초록
본 연구는 최근린 기법에서 거리가중치와 훈련자료의 층화에 의한 추정치의 정확도를 비교하여 효율적인 방법을 모색하기 위하여 수행하였다. 거리가중치의 경우, 유사성이 높은 훈련자료에 가중치를 부여하는 방법으로 일반적으로 적용되는 5가지의 계수(0, 0.5, 1, 1.5, 그리고 2)를 비교한 결과, 평균 편차에서 최대 ${\pm}0.6m^3/ha$로 정확도는 유사한 것으로 나타났다. 훈련자료의 층화에서는 임상구분을 적용하였을 때 추정치의 정확도가 가장 높은 것으로 나타났으며, 임상구분과 참조수평거리(반경=100 km)를 통합하여 적용하였을 경우에는 임상구분에 의한 추정치와 유사한 정확도를 나타내었다. 연구대상지의 2010년 기준 평균임목축적과 비교한 결과 최근린 기반 추정치가 약 $5m^3/ha$ 정도 과소 추정되었지만, 조사시점을 고려하였을 때 상당한 정확도를 나타낸 것으로 평가된다.
The k-Nearest Neighbor (kNN) technique is popularly applied to assess forest resources at the county level and to provide its spatial information by combining large area forest inventory data and remote sensing data. In this study, two approaches such as distance-weighting and stratification of training dataset, were compared to improve kNN-based forest growing stock estimates. When compared with five distance weights (0 to 2 by 0.5), the accuracy of kNN-based estimates was very similar ranged ${\pm}0.6m^3/ha$ in mean deviation. The training dataset were stratified by horizontal reference area (HRA) and forest cover type, which were applied by separately and combined. Even though the accuracy of estimates by combining forest cover type and HRA- 100 km was slightly improved, that by forest cover type was more efficient with sufficient number of training data. The mean of forest growing stock based kNN with HRA-100 and stratification by forest cover type when k=7 were somewhat underestimated ($5m^3/ha$) compared to statistical yearbook of forestry at 2011.