토양수분은 지구복사에너지평형과 물순환에 영향을 미치는 중요한 인자이므로, 수문학 연구에 있어서 토양수분의 함량을 파악하는 것은 매우 중요하다. 현재 수동형 마이크로파 위성의 토양수분 자료는 10~36 km의 저해상도로서 국지규모의 수문분석에 사용하기에는 어려움이 있다. 또한 현장관측 토양수분자료는 지점 자료이므로 공간연속성을 보장하지 못하는 한계가 있다. 이에 본 연구에서는 Sentinel-1의 SAR(Synthetic Aperture Radar) 영상을 이용하여 우리나라 농지에서 10 m 해상도의 토양수분 산출 가능성을 살펴보았다. 2015-2017년 4월부터 10월까지 5개의 토양수분 지상관측지점을 대상으로, Sentinel-1 후방산란을 이용하여 선형회귀와 SVR(support vector regression) 방법으로 토양수분 산출을 수행하였다. 편파에 따라 후방산란계수의 토양수분에 대한 민감도가 다르지만, 산출정확도는 VV 편파와 VH 편파가 유사하였다. 토양수분은 식물계절학(phenology)보다는 수문기상과 지면특성에 보다 더 영향을 받기 때문에 토양수분 산출에 있어 특별한 계절성은 발견되지 않았다. 대체로 입사각이 작을수록 후방산란과 토양수분간의 관계 패턴이 더 뚜렷하게 나타났으며, 또한 지면에 수분이 충분히 고르게 분포하는 경우 표면 간섭이 줄어들어(시간적으로는 강수시, 공간적으로는 논에서) 산출정확도가 상대적으로 높게 나타났다. 전체적으로 RMSE(root mean square error) 6.5% 정도의 오차를 보였으나, 향후 지면 거칠기, 지형, 토성 등 다양한 지면 변수의 영향을 반영한다면 보다 더 정확도 높은 토양수분을 산출할 수 있을 것으로 사료된다.
토양수분은 지구복사에너지평형과 물순환에 영향을 미치는 중요한 인자이므로, 수문학 연구에 있어서 토양수분의 함량을 파악하는 것은 매우 중요하다. 현재 수동형 마이크로파 위성의 토양수분 자료는 10~36 km의 저해상도로서 국지규모의 수문분석에 사용하기에는 어려움이 있다. 또한 현장관측 토양수분자료는 지점 자료이므로 공간연속성을 보장하지 못하는 한계가 있다. 이에 본 연구에서는 Sentinel-1의 SAR(Synthetic Aperture Radar) 영상을 이용하여 우리나라 농지에서 10 m 해상도의 토양수분 산출 가능성을 살펴보았다. 2015-2017년 4월부터 10월까지 5개의 토양수분 지상관측지점을 대상으로, Sentinel-1 후방산란을 이용하여 선형회귀와 SVR(support vector regression) 방법으로 토양수분 산출을 수행하였다. 편파에 따라 후방산란계수의 토양수분에 대한 민감도가 다르지만, 산출정확도는 VV 편파와 VH 편파가 유사하였다. 토양수분은 식물계절학(phenology)보다는 수문기상과 지면특성에 보다 더 영향을 받기 때문에 토양수분 산출에 있어 특별한 계절성은 발견되지 않았다. 대체로 입사각이 작을수록 후방산란과 토양수분간의 관계 패턴이 더 뚜렷하게 나타났으며, 또한 지면에 수분이 충분히 고르게 분포하는 경우 표면 간섭이 줄어들어(시간적으로는 강수시, 공간적으로는 논에서) 산출정확도가 상대적으로 높게 나타났다. 전체적으로 RMSE(root mean square error) 6.5% 정도의 오차를 보였으나, 향후 지면 거칠기, 지형, 토성 등 다양한 지면 변수의 영향을 반영한다면 보다 더 정확도 높은 토양수분을 산출할 수 있을 것으로 사료된다.
Soil moisture plays an important role to affect the Earth's radiative energy balance and water cycle. In general, satellite observations are useful for estimating the soil moisture content. Passive microwave satellites have an advantage of direct sensitivity on surface soil moisture. However, their ...
Soil moisture plays an important role to affect the Earth's radiative energy balance and water cycle. In general, satellite observations are useful for estimating the soil moisture content. Passive microwave satellites have an advantage of direct sensitivity on surface soil moisture. However, their coarse spatial resolutions (10-36 km) are not suitable for regional-scale hydrological applications. Meanwhile, in-situ ground observations of point-based soil moisture content have the disadvantage of spatially discontinuous information. This paper presents an experimental soil moisture retrieval using Sentinel-1 SAR (Synthetic Aperture Radar) with 10m spatial resolution for cropland in South Korea. We developed a soil moisture retrieval algorithm based on the technique of linear regression and SVR (support vector regression) using the ground observations at five in-situ sites and Sentinel-1 SAR data from April to October in 2015-2017 period. Our results showed the polarization dependency on the different soil sensitivities at backscattered signals, but no polarization dependence on the accuracies. No particular seasonal characteristics of the soil moisture retrieval imply that soil moisture is generally more affected by hydro-meteorology and land surface characteristics than by phenological factors. At the narrower range of incidence angles, the relationship between the backscattered signal and soil moisture content was more distinct because the decreasing surface interference increased the retrieval accuracies under the condition of evenly distributed soil moisture (during the raining period or on the paddy field). We had an overall error estimate of RMSE (root mean square error) of approximately 6.5%. Our soil moisture retrieval algorithm will be improved if the effects of surface roughness, geomorphology, and soil properties would be considered in the future works.
Soil moisture plays an important role to affect the Earth's radiative energy balance and water cycle. In general, satellite observations are useful for estimating the soil moisture content. Passive microwave satellites have an advantage of direct sensitivity on surface soil moisture. However, their coarse spatial resolutions (10-36 km) are not suitable for regional-scale hydrological applications. Meanwhile, in-situ ground observations of point-based soil moisture content have the disadvantage of spatially discontinuous information. This paper presents an experimental soil moisture retrieval using Sentinel-1 SAR (Synthetic Aperture Radar) with 10m spatial resolution for cropland in South Korea. We developed a soil moisture retrieval algorithm based on the technique of linear regression and SVR (support vector regression) using the ground observations at five in-situ sites and Sentinel-1 SAR data from April to October in 2015-2017 period. Our results showed the polarization dependency on the different soil sensitivities at backscattered signals, but no polarization dependence on the accuracies. No particular seasonal characteristics of the soil moisture retrieval imply that soil moisture is generally more affected by hydro-meteorology and land surface characteristics than by phenological factors. At the narrower range of incidence angles, the relationship between the backscattered signal and soil moisture content was more distinct because the decreasing surface interference increased the retrieval accuracies under the condition of evenly distributed soil moisture (during the raining period or on the paddy field). We had an overall error estimate of RMSE (root mean square error) of approximately 6.5%. Our soil moisture retrieval algorithm will be improved if the effects of surface roughness, geomorphology, and soil properties would be considered in the future works.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
저해상도의 마이크로파 자료와 포인트 기반의 현장관측 자료의 한계를 극복하고, 향후 공간연속성을 가진 고해상도 토양수분 자료를 획득하기 위해서는 Sentinel1의 적극적인 활용이 필요할 것이다. 본 연구는 국내에서 그 첫 시도를 통하여 Sentinel-1의 적용가능성을 확인하였다는 데 의의가 있다. 또한 차세대 중형위성의 일환으로 준비 중인 C밴드 SAR의 기술개발을 위해서도 유사한 제원을 가진 Sentinel-1의 활용이 매우 중요하다고 할 수 있다.
본 연구에서는 Sentinel-1의 C밴드 SAR 영상을 이용하여 우리나라 농지에서 10 m 해상도의 토양수분 산출가능성을 검토하였다. 2015-2016년 4월부터 10월, 2017년 4월부터 5월까지의 기간을 대상으로 5개의 토양수분 관측지점에 대하여, Sentinel-1 후방산란을 이용하여 선형회귀와 SVR의 방법으로 토양수분 산출을 수행하였다.
또 한국 외 사례들에서 후방산란과 토양수분의 통계적인 관계를 이용하여 만들어진 경험적 모델은 특정 지역을 대상으로 하여 수립되었기 때문에 우리나라에 그대로 적용할 수는 없고, 우리나라 토양에 대한 Sentinel-1 SAR의 적용성 실험이 우선적으로 이루어져야 한다. 이에 본 연구에서는 우리나라 농지를 대상으로 Sentinel-1 SAR의 후방산란계수를 이용한 토양수분 산출 가능성을 타진해보고자 한다. 일반적으로 SAR의 C밴드 전파는 울창한 산림에서 캐노피를 투과하지 못하여(Li and Chen, 2005) 산림에서의 토양수분 산출은 매우 어렵기 때문에 농지를 연구지역으로 선정하였다.
제안 방법
본 연구에서는 Sentinel-1의 C밴드 SAR 영상을 이용하여 우리나라 농지에서 10 m 해상도의 토양수분 산출가능성을 검토하였다. 2015-2016년 4월부터 10월, 2017년 4월부터 5월까지의 기간을 대상으로 5개의 토양수분 관측지점에 대하여, Sentinel-1 후방산란을 이용하여 선형회귀와 SVR의 방법으로 토양수분 산출을 수행하였다. 산출 결과는 편파, 계절, 입사각, 강수이벤트, 논밭에 따라 나누어 살펴보았으며, 전체적으로 RMSE 6.
일반적으로 SAR의 C밴드 전파는 울창한 산림에서 캐노피를 투과하지 못하여(Li and Chen, 2005) 산림에서의 토양수분 산출은 매우 어렵기 때문에 농지를 연구지역으로 선정하였다. 2015-2017년 4월부터 10월까지의 우리나라 농지의 Sentinel-1 SAR 영상 및 농촌진흥청의 토양수분 지상관측자료를 분석하였으며, 후방산란에 영향을 줄 수 있는 편파, 입사각, 강수 이벤트 등에 따른 후방산란과 토양수분의 관계 특성을 알아보았다. 이때 선형회귀 및 SVR(support vector regression)을 이용하여 후방산란계수로부터 토양수분을 산출하고 정확도 비교를 수행하였다.
Fig. 5는 토양수분과 VV편파 후방산란계수의 상관성이 가장 높게 나왔던 울진군 매화면에 대하여 토양수분의 공간분포를 지도로 나타낸 것으로서, 매화면 VV편파 자료 46개를 이용하여 수립한 선형회귀식을 인근 농지로 적용하여 그 추정치를 매핑하였다. Fig.
강수 이벤트에 따른 토양수분 산출 특성은 VV 편파자료들에 대하여 살펴보았다. 강수시의 정확도가 비강수시보다 높게 나타났으며(Table 10, Fig.
, 2015) 입사각에 대한 후방산란의 민감도 특성은 후방산란과 토양수분의 관계 및 토양수분 산출 정확도에 영향을 미칠 수 있다. 네 번째로 강수시와 비강수시의 토양수분 산출 정확도가 어떻게 달라지는지 분석하였다. 강수 이벤트는 농촌진흥청 농업기상정보시스템에서 토양수분과 함께 제공되는 강수량 정보를 참고하였다.
, 2016), VV 편파와 VH편파로 나누어 분석하였다. 두 번째로, 농작물 생장의 계절성이 후방산란과 토양수분 간의 관계 및 산출 정확도에 영향을 미치는지 알아보기 위하여, 봄(4-5월), 여름(6-8월), 가을(9-10월)로 나누어 분석하였다. 세 번째로, 지점별로 입사각의 분포에 따라 자료를 분류하여 분석하였다.
강수 이벤트는 농촌진흥청 농업기상정보시스템에서 토양수분과 함께 제공되는 강수량 정보를 참고하였다. 마지막으로, 농지의 배수 특성이 토양수분의 산출 정확도에 영향을 미치는지 알아보기 위하여 논과 밭으로 구분하여 분석하였다. 논은 점토의 비율이 높고 벼의 생장기 동안에 토양수분이 포화상태인 경우가 많으며(Reshmidevi et al.
두 번째로, 농작물 생장의 계절성이 후방산란과 토양수분 간의 관계 및 산출 정확도에 영향을 미치는지 알아보기 위하여, 봄(4-5월), 여름(6-8월), 가을(9-10월)로 나누어 분석하였다. 세 번째로, 지점별로 입사각의 분포에 따라 자료를 분류하여 분석하였다. 일반적으로 입사각이 증가할수록 후방산란 강도가 감소하는 경향이 있으므로(van Emmerik et al.
수집된 영상들은 ESA에서 제공하는 Sentinel-1 자료처리도구인 SNAP(Sentinel Application Platform)을 이용하여 전처리하였으며, 궤도 보정, 노이즈 제거, 방사보정, 지형 보정이 수행되었다. 일반적으로 초기 자료생성 시에는 정확한 궤도정보가 입력되지 않은 상태인데, 궤도 보정을 통하여 정확한 위성의 위치 및 속도 정보를 업데이트 할 수 있다.
후방산란계수와 토양수분간의 관계 특성 및 토양수분 산출 정확도의 특성을 알아보기 위해서 분석은 5가지로 수행하였다. 우선, 송수신 편파방향에 따라서 후방산란의 강도와 토양수분에 대한 민감도가 다르게 나타날 수 있기 때문에(Baghdadi et al., 2016), VV 편파와 VH편파로 나누어 분석하였다. 두 번째로, 농작물 생장의 계절성이 후방산란과 토양수분 간의 관계 및 산출 정확도에 영향을 미치는지 알아보기 위하여, 봄(4-5월), 여름(6-8월), 가을(9-10월)로 나누어 분석하였다.
편파별 후방산란과 관측 토양수분의 관계 특성을 바탕으로 선형회귀 및 SVR을 이용하여 토양수분을 산출하였으며, 산출된 토양수분의 정확도 통계는 Table 4와 같다. VV편파와 VH편파 모두 선형회귀에 비해 SVR의 MAE, RMSE, 상관계수가 다소 우수하게 나타났다.
후방산란계수와 토양수분간의 관계 특성 및 토양수분 산출 정확도의 특성을 알아보기 위해서 분석은 5가지로 수행하였다. 우선, 송수신 편파방향에 따라서 후방산란의 강도와 토양수분에 대한 민감도가 다르게 나타날 수 있기 때문에(Baghdadi et al.
토양수분 관측소의 지점자료를 Sentinel-1 화소에 대응시키기 위하여, 각 지점이 포함되는 화소를 중심으로 3×3 윈도우를 설정하고 RGB 영상의 육안확인을 통해 9개 화소 중 가장 지면의 이질성이 적어보이는 1개 화소를 선택하여 사용하였다. 후방산란계수와 토양수분의 관계 특성을 알아보기 위하여 상관계수를 계산하고 민감도 분석을 수행하였다. 후방산란계수로부터 토양수분을 산출하는 방법으로는 선형회귀 및 SVR을 이용하였다.
대상 데이터
대체로 동절기에 해당하는 11월부터 3월까지는 땅이 얼어있을 가능성이 존재하기 때문에 연구기간에서 제외하였다. Sentinel-1A와 Sentinel-1B의 SAR 영상은 IW모드의 GRD(Ground Range Detected) 레벨1 자료를 사용하였다. 육상의 IW 모드에서 GRD 레벨1 자료는WGS84(World Geodetic System 1984) 투영법을 사용하여지면 화소의 가로와 세로 길이가 동일하도록 구성되며(Torres et al.
농촌진흥청 농업기상정보시스템(http://weather.rda.go.kr)의 토양수분 관측지점 192개를 환경부의 중분류 토지피복도와 중첩하여 농지에 해당하는 지점 92개를 일차 선정하였다. 항공사진을 통해 이들 92개 지점을 육안으로 확인해본 결과, TDR(Time Domain Reflectometry)센서가 매립된 곳 인근에 건물, 도로 등이 혼재하는 경우가 다수 발견되었다.
항공사진을 통해 이들 92개 지점을 육안으로 확인해본 결과, TDR(Time Domain Reflectometry)센서가 매립된 곳 인근에 건물, 도로 등이 혼재하는 경우가 다수 발견되었다. 따라서 이들 중에서 지면 구성의 이질성이 적고 주변이 대부분 농지로 이루어진 관측지점 5개를 선별하여 본 연구에 사용하였다(Fig. 1). 이 중 밭에 해당하는 지역은 울진군 매화면, 정선군 정선읍, 무안군 현경면이고, 남원시 이백면과 영광군 군서면은 논에 해당한다.
연구 기간은 2015-2017년의 4월부터 10월까지이며, 단 2017년의 경우에는 4월과 5월의 자료가 사용되었다. 대체로 동절기에 해당하는 11월부터 3월까지는 땅이 얼어있을 가능성이 존재하기 때문에 연구기간에서 제외하였다.
, 2013). 연구지역에 있어서는 대부분 지면이 평탄한 나지, 초지, 농지를 대상으로 하였다(Paloscia et al., 2013; Mattia et al.,2015; Alexakis et al., 2017; Gao et al., 2017).
Sentinel-1A와 Sentinel-1B의 SAR 영상은 IW모드의 GRD(Ground Range Detected) 레벨1 자료를 사용하였다. 육상의 IW 모드에서 GRD 레벨1 자료는WGS84(World Geodetic System 1984) 투영법을 사용하여지면 화소의 가로와 세로 길이가 동일하도록 구성되며(Torres et al., 2012), 화소 간격은 10미터이다. 본 연구에서는 극지방에 사용되는 HH, HV를 제외하고 VV, VH편파 자료를 사용하였는데, 일반적으로 송수신 방향이 동일한(co-polarization) VV 편파가 송수신 방향이 상이한(cross-polarization) VH 편파에 비해 상대적으로 큰 후방산란 값을 가진다.
농촌진흥청 농업기상정보시스템의 토양수분 관측자료는 지면으로부터 약 10 cm 깊이에 설치한 TDR 센서를 통해 측정된 값이며, 단위는 토양 중 수분이 차지하는 부피 또는 무게의 비율(%)로 표시된다. 이 자료는 1시간 단위로 제공되는 자료이므로, SAR 영상이 촬영된 로컬 시간대를 기준으로 가장 근접한 시간대의 자료를 선택하여 사용하였으며, 따라서 시간 차이는 최대 30분이다.
토양수분 관측소의 지점자료를 Sentinel-1 화소에 대응시키기 위하여, 각 지점이 포함되는 화소를 중심으로 3×3 윈도우를 설정하고 RGB 영상의 육안확인을 통해 9개 화소 중 가장 지면의 이질성이 적어보이는 1개 화소를 선택하여 사용하였다.
데이터처리
선형회귀 및 SVR을 이용하여 후방산란계수로부터 산출된 토양수분의 추정치와 관측된 토양수분간의 산출 정확도를 알아보기 위해서, 추정치에서 관측치를 뺀 오차의 평균인 평균편의(Mean Bias), 오차 절대값의 평균인 MAE(Mean Absolute Error), 오차 제곱의 평균에 제곱근을 취한 RMSE(Root Mean Square Error)를 구하였다.
2015-2017년 4월부터 10월까지의 우리나라 농지의 Sentinel-1 SAR 영상 및 농촌진흥청의 토양수분 지상관측자료를 분석하였으며, 후방산란에 영향을 줄 수 있는 편파, 입사각, 강수 이벤트 등에 따른 후방산란과 토양수분의 관계 특성을 알아보았다. 이때 선형회귀 및 SVR(support vector regression)을 이용하여 후방산란계수로부터 토양수분을 산출하고 정확도 비교를 수행하였다.
이론/모형
네 번째로 강수시와 비강수시의 토양수분 산출 정확도가 어떻게 달라지는지 분석하였다. 강수 이벤트는 농촌진흥청 농업기상정보시스템에서 토양수분과 함께 제공되는 강수량 정보를 참고하였다. 마지막으로, 농지의 배수 특성이 토양수분의 산출 정확도에 영향을 미치는지 알아보기 위하여 논과 밭으로 구분하여 분석하였다.
SAR 영상의 열잡음(thermalnoise)이나 스펙클(speckle)은 SNAP의 열잡음 보정기능과 공간필터링 기능에 의해 보정되었다. 방사 보정은 각 화소의 강도(intensity)로부터 후방산란계수를 산출하기 위해서 수행되는 과정이며, 지형 보정에는 STRM(Shuttle Radar Topography Mission) DEM(digital elevation model)이 사용되었다. 입사각은 SAR 전파가 지면과 수직인 축에 대해 이루는 각도로서, 지형보정을 거친 후 계산된 연구지역의 입사각 정보는 Table 2와 같다.
후방산란계수와 토양수분의 관계 특성을 알아보기 위하여 상관계수를 계산하고 민감도 분석을 수행하였다. 후방산란계수로부터 토양수분을 산출하는 방법으로는 선형회귀 및 SVR을 이용하였다. 일반적으로 토양수분은 후방산란과 선형적 관계를 가지기 때문에, 후방산란으로부터 토양수분을 산출하는 방법으로 선형회귀 분석이 활용되고 있다(Lakshmi, 2013; Wagner et al.
성능/효과
VV편파와 VH편파 모두 선형회귀에 비해 SVR의 MAE, RMSE, 상관계수가 다소 우수하게 나타났다. SVR의 평균편의가 약 0.14~0.35%로서 약간의 과대추정이 존재할 뿐이었으며, 두 방법 모두 RMSE 6.4~6.7% 내외의 오차를 보였다. Fig.
VV편파 169개와 VH편파 101개의 샘플에서 후방산란계수와 토양수분 간의 상관계수는 각각 r=0.422과 r=0.424이지만, 이를 각 지점별로 나누어 살펴보면 대부분 r>0.6으로서(Table 3), VV 편파의 경우 울진군 매화면에서 가장 높은 상관성을 보였고(r=0.718), VH 편파의 경우 남원시 이백면에서 가장 높은 상관성이 나타났다(r=0.709).
편파별 후방산란과 관측 토양수분의 관계 특성을 바탕으로 선형회귀 및 SVR을 이용하여 토양수분을 산출하였으며, 산출된 토양수분의 정확도 통계는 Table 4와 같다. VV편파와 VH편파 모두 선형회귀에 비해 SVR의 MAE, RMSE, 상관계수가 다소 우수하게 나타났다. SVR의 평균편의가 약 0.
2에서도 나타난다. 결과적으로 편파에 따라 후방산란계수의 토양수분에 대한 민감도가 다를 수 있기 때문에(Baghdadi et al., 2007), 편파별 상관계수의 차이가 발생하는데, Fig. 2의 경향선 기울기에 해당하는 VV와 VH 편파 후방산란계수의 민감도는 각각 0.1379, 0.1532로 나타났다.
5%정도의 오차를 보였다. 대체로 지면에 수분이 충분히 고르게 분포하는 경우 표면 간섭이 줄어들어(시간적으로는 강수시, 공간적으로는 논에서) 산출정확도가 상대적으로 높게 나타났다. 향후 장기간의 Sentinel-1 자료가 구축이 되고, 다양한 지면요소(지형, 토성, 거칠기 등)의 영향을 정교하게 반영한다면 보다 더 정확도 높은 토양수분을 산출할 수 있을 것으로 사료된다.
, 2012), 화소 간격은 10미터이다. 본 연구에서는 극지방에 사용되는 HH, HV를 제외하고 VV, VH편파 자료를 사용하였는데, 일반적으로 송수신 방향이 동일한(co-polarization) VV 편파가 송수신 방향이 상이한(cross-polarization) VH 편파에 비해 상대적으로 큰 후방산란 값을 가진다. 따라서 편파방향에 따라 토양수분에 대한 민감도가 달라질 수 있기 때문에(Baghdadi et al.
2015-2016년 4월부터 10월, 2017년 4월부터 5월까지의 기간을 대상으로 5개의 토양수분 관측지점에 대하여, Sentinel-1 후방산란을 이용하여 선형회귀와 SVR의 방법으로 토양수분 산출을 수행하였다. 산출 결과는 편파, 계절, 입사각, 강수이벤트, 논밭에 따라 나누어 살펴보았으며, 전체적으로 RMSE 6.5%정도의 오차를 보였다. 대체로 지면에 수분이 충분히 고르게 분포하는 경우 표면 간섭이 줄어들어(시간적으로는 강수시, 공간적으로는 논에서) 산출정확도가 상대적으로 높게 나타났다.
월별 토양수분의 분포도를 보면(Fig. 8) 논은 밭보다 대체로 토양수분의 양이 많고 월별 변화가 크지 않는 반면 밭의 경우에는 시계열적으로 토양수분 변동이 큰 것으로 나타났다. 밭은 배수가 잘 되기 때문에 강수이벤트 및 관개에 따라 토양수분의 변화 가능성이 크지만, 논은 배수가 잘 되는 구조가 아니기 때문이다.
3에서 볼 때, 편의의 분포는 선형회귀와 SVR의 산출 결과가 대체로 비슷한 것으로 나타났으며, VH편파를 사용한 경우에는 샘플수가 작아 그 특징이 두드러지지 않지만, VV편파와 마찬가지로 대체로 -5~5% 사이의 편의가 존재하였다. 지역별로 볼 때, 남원시 이백면에서 VV 편파와 VH 편파 모두 평균편의, MAE, RMSE가 가장 작게 나왔으며, 이는 선형회귀(Table 5)와 SVR(Table 6)에서 마찬가지였다. Fig.
후속연구
또한 차세대 중형위성의 일환으로 준비 중인 C밴드 SAR의 기술개발을 위해서도 유사한 제원을 가진 Sentinel-1의 활용이 매우 중요하다고 할 수 있다. 무엇보다 토양수분 산출의 정확도 향상을 위하여 물리과정기반 모델, 통계기반 모델, 인공지능 등의 다양한 방법론(Nichols et al., 2011; Das and Paul,2015)에 대한 종합적인 검토와, 이를 융합 활용하여 우리나라에 최적화된 C밴드 SAR 토양수분 알고리듬을 개발하여야 한다. 우리나라처럼 지면 구성이 국지적으로 매우 다양한 경우에는 토양수분 산출에 있어서 여러가지 난점이 존재하는데, 이는 레이더 후방산란이 토양수분뿐만 아니라 식생이나 지면요소의 영향을 받기 때문에 토양수분의 효과만을 고유하게 추출해내기 쉽지 않기 때문이다.
우리나라처럼 지면 구성이 국지적으로 매우 다양한 경우에는 토양수분 산출에 있어서 여러가지 난점이 존재하는데, 이는 레이더 후방산란이 토양수분뿐만 아니라 식생이나 지면요소의 영향을 받기 때문에 토양수분의 효과만을 고유하게 추출해내기 쉽지 않기 때문이다. 이를 위해서는 식생, 지형, 토성, 거칠기 등 우리나라 지면 구성에 대한 고해상도 상세정보의 데이터베이스 구축이 선행되어야 하며, 이에 대한 별도의 정교한 처방이 이루어져야 할 것이다.
5의 항공사진에 중첩하여 표시한 적색선은 환경부 토지피복도에 밭으로 분류된 영역이지만, 육안으로 볼 때 일부 건물이나 도로도 포함하고 있는 것으로 보이며, 따라서 피치 못하게 건물이나 도로 상에 표현된 토양수분 값은 유의미하지 않은 것으로 간주할 수 있다. 이에 향후에는 보다 정밀한 토지피복도를 사용하여 공간분포를 매핑할 필요가 있다. Fig.
저해상도의 마이크로파 자료와 포인트 기반의 현장관측 자료의 한계를 극복하고, 향후 공간연속성을 가진 고해상도 토양수분 자료를 획득하기 위해서는 Sentinel1의 적극적인 활용이 필요할 것이다. 본 연구는 국내에서 그 첫 시도를 통하여 Sentinel-1의 적용가능성을 확인하였다는 데 의의가 있다.
또한 월별로 산출된 토양수분의 정확도에서 약간의 차이는 존재하지만 특징적인 패턴이 존재하지는 않았다(Table 8). 즉, 작물 생장주기 상의 계절성이 후방산란의 민감도 및 후방산란과 토양수분과의 상관성에 미치는 영향이 명확하지 않다고 볼 수 있는데(Pratola et al., 2014), 이는 토양수분이 식물계절학(phenology)보다는 여러 가지 수문기상요소(강수, 기온, 증발산 등)와 지면특성(지형, 거칠기, 토성 등)에 보다 더 영향을 받기 때문이며, 이러한 부분은 향후 연구를 통하여 보다 깊이 있게 다루어져야 할 것이다.
대체로 지면에 수분이 충분히 고르게 분포하는 경우 표면 간섭이 줄어들어(시간적으로는 강수시, 공간적으로는 논에서) 산출정확도가 상대적으로 높게 나타났다. 향후 장기간의 Sentinel-1 자료가 구축이 되고, 다양한 지면요소(지형, 토성, 거칠기 등)의 영향을 정교하게 반영한다면 보다 더 정확도 높은 토양수분을 산출할 수 있을 것으로 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
토양수분은 어떤 역할을 하는가?
토양수분은 지구복사에너지평형과 물순환에 영향을 미치는 중요한 인자이므로, 수문학 연구에 있어서 토양수분의 함량을 파악하는 것은 매우 중요하다. 현재 수동형 마이크로파 위성의 토양수분 자료는 10~36 km의 저해상도로서 국지규모의 수문분석에 사용하기에는 어려움이 있다.
토양수분자료의 한계는 무엇인가
토양수분은 지구복사에너지평형과 물순환에 영향을 미치는 중요한 인자이므로, 수문학 연구에 있어서 토양수분의 함량을 파악하는 것은 매우 중요하다. 현재 수동형 마이크로파 위성의 토양수분 자료는 10~36 km의 저해상도로서 국지규모의 수문분석에 사용하기에는 어려움이 있다. 또한 현장관측 토양수분자료는 지점 자료이므로 공간연속성을 보장하지 못하는 한계가 있다.
참고문헌 (30)
Alexakis, D. D., F. D. K. Mexis, A. E. K. Vozinaki, I. N. Daliakopoulos, and I. K. Tsanis, 2017. Soil moisture content estimation based on Sentinel-1 and auxiliary earth observation products: A hydrological approach, Sensors, 17(6): 1455.
Baghdadi, N. N., M. E. Hajj, M. Zribi, and I. Fayad, 2016. Coupling SAR C-band and optical data for soil moisture and leaf area index retrieval over irrigated grasslands, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(3): 1229-1243.
Baghdadi, N., M. Aubert, O. Cerdan, L. Franchisteguy, C. Viel, M. Eric, and J. F. Desprats, 2007. Operational mapping of soil moisture using synthetic aperture radar data: application to the Touch basin (France), Sensors, 7(10): 2458-2483.
Brocca, L., S. Hasenauer, T. Lacava, F. Melone, T. Moramarco, W. Wagner, W. Dorigo, P. Matgen, J. Martinez-Fernandez, P. Llorens, J. Latron, C. Martin, and M. Bittelli, 2011. Soil moisture estimation through ASCAT and AMSR-E sensors: An intercomparison and validation study across Europe, Remote Sensing of Environment, 115(12): 3390-3408.
Chevalier, F. L., 2002. Principles of Radar and Sonar Signal Processing, Artech House, Norwood, MA, USA.
Das, K. and P. K. Paul, 2015. Present status of soil moisture estimation by microwave remote sensing, Cogent Geoscience, 1(1): 1084669.
Dubois, P. C., J. van Zyl, and T. Engman, 1995. Measuring soil moisture with imaging radars, IEEE Transactions on Geoscience and Remote Sensing, 33(4): 915-926.
Falloon, P., C. D. Jones, M. Ades, and K. Paul, 2011. Direct soil moisture controls of future global soil carbon changes: An important source of uncertainty, Global Biogeochemical Cycles, 25(3).
Gao, Q., M. Zribi, M. J. Escorihuela, and N. Baghdadi, 2017. Synergetic Use of Sentinel-1 and Sentinel- 2 Data for Soil Moisture Mapping at 100 m Resolution, Sensors, 17(9): 1966.
Hornacek, M., W. Wagner, D. Sabel, H. L. Truong, P. Snoeij, T. Hahmann, E. Diedrich, and M. Doubkova, 2012. Potential for high resolution systematic global surface soil moisture retrieval via change detection using Sentinel-1, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(4): 1303-1311.
Kasischke, E. S., L. L. Bourgeau-Chavez, A. R. Rober, K. H. Wyatt, J. M. Waddington, and M. R. Turetsky, 2009. Effects of soil moisture and water depth on ERS SAR backscatter measurements from an Alaskan wetland complex, Remote Sensing of Environment, 113(9): 1868-1873.
Li, J. and W. Chen, 2005. A rule-based method for mapping Canada's wetlands using optical, radar and DEM data, International Journal of Remote Sensing, 26(22): 5051-5069.
Lu, Z. and D. J. Meyer, 2002. Study of high SAR backscattering caused by an increase of soil moisture over a sparsely vegetated area: implications for characteristics of backscattering, International Journal of Remote Sensing, 23(6): 1063-1074.
Mattia, F., G. Satalino, A. Balenzano, M. Rinaldi, P. Steduto, and J. Moreno, 2015. Sentinel-1 for wheat mapping and soil moisture retrieval, 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Milan, Italy, Jul. 26-31, pp. 2832-2835.
Morvan, A. L., M. Zribi, N. Baghdadi, and A. Chanzy, 2008. Soil moisture profile effect on radar signal measurement, Sensors, 8(1): 256-270.
Nichols, S., Y. Zhang, and A. Ahmad, 2011. Review and evaluation of remote sensing methods for soil-moisture estimation, Journal of Photonics for Energy, 028001-028001.
Paloscia, S., S. Pettinato, E. Santi, C. Notarnicola, L. Pasolli, and A. Reppucci, 2013. Soil moisture mapping using Sentinel-1 images: Algorithm and preliminary validation, Remote Sensing of Environment, 134: 234-248.
Prakash, R., D. Singh, and N. P. Pathak, 2012. A fusion approach to retrieve soil moisture with SAR and optical data, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(1): 196-206.
Pratola, C., B. Barrett, A. Gruber, G. Kiely, and E. Dwyer, 2014. Evaluation of a global soil moisture product from finer spatial resolution SAR data and ground measurements at Irish sites, Remote Sensing, 6(9): 8190-8219.
Reshmidevi, T. V., R. Jana, and T. I. Eldho, 2008. Geospatial estimation of soil moisture in rainfed paddy fields using SCS-CN-based model, Agricultural Water Management, 95(4): 447-457.
Tan, L., Y. Chen, M. Jia, L. Tong, X. Li, and L. He, 2015. Rice biomass retrieval from advanced synthetic aperture radar image based on radar backscattering measurement, Journal of Applied Remote Sensing, 9(1): 097091-097091.
Torres, R., P. Snoeij, D. Geudtner, D. Bibby, M. Davidson, E. Attema, P. Potin, B. Rommen, N. Floury, M. Brown, I. N. Traver, P. Deghaye, B. Duesmann, B. Rosich, N. Miranda, C. Bruno, M. L'Abbate, R. Croci, A. Pietropaolo, M. Huchler, and F. Rostan, 2012. GMES Sentinel-1 mission, Remote Sensing of Environment, 120: 9-24.
Ulaby, F. T., A. Aslam, and M. C. Dobson, 1982. Effects of vegetation cover on the radar sensitivity to soil moisture, IEEE Transactions on Geoscience and Remote Sensing, GE-20(4): 476-481.
van Emmerik, T., S. C. Steele-Dunne, J. Judge, and N. van de Giesen, 2015. Impact of diurnal variation in vegetation water content on radar backscatter from maize during water stress, IEEE Transactions on Geoscience and Remote Sensing, 53(7): 3855-3869.
Vapnik., V., 1998. Statistical Learning Theory, Wiley, New York, NY, USA.
Wagner, W., D. Sabel, M. Doubkova, A. Bartsch, and C. Pathe, 2009. The potential of Sentinel-1 for monitoring soil moisture with a high spatial resolution at global scale, Symposium of Earth Observation and Water Cycle Science, Frascati, Italy, Nov. 18-20.
Wagner, W., G. Lemoine, and H. Rott, 1999. A method for estimating soil moisture from ERS scatterometer and soil data, Remote sensing of environment, 70(2): 191-207.
Zhao, W. and A. Li, 2013. A downscaling method for improving the spatial resolution of AMSR-E derived soil moisture product based on MSGSEVIRI data, Remote Sensing, 5(12): 6790-6811.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.