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 연구에서는 Terra/Aqua 위성의 MODIS (MODerate resolution Imaging Spectroradiometer) 센서에서 얻어진 LST를 기온으로 산출하여, 기상관측소에서 관측한 기온자료의 비교를 통해 기상관측소가 어느 정도 규모의 열적 공간 대표성을 가지고 있는지를 조사하였다.
가설 설정
- 하지만 현실적으로 전 지구상의 육지에 대해 밴드별 방출율을 관측하여 데이터베이스를 구축 하는 것이 불가능하다. 그 대안으로 모든 육지 화소는 토양과 식생으로 구성되어 있다고 가정하고 식생 비율을 고려하여 산출하게 된다. NDVI를 이용하여 산출되는 Fraction Vegetation Cover(FVC) 역시 화소 내에 식생이 차지하는 비율로 관련이 깊어 FVC를 비교자료로 사용하였다.
제안 방법
- 같다. 2005년 중에 각 계절의 특성을 나타내는 1월, 4월, 7월, 10월의 MODIS LST 자료를 획득한 다음 자료내의 SDSs(Scientific Data Sets) 중에서 LST값만을 추출하였다. MODIS LST 자료는 spilt-window 방법(Wan 와 Dozier, 1996; Wan, 1999; Wan, 2001)으로 LST를 산출하였으며, 그 원리는 12.
- LPDAAC 에서 제공하는 MODIS Swath Reprojection Tool(MRT Swath)와 MODIS Geolocation (MOD03) 자료를 이용하여 지리보정하였으며, 지리보정의 매개변수로는 WGS84 타원체와 Geographic 투영법, 그리고 resampling 방법으로 Nearest Neighbor 내삽법을 사용하였다. 같은 기간의 NDVI MVC자료를 획득한 다음 월별의 자료를 평균하여 월별 1개의 대표 값을 산출하고 이것을 이용하여 월별 FVC를 산출한다. FVC는 주어진 화소내에서 식생이 차지하는 비율을 나타내며 0.
- 89로 설정하였다. 위성관측 LST 자료와 지상기온값의 상관성을 알아보기 위해 산점도를 나타내었다(그림 2). 선형 회귀분석을 한 결과 상관계수(R) 0.
- 하지만 복사하는 과정에 토지 피복이나 바람 등의 영향을 받기 때문에 지표 온도가 온전히 복사되었다고 볼 수 없다. 그리고 기상관측소가 위치하는 지점이외에는 지상에서 관측된 기온자료가 없기 때문에 LST와 지상 기온 값 간의 일정한 수식을 도출하여 관측소 위치가 위치하지 않는 곳의 기온을 산출하였다. 수식도출에는 FVC, DEM을 사용하여 선형회귀 분석하였다.
- 특히 FVC는 위성을 이용한 LST나 지상기온 산출시 사용되며, LST와 Ta의 감산의 절대치와 FVC의 산 점도를 나타내었을 때, FVC가 높을수록 LST와 지상 기온의 차가 줄어드는 경향을 보여주었다 (그림 3). 회귀분석 시, 첫 분석에는 FVC만사용하였고, 두 번째 분석에는 FVC와 DEM을 분석인 자로 사용하였다. 분석결과는 표 1과 같으며, FVC를 인자로 사용했을 때 상관계수 0.
- a, S也는 회귀분석으로 도출된 상수와 계수이다. 선택된6곳의 관즉소의 지형적인 특성을 반영하기 위해 각각을 따로 분석하였으며, 분석결과 표 2 와 같이 6개의 상수와 계수를 산출하였다. 관측소의 기온자료는 관측소 지점의 기온 값만을 제공한다.
- 관측소의 기온자료는 관측소 지점의 기온 값만을 제공한다. LST와 지상기온을 바로 비교할 수 없기 때문에 본 연구에서는 도출된 식을 사용하여 LST를 匸로 추정하였다. LST를 사용하여 추정된 匚와 실제 관측한 지상기온의 산 점도를 나타내었다(그림 4).
- 이외에도 위성관측 당시 구름의 제거가 제대로 이루어지지 않았을 경우도 있으며 Ikmxlkm 내의 토지 피복이나 바람 등의 영향으로 사료된다. 그 영향을 감소시키기 위해서 각각의 window size의 RMSE에서 Ikmxlkm의 RMSE 를 감산하였다. 하지만 이 방법은 lkmxlkm 내의 모든 오차를 무시하는 것으로 실제 오차가 있을지 없을지 확실하지 않은 상태라면 정확하지 못한 보정방법이라 생각되어 제외하였다.
- 국내 연구 중 위성 지표온도 자료를 이용하여 일 최고기온을 산출한 사례에 보면 온도산출에 유효한 모델이 RMSE가 약 3C 후반이었다(변민정 등, 2004). 본 연구에서는 열적 대표성을 결정하기 위한 임계값이므로 반올림하여 4C를 임계값으로 설정하였다. 그 결과 대전이 l5kmxl5km, 춘천이 llkmxllkm, 서울7kmx7km, 대구 5kmx5km, 광주 3kmx3km, 그리고 부산 3kmx3km의 범위가 4℃의 임계 값을 만족하였다.
대상 데이터
- 연구기간은 각 계절의 대표 월인 2005년 1 월, 4월, 7월, 10월을 선택하였고 범위는 한반도 남한 전체영역(33N - 388N, 1245E - 1299E)안의 기상관측소 지점 76개 중에서 서울, 부산, 춘천, 대전, 대구, 광주 6개의 각기 다른 지형 특성을 가진 기상관측소를 선택하였다. 서울은 대표적인 대도시 지역이며, 부산은 해안도시, 대전과 대구는 분지지형이다.
- 위성 관측 LST 자료는 NASA(National Astronautics and Space Administration) 산하의 LPDAAC(Land Processes Distributed Active Archive Center)에서 제공하는 동기간의 MODIS/Terra Land Surface Temperature/ Emissivity Daily 5-Min L2 Swath 1km 자료를 사용했고 지상 관측 기온 자료는 기상청의 전국 기상관측소 기온 자료를 사용했다. 그리고 지리보정을 위한 자료로 DAAC (Distributed Active Archive Center)에서 제공하는 MODIS Geolocation 1km mod03 자료를 사용했으며 위성영상과 기상관측소자료의 비교를 위한 보조 자료로써 SPOT/VEGETATION 의 NDVI (Normalized Difference Vegetation Index)자료, USGS(U.
- 사용했다. 그리고 지리보정을 위한 자료로 DAAC (Distributed Active Archive Center)에서 제공하는 MODIS Geolocation 1km mod03 자료를 사용했으며 위성영상과 기상관측소자료의 비교를 위한 보조 자료로써 SPOT/VEGETATION 의 NDVI (Normalized Difference Vegetation Index)자료, USGS(U. S. Geological Survey) 의 아시아 1km DEM(Digital Elevation Model) 자료를 사용하였다.
- 그 대안으로 모든 육지 화소는 토양과 식생으로 구성되어 있다고 가정하고 식생 비율을 고려하여 산출하게 된다. NDVI를 이용하여 산출되는 Fraction Vegetation Cover(FVC) 역시 화소 내에 식생이 차지하는 비율로 관련이 깊어 FVC를 비교자료로 사용하였다. 또한, 기온을 산출할 때 많은 연구들이 VI(Vegetation Index)와 LST의 상관관계를 이용한 TVX (Temperature-Vegetation index Method) 방법을 사용하여 기온을 산출하였다(Price, 1990; Prihodko 와 Goward, 1997; Prince 등.
- 본 연구는 해상력 1km의 MODIS LST 자료를 사용하였으며, LST를 이용하여 추정한 Ta와 관측소에서 관측한 지상기온 간의 1kmx1km RMSE가 커서 분석의 어려움이 있었다. 향후 좀 더 정확한 분석을 위해서 FVC 와 DEM 외에도 다양한 인자(풍향, 풍속, 강우 강도 등)를 이용한 연구가 수행되어야 하며 도시 내 관측소 위치의 적합성도 함께 연구되어야 할 것이다.
데이터처리
- 그리고 기상관측소가 위치하는 지점이외에는 지상에서 관측된 기온자료가 없기 때문에 LST와 지상 기온 값 간의 일정한 수식을 도출하여 관측소 위치가 위치하지 않는 곳의 기온을 산출하였다. 수식도출에는 FVC, DEM을 사용하여 선형회귀 분석하였다. FVC와 DEMe 지상기온 형성에 영향을 미치는 인자이다.
- 6곳의 관측소 지역 모두 LST를 바로 기온과 비교했을 때 보다 결정계수가 높아졌으며 RMSE(Root-Means -Square Error)는 낮아졌다. 추정된 匚의 1km xlkm크기 window size를 3kmx3km, 5km x5km, 7kmx7km, 9kmx9km, llkmxllkm, 15kmx15km, l9kmxl9km, 25kmx25km의 크기로 변환하여 각 size별 window의 평균을 구하여 관측소의 지상기온자료와 비교하여 RMSE 와 표준편차를 계산하였다.
- 각각의 회귀식에서 추정한 Ta를 해당 관측소별 지상 기온값과의 RMSE를 계산하였고 Ta를 이용하여 window size별로 평균값을 계산하여 지상 기온값과의 RMSE를 그래프로 나타내었다(그림 5a). 그림 5a와 같이 대체적으로 window size가 점차 커지면서 RMSE 역시 올라가는 자연스러운 형태를 보였다.
- 경향을 보였다. 이러한 부산 관측소의 RMSE 변화 원인을 분석하기 위해, 부산과 전 구간의 RMSE차가 가장 작은 대전의 각 window size별 DEM과 FVC의 표준편차와 평균을 계산하였다(그림 6). 부산의 DEM 표준편차는 모든 size에서 서로 상이한 값을 나타내었으며, 이것은 지형 변화가 급격하다는 것을 의미한다.
이론/모형
- NDVI를 이용하여 산출되는 Fraction Vegetation Cover(FVC) 역시 화소 내에 식생이 차지하는 비율로 관련이 깊어 FVC를 비교자료로 사용하였다. 또한, 기온을 산출할 때 많은 연구들이 VI(Vegetation Index)와 LST의 상관관계를 이용한 TVX (Temperature-Vegetation index Method) 방법을 사용하여 기온을 산출하였다(Price, 1990; Prihodko 와 Goward, 1997; Prince 등., 1998; Stisen 등., 2007).
- 이것은 SST(Sea Surface Temperature)를 산줄할 때 사용되었으나(McMillin, 1975), Price(1984)에 의해 LST에 적용되었다. LPDAAC 에서 제공하는 MODIS Swath Reprojection Tool(MRT Swath)와 MODIS Geolocation (MOD03) 자료를 이용하여 지리보정하였으며, 지리보정의 매개변수로는 WGS84 타원체와 Geographic 투영법, 그리고 resampling 방법으로 Nearest Neighbor 내삽법을 사용하였다. 같은 기간의 NDVI MVC자료를 획득한 다음 월별의 자료를 평균하여 월별 1개의 대표 값을 산출하고 이것을 이용하여 월별 FVC를 산출한다.
성능/효과
- 위성관측 LST 자료와 지상기온값의 상관성을 알아보기 위해 산점도를 나타내었다(그림 2). 선형 회귀분석을 한 결과 상관계수(R) 0.898, 결정계수 (R2) 0.806으로 상당히 높게 나타났다. 결정계수가 높은 이유는 지표면 온도에 의한 난류로 대류가 발생하여 기온이 결정되며, 지표면 온도의 변동 역시 기온 변동의 주요 인자이기 때문이다.
- FVC와 DEMe 지상기온 형성에 영향을 미치는 인자이다. 특히 FVC는 위성을 이용한 LST나 지상기온 산출시 사용되며, LST와 Ta의 감산의 절대치와 FVC의 산 점도를 나타내었을 때, FVC가 높을수록 LST와 지상 기온의 차가 줄어드는 경향을 보여주었다 (그림 3). 회귀분석 시, 첫 분석에는 FVC만사용하였고, 두 번째 분석에는 FVC와 DEM을 분석인 자로 사용하였다.
- 회귀분석 시, 첫 분석에는 FVC만사용하였고, 두 번째 분석에는 FVC와 DEM을 분석인 자로 사용하였다. 분석결과는 표 1과 같으며, FVC를 인자로 사용했을 때 상관계수 0.015, 결정계수 0.028상승하였으며, DEM과 함께 회귀분석 했을 경우에는 FVC만을 사용한 경우 보다 상관계수 0.001, 결정계수 0.002 정도 상승하였다. 상승폭이 두 번째 분석에서 상관계수 0.
- LST를 사용하여 추정된 匚와 실제 관측한 지상기온의 산 점도를 나타내었다(그림 4). 6곳의 관측소 지역 모두 LST를 바로 기온과 비교했을 때 보다 결정계수가 높아졌으며 RMSE(Root-Means -Square Error)는 낮아졌다. 추정된 匚의 1km xlkm크기 window size를 3kmx3km, 5km x5km, 7kmx7km, 9kmx9km, llkmxllkm, 15kmx15km, l9kmxl9km, 25kmx25km의 크기로 변환하여 각 size별 window의 평균을 구하여 관측소의 지상기온자료와 비교하여 RMSE 와 표준편차를 계산하였다.
- 각각의 관측소별로 졍규화를 하여 그림 5b와 같이 그래프로 나타내었다. 정규화된 RMSE의 그래프는 RMSE그래프의 경향과 일치하며 변화량이 급격하게 증가하는 구간의 경우 평균 FVC수치가 낮으며 DEM의 표준편차가 큰 것을 알 수 있었다. 각 지역의 window size별 평균 FVC(그림 5c)와 DEM(그림 5d)의 표준편차 그래프를 보게 되면, 대표적인 구간으로 부산의 Ikmxlkm에서 3kmx3km 구간을 볼 때 DEM의 편차가 50m이상 나타나면서, FVC의 평균이 타 지역에 비해 현저히 낮게 나타난다.
- 각 지역의 window size별 평균 FVC(그림 5c)와 DEM(그림 5d)의 표준편차 그래프를 보게 되면, 대표적인 구간으로 부산의 Ikmxlkm에서 3kmx3km 구간을 볼 때 DEM의 편차가 50m이상 나타나면서, FVC의 평균이 타 지역에 비해 현저히 낮게 나타난다. 다른 지역의 경우에도 DEM의 편차가 그리 높지 않아도 평균 FVC가 낮은 경우 RMSE가 증가하는 경향을 보여주었다. DEM 편차의 경우 window size가 커짐에 따라 RMSE에 영향을 미치는 것과 마찬가지로 FVC의 평균수치 역시 RMSE에 영향을 주었다.
- 선정된 지역의 각 window size별 RMSE를 보면, 부산에 위치한 관측소의 경우, 다른 5곳과는 다르게 window size에 따라 증가하지 않고 증감이 반복되고 있으며, 3kme3km window size에서부터 7kmx7km까지 RMSE가 급격히 상승했다가 9kmx9km부터 다소 RMSE가 떨어지는 경향을 보였다. 이러한 부산 관측소의 RMSE 변화 원인을 분석하기 위해, 부산과 전 구간의 RMSE차가 가장 작은 대전의 각 window size별 DEM과 FVC의 표준편차와 평균을 계산하였다(그림 6).
- 대구를 제외한 모든 관측소에서 Ikmxlkm 일 때도 RMSE가 1 ℃ 이상의 값을 나타내었으나, 부산과 광주의 경우 3C 이상의 RMSE가 나타났다. 이것은 1km안의 고도차의 영향을 보여주는 것이며(표 3), 대체적으로 Ikmxlkm 의 DEM과 각 지역 관측소의 고도차이가 큰 경우, RMSE도 증가하는 것을 보여주었다.
- 본 연구에서는 열적 대표성을 결정하기 위한 임계값이므로 반올림하여 4C를 임계값으로 설정하였다. 그 결과 대전이 l5kmxl5km, 춘천이 llkmxllkm, 서울7kmx7km, 대구 5kmx5km, 광주 3kmx3km, 그리고 부산 3kmx3km의 범위가 4℃의 임계 값을 만족하였다.
- 28km 정도로, 모든 관측소가 평균적으로 18km정도의 반경의 열적 규모를 대표하고 있다. 본 연구의 가장 큰 window size 인 25kmx25km의 반경이 12.5km 정도로써, 6 곳의 관측지점 중에 경계 RMSE를 4C 이하로 설정하였을 때 25kmx25km 범위의 대표성을 가진 곳이 없는 것으로 나타났다. 연구지점의 대부분이 평지인 대전의 경우 15kmx15km 의 대표성으로 반경 7.
- 부산처럼 고도차가 심한 경우 그 대표성의 범위는 더욱 작아지게 된다. 본 연구에서 부산 기상관측소의 대표성은 3kmx3km으로 나타났다. 실제 기장에서 김해까지 직선거리로 약 35km에 이르며, 대표성 반경 1.
- 향후 좀 더 정확한 분석을 위해서 FVC 와 DEM 외에도 다양한 인자(풍향, 풍속, 강우 강도 등)를 이용한 연구가 수행되어야 하며 도시 내 관측소 위치의 적합성도 함께 연구되어야 할 것이다. 본 연구결과를 토대로 미루어 보면, 연구지역 6곳과 같이 식생의 분포가 적고, 지표형태가 복잡한 도시에 위치한 대부분 기상관측소의 기온 대표성도 낮을 것으로 예상되고, 900여개의 자동기상관측소가 어느 정도 보완성 가진다고 가정 하더라도 지형변화 및 고도차가 심한 지역에서는 관측소 주변의 정확한 기온정보를 제공할 수 없을 것으로 생각된다. 또한 관측소의 신설이나 이동은 경제적, 인적 측면에서 고비용이 소모될 것이며, 결국 이러한 문제를 해결하기 위해서는 위성을 통한 원격탐사를 응용하는 것이 가장 효과적인 방법이 될 수 있을 것이다.
후속연구
- 향후 좀 더 정확한 분석을 위해서 FVC 와 DEM 외에도 다양한 인자(풍향, 풍속, 강우 강도 등)를 이용한 연구가 수행되어야 하며 도시 내 관측소 위치의 적합성도 함께 연구되어야 할 것이다. 본 연구결과를 토대로 미루어 보면, 연구지역 6곳과 같이 식생의 분포가 적고, 지표형태가 복잡한 도시에 위치한 대부분 기상관측소의 기온 대표성도 낮을 것으로 예상되고, 900여개의 자동기상관측소가 어느 정도 보완성 가진다고 가정 하더라도 지형변화 및 고도차가 심한 지역에서는 관측소 주변의 정확한 기온정보를 제공할 수 없을 것으로 생각된다.
- 본 연구결과를 토대로 미루어 보면, 연구지역 6곳과 같이 식생의 분포가 적고, 지표형태가 복잡한 도시에 위치한 대부분 기상관측소의 기온 대표성도 낮을 것으로 예상되고, 900여개의 자동기상관측소가 어느 정도 보완성 가진다고 가정 하더라도 지형변화 및 고도차가 심한 지역에서는 관측소 주변의 정확한 기온정보를 제공할 수 없을 것으로 생각된다. 또한 관측소의 신설이나 이동은 경제적, 인적 측면에서 고비용이 소모될 것이며, 결국 이러한 문제를 해결하기 위해서는 위성을 통한 원격탐사를 응용하는 것이 가장 효과적인 방법이 될 수 있을 것이다. 이를 위해서는 위성 관측을 통한 자료의 신뢰성 향상을 위한 보다 다양한 연구가 선행되어야 할 것이다.
- 또한 관측소의 신설이나 이동은 경제적, 인적 측면에서 고비용이 소모될 것이며, 결국 이러한 문제를 해결하기 위해서는 위성을 통한 원격탐사를 응용하는 것이 가장 효과적인 방법이 될 수 있을 것이다. 이를 위해서는 위성 관측을 통한 자료의 신뢰성 향상을 위한 보다 다양한 연구가 선행되어야 할 것이다. 亙드§
※ AI-Helper는 부적절한 답변을 할 수 있습니다.