Skip Navigation
Skip to contents

GEO DATA : GEO DATA

OPEN ACCESS
SEARCH
Search

Articles

Page Path
HOME > GEO DATA > Volume 6(4); 2024 > Article
Data Article
생태계 복원 사업 효과 모니터링을 위한 기반 데이터 구축
조소연1orcid, 안나현2orcid, 차재규3,*orcid
Dataset Construction for Monitoring the Effects of Ecosystem Restoration Projects
Soyeon Cho1orcid, Nahyun Ahn2orcid, Jaegyu Cha3,*orcid
GEO DATA 2024;6(4):197-207.
DOI: https://doi.org/10.22761/GD.2024.0027
Published online: December 3, 2024

1전임연구원, 국립생태원 기후탄소연구팀, 충청남도 서천군 마서면 금강로 1210, 33657, 대한민국

2연구원, 국립생태원 기후탄소연구팀, 충청남도 서천군 마서면 금강로 1210, 33657, 대한민국

3선임연구원, 국립생태원 기후탄소연구팀, 충청남도 서천군 마서면 금강로 1210, 33657, 대한민국

1Associate Researcher, Climate Change and Carbon Research Team, National Institute of Ecology, 1210 Geumgang-ro, Maseo-myeon, Seocheon-gun, 33657 Chungcheongnam-do, South Korea

2Researcher, Climate Change and Carbon Research Team, National Institute of Ecology, 1210 Geumgang-ro, Maseo-myeon, Seocheon-gun, 33657 Chungcheongnam-do, South Korea

3Senior Researcher, Climate Change and Carbon Research Team, National Institute of Ecology, 1210 Geumgang-ro, Maseo-myeon, Seocheon-gun, 33657 Chungcheongnam-do, South Korea

Corresponding Author Jaegyu Cha Tel: +82-41-950-5490 E-mail: flow@nie.re.kr
• Received: September 5, 2024   • Revised: October 10, 2024   • Accepted: October 29, 2024

Copyright © 2024 GeoAI Data Society

This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

prev next
  • 208 Views
  • 39 Download
  • Climate change have increased the necessity for developing climate adaptation strategies. Ecological restoration projects have been implemented to restore the structure and function of degraded natural environments, thus enabling adaptation to the climate crisis. However, due to the lack of subsequent monitoring and evaluation, the effectiveness and success of these restoration efforts remain unverified. Verification of restoration effectiveness is essential for establishing ecological restoration and adaptation policies. Therefore, this study catalogs 338 cases of ecosystem restoration projects (including Ecosystem Conservation Fund Return Projects, Jayeon Madang Restoration Projects, and Urban Ecological Corridor Restoration Projects) conducted between 2010 and 2023 to effectively select monitoring sites. Using satellite-based spatial data, we quantified the normalized difference vegetation index (NDVI), normalized difference built-up index (NDBI), normalized difference moisture index (NDMI) and land surface temperature (LST). This study shows that higher NDVI values significantly lower LST and NDMI, indicating that the more vegetation restored in ecosystems, the more effectively it reduces surface temperatures. The NDVI across all land cover types averaged above 0.2, corresponding to a high vegetation cover density. Specifically, forests exhibited significantly higher NDVI and NDMI, whereas bare land and used area showed significantly higher NDBI and LST. Over the time series, NDVI and NDMI increased, and NDBI decreased, suggesting the positive effects of restoration. The ranges of NDVI, NDBI, NDMI and LST values by land cover type for the 338 restoration project sites provided in this study can be utilized for selecting specific monitoring sites and verifying effectiveness.
기온 및 해수면 상승 등 기후 변화 지표들은 기록을 갱신하고 있으며 기후 변화에 따른 폭우와 홍수, 가뭄과 폭염, 산사태 등 자연재해의 강도와 빈도 증가로 인명과 재산의 피해 수준도 같이 증가하고 있다(Intergovernmental Panel on Climate Change, 2021). 기후 변화의 주요 원인은 인간 활동으로 인해 발생하는 온실가스이며 일정 수준으로 온실가스를 감축하더라도 현재까지 진행된 기후 변화의 영향은 지속될 것이다(National Research Council, 2010). 현재까지 기후 변화에 대한 주된 대응책은 감축이었으며 적응에 대한 노력은 상대적으로 적었다(Broto and Bulkeley, 2013). 그러나 지속되는 기후 위기에 대응하기 위하여 온실가스 감축과 더불어 기후 변화의 영향을 완화하거나 적응하기 위한 대책 수립과 방안 마련도 중요하다.
기후 변화 영향을 완화하거나 적응하기 위한 국제적 노력과 수단 중에서 생태계 복원 사업은 훼손된 자연환경의 구조와 기능을 회복시켜서 생물다양성을 개선하는 동시에 다양한 기후 위기 리스크의 적응 문제를 해결할 수 있는 방안으로 인식 및 활용되고 있다. 생태계 복원은 생물다양성의 회복력을 증진하고 다양한 생태계 서비스를 제공함으로써 현재의 기후 위기와 미래의 기후 변화를 완화하고 적응할 수 있을 것이라 예측되지만(Turner et al., 2009) 실제로 복원 사업이 얼마나 효과적인지는 불확실하다(Suding, 2011). 전 세계적으로 수년간의 정책과 재정 투자로 다수의 생태계 복원 사업이 수행되어 왔지만 이후의 모니터링이나 평가가 부재하여 복원의 효과나 성공 여부는 검증되지 않았기 때문이다(Nilsson et al., 2016; Tischew et al., 2010). 생태계 복원 사업의 성공 여부를 평가하는 것은 생태계 복원의 중요성을 알리고 개선된 복원 정책 수립을 위하여 필수적이다(Wortley et al., 2013). 그러나 현장 모니터링은 한정된 자원으로 넓은 지역을 아우르지 못하고 시간과 비용이 많이 소요되는 한계가 있기 때문에 적합한 모니터링 대상지 선정이 중요하다(Kumar et al., 2021).
위성 관측은 광범위한 범위에서 일관되고 반복 가능한 데이터를 제공하여 생태 복원 사업 이전과 이후의 복원 효과를 평가하거나 모니터링 대상지 선정에 유용한 도구로 활용될 수 있다(Kumar et al., 2021; Smith et al., 2023). 특히 위성 영상에서 획득한 지표들은 생태계 건강 상태를 종합적으로 평가하는 데 유용하다. 이 중 정규식생지수(normalized difference vegetation index, NDVI)는 식생의 활력도를 나타내며 복원 대상 지역의 식생 상태를 평가하는 데 널리 활용되고 있다(Pinzon and Tucker, 2014; Tucker et al., 2005). 정규시가화지수(normalized difference built-up index, NDBI)는 인간 활동으로 인해 도시화가 진행된 지역을 감지하며 정규토양수분지수(normalized difference moisture index, NDMI)는 식생의 수분 함량을 나타내는 지수로 식생의 수분 스트레스 상태를 평가할 수 있다(Goodwin et al., 2008). 지표 온도(land surface temperature, LST)는 복원 지역의 열 환경 변화를 감지할 수 있으며 이는 생태계 복원의 기후 조절 기능과 관련이 깊다(Kumar et al., 2023).
국내에서도 도시의 건전성과 생물다양성 제고를 위하여 생태계 복원 사업을 추진하고 있으며 기후 위기 적응의 대응 수단으로도 인식되고 있으나 관련 효과에 대한 검증과 데이터는 매우 부족한 실정이다. 따라서 생태계 복원 사업들이 기후 위기 적응의 수단으로써 가지는 효과의 장기적 모니터링이 필요한 시점이며 이를 위한 적정 대상지 선정과 효과성 검증에 필요한 기반 데이터 구축이 필요하다. 이에 본 연구에서는 2010-2023년 동안 수행된 국내 육상 생태계 복원 사업 338개(생태계보전부담금 반환 사업, 자연마당, 도시생태축 복원 사업)를 대상으로 위성 영상을 활용하여 NDVI, NDBI, NDMI, LST 데이터를 구축하고 지수 간의 관계와 생태계 유형 및 경과 연수에 따른 변화를 확인하고자 한다.
2.1 조사 지역
국내 육상 생태 복원 사업에 해당하는 3개 사업(생태계보전부담금 반환 사업, 자연마당, 도시생태축 복원 사업)을 대상으로 데이터를 수집하였다. 생태계보전부담금 반환 사업은 개발 사업 추진에 따른 생태계 훼손을 최소화하도록 훼손된 만큼의 비용을 개발 사업자에게 부과함으로써 훼손된 자연 생태계 복원 사업 등에 사용되는 제도로 2001년부터 운영되고 있다. 소생태계 조성 사업, 대체자연 조성 사업, 생태통로 조성 사업 등이 포함된다. 도시 생활권의 훼손되고 방치된 공간을 복원하여 습지, 개울, 초지, 숲과 같은 다양한 유형의 생태 공간을 조성하는 자연마당은 도시의 생물다양성 증진과 도시 생태계의 건전성 향상을 목표로 2012년부터 추진하고 있으며 생태계보전부담금 반환 사업의 일환으로 진행되다가 2016년 신규 사업부터 지방자치단체 보조 사업으로 전환되었다(Ministry of Environment, 2018). 또한 도시생태축 복원 사업은 2020년도부터 시작하여 도시 내 단절 또는 훼손된 생태축을 복원하여 생물다양성 감소와 기후 문제의 해결을 도모하기 위한 사업이다.
본 연구에서는 3개 생태 복원 사업 중에서 위치 정보 확인이 가능한 생태계보전부담금 반환 사업 281개(2010-2023년 시행), 자연마당 30개, 도시생태축 복원 사업 27개 등 총 338개의 생태 복원 사업 사례를 이용하였다. 해당 생태 복원 사업은 광역자치단체별로 서울특별시 38개, 부산광역시 8개, 대구광역시 11개, 인천광역시 9개, 광주광역시 11개, 대전광역시 7개, 울산광역시 8개, 경기도 79개, 강원특별자치도 16개, 충청북도 28개, 충청남도 26개, 전북특별자치도 29개, 전라남도 20개, 경상북도 20개, 경상남도 23개, 제주특별자치도 5개의 사업이 시행되었다(Fig. 1).
2.2 분석 방법
위성 영상은 넓은 지역 또는 특정 지역의 식생을 포함한 토지 피복 상태와 변화 확인을 통해 생태계 모니터링에 효과적으로 활용될 수 있다(Ke et al., 2015; Michene and Houhoulis, 1997; Nash et al., 2014; Ulbricht and Heckendorff, 1998). 따라서 본 연구에서는 해상도와 자료 취득을 고려하여 Landsat 8 영상을 기반으로 338개 생태 복원 사업의 환경 및 공간적 현황과 시계열적 변화 탐지를 위해 관련 지수들을 분석하고 데이터를 구축하였다. 분석 지수는 NDVI, NDBI, NDMI, LST이다. NDVI는 식생 피도와 식물의 생장 정도를 나타내는 지수로 활용되며 식생 피도와 밀도가 증가할수록 값이 커진다(Sun et al., 2011). NDVI는 근적외선(near infrared) 및 가시광선(visible light) 영역의 반사율로부터 계산되었으며 값의 범위는 -1에서 1이고 음수 값은 식생이 부족한 지역을 나타낸다. 0.0-0.1은 낮은 식생 밀도, 0.1-0.2는 평균, 0.2-0.3은 높은 식생 밀도를 의미한다. 산림에서의 NDVI 값은 약 0.6 정도이다(Zhou et al. 2021). NDBI는 -1에서 1까지의 범위이며 값이 0 미만일 경우 식생, 0.0-0.1이면 수면, 0.1을 초과할 경우 나지 또는 건축 지역으로 볼 수 있다(Guha et al., 2021). NDMI는 식생의 수분 함량을 나타내는 지수로 식생의 수분 스트레스 상태를 평가할 수 있다. 값은 -1에서 1 범위이며 값이 높을수록 수분 함량이 높고 낮을수록 수분 스트레스가 높다(Taloor et al., 2021). LST는 위성 영상의 열적외선을 활용하여 도출되며 지표면의 온도를 의미한다(Avdan and Jovanovska, 2016). Collection 2 level 2 science product (L2SP)는 절대온도(Kelvin) 값을 가진 LST를 ST B10 밴드에 포함하고 있으며 ST B10 관련 보정계수 적용과 섭씨온도 변환을 통해 분석에 활용하였다(Park and Kim, 2021; Sayler and Zanter, 2024). 각 지수 산정을 위한 식은 Table 1과 같다.
분석에 활용한 Landsat 8은 영상에 대한 전처리와 보정을 거쳐 연구 등 분석에 용이한 L2SP를 사용하였다. 현황 분석에는 식물의 개엽 및 최대 생장 시기를 고려하여 2023년 5-9월 사이에 촬영된 Landsat 8 중 구름 비율이 20% 이하인 영상만을 활용하였다. 각 지수의 산출 결과물은 복원 면적을 고려하여 90×90 m로 리샘플링하여 도출하였다. 경향(시계열) 분석에서는 동일한 조건으로 2013년부터 2023년 사이의 영상을 활용하였다.
위성 영상 선별과 지수 분석은 대용량의 위성 영상을 효율적으로 처리할 수 있어 최근 생태계 변화 모니터링에 많이 활용되고 있는 Google Earth Engine (GEE; Google, Mountain View, CA, USA) (Pérez-Cutillas et al., 2023; Praticò et al., 2021; Seydi et al., 2021)을 사용하였다. 각 연도별 분석에 활용한 위성 영상에서 구름이 있는 지역은 제거하고 각 지수의 값을 연도별로 평균하여 도출하도록 하였다. GEE에서 처리한 결과는 ArcGIS Pro (Esri, Redlands, CA, USA)를 활용하여 338개 지점의 데이터를 추출하였다. 이 중 값이 도출되지 않은 지점을 제외한 311개 지점의 데이터만 분석에 활용하였다.
복원 사업 이후 지점별 현황 파악을 위해 각 지수의 최댓값, 중앙값, 최솟값을 도출하였다. 생태계 유형에 따른 지수는 2023년 환경부 토지피복지도를 활용하여 5개 유형(나지, 농업 지역, 산림 지역, 습지, 시가화·건조 지역, 초지)으로 구분하고 일원 분산분석(one-way analysis of variance [ANOVA])으로 유의성을 비교하였다. 그리고 NDVI, NDBI에 따른 NDMI, LST 값은 단순회귀분석(linear regression)으로 지수 간 관계를 확인하였다. 2013년 이전에 시행된 12개 복원 사업을 대상으로 변화를 파악하기 위하여 연도별 NDVI, NDBI, NDMI 및 LST를 추출하였다. 각 지수의 시계열 변화는 시계열 분석에 적합한 반복 측정 분산분석(repeated measures ANOVA)으로 유의성을 검정하였고 사후 검정은 Bonferroni 분석을 활용하였다. 단순회귀분석, 일원 분산분석, 반복측정 분산분석은 R-통계(R Foundation, Vienna, Austria)를 활용하였다.
3.1 복원 사업의 지수 현황
생태 복원 사업이 수행된 지점(n=311)의 2023년 NDVI, NDBI, NDMI 및 LST 값을 확인하였다(Fig. 2). NDVI는 최소 -0.009에서 최대 0.479의 범위이며 중앙값은 0.301이다. NDBI는 최소 -0.262에서 최대 0.079이며 중앙값은 -0.130이다. NDMI는 최소 -0.079, 최대 0.262이며 중앙값은 0.130이다. LST는 최소 21.4, 최대 46.4이며 중앙값은 31.9이다.
3.2 생태계 유형별 비교
일원 분산분석 결과 모든 지수는 생태계 유형별 차이가 유의하였다(Fig. 3). NDVI는 산림에서 0.35로 가장 높았고 습지에서 0.21로 가장 낮았다(F=14.353, p<0.001). NDBI는 이와 반대로 산림에서 -0.18로 가장 낮았고 나지에서 -0.07로 가장 높았다(F=14.407, p<0.001). NDMI는 산림에서 0.18로 가장 높았고 나지에서 0.07로 가장 낮았다(F=14.407, p<0.001). LST는 산림 지역에서 30.21로 유의하게 낮았고 시가화 지역에서 33.82로 가장 높았다(F=8.080, p<0.001).
3.3 지수 간의 관계
지수 간의 관계를 회귀분석으로 분석한 결과(Fig. 4) 생태 복원 사업지의 NDVI 값이 높을수록 LST는 유의하게 감소하였다(R2=0.085, F=29.68, p<0.001). 반면 NDVI 값이 높을수록 NDMI는 유의하게 증가하였다(R2=0.745, F=903.96, p<0.001). 이와 반대로 생태 복원 사업지의 NDBI 값이 높을수록 LST는 유의하게 증가하였다(R2=0.204, F=79.20, p<0.001). NDBI 값이 높을수록 NDMI는 유의하게 감소하였다(R2=1.00, F=3.223e+32, p<0.01).
3.4 시계열 비교
지수의 시계열적 변화를 반복 측정 분산분석으로 확인한 결과 연도별 NDVI, NDBI, NDMI 및 LST는 모두 유의한 차이가 있었다(Fig. 5). Bonferroni 사후 검정을 통해 연도 간 유의성을 다중 비교한 결과 2014-2017년에 비해 2018-2023년에 NDVI (F=2.9766, p<0.01)와 NDMI (F=3.4562, p<0.001)가 유의하게 높았다. 이와 반대되는 결과로 NDBI는 2014-2017년에 비해 2018-2023년에 유의하게 값이 낮았다(F=3.4562, p<0.001). 연도별 LST 값은 유의한 차이가 있었고(F=7.6057, p<0.001) 사후 검정 결과 2018년이 다른 해에 비에 유의하게 높았다. 복원 사업이 실시되고 초반인 2014-2017년에 비해 2018-2023년에 NDVI와 NDMI 값이 유의하게 높아지고 NDBI는 낮아진 결과였다. 반면 LST는 시간 경과에 따른 차이가 나타나지 않았고 2018년이 다른 연도에 비해 높았다.
본 논문에서는 생태계 복원 사업의 복원 효과 모니터링을 위한 기초 현황 파악과 모니터링 대상지 선정을 위한 기반 데이터 구축을 위하여 국내 육상 생태계 복원 사업 338개(생태계보전부담금 반환 사업, 자연마당, 도시생태축 복원 사업)를 대상으로 위성 영상을 활용하여 NDVI, NDBI, NDMI, LST 데이터를 구축하고 지수 간의 관계와 생태계 유형 및 경과 연수에 따른 변화를 확인하였다.
4개의 지수 모두 생태계 유형별 차이가 유의하였는데 복원 사업이 수행되더라도 기존 생태계 유형의 영향이 컸다. 복원 사업이 수행된 지점의 NDVI는 모든 생태계 유형에서 평균 0.2 이상으로 높은 식생 밀도에 해당하는 수준이었다(Zhou et al., 2021). 생태계 유형이 산림인 경우에 NDVI가 평균 0.35로 가장 높았으나 보통 산림의 수치인 0.6보다는 낮은 수치였다(Zhou et al., 2021). 이는 주로 생태 복원 사업이 도시 산림이나 임연부에서 수행되었기 때문으로 판단된다. 습지에서 0.21로 가장 낮은 것은 습지 생태계 유형에 식생이 부족한 수역 부분이 포함되었기 때문이다. NDBI는 모든 토지피복 유형에서 평균 음의 값으로 식생 지역에 해당하였다(Guha et al., 2021). 생태계 유형이 나지나 시가화·건조 지역이라 하더라도 생태계 복원 사업으로 식생이 조성된 결과로 판단된다. NDMI와 LST도 산림에서 가장 낮았고 나지 및 시가화 지역에서 높았다.
복원 대상지의 NDVI가 높을수록 LST와 NDMI가 유의하게 낮아졌다. 이는 생태계에 복원한 식생이 많을수록 LST를 효과적으로 낮춘다는 것을 보여준다(Rahman, 2024). NDBI가 높을수록 LST와 NDMI가 높아져서 반대의 경향을 보였다.
2013년 이전에 수행된 12개 사업 대상으로 시계열 변화를 확인한 결과 복원 사업이 실시되고 초반인 2014-2017년에 비해 2018-2023년에 NDVI와 NDMI 값이 유의하게 높아지고 NDBI는 낮아져 복원의 효과를 확인할 수 있었다. 그러나 LST는 시간 경과에 따른 차이가 나타나지 않았고 2018년이 다른 연도에 비해 높았다. 이는 2018년은 폭염일수가 31일로 관측 이래 역대 최고치(Korea Meteorological Administration, 2024)였기 때문으로 복원의 영향보다는 당해 기상 조건의 영향이 컸을 것으로 판단된다. 회귀분석에서 NDVI가 증가함에 따라 LST가 유의하게 감소한 것과 배치되는 결과인데 이는 시계열 분석에는 2013년 이전에 복원되었고 2013-2023년 동안 null 데이터가 없는 12개 지점만을 이용하였기 때문에 표본 수에 한계가 있는 것으로 판단된다.
본 연구에서 제공한 복원 사업 대상지 338개의 토지피복 유형별 NDVI, NDBI, NDMI, LST는 구체적인 모니터링 대상지 선정, 효과성 검증 등에 활용될 수 있을 것이다. 특히 NDVI가 높을수록 LST가 유의하게 낮아지는 결과로 복원의 효과를 확인하는 지표로 사용될 수 있을 것이다. 또한 생태계 유형에 따른 영향이 크므로 각 생태계 유형별 값의 구배를 활용하여 모니터링 지점을 선정하면 활용도가 높을 것으로 판단된다.

Conflict of Interest

On behalf of all authors, the corresponding author states that there is no conflict of interest.

Funding Information

This study was supported by a grant from the National Institute of Ecology (NIE), funded by the Ministry of Environment (MOE) of the Republic of Korea (NIE-B-2024-44).

Data Availability Statement

The data that support the findings of this study are openly available in EcoBank at https://doi.or.kr/10.22756/GEO.20240000000882.

Fig. 1.
Map of 338 sites for three restoration projects conducted from 2010 to 2023.
GD-2024-0027f1.jpg
Fig. 2.
Box plot of (a) NDVI, (b) NDBI, (c) NDMI, and (d) LST in 2023 after the restoration projects (n=311). NDVI, normalized difference vegetation index; NDBI, normalized difference built-up index; NDMI, normalized difference moisture index; LST, land surface temperature.
GD-2024-0027f2.jpg
Fig. 3.
(a) NDVI, (b) NDBI, (c) NDMI, and (d) LST with different ecosystem land cover types (average±standard error, n=311). NDVI, normalized difference vegetation index; NDBI, normalized difference built-up index; NDMI, normalized difference moisture index; LST, land surface temperature.
GD-2024-0027f3.jpg
Fig. 4.
(a) Regression between NDVI and LST, (b) Regression between NDVI and NDMI, (c) Regression between NDBI and LST, (d) Regression between NDBI and NDMI (n=311). LST, land surface temperature NDVI, normalized difference vegetation index; NDMI, normalized difference moisture index; NDBI, normalized difference built-up index.
GD-2024-0027f4.jpg
Fig. 5.
Yearly changes in (a) NDVI, (b) NDBI, (c) NDMI, and (d) LST for restoration projects conducted before 2013 (average±standard error, n=12). NDVI, normalized difference vegetation index; NDBI, normalized difference built-up index; NDMI, normalized difference moisture index; LST, land surface temperature.
GD-2024-0027f5.jpg
Table 1.
Characteristics of NDVI, NDBI, NDMI and LST data for a restoration site from 2013 to 2023
Attribute Formula Satellite data Cloud cover (%) Resolution (resample) (m)
NDVI (NIR-red)/(NIR+red) Landsat 8 ≤20 90×90
NDBI (SWIR-NIR)/(SWIR+NIR) Landsat 8 ≤20 90×90
NDMI (NIR-SWIR)/(NIR+SWIR) Landsat 8 ≤20 90×90
LST (ST 10×0.00341802+149.0)-273.15 Landsat 8 ≤20 90×90

NDVI, normalized difference vegetation index; NDBI, normalized difference built-up index; NDMI, normalized difference moisture index; LST, land surface temperature; NIR, near Infrared; SWIR, short-wave infrared; ST, surface temperature.

  • Avdan U, Jovanovska G (2016) Algorithm for automated mapping of land surface temperature using LANDSAT 8 satellite data. J Sens 2016:1480307ArticlePDF
  • Broto VC, Bulkeley H (2013) A survey of urban climate change experiments in 100 cities. Glob Environ Change 23(1):92–102ArticlePubMedPMC
  • Goodwin NR, Coops NC, Wulder MA, Gillanders S, Schroeder TA, Nelson T (2008) Estimation of insect infestation dynamics using a temporal sequence of Landsat data. Remote Sens Environ 112(9):3680–3689Article
  • Guha S, Govil H, Gill N, Dey A (2021) A long-term seasonal analysis on the relationship between LST and NDBI using Landsat data. Quat Int 575-576:249–258Article
  • Intergovernmental Panel on Climate Change (IPCC) (2021) Climate change 2021: the physical science basis. IPCC, Geneva, 2391p
  • Ke Y, Im J, Lee J, Gong H, Ryu Y (2015) Characteristics of Landsat 8 OLI-derived NDVI by comparison with multiple satellite sensors and in-situ observations. Remote Sens Environ 164:298–313Article
  • Korea Meteorological Administration (2024) The days of heat wave. https://data.kma.go.kr/climate/heatWave/selectHeatWaveChart.do Accessed 30 Jun 2024
  • Kumar BP, Anusha BN, Babu KR, Sree PP (2023) Identification of climate change impact and thermal comfort zones in semi-arid regions of AP, India using LST and NDBI techniques. J Clean Prod 407:137175Article
  • Kumar P, Debele SE, Sahani J, et al (2021) An overview of monitoring methods for assessing the performance of nature-based solutions against natural hazards. Earth-Sci Rev 217:103603Article
  • Michene WK, Houhoulis PF (1997) Detection of vegetation changes associated with extensive flooding in a forested ecosystem. PE&RS 63(12):1363–1374
  • Ministry of Environment (MOE) (2018) Guidelines for the ecosystem conservation fund return projects. MOE, Sejong, 83p
  • Nash MS, Bradford DF, Wickham JD, Wade TG (2014) Detecting change in landscape greenness over large areas: an example for New Mexico, USA. Remote Sens Environ 150:152–162Article
  • National Research Council (2010) Adapting to the impacts of climate change. The National Academies Press, Washington D.C., 271p
  • Nilsson C, Aradottir AL, Hagen D, et al (2016) Evaluating the process of ecological restoration. Ecol Soc 21(1):41Article
  • Park SW, Kim MS (2021) Availability of land surface temperature using Landsat 8 OLI/TIRS science products. Korean J Remote Sens 37(3):463–473
  • Pérez-Cutillas P, Pérez-Navarro A, Conesa-García C, Zema DA, Amado-Álvarez JP (2023) What is going on within google earth engine? A systematic review and meta-analysis. Remote Sens Appl: Soc Environ 29:100907Article
  • Pinzon JE, Tucker CJ (2014) A non-stationary 1981-2012 AVHRR NDVI3g time series. Remote Sens 6(8):6929–6960Article
  • Praticò S, Solano F, Di Fazio S, Modica G (2021) Machine learning classification of mediterranean forest habitats in Google Earth Engine based on seasonal sentinel-2 time-series and input image composition optimisation. Remote Sens 13(4):586Article
  • Rahman M (2024) Landsat observation of land use and land cover change monitoring and its correlation with land surface temperature through NDBI and NDVI Analysis: a case study of Pine Bluff City, Arkansas. https://doi.org/10.21203/rs.3.rs-3836499/v1 Accessed 1 Jun 2024Article
  • Sayler K, Zanter K (2024) Landsat 8-9 collection 2 (C2) level 2 science product (L2SP) guide. https://www.usgs.gov/media/files/landsat-8-9-collection-2-level-2-science-product-guide Accessed 1 Jun 2024
  • Seydi ST, Akhoondzadeh M, Amani M, Mahdavi S (2021) Wildfire damage assessment over Australia using Sentinel-2 imagery and MODIS land cover product within the Google Earth Engine cloud platform. Remote Sens 13(2):220Article
  • Smith IA, Fabian MP, Hutyra LR (2023) Urban green space and albedo impacts on surface temperature across seven United States cities. Sci Total Environ 857(3):159663ArticlePubMed
  • Suding KN (2011) Toward an era of restoration in ecology: successes, failures, and opportunities ahead. Annu Rev Ecol Evol Syst 42:465–487Article
  • Sun Z, Chang NB, Opp C, Hennig T (2011) Evaluation of ecological restoration through vegetation patterns in the lower Tarim River, China with MODIS NDVI data. Ecol Inform 6(2):156–163Article
  • Taloor AK, Manhas DS, Kothyari GC (2021) Retrieval of land surface temperature, normalized difference moisture index, normalized difference water index of the Ravi basin using Landsat data. Appl Comput Geosci 9:100051Article
  • Tischew S, Baasch A, Conrad MK, Kirmer A (2010) Evaluating restoration success of frequently implemented compensation measures: results and demands for control procedures. Restor Ecol 18(4):467–480Article
  • Tucker CJ, Pinzon JE, Brown ME, et al (2005) An extended AVHRR 8‐km NDVI dataset compatible with MODIS and SPOT vegetation NDVI data. Int J Remote Sens 26(20):4485–4498Article
  • Turner WR, Oppenheimer M, Wilcove DS (2009) A force to fight global warming. Nature 462:278–279ArticlePubMedPDF
  • Ulbricht KA, Heckendorff WD (1998) Satellite images for recognition of landscape and landuse changes. ISPRS J Photogramm Remote Sens 53(4):235–243Article
  • Wortley L, Hero JM, Howes M (2013) Evaluating ecological restoration success: a review of the literature. Restor Ecol 21(5):537–543Article
  • Zhou Y, Fu D, Lu C, Xu X, Tang Q (2021) Positive effects of ecological restoration policies on the vegetation dynamics in a typical ecologically vulnerable area of China. Ecol Eng 159:106087Article
Meta Data for Dataset
Essential
Field Sub-Category
Title of Dataset Dataset construction for monitoring the effects of ecosystem restoration projects
DOI https://doi.or.kr/10.22756/GEO.20240000000882
Category Environment (Environmental resources)
Temporal Coverage 2010.01.-2023.12.
Spatial Coverage Address South Korea
WGS84 Coordinates Latitude 32°53’13.51‘‘ N-38°44’43.74‘‘ N
Longitude 124°4’49.16‘‘ E-131°48’20.61‘‘ E
Personnel Name Jaegyu Cha
Affiliation National Institute of Ecology
E-mail flow@nie.re.kr
CC License CC BY-NC
Optional
Field Sub-Category
Summary of Dataset This dataset catalogs 338 cases of ecosystem restoration projects (including Ecosystem Conservation Fund Return Projects, Jayeon Madang Restoration Projects, and Urban Ecological Corridor Restoration Projects) conducted between 2010 and 2023. Time series data(2013~2023) for normalized difference vegetation index (NDVI), normalized difference built-up index (NDBI), normalized difference moisture index (NDMI) and land surface temperature (LST) were provided using satellite-based spatial data.
Project Study on Review Methodology for Climate Change Impact Assessment in Ecosystems
Instrument Google Earth Engine (GEE), ArcGIS Pro 3.1.3

Figure & Data

References

    Citations

    Citations to this article as recorded by  

      Figure
      • 0
      • 1
      • 2
      • 3
      • 4
      Dataset Construction for Monitoring the Effects of Ecosystem Restoration Projects
      Image Image Image Image Image
      Fig. 1. Map of 338 sites for three restoration projects conducted from 2010 to 2023.
      Fig. 2. Box plot of (a) NDVI, (b) NDBI, (c) NDMI, and (d) LST in 2023 after the restoration projects (n=311). NDVI, normalized difference vegetation index; NDBI, normalized difference built-up index; NDMI, normalized difference moisture index; LST, land surface temperature.
      Fig. 3. (a) NDVI, (b) NDBI, (c) NDMI, and (d) LST with different ecosystem land cover types (average±standard error, n=311). NDVI, normalized difference vegetation index; NDBI, normalized difference built-up index; NDMI, normalized difference moisture index; LST, land surface temperature.
      Fig. 4. (a) Regression between NDVI and LST, (b) Regression between NDVI and NDMI, (c) Regression between NDBI and LST, (d) Regression between NDBI and NDMI (n=311). LST, land surface temperature NDVI, normalized difference vegetation index; NDMI, normalized difference moisture index; NDBI, normalized difference built-up index.
      Fig. 5. Yearly changes in (a) NDVI, (b) NDBI, (c) NDMI, and (d) LST for restoration projects conducted before 2013 (average±standard error, n=12). NDVI, normalized difference vegetation index; NDBI, normalized difference built-up index; NDMI, normalized difference moisture index; LST, land surface temperature.
      Dataset Construction for Monitoring the Effects of Ecosystem Restoration Projects
      Attribute Formula Satellite data Cloud cover (%) Resolution (resample) (m)
      NDVI (NIR-red)/(NIR+red) Landsat 8 ≤20 90×90
      NDBI (SWIR-NIR)/(SWIR+NIR) Landsat 8 ≤20 90×90
      NDMI (NIR-SWIR)/(NIR+SWIR) Landsat 8 ≤20 90×90
      LST (ST 10×0.00341802+149.0)-273.15 Landsat 8 ≤20 90×90
      Essential
      Field Sub-Category
      Title of Dataset Dataset construction for monitoring the effects of ecosystem restoration projects
      DOI https://doi.or.kr/10.22756/GEO.20240000000882
      Category Environment (Environmental resources)
      Temporal Coverage 2010.01.-2023.12.
      Spatial Coverage Address South Korea
      WGS84 Coordinates Latitude 32°53’13.51‘‘ N-38°44’43.74‘‘ N
      Longitude 124°4’49.16‘‘ E-131°48’20.61‘‘ E
      Personnel Name Jaegyu Cha
      Affiliation National Institute of Ecology
      E-mail flow@nie.re.kr
      CC License CC BY-NC
      Optional
      Field Sub-Category
      Summary of Dataset This dataset catalogs 338 cases of ecosystem restoration projects (including Ecosystem Conservation Fund Return Projects, Jayeon Madang Restoration Projects, and Urban Ecological Corridor Restoration Projects) conducted between 2010 and 2023. Time series data(2013~2023) for normalized difference vegetation index (NDVI), normalized difference built-up index (NDBI), normalized difference moisture index (NDMI) and land surface temperature (LST) were provided using satellite-based spatial data.
      Project Study on Review Methodology for Climate Change Impact Assessment in Ecosystems
      Instrument Google Earth Engine (GEE), ArcGIS Pro 3.1.3
      Table 1. Characteristics of NDVI, NDBI, NDMI and LST data for a restoration site from 2013 to 2023

      NDVI, normalized difference vegetation index; NDBI, normalized difference built-up index; NDMI, normalized difference moisture index; LST, land surface temperature; NIR, near Infrared; SWIR, short-wave infrared; ST, surface temperature.


      GEO DATA : GEO DATA
      TOP