NFI 표본점 자료와 위성영상 및 k-NN, 지질통계학적 기법 등을 활용한 산림 자원 및 바이오매스 예측 및 지도화 연구 doc_id PCY_201412101004302041_2

수간재적표는 수간재적을 AGTB로 변환시키는 변환/확장계수를 사용하여 지역별 바이오매스 예측치를 산출하는데 이용할 수 있다. 수간재적표를 통한 바이오매스 변환방법과 바이오매스를 직접 계산하는 두 방법을 비교했을 때, 일부 수종에서는 서로 유사한 결과를 보이지만, 임분 내 다양성이 높은 수종의 경우는 두 방법 간에 차이가 많이 발생하였다. 수간재적표는 주별로 검증된 수간재적식을 사용한다는 장점을 가지고 있으나, 두 단계로 바이오매스를 계산해야 하고 행정구역 사이에 재적식의 일관성이 부족하다는 약점이 있다. 소경목의 경우 표본점 내의 작은 부조사구에서만 조사되었으며, 기존의 DBH-바이오매스 사이의 관계가 적용되지 않는 경우가 많아서 소경목 비중이 높으나 밀도와 수고가 낮은 지역에서는 잠재적인 오차가 상대적으로 더 높았다. NFI 표본점 조사자료의 GPS 정보로부터 산림 변수 추정을 위한 기준점 위치정보를 가지고 온다. 표본점 조사시 다양한 크기의 조사 반경이 적용되는데 스웨덴의 경우 10m 반경이 가장 중요하며 이 공간 규모에서 Landsat TM이나 SPOT 영상의 픽셀과 비교하는 작업이 이루어진다. 핀란드의 경우 표본점에 대해 다양한 반경이 적용되는데 표본점의 단위면적당 임목축적, 수고, 영급이 가장 중요한 측정자료이다. 현재 k-NN 방법은 많은 수의 표본점 자료를 요구하는데 스웨덴의 경우 Landsat TM 영상 한 장에 약 1,250개의 표본점 자료가 사용되었고 핀란드의 경우 300∼10,000 표본점 자료가 사용되었다. 한 해에 조사되는 현지 조사 샘플은 많지 않다. 따라서 몇몇 최근 년도의 현지 조사 샘플이 함께 활용된다. 조사년도부터 영상 취득년도까지 벌목으로 인해 산림지역이 감소할 경우 현지 표본점 정보가 업데이트된다. 또한 영상에서 완전 벌채 또는 다른 교란에 의한 급격한 변화가 발생하였을 경우 샘플에서 제외시키기도 한다. k-NN 알고리즘과 위성영상, NFI 표본점 자료 등을 활용하여 산림피복지도가 제작되었으며 국가단위의 산림자원 데이터베이스 구축과 소면적 통계에 활용하기 위한 위성영상자료와 NFI 자료의 활용에 대한 연구가 활발히 진행되었다. 핀란드에서 1989년에 시작된 NFI는 산림자원 정보 획득이 주된 목적이며 비용 절감에 대한 요구와 효율성, 정확성 차원에서 원격탐사자료와 수치지도, 산림피복지도, 토지이용지도 등이 함께 사용되었다. 원격탐사자료를 활용하여 수종, 산림분류, 영급의 구분도 가능하게 되었으며 k-NN 방법이 개발되었다. k-NN 방법은 NFI의 표본점 자료가 사용되었다. 위성영상자료의 활용은 중간정도 해상도의 Landsat 영상이 취득 범위가 크므로 NFI 자료와 결합하여 사용하기 적당하며 Landsat 이외에도 SPOT, IRS-1C LISS 영상으로 대체하여 산림지역 맵핑에 사용된다. 이들 영상은 수치지도, GPS, DEM 등을 활용하여 기하보정, 경사보정, 방사보정등의 작업이 반드시 이루어져야 오차요인을 줄일 수 있다. 이와 같이 미국은 kNN 기법을 이용한 연구뿐만 아니라, 최근 들어 Geostatistics를 결합한 다양한 연구들이 수행되고 있다. 위성영상 데이터와 USDA 산림청 산하 산림정보분석처(Forest Inventory and Analysis, FIA) 프로그램의 데이터를 주로 활용하며, GPS와 GIS 데이터를 통합하여 산림변수의 예측 정확도를 높이고자 하는 노력이 있다. 베리오그램 도출과 크리깅을 결합한 산림변수 추정 및 지도화와 관련된 연구가 다수 이루어지고 있다. Elizabeth A. Freeman과 Gretchen G. Moisen(2006)은 Cubist biomass map을 이용하여 제작한 전국의 산림 biomass 지도의 점 예측 정확도를 크리깅을 통해 향상시키기 위한 방법을 탐색하였다. 기존의 전국의 산림 biomass 지도를 작성하는데 사용한 Cubist 모델(Cubist biomass model)은 공간 요소들을 분명하게 포함하고 있지 못하나 고도, 향, 공간적인 상관관계 등 몇몇 예측변수들을 포함하고 있다.