Journal of the Korean Association of Geographic Information Studies (한국지리정보학회지)

The Korean Association of Geographic Information Studies (한국지리정보학회)
권호 표지
DOI QR코드

DOI QR Code

Estimating Forest Carbon Stocks in Danyang Using Kriging Methods for Aboveground Biomass

크리깅 기법을 이용한 단양군의 산림 탄소저장량 추정 - 지상부 바이오매스를 대상으로 -

  • Park, Hyun-Ju (Environmental Strategy Research Group, Korea Environment Institute) ;
  • Shin, Hyu-Seok (Institute for Korean Regional Studies, Seoul National University) ;
  • Roh, Young-Hee (Department of Geography, Seoul National University) ;
  • Kim, Kyoung-Min (Division of Forest Resources Information, Korea Forest Research Institute) ;
  • Park, Key-Ho (Department of Geography, Seoul National University)
  • 박현주 (한국환경정책.평가연구원 환경전략연구본부) ;
  • 신휴석 (서울대학교 국토문제연구소) ;
  • 노영희 (서울대학교 지리학과) ;
  • 김경민 (국립산림과학원 산림자원정보과) ;
  • 박기호 (서울대학교 지리학과)
  • Received : 2011.11.17
  • Accepted : 2012.03.13
  • Published : 2012.03.31
Download PDF
⟨ Previous Next ⟩

Abstract

The aim of this study is to estimate aboveground biomass carbon stocks using ordinary kriging(OK) which is the most commonly used type of kriging and regression kriging(RK) that combines a regression of the auxiliary variables with simple kriging. The analysis results shows that the forest carbon stock in Danyang is estimated at 3,459,902 tonC with OK and 3,384,581 tonC with RK in which the R-square value of the regression model is 0.1033. The result of RK conducted with sample plots stratified by forest type(deciduous, conifer and mixed) shows the lowest estimated value of 3,336,206 tonC and R-square value(0.35 and 0.18 respectively) is higher than that of when all sample plots used. The result of leave-one-out cross validation of each method indicates that RK with all sample plots reached the smallest root mean square error(RMSE) value(22.32 ton/ha) but the difference between the methods(0.23 ton/ha) is not significant.

본 연구에서는 크리깅 기법 중 가장 일반적으로 사용되고 있는 정규 크리깅(ordinary kriging)과 여러 보조 자료를 활용한 회귀 모델에 크리깅 기법을 결합한 형태인 회귀 크리깅(regression kriging)을 이용하여 지상부 바이오매스의 탄소저장량 추정을 시도하였다. 분석 결과 단양군의 산림 탄소저장량은 정규 크리깅의 경우 3,459,902 tonC, 회귀 크리깅의 경우 3,384,581 tonC로 추정되었으며 회귀 크리깅에 이용된 회귀 모델의 결정계수는 0.1033으로 나타났다. 표본점을 임상별로(활엽수림, 침엽수림&혼효림) 층화하여 회귀 크리깅을 수행한 경우에는 탄소저장량은 3,336,206 tonC로 가장 낮게 추정되었으며 회귀 모델의 결정 계수는 각각 0.35, 0.18로 표본점 전체를 이용했을 때보다 높은 값을 보였다. 각 기법의 교차 검증(cross validation) 결과 표본점 전체를 이용한 회귀 크리깅의 RMSE(22.32 ton/ha)가 가장 낮았으나 기법간의 차이(0.23 ton/ha)는 크지 않은 것으로 나타났다.

Keywords

References

  1. 국립산림과학원. 2009. 제5차 국가산림자원조사, 현지조사 매뉴얼. 54쪽.
  2. 김기영, 전명식, 강현철, 이성건 공역. 2009. 예제를 통한 회귀분석, 제4판. 자유아카데미. 393쪽.
  3. 단양군. 2009. 통계연보(제2장 토지 및 기후).
  4. 단양군. 2010. 단양군 산림정밀지도 제작 및 활용시스템 통합 완료보고서. 154쪽.
  5. 손영모, 이경학, 김래현. 2007. 우리나라 산림바이오매스 추정. 한국임학회지 96(4):477-482.
  6. 이승호, 김철민, 원현규, 김경민, 조현국. 2004. Landsat TM 위성영상을 이용한 산림자원량 산정. 한국임학회 2004 학술연구 발표논문집 제1권. 250-252쪽.
  7. 임종수, 공지수, 김성호, 신만용. 2007. kNN 기법을 이용한 강원도 평창군의 산림주제도 작성과 산림통계량 추정. 한국임학회지 96(3):259-268.
  8. 임종수, 한원성, 황주호, 정상영, 조현국, 신만용. 2009. 위성영상자료 및 국가 산림자원조사 자료를 이용한 산림 바이오매스 추정, 대한원격탐사학회지 25(4):311-320. https://doi.org/10.7780/kjrs.2009.25.4.311
  9. 장안진, 김형태. 2008. 항공사진과 Lidar 데이터를 이용한 산림지역의 바이오매스 추정에 관한 연구. 한국지리정보학회지 11(3):166-173.
  10. 정상영, 임종수, 조현국, 정진현, 김성호, 신만용. 2009. 산림 바이오매스 변환표와 위성영상을 이용한 무주군의 산림 바이오매스추정. 한국임학회지 98(4):409-417.
  11. 최종근. 2007. 지구통계학. 시그마프레스. 199쪽.
  12. Ahmed, S., G. de Marsily. 1987. Comparison of geostatistical methods for estimating transmissivity using data on transmissivity and specific capacity. Water Resources Research 23(9):1717-1737. https://doi.org/10.1029/WR023i009p01717
  13. Bailey, T.C. and A.C. Gatrell. 1996. Interactive Spatial Data Analysis. Prentice Hall, London, UK. 432pp.
  14. Cressie, N. 1993. Statistics for Spatial Data. John Wiley & Sons, NY, USA. 416pp.
  15. Goovaerts, P. 1997. Geostatistics for Natural Resources Evaluation(Applied Geostatistics). Oxford University Press, NY, USA. 496pp.
  16. Hengl, T. 2009. A Practical Guide to Geostatistical Mapping(2nd). University of Amsterdam, Netherlands. 291pp.
  17. Hengl, T., G. Heuvelink and A. Stein. 2004. A generic framework for spatial prediction of soil variables based on regression kriging. Geoderma, 122(1-2):75-93.
  18. Hengl, T., G. Heuvelink and D. Rossiter. 2007. About regression-kriging: From equations to case studies. Computers & Geosciences 33:1301-1315. https://doi.org/10.1016/j.cageo.2007.05.001
  19. Hosseini, S., S. Khajeddin and H. Azarnivand. 2004. Application of ETM+ data for estimating rangelands cover percentage. 20th ISPRS Congress Youth Forum. Istanbul, Turkey, July 12-23, 2004, pp.198-201.
  20. Isaaks, E. and R. Srivastava. 1989. An Introduction to Applied Geostatistics. Oxford University Press, NY, USA. 542pp.
  21. Lu, D. 2006. The potential and challenge of remote sensing based biomass estimation, International Journal of Remote Sensing 27:1297-1328. https://doi.org/10.1080/01431160500486732
  22. Meng, Q., C. Cieszewski and M. Madden. 2009. Large area forest inventory using Landsat ETM+: a geostatistical approach. ISPRS Journal of Photogrammetry and Remote Sensing 64(1):27-36. https://doi.org/10.1016/j.isprsjprs.2008.06.006
  23. Odeh, I., A. McBratney and D. Chittleborough. 1994. Spatial prediction of soil properties from landform attributes derived from a digital elevation model. Geoderma 63(3-4):197-214. https://doi.org/10.1016/0016-7061(94)90063-9
  24. Odeh, I., A. McBratney and D. Chittleborough. 1995. Further results on prediction of soil properties from terrain attributes: heterotopic cokriging and regression-kriging. Geoderma 67(3 -4):215-226. https://doi.org/10.1016/0016-7061(95)00007-B
  25. Rahman, M., E. Csaplivics. and B. Koch. 2008. Satellite estimation of forest carbon using regression model. International Journal of Remote Sensing 29(23):6917-6936. https://doi.org/10.1080/01431160802144187
  26. Sales, M., C. Souza Jr, P. Kyriakidis, D. Roberts and E. Vidal. 2007. Improving spatial distribution estimation of forest biomass with geostatistics: a case study for Rondonia, Brazil. Ecological Modelling 205(1-2):221-230. https://doi.org/10.1016/j.ecolmodel.2007.02.033
  27. Sappington, J.M., K.M. Longshore and D.B. Thomson. 2007. Quantifiying landscape ruggedness for animal habitat anaysis: a case study using bighorn sheep in the Mojave desert, Journal of Wildlife Management 71(5):1419-1426. https://doi.org/10.2193/2005-723
  28. Sorensen, R., U. Zinko and J. Seibert. 2006. On the calculation of the topographic wetness index: evaluation of different methods based on field observations. Hydrology and Earth System Sciences Discussions 10:101-112. https://doi.org/10.5194/hess-10-101-2006
  29. Webster, R. and M.A. Oliver. 2007. Geostatistics for Environmental Scientists, Statistics in Practice(2nd). John Wiley & Sons, Chichester, England. 330pp.

Cited by

  1. Assessment of Design Snow Depth for Green House Using Frequency Analysis vol.16, pp.1, 2016, https://doi.org/10.9798/KOSHAM.2016.16.1.247
  2. Comparative Evaluation between Administrative and Watershed Boundary in Carbon Sequestration Monitoring - Towards UN-REDD for Mt. Geum-gang of North Korea - vol.22, pp.5, 2013, https://doi.org/10.14249/eia.2013.22.5.439
  3. Estimating Stand Volume Pinus densiflora Forest Based on Climate Change Scenario in Korea vol.103, pp.1, 2014, https://doi.org/10.14578/jkfs.2014.103.1.105
  4. Assessment and Improvement of Snow Load Codes and Standards in Korea vol.34, pp.5, 2014, https://doi.org/10.12652/Ksce.2014.34.5.1421
  5. Estimation of Representative Area-Level Concentrations of Particulate Matter(PM10) in Seoul, Korea vol.19, pp.4, 2016, https://doi.org/10.11108/kagis.2016.19.4.118
  6. Brief history of Korean national forest inventory and academic usage vol.43, pp.3, 2016, https://doi.org/10.7744/kjoas.20160032
  7. Comparison of Precipitation Distributions in Precipitation Data Sets Representing 1km Spatial Resolution over South Korea Produced by PRISM, IDW, and Cokriging vol.16, pp.3, 2013, https://doi.org/10.11108/kagis.2013.16.3.147
  8. Estimation of Near Surface Air Temperature Using MODIS Land Surface Temperature Data and Geostatistics vol.22, pp.1, 2014, https://doi.org/10.12672/ksis.2014.22.1.055
  9. Change Analysis of Aboveground Forest Carbon Stocks According to the Land Cover Change Using Multi-Temporal Landsat TM Images and Machine Learning Algorithms vol.18, pp.4, 2015, https://doi.org/10.11108/kagis.2015.18.4.081
  10. A Study on the Soil Contamination(Maps) Using the Handheld XRF and GIS in Abandoned Mining Areas vol.17, pp.3, 2014, https://doi.org/10.11108/kagis.2014.17.3.195
  11. Comparison of Three Kinds of Methods on Estimation of Forest Carbon Stocks Distribution Using National Forest Inventory DB and Forest Type Map vol.17, pp.4, 2014, https://doi.org/10.11108/kagis.2014.17.4.069
  12. Stand Volume Estimation of Pinus Koraiensis Using Landsat TM and Forest Inventory vol.17, pp.1, 2014, https://doi.org/10.11108/kagis.2014.17.1.080
  13. Estimation of Forest Canopy Height and Aboveground Biomass from Spaceborne LiDAR and Landsat Imageries in Maryland vol.10, pp.2, 2018, https://doi.org/10.3390/rs10020344
  14. 남한 강수량 분포 추정을 위한 PRISM 매개변수 및 수치표고모형 최적화 vol.15, pp.3, 2012, https://doi.org/10.11108/kagis.2012.15.3.036
  15. 라돈 농도 분포도 작성을 위한 단변량 크리깅 기법의 정량적 비교 vol.20, pp.1, 2012, https://doi.org/10.11108/kagis.2017.20.1.071
  16. 국가산림자원조사 자료와 임상도를 활용한 리기다소나무림의 탄소 저장량에 대한 공간분포도 작성: 무주군의 사례로 vol.106, pp.2, 2012, https://doi.org/10.14578/jkfs.2017.106.2.258
  17. 산림의 CO2 흡수량 평가를 위한 통계 및 공간자료의 활용성 검토 - 안산시를 대상으로 - vol.27, pp.2, 2012, https://doi.org/10.14249/eia.2018.27.2.124
  18. 환경공간정보를 활용한 도시녹지의 탄소흡수량 추정 -안산시를 대상으로- vol.21, pp.3, 2012, https://doi.org/10.13087/kosert.2018.21.3.13
  19. 토지피복변화에 따른 행정구역별 토양 탄소 변화량 산정 vol.22, pp.3, 2012, https://doi.org/10.14481/jkges.2021.22.3.37