[논문]산림 총일차생산량 예측의 공간적 확장을 위한 인공위성 자료와 기계학습 알고리즘의 활용

이보라; 김은숙; 임종환; 강민석; 김준

doi:10.7780/kjrs.2019.35.6.2.8

[국내논문] 산림 총일차생산량 예측의 공간적 확장을 위한 인공위성 자료와 기계학습 알고리즘의 활용
Application of Machine Learning Algorithm and Remote-sensed Data to Estimate Forest Gross Primary Production at Multi-sites Level 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.35 no.6 pt.2, 2019년, pp.1117 - 1132

이보라 (국립산림과학원 기후변화생태연구과) , 김은숙 (국립산림과학원 기후변화생태연구과) , 임종환 (국립산림과학원 기후변화생태연구과) , 강민석 (국가농림기상센터) , 김준 (서울대학교 생태조경.지역시스템공학부)

초록
AI-Helper

산림생태계 내의 총일차생산량은 산림 자원 생산량과 직결되고, 산림생태계의 건강성, 산림식물계절 및 생태계 서비스의 중요한 지표가 된다. 이 연구에서는 인공위성 자료와 기계학습 알고리즘을 활용하여 우리 나라의 산림유역의 총일차생산량을 연구하였다. 에디공분산 타워가 있는 6개 지점에서의 MODIS (Moderate Resolution Imaging Spectroradiometer) 산출물과 에디공분산타워의 총일차생산성으로 연구기간의 75%-80%에 해당하는 자료로 기계학습 알고리즘을 훈련하고 나머지 기간으로 구축된 모델의 총일차생산성 예측 결과를 검증하였다. 모델을 구축할 때 MODIS 지상 산출물과 대기 산출물을 조합하여 새로운 입력자료(e.g., 포화수증기압차)를 모델의 입력자료(Processed MODIS)로 사용하였을 때와 이러한 과정 없이 QC(Quality control)만 거친 MODIS 산출물을 그대로 입력자료(Unprocessed MODIS)로 사용하였을 때의 총일차생산량을 비교해 보고 그 활용 가능성에 대해 고찰하였다. 추가로 MODIS 총일차생산량 산출물(MYD17)과 에디공분산 총일차생산성 및 기계학습 알고리즘 기반의 총일차생산성과의 상관관계를 보고 그 적합성에 대해 논의하였다. 이 연구에서 사용된 기계학습 알고리즘은 Support Vector Machine (SVM)으로 산림생태계 연구에서 가장 많이 사용되고 있는 기계학습 알고리즘 중 하나이다. 기계학습 알고리즘 기반(SVM 모델)의 총일차생산량 예측 결과는 MODIS 총일차생산량 산출물(MYD17)보다 에디공분산 총일차생산량과 전반적으로 높은 상관관계를 보였고 특히 식생 성장을 시작하는 시점의 값을 좀더잘 예측하는 결과를 보였다. 단일 지역에서 Unprocessed MODIS 입력자료로 훈련된 SVM 모델 결과는 피어슨 상관계수 0.75 - 0.95 (p < 0.001), 6개의 연구 지점에서 훈련된 SVM 모델 결과는 피어슨 상관계수 0.77 - 0.94 (p < 0.001) 사이를 보였다. 이 결과는 훈련 자료에 다양한 이벤트들이 포함되면 모델의 예측력이 향상되는 가능성을 보여주었고 위성영상의 산출물을 재계산하여 새로운 산출물을 내는 과정을 거친 위성 자료가 아니어도 그 예측력에는 크게 문제가 없음을 보여주었다.

Abstract ▼ AI-Helper

Forest covers 30% of the Earth's land area and plays an important role in global carbon flux through its ability to store much greater amounts of carbon than other terrestrial ecosystems. The Gross Primary Production (GPP) represents the productivity of forest ecosystems according to climate change and its effect on the phenology, health, and carbon cycle. In this study, we estimated the daily GPP for a forest ecosystem using remote-sensed data from Moderate Resolution Imaging Spectroradiometer (MODIS) and machine learning algorithms Support Vector Machine (SVM). MODIS products were employed to train the SVM model from 75% to 80% data of the total study period and validated using eddy covariance measurement (EC) data at the six flux tower sites. We also compare the GPP derived from EC and MODIS (MYD17). The MODIS products made use of two data sets: one for Processed MODIS that included calculated by combined products (e.g., Vapor Pressure Deficit), another one for Unprocessed MODIS that used MODIS products without any combined calculation. Statistical analyses, including Pearson correlation coefficient (R), mean squared error (MSE), and root mean square error (RMSE) were used to evaluate the outcomes of the model. In general, the SVM model trained by the Unprocessed MODIS (R = 0.77 - 0.94, p < 0.001) derived from the multi-sites outperformed those trained at a single-site (R = 0.75 - 0.95, p < 0.001). These results show better performance trained by the data including various events and suggest the possibility of using remote-sensed data without complex processes to estimate GPP such as non-stationary ecological processes.

Keyword

표/그림 (10)

표 Table 1. Site information of eddy covariance flux sites at Gwangneung, Seolmacheon, Hongcheon, Samcheok, Wando, and Jeju, South Korea. Ta is mean air temperature, P is total rainfall
표 Table 2. Summary of MODIS Products used in the input variables from 2006 to 2017
그림 Fig. 1. (a) There are two groups of points, shown in closed circle and opened squares. Three possible separating hyperplanes are labeled A, B, and C. (b) Example of maximum margin with support vectors in gray circle and squares that lie on the dashed lines.
그림 Fig. 2. The relationship between GPP from SVM model using processed MODIS input data set and GPP from eddy covariance measurement (EC GPP, right panel), and GPP from SVM model using unprocessed MODIS input data set and EC GPP (left panel) for the test years indicated in Table 3 (2014-2015).
그림 Fig. 3. GPP from eddy covariance measurement (Eddy GPP), SVM model using unprocessed MODIS input (SVM GPP), and MODIS product for the test years, 2014-2015 (right panel). The relationship between MODIS GPP and EC GPP (open diamond, left panel) and SVM GPP (gray circles, left panel). The coefficients, R2 of the regression are given.
그림 Fig. 4. Relationship between eddy covariance GPP and SVM GPP utilizing data from unprocessed MODIS input for the test years indicated in Table 3. Pearson coefficient (R) is given.
그림 Fig. 5. Seasonal variation of Gross Primary Production (GPP) obtained with eddy covariance measurement (black circle) and with Support Vector Machine (SVM) algorithm (gray circle).
그림 Fig. 6. Relationship between EC GPP and SVM GPP utilizing data from unprocessed MODIS input. SVM model trained with pooled data from all eddy covariance tower data. In this case, test years indicated in Table 3 were reduced one year except the Gwangneung site (GDK). Pearson coefficient (R) is given.
그림 Fig. 7. Seasonal variation of Gross Primary Production (GPP) obtained with eddy covariance measurement (closed circle without outline) and with Support Vector Machine (SVM) algorithm (gray circle with outline), which trained utilizing data from the entire study sites, for the years indicated.
표 Table 3. Statistics results for the different trained models based on the input sets, which are from the single-site or multi-site. R, RMSE, STD and MSE denote correlation coefficient, root mean square error, standard deviation and mean squared error, respectively

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 인공위성 자료와 기계학습 알고리즘을 활용하여 우리나라의 산림 유역의 총일차생산량을추정해 보고 그 활용가능성을 고찰해 보고자 한다. 우리나라의 산림 지역에서 미항공우주국(NASA)의 MODIS(Moderate Resolution Imaging Spectroradiometer) 자료를입력 자료로 사용하여 기계학습 알고리즘 SupportVector Machine (SVM) 모델을 훈련하고 모델의 예측 결과를 지상 측정 자료(에디공분산 플럭스 타워)의 총일차생산량 및 MODIS 총일차생산량과 비교해 보았다.
모델의 입력자료는 MODIS의 지상 산출물들을 이용하여 새로운 산출물로 계산한 MODIS 처리 입력자료(Processed MODIS)와 NASA 데이터센터에서 제공되는MODIS 지상 산출물 자료를 재계산 없이 그대로 사용한 입력자료(Unprocessed MODIS)를 사용하였다. 또한구축된 모델을 다른 지역들로 적용하였을 때 기계학습알고리즘 모델의 예측력을 분석하고 향후 전국 산림으로의 확장 가능성을 평가해 보고자 한다.
먼저 단일 지점에서 훈련된 모델을 다른 지역으로 확장하여 적용하는 방법은해당 지역들에 자료가 충분치 않거나 자료의 수집이 어려울 경우에 적용해 볼 수 있고 예측하고자 하는 지역범위가 매우 클 경우 모든 지역을 다 훈련 할 수 없을 때적용 가능성을 볼 수 있다. 또한 지상 측정 자료의 부재나 측정 기간이 짧아 모델의 입력자료나 검증자료로 사용 하지 못하는 지역에 확장 적용이 가능한지 고찰해 볼수 있도록 생태적 구성이 비슷하고 식물 생리 현상이 비슷한 곳에 적용이 가능한지를 고찰해 볼 수 있다.
이 연구는 기계학습 알고리즘과 인공위성자료를 이용하여 산림의 총일차생산량(GPP)의 추정 가능성과 산림생태계에서의 위성자료 활용 가능성에 대해 논의해보고자 하였다. 이 연구는 농림위성 알고리즘 개발을 위한 기초자료로서의 가치와 위성자료와 기계학습 알고리즘 간의 활용 가능성을 보여주고 산림일차생산성을 추정하는 방법에 대한 보다 접근이 쉬운 방안을 제시하였다.
이 연구는 기계학습 알고리즘과 인공위성자료를 이용하여 산림의 총일차생산량(GPP)의 추정 가능성과 산림생태계에서의 위성자료 활용 가능성에 대해 논의해보고자 하였다. 이 연구는 농림위성 알고리즘 개발을 위한 기초자료로서의 가치와 위성자료와 기계학습 알고리즘 간의 활용 가능성을 보여주고 산림일차생산성을 추정하는 방법에 대한 보다 접근이 쉬운 방안을 제시하였다. 이 연구를 통해 우리나라의 복잡한 산림 지형에서도 SVM 알고리즘이 적합한 알고리즘 중 하나로 사용될 수 있다는 것을 증명하였다.

가설 설정

, 2019)을 포함한다. 총일차생산량은 야간 CO₂ 플럭스 자료 보정과정에서 얻어진 기온과호흡(야간 CO₂ 플럭스) 간의 관계가 주간에도 변화가없다는 가정 하에 추정한 주간의 호흡량과 주간에 관측된 CO₂ 플럭스의 차이로부터 계산한다.
에디공분산 플럭스타워가 위치한 곳을 임상도와 함께 확인해 본 결과, 해당지역의 MODIS 픽셀은 제주(Jeju) 지역을 제외하고 나머지 모두 90% 이상이 산림으로 구성된 픽셀이었다. 제주(Jeju) 지역도 픽셀의 80%가 산림으로 해당 지역들의MODIS 값들은 산림지역의 값으로 대표 될 수 있다고가정하였다. 산림의 종류는 완도(WD)의 경우 94%가 활엽수림, 삼척(SC)은 약 92%가 침엽수림으로 구성되어있고 나머지 지역들은 약 40~68% 활엽수림, 약 11~48 %침엽수림, 약 9~27 %가 혼효림으로 분류되어 있다.

제안 방법

본 연구에서는 인공위성 자료와 기계학습 알고리즘을 활용하여 우리나라의 산림 유역의 총일차생산량을추정해 보고 그 활용가능성을 고찰해 보고자 한다. 우리나라의 산림 지역에서 미항공우주국(NASA)의 MODIS(Moderate Resolution Imaging Spectroradiometer) 자료를입력 자료로 사용하여 기계학습 알고리즘 SupportVector Machine (SVM) 모델을 훈련하고 모델의 예측 결과를 지상 측정 자료(에디공분산 플럭스 타워)의 총일차생산량 및 MODIS 총일차생산량과 비교해 보았다.모델의 입력자료는 MODIS의 지상 산출물들을 이용하여 새로운 산출물로 계산한 MODIS 처리 입력자료(Processed MODIS)와 NASA 데이터센터에서 제공되는MODIS 지상 산출물 자료를 재계산 없이 그대로 사용한 입력자료(Unprocessed MODIS)를 사용하였다.
, 2017) 등 다양한 생태학적 연구에서 사용되었다. 기존 연구에 의해 세 가지 알고리즘 모두 예측력은 이미 증명되었고 (Lee et al., 2019) 이 연구에 앞서 세가지 알고리즘을 예비 비교를 해보았는데 본 연구의 주제에는 SVM이 가장 높은 예측력을 가진 것으로 나타나SVM 알고리즘 모델을 좀 더 자세하게 다루었다.
각 연구지역 플럭스 타워 정상의 에디공분산 시스템은 3차원 초음파 풍향풍속 온도계(SAT, Model CSAT3,Campbell Scientific, Inc., USA)와 고속반응 적외선 기체분석기(IRGA, Models LI-7500 (LI-COR, Inc., USA), EC150,and EC155 (Campbell Scientific, Inc.))로 구성되었다. 에디공분산 시스템의 샘플링 속도는 10Hz, 평균시간은30분, 10Hz 관측과 30분 평균 자료는 자료 집록기(ModelCR3000, Campbell Scientific Inc.
VPD(Vapor Pressure Deficit)는 포화수증기압차, FPAR(Fraction of Photosynthetically ActiveRadiation)는 광합성유효복사량 흡수비율(%)을, Rs(Solarradiation)는 일사량(MJ Day^-1)을 나타낸다. VPD는 대기중 수증기와 관련된 기상인자로 이 인자의 생산을 위해 MODIS의 대기프로파일자료인 MYD07_L2로부터산출한 지표 부근의 기온과 이슬점온도를 사용하였다.두 가지 기온 자료를 바탕으로 Dingman (2008)의 방법에따라 현재수증기압(Vapor Pressure, VP), 포화수증기압(Saturated Vapor Pressure, SVP), VPD를 산출하였다.
따라서 이 알고리즘에 대해 익숙하지 못하면 입력 자료를 생산하는데 어려움이있다. 이 연구에서는 MODIS 생산 자료들 간의 복잡한처리 과정을 거치지 않고 MODIS 데이터 센터에서 제공되는 자료를 별도의 계산 과정 없이 그대로 사용 가능한 입력자료들로 선정해 기계학습 알고리즘 모델의설명변수로 사용하였고 MODIS 무처리 입력자료(Unprocessed MODIS)로 명명하였다. 설명변수들은Processed MODIS 자료와 마찬가지로 MODIS 총일차생산량 알고리즘을 기준으로 별도의 계산 과정 없이 사용 가능한 것과 대체 가능한 인자들을 선택하였고 지표면 온도(Land surface temperature, LST), FPAR, 잠재증발산(Potential Evapotranspiration, PET), 개량식생지수(Enhanced Vegetation Index, EVI)를 선택하였다.
이 연구에서는 MODIS 생산 자료들 간의 복잡한처리 과정을 거치지 않고 MODIS 데이터 센터에서 제공되는 자료를 별도의 계산 과정 없이 그대로 사용 가능한 입력자료들로 선정해 기계학습 알고리즘 모델의설명변수로 사용하였고 MODIS 무처리 입력자료(Unprocessed MODIS)로 명명하였다. 설명변수들은Processed MODIS 자료와 마찬가지로 MODIS 총일차생산량 알고리즘을 기준으로 별도의 계산 과정 없이 사용 가능한 것과 대체 가능한 인자들을 선택하였고 지표면 온도(Land surface temperature, LST), FPAR, 잠재증발산(Potential Evapotranspiration, PET), 개량식생지수(Enhanced Vegetation Index, EVI)를 선택하였다. FPAR의 경우, Processed MODIS를 만들기 위해 사용된 전천후 기상입력자료가 Unprocessed MODIS에서는 사용되지 않으므로 10:30분경에 상공을 통과하는 위성인 Terra의 자료를 사용하였다(MOD15).
비교적 장기 에디공분산 플럭스 자료가 있는 광릉숲(GDK)를 대상으로MODIS 입력자료를 설명변수로 하는 – ProcessedMODIS, Unprocessed MODIS – 두 가지 세트로 구성하여 모델을 구축하고 모델의 예측결과를 검증하기 위하여 에디공분산 플럭스 타워에서 관측 및 추정된 총일차생산량을 사용하였다.
위성자료 산출물의 추가적인 가공 정도 즉 복잡한 계산과정을 거쳐 나오는 산출물(Processed MODIS)과 기본적인 보정과 품질검증만 거친 위성자료를 추가적인계산을 하지 않고를 그대로 사용하였을 때(UnprocessedMODIS) 산림 총일차생산량의 예측력 차이를 알아보기 위해 단일 지역에서 먼저 SVM 알고리즘으로 총일차생산량 추정 모델을 구축하였다. 비교적 장기 에디공분산 플럭스 자료가 있는 광릉숲(GDK)를 대상으로MODIS 입력자료를 설명변수로 하는 – ProcessedMODIS, Unprocessed MODIS – 두 가지 세트로 구성하여 모델을 구축하고 모델의 예측결과를 검증하기 위하여 에디공분산 플럭스 타워에서 관측 및 추정된 총일차생산량을 사용하였다.
, 2017). MODIS 총일차생산량의 정확도를보기 위해 Unprocessed MODIS 입력자료를 사용한SVM모델 (SVM GPP)이나 에디공분산 타워의 총일차생산량(Eddy GPP)을 비교해 보았다. MODIS 총일차생산량은 비성장기와 성장기의 시작하는 지점에서 과소평가 하는 경향을 보였다.
기계학습 알고리즘 SVM으로 구축된 총일차생산량예측 모델의 공간적 확장 적용을 위해 두 가지 방법으로 모델을 구축하였다. 첫 번째 모델은 단일지역에서 훈련된 모델을 다른 지역으로 적용해 보는 것이고 두 번째 모델은 다중 지역의 자료들을 모아 훈련시키고 예측력을 테스트 해보는 것이었다.
기계학습 알고리즘 SVM으로 구축된 총일차생산량예측 모델의 공간적 확장 적용을 위해 두 가지 방법으로 모델을 구축하였다. 첫 번째 모델은 단일지역에서 훈련된 모델을 다른 지역으로 적용해 보는 것이고 두 번째 모델은 다중 지역의 자료들을 모아 훈련시키고 예측력을 테스트 해보는 것이었다. 먼저 단일 지점에서 훈련된 모델을 다른 지역으로 확장하여 적용하는 방법은해당 지역들에 자료가 충분치 않거나 자료의 수집이 어려울 경우에 적용해 볼 수 있고 예측하고자 하는 지역범위가 매우 클 경우 모든 지역을 다 훈련 할 수 없을 때적용 가능성을 볼 수 있다.
에디공분산 플럭스 타워의 자료가 장기간(2006~현재) 측정되어 온 지점인 광릉 KoFlux 타워 활엽수림 지점(GDK)에서 구축된 SVM 총일차생산량 추정 모델을다른 에디공분산 타워 지점들(GDK, SMC, HC, SC, WD,Jeju)에 적용해 보았다. 8일 단위 Unprocessed MODIS 입력자료로 2006년부터 2015년까지 훈련하고(n=460) 에디공분산 자료의 유무에 따라 테스트 연도는 지역별로다르게 하여 총일차생산량을 예측하였다(Table 3).
에디공분산 플럭스 타워의 자료가 장기간(2006~현재) 측정되어 온 지점인 광릉 KoFlux 타워 활엽수림 지점(GDK)에서 구축된 SVM 총일차생산량 추정 모델을다른 에디공분산 타워 지점들(GDK, SMC, HC, SC, WD,Jeju)에 적용해 보았다. 8일 단위 Unprocessed MODIS 입력자료로 2006년부터 2015년까지 훈련하고(n=460) 에디공분산 자료의 유무에 따라 테스트 연도는 지역별로다르게 하여 총일차생산량을 예측하였다(Table 3). 모델의 총일차생산량과 에디공분산 총일차생산량 간의 상관관계는 피어슨 상관계수 0.
단일 지역의 자료로 훈련하였을 때 각 지역별로 특별히 발생하는 이벤트를 모사하지 못하는 한계점을 극복하기 위해 두 번째로 전체 지역의 자료를 훈련자료로 하여 모델을 구축하고 에디공분산 총일차생산량과 비교해 보았다(Fig. 6과 Fig. 7). 각 지역마다 목표 변수가 될수 있는 에디공분산 플럭스 자료가 충분치 않아 광릉숲(GDK) 지역을 제외하고 나머지 지역에서는 각각 1년씩만(2016년) 훈련자료로 사용하였다.

대상 데이터

우리나라의 산림 지역에서 미항공우주국(NASA)의 MODIS(Moderate Resolution Imaging Spectroradiometer) 자료를입력 자료로 사용하여 기계학습 알고리즘 SupportVector Machine (SVM) 모델을 훈련하고 모델의 예측 결과를 지상 측정 자료(에디공분산 플럭스 타워)의 총일차생산량 및 MODIS 총일차생산량과 비교해 보았다.모델의 입력자료는 MODIS의 지상 산출물들을 이용하여 새로운 산출물로 계산한 MODIS 처리 입력자료(Processed MODIS)와 NASA 데이터센터에서 제공되는MODIS 지상 산출물 자료를 재계산 없이 그대로 사용한 입력자료(Unprocessed MODIS)를 사용하였다. 또한구축된 모델을 다른 지역들로 적용하였을 때 기계학습알고리즘 모델의 예측력을 분석하고 향후 전국 산림으로의 확장 가능성을 평가해 보고자 한다.
연구지역은 대기의 난류를 직접 측정하여 총일차생산량을 추정하는 에디공분산 타워가 있는 산림유역의6개 지점, 경기도 포천시 소흘읍 광릉숲(GDK), 경기도파주시 적성면 설마천유역(SMC), 강원도 홍천군(HC)매화산, 강원도 삼척시(SC) 검봉산, 전라남도 완도군 완도수목원(WD), 제주도 서귀포시 난대시험림(Jeju)을 선택하였다. 본 연구에서 기계학습 알고리즘 모델의 변수의 정답 즉, 목표 변수와 결과의 비교 자료로 사용된 에디공분산 플럭스 자료는 각 지점에 설치된 에디공분산플럭스 타워에서 관측된 것으로 자세한 정보는 Table 1에 제시되어 있다.
에디공분산 플럭스 타워는 해발고도 260 –1190 m 사이에 분포하며 전국으로 비교적 넓게 분포 되어 있다. 관측항목은 풍향, 풍속, 3차원 풍속, 온습도, 대기압, 강우량, 복사량, 퀀텀량, CO₂ 농도, H₂O 농도 등이있고 타워의 높이는 20~40 m이다. 해당 지역의 30년(1981~2010) 연평균기온은 10.
6°C(제주), 강수량은 1224~1923 mm 이다. 30년 평균 기온과 강수량에 대한 정보는 기상청 홈페이지(http://data.kma.go.kr)를 참조로 하였으며 30년 평년자료가 존재 하지 않는 지역은 가까운 측정지점의 정보를 제시하였다.
MODIS는 NASA에서 개발된 극궤도 위성Terra와 Aqua에 탑재된 다중분광센서로 전지구적 규모의 대기와 육상 및 해양 모니터링 목적으로 개발되었다.Terra는 10:30, Aqua는 1:30분 하루에 두 번 우리나라상공을 통과하면서 영상을 수집한다. MODIS 영상은250 m – 5600 m의 공간해상도를 가지며 Terra는 1999년부터 Aqua는 2002년부터 다양한 지구 모니터링 자료를축적하였다.
자료는 대기보정 및 방사보정을 하여 제공되는 자료를 사용하였고 총일차생산량(Gross PrimaryProduction, GPP) 추정을 위해 필요한 변수들은 MODIS총일차생산량 알고리즘을 기준으로(Running and Zhao,2015) 선정하였다.
모델의 훈련자료는 8일 단위 2006년부터 2013년까지(n=468),검증 및 비교자료는 2014년과 2015년으로(n=92)설정하였다. Processed MODIS와 Unprocessed MODIS로 각각 훈련된 모델로 2014년과 2015년 산림 총일차생산량을 예측해 보았을 때 에디공분산 총일차생산량과비교하여 피어슨 결정계수가 0.
7). 각 지역마다 목표 변수가 될수 있는 에디공분산 플럭스 자료가 충분치 않아 광릉숲(GDK) 지역을 제외하고 나머지 지역에서는 각각 1년씩만(2016년) 훈련자료로 사용하였다. 그 결과 피어슨상관계수를 기준으로 설마천(SMC), 완도(WD), 제주(Jeju) 지역에서는 모델의 결과가 개선되었고 삼척의 경우 약간 감소하였지만 RMSE나 평균제곱오차(MSE)를기준으로 개선된 결과를 보였다(Table 3).
설명변수들은Processed MODIS 자료와 마찬가지로 MODIS 총일차생산량 알고리즘을 기준으로 별도의 계산 과정 없이 사용 가능한 것과 대체 가능한 인자들을 선택하였고 지표면 온도(Land surface temperature, LST), FPAR, 잠재증발산(Potential Evapotranspiration, PET), 개량식생지수(Enhanced Vegetation Index, EVI)를 선택하였다. FPAR의 경우, Processed MODIS를 만들기 위해 사용된 전천후 기상입력자료가 Unprocessed MODIS에서는 사용되지 않으므로 10:30분경에 상공을 통과하는 위성인 Terra의 자료를 사용하였다(MOD15). 사용된 MODIS 자료에 대한 정보는 Table 2에 제시되어 있다.

이론/모형

저장된 자료는 표준화된 KoFlux 자료처리 방법에 따라 에디 공분산 자료처리 응용 프로그램 EddyPro® (LI-COR, Inc.)와 MATLAB® (The MathWorks Inc., USA)으 로 작 성 된KoFlux 자료처리 프로그램으로 처리하였다(Hong et al.,2009; Kang et al., 2018).
εmax는 최대광이용효율(KgC m-2 day-1 MJ-1)이고Running et al. (2000)과 White et al. (2000)에 의해 제안된식생형에 따른 생물리특성 색인표(Biome Property LookUp Table, BPLUT)를 따랐다.
VPD는 대기중 수증기와 관련된 기상인자로 이 인자의 생산을 위해 MODIS의 대기프로파일자료인 MYD07_L2로부터산출한 지표 부근의 기온과 이슬점온도를 사용하였다.두 가지 기온 자료를 바탕으로 Dingman (2008)의 방법에따라 현재수증기압(Vapor Pressure, VP), 포화수증기압(Saturated Vapor Pressure, SVP), VPD를 산출하였다. 일단위 일사량 추정에는 MODIS 알베도(MCD43)와AMSR-E(Advanced Microwave Scanning Radiometer)를사용하였고, Bird and Hulstrom (1981)에 의해 제안되고Houborg and Soegaard (2004)와 Ryu et al.
두 가지 기온 자료를 바탕으로 Dingman (2008)의 방법에따라 현재수증기압(Vapor Pressure, VP), 포화수증기압(Saturated Vapor Pressure, SVP), VPD를 산출하였다. 일단위 일사량 추정에는 MODIS 알베도(MCD43)와AMSR-E(Advanced Microwave Scanning Radiometer)를사용하였고, Bird and Hulstrom (1981)에 의해 제안되고Houborg and Soegaard (2004)와 Ryu et al. (2008) 등에 의해검증된 simple clear sky model (Bird model)을 적용하였다.광합성유효복사량(Photosynthetically Active Radiation,PAR)은 지표에 입사하는 일사량을 총량에서 식물이 흡수하는 가시광선의 평균 비율인 45%(0.
본 연구에서는 프로그램 R (version 3.3.3), SVM알고리즘을 위한 패키지 “e1071”을 사용하였고(Dimitriadou et al., 2008; Smolaand Schölkopf, 2002), 자료에 맞는 최적의 SVM 알고리즘 모델을 만들기 위해 10-fold cross validation 실행하여best parameters를 찾아서 적용하였다.
커널 기능에는 시그모이드, 가우시안,다항식, 선형 커널 등이 있고 자료와 그 목적에 맞게 커널을 선택할 수 있다. 본 연구에서는 기본 커널 radial 커널을 사용하였다(Cortes and Vapnik, 1995). 본 연구에서는 프로그램 R (version 3.
이는 위성영상에서 추출된 자료들을 복잡한 계산과정을 거친 2차 산출물로 가공하는단계를 생략하여도 결과값에 매우 큰 영향을 주지 않는것으로 보인다. 따라서 이후 연구 결과는 UnprocessedMODIS 입력자료를 구축된 모델에 사용하였다.

성능/효과

본 연구에서 사용된 MODIS 자료의 경우 공간해상도(500~1000 m)가 에디공분산 타워가 측정할 수 있는범위와 다르므로 MODIS의 한 픽셀 값이 얼마나 대표성을 갖는지 확인할 필요가 있다. 에디공분산 플럭스타워가 위치한 곳을 임상도와 함께 확인해 본 결과, 해당지역의 MODIS 픽셀은 제주(Jeju) 지역을 제외하고 나머지 모두 90% 이상이 산림으로 구성된 픽셀이었다. 제주(Jeju) 지역도 픽셀의 80%가 산림으로 해당 지역들의MODIS 값들은 산림지역의 값으로 대표 될 수 있다고가정하였다.
모델의 훈련자료는 8일 단위 2006년부터 2013년까지(n=468),검증 및 비교자료는 2014년과 2015년으로(n=92)설정하였다. Processed MODIS와 Unprocessed MODIS로 각각 훈련된 모델로 2014년과 2015년 산림 총일차생산량을 예측해 보았을 때 에디공분산 총일차생산량과비교하여 피어슨 결정계수가 0.97로 동일하고 기울기(Slope)는 Processed MODIS 입력자료로 훈련된 모델은0.94와 Unprocessed MODIS 입력자료로 훈련된 모델은0.992로 후자가 근소한 차이로 위성영상으로부터의 추정치와 지상 측정 자료 값의 변화의 차이가 더 작은 것으로 나타났다(Fig. 2). 이는 위성영상에서 추출된 자료들을 복잡한 계산과정을 거친 2차 산출물로 가공하는단계를 생략하여도 결과값에 매우 큰 영향을 주지 않는것으로 보인다.
모델의 총일차생산량과 에디공분산 총일차생산량 간의 상관관계는 피어슨 상관계수 0.75 – 0.95, RMSE 7.4 – 13.3사이로 시계열 패턴은 완도(WD) 지역이 가장 맞지 않았고 홍천(HC) 지역이 가장 잘 모사하였다(Fig. 4).
3, right). MODIS 총일차생산량은SVM 모델의 결과 보다 에디공분산 총일차생산량과의상관성이 낮았고 이는 기계학습 알고리즘 모델이 현장예측에 사용되는 것이 적합하다고 판단할 수 있다.
4). 삼척(SC) 지역을 제외하고 SVM 모델의 총일차생산량은 계절 변화 패턴은 잘 모사하지만 최고점 예측은 모두 과소평가 하는 것으로 나타났다. 광릉숲(GDK) 지역의 경우,봄철과 초여름에 총일차생산량이 최고점을 보이는데SVM 모델의 결과는 패턴은 모사하고 있으나 정량적으로는 과소평가하는 경향을 보인다.
각 지역마다 목표 변수가 될수 있는 에디공분산 플럭스 자료가 충분치 않아 광릉숲(GDK) 지역을 제외하고 나머지 지역에서는 각각 1년씩만(2016년) 훈련자료로 사용하였다. 그 결과 피어슨상관계수를 기준으로 설마천(SMC), 완도(WD), 제주(Jeju) 지역에서는 모델의 결과가 개선되었고 삼척의 경우 약간 감소하였지만 RMSE나 평균제곱오차(MSE)를기준으로 개선된 결과를 보였다(Table 3). 설마천 지역은 겨울 기간과 성장 시즌이 시작되는 시기에 단일 지역 훈련자료로 훈련된 SVM모델의 결과가 과소평가된총일차생산량을 보였으나 전체 지역의 훈련자료로 구축된 SVM모델의 결과는 약간 개선된 것을 볼 수 있다.
이 연구는 농림위성 알고리즘 개발을 위한 기초자료로서의 가치와 위성자료와 기계학습 알고리즘 간의 활용 가능성을 보여주고 산림일차생산성을 추정하는 방법에 대한 보다 접근이 쉬운 방안을 제시하였다. 이 연구를 통해 우리나라의 복잡한 산림 지형에서도 SVM 알고리즘이 적합한 알고리즘 중 하나로 사용될 수 있다는 것을 증명하였다. SVM 알고리즘을 사용해 단일 지역에서 구축된 모델은 다중 지역으로 적용하였을 때 비교적 높은 예측력을 보이나 각 지역에서 발생하는 예상치 못한 이벤트에 대한 예측력은 아직 부족한 것으로 나온다.

후속연구

, 2013). 따라서 산림분야에서의 인공위성 자료를 활용하기에 앞서 위성자료로부터 추출된 자료와 지상에서 관측된 정밀도 높은 결과(에디공분산 등)를 비교하여 위성자료가 관측결과를 얼마나 정확하게 예측 할 수있는지부터 연구되어야 할 것이다.
본 연구에서 사용된 MODIS 자료의 경우 공간해상도(500~1000 m)가 에디공분산 타워가 측정할 수 있는범위와 다르므로 MODIS의 한 픽셀 값이 얼마나 대표성을 갖는지 확인할 필요가 있다. 에디공분산 플럭스타워가 위치한 곳을 임상도와 함께 확인해 본 결과, 해당지역의 MODIS 픽셀은 제주(Jeju) 지역을 제외하고 나머지 모두 90% 이상이 산림으로 구성된 픽셀이었다.
삼척을 제외한 다른 지역보다 평균적으로 낮은 총일차생산량을 보이고 여름 기간 동안의 총일차생산량의 변화가 크다. 그러나 이러한 지역적인 특징이 반드시 총일차생산량의 경향과 밀접한 특징이 있는지는 향후 더 연구가 필요해 보인다. 또한 다른지역과 다른 특징을 가진 자료라 해도 자료의 양이 모델의 예측력을 향상시키는 훈련에 충분히 확보가 된다면 다른 결과를 보일 수 있다고 판단된다.
그러나 이러한 지역적인 특징이 반드시 총일차생산량의 경향과 밀접한 특징이 있는지는 향후 더 연구가 필요해 보인다. 또한 다른지역과 다른 특징을 가진 자료라 해도 자료의 양이 모델의 예측력을 향상시키는 훈련에 충분히 확보가 된다면 다른 결과를 보일 수 있다고 판단된다. 총일차생산량의 최고점 예측은 단일 지역 모델과 마찬가지로 과소평가 하는 경향을 보였다.
,2014). 향후 입력자료의 개선과 딥러닝(Deep learning)의적용 시 보다 개선된 결과가 나올 것으로 기대된다.
위성영상자료가 빅데이터로 분류될 만큼 자료의 양이 많아지고 그 속도가 빨라지고 정확도도 높아지고 있는 가운데 산림 생태계에서의 위성자료의 활용은 인력이나 비용의 한계로 조사되지 못한 전국의 산림에 대한조사가 가능하게 되었다. 또한 전국 단위의 조사나 북한까지 조사가 가능하게 하여 보다 넓은 관점에서의 산림생태계 이해가 가능하고 이를 산림 관리나 기후변화에 대응한 산림 보전 및 적응 대책을 마련하는데 높은기여를 할 수 있을 것으로 판단된다. 현재 우리나라에서도 자체 농림위성 알고리즘 개발을 위한 연구들을 집중적으로 추진하고 있으며 이 연구의 결과 또한 우리나라의 농림위성 알고리즘 개발의 자료로 활용될 것으로 기대된다.
또한 전국 단위의 조사나 북한까지 조사가 가능하게 하여 보다 넓은 관점에서의 산림생태계 이해가 가능하고 이를 산림 관리나 기후변화에 대응한 산림 보전 및 적응 대책을 마련하는데 높은기여를 할 수 있을 것으로 판단된다. 현재 우리나라에서도 자체 농림위성 알고리즘 개발을 위한 연구들을 집중적으로 추진하고 있으며 이 연구의 결과 또한 우리나라의 농림위성 알고리즘 개발의 자료로 활용될 것으로 기대된다.

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증