논벼 NPP 지수를 이용한 우리나라 벼 수량 추정 - MODIS 영상과 CASA 모형의 적용 - Prediction of Rice Yield in Korea using Paddy Rice NPP index - Application of MODIS data and CASA Model -원문보기논문타임라인
CASA 모델은 작물의 순 일차생산량(NPP)을 추정하는 가장 빠르고 정확한 모델 중 하나이다. 본 연구의 목적은 (1) 2002년 ~ 2012년 동안 한국의 논지역을 대상으로 작물 NPP의 시공간적 변화 패턴을 분석하고, (2) 연간 NPP와 쌀 생산성 간의 관계를 파악하여, (3) MODIS Product와 태양 복사량을 CASA 모형에 적용하여 2012년 한국의 쌀 수량을 추정하는 것이다. 또한, (4) 통계청이 발표한 최종 수량과 비교를 통해 적용을 검토하였다. 이를 위해, 월별 또는 누적 NPP와 수량과의 상관분석을 실시하였다. 그 결과, 총 누적 NPP와 9월의 NPP가 쌀 수량과 높은 상관성을 나타내었으며, 이를 이용하여 추정한 2012년 예측 수량은 누적 NPP 적용시 526.93 kg/10a, 9월의 NPP 적용시 520.32 kg/10a로 추정되었다. 통계청의 최종 수량과의 RMSE는 각각 9.46 kg/10a, 12.93 kg/10a를 나타내었으나, 전반적으로 두 모형 모두 1:1선에 근접한 결과를 보이고 있어 NPP를 이용한 벼 수량 추정 모형이 논벼 수량의 변화특성을 잘 반영하고 있는 것으로 판단된다.
CASA 모델은 작물의 순 일차생산량(NPP)을 추정하는 가장 빠르고 정확한 모델 중 하나이다. 본 연구의 목적은 (1) 2002년 ~ 2012년 동안 한국의 논지역을 대상으로 작물 NPP의 시공간적 변화 패턴을 분석하고, (2) 연간 NPP와 쌀 생산성 간의 관계를 파악하여, (3) MODIS Product와 태양 복사량을 CASA 모형에 적용하여 2012년 한국의 쌀 수량을 추정하는 것이다. 또한, (4) 통계청이 발표한 최종 수량과 비교를 통해 적용을 검토하였다. 이를 위해, 월별 또는 누적 NPP와 수량과의 상관분석을 실시하였다. 그 결과, 총 누적 NPP와 9월의 NPP가 쌀 수량과 높은 상관성을 나타내었으며, 이를 이용하여 추정한 2012년 예측 수량은 누적 NPP 적용시 526.93 kg/10a, 9월의 NPP 적용시 520.32 kg/10a로 추정되었다. 통계청의 최종 수량과의 RMSE는 각각 9.46 kg/10a, 12.93 kg/10a를 나타내었으나, 전반적으로 두 모형 모두 1:1선에 근접한 결과를 보이고 있어 NPP를 이용한 벼 수량 추정 모형이 논벼 수량의 변화특성을 잘 반영하고 있는 것으로 판단된다.
Carnegie-Ames-Stanford Approach (CASA) model is one of the most quick, convenient and accurate models to estimate the NPP (Net Primary Productivity) of vegetation. The purposes of this study are (1) to examine the spatial and temporal patterns of vegetation NPP of the paddy field area in Korea from ...
Carnegie-Ames-Stanford Approach (CASA) model is one of the most quick, convenient and accurate models to estimate the NPP (Net Primary Productivity) of vegetation. The purposes of this study are (1) to examine the spatial and temporal patterns of vegetation NPP of the paddy field area in Korea from 2002 to 2012, and (2) to investigate how the rice productivity responded to inter-annual NPP variability, and (3) to estimate rice yield in Korea using CASA model applied to MOderate Resolution Imaging Spectroradiometer (MODIS) products and solar radiation. MODIS products; MYD09 for NIR and SWIR bands, MYD11 for LST, MYD15 for FPAR, respectively from a NASA web site were used. Finally, (4) its applicability is to be reviewed. For those purposes, correlation coefficients (linear regression for monthly NPP and accumulated NPP with rice yield) were examined to evaluate the spatial and temporal patterns of the relations. As a result, the total accumulated NPP and Sep. NPP tend to have high correlation with rice yield. The rice yield in 2012 was estimated to be 526.93kg/10a by accumulated NPP and 520.32 kg/10a by Sep. NPP. RMSE were 9.46kg/10a and 12.93kg/10a, respectively, compared with the yield forecast of the National Statistical Office. This leads to the conclusion that NPP changes in the paddy field were well reflected rice yield in this study.
Carnegie-Ames-Stanford Approach (CASA) model is one of the most quick, convenient and accurate models to estimate the NPP (Net Primary Productivity) of vegetation. The purposes of this study are (1) to examine the spatial and temporal patterns of vegetation NPP of the paddy field area in Korea from 2002 to 2012, and (2) to investigate how the rice productivity responded to inter-annual NPP variability, and (3) to estimate rice yield in Korea using CASA model applied to MOderate Resolution Imaging Spectroradiometer (MODIS) products and solar radiation. MODIS products; MYD09 for NIR and SWIR bands, MYD11 for LST, MYD15 for FPAR, respectively from a NASA web site were used. Finally, (4) its applicability is to be reviewed. For those purposes, correlation coefficients (linear regression for monthly NPP and accumulated NPP with rice yield) were examined to evaluate the spatial and temporal patterns of the relations. As a result, the total accumulated NPP and Sep. NPP tend to have high correlation with rice yield. The rice yield in 2012 was estimated to be 526.93kg/10a by accumulated NPP and 520.32 kg/10a by Sep. NPP. RMSE were 9.46kg/10a and 12.93kg/10a, respectively, compared with the yield forecast of the National Statistical Office. This leads to the conclusion that NPP changes in the paddy field were well reflected rice yield in this study.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이에 따라 연구자들은 원격탐사에 의한 물수지 모형을 이용함으로써 위성영상에서 추출한 식생지수, 지표면 복사온도 및 지표면 수분지수 등을 입력자료로 사용하여 기존의 1차원(Point Scale)에서 광역 범위의 2차원(Field Scale) 분석을 시도하고 있다. 그러나 물수지 모형은 일사량, 광합성 능력 등의 효과가 배제되고 직접적으로 작황을 추정하기보다는 농업 생태계의 수분 및 에너지 수지를 추정하는데 그 목적이 있다. 또한, 논으로 관개된 물은 증발산량 외에 상당량이 지표 혹은 심층으로 침투되어 정확한 물수지 파악이 어렵고, 밭의 경우 대상작물이 다양하고 물이용이 연중에 걸쳐 있어 정량적인 작황 추정에는 한계가 있다.
이와 같이 다양하게 개발된 모형에 대하여 정확도를 비교한 선행 연구에서는 Carnegie Ames Stanford Approach(CASA) 모형이 조밀한 밀도의 농경지에서 NPP 추정 정확도가 타모형에 비해 높게 나타났으며(Tao et al., 2005), 이를 바탕으로 본 연구에서는 2002년부터 2012년까지 벼의 생육기간 동안의 시계열 MODIS 자료와 기상자료를 CASA 모형에 적용하여 얻어진 NPP와 수량과의 상관성을 분석하여 우리나라의 논벼 수량을 추정하는 것을 목적으로 하였다.
, 1997). 본 연구에서는 벼의 최종 수량과 상관성 높은 NPP를 선택하기 위해 월별 및 생육기간 총 누적 NPP와 벼 수량과의 상관성을 분석하였다.
또한 대부분의 기상관측소는 논에 위치하고 있기보다는 관리가 용이한 도심지에 위치한다. 이 문제를 극복하기 위하여 본 연구에서는 기상청에서 제공하는 89개 지점의 관측소 및 599개 지점의 자동 기상관측 장치(Automatic Weather Station, AWS)에서 관측된 일별 일사량 자료를 수집하고 Cressman 기법을 이용하여 3 km의 공간해상도의 격자 간격을 가지도록 객관 분석을 수행하였다(Ahn et al., 2010; Cressman, 1959). 또한, 이를 모형에 적용이 가능하도록 2차원 격자자료로 변환한 후, 8일 간격으로 합산하여 공간분포도를 작성하였다(Fig 1).
이와 같이 다양하게 개발된 모형에 대하여 정확도를 비교한 선행 연구에서는 Carnegie Ames Stanford Approach(CASA) 모형이 조밀한 밀도의 농경지에서 NPP 추정 정확도가 타모형에 비해 높게 나타났으며(Tao et al., 2005), 이를 바탕으로 본 연구에서는 2002년부터 2012년까지 벼의 생육기간 동안의 시계열 MODIS 자료와 기상자료를 CASA 모형에 적용하여 얻어진 NPP와 수량과의 상관성을 분석하여 우리나라의 논벼 수량을 추정하는 것을 목적으로 하였다.
가설 설정
특히, NPP 추정 모형은 대부분 외국으로부터 수집하여 국내 농업 여건에 맞게 조정하는 과정을 거치기 때문에 국내 환경에 적용 가능한 수식 및 수치를 찾아내는 선행연구가 매우 중요하다. 이러한 선행연구의 일환으로 본 논문에서는 국내 벼 재배지역을 관개답으로 가정하였고, 지적도를 이용하여 추출한 논벼 재배지 격자를 사용하였다. 따라서 이에 따른 오차를 제거하기 위한 방안으로 광이용효율 적용시 대상지역의 관개면적 비율의 고려, 논벼 재배지 격자 추출시 시계열 영상에 의한 휴경지의 제외 등이 필요할 것으로 판단된다.
특히, 논의 경우 관개 유무에 따라 εmax 값이 조정되며, 본 연구에서는 전 지구 관개 논이라 가정하고 0.48의 단일값을 사용하였다.
제안 방법
정확한 논벼의 NPP 추정을 위해서는 논 이외의 토지 피복을 나타내는 지역을 배제할 필요가 있으며, 이를 위해서는 정확한 논의 추출 과정이 선행되어야 한다. 따라서 본 연구에서는 2011년 상반기를 기준으로 하여 지적 도상 지목이 논인 지역을 추출하여 벡터 자료인 상태로 접합(Merge)한 후 90 m 격자 영상으로 변환하여 전국을 대상으로 한 논 마스크(Mask) 영상을 작성하였다(Fig 2). 논 마스크 영상은 실제 벼농사가 이루어지는 지역으로 전국을 대상으로 CASA 모형 적용의 공간적 범위를 나타낸다.
따라서, 생육기간의 총 누적 NPP(ΣNPPTotal) 또는 9월의 NPP(ΣNPPSEP)를 이용하여 우리나라 벼 수량 추정 모형을 작성하였다(Table 6).
, 2008). 또한 기온과 수분과 같은 환경인자를 고려하지 않았을 때 NPP가 50% 이상 과추정됨을 감안하여(Lobell et al., 2002; Nayak et al., 2010), 본 연구에서는 LSWI를 이용하여 기온, 수분 및 식생의 성장에 따른 환경인자를 고려하였다.
수집된 자료는 각 레이어와 QC/QA 레이어를 import 하고 각 granule을 영상접합(Mosaic) 한 후, 영상처리 상용 S/W인 Erdas Imagine을 이용하여 Sinusoidal 투영체계에서 UTM Zone 52N 좌표체계로 변환하였다. 또한, 보정계수(Scale factor)를 적용하여 영상자료가 데이터 값으로 표현되도록 변환하여 분석에 사용하였다.
, 2010; Cressman, 1959). 또한, 이를 모형에 적용이 가능하도록 2차원 격자자료로 변환한 후, 8일 간격으로 합산하여 공간분포도를 작성하였다(Fig 1).
본 연구에서는 CASA 모형을 이용한 국내 논벼의 NPP 추정을 위하여 MODIS Product(National Aeronautics and Space Administration; NASA), 지적도(National Geographic Information Institute; NGII), 기상연보(Korea Meteorological Administration; KMA), 농작물 생산량 통계(KOrea Statistical Information Service; KOSIS) 등의 자료를 수집하여 2002년∼2012년의 11년간 단위면적(90 m)당 광합성유효복사량(APAR)과 광이용효율(ε), 단위면적(10a)당 수량을 DB화하였다.
Surface reflectance는 500 m, LST와 FPAR은 1 km의 공간해상도로 매년 1월 1일을 기준으로 8일 간격으로 합성하여 제공된다. 수집된 자료는 각 레이어와 QC/QA 레이어를 import 하고 각 granule을 영상접합(Mosaic) 한 후, 영상처리 상용 S/W인 Erdas Imagine을 이용하여 Sinusoidal 투영체계에서 UTM Zone 52N 좌표체계로 변환하였다. 또한, 보정계수(Scale factor)를 적용하여 영상자료가 데이터 값으로 표현되도록 변환하여 분석에 사용하였다.
대상 데이터
4는 CASA 모델을 이용하여 생육기간동안 국내 논벼의 NPP 추정을 위한 방법을 설계한 것이다. FPAR의 경우 AVHRR NDVI 영상에서 추정한 자료보다 MODIS FPAR자료를 사용했을 때 CASA 모델의 정확도가 향상되었다는 결과를 바탕으로, 본 연구에서는 MYD15A2 자료를 사용하였다(Potter et al., 2003; Wang et al., 2008). 또한 기온과 수분과 같은 환경인자를 고려하지 않았을 때 NPP가 50% 이상 과추정됨을 감안하여(Lobell et al.
벼 수량 통계자료는 통계청의 국가통계포털(http://kosis.kr/)에서 배포하는 2002년∼2012년의 논벼 생산량 자료 중 현미를 대상으로 단위면적(10a)당 수량을 사용하였다(Table 2).
본 연구에서는 Aqua 위성의 MODIS 영상을 대상으로 NASA에서 제공하는 약 40개의 Product(MYD1~MYD40) 중 육지 연구를 위하여 만들어진 MYD09A1의 Surface reflectance, MYD11A2의 Land SurfaceTemperature(LST),MYD15A2의Fraction of the absorbed Photosynthetically Active Radiation(FPAR)자료를 이용하였다(Table 1). Surface reflectance는 500 m, LST와 FPAR은 1 km의 공간해상도로 매년 1월 1일을 기준으로 8일 간격으로 합성하여 제공된다.
데이터처리
kr/)에서 배포하는 2002년∼2012년의 논벼 생산량 자료 중 현미를 대상으로 단위면적(10a)당 수량을 사용하였다(Table 2). 또한, 논벼 NPP와 수량과의 상관성 분석과 회귀모형 작성을 위해서 SPSS 18 통계 소프트웨어를 사용하였다.
이론/모형
5. NPP distribution in paddy using CASA model.
성능/효과
MODIS FPAR와 광이용효율(LUE)을 CASA 모형에 적용하여 우리나라 논벼를 대상으로 각 연도별 NPP 분포도를 작성한 결과, NPP는 중서부 및 남부지역보다는 동부 지역에서 다소 높은 분포를 나타내었다(Fig. 5).
8은 논벼의 생육기간에 따른 월별 및 생육기간 총 누적 NPP와 벼 수량과의 상관계수(r)와 유의수준(p) 변화를 나타내고 있다. 결과를 살펴보면, 월별 NPP보다 누적 NPP가 벼 수량과의 상관성이 높은 것으로 나타났다. 누적 NPP의 상관계수(r)는 5월부터 지속적으로 증가하여 생육기간 전체인 10월의 총 누적 NPP가 0.
본 연구에서는 2002년부터 2012년까지 벼의 생육기간 동안의 시계열 MODIS 자료와 기상자료를 CASA 모형에 적용하여 얻어진 NPP와 수량과의 상관성을 분석하여 우리나라의 논벼 수량을 추정하는 것을 목적으로 하였다. 그 결과, 벼 수량 추정을 위한 최적 NPP는 생육기간(5월~10월)의 총 누적 NPP 또는 9월의 NPP인 것으로 나타났으며, 이를 이용하여 우리나라 논벼 수량 추정 모형 작성 결과 생육기간의 총 누적 NPP를 이용한 모형이 9월의 NPP를 이용한 모형보다 모형의 정확도는 높은 것으로 나타났다. 그러나 2003년에서 2012년 생육기간의 총 누적 NPP와 9월 NPP를 이용하여 각각 추정한 연도 및 지역별 벼 수량과 통계 자료를 비교한 결과, 전반적으로 두 모형 모두 1:1선에 근접한 결과를 보이고 있어 NPP를 이용한 벼 수량 추정 모형이 논벼 수량의 변화특성을 잘 반영하고 있는 것으로 나타났다.
그 결과, 전국 및 지역별 벼 수량 추정 모형은 5% 유의수준(p<0.05)에서 통계적으로 유의하며, ΣNPPTotal을 이용한 전국단위 모형의 결정계수(R2)는 0.879, 는 9.456 kg/10a으로 나타났다.
32 kg/10a)으로 NPP 변화에 따른 수량의 변화가 크게 나타난다. 그 외 경기와 충남은 1% 이내의 오차를 나타내어 통계청에서 발표한 최종 수량과 가장 근접한 결과를 나타내었다.
그 결과, 벼 수량 추정을 위한 최적 NPP는 생육기간(5월~10월)의 총 누적 NPP 또는 9월의 NPP인 것으로 나타났으며, 이를 이용하여 우리나라 논벼 수량 추정 모형 작성 결과 생육기간의 총 누적 NPP를 이용한 모형이 9월의 NPP를 이용한 모형보다 모형의 정확도는 높은 것으로 나타났다. 그러나 2003년에서 2012년 생육기간의 총 누적 NPP와 9월 NPP를 이용하여 각각 추정한 연도 및 지역별 벼 수량과 통계 자료를 비교한 결과, 전반적으로 두 모형 모두 1:1선에 근접한 결과를 보이고 있어 NPP를 이용한 벼 수량 추정 모형이 논벼 수량의 변화특성을 잘 반영하고 있는 것으로 나타났다.
누적 NPP의 상관계수(r)는 5월부터 지속적으로 증가하여 생육기간 전체인 10월의 총 누적 NPP가 0.1% 유의수준(p<0.001)에서 r = 0.937로 가장 높게 나타났으며, 월별 NPP의 경우, 9월의 NPP가 0.1% 유의수준(p<0.001)에서 r = 0.879로 가장 높게 나타났다.
005로 보고한 바 있다. 따라서 본 연구결과와 비교해 볼 때 NDVI보다는 NPP가 벼 수량과 상관성이 높은 것으로 판단되며, 벼 수량 추정을 위한 최적 NPP는 생육기간(5월~10월)의 총 누적 NPP 또는 9월의 NPP인것으로 나타났다.
934 kg/10a으로 나타났다. 따라서 생육기간의 총 누적 NPP를 이용할 경우, 9월의 NPP를 이용한 모형보다 결정계수(R2)가 높고 RMSE가 낮아 모형의 정확도는 높은 것으로 나타났다. 이는 모형의 시간적 적용 범위에 기인하는 것으로 생육기간의 총 누적 NPP를 이용할 경우, 9월의 NPP를 이용한 모형보다 생육기간 전반에 걸친 기상요인의 특성이 반영된 결과로 해석된다.
또한 대형태풍으로 인한 한반도 전체의 일사량 부족으로 연평균 NPP가 전 지역에 걸쳐 낮게 추정되는 경향을 나타내었다.
32 kg/10a로 예측되었다. 또한 통계청에서 발표한 최종 수량은 508.70 kg/10a으로 모형에서 산출된 결과와 각각 3.58%, 2.29%의 오차를 나타냈다. 결정계수가 상대적으로 낮았던 전남은 각각 10.
우리나라의 경우, 겨울에 잠재증발산량이 높다는 것은 차가운 시베리아 기단의 영향으로 햇볕이 많고 차가운 날씨가 지속된다는 것을 의미하고, 반면에 작물이 생장하는 봄, 여름, 가을에는 광합성량의 증가로 작물의 생장이 촉진된다는 것을 의미한다. 또한, 강수량과 일조시간이 증가함에 따라 종자의 지상부 출현기간이 짧고, 발아율도 높아져 분얼수가 증가하고, 평균보다 긴 분얼기간으로 m2당 수량이 증가한다. 이에 따라 물수지의 주요 요소인 강수, 토양수분, 증발산, 유거수와 배수에 관한 다양한 연구를 수행하고 있으며, 이러한 연구는 수자원 개발, 물이용 계획의 수립, 배수조건 결정 및 작물생산에 있어 가장 경제성 높은 수자원 이용관리를 위해 매우 실용적으로 활용되고 있다.
따라서, 자연재해(태풍 등)가 NPP 추정에 많은 영향을 미치며, 이를 반영할 수 있도록 모형의 수정 및 보완(예를 들면 태풍의 경우 풍속 등의 변수를 고려)이 필요할 것으로 사료된다. 생육시기별 NPP 변화를 살펴보면, 벼가 성장함에 따라 NPP도 증가하다 6월~7월에 최고치에 도달하고 서서히 감소하는 경향을 나타내었다. 일반적으로 벼의 생육 시기별 NDVI는 8월에 최고치를 나타내는 경향을 보인다(Na et al.
후속연구
특히, 벼 낟알이 익는 시기에 발생하는 집중호우와 일사량의 감소에 의한 작황의 악화, 태풍 및 고온 다습한 날씨로 인한 병충해 피해 등이 원인으로 분석된다. 따라서 논벼의 NPP 변화는 작물의 작황 및 수량 파악에 중요한 자료로 사용이 가능할 것으로 판단된다.
이러한 선행연구의 일환으로 본 논문에서는 국내 벼 재배지역을 관개답으로 가정하였고, 지적도를 이용하여 추출한 논벼 재배지 격자를 사용하였다. 따라서 이에 따른 오차를 제거하기 위한 방안으로 광이용효율 적용시 대상지역의 관개면적 비율의 고려, 논벼 재배지 격자 추출시 시계열 영상에 의한 휴경지의 제외 등이 필요할 것으로 판단된다. 그러나 광범위한 포장실험을 통해 우리나라 환경에서의 실제 생육 및 수량과의 오차를 줄여나가는 과정에는 많은 인력과 시간, 예산이 소요된다.
이와 같은 결과를 종합하여 볼 때, 논벼의 NPP 변화는 작물의 작황 및 수량 파악에 중요한 자료로 사용이 가능할 것으로 판단된다. 따라서 정확한 NPP 추정 방안의 개발이 논벼 수량 예측의 정확도를 높이고 오차를 줄이는 방법이 될 것으로 생각된다. 특히, 위성자료를 이용한 NPP의 추정에는 자연재해(태풍 등)가 많은 영향을 미치기 때문에 이를 반영할 수 있도록 모형의 수정 및 보완(예를 들면 태풍의 경우 풍속 등의 변수를 고려)이 필요할 것으로 사료된다.
또한 대형태풍으로 인한 한반도 전체의 일사량 부족으로 연평균 NPP가 전 지역에 걸쳐 낮게 추정되는 경향을 나타내었다. 따라서, 자연재해(태풍 등)가 NPP 추정에 많은 영향을 미치며, 이를 반영할 수 있도록 모형의 수정 및 보완(예를 들면 태풍의 경우 풍속 등의 변수를 고려)이 필요할 것으로 사료된다. 생육시기별 NPP 변화를 살펴보면, 벼가 성장함에 따라 NPP도 증가하다 6월~7월에 최고치에 도달하고 서서히 감소하는 경향을 나타내었다.
그러나 현재 대부분의 작황관련 정보는 유엔 등 국제기구와 다른 나라로부터 입수해야 하는 실정이다. 우리나라는 쌀 이 외의 주곡인 옥수수, 콩, 밀 등을 외국으로부터 수입하고 있는 곡물수입국으로, 다양하게 다가올 수 있는 식량위기 상황에 대처할 수 있는 정보를 갖기 위한 노력을 더 기울여야 할 것이다. 이에 원격탐사는 주요 곡물 수출입국의 작황 파악을 위해 우리가 활용할 수 있는 정보획득 수단으로 유망하다.
이와 같은 결과를 종합하여 볼 때, 논벼의 NPP 변화는 작물의 작황 및 수량 파악에 중요한 자료로 사용이 가능할 것으로 판단된다. 따라서 정확한 NPP 추정 방안의 개발이 논벼 수량 예측의 정확도를 높이고 오차를 줄이는 방법이 될 것으로 생각된다.
실제로 농업 기후지대의 분포를 살펴보면 전남과 경남 지역은 타 지역과는 달리 6개 이상의 기후지대가 포함되어 있어 다양한 기후 특성을 보이고 있다. 특히, 경남 지역은 MODIS NDVI와 기상자료를 이용하여 경험적 통계모형으로 예측한 결과에서도 오차가 가장 큰 것으로 나타나(Na et al., 2012) 이 지역에 대한 보다 세부적인 연구가필요할 것으로 사료된다.
따라서 정확한 NPP 추정 방안의 개발이 논벼 수량 예측의 정확도를 높이고 오차를 줄이는 방법이 될 것으로 생각된다. 특히, 위성자료를 이용한 NPP의 추정에는 자연재해(태풍 등)가 많은 영향을 미치기 때문에 이를 반영할 수 있도록 모형의 수정 및 보완(예를 들면 태풍의 경우 풍속 등의 변수를 고려)이 필요할 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
경험적 통계모형으로 추정한 작황에서 오차가 발생하는 이유는 무엇인가?
, 2012). 이는 실제 생육과정에서 발생되는 병충해, 기상재해 등 돌발현상은 고려하지 않으므로 추정된 수량은 주어진 조건하에서의 잠재수량에 가깝기 때문이다. 이와 같이, 경험적 통계모형은 이론적 근거가 약하고 모형이 개발된 지역에만 제한적으로 적용이 가능하여 넓은 범위의 위성영상에 바로 적용하기에는 무리가 따른다.
경험적 통계모형이란 무엇인가?
현재까지 원격탐사를 이용한 작황 추정은 경험적 통계모형(Empirical Statistical Models; ESM)이 주를 이루어왔다. 경험적 통계모형은 식생의 분광특성을 이용하여 얻어진 식생지수(NDVI, EVI, LAI, RVI, PVI 등)를 이용하여 작황을 추정하는 방법이다. 작황은 작물 생육기간의 기상여건, 비료 및 농약, 관개상황 및 경작 방법 등이 결정요인으로 작용함에 따라 많은 학자들은 오래 전부터 작황과 결정요인 사이에 함수관계가 있을 것으로 가정하여 이들 간의 상관관계를 연구하여 왔다.
LUE를 이용한 방법을 기반으로 개발된 NPP 추정 모형에는 어떤 것들이 있는가?
따라서 복잡한 토양-식생-대기 전달모형부터 광이용효율(Light Use Efficiency, LUE)을 이용한 단순 모형까지 다양한 모형이 개발되었다. 그 중 LUE를 이용한 방법을 기반으로 개발된 NPP 추정 모형으로는 CFix(Veroustraete, 1994), CASA(Field et al., 1995), GLOPEM(Prince and Goward, 1995), SDBM(Knorr and Heimann, 1995), TURC(Ruimy et al., 1996), MODIS NPP(Running et al., 2004) 등이 있으며, 각 모형은 NPP 추정 시 고려하는 환경 스트레스의 종류 및 추정식이 다르다.
Ahn, J.B., J.N. Hur, and K.M. Shim, 2010. A Simulation of Agro-Climate Index over the Korean Peninsula Using Dynamical Downscaling with a Numerical Weather Prediction Model, Korean Journal of Agricultural and Forest Meteorology, 12(1): 1-10.
Allen J.D., 1990. A Look at the Remote Sensing Applications Program of the National Agricultural Statistics Service. Journal of Official Statistics, 6(4): 393-409.
Doraiswamy, P.C, T.R. Sinclair, S. Hollinger, B. Akhmedov, A. Stern, and J. Prueger, 2005. Application of MODIS derived parameters for regional crop yield assessment, Remote Sensing of Environment, 97: 192-202.
Falcon, W.P., and R.L. Naylor, 2005. Rethinking Food Security for the Twenty-First Century, American Journal of Agricultural Economics, 85(5): 1113-1127.
Ferencz Cs., P. Bognar, J. Lichtenberger, D. Hamar, G. Tarcsai, G. Timar, G. Molnar, SZ. Pasztor, P. Steinbach, B. Szekely, O.E. Ferencz, and I. FerenczArkos, 2004. Crop Yield Estimation by Satellite Remote Sensing, International Journal of Remote Sensing, 25(20): 4113-4149.
Field, C.B., J.T. Randerson, and C.M. Malmstrom, 1995. Global net primary production: Combining ecology and remote sensing, Remote Sensing of Environment, 51: 74-88.
Hong, J.H., C.S. Shim, M.J. Lee, G.H. Baek, W.K. Song, S.W. Jeon, and Y.H. Park, 2011. Net Primary Production Changes over Korea and Climate Factors, Korean Journal of Remote Sensing, 27(4): 467-480 (in Korean with English abstract).
Hong, S.Y., E.Y. Choe, G.Y. Kim, S.K. Kang, Y.H. Kim, and Y.S. Zhang, 2009. A study on Estimating Rice Yield of North Korea using MODIS NDVI, Proc. of 2009 Korea Remote Sensing Symposium, Seoul, Korea, Mar. 25, 116-120.
Hong, S.Y., J.N. Hur, J.B. Ahn, J.M. Lee, B.K. Min, C.K. Lee, Y.H. Kim, K.D. Lee, S.H. Kim, G.Y. Kim, and K.M. Shim, 2012. Estimating Rice Yield Using MODIS NDVI and Meteorological Data in Korea, Korean Journal of Remote Sensing, 28(5): 509-520 (in Korean with English abstract).
Hong, S.Y., J.T. Lee, S.K. Rim, and J.S. Shin, 1997. Radiometric estimates of grain yields related to crop aboveground net production (ANP) in paddy rice, Proc. of 1997 International Geoscience and Remote Sensing Symposium, Singapore, Aug. 3-8, 1793-1795.
Kim, M.H., C.K. Lee, H.K. Park, J.E. Lee, B.C. Koo, and J.C. Shin, 2008. A Study on Rice Growth and Yield Monitoring Using Medium Resolution Landsat Imagery, Korean Journal Crop Science, 53(4): 388-393.
Knorr, W., and M. Heimann, 1995. Impact of drought stress and other factors on seasonal land biosphere CO2 exchange studied through an atmospheric tracer transport model, Tellus, 47(4): 471-489.
Lobell, D.B., J.A. Hicke, G.P. Asner, C.B. Field, C.J. Tucker, and S.O. Los, 2002. Satellite estimates of productivity and light use efficiency in United States agriculture, 1982-1998. Global Change Biology, 8: 722-735.
Na, S.I., J.K. Park, S.C. Baek, and J.H. Park, 2011. A Study on the Key Factors Extraction and Paddy Fields Mapping for the Development of Rice Yield Prediction Model using RS/GIS, Proc. of Annual Conference of Korea Society of Agricultural Engineers, Daegu, Korea, Sep. pp.22-23.
Na, S.I., J.H. Park, and J.K. Park, 2012. Development of Korean Paddy Rice Yield Prediction Model (KRPM) using Meteorological Element and MODIS NDVI, Journal of the Korean Society of Agricultural Engineers, 54(3): 141-148.
Na, S.I., J.K. Park, C.S. Baek, S.Y. Oh, and J.H. Park. 2012. A Study on the Correlation between NDVI and Paddy Rice Yield by Spatial Scale, Proc. of Annual Conference of Korea Society of Agricultural Engineers, Cheonan, Korea, Sep. pp.18-19.
Nayak, R.K., N.R. Patel, and V.K. Dadhwal, 2010. Estimation and analysis of terrestrial net primary productivity over India by remote-sensing-driven terrestrial biosphere model, Environ. Monit. Assess., 170: 195-213.
Ozdogan, M., 2011. Exploring the potential contribution of irrigation to global agricultural primary productivity, Global Biogeochemical Cycles, 25(3): GB3016.
Potter, C., S. Klooster, R. Myneni, and V. Genovese, 2004. Terrestrial Carbon Sinks Predicted from MODIS Satellite Data and Ecosystem Modeling, Earth Observer, 16(2): 15-20.
Prince, S.D., and S.N. Goward, 1995. Global primary production: A remote sensing approach, Journal of Biogeography, 22: 815-835.
Raich, J.W., E.B. Rastetter, J.M. Melillo, D.W. Kicklighter, P.A. Steudler, B.J. Peterson, A. Grace , B. Moore, and C.J. Vorosmarty, 1991. Potential net primary productivity in South- America-application of a global-model, Ecological Applications, 1: 399-429.
Ren J.Q., Z.X. Chen, Q.B. Zhou, and H.J. Tang, 2008. Regional Yield Estimation for Winter Wheat with MODIS-NDVI Data in Shandong, China, International Journal of Applied Earth Observation and Geoinformation, 10: 403-413
Ruimy, A., G. Dedieu, and B. Saugier, 1996. TURC: A diagnostic model of continental gross primary productivity and net primary productivity, Global Biogeochemical Cycles, 10(2): 269-285.
Running, S.W., R.R. Nemani, F.A. Heinsch, M.S. Zhao, M. Reeves, and H. Hashimoto, 2004. A continuous satellite-derived measure of global terrestrial primary production, Bioscience, 54(6): 547-560.
Tao, F., M. Yokozawa, Z. Zhang, Y. Xu, and Y. Hayashi, 2005. Remote sensing of crop production in China by production efficiency models: models comparisons, estimates and uncertainties, Ecological Modelling, 183: 385-396.
Veroustraete, F., 1994. On the use of a simple deciduous forest model for the interpretation of climate change effects at the level of carbon dynamics, Ecological Modelling, 75(76): 221-237.
Wang, L., G. Hong, Z. Caiping, Z. Haitao, L. Chao, and Z. Qilin, 2008. Vegetation NPP distribution based on MODIS data and CASA model-A case study in Haihe River basin, China, Proc. of SPIE, Vol. 6625.
Xiao, X.M., S. Boles, J.Y. Liu, D.F. Zhuang, and M.L. Liu, 2002. Characterization of forest types in Northeastern China, using multitemporal SPOT- 4 VEGETATION sensor data, Remote Sensing of Environment, 82: 335-348.
Xiao, X.M., D. Hollinger, J.D. Aber, M. Goltz, E.A. Davidson, and Q.Y. Zhang, 2004. Satellite-based modeling of gross primary production in an evergreen needleleaf forest, Remote Sensing of Environment, 89: 519-534.
Xiao, X., Q. Zh, S. Salesk, L. Hutyra, P.D. Camargo, S. Wofsy, S. Frolking, S. Boles, M. Keller, and B. Moore, 2005. Satellite-based modeling of gross primary production in a seasonally moist tropical evergreen forest, Remote Sensing of Environment, 94: 105-122.
Zhao, M., F.A. Heinsch, R.R. Nemani, and S.W. Running, 2005. Improvements of the MODIS terrestrial gross and net primary production global data set, Remote Sensing of Environment, 95: 164-176.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.