[논문]에디공분산 방법에 의한 GLDAS와 GLEAM 증발산량의 적정성 평가

이연길; 임배석; 김기영; 이경훈

doi:10.3741/jkwra.2020.53.10.889

[국내논문] 에디공분산 방법에 의한 GLDAS와 GLEAM 증발산량의 적정성 평가
Adequacy evaluation of the GLDAS and GLEAM evapotranspiration by eddy covariance method 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.53 no.10, 2020년, pp.889 - 902

이연길 (한국수자원조사기술원 연구개발실) , 임배석 (대영ENG&C(주)) , 김기영 (한국수자원조사기술원 연구개발실 SM&ET) , 이경훈 (전남대학교 공과대학 토목공학과)

초록
AI-Helper

본 연구에서는 GLDAS (Global Land Data Assimilation System)와 GLEAM (Global Land Evaporation Amsterdam Model) 증발산량의 적정성을 평가하기 위해 설마천 유역에서 관측된 에디공분산 기반의 잠열 플럭스를 검증자료로 활용하였다. 잠열 플럭스로부터 증발산량을 산정하기 위해 Koflux 프로그램으로 자료처리하였으며, 자료처리 후 발생된 빈구간을 보충(Gap-filling)하기 위해 FAO-PM (Food and Agriculture Organization-Penman Monteith), 평균 일변동(Mean Diurnal Variation, MDV), 칼만 필터(Kalman Filter)의 3가지 방법으로 대체 증발산량을 산정하였다. 본 연구에서는 3가지 방법 중 칼만 필터(Kalman Filter) 기반의 증발산량이 우수한 Bias와 RMSE를 보여 자료보충 방법으로 채택하였다. 공간증발산량은 GLDAS의 경우 Noah (version 2.1, 3시간, 공간해상도 0.25°)로 추출하였으며 GLEAM의 경우는 GLEAM(version 3.1a, 1일, 공간해상도 0.25°)를 이용하였다. GLDAS와 GLEAM의 공간증발산량을 에디공분산 기반의 증발산량으로 적정성을 평가한 결과, GLDAS의 증발산량이 에디공분산 기반과 비교적 적정한 결과를 나타내었다.

Abstract ▼ AI-Helper

This study was performed in Seolmacheon basin to evaluate the adequacy of GLDAS (Global Land Data Assimilation System) and GLEAM (Global Land Evaporation Amsterdam Model) evapotranspiration data. The verification data necessary for the evaluation of adequacy were calculated after processing the latent heat flux data produced in the Seolmacheon basin with the Koflux program. In order to gap-fill the empty period, alternative evapotranspiration was calculated in three ways: FAO-PM (Food and Agriculture Organization-Penman Monteith), MDV (Mean Diurnal Variation) and Kalman Filter. This study selected Kalman Filter method as the data gap-filling method because it showed the best Bias and RMSE among the three methods. The amount of GLDAS spatial evapotranspiration was calculated as Noah (version 2.1) with a time interval of 3 hours and a spatial resolution of 0.25°. The amount of GLEAM spatial evapotranspiration was calculated using GLEAM (version 3.1a). This study evaluated the spatial evapotranspiration of GLDAS and GLEAM as the evapotranspiration based on eddy covariance. As a result of evaluation, GLDAS spatial evapotranspiration showed better results than GLEAM. Accordingly, in this study, the GLDAS method was proposed as a method for calculating the amount of spatial evapotranspiration in the Seolmacheon basin.

주제어

표/그림 (25)

그림 Fig. 1. Study content and procedure
그림 Fig. 2. Location of study area (Seolmacheon basin)
그림 Fig. 3. Seolmacheon flux tower (MOLT, 2017)
그림 Fig. 4. Conservation equation (Finnigan et al.(2003))
표 Table 1. Eddy covariance system (MOLT, 2018)
표 Table 2. Monthly crop coefficient (2017yr, 2018yr)
표 Table 3. Basic characteristics of the GLDAS data (Fang et al., 2009)
그림 Fig. 5. Schematic of the four modules of GLEAM (Martens et al., 2017)
그림 Fig. 6. Estimation of evapotranspiration on GLDAS
그림 Fig. 7. Comparison of latent heat characteristics between 2017 and 2018
표 Table 4. Spike ratio after data processing
그림 Fig. 8. Characteristics of daily evapotranspiration by Gap-filling method (2017yr)
그림 Fig. 9. Characteristics of daily evapotranspiration by Gap-filling method (2018yr)
그림 Fig. 10. Characteristics of Gap-filled daily evapotranspiration (2017yr)
그림 Fig. 11. Characteristics of Gap-filled daily evapotranspiration (2018yr)
표 Table 5. Yearly evapotranspiration characteristics by computation methods
그림 Fig. 12. Characteristics of satellited-based daily evapotranspiration (2017yr)
그림 Fig. 13. Characteristics of satellited-based daily evapotranspiration (2018yr)
표 Table 6. Statistics analysis result by Gap-filling method
표 Table 7. Characteristics of satellited-based evapotranspiration
그림 Fig. 14. Yearly evapotranspiration map
그림 Fig. 15. Monthly ET Map based on GLDAS
그림 Fig. 16. Monthly ET Map based on GLEAM
표 Table 8. Statistics analysis result of evapotranspiration (2017yr)
표 Table 9. Statistics analysis result of evapotranspiration (2018yr)

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 GLDAS와 GLEAM 기반 증발산량의 적정성을 평가하기 위해 설마천 에디공분산 자료로 비교·검증을 수행하였다.
본 연구에서는 생성된 일증발산량 지도로부터 일증발산량을 추출하여 그 특성을 분석하였다. Table 7은 GLDAS와 GLEAM의 공간증발산량 일, 월, 연의 특성을 나타낸 것으로서 연증발산량 규모는 GLDAS (2017년 414.
본 연구에서는 설마천 유역에 위치한 1개의 증발산량관측소 자료만으로 GLDAS와 GLEAM의 공간증발산량을 비교 평가하였다. 이는 본 연구의 한계로 판단되며 향후 검증지점을 늘려 연구의 정확도를 높여야 할 것으로 판단된다.
또한 GLEAM 증발산량이 크게 산정된 원인은 Priestley and Taylor 방정식 기반의 잠재증발량과 실제증발산량으로 변환하는 과정 등에서 발생된 것으로 판단된다. 사실, 본 연구는 현재 제공되고 있는 GLDAS와 GLEAM 자료의 활용성에 염두에 두고 적정성 평가에 있는 목적을 두었다. 향후 검증지점을 농경지 등으로 다양화하고 GLEAM 등의 공간증발산량 생산 알고리즘 등에 대한 연구를 병행한다면 이에 대한 원인을 규명할 수 있을 것으로 판단된다.
938)을 나타내었다. 이에 따라 본 연구에서는 설마천 유역의 증발산량 산정 방법으로 GLDAS 증발산량을 제안하였다.
이에 본 연구에서는 GLDAS (Global Land Data Assimilation System)와 GLEAM (Global Land Evaporation Amsterdam Model)의 공간증발산량의 적정성 평가에 목적을 두고 지상에서 관측된 자료와 비교 · 검증을 수행하였다.
이에 본 연구에서는 GLDAS, GLEAM 등의 자료로부터 증발산량을 추출하여 지상 실측자료와 비교·검증하여 그 적정성을 평가하였다.

가설 설정

본 연구에서는 FAO-PM 방정식을 토대로 증발산량을 산정하기 위해서 플럭스 타워에서 관측된 미기상인자를 입력 자료로 이용하였다. FAO-PM 식에 의해 산정된 증발산량은 수분 공급의 제한이 없다는 가정 하의 잠재증발산량(Latent Evapotranspiration, LE)으로 에디공분산 기반의 실제증발산량(Actual Evapotranspiration, AE)과는 구별된다. 이에 따라 본 연구에서는 자료보충(Gap-filling)의 신뢰도를 높이기 위해 Jensen이 1968년에 제시한 Eq.

제안 방법

본 연구에서는 빈구간의 자료를 보충하기 위해 FAO-PM, MDV, Kalman-Filter의 3가지 방법으로 대체 증발산량을 산정하였다. 3가지 방법에 대한 증발산량 산정 시간간격은 원시 잠열플럭스와 같은 30분을 적용하였으며, 이후 30분 간격의 증발산량을 각각 누가하여 일, 월, 년의 규모를 정량화하였다. Table 5는 3가지 방법으로 산정된 2017년, 2018년의 연증발산량 규모와 이를 토대로 자료보충을 수행한 결과를 나타내고 있다.
Fig. 6은 GLDAS 자료(시간해상도 3시간, 공간해상도 25 km)로 부터 공간증발산량을 추출하는 과정을 나타낸 것으로서 본 연구에서는 GLDAS Data Set, Data Extract, Mapping ET의 3단계로 진행하였다. 본 연구에서 생성한 지도는 GLDAS, GLEAM 각각 일증발산량 730개(2017년 365개, 2018년 365개), 월증발산량 24개(2017년 12개, 2018년 12개), 연증발산량 2개(2017년 1개, 2018년 1개)에 이른다.
넷째, GLDAS의 공간증발산량은 3시간, 공간해상도 0.25°를 갖는 Noah (version 2.1)로 산정하였다.
첫째, 설마천 증발산량관측소에서 2개년(2017, 2018년) 간의 잠열플럭스를 수집하여 Koflux 프로그램으로 자료를 처리한 후 Eddy Covariance 기반의 증발산량을 생산하였다. 둘째, 자료처리 후 발생된 빈구간에 대한 자료보충을 위해 FAO-PM(Food and Agriculture Organization-Penman Monteith), 평균 일변동(Mean Diurnal Variation, MDV), 칼만 필터(Kalman Filter)의 3가지 방법으로 대체 증발산량을 산정하였다. 셋째, 3가지 방법으로 산정된 증발산량 계열과 에디공분산 계열로 통계량(Bias와 RMSE)을 산정하여 자료보충 방법을 평가하였다.
에디공분산 자료의 보충(Gap-filling)을 위해 FAO-PM, MDV, Kalman Filter의 3가지 방법으로 대체증발산량을 산정하였다. 본 연구에서는 FAO-PM 등 3가지 방법 중 Kalman Filter가 에디공분산 자료와 양호한 통계량을 보여 Kalman Filter를 에디공분산 자료의 보충방법으로 채택하였다. 공간증발산량은 GLDAS의 경우 3시간, 공간해상도 0.
또한, u는 제어 벡터로 불리며, w와 v는 평균이 0이고 상관성이 없으며 Gaussian 분포를 따르는 시스템과 관측값의 오차를 나타낸다. 본 연구에서는 결측 구간에 FAO-PM 방법과 MDV 방법을 통해서 계산된 대체 증발산값의 평균을 구하여 이를 입력 자료로 활용하였다.
여기서, ET는 실제 작물 증발산량, ETo는 기준 작물 증발산량, Kc는 작물계수(Crop Coefficient)를 나타낸다. 본 연구에서는 에디공분산 기반 증발산량(ET)과 FAO-PM 기반 증발산량(ETo)의 비율로 월간 작물계수를 산정하였다(Table 2). 산정된 월간 작물계수는 30분간격 값의 평균치로서 일반적으로 작물계수가 Rice Paddy 0 ~ 1.
본 연구에서는 위성기반 공간증발산량의 검증에 필요한 증발산량을 채택하기 위해 FAO-PM, MDV, Kalman-Filter 방법으로 보충된 3개 계열(30분 간격 자료)에 대한 통계적 검증을 실시하였다. 두 자료 간의 정량적 통계 분석을 위해 Bias (Eq.
본 연구에서는 자료보충을 Eddy Covariance 자료의 빈 구간을 대상으로 3가지 방법별(동시간대 기준)로 수행하였다. Figs.
자료 검증기간은 2개년(2017년, 2018년)으로 설마천 증발산량관측소의 잠열플럭스를 수집하여 Koflux 프로그램으로 자료 처리한 후 Eddy Covariance 기반의 증발산량을 산정하였다. 에디공분산 자료의 보충(Gap-filling)을 위해 FAO-PM, MDV, Kalman Filter의 3가지 방법으로 대체증발산량을 산정하였다. 본 연구에서는 FAO-PM 등 3가지 방법 중 Kalman Filter가 에디공분산 자료와 양호한 통계량을 보여 Kalman Filter를 에디공분산 자료의 보충방법으로 채택하였다.
3%)에 가장 크게 분석되었다. 이에 본 연구에서는 FAO-PM, MDV, KalmanFilter의 3가지 방법으로 대체 증발산량을 산정한 후 자료보충을 실시하였다.
본 연구에서는 GLDAS와 GLEAM 기반 증발산량의 적정성을 평가하기 위해 설마천 에디공분산 자료로 비교·검증을 수행하였다. 자료 검증기간은 2개년(2017년, 2018년)으로 설마천 증발산량관측소의 잠열플럭스를 수집하여 Koflux 프로그램으로 자료 처리한 후 Eddy Covariance 기반의 증발산량을 산정하였다. 에디공분산 자료의 보충(Gap-filling)을 위해 FAO-PM, MDV, Kalman Filter의 3가지 방법으로 대체증발산량을 산정하였다.
본 연구의 방법과 내용적인 범위를 기술하면 다음과 같다. 첫째, 설마천 증발산량관측소에서 2개년(2017, 2018년) 간의 잠열플럭스를 수집하여 Koflux 프로그램으로 자료를 처리한 후 Eddy Covariance 기반의 증발산량을 생산하였다. 둘째, 자료처리 후 발생된 빈구간에 대한 자료보충을 위해 FAO-PM(Food and Agriculture Organization-Penman Monteith), 평균 일변동(Mean Diurnal Variation, MDV), 칼만 필터(Kalman Filter)의 3가지 방법으로 대체 증발산량을 산정하였다.

대상 데이터

, 2011). GLEAM은 복사량, 강수량, 토양수분량 등과 같은 입력변수에 따라 다양한 데이터 셋을 제공하나 본 연구에서는 GLEAM의 데이터 셋 중 GLEAM_v3.1a 자료를 활용하였다. 증발산 산정에 이용되는 Priestley and Taylor (1972) 방정식은 Eq.
6은 GLDAS 자료(시간해상도 3시간, 공간해상도 25 km)로 부터 공간증발산량을 추출하는 과정을 나타낸 것으로서 본 연구에서는 GLDAS Data Set, Data Extract, Mapping ET의 3단계로 진행하였다. 본 연구에서 생성한 지도는 GLDAS, GLEAM 각각 일증발산량 730개(2017년 365개, 2018년 365개), 월증발산량 24개(2017년 12개, 2018년 12개), 연증발산량 2개(2017년 1개, 2018년 1개)에 이른다.
본 연구에서는 FAO-PM 방정식을 토대로 증발산량을 산정하기 위해서 플럭스 타워에서 관측된 미기상인자를 입력 자료로 이용하였다. FAO-PM 식에 의해 산정된 증발산량은 수분 공급의 제한이 없다는 가정 하의 잠재증발산량(Latent Evapotranspiration, LE)으로 에디공분산 기반의 실제증발산량(Actual Evapotranspiration, AE)과는 구별된다.
본 연구에서는 GLDAS와 GLEAM 증발산량의 적정성을 평가하기 위해 설마천 유역을 대상유역으로 선정하였다. 본 유역을 연구 대상유역으로 선정한 이유는 설마천 증발산량관측소가 2007년부터 현재까지 운영되고 있는 데에 있다.
본 연구에서는 위성기반의 공간증발산량을 평가하는데 필요한 지상 증발산량을 산정하기 위해 설마천 증발산량관측소에서 관측된 30분 간격의 원시 잠열플럭스 자료를 수집하였다. 수집된 자료 기간은 2개년(2017년, 2018년)이며 자료처리는 Koflux 프로그램으로 수행하였다.
설마천 증발산량 플럭스 타워 높이는 20 m이며, 이 타워에 Eddy Covariance 및 미기상 관측시스템이 장착되어 있다(2007년 8월 관측 개시). 플럭스 타워 19 m 높이에는 3차원 초음파 풍향풍속기 CSAT3가 설치되어 있다.
본 연구에서는 위성기반의 공간증발산량을 평가하는데 필요한 지상 증발산량을 산정하기 위해 설마천 증발산량관측소에서 관측된 30분 간격의 원시 잠열플럭스 자료를 수집하였다. 수집된 자료 기간은 2개년(2017년, 2018년)이며 자료처리는 Koflux 프로그램으로 수행하였다. Fig.

데이터처리

본 연구에서는 공간증발산량의 적정성을 평가하는 방법으로 Bias, RMSE, 피어슨 상관계수(Pearson’s Correlation Coefficient, r), Index of Agreement (IOA)의 통계량을 이용하였다.
둘째, 자료처리 후 발생된 빈구간에 대한 자료보충을 위해 FAO-PM(Food and Agriculture Organization-Penman Monteith), 평균 일변동(Mean Diurnal Variation, MDV), 칼만 필터(Kalman Filter)의 3가지 방법으로 대체 증발산량을 산정하였다. 셋째, 3가지 방법으로 산정된 증발산량 계열과 에디공분산 계열로 통계량(Bias와 RMSE)을 산정하여 자료보충 방법을 평가하였다. 넷째, GLDAS의 공간증발산량은 3시간, 공간해상도 0.
1a)를 활용하여 산정하였다. 여섯째, GLDAS와 GLEAM의 공간증발산량의 적정성을 평가하기 위해 Bias, RMSE, r, IOA의 통계량을 산정하였다. Fig.

이론/모형

2) 본 연구에서는 Kalman-Filter의 증발산량 계열이 에디공 분산 계열(자료보충 전)과 비교적 우수한 통계량(2017년 Bias 0.094 mm, RMSE 0.240 mm, 2018년 Bias 0.090 mm, RMSE 0.211 mm)을 보여 에디공분산 자료의 보충방법으로 Kalman-Filter를 채택하였다.
공간증발산량은 GLDAS의 경우 3시간, 공간해상도 0.25°를 갖는 Noah (version 2.1)로 산정하였으며, GLEAM의 경우 Priestley and Taylor (1972) 방정식 기반의 GLEAM (version 3.1a)를 활용하였다.
1)로 산정하였다. 다섯째, GLEAM의 공간증발산량은 Priestley and Taylor (1972) 방정식 기반의 GLEAM (version 3.1a)를 활용하여 산정하였다. 여섯째, GLDAS와 GLEAM의 공간증발산량의 적정성을 평가하기 위해 Bias, RMSE, r, IOA의 통계량을 산정하였다.
본 연구에서는 빈구간의 자료를 보충하기 위해 FAO-PM, MDV, Kalman-Filter의 3가지 방법으로 대체 증발산량을 산정하였다. 3가지 방법에 대한 증발산량 산정 시간간격은 원시 잠열플럭스와 같은 30분을 적용하였으며, 이후 30분 간격의 증발산량을 각각 누가하여 일, 월, 년의 규모를 정량화하였다.
(2001)). 본 연구에서는 에디공 분산 자료에 MDV 방법을 적용하여 대체증발산량을 산정하였다. MDV 방법에 있어서 중요한 것은 Window Size의 결정이다.
에디공분산 방법으로 관측된 잠열 플럭스로부터 일증발산량을 산정하기 위해서는 좌표변환(Planar Fit Rotation), 밀도 보정(Webb Pearman Leuning, WPL) 계산, 이상치(Spike) 제거 등이 필요하다. 본 연구에서는 이와 같은 과정을 수행하기 위해 KoFlux 프로그램을 활용하였다. KoFlux 프로그램은 PFR은 다중회귀선형방정식(Eq.
측정된 자료에는 이상치가 포함되기 마련이며, 전력공급 등 운영상 여러 문제로 결측이 발생되기 때문이다. 이에 본 연구에서는 FAO-PM, MDV, Kalman -Filter를 자료보충 방법으로 이용하였다.
그러나 통계량의 정도를 보면 Bias는 MDV와 Kalman-Filter의 값이 그리 차이를 보이지 않으나 RMSE는 Kalman-Filter의 값이 상당히 작은특성을 보였다. 이에 본 연구에서는 Kalman-Filter로 보충된 증발산량 계열을 위성기반 증발산량 검증자료로 활용하였다.

성능/효과

1) 보충방법별 대체증발산량의 규모를 분석한 결과, 2개년(2017년, 2018년) 모두에서 MDV(2017년 420.4 mm, 2018년 421.5 mm)와 Kalman Filter (2017년 434.7 mm, 2018년 432.1 mm)의 증발산량이 서로 유사하게 산정되었으나, FAO-PM (2017년 312.0 mm, 2018년 290.0 mm) 기반의 증발산량은 상당히 작은 규모를 보였다.
1 mm의 규모를 보였다. 2개년 모두 MDV와 Kalman Filter의 연증발산량은 비교적 유사한 규모를 보였지만 FAO-PM는 Eddy Covariance 보다도 더 적은 값으로 산정되었다. 이의 특성은 Figs.
1 mm로 산정되었다. 2개년 모두 연증발산량은 MDV 방법에서 최대 규모를 보였으며 FAO-PM 기반의 연증발산량은 최소 규모를 나타내었다.
3) Kalman-Filter로 보충된 에디공분산 증발산량과 GLDAS, GLEAM 증발산량의 연 단위 규모를 분석한 결과, GLDAS 연증발산량(2017년 414.4 mm, 2018년 469.1 mm)이 에디공분산 기반의 연증발산량(2017년 441.0 mm, 2018년 469.1 mm)과 비교적 유사한 규모를 보였다.
4) GLDAS와 GLEAM 증발산량의 적정성을 평가한 결과, 2017년, 2018년 모두 GLDAS 증발산량이 검증자료와 우수한 통계량(2017년 Bias –0.073 mm, RMSE 0.510 mm, r 0.897, IOA 0.923; 2018년 Bias 0.101 mm, RMSE 0.487 mm, r 0.893, IOA 0.938)을 나타내었다.
938의 특성을 보였다. GLDAS 증발산량을 여러 지점의 자료와 검증을 다향하게 수행하지 못하였지만 일증발산량, 월증발산량이 에디공분산 자료와 비교적 유사한 특성을 보이는 것으로 보아 GLDAS 증발산량은 적정성을 가지는 것으로 판단된다.
(15))를 사용하였으며, 이에 대한 결과는 Table 6과 같다. Table 6에서 알 수 있는 바와 같이 Bias는 MDV 방법, RMSE는 Kalman-Filter 방법이 2017년과 2018년 모두 가장 양호한 통계량을 보였다. 그러나 통계량의 정도를 보면 Bias는 MDV와 Kalman-Filter의 값이 그리 차이를 보이지 않으나 RMSE는 Kalman-Filter의 값이 상당히 작은특성을 보였다.
Table 6에서 알 수 있는 바와 같이 Bias는 MDV 방법, RMSE는 Kalman-Filter 방법이 2017년과 2018년 모두 가장 양호한 통계량을 보였다. 그러나 통계량의 정도를 보면 Bias는 MDV와 Kalman-Filter의 값이 그리 차이를 보이지 않으나 RMSE는 Kalman-Filter의 값이 상당히 작은특성을 보였다. 이에 본 연구에서는 Kalman-Filter로 보충된 증발산량 계열을 위성기반 증발산량 검증자료로 활용하였다.
1a)를 활용하였다. 에디공분산 증발산량(검증자료)으로 GLDAS와 GLEAM 증발산량의 적정성을 평가한 결과, GLEAM보다는 GLDAS 증발산량이 에디공분산 증발산량에 우수한 통계량(Bias, RMSE, r, IOA)을 보였다. 본 연구를 통해 도출된 결론은 아래와 같다.

후속연구

본 연구에서는 설마천 유역에 위치한 1개의 증발산량관측소 자료만으로 GLDAS와 GLEAM의 공간증발산량을 비교 평가하였다. 이는 본 연구의 한계로 판단되며 향후 검증지점을 늘려 연구의 정확도를 높여야 할 것으로 판단된다. 또한 GLEAM 증발산량이 크게 산정된 원인은 Priestley and Taylor 방정식 기반의 잠재증발량과 실제증발산량으로 변환하는 과정 등에서 발생된 것으로 판단된다.
이와 같은 측면을 감안하여 볼 때 우리나라 증발산량은 인공위성 기반의 자료와 연계·생산하여 공간 정보화하는 것이 합리적이며, 현 시점에서는 공간 정보화 체계 구축이 시급할 것으로 판단된다.
사실, 본 연구는 현재 제공되고 있는 GLDAS와 GLEAM 자료의 활용성에 염두에 두고 적정성 평가에 있는 목적을 두었다. 향후 검증지점을 농경지 등으로 다양화하고 GLEAM 등의 공간증발산량 생산 알고리즘 등에 대한 연구를 병행한다면 이에 대한 원인을 규명할 수 있을 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	우리나라 공간증발산량 산정에 활용할 수 있는 위성으로는 무엇이 있는가?	우리나라 공간증발산량 산정에 활용할 수 있는 위성으로는 Landsat (MSS, TM), NOAA (AVHRR, TOVS), AQUA(MODIS) 등이 있으나, Lee et al. (2015)은 MODIS 기반의 공간 증발산량은 지상관측 값보다 상대적으로 큰 값을 가짐을 규명한 바 있다.
	우리나라 증발산량관측소는 무엇을 기반으로 운영되고 있는가?	그러나 우리나라에서는 환경부 4대강 홍수통제소와 한국수자원공사 등의 관련기관에서 매우 한정된 지점에서 증발산량 자료를 생산하고 있다. 이들 증발산량관측소는 에디공분산(Eddy Covariance) 기반으로 운영되고 있으며 환경부 4대강 홍수통제소는 10개소, 한국수자원공사는 2개소를 운영하고 있다. 에디공분산 방법은 에너지 보존방정식에 근거하며, 수증기 농도와 연직풍속의 두 계열의 공분산(Covariance) 값으로 증발산량을 산정한다.
	에디공분산 방법의 특징은 무엇인가?	Eq. (1)은 I항~ IV항으로 구성되는데, I항은 저류항으로 관측 높이 아래에 저장된 수증기양, II항은 에디공분산항으로 연직 풍속과 수증기 농도의 공분산으로 계산되는 난류 수증기 플럭스를 의미한다. III ~ IV항은 각각 연직 이류항과 수평 이류항으로 연직 혹은 수평적으로 발생되는 수증기 농도 차가 연직 혹은 수평적으로 이류되는 수증기 양을 나타낸다.

참고문헌 (16)

Allen, R.G., Pereira, L.S., Raes, D., and Smith, M. (1998). "Crop evapotranspiration for computing crop water requirements." FAO irrigation and drainage paper 56 in ROME, Italy.
Cleugh, H.A., Leuning, R., Mu, Q., and Running, S.W. (2007). "Regional evaporation estimaters from flux tower and MODIS satellite data." Remote Sensing of Environment, Vol. 106, pp. 285-304.
Falge, E., Baldocchi, D., Olson, R.J., Anthoni, P., Aubinet, M., Bernhofer, C., Burba, G., Ceulemans, R., Clement, R., Dolman, H., Granier, A., Gross, P., Grunwald, T., Hollinger, D., Jensen, N.-O., Katul, G., Keronen, P., Kowalski, A., Ta Lai, C., Law, B.E., Meyers, T., Moncrieff, J., Moors, E., Munger, J.W., Pilegaard, K., Rannik, U., Rebmann, C., Suyker, A., Tenhunen, J., Tu, K., Verma, S., Vesala, T., Wilson, K., and Wofsy, S. (2001). "Gap filling strategies for defensible annual sums of net ecosystem exchange." Agricultural and Forest Meteorology, Vol. 107, pp. 43-69.

상세보기
Fang, H., Beaudoing, H.K., Teng, W.L., and Vollmer, B.E. (2009). "Global Land Data Assimilation System (GLDAS) products, services and application from NASA hydrology data and information services center (HDISC)." American Society for Photogrammetry and Remote Sensing, Annual conference, pp. 8-13
Jang, K.C., Kang, S.K., Kim, H.W., and Kwon, H.J. (2009). "Evaluation of shortwave irradiance and evapotranspiration derived from moderate resolution imaging spectroradiometer (MODIS)." Asia-Pacific Journal of Atmospheric Sciences, Vol. 45, pp. 233-246.

상세보기
Korea Institute of Civil Engineering and Building Technology (KICT) (2013). Hydrological survey for flood forecasting of the mountainous river basin. pp. 7-12.
Lee, Y.G, Lee, J.H., Choi, M.H., and Jung, S.W. (2015). "Evaluation of MODIS-derived evapotranspiration according to the water budget analysis." Journal of Korea Resources Association, Vol 48, pp. 831-843.
Martens, B., Miralles, D.G., Lievens, H., Robin, S., Richard, A.M., Beck, H.E., Dorigo, W.A., and Verhoest, E.C. (2017). "GLEAM v3: Satellite-based land evaporation and root-zone soil moisture." Geoscientific Model Development, Vol. 10, pp. 1903-1925.

상세보기
Ministry of Land, Infrastructure, and Transport (MOLT) (2017). Hydrological survey report in 2017 (Part 2: Soil moisture content and evapotranspiration measurement). pp. 27-35.
Ministry of Land, Infrastructure, and Transport (MOLT) (2018). Hydrological survey report in 2018 (Part 2: Soil moisture content and evapotranspiration measurement). pp. 9-36.
Miralles, D.G., Holmes, T.R.H., De Jeu, R.A.M., Gash, J.H., Meesters, A.G.C.A., and Dolman, A.J. (2011). "Global landsurface evaporation estimated from satellite-based observations." Hydrology and Earth System Sciences, Vol. 15, pp. 453-469.

상세보기
Mu, Q., Lee, J.H., Lee, Y.K., Lee, J.W., Jung, S.W., and Kim, J. (2009). "Seasonal variations of evapotranspiration observed in a mixed forest in the Seolmacheon catchment." Korean Journal of Agricultural and Forest Meteorology, Vol. 11, pp. 39-47.
Nishida, K., Nemani, R.R., Glassy, J.M., and Running, S.W. (2003). "Devlopment of an evapotranspiration index Aqua/MODIS for monitoring surface moisture status." IEEE Transaction on Geoscience and Remote Sensing, Vol. 41, No. 2, pp. 493-501.
Priestley, C.H.B., and Taylor, R.J. (1972). "On the assessment of surface heat flux and evaporation using large scale parameters." Monthly Weather Review, Vol. 100, pp. 81-92.

상세보기
Wilczak, J.M., Oncley, S.P., and Stage, S. (2001). "Sonic anemometer tilt correction algorithms." Boundary Layer Meteorology, Vol. 99, pp. 127-150.

상세보기
Yuan, R.M., Kang, S., Park, J., Hong., and Kim, J. (2007). "The effect of coordinate rotation on the eddy covariance flux estimation in a hilly KoFlux forest catchment." Korean Journal of Agricultural and Forest Meteorology, Vol. 9, No. 2, pp. 100-108.

원문보기 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