[논문]수정된 KGE 방법을 활용한 지점, 인공위성, 재분석 자료 기반 증발산 융합 기술

백종진; 정재환; 박종민; 최민하

doi:10.3741/jkwra.2019.52.1.61

[국내논문] 수정된 KGE 방법을 활용한 지점, 인공위성, 재분석 자료 기반 증발산 융합 기술
Merging technique for evapotranspiration based on in-situ, satellite, and reanalysis data using modifed KGE fusion method 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.52 no.1, 2019년, pp.61 - 70

백종진 (성균관대학교 건설환경연구소) , 정재환 (성균관대학교 수자원전문대학원) , 박종민 (메릴랜드대학교 건설환경공학과) , 최민하 (성균관대학교 수자원전문대학원)

초록
AI-Helper

실제증발산 자료를 융합하기 위한 Modified Kling-Gupta efficiency Fusion (KGF)방법을 제시하였고, 인공위성 및 재분석 증발산 자료인 Global Land Data Assimilation System (GLDAS), Global Land Evaporation Amsterdam Model (GLEAM), MODIS Global Evapotranspiration Project (MOD16)를 활용하여 Simple Taylor skill's Score (STS)와 비교하였다. 한반도와 중국의 세가지 land cover type(i.e., cropland, grassland, forest)을 가진 flux tower에서 비교 검증을 실시하였다. 실제증발산의 융합 방법인 STS와 KGF로 계산된 가중치의 결과를 확인하면, cropland와 grassland에서 재분석 자료(GLDAS, GLEAM)가 높은 가중치 영향을 나타내지만, forest에서 융합 방법에 따라 가중치 영향이 다르게 나타났다. 전반적으로 실제증발산 융합 방법 적용 결과의 비교에서는 cropland에서는 융합에 사용된 자료에 비하여 높은 개선이 이뤄지지 않았지만, grassland와 forest 에서는 개선이 이뤄졌다. 두 방법 중 KGF의 결과가 STS의 결과에 비하여 약간 개선되는 결과를 나타내었다.

Abstract ▼ AI-Helper

The modified Kling-Gupta efficiency fusion method to merge actual evapotranspiration was proposed and compared with the simple Taylor skill's score method using Global Land Data Assimilation System (GLDAS), Global Land Evaporation Amsterdam Model (GLEAM), MODIS Global Evapotranspiration Project (MOD16), and the flux tower on three different land cover types over the Korean peninsula and China. In the results of the weights estimated from two actual evapotranspiration merging techniques (i.e., STS and KGF), the weights of reanalysis data (i.e, GLDAS and GLEAM) in cropland and grassland showed similar performance, while the results of weights are different according to the merging techniques in forest. Both two merging techniques showed better results than original dataset in grassland and forest. However, there were no improvement in cropland compared to the other land cover types. The results of the KGF method slightly improved compared to those of the STS in grassland and forest.

주제어

표/그림 (8)

그림 Fig. 1. Location map of the study sites
표 Table 1. Information of flux tower sites used in this study
표 Table 2. Information of reanalysis- and satellite based datasets in this study
표 Table 3. Statistical methods for error evaluation
그림 Fig. 2. Time series of satellite- and reanalysis-datasets with flux tower at three different land cover types; a) cropland, b) grassland, and c) forest areas
그림 Fig. 3. Statistical analysis of seasonal ET of satellite- and reanalysis datasets with flux tower at three different land cover types; a) cropland, b) grassland, and c) forest areas
그림 Fig. 4. Bar chart of weighting factor results from the STS and KGF methods at three different land cover types; a) cropland, b) grassland, and c) forest areas
그림 Fig. 5. Radar chart of statistical analysis of satellite- and reanalysis ET product with merged ET dataset at three different land cover types; a) cropland, b) grassland, and c) forest areas

AI 본문요약
AI-Helper

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

문제 정의

(2017)에서 제안된 Simple Taylor skill’s Score(STS)를 이용하여 융합한 증발산 자료와 비교하여 modified Kling-Gupta efficiency (KGE)를 기반으로 융합하는 방법인 KGE Fusion (KGF) 방법을 제안하고자 하였다. 두 가지 방법을 통해 융합된 증발산을 비교함으로써 기존 STS 방법과 KGF 방법 간의 차이를 확인해보고, 융합 방법의 적절성에 대해서 평가해보고자 하였다. 인공위성 자료인 MOD16, 재분석 자료인 GLDAS, GLEAM 자료들을 한반도와 중국의 7개 flux tower 지점에서 세 가지의 land cover type에 따라 비교 및 검증을 실시하였다.
본 연구에서 Yao et al. (2017)가 제안한 Taylor skill score (TS) 방법을 기반으로 한 Simple TS (STS)방법을 적용하여 융합 실제증발산을 산정하고자 하였다.
본 연구에서 각 토지피복의 차이에 따른 융합방법을 적용한 실제증발산의 결과의 차이를 확인하기 위하여, 중국과 한국에서 이용 가능한 플럭스타워(flux tower) 지점을 파악하였다. 동북아시아 영역에서 주요 토지피복에 해당하는 농경지(cropland), 초지(grassland), 산림지(forest)를 기준으로 구분하였으며, 최소 3년 이상이 실제증발산이 연속적으로 관측되는 지점만을 선별하였다(Fig.
본 연구에서는 증발산 자료의 융합 방법을 다루었으며, 최근 Yao et al. (2017)에서 제안된 Simple Taylor skill’s Score(STS)를 이용하여 융합한 증발산 자료와 비교하여 modified Kling-Gupta efficiency (KGE)를 기반으로 융합하는 방법인 KGE Fusion (KGF) 방법을 제안하고자 하였다.

제안 방법

, 2018a; 2018b)에서 검증 및 비교가 많이 이루어진 재분석 자료(GLDAS, GLEAM)와 인공위성 기반 자료(MOD16)를 사용하였다(Table 2). 각 자료들은 본 연구 지역의 연구기간에 맞도록 자료를 수집하였다. 또한, 본 연구에서 사용된 자료들은 제공되는 시간해상도가 각각 다르기 때문에, MOD16의 자료의 시간해상도에 맞도록 GLDAS, GLEAM, flux tower의 시간해상도를 8일단위로 변환하여 사용하였다.
인공위성 자료인 MOD16, 재분석 자료인 GLDAS, GLEAM 자료들을 한반도와 중국의 7개 flux tower 지점에서 세 가지의 land cover type에 따라 비교 및 검증을 실시하였다. 다음으로 융합 방법을 적용하기 전에 각각의 방법에서 계산되는 융합 가중치에 대한 결과를 나타내었으며, 최종적으로 KGF와 STS 방법의 산정된 결과에 대한 비교 및 분석을 실시하였다.
본 연구에서 각 토지피복의 차이에 따른 융합방법을 적용한 실제증발산의 결과의 차이를 확인하기 위하여, 중국과 한국에서 이용 가능한 플럭스타워(flux tower) 지점을 파악하였다. 동북아시아 영역에서 주요 토지피복에 해당하는 농경지(cropland), 초지(grassland), 산림지(forest)를 기준으로 구분하였으며, 최소 3년 이상이 실제증발산이 연속적으로 관측되는 지점만을 선별하였다(Fig.1 and Table 1). 한반도에서는 한국수자원조사기술원(Korea Institute of Hydrological Survey,KIHS)에서 기기 관리 및 품질관리를 하고 있는 논경지 지역의 청미천(cheong micheon farm landed site, CFK)과 산림지역의설마천(koflux seolmacheon site, SMK) 플럭스 타워 증발산 자료를 사용하였으며, 중국에서는 Asiaflux( 각 자료들은 본 연구 지역의 연구기간에 맞도록 자료를 수집하였다. 또한, 본 연구에서 사용된 자료들은 제공되는 시간해상도가 각각 다르기 때문에, MOD16의 자료의 시간해상도에 맞도록 GLDAS, GLEAM, flux tower의 시간해상도를 8일단위로 변환하여 사용하였다. 각 자료에 대한 자세한 설명은 참고문헌들(Baik etal.

본 연구는 새롭게 제안하는 실제증발산 융합 방법인 KGF와 기존의 융합 방법인 STS와의 비교 및 검증을 위해 한반도와 중국에서 활용 가능한 flux tower자료와 재분석/인공위성자료인 GLDAS, GLEAM, MOD16을 활용하여, 각 land cover type에 대한 비교 및 분석을 실시하였다. 먼저, 각 flux tower와 재분석/인공위성 실제증발산 자료의 연구기간동안 시계열적 거동을 파악하였다. 각 재분석/인공위성 자료들은 land cover type에 따라서 다른 거동을 나타내는 것으로 확인되었다.

본 연구는 새롭게 제안하는 실제증발산 융합 방법인 KGF와 기존의 융합 방법인 STS와의 비교 및 검증을 위해 한반도와 중국에서 활용 가능한 flux tower자료와 재분석/인공위성자료인 GLDAS, GLEAM, MOD16을 활용하여, 각 land cover type에 대한 비교 및 분석을 실시하였다. 먼저, 각 flux tower와 재분석/인공위성 실제증발산 자료의 연구기간동안 시계열적 거동을 파악하였다.

본 연구에서 융합실제증발산을 산정하기 위하여 각각의 land cover type (cropland, grassland, forest)에 대해서 두 가지 융합방법(STS와 KGF)을 이용하여 가중치(Eqs. (2) and (6))를 계산하여 나타내었다(Fig.

Cropland와는 다르게 융합방법의 결과가 융합에 사용된 자료보다 일치도와 상관성, 오차 정도가 개선된 것을 확인하였으며, 융합방법간의 비교에서는 본 연구에서 제안한 KGF방법이 STS방법에 비해 약간 더 좋은 결과를 나타내었다. 본 연구에서 제안한 융합방법인 KGF방법은 STS방법과 같이 물리학적인 의미를 가진 융합방법이 아닌 통계학적 기법을 이용하기 때문에 실질적으로 재분석/인공위성 자료를 보정 및 수정할 수 없을뿐더러, 두 방법 모두 기준이 되는 실측 지점자료와의 관계를 필요하게 된다. 따라서, 추후연구에서는 실측 지점 자료와의 관계를 필요치 않는 융합기술을 개발함으로써, 한정된 지역이 아닌 광범위한 지역에서 활용할 수 있는 기술 개발을 할 계획이다.

본 연구에서는 인공위성(재분석)자료와 지점자료와의 선형 상관관계(r), 편향비(bias ratio, β), 변동성(variability, α)를 고려하는 modified Kling-Gupta efficiency (KGE’, Klinget al., 2012)를 활용하여 융합 방법인 Modified Kling-Gupta efficiency Fusion (KGF)을 제안하였다(Eq.

org/)에서 관리하고 있는 5개(cropland: YCS, grassland: Du2, Cng, forest: CBS, Cha) 플럭스 타워 증발산 자료를 활용하였다(Table 1). 에디공분산법(eddy covariance method) 기반으로 관측하는 flux tower 자료는 고유한 가정 사항으로 인한 오차와 결측 문제가 있기 때문에, 각 flux tower에서 품질 보정이 된 자료를 활용하였다. 각 플럭스 타워에 대한 자세한 설명은 Wang et al.
두 가지 방법을 통해 융합된 증발산을 비교함으로써 기존 STS 방법과 KGF 방법 간의 차이를 확인해보고, 융합 방법의 적절성에 대해서 평가해보고자 하였다. 인공위성 자료인 MOD16, 재분석 자료인 GLDAS, GLEAM 자료들을 한반도와 중국의 7개 flux tower 지점에서 세 가지의 land cover type에 따라 비교 및 검증을 실시하였다. 다음으로 융합 방법을 적용하기 전에 각각의 방법에서 계산되는 융합 가중치에 대한 결과를 나타내었으며, 최종적으로 KGF와 STS 방법의 산정된 결과에 대한 비교 및 분석을 실시하였다.

대상 데이터

기존의 융합 기술과 본 연구에서 제안한 융합기술에 대한평가를 위하여 다양한 재분석/인공위성 기반의 증발산 자료들을 활용하였다. 본 연구에서 활용한 실제증발산 자료는 기존선행 연구들(Baik et al.
기존의 융합 기술과 본 연구에서 제안한 융합기술에 대한평가를 위하여 다양한 재분석/인공위성 기반의 증발산 자료들을 활용하였다. 본 연구에서 활용한 실제증발산 자료는 기존선행 연구들(Baik et al., 2018a; 2018b)에서 검증 및 비교가 많이 이루어진 재분석 자료(GLDAS, GLEAM)와 인공위성 기반 자료(MOD16)를 사용하였다(Table 2). 각 자료들은 본 연구 지역의 연구기간에 맞도록 자료를 수집하였다.
1 and Table 1). 한반도에서는 한국수자원조사기술원(Korea Institute of Hydrological Survey,KIHS)에서 기기 관리 및 품질관리를 하고 있는 논경지 지역의 청미천(cheong micheon farm landed site, CFK)과 산림지역의설마천(koflux seolmacheon site, SMK) 플럭스 타워 증발산 자료를 사용하였으며, 중국에서는 Asiaflux(http://asiaflux.net/)와 Chinaflux(http://chinaflux.org/)에서 관리하고 있는 5개(cropland: YCS, grassland: Du2, Cng, forest: CBS, Cha) 플럭스 타워 증발산 자료를 활용하였다(Table 1). 에디공분산법(eddy covariance method) 기반으로 관측하는 flux tower 자료는 고유한 가정 사항으로 인한 오차와 결측 문제가 있기 때문에, 각 flux tower에서 품질 보정이 된 자료를 활용하였다.

데이터처리

각각 다른 land cover type에서 flux tower와 인공위성/재분석 자료 간에 각 계절별(겨울, 봄, 여름, 가을) 정량적 비교를 위해 통계 분석 방법(Bias, MAE, RMSE, R, IOA, TS)을 이용하여 Fig. 3에 나타내었다. Fig.
세 land cover type에 대한 STS와 KGF가중치 결과를 확인하면, cropland와 grassland에서는 각각 GLEAM과 GLDAS는 약 38%∼44% 정도의 가중치가 고려되었으며, forest에서는 융합방법에 따라서 MOD16의 가중치가 다르게 고려되었다. 두 융합방법(STS, KGF)으로 계산된 가중치를 적용하여 산정된 융합실제증발산 결과와 재분석/인공위성자료를 flux tower와 비교/분석을 실시하였다. Cropland에서는 RMSE, MAE, IOA, R, TS의 결과는 KGF(0.
자료간의 계절별 통계를 실시한 결과, cropland와 grassland에서는 재분석 자료의 결과가 flux tower와 근접한 것으로 나타내었으며, forest의 경우에서는 MOD16의 결과가 flux tower의 결과와 근접한 결과를 나타내었으며, 전반적으로, 겨울과 여름에서는 재분석/인공위성의 결과는 flux tower와 상관성 및 일치도가 낮은 반면 봄과 가을에는 높은 결과를 나타내었다. 마지막으로, 본 연구에서 세 land cover type으로 구분하여 융합방법인 STS와 KGF의 가중치 계산 결과와 이로 인한 융합된 실제증발산에 대한 결과를 flux tower와 비교 검증을 실시하였다. 세 land cover type에 대한 STS와 KGF가중치 결과를 확인하면, cropland와 grassland에서는 각각 GLEAM과 GLDAS는 약 38%∼44% 정도의 가중치가 고려되었으며, forest에서는 융합방법에 따라서 MOD16의 가중치가 다르게 고려되었다.
본 연구에서는 각 실제증발산 자료와 융합방법의 결과를 비교 및 검증하기 위하여 Table 3에 나타낸 통계 기법을 이용하여 비교 검증을 실시하였다.

성능/효과

Cropland에서 두 flux tower(CFK, YCS)의 평균 STS(KGF) 가중치는 GLEAM(0.386)>GLDAS(0.350)>MOD16(0.264) (GLEAM(0.401)>GLDAS(0.314)>MOD16(0.286))의 결과를 나타내었으며, 두 flux tower에서 GLEAM은 약 38∼40% 가중치, GLDAS는 약 31∼35%, MOD16은 약 26∼29%의 영향을 보였다.
868)로 KGF>STS>MOD16>GLEAM>GLDAS 순의 결과가 나타났다. Cropland와는 다르게 융합방법의 결과가 융합에 사용된 자료보다 일치도와 상관성, 오차 정도가 개선된 것을 확인하였으며, 융합방법간의 비교에서는 본 연구에서 제안한 KGF방법이 STS방법에 비해 약간 더 좋은 결과를 나타내었다. 본 연구에서 제안한 융합방법인 KGF방법은 STS방법과 같이 물리학적인 의미를 가진 융합방법이 아닌 통계학적 기법을 이용하기 때문에 실질적으로 재분석/인공위성 자료를 보정 및 수정할 수 없을뿐더러, 두 방법 모두 기준이 되는 실측 지점자료와의 관계를 필요하게 된다.
3에 나타내었다. Fig. 3에서 볼 수 있듯이, 상관성 및 적합성을 나타내는 통계결과(IOA, R, TS)에서 봄과 가을에는 겨울과 여름에 비하여 인공위성/재분석 자료의 상관성 및 적합성이 높아지는 것을 확인 할 수 있다. 계절별 RMSE와 MAE의 경향을 보면, 겨울에서 여름을 갈수록 실제증발산이 증가함에 따라서 오차도 커지다가 가을에 들어서면서 다시 감소하는 추세를 나타내었다.
Fig. 5에 나타낸 결과의 종합적인 결과를 분석하면, cropland에서 가장 적절성이 있는 자료의 순위는 GLEAM>KGF>STS>GLDAS>MOD16 순으로 나타났으며, 재분석 자료인 GLEAM (CFK), GLDAS (YCS)와 비교하였을 때, 융합 방법을 적용한 두 융합실제증발산(STS, KGF)의 결과는 각 지점에서 개선되는 정도가 미미한 것으로 나타났다.
2는 연구기간동안 다른 land cover type에서 각각 flux tower와 재분석/인공위성(GLDAS, GLEAM, MOD16)의 월별 평균 시계열 분포의 경향을 나타내었다. Flux tower로 관측되는 실제증발산 값을 참값으로 가정하였을 때, flux tower의 월별 평균 실제증발산에 비하여 GLDAS 월별 평균 실제증발산의 결과는 YCS를 제외한 나머지 flux tower 과대 추정되는 경향을 나타냈으며, GLEAM 월별 평균 실제증발산의 결과는 forest의 flux tower를 제외하고 나머지 land cover type에서는 과소/과대 추정되는 경향을 나타내었으며, MOD16의 월별 평균 실제증발산의 결과에서는 grassland에서 flux tower와 비교하여 과소 추정되는 경향을 보이고, 다른 두 land cover type에서는 각각 flux tower에서 과대/과소 추정되는 경향을 보이고 있다. MOD16의 결과를 확인하면 다른 두 자료(GLDAS, GLEAM)에 비하여 12∼2월 사이에 과대 추정되는 경향을 나타내고 있다.
Grassland에서 두 flux tower(Du2, Cng)의 평균 KGF(STS)의 가중치결과는 GLDAS(0.400)>GLEAM(0.379)>MOD16(0.220)(GLEAM(0.445)>GLDAS(0.404)>MOD16(0.151))의 결과를 나타내었으며, 두 flux tower에서 GLEAM은 약 38∼44%가중치, GLDAS는 약 40%, MOD16은 약 15∼22%의 영향을 보였다.
Grassland에서 가장 적절성이 있는 자료의 순위는 STS>KGF>GLEAM>GLDAS>MOD16 순의 결과를 나타내었다. Grassland에서 두 융합방법(KGF, STS)의 통계결과를 확인하면, KGF가 약간 개선되었으며, 두 융합방법의 결과는 거의 근소한 차이 근소한 차이를 나타냈지만, 기존 재분석/인공위성 자료와 비교하여 오차 및 적절성/적합도가 개선된 것으로 확인되었다. 마지막으로 forest에서 통계결과를 확인하면 융합실제증발산 자료와 기존자료들과 비교하였을 때, 통계적으로 계산된 것을 확인할 수 있고, 가장 적절성이 있는 자료의 순위로는 KGF>STS>MOD16>GLEAM>GLDAS 순과 같은 결과를 나타내었다.
먼저, 각 flux tower와 재분석/인공위성 실제증발산 자료의 연구기간동안 시계열적 거동을 파악하였다. 각 재분석/인공위성 자료들은 land cover type에 따라서 다른 거동을 나타내는 것으로 확인되었다. 자료간의 계절별 통계를 실시한 결과, cropland와 grassland에서는 재분석 자료의 결과가 flux tower와 근접한 것으로 나타내었으며, forest의 경우에서는 MOD16의 결과가 flux tower의 결과와 근접한 결과를 나타내었으며, 전반적으로, 겨울과 여름에서는 재분석/인공위성의 결과는 flux tower와 상관성 및 일치도가 낮은 반면 봄과 가을에는 높은 결과를 나타내었다.
3에서 볼 수 있듯이, 상관성 및 적합성을 나타내는 통계결과(IOA, R, TS)에서 봄과 가을에는 겨울과 여름에 비하여 인공위성/재분석 자료의 상관성 및 적합성이 높아지는 것을 확인 할 수 있다. 계절별 RMSE와 MAE의 경향을 보면, 겨울에서 여름을 갈수록 실제증발산이 증가함에 따라서 오차도 커지다가 가을에 들어서면서 다시 감소하는 추세를 나타내었다. 계절별 Bias 측면에서 보면,forest에서는 대체적으로 재분석/인공위성 자료가 과대 산정되는 경향을 보이는 반면에 다른 두 land cover type에서는 자료의 특성에 따라서 과대 및 과소 산정되는 경향을 나타내었다.
마지막으로 forest에서 통계결과를 확인하면 융합실제증발산 자료와 기존자료들과 비교하였을 때, 통계적으로 계산된 것을 확인할 수 있고, 가장 적절성이 있는 자료의 순위로는 KGF>STS>MOD16>GLEAM>GLDAS 순과 같은 결과를 나타내었다.
마지막으로, forest에서 세 flux tower(SMK, CBS, Cha)의 평균 KGF(STS) 가중치는 MOD16(0.375)>GLEAM(0.356)>GLDAS(0.269) (GLEAM(0.344)>GLDAS(0.342)>MOD16(0.328))로 GLEAM은 약 34∼38% 가중치, GLDAS는 약 34∼36%, MOD16은 약 32∼38%의 영향 나타내었다(Fig. 4).
868)에 비하여 근소하게 높은 것으로 나타났다. 본 연구에서 융합실제증발산의 산정을 위하여제안한 KGF와 기존의 STS의 종합적인 결과를 정리하자면,cropland를 제외하고 두 grassland와 forest에서는 실제증발산의 결과가 개선되는 것으로 나타났다. Cropland에서 개선이 적은 이유는 시계열을 보면 파악할 수 있다.
세 land cover type에 대한 STS와 KGF가중치 결과를 확인하면, cropland와 grassland에서는 각각 GLEAM과 GLDAS는 약 38%∼44% 정도의 가중치가 고려되었으며, forest에서는 융합방법에 따라서 MOD16의 가중치가 다르게 고려되었다.
각 재분석/인공위성 자료들은 land cover type에 따라서 다른 거동을 나타내는 것으로 확인되었다. 자료간의 계절별 통계를 실시한 결과, cropland와 grassland에서는 재분석 자료의 결과가 flux tower와 근접한 것으로 나타내었으며, forest의 경우에서는 MOD16의 결과가 flux tower의 결과와 근접한 결과를 나타내었으며, 전반적으로, 겨울과 여름에서는 재분석/인공위성의 결과는 flux tower와 상관성 및 일치도가 낮은 반면 봄과 가을에는 높은 결과를 나타내었다. 마지막으로, 본 연구에서 세 land cover type으로 구분하여 융합방법인 STS와 KGF의 가중치 계산 결과와 이로 인한 융합된 실제증발산에 대한 결과를 flux tower와 비교 검증을 실시하였다.
4). 전반적으로 두 land cover type(cropland와 grassland)에서 두 융합방법(STS, KGF) 모두 GLEAM와 GLDAS 자료가 높은 가중치가 고려되는 반면에 forest에서는 융합방법에 따라서 KGF에서는 MOD16의 영향이 높았으며, STS에서는 세 자료 모두 비슷한 가중치 영향을 나타내는 것을 확인할 수 있다. 이러한 이유는 선행연구들을 통해서 찾을 수 있다.
마지막으로 forest에서 통계결과를 확인하면 융합실제증발산 자료와 기존자료들과 비교하였을 때, 통계적으로 계산된 것을 확인할 수 있고, 가장 적절성이 있는 자료의 순위로는 KGF>STS>MOD16>GLEAM>GLDAS 순과 같은 결과를 나타내었다. 특히, IOA와 RMSE의 결과를 확인하면, KGF의 결과(0.961, 0.569 mm/8day)가 STS(0.936,0.590 mm/8day)에 비하여 오차 및 적합도가 높은 것을 확인할 수 있으며, R와 TS의 결과에서는 STS의 결과(0.938, 0.872)가 KGF의 결과(0.935, 0.868)에 비하여 근소하게 높은 것으로 나타났다. 본 연구에서 융합실제증발산의 산정을 위하여제안한 KGF와 기존의 STS의 종합적인 결과를 정리하자면,cropland를 제외하고 두 grassland와 forest에서는 실제증발산의 결과가 개선되는 것으로 나타났다.

후속연구

본 연구에서 제안한 융합방법인 KGF방법은 STS방법과 같이 물리학적인 의미를 가진 융합방법이 아닌 통계학적 기법을 이용하기 때문에 실질적으로 재분석/인공위성 자료를 보정 및 수정할 수 없을뿐더러, 두 방법 모두 기준이 되는 실측 지점자료와의 관계를 필요하게 된다. 따라서, 추후연구에서는 실측 지점 자료와의 관계를 필요치 않는 융합기술을 개발함으로써, 한정된 지역이 아닌 광범위한 지역에서 활용할 수 있는 기술 개발을 할 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	정확한 증발산량을 산정하는 것이 중요한 이유는 무엇인가?	증발산은 체감하기는 어려우나, 물 순환의 측면에서 보았을 때 강우량의 약 60∼70%를 차지하고 있는 매우 중요한 인자이다. 따라서 정확하지 않은 증발산량 추정은 물 순환을 파악하는 데 있어서 큰 불확실성을 가져오게 되므로, 정확한 증발산량을 산정하는 것이 중요하다(Seo et al., 2017).
	수문기상인자를 최적화하는 것이 필요한 이유는 무엇인가?	일반적으로 수문기상인자들은 나라, 지역, 식생 등에 따른 특성에 의한 영향을 크게 받으므로 인공위성, 지점, 모델 등 관측기반이 다른 생산물(Product)들의 정확도가 다르게 나타나게 된다. 이러한 문제점을 개선하기 위해 다양한 방법을 통해 수문기상인자를 최적화하는 연구가 진행되고 있다.
	증발산량을 측정하는 방법은?	증발산량을 측정하기 위한 대표적인 방법으로는 지점에서물의 증발량을 직접 측정하는 Pan증발량, 단순 가정 및 경험식, 물리식 등이 있으며, 증발량을 측정 및 추정함으로써 특정지점에서의 증발량을 규명하고자 하였다(Lee et al., 2011).

참고문헌 (25)

Baik, J., and Choi, M. (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, Vol. 36, No. 1, pp. 375-402.

상세보기
Baik, J., Liaqat, U. W., and Choi, M. (2018a). "Assessment of satellite and reanalysis-based evapotranspiration products with two blending approaches over the complex landscapes and climates of Australia." Agricultural and Forest Meteorology, Vol. 263, pp. 388-398.

상세보기
Baik, J., Jeong, J., and Choi, M. (2018b). "Estimation of the optimal evapotranspiration by using satellite- and reanalysis modelbased evapotranspiration estimations" Journal of Korea Water Resources Association, Vol. 51, No. 3, pp. 273-280.
Baik, J., Park, J., Ryu, D., and Choi, M. (2016). "Geospatial blending to improve spatial mapping of precipitation with high spatial resolution by merging satellite-based and ground-based data". Hydrological Processes, Vol. 30, No. 16, pp. 2789-2803.

상세보기
Cheema, M. J. M., and Bastiaanssen, W. G. M. (2012). "Local calibration of remotely sensed rainfall from the TRMM satellite for different periods and spatial scales in the Indus Basin." International Journal of Remote Sensing, Vol. 33, No. 8, pp. 2603-2627.

상세보기
Chen, S., Chen, J., Lin, G., Zhang, W., Miao, H., Wei, L., Huang, J., and Han, X. (2009). "Energy balance and partition in Inner Mongolia steppe ecosystems with different land use types," Agricultural and Forest Meteorology, Vol. 149, No. 11, pp. 1800-1809.

상세보기
Duan, Z., and Bastiaanssen, W. G. M. (2013). "First results from Version 7 TRMM 3B43 precipitation product in combination with a new downscaling-calibration procedure." Remote Sensing of Environment, Vol. 131, pp. 1-13.

상세보기
Ehret, U., (2003). Rainfall and Flood Nowcasting in Small Catchments Using Weather Radar. Ph. D Thesis. University of Stuttgart, Germany, Germany.
Jeong, J., Baik, J., and Choi, M. (2018) "Estimation of dryness index based on COMS to monitoring the soil moisture status at the Korean peninsula." Journal of Korea Water Resources Association, Vol. 51, No. 2, pp. 89-98.
Khan, M. S., Liaqat, U. W., Baik, J., and Choi, M. (2018). "Stand-alone uncertainty characterization of GLEAM, GLDAS and MOD16 evapotranspiration products using an extended triple collocation approach." Agricultural and Forest Meteorology, Vol. 252, pp. 256-268.

상세보기
Kim, H., Parinussa, R., Konings, A. G., Wagner, W., Cosh, M. H., Lakshmi, V., Zohaib, M., and Choi, M. (2018). "Global-scale assessment and combination of SMAP with ASCAT (active) and AMSR2 (passive) soil moisture products." Remote Sensing of Environment, Vol. 204, pp. 260-275.

상세보기
Kim, K., Baik, J., Lee, J., Lee, Y., Jung, S., and Choi, M. (2016). "An Assessment and Analysis of the Gap-Filling Techniques for Revising Missing Data of Flux Tower based Evapotranspiration-FAO-PM, MDV, and Kalman Filter." The Journal of the Korean Society of Hazard Mitigation, Vol. 16, No. 6, pp. 95-107.
Kim, S., Parinussa, R. M., Liu, Y. Y., Johnson, F. M., and Sharma, A. (2015). "A framework for combining multiple soil moisture retrievals based on maximizing temporal correlation." Geophysical Research Letters, Vol. 42, No. 16, pp. 6662-6670.

상세보기
Kling, H., Fuchs, M., and Paulin, M. (2012). "Runoff conditions in the upper Danube basin under an ensemble of climate change scenarios." Journal of Hydrology, Vol. 424, pp. 264-277.

상세보기
Lee, M. J., Han, K. S., and Kim, I. H. (2011). "Estimation of Actual Evapotranspiration using Multi-Satellite Data over Korea Peninsula." Journal of Korean Society for Geospatial Information System, Vol. 19, No. 4, pp. 145-151.
Liu, C., Shu, S., and Gao, W. (2013). "Improved sensible and latent heat flux estimation of community land model by using ensemble Kalman filter assimilation." In Remote Sensing and Modeling of Ecosystems for Sustainability X (Vol. 8869, p. 886917). International Society for Optics and Photonics. doi: https://doi.org/10.1117/12.2021713.
Mueller, B., Seneviratne, S. I., Jimenez, C., Corti, T., Hirschi, M., Balsamo, G., Ciais, P., Dirmeyer, P., Fisher, J. B., Guo, Z., Jung, M., Maignan, F., McCabe, M. F., Reichle, R., Reichstein, M., Rodell, M., Sheffield, J., Teuling, A.J., Wang, K., Wood, E. F., Zhang, Y. (2011). "Evaluation of global observations-based evapotranspiration datasets and IPCC AR4 simulations." Geophysical Research Letters, Vol. 38, No. 6, L06402.

상세보기
Seo, H., Kim, J., Park, H., and Kim, Y. (2017). "Estimating Evapotranspiration with the Complementary Relationship at Fluxnet Sites Over Asia." Journal of the Korean Society of Civil Engineers, Vol. 37, No. 2, pp. 303-310.

원문보기 상세보기
Shin, S. C., and An, T. Y. (2007). "Development of Estimating Method for Areal Evapotranspiration using Satellite Data." Journal of the Korean Association of Geographic Information Studies, Vol. 10, No. 2, pp. 71-81.
Sun, Z., Wang, Q., Ouyang, Z., Watanabe, M., Matsushita, B., and Fukushima, T. (2007). "Evaluation of MOD16 algorithm using MODIS and ground observational data in winter wheat field in North China Plain." Hydrological Processes: An International Journal, Vol. 21, No. 9, pp. 1196-1206.

상세보기
Vinukollu, R. K., Wood, E. F., Ferguson, C. R., and Fisher, J. B., (2011). "Global estimates of evapotranspiration for climate studies using multi-sensor remote sensing data: evaluation of three process-based approaches." Remote Sensing of Environment, Vol. 115, No. 3, pp. 801-823.

상세보기
Wang, H. M., Saigusa, N., Zu, Y. G., Wang, W. J., Yamamoto, S., and Kondo, H. (2008). "Carbon fluxes and their response to environmental variables in a Dahurian larch forest ecosystem in northeast China." Journal of Forestry Research, Vol. 19, No. 1, pp. 1-10.

상세보기
Yao, Y., Liang, S., Li, X., Zhang, Y., Chen, J., Jia, K., Zhang, X., Fisher, J., Wang, X., Zhang, L., Xu, J., Shao, C., Posee, G., Li, Y., Magliulo, V., Varlagin, A., Moors, E. J., Boike, J., Macfarlane, C., Kato, T., Buchmann, N., Billesbach, D. P., Berimger, J., Wolf, S., Papuga, S. A., Wohlfahrt, G., Montagnani, L., Ardo, J., Paul-Limoges, E., Emmel, C., Hortnagl, L., Sachs, T., Gruening, C., Gioli, B., Lopez-Ballesteros, A., Steinbrecher, R., and Gielen, B. (2017). "Estimation of high-resolution terrestrial evapotranspiration from Landsat data using a simple Taylor skill fusion method." Journal of Hydrology, Vol. 553, pp. 508-526.

상세보기
Yilmaz, M. T., Crow, W. T., Anderson, M. C., and Hain, C. (2012). "An objective methodology for merging satellite-and model-based soil moisture products." Water Resources Research, Vol. 48, No. 11, W11502.

상세보기
Yu, G., Fu, Y., Sun, X., Wen, X., and Zhang, L. (2006). "Recent progress and future directions of ChinaFLUX." Science in China Series D: Earth Sciences, Vol. 49, No. 2, pp. 1-23.

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