KR102408851B1 - 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템 - Google Patents
산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템 Download PDFInfo
- Publication number
- KR102408851B1 KR102408851B1 KR1020200079664A KR20200079664A KR102408851B1 KR 102408851 B1 KR102408851 B1 KR 102408851B1 KR 1020200079664 A KR1020200079664 A KR 1020200079664A KR 20200079664 A KR20200079664 A KR 20200079664A KR 102408851 B1 KR102408851 B1 KR 102408851B1
- Authority
- KR
- South Korea
- Prior art keywords
- forest
- water
- map
- model
- unit
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 143
- 238000010187 selection method Methods 0.000 title claims 2
- 239000002689 soil Substances 0.000 claims abstract description 101
- 238000007637 random forest analysis Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 51
- 230000008859 change Effects 0.000 claims abstract description 41
- 238000003860 storage Methods 0.000 claims abstract description 21
- 239000011148 porous material Substances 0.000 claims abstract description 19
- 239000000463 material Substances 0.000 claims abstract description 11
- 238000004519 manufacturing process Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 229920006395 saturated elastomer Polymers 0.000 claims description 5
- 230000006870 function Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 17
- 230000014759 maintenance of location Effects 0.000 description 15
- 238000000605 extraction Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 241000218631 Coniferophyta Species 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- -1 clinical Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000003864 humus Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000004856 soil analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/08—Investigating permeability, pore-volume, or surface area of porous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
- G01N5/02—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by absorbing or adsorbing components of a material and determining change of weight of the adsorbent, e.g. determining moisture content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Dispersion Chemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 (a) 특정 격자에서 채취된 토양샘플을 대상으로 적어도 2이상의 매트릭 수분장력에 따른 용적수분함량을 실측하는 단계; (b) 상기 실측된 매트릭 수분장력과 용적수분함량을 이용하여 시뮬레이터 프로그램을 구동하여 랜덤포레스트 모델 적용을 위한 파라미터 
, a, n, m의 추정값을 얻는 단계; (c) 상기 파라미터 
, a, n, m의 추정값과 입력변수를 이용하여 랜덤포레스트 모델의 최적의 하이퍼파라미터를 산정하고 모델학습을 진행하는 단계; (d) 학습된 랜덤포레스트 모델을 통해 하기 식 (1)의 파라미터 
, a, n, m의 예측값을 도출하는 단계; (e) 상기 파라미터 
, a, n, m의 예측값에 의해 결정된 하기 식 1을 이용하여 매트릭 수분장력별 용적수분함량의 예측값을 격자별로 산출하여 산림물지도를 제작하는 단계; (f) 상기 산림물지도 중에서 침엽수림 중 밀도가 밀하고 Ⅲ, Ⅳ영급인 격자만을 선정하는 단계; (g) 상기 단계 (f)에서 선정된 격자별로 조공극률 누적 변화량 및 이를 이용하여 토양층 두께를 반영한 물 저장 변화량을 산출하는 단계; (h) 상기 단계 (g)에서 산출된 물 저장 변화량이 일정 값 이상인 격자를 숲가꾸기 적지로 선정하는 단계; 및 (i) 상기 숲가꾸기 적지로 선정된 ??자를 지도상에 디스플레이하는 단계;를 포함하는 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템을 제공한다.
Description
본 발명은 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템에 관한 것으로, 더욱 상세하게는 체계적인 수원함양림의 관리와 과학적인 산림유역관리를 위한 산림유역 물정보 및 정책지원 통합플랫폼으로써 산림물지도를 개발하고 이를 활용하여 숲가꾸기 사업에 따른 수원함양 증진효과를 확인하고 증진효과가 큰 유역을 중심으로 숲가꾸기 적지를 선정할 수 있게 해주는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템에 관한 것이다.
최근 가뭄이 빈발하고, 2015년의 전국 평균 강수량이 역대 최저 강수량 3위를 기록하는 등 기후변화 및 물부족이 심화되는 추세이다. 이에 따라 2040년 이후에는 전국적으로 물 부족량이 43% 증가하여 경제 손실규모도 연간 약 1,315억원에 달하는 등, 물 부족이 사회뿐만 아니라 경제적으로도 큰 악영향을 미칠 것으로 예상하고 있다.
산림은 홍수를 완화하고, 수자원을 저류하고 수질을 정화하는 등 물 환경과 같이 깊이 관련되어 있다. 이러한 기능을 통칭하여 산림의 「수원함양기능」이라고 하며, 이는 예로부터 홍수나 가뭄피해와 같은 각종 재해를 방지하기 위한 국가통치의 기본 이념인 「치산치수」의 근간이 되어왔다. 또한, 산림의 수원함양기능은 산림이 가지고 있는 공익적 기능의 중심으로 자리매김 하였다.
최근에는 산림이 가지고 있는 공익적 기능의 서비스적 특성에 입각하여 산림생태계서비스의 중요도와 역할이 더욱 강조되고 있다. 산림의 수원함양기능은 맑은 물을 지속적으로 공급하는 산림생태계서비스의 대표적인 기능으로써, 기후변화에 따른 물 부족 심화와 국민 삶의 질 향상에 따라 사회적 수요가 지속적으로 증대되고 있다.
한편, 물관리 일원화를 위한 정부조직 개편이 완료되고, '물관리기본법' 시행(2019.6.) 및 대통령 직속 '국가물관리위원회' 출범(2019.8.) 등 하천관리(국토부) 및 농업용수관리(농림부)를 제외한 수량, 수질, 재해예방 등 대부분의 물관리 기능이 환경부로 일원화되고 국가적 유역통합관리체계가 확대되고 있기 때문에 산림유역관리의 위상과 역할이 증대되고 있다.
특히 대규모 댐 건설의 중단 및 기존 댐 효율성의 증대로 댐 정책이 전환되고, 물수요 관리 및 유역통합관리 강화 등, 공급 중심의 기존 물관리에서 수요와 공급이 조화로운 통합 물관리로의 정책전환이 추진됨에 따라 산림의 수원함양기능에 기반한 과학적 산림유역관리의 역할 강화가 필요한 시점이다.
아울러 대축척 산림입지토양도가 제작됨에 따라 이를 활용한 기존 산림공간정보의 개선 및 활용도 제고에 대한 요구가 증대되고 있다. 산림입지토양도 제작사업은 2009년부터 산림공간정보 기본 계획(2015~2019) 및 국가표준체계에 따라 추진 중에 있으며, 그간 경기, 충청, 전라 등 426만 ha에 대한 도면이 작성되었고 2021년에 모든 사업이 완료될 예정이다. 이에 따라, 산림입지토양도 활용 서비스의 지속적인 개발 및 고도화를 통하여 기능별 산림관리 강화 및 산림생태계 서비스의 고도화가 필요하다. 또한, 빅데이터, IoT, 인공지능 등 4차 산업혁명 지능정보기술과 산림공간정보의 융·복합 활용을 통한 새로운 응용정보의 발굴 및 서비스 개발이 필요한 시점이다.
또한, 현재 국내에서는 숲가꾸기 사업이 진행 중에 있으며, 이는 조림목이 성공적으로 활착되도록 하고, 숲의 연령에 따라 단계별로 건강하고 우량하게 자랄 수 있도록 숲을 가꾸고 키우는 사업으로서 이를 위해 체계적인 수원함양림의 관리와 과학적인 산림유역관리를 위한 산림유역 물정보 및 정책지원 통합플랫폼으로써 산림물지도의 제작이 요구되어진다.
나아가 산림물지도를 활용하여 숲가꾸기 사업에 따른 수원함양 증진효과를 확인하고 증진효과가 큰 유역을 중심으로 숲가꾸기 적지를 선정할 수 있게 해주는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템 개발의 필요성이 증대되고 있다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위하여 제안된 것으로, 체계적인 수원함양림의 관리와 과학적인 산림유역관리를 위한 산림유역 물정보 및 정책지원 통합플랫폼으로써 산림물지도를 개발하고 이를 활용하여 숲가꾸기 사업에 따른 수원함양 증진효과를 확인하고 증진효과가 큰 유역을 중심으로 숲가꾸기 적지를 선정할 수 있게 해주는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템을 제공함에 있다.
본 발명의 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기한 바와 같은 본 발명의 기술적 과제는 다음과 같은 수단에 의해 달성되어진다.
(1)
(a) 특정 격자에서 채취된 토양샘플을 대상으로 적어도 2이상의 매트릭 수분장력에 따른 용적수분함량을 실측하는 단계;
(b) 상기 실측된 매트릭 수분장력과 용적수분함량을 이용하여 시뮬레이터 프로그램을 구동하여 랜덤포레스트 모델 적용을 위한 파라미터 
, a, n, m의 추정값을 얻는 단계;
(c) 상기 파라미터 
, a, n, m의 추정값과 입력변수를 이용하여 랜덤포레스트 모델의 최적의 하이퍼파라미터를 산정하고 모델학습을 진행하는 단계;
(d) 학습된 랜덤포레스트 모델을 통해 하기 식 (1)의 파라미터 
, a, n, m의 예측값을 도출하는 단계;
(e) 상기 파라미터 
, a, n, m의 예측값에 의해 결정된 하기 식 1을 이용하여 매트릭 수분장력별 용적수분함량의 예측값을 격자별로 산출하여 산림물지도를 제작하는 단계;
(f) 상기 산림물지도 중에서 침엽수림 중 밀도가 밀하고 Ⅲ, Ⅳ영급인 격자만을 선정하는 단계;
(g) 상기 단계 (f)에서 선정된 격자별로 조공극률 누적 변화량 및 이를 이용하여 토양층 두께를 반영한 물 저장 변화량을 산출하는 단계;
(h) 상기 단계 (g)에서 산출된 물 저장 변화량이 일정 값 이상인 격자를 숲가꾸기 적지로 선정하는 단계; 및
(i) 상기 숲가꾸기 적지로 선정된 ??자를 지도상에 디스플레이하는 단계;를 포함하는 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법.
식 (1) 
(2) 상기 (1)에 있어서,
단계 (f)에서 조공극률 누적 변화량은 하기 식 (5)로 얻어지는 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법.
식 (5) 
(3) 상기 (1)에 있어서,
상기 단계 (b)에서 시뮬레이터 프로그램은 몬테카를로 시뮬레이션을 수행하는 프로그램인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법.
(4) 상기 (1)에 있어서,
랜덤포레스트 모델의 최적의 하이퍼파라미터는 max_depth, max_features, 및 n_estimators인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법.
(5) 상기 (1)에 있어서,
상기 단계 (d)의 입력변수는 현장조사 및 GIS 기반으로 추출한 입력변수인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법.
(6) 특정 격자에서 채취된 토양샘플을 대상으로 적어도 2이상의 매트릭 수분장력에 따른 용적수분함량을 측정하는 용적수분함량 실측정부; 상기 용적수분함량 실측정부에서 실측된 매트릭 수분장력과 용적수분함량을 이용하여 시뮬레이터 프로그램을 구동하여 랜덤포레스트 모델 적용을 위한 파라미터 
, a, n, m의 추정값을 산출하는 최적 파라미터 추정값산출부; 상기 파라미터 
, a, n, m의 추정값과 입력변수를 이용하여 랜덤포레스트 모델의 최적의 하이퍼파라미터를 산정하고 모델학습을 진행하는 모델학습부; 상기 모델학습부에서 학습된 랜덤포레스트 모델을 통해 하기 식 (1)의 파라미터 
, a, n, m의 예측값을 도출하는 최적 파라미터 예측값산출부; 및 상기 파라미터 
, a, n, m의 예측값에 의해 결정된 하기 식 1을 이용하여 매트릭 수분장력별 용적수분함량의 예측값을 산출하는 용적수분함량 예측값산출부;를 포함하는 산림물지도 제작부, 및
상기 산림물지도부에서 침엽수림 중 밀도가 밀하고 Ⅲ, Ⅳ영급인 격자를 선정하는 예비적지선정부; 상기 예비적지선정부에서 선정된 격자별로 조공극률 누적 변화량 및 이를 이용하여 토양층 두께를 반영하여 물 저장 변화량을 산출하는 물저장변화량산출부; 상기 산출된 물 저장 변화량이 일정 값 이상인 격자를 숲가꾸기 적지로 판단하는 숲가꾸기 적지판단부; 및 숲가꾸기 적지로 선정된 격자를 표시하여 지도로써 디스플레이하는 지도디스플레이부를 포함하는 숲가꾸기 적지선정부를 포함하는 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템.
식 (1) 
(7) 상기 (6)에 있어서,
조공극률 누적 변화량은 하기 식 (5)로 얻어지는 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템.
식 (5) 
(8) 상기 (6)에 있어서,
최적 파라미터 추정값산출부에서 이용하는 상기 시뮬레이터 프로그램은 몬테카를로 시뮬레이션을 수행하는 프로그램인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템.
(9) 상기 (6)에 있어서,
상기 모델학습부에서 랜덤포레스트 모델의 최적의 하이퍼파라미터는 max_depth, max_features, 및 n_estimators인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템.
(10) 상기 (6)에 있어서,
모델학습부에서의 입력변수는 현장조사 및 GIS 기반으로 추출한 입력변수인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템.
(11) 상기 (1) 내지 (5) 중 선택된 어느 하나에 기재된 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법을 실행하는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
상술한 바와 같이 본 발명은 체계적인 수원함양림의 관리와 과학적인 산림유역관리를 위한 산림유역 물정보 및 정책지원 통합플랫폼으로써 산림물지도를 개발하고 이를 활용하여 숲가꾸기 사업에 따른 수원함양 증진효과를 확인하고 증진효과가 큰 유역을 중심으로 숲가꾸기 적지를 선정할 수 있게 해주는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템을 제공한다.
도 1은 본 발명에 따른 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템의 구성도이다.
도 2는 본 발명의 바람직한 실시예로서의 압력판 추출시험을 통해 측정된 토양수분을 이용하여 토양수분 보유곡선의 최적 파라미터(a, n, m)를 선정하는 과정도이다.
도 3은 본 발명의 바람직한 실시예로서 수집된 입력자료를 통해 토양수분 보유곡선을 예측하는 모델을 만드는 과정도이다.
도 4는 본 발명의 바람직한 실시예로서, 열 자료 형태로 정리한 입력자료의 예시도이다.
도 5는 본 발명의 바람직한 실시예로서, 최적 하이퍼파라미터 선정을 위한 코드를 보여준다.
도 6은 본 발명의 바람직한 실시예로서, 수원함양기능의 실측값과 랜덤포레스트 모델값을 비교하여 나타낸 그래프이다.
도 7은 본 발명의 바람직한 실시예로서, 산림물지도의 제작 개요도이다.
도 8은 본 발명의 실시예에 따른 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법을 보여주는 플로우챠트이다.
도 9a는 산림물지도 상에서 침엽수 격자부분만 나타낸 지도이다.
도 9b는 산림물지도 상에서 침엽수이면서 밀도가 밀한 격자를 나타낸 지도이다.
도 9c는 산림물지도 상에서 침엽수이면서 밀도가 밀하고, 임령이 Ⅲ, Ⅳ영급인 격자를 표시한 지도이다.
도 9d는 산림물지도 상에서 숲가꾸기 대상지 중 상위 20%인 격자만 표시한 지도이다.
도 9e는 산림물지도 상에서 숲가꾸기 적지를 확대한 지도이다.
도 2는 본 발명의 바람직한 실시예로서의 압력판 추출시험을 통해 측정된 토양수분을 이용하여 토양수분 보유곡선의 최적 파라미터(a, n, m)를 선정하는 과정도이다.
도 3은 본 발명의 바람직한 실시예로서 수집된 입력자료를 통해 토양수분 보유곡선을 예측하는 모델을 만드는 과정도이다.
도 4는 본 발명의 바람직한 실시예로서, 열 자료 형태로 정리한 입력자료의 예시도이다.
도 5는 본 발명의 바람직한 실시예로서, 최적 하이퍼파라미터 선정을 위한 코드를 보여준다.
도 6은 본 발명의 바람직한 실시예로서, 수원함양기능의 실측값과 랜덤포레스트 모델값을 비교하여 나타낸 그래프이다.
도 7은 본 발명의 바람직한 실시예로서, 산림물지도의 제작 개요도이다.
도 8은 본 발명의 실시예에 따른 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법을 보여주는 플로우챠트이다.
도 9a는 산림물지도 상에서 침엽수 격자부분만 나타낸 지도이다.
도 9b는 산림물지도 상에서 침엽수이면서 밀도가 밀한 격자를 나타낸 지도이다.
도 9c는 산림물지도 상에서 침엽수이면서 밀도가 밀하고, 임령이 Ⅲ, Ⅳ영급인 격자를 표시한 지도이다.
도 9d는 산림물지도 상에서 숲가꾸기 대상지 중 상위 20%인 격자만 표시한 지도이다.
도 9e는 산림물지도 상에서 숲가꾸기 적지를 확대한 지도이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 안다.
몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명에서 「공간자료」는 산림입지토양도, 임상도, 수치지형도, 및 수치지질도에서 사용되는 정보이다. 이 중, 산림입지토양도의 경우 토양형, 토성, 유효토심, 전토심, 건습도, 석력함량, 견밀도, 사면위치, 경사형태, 퇴적양식, 풍노출도, 낙엽층 두께, 풍화정도, 토양구조 등에 관한 정보가 포함되고, 임상도의 경우 임상, 밀도, 경급, 영급에 관한 정보가 포함되며, 수치지형도의 경우 표고, 경사, 방위, 집수면적, 지형지수, TPI, 곡률, 수평곡률, 수직곡률 등에 관한 정보가 포함되며, 수치지질도의 경우 모암대분류, 모암중분류 등에 관한 정보가 포함된다.
본 발명에서 「토양·임상특성자료」는 현장조사를 통해 얻어지는 정보로서, 토양정보 및 임분정보를 포함한다. 이 중 토양특성자료는 낙엽층, 토심, 견밀도, 석력함량 등에 관한 정보를 포함하고, 임상특성자료는 유세목 수고, 우세목 DBH, 평균 DBH, 임목밀도 등에 관한 정보가 포함된다.
상기 본 발명에서 산림물지도 제작에 필요한 기초자료로 산림입지토양도(1:25,000), 임상도(1:5,000)는 국가공간정보포털에서 SHP파일의 형태로 다운로드가 가능하고, 수치지형도(1:5,000)는 국토정보플랫폼에서 NGI파일의 형태로, 수치지질도(1:50,000)의 경우 한국지질자원연구원으로부터 SHP파일의 형태로 다운로드가 가능하다.
이들로부터 얻은 기초자료는 Esri사의 ArcGIS_ArcMap (10.2.2) 프로그램을 이용하여 변환 및 분석이 가능하다. 상기 각 자료는 분석을 위해 레스터(Raster) 파일로 변환된다.
본 발명의 산림물지도 제작을 위한 표준조사지의 선정은 상기 산림입지토양도, 임상도, 수치지형도, 및 수치지질도를 바탕으로 선정한다. 선정 과정은 전국 단위의 공간자료를 해당 조건에 따라 유동적으로 분석할 수 있어야 하기 때문에 ArcGIS 프로그램을 사용하여 진행한다. 토양시료를 채취하게 될 정확한 표준조사지의 위치는 모암, 임상, 토양형 등의 토양 특성 조건을 모두 만족시키는 지역(폴리곤)의 중심점이 되며, 이후, 표준 조사지의 위치가 전국적으로 고루 분포될 수 있도록 선정한다.
본 발명에서 특별한 지정이 없는 한 산림물지도의 제작을 위한 기본단위는 격자(grid)이며, 상기 격자의 예로 본 발명의 실시예에서는 10mㅧ10m를 대상으로 하였다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시예에 대해 살펴보기로 한다.
본 발명에 따른 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법은,
(a) 특정 격자에서 채취된 토양샘플을 대상으로 적어도 2이상의 매트릭 수분장력에 따른 용적수분함량을 실측하는 단계;
(b) 상기 실측된 매트릭 수분장력과 용적수분함량을 이용하여 시뮬레이터 프로그램을 구동하여 랜덤포레스트 모델 적용을 위한 파라미터 
, a, n, m의 추정값을 얻는 단계;
(c) 상기 파라미터 
, a, n, m의 추정값과 입력변수를 이용하여 랜덤포레스트 모델의 최적의 하이퍼파라미터를 산정하고 모델학습을 진행하는 단계;
(d) 학습된 랜덤포레스트 모델을 통해 하기 식 (1)의 파라미터 
, a, n, m의 예측값을 도출하는 단계;
(e) 상기 파라미터 
, a, n, m의 예측값에 의해 결정된 하기 식 1을 이용하여 매트릭 수분장력별 용적수분함량의 예측값을 격자별로 산출하여 산림물지도를 제작하는 단계;
(f) 상기 산림물지도 중에서 침엽수림 중 밀도가 밀하고 Ⅲ, Ⅳ영급인 격자만을 선정하는 단계;
(g) 상기 단계 (f)에서 선정된 격자별로 조공극률 누적 변화량 및 이를 이용하여 토양층 두께를 반영한 물 저장 변화량을 산출하는 단계;
(h) 상기 단계 (g)에서 산출된 물 저장 변화량이 일정 값 이상인 격자를 숲가꾸기 적지로 선정하는 단계; 및
(i) 상기 숲가꾸기 적지로 선정된 격자를 지도상에 디스플레이하는 단계를 포함한다.
식 (1) 
상기 식에서 a, n, m은 최적 파라미터이고, 
는 포화 용적수분함량, 
은 잔류 수분함량에 상응하는 매트릭 수분장력이며 주로 3000kPa를 사용한다.
또, 본 발명은 상기와 같은 방법을 구현하기 위한, 산산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템을 제공하며, 상기 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템은 도 1에 도시한 바와 같이, 산림물지도 제작부(1000)와 숲가꾸기 적지선정부(2000)로 이루어진다.
상기 산림물지도 제작부(1000)는,
특정 격자에서 채취된 토양샘플을 대상으로 적어도 2이상의 매트릭 수분장력에 따른 용적수분함량을 측정하는 용적수분함량 실측정부(100);
상기 용적수분함량 실측정부에서 실측된 매트릭 수분장력과 용적수분함량을 이용하여 시뮬레이터 프로그램을 구동하여 랜덤포레스트 모델 적용을 위한 파라미터 
, a, n, m의 추정값을 산출하는 파라미터 추정값산출부(200);
상기 파라미터 
, a, n, m의 추정값과 입력변수를 이용하여 랜덤포레스트 모델의 최적의 하이퍼파라미터를 산정하고 모델학습을 진행하는 모델학습부(300);
상기 모델학습부에서 학습된 랜덤포레스트 모델을 통해 하기 식 1의 파라미터 
, a, n, m의 예측값을 도출하는 파라미터 예측값산출부(400); 및
상기 파라미터 
, a, n, m의 예측값에 의해 결정된 하기 식 (1)을 이용하여 매트릭 수분장력별 용적수분함량의 예측값을 산출하는 용적수분함량 예측값산출부(500);를 포함한다.
상기 숲가꾸기 적지선정부(2000)는,
상기 산림물지도부에서 침엽수림 중 밀도가 밀하고 Ⅲ, Ⅳ영급인 격자를 선정하는 예비적지선정부(2100); 상기 예비적지선정부에서 선정된 격자별로 조공극률 누적 변화량 및 이를 이용하여 토양층 두께를 반영하여 물 저장 변화량을 산출하는 물저장변화량산출부(2200); 상기 산출된 물 저장 변화량이 일정 값 이상인 격자를 숲가꾸기 적지로 판단하는 숲가꾸기 적지판단부(2300); 및 숲가꾸기 적지로 선정된 격자를 표시하여 지도로써 디스플레이하는 지도디스플레이부(2400)를 포함한다.
이하에서는 먼저 산림물지도제작에 관한 세부적인 사항을 설명하고, 숲가꾸기 적지선정과 관련된 사항은 실시예를 참조하여 설명하는 것으로 한다.
상기 단계 (a)에서 매트릭 수분장력에 따른 용적 수분함량의 실측은 바람직하게는 압력판 추출 시험기를 이용한다. 압력판 추출시험법은 가압평형법이라고 하며, 가압방식의 압력판 추출시험기를 이용하여 수분장령 0~5 bar 범위의 고장력 상태에서 토양수분함량을 측정하여 토양보수력을 산정하는 방법이다.
토양시료와 압력판을 물로 포화시킨 후 압력판 추출시험기에 각 수분장력에 해당하는 압력까지 서서히 증가시키면서 초과된 수분이 모두 제거되어 측정하고자 하는 수분장력과 평형상태에 도달하면 중량수분함량을 측정한다.
산림토양의 토양수분 보유곡선을 산정하기 위하여 본 발명에서는 수분장력 각각 pF0, pF1.8, pF2.7의 용적수분함량을 측정하는 것으로 한다.
본 발명에서, 상기 단계 (b)에서 시뮬레이터 프로그램은 바람직하게는 몬테카를로 시뮬레이션을 수행하는 프로그램인 것으로 한다. 몬테카를로 시뮬레이션 방법은 모의 발생시 기본변수의 확률분포에 따라 발생되는 무작위 변수 값의 집합을 사용하는 방법이다. 모의 발생이란 현실의 가정 및 상상된 모형의 집합에 기초하여 실제 세계를 묘사하는 과정이다. 몬테카를로 시뮬레이션에서 가장 중요한 일 중에 하나는 확률분포로부터 무작위수를 발생시키는 것이다.
본 발명에서는 토양수분 보유곡선식으로 Fredlund and Xing(1994)가 제시한 아래 식 (2)를 활용한다. 다만 본 발명에서는 여러 번의 토양실험을 기반으로 106 kPa 이상의 수분장력에서는 수분이 0이 된다는 것을 기반으로, 식 (3)의 교정함수를 추가하여 최종적으로 상기 식 (1)과 같은 토양수분 보유곡선식을 제시한다.
식 (2) 
식 (3) 
따라서, 실험데이터인 매트릭 수분장력에 대한 용적수분함량치가 있다면, 최적 파라미터 a, n, m를 구할 수 있다. 본 발명에서는 최적 파라키터를 구하기 위해서는 무작위 추출된 난수를 이용하는 몬테카를로 시뮬레이션을 이용한다. 즉, 식 (1)을 기반으로 평균 제곱근 오차를 가장 작게 산출하는 최적 파라미터 a, n, m을 설정하면 된다.
본 발명의 바람직한 실시예로는 앞서 설명한 바와 같이, 특정 토양의 토양수분 곡선을 산정하기 위해 특정 매트릭 수분장력에 상응하는 용적수분함량을 측정할 수 있는 압력판 추출시험을 시행하며, 압력판 추출시험은 pF0, pF1.8, pF2.7에 해당하는 매트릭 수분장력인 -0.10, -6.19, -49.17 kPa에서 각각 시행하고 이후 토양내 수분함량을 측정한다. 즉 포화상태의 토양에 일정한 압력을 가한 이후 토양내 남아 있는 수분함량을 측정하는 것이다. 도 1은 압력판 추출시험을 통해 측정된 토양수분을 이용하여 토양수분 보유곡선의 최적 파라미터(a, n, m)를 선정하는 과정을 보여준다.
랜덤포레스트 모델(Random forest model)은 의사결정 나무 기반의 알고리즘으로, 서로 다른 의사결정 나무를 결합하여 만들어낸 앙상블 모델을 말한다. 앙상블 모델은 서루 다른 모델을 학습시킨 후 하나로 결합하여 가장 설명력이 좋은 최종 예측모형을 생성한다. 랜덤포레스트 모델의 설계를 위해, 첫 번째로 입력된 훈련데이터러부터 부트스트랩방법을 통해 표본을 추출한다. 이때, 부트스트랩이란 입력된 데이터로부터 중복을 허용하여 입력 데이터와 같은 크기의 새로운 데이터 세트를 생성하는 기법을 말한다. 그 후, 전체 특성(features) 중 일부를 무작위로 선택하여 부트스트랩 표본과 함께 의사결정 나무를 생성한다. 이러한 과정은 N번 반복되어 최종적으로 N개의 의사결정 나무가 생성되고 이를 하나의 분류기로 결합하여 랜덤포레스트 모델을 만든다. 본 발명에서 조공극률을 예측하기 위한 입력자료들은 연속형 자료와 범주형 자료가 섞여 있기 때문에 입·출력 자료의 특성상 랜덤포레스트 모델을 사용하는 것이 바람직하다.
랜덤포레스트 모델에서 사용되는 매개변수는 크게 무작위성 제어를 위한 매개변수와 복잡도 제어를 위한 매개변수로 구분된다. 무작위성 제어를 위한 매개변수로는 의사결정 나무의 개수(n_estimators)와 트리설계에 사용될 최대 특성개수(max_features)가 있으며, 복잡도 제어를 위한 매개변수로는 트리의 최대깊이(max_depth), 리프 노드의 최대개수(max_leaf_nodes) 등이 있다. 본 발명에서는 조공극률의 예측을 위해 n_estimators, max_features, max_depth를 사용한다.
도 3에 본 발명에서 수집된 입력자료를 통해 토양수분 보유곡선을 예측하는 모델을 만드는 과정을 보여준다. 이 과정은 크게 모델 학습과 모델 활용 두 부분으로 나뉜다. 먼저 모델학습릉 위해서는 압력판 추출 시험기를 통하여 매트릭 수분장력 pF0, pF1.8, pF2.7의 용적수분함량을 실측해주어야 한다. 이후 이를 통해 상기 식 (1)의 4개 파라미터 
, a, n, m를 추정하게 되면 이 파라미터들이 이후 랜덤포레스트 모델의 출력벼수가 된다.
현장조사와 GIS 기반으로 추출한 45개의 입력변수까지 준비가 되면 이를 이용하여 렌덤포레스트 모델의 최적 하이퍼파라미터를 선정해 주고 모델 학습을 진행하게 된다.
이후 학습된 모델을 활용하게 되며, 모델이 학습된 이후로는 45개의 입력변수를 입력해 주면 토양수분 보유곡선의 4개파라미터를 랜덤포레스트 모델이 예측하게 되고, 이를 통해 토양수분 보유곡선을 그릴 수 있어서 여러 pF 값에 대한 용적수분함량을 예측할 수 있게 된다.
이하 본 발명의 내용을 보다 구체적인 실시예를 참조하여 상세하게 설명하고자 한다. 다만 하기 예시된 실시예 등은 본 발명의 이해를 돕기 위해 제시되는 것일 뿐 이에 의해 본 발명의 권리범위가 한정되는 것으로 해석되어서는 아니된다.
[실시예]
1. 입력자료 및 출력자료의 준비
랜덤포레스트 모델은 도 4에서 볼 수 있듯이, 지도형 기계학습이기 때문에 모델 학습에 필요한 입력 자료와 출력 자료를 모두 사전에 준비하였다. 컴퓨터 프로그래밍 언어 Python을 이용하여 랜덤포레스트 모델을 사용할 때는 각 변수별 입·출력자료를 열 자료 형태로 준비하였다.
도 4에서는 열 자료 형태로 정리한 입력자료 형태를 보여주며, Python내에서 용이하게 불러오기 위해 csv 파일 형식으로 저장하였다. 출력 자료 역시 도 4에서 보여주는 입력 자료의 형태와 동일하다. 1행은 각 변수들을 표시한 것이며, 순서대로 모암, 임상, 토심, 위치, 가밀도 등등을 나타낸다.
2. 랜덤포레스트 모델 학습
랜덤포레스트 모델을 학습시키기 전 최적 하이퍼파라미터를 선정해주어야 한다. 도 5는 최적의 하이퍼파라미터를 찾기 위한 코드이며, 일정 범위를 지정해준 이후 난수를 형성하여 가장 설명력이 좋은 하이퍼파라미터를 찾는 래스터서칭(Raster searching) 방법을 이용하였다.
초기 파라미터에 의해서 값이 변할 수 있는 머신러닝의 특성 상 random seed를 설정해 주고 이후, 랜덤포레스트에서 가장 영향력 있는 3개의 하이퍼 파라미터(n_estimators, max_features, max_depth)를 파라미터 래스터 함수를 이용하여 최적값을 선정해 주었다. 이후, 선정된 최적 하이퍼파라미터 등을 가지고 fit 함수를 이용하여 모델을 학습시켜 랜덤포레스트 모델의 학습을 완료하였다.
3. 적용사례
2016년부터 2018년까지 총 3년간 전국 790개서에서 수집한 4,466개의 토양분석 자료를 바탕으로 토양수분함량을 추정하였다. 랜덤포레스트 모델을 이용하여 최적 하이퍼파라미터를 산정하였고, 이후 모델을 학습시켰다. 학습된 랜덤포레스트 모델을 통해 4개의 파라미터를 예측하고, 이후 식 (1)을 이용하여 pF0와 pF2.7dp 해당하는 용적수분함량을 예측하였다. pF0와 pF2.7dp 해당하는 용적수분함량의 차이는 산림의 수원함양기능을 의미하기 때문에, 이 값을 기준으로 실측값과 모델값의 차이를 비교하고 그 결과를 도 6에 나타내었다.
[실시예 1] 산림물지도 제작
1. 개요
실측자료 기반의 자료를 바탕으로 두가지 모델을 학습시켰다. 30개의 공간자료를 입력 데이터로 사용하여 토양·임상특성 예측모델을 구동한다. 결과값으로 10개의 토양·임상특성자료가 나온다. 이후 30개의 공간자료와 10개의 예측된 토양·임상특성자료를 이용하여 파라미터 예측모델을 구동한다. 결과값으로 4개의 토양수분 보유곡선의 파라미터값이 나오게 되는데 이를 바탕으로 토양수분값을 계산하여 산림물지도를 작성한다(도 7 참고).
가. 머신러닝 개요
1) 토양 및 임상특성 예측 모델
1차 입력 데이터: 30개의 공간자료(모암대분류, 임상, 토심, 토성, 모암중분류, 토양형, 표고, 경사, 방위, 유효토심, 전토심, 건습도, 석력함량, 견밀도, 집수면적, 지형지수, TPI, 곡률, 수평곡률, 수직곡률, 지형, 경사형태, 퇴적양식, 풍노출도, 암노출도, 풍화정도, 토양구조, 밀도, 경급, 영급)
1차 예측 데이터: 10개의 토양·임상특성자료(가밀도, 포화 투수계수, 모래 함량, 미사 함량, 점토 함량, 유기물 함량, 우세목 수고, 우세목 직경, 평균 직경, 임목 본수)
※ 30개의 공간자료를 통해 10개의 토양·임상특성자료를 각각 예측하기 위해서 랜덤포레스트 모델을 10개 각각 학습시킨다.(실측자료를 기반으로 모델 학습)
2) 파라미터 예측모델
2차 입력 데이터: 40개의 공간자료
2차 예측 데이터: 4개의 토양수분 보유곡선 파라미터 자료(
, a, n, m)
※ 30개의 공간자료와 10개의 토양·임상특성자료를 통해 4개의 파라미터를 예측하기 위해 랜덤포레스트 모델을 4개 각각 학습시킨다.(실측자료를 기반으로 모델 학습)
2. 산림물지도 제작 상세
가. 랜덤포레스트 모델 학습
산림물지도를 만들기 위한 랜덤포레스트 모델은 10개의 토양·임상특성을 예측하는 모델(토양·임상특성자료 예측 모델)과 식 1에서 제시된 토양수분 보유곡선 파라미터 4개(
, a, n, m)를 예측하는 모델(파라미터 예측 모델)로 총 두 가지의 모델이 있다.
1) 토양·임상특성자료 예측 모델
10개의 토양·임상특성 예측 모델을 만들기 위해서 30개의 공간자료와 10개의 토양·임상특성자료를 기반으로 총 10개의 랜덤포레스트 모델을 학습시킨다. 이때 랜덤포레스트 모델은 30개의 공간자료로 10개의 토양·임상특성자료를 한 번에 예측하는 하나의 모델을 만드는 것 보다 30개의 공간자료로 각각 1개씩의 자료를 예측하는 10개의 개별적인 모델을 학습시키는 것이 더욱 설명력을 증가시킬 수 있다.
2) 파라미터 예측모델
총 40개의 입력변수(30개의 공간자료와 10개의 토양·임상특성자료)와 4개의 토양수분 보유곡선 파라미터를 기반으로 총 4개의 랜던포레스트 모델을 학습시킨다. 이때 랜덤 포레스트 모델 학습과정은 위와 동일하다.
나. 산림물지도 제작을 위한 입력변수 생성
이전 과정에서 만든 랜덤포레스트 모델의 입력변수는 ArcGIS에서 추출된 자료와 다른 형태를 띠기 때문에 랜덤포레스트 모델의 입력변수 형태와 동일한 형태로 변환해 주는 과정이 필요하다. 이 과정은 입력자료를 생성한 후 전처리 과정을 거치는 등 두 가지의 과정을 거치게 된다.
1) 입력자료 생성
산림물지도를 만들기 위한 기본 입력파일들을 GIS를 통해 불러온다. 이때, 기본입력파일들은 30개의 공간 자료이며, GIS에서 추출된 30개의 공간자료는 변수 1개당 2차원의 행렬형태를 띠고 있다.(총 30개의 2차원 행렬=3차원 행렬)
2) 입력자료의 전처리
30개의 2차원 행렬은 전처리 과정을 거치게 된다.
① 전처리 과정은 30개의 2차원 행렬을 가.에서 수행한 입력자료의 형태와 동일하게 만드는 과정이다.
② Arc GIS에서 산림물지도를 제작하기 위한 지도범위를 벗어나는 좌표 또는 값이 존재하지 않는 지점이 -9999의 값으로 추출되는데, 자료가 있는 지점과 없는 공간을 0과 1로 구분하여서 한 개의 2차원 행렬을 만들어 준다. 이 행렬의 이름은 criterion으로 명명한다. 이때, 이 행렬에서 1은 30개의 공간자료 모두에서 값이 존재하는 경우를 의미하게 된다.
③ 이후 30개의 공간자료가 모두 같은 지점에서 -9999값을 가지지 않을 수 있기 때문에 criterion에서 0에 해당되는 지점(한 개의 공간자료에서라도 -9999값을 가지는 지점)을 일률적으로 모두 -9999값으로 변환해 준다.
④ criterion에서 1에 해당하는 지점의 좌표를 정리해주며, 30개의 2차원 공간자료는 각각 하나의 열 자료로 정리된다. 최종적으로 좌표를 표시해준 행렬의 행과 1차원 행렬로 변환된 공간자료의 행은 같은 지점을 나타낼 수 있도록 해준다.
⑤ 30개의 열 행렬을 병합시킨다. 이때 30개의 열 순서는 랜덤포레스트 모델의 입력변수 순서와 동일하게 한다.
다. 랜덤포레스트 모델 예측
입력자료의 전처리 과정을 마쳤으면, 이 자료를 통해 미리 학습시켜 두었던 두 개의 랜덤포레스트를 통해 결과값을 도출해 준다.
① 전처리 과정을 거친 입력변수는 가.에서 학습된 10개의 랜덤포레스트 모델에 사용되며 최종적으로 토양·임상특성자료를 예측하게 된다.
② 전처리 과정을 거친 입력변수와 머신러닝을 통해 예측된 토양·임상특성자료를 가.에서 학습된 입력변수의 형태와 동일한 형태로 변환한다. 변환된 자료는 40개의 변수들을 포함하고 있으며, 이는 식 (1)에서 사용되는 4개의 파라미터(
, a, n, m)를 예측하는 랜덤포레스트 모델의 입력변수로 사용된다.
③ 최종적으로 4개의 파라미터를 예측한 행렬이 만들어진다.
라. 예측결과값을 통한 산림물지도 제작(예측자료 후처리)
① 4개의 파라미터를 나타낸 2차원 행렬은 나)-④에서 만든 좌표를 통해 다시 4개의 2차원 행렬로 변환해 준다.
② 이후 토양수분 보유곡선 식을 이용하여 흡인력에 따라 변화하는 토양수분 함량을 구해준다. 토양수분 함량은 0에서 1사이의 값으로 표현되지만 GIS에서 더 수월하게 표현하기 위해서 %값으로 나타내준다.
여기서 
, 
는 토양흡인력(cm); 1cm=0.981hpa=0.0981kpa
③ 최종적으로 산출된 토양수분 지도는 산림물지도를 제작하기 위한 지도 범위를 벗어나는 좌표 또는 값이 존재하지 않는 지점은 -9999으로 나타내지고, 나머지 좌표에는 토양수분함량(%)이 나오게 된다. 최종적으로 ArcGIS에서 지도 형태로 나타내기 위해 토양수분함량 자료를 텍스트 파일로 저장해 준다.
④ 계산된 결과파일(*.CSV, *.TXT 등)을 열어 ArcGIS 인풋에 필요한 헤더를 달고 구분기호가 있다면 구분기호를 빈칸(탭 또는 스페이스)으로 바꿔준다. 이때 계산결과에 따라 GIS 아웃풋 당시 지도의 범위 외에 나타난 NoDate_value(-9999) 값이 바뀌었을 경우 헤더의 NoDate_value 항목에 바뀐 값을 입력하여 ArcGIS 인풋시 에러가 발생하지 않도록 한다.
⑤ 데이터가 준비되면 ARCGIS에서 ArcToolbox > Conversion Tools > To Raster에서 ASCⅡ to Raster 툴을 이용하여 Raster로 변경한다.
상기와 같이 본 발명에 의하면, 산림물지도를 만들기 위해 학습된 두 개의 머신러닝 모델은 결과적으로 공간자료를 통해 토양수분 보유곡선을 구성하는 4개의 파라미터를 예측하게 된다. 즉, 격자별로 4개의 파라미터들이 모두 계산되기 때문에 산림물지도의 모양은 우리가 일반적으로 보는 정적인 지도 모습이 아닌 토양수분장력에 따라 용적수분함량이 동적으로 변하는 형태를 띠게 된다. 토양수분 보유곡선을 통해 모든 토양수분장력에 따른 용적수분함량을 계산할 수 있기 때문에 이 곡선을 활용하여 수원함양기능 평가를 수행할 수 있게 된다.
본 발명의 실시예에 따른 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법은 도 8에 도시한 바와 같은 절차를 따른다.
숲가꾸기 적지 선정을 위해서는 먼저 임상도를 통해 임지를 선별해 주어야 한다. 이후 임상도에 표시되어 있는 침염수림을 선정해 준다. 침엽수림의 경우 엽면적이 활엽수나 죽림보다 넓어 증발산량과 수관차단량이 더 크기 때문에 숲가꾸기에 따른 수원함양증진 효과가 다른 임상에 비해 더 크다. 따라서 침엽수를 제외한 활엽수림이나 혼효림 및 죽림의 경우 숲가꾸기 대상지에서 제외해 준다.
침엽수림 중에서도 식재밀도가 높을수록 숲가꾸기가 필요하다. 임상도 내에서 임상의 밀도는 소, 중, 밀 3가지로 분류가 되어 있기 때문에 침엽수림 중에서 밀도가 밀인 격자를 선정해 준다. 마지막으로 숲가꾸기는 대체로 Ⅲ, Ⅳ영급의 임상을 대상으로 실시되며, 수원함양기능을 증진시키기 위해서는 Ⅰ, Ⅱ영급의 어린 나무 또는 Ⅵ 영급 이상의 노령림 보다는 Ⅲ, Ⅳ영급의 임상이 가장 적절하기 때문에 Ⅲ, Ⅳ영급의 임상을 기준으로 숲가꾸기 대상지를 선정하게 된다. 최종적으로 임상도 정보를 기준으로 침엽수림이고 밀도가 밀하며 Ⅲ, Ⅳ영급인 격자를 선정하여 각 격자별로 숲가꾸기 효과를 계산해 준다.
본 발명에서는 수원함양기능에 의한 숲가꾸기 효과를 계산하기 위해 연도별 숲가꾸기에 의한 물 저장량 변화공식을 적용한다. 이 공식은 침엽수림에 숲가꾸기를 실시한 이후 연도별로 변해가는 토양 A층(동식물 유체의 분해에 의해 생성된 부식이 많은 상부의 토층)의 조공극률 변화를 보여주며 다음과 같이 식 (4)로 표현한다.
식 (4) 
여기서 Pp는 침엽수림 시업지의 토양 A층 조공극률(%)을, Pn은 침엽수림 비시업지의 조공극률(%)을, LY는 시업 후 경과년수(yr)를 의미한다. 식 (4)는 토양 A층의 조공극률 변화를 나타내어 주며 숲가꾸기 이후 시간이 지나갈수록 조공극률이 급격히 상승하였다가 점점 완만해지는 모습을 보이게 된다. 숲가꾸기에 의한 물 저장량 변화효과를 정량화하기 위해 숲가꾸기 시업이 평균적으로 20년 간격으로 실시되는 것을 반영하여 20년간의 누적 변화량(%)을 계산하였다. 이후, 격자별 토양 A층의 두께에 누적변화량을 곱해주어 최종적으로 20년간의 누적 물 저장 변화량(mm)을 계산해 준다. 즉 식 (4)를 기반으로 계산된 20년간의 조공극률 누적 변화량은 다음 식 (5)와 같다.
식 (5) 
각 격자별로 숲가꾸기의 효과를 계산한 이후, 숲가꾸기에 대한 최적의 수원증진효과를 도출하기 위해 숲가꾸기 효과가 높은 상위 20% 지역을 선정해 준다. 상위 20%의 셀을 나타내는 격자는 숲가꾸기 적지로 선정되며 이후 위 식을 기반으로 계산된 예상 수원함양 증진효과를 통해 숲가꾸기의 효과를 분석하게 된다.
숲가꾸기 적지 선정을 위한 과정을 용담댐 유역에 적용해 보았다. 용담댐 유역의 임상도에서 침엽수 부분만 추출한 결과는 도 9a와 같다. 이후 밀도가 밀한 부분만 추출하였으며(도 9b), 최종적으로 Ⅲ, Ⅳ영급인 격자만 추출하였다(도 9c).
숲가꾸기 대상지로 선정된 격자들을 대상으로 물 저장량의 20년간 누적 변화량을 계산하였으며, 도 9d는 증가량 20%를 나타내는 격자를 표현하였다. 이때 회색으로 나타낸 부분이 숲가꾸기 대상지이며 파란색이 상위 20%인 부분을 나타낸다(도 9e).
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
Claims (11)
- 숲가꾸기 적지 선정시스템에 의해 각 단계가 수행되는 숲가꾸기 적지 선정방법에 있어서,
(a) 용적수분함량 실측정부가 특정 격자에서 채취된 토양샘플을 대상으로 적어도 2이상의 매트릭 수분장력에 따른 용적수분함량을 실측하는 단계;
(b) 최적 파라미터 추정값산출부가 상기 실측된 매트릭 수분장력과 용적수분함량을 이용하여 시뮬레이터 프로그램을 구동하여 랜덤포레스트 모델 적용을 위한 파라미터, a, n, m의 추정값을 얻는 단계;
(c) 모델학습부가 상기 파라미터, a, n, m의 추정값과 입력변수를 이용하여 랜덤포레스트 모델의 최적의 하이퍼파라미터를 산정하고 모델학습을 진행하는 단계;
(d) 최적 파라미터 예측값산출부가 학습된 랜덤포레스트 모델을 통해 하기 식 1의 파라미터, a, n, m의 예측값을 도출하는 단계; 및
(e) 용적수분함량 예측값산출부가 상기 파라미터, a, n, m의 예측값에 의해 결정된 하기 식 (1)을 이용하여 매트릭 수분장력별 용적수분함량의 예측값을 격자별로 산출하여, 산림물지도 제작부가 산림물지도를 제작하는 단계;
(f) 예비적지선정부가 상기 산림물지도 중에서 침엽수림 중 밀도가 밀하고 Ⅲ, Ⅳ영급인 격자만을 선정하는 단계;
(g) 물저장변화량산출부가 상기 단계 (f)에서 선정된 격자별로 조공극률 누적 변화량 및 이를 이용하여 토양층 두께를 반영한 물 저장 변화량을 산출하는 단계;
(h) 숲가꾸기 적지판단부가 상기 단계 (g)에서 산출된 물 저장 변화량이 일정 값 이상인 격자를 숲가꾸기 적지로 판단하는 단계; 및
(i) 지도디스플레이부가 상기 숲가꾸기 적지로 선정된 격자를 지도상에 디스플레이하는 단계;를 포함하되,
상기 단계 (f)에서 조공극률 누적 변화량은 하기 식 (5)로 얻어지는 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법.
식 (1)
상기 식에서 a, n, m은 최적 파라미터이고,는 토양흡인력,
는 포화 용적수분함량,
은 잔류 수분함량에 상응하는 매트릭 수분장력을 각각 나타낸다.
식 (5)
상기 식에서 LY는 시업 후 경과년수를 의미한다 - 삭제
- 제 1항에 있어서,
상기 단계 (b)에서 시뮬레이터 프로그램은 몬테카를로 시뮬레이션을 수행하는 프로그램인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법. - 제 1항에 있어서,
랜덤포레스트 모델의 최적의 하이퍼파라미터는 max_depth, max_features, 및 n_estimators인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법. - 제 1항에 있어서,
상기 단계 (c)의 입력변수는 현장조사 및 GIS 기반으로 추출한 입력변수인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법. - 특정 격자에서 채취된 토양샘플을 대상으로 적어도 2이상의 매트릭 수분장력에 따른 용적수분함량을 측정하는 용적수분함량 실측정부; 상기 용적수분함량 실측정부에서 실측된 매트릭 수분장력과 용적수분함량을 이용하여 시뮬레이터 프로그램을 구동하여 랜덤포레스트 모델 적용을 위한 파라미터, a, n, m의 추정값을 산출하는 최적 파라미터 추정값산출부; 상기 파라미터
, a, n, m의 추정값과 입력변수를 이용하여 랜덤포레스트 모델의 최적의 하이퍼파라미터를 산정하고 모델학습을 진행하는 모델학습부; 상기 모델학습부에서 학습된 랜덤포레스트 모델을 통해 하기 식 (1)의 파라미터
, a, n, m의 예측값을 도출하는 최적 파라미터 예측값산출부; 및 상기 파라미터
, a, n, m의 예측값에 의해 결정된 하기 식 1을 이용하여 매트릭 수분장력별 용적수분함량의 예측값을 산출하는 용적수분함량 예측값산출부;를 포함하는 산림물지도 제작부, 및
상기 산림물지도에서 침엽수림 중 밀도가 밀하고 Ⅲ, Ⅳ영급인 격자를 선정하는 예비적지선정부; 상기 예비적지선정부에서 선정된 격자별로 조공극률 누적 변화량 및 이를 이용하여 토양층 두께를 반영하여 물 저장 변화량을 산출하는 물저장변화량산출부; 상기 산출된 물 저장 변화량이 일정 값 이상인 격자를 숲가꾸기 적지로 판단하는 숲가꾸기 적지판단부; 및 숲가꾸기 적지로 선정된 격자를 표시하여 지도로써 디스플레이하는 지도디스플레이부를 포함하는 숲가꾸기 적지선정부를 포함하되,
상기 조공극률 누적 변화량은 하기 식 (5)로 얻어지는 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템.
식 (1)
상기 식에서 a, n, m은 최적 파라미터이고,는 토양흡인력,
는 포화 용적수분함량,
은 잔류 수분함량에 상응하는 매트릭 수분장력을 각각 나타낸다.
식 (5)
상기 식에서 LY는 시업 후 경과년수를 의미한다 - 삭제
- 제 6항에 있어서,
최적 파라미터 추정값산출부에서 이용하는 상기 시뮬레이터 프로그램은 몬테카를로 시뮬레이션을 수행하는 프로그램인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템. - 제 6항에 있어서,
상기 모델학습부에서 랜덤포레스트 모델의 최적의 하이퍼파라미터는 max_depth, max_features, 및 n_estimators인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템. - 제 6항에 있어서,
모델학습부에서의 입력변수는 현장조사 및 GIS 기반으로 추출한 입력변수인 것을 특징으로 하는 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정시스템. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200079664A KR102408851B1 (ko) | 2020-06-29 | 2020-06-29 | 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200079664A KR102408851B1 (ko) | 2020-06-29 | 2020-06-29 | 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220001383A KR20220001383A (ko) | 2022-01-05 |
| KR102408851B1 true KR102408851B1 (ko) | 2022-06-14 |
Family
ID=79349003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200079664A KR102408851B1 (ko) | 2020-06-29 | 2020-06-29 | 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102408851B1 (ko) |
-
2020
- 2020-06-29 KR KR1020200079664A patent/KR102408851B1/ko active IP Right Grant
Non-Patent Citations (4)
| Title |
|---|
| "Equations for the soil water characteristic curve", Canadian Geotechnical Journal 31(4)(pp. 521-532), 1994.* |
| "GIS 기반의 뿌리보강모델을 활용한 산사태 위험도 작성방법 연구", 한국지형공간정보학회논문집 13(1)(pp. 45-53), 2005.* |
| "Simulation of soil moisture on a hillslope using multiple hydrologic models in comparison to field measurements", Journal of Hydrology vol 523(pp. 342-355), 2015.* |
| "Spatial prediction of soil water retention in a Paramo landscape: Methodological insight into machine learning using random forest", Geoderma Vol 316(pp. 100-114), 2018.* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220001383A (ko) | 2022-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gutiérrez et al. | Using and comparing two nonparametric methods (CART and MARS) to model the potential distribution of gullies | |
| CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
| CN101916337B (zh) | 一种基于地理信息系统的水稻生产潜力动态预测方法 | |
| Leppä et al. | Selection cuttings as a tool to control water table level in boreal drained peatland forests | |
| JP6820625B1 (ja) | サーバ、森林データ利用システム、森林データ利用方法およびプログラム | |
| CN113868963B (zh) | 基于机器学习的仿自然生态植被构建方法、系统及设备 | |
| CN108038433A (zh) | 基于多回波机载激光扫描数据的城市树木碳含量估计方法 | |
| KR102408827B1 (ko) | 컴퓨터 프로그램을 이용한 산림물지도 제작방법 | |
| KR102408840B1 (ko) | 산림물지도를 활용한 산사태위험지도 개선을 위한 산림토양 수분포화 취약지역 탐색방법 및 시스템 | |
| Wan et al. | The effects of the human footprint and soil properties on the habitat suitability of large old trees in alpine urban and periurban areas | |
| KR102408851B1 (ko) | 산림물지도를 활용한 수원함양을 위한 숲가꾸기 적지 선정방법 및 시스템 | |
| KR102408845B1 (ko) | 산림물지도를 활용한 수원함양기능평가방법 및 시스템 | |
| KR102408836B1 (ko) | 산림물지도를 활용한 수원함양기능 우수산림 분포 확인방법 및 시스템 | |
| CN111274545B (zh) | 一种栅格尺度基于地形地貌的多模式产流计算方法 | |
| AU2021102457A4 (en) | High-resolution coupling simulation system and method for land use and forest landscape process | |
| Helliwell et al. | The present is the key to the past, but what does the future hold for the recovery of surface waters from acidification? | |
| Osipov et al. | Cartographic modeling of pipeline routes in the arctic zone of Siberia | |
| Green et al. | A critical comparison of using a probabilistic weather generator versus a change factor approach; irrigation reservoir planning under climate change | |
| LU502946B1 (en) | Real-time prediction method of groundwater seepage field in cultural site areas | |
| CN114651652B (zh) | 一种流域水源涵养林补植空间配置方法 | |
| Proctor et al. | Predicting grizzly bear food-Huckleberries-across the Columbia Basin | |
| Munsamy et al. | Modelling the effect of terrain variability in even-aged Eucalyptus species using LiDAR-derived DTM variables | |
| Rahimi et al. | Investigation and forecasting of land use changes in Shahrekord city Using LCM and GIS | |
| KR100573874B1 (ko) | Ｇｉｓ를 이용한 식물자원 수량화 방법 | |
| Fabrika | Spatial decision support system with model SIBYLA and GIS |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |