[논문]Terra MODIS NDVI 및 LST 자료와 RNN-LSTM을 활용한 토양수분 산정

장원진; 이용관; 이지완; 김성준

doi:10.5389/ksae.2019.61.6.123

[국내논문] Terra MODIS NDVI 및 LST 자료와 RNN-LSTM을 활용한 토양수분 산정
RNN-LSTM Based Soil Moisture Estimation Using Terra MODIS NDVI and LST 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.61 no.6, 2019년, pp.123 - 132

장원진 (Department of Civil, Environmental, and Plant Engineering, Konkuk University) , 이용관 (Department of Civil, Environmental, and Plant Engineering, Konkuk University) , 이지완 (Department of Civil, Environmental, and Plant Engineering, Konkuk University) , 김성준 (School of Civil, Environmental, and Plant Engineering, Konkuk University)

Abstract ▼ AI-Helper

This study is to estimate the spatial soil moisture using Terra MODIS (Moderate Resolution Imaging Spectroradiometer) satellite data and machine learning technique. Using the 3 years (2015~2017) data of MODIS 16 days composite NDVI (Normalized Difference Vegetation Index) and daily Land Surface Temperature (LST), ground measured precipitation and sunshine hour of KMA (Korea Meteorological Administration), the RDA (Rural Development Administration) 10 cm~30 cm average TDR (Time Domain Reflectometry) measured soil moisture at 78 locations was tested. For daily analysis, the missing values of MODIS LST by clouds were interpolated by conditional merging method using KMA surface temperature observation data, and the 16 days NDVI was linearly interpolated to 1 day interval. By applying the RNN-LSTM (Recurrent Neural Network-Long Short Term Memory) artificial neural network model, 70% of the total period was trained and the rest 30% period was verified. The results showed that the coefficient of determination ($R^2$), Root Mean Square Error (RMSE), and Nash-Sutcliffe Efficiency were 0.78, 2.76%, and 0.75 respectively. In average, the clay soil moisture was estimated well comparing with the other soil types of silt, loam, and sand. This is because the clay has the intrinsic physical property for having narrow range of soil moisture variation between field capacity and wilting point.

Keyword

표/그림 (10)

그림 Fig. 1 LSTM soil moisture estimation flow chart
그림 Fig. 2 Terra MODIS data
표 Table 1 Soil moisture observation points location information
표 표 6개소 (OM: 오미동, PB: 포항시 북구, HJ: 황지동, AH: 압해면, SY: 소이면, CI: 처인구)에 대해 수집된 토양수분자료를 도시한 것이다.3. RNN - LSTM기계학습 (Machine learning)은 인공 지능의 한 분야로, 컴퓨터가 데이터를 학습할 수 있도록 하는 알고리즘과 관련 기술들을 말한다. 하드웨어의 발전에 따라 모든 분야에서의 데이터 활용 가능성을 높여주고 있다. 대표적인 학습알고리즘으로는 ANN, DNN (Deep Neural Network), RNN, CNN (Convolutional Neural Network), RBM (Restricted Boltzmann Machine) 등이 있다.여기서 RNN은 셀에서 입력값을 받아 학습하고 셀의 출력값이 다음 스텝에서 다시 입력값이 되는 순환구조를 가지는 인공신경망의 한 종류로 은닉계층에 과거의 데이터를 기억해 학습을 진행해 자연어나 음성신호, 주식, 기상과 같이 연속성을 가지는 시계열 데이터에서 우수한 성능을 보이는 모델이다 (Fig. 4(a)). 특히 시계열 분석에 있어 빠르고 정확한 학습의
그림 Fig. 3 10∼30 cm Soil moisture monitoring station (6 points)
그림 Fig. 4 Machine learning structure (Gers et al., 2002)
그림 Fig. 5 RMSE change according to learning iteration
그림 Fig. 6 Soil moisture Validation scatter plot (Top 3 points, Low 3 points)
표 Table 2 Validation results for estimated soil moisture
그림 Fig. 7 Soil moisture estimation results graph

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 기존 선행연구에서 사용한 0.30∼0.76 (R²). 0.46%∼12.21% (RMSE)의 결과를 보인 MLR을 개선하기 위하여 시계열자료 분석에 특화된 순환신경망 (Recurrent Neural Network, RNN)에서 장기 의존성 문제가 보완된 Long Short Term Memory model (LSTM)을 MODIS NDVI, LST 자료와 기상자료에 적용해 토양수분을 산정하고자 한다.
본 연구에서는 Python 라이브러리 Tensorflow를 기반으로한 RNN-LSTM을 이용해 토양수분산정을 알고리즘을 개발하였다. 입력자료는 2015년∼2017년의 지상 관측자료 (강수량, 지표온도, 일조시간)를 공간분포해 사용하였으며, 지상관측 자료와 동일한 기간의 MODIS 위성의 NDVI, LST를 1 day, 1 km 해상도로 구축하였다.

제안 방법

직접 측정된 자료는 지질 통계학적 접근 방법인 크리깅 (Kriging)기법으로 공간분포 후, 해당 자료와 원격탐사자료와의 편차를 이용해 보다 현실적인 공간자료를 생산한다 (Kim and Jung, 2016). 본 연구에서는 92개 기상 관측 지점에서 수집된 지표면 온도자료를 공간분포하고 MODIS LST자료로부터 지상관측소 지점과 일치하는 지점에서의 LST를 추출하고 추출된 지점 값으로부터 크리깅 기법을 이용해 공간보간을 실시하였다. 그 뒤 잔차를 산정하고, 산정된 잔차에서 지상 LST 자료를 합성해 최종적으로 조건부 결합된 공간 LST자료를 산정하였다.
이 중 결측치나 데이터의 오차가 존재하는 지점을 제외하고 78개소의 자료를 사용하였다 (Table 1). 토양수분 자료는 용적수분함량 (Volumetric Water Content) 또는 TDR방식으로 측정되었으며 지중 10 cm와 30 cm 깊이의 수분자료로 매 시간마다 두 자료의 산술평균으로 토양수분이 산정된다. Fig.
LSTM의 입력 자료로 NDVI, LST, 강수량, 일조시간과 토양수분 총 5개의 자료를 활용하였으며 여기서 위성자료의 경우 LST는 조건부 합성을 통해 결측값을 보간하였으며, NDVI의 경우 16일 시간 해상도를 선형보간을 통해 일일 NDVI자료로 변환하였고 토양수분과 기상 자료의 경우 농촌진흥청에서 제공하는 104개 지점 중 78개의 10 cm∼30 cm 깊이의 실측자료와 기상청에서 제공하는 강수량, 일조시간을 사용하여 공간분포하였다. 5일 간의 입력자료를 이용해 다음날 토양수분을 산정하도록 하였고, 각 토양수분 관측소마다 2015∼2017년자료의 총 기간 중 70%에 해당하는 기간을 20000번씩 반복 학습시켰으며 30%를 검증기간으로 활용하였다. 학습된 LSTM 알고리즘을 토양수분 관측소별로 적용한 결과 평균 결정계수 (R²) 0.

대상 데이터

본 연구에서는 Python 라이브러리 Tensorflow를 기반으로한 RNN-LSTM을 이용해 토양수분산정을 알고리즘을 개발하였다. 입력자료는 2015년∼2017년의 지상 관측자료 (강수량, 지표온도, 일조시간)를 공간분포해 사용하였으며, 지상관측 자료와 동일한 기간의 MODIS 위성의 NDVI, LST를 1 day, 1 km 해상도로 구축하였다. 위성데이터의 공간해상도, 결측값 등에 대한 보정을 위해 조건부합성 (Conditional merging, CM)을 수행하였다 (Fig.
토양수분자료는 농촌진흥청 (weather.rda.go.kr)에서 제공되는 104개 지점의 농업기상자료를 활용하여 토양수분자료를 구축하였다. 이 중 결측치나 데이터의 오차가 존재하는 지점을 제외하고 78개소의 자료를 사용하였다 (Table 1).
kr)에서 제공되는 104개 지점의 농업기상자료를 활용하여 토양수분자료를 구축하였다. 이 중 결측치나 데이터의 오차가 존재하는 지점을 제외하고 78개소의 자료를 사용하였다 (Table 1). 토양수분 자료는 용적수분함량 (Volumetric Water Content) 또는 TDR방식으로 측정되었으며 지중 10 cm와 30 cm 깊이의 수분자료로 매 시간마다 두 자료의 산술평균으로 토양수분이 산정된다.
본 연구에서는 농촌진흥청의 78개 지점에 대하여 LSTM 알고리즘을 적용하여 토양수분자료를 산정하였다. 토양수분 산정에 사용한 입력자료는 조건부합성을 통해 결측값이 보간된 LST, 선형보간으로 생성된 일별 NDVI, 일조시간, 강수자료를 사용하였다. LSTM 모형의 적용성 평가를 위해 결정계수 (coefficient of determination, R²), RMSE, NSE 모형효율성 계수 (Nash-Sutcliffe Efficiency, NSE)로 비교하였다.
7버전 Tensorflow를 이용하여 LSTM을 구축하였다. LSTM의 입력 자료로 NDVI, LST, 강수량, 일조시간과 토양수분 총 5개의 자료를 활용하였으며 여기서 위성자료의 경우 LST는 조건부 합성을 통해 결측값을 보간하였으며, NDVI의 경우 16일 시간 해상도를 선형보간을 통해 일일 NDVI자료로 변환하였고 토양수분과 기상 자료의 경우 농촌진흥청에서 제공하는 104개 지점 중 78개의 10 cm∼30 cm 깊이의 실측자료와 기상청에서 제공하는 강수량, 일조시간을 사용하여 공간분포하였다. 5일 간의 입력자료를 이용해 다음날 토양수분을 산정하도록 하였고, 각 토양수분 관측소마다 2015∼2017년자료의 총 기간 중 70%에 해당하는 기간을 20000번씩 반복 학습시켰으며 30%를 검증기간으로 활용하였다.

데이터처리

(2017)은 Stepwise 방법을 이용하여 NDVI, LST, 일조시간, 5일 강수량을 순차 적용하여 회귀식에 가장 지배적인 영향을 주는 인자를 도출한 결과 모든 독립변수를 사용하였을 때 가장 좋은 상관성을 나타냄을 확인한 바 있다. 산정 알고리즘은 3개의 층을 가지는 다층구조 LSTM을 Python 오픈소스 라이브러리 Tensorflow를 이용하여 작성되었으며 은닉층 (Hidden Layer)의 개수는 10개, 배치크기 (Sequence length)는 5, 학습 정도의 지표는 평균제곱근오차 (Root Mean Square Error, RMSE)를 최적화 방법은 지표의 감소속도가 빠른 AdamOptimizer를 사용하였다. 여기서 배치 크기는 토양수분 산정을 위해 입력되는 시계열 자료의 개수로 값이 3인 경우 3일간의 자료를 이용해 하루의 토양수분을 산정을 의미한다.
토양수분 산정에 사용한 입력자료는 조건부합성을 통해 결측값이 보간된 LST, 선형보간으로 생성된 일별 NDVI, 일조시간, 강수자료를 사용하였다. LSTM 모형의 적용성 평가를 위해 결정계수 (coefficient of determination, R²), RMSE, NSE 모형효율성 계수 (Nash-Sutcliffe Efficiency, NSE)로 비교하였다. 여기서 R², NSE의 경우는 1에 가까울수록, RMSE의 경우 0에 가까울수록 실측값과 산정값이 좋은 상관성을 가짐을 의미한다.

이론/모형

조건부합성은 기상분야에서 강우량 산정을 위해 사용되었던 기법으로 레이더나 위성자료에서 측정된 분포패턴과 직접 측정된 강우량을 합성하는데 사용된다. 직접 측정된 자료는 지질 통계학적 접근 방법인 크리깅 (Kriging)기법으로 공간분포 후, 해당 자료와 원격탐사자료와의 편차를 이용해 보다 현실적인 공간자료를 생산한다 (Kim and Jung, 2016). 본 연구에서는 92개 기상 관측 지점에서 수집된 지표면 온도자료를 공간분포하고 MODIS LST자료로부터 지상관측소 지점과 일치하는 지점에서의 LST를 추출하고 추출된 지점 값으로부터 크리깅 기법을 이용해 공간보간을 실시하였다.
본 연구에서는 농촌진흥청의 78개 지점에 대하여 LSTM 알고리즘을 적용하여 토양수분자료를 산정하였다. 토양수분 산정에 사용한 입력자료는 조건부합성을 통해 결측값이 보간된 LST, 선형보간으로 생성된 일별 NDVI, 일조시간, 강수자료를 사용하였다.
본 연구에서는 윈도우 기반의 파이썬 (Python) 3.7버전 Tensorflow를 이용하여 LSTM을 구축하였다. LSTM의 입력 자료로 NDVI, LST, 강수량, 일조시간과 토양수분 총 5개의 자료를 활용하였으며 여기서 위성자료의 경우 LST는 조건부 합성을 통해 결측값을 보간하였으며, NDVI의 경우 16일 시간 해상도를 선형보간을 통해 일일 NDVI자료로 변환하였고 토양수분과 기상 자료의 경우 농촌진흥청에서 제공하는 104개 지점 중 78개의 10 cm∼30 cm 깊이의 실측자료와 기상청에서 제공하는 강수량, 일조시간을 사용하여 공간분포하였다.

성능/효과

또한, 토양수분은 토양 종류 혹은 속성에 따라 그 범위와 변화 특성이 다른데 이에 대한 차이를 분석하기 위해 검증결과를 토양별로 분석한 결과 Clay가 가장 우수하게 나타났으며, 배수능이 떨어질수록 즉, 토양이 토양수분의 변화에 비교적 덜 민감한 경우 알고리즘의 정확도가 높게 나타났다(Table 2).
5일 간의 입력자료를 이용해 다음날 토양수분을 산정하도록 하였고, 각 토양수분 관측소마다 2015∼2017년자료의 총 기간 중 70%에 해당하는 기간을 20000번씩 반복 학습시켰으며 30%를 검증기간으로 활용하였다. 학습된 LSTM 알고리즘을 토양수분 관측소별로 적용한 결과 평균 결정계수 (R²) 0.78, 모형 효율계수 (NSE) 0.75, 평균제곱근편차 (RMSE) 2.76%를 보여 모든 지점에서 높은 정확도를 보였고, 특히 토양의 수분 변화에 비교적 덜 민감한 토양인 Clay에 가까울수록 상관성이 높게 나타났다.
여기서 R², NSE의 경우는 1에 가까울수록, RMSE의 경우 0에 가까울수록 실측값과 산정값이 좋은 상관성을 가짐을 의미한다. Table 2는 학습데이터를 이용해 학습된 LSTM 알고리즘을 각 관측소의 검증데이터에 적용하여 산정된 토양수분 값의 통계 결과로 76개 지점에 대한 평균 R²는 0.78, NSE와 RMSE는 각각 0.75, 2.76%를 보여 모든 지점에서 통계적으로 유의한 수준인 것으로 분석되었다.
7은 학습결과가 가장 좋은 상위 3개 지점과 하위 3개의 지점에 대해 관측자료와의 1:1 및 시계열 그래프를 도시한 것이다. 학습결과가 가장 우수한 것으로 나타난 오미동 (OM), 압해읍 (AH), 포항 (PB)의 경우 R² , NSE, RMSE가 각각 0.93∼0.97, 0.93∼0.96, 1.83∼1.21%의 범위를 보이며 관측과 산정값이 선형관계를 보였으며 토양수분의 시계열 변화 또한 관측자료와의 패턴을 매우 잘 모의하는 것으로 분석되었다. 반면 하위 3개 지점인 소이면 (SY), 황지동 (HJ), 처인구 (CI)의 경우 각각 R2 , NSE, RMSE가 각각 0.

후속연구

하지만, 관측값에 많은 수의 이상치와, 학습년도와 검증년도의 토양수분 패턴의 변화가 크게 발생했던 관측소의 경우 알고리즘 학습에 영향을 주어 토양수분 산정결과가 검증 값과 상관성이 떨어지는 것으로 관찰되었다. 이러한 학습데이터의 신뢰도와 양이 부족했음에도 불구하고 토양수분의 변화를 잘 모의하고 있으나 추후 연구에서는 알고리즘 정확도 개선과 미계측 지역의 토양수분 산정을 위해 다음과 같은 수정이 필요할 것으로 보인다. 첫째, 앞선 황지동, 처인구 관측소와 같은 패턴의 변화에 따른 알고리즘 성능 저하를 방지하기 위해 학습자료를 기존 방식인 시간 순서에 따른 분할이 아닌 학습기간에 보정기간의 일부분을 혼합하거나 무작위추출 등을 이용해 학습자료를 생성하거나 토양 유형에 따른 토양수분 함양량을 이용해 추가적인 품질관리를 실시하여야 한다.
첫째, 앞선 황지동, 처인구 관측소와 같은 패턴의 변화에 따른 알고리즘 성능 저하를 방지하기 위해 학습자료를 기존 방식인 시간 순서에 따른 분할이 아닌 학습기간에 보정기간의 일부분을 혼합하거나 무작위추출 등을 이용해 학습자료를 생성하거나 토양 유형에 따른 토양수분 함양량을 이용해 추가적인 품질관리를 실시하여야 한다. 둘째, 현재 연구에서 사용된 입력자료는 LST, NDVI, 일조시간, 강수량으로 선행연구에서 제시된 4개의 자료만을 사용하였지만, 토양수분은 풍속, 토양의 물리적 특성 등 다양한 요소에 의해 영향을 받으므로 알고리즘의 성능을 개선과 불확실성을 제거하기 위해 입력자료를 추가해야 한다. 셋째, 알고리즘을 통한 미계측 지역의 토양수분을 산정하기 위해서는 토양수분 관측소들을 토양에 따라 세분류하고 토양별 학습 후 미계측 유역에 해당하는 토양에 해당하는 결과를 적용해야 높은 정확도의 토양수분 결과를 얻을 수 있을 것이다.
둘째, 현재 연구에서 사용된 입력자료는 LST, NDVI, 일조시간, 강수량으로 선행연구에서 제시된 4개의 자료만을 사용하였지만, 토양수분은 풍속, 토양의 물리적 특성 등 다양한 요소에 의해 영향을 받으므로 알고리즘의 성능을 개선과 불확실성을 제거하기 위해 입력자료를 추가해야 한다. 셋째, 알고리즘을 통한 미계측 지역의 토양수분을 산정하기 위해서는 토양수분 관측소들을 토양에 따라 세분류하고 토양별 학습 후 미계측 유역에 해당하는 토양에 해당하는 결과를 적용해야 높은 정확도의 토양수분 결과를 얻을 수 있을 것이다. 본 연구에서 개발된 알고리즘은 지속적인 학습과 검증을 통해 정확도 향상이 가능하며 해당 기술을 바탕으로 향후 기후변화 시나리오를 적용한 토양수분 변화 예측, 미계측유역의 토양수분 산정이 가능할 것으로 판단된다.
셋째, 알고리즘을 통한 미계측 지역의 토양수분을 산정하기 위해서는 토양수분 관측소들을 토양에 따라 세분류하고 토양별 학습 후 미계측 유역에 해당하는 토양에 해당하는 결과를 적용해야 높은 정확도의 토양수분 결과를 얻을 수 있을 것이다. 본 연구에서 개발된 알고리즘은 지속적인 학습과 검증을 통해 정확도 향상이 가능하며 해당 기술을 바탕으로 향후 기후변화 시나리오를 적용한 토양수분 변화 예측, 미계측유역의 토양수분 산정이 가능할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	토양수분 측정 방법에는 무엇이 있는가?	토양수분 측정은 주로 지상관측과 원격탐사로 이뤄지는데, 지상관측으로는 중량법, 중성자법, Time Domain Reflectometer (TDR)법이 있으며 원격탐사에서는 마이크로파 기반의 센서를 이용하거나 가시/근적외선 위성 영상으로부터 토양수분과의 상관관계를 이용해 산정하는 방법이 있다 (Su et al., 2014).
	기계학습의 대표적인 학습알고리즘에는 무엇이 있는가?	하드웨어의 발전에 따라 모든 분야에서의 데이터 활용 가능성을 높여주고 있다. 대표적인 학습알고리즘 으로는 ANN, DNN (Deep Neural Network), RNN, CNN (Convolutional Neural Network), RBM (Restricted Boltzmann Machine) 등이 있다.
	토양수분의 특징은 무엇인가?	토양수분은 토양 입자 간의 공극에 존재하는 물로 양에 따라 토양의 물리적 화학적 속성에 영향을 주는 요소로 지구상 존재하는 물에서 작은 비율을 차지하지만 물순환, 에너지 분포와 지표에서 발생하는 자연현상에 있어 중요한 요소로 작용하며 홍수나 가뭄에도 영향을 끼친다 (Dai et al., 2004).

참고문헌 (27)

Aubert, D., C. Loumagne, and L. Oudin, 2003. Sequential assimilation of soil moisture and streamflow data in a conceptual rainfall-runoff model. Journal of Hydrology 280(1-4): 145-161. doi:10.1016/S0022-1694(03)00229-4.

상세보기
Barling, R. D., I. D. Moore, and R. B. Grayson, 1994. A quasi-dynamic wetness index for characterizing the spatial distribution of zones of surface saturation and soil water content. Water Resources Research 30(4): 1029-1044. doi:10.1029/93WR03346.

상세보기
Dai, A., K. E. Trenberth, and T. Qian, 2004. A global dataset of Palmer Drought Severity Index for 1870-2002: Relationship with soil moisture and effects of surface warming. Journal of Hydrometeorology 5(6): 1117-1130. doi:10.1175/JHM-386.1.

상세보기
Farrar, T. J., S. E. Nicholson, and A. R. Lare, 1994. The influence of soil type on the relationships between NDVI, rainfall, and soil moisture in semiarid Botswana. II. NDVI response to soil moisture. Remote Sensing of Environment 50(2): 121-133. doi:10.1016/0034-4257(94)90039-6.

상세보기
Gers, F. A., N. N. Schraudolph, and J. Schmidhuber, 2002. Learning precise timing with LSTM recurrent networks. Journal of Machine Learning Research 3(Aug): 115-143.
Gillies, R. R., W. P. Kustas, and K. S. Humes, 1997. A verification of the 'triangle' method for obtaining surface soil water content and energy fluxes from remote measurements of the Normalized Difference Vegetation Index (NDVI) and surface. International Journal of Remote Sensing 18(15): 3145-3166. doi:10.1080/014311697217026.

상세보기
Huete, A. R., C. Justice, and W. J. D. van Leeuwen, 1999. MODIS Vegetation Index (MOD13) Algorithm Theoretical Basis Document Version 3.
Hutchinson, J. S., T. J. Vought, and S. L. Hutchinson, 2006. Continuous soil moisture mapping using MODIS NDVI and LST products. Papers and Proceedings of Applied Geography Conferences 29: 140.
Joo, J. Y., M. H. Choi, S. W. Jung, and S. O. Lee, 2010. Prediction of soil moisture using hydrometeorological data in selmacheon. Journal of the Korean Society of Civil Engineers 30(5B): 437-444 (in Korean).
Jung, C. G., Y. G. Lee, Y. H. Cho, and S. J. Kim, 2017. A study of spatial soil moisture estimation using a multiple linear regression model and MODIS Land surface temperature data corrected by conditional merging. Remote Sensing 9(8): 870. doi:10.3390/rs9080870.

상세보기
Kim, B. S., and B. K. Jung, 2016. Flood simulation using the gauge-adjusted radar rainfall and physics-based distributed hydrologic model. Hydrological Processes 22(22): 4400-4414. doi:10.1002/hyp.7043.
Kim, D. S., N. W. Park, N. Kim, K. J. Kim, S. J. Lee, Y. H. Kim, J. W. Kim, D. Y. Shin, Y. H. Cho, and Y. W. Lee, 2017a. Downscaling advanced microwave scanning radiometer 2 (AMSR2) soil moisture data using regression-kriging. Journal of the Korean Cartographic Association 17(2): 99-110 (in Korean). doi:10.4172/2169-0049.1000139.

상세보기
Kim, G. S., and J. P. Kim, 2011. Correlation analysis between soil moisture retrieved from satellite images and ground network measurements. Journal of the Korean Association of Geographic Information Studies 14(2): 69-81 (in Korean). doi:10.11108/kagis.2011.14.2.069.

원문보기 상세보기
Kim, J. Y., and T. S. Hogue, 2011. Improving spatial soil moisture representation through integration of AMSR-E and MODIS products. IEEE Transactions on Geoscience and Remote Sensing 50(2): 446-460. doi:10.1109/TGRS.2011.2161318.
Kim, Y. H., G. J. Kim, S. J. LEE, J. W. Kim, and Y. W. Lee, 2017b. Deep learning-based retrieval of daily 500-m soil moisture for south korea. Journal of The Korean Cartographic Association 17(3): 109-121 (in Korean). doi:10.16879/jkca.2017.17.3.109.

상세보기
Lee, Y. G., C. G. Jung, Y. H. Jo, and S. J. Kim, 2017. Estimation of soil moisture using multiple linear regression model and COMS land surface temperature data. Journal of the Korean Society of Agricultural Engineers 59(1): 11-20(in Korean). doi:10.5389/KSAE.2017.59.1.011.
Narasimhan, B., R. Srinivasan, J. G. Arnold, and M. Di Luzio, 2005. Estimation of long-term soil moisture using a distributed parameter hydrologic model and verification using remotely sensed data. Transactions of the ASAE 48(3): 1101-1113. doi:10.13031/2013.18520.

상세보기
Park, J. A., and G. S. Kim, 2011. Estimation of spatial distribution of soil moisture at Yongdam Dam watershed using artificial neural networks. Journal of the Korean Geographical Society 46(3): 319-330 (in Korean).
Park S. Y., 2003. Evaluation of MODIS land surface temperature as an indicator of the climatic water budget in the central great plains. The Geographical Journal of Korea 37(3): 257-271 (in Korean).
Qiu, Y., B. Fu, J. Wang, and L. Chen, 2003. Spatiotemporal prediction of soil moisture content using multiple-linear regression in a small catchment of the Loess Plateau, China. CATENA 54(1-2): 173-195. doi:10.1016/S0341-8162(03)00064-X.

상세보기
Shin, D. H., K. H. Choi, and C. B. Kim, 2017. Deep learning model for prediction rate improvement of stock price using RNN and LSTM. Journal of Korean Institute of Information Technology 15(10): 9-16 (in Korean). doi:10.14801/jkiit.2017.15.10.9.

상세보기
Su, S. L., D. N. Singh, and M. S. Baghini, 2014. A critical review of soil moisture measurement. Measurement 54: 92-105. doi:10.1016/j.measurement.2014.04.007.

상세보기
Wang, L., J. Wen, T. Zhang, Y. Zhao, H. Tian, X. Wang, R. Liu, J. Zhang, and S. Lu, 2009. Surface soil moisture estimates from AMSR-E observations over an arid area. Hydrology and Earth System Sciences Discussions 6(1): 1055-1087.

상세보기
Wang, Z. M., 1999. MODIS land-surface temperature algorithm theoretical basis document (LST ATBD). Institute for Computational Earth System Science, Santa Barbara, 75.
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. doi:10.1109/36.508406.

상세보기
Wan, Z., P. Wang, and X. Li, 2004. Using MODIS land surface temperature and normalized difference vegetation index products for monitoring drought in the southern Great Plains. International Journal of Remote Sensing 25(1): 61-72. doi:10.1080/0143116031000115328.

상세보기
Zribi, M., N. Baghdadi, N. Holah, and O. Fafin, 2005. New nethodology for soil surface moisture estimation and its application to ENVISAT-ASAR multi-incidence data inversion. Remote Sensing of Environment 96(3-4): 485-496. doi:10.1016/j.rse.2005.04.005.

상세보기

저자의 다른 논문 :

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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