Journal of the Korean Data and Information Science Society

The Korean Data and Information Science Society (한국데이터정보과학회)
권호 표지
DOI QR코드

DOI QR Code

Hierarchical Bayesian analysis for a forest stand volume

산림재적 추정을 위한 계층적 베이지안 분석

  • Song, Se Ri (Department of Statistics, Kyungpook National University) ;
  • Park, Joowon (School of Forest Sciences and Landscape Architecture, Kyungpook National University) ;
  • Kim, Yongku (Department of Statistics, Kyungpook National University)
  • 송세리 (경북대학교 통계학과) ;
  • 박주원 (경북대학교 산림과학.조경학부) ;
  • 김용구 (경북대학교 통계학과)
  • Received : 2016.12.12
  • Accepted : 2017.01.04
  • Published : 2017.01.31
Download PDF
⟨ Previous Next ⟩

Abstract

It has gradually become important to estimate a forest stand volume utilizing LiDAR data. Recently, various statistical models including a linear regression model has been introduced to estimate a forest stand volume using LiDAR data. One of limitations of the current approaches is in that the accuracy of observed forest stand volume data, which is used as a response variable, is questionable unstable. To overcome this limitation, we consider a spatial structure for a forest stand volume. In this research, we propose a hierarchical model for applying a spatial structure to a forest stand volume. The proposed model is applied to the LiDAR data and the forest stand volume for Bonghwa, Gyeongsangbuk-do.

산림경영 계획을 위한 필요한 산림재적을 보다 효율적으로 추정하기 위해서 다양한 연구가 요구되어져 왔는데, 이러한 산림구조에 관한 연구는 주로 현장조사와 위성영상을 이용하여 이루어진다. 현장조사를 통한 연구는 비교적 정확하나 시간과 비용이 많이 들 뿐 아니라 접근의 용이성이 떨어지는 지역이 있기 때문에, 넓은 지역의 조사가 어렵다는 단점이 있다. 최근에는 항공기에서 발사된 레이저 펄스가 반사되어 돌아오는 시간을 측정하여 대상의 3차원 좌표를 얻는 LiDAR (Light Detection and Ranging) 기술을 활용하여 획득한 정밀한 수치형자료를 이용한 산림의 구조에 관한 연구가 이루어지고 있다. 일반적으로 산림재적을 추정하기 위해서 LiDAR자료를 이용한 수고자료와 산림 재적에 대한 회귀모형의 중요성이 점차 높아지는데, 국내의 경우 수목의 종류와 그 분포가 다르기 때문에 회귀모형만으로 재적을 추정하는 데 한계가 있다. 따라서 본 논문에서는 산림의 수고와 흉고직경을 측정하여 재적값을 추정하고 산림의 공간효과를 고려한 계층적 베이지안 분석을 통해 관측되지 않은 전체 산림재적에 대한 추정을 하고자 한다.

Keywords

References

  1. Arab, A., Hooten M. B. and Wikle, C. K. (2008). Hierarchical spatial models, In Encyclopedia of GIS, 425-431, Springer-Verlag, New York.
  2. Chibb. S. and Greenberg, E. (1995). Understanding the Metropolis-Hastings algorithm. The American Statistician, 49, 327-335.
  3. Gelman, A. (1996). Inference and Monitoring Convergence. In Markov Chain Monte Carlo in Practice, edited by Gilks, W.R., Richarson, S. and Spiegelhalter, D. J., Chapman and Hall, London, 131-143.
  4. Gelman, A., Carlin, B. P., Stern, H. S., Duncon, D. B., Behtari, A. and Rubin, D. B. (2013). Bayesian Data Analysis, 3rd Ed., CRC Press, Boca Raton.
  5. Herold, A. and Ulmer, U. (2001). Stand stability in the Swiss national forest inventory: Assessment technique, reproductibility and relevance. Forest Ecology and Management, 145, 29-42. https://doi.org/10.1016/S0378-1127(00)00572-7
  6. Jang, A. J., Yoo, G. Y., Kim, Y. I. and Lee, B. G. (2006). Estimation of individual tree and tree height using color aerial photograph and LiDAR data. Korean Journal of Remote Sensing, 22, 543-551. https://doi.org/10.7780/kjrs.2006.22.6.543
  7. Kwak, D. A., Lee, W. G. and Sohn, M. H. (2005). Application of LiDAR for measuring individual trees and forest stands. Journal of Korean Forest Society, 94, 431-440.
  8. Lee, J. J. and Kim, Y. (2016). A spatial analysis of Neyman-Scott rectangular pulse model. Journal of the Korean Data & Information Science Society, 27, 1119-1131. https://doi.org/10.7465/jkdi.2016.27.5.1119
  9. Maltamo, M., Eerikainen, K., Pitkanen, J., Hyyppa, J. and Vehmas, M. (2004). Estimation of timber volume and stem density based on scanning laser altimetry and expected tree size distribution functions. Remote sensing of environment, 90, 319-330. https://doi.org/10.1016/j.rse.2004.01.006
  10. Matern, B. (1986). Spatial Variation, 2nd Ed., Springer-Verlag, New York.
  11. Ryan, D. Sheridan, Sorin C. Popescu, Demetrios Gatziolis, Cristine L. S. Morgan and Nian-Wei Ku (2015). Modeling Forest Aboveground Biomass and Volume Using Airborne LiDAR Metrics and Forest Inventory and Analysis Data in the Pacific Northwest. Remote sensing, 7, 229-255.
  12. Woo, C. S., Yoon, J. S., Shin, J. I. and Lee, G. S. (2007). Automatic extraction of individual tree height in mountainous forest using airborne Lidar data. Journal of Korean Forest Society, 96, 251-258.
  13. Yoon, S. (2016). Generating high resolution of daily mean temperature using statistical model. Journal of the Korean Data & Information Science Society, 27, 1215-1224. https://doi.org/10.7465/jkdi.2016.27.5.1215
  14. Zimble, D. A., Evans, D. L., G. C., Parker, R. C., Grado, S. C. and Gerard, P. D. (2003). Characterizing vertical forest structure using small-footprint airborne LiDAR. Remote Sensing of Environment, 87, 171-182. https://doi.org/10.1016/S0034-4257(03)00139-1