[논문]시계열 위성영상과 머신러닝 기법을 이용한 산림 바이오매스 및 배출기준선 추정

이용규; 이정수

doi:10.14578/jkfs.2022.111.4.603

시계열 위성영상과 머신러닝 기법을 이용한 산림 바이오매스 및 배출기준선 추정
Machine-learning Approaches with Multi-temporal Remotely Sensed Data for Estimation of Forest Biomass and Forest Reference Emission Levels 원문보기

한국산림과학회지 = Journal of korean society of forest science, v.111 no.4, 2022년, pp.603 - 612

초록
AI-Helper

본 연구는 다중시기 위성영상과 머신러닝 알고리즘을 이용하여 준국가수준의 시계열 산림바이오매스량을 추정하였으며, 이를 바탕으로 산림배출기준선 설정하여 비교·분석하였다. 머신러닝기반의 산림바이오매스 추정 모델을 구축하기 위하여 Landsat TM 위성영상과 유럽항공우주국에서 제공하는 Biomass Climate Change Initiative 정보를 이용하였으며, 머신러닝 알고리즘은 비모수 학습모델인 k-Nearest Neighbor(kNN)과 의사결정나무 기반의 Random Forest(RF)를 적용하였다. 또한, 추정된 산림바이오매스량은 Forest reference emission levels(FREL) 자료와 비교하였다. 머신러닝 알고리즘 별 산림바이오매스 추정 모델을 비교해보면, 최적의 kNN 모델과 RF 모델의 Root Mean Square Error (RMSE)는 각각 35.9와 34.41였으며, RF모델이 kNN모델보다 상대적으로 우수하였다. 또한, FREL, kNN, RF 모델 별 산림배출기준선의 기울기는 각각 약 -33천ton, -253천ton, -92천ton으로 설정되었다.

Abstract ▼ AI-Helper

The study aims were to evaluate a machine-learning, algorithm-based, forest biomass-estimation model to estimate subnational forest biomass and to comparatively analyze REDD+ forest reference emission levels. Time-series Landsat satellite imagery and ESA Biomass Climate Change Initiative information were used to build a machine-learning-based biomass estimation model. The k-nearest neighbors algorithm (kNN), which is a non-parametric learning model, and the tree-based random forest (RF) model were applied to the machine-learning algorithm, and the estimated biomasses were compared with the forest reference emission levels (FREL) data, which was provided by the Paraguayan government. The root mean square error (RMSE), which was the optimum parameter of the kNN model, was 35.9, and the RMSE of the RF model was lower at 34.41, showing that the RF model was superior. As a result of separately using the FREL, kNN, and RF methods to set the reference emission levels, the gradient was set to approximately -33,000 tons, -253,000 tons, and -92,000 tons, respectively. These results showed that the machine learning-based estimation model was more suitable than the existing methods for setting reference emission levels.

주제어

표/그림 (11)

그림 Figure 1. Location of the selected study area.
표 Table 1. Used data in analysis.
그림 Figure 2. Flowchart of the methodology.
그림 Figure 3. Conceptual map of machine learning algorithms.
표 Table 2. Reclassification of categories in CCI land cover map.
표 Table 3. Distribution of land cover changes using CCI land cover map. unit : %
그림 Figure 4. Evaluation of the performance of RMSE in machine learning models by hyperparameter tuning.
표 Table 4. Comparison of forest biomass using machine learning models and FREL.
그림 Figure 5. Time-series forest biomass map by machine learning models.
그림 Figure 6. The distribution of forest biomass change area from 2013 to 2020.
그림 Figure 7. Setting of reference emission levels by machine learning models and FREL.

AI 본문요약
AI-Helper

문제 정의

한편, 현재까지 진행된 국내 및 국외 바이오매스 추정연구는 현장조사자료를 바탕으로 구축된 데이터가 필요하며, 현장조사자료를 수집하기 위해서는 큰 비용과 시간이 소요되는 실정이다. 따라서, 본 연구는 효율적으로 REDD+ 사업을 계획할 수 있도록 현장조사자료 대신 기 구축된 바이오매스 공간주제도와 위성영상을 활용하여 머신러닝 기반의 추정 모델을 구축하고, 이를 기반으로 한 산림배출기준선 설정을 목적으로 하였다.
본 연구는 REDD+ 사업이 진행된 파라과이의 C주를 대상으로 원격탐사 자료를 활용하여 토지피복도 및 바이오매스 추정모델을 도출하고, 최적의 모델을 이용하여 시계열 바이오매스맵을 작성하여 산림배출기준선을 설정하고자 하였다. 위 방법은 현장조사가 어려운 지역과 대면적에 대한 시계열 바이오매스 변화량을 추정할 때 효과적으로 활용할 수 있으며, 미측정 기간에 대한 바이오매스량을 추정하여 현장조사가 불가능한 과거의 바이오매스량을 추정할 수 있다.

제안 방법

구축된 추정모델을 2013년, 2021년 Landsat 자료에 적용하여 시계열 바이오매스맵을 구축하였다. 구축된 모델별 바이오매스맵과 FREL을 이용하여 3개의 산림배출기준선을 설정하고 비교하였다(Figure 2).
VCS 방법론에 따르면 산림배출기준선 설정 방법은 평균 연간 산림 벌채면적을 사용하는 방법, 선형회귀 추정 방법, 비선형회귀(지수모델, 로그모델) 세 가지 방법이 있으며, 관측 시기가 5개 이하인 경우에서는 평균 연간 산림 벌채면적 또는 선형회귀 추정방법만 활용할 수 있다. 따라서, 본 연구에서는 2013년, 2017년, 2020년의 총 산림 바이오매스량을 기반으로 선형회귀를 통해 산림배출기준선을 설정하고 비교하였다.
, 2019). 따라서, 본 연구에서는 max_depth와 min_samples_split을 5부터 40까지 5씩 증가하며 모델을 구축하고 평가하였다. 또한, 최적의 의사결정나무 개수를 탐색하기 위해 n_estimator가 100, 150, 200개인 3종류의 RF 모델을 구축하여, 총 192개의 모델을 구축하고 평가하여 RMSE가 가장 낮은 최적의 모델을 구축하였다[Figure (3b)].
Collection 2 Level 2 자료는 천정각등을 고려하여 보정이 완료된 표면반사율과 지표온도 자료를 포함하고 있으며, 본 연구에서는 표면반사율 자료 중 6개 밴드값(Band2, Band3, Band4, Band5, Band6, Band7)를 이용하였다. 또한, Landsat영상 내에 구름지역은 마스킹 처리하여 노이즈값을 제거하였으며, 위성영상 자료와 Biomass_cci 자료를 해상도가 가장 낮은 CCI LCM 자료를 기준으로 리샘플링하였다.
시계열 산림 바이오매스량은 구축된 바이오매스 추정 모델을 2013년, 2017년, 2021년 Landsat 자료에 적용하였으며, 해당 시기의 토지피복도에서 산림지역의 바이오매스량을 합산하여 추정하였다. 또한, 머신러닝을 이용한 바이오매스 추정모델과 FREL을 비교하기 위해 해당 시기의 토지피복도에서 산림면적과 FREL의 ha당 바이오매스량을 곱하여 산림 바이오매스량을 산출하였다. 추정된 산림 바이오매스량의 검증은 2013년부터 2020년까지의 바이오매스의 변화량을 산출하고 감소한 지역을 Google earth의 시계열 고해상도 위성영상을 이용하여 비교하였다.
산림배출기준선 설정은 kNN, RF, FREL 방법 3가지를 통해 산출된 산림 바이오매스량을 기반으로 선형회귀를 이용하였다. 산림배출기준선 설정 방법은 VCS 방법론에 따라 계획되지 않은 산림 벌채로 인한 산림배출기준선 추정방법을 참고하였다(VCS, 2012).
또한, 머신러닝을 이용한 바이오매스 추정모델과 FREL을 비교하기 위해 해당 시기의 토지피복도에서 산림면적과 FREL의 ha당 바이오매스량을 곱하여 산림 바이오매스량을 산출하였다. 추정된 산림 바이오매스량의 검증은 2013년부터 2020년까지의 바이오매스의 변화량을 산출하고 감소한 지역을 Google earth의 시계열 고해상도 위성영상을 이용하여 비교하였다.

대상 데이터

위성영상자료는 USGS에서 제공하고 있는 2013년, 2017년, 2021년에 촬영된 Landsat 8 OLI의 Collection 2 Level 2 자료를 이용하였다. Collection 2 Level 2 자료는 천정각등을 고려하여 보정이 완료된 표면반사율과 지표온도 자료를 포함하고 있으며, 본 연구에서는 표면반사율 자료 중 6개 밴드값(Band2, Band3, Band4, Band5, Band6, Band7)를 이용하였다. 또한, Landsat영상 내에 구름지역은 마스킹 처리하여 노이즈값을 제거하였으며, 위성영상 자료와 Biomass_cci 자료를 해상도가 가장 낮은 CCI LCM 자료를 기준으로 리샘플링하였다.
3배에 해당하며, 파라과이의 동부지역에 위치하고 있다. C주는 한국임업진흥원에서 2013년 조림을 시작으로 지속적인 산림투자가 이루어지고 있어 연구대상지로 선정하였다(Figure 1).
GIS 공간주제도 자료는 유럽우주국(European Space Agency; ESA)에서 제공하는 ESA biomass climate change initiative(Biomass_cci)와 CCI land cover map(CCI LCM)을 이용하였다. Biomass_cci는 공간해상도 100m×100m의 래스터형태로, 2017년도의 전세계의 산림의 지상바이오매스 추정치 분포를 제공하며, CCI LCM는 300m×300m의 래스터 형태로, 1992년부터 2020년까지의 전세계의 토지 피복분포도를 제공한다.
바이오매스 추정모델은 2017년 Landsat 자료와 Biomass_cci 자료를 이용하였으며, k-Nearest Neighbor과 Random forest 알고리즘을 이용하여 구축하였다. 구축된 추정모델을 2013년, 2021년 Landsat 자료에 적용하여 시계열 바이오매스맵을 구축하였다. 구축된 모델별 바이오매스맵과 FREL을 이용하여 3개의 산림배출기준선을 설정하고 비교하였다(Figure 2).
대상지 추출을 위해 파라과이의 통계청 (instituto nacional de estadística)에서 제공받은 행정경계정보를 활용하였다.
CCI LCM는 IPCC 토지이용범주(산림지, 농경지, 초지, 습지, 정주지, 기타토지) 기준으로 재분류하였으며, 2013년부터 2020년까지의 토지피복변화 및 산림면적을 추출하였다(Table 2). 또한, 데이터세트는 산림지를 대상으로 Biomass_cci 값과 Landsat 영상 픽셀값을 추출하여 56,952개를 구축하였다. 학습 및 검증 데이터는 무작위추출을 통해 10%를 선정하였으며, 선정된 데이터를 각각 학습데이터(70%)와 검증데이터(30%)로 무작위로 구분하였다.
따라서, 본 연구에서는 max_depth와 min_samples_split을 5부터 40까지 5씩 증가하며 모델을 구축하고 평가하였다. 또한, 최적의 의사결정나무 개수를 탐색하기 위해 n_estimator가 100, 150, 200개인 3종류의 RF 모델을 구축하여, 총 192개의 모델을 구축하고 평가하여 RMSE가 가장 낮은 최적의 모델을 구축하였다[Figure (3b)].
Biomass_cci와 CCI LCM은 저해상도의 이미지로 세부적인 모니터링에는 한계가 있지만, 전세계에 대한 정보를 제공하는 데이터로 활용성이 높은 장점이 있다. 본 연구는 국가수준, 준국가수준의 REDD 관련 연구에서 300m급의 공간정보를 이용한 사례를 참고하여 두 개의 데이터를 활용하였다(Nyamari and Cabral, 2021). 대상지 추출을 위해 파라과이의 통계청 (instituto nacional de estadística)에서 제공받은 행정경계정보를 활용하였다.
시계열 산림 바이오매스량은 구축된 바이오매스 추정 모델을 2013년, 2017년, 2021년 Landsat 자료에 적용하였으며, 해당 시기의 토지피복도에서 산림지역의 바이오매스량을 합산하여 추정하였다. 또한, 머신러닝을 이용한 바이오매스 추정모델과 FREL을 비교하기 위해 해당 시기의 토지피복도에서 산림면적과 FREL의 ha당 바이오매스량을 곱하여 산림 바이오매스량을 산출하였다.
연구대상지는 남아메리카 대륙의 내륙에 위치한 파라과이의 C주로서, 총 면적은 약 1,290천ha로 경기도 면적의 약 1.3배에 해당하며, 파라과이의 동부지역에 위치하고 있다. C주는 한국임업진흥원에서 2013년 조림을 시작으로 지속적인 산림투자가 이루어지고 있어 연구대상지로 선정하였다(Figure 1).
위성영상자료는 USGS에서 제공하고 있는 2013년, 2017년, 2021년에 촬영된 Landsat 8 OLI의 Collection 2 Level 2 자료를 이용하였다. Collection 2 Level 2 자료는 천정각등을 고려하여 보정이 완료된 표면반사율과 지표온도 자료를 포함하고 있으며, 본 연구에서는 표면반사율 자료 중 6개 밴드값(Band2, Band3, Band4, Band5, Band6, Band7)를 이용하였다.
또한, 데이터세트는 산림지를 대상으로 Biomass_cci 값과 Landsat 영상 픽셀값을 추출하여 56,952개를 구축하였다. 학습 및 검증 데이터는 무작위추출을 통해 10%를 선정하였으며, 선정된 데이터를 각각 학습데이터(70%)와 검증데이터(30%)로 무작위로 구분하였다. 무작위로 선정된 학습데이터와 검증데이터는 머신러닝 모델의 튜닝과정에서 최초 1회에 선정된 데이터를 고정하여 동일하게 사용되었다.

데이터처리

본 연구를 통해 구축된 추정 모델은 파라과이의 환경과 지속 가능한 개발부(Ministry of Environment and Sustainable Development)에서 UNFCCC에 제출한 FREL 자료와 비교하였다. FREL은 산림배출기준선을 설정하기 위한 산림 유형 별 ha당 바이오매스량 정보를 포함하고 있다.

이론/모형

대상지 분석 및 위성영상 자료 분석은 ESRI 사의 Arcgis 10.1을 이용하였으며, 머신러닝 모델 구축 및 적용은 Python 3.7을 이용하였다.
시계열에 따른 토지피복변화량을 산출하기 위해 CCI LCM의 속성정보를 IPCC 기준에 따라 6개의 속성정보로 재분류하였다. 바이오매스 추정모델은 2017년 Landsat 자료와 Biomass_cci 자료를 이용하였으며, k-Nearest Neighbor과 Random forest 알고리즘을 이용하여 구축하였다. 구축된 추정모델을 2013년, 2021년 Landsat 자료에 적용하여 시계열 바이오매스맵을 구축하였다.
산림배출기준선 설정은 kNN, RF, FREL 방법 3가지를 통해 산출된 산림 바이오매스량을 기반으로 선형회귀를 이용하였다. 산림배출기준선 설정 방법은 VCS 방법론에 따라 계획되지 않은 산림 벌채로 인한 산림배출기준선 추정방법을 참고하였다(VCS, 2012). VCS 방법론에 따르면 산림배출기준선 설정 방법은 평균 연간 산림 벌채면적을 사용하는 방법, 선형회귀 추정 방법, 비선형회귀(지수모델, 로그모델) 세 가지 방법이 있으며, 관측 시기가 5개 이하인 경우에서는 평균 연간 산림 벌채면적 또는 선형회귀 추정방법만 활용할 수 있다.
시계열에 따른 토지피복변화량을 산출하기 위해 CCI LCM의 속성정보를 IPCC 기준에 따라 6개의 속성정보로 재분류하였다. 바이오매스 추정모델은 2017년 Landsat 자료와 Biomass_cci 자료를 이용하였으며, k-Nearest Neighbor과 Random forest 알고리즘을 이용하여 구축하였다.

성능/효과

RF알고리즘을 이용하여 바이오매스 추정모델을 구축한 결과는 ha당 바이오매스량의 RMSE는 n_estimators = 100, max_depth = 5, min_samples_split = 40일 때 35.4으로 가장 높았으며, n_estimators = 150, max_depth = 10, min_samples_split = 15일 때 RMSE가 34.41로 가장 낮게 분포하였다. RF를 이용한 바이오매스 추정 모델은 하이퍼파라미터에 따라 RMSE의 차이가 약 1 산출되어 kNN 보다 모델에 따른 정확도 차이가 크지 않았다.
kNN알고리즘 이용하여 바이오매스 추정모델을 구축한 결과는 ha당 바이오매스량의 RMSE는 k=1일 때 48.59로 가장 높았으며, k=32일 때 35.9로 가장 낮게 분포하였다. 구축된 모델은 k의 값이 8이 될 때까지 RMSE 값이 약 12가 감소하여 모델이 크게 개선되었으며, 이후 RMSE 값이 약 36으로 감소 또는 증가가 반복되었다[Figure 4(a)].
한편, FREL에 제시된 ha당 바이오매스량을 적용할 경우, 3개 시기에 같은 ha당 바이오매스량이 적용되어 2013년 약 5,746만ton, 2017년 약 5,684만ton, 2020년 약 5,727만ton으로 산출되었다. 각 산출 방법에 따른 산림 바이오매스량은 머신러닝 기반의 추정모델을 이용하였을 때는 시간이 지남에 따라 점차 감소한 반면, FREL을 이용하였을 때는 감소하였다가 다시 증가하는 경향을 보였다. 이는 대상지의 모든 지역에 동일한 ha당 바이오매스량이 적용되기 때문에, 산림지 면적이 감소하였다가 다시 증가한 점이 반영된 것으로 판단된다.
구축된 머신러닝 기반 시계열 산림 바이오매스맵을 구축하고 바이오매스량을 산출한 결과, 연구대상지의 총 산림 바이오매스량은 kNN 모델을 이용하였을 때, 2013년 약 3,424만ton, 2017년 약 3,408만ton, 2020년 약 3,238만ton으로 산출되었으며, RF 모델을 이용하였을 때, 2013년 약 3,389만ton, 2017년 약 3,384만ton, 2020년 약 3,322만ton으로 산출되었다. 한편, FREL에 제시된 ha당 바이오매스량을 적용할 경우, 3개 시기에 같은 ha당 바이오매스량이 적용되어 2013년 약 5,746만ton, 2017년 약 5,684만ton, 2020년 약 5,727만ton으로 산출되었다.
산림 바이오매스량에 대한 산림배출기준선 설정 결과, 기울기는 kNN, RF, FREL 순으로 높았다. 또한, 머신러닝을 이용하여 설정한 산림배출기준선의 결정계수는 kNN 0.

후속연구

또한, 산림바이오매스량을 산출할때, FREL 자료를 이용할 경우에는 생육불량지, 산림황폐지 등을 구분하지 않고 획일적인 ha당 바이오매스량이 적용되는 반면, 머신러닝 기반 추정 모델을 이용할 경우에는 산림 현황 및 분광특성 등이 반영된 ha당 바이오매스량이 적용되는 장점이 있다. 따라서, REDD+ 사업 실행시 머신러닝을 이용한 바이오매스 추정모델을 산림배출 기준선 설정에 활용 가능하며, 바이오매스 감소지역을 이용하여 준국가수준의 대상지를 설정하거나 프로젝트 계획 수립에 있어 용이하게 활용될 수 있다. 또한, REDD+ 사업에서 직접적인 성과를 확인할 수 있는 기초적인 자료로 활용이 가능할 것으로 판단되며, 향후 프로젝트 수준에서는 정확도 향상을 위해 현장조사 데이터와 고해상도의 원격탐사자료가 필요하다.
따라서, REDD+ 사업 실행시 머신러닝을 이용한 바이오매스 추정모델을 산림배출 기준선 설정에 활용 가능하며, 바이오매스 감소지역을 이용하여 준국가수준의 대상지를 설정하거나 프로젝트 계획 수립에 있어 용이하게 활용될 수 있다. 또한, REDD+ 사업에서 직접적인 성과를 확인할 수 있는 기초적인 자료로 활용이 가능할 것으로 판단되며, 향후 프로젝트 수준에서는 정확도 향상을 위해 현장조사 데이터와 고해상도의 원격탐사자료가 필요하다. 바이오매스 추정모델의 정확도 향상을 위해서는 다양한 질감정보, 지형정보 등을 입력자료로 활용하거나, 이미지 분석에 유용하게 활용할 수 있는 딥러닝 알고리즘 적용이 필요하다.
바이오매스 추정모델의 정확도 향상을 위해서는 다양한 질감정보, 지형정보 등을 입력자료로 활용하거나, 이미지 분석에 유용하게 활용할 수 있는 딥러닝 알고리즘 적용이 필요하다. 또한, 모델 구축에 있어 하이퍼파라미터에 따라 모델의 성능이 달라짐에 따라, 하이퍼파라미터 선정에 대한 구체적인 방법론이 필요할 것으로 사료 된다.
Google earth의 시계열 고해상도 위성영상을 이용하여 바이오매스가 집중적으로 감소한 지역에 대해 검토한 결과, 해당 지역에서 산림전용 및 황폐화가 진행되었다. 이러한 정보는 향후 산림배출기준선 설정 뿐만아니라, REDD+ 사업 시 준국가수준의 대상지를 설정하거나, 세부적인 프로젝트 계획을 수립하는 것에 있어 기초 자료로 활용할 수 있을 것으로 판단된다(Figure 6).
따라서, 산림배출기준선 설정 시, FREL 보다 위성영상과 머신러닝을 이용한 방법이 적합하다고 생각된다(Figure 7). 하지만, VCS의 산림배출기준선 설정 방법론에 따르면, 산림배출기준선의 결정계수는 0.75를 기준으로 하고 있어 산림배출기준선 설정 시 참조 기간을 늘리거나, 산림면적 및 바이오매스 추정의 정확도 향상에 대한 보완이 필요할 것으로 판단된다.

참고문헌 (21)

2050 Carbon Neutrality and Green Growth Commission. 2021.？2030 Nationally Determined Contribution (NDC) Upgrade？Plan. 2050 Carbon Neutrality and Green Growth Commission. Sejong, Korea pp. 23.
Goussanou, C.A., Guendehou, S., Assogbadjo, A. E. and？Sinsin, B. 2017. Application of site-specific biomass models to quantify spatial distribution of stocks and historical？emissions from deforestation in a tropical forest ecosystem.？Journal of Forestry Research volume 29(1): 205-213.

상세보기
Jung, J.H., Heo, J., Yoo, S.H., Kim, K.M. and Lee, J.B. 2010.？Estimation of Aboveground Biomass Carbon Stock in？Danyang Area using kNN Algorithm and Landsat TM？Seasonal Satellite Images. journal of Korean Society for？Geospatial Information Science 18(4): 119-129.
Korea Forest Service. 2018. Forest Master Plans 6th. Korea？Forest Service. Daejeon, Korea. pp. 55.
Kuyper, J., Schroeder, H. and Linner, B. 2018. The Evolution？of the UNFCCC. Annual Review of Environment and？Resources 43: 343-368.

상세보기
Lee, W.K., Son, Y.H., Yang, S.R., Kim, O.S., Lim, S.T., Yoo,？S.M., Kim, J.Y., Kwak, H.B. and Kim, M.I. 2013a. REDD+ Implementation Guidelines. Korea Forest Service. Daejeon, Korea. pp. 1.
Lee, W.K., Son, Y.H., Yang, S.R., Kim, O.S., Lim, S.T., Yoo,？S.M., Kim, J.Y., Kwak, H.B. and Kim, M.I. 2013b.？REDD+ Introduction. Korea Forest Service. Daejeon,？Korea. pp. 33.
Li, Y., Li, M., Li, C. and Liu. Z. 2020. Forest aboveground？biomass estimation using Landsat 8 and Sentinel-1A data？with machine learning algorithms. Scientific Reports 10:？1-12.

상세보기
Ma, J., Ding, Y., Cheng, J.C., Tan, Y., Gan, V.J. and Zhang,？J. 2019. Analyzing the leading causes of traffic fatalities？using XGBoost and grid-based analysis: a city management perspective. IEEE 7: 148059-148072.
Meng, S., Pang, Y., Zhang, Z., Jia, W. and Li, Z. 2016. Mapping aboveground biomass using texture indices from？aerial photos in a temperate forest of Northeastern China.？Remote Sensing 8(3): 230-243.

상세보기
Ministry of Environment and Sustainable Development. 2015.？Nivel de Referencia de las Emisiones Forestales por？Deforestacion en la Republica del Paraguay para pago por？resultados de REDD+ bajo la CMNUCC. Ministry of？Environment and Sustainable Development. Asuncion,？Paraguay. pp. 10.
Mutanga, O., Adam, E. and Cho, M.A. 2012. High density？biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm.？International Journal of Applied Earth Observation and？Geoinformation 18: 399-406.

상세보기
Nyamari, N. and Cabral, P. 2021. Impact of land cover？changes on carbon stock trends in Kenya for spatial implementation of REDD+ policy. Applied Geography 133: 102479.

상세보기
Pan, Y., Chen, S., Qiao, F., Ukkusuri, S.V. and Tang, K. 2019.？Estimation of real-driving emissions for buses fueled with？liquefied natural gas based on gradient boosted regression？trees. Science of The Total Environment 660: 741-750.

상세보기
Seo, H.S., Park, D.H., Yim, J.S. and LEE, J.S. 2012. Assessment of Forest Biomass using k-Neighbor Techniques-A Case Study in the Research Forest at Kangwon National？University- . Journal of Korean Society of Forest Science？101(4): 547-557.
Vahedi, A.A. 2016. Artificial neural network application in？comparison with modeling allometric equations for？predicting above-ground biomass in the Hyrcanian mixed-beech forests of Iran. Biomass and Bioenergy 88: 66-76.

상세보기
VCS. 2012. VCS MODULE VMD0007 Redd Methodological？Module: Estimation of Baseline Carbon Stock Changes？and Greenhouse Gas Emissions from Unplanned Deforestation (BL-UP). VERRA. Washington DC, U.S.A. pp. 16.
Wu, C., Shen, H., Shen A., Deng, J., Gan, M., Zhu, J., Xu,？H. and Wang, K. 2016. Comparison of machine-learning？methods for above-ground biomass estimation based on？Landsat imagery. Journal of Applied Remote Sensing？10(3): 035010.

상세보기
Yim, J.S., Han, W.S., Hwang, J.H., Chung, S.Y., Cho, H.K.？and Shin, M.Y. 2009. Estimation of Forest Biomass based？upon Satellite Data and National Forest Inventory Data.？Korean Journal of Remote Sensing 25(4): 311-320.

원문보기 상세보기
Yoo, S.M., Song, C.H., Hong, M.A., Kim, W.J., Kim, J.W.,？KO, Y.J. and LEE, W.K. 2021. Analysis and evaluation？of A/R CDM p rojects in India for abroad afforestation？project. Journal of Climate Change Research 12(5): 443-460.

상세보기
Zhao, P., Lu, D., Wang, G., Wu, C., Huang, Y. and Yu, S. 2016. Examining spectral reflectance saturation in Landsat？imagery and corresponding solutions to improve forest？aboveground biomass estimation. Remote Sensing 8(6):？469-495.

상세보기

저자의 다른 논문 :

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