Landsat-8 OLI/TIRS 위성영상의 지표온도와 식생지수를 이용한 토양의 수분 상태 관측 및 농업분야에의 응용 가능성 연구 A Study on the Observation of Soil Moisture Conditions and its Applied Possibility in Agriculture Using Land Surface Temperature and NDVI from Landsat-8 OLI/TIRS Satellite Image원문보기
본 연구는 토양의 수분 상태를 고해상으로 관측 및 분석하고 농업분야에의 응용 가능성을 평가하기 위한 연구이다. 이를 위하여 Landsat-8 OLI(Operational Land Imager)/TIRS(Thermal Infrared Sensor)의 광학 및 열적외선 위성영상을 연구자료로 전라북도 농업지역을 포함(연구자료 내 46%)하는 2015, 2016, 및 2017년 5-6월에 촬영된 영상 세 장을 이용하였다. 연구지역의 각 영상 촬영일의 토양의 수분 상태는 SPI(Standardized Precipitation Index)3 가뭄지수를 통하여 효과적으로 획득할 수 있으며, 각 영상은 보통, 습윤, 및 건조한 토양 수분 조건을 갖는다. 이러한 각기 다른 토양수분 조건을 갖는 영상을 대상으로 토양의 수분 상태를 관측하고 SPI3 가뭄지수로부터 획득한 토양의 수분 상태와 비교/분석을 수행기 위하여, TVDI(Temperature Vegetation Dryness Index)를 계산하였다. TVDI는 Landsat-8 OLI/TIRS 위성영상으로부터 계산한 LST(Land Surface Temperature) 및 NDVI(Normalized Difference Vegetation Index)의 관계로부터 추정하여 계산된다. LST-NDVI의 형상 공간 내 픽셀의 분포에서 NDVI에 따른 LST의 최대/최소값을 추출하고 이를 대상으로 각각 선형회귀분석(linear regression analysis)을 통하여 NDVI에 따른 LST의 Dry/Wet edge를 결정할 수 있으며, 최종적으로 NDVI에 따른 두 edge 사이에서의 LST 값의 비율을 계산하여 TVDI 값을 계산한다. TVDI 값으로부터 관측된 영상 내 상대적인 토양의 수분 상태를 매우 습윤, 습윤, 보통, 건조, 매우 건조의 5단계로 분류하여 SPI3로부터 획득한 각각의 토양수분 상태와 비교하였다. 연구자료 획득시기인 5-6월 시기의 특성상 모내기로 인하여 영상 내 가장 많은 비율을 차지하는 논 지역의 영향으로 영상 전체 중, 약 62% 이상이 습윤 및 매우 습윤한 상태로 분류되었다. 또한, 보통으로 분류되는 픽셀은 영상 내 밭 지역의 영향 때문으로 분석되었다. 영상 전체에 대해서는 대략적으로 SPI3의 토양수분 상태와 대응하였지만 매우 건조, 습윤, 및 매우 습윤에 해당하는 세분류 결과에서는 SPI3 토양수분 상태와 대응하지 않았다. 또한, 영상에서 논과 밭의 농업지역을 추출 및 분류한 후, SPI3 토양수분 상태와 비교하였을 때, 논 지역의 토양수분 상태 관측 분류 결과는 매우 건조, 보통 및 매우 습윤에서, 밭 지역은 보통의 분류에서만 SPI3 가뭄지수와 대응하지 않았다. 이는 매우 건조한 나지 및 매우 습윤한 모내기로 인한 논 지역, 수계, 구름 및 산지 지형효과 등의 이상치로 인하여 잘못된 Dry/Wet edge 추정의 문제로 사료되어진다. 그러나 5-6월 시기의 농업지역 중, 밭 지역에서는 세분류된 토양의 수분 상태를 효과적으로 관측할 수 있었다. 고해상 광학위성 기반 농업지역에 대한 토양수분 상태의 시 공간적 변화를 관측하여 농업지역의 농업생산량예측 등 그 응용이 가능할 것으로 사료된다.
본 연구는 토양의 수분 상태를 고해상으로 관측 및 분석하고 농업분야에의 응용 가능성을 평가하기 위한 연구이다. 이를 위하여 Landsat-8 OLI(Operational Land Imager)/TIRS(Thermal Infrared Sensor)의 광학 및 열적외선 위성영상을 연구자료로 전라북도 농업지역을 포함(연구자료 내 46%)하는 2015, 2016, 및 2017년 5-6월에 촬영된 영상 세 장을 이용하였다. 연구지역의 각 영상 촬영일의 토양의 수분 상태는 SPI(Standardized Precipitation Index)3 가뭄지수를 통하여 효과적으로 획득할 수 있으며, 각 영상은 보통, 습윤, 및 건조한 토양 수분 조건을 갖는다. 이러한 각기 다른 토양수분 조건을 갖는 영상을 대상으로 토양의 수분 상태를 관측하고 SPI3 가뭄지수로부터 획득한 토양의 수분 상태와 비교/분석을 수행기 위하여, TVDI(Temperature Vegetation Dryness Index)를 계산하였다. TVDI는 Landsat-8 OLI/TIRS 위성영상으로부터 계산한 LST(Land Surface Temperature) 및 NDVI(Normalized Difference Vegetation Index)의 관계로부터 추정하여 계산된다. LST-NDVI의 형상 공간 내 픽셀의 분포에서 NDVI에 따른 LST의 최대/최소값을 추출하고 이를 대상으로 각각 선형회귀분석(linear regression analysis)을 통하여 NDVI에 따른 LST의 Dry/Wet edge를 결정할 수 있으며, 최종적으로 NDVI에 따른 두 edge 사이에서의 LST 값의 비율을 계산하여 TVDI 값을 계산한다. TVDI 값으로부터 관측된 영상 내 상대적인 토양의 수분 상태를 매우 습윤, 습윤, 보통, 건조, 매우 건조의 5단계로 분류하여 SPI3로부터 획득한 각각의 토양수분 상태와 비교하였다. 연구자료 획득시기인 5-6월 시기의 특성상 모내기로 인하여 영상 내 가장 많은 비율을 차지하는 논 지역의 영향으로 영상 전체 중, 약 62% 이상이 습윤 및 매우 습윤한 상태로 분류되었다. 또한, 보통으로 분류되는 픽셀은 영상 내 밭 지역의 영향 때문으로 분석되었다. 영상 전체에 대해서는 대략적으로 SPI3의 토양수분 상태와 대응하였지만 매우 건조, 습윤, 및 매우 습윤에 해당하는 세분류 결과에서는 SPI3 토양수분 상태와 대응하지 않았다. 또한, 영상에서 논과 밭의 농업지역을 추출 및 분류한 후, SPI3 토양수분 상태와 비교하였을 때, 논 지역의 토양수분 상태 관측 분류 결과는 매우 건조, 보통 및 매우 습윤에서, 밭 지역은 보통의 분류에서만 SPI3 가뭄지수와 대응하지 않았다. 이는 매우 건조한 나지 및 매우 습윤한 모내기로 인한 논 지역, 수계, 구름 및 산지 지형효과 등의 이상치로 인하여 잘못된 Dry/Wet edge 추정의 문제로 사료되어진다. 그러나 5-6월 시기의 농업지역 중, 밭 지역에서는 세분류된 토양의 수분 상태를 효과적으로 관측할 수 있었다. 고해상 광학위성 기반 농업지역에 대한 토양수분 상태의 시 공간적 변화를 관측하여 농업지역의 농업생산량예측 등 그 응용이 가능할 것으로 사료된다.
The purpose of this study is to observe and analyze soil moisture conditions with high resolution and to evaluate its application feasibility to agriculture. For this purpose, we used three Landsat-8 OLI (Operational Land Imager)/TIRS (Thermal Infrared Sensor) optical and thermal infrared satellite ...
The purpose of this study is to observe and analyze soil moisture conditions with high resolution and to evaluate its application feasibility to agriculture. For this purpose, we used three Landsat-8 OLI (Operational Land Imager)/TIRS (Thermal Infrared Sensor) optical and thermal infrared satellite images taken from May to June 2015, 2016, and 2017, including the rural areas of Jeollabuk-do, where 46% of agricultural areas are located. The soil moisture conditions at each date in the study area can be effectively obtained through the SPI (Standardized Precipitation Index)3 drought index, and each image has near normal, moderately wet, and moderately dry soil moisture conditions. The temperature vegetation dryness index (TVDI) was calculated to observe the soil moisture status from the Landsat-8 OLI/TIRS images with different soil moisture conditions and to compare and analyze the soil moisture conditions obtained from the SPI3 drought index. TVDI is estimated from the relationship between LST (Land Surface Temperature) and NDVI (Normalized Difference Vegetation Index) calculated from Landsat-8 OLI/TIRS satellite images. The maximum/minimum values of LST according to NDVI are extracted from the distribution of pixels in the feature space of LST-NDVI, and the Dry/Wet edges of LST according to NDVI can be determined by linear regression analysis. The TVDI value is obtained by calculating the ratio of the LST value between the two edges. We classified the relative soil moisture conditions from the TVDI values into five stages: very wet, wet, normal, dry, and very dry and compared to the soil moisture conditions obtained from SPI3. Due to the rice-planing season from May to June, 62% of the whole images were classified as wet and very wet due to paddy field areas which are the largest proportions in the image. Also, the pixels classified as normal were analyzed because of the influence of the field area in the image. The TVDI classification results for the whole image roughly corresponded to the SPI3 soil moisture condition, but they did not correspond to the subdivision results which are very dry, wet, and very wet. In addition, after extracting and classifying agricultural areas of paddy field and field, the paddy field area did not correspond to the SPI3 drought index in the very dry, normal and very wet classification results, and the field area did not correspond to the SPI3 drought index in the normal classification. This is considered to be a problem in Dry/Wet edge estimation due to outlier such as extremely dry bare soil and very wet paddy field area, water, cloud and mountain topography effects (shadow). However, in the agricultural area, especially the field area, in May to June, it was possible to effectively observe the soil moisture conditions as a subdivision. It is expected that the application of this method will be possible by observing the temporal and spatial changes of the soil moisture status in the agricultural area using the optical satellite with high spatial resolution and forecasting the agricultural production.
The purpose of this study is to observe and analyze soil moisture conditions with high resolution and to evaluate its application feasibility to agriculture. For this purpose, we used three Landsat-8 OLI (Operational Land Imager)/TIRS (Thermal Infrared Sensor) optical and thermal infrared satellite images taken from May to June 2015, 2016, and 2017, including the rural areas of Jeollabuk-do, where 46% of agricultural areas are located. The soil moisture conditions at each date in the study area can be effectively obtained through the SPI (Standardized Precipitation Index)3 drought index, and each image has near normal, moderately wet, and moderately dry soil moisture conditions. The temperature vegetation dryness index (TVDI) was calculated to observe the soil moisture status from the Landsat-8 OLI/TIRS images with different soil moisture conditions and to compare and analyze the soil moisture conditions obtained from the SPI3 drought index. TVDI is estimated from the relationship between LST (Land Surface Temperature) and NDVI (Normalized Difference Vegetation Index) calculated from Landsat-8 OLI/TIRS satellite images. The maximum/minimum values of LST according to NDVI are extracted from the distribution of pixels in the feature space of LST-NDVI, and the Dry/Wet edges of LST according to NDVI can be determined by linear regression analysis. The TVDI value is obtained by calculating the ratio of the LST value between the two edges. We classified the relative soil moisture conditions from the TVDI values into five stages: very wet, wet, normal, dry, and very dry and compared to the soil moisture conditions obtained from SPI3. Due to the rice-planing season from May to June, 62% of the whole images were classified as wet and very wet due to paddy field areas which are the largest proportions in the image. Also, the pixels classified as normal were analyzed because of the influence of the field area in the image. The TVDI classification results for the whole image roughly corresponded to the SPI3 soil moisture condition, but they did not correspond to the subdivision results which are very dry, wet, and very wet. In addition, after extracting and classifying agricultural areas of paddy field and field, the paddy field area did not correspond to the SPI3 drought index in the very dry, normal and very wet classification results, and the field area did not correspond to the SPI3 drought index in the normal classification. This is considered to be a problem in Dry/Wet edge estimation due to outlier such as extremely dry bare soil and very wet paddy field area, water, cloud and mountain topography effects (shadow). However, in the agricultural area, especially the field area, in May to June, it was possible to effectively observe the soil moisture conditions as a subdivision. It is expected that the application of this method will be possible by observing the temporal and spatial changes of the soil moisture status in the agricultural area using the optical satellite with high spatial resolution and forecasting the agricultural production.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구는 기존의 연구와 비교하여 낮은 시간해상도(16일)를 갖지만 높은 공간해상도를 갖는Landsat-8의 OLI/TIRS 위성영상(OLI의 다중분광 영상및 TIRS의 열적외선 영상 공간해상도 각각 30 m 및 100m)을 이용하여 TVDI 값을 계산하고 토양의 수분 상태관측 및 농업분야에의 그 응용 가능성을 평가하는데 목적을 둔다. 이를 위하여 계절이 유사한 서로 다른 시기및 토양의 수분 상태를 갖는 동일 지역 Landsat-8 OLI/TIRS 위성영상을 획득하였으며, 이로부터 LST 및 NDVI영상을 생성하고 이 두 영상 간 관계로부터 TVDI를 계산하여 분석함으로써 영상 내 상대적인 토양의 수분상태 변화를 분석하였으며, 추가적으로 논과 밭의 농업 지역에 대한 토양수분 상태를 관측하고 분석하였다.
본 연구는 서로 다른 시기에 획득된 위성기반 원격탐사 자료를 활용하여 토양의 수분 상태를 관측하기 위한연구로써,토양수분산정의불확실성을극복하고토양수분 모니터링 및 응용 가능성을 평가하기 위한 연구이다.이를 위하여, 기존의 연구에서 많이 활용되는 Terra/Aqua MODIS 영상 또는 NOAA-AVHRR 영상보다 높은 공간해상도를 갖는 Landsat-8 OLI/TIRS 위성영상을대상으로 보통, 습윤, 및 건조의 서로 다른 토양 수분 조건(SPI3 가뭄지수)을 갖는 2015, 2016, 및 2017년 5~6월의 전라북도 지역의 영상을 수급하여 이로부터 토양수분 상태를 분석하였다.
위성영상을 활용하여 토양수분을 관측하는 연구 범주를 위성센서 별로 나누면 1) 광학(Optical) 및 열적외선(Thermal Infrared)센서, 2) 수동 마이크로파(Passive microwave)센서, 3) 능동 마이크로파(Active microwave)센서, 및 4) 멀티센서의 크게 네 가지로 구분할 수 있다(Zhang and Zhou, 2016). 본 연구는 위성영상 중 광학 및 열적외선센서의 다중센서로부터 취득된 영상을 융합하여 영상 내 토양수분의 상태를 관측하는 연구로 이하 마이크로파 센서의 토양수분 관측 연구에 대한 설명은 생략한다.
본 연구에서는 Landsat-8 OLI/TIRS 위성영상을 이용하여 TVDI를 계산하여 지표면의 토양수분의 상태를 관측 및 분석하고자 한다.
본 연구에서는 토양수분 관측의 불확실성을 극복하기 위하여 기존의 연구에서 많이 활용되는 Terra/AquaMODIS 영상 또는 NOAA-AVHRR 영상보다 높은 공간해상도를 갖는 Landsat-8 OLI/TIRS 위성영상을 연구자료로 하였다. Landsat-8 위성은 2013년 2월 11일 발사되었으며, OLI와 TIRS의 두개의 센서가 장착되어 VNIR(Visible and near-infrared) 및 TIR(Thirmal Infrared) 대역의 위성영상을 제공하며, 현재 운용 중에 있다.
특히, 호남평야의 농업지역은 토양수분의 시·공간적 변화에 따라 가뭄 등으로 인하여 농업생산량에 영향을 받을 수 있기에 다양한 토지 피복이 분포되어 있는 지역에서 높은 공간해상도를 갖는 위성영상 이용 토양의 수분 상태 관측및그 응용의 가능성을 검토하기 위하여 전라북도를 연구지역으로 하였다.
제안 방법
5) 매우 건조(0.9<TVDI<1)의 총 5개 단계로 분류하였다.
따라서 NDVI 및 LST를 추정하기 위해서는 지표복사에너지를 이용해야하기 때문에 DN 값을 복사휘도(radiance) 및 반사도(reflectance)값으로 변환이 필요하다. Landsat-8 OLI/TIRS 영상의 경우, 메타데이터 파일에서 제공하는 방사 스케일링 계수(radiometric rescaling coefficients)를 이용하여 DN 값을 TOA(Top Of Atmosphere) 복사휘도 및 반사도로 재조정하는 대기보정을 수행하였다.
본 연구에서는 OLI 센서로부터 취득된 VNIR 대역에 해당하는 밴드(밴드 2, 3, 4, 및 5)의 DN 값의 영상 데이터를 TOA 반사도로 변환하였으며, TIR 센서로부터 취득된 TIR 대역에 해당하는 밴드(밴드 10)의 DN 값의 영상 데이터를 TOA 복사휘도로 변환하였다. 또한,TOA 복사휘도 및 반사도 변환 영상을 대상으로 TVDI값 계산 시 이상치로 간주할 수 있는 구름 및 수계 지역을 제거하기 위하여 영상품질평가 밴드의 영상을 활용하였다. 추가적으로 보다 정밀한 이상치 픽셀 제거를 위하여 공간해상도 5 m 급의 영상자료를 주된 자료로 활용하여 제작 및 갱신된 환경부 중분류 토지피복도 중,2013년에 경상권 제외 갱신된 중분류 토지피복도 자료를 활용하여 TVDI 계산에 영향을 미치는 위성영상 내수계, 습지, 시가화 지역을 추출하여 제거하였다.
본 연구에서는 Landsat-8 OLI/TIRS 영상으로부터 계산한 LST 및 NDVI를 이용하여 LST-NDVI 형상 공간을 생성하여 이로부터 NDVI에 따른 LST의 최대 및 최소값을 추출하고 선형회귀분석을 통하여 TSmax 및 TSmin값을 획득하였다. 최종적으로 영상 내 상대적인 토양의 수분 상태를 산정하기 위하여 획득한 TSmax 및 TSmin 값을 이용하여 식 (6)에 의하여 TVDI 값을 계산하였다.
본 연구에서는 OLI 센서로부터 취득된 VNIR 대역에 해당하는 밴드(밴드 2, 3, 4, 및 5)의 DN 값의 영상 데이터를 TOA 반사도로 변환하였으며, TIR 센서로부터 취득된 TIR 대역에 해당하는 밴드(밴드 10)의 DN 값의 영상 데이터를 TOA 복사휘도로 변환하였다. 또한,TOA 복사휘도 및 반사도 변환 영상을 대상으로 TVDI값 계산 시 이상치로 간주할 수 있는 구름 및 수계 지역을 제거하기 위하여 영상품질평가 밴드의 영상을 활용하였다.
본 연구에서는 밴드 10의 열적외선 대역 밴드의 TOA복사휘도를 이용하여 LST(식 (4))를 계산하였고 적색광및 근적외선 대역 밴드의 TOA 반사도를 이용하여NDVI(식 (5))를 계산하였다.
연구지역의 토양수분 상태 관측 및 분석하기 위하여Landsat-8 OLI/TIRS 위성영상으로부터 LST 및 NDVI를 계산하였으며, 이 두 값의 관계로부터 토양수분 및증발산이 최대인 Wet edge 및 Dry edge의 추정을 통하여TVDI 값을 계산하여 토양수분 상태를 관측하였다. 이때, Wet edge 및 Dry edge 추정을 효과적으로 수행하기위하여 영상품질평가 밴드 및 환경부 토지피복도를 이용하여 영상 내 구름, 수계, 습지, 및 시가화 지역을 추출하여 제거하였다.
연구지역의 토양수분 상태 관측 및 분석하기 위하여Landsat-8 OLI/TIRS 위성영상으로부터 LST 및 NDVI를 계산하였으며, 이 두 값의 관계로부터 토양수분 및증발산이 최대인 Wet edge 및 Dry edge의 추정을 통하여TVDI 값을 계산하여 토양수분 상태를 관측하였다. 이때, Wet edge 및 Dry edge 추정을 효과적으로 수행하기위하여 영상품질평가 밴드 및 환경부 토지피복도를 이용하여 영상 내 구름, 수계, 습지, 및 시가화 지역을 추출하여 제거하였다. 이러한 TVDI 영상에 대하여 매우 습윤, 습윤, 보통, 건조, 매우 건조의 총 5개 단계로 TVDI값을 분류하여 SPI3 가뭄지수의 토양수분 조건과 유사성을 갖는지 분석하였다.
이때, Wet edge 및 Dry edge 추정을 효과적으로 수행하기위하여 영상품질평가 밴드 및 환경부 토지피복도를 이용하여 영상 내 구름, 수계, 습지, 및 시가화 지역을 추출하여 제거하였다. 이러한 TVDI 영상에 대하여 매우 습윤, 습윤, 보통, 건조, 매우 건조의 총 5개 단계로 TVDI값을 분류하여 SPI3 가뭄지수의 토양수분 조건과 유사성을 갖는지 분석하였다. 영상 전체에 대한 TVDI 분류결과는 대략적으로 SPI3 가뭄지수로부터 획득한 보통,습윤, 및 건조의 토양수분 상태를 반영하였으나, 매우건조, 습윤, 및 매우 습윤의 분류에서는 효과적으로 반영하지 못하여 세분류된 정밀 관측에는 한계가 존재하였다.
따라서 본 연구는 기존의 연구와 비교하여 낮은 시간해상도(16일)를 갖지만 높은 공간해상도를 갖는Landsat-8의 OLI/TIRS 위성영상(OLI의 다중분광 영상및 TIRS의 열적외선 영상 공간해상도 각각 30 m 및 100m)을 이용하여 TVDI 값을 계산하고 토양의 수분 상태관측 및 농업분야에의 그 응용 가능성을 평가하는데 목적을 둔다. 이를 위하여 계절이 유사한 서로 다른 시기및 토양의 수분 상태를 갖는 동일 지역 Landsat-8 OLI/TIRS 위성영상을 획득하였으며, 이로부터 LST 및 NDVI영상을 생성하고 이 두 영상 간 관계로부터 TVDI를 계산하여 분석함으로써 영상 내 상대적인 토양의 수분상태 변화를 분석하였으며, 추가적으로 논과 밭의 농업 지역에 대한 토양수분 상태를 관측하고 분석하였다.
이를 위한 연구방법은 크게 세 단계로 1) 영상 전처리(복사휘도 및 반사도 값 변환, 이상치 픽셀 마스킹), 2)LST 및 NDVI 계산, 3) TVDI 계산이다.
전술한 토지이용 분포는 영상 전처리과정에서 구름, 수계, 습지, 및 시가화 지역을 제거한 후의 비율이다. 이에 추가적으로 TVDI 분류 결과를 보다상세하게 분석하기 위하여 Fig. 7의 TVDI 영상 분류 결과에서 2013년에 갱신된 환경부 중분류 토지피복도(Fig. 1)를 이용하여 농업지역 중 논과 밭 지역을 추출하였다. Table 4는 논과 밭 지역에서의 TVDI 영상 분류 결과를 나타낸다.
전술한 LST 및 NDVI 사이의 관계를 살펴보기 위하여 LST-NDVI의 형상 공간을 구성하였으며, 이 형상 공간 내 NDVI에 따른 LST 값의 최대 및 최소값을 추출한후, 선형회귀분석을 통해 Dry edge(TSmax)와 Wet edge(TSmin)를 식 (7) 및 식 (8)에 의하여 결정하였다.
영상 전체에 대한 TVDI 분류결과는 대략적으로 SPI3 가뭄지수로부터 획득한 보통,습윤, 및 건조의 토양수분 상태를 반영하였으나, 매우건조, 습윤, 및 매우 습윤의 분류에서는 효과적으로 반영하지 못하여 세분류된 정밀 관측에는 한계가 존재하였다. 추가적으로 환경부 중분류 토지피복도를 활용하여 논과 밭 지역을 추출하여 해당 지역에 대한 TVDI 값을 분류하여 SPI3 가뭄지수와 비교를 수행하였다. 논과밭 지역의 경우도 SPI3 가뭄지수로부터 계산한 토양수분 상태를 대략적으로 반영하였으며, 농업지역 중, 논 지역의 토양수분 상태 관측 분류 결과는 매우 건조, 보통및 매우 습윤에서, 밭 지역은 보통의 분류에서만 SPI3가뭄지수와 대응하지 않았다.
대상 데이터
따라서 전술한 다양한 토지 피복을 포함하는 연구지역에 대한 토양수분 상태를 관측 및 분석하기 위하여 5월말 즈음에 촬영된 구름의 양이 10% 미만인 위성영상을 대상으로 하였다. 그리고 연구지역 주변에서전주, 정읍, 군산의 세 지역 SPI3 자료를 평균하여 이와 비교를 통해 토양수분이 보통, 습윤, 건조한 상태인 계절적으로 유사한 2015년, 2016년, 그리고 2017년 5-6월의 서로 다른 시기의 영상 3장을 획득하였다. Table 2는 획득한 3장 영상의 촬영 일자, 기후, 및 가뭄지수(토양수분 상태)를 나타낸다.
, 2012). 따라서 전술한 다양한 토지 피복을 포함하는 연구지역에 대한 토양수분 상태를 관측 및 분석하기 위하여 5월말 즈음에 촬영된 구름의 양이 10% 미만인 위성영상을 대상으로 하였다. 그리고 연구지역 주변에서전주, 정읍, 군산의 세 지역 SPI3 자료를 평균하여 이와 비교를 통해 토양수분이 보통, 습윤, 건조한 상태인 계절적으로 유사한 2015년, 2016년, 그리고 2017년 5-6월의 서로 다른 시기의 영상 3장을 획득하였다.
미국지질조사국 USGS(United States Geological Survey)EROS(Earth Resources Observation and Science) 센터에서 제공하는 Landsat-8 데이터는 OLI 및 TIRS 센서에서 수집한 다중 스펙트럼 영상의 DN(Digital Number) 값의 데이터이다. 실제 센서에서 취득되는 정보는 지표의 복사에너지 정보이나, 영상 데이터는 복사에너지 정보를 밴드별로 정량화한 DN값이다.
본 연구의 연구 대상 지역은 농업지역, 산림지역, 및 도시지역 등 다양한 토지 피복이 분포되어 있는 전라북도를 대상으로 하였다(Fig. 1). 전라북도는 한반도 서남부에 위치(동경 127°54′∼125°58′, 북위 36°09′∼35°18′)하고 있으며, 지형적으로 노령산맥을 경계로 동부 산악지대와 서부 평야지대로 구분된다.
영상 선정에 있어서 연구지역의 기상관측자료와 가뭄지수를 활용하였으며, 계절적으로 유사한 시기의 서로 다른 토양수분 조건을 갖는 영상을 선정하였다. 이때, 기상관측자료는 연구지역 중 전주시의 자료를 대표로 사용하였으며, 가뭄지수는 기상청 수문기상가뭄정보시스템(https://hydro.
영상 선정에 있어서 연구지역의 기상관측자료와 가뭄지수를 활용하였으며, 계절적으로 유사한 시기의 서로 다른 토양수분 조건을 갖는 영상을 선정하였다. 이때, 기상관측자료는 연구지역 중 전주시의 자료를 대표로 사용하였으며, 가뭄지수는 기상청 수문기상가뭄정보시스템(https://hydro.kma.go.kr/)에서 제공하는 표준강수지수(SPI; Standardized Precipitation Index) 중, SPI3가뭄지수를 활용하였다. 표준강수지수는 강수량만을 이용하여 가뭄 심도를 산정하는 지수로 각 시간 단위에 따른 강수량의 과잉 혹은 부족을 나타내며, SPI3 가뭄지수의 경우 3개월 누적 강수량 분석을 통해 가뭄지수를 산정한다(Mckee et al.
본 연구는 서로 다른 시기에 획득된 위성기반 원격탐사 자료를 활용하여 토양의 수분 상태를 관측하기 위한연구로써,토양수분산정의불확실성을극복하고토양수분 모니터링 및 응용 가능성을 평가하기 위한 연구이다.이를 위하여, 기존의 연구에서 많이 활용되는 Terra/Aqua MODIS 영상 또는 NOAA-AVHRR 영상보다 높은 공간해상도를 갖는 Landsat-8 OLI/TIRS 위성영상을대상으로 보통, 습윤, 및 건조의 서로 다른 토양 수분 조건(SPI3 가뭄지수)을 갖는 2015, 2016, 및 2017년 5~6월의 전라북도 지역의 영상을 수급하여 이로부터 토양수분 상태를 분석하였다. 이 밖의 영상 주요 특징으로는영상 내 약 46%가 논과 밭의 농업지역이고 약 35%가 산림지역이며, 영상 획득 시기는 모내기로 인한 물을 대는 시기이다.
그 반면 내륙지방은 서해안에 비하여 기온의 연교차가 크고 강우량이 많다(Jeollabuk-do, 2016). 전술한 바와 같이 Fig. 1의 연구 대상 지역은 익산, 김제, 정읍, 및 전주시의 도시지역을 포함하고 있으며 서부 호남평야지역 및 동부 산악지역을 고루 포함하고 있다. 특히, 호남평야의 농업지역은 토양수분의 시·공간적 변화에 따라 가뭄 등으로 인하여 농업생산량에 영향을 받을 수 있기에 다양한 토지 피복이 분포되어 있는 지역에서 높은 공간해상도를 갖는 위성영상 이용 토양의 수분 상태 관측및그 응용의 가능성을 검토하기 위하여 전라북도를 연구지역으로 하였다.
데이터처리
값을 획득하였다. 최종적으로 영상 내 상대적인 토양의 수분 상태를 산정하기 위하여 획득한 TSmax 및 TSmin 값을 이용하여 식 (6)에 의하여 TVDI 값을 계산하였다.
성능/효과
이는 열적외선 밴드의 수를 한 개에서 두 개로 늘리기 위한 것이다. OLI 및 TIRS 센서에서 획득한 데이터는 16-bit 이미지(55,000 grey level scale)로 제공되며 이는 기존의 8-bit 이미지로 제공되었던 다른 Landsat 시리즈 위성 영상과 비교하였을 때, 향상된 신호 대 잡음(SNR; Signal to Noise Ratio) 성능으로 지표의 상태 및 특성을 더욱 잘 분석 할 수 있다. Table 1은 Landsat-8 OLI/TIRS 센서의 밴드 및 해상도 정보를 나타내며, 위성 및 센서에 대한 자세한 사항은 Irons et al.
논과밭 지역의 경우도 SPI3 가뭄지수로부터 계산한 토양수분 상태를 대략적으로 반영하였으며, 농업지역 중, 논 지역의 토양수분 상태 관측 분류 결과는 매우 건조, 보통및 매우 습윤에서, 밭 지역은 보통의 분류에서만 SPI3가뭄지수와 대응하지 않았다. TVDI를 통한 5~6월의 전라북도 지역의 농업지역에 대한 토양의 수분 상태 관측은 논보다는 밭 지역에서 효과적인 것을 확인할 수 있었다. 이를 기반으로 고해상 광학위성을 이용한 농업지역에 대한 토양수분 상태의 상세한 시·공간적 변화를관측한다면, 농업지역의 농업생산량 예측 등 그 응용이가능할 것이다.
또한, 전술한바와 같이 해당 시기는 모내기로 인한 물을 대는 시기로 논 지역으로 인한 Wet edge 추정의문제를 내포한다. 따라서 해당 시기는 농업지역 중, 논보다는 밭 지역에서 토양의 수분 상태가 효과적으로 세분류되어 잘 관측되는 것을 확인할 수 있다. 이를 기반으로 해당시기뿐 아니라 시계열적으로 농업지역에 대한 토양수분 상태의 시·공간적 변화를 관측한다면, 농업지역의 농업생산량 예측 등 그 응용이 가능할 것이다.
4(a-c)는 각각 Table 2의 영상 1, 2, 및 3에 해당한다. 식생의 활력도를 나타내는 각 NDVI 영상을 살펴보면, 식생의 공간적 분포를 시각적으로 잘 나타내고있으며, 시간에 따른 NDVI 값의 변화특징이 잘 반영되었다. 각 영상별로 NDVI 값의 범위는 Fig.
하지만 대부분의 선행연구에서는 광학 및 열적외선 영상을 동시에 취득할 수 있는 위성 영상 중, Terra/Aqua MODIS 영상 또는 NOAA-AVHRR 영상을 사용하였다. 이 두 영상은 각각 일 4회 및 2회의 촬영 주기로 높은 시간해상도를 갖지만 각각 250-1000 m 및 1100 m의 낮은 공간해상도를 갖고 있어 광역의 시계열적 토양수분 관측에는 유리하지만 불확실성을 증가시킬 수 있다.
3(a-c)는 각각 Table 2의 영상 1, 2, 및 3에 해당한다. 지표온도를 나타내는 각 LST 영상을 비교해 보면식생지역보다 농경지역에서 상대적으로 지표온도가높게 관측되었다. 또한 연구지역 내 전체적인 LST 값을비교해보면 Fig.
TVDI 값은 0~1의 범위의 컬러 테이블로 표현되었으며 1의 값인 빨간색에 가까워질수록 건조한 토양수분 상태를 나타낸다. 토양수분을 나타내는각 TVDI 영상을 살펴보면, 토양수분의 공간적 분포를잘 나타내고 있으며 특히, SPI3 가뭄지수(Table 2)에 따른 보통, 습윤, 및 건조한 수분상태의 변화특징이 잘 반영되었다.
후속연구
이러한 고해상 위성기반 토양수분 관측에 있어 구름및 수계 지역, 산악지역의 지형효과 등은 이상치 성분으로 LST 및 NDVI 계산에 영향을 미치며 이를 기반으로 계산하는 Dry/Wet edge 및 TVDI 값의 정확도를 저하시킬 수 있다. 따라서 지형효과 보정 및 기상자료 및수문모델을 이용하여 이상치 성분을 저감을 통한 Dry/Wet edge 정밀 추정 연구가 필요하며, 더 나아가 실측 자료와의 비교검증을 통한 관측 정확도 평가의 연구를 수행하여 고해상 위성기반 광역적 토양수분 관측의 견고성을 시험하고 검증해야할 것으로 사료된다. 또한, 고해상 광학위성 기반 시·공간적 토양수분 모니터링을 통한농업 분야 등에 응용을 위하여, 실측 자료 기반 상대적인 TVDI 값의 정규화를 통한 실제 토양수분 산정 연구,TVDI 영상 간 정규화 및 이를 통한 시계열적 모니터링의 추가 연구가 필요할 것이다.
또한, 고해상 광학위성 기반 시·공간적 토양수분 모니터링을 통한농업 분야 등에 응용을 위하여, 실측 자료 기반 상대적인 TVDI 값의 정규화를 통한 실제 토양수분 산정 연구,TVDI 영상 간 정규화 및 이를 통한 시계열적 모니터링의 추가 연구가 필요할 것이다.
이를 기반으로 고해상 광학위성을 이용한 농업지역에 대한 토양수분 상태의 상세한 시·공간적 변화를관측한다면, 농업지역의 농업생산량 예측 등 그 응용이가능할 것이다.
이를 기반으로 해당시기뿐 아니라 시계열적으로 농업지역에 대한 토양수분 상태의 시·공간적 변화를 관측한다면, 농업지역의 농업생산량 예측 등 그 응용이 가능할 것이다.
또한,TOA 복사휘도 및 반사도 변환 영상을 대상으로 TVDI값 계산 시 이상치로 간주할 수 있는 구름 및 수계 지역을 제거하기 위하여 영상품질평가 밴드의 영상을 활용하였다. 추가적으로 보다 정밀한 이상치 픽셀 제거를 위하여 공간해상도 5 m 급의 영상자료를 주된 자료로 활용하여 제작 및 갱신된 환경부 중분류 토지피복도 중,2013년에 경상권 제외 갱신된 중분류 토지피복도 자료를 활용하여 TVDI 계산에 영향을 미치는 위성영상 내수계, 습지, 시가화 지역을 추출하여 제거하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
토양수분의 역할은?
토양수분은 수문·순환에 있어서 지표면과 대기층을 연결하는 매개체 역할을 수행하여 육상의 생태환경 및대기 프로세스를 평가하는데 결정적인 역할을 하며, 이에 기후학, 수문학, 기후 변화 및 환경 모니터링에 대한 연구를 포함하여 가장 중요한 토양 환경 변수 중 하나이다(Sellers and Schimel, 1993; Song et al., 2009; Gao et al.
토양의 수분상태를 관측 및 분석하는 것이 중요한 이유는?
,2014). 토양수분이 변화하면 지표면과 대기사이의 질량 및 에너지이동에 변화가 발생하여 날씨 및 기후, 수자원, 홍수, 가뭄, 농업생산량, 토양침식 및 산사태 등 다양한 분야에 영향을 미치기 때문에 토양의 수분상태를 관측 및 분석하는 것은 매우 중요하다. 토양의 수분 상태를 관측 및 평가하기 위하여 우리나라를 비롯하여 전 세계적으로 지점 관측이 이루어지고 있지만 토양 특성, 지형 및 식생지역 규모에 따라 현장관측을 수행할 대표지역 선정에 어려움이 있으며, 그 방법이 복잡하고 공간적으로 관측하기에 시간과 인력을 많이 필요로 하는 등의 현실적인 문제가 존재 한다 (Goward et al.
토양의 수분 상태를 관측하고 평가하는데 있어서 생기는 문제점과 한계점을 극복하기 위해 어떠한 연구와 투자가 이루어지고 있는가?
, 2002). 이러한 한계점을 극복하기 위하여 위성영상을 활용하여 토양수분을 관측하려는 연구와 투자가 활발하게 이루어지고 있다.
참고문헌 (38)
Bindlish, R., T. J. Jackson, A. Gasiewski, B. Stankov, M. Klein, M. H. Cosh, I. Mladenova, C. Watts, E. Vivoni, V. Lakshmi, J. Bolten, and T. Keefer, 2008. Aircraft based soil moisture retrievals under mixed vegetation and topographic conditions, Remote Sensing of Environment, 112(2): 375-390.
Chen, J., C. Z. Wang, H. Jiang, L. X. Mao, and Z. R. Yu, 2011. Estimating soil moisture using Temperature-Vegetation Dryness Index (TVDI) in the Huanghuai-hai (HHH) plain, International Journal of Remote Sensing, 32(4): 1165-1177.
Chen, S., Z. Wen, H. Jiang, Q. Zhao, X. Zhang, and Y. Chen, 2015. Temperature vegetation dryness index estimation of soil moisture under different tree species, Sustainability, 7(9): 11401-11417.
Choi, S., S. Lee, and B. Wang, 2014. Analysis of vegetation cover fraction on landsat OLI using NDVI, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 32(1): 9-17 (in Korean with English abstract).
Gao, Z. Q., W. Gao, and N. B. Chang, 2011. Integrating temperature vegetation dryness index (TVDI) and regional water stress index (RWSI) for drought assessment with the aid of LANDSAT TM/ETM+ images, International Journal of Applied Earth Observation and Geoinformation, 13(3): 495-503.
Gao, Z., X. Xu, J. Wang, H. Yang, W. Huang, and H. Feng, 2013. A method of estimating soil moisture based on the linear decomposition of mixture pixels, Mathematical and Computer Modelling, 58(3-4): 606-613.
Gao, S.G., Z .L. Zhu, S.M. Liu, R. Jin, G.C. Yang, and L. Tan, 2014. Estimating the spatial distribution of soil moisture based on Bayesian maximum entropy method with auxiliary data from remote sensing, International Journal of Applied Earth Observation and Geoinformation, 32: 54-66.
Ghulam, A., Q. Qin, and T. Teyip, 2007. Modified perpendicular drought index (MPDI): A realtime drought monitoring method, ISPRS Journal of Photogrammetry and Remote Sensing, 62(2): 150-164.
Goetz, S. J., 1997. Multisensor analysis of NDVI, surface temperature and biophysical variables at a mixed grassland site, International Journal of Remote Sensing, 18: 71-94.
Goward, S. N., Y. Xue, and K. P. Czajkowski, 2002. Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measure: An exploration with the simplified biosphere model, Remote Sensing of Environment, 79(2-3): 225-242.
Han, Y., Y. Q. Wang, and Y. S. Zhao, 2010. Estimating Soil Moisture Conditions of the Greater Changbai Mountains by Land Surface Temperature and NDVI, IEEE Transactions on Geoscience and Remote Sensing, 48(6): 2509-2515.
Heim, R.R, 2002. A review of twentieth-century drought indices used in the United States, Bulletin of the American Meteorological Society, 83(8): 1149-1165.
Irons, J. R., J. L. Dwyer, and J. A. Barsi, 2012. The next Landsat satellite: The Landsat Data Continuity Mission, Remote Sensing of Environment, 122: 11-21.
Jeollabuk-do, 2016. Geography and Climate of Jeonbuk, http://www.jeonbuk.go.kr, Accessed on Dec. 12, 2017.
Liu, W., F. Baret, X. Gu, B. Zhang, Q. Tong, and L. Zheng, 2003. Evaluation of methods for soil surface moisture estimation from reflectance data, International Journal of Remote Sensing, 24(10): 2069-2083.
Luquet, D., A. Vidal, J. Dauzat, A. Begue, A. Olioso, and P. Clouvel, 2004. Using directional TIR measurements and 3D simulations to assess the limitations and opportunities of water stress indices, Remote Sensing of Environment, 90(1): 53-62.
Mckee, T. B., N. J. Doesken, and J. Kleist, 1993. The relationship of drought frequency and duration to time scales, Proc. of the 8th Conference on Applied Climatology, Aneheim, CA, Jan. 17-22, pp. 179-184.
Moran, M. S., R. D. Jackson, P. N. Slater, and P. M. Teillet, 1992. Evaluation of simplified procedures for retrieval of land surface reflectance factors from satellite sensor output, Remote Sensing of Environment, 41(2-3): 169-184.
Moran, M.S., T. R. Clarke, Y. Inoue, and A. Vidal, 1994. Estimating crop water deficit using the relation between surface-Air temperature and spectral vegetation index, Remote Sensing of Environment, 49(3): 246-263.
Patel, N.R., R. Anapashsha, S. Kumar, S. K. Saha, and V. K. Dadhwal, 2009. Assessing potential of MODIS derived temperature/vegetation condition index (TVDI) to infer soil moisture status, International Journal of Remote Sensing, 30(1): 23-39.
Qin, J., K. Yang, N. Lu, Y. Chen, L. Zhao, and H. Han, 2013. Spatial upscaling of in-situ soil moisture measurements based on MODIS-derived apparent thermal inertia, Remote Sensing of Environment, 138: 1-9.
Rahimzadeh-bajgiran, P., K. Omasa, and Y. Shimizu, 2012. Comparative evaluation of the Vegetation Dryness Index (VDI), the Temperature Vegetation Dryness Index (TVDI) and the improved TVDI (iTVDI) for water stress detection in semi-arid regions of Iran, ISPRS Journal of Photogrammetry and Remote Sensing, 68: 1-12.
Rouse, J. W., 1974. Monitoring vegetation Systems in the Great Plains with ERTS, Proc. of Third Earth Resources Technology Satellite-1 Symposium, Greenbelt, MD: NASA. Goddart Space Flight Center, pp. 309-317.
Sandholt, I., K. Rasmussen, and J. Andersen, 2002. A simple interpretation of the surface temperature vegetation index space for assessment of surface moisture status, Remote Sensing of Environment, 79(2-3): 213-224.
Sellers P. J. and D. S. Schimel, 1993. Remote sensing of the land biosphere and biogeochemistry in the EOS era: Science priorities, methods and implementation, Global Planetary Change, 7(4): 279-297.
Stephen, S., 2010. Determining soil moisture and sediment availability at White Sands Dune Field, New Mexico, from apparent thermal inertia data, Journal of Geophysical Research, 115(F2): F0219(1-23).
Song K., X. Zhou, and Y. Fan, 2009. Empirically adopted IEM for retrieval of soil moisture from radar backscattering coefficients, IEEE Transactions on Geoscience and Remote Sensing, 47(6): 1662-1672.
Svoboda, M., M. Hayes, and D. Wood, 2012. Standardized precipitation index user guide, World Meteorological Organization Geneva, Switzerland.
USGS, 2016. Landsat 8 (L8) Data Users Handbook Version 2.0, EROS, Sioux Falls, South Dakota, https://landsat.usgs.gov/landsat-8-l8-data-usershandbook, Accessed on Dec. 8, 2017.
Verstraeten, W. W., F. Veroustraete, C. J. van der Sande, I. Grootaersn, and J. Feyen, 2006. Soil moisture retrieval using thermal inertia, determined with visible and thermal space-borne data, validated for European forests, Remote Sensing of Environment, 101(3): 299-314.
Wang, L. and J. J. Qu, 2007. NMDI: A normalized multi-band drought index for monitoring soil and vegetation moisture with satellite remote sensing, Geophysical Research Letters, 34(20): L20405(1-5).
Whiting, M.L., L. Li, and S. L. Ustin, 2004. Predicting Water Content Using Gaussian Model on Soil Spectra, Remote Sensing of Environment, 89(4): 535-552.
Xin, J. F., G. L. Tian, Q. H. Liu, and L. F. Chen, 2006. Combining vegetation index and remotely sensed temperature for estimation of soil moisture in China, International Journal of Remote Sensing, 27(10): 2071-2075.
Yan, F., Z. Qin, and M. Li, 2006. Progress in soil moisture estimation from remote sensing data for agricultural drought monitoring, Proc. of SPIE Remote Sensing, Stockholm, Sweden, Oct. 3, vol.6366.
Younis, S. M. Z. and J. Iqbal, 2015. Estimation of soil moisture using multispectral and FTIR techniques, The Egyptian Journal of Remote Sensing and Space Science, 18(2): 151-161.
Zhang, C., S. Ni, and Z. Liu, 2006. Review on Methods of Monitoring Soil Moisture Based on Remote Sensing, Journal of Agricultural Engineering, 6, 58-61.
Zhang, D. and G. Zhou, 2016. Estimation of soil moisture from optical and thermal remote sensing: A review, Sensors, 16(8): E1308(1-29).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.