[논문]MODIS 광학 영상 자료를 통한 한반도 GPM 강우 자료의 상세화 기법

오승철; 정재환; 이슬찬; 최민하

doi:10.7780/kjrs.2020.36.5.1.8

[국내논문] MODIS 광학 영상 자료를 통한 한반도 GPM 강우 자료의 상세화 기법
Downscaling GPM Precipitation Using Finer-scale MODIS Based Optical Image in Korean Peninsula 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.36 no.5 pt.1, 2020년, pp.749 - 762

오승철 (성균관대학교 건설환경시스템공학과) , 정재환 (성균관대학교 수자원학과) , 이슬찬 (성균관대학교 수자원학과) , 최민하 (성균관대학교 토목공학과)

초록
AI-Helper

강우는 유출, 증발산 등 여러 수문 현상들과 밀접한 연관이 있으며, 직관적인 측정이 가능하기 때문에 다양한 현상을 해석하고 분석하는데 빈번하게 활용되어 왔다. 한반도에서는 강우 관측소의 운영과 레이더를 활용한 측정이 주를 이루고 있으며, 정확하고 정밀한 측정이 가능한 연구수준을 보유하고 있다. 하지만 이는 인프라가 구축되지 않은 미계측 유역에서의 강우를 측정하기에는 적합하지 않으므로, 위성을 활용한 정확한 강우 분석에 대한 연구가 요구되고 있다. 위성 기반 강우자료는 10 km, 25 km 정도의 낮은 공간해상도를 갖고 있으며, 정확도에 있어서 지점 자료에 비해 신뢰도가 낮다는 인식이 있어 활용범위가 제한적이다. 본 연구에서는 이러한 공간 해상도의 한계를 극복하고 지점 자료와의 정확도를 높이고자, 10 km의 공간해상도를 갖는 전지구관측 위성(GPM) 기반 강우 자료를 1 km까지 상세화하였다. 특히, 미계측 유역 등 지점 자료가 부족한 곳에서의 위성 영상 활용도를 제고하기 위해, 상세화 과정에서 지점 자료를 사용하지 않고 MODIS 기반의 구름 인자를 활용하였다. 상세화 된 강우 자료는 빌딩 등 복잡한 환경적 특성을 지닌 서울 지역에서 지점 강우 자료와 검증함으로써, 위성 기반 고해상도 강우자료의 활용 가능성을 평가하였다. 상세화가 적용된 강우 자료의 상관성은 봄에는 0.08만큼 감소하였고, 여름에는 같은 값을 가지며, 가을에는 0.01만큼 감소하였고, 겨울에는 0,04만큼 증가하였다. 지점 자료를 사용하지 않고 위성기반 강우 자료를 상세화 하는 기술은 추후 인프라의 구축이 충분하지 않은 해외 지역이나 지점 관측에 한계가 있는 미계측 유역의 강우를 분석하는 데 유용하게 사용될 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

Precipitation is closely related to various hydrometeorological phenomena, such as runoff and evapotranspiration. In Korean Peninsula, observing rainfall intensity using weather radar and rain gauge network is dominating due to their accurate, intuitive and precise detecting power. However,since these methods are not suitable at ungauged regions, rainfall detection using satellite is required. Satellite-based rainfall data has coarse spatial resolution (10 km, 25 km), and has a limited range of usage due to its reliability of data. The aim of this study is to obtain finer scale precipitation. Especially, to make the applicability of satellite higher at ungauged regions, 10 km satellite-based rainfall data was downscaled to 1 km data using MODerate Resolution Imaging Spectroradiometer (MODIS) based cloud property. Downscaled precipitation was verified in urban region, which has complex topographical and environmental characteristics. Correlation coefficient was similar in summer (+0), decreased in spring (-0.08) and autumn (-0.01), and increased in winter (+0.04) season compared to Global Precipitation Measurement (GPM) based precipitation. Downscaling without calibration using in situ data could be useful in areas where rain gauge system is not sufficient or ground observations are rarely available.

Keyword

표/그림 (11)

그림 Fig. 1. Location of the study area and validation sites.
표 Table 1. Location of the validation sites
그림 Fig. 2. Flow chart of downscaling mechanism.
표 Table 2. Criteria of hit indices
표 Table 3. Statistics between P_GPM and P_AWS
표 Table 4. Statistical metrics of P_Downscaled of each validation site
표 Table 5. Statistical metrics of P_Downscaled of each season
그림 Fig. 3. Spatial distribution of precipitation (Spring: Apr. 23).
그림 Fig. 4. Spatial distribution of precipitation (Summer: Jul. 20).
그림 Fig. 5. Spatial distribution of precipitation (Autumn: Sep. 21).
그림 Fig. 6. Spatial distribution of precipitation (Winter: Dec. 1).

AI 본문요약
AI-Helper

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

문제 정의

다중 인자를 사용하거나, 인공지능을 활용하는 등 다양한 기법을 통해 원 자료의 공간해상도나 시간 해상도를 개선하기 위한 연구가 수행되고 있다. 본 연구에서는 미계측 유역에서도 활용할 수있는 상세화 기법을 사용하고자 하였으며, 이를 위해 비교적 짧은 기간에도 적용할 수 있도록, 또한 적은 인자를 사용할 수 있도록 하였다. 사용한 상세화 기법은 두가지 기본 가정을 전제하고 있다: 1) 특정 인자들 사이의 관계성이 대표하는 공간의 규모에 따라 일정하다.
본 연구는 PGPM의 상세화를 통해 고해상도의 강우 자료를 생산하고자 하였다. CTT와 강우 강도 사이에 강한 상관성이 존재한다는 전제를 바탕으로CTTMOD06와 PGPM 간의 관계식을 도출하였다.

가설 설정

본 연구에서는 미계측 유역에서도 활용할 수있는 상세화 기법을 사용하고자 하였으며, 이를 위해 비교적 짧은 기간에도 적용할 수 있도록, 또한 적은 인자를 사용할 수 있도록 하였다. 사용한 상세화 기법은 두가지 기본 가정을 전제하고 있다: 1) 특정 인자들 사이의 관계성이 대표하는 공간의 규모에 따라 일정하다. 즉, GPM과 MODIS CTT 자료의 경우에서는, 10 km 해상도의 GPM 강우와 10 km 구름 간의 상관성은 1 km 단위 강우와 1 km 단위CTT 간의 상관성과 일치한다는 가정을 전제하고 있다.
(1998)의 연구에서는 해당 관계식에가강수량(Precipitable Water)을 포함하여 보다 높은 정확도로 강우를 모의하였다. 2) 해당 상관성은 각 인자의잔차(residual)간의 관계에서도 성립한다. 잔차란 측정된 값에서 모의된 값을 차이를 일컬으며(Eq.
잔차란 측정된 값에서 모의된 값을 차이를 일컬으며(Eq. (1)), 본 연구에서는 강우와 CTT 간의 상관성이 잔차간의 관계에서도 유효하다고 가정하였다. Fig.

제안 방법

(2009)의 연구에서는 Kalman filter를 활용한 자료 동화 기법(C09 알고리즘)을 통해 강우를 보정하였다. Antecedent Precipitation Index (API) 모형과 위성 토양수분을 활용하여 Psat를 보정하였으며, 이를 통해 강우 자료의 정확도를 개선하였다.
(2018)의 연구에서는 정규식생지수(Normalized Difference Vegetation Index, NDVI)와 수치표고모델 (Digital Elevation Model, DEM)을 활용하여 PGPM의 공간해상도를 상세화하였다. 상세화된 강우 자료는 기존 위성 자료 대비 향상된 정확도를 나타냈으며, 해당 결과를 바탕으로 NDVI와 DEM 자료가 P 자료와 갖는 상관성을 분석하였다. 이외에도 구름의 특성을 반영한 인자들, 지표면 온도(Land Surface Temperature, LST) 등 다양한 인자들이 상세화에 활용되고 있을 뿐 아니라 (Duan et al.
이에 착안하여, 본 연구에서는 한반도에서의 Psat 활용성 향상을 위해 상세화 기법을 적용하였다. 저해상도인 P_GPM의 상세화를 통해 고해상도 강우 자료(P_Downscaled) 를 생산하였으며, 이를 AWS 강우 자료(P_AWS)와 검증하여 신뢰성을 평가하였다.
이에 착안하여, 본 연구에서는 한반도에서의 Psat 활용성 향상을 위해 상세화 기법을 적용하였다. 저해상도인 P_GPM의 상세화를 통해 고해상도 강우 자료(P_Downscaled) 를 생산하였으며, 이를 AWS 강우 자료(P_AWS)와 검증하여 신뢰성을 평가하였다. 정확도가 높은 지점 강우 자료를 활용할 경우 높은 정확도를 지니는 고해상도 강우 자료의 획득이 가능할 것으로 판단되나, 본 연구에서는 지점 자료를 활용하지 않고 강우 자료 상세화를 진행하였다.
저해상도인 P_GPM의 상세화를 통해 고해상도 강우 자료(P_Downscaled) 를 생산하였으며, 이를 AWS 강우 자료(P_AWS)와 검증하여 신뢰성을 평가하였다. 정확도가 높은 지점 강우 자료를 활용할 경우 높은 정확도를 지니는 고해상도 강우 자료의 획득이 가능할 것으로 판단되나, 본 연구에서는 지점 자료를 활용하지 않고 강우 자료 상세화를 진행하였다. 이는 인프라가 구축되지 않은 해외 지역이나 지점 강우 자료 획득이 어려운 미계측 유역의 고해상도 강우 자료를 획득하고, 나아가 다양한 수문 현상을 해석 하는 데 사용하기 위함이다.
Land Processes Distributed Active Archive Center (LPDAAC)에서는 level 2 이상의 자료가 제공된다. 본 연구에서는 MOD06_L2에서 생산되는 인자 중 구름 상층부 온도 (Cloud Top Temperature, CTT)를 사용하였다. 10 km의 공간해상도를 가지는 PGPM의 상세화를 위해 1 km의 공간해상도를 지니는 자료를 사용하였으며, PAWS와 마찬가지로 일 단위로 변환하였다.
본 연구에서는 MOD06_L2에서 생산되는 인자 중 구름 상층부 온도 (Cloud Top Temperature, CTT)를 사용하였다. 10 km의 공간해상도를 가지는 PGPM의 상세화를 위해 1 km의 공간해상도를 지니는 자료를 사용하였으며, PAWS와 마찬가지로 일 단위로 변환하였다.
본 연구에서는 모의된 강우 자료의 검증을 위해 두 성격의 도구를 사용하였다. 두 자료의 경향, 값의 유사성 및 차이를 비교하기 위한 3가지 도구(R, RMSE, Bias) 를 사용하였으며, 강우 발생 여부 진단 정확성 평가를 위한 3가지 도구(POD, FAR, CSI)를 사용하였다.
자료 간의 절대적인 값의 차이를 비교하기 위해 평균 제곱근 편차(Root Mean Square Error; RMSE)를 사용하였으며, 선형 상관성을 비교하기 위한 지표로 상관계수(R)를 사용하였다. 또한, 기준 자료에 대한 모의 강우 자료의 경향을 판단하기 위한 지표로 편향(Bias)를 사용하였다. 각 도구는 다음과 같이 표현된다.
Pi 는 상세화를 통해 모의된 강우 자료로 1 km의 공간해상도를 지니며, Oi 는 지점에서 측정된 강우 자료이다. 검증을 위해 시간 해상도를 일 단위로 변환하여 비교 분석하였다.
를 사용하였으며, 2019년 4월부터 2020년 3월까지 12개월 간의 자료를 사용하였다. 계절에 따른 정확성 분석을 위해 기간을 4구간(봄철, 여름철, 가을철, 겨울철)으로 나누었으며, 통계학적 도구를 사용하여 각 구간 별 신뢰도를 검증하였다.
, 2013). 따라서, 본 절에서는 지점 별 검증을 통해 연구지역의 지형 및 환경에 따른 강우 자료 신뢰성을 평가하였다.
본 연구는 PGPM의 상세화를 통해 고해상도의 강우 자료를 생산하고자 하였다. CTT와 강우 강도 사이에 강한 상관성이 존재한다는 전제를 바탕으로CTTMOD06와 PGPM 간의 관계식을 도출하였다. 도출된 관계식은 PGPM, residual 모의에 사용되어 최종적으로 상세화된 강우를 획득하였다.
CTT와 강우 강도 사이에 강한 상관성이 존재한다는 전제를 바탕으로CTTMOD06와 PGPM 간의 관계식을 도출하였다. 도출된 관계식은 PGPM, residual 모의에 사용되어 최종적으로 상세화된 강우를 획득하였다. 먼저, PDownscaled는 PGPM에 비해 RMSE와 Bias가 상대적으로 높아 과대 산정 경향성이 강해졌다.

대상 데이터

본 연구에서는 L3의 Integrated Multisatellite Retrievals for GPM (IMERG) 자료를 사용하였다. 해당 자료는 0.
AWS는 지진, 태풍, 홍수, 가뭄 등각종 기상현상에 따른 자연재난을 막기 위해 실시되는 지상 관측을 일컫는다. 본 연구에서는 P_GPM의 검증을 위해 기상자료 개방포털에서 제공하는 서울 지역의 시 단위 강우 자료를 사용하였다. 검증에 활용되는 지점이 적을 경우 해당 지역의 지형지리학적인 영향과 환경적인 영향을 충분히 고려하지 못해 불확실성을 내포하게 된다.
서울 지역은 주파수 간섭(Radio frequency Interference), 극심한 도시화 등 다양한 방해요소로 인해 P_GPM 자료의 품질이 떨어지지만, 픽셀 내에 존재하는 AWS 지점이 비교적 많고 관측소 간 거리가 짧아 검증을 위한 기준 지역으로써 적합하다. 본 연구에서는 2019년 4월부터 2020년 3월까지의 자료를 사용하였으며, 무작위로 20개의 지점을 추출 하여 활용하였다. Fig.
3) MODIS

MODerate Resolution Imaging Spectroradiometer (MODIS)는 1999년 12월에 발사된 Terra 위성과 2000년 5월에 발사된 Aqua 위성에 장착된 센서로 36가지의 각기 다른 band를 통해 전 지구의 표면을 관측하며, Band 1-2, Band 3-7, Band 8-36은 각각 250 m, 500 m, 그리고 1,000 m의 공간 해상도를 지니는 데이터를 생산한다. 각 band를 통해 측정된 자료들은 전처리를 거쳐 제공되며, 각 자료의 전처리 수준이 level을 통해 표현된다.
P_GPM의 검증을 위해 20개의 P_AWS를 사용하였으며, 2019년 4월부터 2020년 3월까지 12개월 간의 자료를 사용하였다. 계절에 따른 정확성 분석을 위해 기간을 4구간(봄철, 여름철, 가을철, 겨울철)으로 나누었으며, 통계학적 도구를 사용하여 각 구간 별 신뢰도를 검증하였다.

데이터처리

두 자료의 경향, 값의 유사성 및 차이를 비교하기 위한 3가지 도구(R, RMSE, Bias) 를 사용하였으며, 강우 발생 여부 진단 정확성 평가를 위한 3가지 도구(POD, FAR, CSI)를 사용하였다. 자료 간의 절대적인 값의 차이를 비교하기 위해 평균 제곱근 편차(Root Mean Square Error; RMSE)를 사용하였으며, 선형 상관성을 비교하기 위한 지표로 상관계수(R)를 사용하였다. 또한, 기준 자료에 대한 모의 강우 자료의 경향을 판단하기 위한 지표로 편향(Bias)를 사용하였다.

이론/모형

본 연구에서는 모의된 강우 자료의 검증을 위해 두 성격의 도구를 사용하였다. 두 자료의 경향, 값의 유사성 및 차이를 비교하기 위한 3가지 도구(R, RMSE, Bias) 를 사용하였으며, 강우 발생 여부 진단 정확성 평가를 위한 3가지 도구(POD, FAR, CSI)를 사용하였다. 자료 간의 절대적인 값의 차이를 비교하기 위해 평균 제곱근 편차(Root Mean Square Error; RMSE)를 사용하였으며, 선형 상관성을 비교하기 위한 지표로 상관계수(R)를 사용하였다.
다른 구간과는 달리, 12~2월은 저강도, 중강도 및 고강도 강우 사건에 대해 과대 산정되는 경우가 빈번하게 나타나는데, 이는 기온이 감소함에 따라 발생하는 얼음 입자에 의한 결과이다. GPM 위성은 수동 마이크로파 (Passive Microwave,PMW)알고리즘과적외선(Infrared,IR) 알고리즘을 통해 강우 강도를 추정하는데, 그 중 PMW 알고리즘은 마이크로파 방출량(microwave emission)과 산란도(Scattering)를 활용한다. PMW 알고리즘은 구름 내의 얼음 입자 농도가 높을수록 강우 강도를 높게 산정하는데, 지면에 존재하는 적설 및 해빙층에 의한 산란 도를 고강도 강우로 인식해 과대 평가하게 된다(Ebert et al.

성능/효과

(2015)의 연구에서는 물수지 분석방법을 기반으로 위성 토양수분을 활용하여 강우를 모의하였으며, 이를 지점 자료와 통합하여 사용 하였다. 통합된 강우 자료는 지점 자료보다 정확한 유출을 모의하였고, 이를 통해 지점 자료에 내재된 불확실성 완화의 필요성을 시사하였다. Crow et al.
(2015)의 연구에서는 지역별 상세 관측자료(Automatic Weather System, AWS)를 통해 한반도에서의 Tropical Rainfall Measurement Mission (TRMM) Multisatellite Precipitation Analysis (TMPA)과 Communication, Ocean and Meteorological Satellite (COMS) 자료를 분석 하였다. 저강도 및 고강도 강우 기간에 대해서 Psat의 정확도가 큰 폭으로 낮아졌으며, 위도, 고도 등 연구지역의 지리적 특성에 따라 상이한 정확도를 보였다. Kim et al.
(2017)의 연구에서는 한반도를 포함한 동아시아 지역에서의 Global Precipitation Measurement (GPM) 자료 (PGPM)와 TRMM 자료(PTRMM)를 평가하였다. 지리적, 기후적 차이에 따른 분석을 토대로 계절을 구분하여 연구를 진행하였으며, PGPM가 PTRMM에 비해 적합한 것으로 나타났다. PTRMM 자료의 경우 저강도 및 대류 강우에 대한 민감도가 비교적 낮은 것으로 나타났는데, 이로 인해 Psat를 활용하여 산출된 결과의 신뢰도가 해당 연구지역의 강우의 종류 및 강도에 따라 확연히 달라질 것으로 판단된다.
지리적, 기후적 차이에 따른 분석을 토대로 계절을 구분하여 연구를 진행하였으며, PGPM가 PTRMM에 비해 적합한 것으로 나타났다. PTRMM 자료의 경우 저강도 및 대류 강우에 대한 민감도가 비교적 낮은 것으로 나타났는데, 이로 인해 Psat를 활용하여 산출된 결과의 신뢰도가 해당 연구지역의 강우의 종류 및 강도에 따라 확연히 달라질 것으로 판단된다.
, 2009). 따라서 지점에서는 고강도 강우가 기록되나 저해상도에서는 낮은 강우로 인식되는 사건이 많아지게 되며 이로 인해 전체 구간의 RMSE에 비해 여름철 구간이 상대 적으로 높은 RMSE, 낮은 r², 그리고 낮은 Bias를 가지는 것을 확인할 수 있다. 봄철의 경우, 건조한 겨울철을 지나며 대기의 불안정성이 심화됨에 따라 대류성 강우 분포의 복잡성이 더욱 심화된다.
67) 값을 갖는다. 두 구간 (봄철, 여름철)에서 모두 P_AWS에 비해 PGPM의 저강도 강우 탐지 횟수가 월등히 높은 것을 확인할 수 있는데, 이로 인해 과소 산정 경향성과 과대 산정 편향성을 동시에 띠는 것으로 보인다. 한편, 강우 탐지 능력에 있어서는 높은 POD, 낮은 FAR, 그리고 높은 CSI를 가져 여름철 구간이 전체 구간을 비롯하여 타 구간에 비해 우수하다고 할 수 있다.
116번과 419번을 제외하고는 지점마다 비슷한 수준이며, 지점의 고도에 따라서는 특별한 규칙성을 나타내지 않는다. 모든 지점에서 BIAS, POD, 그리고 FAR이증가했으며, CSI는 대부분 감소하였다. P_Downscaled는 P_GPM 에 비해 H와 M이 감소하는 반면 F가 비교적 높은 폭으로 증가했는데, 이로 인해 F의 영향을 받지 않는 POD 는 전 지점에서 개선된 반면 영향을 받는 FAR과 CSI는 나쁜 결과를 나타냈다.
모든 지점에서 BIAS, POD, 그리고 FAR이증가했으며, CSI는 대부분 감소하였다. P_Downscaled는 P_GPM 에 비해 H와 M이 감소하는 반면 F가 비교적 높은 폭으로 증가했는데, 이로 인해 F의 영향을 받지 않는 POD 는 전 지점에서 개선된 반면 영향을 받는 FAR과 CSI는 나쁜 결과를 나타냈다. POD의 증가를 통해 P_GPM에 비해 강우를 탐지하는 경우가 증가했음을 알 수 있으나, FAR의 증가와 CSI의 감소를 통해 강우를 오탐지하는 경우 역시 증가했음을 알 수 있다.
6(겨울)에 나타내었다. 고해상도 강우를 직접적으로 모델링 하는 것이 아니라 잔차에 대한 회귀식 도출을 통해 픽셀 내 변동성을 추정하는 방법을 사용한 만큼, 고해상도 강우 지도에 나타난 강우 분포 패턴이 원자료의 공간적 분포와 매우 유사하게 나타났으며 절대적인 값의차 또한 크지 않음을 알 수 있다.
, 2007). IR 알고리즘에 대한 가중치를 높일수록 강우에 대한 CTT의 영향을 높이는 효과가 나타나며, CTT 자료의 불확실성이나 CTT와 강우의 상관성에 불확실성을 내포할 시 모의된 강우의 정확도가 떨어질 수있음을 의미한다.
서울 지역 강우 상세화 결과를 통해 10 km 픽셀 내 강우의 세부적인 공간적 변동성이 나타나는 것을 알 수 있다. PDownscaled의 픽셀 내 표준편차는 봄철 0.16-3.51 mm, 여름철 0.24-2.10 mm, 가을철 0.32-2.52 mm, 겨울철 0.28-1.15 mm로, 픽셀간 편차(약 3.2 mm)를 고려하였을 때 유의미한 변동성을 나타내는 것을 확인하였다. 일부 픽셀에서는 PGPM 대비 평균적으로 과대 산정(e.
도출된 관계식은 PGPM, residual 모의에 사용되어 최종적으로 상세화된 강우를 획득하였다. 먼저, PDownscaled는 PGPM에 비해 RMSE와 Bias가 상대적으로 높아 과대 산정 경향성이 강해졌다. r²는 비슷한 수준이며, H, M, 그리고 F는 각각 증가, 감소, 그리고 증가하였다.

후속연구

이는 인프라가 구축되지 않은 해외 지역이나 지점 강우 자료 획득이 어려운 미계측 유역의 고해상도 강우 자료를 획득하고, 나아가 다양한 수문 현상을 해석 하는 데 사용하기 위함이다. 본 연구를 통해 수문 순환의 해석, 수재해 분석 등 다양한 분야에서 위성 강우 자료의 활용성을 제고할 수 있을 것으로 판단된다.
그러나 H와 M의 증감폭에 비해 F의 증가폭이 크기 때문에, POD와 FAR 모두 증가하는 결과가 나타났다. 이는 강우 발생 요건 중 구름 상층부 온도만을 고려해 나타난 결과로, FAR 개선을 위해서는 강우발생 여부를 판단할 수 있는 다른 인자를 추가적으로 고려해야 할 것이다. 상세화된 강우는 다양한 시공간 해상도의 수문기상인자를 요하는 수문 모형 등 여러 분야에 활용될 수 있을 것으로 보인다.
상세화된 강우는 다양한 시공간 해상도의 수문기상인자를 요하는 수문 모형 등 여러 분야에 활용될 수 있을 것으로 보인다. 또한, 지점 자료를 사용하지 않고 고해상도 강우 자료를 생산하였다는 점에서 기상 레이더 및 우량계가 설치되어있지 않은 미계측 유역에서의 활용성이 극대화될 것으로 기대된다. 선행연구를 기반으로, 한반도의 지형적인 특성, 식생 관련 인자 및 강우의 유형과 분포를 인자 간 관계성 도출에 포함시킨다면 상세화 강우 자료의 신뢰도가 더욱 증가할 것으로 보인다.
(2)에서 산정된 매개변수 a0, a1를 픽셀별로 고정하여 사용하기 때문이며, 도심지역인 만큼 빌딩의 높이나 지형적인 다양성 등에 의해 구름과 강우의 상관성이 옅어지는 픽셀의 경우 이러한 경향이 강해지는 것으로 보인다. 추후 연구에서 더욱 정확한 회귀식 도출을 위해 추가적인 인자를 고려하거나, 상세화 이후 관측되는 편향에 대한 보정이 이루어진다면 더욱 신뢰도 높은 강우 상세화가 가능할 것으로 기대된다.

참고문헌 (40)

Adler, R.F., G.J. Huffman, A. Chang, R. Ferraro, P.P. Xie, J. Janowiak, B. Rudolf, U. Schneider, S. Curtis, D. Bolvin, A. Gruber, J. Susskind, P. Arkin, and E. Nelkin, 2003. The version-2 global precipitation climatology project (GPCP) monthly precipitation analysis (1979-present), Journal of Hydrometeorology, 4(6): 1147-1167.

상세보기
Alexakis, D.D. and I.K. Tsanis, 2016. Comparison of multiple linear regression and artificial neural network models for downscaling TRMM precipitation products using MODIS data, Environmental Earth Sciences, 75(14): 1077.

상세보기
Amitai, E., L. Liao, X. Llort, and R. Meneghini, 2005. Accuracy verification of spaceborne radar estimates of rain rate, Atmospheric Science Letters, 6(1): 2-6.

상세보기
Arkin, P.A. and B.N. Meisner, 1987. The relationship between large-scale convective rainfall and cold cloud over the western hemisphere during 1982-1984, Monthly Weather Review, 115(1): 51-74.

상세보기
Bae, D.H., J.H. Kim, and S.S. Yoon, 2005. Hydrologic Utilization of Radar-Derived Rainfall (I): Optimal Radar Rainfall Estimation, Korea Water Resources Association, 38(12): 1039-1049 (in Korean with English abstract).

원문보기 상세보기
Baik, J. and M. Choi, 2015. Spatio-temporal variability of remotely sensed precipitation data from COMS and TRMM: Case study of Korean peninsula in East Asia, Advances in Space Research, 56(6): 1125-1138.

상세보기
Brocca, L., T. Moramarco, F. Melone, and W. Wagner, 2013. A new method for rainfall estimation through soil moisture observations, Geophysical Research Letters, 40(5): 853-858.

상세보기
Brocca, L., C. Massari, L. Ciabatta, T. Moramarco, D. Penna, G. Zuecco, L. Pianezzola, M. Borga, P. Matgen, and J. Martinez-Fernandez, 2015. Rainfall estimation from in situ soil moisture observations at several sites in Europe: an evaluation of the SM2RAIN algorithm, Journal of Hydrology and Hydromechanics, 63(3): 201-209.

상세보기
Cheng, F., J. Zhang, J. He, Y. Zha, Q. Li, and Y. Li, 2017. Analysis of aerosol-cloud-precipitation interactions based on MODIS data, Advances in Space Research, 59(1): 63-73.

상세보기
Collischonn, B., W. Collischonn, and C.E.M. Tucci, 2008. Daily hydrological modeling in the Amazon basin using TRMM rainfall estimates, Journal of Hydrology, 360(1-4): 207-216.

상세보기
Crow, W.T., G.J. Huffman, R. Bindlish, and T.J. Jackson, 2009. Improving satellite-based rainfall accumulation estimates using spaceborne surface soil moisture retrievals, Journal of Hydrometeorology, 10(1): 199-212.

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

상세보기
Ebert, E.E., J.E. Janowiak, and C. Kidd, 2007. Comparison of near-real-time precipitation estimates from satellite observations and numerical models, Bulletin of the American Meteorological Society, 88(1): 47-64.

상세보기
El Kenawy, A.M., J.I. Lopez-Moreno, M.F. McCabe, and S.M. Vicente-Serrano, 2015. Evaluation of the TMPA-3B42 precipitation product using a high-density rain gauge network over complex terrain in northeastern Iberia, Global and Planetary Change, 133: 188-200.

상세보기
Fang, J., J. Du, W. Xu, P. Shi, M. Li, and X. Ming, 2013. Spatial downscaling of TRMM precipitation data based on the orographical effect and meteorological conditions in a mountainous area, Advances in Water Resources, 61: 42-50.

상세보기
Guo, J., X. Liang, and L.R. Leung, 2004. Impacts of different precipitation data sources on water budgets, Journal of Hydrology, 298(1-4): 311-334.

상세보기
Hou, A.Y., R.K. Kakar, S. Neeck, A.A. Azarbarzin, C.D. Kummerow, M. Kojima, R. Oki, K. Nakamura, and T. Iguchi, 2014. The global precipitation measurement mission, Bulletin of the American Meteorological Society, 95(5): 701-722.

상세보기
Huffman, G.J., R.F. Adler, D.T. Bolvin, G. Gu, E.J. Nelkin, K.P. Bowman, Y. Hong, E.F. Stocker, and E.F. Wolff, 2007. The TRMM multisatellite precipitation analysis (TMPA): Quasi-global, multiyear, combined-sensor precipitation estimates at fine scales, Journal of Hydrometeorology, 8(1): 38-55.

상세보기
Huffman, G.J., D.T. Bolvin, D. Braithwaite, K. Hsu, R. Joyce, C. Kidd, E.J. Nelkin, S. Sorooshian, J. Tan, and P. Xie, 2015. NASA global precipitation measurement (GPM) integrated multi-satellite retrievals for GPM (IMERG), Algorithm Theoretical Basis Document (ATBD) Version, 4: 26.
Immerzeel, W.W., M.M. Rutten, and P. Droogers, 2009. Spatial downscaling of TRMM precipitation using vegetative response on the Iberian Peninsula, Remote Sensing of Environment, 113(2): 362-370.

상세보기
Jung, S.H., K.E. Kim, and K.J. Ha, 2005. Real-Time Estimation of Improved Radar Rainfall Intensity using Rainfall Intensity measured by Rain Gauges, Asia-Pacific Journal of Atmospheric Sciences, 41(5): 751-762 (in Korean with English abstract).
Kim, K., J. Park, J. Baik, and M. Choi, 2017. Evaluation of topographical and seasonal feature using GPM IMERG and TRMM 3B42 over Far-East Asia, Atmospheric Research, 187: 95-105.

상세보기
Koo, M.S., S.Y. Hong, and J. Kim, 2009. An evaluation of the tropical rainfall measuring mission (TRMM) multi-satellite precipitation analysis (TMPA) data over South Korea, Asia-Pacific Journal of Atmospheric Sciences, 45(3): 265-282.

상세보기
Langella, G., A. Basile, A. Bonfante, and F. Terribile, 2010. High-resolution space-time rainfall analysis using integrated ANN inference systems. Journal of Hydrology, 387(3-4): 328-342.

상세보기
Marchant, B., S. Platnick, K. Meyer, and G. Wind, 2020. Evaluation of the MODIS Collection 6 multilayer cloud detection algorithm through comparisons with CloudSat Cloud Profiling Radar and CALIPSO CALIOP products, Atmospheric Measurement Techniques, 13(6): 3263-3275.

상세보기
Morris, C.J.G., I. Simmonds, and N. Plummer, 2001. Quantification of the influences of wind and cloud on the nocturnal urban heat island of a large city, Journal of Applied Meteorology, 40(2): 169-182.

상세보기
Romatschke, U. and R.A. Houze Jr, 2011. Characteristics of precipitating convective systems in the premonsoon season of South Asia, Journal of Hydrometeorology, 12(2): 157-180.

상세보기
Sharifi, E., B. Saghafian, and R. Steinacker, 2019. Downscaling satellite precipitation estimates with multiple linear regression, artificial neural networks, and spline interpolation techniques, Journal of Geophysical Research: Atmospheres, 124(2): 789-805.

상세보기
Skofronick-Jackson, G., W.A. Petersen, W. Berg, C. Kidd, E.F. Stocker, D.B. Kirschbaum, R. Kakar, S.A. Braun, G.J. Huffman, T. Iguchi, P.E. Kirstetter, C. Kummerow, R. Meneghini, R. Oki, W.S. Olson, Y.N. Takayabu, K. Furukawa, and T. Wilheit, 2017. The Global Precipitation Measurement (GPM) mission for science and society, Bulletin of the American Meteorological Society, 98(8): 1679-1695.

상세보기
Sohn, B., G.H. Ryu, H.J. Song, and M.L. Ou, 2013. Characteristic features of warm-type rain producing heavy rainfall over the Korean Peninsula inferred from TRMM measurements, Monthly Weather Review, 141(11): 3873-3888.

상세보기
Srivastava, P.K., D. Han, M.R. Ramirez, and T. Islam, 2013. Machine learning techniques for downscaling SMOS satellite soil moisture using MODIS land surface temperature for hydrological application, Water Resources Management, 27(8): 3127-3144.

상세보기
Steinacker, R., M. Ratheiser, B. Bica, B. Chimani, M. Dorninger, W. Gepp, C. Lotteraner, S. Schneider, and S. Tschannett, 2006. A mesoscale data analysis and downscaling method over complex terrain, Monthly Weather Review, 134(10): 2758-2771.

상세보기
Sungmin, O., U. Foelsche, G. Kirchengast, J. Fuchsberger, J. Tan, and W.A. Petersen, 2017. Evaluation of GPM IMERG Early, Late, and Final rainfall estimates using WegenerNet gauge data in southeastern Austria, Hydrology & Earth System Sciences, 21(12): 6559-6572.

상세보기
Tao, H., T. Fischer, Y. Zeng, and K. Fraedrich, 2016. Evaluation of TRMM 3B43 precipitation data for drought monitoring in Jiangsu Province, China, Water, 8(6): 221.

상세보기
Wehbe, Y., M. Temimi, and R.F. Adler, 2020. Enhancing Precipitation Estimates Through the Fusion of Weather Radar, Satellite Retrievals, and Surface Parameters, Remote Sensing, 12(8): 1342.

상세보기
Xu, R., F. Tian, L. Yang, H. Hu, H. Lu, and A. Hou, 2017. Ground validation of GPM IMERG and TRMM 3B42V7 rainfall products over southern Tibetan Plateau based on a high-density rain gauge network, Journal of Geophysical Research: Atmospheres, 122(2): 910-924.

상세보기
Zeng, X., 1999. The relationship among precipitation, cloud-top temperature, and precipitable water over the tropics, Journal of Climate, 12(8): 2503-2514.

상세보기
Zhan, C., J. Han, S. Hu, L. Liu, and Y. Dong, 2018. Spatial downscaling of GPM annual and monthly precipitation using regression-based algorithms in a mountainous area, Advances in Meteorology, 2018: 1-14.

상세보기
Zhang, H., H.A. Loaiciga, D. Ha, and Q. Du, 2020. Spatial and Temporal Downscaling of TRMM Precipitation with Novel Algorithms, Journal of Hydrometeorology, 21(6): 1259-1278.

상세보기
Zhong, S. and X.Q. Yang, 2015. Ensemble simulations of the urban effect on a summer rainfall event in the Great Beijing Metropolitan Area, Atmospheric Research, 153: 318-334.

상세보기

저자의 다른 논문 :

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