[논문]Terra/Aqua MODIS LST와 기온과의 상관성 분석: 한파 및 폭염 발생 기간을 중심으로

정지훈; 이용관; 이지완; 김성준

doi:10.11108/kagis.2019.22.4.197

Terra/Aqua MODIS LST와 기온과의 상관성 분석: 한파 및 폭염 발생 기간을 중심으로
Correlation Analysis between Terra/Aqua MODIS LST and Air Temperature: Mainly on the Occurrence Period of Heat and Cold Waves 원문보기

한국지리정보학회지 = Journal of the Korean Association of Geographic Information Studies, v.22 no.4, 2019년, pp.197 - 214

정지훈 (건국대학교 사회환경플랜트공학과) , 이용관 (건국대학교 사회환경플랜트공학과) , 이지완 (건국대학교 사회환경플랜트공학과) , 김성준 (건국대학교 사회환경공학부)

초록
AI-Helper

본 연구에서는 Terra/Aqua MODIS LST(Moderate Resolution Imaging Spectroradiometer Land Surface Temperature)의 Daytime, Nighttime 자료와 기상청 기상관측소 86개 지점에 대한 최고, 최저 및 평균기온을 이용하여 두 자료 사이의 상관성을 분석하고, 한파 및 폭염 발생 기간의 특성을 집중적으로 분석하였다. 모든 자료는 2008년부터 2018년까지 총 11년간 일별로 구축하였으며, Pearson 상관계수(Pearson correlation coefficient, R)와 평균제곱근오차(Root Mean Square Error, RMSE)를 이용하여 상관성 분석을 수행하였다. 시계열 분석 결과, 대상 기간 전체에서 기온과 MODIS LST 간의 변동 양상은 유사하였고, 최고 기온과 MODIS 자료의 R 0.9 이상, 평균기온과 최저 기온과는 0.8 이상으로 기온과 MODIS LST 사이의 상관성은 높은 것으로 나타났다. 특히, 최고 기온은 Terra MODIS LST Daytime과 정확도가 제일 높고, 최저 기온은 Terra MODIS LST Nighttime과 상관성이 제일 높은 것으로 분석되었다. 한파 기간에는 Terra/Aqua MODIS 모두 주간 자료보다 야간 자료의 상관성이 더 높은 것으로 분석되었으며, 특히 Terra MODIS LST Nighttime과의 상관성이 좋은 것으로 분석되었다. 폭염 기간에는 Aqua MODIS LST Daytime 자료가 가장 좋은 것으로 분석되었으나, 전체적인 R이 0.5보다 낮아 추후 활용을 위해서는 식생이나 토지이용, 고도 등 다른 요소를 활용한 추가 분석이 필요할 것으로 판단된다.

Abstract ▼ AI-Helper

In this study, the correlation analysis was conducted between observed air temperature (maximum, minimum, and mean air temperature) and the daytime and nighttime data of Terra/Aqua MODIS LST(Moderate Resolution Imaging Spectroradiometer Land Surface Temperature) for 86 weather stations. All the data of the recent 11 years from 2008 to 2018 were prepared with daily base. In particular, the characteristics of the cold and heat waves incidence period in 2018 were analyzed. The correlation analysis was performed using the Pearson correlation coefficient(R) and root mean square error(RMSE). As a result of time series analysis, the trend between observed air temperature and MODIS LST were similar, showing the correlation above 0.9 in maximum temperature, above 0.8 in mean and minimum temperature. Especially, the maximum temperature was found to have the highest accuracy with Terra MODIS LST daytime, and the minimum temperature had the highest correlation with Terra MODIS LST nighttime. During the cold wave period, both Terra and Aqua MODIS LST showed higher correlations with nighttime data than daytime data. For the heat wave period, the Aqua MODIS LST daytime data was good, but the overall R was below 0.5. Additional analysis is necessary for further study considering such as land cover and elevation characteristics.

주제어

표/그림 (11)

그림 FIGURE 1. Flowchart in this study
그림 FIGURE 2. Observation and satellite data used in this study
표 TABLE 1. The Scientific Data Sets(SDS) of MOD11A1 and MYD11A1
표 Table 2. Description of variables used in this study
그림 FIGURE 3. Boxplots of observed maximum temperature(T_MX), mean temperature(T_MM), minimum temperature(T_MN) and four LSTs(LST_TD, LST_TN, LST_AD, and LST_AN) for 86 Automated Surface Observing System(ASOS) stations from 2008 to 2018
그림 FIGURE 4. Comparison between (a) Terra MODIS LST and maximum air temperature(T_MX), (b) Aqua MODIS LST and T_MX, (c) Terra MODIS LST and mean air temperature(T_MM), (d) Aqua MODIS LST and T_MM, (e) Terra MODIS LST and minimum air temperature(T_MN), (f) Aqua MODIS LST and T_MN at station 127
그림 FIGURE 4. Continued
그림 FIGURE 5. Correlation coefficient for 86 Automated Surface Observing System(ASOS) stations between MODIS LST(LST_TD, LST_TN, LST_AD, and LST_AN) and air temperature(T_MX, T_MM, and T_MN) from 2008 to 2018: R(left) and RMSE(right)
표 TABLE 3. Bias and RMSE of the difference between C6 Terra/Aqua MODIS LST and in situ LST during nighttime(Duan et al., 2019)
그림 FIGURE 6. Correlation coefficient for 86 Automated Surface Observing System(ASOS) stations between MODIS LST(LST_TD, LST_TN, LST_AD, and LST_AN) and air temperature(T_MX, T_MM, and T_MN) for cold wave period from Jan. 23 to Feb. 13 in 2018: R(left) and RMSE(right)
그림 FIGURE 7. Correlation coefficient for 86 Automated Surface Observing System(ASOS) stations between MODIS LST(LST_TD, LST_TN, LST_AD, and LST_AN) and air temperature(T_MX, T_MM, and T_MN) for heat wave period from July 11 to Aug. 16 in 2018: R(left) and RMSE(right)

AI 본문요약
AI-Helper

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

문제 정의

따라서, 본 연구에서는 최근 11년(2008~2018)의 Terra/Aqua MODIS LST의 Daytime과 Nighttime 자료를 구축하고, 동 기간에 대한 종관기상관측 86개 지점의 최고, 최저 및 평균기온 자료를 구축하여 각 자료의 기술 통계 분석, 시계열 분석 및 상관성 분석을 수행하였다. 특히, 2018년에 발생한 한파 및 폭염 기간 자료의 특성에 대한 집중분석을 수행하여(그림 1), LST 자료를 활용한 지상 기온 추정 연구를 위한 초석 마련과 더불어 인공위성 원격탐사 자료의 활용성 증대를 꾀하고자 하였다.

가설 설정

H₀: 위성관측 자료를 통해 생산된 격자형 LST와 기온은 일정한 상관관계가 없다.
H1 (양쪽검정): 위성관측 자료를 통해 생산된 격자형 LST와 기온은 일정한 상관관계가 있다.
이는 SST(Sea Surface Temperature) 산출 시 사용되었으나(Mcmillin, 1975), Price(1984)에 의해 LST에 적용되었다. 또한, split -window 알고리즘은 MODIS/Terra Land Cover Types(MOD12C1)을 기반으로 한 land cover classification(Snyder et al., 1998; Wan, 1999)을 바탕으로 지표면의 밴드별 방출률을 알고 있다고 가정하고 방출률을 보정 하여 LST를 산출한다(Leeet al., 2007; Benali et al., 2012).

제안 방법

) for 86 Automated Surface Observing System(ASOS) stations from 2008 to 2018

2008년부터 2018년까지 MODIS LST(LST_TD, LST_TN, LST_AD, LST_AN)와 최고 기온(TMX), 평균기온(T_MM) 및 최저 기온(T_MN) 자료를 활용하여 두 자료 간의 상관성을 분석하였다(그림 4와 그림 5). 그림 4는 충주 기상관측소(127)를 대상으로 Terra/Aqua MODIS LST의 Daytime(빨간색 실선) 및 Nighttime(파란색 실선)을 각 기온(검은색 실선) 자료와 시계열분포를 비교한 것으로 (a)와 (b)는 TMX, (c)와 (d)는 T_MM, (e)와 (f)는 T_MN과 비교한 것이다.
, 2016). 그로 인해 여름철에 관측되는 MODIS LST 일별 자료에는 유효 셀이 존재하지 않거나 일부분에 몇 개만 존재하는 때도 많아 본 연구에서는 폭염기간의 분석을 위해 위성자료의 Gap-Filling을 수행하였다. 이러한 위성자료의 특성상 여름철 최고 기온과의 상관성이 다소 떨어지게 나타난 것으로 판단된다.
, 2015). 따라서, 본 연구에서는 MODIS 위성영상의 보정을 위해 각 Product 별 Daytime/Nighttime QC 영상(QC_Day, QC_Night)을 구축하고 QC 영상에서 오염된 픽셀을 나타내는 값을 LST 영상에서 제외하여 1차적인 보정을 수행하였다. 1차 보정 후, 결측치의 보정을 위해 역거리 가중법(Inverse Distance Weighting, IDW)을 이용한 Gap-Filling을 실시하고 공간 분포화 하였다(그림 2b).
LST를 이용한 지상 기온 산출 등의 활용 연구에 있어, 최근 증가하고 있는 폭염과 한파 등 이상기온 발생 기간에 대한 LST와 최고 및 최저 기온 자료와의 상관관계 파악이 필요하다. 따라서, 본 연구에서는 최근 11년(2008~2018)의 Terra/Aqua MODIS LST의 Daytime과 Nighttime 자료를 구축하고, 동 기간에 대한 종관기상관측 86개 지점의 최고, 최저 및 평균기온 자료를 구축하여 각 자료의 기술 통계 분석, 시계열 분석 및 상관성 분석을 수행하였다. 특히, 2018년에 발생한 한파 및 폭염 기간 자료의 특성에 대한 집중분석을 수행하여(그림 1), LST 자료를 활용한 지상 기온 추정 연구를 위한 초석 마련과 더불어 인공위성 원격탐사 자료의 활용성 증대를 꾀하고자 하였다.
본 연구는 MODIS 위성의 LST 자료와 기온과의 상관성 분석을 위해 Terra/Aqua MODIS LST Daytime 및 Nighttime 영상과 기상청 86개 종관기상관측소의 최고, 최저 및 평균기온 자료를 2008년부터 2018년까지 최근 11년간 일별로 구축하고 각 자료의 기술 통계 분석, 시계열 분석 및 상관성 분석을 수행하였다. 또한, 2018년 한파 및 폭염 발생 기간 자료의 특성에 대한 집중분석을 수행하였으며, 본 연구의 결과를 요약하면 다음과 같다.
본 연구는 MODIS 위성의 LST 자료와 기온과의 상관성 분석을 위해 Terra/Aqua MODIS LST Daytime 및 Nighttime 영상과 기상청 86개 종관기상관측소의 최고, 최저 및 평균기온 자료를 2008년부터 2018년까지 최근 11년간 일별로 구축하고 각 자료의 기술 통계 분석, 시계열 분석 및 상관성 분석을 수행하였다. 또한, 2018년 한파 및 폭염 발생 기간 자료의 특성에 대한 집중분석을 수행하였으며, 본 연구의 결과를 요약하면 다음과 같다.
폭염 지속 일수의 경우 금산이 37일(7월 11일~8월 16일)로 1위, 광주가 36일(7월 12일~8월 16일)로 2위를 차지하는 등 7월 중순부터 8월 중순에 걸쳐 폭염이 지속되었다. 본 연구에서는 기상청 보도자료를 바탕으로 2018년 1월 23일부터 2월 13일까지를 한파 기간, 7월 11일부터 8월 16일까지를 폭염 기간으로 설정하고 해당 기간에 대한 MODIS LST와 기온과의 상관관계를 분석하였다(그림 6과 그림 7).
, 2016). 본 연구에서는 전국 총 86개 지점(그림 2a)의 ASOS에서 11년간(2008~2018)의 일최고, 최저 및 평균기온 자료를를 수집하여 MODIS LST와의 상관성 분석을 수행하였다.

대상 데이터

본 연구는 위도 33° 06′에서 43° 01′, 경도는 124° 04′에서 131° 05′의 우리나라 전체(101,145㎢)를 대상으로 하였다.
본 연구에서는 Earth Observing System Data and Information System(EOSDIS) Earthdata에서 제공하는 1000m 공간 해상도의 MODIS/Terra Land Surface Temperature/Emissivity(MOD11A1)와 MODIS/Aqua Land Surface Temperature/Emissivity(MYD11A1)를 구축하여 사용하였다. 두 Product의 하위 데이터로는 LST_Day_1㎞, QC_Day, LST_Night_1㎞, QC_Night 등이 있으며(표 1), 시뉴소이드 도법(Sinusoidal Projection)이 적용되어 제공된다.
본 연구에서는 기온과의 상관성 분석을 위해 미항공우주국(National Aeronautics and Space Administration, NASA)에서 제공하는 Terra/Aqua MODIS(Moderate Resolution Imaging Spectroradiometer) 위성영상을 사용하였다. MODIS는 장기적인 지구 관측을 통해 기후 시스템의 주요 구성 요소와 상호작용을 감시하고 이해하는 EOS(Earth Observation System) 계획의 목적으로 발사된 Terra/Aqua 위성의 주요 센서이다.
두 Product의 하위 데이터로는 LST_Day_1㎞, QC_Day, LST_Night_1㎞, QC_Night 등이 있으며(표 1), 시뉴소이드 도법(Sinusoidal Projection)이 적용되어 제공된다. 연구에 사용된 영상은 Terra Daytime(LST_TD), Terra Nighttime(LST_TN), Aqua Daytime(LST_AD), Aqua Nighttime(LST_AN)이며, 2008년부터 2018년까지 일별로 각각 구축하였다(표 2).

데이터처리

MODIS LST와 기온과의 상관성 분석에 앞서 분석에 활용할 각 자료에 관한 기술 통계 분석을 실시하였다(그림 3). 2008년부터 2018년 까지 MODIS LST(LST_TD, LST_TN, LST_AD, LST_AN)와 최고 기온(T_MX), 평균기온(T_MM) 및 최저 기온(T_MN) 자료에 대해 분석한 결과 전 자료가 평균값보다 중간값이 더 큰 우편향 분포(negatively skewed distribution)를 보였다.
상관분석은 서로 관련된다고 예측되는 두 개의 구간·비율척도 변수들에 대해 선형적으로 얼마나 연관성이 있는지 알아보는 분석이다. 이러한 분석을 통하여 상관관계의 정도를 나타내는 상관계수를 구할 수 있으며, 본 연구에서는 대표본(케이스 수가 30개 이상일 때)이거나 각 변수의 모집단분포가 정규분포일 때 일반적으로 적용하는 Pearson 상관계수를 활용하였다(Suh, 2018). 상관분석에 활용한 두 변수 x와 y는 2008년부터 2018년까지 표 2의 기온자료(T_MX, T_MM, T_MN)와 MODIS LST(LST_AN, LST_TD, LST_AD, LST_TN)이며, 표본상관계수 R을 가지고 모집단 상관계수 ρ에 대한 귀무가설과 대립가설은 다음과 같다.

이론/모형

따라서, 본 연구에서는 MODIS 위성영상의 보정을 위해 각 Product 별 Daytime/Nighttime QC 영상(QC_Day, QC_Night)을 구축하고 QC 영상에서 오염된 픽셀을 나타내는 값을 LST 영상에서 제외하여 1차적인 보정을 수행하였다. 1차 보정 후, 결측치의 보정을 위해 역거리 가중법(Inverse Distance Weighting, IDW)을 이용한 Gap-Filling을 실시하고 공간 분포화 하였다(그림 2b).

성능/효과

MODIS LST와 기온과의 상관성 분석에 앞서 분석에 활용할 각 자료에 관한 기술 통계 분석을 실시하였다(그림 3). 2008년부터 2018년 까지 MODIS LST(LST_TD, LST_TN, LST_AD, LST_AN)와 최고 기온(T_MX), 평균기온(T_MM) 및 최저 기온(T_MN) 자료에 대해 분석한 결과 전 자료가 평균값보다 중간값이 더 큰 우편향 분포(negatively skewed distribution)를 보였다. 각 자료에 대한 평균값은 LST_AD가 17.
이 가장 상관성이 높은 것으로 나타났다. LST_AN에 대한 T_MX과 T_MM의 R 은 0.78과 0.79로 나타났고, T_MN에서는 0.59로 LST_TN에 비해 0.2 낮았으나, LST_TD와 LST_AD에 비해 높은 상관성을 보였다. 앞선 시계열 분석과 유사하게 Terra MODIS와 Aqua MODIS 모두 주간 자료보다 야간 자료가 상관성이 더 높은 것으로 나타났으며, 그중에서도 평균기온과의 R이 각각 0.
, 2018). T_MM과 T_MN에서도 T_MX와 마찬가지로 LST_TN과 LST_AN의 R 이 LSD_TD와 LST_AD보다 높은 것으로 나타났다. RMSE의 경우 T_MX에서 주간 자료인 LST_TD와 LST_AD가 4.
RMSE는 전반적으로 한파 기간을 대상으로 했을 때 전체기간(2008~2018년)을 대상으로 했을 때보다 좋아지는 모습을 보였다. T_MX가 LST_TD, LST_TN, LST_AD, LST_AN에 대해 각각 3.4℃, 10.1℃, 3.6℃, 10.9℃로 나타났고, T_MM에서 LST_AD를 제외하고 모두 낮아졌다. Shinel al.
폭염 기간의 경우 모든 기온자료와 MODIS LST와의 상관성이 부족한 것으로 분석되었다. TMX에 대한 R 은 LST_TD, LST_TN, LST_AD, LST_AN에 대해 각각 0.36, 0.39, 0.37, 0.42의 값을 보였고, RMSE는 각각 5.8℃, 11.9℃, 5.4℃, 12.5℃로 나타났다. 주간 자료(LST_TD, LST_AD)와의 RMSE는 전 자료를 활용한 분석 결과와 비교하면 각각 1.
)에서 변동성이 적었다. T_MX와 MODIS LST 자료의 R 0.9 이상, T_MM과 T_MN과는 0.8 이상으로 기온과 MODIS LST 사이의 상관성은 높은 것으로 나타났다. RMSE의 경우 T_MX에서 야간 자료가 주간 자료에 비해 큰 차이를 보였다.
, 2018). T_MX의 경우 LST_TN이 R 이 0.96으로 가장 높은 상관성을 보였으며, LST_AN, LST_TD, LST_AD가 각각 0.95, 0.94, 0.93으로 그 뒤를 이었다. 주간의 Terra와 Aqua MODIS LST인 LST_TD와 LST_AD가 야간의 LST보다 낮은 상관성을 보이는 것은 태양복사에너지의 유입이 많을수록 MODIS LST가 불안정한 상태를 보이기 때문으로 판단된다(Zeng et al.
2008년부터 2018년 까지 MODIS LST(LST_TD, LST_TN, LST_AD, LST_AN)와 최고 기온(T_MX), 평균기온(T_MM) 및 최저 기온(T_MN) 자료에 대해 분석한 결과 전 자료가 평균값보다 중간값이 더 큰 우편향 분포(negatively skewed distribution)를 보였다. 각 자료에 대한 평균값은 LST_AD가 17.9℃로 최고 기온의 평균 18.4℃와 가장 근접한 값을 보였고, LST_TN이 7.4℃로 최저 기온의 평균 8.3℃와 근접한 값을 보임을 알 수 있었다. 주간자료인 LST_TD와 LST_AD가 표준편차가 각각 10.
) 자료에 대해 기술 통계 분석을 수행한 결과 전 자료가 평균값보다 중간값이 더 큰 우편향 분포(negatively skewed distribution)를 보였다. 각 자료에 대한 평균값은 T_MX가 LST_AD와, T_MN은 LST_TN과 가장 유사한 것으로 나타났다.
6℃까지로 가장 컸다. 결과적으로 기술 통계 분석에서는 T_MX는 LST_AD와, T_MN은 LST_TN과 가장 유사한 것으로 나타났다.
결론적으로 Terra/Aqua MODIS LST 자료는 관측된 시기(기간)와 장소에 따라 차이가 있을 수 있으며, 우리나라의 경우 Aqua MODIS LST 자료보다 Terra MODIS LST의 Daytime과 Nighttime 자료의 정확도가 더 높은 것으로 분석되었다. 그러나 실제 활용을 위해 두 자료 사이의 계절적 변동성을 고려한 상관성 분석이 추가로 필요하며, 지표면 온도는 식생 상태나 토지이용, 고도 등에 의해 달라질 수 있어 이를 고려한 분석이 필요할 것으로 판단된다.
넷째, 2018년 7월 11일부터 2018년 8월 16일까지 폭염이 발생한 기간에 대해 집중분석을 수행한 결과, 모든 기온자료와 MODIS LST와의 상관성이 부족한 것으로 분석되었다. 주간 자료(LST_TD, LST_AD)와의 RMSE는 전 자료를 활용한 분석 결과와 비교하면 각각 1.
기상청 기후특성에도 따르면 우리나라의 계절별 습도는 강우량이 집중되는 여름철에 가장 높고, 봄과 겨울철에는 상대적으로 건조한 것으로 나타난다. 대기 내 수증기가 지표와 대기 사이의 열 교환 과정에서 중요한 역할을 하는 것을 고려했을 때, 겨울철의 낮은 습도는 대기와 지표면의 열전달을 저해하고 이로 인해 겨울철의 기온 상승의 폭이 작아 결과적으로 기온과 지표면 온도의 차가 줄어든 것으로 판단된다. 따라서 우리나라와 같이 사계절이 뚜렷한 몬순 기후 지역에서는 기온의 계절적 특성을 고려하여 자료 간의 상관성을 분석하는 것이 정확도 향상에 기여할 수 있을 것으로 판단된다.
둘째, 시계열 분석 결과, 대상 기간 전체에서 기온과 MODIS LST 간의 변동 양상은 유사하였고, 야간의 LST(LST_TN, LST_AN)에서 변동성이 적었다. T_MX와 MODIS LST 자료의 R 0.
63K로 Terra MODIS 자료보다 작은 것으로 나타났다(표 3). 따라서 Terra/Aqua MODIS LST의 자료는 관측된 시기(기간)와 장소에 따라 차이가 있을 수 있으며, 우리나라의 경우 Terra MODIS 자료의 정확도가 더 높은 것으로 나타났다.
8℃로 자료 간에는 차이를 보이지 않는 것으로 나타났다. 반면 평균기온 및 최저 기온과 차이는 Aqua MODIS 자료가 Terra MODIS 자료에 비해 큰 것으로 나타나 전반적으로 Aqua MODIS LST가 Terra MODIS LST와 비교하면 실측 자료와의 정확도가 낮게 산정됨을 확인하였으며, 이는 그림 4의 충주 기상관측소 지점에 대한 자료별 시계열분포에서도 잘 나타난다. Duan et al.
셋째, 2018년 1월 23일부터 2018년 2월 13일까지 한파가 발생한 기간에 대해 집중분석을 수행한 결과, 모든 기온 자료(최저, 최고 및 평균)에 대해 LST_AN이 가장 상관성이 높은 것으로 나타났다. 시계열 분석과 유사하게 Terra MODIS와 Aqua MODIS 모두 주간 자료보다 야간 자료가 상관성이 더 높은 것으로 나타났으며, 그중에서도 평균기온과의 R 이 각각 0.
평균기온 T_MM의 경우 Terra/Aqua MODIS LST 사이의 R 과 RMSE 모두 T_MX와 T_MN에서 나타나는 값의 중간값을 보여 각 자료 간 특색이 T_MX와 TMN에 비해 떨어지는 모습을 보였다. 시계열 분석 결과 T_MX는 LST_TD와, T_MN은 LST_TN과 상관성이 높은 것으로 분석되었다.
이 가장 상관성이 높은 것으로 나타났다. 시계열 분석과 유사하게 Terra MODIS와 Aqua MODIS 모두 주간 자료보다 야간 자료가 상관성이 더 높은 것으로 나타났으며, 그중에서도 평균기온과의 R 이 각각 0.56, 0.62로 가장 높았다. RMSE는 전반적으로 한파 기간을 대상으로 했을 때 전체기간(2008~2018년)을 대상으로 했을 때보다 좋아지는 모습을 보였다.
2 낮았으나, LST_TD와 LST_AD에 비해 높은 상관성을 보였다. 앞선 시계열 분석과 유사하게 Terra MODIS와 Aqua MODIS 모두 주간 자료보다 야간 자료가 상관성이 더 높은 것으로 나타났으며, 그중에서도 평균기온과의 R이 각각 0.75, 0.79로 가장 높았다. 한파 기간은 강한 추위가 이어지는 기간이라 최저 기온과의 상관성이 높을 것으로 예상되었으나, 위성자료와의 R 은 주간 자료인 LST_TD와 LST_AD가 0.
RMSE의 경우 주간 자료는 최고 기온과 편차가 가장 작고, 야간 자료는 최저 기온과의 편차가 가장 작은 것으로 나타났다. 일반적으로 하루 중 낮 기온이 가장 높고 일 최고 기온에 가깝다는 사실로 볼 때 Aqua MODIS의 주간 자료가 편차가 제일 작을 것으로 예상했으나 Terra와 Aqua MODIS LST의 주간 자료의 편차가 모두 4.8℃로 자료 간에는 차이를 보이지 않는 것으로 나타났다. 반면 평균기온 및 최저 기온과 차이는 Aqua MODIS 자료가 Terra MODIS 자료에 비해 큰 것으로 나타나 전반적으로 Aqua MODIS LST가 Terra MODIS LST와 비교하면 실측 자료와의 정확도가 낮게 산정됨을 확인하였으며, 이는 그림 4의 충주 기상관측소 지점에 대한 자료별 시계열분포에서도 잘 나타난다.
5℃로 나타났다. 주간 자료(LST_TD, LST_AD)와의 RMSE는 전 자료를 활용한 분석 결과와 비교하면 각각 1.0℃, 0.6℃의 값이 커졌으나, R은 크게 악화된 결과를 보였다. 우리나라는 기후적 특성상 여름철 강우가 집중되고, 평균 운량이 50%를 넘는다.
3℃와 근접한 값을 보임을 알 수 있었다. 주간자료인 LST_TD와 LST_AD가 표준편차가 각각 10.5, 10.4로 산포도가 제일 큰 것으로 나타났다. 이는 주간 자료는 야간 자료와 비교하면 태양복사에너지의 유입량이 크고 그에 따른 기상 조건 변화에 영향이 크기 때문으로 판단된다.
평균 기온 T_MM의 경우 Terra/Aqua MODIS LST 사이의 R 과 RMSE 모두 T_MX와 T_MN에서 나타나는 값의 중간값을 보여 각 자료 간 특색이 T_MX와 T_MN에 비해 떨어지는 모습을 보였다. 즉, 시계열 변화 양상은 야간 자료가 각 기상자료와 상관성이 더 좋은 것으로 나타났으나, 편차는 주간 자료가 최고 기온과 야간 자료는 최저 기온과 작은 모습을 보였다. 그러나 시계열 변화 분석의 R 값은 모든 자료에서 0.
첫째, 2008년부터 2018년까지 MODIS LST (LST_TD, LST_TN, LST_AD, LST_AN)와 최고 기온(T_MX), 평균기온(T_MM) 및 최저 기온(T_MN) 자료에 대해 기술 통계 분석을 수행한 결과 전 자료가 평균값보다 중간값이 더 큰 우편향 분포(negatively skewed distribution)를 보였다. 각 자료에 대한 평균값은 T_MX가 LST_AD와, T_MN은 LST_TN과 가장 유사한 것으로 나타났다.
1℃로 야간 자료와의 차이가 더 작은 모습을 보였다. 평균 기온 T_MM의 경우 Terra/Aqua MODIS LST 사이의 R 과 RMSE 모두 T_MX와 T_MN에서 나타나는 값의 중간값을 보여 각 자료 간 특색이 T_MX와 T_MN에 비해 떨어지는 모습을 보였다. 즉, 시계열 변화 양상은 야간 자료가 각 기상자료와 상관성이 더 좋은 것으로 나타났으나, 편차는 주간 자료가 최고 기온과 야간 자료는 최저 기온과 작은 모습을 보였다.
1℃로 야간 자료와의 차이가 더 작은 모습을 보였다. 평균 기온 T_MM의 경우 Terra/Aqua MODIS LST 사이의 R 과 RMSE 모두 T_MX와 T_MN에서 나타나는 값의 중간값을 보여 각 자료 간 특색이 T_MX와 T_MN에 비해 떨어지는 모습을 보였다. 즉, 시계열 변화 양상은 야간 자료가 각 기상자료와 상관성이 더 좋은 것으로 나타났으나, 편차는 주간 자료가 최고 기온과 야간 자료는 최저 기온과 작은 모습을 보였다.
따라서 한파 기간에 대해 분석을 수행할 경우 LST_TN을 활용하는 것이 좋을 것으로 판단된다. 폭염 기간의 경우 모든 기온자료와 MODIS LST와의 상관성이 부족한 것으로 분석되었다. TMX에 대한 R 은 LST_TD, LST_TN, LST_AD, LST_AN에 대해 각각 0.
79로 가장 높았다. 한파 기간은 강한 추위가 이어지는 기간이라 최저 기온과의 상관성이 높을 것으로 예상되었으나, 위성자료와의 R 은 주간 자료인 LST_TD와 LST_AD가 0.53, 0.48로 나타났고, 야간 자료인 LST_TN과 LST_AN이 0.60, 0.59로 평균 기온과 최고 기온에 비해 상관성이 다소 떨어지는 모습을 보였다. 이는 하루 중 최저 기온이 일출 직전 시간에 주로 나타나는 데 비해 위성의 촬영 시각은 Terra MODIS가 10:30(AM and PM), 1:30(AM and PM)으로 자정과 정오 인근 시각에 촬영되기 때문으로 판단된다.
한파 기간의 경우 모든 기온 자료(최저, 최고 및 평균)에 대해 LST_AN이 가장 상관성이 높은 것으로 나타났다. LST_AN에 대한 T_MX과 T_MM의 R 은 0.

후속연구

즉, 시계열 변화 양상은 야간 자료가 각 기상자료와 상관성이 더 좋은 것으로 나타났으나, 편차는 주간 자료가 최고 기온과 야간 자료는 최저 기온과 작은 모습을 보였다. 그러나 시계열 변화 분석의 R 값은 모든 자료에서 0.93 이상으로 높은 상관성을 보이므로, 추후 MODIS 위성자료를 활용한 각 기온자료의 회귀분석을 위해서는 T_MX는 편차가 작고 상관성이 높은 LST_TD를 활용하고 T_MN은 LST_TN을 활용해야 할 것으로 판단된다.
결론적으로 Terra/Aqua MODIS LST 자료는 관측된 시기(기간)와 장소에 따라 차이가 있을 수 있으며, 우리나라의 경우 Aqua MODIS LST 자료보다 Terra MODIS LST의 Daytime과 Nighttime 자료의 정확도가 더 높은 것으로 분석되었다. 그러나 실제 활용을 위해 두 자료 사이의 계절적 변동성을 고려한 상관성 분석이 추가로 필요하며, 지표면 온도는 식생 상태나 토지이용, 고도 등에 의해 달라질 수 있어 이를 고려한 분석이 필요할 것으로 판단된다. 또한, QC 영상을 이용하여 보정을 시행하였음에도 상관성이 낮을 때도 있어, 필요에 따라 지상에서 관측된 지표면 온도를 활용한 추가적인 보정을 통해 상관성을 높일 수 있을 것으로 판단된다.
대기 내 수증기가 지표와 대기 사이의 열 교환 과정에서 중요한 역할을 하는 것을 고려했을 때, 겨울철의 낮은 습도는 대기와 지표면의 열전달을 저해하고 이로 인해 겨울철의 기온 상승의 폭이 작아 결과적으로 기온과 지표면 온도의 차가 줄어든 것으로 판단된다. 따라서 우리나라와 같이 사계절이 뚜렷한 몬순 기후 지역에서는 기온의 계절적 특성을 고려하여 자료 간의 상관성을 분석하는 것이 정확도 향상에 기여할 수 있을 것으로 판단된다. 반면 TMN의 경우 LST_TD, LST_TN, LST_AD, LST_AN에 대해 각각 10.
그러나 실제 활용을 위해 두 자료 사이의 계절적 변동성을 고려한 상관성 분석이 추가로 필요하며, 지표면 온도는 식생 상태나 토지이용, 고도 등에 의해 달라질 수 있어 이를 고려한 분석이 필요할 것으로 판단된다. 또한, QC 영상을 이용하여 보정을 시행하였음에도 상관성이 낮을 때도 있어, 필요에 따라 지상에서 관측된 지표면 온도를 활용한 추가적인 보정을 통해 상관성을 높일 수 있을 것으로 판단된다. 본 연구의 결과는 추후 진행할 지상 기온 추정 연구에 있어 신뢰도 높은 결과 도출을 위해 보완 및 활용할 계획이다.
또한, QC 영상을 이용하여 보정을 시행하였음에도 상관성이 낮을 때도 있어, 필요에 따라 지상에서 관측된 지표면 온도를 활용한 추가적인 보정을 통해 상관성을 높일 수 있을 것으로 판단된다. 본 연구의 결과는 추후 진행할 지상 기온 추정 연구에 있어 신뢰도 높은 결과 도출을 위해 보완 및 활용할 계획이다.
6℃의 값이 커졌으나, R은 크게 악화된 결과를 보였다. 폭염 기간의 회귀분석을 위한 자료는 LST_AD가 가장 좋은 것으로 분석되었으나 추후 활용을 위해서는 연구자의 주의가 필요할 것으로 판단된다.
이러한 위성자료의 특성상 여름철 최고 기온과의 상관성이 다소 떨어지게 나타난 것으로 판단된다. 현재 분석한 결과에 따르면 폭염 기간의 회귀분석을 위한 자료는 LST_AD가 가장 좋은 것으로 분석되었으나, 각 자료 간 편차가 크지 않고 상관성 또한 낮게 나왔으므로 실제 분석에는 연구자의 주의가 필요할 것이다. T_MN의 경우 주간 위성자료와 야간 위성자료 사이의 RMSE 차이가 전체기간과 한파 기간과 비교하면 현저히 작았는데, 대상 기간에 서울, 인천, 홍천 등의 지역에서 기상관측 이래 가장 높은 최저 기온 값을 기록한 바 있어(KMA, 2018) 주요 도심지역에서 발생한 열대야의 영향 때문으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	상관분석을 통해 구할 수 있는 지표는 무엇인가?	상관분석은 서로 관련된다고 예측되는 두 개의 구간·비율척도 변수들에 대해 선형적으로 얼마나 연관성이 있는지 알아보는 분석이다. 이러한 분석을 통하여 상관관계의 정도를 나타내는 상관계수를 구할 수 있으며, 본 연구에서는 대표본(케이스 수가 30개 이상일 때)이거나 각 변수의 모집단분포가 정규분포일 때 일반적으로 적용하는 Pearson 상관계수를 활용하였다(Suh, 2018). 상관분석에 활용한 두 변수 x와 y는 2008년부터 2018년까지 표 2의 기온자료(TMX, TMM, TMN)와 MODIS LST(LSTAN, LSTTD, LSTAD, LSTTN)이며, 표본상관계수 R을 가지고 모집단 상관계수 ρ에 대한 귀무가설과 대립가설은 다음과 같다.
	상관분석이란 무엇인가?	상관분석은 서로 관련된다고 예측되는 두 개의 구간·비율척도 변수들에 대해 선형적으로 얼마나 연관성이 있는지 알아보는 분석이다. 이러한 분석을 통하여 상관관계의 정도를 나타내는 상관계수를 구할 수 있으며, 본 연구에서는 대표본(케이스 수가 30개 이상일 때)이거나 각 변수의 모집단분포가 정규분포일 때 일반적으로 적용하는 Pearson 상관계수를 활용하였다(Suh, 2018).
	지구온난화 및 기후변화는 어떤 문제를 야기하는가?	지구온난화 및 기후변화로 인해 비롯된 전 지구적인 기온 상승은 가뭄, 폭염, 한파 등의 이상기후 현상을 일으켜 인류의 생존을 위협하는 환경 문제로 대두되고 있다(IPCC, 2007). 기상청 보도자료에 따르면 2018년 우리나라는 1973년 이래 전국 평균 최고 기온, 폭염 일수 1위를 경신하는 등 유례없는 폭염 사례를 기록하였으며(KMA, 2018), 1901년부터 100년간 국내에서 발생한 재해별 피해분석 결과 인명피해가 가장 크게 발생한 재해는 태풍이나 홍수가 아닌 1994년 발생한 폭염인 것으로 나타났다(Lee and Cho, 2015; Park et al.

참고문헌 (48)

Bae, D.H., H.M. Kim, S.R. Ha. 2018. The factor analysis of Land Surface Temperature(LST) change using MODIS imagery and panel data. Journal of the Korean Association of Geographic Information Studies. 21(1):46-56
Baek, J.J. and M.H. Choi. 2012. Availability of Land Surface Temperature from the COMS in the Korea Peninsula. Journal of Korea Water Resources Association. 45(8):755-765

원문보기 상세보기
Baek, J.J. and M.H. Choi. 2015. Evaluation of remotely sensed actual evapotranspiration products from COMS and MODIS at two different flux tower sites in Korea. International Journal of Remote Sensing. 36(1):375-402.

상세보기
Becker F. 1987. The impact of spectral emissivity on the measurement of land surface temperature from a satellite. Remote Sensing. 8(10):1509-1522.

상세보기
Benali A., A.C. Carvalho, J.P. Nunes, N. Carvalhais, and A. Santos. 2012. Estimating air surface temperature in Portugal using MODIS LST data. Remote Sensing of Environment. 124(1):108-121.

상세보기
Byun, M.J., K.S. Han, and Y.S. Kim. 2004. A new look at the statistical method for remote sensing of daily maximum air temperature. Korean Journal of Remote Sensing. 20(2):65-76
Colombi A., C.D. Michele, M. Pepe, and A. Rampini. 2007. Estimation of daliy mean air temperature from MODIS LST in Alpine areas. EARSeL eProceedings. 6(1):2007.
Duan S.B., Z.L. Li, H. Li, F.M. Gottsche, H. Wu, W. Zhao, P. Leng, X. Zhang, and C. Coll. 2019. Validation of Collection 6 MODIS land surface temperature product using in situ measurement. Remote Sensing of Environment. 225:16-29.

상세보기
Hong, H.C., W.J. Kim, J.Y. Kim, and B.J. Kim. 2013. Analysis of demand characteristics for long-term forecasts. Journal of Climate Research. 8(2):117-126

상세보기
IPCC(Intergovernmental Panel on Climate Change). 2007. Climate change 2007: The physical science basis, IPCC contribution of working group I to the third assessment report of the intergovernmental panel on climate change. Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M. Tignor and H.L. Miller (Eds.). Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. p.996.
Jee, J.B., K.T. Lee, and Y.J. Choi. 2014. Analysis of Land Surface Temperature from MODIS and Landsat satellites using by AWS temperature in capital area. Korean Journal of Remote Sensing. 30(2):315-329

원문보기 상세보기
Jeon, M.J., and Y.S. Cho. 2015. An analysis of a winter-time temperature change and an extreme cold waves frequency in Korea. Journal of Climate Change Research. 6(2):87-94

상세보기
Jo, M.H., K.J. Lee, and W.S. Kim. 2001. A study on the spatial distribution characteristic of urban surface temperature using remotely sensed data and GIS. Journal of the Korean Association of Geographic Information Studies. 4(1):57-66
Kim, D.Y. 2015a. Development of estimation algorithm of near-surface air temperature for warm and cold seasons in Korea. Journal of the Korean Society for Geospatial Information Science. 23(4):11-16
Kim, D.Y. 2015b. Development of statistical estimation model for seasonal air temperature over Korea. Journal of Korean Society of Environment Technology. 16(5):369-375
KMA(Korea Meteorological Administration). 2018. Comparison of heat waves between 2018 and 1994. p.4-8
KMA(Korea Meteorological Administration). 2019. Weather characteristics in 2018
Lakshmi V., K. Czajkowski, R. Dubayah, and J. Susskind. 2001. Land surface air temperature mapping using TOVS and AVHRR. International Journal of Remote Sensing. 22(4):643-662.

상세보기
Lee, C.S., K.S. Han, J.M. Yeom, B.G. Song, and Y.S. Kim. 2007. Thermal spatial representativity of meteorological stations using MODIS Land Surface Temperature. Journal of the Korean Association of Geographic Information Studies. 10(3):123-133
Lee, H.M., H.C. Jung, J.E. Wie, and B.K. Moon. 2018. Climate over the Korean Peninsula: Heat wave, cold wave, drought, and ocean warming. Journal of Science and Science Education. 43(1):13-22
Lee, N.Y., and Y.S. Cho. 2015. Estimation of the medical costs incurred by the elderly in Korea due to heat waves and analysis of the causes for expenditure. Journal of Environmental Policy and Administration. 23(2):153-172
Lee, S.H., J.S. Ahn, H.D. Kim, and S.J. Hwang. 2009. Comparison study on the estimation algorithm of Land Surface Temperature for MODIS data at the Korean Peninsula. Journal of the Environmental Sciences. 18(4):355-367

원문보기 상세보기
Lee, Y.G., S.J. Kim. 2016. The modified SEBAL for mapping daily spatial evapotranspiration of South Korea using three flux towers and Terra MODIS data. Remote Sensing. 8(12):983.

상세보기
Lee, Y.G., S.H. Kim, S.R. Ahn, M.H. Choi, K.S. Lim, and S.J. Kim. 2015. Estimation of spatial evapotranspiration using Terra MODIS satellite image and SEBAL model - A Case of Yongdam dam watershed -. Journal of the Korean Association of Geographic Information Studies. 18(1):90-104

원문보기 상세보기
Mcmillin, L.M. 1975. Estimation of sea surface temperatures from two infrared window measurements with different absorption. Oceans. 80(36):5113-5117.

상세보기
Min, J.S., M.H. Lee, J.B. Jee, and M. Jang. 2016. A study of the method for estimating the missing data from weather measurement instrument. Journal of Digital Convergence. 14(8):245-252
Moriasi, D.N., J.G. Arnold, M.W. Van Liew, R.L. Binger, R.D. Harmel, and T.L. Veith, 2007. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE. 50(3):885-900.

상세보기
NEMA(National Emergency Management Agency). 2013. Natural disaster yearbook. p.33-34
Neteler, M. 2010. Estimating daily land surface temperatures in mountainous environments by reconstructed MODIS LST data. Remote Sensing. 2(1):333-351.

상세보기
NIMR(National Institute of Meteorological Sciences). 2018. Climate change over 100 years on the Korean Peninsula.
Park, S.Y. 2009. Estimating air temperature over mountainous terrain by combining hypertemporal satellite LST data and multivariate geostatistical methods. Journal of the Korean Geographical Society. 44(2):105-121
Price, J.C. 1984. Land surface temperature measurements from the split window channels of the NOAA 7 Advanced Very High Resolution Radiometer. Journal of Geophysical Research: Atmospheres. 89(5):7231-7237.

상세보기
Park, K.H., B.G. Song, and J.E. Park. 2016. Analysis on the effects of land cover types and topographic features on heat wave days. Journal of the Korean Association of Geographic Information Studies. 19(4):76-91

원문보기 상세보기
Prihodko L., and S.N. Goward. 1997. Estimation of air temperature from remotely sensed surface observations. Remote Sensing of Environment. 60(3):335-346.

상세보기
Seguin, B. 1991. Use of surface temperature in agrometeorology. Applications of Remote Sensing to Agrometeorology. p.221-240.
Shin, H.S., E.M. Chang, and S.W. Hong. 2014. Estimation of near surface air temperature using MODIS Land Surface Temperature data and geostatistics. Journal of Korea Spatial Information Society. 22(1):55-63
Suga, Y., H. Ogawa, K. Ohno, and K. Yamada. 2003. Detection of surface temperature from Landsat-7/ETM+. Advances in Space Research. 32(11):2235-2240.

상세보기
Suh, E.H. 2018. IBM SPSS Statistics. Free Academy Inc., South Korea, p.203-204
Snyder, W.C., Z. Wan, Y. Zhang, and Y.Z. Feng. 1998. Classification-based emissivity for land surface temperature measurement from space. International Journal of Remote Sensing. 19(14):2753-2774.

상세보기
Vancutsem, C., P., Ceccato, T., Dinku, and S.J., Connor. 2010. Evaluation of MODIS land surface temperature data to estimate air temperature in different ecosystems over Africa. Remote Sensing of Environment. 114(2):449-465.

상세보기
Wan, Z., and J. Dozier. 1996. A generalized split-window algorithm for retrieving Land-Surface Temperature from space. IEEE Transactions on Geoscience and Remote Sensing. 34(4):892-905.

상세보기
Wan, Z. 1997. Land Surface Temperature measurements from EOS MODIS data.
Wan, Z. 1999. MODIS Land-Surface Temperature Algorithm Theoretical Basis Document (LST ATBD). p.13-17.
Yan, H., J. Zhang, Y. Hou, and Y. He. 2009. Estimation of air temperature from MODIS data in east China. International Journal of Remote Sensing. 30(23):6261-6275.

상세보기
Yang, Y.Z., W.H. Cai, and J. Yang. 2017. Evaluation of MODIS Land Surface Temperature data to estimate nearsurface air temperature in northeast China. Remote Sensing. 9(5):410.

상세보기
Yoo, C.H., J.H. Im, S.Y. Park, and L.J. Quackenbush. 2018. Estimation of daily maximum and minimum air temperatures in urban landscapes using MODIS time series satellite data. ISPRS Journal of Photogrammetry and Remote Sensing. 137(1):149-162

상세보기
Yoon, M.H., and T.M. Ahn. 2009. An application of satellite image analysis to visualize the effects of urban green areas on temperature. Journal of the Korean Institute of Landscape Architecture. 37(3):46-53
Zeng, L., B.D. Wardlow, T. Tadesse, J. Shan, M.J. Hayes, D. Li, and D. Xiang. 2015. Estimation of daily air temperature based on MODIS Land Surface Temperature products over the corn belt in the US. Remote Sensing. 7(1):951-970.

상세보기

저자의 다른 논문 :

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