Landsat TM 위성영상과 비율영상을 적용한 지상부 탄소 저장량 추정 -
kNN 알고리즘 및 회귀 모델을 중점적으로
Estimation of Aboveground Biomass Carbon Stock Using Landsat TM and Ratio Images
- kNN algorithm and Regression Model Priority
1)
유수홍*ㆍ허준**ㆍ정재훈***ㆍ한수희****ㆍ김경민*****
Yoo, Su HongㆍHeo, JoonㆍJung, Jae HoonㆍHan, Soo HeeㆍKim, Kyoung Min
要 旨
대기 중 온실가스 증가로 인한 지구온난화의 영향으로 각종 자연 재해가 증가하면서, 온실가스에서 가장 큰 비율 을 차지하는 이산화탄소의 자연 포집지인 산림이 저장하고 있는 탄소량을 추정하기 위한 많은 연구가 진행 중에 있다. 하지만 국내 지역의 환경에 적합한 탄소저장량 추정 기법 및 자료 선정에 대한 연구는 아직 부족한 상황으 로, 이에 대한 연구가 요구되고 있다. 본 논문에서는 전 세계적으로 탄소저장량 추정에 보편적으로 이용되고 있는 회귀 모델과 kNN(k-Nearest Neighbor) 알고리즘을 이용하여 충청북도 단양군을 대상으로 산림이 저장하고 있는 탄 소 저장량을 추정하고 결과를 비교․분석하였다. 연구 자료로써 Landsat TM 영상과 제5차 NFI(National Forest Inventory) 자료를 이용하였으며, 지형효과 보정 및 식생 구분에 특화된 다양한 비율영상을 사용하였다. 분석 결과, 단양군의 탄소저장량 추정에는 회귀 모델보다 kNN 알고리즘을 이용하는 것이 더 유리하며, 비율영상의 경우 정확 도 향상에 큰 영향을 미치지 않는 것으로 나타났다.
핵심용어 : kNN, 회귀 모델, NFI, 탄소저장량, 비율영상
Abstract
Global warming causes the climate change and makes severe damage to ecosystem and civilization Carbon dioxide greatly contributes to global warming, thus many studies have been conducted to estimate the forest biomass carbon stock as an important carbon storage. However, more studies are required for the selection and use of technique and remotely sensed data suitable for the carbon stock estimation in Korea In this study, the aboveground forest biomass carbon stocks of Danyang-Gun in South Korea was estimated using kNN(k-Nearest Neighbor) algorithm and regression model, then the results were compared. The Landsat TM and 5th NFI(National Forest Inventory) data were prepared, and ratio images, which are effective in topographic effect correction and distinction of forest biomass, were also used. Consequently, it was found that kNN algorithm was better than regression model to estimate the forest carbon stocks in Danyang-Gun, and there was no significant improvement in terms of accuracy for the use of ratio images.
Keywords : kNN, regression model, NFI, carbon stock, ratio image
2011년 3월 24일 접수, 2011년 4월 27일 채택
* 정회원ㆍ연세대학교 토목․환경공학과 석사과정([email protected])
** 교신저자ㆍ정회원ㆍ연세대학교 토목․환경공학과 부교수([email protected])
*** 정회원ㆍ연세대학교 토목․환경공학과 박사과정([email protected])
**** 정회원ㆍ연세대학교 토목․환경공학과 박사후과정([email protected])
***** 국립산림과학원 산림자원정보과 연구사([email protected])
연구논문
현상은 각종 기상 이변을 일으키며 생태계에 심각한 문 제를 발생시키고 있다. 온실가스에는 여러 가지 종류가 있지만, 이 중에서도 이산화탄소가 전체 온실가스 배출 량의 80% 이상을 차지하고 있으며, 이러한 대기 중 이 산화탄소 농도를 줄이기 위한 다양한 연구가 시도되고 있다. 그 중에서도 이산화탄소를 인공적으로 포집하여 지중 매립하는 CCS(Carbon Capture and Storage) 등 의 기술들이 제안되고 있으나 매립지 선정에 대한 어려 움이나 포집 기술의 복잡성 등으로 인해 국내의 경우 아직 실용화된 사례가 없다(허철 등, 2008). 반면, 산림 바이오매스는 대기 중 이산화탄소 흡수원으로서 전 지 구적 탄소 순환에 중요한 역할을 하고 있다(Fuchs 등, 2009). 따라서 이러한 산림 바이오매스의 탄소저장량 을 추정하려는 다양한 연구가 전 세계적으로 진행 중에 있으며, 우리나라의 경우도 임종수(2009), 정상영(2009), 정재훈(2010) 등에 의해 산림이 포함하고 있는 탄소량 에 대한 추정 연구가 진행된 바 있다.
하지만, 아직 국내 산림 바이오매스 탄소추정 연구는 해외 사례에 비추어 상당히 제한적인 상황으로, 다양한 대상지역에 대한 실험을 통해 국내 환경에 적합한 추정 기법 및 자료의 선정이 시급한 상황이다. 탄소량 추정 을 위해 전 세계적으로 활용되고 있는 대표적인 산림 바이오매스 추정 기법은 이미 보편화된 회귀 분석을 이 용하는 방법부터 최근 유럽지역에서 많이 이용되고 있 는 kNN(k-Nearest Neighbor) 알고리즘, 산림 바이오매 스 변환표를 이용하는 BioCLUST(BIOmass from Cluster Labeling Using Structure and Type) 기법, BioSTRUCT (BIOmass from stand STRUCTure), 생 산력 모델(Physiologically based productivity model, PnET) 등 다양한 기법이 존재한다. 또한 이들 추정기 법과 연계되어 사용되는 원격탐사 자료로는 대표적인 Landsat 시리즈부터 고해상도 SPOT과 Quickbird, 전 지구적인 바이오매스 추정이 가능한 MODIS, NOAA 위성을 들 수 있으며, 기본 밴드 외에 다양한 비율영상 들도 이용되고 있다.
본 연구에서는 현재 가장 보편적으로 사용되고 있는 회귀 모델과 kNN 기법을 이용하여 충청북도 단양군 지역의 지상부 산림 바이오매스 탄소저장량을 추정하 고자 하였다. 표본점 자료 및 비산림 지역의 제거에는 각각 제5차 NFI(National Forest Inventory) 자료 및 단양군에서 구축한 1:5,000 정밀임상도가 이용되었으 며, 원격탐사 자료로써 Landsat TM의 기본 밴드 외에
통해 단양군 지역의 산림 탄소량 추정에 적합한 최적 알고리즘 및 자료의 형태를 선정하고자 하였다.
2. 실험 대상 지역 및 입력 자료의 종류 2.1 연구 대상지
본 연구에서 선정한 연구 대상지인 단양군은 충청북 도 위도 36° 47' 41"N에서 37° 09' 33"N 사이, 경도 128° 13' 19"E에서 128° 38' 51"E 사이에 위치하고 있 다. 총면적은 78,010 ha로 침엽수, 활엽수가 넓은 면적 에 대해 분포하고 있어 산림에 관한 연구를 수행하기에 적합한 지역이다(그림 1; 두피디아, 2003). 또한, 단양 군에서 구축한 1:5,000의 정밀 임상도를 통해 산림과 비산림 지역을 명확하게 구분할 수 있다.
2.2 NFI 자료
국립산림과학원에서는 지속가능한 산림경영 실천을 위한 산림기본계획 및 산림정책 수립의 기본 자료 제공 을 목적으로 1972년부터 전국에 분포하고 있는 산림을 과학적인 방법으로 조사 ․ 평가하여 전국 4,000개 지점 에 대한 NFI 자료를 구축하고 있다. 조사 항목으로 임 분 현황, 입목, 벌근 ․ 고사목 ․ 피해복, 산림식생(치수, 초본식생), 토양탄소량 등이 있다(국립산림과학원, 2009). 그림 1은 본 연구에서 사용한 제5차 NFI 자료 중 2006～2009년 사이에 조사된 자료의 분포를 나타 낸 것으로, 각 표본점은 4개의 부표본점으로 구성되어 있다. 단양군 전체에 걸쳐 현재 총 120개의 부표본점이 존재하며, 최저 0.99 tonC/ha에서 최대 155.85 tonC/ha 의 탄소를 저장하고 있는 것으로 나타났다. 본 연구에 서 사용한 NFI 자료는 정재훈 등(2010)이 발표한 논문 에서 사용한 자료와 동일하다.
2.3 원격탐사 자료
다중분광(multispectral) 원격탐사는 전자기 스펙트럼 의 다중 밴드에서 지상의 물체 또는 영역으로부터 반 사, 방출, 그리고 후방산란된 에너지를 수집하는 방법 을 말한다(Jensen, 2005). Landsat TM은 산림 바이오 매스 추정에 사용되는 대표적인 원격탐사 자료 중 하나 이며, 기본적인 청색, 녹색, 적색 밴드 외에 적외선 영 역에 해당하는 일곱 개의 밴드를 포함하고 있다. 각 밴 드는 파장대에 따라 동일 지역에 대해서도 서로 다른 정보를 취득할 수 있으며, 다음의 표 1은 이러한 파장
그림 1. 연구 대상지 및 NFI 자료의 분포
경우의
수 밴드 특징
경우
Ⅰ
Ⅰ (0.45- 0.52㎛)
물에 대한 침투력이 좋으며, 식생지 역과 토양 및 암석 지역 간의 구분을 가능하게 함.
Ⅱ (0.52- 0.60㎛)
물의 혼탁도에 민감하며, 불모지나 도심지, 도로 등은 밝은 색으로 나타 나고 식생 지역은 어두운 색으로 나 타남
Ⅲ (0.63- 0.69㎛)
대부분의 토양지역 및 클로로필이 분포하고 있는 지역에서 강한 반사 력을 가지고 있음.
Ⅳ (0.76 -0.9㎛)
식생의 변화 및 상태를 구분하기에 가장 좋으며, 건토와 습토를 구분해 냄.
Ⅴ (1.55- 1.75㎛)
산림과 경작지, 물을 구분해내며, 식 생의 습윤도에 민감함.
Ⅵ (10.4- 12.5㎛)
지표면으로부터 방출되는 복사에너 지의 양을 측정하여 표면 온도 측정 에 이용됨
Ⅶ (2.08- 2.35㎛)
토양과 물을 명확히 구분해내며, 물 에 잘 흡수되지만 토양이나 암석 지 역에서는 강한 반사율을 가짐.
표 1. Landsat TM 위성 영상의 각 밴드별 특징(Office
of information Technologies, 2001; Jenson 2007) 계절 취득 시기 봄 2004 / 04 / 09 여름 2004 / 08 / 31 가을 2005 / 11 / 22 겨울 2004 / 01 / 20 표 2. 영상 취득 시기
대에 따른 분광특성 및 용도를 나타내고 있다.
한편, 원격탐사로 취득된 영상은 지형 상의 기울기나 경사면, 그림자, 계절 변화로 인한 태양광의 입사각과 입사강도에 의해 동일한 지표 물질에서도 다른 밝기값 을 보이기도 한다. 이런 조건들은 원격탐사 자료로부터 지표 물질이나 토지 이용을 정확히 조사하는데 장애 요 소로 작용하나, 원격탐사 밴드간의 비율 변환을 통해 이러한 환경효과를 줄일 수 있다(Lillesand Et al., 1994; Jensen, 2005). 또한 NDVI 등의 식생 지수들은 각종 식생의 구분 및 생물량 탐지에 효과적으로 사용되 고 있으며, 산림 바이오매스 추정에 관련된 다양한 선 행 연구에서 활용되어 왔다(Tomppo Et al., 2004;
Labrecque Et al., 2006; 임종수 등, 2009).
본 연구에서는 Landsat 영상에 대해 전처리 과정으 로 기하보정 및 방사보정과 반사보정, 경사보정을 수행 하였으며, 산림 바이오매스의 탄소저장량 추정과 밀접 한 관계가 있을 것으로 사료되는 비율영상 별로 총 네
경우
Ⅱ
NDVI
(정규식생지수)
해 제작할 수 있음.
∙ 식생의 성장과 식생 생태에 대한 계절적 변화나 연간 변화 모니터링을 가능케 함.
II
(적외선지수)
∙ Landsat TM 근적외선과 중적외선 밴드를 이용하여 제작할 수 있음.
∙ 습지 연구에 있어 NDVI보다 식물의 생물량이나 수 분스트레스의 변화에 민감.
MSI
(수분스트레스지수)
∙ Landsat TM 근적외선과 중적외선 밴드를 이용하여 제작할 수 있음.
∙ 식생의 성장에 영향을 미치는 수분스트레스를 나타냄.
SAVI
(토양보정식생지수)
∙ NDVI에 포함된 토양에 의한 잡음을 최소화 할 수 있 는 지수임.
∙ 여기서 L은 토양보정인자로 0.5일 때 다른 토양에 대 한 보정이 필요 없는 것으로 보고된바 있음.
MidIR index
(중적외선지수)
∙ Landsat TM의 두 중적외선을 이용하여 제작할 수 있음.
∙ 중적외선 지수와 토양습도 사이에 높은 상관관계를 가지는 것으로 보고됨.
∙ 토양습도는 식생의 성장에 영향을 미치는 것으로 보 고된바 있음.
Band 7/Band 2
∙ Landsat TM의 녹색과 중적외선 밴드를 이용하여 제 작할 수 있음.
∙ 도심지나 경작지, 고속도로 등을 더 강조하고 산림을 더 어둡게 하여 구분해 내는 특징을 가짐.
경우
Ⅲ 지형보정지수
,
,
,
∙ Landsat TM의 각 기본 밴드를 비율로 나타낸 것으로 지형 기복에 의한 그림자로 인해 발생할 수 있는 오 차를 보정하는 효과를 가지고 있음.
경우
Ⅳ
분광각
(Spectral angle)
∙ 두 영상 밴드를 이용하여 제작된 산점도에서 x축으 로부터 동일 내각을 가지는 모든 영상소를 동일한 사 물로 판단하여 분류해내는 특징을 가지고 있음.
가지 경우의 수를 고려하였다. 위성영상에는 2004～
2005년 사이에 취득된 계절별 Landsat TM 영상을 사 용하였으며(표 2), 경우Ⅰ은 Landsat TM의 기본 밴드 인 1～5번과 7번 밴드를 포함하고 있으며, 열적외선 밴 드인 6번은 산림분광특성과 관계가 없으므로 제외하였 다. 경우 Ⅱ는 NDVI, II, MSI, SAVI, MidIR index, TM7/TM2 등 각종 식생의 구분 및 생물량 추정에 특 화된 식생 지수로 구성되어 있으며, 경우 Ⅲ는 지형기 복으로 인한 그림자 효과를 향상하기 위한 비율영상을 포함하고 있다.
마지막으로 경우 Ⅳ는 분광각을 통해 생성된 영상으 로서, 두 밴드간의 산점도(scatter plot)상에서 동일 각 도에 분포하고 있는 영상소(pixel)를 동일 사물로 판단 하고 분류를 수행한다. 이는 경우 Ⅲ과 마찬가지로 지
형 기복에 의한 그림자 효과를 효과적으로 줄일 수 있 다. 다음의 표 3은 각종 비율영상의 변환식 및 특성을 나타내고 있다.
3. 연구 방법
3.1 kNN 알고리즘
kNN 알고리즘은 유클리드 거리(Euclidean distance) 법(식 1)과 IDW(inverse distance weight -ing)법(식 2) 에 기반을 둔 미조사지점의 추정 기법을 의미한다. 추 정하고자 하는 목표점과의 분광차가 가장 작은 k 개의 참조점에 대해 목표점과의 속성 차이에 따라 그 가중치 를 역으로 부여함으로써 목표점의 탄소량을 추정해내 는 방법이다(정재훈 등 2010). 식 3은 kNN 알고리즘의
최종 식으로, 이를 통해 NFI 자료가 존재하지 않는 지 역에 대해서도 지상부 탄소저장량을 추정할 수 있다.
(1)
(2)
× (3)
여기서, : Landsat TM 영상의 각 밴드,
: 목표점(target)과 참조점간의 영상소 차이,
, : 각 영상 에 대한 목표점과 참조점,
: 각 참조점에 대한 가중치,
: 모델 제작에 이용된 영상의 총 수,
: 참조점의 총 수, : 참조점의 탄소량,
: 추정된 목표점의 탄소량을 의미한다.
본 연구에서는 참조점으로 NFI 부 표본점 자료를 이 용하였으며, 식 1에서 3을 사용하였다. k 값은 10으로, 수평참조범위(참조점을 포함하는 최대 거리)를 20km 로 설정했을 때 더 높은 정확도가 도출되었다는 정재훈 등(2010)의 연구에 따라 본 연구에서도 동일하게 적용 하였다.
3.2 회귀 모델
본 연구에서 이용한 회귀 모델은 다중 선형 회귀 모 델로 식 4와 같다.
C aB aB⋯ anBn (4) 여기서, aa⋯an : 계수,
C : 탄소량(tonC/ha), n : 영상의 총 밴드 수,
BB⋯Bn : 원영상 또는 ratio 영상의 각 밴드의 영상소를 의미한다.
식 4를 통해 NFI 자료와 각 밴드의 분광값에 대한 관계식을 도출함으로써, 분광값이 존재하는 지역에 대 한 지상부 탄소저장량을 추정하였다. 다중 선형 회귀식 의 각 계수(aa⋯an)는 최소 제곱법을 통해 산출하 였다.
한편, 회귀모델은 제작된 모델에 따라 음의 추정치를
산출하게 될 가능성이 있다. 그러나 실제 탄소량이 음 의 값을 가지는 경우는 존재하지 않으므로, 만약 음의 추정치가 산출되거나 과대 추정치가 산출되는 경우 이 상치(outlier)로 간주하고 추정에서 제외하였다. 본 연 구에서는 앞서 언급한 Landsat TM 영상과 다양한 비 율영상간의 조합을 통해 선형 회귀 모델을 제작하였으 며, 각 독립변수의 계수는 최소 제곱법에 의해 산출되 었다.
3.3 정확도 평가
3.2절과 3.3절에서 언급한 kNN 알고리즘과 회귀 모 델을 통해 추정된 탄소량에 대한 평가는 단일잔류 교차 검증법(Leave-one-out cross validation)을 통해 수행하 였다. 단일잔류 교차 검증법은 하나의 샘플을 제외한 나머지 샘플들을 이용하여 모델을 제작한 다음 제외시 켰던 하나의 샘플을 이용하여 정확도 평가를 수행하는 방법으로, 이후 정확도 평가에 이용되지 않은 모든 샘 플에 대해 각각의 모델을 제작하여 정확도 평가를 수행 한다. 본 연구의 경우, NFI 자료가 총 120개이므로 단 일잔류 교차 검증법을 적용하면 120개의 각기 다른 모 델이 제작된다. 제작된 모델은 각기 다른 하나의 샘플 데이터가 누락되어 제작되었으므로, 최종적으로 모델 제작에 이용되지 않은 샘플 지점의 탄소량을 산출함으 로써 정확도를 평가할 수 있다. 최종적인 정확도 평가 는 Root Mean Square Error(RMSE)와 평균편의(mean bias)를 통해 산출하였다(Reese 등, 2002).
4. 연구 결과
각 경우의 수에 대해 kNN 알고리즘과 회귀 모델을 사용하여 단양군에 저장된 지상부 탄소저장량을 추정 한 결과이다. 표 4부터 표 6은 각 알고리즘을 통해 도 출된 단양군의 탄소 저장량 지도를 나타낸 것이며, 표 6부터 표 9은 각 알고리즘을 통해 산출된 총 탄소량, 평균 탄소량, 최대 및 최소 탄소량, 탄소량의 표준편차, RMSE, 평균편의를 정리한 것이다. 실험 결과, 추정된 단양군 지역의 총 탄소저장량은 약 330만톤 내외로 두 알고리즘 간에 서로 비슷한 추정치를 나타냈으나, 그 외의 파라미터들은 추정기법 별로 명확한 차이를 보였 다. 우선 단위면적(ha)당 최대 및 최소 탄소량에 있어서 회귀 모델의 경우 kNN 알고리즘에 비해 일부 지역이 과대 혹은 과소 추정되는 경향을 나타내었다. 일부 추 정값은 이상치로 인식되어, 결과에서 배제되었다. NFI 자료에 저장된 탄소저장량이 최저 0.99 tonC/ha에서 최대 155.85 tonC/ha라는 점을 감안하면, 그림 2와 같
경우
Ⅰ
kNN
회귀 모델
경우
Ⅱ
kNN
회귀 모델
경우
Ⅲ
kNN
회귀 모델
경우 적용 알고리즘
알고리즘을 통해 도출된 탄소저장량 지도
2004/04/09 2004/08/31 2005/11/22 2004/01/20
경우
Ⅳ
kNN
회귀 모델
표 5. 경우Ⅳ에 대한 탄소저장량 지도
적용 알고 리즘
영상 취득 일시
총 탄소량 (tonC)
최대 탄소량 (tonC/ha)
최소 탄소량 (tonC/ha)
평균 탄소량 (tonC/ha)
탄소량 표준편차 (tonC/ha)
RMSE (tonC/ha)
평균편의 (tonC/ha)
kNN
2004/04/09 3,451,815.86 99.53 17.02 44.25 13.58 25.58 0.2621 2004/08/31 3,517,382.20 100.29 16.49 45.09 14.86 25.40 -0.4046 2005/11/22 3,189,977.27 107.04 16.70 40.89 14.44 24.87 -4.0947 2004/01/20 3,204,603.65 114.13 15.52 41.08 14.13 25.94 -1.9832
회귀 모델
2004/04/09 3,360,704.27 161.13 0.06 43.08 8.28 27.36 0.0441 2004/08/31 3,352,750.73 100.09 0.0002 42.98 9.89 26.02 -0.0576 2005/11/22 3,559,103.69 191.75 0.02 45.62 8.07 27.99 -2.2083 2004/01/20 3,479,714.47 133.53 0.45 44.61 5.49 27.28 0.1232 표 6. 추정된 탄소량 및 오차(경우 Ⅰ)
적용 알고 리즘
영상 취득 일시
총 탄소량 (tonC)
최대 탄소량 (tonC/ha)
최소 탄소량 (tonC/ha)
평균 탄소량 (tonC/ha)
탄소량 표준편차 (tonC/ha)
RMSE (tonC/ha)
평균편의 (tonC/ha)
kNN
2004/04/09 3,516,371.77 115.47 12.04 45.08 15.07 25.95 0.0666 2004/08/31 3,310,808.71 113.36 8.24 42.44 17.96 23.97 -0.4663 2005/11/22 3,204,157.80 146.31 7.23 41.07 15.93 26.10 -3.4804 2004/01/20 3,271,935.54 144.11 7.73 41.94 14.09 26.56 -0.3587
회귀 모델
2004/04/09 3,343,611.79 109.33 0.02 42.86 9.97 26.57 0.0699 2004/08/31 3,381,605.25 75.07 0.0009 43.35 7.83 26.44 0.1027 2005/11/22 3,193,492.53 146.09 7.17 40.94 7.97 27.69 -0.4132 2004/01/20 2,998,941.66 199.52 0.11 38.44 11.87 29.49 -3.5954 표 7. 추정된 탄소량 및 오차(경우 Ⅱ)
리즘 (tonC)
(tonC/ha) (tonC/ha) (tonC/ha) (tonC/ha) (tonC/ha) (tonC/ha)
kNN
2004/04/09 3,454,827.42 101.12 13.98 44.29 14.22 27.11 -0.3314 2004/08/31 3,307,799.43 104.66 11.25 42.40 14.78 25.26 -0.8621 2005/11/22 3,140,450.77 122.80 14.83 40.26 13.48 25.91 -3.2138 2004/01/20 3,166,304.62 147.11 8.87 40.59 14.20 25.92 -1.8181 회귀
모델
2004/04/09 3,377,199.14 111.87 2.13 43.29 6.66 27.50 0.0668 2004/08/31 3,350,939.00 103.10 0.0031 42.96 10.70 26.06 -0.0492 2005/11/22 3,302,825.68 195.20 9.80 42.34 6.31 27.60 -0.8021 2004/01/20 3,236,031.29 199.85 0.02 41.48 10.25 27.61 -0.7620
적용 알고 리즘
영상 취득 일시
총 탄소량 (tonC)
최대 탄소량 (tonC/ha)
최소 탄소량 (tonC/ha)
평균 탄소량 (tonC/ha)
탄소량 표준편차 (tonC/ha)
RMSE (tonC/ha)
평균편의 (tonC/ha)
kNN
2004/04/09 3,472,075.92 106.00 11.92 44.51 14.29 26.80 0.0416 2004/08/31 3,352,194.07 106.01 8.03 42.97 14.62 26.28 -1.7763 2005/11/22 3,183,422.30 138.98 8.25 40.81 13.97 25.96 -2.6825 2004/01/20 3,245,088.45 147.34 8.03 41.60 14.37 26.16 -0.1721 회귀
모델
2004/04/09 3,337,839.46 121.77 0.06 42.79 8.30 27.32 0.0849 2004/08/31 3,371,870.41 106.67 0.0102 43.22 10.46 25.98 -0.0577 2005/11/22 3,334,362.86 149.69 0.31 42.74 6.90 26.51 -0.3518 2004/01/20 3,265,709.38 92.46 11.02 41.86 6.70 26.60 -0.2148 표 9. 추정된 탄소량 및 오차 (경우 Ⅳ)
그림 2. 경우 Ⅲ, 2004/01/20에 취득된 영상으로 추정 된 탄소저장량의 히스토그램
은 히스토그램은 타당한 것으로 판단된다. 그림 2는 경 우 Ⅲ의 2004/01/20 영상에 대한 회귀 모델을 통해 도 출된 탄소 저장량의 히스토그램으로, 대개의 영상소가 50 tonC/ha를 중심으로 일정 범위 내의 추정치가 밀집 해 있는 것으로 나타났다. 즉, 본 경우에 대해서는 100 tonC/ha 이내의 추정치는 타당하나, 그 이외의 추정치 는 과대 혹은 과소 추정된 것으로 판단할 수 있다. 본
연구에서는 이와 같이 각 회귀 모델을 통해 산출된 탄 소저장량의 히스토그램을 도시함으로써 과대 혹은 과 소 추정치를 설정하여 최종 탄소저장량 추정에서 배제 하였다.
일부 이상치를 제외하고 모든 경우에서 표준편차는 회귀모델의 경우가 kNN 보다 작게 나타났으나, 평균편 의의 경우는 경우Ⅱ를 제외하고 회귀모델이 우세한 것 으로 나타났다(그림 3). 이는 편의(bias)를 최소로 하는 회귀 분석의 통계적 특성(unbiased estimate: 불편 추정 치)에 기반 하기 때문으로 판단된다. 반면, kNN의 경우 평균편의는 회귀모델에 비해 떨어지나, 선형 모델의 한 계점인 과대 및 과소 추정치가 적고, 정확도 평가의 기 준인 RMSE 비교에서는 회귀 모델에 비해 경우별로 평 균 RMSE가 적게는 0.3tonC/ha에서부터 많게는 1.91tonC/ha까지 정확도가 향상되는 것으로 나타났다 (그림 4).
기본 밴드와 비율영상 간 정확도 비교에서는 결과별 로 큰 차이가 없는 가운데, 기본 밴드만을 사용한 경우
Ⅰ이 가장 좋은 정확도를 나타내었으며, 그 뒤로 식생 지수(경우Ⅱ), 지형보정지수(경우Ⅲ), 분광각(경우Ⅳ)의 순으로 나타났다. 정확도에 큰 차이가 나타나지 않은 이유로 우선 경우 Ⅱ인 식생지수의 경우 주로 산림과
그림 3. 각 경우에 대한 평균편의
비산림 구분에 특화된 비율영상으로써, 본 연구에서 는 이미 1:5,000 정밀 임상도를 통해 비산림지역을 구 분한 상황이므로 정확도 향상에 큰 영향을 미치지 않은
그림 4. 각 경우에 대한 RMSE
것으로 판단된다. 또한 지형기복에 따른 그림자효과 보 정에 특화된 경우Ⅲ와 경우Ⅳ의 경우도 영상 전처리 과정에서 수행된 경사보정에 의해 이미 대부분의 지형
영향을 미치지 못하는 것으로 나타났으며, 차후 단양군 지역의 탄소저장량 추정에 있어 기본 밴드를 사용하더 라도 큰 무리가 없는 것으로 사료된다.
5. 결론 및 토의
본 연구에서는 충청북도 단양군을 대상으로kNN 과 회귀 모델의 두 알고리즘을 사용하여 지상부 산림 바이 오매스 탄소저장량을 추정하고, 그 결과를 비교 ․ 분석 하였다. 연구 자료로는 2004∼2005년 사이에 취득된 Landsat TM 영상과 2006∼2009년 사이에 구축된 제5 차 NFI 자료가 이용되었으며, 정확도 분석에는 단일잔 류 교차 검증법이 이용되었다. 또한 Landsat TM에서 제공하는 기본 밴드 외에 식생지수, 밴드비율, 분광각 등 다양한 비율영상 자료를 이용하여 네 가지 경우에 따른 정확도 비교를 수행하였다.
분석결과, 추정 기법의 경우 모든 경우에서 kNN 알 고리즘이 회귀 모델보다 RMSE가 더 작은 것으로 나타 난 반면, 평균편의는 회귀 모델의 경우가 보다 작은 것 으로 나타났다. 한편, 임종수 등(2009)이 무주군을 대 상으로 수행한 산림 바이오매스 추정 연구에서는 kNN 과 회귀 모델 간 평균편의가 큰 차이는 없는 것으로 보 고되고 있다. 추정 기법에 따른 오차는 대상 지역의 면 적 및 산림 현황, 수평참조범위, 최적 k 값의 선정 등 다양한 요소의 영향을 받을 수 있으며, 보다 일반화된 결과를 도출하기 위한 대상 지역의 다변화가 요구된다.
자료별 비교에 있어서는 기본 밴드만을 이용한 경우Ⅰ 이 다른 경우보다 높은 정확도를 나타내었고, Landsat TM 을 이용한 단양군 지역의 산림 탄소저장량 추정에서는 각종 비율영상이 큰 효과가 없는 것으로 분석되었다. 따 라서 향후 보다 효과적인 산림 탄소량 추정을 위해서는 현재 이용되고 있는 다양한 원격탐사 자료 및 이를 통해 제작된 비율영상에 대한 추가 연구가 필요할 것이다.
감사의 글
본 연구는 기후변화연구센터 산림자원정보과 “지상 부 바이오매스의 탄소저장량 분포 추정을 위한 최적 공 간모델 개발” 과제의 일환으로 수행되었습니다.
참고문헌
1. 국립산림과학원, 2009, “제 5차 국가산림자원조사-현지
=view&MAS_IDX=101013000788700
3. 임종수, 한원성, 황주호, 정상영, 조현국, 신만용, 2009,
“위성영상자료 및 국가 산림자원조사 자료를 이용한 산 림 바이오매스 추정”, 대한원격탐사학회, Vol.25, No.4, pp.311-320.
4. 정상영, 임종수, 조현국, 정진현, 김성호, 신만용, 2009,
“산림 바이오매스 변환표와 위성영상을 이용한 무주군 의 산림 바이오매스추정”, 한국임학회지, Vol.98, No.
4, pp.409-416.
5. 정재훈, 허준, 유수홍, 김경민, 이정빈, 2010, “kNN 알고 리즘과 계절별 Landsat TM 위성영상을 이용한 단양군 지역의 지상부 바이오매스 탄소저장량 추정”, 한국지형 공간정보학회, Vol.18, No.4, pp.119-129.
6. 허철, 강성길, 최종수, 홍섭, 2008, “국내외 이산화탄소 육상/해양지중저장 연구 현황 및 비교 분석”, 대한기계 학회 에너지 및 동력공학부문 춘계학술대회, pp.141-148.
7. Fuchs, H., Magdon, P., Kleinn, C., Flessa, H., 2009,
“Estimating aboveground carbon in a catchment of the Siberian forest tundra: Combining satellite imagery and field inventory”, Remote Sensing of Environment, Vol.113, pp.518-531.
8. Jensen, R. J., 2007, “원격탐사와 디지털 영상처리“, 시그마 프레스, Vol.3, pp.338-352.
9. Labrecque, S., Fournier, R. A., Luther, J. E., Piercey, D., 2006, “A comparison of four methods to map biomass from Landsat-TM and inventory data in western Newfoundland”, Forest Ecology and Management, Vol.226, pp.129-144.
10. Lillesand, T. M., Kiefer, R. W., 1994, “Remote sensing and image interpretation”, John Wiley &
Sons Inc., pp.567-572.
11. Tomppo, E., Halme, M., 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, Vol.92, No.1, pp.1-20.
12. Portland State University, 2001, Office of information Technologies, http://web.pdx .edu/～emch/ip1/
bandcombinations.html
13. Reese, H,, Nilsson, M., Sandstrom, P., and Olsson, H., 2002, “Applications using estimates of forest parameters derived from satellite and forest inventory data”, Computers and Electronics in Agriculture, Vol.37, No.1, pp.37-55.
