선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서 몬순 기후를 가진 우리나라를 대상으로 MODIS LAI, FPAR GPP 영상의 구름에 의한 오차를 평가하고 오차량과 몬순 기후와의 관계를 조사하였다. 이를 위해 2001~2003년간 8일 간격의 MODIS LAI, FPAR, GPP 영상자료에 대해 Kang 등 (2005)의 방법을 이용해 구름 영향을 감쇄한 영상을 제작하였으며, 이를 이용해 식생형에 따른 엽면적지수와 총 일차 생산성의 차이 등을 분석하였다.
- 2005), 주기적인 육상 생태계 모니터링을 위해선 구름에 의해 오염된 픽셀의 값을 의미 있는 값으로 복원하는 구름 영향 감쇄 기법을 적용하여야 한다. 본 연구에서는 우리나라를 대상으로 2001년에서 2003년간 MODIS FPAR, LAI, GPP 영상에 나타난 구름 영향 오차를 감쇄하는 알고리즘을 수행함으로써 몬순 기후 지역에서의 구름 영향 오차를 평가하였다. 본 연구에서 수행한 다양한 분석에 대해 아래와 같은 결론을 내릴 수 있다.
제안 방법
- 구름 영향 감쇄의 효과를 분석하기 위하여 구름 영향 감쇄 후의 대표 영상과 구름 영향 감쇄 전의 대표 영상 간의 차이(구름 영향 오차)를 계산하였다. 시계열적인 변화를 보기 위하여 각 영상에서 육상에 해당하는 약 11만개 픽셀의 평균값을 계산한 후, 각 연도별로 8일 단위의 시계열 영상을 도시하였다.
- 시계열적인 변화를 보기 위하여 각 영상에서 육상에 해당하는 약 11만개 픽셀의 평균값을 계산한 후, 각 연도별로 8일 단위의 시계열 영상을 도시하였다. 구름 영향 오차를 정량화하기 위하여 각 영상의 육상지역에서 구름에 오염된 픽셀의 비율을 산출하는 방식으로 운량의 시계열 자료를 제작한 후 운량이 각 변수의 구름 영향 오차를 얼마나 잘 설명하는 가를 파악하기 위한 결정계수(产)를 계산하였다. 마지막으로 토지 피복 유형에 따라 구름 영향 감쇄 전과 구름 영향 감쇄 후의 LAI, FPAR, GPP 값을 비교함으로써, 토지 피복 유형에 따른 구름 영향 오차를 분석하였다.
- 위의 경우 인접한 다중의 시계열 영상에서 이동격자 내에 구름 없는 픽셀(cloud-He pixel)을 발견하기 힘들며, 이전 시기 영상의 픽셀값으로 현재 영상의 픽셀값을 대치는 경우가 시계열적으로 연달아 여러 번 발생하여 왜곡된 내삽 결과를 가져올 수 있다. 따라서 본 연구에서는 최대 두 번, 즉 16일(8일忍주기)의 연이은 시간적 내삽을 허용하였고 초과할 경우엔 현재 및 이전 영상 중 최대값을 현재 영상의 값으로 대치하도록 하였다. 다중시기 영상을 사용한다고 하여도 구름 영향을 완전히 제거하기는 어려우며 본 연구에서 사용한 기법은 구름의 영향을 최소화하기 위한 즉 구름 영향 감쇄 기법이라 하겠다
- 구름 영향 오차를 정량화하기 위하여 각 영상의 육상지역에서 구름에 오염된 픽셀의 비율을 산출하는 방식으로 운량의 시계열 자료를 제작한 후 운량이 각 변수의 구름 영향 오차를 얼마나 잘 설명하는 가를 파악하기 위한 결정계수(产)를 계산하였다. 마지막으로 토지 피복 유형에 따라 구름 영향 감쇄 전과 구름 영향 감쇄 후의 LAI, FPAR, GPP 값을 비교함으로써, 토지 피복 유형에 따른 구름 영향 오차를 분석하였다.
- MODIS는 EOS의 핵심 원격 탐사 센서로서 육상 생태계의 식물 계절 학과 물질 순환 모니터링을 위한 8일 단위의 엽면적지수 (LAI), 유효 광합성 광량 중 식생에 흡수된 비율(FPAR), 총 일차 생산성(GPP) 영상을 제공하고 있다. 본 연구에서 우리나라를 대상으로 식생형에 따른 2001~2003년 간의 MODIS LAI, FPAR, GPP를 분석하였으며, 구름 영향에 의한 각 영상의 오차를 평가하였다. 분석 결과 연간 GPP는 침엽수림 1, 836, 활엽수림 1, 369, 혼효림 1, 460 g C m2 y1 로 나타났으며, 각 변수에서 구름에 의해 야기된 오차는 FPAR 8.
- 본 연구에서는 Kang 등(2005)이 논의한 바와 같이 그들의 시공간적 내삽기법이 실패할 수 있는 경우, 즉 구름이 장기간의 넓은 지역에 걸쳐 존재하는 상황에 대한 새로운 내삽규칙을 설정하였다. 위의 경우 인접한 다중의 시계열 영상에서 이동격자 내에 구름 없는 픽셀(cloud-He pixel)을 발견하기 힘들며, 이전 시기 영상의 픽셀값으로 현재 영상의 픽셀값을 대치는 경우가 시계열적으로 연달아 여러 번 발생하여 왜곡된 내삽 결과를 가져올 수 있다.
- MODIS LAI, FPAR, GPP 및 토지피복도 영상은 SIN이라는 지구 좌표 체계에 따라, 가로 세로 각각 1, 200개의 1 km 해상도의 픽셀로 구성된 타일 단위의 HDF 파일 포맷으로 제공된다. 본 연구에서는 MRT (MODIS Reprojection Tools)라는 소프트웨어를 이용하여, SIN 지구 좌표 체계를 UTM (Zone 52) 지구 좌표 체계로, HDF 포맷을 TIFF 포맷으로 변경한 후:, 변경한 파일을 Arc/Info (v. 8.012) 소프트웨어 상에서 Arc/Inft, 그리드 포맷으로 변환하였다. 이렇게 변환한 토지피복도, FPAR, LAI, GPP 영상에서 우리나라 지역만을 잘라낸 후, 이를 아스키(ascii) 파일로 출력하였다.
- 오차)를 계산하였다. 시계열적인 변화를 보기 위하여 각 영상에서 육상에 해당하는 약 11만개 픽셀의 평균값을 계산한 후, 각 연도별로 8일 단위의 시계열 영상을 도시하였다. 구름 영향 오차를 정량화하기 위하여 각 영상의 육상지역에서 구름에 오염된 픽셀의 비율을 산출하는 방식으로 운량의 시계열 자료를 제작한 후 운량이 각 변수의 구름 영향 오차를 얼마나 잘 설명하는 가를 파악하기 위한 결정계수(产)를 계산하였다.
- 구름 영향 감쇄를 위한 알고리즘은 IDL (Interactive Data Language) 프로그래 밍 언어를 사용하여 수행하였다. 우선 이동격자를 이용한 내삽법을 적용하여 FPAR, LAI 등에 나타난 구름 영향을 감쇄하였으며, 구름 영향을 감쇄한 FPAR 자료를 이용하여 Eq. 3의 방법에 따라 GPP 영상에서의 구름 영향을 감쇄하였다.
- 012) 소프트웨어 상에서 Arc/Inft, 그리드 포맷으로 변환하였다. 이렇게 변환한 토지피복도, FPAR, LAI, GPP 영상에서 우리나라 지역만을 잘라낸 후, 이를 아스키(ascii) 파일로 출력하였다. 이와 같은 작업을 반복적으로 수행함으로써 2001년부터 2003년까지 각각 138개의 FPAR, LAI, GPP 영상과 2001년의 토지 피복 영상 등 총 415개 영상에 대한 우리나라 지역의 FPAR, LAI, GPP 및 토지 피복 영상 아스키 파일을 준비하였다 아울러 구름에의 오염 여부를 확인하기 위해 LAI, FPAR 영상과 함께 제공되는 QC flag 영상을 위와 같은 과정에 따라 처리하여 총 138개 QC flag 아스키 파일을 준비하였다.
- 몬순 기후와의 관계를 조사하였다. 이를 위해 2001~2003년간 8일 간격의 MODIS LAI, FPAR, GPP 영상자료에 대해 Kang 등 (2005)의 방법을 이용해 구름 영향을 감쇄한 영상을 제작하였으며, 이를 이용해 식생형에 따른 엽면적지수와 총 일차 생산성의 차이 등을 분석하였다. 본 연구의 결과는 향후 우리나라 육상 생태계의 식물 계절학 및 물질 순환 모니터링을 위한 MODIS LAI, GPP 영상의 전처리 기법을 수립하는 데에 기여할 것으로 기대된다.
- 이렇게 변환한 토지피복도, FPAR, LAI, GPP 영상에서 우리나라 지역만을 잘라낸 후, 이를 아스키(ascii) 파일로 출력하였다. 이와 같은 작업을 반복적으로 수행함으로써 2001년부터 2003년까지 각각 138개의 FPAR, LAI, GPP 영상과 2001년의 토지 피복 영상 등 총 415개 영상에 대한 우리나라 지역의 FPAR, LAI, GPP 및 토지 피복 영상 아스키 파일을 준비하였다 아울러 구름에의 오염 여부를 확인하기 위해 LAI, FPAR 영상과 함께 제공되는 QC flag 영상을 위와 같은 과정에 따라 처리하여 총 138개 QC flag 아스키 파일을 준비하였다. 구름 영향 감쇄를 위한 알고리즘은 IDL (Interactive Data Language) 프로그래 밍 언어를 사용하여 수행하였다.
대상 데이터
- 3의 방법에 따라 GPP 영상에서의 구름 영향을 감쇄하였다. MODIS 영상에서 한반도 전체를 포함하기 위해선 인접한 세 개의 MODIS 타일을 결합해야 하지만, 본연구에서는 자료처리의 양을 줄이기 위해 하나의 타일로 온전히 표현되는 우리나라를 포함하는 한반도 남단 지 역만을 연구대상으로 삼았다. 본 연구 대상지에서 육상 지역은 1 km 해상도를 가지는 약 11만개의 픽셀을 포함한다.
- 이동격자(moving window)의 크기를 증가시킴에 따라 구름 없는 픽셀을 찾을 가능성이 높아지지만, 중심 픽셀과의 거리가 멀어져 픽셀간의 공간적 연관성이 감소하게 되므로 내삽 결과의 불확실성 이 증가하게 된다. 따라서 본 연구에서는 Kang 등 (2005)의 연구에서와 같이 1 km 해상도의 MODIS 자료에 대해 5 km X 5 km 크기의 이동격자를 사용하였다.
- MODIS 영상에서 한반도 전체를 포함하기 위해선 인접한 세 개의 MODIS 타일을 결합해야 하지만, 본연구에서는 자료처리의 양을 줄이기 위해 하나의 타일로 온전히 표현되는 우리나라를 포함하는 한반도 남단 지 역만을 연구대상으로 삼았다. 본 연구 대상지에서 육상 지역은 1 km 해상도를 가지는 약 11만개의 픽셀을 포함한다. 향후 본 연구에서 사용한 기법을 한반도 전체로 확장하는 작업을 계획하고 있다.
- 본 연구는 각 변수별로 연간 46개 3년간 총 138의 영상을 처리하며, 각 영상에서 육상지역은 약 ir만개의 픽셀로 구성되어 있는 관계로, 많은 양의 자료를 다루게 된다. 따라서 가능한 한 분석내용을 단순 명료하게 표현할 필요가 있기 때문에, 공간 패턴의 분석에 있어서는 연간 대표영상만을, 시계열 패턴의 분석에서는 8일 단위의 전국 평균값을 사용하는 방식을 취하였다.
- 본 연구를 위하여 2001년부터 2003년까지의 MODIS FPAR, LAI, GPP 영상과, 2001년의 MODIS 토지 피복 영상을 준비하였다 MODIS 자료는 미국지질조사국(USGS)의 EROS 데이터 베 이스로부터 주문하여, 무상으로 획 득하였다. MODIS LAI, FPAR, GPP 및 토지피복도 영상은 SIN이라는 지구 좌표 체계에 따라, 가로 세로 각각 1, 200개의 1 km 해상도의 픽셀로 구성된 타일 단위의 HDF 파일 포맷으로 제공된다.
- 따라서 가능한 한 분석내용을 단순 명료하게 표현할 필요가 있기 때문에, 공간 패턴의 분석에 있어서는 연간 대표영상만을, 시계열 패턴의 분석에서는 8일 단위의 전국 평균값을 사용하는 방식을 취하였다. 본 연구에서 LAI, FPAR의 경우는 연간 평균값 영상을 GPP의 경우는 연간 누적 GPP 영상을 각 변수의 연간 대표 영상으로 사용하였다.
- 본 연구의 대상지역은 우리나라를 포함하는 한반도 남단 지역이다. 본 연구를 위하여 2001년부터 2003년까지의 MODIS FPAR, LAI, GPP 영상과, 2001년의 MODIS 토지 피복 영상을 준비하였다 MODIS 자료는 미국지질조사국(USGS)의 EROS 데이터 베 이스로부터 주문하여, 무상으로 획 득하였다.
이론/모형
- 이와 같은 작업을 반복적으로 수행함으로써 2001년부터 2003년까지 각각 138개의 FPAR, LAI, GPP 영상과 2001년의 토지 피복 영상 등 총 415개 영상에 대한 우리나라 지역의 FPAR, LAI, GPP 및 토지 피복 영상 아스키 파일을 준비하였다 아울러 구름에의 오염 여부를 확인하기 위해 LAI, FPAR 영상과 함께 제공되는 QC flag 영상을 위와 같은 과정에 따라 처리하여 총 138개 QC flag 아스키 파일을 준비하였다. 구름 영향 감쇄를 위한 알고리즘은 IDL (Interactive Data Language) 프로그래 밍 언어를 사용하여 수행하였다. 우선 이동격자를 이용한 내삽법을 적용하여 FPAR, LAI 등에 나타난 구름 영향을 감쇄하였으며, 구름 영향을 감쇄한 FPAR 자료를 이용하여 Eq.
- 본 연구에서 구름 영향을 감쇄 한 LAI, FPAR 영상의 복원은 Kang 등(2005)이 제시한 시공간적 내삽기법을 이용하여 수행하였다. 이 기법은 8일 간격의 시계열 LAI, FPAR 영상에 대해 순차적으로 구름 영향을 감쇄해 가는 과정으로 아래와 같은 두 단계 과정에 의해 구름 영향의 감쇄를 시도한다.
성능/효과
- 3의 오른쪽 열 그림들은 FPAR, LAI, GPP의 구름 영향 오차가 6월에서 9월 기간에 집중하여 나타남을 보여주는데, 이는 우리나라 몬순 기후의 특징인 여름철의 집중 강우 영향으로 판단된다. 6월에서 9월의 우기 중 구름 영향 오차가 연간 구름 영향 오차에서 차지하는 비율은 GPP의 경우 78%, LAI는 79%, FPAR는 67%에 달하여 우기 중의 구름 영향 오차가 각 변수에서 나타난 연간 구름 영향 오차의 상당 부분을 차지하였다.
- GPP의 경우, 상대적으로 낮은 결정계수를 보인 까닭은 운량과 함께 기상요인, 생육기간 등이 중요한 영향을 미치기 때문이다. FPAR, LAI, GPP 모두 상록침엽수림(ENF) 식생형에서 가장 높은 값을 보였으며, 구름 영향 오차 역시 가장 높았다. 한편 구름 영향 오차 감쇄 전과 후에 각 식생형의 연 변화 패턴에 차이가 나타났다.
- 3 의 오른쪽 열의 시계열 그림과 같다. FPAR, LAI, GPP 모두 여름철에 높은 구름 영향 오차를 보였다. Fig.
- 한편 구름 영향 오차 감쇄 전과 후에 각 식생형의 연 변화 패턴에 차이가 나타났다. GPP의 경우, 구름 영향 감쇄 전엔 모든 식생형에서 2001년에 가장 높은 값을 보였지만, 구름 영향 감쇄 후엔 ENF의 경우 2002년에 그리고 DBF와 MF의 경우 2003년에 가장 높은 연간 GPP를 보였다 이러한 분석 결과는 MODIS 식생 관련 영상에서 구름 영향 오차를 감쇄하지 않은 경우 그 시공간 패턴에 심각한 불확실성이 내포되어 있음을 보여준다.
- 4는 구름 영향 감쇄 후와 감쇄 전의 차이(구름 영향 오차) 를 보여주는 영상으로 2001~2003년간 대부분의 지역에서 구름영 향 감쇄 후에 값이 증가하였다. LAI와 GPP 모두 운량이 증가함에 따라 오차가 증가하는 경향을 보였으며, 강수량이 가장 많았던 2003년에 가장 큰 오차가 발생하였다. 한편 Fig.
- 구름 영향 오차를 감쇄하였을 경우 3년간 평균적으로 FPAR 8.5%, LAI 13, 1%, GPP 8.4% 증가하였으며, 대부분의 오차는 6-9 월간에 집중적으로 발생하여 FPAR, LAI, GPP의 경우 6-9월 간의 오차가 연간 오차의 각각 67%, 79%, 78%를 차지하였다.
- FAPR, LAI, GPP 등은 겨울철에 낮다가 봄철에 증가하여 가을철에 다시 줄어드는 뚜렷한 계절 변화를 보여주었다. 대략 150일 정도에서 최고값에 도달하였고, 6월에서 9월간에 감소와 증가를 반복하는 양상을 보였는데, 잎이 성엽에 도달한 후 낙엽시기에 이르기까지 거의 일정한 엽면적지수를 보인다는 것을 고려할 때, 이는 구름 영향에 의한 것으로 사료된다.
- 차이가 있었다. 대체적으로 운량과 LAI 및 GPP 구름 영향 오차에서 높은 값을 보인 지역이 순차적으로 서서히 남쪽으로 이동하는 양상을 보였다. 구름 영향 오차는 운량 외에도 각 지역의 기상요인 및 식생의 생육기간 등에 복합적으로 영향을 받기 때문으로 판단된다.
- 3의 중간 열은 구름 영향 감쇄 알고리즘을 실행하여 구름 영향 오차를 감쇄한 결과를 보여주는 시계열 그림으로, 특히 FPAR, LAI 시계열이 여름철에 최고값 수준에서 안정화되는 합리적인 패턴을 복원할 수 있었다. 반면에 구름 영향 오차를 감쇄한 GPP 시계 열은 구름 영 향 감쇄 전에 비해 다소 등락의 폭이 줄어들었지만, 여전히 최고값에 도달한 후에 상당한 등락을 보이며 서서히 감소하는 경향을 보였다. 이는 여름철 FPAR, LAI 등이 일정한 수준에서 유지되 더라도 운량에 따른 일사량 및 기온의 변화가 GPP에 영향을 미치기 때문이라고 사료된다.
- 5). 반면에 우기 외의 자료까지 모두 포함하여 회귀분석을 수행한 결과 구름 영향 오차에 대한 운량의 설명력이 현저히 떨어짐을 알 수 있었다. 후자의 경우, 결정계수(尸)는 FPAR 의 경우 0.
- 본 연구 결과 우리나라의 육상 생태계 변화 모니터링에 MODIS 영상을 이용하기 위해선 사용에 앞서 구름 영향 오차를 감쇄하는 전처리 과정을 수행할 필요가 있다고 판단되며, 이러한 전처리 과정을 통해 의미 있는 LAI, GPP의 공간 분포와 시계열 패턴을 복원할 수 있음을 보였다. 우리나라 육상 생태계를 대상으로 MODIS 식생 관련 영상을 활용하기 위한 다음 단계의 연구 과제는 영상에서 제시하는 LAI와 GPP 값의 정확성을 지상측정 자료를 이용해 검증하는 작업이다.
- 본 연구에서 우리나라를 대상으로 식생형에 따른 2001~2003년 간의 MODIS LAI, FPAR, GPP를 분석하였으며, 구름 영향에 의한 각 영상의 오차를 평가하였다. 분석 결과 연간 GPP는 침엽수림 1, 836, 활엽수림 1, 369, 혼효림 1, 460 g C m2 y1 로 나타났으며, 각 변수에서 구름에 의해 야기된 오차는 FPAR 8.5, LAI 13.1, GPP 8.4%에 달하는 것으로 분석되었■다. 특히 GPP의 경우 6월에서 9월까지의 오차가 연간 오차의 78%를 설명하는 것으로 나타나, 몬순기후가 MODIS 영상의 오치에 큰 영향을 미침을 알 수 있었다.
- 5는 우기에 해당하는 6월에서 9월까지의 자료를 이용한 8일 평균 구름 영향 오차와 운량 간의 산 점도로서, 양자간에 높은 상관성을 보여준다. 운량은 각 변수의 구름 영 향 오차를 설명하는 훌륭한 지표로서 FPAR의 경우 0.84-0.88, LAI 0.85-0.91, GPP 0.41~0.90의 결정계수时)를 보였다(Fig. 5). 반면에 우기 외의 자료까지 모두 포함하여 회귀분석을 수행한 결과 구름 영향 오차에 대한 운량의 설명력이 현저히 떨어짐을 알 수 있었다.
- 47의 범위에 분포하였다. 이러한 분석 결과는 구름 영향 오차가 몬순 기후의 우기 중에 집중하여 나타나며 우기 중 운량은 구름 영향 오차의 정도를 설명하는 중요한 지표로 사용가능함을 의미한다.
- 4%에 달하는 것으로 분석되었■다. 특히 GPP의 경우 6월에서 9월까지의 오차가 연간 오차의 78%를 설명하는 것으로 나타나, 몬순기후가 MODIS 영상의 오치에 큰 영향을 미침을 알 수 있었다. 본연구는 향후 MODIS 식 생 관련 영상들이 우리나라의 식물 계절 학과 일차 생산성 모니터링에 유용하게 사용될 수 있으며, 이들 영상을 사용하기에 앞서 구름 영향 오차를 감쇄하는 영상 의전처리 과정을 수행할 필요가 있음을 보여주었다.
후속연구
- MODIS의 식생관련 영상들은 이러한 연구의 최첨단 결과로써 현재 1 km 해상도의 8일 단위 FAPR, LAI, GPP, 그리고 연 단위의 NPP 영상들이 제공되고 있으며, 향후 250 m 해상도의 영상이 제공될 예정이다. 비록 1 km의 공간해상도의 MODIS 영상은 우리나라와 같이 조밀한 토지 이용과 복잡한 지형 조건을 가진 곳에서의 생태학적 변수를 추출해 내는 데에 많은 제한이 따르지만(Kang et al.
- Kang 등(2003)의 분석에 의하면 우리나라에 대한 MODIS LAI 영상은 위와 같은 계절 패턴을 잘 따르는 것으로 나타났으며, MODIS에 의한 LAI 시계열 자료를 이용하여 개엽/ 낙엽시기와 성장기간의 연 변화를 성공적으로 탐지할 수 있음을 보였다. 따라서 MODIS 영상은 향후 우리나라 전역의 식물계절학 및 육상 생태계 물질 순환 모니터링을 위한 새로운 기법을 제공하리라 예상되특히 지역 규모에서 나타나는 생태계 물질 순환의 공간적 이 질성 에 대해 현재 1 km, 향후 250 m 해상도의 유용한 정보를 제공할 것으로 기대된다.
- 건조한 여름과 습한 겨울 기후를 보이는 미국 북서부 지역과 비교하여, 우리나라는 몬순 기후의 영향으로 활발한 광합성 기간인 여름철에 운량이 증가하기 때문에 연간 GPP에 대한 구름 영향이 보다 심각할 것으로 예상된다. 따라서 향후 MODIS의 LAI, GPP 영상 등을 우리나라 육상 생태계 변화 모니터링에 응용하기 위해선 무엇보다도 몬순 기후가 MODIS 영상의 오차에 미치는 영향을 평가할 필요가 있다고 보여진다.
- 이를 위해 2001~2003년간 8일 간격의 MODIS LAI, FPAR, GPP 영상자료에 대해 Kang 등 (2005)의 방법을 이용해 구름 영향을 감쇄한 영상을 제작하였으며, 이를 이용해 식생형에 따른 엽면적지수와 총 일차 생산성의 차이 등을 분석하였다. 본 연구의 결과는 향후 우리나라 육상 생태계의 식물 계절학 및 물질 순환 모니터링을 위한 MODIS LAI, GPP 영상의 전처리 기법을 수립하는 데에 기여할 것으로 기대된다.
- 특히 GPP의 경우 6월에서 9월까지의 오차가 연간 오차의 78%를 설명하는 것으로 나타나, 몬순기후가 MODIS 영상의 오치에 큰 영향을 미침을 알 수 있었다. 본연구는 향후 MODIS 식 생 관련 영상들이 우리나라의 식물 계절 학과 일차 생산성 모니터링에 유용하게 사용될 수 있으며, 이들 영상을 사용하기에 앞서 구름 영향 오차를 감쇄하는 영상 의전처리 과정을 수행할 필요가 있음을 보여주었다.
- 2003). 하지만 향후 식물계절학 및 식생 일차 생산성 분야의 연구자와 식생 관련 원격탐사학자와의 긴밀한 협동 연구를 통해 보다 광범위한 영상 검증작업을 수행하여 우리나라 육상생태계에 대한 MODIS 식생 관련 영상의 신뢰도를 평가하고 육상 생태 계 모니터 링에 MODIS 영상을 활용하는 방안을 다각도로 모색할 필요가 있다고 보여진다.
- 본 연구 대상지에서 육상 지역은 1 km 해상도를 가지는 약 11만개의 픽셀을 포함한다. 향후 본 연구에서 사용한 기법을 한반도 전체로 확장하는 작업을 계획하고 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.