[논문]고해상도 위성자료를 이용한 용담댐 유역 저수위/저수량 모니터링 및 예측 기술 개발

윤선권; 이성규; 박경원; 장상민; 이진영

doi:10.7780/kjrs.2018.34.6.1.16

고해상도 위성자료를 이용한 용담댐 유역 저수위/저수량 모니터링 및 예측 기술 개발
Development of a Storage Level and Capacity Monitoring and Forecasting Techniques in Yongdam Dam Basin Using High Resolution Satellite Image 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.34 no.6 pt.1, 2018년, pp.1041 - 1053

윤선권 (서울기술연구원 안전방재연구실) , 이성규 (APEC 기후센터 기후사업본부) , 박경원 (APEC 기후센터 기후사업본부) , 장상민 (APEC 기후센터 기후사업본부) , 이진영 (APEC 기후센터 기후사업본부)

초록
AI-Helper

본 연구에서는 용담댐 유역을 대상으로 저수위/저수량 모니터링 및 예측을 위하여 고해상도 위성관측 자료를 이용하는 방법과 위성으로부터 추출한 강수량 자료로부터 가뭄지수를 이용한 저수위를 모니터링하고 SSA를 이용한 PCA방법으로 예측모델을 구축하여 가뭄을 예측하는 방법을 개발하였다. 용담댐 저수위와 SPI(3)와의 상관계수가 0.78로 매우 높은 상관성을 보였으며, 위성자료를 통하여 산정한 가뭄지수를 활용하여 댐 저수위/저수량 모니터링 및 예측 가능성을 진단하였다. SSA에 의한 주성분 분석결과 SPI(3)과 각 RC자료의 상관관계를 분석한 결과 CC=0.87~0.99의 높은 상관성을 보였으며, 표준화된 댐 저수위(N-W.S.L.)와 RC자료의 상관관계를 분석한 결과 CC=0.83~0.97의 비교적 높은 상관성을 보임을 확인하였다. 또한, Sentinel-2 위성의 MSI (Multi-Spectral Instrument) 센서로 댐수위의 변화를 모니터링하기 위해 지수 기법을 적용하여 수체 탐지 알고리즘을 개발하였으며, 용담댐유역에 대해 2016년부터 2018년까지의 수계 면적 변화를 분석하였다. 이를 기반으로 Sentinel-2 위성영상으로 추출한 수계 면적 변화를 이용하여 가뭄 감시 분야에 대한 활용 가능성을 제시하였다. 본 연구의 결과는 다양한 위성관측자료로부터 미계측 지역의 저수량 모니터링과 수문학적 가뭄 모니터링/예측에 활용이 가능할 것이다.

Abstract ▼ AI-Helper

In this study, a real-time storage level and capacity monitoring and forecasting system for Yongdam Dam watershed was developed using high resolution satellite image. The drought indices such as Standardized Precipitation Index (SPI) from satellite data were used for storage level monitoring in case of drought. Moreover, to predict storage volume we used a statistical method based on Principle Component Analysis (PCA) of Singular Spectrum Analysis (SSA). According to this study, correlation coefficient between storage level and SPI (3) was highly calculated with CC=0.78, and the monitoring and predictability of storage level was diagnosed using the drought index calculated from satellite data. As a result of analysis of principal component analysis by SSA, correlation between SPI (3) and each Reconstructed Components (RCs) data were highly correlated with CC=0.87 to 0.99. And also, the correlations of RC data with Normalized Water Surface Level (N-W.S.L.) were confirmed that has highly correlated with CC=0.83 to 0.97. In terms of high resolution satellite image we developed a water detection algorithm by applying an exponential method to monitor the change of storage level by using Multi-Spectral Instrument (MSI) sensor of Sentinel-2 satellite. The materials of satellite image for water surface area detection in Yongdam dam watershed was considered from 2016 to 2018, respectively. Based on this, we proposed the possibility of real-time drought monitoring system using high resolution water surface area detection by Sentinel-2 satellite image. The results of this study can be applied to estimate of the reservoir volume calculated from various satellite observations, which can be used for monitoring and estimating hydrological droughts in an unmeasured area.

주제어

표/그림 (15)

그림 Fig. 1. Location of Yongdam Dam basin and its sub-watershed.
그림 Fig. 2. Comparison of Landsat 7 and 8 bands with Sentinel-2 (Source: https://landsat.gsfc.nasa.gov/sentinel-2a-launches-our-compliments-our-complements).
그림 Fig. 3. Sentinel-2 52SCE tile map with the study area.
그림 Fig. 4. Flow chart of the teal-time storage level and volume monitoring and forecasting system based on satellite image.
표 Table 1. Materials used in this study
그림 Fig. 5. Flow chart of water body detection algorithm using Sentinel-2 satellite image.
표 Table 2. Water indices using Landsat and Sentinel-2 satellites for extracting a water body
그림 Fig. 6. Scatter plot between monthly rainfall and dam inflow in Yongdam Dam basin.
그림 Fig. 7. Monthly inflow and storage level-volume curve in Yongdam Dam basin.
표 Table 3. Storage level-volume relation curve equations in Yongdam Dam (Unit: Million tons)
그림 Fig. 8. Stepwise results of water body extraction algorithm: (a) clipped study area, (b) binary image separated by water and non-water by otsu’s algorithm, (c) water body vector data, (d) final water body vector data filtered by area.
그림 Fig. 9. Comparison of water body area extracted by our algorithm and dam water level obtained from WAMIS.
그림 Fig. 10. Comparison of the time series analysis between normalized water surface level and SPI (3-Month).
그림 Fig. 11. Extraction of reconstructed components from SPI (3-Month) and normalized water surface level in Yongdam Dam basin.
표 Table 4. Correlation Coefficients among hydro-meteorological indices (such as SPI and dam inflow) and reconstructed components

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 연구에서는 Sentinel-2 위성의 MSI(Multi-Spectral Instrument) 센서로 댐수위의 변화를 모니터링하기 위해 지수 기법을 적용하여 수체 탐지 알고리즘을 개발하고, 용담댐유역에 대해 2016년부터 2018년까지의 수계 면적 변화를 분석하였다. 또한 추출한 수계 면적의 검증을 위해 국가수자원관리종합정보시스템(Water Management Information System)에서 제공하는 용담댐의 댐수위 자료와 비교하여 정확도를 파악하였으며, 이를 기반으로 Sentinel-2 위성영상으로 추출한 수계 면적변화를 이용하여 가뭄 감시 분야에 대한 활용 가능성을 제시하고자 한다.
따라서 본 연구에서는 Sentinel-2 위성의 MSI(Multi-Spectral Instrument) 센서로 댐수위의 변화를 모니터링하기 위해 지수 기법을 적용하여 수체 탐지 알고리즘을 개발하고, 용담댐유역에 대해 2016년부터 2018년까지의 수계 면적 변화를 분석하였다. 또한 추출한 수계 면적의 검증을 위해 국가수자원관리종합정보시스템(Water Management Information System)에서 제공하는 용담댐의 댐수위 자료와 비교하여 정확도를 파악하였으며, 이를 기반으로 Sentinel-2 위성영상으로 추출한 수계 면적변화를 이용하여 가뭄 감시 분야에 대한 활용 가능성을 제시하고자 한다.
본 연구에서는 Sentinel-2 광학관측위성을 이용하여 수 체를탐지하는알고리즘을개발하고이용하고자하였다.주로 광학 관측위성을 이용한 수체탐지에는 NDWI(Normalized Difference Water Index)(McFeeters, 2013), NDMI(Normalized Difference Moisture Index)(Wilson and Sader, 2002), MNDWI(Modified Normalized Difference Water Index)(Xu, 2006), WRI(Water Ratio Index)(Shen and Li, 2010), NDVI(Normalized Difference Vegetation index)(Rouse et al.
본 연구에서는 댐 유역 저수위/저수량 모니터링 및 예측을 위하여 고해상도 위성관측 자료를 이용하는 방법과 위성으로부터 추출한 강수량 자료로부터 가뭄지수를 이용한 저수위를 모니터링하고 SSA를 이용한 PCA 방법으로 예측모델을 구축하여 가뭄을 예측하는 방법을 개발하였다. 본 연구의 결과를 정리하면 다음과 같다.
본 연구에서는 미계측지역 고해상도 위성자료를 이용하여 댐 유역 저수위/저수량 모니터링/예측을 실시하였다. TRMM(Tropical Rainfall Measuring Mission)과 GPM(Global Precipitation Measurement) 위성관측으로부터 추출한 강수량 자료를 통하여 표준강수지수(Standardized Precipitation Index, SPI)와 유효가뭄지수(EffectiveDroughtIndex,EDI) 가뭄지수를 산정하고, 댐 유입량자료를 통하여 용담댐 유역의 표준 유출량 지수(Standardized Runoff Index, SRI)를 산정하여 위성기반 수문학적 가뭄을 분석하고자 하였다.
본 연구에서는 위성관측 자료를 이용한 수문학적 가뭄모니터링 및 댐 유역 저수량/저수위 분석을 위하여, 댐 유입량 자료와 저수위 관측자료, 그리고 저수위–저수량 곡선이 존재하는 계측지역을 대상으로 고해상도 위성자료의 보정(Calibration)과 검정(Validation)이 용이한 지역을 선정하고자 하였다.

제안 방법

본 연구에서는 미계측지역 고해상도 위성자료를 이용하여 댐 유역 저수위/저수량 모니터링/예측을 실시하였다. TRMM(Tropical Rainfall Measuring Mission)과 GPM(Global Precipitation Measurement) 위성관측으로부터 추출한 강수량 자료를 통하여 표준강수지수(Standardized Precipitation Index, SPI)와 유효가뭄지수(EffectiveDroughtIndex,EDI) 가뭄지수를 산정하고, 댐 유입량자료를 통하여 용담댐 유역의 표준 유출량 지수(Standardized Runoff Index, SRI)를 산정하여 위성기반 수문학적 가뭄을 분석하고자 하였다. 각 지수는 Gamma, Log pearson Type-3, Wakeby 분포 함수에 적합시켜 지수화하며, 댐 저수위와의 상관관계 분석을 통한 저수량 예측 인자로 활용한다.
공간해상도가 다른 밴드를 이용하여 수체탐지에 필요한 수분지수를 계산하기 위해 오픈소스 소프트웨어인 Orfeo ToolBox(https://www.orfeo-toolbox.org/)에서 제공하는 otbcli_Pansharpening 프로그램을 이용하여 위성의 밴드를 공간해상도 10 m로 변환하였다.Sentinel-2위성영상은 Universal Transverse Mercator/World Geodetic System(UTM/WGS84) 좌표계로 작성된 100×100 km² 정사영상을 타일형태로 제공된다(https://sentinel.
본 연구에서 제안한 수체탐지 알고리즘에 의해 추출된 수체는 WRI에 의해 산출된 물지수를 otsu 알고리듬으로 이진화한다. 그리고 래스터 데이터를 벡터 데이터로 변환 후 최소 면적값을 이용하여 노이즈를 제거하고 최종 벡터 데이터를 산출하고 면적을 계산하였다(Fig. 8).
다음으로 용담댐 유역의 유역평균 강수량 자료로부터 추출한 SPI(3) 가뭄지수와 월평균 유입량 자료로 부터 단변량 스펙트럼 분석을 실시하여 시계열 자료의 주성분을 추출하였다. 단변량 스텍트럼 분석은 PCA(Principle Component Analysis) 분석을 수행하여 주성분을 추출한 후 각 PC Time Series의 조합을 통한 RC 1-4, RC 1-8, RC 1-12, RC 1-16의 시계열 재구성성분(Reconstructed Components)을 추출한 결과 실제 가뭄지수의 장주기 특성과 경년변동 특성을 잘 모의하고 있음을 확인하였다.
그리고 수분지수 자료를 이용하여 물과 물이 아닌 지역을 구분하는데 영상 이진화 방법을 이용하였으며, 이진화 알고리즘의 임계값은 Otsu(1979)가 제안한 흑백영상을 이용한 임계값 선택 알고리즘을 이용하였다. 다음이진 영상을 이용하여 사전에 작성된 대상지역의 버퍼 자료를 이용하여 수체를 추출한다. 버퍼 자료는 이진화 방법으로 분류된 데이터에서 오탐지 등으로 인한 노이즈를 제거하기 위해 사용된다.
또한 다목적 실용위성 영상 자료를 이용하여 저수위를 모니터링하고 댐 수위–저수량관계곡선식과 검·보정을 활용하여 저수량을 모니터링을 실시한다.
용담댐 유역 수문자료 수집을 통하여 가뭄지수를 산정한 뒤 댐 저수위와 상관분석과 주성분분석을 통해 저수위 모니터링 및 예측 가능성을 진단하였다. 본 연구에서 사용한 가뭄지수는 SPI(3-Month)이며, 용담댐 유역의 월평균강수량자료를 수집하여 기상학적 가뭄을 판단하였다.
본 연구에서 제안한 수체탐지 알고리즘에 의해 추출된 수체는 WRI에 의해 산출된 물지수를 otsu 알고리듬으로 이진화한다. 그리고 래스터 데이터를 벡터 데이터로 변환 후 최소 면적값을 이용하여 노이즈를 제거하고 최종 벡터 데이터를 산출하고 면적을 계산하였다(Fig.
본 연구에서는 Landsat과 유사한 밴드를 가진 Sentinel-2 광학관측위성을 이용한 수체 탐지 알고리즘 개발을 위해 팬샤프닝, 관심지역(ROI, Region Of Interest) 추출, 수분지수 계산, 임계값 계산, 영상 이진화, 수체 추출, 영상 벡터화, 면적 필터링 등의 기법을 이용하였다(Fig. 5).
본 연구에서는 용담댐의 저수위 범위에 따른 수위-저수용량 곡선식을 사용하고, 고해상도 위성자료를 이용하여 댐 저수위 실시간 모니터링을 통한 저수량 산정에 활용하였다. 또한, 다양한 위성관측으로부터 산정한 강수량 자료를 바탕으로 가뭄지수를 산정하여 저수위 곡선과 비교·분석하였으며, 이는 미계측 지역의 저수량 모니터링과 수문학적 가뭄 모니터링/예측에 활용이 가능할 것이다.
본 연구에서는 저수위 및 저수량 모니터링/예측을 위하여 실시간 위성관측자료를 활용하였으며, 단변량 스펙트럼 분석(Singular Spectrum Analysis, SSA)과 주성분 분석(Principle Component Analysis, PCA)을 통하여 추출한 위성관측기반 시계열자료의 재구성성분(Reconstructed Component, RC)을 구축하여 활용하였다. 단변량 스펙트럼 분석은 주성분 분석에서 파생된 기법으로 시계열 자료의 좌표를 변환시켜 분산을 줄여주는 방법이다.
용담댐 유역 수문자료 수집을 통하여 가뭄지수를 산정한 뒤 댐 저수위와 상관분석과 주성분분석을 통해 저수위 모니터링 및 예측 가능성을 진단하였다. 본 연구에서 사용한 가뭄지수는 SPI(3-Month)이며, 용담댐 유역의 월평균강수량자료를 수집하여 기상학적 가뭄을 판단하였다.

대상 데이터

2016년부터 2018년까지의 Sentinel-2A와 Sentinel-2B 위성영상 중 구름 등으로 인해 사용이 불가능한 자료를 제외한 총 28장을 이용하여 수계 면적을 추출하였다. 연구에 사용된 위성영상과 촬영 시기는 Table 1과 같다.
Sentinel-2 위성이 용담댐 지역을 관측할 당시의 날짜와 시간에 해당하는 댐수위 정보를 국가수자원종합정보시스템에서 수집하여 분석하였다. 상관관계를 분석한 결과 R²=0.
이 영역들의 제거는 벡터화(vectorization) 기법으로 래스터 영상을 다각형(polygon)인 벡터 데이터로 변환하고 일정 면적 이하의 데이터를 삭제하는 필터링 기법이 이용된다. 면적 산출에 사용된 최종 데이터는 벡터 데이터이다.
본 연구에서는 Copernicus Open Access Hub 사이트(https://scihub.copernicus.eu/)에서 받은 2016년에서 2018년까지 관측된 Sentinel-2A와 Sentinel-2B 위성자료 중 연구지역이 포함된 52SCE 타일을 이용하였다(Fig. 3).
연구지역에 따라서는 몇 개의 타일맵(tilemap)을 하나로 모자이크(mosaic)하고 연구에 활용해야 된다. 본 연구의 연구지역인 용담댐의 경우 타일맵 1장에 모두 포함이 되어 별도의 모자이크를 수행하지 않았지만, 계산 속도를 고려하여 용담댐을 포함하는 관심지역(ROI, Region Of Interest)을 지정하고 자료를 추출하여 이용하였다. 수분지수 계산은 Landsat을 이용하여 개발된 수분지수계산식을 이용하였다.
kr)에서 수집하여 활용하였다. 용담댐 유역은 2001년 1월부터 2018년 10월까지의 월별 관측자료를 사용하였다. 다만 댐 건설 이후 물을 채우기 시작한 2001년과 2002년의 자료는 분석에서 제외하였다.
용담댐 유역을 대상으로 댐 유역평균강수량, 댐 유입량, 댐 저수위 관측 자료를 수집하여 댐 저수위/저수량 변화 모니터링을 실시하였으며, 각 자료는 국가수자원종합정보시스템(www.wamis.go.kr)에서 수집하여 활용하였다. 용담댐 유역은 2001년 1월부터 2018년 10월까지의 월별 관측자료를 사용하였다.
본 연구에서는 위성관측 자료를 이용한 수문학적 가뭄모니터링 및 댐 유역 저수량/저수위 분석을 위하여, 댐 유입량 자료와 저수위 관측자료, 그리고 저수위–저수량 곡선이 존재하는 계측지역을 대상으로 고해상도 위성자료의 보정(Calibration)과 검정(Validation)이 용이한 지역을 선정하고자 하였다. 최종적으로 인위적인 유량조절이 이루어지지 않으며, 관측자료를 비교적 많이 확보하고 있는 금강 최상류의 용담댐 유역을 선정하였다.

이론/모형

그러나 이에 해당하는 밴드의 공간해상도는 Red(밴드 4), Green(밴드3), NIR(밴드 8)이 10 m 그리고 MIR(밴드 11), SWIR(밴드 12)이 20 m로 Sentinel-2 위성을 이용하여 수분지수를 계산하기 위해서는 리샘플링 기법을 이용하여 동일한 공간해상도로 변환이 필요하다. 그래서 첫 단계로 위성영상에서 흑백(panchromatic)영상을 이용하여 저해상도 밴드를 고해상도로 변환하는 팬샤프닝(pan-sharpening)알고리즘을 이용하여 전체 밴드를 동일한 공간해상도로 변화하는 작업을 수행하였다.
그리고 수분지수 자료를 이용하여 물과 물이 아닌 지역을 구분하는데 영상 이진화 방법을 이용하였으며, 이진화 알고리즘의 임계값은 Otsu(1979)가 제안한 흑백영상을 이용한 임계값 선택 알고리즘을 이용하였다. 다음이진 영상을 이용하여 사전에 작성된 대상지역의 버퍼 자료를 이용하여 수체를 추출한다.
본 연구의 연구지역인 용담댐의 경우 타일맵 1장에 모두 포함이 되어 별도의 모자이크를 수행하지 않았지만, 계산 속도를 고려하여 용담댐을 포함하는 관심지역(ROI, Region Of Interest)을 지정하고 자료를 추출하여 이용하였다. 수분지수 계산은 Landsat을 이용하여 개발된 수분지수계산식을 이용하였다. Landsat 기반으로 개발된 수분지수를 Sentinel-2 위성의 밴드로 변환한 수식은 Table 2와 같다.
그러나 위성에서 관측된 영상의 특성상 버퍼 자료를 이용한 노이즈 제거 방법으로 제거가 되지 않는 영역들이 있다. 이 영역들의 제거는 벡터화(vectorization) 기법으로 래스터 영상을 다각형(polygon)인 벡터 데이터로 변환하고 일정 면적 이하의 데이터를 삭제하는 필터링 기법이 이용된다. 면적 산출에 사용된 최종 데이터는 벡터 데이터이다.

성능/효과

(1) 용담댐 저수위와 SPI(3)와의 상관계수가 0.78로 매우 높은 상관성을 보였으며, 위성자료를 통하여 산정한 가뭄지수를 활용하여 댐 저수위/저수량 모니터링 및 예측 가능성을 진단하였다.
(2) 위성영상을 통하여 촬영한 용담댐 유역의 시기별 고해상도 위성영상자료를 통하여 가뭄발생에 따른 저수량변화를 확인할 수 있었으며, 실제 용담댐 저수위–저수량 관측 자료와 연계하여 미계측지역의 실시간 가뭄 상황 파악에 활용이 가능할 것으로 분석되었다.
(3) SSA에 의한 주성분 분석결과 SPI(3)와 각 RC자료의 상관관계를 분석한 결과 CC=0.87~0.99의 높은 상관성을 보였으며, 표준화된 댐 저수위(N-W.S.L.)와 RC자료의 상관관계를 분석한 결과 CC=0.83~0.97의 비교적 높은 상관성을 보임을 확인하였다. 따라서 SSA를 통한 용담댐 유역의 저수량과 저수위 모니터링/예측 결과, 실제 가뭄지수의 장주기 특성과 경년변동 특성을 잘 모의하고 있음을 확인하였으며, 시계열 예측 모형을 통한 예측인자로 활용 및 댐 수위–저수량 관계곡선식에 적용이 가능한 것으로 분석되었다.
다음으로 용담댐 유역의 유역평균 강수량 자료로부터 추출한 SPI(3) 가뭄지수와 월평균 유입량 자료로 부터 단변량 스펙트럼 분석을 실시하여 시계열 자료의 주성분을 추출하였다. 단변량 스텍트럼 분석은 PCA(Principle Component Analysis) 분석을 수행하여 주성분을 추출한 후 각 PC Time Series의 조합을 통한 RC 1-4, RC 1-8, RC 1-12, RC 1-16의 시계열 재구성성분(Reconstructed Components)을 추출한 결과 실제 가뭄지수의 장주기 특성과 경년변동 특성을 잘 모의하고 있음을 확인하였다. 실제 SPI(3)와 각 RC자료의 상관관계를 분석한 결과 CC=0.
따라서 SSA를 통한 용담댐 유역의 저수량과 저수위 모니터링/예측 결과, 실제 가뭄지수의 장주기 특성과 경년변동 특성을 잘 모의하고 있음을 확인하였으며, 시계열 예측 모형을 통한 예측인자로 활용 및 댐 수위–저수량 관계곡선식에 적용이 가능한 것으로 분석되었다.
10은 용담댐 유역의 표준화된 저수위(Normalized Water Surface Level) 자료와 SPI(3)의 시계열을 도시한 결과이다. 분석결과 용담댐 저수위와 SPI(3)와의 상관계수가 0.78로 높은 상관성을 보임을 확인하였으며, SPI와 댐 저수위와의 상관성을 바탕으로 다양한 통계기법을 이용하여 댐 저수위/저수량 모니터링 및 예측에 활용이 가능할 것이다. 또한, 위성으로부터 추출한 일(Daily) 단위와 월(Monthly) 단위 강수량 자료와 토양수분(Soil Moisture) 자료 등을 활용하여 SRI, SSI, EDI 등 가뭄관련 지수들을 추가적인 분석을 통하여 위성기반가뭄 모니터링 시스템으로 활용이 가능할 것으로 사료된다.
Sentinel-2 위성이 용담댐 지역을 관측할 당시의 날짜와 시간에 해당하는 댐수위 정보를 국가수자원종합정보시스템에서 수집하여 분석하였다. 상관관계를 분석한 결과 R²=0.5358로 두 변수 간에는 강한 상관성이 있음을 확인하였다.
단변량 스텍트럼 분석은 PCA(Principle Component Analysis) 분석을 수행하여 주성분을 추출한 후 각 PC Time Series의 조합을 통한 RC 1-4, RC 1-8, RC 1-12, RC 1-16의 시계열 재구성성분(Reconstructed Components)을 추출한 결과 실제 가뭄지수의 장주기 특성과 경년변동 특성을 잘 모의하고 있음을 확인하였다. 실제 SPI(3)와 각 RC자료의 상관관계를 분석한 결과 CC=0.87~0.99의 높은 상관성을 보였으며, 표준화된 댐 저수위(N-W.S.L.)와 RC자료의 상관관계를 분석한 결과 CC=0.83~0.97의 비교적 높은 상관성을 보임을 확인하였다(Table 4). 따라서 주성분으로 추출된 RC 자료를 다양한 시계열 예측 모형에 적용하여 예측인자로 활용이 가능할 것으로 사료된다.
용담댐 유역의 댐 유입량자료를 살펴보면, 2014년 말부터 2016년까지 약 2년에 걸친 한반도 중부지방 강수량 감소에 따른 저수위 감소 추세를 확인할 수 있다. 용담댐 유역 월 강수량과 유입량과의 선형상관관계를 살펴보면, 상관계수 CC=0.76(R²=0.59)로 나타나 두 변수 간에는 강한 상관성이 있음을 확인하였다.
용담댐의 월평균 저수위는 251.0 EL.m로 분석되었으며, 최근 우리나라 중부지방의 장기간 가뭄이 발생하였던 2014년~2016년의 월평균 저수위를 살펴보면, 2014년에는 251.9 EL.m로 나타나 평년 저수위를 유지하였으나, 2015년과 2016년에는 각각 246.2 EL.m와 245.9 EL.m로 평년에 비하여 4.8 m와 5.1 m 낮은 것으로 나타났다. 특히 2016년 2월의 용담댐의 월평균 저수위는 239.

후속연구

97의 비교적 높은 상관성을 보임을 확인하였다(Table 4). 따라서 주성분으로 추출된 RC 자료를 다양한 시계열 예측 모형에 적용하여 예측인자로 활용이 가능할 것으로 사료된다. 다음 Fig.
또한, 다양한 위성관측으로부터 산정한 강수량 자료를 바탕으로 가뭄지수를 산정하여 저수위 곡선과 비교·분석하였으며, 이는 미계측 지역의 저수량 모니터링과 수문학적 가뭄 모니터링/예측에 활용이 가능할 것이다.
78로 높은 상관성을 보임을 확인하였으며, SPI와 댐 저수위와의 상관성을 바탕으로 다양한 통계기법을 이용하여 댐 저수위/저수량 모니터링 및 예측에 활용이 가능할 것이다. 또한, 위성으로부터 추출한 일(Daily) 단위와 월(Monthly) 단위 강수량 자료와 토양수분(Soil Moisture) 자료 등을 활용하여 SRI, SSI, EDI 등 가뭄관련 지수들을 추가적인 분석을 통하여 위성기반가뭄 모니터링 시스템으로 활용이 가능할 것으로 사료된다.
본 연구를 통하여 개발된 방법론과 연구결과를 바탕으로 추후 다양한 위성자료를 통한 강수량, 토양수분 자료 수집 및 가뭄지수 산정, 그리고 고해상도 위성영상자료와 헬리켐 자료를 활용한 저수위 모니터링, 댐 수위–저수량 관계곡선식을 통한 저수량 모니터링 및 검증, 그리고 다양한 통계예측 모형을 활용하여 위성정보와 연계한 실시간 댐 저수량/저수위 예측을 실시하여, 우리나라의 소규모 저수지와 북한, 동남아시아 등 미계측 지역에 적용이 가능할 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	가뭄은 어떻게 분류되는가?	, 2015). 가뭄은 관점과 대상에 따라 기상학적 가뭄, 수문학적 가뭄, 농업적 가뭄, 사회경제적 가뭄으로 분류되며, 이러한 구분에 따라 적합한 가뭄 모니터링을 위해 PDSI(Palmer Drought Severity Index), SPI(Standard Precipitation Index), EDI(Effective Drought Index), SMI(Soil Moisture Index), CMI(Crop Moisture Index) 등 다양한 가뭄지수를 개발하여 활용하고 있다. 역사적으로는 PDSI가 가장 많이 사용되었으나, 계산의 복잡성, 부정확한 경험식 등의 문제로 점차 사용빈도가 줄어드는 추세이며, 그 대체적인 지수로써 특정기간 동안 평균 강수량의 표차를 표준화시켜 만든 SPI가 많이 사용되고 있다.
	가뭄이 가지는 태풍, 홍수, 산사태 등과 다른 특성은?	가뭄은 태풍, 홍수, 산사태 등의 다른 재난과는 다르게 시작과 끝을 정확하게 알 수 없고, 또한 상대적으로 장기간 동안 사회 전반에 걸쳐 영향을 미치는 특성 때문에 가장 큰 피해를 주는 자연재해 중의 하나로 인식되고 있다. 국내에서도 2014년에 이어 2015년에는 평년의 절반 수준의 강우량으로 인해 강원·영서를 비롯한경기북부 지방을 중심으로 43년 만에 극심한 가뭄이 발생하여 큰 피해를 유발하였으며, 2017년 6월에는 보령댐의 수위가 역대 최저로 낮아지는 등 가뭄이 심화되는 현상이 관측되었다(Son et al.
	가뭄 모니터링을 위한 가뭄지수의 사용 추세는?	가뭄은 관점과 대상에 따라 기상학적 가뭄, 수문학적 가뭄, 농업적 가뭄, 사회경제적 가뭄으로 분류되며, 이러한 구분에 따라 적합한 가뭄 모니터링을 위해 PDSI(Palmer Drought Severity Index), SPI(Standard Precipitation Index), EDI(Effective Drought Index), SMI(Soil Moisture Index), CMI(Crop Moisture Index) 등 다양한 가뭄지수를 개발하여 활용하고 있다. 역사적으로는 PDSI가 가장 많이 사용되었으나, 계산의 복잡성, 부정확한 경험식 등의 문제로 점차 사용빈도가 줄어드는 추세이며, 그 대체적인 지수로써 특정기간 동안 평균 강수량의 표차를 표준화시켜 만든 SPI가 많이 사용되고 있다. 현재 국내 가뭄 유관기관에서는 지점자료 기반의 PDSI와 SPI를 추정하여 가뭄지도를 제공하고 있다.

참고문헌 (28)

Baek, S.G., H. W. Jang, J. S. Kim, and J. W. Lee, 2016. Agricultural drought monitoring using the satellite-based vegetation index, Journal of Korea Water Resource Association, 49(4): 305-314 (in Korean with English abstract).
Feyisa, G.L., H. Meiby, R. Fensholt, and S. R. Proud, 2014. Automated water extraction index: A new technique for surface water mapping using Landsat imagery, Remote Sensing of Environment, 140: 23-35.

상세보기
Ghulam, A., Q. Qin, T. Teyip, and Z. Li, 2007. Modified perpendicular drought index (MPDI): a real-time drought monitoring method, ISPRS Journal of Photogrammetry & Remote Sensing, 62(2): 150-164.
Gwak, Y., J. Cho, I, Jung, D. Kim, and S. Jang, 2018. Projection of Future Changes in Drought Characteristics in Korea Peninsula Using Effective Drought Index, Journal of Climate Change Research, 9(1): 31-45 (in Korean with English abstract).
Gu, Y., J. F. Brown, J. P. Verdin, and B. Wardlow, 2007. A five-year analysis of MODIS NDVI and NDWI for grassland drought assessment over the central Great Plains of the United States, Geophysical Research Letters, 34: L06407.

상세보기
Hwang, S. W., 2001. The study of low frequency relationship between precipitation data and El Nino event in Korea, The University of Seoul, Seoul, Republic of Korea, pp. 1-63 (in Korean with English abstract).
Jeong, J., D. Kim, and M. Choi, 2017. A Study on the Utilization of Geostationary Ocean Color Imager on Communication, Ocean and Meteorological Satellite for Drought Monitoring, Journal of the Korean Society of Hazard Mitigation, 17(3): 69-77 (in Korean with English abstract).
Jeong, S. and S. C. Shin, 2006. The application of satellite imagery in droughts analysis of large area, Journal of the Korean Society for Geospatial Information Science, 14(2): 55-62 (in Korean with English abstract).
Karnieli, A., N. Agam, R. T. Pinker, M. Anderson, M. L. Imhoff, G. G. Gutman, N. Panov, and A. Goldberg, 2010. Use of NDVI and land surface temperature for drought assessment: merits and limitations, Journal of Climate, 23(3): 618-633.

상세보기
Ko, B. C., H. H. Kim, and J. Y. Nam, 2015. Classification of potential water bodies using Landsat 8 OLI and a combination of two boosted random forest classifiers, Sensors, 15(6): 13763-13777.

상세보기
K-Water, 2013. Dam Operation Manual, The Korea Water Resources Corporation, Daejeon, Republic of Korea, pp. 1-103 (in Korean).
Kwon, H. J., 2006. Development of semi-distributed hydrological drought assessment method based on SWSI (Surface Water Supply Index), Konkuk University, Seoul, Republic of Korea, pp. 1-213 (in Korean with English abstract).
Kwon, H.J., H.J. Lim, and S.J. Kim, 2007. Drought assessment of agricultural district using modified SWSI, Journal of the Korean Association of Geographic Information Studies, 10(1): 22-34 (in Korean with English abstract).
Li, W., Z. Du, F. Ling, D. Zhou, H. Wang, Y. Gui, B. Sun, and X. Zhang, 2013. A comparison of land surface water mapping using the normalized difference water index from TM, ETM+ and ALI, Remote Sensing, 5(11): 5530-5549.
McFeeters, S.K., 2013. Using the normalized difference water index (NDWI) within a geographic information system to detect swimming pools for mosquito abatement: A practical approach, Remote Sensing, 5(7): 3544-3561.

상세보기
Moon, Y. I. and U. Lall, 1996. Atmospheric flow indices and interannual Great Salt Lake variability, Journal of Hydrologic Engineering, 1(2): 55-62.

상세보기
Moradi, M., M. Sahebi, and M. Shokri, 2017. Modified Optimization Water Index (MOWI) for LANDSAT-8 OLI/TIRS, ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-4/W4: 185-190.
Otsu, N., 1979. A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66.

상세보기
Park, M.J., H.J. Shin, Y.D. Choi, J.Y. Park, and S.J. Kim, 2011. Development of a hydrological drought index considering water availability, Journal of the Korean Society of Agricultural Engineers, 53(6): 165-170 (in Korean with English abstract).
Rokni, K., A. Ahmad, A. Selamat, and S. Hazini, 2014. Water feature extraction and change detection using multitemporal Landsat imagery, Remote Sensing, 6(5): 4173-4189.

상세보기
Rouse, J.W., R. H. Haas, J. A. Schell, and D. W. Deering, 1973. Monitoring Vegetation Systems in the Great Plains with ERTS, Proc. of the 3rd Earth Resource Technology Satellite (ERTS) Symposium, Washington, D.C., Dec. 10-14, pp. 309-317.
Shen, L. and C. Li, 2010. Water Body Extraction from Landsat ETM+ Imagery Using Adaboost Algorithm, Proc. of 18th international Conference on Geoinformatics, Beijing, China, Jun. 18-20, pp. 1-4
Shin, H. J., M. J. Park, E. H. Hwang, H. S. Chae, and S. J. Park, 2015. A Study of Spring Drought Using Terra MODIS Satellite Image, Journal of the Korean Association of Geographic Information Studies, 18(4): 145-157 (in Korean with English abstract).
Son, K. H., D. H. Bae, and H. S. Cheong, 2015. Construction & Evaluation of GloSea5-Based Hydrological Drought Outlook System, Atmosphere, 25(2): 271-281 (in Korean with English abstract).
WAMIS, 2018. http://www.wamis.go.kr, Accessed on Oct. 1, 2018.
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: L20405.

상세보기
Wilson, E.H. and S.A. Sader, 2002. Detection of forest harvest type using multiple dates of Landsat TM imagery, Remote Sensing of Environment, 80(3): 385-396.

상세보기
Xu, H., 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery, International Journal of Remote Sensing, 27(14): 3025-3033.

상세보기

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증