Google Earth Engine: GEDI와 Landsat을 활용한 전세계 산림 캐노피 높이 지도 소개

안녕하세요? 이번 글은 GEDI와 Landsat을 활용한 전세계 산림 캐노피 높이 지도를 소개하고 이 지도를 Google Earth Engine에서 다루는 방법을 정리해 보겠습니다. Google Earth Engine에서 예측 변수로 활용 가능한 데이터셋을 정리해보는 시리즈 글의 일부로 이전 글은 아래 링크를 참조하시면 됩니다.

Google Earth Engine: NASADEM 이미지 및 지형정보 생성방법 소개

소개드릴 30m 해상도의 전세계 산림 캐노피 높이 지도는 Global Ecosystem Dynamics Investigation(GEDI) 라이다 산림 구조 측정 데이터와 Landsat 분석-준비 데이터 시계열을 통합하여 개발되었습니다.

Global Forest Canopy Height from GEDI & Landsat - awesome-gee-community-catalog

UMD GLAD 전세계 산림 캐노피 지도

NASA GEDI는 2019년 4월부터 국제우주정거장(ISS: International Space Station)에서 작동 중인 우주 기반 라이다 장비로, 52°N에서 52°S까지의 전세계 식생 구조, 특히 산림 캐노피 높이에 대한 측정 구역 기반 분석을 제공합니다.

 

메릴랜드 대학교 전세계 토지 분석 및 발견 팀(UMD GLAD: Global Land Analysis and Discover team at the University of Maryland)은 2019년 4월부터 10월까지 수집된 GEDI 데이터를 2019년의 Landsat 분석-준비 시계열 데이터(Landsat ARD)와 통합했습니다.

 

GEDI의 RH95(95% 상대 높이) 지표를 모델 보정에 사용하였고, 표면 계절학을 나타내는 Landsat의 다중 시계열 지표는 전세계 산림 높이 모델링의 독립 변수로 활용되었습니다. "이동 창(moving window)"을 통해 지역적으로 보정되고 적용된 배깅 회귀 나무 앙상블 모델은 산림 높이 예측의 품질과 전세계 지도 일관성을 보장하기 위해 구현되었습니다. 해당 모델은 북방 지역(UMD GLAD 데이터 범위를 넘어서는 지역)에서 보간되어 글로벌 산림 높이 프로토타입 지도가 생성되었습니다.

 

전세계 산림 수관 높이 지도는 GEDI 데이터 품질, Landsat 광학 시계열 데이터의 가용성 및 산림 구조를 특징짓는 타당성과 관련된 알려진 문제들이 있는 프로토타입 산출물입니다:

[1] GEDI 데이터는 뉴질랜드와 레소토의 온대 및 아열대 산악 초지와 같은 지역에서 경사면의 산림 높이를 과대평가하는 경향이 있습니다.

[2] GEDI 데이터가 식생 높이와 인공 구조물의 높이를 구분하지 않기 때문에, 도시와 교외 지역의 나무 높이는 건물 높이와 혼동될 수 있습니다.

[3] GEDI 보정 불확실성(특히 위치 정밀도 및 지표면 고도 추정)은 일부 지도 오류의 원인이 될 수 있습니다.

[4] 산림 높이 모델은 30m 이상의 높이에서는 포화 상태가 되어 가장 높은 나무의 높이를 적절하게 나타내지 못합니다.

 

이 전세계 산출물은 미래에 이러한 문제의 대부분을 해결하기 위해 업데이트될 예정입니다. 새로 처리된 GEDI 데이터는 지표면 탐지 알고리즘, 도시 마스크 및 향상된 위치 정보를 포함한 개선 사항을 포함할 예정입니다. 더 높은 해상도의 Sentinel-2 데이터를 통합하여 텍스처 지표를 구현하고, 향상된 기계 학습 도구(특히, 합성곱 신경망)의 적용을 통해 산림 높이 모델링의 정확도를 높이는 방안이 검토될 것입니다. 이 지도 이후 개발된 1m 해상도의 캐노피 높이 지도는 아래 링크 글을 참조하시면 되겠습니다.

Google Earth Engine: 1m급 전세계 캐노피 높이 지도 사용법 소개

이전 글에서 정의한 예측 변수에 UMD Canopy Height 데이터를 추가해 보겠습니다.

# Global Forest Canopy Height from GEDI & Landsat
gf = ee.ImageCollection("projects/sat-io/open-datasets/GLAD/GEDI_V27").mosaic()
gf = gf.updateMask(watermask).clip(region).rename('canopy height')

# 밴드를 결합하여 다중 밴드 이미지 생성
predictors = predictors.addBands(gf)

# 예측 변수 레이어 목록 출력
layers = predictors.bandNames().getInfo()
for layer in layers:
    print(layer)

elevation
slope
aspect
canopy height

캐노피 높이를 시각화해 보겠습니다.

# 캐노피 높이
m = geemap.Map(layout={'height':'400px', 'width':'800px'})
vis_params = {'bands':['canopy height'], 'min': 0, 'max': 25, 'palette': cm.palettes.viridis}
m.addLayer(predictors, vis_params, 'Canopy Height')
m.add_colorbar(vis_params, label="Canopy Height", orientation="vertical", layer_name="canopy height")
m.centerObject(region, 6)
m

참고로, 캐노피 높이를 예측 변수에 추가한 후 변수 간 상관성을 분석해보니 경사와 캐노피 높이의 상관계수가 가장 높게 나옵니다.

피어슨 상관계수 (높은 순):
slope          canopy height    0.704603
elevation      canopy height    0.638383
slope          elevation        0.555488
canopy height  aspect           0.114814
slope          aspect           0.079534
elevation      aspect           0.057541
dtype: float64