위성 영상 분석을 통한 지속가능한 산림 조성
핵심 요약
원격탐사로 취득한 영상은 현장에서 다양하게 수집된 데이터를 통해 개선될 수 있습니다. 이러한 이유로 USDA의 FIA(Forest Inventory and Analysis) 팀은 미국 산림을 위한 클라우드 기반의 국가 규모 모델링, 매핑, 분석 환경인 BIGMAP(Big Data Mapping and Analytics Platform)을 구축했습니다. BIGMAP은 규모에 맞는 래스터 프로세싱에 필요한 병렬화 및 대용량 저장소를 활용하도록 최적화되고 조정되었습니다. FIA 팀은 수천 개의 Landsat 씬을 수십만 개의 플롯과 융합하여 궁극적으로 클라우드에서 수십조의 픽셀을 단 며칠 만에 처리했습니다.
USDA(United States Department of Agriculture) Forest Service는 100년 이상 현재와 미래 세대를 위해 국가 산림과 초원의 건강, 다양성, 생산성을 유지하기 위해 노력해 왔습니다. USDA의 FIA(Forest Inventory and Analysis) 프로그램은 해당 업무를 지원하고자 고급 원격탐사 기술의 사용 및 통합을 개선하기 위해 만들어졌습니다.
이 비디오에서는 USDA Forest Service가 FIA 프로그램에 대해 설명하고 매핑 프로젝트 이면의 과학을 시연합니다. USDA Forest Service는 복잡한 다차원 래스터 분석 문제를 해결하기 위해 ArcGIS 및 Python의 다양성을 활용하여 위성 영상과 측정하는 산림 특성 간의 관계를 모델링하는 사용자 설정 머신 러닝 학습 알고리즘을 구축합니다. 위성 이미지의 각 픽셀에 대한 시간 경과에 따른 변화를 추적하여 계절성 및 초목을 모니터링하고 가뭄과 환경 영향을 예측하며 산림 종을 효과적으로 파악할 수 있습니다. 그런 다음 개발 중인 데이터는 자국의 산림 관련 정책 및 관리 결정에 관한 정보를 제공하는 데 사용되며, 지속가능한 미래 구축을 위한 협업을 촉진하기 위해 대중에게도 제공합니다.
이 비디오를 재생하여 FIA 프로그램에 사용되는 도구의 데모를 확인하거나 핵심 요약을 계속 읽어보세요.
이러한 콘텐츠는 US Forest Service ArcGIS Online 기관, ArcGIS Living Atlas of the World, 오픈데이터 포털에 발행되어 공개적으로 사용할 수 있습니다. 이와 같은 맵은 탄소 관리, 야생동물 관리, 유역 복원 및 기타 환경 서비스를 지원하기 위해 보존 계획에 통합될 수 있는 공간적으로 명시적인 도구를 추가할 수 있는 기능을 제공합니다.
다음은 지오프로세싱 도구, 래스터 함수 등을 사용하여 자체 분석에서 이러한 서비스를 사용할 수 있는 방법에 대한 두 가지 예시입니다.
- 가뭄 - 가뭄은 산림 및 숲에 막대한 영향을 미치고 있으며, 기관 과학자들은 이미 BIGMAP 결과를 통해 가뭄 모델 예측을 널리 사용하고 있습니다. 최근 몇 년간의 캘리포니아 센트럴밸리 주변 노출 조사에서 심각한 가뭄이 나타났습니다. 2040년까지 캘리포니아 중부에서 남부 로키산맥에 걸쳐 가뭄에 노출될 것으로 예상됩니다.
- 탄소 격리 - 적합성 모델에 데이터를 추가하면 큰 위협 없이 태평양 북서부 영역에서 재배 기회가 있는 영역을 파악할 수 있습니다. 이는 기후 완화 또는 복원 계획을 구현하기 위해 공동 관리를 실현하는 중요한 영역이 될 수 있습니다.
추가 샘플 매핑 응용프로그램에는 다음이 포함됩니다.
- 주요 산림 탄소 풀 매핑
- 식생 및 산림 구조 전반의 계절성 모니터링
- 산불 및 토네이도 등의 방해로 인한 산림 탄소의 손실 표시
- 큰 위협 없이 재배할 수 있는 기회를 위한 적합성 모델링
다음은 사용되는 5가지 모델링 기술입니다.
식생 계절학
시간 경과에 따른 변화를 추적하여 광범위한 지리적 영역에 걸쳐 계절성, 식생 주기, 노쇠를 모니터링하여 다양한 유형의 산림, 나무 종의 구성 및 전반적인 산림 구조를 파악할 수 있습니다.
조화 회귀
이 기술은 식생 계절학에서 취득한 시계열을 분석하는 데 사용되며 식생의 평균 상태뿐만 아니라 1년 동안의 상태 변화를 특성화할 수 있습니다.
생태계 분류
이러한 계수는 식생의 계절적 변화를 설명하며 기후 및 지형과 같은 다른 보조 데이터와 함께 산림 인벤토리 플롯에서 수집된 응답 데이터와 결합하여 환경 변화율을 따라 나무 종을 정렬할 수 있습니다.
k - 최근린 귀속
환경 변화율의 피처 공간에서 플롯의 위치는 k - 최근린(kNN) 알고리즘과 함께 사용할 수 있으며, 피처 공간에서 측정된 인접도를 기반으로 각 픽셀에 "플롯 버킷"을 할당하여 작동합니다.
예측 및 매핑
각 버킷은 FIA의 데이터베이스에 저장된 레코드 그룹을 나타내며, 여기에서 픽셀 수준의 예측을 수행하고 불확실성을 정량화하며 다양한 산림 속성을 매핑할 수 있습니다.
적합한 솔루션을 찾는 데 도움이 필요하신가요?
경험이 풍부한 당사 영업 담당자와 상담 일정을 예약하세요. 지금 영상 및 원격 탐사 데이터를 어떻게 사용하고 있는지 알려주시면 포괄적인 공간정보 시스템이 다음에 어떤 작업을 수행할 수 있는지 알려 드리겠습니다.