[논문]Google Earth Engine 기반 Sentinel-1 SAR 위성영상을 이용한 지표 토양수분량 산정 가능성에 관한 연구

조영현

doi:10.7780/kjrs.2024.40.2.9

Google Earth Engine 기반 Sentinel-1 SAR 위성영상을 이용한 지표 토양수분량 산정 가능성에 관한 연구
Study on the Possibility of Estimating Surface Soil Moisture Using Sentinel-1 SAR Satellite Imagery Based on Google Earth Engine 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.40 no.2, 2024년, pp.229 - 241

조영현 (K-water연구원 수자원환경연구소)

초록
AI-Helper

클라우드 플랫폼을 이용한 빅데이터 처리기술의 발달로 위성영상과 같이 용량이 큰 자료에 대한 접근 및 처리와 분석이 최근 획기적으로 개선되고 있다. 본 연구에서는 그 플랫폼 중 하나인 Google Earth Engine (GEE) 기반의 전처리 완료된 Sentinel-1 합성개구레이더(synthetic aperture radar, SAR) 위성영상 자료의 후방산란계수 값에 비교적 간단한 토양수분량 추출 방법인 Change Detection Method를 적용하여, 2015~2023년의 국내 용담댐 유역 내 6개 관측소 지점 및 유역 평균에 대한 지표 토양수분량을 산정 후 실측과의 상관성 분석 및 GEE의 활용성을 검토하였다. 그 결과 SAR 위성영상 자체의 지표 측정 정확도와 자료간 특성 변동 등으로 인해 유역 내 관측소별 일부구역에 대해 산정한 지점 지표 토양수분량은 VH와 VV 편파에서 모두 0.1~0.3 수준의 낮은 상관성이 확인된 반면, 유역 전체 면적에 대한 평균 SAR 후방산란계수 값 추출 및 이동평균으로 자료의 불확실성 및 변동성을 완화시킨 유역 평균 지표 토양수분량은 0.5 수준의 향상된 결과를 보였다. 이렇게 GEE를 활용하여 산정된 토양수분량의 결과는 SAR 자료의 전처리에 있어 직접적으로 원하는 분석을 수행하지 못하는 제한점은 있지만, 방대한 위성영상 자료를 효율적으로 처리하여 장기간의 유역 평균과 같은 넓은 범위의 토양수분량을 산정, 평가해 볼 수 있다는 점에서 그 활용성을 확인할 수 있었다. 이를 바탕으로 향후 국내 여러 지점의 지표 토양수분량 관측자료와 연계해 주요 댐 유역의 평균지표 토양수분량 장기 변화 파악 등에 유용하게 활용될 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

With the advancement of big data processing technology using cloud platforms, access, processing, and analysis of large-volume data such as satellite imagery have recently been significantly improved. In this study, the Change Detection Method, a relatively simple technique for retrieving soil moisture, was applied to the backscattering coefficient values of pre-processed Sentinel-1 synthetic aperture radar (SAR) satellite imagery product based on Google Earth Engine (GEE), one of those platforms, to estimate the surface soil moisture for six observatories within the Yongdam Dam watershed in South Korea for the period of 2015 to 2023, as well as the watershed average. Subsequently, a correlation analysis was conducted between the estimated values and actual measurements, along with an examination of the applicability of GEE. The results revealed that the surface soil moisture estimated for small areas within the soil moisture observatories of the watershed exhibited low correlations ranging from 0.1 to 0.3 for both VH and VV polarizations, likely due to the inherent measurement accuracy of the SAR satellite imagery and variations in data characteristics. However, the surface soil moisture average, which was derived by extracting the average SAR backscattering coefficient values for the entire watershed area and applying moving averages to mitigate data uncertainties and variability, exhibited significantly improved results at the level of 0.5. The results obtained from estimating soil moisture using GEE demonstrate its utility despite limitations in directly conducting desired analyses due to preprocessed SAR data. However, the efficient processing of extensive satellite imagery data allows for the estimation and evaluation of soil moisture over broad ranges, such as long-term watershed averages. This highlights the effectiveness of GEE in handling vast satellite imagery datasets to assess soil moisture. Based on this, it is anticipated that GEE can be effectively utilized to assess long-term variations of soil moisture average in major dam watersheds, in conjunction with soil moisture observation data from various locations across the country in the future.

주제어

표/그림 (15)

그림 Fig. 1. Location of the study area (Yongdam Dam watershed).
표 Table 1. Site information of the soil moisture observatories
그림 Fig. 2. Sentinel-1 SAR GRD preprocessing in Google Earth Engine.
표 Table 2. Common metadata fields used for filtering Sentinel-1 SAR GRD properties
표 Table 3. Bands information of Sentinel-1 SAR GRD in Google Earth Engine
그림 Fig. 3. Schematic overview of the process for surface soil moisture estimation.
그림 Fig. 4. Geometry zones of six soil moisture observatories in Google Earth Engine: (a) Jucheon, (b) Bugwi, (c) Sangjeon, (d) Ancheon, (e) Cheoncheon, and (f) Gyebuk.
표 Table 4. Incidence angle of Sentinel-1A/B for the soil moisture observatories
표 Table 5. Pearson correlation coefficient (R) between normalized backscattering coefficient and observed soil moisture for the soil moisture observatories
그림 Fig. 5. Time-series plots of backscattering coefficient and incidence angle for Jucheon.
그림 Fig. 6. Time-series plots of estimated and observed soil moisture for the soil moisture observatories.
표 Table 6. Pearson correlation coefficient (R) between estimated (moving average over 3 periods) and observed soil moisture for the soil moisture observatories
표 Table 7. Pearson correlation coefficient (R) between estimated and observed soil moisture average for Yongdam Dam
그림 Fig. 7. Scatter plots comparing the estimated soil moisture from (a) VH and (b) VV backscattering coefficients with observed soil moisture for Yongdam Dam, respectively.
그림 Fig. 8. Time-series plots of estimated and observed soil moisture average for Yongdam Dam.

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 Google Earth Engine 기반의 전처리 완료된 Sentinel-1 SAR GRD 자료의 VH와 VV 편파에 대한 후방산란계수 값으로부터 비교적 간단한 토양수분량 추출 방법인 Change Detection Method를 적용하여 국내 용담댐 유역 내 6개 관측소 지점 및 유역의 전체 평균에 해당하는 지표 토양수분량을 산정하고, 이를 실측과의 비교를 통해 상관성 분석과 GEE를 통한 토양수분량 추출, 산정에 있어서의 활용성 평가를 수행하였다.
본 연구에서는 유역 내 토양수분량 관측지점의 일부구역에 대해 추출한 SAR 후방산란계수로부터 산정된 지점별 토양수분량의 불확실성이 크게 나타나는 한계점을 보완하기 위하여 유역 전체 평균에 해당하는 SAR 측정 수치를 구한 후 이를 실측 평균 시계열과 상관성 분석 및 Change Detection Method 적용 등을 통해 유역 평균 지표 토양 수분량을 산정하였다. Table 7에는 먼저 그 상관성 분석 결과가 제시되어 있으며, 여기서는 평균 후의 상관계수 값이 개별 관측지점의 결과에 비해 다소 개선된 것을 확인할 수 있다.
본 연구에서는 이러한 GEE 기반의 전처리 완료된 Sentinel-1 SAR 위성영상의 레이더 후방산란계수 값으로부터 비교적 간단한 토양수분량 추출 방법인 Change Detection Method (Wagner et al., 1999b; Hornacek et al., 2012)를 적용하여 댐 유역 내 관측지점에 대한 지표 토양수분량을 산정 후 실측과의 상관성을 찾고자 하며, 이와 더불어 유역 전체 평균에 해당하는 수치를 산출 후 이를 실측 평균의 시계열과 비교함으로써 댐 유역 단위의 토양수분량 산정에 있어서의 GEE의 활용성 검토와 그 과정에서의 자료 불확실성 및 변동성 개선 방법을 제시하고자 한다.

제안 방법

Fig. 3은 지표 토양수분량 산정을 위해 본 연구에서 진행한 작업의 순서로 크게 GEE JavaScript Code Editor를 이용한 Sentinel-1 SAR GRD 자료의 필터링 및 밴드 값 추출과 이를 이용한 후속 입사각 정규화(incidence angle normalization) 그리고 토양수분량 산정(soil moisture estimation)의 과정으로 구분된다.
본 연구에서는 지표 토양수분량 산정을 위해 필요한 SAR 이미지의 VH 및 VV 편파 후방산란계수와 해당 입사각 정보를 각각 확보하였는데, 그 영역은 토양수분 센서가 설치된 6개 관측소의 일부구역(Fig. 4)과 용담댐 전체 유역에 대해 GEE 내에서 geometry 생성 및 shape 파일 업로드를 통해 설정하고 각각의 구역과 유역 평균에 해당하는 시계열 자료를 추출하였다.
관측 토양수분량은 용담댐 유역 내에 설치된 총 6개소의 지점 자료를 이용하였다. 각 관측소에는 Time Domain Reflectometry (TDR) 센서가 지표 하 10, 20, 40, 60 그리고 80 cm의 깊이에 설치되어 있는데, 본 연구에서는 Sentinel-1 위성에 탑재된 주파수 5.405 GHz C-band SAR 센서의 최대 6 cm 지표 투과성을 고려하여(Flores-Anderson et al., 2019) 지표면에서 가장 가까운 10 cm 깊이에 설치된 센서를 통해 측정된 토양수분 값만 사용하였다. Table 1은 각 토양수분량 관측소의 위치 및 토양특성(토양통과 통일분류법 기호) 정보로 관측지점의 표층 토양은 대부분 Silty Sand (SM) 또는 Silt with Low compressibility (ML)로 구성되어 있고, 안천의 경우에만 Clay with Low compressibility (CL)로 이루어져 있다(Lee et al.

대상 데이터

관측 토양수분량은 용담댐 유역 내에 설치된 총 6개소의 지점 자료를 이용하였다. 각 관측소에는 Time Domain Reflectometry (TDR) 센서가 지표 하 10, 20, 40, 60 그리고 80 cm의 깊이에 설치되어 있는데, 본 연구에서는 Sentinel-1 위성에 탑재된 주파수 5.
먼저, GEE에서는 JavaScript 코드를 이용해 Sentinel-1 SAR GRD에서 원하는 모드, 편파, 궤도, 영역, 날짜 등의 자료를 구분 선별하고, 여기에 추가적으로 값을 추출하고자 하는 밴드를 선택하여 시계열 자료를 생성할 수 있다. 본 연구에서는 지표 토양수분량 산정을 위해 필요한 SAR 이미지의 VH 및 VV 편파 후방산란계수와 해당 입사각 정보를 각각 확보하였는데, 그 영역은 토양수분 센서가 설치된 6개 관측소의 일부구역(Fig. 4)과 용담댐 전체 유역에 대해 GEE 내에서 geometry 생성 및 shape 파일 업로드를 통해 설정하고 각각의 구역과 유역 평균에 해당하는 시계열 자료를 추출하였다.
5 수준으로 향상된 것으로 판단된다. 참고로 본 연구에서 고려한 실측 평균 시계열의 경우, 해당 지점별 지표 특성에 따라 SAR 관측 후방산란계수 수치가 모두 상이할 것이기 때문에 보다 적합한 비교를 위해 유역 내 관측 6개소 지점의 면적비율을 고려한 가중평균 보다는 산술평균한 자료를 사용하였다.
, 2019). 한편, 각 관측소별 토양수분량의 관측은 2013년 4월에 개시되었으나, 본 연구에서 사용하고자 하는 Sentinel-1 위성영상의 경우 2015년 5월부터 자료의 취득이 가능하여 관련 분석에는 2015년부터 2023년까지의 총 9개년 일관측 자료만을 이용하였다.

데이터처리

다음으로 Fig. 6은 Change Detection Method 적용 및 스케일 조정을 통해 산정한 관측지점별 토양수분량과 일관측 자료 비교를 전체 기간에 대해 제시한 것으로 평균 제곱근 오차(root mean square error, RMSE)는 전반적으로 4.78~10.74% 수준을 보이며, RMSE가 가장 큰 안천에서 그 실측과의 차이가 뚜렷하게 도시된 것을 확인할 수 있다. 한편, 두 자료간의 상관성은 앞서 설명한 Table 5에 제시된 결과와 동일하다.
5는 GEE로부터 선별 및 추출한 토양수 분량 측정 구역에 대한 시계열 자료의 예시(주천 관측소)로 VH와 VV 편파에 대한 후방산란계수 값과 입사각 정보를 나타내고 있으며, 이로부터 입사각 정규화 과정을 마친 계수 값을 상관성 분석에 사용하였다. Table 5는 6개 관측소에 대한 그 분석결과로 자료 속성별 세부적인 특성을 파악하기 위해 편파와 궤도별로 각각 구분하여 상관계수(Pearson correlation coefficient, R)를 제시하였다.

이론/모형

(2016)과 Feng et al. (2021) 등에 의해 사용된 비교적 간단한 식(7)의 Cosine Method를 사용하였다.

성능/효과

그 결과 SAR 자체의 지표 측정 정확도와 자료간 변동성 등으로 유역 내 관측소별 일부구역에 대해 산정한 지점 지표 토양수분량은 0.3 내외 수준의 낮은 실측과의 상관성이 확인된 반면, 이를 유역 전체 면적에 대한 평균 SAR 후방산란계수 값 추출 및 이동평균 계산에 의해 자료의 불확실성 및 변동성을 완화시킨 유역 평균 지표 토양수분량은 0.5 수준으로 향상된 결과를 보였다. 이렇게 GEE를 활용 산정, 검토된 토양수분량의 결과는 SAR 자료의 전처리에 있어 직접적으로 원하는 분석을 수행하지 못하는 한계는 있지만, 방대한 위성영상 자료를 효율적으로 처리하여 장기간의 유역 평균과 같은 넓은 범위의 토양수분량을 산정, 평가해 볼 수 있다는 점에서 그 활용성을 확인할 수 있었다.
하지만 GEE에서 보다 큰 면적, 댐 유역 등에 대한 평균을 사용하여 추출한 결과는 자료의 불확실성이 다소 완화되어 보다 나은 상관성을 보이는 것을 파악하였다. 따라서, GEE를 이용한 토양수분량 산정에는 관측지점 위주의 값 보다는 필요로 하는 유역의 평균 SAR 후방산란계수를 추출하여 사용하는 것이 더 효과적일 것으로 판단된다. 또한, GEE에는 기존 GIS 플랫폼 등에서 쓰이는 여러 포맷의 공간자료를 호완하여 사용할 수 있는 유연성이 있기 때문에 필요한 자료는 추가적으로 업로드하여 연구 분석에 활용 가능하다.
본 연구의 결과로 우선 GEE의 Sentinel-1 SAR GRD로부터 추출된 각 관측소별 후방산란계수 값과 실제 관측 토양수분과의 비교를 통해 그 상관성을 확인하였다. Fig.

후속연구

결론적으로 본 연구에서 활용한 GEE와 함께 SAR 천처리 보완을 위한 전용 툴의 혼용 그리고 방법론에서도 앞서 언급한 추가적으로 적용가능한 여러 사항들을 고려한다면, Sentinel-1 SAR 위성영상을 활용한 지점 및 댐 유역 평균 등의 지표 토양수분량 산정에 보다 효율적이고 효과적인 연구를 수행할 수 있을 것으로 기대된다.
물론 해당 전처리 과정에서 이후 분석에 영향을 미칠 수 있는 여러 이론적인 선택사항을 부가적으로 고려하지 못하는 단점은 있지만 분석의 효율적 측면에서 GEE의 활용성은 상당히 높다고 판단된다. 그러나 SAR 영상 자체의 세부적이고 더 정밀한 분석이 필요할 경우는 보다 전문적인 툴을 통해 전처리 등의 작업을 진행해야만 한다. 예를 들어 토양수분량 관측지점 위치에 대한 Sentinel-1 영상 화소 대응의 경우, GEE 제공의 SAR 이미지가 기존 광학 RGB 영상에 대비해 이질성이 판독되더라도 추가적인 수정 처리가 어려워 해당 자료의 후방산란계수 값에 내재된 불확실성을 가지고 사용할 수 밖에 없는 상황이 있을 수 있겠다.
따라서, GEE를 이용한 토양수분량 산정에는 관측지점 위주의 값 보다는 필요로 하는 유역의 평균 SAR 후방산란계수를 추출하여 사용하는 것이 더 효과적일 것으로 판단된다. 또한, GEE에는 기존 GIS 플랫폼 등에서 쓰이는 여러 포맷의 공간자료를 호완하여 사용할 수 있는 유연성이 있기 때문에 필요한 자료는 추가적으로 업로드하여 연구 분석에 활용 가능하다.
본 연구에서 활용한 클라우드 기반 플랫폼인 GEE에서는 우선 방대한 위성영상 자료의 수집과 전처리 과정을 효율적으로 처리할 수 있게 되어 상대적으로 긴 기간에 대해 효과적이고 통찰력있는 분석의 수행이 가능하다. 구체적으로 Sentinel-1의 경우, GEE 내의 SAR GRD product가 이미 전용 툴인 SNAP에서 진행되어야 할 여러 단계의 전처리를 마친 자료이기 때문에 이를 추가적인 처리 없이도 직접 관련 이론 등을 적용하여 다년간의 토양수분량과 같은 2차적인 가공 산정물을 생성할 수 있다.
하지만, 국내에서 여러 기관에서 관측, 제공하고 있는 다수 지점의 지표 토양수분량 관측자료와 연계하여 댐 유역 등 중규모 면적에 대해 본 연구에서 적용한 SAR 후방산란계수로부터 토양수분량을 산정하는 방법을 적용해 본다면 주요 댐 유역의 과거 개략적인 지표 평균 토양수분 변화 파악에 충분히 유용하게 활용될 수 있을 것으로 판단된다. 아울러 본 연구에서는 검토하지 않았지만 식생, 토양, 토지이용 외 지표특성과 기상 조건 등을 추가하여 SAR 후방산란계수와의 다각적인 분석이 이루어진다면 토양수분량의 산정에 있어 보다 향상된 결과를 도출할 수 있을 것이다.
5 수준으로 향상된 결과를 보였다. 이렇게 GEE를 활용 산정, 검토된 토양수분량의 결과는 SAR 자료의 전처리에 있어 직접적으로 원하는 분석을 수행하지 못하는 한계는 있지만, 방대한 위성영상 자료를 효율적으로 처리하여 장기간의 유역 평균과 같은 넓은 범위의 토양수분량을 산정, 평가해 볼 수 있다는 점에서 그 활용성을 확인할 수 있었다.
(2023) 등을 포함한 많은 연구에서도 VV 편파의 후방산란계수가 지표 토양수분에 더 민감한 것으로 제시되어 있어 본 연구 결과의 타당성을 판단해 볼 수 있겠다. 하지만 본 연구의 위성 원격 감지된 후방산란계수는 SAR 편파뿐만 아니라 지표의 식생, 토양, 그외 여러 물리특성과 기상 조건 등에 의해 영향(Flores-Anderson et al., 2019)을 받아 측정된 값이기 때문에 이러한 특성을 포괄적으로 고려하지 않고, 단순히 관측된 토양수분량과의 비교만으로 높은 상관성을 찾아내기에는 한계가 있다.
한편, GEE의 기본 클라우드 용량 제한에 따른 계산 한계 및 라이선스 조건 등으로 본 연구에서 산정한 용담댐 유역과 같은 중규모 댐 유역 이상의 큰 유역, 예를 들어 한반도 전체 면적 등에 대한 관련 방법의 적용은 연구 단계에서는 제약이 있을 수 있다. 하지만, 국내에서 여러 기관에서 관측, 제공하고 있는 다수 지점의 지표 토양수분량 관측자료와 연계하여 댐 유역 등 중규모 면적에 대해 본 연구에서 적용한 SAR 후방산란계수로부터 토양수분량을 산정하는 방법을 적용해 본다면 주요 댐 유역의 과거 개략적인 지표 평균 토양수분 변화 파악에 충분히 유용하게 활용될 수 있을 것으로 판단된다. 아울러 본 연구에서는 검토하지 않았지만 식생, 토양, 토지이용 외 지표특성과 기상 조건 등을 추가하여 SAR 후방산란계수와의 다각적인 분석이 이루어진다면 토양수분량의 산정에 있어 보다 향상된 결과를 도출할 수 있을 것이다.

참고문헌 (30)

Amani, M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A.,？Mirmazloumi, S. M. et al., 2020. Google Earth Engine cloud？computing platform for remote sensing big data applications: A？comprehensive review. IEEE Journal of Selected Topics in Applied？Earth Observations and Remote Sensing, 13, 5326-5350. https://doi.org/10.1109/JSTARS.2020.3021052

상세보기
Cho, S., Jeong, J., Lee, S., and Choi, M., 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. https://doi.org/10.3741/JKWRA.2020.53.11.973

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

원문보기 상세보기
Cho, Y., 2020. SWAT model calibration/validation using SWAT-CUP？III: Multi-site and multi-variable model analysis. Journal of Korea？Water Resources Association, 53(12), 1143-1157. https://doi.org/10.3741/JKWRA.2020.53.12.1143

원문보기 상세보기
Choi, G.-Y., and Cho, Y., 2022. Research status of satellite-based？evapotranspiration and soil moisture estimations in South？Korea. Korean Journal of Remote Sensing, 38(6-1), 1141-1180. https://doi.org/10.7780/kjrs.2022.38.6.1.14

원문보기 상세보기
Chung, J., Lee, Y., Kim, J., Jang, W., and Kim, S., 2023. Soil moisture？estimation using the water cloud model and Sentinel-1 & 2 satellite image-based vegetation indices. Journal of Korea Water？Resources Association, 56(3), 211-224. https://doi.org/10.3741/JKWRA.2023.56.3.211

원문보기 상세보기
Chung, J., Lee, Y., Kim, J., Jung, C., and Kim, S., 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
Chung, J., Lee, Y., and Kim, S., 2020. Research trends on estimation of？soil moisture and hydrological components using synthetic？aperture radar. Journal of the Korean Association of Geographic？Information Studies, 23(3), 26-67. https://doi.org/10.11108/kagis.2020.23.3.026

원문보기 상세보기
Chung, J., Son, M., Lee, Y., and Kim, S., 2021. Estimation of soil moisture？using Sentinel-1 SAR images and multiple linear regression？model considering antecedent precipitations. Korean Journal of？Remote Sensing, 37(3), 515-530. https://doi.org/10.7780/kjrs.2021.37.3.12

원문보기 상세보기
Feng, Z., Zheng, X., Li, L., Li, B., Chen, S., Guo, T. et al., 2021. Dynamic？cosine method for normalizing incidence angle effect on C-band？radar backscattering coefficient for maize canopies based on？NDVI. Remote Sensing, 13(15), 2856. https://doi.org/10.3390/rs13152856

상세보기
Flores-Anderson, A. I., Herndon, K. E., Thapa, R. B., and Cherrington, E.,？2019. The synthetic aperture radar (SAR) handbook: comprehensive？methodologies for forest monitoring and biomass estimation (1st？ed.). SERVIR Global Science Coordination Office, National？Space Science and Technology Center. https://doi.org/10.25966/nr2c-s697
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., and？Moore, R., 2017. Google Earth Engine: Planetary-scale geospatial？analysis for everyone. Remote Sensing of Environment, 202, 18-27. https://doi.org/10.1016/j.rse.2017.06.031

상세보기
Hornacek, M., Wagner, W., Sabel, D., Truong, H.-L., Snoeij, P.,？Hahmann, T. et al., 2012. Potential for high resolution systematic？global surface soil moisture retrieval via change detection？method using Sentinel-1. IEEE Journal of Selected Topics in？Applied Earth Observations and Remote Sensing, 5(4), 1303-1311. https://doi.org/10.1109/JSTARS.2012.2190136

상세보기
Hoskera, A. K., Nico, G., Ahmed, M. I., and Whitbread, A., 2020.？Accuracies of soil moisture estimations using a semi-empirical？model over bare soil agricultural croplands from Sentinel-1 SAR？data. Remote Sensing, 12(10), 1664. https://doi.org/10.3390/rs12101664

상세보기
Jeong, J., Cho, S., Jeon, H., Lee, S., and Choi, M., 2022. Assessment of？stand-alone utilization of Sentinel-1 SAR for high resolution soil？moisture retrieval using machine learning. Korean Journal of？Remote Sensing, 38(5-1), 571-585. https://doi.org/10.7780/kjrs.2022.38.5.1.11

원문보기 상세보기
Kim, S., Lee, T., Chun, B., Jung, Y., Jang, W. S., Sur, C., and Shin, Y., 2020.？Estimation of high-resolution soil moisture using Sentinel-1A/B？SAR and soil moisture data assimilation scheme. Journal of the？Korean Society of Agricultural Engineers, 62(6), 11-20. https://doi.org/10.5389/KSAE.2020.62.6.011

원문보기 상세보기
Kim, S., Lee, T., and Shin, Y., 2019. Estimation of high-resolution soil？moisture based on Sentinel-1A/B SAR sensors. Journal of the？Korean Society of Agricultural Engineers, 61(5), 89-99. https://doi.org/10.5389/KSAE.2019.61.5.089

원문보기 상세보기
Lee, S., Baik, J., Choi, M., and Cho, Y., 2019. Evaluation of the behavior？and quality in soil moisture data: A case study of Yongdam study？watershed. Journal of Korea Water Resources Association, 52(12), 951-962. https://doi.org/10.3741/JKWRA.2019.52.12.951

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

원문보기 상세보기
Lee, J., Kim, K., and Lee, K., 2022. Comparative analysis of NDWI？and soil moisture map using Sentinel-1 SAR and KOMPSAT-3？images. Korean Journal of Remote Sensing, 38(6-4), 1935-1943. https://doi.org/10.7780/kjrs.2022.38.6.4.7

원문보기 상세보기
Lee, J., Kim, K., and Lee, K., 2023a. An experiment for surface soil？moisture mapping using Sentinel-1 and Sentinel-2 image on？Google Earth Engine. Korean Journal of Remote Sensing, 39(5-1), 599-608. https://doi.org/10.7780/kjrs.2023.39.5.1.11

원문보기 상세보기
Lee, J., Lee, H., Kim, K., and Lee, K., 2023b. Soil moisture estimation？using KOMPSAT-3 and KOMPSAT-5 SAR images and its？validation: A case study of western area in Jeju Island. Korean？Journal of Remote Sensing, 39(6-1), 1185-1193. https://doi.org/10.7780/kjrs.2023.39.6.1.1

원문보기 상세보기
Mladenova, I. E., Jackson, T. J., Bindlish, R., and Hensley, S., 2012.？Incidence angle normalization of radar backscatter data. IEEE？Transactions on Geoscience and Remote Sensing, 51(3), 1791-1804. https://doi.org/10.1109/TGRS.2012.2205264

상세보기
Mutanga, O., and Kumar, L., 2019. Google Earth Engine applications.？Remote Sensing, 11(5), 591. https://doi.org/10.3390/rs11050591

상세보기
Park, J., and Kang, K., 2022. Research of water-related disaster monitoring？using satellite bigdata based on Google Earth Engine cloud？computing platform. Korean Journal of Remote Sensing, 38(6-3), 1761-1775. https://doi.org/10.7780/kjrs.2022.38.6.3.2

원문보기 상세보기
Pathe, C., Wagner, W., Sabel, D., Doubkova, M., and Basara, J. B., 2009.？Using ENVISAT ASAR global mode data for surface soil moisture retrieval over Oklahoma, USA. IEEE Transactions on？Geoscience and Remote Sensing, 47(2), 468-480. https://doi.org/10.1109/TGRS.2008.2004711

상세보기
Topouzelis, K., Singha, S., and Kitsiou, D., 2016. Incidence angle？normalization of wide swathe SAR data for oceanographic？applications. Open Geosciences, 8(1), 450-464. https://doi.org/10.1515/geo-2016-0029

상세보기
Wagner, W., Lemoine, G., Borgeaud, M., and Rott, H., 1999a. A study？of vegetation cover effects on ERS scatterometer data. IEEE？Transactions on Geoscience and Remote Sensing, 37(2), 938-948. https://doi.org/10.1109/36.752212

상세보기
Wagner, W., Lemoine, G., and Rott, H., 1999b. A method for estimating？soil moisture from ERS scatterometer and soil data. Remote？Sensing of Environment, 70(2), 191-207. https://doi.org/10.1016/S0034-4257(99)00036-X

상세보기
Yang, H., Song, J., Teng, Y., Song, X., Xeng, P., and Jia, J., 2023. Coupling？model-driven and data-driven methods for estimating soil？moisture over bare surfaces with Sentinel-1A dual-polarized？data. IEEE Journal of Selected Topics in Applied Earth Observations？and Remote Sensing, 16, 4820-4832. https://doi.org/10.1109/JSTARS.2023.3275995

상세보기

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