이 활엽수림과 침활혼효림에 비해 높은 것으로 나타났으며, 이 결과의 상관식을 통하여 광역 단위의 바이오매스 분포도를 산정할 수 있었다.
12는 선행 연구에서 LiDAR로 산정한 산림 바이오매스의 값을 기준으로 식생지수를 이용하여 계산된 산림 바이오매스의 값을 20여개의 랜덤 포인트에 대해 비교 평가를 수행한 그래프이다. 산림 바이오매스의 평가에서 식생지수와의 상관성에서 침엽수는 상대적으로 높은데 비해 활엽수와 침활혼효림의 상관성이 낮은 것을 알 수 있었다.
셋째, 하이퍼스펙트럴 영상을 이용한 임상정보의 추출 시험에서는 선정된 참조 분광클래스에 대해 적외/근적외 밴드를 이용한 경우가 가시/근적외 밴드를 이용한 경우보다는 좋은 결과를 보인 것으로 나타났다. 분류 방법에 대한 비교연구에서는 SAM 방법이 MTMF 방법보다 좋은 결과를 나타내고 있었다.
첫째, 고해상도 KOMPSAT-2 영상의 식생지수가 LANDSAT 영상의 식생지수보다 상관성이 더 높게 나타났으며, 식생지수 중에는 NDVI 값이 침엽수와 활엽수에서 상관성이 좋게 나타났다.
LANDSAT 영상의 식생지수와 바이오매스 상관성은 침엽수림에서는 SAVI가 조금 작은 값으로 나타났으며, 활엽수림 지역에서는 KOMPSAT-2 영상의 식생지수보다 높은 상관성을 나타냈으며 SAVI와 NDVI가 상관성이 조금 높은 것으로 나타났다. 침활혼효림 지역의 경우는 KOMPSAT-2 영상의 식생지수와 마찬가지로 상관성이 낮은 것으로 나타났다.
후속연구
, 2007). 또한 과학기술위성 3호(STSAT-3)에 탑재된 소형영상 분광기(COMpact Imaging Spectrometer, COMIS)는 다양한 분광정보를 얻을 수 있는 하이퍼스펙트럴 영상을 제공할 예정이다. 이에 하이퍼스펙트럴 영상의 활용성에 대한 연구가 필요한 실정이다.
7nm)의 상관성이 비교적 높게 나타났다. 본 연구의 결과에서는 하이퍼스펙트럴 영상의 NDVI 산정 시 적합한 밴드로 나타났지만, 계절적인 영향이나 대기조건 등이 서로 상이한 영상을 비교한 결과이므로 좀 더 다시기 영상에 대한 비교 연구가 필요할 것으로 판단된다. 향후 우리나라의 STSAT-3의 COMIS 센서가 발사되어 다양한 영상을 취득하게 되면 상관성을 향상시키기 위한 연구가 다양하게 이루어져야 할 것이다.
저탄소 녹색성장을 위해서는 이산화탄소의 배출량을 감소시키는 것도 중요하지만 배출된 이산화탄소를 흡수하여 처리하는 것도 중요한 요소가 되며, 산림은 이산화탄소의 주요 흡수원으로 산림의 바이오매스를 산정하고 모니터링 하는 기술 개발을 통해 경제적 효과 및 저탄소 녹색성장 산업의 발전을 도모할 수 있을 것이다.
본 연구의 결과에서는 하이퍼스펙트럴 영상의 NDVI 산정 시 적합한 밴드로 나타났지만, 계절적인 영향이나 대기조건 등이 서로 상이한 영상을 비교한 결과이므로 좀 더 다시기 영상에 대한 비교 연구가 필요할 것으로 판단된다. 향후 우리나라의 STSAT-3의 COMIS 센서가 발사되어 다양한 영상을 취득하게 되면 상관성을 향상시키기 위한 연구가 다양하게 이루어져야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
저탄소 녹색성장을 위해 중요한 것은?
저탄소 녹색성장을 위해서는 이산화탄소의 배출량을 감소시키는 것도 중요하지만 배출된 이산화탄소를 흡수하여 처리하는 것도 중요한 요소가 되며, 산림은 이산화탄소의 주요 흡수원으로 산림의 바이오매스를 산정하고 모니터링 하는 기술 개발을 통해 경제적 효과 및 저탄소 녹색성장 산업의 발전을 도모할 수 있을 것이다.
SAVI의 L은 무엇인가?
SAVI의 L은 토양보정인자로 배경토양에 의해 임관의 적색과 근적외선 반사도 차이가 줄어드는 현상을 막기 위한 것으로 L이 0.5일 때 토양명도 변화가 최소로 되고 다른 토양에 대한 추가적인 보정이 필요 없다(Huete, 1988).
식생지수와 바이오매스의 상관성은 어떠한가?
식생지수와 바이오매스 상관성 분석을 위해서 각각의 임상별로 비교하였다. 침엽수림 지역에서는 SAVI와 NDVI에 대한 결정계수 R2이 바이오매스의 변화량 중 70%가 영향을 받고 있으며 이들 상관성이 상대적으로 높게 나타났으며, 활엽수림 지역에서는 식생지수가 비슷한 경향을 보이고 있다.
참고문헌 (7)
Haboudane, D., Miller, J. R., Tremblay, N., Zarco-Tejada, P. J. and L. Dextraze, 2002, Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture, Remote Sensing of Environment, Vol.81 : pp. 416-426.
Lee, H., Ru, J., 2012, Application of LiDAR data & high-resolution satellite image for calculate forest biomass, Korean Society for Geospatial Information System, Vol.20, No.1, pp. 53-63.
Lee, H., Ru, J., Yu, Y., 2009, Product of high-quality thematic maps on base high-resoultion satellite imagery, Korean Society for Geospatial Information System journal of spring conference, pp. 258-260.
Rouse, J. W., Haas, R. H., Schell, J. A. and D. W. Deering, 1974, Monitoring vegetation systems in the great plains with ERTS. Proceedings, 8th International Symposium on Computer-Assisted Cartography, Baltimore, MD, pp. 68-77.
Schiffman, Bettina, Galli Basson, Evan Lue, Dustin Ottman, Anjanette Hawk, Moyukh Ghosh, Forrest Melton, Cindy Schmidt, and J. W. Skiles. Estimation of leaf area index(LAI) through the acquisition of gound truth data in yosemite national park. ASPRS 2008 Annual Conference, Portland, Oregon, April 28 - May 2, 2008.
Tan, K., Piao, S., Peng, C. and J. Fang. 2007, Satellite-based estimation of biomass carbon stocks for northeast China's forests between 1982 and 1999. Forest Ecology and Management, Vol.240 pp. 114-121.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.