[논문]다종 위성자료와 인공지능 기법을 이용한 한반도 주변 해역의 고해상도 해수면온도 자료 생산

정시훈; 추민기; 임정호; 조동진

doi:10.7780/kjrs.2022.38.5.2.5

다종 위성자료와 인공지능 기법을 이용한 한반도 주변 해역의 고해상도 해수면온도 자료 생산
Generation of Daily High-resolution Sea Surface Temperature for the Seas around the Korean Peninsula Using Multi-satellite Data and Artificial Intelligence 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.5 pt.2, 2022년, pp.707 - 723

정시훈 (울산과학기술원 도시환경공학과) , 추민기 (울산과학기술원 도시환경공학과) , 임정호 (울산과학기술원 도시환경공학부) , 조동진 (울산과학기술원 도시환경공학과)

초록
AI-Helper

위성기반 해수면온도는 광역 모니터링이 가능한 장점이 있지만, 다양한 환경적 그리고 기계적 이유로 인한 시공간적 자료공백이 발생한다. 자료공백으로 인한 활용성의 한계가 있으므로, 공백이 없는 자료 생산이 필수적이다. 따라서 본 연구에서는 한반도 주변 해역에 대해 극궤도와 정지궤도 위성에서 생산되는 해수면온도 자료를 두 단계의 기계학습을 통해 융합하여 4 km의 공간해상도를 가지는 일별 해수면온도 합성장을 만들었다. 첫번째 복원 단계에서는 Data INterpolate Convolutional AutoEncoder (DINCAE) 모델을 이용하여 다종 위성기반 해수면온도 자료를 합성하여 복원하였고, 두번째 보정 단계에서는 복원된 해수면온도 자료를 현장관측자료에 맞춰 Light Gradient Boosting Machine (LGBM) 모델로 학습시켜 최종적인 일별 해수면온도 합성장을 만들었다. 개발된 모델의 검증을 위해 복원 단계에서 무작위 50일의 자료 중 일부분을 제거하여 복원한 뒤 제거된 영역에 대해 검증하였으며, 보정 단계에서는 Leave One Year Out Cross Validation (LOYOCV) 기법을 이용하여 현장자료와의 정확도를 검증하였다. DINCAE 모델의 해수면온도 복원 결과는 상당히 높은 정확도(R²=0.98, bias=0.27℃, RMSE=0.97℃, MAE=0.73℃)를 보였다. 두번째 단계의 LGBM 보정 모델의 정확도 개선은 표층 뜰개 부이와 계류형 부이 현장자료와의 비교에서 모두 상당한 향상(RMSE=∆0.21-0.29℃, rRMSE=∆0.91-1.65%, MAE=∆0.17-0.24℃)을 보여주었다. 특히, 모든 현장 자료를 이용한 보정 모델의 표층 뜰개 부이와의 정확도는 동일한 현장 자료가 동화된 기존 해수면온도 합성장보다 나은 정확도를 보였다. 또한 LGBM 보정 모델은 랜덤포레스트(random forest)를 사용한 선행연구에서 보고된 과적합의 문제를 상당부분 해결하였다. 보정된 해수면온도는 기존의 초고해상도 해수면온도 합성장들과 유사한 수준으로 수온 전선과 와동 등의 중규모 해양현상을 뚜렷하게 모의하였다. 본 연구는 다종위성 자료와 기계학습 기법을 사용해 시공간적 공백 없는 고해상도 해수면온도 합성장 제작 방법을 제시하였다는 점에서 가치가 있다.

Abstract ▼ AI-Helper

Although satellite-based sea surface temperature (SST) is advantageous for monitoring large areas, spatiotemporal data gaps frequently occur due to various environmental or mechanical causes. Thus, it is crucial to fill in the gaps to maximize its usability. In this study, daily SST composite fields with a resolution of 4 km were produced through a two-step machine learning approach using polar-orbiting and geostationary satellite SST data. The first step was SST reconstruction based on Data Interpolate Convolutional AutoEncoder (DINCAE) using multi-satellite-derived SST data. The second step improved the reconstructed SST targeting in situ measurements based on light gradient boosting machine (LGBM) to finally produce daily SST composite fields. The DINCAE model was validated using random masks for 50 days, whereas the LGBM model was evaluated using leave-one-year-out cross-validation (LOYOCV). The SST reconstruction accuracy was high, resulting in R2 of 0.98, and a root-mean-square-error (RMSE) of 0.97℃. The accuracy increase by the second step was also high when compared to in situ measurements, resulting in an RMSE decrease of 0.21-0.29℃ and an MAE decrease of 0.17-0.24℃. The SST composite fields generated using all in situ data in this study were comparable with the existing data assimilated SST composite fields. In addition, the LGBM model in the second step greatly reduced the overfitting, which was reported as a limitation in the previous study that used random forest. The spatial distribution of the corrected SST was similar to those of existing high resolution SST composite fields, revealing that spatial details of oceanic phenomena such as fronts, eddies and SST gradients were well simulated. This research demonstrated the potential to produce high resolution seamless SST composite fields using multi-satellite data and artificial intelligence.

주제어

표/그림 (12)

그림 Fig. 1. Map of the in situ measurements for the validation and correction. (a) location of two types of fixed (or two types of mooring buoys) in situ monitoring sites. The Korea Meteorological Administration (KMA) buoys are shown in blue stars, while the Korea Hydrographic and Oceanographic Agency (KHOA) buoys are shown in red circles with their IDs as the labels. The bathymetry downloaded from General Bathymetry Chart of the Oceans (GEBCO) (www.gebco.net) was used as the background image. (b) accumulated acquisition of iQUAM drifting buoys. The density is aggregated into 0.25°.
그림 Fig. 2. Overall process and structure of machine learning in this study. (a) flow diagram of the proposed reconstruction and correction methods, (b) structure of the Data INterpolate Convolutional AutoEncoder (DINCAE) model, and (c) structure of the Light Gradient Boosting Machine (LGBM) model.
표 Table 1. Input variables used in the proposed two models: Data INterpolate Convolutional AutoEncoder (DINCAE) and Light Gradient Boosting Machine (LGBM)
표 Table 2. Hyperparameters determined in the DINCAE model
표 Table 3. Hyperparameters determined in the LGBM model
그림 Fig. 3. Validation accuracy of the SST reconstructed through DINCAE. (a) scatterplot between the reconstructed and reference SST data and (b) spatial distribution of validation RMSE.
그림 Fig. 4. Spatial distribution of SSTs. (a) original SST, (b) original SST with the occlusion mask for validation, and (c) the reconstructed SST on 5 May 2013. (d) original SST, (e) original SST with the occlusion mask for validation, and (f) the reconstructed SST on 30 Oct. 2015.
표 Table 4. Accuracy metrics of the operational SST products and SSTs produced in this study when compared to iQUAM drifting buoy data
표 Table 5. Accuracy metrics of the operational SST products and SSTs produced in this study when compared to KMA mooring buoy data
표 Table 6. Accuracy metrics of the operational products and SSTs produced in this study when compared to KHOA buoy data
그림 Fig. 5. Spatial distribution of SSTs on 5 May 2013. (a) OSTIA, (b) MUR SST, (c) reconstructed SST, and (d) corrected SST. The spatial resolutions of the SSTs are 0.05°, 1, 4, and 4 km, respectively.
그림 Fig. 6. Spatial distribution of SSTs on 30 Oct. 2015. (a) OSTIA, (b) MUR SST, (c) reconstructed SST, and (d) corrected SST. The spatial resolutions of the SSTs are 0.05°, 1, 4, and 4 km, respectively.

AI 본문요약
AI-Helper

제안 방법

앞서 검증한 iQUAM과 기상청의 현장 관측 자료들은 기존 해수면온도 합성장 자료 생산에 활용되었지만, 국립해양조사원의 부이 자료는 사용되지 않았다. 그러므로, 본 연구지역에 대해 개발된 모델을 국립해양조사원의 현장 관측 자료에 대해 검증을 수행하였다(Table 6). 복원된 해수면온도자료의 정확도(RMSE=1.
본 연구에서는 두 단계로 나누어 다종위성자료와 기계학습 기법을 이용하여 일별 해수면온도 합성장을 만들었다(Fig. 2.
). 첫 단계는 DINCAE를 사용하여 다종위성자료로부터 자료공백이 있는 해수면온도를 시공간적으로 복원하는 것이고, 이어 두 번째 단계는 LGBM을 이용하여 복원된 해수면온도를 현장관측 자료에 맞춰 보정하는 것이다. 위성기반 아피층 해수면온도를 현장 관측 부이 자료에 맞춘 보정이므로, 보정된 해수면온도는 현장 자료 관측 수심에 맞춰진 표층 해수면온도 합성장이다.

대상 데이터

기상청(관측 수심: 0.2–0.4 m)과 iQUAM(관측 수심: 0.2 m) 부이에 비해 국립해양조사원(관측 수심: 3 m) 부이는 상대적으로 깊은 수심에서 온도를 측정한다
첫번째 단계의 DINCAE 모델의 복원 성능을 평가하기 위해 입력자료의 일정 부분을 임의로 제거한 뒤 이를 검증자료로 사용하였다. 우선 2012년 1월 1일부터 50일간의 자료에서 구름 마스크 부분을 추출하였다. 추출한 50개의 구름 마스크를 연구기간 중 랜덤하게 50일의 자료에 적용하여 유효한 해수면온도 값이 있는 부분을 제거한 뒤, 이를 DINCAE 모델의 복원 정확도 평가에 사용하였다.
첫번째 단계의 DINCAE 모델의 복원 성능을 평가하기 위해 입력자료의 일정 부분을 임의로 제거한 뒤 이를 검증자료로 사용하였다. 우선 2012년 1월 1일부터 50일간의 자료에서 구름 마스크 부분을 추출하였다.

데이터처리

위성기반 아피층 해수면온도를 현장 관측 부이 자료에 맞춘 보정이므로, 보정된 해수면온도는 현장 자료 관측 수심에 맞춰진 표층 해수면온도 합성장이다. 개발된 해수면온도 합성장 자료를 국립해양조사원(KHOA) 현장관측 자료로 정확도를 평가하였고, 현존하는 고해상도 해수면온도 합성장인MUR SST, OSTIA 자료와 공간분포를 비교하였다.

이론/모형

추출한 50개의 구름 마스크를 연구기간 중 랜덤하게 50일의 자료에 적용하여 유효한 해수면온도 값이 있는 부분을 제거한 뒤, 이를 DINCAE 모델의 복원 정확도 평가에 사용하였다. 두번째 단계에서 보정 모델인 LGBM의 성능을 검증하기 위해 시간적 교차검증 방법인 Leave-One-Year-Out-Cross-Validation (LOYOCV)을 사용하였다. LOYOCV는 전체 연구기간 중 특정 해의 자료를 제외하고 나머지 해의 자료로 학습하여 제외된 일년 자료를 검증하는 교차 방법이다.
우선 2012년 1월 1일부터 50일간의 자료에서 구름 마스크 부분을 추출하였다. 추출한 50개의 구름 마스크를 연구기간 중 랜덤하게 50일의 자료에 적용하여 유효한 해수면온도 값이 있는 부분을 제거한 뒤, 이를 DINCAE 모델의 복원 정확도 평가에 사용하였다. 두번째 단계에서 보정 모델인 LGBM의 성능을 검증하기 위해 시간적 교차검증 방법인 Leave-One-Year-Out-Cross-Validation (LOYOCV)을 사용하였다.

성능/효과

Table 5는 해수면온도 자료들을 기상청의 계류형 부이 현장관측 자료와 비교한 정확도를 보여주고 있다. 기상청의 계류형 부이 자료와의 정확도는 표층 뜰개 부이 자료와의 검증 결과와 동일하게 LGBM 모델을 통해 뚜렷하게 향상됨을 보여주었다. 보정된 해수면온도(단계 2)는 복원된 해수면온도(단계 1)보다 향상된 정확도(RMSE=Δ0.
모든 현장 관측자료를 학습하여 보정된 해수면온도는 정확도가 더욱 상승(RMSE=Δ0.31℃, rRMSE=Δ1.74%, MAE=Δ0.25℃) 하였지만, 기존의 해수면온도 합성장 자료보다는 약간 낮은 정확도를 보였다
보정된 해수면온도(단계 2)는 복원된 해수면온도(단계 1)보다 향상된 정확도(RMSE=Δ0.21℃, rRMSE=Δ1.19%, MAE=Δ0.17℃)를 나타내었다
보정된 해수면온도(단계 2)의 정확도는 기상청 부이 자료(RMSE=Δ0.21℃, rRMSE=Δ0.91%, MAE=Δ0.17℃)와 iQUAM 표층 뜰개 부이 자료(RMSE =Δ0.22℃, rRMSE=Δ0.96%, MAE=Δ0.17℃)를 검증자료로 사용했을 때 유사하게 상승하였다

참고문헌 (42)

Alvera-Azcarate, A., A. Barth, G. Parard, and J.-M. Beckers, 2016. Analysis of SMOS sea surface salinity data using DINEOF, Remote Sensing of Environment, 180: 137-145. https://doi.org/10.1016/j.rse.2016.02.044

상세보기
Alvera-Azcarate, A., A. Barth, J. M. Beckers, and R. H. Weisberg, 2007. Multivariate reconstruction of missing data in sea surface temperature, chlorophyll, and wind satellite fields, Journal of Geophysical Research: Oceans, 112(C3). https://doi.org/10.1029/2006JC003660

상세보기
Barth, A., A. Alvera-Azcarate, M. Licer, and J.-M. Beckers, 2020. DINCAE 1.0: a convolutional neural network with error estimates to reconstruct sea surface temperature satellite observations, Geoscientific Model Development, 13(3): 1609-1622. https://doi.org/10.5194/gmd-13-1609-2020

상세보기
Barth, A., A. Alvera-Azcarate, C. Troupin, and J.-M. Beckers, 2022. DINCAE 2.0: multivariate convolutional neural network with error estimates to reconstruct sea surface temperature satellite and altimetry observations, Geoscientific Model Development, 15(5): 2183-2196. https://doi.org/10.5194/gmd-15-2183-2022

상세보기
Beckers, J.-M. and M. Rixen, 2003. EOF calculations and data filling from incomplete oceanographic datasets, Journal of Atmospheric and Oceanic Technology, 20(12): 1839-1856. https://doi.org/10.1175/1520-0426(2003)020 2.0.CO;2

상세보기
Bulgin, C.E., C.J. Merchant, and D. Ferreira, 2020. Tendencies, variability and persistence of sea surface temperature anomalies, Scientific Reports, 10(1): 1-13. https://doi.org/10.1038/s41598-020-64785-9

상세보기
Chin, T.M., J. Vazquez-Cuervo, and E.M. Armstrong, 2017. A multi-scale high-resolution analysis of global sea surface temperature, Remote Sensing of Environment, 200: 154-169. https://doi.org/10.1016/j.rse.2017.07.029

상세보기
Choi, H., Y. Kang, and J. Im, 2021. Estimation of TRO POMI-derived Ground-level SO 2 Concentrations Using Machine Learning Over East Asia, Korean Journal of Remote Sensing, 37(2): 275-290 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.2.8

원문보기 상세보기
Donlon, C., P. Minnett, C. Gentemann, T. Nightingale, I. Barton, B. Ward, and M. Murray, 2002. Toward improved validation of satellite sea surface skin temperature measurements for climate research, Journal of Climate, 15(4): 353-369. https://doi.org/10.1175/1520-0442(2002)015 2.0.CO;2

상세보기
Donlon, C.J., M. Martin, J. Stark, J. Roberts-Jones, E. Fiedler, and W. Wimmer, 2012. The operational sea surface temperature and sea ice analysis (OSTIA) system, Remote Sensing of Environment, 116: 140-158. https://doi.org/10.1016/j.rse.2010.10.017

상세보기
Good, S., E. Fiedler, C. Mao, M. J. Martin, A. Maycock, R. Reid, J. Roberts-Jones, T. Searle, J. Waters, and J. While, 2020. The current configuration of the OSTIA system for operational production of foundation sea surface temperature and ice concentration analyses, Remote Sensing, 12(4):720. https://doi.org/10.3390/rs12040720

상세보기
Han, Z., Y. He, G. Liu, and W. Perrie, 2020. Application of DINCAE to Reconstruct the Gaps in Chlorophylla Satellite Observations in the South China Sea and West Philippine Sea, Remote Sensing, 12(3):480. https://doi.org/10.3390/rs12030480

상세보기
Jang, E., Y.J. Kim, J. Im, Y.-G. Park, and T. Sung, 2022. Global sea surface salinity via the synergistic use of SMAP satellite and HYCOM data based on machine learning, Remote Sensing of Environment, 273: 112980. https://doi.org/10.1016/j.rse.2022.112980

상세보기
Ji, C., Y. Zhang, Q. Cheng, and J. Y. Tsou, 2021. Investigating ocean surface responses to typhoons using reconstructed satellite data, International Journal of Applied Earth Observation and Geoinformation, 103: 102474. https://doi.org/10.1016/j.jag.2021.102474

상세보기
Jonasson, O., I. Gladkova, A. Ignatov, and Y. Kihai, 2021. Algorithmic improvements and consistency checks of the NOAA global gridded supercollated SSTs from low Earth orbiting satellites (L3S-LEO), Proc. of SPIE 11752 Ocean Sensing and Monitoring XIII, May 25, vol. 11752, pp. 5-18. https://doi.org/10.1117/12.2585819
Jung, S., Y.J. Kim, S. Park, and J. Im, 2020. Prediction of sea surface temperature and detection of ocean heat wave in the South Sea of Korea using time-series deep-learning approaches, Korean Journal of Remote Sensing, 36(5-3): 1077-1093 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.3.7

원문보기 상세보기
Jung, S., C. Yoo, and J. Im, 2022. High-Resolution Seamless Daily Sea Surface Temperature Based on Satellite Data Fusion and Machine Learning over Kuroshio Extension, Remote Sensing, 14(3): 575. https://doi.org/10.3390/rs14030575

상세보기
Kang, Y., M. Kim, E. Kang, D. Cho, and J. Im, 2022. Improved retrievals of aerosol optical depth and fine mode fraction from GOCI geostationary satellite data using machine learning over East Asia, ISPRS Journal of Photogrammetry and Remote Sensing, 183: 253-268. https://doi.org/10.1016/j.isprsjprs.2021.11.016

상세보기
Ke, G., Q. Meng, T. Finley, T. Wang, W. Chen, W. Ma, Q. Ye, and T.-Y. Liu, 2017. Lightgbm: A highly efficient gradient boosting decision tree, Advances in neural information processing systems, Proc. of 31st Conference on Neural Information Processing Systems, Long Beach, CA, vol. 30, pp. 3146-3154.
Kim, T., S. Chung, C.Y. Chung, and S. Baek, 2017. An estimation of the composite sea surface temperature using COMS and polar orbit Satellites data in Northwest Pacific Ocean, Korean Journal of Remote Sensing, 33(3): 275-285 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2017.33.3.3

원문보기 상세보기
Kurihara, Y., H. Murakami, and M. Kachi, 2016. Sea surface temperature from the new Japanese geostationary meteorological Himawari-8 satellite, Geophysical Research Letters, 43(3): 1234-1240. https://doi.org/10.1002/2015GL067159

상세보기
Levy, R.C., S. Mattoo, V. Sawyer, Y. Shi, P.R. Colarco, A.I. Lyapustin, Y. Wang, and L.A. Remer, 2018. Exploring systematic offsets between aerosol products from the two MODIS sensors, Atmospheric Measurement Techniques, 11(7): 4073-4092. https://doi.org/10.5194/amt-11-4073-2018

상세보기
Liu, X. and M. Wang, 2018. Gap filling of missing data for VIIRS global ocean color products using the DINEOF method, IEEE Transactions on Geoscience and Remote Sensing, 56(8): 4464-4476. https://doi.org/10.1109/TGRS.2018.2820423

상세보기
Luo, X., J. Song, J. Guo, Y. Fu, L. Wang, and Y. Cai, 2022. Reconstruction of chlorophyll-a satellite data in Bohai and Yellow sea based on DINCAE method, International Journal of Remote Sensing, 43(9): 3336-3358. https://doi.org/10.1080/01431161.2022.2090872

상세보기
Merchant, C., A. Harris, M. Murray, and A. Zavody, 1999. Toward the elimination of bias in satellite retrievals of sea surface temperature: 1. Theory, modeling and interalgorithm comparison, Journal of Geophysical Research: Oceans, 104(C10): 23565-23578. https://doi.org/10.1029/1999JC900105

상세보기
Nechad, B., A. Alvera-Azcarate, K. Ruddick, and N. Greenwood, 2011. Reconstruction of MODIS total suspended matter time series maps by DINEOF and validation with autonomous platform data, Ocean Dynamics, 61(8): 1205-1214. https://doi.org/10.1007/s10236-011-0425-4

상세보기
NOAA/STAR, 2021. GHRSST NOAA/STAR ACSPO v2.800.02 degree L3S Dataset from Afternoon LEO Satellites (GDS v2), Physical Oceanography Distributed Active Archive Center (PODAAC), CA, USA. https://doi.org/10.5067/GHLPM-3SS28
O'Carroll, A.G., E.M. Armstrong, H.M. Beggs, M. Bouali, K.S. Casey, G.K. Corlett, P. Dash, C.J. Donlon, C.L. Gentemann, and J.L. Hoyer, 2019. Observational needs of sea surface temperature, Frontiers in Marine Science, 6: 420. https://doi.org/10.3389/fmars.2019.00420

상세보기
O'Carroll, A.G., J.R. Eyre, and R.W. Saunders, 2008. Three-way error analysis between AATSR, AMSR-E, and in situ sea surface temperature observations, Journal of Atmospheric and Oceanic Technology, 25(7): 1197-1207. https://doi.org/10.1175/2007JTECHO542.1

상세보기
Ouala, S., R. Fablet, C. Herzet, B. Chapron, A. Pascual, F. Collard, and L. Gaultier, 2018. Neural network based Kalman filters for the Spatio-temporal interpolation of satellite-derived sea surface temperature, Remote Sensing, 10(12): 1864. https://doi.org/10.3390/rs10121864

상세보기
Park, J., D.-W. Kim, Y.-H. Jo, and D. Kim, 2018. Accuracy evaluation of daily-gridded ASCAT satellite data around the Korean Peninsula, Korean Journal of Remote Sensing, 34(2-1): 213-225 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.2.1.5

원문보기 상세보기
Park, K. and Y.-H. Kim, 2009. A Methodology for 3-D Optimally-Interpolated Satellite Sea Surface Temperature Field and Limitation, Journal of the Korean Earth Science Society, 30(2): 223-233 (in Korean with English abstract). https://doi.org/10.5467/JKESS.2009.30.2.223

원문보기 상세보기
Park, K., 2019. GK-2A AMI Algorithm Theoretical Basis Document (ATBD) Sea Surface Temperature, National Meteorological Satellite Center (NMSC), Jincheon, Korea.
Park, K., F. Sakaida, and H. Kawamura, 2008. Oceanic skin-bulk temperature difference through the comparison of satellite-observed sea surface temperature and in-situ measurements, Korean Journal of Remote Sensing, 24(4): 273-287 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2008.24.4.273

원문보기 상세보기
Park, S., M. Kim, and J. Im, 2021. Estimation of Ground-level PM 10 and PM 2.5 Concentrations Using Boosting-based Machine Learning from Satellite and Numerical Weather Prediction Data, Korean Journal of Remote Sensing, 37(2): 321-335 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.2.11

원문보기 상세보기
Stark, J.D., C.J. Donlon, M.J. Martin, and M.E. McCulloch, 2007. OSTIA: An operational, high resolution, real time, global sea surface temperature analysis system, Proc. of Oceans 2007-Europe, Aberdeen, UK, Jun. 18-21, pp. 1-4. https://doi.org/10.1109/OCEANSE.2007.4302251
Sunder, S., R. Ramsankaran, and B. Ramakrishnan, 2020. Machine learning techniques for regional scale estimation of high-resolution cloud-free daily sea surface temperatures from MODIS data, ISPRS Journal of Photogrammetry and Remote Sensing, 166: 228-240. https://doi.org/10.1016/j.isprsjprs.2020.06.008

상세보기
Wentz, F.J., C. Gentemann, D. Smith, and D. Chelton, 2000. Satellite measurements of sea surface temperature through clouds, Science, 288(5467): 847-850. https://doi.org/10.1126/science.288.5467.84

상세보기
Woo, H.J. and K. Park, 2020. Inter-comparisons of daily sea surface temperatures and in-situ temperatures in the coastal regions, Remote Sensing, 12(10):1592. https://doi.org/10.3390/rs12101592

상세보기
Xiao, C., N. Chen, C. Hu, K. Wang, Z. Xu, Y. Cai, L. Xu, Z. Chen, and J. Gong, 2019. A spatiotemporal deep learning model for sea surface temperature field prediction using time-series satellite data, Environmental Modelling & Software, 120: 104502. https://doi.org/10.1016/j.envsoft.2019.104502

상세보기
Xu, F. and A. Ignatov, 2014. In situ SST quality monitor (iQuam), Journal of Atmospheric and Oceanic Technology, 31(1): 164-180. https://doi.org/10.1175/JTECH-D-13-00121.1

상세보기
Xu, F. and A. Ignatov, 2016. Error characterization in iQuam SSTs using triple collocations with satellite measurements, Geophysical Research Letters, 43(20): 10826-10834. https://doi.org/10.1002/2016GL070287

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