DOI QR코드

DOI QR Code

The Development of Major Tree Species Classification Model using Different Satellite Images and Machine Learning in Gwangneung Area

이종센서 위성영상과 머신 러닝을 활용한 광릉지역 주요 수종 분류 모델 개발

  • Lim, Joongbin (Division of Global Forestry, National Institute of Forest Science) ;
  • Kim, Kyoung-Min (Division of Global Forestry, National Institute of Forest Science) ;
  • Kim, Myung-Kil (Division of Global Forestry, National Institute of Forest Science)
  • 임중빈 (국립산림과학원 국제산림연구과) ;
  • 김경민 (국립산림과학원 국제산림연구과) ;
  • 김명길 (국립산림과학원 국제산림연구과)
  • Received : 2019.11.01
  • Accepted : 2019.12.17
  • Published : 2019.12.31

Abstract

We had developed in preceding study a classification model for the Korean pine and Larch with an accuracy of 98 percent using Hyperion and Sentinel-2 satellite images, texture information, and geometric information as the first step for tree species mapping in the inaccessible North Korea. Considering a share of major tree species in North Korea, the classification model needs to be expanded as it has a large share of Oak(29.5%), Pine (12.7%), Fir (8.2%), and as well as Larch (17.5%) and Korean pine (5.8%). In order to classify 5 major tree species, national forest type map of South Korea was used to build 11,039 training and 2,330 validation data. Sentinel-2 data was used to derive spectral information, and PlanetScope data was used to generate texture information. Geometric information was built from SRTM DEM data. As a machine learning algorithm, Random forest was used. As a result, the overall accuracy of classification was 80% with 0.80 kappa statistics. Based on the training data and the classification model constructed through this study, we will extend the application to Mt. Baekdu and North and South Goseong areas to confirm the applicability of tree species classification on the Korean Peninsula.

저자는 접근불능지역인 북한의 임상도 제작을 위한 첫 단계로 Hyperion과 Sentinel-2 위성영상과 질감정보와 지형정보를 활용하여 정확도 98% 이상의 잣나무 및 낙엽송 분류모델을 개발한 바 있다. 북한의 주요 수종 점유율을 고려해 볼 때, 낙엽송(점유율 17.5%), 잣나무(5.8%) 뿐만 아니라 소나무(12.7%), 전나무(8.2%), 참나무류(29.5%)의 점유율이 크므로 수종분류 모델의 확장이 필요하다. 따라서 본 연구에서는 기존의 2개 수종에서 주요 5개 수종으로 분류모델을 확장하기 위해 분광정보와 침엽수 및 활엽수의 수관특성을 고려한 질감정보 및 수종별 생육특성을 고려한 지형정보를 투입하여 방법론을 개선하였다. 연구대상지인 광릉지역의 임상도에서 수종별 위치정보를 취득하여 11,039개의 훈련자료와 2,330개의 검증자료를 구축하였다. 분광정보는 Sentinel-2 영상을 통해 획득하였으며 질감정보는 고해상도인 PlanetScope 영상을, 지형정보는 북한지역으로의 확장 가능성을 고려하여 SRTM DEM을 활용하였다. 머신 러닝 모델은 기존 연구에서 정확도가 검증된 Random Forest 알고리즘을 활용하였다. 분류 결과 전체 80%(Kappa지수 0.80) 정확도로 수종이 분류되었다. 향후 백두산 지역과 남북 고성지역을 대상으로 본 연구에서 개발된 수종분류모델의 확장성을 검토하여 한반도 지역의 수종 분류 모델을 개발하고자 한다.

Keywords

1. 서론

임상도는 산림이 어떻게 분포하고 있는가를 보여주는 대표적인 산림지도이다. 임종, 임상, 수종, 경급, 영급, 수관밀도 및 임분고 등 다양한 속성정보를 포함하고 있으며 지형도, 토양도, 지질도 등과 더불어 국가기관에서 전국적 규모로 제작하는 주요 주제도 중 하나이다(Kim and Lee, 2013).

임상도는 1972년부터 1:25,000 축척으로 제작되어왔으며 2012년부터 1:5,000 대축척지도로 제작되고 있다. 우리나라 임상도의 축척은 일본(1:5,000, 국유림에 한함), 캐나다(1:20,000, 시업림에 한함), 프랑스(1:25,000), 스웨덴(1:10,000) 등 해외의 임상도 축적에 비해 매우 상세한 수준이다.

그러나 1910년 최초의 한반도 산림자원현황을 보여주는 조선임야분포도가 제작된 이후로(Bae and Kim, 2019) 한반도 차원의 산림지도 혹은 임상도가 제작된 바 없다. 반면 북한은 한반도 전역을 대상으로 조선식 물피복도(2010)를 제작하였다. 그러나 이 지도 역시 1:200,000의 소축척이며 우리나라의 남부 지방에 아열대농작물이 대면적으로 분포하는 등 수종 분포 해석에 오류가 심하여 정확도를 신뢰하기 어려운 문제가 있다.

2018년 4.27 정상회담 이후 남북대화가 재개되고 최우선 협력사업으로 남북산림협력이 제시되고 있는 상황에서 남북산림협력계획을 효과적으로 수립하기 위해 가장 중요한 것이 북한 산림의 정확한 정보를 파악 하는 것이다. 국립산림과학원에서는 1999년 이래로 위성영상을 활용하여 총 3회의 북한산림실태조사를 실시 해오고 있다(Kim et al., 2019). 이를 통해 산림황폐지 뿐 만 아니라 훼손되지 않은 산림에 대한 임상정보를 구축 하였으나 수종 정보를 포함하고 있지는 않다.

산림 내 수종의 구성과 분포에 대한 정보는 대면적 산림에서 지속가능한 경영이 제대로 이뤄지고 있는 지를 모니터링하는데 필수적이며(Persson et al., 2018; Sobhan, 2007), 이를 통해 임목축적과 바이오매스 등 산림자원량을 정확하게 파악하여 국유림경영계획을 수립하고 국가승인통계인 산림기본통계를 산출하는데 기초정보를 제공한다. 아울러, 생물다양성 및 산림건강성 평가 등 산림생태계현황 모니터링에 필요한 기본 정보이다.

우리나라는 1972년 임상도 제작을 시작하면서 항공사진 판독과 현지조사를 중심으로 수종을 분류하고 있으나 위성영상을 이용한 수종분류 연구사례는 많지 않다. 기존의 항공사진 판독 중심의 수종분류는 인력 소요가 커서 비용이 많이 들고(Kent and Coker, 1992), 숙련도에 따라 판독결과의 품질이 좌우될 수 있는 문제를 내포하 고 있다. 아울러, DMZ 및 북한 등 접근하기 어려운 지역 의 경우 항공사진 촬영이 불가능하고 지뢰매설 지역이 많아 현지조사가 어렵기 때문에 위성영상 활용이 필수적이다. 남북접경지역 임상도 역시 위성영상을 이용하였지만 분류(classification)가 아닌 판독(interpretation) 방식으로 제작되었으며(Korea Forestry Promotion Institute, 2013) 현지검증을 수행하기 어려운 조건이었다. 이렇듯 이 위성영상의 분광정보를 이용한 수종분류 기법개발 에 대한 연구가 부족한 실정이므로(Cho and Lee, 2014) 접근불능지역부터라도 위성영상 기반의 수종분류 기술개발을 시도할 필요가 있다.

최근 5년간 원격탐사 관련 주요 저널(IEEE, RSE, RS, JSTARS, ISPRS, SPIE 등)에 발표된 수종분류 연구동향을 1) 영상종류, 2) 분광센서, 3) 현장조사 유무 등 3가지로 구분하여 위성영상을 포함한 다양한 원격탐사 기반의 수종분류에 관한 최신 연구동향을 살펴보았다. 50편의 논문을 대상으로 연구동향을 살펴본 결과 첫째, 영상종류의 경우 항공영상이 32%로 가장 많았지만 위성 영상도 24%로 많았으며 대부분 대면적이거나 접근불능지역에 적용하는 경우가 많았다. 특히 이종센서 융합 영상을 활용하는 연구가 증가하는 추세로 드론과 라이다(2%), 항공 및 위성영상(10%), 항공 및 라이다(10%), 위성 및 라이다(10%)의 연구 동향을 보였다. 둘째, 분광 센서의 경우 초분광센서에 대한 이용도가 높았는데 위성영상의 경우 52%, 항공영상의 경우 45%의 논문편수 를 차지하고 있었으며 초분광 및 다중분광센서 융합 연구도 최근에 증가하는 추세를 보였다. 마지막으로 분광 정보에 대한 참조자료 수집을 위한 현장조사의 경우 현장관측을 시행한 경우가 58%로, 현장 혹은 실험실에서 직접 엽단위의 분광측정을 하거나 수관 상층부에서 분광정보를 획득하는 등 field spectroscopy 기반의 참조자료를 확보하였다. 현장관측이 없는 경우는 정부기관에서 발행한 공신력 있는 주제도를 활용하거나 영상에서 수종별로 분광정보를 추출하는 image spectroscopy 기반의 참조자료를 활용하였다(Korea Society of Remote Sensing, 2016). 이에 반해 국내의 경우 원격탐사기반의 수종분류 연구는 아직 부족한 실정이다(Cho and Lee, 2014). 국내 주요 연구 사례로는 Quickbird 위성영상을 이용하여 70% 이상의 수종분류 정확도를 도출한 연구와(Chung et al., 2011) 침엽수종 분류를 위한 초분광 영상과 다중분광 영상의 정확도를 비교하여 초분광 영상이 높은 분류 정확도를 보이는 것을 입증한 연구가(Cho and Lee, 2014) 진행된 바 있다. Sentinel-2A의 계절별 영상과 항공 초분광 영상을 각각 활용하여 수종을 분류한 결과 73.3%, 71.7%로 큰 차이가 없으며 오히려 분류기 법에 따라 최대 30%의 정확도가 차이가 있는 것으로 나타나 공간해상도와 분광해상도도 중요하지만 사용영상에 최적화된 분류기법 선정이 정확도에 기인하는 바가 큰 것을 밝혔다(Jang, 2018).

따라서 저자는 선행연구에서 활용도가 입증된 Sentinel-2A를 북한 지역 수종분류에 활용하기 위해 광릉숲과 백두산 일대를 대상으로 머신 러닝 기법을 활용하여 낙엽송 및 잣나무 등 2개 침엽수종을 분류하여 임상도 대비 98%이상의 정확도를 얻은 바 있다(Lim et al., 2019a). 그러나 이 연구에서는 침엽수에 국한하여 분석을 수행하였으며 질감변수의 유의성을 평가하지 않았다. 본 연구에서는 북한 지역의 주요 5대 수종인 소나무 (Pinus densiflora Siebold & Zucc.), 잣나무(Pinus koraiensis Siebold & Zucc.), 낙엽송(Larix kaempferi (Lamb.) Carrière), 전나무(Abies holophylla Maxim.), 참나무류(Quercus sp.)를 분류하기 위한 최적 기법을 개발하기 위해 광릉지역에서 5대 수종분류 실험을 수행하여 최적 영상시기, 질감변수, 지형정보의 유의성 등을 확인해보고자 한다.

2. 재료 및 방법

1) 연구 대상지

본 연구는 광릉숲(국립수목원 일대)을 대상으로 진행하였다(Fig. 1). 광릉숲은 2010년 6월 2일 유네스코 생 물권보전지역(Biosphere Reserve)으로 선정되었으며 총 면적은 24,465 ha이다. 광릉숲은 일제 강점기와 한국전쟁 당시에도 화재가 없어 540여년간 자연림으로 보존되어 왔으며 광릉숲에서 생존하고 있는 모든 나무의 재적은 307 m3/ha로 광릉숲은 조사, 분류, 보존, 자원화 등 산림생물종의 연구 중심지로 평가되고 있다(KFS, 2018). 광릉숲의 주요 수종 분포는 활엽수인 서어나무 (Carpinus laxiflora (Siebold & Zucc.) Blume), 까치박달 (Carpinus cordata Blume), 졸참나무(Quercus serrata Murray) 등과 침엽수인 전나무(Abies holophylla Maxim.), 잣나무 (Pinus koraiensis Siebold & Zucc.), 낙엽송(Larix kaempferi (Lamb.) Carrière), 소나무(Pinus densiflora Siebold & Zucc.) 등이다(KFS, 2018).

OGCSBN_2019_v35n6_2_1037_f0002.png 이미지

Fig. 1. Study area

2) 사용자료

본 연구를 위해 사용된 자료를 크게 위성영상과 Geographic Information System (GIS) 자료로 구분할 수 있다. 위성영상으로는 Sentinel-2 위성영상과 PlanetScope 위성영상이 사용되었다(Table 1, Fig. 2). Sentinel-2 영상은 목표 수종의 분광정보를 취득하기 위해 사용되었으며, PlanetScope 영상은 수관특성 및 질감 정보를 취득하기 위해 사용되었다. GIS자료로는 목표 수종의 생육환경 지형정보를 취득하기 위해 Shuttle Radar Topography Mission (SRTM) Digital Elevation Model (DEM)이 사용되었다. 또한 수종분류를 위한 훈련자료 생성 및 정확도 평가를 위해 1:5,000 임상도를 사용하였다.

Table 1. The data used in this study

OGCSBN_2019_v35n6_2_1037_t0001.png 이미지

OGCSBN_2019_v35n6_2_1037_f0002.png 이미지

Fig. 2. Used data in this study. (a) Sentinel-2 captured on May, (b) PlanetScope captured on April, (c) PlanetScope captured on September, (d) SRTM dem.

3) 연구 방법

수종별 분광특성을 파악하기 위해 Sentinel-2 영상의 전처리 과정을 수행하였다. Sentinel-2 Level 1C 영상은 대기표면(TOA, top of atmosphere) 반사값으로 제공되 기 때문에 수종의 반사값을 산출하기 위해서는 대기보정을 수행해야 한다. 대기보정을 위해서는 European Space Agency (ESA)에서 제공하는 Sentinel-2 대기보정 알고리즘인 Sen2Cor (Louis et al., 2016) 를 활용하였다. 대기보정이 완료된 다중 시기의 Sentinel-2 영상 중 수종 분류의 최적 시기를 선정하기 위해 Jeffries-Matusita (JM) distance 알고리즘을 활용하여 수종 간 분광분리도 평가를 수행하였다. 다음으로 수종에 따라 선호하는 생육 환경이 다르고 생육환경별 다양한 인자들이 존재하기 때문에 수종의 생육정보를 고려하기 위해 DEM 자료로부터 고도, 경사, 향 지도를 각각 산출하여 분석에 활용하였다. 추가적으로 침엽수, 활엽수 등 수종별 수관의 질감특성을 반영하기 위해 PlanetScope 영상으로부터 Gray-Level Co-occurrence Matrix (GLCM)기법을 활용해 질감정보를 생성하였다. 최종 산출된 입력 자료들을 활용하여 수종 분류를 수행하였다(Fig. 3).

OGCSBN_2019_v35n6_2_1037_f0003.png 이미지

Fig. 3. Flowchart of the tree species classification procedure

(1) 분광 특성 및 분리도 평가

분광 특성을 파악하기 위해 개엽시기인 4월부터 생육기를 지나 낙엽시기인 10월까지의 목표 수종들의 분광 정보를 분석하였다. 분광정보를 취득하기 위해 임상도를 기준으로 난수점을 생성하여 대기보정이 완료된 Sentinel-2 영상으로부터 표면반사값을 추출하였다. 이후 수종별 평균값과 표준편차를 산출하여 비교하였다. 다음으로 수종분류를 위한 최적의 시기를 선정하기 위해 수종간 분광 분리도를 평가하였으며 평가에는 JM distance 알고리즘을 활용하였다. JM distance는 분광 분리도를 평가하는데 일반적으로 사용되는 방법이다 (George et al., 2014). JM distance 알고리즘은 0부터 1.414 까지의 수치로 산출되며 이때 0에 가까우면 자료 간의 차이가 없음을 의미하며 1.414에 가까울 수록 자료 간의 차이가 있음을 의미한다(George et al., 2014; Jensen, 2016).

(2) 생육정보 비교

수종에 따라 선호하는 생육 환경이 다르고 생육환경 별 다양한 인자들이 있겠지만 본 연구에서는 우선 고도, 경사, 향을 중심으로 조사를 수행하였다(Fig. 4).

OGCSBN_2019_v35n6_2_1037_f0004.png 이미지

Fig. 4. Geometric information map of study area. (a) elevation, (b) slope, (c) aspect.

소나무는 일반적으로 1,300m 이하 지역의 북부 고원지대와 높은 산 정상부를 제외한 전국 산지에서 자생한다. 잣나무의 경우 1,000 m 이상의 주로 지리산 이북 높은 산지의 능선부에 자생하며 낙엽송의 경우 1,100 m 이하 의 전국 산지에 분포한다. 전나무의 경우 1,000 m 이상의 중부 이북의 높은 산지 능선이나 계곡부에 자생한다. 참나무류의 경우 1,800 m 이하의 전국에 분포하며 신갈 나무의(Quercus mongolica Fisch. ex Ledeb.) 경우 해발고가 높은 산지에서는 순림을 형성한다(Choung and Lee, 2019; Kim and Kim, 2013; KNA, 2014).

임상도의 수종 레이어에서 추출된 훈련자료들의 위치정보를 활용하여 해당 지점의 고도, 경사, 향 정보를 DEM으로부터 추출하고 수종별 지형정보의 평균값과 표준편차를 산출하여 비교하였다.

(3) 수관 질감 분석

현재 우리나라 임상도는 디지털 항공사진을 판독하고 현지조사를 통해 임상 구획과 속성정보를 확정하는 방식으로 제작되고 있다. 이때, 질감, 색조, 패턴 등 각 수종별 수관 특성은 판독자들이 수종을 판독하는데 필요한 핵심 요소이다.

소나무의 수관형은 우산형으로 가지가 사방으로 퍼지는 별모양을 띄고 있으며, 각 가지에 달린 잎의 밀도가 낮은 특징을 갖는다. 잣나무의 수관형은 소나무와 같은 우산형이지만 각 가지 끝에 하얀 물방울 같은 몽우리가 있어 눈송이처럼 보이는 특징이 있다. 또한 다른 침엽수종보다 채도가 낮은 청록색을 띈다. 낙엽송의 수관형은 원추형으로 가지가 장미꽃처럼 겹겹이 중앙으로 모이면서 하늘로 뻗치는 특성을 띄며 영급이 높을수록 가지가 양 옆으로 넓게 퍼진다. 현재 임상도에서 전나무로 분류하는 소나무과 전나무속의 구상나무(Abies koreana E.H.Wilson)와 분비나무(Abies nephrolepis (Trautv. ex Maxim.) Maxim.)의 수관형은 모두 원추형으로 구상나무의 경우 나무 꼭대기 중심에 하얀 심지와도 같은 축이 보이고 가지가 회오리바람처럼 촘촘하게 층이 나 있는 특징이 있다. 분비나무의 경우 나무 꼭대기를 중심으로 가지들이 모아지는 특징이 있으며 대부분의 가지층이 빽빽해 안정적인 뿔형태를 이룬다(Lee et al., 2017). 참나무류의 수관형은 부정형으로 짜임새가 균일하다. 침엽수보다는 연한 색조를 보이나 활엽수 중에서는 다소 진한 색조를 띈다. 수관이 밀집해 있으며 짜임새가 균일하고 넓은 면적의 동일한 색조를 나타내는 특성이 있다(Ryu et al., 2010). 이러한 수관의 형태적 특성을 3 m 공간해상도를 지닌 PlanetScope에서 직접적으로 판독 하기는 어렵지만 수관 특성에 따른 명암의 차이는 산출 할 수 있을 것으로 판단하여 질감분석을 수행하였다.

질감정보는 수종 분류의 정확도를 향상시키는 데 도움이 될 수 있다(Dian et al., 2015; Lim et al., 2019a). 본 연구에서는 산림 수종 분포도 제작을 위한 항공사진 입체 판독 매뉴얼(Lee et al., 2017)에서 정성적으로 표현된 수관특성을 수치적으로 반영할 수 있도록 원격탐사분야에서 널리 활용되고 있는 GLCM기법(Culbert et al., 2012; Hall-Beyer, 2017; Jensen et al., 2009; Lim et al., 2019a; Luo and Mountrakis, 2010; Maillard, 2003; Peña-Barragán et al., 2011; Schowengerdt, 2007; Wang and Zhang, 2014; Warner, 2011)을 이용하여 질감정보를 산출하였다.

GLCM은 지정된 크기의 이미지의 하위 영역에 대한 거리 및 각도 관계를 나타낸다. 사용자가 정의한 이동 커널에서 회색조 화소 밝기값 쌍의 동시 발생 빈도를 측정하여 질감을 수량화한다. 본 연구에서는 angular second moment (ASM), contrast (CON), dissimilarity (DIS), entropy (ENT), homogeneity (HOM), mean (MEAN), and variance (VARIANCE)이 사용되었으며 다음 방정식 (Jensen, 2016) 에 따라 계산되었다.

\(\mathbf{A S M}=\sum_{i=0}^{q_{i=0} n_{i}} \sum_{j=0}^{\varphi_{j-0} n_{i}} h_{c}(i, j)^{2}\)        (1)

\(\mathbf{C O N}=\sum_{i=0}^{q u a n t} \sum_{j=0}^{q u a n t}(i-j)^{2} \times h_{c}(i, j)^{2}\)       (2)

\( \mathbf{D I S}=\sum_{i=0}^{q u a n t} \sum_{j=0}^{q u a n t} h_{c}(i, j)^{2}|i-j|\)       (3)

\(\mathbf{E N T}=\sum_{i=0}^{q u a n t} \sum_{j=0}^{q u a n t} h_{c}(i, j) \times \log \left[h_{c}(i, j)\right]\)       (4)

\(\mathbf{H O M}=\sum_{i=0}^{q u a n t} \sum_{j=0}^{q u a n t_{k}} \frac{1}{1+(i-j)^{2}} \cdot h_{c}(i, j) \)       (5)

\(\mathbf{M E A} \mathbf{N}=\sum_{i=0}^{q u a n t} \sum_{j=0}^{q u a n t}\left(i \times h_{c}(i, j)\right.\)       (6)

\(\mathbf{V A R I A} \mathbf{N} \mathbf{C} \mathbf{E}=\sum_{i=0}^{q u a n t} \sum_{j=0}^{q u a n t}(i-\mu)^{2} h_{c}(i, j) \)        (7)

여기서 quantk는 밴드 k의 양자화 수준(예, 28 = 0~255) 를, hc(i, j)는 각 밝기값 공간관계 행렬 중 하나의 (i, j)번 째 값을 의미한다.

(4) 수종 분류 알고리즘

수종 분류를 위한 알고리즘에는 Random forest (RF)가 활용되었다. RF는 Breiman and Cutler (2014)에 의해 개발되었다. 저자는 앞선 연구를 통해 수종분류를 위한 머신 러닝기법으로써 RF의 활용가능성을 확인하였으며 잣나무와 낙엽송을 98% 정확도로 분류한 바 있다 (Lim et al., 2019a). RF는 화소의 분류값을 정의하기 위해 해당 화소와 관련된 분광정보, 고도, 경사, 향 등과 같은 속성값들을 활용하여 수많은 의사결정나무를 생성한다. 각각의 나무들은 해당 화소를 특정 분류값으로 할당하고 최종적으로 투표를 수행하여 해당 화소가 가장 많은 분류값을 할당 받은 값으로 분류값을 할당한다 (Breiman, 2001; Breiman and Cutler, 2014; Hayeset al., 2014; Jensen, 2016; Naidoo et al., 2012). 이때 훈련자료의 70% 정도를 추출하여 모델을 훈련시키는데 사용을 하며 나머지30%는 “out-of-bag” (OOB)이라 하여 훈련에사용하지 않고 모델을 평가하는데 사용한다. 모델의 평가는 오분류 수를 총 관측치 수로 나눔으로써 측정되며 최적의 모델을 선정하는데 사용될 수 있다(Chan and Paelinckx, 2008; Feng et al., 2015; Rodriguez-Galiano et al., 2012). RF는 변수 중요도를 제공하며, 각 변수가 지니지수(Gini index)를 감소시킨 공헌도를 계산하여 변수의 중요도를 측정한다(Belgiu and Draˇguţ, 2016; Breiman, 2001).

3. 결과 및 고찰

1) 분광 특성 및 분리도 평가 결과

4월부터 10월까지의 대상 수종들의 평균 분광 그래프를 실선으로 표시하고 ±표준편차를 음영을 주어 표시 하였다(Fig. 5). 대상 수종들의 분광 특성을 살펴본 결과 4월부터 10월까지 Near infrared (NIR)영역에서 참나무류의 반사값이 다른 수종에 비해 높게 나타났다(Fig. 5). 이는 앞선 연구들과 유사한 결과를 보여준다. Lee and Lee (2017)가 2009년 인천광역시 계양산에서 ASD사의 Field-spec 분광측정 장비를 이용하여 취득한 갈참나무 (Quercus aliena Blume)와 리기다소나무(Pinus rigida Mill.)의 분광반사곡선을 살펴보면 본 연구와 같이 NIR영역에 서 참나무류의 반사값이 소나무류보다 높게 나타났다. 또한, Persson et al. (2018)이 스웨덴에서 Sentinel-2 영상 으로부터 4월부터 10월까지의 Norway spruce (Picea abies), Scots pine (Pinus silvestris), Hybrid larch (Larix x marschlinsii), Birch (Betula sp.), Pedunculate oak (Quercus robur)의 분광반사값을 추출하여 비교한 결과 참나무가 다른 수종보다 NIR영역에서 높은 반사값을 보여주었다.

OGCSBN_2019_v35n6_2_1037_f0005.png 이미지

Fig. 5. Spectral reflectance of growing seasons (April to October).

4월의 경우 NIR영역에서의 반사값 크기가 참나무류가 제일 크고 이어서 소나무, 낙엽송, 잣나무, 전나무 순으로 나타났다. 5월부터는 7월까지는 낙엽송의 반사값의 크기가 소나무보다 크게 나타났으며 8월부터는 다시 반사값이 낮아지기 시작하여 9월과 10월에는 소나무와 잣나무보다 낮은 반사값을 보였다. 낙엽송의 경우 침엽수이지만 활엽수와 유사한 반사 특성을 보여주었으며 이러한 특성은 앞선 연구들에서도 유사하게 나타 났다(Lim et al., 2019a; Persson et al., 2018; Rautiainen et al., 2018).

8월에서 9월로 시기가 변하면서 모든 수종의 분광반사 곡선들의 값이 비교적 큰 폭으로 낮아진 현상을 보였다. 이는 태양 고도각 하강에 의한 급격한 감소(Dennison and Roberts, 2003)로 인한 현상으로 판단되며 앞선 연구들에서도 유사한 현상이 발견되었다(Dennison and Roberts, 2003; Persson et al., 2018).

소나무와 잣나무의 경우 같은 소나무과 소나무속의 수종이어서 두 수종간의 차이가 비교적 크게 나타나지 는 않았다. 전나무의 경우 모든 시기에 걸쳐 가장 낮은 반사값을 보였으며 앞선 연구에서도 전나무속의 수종 들이 다른 수종보다 낮은 반사값을 보여주었다(Persson et al., 2018; Rautiainen et al., 2018).

분광 분리도를 평가한 결과 4월부터 10월까지 목표 수종간 분리도는 크게 나타나지 않았다(Fig. 6). 그렇지만 5월의 경우 상대적 높은 분리도를 보여 해당 시기의 영상을 수종분류에 활용하였다. 또한 분광 분리도 평가 결과 수종간 분광 분리도가 수치적으로는 크지 않음을 확인할 수 있었으며 분광정보 외 생육 정보 및 질감 정보 등의 필요성을 다시 한번 확인할 수 있었다.

OGCSBN_2019_v35n6_2_1037_f0006.png 이미지

Fig. 6. Spectral separability (JM distance values) of growing seasons (April to October)

2) 생육 정보 비교 결과

대상지역에서 산출한 소나무 분포지역의 평균 고도 는 266 m (±118 m), 잣나무는 222 m (±80 m), 낙엽송은 238 m (±72 m), 전나무는 210 m (±125 m), 참나무류는 244 m (±107 m)로 전나무가 가장 낮은 고도, 소나무가 가장 높은 고도에 분포하는 것으로 나타났다(Fig. 7). 잣나무와 전나무의 경우 문헌조사에 따르면 높은 산지에 자생하나 연구대상지에서는 250 m 이하의 지역에서 분포하고 있었다. 임상도 속성정보를 대조해본 결과 대상지의 잣나무와 전나무는 모두 조림지로 확인되었다.

OGCSBN_2019_v35n6_2_1037_f0007.png 이미지

Fig. 7. Growth environment analysis

문헌조사에 의하면 소나무는 양수성 수목으로 주로 남쪽방위에 많이 분포하는데 이는 남쪽방위가 북쪽방 위에 비교하여 상대적으로 토양이 건조, 척박하기 때문이다(Bae et al., 2012c). 잣나무의 경우 남~서 사면에서 많이 출현하나 방위를 가리지는 않는 것으로 판단되며, 침식이 없고 배수가 원활한 산복까지를 좋아하며 건조 하고 바람이 많은 능선부분은 회피하는 습성을 보인다 (Bae et al., 2012b). 낙엽송의 경우 극양수로 햇볕을 많이 받는 곳일수록 생육이 왕성하여 조림 시 북향 경사면은 피해야 한다(Bae et al., 2012d). 전나무속의 분비나무와 구상나무의 경우 남사면보다 수분조건이 양호한 북사 면에 많은 비율로 분포한다(Lim et al., 2019b). 참나무는 대부분 양수로서 적윤지나 약습지를 선호하는 것으로 평가된다. 남사면의 경우 양호한 광 조건을 보이나 토양의 건조화로 생장의 부정적 영향을 미치며 반면에 북사면은 광 조건은 불리하지만 수분이나 양료 조건에 유리한 입지 환경을 제공한다(Bae et al., 2012a).

대상지역에서는 소나무의 경우 주로 남동사면(23%)에 분포하고 있어 문헌조사와 유사한 양상을 보였으며 잣나무의 경우 모든 사면에 고루 분포하고 있으나 동사면(17%)에서 그 비중이 높게 나타났다. 이는 서사면과 같이 동사면이 상대적으로 수분조건이 양호하기 때문이라 판단된다. 낙엽송의 경우 문헌정보와 달리 조림 시 회피해야 할 북사면(21%)에 주로 분포하고 있다. 이는 조림 시 입지선정에 착오가 있었거나 조림 이후 다른 수 종과의 경쟁에서 도태되어 북사면에 주로 생육하게 된 것이라 판단된다. 전나무의 경우 잣나무와 같이 동사면 (23%)에 주로 분포하고 있으며 이는 수분조건에 의한 영향이라 판단된다. 참나무의 경우 모든 사면에 분포하나 서사면(17%)에서 그 비중이 높게 나타났다.

대상지역에서 산출한 소나무 분포지역의 평균 경사 도는 17° (±6°), 잣나무는 15° (±6°), 낙엽송은 15° (±5°), 전나무는 13° (±6°), 참나무류는 17° (±7°)로 전나무가 가장 낮은 경사도, 소나무와 참나무가 가장 높은 경사 도에 분포하는 것으로 나타났다. 잣나무, 낙엽송, 전나무가 상대적으로 낮은 고도와 경사지역에 조림됐다고 판단된다.

3) 수관 특성 및 질감 분석 결과

질감분석 결과들 중 인자간 중복성이 낮은 인자들을 선정하기 위해 JM distance를 활용하여 signature 분리도를 평가하였으며 분석결과 4월과 9월의 mean, variance, homogeneity가 선정되었다(Fig. 8). Mean의 경우 명암도 차이가 큰 화소 쌍의 수가 많을수록 높게 나타나며 variance의 경우 지역 내의 명도차가 클수록 높게 나타 난다. Homogeneity의 경우 지역적 균일성을 뜻하며 행렬내각 화소들 간의 균일한 정도를 나타낸다. 질감이 부드러울수록, 명도차가 적을수록 높게 나타나며 대각선상에 위치한 GLCM 요소의 수치가 높을수록 높게 나타난다(Jung, 1999).

OGCSBN_2019_v35n6_2_1037_f0008.png 이미지

Fig. 8. Texture analysis results (April and September)

4월 mean의 경우 낙엽송이 0.23 (±0.04)로 가장 낮은 평균값을 보였으며 참나무 0.25 (±0.05), 전나무 0.26 (±0.03)으로 유사한 평균 값을 나타냈다(Fig. 8). 소나무와 잣나무는 각각 0.30 (±0.05), 0.30 (±0.05)의 유사한 평균 값을 보였다. 4월 variance의 경우 낙엽송(55 ±22), 참나무류(65 ±27), 전나무(70 ±19), 소나무(90 ±30), 잣 나무(91 ±34) 순으로 그 값의 크기가 나타났다. 4월 mean과 variance는 각 화소값의 평균과 분산으로 화소의 밝기 값에 비례하여 나타난다. 본 연구에서는 NIR 밴드를 이용해 질감정보를 산출하였다. 비생육기인 4월 영상에서는 낙엽송과 참나무류의 개엽율이 소나무, 잣나무, 전나무에 비해 낮게 때문에 상대적으로 mean과 variance가 낮게 나타났으며 비생육기 특성을 잘 반영한 결과라 판단된다. 4월 homogeneity의 경우 소나무 (0.82 ±0.08), 잣나무(0.83 ±0.08), 전나무(0.85 ±0.07), 참 나무류(0.88 ±0.07), 낙엽송(0.88 ±0.07) 순으로 평균값 이 산출되었다. 낙엽송과 참나무류의 homogeneity가 비교적 유사하고 소나무, 잣나무, 전나무의 homogeneity가 비교적 유사하게 나타났다. 이는 비생육기의 가지가 가득한 수관 특성을 갖는 낙엽송과 참나무류가 유사한 질감을 나타냈으며 수관에 잎이 존재하는 소나무, 잣나무, 전나무가 유사한 질감을 나타낸 것으로 비생육기의 질감 특성을 잘 반영한 결과라 판단된다.

9월 mean의 경우 전나무(0.12 ±0.03), 낙엽송(0.14 ± 0.03), 잣나무(0.14 ±0.03), 소나무(0.15 ±0.03), 참나무류 (0.16 ±0.04) 순으로 평균값이 산출되었다. 9월 variance 의 경우 전나무(15 ±8), 낙엽송(20 ±10), 잣나무(21 ±10), 소나무(25 ±10), 참나무류(28 ±13) 순으로 평균 값이 산출되었다. 이는 Fig. 2에서 확인한 9월의 분광 특성과 같은 특성을 보여준다. 9월의 NIR영역에서의 분광 반사율이 참나무, 소나무, 잣나무, 낙엽송, 전나무 순으로 높게 나타난 결과와 같은 패턴을 보여주었다. 9월 homogeneity의 경우 전나무 (0.88 ±0.06), 낙엽송 (0.89 ±0.05), 잣나무(0.90 ±0.06), 참나무류(0.90 ±0.06), 소나무(0.90 ±0.05) 순으로 평균값이 산출되었다. 4월의 경우와 달리 5개 수종 모두 유사한 값을 나타냈으며 이는 생육기에 5개 수종 모두 수관에 잎이 무성하기 때문이며 생육기의 특성을 잘 반영한 것이라 판단된다. 이상의 결과를 토대로 볼 때, 4월의 경우 개엽시기로 인해 낙엽송과 참나무 수관의 특성이 명암, 채도, 균일성에 있어서 소나무, 잣나무, 전나무에 비해 크게 나타났다고 판단되며 9월의 경우 잎이 무성한 시기여서 명암과 채도에는 어느 정도 차이가 보이지만 균일성에서는 차이가 크게 나타나지 않은 것이라 판단된다. 또한, 질감 분석에서는 앞서 조사한 수관형의 모양이나 패턴을 온전히 반영하지 못하는 점을 확인하여 향후 수관형의 패턴 특성을 반영할 수 있는 방안이 필요함을 확인할 수 있었다. 이를 위해 초고해상도 위성영상을 기반으로 수관의 패턴을 인식하는 딥 러닝 알고리즘 개발이 필요하다고 판단된다.

4) 수종 분류 결과

수종분류 결과 전체 정확도 80%, kappa 지수 0.80로 비교적 높은 정확도를 보여주었다(Table 2). 북한지역의 토지피복분류 정확도 기준을 70% 이상으로 설정(환경 부훈령 제1317호)한 환경부 토지피복분류지침을 기준으로 볼 때 북한 수종분류모델 개발을 목적으로 하는 본 연구 결과는 비교적 높은 정확도를 가진다고 평가할 수 있다.

Table 2. Classification result and model accuracy

OGCSBN_2019_v35n6_2_1037_t0002.png 이미지

소나무의 분류결과를 살펴보면 생산자정확도 (producer’s accuracy)가 77%, 사용자정확도가(user’s accuracy)는 81%로 두 정확도 간 4% 차이를 보이며 모델 이 소나무를 다소 과소평가했다는 것을 알 수 있다. 잣 나무의 경우 78%의 생산자정확도와 65%의 사용자정 확도를 보여 과대평가되었으며 낙엽송의 경우 78%의 생산자정확도와 78%의 사용자정확도를 보여 다소 분류가 잘 되었다. 전나무의 경우 92%의 생산자정확도와 91% 사용자정확도를 보여 5개 수종 중 가장 높은 정확도를 보였으며 참나무류의 경우 75% 생산자정확도와 84%의 사용자정확도를 보여 다소 과소평가의 경향을 보였다.

임상도와 대조하여 분류결과를 살펴보면 전반적으로 임상도와 유사한 패턴으로 분류가 잘 되었음을 알 수 있다(Fig. 9). 그렇지만 좌측 하단부에 규모가 작은 참나무류 임분에서 오차가 비교적 크게 나타났으며 우측 상단 경계부분에서도 미탐지 부분이 확인되었다.

OGCSBN_2019_v35n6_2_1037_f0009.png 이미지

Fig. 9. Classification result comparison with forest type map. (a) forest type map made by aerial photographic interpretation, (b) tree species classification result using developed model.

추가적으로 생성한 평가자료를 활용하여 분류 결과를 평가했을 때 전체 정확도 78%, kappa 지수 0.77의 정확도를 보여주었다(Table 3). 소나무의 분류결과 78%의 생산자정확도와 76%의 사용자정확도를 보여 다소 과대평가되었으며 잣나무의 분류결과 62%의 생산자정확도와 75%의 사용자정확도를 보여 과소평가되었다. 낙엽송, 전나무는 각각 76%, 88%의 생산자정확도와 77%, 89%의 사용자정확도를 보여 다소 과소평가되는 경향을 나타냈다. 참나무류의 경우 84%의 생산자정확도와 72%의 사용자정확도를 보여 과대평가되었다. 전반적으로 분광 특성이 다른 수종에 비해 뚜렷하게 나타났던 전나무의 분류 정확도가 높게 나타났다. 소나무의 오류 항목을 살펴보면 잣나무의 비중이 크게 나타났으며 잣나무의 오류항목에서는 소나무의 비중이 크게 나타났 다. 낙엽송의 경우 참나무로 오분류 된 화소가 많았으며 전나무의 경우 잣나무가 많았다. 참나무의 경우 낙엽송으로 오분류 된 화소가 높게 나타났다. 이러한 오분류는 참나무와 낙엽송 간의 분광학적 유사성과 생육 기 및 비생육기의 질감 특성의 유사성이 큰 영향을 미쳤을 것이라 판단된다. 이에 고해상도 위성영상으로부터 수관의 패턴 정보를 획득하여 분류 정확도를 상승시키는 등 수종 간 차이성을 나타내는 인자들이 추가돼야 함을 알 수 있다.

Table 3. Classification result and model accuracy with validation data

OGCSBN_2019_v35n6_2_1037_t0004.png 이미지

변수중요도가 높은 상위 10가지 변수를 살펴보면 Elevation,B2 (498 nm),GLCM_mean_4,GLCM_variance_4, B11 (1609 nm), B4 (661 nm), Aspect, B5 (712 nm), B12 (2214 nm), B7 (783 nm) 순으로 그 중요도가 높음이 확인 되었다(Table 4). 생육정보를 비교해봤을 때 고도에서 수종 간 분포 차이를 보였듯이 수종을 분류하는데 그 중요도가 가장 높게 나타났으며 질감정보의 경우 개엽시기인 4월의 mean과 variance의 중요도가 높게 나타났다. 분광 정보에서의 중요도는 주로 갈변과 광산화 등에 민감하고 식생으로부터 토양을 구분하거나 침엽수와 낙엽수의 경계를 구분하는데 효과적인 498 nm 파장대의 B2가 가장 높게 나타났으며 이어서 주로 리그닌, 바이오매스 등에 민감한 1609 nm 파장대의 B11과 클로로필에 민감한 661 nm 파장대의 B4가 그 중요도가 높게 나타났다. 향후 발사될 농림위성은 RapidEye와 유사한 광학센서가 탑재될 예정이다. RapidEye에는 식생에 민감한 Red-edge 밴드가 포함되어 있어 그 활용성이 높게 평가되나 본 연구에서도 확인했듯이 수종 분류에 중요한 Shortwave infrared (SWIR) 영역을 관측할 수 있는 센서가 부재하므로 후속 위성의 사양 개발 시 SWIR 추가를 고려할 필요가 있을 것으로 사료된다.

Table 4. Variable importance

OGCSBN_2019_v35n6_2_1037_t0004.png 이미지

4. 결론

본 연구는 앞서 진행된 잣나무와 낙엽송 분류 모델 개발 연구(Lim et al., 2019)의 후속 연구로써 소나무, 잣 나무, 낙엽송, 전나무, 참나무류 등 주요 5개 수종을 분류하는 모델을 개발하였다. 분류결과 80%의 전체 정확도와 kappa지수 0.80의 정확도를 보여 비교적 높은 정확도로 분류되었다. 그러나 같은 속 수종간의 분광특성의 차이가 크지 않아 오분류가 되는 경향이 파악되어 같은 속 수종간의 특성 차이를 더 명확히 반영할 수 있는 인자들이 추가적으로 고려돼야 할 것이다. 이를 위해 본 연구에서는 생육정보에 있어서 지형요소만 고려되었으나 향후 연구에서는 대상지의 공간범위를 확대하여 조림지 뿐만 아니라 천연림의 생육정보를 충분히 반영하고 기후자료를 추가적으로 고려하여 수종간의 생육 특성을 더욱 면밀히 반영한다면 같은 속 수종 간의 특성 차이를 더 명확히 반영할 수 있을 것이라 기대된다. 또한 본 연구에서는 수관의 특성을 고려하기 위해 질감 분석을 실시하였으나 3 m 공간해상도에서는 항공영상과 같은 수관특성을 명확하게 도출하여 적용할 수 없다는 제약이 있다. 이는 향후 0.5 m급 초고해상도 위성영상을 기반으로 패턴 분류에 특화된 딥 러닝 기법을 활용하여 수관의 패턴정보를 추출하여 입력자료로 활용 한다면 개선 가능 할 것으로 판단된다. 본 연구의 최종 목적은 북한지역에 적용 가능한 모델 개발로써 향후 백두산 지역과 군사분계선으로 분단된 남·북 고성 지역의 훈련자료를 생성하여 모델을 개선한다면 한반도 수종 분류를 위한 모델 확장성을 검토할 수 있을 것이라 사료된다. 추가적으로 본 연구에서는 수행하지 않았지만 각 수종별 구조 및 화학적 특성과 분광반사값 사이의 관계를 밝히는 연구를 추진하여 실험실-현장-위성영상을 연결하는 수종별 분광특성 표준라이브러리를 구축할 계획이다.

References

  1. Asner, G.P., 2008. Hyperspectral remote sensing of canopy chemistry, physiology, and biodiversity in tropical rainforests, In: Kalacska, M., Sanchez-Azofeifa, G. (Ed.), Hyperspectral remote sensing of tropical and sub-tropical forests, CRS press Taylor and Francis group, Boca Raton, FL, USA, pp. 261-296.
  2. Bae, J.S. and E.S. Kim, 2019. Understanding Forest Status of the Korean Peninsula in 1910: A Focus on Digitization of Joseonimyabunpodo (The Korean Peninsula Forest Distribution Map), Journal of Korean Society of Forest Science, 108(3): 418-428.
  3. Bae, S.W., J.S. Kim, G.W. Kwon, K.N. Hong, I.S. Kim, J.S. Kim, B.Y. Ji, H.S. Kim, M.S. Jo, K.H. Kim, I.S. Mun, Y.M. Son, C.H. Jeon, J.H. Park, H.J. Lee, W.C. Park, G.W. Kim, B.W. Park, J.H. Lim, and S.J. Kim, 2012a. Economic tree species 2 Oak, National Institute of Forest Science, Seoul, Korea (in Korean).
  4. Bae, S.W., C.Y. Lee, G.W. Kim, B.W. Park, J.S. Lee, E.W. Nho, K.N. Hong, S.E. Hahn, K.J. Lee, J.H. Hwang, S.T. Lee, K.W. Seo, H.S. Kim, G.H. Jo, B.Y. Ji, K.H. Kim, I.S. Mun, S.K. Lee, Y.B. Park, Y.M. Son, S.D. Kwon, C.H. Jeon, J.H. Park, S.T. Jo, G.H. Ga, H.J. Lee, M.J. Park, J.H. Lim, and S.J. Kim, 2012b. Economic tree species 3 Korean pine, National Institute of Forest Science, Seoul, Korea (in Korean).
  5. Bae, S.W., C.Y. Lee, B.W. Park, S.C. Hong, I.S. Kim, S.E. Hahn, K.N. Hong, S.W. Lee, G.H. Jo, J.H. Hwang, S.T. Lee, K.H. Kim, I.S. Mun, Y.M. Son, C.H. Jeon, J.H. Park, G.H. Ga, H.J. Lee, M.J. Park, C.Y. Kim, G.W. Kim, J.H. Lim, and S.J. Kim, 2012c. Economic tree species 1 Korean red pine, National Institute of Forest Science, Seoul, Korea (in Korean).
  6. Bae, S.W., S.H. Ryu, C.Y. Lee, G.W. Kim, B.W. Park, S.C. Hong, E.W. Nho, K.N. Hong, S.E. Hahn, K.J. Lee, J.H. Hwang, S.T. Lee, K.W. Seo, H.S. Kim, G.H. Jo, B.Y. Ji, K.H. Kim, I.S. Mun, Y.B. Park, Y.M. Son, S.D. Kwon, C.H. Jeon, J.H. Park, S.T. Jo, G.H. Ga, H.J. Lee, M.J. Park, J.H. Lim, and S.J. Kim, 2012d. Economic tree species 4 Japanese larch, National Institute of Forest Science, Seoul, Korea (in Korean).
  7. Belgiu, M. and L. Dragut, 2016. Random forest in remote sensing: A review of applications and future directions, ISPRS Journal of Photogrammetry and Remote Sensing, 114: 24-31. https://doi.org/10.1016/j.isprsjprs.2016.01.011
  8. Breiman, L., 2001. Random forests, Machine Learning, 45(1):5-32. https://doi.org/10.1023/A:1010933404324
  9. Breiman, L. and A. Cutler, 2014. Random Forests, https://www.stat.berkeley.edu/-breiman/RandomForests/cc_home.htm, Accessed on Oct. 30, 2019.
  10. Chan, J.C.W. and D. Paelinckx, 2008. Evaluation of Random Forest and Adaboost tree-based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imagery, Remote Sensing of Environment, 112(6): 2999-3011. https://doi.org/10.1016/j.rse.2008.02.011
  11. Cho, H. and K.S. Lee, 2014. Comparison between Hyperspectral and Multispectral Images for the Classification of Coniferous Species, Korean Journal of Remote Sensing, 30(1): 25-36 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2014.30.1.3
  12. Choung, Y. and K. Lee, 2019. Ecology of Common Plant Species in Central Korean Forests, Nature & Ecology, Seoul, Korea (in Korean).
  13. Chung, S.Y., J.S. Yim, and M.Y. Shin, 2011. A comparison of pixel-and segment-based classification for tree species classification using QuickBird imagery, Journal of Korean Forest Society, 100(4): 540-547 (in Korean with English abstract).
  14. Culbert, P.D., V.C. Radeloff, V. St-Louis, C.H. Flather, C.D. Rittenhouse, T.P. Albright, and A.M. Pidgeon, 2012. Modeling broad-scale patterns of avian species richness across the Midwestern United States with measures of satellite image texture, Remote Sensing of Environment, 118: 140-150. https://doi.org/10.1016/j.rse.2011.11.004
  15. Curran, P.J., J.L. Dungan, B.A. Macler, and S.E. Plummer, 1991. The effect of a red leaf pigment on the relationship between red edge and chlorophyll concentration, Remote Sensing of Environment, 35(1): 69-76. https://doi.org/10.1016/0034-4257(91)90066-F
  16. Dennison, P.E. and D.A. Roberts, 2003. The effects of vegetation phenology on endmember selection and species mapping in southern California chaparral, Remote Sensing of Environment, 87(2): 295-309. https://doi.org/10.1016/j.rse.2003.07.001
  17. Dian, Y., Z. Li, and Y. Pang, 2015. Spectral and Texture Features Combined for Forest Tree species Classification with Airborne Hyperspectral Imagery, Journal of the Indian Society of Remote Sensing, 43(1): 101-107. https://doi.org/10.1007/s12524-014-0392-6
  18. Feng, Q., J. Liu, and J. Gong, 2015. UAV Remote Sensing for Urban Vegetation Mapping Using Random Forest and Texture Analysis, Remote Sensing, 7(1): 1074-1094. https://doi.org/10.3390/rs70101074
  19. Filella, I. and J. Penuelas, 1994. The red edge position and shape as indicators of plant chlorophyll content, biomass and hydric status, International Journal of Remote Sensing, 15(7): 1459-1470. https://doi.org/10.1080/01431169408954177
  20. George, R., H. Padalia, and S.P.S. Kushwaha, 2014. Forest tree species discrimination in western Himalaya using EO-1 Hyperion, International Journal of Applied Earth Observation and Geoinformation, 28: 140-149. https://doi.org/10.1016/j.jag.2013.11.011
  21. Hall-Beyer, M., 2017. GLCM Texture: A Tutorial v.3.0 March 2017, https://prism.ucalgary.ca/handle/1880/51900, Accessed on Oct. 30, 2019.
  22. Hayes, M.M., S.N. Miller, and M.A. Murphy, 2014. High-resolution landcover classification using Random Forest, Remote Sensing Letters, 5(2): 112-121. https://doi.org/10.1080/2150704X.2014.882526
  23. Jang, S.S., 2018. Classification of Tree Species using Sentinel-2 Satellite Image, University of Seoul, Seoul, Korea (in Korean with English abstract).
  24. Jensen, J.R., 2016. Introductory digital image processing: a remote sensing perspective (4th), Pearson Education, Glenview, IL, USA.
  25. Jensen, J.R., J. Im, P. Hardin, and R.R. Jensen, 2009. Image classification, In: Warner, T. A., Nellis, M. D., Foody, G. M. (Ed.), The SAGE handbook of remote sensing, Sage Publications, London, UK, pp. 269-281.
  26. Jung, I.C., 1999. An Evaluation of the Use the Texture in Land Cover Classification Accuracy from SPOT HRV Image of Pusan Metropolitan Area, Journal of the Korean Association of Geographic Information Studies, 2(1): 32-44 (in Korean with English abstract).
  27. Kent, M. and P. Coker, 1992. Vegetation description and analysis: a practical approach, British Library, London, UK.
  28. KFS, 2018. Introduction: Korea National Arboretum, Korea Forest Service, https://www.forest.go.kr/newkfsweb/html/HtmlPage.do?pg=/intro/intro_05010202.html, Accessed on Oct. 30, 2019.
  29. Kim, J.S. and T.Y. Kim, 2013. Korean trees; All of the trees in our land, Dolbaegae, Seoul, Korea (in Korean).
  30. Kim, K.M. and S.H. Lee, 2013. Distribution of major species in Korea (based on 1: 5000 forest type map), National Institute of Forest Science, Seoul, Korea (in Korean).
  31. Kim, K.M., J.W. Park, E.H. Kim, and J. Lim, 2019. A Study on the Establishment of Forest Spatial Information on Korean Peninsula, National Institute of Forest Science, Seoul, Korea (in Korean).
  32. KNA, 2014. Korea Biodiversity Information System, Korea National Arboretum, http://www.nature.go.kr/ekbi/SubIndex.do, Accessed on Oct. 30, 2019.
  33. Korea Forestry Promotion Institute, 2013. Borderline forest type map production guide, Korea Forestry Promotion Institute, Seoul, Korea.
  34. Korea Society of Remote Sensing. 2016. Design of spectral library of major forest species in inaccessible areas, National Institute of Forest Science, Seoul, Korea (in Korean).
  35. Lee, H.S. and K.S. Lee, 2017. Effect of Red-edge Band to Estimate Leaf Area Index in Close Canopy Forest, Korean Journal of Remote Sensing, 33(5): 571-585 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2017.33.5.1.10
  36. Lee, J.S., E.S. Kim, G.E. Park, and J.H. Lim, 2017. Aerial photograph three-dimensional interpretation manual for producing forest species distribution map, National Institute of Forest Science, Seoul, Korea (in Korean).
  37. Lim, J., K.M. Kim, and R. Jin, 2019a. Tree Species Classification Using Hyperion and Sentinel-2 Data with Machine Learning in South Korea and China, ISPRS International Journal of Geo-Information, 8(3): 150. https://doi.org/10.3390/ijgi8030150
  38. Lim, J.H., E.S. Kim, G.E. Park, Y.S. Kim, G.C. Jang, J.K. Hahn, S.C. Jeong, H.I. Lim, B.L. Lee, W.K. Song, N.H. Jo, and S.H. Yun, 2019b. Current Status and Conservation Plan of Endangered Subalpine Conifers, National Institute of Forest Science, Seoul, Korea (in Korean).
  39. Louis, J., V. Debaecker, B. Pflug, M. Main-Korn, J. Bieniarz, U. Mueller-Wilm, E. Cadau, and F. Gascon, 2016. Sentinel-2 Sen2Cor: L2A Processor for Users, Proc. of Living Planet Symposium, Prague, Czech Republic, May 9-13, vol. 740, pp. 91-98.
  40. Luo, L. and G. Mountrakis, 2010. Integrating intermediate inputs from partially classified images within a hybrid classification framework: An impervious surface estimation example, Remote Sensing of Environment, 114(6): 1220-1229. https://doi.org/10.1016/j.rse.2010.01.008
  41. Maillard, P., 2003. Comparing texture analysis methods through classification, Photogrammetric Engineering & Remote Sensing, 69(4): 357-367. https://doi.org/10.14358/PERS.69.4.357
  42. Naidoo, L., M.A. Cho, R. Mathieu, and G. Asner, 2012. Classification of savanna tree species, in the Greater Kruger National Park region, by integrating hyperspectral and LiDAR data in a Random Forest data mining environment, ISPRS Journal of Photogrammetry and Remote Sensing, 69: 167-179. https://doi.org/10.1016/j.isprsjprs.2012.03.005
  43. Pena-Barragan, J.M., M.K. Ngugi, R.E. Plant, and J. Six, 2011. Object-based crop identification using multiple vegetation indices, textural features and crop phenology, Remote Sensing of Environment, 115(6): 1301-1316. https://doi.org/10.1016/j.rse.2011.01.009
  44. Persson, M., E. Lindberg, and H. Reese, 2018. Tree Species Classification with Multi-Temporal Sentinel-2 Data, Remote Sensing, 10(11): 1794. https://doi.org/10.3390/rs10111794
  45. Rautiainen, M., P. Lukes, L. Homolova, A. Hovi, J. Pisek, and M. Mottus, 2018. Spectral Properties of Coniferous Forests: A Review of In Situ and Laboratory Measurements, Remote Sensing, 10(2): 207. https://doi.org/10.3390/rs10020207
  46. Rodriguez-Galiano, V.F., B. Ghimire, J. Rogan, M. Chica-Olmo, and J.P. Rigol-Sanchez, 2012. An assessment of the effectiveness of a random forest classifier for land-cover classification, ISPRS Journal of Photogrammetry and Remote Sensing, 67: 93-104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
  47. Ryu, J.H., S.H. Kim, W.B. Shim, J.C. Kim, S.A. Seo, and B.O. Yu, 2010. 5th forest type map (1: 25,000) production manual using ortho-aerial photograph, National Institute of Forest Science, Seoul, Korea (in Korean).
  48. Schowengerdt, R.A., 2007. Remote sensing: models and methods for image processing (3rd), Academic Press, San Diego, CA, USA.
  49. Sobhan, I., 2007. Species discrimination from a hyperspectral perspective, Wageningen University, Wageningen, Netherlands.
  50. Thenkabail, P.S., E.A. Enclona, M.S. Ashton, C. Legg, and M.J. De Dieu, 2004. Hyperion, IKONOS, ALI, and ETM+ sensors in the study of African rainforests, Remote Sensing of Environment, 90(1): 23-43. https://doi.org/10.1016/j.rse.2003.11.018
  51. Vyas, D., N.S.R. Krishnayya, K.R. Manjunath, S.S. Ray, and S. Panigrahy, 2011. Evaluation of classifiers for processing Hyperion (EO-1) data of tropical vegetation, International Journal of Applied Earth Observation and Geoinformation, 13(2): 228-235. https://doi.org/10.1016/j.jag.2010.11.007
  52. Wang, L. and S. Zhang, 2014. Incorporation of texture information in a SVM method for classifying salt cedar in western China, Remote Sensing Letters, 5(6): 501-510. https://doi.org/10.1080/2150704X.2014.928422
  53. Warner, T., 2011. Kernel-Based Texture in Remote Sensing Image Classification, Geography Compass, 5(10): 781-798. https://doi.org/10.1111/j.1749-8198.2011.00451.x