1. 서론
전 세계적인 기후변화로 인해 가뭄, 산불, 홍수, 산사태 등 다양한 자연재해가 끊임없이 발생하고 있다(Van Aalst, 2006; Alvioli et al., 2018 Orimoloye et al., 2021). 이러한 자연재해는 전 지구적인 수문 순환 시스템과 맞물려 수자원의 시간적, 공간적 불균형과 맞물려 발생한다(Tingsanchali, 2012; Ward et al., 2020). 토양수분에 대한 관심은 수문 순환 과정에서 인간에게 필수적인 지표수를 이해하기 위한 노력의 일환으로 지속적으로 증가하고 있다. 지구상의 물은 강수와 증발산을 통해 지표와 대기에서 이동하는데, 이러한 과정 사이에서 토양 공극에 존재하는 지표수를 토양수분이라고 한다. 수자원 부존량의 측면에서 토양수분은 다른 수문기상인자에 비해 매우 적은 양으로 존재하지만, 수문, 기상, 농림, 방재등 다양한 분야에서 중요한 인자로 여겨지고 있으며, 전 지구기후관측시스템(Global Climate Observing System, GCOS)에서도 지구 기후 특성화에 결정적인 영향을 미치는 54가지 필수 기후 인자(Essential Climate Variable, ECV) 중 하나로 토양수분을 지정하고 있다.
토양수분의 관측은 과거 토양시료를 채취하여 오븐건조를 통해 질량 차이로부터 관측하는 건토중량법(gravimetric method)으로부터 Time Domain Reflectometry나 Frequency Domain Reflectometry와 같은 유전율식 센서(capacitance sensor)를 이용하는 방법 등이 가장 널리 사용되고 있다(Dorigo et al., 2011). 하지만 토양수분은 지형, 토양의 성질 등 다양한 영향으로 공간적 편차가 크게 발생할 수 있으므로, 단일 지점 관측자료만을 활용하여 의미 있는 연구결과를 도출하기 어렵다는 한계가 있다(Zhao and Li, 2013). 때문에 인공위성을 이용하여 공간토양수분을 관측하는 연구도 이루어지고 있다. 현재 토양수분 산출물을 제공하고 있는 위성 기반 자료로는 미국의 Advanced Microwave Scanning Radiometer-2 (AMSR-2), Soil Moisture Active Passive (SMAP)와 유럽의 Soil Moisture and Ocean Salinity (SMOS), Advanced Scatterometer (ASCAT)의 산출물 등이 대표적이다. 하지만 이들의 해상도는 각각 AMSR-2의 경우 10 km, SMAP의 경우 36 km이고 SMOS는 30 km, ASCAT은 12.5 km로 지형적 복잡성이 높은 국내 유역과 같은 국지 규모에서의 활용성은 부족하다(Chen et al., 2002; Kim et al., 2018; Brocca et al., 2018). 기존 토양수분 산출물의 공간적 해상도 한계를 극복하기 위해 최근에는 합성개구레이더(Synthetic Aperture Radar, SAR) 기반의 고해상도 토양수분 복원을 위한 시도가 이루어지고 있다. 고해상도의 자료는 저해상도의 자료에 비해 식생이나, 지표면 거칠기, 입사각 등에 대한 영향이 상대적으로 크고 복잡하게 나타난다. 그 결과 아이러니하게도, 복잡한 환경일수록 고해상도의 자료가 요구되지만, 복잡한 환경일수록 토양 수분 자체의 특성만을 선별하여 복원하기 어렵다는 단점이 있다(Shi et al.,1997; Balenzano et al., 2010). SAR를 탑재한 대표적인 위성인 Sentinel-1의 경우 10 m 공간해상도의 자료를 제공하고 있어, 기존 산출물에 비해 매우 활용성이 높을 것으로 기대를 모으고 있다. 이러한 SAR 위성의 장점을 활용하기 위해, 국내에서도 SAR 기반 토양수분을 복원하기 위한 다양한 시도가 이루어지고 있다. Lee et al. (2017)은 농지에서 Support Vector Regression를 이용하여 Sentinel-1 SAR 토양수분을 산출하여 검증함으로써, 고해상도 영상으로부터 식생이나 지면요소를 토양수분과 분리하기가 어려움을 보이기도 하였다. Sentinel-1 SAR에서 식생 등의 요소를 분리하기 어려운 점은 산지가 대부분인 국내 환경에 적용이 매우 어려움을 의미한다. 식생요소를 제거하기 위해 Cho et al. (2020)은 초지와 농지에서 Water Cloud Model (WCM)을 적용하여 토양수분을 복원하기도 하였으며, Sentinel-1으로부터 계산된 Radar Vegetation Index를 이용하여 식생의 영향을 평가한 연구도 이루어졌다(Cho et al., 2021). 최근에는 Sentinel-1 SAR의 독립적 사용이 아닌, 강우 등의 보조인자를 활용하여 토양수분을 산정하는 연구도 이루어지고 있다. Kim et al. (2020)에서는 Sentinel-1 자료를 1 km의 공간 해상도로 변환한 후 자료동화기법을 이용해 토양수분을 산정하는 연구를 수행하였고, Chung et al. (2022)은 선행 강우를 고려하여 다중선형회귀모형으로 토양수분을 추정하기도 하였다. 보조자료와 기계학습 등을 활용하는 경우 보다 좋은 퍼포먼스를 보일 수 있다는 장점이 있지만, 실제 SAR 자료에 대한 분석과 보정이 이루어지지 않으면 변수 중요도가 지나치게 낮아질 수 있다(Ahmad et al., 2010). 이 경우, 동일 방법론에서 SAR를 제외하는 것이 나은 결과를 보일 수도 있다는 점에 유의하여야 하며, SAR의 장점인 고해상도에서의 신뢰도를 잃을 수 있다.
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. 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.
2. 연구 지역 및 데이터
1) 설마천 유역 및 경기 지역 토양수분량 관측소
본 연구에서는 경기도 파주시 적성면 설마천 유역 내의 토양수분 관측망을 활용하였다. 설마천 토양수분 관측망은 현재 수자원조사기술원에서 운영 중인 유전율식 토양수분 관측 센서 16개소로 이루어져 있으며, 2018년 7월부터 관측을 시작하였다(Jeong et al., 2018). 지점내의 토양수분 관측 센서는 설치 지점의 토성, 지형 조건 등에 맞추어 정밀하게 검증된 자료로, 좁은 지점 내의 정밀한 토양수분 지점 관측 자료가 요구되는 합성개구레이더 기반 토양수분 복원에 가장 적합하다고 판단하였다. 본 연구에 활용된 토양수분 센서 설치 지점은 Loamy sand 혹은 Sandy loam으로 구성되어 있으며, 계곡 가운데로는 작은 천이 흐르고 있다(Fig. 1).
토양수분 관측망이 위치한 설마천 유역은 혼효림으로 합성개구레이더 신호를 활용한 토양수분 복원에서 정확도를 확보하기 어려운 토지 피복이다. 실제 지점 관측소 주위로 침엽수림과 활엽수림 등 다양한 식생이 존재하며, 산지에 위치해 있어 다양한 사면 조건을 지니고 있어 토양수분 이외의 다양한 지표면 환경 조건들이 합성개구레이더 신호에 영향을 미칠 것으로 예상되는 지역이다.
반면 함께 연구지역으로 선정한 농촌진흥청 토양수분 관측소 4개소(가평, 광주, 수원, 양주)와 기상청 1개소(춘천)의 경우에는 초지와 농지로 이루어져 있으며 (Table 1), 설마천과는 달리 지형이 평탄하다. 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.
Table 1. Specific Information of study sites
Fig. 1. Study Area of ESS and SMC soil moisture measurement sites.
본 연구에서 활용된 지점의 상세한 위치, 식생 정보는 Table 1과 같다.
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.
2) Sentinel-1 SAR
Sentinel-1 위성은 현재 가장 보편적으로 활용되고 있는 합성개구레이더 탑재 위성으로, C-band 레이더 신호를 지표면으로 송출한 뒤 반사되어 레이더 수신기로 돌아오는 신호의 강도를 측정한다(Torres et al., 2012). C-band 합성개구레이더 센서는 L-band 와 X-band 사이 주파수로(5.405 GHz) 대기에 의한 영향이 적고, 전파 방해에 의한 영향도 적어 지표면을 탐사하기에 적절한 레이더 신호이다. 이러한 레이더 특성으로 인해 Scatterometer 센서를 통해 C-band 마이크로웨이브를 송출하는Metop 위성 기반 ASCAT 토양수분 산출에도 활용되고 있다. Scatterometer 센서와 달리 합성개구레이더 센서는 신호를 증폭시켜 고해상도 영상을 얻는데 유리하고, 고해상도 광학위성과 달리 기상에 의한 영향도 적기 때문에 본 연구에서는 C-band Sentinel-1 위성 자료를 국내 산악 지형 토양수분 복원에 활용하였다. 사용된 Sentinel-1 자료는 Ground Range Detected의 Wide Swath 모드로 관측된 자료이며 2018년 7월부터 2021년 10월 사이의 자료를 활용하였다. European Space Agency에서 제공하는 Sentinel Application Platform 소프트웨어와 Python 코드를 이용해 위성 궤도정보 적용, 열 잡음 제거, 복사 보정, 잡음 제거, 지형 보정과 같은 전처리를 수행하였다. 이후 LIA에 따른 후방산란계수 변동을 최소화하기 위해 (Bauer-Marschallinger et al., 2021)에서 제시한 Projected Local Incidence Angle Normalization 기법을 적용하여 후 방산란계수 값을 보정하였다.
Sentinel-1 위성에서 관측하는 편파 특성은 VV와 VH 특성의 자료가 있어, 식생을 고려하기 위한 방법으로 VH 편파 자료를 활용하였고, 토양수분을 관측하기 위하여 VH 대비 식생에 의한 영향이 적은 VV 편파 자료를 활용하였다(Bousbih et al., 2017).
3. 연구방법
1) Dual Polarimetric Radar Vegetation Index (DpRVI)
합성개구레이더 센서를 통해 제공되는 다양한 편파특성 값을 활용할 시 편파 특성 별 레이더 신호가 지표면 환경과 상호작용하는 특성을 통해 식생 지수를 계산할 수 있다. 본 연구에서는 Mandal et al. (2020)에서 제시한 DpRVI를 식생을 고려하기 위한 인자로 사용하였으며, 이를 계산하는 방식은 아래와 같다.
\(\begin{aligned}q=\frac{VH(Intensity)}{VV(Intensity)}\end{aligned}\) (1)
\(\begin{aligned}mc=\frac{(1-q)}{(1+q)}\end{aligned}\) (2)
\(\begin{aligned}{\beta}c\frac{1}{(1+q)}\end{aligned}\) (3)
DpRVI = 1 - (mc × βc) (4)
q 값은 일반적으로 VV 후방산란계수 값 대비 VH 후방산란계수 값이 작은 특성을 이용한 Ratio parameter이며, mc 값은 이러한 Ratio parameter를 이용한 Co-pol purity parameter로 VV 후방산란계수와 VH 후방산란계수의 동일 픽셀에서의 강도 차를 나타낸다. 또한 βc 값은 mc 값을 정규화 하여 나타낸 Co-pol intensity parameter이며, 이를 활용하여 DpRVI 값을 계산하였다. DpRVI 값은 일반적으로 사용되는 광학 위성 기반 식생 지수인Normalized Difference Vegetation Index (NDVI) 보다 레이더에 대한 식생에 의한 영향을 잘 나타내는 것으로 선행연구에서 나타났으며(Bhogapurapu et al., 2022), 토양수분에 민감한 VV 후방산란계수와 같은 공간해상도(10 m), 시간해상도를 가져 본 연구에서 활용하였다.
2) Artificial Neural Network
ANN 기법은 머신러닝 기법 중 하나로 Sentinel-1 위성 개발 초기단계부터 토양수분 복원을 위한 기법으로 제시되었다(Paloscia et al., 2013). Support Vector Machine과 비교하여 개선된 연구결과가 해당 연구를 통해 제시되었으며, 초지, 농지와 같은 지역에서도 ANN을 적절한 입력자료를 구축할 시 토양수분 복원에 활용 가능하다는 결론을 내렸다. 특히 식생을 고려하기 위해 ANN 기법이 활용될 시 식생에 의해 다양한 영향을 받는 후방산란계수를 기반으로 토양수분 복원이 가능하다는 연구가 이후 활발히 진행되어 왔고(Gao et al., 2017; Alexakis et al., 2017; Chatterjee et al., 2020), 따라서 본 연구에서는 이전에는 식생의 복잡성으로 고려되지 않았던 산지의 숲을 대상으로 한 토양수분 복원에 ANN 기법을 적용하고자 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).
Fig. 2. ANN model structure for SAR based soil moisture retrieval.
4. 결과 및 고찰
1) SAR VV 후방산란계수의 산지 활용성 분석
국내 지형의 과반을 차지하고 있는 산지에서 Sentienl-1 SAR를 활용한 토양수분 복원의 가능성을 ANN 기법을 통해 확인하고자 하였다. SAR 기반 토양수분 복원에서 토양수분의 변동과 가장 큰 상관관계를 보이는 자료는 VV 편파 후방산란계수인 것으로 알려져 있다(Bindlish and Barros, 2001). 따라서 입력자료로는 Sentinel-1의 VV자료를 사용하였으며, 산지에서 Radar의 입사각 영향을 보정해주고자 LIA도 포함하였다. 출력데이터로는 설마천 9개 지점에서 관측된 토양수분자료를 사용하여 ANN 지도학습을 수행하였다. 또한 산지에서의 영향을 평지와 비교하기 위해 5개 지점을 추가 선정하여 비교하였다.
Fig. 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. 각 지점에서 학습된 모델의 성능을 Table 2에서 확인해 보면 지형적 영향을 보다 뚜렷이 구분할 수 있다.
Fig. 3. Scatter plot of ANN (VV, LIA) model soil moisture with in-situ soil moisture (a: SMC sites, b: ESS sites).
Table 2. Statistical analysis of ANN (VV, LIA) Model for each site
ESS 5개 지점에서 Training set은 평균 0.48, Test set은 평균 0.51의 상관관계를 보여주었다. SMC 9개 지점에서 Training set은 ESS의 Training set 평균과 거의 동일한 상관계수를 보여주었으나, Test set에서는 평균 0.38의 상관계수를 보여주어 복잡한 지형의 특성과 혼효림으로 구성된 식생의 영향을 크게 받고 있음을 보여주었다. 식생 내 수분량에 의한 후방산란계수에 대한 영향이 주가되는 초지 혹은 식생 높이가 낮은 농지(Notarnicola and Posa, 2007; Gherboudj et al., 2011)와 달리 산지에서는 나무의 몸통과 나무 가지, 줄기에 의해 상이한 후방산란계수 산란 특성이 나타난다(Mermoz et al., 2015). 식생 내 수분량은 보편적으로 후방산란계수의 산란 범위를 좁혀 수신기로 돌아오는 단일 산란 신호를 증대시켜 후방산란계수 강도를 증가시키지만(Imhoff, 1995; Svoray and Shoshany, 2002; Li and Wang, 2018), 산지의 경사로 인한 산란, 나무의 줄기와 몸통 내 수분에 충돌하기 이전에 신호가 넓은 범위로 산란하는 특성 등에 의해 수신기로 돌아오는 신호 강도를 줄이는 현상이 발생한다(Park et al., 2012). 따라서 식생이 복잡한 지역에서 SAR 기반 토양수분을 복원하고자 한다면 매우 정교한 보정 과정을 거쳐야 하며, 식생이 지나치게 많이 분포한 지역에서는 토양수분 변동을 탐지하지 못할 수 있음에 유의하여야 한다(Baghdadi et al., 2017).
반면 비교적 편평하고 식생이 복잡하지 않은 ESS 지점에서의 학습결과는 상대적으로 높은 상관성을 나타냈으며, 입력자료로 활용된 VV 편파 후방산란계수와 토양수분이 비례하는 물리적 관계성이 잘 나타났다. 하지만 일부 지점의 토양수분량이 평균적으로 높게 나타났던 점은 모델 성능에 악영향을 주는 것으로 판단되며, VV 편파 후방산란계수와 LIA 값 만을 입력자료로 사용하였기에 모델 성능에 한계가 있다. 선행연구에서도 0.4 m3/m3 이상의 높은 토양수분 범위에서 비례관계가 사라지는 경우에 대해 보고된 바 있으며, 이는 토양의 포화로 인한 현상이다(De Roo et al., 2001; Nguyen et al., 2021). 또한 초지와 농지에서 식생과 지면의 영향은 산지에 비해 적은 것으로 나타났으나, 정확한 토양수분 복원 결과를 위해서는 기계학습 시 보다 다양한 입력데이터를 추가하는 것을 고려할 수 있다.
2) Sentinel-1 SAR의 자립적 활용성 분석
앞서 4-1절에서 Radar 정보가 포함하고 있는 다양한 영향을 제거하고 토양수분을 복원하기 위해서는 다양한 요소를 보정하는 과정이 필요함을 확인하였다. 하지만, SAR 위성이 가지는 높은 공간 해상도와, 전천후 활용이라는 장점을 모두 취할 수 있는 자료를 확보하는 것은 매우 어려운 일이다. 지상 관측 자료를 활용한다고 하더라도 일부 관측소가 설치된 픽셀에서만 가능할 뿐, SAR 위성영상의 모든 픽셀들에 각각 대응하는 자료를 확보하는 것은 불가능하다. 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.
Fig. 4는 SMC 1~9 지점과, ESS 1~5 지점에서 VH와 DpRVI를 입력데이터에 추가하여 학습한 토양수분과 관측자료의 산점도를 나타낸 것이다. Fig. 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. ESS Training set의 상관계수는 평균 0.48에서 0.56, Test set의 상관계수는 0.52에서 0.55로 소폭 향상되었다. 반면 SMC 지점들의 Training set의 상관계수 평균은 0.49에서 0.54, Test set의 상관계수 평균은 0.38에서 0.45로 크게 증가하였다. SMC 지점들의 경우 산지이므로 식생에 대한 개선이 보다 뚜렷하게 나타났다고 판단할 수 있다.
Table 3. Statistical analysis of ANN (VV, LIA, VH, DrRVI)
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).
아쉽게도 각 지점 별 학습데이터 수가 충분치 않아 충분한 기계학습이 이루어졌다고 판단하기는 어렵지만, VH, DpRVI를 이용하는 것이 식생에 대한 영향을 고려해줄 수 있음을 확인할 수 있다. 식생 수분량은 기본적으로 로그 함수의 형태로 후방산란계수 값을 증가시키는 역할을 하는데(Toan et al., 1992) 이러한 영향에 VH편파 후방산란계수는 매우 민감하고(Patel et al., 2006), DpRVI는 식생 수분량을 나타내기 위한 목적으로 산출된 인자이므로 기계학습 과정에서 식생에 의한 영향을 줄이는 역할을 한 것으로 판단된다.
Table 3에서 학습 결과는 각 지점에 따라 나타나는 성능 개선 정도의 차이는 식생 구조의 차이와 픽셀 당 식생이 차지하는 비율 등 다양한 지점 특성에 의해 나타날 수 있다. 식생의 구조적인 차이는 토양까지 도달하는 신호와 토양으로부터 수신기로 돌아오는 신호의 증가 혹은 감소를 일으키므로, 식생 구조가 복잡할수록 보다 많은 입력자료를 요구할 수 있다. 또한 활엽수림, 침엽수림, 혼효림의 특성이 다르게 나타날 수 있으며, 농지의 경우에도 작물의 종류, 생육 시기, 재배 특성 등이 고려된다면 보다 정확한 분석이 가능할 것으로 기대된다. 또한, 물리적으로 SAR 신호가 실제로 토양 투과 후 수신기로 돌아올 수 있는 지의 여부가 지점 별 성능차이를 발생시키기도 한다. 이러한 부분은 물리적 토양수분 복원 과정에서도 WCM 기법 적용이 가능한지를 판단할 수 있는 기준이 된다. WCM은 기본적으로 식생 간섭을 2번으로 제한하며(1차적인 식생 충돌, 2차적으로 토양충돌 이후 식생 충돌) 추가적인 충돌로 인한 Double Backscattering의 영향은 적다고 가정한다(Baghdadi et al., 2017). 이러한 Double Backscattering에 의한 영향과 지표면 경사에 의한 영향을 본 연구에서는 LIA를 통해 고려하였는데, 이에 대한 입력자료를 Sentienl-1의 자립적 활용으로 제한하였으므로 모든 조건을 고려하는 데에는 한계가 있다. 하지만 Table 2와 Table 3의 결과를 비교했을 때, 총 14개 지점 중 12개 지점에서 개선된 결과가 나타났다는 점에서 자립적 활용 가능성이 있음을 알 수 있었다. 특히 SMC 4, 6, 7 등 일부 지점에서는 상관성이 크게 향상된 것으로 판단할 때, 산악 지형에서의 Sentinel-1 자립적 활용 가능성을 보여준다. 반면 동일한 설마천 유역에 위치한 지점임에도 불구하고 토양수분 산출 성능과 개선 정도가 다르게 나타난다는 것은, 거리나 유역 특성과는 무관하게도 훨씬 복잡한 영향이 존재함을 의미한다. 따라서 다양한 식생 조건과 지형적 영향에 대한 체계적 분석이 선행되어야 비로소 SAR를 활용한 고해상도 토양수분 복원이 가능함을 알 수 있다.
3) 지점기반 지도학습 모형의 공간적 적용성 분석
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.
Table 4는 각 모델의 학습 결과를 나타낸 것이다. 앞서 Table 2와 Table 3에서 수행된 개별 지점의 학습과 비교했을 때, Training set, Test set의 상관계수는 전반적으로 증가하는 것을 알 수 있다. 하지만 이와 동시에 RMSE도 커지는 것을 확인하였다. 즉, 학습과정에서 지점의 개수가 늘어나 학습 데이터 수가 증가함에 따라 VV, LIA, VH, DpRVI의 변동에 따른 토양수분의 증감 추이는 적절히 모의된 것으로 판단되었으나, 각 지점별 토양수분의 분포의 편차가 크게 나타나므로 지점이 늘어날수록 각 지점에서의 오차는 증가하게 된다.
Table 4. Statistical value of ANN model by sites integrating
지점별 적용에 대한 문제는 각 모델을 각 지점에서 검증한 결과를 Heatmap에 나타낸 Fig. 5에서 뚜렷하게 확인할 수 있다. 각 모델의 학습 결과에서 상관계수가 높게 나타난다 하더라도 지점에서의 적용성은 낮을 수 있다. 예를 들어, Table 4의 SMC Model은 0.79, 0.68의 상관계수를 보여주었지만, Fig. 5 의 ESS4 지점에서 SMC Model을 적용한 토양수분 검증 결과에서 상관계수는 -0.27이 나타나기도 하였다.
Fig. 5. Heatmap of 4 ANN models (Individual, SMC, ESS, Total) soil moisture retrieval accuracy.
또한 Fig. 5에서 주목해야 할 점은, 산지에서 학습된 SMC Model은 산지에서 좋은 결과를, 평지에서 학습된 ESS Model은 평지에서 좋은 결과를 나타낸다는 점이다. Fig. 6은 SMC1 지점과 SMC3 지점에서 각 모델 토양 수분을 검증한 산점도와 상관계수 r을 나타낸 것이다. Fig. 6a, 6e 에서 알 수 있듯이, 각 지점에서 학습된 모형은 가장 좋은 성능을 보여주었고, SMC Model (Fig. 6b, 6f)과 Total Model (Fig. 6d, 6h)에서도 유의미한 성능을 보여주었으나 평지에서 학습된 모형결과(Fig. 6c, 6g)에서는 전혀 토양수분을 모의하지 못한 것을 알 수 있다.
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).
이러한 결과는 ESS1과 ESS3의 검증 결과를 나타낸 Fig. 7에서도 동일하게 나타났다. 이 두 지점에서도 개별적으로 학습된 모형이 가장 좋은 성능을 보이고(Fig. 7a, 7e), 평지에서 학습된 모형 결과는 두 번째(Fig. 7c, 7g), 전체 지점에서 학습된 결과가 세 번째(Fig. 7d, 7h), 마지막으로 산악 지형에서 학습된 결과(Fig. 7b, 7f)는 제대로 토양수분을 모의하지 못한 것으로 나타났다.
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).
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.
Fig. 8. SAR based soil moisture mapping of Imjin river basin including SMC sites on August 7, 2020.
ESS Model은 해당 지역의 토양수분을 전반적으로 습윤하게 모의하였는데, 이는 지도학습에 사용된 ESS 지점들의 토양수분 관측값의 분포가 높았기 때문이다. 습윤한 토양수분 값을 출력데이터로 학습된 ESS Model은 설마천 유역 내에서 관측되는 후방산란계수, LIA 조건에서도 토양수분 값을 높게 모의하기 때문에 과대 산정되는 경향이 생기게 된다. 뿐만 아니라, 산지에서 Radar shadow와 같은 영향이 포함되는 경우 과대한 오차가 발생하기도 하였다. 즉 Fig. 8b에 나타난 토양수분의 공간적 분포를 통해 판단했을 때, 농지나 초지에서 학습된 모델을 산지에 적용하는 것은 적절치 못하다는 것을 알 수 있다. 이러한 현상은 Fig. 8의 c에서 대부분 개선되는 모습을 보이나, 일부 산지에서는 여전히 Radar shadow 영향이 관찰되는 것을 알 수 있다. 반면 SMC Model은 산지 지점에서 학습된 만큼 후방산란계수에 대한 영향을 주는 지표면 환경이 유사하기 때문에 이러한 영향이 거의 관측되지 않았음을 알 수 있다(Fig. 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.
5. 결론
최근 다양한 분야에서 토양수분 자료의 적용을 위한 관심이 높아지고 있다. 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.
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. 다만 식생의 종류와 지표면의 특성 등에 따라 개선되는 정도는 다를 수 있고, 식생이 너무 복잡한 경우 토양에 대한 레이더의 침투 깊이(Penetration depth)가 부족할 수 있음에 유의하여야 한다.
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. 하지만 서로 다른 지형에서는 큰 오차가 발생할 수 있다는 한계가 있었다. 두 가지 그룹의 지점을 모두 이용하여 학습한 경우에는 데이터의 특성들이 모두 평활화되는 문제가 발생하기도 하였다. 따라서 토양수분 맵핑을 하는 경우에는 활용 지점에 대한 특성을 정확히 파악하여 지점 개수만을 무분별하기 늘리는 일이 없어야 하고, 학습 모형의 적용범위를 엄격하게 제한하는 것이 필요하다.
기계학습 기법은 인자 간의 영향과 출력자료의 명확한 상관성을 알기 어려울 때 사용할 수 있는 좋은 분석기법이다. 하지만 너무 의존하게 되면, 수문 인자와 원격 탐사 기법 사이의 물리적 의미를 놓치게 될 수 있다. 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.
사사
이 논문은 2021년도 정부(교육부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(NRF2021R1A6A3A01087645).
이 논문은 행정안전부 ‘자연재난 정책연계형 기술개발사업’의지원을받아수행된연구임(2021-MOIS35-003).
본 연구는 교육부 및 한국연구재단의 4단계 두뇌한국21 사업(4단계 BK21 사업)으로 지원된 연구임.
본 저작물은 기상청에서 2018년부터 2020년까지 작성하여 공공누리 제1유형으로 개방한 지상관측 토양수분 데이터를 이용하였으며, 해당 저작물은 기상청, 기상자료개방포털(https://data.kma.go.kr/cmmn/main.do)에서 무료로 다운받으실 수 있습니다.
참고문헌
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- Tingsanchali, T., 2012. Urban flood disaster management, Procedia Engineering, 32: 25-37. https://doi.org/10.1016/j.proeng.2012.01.1233
- 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
- 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
- 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
- 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