잎의 수분 함유량은 식물의 건강상태를 나타내는 중요한 척도 중 하나로써, 이를 원격탐사를 활용 하여 모니터링 하는 것은 산림관리에 있어서 매우 중요하다. 본 연구에서는 식생 캐노피의 수분량을 연구하는데 유용한 지수인 Normalized Difference Water Index (NDWI)를 이용하여 한반도 산림의 water stress 정도를 알아보고자 한다. SPOT/VEGETATION S10 채널자료를 1999년부터 2013년까지 취득하여 NDWI 를 산출하였고, 데이터의 노이즈를 제거하기 위하여 단순이동평균, NDWI의 시간적 변화를 파악하기 위하 여standardized anomaly를 수행했으며, 직관적인 모니터링을 위해 NDWI anomaly를 등급화 하였다. 또한 피해면적 150 ha 이상의 대형 산불과 비교 검증을 통해, 산림 캐노피의 water stress 평가 인자로서 NDWI의 적합성을 파악하였다. 그 결과 연구 기간 중 대형 산불은 총 24회 발생하였으며 모든 발생 지점 및 인접 지역에서 음의 anomaly가 나타났다. 특히 NDWI anomaly의 등급이 'high'일 경우 대형 산불이 빈번하게 발생하는 것을 확인하였다.
잎의 수분 함유량은 식물의 건강상태를 나타내는 중요한 척도 중 하나로써, 이를 원격탐사를 활용 하여 모니터링 하는 것은 산림관리에 있어서 매우 중요하다. 본 연구에서는 식생 캐노피의 수분량을 연구하는데 유용한 지수인 Normalized Difference Water Index (NDWI)를 이용하여 한반도 산림의 water stress 정도를 알아보고자 한다. SPOT/VEGETATION S10 채널자료를 1999년부터 2013년까지 취득하여 NDWI 를 산출하였고, 데이터의 노이즈를 제거하기 위하여 단순이동평균, NDWI의 시간적 변화를 파악하기 위하 여standardized anomaly를 수행했으며, 직관적인 모니터링을 위해 NDWI anomaly를 등급화 하였다. 또한 피해면적 150 ha 이상의 대형 산불과 비교 검증을 통해, 산림 캐노피의 water stress 평가 인자로서 NDWI의 적합성을 파악하였다. 그 결과 연구 기간 중 대형 산불은 총 24회 발생하였으며 모든 발생 지점 및 인접 지역에서 음의 anomaly가 나타났다. 특히 NDWI anomaly의 등급이 'high'일 경우 대형 산불이 빈번하게 발생하는 것을 확인하였다.
Leaf water content is one of important indicators that shows states of vegetation. It is important to monitor vegetation water content using remote sensing for forest management. In this study, we investigated the degree of water stress in Korean peninsula with Normalized Difference Water Index (NDW...
Leaf water content is one of important indicators that shows states of vegetation. It is important to monitor vegetation water content using remote sensing for forest management. In this study, we investigated the degree of water stress in Korean peninsula with Normalized Difference Water Index (NDWI) to study the water content of vegetation canopy. We calculated the NDWI using SPOT/VEGETATION S10 channel data over forest from 1999 to 2013. We calculated Simple Moving Average (SMA) to remove temporal noises of NDWI in time series, and used standardized anomaly to investigate temporal changes. We classified the NDWI anomalies into three scales (low, moderate, and high) in order to monitor intuitively. We also investigated suitability of the NDWI as an evaluation criterion about water stress of vegetation canopy by comparing and verifying forest fires damaged area over 150 ha. Consequently, huge forest fire occurred 24 times during the study period. Also, negative anomalies appeared in every forest fire location and their neighboring areas. In particular, we found huge forest fires where NDWI anomalies were in 'high' scale.
Leaf water content is one of important indicators that shows states of vegetation. It is important to monitor vegetation water content using remote sensing for forest management. In this study, we investigated the degree of water stress in Korean peninsula with Normalized Difference Water Index (NDWI) to study the water content of vegetation canopy. We calculated the NDWI using SPOT/VEGETATION S10 channel data over forest from 1999 to 2013. We calculated Simple Moving Average (SMA) to remove temporal noises of NDWI in time series, and used standardized anomaly to investigate temporal changes. We classified the NDWI anomalies into three scales (low, moderate, and high) in order to monitor intuitively. We also investigated suitability of the NDWI as an evaluation criterion about water stress of vegetation canopy by comparing and verifying forest fires damaged area over 150 ha. Consequently, huge forest fire occurred 24 times during the study period. Also, negative anomalies appeared in every forest fire location and their neighboring areas. In particular, we found huge forest fires where NDWI anomalies were in 'high' scale.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 1999년부터 2013년까지 총 15년 동안의 NDWI를 이용하여 한반도의 water stress를 파악하고자 한다. Standardized anomaly를 사용하여 지역적 편차를 제거하여 각 지점에 대하여 시기에 따른 수분 정도를 파악하였고, 보다 직관적인 시공간적 모니터링을 위해 NDWI anomaly를 등급화 하였다.
제안 방법
본 연구에서는 1999년부터 2013년까지 총 15년 동안의 NDWI를 이용하여 한반도의 water stress를 파악하고자 한다. Standardized anomaly를 사용하여 지역적 편차를 제거하여 각 지점에 대하여 시기에 따른 수분 정도를 파악하였고, 보다 직관적인 시공간적 모니터링을 위해 NDWI anomaly를 등급화 하였다. 이것을 바탕으로 산림의 건조 상태와 밀접한 관계가 있는 산불과의 비교를 통해, NDWI anomaly의 적합성을 파악하였다.
본 연구에서는 noise detection을 위해 사용되는 이동평균의 범위를 3개의 10일 자료로 결정하였다. 또한 각각의 지점별로 시간에 따른 식생의 수분량 변화를 분석하기 위하여 NDWI에 대한 anomaly를 산출하였고, 이를 바탕으로 한반도의 산림을 보다 직관적인 모니터링을 위하여 anomaly 값에 따라 등급화를 수행하였다. Anomaly 값이 -0.
본 연구에서는 대형 산불과의 비교 검증을 통해, NDWI의 anomaly가 한반도 water stress를 적절히 반영하고 있는지 시공간적 분포를 통해 확인하였다. Anomaly 분석 결과, 산불이 발생하기 전, 발생 지점 및 인접한 지역에서 모두 음의 anomaly가 발생하였으며, 특히 1000 ha 이상의 초대형 산불일 경우 -1 이하의 anomaly 값이 나타났다.
Standardized anomaly를 사용하여 지역적 편차를 제거하여 각 지점에 대하여 시기에 따른 수분 정도를 파악하였고, 보다 직관적인 시공간적 모니터링을 위해 NDWI anomaly를 등급화 하였다. 이것을 바탕으로 산림의 건조 상태와 밀접한 관계가 있는 산불과의 비교를 통해, NDWI anomaly의 적합성을 파악하였다.
대상 데이터
S10자료는 공간해상도 1 km2이며, 기하보정, 대기보정, BRDF 보정 등 전처리 과정을 거친 10일 합성 자료이다. 그리고 비교 검증을 위하여 산림청에서 제공하는 산불데이터 중 대형 산불을 연구 대상으로 설정하였다. 대형 산불은 피해면적이 100 ha (1 km2) 이상으로 확산된 산불을 지칭하지만, 본 연구에서는 VGT-S10의 공간해상도가 1 km2인 것을 반영하여 보다 정확한 분석을 위해 피해면적이 150 ha 이상인 지역으로 설정하였다.
(2009)에 의하면 1600 nm 대의 반사도를 사용하는 것이 보다 효과적으로 식생이 포함된 수분량을 파악할 수 있다고 하였다. 따라서 본 연구에서는 VGT-S10 자료의 B3(0.78 ~ 0.89 μm), MIR(1.58 ~ 1.75 μm)을 사용하였다.
본 연구의 공간적 범위는 한반도 지역인 32°49‘01“N~42°29’11”N, 122°24‘35“E ~ 130°43’44”E이며, 시간적 범위는 1999년 1월부터 2013년 12월까지 총 15년으로 설정 하였다. 한반도는 가장 넓은 면적에서 자라고 있는 소나무를 포함하여 전체 산림의 약 40% 정도 침엽수림으로 이루어져 있다.
이론/모형
송진)을 포함하고 있어 산불의 대형화가 다른 수종에 비해 빈번하게 발생한다. 본 연구에서는 산불 대형화의 가능성이 높은 한반도 지역의 water stress를 파악하기 위하여 Satellite Pour l’Observation de la Terre / VEGETATION (SPOT/VGT)의 S10 채널 자료 Near Infrared (NIR), Short Wavelength Infrared (SWIR)의 반사도를 사용하였다. S10자료는 공간해상도 1 km2이며, 기하보정, 대기보정, BRDF 보정 등 전처리 과정을 거친 10일 합성 자료이다.
성능/효과
본 연구에서는 대형 산불과의 비교 검증을 통해, NDWI의 anomaly가 한반도 water stress를 적절히 반영하고 있는지 시공간적 분포를 통해 확인하였다. Anomaly 분석 결과, 산불이 발생하기 전, 발생 지점 및 인접한 지역에서 모두 음의 anomaly가 발생하였으며, 특히 1000 ha 이상의 초대형 산불일 경우 -1 이하의 anomaly 값이 나타났다. 또한 연구 기간 중 대형 산불이 가장 많이 발생한 시기에 한반도 전반적으로 매우 낮은 anomaly가 분포하고 있었으며 특히 anomaly의 등급이 ‘High’일 경우 대형 산불이 빈번하게 발생하는 것을 확인하였다.
하지만 연구기간이 15년으로 한반도 산림의 수분상태의 경향성을 파악하는 것에는 한계가 있었으며, 등급을 3단계로 단순하게 표현하여 정밀한 분석에 어려움이 있었다. 그리고 음의 anomaly가 강하게 발생하여도 대형 산불이 발생하지 않는 지역이 나타났으며, 음의 anomaly가 약하게 나타나는 곳에서도 대형 산불이 발생하였다. 이는 산불 발생 원인이 대부분 입산자 실화에 의한 것이며 산불의 대형화가 산림의 수분량뿐만 아니라 증발산, 상대습도 등 다양한 기상인자의 영향을 받는 것으로 파악된다.
이 시기에는 연구기간 중 25%에 해당하는 6건의 대형 산불이 발생하였다. 대형 산불이 발생한 지역 중 삼척에서 anomaly 등급은 ‘Moderate’가 나타났으며 이를 제외한 4곳에서 anomaly 등급이 ‘High’가 나타났다. 하지만 삼척 역시 발생지점을 제외한 대부분의 인접 픽셀에서 다른 산불 발생지점과 마찬가지로 ‘High’가 나타났다.
Anomaly 분석 결과, 산불이 발생하기 전, 발생 지점 및 인접한 지역에서 모두 음의 anomaly가 발생하였으며, 특히 1000 ha 이상의 초대형 산불일 경우 -1 이하의 anomaly 값이 나타났다. 또한 연구 기간 중 대형 산불이 가장 많이 발생한 시기에 한반도 전반적으로 매우 낮은 anomaly가 분포하고 있었으며 특히 anomaly의 등급이 ‘High’일 경우 대형 산불이 빈번하게 발생하는 것을 확인하였다. 이것으로 한반도 산림의 수분량에 따른 산불의 위험 정도를 대략 적으로 파악할 수 있었으며 이는 산림의 건강상태에 따른 정책 수립 및 산불 방지 대책을 마련하는데 도움이 될 것으로 생각된다.
해당 표에 나와 있는 anomaly 값은 산불 발생일 전, 10일 합성자료를 대상으로 산출한 값이다. 연구기간 중 대형 산불은 총 24회 발생하였으며, 모든 지점에서 음의 anomaly가 나타났다. anomaly에 따른 등급은 ‘High’가 12건으로 전체 발생건수의 절반에 해당하며, ‘Moderate’는 5건, ‘Low’는 6건 발생하였다.
후속연구
이는 산불 발생 원인이 대부분 입산자 실화에 의한 것이며 산불의 대형화가 산림의 수분량뿐만 아니라 증발산, 상대습도 등 다양한 기상인자의 영향을 받는 것으로 파악된다. 본 연구의 결과는 NDWI가 산림 캐노피의 water stress를 평가하는데 도움을 줄 수 있다고 보이며, 향후 연구에서 증발산, Gross Primary Production (GPP, 일차총생산량) 등의 생태변수들과 함께 평가를 필요로 한다고 사료된다.
또한 연구 기간 중 대형 산불이 가장 많이 발생한 시기에 한반도 전반적으로 매우 낮은 anomaly가 분포하고 있었으며 특히 anomaly의 등급이 ‘High’일 경우 대형 산불이 빈번하게 발생하는 것을 확인하였다. 이것으로 한반도 산림의 수분량에 따른 산불의 위험 정도를 대략 적으로 파악할 수 있었으며 이는 산림의 건강상태에 따른 정책 수립 및 산불 방지 대책을 마련하는데 도움이 될 것으로 생각된다. 하지만 연구기간이 15년으로 한반도 산림의 수분상태의 경향성을 파악하는 것에는 한계가 있었으며, 등급을 3단계로 단순하게 표현하여 정밀한 분석에 어려움이 있었다.
이것으로 한반도 산림의 수분량에 따른 산불의 위험 정도를 대략 적으로 파악할 수 있었으며 이는 산림의 건강상태에 따른 정책 수립 및 산불 방지 대책을 마련하는데 도움이 될 것으로 생각된다. 하지만 연구기간이 15년으로 한반도 산림의 수분상태의 경향성을 파악하는 것에는 한계가 있었으며, 등급을 3단계로 단순하게 표현하여 정밀한 분석에 어려움이 있었다. 그리고 음의 anomaly가 강하게 발생하여도 대형 산불이 발생하지 않는 지역이 나타났으며, 음의 anomaly가 약하게 나타나는 곳에서도 대형 산불이 발생하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
원격탐사 기술은 어떤 장점이 있는가?
따라서 산림의 변화를 지속적으로 파악하는 것은 매우 중요하다고 할 수 있다. 원격탐사 기술은 단시간 광범위한 영역에 대한 주기적 조사가 가능하며, 시공간적 변동성이 큰 지역에 용이하다. 이러한 장점 때문에 한반도의 전체적인 산림 관리에 적합하다 (Yeom et al.
한반도 NDWI의 anomaly 분석 결과값은 산불이 발생하기 전, 어떻게 나타났는가?
본 연구에서는 대형 산불과의 비교 검증을 통해, NDWI의 anomaly가 한반도 water stress를 적절히 반영하고 있는지 시공간적 분포를 통해 확인하였다. Anomaly 분석 결과, 산불이 발생하기 전, 발생 지점 및 인접한 지역에서 모두 음의 anomaly가 발생하였으며, 특히 1000 ha 이상의 초대형 산불일 경우 -1 이하의 anomaly 값이 나타났다. 또한 연구 기간 중 대형 산불이 가장 많이 발생한 시기에 한반도 전반적으로 매우 낮은 anomaly가 분포하고 있었으며 특히 anomaly의 등급이 ‘High’일 경우 대형 산불이 빈번하게 발생하는 것을 확인하였다. 이것으로 한반도 산림의 수분량에 따른 산불의 위험 정도를 대략 적으로 파악할 수 있었으며 이는 산림의 건강상태에 따른 정책 수립 및 산불 방지 대책을 마련하는데 도움이 될 것으로 생각된다.
기후변화의 뚜렷한 징후는 무엇이 있는가?
대기와 해양의 온도 상승, 만년설과 빙하의 감소, 해수면 상승, 온실가스 농도 상승 등 기후변화의 뚜렷한 징후들이 나타나고 있다. 1880년부터 2012년까지 지구의 연간 평균 온도는 0.
참고문헌 (16)
Chen, D., T.J. Jackson, F. Li, M.H. Cosh, C. Walthall and M. Anderson, 2003. Estimation of vegetation water content for corn and soybeans with a normalized difference water index (NDWI) using Landsat Thematic Mapper data, Proc. of Geoscience and Remote Sensing Symposium, France, 4: 2853-2856.
Dennison, P.E., D.A. ROBERTS, S.H. PETERSON and J. RECHEL, 2005. Use of Normalized Difference Water Index for monitoring live fuel moisture, International Journal of Remote Sensing, 26(5): 1035-1042.
Gao, B.C., 1996. NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space, Remote Sensing of Environment, 56(3): 257-266.
Gu, Y., J.F. Blown, J.P. Verdin, and B. Wardlow, 2008. A five-year analysis of MODIS NDVI and NDWI for grassland drought assessment over the central Great Plains of the United States, Geophysical Research Letters, 34(6): L06407.
Haung, J., D. Chen, and M.H. Cosh, 2009. Sub-pixel reflectance unmixing in estimating vegetation water content and dry biomass of corn and soybeans cropland using normalized difference water index (NDWI) from satellites, International Journal of Remote Sensing, 30(8):2075-2104.
Horion, S., H. Eerens, B. Tychon, and P. Ozer, 2005. Monitoring of the 2003 summer drought in Belgium with the NDWI applied on spotvegetation data, Proc. of the 2nd international vegetation user conference. 1998-2004: 6 years of operational activities, European Communities.
Kim, I.H., K.S. Han ,and S.I. Kim, 2011. Vegetation Interannual variavility over Korea using 10 years 1KM NDVI data, Korea Journal of Remote Sensing, 27(1): 11-2 (in Korean with English abstract).
Kim, G.J., D.S. Kim, J.I. Jo, S.W. Hong ,and Y.W. Lee, 2013. EOF Analysis of Satellite-based Drought Indices: A Case of Inner Mongolian Region, Climate Research, 8(4): 309-319 (in Korean with English abstract).
Kim, S.H. and D.H. Jang, 2013. Analysis of Yearly Mean Vegetation Index Using SPOT-VGT S10 NDVI Data in Chungcheongnam-do, South Korea, Climate Research, 8(4): 311-321 (in Korean with English abstract).
Kim, Y.H., 2014. IPCC fifth climate change evaluation report contents and implication, In Forest Science Newsflash, Korea Forest Research Institute, Republic of Korea (In Korean).
Korea Meteorological Administration, 2012. Korea climate change prospect report, Republic of Korea.
Lee, G.R., Y.S. Kim, G.S. Han, C.S. lee, and J.M. Yeom, 2008. Vegetation water status monitoring around China Mongolia Desert using satellite data, Journal of the Korean Association of Geographic Information Studies, 11(4): 94-100 (In Korean with English abstract).
National Disaster Management Institute, 2013. Monitoring national forest fire occurrence using satellite image, Republic of Korea.
Thomas, J.J., D. Chen, M. Cosh, F. Li, M. Anderson, C. Walthall, P. Doriaswamy, and E.R. Hunt, 2004. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans, Remote Sensing of Environment, 92(4): 475-482.
Won, M.S., K.H. Kim, and S.W. Lee, 2014. Analysis of burn severity in large-fire area using SPOT5 images and field survey data, Korean Journal of Agricultural and Forest Meteorology, 16(2): 114-124 (in Korean with English abstract).
Yeom, J.M., G.S. Han, C.S. Lee, Y.Y. Park, and Y.S. Kim, 2008. A detection of vegetation variation over North Korea using SPOT/VEGETATION NDVI, Journal of the Korea Association of Geographic Information Studies, 11(2): 28-37 (in Korean with English abstract).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.