DOI QR코드

DOI QR Code

Detection of Decay Leaf Using High-Resolution Satellite Data

고해상도 위성자료를 활용한 마른 잎 탐지

  • Sim, Suyoung (Master Student, Major of Spatial Information Engineering, Division of Earth Environmental Science, Pukyong National University) ;
  • Jin, Donghyun (PhD Candidate, Major of Spatial Information Engineering, Division of Earth Environmental Science, Pukyong National University) ;
  • Seong, Noh-hun (PhD Student, Major of Spatial Information Engineering, Division of Earth Environmental Science, Pukyong National University) ;
  • Lee, Kyeong-sang (PhD Candidate, Major of Spatial Information Engineering, Division of Earth Environmental Science, Pukyong National University) ;
  • Seo, Minji (PhD Candidate, Major of Spatial Information Engineering, Division of Earth Environmental Science, Pukyong National University) ;
  • Choi, Sungwon (PhD Candidate, Major of Spatial Information Engineering, Division of Earth Environmental Science, Pukyong National University) ;
  • Jung, Daeseong (Master Student, Major of Spatial Information Engineering, Division of Earth Environmental Science, Pukyong National University) ;
  • Han, Kyung-soo (Professor, Major of Spatial Information Engineering, Division of Earth Environmental Science, Pukyong National University)
  • 심수영 (부경대학교 지구환경시스템과학부 공간정보시스템공학과 석사과정생) ;
  • 진동현 (부경대학교 지구환경시스템과학부 공간정보시스템공학과 박사수료생) ;
  • 성노훈 (부경대학교 지구환경시스템과학부 공간정보시스템공학과 박사과정생) ;
  • 이경상 (부경대학교 지구환경시스템과학부 공간정보시스템공학과 박사수료생) ;
  • 서민지 (부경대학교 지구환경시스템과학부 공간정보시스템공학과 박사수료생) ;
  • 최성원 (부경대학교 지구환경시스템과학부 공간정보시스템공학과 박사수료생) ;
  • 정대성 (부경대학교 지구환경시스템과학부 공간정보시스템공학과 석사과정생) ;
  • 한경수 (부경대학교 지구환경시스템과학부 공간정보시스템공학과 정교수)
  • Received : 2020.04.21
  • Accepted : 2020.05.19
  • Published : 2020.06.30

Abstract

Recently, many studies have been conducted on the changing phenology on the Korean Peninsula due to global warming. However, because of the geographical characteristics, research on plant season in autumn, which is difficult to measure compared to spring season, is insufficient. In this study, all leaves that maple and fallen leaves were defined as 'Decay leaves' and decay leaf detection was performed based on the Landsat-8 satellite image. The first threshold value of decay leaves was calculated by using NDVI and the secondary threshold value of decay leaves was calculated using by NDWI and the difference of spectral characteristics with green leaves. POD, FAR values were used to verify accuracy of the dry leaf detection algorithm in this study, and the results showed high accuracy with POD of 98.619 and FAR of 1.203.

최근 지구 온난화의 영향으로 변화하는 한반도 식물계절에 대한 연구가 많이 이루어지고 있다. 그러나 지리적인 특성상 봄철 식물계절에 비해 실측이 어려운 가을철 식물계절의 연구는 미비한 실정이다. 이에 본 연구에서는 대표적인 가을철 식물계절인 단풍과 낙엽 등을 '마른 잎'으로 정의하고 Landsat-8 위성영상을 기반으로 마른 잎 탐지를 수행하였다. NDVI를 이용하여 마른 잎의 1차 경계 값을 산출하고, 건강한 잎과의 분광특성 차이 및 NDWI를 이용하여 마른 잎의 2차 경계 값을 산출하였다. 본 연구의 마른 잎 탐지 알고리즘의 정확도 검증을 위해 POD, FAR 값을 이용하였으며, 검증 결과 POD는 98.619, FAR은 1.203으로 높은 정확성을 보였다.

Keywords

1. 서론

식물계절이란 기후나 기상조건에 의한 계절적 변화에 따라 개화, 개엽, 낙엽, 단풍 등의 시작과 끝과 같은 생물학적 변화를 의미한다. 식물계절의 변화는 기온변화에 굉장히 민감하며(Shin et al., 2012; Vitasse et al., 2009; Delpierre et al., 2009), 장기간 식물계절 변화의 관측은 기후변화를 모니터링 하는데 핵심적인 지표로 활용할 수있다(Ulsig et al., 2017). Park et al.(2006)에 의하면 한반도와 같이 사계절이 뚜렷하여 그에 따른 동·식물의 생태가 확연하게 차이 나는 지역에서의 식물계절 변화는 지구온난화의 영향을 검출하는데 유용하여 기온변화를 추적하는데 중요한 역할을 수행할 수 있다.

최근 지구 온난화의 영향으로 기온과 강수량이 증가함에 따라 한반도의 봄철 식물계절 시기는 앞당겨지고 가을철 식물 계절의 시기는 늦어지고 있다(Jin et al., 2017). 앞당겨진 봄철 식물계절과 지연된 가을철 식물계절은 연간 식생의 생육 기간을 증가시켜 생태계 탄소순환에도 영향을 미친다. 광합성을 통한 식생–대기의 탄소순환에서 변화된 이산화탄소 농도는 대기 복사강제력의 변화를 초래한다(Lee et al., 2019).

식물계절과 기후 변화의 연관성이 입증됨에 따라 다양한 분야에서 식물계절의 시기 변동에 관한 연구를 수행하고있다. 선행연구들을 살펴보면 봄철식물계절연구는 활발히 수행되고 있으나(Yun, 2006; Estrella and Menzel, 2006; Körner and Basler, 2010; Lee et al., 2009), 산의 정상부터 시작하는 가을철 식물계절 연구는 지리적특성상 실측이 어려워 제한적으로 관측되었다(Jeong et al., 2014; Kim et al., 2013; Choi et al., 2016; Lee et al., 2018).한반도 가을철 식물계절 변화 연구는 대표적 가을철식물계절인 단풍의 개화 및 절정일 자료를 이용하여 진행되고 있다. 단풍의 관측자료는 현재 기상청(KMA, Korea Meteorological Administration)에서 21개지점의단풍 관측자료를 제공하고 있으며, 관측소 기준 산의 20%이상 물들었을 때를 단풍 개화일, 80% 물들었을 때를 절정일로 정의하고 있다(KMA, 2016). 이는 관측소가 존재하는 지역에 한해서 자료를 취득할 수 있으며, 실제단풍의 시작일은 지점별 관측 표준목의 시작일과 상이하다는 한계가 존재한다. 따라서 이를 판단하는 정확한 기준을 정의하기 위해서는 지점 자료 이외에 넓은 지역을 지속적으로 모니터링 할 수있는 방법이 필요한 실상이다. 이러한 문제점을 극복하기 위해 최근 고해상도위성영상을 활용하여 이전보다 광범위하고 실측이 어려운 산악지역에서도 식물계절에 대한 연구들(Zeng et al., 2011; Donnelly et al., 2018)이 진행되어 왔다. 하지만 여전히 인공위성 영상을 활용한 식물계절 변화 연구는 현장 자료의 한계점으로 인해 미흡한 실정이다(Lee et al., 2018). 따라서 본 연구에서는 이전 연구들의 취약점을 보완하기 위해 고해상도 위성영상을 기반으로 대표적 가을철 식물계절인 단풍과 낙엽 등을 ‘마른 잎’으로 정의 및 구분하였으며, 구분 결과에 대한 정확도 평가를 수행하였다.

2. 연구 자료 및 범위

1) 연구영역

본 연구의 시간적 범위는 2013년 10월부터 2018년 10월까지로 설정하였다. 공간적범위는 Fig. 1과같이 한반도 내에서 단풍으로 유명한 지리산(35.2°N~35.475°N, 127.45°E~127.85°E), 속리산(36.65°N~36.775°N, 127.85 °E~128.075°E), 오대산(37.65°N~37.85°N, 128.375°E~128.725°E)으로 지정하였다. 사용된 자료는 전체 영상에서 구름이 40% 이하인 자료만 수집하였으며 총 11개로 Table 1과 같다.

OGCSBN_2020_v36n3_401_f0001.png 이미지

Fig. 1.  Study of area; (a) Jirisan, (b)Songnisan, (c) Odaesan.

Table 1.  Data used in this study

OGCSBN_2020_v36n3_401_t0001.png 이미지

2) 연구자료

본 연구에서는 효과적인 마른 잎 탐지 수행을 위해USGS(United States Geological Survey)에서 제공하는Landsat-8 OLI(Operational Land Imager) 자료를 사용하였다. Landsat-8의 공간해상도는 30 m이며 시간해상도는 16일이다. Landsat-8 위성은 2013년 2월에 발사되었으며 가시광선부터 단파 적외선까지의 파장 영상을 제공하는 OLI센서와 열 적외선 파장 영상을 제공하는 TIRS(Thermal Infrared Sensor)센서로 구성되어 있으며 채널 및 파장은 Table 2와 같다. 본 연구에서 사용된 자료는 Level-2 Surface Reflectance이며 대기보정이 수행된 자료로 추가적인 전처리는 수행하지 않았다. 채널자료는 Band 2부터 Band 7까지의 자료를 사용하였다.

Table 2.  Channels information of Landsat-8/OLI

OGCSBN_2020_v36n3_401_t0002.png 이미지

Landsat-8 자료는 채널 별 반사도 자료와 함께 각 픽셀의 품질을 확인할 수 있는 QA(Quality Assessment) 자료를 함께 제공하고 있다. QA 자료는 각 Bit별로 픽셀의 유용성에 영향을 미칠 수 있는 표면, 대기 및 센서 조건이 0과 1의 2진수 조합으로 이루어지며 이를 10진수로 표현한다. Landsat-8의 QA Bit 값에 따른 픽셀의 정보는USGS의 Land Surface Reflectance Code (LaSRC) Product Guide에서 제공하고 있으며 Table 3으로 이루어져 있다. QA Bit 값이 0이면 해당 Bit의 속성에 영향을 받지 않고, Bit 값이 1이면 해당 속성에 영향을 받는다는 것을 의미한다. Bit 6-7(Cloud Confidence), Bit 8-9(Cirrus Confidence)의 경우, 00(None), 01(Low), 10(Medium), 11(High)와 같이 두개의 Bit 값을 함께 사용하여 구름의 영향을 평가한다(USGS, 2019).

Table 3.  Landsat-8 Pixel Quality Assessment(pixel_qa) Bit Index

OGCSBN_2020_v36n3_401_t0003.png 이미지

위성 자료 이외에 마른 잎 탐지를 수행에 있어도 심지 및 주거지역과 같이 식생이 아닌 픽셀을 제거하고자 산림청 산림공간정보서비스(Forest Geospatial Information System, FGIS)의 1:5,000 축척의 임상도를 사용하였다. 임상도는 우리나라 국토의 산림이 어떻게 분포하고 있는가를 보여주는 대표적인 산림지도로 다양한 속성정보를 포함하고있다. 이는 인공위성영상과 비교해서 정밀도가 높고 복잡한 우리나라의 지형 환경을 잘 반영하고 있다(Lee et al., 2018). 임상도는 입목, 임종, 임상, 수종 등 총10개의 속성정보를 내포하고 있다. 이는 각각의 정보에 따라 코드 값이 부여되며 본 연구에서는 수종그룹코드(KOFTR_GROUP_CD)를 사용하였다.

3. 마른 잎 탐지

1) 데이터 전처리

마른 잎 탐지를 수행하기 이전에 식생인 픽셀과 식생이 아닌 픽셀을 구분하고자 주거지 및 도심지 또는 구름 및 그림자와 같이 식생이 아닌 픽셀을 데이터 전처리를 통하여 분류하였다.

주거지 및 도심지 픽셀의 전처리는 FGIS에서 제공하는 임상도를 사용하였다. 임상도는 각 도엽별로 shape파일 형식으로 제공하고 있어 ArcGIS Tool을 이용하여 각 도엽들을 통합(Merge)하고 식생이 아닌 지역을 추출(Select by attribute) 하였다. 임상도의 코드 중 수종그룹코드(KOFTR_GROUP_CD)를 이용하여 마른 잎 탐지에 있어 식생이 아닌 미립목지(81), 제지(82), 주거지(91), 초지(92), 경작지(93), 수체(94), 과수원(95), 기타(99)를 연구지역에서 제외하였다. 위 과정을 거친 임상도 자료는 Landsat-8 영상과 동일하게 Universal Transverse Mercator(UTM) 52N 좌표계와 30 m × 30 m 공간해상도로 재구성하여 사용하였다.

Fill Value, 구름, 그림자, 물 등의 픽셀의 전처리는 QA자료를 이용하여 제거하였다. QA 자료에서 Bit 1(Clear)의 값이 1이고, Bit 2(Water), Bit 3(Cloud Shadow), Bit 4 (Snow), Bit 5(Cloud)의 값이 0인 픽셀만 사용하였다. Cloud Confidence에 관한 정보를 담고 있는 Bit 6-7은값이 01(Low), 10(Medium)인 픽셀만 사용하였으며 Cirrus Confidence에 관한 정보를 담고 있는 Bit 8-9의 값은 따로 고려하지 않았다.

2) 훈련 및 검증자료 구축

마른잎의 공간적분포를 분석하기 위하여 훈련 및 검증자료를 RGB영상에서 사진판독(Photo Interpretation)기법을 사용하여 구축하였다. 사진판독 기법이란 영상의 대상물의 성질을 조사 또는 식별하여 분석함으로써 정성화 하는 기술을 의미한다.

식물이 노쇠하게 되면 뿌리에서 올라오는 수분 및 양분을 잎으로 전달하는 것을 중지하게 되어 엽록소가 파괴되고 안토시아닌이 형성되면서 잎의 색상이 붉은색 혹은 노란색으로 변하게 된다. 이러한 현상을 이용하여 잎의 안토시아닌 함량에 따라 나타나는 분광특성(Steele et al., 2009)과 유사한 분광 프로파일을 갖는 지역을 각각마른 잎과 건강한 식생으로 나누어 분류하였다. 이중70%는 훈련자료, 30%는 검증자료로 사용하였으며 본연구에서 마른 잎 탐지를 위하여 사용된 픽셀의 개수는 총 94,035개이다.

3) 1차 경계 값 설정

마른 잎과 건강한 식생을 각각의 분광특성을 이용하여 구분하고자 추출된 픽셀들의 채널별 반사도값을 이용하여 NDVI(Normalized Difference Vegetation Index)값을 계산하였다. NDVI는 건강한 식생에서의 높은NIR(Ref0.8) 반사율과 낮은 Red(Ref0.64) 반사율을 기반으로 NIR과 Red 값의 조합으로 계산한다. NDVI의 식은(1)과 같다.

\(N D V I=\frac{\operatorname{Ref}_{0.8}-\operatorname{Ref}_{0.64}}{\operatorname{Ref}_{0.8}+\operatorname{Ref}_{0.64}}\)       (1)

NDVI는 단위가 없는 절대적인 값으로 범위는 -1에서 1 사이이며 값이 1에 가까울수록 건강한 식생이라는 것을 의미한다. Fig. 2는 Landsat-8 영상에서 마른잎과 건강한 식생으로 각각 분류된 픽셀들의 NDVI 값을 전체 픽셀에 대한 비율(%)로 나타낸 그래프이다. 이 그래프를 통하여 NDVI값이 0.78 이상이면 건강한식생, NDVI값이 0.58 이하면 마른 잎으로 구분하는 1차적인 경계값을 도출하였다.

OGCSBN_2020_v36n3_401_f0002.png 이미지

Fig. 2.  Histogram of NDVI value with leaf decay and green leaf.

Fig. 3의(a)는1차마른잎 분류를 통해 산출된 Landsat-8의 2018년 10월 25일 지리산 영상이고 (b)는 동일한 시공간의 RGB 합성영상이다. 1차 경계 값 적용을 통해 산출된 영상과 RGB영상을 비교한 결과, 고도가 높은 지역에 분포한 마른 잎과 고도가 낮은 지역에 분포한 건강한 식생이 공간적으로 유사하게 분류되었다.

OGCSBN_2020_v36n3_401_f0003.png 이미지

Fig. 3.  201801025 Jirisan; (a) output applied 1st threshold test, (b) RGB image.

1차 경계 값으로 분류되지 않은 마른 잎 후보 픽셀들은 2차 경계 값을 적용하여 마른 잎 탐지를 수행하였다.

4) 2차 경계 값 설정

1차 경계 값으로 분류되지 않은 픽셀들을 대상으로2차 경계 값을 산출하고자NDWI(Normalized Difference Water Index)와 건강한 식생의 분광특성을 이용하여 산출한 α를 활용하였다. NDWI는 건강한 식생에서의 물에의한 낮은SWIR(Ref1.6) 반사율을 기반으로NIR(Ref0.8)과 SWIR(Ref1.6)값의 조합으로 계산한다. NDWI의 식은(2)와 같이 표현할 수 있다.

\(N D W I=\frac{\operatorname{Ref}_{0.8}-\operatorname{Ref}_{1.6}}{\operatorname{Ref}_{0.8}+\operatorname{Ref}_{1.6}}\)       (2)

NDWI 또한 NDVI와 동일하게 단위가 없는 절대적인 값으로 그의 범위는 -1에서 1사이이며 값이 1에 가까울수록 수분 함량이 높다는 것을 의미한다. 건강한 식생이 Green영역에서 상대적으로 높은 반사율을 보이고 마른 잎은 Red영역에서 상대적으로 높은 반사율을 보인다는 특성을 이용하여 α (3)를 계산하였다.

\(\alpha=\frac{\text { Blue }+\text { Green }}{\text { Red }}\)       (3)

X축이 NDWI, Y축이 α인 그래프(Fig. 4)에서 마른 잎인 픽셀과 건강한 식생인 픽셀의 2차 경계 값을 도출할수 있었으며 이는 Y = -2.5X + 2 라는 선형 일차방정식으로 표현할 수 있다. 이후 경계 값을 적용한 산출물을 이용하여 마른 잎 탐지의 공간적 분석을 수행하였다.

OGCSBN_2020_v36n3_401_f0004.png 이미지

Fig. 4.  Scatter plot of NDWI vs. α.

Fig. 5, 6, 7의 (a)는 각각 지리산, 속리산, 오대산에서의 경계 값 적용 영상이며 (b)는 동일한 시공간에서의RGB 합성 영상이다. 경계 값 적용 영상과 RGB 합성영상을 비교했을 때 마른 잎과 건강한 식생이 공간적으로 유사하게 분포하였다.

OGCSBN_2020_v36n3_401_f0005.png 이미지

Fig. 5.  20181025 Jirisan; (a) output applied 2nd threshold test, (b) RGB image.

OGCSBN_2020_v36n3_401_f0006.png 이미지

Fig. 6.  20171022 Songnisan; (a) output applied 2nd threshold test, (b) RGB image.

OGCSBN_2020_v36n3_401_f0007.png 이미지

Fig. 7.  20151017 Odaesan; (a) output applied 2nd threshold test, (b) RGB image.

4. 정확도 평가

1) 정량적 평가

마른 잎 탐지에서 경계 값의 정확도를 검증하기 위해서 정량적 검증과 정성적 검증을 수행하였다. 정량적 검증으로는 마른 잎 탐지의 성능을 확인하고자 POD (Probability Of Detection), FAR(False Alarm Ratio) 지수를 사용하였다. POD는 탐지확률로 100에 가까울수록 정확도가 높다는 것을 의미하고 FAR은 오탐지율로 0에 가까울수록 정확도가 높다는 것을 의미한다.

검증자료로 구축해 놓은 데이터를 참값으로 사용하여 경계값의 정확도를 정량적으로 검증해보았다. Table 4는 각각 지리산, 속리산, 오대산의 마른 잎 경계 값설정에 따른 POD, FAR을 계산한 값이다.

Table 4.  Quantitative result using POD, FAR

OGCSBN_2020_v36n3_401_t0004.png 이미지

정량적 분석 결과 지리산, 속리산, 오대산의 POD값이 98.7, 97.5, 100으로 100에 가까운 높은 값을 가졌으며 FAR값이 0.1, 1.9, 2.2로 0에 가까운 낮은 값을 가지는 것으로 보아 정량적으로 높은 정확도를 가진다고 볼수있다.

2) 정성적 평가

마른 잎과 건강한 식생이 복잡하게 얽혀 있는 부분에서 각각 정확하게 구분되었는지 시각적으로 확인하기 위해 RGB 합성영상과 결과물을 비교해보았다. Fig. 8, 9, 10은 각각 Landsat-8 위성자료를 이용한 지리산, 속리산, 오대산의 마른 잎 탐지 산출물과 RGB 영상을 비교한 그림이다.

OGCSBN_2020_v36n3_401_f0008-1.PNG 이미지

Fig. 8.  20171022 Jirisan; (a) Comparison of output and RGB image, (b) RGB image.

OGCSBN_2020_v36n3_401_f0008.png 이미지

Fig. 9.  20171022 Songnisan; (a) Comparison of output and RGB image, (b) RGB image.

OGCSBN_2020_v36n3_401_f0010.png 이미지

Fig. 10.  20151017 Odaesan; (a) Comparison of output and RGB image, (b) RGB image.

지리산(Fig. 8)과 속리산(Fig. 9)의 경우 건강한 식생과 마른 잎의 분류 외에 주거지 및 도심지 픽셀도 효과적으로 제거된 것을 확인할 수 있었다. 그에 반해 오대산(Fig. 10)의 경우 마른 잎의 면적을 과대 추정하는 경향을 보였다. 또한 주거지 및 도심지 픽셀이 완전히 제거되지 않아 마른 잎으로 분류되는 것을 확인할 수 있었다. 따라서 추후 오대산에 대한 추가적인 경계 값 설정 및 도심지 픽셀에 대한 추가적인 제거가 이루어진다면 보다 효과적인 마른 잎 탐지를 수행할 수 있을 것으로 기대된다.

5. 결론 및 고찰

본 연구는 변화하는 가을철 식물계절의 공간적 분포를 관측하고자 단풍이나 낙엽으로 떨어진 모든 잎들에 대해서 ‘마른잎’으로 정의하고 Landsat-8 위성영상을 활용하여 마른 잎 탐지를 수행하였다. 마른 잎과 건강한 식생으로 각각 분류한 두 집단의 1차 경계 값은 NDVI에서 산출할 수 있었으며 NDVI가 0.78 이상이면 건강한 식생, 0.58 이하이면 마른 잎으로 구별할 수 있었다. 이후 NDVI 값이 1차 경계 값에 포함되지 않은 픽셀들은 NDWI와 (Blue+Green)/(Red)의 조합으로 2차 경계값을 도출하였으며 이를 적용하여 마른 잎 탐지를 수행하였다. 본 연구의 마른 잎 탐지 알고리즘의 정확도를 평가하기 위해 정량적 검증과 정성적 검증을 수행하였으며 정량적 검증으로는 POD, FAR 지수를 사용하였다.검증 결과 POD는 98.619, FAR은 1.203로 정량적으로 높은 정확도를 나타냈다. 또한 지리산과 속리산 지역의 경계 값 적용 영상과 RGB 합성 영상에서 마른 잎의 공간적 분포가 유사하였다.

본 연구에서 사용된 Landsat-8 자료는 전체 영상에서 구름이 40% 이하인 자료에 한해서 수집하였고 연구의 시간적 범위를 2013년부터 2018년까지 6년으로 넓게 설정하였으나, 3개의 산이 포함된 영상에서 구름에 가려진 영상이 많아 많은 자료를 확보하는데 한계가 있었다. 또한 Landsat-8 위성의 재방문 주기가 약 16일로 길어 자료의 부재가 많이 존재하였다. 하지만 본 연구에서는 현장자료가 미흡한 선행 연구의 한계점을 극복하기 위해서 고해상도 RGB 영상 기반 Photo Interpretation기법을 활용한 검증자료 확보 및 위성자료를 활용하여 마른 잎 탐지를 수행한 것에 의의가있다. 또한 선행연구에서 수행하지 않았던 NDWI와 RGB의 상관관계 분석 및 결과를 활용하여 마른 잎 탐지를 수행하였다. 이후 장기간의 위성자료를 활용하여 본 연구에서 제안한 NDWI와RGB의 상관관계를 기반으로 한 마른 잎 탐지 기법을 활용한다면 실측이 어려운 가을철 식물계절의 시기 변동연구에 도움이 될 것으로 기대된다.

사사

이 논문은 부경대학교 자율창의학술연구비(2019년)에 의하여 연구되었음.

References

  1. Choi, C.-H., S.-G. Jung, and K.-H. Park, 2016. Analyzing Relationship between Satellite-Based Plant Phenology and Temperature, Journal of the Korean Association of Geographic Information Studies, 19(1): 30-42 (in Korean with English abstract). https://doi.org/10.11108/kagis.2016.19.1.030
  2. Delpierre, N., E. Dufrene, K. Soudani, E. Ulrich, S. Cecchini, J. Boe, and C. Francois, 2009. Modelling interannual and spatial variability of leaf senescence for three deciduous tree species in France, Agricultural and Forest Meteorology, 149(6-7): 938-948. https://doi.org/10.1016/j.agrformet.2008.11.014
  3. Donnelly, A., L. Liu, X. Zhang, and A. Wingler, 2018. Autumn leaf phenology: discrepancies between in situ observations and satellite data at urban and rural sites, International Journal of Remote Sensing, 39(22): 8129-8150. https://doi.org/10.1080/01431161.2018.1482021
  4. Estrella, N. and A. Menzel, 2006. Responses of leaf coloring in four deciduous tree species to climate and weather in Germany, Climate Research, 32(3): 253-267. https://doi.org/10.3354/cr032253
  5. Fisher, J. I. and J. F. Mustard, 2007. Cross-scalar satellite phenology from ground, Landsat, and MODIS data, Remote Sensing of Environment, 109(3): 261-273. https://doi.org/10.1016/j.rse.2007.01.004
  6. Jeong, S.-J. and D. Medvigy, 2014. Macroscale prediction of autumn leaf coloration throughout the continental United States, Global Ecology and Biogeography, 23(11): 1245-1254. https://doi.org/10.1111/geb.12206
  7. Jin, H. G., S. W. Kim, and Y. Kim, 2017. A spatial prediction for the flowering and autumnal dates in Korea, The Korean Journal of Applied Statistics, 30(3): 417-426 (in Korean with English abstract). https://doi.org/10.5351/KJAS.2017.30.3.417
  8. Kim, N.-S., H.-C. Lee, and J.-Y. Cha, 2013. A Study on Changes of Phenology and Characteristics of Spatial Distribution Using MODIS Images, Journal of the Korea Society of Environmental Restoration Technology, 16(5): 59-69 (in Korean with English abstract). https://doi.org/10.13087/kosert.2013.16.5.059
  9. KMA, 2016. Seasonal Observation Guidelines, http://book.kma.go.kr/viewer/MediaViewer.ax?cid=33397&rid=5&moi=5245, Accessed on Jun. 7, 2016.
  10. Korner, C. and D. Basler, 2010. Phenology under global warming, Science, 327(5972): 1461-1462. https://doi.org/10.1126/science.1186473
  11. Lee, B., E. Kim, J. Lee, J.-M. Chung, and J.-H. Lim, 2018. Detecting Phenology Using MODIS Vegetation Indices and Forest Type Map in South Korea, Korean Journal of Remote Sensing, 34(2-1): 267-282 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2018.34.2.1.9
  12. Lee, B., K. Jang, E. Kim, M. Kang, J.-H. Chun, and J.-H. Lim, 2019. Predicting Forest Gross Primary Production Using Machine Learning Algorithms, Korean Journal of Agricultural and Forest Meteorology, 21(1): 29-41 (in Korean with English abstract). https://doi.org/10.5532/KJAFM.2019.21.1.29
  13. Lee, K.M., W.T. Kwon, and S.H. Lee, 2009. A Study on Plant Phenological Trends in South Korea, Journal of The Korean Association of Regional Geographers, 15(3): 337-350 (in Korean with English abstract).
  14. Park, S.J., H.D. Kim, and H.Y. Kim, 2006. A Study on the Trend of Cherry Blossom Day Change in the Korean Peninsula due to Climate Change, Proc. of The Korean Environmental Sciences Society Conference, Jeju, Nov. 16-18, vol. 15, pp. 439-442.
  15. Shin, D.-H., H.-R. Kim, and Y.-H. You, 2012. Effects of Elevated $CO_2$ Concentration and Increased Temperature on the Change of the Phenological and Reproductive characteristics of Phytolocca insularis, a Korea endemic plant, Journal of Wetlands Research, 14(1): 1-9 (in Korean with English abstract). https://doi.org/10.17663/JWR.2012.14.1.001
  16. Steele, M. R., A. A. Gitelson, D. C. Rundquist, and M. N. Merzlyak, 2009. Nondestructive estimation of anthocyanin content in grapevine leaves, American Journal of Enology and Viticulture, 60(1): 87-92.
  17. Ulsig, L., C. J. Nichol, K. F. Huemmrich, D. R. Landis, E. M. Middleton, A. I. Lyapustin, I. Mammarella, J. Levula, and A. Porcar-Castell, 2017. Detecting inter-annual variations in the phenology of evergreen conifers using long-term MODIS vegetation index time series, Remote Sensing, 9(1): 49. https://doi.org/10.3390/rs9010049
  18. USGS, 2019. Landsat 8 Surface Reflectance Code (LaSRC) product guide- Version 2.0, https://www.usgs.gov/media/files/land-surface-reflectancecode-lasrc-product-guide, Accessed on Jun. 3, 2019.
  19. Vitasse, Y., A. J. Porte, A. Kremer, R. Michalet, and S. Delzon, 2009. Responses of canopy duration to temperature changes in four temperate tree species: relative contributions of spring and autumn leaf phenology, Oecologia, 161(1): 187-198. https://doi.org/10.1007/s00442-009-1363-4
  20. Yun, J. I., 2006. Climate Change Impact on the Flowering Season of Japanese Cherry (Prunus serrulata var. spontanea) in Korea during 1941-2100, Korean Journal of Agricultural and Forest Meteorology, 8(2): 68-76 (in Korean with English abstract).
  21. Zeng, H., G. Jia, and H. Epstein, 2011. Recent changes in phenology over the northern high latitudes detected from multi-satellite data, Environmental Research Letters, 6(4): 045508. https://doi.org/10.1088/1748-9326/6/4/045508