지구 관측 데이터로 탄소량 측정: 기술, 방법론, 탄소세까지 종합 분석

요약 : 지구 관측 데이터는 기후 변화 완화를 위한 탄소량 측정에 핵심적인 역할을 합니다. 이 분석은 탄소 모니터링의 방법론, 기술, 응용을 다룹니다. 원격 탐사 기술은 지상 기반(LiDAR, 분광계 등)과 위성 기반(MODIS 등)으로 나뉘며, 식생 지수(NDVI, EVI, LAI)와 LiDAR 데이터를 통해 바이오매스를 추정하고 탄소 함량을 계산합니다. 식생 지수는 바이오매스와 상관관계가 높아 탄소 추정의 기초가 되며, LiDAR는 3차원 식생 구조를 제공해 정확도를 높입니다. 바이오매스에서 탄소로의 변환은 표준 계수(45-50%)를 적용하며, 지상부 외에 지하 및 토양 탄소도 고려해야 합니다. 토지 이용 변화는 탄소 배출의 주요 요인으로, 모니터링과 모델링으로 흐름을 추적합니다. 인공지능과 기계학습은 토지 피복 변화 감지와 데이터 분석을 개선하며, 탄소세 정책은 정확한 측정을 기반으로 배출 감소를 유도합니다. 결론적으로, 다양한 기술과 데이터 통합은 기후 정책을 뒷받침하는 필수 요소입니다.

 

지구 관측 데이터를 활용한 탄소량 측정에 관한 종합 분석

 

 지구 관측 데이터는 다양한 생태계의 탄소량을 측정하는 데 핵심적인 역할을 하며, 이는 기후 변화 완화 노력에 필수적인 정보를 제공합니다. 본 보고서는 지구 관측 데이터를 이용한 탄소량 측정의 방법론, 기술, 응용 분야를 종합적으로 분석합니다. 다양한 원격 탐사 기술을 활용하여 식생 지수 데이터와 LiDAR 데이터를 수집하고, 이를 바이오매스 추정치로 변환한 후 탄소 흡수량을 계산하는 전체 과정을 상세히 살펴봅니다. 또한 인공지능과 기계학습을 활용한 토지 피복 변화 감지와 탄소세 정책 실행 방안까지 다루어 보겠습니다.

 

탄소량 측정을 위한 원격 탐사 기술

 

 탄소량 모니터링을 위한 원격 탐사 기술은 지상 기반 시스템과 위성 기반 시스템으로 크게 구분됩니다. 각 시스템은 고유한 기능과 활용 방법을 가지고 있으며, 통합적으로 활용될 때 가장 정확한 탄소량 측정이 가능합니다.

 

 지상 기반 원격 탐사 시스템에는 LiDAR(Light Detection and Ranging), 스캐닝 장치, 분광계 등이 포함됩니다. 한국산업과학회의 2024년 봄 학술대회 자료에 따르면, CO2 모니터링 라이다 시스템은 소각장과 굴뚝 등에서 발생하는 고농도 CO2를 원격으로 탐지할 수 있습니다1. 또한, 서울시에서는 2020년 5월부터 2023년 7월까지 지상원격탐사 장비인 EM27/SUN을 활용하여 대기 전층 이산화탄소 모니터링 연구를 국내 최초로 수행했습니다7.

 

 위성 기반 원격 탐사는 더 넓은 공간적 범위와 정기적인 시간적 관측을 제공합니다. NASA 지구 관측 시스템의 주요 장비인 중해상도 영상 분광계(MODIS)는 전 세계 육상 식생의 계절성을 모니터링하고, 식생 지수(VI), 정규화 식생 지수(NDVI), 개선된 식생 지수(EVI), 엽면적 지수(LAI) 등의 제품을 제공합니다2. 이러한 지수들은 생태학적 변수 평가와 바이오매스 추정에 일반적으로 사용됩니다.

 

 종합적인 탄소 모니터링을 위해서는 다양한 데이터 소스의 통합이 필수적입니다. 여기에는 다양한 식생 지수(NDVI, EVI, LAI, NDRE), LiDAR 측정치, 지상 관측 데이터의 조합이 포함됩니다. 이러한 다면적 접근 방식을 통해 연구자들은 지상부 바이오매스부터 토양 탄소 저장량에 이르기까지 생태계의 탄소 저장에 관한 다양한 측면을 파악할 수 있어, 더 정확하고 완전한 탄소량 평가가 가능해집니다.

 

바이오매스 추정을 위한 식생 지수

 

 원격 탐사 데이터에서 도출된 식생 지수는 바이오매스를 추정하는 중요한 대리 지표로, 이를 통해 탄소 함량을 결정하는 데 도움이 됩니다. 이러한 지수들은 식생의 분광 특성을 활용하여 식생 특성에 대한 정량적 측정을 제공합니다.

 

 정규화 식생 지수(NDVI)는 엽면적 지수(LAI)와 일차 생산성을 추정하는 데 가장 일반적으로 사용되는 식생 지수입니다. 낙엽 활엽수림에서 LAI와 NDVI의 관계를 조사한 연구에 따르면, 현장 NDVI 측정값과 LAI 사이에 연중 높은 상관관계(r² = 0.91)가 있는 것으로 나타났습니다2. 그러나 NDVI는 낙엽수림에서 LAI 값이 크면(일반적으로 3 이상) 포화되는 경향이 있어, 밀집된 식생 지역에서는 효과가 제한적입니다.

 

 개선된 식생 지수(EVI)는 특히 높은 바이오매스 지역에서 NDVI의 일부 한계를 해결하기 위해 개발되었습니다. 앞서 언급한 연구에서 EVI는 NDVI에 비해 LAI와의 상관관계(r² = 0.87)가 약간 낮았지만, MODIS 데이터에 적용했을 때 LAI 추정에 더 좋은 결과를 보였으며, 다양한 분석에서 r² 값이 0.89와 0.94를 기록했습니다2.

 

 엽면적 지수(LAI)는 단위 지표면적당 한쪽 면의 총 잎 면적으로 정의되며, 바이오매스와 직접적인 관련이 있어 식생 연구에서 기본적인 생물물리학적 매개변수로 작용합니다. LAI는 식생 지수에서 추정하거나 현상학적 싹 및 낙엽 트랩 접근법과 같은 방법을 사용하여 직접 측정할 수 있습니다2.

 

 또한, 연구에 따르면 다양한 식생 지수와 식물 성장 변수 사이에 양의 상관관계가 있는 것으로 나타났습니다. 옥수수의 경우, 비율 식생 지수(RVI)는 LAI(r = 0.47), 높이(r = 0.59), 바이오매스(r = 0.59), 엽수분면적지수(LWAI)(r = 0.54)와 상관관계를 보였습니다8. 또한, LAI와 다른 식물 성장 변수 사이에도 강한 상관관계가 있어, LAI와 바이오매스 사이의 상관계수는 0.96에 달합니다8.

 

 이러한 식생 지수는 다양한 생태계의 바이오매스를 추정하는 데 귀중한 정보를 제공합니다. 적절한 지수의 선택은 특정 생태계 특성에 따라 달라지며, 각 지수는 서로 다른 상황에서 강점과 한계를 가지고 있습니다.

 

탄소 측정에서의 LiDAR 기술

 

 LiDAR(Light Detection and Ranging) 기술은 숲의 바이오매스와 탄소 저장량 측정에 혁명을 가져왔습니다. 반사된 태양 복사에 의존하는 수동적 원격 탐사 기술과 달리, LiDAR는 능동적으로 레이저 펄스를 방출하고 이러한 펄스가 물체에 부딪히고 돌아오는 데 걸리는 시간을 측정하여 식생 구조에 대한 상세한 3차원 정보를 제공합니다.

 

 Woodwell Climate Research Center의 연구자들은 LiDAR를 사용하여 브라질 숲에서 북극 툰드라에 이르기까지 바이오매스와 탄소를 매핑하고 있습니다3. 주요 목표는 생태계에 존재하는 유기물의 총 무게인 바이오매스를 측정하는 것입니다. 식물은 유기물 형태로 탄소를 저장하기 때문에 바이오매스 측정은 지역의 탄소 저장 능력을 추정하는 효과적인 방법입니다.

 

 숲의 바이오매스를 직접 측정하려면 파괴적인 방법(나무를 베어내고, 건조시키고, 무게를 측정하는 등)이 필요하며, 이는 비실용적이고 환경에 해롭습니다. 대신, 과학자들은 LiDAR 데이터에서 도출된 대리 측정값을 사용합니다. 연구자 Walker가 설명한 바와 같이, 이 과정은 체중계 없이 사람의 체중을 추정하는 것과 유사하게, 신장이나 허리 둘레와 같은 측정값을 사용하여 예측 모델을 구축하는 방식입니다3.

 

 원시 LiDAR 데이터는 본질적으로 거리를 측정하지만, 점군 내의 상대적 위치에 따라 점을 분류함으로써 연구자들은 생태계 전반의 바이오매스를 모델링하는 데 필요한 대리 측정값을 추출할 수 있습니다. 여기에는 줄기 직경, 나무 높이, 수관 구조 등이 포함되며, 다른 데이터와 결합하면 나무 종 정보도 포함됩니다. LiDAR 이전에는 이러한 측정을 모두 수작업으로 기록해야 했기 때문에 연구 대상지의 규모가 심각하게 제한되었습니다. LiDAR는 평가 가능한 범위를 크게 확장하여 과학자들이 전례 없는 세부 수준으로 전체 생태계에 걸친 탄소 저장량을 평가할 수 있게 했습니다.

 

 Walker에 따르면 "LiDAR에 근접하는 다른 센서는 없다"고 강조하며, 상세하고 광범위한 규모의 평가를 제공하는 LiDAR의 독특한 능력을 언급했습니다3. 현장 측정은 모델을 보정하는 데 여전히 필수적이지만, LiDAR는 구획 수준의 관측과 경관 규모의 탄소 평가 사이의 격차를 메워줍니다.

 

 도시 환경에서도 LiDAR 시스템은 특정 출처에서 나오는 CO2 배출량을 감지할 수 있습니다. 예를 들어, 서울에서 진행된 연구에 따르면 CO2 모니터링 LiDAR가 소각장과 굴뚝에서 나오는 고농도 CO2를 감지할 수 있다고 합니다1. 이 기능은 다양한 오염원이 존재하는 인구 밀집 도시 지역에서 온실가스 배출을 모니터링하는 데 특히 유용합니다.

 

바이오매스에서 탄소 추정치로의 변환

 

 바이오매스 측정값을 탄소 추정치로 변환하는 것은 생태계의 탄소 저장량을 정량화하는 중요한 단계입니다. 이 과정에는 유기물의 총 무게를 탄소 함량과 연관시키는 변환 계수를 적용하는 것이 포함됩니다.

 

 일반적으로 바이오매스는 식물이 유기물에 탄소를 저장한다는 점을 고려하여 표준 변환 계수를 사용하여 탄소 함량으로 변환됩니다. 바이오매스의 약 45-50%가 탄소로 구성되어 있다고 가정하는 것이 일반적이지만, 이 비율은 종과 조직 유형에 따라 달라질 수 있습니다4. 이 변환 계수를 통해 원격 탐사 데이터에서 도출된 바이오매스 추정치를 탄소 저장량 값으로 변환할 수 있습니다.

 

 산림 및 기타 식생 유형의 경우, 이 과정은 원격 탐사 데이터에서 얻은 대리 측정값을 사용하여 바이오매스를 추정하는 것으로 시작됩니다3. 이 과정에는 나무 높이, 수관 구조, 밀도와 같은 원격탐사 측정값을 바이오매스 추정 모델의 입력값으로 사용하는 것이 포함됩니다.

 

 이러한 모델은 현장 측정을 통해 보정되며, 연구자들은 실제로 나무와 기타 식생을 측정하여 종합데이터 유래 매개변수와 실제 바이오매스 사이의 관계를 확립합니다. 바이오매스가 추정되면, 확립된 변환 계수를 사용하여 탄소 함량으로의 변환은 비교적 간단합니다.

 

 탄소는 지상부 바이오매스(줄기, 가지, 잎)뿐만 아니라 지하부 바이오매스(뿌리), 토양 유기물, 죽은 유기물에도 저장된다는 점을 유의해야 합니다. 종합적인 탄소 평가는 이러한 모든 저장소를 고려해야 합니다. 원격 탐사 기술은 지상부 바이오매스 측정에 탁월하지만, 지하 탄소 저장량을 추정하기 위해서는 다른 방법과 함께 사용해야 합니다.

 

토지 이용 변화와 탄소 배출

 

 토지 이용 변화는 전 세계적으로 탄소 배출의 중요한 요인입니다. 이러한 배출을 모니터링하고 정량화하는 것은 삼림 벌채, 도시화, 농업 확장과 같은 인간 활동이 기후에 미치는 영향을 이해하는 데 매우 중요합니다.

 

 토지 이용, 토지 이용 변화, 산림(LULUCF) 배출량에는 바이오매스 제거(공학목재를 포함한 원목 생산용), 삼림 벌채(대체 토지 이용을 위한 산림 제거), 조림, 이동 경작, 수확 또는 방치 후 산림 재성장으로 인한 CO2 흐름이 포함됩니다4. 목재 연료 연소 및 산림을 농업용지로 전환하는 활동은 대기 중으로 CO2를 방출하는 반면, 조림, 재성장, 수확된 목재 제품의 탄소 저장은 탄소 흡수원 역할을 합니다.

 

 농업 생산 및 환경에 미치는 영향 모델(MAgPIE)은 토지 이용 변화 배출의 여러 구성 요소를 고려합니다. 여기에는 총 토지 이용 변화 배출(재성장 포함하지 않음), 자연 산림 악화로 인한 배출, 산림 및 기타 토지의 재성장, 목재 제품의 장기 탄소 저장, 목재 제품의 분해로 인한 CO2의 느린 방출 등이 포함됩니다4. 이 모델의 탄소 회계는 총 토지 이용 변화 배출을 양수로, 산림의 재성장과 목재 제품의 탄소 저장을 음수(탄소 흡수)로 기록합니다.

 

 토지 이용 변화는 탄소 배출에 중대한 영향을 미칠 수 있습니다. 예를 들어, 야심찬 공학목재 수요 시나리오는 통상적인 시나리오에 비해 토지 관련 누적 CO2 배출량을 낮출 수 있습니다. 한 연구에서, 높은 공학목재 수요 시나리오의 배출 저감량은 통상적인 시나리오에 비해 5%에서 53%까지 낮았으며, 이는 연간 0.12~1.11 Gt CO2에 해당합니다4. 이러한 저감은 높은 재성장(자연 식생과 조림지 모두에서 탄소 흡수)과 목재 건물의 장기 탄소 저장 증가로 인한 것으로, 이러한 시나리오에서 더 높은 총 토지 이용 변화 배출량을 충분히 상쇄했습니다.

 

 토지 이용 변화 배출의 정확한 회계를 위해서는 토지 전환으로 인한 즉각적인 배출과 시간이 지남에 따른 후속 탄소 흡수 또는 배출을 모두 고려하는 것이 필수적입니다. 이를 위해서는 토지 피복 변화를 모니터링하고 다양한 토지 이용 유형의 탄소 동역학을 추적해야 하며, 이는 지구 관측 데이터와 모델링 접근법으로 가능합니다.

 

인공지능과 기계학습 응용

 

 인공지능(AI)과 기계학습(ML) 기술은 지구 관측 데이터를 사용한 탄소 측정의 정확성과 효율성을 향상시키는 데 점점 더 많이 적용되고 있으며, 특히 탄소 저장량에 영향을 미치는 토지 피복 변화 모니터링에서 중요한 역할을 합니다.

 

 토지 피복 변화 모니터링은 기후 변화와 지속 가능한 자원 관리와 같은 도전 과제를 이해하고 대응하는 데 필수적입니다. 지구 표면의 자동 모니터링을 통해 도시화, 삼림 벌채, 농지 확장과 같은 토지 전환 핫스팟을 신속하게 식별할 수 있어 정책 입안자와 법 집행기관이 적시에 대응할 수 있습니다5.

 

 순환 신경망(RNN)과 어텐션 모델(예: 트랜스포머)과 같은 딥러닝 아키텍처는 위성 이미지 시계열을 사용한 토지 피복 변화 감지에 특히 효과적일 수 있습니다5. 이러한 방법은 원격 탐사 데이터의 시간적 패턴을 처리하여 시간이 지남에 따른 토지 피복 변화의 역동적 특성을 포착할 수 있습니다.

 

 예를 들어, 바헤닝언 대학교(Wageningen University & Research)의 석사 논문 주제는 최근 몇 년간의 토지 피복 변화를 식별하기 위한 딥러닝 방법 개발과 다양한 토지 피복 변화 전환에 대한 이러한 방법의 성능 평가에 초점을 맞추고 있습니다5. 이 연구는 Landsat 시계열을 사용하여 열대 지역 전체에서 삼림 벌채 이후 토지 이용을 도출하기 위한 공간적, 시간적 딥러닝 방법을 사용한 이전 연구에 기반합니다.

 

 서울에서는 연구자들이 대기 질 모니터링을 위한 LiDAR 신호 분석을 향상시키기 위해 기계학습을 적용했습니다. 기존 미세먼지 간이 측정 네트워크(S-DoT)와 기상 데이터를 입력 자료로 사용하여 LiDAR 신호를 미세먼지 농도로 변환하는 모델을 구축했습니다1. 이러한 다중 데이터 소스의 통합을 통한 기계학습은 환경 모니터링의 정확성을 향상시킵니다.

 

 AI 알고리즘은 특정 토지 피복 유형에 대한 원격 감지된 반사율의 지역적 차이와 대규모 및 소규모 산림 조림지 구분과 같은 전환 범위의 변화를 해결하는 데도 도움이 될 수 있습니다5. 이 기능은 전 세계 생태계와 토지 이용 패턴의 다양성을 고려할 수 있는 탄소 모니터링 방법을 개발하는 데 매우 중요합니다.

 

 토지 피복 변화의 감지와 분류를 자동화함으로써, AI 접근법은 탄소 모니터링 노력의 규모, 빈도, 정확성을 크게 향상시켜 기후 정책과 탄소 관리 이니셔티브에 더 신뢰할 수 있는 데이터를 제공할 수 있습니다.

 

탄소세 실행

 

 정확한 탄소량 측정은 기후 변화 완화를 위한 필수 도구로 점점 더 인식되고 있는 효과적인 탄소세 정책 실행의 기초가 됩니다.

 

 탄소세는 화석 연료 사용을 억제하고 오염이 적은 대안으로의 전환을 장려하여 지구 온난화에 가장 크게 기여하는 이산화탄소 배출을 제한하는 것을 목표로 합니다. 국제통화기금(IMF)에 따르면, 온실가스 감축 조치가 없을 경우, 금세기 말까지 전 세계 기온은 산업화 이전 수준보다 약 4°C 상승할 것으로 예상되며, 이는 빙상 붕괴, 해양 순환 시스템 교란, 극한 기상 현상과 같은 심각한 결과를 초래할 것입니다6.

 

 탄소세의 효과는 세금 수준에 따라 다릅니다. 톤당 35달러의 탄소세는 2015년 파리 협정에 따른 G20 국가들의 총 약속을 충족하기에 충분할 것입니다. 이 협정은 지구 온난화에 대응하기 위한 국제적 행동의 기초를 마련합니다6. 이러한 약속은 2030년까지 기준 수준 이하의 화석 연료 CO2 배출량 예상 감소 백분율을 나타냅니다.

 

 탄소세가 효과적이고 공정하게 실행되기 위해서는 탄소 배출량의 정확한 측정과 모니터링이 필수적입니다. 지구 관측 데이터는 이러한 맥락에서 다양한 지역과 부문에 걸친 탄소 저장량과 흐름에 대한 객관적이고 포괄적인 정보를 제공함으로써 중요한 역할을 합니다. 이 정보는 다양한 활동의 실제 탄소 발자국을 반영하는 탄소세 정책을 설계하고 배출 감소가 제대로 계산되도록 보장하는 데 도움이 될 수 있습니다.

 

 또한, 도시가 전 세계 화석 연료 기반 CO2 배출의 약 75%를 차지하기 때문에, 도시 탄소 모니터링은 기후 변화 완화에 특히 중요합니다7. 서울의 대기 CO2 농도 모니터링에 사용된 EM27/SUN 지상 원격 탐사 장비와 같은 기술은 도시 탄소세 정책에 귀중한 데이터를 제공할 수 있습니다7.

 

 탄소세 실행에는 탄소 측정뿐만 아니라 경제적 영향, 사회적 형평성, 정책 설계와 같은 요소도 고려해야 합니다. 그러나 지구 관측 데이터를 사용한 정확하고 포괄적인 탄소 측정은 효과적인 탄소 가격 메커니즘을 구축할 수 있는 기반을 형성합니다.

 

결론

 

 지구 관측 데이터는 다양한 생태계의 탄소량을 측정하는 데 필수적인 도구가 되었으며, 기후 변화 완화 노력에 중요한 정보를 제공합니다. 본 보고서는 이 과정에 관련된 다양한 기술, 방법론, 응용 분야를 검토하면서, 여러 데이터 소스와 분석 기술을 결합한 통합 접근 방식의 중요성을 강조했습니다.

 

 식생 지수와 LiDAR로 대표되는 원격 탐사 기술은 지역 구획에서 전체 경관에 이르기까지 다양한 규모에서 바이오매스와 탄소 함량을 추정할 수 있는 강력한 수단을 제공합니다. 식생 지수(NDVI, EVI, LAI)와 바이오매스 사이의 관계는 광범위하게 연구되어 왔으며, 이는 다양한 생태계 유형에서 탄소 추정을 위한 견고한 프레임워크를 제공합니다. 3차원 식생 구조를 포착할 수 있는 독특한 기능을 가진 LiDAR 기술은 산림 탄소 측정에 혁명을 가져와 이전보다 더 정확하고 포괄적인 평가를 가능하게 했습니다.

 

 바이오매스를 탄소 추정치로 변환하는 것은 개념적으로는 간단하지만(바이오매스의 약 45-50%가 탄소임), 생태계별 특성과 지상부 바이오매스 이외의 탄소 저장소를 신중히 고려해야 합니다. 토지 이용 변화는 탄소 배출의 중요한 요인으로, 시간이 지남에 따라 토지 피복 변화와 관련 탄소 흐름을 추적할 수 있는 강력한 모니터링 시스템이 필요합니다.

 

 인공지능과 기계학습은 특히 토지 피복 변화 모니터링과 복잡한 원격 탐사 데이터 처리에서 탄소 측정의 정확성과 효율성을 향상시키는 데 매우 가치 있는 도구로 부상했습니다. 이러한 기술은 토지 피복 특성의 지역적 차이와 전환 패턴의 변화와 관련된 과제를 해결하는 데 도움이 될 수 있습니다.

 

 정확한 탄소 측정은 파리 협정과 같은 국제 협약에 따른 기후 약속을 이행하기 위해 점점 더 필수적으로 인식되고 있는 효과적인 탄소세 정책 실행의 기초입니다. 도시가 전 세계 화석 연료 기반 CO2 배출의 약 75%를 차지하기 때문에 도시 탄소 모니터링이 특히 중요합니다.

 

 기후 변화가 전 세계 생태계와 인류 복지에 계속해서 심각한 위협을 가하는 가운데, 탄소 측정에서 지구 관측 데이터의 역할은 더욱 중요해질 것입니다. 원격 탐사 기술, 분석 방법, 통합 접근 방식의 지속적인 발전은 기후 정책과 행동을 안내하는 데 필요한 정확하고 포괄적이며 시기적절한 정보를 제공하는 데 필수적일 것입니다.

 

 효과적인 기후 변화 완화 경로는 지구 시스템 전체의 탄소 흐름을 측정, 모니터링, 관리하는 우리의 능력에 크게 의존합니다. 지구 관측 데이터는 적절히 수집, 분석, 적용될 때 이러한 노력의 과학적 기반을 제공하여 더 지속 가능한 미래에 대한 희망을 제시합니다. 

 

*GROK3 및 퍼플렉시티를 활용하여 작성된 글.

 

Citations:

1. https://www.kais99.org/jkais/springNfall/spring2024/session/2024_spring_310.pdf
2. https://www.isprs.org/proceedings/xxxviii/part8/headline/TS-20/W07F02_20100308114838.pdf
3. https://www.woodwellclimate.org/lidar-technology-carbon-biomass-estimates/
4. https://www.nature.com/articles/s41467-022-32244-w
5. https://www.wur.nl/en/article/msc-thsis-topic-ai-for-land-cover-change-monitoring.htm
6. https://www.imf.org/en/Publications/fandd/issues/2019/06/what-is-carbon-taxation-basics
7. https://s-space.snu.ac.kr/handle/10371/210984
8. http://www.slrss.cn/kxyj/lwzz/202007/P020200729525548276947.pdf
9. https://foris.fao.org/wfc2015/api/file/550d97865eefb71b544a2205/contents/430ae260-1d40-4c60-bd4d-99842439164e.pdf
10. https://www.carbonbrief.org/guest-post-how-land-use-drives-co2-emissions-around-the-world/
11. http://www.copernicus.eu/en/news/news/observer-revealing-hidden-land-patterns-ai-and-copernicus
12. https://www.ecb.europa.eu/pub/pdf/scpwps/ecb.wp2862~47f293b3f5.en.pdf
13. https://people.snu.ac.kr/67/7
14. https://www.nature.com/articles/s41597-023-02695-x
15. https://carbonplan.org/blog/open-lidar-biomass
16. https://www.ipcc-nggip.iges.or.jp/public/gl/guidelin/ch5ref1.pdf
17. https://www.mdpi.com/2071-1050/16/1/274
18. https://londoneconomics.co.uk/blog/publication/no-value-without-verification-earth-observation-for-carbon-markets/
19. https://scienceon.kisti.re.kr/srch/selectPORSrchReport.do?cn=TRKO202100004968
20. https://www.researchgate.net/figure/a-Relationship-between-normalized-difference-vegetation-index-NDVI-and-leaf-area_fig2_324883709