Classification of Forest Vertical Structure Using Machine Learning Analysis

머신러닝 기법을 이용한 산림의 층위구조 분류

Abstract

All vegetation colonies have layered structure. This layer is called 'forest vertical structure.' Nowadays it is considered as an important indicator to estimate forest's vital condition, diversity and environmental effect of forest. So forest vertical structure should be surveyed. However, vertical structure is a kind of inner structure, so forest surveys are generally conducted through field surveys, a traditional forest inventory method which costs plenty of time and budget. Therefore, in this study, we propose a useful method to classify the vertical structure of forests using remote sensing aerial photographs and machine learning capable of mass data mining in order to reduce time and budget for forest vertical structure investigation. We classified it as SVM (Support Vector Machine) using RGB airborne photos and LiDAR (Light Detection and Ranging) DSM (Digital Surface Model) DTM (Digital Terrain Model). Accuracy based on pixel count is 66.22% when compared to field survey results. It is concluded that classification accuracy of layer classification is relatively high for single-layer and multi-layer classification, but it was concluded that it is difficult in multi-layer classification. The results of this study are expected to further develop the field of machine learning research on vegetation structure by collecting various vegetation data and image data in the future.

모든 식생 군락은 각자 층위구조를 가지고 있다. 이를 '식생층위구조'라 부른다. 요즈음은 이 층위구조가 산림의 활력도, 다양성, 그리고 환경영향을 평가하는데 중요한 식별자로 작용하기 때문에 산림조사에 있어서 식생층위구조는 필수적으로 조사되어야한다. 그런데, 식생층위구조는 일종의 내부구조이므로 일반적으로 산림조사는 현장조사를 통해 이루어지는데, 이는 전통적인 방식으로 시간과 예산이 많이 든다. 따라서 본 연구에서는 산림의 층위구조를 조사하는데 드는 시간과 예산을 줄이기 위해 넓은 지역 탐사에 효과적인 원격탐사기법 중 항공촬영 사진과 대량의 데이터 마이닝(Data Mining)이 가능한 머신러닝(Machine Learning)기법 이용한 층위구조의 분류 방법을 제시한다. 칼라 항공사진, LiDAR(Light Detection and Ranging) DSM(Digital Surface Model)과 DTM(Digital Terrain Model)을 이용하여 Support Vector Machine(SVM) 머신러닝 기법을 이용하여 층위분류 연구를 진행하였다. 현장조사 자료를 참조하여 SVM기법 분류 결과와 비교했을 때 픽셀수에 기반한 정확도는 66.22%로 확인 되었다. 층위 분류 정확도는 단층과 다층의 구분은 비교적 높게 나타났으나, 다층끼리의 분류는 어렵다는 결론이 나타났다. 이러한 연구결과는 향후 다양한 식생데이터와 영상자료를 수집한다면 식생구조에 대한 머신러닝 연구분야에 더욱 발전이 가능할 것으로 기대된다.

1. 서론

산림은 인간의 삶에 있어서 중요한 요소 중 하나로, 산림조사는 예로부터 시대의 흐름에 따라 여러 목적에 의해 조사되어왔다. 우리나라의 경우 산림조사가 처음행해지던 1970년대는 산림녹화와 산림통계 정비를 목적으로 했었다. 이후 시간이 흐르며 산림의 자원으로서의 가치와 산림이 환경문제에 끼치는 것에 대한 관심이 높아지고 있다. 이에 건전한 산림생태계를 유지하고, 지구환경을 보전 및 보호하며 지속가능한 발전을 위한 목적의 형태로 변화되고 있다(Kim et al., 2011; Kim et al., 2015; Park and Kang, 2015). 

층위구조는 산림의 활력도와 다양성을 대표하는 주요한 요소로 일반적으로 자연적으로 발생된 산림은 4층 구조를 지니고 있다. 온대지방에서는 교목(canopy),아교목(understory), 관목(shrub), 초본(grass) 네 층위로 산림의 층위를 구분한다. 교목이 존재하는 층위는 수관부(crown layer)라고도 한다. 수관부 아래로 하부 식생이 존재하는 것은 토양의 상태, 수종, 수관의 개폐율에 의해 하부 식생이 햇빛을 받아 성장할 수 있는 가에 의해 결정된다(Kang, 2000; Morsdof et al., 2010; Lee, 2011).

인위적으로 식재된 인공림의 경우 일반적으로 자연림에 비해 낮은 층위를 가지는있다. 이는 자연림이 오랜 시간 동안 자연천이를 거쳐 많은 식생이 군락을 이루었고 이에 비해 인공림은 주로 목재생산이나 과수농업 등의 목적을 가지고 계획되어 부가적으로 자라는 개체를 제한하기 때문이다. 생태학적 관점에서 층위구조가 다양한 자연림의 경우 산림 활력도가 높아 병충해에강하고 환경스트레스에 강하며 야생동물의 서식처 제공 등 생태계 서비스의 질이 높지만 단층림인 인공림의 경우는 그렇지 않다(Onaindia et al., 2004; Graf et al., 2009; Jeon et al., 2013).

이러한 산림의 평가에 있어 산림의 층위구조는 유용한 척도가 된다. 일반적으로 산림조사는 현장조사를 통해 이루어지고 있다. 현재 우리나라 산림청에서는 산림을 조사하여 임상도를 제작할 때 항공영상을 이용하지만 본 방법으로는 하부구조의 파악이 어렵기 때문에 현장조사가 불가피하게 이루어진다.

우리나라는 70%가 산지로 이루어진 나라로 현장조사에는 사람의 접근이 어려운 산지 특성상 시간과 예산이 많이 들게 된다. 따라서 본 연구에서는 원격탐사 기법과 머신러닝(Machine Learning)기법을 이용하여 층위 구조를 추정하고 분류하는 방법을 고안하였다. 층위구조가 다양할수록 수관부가 열려있으며 주변 개체목과의 높낮이 차가 있다. 이러한 생태적 특징과 함께 영상학적으로 군락을 이루는 개체목들 사이의 높이가 서로 달라 이로 인한 영상 질감이 거칠다는 특징과 군락을 대표하는 우점종(dominant species)에 따른 군락의 반사도의 차이가 존재한다. 또한 단층구조 산림의 경우 수관의 배열이 고르고, 다층구조의 경우 고르지 않다는 것을 고려하였다(Hay et al., 1996; Kwon et al., 2017).

Hay et al.(1996)은 항공영상과 산림의 거칠기(texture)를 이용해 산림의 밀도를 분류하였다. 수종간 반사도 차이 와 개체목의 높낮이, 배열 등에 의한 광학적 정보를 얻기 위해 Sentinel-2 위성영상을 사용하여 연구하였다.

Kang et al.(2000)은인공신경망(ArtificialNeuralNetwork) 기법을 통해 정확도가 높은 식생도 작성이 가능하다고 제시하였다. 산림의 조사와 광범위한 지역의 탐사에 효율적인 원격탐사 자료를 분석하는데 인공신경망은 효율적인 방법이라고 제시하였다(Lee, 2018).

수종에 의한 반사도 차이 및 개체목의 높낮이와 배열 등에 의한 광학적 정보를 얻기 위해 12 cm급의 칼라 항공 정사영상을 사용하다. 수목의 높이는 층위구조와 깊은 관련이 있기 때문에 수목 높이를 측정하기 위해 널리 사용되는 LiDAR(Light Detection and Ranging) 데이터를 사용하였다(Zimble et al., 2003; Sun et al., 2008; Morsdorf et al., 2010; Mund et al., 2015). 포인트 클라우드(point cloud)형태의 라이다 데이터로부터 추출한 5 m GSD(Ground Sample Distance)의 DSM(Digital Surface Model)과 DTM (Digital Terrain Model)을 통해 수목의 높이를 추정하고, 추정한 높이로부터 데이터의 질감을 파악한다. 즉, 본 연구에서는 칼라 정사영상과 LiDAR 영상으로부터 식생층위구조의 분석을 위한 데이터를 생성하여 이를 입력레이어(input layer)로 기계학습의 일종인 SVM(Support Vector Machine; SVM)에 적용하여 연구지역에 대한 산림의 층위구조를 분류 연구를 수행할 것이다. 인공신경망이 아닌 선형 분류에 많이 사용되는 SVM기법을 이용하여 비선형 분류인 산림층위구조의 분류 확률을 평가하고자 하였다.

본 연구에서는 층위구조를 세 단계로 분류하였는데, 초본층을 제외하고 교목층, 아교목층, 관목층을 모두 포함하는 다층구조인 산림을 3층 구조로, 이 중 교목층과 관목층을 가지는 산림을 2층 구조로, 교목층만을 가지는 단층구조의 산림을 1층 구조로 정했다.

2. 연구 지역 및 사용 데이터

본 연구의 연구지역은 우리나라의 공주 중학동-옥룡동 부근으로, 공주지역은 북쪽에는 차령산맥이, 남동쪽엔 계룡산이 분포해있고, 중부는 금강을 중심으로 크고 작은 지류천이 합류한다. 해당 연구지역은 금강을 기준으로 남쪽에 있는 연구지역으로 최고 해발고도 약 300m정도의 산지를 포함한다. Fig. 1은 연구지역이며 좌측 한반도에서 붉은 색으로 표시된 영역이 공주지역에 해당한다. 우측 정사영상은 본 연구에서 사용한 칼라 정사영상이다. 본 연구에서는 세 장의 영상 데이터을 활용하였는데 첫 번째로 2015년 10월 DMCII로 촬영된 12cm급 해상도의 칼라 정사영상과 2015년 10월 LiDAR 센서 ALTM Gemini167로 촬영된 LiDAR 포인트 클라우드 영상으로부터 추출한 5 m GSD의 DTM과 DSM이다. 현장조사 자료로는 국립생태원에서 조사된 제 3차 전국자연환경조사 중 공주지역의 현존식생도를 사용했으며, 이 중 층위구조를 학습 및 검증자료로 이용하였으며 분석에 있어서 인공림/자연림, 주요수종 등을 참고로 하였다. 본 연구 지역에 대한 현장 조사는 2009년 이루어졌다.

Fig. 1. Study Area: Junghak-Oryong, Gongju, Korea (orthophoto).

연구에 앞서 현장조사 데이터와 영상 데이터를 분석하여 연구 지역에 대한 정보를 얻었다. 본 연구지역은 현장조사 자료에 의하면 활엽수와 침엽수가 각각 인공림 자연림으로 다양하게 분포하는 지역이다. Fig. 2는 본 연구 지역에 분포하는 식생에 대한 현존식생도로부터 얻은 층위구조 교목층의 주요 수종 활엽수림/침엽수림 인공림/자연림에 대한 그림이다. 본 지역에서 확인되는 1층 구조의 산림은 대부분 밤나무 인공림이며, 2층 구조의 산림은 주요수종으로 굴참나무를 가지는 자연림, 참나무 활엽수 혼요림, 리기다소나무 인공림이 존재한다. 3층 구조 산림의 경우 상수리나무 자연림, 소나무-리기다소나무 인공림, 굴참나무-상수리나무 자연림이 분포한다. Fig. 3은 입력데이터로 사용된 5 m 공간해상도를가지는 LiDAR DSM(a)와 LiDAR DTM(b)이다. 본 연구에서는 DSM과 DTM을 이용하여 교목층의 높이를 추정한다. DSM은 객체의 표면 높이 정보를 포함하는 래스터 데이터로, 산림 지역 DSM의 경우 교목층의 높이를 나타낸다. DTM은 지형정보를 나타내는 래스터 데이터로 DSM 값에서 DTM 값을 제하면 객체의 높이, 해당 연구지역에서는 수목의 높이를 추정할 수 있다.

Fig. 2. Forest classification maps of the study area produced from the field survey. (a) Forest vertical structure; (b) dominant species; (c) dominant species’ leaf type; (d) natural and artificial forests.

Fig. 3. LiDAR input data (a) LiDAR DSM (b) LiDAR DTM.

3. 연구 방법

Fig. 4는 본 연구의 전체적인 흐름을 나타낸다. 본 연구는 층위구조가 가지는 두 가지 특징을 고려하여 이를 포함하는 데이터를 생성해 SVM 기법을 이용하여 식생층위구조 지도를 제작하였다. 1) 식생의 층위구조가 수고와 긴밀한 관련이 있다는 특징을 고려하여 교목층의 높이(Canopy height map)를 구했다. 연구에 따르면 LiDAR 센서는 수목의 높이를 측정하는데 탁월한 성능을 보인다(Zimble et al., 2003; Sun et al., 2008; Mund et al., 2015; Morsdorf et al., 2010; Kwak et al., 2007).

Fig. 4. Flow chart of this study.

본 연구의 첫 단계는 두 종류의 LiDAR 데이터(LiDAR DTM과 DSM)를 이용하여 높이에 관한 정보를 추출하는 것이다. DSM은 지상에 있는 객체의 높이를 나타내고 DTM은 지표의 높이를 의미한다. 따라서 DSM에서 DTM을 제한다면 영상에 존재하는 객체의 높이를 쉽게 알 수 있으며, 현존식생도를 이용하여 수목지역의 높이차를 추출하면 산림의 교목층 높이를 파악할 수 있다.

이 과정으로부터 얻은 ‘높이 데이터’로부터 두 개의 데이터를 생성했다. 하나는 군락의 교목이 가지는 평균적인 높이를 가늠하기 위해 제작한 ‘높이 데이터의 평균(Canopy height_mean map)’이다. 또 하나의 데이터는 인접한 개체목끼리의 높이가 다양한 것을 나타내는 ‘높이 데이터의 표준편차(Canopy height_std map)’이다. 산림의 층위구조가 다양하다는 것은 한 군락 내의 인접한 목본사이의 높이에 있어 그 차이가 존재하다는 것을 의미하므로 높이의 차를 시각적으로 보기 위해 높이데이터의 표준편차를 구했다. 즉 데이터에서 표준편차가 클수록 군락의 수목 높이에 차이가 크다는 것을 의미하고, 이는 식생의 층위구조가 다양할 가능성이 있다고 할 수 있다. 두 데이터는 행렬 각 5픽셀을 가지는 이동 윈도우 기법(moving window)으로 제작되었다.

2) 다음으로 제작한 데이터는 질감(texture) 데이터이다. 칼라 영상에서는 그림자의 분포에 의해 영상의 질감이 결정되는데, 수령과 수종이 일정한 단층구조의 인공림의 경우 목본들 사이에 그림자가 일정하여 질감이 부드러우며, 수령과 수종이 다양한 다층구조 자연림의 경우 질감이 거칠다. 따라서 이 특징을 이용하여 칼라영상의 표준편차 영상(Texture_std map)을 제작한다. 이때 칼라 영상은 그림자를 잘 파악하기 위해 흑백 영상(panchromatic image)으로 변환하여 사용하였다. 변환 수식은 아래의 수식을 이용하였다.

\(P=0.2989 \times R+0.5870 \times G+0.1140 \times B\)        (1)

위 과정으로부터 제작한 세 개의 데이터(Canopy height_mean map, Canopy height_std map, Texture_std map)는 식생층위구조와 상관관계를 가지는 데이터로 가정하고, 이를 머신러닝의 입력자료로 이용하여 산림의 층위구조를 추정한다. 여기서 사용된 머신러닝 기법은 SVM이다. SVM은 1995년 Vapnik에 의해 처음 제안된 학습이론으로, 기존의 통계적 이론에서 이용되던 경험적 위험 최소화 원칙(Empirical risk minimization)이 아닌 구조적 위험 최소화 원칙 (Structural risk minimizaion) 을 이용하여 일반화 오류를 줄이는 방법이다.

SVM은 학습 데이터가 벡터 공간상에 위치한다고 여기는데, 선형분리가 가능한 경우와 선형분류가 불가능한 경우로 데이터를 나눈다. 실생활의 데이터는 선형으로 분류가 어려운 경우가 압도적으로 많으며, 본 연구의 데이터도 마찬가지로 선형의 함수로 분류가 불가능하다. 따라서 본 연구에서 SVM은 커널함수(kernel function)에 의해 만들어지는 비선형 결정함수를 이용하여 데이터를 최적의 초평면을 결정하여 비선형의 데이터를 분류되게 한다(Vapnik and Vapnik, 1998; Huang et al., 2008).

따라서 위의 세 데이터를 SVM에 대한 입력 레이어로하여 층위구조 분류를 수행한다. Fig. 5는 각 층위구조 별로 설정된 트레이닝 셋의 범위이다. 각 층위 중 3층의 영역이 넓어서 1층과 2층을 오분류할 가능성을 저하 시키고자 샘플을 취득하여 트레이닝에 이용하였다. 실측자료상에서 1~3층 구조에서 각각 대표적인 세 군락을 선정하였으며 각 층위구조 별로 300개의 픽셀을 무작위로 골라 트레이닝 셋으로 지정하였다. Fig. 6은 Fig. 5의 (a)~(i)에 대한 12 cm급 해상도의 항공사진 원영상으로 (a)~(c)는 1층 구조의 밤나무 인공림을, (d)는 2층 구조 리기다소나무 인공림을, (e)는 2층 구조 참나무 활엽수 혼효림(자연림)을, (f)는 2층 구조 굴참나무 자연림을, (g)는 3층 구조 인공 소나무-리기다 소나무림을, (h)는 3층구조 상수리나무 자연림을, 마지막으로 (i）는 3층 구조 굴참나무-상수리나무 자연림을 각각 나타낸다. Fig. 5의 흰색 박스에 대한 모든 픽셀을 SVM 기법의 트레이닝 데이터로 이용 하였으며, SVM은 트레이닝 셋으로 선정된 픽셀의 각 입력 자료별 특징을 학습하여 전체 영상에 대해 스스로 분류한 후 결과를 도출 하였다.

Fig. 5. (a)~(c) : Training set boundary for single-layered forest; (d)~(f) : Training set boundary for double-layered forest; (g)~(i) : Training set boundary for triple-layered forest.

Fig. 6. 12 cm GSD original orthophoto image of (a)~(i) of Fig. 5.

4. 연구 결과

Fig. 7의 (a), (b), (c)는 Fig. 4의 연구 흐름도의 첫 번째 단계에서 제작한 높이 데이터를 의미한다. (a)는 LiDAR DSM에서 DTM을 뺀 높이데이터 Canopy Height Map, (b)는 높이 데이터를 이동 윈도우 기법으로 평균을 낸 Canopy height_mean map이며, (c)는 높이 데이터를 이동 윈도우 기법으로 표준편차를 낸 Canopy height_std map이다. (a)의 경우 색상이 붉을수록 DSM과 DTM의 값차이가 많이 나는 부분이며, 수목지역 및 건물이 가장 높은 곳은 약 65 m이다. (b)의 경우 마찬가지로 색상이 붉을수록 높이가 높은 곳이며, (c)의 경우 색상이 붉을 부분일수록 높이 값의 간극이 큰 곳이다. Fig. 7의 (a)~(c)의 붉은 상자는 본 연구지역 내 고층 건물이다.

Fig. 7. ANN Input data related with tree height. (a) difference map (Canopy height); (b) mean of difference map (Canopy height mean); (c) standard deviation of difference map (Canopy height std).

Fig. 8은 Fig. 4의 연구흐름도의 두 번째 부분에서 제작한 데이터로, (a)는 칼라 항공정사영상으로부터 변환식을 거친 흑백 영상을, (b)는 이 흑백 영상으로부터 그림자로부터 생성된 영상의 질감을 확인하기 위해 제작한 질감 영상(Texture std map)이다.

Fig. 8. Input data related with forest texture. (a) panchromatic map from RGB map (Panchromatic image); (b) standard deviation map of panchromatic map (Texture std map).

Fig. 7의 (b), (c)와 Fig. 8의 (b)를 입력 데이터(input data/input layer)로서 SVM에 적용하였다. 이 때 사용한 프로그램은 Matlab이며, Matlab에서 제공하는 기본 SVM 함수를 사용하였다. Fig. 5에서 입력한 샘플 픽셀을 학습자료로 사용하여 결과를 도출하였다. 정밀도를 향상시키기 위해 같은 과정을 10번 반복하였다. 아래 Fig. 9(a)는 10번 반복한 과정을 평균을 내어 산출한 결과 및 정확도이다. 정확도 검증은 현지조사 자료의 각 층위 영역에 맞게 분류될 확률을 오차행렬(Error Matrix)로 나타내었다.

 

Fig. 9. (a) final classification map of forest vertical structure using the SVM; (b) Field survey classification map of forest vertical structure.

Fig. 9의 (a)와 (b)를 비교하면 대체적으로 유사한 패턴 을 가지는 것으로 보인다. 총 픽셀 수는 270,144(576*469 row*col)이고, 비수목을 제외한 픽셀 수는 178,374이다. 전체 픽셀에 대한 정확도(overall accuracy)는 66.22%이다. Table 1의 현장조사 결과와 SVM을 이용한 층위구조 분류 결과의 비교 및 검증 표를 보면 굵게 표현된 숫자는 실측구조와 SVM을 이용한 층위구조의 분석이 일치하는 부분이다.

Table 1. Validation of forest vertical structure classified by using the SVM approach (unit: pixel)

이를 정확도로 따져 보면, 1층 구조의 경우 65.97%의 생산자 정확도(producer accuracy)를 보이고, 3층 구조의 경우 70.67%의 생산자 정확도를 보이나, 2층 구조의 경우 14%로 낮은 생산자 정확도를 보이는 것을 알 수 있다. 또한 사용자 정확도(user accuracy)의 경우 1층 구조는 58.46%, 2층 구조는 5.73%, 3층 구조는 84.01%의 정확도를 나타냈다.

오분류가 발생한 부분에 대해 그 원인을 찾기 위해 Fig. 2의 현존식생도 및 12 cm급 칼라 원영상을 비교 분석하였다. 먼저 3층 구조가 2층 구조로 잘못 분류된 경우는 영상 좌하단 대각선으로 뻗은 부분과 그 주변부가 있다. 이는 현존식생도에서 확인하면 소나무-리기다 소나무림과 소나무림으로 확인된다. 이는 Fig. 6의 (d)와 (g)에서 확인할 수 있는데 이 두 지역은 리기다소나무림이지만 각각 2층 구조와 3층 구조로 같은 수종과 비슷한 수고를 가졌기 때문에 오분류된 것으로 보인다. 두번째로 본 연구에서 2층 구조가 대부분 3층 구조로 분류된 것을 확인할 수 있다. 본 연구지역의 2층 구조 산림과 3층 구조 산림의 차이는 수고 약 4~6 m의 아목층의존재 유무인데 이는 대부분 10 m이상인 본 지역의 교목층의 수관에 의해 하부식생구조가 가려 육안판독이 어렵다. 이는 SVM기법을 통해 산림의 층위 구조에 대한 분석은 단층과 다층의 분류 확률은 상대적으로 높게 나타나며, 2층과 3층의 다층 구조들의 분류결과는 같은 패턴으로 분류 될 가능성이 높아져 분류확률이 저하됨을 알 수 있었다. 따라서 2층 구조와 3층 구조 산림을 추정하여 분류하기 위해서는 높이와 질감정보 이외에 다른 지표가 추가로 필요할 것으로 예측할 수 있었다.

5. 결론

원격탐사는 넓은 지역을 조사하는데 탁월하다. 한 편 머신러닝은 광범위한 데이터를 분류하고 분석하는데 탁월한 성능을 보이기 때문에 원격탐사 영상과 머신러닝의 결합은 상당히 유용하다고 할 수 있다. 한편 산림분야에 있어서는 아직까지 머신러닝을 이용한 연구 사례가 많지 않았다. 머신러닝에 있어서 가장 중요한 부분은 입력 데이터의 제작과 학습 데이터 샘플링인데, 주로 산림관련 주제도 제작에 사용되는 항공영상이나 위성영상은 산림의 표면 정보만을 나타내기 때문에 산림의 내부적인 구조에 있어서는 운용이 어렵기 때문이다. 식생 층위구조는 일반적으로 육안관측을 하지만 이를 넓은 지역에 대해 적용하기는 시간과 인력이 많이 필요하기 때문에 본 연구에서는 항공영상을 이용하여 식생층위구조를 분석하는 방법을 고안하였다.

본 연구에서는 칼라 항공영상으로부터 하나의 데이터를 제작하고, LiDAR DSM과 DTM으로부터 두 개의 입력 데이터를 제작하였다. 이는 1) 개체목이 만드는 그림자에 의한 영상 질감, 2) 수고의 차이, 3) 수고의 차이로 인한 영상 질감이다. 이 세 입력 데이터를 SVM에 적용하였고 그 결과 2층 구조는 대부분 3층 구조로 분류되는 등 오분류가 발생했지만 1층 구조와 3층 구조는 비교적 정확한 분류 결과를 보였다. 이는 2층 구조인 산림이 1층 구조에서 발달하거나 3층 구조와 유사한 특징을 가지고 있어 명확한 분류가 어려운 것으로 판단되었다.

산림의 층위구조는 교목층의 수종에 큰 영향을 받는데, 침엽수와 활엽수는 분광대역 별 반사도에 있어 큰 차이를 보이고 또 활엽수 사이에서도 수종 별로 반사도에 차이가 있기 때문에 이를 활용한다면 더욱 상관관계가 높은 데이터를 제작할 수 있을 것이다. 본 연구에서 아쉬운 점은 광학영상의 다양한 분광정보를 활용하지 못했다는 점과 다양한 머신러닝기법을 활용한 비교 분석이다. 향후 연구에서 식생이 민감하게 반응하는 NIR밴드를 추가적으로 활용한다면 더욱 좋은 연구가 될 것 예측된다. 또한 산림의 영상에서 나타나는 특징뿐만 아니라 토양이나 일조량 등 환경적인 요소를 입력 데이터로 제작한다면 더욱 상관관계가 높은 결과를 얻을 수 있을 것으로 기대한다.