[논문]기계학습 기반 고해상도 토양수분 복원을 위한 Sentinel-1 SAR의 자립형 활용성 평가

정재환; 조성근; 전현호; 이슬찬; 최민하

doi:10.7780/kjrs.2022.38.5.1.11

[국내논문] 기계학습 기반 고해상도 토양수분 복원을 위한 Sentinel-1 SAR의 자립형 활용성 평가
Assessment of Stand-alone Utilization of Sentinel-1 SAR for High Resolution Soil Moisture Retrieval Using Machine Learning 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.38 no.5 pt.1, 2022년, pp.571 - 585

정재환 (성균관대학교 건설환경연구소) , 조성근 (성균관대학교 수자원학과) , 전현호 (성균관대학교 글로벌스마트시티융합전공) , 이슬찬 (성균관대학교 수자원학과) , 최민하 (성균관대학교 수자원학과)

초록
AI-Helper

기후변화로 인한 가뭄, 홍수, 산불, 산사태 등 자연재해의 위협이 증가함에 따라, 합성개구레이더(Synthetic Aperture Radar, SAR)와 같이 고해상도 토양수분 복원에 대한 사회적 수요도 증가하고 있다. 하지만 국내 환경은 산림 지형의 비율이 높아, 식생과 지형의 영향을 크게 받는 SAR 자료에서 토양수분을 복원하는데 많은 어려움을 겪고 있다. 이에 본 연구에서는 기계학습의 일종인 인공신경망(Artificial Neural Network, ANN) 기법을 활용하여, Sentinel-1 SAR 영상의 자립형 활용성을 평가하였다. Sentinel-1에서 얻을 수 있는 이중편파 산란계수는 토양수분 거동과 유의미한 상관성을 가지고 있음을 확인할 수 있었으며, 다른 위성이나 지점에서 관측된 보조자료를 사용하지 않고도 식생의 효과 등을 보정할 수 있는 자립형 활용 가능성도 확인할 수 있었다. 하지만 각 지점별, 지형 그룹별 특성에 의한 차이가 크게 나타났으며, 특히 산지와 평지에서 학습된 모형을 교차적용하였을 때 토양수분을 제대로 모의할 수 없는 현상이 발생하였다. 또한 이러한 문제를 해결하고자 학습 지점의 수를 늘리는 경우에는 토양수분 복원 모형이 평활화되어 상관계수는 증가하였으나, 지점에서의 오차는 점점 증가하였다. 따라서 고해상도 SAR 토양수분 자료를 광범위하게 적용하기 위해서는 체계적 연구 수행이 선행되어야 하며, 목적에 따른 학습 지점의 선정, 적용 지역의 범위 등을 구체적으로 제한하여 활용한다면 다양한 분야에서 효과적으로 활용할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

As the threat of natural disasters such as droughts, floods, forest fires, and landslides increases due to climate change, social demand for high-resolution soil moisture retrieval, such as Synthetic Aperture Radar (SAR), is also increasing. However, the domestic environment has a high proportion of mountainous topography, making it challenging to retrieve soil moisture from SAR data. This study evaluated the usability of Sentinel-1 SAR, which is applied with the Artificial Neural Network (ANN) technique, to retrieve soil moisture. It was confirmed that the backscattering coefficient obtained from Sentinel-1 significantly correlated with soil moisture behavior, and the possibility of stand-alone use to correct vegetation effects without using auxiliary data observed from other satellites or observatories. However, there was a large difference in the characteristics of each site and topographic group. In particular, when the model learned on the mountain and at flat land cross-applied, the soil moisture could not be properly simulated. In addition, when the number of learning points was increased to solve this problem, the soil moisture retrieval model was smoothed. As a result, the overall correlation coefficient of all sites improved, but errors at individual sites gradually increased. Therefore, systematic research must be conducted in order to widely apply high-resolution SAR soil moisture data. It is expected that it can be effectively used in various fields if the scope of learning sites and application targets are specifically limited.

주제어

표/그림 (12)

그림 Fig. 1. Study Area of ESS and SMC soil moisture measurement sites.
표 Table 1. Specific Information of study sites
그림 Fig. 2. ANN model structure for SAR based soil moisture retrieval.
그림 Fig. 3. Scatter plot of ANN (VV, LIA) model soil moisture with in-situ soil moisture (a: SMC sites, b: ESS sites).
표 Table 2. Statistical analysis of ANN (VV, LIA) Model for each site
그림 Fig. 4. Scatter plot of ANN (VV, LIA, VH, DpRVI) model soil moisture with in-situ soil moisture (a: SMC 1-9, b: ESS 1-5).
표 Table 3. Statistical analysis of ANN (VV, LIA, VH, DrRVI)
그림 Fig. 5. Heatmap of 4 ANN models (Individual, SMC, ESS, Total) soil moisture retrieval accuracy.
표 Table 4. Statistical value of ANN model by sites integrating
그림 Fig. 6. Validation of four modelled soil moisture at SMC1 and SMC3 site (SMC1 site: a, b, c, d; SMC3 site: e, f, g, h; Individual model: a, e; SMC model: b, f; ESS model: c, g; Total model: d, h).
그림 Fig. 7. Validation of four modelled soil moisture at ESS1 and ESS3 site (ESS1 site: a, b, c, d; ESS3 site: e, f, g, h; Individual model: a, e; SMC model: b, f; ESS model: c, g; Total model: d, h).
그림 Fig. 8. SAR based soil moisture mapping of Imjin river basin including SMC sites on August 7, 2020.

AI 본문요약
AI-Helper

문제 정의

SAR 기반 산출물 만을 활용함으로써, Sentinel-1 SAR의 독자적인 활용성을 평가하였으며, ANN으로 지점에서 학습된 토양수분 모델의 공간적 적용성을 평가하고자 하였다. 이를 통해 산지에서의 식생 조건이 초지, 농지와 비교하여 토양수분 복원 결과에 미치는 영향을 분석하였으며, 향후 SAR 영상을 기반으로 한 전국 단위 고해상도 토양수분 복원을 위한 연구방향을 제시하고자 한다.
설마천 토양수분 관측망과는 달리 농진청 및 기상청 토양수분 관측소들은 관측소 간 거리가 최소 20 km 이상 떨어져 있으며 각기 상이한 관측 환경을 가지고 있는 것으로 판단하였으며(Fig. 1), 각 환경에서 ANN 방법을 활용한 SAR 자료 기반 토양수분 모의 결과를 평가하고자 하였다.
따라서 가능하면 Sentinel-1을 자립적으로(Stand-alone) 활용하는 것이 가장 이상적이라 할 수 있다. 따라서 Sentinel-1의 자립적 활용을 위해 VH와, DpRVI를 입력데이터에 포함하여 ANN 지도학습을 수행하였으며, 앞서 계산된 결과와 비교하여 토양수분 복원 성능이 개선되는지 확인하고자 하였다.
추후 발사 예정인 수자원 위성과 증가하는 토양수분 자료의 수요 등을 고려하였을 때, SAR의 자립적 활용과 의미를 밝히는 연구가 반드시 필요하다고 판단하였다. 이에 본 연구에서는 Sentinel-1 SAR의 다양한 데이터 조합과 기계학습을 활용해 SAR의 자립적 활용과 공간 적용성을 평가하였다.
SAR 자료에 영향을 미치는 요소는 식생과 지형 등 다양한 요소가 존재하는데, 다른 보조자료를 활용하지 않고 Sentinel-1 SAR에서 함께 관측되는 자료를 활용하는 것은 여러 가지 측면에서 매우 유리하다. 따라서 본 연구에서는 VH 후방산란계수와 DpRVI의 조합을 통해 지도학습을 수행하여 Sentinel-1 SAR의 자립적 활용성을 평가하였다. VH와 DpRVI를 입력데이터로 구축하여 학습한 모델의 성능이 대부분의 지점에서 향상되었으므로, VH와 DpRVI를 함께 활용하는 것은 각 지점에서 토양수분을 보다 정확히 모의하는데 유의한 의미가 있다고 판단할 수 있었다.

제안 방법

식생을 고려하기 위한 입력자료로는 Sentinel-1 기반 산출물인 Dual Polarimetric Radar Vegetation Index (DpRVI)를 사용하였으며, 이 외에 동일한 SAR 센서에서 관측되는 Local Incidence Angle (LIA)와 Vertical Transmit-Vertical Receive (VV), Vertical Transmit-Horizontal Receive(VH) 이중편파 산란계수를 활용하였다. SAR 기반 산출물 만을 활용함으로써, Sentinel-1 SAR의 독자적인 활용성을 평가하였으며, ANN으로 지점에서 학습된 토양수분 모델의 공간적 적용성을 평가하고자 하였다. 이를 통해 산지에서의 식생 조건이 초지, 농지와 비교하여 토양수분 복원 결과에 미치는 영향을 분석하였으며, 향후 SAR 영상을 기반으로 한 전국 단위 고해상도 토양수분 복원을 위한 연구방향을 제시하고자 한다.
연구기간은 2018년 7월부터 2021년 10월까지의 자료를 활용하였으며, 동절기 토양수분 결빙에 의한 영향을 배제하기 위해 11월, 12월, 1월, 2월의 자료는 제외하였다. 또한 농촌진흥청 4개소, 기상청 1개소와 같은 상이한 식생 조건의 지점(External Single Sites, ESS)을 함께 활용하여 국내 SAR 기반 토양수분 복원 결과를 식생 조건 및 지표면 환경조건에 따라 살펴보고자 하였다.
토양수분 복원을 위한 입력자료로는 1차적으로 SAR 기반 자료인 VV 후방산란계수와 LIA 만을 이용하여 1개 Layer 로 각 지점 별, 통합하여 훈련과 검증을 수행하였고, 2차적으로 두 개 입력자료에 VH 후방산란계수와 DpRVI를 추가하여 10 m 단위에서의 식생을 고려한 토양수분 복원, 검증을 수행하였다(Fig. 2).
앞서 제시된 결과에서 각 지점에서 SAR 영상의 활용성은 평가할 수 있으나, 학습에 사용된 지점 이외의 픽셀에서의 적용성에 대한 문제가 제기될 수밖에 없다. 따라서 이러한 공간적 적용성을 평가하기 위해, 개별 지점에서 각각 학습된 모형을 Individual Model, SMC 지점들의 지점 토양수분자료를 출력데이터로 학습한 모형을 SMC Model, ESS 지점 자료로 학습한 모형을 ESS Model, 전 지점에서 학습한 모형을 Total Model이라 하고, SMC, EES, Total Model의 성능을 평가하였다.
인공위성 자료의 가장 큰 장점은 어떠한 인자들의 공간적 분포를 한 눈에 파악할 수 있게 관측할 수 있다는 점이다. 따라서 지점에서 학습된 모형을 SAR 영상에 적용하여 토양수분의 공간 분포를 나타내고 성능을 평가하였다. 산지의 지점에서 학습된 모형은 산지에서 확실히 좋은 성능을 보여주었으며, 평지 지점에서 학습된 모형은 평지에서 좋은 성능을 보여주었다.

대상 데이터

본 연구에서는 설마천 유역 내 토양수분 관측소 16개소 중 Sentinel-1 영상의 픽셀이 겹치지 않도록 9개소 (Seolmachen, SMC)를 선정하였다. 연구기간은 2018년 7월부터 2021년 10월까지의 자료를 활용하였으며, 동절기 토양수분 결빙에 의한 영향을 배제하기 위해 11월, 12월, 1월, 2월의 자료는 제외하였다.
본 연구에서는 설마천 유역 내 토양수분 관측소 16개소 중 Sentinel-1 영상의 픽셀이 겹치지 않도록 9개소 (Seolmachen, SMC)를 선정하였다. 연구기간은 2018년 7월부터 2021년 10월까지의 자료를 활용하였으며, 동절기 토양수분 결빙에 의한 영향을 배제하기 위해 11월, 12월, 1월, 2월의 자료는 제외하였다. 또한 농촌진흥청 4개소, 기상청 1개소와 같은 상이한 식생 조건의 지점(External Single Sites, ESS)을 함께 활용하여 국내 SAR 기반 토양수분 복원 결과를 식생 조건 및 지표면 환경조건에 따라 살펴보고자 하였다.
지형에 따라 상반된 결과를 보이는 특성은 공간적 적용이라는 측면에서는 결국 한계점으로 작용할 수 밖에 없다. Sentienl-1으로 관측된 2020년의 8월 7일의 임진강유역 영상에 SMC Model, ESS Model, Total Model의 세가지 모형을 적용하여 토양수분 공간지도를 표출한 사례를 Fig. 8에 나타내었다.

이론/모형

본 연구에서는 머신러닝 기법 중 하나인 Artificial Neural Network (ANN) 기법을 활용하여 산지에 위치한 토양수분 관측망인 설마천 유역과 농지, 초지에서 토양 수분을 다양한 조건으로 복원한 후 비교/검증을 수행하였다. 식생을 고려하기 위한 입력자료로는 Sentinel-1 기반 산출물인 Dual Polarimetric Radar Vegetation Index (DpRVI)를 사용하였으며, 이 외에 동일한 SAR 센서에서 관측되는 Local Incidence Angle (LIA)와 Vertical Transmit-Vertical Receive (VV), Vertical Transmit-Horizontal Receive(VH) 이중편파 산란계수를 활용하였다.
본 연구에서는 머신러닝 기법 중 하나인 Artificial Neural Network (ANN) 기법을 활용하여 산지에 위치한 토양수분 관측망인 설마천 유역과 농지, 초지에서 토양 수분을 다양한 조건으로 복원한 후 비교/검증을 수행하였다. 식생을 고려하기 위한 입력자료로는 Sentinel-1 기반 산출물인 Dual Polarimetric Radar Vegetation Index (DpRVI)를 사용하였으며, 이 외에 동일한 SAR 센서에서 관측되는 Local Incidence Angle (LIA)와 Vertical Transmit-Vertical Receive (VV), Vertical Transmit-Horizontal Receive(VH) 이중편파 산란계수를 활용하였다. SAR 기반 산출물 만을 활용함으로써, Sentinel-1 SAR의 독자적인 활용성을 평가하였으며, ANN으로 지점에서 학습된 토양수분 모델의 공간적 적용성을 평가하고자 하였다.

성능/효과

3은 SMC 1~9 지점과, ESS 1~5 지점에서 학습한 토양수분과 관측자료의 산점도를 보여준다. 여기서 ANN 토양수분과 지점 관측 토양수분은 각각 0.75, 0.82의 높은 양의 상관계수를 보여주었으며, 산지에 위치한 SMC에 비해 ESS의 상관관계가 더 높게 나타남을 확인할 수 있었다. 즉 VV와 LIA 만을 입력데이터로 사용하는 경우, 농지나 초지에 비해 산지에서 보다 많은 환경변수가 자료의 정확도에 영향을 줄 수 있음을 시사한다.
3과 비교했을 때, 보다 뚜렷한 양의 상관성을 보여주었다. 즉 VH와 DPRVI가 입력자료에 함께 사용되면 토양수분 복원 성능이 개선됨을 알 수 있다. Table 3에 나타난 각 지점에서의 검증 결과에서도 각 지점에서의 토양수분 성능이 증가함을 확인할 수 있다.
8a). 결과적으로 맵핑에 사용된 영상의 지역은 대부분 산지이므로, 산지에서 학습된 모형이 가장 좋은 성능을 보였음을 확인하였다. 특히 ESS Model 결과에서 알 수 있듯이, 학습에 이용된 지점의 특성과 다른 픽셀에 모형을 적용하는 것은 큰 오차를 발생시킬 수 있다.
따라서 지도학습 기반의 토양수분 추정은 학습이 수행된 지점과 유사한 지역을 대상으로 적용할 수 있으며, 이에 대한 분석과 고려가 포함되지 않으면 적절한 토양수분을 산정하기 어려울 것으로 판단된다. 전반적인 토양수분 값의 분포는 SMC Model이 가장 건조하고, ESS Model이 가장 습윤하게 나타났으며, Total Model의 값은 SMC Model과 ESS Model의 사이에서 나타났다. 즉 Total Model에서와 같이 산지와 평지의 지점을 혼용하거나, 학습에 이용되는 지점의 수가 늘어날수록 각 지점에서의 특성은 평활화(Smoothing)됨을 의미한다.

후속연구

이에 전천후에서 고해상도 토양수분을 관측할 수 있는 SAR를 활용하고자 하는 노력이 지속되고 있으나, 아직 SAR 자료로부터 토양수분의 거동을 분석해낸 연구가 부족한 것이 사실이다. 추후 발사 예정인 수자원 위성과 증가하는 토양수분 자료의 수요 등을 고려하였을 때, SAR의 자립적 활용과 의미를 밝히는 연구가 반드시 필요하다고 판단하였다. 이에 본 연구에서는 Sentinel-1 SAR의 다양한 데이터 조합과 기계학습을 활용해 SAR의 자립적 활용과 공간 적용성을 평가하였다.
다양한 선행연구결과에서와 마찬가지로 VV 후방산란계수와 LIA를 이용한 학습결과는 SAR 자료를 토양수분 복원에 활용할 수 있는 가능성이 있음을 다시 한 번 보여주었다. 하지만 지점 검증 결과에서 보다 많은 외부요소를 고려할 필요성이 있음을 알 수 있었으며, 기계학습기법을 사용하더라도 SAR가 갖는 장점을 훼손하지 않을 수 있는 보조자료에 대한 연구가 선행되어야 함을 알 수 있었다. 특히 산지의 경우 농지나 초지에 비해 많은 오차가 발생할 수 있으므로, SAR 자료에 영향을 미치는 다양한 요소들에 대한 면밀한 분석이 요구된다.
하지만 지점 검증 결과에서 보다 많은 외부요소를 고려할 필요성이 있음을 알 수 있었으며, 기계학습기법을 사용하더라도 SAR가 갖는 장점을 훼손하지 않을 수 있는 보조자료에 대한 연구가 선행되어야 함을 알 수 있었다. 특히 산지의 경우 농지나 초지에 비해 많은 오차가 발생할 수 있으므로, SAR 자료에 영향을 미치는 다양한 요소들에 대한 면밀한 분석이 요구된다.
특히 수문학에서 다루고 있는 다양한 인자들은, 각 인자들이 독립적인 거동을 나타내기 보다는 매우 복잡하게 얽혀있으므로 기계학습의 데이터 구축 과정에서 다중공선성(Multicollinearity) 문제가 발생할 수도 있다. 하지만 체계적인 연구 설계를 통해 목적에 따른 활용 자료의 선정, 적용 지역의 범위 등을 구체적으로 제한하여 활용한다면 다양한 분야에서 효과적으로 활용할 수 있을 것으로 기대된다.

참고문헌 (41)

Ahmad, S., A. Kalra, and H. Stephen, 2010. Estimating soil moisture using remote sensing data: A machine learning approach, Advances in Water Resources, 33(1): 69-80. https://doi.org/10.1016/j.advwatres.2009.10.008

상세보기
Alexakis, D.D., F.-D.K. Mexis, A.-E.K. Vozinaki, I.N. Daliakopoulos, and I. K. Tsanis, 2017. Soil moisture content estimation based on Sentinel-1 and auxiliary earth observation products. A hydrological approach, Sensors, 17(6): 1455. https://doi.org/10.3390/s17061455

상세보기
Alvioli, M., M. Melillo, F. Guzzetti, M. Rossi, E. Palazzi, J. von Hardenberg, M.T. Brunetti, and S. Peruccacci, 2018. Implications of climate change on landslide hazard in Central Italy, Science of The Total Environment, 630: 1528-1543. https://doi.org/10.1016/j.scitotenv.2018.02.315

상세보기
Baghdadi, N., M.E. Hajj, M. Zribi, and S. Bousbih, 2017. Calibration of the water cloud model at C-band for winter crop fields and grasslands, Remote Sensing, 9(9): 969. https://doi.org/10.3390/rs9090969

상세보기
Balenzano, A., F. Mattia, G. Satalino, and M.W. Davidson, 2010. Dense temporal series of C- and L-band SAR data for soil moisture retrieval over agricultural crops, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 4(2): 439-450. https://doi.org/10.1109/JSTARS.2010.2052916

상세보기
Bauer-Marschallinger, B., S. Cao, C. Navacchi, V. Freeman, F. Reuss, D. Geudtner, B. Rommen, F. C. Vega, P. Snoeij, and E. Attema, 2021. The normalised Sentinel-1 Global Backscatter Model, mapping Earth's land surface with C-band microwaves, Scientific Data, 8(1): 1-18. https://doi.org/10.6084/m9.figshare.16432983
Bhogapurapu, N., S. Dey, S. Homayouni, A. Bhattacharya, and Y. Rao, 2022. Field-scale soil moisture estimation using sentinel-1 GRD SAR data, Advances in Space Research, Article in Press. https://doi.org/10.1016/j.asr.2022.03.019

상세보기
Bindlish, R. and A.P. Barros, 2001. Parameterization of vegetation backscatter in radar-based, soil moisture estimation, Remote Sensing of Environment, 76(1): 130-137. https://doi.org/10.1016/S0034-4257(00)00200-5

상세보기
Bousbih, S., M. Zribi, Z. Lili-Chabaane, N. Baghdadi, M. E. Hajj, Q. Gao, and B. Mougenot, 2017. Potential of Sentinel-1 radar data for the assessment of soil and cereal cover parameters, Sensors, 17(11): 2617. https://doi.org/10.3390/s17112617

상세보기
Brocca, L., A. Tarpanelli, P. Filippucci, W. Dorigo, F. Zaussinger, A. Gruber, and D. Fernandez-Prieto, 2018. How much water is used for irrigation? A new approach exploiting coarse resolution satellite soil moisture products, International Journal of Applied Earth Observation and Geoinformation, 73: 752-766. https://doi.org/10.1016/j.jag.2018.08.023

상세보기
Chatterjee, S., N. Dey, and S. Sen, 2020. Soil moisture quantity prediction using optimized neural supported model for sustainable agricultural applications, Sustainable Computing: Informatics and Systems, 28: 100279. https://doi.org/10.1016/j.suscom.2018.09.002

상세보기
Chen, J.M., G. Pavlic, L. Brown, J. Cihlar, S. Leblanc, H. White, R. Hall, D. Peddle, D. King, and J. Trofymow, 2002. Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements, Remote Sensing of Environment, 80(1): 165-184. https://doi.org/10.1016/S0034-4257(01)00300-5

상세보기
Cho, S., J. Jeong, S. Lee, and M. Choi, 2020. Estimation of soil moisture based on sentinel-1 SAR data: focusing on cropland and grassland area, Journal of Korea Water Resources Association, 53(11): 973-983 (in Korean with English abstract). https://doi.org/10.3741/JKWRA.2020.53.11.973

원문보기 상세보기
Cho, S., J. Jeong, S. Lee, and M. Choi, 2021. Estimation of soil moisture based on Sentinel-1 SAR data: Assessment of soil moisture estimation in different vegetation condition, Journal of Korea Water Resources Association, 54(2): 81-91 (in Korean with English abstract). https://doi.org/10.3741/JKWRA.2021.54.2.81

원문보기 상세보기
Chung, J., Y. Lee, J. Kim, C. Jung, and S. Kim, 2022. Soil Moisture Content Estimation Based on Sentinel-1 SAR Imagery Using an Artificial Neural Network and Hydrological Components, Remote Sensing, 14(3): 465. https://doi.org/10.3390/rs14030465

상세보기
De Roo, R.D., Y. Du, F.T. Ulaby, and M.C. Dobson, 2001. A semi-empirical backscattering model at L-band and C-band for a soybean canopy with soil moisture inversion, IEEE Transactions on Geoscience and Remote Sensing, 39(4): 864-872. https://doi.org/10.1109/36.917912

상세보기
Dorigo, W., W. Wagner, R. Hohensinn, S. Hahn, C. Paulik, A. Xaver, A. Gruber, M. Drusch, S. Mecklenburg, and P. van Oevelen, 2011. The International Soil Moisture Network: a data hosting facility for global in situ soil moisture measurements, Hydrology and Earth System Sciences, 15(5): 1675-1698. https://doi.org/10.5194/hess-15-1675-2011

상세보기
Gao, Q., M. Zribi, M.J. 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. https://doi.org/10.3390/s17091966

상세보기
Gherboudj, I., R. Magagi, A.A. Berg, and B. Toth, 2011. Soil moisture retrieval over agricultural fields from multi-polarized and multi-angular RADARSAT-2 SAR data, Remote Sensing of Environment, 115(1): 33-43. https://doi.org/10.1016/j.rse.2010.07.011

상세보기
Imhoff, M.L., 1995. A theoretical analysis of the effect of forest structure on synthetic aperture radar backscatter and the remote sensing of biomass, IEEE Transactions on Geoscience and Remote Sensing, 33(2): 341-351. https://doi.org/10.1109/TGRS.1995.8746015

상세보기
Jeong, J., S. Cho, J. Baik, and M. Choi, 2018. A Study on the Establishment of a Korean Soil Moisture Network, (2): Measurement of Intermediate-Scale Soil Moisture Using a Cosmic-Ray Sensor, Journal of the Korean Society of Hazard Mitigation, 18(7): 83-91 (in Korean with English abstract). https://doi.org/10.9798/KOSHAM.2018.18.7.83

상세보기
Kim, S., J. Jeong, M. Zohaib, and M. Choi, 2018. Spatial disaggregation of ASCAT soil moisture under all sky condition using support vector machine, Stochastic Environmental Research and Risk Assessment, 32(12): 3455-3473. https://doi.org/10.1007/s00477-018-1620-3

상세보기
Kim, S., T. Lee, B. Chun, Y. Jung, W.S. Jang, C. Sur, and Y. Shin, 2020. Estimation of High-Resolution Soil Moisture Using Sentinel-1A/B SAR and Soil Moisture Data Assimilation Scheme, Journal of Korean Society of Agricultural Engineer, 62(6): 11-20 (in Korean with English abstract). https://doi.org/10.5389/KSAE.2020.62.6.011

원문보기 상세보기
Le Toan, T., A. Beaudoin, J. Riom, and D. Guyon, 1992. Relating forest biomass to SAR data, IEEE Transactions on Geoscience and Remote Sensing, 30(2): 403-411. https://doi.org/10.1109/36.134089

상세보기
Lee, S.-J., S. 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 with English abstract). https://doi.org/10.7780/kjrs.2017.33.6.1.4

원문보기 상세보기
Li, J. and S. Wang, 2018. Using SAR-derived vegetation descriptors in a water cloud model to improve soil moisture retrieval, Remote Sensing, 10(9): 1370. https://doi.org/10.3390/rs10091370

상세보기
Mandal, D., V. Kumar, D. Ratha, S. Dey, A. Bhattacharya, J.M. Lopez-Sanchez, H. McNairn, and Y.S. Rao, 2020. Dual polarimetric radar vegetation index for crop growth monitoring using sentinel-1 SAR data, Remote Sensing of Environment, 247: 111954. https://doi.org/10.1016/j.rse.2020.111954

상세보기
Mermoz, S., M. Rejou-Mechain, L. Villard, T. Le Toan, V. Rossi, and S. Gourlet-Fleury, 2015. Decrease of L-band SAR backscatter with biomass of dense forests, Remote Sensing of Environment, 159: 307-317. https://doi.org/10.1016/j.rse.2014.12.019

상세보기
Nguyen, H.H., S. Cho, J. Jeong, and M. Choi, 2021. A D-vine copula quantile regression approach for soil moisture retrieval from dual polarimetric SAR Sentinel-1 over vegetated terrains, Remote Sensing of Environment, 255: 112283. https://doi.org/10.1016/j.rse.2021.112283

상세보기
Notarnicola, C. and F. Posa, 2007. Inferring vegetation water content from C-and L-band SAR images, IEEE Transactions on Geoscience and Remote Sensing, 45(10): 3165-3171. https://doi.org/10.1109/TGRS.2007.903698

상세보기
Orimoloye, I.R., J.A. Belle, A.O. Olusola, E.T. Busayo, and O.O. Ololade, 2021. Spatial assessment of drought disasters, vulnerability, severity and water shortages: a potential drought disaster mitigation strategy, Natural Hazards, 105(3): 2735-2754. https://doi.org/10.1007/s11069-020-04421-x

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. https://doi.org/10.1016/j.rse.2013.02.027

상세보기
Park, S.-E., W.M. Moon, and E. Pottier, 2012. Assessment of scattering mechanism of polarimetric SAR signal from mountainous forest areas, IEEE Transactions on Geoscience and Remote Sensing, 50(11): 4711-4719. https://doi.org/10.1109/TGRS.2012.2194153

상세보기
Patel, P., H.S. Srivastava, S. Panigrahy, and J.S. Parihar, 2006. Comparative evaluation of the sensitivity of multi-polarized multi-frequency SAR backscatter to plant density, International Journal of Remote Sensing, 27(2): 293-305. https://doi.org/10.1080/01431160500214050

상세보기
Shi, J., J. Wang, A.Y. Hsu, P.E. O'Neill, and E.T. Engman, 1997. Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data, IEEE Transactions on Geoscience and Remote Sensing, 35(5): 1254-1266. https://doi.org/10.1109/36.628792

상세보기
Svoray, T. and M. Shoshany, 2002. SAR-based estimation of areal aboveground biomass, (AAB) of herbaceous vegetation in the semi-arid zone: A modification of the water-cloud model, International Journal of Remote Sensing, 23(19): 4089-4100. https://doi.org/10.1080/01431160110115924

상세보기
Tingsanchali, T., 2012. Urban flood disaster management, Procedia Engineering, 32: 25-37. https://doi.org/10.1016/j.proeng.2012.01.1233

상세보기
Torres, R., P. Snoeij, D. Geudtner, D. Bibby, M. Davidson, E. Attema, P. Potin, B. Rommen, N. Floury, and M. Brown, 2012. GMES Sentinel-1 mission, Remote Sensing of Environment, 120: 9-24. https://doi.org/10.1016/j.rse.2011.05.028

상세보기
Van Aalst, M.K., 2006. The impacts of climate change on the risk of natural disasters, Disasters, 30(1): 5-18. https://doi.org/10.1111/j.1467-9523.2006.00303.x

상세보기
Ward, P.J., M.C. de Ruiter, J. Mard, K. Schroter, A. Van Loon, T. Veldkamp, N. von Uexkull, N. Wanders, A. AghaKouchak, and K. Arnbjerg-Nielsen, 2020. The need to integrate flood and drought disaster risk reduction strategies, Water Security, 11: 100070. https://doi.org/10.1016/j.wasec.2020.100070

상세보기
Zhao, W. and Z.-L. Li, 2013. Sensitivity study of soil moisture on the temporal evolution of surface temperature over bare surfaces, International Journal of Remote Sensing, 34(9-10): 3314-3331. https://doi.org/10.1080/01431161.2012.716532

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