[논문]Landsat 8 영상을 이용한 심층신경망 기반의 지표면온도 산출

김서연; 이수진; 이양원

doi:10.7780/kjrs.2020.36.3.8

Landsat 8 영상을 이용한 심층신경망 기반의 지표면온도 산출
Retrieval of Land Surface Temperature Using Landsat 8 Images with Deep Neural Networks 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.36 no.3, 2020년, pp.487 - 501

김서연 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 이수진 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 이양원 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공)

초록
AI-Helper

이 연구에서는 고해상도 위성영상을 이용하여 지표면 온도를 산출하는 기존의 여러가지 방법 이외에 보다 새로운 접근으로, 인공지능 기반의 심층신경망 기법을 148장의 Landsat 8 영상에 적용하여 우리나라 지표면온도를 산출하고 그 적합성을 평가하였다. Landsat 8 열적외 10번 밴드(약 11 ㎛ 파장대)의 밝기온도와 방출률은 물리방정식에 경험상수가 결합하여 도출된 값이기 때문에, 지역적 기상, 기후, 지형, 식생 등의 조건에 따른 불확실성을 내포하고 있다. 이를 보완하기 위하여 본 연구에서는 밝기온도와 방출률로부터 지표면온도 초기추정치 T₀를 산출하고 이와 함께, NDVI, 토지피복, 지형요소(고도, 경사, 향, 거칠기) 등을 입력변수로 하는 계절별 심층신경망 모델을 최적화하여 지표면온도를 산출하였다. 이는 ASOS(Automated Synoptic Observing System)와의 선형관계식으로 편의보정을 수행하는 기존 방법에 비해 진보된 기법이다. ASOS 관측치와 시공간적으로 일치되는 1,728건의 자료를 비교한 결과, 계절별로 차이가 있기는 하지만 특히 봄, 가을에는 상당히 좋은 결과를 보였으며(CC=0.910~0.917, RMSE=3.245~3.365℃), 또한 토지피복 유형에 상관없이 안정적인 산출이 이루어짐을 확인하였다. 향후 Landsat 5/7/8 자료의 장기시계열 빅데이터와 함께 추가적인 지표면변수를 활용하여 모델링 을 수행함으로써 기후변화 및 특이기상 하에서도 보다 신뢰도 높은 고해상도 지표면온도 산출이 필요할 것이다.

Abstract ▼ AI-Helper

As a viable option for retrieval of LST (Land Surface Temperature), this paper presents a DNN (Deep Neural Network) based approach using 148 Landsat 8 images for South Korea. Because the brightness temperature and emissivity for the band 10 (approx. 11-㎛ wavelength) of Landsat 8 are derived by combining physics-based equations and empirical coefficients, they include uncertainties according to regional conditions such as meteorology, climate, topography, and vegetation. To overcome this, we used several land surface variables such as NDVI (Normalized Difference Vegetation Index), land cover types, topographic factors (elevation, slope, aspect, and ruggedness) as well as the T0 calculated from the brightness temperature and emissivity. We optimized four seasonal DNN models using the input variables and in-situ observations from ASOS (Automated Synoptic Observing System) to retrieve the LST, which is an advanced approach when compared with the existing method of the bias correction using a linear equation. The validation statistics from the 1,728 matchups during 2013-2019 showed a good performance of the CC=0.910~0.917 and RMSE=3.245~3.365℃, especially for spring and fall. Also, our DNN models produced a stable LST for all types of land cover. A future work using big data from Landsat 5/7/8 with additional land surface variables will be necessary for a more reliable retrieval of LST for high-resolution satellite images.

주제어

표/그림 (16)

그림 Fig. 1. Study area.
표 Table 1. Specifications of Landsat 8 spectral bands
그림 Fig. 2. Land cover map for study area.
그림 Fig. 3. Topographic data for study area.
표 Table 2. Details of KMA synoptic observing stations within the study area
그림 Fig. 4. Research flow for retrieval of LST in this study.
그림 Fig. 5. Structure of DNN (Deep Neural Network) model in this study.
표 Table 3. Emissivity of representative terrestrial materials for the band 10 of Landsat 8
그림 Fig. 6. Concept of 10-fold cross-validation with random sampling (Kim et al., 2020).
표 Table 4. Validation statistics of seasonal DNN models
그림 Fig. 7. Observed and estimated LST for seasonal DNN models.
그림 Fig. 8. Time series of daily average LST for 30 stations during 2013-2019.
그림 Fig. 9. Observed and estimated LST for seasonal DNN models according to land cover types.
표 Table 5. Validation statistics of total DNN Models according to land cover type
그림 Fig. 10. Seasonal land surface temperatures retrieved by DNN model during 2013-2019.
그림 Fig. 10. Continued.

AI 본문요약
AI-Helper

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

문제 정의

를 지표면온도의 초기추정치라고 하는 이유는, 열적외 10번 밴드의 밝기온도와 방출률이 순수히 물리방정식만으로 도출된 것이 아니라, 경험상수들이 투입되어 도출된 값이므로 지역의 기상, 기후, 지형, 식생 등의 조건에 따른 불확실성을 내포하고 있기 때문이다. ASOS와의 선형관계식으로 편의보정을 수행함으로써 이러한 불확실성이 일부 완화되기는 하겠지만, 보다 실질적인 해결책이 필요하며, 본 연구에서는 T₀와 함께, NDVI, 토지피복, 지형요소(고도, 경사, 향, 거칠기) 등을 입력변수로 하는 심층신경망을 구성하고, ASOS 지표면온도를 이용하여 훈련 및 검증함으로써 보다 합리적인 Landsat 8 지표면온도를 산출하고자 하였다.
그러나 최근 들어 위성 정보 활용에 있어 인공지능 기법의 효율성이 보고되고 있음에도 불구하고, 딥러닝 등 인공지능 기법을 활용한 고해상도 지표면온도 산출은 아직 시도된 사례가 없다. 이에 본 연구에서는 148장의 Landsat 8 위성영상을 활용하고, 기존 기법에 딥러닝을 결합하는 새로운 접근방식을 통해 2013년~2019년의 우리나라 지표면온도를 산출하고 그 결과를 평가하고자 한다.

제안 방법

Fig. 5는 본 연구에서 적용한 DNN 모델의 개략적인 구조를 나타내며, 은닉층구성, 에퍽수, 활성화함수, 옵티마이저, L1/L2 정규화, 드롭아웃 등의 초매개변수 최적화는 H2O 프레임워크(https://www.h2o.ai/)를 이용하여 수행하였다. 2013년~2019년의 148장의 영상에서 ASOS 관측치와 시공간일치가 이루어지는 1,728개의 매치업 자료를 구성하였고, 봄, 여름, 가을, 겨울의 4개 DNN 모델을 구성하여 10폴드 방식의 훈련 및 검증을 실시하였다(Kim et al.
이러한 전처리 과정을 거친 Landsat 8 영상은 모두 148장이며, 동일한 패스/로우의 자료이지만 최소범위 사각형(Minimum Bounding Rectangle, MBR)의 좌표가 조금씩 상이하기 때문에, 148장 영상의 중첩연산을 통하여 교집합 영역을 연구지역으로 통일하였다. 고도, 경사, 향, TRI 자료와 토지피복도는 Landsat 8 연구지역에 맞춰 UTM 52N 구역으로 변환후에 앞서 결정된 공간적 범위로 재설정하였다. Fig.
TIRS의 10번 밴드(약 11 µm 파장대)와 11번 밴드(약 12 µm 파장대)는 원래 100 m의 공간해상도를 가지고 있지만, 레벨 1 산출물에서는 30 m로 보간되어 OLI와 동일한 공간해상도로 제공된다. 그러나, 11번 밴드의 경우 주변 화소의 복사에너지가 번져서 들어오는 누광(stray light) 문제가 있기 때문에(Montanaro et al.,2014), 본 연구에서는 10번 밴드를 이용하여 지표면온도를 산출하였다. 자료의 기간은 2013년 5월부터 2019년 12월까지로서, 우리나라에서 OLI/TIRS 밴드가 모두 가용한 148개 날짜의 영상을 획득하여 사용하였다.
모든 입력자료에 대해 좌표계와 공간범위를 통일하고 일련의 전처리 과정을 거쳐, 10번 밴드로부터 지표면온도 초기추정치 T0를 산출하고, 대기 보정된 레벨 2 자료의 4번 밴드(적색)과 5번 밴드(근적외선) 반사도를 이용하여 NDVI를 산출하였다. 그리고 T₀, NDVI, 토지피복도 및 지형자료를 ASOS 관측치와 시공간일치시켜 매치업 파일을 구성하고, 이를 이용하여 10폴드 교차검증을 거쳐 심층신경망 모델을 최적화하여 지표면온도를 산출하였다
713°C로 가장 높았는데, 이는 지표면온도가 겨울에 낮고 여름의 높기 때문에, 오차도 그만큼 작거나 커지기 때문이다. 따라서 계절에 따라 다른 온도 범위를 가지는 모델 간의 비교를 용이하게 하기 위하여, RMSE를 평균으로 나누어 정규화시킨 NRMSE를 추가로 제시하였다. 계절별 NRMSE는 봄, 여름, 가을에서 비슷한 결과를 보였으나 겨울에 상대적으로 매우 높은 값을 보였다.
4는 본 연구의 흐름도를 나타낸 것이다. 모든 입력자료에 대해 좌표계와 공간범위를 통일하고 일련의 전처리 과정을 거쳐, 10번 밴드로부터 지표면온도 초기추정치 T0를 산출하고, 대기 보정된 레벨 2 자료의 4번 밴드(적색)과 5번 밴드(근적외선) 반사도를 이용하여 NDVI를 산출하였다. 그리고 T₀, NDVI, 토지피복도 및 지형자료를 ASOS 관측치와 시공간일치시켜 매치업 파일을 구성하고, 이를 이용하여 10폴드 교차검증을 거쳐 심층신경망 모델을 최적화하여 지표면온도를 산출하였다
심층신경망 모델의 최적화를 위하여, 활성화함수로는 ReLU, 옵티마이저로는 AdaDelta(Adaptive Delta)를사용하였고, 반복실험을 통하여 4계절 모델의 히든유닛과 에퍽수를 설정하였다. ASOS 관측치를 참조기준자료로 하여, 계절별 심층신경망 모델에 대한 10폴드 교차검증 결과, 지표면온도 산출의 정확도 검증통계량은 Table 4와 같다.
이는 일본우주항공연구개발기구(Japan Aerospace Exploration Agency, JAXA)에서 ALOS(Advanced Land Observing Satellite)의 PRISM(Panchromatic Remote Sensing Instrument for Stereo Mapping) 센서를 이용하여 산출한 것이다(JAXA EORC,2016). 우리나라 영역의 DSM으로부터 고도, 경사, 향을 추출하였으며, 추가적으로 지형적 거칠기를 나타내는 TRI(Terrain RuggednessIndex)를 산출하였다(Fig. 3). TRI는 바람이 지표면에 대해 가지는 저항의 크기와 관련되며, 3×3 윈도우에서 중앙 화소와 주변 8개 화소 사이의 고도 차이의 평균으로 정의된다(Riley et al.
, 2016). 우리나라는 복잡지형이 많기 때문에 본 연구에서는 지표면온도 추정에 있어 중요한 변수인 NDVI를 사용하였으며, 대기보정된 레벨 2 자료의 4번 밴드(적색)와 5번 밴드(근적외선)의 합과 차를 이용하여 산출하였다.
이 연구에서는 고해상도 위성영상을 이용하여 지표면 온도를 산출하는 기존의 여러가지 방법 이외에 보다 새로운 접근으로, 인공지능 기반의 심층신경망 기법을 148장의 Landsat 8 영상에 적용하여 우리나라 지표면온도를 산출하고 그 적합성을 평가하였다. Landsat 8 열적 외 10번 밴드의 밝기온도와 방출률은 물리방정식에 경험상수가 결합하여 도출된 값이기 때문에, 지역적 기상, 기후, 지형, 식생 등의 조건에 따른 불확실성을 내포하고 있다.
Landsat 8 열적 외 10번 밴드의 밝기온도와 방출률은 물리방정식에 경험상수가 결합하여 도출된 값이기 때문에, 지역적 기상, 기후, 지형, 식생 등의 조건에 따른 불확실성을 내포하고 있다. 이를 보완하기 위하여 본 연구에서는 밝기온도와 방출률로부터 지표면온도 초기추정치 T₀를 산출하고 이와 함께, NDVI, 토지피복, 지형요소(고도, 경사, 향, 거칠기) 등을 입력변수로 하는 계절별 DNN 모델을 최적화하여 지표면온도를 산출하였다. ASOS 관측치와의 비교 검증을 통해 볼 때, 계절별로 차이가 존재하나 상당히 좋은 결과를 보여주었으며, 토지피복 유형에 상관없이 안정적인 산출이 이루어짐을 확인하였다.

대상 데이터

ai/)를 이용하여 수행하였다. 2013년~2019년의 148장의 영상에서 ASOS 관측치와 시공간일치가 이루어지는 1,728개의 매치업 자료를 구성하였고, 봄, 여름, 가을, 겨울의 4개 DNN 모델을 구성하여 10폴드 방식의 훈련 및 검증을 실시하였다(Kim et al., 2020)(Fig. 6). 지표면온도의 산출결과는 MBE(Mean Bias Error), MAE(Mean Absolute Error), RMSE(Root Mean SquareError), NRMSE(NormalizedRoot Mean Square Error), CC(Correlation Coefficient) 등의 검증 통계량으로 집계하였다.
기상청에서는 전국 102개의 종관관측소를 운영 중이며, 지표면온도는 매시 정각에 관측된다. 연구영역 내에 포함되는 30개 관측소의 지표면온도 자료 중 Landsat 8 영상과 동일한 날짜의 오전 11시 자료를 획득하여 사용하였다. 사용된 자료의 관측소 정보는 Table 2에 나타내었는데, 대구, 전주, 천안, 정읍, 남원은 연구기간 중에 관측소 이설이 있었다.
동일한 기상조건이라도 도시화에 따라 지표면온도가 증가할 수 있고(Fu and Weng, 2016), 반대로 관측 화소 안에 연못이 있으면, 비록 작은 크기라고 해도 호수 냉각 효과가 발생할 수 있다(Saaroni and Ziv, 2003). 이 연구에서는 환경부에서 제공하는 대분류 토지피복지도를 사용하였는데, 이 자료는 2010년대 말을 기준으로 2019년에 제작되었으며, 7개의 분류항목을 30 m의 공간해상도로 나타내고 있다(Fig. 2).
이러한 지형의 영향을 반영하기 위한 DSM 자료로는 전지구 30 m 해상도의 AW3D30(ALOS World 3D –30 m) 자료를 사용하였다.
,2014), 본 연구에서는 10번 밴드를 이용하여 지표면온도를 산출하였다. 자료의 기간은 2013년 5월부터 2019년 12월까지로서, 우리나라에서 OLI/TIRS 밴드가 모두 가용한 148개 날짜의 영상을 획득하여 사용하였다. 해당 영역의 관측 시각은 현지 시각 오전 11시 5분 정도로서, 지표면온도의 상승은 지속되지만 일출 후의 급격한 상승 이후 안정적인 상승이 나타나고, 일평균 지표면온도가 관측되는 시각에 해당한다(Jee et al.
지표면온도의 현장관측 자료로는 기상자료개방포털(https://data.kma.go.kr/)에서 제공하는 ASOS 자료를 사용하였다. 기상청에서는 전국 102개의 종관관측소를 운영 중이며, 지표면온도는 매시 정각에 관측된다.

데이터처리

6). 지표면온도의 산출결과는 MBE(Mean Bias Error), MAE(Mean Absolute Error), RMSE(Root Mean SquareError), NRMSE(NormalizedRoot Mean Square Error), CC(Correlation Coefficient) 등의 검증 통계량으로 집계하였다.

이론/모형

Landsat 8 영상의 구름 화소는 Fmask 알고리듬을 이용하여 제거하였다. Fmask는 가시광선, 근적외선, 단파 적외선 밴드의 TOA(Top of Atmosphere) 반사도 및 열적외선 밴드의 밝기온도를 입력자료로 하며, 구름의 물리적 특성에 기초하여 먼저 PCP(Potential Cloud Pixel)와 구름이 없는 화소를 분별한 뒤, 모든 화소에 대한 구름 확률값을 생성한다.
Landsat 8의 10번 밴드 열적외 영상은 복사보정과 기하 보정이 이루어진 레벨 1 자료로 제공되기 때문에 추가로 대기보정이 필요한데, 대기보정에는 ENVI(Environment for Visualizing Images)의 Thermal Atmospheric Correction 모듈을 사용하였으며(L3Harris Geospatial Solutions, 2015), 대기보정된 복사휘도로부터 10번 밴드 밝기온도를 구하기 위하여 USGS(United States Geological Survey)에서 제공하는 변환식을 적용하였다.
998 ×10⁸ m/s)이다. 또한 지표면 물질구성에 따른 방출률은 선행연구를 참고하여 설정하였다(Avdan and Jovanovska, 2016)(Table 3).
전처리된 Landsat 8 영상으로부터 획득한 밝기온도는 흑체에 참조되는 값이기 때문에, 지표면온도를 구하기 위해서는 토지피복 종류에 따른 방출률을 이용하여 보정할 필요가 있으며(Pal and Ziaul, 2017), 이러한 과정은 Artis and Carnahan(1982)의 방정식에 따라 계산하여, 지표면온도의 초기추정치 T₀로 설정하였다.

성능/효과

8은 전체 연구기간 동안 148개 날짜에 대하여 30개 지점 평균 지표면온도를 시계열로 표현한 것이다. ASOS 관측값과 DNN 산출값은 전체적으로 매우 유사한 경향을 보였으며, 2018년 여름 폭염기에는 관측값보다 추정치가 다소 낮게 나타났다. 이는 전체 훈련기간이 7년에 불과하여, 2018년 폭염과 같이 50년~100년에 한번의 확률로 나타나는 사례에 대한 훈련이 부족했기 때문이며, 이는 향후 연구에서 1994년, 2018년 폭염 등을 커버하는 장기시계열 빅데이터 활용을 통해 개선되어야 할 점이다.
이를 보완하기 위하여 본 연구에서는 밝기온도와 방출률로부터 지표면온도 초기추정치 T₀를 산출하고 이와 함께, NDVI, 토지피복, 지형요소(고도, 경사, 향, 거칠기) 등을 입력변수로 하는 계절별 DNN 모델을 최적화하여 지표면온도를 산출하였다. ASOS 관측치와의 비교 검증을 통해 볼 때, 계절별로 차이가 존재하나 상당히 좋은 결과를 보여주었으며, 토지피복 유형에 상관없이 안정적인 산출이 이루어짐을 확인하였다. 또한 2015년 5월에 여름이 평소보다 빨리 시작된 상황이나, 2018년의 기록적 폭염 등을 잘 나타냈다.
10폴드 교차검증에 투입된 1,728개의 매치업 자료는 봄 499건, 여름 302건, 가을 481건, 겨울 446건으로 4계절별로 큰 차이는 없었으나, 구름의 영향을 많이 받는 여름철이 상대적으로 적었다. 교차검증 결과,상관계수는 봄과 가을이 0.917, 0.910으로 높게 나타났고, 겨울과 여름은 0.793, 0.717로 상대적으로 낮게 나타났다. RMSE는 겨울에 2.
그림에서 값이 없는 영역은 수역이거나 구름에 가려진 부분이다. 지표면온도는 계절에 따라 뚜렷하게 변하는 양상을 보이는데, 여름철의 경우, 고도가 높은 산악지대나 강 주변에서는 비교적 낮은 온도가 분포하고, 대전,대구 등 도시지역에서는 높은 온도가 나타났다. 최근의 기후변화에 따라 특이기상 현상이 가끔 나타나기도 하는데, 2015년의 경우, 5월 25일에 폭염특보가 발표되어 평년보다 더위가 빨리 찾아왔고, 5월 26일 산출된 지표면온도를 통해 그러한 양상을 잘 살펴볼 수 있다.
최적화된 계절별 DNN 모델에서 입력변수 중요도는 T₀가 가장 높게 나타났고, 그 다음으로 NDVI와 토지피복 유형으로 나타났다. 여름과 겨울 모델에서는 사면방향의 중요도가 상당히 높았는데, 이는 사면방향에 따라 달라지는 태양복사의 강도가 봄, 가을보다는 여름, 겨울의 지표면온도에 더욱 민감하게 반영되기 때문인 것으로 보인다.
편의상 농지, 산림/초지, 도시/나지의 세가지 그룹으로 나누어 집계한 결과, 모든 그룹에서 RMSE 약 3.3~3.6°C, 상관계수 0.97 이상의 정확도를 보였다.

후속연구

또한 2015년 5월에 여름이 평소보다 빨리 시작된 상황이나, 2018년의 기록적 폭염 등을 잘 나타냈다. 이 연구에서는 지표면 온도에 영향을 미치는 고해상도의 입력변수만을 활용하였기에 저해상도로 제공되는 토양수분이나 습도 등은 사용하지 않았으나, 향후 이러한 추가적인 입력변수와 함께 Landsat 5/7/8 자료의 장기시계열 빅데이터를 활용하여 모델링을 수행함으로써, 기후변화 및 특이기상 하에서도 보다 신뢰도 높은 지표면온도 산출이 필요할 것이다.
ASOS 관측값과 DNN 산출값은 전체적으로 매우 유사한 경향을 보였으며, 2018년 여름 폭염기에는 관측값보다 추정치가 다소 낮게 나타났다. 이는 전체 훈련기간이 7년에 불과하여, 2018년 폭염과 같이 50년~100년에 한번의 확률로 나타나는 사례에 대한 훈련이 부족했기 때문이며, 이는 향후 연구에서 1994년, 2018년 폭염 등을 커버하는 장기시계열 빅데이터 활용을 통해 개선되어야 할 점이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	지표면온도란?	지표면온도(Land Surface Temperature, LST)는 대기와 지표면 사이의 에너지 플럭스에 의해 결정되고 지표면과 대기의 경계면에서 열 전달을 유도하기 때문에(Jacob et al., 2004; Jin and Dickinson, 2010), 지표면 에너지수지와 물수지의 물리적 과정에서 가장 중요한 인자 중의 하나이다(Wan et al., 2004).
	고해상도 지표면온도 산출실험에 효과적인 기법은?	, 2009; Tan et al., 2019) 인공지능 기법을 통한 비선형 모델링이 효과적일 것이며, 다양한 경우의 수와 복잡성에 대응을 위하여 대량의 위성영상을 활용할 필요가 있다. 그러나 최근 들어 위성 정보 활용에 있어 인공지능 기법의 효율성이 보고되고 있음에도 불구하고, 딥러닝 등 인공지능 기법을 활용한 고해상도 지표면온도 산출은 아직 시도된 사례가 없다.
	지표면온도의 활용 분야는?	, 2004). 지표면온도는 토양수분과 증발산 추정을 비롯하여, 기후 변화, 작물 모니터링, 도시 기후, 수문학, 생태학 등 다양한 분야에서 널리 활용되고 있다(Price, 1980; Kalma et al., 2008; Nemani et al.

참고문헌 (44)

Artis, D.A. and W.H. Carnahan, 1982. Survey of emissivity variability in thermography of urban areas, Remote Sensing of Environment, 12(4): 313-329.

상세보기
Avdan, U. and G. Jovanovska, 2016. Algorithm for automated mapping of land surface temperature using LANDSAT 8 satellite data, Journal of Sensors, 2016: 1-8.
Coll, C., V. Caselles, J.A. Sobrino, and E. Valor, 1994. On the atmospheric dependence of the splitwindow equation for land surface temperature, International Journal of Remote Sensing, 15(1): 105-122.

상세보기
Cesar, C. and V. Caselles, 1997. A split-window algorithm for land surface temperature from advanced very high resolution radiometer data: Validation and algorithm comparison, Journal of Geophysical Research, 102(D14): 16697-16713.

상세보기
Cristobal, J., J.C. Jimenez-Munoz, A. Prakash, C. Mattar, D. Skokovic, and J.A. Sobrino, 2018. An improved single-channel method to retrieve land surface temperature from the Landsat-8 thermal band, Remote Sensing, 10(3): 431.

상세보기
Du, C., H. Ren, Q. Qin, J. Meng, and S. Zhao, 2015. A practical split-window algorithm for estimating land surface temperature from Landsat 8 data, Remote Sensing, 7(1): 647-665.

상세보기
Deng, Y., S. Wang, X. Bai, Y. Tian, L. Wu, J. Xiao, F. Chen, and Q. Qian, 2018. Relationship among land surface temperature and LUCC, NDVI in typical karst area, Scientific Reports, 8(1): 1-12.

상세보기
Fu, P. and Q. Weng, 2016. A time series analysis of urbanization induced land use and land cover change and its impact on land surface temperature with Landsat imagery, Remote Sensing of Environment, 175: 205-214.

상세보기
Goward, S.N., Y. Xue, and K.P. Czajkowski, 2002. Evaluating land surface moisture conditions from the remotely sensed temperature/vegetation index measurements: An exploration with the simplified simple biosphere model, Remote Sensing of Environment, 79(2-3): 225-242.

상세보기
Geiger, R., R.H. Aron, and P. Todhunter, 2009. Influence of the Underlying Surface on the Adjacent Air Layer, In: The Climate Near the Ground, Rowman & Littlefield, Lanham, MD, USA, pp. 123-196.
Hope, A.S. and T.P. McDowell, 1992. The relationship between surface temperature and a spectral vegetation index of a tallgrass prairie: effects of burning and other landscape controls, International Journal of Remote Sensing, 13(15): 2849-2863.

상세보기
He, J., W. Zhao, A. Li, F. Wen, and D. Yu, 2019. The impact of the terrain effect on land surface temperature variation based on Landsat-8 observations in mountainous areas, International Journal of Remote Sensing, 40(5-6): 1808-1827.

상세보기
Jimenez-Munoz, J.C. and J.A. Sobrino, 2003. A generalized single-channel method for retrieving land surface temperature from remote sensing data, Journal of Geophysical Research: Atmospheres, 108(D22).
Jacob, F., F. Petitcolin, T. Schmugge, E. Vermote, A. French, and K. Ogawa, 2004. Comparison of land surface emissivity and radiometric temperature derived from MODIS and ASTER sensors, Remote Sensing of Environment, 90(2): 137-152.

상세보기
Jin, M. and R.E. Dickinson, 2010. Land surface skin temperature climatology: Benefitting from the strengths of satellite observations, Environmental Research Letters, 5(4): 044004.

상세보기
Jimenez-Munoz, J.C., J.A. Sobrino, D. Skokovic, C. Mattar, and J. Cristobal, 2014. Land surface temperature retrieval methods from Landsat-8 thermal infrared sensor data, IEEE Geoscience and Remote Sensing Letters, 11(10): 1840-1843.

상세보기
JAXA EORC, 2016. ALOS Global Digital Surface Model, https://www.eorc.jaxa.jp/ALOS/en/aw 3d30/index.htm, Accessed on Feb. 28, 2020.
Jee, J.B., B.Y. Kim, I.S. Zo, K.T. Lee, and Y.J. Choi, 2016. Retrieval of Land Surface Temperature based on High Resolution Landsat 8 Satellite Data, Korean Journal of Remote Sensing, 32(2): 171-183 (in Korean with English abstract).

원문보기 상세보기
Kalma, J.D., T.R. McVicar, and M.F. McCabe, 2008. Estimating land surface evaporation: A review of methods using remotely sensed surface temperature data, Surveys in Geophysics, 29 (4-5): 421-469.

상세보기
Kim, T., W. Lee, and Y. Han, 2018. Analysis of thermal heat island potential by urbanization using Landsat-8 time-series satellite imagery, Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 36(4): 305-316 (in Korean with English abstract).
Kim, N., S.I. Na, C.W. Park, M. Huh, J. Oh, K.J. Ha, J. Cho, and Y.W. Lee, 2020. An artificial intelligence approach to prediction of corn yields under extreme weather conditions using satellite and meteorological data, Applied Sciences, 10: 3785.

상세보기
Lee, J.D., K.J. Bhang, and S.H. Han, 2012. Relationship Analysis between Topographic Factors and Land Surface Temperature from Landsat 7 ETM+ Imagery, The Journal of the Korea Contents Association, 12(11): 482-491 (in Korean with English abstract).

원문보기 상세보기
Li, Z.L., B.H. Tang, H. Wu, H. Ren, G. Yan, Z. Wan, F.T. Isabel, and J.A. Sobrino, 2013. Satellitederived land surface temperature: Current status and perspectives, Remote Sensing of Environment, 131: 14-37.

상세보기
L3Harris Geospatial Solutions, 2015. Atmospheric Correction, https://www.harrisgeospatial.com/ docs/AtmosphericCorrection.html#Converti, Accessed on Mar. 11, 2020.
Montanaro, M., A. Gerace, A. Lunsford, and D. Reuter, 2014. Stray light artifacts in imagery from the Landsat 8 thermal infrared sensor, Remote Sensing, 6(11): 10435-10456.

상세보기
Nemani, R.R., S.W. Running, R.A. Pielke, and T.N. Chase, 1996. Global vegetation cover changes from coarse resolution satellite data, Journal of Geophysical Research: Atmospheres, 101(D3): 7157-7162.

상세보기
Price, J.C., 1980. The potential of remotely sensed thermal infrared data to infer surface soil moisture and evaporation, Water Resources Research, 16(4): 787-795.

상세보기
Park, M.H., J.S. Lee, and J.I. Jung, 2008. A relationship analysis among land surface temperature and NDVI in hampyeong bay using landsat TM/ ETM+ satellite images, Journal of the Korean Cadastre Information Association, 10(2): 107-115 (in Korean with English abstract).
Pal, S. and S.K. Ziaul, 2017. Detection of land use and land cover change and land surface temperature in English Bazar urban centre, The Egyptian Journal of Remote Sensing and Space Science, 20(1): 125-145.

상세보기
Parastatidis, D., Z. Mitraka, N. Chrysoulakis, and M. Abrams, 2017. Online global land surface temperature estimation from Landsat, Remote Sensing, 9(12): 1208.

상세보기
Quan, H.C. and B.G. Lee, 2009. Analysis of relationship between LST and NDVI using Landsat TM images on the city areas of Jeju island, Journal of Korean Society for Geospatial Information System, 17(4): 39-44 (in Korean with English abstract).
Riley, S.J., S.D. DeGloria, and R. Elliot, 1999. Index that quantifies topographic heterogeneity, Intermountain Journal of Sciences, 5(1-4): 23-27.
Running, S.W., R.R. Nemani, F.A. Heinsch, M. Zhao, M. Reeves, and H. Hashimoto, 2004. A continuous satellite-derived measure of global terrestrial primary production, Bioscience, 54(6): 547-560.

상세보기
Rozenstein, O., Z. Qin, Y. Derimian, and A. Karnieli, 2014. Derivation of land surface temperature for Landsat-8 TIRS using a split window algorithm, Sensors, 14(4): 5768-5780.

상세보기
Saaroni, H. and B. Ziv, 2003. The impact of a small lake on heat stress in a Mediterranean urban park: the case of Tel Aviv, Israel, International Journal of Biometeorology, 47(3): 156-165.

상세보기
Sobrino, J.A., J.C. Jimenez-Munoz, and L. Paolini, 2004. Land surface temperature retrieval from LANDSAT TM 5, Remote Sensing of Environment, 90(4): 434-440.

상세보기
Sun, Q., Z. Wu, and J. Tan, 2012. The relationship between land surface temperature and land use/ land cover in Guangzhou, China, Environmental Earth Sciences, 65(6): 1687-1694.

상세보기
Tan, J., N. NourEldeen, K. Mao, J. Shi, Z. Li, T. Xu, and Z. Yuan, 2019. Deep Learning Convolutional Neural Network for the Retrieval of Land Surface Temperature from AMSR2 Data in China, Sensors, 19(13): 2987.

상세보기
Ulivieri, C.M.M.A., M.M. Castronuovo, R. Francioni, and A. Cardillo, 1994. A split window algorithm for estimating land surface temperature from satellites, Advances in Space Research, 14(3): 59-65.

상세보기
USGS, 2013. Landsat Level-1 Data Product, https://www.usgs.gov/land-resources/nli/landsat/usingusgs-landsat-level-1-data-product, Accessed on Mar. 17, 2020.
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., Y. Zhang, Q. Zhang, and Z.L. Li, 2004. Quality assessment and validation of the MODIS global land surface temperature, International Journal of Remote Sensing, 25(1): 261-274.

상세보기
Yu, X., X. Guo, and Z. Wu, 2014. Land surface temperature retrieval from Landsat 8 TIRSComparison between radiative transfer equationbased method, split window algorithm and single channel method, Remote Sensing, 6(10): 9829-9852.

상세보기
Zhu, Z. and C.E. Woodcock, 2012. Object-based cloud and cloud shadow detection in Landsat imagery, Remote Sensing of Environment, 118: 83-94.

상세보기

저자의 다른 논문 :

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