Landsat 위성영상을 이용한 충청남도 임상 분석 및 산림 탄소저장량 추정 Analysis of Forest Types and Estimation of the Forest Carbon Stocks Using Landsat Satellite Images in Chungcheongnam-do, South Korea원문보기
본 연구는 Landsat 위성영상과 수치임상도 등을 이용하여 충청남도의 임상을 분석하고 이를 바탕으로 산림 탄소저장량을 추정하였다. 임상분석은 NDVI 방법과 Tasseled Cap, ISODATA, 감독분류 등을 사용하였으며, 분류된 결과를 기초로 임상통계를 활용하여 충청남도의 산림 탄소저장량을 추정하였다. 그 결과, 위성영상을 이용한 임상분석에서는 감독분류를 통한 임상분석이 가장 높은 전체정확도를 보였으며, 충청남도 전체 임상에서 차지하는 비율은 침엽수(49.3%), 활엽수(28.0%), 혼효림(22.7%)로 나타났다. 수정된 수치임상도를 통해 추정된 산림 탄소저장량과 다른 추정 방법들을 비교분석한 결과에서는 Tasseled Cap과 무감독분류를 이용한 방법이 가장 유사한 산림 탄소저장량을 추정하였지만, 단순히 수치임상도만을 이용한 경우 가장 많은 차이가 나타났다. 향후 위성영상 및 수치임상도를 통합하여 탄소저장량을 추정한다면 국가단위 산림 탄소저장량 추정에 있어서 보다 정확한 결과를 도출할 수 있을 것으로 기대된다.
본 연구는 Landsat 위성영상과 수치임상도 등을 이용하여 충청남도의 임상을 분석하고 이를 바탕으로 산림 탄소저장량을 추정하였다. 임상분석은 NDVI 방법과 Tasseled Cap, ISODATA, 감독분류 등을 사용하였으며, 분류된 결과를 기초로 임상통계를 활용하여 충청남도의 산림 탄소저장량을 추정하였다. 그 결과, 위성영상을 이용한 임상분석에서는 감독분류를 통한 임상분석이 가장 높은 전체정확도를 보였으며, 충청남도 전체 임상에서 차지하는 비율은 침엽수(49.3%), 활엽수(28.0%), 혼효림(22.7%)로 나타났다. 수정된 수치임상도를 통해 추정된 산림 탄소저장량과 다른 추정 방법들을 비교분석한 결과에서는 Tasseled Cap과 무감독분류를 이용한 방법이 가장 유사한 산림 탄소저장량을 추정하였지만, 단순히 수치임상도만을 이용한 경우 가장 많은 차이가 나타났다. 향후 위성영상 및 수치임상도를 통합하여 탄소저장량을 추정한다면 국가단위 산림 탄소저장량 추정에 있어서 보다 정확한 결과를 도출할 수 있을 것으로 기대된다.
In this study, forest types in Chungheongnam-do were analyzed using Landsat satellite images and digital forest type map as a means to estimate forest carbon stocks. NDVI and Tasseled Cap, ISODATA, and supervised classification among others were used to analyze the forest types. The forest carbon st...
In this study, forest types in Chungheongnam-do were analyzed using Landsat satellite images and digital forest type map as a means to estimate forest carbon stocks. NDVI and Tasseled Cap, ISODATA, and supervised classification among others were used to analyze the forest types. The forest carbon stocks of Chungcheongnam-do were estimated utilizing forest statistical data derived from the classified results. The results indicate that the analysis of forest types through supervised classification yielded the highest overall accuracy in analyzing forest types using satellite images. Coniferous forests(49.3%) accounted for the highest proportion in all the forest types of Chungcheongnam-do, followed by deciduous forests(28.0%) and mixed forests(22.7%). The results of a comparative analysis between forest carbon stocks estimates made using the modified digital forest type map and other estimation methods showed that the method using Tasseled Cap and unsupervised classification yielded the most similar forest carbon stock estimates. The most significant difference, though, was made when only the digital forest type map was used. It is expected that if carbon stocks are estimated by integrating satellite images and digital forest type maps in the future, more accurate results can be derived in estimating forest carbon stocks at a national level.
In this study, forest types in Chungheongnam-do were analyzed using Landsat satellite images and digital forest type map as a means to estimate forest carbon stocks. NDVI and Tasseled Cap, ISODATA, and supervised classification among others were used to analyze the forest types. The forest carbon stocks of Chungcheongnam-do were estimated utilizing forest statistical data derived from the classified results. The results indicate that the analysis of forest types through supervised classification yielded the highest overall accuracy in analyzing forest types using satellite images. Coniferous forests(49.3%) accounted for the highest proportion in all the forest types of Chungcheongnam-do, followed by deciduous forests(28.0%) and mixed forests(22.7%). The results of a comparative analysis between forest carbon stocks estimates made using the modified digital forest type map and other estimation methods showed that the method using Tasseled Cap and unsupervised classification yielded the most similar forest carbon stock estimates. The most significant difference, though, was made when only the digital forest type map was used. It is expected that if carbon stocks are estimated by integrating satellite images and digital forest type maps in the future, more accurate results can be derived in estimating forest carbon stocks at a national level.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
다음으로, 다양한 분류방법을 통해 충청남도의 임상을 분석하고, 분석된 결과를 토대로 산림 탄소저장량을 산정하고자 하였다. 본 연구에서는 산림 탄소저장량을 산정하기 위해 전환계수에 의한 방법을 사용하였으며, 전환계수에 의한 방법은 임업 통계상의 임목축적을 활용하는 방법으로서 전국 규모의 산림 바이오매스 추정 시 사용된다(표 2, 국립산림과학원, 2006).
하지만 연구지역의 입목지 추출 시, 수치임상도의 속성정보를 실제 순수입목지로 단정하였으며, 이에 대한 오차를 고려 없이 연구를 수행하였다. 따라서 본 논문에서는 수치임상도의 속성정보와 실제 순수 입목지간의 차이에 따른 면적과 산림 탄소저장량의 비교분석 및 위성영상만을 이용한 산림 탄소저장량의 추정 가능성에 대한 검토를 실시하고자 하였다. 또한 기존 연구에서 소규모 지역을 대상으로 연구를 진행하였다면, 본 연구에서는 광범위한 지역을 대상으로 실시하여 국가단위의 탄소저장량 추정 가능성을 검토하고자 하였다.
이러한 장점 때문에 원격탐사 기법을 통한 우리나라 전지역 식생분포 변화에 대한 관측에 적합하다. 따라서 본 연구에서는 Landsat 위성영상을 이용하여 충청남도의 임상을 분석하고 이를 토대로 산림 탄소저장량을 추정하였다. 구체적인 연구방법은 다음과 같다.
따라서 본 논문에서는 수치임상도의 속성정보와 실제 순수 입목지간의 차이에 따른 면적과 산림 탄소저장량의 비교분석 및 위성영상만을 이용한 산림 탄소저장량의 추정 가능성에 대한 검토를 실시하고자 하였다. 또한 기존 연구에서 소규모 지역을 대상으로 연구를 진행하였다면, 본 연구에서는 광범위한 지역을 대상으로 실시하여 국가단위의 탄소저장량 추정 가능성을 검토하고자 하였다.
본 연구에서는 다양한 분석방법에 따른 산림 탄소저장량을 추정하기 위해 각각 작성된 임상분류도의 면적과 해당년도의 임목통계자료 중 임목축적 자료와 산림면적 자료를 이용하여 ha당 임목축적을 산출하였다. 최종적으로 임상분류도의 면적과 통계자료의 ha당 임목축적, 그리고 바이오매스 전환계수와 탄소 전환계수를 이용하여 산림 탄소 저장량을 추정하였다.
본 연구에서는 위성영상과 수치임상도를 통해 국가단위 산림 탄소저장량을 추정가능성을 검토하기 위해 충청남도 지역을 대상으로 연구를 수행하였다. 하지만, 본 연구에서 산림 탄소저장량을 추정하기 위해 사용했던 위성영상은 계절적 시기와, 획득 날짜에 의한 분광특성 차이로 인해 정확한 분석이 어렵다는 단점이 있었다.
제안 방법
마지막으로 기존의 수치임상도를 이용한 임상 분류에는 속성정보를 이용하여 임상을 재분류 후 임상분류도를 작성하였다. 그 결과, 침엽수림은 2,291,999개의 픽셀로 산출된 면적이 약 2,062.
먼저, 충청남도에 분포하고 있는 임상을 분석하기 위해 위성영상, 수치임상도, 위성영상과 수치임상도를 결합하는 방법을 이용하였다. 위성영상의 경우, Landsat 영상을 활용하였으며, NDVI 및 Tasseled Cap의 식생지수 변환 후 무감독분류를 이용한 임상분류 및 감독분류를 이용하여 임상분류를 실시하였다.
본 연구에서는 Landsat 위성영상 및 수치임상도를 이용하여 다양한 방법을 통해 연구지역의 임상을 분석하고, 이를 바탕으로 산림 탄소저장량을 추정하였으며, 그 결과는 다음과 같다. 첫째, 작성된 3가지 임상분류도와 산림 탄소저장량을 비교・분석한 결과, Tasseled Cap을 이용한 경우, 수정된 수치임상도와의 산림 탄소저장량과 가장 유사한 수치를 보였으나, NDVI는 큰 차이를 보였다.
최종적으로 위성영상과 수치임상도를 함께 이용하여 추정한 산림 탄소저장량과 위성영상과 수치 임상도만을 이용해 추정된 산림 탄소저장량의 추정치를 비교하고자 하였다. 본 연구에서는 polygon 형태의 수치임상도를 ArcMap 9.3의 polygon to raster 기능을 이용하여 동일한 cell size로 포맷을 변환한 후 임상분류를 실시하였다. 본 연구에 사용된 수치임상도는 제5차 수치임상도이며, 충남지역은 2010년에 항공사진이 촬영되어 동년에 현지 조사를 통해 작성되었다.
본 연구에서는 분류방법에 따른 충청남도 산림 탄소저장량을 비교하기 위해 위성영상을 이용하여 수정된 수치임상도와 다른 네 가지 분류 방법을 통해 추정된 산림 탄소저장량과의 차이를 분석하였다(그림 4). 우선 NDVI의 경우 침엽수림에서약 711,877tC 과소 추정하였으며, 활엽수림은 632.
본 연구에서는 연구지역의 임상분석을 실시하기 위해, 먼저 Landsat 영상을 이용하여 다양한 방법에 의한 임상분포도를 작성하였으며, 다음으로 수치임상도의 속성정보를 이용하여 임상별 재분류를 실시하였다. 최종적으로 위성영상을 이용하여 수정된 수치임상도의 임상별 재분류를 실시 후, 방법에 따른 임상의 분포율의 차이를 분석하였다(표 3).
사용한 무감독분류는 ISODATA 알고리즘이며, 기존의 무감독분류법보다 효율적이고 이름 그대로 분석가의 개입이 가장 적은 분류 방법으로 평가받고 있다. 본 연구에서는 임의로 30개의 클래스를 만든 후 반사율이 높은 클래스를 활엽수림으로, 낮은 클래스는 침엽수림으로, 중간값을 가지는 클래스는 혼효림으로 다시 재분류하였다. 분류된 결과를 살펴보면, 침엽수림은 1,867,722개의 픽셀로 산출된 면적은 약 1,681.
위성영상을 이용하여 임상을 분류한 세 가지 연구결과를 살펴보면, 먼저 감독분류를 통해 추출된 산림지역을 NDVI 변환 후 무감독분류를 이용하여 임상분류도를 작성하였다. 사용한 무감독분류는 ISODATA 알고리즘이며, 기존의 무감독분류법보다 효율적이고 이름 그대로 분석가의 개입이 가장 적은 분류 방법으로 평가받고 있다.
먼저, 충청남도에 분포하고 있는 임상을 분석하기 위해 위성영상, 수치임상도, 위성영상과 수치임상도를 결합하는 방법을 이용하였다. 위성영상의 경우, Landsat 영상을 활용하였으며, NDVI 및 Tasseled Cap의 식생지수 변환 후 무감독분류를 이용한 임상분류 및 감독분류를 이용하여 임상분류를 실시하였다. 임상분류 시, Landsat 영상에 사용된 밴드는 열적외선을 제외한 6개의 밴드가 이용되었으며, 획득된 위성영상의 제원은 다음과 같다(표 1).
이밖에 위성영상으로 추출된 순수입목지를 이용하여 수치임상도를 수정하였으며, 수정된 수치임상도를 이용하여 임상분류도를 작성하였다. 수정된 임상분류도를 살펴보면, 침엽수림은 2,013,015개의 픽셀로 산출된 면적이 약 1,811.
이에 IPCC 우수실행지침에서는 탄소저장량 조사를 위한 전국 규모의 산림 바이오매스 추정 방법으로서 국가별 임업통계상의 임목축적을 활용하는 전환계수 방법을 권장하고 있다(IPCC, 2003). 이에 본 연구에서는 임업통계상의 임목축적과 목재기본밀도(Basic Wood Density: BWD)와 바이오매스 확장계수(Biomass Expansion Factor: BEF) 그리고 탄소전환계수(Carbon Factor: CF)를 이용하여 충청남도 지역의 산림 탄소저장량을 추정하였다.
최종적으로 위성영상과 수치임상도를 함께 이용하여 추정한 산림 탄소저장량과 위성영상과 수치 임상도만을 이용해 추정된 산림 탄소저장량의 추정치를 비교하고자 하였다. 본 연구에서는 polygon 형태의 수치임상도를 ArcMap 9.
본 연구에서는 연구지역의 임상분석을 실시하기 위해, 먼저 Landsat 영상을 이용하여 다양한 방법에 의한 임상분포도를 작성하였으며, 다음으로 수치임상도의 속성정보를 이용하여 임상별 재분류를 실시하였다. 최종적으로 위성영상을 이용하여 수정된 수치임상도의 임상별 재분류를 실시 후, 방법에 따른 임상의 분포율의 차이를 분석하였다(표 3).
본 연구에서는 다양한 분석방법에 따른 산림 탄소저장량을 추정하기 위해 각각 작성된 임상분류도의 면적과 해당년도의 임목통계자료 중 임목축적 자료와 산림면적 자료를 이용하여 ha당 임목축적을 산출하였다. 최종적으로 임상분류도의 면적과 통계자료의 ha당 임목축적, 그리고 바이오매스 전환계수와 탄소 전환계수를 이용하여 산림 탄소 저장량을 추정하였다. 혼효림의 경우, 기존의 연구와 같이 획득한 임목축적을 1/2하여 각각 침엽수림과 활엽수림에 합산하였다(손영모 등, 2007; 김현, 2012).
이상의 기존 연구들은 대부분 현지조사 자료와 원격탐사 자료 등을 이용하여 k-NN 알고리즘과 연계하여 소면적, 즉 시・군 단위 규모에서 정확한 산림 탄소저장량을 추정하는 연구가 주를 이루었다. 하지만 연구지역의 입목지 추출 시, 수치임상도의 속성정보를 실제 순수입목지로 단정하였으며, 이에 대한 오차를 고려 없이 연구를 수행하였다. 따라서 본 논문에서는 수치임상도의 속성정보와 실제 순수 입목지간의 차이에 따른 면적과 산림 탄소저장량의 비교분석 및 위성영상만을 이용한 산림 탄소저장량의 추정 가능성에 대한 검토를 실시하고자 하였다.
한편, 위성영상을 이용하여 작성된 임상분류도의 분류정확도를 검증하기 위해 오차 행렬(Error matrix)을 이용하였으며, 무작위 추출방법을 사용하여 표본을 추출하였다. 기초 검증 자료로는 항공사진과 수치임상도를 활용하였다.
대상 데이터
기초 검증 자료로는 항공사진과 수치임상도를 활용하였다. NDVI 변환 및 무감독분류를 통해 작성된 임상분류도에 사용한 검증 자료의 화소 수는 총 300개이며, 침엽수림이 146개, 활엽수림이 86개, 혼효림이 68개이다. 검증된 정확도를 살펴보면, 전체 정확도가 74.
599로 나타났다. Tasseled Cap과 무감독분류를 통해 작성된 임상분류도에 사용한 검증 자료의 화소 수는 총 300개이며, 침엽수림이 146개, 활엽수림이 86개, 혼효림이 68개이다. 검증된 정확도를 살펴보면, 전체 정확도가 77.
639로 나타났다. 감독분류에 의해 작성된 임상분류도에 사용한 검증 자료의 화소 수는 총 300개이며, 침엽수림이 146개, 활엽수림이 87개, 혼효림이 67개이다. 검증된 정확도를 살펴보면, 전체 정확도가 83.
한편, 위성영상을 이용하여 작성된 임상분류도의 분류정확도를 검증하기 위해 오차 행렬(Error matrix)을 이용하였으며, 무작위 추출방법을 사용하여 표본을 추출하였다. 기초 검증 자료로는 항공사진과 수치임상도를 활용하였다. NDVI 변환 및 무감독분류를 통해 작성된 임상분류도에 사용한 검증 자료의 화소 수는 총 300개이며, 침엽수림이 146개, 활엽수림이 86개, 혼효림이 68개이다.
3의 polygon to raster 기능을 이용하여 동일한 cell size로 포맷을 변환한 후 임상분류를 실시하였다. 본 연구에 사용된 수치임상도는 제5차 수치임상도이며, 충남지역은 2010년에 항공사진이 촬영되어 동년에 현지 조사를 통해 작성되었다. 영상분석은 ERDAS IMAGINE 9.
수치임상도는 속성정보를 이용하여 총 18개의 개별 수종 중 죽림을 제외한 침엽수림(coniferous forest), 활엽수림(deciduous forest), 혼효림(mixed forest)으로 재분류를 실시하여 분석에 사용하였으며, 벌채적지, 미립목지, 황폐지, 목장 등의 무입목지 역시 제외하였다. 재분류된 임상을 살펴보면, 침엽수림으로 분류된 수종으로는 침엽수림, 소나무림, 소나무 인공림, 잣나무림, 낙엽송림, 리기다소나무림, 삼나무림, 편백나무림, 전나무, 침엽수 인공림 등이 포함된다.
그 원인은 위성영상간의 촬영 날짜의 차이에 따른 것으로 판단된다. 연구지역의 경우 LANDSAT-5 TM의 패스로우 116/34, 116/35 위성영상과 패스로우 115/35 위성영상 등 총 3장의 위성영상이 필요하다. 하지만 115/35 위성영상이 나머지 두 위성영상과 약 25일 정도의 시간적 차이가 존재하며, 이 시간적 차이가 유발하는 분광특성을 고려하지 않은 채 모자이크 영상을 제작하였기 때문이다.
연구지역인 충청남도는 한반도 중부지방의 서쪽에 위치하며, 북으로는 대체로 아산만을 경계로 경기도의 평택시・안성군과 맞닿아 있으며, 동으로는 충청북도의 진천군・청원군, 대전광역시, 충청북도의 보은군・영동군과 접하고 있다. 남으로는 주로 금강을 경계로 전라북도의 군산시・익산시・완주군・진안군・무주군과 접경하고 있으며, 서쪽으로는 바다에 면하여 서해와 접하고 있다.
연구지역인 충청남도의 지리적 좌표는 126°06′39″E∼127°37′23″E, 35°59′02″N∼37°04′19″N에 해당한다(그림 1).
위성영상의 경우, Landsat 영상을 활용하였으며, NDVI 및 Tasseled Cap의 식생지수 변환 후 무감독분류를 이용한 임상분류 및 감독분류를 이용하여 임상분류를 실시하였다. 임상분류 시, Landsat 영상에 사용된 밴드는 열적외선을 제외한 6개의 밴드가 이용되었으며, 획득된 위성영상의 제원은 다음과 같다(표 1).
연구지역인 충청남도의 지리적 좌표는 126°06′39″E∼127°37′23″E, 35°59′02″N∼37°04′19″N에 해당한다(그림 1). 충청남도는 2014년 현재 8개 시, 7개 군으로 총 15개 시・군으로 구성되어 있으나, 본 연구에서는 2009년을 기준으로 과거 연기군을 포함한 총 16개의 시・군을 대상으로 연구를 수행하였다. 2009년을 기준으로 연구를 수행한 이유는 위성영상의 획득 날짜와 충청남도 지역의 5차 수치임상도의 제작시기 및 임상 통계값 등을 고려하였기 때문이다.
이론/모형
다음으로, Tasseled Cap 변환 후 작성된 GVI(Greenness Vegetation Index)를 다시 ISODATA 알고리즘을 이용하여 무감독분류를 실시하였다. GVI는 녹색식생지수로 계절적 식생상태의 변화 유무 등도 파악할 수 있는 장점이 있다.
다음으로, 감독분류 중 최대우도법을 이용하여 임상분류도를 작성하였다. 최대우도법은 비모수적 기법 중 하나로 각 밴드별 클래스에 대해 훈련된 화소가 기본적으로 정규 분포의 형태를 따른 다는 가정 하에서 통계적인 확률분포에 따라 분류를 수행하는 알고리즘이다.
다음으로, 다양한 분류방법을 통해 충청남도의 임상을 분석하고, 분석된 결과를 토대로 산림 탄소저장량을 산정하고자 하였다. 본 연구에서는 산림 탄소저장량을 산정하기 위해 전환계수에 의한 방법을 사용하였으며, 전환계수에 의한 방법은 임업 통계상의 임목축적을 활용하는 방법으로서 전국 규모의 산림 바이오매스 추정 시 사용된다(표 2, 국립산림과학원, 2006). 전국규모의 산림 조사를 위한 바이오매스 추정의 경우 회귀식에 의한 방법은 현실적으로 어려움이 있다.
본 연구에 사용된 수치임상도는 제5차 수치임상도이며, 충남지역은 2010년에 항공사진이 촬영되어 동년에 현지 조사를 통해 작성되었다. 영상분석은 ERDAS IMAGINE 9.1을 이용하였으며, 본 연구의 흐름은 다음과 같다(그림 2).
성능/효과
3개의 임상분류도에 대한 정확도 검증결과를 종합하여 보면, 연구지역에서 식생지수 및 무감독분류를 이용하여 작성된 임상분류도의 경우 정확도가 낮게 나타났다. 그 원인은 위성영상간의 촬영 날짜의 차이에 따른 것으로 판단된다.
Tasseled Cap 변환 및 무감독분류의 경우, 산림 탄소저장량 추정치는 다른 세 가지 분류방법에 비해 수정된 수치임상도의 산림 탄소저장량 추정치와 가장 근접한 것으로 나타났다. 그러나 정확도 검증 결과, 실제 임상의 분포위치와는 다소 차이가 있는 것으로 분석되었다.
Tasseled Cap 변환 후 무감독분류를 이용한 임상분류도 작성 결과에서는 NDVI 무감독분류 결과와 유사한 공간분포 패턴이 나타났다. 즉, 차령산맥을 중심으로 서쪽의 침엽수림 분포지역은 비교적 정확하게 분류되었지만, 금산분지 주변지역의 침엽수림 및 활엽수림 분포지역은 오분류가 많았으며, 논산시 남쪽의 활엽수림 분포지역이 침엽수림 분포 지역으로 오분류 되었다(그림 3(b)).
NDVI 변환 및 무감독분류를 통해 작성된 임상분류도에 사용한 검증 자료의 화소 수는 총 300개이며, 침엽수림이 146개, 활엽수림이 86개, 혼효림이 68개이다. 검증된 정확도를 살펴보면, 전체 정확도가 74.2%, 전체 카파계수는 0.599로 나타났다. Tasseled Cap과 무감독분류를 통해 작성된 임상분류도에 사용한 검증 자료의 화소 수는 총 300개이며, 침엽수림이 146개, 활엽수림이 86개, 혼효림이 68개이다.
Tasseled Cap과 무감독분류를 통해 작성된 임상분류도에 사용한 검증 자료의 화소 수는 총 300개이며, 침엽수림이 146개, 활엽수림이 86개, 혼효림이 68개이다. 검증된 정확도를 살펴보면, 전체 정확도가 77.3%, 전체 카파계수는 0.639로 나타났다. 감독분류에 의해 작성된 임상분류도에 사용한 검증 자료의 화소 수는 총 300개이며, 침엽수림이 146개, 활엽수림이 87개, 혼효림이 67개이다.
감독분류에 의해 작성된 임상분류도에 사용한 검증 자료의 화소 수는 총 300개이며, 침엽수림이 146개, 활엽수림이 87개, 혼효림이 67개이다. 검증된 정확도를 살펴보면, 전체 정확도가 83.7%, 전체 카파계수는 0.743으로 앞선 식생지수 및 무감독분류를 이용한 임상분류도와 비교했을 시 비교적 높은 정확도를 보여주고 있다(표 4).
마지막으로 기존의 수치임상도를 이용한 임상 분류에는 속성정보를 이용하여 임상을 재분류 후 임상분류도를 작성하였다. 그 결과, 침엽수림은 2,291,999개의 픽셀로 산출된 면적이 약 2,062.8 km2이며, 분포비율은 약 53.0%이다. 활엽수림은 927,232개의 픽셀로 산출된 면적이 약 834.
Tasseled Cap과 무감독분류에 의해 추정된 산림 탄소저장량을 살펴보면, 침엽수림 8,157,392tC, 활엽수림 6,734,823C, 전체는 약 14,892,215tC로 산정되었다. 다음으로, 감독분류에 의해 추정된 산림 탄소저장량을 살펴보면, 침엽수림 7,941,085tC, 활엽수림 7,061,141tC, 전체는 약 15,002,226tC로 산정되었으며, 제5차 수치임상도에 의해 추정된 산림 탄소저장량은 침엽수림 9,622,842tC, 활엽수림 7,158,814tC, 전체는 약 16,781,656tC로 산정되었다. 마지막으로 수정된 수치임상도에 의해 추정된 산림 탄소저장량을 살펴보면, 침엽수림 8,538,124tC, 활엽수림은 6,603,878tC, 전체는 약 15,142,002tC로 산정되었다.
다음으로, 최대우도법을 이용한 임상분류도 작성 결과에서는 기존의 무감독분류 결과와는 다른 공간분포 패턴이 나타났다. 즉, 전체적으로 검증자료 결과와 비교적 유사한 공간분포 패턴을 보였지만, 세부적으는 차령산맥 내의 침엽수림 분포지역이 과대 분포하고 있으며, 금산분지 내의 활엽수림 분포지역이 혼효림지역으로 오분류 되었다.
둘째, 감독분류를 이용하여 추정한 산림 탄소저장량은 식생지수에 비해 정확도는 높았지만, 수정된 수치임상도의 산림 탄소저장량 추정치와는 다소 차이가 나는 것으로 나타났다. 하지만 위성영상의 획득시기가 동일하고 분광특성의 차이가 큰 계절적 시기를 고려한다면, 감독분류를 통한 임상분석 및 산림 탄소저장량의 추정은 어느 정도는 가능할 것으로 판단된다.
다음으로, 감독분류에 의해 추정된 산림 탄소저장량을 살펴보면, 침엽수림 7,941,085tC, 활엽수림 7,061,141tC, 전체는 약 15,002,226tC로 산정되었으며, 제5차 수치임상도에 의해 추정된 산림 탄소저장량은 침엽수림 9,622,842tC, 활엽수림 7,158,814tC, 전체는 약 16,781,656tC로 산정되었다. 마지막으로 수정된 수치임상도에 의해 추정된 산림 탄소저장량을 살펴보면, 침엽수림 8,538,124tC, 활엽수림은 6,603,878tC, 전체는 약 15,142,002tC로 산정되었다. 앞서 분석된 제5차 수치임상도와 비교해보면, 총 1,639,654tC가 감소하였으며, 침엽수림은 1,084,718tC, 활엽수림은 554,936tC가 감소한 것으로 나타났다(표 5).
최종적으로 이상의 5가지 방법으로 분류된 임상분포도는 <그림 3>과 같다. 먼저 NDVI 변환 후 무감독분류를 이용한 임상분류도 작성 결과를 수정된 수치임상도 및 검증자료와 비교하여 보면(그림 3(e)), 전반적으로 차령산맥을 중심으로 서쪽의 침엽수림 분포지역이 비교적 정확하게 분류되었음을 알 수 있다. 하지만 차령산맥 동쪽 특히, 금산분지 주변지역의 침엽수림 분포지역 일부가 활엽수림으로 오분류 되었으며, 천안시 주변의 구릉지 지역의 활엽수림 및 혼효림 분포지역이 침엽수림 분포 지역으로 오분류 되어 나타났다(그림 3(a)).
본 연구에서는 임의로 30개의 클래스를 만든 후 반사율이 높은 클래스를 활엽수림으로, 낮은 클래스는 침엽수림으로, 중간값을 가지는 클래스는 혼효림으로 다시 재분류하였다. 분류된 결과를 살펴보면, 침엽수림은 1,867,722개의 픽셀로 산출된 면적은 약 1,681.0km2이며, 분포비율은 48.1%이다. 활엽수림은 1,122,631개의 픽셀로 산출된 면적은 약 1,010.
분석방법에 따른 산림 탄소저장량을 살펴보면, NDVI 및 무감독분류에 의해 추정된 산림 탄소저장량은 침엽수림이 7,826,247tC, 활엽수림 7,236, 333tC, 전체는 약 15,062,580tC로 산정되었다. Tasseled Cap과 무감독분류에 의해 추정된 산림 탄소저장량을 살펴보면, 침엽수림 8,157,392tC, 활엽수림 6,734,823C, 전체는 약 14,892,215tC로 산정되었다.
셋째, 수치임상도와 수정된 수치임상도 간의 산림 탄소저장량은 매우 큰 차이가 있는 것으로 나타났다. 그 이유는 수치임상도가 상의 입목지들이 순수입목지가 아니기 때문으로 판단된다.
이상의 결과를 종합하여 보면, 제5차 수치임상도를 이용한 임상분류도는 전술한 식생지수와 무감독분류를 연계한 임상분류도 및 감독분류를 통해 작성된 임상분류도와 픽셀 수에 있어 큰 차이를 보여주고 있다. 이러한 결과는 위성영상을 이용하여 작성한 임상분류도가 순수입목지만을 추출한 뒤 작성된 것이지만, 제5차 수치임상도는 속성정보만을 이용해 임상분류도를 작성하였기 때문이다.
이상의 유형별 임상분류도의 공간분포 특성 결과를 종합하여 보면, 전술한 바와 같이 무감독분류 결과에서는 동일한 시기의 위성영상을 사용하지 못함으로써 시기에 따라 지역별로 임상이 다른 공간분포 패턴이 나타난 것으로 판단된다. 하지만, 감독분류 결과에서는 상대적으로 무감독분류에 비해 오분류가 적었지만, 차령산맥 내의 혼효림지역이 침엽수림 및 활엽수림 지역으로 오분류가 오히려 많았다.
제5차 수치임상도의 경우 침엽수림에서 1,081,718tC 과다 추정하였으며, 활엽수림에서도 552,936tC 과다 추정하였다. 이중 Tasseled Cap 및 무감독분류를 통해 추정된 산림 탄소저장량이 수정된 수치임상도와의 비교에서 가장 유사한 수치를 보였으며, 제5차 수치임상도가 가장 큰 차이를 보였다.
GVI는 녹색식생지수로 계절적 식생상태의 변화 유무 등도 파악할 수 있는 장점이 있다. 전술한 NDVI와 동일한 방법으로 클래스를 설정하였으며, 분류된 결과를 살펴보면 침엽수림은 2,003,394개의 픽셀로 산출된 면적이 약 1,803.1km2이며, 분포비율은 51.5%이다. 활엽수림은 1,019,275개의 픽셀로 산출된 면적이 약 917.
다음으로, 최대우도법을 이용한 임상분류도 작성 결과에서는 기존의 무감독분류 결과와는 다른 공간분포 패턴이 나타났다. 즉, 전체적으로 검증자료 결과와 비교적 유사한 공간분포 패턴을 보였지만, 세부적으는 차령산맥 내의 침엽수림 분포지역이 과대 분포하고 있으며, 금산분지 내의 활엽수림 분포지역이 혼효림지역으로 오분류 되었다. 또한 보령 일대의 활엽수림 분포지역 역시 혼효림지역으로 오분류가 다수 발견되었다(그림 3(c)).
본 연구에서는 Landsat 위성영상 및 수치임상도를 이용하여 다양한 방법을 통해 연구지역의 임상을 분석하고, 이를 바탕으로 산림 탄소저장량을 추정하였으며, 그 결과는 다음과 같다. 첫째, 작성된 3가지 임상분류도와 산림 탄소저장량을 비교・분석한 결과, Tasseled Cap을 이용한 경우, 수정된 수치임상도와의 산림 탄소저장량과 가장 유사한 수치를 보였으나, NDVI는 큰 차이를 보였다. 두 식생지수는 비슷한 정확도를 보이고 있었지만, 픽셀 수 추정에서 Tasseled Cap이 우수했던 이유는 식생을 분석하는데 있어서 사용되는 밴드의 수에 따른 것으로 판단된다.
감독분류의 경우 정확도 검증에서 식생지수들에 비해 비교적 높은 정확성을 보였기 때문에 수정된 수치임상도와의 산림 탄소저장량 비교분석에서 가장 근사한 수치를 보여줄 것으로 예상하였다. 하지만 수정된 수치임상도와의 비교분석 결과, 산림 탄소저장량의 차이는 큰 것으로 나타났으며, 이 같은 결과는 임상의 분석에 있어서 임상분포의 정확도와 임상별 픽셀 수의 추정이 꼭 비례하지는 않는 다는 것을 의미한다.
후속연구
이는 위성영상으로 충분히 판독이 가능하다. 그렇기 때문에 산림 탄소저장량 추정에 있어서 수치임상도 자체만을 이용하는 것 보다는 위성영상과 수치임상도를 함께 이용한다면 광범위한 지역을 대상으로, 비교적 정확한 산림 탄소저장량을 추정할 수 있을 것으로 판단된다.
이는 위성영상으로 충분히 판독이 가능하다. 그렇기 때문에 수치 임상도 자체만으로 산림 탄소저장량을 추정하는 것보다는 위성영상을 이용하여 수치임상도를 수정 후 산림 탄소저장량을 추정한다면 보다 더 정확한 값을 산정할 수 있을 것으로 판단된다.
이밖에 수치임상도의 경우는 미임목지를 제대로 반영하지 못하였다. 따라서 보다 정확한 임상분류도를 작성하기 위해서는 동일 시기의 위성영상과 기존의 수치임상도와의 통합을 통해 개선된 자료를 획득 할 수 있을 것으로 판단된다.
따라서 추후 연구에는 충청남도 전체의 국가산림자원조사 자료와 위성영상, 그리고 정밀 수치임상도(1:5,000) 등을 이용하여 연구를 수행해야 할 것이며, 이를 바탕으로 산림 탄소저장량을 추정하고 통계적 검증에 의한 불확실성 평가를 실시한다면, 국가단위 산림 탄소저장량 추정에 있어서 보다 정확한 결과를 얻을 수 있을 것으로 판단된다.
하지만, 본 연구에서 산림 탄소저장량을 추정하기 위해 사용했던 위성영상은 계절적 시기와, 획득 날짜에 의한 분광특성 차이로 인해 정확한 분석이 어렵다는 단점이 있었다. 또한 본 연구에서 사용했던 전환계수에 의한 산림 탄소저장량 추정은 소규모 지역, 즉 시・군 등에 해당하는 지역에서 산림 탄소저장량을 추정하기 위해 사용했던 현장자료 및 위성영상 등을 이용한 k-NN 알고리즘과 비교했을 시 산림 탄소저장량의 정확도가 다소 떨어지는 측면과, 통계적 검증에 의한 불확실성에 대한 평가를 실시할 수 없다는 한계를 지니고 있다.
향후 연구지역이 여러 장의 위성영상을 이용해서 분석을 수행해야 할 경우, 동일한 시기의 위성영상을 획득하거나, 시기가 다를 경우 컬러매칭 또는 각각의 위성영상을 분석하여 정합하는 방식을 이용한다면 비교적 정확한 분석이 가능할 것으로 판단된다. 또한 위성영상의 계절적 차이도 고려한다면, 분류정확성의 향상에 기여할 수 있을 것으로 기대된다.
향후 연구지역이 여러 장의 위성영상을 이용해서 분석을 수행해야 할 경우, 동일한 시기의 위성영상을 획득하거나, 시기가 다를 경우 컬러매칭 또는 각각의 위성영상을 분석하여 정합하는 방식을 이용한다면 비교적 정확한 분석이 가능할 것으로 판단된다. 또한 위성영상의 계절적 차이도 고려한다면, 분류정확성의 향상에 기여할 수 있을 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
원격탐사 기술의 장점은 무엇인가?
원격탐사 기술은 단시간 광범위한 영역에 대한 주기적 조사가 가능하며, 시・공간적 변동성이 큰 지역의 관찰에 용이하다(염종민 등, 2008). 이러한 장점 때문에 원격탐사 기법을 통한 우리나라 전지역 식생분포 변화에 대한 관측에 적합하다.
ISODATA 알고리즘의 특징은 무엇인가?
위성영상을 이용하여 임상을 분류한 세 가지 연구결과를 살펴보면, 먼저 감독분류를 통해 추출된 산림지역을 NDVI 변환 후 무감독분류를 이용하여 임상분류도를 작성하였다. 사용한 무감독분류는 ISODATA 알고리즘이며, 기존의 무감독분류법보다 효율적이고 이름 그대로 분석가의 개입이 가장 적은 분류 방법으로 평가받고 있다. 본 연구에서는 임의로 30개의 클래스를 만든 후 반사율이 높은 클래스를 활엽수림으로, 낮은 클래스는 침엽수림으로, 중간값을 가지는 클래스는 혼효림으로 다시 재분류하였다.
충청남도의 남쪽 및 서쪽의 지리적 특징은 무엇인가?
연구지역인 충청남도는 한반도 중부지방의 서쪽에 위치하며, 북으로는 대체로 아산만을 경계로 경기도의 평택시・안성군과 맞닿아 있으며, 동으로는 충청북도의 진천군・청원군, 대전광역시, 충청북도의 보은군・영동군과 접하고 있다. 남으로는 주로 금강을 경계로 전라북도의 군산시・익산시・완주군・진안군・무주군과 접경하고 있으며, 서쪽으로는 바다에 면하여 서해와 접하고 있다. 연구지역인 충청남도의 지리적 좌표는 126°06′39″E∼127°37′23″E, 35°59′02″N∼37°04′19″N에 해당한다(그림 1).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.