[논문]Sentinel-1A/B SAR와 토양수분자료동화기법을 이용한 고해상도 토양수분 산정

김상우; 이태화; 천범석; 정영훈; 장원석; 서찬양; 신용철

doi:10.5389/ksae.2020.62.6.011

Sentinel-1A/B SAR와 토양수분자료동화기법을 이용한 고해상도 토양수분 산정
Estimation of High-Resolution Soil Moisture Using Sentinel-1A/B SAR and Soil Moisture Data Assimilation Scheme 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.62 no.6, 2020년, pp.11 - 20

김상우 (Department of Agricultural Civil Engineering, Kyungpook National University) , 이태화 (Department of Agricultural Civil Engineering, Kyungpook National University) , 천범석 (Department of Agricultural Civil Engineering, Kyungpook National University) , 정영훈 (Department of Advanced Science and Technology Convergence, Kyungpook National University) , 장원석 (Division of Public Infrastructure Assessment, Environmental Assessment Group, Korea Environment Institute) , 서찬양 (Department of Civil and Environmental Engineering, Sejong University) , 신용철 (Department of Agricultural Civil Engineering, Kyungpook National University)

Abstract ▼ AI-Helper

We estimated the spatio-temporally distributed soil moisture using Sentinel-1A/B SAR (Synthetic Aperture Radar) sensor images and soil moisture data assimilation technique in South Korea. Soil moisture data assimilation technique can extract the hydraulic parameters of soils using observed soil moisture and GA (Genetic Algorithm). The SWAP (Soil Water Atmosphere Plant) model associated with a soil moisture assimilation technique simulates the soil moisture using the soil hydraulic parameters and meteorological data as input data. The soil moisture based on Sentinel-1A/B was validated and evaluated using the pearson correlation and RMSE (Root Mean Square Error) analysis between estimated soil moisture and TDR soil moisture. The soil moisture data assimilation technique derived the soil hydraulic parameters using Sentinel-1A/B based soil moisture images, ASOS (Automated Synoptic Observing System) weather data and TRMM (Tropical Rainfall Measuring Mission)/GPM (Global Precipitation Measurement) rainfall data. The derived soil hydrological parameters as the input data to SWAP were used to simulate the daily soil moisture values at the spatial domain from 2001 to 2018 using the TRMM/GPM satellite rainfall data. Overall, the simulated soil moisture estimates matched well with the TDR measurements and Sentinel-1A/B based soil moisture under various land surface conditions (bare soil, crop, forest, and urban).

주제어

표/그림 (11)

그림 Fig. 1 Schematics of this study
그림 Fig. 2 The TDR monitoring sites for validation of the Sentinel-1A/B based soil moisture products
표 Table 1 Information of the Sentinel-1A/B products
표 Table 2 Constrained ranges of the estimated soil hydraulic parameters
표 Table 3 Correlations and uncertainties between the Sentinel-1A/B based soil moisture products and the TDR soil moisture measurements in 2018
그림 Fig. 3 Correlations and uncertainties between the Sentinel-1A/B based soil moisture products and TDR soil moisture measurements in 2018; (a) Pearson correlation coefficients and (b) Root mean square error
그림 Fig. 4 Estimated soil hydraulic parameters; (a) saturated hydraulic conductivity, (b) empirical shape aprameter, (c) empirical shape aprameter, (d) residual water contents, (e) saturated water contents
그림 Fig. 5 Correlations and uncertainties between the Sentinel-1A/B and simulated soil moisture (1 km × 1 km) estimates in 2018; (a) Pearson correlation analysis and (b) Root mean square error
그림 Fig. 6 Monthly estimated soil moisture distribution in 2018
그림 Fig. 7 Yearly precipitation amounts at the ASOS weather station from 2001 to 2017
그림 Fig. 8 Monthly soil moisture images from 2001 to 2017

AI 본문요약
AI-Helper

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

가설 설정

본 연구에서의 토양층 (soil layers)은 총 33개층으로, 토양 특성은 단일토양특성 (homogeneous soil texture)으로 가정하였다. 총 토양깊이는 지표면으로부터 200 cm로 하였으며, 각 토양층의 구성은 지표면으로부터 1 cm × 10 (토양층의 개수), 5 cm × 10, 10 cm × 12 및 20 cm × 1로 구성하였다.

제안 방법

, 1997) 모형의 입력자료로 사용하여 일별 토양수분을 산정하였다. Sentinel-1A/B SAR 기반 토양수분은 농촌진흥청에서 제공하는 51개 지점의 TDR 기반 토양수분 실측값과 후방산란계수의 선형적 관계를 이용한 회귀공식을 도출하여 산정하였다.
Sentinel-1A/B SAR 기반 토양수분을 산정하기 위하여 ESA(European Space Agency)에서 제공하는 Sentinel-1A/B SAR 위성자료의 전처리 도구 SNAP을 이용하여 후방산란계수를 산정하였다. 본 연구에서는 육지관측 모드인 IW영상취득모드의 GRD 데이터를 이용하였으며 2018년 6월부터 10월까지 총 22일 동안 관측된 Sentinel-1A (11장)/B (11장) 영상자료를 전처리하였다.
본 연구에서는 Sentinel-1A/B 기반 토양수분과 토양수분자료동화기법을 이용하여 우리나라 장기간 (2001∼2018년) 일별 모의 토양수분을 산정하였다. Sentinel-1A/B 기반 모의 토양수분은 Sentinel-1A/B 기반 후방산란계수와 농촌진흥청에서 제공하는 51개 지점의 TDR 실측 토양수분과의 회귀분석을 통해 도출된 토양수분회귀공식을 이용하여 산정하였다. 산정된 토양수분이 전체적으로 다양한 지표피복 (농업지역, 산림지역, 도시지역, 나지)에서 토양수분 실측값을 잘 반영하는 것으로 나타났으며, 특히 지표피복이 나지인 지점에서 모의값이 실측값과 높은 상관성을 보였다.
토양수분자료동화기법은 토양수분 실측값으로부터 토양의 수리학적 매개변수를 추출하며, 추출된 매개변수는 SWAP 모형의 입력자료로 사용하여 시․ 공간적으로 연속적인 일별 토양수분을 산정한다. Sentinel-1A/B 기반 토양수분과 토양수분자료동화기법을 이용하여 산정된 2018년 모의 토양수분과 Sentinel-1A/B 기반 토양수분의 지표피복에 따른 지점별 시계열 상관분석을 수행하였다. 대부분의 지점들이 높은 상관성 (R: 0.
Sentinel-1A/B 기반 토양수분을 산정하기 위하여 Sentinel-1A/B 기반 후방산란계수와 51개 지점 토양수분 실측값의 시계열 상관성 분석을 수행하였다. 51개 관측지점의 지표피복은 농업지역 (crop), 도시지역 (urban), 산림 (forestry), 나지(bare soil)로 구성되어 있으며, 대부분 지역이 농업지역으로 이루어져있다 (Table 3).
따라서 본 연구에서는 Sentinel-1A/B SAR 기반 후방산란계 수를 산정하고, 산정된 후방산란계수와 농촌진흥청에서 제공하는 51개 지점의 TDR 기반 토양수분 실측값의 회귀분석 및 도출된 회귀식을 이용하여 우리나라 토양수분 공간분포를 산정하였다. 산정된 Sentinel-1A/B기반 토양수분과 토양수분자료동화기법을 연계하여 토양의 수리학적 매개변수를 추출하였으며, 추출한 매개변수와 기상자료를 이용하여 장기간(2001∼2018) 일별 토양수분 공간분포를 산정하였다.
토양수분자료동화기법을 Senitnel-1A/B 이미지에 적용시에는 과도한 계산시간을 단축하기 위하여 고해상도 (10×10m) Senitnel-1A/B 이미지 자료를 1×1 km 해상도로 변환하였다. 본 연구에서 사용한 토양수분자료동화기법 (Shin et al., 2016b)의 매개변수 추출 검증은 국내외의 다양한 연구에서 실측 매개변수를 이용하여 검증되었기 때문에, 국내에서는 실측 매개변수 부재로 인하여 실측 TDR 토양수분과 모의 토양수분을 이용한 검증만을 수행하였다. 기상자료는 2018년 3월 1일부터 10월 31일까지 측정된 우리나라 종관기상관측(Automated Synoptic Observing System-ASOS)자료와 TRMM/GPM (25×25 km/10×10 km) 위성강우 자료를 이용하였다.
본 연구에서는 Sentinel-1A/B 기반 토양수분과 토양수분자료동화기법을 연계하여 우리나라 일별 토양수분 공간분포를 산정하였다. 유전자 알고리즘과 연계된 토양수분자료동화기법은 Sentinel-1A/B 기반의 토양수분 이미지로부터 토양의 수리학적 매개변수를 추출한다.
본 연구에서는 Sentinel-1A/B 기반 토양수분과 토양수분자료동화기법을 이용하여 우리나라 장기간 (2001∼2018년) 일별 모의 토양수분을 산정하였다.
산정된 Sentinel-1A/B기반 토양수분과 토양수분자료동화기법을 연계하여 토양의 수리학적 매개변수를 추출하였으며, 추출한 매개변수와 기상자료를 이용하여 장기간(2001∼2018) 일별 토양수분 공간분포를 산정하였다.
총 토양깊이는 지표면으로부터 200 cm로 하였으며, 각 토양층의 구성은 지표면으로부터 1 cm × 10 (토양층의 개수), 5 cm × 10, 10 cm × 12 및 20 cm × 1로 구성하였다.
추출된 토양의 수리학적 매개변수와 기상자료 (일사량, 최고 및 최저 온도, 풍속, 강우)를 토양수분자료동화기법과 연계된 SWAP 모형에 입력자료로 사용하여 실측 토양수분과 유사한 모의 일별 토양수분을 산정한다. 본 연구에서는 객체를 토양의 수리학적 매개변수로 구성하였으며, 실측값은 Sentinel-1A/B 기반 토양수분자료를 사용하였다.
토양수분자료동화기법을 Senitnel-1A/B 이미지에 적용시에는 과도한 계산시간을 단축하기 위하여 고해상도 (10×10m) Senitnel-1A/B 이미지 자료를 1×1 km 해상도로 변환하였다.

대상 데이터

기상자료는 2018년 3월 1일부터 10월 31일까지 측정된 우리나라 종관기상관측(Automated Synoptic Observing System-ASOS)자료와 TRMM/GPM (25×25 km/10×10 km) 위성강우 자료를 이용하였다.
추출된 토양의 수리학적 매개변수와 기상자료 (일사량, 최고 및 최저 온도, 풍속, 강우)를 토양수분자료동화기법과 연계된 SWAP 모형에 입력자료로 사용하여 실측 토양수분과 유사한 모의 일별 토양수분을 산정한다. 본 연구에서는 객체를 토양의 수리학적 매개변수로 구성하였으며, 실측값은 Sentinel-1A/B 기반 토양수분자료를 사용하였다. Table 2는 각 매개변수들의 범위를 나타낸다.
Sentinel-1A/B SAR 기반 토양수분을 산정하기 위하여 ESA(European Space Agency)에서 제공하는 Sentinel-1A/B SAR 위성자료의 전처리 도구 SNAP을 이용하여 후방산란계수를 산정하였다. 본 연구에서는 육지관측 모드인 IW영상취득모드의 GRD 데이터를 이용하였으며 2018년 6월부터 10월까지 총 22일 동안 관측된 Sentinel-1A (11장)/B (11장) 영상자료를 전처리하였다.
기상자료는 2018년 3월 1일부터 10월 31일까지 측정된 우리나라 종관기상관측(Automated Synoptic Observing System-ASOS)자료와 TRMM/GPM (25×25 km/10×10 km) 위성강우 자료를 이용하였다. 토양수분자료동화기법의 신뢰성을 높이기 위하여 5일 이상의 Sentinel-1 A/B 기반 토양수분 자료가 이용가능한 지점의 토양수분 자료를 이용하였다.

데이터처리

토양수분자료동화기법 기반으로 산정된 토양수분의 적용성 평가를 위해 상관성 분석을 수행하여 모의값의 상관성(Pearsons’ correlation coefficient: R) 및 불확실성 (Root Mean Square Error: RMSE)을 평가하였다.

이론/모형

또한 van Genuchten (1980)과 Mualem (1976)이 제시한 공식에 따라 수정된 Richard공식을 재해석하였으며, 아래와 같이 토양수분 (Θ(h)) 및 수리전도도 (K(h)) 함수로 구분된다.
5는 Sentinel-1A/B SAR 기반 산정된 토양수분에 토양수분자료동화기법을 적용하여 추출된 토양수분 모의값과 Sentinel-1A/B SAR 기반 공간해상도 1 km ×1 km의 토양수분과의 지표특성에 따른 지점별 시계열 상관성 분석 결과를 나타낸다. 모의 토양수분은 토양수분자료동화기법과 연계된 SWAP 모형을 이용하여 산정하였다. 지점 수가 가장 많은 농업지역 (27개)은 상관성 (R: 0.
유전자 알고리즘과 연계된 토양수분자료동화기법은 Sentinel-1A/B 기반의 토양수분 이미지로부터 토양의 수리학적 매개변수를 추출한다. 추출된 매개변수와 TRMM(Tropical Rainfall Measuring Mission, Simpson et al., 1996)/GPM (Global Precipitation Measurement, Hou et al., 2013) 강우 공간분포 자료를 Soil-Water-Atmosphere-Plant (SWAP, van Dam et al., 1997) 모형의 입력자료로 사용하여 일별 토양수분을 산정하였다. Sentinel-1A/B SAR 기반 토양수분은 농촌진흥청에서 제공하는 51개 지점의 TDR 기반 토양수분 실측값과 후방산란계수의 선형적 관계를 이용한 회귀공식을 도출하여 산정하였다.
토양수의 흐름을 모의하는 SWAP 모형은 Belmans et al. (1983)에 의해 수정된 Richard 공식을 이용하여 일별토양수분을 산정한다. 모형의 입력자료는 토양의 수리학적 매개변수(α, n, θ_sat, θ_res,K_sat)와 기상자료를 이용하며, 지표 및 지하의 다양한 조건을 고려하여 토양수분의 산정이 가능하다.

성능/효과

대부분의 지점들이 높은 상관성 (R: 0.085∼0.839)과 낮은 불확실성 (RMSE: 0.044∼0.107)을 보였으며, 모의된 토양수분이 실측토양수분을 잘 반영하는 것으로 나타났다.
상관분석 결과 대체로 모든 지표피복에서 높은 상관성을 보였으며 특히, 나지와 농경지의 경우 매우 높은 상관성을 보였다. 도시지역은 태안군 태안읍을 제외한 모든 지점에서의 상관성이 높게 나타났으며, 태안군 태안읍의 경우 주변 인공구조물이 위성 이미지에 포함되어 불확실성이 높게 나타나 역상관성을 보인 것으로 판단된다. 산림지역은 상관성이 다른 지표피복에 비해 비교적 낮게 나타났으며, 불확실성이 4가지 지표피복 중 가장 높게 나타났다.
SAR 센서는 대기의 산란에 민감하지 않기 때문에 모든 기후와 환경 조건에서 지표를 관측할 수 있는 장점이 있으나, 긴 재방문 주기로 인해 시간해상도가 낮은 한계가 있다. 따라서 본 연구에서는 토양수분자료동화기법을 활용한 장기간 일별 토양수분을 산정하였으며, 전체적으로 강우 변화에 따른 토양수분 공간분포의 변화가 장기간 일별 모의 토양수분에 잘 반영하는 것으로 나타났다. 본 연구결과는 홍수, 가뭄, 산불과 같은 물 관련 재해 뿐만 아니라 농업, 수문 등 다양한 분야에서 기초자료로 활용 될 수 있을 것으로 사료된다.
또한 계절별 토양수분의 경우 전체적으로 봄 (4∼5월)과 가을 (9∼11월)에 토양수분이 낮게 나타났으며, 집중호우가 발생하는 6∼8월에 우리나라의 토양 수분이 증가하는 경향을 보였다.
107로 낮게 나타났다. 본 연구에서 수행한 상관분석 결과 토양수분자료동화기법 기반 모의 토양수분이 실측지점의 토양수분을 잘 반영한 것으로 나타났다. Fig.
지역적으로도 강우의 공간 분포 및 지표특성에 따라 토양수분의 공간분포가 차이를 보이는 것으로 나타났다. 비록 전국단위의 이용가능한 실측 토양수분의 제약으로 인하여 모의값과 실측값의 직접적인 비교를 통한 검증은 수행하지 못하였으나, 전체적으로 우리나라에 발생한 강우량과 토양수분의 증감 정도가 유사한 것으로 나타났다.
도시지역은 태안군 태안읍을 제외한 모든 지점에서의 상관성이 높게 나타났으며, 태안군 태안읍의 경우 주변 인공구조물이 위성 이미지에 포함되어 불확실성이 높게 나타나 역상관성을 보인 것으로 판단된다. 산림지역은 상관성이 다른 지표피복에 비해 비교적 낮게 나타났으며, 불확실성이 4가지 지표피복 중 가장 높게 나타났다. 이는 산림피복에서 SAR 센서의 지표 투과성 제약에 의해 불확실성이 높게 나타난 것으로 판단된다.
Sentinel-1A/B 기반 모의 토양수분은 Sentinel-1A/B 기반 후방산란계수와 농촌진흥청에서 제공하는 51개 지점의 TDR 실측 토양수분과의 회귀분석을 통해 도출된 토양수분회귀공식을 이용하여 산정하였다. 산정된 토양수분이 전체적으로 다양한 지표피복 (농업지역, 산림지역, 도시지역, 나지)에서 토양수분 실측값을 잘 반영하는 것으로 나타났으며, 특히 지표피복이 나지인 지점에서 모의값이 실측값과 높은 상관성을 보였다. 토양수분자료동화기법은 토양수분 실측값으로부터 토양의 수리학적 매개변수를 추출하며, 추출된 매개변수는 SWAP 모형의 입력자료로 사용하여 시․ 공간적으로 연속적인 일별 토양수분을 산정한다.
3은 지표피복에 따른 Sentinel-1A/B 기반 토양수분 (%)과 토양수분 실측값 (%)과의 상관성 분석 결과를 나타낸다. 상관분석 결과 대체로 모든 지표피복에서 높은 상관성을 보였으며 특히, 나지와 농경지의 경우 매우 높은 상관성을 보였다. 도시지역은 태안군 태안읍을 제외한 모든 지점에서의 상관성이 높게 나타났으며, 태안군 태안읍의 경우 주변 인공구조물이 위성 이미지에 포함되어 불확실성이 높게 나타나 역상관성을 보인 것으로 판단된다.
2007년의 경우 모의 토양수분 값이 여름철과 가을철 큰 차이를 보이지 않았는데 강수량 또한 여름철 (654 mm)과 가을철 (456 mm) 강수량 차이가 다른 연도에 비해 상대적으로 낮게 나타났다. 이렇듯 전체적으로 강우 변화에 따른 토양수분 변화가 모의 토양수분에 잘 반영되는 것으로 나타났다. 또한 계절별 토양수분의 경우 전체적으로 봄 (4∼5월)과 가을 (9∼11월)에 토양수분이 낮게 나타났으며, 집중호우가 발생하는 6∼8월에 우리나라의 토양 수분이 증가하는 경향을 보였다.
8은 각각 토양수분자료동화기법 기반 장기간(2001∼2017년)의 연평균 강수량과 모의 토양수분을 나타낸다. 전체적으로 산정된 토양수분자료동화기법 기반 모의 토양수분과 연도별 강수량이 서로 유사하게 나타났으며, 특히 2003년과 2011년 각각 1,861 mm, 1,623 mm의 매우 많은 양의 강우가 발생하였으며, 해당 연도 모의 토양수분도 다른 연도에 비해 상대적으로 높게 나타났다. 2015년은 전체기간 중 가장 적은 강수량 (949 mm)이 발생하였는데 모의 토양수분 공간분포도 상대적으로 낮게 나타났다.
지점 수가 가장 많은 농업지역 (27개)은 상관성 (R: 0.085∼0.839)이 대체로 높게 나타났으며, 농업지역 다음으로 지점수가 많은 도시지역 (5개)의 경우 상관성 (R: 0.353∼0.814)이 농업지역과 유사하게 나타났다.

후속연구

따라서 본 연구에서는 토양수분자료동화기법을 활용한 장기간 일별 토양수분을 산정하였으며, 전체적으로 강우 변화에 따른 토양수분 공간분포의 변화가 장기간 일별 모의 토양수분에 잘 반영하는 것으로 나타났다. 본 연구결과는 홍수, 가뭄, 산불과 같은 물 관련 재해 뿐만 아니라 농업, 수문 등 다양한 분야에서 기초자료로 활용 될 수 있을 것으로 사료된다.
산림지역에서의 불확실성 (RMSE: 0.061∼0.083)은 낮게 나타났지만, TDR 토양수분 실측 지점 수 부족으로 인해 산림지역에서의 추가적인 연구가 필요할 것으로 사료된다.

참고문헌 (22)

Entekhabi, D., E. G. Njoku, P. E. O'Neill, K. H. Kellogg, W. T. Crow, W. N. Edelstein, J. K. Entin, S. D. Goodman, T. J. Jackson, J. Johnson, J. Kimball, J. R. Piepmeier, R. D. Koster, N. Martin, K. C. McDonal, M. Moghaddam, S. Moran, R. Reichle, J. C. Shi, M. W. Spencer, S. W. Thurman, L. Tsang, and J. Van Zyl, 2010. The soil moisture active passive (SMAP) mission. Proceedings of the IEEE 98(5): 704-716. doi:10.1109/JPROC.2010.2043918.

상세보기
Gao, Q., M. Zribi, M. Escorihuela, and N. Baghdadi, 2017. Synergetic use of Sentinel-1 and Sentinel-2 data for soil moisture mapping at 100 m resolution. Sensors 17(9):1966. doi:10.3390/s17091966.

상세보기
Goldberg, D. E., 1989. Genetic algorithms in search and optimization and machine learning. Addison-Wesley Publiching, New York.
Holland, J. H., 1975. Adaptation in natural and artificial system. University of Michigan press, Ann Arbor, MI.
Hornacek, M., W. Wagner, D. Sabel, H. L. Truong, P. Snoeij, T. Hahmann, E. Diedrich, and M. Doubkova, 2012. Potential for high resolution systematic global surface soil moisture retrieval via change detection using Sentinel-1. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5(4): 1303-1311. doi:10.1109/jstars.2012.2190136.

상세보기
Hou, A. Y., G. Skofronick-Jackson, and E. F. Stocker, 2013. The global precipitation measurement (GPM) mission: Overview and us science status. Bulletin of the American Meteorological Society 95(5): 701-722. doi:10.1175/BAMS-D-13-00164.1.

상세보기
Imaoka, K., M. Kachi, H. Fujii, H. Murakami, M. Hori, A. Ono, T. Igarashi, K. Nakagawa, T. Oki, Y. Honda, and H. Shimoda, 2010. Global Change Observation Mission (GCOM) for monitoring carbon, water cycles, and climate change. Proceedings of the IEEE 98(5): 717-734. doi:10.1109/JPROC.2009.2036869.

상세보기
Kerr, Y. H., P. Waldteufel, J. P. Wigneron, J. A. M. J. Martinuzzi, J. Font, and M. Berger, 2001. Soil moisture retrieval from space: The Soil Moisture and Ocean Salinity (SMOS) mission. IEEE Transactions on Geoscience and Remote Sensing 39(8): 1729-1735.

상세보기
Lee, S. J., S. W. Hong, J. Cho, and Y. W. Lee, 2017. Experimental retrieval of soil moisture for cropland in South Korea using sentinel-1 SAR data. Korean Journal of Remote Sensing 33(6): 947-960 (in Korean). doi:10.7780/kjrs.2017.33.6.1.4.

원문보기 상세보기
Lee, T., S. Kim, Y. Jung, and Y. Shin, 2018. Assessment of agricultural drought using satellite-based TRMM/GPM precipitation images: At the province of Chungcheongbuk-do. Journal of the Korean Society of Agricultural Engineers 60(4): 73-82. doi:10.5389/KSAE.2018.60.4.073.

원문보기 상세보기
Njoku, E. G., T. J. Jackson, V. Lakshmi, T. K. Chan, and S. V. Nghiem, 2003. Soil moisture retrieval from AMSR-E. IEEE Transactions on Geoscience and Remote Sensing 41(2): 215-229. doi:10.1109/TGRS.2002.808243.

상세보기
Paloscia, S., S. Pettinato, E. Santi, C. Notarnicola, L. Pasolli, and A. Reppucci, 2013. Soil moisture mapping using Sentinel-1 images: Algorithm and preliminary validation. Remote Sensing of Environment 134: 234-248. doi:10.1016/j.rse.2013.02.027.

상세보기
Peters, J., H. Lievens, B. D. Baets, and N. E. C. Verhoest, 2012. Accounting for seasonality in a soil moisture change detection algorithm for ASAR wide swath time series. Hydrology and Earth System Sciences 16(3): 773-786. doi:10.5194/hess-16-773-2012.

상세보기
Pierdicca, N., L. Pulvirenti, and G. Pace, 2014. A prototype software package to retrieve soil moisture from Sentinel-1 data by using a bayesian multitemporal algorithm. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 7(1): 153-166. doi:10.1109/jstars.2013.2257698.

상세보기
Sabins, F. F., 2007. Remote sensing: Principles and applications. Waveland Press.
Shin, Y., K. S. Choi, Y. Jung, J. E. Yang, and K. J. Lim, 2016a. Soil moisture estimation and drought assessment at the spatiotemporal scales using remotely sensed data: (I) Soil moisture. Journal of Korean Society on Water Environment 32(1): 60-6. doi:10.15681/KSWE.2016.32.1.60.

원문보기 상세보기
Shin, Y., K. S. Choi, Y. Jung, J. E. Yang, and K. J. Lim, 2016b. Soil moisture estimation and drought assessment at the spatiotemporal scales using remotely sensed data: (II) Drought. Journal of Korean Society on Water Environment 32(1): 70-79. doi:10.15681/KSWE.2016.32.1.70.

원문보기 상세보기
Simpson, J., C. Kummerow , W. K. Tao, and R. F. Adler, 1996. On the tropical rainfall measuring mission (TRMM). Meteorology and Atmospheric Physics 60(1-3): 19-36.

상세보기
Small, D., 2011. Flattening gamma: Radiometric terrain correction for SAR imagery. IEEE Transactions on Geoscience and Remote Sensing 49(8): 3081-3093. doi:10.1109/tgrs.2011.2120616.

상세보기
van Dam, J. C., J. Huygen, J. G. Wesseling, R. A. Feddes, P. Kabat, P. E. V. van Walsum, P. Groenendijk, and C. A. van Diepen, 1997. Theory of SWAP version 2.0; simulation of water flow, solute transport and plant growth in the soil-water-atmosphere-plant environment. Wageningen University and Alterra. Technical Document 45.
van Dam, J. C., 2000. Field-scale water flow and solute transport. SWAP model concepts, parameter estimation and case studies. Ph.D. diss., Wageningen University, Wageningen, The Netherlands.
van Genuchten, M. T., 1980. Aclosed-form equation foe predicting the hydraulic conductivity of unsaturated soils. Soil Science Society of America Journal 44(5): 892-898. doi:10.2136/sssaj1980.03615995004400050002x.

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