다중시기 Sentinel-2 위성영상과 일강수량 자료를 활용한 집중호우 전후의 토지피복별 원격탐사지수 변화 분석 Analysis on the Changes of Remote Sensing Indices on Each Land Cover Before and After Heavy Rainfall Using Multi-temporal Sentinel-2 Satellite Imagery and Daily Precipitation Data원문보기
최근 도시홍수에 의해 많은 피해가 발생하고 있으며, 단시간에 국지적으로 발생하는 집중호우가 1차 원인으로 꼽히고 있다. 도시홍수의 피해는 도시지역 내 물수지의 변화로 규명하고 있으며, 이를 간접적으로 파악하기 위해 일강수량 자료와 다중시기 Sentinel-2 위성영상을 활용해 집중호우 전후의 토지피복별 원격탐사지수 변화를 분석하였다. 일강수량 자료를 바탕으로 호우주의보 및 경보의 사례를 선정하였고, 해당 기간의 Sentinel-2 위성영상을 취득해 이를 기상청 서울관측소 기준 반경 1,000m 범위의 정규식생지수(NDVI), 정규수분지수(NDWI) 및 정규습윤지수(NDMI) 영상을 토지피복별로 제작하여 통계적 변화를 비교하였다. 각 영상을 구성하고 있는 픽셀의 최댓값, 최솟값, 평균 및 그 증감을 분석한 결과, 집중호우 전후 도시지역 원격탐사지수에 유의미한 변화가 발생한 것으로 보기는 힘들다고 판단하였다.
최근 도시홍수에 의해 많은 피해가 발생하고 있으며, 단시간에 국지적으로 발생하는 집중호우가 1차 원인으로 꼽히고 있다. 도시홍수의 피해는 도시지역 내 물수지의 변화로 규명하고 있으며, 이를 간접적으로 파악하기 위해 일강수량 자료와 다중시기 Sentinel-2 위성영상을 활용해 집중호우 전후의 토지피복별 원격탐사지수 변화를 분석하였다. 일강수량 자료를 바탕으로 호우주의보 및 경보의 사례를 선정하였고, 해당 기간의 Sentinel-2 위성영상을 취득해 이를 기상청 서울관측소 기준 반경 1,000m 범위의 정규식생지수(NDVI), 정규수분지수(NDWI) 및 정규습윤지수(NDMI) 영상을 토지피복별로 제작하여 통계적 변화를 비교하였다. 각 영상을 구성하고 있는 픽셀의 최댓값, 최솟값, 평균 및 그 증감을 분석한 결과, 집중호우 전후 도시지역 원격탐사지수에 유의미한 변화가 발생한 것으로 보기는 힘들다고 판단하였다.
Recently, a lot of damages have been caused by urban flooding, and heavy rainfall that temporarily occur are the main causes of these phenomenons. The damages caused by urban flooding are identified as the change in the water balance in urban areas. To indirectly identify it, this research analyzed ...
Recently, a lot of damages have been caused by urban flooding, and heavy rainfall that temporarily occur are the main causes of these phenomenons. The damages caused by urban flooding are identified as the change in the water balance in urban areas. To indirectly identify it, this research analyzed the change in the remote sensing indices on each land cover before and after heavy rainfall by utilizing daily precipitation data and multi-temporal Sentinel-2 satellite imagery. Cases of heavy rain advisory and warning were selected based on the daily precipitation data. And statistical fluctuation were compared by acquiring Sentinel-2 satellite images during the corresponding period and producing them as NDVI, NDWI and NDMI images about each land cover with a radius of 1,000 m based on the Seoul Weather Station. As a result of analyzing the maximum value, minimum value, mean and fluctuation of the pixels that were calculated in each remote sensing index image, there was no significant changes in the remote sensing indices in urban areas before and after heavy rainfall.
Recently, a lot of damages have been caused by urban flooding, and heavy rainfall that temporarily occur are the main causes of these phenomenons. The damages caused by urban flooding are identified as the change in the water balance in urban areas. To indirectly identify it, this research analyzed the change in the remote sensing indices on each land cover before and after heavy rainfall by utilizing daily precipitation data and multi-temporal Sentinel-2 satellite imagery. Cases of heavy rain advisory and warning were selected based on the daily precipitation data. And statistical fluctuation were compared by acquiring Sentinel-2 satellite images during the corresponding period and producing them as NDVI, NDWI and NDMI images about each land cover with a radius of 1,000 m based on the Seoul Weather Station. As a result of analyzing the maximum value, minimum value, mean and fluctuation of the pixels that were calculated in each remote sensing index image, there was no significant changes in the remote sensing indices in urban areas before and after heavy rainfall.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
위와 같이 강수와 관련하여 원격탐사지수를 분석한 연구는 국내외 많은 연구자들에 의해 수행되었지만, 단기간의 호우에 따른 원격탐사지수 변화분석 연구는 미흡한 실정이다. 따라서 본 연구에서는 Sentinel-2 위성영상을 활용하여 집중호우 전후 토지피복별 원격탐사지수의 변화를 분석하고, 이를 통해 도시홍수에 영향을 미치는 물수지의 변화를 간접적으로 파악할 수있는 기반을 마련하는 데 목표를 둔다.
본 연구에서는 도시홍수에 영향을 미치는 물수지의 변화를 간접적으로 파악하기 위해, 일강 수량 자료와 다중시기 Sentinel-2 위성영상을 활용하여 기상청 서울관측소 일대의 정규식생 지수(NDVI), 정규수분지수(NDWI) 및 정규습윤지수(NDMI)의 변화를 분석하였다. 기상청 서울관측소를 기준으로 1,000m 반경의 원격탐 사지수 영상을 제작하여 토지피복별로 픽셀 (pixel)의 최댓값, 최솟값, 평균 및 증감을 비교·분석한 결과 집중호우 전후 도시지역을 구성하는 다양한 토지피복(시가화·건조지역, 농업지역, 산림지역, 초지, 나지)에서 원격탐사지 수에 유의미한 변화가 발생하지 않는다는 사실을 확인하였다.
본 연구에서는 집중호우 전후 기상청 서울관측소 일대의 토지피복별 원격탐사지수 변화를 분석하였다. 일강수량 자료와 Sentinel-2 위성 영상을 활용하여 원격탐사지수 영상을 제작하고, 통계를 산출해 집중호우 전후의 원격탐사지 수를 비교하는 과정은 그림 3에서 확인할 수있다.
제안 방법
공간해상도 5m급의 중분류 토지피복지도를 대분류 7개 항목으로 변환하여 사용하였으며, 대상 지역이 포함된 도엽(도엽번호 376084)을 시가화·건조 지역(Used Area), 농업지역(Agricultural Land), 산림지역(Forest), 초지(Grass), 습지(Wet Land), 나지(Barren), 수역(Water)의 7개 항목으로 분류한 토지피복지도는 그림 2와 같다.
기상청의 과거 기상특보를 참고하여 일강수량 자료를 선별한 후 (Case Ⅰ, Ⅱ) 해당 강우 기간의 전후 Sentinel-2 위성영상을 취득하였으며 (Dataset Ⅰ, Ⅱ), 이를 바탕으로 원격탐사지수의 변화를 분석하기 위해 원격탐사지수 영상을 생성하였다. Sentinel-2 위성영상은 표 3과 같은 분광 밴드를 보유하고 있으며, 이러한 분광 특성을 이용하여 원격탐사지수 영상을 생성할 수 있다.
또한 본 연구에서는 일강수량 자료를 바탕으로 호우주의보 및 경보에 해당하는 사례를 선별하여, 범위별로 Sentinel-2 위성영상 자료를 이용해 원격탐사지수 영상을 제작하였다. 그러나 본 연구에서는 집중호우 시기에 획득된 위성영상의 기상조건, Sentinel-2 위성영상의 획득 주기 등 다양한 제한 조건으로 인해 2018 년 여름철로 사례가 국한되어 있으며, 범위도 최대 반경 1,000m로 한정되었고 사용 가능한 Sentinel-2 위성영상의 개수도 제한되었다.
본 연구에서는 기상청 서울관측소 일대의 집중호우 전후 원격탐사지수 변화를 탐지하기 위해 다중시기 Sentinel-2 위성영상과 일강수량 자료를 활용하여 토지피복별 원격탐사지수 영상을 제작한 후, 각 영상을 구성하고 있는 픽셀 (pixel)의 원격탐사지수 최댓값, 최솟값 및 평균과 그 증감을 확인하였다(표 4).
생성된 각 원격탐사지수 영상을 환경부에서 제공하는 토지피복도를 이용해 토지피복별로 분류하였으며, 이를 기상청 서울관측소(37.57142N, 126.9658E)를 기준점으로 하여 반경 1,000m 에 해당하는 범위로 잘라(clipping) 토지피복별 영상을 제작하였다. 그리고 해당 영상들로부터 원격탐사지수의 최댓값, 최솟값 및 평균을 추출하여 비교·분석하였다.
또한, 재방문주기가 5일로 Landsat-8 위성과 비교했을 때 강우일(Rainfall Day)에 보다 근접한 일자의 영상을 확보할 수 있을 것으로 기대하였다. 선별된 일강수량 데이터를 바탕으로 강우일 직전 및 직후의 구름 없는 영상을 확보하려 하였으나, 국내를 대상으로 한 여름철 위성영상이 전반적으로 많은 운량을 보유하고 있어 최종적으로는 표 2와 같은 위성영상을 수집하였다. 구름의 영향으로 Dataset Ⅱ의 강수 전 영상이 호우경보 발표를 기준으로 12일의 간격을 보이지만, 16일의 재방문주기를 갖는 Landsat-8 위성에 비해 짧은 간격의 위성영상을 확보할 수있었으므로 Sentinel-2 위성영상을 이용하여 연구를 진행하는 데 무리가 없다고 판단하였다.
정규습윤지수 (NDMI)는 근적외선 밴드와 중적외선 밴드의 비율에 의해 결정되며, 주로 식생의 수분함유량을 측정하기 위해 이용되며, 이 역시 –1에서 +1의 값을 가지고, 값이 높을수록 수분함유량이 높은 것을 의미한다. 정규수분지수는 특히 도시지역 내 수체에 민감하게 반응하고 정규습 윤지수는 식생 및 토양의 수분함유량의 미묘한 변화(subtle change)를 감지하는 데 유용하여, 두 가지 원격탐사지수를 함께 적용하였을 때보다 신뢰성 있는 결과를 얻을 수 있을 것으로 기대하였다. Sentinel-2 위성영상을 이용한 상기 원격탐사지수의 영상은 아래의 식 1~3에 의해 생성된다(GEO University, 2020).
대상 데이터
2014), 과거 기상특보를 참고하여 일강수량 데이터를 선별하였다(표 1). Case Ⅰ은 2018년 7호 태풍 쁘라삐룬(Prapiroon)의 활동 기간을 포함하며, 침수에 대비해 청계천 출입이 통제되는 등 일주일간 두 차례의 호우주의보(Heavy Rain Advisory)가 내려지고 266.0㎜의 강수량을 기록한 사례이다. 한편 Case Ⅱ는 서울시 은평구에서 침수로 인한 이재민이 발생하는 등 3일간 158.
본 연구에서는 기상청 서울관측소 일대를 대상 지역으로 선정하였다. 서울시는 우리나라의 대표 도시이자 다양한 토지피복으로 구성되었으며 도시화율 100%를 나타내는 지역이면서 (Korean Statistical Information Service (KOSIS), 2019), 여러 차례 도시홍수로 인한 피해를 겪었으므로 본 연구에 적합한 지역으로 볼 수 있다.
연구지역 탐지를 위해 ESA(European Space Agency)에서 취득된 Sentinel-2 위성영상을 활용하였다. Sentinel-2 위성은 2015년에 발사된 2A와 2017년에 발사된 2B로 구성된 쌍둥이 위성으로서(Lee et al.
그러나 강수량 자료는 관측소 1개소의 자료가 서울시 강수량의 대푯값으로 쓰이고 있으므로, 서울시 전체를 대상으로 하는 것보다 관측소를 기준으로 일정 범위를 대상으로 하는 것이 실제 강수량의 영향을 보다 유효하게 확인할 수있을 것으로 판단하였다. 이에 본 연구에서는 기상청 서울관측소(37.57142N, 126.9658E)를 중심으로 서울시의 경계를 넘지 않는 반경 1,000m를 연구 대상 지역 및 범위로 선정하였다.
일강수량은 기상청 날씨누리에서 제공하는 지상 관측자료를 사용하였다(Korean Meteorological Administration(KMA), 2020). 집중호우에 의해 발생하는 도시홍수의 경우 객관화된 예보 기준이 마련되어 있지 않고 기상청의 호우주의보 및 경보에 의존하고 있으므로(Choi et al.
일강수량은 기상청 날씨누리에서 제공하는 지상 관측자료를 사용하였다(Korean Meteorological Administration(KMA), 2020). 집중호우에 의해 발생하는 도시홍수의 경우 객관화된 예보 기준이 마련되어 있지 않고 기상청의 호우주의보 및 경보에 의존하고 있으므로(Choi et al. 2014), 과거 기상특보를 참고하여 일강수량 데이터를 선별하였다(표 1). Case Ⅰ은 2018년 7호 태풍 쁘라삐룬(Prapiroon)의 활동 기간을 포함하며, 침수에 대비해 청계천 출입이 통제되는 등 일주일간 두 차례의 호우주의보(Heavy Rain Advisory)가 내려지고 266.
데이터처리
그리고 해당 영상들로부터 원격탐사지수의 최댓값, 최솟값 및 평균을 추출하여 비교·분석하였다.
이론/모형
대상 지역의 토지피복 분류는 환경부의 환경공간 정보서비스에서 제공하는 토지피복지도를 이용하였다(Environmental Geographic Information Service(EGIS), 2018). 공간해상도 5m급의 중분류 토지피복지도를 대분류 7개 항목으로 변환하여 사용하였으며, 대상 지역이 포함된 도엽(도엽번호 376084)을 시가화·건조 지역(Used Area), 농업지역(Agricultural Land), 산림지역(Forest), 초지(Grass), 습지(Wet Land), 나지(Barren), 수역(Water)의 7개 항목으로 분류한 토지피복지도는 그림 2와 같다.
본 연구에서는 원격탐사지수 중 증발산에 영향을 미치는 식생의 변화를 탐지하기 위해 정규 식생지수(NDVI)를 이용하였고, 이와 함께 보다 직접적으로 식생의 수분 변화를 탐지할 수 있다고 여겨지는 정규수분지수(NDWI, Normalized Difference Water Index) 및 정규습윤지수 (NDMI, Normalized Difference Moisture Index)를 활용하였다.
성능/효과
1 이상의 변화는 Case Ⅰ의 시가화 건조지역 및 나지와 Case Ⅱ의 농업지역 에서 일부 확인할 수 있었다. Case Ⅰ의 시가화 건조지역에서 정규식생지수의 최솟값이 0.36 감소, 정규수분지수의 최댓값이 0.15 증가, 정규습윤지수의 최솟값이 0.20 감소한 것을 확인하였고, 나지에서 정규식생지수의 최댓값이 0.12 증가, 정규수분지수의 최댓값이 0.13 증가, 정규습윤지수의 최솟값이 0.21 감소하였다. 그리고 Case Ⅱ의 농업지역에서는 정규수분지 수의 평균만 0.
서울시는 우리나라의 대표 도시이자 다양한 토지피복으로 구성되었으며 도시화율 100%를 나타내는 지역이면서 (Korean Statistical Information Service (KOSIS), 2019), 여러 차례 도시홍수로 인한 피해를 겪었으므로 본 연구에 적합한 지역으로 볼 수 있다. 그러나 강수량 자료는 관측소 1개소의 자료가 서울시 강수량의 대푯값으로 쓰이고 있으므로, 서울시 전체를 대상으로 하는 것보다 관측소를 기준으로 일정 범위를 대상으로 하는 것이 실제 강수량의 영향을 보다 유효하게 확인할 수있을 것으로 판단하였다. 이에 본 연구에서는 기상청 서울관측소(37.
기상청 서울관측소를 기준으로 1,000m 반경의 원격탐 사지수 영상을 제작하여 토지피복별로 픽셀 (pixel)의 최댓값, 최솟값, 평균 및 증감을 비교·분석한 결과 집중호우 전후 도시지역을 구성하는 다양한 토지피복(시가화·건조지역, 농업지역, 산림지역, 초지, 나지)에서 원격탐사지 수에 유의미한 변화가 발생하지 않는다는 사실을 확인하였다.
정규수분지수(NDWI) 영상에서는 도시와 산지 지역이 어둡게 나타나고, 대표적인 수체(Water Body)로서 한강이 상대적으로 밝게 보인다. 정규습윤지수(NDMI) 영상에서는 식생의 밀도가 높은 주변 산지와 수체인 한강이 상대적으로 밝게 나타나고 있는 것을 확인할 수 있다.
정규식생지수(NDVI), 정규수분지수(NDWI) 및 정규습윤지수(NDMI)의 세 가지 원격탐사지수 중에서 ±0.1 이상의 변화는 Case Ⅰ의 시가화 건조지역 및 나지와 Case Ⅱ의 농업지역 에서 일부 확인할 수 있었다.
후속연구
, 2019). 또한, 재방문주기가 5일로 Landsat-8 위성과 비교했을 때 강우일(Rainfall Day)에 보다 근접한 일자의 영상을 확보할 수 있을 것으로 기대하였다. 선별된 일강수량 데이터를 바탕으로 강우일 직전 및 직후의 구름 없는 영상을 확보하려 하였으나, 국내를 대상으로 한 여름철 위성영상이 전반적으로 많은 운량을 보유하고 있어 최종적으로는 표 2와 같은 위성영상을 수집하였다.
추후 연구에서 다양한 시기의 사례와 대상 범위를 1, 5, 10㎞ 등 다양하게 선정 및 분석하여 도시지역의 위성영상을 활용하여 산출한 원격 탐사지수 변화를 파악한다면 연구의 신뢰성을 높일 수 있을 것으로 판단된다. 또한, 추후연구에서는 MODIS 등 본 연구에서 활용한 Sentinel-2 위성영상과 다른 공간해상도, 밴드 종류 및 획득 주기를 가진 위성영상을 활용하여 보다 더 정밀한 집중호우 전후 원격탐사지수 변화 분석을 진행할 계획이다.
본 연구에서는 일강수량 자료를 활용하여 기상청 서울관측소 일대의 구름이 없는 Sentinel-2 위성영상 자료를 취득하였으나, 이는 2018년 여름철에 촬영된 영상에 한정되어 있으므로 향후 다양한 시기의 위성영상 확보 및 분석 사례 제시를 통해 연구의 신뢰성을 높여야 할 것이다. 추후 연구에서는 MODIS(Moderate Resolution Imaging Spectroradiometer)등 일별 원격탐사 지수 정보를 확보할 수 있는 위성영상을 활용 하여 보다 더 정밀한 집중호우 전후의 원격탐사지수의 변화를 분석할 필요가 있다.
그러나 본 연구에서는 집중호우 시기에 획득된 위성영상의 기상조건, Sentinel-2 위성영상의 획득 주기 등 다양한 제한 조건으로 인해 2018 년 여름철로 사례가 국한되어 있으며, 범위도 최대 반경 1,000m로 한정되었고 사용 가능한 Sentinel-2 위성영상의 개수도 제한되었다. 추후 연구에서 다양한 시기의 사례와 대상 범위를 1, 5, 10㎞ 등 다양하게 선정 및 분석하여 도시지역의 위성영상을 활용하여 산출한 원격 탐사지수 변화를 파악한다면 연구의 신뢰성을 높일 수 있을 것으로 판단된다. 또한, 추후연구에서는 MODIS 등 본 연구에서 활용한 Sentinel-2 위성영상과 다른 공간해상도, 밴드 종류 및 획득 주기를 가진 위성영상을 활용하여 보다 더 정밀한 집중호우 전후 원격탐사지수 변화 분석을 진행할 계획이다.
본 연구에서는 일강수량 자료를 활용하여 기상청 서울관측소 일대의 구름이 없는 Sentinel-2 위성영상 자료를 취득하였으나, 이는 2018년 여름철에 촬영된 영상에 한정되어 있으므로 향후 다양한 시기의 위성영상 확보 및 분석 사례 제시를 통해 연구의 신뢰성을 높여야 할 것이다. 추후 연구에서는 MODIS(Moderate Resolution Imaging Spectroradiometer)등 일별 원격탐사 지수 정보를 확보할 수 있는 위성영상을 활용 하여 보다 더 정밀한 집중호우 전후의 원격탐사지수의 변화를 분석할 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
드론의 단점은 무엇인가?
원격탐사에 있어 드론의 역할이 점차 확대되고 있으나, 드론의 경우 바람의 세기, 배터리 수명 등 하드웨어의 한계로 촬영에 많은 제약이 있을 수 있으며 현실 법에 의해 도시 내 원하는 지역의 촬영이 어려울 수 있다(Kim, 2016). 이에 반해 인공위성의 경우 기상과 관계없이 주기 적으로 관측이 이루어지고 있으므로 축적된 데이 터에서 운량과 잡음 등을 고려해 선별하면, 도시 지역의 데이터를 확보하기가 비교적 용이하다.
집중호우란 무엇인가?
일반적으로 집중호우는 한 시간에 30㎜ 이상이나 하루에 80㎜ 이상의 비가 내릴 때 또는 연강수량의 10%에 상당하는 비가 하루에 내리는 정도를 말하며, 이로 인해 발생하는 도시홍수의 피해는 강우의 증가와 도시화에 따른 유출율의 변화로 규명하고 있다(Kim et al., 2011).
Sentinel-2 위성영상의 재방문 주기는 얼마인가?
, 2019). 또한, 재방문주기가 5일로 Landsat-8 위성과 비교했을 때 강우일(Rainfall Day)에 보다 근접한 일자의 영상을 확보할 수 있을 것으로 기대하였다. 선별된 일강수량 데이터를 바탕으로 강우일 직전 및 직후의 구름 없는 영상을 확보하려 하였으나, 국내를 대상으로 한 여름철 위성영상이 전반적으로 많은 운량을 보유하고 있어 최종적으로는 표 2와 같은 위성영상을 수집하였다.
참고문헌 (27)
Chamaille-Jammes, S. and H. Fritz. 2009. Precipitation-NDVI relationships in eastern and southern African savannas vary along a precipitation gradient. International Journal of Remote Sensing 30(13):3409-3422.
Choi, W.J., T.S. Jung, K.J. Kim, S.Y. Choi, J.W. Cho, C.J. Kwak, J.W. Heo, J.U. Jin, K.A. Seo and S.H. Ko. 2014. A development of major disaster response scenarios and standards by locally(I) -focused on urban flooding and drought-. National Disaster Management Research Institute(NDMI) Primary Research Report. p.15
Environmental Geographic Information Service (EGIS). 2018. Land Cover Map. https://egis.me.go.kr/intro/land.do. (Accessed may 13, 2020).
European Space Agency(ESA). 2020. MultiSpectral Instrument(MSI) Overview. https://earth.esa.int/web/sentinel/technical-guides/sentinel-2-msi/msi-instrument. (Accessed april 6, 2020).
GEO University. 2020. Remote Sensing Satellite Data and Spectral Indices. https://www.geo.university/pages/spectral-indices-with-multispectral-satellite-data. (Accessed march 13. 2020).
Han, W.S. and T.S. Park. 2014. Diagnosis and policy direction of urban flooding disaster prevention system. KRIHS Policy Brief. p.2
Jang, J.C., Y.W. Yoon and K.A. Park. 2017. Development of R&E educational program using satellite image for science-gifted student -focused on land use classification around Siheung -si-. School Science Journal 11(1):98-112.
Jang, M.W., S.H. Yoo and J.Y. Choi. 2007. Analysis of spring drought using NOAA/AVHRR NDVI for North Korea. Journal of the Korean Society of Agricultural Engineers 49(6):21-33.
Jung, W.K., S.K. Lim and M.S. Kim. 1999. Changes of agricultural land use after flooding analyzed by Landsat-TM data. The Journal of the Korean Society of International Agriculture 11(2):155-160.
Kawabata, A., K. Ichii and Y. Yamaguchi. 2001. Global monitoring of interannual changes in vegetation activities using NDVI and its relationships to temperature and precipitation. International Journal of Remote Sensing 22(7):1377-1382.
Kim, B.K., D.W. Jang, N. Zhang and D.M. Yang. 2011. The deduction of urban flood risk factor considering climate change. Crisisonomy 7(1):125-142.
Kim, D.W., J.C. Park and D.H. Jang. 2017. Analysis of the possibility for drought detection of spring season using SPI and NDVI. Journal of the Association of Korean Geographers 6(2):165-174.
Kim, E.S., B.R. Lee and J.H. Lim. 2019. Forest damage detection using daily normal vegetation index based on time series Landsat Images. Korean Journal of Remote Sensing 35(6):1133-1148.
Kim, I.H. 2016. Drone based construction of spatial image information and plan of GIS data gathering and utilizing. Real Estate Focus 95. p.35
Kim, S.H., J. Heo, K.H. Yun and H.G. Sohn. 2007. Impervious surface estimation using Landsat-7 ETM+ image in Ansung area. Korean Journal of Remote Sensing 23(6):529-536.
Kim, Y.R. and J.K. Jin. 2018. Diagnosis and improvement of water-cycle policy in Seoul. Seoul Institute Policy Research Report. p.2
Korea Meteorological Administration(KMA). 2020. Historical Data. Ground Observation Data. https://www.weather.go.kr/weather/climate/past_cal.jsp. (Accessed march 13, 2020).
Korean Statistical Information Service (KOSIS). 2019. Population status of urban areas. http://kosis.kr/statHtml/statHtml.do?orgId315&tblIdTX_315_2009_H1001&vw_cdMT_OTITLE&list_id315_31502_008&scrId&seqNo&lang_modeko&obj_var_id&itm_id&conn_pathE1. (Accessed march 31, 2020).
Lee, S.J., K.J. Kim, Y.H. Kim, J.W. Kim and Y.W. Lee. 2017. Development of FBI(Fire Burn Index) for Sentinel-2 images and an experiment for detection of burned areas in Korea. Journal of the Association of Korean Photo-Geographers 27(4):187-202.
Park, J.S., K.T. Kim, J.H. Lee and K.S. Lee. 2006. Applicability of multi-temporal MODIS images for drought assessment in South Korea. Journal of the Korean Association of Geographic Information Studies 9(4):176-192.
Park, J.S., W.H. Lee and M.H. Jo. 2016. Improving accuracy of land cover classification in river basins using Landsat-8 OLI image, vegetation index, and water index. Journal of the Korean Association of Geographic Information Studies 19(2):98-106.
Parmiggiani, F., G. Quarta, G.P. Marra and D. Conte. 2006. NDVI fluctuations from 1995 to 2006 in South Italy and North Africa: A search for a climate change indicator. Proceedings of SPIE-The International Society for Optical Engineering 6359.
Rouse, J.W., R.H. Haas, J.A. Schell and D.W. Deering. 1974. Monitoring vegetation systems in the Great Plains with ERTS. 3rd Earth Resource Technology Satellite Symposium. Proceedings 1:48-62.
Shin, H.J., M.J. Park, E.H. Hwang, H.S. Chae and S.J. Kim. 2015. A study of spring drought using Terra MODIS satellite image -for the Soyanggang dam watershed-. Journal of the Korean Association of Geographic Information Studies 18(4):145-157.
Shin, S.C. and T.Y. An. 2004. Estimation of areal evapotranspiration using NDVI and temperature date. Journal of the Korean Association of Geographic Information Studies 7(3):79-89.
Shin, S.C., S. Jeong, K.T. Kim, J.H. Kim and J.S. Park. 2006. Dought detection and estimation of water deficit using NDVI. Journal of the Korean Association of Geographic Information Studies 9(2):102-114.
Tourre, Y.M., L. Jarlan, J-P. Lacaux, C.H. Rotela and M. Lafaye. 2008. Spatio-temporal variability of NDVI-precipitation over southernmost South America: possible linkages between climate signals and epidemics. Environmental Research Letters 3(4) 044008:1-9.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.