Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Modeling of Vegetation Phenology Using MODIS and ASOS Data

MODIS와 ASOS 자료를 이용한 식물계절 모델링

  • Kim, Geunah (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University) ;
  • Youn, Youjeong (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University) ;
  • Kang, Jonggu (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University) ;
  • Choi, Soyeon (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University) ;
  • Park, Ganghyun (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University) ;
  • Chun, Junghwa (Forest ICT Research Center, National Institute of Forest Science) ;
  • Jang, Keunchang (Forest ICT Research Center, National Institute of Forest Science) ;
  • Won, Myoungsoo (Forest ICT Research Center, National Institute of Forest Science) ;
  • Lee, Yangwon (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University)
  • 김근아 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) ;
  • 윤유정 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) ;
  • 강종구 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) ;
  • 최소연 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) ;
  • 박강현 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) ;
  • 천정화 (국립산림과학원 산림ICT연구센터) ;
  • 장근창 (국립산림과학원 산림ICT연구센터) ;
  • 원명수 (국립산림과학원 산림ICT연구센터) ;
  • 이양원 (부경대학교 지구환경시스템과학부 공간정보공학전공)
  • Received : 2022.10.11
  • Accepted : 2022.10.24
  • Published : 2022.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

Recently, the seriousness of climate change-related problems caused by global warming is growing, and the average temperature is also rising. As a result, it is affecting the environment in which various temperature-sensitive creatures and creatures live, and changes in the ecosystem are also being detected. Seasons are one of the important factors influencing the types, distribution, and growth characteristics of creatures living in the area. Among the most popular and easily recognized plant seasonal phenomena among the indicators of the climate change impact evaluation, the blooming day of flower and the peak day of autumn leaves were modeled. The types of plants used in the modeling were forsythia and cherry trees, which can be seen as representative plants of spring, and maple and ginkgo, which can be seen as representative plants of autumn. Weather data used to perform modeling were temperature, precipitation, and solar radiation observed through the ASOS Observatory of the Korea Meteorological Administration. As satellite data, MODIS NDVI was used for modeling, and it has a correlation coefficient of about -0.2 for the flowering date and 0.3 for the autumn leaves peak date. As the model used, the model was established using multiple regression models, which are linear models, and Random Forest, which are nonlinear models. In addition, the predicted values estimated by each model were expressed as isopleth maps using spatial interpolation techniques to express the trend of plant seasonal changes from 2003 to 2020. It is believed that using NDVI with high spatio-temporal resolution in the future will increase the accuracy of plant phenology modeling.

최근 지구 온난화로 인한 기후 변화와 관련된 문제의 심각성이 커지고 있으며 평균 기온 또한 상승하고 있다. 이로 인해 온도에 민감한 다양한 생물과 생물이 살아가는 환경에 영향을 미치고 있으며, 생태계의 변화 역시 감지되고 있다. 계절은 그 지역에 사는 생물의 종류, 분포, 생육 특성 등에 영향을 미치는 중요한 요인의 하나이다. 기후 변화 영향 평가의 지표 중 가장 대중적이고 쉽게 인식될 수 있는 식물 계절 중 개화일과 단풍나무 절정일의 모델링을 수행하였다. 모델링에 사용된 식물의 종류에는 봄을 대표하는 식물로 볼 수 있는 개나리와 벚나무, 가을을 대표하는 식물로 볼 수 있는 단풍 나무와 은행 나무를 사용하였다. 모델링을 수행할 때 사용된 기상 자료로는 기상청의 Automated Surface Observing System (ASOS) 관측소를 통해서 관측된 기온, 강수, 일사 자료를 사용하였으며, 개나리, 벚나무의 개화일과 약 -0.2, 은행나무, 단풍나무의 단풍 절정일과 약 0.3 정도의 상관 계수를 가지는 Moderate Resolution Imaging Spectroradiometer (MODIS) 식생지수를 사용하여 모델링을 수행하였다. 사용된 모델로는 선형 모델인 다중 회귀 모형과, 비선형 모델인 Random Forest (RF)를 사용하여 모델을 수립하였다. 또한 각 모형으로 추정된 예측 값을 공간 내삽 기법을 이용하여 등치 선도로 2003~2020년의 식물 계절 변화 경향 성을 표현하였다. 향후에 높은 시공간 해상도를 가지는 식생지수를 사용한다면 더 높은 식물 계절 모델링의 정확도를 높일 수 있을 것으로 판단된다.

Keywords

1. 서론

식물의 발아, 개화, 단풍나무, 낙엽 등의 시작 및 끝과 같은 식물 계절 시기는 매년 반복되는 계절 변화를 반영하며 기후 요인에 따른 식물 생활사의 변화를 관측 및 연구하는 학문인 식물 계절학을 통해서 장기적인 식물 계절 변화를 분석할 수 있고 지구 온난화는 이런 식물 계절 주기에 변화를 주고 있다(Lee et al., 2009; Hmimina et al., 2013; David et al., 2003; Kim, 2013).

과거에는 일시적인 기상 변동 현상으로 인해 이른 개엽과 개화 현상이 나타나고 인식되었지만, 현재는 지구온난화로 인한 기온 상승과 이상 기후로 인해 빈도가 잦아지고 있으며 전반적인 개엽과 개화가 빨라지고 있다 (Choi et al., 2003; Kim et al., 2013).

기후 변화에 의한 식물 계절 주기의 변화는 다양한 종들이 서식하고 상호 작용하는 구조를 나타내는 생태계 내에서 매우 중요한 요인이며, 식물 계절에서 개엽과 낙엽으로 결정되는 식생 성장 기간은 기상 조건의 강한 영향을 받는 동시에 생태계의 연간 생산성, 연 광합 성량과 관계되고 이런 광합성 식물이 주를 이루는 독립 영양생물계의 변화는 이와 관련된 종속 영양생물 들에게 막대한 영향을 미쳐 기존 생태계의 불균형을 야기할 수 있다. 따라서 식물 계절과 관련된 연구는 식생과 환경 조건 사이의 관계를 이해하고, 더 나아가 기후 변화의 지표로 생태계의 변화를 예측하는데 중요한 역할을 할 수 있다(Edwards and Richardson, 2004; Schwartz and Marotz, 1896; White et al., 1997; Lee et al., 2018; Choi and Jung, 2014; Kim et al., 2019). 식물 계절 주기와 관련된 연구의 경우 과거에는 주로 현장 조사를 통해 진행되었는데, 예를 들어 봄의 기온 변화를 잘 반영하는 식물 계절 지표를 정의하고 이를 활용해 봄의 변화를 평가하는 연구들도 있었다. Schwartz and Reiter (2000)의 연구에서는 1종의 라일락과 2종의 인동 식물의 발아일과 개화일을 평균하여 봄 발아일 지수와 봄 개화일 지수로 정의하고 북아메리카의 봄의 변화를 평가하였다. 국내에서도 현장 실측 자료를 이용하고 기온과의 상관 분석을 수행한 연구가 있었는데(Lee et al., 2009; Kim, 2019) 식물 계절과 기온과의 상관 분석의 결과 개화와 개엽 현상은 기온과 높은 상관 관계를 가지는 것으로 나타났다. 단풍나무와 낙엽 역시 기온과 상관성을 보이긴 했지만 개화와 개엽현상보다는 낮은 것으로 나타났다. 현장 조사 자료를 통해 연구를 진행하면 한정적인 공간 범위의 지역에 일어나고 있는 현상을 조사할 때는 높은 정확도로 일관되게 조사할 수 있다. 하지만 지역이 광범위해지거나, 조사환경이 열악해지면 계절 변화에 맞추어서 조사를 할 수 없게 된다(Kim et al., 2013).

따라서 식물 계절 연구에 있어서 현장 조사의 한계를 보완해주는 것이 위성영상을 활용하는 방법인데 위성기술의 발전에 따라 영상의 시공간적 해상도가 증가하고, 장기시계열의 위성영상의 데이터가 누적됨에 따라 시계열적인 식생지수의 변화와 패턴 분석이 용이 해 졌으며 이에 따라 식물 계절 주기에 대한 연구에 활발히 활용되기 시작했다(Reed et al., 1994; Moulin et al., 1997; Zhang et al., 2003;Zhang et al., 2004; Fisheret al., 2006; Soudani et al., 2008; Tan et al., 2011; Tricart and KiewietdeJonge, 1992; Kim et al., 2013).

위성 영상의 밴드 별 파장 분석을 통해 식생 활력도를 지수화 한 식생 지수는 식생 분류, 식생의 질병, 식생의 성장 과정과 같은 식생 모니터링에 활용되는데 식물 계절 변화에 식생 지수를 활용한다면 1년간의 식물 계절의 특징을 파악할 수 있다(Kim et al., 2013). 식생 지수를 이용하여 식물 계절 변화를 추정한 연구에서는 식생지수를 활용하여 시계열 자료를 구축한 뒤 웨이블릿 변환, 푸리에 변환과 같은 평활화 방법을 이용해 시계열 곡선을 평활화 시킨 뒤 식물 계절 곡선을 산출해 식물이 계절변화를 산출하였다(Sakamoto et al., 2005; Pieter et al., 2006; Peter et al., 2012; Kim et al., 2013; Choi and Jung, 2014; Lee et al., 2018). 식물 계절 변화 모델링 있어서 지상 관측 자료만 사용하는 것 또는 위성으로부터 산출된 식생 지수만 사용하는 것은 부족한 점이라고 볼 수 있다. 또한 기상 자료 중 기온 자료만 사용한 것 역시 식물 계절 추정 및 모델링의 한계점이라고 할 수 있다. 따라서 본 연구에서는 MODIS의 식생 지수인 NDVI와 기상청의 기상자료 중 기온 자료를 활용해 평균 기온, 적산 온도, GDD, CDD등의 기온 변수를 산출하고 식물 계절에 가장 적합한 기온 자료를 사용하고, 더 나아가서 강수와 일사 등의 식물 계절과 연관성이 있는 기상자료의 영향력을 분석해서 식물 계절 모델링에 활용하였고, 선형 모델과 비선형 모델의 비교 평가를 통해 식물 계절에 가장 적합한 모델을 수립하였으며 모델을 통해 나온 추정치를 이용하고 공간 내삽을 통해 식물 계절 현상 등치선도를 작성하였다.

2. 자료 및 방법

1) 기상청 식물 계절 관측 자료

식물 계절 시기의 변화를 파악하기 위해서 기상청에서는 매년 식물 계절 현상을 관측하고 있다. 본 연구에서 사용된 식물 계절 관측 자료는 기상청에서 관측하고 있는 식물 계절 자료를 사용하였는데, 식물 계절 관측은 계절의 변화, 지역적 차이 등을 특정 관측 목을 대상으로 합리적으로 관측 및 통계 분석하기 위해 각 관측소에서 관측자가 계절을 관측한 자료이다. 기상청에서 관측하는 봄철 식물 계절 관측목은 매화, 개나리, 진달래, 벚나무, 복숭아, 배나무, 아카시아 등이 있으며 가을철 식물 계절 관측목은 은행나무와 단풍나무 등이 있다 (Lee et al., 2009).

본 연구에서는 봄철 식물 계절 관측 목 중 봄을 대표하는 식물인 벚나무와 개나리를 선정하였으며 주로 4월에 개화하는 것으로 알려져 있다. 봄의 계절 현상으로는 개화일을 선정하였다 가을철 계절 관측 목으로는 단풍나무와 은행나무를 선정하였으며, 가을 식물 계절 현상으로 단풍 절정일을 선정하여 모델링 하였다. 식물 계절 관측의 위치는 Fig. 1에 나타나 있다.

OGCSBN_2022_v38n5_1_627_f0001.png 이미지

Fig. 1. Location of Automated Surface Observing System (ASOS) stations.

2) ASOS 기온관측 자료

본 연구에서 식물 계절 시기와 기온과의 관계를 분석하고 식물 계절 시기를 추정하는 모델을 수립하기 위해 기상청에서 제공하는 ASOS 기상 관측 장비를 통해 측정된 기온 자료를 사용하였으며, 기온 관측소의 위치는 식물 계절 관측 위치와 동일 함으로 Fig. 1에서 확인할 수 있다. 식물 계절 관측이 이루어진 지점의 일평균 기온 계산한 다음 이를 활용하여 각 식물 계절 시기에 맞는 온도 변수를 산출하였다.

개화일 추정에서 산출된 적산 온도는 1월 1일부터 개화일까지의 누적 온도를 의미하고, 단풍 절정일 추정에 사용된 적산 온도는 7월 1일부터 단풍 절정일까지의 누적온도를 의미한다. Growing Degree Days (GDD)는 1월 1일부터 개화일까지의 온도 중 5도가 넘는 기온만을 누적해서 더한 값을 의미하고 Cooling Degree Days (CDD)는 7월 1일부터 단풍 절정일까지의 온도 중 20도 미만인 온도의 합을 의미한다(Kim, 2019).

3) ASOS 강수, 일사 관측 자료

식물 계절 현상은 다양한 기상 인자에 민감하게 반응하기 때문에 기후 변화 영양 평가의 지표로 널리 이용되고 있다. 본 연구에서는 기온 외의 기상 인자로 강수와 일사를 사용하여 식물 계절 모델링을 수행하였다. ASOS를 통해 측정된 기상 요소는 기온 외에도 강수, 바람, 기압, 습도, 일사, 일조, 눈, 지면 상태, 증발량 등이 있는데 그중 강수와 일사를 이용해서 개화일의 경우 1월에서 3월의 평균 강수, 일사량. 2월에서 3월의 평균 강수, 일사량. 3월 평균 강수, 일사량과 개화일까지의 누적 강수, 일사량 변수를 산출하였다. 단풍 절정일의 경우 8월에서 10월의 평균 강수, 일사량. 9월에서 10월의 평균 강수, 일사량. 10월 평균 강수, 일사량과 단풍 절정일까지의 누적 강수, 일사량 변수를 산출하였다. 일사와 강수 역시 식물 계절과, 온도 관측 위치와 동일한 곳에서 관측되었으며, Fig. 1에 나타나 있다.

4) 위성 식생 지수

위성 영상을 통해 광범위한 지역에서 식생의 건강한 정도를 알아보기 위해서 식생지수를 산출하고 사용하고 있는데 그 원리로 식생의 활력도가 높을수록 적색 파장대에서는 흡수가 커지고 근적외선 파장대에서는 반사가 커진다 따라서 식생의 생장 및 활력상태를 반영하기 위해서 위성을 통해 관측된 복사량 중 근적외선과 적색 파장 밴드의 연산을 통해 정규화 시킨 것이 정규 식생지수인 Normalized DifferenceVegetation Index (NDVI)이다.

\(\begin{aligned}N D V I=\frac{\rho_{\text {nir }}-\rho_{\text {red }}}{\rho_{\text {nir }}+\rho_{\text {red }}}\\\end{aligned}\)

본 연구에서는 결측이 없는 월 평균 식생지수 제작을 위해서 Terra 위성의 MODIS 센서를 통해 산출된 월 평균 1 km NDVI와 Aqua위성의 MODIS 센서를 통해 산출된 월 평균 1 km NDVI를 융합하고, 공간적 세분화를 위해 리샘플링을 해서 500 m 월평균 NDVI를 산출하였고, 그럼에도 남아있는 결측을 복원하기 위해 Discrete Cosine Transform – Penalized Least Square Regression (DCT-PLS) 기법을 활용하였다. 결측 복원 기법 중 DCTPLS 기법은 공간 변동성이 비교적 일정하고 시간에 따른 변화가 점진적인 자료의 경우에는 전후 시간대를 고려한 3차원 DCT-PLS를 사용했을 때 정확도가 향상한다는(Youn et al., 2020) 선행 연구가 있었고 NDVI의 경우 점진적인 시계열 변화를 보이기 때문에 DCT-PLS 기법을 사용하여 결측을 복원했을 때 정확도가 높을 것으로 판단되어 사용하였다. NDVI중 개화일의 경우는 4월 평균 NDVI를 사용하였는데 벚나무와 개나리의 평균 개화 시기가 4월이여서 4월 평균 NDVI를 사용하였고, 단풍 절정일의 경우 단풍 절정시기가 10월 말에서 11월초 사이여서 11월 평균 NDVI를 사용하였다.

5) 분석 방법

대부분의 선행 연구는 식물 계절 변화 관측을 위해 온도 또는 NDVI만 사용하였다. 하지만 NDVI와 온도 그리고 그 외의 기상인자 역시 식물 계절 변화에 영향을 끼치기 때문에 본 연구에서는 온도, 강수, 일사, NDVI를 모두 사용하였으며 다중회귀 모형과 RF모형을 사용하여 개화일과 단풍 절정일을 추정했다. 다중 회귀 모형과 RF모형 두가지를 사용한 이유는 식물 계절과 각 자료들의 관계가 선형일 수도 있고, 비선형일수도 있기 때문이다. Random Forest는 다수의 디시즌트리(decision tree) 결과를 앙상블하여 예측치를 산출한다. 랜덤 샘플링을 할 때 분포의 적합성 여부에 따라 필요시 리샘플링을 하는 부트스트랩(bootstrap)을 수행하고, 부트스트랩 결과를 집계하는 배깅(bagging: bootstrap aggregating) 방식으로 각 디시즌 트리 결과의 앙상블 평균을 취하는 것이다(Breiman, 2001) 정확도 평가를 위해 Mean Bias Error (MBE), Mean Absolute Error (MAE), Normalized Root Mean Square Error (nRMSE), Correlation Coefficient (CC) 등의 정확도 통계량을 사용하였다. 정보에 대한 효과적인 표현을 위해서 지점 자료를 공간 연속면의 지도로 만드는 방법 중 하나로 공간 내삽법을 이용하는 연구들이 활발히 이루어지고 있다. 공간 내삽법은 관측 지점의 위치 자료를 이용하여 임의의 지점에 대한 자료를 추정한 후 이를 연속면으로 표현하는 기법이다 특히 특정 지점에서 관측된 자연현상들을 대상으로 공간 내삽법을 적용하여 연속면으로 표현하고 있다 대표적인 방법이 격자 망을 이용한 방법인데, 지표면을 일정한 크기의 격자로 분할한 후 각 격자마다 대표적인 수치를 부여하는 방식이다. 크리깅은 대표적인 공간 내삽법 중 하나로 Krige가 개발하였으며, 내삽의 최적화를 위해 공간적 자기 상관을 측정하고 내삽에 필요한 가중치를 설정하는 통계학적 기법이다. 이 기법은 거리에 따라 자료 간의 유사성이 변화하는 공간적 자기 상관의 특성을 이용하기 때문에 추정의 정확도가 높다고 알려져 있다 (Ku et al., 2012; Jung et al., 2021) 크리깅의 종류에는 단순 크리깅, 일반 크리깅, 정규 크리깅 등이 있는데 본 연구에서는 정규 크리깅을 활용해 식물 계절 추정 등치선도를 작성하였다(Fig. 2).

OGCSBN_2022_v38n5_1_627_f0002.png 이미지

Fig. 2. Flow chart of this study.

3. 결과 및 고찰

1) 기상자료와 식물계절과의 상관 분석

위의 온도 변수들과 식물 계절 DOY와의 상관 분석을 수행한 결과는 Table 1과 같다. 각 식물 계절시기 마다 상관 계수가 높은 온도 변수를 사용하였는데, 개화일의 경우 2월과 3월의 평균 기온, 적산 온도를, 단풍 절정일의 경우 9월과 10월의 평균온도과, 적산 온도를 사용하였다.

Table 1. Correlation coefficients between phenology DOY and temperature variables

OGCSBN_2022_v38n5_1_627_t0001.png 이미지

위의 강수, 일사 변수와 식물 계절 DOY와의 상관 분석을 수행한 결과는 Table 2와 Table 3과 같았다. 각 식물 계절 시기마다 상관계수가 높은 강수, 일사 변수를 사용하였는데, 개화일의 경우 3개월 평균 강수량을 단풍 절정일의 경우 누적 강수량을 사용하였고, 일사량의 경우 개화일과 단풍 절정일 모두 누적 일사량이 상관계수가 가장 높았음으로 누적 일사량을 사용하여 모델링을 수행하였다.

Table 2. Correlation coefficients between phenology DOY and precipitation

OGCSBN_2022_v38n5_1_627_t0002.png 이미지

Table 3. Correlation coefficients between phenology DOY and solar radiation

OGCSBN_2022_v38n5_1_627_t0003.png 이미지

2) 벚나무 식물 계절 모델링

벚나무 식물 계절 모델링은 총 4가지의 다른 변수들의 조합을 통해서 수행되었는데, 사용된 변수들의 조합은 아래의 식 4가지로 표현된다.

DOYFlowering = f(TEMPFebMar, NDVIApr)       (1)

DOYFlowering = f(TEMPAcc, NDVIApr)       (2)

DOYFlowering = f(TEMPFebMar, NDVIApr, PrecipitationJanFebMar)       (3)

DOYFlowering = f(TEMPFebMar, NDVIApr, PrecipitationJanFebMar, SRAcc)       (4)

먼저 온도 변수와 NDVI만을 이용하여 선형, 비선형 모델을 수립하였을 때의 검증 통계량은 Table 4에 정리되어 있다. 2월과 3월의 평균 온도가 모델링에 더 효과적인 것을 알 수 있었으며, 입력 자료를 사용하여 선형 모델과 비선형 모델을 사용한 결과는 큰 차이가 없었다.

Table 4. Accuracy statistics for the estimation of cherry blossom flowering dates by MLR models and RF

OGCSBN_2022_v38n5_1_627_t0004.png 이미지

강수와 일사를 추가하여 모델링 할 때는 더 효과적이었던 2월과 3월의 평균온도와 4월 평균 NDVI, 1월에서 3월의 평균 강수량, 1월에서 3월의 누적 일사량이 사용되었으며 식 3번과 4번에 표현되어 있으며, 모델의 검정 통계량은 Table 5에 정리되어 있다. 강수를 추가해서 모델을 수립한 결과 전반적으로 모델링의 정확도가 높아진 것을 알 수 있었으며 일사량을 추가해서 모델을 수립한 경우 데이터의 수에 비해 모델링의 정확도가 높아진 것을 알 수 있었다.

Table 5. Accuracy statistics for the estimation of cherry blossom flowering dates add Precipitation and add Solar Radiation

OGCSBN_2022_v38n5_1_627_t0005.png 이미지

Fig. 3은 2월과 3월의 평균 온도와 4월 NDVI를 사용해 선형, 비선형 모델을 수립하고 산출된 추정치와 관측치를 비교한 것이다. 이러한 모델링을 통해 벚나무 개화일을 3.4일 정도의 오차로 추정할 수 있었고, 상관계수는 0.87정도로 나타났다.

OGCSBN_2022_v38n5_1_627_f0003.png 이미지

Fig. 3. Scatter plots for the (a) MLR for cherry blossom, (b) RF for cherry blossom.

3) 개나리 식물 계절 모델링

개나리 식물 계절 모델링 역시 총 4가지의 다른 변수들의 조합을 통해서 수행되었는데, 사용된 변수들의 조합은 위의 식(1)~(4)번에 나타나 있다. 먼저 온도 변수와 NDVI만을 이용하여 선형, 비선형 모델을 수립하였을때의 검정 통계량은 Table 6에 정리되어 있다. 개나리 개화일 또한 2월과 3월의 평균 온도가 모델링에 더 효과적인 것을 알 수 있었으며, 같은 입력자료를 사용하여 선형 모델과 비선형 모델을 사용한 결과는 큰 차이가 없었다.

Table 6. Accuracy statistics for the estimation of forsythia flowering dates by MLR models and RF

OGCSBN_2022_v38n5_1_627_t0006.png 이미지

강수와 일사를 추가하여 모델링 할 때는 더 효과적이었던 2월과 3월의 평균온도와 4월 평균 NDVI, 1월에서 3월의 평균 강수, 1월에서 3월의 누적 일사량이 사용되었으며 식 3번과 4번에 표현되어 있으며, 모델의 검정 통계량은 Table 7에 정리되어 있다. 강수를 추가해서 모델을 수립한 결과 전반적으로 모델링의 정확도가 높아진 것을 알 수 있었으며 일사량을 추가해서 모델을 수립한 경우 데이터의 수에 비해 모델링의 정확도가 높아진 것을 알 수 있었다

Table 7. Accuracy statistics for the estimation of forsythia flowering dates add Precipitation and add Solar Radiation

OGCSBN_2022_v38n5_1_627_t0007.png 이미지

Fig. 4는 2월과 3월의 평균 온도와 4월 NDVI를 사용해 선형, 비선형 모델을 수립하고 산출된 추정치와 관측치를 비교한 것이다. 이러한 모델링을 통해 개나리 개화일을 3.5일 정도의 오차로 추정할 수 있었고 상관계수는 0.86 정도로 나타났다.

OGCSBN_2022_v38n5_1_627_f0004.png 이미지

Fig. 4. Scatter plots for the (a) MLR for forsythia, (b) RF for forsythia.

4) 단풍나무나무 식물 계절 모델링

단풍나무 식물 계절 모델링 역시 총 4가지의 다른 변수들의 조합을 통해서 수행되었는데, 사용된 변수들의 조합은 아래의 식 4가지로 표현된다.

DOYAutomn leaves = f (TEMPSepOct, NDVINov)       (5)

DOYAutomn leaves = f (TEMPAcc, NDVINov)       (6)

DOYAutomn leaves = f (TEMPAcc, NDVINov,PrecipitationAcc)        (7)

DOYAutomn eaves = f (TEMPAcc, NDVINov,PrecipitationAcc, SRAcc)       (8)

먼저 온도 변수와 NDVI만을 이용하여 선형, 비선형 모델을 수립하였을 때의 검정 통계량은 Table 10에 정리되어 있다. 단풍 절정일의 경우 적산온도가 모델링에 더 효과적인 것을 알 수 있었으며, 같은 입력자료를 사용한 선형 모델과 비선형 RF 모델의 결과에서 비선형 RF 모델을 사용했을 때 정확도가 약간 높아지는 것을 알 수 있었다.

강수와 일사를 추가하여 모델링 할 때는 더 효과적이었던 적산온도와 11월 평균 NDVI, 8월에서 10월의 누적 강수, 8월에서 10월의 누적 일사량이 사용되었으며 식 7번과 8번에 표현되어 있으며, 모델의 검정 통계량은 Table 10과 Table 11에 정리되어 있다. 강수를 추가해서 모델을 수립한 결과 전반적으로 모델링의 정확도가 높아진 것을 알 수 있었으며 일사량을 추가해서 모델을 수립한 경우 데이터의 수에 비해 모델링의 정확도가 높아진 것을 알 수 있었다.

Table 8. Accuracy statistics comparison between MLR and RF models for the estimation of maple leaves peak dates

OGCSBN_2022_v38n5_1_627_t0008.png 이미지

Table 9. Accuracy statistics for the estimation of maple leaves peak dates add Precipitation and add Solar Radiation

OGCSBN_2022_v38n5_1_627_t0009.png 이미지

Table 10. Accuracy statistics comparison between MLR and RF models for the estimation of ginkgo peak dates

OGCSBN_2022_v38n5_1_627_t0010.png 이미지

Table 11. Accuracy statistics for the estimation of ginkgo peak dates add Precipitation and add Solar Radiation

OGCSBN_2022_v38n5_1_627_t0011.png 이미지

Fig. 5는 적산온도와 11월 NDVI를 사용해 선형, 비선형 모델을 수립하고 산출된 추정치와 관측치를 비교한 것이다. 이러한 모델링을 통해 단풍나무나무 단풍 절정일을 3.7일 정도의 오차로 추정할 수 있었고 상관계수는 0.83 정도로 나타났다.

OGCSBN_2022_v38n5_1_627_f0005.png 이미지

Fig. 5. Scatter plots for the (a) MLR for maple leaves peak dates, (b) RF for maple leaves peak dates.

5) 은행나무 식물 계절 모델링

은행나무 식물 계절 모델링 또한 총 4가지의 다른 변수들의 조합을 통해서 수행되었는데, 사용된 변수들의 조합은 위의 식(5)~(8)번에 나타나 있다. 먼저 온도 변수와 NDVI만을 이용하여 선형, 비선형 모델을 수립하였을 때의 검정 통계량은 Table 12에 정리되어 있다. 은행나무의 단풍 절정일 역시 적산온도가 모델링에 더 효과적인 것을 알 수 있었으며, 같은 입력자료를 사용한 선형 모델과 비선형 RF 모델의 결과에서 비선형 RF 모델을 사용했을 때 정확도가 약간 높아지는 것을 알수있었다.

강수와 일사를 추가하여 모델링 할 때는 더 효과적이었던 적산온도와 11월 평균 NDVI, 8월에서 10월의 누적 강수, 8월에서 10월의 누적 일사량이 사용되었으며 식 7번과 8번에 표현되어 있으며, 모델의 검정 통계량은 Table 12와 Table 13에 정리되어 있다. 강수를 추가해서 모델을 수립한 결과 전반적으로 모델링의 정확도가 높아진 것을 알 수 있었으며 일사량을 추가해서 모델을 수립한 경우 데이터의 수에 비해 모델링의 정확도가 높아진 것을 알 수 있었다.

Fig. 6은 적산온도와 11월 NDVI를 사용해 선형, 비선형 모델을 수립하고 산출된 추정치와 관측치를 비교한 것이다. 이러한 모델링을 통해 은행나무 단풍 절정일을 3.4일 정도의 오차로 추정할 수 있었고 상관계수는 0.84정도로 나타났다.

OGCSBN_2022_v38n5_1_627_f0006.png 이미지

Fig. 6. Scatter plots for the (a) MLR for ginkgo peak dates, (b) RF for maple leaves peak dates.

6) 식물 계절 등치선도 작성

이에, 본 연구에서는 크리깅 기반의 ASOS 식물 계절 격자 지도를 산출하기 위해서 각 식물 계절의 관측치와, 벚나무와 개나리의 경우 MLR 모형의 추정치를, 단풍나무와 은행나무의 단풍 절정일의 경우 RF 추정치를 사용하였다.

벚나무와 개나리 개화일의 지도에서 지도의 색이 옅어진다는 것은 개화일의 관측 DOY가 작아지는, 즉 개화일이 빨라지는 것을 의미한다. 벚나무 평균 개화 DOY가 2003년 94에서 2020년 87로 빨라졌고, 개나리의 평균 개화 DOY 역시 87에서 79로 빨라졌다. 또한, 벚나무와 개나리 개화일의 관측치 지도에서 전반적으로 지도의 색이 옅어지는 것으로 보아 개화일이 빨라지는 것을 확인할 수 있었다(Figs. 7, 8) 특히 벚나무는 2014년 이후로 확연히 옅어지는 것을 확인할 수 있었다(Fig. 7) 단풍나무와 은행나무의 단풍 절정일 지도에서 지도의 색이 진해지는 것은 단풍 절정일의 관측 DOY가 커지는 것을 의미하고 단풍 절정일의 DOY가 커지는 것은 즉, 단풍 절정일이 늦어지는 것을 의미한다. 단풍나무 평균 단풍 절정 DOY가 2003년 305에서 2020년 313으로 늦어졌고, 은행나무의 평균 단풍 절정 DOY 역시 2003년 305에서 2020년 312로 늦어졌다. 단풍 나무와 은행나무의 관측치 지도에서 전반적으로 지도의 색이 진해지는 것으로 보아 단풍 절정일이 늦어지는 추세를 보임을 확인할 수 있었다(Figs. 9, 10). 벚나무와 개나리, 단풍나무와 은행나무의 관측과 추정 지도를 비교하여 봤을 때, 모델의 성능이 더 좋은 개나리와 벚나무 개화일의 추정이 단풍나무와 은행나무의 추정보다 큰 차이를 보이지 않는 것을 확인할 수 있었다.

OGCSBN_2022_v38n5_1_627_f0007.png 이미지

OGCSBN_2022_v38n5_1_627_f0008.png 이미지

Fig. 7. Maps of the cherry blossom flowering dates: (a) observation and (b) prediction using MLR.

OGCSBN_2022_v38n5_1_627_f0009.png 이미지

OGCSBN_2022_v38n5_1_627_f0010.png 이미지

Fig. 8. Maps of the forsythia flowering dates: (a) observation and (b) prediction using RF.

OGCSBN_2022_v38n5_1_627_f0011.png 이미지

OGCSBN_2022_v38n5_1_627_f0012.png 이미지

OGCSBN_2022_v38n5_1_627_f0013.png 이미지

Fig. 9. Maps of the Maple leaves peak dates: (a) observation and (b) prediction using MLR.

OGCSBN_2022_v38n5_1_627_f0014.png 이미지

OGCSBN_2022_v38n5_1_627_f0015.png 이미지

Fig. 10. Maps of the ginkgo peak dates: (a) observation and (b) prediction using MLR.

4. 결론

본 연구에서는 기상 및 식생 상태를 고려하여 우리나라를 추정하기 위해 기온과, 강수, 일사, NDVI 자료를 활용하여 식물 계절 시기 추정 모델을 수립하고 식물 계절 시기 격자 자료를 산출하였다. 이를 통해서 전반적인 벚나무와 개나리의 개화 시기는 앞당겨지고 있었고, 단풍나무와 은행나무의 절정 시기는 늦어지는 경향을 볼 수 있었다. 전에 수행된 식물 계절 모델링 연구에서는 기상 또는 위성 자료만을 활용하여 식물 계절 모델링을 수행하였는데, 본 연구에서는 기온을 통해서 평균 온도, 적산 온도, GDD, CDD 등 기온을 다양한 측면에서 분석하고 가장 적합한 기온 변수를 식물 계절 모델링에 사용하였다. 또한 기상 자료에 사용에 있어서 기온만을 이용하지 않고 강수, 일사 등의 영향력을 알아보고 식물 계절 모델링을 수행하였다. 또한 기상 자료만을 사용하여 식물 계절 모델링을 하지 않고 식생의 상태를 나타내는 위성으로부터 산출된 NDVI자료를 활용하였으며, 개나리, 벚나무의 개화, 단풍나무와 은행나무의 절정 등 다양한 식물 계절에 대한 적합한 모델을 수립하기 위해서 선형모델인 다중회귀와 비선형 RF 모델을 사용하였다. 벚나무 개화일 모델의 경우 CC=0.87, MAE=3.4 개나리 개화일 모델의 경우 CC=0.86, MAE=3.5, 단풍나무 절정일 모델의 경우 CC=0.83, MAE=3.7, 은행나무 절정일 모델의 경우 CC=0.84, MAE=3.4로 상당히 정확도가 높은 것으로 사료된다. 개화일의 경우 평균 온도와 높은 상관성이 있었으며, 단풍나무와 은행나무의 절정일의 경우 적산 온도와 높은 상관성을 가졌다. 강수의 경우 벚나무와 개나리의 개화일에서는 1~3월의 평균 강수량이, 단풍나무와 은행나무의 절정일에서는 누적 강수량이 높은 상관 관계를 가졌다. 일사의 경우 모든 식물 계절 현상에 있어서 누적 일사량이 높은 상관 계수를 가지는 것을 확인할 수 있었다. 향후에는 보다 다양한 변수조합에 의한 모델링이 추가적으로 시도될 필요가 있다. 이러한 모델을 통해서 산출된 지점추정치를 크리깅 내삽법을 사용하여 공간 연속면으로 확장하였다. 본 연구에서 사용된 기상자료 외에도 고도와 위도 같은 지형정보를 사용한다면 조금 더 높은 정확도의 모델을 수립할 수 있을 것으로 예상되며, 높은 상관관계를 가지는 일사량 자료는 실제로 관측되는 데이터가 적어서 모델을 수립하기에 충분하지 않은 양으로 판단되어, 데이터의 양이 더 많아진다면 더 높은 정확도의 모델을 수립할 수 있을 것으로 사료된다. 또한 본 연구에서 작성된 등치선도에서, 관측과 추정의 등치선도의 차이가 커지는 경향을 보이는데, 이는 최근으로 올수록 관측 지점의 수가 줄어들어서 차이가 커지는 것으로 판단되며, 관측지점이 많아진다면 더 정확하게 등치선도를 작성할 수 있을 것으로 사료된다.

사사

본 연구는 산림청 국립산림과학원 “산림 재해 상시 감시 및 생태계 모니터링을 위한 농림위성 융합 산출물 개발(과제번호: FM0103-2021-02)” 과제의 일환으로 수행되었습니다.

References

  1. Atkinson, P.M., C. Jeganathan, J. Dash, and C. Atzberger, 2012. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology, Remote Sensing of Environment, 123: 400-417. https://doi.org/10.1016/j.rse.2012.04.001
  2. Beck, P.S.A., C. Atzberger, K.A. Hogda, B. Johansen, and A.K. Skidmore, 2006. Improved monitoring of vegetation dynamics at very high latitudes: A new method using MODIS NDVI, Remote Sensing of Environment, 100(3): 321-334. https://doi.org/10.1016/j.rse.2005.10.021
  3. Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32. https://doi.org/10.1023/A:1010933404324
  4. Choi, C.H. and S.G. Jung, 2014. Analysis of the MODISbased vegetation phenology using the HANTS algorithm, Journal of the Korean Association of Geographic Information Studies, 17(3): 20-38. https://doi.org/10.11108/kagis.2014.17.3.020
  5. Choi, J.Y., U. Chung, and J. I. Yun, 2003. Urban-effect correction to improve accuracy of spatially interpolated temperature estimates in Korea, Journal of Applied Meteorology and Climatology, 42(12): 1711-1719. https://doi.org/10.1175/1520-0450(2003)042%3C1711:UCTIAO%3E2.0.CO;2
  6. David, G., G.G. Douglas, and C.S. Raymond, 2003. Climate Variability and Ecosystem Response at Long-term Ecological Research Sites, Oxford University Press, Oxford, UK.
  7. Edwards, M. and A.J. Richardson, 2004. Impact of climate change on marine pelagic phenology and trophic mismatch, Nature, 430: 881-884. https://doi.org/10.1038/nature02808
  8. Fisher, J.I., J.F. Mustard, and A. Vadeboncoeur, 2006. Green leaf phenology at Landsat resolution: Scaling from the field to the satellite, Remote Sensing of Environment, 100(2): 265-279. https://doi.org/10.1016/j.rse.2005.10.022
  9. Hmimina, G., E. Dufrene, J. Y. Pontailler, N. Delpierre, M. Aubinet, B. Caquet, A. de Grandcourt, B. Burban, C. Flechard, A. Granier, P. Gross, B. Heinesch, B. Longdoz, C. Moureaux, J.-M. Ourcival, S. Rambal, L. Saint Andre, and K. Soudani, 2013. Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes: An investigation using ground-based NDVI measurements, Remote Sensing of Environment, 132: 145-158. https://doi.org/10.1016/j.rse.2013.01.010
  10. Jeong, Y.M., S.B. Cho, Y.J. Youn, S.Y. Kim, G.A. Kim, J.G. Kang, D.G. Lee, U. Chung, and Y.W. Lee, 2021. Kriging of daily PM10 concentration from the Air Korea stations nationwide and the accuracy assessment, Korean Journal of Remote Sensing, 37(3): 379-394 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.3.2
  11. Kim, J.H., 2019. A Study on Vegetation Phenology of South Korea Temperate Forest between 2009-2017, Master Thesis, Seoul National University, Seoul, Republic of Korea.
  12. Kim, N.S., H.C. Lee, and J.Y. Cha, 2013. A study on changes of phenology and characteristics of spatial distribution using MODIS images, Journal of the Korea Society of Environmental Restoration Technology, 16(5): 56-69. https://doi.org/10.13087/kosert.2013.16.5.059
  13. Ku, C.Y., Y.H. Shin, J.W. Lee, and H.S. Kim, 2012. The study on the grid size regarding spatial interpolation for local climate maps, The Geographical Journal of Korea, 46(4): 489-500.
  14. Lee, B., E. Kim, J. Lee, J.-M. Chung, and J.H. Kim, 2018. Detecting phenology using MODIS vegetation indices and forest type map in South Korea, Korean Journal of Remote Sensing, 34(2-1): 267-282 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.2.1.9
  15. Lee, K.M., W.T. Kwon, and S.H. Lee, 2009. A study on plant phenological trends in South Korea, Journal of the Korean Association of Regional Geographers, 15(3): 337-350.
  16. Mitas, L. and H. Mitasova, 1999. Spatial interpolation, In: Longley, P., Goodchild, M., Maguire, D., Rhind, D. (eds), Geographical Information Systems: Principles, Techniques, Management and Applications, Wiley, London, UK, pp. 481-492.
  17. Moulin, S., N. Kergoat, N. Viovy, and G. Dedieu, 1997. Global-scale assessment of vegetation phonology using NOAA/AVHRR satellite measurements, Journal of Climate, 10(6): 1154-1170. https://dx.doi.org/10.1175/1520-0442(1997)010%3C1154:GSAOVP%3E2.0.CO;2
  18. Reed, B.C., J.F. Brown, D. Vanderaee, T.R. Loveland, J.W. Merchant, and D.O. Ohlen, 1994. Measuring phenological variability from satellite imagery, Journal of Vegetation Science, 5(5): 703-714. https://doi.org/10.2307/3235884
  19. Sakamoto, T., M. Yokozawa, H. Toritani, M. Shibayama, N. Ishitsuka, and H. Ohno, 2005. A crop phenology detection method using time-series MODIS data, Remote Sensing of Environment, 96(3-4): 366-374. https://doi.org/10.1016/j.rse.2005.03.008
  20. Schwartz, M.D. and B.E. Reiter, 2000. Changes in North American spring, International Journal of Climatology, 20(8): 929-932. https://doi.org/10.1002/1097-0088(20000630)20:8%3C929::AID-JOC557%3E3.0.CO;2-5
  21. Schwartz, M.D. and G.A. Marotz, 1986. An approach to examining regional atmosphere-plant interactions with phenological data, Journal of Biogeography, 13: 551-560. https://doi.org/10.2307/2844818
  22. Soudani, K., G. le Maire, E. Dufrene, C. Francois, N. Delpierre, E. Ulrich, and S. Cecchini, 2008. Evaluation of the onset of green-up in temperate deciduous broadleaf forests derived from Moderate Resolution Imaging Spectroradiometer (MODIS) data, Remote Sensing of Environment, 112(5): 2643-2655. https://doi.org/10.1016/j.rse.2007.12.004
  23. Tan, B., F. Gao, R.E. Wolfe, J. Nightingale, J.A.Pedelty, J.T. Morisette, and G.A. Ederer, 2011. An enhanced TIMESAT algorithm for estimating vegetation phenology metrics from MODIS data, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 4(2): 361-371. https://doi.org/10.1109/JSTARS.2010.2075916
  24. Tricart, J. and C. KiewietdeJonge, 1992. Ecogeography and Rural Management: A Contribution to the International Geosphere-Biosphere Programme, Longman Group, Harlow, UK.
  25. Youn, Y.J., S.Y. Kim, Y.M. Jeong, S.B. Cho, and Y.W. Lee, 2020. Evaluation of the DCT-PLS method for spatial gap filling of gridded data, Korean Journal of Remote Sensing, 36(6-1): 1409-1419 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.6.1.10
  26. Zhang, X., M.A. Friedl, C.B. Schaaf, and A.H. Strahler, 2004. Climate controls on vegetation phenological patterns in northern mid-and high latitudes inferred from MODIS data, Global Change Biology, 10(7): 1133-1145. https://doi.org/10.1111/j.1529-8817.2003.00784.x