주소
304 노스 카디널
세인트 도체스터 센터, MA 02124
근무 시간
월요일~금요일: 오전 7시~오후 7시
주말: 오전 10시~오후 5시

맹그로브는 연안 환경에서 가장 중요한 생태 장벽 중 하나이며, 그 건강 상태는 해안선 안정성, 생물다양성, 탄소 저장에 직접적인 영향을 미칩니다. 맹그로브 생태계의 상태를 파악하기 위해서는 두 가지 지표가 특히 중요합니다: 수종 분포 및 엽면적지수(LAI). 최근 몇 년간, 초분광 맹그로브 생태 모니터링 은 두 가지 유형의 정보를 높은 정밀도와 높은 효율로 획득하는 데 점점 더 효과적인 접근 방식이 되고 있습니다.
장강 하구 맹그로브 국가 자연보호구 에서 수행된 연구에서는 UAV 기반 초분광 영상이 다음을 지원하는 데 사용되었습니다:, 초분광 카메라를 이용한 정밀 수종 식별 초분광 영상을 이용한 엽면적지수 산출 및 연구 결과, 초분광 원격탐사는 우점 맹그로브 수종을 정확하게 구분할 수 있으며, 복잡한 조간대 환경에서 생태 평가, 복원 계획, 식생 모니터링을 위한 신뢰할 수 있는 LAI 추정을 제공할 수 있음을 보여주었습니다.. 초분광 맹그로브 생태 모니터링이 중요한 이유.
정밀 수종 식별의 필요성.
이것이 바로.
이 매우 중요한 응용 분야인 이유입니다. 기존 영상 방법과 비교하여 초분광 영상은 육안으로 유사한 수종 간의 미세한 분광 차이를 포착할 수 있습니다. 이는 RGB 또는 표준 다중분광 영상만으로는 정확한 분류를 달성하기 어려운 혼합 맹그로브 환경에서 특히 가치가 있습니다. 초분광 영상을 이용한 엽면적지수 산출 엽면적지수 산출의 중요성.
은 생태 모니터링의 또 다른 핵심 요소입니다. LAI는 캐노피 밀도, 식생 생장 상태, 광합성 능력을 반영합니다. 이는 생태계 생산성, 식생 건강, 복원 성과를 평가하는 데 널리 사용됩니다. 전통적인 LAI 측정 방법은 종종 시간이 많이 소요되며 대규모 습지 모니터링에는 적합하지 않습니다. 이에 비해,.
초분광 엽면적지수 산출, 은 넓은 지역에 걸쳐 캐노피 파라미터를 추정하는 더 빠르고 확장 가능한 방법을 제공하면서도 높은 정확도를 유지합니다. 맹그로브 모니터링을 위한 초분광 카메라의 장점.
정밀 수종 식별 과 엽면적지수 산출 및 을 모두 지원할 수 있음을 보여줍니다. 수종 식별을 위한 높은 분광 감도.
초분광 카메라 기반 수종 식별 에 특히 중요합니다., 장강 하구 보호구역에서는.
붉은맹그로브(Kandelia obovata) 사자귀나무(Aegiceras corniculatum), 검은맹그로브(Avicennia marina), 및 와 같은 우점 맹그로브 수종이 복잡한 모자이크 분포로 나타납니다. 이들의 분광 차이는 초분광 영상을 통해 효과적으로 포착될 수 있어 전통적인 조사 방법보다 더 정확한 분류를 지원합니다. 캐노피 구조 분석을 위한 높은 공간 해상도.
이는 수종 분류와 LAI 산출 모두 수관 및 캐노피 수준의 상세한 구조 정보의 이점을 얻기 때문에.
에 특히 중요합니다. 초분광 맹그로브 생태 모니터링, 생태 응용을 위한 신뢰할 수 있는 데이터.
초분광 카메라 정밀 수종 인식 을 위한 강력한 데이터 기반을 제공했습니다. 및 연구 결과, 초분광 원격탐사는 우점 맹그로브 수종을 정확하게 구분할 수 있으며, 복잡한 조간대 환경에서 생태 평가, 복원 계획, 식생 모니터링을 위한 신뢰할 수 있는 LAI 추정을 제공할 수 있음을 보여주었습니다..
견고한 워크플로우는 적절한 데이터 획득 계획과 전처리로 시작됩니다. 연안 습지에서는 시기와 환경 조건이 원격탐사 데이터의 품질에 큰 영향을 미칠 수 있습니다.
The aerial survey was carried out in December 2024 during low tide, reducing the influence of tidal water on image acquisition. The study area was divided into six sections to improve survey efficiency and data consistency. The UAV flight parameters were set to ensure both broad coverage and fine spatial detail.
The hyperspectral imaging system used in this study was Ramoton RT-FS60. During data collection, the platform achieved a ground resolution of approximately 4.71 cm under a flight altitude of 100 m, with a flight speed of 5 m/s and a main flight line angle of 87°.
The raw hyperspectral data were processed in ENVI 5.3 for radiometric correction in order to reduce the influence of atmospheric effects, illumination conditions, and solar angle variation. After that, geometric registration and strip mosaicking were completed to generate a complete hyperspectral image of the mangrove reserve.
To isolate mangrove vegetation from non-target surfaces, the researchers applied an NDVI threshold method using a range of 0.53 to 1.00. This process masked water bodies, saline marshes, and artificial surfaces. The result was then refined through manual interpretation, ensuring accurate extraction of the mangrove area for subsequent analysis.
This preprocessing workflow was essential for improving the performance of hyperspectral camera tree species identification 및 은 넓은 지역에 걸쳐 캐노피 파라미터를 추정하는 더 빠르고 확장 가능한 방법을 제공하면서도 높은 정확도를 유지합니다..
After preprocessing, the research focused on 초분광 영상을 이용한 엽면적지수 산출, which is one of the core goals of the study.
The processed hyperspectral imagery was analyzed using an object-oriented multi-scale segmentation method. The optimal segmentation scale was determined to be 25, with a merging scale of 80, effectively reducing the risk of over-segmentation or under-segmentation.
A total of 323 features were constructed from the data, including:
This high-dimensional feature set provided a strong basis for hyperspectral camera-based fine tree species identification in mixed mangrove stands.
After correlation analysis removed 273 highly redundant features, 남은 변수들은 다음을 사용하여 스크리닝되었습니다:
선택된 결과의 교집합을 통해 다음이 생성되었습니다: 14차원 최적 특징 세트, 여기에는 민감한 분광, 구조 및 캐노피 관련 변수가 포함됩니다.
이후 이러한 특징들은 다음 딥러닝 모델에 입력되었습니다: Swin-UperNet 우점 맹그로브 수종을 분류하기 위한 딥러닝 모델. 이 워크플로우를 통해 수종 간의 정확한 구분이 가능해졌습니다. 사자귀나무(Aegiceras corniculatum), 검은맹그로브(Avicennia marina), 및 와 같은 우점 맹그로브 수종이 복잡한 모자이크 분포로 나타납니다. 이들의 분광 차이는 초분광 영상을 통해 효과적으로 포착될 수 있어 전통적인 조사 방법보다 더 정확한 분류를 지원합니다., 이는 다음의 실용적 가치를 보여줍니다: 을 위한 강력한 데이터 기반을 제공했습니다. 생태학적 응용 분야에서의.
전체 분류 정확도는 다음에 도달했습니다: 91.18%, 이때 Kappa 계수는 0.85, 이는 모델 예측과 실제 현장 조건이 매우 일치함을 나타냅니다.
각 수종별 제작자 정확도(Producer's accuracy)는 다음과 같았습니다:
이러한 결과는 다음을 확인해 줍니다: 초분광 영상을 이용한 엽면적지수 산출 맹그로브 생태계 모니터링을 위해 정확하고 실질적으로 활용 가능한 수종 지도를 제공할 수 있음을.
수종 분류 결과를 바탕으로, 다음 단계는 연구 결과, 초분광 원격탐사는 우점 맹그로브 수종을 정확하게 구분할 수 있으며, 복잡한 조간대 환경에서 생태 평가, 복원 계획, 식생 모니터링을 위한 신뢰할 수 있는 LAI 추정을 제공할 수 있음을 보여주었습니다., 였으며, 이는 본 연구의 또 다른 핵심 초점입니다.
모든 맹그로브 식생에 단일 모델을 적용하는 대신, 연구진은 각 수종별로 민감한 특징을 개별적으로 선택했습니다. 이러한 수종별 맞춤형 전략은 다음의 정확도를 향상시켰습니다: 초분광 카메라 엽면적지수(LAI) 산출, 캐노피 구조와 분광 반사 특성이 맹그로브 수종마다 다르기 때문입니다.
선택된 특징들은 세 가지 LAI 추정 알고리즘에 통합되었습니다:
다양한 특징 선택 방법과 이러한 알고리즘을 결합하여, 연구팀은 다음을 구축했습니다: 9개의 하이브리드 교차 모델 그리고 이들의 산출 성능을 비교했습니다.
최적의 모델은 다음과 같이 확인되었습니다:
이러한 접근 방식은 다음을 크게 향상시켰습니다: 은 넓은 지역에 걸쳐 캐노피 파라미터를 추정하는 더 빠르고 확장 가능한 방법을 제공하면서도 높은 정확도를 유지합니다. 수종 수준에서의 성능.
산출된 LAI 값은 현장 측정값과 높은 일치성을 보였습니다.
추정된 LAI 범위는 다음과 같았습니다:
모델 중에서 특히 와 같은 우점 맹그로브 수종이 복잡한 모자이크 분포로 나타납니다. 이들의 분광 차이는 초분광 영상을 통해 효과적으로 포착될 수 있어 전통적인 조사 방법보다 더 정확한 분류를 지원합니다. 에 대한 결과가 두드러졌습니다:
을 위해 사자귀나무(Aegiceras corniculatum), 의 경우 모델이 달성한 결과는 다음과 같습니다:
이러한 결과는 초분광 카메라를 이용한 엽면적지수(LAI) 산출이 생태 분석 및 복원 모니터링을 위한 신뢰할 수 있고 정밀한 캐노피 정보를 제공할 수 있음을 보여줍니다.



이 연구의 의의는 기술적 정확성을 넘어섭니다. 또한 초분광 맹그로브 생태 모니터링 이 실질적인 생태계 관리와 과학적 의사 결정을 지원할 수 있음을 보여줍니다.
이 연구는 보호구역 내 맹그로브 LAI의 뚜렷한 공간적 추세를 밝혀냈으며, 북쪽에서 남쪽으로 감소한 후 다시 증가하고 감소하는 패턴. 을 보여주었습니다. 이러한 공간 정보는 식생 상태, 서식지 다양성, 생태적 기능에 대한 귀중한 통찰력을 제공합니다.
또 다른 중요한 발견은 높이 특징 및 강도 특징 이 LAI 추정에 기여한 결합 효과였습니다. 이는 분광 정보와 구조적 특성을 통합하면 은 넓은 지역에 걸쳐 캐노피 파라미터를 추정하는 더 빠르고 확장 가능한 방법을 제공하면서도 높은 정확도를 유지합니다. 의 성능을 향상시키고 맹그로브 캐노피 역학 해석을 개선할 수 있음을 확인시켜 줍니다.
결합함으로써 초분광 영상을 이용한 엽면적지수 산출 및 연구 결과, 초분광 원격탐사는 우점 맹그로브 수종을 정확하게 구분할 수 있으며, 복잡한 조간대 환경에서 생태 평가, 복원 계획, 식생 모니터링을 위한 신뢰할 수 있는 LAI 추정을 제공할 수 있음을 보여주었습니다., 을 결합함으로써 연구자와 보전 관리자는 다음과 같은 보다 정확한 정보를 얻을 수 있습니다:
이는 초분광 원격 탐사를 연안 생태 보호를 위한 매우 가치 있는 도구로 만듭니다.
이 연구에서 사용된 항공 식생 모니터링 시스템은 Ramoton RT-FS60. 입니다. 핵심 사양은 다음과 같습니다:
이러한 기술적 특징은 초분광 이미징을 다음 분야에 매우 적합하게 만듭니다:

장강 하구 맹그로브 국가 자연 보호구에서 수행된 이 연구는 초분광 원격 탐사가 초분광 영상을 이용한 엽면적지수 산출, 초분광 카메라를 이용한 엽면적지수(LAI) 산출이, 및 초분광 맹그로브 생태 모니터링.
에 매우 효과적임을 보여줍니다. 전체 종 분류 정확도 91.18% 및 LAI 산출 오차가 0.04, 에 불과한 이 워크플로우는 복잡한 연안 생태계에서 UAV 초분광 이미징의 강력한 잠재력을 입증합니다. 맹그로브 보전, 복원 및 관리를 위한 정밀하고 효율적인 데이터 지원을 제공할 뿐만 아니라 산림, 습지 및 식생 모니터링 분야에서도 광범위한 적용 가능성을 제공합니다.