선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 앞서 언급된 바와 같이 COMS의 MI로부터 관측되는 LST는 시간해상도가 뛰어나지만 공간해상도가 4 km이기 때문 에, 본 연구에서는 동일하게 COMS에 탑재된 Geostationary Oean Color Imager (GOCI)에서 관측되는 NDVI를 활용 하여 LST자료를 500 m 공간해상도까지 상세화하고자 하였다. NDVI와 LST 자료간의 회귀 분석을 수행하는 과정 에서는 계절에 따른 상관성의 변화를 고려하기 위해, 같은 시간대에 관측된 영상을 사용하였다.
- 500 m 공간해상도로 상세화 된 LST 자료는 지점에서 관측된 자료와의 신뢰도 등을 검증하기 위해 기상청에서 제공하는 종관관측기상대(Automated Synoptic Observing System, ASOS)의 LST 자료와 다양한 통계적 분석을 수행하 였다. 또한 기존의 LST 자료와 함께 Mapping하여 공간 분포를 비교 및 분석함으로써, 최종적으로는 COMS의 GOCI 와 MI의 두 센서의 융합을 통한 고해상도의 고품질 자료 생산의 가능성을 제시하고자 하였다.
- 본 연구에서 천리안 위성으로부터 산출되는 LST와 상세화된 LST와의 정확도 및 오차를 분석하기 위해서, 통계학적인 분석을 실시하였다. 일반적으로, 관측치와 인공위성으로 산출된 값의 오차정도를 나타내는 Bias, Mean Absolute Error (MAE), 두 자료간의 산술적 오차량을 나타내는 Root Mean Square Error (RMSE), 자료간의 정확성 및 재현성을 평가하기 위한 지수로 correlation coefficient (R), 자료의 일치도를 확인하기 위한 index of agreement (IOA)를 사용하였다.
- 연구에서는 COMS MI LST의 값이 지점 관측치와의 상관성이 있는지를 확인하고, 상세화 기법을 통해서 산출된 결과값이 신뢰도를 가지고 있는지를 파악하기 위해 통계적인 분석을 실시하였다.
- 본 연구에서는 동일한 시간대에 촬영된 NDVI와 LST 영상들을 활용함으로써, 계절과 일일 변동성에서 오는 오차를 최소화하고자 하였다. 또한 토지 피복에 따라 다른 상관관 계를 나타낼 수 있으므로 각 픽셀을 토지 피복에 따라 분류한 이후에 회귀 분석을 수행하였다.
제안 방법
- NDVI와 LST 자료간의 회귀 분석을 수행하는 과정 에서는 계절에 따른 상관성의 변화를 고려하기 위해, 같은 시간대에 관측된 영상을 사용하였다. 또한 토지 피복에 따른 상관성의 차이가 발생할 수 있으므로, MODIS에서 생산되는 Landcover를 활용하여 토지 피복별로 픽셀을 분류 하였다. 500 m 공간해상도로 상세화 된 LST 자료는 지점에서 관측된 자료와의 신뢰도 등을 검증하기 위해 기상청에서 제공하는 종관관측기상대(Automated Synoptic Observing System, ASOS)의 LST 자료와 다양한 통계적 분석을 수행하 였다.
- 또한 토지 피복에 따른 상관성의 차이가 발생할 수 있으므로, MODIS에서 생산되는 Landcover를 활용하여 토지 피복별로 픽셀을 분류 하였다. 500 m 공간해상도로 상세화 된 LST 자료는 지점에서 관측된 자료와의 신뢰도 등을 검증하기 위해 기상청에서 제공하는 종관관측기상대(Automated Synoptic Observing System, ASOS)의 LST 자료와 다양한 통계적 분석을 수행하 였다. 또한 기존의 LST 자료와 함께 Mapping하여 공간 분포를 비교 및 분석함으로써, 최종적으로는 COMS의 GOCI 와 MI의 두 센서의 융합을 통한 고해상도의 고품질 자료 생산의 가능성을 제시하고자 하였다.
- 7에는 COMS MI LST와 GOCI와 MI 센서 자료를 이용한 상세화 기법을 적용한 LST에 대한 결과를 각 계절별로 2011년 4월, 7월, 9월, 12월을 선정하여 공간분포를 비교한 것을 나타내고 있다. 전체적인 공간 분포를 비교하기 위하여 남한 지역 전체의 공간 Mapping 중앙에 비교하였으며, 상세화를 통해 향상된 공간해상도를 확인하기 위하여 일부 지역을 확대해서 양쪽에 나타내었다. 이 그림에서 중간에 위치한 한반도 LST 분포를 확인하면, MI LST와 상세화된 LST의 공간적인 분포성이 크게 차이가 나지 않으며, 매우 비슷한 변동성을 가지고 있는 것을 확인할 수 있다.
- 앞서 서론에 언급된 바와 마찬가지로 다양한 위성과 센서의 융합을 통해 위성 자료의 정확성과 해상도를 높이는 연구가 활발하게 이루어지고 있다. 본 연구에서는 천리안 위성에 탑재된 MI와 GOCI 두 가지 센서를 융합하여 고해상도의 LST 자료를 산출하고 기존에 관측된 자료와의 공간비교 및 지점 ASOS 자료와의 통계적 비교 분석을 통해서 상세화 기법을 적용한 LST에 대한 평가 결과를 다양한 형태로 검증하였다. 4 km 공간해상도를 가진 LST 대비 RMSE 를 통한 절대적 오차가 줄어드는 것을 확인할 수 있었고, R2 및 IOA가 증가하며 지점자료와의 상관도 및 일치도가 대부분의 지점에서 높아지는 것을 알 수 있다.
- , 2009; Baek and Choi, 2012). 따라서, 연구목적에 적합하도록 Transverse Mercator(TM) projection으로 변환하였다.
- 앞서 언급된 선행연구들에서 NDVI와 LST는 상관관계가 있음이 알려져 있으므로 LST 자료의 고해상도(상세화)를 실시하기 위해, 두 인자들간의 상관관계를 이용하여 실시하 였다. 하지만 알려진 바와 같이, 수문기상인자들의 대부분은 계절과 고도 등에 따라 다른 상관관계를 나타낼 수 있기 때문에, 연구를 진행하기에 앞서서, 분석을 수행할 범위를 선정하는 것이 필요하다.
대상 데이터
- 본 연구에서는 우리나라를 기준으로 연구지역을 선정하였으며, LST의 검증을 위하여, 지상관측 지점으로 기상청에서 관리하고 있는 ASOS 95개 중 12 지점(100, 146, 211, 212, 216, 217, 244, 247, 248, 254, 271)을 선정하였다. ASOS는 1995년도부터 지방청, 기상대, 관측소 등에 설치되어 자동기상관측장비(AWS)와는 다르게 관리되고 있는 지점자료이며, AWS와 기압, 기온, 풍향, 풍속, 지면 온도, 초상온도 등 다양한 14개의 요소를 매분 관측하며, 시정, 구름, 일기현상 등을 수동으로 또는 3시간 간격으로 관측한다(http://kma.
- 본 연구에서는 GOCI Level 1B 자료와 Level 2 NDVI 데이터를 활용하여 연구를 진행하였다.
- 본 연구에서 활용된 COMS는 대한민국에서 처음으로 발사된 통신해양기상위성으로 2010년에 지구적도 상공 36,000 km, 동경 128.2도에 발사되었다. 이 위성은 3개의 탑재체인 기상관측 센서(MI), 해양센서(GOCI), 통신탑재체(Ka band)를 탑재하고 있다(Beak and Choi, 2012; Baik and Choi, 2015).
- GOCI는 130E, 36N를 중심으로 2500 km × 2500 km를 촬영하며, 공간해상도 500 m × 500 m으로 낮 시간 동안 하루 8회 데이터를 제공한다 (Baik and Choi, 2015). Level 1 데이터는 한국 해상 위성 센터 (Korea Ocean Satellite Center, KOSC) 웹 사이트 (http://kosc.kiost.ac)에서 제공한다. GOCI 자료에 대하여 이용자의 편의를 위해 Open Access 방식으로 2011년 4월 1일부터 이용 당일의 하루 전까지의 관측 데이터를 제공하고 있다.
- ac)에서 제공한다. GOCI 자료에 대하여 이용자의 편의를 위해 Open Access 방식으로 2011년 4월 1일부터 이용 당일의 하루 전까지의 관측 데이터를 제공하고 있다. 본 연구에서는 GOCI Level 1B 자료와 Level 2 NDVI 데이터를 활용하여 연구를 진행하였다.
- Table 2. Characteristics of the GOCI and MI onboard sensorsof the COMS(http://nmsc.kma.go.kr/, http://kosc.kordi.re.kr/).
- 본 연구에서, 한반도 영역에서의 지표면 피복 분류 자료는 MODIS 센서가 탑재된 Terra/Aqua에서 관측된 자료들을 결합한 산출 자료인 MCD12Q1을 활용하였다(Kang et al., 2009). 이 자료는 IGBP 지면피복 정의에 따라서 전 세계의 지면피복 구분을 17개 유형으로 분류된 자료이다 (Table 3).
- , 2009). 이 자료는 IGBP 지면피복 정의에 따라서 전 세계의 지면피복 구분을 17개 유형으로 분류된 자료이다 (Table 3). COMS 위성 자료를 이용하여 상세화 기법을 적용하기 위해서 사용되는 MCD12Q1 자료는 sinusoidal projection으로 제공되고 있다.
데이터처리
- 또한, 토지 피복 자료(MCD12Q1)는 64개의픽셀 중 가장 많은 수를 차지하고 있는 값을 대푯값으로 설정하였다. 2) 동일한 공간해상도를 가진 NDVI와 LST 자료는 MCD12Q1 자료를 기반으로 각 토지 피복에 해당하는 픽셀들을 분류하여 선형 회귀 분석을 통해 상관관계를 도출하였다. 3) 4 km 공간해상도의 NDVI는 이중선형보간 법을 통해 다시 500 m로 상세화되며(Fig.
- 본 연구에서 천리안 위성으로부터 산출되는 LST와 상세화된 LST와의 정확도 및 오차를 분석하기 위해서, 통계학적인 분석을 실시하였다. 일반적으로, 관측치와 인공위성으로 산출된 값의 오차정도를 나타내는 Bias, Mean Absolute Error (MAE), 두 자료간의 산술적 오차량을 나타내는 Root Mean Square Error (RMSE), 자료간의 정확성 및 재현성을 평가하기 위한 지수로 correlation coefficient (R), 자료의 일치도를 확인하기 위한 index of agreement (IOA)를 사용하였다.
- 본 연구에서는 동일한 시간대에 촬영된 NDVI와 LST 영상들을 활용함으로써, 계절과 일일 변동성에서 오는 오차를 최소화하고자 하였다. 또한 토지 피복에 따라 다른 상관관 계를 나타낼 수 있으므로 각 픽셀을 토지 피복에 따라 분류한 이후에 회귀 분석을 수행하였다.연구방법으로는 다음과 같이 진행된다.
- 1) GOCI NDVI 자료는 공간해상도 500 m 로 제공되기 때문에, 우선 MI의 LST 자료와 같은 공간해 상도인 4 km로 구성해야 한다. 즉, MI LST의 한 픽셀 내에 포함된 GOCI NDVI 64개의 픽셀의 평균값을 대푯값으로 이용하였다. 또한, 토지 피복 자료(MCD12Q1)는 64개의픽셀 중 가장 많은 수를 차지하고 있는 값을 대푯값으로 설정하였다.
이론/모형
- 본 연구에서 사용되는 LST 자료는 MI 센서에서 제공되고 있으며, LST의 산정 알고리즘은 대기에 의한 흡수효과가 상이한 MI 센서의 IR1과 IR2 band의 특성을 이용하여 대기 효과를 보정하는 분리대기창(split-window) 방법을 통해서 산정된다(Beak and Choi, 2012; Cho and Suh, 2013; Hong et al., 2009). NDVI는 식생의 활력을 나타내는 지수로써 인공위성의 밴드특성을 통해 식물 고유의 분광 반사도의 특성인 근적외선 파장과 적색 파장을 이용하는 방법이다(Park et al.
- 또한, 본 연구에서 두 자료의 성능의 차이를 도식적으로 나타내기 위해서 Taylor-diagram(Taylor, 2001)을 나타내 었다. 이 방법은 R과 표준화된 RMSD(Root Mean Square Distance), 표준편차(standard deviation)의 변수간의 상관성을 통해서 각 모델자료(인공위성)들간에 성능을 평가 및 비교를 하는데 주로 사용되고 있는 방법으로 기상학적 모델의 성능 평가에 주로 사용되고 있는 기법이다(Hwang,2014; Baik and Choi.
성능/효과
- 2) 동일한 공간해상도를 가진 NDVI와 LST 자료는 MCD12Q1 자료를 기반으로 각 토지 피복에 해당하는 픽셀들을 분류하여 선형 회귀 분석을 통해 상관관계를 도출하였다. 3) 4 km 공간해상도의 NDVI는 이중선형보간 법을 통해 다시 500 m로 상세화되며(Fig. 2), 실제로 불균 일한 지역적, 지형적 특성을 반영할 수 있도록 이중선형보 간법을 통해 얻어진 500 m 공간해상도의 NDVI와 기존 GOCI에서 관측되었던 NDVI 자료로부터 각 픽셀별 잔차를 산정한다. 4) 4 km 공간해상도를 가진 MI의 지표면 온도를 500 m로 상세화 하는 경우, 4 km 픽셀 내에서 지표면 온도 값의 공간적인 분포는 고도, 토지피복, 주변 지형에 따른 그림자의 영향 등 매우 다양한 변수를 포함하고 있어 쉽게 가정할 수 없다.
- 2), 실제로 불균 일한 지역적, 지형적 특성을 반영할 수 있도록 이중선형보 간법을 통해 얻어진 500 m 공간해상도의 NDVI와 기존 GOCI에서 관측되었던 NDVI 자료로부터 각 픽셀별 잔차를 산정한다. 4) 4 km 공간해상도를 가진 MI의 지표면 온도를 500 m로 상세화 하는 경우, 4 km 픽셀 내에서 지표면 온도 값의 공간적인 분포는 고도, 토지피복, 주변 지형에 따른 그림자의 영향 등 매우 다양한 변수를 포함하고 있어 쉽게 가정할 수 없다. 하지만 산정된 NDVI의 잔차는 앞서 회귀 분석을 통해서 얻은 상관관계에 의해 LST의 잔차와도 같은 상관관계가 있다고 볼 수 있으므로, NDVI의 잔차에 회귀 분석을 통해 얻어진 상관관계를 적용함으로써 LST의 잔차를 추정할 수 있다.
- 하지만 산정된 NDVI의 잔차는 앞서 회귀 분석을 통해서 얻은 상관관계에 의해 LST의 잔차와도 같은 상관관계가 있다고 볼 수 있으므로, NDVI의 잔차에 회귀 분석을 통해 얻어진 상관관계를 적용함으로써 LST의 잔차를 추정할 수 있다. 5) 따라서, NDVI에서 적용한 것과 동일하게 이중선형보간법을 통해 LST를 500 m 공간해상도로 상세화 한 이후, 이전 단계에서 산정된 LST의 추정 잔차를 이용하면 500 m의 공간해상도를 가진 LST 자료를 생산할 수 있다(Fig. 3).
- 전반적으로 전체적인 결과가 상세화 기법을 적용함으로써 기존의 MI LST의 결과가 보정 개선되는 결과를 보이고 있다.
- 4의 산포도에서의 두 LST 결과는 지점 관측치와의 양의 상관관계를 잘 나타내고 있는 것으로 보이며, 또한, 모두 큰 오차가 발생하는 구간없이 관측치를 잘 묘사하는 것을 알수 있다. 비교적, 상세화된 LST의 결과가 기존의 MI LST의 결과에 비해 1:1선에 밀집하는 경향을 나타내는 것을 확인 할수 있다. 특히, 기존 MI LST에서 발생되는 약간의 이산치가 상세화 방법을 통해서 보정되어 개선되는 결과를 나타내었다.
- 비교적, 상세화된 LST의 결과가 기존의 MI LST의 결과에 비해 1:1선에 밀집하는 경향을 나타내는 것을 확인 할수 있다. 특히, 기존 MI LST에서 발생되는 약간의 이산치가 상세화 방법을 통해서 보정되어 개선되는 결과를 나타내었다. 전반적으로 전체적인 결과가 상세화 기법을 적용함으로써 기존의 MI LST의 결과가 보정 개선되는 결과를 보이고 있다.
- Table 4는 각 지점에서 두 자료가 ASOS를 통해 관측된 자료와 나타낸 상관성을 비교한 것을 보여주고 있다. 선정된 12개의 지점 중에서 10개의 지점에서 R2가 높아졌음을알 수 있으며, 상세화 기법을 적용함으로서 지점 LST의 경향을 더 정확하게 산정할 수 있고, 지형적 특성을 잘 반영하여 나타내고 있음을 확인 할 수 있다. 이러한 결과는 LST의 변동성을 보다 정확히 관측할 수 있다는 점에서 가뭄 등과 같이 변동성이 중요한 연구에서 매우 효율적으로 활용될 수 있을 것으로 기대된다.
- 5에 나타난 결과를 보면 상세화 기법을 적용함으로써 대부분의 지점에서 더 좋은 결과를 나타냄을 보여주고 있다. Fig. 5에서 확인할 수 있듯이, 두 자료에 대한 통계한적인 결과인 Bias, MAE, RMSE, IOA를 보여주고 있는데, 대부분의 지점에서 상세화된 LST가 대부분의 지점에서 향상된 결과를 보여 주고 있음을 알 수 있다. 또한, #100 지점을 제외한 지점에서는 선행연구에서 언급된 대로 두 자료들이 다소 과소평가되는 것을 확인할 수 있었으며, 본 연구에서 시도한 상세화 기법을 통해 조금씩 차이를 줄이는 지점도 보이기도 하였다.
- 5에서 확인할 수 있듯이, 두 자료에 대한 통계한적인 결과인 Bias, MAE, RMSE, IOA를 보여주고 있는데, 대부분의 지점에서 상세화된 LST가 대부분의 지점에서 향상된 결과를 보여 주고 있음을 알 수 있다. 또한, #100 지점을 제외한 지점에서는 선행연구에서 언급된 대로 두 자료들이 다소 과소평가되는 것을 확인할 수 있었으며, 본 연구에서 시도한 상세화 기법을 통해 조금씩 차이를 줄이는 지점도 보이기도 하였다. 특히, 상세화 기법이 적용된 자료는 기존의 자료에 비해서 RMSE는 감소하고, IOA가 증가하는 것으로 나타나 지점자료와의 일치도가 대부분의 지점에서 향상되는 것을 보여주었다.
- 또한, #100 지점을 제외한 지점에서는 선행연구에서 언급된 대로 두 자료들이 다소 과소평가되는 것을 확인할 수 있었으며, 본 연구에서 시도한 상세화 기법을 통해 조금씩 차이를 줄이는 지점도 보이기도 하였다. 특히, 상세화 기법이 적용된 자료는 기존의 자료에 비해서 RMSE는 감소하고, IOA가 증가하는 것으로 나타나 지점자료와의 일치도가 대부분의 지점에서 향상되는 것을 보여주었다. 극히 일부 지점에서는 기존에 관측되었던 자료가 잘 맞는 경우가 발생하기도 하는데, 이것은 실제로 그림자 혹은 협곡 등과 같은 지형에서의 복잡한 값은 500 m의 공간해상도에서도 관측하기에 한계가 따르기 때문에 오차가 발생할 수 있으며 이로 인한 현상으로 판단되며, 전반적으로는 500 m로 상세화를 실시한 결과가 지점자료와의 통계적 분석에서 보다 개선되는 효과를 나타내었다.
- MI LST와 상세화된 LST의 결과 모두 전반적으로 지점자료와의 표준편차가 많이 발생하지않는 것을 확인 할 수 있으며, 전반적인 상관성 또한 높은 수준인 것을 확인할 수 있다. 특히, 대다수의 지점 관측지에서 기존의 MI LST에 비해 downsclaed LST의 결과가 개선된 결과를 나타내는 것을 확인할 수 있다. 이는 보다 고해상도의 GOCI NDVI자료의 경향성과 기존의 MI LST의 경향성을 포함되어 상세화된 LST의 값이 향상되었다는 것을 의미한다.
- 특히, 대다수의 지점 관측지에서 기존의 MI LST에 비해 downsclaed LST의 결과가 개선된 결과를 나타내는 것을 확인할 수 있다. 이는 보다 고해상도의 GOCI NDVI자료의 경향성과 기존의 MI LST의 경향성을 포함되어 상세화된 LST의 값이 향상되었다는 것을 의미한다. 또한 상세화된 LST결과는 기존의 LST 결과에 비해 상관성이 일정 수준 이상으로 밀집되어 분포함으로서 자료의 안정성을 일정 수준 이상 확보할 수 있는 것으로 판단된다.
- 이는 보다 고해상도의 GOCI NDVI자료의 경향성과 기존의 MI LST의 경향성을 포함되어 상세화된 LST의 값이 향상되었다는 것을 의미한다. 또한 상세화된 LST결과는 기존의 LST 결과에 비해 상관성이 일정 수준 이상으로 밀집되어 분포함으로서 자료의 안정성을 일정 수준 이상 확보할 수 있는 것으로 판단된다.
- 이 그림에서 중간에 위치한 한반도 LST 분포를 확인하면, MI LST와 상세화된 LST의 공간적인 분포성이 크게 차이가 나지 않으며, 매우 비슷한 변동성을 가지고 있는 것을 확인할 수 있다. 또한 양쪽의 확대된 이미지를 통해 상세화 기법을 적용한 이후 해상도가 매우 향상된 것을 확인 할 수 있다. 이를 통해 보다 고해상도의 자료를 생산하기 위해 NDVI를 적용하는 것이 LST의 공간 분포에 있어서 경향성의 왜곡이나 자료의 변질을 발생시키는 것이 아니라 세부적인 변동 성을 보다 세밀하게 표현하고 있음을 알 수 있다.
- 본 연구에서는 천리안 위성에 탑재된 MI와 GOCI 두 가지 센서를 융합하여 고해상도의 LST 자료를 산출하고 기존에 관측된 자료와의 공간비교 및 지점 ASOS 자료와의 통계적 비교 분석을 통해서 상세화 기법을 적용한 LST에 대한 평가 결과를 다양한 형태로 검증하였다. 4 km 공간해상도를 가진 LST 대비 RMSE 를 통한 절대적 오차가 줄어드는 것을 확인할 수 있었고, R2 및 IOA가 증가하며 지점자료와의 상관도 및 일치도가 대부분의 지점에서 높아지는 것을 알 수 있다. 전 지점에서의 결과가 Taylor Diagram에서는 보다 안정적인 신뢰도를 갖고 표현됨으로서 위성 자료를 다양한 연구 부분에 적용하 기에 적합한 자료를 생산할 수 있음을 시사하고 있다.
- 4 km 공간해상도를 가진 LST 대비 RMSE 를 통한 절대적 오차가 줄어드는 것을 확인할 수 있었고, R2 및 IOA가 증가하며 지점자료와의 상관도 및 일치도가 대부분의 지점에서 높아지는 것을 알 수 있다. 전 지점에서의 결과가 Taylor Diagram에서는 보다 안정적인 신뢰도를 갖고 표현됨으로서 위성 자료를 다양한 연구 부분에 적용하 기에 적합한 자료를 생산할 수 있음을 시사하고 있다. 공간 Mapping에서는 고해상도 자료로 산정되면서 지형적인 특성을 보다 잘 반영하는 것을 볼 수 있다.
- 또한 천리안 위성은 한반도 전역을 관측하는 정지궤도 위성으로, 한반도의 다양한 기상 및 수문 인자들을 높은 시간해상도로 관측할 수 있는 데 반해 관측 기간이 짧아 그 활용도가 저평가되고 있는 것으로 보인다. 본 연구의 결과와 같이 천리안 위성을 통해 산출되는 자료는 지점에서 관측하는 자료와 비교해 보아도 손색없이 산정할 수 있으며, 두 센서를 같이 활용하여 사용할 때 연구의 방법이나 목적에 따라 필요조건을 만족할 수 있는 결과를 산출할 수 있다. 특히 이를 기반으로 추후 좀 더 다양한 센서 및 인자들과의 융합에 대한 연구가 이루어진다면, 한반도에서 발생하는 수문및 기상현상을 이해하고 이를 활용하여 기후변화, 재난관리등 다양한 분야에서 유용하게 활용될 것으로 판단된다.
- 연구방법으로는 다음과 같이 진행된다. 1) GOCI NDVI 자료는 공간해상도 500 m 로 제공되기 때문에, 우선 MI의 LST 자료와 같은 공간해 상도인 4 km로 구성해야 한다. 즉, MI LST의 한 픽셀 내에 포함된 GOCI NDVI 64개의 픽셀의 평균값을 대푯값으로 이용하였다.
- 6에 Taylor diagram은 다른 자료간의 성능차이를 평가하기에 유용한 도표이다. MI LST와 상세화된 LST의 결과 모두 전반적으로 지점자료와의 표준편차가 많이 발생하지않는 것을 확인 할 수 있으며, 전반적인 상관성 또한 높은 수준인 것을 확인할 수 있다. 특히, 대다수의 지점 관측지에서 기존의 MI LST에 비해 downsclaed LST의 결과가 개선된 결과를 나타내는 것을 확인할 수 있다.
후속연구
- 다양한 국내외의 선행연구들에서 LST 자료와 NDVI를 이용한 고해상도 자료 생산의 가능성과 유용성을 보여주고 있고 있으나, 대부분의 연구에서 극궤도 위성을 활용하여 수행되어 고해상도 자료라고 하더라도 생산된 LST 자료가 시간에 따른 변동성이 크기 때문에 다양한 연구에 활용되기에는 많은 한계가 따른다. 따라서 정지궤도 위성을 사용 하여 연속적으로 고해상도의 자료를 산출할 수 있다면 이러한 문제점을 극복 할 수 있을 것으로 기대된다.
- 선정된 12개의 지점 중에서 10개의 지점에서 R2가 높아졌음을알 수 있으며, 상세화 기법을 적용함으로서 지점 LST의 경향을 더 정확하게 산정할 수 있고, 지형적 특성을 잘 반영하여 나타내고 있음을 확인 할 수 있다. 이러한 결과는 LST의 변동성을 보다 정확히 관측할 수 있다는 점에서 가뭄 등과 같이 변동성이 중요한 연구에서 매우 효율적으로 활용될 수 있을 것으로 기대된다. R2 이외에도 Fig.
- 이를 통해 보다 고해상도의 자료를 생산하기 위해 NDVI를 적용하는 것이 LST의 공간 분포에 있어서 경향성의 왜곡이나 자료의 변질을 발생시키는 것이 아니라 세부적인 변동 성을 보다 세밀하게 표현하고 있음을 알 수 있다. 따라서 NDVI를 활용하여 상세화하는 기법을 적용한 LST 자료는 산지가 많고 지형이 균일하지 않은 한반도에서 각 지역 실정에 맞는 실질적인 자연재해 피해 저감 등의 연구에서 보다 활용되기 유리할 것으로 기대된다.
- 동일한 시기에 같은 플랫폼으로부터 관측된 위성 자료만으로는 이러한 한계를 완전히 극복하기 어려우며, 이는 추후 연구목적에 따라 입력 자료를 보정하거나 시간해상도를 조정하여 합성함으로써 보다 실질적으로 활용하기 용이한 고품질의 자료를 생산할 수 있을 것으로 기대된다. 특히 천리안 위성의 경우 정지궤도 위성의 특성상 지속적으로 동일한 위치를 관측하므로 이를 이용하여 전후 자료를 통한 보정이나, 연구 목적에 맞는 시간해상도 자료를 산출하여 상세화 기법을 적용한다면, 본 연구를 활용하여 효율적으로 자료를 획득할 수 있을 것으로 보인다.
- 동일한 시기에 같은 플랫폼으로부터 관측된 위성 자료만으로는 이러한 한계를 완전히 극복하기 어려우며, 이는 추후 연구목적에 따라 입력 자료를 보정하거나 시간해상도를 조정하여 합성함으로써 보다 실질적으로 활용하기 용이한 고품질의 자료를 생산할 수 있을 것으로 기대된다. 특히 천리안 위성의 경우 정지궤도 위성의 특성상 지속적으로 동일한 위치를 관측하므로 이를 이용하여 전후 자료를 통한 보정이나, 연구 목적에 맞는 시간해상도 자료를 산출하여 상세화 기법을 적용한다면, 본 연구를 활용하여 효율적으로 자료를 획득할 수 있을 것으로 보인다.
- 공간 Mapping에서는 고해상도 자료로 산정되면서 지형적인 특성을 보다 잘 반영하는 것을 볼 수 있다. 따라서 본 연구에서 제시하는 상세화 기법을 통해 시간해상도와 공간해상도가 우수한 LST 자료를 얻을 수 있으며, 에너지 순환에서 필요한 방출장파복사량 산정 연구 등과같이 연속적인 고해상도 LST 자료가 요구되는 경우에 유용하게 활용될 수 있다.
- 신뢰성 있는 고해상도의 위성 자료 생산에 관한 연구는 다양한 분야에서 위성 자료를 적극적으로 활용하여 보다 실질적이고 광범위하게 적용할 수 있으므로, 특히 가뭄과 홍수 등의 기후변화에 의한 자연재해 피해 저감 기술에 대한 연구를 활성화하는데 이바지할 것으로 기대된다. 또한 천리안 위성은 한반도 전역을 관측하는 정지궤도 위성으로, 한반도의 다양한 기상 및 수문 인자들을 높은 시간해상도로 관측할 수 있는 데 반해 관측 기간이 짧아 그 활용도가 저평가되고 있는 것으로 보인다.
- 본 연구의 결과와 같이 천리안 위성을 통해 산출되는 자료는 지점에서 관측하는 자료와 비교해 보아도 손색없이 산정할 수 있으며, 두 센서를 같이 활용하여 사용할 때 연구의 방법이나 목적에 따라 필요조건을 만족할 수 있는 결과를 산출할 수 있다. 특히 이를 기반으로 추후 좀 더 다양한 센서 및 인자들과의 융합에 대한 연구가 이루어진다면, 한반도에서 발생하는 수문및 기상현상을 이해하고 이를 활용하여 기후변화, 재난관리등 다양한 분야에서 유용하게 활용될 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.