위성영상을 활용한 지상부 산림바이오매스 탄소량 추정 - k-Nearest Neighbor 및 Regression Tree Analysis 방법의 비교 분석 - Estimation of Aboveground Forest Biomass Carbon Stock by Satellite Remote Sensing - A Comparison between k-Nearest Neighbor and Regression Tree Analysis -원문보기
최근 주기적이고 정확한 산림바이오매스 탄소저장량 추정에 대한 필요성이 한국에서도 점차 증가하고 있다. 본 연구에서는 k-Nearest Neighbor (kNN) 및 Regression Tree Analysis (RTA) 알고리즘을 대상으로 공주 및 세종시를 대상으로 한 탄소량 변화 탐지를 통해 그 효용성을 비교 분석 하고자 하였다. 현장 자료로는 제 3차 및 제 5, 6차 국가산림자원조사 자료를 이용하였으며, 위성영상자료는 1992년, 2010년에 취득된 Landsat TM과 2009년에 취득된 Aster 영상을 이용하였다. 또한, 추정정확도를 향상시키기 위해 각 영상으로부터 다양한 식생지수를 생성하였다. 두 방법론의 비교를 위해 RMSE 및 평균편의(mean bias)를 포함한 각종 탄소통계량을 계산하였으며, 대상지역에 대한 탄소분포지도를 생성하고 비교를 수행하였다. 그 결과, kNN 알고리즘은 영상에 상관없이 보다 안정적인 추정결과를 나타낸 반면, 스무딩 효과로 인해 탄소의 공간분포가 뚜렷하지 않은 단점이 발견되었다. RTA의 경우 평균편의 결과 및 탄소의 공간분포가 명확히 나타나는 장점이 있으나, 위성영상에 따라 탄소추정량에서 큰 차이를 나타내었다. 최종적으로 2009년 및 2010년 탄소지도에서 1992년 탄소지도를 차분한 탄소차분지도를 생성을 통해 공주시 및 세종시 지역의 산림 탄소저장량이 급격히 증가했음을 확인하였다.
최근 주기적이고 정확한 산림바이오매스 탄소저장량 추정에 대한 필요성이 한국에서도 점차 증가하고 있다. 본 연구에서는 k-Nearest Neighbor (kNN) 및 Regression Tree Analysis (RTA) 알고리즘을 대상으로 공주 및 세종시를 대상으로 한 탄소량 변화 탐지를 통해 그 효용성을 비교 분석 하고자 하였다. 현장 자료로는 제 3차 및 제 5, 6차 국가산림자원조사 자료를 이용하였으며, 위성영상자료는 1992년, 2010년에 취득된 Landsat TM과 2009년에 취득된 Aster 영상을 이용하였다. 또한, 추정정확도를 향상시키기 위해 각 영상으로부터 다양한 식생지수를 생성하였다. 두 방법론의 비교를 위해 RMSE 및 평균편의(mean bias)를 포함한 각종 탄소통계량을 계산하였으며, 대상지역에 대한 탄소분포지도를 생성하고 비교를 수행하였다. 그 결과, kNN 알고리즘은 영상에 상관없이 보다 안정적인 추정결과를 나타낸 반면, 스무딩 효과로 인해 탄소의 공간분포가 뚜렷하지 않은 단점이 발견되었다. RTA의 경우 평균편의 결과 및 탄소의 공간분포가 명확히 나타나는 장점이 있으나, 위성영상에 따라 탄소추정량에서 큰 차이를 나타내었다. 최종적으로 2009년 및 2010년 탄소지도에서 1992년 탄소지도를 차분한 탄소차분지도를 생성을 통해 공주시 및 세종시 지역의 산림 탄소저장량이 급격히 증가했음을 확인하였다.
Recently, the demands of accurate forest carbon stock estimation and mapping are increasing in Korea. This study investigates the feasibility of two methods, k-Nearest Neighbor (kNN) and Regression Tree Analysis (RTA), for carbon stock estimation of pilot areas, Gongju and Sejong cities. The 3rd and...
Recently, the demands of accurate forest carbon stock estimation and mapping are increasing in Korea. This study investigates the feasibility of two methods, k-Nearest Neighbor (kNN) and Regression Tree Analysis (RTA), for carbon stock estimation of pilot areas, Gongju and Sejong cities. The 3rd and 5th ~ 6th NFI data were collected together with Landsat TM acquired in 1992, 2010 and Aster in 2009. Additionally, various vegetation indices and tasseled cap transformation were created for better estimation. Comparison between two methods was conducted by evaluating carbon statistics and visualizing carbon distributions on the map. The comparisons indicated clear strengths and weaknesses of two methods: kNN method has produced more consistent estimates regardless of types of satellite images, but its carbon maps were somewhat smooth to represent the dense carbon areas, particularly for Aster 2009 case. Meanwhile, RTA method has produced better performance on mean bias results and representation of dense carbon areas, but they were more subject to types of satellite images, representing high variability in spatial patterns of carbon maps. Finally, in order to identify the increases in carbon stock of study area, we created the difference maps by subtracting the 1992 carbon map from the 2009 and 2010 carbon maps. Consequently, it was found that the total carbon stock in Gongju and Sejong cities was drastically increased during that period.
Recently, the demands of accurate forest carbon stock estimation and mapping are increasing in Korea. This study investigates the feasibility of two methods, k-Nearest Neighbor (kNN) and Regression Tree Analysis (RTA), for carbon stock estimation of pilot areas, Gongju and Sejong cities. The 3rd and 5th ~ 6th NFI data were collected together with Landsat TM acquired in 1992, 2010 and Aster in 2009. Additionally, various vegetation indices and tasseled cap transformation were created for better estimation. Comparison between two methods was conducted by evaluating carbon statistics and visualizing carbon distributions on the map. The comparisons indicated clear strengths and weaknesses of two methods: kNN method has produced more consistent estimates regardless of types of satellite images, but its carbon maps were somewhat smooth to represent the dense carbon areas, particularly for Aster 2009 case. Meanwhile, RTA method has produced better performance on mean bias results and representation of dense carbon areas, but they were more subject to types of satellite images, representing high variability in spatial patterns of carbon maps. Finally, in order to identify the increases in carbon stock of study area, we created the difference maps by subtracting the 1992 carbon map from the 2009 and 2010 carbon maps. Consequently, it was found that the total carbon stock in Gongju and Sejong cities was drastically increased during that period.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 kNN 알고리즘과 더불어 여러 회귀분석기법 중 비선형분석에 적합한 RTA 알고리즘을 비교하고, 공주시와 세종시를 대상으로 약 20년 동안의 산림탄소저장량 변화를 분석하고자 하였다. 이를 위해 위성영상으로는 각각 1992년과 2010년에 취득한 LandsatTM과 2009년도에 취득한 Aster 자료를 사용하였으며, 현장 자료로는 1990~1991년 사이에 구축된 3차 NFI 자료와 2007~2011년 구축된 5, 6차 NFI 자료를 이용하였다.
본 연구에서는 피어슨 상관분석(Pearson’s correlation)을 통해 부표본점에 대한 식생정보(탄소량)와 각 식생지수 사이의 상관성을 파악하고자 하였다(Fuchs et al. 2009).
제안 방법
25 m 해상도의 2010년 항공정사영상을 이용해 기하보정을 수행하였으며, Landsat 1992 및 Aster 2009 영상은 Landsat 2010영상을 기준으로 상호기하보정을 수행하였다. 두 LandsatTM은 전처리 과정으로 방사 및 반사보정을 수행하였고(Chander and Markham 2003), Aster 영상은 land processes distributed active archive center을 통해 반사 보정이 수행된 영상을 취득하였다. 추가적으로 경사가 가파른 산악지역의 지형효과를 보정하기 위해 Lambertian reflectance model(Colby 1991)을 적용하였으며, 비산림 지역의 분류에는 ISODATA method(Tou and Gonzalez 1974)를 이용하였다.
이를 위해 RMSE와 평균편의를 포함한 각종 탄소통계량을 정량적으로 비교하였으며, 이후 탄소지도 생성을 통한 육안 분석을 실시하였다. 또한 1992년과 2010년 사이의 탄소분포변화를 보다 효과적으로 분석하기 위해 차분지도를 생성하였다. 분석결과 RTA의 경우 평균편의가 작고, 탄소의 공간적 분포를 뚜렷하게 확인할 수 있었던 반면, 위성영상의 종류에 따라 탄소의 추정량 및 공간적분포에서 큰 차이를 나타내었다.
그림 상에서 주황색 이상 푸른색 등급의 지역은 탄소량 증가를, 붉은색 등급의 지역은 탄소량 감소를 나타내고 있다. 또한 Aster 2009 탄소지도로부터 Landsat 1992 탄소지도를 차분하기 위해 Landsat 1992 탄소지도를 15 m by 15 m 해상도로 최근린기법을 이용하여 리샘플링하였다.
2004). 본 연구에서는 Landsat 영상으로부터 보다 정확한 산림지수 추정을 목적으로 13개의 식생지수를 추가적으로 생성하였으며 , Aster VNIR 영상으로부터도 9개의 식생변수를 추가적으로 생성하였다 .
2007). 본 연구에서는 kNN과 RTA 모형의 적합성을 판단하기 위해 다음과 같이 추정오차를 계산하기 위한 RMSE(수식 5)와, 실측치 대비 과대 혹은 과소 추정 정도를 판단하는 평균편의(mean bias)(수식 6) 를 계산하였다.
본 연구에서는 공주시 및 세종시를 대상으로 지상부 산림바이오매스 탄소저장량의 변화를 추정함에 있어서 kNN 및 RTA 알고리즘의 효용성을 비교·분석하였다.
본 연구에서는 산림탄소량을 추정하기 위해 총네단계의 과정을 구성하여, 첫째 데이터 수집 및 전처리, 둘째 위성영상 및 추정기법에 따른 테스트 그룹 분류 및 추정, 셋째 탄소량 추정 및 정확도 분석, 넷째 탄소지도 및 차분지도를 통한 비교 분석을 수행하였다. 다음의 Fig.
본 연구에서는 공주시 및 세종시를 대상으로 지상부 산림바이오매스 탄소저장량의 변화를 추정함에 있어서 kNN 및 RTA 알고리즘의 효용성을 비교·분석하였다. 이를 위해 RMSE와 평균편의를 포함한 각종 탄소통계량을 정량적으로 비교하였으며, 이후 탄소지도 생성을 통한 육안 분석을 실시하였다. 또한 1992년과 2010년 사이의 탄소분포변화를 보다 효과적으로 분석하기 위해 차분지도를 생성하였다.
탄소량 추정 이후 정확도 검증에는 Root Mean Square Error(RMSE)와 평균편의(mean bias)를 계산하였으며, 대상 지역의 산림탄소분포를 공간적으로 분석할 수 있도록 탄소지도를 생성하였다. 최종적으로 1992년과 2009, 2010년 사이 공주시 및 세종시의 산림 탄소저장량의 공간분포 변화를 보다 구체적으로 파악하기 위한 탄소차 분지도(difference map)를 생성하였다.
대상 데이터
원격탐사 자료로는 1992년 5월 및 2010년 10월에 취득된 두 Landsat TM 영상이, 그리고 2009년 4월에 취득 된 한 장의 Aster 영상이 사용되었다. Landsat 2010 영상은 0.25 m 해상도의 2010년 항공정사영상을 이용해 기하보정을 수행하였으며, Landsat 1992 및 Aster 2009 영상은 Landsat 2010영상을 기준으로 상호기하보정을 수행하였다. 두 LandsatTM은 전처리 과정으로 방사 및 반사보정을 수행하였고(Chander and Markham 2003), Aster 영상은 land processes distributed active archive center을 통해 반사 보정이 수행된 영상을 취득하였다.
3(b)의 5, 6차 자료는 4 km의 일정한 간격으로 취득되었다. 각 표본점은 16 m의 반지름을 가진 0.08 ha 크기의 4개의 부표본점으로 구성되어 있으며 (Fig. 3c), 본 연구에서는 3차 NFI 자료에서 43 표본점 (147개 부표본점) 그리고 5, 6차 자료에서는 47개의 표본점 (144개 부표본점) 자료를 활용하였다. 각 부표본점은 흉고직경 및 수고 등에서 추정된 산림바이오매스 정보를 포함하고 있으며, 탄소량은 기존 바이오매스 정보에 확장계수 0.
세종시는 2012년 특별자치시로 선정되었으며, 아직까지 공식적인 기후 정보는 제공되고 있지 않으나 공주시와 인접해 있으므로 서로 비슷한 기후 특성을 가질 것으로 판단된다. 두 연구 대상지역은 북쪽으로 명성산과 남쪽으로 계룡산에 인접해 있으며, 그 외 지역은 고도 200에서 300 미터 미만의 낮은 구릉 지대를 이루고 있다. 1992년 당시 두 지역의 총 산림 면적은 76,943 ha이나 2010년에는 72,377 ha 로 감소 하였다.
국립산림과학원에서는 전국적으로 4,000 개 고정표본점을 대상으로 산림조사를 실시해왔으며, 5년에 한 번씩 갱신하고 있다. 본 연구에서는 1990~1991년에 걸쳐 구축된 3차 NFI 자료와 2007~2011년 사이에 구축된 제 5, 6차 NFI 자료를 제공받아 현장자료로 사용하였다. Fig.
본 연구에서는 도심 및 그 주변지역의 산림탄소저장량 변화를 파악하기 위해 국립산림과학원에서 제공받은 NFI 데이터를 기반으로 공주 및 세종시를 연구 대상 지역으로 선정하였다(Fig. 2). 두 도시는 경도 126°53’~127°25’, 위도 36°17’~36°43’ 사이에 서로 인접하여 위치하고 있다.
원격탐사 자료로는 1992년 5월 및 2010년 10월에 취득된 두 Landsat TM 영상이, 그리고 2009년 4월에 취득 된 한 장의 Aster 영상이 사용되었다. Landsat 2010 영상은 0.
본 연구에서는 kNN 알고리즘과 더불어 여러 회귀분석기법 중 비선형분석에 적합한 RTA 알고리즘을 비교하고, 공주시와 세종시를 대상으로 약 20년 동안의 산림탄소저장량 변화를 분석하고자 하였다. 이를 위해 위성영상으로는 각각 1992년과 2010년에 취득한 LandsatTM과 2009년도에 취득한 Aster 자료를 사용하였으며, 현장 자료로는 1990~1991년 사이에 구축된 3차 NFI 자료와 2007~2011년 구축된 5, 6차 NFI 자료를 이용하였다. 탄소량 추정 이후 정확도 검증에는 Root Mean Square Error(RMSE)와 평균편의(mean bias)를 계산하였으며, 대상 지역의 산림탄소분포를 공간적으로 분석할 수 있도록 탄소지도를 생성하였다.
데이터처리
2009). 추가적으로 탄소총량이 다른 두 결과치의 상대적인 비교정확도를 분석하기 위해 다음과 같이 및 평균편의%를 계산하였다.
이를 위해 위성영상으로는 각각 1992년과 2010년에 취득한 LandsatTM과 2009년도에 취득한 Aster 자료를 사용하였으며, 현장 자료로는 1990~1991년 사이에 구축된 3차 NFI 자료와 2007~2011년 구축된 5, 6차 NFI 자료를 이용하였다. 탄소량 추정 이후 정확도 검증에는 Root Mean Square Error(RMSE)와 평균편의(mean bias)를 계산하였으며, 대상 지역의 산림탄소분포를 공간적으로 분석할 수 있도록 탄소지도를 생성하였다. 최종적으로 1992년과 2009, 2010년 사이 공주시 및 세종시의 산림 탄소저장량의 공간분포 변화를 보다 구체적으로 파악하기 위한 탄소차 분지도(difference map)를 생성하였다.
이론/모형
2008). 본 연구에서는 RTA 분석을 위해 Cubist(Rulequest 2012) 소프트웨어를 이용하였으며, 최종 자식 노드에 대한 추정모형으로는 다음의 수식 (4)와 같은 다중회귀분석식이 사용되었다.
두 LandsatTM은 전처리 과정으로 방사 및 반사보정을 수행하였고(Chander and Markham 2003), Aster 영상은 land processes distributed active archive center을 통해 반사 보정이 수행된 영상을 취득하였다. 추가적으로 경사가 가파른 산악지역의 지형효과를 보정하기 위해 Lambertian reflectance model(Colby 1991)을 적용하였으며, 비산림 지역의 분류에는 ISODATA method(Tou and Gonzalez 1974)를 이용하였다.
성능/효과
이는 1968년부터 계룡산이 국립공원으로 지정되어 산림보존이 양호했기 때문으로 판단된다. Landsat 1992년 결과에 비해 Landsat 2010 탄소지도의 경우 kNN(Fig. 4c) 및 RTA(Fig. 4d) 결과 모두 약 18년이라는 기간 동안 산림 탄소 저장량이 큰 폭으로 증가했음을 보여준다. 특히 RTA 탄소지도(Fig.
Table 2는 kNN 및 RTA 알고리즘으로부터 추정된 Landsat 1992, Landsat 2010, Aster 2009 영상의 탄소통계 추정량을 나타내고 있다. Table 2로부터 Landsat 1992 의 RMSE가 Landsat 2010 및 Aster 2009 의 RMSE보다 훨씬 작은 것을 확인할 수 있는데, 이는 약 20년 동안 해당 지역의 산림바이오매스 총량이 대폭 증가했기 때문으로, 보다 정확한 비교를 위해서는 상대적인 정확도를 비교 할 수 있는 RMSE% 를 확인하여야 한다. kNN 알고리즘과 Landsat 1992 영상으로부터 추정된 RMSE% 값은 67.
Table 2로부터 Landsat 1992 의 RMSE가 Landsat 2010 및 Aster 2009 의 RMSE보다 훨씬 작은 것을 확인할 수 있는데, 이는 약 20년 동안 해당 지역의 산림바이오매스 총량이 대폭 증가했기 때문으로, 보다 정확한 비교를 위해서는 상대적인 정확도를 비교 할 수 있는 RMSE% 를 확인하여야 한다. kNN 알고리즘과 Landsat 1992 영상으로부터 추정된 RMSE% 값은 67.9 %로 Landsat 2010의 45.6 %와 Aster 2009의 49.6 %보다 훨씬 큰 오차를 나타내었으며, RTA에서도 비슷한 결과를 확인할 수 있었다. 이는 과거 1990~1991년 사이에 구축된 3차 NFI 자료의 불균질한 배치와 표본오차 때문으로 판단되며, 특히 GPS 부재로 인한 위치오차의 영향이 큰 것으로 판단된다(Jung et al.
2013). 두 추정방법의 RMSE% 비교에 있어서는 Landsat 1992 및 Landsat 2010 자료를 사용할 때 kNN 알고리즘이 RTA알고리즘 다 좋은 결과를 나타내었으며, Aster 2009자료를 사용했을 때는 반대로 RTA가 좋은 정확도를 나타내었다. 반면 평균편의% 비교에서는 kNN의 경우 전체적으로 실측치에 비해 약 2% 이상의 과소 추정된 결과가 나타났으나, RTA경우 거의 모든 결과에서 0 %에 가까운 오차를 나타내었으며, 이는 불편추정치를 계산하는 회귀분석에 기반한 RTA의 장점에 따른 것으로 판단된다(Huang 2006).
0 tonC/ha의 좁은 추정범위를 나타내어 입력영상자료에 따라 큰 편차를 나타내었다. 마지막으로 두 kNN 및 RTA 알고리즘으로부터 추정된 공주 및 세종시 탄소총량은 1992년 약 1.2백만 tonC로 비슷했으며, 2009~2010년에는 3.5백만 tonC에서 3.7백만 tonC 사이로 역시 비슷한 결과를 나타내었다. 이는 RTA 에서 과대 혹은 과소 추정된 지역이 전체 추정에서 차지하는 비율이 매우 작기 때문으로 풀이된다.
2 백만 tonC 으로 계산되었다(Table 2). 반면, RTA 차분지도의 경우 2009년 및 2010년 사이에 총 탄소량이오히려 0.1 백만 tonC 감소하는 것으로 추정되었으며(Table 2), Landsat 2010 - Landsat 1992 (Fig. 5b) 의 경우 명성산 및 계룡산 일대를 중심으로 뚜렷하게 발견된 탄소량 증가가 Aster 2009 - Landsat 1992 (Fig. 5d) 차분지도에서는 잘 나타나지 않았다. 특히 등급별 탄소량 차이가 kNN 차분 지도의 경우 크지 않은 반면 (Fig.
2006). 본 연구에서는 최적 k를 선택하기 위해 k를 1에서 20으로 증가시키며 RMSE 변화를 비교해 본 결과, k =10 이후로는 RMSE가 거의 수렴하는 경향을 나타내었다. 또한, 지나치게 큰 k값은 계산량을 증가시키고, 추정값이 평균으로 수렴하는 단점을 가지므로(Fuchs et al.
또한 1992년과 2010년 사이의 탄소분포변화를 보다 효과적으로 분석하기 위해 차분지도를 생성하였다. 분석결과 RTA의 경우 평균편의가 작고, 탄소의 공간적 분포를 뚜렷하게 확인할 수 있었던 반면, 위성영상의 종류에 따라 탄소의 추정량 및 공간적분포에서 큰 차이를 나타내었다. kNN 알고리즘은 상대적으로 입력자료 변화에 안정적인 결과를 나타낸 반면, 스무딩 효과로 뚜렷한 공간분포를 파악하는 데 있어 어려움이 있었다.
kNN 알고리즘은 상대적으로 입력자료 변화에 안정적인 결과를 나타낸 반면, 스무딩 효과로 뚜렷한 공간분포를 파악하는 데 있어 어려움이 있었다. 최종적으로 추정된 공주시 및 세종시의 탄소분포 변화에 있어 두 지역 모두 약 20년의 기간 동안 탄소저장량이 크게 증가한 것을 확인할 수 있었으나, 계룡산을 제외한 기타 고밀도 탄소지역의 공간분포는 결과에 따라 편차를 보이는 것으로 확인하였다.
2 %를 제외하고 3 % 이내로 판명되었다. 추정방법론 별로는 두 kNN 차분지도에서 Landsat 2010 - Landsat 1992(Fig. 5a)의 탄소변화가 Aster 2009 - Landsat 1992(Fig. 5c) 보다 조금 높은 것으로 나타났는데, 이는 2009년에서 2010년 사이의 시간 변화 동안 탄소량이 증가했기 때문으로 풀이되며, 이때의 총 탄소량 차이는 약 0.2 백만 tonC 으로 계산되었다(Table 2). 반면, RTA 차분지도의 경우 2009년 및 2010년 사이에 총 탄소량이오히려 0.
4d) 결과 모두 약 18년이라는 기간 동안 산림 탄소 저장량이 큰 폭으로 증가했음을 보여준다. 특히 RTA 탄소지도(Fig. 4d)의 경우 계룡산 부근의 탄소량 증가와 더불어 공주시 북서쪽에 있는 명성산 부근의 탄소량 역시 급격히 증가했음을 확인할 수 있었다. 반면, kNN(Fig.
5d) 차분지도에서는 잘 나타나지 않았다. 특히 등급별 탄소량 차이가 kNN 차분 지도의 경우 크지 않은 반면 (Fig. 5a 및 Fig. 5c), RTA차분지도의 경우 30~45 tonC/ha등급의 비율이 Landsat 2010 - Landsat 1992 (Fig. 5b)의 경우 39.8 %인데 반해, Aster 2009 - Landsat 1992 (Fig. 5d)의 경우 64.3 %로 나타나 위성영상에 따라 큰 편차가 발생하는 것으로 나타났다.
후속연구
하지만, 본 연구에서는 산림의 임상 혹은 수종 구분에 따른 결과를 추정에 반영하지 않았으며, 두 종류의 위성영상에 제한된 연구결과로 kNN및 RTA의 효용성을 결정하기에는 다소 무리가 있을 것으로 판단된다. 따라서 향후 연구에서는 보다 다양한 지역 및 위성영상을 대상으로 한 추가 검증이 필요할 것으로 판단된다. 또한 본 연구의 경우 두 추정방법론의 차이점을 분석하는 데 집중한 반면, 향후 연구에서는 각 방법론에서 서로 다른 결과가 나오게 된 원인 분석을 통해 연구대상지역의 조건에 따른 최적 알고리즘 선택 및 개선된 결과를 제시하는데 주력할 예정이다.
따라서 향후 연구에서는 보다 다양한 지역 및 위성영상을 대상으로 한 추가 검증이 필요할 것으로 판단된다. 또한 본 연구의 경우 두 추정방법론의 차이점을 분석하는 데 집중한 반면, 향후 연구에서는 각 방법론에서 서로 다른 결과가 나오게 된 원인 분석을 통해 연구대상지역의 조건에 따른 최적 알고리즘 선택 및 개선된 결과를 제시하는데 주력할 예정이다.
하지만, 본 연구에서는 산림의 임상 혹은 수종 구분에 따른 결과를 추정에 반영하지 않았으며, 두 종류의 위성영상에 제한된 연구결과로 kNN및 RTA의 효용성을 결정하기에는 다소 무리가 있을 것으로 판단된다. 따라서 향후 연구에서는 보다 다양한 지역 및 위성영상을 대상으로 한 추가 검증이 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
산림량 추정 방법에는 무엇이 있는가?
한편, 산림량 추정 방법에 있어서 전 세계적으로 kNearestNeighbor(kNN), artificial neutral network,Regression Tree Analysis(RTA), biomass from cluster labeling using structure and type, directradiometric relationships, land cover classification과 같은 다양한 방법론이 개발되어 왔으며(Luther et al. 2006; Labrecque et al. 2006; Lu 2006), 그 중에서도 kNN 및 회귀분석에 기반한 연구 빈도가 매우 높은 것으로 조사된 바 있다(Cho et al. 2011).
원격탐사를 통한 산림 모니터링의 장점은 무엇인가?
2000). 원격탐사를 통한 산림 모니터링의 장점은 첫째 방문 주기가 짧고, 둘째 넓은 지역을 대상으로 하며, 셋째 미조사 지점에 대한 추정이 가능하고, 넷째 비용이 저렴하다는 점이다(Muukkonen 2006; Heo et al. 2006a).
논문의 저자가 지상부 산림바이오매스 탄소저장량의 변화를 추정함에 있어서 kNN 및 RTA 알고리즘의 효용성을 비교·분석하기 위해 실시한 것은?
본 연구에서는 공주시 및 세종시를 대상으로 지상부 산림바이오매스 탄소저장량의 변화를 추정함에 있어서 kNN 및 RTA 알고리즘의 효용성을 비교·분석하였다. 이를 위해 RMSE와 평균편의를 포함한 각종 탄소통계량을 정량적으로 비교하였으며, 이후 탄소지도 생성을 통한 육안 분석을 실시하였다. 또한 1992년과 2010년 사이의 탄소분포변화를 보다 효과적으로 분석하기 위해 차분지도를 생성하였다. 분석결과 RTA의 경우 평균편의가 작고, 탄소의 공간적 분포를 뚜렷하게 확인할 수 있었던 반면, 위성영상의 종류에 따라 탄소의 추정량 및 공간적분포에서 큰 차이를 나타내었다.
참고문헌 (58)
Brockhaus, J.A. and S. Khorram, 1992. A comparison of SPOT and Landsat-TM data for use in conducting inventories of forest resources, International Journal of Remote Sensing, 13(16): 3035-3043.
Chander, G. and B. Markham, 2003. Revised Landsat-5 TM radiometric calibration procedures and postcalibration dynamic ranges, IEEE Transactions on Geoscience and Remote Sensing, 41(11): 2674-2677.
Cho, K., J. Heo, J. Jung, C. Kim and K. Kim, 2011. Review and Comparative Analysis of Forest Biomass Estimation using Remotely Sensed Data: from Five Different Perspectives. Korean Society for Geospatial Information System, 19(1): 87-96 (in Korean with English abstract).
Chung, S.Y., J.S. Yim, H.K. Cho, J.H. Jeong, S.H. Kim and M.Y. Shin, 2009. Estimation of Forest Biomass for Muju County using Biomass Conversion Table and Remote Sensing Data, Journal of Korean Forest Society, 98(4): 409-416 (in Korean with English abstract).
Colby, J.D., 1991. Topographic normalization in rugged terrain, Photogrammetric Engineering and Remote Sensing, 57(5): 531-537.
Coomes, O.T., F. Grimard, C. Potvin and P. Sima, 2008. The fate of the tropical forest: Carbon or cattle?, Ecological Economics, 65(2): 207-212.
Crist, E.P. and R.J. Kauth, 1986. The Tasseled Cap De-Mystified, Photogrammetric Engineering and Remote Sensing, 52: 81-86.
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: 417-425.
Franco-Lopez, H., A.R. Ek and M.E. Bauer, 2001. Estimation and mapping of forest stand density, volume, and cover type using the k-nearest neighbors method, Remote Sensing of Environment, 77(3): 251-274.
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.
Gao, B.-c., 1996. NDWI?A normalized difference water index for remote sensing of vegetation liquid water from space, Remote Sensing of Environment, 58(3): 257-266.
Gemmell, F.M., 1995. Effects of forest cover, terrain, and scale on timber volume estimation with Thematic Mapper data in a rocky mountain site, Remote Sensing of Environment, 51(2): 291-305.
Gonzalez, P., G.P. Asner, J.J. Battles, M.A. Lefsky, K.M. Waring and M. Palace, 2010. Forest carbon densities and uncertainties from Lidar, QuickBird, and field measurements in California, Remote Sensing of Environment, 114(7): 1561-1575.
Goodenough, D.G., A. Bhogal, A. Dyk, M. Apps, R. Hall, P. Tickle, H. Chen, K. Butler and M. Gim. 2000. Determination of above ground carbon in Canada's forests-a multi-source approach, Proc. of 2000 Geoscience and Remote Sensing Symposium, Honolulu Hawaii, USA. Jul. 24-28, pp. 949-953.
Heo, J., J.H. Kim, J.S. Park and H.G. Sohn, 2006a. Timber age verification using historical satellite image analysis, Forest ecology and management, 236(2): 315-323.
Heo, J., J.S. Park, Y.S. Song, S.K. Lee and H.G. Sohn, 2008. An integrated methodology for estimation of forest fire-loss using geospatial information, Environmental monitoring and assessment, 144(1): 285-299.
Holopainen, M., R. Haapanen, M. Karjalainen, M. Vastaranta, J. Hyyppa, X. Yu, S. Tuominen and H. Hyyppa, 2010. Comparing accuracy of airborne laser scanning and TerraSAR-X radar images in the estimation of plot-level forest variables, Remote Sensing, 2(2): 432-445.
Homer, C., J. Dewitz, J. Fry, M. Coan, N. Hossain, C. Larson, N. Herold, A. McKerrow, J.N. VanDriel and J. Wickham, 2007. Completion of the 2001 National Land Cover Database for the Counterminous United States, Photogrammetric Engineering and Remote Sensing, 73(4): 337.
Huang, F., 2006. Child development production functions. Available at SSRN: http://ssrn.com/abstract889005 or http://dx.doi.org/10.2139/ssrn.889005.
Huete, A., K. Didan, T. Miura, E.P. Rodriguez, X. Gao and L.G. Ferreira, 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices, Remote Sensing of Environment, 83: 195-213.
Huete, A.R., H. Liu, K. Batchily and W.J.D. Leeuwen, 1997. A comparison of vegetation indices over a global set of TM images for EOS-MODIS, Remote Sensing of Environment, 59(3): 440-451.
Hyyppa, J., H. Hyyppa, M. Inkinen, M. Engdahl, S. Linko and Y.H. Zhu, 2000. Accuracy comparison of various remote sensing data sources in the retrieval of forest stand attributes, Forest Ecology and Management, 128(1): 109-120.
Jung, J.H., J. Heo, S.H. Yoo, K.M. Kim and J.B. Lee, 2010. Estimation of Aboveground Biomass Carbon Stock in Danyang Area using kNN Algorithm and Landsat TM Seasonal Satellite Images, Journal of the Korean Society for GeoSpatial Information System, 18(4): 119-129 (in Korean with English abstract).
Jung, J.H., S.P. Kim, S.C. Hong, K.M. Kim, E.S. Kim, J.H. Im and J. Heo, 2013. Effects of national forest inventory plot location error on forest carbon stock estimation using k-nearest neighbor algorithm, ISPRS Journal of Photogrammetry and Remote Sensing, 81: 82-92.
Katila, M. and E. Tomppo, 2001. Selecting estimation parameters for the Finnish multisource National Forest Inventory, Remote Sensing of Environment, 76(1): 16-32.
Kim, C., J. Heo, J.B. Lee, S. Han, J.H. Jung and S. Jayakumar, 2012. A synergetic approach to estimating timber age using integrated remotely sensed optical image and InSAR height data, International Journal of Remote Sensing, 33(1): 243-260.
Kim, K.M., 2012. Spatially explicit estimation and the uncertainty analysis of carbon stocks in pine forest using growth model and GIS: The case of Danyang area, Chungcheongbuk-do, doctoral dissertation, Seoul National University, Korea (in Korean with English abstract).
Kim, S., J.H. Heo, J. Heo and S. Kim, 2008. Impervious Surface Estimation of Jungnangcheon Basin using Satellite Remote Sensing and Classification and Regression Tree, Korean Society of Civil Engineers, 28(6D): 915-922 (in Korean with English abstract).
Korea Forest Research Institute, 2009. The 5th national forest inventory surveying: field surveying guide book ver. 1.3 37. Korea Forest Research Institute (in Korean).
Labrecque, S., R. Fournier, J. 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(1): 129-144.
Lu, D., P. Mausel, E. Brondı'zio and E. Moran, 2004. Relationships between forest stand parameters and Landsat TM spectral responses in the Brazilian Amazon Basin, Forest Ecology and Management, 198(1-3): 149-167.
Luther, J., R. Fournier, D. Piercey, L. Guindon and R. Hall, 2006. Biomass mapping using forest type and structure derived from Landsat TM imagery, International journal of applied earth observation and geoinformation, 8(3): 173-187.
Muukkonen, P., 2006. Forest inventory-based largescale forest biomass and carbon budget assessment: new enhanced methods and use of remote sensing for verification, doctoral dissertation, University of Helsinki, Finland.
Myeong, S., D.J. Nowak and M.J. Duggin, 2006. A temporal analysis of urban forest carbon storage using remote sensing, Remote Sensing of Environment, 101(2): 277-282.
Penman, J., M. Gytarsky, T. Hiraishi, T. Krug, D. Kruger, R. Pipatti, L. Buendia, K. Miwa, T. Ngara and K. Tanabe, 2003. Good practice guidance for land use, land-use change and forestry, IPCC National Greenhouse Gas Inventories Programme and Institute for Global Environmental Strategies, IGES), Kanagawa, Japan.
Pinty, B. and M. Verstraete, 1992. GEMI: A Non-Linear Index to Monitor Global Vegetation from Satellites, Vegetatio, 101: 15-20.
Prasad, A.M., L.R. Iverson and A. Liaw, 2006. Newer classification and regression tree techniques: bagging and random forests for ecological prediction, Ecosystems, 9(2): 181-199.
Qi, J., A. Chehbouni, A.R. Huete, Y.H. Kerr and S. Sorooshian, 1994. A modified soil adjusted vegetation index, Remote Sensing of Environment, 48(2): 119-126.
Reese, H., M. Nilsson, T.G. Pahlen, O. Hagner, S. Joyce, U. Tingelof, M. Egberth and H. Olsson, 2003. Countrywide estimates of forest variables using satellite data and field data from the National Forest Inventory, AMBIO: A Journal of the Human Environment, 32(8): 542-548.
Ripple, W.J., S. Wang, D.L. Isaacson and D.P. Paine, 1991. A preliminary comparison of Landsat Thematic Mapper and SPOT-1 HTV multispectral data for estimating coniferous forest volume, International Journal of Remote Sensing, 12: 1971-1977.
Roujean, J.L. and F.M. Breon, 1995. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements, Remote Sensing of Environment, 51(3): 375-384.
Rouse, J.W., R.H. Haas, J.A. Schell and D.W. Deering. 1974. Monitoring vegetation systems in the Great Plains with ERTS, NASA special publication, USA.
Roy, P. and S.A. Ravan, 1996. Biomass estimation using satellite remote sensing data?an investigation on possible approaches for natural forest, Journal of Biosciences, 21(4): 535-561.
Rulequest. 2012. Rulequest research data mining tools.
Santilli, M., P. Moutinho, S. Schwartzman, D. Nepstad, L. Curran and C. Nobre, 2005. Tropical deforestation and the Kyoto Protocol, Climatic Change, 71(3): 267-276.
Tomppo, E., C. Goulding and M. Katila, 1999. Adapting Finnish Multi-Source Forest Inventory Techniques to the New Zealand Preharvest Inventory, Scandinavian Journal of Forest Research, 14: 182-192.
Tomppo, E. and M. Halme, 2004. Using coarse scale forest variables as ancillary information and weighting of variables in k-NN estimation: a genetic algorithm approach, Remote Sensing of Environment, 92(1): 1-20.
Tomppo, E., H. Olsson, G. St?hl, 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.
Yim, J.S., W.S. Han, J.H. Hwang, S.Y. Chung, H.K. Cho and M.Y. Shin, 2009. Estimation of Forest Biomass upon Satellite Data and National Forest Inventory Data, Korean Journal of Remote Sensing, 25(4): 311-320.
Yoo, S.H., J. Heo, J.H. Jung, S.H. Han and K.M. Kim, 2011. Estimation of Aboveground Biomass Carbon Stock using Landsat TM and Ratio Images - kNN Algorithm and Regression Model Priority, Korea Society for Geospatial Information System, 19(2): 39-48 (in Korean with English abstract).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.