[논문]원격탐사를 이용한 토양수분산정

김광섭; 박정아; 박진혁

문제 정의

실험결과 L-band microwave sensing이 토양수분 자료를 관측하는데 가장 적합하다는 것을 보여주었다. 2002년 5월 4일 이후 AQUA 위성에 탑재된 AMSR-E (Advanced Microwave Scanning RadiometerEarth observing system) 기기를 통하여 토양수분 C-band 전구관측이 이루어지고, 2009년 11월 2일 발사된 SMOS 위성의 MIRAS 기기를 통해 L-band 관측의 토양수분 공간적인 분포 및 해양염 분관측이 이루어지고 있으며, 이후로는 10 km 자료 획득을 목표로 하고 있으며, 관측깊이 1 m의 수평분해능 1 km 토양수분 자료 생산을 목표로 하고 있다.
본 고에서는 토양수분 원격관측기술의 발전과정과 토양수분 연구의 발전방향을 살펴보고 downscaling기법과 각종 수문 자료와 위성영상을 이용한 토양수분 자료 생산 모형의 예를 소개하고자 한다. 이를 통해 수문 및 기상모형에 활용 가능한 개선된 시공간 분해능과 공간정보대표성을 가진 광역토양수분 자료의 생산 및 적용 타당성을 제시 하였다.
본 고에서는 토양수분 원격관측기술의 발전과정과 토양수분 연구의 발전방향을 살펴보고 downscaling기법과 각종 수문 자료와 위성영상을 이용한 토양수분 자료 생산 모형의 예를 소개하고자 한다. 이를 통해 수문 및 기상모형에 활용 가능한 개선된 시공간 분해능과 공간정보대표성을 가진 광역토양수분 자료의 생산 및 적용 타당성을 제시 하였다.

제안 방법

인공신경망모형을 적용해 대상지역의 토양수분 산정모형을 구성하기 위해, 용담댐 유역 3개 지점 (주천, 부귀, 상전)의 토양수분, 지면온도, 강수량과 MODIS NDVI 자료를 입력 자료로 활용하였다. 각자료별로 수치의 범위가 다양하여 본래의 자료를 입력 자료로 인공신경망모형을 구성할 시 인공신경 망의 효율이 낮아지게 되므로, 모형의 효율을 높이기 위해 원 자료의 변수들을 0에서 1사이 범위의 정규화 과정을 통해 전 처리하여 도출된 데이터를 역변환하는 과정을 거쳤다.
9%가 산림지대이다. 그림 2는 대상유 역인 용담댐 유역의 토양수분 관측지점을 나타내었으며, 이는 수집된 6개 지점(주천, 부귀, 상전, 안천, 계북2, 천천2)의 토양수분 자료 중 강수발생에 대하여 토양수분의 거동이 잘 반영된 4개의 지점 (주천, 부귀, 상전, 천천2)을 선택하였으며, 이를 이용하여 인공신경망모형 적용을 통하여 토양수분 산정모형을 개발하였다.
자료 사이의 비선형 상관특성을 잘 구현하는 인공신경망 기법을 연계한 토양수분 산정기법을 제시하였으며, 토양수분 산정 모형은 신뢰성 높은 토양수분 관측망을 가지고 있는 용담댐 유역에 대하여 적용하였다. 또한 상관계수와 평균제곱근오차, 평균오차를 이용하여 용담댐 유역의 각 지점별로 토양수분 관측치와 산정치를 비교함으로써, 수립된 토양수분 산정모형의 적용가능성을 파악하였다. 인공신경망모형의 학습과정에 이용된 주천, 부귀, 상전 지점의 경우 평균 약 0.
토양수분 관측치와 산정치 간의 상관성을 표현하는 상관계수, 표준편차를 나타내는 평균제곱근오차와 평균경향오차를 이용하여 수립된 토양수분 산정 모형의 적용가능성을 평가하였다. 용담댐 유역의 3 개 지점(주천, 부귀, 상전)을 이용하여 수립된 토양 수분 산정모형을 검증하기 위해 천천2 관측지점의 토양수분을 산정하였으며, 산정된 토양수분을 각지점별 관측치와 비교 분석한 결과, 표 2와 같음을 확인할 수 있다. 그림 4는 용담댐 유역 각 지점별 일강수량과 함께 토양수분 관측치와 산정치의 시계 열을 보여주고 있으며, 그림 5는 각 지점별 토양수분 관측치와 산정치의 상관분석 한 결과를 보여주고 있다.
인공위성영상 자료 중 식생 상태를 표현하는 MODIS NDVI 자료와 지상 관측망에서 관측된 토양수분, 강수량, 지면온도 자료를 활용하여 광역의 토양수분정보를 생산하였다. 자료 사이의 비선형 상관특성을 잘 구현하는 인공신경망 기법을 연계한 토양수분 산정기법을 제시하였으며, 토양수분 산정 모형은 신뢰성 높은 토양수분 관측망을 가지고 있는 용담댐 유역에 대하여 적용하였다.
인공위성영상 자료 중 식생 상태를 표현하는 MODIS NDVI 자료와 지상 관측망에서 관측된 토양수분, 강수량, 지면온도 자료를 활용하여 광역의 토양수분정보를 생산하였다. 자료 사이의 비선형 상관특성을 잘 구현하는 인공신경망 기법을 연계한 토양수분 산정기법을 제시하였으며, 토양수분 산정 모형은 신뢰성 높은 토양수분 관측망을 가지고 있는 용담댐 유역에 대하여 적용하였다. 또한 상관계수와 평균제곱근오차, 평균오차를 이용하여 용담댐 유역의 각 지점별로 토양수분 관측치와 산정치를 비교함으로써, 수립된 토양수분 산정모형의 적용가능성을 파악하였다.

대상 데이터

NASA에서 제공받은 MODIS(MODerate resolution Imaging Spectroradiometer) NDVI(Normalized Difference Vegetation Index) 자료는 1 km × 1 km의 공간해상도를 가진 16일별 자료로 토양수분 관측 자료 주기와 동일하게 일별로 구성하였다.
95를 사용하였다. Overtraining을 피하기 위해 훈련지점(주천, 부귀, 상전)과 검증지점(천 천2)의 서브세트로 구성하여 학습 횟수는 3000회로 하였다.
인공신경망모형을 적용해 대상지역의 토양수분 산정모형을 구성하기 위해, 용담댐 유역 3개 지점 (주천, 부귀, 상전)의 토양수분, 지면온도, 강수량과 MODIS NDVI 자료를 입력 자료로 활용하였다. 각자료별로 수치의 범위가 다양하여 본래의 자료를 입력 자료로 인공신경망모형을 구성할 시 인공신경 망의 효율이 낮아지게 되므로, 모형의 효율을 높이기 위해 원 자료의 변수들을 0에서 1사이 범위의 정규화 과정을 통해 전 처리하여 도출된 데이터를 역변환하는 과정을 거쳤다.
표 1은 용담댐 유역의 토양수분 관측지점별 토양 특성과 관측 깊이를 나타내고 있으며, 수집된 자료의 기간은 2008년 5월 16일부터 8월 19일까지의 일별 자료이다. NASA에서 제공받은 MODIS(MODerate resolution Imaging Spectroradiometer) NDVI(Normalized Difference Vegetation Index) 자료는 1 km × 1 km의 공간해상도를 가진 16일별 자료로 토양수분 관측 자료 주기와 동일하게 일별로 구성하였다.

데이터처리

토양수분 관측치와 산정치 간의 상관성을 표현하는 상관계수, 표준편차를 나타내는 평균제곱근오차와 평균경향오차를 이용하여 수립된 토양수분 산정 모형의 적용가능성을 평가하였다. 용담댐 유역의 3 개 지점(주천, 부귀, 상전)을 이용하여 수립된 토양 수분 산정모형을 검증하기 위해 천천2 관측지점의 토양수분을 산정하였으며, 산정된 토양수분을 각지점별 관측치와 비교 분석한 결과, 표 2와 같음을 확인할 수 있다.

성능/효과

ESTER(Electronically Scanned Thinned Array Radiometer)의 개발 후에 1992년에 Little Washita 실험과 1997년에 SGP97(Southern Great Plain 1997 Hydrology Experiment)에 적용되면서 광범위한 지역에 대한 토양수분관측의 가능성을 제시해주었다 . 실험결과 L-band microwave sensing이 토양수분 자료를 관측하는데 가장 적합하다는 것을 보여주었다. 2002년 5월 4일 이후 AQUA 위성에 탑재된 AMSR-E (Advanced Microwave Scanning RadiometerEarth observing system) 기기를 통하여 토양수분 C-band 전구관측이 이루어지고, 2009년 11월 2일 발사된 SMOS 위성의 MIRAS 기기를 통해 L-band 관측의 토양수분 공간적인 분포 및 해양염 분관측이 이루어지고 있으며, 이후로는 10 km 자료 획득을 목표로 하고 있으며, 관측깊이 1 m의 수평분해능 1 km 토양수분 자료 생산을 목표로 하고 있다.
2893%의 평균경향오차의 결과들을 보여주어, 용담댐 유역 3개 관측지점의 자료를 이용한 인공신경망모형의 학습이 잘 이루어 졌다고 판단되었다. 이를 검증하기 위한 천천2 지점은 약 0.8215의 상관계수, 약 4.2077%의 평균제곱근오차와 약 -3.6310%의 평균경향오차를 보여, 구축된 인공신경망모형이 용담댐 유역의 토양수분을 잘 산정한다고 판단되었다.
6310%의 평균경향오차 결과를 보였다. 이와 같이 지점별 상관계수와 평균 제곱근오차, 평균경향오차의 결과를 통해 토양수분 산정모형의 적용가능성이 높다는 것을 알 수 있다.
또한 상관계수와 평균제곱근오차, 평균오차를 이용하여 용담댐 유역의 각 지점별로 토양수분 관측치와 산정치를 비교함으로써, 수립된 토양수분 산정모형의 적용가능성을 파악하였다. 인공신경망모형의 학습과정에 이용된 주천, 부귀, 상전 지점의 경우 평균 약 0.9353의 상관계수와 약 1.4957%의 평균제곱근오차 결과를 보였으며, 검증지점으로 이용된 천천2의 지점의 경우 약 0.8215의 상관계수와 약 4.2077% 의 평균제곱근오차, 약 -3.6310%의 평균경향오차 결과를 보였다. 이와 같이 지점별 상관계수와 평균 제곱근오차, 평균경향오차의 결과를 통해 토양수분 산정모형의 적용가능성이 높다는 것을 알 수 있다.
주천, 부귀, 상전 지점의 토양수분 자료를 이용 하여 학습된 인공신경망모형은 주천지점이 약 0.9413의 상관계수, 약 1.5527%의 평균제곱근오차와 약 -0.1958%의 평균경향오차를 보였으며, 부귀지점은 약 0.9350의 상관계수, 약 1.2019%의 평균제곱근오차와 약 -0.2893%의 평균경향오차의 결과들을 보여주어, 용담댐 유역 3개 관측지점의 자료를 이용한 인공신경망모형의 학습이 잘 이루어 졌다고 판단되었다. 이를 검증하기 위한 천천2 지점은 약 0.

후속연구

그러나 AMSR 기기는 근본적으로 토양수분을 관측하기 위하여 설계된 것이 아니며, 기후 및 지형, 식생피복의 영향에 아주 민감하여 토양수분 측정에 이상적인 상황이 아니므로, 경험적 방법이나 이론적 방법 등을 이용하여 식생 피복 등의 후방 산란 (backscattering) 영향을 보정할 필요가 있다. MIRAS를 이용한 L-band 위성 관측의 실현으로 보다 정확한 토양수분 활용이 가능할 것으로 판단 된다. 과거의 인공위성 영상 자료를 이용하여 현재 까지 구축되지 못한 토양수분 자료를 복원하여 시공간변화도를 분석함과 동시에 토양수분 변동특성 예측 등에 활용이 가능하다.
이는 MIRAS(Microwave Imaging Radiometer using Aperture Synthesis) 기기를 통한 수동 마이크로웨이브 2-D 간섭 관측 식 (Passive microwave 2Dinterferometer) 복사계를 이용하여 지표에서 발산되는 마이크로파의 변화를 감지해 계절별 토양의 습도 분포 및 해양의 염분을 측정한다. SMOS 위성을 통해 얻은 자료는 지구 물 순환에 대한 이해를 향상시키고, 극한 사상 예측 및 기상 예측에 도움이 될 것이다.
지상관측방법은 유지에 있어서 많은 인력과 비용을 소요하게 되고, 관측 자료의 품질관리에 있어 일관성을 유지할 수 없다는 단점을 가지고 있다. 따라서 remote sensing을 이용한 토양수분산정은 이러한 지상관측의 단점을 해소하여 지속적이고 광범위한 자료의 수집으로 가능하게 할 것이다. 현재 운영되고 있는 토양수분관련 위성관측기기들은 AQUA 위성의 Advanced Microwave Scanning Radiometer(AMSR)와 Soil Moisture and Ocean Salinity (SMOS) 위성의 Microwave Imaging Radiometer with Aperture Synthesis (MIRAS) 등이 있다.
과거의 인공위성 영상 자료를 이용하여 현재 까지 구축되지 못한 토양수분 자료를 복원하여 시공간변화도를 분석함과 동시에 토양수분 변동특성 예측 등에 활용이 가능하다. 또한 공간해상도가 높은 MODIS 식생 자료와 지상관측 수문 자료 등 가용 자료를 활용한 수자원 관리를 위해 광역 토양수분 생산 연구가 필요하며, 모형구축에 대한 적합한 크기의 격자를 가진 다양한 입력 자료의 부재는 토양수분에 대한 적합한 downscaling 기법을 필요 로 한다.
토양수분관측은 대체로 특정 연구기간에 이루어 지거나 장비 노후화 등의 이유로 장기관측이 부족한 상황이며, 보다 신뢰성 높은 지상관측 자료의 획득이 요구되는 상황이다. 향후 위성관측기기의 발달로 인해 보다 향상된 공간해상도를 가지는 다양한 인공위성 관측 자료의 추가와 다양한 토지이용 및 지형특성에 대한 지상 관측망 구축을 통하여 보다 정밀한 광역 토양수분산정이 가능할 것으로 판단된다.

핵심어	질문	논문에서 추출한 답변
	지상관측방법의 단점은?	현 재 우 리 나 라 의 토 양 수 분 관 측 수 준 은 TDR(Time Domain Reflectometry) 방법 및 중성자탐사법(neutron probe) 등을 이용한 지점관 측을 수행하는 단계이며 관측 비행기를 이용한 공중관측은 실시되지 못하고 있으며 미국이나 일본및 EU에서 수행하고 있는 위성관측에 참여하고 있지 못한 실정이다. 지상관측방법은 유지에 있어서 많은 인력과 비용을 소요하게 되고, 관측 자료의 품질관리에 있어 일관성을 유지할 수 없다는 단점을 가지고 있다. 따라서 remote sensing을 이용한 토양수분산정은 이러한 지상관측의 단점을 해소하여 지속적이고 광범위한 자료의 수집으로 가능하게 할것이다.
	토양수분이란?	토양수분은 지구상에서 담수의 약 0.15% 정도로 작은 구성비를 가지고 있음에도 불구하고 증발산, 침투, 유출 등의 수분 이동을 결정하여 지상과 대기, 물과 에너지 상호작용을 연계하는 주요 수문 기상변수로서, 이에 대한 기반기술 확립이 시급하다. 나아가 가용 자료를 활용하여 다양한 수문모형 적용과 수자원 관리에 타당한 시공간 해상도와 공간 정보 대표성을 가지는 토양수분 자료를 생산 할 수 있는 기법의 개발이 필요하다.
	지상관측방법의 단점을 해결해줄 수 있는 방법은?	지상관측방법은 유지에 있어서 많은 인력과 비용을 소요하게 되고, 관측 자료의 품질관리에 있어 일관성을 유지할 수 없다는 단점을 가지고 있다. 따라서 remote sensing을 이용한 토양수분산정은 이러한 지상관측의 단점을 해소하여 지속적이고 광범위한 자료의 수집으로 가능하게 할것이다. 현재 운영되고 있는 토양수분관련 위성관 측기기들은 AQUA 위성의 Advanced Microwave Scanning Radiometer(AMSR)와 Soil Moisture and Ocean Salinity (SMOS) 위 성 의 Microwave Imaging Radiometer with Aperture Synthesis (MIRAS) 등이 있다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

원격탐사를 이용한 토양수분산정 원문보기

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

원격탐사를 이용한 토양수분산정 원문보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

김광섭 (68) 박정아 (2)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

AI 본문요약
AI-Helper