[논문]MODIS와 ASOS 자료를 이용한 식물계절 모델링

김근아; 윤유정; 강종구; 최소연; 박강현; 천정화; 장근창; 원명수; 이양원

doi:10.7780/kjrs.2022.38.5.1.15

MODIS와 ASOS 자료를 이용한 식물계절 모델링
Modeling of Vegetation Phenology Using MODIS and ASOS Data 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.5 pt.1, 2022년, pp.627 - 646

김근아 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 윤유정 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 강종구 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 최소연 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 박강현 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 천정화 (국립산림과학원 산림ICT연구센터) , 장근창 (국립산림과학원 산림ICT연구센터) , 원명수 (국립산림과학원 산림ICT연구센터) , 이양원 (부경대학교 지구환경시스템과학부 공간정보공학전공)

초록
AI-Helper

최근 지구 온난화로 인한 기후 변화와 관련된 문제의 심각성이 커지고 있으며 평균 기온 또한 상승하고 있다. 이로 인해 온도에 민감한 다양한 생물과 생물이 살아가는 환경에 영향을 미치고 있으며, 생태계의 변화 역시 감지되고 있다. 계절은 그 지역에 사는 생물의 종류, 분포, 생육 특성 등에 영향을 미치는 중요한 요인의 하나이다. 기후 변화 영향 평가의 지표 중 가장 대중적이고 쉽게 인식될 수 있는 식물 계절 중 개화일과 단풍나무 절정일의 모델링을 수행하였다. 모델링에 사용된 식물의 종류에는 봄을 대표하는 식물로 볼 수 있는 개나리와 벚나무, 가을을 대표하는 식물로 볼 수 있는 단풍 나무와 은행 나무를 사용하였다. 모델링을 수행할 때 사용된 기상 자료로는 기상청의 Automated Surface Observing System (ASOS) 관측소를 통해서 관측된 기온, 강수, 일사 자료를 사용하였으며, 개나리, 벚나무의 개화일과 약 -0.2, 은행나무, 단풍나무의 단풍 절정일과 약 0.3 정도의 상관 계수를 가지는 Moderate Resolution Imaging Spectroradiometer (MODIS) 식생지수를 사용하여 모델링을 수행하였다. 사용된 모델로는 선형 모델인 다중 회귀 모형과, 비선형 모델인 Random Forest (RF)를 사용하여 모델을 수립하였다. 또한 각 모형으로 추정된 예측 값을 공간 내삽 기법을 이용하여 등치 선도로 2003~2020년의 식물 계절 변화 경향 성을 표현하였다. 향후에 높은 시공간 해상도를 가지는 식생지수를 사용한다면 더 높은 식물 계절 모델링의 정확도를 높일 수 있을 것으로 판단된다.

Abstract ▼ AI-Helper

Recently, the seriousness of climate change-related problems caused by global warming is growing, and the average temperature is also rising. As a result, it is affecting the environment in which various temperature-sensitive creatures and creatures live, and changes in the ecosystem are also being detected. Seasons are one of the important factors influencing the types, distribution, and growth characteristics of creatures living in the area. Among the most popular and easily recognized plant seasonal phenomena among the indicators of the climate change impact evaluation, the blooming day of flower and the peak day of autumn leaves were modeled. The types of plants used in the modeling were forsythia and cherry trees, which can be seen as representative plants of spring, and maple and ginkgo, which can be seen as representative plants of autumn. Weather data used to perform modeling were temperature, precipitation, and solar radiation observed through the ASOS Observatory of the Korea Meteorological Administration. As satellite data, MODIS NDVI was used for modeling, and it has a correlation coefficient of about -0.2 for the flowering date and 0.3 for the autumn leaves peak date. As the model used, the model was established using multiple regression models, which are linear models, and Random Forest, which are nonlinear models. In addition, the predicted values estimated by each model were expressed as isopleth maps using spatial interpolation techniques to express the trend of plant seasonal changes from 2003 to 2020. It is believed that using NDVI with high spatio-temporal resolution in the future will increase the accuracy of plant phenology modeling.

주제어

표/그림 (26)

그림 Fig. 1. Location of Automated Surface Observing System (ASOS) stations.
그림 Fig. 2. Flow chart of this study.
표 Table 1. Correlation coefficients between phenology DOY and temperature variables
표 Table 2. Correlation coefficients between phenology DOY and precipitation
표 Table 3. Correlation coefficients between phenology DOY and solar radiation
그림 Fig. 3. Scatter plots for the (a) MLR for cherry blossom, (b) RF for cherry blossom.
표 Table 4. Accuracy statistics for the estimation of cherry blossom flowering dates by MLR models and RF
표 Table 5. Accuracy statistics for the estimation of cherry blossom flowering dates add Precipitation and add Solar Radiation
그림 Fig. 4. Scatter plots for the (a) MLR for forsythia, (b) RF for forsythia.
표 Table 6. Accuracy statistics for the estimation of forsythia flowering dates by MLR models and RF
표 Table 7. Accuracy statistics for the estimation of forsythia flowering dates add Precipitation and add Solar Radiation
그림 Fig. 5. Scatter plots for the (a) MLR for maple leaves peak dates, (b) RF for maple leaves peak dates.
표 Table 8. Accuracy statistics comparison between MLR and RF models for the estimation of maple leaves peak dates
표 Table 9. Accuracy statistics for the estimation of maple leaves peak dates add Precipitation and add Solar Radiation
그림 Fig. 6. Scatter plots for the (a) MLR for ginkgo peak dates, (b) RF for maple leaves peak dates.
표 Table 10. Accuracy statistics comparison between MLR and RF models for the estimation of ginkgo peak dates
표 Table 11. Accuracy statistics for the estimation of ginkgo peak dates add Precipitation and add Solar Radiation
그림 Fig. 7. Maps of the cherry blossom flowering dates: (a) observation and (b) prediction using MLR.
그림 Fig. 7. Continued.
그림 Fig. 8. Maps of the forsythia flowering dates: (a) observation and (b) prediction using RF.
그림 Fig. 8. Continued.
그림 Fig. 9. Maps of the Maple leaves peak dates: (a) observation and (b) prediction using MLR.
그림 Fig. 9. Continued.
그림 Fig. 9. Continued.
그림 Fig. 10. Maps of the ginkgo peak dates: (a) observation and (b) prediction using MLR.
그림 Fig. 10. Continued.

AI 본문요약
AI-Helper

제안 방법

위의 강수, 일사 변수와 식물 계절 DOY와의 상관 분석을 수행한 결과는 Table 2와 Table 3과 같았다. 각 식물 계절 시기마다 상관계수가 높은 강수, 일사 변수를 사용하였는데, 개화일의 경우 3개월 평균 강수량을 단풍 절정일의 경우 누적 강수량을 사용하였고, 일사량의 경우 개화일과 단풍 절정일 모두 누적 일사량이 상관계수가 가장 높았음으로 누적 일사량을 사용하여 모델링을 수행하였다.
전에 수행된 식물 계절 모델링 연구에서는 기상 또는 위성 자료만을 활용하여 식물 계절 모델링을 수행하였는데, 본 연구에서는 기온을 통해서 평균 온도, 적산 온도, GDD, CDD 등 기온을 다양한 측면에서 분석하고 가장 적합한 기온 변수를 식물 계절 모델링에 사용하였다. 또한 기상 자료에 사용에 있어서 기온만을 이용하지 않고 강수, 일사 등의 영향력을 알아보고 식물 계절 모델링을 수행하였다. 또한 기상 자료만을 사용하여 식물 계절 모델링을 하지 않고 식생의 상태를 나타내는 위성으로부터 산출된 NDVI자료를 활용하였으며, 개나리, 벚나무의 개화, 단풍나무와 은행나무의 절정 등 다양한 식물 계절에 대한 적합한 모델을 수립하기 위해서 선형모델인 다중회귀와 비선형 RF 모델을 사용하였다.
본 연구에서는 기상 및 식생 상태를 고려하여 우리나라를 추정하기 위해 기온과, 강수, 일사, NDVI 자료를 활용하여 식물 계절 시기 추정 모델을 수립하고 식물 계절 시기 격자 자료를 산출하였다. 이를 통해서 전반적인 벚나무와 개나리의 개화 시기는 앞당겨지고 있었고, 단풍나무와 은행나무의 절정 시기는 늦어지는 경향을 볼 수 있었다.
식물 계절 현상은 다양한 기상 인자에 민감하게 반응하기 때문에 기후 변화 영양 평가의 지표로 널리 이용되고 있다. 본 연구에서는 기온 외의 기상 인자로 강수와 일사를 사용하여 식물 계절 모델링을 수행하였다. ASOS를 통해 측정된 기상 요소는 기온 외에도 강수, 바람, 기압, 습도, 일사, 일조, 눈, 지면 상태, 증발량 등이 있는데 그중 강수와 일사를 이용해서 개화일의 경우 1월에서 3월의 평균 강수, 일사량.
1에서 확인할 수 있다. 식물 계절 관측이 이루어진 지점의 일평균 기온 계산한 다음 이를 활용하여 각 식물 계절 시기에 맞는 온도 변수를 산출하였다.
이에, 본 연구에서는 크리깅 기반의 ASOS 식물 계절 격자 지도를 산출하기 위해서 각 식물 계절의 관측치와, 벚나무와 개나리의 경우 MLR 모형의 추정치를, 단풍나무와 은행나무의 단풍 절정일의 경우 RF 추정치를 사용하였다.
이를 통해서 전반적인 벚나무와 개나리의 개화 시기는 앞당겨지고 있었고, 단풍나무와 은행나무의 절정 시기는 늦어지는 경향을 볼 수 있었다. 전에 수행된 식물 계절 모델링 연구에서는 기상 또는 위성 자료만을 활용하여 식물 계절 모델링을 수행하였는데, 본 연구에서는 기온을 통해서 평균 온도, 적산 온도, GDD, CDD 등 기온을 다양한 측면에서 분석하고 가장 적합한 기온 변수를 식물 계절 모델링에 사용하였다. 또한 기상 자료에 사용에 있어서 기온만을 이용하지 않고 강수, 일사 등의 영향력을 알아보고 식물 계절 모델링을 수행하였다.

대상 데이터

본 연구에서 식물 계절 시기와 기온과의 관계를 분석하고 식물 계절 시기를 추정하는 모델을 수립하기 위해 기상청에서 제공하는 ASOS 기상 관측 장비를 통해 측정된 기온 자료를 사용하였으며, 기온 관측소의 위치는 식물 계절 관측 위치와 동일 함으로 Fig. 1에서 확인할 수 있다.
본 연구에서는 봄철 식물 계절 관측 목 중 봄을 대표하는 식물인 벚나무와 개나리를 선정하였으며 주로 4월에 개화하는 것으로 알려져 있다. 봄의 계절 현상으로는 개화일을 선정하였다 가을철 계절 관측 목으로는 단풍나무와 은행나무를 선정하였으며, 가을 식물 계절 현상으로 단풍 절정일을 선정하여 모델링 하였다.
본 연구에서는 봄철 식물 계절 관측 목 중 봄을 대표하는 식물인 벚나무와 개나리를 선정하였으며 주로 4월에 개화하는 것으로 알려져 있다. 봄의 계절 현상으로는 개화일을 선정하였다 가을철 계절 관측 목으로는 단풍나무와 은행나무를 선정하였으며, 가을 식물 계절 현상으로 단풍 절정일을 선정하여 모델링 하였다. 식물 계절 관측의 위치는 Fig.

데이터처리

Fig. 3은 2월과 3월의 평균 온도와 4월 NDVI를 사용해 선형, 비선형 모델을 수립하고 산출된 추정치와 관측치를 비교한 것이다. 이러한 모델링을 통해 벚나무 개화일을 3.

이론/모형

또한 기상 자료에 사용에 있어서 기온만을 이용하지 않고 강수, 일사 등의 영향력을 알아보고 식물 계절 모델링을 수행하였다. 또한 기상 자료만을 사용하여 식물 계절 모델링을 하지 않고 식생의 상태를 나타내는 위성으로부터 산출된 NDVI자료를 활용하였으며, 개나리, 벚나무의 개화, 단풍나무와 은행나무의 절정 등 다양한 식물 계절에 대한 적합한 모델을 수립하기 위해서 선형모델인 다중회귀와 비선형 RF 모델을 사용하였다. 벚나무 개화일 모델의 경우 CC=0.
향후에는 보다 다양한 변수조합에 의한 모델링이 추가적으로 시도될 필요가 있다. 이러한 모델을 통해서 산출된 지점추정치를 크리깅 내삽법을 사용하여 공간 연속면으로 확장하였다. 본 연구에서 사용된 기상자료 외에도 고도와 위도 같은 지형정보를 사용한다면 조금 더 높은 정확도의 모델을 수립할 수 있을 것으로 예상되며, 높은 상관관계를 가지는 일사량 자료는 실제로 관측되는 데이터가 적어서 모델을 수립하기에 충분하지 않은 양으로 판단되어, 데이터의 양이 더 많아진다면 더 높은 정확도의 모델을 수립할 수 있을 것으로 사료된다.

성능/효과

먼저 온도 변수와 NDVI만을 이용하여 선형, 비선형 모델을 수립하였을 때의 검증 통계량은 Table 4에 정리되어 있다. 2월과 3월의 평균 온도가 모델링에 더 효과적인 것을 알 수 있었으며, 입력 자료를 사용하여 선형 모델과 비선형 모델을 사용한 결과는 큰 차이가 없었다.
7, 8) 특히 벚나무는 2014년 이후로 확연히 옅어지는 것을 확인할 수 있었다(Fig. 7) 단풍나무와 은행나무의 단풍 절정일 지도에서 지도의 색이 진해지는 것은 단풍 절정일의 관측 DOY가 커지는 것을 의미하고 단풍 절정일의 DOY가 커지는 것은 즉, 단풍 절정일이 늦어지는 것을 의미한다. 단풍나무 평균 단풍 절정 DOY가 2003년 305에서 2020년 313으로 늦어졌고, 은행나무의 평균 단풍 절정 DOY 역시 2003년 305에서 2020년 312로 늦어졌다.
강수와 일사를 추가하여 모델링 할 때는 더 효과적이었던 2월과 3월의 평균온도와 4월 평균 NDVI, 1월에서 3월의 평균 강수량, 1월에서 3월의 누적 일사량이 사용되었으며 식 3번과 4번에 표현되어 있으며, 모델의 검정 통계량은 Table 5에 정리되어 있다. 강수를 추가해서 모델을 수립한 결과 전반적으로 모델링의 정확도가 높아진 것을 알 수 있었으며 일사량을 추가해서 모델을 수립한 경우 데이터의 수에 비해 모델링의 정확도가 높아진 것을 알 수 있었다.
강수와 일사를 추가하여 모델링 할 때는 더 효과적이었던 2월과 3월의 평균온도와 4월 평균 NDVI, 1월에서 3월의 평균 강수량, 1월에서 3월의 누적 일사량이 사용되었으며 식 3번과 4번에 표현되어 있으며, 모델의 검정 통계량은 Table 5에 정리되어 있다. 강수를 추가해서 모델을 수립한 결과 전반적으로 모델링의 정확도가 높아진 것을 알 수 있었으며 일사량을 추가해서 모델을 수립한 경우 데이터의 수에 비해 모델링의 정확도가 높아진 것을 알 수 있었다.
강수와 일사를 추가하여 모델링 할 때는 더 효과적이었던 2월과 3월의 평균온도와 4월 평균 NDVI, 1월에서 3월의 평균 강수량, 1월에서 3월의 누적 일사량이 사용되었으며 식 3번과 4번에 표현되어 있으며, 모델의 검정 통계량은 Table 5에 정리되어 있다. 강수를 추가해서 모델을 수립한 결과 전반적으로 모델링의 정확도가 높아진 것을 알 수 있었으며 일사량을 추가해서 모델을 수립한 경우 데이터의 수에 비해 모델링의 정확도가 높아진 것을 알 수 있었다.
먼저 온도 변수와 NDVI만을 이용하여 선형, 비선형 모델을 수립하였을때의 검정 통계량은 Table 6에 정리되어 있다. 개나리 개화일 또한 2월과 3월의 평균 온도가 모델링에 더 효과적인 것을 알 수 있었으며, 같은 입력자료를 사용하여 선형 모델과 비선형 모델을 사용한 결과는 큰 차이가 없었다.
먼저 온도 변수와 NDVI만을 이용하여 선형, 비선형 모델을 수립하였을 때의 검정 통계량은 Table 10에 정리되어 있다. 단풍 절정일의 경우 적산온도가 모델링에 더 효과적인 것을 알 수 있었으며, 같은 입력자료를 사용한 선형 모델과 비선형 RF 모델의 결과에서 비선형 RF 모델을 사용했을 때 정확도가 약간 높아지는 것을 알 수 있었다.
벚나무 평균 개화 DOY가 2003년 94에서 2020년 87로 빨라졌고, 개나리의 평균 개화 DOY 역시 87에서 79로 빨라졌다. 또한, 벚나무와 개나리 개화일의 관측치 지도에서 전반적으로 지도의 색이 옅어지는 것으로 보아 개화일이 빨라지는 것을 확인할 수 있었다(Figs. 7, 8) 특히 벚나무는 2014년 이후로 확연히 옅어지는 것을 확인할 수 있었다(Fig.
9, 10). 벚나무와 개나리, 단풍나무와 은행나무의 관측과 추정 지도를 비교하여 봤을 때, 모델의 성능이 더 좋은 개나리와 벚나무 개화일의 추정이 단풍나무와 은행나무의 추정보다 큰 차이를 보이지 않는 것을 확인할 수 있었다.
먼저 온도 변수와 NDVI만을 이용하여 선형, 비선형 모델을 수립하였을 때의 검정 통계량은 Table 12에 정리되어 있다. 은행나무의 단풍 절정일 역시 적산온도가 모델링에 더 효과적인 것을 알 수 있었으며, 같은 입력자료를 사용한 선형 모델과 비선형 RF 모델의 결과에서 비선형 RF 모델을 사용했을 때 정확도가 약간 높아지는 것을 알수있었다.
5는 적산온도와 11월 NDVI를 사용해 선형, 비선형 모델을 수립하고 산출된 추정치와 관측치를 비교한 것이다. 이러한 모델링을 통해 단풍나무나무 단풍 절정일을 3.7일 정도의 오차로 추정할 수 있었고 상관계수는 0.83 정도로 나타났다.
6은 적산온도와 11월 NDVI를 사용해 선형, 비선형 모델을 수립하고 산출된 추정치와 관측치를 비교한 것이다. 이러한 모델링을 통해 은행나무 단풍 절정일을 3.4일 정도의 오차로 추정할 수 있었고 상관계수는 0.84정도로 나타났다.

후속연구

본 연구에서 사용된 기상자료 외에도 고도와 위도 같은 지형정보를 사용한다면 조금 더 높은 정확도의 모델을 수립할 수 있을 것으로 예상되며, 높은 상관관계를 가지는 일사량 자료는 실제로 관측되는 데이터가 적어서 모델을 수립하기에 충분하지 않은 양으로 판단되어, 데이터의 양이 더 많아진다면 더 높은 정확도의 모델을 수립할 수 있을 것으로 사료된다. 또한 본 연구에서 작성된 등치선도에서, 관측과 추정의 등치선도의 차이가 커지는 경향을 보이는데, 이는 최근으로 올수록 관측 지점의 수가 줄어들어서 차이가 커지는 것으로 판단되며, 관측지점이 많아진다면 더 정확하게 등치선도를 작성할 수 있을 것으로 사료된다.
이러한 모델을 통해서 산출된 지점추정치를 크리깅 내삽법을 사용하여 공간 연속면으로 확장하였다. 본 연구에서 사용된 기상자료 외에도 고도와 위도 같은 지형정보를 사용한다면 조금 더 높은 정확도의 모델을 수립할 수 있을 것으로 예상되며, 높은 상관관계를 가지는 일사량 자료는 실제로 관측되는 데이터가 적어서 모델을 수립하기에 충분하지 않은 양으로 판단되어, 데이터의 양이 더 많아진다면 더 높은 정확도의 모델을 수립할 수 있을 것으로 사료된다. 또한 본 연구에서 작성된 등치선도에서, 관측과 추정의 등치선도의 차이가 커지는 경향을 보이는데, 이는 최근으로 올수록 관측 지점의 수가 줄어들어서 차이가 커지는 것으로 판단되며, 관측지점이 많아진다면 더 정확하게 등치선도를 작성할 수 있을 것으로 사료된다.
일사의 경우 모든 식물 계절 현상에 있어서 누적 일사량이 높은 상관 계수를 가지는 것을 확인할 수 있었다. 향후에는 보다 다양한 변수조합에 의한 모델링이 추가적으로 시도될 필요가 있다. 이러한 모델을 통해서 산출된 지점추정치를 크리깅 내삽법을 사용하여 공간 연속면으로 확장하였다.

참고문헌 (26)

Atkinson, P.M., C. Jeganathan, J. Dash, and C. Atzberger, 2012. Inter-comparison of four models for smoothing satellite sensor time-series data to estimate vegetation phenology, Remote Sensing of Environment, 123: 400-417. https://doi.org/10.1016/j.rse.2012.04.001

상세보기
Beck, P.S.A., C. Atzberger, K.A. Hogda, B. Johansen, and A.K. Skidmore, 2006. Improved monitoring of vegetation dynamics at very high latitudes: A new method using MODIS NDVI, Remote Sensing of Environment, 100(3): 321-334. https://doi.org/10.1016/j.rse.2005.10.021

상세보기
Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32.
Choi, C.H. and S.G. Jung, 2014. Analysis of the MODISbased vegetation phenology using the HANTS algorithm, Journal of the Korean Association of Geographic Information Studies, 17(3): 20-38. https://doi.org/10.11108/kagis.2014.17.3.020

원문보기 상세보기
Choi, J.Y., U. Chung, and J. I. Yun, 2003. Urban-effect correction to improve accuracy of spatially interpolated temperature estimates in Korea, Journal of Applied Meteorology and Climatology, 42(12): 1711-1719. https://doi.org/10.1175/1520-0450(2003)042%3C1711:UCTIAO%3E2.0.CO;2
David, G., G.G. Douglas, and C.S. Raymond, 2003. Climate Variability and Ecosystem Response at Long-term Ecological Research Sites, Oxford University Press, Oxford, UK.
Edwards, M. and A.J. Richardson, 2004. Impact of climate change on marine pelagic phenology and trophic mismatch, Nature, 430: 881-884. https://doi.org/10.1038/nature02808

상세보기
Fisher, J.I., J.F. Mustard, and A. Vadeboncoeur, 2006. Green leaf phenology at Landsat resolution: Scaling from the field to the satellite, Remote Sensing of Environment, 100(2): 265-279. https://doi.org/10.1016/j.rse.2005.10.022

상세보기
Hmimina, G., E. Dufrene, J. Y. Pontailler, N. Delpierre, M. Aubinet, B. Caquet, A. de Grandcourt, B. Burban, C. Flechard, A. Granier, P. Gross, B. Heinesch, B. Longdoz, C. Moureaux, J.-M. Ourcival, S. Rambal, L. Saint Andre, and K. Soudani, 2013. Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes: An investigation using ground-based NDVI measurements, Remote Sensing of Environment, 132: 145-158. https://doi.org/10.1016/j.rse.2013.01.010

상세보기
Jeong, Y.M., S.B. Cho, Y.J. Youn, S.Y. Kim, G.A. Kim, J.G. Kang, D.G. Lee, U. Chung, and Y.W. Lee, 2021. Kriging of daily PM 10 concentration from the Air Korea stations nationwide and the accuracy assessment, Korean Journal of Remote Sensing, 37(3): 379-394 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.3.2

원문보기 상세보기
Kim, J.H., 2019. A Study on Vegetation Phenology of South Korea Temperate Forest between 2009-2017, Master Thesis, Seoul National University, Seoul, Republic of Korea.
Kim, N.S., H.C. Lee, and J.Y. Cha, 2013. A study on changes of phenology and characteristics of spatial distribution using MODIS images, Journal of the Korea Society of Environmental Restoration Technology, 16(5): 56-69. https://doi.org/10.13087/kosert.2013.16.5.059

원문보기 상세보기
Ku, C.Y., Y.H. Shin, J.W. Lee, and H.S. Kim, 2012. The study on the grid size regarding spatial interpolation for local climate maps, The Geographical Journal of Korea, 46(4): 489-500.
Lee, B., E. Kim, J. Lee, J.-M. Chung, and J.H. Kim, 2018. Detecting phenology using MODIS vegetation indices and forest type map in South Korea, Korean Journal of Remote Sensing, 34(2-1): 267-282 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.2.1.9

원문보기 상세보기
Lee, K.M., W.T. Kwon, and S.H. Lee, 2009. A study on plant phenological trends in South Korea, Journal of the Korean Association of Regional Geographers, 15(3): 337-350.
Mitas, L. and H. Mitasova, 1999. Spatial interpolation, In: Longley, P., Goodchild, M., Maguire, D., Rhind, D. (eds), Geographical Information Systems: Principles, Techniques, Management and Applications, Wiley, London, UK, pp. 481-492.
Moulin, S., N. Kergoat, N. Viovy, and G. Dedieu, 1997. Global-scale assessment of vegetation phonology using NOAA/AVHRR satellite measurements, Journal of Climate, 10(6): 1154-1170. https://dx.doi.org/10.1175/1520-0442(1997)010%3C1154:GSAOVP%3E2.0.CO;2
Reed, B.C., J.F. Brown, D. Vanderaee, T.R. Loveland, J.W. Merchant, and D.O. Ohlen, 1994. Measuring phenological variability from satellite imagery, Journal of Vegetation Science, 5(5): 703-714. https://doi.org/10.2307/3235884

상세보기
Sakamoto, T., M. Yokozawa, H. Toritani, M. Shibayama, N. Ishitsuka, and H. Ohno, 2005. A crop phenology detection method using time-series MODIS data, Remote Sensing of Environment, 96(3-4): 366-374. https://doi.org/10.1016/j.rse.2005.03.008

상세보기
Schwartz, M.D. and B.E. Reiter, 2000. Changes in North American spring, International Journal of Climatology, 20(8): 929-932. https://doi.org/10.1002/1097-0088(20000630)20:8%3C929::AID-JOC557%3E3.0.CO;2-5

상세보기
Schwartz, M.D. and G.A. Marotz, 1986. An approach to examining regional atmosphere-plant interactions with phenological data, Journal of Biogeography, 13: 551-560. https://doi.org/10.2307/2844818

상세보기
Soudani, K., G. le Maire, E. Dufrene, C. Francois, N. Delpierre, E. Ulrich, and S. Cecchini, 2008. Evaluation of the onset of green-up in temperate deciduous broadleaf forests derived from Moderate Resolution Imaging Spectroradiometer (MODIS) data, Remote Sensing of Environment, 112(5): 2643-2655. https://doi.org/10.1016/j.rse.2007.12.004

상세보기
Tan, B., F. Gao, R.E. Wolfe, J. Nightingale, J.A.Pedelty, J.T. Morisette, and G.A. Ederer, 2011. An enhanced TIMESAT algorithm for estimating vegetation phenology metrics from MODIS data, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 4(2): 361-371. https://doi.org/10.1109/JSTARS.2010.2075916

상세보기
Tricart, J. and C. KiewietdeJonge, 1992. Ecogeography and Rural Management: A Contribution to the International Geosphere-Biosphere Programme, Longman Group, Harlow, UK.
Youn, Y.J., S.Y. Kim, Y.M. Jeong, S.B. Cho, and Y.W. Lee, 2020. Evaluation of the DCT-PLS method for spatial gap filling of gridded data, Korean Journal of Remote Sensing, 36(6-1): 1409-1419 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.6.1.10

원문보기 상세보기
Zhang, X., M.A. Friedl, C.B. Schaaf, and A.H. Strahler, 2004. Climate controls on vegetation phenological patterns in northern mid-and high latitudes inferred from MODIS data, Global Change Biology, 10(7): 1133-1145. https://doi.org/10.1111/j.1529-8817.2003.00784.x

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