선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 특히 NFI기반 탄소 저장량 표본의 수가 많지 않은 경우에는 어떤 식으로 훈련/검증 자료를 나누느냐에 따라 결과가 다르게 나올 수 있다. 그래서 본 연구에서는 입력자료 변화에 따른 모델의 불확실성을 분석 하기 위해 무작위 샘플링을 통한 100개의 7대 3의 훈련 및 검증 자료를 구축하였으며, 이를 알고리즘에 적용하여 모델을 검증하였다. 검증 결과는 RMSE(Root Mean Square Error)와 RRMSE(Relative Root Mean Square Error)로 나타내었으며, 불확실성을 공간적으로 나타내어 산림탄소저장량 추정 결과에 따른 불확실성을 분석하였다.
- 다중시기 LANDSAT 5 TM 자료와 현장 조사 자료를 이용하여 토지피복 분석 및 산림탄소저장량 추정을 수행하였으며, 추정결과들을 바탕으로 토지피복변화에 따른 산림탄소저장량을 분석하였다. 또한, 모델의 불확실성을 분석하여 모델에 대한 이해도를 높이고자 하였다.
- 본 연구에서는 효율적인 탄소배출 규제를 수립하기 위해 토지피복변화가 빠르고 국가 산림자원조사 표본점 배치가 부족한 도시지역인 대전/세종시를 대상으로 1991년~2011년 두 시기 동안 UNFCCC의 Tier 3와 Approach 3를 충족하는 토지피복변화에 따른 격자 기반 산림 탄소저장량을 추정하였으며, 그 결과는 다음과 같다. 연구는 토지피복변화분류, 산림탄소저장량 추정, 토지피복변화에 따른 산림탄소저장량 분석, 모델 불확실성 분석의 순으로 진행되었다.
- 기존 연구에서 다양한 기법으로 산림탄소저장량을 추정한 것과 달리 본 연구에서는 토지피복변화에 따른 산림탄소저장량을 정량적으로 살펴보았다. 토지피복변화가 빠르고 국가 산림자원조사 표본점 배치가 부족한 도시지역을 대상으로 UNFCCC(United Nations Framework Convention on Climate Change)의 Approach 3과 Tier 3을 충족하는 격자 기반 산림탄소저장량 추정을 수행하고자 한다. 다중시기 LANDSAT 5 TM 자료와 현장 조사 자료를 이용하여 토지피복 분석 및 산림탄소저장량 추정을 수행하였으며, 추정결과들을 바탕으로 토지피복변화에 따른 산림탄소저장량을 분석하였다.
가설 설정
- 토지피복분류에 사용된 변수는 Landsat TM 반사도 자료와 NDVI(Normalized Difference Vegetation Index) 식생지수, 고도(DEM, Digital Elevation Model), 경사, 향 자료이다. 고도자료로는 30m 공간해상도의 SRTM(Shuttle Radar Topography Mission)을 사용하였으며, 대상지역에서 20년 동안 고도의 변화가 없다고 가정하였다. 그리고 변화 범주를 동시에 분류할시 너무 다양한 시계열 자료를 사용하면 오히려 오분류가 커질 수 있다는 가정에 따라 판독을 통해 각 시기를 대표할 수 있는 하나의 영상을 사용하였다.
- 분류 후 비교법과 달리 변화분류법은 예상되지 않는 토지이용의 변화를 사전에 차단할 수 있는 장점이 있으나 모든 토지이용변화를 추출하거나 특정 항목의 변화가 발생한 지역이 매우 작아 훈련자료를 충분히 추출할 수 없는 단점이 있다. 따라서 본 연구에서는 일부 변화항목에 대해 충분한 참조자료를 추출하지 못해 모든 참조자료를 훈련자료로 사용하였고, 정확도 평가도 동일한 훈련자료를 사용하여 정확도가 다소 증가한 것으로 생각되나 분류 후 비교법의 훈련 정확도와 검증 정확도 차이와 비슷한 정도의 차이를 보여준다고 가정할 수 있다.
제안 방법
- 1990년대 초와 2010년대 초의 토지피복의 변화를 살펴보기 위해 두 가지 토지피복 변화 탐지 방법을 적용하였다. 첫 번째는 분류 후 비교법(Post-classification Comparison)으로 각 시기의 영상을 이용하여 임지, 농경지, 초지, 습지, 주거지, 기타로 범주를 나누어 토지피복 분류를 수행하였으며, 분류된 두 시기의 토지피복도를 비교함으로써 변화를 탐지하였다.
- 고도자료로는 30m 공간해상도의 SRTM(Shuttle Radar Topography Mission)을 사용하였으며, 대상지역에서 20년 동안 고도의 변화가 없다고 가정하였다. 그리고 변화 범주를 동시에 분류할시 너무 다양한 시계열 자료를 사용하면 오히려 오분류가 커질 수 있다는 가정에 따라 판독을 통해 각 시기를 대표할 수 있는 하나의 영상을 사용하였다. 구체적으로 토지피복분류에 사용된 변수는 표 3에 나와 있다.
- 토지피복분류는 기계학습 중 SVM과 RF을 통해 분류를 수행하였다. 기계학습에 이용된 분류 후 비교법의 표본 자료는 1km의 규칙적인 간격으로 표본점을 추출하였으며, 표본점의 위치에서 반경 100m 이내의 영역이 동일한 토지피복이 판독되지 않는 경우에는 해당 표본점 주위의 균질한 토지피복을 보여주는 지역을 찾아 표본점을 이동시켰다. 추출된 표본개수는 총 2,700개(1991~1992년)와 1,538개(2010~2011년)였으며 7:3의 비율로 무작위로 나누어 각각 훈련 및 검증자료로 사용하였다.
- 기존 연구에서 다양한 기법으로 산림탄소저장량을 추정한 것과 달리 본 연구에서는 토지피복변화에 따른 산림탄소저장량을 정량적으로 살펴보았다. 토지피복변화가 빠르고 국가 산림자원조사 표본점 배치가 부족한 도시지역을 대상으로 UNFCCC(United Nations Framework Convention on Climate Change)의 Approach 3과 Tier 3을 충족하는 격자 기반 산림탄소저장량 추정을 수행하고자 한다.
- 토지피복변화가 빠르고 국가 산림자원조사 표본점 배치가 부족한 도시지역을 대상으로 UNFCCC(United Nations Framework Convention on Climate Change)의 Approach 3과 Tier 3을 충족하는 격자 기반 산림탄소저장량 추정을 수행하고자 한다. 다중시기 LANDSAT 5 TM 자료와 현장 조사 자료를 이용하여 토지피복 분석 및 산림탄소저장량 추정을 수행하였으며, 추정결과들을 바탕으로 토지피복변화에 따른 산림탄소저장량을 분석하였다. 또한, 모델의 불확실성을 분석하여 모델에 대한 이해도를 높이고자 하였다.
- 첫 번째는 분류 후 비교법(Post-classification Comparison)으로 각 시기의 영상을 이용하여 임지, 농경지, 초지, 습지, 주거지, 기타로 범주를 나누어 토지피복 분류를 수행하였으며, 분류된 두 시기의 토지피복도를 비교함으로써 변화를 탐지하였다. 두 번째는 변화분류법(Change Classification)으로 두 시기 영상을 함께 이용하여 임지, 농경지, 초지, 습지, 주거지, 기타의 범주를 조합한 변화된 토지피복과 변화하지 않은 토지피복을 한 번에 분류하여 변화를 탐지하였다.
- 추출된 표본개수는 총 2,700개(1991~1992년)와 1,538개(2010~2011년)였으며 7:3의 비율로 무작위로 나누어 각각 훈련 및 검증자료로 사용하였다. 변화분류법에 사용된 표본 자료는 변화된 토지피복과 변화하지 않은 토지피복 범주를 바탕으로 표본들을 재구성하였다.
- 이러한 문제점은 산림의 3차원 정보를 제공하는 라이다나 SAR와 같은 자료를 활용하면 일부 해결할 수 있을 것으로 생각된다. 본 연구에서 두 가지 기계학습 알고리즘 중에서 SVR이 산림탄소저장량 추정에 가장 적합하다고 판단하여 불확실성 분석과 토지이용변화와의 연계분석에는 SVR을 이용한 산림탄소저장량 추정 결과를 이용하였다. 두 시기의 SVR기반 산림탄소저장량 통계 값은 표 11과 같다.
- 본 연구에서는 제 3차 임상도 및 1:5,000임상도 구축에 활용된 고해상도 항공사진을 토지피복분류에 활용하였다. 제 3차 임상도 구축에 활용된 항공사진(1991년 촬영)은 흑백영상으로 0.
- 본 연구에서는 토지피복변화에 따른 산림탄소저장량 분석을 위해 토지피복변화분류, 산림탄소저장량 추정, 토지피복변화에 따른 산림탄소저장량 분석, 모델 불확실성 분석의 네 과정으로 진행하였다.
- 산림탄소저장량은 RF, SVR의 두 가지 기계학습 알고리즘을 이용하여 추정하였다. RF를 이용한 산림탄소저장량 추정 결과는 표 9에 나와 있으며, SVR을 이용한 산림탄소저장량 추정 결과는 표 10에 나와 있다.
- 본 연구에서는 효율적인 탄소배출 규제를 수립하기 위해 토지피복변화가 빠르고 국가 산림자원조사 표본점 배치가 부족한 도시지역인 대전/세종시를 대상으로 1991년~2011년 두 시기 동안 UNFCCC의 Tier 3와 Approach 3를 충족하는 토지피복변화에 따른 격자 기반 산림 탄소저장량을 추정하였으며, 그 결과는 다음과 같다. 연구는 토지피복변화분류, 산림탄소저장량 추정, 토지피복변화에 따른 산림탄소저장량 분석, 모델 불확실성 분석의 순으로 진행되었다. 토지피복분류는 시계열 Landsat TM 영상 자료를 바탕으로 분류 후 비교법과 변화분류법을 수행하여 1991년~2011년 사이의 대전/세종시의 토지피복을 분류하였다.
- 각 TM 자료의 총 7개 밴드 중 열적외선 밴드를 제외한 6개 밴드를 사용하였다. 일반적으로 한 시기의 영상을 사용하여 우리나라 지역의 토지피복분류를 수행할 때에는 식생의 분포가 가장 쉽게 구별되는 여름 영상이 이상적인데, 1991년에는 8월 영상이 이용 가능하였지만 2010년~2011년에는 이용 가능한 여름 영상이 없어 봄, 가을 영상을 모두 이용하여 토지피복분류의 정확도를 높이고자 하였다. 2010년~2011년 영상과 비슷한 조건을 맞추기 위해 1992년 5월에 취득된 영상도 이용하였다.
- 산림탄소저장량 추정은 그림 2와 같은 과정으로 수행하였다. 지형변수를 제외하고는 Landsat TM 영상을 바탕으로 반사도, 밴드비율, 식생지 수를 추출한 후 RF, SVR의 기계학습 알고리즘을 이용하여 산림탄소저장량을 추정하였다. 산림탄소저장량 추정에 사용된 변수는 표 4에 요약되어 있으며, 토지피복변화분석에서 사용한 변수에 식생지수를 추가하였다.
- 1990년대 초와 2010년대 초의 토지피복의 변화를 살펴보기 위해 두 가지 토지피복 변화 탐지 방법을 적용하였다. 첫 번째는 분류 후 비교법(Post-classification Comparison)으로 각 시기의 영상을 이용하여 임지, 농경지, 초지, 습지, 주거지, 기타로 범주를 나누어 토지피복 분류를 수행하였으며, 분류된 두 시기의 토지피복도를 비교함으로써 변화를 탐지하였다. 두 번째는 변화분류법(Change Classification)으로 두 시기 영상을 함께 이용하여 임지, 농경지, 초지, 습지, 주거지, 기타의 범주를 조합한 변화된 토지피복과 변화하지 않은 토지피복을 한 번에 분류하여 변화를 탐지하였다.
- 토지피복분류는 기계학습 중 SVM과 RF을 통해 분류를 수행하였다. 기계학습에 이용된 분류 후 비교법의 표본 자료는 1km의 규칙적인 간격으로 표본점을 추출하였으며, 표본점의 위치에서 반경 100m 이내의 영역이 동일한 토지피복이 판독되지 않는 경우에는 해당 표본점 주위의 균질한 토지피복을 보여주는 지역을 찾아 표본점을 이동시켰다.
- 연구는 토지피복변화분류, 산림탄소저장량 추정, 토지피복변화에 따른 산림탄소저장량 분석, 모델 불확실성 분석의 순으로 진행되었다. 토지피복분류는 시계열 Landsat TM 영상 자료를 바탕으로 분류 후 비교법과 변화분류법을 수행하여 1991년~2011년 사이의 대전/세종시의 토지피복을 분류하였다. RF와 SVM을 이용하여 토지피복분류를 수행하였으나 사용된 시계열 영상 사이의 위치오차가 존재하고, 자료가 수집된 계절이 달라 수계지역과 농경지, 그리고 각 토지피복항목의 경계부에서 오차가 증가하였다.
- 위성자료를 수집한 날짜가 다르거나 서로 다른 센서로부터 취득된 위성자료를 동시에 사용하기 위해서는 각 밴드의 밝기 값을 위성의 반사도로 변환하는 방사보정 및 대기에 의한 왜곡을 보정하는 대기보정이 필요하며, 위성자료를 지도상에 정확한 위치에 나타내기 위한 기하보정이 필요하다. 하지만 본 연구에서는 사전 테스트를 통해 ENVI FLAASH를 이용한 대기보정의 여부가 토지피복 분류와 산림탄소저장량 추정의 정확도 향상을 가지오지 않았기 때문에 대기보정 없이 진행한 결과를 가지고 분석하였다. 방사보정은 NASA의 Markhan and Barker(1987)가 제시한 식 (1)과 식 (2)을 통해 변환하였으며, 기하보정은 반사도로 변환된 영상을 고해상도 항공사진을 참고자료로 하여 GCP(Ground Control Points)와 최근린(Nearest Neighbor) 리샘플링 방법을 이용하여 수행하였다.
대상 데이터
- 참조자료로 사용된 NFI자료는 각 시기별로 무작위로 7:3으로 나누어 각각 훈련자료와 검증자료로 사용하였다. 1990년~1991년 산림탄소저장량 추정에는 총 529 표본 중 370의 표본이 훈련자료로 사용되었고, 나머지 159개의 표본이 검증용으로 사용되었다. 또한 2007년~2011년 산림탄소저장량 추정에는 총 825개의 표본 중 577개의 표본이 훈련자료로, 248개의 표본이 검증용으로 사용되었다.
- 일반적으로 한 시기의 영상을 사용하여 우리나라 지역의 토지피복분류를 수행할 때에는 식생의 분포가 가장 쉽게 구별되는 여름 영상이 이상적인데, 1991년에는 8월 영상이 이용 가능하였지만 2010년~2011년에는 이용 가능한 여름 영상이 없어 봄, 가을 영상을 모두 이용하여 토지피복분류의 정확도를 높이고자 하였다. 2010년~2011년 영상과 비슷한 조건을 맞추기 위해 1992년 5월에 취득된 영상도 이용하였다.
- 이상적으로는 계절의 차이를 최소화해야 하나 광학 센서 자료의 특성상 구름이 없어야 하므로 부득이하게 영상 취득 시기에 계절의 차이가 존재하였다. 각 TM 자료의 총 7개 밴드 중 열적외선 밴드를 제외한 6개 밴드를 사용하였다. 일반적으로 한 시기의 영상을 사용하여 우리나라 지역의 토지피복분류를 수행할 때에는 식생의 분포가 가장 쉽게 구별되는 여름 영상이 이상적인데, 1991년에는 8월 영상이 이용 가능하였지만 2010년~2011년에는 이용 가능한 여름 영상이 없어 봄, 가을 영상을 모두 이용하여 토지피복분류의 정확도를 높이고자 하였다.
- 25m의 컬러영상이다. 고해상도 항공사진은 Landsat TM 자료의 토지피복분류를 위하여 표본 자료를 추출하는데 사용되었다.
- 1990년~1991년 산림탄소저장량 추정에는 총 529 표본 중 370의 표본이 훈련자료로 사용되었고, 나머지 159개의 표본이 검증용으로 사용되었다. 또한 2007년~2011년 산림탄소저장량 추정에는 총 825개의 표본 중 577개의 표본이 훈련자료로, 248개의 표본이 검증용으로 사용되었다.
- 본 연구에 사용된 위성영상자료는 Landsat 5 TM으로 1991년~1992년에 취득된 두 영상과 2010년~2011년에 취득된 두 영상을 사용하였으며, 정확한 취득날짜는 표 1과 같다. 이상적으로는 계절의 차이를 최소화해야 하나 광학 센서 자료의 특성상 구름이 없어야 하므로 부득이하게 영상 취득 시기에 계절의 차이가 존재하였다.
- 1ha 이상, 최소 수고 5m까지 자랄 수 있는 입목의 수관밀도가 10% 이상이며 최소폭 20m 이상인 토지로 죽림을 포함한다. 본 연구에서는 두시기 임상도(1991, 2011)를 각각 3차 NFI(1990~1991)와 5차(2007~2010) 및 6차 NFI(2011) 자료와 연계하여 사용하였다. 국가산림자원조사는 전국 산림의 약 640만 ha를 대상으로 실시하고 있으며, 계통추출법(Systematic sampling)을 이용해 추출한 약 4,000여개의 고정 표본점(Permanent Sample Plot, PSP)에 대해서 현장 조사하고 있다.
- 본 연구에서는 토지피복변화에 따른 산림탄소저장량 변화를 분석하기 위해 도시 확장으로 토지피복변화가 크게 나타난 대전광역시, 세종특별자치시를 연구대상지역으로 선정하였다. 대전시는 1985년에 설립된 대규모 국책 계획도시로서 둔산 신도시 개발이 시작되면서 본격적인 도시 확장이 시작되었다.
- 참조자료로 사용된 NFI자료는 각 시기별로 무작위로 7:3으로 나누어 각각 훈련자료와 검증자료로 사용하였다. 1990년~1991년 산림탄소저장량 추정에는 총 529 표본 중 370의 표본이 훈련자료로 사용되었고, 나머지 159개의 표본이 검증용으로 사용되었다.
- 기계학습에 이용된 분류 후 비교법의 표본 자료는 1km의 규칙적인 간격으로 표본점을 추출하였으며, 표본점의 위치에서 반경 100m 이내의 영역이 동일한 토지피복이 판독되지 않는 경우에는 해당 표본점 주위의 균질한 토지피복을 보여주는 지역을 찾아 표본점을 이동시켰다. 추출된 표본개수는 총 2,700개(1991~1992년)와 1,538개(2010~2011년)였으며 7:3의 비율로 무작위로 나누어 각각 훈련 및 검증자료로 사용하였다. 변화분류법에 사용된 표본 자료는 변화된 토지피복과 변화하지 않은 토지피복 범주를 바탕으로 표본들을 재구성하였다.
데이터처리
- 그래서 본 연구에서는 입력자료 변화에 따른 모델의 불확실성을 분석 하기 위해 무작위 샘플링을 통한 100개의 7대 3의 훈련 및 검증 자료를 구축하였으며, 이를 알고리즘에 적용하여 모델을 검증하였다. 검증 결과는 RMSE(Root Mean Square Error)와 RRMSE(Relative Root Mean Square Error)로 나타내었으며, 불확실성을 공간적으로 나타내어 산림탄소저장량 추정 결과에 따른 불확실성을 분석하였다.
이론/모형
- IPCC 가이드라인의 산림 정의를 충족하는 산림 경계 추출을 위해 국가산림자원조사(National Forest Inventory, NFI)에서 구축한 임상도를 활용하였다. 임상도에서 구분되는 산림은 산림면적 0.
- , 2014)를 적용하였다. RBF 커널함수에는 크게 두 가지 파라미터가 사용되는데 파라미터를 결정하기 위한 다양한 최적화기법(Shevade et al., 2000; Chapelle et al., 2002; Keerthi and Lin, 2003; Huang and Wang, 2006) 중 격자 찾기(grid search) 기법을 적용하였다.
- FIGURE 3. The spatial distribution of land uses based on the post-classification comparison method(left) and change classification method(right) using SVM in Daejeon/Sejong cities. Classes which are not designated as water, residential area, cropland, grassland, and forest are classified as others
- 하지만 본 연구에서는 사전 테스트를 통해 ENVI FLAASH를 이용한 대기보정의 여부가 토지피복 분류와 산림탄소저장량 추정의 정확도 향상을 가지오지 않았기 때문에 대기보정 없이 진행한 결과를 가지고 분석하였다. 방사보정은 NASA의 Markhan and Barker(1987)가 제시한 식 (1)과 식 (2)을 통해 변환하였으며, 기하보정은 반사도로 변환된 영상을 고해상도 항공사진을 참고자료로 하여 GCP(Ground Control Points)와 최근린(Nearest Neighbor) 리샘플링 방법을 이용하여 수행하였다.
- 본 연구에서는 기본적으로 500개의 나무를 구축하였으며, 각 노드에서의 입력변수의 수로 #을 사용하였으며, 결과를 취합할 때에는 weighted majority voting 기법을 사용하였다.
- 많이 사용되고 있는 커널함수로는 선형, 다항식, 가우시안, 시그모이드(sigmoid), Radial Basis Function(RBF) 등이 있다. 본 연구에서는 다른 커널 함수들보다 안정적이고 좋은 결과를 보여주는 RBF 커널함수(Xu et al., 2012; Ramedani et al., 2014)를 적용하였다. RBF 커널함수에는 크게 두 가지 파라미터가 사용되는데 파라미터를 결정하기 위한 다양한 최적화기법(Shevade et al.
- 본 연구에서는 사용자 및 생산자 정확도(User’s and Producer’s accuracy), 전체정확도(Overall accuracy), Kappa 값이 이용되었다.
- 하지만 많은 기계학습이 훈련자료의 구성에 민감하며, 경우에 따라 많은 훈련자료를 필요로 하기도 한다. 본 연구에서는 토지피복변화분류와 산림탄소저장량 추정을 위해 기계학습 알고리즘 중 SVM(Support Vector Machine), SVR(Support Vector Regression), RF(Random Forest)를 이용하였다.
- RF는 결정나무의 훈련자료에 대한 민감도를 보완하기 위해 크게 두 가지의 무작위(Randomness) 함수를 도입하였다(Breiman, 2001). 첫 번째 무작위 함수는 훈련자료로 전체 훈련자료에서 일부만 사용하고 나머지(Out-of-bag data)는 교차검증 (Cross-validation)을 통해 내부적으로 모델을 평가하는데 사용한다. 두 번째 무작위 함수는 나무의 각 노드에서 무작위로 선택된 일부의 입력 변수만 사용하며, 일반적으로 (n은 입력변수의 수)의 무작위로 선택된 일부의 입력 변수가 사용된다.
- 토지피복분류 결과를 정량적으로 평가하기 위해 일반적으로 사용되는 분류 정확도 통계 값들을 활용하였다. 본 연구에서는 사용자 및 생산자 정확도(User’s and Producer’s accuracy), 전체정확도(Overall accuracy), Kappa 값이 이용되었다.
성능/효과
- 토지피복분류는 시계열 Landsat TM 영상 자료를 바탕으로 분류 후 비교법과 변화분류법을 수행하여 1991년~2011년 사이의 대전/세종시의 토지피복을 분류하였다. RF와 SVM을 이용하여 토지피복분류를 수행하였으나 사용된 시계열 영상 사이의 위치오차가 존재하고, 자료가 수집된 계절이 달라 수계지역과 농경지, 그리고 각 토지피복항목의 경계부에서 오차가 증가하였다. 또한 훈련/검증 자료를 고해상도 항공사진으로부터 추출하였기 때문에 항공사진과 위성자료 사이의 시간 차이에 따른 오차도 존재하였다.
- SVM과 RF를 이용하여 분류 후 비교법과 변화분류법을 수행한 결과 SVM이 높은 분류 정확도를 보여주었다. SVM을 이용한 분류 후 비교법과 변화분류법은 비슷한 분류 정확도를 보여주었으며, 표 5, 6에 정확도 평가 결과를 요약하였다.
- RF의 경우 전반적으로 검증 오차 RRMSE가 1991년~1992년에는 63%, 2010년~2011년에는 47%로 나타났다. SVR의 경우 RF와 비교하여 훈련 정확도가 상당히 높은 특징을 보여주었으며, 검증 오차 RRMSE가 1991년~1992년에는 32%, 2010년~2011년에는 45%로 RF와 비슷하게 나타났다. 추정된 산림탄소저장량으로 계산한 변화량은 Jung et al.
- 토지피복변화분류 결과와 산림탄소저장량 추정결과를 바탕으로 토지피복변화별 산림탄소저장량을 살펴보았을 때, 산림이 유지된 지역은 산림탄소저장량이 증가하여 탄소의 흡수가 나타난 반면 산림이 타 용도로 변환된 지역은 산림탄소저장량이 (-) 값을 나타내어 탄소의 배출이 나타난 것을 알 수 있었다. 마지막으로 모델에 의한 불확실성을 공간적으로 나타냈으며, 그 결과 추정된 탄소량이 작은 지역에서 불확실성이 크게 나타났다. 본 연구의 과정에서 나타난 한계점들은 산림의 3차원 정보를 제공해 줄 수 있는 LiDAR나 SAR 등을 적절한 활용을 통해 보다 더 정밀하게 토지피복/이용 변화와 연계하여 산림탄소정보를 정량화 할 수 있다.
- 또한 훈련/검증 자료를 고해상도 항공사진으로부터 추출하였기 때문에 항공사진과 위성자료 사이의 시간 차이에 따른 오차도 존재하였다. 본 연구에서 사용된 방법 중에는 변화분류법의 SVM이 가장 적합하였으나, 일부 변화 항목에 대한 표본의 수가 매우 적어서 동일한 기준에서 정량적인 비교는 불가능하였다. 산림탄소저장량도 토지피복변화분류와 마찬가지로 시계열 Landsat TM 영상자료를 바탕으로 RF와 SVR을 이용하여 추정하였으나, NFI 자료와 비교하였을 때 전반적으로 낮은 상관성을 보여주어 2차원적인 분광정보만으로는 고밀도 산림지역의 탄소를 효과적으로 정량화하기 어려우며 일반적으로 과소 추정하는 경향이 있다고 판단된다.
- SVM기반 토지이용분류 결과를 이용한 토지 이용 항목별 면적 통계는 표 7, 8과 같다. 분류 후 비교법에 기초한 토지이용 항목별 면적 통계에 따르면 대전시에서의 임지 면적은 6.52㎢가 증가하였으며, 세종시에서의 임지 면적은 9.82㎢ 감소하였다. 변화분류법에 기초한 토지 이용 항목별 면적 통계에 따르면 대전시에서의 임지 면적은 6.
- SVM을 이용한 분류 후 비교법과 변화분류법은 비슷한 분류 정확도를 보여주었으며, 표 5, 6에 정확도 평가 결과를 요약하였다. 분류 후 비교법에서는 다른 토지피복 범주에 비해 임지와 수계지역의 정확도가 높게 나왔으며, 변화분류법에서는 대부분의 범주에서 90% 이상의 높은 정확도를 보였으나 산림/농지, 농지/초지에서 생산자 정확도가 낮게 나타나는 경향을 보여주었다. 산림에서 농지나 초지로 변한 범주에서 분류 정확도가 낮게 나온 이유는 SVM에서 식생지수로 각 변화를 구분하기 어려웠기 때문으로 생각되며, 이는 대기의 영향으로 인해 나타난 것으로 판단된다.
- 산림탄소저장량도 토지피복변화분류와 마찬가지로 시계열 Landsat TM 영상자료를 바탕으로 RF와 SVR을 이용하여 추정하였으나, NFI 자료와 비교하였을 때 전반적으로 낮은 상관성을 보여주어 2차원적인 분광정보만으로는 고밀도 산림지역의 탄소를 효과적으로 정량화하기 어려우며 일반적으로 과소 추정하는 경향이 있다고 판단된다. 토지피복변화분류 결과와 산림탄소저장량 추정결과를 바탕으로 토지피복변화별 산림탄소저장량을 살펴보았을 때, 산림이 유지된 지역은 산림탄소저장량이 증가하여 탄소의 흡수가 나타난 반면 산림이 타 용도로 변환된 지역은 산림탄소저장량이 (-) 값을 나타내어 탄소의 배출이 나타난 것을 알 수 있었다. 마지막으로 모델에 의한 불확실성을 공간적으로 나타냈으며, 그 결과 추정된 탄소량이 작은 지역에서 불확실성이 크게 나타났다.
후속연구
- 탄소저장량은 국가 전체 또는 시도별로 요약된 수치 형태로 발표하고 있기 때문에 국지적인 탄소저장량의 공간적 분포를 파악하는 것이 어렵다. 또한, 표본점이 없는 지역에 대해서는 추정이 쉽지 않아 산림 탄소저장량의 분포를 하나의 통계 값이 아닌 연속적인 표면으로 제공된다면 산림의 관리 측면에서 효율성이 증가할 것으로 예상된다. 우리나라의 경우 산림 탄소 추정 방법으로 IPCC 우수 실행지침의 기본 방법인 획득-손실법(gainloss method)을 이용하고 있다.
- 마지막으로 모델에 의한 불확실성을 공간적으로 나타냈으며, 그 결과 추정된 탄소량이 작은 지역에서 불확실성이 크게 나타났다. 본 연구의 과정에서 나타난 한계점들은 산림의 3차원 정보를 제공해 줄 수 있는 LiDAR나 SAR 등을 적절한 활용을 통해 보다 더 정밀하게 토지피복/이용 변화와 연계하여 산림탄소정보를 정량화 할 수 있다. 이와 더불어 기계학습에 사용되는 입력번수가 그 성능에 영향을 미치는 중요한 요소이므로 최적의 입력변수를 찾는 연구도 수행할 예정이다.
- 본 연구의 과정에서 나타난 한계점들은 산림의 3차원 정보를 제공해 줄 수 있는 LiDAR나 SAR 등을 적절한 활용을 통해 보다 더 정밀하게 토지피복/이용 변화와 연계하여 산림탄소정보를 정량화 할 수 있다. 이와 더불어 기계학습에 사용되는 입력번수가 그 성능에 영향을 미치는 중요한 요소이므로 최적의 입력변수를 찾는 연구도 수행할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.