요약
1. 서론
최근 지구온난화에 따른 기후변화 문제의 심각성이 커지면서 국가 온실가스 배출량을 상쇄시킬 수 있는 산림의 탄소흡수에 대한 중요성이 높아지고 있으며, 기후변화협약에 따라 국가의 산림 탄소흡수량을 국지적인 수준에서 과학적이고 정밀하게 산출할 것이 요구되고 있다 (IPCC, 2003; Gibbs et al., 2007). 산림의 탄소흡수량을 추정하는 방법은, 수목을 직접 벌채하여 측정하는 방법 이외에도, 현장조사 자료를 바탕으로 산림 생태계의 바이오매스와 연간 생산량을 활용하는 방법과(Otsuka et al., 2007), 위성영상 등을 이용하여 지상부 바이오매스를 정량화하고 이를 현장조사 자료와 결합하는 방법 등이 있다(Huiya et al., 2006; Blackyard et al., 2008; Rahman et al., 2008; Fuchs et al., 2009).
현장조사는 많은 시간과 인력을 필요로 하고 광역적 측정이 어렵기 때문에, 이를 대체할 수 있는 방법으로서 위성원격탐사를 통한 산림 탄소흡수량의 추정은 광역적으로 적용이 가능하며 많은 시간과 비용을 필요로 하지는 않는다(Hyppä et al., 2000; Muukkonen, 2006; Heo et al., 2006). 그러나, 위성원격탐사를 통한 산림 탄소흡수량 추정은 영상자료와 현장관측치 사이의 상관성에 기초하기 때문에, 다양한 시공간을 망라하는 대량의 현장관측치 확보 여부에 따라 정확도가 크게 달라질 수 있다 (Tomppo et al., 2008, Gonzalez et al., 2010; Kim et al., 2012).
유엔에서는 탄소흡수량 추정방법의 수준에 따라 3단계의 구분을 제시하고 있는데, Tier 1은 IPCC(Intergovern - mental Panel on Climate Change) 디폴트 계수를 범용적으로 적용하는 것이고, Tier 2는 국가고유의 계수를 사용하는 것, 그리고 Tier 3은 상세산림조사와 모니터링 체계를 활용하는 것이다. 우리나라 산림의 경우, Jung et al. (2014)과 Kim et al. (2015)은 NFI(National Forest Inventory) 자료로부터 추정한 바이오매스와 Tier 1 변환계수를 이용하여 탄소흡수량을 추정하였는데, IPCC 디폴트 계수를 사용하였기 때문에 우리나라 산림에 대한 지역화가 부족하였다. Kim and Jang(2014)은 위성기반 식생지수 정보와 침엽수림·활엽수림으로 구분된 Tier 2 계수를 이용하여 탄소흡수량을 추정함으로써 우리나라에 대한 지역화를 수행하였으나, 국가단위 계수가 가지는 한계로 인하여 수종에 따른 공간적 변이를 상세히 나타내지는 못하였다. 한편, Cha et al. (2013)은 수종에 따른 탄소흡수량 조견표(NIFoS, 2009)를 임상도에 적용함으로써 탄소흡수량의 공간적 변이를 보다 상세히 표현하였다. 하지만, 연간 총량만을 추정하였기 때문에 식물계절성(phenology)에 따른 탄소흡수량의 시계열 정보를 제공하지는 못하였다.
이에, 본 연구에서는 위성영상과 일기상 자료를 함께 활용함으로써, 연간 탄소흡수총량의 기초가 되는 산림 광합성의 민감한 일변화를 반영하고, 안정된 산림으로서 대표성을 가지는 광릉숲(Gwangneung Forest) 극상림(climax forest)의 플럭스 관측자료를 참조하여 GPP (gross primary production) 재현 모델을 수립하며, 수종 및 임령에 따른 탄소흡수량 조견표(NIFoS, 2019)를 적용하여, 우리나라의 국지지역에 최적화된 Tier2.5 수준의 일일 탄소흡수능 격자자료를 산출하고자 한다. 극상림인 광릉숲의 플럭스 관측 GPP는 우리나라 산림의 기준 탄소흡수능(reference amount of CO2 absorption, RACA) 으로 간주하였는데, 이는 광합성에 의한 탄소흡수와 호흡에 의한 탄소배출을 동시에 고려한 탄소수지(CO2 balance)의 개념이 아니라, 광합성에 의한 탄소흡수 총량에 초점을 둔 것이다. 기상조건에 따른 RACA 변화를 공간적으로 표현하기 위하여, 국지예보모델과 위성산출물을 이용한 기계학습 모델링을 통해 RACA를 공간연속면으로 확장하고, 여기에 임상도와 연계한 수종별 표준흡수계수를 적용함으로써 실제탄소흡수능(actual amount of CO2 absorption, AACA)의 일일 격자자료를 산출하였다. 이 실험은 플럭스 관측, 국지예보모델, 위성 영상 자료가 공통적으로 존재하는 2013년 1월 1일부터 2015년 12월 31일까지의 1, 095일에 대하여, 우리나라 500미터 격자를 이용하여 수행하였다.
2.사용 자료
1) 플럭스 관측 자료
경기도 포천시 광릉숲의 플럭스 타워가 위치한 곳은 동경 127°09′12″, 북위 37°45′25″로서, 플럭스 타워의 관측반경은 약 1 km정도이다(Fig. 1). 이곳은 KoFlux 슈퍼사이트(supersite)이며, 1981~2010년 사이의 연평균 기온은 11.2도, 연 강수는 1,502 mm였고, 몬순기후의 영향으로 6월 말부터 7월 말 사이에 강수가 집중된다. 광릉숲은 환경조건이 오랫동안 안정적인 상태로 유지되어 식물군락의 천이가 최종단계에 있는 극상림이다(NIFoS, 2020). 광릉숲 플럭스 타워는 주로 80~200년 된 졸참나무(Quercus serrata), 서어나무(Carpinus laxiflora)로 구성되고, 수고는 평균 18 m 정도이며, 엽면적지수(leaf area index, LAI) 최대치는 6월에 약 6 m2/m2에 이른다(Lee et al., 2020).
Fig. 1. KoFlux supersite in the Gwangneung Forest: the location in South Korea (a), a zoomed-in map with its watershed (b), and a photo of the flux tower (c) (Lee et al., 2020).
광릉숲 플럭스 타워의 에디 공분산(eddy covariance) 장비는 3차원 초음파 풍속계(CSAT3, Campbell Scientific, Logan, UT, USA)와 적외선 가스농도 분석기(LI-7500, LI-COR Environmental, Lincoln, NE, USA)로 구성되어 있으며, 초당 10회(10 Hz) 관측되는 원시자료에 대하여 공기밀도보정, 야간난류보정, 이상치탐지, 갭필링(gap filling) 등의 과정을 거쳐 순생태교환량(net ecosystem exchange, NEE)이 산출된다. 식생호흡과 토양호흡의 형태로 공기중으로 배출된 CO2양을 NEE에 더하면, 곧 식생이 광합성을 통해 흡수한 CO2총량으로 볼 수 있으며, 이는 GPP로 표현된다.
2) 국지예보모델 자료
우리나라 기상청이 운영하는 수치예보모델 중에서 국지예보모델LDAPS(Local Data Assimilation and Prediction System)는 영국 기상청의 UM(Unified Model)을 지역 최적화시킨 한국형 모델이다. LDAPS는 1일 8회, 3시간마다 공간해상도 1.5 km의 실황장과 72시간 예측장을 생산하며, 복사, 경계층, 대류, 지면–대기상호작용에 관한 최적 모수화 기반의 3차원 변분법을 통하여 정확도 높은 기상장을 제공한다. LDAPS 단일면(지표면) 자료에는 한반도 영역에 대하여 78개의 기상변수가 포함되어 있다. 본 연구에서는 단파복사수지(shortwave radiation, SWR), 장파복사수지(longwave radiation, LWR), 강수(PRCP), 풍속(wind speed, WS), 현열플럭스(sensible heat flux, H), 지열플럭스(soil heat flux, G), 잠열플럭스(latent heat flux, LE), 기온(air temperature, Ta), 지표면온도(surface temperature, Ts), 상대습도(relative humidity, RH), 0~10 cm 토양수분(soil moisture, SM) 변수를 추출하였고, 500 m 해상도의 MODIS(Moderate ResolutionImaging Spectroradiometer) 토지피복분류에 맞추어, LDAPS 1.5 km 격자자료를 500 m 해상도로 변환하였으며, 남한지역을 동경 125~129.8, 북위 33~37.8로 설정하여 산림(상록침엽수림, 상록활엽수림, 낙엽침엽수림, 낙엽활엽수림, 혼효림)에 해당하는 픽셀만을 마스킹하였다.
3) 위성영상
MODIS 산출물 중 식생의 생장 및 활력 상태를 반영하는 식생활력지수(normalized difference vegetation index, NDVI), 엽면적지수, 광합성유효복사량(fraction of photosynthetically active radiation, FPAR), 잠재증발산량(potential evapotranspiration, PET)은 500 m 해상도의 8일 합성장으로서, 남한지역의 산림에 대하여 마스킹하였고 큐빅 스플라인(cubic spline) 기법을 적용하여 1일 단위 자료로 시계열 내삽하였다. 광합성이 활발한 식물은 잎의 엽록소 농도가 높아 근적외선 반사도가 높고 적색광 반사도가 낮아지므로 NDVI를 사용하였고, 군락 광합성은 잎에 의한 광포획량에 좌우되므로 LAI를 포함시켰다. FPAR는 광합성에 유효하게 사용된 일사량의 비율이므로 순일차생산량과 총일차생산량을 구하기 위한 기초가 되는 변수이다. 식물의 증산은 기공을 통하여 뿌리에서 흡수한 물을 공기 중으로 내보내는 것이며, 또한 토양의 증발이 많다는 것은 식물 뿌리가 흡수할 물이 충분하다는 의미이기도 하기때문에 증발산량도 입력자료로 사용하였다.
4) 임상도
임상은 산림을 그 구성상태에 따라 침엽수림, 활엽수림, 혼효림 등으로 구분한 것인데, 제3차 전국산림자원조사(1986~1992년)부터는 임상도에 소나무, 잣나무, 참나무 등 주요수종 정보가 포함되었다. 본 연구에서는 산림청에서 제작한 1:5,000 축척의 최신 임상도 Shapefile을 래스터 변환하여 수종 및 임령 격자파일을 생성하였으며, 공간해상도는 입력자료와 동일하게 500 m로 설정하였다.
3.분석 방법
1) 개요
우선 광릉숲 플럭스 관측 GPP를 참조기준자료로 하고 LDAPS 및 MODIS 자료를 입력 변수로 하는 기계학습 기반의 RACA 재현 모델을 최적화시킨 뒤, 이 모델에 남한 500미터 해상도로 만들어진 입력변수 래스터를 투입하여 일일 RACA 격자자료를 산출한다. 또한 NIFoS(National Institute of Forest Science) 표준계수와 임상도를 연동하여 수종별 RACA 가중치 격자자료를 생성한다. 이러한 과정으로 만들어진 일일 RACA 자료와 수종별 RACA 가중치 자료에 대하여 래스터 곱하기 연산을 수행하여, 일일AACA 격자자료를 생성함으로써 탄소흡수능 지도를 제작하였다 (Fig. 2).
Fig. 2. Workflow for the creation of daily raster for forest CO2absorptions.
2) 기계학습 모델링
기계학습 기법 중에서 가장 널리 활용되는 랜덤 포리스트(random forest, RF)는 다수의 디시즌트리 (decision tree) 결과를 종합하여 예측치를 산출한다. 디시즌트리 생성을 위하여 랜덤 샘플링을 할 때, 분포의 적합성 여부에 따라 필요시 리샘플링을 거치는 부트스트랩(bootstrap)을 수행하고, 부트스트랩 결과를 집계하는 배깅(bagging: bootstrap aggregating) 방식으로 각 디시즌 트리 결과의 앙상블 평균을 취하는 것이다(Hong et al., 2017; Li et al., 2002). 한편, GBM(gradient boosting machine) 은 리샘플링과 앙상블에 있어 배깅을 대체하여 부스팅 (boosting)을 사용하는 기법으로서, 순차적으로 약한 모델을 생성하면서 이전 모델이 예측하지 못하는 부분을 점차 개선시켜 예측력이 향상된 모델을 만들고, 이들의 결과를 가중평균하여 최종 예측치를 산출하는 것이다 (Friedman, 2001; Natekin and Knoll, 2013).
본 연구에서는 2013년 1월 1일부터 2015년 12월 31일까지 1, 095일간 광릉숲 플럭스 관측 GPP를 참조기준자료로 하고, 단파복사수지, 장파복사수지, 강수, 풍속, 현열플럭스, 지열플럭스, 잠열플럭스, 기온, 지표면온도, 상대습도, 토양수분, 식생활력지수, 엽면적지수, 광합성 유효복사량, 잠재증발산량을 입력자료로 하여 RACA를 산출하는 RF, GBM 모델링을 수행하였다(Fig. 3). R 언어의 h2o 라이브러리를 사용하여 10폴드 교차검증을 실시하였고 (Fig. 4)(Kim et al., 2020), MBE(mean bias error), MAE(mean absolute error), RMSE(root mean square error), 등의 통계량으로 그 정확도를 평가하였다.
Fig. 3. Machine learning modeling for daily RACA (reference amount of CO2absorption).
Fig. 4. Concept of 10-fold cross validation with random sampling (Kim et al., 2020).
3) 플럭스 관측의 공간 연속면 확장
앞서 최적화시킨 기계학습 기반의 RACA 산출 모델에 15종의 입력변수를 래스터 포맷으로 투입하면 일일 RACA를 래스터 포맷으로 산출할 수 있다. 광릉숲 플럭스 관측 GPP가 이 기계학습 모델에 의해 매우 잘 재현되는 것을 전제로 한다면, 이는 광릉숲의 CO2흡수능을, 기상 및 식생생장 상태의 공간적 변이를 반영하여 남한 전역의 500미터 격자로 확장함으로써 광릉숲을 표준으로 한 RACA를 전국 격자로 표현할 수 있게 한다. 플럭스 타워의 에디 공분산 장비를 설치 및 운용하는 것은 매우 많은 시간과 노력을 요하는 일이지만, 이러한 기계학습 방법에 의하여 산출된 전국의 RACA 격자자료(Fig. 5)는 마치 광릉숲 플럭스 관측을 500미터 해상도로 남한 전역에서 매일 수행하는 것과 다름없다. 그러나, 그 지역에 실제 존재하는 산림의 탄소흡수능을 산출하기 위해서는 일일 RACA 격자자료에 수종 및 임령에 따른 공간적 변이를 반영하는 절차가 추가적으로 필요하다.
Fig. 5. Concept of 10-fold cross validation with random sampling. CC(correlationcoefficient)
4) 수종 및 임령에 따른 가중치
NIFoS(2019)에서 국가표준으로 제시하는 탄소흡수량(ton/ha/year)조견표는 10종의 대표 수종에 대하여 각 임령 급간별로 작성되었다 (Table 1). 예를 들어, 임령 급간 20은 20~25년, 임령 급간 25는 25~30년을 나타낸다. 한편, 본 연구에서 사용한 1:5,000 임상도는 남한의 수종을 43개로 구분하고 있기 때문에, 임상도 43종의 수종을 NIFoS 10종의 수종으로 대응시켜야 한다. Table 2 는 전문가 감수를 거쳐 1:5,000 임상도의 43종의 수종을 NIFoS ver. 1.2의 10종의 수종으로 대응시킨 것이며, 이를 토대로 임상도의 수종 및 임령을 NIFoS 수종 및 임령 체계로 변환하였다.
Table 1. CO2absorption according to forest type and age (ton/ha/year) (NIFoS, 2019)
Table 2. Matches for the NIFoS classification and forest type map
Table 3. Weighting scheme for the calculation of CO2absorption according to forest type and age
Fig 6. A raster map of the weighs for RACA (reference amount of CO2absorption) grid.
5) 일일 탄소흡수능 격자자료 산출
Fig. 7. An example of the variations in gross primary production according to daily weather (Lee et al., 2020).
4.결과 및 토의
2013년 1월 1일부터 2015년 12월 31일까지 1, 095일간의 광릉숲 플럭스 관측, LDAPS 기상장, MODIS 위성 영상 자료를 이용한 일일 RACA 산출을 위하여 RF, GBM모델링을 수행하였으며, 10폴드 교차검증을 거친 정확도 통계량은 Table 4와 같다. 두 모델 모두 상관계수 0.945~0.947의 높은 일치도를 보였으며, MAE가0.604~0.611 g/m2으로서 광릉숲 플럭스 관측이 상당히 정확하게 재현되는 것을 확인할 수 있었다. 따라서 본 연구에서는 편의상 RF, GBM의 산출치 평균을 취하였으며, 이 앙상블 모델은 상관계수 0.948, MAE0.604 g/m2을 나타냈고, 정확도 통계량을 연도별로 집계하였을 때에도 치우침이 나타나지 않았다 (Table 5). Fig. 8은 RF-GBM 앙상블 모델의 예측치와 플럭스 관측치 간의 산점도를 보여준다. 선행연구에서는 광합성량이 적은 겨울철에는 예측 정확도가 나빠지면서 일정정도 이하로는 예측치가 산출되지 않는 하방경직성(downward rigidness)의 경향을 발견할 수 있었는데, 본 연구에서는 이러한 하방경직성이 상당히 해소된 것으로 보인다.
Table 4. Accuracy statistics of the daily RACA (reference amount of CO2absorption) from the 10-fold cross-validation of RF and GBM models
Table 5. Accuracy statistics of the daily RACA (reference amount of CO2absorption) from the 10-fold cross-validation of RF-GBM ensemble model
Fig. 8. Scatter plot for the daily RACA (reference amount of CO2absorption) from the 10-fold cross-validation of RF-GBM ensemble model.
이러한 검증 과정을 통해 최적화된 RACA 산출 모델에 15종 입력변수의 래스터 자료를 투입하여, 기상 및 식생생장 상태의 공간적 변이를 반영하는 RACA 격자 자료를 산출하였다. 2013년 1월 1일부터 12월 31일까지 1, 095일간의 RACA 격자자료는 광릉 숲의 탄소흡수능을 참조하기 때문에, 여기에 500미터 픽셀마다의 수종과 임령을 반영한 RACA 가중치를 곱하여 AACA 격자자료를 산출하였으며, 이것이 일일 산림 탄소흡수능 지도이다. RACA 격자자료의 정확도가 CC=0.948이므로, RACA 가중치 산출에 사용된 NIFoS 계수와 1:5,000 임상도가 완벽하다고 가정하면, AACA 격자자료의 정확도가 RACA에 준한다고 할 수 있다. 사실 NIFoS 계수는 탄소저장량으로부터 도출되었고, 본 연구의 RACA는 총일차생산량을 기준으로 하기 때문에 이로 인한 약간의 차이가 존재하나, 현재로서 유일하게 활용할 수 있는 정보이며 그 불확실성이 크지 않다고 가정한다면, 일일 AACA 격자자료의 정확도는 일일 RACA 격자자료의 정확도와 비슷하거나 그보다 약간 낮은 정도일 것으로 추정되며, 이에 대한 엄밀한 평가를 위해서는, 광릉숲 이외에도 최대한 다양한 수종과 임령을 망라하는 산림에서 플럭스 관측이 장기간 수행되어야 할 것이다.
Fig. 9는 RACA 및 AACA로부터 산출된 남한 산림의 일일 탄소흡수능을 월별로 집계하여 지도로 나타낸 것이다. 11월~3월은 광합성이 매우 미미하지만, 4월부터 탄소흡수능이 증가하기 시작하여 5월에 급증하고, 6월~9월에 활발한 광합성이 이루어진 후, 10월부터 뚜렷하게 감소하는 경향을 확인할 수 있다.
Fig. 9. Maps for monthly AACA (actual amount of CO2absorption) aggregated from the daily AACA grid data in Korea, 2013-2015.
5. 결론
본 연구에서는 기상 및 식생생장 상태의 공간적 변이를 고려하여 우리나라 산림에 대한 일일 기준탄소흡수능 격자자료를 산출하고, 여기에 수종 및 임령에 따른 탄소흡수량 가중치 래스터를 적용함으로써 일일 실제 탄소흡수능 격자자료를 산출하였다. 선행연구에서 Tier 1 또는 Tier2 계수를 적용하여 연 단위의 탄소흡수량을 집계한 것과는 달리, 본 연구에서는 우리나라 산림의 공간적 변이가 반영된 Tier2.5 수준의 일 단위 및 월 단위 탄소흡수능 지도를 작성하였다. 유엔에서 제시하는 Tier 3는 상세산림조사나 모니터링 체계를 필수요건으로 하기 때문에, Tier 3를 달성하기 위해서는 NIFoS의 수종 및 임령에 따른 탄소흡수량 조견표가 임상도의 수종분류 기준으로 상세화 되어야 할 것인데, 이는 상세산림조사를 위하여 많은 시간과 노력이 투자되어야 가능할 것으로 보인다. 2013년 1월 1일부터 2015년 12월 31일까지 1, 095일간의 실험에서, 일일 기준탄소흡수능 산출 모델은 상관계수 0.948의 높은 정확도를 나타냈으므로, 향후 상세산림조사와 결합한다면 Tier 3 수준의 일일 실제 탄소흡수 능을 정확히 산출할 수 있을 것으로 기대할 수 있다. 또한 2024년 발사 예정인 농림위성으로부터 NDVI, EVI(enhanced vegetation index), LAI 등을 산출하여 고정밀도의 식생생장 및 활력상태 정보를 활용하는 것도 또 하나의 향후 과제로서 필요할 것이다.
사사
이 논문은 2020학년도 부경대학교 국립대학육성사업 지원비에 의하여 연구되었음.
참고문헌
- Blackard, J. A., M. V. Finco, E. H. Helmer, G. R. Holden, M. L. Hoppus, D. M. Jacobs, A. J. Lister, G. G. Moisen, M. D. Nelson, R. Riemann, B. Ruefenacht, D. Salajanu, D. L. Weyermann, K. C. Winterberger, T. J. Brandeis, R. L. Czaplewski, R. E. McRoberts, P. L. Patterson, and R. P. Tymio, 2008. Mapping U.S. forest biomass using nationwide forest inventory data and moderate resolution information, Remote Sensing of Environment, 112(4): 1658-1677. https://doi.org/10.1016/j.rse.2007.08.021
- Cha, S. Y., U. H. Pi, and C. H. Park, 2013. Mapping and estimating forest carbon absorption using time-series MODIS imagery in South Korea, Korean Journal of Remote Sensing, 29(5): 517-525 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2013.29.5.7
- Friedman, J. H., 2001. Greedy function approximation: A gradient boosting machine, Annals of Statistics, 29(5): 1189-1232. https://doi.org/10.1214/aos/1013203451
- Fuchs, H., P. Magdon, C. Kleinn, and H. Flessa, 2009. Estimating aboveground carbon in a catchment of the Siberian forest tundra: combining satellite imagery and field inventory, Remote Sensing of Environment, 113(3): 518-531. https://doi.org/10.1016/j.rse.2008.07.017
- Gibbs, H. K., S. Brown, J. O. Niles, and J. A. Foley, 2007. Monitoring and estimating tropical forest carbon stocks: Making REDD a reality, Environmental Research Letters, 2(4): 045023. https://doi.org/10.1088/1748-9326/2/4/045023
- Heo, J., J. H. Kim, J. S. Park, and H. G. Sohn, 2006. Timber age verification using historical satellite image analysis, Forest Ecology and Management, 236(2): 315-323. https://doi.org/10.1016/j.foreco.2006.09.023
- Huiyan, G., D. Limin, W. Gang, X. Dong, W. Shunzhong, and W. Hui, 2006. Estimation of forest volumes by integrating Landsat TM imagery and forest inventory data, Science in China: Series E Technological Sciences, 49(1): 54-62. https://doi.org/10.1007/s11431-006-8107-z
- Hyppa, J., H. Hyppa, M. Inkinen, M. Engdahl, S. Linko, and Y. H. Zhu, 2000. Accuracy comparison of various remote sensing data sources in the retrieval of forest stand attributes, Forest Ecology and Management, 128(1): 109-120. https://doi.org/10.1016/S0378-1127(99)00278-9
- IPCC(The Intergovernmental Panel on Climate Change), 2003. Good Practice Guidance for Land Use, Land-Use Change and Forestry, Institute for Global Environment Strategies, https://www.ipcc.ch/publication/good-practice-guidance-for-land-use-land-use-change-and-forestry/ Accessed on Jul. 1, 2003.
- Jung, J., Hieu C. N., J. Heo, K. M, Kim, and J. H. Lim, 2014. Estimation of aboveground forest biomass carbon stock by satellite remote sensing, Korean Journal of Remote Sensing, 30(5): 651-664 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2014.30.5.10
- Kim, C., J. Heo, J. B. Lee, S. Han, J. H. Jung, and S. Jayakumar, 2012. A synergetic approach to estimating timber age using integrated remotely sensed optical image and InSAR height data, International Journal of Remote Sensing, 33(1): 243-260. https://doi.org/10.1080/01431161.2011.591443
- Kim, N., S. I. Na, C. W. Park, M. Huh, J. Oh, K. J. Ha, J. Cho, and Y. W. Lee, 2020. An artificial intelligence approach to prediction of corn yields under extreme weather conditions using satellite and meteorological data, Applied Sciences, 10: 3785. https://doi.org/10.3390/app10113785
- Kim, K. M., J. B. Lee, and, J. Jung, 2015, Comparison of forest carbon stocks estimation methods using forest type map and Landsat TM satellite imagery, Korean Journal of Remote Sensing, 31(5): 449-459 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2015.31.5.9
- Kim, S. H. and D. H. Jang, 2014. Analysis of forest types and estimation of the forest carbon stocks using Landsat satellite images in Chungcheongnam-do, South Korea, Journal of Korean Association of Regional Geographers, 20(2): 206-216 (in Korean with English abstract).
- Lee, B., N. Kim, E. Kim, K. Jang, M. Kang, J. Lim, J. Cho, and Y. Lee, 2020, An artificial intelligence approach to predict gross primary productivity in the forests of South Korea using satellite remote sensing data, Forests, 11: 1000. https://doi.org/10.3390/f11091000
- Muukkonen, P., 2006. Forest inventory-based large-scale forest biomass and carbon budget assessment, New enhanced methods and use of remote sensing for verification, Doctoral dissertation, University of Helsinki, FIN.
- Natekin, A. and A. Knoll, 2013. Gradient Boosting Machines, A Tutorial, Frontiers in Neurorobotics, 7: 21 https://doi.org/10.3389/fnbot.2013.00021
- NIFoS (National Institute of Forest Science), 2009, A Standard Table for the CO2 Absorption by Major Forest Tree Types, https://nifos.forest.go.kr/kfsweb/cop/bbs/selectBoardList.do?bbsId=BBSMSTR_1069&mn=UKFR_03_06 Accessed on Dec. 22, 2020
- NIFoS (National Institute of Forest Science), 2019, A Standard Table for the CO2 Absorption by Major Forest Tree Types (ver. 1.2), http://know.nifos.go.kr/book/search/DetailView.ax?sid=2&cid=173752, Accessed on Jul. 7, 2019.
- NIFoS (National Institute of Forest Science), 2020. Ecological Succession and Climax Forest, http://know.nifos.go.kr/webzine/202003/m2_4.do, Accessed on Mar, 2020
- Otsuka, T., W. Mo, T. Satomura, M. Inatomi, and H. Koizumi, 2007. Biometric based carbon flux measurements and net ecosystem production (NEP) in a temperate deciduous broad-leaved forest beneath a flux tower, Ecosystems, 10: 324-334. https://doi.org/10.1007/s10021-007-9017-z
- Rahman, M. M., E. Csaplovics, and B. Koch, 2008. Satellite estimation of forest carbon using regression models, International Journal of Remote Sensing, 29(23): 6917-6936. https://doi.org/10.1080/01431160802144187
- Tomppo, E., H. Olsson, G. Stahl, M. Nilsson, O. Hagner, and M. Katila, 2008. Combining national forest inventory field plots and remote sensing data for forest databases, Remote Sensing of Environment, 112(5): 1982-1999. https://doi.org/10.1016/j.rse.2007.03.032