딥러닝 모델 기반 스케일업 LULUCF 매트릭스 구축에 관한 연구 = Construction of Scale-up LULUCF matrix based on Deep-learning model
저자
발행사항
춘천 : 강원대학교 대학원, 2019
학위논문사항
학위논문(박사)-- 강원대학교 대학원 : 산림경영학과 2019. 2
발행연도
2019
작성언어
한국어
주제어
KDC
526.21 판사항(6)
발행국(도시)
강원특별자치도
형태사항
viii, 125 L. : 삽도 ; 30 cm
일반주기명
강원대학교 논문은 저작권에 의해 보호받습니다.
지도교수:이정수
참고문헌 : L.115-122
UCI식별코드
I804:42002-000000030332
소장기관
본 연구는 2020년 신기후체제에 대응하기 위하여 국제적 기준에 부합하는 국내 온실가스 인벤토리의 LULUCF분야 국가통계 구축 개발을 목적으로 하였다.
우리나라 국가인벤토리보고서(NIR)의 LULUCF분야는 온실가스 통계량을 산정하고 있지만, 각 정부기관별 토지이용 범주에 대한 정의가 다르기 때문에 IPCC가이드라인, LULUCF 우수실행지침 그리고 주요 선진국 NIR의 LULUCF분야 통계구축 시스템 및 토지이용 범주의 정의 기준을 분석하고, 국내 LULUCF분야 통계 및 공간주제도의 정성적·정량적 비교 분석을 통하여 국내 토지이용 특성에 적합한 LULUCF분야 토지이용 범주별 정의를 정립하였다.
국내 NIR에서는 LULUCF분야 중 정주지와 기타 토지에 대한 활동자료가 구축되어 있지 않아 국가산림자원조사(NFI) 고정표본점의 위치를 기반으로 4시기 산림항공사진(1차 1971년∼1974년, 2차 1978년∼1980년, 3차 1986년∼1992년, 4차 1996년∼2005년)을 토지이용 범주별로 판독하여 국가수준 토지이용변화 매트릭스를 구축하였다. 시계열 변화에 따른 토지이용변화 매트릭스 구축 결과, 토지이용 범주별 타토지로의 전용률은 1차→2차와 2차→3차의 경우 습지에서 타토지로의 전용률이 가장 높았으며 특히, 습지에서 농경지로의 변화 사례가 가장 많이 발생하였다. 3차→4차의 경우 초지에서 타토지로의 전용률이 가장 높았으며 특히, 초지에서 산림지로의 변화 사례가 가장 많이 발생하였다.
한편, 온실가스 인벤토리 통계 산출은 투명하고 일관적이며 정확해야한다. 특히, LULUCF분야는 인위적 활동에 의하여 매년 온실가스 배출량 및 흡수량에 영향을 받기 때문에 꾸준하고 체계적인 모니터링이 필요하지만 국가수준 빅데이터를 토지이용의 범주에 맞게 분류하는 것은 시간적·비용적으로 한계가 있기 때문에 딥러닝의 CNN 기법을 적용하여 LULUCF분야 토지이용 판독에 대한 자동화 모델을 개발하였다. 딥러닝 모델 기반 산림항공사진을 토지이용 범주별로 판독한 결과와 육안 판독한 결과와의 정합성 분석 결과, 일치율은 87%이고, 불일치율은 약 13%로 분석되었다. 불일치율을 검증한 결과, 대부분 토지이용 범주의 경계부 지역 또는 토지이용 범주가 혼재된 이미지, 색조가 유사한 토지이용 범주의 이미지로 구분할 수 있었다. 딥러닝 모델을 이용하여 토지이용변화 매트릭스를 1차→2차·2차→3차·3차→4차의 시계열에 따라 구축한 결과, 딥러닝 판독에 의한 토지이용 범주별 변화율은 산림지→농경지, 농경지→산림지의 변화가 육안 판독에 의한 매트릭스의 변화율보다 높았는데, 산림지→농경지와 농경지→산림지는 딥러닝 모델 평가 시 산림지와 농경지 경계부 또는 혼재되어 나타난 데이터세트로 인한 영향으로 판단된다.
The objective of this study was to develop a national statistics framework of LULUCF (Land Use, Land Use Change, Forestry) for the GHG (Greenhouse Gas) invention of South Korea, which satisfies the international standard in order to cope with the paris agreement.
The LULUCF of South Korean National Inventory Report (NIR) estimates the GHG statistics. However, there are difficulties because government agencies have different definitions for land use categories. Therefore, this study analyzed the IPCC guideline, LULUCF good practice guideline, and the LULUCF statistical construction system and land use category definitions of major advanced countries’ NIR. Moreover, this study compared the national statistics and spatial thematic maps of the LULUCF of South Korea qualitatively and quantitatively to define the land use categories of LULUCF suitable for the land use of South Korea.
The NIR of South Korea does not have activity data about the settlement and other lands among LULUCF fields. Therefore, four sets of forest aerial photographs (first survey in 1971-1974, second survey in 1978-1980, third survey in 1986-1992, and fourth survey in 1996-2005) were read for each land use category based on the permanent sample plots of national forest inventory (NFI) and the national-level land use change matrix was established. The time-series land use change matrix showed that the land use change rate from wetland to other land use type was the highest from the first to the second (1→2) and from the second to the third (2→3). Particularly, the change from wetland to cropland was the most frequent. In the case of from the third to the fourth (3→4), the change from grassland to other land use types was the highest. Particularly, the change from grassland to forest land was the most frequent.
On the other hand, the GHG inventory statistics should be calculated transparently, consistently, and accurately. Particularly, it is necessary to monitor LULUCF steadily and systematically because the quantity of GHG emission and absorption annually of it is affected by anthropogenic activities. However, classifying the national-level big data according to the land use categories is limited by time and cost. Therefore, this study developed an automated model for reading the land use in the LULUCF field by using the CNN technique, one of the deep-learning methods. Land use categories were classified by the deep-learning model based forest aerial photos. Moreover, the classification was compared with the manual classification. The agreement rate was 87% and the disagreement rate was approximately 13%. The disagreed areas were reexamined and it was found that they were mostly in the borderline between different land use types, area mixed with multiple land use types, or land use category images with similar color. Using the deep learning model, the land use change matrix was constructed by time (i.e., First→Second, Second→Third, and Third→Fourth). The results showed that the land use type changes by the deep-learning reading showed the higher transition from forest to agricultural land and agricultural land to forest than that by manual classification. It is believed that it was affected by the characteristics of the dataset showing that these two types were adjacent to each other.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)