DOI QR코드

DOI QR Code

Estimation of Leaf Area Index Based on Machine Learning/PROSAIL Using Optical Satellite Imagery

광학위성영상을 이용한 기계학습/PROSAIL 모델 기반 엽면적지수 추정

  • Lee, Jaese (Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology) ;
  • Kang, Yoojin (Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology) ;
  • Son, Bokyung (Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology) ;
  • Im, Jungho (Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology) ;
  • Jang, Keunchang (Forest ICT Research Center, National Institute of Forest Science)
  • 이재세 (울산과학기술원 도시환경공학과) ;
  • 강유진 (울산과학기술원 도시환경공학과) ;
  • 손보경 (울산과학기술원 도시환경공학과) ;
  • 임정호 (울산과학기술원 도시환경공학과) ;
  • 장근창 (국립산림과학원 산림ICT 연구센터)
  • Received : 2021.12.07
  • Accepted : 2021.12.24
  • Published : 2021.12.31

Abstract

Leaf area index (LAI) provides valuable information necessary for sustainable and effective management of forests. Although global high resolution LAI data are provided by European Space Agency using Sentinel-2 satellite images, they have not considered forest characteristics in model development and have not been evaluated for various forest ecosystems in South Korea. In this study, we proposed a LAI estimation model combining machine learning and the PROSAIL radiative transfer model using Sentinel-2 satellite data over a local forest area in South Korea. LAI-2200C was used to measure in situ LAI data. The proposed LAI estimation model was compared to the existing Sentinel-2 LAI product. The results showed that the proposed model outperformed the existing Sentinel-2 LAI product, yielding a difference of bias ~ 0.97 and a difference of root-mean-square-error ~ 0.81 on average, respectively, which improved the underestimation of the existing product. The proposed LAI estimation model provided promising results, implying its use for effective LAI estimation over forests in South Korea.

엽면적지수는 효율적인 산림관리를 수행하기 위해 필요한 정보를 제공한다. 현재 국내 지역에 가용한 고해상도 엽면적지수 자료는 유럽우주국의 Sentinel-2 위성 기반 자료가 있으나 알고리즘 개발에 국내 산림특성이 고려되지 않았고, 국내 지역에 대해 평가가 부족한 상태이다. 본 연구에서는 LAI-2200C 장비를 이용하여 엽면적지수 현장관측을 실시한 뒤, 최근 다양한 연구에서 사용되는 기계학습 알고리즘 및 PROSAIL 복사전달 모델을 기반으로 Sentinel-2 위성의 다중분광 센서 자료를 이용해 엽면적지수를 추정하여 기존 Sentinel-2 기반 엽면적지수 자료와 비교·분석을 진행하였다. 그 결과, 본 연구에서 개발한 모델은 기존 Sentinel-2 엽면적지수 자료와 비교하였을 때, 평균 bias 및 평균 RMSE의 차이가 각각 0.97 및 0.81로 과소추정 경향을 개선하며 낮은 오류를 나타내었다. 본 연구에서 개발된 엽면적지수 추정 알고리즘은 추후 국토 산림에 대한 보다 개선된 자료를 제공할 가능성을 제시하였다.

Keywords

1. 서론

엽면적지수는 지표의 단위면적당 식생면적을 정량화 할 수 있는 지수로써,광합성,증발산,탄소순환과 같이 지표의 식물과 관련된 생물학적, 물리적 과정에 대한 정보와 관련되어 있다(ChenandCihlar, 1996). 따라서 정확하고 효율적인 산림관리를 수행하기 위해서는 엽면적지수의 정보가 필수적이며, GCOS(TheGlobal ClimateObservingSystem)은 엽면적지수를 필수 기후 변수(ECVs; EssentialClimateVariables) 중 하나로 선정하였다.

엽면적지수의 측정은 수확법,수거망법 또는 이동식 임관분석기와 같은 방법으로 측정되어 오고 있으나(Kwonet al., 2016), 이와 같은 현장관측 기반의 엽면적지수 측정은 많은 인적, 물적 예산을 필요로 하여 공간적으로 연속적인 엽면적지수 자료를 제공하기에 한계가 있다. 공간적으로 연속적인 엽면적지수 값을 제공하기 위하여 다양한 위성원격탐사 기반의 자료를 이용한 엽면적지수 추정 연구가 진행되어 오고 있다(Chenet al., 2020; Heet al., 2019; Krosset al., 2015; Räsänenet al., 2020; Sibandaet al., 2019). 특히 최근의 많은 연구에서 다중분광원격탐사자료를RF(RandomForest) 및 ANN(Artificial NeuralNetwork)과 같은 기계학습 알고리즘에 적용하여 엽면적지수를 직접 추정하는 연구(HouborgandMcCabe, 2018; Verrelst et al., 2015; Zhuet al., 2017)와 PROSAIL(PROSPECT 잎 광학 특성 모델 + SAIL 수관 양방향 반사도 모델)과 같은 복사전달모델을 기계학습 알고리즘과 융합하여 엽면적지수를 추정한 연구(Chenet al., 2020; Xieet al., 2019)가 다양한 지역에서 이루어졌고, 현장관측 자료와 비교하여 높은 일치도를 보인 것을 확인할 수 있었다. 그러나 국내 지역에 대해서는 엽면적지수 추정 알고리즘이 적용된 사례가 제한적이며, 가용한 위성원격탐사기반 엽면적지수 자료들은 대부분 수 백 m 수준의 공간해상도를 갖는 문제가 있다(Fanget al., 2019). 이러한 수 백 m 공간해상도 수준의 엽면적지수는 작은 규모의 생태학적 과정을 정량화하는데 도움이 되지 않을 수 있다(Gangulyet al., 2012). 따라서, 2020년 기준 국토면적 대비 산림비율이 60% 이상을 차지하는 우리나라에 대해 보다 자세한 식생의 정보를 제공하고 효율적인 산림관리를 수행하기 위해서는 수 십 m 수준의 공간해상도를 갖는 엽면적지수 자료가 필요하다(KoreaForest Service, 2021).

현재 가용한 수 십 m 수준의 공간해상도를 갖는 엽면적지수 자료는 유럽우주국(ESA; European SpaceAgency) 에서 제공하는 Sentinel-2 기반 엽면적지수 자료가 있으며, 해당 자료는 기계학습 및 복사전달모델을 이용하여 개발되었다(Weiss and Baret, 2016). ESA에서 제공하는 Sentinel-2 기반 엽면적지수 자료는 전 지구 다양한 지역에 해당하는 엽면적지수 및 식생 파라미터 정보를 사 용하여 개발되었으나, 이 때 국내 산림의 정보가 알고리즘 개발에 반영되지 않았다. 또한 해당 자료의 국내 산림지역에 대한 성능에 대해서도 현재까지 많은 연구가 이루어지지 않은 상황이며, 우리나라에 적용하여 사용하기 위해서는 자료의 성능 및 불확실성에 대한 평가가 선행되어야 할 필요가 있다.

따라서 본 연구에서는 국내 실정에 맞는 다중분광 위성영상 기반 엽면적지수 자료를 생산하기 위하여 엽면 적지수 현장관측 자료를 측정하고, 측정한 자료를 바탕으로 PROSAIL 복사전달모델 및 기계학습 알고리즘 중 하나인 RF 기반의 알고리즘을 최적화하여 엽면적지수를 추정하는 연구를 진행하였다. 또한, 본 연구에서 개 발한 엽면적지수 추정 알고리즘의 결과는 현장관측 엽면적지수 자료를 통해 평가하였고, 이 때 기존 Sentinel-2 기반의 엽면적지수와 함께 비교분석하였다.

2. 연구지역및자료

1) 연구지역

본 연구는 위도 35.66222°N, 경도 128.96111°E 부근에 위치한 청도 운문사(경상북도 청도군 운문면 운문사길 264 운문사) 지역(Fig. 1)을 대상으로 2021년 6월부터 2021년 9월 기간동안 진행되었다. 운문사 일대의 산림은 국립산림과학원의 임상도를 참고하였을 때, 침엽수림이 주를 이루며 일부 활엽수림이 혼합된 형태로 존재하였다. 엽면적지수의 현장관측지점은 경로 반사도(path radiance)로 인해 발생하는 위성 반사도의 오염을 최소화하기 위해서 관측지점 주위가 균질한 지역으로 선정하였다. 또한 접근성이 용이하며 엽면적지수 현장 관측이 실시되는 지점 주변에 수관 상부의 정보를 얻을 수 있는 넓은 공터가 있는 지역을 고려하여 연구지역을 선정하였다. 그 결과로 선정된 세 지점(U1, U2, 및 U3)의 전경 및 좌표를 Fig. 1 및 Table 1에 기술하였다. 산림청의 임상도를 사용하여 확인하였을 때, U1은 일대가 소나무림으로 구성되어 있었으며, U2는 임상도에 표시되 지 않았지만 육안관측을 통해 확인하였을 때, 침엽수 위주의 수종에 일부 활엽수가 혼재되어 있는 것을 확인하였다. U3 일대는 활엽수림으로 나타났으나, 일부 침엽수림이 혼재되어 있음을 확인할 수 있었다.

OGCSBN_2021_v37n6_1_1719_f0007.png 이미지

Fig. 1. (a) The study area covering three measurement sites; (b)-(d) Pictures of three LAI in-situ measurement sites U1, U2, and U3, respectively.

Table 1. Specific location where LAI was measured in the field

OGCSBN_2021_v37n6_1_1719_t0001.png 이미지

2) Sentinel-2

본 연구에서는 엽면적지수 추정을 위하여 ESA의 Sentinel-2 위성 영상을 이용하였다. Sentinel-2 위성은 MSI (MultiSpectral Instrument) 다중분광 센서를 탑재하였으며, 동일한 센서를 탑재한 두 위성(Sentinel-2 A/B) 이 동일한 극궤도를 공전하여 5일의 시간해상도를 갖는다(개별 Sentinel-2 A 및 B의 경우 각각 10일의 시간해 상도). 본 연구에서는 2021년 6월 9일 및 9월 11일의 두 시기에 대해 대기보정이 완료된 L2A자료를 Copernicus (https://scihub.copernicus.eu/dhus/)에서 취득하여 사용하였다. 엽면적지수 추정을 위해 사용한 Sentinel-2 위성자료의 밴드 특성은 Table 2와 같으며, 공간해상도는 20 m로 선형 평균을 통해 재배열되었다.

Table 2. Summary of the Sentinel-2 data used to develop the LAI estimation model in this study

OGCSBN_2021_v37n6_1_1719_t0002.png 이미지

현재 Sentinel-2는 전용 처리프로그램인 SNAP(SentiNel Application Platform)에서 Biophysical Processor 툴을 통해 엽면적지수 추정 알고리즘을 제공하고 있다. 해당 알고리즘은 인공위성 기반 엽면적지수 추정자료의 평가를 위해 구축된 2000년부터 2008년 기간 동안 전 지구 다양한 지역을 대상으로 관측한 엽면적지수 자료 및 다양한 선행 연구로부터 취득한 식생 파라미터를 바탕으로 복사전달모델 중 하나인 PROSAIL의 파라미터 사전분포를 구성하여 반사도를 생산한 뒤, 이를 ANN을 이용하여 훈련하여 역으로 LAI를 산출하여 제공한다(Weiss and Baret, 2016). 본 연구에서 개발한 엽면적지수 추정 알고리즘의 결과와 비교를 위해 SNAP 프로그램을 통해 Sentinel-2 기반 엽면적지수 값을 계산하였다.

3) 현장관측자료

본 연구에서는 엽면적지수의 현장관측을 실시하기 위해 미국 LiCOR사의 LAI-2200C Plant Canopy Analyzer 장비를 활용하였다. LAI-2200C는 다양한 위성자료기반 엽면적지수 추정 연구에서 엽면적지수 추정 모델 개발 및 검증을 위해 이용된 바 있다(Verrelst et al., 2015, Houborg and McCabe 2018, Pasqualotto et al., 2019). Fig. 2와 같이, 20 m의 공간해상도를 대표하는 값을 얻기 위해 다양한 엽면적지수 추정 및 검증연구에서 사용된 VALERI (Validation of Land European Remote sensing Instruments) 방식 중 Cross 형태의 ESU (Elementary Sampling Unit) 를 사용하였다(Woodgate et al., 2012). Cross 형태의 ESU 관측방법은 격자 중심으로부터 동서남북 방향으로 각각 3회씩 관측을 진행하여 총 12회의 관측을 통해 엽면적지수 현장관측 자료를 생산한다. 이 때, LAI-2200C의 두 개의 센서 중 하나는 현장관측 지역의 임관 아래에서 측정을 진행하고, 나머지 하나는 현장관측지역 주변의 임관이 관측되지 않는 장소에서 임관 상부에 해당하는 값을 동시에 관측하였다. 직접적인 태양광에 의한 산란으로 발생하는 오차를 최소화하기 위해 현장관측은 오전 6시부터 7시에 걸쳐 실시하였으며, 6월 29일의 현장관측의 경우 오후 6시부터 7시에 걸쳐 수집하였다. 현장관측시, 45°의 뷰캡을 사용하여 진행하였다.

OGCSBN_2021_v37n6_1_1719_f0001.png 이미지

Fig. 2. Experimental site design for measuring LAI in the field. Red asterisk and yellow points indicate the center of a Sentinel-2 pixel with 20 m spatial resolution. In-situ measurements were conducted at blue points.

3. 연구방법

본 연구의 방법은 크게 두 단계로 구성되어 있다(Fig. 3). 1단계에서 복사전달모델의 파라미터를 경험적으로 최적화하고, 2단계에서는 1단계에서 경험적인 최적화로 얻어낸 PROSAIL의 파라미터를 이용해 엽면 적지수를 추정하기 위한 복사전달모델 및 기계학습 기반 알고리즘을 구축하였다. 구축된 알고리즘은 기존 SNAP을 통해 계산한 Sentinel-2의 엽면적지수 추정 알고리즘 결과 및 LAI-2200C를 사용해 얻은 현장관측 자료와 비교하여 평가하였다. 현장관측은 2021년 6월부터 9월까지 총 5회에 걸쳐 이루어졌으나, 연구기간동안 연구지역에 대해 발생한 잦은 구름으로 인해 사용 가능한 Sentinel-2 위성 반사도 자료가 제한되어, 사용 가능한 Sentinel-2 위성자료(2021년 6월 9일 및 9월 11일)와 가장 가까운 현장관측 자료인 2021년 6월 29일 오후 및 9월 24일 오전의 현장관측 자료를 시공간적으로 매칭하여 연구를 진행하였다.

OGCSBN_2021_v37n6_1_1719_f0002.png 이미지

Fig. 3. The flow diagram of two steps proposed in this study. Step 1 is designed to tune the parameters used to PROSAIL. Step 2 is designed to estimate LAI using tuned PROSAIL and Random Forest (RF).

1) PROSAIL

PROSAIL 복사전달모델은 다양한 식생 특성을 나타내는 파라미터를 사용하여 식생 임관의 반사도를 모의하는 복사전달 모델로 다양한 위성원격탐사기반 엽면적지수 추정 연구에 사용된 바 있다(Jacquemoud et al., 2009; Xu et al., 2020). PROSAIL에서 수관 반사도는 주로 엽면적지수, 잎의 클로로필 함량(Cab), 잎의 카로테노이드 함량(Car), 잎의 건중량(Cm), 잎의 수분함량(Cw), 잎 구조 지수(N), 핫스팟 파라미터(Hots), 토양 밝기(Psoil) 등의 파라미터에 의해 결정된다(Dong et al., 2019; Sun et al., 2019). 본 연구에서는 PROSAIL 파라미터 중 Cab, Car, Cm, Cw, N, Hots, Psoil, N의 7개의 파라미터를 최적화하였다. 본 연구에서는 반복수행을 통해 PROSAIL의 각 파라미터 값을 바꿔가며 PROSAIL 기반의 수관반사도를 모의한 뒤, RF 알고리즘을 통해 엽면적지수를 추정하는 모델을 만들어 현장관측자료와 비교하여 정확도를 계산하는 방식으로 경험적으로 PROSAIL 파라미터를 최적화하였다(Fig. 3). 최적화된 파라미터와 함께, RF의 훈련을 위해서 엽면적지수의 값을 0.5부터 7까지 0.1씩 변화시켜가며 총 66개의 PROSAIL기반 수관 반사도 샘플을 모의하였다.

2) Random Forest

RF는 다수의 결정나무를 훈련한 뒤, 이들의 앙상블을 통해 추정치를 생산할 수 있도록 고안된 알고리즘이다(Breiman, 2001). RF는 중복을 허용하여 훈련자료의 일부를 샘플링하여 개별 결정나무를 생산한 뒤 최종 결과를 생산하기 위해 훈련된 결정나무들의 값을 평균하여 최종 추정치를 얻어내는 bagging 알고리즘을 적용하여 강건한 모델을 구성한다. RF는 하이퍼파라미터 튜닝에 비교적 민감하지 않고, 계산이 효율적인 특징을 가져 다양한 위성원격탐사연구에서 회귀 또는 분류 문제를 해결하기위해 사용되었고, 좋은 성능을 낸 바 있다(Cho et al., 2020; Lee et al., 2019; Sim et al., 2020). 본 연구에서는 Python 프로그래밍 언어 기반 Scikit-learn 라이브러리에서 제공하는 RandomForestRegressor 알고리즘을 이용하였고, 함수에 내장된 기본 하이퍼파라미터를 사용하 였다. RF의 입력자료는 Sentinel-2의 관측각도 및 band 2, 3, 4, 5, 8 및 NDVI (Normalized Difference Vegetation index)와 red-edge 밴드 기반의 NDVI인 NDVIre를 계산하여 사용하였고(식 (1) 및 (2)), 이 때, RF의 종속변수는 PROSAIL 기반 반사도 모의에 사용된 엽면적지수 값으로 하였다.

\(N D V I=\frac{\text { Band } 8-\text { Band } 4}{\text { Band } 8+\text { Band } 4}\)       (1)

\(N D V I_{r e}=\frac{\text { Band } 5-\text { Band } 4}{\text { Band } 5+\text { Band } 4}\)       (2)

3) 평가 방법

본 연구에서 PROSAIL의 최적화는 RMSE (Root Mean Squared Error)를 통해 평가하였고, 최적화된 PROSAIL 및 RF를 통해 추정한 정확도 및 SNAP 기반 Sentinel-2 엽면적지수 추정치는 RMSE 및 bias를 통해 평가되었다. RMSE 및 bias의 계산식은 식 (3) 및 식 (4)와 같다.

\(R M S E=\sqrt{\frac{1}{n} \sum_{i=1}^{n}(\hat{y}-y)}\)       (3)

\(\text { bias }=\frac{1}{n} \sum_{i=1}^{n}(\hat{y}-y)\)       (4)

이때, \(\hat{y}\)는 추정된 엽면적지수를, y는 현장관측 엽면적지수를 의미한다. PROSAIL 및 RF를 통해 훈련된 엽면적지수 추정 모델의 성능 평가를 위해서 10겹 교차 검증을 이용하였다.

4. 연구결과 및 토의

1) PROSAIL 파라미터 최적화

연구방법에 기술한 경험적인 PROSAIL 파라미터 최적화 과정을 2021년 6월 및 9월의 자료들에 대하여 진행하여, 얻어진 파라미터별 RMSE가 최소가 되는 지점을 각각의 PROSAIL 파라미터가 가질 수 있는 평균으로 가정하였다. 또한, 6월 및 9월의 자료로 얻어진 각각이 최소가 되는 지점을 각각의 PROSAIL 파라미터가 가질 수 있는 최소 및 최대값으로 정하였고 그 결과는 Fig. 4와 같다.

OGCSBN_2021_v37n6_1_1719_f0003.png 이미지

Fig. 4. The tuned PROSAIL parameters using a simple heuristic optimization method with in-situ LAI measurements and RF.

그 결과로 얻어진 PROSAIL 파라미터를 살펴보면 Cab는 비교적 낮은 10부터 13의 범위의 값을 얻었다. Car은 9.04부터 16.54의 범위를 얻었으며, Cw의 경우 0.019부터 0.02의 값을 나타냈다. Cm은 0.008부터 0.041까지의 값을 나타냈다. N의 경우 0.4부터 0.5까지의 값을 나타냈으며, Hots는 1부터 2.5까지의 값을 나타냈다. 현장관측 시점을 고려하였을 때, PROSAIL 파라미터 중 Cab의 경우, 6월의 최적값(최소 RMSE)이 9월보다 높았고, 반대로 Car의 경우, 6월의 최적값이 9월의 최적값보다 높은 값에서 찾아졌다. 이는 일반적으로 식생이 나타내는 계절적 생물리학적 변화와 일치하는 패턴을 보인다(Jensen, 2016). 이와 같은 결과는 간접적이지만 본 연구에서 제시한 최적화 방법이 유의미하게 작동한 것을 반증한다. 한편, Psoil의 경우 6월 및 9월의 모든 관측 자료를 통해 평가하였을 때 모두 1의 값에서 최소 RMSE 를 나타내었다. 이를 바탕으로 PROSAIL의 반사도가 모 의될 때 각 파라미터가 가질 수 있는 범위를 설정하였고, 한 값에서 최저 RMSE를 보인 Psoil을 제외한 모든 파라미터의 분포를 균등 분포라 가정하였다(Table 3).

Table 3. The range and distribution of parameters used in PROSAIL for estimating LAI

OGCSBN_2021_v37n6_1_1719_t0003.png 이미지

2) 엽면적지수 추정 모델 개발

Table 3의 파라미터 범위를 바탕으로 모의된 PROSAIL 기반의 수관반사도를 이용하여 RF 모델을 훈련하였다. RF 모델의 훈련에 가용한 샘플의 수가 제한적이므로, 본 연구에서는 보다 강건한 엽면적지수 추정 성능 평가를 위해 10겹 교차 검증 알고리즘을 사용하였다. 사용된 66개의 샘플에 대한 10겹 교차검증의 결과는 Fig. 5에 나타낸 산점도와 같다. 그 결과 높은 엽면적지수 값에서 다소 추정치의 분산이 컸으나, 전체적으로 1대1 선에 근접한 형태의 회귀선과 함께 평균 -0.01의 평균 bias및 0.8의 평균 RMSE를 나타냈다. 따라서 엽면적지수 추정을 위한 본 연구의 RF 모델이 경험적인 최적화를 통해 얻어진 파라미터를 사용하여 모의한 PROSAIL기반 반사도를 사용했을 때, 엽면적지수를 효과적으로 모의할 수 있도록 훈련된 것을 확인할 수 있었다.

OGCSBN_2021_v37n6_1_1719_t0004.png 이미지

Fig. 5. A scatterplot between LAI used to simulate PROSAIL (x-axis) and RF-based LAI estimates (y-axis) that are trained by the PROSAIL-derived simulated canopy reflectance. LAI estimates were derived from the result of random 10-fold cross validation.

Sentinel-2 영상과 훈련된 RF모델을 이용해 연구지역에 대한 엽면적지수를 모의한 뒤, 이를 SNAP을 통해 산출한 Sentinel-2의 기존 엽면적지수와 공간적 비교를 진행하였고, 그 결과는 Fig. 6과 같다. SNAP으로 계산한 Sentinel-2의 기존 알고리즘은 RF 기반 알고리즘과 비교해서 전반적으로 더 낮은 엽면적지수 값을 나타내는 경향이 있었으며, 특히 비산림 지역과 산림지역의 값의 차이가 크지 않은 특징이 있었다. 반면 RF 및 PROSAIL 기반 알고리즘은 비산림지역과 산림지역의 차이가 더욱 뚜렷하게 나타났으며, 특히 SNAP 기반 알고리즘과 비교해 더 넓은 엽면적지수 값의 범위를 가지며, 산림 지역에 대해서 높은 값을 나타내는 것을 확인하였다.

OGCSBN_2021_v37n6_1_1719_f0004.png 이미지

Fig. 6. Spatial distribution of LAI: (a) and (b) are SNAP- derived Sentinel-2 LAI and the RF/PROSAIL derived LAI on June 9th, 2021; (c) and (d) are those on September 11th, 2021. Dots with the LAI color scheme in the upper and lower panels indicate insitu LAI measurements collected on June 29th and September 24th, 2021, respectively.

본 연구의 현장관측을 통해 얻어진 자료를 바탕으로 SNAP 및 Sentinel-2 광학영상과 RF 및 PROSAIL를 통해 추정한 엽면적지수의 시계열 변화를 비교·분석하기 위하여 6월 및 9월의 자료에 대해 해당 현장관측 지점의 값에 대하여 막대그래프를 작성하였다(Fig. 7). 세 엽면적지수 자료의 비교분석을 실시하였을 때, 현장관측 자료는 6월 관측에 비해 9월 관측에서 세 현장관측지점 모두 높아진 값을 보이며 계절 변화에 따른 엽면적지수 변화를 반영하는 것을 확인하였다. 다만, 본 연구에서 개발한 모델의 결과가 U1 및 U2의 위치에서 6월 및 9월의 값의 변화량을 확인하였을 때, 시계열 변화에 대해서 과대추정을 나타냄을 확인할 수 있었다. 그럼에도 현장관측 자료와 유사한 값을 보였으며 이러한 결과는 추후 추가적인 현장관측자료 및 개선된 모델링을 통해 추가적인 개선 및 분석이 필요할 것으로 판단된다.

OGCSBN_2021_v37n6_1_1719_f0005.png 이미지

Fig. 7. Bar graphs of three LAI values (i.e., SNAP-derived Sentinel-2 LAI and the RF/PROSAIL-derived LAI, and insitu LAI measurements) by site for June and September.

Sentinel-2 광학영상과 RF 및 PROSAIL를 통해 추정한 엽면적지수의 정확도를 정량적으로 분석하기 위하여 엽면적지수 현장관측 자료를 사용해 계산한 계절별 RMSE 및 bias를 Fig. 8에 나타내었고, SNAP 기반의 엽면적지수와 비교하였다. 기존 연구사례에서 SNAP 기반 Sentinel-2의 엽면적지수가 현장관측 엽면적지수에 비해 과소추정을 나타내는 경향이 있었다(Xie et al., 2019). Moon et al. (2018)에서도 국내 지역을 대상으로 SNAP 기반의 엽면적지수를 현장관측 기반의 엽면적지수 자료를 사용해 평가하여 과소추정 경향을 확인한 바 있다. 본 연구 또한 기존의 연구와 동일하게 SNAP 기반 엽면적지수 추정치의 과소추정 경향을 확인하였다(Fig. 8). SNAP과 본 연구의 결과로 얻은 엽면적지수는 각각 -1.41 및 -0.44의 평균 bias를 나타내었으며, 이를 통해 본 연구의 모델이 과소추정 경향을 개선한 것을 확인할 수 있다. 또한 본 연구에서 개발한 알고리즘은 SNAP을 이용해 계산한 Sentinel-2의 엽면적지수(1.61)에 비해서 더 낮은 RMSE (0.8)를 보여, 약 0.81의 RMSE 개선을 나타냄을 확인하였다.

OGCSBN_2021_v37n6_1_1719_f0006.png 이미지

Fig. 8. Bar graphs of the two error metrics to compare the proposed PROSAIL/RF model and SNAP-based model to estimate LAI. Jun and Sep in the brackets indicate June and September, respectively.

그러나 본 연구에서 제시한 알고리즘은 다음과 같은 한계가 존재한다. 먼저 2021년 6월부터 9월의 연구기간 사이 연구지역에 대해서 빈번하게 발생한 구름으로 인해 가용한 Sentinel-2 위성 반사도 자료가 제한되었고, 2021년 6월과 9월 사이에 측정한 보다 많은 수의 샘플에 대해서 일반화 성능을 평가하지 못한 한계가 있으며 추가적인 평가가 필요하다. 또한 Table 3에서 얻어진 PROSAIL 파라미터 값들의 범위가 연구지역에 서식하는 수종이 갖는 파라미터가 실제로 가질 수 있는 값의 범위인지에 대해 추가적인 검증이 필요하다. 그러나 현재까지도 국내 지역에 서식하는 주요 수종에 대한 파라미터에 대해서 많은 정보가 알려져 있지 않아 검증이 불가능한 한계가 존재한다. 따라서 추후에는 국내지역 수종에 대한 파라미터에 대한 추가적인 관측이 필요할 것 으로 판단된다. 본 연구는 PROSAIL로 모의한 66개의 반사도 샘플을 이용해 RF를 훈련하였으므로 모든 경우의 수를 고려할 수 없다는 한계점이 있다. 이는 추후 많은 샘플을 이용함으로써 극복할 수 있을 것이다. 그 외에도, 충분한 현장관측기반 엽면적지수 자료 및 위성 반사도 자료가 가용할 경우, 최근의 다양한 선행연구와 같이 기계학습 및 딥러닝 알고리즘을 이용해 다중분광 위성영상 자료로부터 엽면적지수를 직접 추정하는 모델을 개발하는 방법이 효과적일 수 있을 것으로 판단된다 (Houborg and McCabe, 2018; Verrelst et al., 2015; Zhu et al., 2017).

5. 결론

본 연구는 기계학습 알고리즘 중 하나인 RF 및 PROSAIL 복사전달모델 및 현장관측 엽면적지수를 통 하여 국내 연구지역인 청도 운문사에 최적화된 엽면적지수 추정 알고리즘을 개발하였고, 기존의 Sentinel-2 엽 면적지수 추정 알고리즘의 결과와 비교분석하였다. 그 결과 본 연구에서 개발한 엽면적지수 추정 알고리즘은 기존 SNAP 기반 엽면적지수 추정 알고리즘과 비교하여 시계열 변동을 다소 과대추정하는 결과를 나타냈다. 하지만, 기존 Sentinel-2의 엽면적지수 추정 알고리즘에 비해 본 연구에서 개발한 알고리즘은 더 낮은 bias와 RMSE를 나타냄을 확인하였다. 본 연구에서 개발한 알고리즘이 국내 다양한 지역에 대해 추가적인 검증이 이루어진다면, 추후 발사될 차세대중형위성 4호(농림위성)에 적용하여 보다 정확한 국토 산림 모니터링 및 효율적인 산림관리가 가능 할 것으로 판단된다.

사사

본 연구는 농촌진흥청 연구사업(과제번호: PJ0162 342021), 산림청 국립산림과학원 “농림위성정보 수신·처리·ARD 표준화 및 지능형 산림정보 플랫폼 개발(과제번호: FM0103-2021-01)” 및 산림청 국립산림과학원 산림재해 상시감시 및 생태계 모니터링을 위한 농림위성 융합 산출물 개발(과제번호: FM0103-2021-02) 및 의 일환으로 수행되었음

References

  1. Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32. https://doi.org/10.1023/A:1010933404324
  2. Chen, J.M. and J. Cihlar, 1996. Retrieving leaf area index of boreal conifer forests using Landsat TM images, Remote sensing of Environment, 55(2): 153-162. https://doi.org/10.1016/0034-4257(95)00195-6
  3. Chen, Z., K. Jia, C. Xiao, D. Wei, X. Zhao, J. Lan, X. Wei, Y. Yao, B. Wang, Y. Sun, and L. Wang, 2020. Leaf Area Index Estimation Algorithm for GF-5 Hyperspectral Data Based on Different Feature Selection and Machine Learning Methods, Remote Sensing, 12(13): 2110. https://doi.org/10.3390/rs12132110
  4. Cho, D., C. Yoo, J. Im, Y. Lee, and J. Lee, 2020. Improvement of spatial interpolation accuracy of daily maximum air temperature in urban areas using a stacking ensemble technique, GIScience and Remote Sensing, 57(5): 633-649. https://doi.org/10.1080/15481603.2020.1766768
  5. Dong, T., J. Liu, J. Shang, B. Qian, B. Ma, J.M. Kovacs, D. Walters, X. Jiao, X. Geng, and Y. Shi, 2019. Assessment of red-edge vegetation indices for crop leaf area index estimation, Remote Sensing of Environment, 222: 133-143. https://doi.org/10.1016/j.rse.2018.12.032
  6. Fang, H., F. Baret, S. Plummer, and G. Schaepman-Strub, 2019. An overview of global leaf area index (LAI): Methods, products, validation, and applications, Reviews of Geophysics, 57(3): 739-799. https://doi.org/10.1029/2018RG000608
  7. Ganguly, S., R.R. Nemani, G. Zhang, H. Hashimoto, C. Milesi, A. Michaelis, W. Wang, P. Votava, A. Samanta, F. Melton, J.L. Dungan, E. Vermote, F. Gao, Y. Knyazikhin, and R. B. Myneni, 2012. Generating global leaf area index from Landsat: Algorithm formulation and demonstration, Remote Sensing of Environment, 122: 185-202. https://doi.org/10.1016/j.rse.2011.10.032
  8. He, Z., S. Li, Y. Wang, Y. Hu, and F. Chen, 2019. Assessment of leaf area index of rice for a growing cycle using multi-temporal C-band PolSAR datasets, Remote Sensing, 11(22): 2640. https://doi.org/10.3390/rs11222640
  9. Houborg, R. and M.F. McCabe, 2018. A hybrid training approach for leaf area index estimation via Cubist and random forests machine-learning, ISPRS Journal of Photogrammetry and Remote Sensing, 135: 173-188. https://doi.org/10.1016/j.isprsjprs.2017.10.004
  10. Jacquemoud, S., W. Verhoef, F. Baret, C. Bacour, P.J. Zarco-Tejada, G.P. Asner, C. Francois, and S.L. Ustin, 2009. PROSPECT+ SAIL models: A review of use for vegetation characterization, Remote Sensing of Environment, 113: S56-S66.
  11. Jensen, J.R. 2016. Introductory digital image processing: a remote sensing perspective, University of South Carolina, Columbus, State of South Carolina, USA, pp. 317-318.
  12. Korea Forest Service, 2021. "Forest Basic Statistics 2020", Korea Forest Service, Daejeon, Korea, p. 15 (in Korean).
  13. Kross, A., H. McNairn, D. Lapen, M. Sunohara, and C. Champagne, 2015. Assessment of RapidEye vegetation indices for estimation of leaf area index and biomass in corn and soybean crops, International Journal of Applied Earth Observation and Geoinformation, 34: 235-248. https://doi.org/10.1016/j.jag.2014.08.002
  14. Kwon, B., J. Jeon, H.S. Kim, and M.J. Yi, 2016. Estimation of specific leaf area index using direct method by leaf litter in Gwangneung, Mt. Taewha and Mt. Gariwang, Korean Journal of Agricultural and Forest Meteorology, 18(1): 1-15 (in Korean with English abstract). https://doi.org/10.5532/KJAFM.2016.18.1.1
  15. Lee, C.S., E. Sohn, J.D. Park, and J.D. Jang, 2019. Estimation of soil moisture using deep learning based on satellite data: A case study of South Korea, GIScience and Remote Sensing, 56(1): 43-67. https://doi.org/10.1080/15481603.2018.1489943
  16. Moon, H.G., T.Y. Choi, D.I. Kang, And J.G. Cha, 2018. Study on the Estimation of leaf area index (LAI) of using UAV vegetation index and Tree Height data, Journal of the Korean Association of Geographic Information Studies, 21(4): 158-174 (in Korean with English abstract). https://doi.org/10.11108/KAGIS.2018.21.4.158
  17. Pasqualotto, N., J. Delegido, S. van Wittenberghe, M. Rinaldi, and J. Moreno, 2019. Multi-crop green LAI estimation with a new simple sentinel-2 LAI index (SeLI), Sensors, 19(4): 904. https://doi.org/10.3390/s19040904
  18. Rasanen, A., S. Juutinen, M. Kalacska, M. Aurela, P. Heikkinen, K. Maenpaa, A. Rimali, and T. Virtanen, 2020. Peatland leaf-area index and biomass estimation with ultra-high resolution remote sensing, GIScience and Remote Sensing, 57(7): 943-964. https://doi.org/10.1080/15481603.2020.1829377
  19. Sibanda, M., O. Mutanga, T. Dube, T.S Vundla, and P.L Mafongoya, 2019. Estimating LAI and mapping canopy storage capacity for hydrological applications in wattle infested ecosystems using Sentinel-2 MSI derived red edge bands, GIScience and Remote Sensing, 56(1): 68-86. https://doi.org/10.1080/15481603.2018.1492213
  20. Sim, S., W. Kim, J. Lee, Y. Kang, J. Im, C. Kwon, and S. Kim, 2020. Wildfire Severity Mapping Using Sentinel Satellite Data Based on Machine Learning Approaches, Korean Journal of Remote Sensing, 36(5-3): 1109-1123 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2020.36.5.3.9
  21. Sun, Y., Q. Qin, H. Ren, T. Zhang, and S. Chen, 2019. Red-edge band vegetation indices for leaf area index estimation from sentinel-2/msi imagery, IEEE Transactions on Geoscience and Remote Sensing, 58(2): 826-840. https://doi.org/10.1109/tgrs.2019.2940826
  22. Verrelst, J., J.P. Rivera, F. Veroustraete, J. Munoz-Mari, J.G. Clevers, G. Camps-Valls, and J. Moreno, 2015. Experimental Sentinel-2 LAI estimation using parametric, non-parametric and physical retrieval methods-A comparison, ISPRS Journal of Photogrammetry and Remote Sensing, 108: 260-272. https://doi.org/10.1016/j.isprsjprs.2015.04.013
  23. Weiss, M. and F. Baret, 2016. S2ToolBox Level 2 products: LAI, FAPAR, FCOVER, Institut National de la Recherche Agronomique (INRA), Avignon, FRA.
  24. Woodgate, W., M. Soto-Berelov, L. Suarez, S.D. Jones, M.J. Hill, P. Wilkes, C. Axelsson, A. Haywood, and A. Mellor, 2012. Searching for the Optimal Sampling Design for Measuring LAI in an Upland Rainforest, Proc. of the Geospatial Science Research Symposium GSR2, Melbourne, AUS, Dec. 10-12, vol. 1328, pp. 1-11.
  25. Xie, Q., J. Dash, A. Huete, A. Jiang, G. Yin, Y. Ding, D. Peng, C.C. Hall, L. Brown, Y. Shi, H. Ye, Y. Dong, and W. Huang, 2019. Retrieval of crop biophysical parameters from Sentinel-2 remote sensing imagery, International Journal of Applied Earth Observation and Geoinformation, 80: 187-195. https://doi.org/10.1016/j.jag.2019.04.019
  26. Xu, J., L.J. Quackenbush, T.A. Volk, and J. Im, 2020. Forest and crop leaf area index estimation using remote sensing: Research trends and future directions, Remote Sensing, 12(18): 2934. https://doi.org/10.3390/rs12182934
  27. Zhu, Y., K. Liu, L. Liu, S. W. Myint, S. Wang, H. Liu, and Z. He, 2017. Exploring the potential of worldview-2 red-edge band-based vegetation indices for estimation of mangrove leaf area index with machine learning algorithms, Remote Sensing, 9(10): 1060. https://doi.org/10.3390/rs9101060