• 한국토양비료학회지
• /
• 제39권5호
• /
• pp.274-279
• /
• 2006

FAO에서는 세계의 증발산량을 동일한 방식으로 산정하기 위해 다양한 형태의 모형들을 소개하고 각국이 적용하도록 권고해왔으며 최근에는 Penman-Monteith(PM) 모형을 증발산 산정에 이용하도록 하고 있다. 따라서, 본 연구에서는 다양한 기상요소와 작물 생장을 고려해 시간별 또는 일별로 증발산량의 정량화가 가능한 FAO PM 모형의 증발산량 계산에 이용되고 있는 다양한 기상요소들을 평가하고자 하였다. 측정 장비를 통해 얻어진 순복사량과 지중열류량, 수증기압, 풍속, 기온 등의 기상요소를 PM 모형계산식 (2)부터 (9)까지의 과정에 적용해 보았다. 초지에서 측정한 알베도의 평균값은 0.20이고 최대는 0.23, 최소는 0.12를 나타내 평균값은 FAO PM에서 잔디의 반사율인 0.23보다 다소 낮은 값을 보였다. 측정 알베도에 의한 순복사량과 잔디의 알베도(0.23)를 이용한 순 복사량을 비교해보면 결정계수는 0.97과 0.95, 표준오차는 0.74와 0.80이었으나 예측 값은 실제 값에 직선의 상관을 이루며 회귀식의 유의성이 인정되었다. 지중열류량의 FAO PM에서의 영향정도를 판단하기 위해 지중 5cm 깊이에서 측정한 지중열류($G_{5cm}$)와 지표면 보정식에 의해 보정된 지중열류량($G_{0cm}$)을 지중열류량이 0일 때의 (G=0) RET 값과 비교하연 G=0일 때의 RET는 $G_{5cm}$에서의 RET보다 3-5 mm 범위에서 약간 크게 예측하고, $G_{0cm}$에서의 RET 보다는 5mm 이상에서 약간 작게 예측하나 두 경우 모두 거의 일치하는 경향이었다. 측정된 순복사와 $G_{0cm}$에 의한 RET를 지중열류량을 모두 0으로 했을 때 측정 순복사에 의해 얻어진 RET(I), 측정된 에 의해 예측된 순복사로 계산한 RET(II), ${\alpha}=0.23$을 대입하여 구한 순복사로 계산한 RET(III)와 비교했을 때 I, II, III의 결정계수와 표준오차 및 p값은 측정 순복사량과 $G_{0cm}$에 의한 RET를 비교적 잘 설명하고 있으나, II와 III처럼 알베도 값과 일사량 및 식 (3)~(9)를 이용해 얻어진 순복사량을 이용해 RET를 계산할 때는 Table1에 나타나 있는 회귀식을 이용해 이를 보정해주어야 RET 계산의 오차를 줄일 수 있을 것이다. 이상의 결과를 종합하면 FAO PM 모형에 이용되는 기상요소들을 측정할 수 없을 때는 지표면 복사율을 나타내는 지중열류 값은 0으로 산정하고 순복사량 예측 값과 잔디의 지표면 반사율 또는 알려진 작물의 반사율을 이용해 RET를 계산하는 것이 가능할 것이다.

• 대한원격탐사학회지
• /
• 제39권6_3호
• /
• pp.1779-1790
• /
• 2023

위성 자료의 성능이 크게 개선됨에 따라 최근에는 위성을 이용하여 광범위한 영역에 대한 실시간 안개 탐지 알고리즘들이 개발되고 있다. 한반도 주변을 관측하는 기상위성 중 관측주기가 10분으로 시간해상도가 가장 우수한 GEO-KOMPSAT-2A/Advanced Meteorological Imager (GK2A/AMI)는 공간해상도가 500 m이다. 반면 GEO-KOMPSAT-2B/Geostationary Ocean Color Imager-II (GK2B/GOCI-II)는 해상도가 250 m지만, 1시간 주기로 관측하고 가시채널만 보유하고 있다. 따라서 본 연구에서는 한반도 주변에서 발생하는 안개를 10분 및 250 m 해상도로 탐지하기 위해 GK2AB 융합 안개 탐지 알고리즘(Fog Detection Algorithm, FDA)인 GK2AB FDA를 개발하였다. GK2AB FDA는 세 파트로 구성된다. 첫 번째로 현업 운용중인 GK2A 안개 탐지 알고리즘(GK2A FDA)으로 10분 및 500 m 해상도로 안개를 탐지한다. 두 번째 단계에서는 두 위성 자료 간 시공간 일치, 태양천정각과 파장역 차이를 보정한 GK2A normalized visible (NVIS)의 10분 변화량을 이용하여 GK2B NVIS를 10분 간격으로 외삽한다. 마지막 단계에서는 외삽된 GK2B NVIS, 태양천정각, GK2A FDA 산출물 등을 입력자료로 기계학습(의사결정나무)을 이용하여 개발된 GK2AB FDA로 지리적위치에 따라 안개를 탐지(250 m, 10분)한다. GK2AB FDA의 훈련에는 6개 사례, 검증에는 4개 사례가 이용되었다. GK2AB FDA의 정량적 검증에는 지상관측 시정, 풍속 그리고 상대습도 자료를 이용하였다. GK2AB FDA는 GK2A FDA에 비해 공간해상도가 4배 증가함에 따라 안개 및 비안개 화소가 보다 자세히 구분되었다. 또한 검증방법에 관계없이 GK2A FDA에 비해 probability of detection (POD)은 높고 Hanssen-Kuiper Skill score (KSS)는 높거나 비슷함을 보여 안개 탐지 수준이 개선된 것으로 보인다. 하지만 일부 사례에서는 GK2AB FDA의 false alarm ratio (FAR)와 Bias가 크게 나타나 안개를 과대탐지하는 문제를 보이고 있다.