수문학, 기상학 및 기후학 등에서 필수적인 자료중의 하나인 지상기온 자료는 최근 보건, 생물, 환경 등의 다양한 분야로까지 활용영역이 확대되고 있어 그 중요성이 커지고 있으나 지상관측을 통한 지상기온자료의 취득은 시공간적인 제약이 크기 때문에 실측된 기온자료는 시공간 해상도가 낮아 높은 해상도가 요구되는 연구 분야에서는 활용성에 큰 제약을 갖게 된다. 이를 극복하기 위한 하나의 대안으로 상대적으로 높은 시공간 해상도를 가지고 있는 위성영상자료에서 얻을 수 있는 지표면온도 자료를 이용하여 지상기온을 추정하는 많은 연구들이 수행되어 왔다. 본 연구는 이러한 연구의 일환으로써 기상청에서 제공하고 있는 AWS(Automatic Weather Station)에서 취득된 2010년 지상 온도 자료(AWS data)를 바탕으로 대표적인 지표면 온도자료인 MODIS Land Surface temperature(LST data:MOD11A1)와 지상기온에 영향을 미칠 수 있는 Land Cover Data, DEM(digital elevation model) 등의 보조 자료와 함께 다양한 지구통계 기법들을 이용하여 남한 지역의 지상기온을 추정하였다. 추정 전 2010년 전체(365일) LST자료와 AWS자료와의 차이에 대한 RMSE(Root Mean Square Error)값의 계절별 피복별 분석결과 계절에 따른 RMSE값의 변동계수는 0.86으로 나타났으나 피복에 따른 변동계수는 0.00746으로 나타나 계절별 차이가 피복별 차이보다 큰 것으로 분석 되었다. 계절별 RMSE 값은 겨울철이 가장 낮은 것으로 나타났으며 AWS자료와 LST자료와 보조자료를 이용한 선형 회귀분석결과에서도 겨울철의 결정 계수가 가장 높은 0.818로 나타났으며, 여름철의 경우에는 0.078로 나타나 계절별 차이가 매우 크게 나타났다. 이러한 결과를 바탕으로 지구통계 기법들의 대표적인 방법론인 크리깅 방법 중 일반적으로 많이 사용되고 있는 정규 크리깅, 일반 크리깅, 공동 크리킹, 회귀 크리깅을 이용하여 지상기온을 추정한 후 모델의 정확도를 판단할 수 있는 교차 검증을 실시한 결과 정규 크리깅과 일반 크리깅에 의한 RMSE 값은 1.71, 공동 크리깅과 회귀 크리깅에 의한 RMSE 값은 각각 1.848, 1.63으로 나타나 회귀 크리깅 방법에 의한 추정의 정확도가 가장 높은 것으로 분석되었다.
수문학, 기상학 및 기후학 등에서 필수적인 자료중의 하나인 지상기온 자료는 최근 보건, 생물, 환경 등의 다양한 분야로까지 활용영역이 확대되고 있어 그 중요성이 커지고 있으나 지상관측을 통한 지상기온자료의 취득은 시공간적인 제약이 크기 때문에 실측된 기온자료는 시공간 해상도가 낮아 높은 해상도가 요구되는 연구 분야에서는 활용성에 큰 제약을 갖게 된다. 이를 극복하기 위한 하나의 대안으로 상대적으로 높은 시공간 해상도를 가지고 있는 위성영상자료에서 얻을 수 있는 지표면온도 자료를 이용하여 지상기온을 추정하는 많은 연구들이 수행되어 왔다. 본 연구는 이러한 연구의 일환으로써 기상청에서 제공하고 있는 AWS(Automatic Weather Station)에서 취득된 2010년 지상 온도 자료(AWS data)를 바탕으로 대표적인 지표면 온도자료인 MODIS Land Surface temperature(LST data:MOD11A1)와 지상기온에 영향을 미칠 수 있는 Land Cover Data, DEM(digital elevation model) 등의 보조 자료와 함께 다양한 지구통계 기법들을 이용하여 남한 지역의 지상기온을 추정하였다. 추정 전 2010년 전체(365일) LST자료와 AWS자료와의 차이에 대한 RMSE(Root Mean Square Error)값의 계절별 피복별 분석결과 계절에 따른 RMSE값의 변동계수는 0.86으로 나타났으나 피복에 따른 변동계수는 0.00746으로 나타나 계절별 차이가 피복별 차이보다 큰 것으로 분석 되었다. 계절별 RMSE 값은 겨울철이 가장 낮은 것으로 나타났으며 AWS자료와 LST자료와 보조자료를 이용한 선형 회귀분석결과에서도 겨울철의 결정 계수가 가장 높은 0.818로 나타났으며, 여름철의 경우에는 0.078로 나타나 계절별 차이가 매우 크게 나타났다. 이러한 결과를 바탕으로 지구통계 기법들의 대표적인 방법론인 크리깅 방법 중 일반적으로 많이 사용되고 있는 정규 크리깅, 일반 크리깅, 공동 크리킹, 회귀 크리깅을 이용하여 지상기온을 추정한 후 모델의 정확도를 판단할 수 있는 교차 검증을 실시한 결과 정규 크리깅과 일반 크리깅에 의한 RMSE 값은 1.71, 공동 크리깅과 회귀 크리깅에 의한 RMSE 값은 각각 1.848, 1.63으로 나타나 회귀 크리깅 방법에 의한 추정의 정확도가 가장 높은 것으로 분석되었다.
Near surface air temperature data which are one of the essential factors in hydrology, meteorology and climatology, have drawn a substantial amount of attention from various academic domains and societies. Meteorological observations, however, have high spatio-temporal constraints with the limits in...
Near surface air temperature data which are one of the essential factors in hydrology, meteorology and climatology, have drawn a substantial amount of attention from various academic domains and societies. Meteorological observations, however, have high spatio-temporal constraints with the limits in the number and distribution over the earth surface. To overcome such limits, many studies have sought to estimate the near surface air temperature from satellite image data at a regional or continental scale with simple regression methods. Alternatively, we applied various Kriging methods such as ordinary Kriging, universal Kriging, Cokriging, Regression Kriging in search of an optimal estimation method based on near surface air temperature data observed from automatic weather stations (AWS) in South Korea throughout 2010 (365 days) and MODIS land surface temperature (LST) data (MOD11A1, 365 images). Due to high spatial heterogeneity, auxiliary data have been also analyzed such as land cover, DEM (digital elevation model) to consider factors that can affect near surface air temperature. Prior to the main estimation, we calculated root mean square error (RMSE) of temperature differences from the 365-days LST and AWS data by season and landcover. The results show that the coefficient of variation (CV) of RMSE by season is 0.86, but the equivalent value of CV by landcover is 0.00746. Seasonal differences between LST and AWS data were greater than that those by landcover. Seasonal RMSE was the lowest in winter (3.72). The results from a linear regression analysis for examining the relationship among AWS, LST, and auxiliary data show that the coefficient of determination was the highest in winter (0.818) but the lowest in summer (0.078), thereby indicating a significant level of seasonal variation. Based on these results, we utilized a variety of Kriging techniques to estimate the surface temperature. The results of cross-validation in each Kriging model show that the measure of model accuracy was 1.71, 1.71, 1.848, and 1.630 for universal Kriging, ordinary Kriging, cokriging, and regression Kriging, respectively. The estimates from regression Kriging thus proved to be the most accurate among the Kriging methods compared.
Near surface air temperature data which are one of the essential factors in hydrology, meteorology and climatology, have drawn a substantial amount of attention from various academic domains and societies. Meteorological observations, however, have high spatio-temporal constraints with the limits in the number and distribution over the earth surface. To overcome such limits, many studies have sought to estimate the near surface air temperature from satellite image data at a regional or continental scale with simple regression methods. Alternatively, we applied various Kriging methods such as ordinary Kriging, universal Kriging, Cokriging, Regression Kriging in search of an optimal estimation method based on near surface air temperature data observed from automatic weather stations (AWS) in South Korea throughout 2010 (365 days) and MODIS land surface temperature (LST) data (MOD11A1, 365 images). Due to high spatial heterogeneity, auxiliary data have been also analyzed such as land cover, DEM (digital elevation model) to consider factors that can affect near surface air temperature. Prior to the main estimation, we calculated root mean square error (RMSE) of temperature differences from the 365-days LST and AWS data by season and landcover. The results show that the coefficient of variation (CV) of RMSE by season is 0.86, but the equivalent value of CV by landcover is 0.00746. Seasonal differences between LST and AWS data were greater than that those by landcover. Seasonal RMSE was the lowest in winter (3.72). The results from a linear regression analysis for examining the relationship among AWS, LST, and auxiliary data show that the coefficient of determination was the highest in winter (0.818) but the lowest in summer (0.078), thereby indicating a significant level of seasonal variation. Based on these results, we utilized a variety of Kriging techniques to estimate the surface temperature. The results of cross-validation in each Kriging model show that the measure of model accuracy was 1.71, 1.71, 1.848, and 1.630 for universal Kriging, ordinary Kriging, cokriging, and regression Kriging, respectively. The estimates from regression Kriging thus proved to be the most accurate among the Kriging methods compared.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 기상청에서 제공하고 있는 AWS(Automatic Weather Station)에서 취득된 2010년 지상 온도 자료(AWS data)를 바탕으로 지상 기온 관측 자료의 시공간적인 한계점을 극복할 수 있는 대표적인 위성자료인 MODIS 지표면 온도 자료(MODIS land surface temperature (LST data: MOD11A1)와 지상기온에 영향을 미칠 수 있는 토지 피복, DEM 등의 보조 자료를 이용하여 다양한 지구통계 기법들을 통해 남한 지역의 지상기온을 추정하였다. 추정전 2010년 전체(365일) LST data와 AWS data와의 차이에 대한 RMSE 값의 계절별 피복별 분석결과 두 자료의 차이에 대한 시간적변이(계절별 RMSE;변동계수: 0.
본 연구는 이러한 연구 결과들을 바탕으로 Zaksek[20]이 분류한 고급 통계를 이용한 접근 방법을 선택하여 다양한 지구통계 기법들을 통해 남한 지역의 지상기온을 추정하여 남한지역의 공간적 특성을 잘 반영하는 최적의 추정 방법론을 찾고자 하였다.
본 연구에서는 기상청에서 제공하고 있는 AWS(Automatic Weather Station)에서 취득된 2010년 지상 온도 자료(AWS 자료)를 바탕으로 대표적인 지표면 온도 자료인 MODIS land surface temperature(LST; MOD11A1) 자료와 지상기온에 영향을 미칠 수 있는 land cover, DEM (digital elevation model) 등의 보조 자료를 이용하여 남한 지역의 지상기온을 추정하였다. 본 연구에서 사용한 AWS 자료는 총 710개 지점(Figure 1)에서 2010년 1년 동안의 1시간 단위로 측정된 기온자료(Table 1)를 이용하였다.
제안 방법
AWS 지상 온도 자료와 MOD11A1 LST 자료, 또한 지상기온에 영향을 미칠 수 있는 DEM 자료 및 토지피복 자료 등의 보조 자료를 이용하여 회귀 모델링을 수행하여 LST 자료와 보조 자료가 얼마만큼의 지상기온에 대한 설명력을 갖는지 분석하였으며 이를 이용하여 지상기온 자료에 대한 경향성을 파악하고자 하였다.
AWS 지상 온도 자료와 MOD11A1 LST 자료간의 차이 분석 결과와 회귀분석 결과를 바탕으로 지구통계 기법들의 대표적인 방법론인 크리깅방법들 중 일반적으로 많이 사용되고 있는 정규 크리깅, 일반 크리깅, 공동 크리깅, 회귀 크리깅을 이용하여 지상기온을 추정한 후 추정결과에 대하여 교차검증을 실시하여 각 기법들 간의 추정의 타당성을 비교하였다.
먼저 AWS 지상 온도 자료와 MOD11A1 LST 자료와의 차이에 대한 RMSE를 계절별 피복별로 계산하여 두 자료 간의 차이에 대한 시공간적인 변이 특성을 살펴보았다. 분석결과 두 자료의 차이에 대한 시간적 변이(계절별 RMSE)가 공간적 변이(피복별 RMSE)보다 큰 것으로 나타났다.
대상 데이터
MOD11A1 자료는 HDF4(Hierarchical Data Format) 형식으로 제공되고 있으며 1km 공간 해상도의 1200행×1200열의 그리드 형태를 갖으며 정확한 격자 크기는 926.6254331m 이다.
본 연구에서는 기상청에서 제공하고 있는 AWS(Automatic Weather Station)에서 취득된 2010년 지상 온도 자료(AWS 자료)를 바탕으로 대표적인 지표면 온도 자료인 MODIS land surface temperature(LST; MOD11A1) 자료와 지상기온에 영향을 미칠 수 있는 land cover, DEM (digital elevation model) 등의 보조 자료를 이용하여 남한 지역의 지상기온을 추정하였다. 본 연구에서 사용한 AWS 자료는 총 710개 지점(Figure 1)에서 2010년 1년 동안의 1시간 단위로 측정된 기온자료(Table 1)를 이용하였다.
제공되는 하위 데이터들은 LST_Day_1km, QC_Day, Day_view_time, Day_view_angle, LST_Night_1km, QC_Night, Night_view_time, Night_view_angle, Emis_31, Emis_32, Clear_day_cov 등이 있으며(Table 2) 좌표계는 시누소이드 도법(sinusoidal projection)이 적용되어 있다. 본 연구에서는 2010년 1년동안의 MOD11A1 자료 중 낮 시간대의 LST 자료(LST_Day_1km)와 촬영시간(Day_view_time) 자료를 이용하여 AWS 자료와 시공간적으로 일치하는 LST 값을 추출하여 연구 자료로 사용하였다. 추정의 정확도를 높이기 위하여 기온에 영향을 미칠 수 있는 보조 자료로 지표면과 대기사이의 열 교환에 큰 영향을 미치는 토지피복 자료 (환경부 2010년 대분류 자료)와 30m 해상도를 갖는 DEM 자료를 이용하였다.
추정 자료는 겨울철이 지상기온과 LST자료간의 상관성이 가장 높다는 선행분석결과를 이용하여 겨울철(12월, 1월, 2월) 평균기온과 가장 가까운 일자(12월 29일)의 AWS 자료와 MODIS LST자료를 이용하였다.
본 연구에서는 2010년 1년동안의 MOD11A1 자료 중 낮 시간대의 LST 자료(LST_Day_1km)와 촬영시간(Day_view_time) 자료를 이용하여 AWS 자료와 시공간적으로 일치하는 LST 값을 추출하여 연구 자료로 사용하였다. 추정의 정확도를 높이기 위하여 기온에 영향을 미칠 수 있는 보조 자료로 지표면과 대기사이의 열 교환에 큰 영향을 미치는 토지피복 자료 (환경부 2010년 대분류 자료)와 30m 해상도를 갖는 DEM 자료를 이용하였다.
데이터처리
모든 기법들에 대한 교차 검증 결과는 Figure 12와 Figure 13에 나타나 있다. 교차 검증은 leave-one-out cross-validation (LOOCV) 방법을 이용하여 RMSE 값을 산출하였다. 교차검증 결과 RMSE 값의 기법들 간의 차이는 크지 않았으나 회귀식을 이용하여 기온자료의 공간적인 경향성을 모델링하고 잔차값을 동시에 추정하여, 이 값들을 이용하여 최종적으로 추정 결과를 산출하는 회귀 크리깅 방법에 의한 추정 결과의 RMSE 값 (1.
성능/효과
AWS 지상 온도 자료와 MOD11A1 LST 자료 및 보조자료를 이용한 회귀 분석 결과 2010년 1년간의 지상 온도 자료와 MOD11A1 LST 자료 전체에 대한 두 변수 간 수정 결정 계수는 0.495으로 나타나 비교적 높은 연관성을 보였다. 설명변수로 DEM 자료를 추가하여 분석한 결과 DEM 자료의 설명력은 매우 낮게 나타났다.
LST data와 AWS data와의 차이에 대한 RMSE 값의 계절별 피복별 분석 결과와 회귀 분석 결과 모두 상대적으로 대기습도가 높은 여름철과 습도가 낮은 계절인 봄과 가을 그리고 겨울철에서의 분석값 (RMSE 및 결정 계수)의 차이가 큰 것으로 나타났다. 이는 대기내 수증기가 지표와 대기사이의 열 교환 과정에서 중요한 역할을 한다는 사실을 고려한다면 대기 중 습도가 지표면온도와 지상 기온간의 상관관계에 많은 영향을 미칠 수 있음을 시사하나, 본 연구에서는 실제 일별 습도자료를 이용하지 못했기 때문에 이 부분에 있어서 연구의 한계를 갖는다고 판단되며 이는 향후 연구에서 보완 되어야할 것이다.
분석결과 두 자료의 차이에 대한 시간적 변이(계절별 RMSE)가 공간적 변이(피복별 RMSE)보다 큰 것으로 나타났다. 각 피복별 RMSE에 대한 변동계수가 0.0746으로 나타났으나 계절별 RMSE에 대한 변동계수는 0.12652으로 상대적으로 크게 나타나 계절 변화에 따른 변동이 큰 것으로 분석되었다.
교차 검증은 leave-one-out cross-validation (LOOCV) 방법을 이용하여 RMSE 값을 산출하였다. 교차검증 결과 RMSE 값의 기법들 간의 차이는 크지 않았으나 회귀식을 이용하여 기온자료의 공간적인 경향성을 모델링하고 잔차값을 동시에 추정하여, 이 값들을 이용하여 최종적으로 추정 결과를 산출하는 회귀 크리깅 방법에 의한 추정 결과의 RMSE 값 (1.63)이 가장 낮은 것으로 나타났다.
먼저 AWS 지상 온도 자료와 MOD11A1 LST 자료와의 차이에 대한 RMSE를 계절별 피복별로 계산하여 두 자료 간의 차이에 대한 시공간적인 변이 특성을 살펴보았다. 분석결과 두 자료의 차이에 대한 시간적 변이(계절별 RMSE)가 공간적 변이(피복별 RMSE)보다 큰 것으로 나타났다. 각 피복별 RMSE에 대한 변동계수가 0.
495으로 나타나 비교적 높은 연관성을 보였다. 설명변수로 DEM 자료를 추가하여 분석한 결과 DEM 자료의 설명력은 매우 낮게 나타났다. 2010년 전체 자료를 계절별 피복별로 분리하여 회귀 분석을 수행한 결과에서는 AWS 지상 온도 자료와 MOD11A1 LST 자료간의 차이 분석 결과와 유사하게 계절별 결정 계수의 차이가 피복별 차이보다 크게 나타났다.
설명변수로 DEM 자료를 추가하여 분석한 결과 수정결정 계수가 0.481로 오히려 낮아졌으며 회귀계수 값 자체도 –0.001에 지나지 않아 DEM 자료의 설명력은 매우 낮게 나타났다.
이러한 결과를 바탕으로 지구통계 기법들의 대표적인 방법론인 크리깅방법들 중 일반적으로 많이 사용되고 있는 정규 크리깅, 일반 크리깅, 공동 크리깅, 회귀 크리깅을 이용하여 지상기온을 추정한 후 모델의 정확도를 판단할 수 있는 교차 검증을 실시한 결과 RMSE 값의 기법들 간의 차이는 크지 않았으나 회귀식을 이용하여 기온자료의 공간적인 경향성을 모델링하고 잔차값을 동시에 추정하여, 이 값들을 이용하여 최종적으로 추정 결과를 산출하는 회귀 크리깅 방법에 의한 추정 결과의 RMSE 값 (1.63)이 가장 낮은 것으로 분석 되었다.
001에 지나지 않아 DEM 자료의 설명력은 매우 낮게 나타났다. 전체 자료를 계절별 피복별로 분리하여 회귀 분석을 수행한 결과에서는 AWS 지상 온도 자료와 MOD11A1 LST 자료간의 차이 분석결과와 유사하게 계절별 결정계수의 차이가 피복별 차이보다 크게 나타났다. 계절별 수정 결정 계수는 여름철의 경우 0.
따라서 크리깅을 수행하기 전에 경향성을 제거하여 자료가 가지고 있는 공간적인 특성을 반영하는 추정치를 구해야 한다. 즉, 자료의 경향성을 구하고 각 표본점들에서의 잔차를 사용하여 단순 크리깅 기법을 통해 미조사 지점의 잔차값을 추정하고 파악된 경향성과의 합을 통해 최종적인 예측값을 구할 수 있다. 자료가 갖는 경향을 μ(s), 잔차값을 ε(s)라 하면 미조사지점의 예측값 Z(s)는 식(3)과 같이 나타낼 수 있다.
추정전 2010년 전체(365일) LST data와 AWS data와의 차이에 대한 RMSE 값의 계절별 피복별 분석결과 두 자료의 차이에 대한 시간적변이(계절별 RMSE;변동계수: 0.12652)가 공간적변이(피복별RMSE;변동계수:0.0746)보다 큰 것으로 나타났다.
이는 대기 내 수증기가 지표와 대기사이의 열 교환 과정에서 중요한 역할을 한다는 사실을 고려한다면 어느 정도 설명이 될 수 있다고 판단된다. 피복에 따른 RMSE값에서는 각 피복 간의 차이는 크게 나타나지 않았으나 나지와 시가화 건조지역에서 수치가 크게 나타났으며 상대적으로 산림 지역과 초지 습지 지역에서 작은 값을 나타냈다(Figure 6). 이러한 결과는 도심지역의 기온과 관련된 연구를 수행함에 있어서 위성에서 취득된 LST 자료를 이용할 경우 다소 유의하여 연구를 수행해야 한다는 시사점을 제공한다고 볼 수 있으며 산림지역이나 초지에 대한 연구를 수행할 경우에는 LST자료가 상당히 유용하게 사용될 수 있음을 시사한다고 할 수 있다.
상대적으로 대기습도가 높은 여름철 보다 습도가 낮은 계절인 봄과 가을 그리고 겨울철에서의 RMSE값이 낮게 나타났다. 피복에 따른 RMSE값에서는 각 피복간의 차이는 크게 나타나지 않았으나 나지와 시가화 건조지역에서 수치가 크게 나타났으며 상대적으로 산림 지역과 초지 습지 지역에서 작은 값을 나타냈다. 이러한 결과는 최근 활발히 연구되고 있는 열섬 현상 연구와 같은 도심지역의 기온과 관련된 연구를 수행함에 있어서 위성에서 취득된 LST 자료를 이용할 경우 다소 유의하여 연구를 수행해야 한다는 시사점을 제공한다고 볼 수 있으며 반대로 산림지역이나 초지에 대한 연구를 수행할 경우에는 LST자료가 상당히 유용하게 사용될 수 있음을 의미한다고 볼 수 있다.
후속연구
LST data와 AWS data와의 차이에 대한 RMSE 값의 계절별 피복별 분석 결과와 회귀 분석 결과 모두 상대적으로 대기습도가 높은 여름철과 습도가 낮은 계절인 봄과 가을 그리고 겨울철에서의 분석값 (RMSE 및 결정 계수)의 차이가 큰 것으로 나타났다. 이는 대기내 수증기가 지표와 대기사이의 열 교환 과정에서 중요한 역할을 한다는 사실을 고려한다면 대기 중 습도가 지표면온도와 지상 기온간의 상관관계에 많은 영향을 미칠 수 있음을 시사하나, 본 연구에서는 실제 일별 습도자료를 이용하지 못했기 때문에 이 부분에 있어서 연구의 한계를 갖는다고 판단되며 이는 향후 연구에서 보완 되어야할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
지상관측을 통한 지상기온자료 취득 시 나타나는 단점은?
수문학, 기상학 및 기후학 등에서 필수적인 자료중의 하나인 지상기온 자료는 최근 보건, 생물, 환경 등의 다양한 분야로까지 활용영역이 확대되고 있어 그 중요성이 커지고 있으나 지상관측을 통한 지상기온자료의 취득은 시공간적인 제약이 크기 때문에 실측된 기온자료는 시공간 해상도가 낮아 높은 해상도가 요구되는 연구 분야에서는 활용성에 큰 제약을 갖게 된다. 이를 극복하기 위한 하나의 대안으로 상대적으로 높은 시공간 해상도를 가지고 있는 위성영상자료에서 얻을 수 있는 지표면온도 자료를 이용하여 지상기온을 추정하는 많은 연구들이 수행되어 왔다.
MOD11A1 자료에서 제공되는 하위 데이터로는 무엇이 있는가?
6254331m 이다. 제공되는 하위 데이터들은 LST_Day_1km, QC_Day, Day_view_time, Day_view_angle, LST_Night_1km, QC_Night, Night_view_time, Night_view_angle, Emis_31, Emis_32, Clear_day_cov 등이 있으며(Table 2) 좌표계는 시누소이드 도법(sinusoidal projection)이 적용되어 있다. 본 연구에서는 2010년 1년동안의 MOD11A1 자료 중 낮 시간대의 LST 자료(LST_Day_1km)와 촬영시간(Day_view_time) 자료를 이용하여 AWS 자료와 시공간적으로 일치하는 LST 값을 추출하여 연구 자료로 사용하였다.
지표면 온도는 어떤 자료에서 얻을 수 있는가?
이를 극복하기 위한 하나의 대안으로 상대적으로 높은 시공간 해상도를 가지고 있는 위성영상자료에서 얻을 수 있는 지표면 온도(Land Surface Temperature: LST) 자료를 이용하여 지상기온을 추정하는 많은 연구들이 최근까지 지속적으로 수행되어 왔으나 ([4,6,7,15,21]), 아직까지 명확하고 단일한 추정방법은 정립되어 있지 않은 상태이다. Zaksek[20]는 최근까지 진행되어온 지표면 온도 자료를 이용한 기온 추정 연구들을 그 방법에 따라 간단한 통계적인 접근 방식, 고급 통계를 이용한 방식, 온도 식생 지수 TVX(temperaturevegetation index) 접근 방식, 에너지 균형 접근 방식 등의 세 가지 그룹으로 나누어 검토한 후 이러한 접근법들 모두 높은 공간적 해상도를 갖는 추정 결과는 제시하지 못하고 있다고 밝히고 있다.
참고문헌 (21)
Bohling, G. 2005, Introduction to geostatistics and variogram analysis, Kansas Geological Survey.
Chang, Kang-tsung, 2006, Introduction to Geographic Information Systems, New York: McGraw-Hill.
Choe, J. G. 2007, Geostatistics, SigmaPress.
Colombi, A; De Michele, C; Pepe, M; Rampini, A. 2007, Estimation of daily mean air temperature from MODIS LST in Alpine areas, EARSeL eProceedings, 6(1): 38-46.
Florio, E. N; Lele, S. R; Chi Chang, Y; Sterner, R; Glass, G. E. 2004, Integrating AVHRR satellite data and NOAA ground observations to predict surface air temperature: a statistical approach. International Journal of Remote Sensing, 25(15): 2979-2994.
Fu, G; Shen, Z; Zhang, X; Shi, P; Zhang, Y; Wu, J. 2011, Estimating air temperature of an alpine meadow on the Northern Tibetan Plateau using MODIS land surface temperature. Acta Ecologica Sinica, 31(1): 8-13.
Green, R. M; Hay, S. I. 2002, The potential of Pathfinder AVHRR data for providing surrogate climatic variables across Africa and Europe for epidemiological applications, Remote sensing of Environment, 79(2):166-175.
Hengl, T; Heuvelink, G; Stein, A. 2004, A generic framework for spatial prediction of soil variables based on regression kriging, Geoderma 122(1-2): 75-93.
Isaaks, E.H; Srivastava, R. M; 1989, An Introduction to Applied Geostatistics, Oxford Univ. Press, Bedford, Massachusetts.
Karl, J. W. 2010, Spatial predictions of cover attributes of rangeland ecosystems using regression kriging and remote sensing. Rangeland Ecology & Management, 63(3):335-349.
Kim, S. N; Lee, W. K; Kim, J. G; Shin, K. I;Kwon, T. H; Hyun, S. H; Yang, J.E. 2012, Prediction of Spatial Distribution Trends of Heavy Metals in Abandoned Gangwon Mine Site by Geostatistical Technique, Journal of Korea Spatial Information Society 20(4):17-27(in Korean with English abstract).
Matheron, G. 1973, The intrinsic random functions and their applications, Advances in applied probability, 439-468.
Neteler, M. 2010, Estimating daily Land Surface Temperatures in mountainous environments by reconstructed MODIS LST data, Remote sensing, 2(1): 333-351. Oxford University Press.
Park, H. J; Shin, H. S; Noh, Y. H; Kim, K. M; Park, K. H. 2012, Estimating Forest Carbon Stocks in Danyang Using Kriging Methods for Aboveground Biomass, The Korean Association of Geographic Information Studies, 15(1):16-33 (in Korean with English abstract).
Park, N.W. 2011, Integration of Categorical Data using Multivariate Kriging for Spatial Interpolation of Ground Survey Data, Journal of Korea Spatial Information Society 19(4):81-89(in Korean with English abstract).
Park, S. Y. 2009, Estimating Air Temperature over Mountainous Terrain by Combining Hyper temporal Satellite LST Data and Multivariate Geostatistical Methods, Journal of the Korean Geographical Society, 44(2):105-121 (in Korean with English abstract).
Webster, R; Oliver, M. 2001, Geostatistics for Environmental Scientists, Statistics in Practice. 2nd Edition, John Wiley & Sons, Chichester.
Zaksek; Schroedter-Homscheidt, 2009, Parameterization of air temperature in high temporal and spatial resolution from a combination of the SEVIRI and MODIS instruments, ISPRS Journal of Photogrammetry and Remote Sensing, 64(4):414-421.
Zhang, W; Huang, Y; Yu, Y; Sun, W. 2011, Empirical models for estimating daily maximum, minimum and mean air temperatures with MODIS land surface temperatures. International Journal of Remote Sensing, 32(24): 9415-9440.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.