• 대한원격탐사학회지
• /
• 제35권6_2호
• /
• pp.1117-1132
• /
• 2019

산림생태계 내의 총일차생산량은 산림 자원 생산량과 직결되고, 산림생태계의 건강성, 산림식물계절 및 생태계 서비스의 중요한 지표가 된다. 이 연구에서는 인공위성 자료와 기계학습 알고리즘을 활용하여 우리 나라의 산림유역의 총일차생산량을 연구하였다. 에디공분산 타워가 있는 6개 지점에서의 MODIS (Moderate Resolution Imaging Spectroradiometer) 산출물과 에디공분산타워의 총일차생산성으로 연구기간의 75%-80%에 해당하는 자료로 기계학습 알고리즘을 훈련하고 나머지 기간으로 구축된 모델의 총일차생산성 예측 결과를 검증하였다. 모델을 구축할 때 MODIS 지상 산출물과 대기 산출물을 조합하여 새로운 입력자료(e.g., 포화수증기압차)를 모델의 입력자료(Processed MODIS)로 사용하였을 때와 이러한 과정 없이 QC(Quality control)만 거친 MODIS 산출물을 그대로 입력자료(Unprocessed MODIS)로 사용하였을 때의 총일차생산량을 비교해 보고 그 활용 가능성에 대해 고찰하였다. 추가로 MODIS 총일차생산량 산출물(MYD17)과 에디공분산 총일차생산성 및 기계학습 알고리즘 기반의 총일차생산성과의 상관관계를 보고 그 적합성에 대해 논의하였다. 이 연구에서 사용된 기계학습 알고리즘은 Support Vector Machine (SVM)으로 산림생태계 연구에서 가장 많이 사용되고 있는 기계학습 알고리즘 중 하나이다. 기계학습 알고리즘 기반(SVM 모델)의 총일차생산량 예측 결과는 MODIS 총일차생산량 산출물(MYD17)보다 에디공분산 총일차생산량과 전반적으로 높은 상관관계를 보였고 특히 식생 성장을 시작하는 시점의 값을 좀더잘 예측하는 결과를 보였다. 단일 지역에서 Unprocessed MODIS 입력자료로 훈련된 SVM 모델 결과는 피어슨 상관계수 0.75 - 0.95 (p < 0.001), 6개의 연구 지점에서 훈련된 SVM 모델 결과는 피어슨 상관계수 0.77 - 0.94 (p < 0.001) 사이를 보였다. 이 결과는 훈련 자료에 다양한 이벤트들이 포함되면 모델의 예측력이 향상되는 가능성을 보여주었고 위성영상의 산출물을 재계산하여 새로운 산출물을 내는 과정을 거친 위성 자료가 아니어도 그 예측력에는 크게 문제가 없음을 보여주었다.

• 한국농림기상학회지
• /
• 제23권4호
• /
• pp.251-267
• /
• 2021

원격 탐사 기반의 식생지수들은 광합성을 조절하는 식물생리적 특성과 경험적 상관관계를 보이며, 여러공간 규모에서의 총일차생산량(GPP) 추정에 활용되고 있다. 하지만 시간 해상도가 높아질수록 식생지수를 이용한 GPP 추정의 불확실성이 커지는 한계가 존재한다. 또한 식생지수 관련 분석에 주로 사용되는 에디공분산법을 이용하여 추정한 GPP 역시 실제 측정한 순생태계교환량(NEE)을 GPP와 생태계 호흡(RE)으로 배분하는 데 사용하는 방법에 따라 추정값이 달라지는 불확실성이 존재한다. 본 연구에서는 플럭스 타워가 설치된 네 곳의 농림생태계를 대상으로 근지표에서 관측한 식생의 분광 특성을 이용한 다양한 식생지수를 계산하였고, 이를 다양한 시간 해상도에서 GPP 추정에 적용가능한 지를 분석하였다. 동시에 이를 이용하여 NEE 배분 방법의 불확실성을 평가하였다. 비교에 사용한 정규식생지수, 개량식생지수, 적외반사식생지수(NIRv)에 비해 적외반사식생지수와 광합성유효광(PAR)을 결합한 NIRvP이 식생 및 지형 조건에 의한 공간 이질성으로 인해 관측지에 따라 약간의 차이가 나타났지만, 농경지와 산림에서 모두 30분과 일 단위 시간 해상도에서 GPP와 높은 상관성(r² = 0.63, 0.68)을 보였다. 또한 기존 KoFlux 표준 NEE 배분방법에 비해 기계학습 기반의 NEE 배분 방법을 적용할 경우, 산림에서 30분 단위의 GPP와 NIRvP 사이의 상관성이 향상되었지만, 일 단위에는 그 차이가 크지 않았다. 하지만 광조건 이외에 다른 요인에 의해 광합성이 제한되는 경우 NIRvP와 GPP 간의 상관성이 떨어져 NIRvP를 이용해 실제 배분 결과를 직접 평가하긴 어려웠으며, 주로 광 조건에 의해 광합성이 제한되는 흐린 날의 경우 NEE 배분 정확도를 평가할 수 있는 가능성이 존재하였다. 그러나 높은 시간해상도의 Vis 기반의 GPP 추정이 의미를 가지려면, VIs와 GPP간의 경험적 관계를 넘어서는 시스템 사고 및 자기-조직화와 관련된 복잡계 기반의 분석 방법이 요구된다.

• 한국산림과학회지
• /
• 제82권2호
• /
• pp.152-165
• /
• 1993

본(本) 연구(硏究)는 heat pulse법(法)을 이용하여 낙엽송 임분(林分)의 증산량(蒸散量)을 알기 위한 기초 연구로써, 일사량(日射量), 온도(溫度), 습도(濕度) 등의 변화에 따른 heat pulse 속도(速度)의 일변화와 계절변화, 방위별 heat pulse 속도(速度)의 차이, 변재부(邊材部)에 있어서 깊이별 heat pulse 속도(速度)의 차이, 우세목(優勢木), 준우세목(準優勢木), 열세목(劣勢木)의 heat pulse 속도(速度)의 차이, 엽(葉)의 수분(水分)포텐셜과 heat pulse 속도(速度)와의 관계, 줄기에 있어 수분상승의 방향, heat pulse법(法)으로 추산한 임분(林分)의 증산량(蒸散量)등에 대하여 측정 고찰하였다. 얻어진 결과를 요약하연 다음과 같다. 1 낙엽송의 heat pulse 속도(速度)(V)와 수액유속(樹液流速)(SFR)과의 관계는 SFR=1.37V($r=0.96^{**}$)의 식으로 나타냈다. 2. 우세목(優勢木), 준우세목(準優勢木), 열세목(劣勢木)의 heat pulse 속도(速度)를 비교하면, 수액유속(樹液流速)은 우세목(優勢木)이 가장 높고, 준우세목(準優勢木), 열세목(劣勢木) 순위였다. Heat pulse 속도(速度)는 일사량(日射量), 온도(溫度), 대기포차(大氣飽差) 등의 크기에 따라 심한 변화(變化)를 나타냈다. 3. 입목(立木) 개체간(個體間)의 heat pulse 속도(速度)의 차이는 이른 아침과 밤에는 거의 없으나, 일사량(日射量)이 높은 12시부터 16시 사이에는 약간의 차이를 나타냈다. 4. Heat pulse 속도(速度)와 수분(水分)포텐셜은 거의 비슷한 일변화 경향을 나타냈다. 5. Heat pulse 속도(速度)의 계절변화는 8월에 가장 높았고, 10월이 가장 낮았다. 그리고 6, 7, 9월의 heat pulse 속도(速度)는 거의 비슷한 값을 나타냈다. 6. 줄기에 있어 방위별 heat pulse 속도(速度)는 동측이 가장 높았고, 서측과 북측은 비슷한 속도를 나타냈으며, 남측의 속도가 가장 낮았다. 7. 변재부(邊材部)에 있어서 깊이별 heat pulse 속도(速度)의 차이는 수피(樹皮)로부터 2cm 깊이에서 가장 높고, 다음이 1cm 깊이, 그리고 3cm 깊이에서 가장 낮았다. 8. 줄기에 있어 수분이동방향(水分移動方向)은 5본 모두 오른쪽 나선상승(螺旋上昇)(spiral ascent turning right)을 나타내고 있었다. 특히 지상의 3m까지는 매우 느린 회선(回旋)을 나타내다가 그 이상의 수고(樹高)에서는 매우 빠른 회선(回旋)으로 상승됨을 알 수 있었다. 9. 수액유량(樹液流量)(SF)은 SF=1.37AV 식(式)으로 나타났고, 이 식으로 구한 수액유량(樹液流量)은 우세목(優勢木)이 준우세목(準優勢木)과 열세목(劣勢木)보다 현저히 높았다. 10. 1ha의 임분(林分)에 대한 1일의 증산량(蒸散量)의 구성비율(構成比率)은 낮이 83%, 밤이 17%였고, 증산량(蒸散量)은 약 30.8ton/ha/day이었다. 11. 1ha의 월별(月別) 증산량(蒸散量)은 8월이 1,194ton/ha/month로 가장 많았고, 5월이 386ton/ha/month로 가장 낮았다. 또 1ha의 연간(年間) 증산량(蒸散量)은 3,983ton/ha/yr이었다.