위성영상기반 농업가뭄 모니터링을 위한 Evaporative Stress Index (ESI)의 적용성 평가
Application of Evaporative Stress Index (ESI) for Satellite-based Agricultural Drought Monitoring in South Korea
윤동현⋅남원호b,†⋅이희진c⋅홍은미d⋅김태곤e⋅김대의f⋅신안국g⋅Mark D. Svobodah
Yoon, Dong-Hyun⋅Nam, Won-Ho⋅Lee, Hee-Jin⋅Hong, Eun-Mi⋅Kim, Taegon⋅Kim, Dae-Eui⋅Shin, An-Kook⋅Mark D. Svoboda
Abstract
Climate change has caused changes in environmental factors that have a direct impact on agriculture such as temperature and precipitation. The meteorological disaster that has the greatest impact on agriculture is drought, and its forecasts are closely related to agricultural production and water supply. In the case of terrestrial data, the accuracy of the spatial map obtained by interpolating the each point data is lowered because it is based on the point observation. Therefore, acquisition of various meteorological data through satellite imagery can complement this terrestrial based drought monitoring. In this study, Evaporative Stress Index (ESI) was used as satellite data for drought determination. The ESI was developed by NASA and USDA, and is calculated through thermal observations of GOES satellites, MODIS, Landsat 5, 7 and 8. We will identify the difference between ESI and other satellite-based drought assessment indices (Vegetation Health Index, VHI, Leaf Area Index, LAI, Enhanced Vegetation Index, EVI), and use it to analyze the drought in South Korea, and examines the applicability of ESI as a new indicator of agricultural drought monitoring.
Keywords: Satellite-based drought index; remote sensing; drought monitoring; agricultural drought; Evaporative Stress Index (ESI)
I. 서 론
가뭄은 농업에 직접적인 피해를 주는 자연 재해로 전 지구 적 차원의 농업 생산 시스템 및 수확량에 큰 영향을 미치고
있다. 전 세계적인 온난화 현상과 기후변화로 인한 극심한 가 뭄의 발생빈도가 높아지고 사회적, 경제적, 환경적 피해가 대 형화되어 가는 추세이다 (Wilhite et al., 2000). 이러한 가뭄을 판단할 때에는 시간적인 가뭄의 발생과 공간적인 가뭄의 분 포를 파악해야 하며 (Nam et al., 2012), 가뭄을 정량화하고 대상 가뭄 지역의 특성을 파악하여 반영하는 것이 중요하다 (Wilhite and Glantz, 1985). 전 세계적으로 다양한 가뭄지수가 개발되어 가뭄판단에 활용되고 있으며, 대표적인 가뭄지수로 는 표준강수지수 (Standard Precipitation Index, SPI), 파머가뭄 심도지수 (Palmer Drought Severity Index, PDSI), 표준강수증 발산지수 (Standardized Precipitation Evapotranspiration Index, SPEI), 토양수분지수 (Soil Moisture Index, SMI) 등이 있다 (Hong et al., 2015; Nam et al., 2015b). 현재 국내 가뭄모니터 링 기술은 기상청, 한국농어촌공사 농업가뭄센터, 국가 가뭄 정보 분석센터 등을 중심으로 이루어지고 있으며, 지상 데이 터 기반의 지점자료를 기반으로 내삽기법을 통해 공간분포로 재산정한 결과를 제공하고 있다. 지점 데이터의 특성상 미계 측 지역에 대한 정확한 데이터 취득이 힘들다는 단점이 있으 며, 국내의 경우 지리적 특성상 산악지형이 많고 관측지점이 균등하게 분포하지 않기 때문에 지점 자료를 통한 공간지도 제작은 해상도 측면에서 조악한 해상도를 갖는다는 한계점이 있다 (Tadesse et al., 2005; Jeong et al., 2017).
Journal of the Korean Society of Agricultural Engineers Vol. 60, No. 6, pp.121~131, November 2018 DOI : https://doi.org/10.5389/KSAE.2018.60.6.121 ISSN 1738-3692 | eISSN 2093-7709
a Undergraduate Student, Department of Bioresources and Rural Systems Engineering, Hankyong National University, Anseong, Republic of Korea
b Assistant Professor, Department of Bioresources and Rural Systems Engineering, Institute of Agricultural Environmental Science, Hankyong National University, Anseong, Republic of Korea
c Undergraduate Student, Department of Bioresources and Rural Systems Engineering, Hankyong National University, Anseong, Republic of Korea
d Assistant Professor, School of Natural Resources and Environmental Science, Kangwon National University, Chuncheon, Republic of Korea
e Postdoctoral Research Fellow, Institute on the Environment, University of Minnesota, Minneapolis, MN, USA
f Researcher, Rural Research Institute, Korea Rural Community Corporation, Ansan, Republic of Korea
g Researcher, Rural Research Institute, Korea Rural Community Corporation, Ansan, Republic of Korea
h Director, National Drought Mitigation Center, School of Natural Resources, University of Nebraska-Lincoln, Lincoln, NE, USA
† Corresponding author
Tel.: +82-31-670-5137 Fax: +82-31-670-5139 E-mail: [email protected]
Received: October 11, 2018 Revised: October 12, 2018 Accepted: October 15, 2018
지상 관측자료의 한계점을 보완하기 위하여 주기적이고 동 일한 정확도의 자료 획득이 가능하다는 측면에서 농업분야에 서의 인공위성을 활용한 가뭄 분석 연구의 필요성이 대두되 었다 (Nam et al., 2018). 원격 탐사 기술은 재해 발생지역의 진행과 피해 정도를 신속히 제공할 수 있으며, 접근이 용이하 지 못한 지역 및 광역적인 지역에 대한 데이터 취득이 가능하 다. 위성영상기반의 식생지수는 Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI), Leaf Area Index (LAI), Vegetation Health Index (VHI), Land Surface temperature (LST) 등이 있으며, 다양한 연구에서 가뭄 판단에 활용하고 있다. Ji and Peters (2003)는 미국 중북부 지 역을 대상으로 NDVI와 SPI의 상관성을 분석하여 NDVI를 활 용한 가뭄 판단에는 계절적 시기가 고려되어야 한다고 제시 하였으며, Shin and Eoh (2004)는 미국해양대기청 (National Oceanic and Atmospheric Administration, NOAA)의 영상 자료 를 활용하여 광역적 분석을 위한 인공위성 영상 자료의 활용 가능성을 제시하였다. Chang and Park (2004)은 Landsat Enhanced Thematic Mapper (ETM)와 다목적 실용위성 1호 영 상을 합성하여 토양수분지수를 산출하고 변화 양상을 분석하 였다. Lee et al. (2018)은 강우량 추정을 위한 Tropical Rainfall Measuring Mission (TRMM) 이미지와 SPI 및 토양수분과의 비교를 통해 충청북도 지역의 가뭄 경향을 분석하였다.
식생을 기반으로 한 지수의 경우 온도, 바람 및 복사에너지 등이 고려되지 않기 때문에 식생의 조밀도 및 포화도, 토양반 사, 식생의 종류 등에 따라 적용성에 차이가 발생하며, 가뭄 판단에 있어 가뭄으로 인한 식생의 활력도 및 상태가 변할 때 까지 시간이 소요된다. 즉, 가뭄 초기 및 단기적인 가뭄판 단보다 장기간 가뭄을 파악하는데 더 적합하다. 따라서, 본 연구에서는 다른 재해보다 빠른 현상 파악 및 예측이 필요한 가뭄판단의 지표로서 잠재 증발산과 실제 증발산의 비를 이 용해 산정된 위성영상 기반 가뭄지수인 Evaporative Stress Index (ESI)를 사용하였다 (Anderson et al., 2007). ESI는 일반 적으로 사용되는 가뭄지수인 SPI, PDSI 등과 비교하였을 때, 가뭄에 더 민감하고 빠른 반응을 보인다는 연구 결과로부터 단기간 급속하게 발생하는 Flash drought의 판단지표로 활용 되고 있다 (Otkin et al., 2014; Anderson et al., 2016). 국내의 경우 지점자료 기반 가뭄 지수에서 설명할 수 없는 도서 산간 지역, 시군구 단위의 행정 지역에서의 가뭄 판단이 비교적 정 확하다는 연구결과가 있다 (Sur et al., 2014). 본 연구에서는 2017년 국내에 발생했던 극심한 실제 가뭄 사상을 대상으로, ESI 의 가뭄 민감도 평가와 지역적 가뭄 경향분석, NDVI, EVI, LAI, VHI 등 다른 가뭄지수들과의 비교 분석을 통해 농업가뭄 모니터 링의 새로운 지표로써 ESI의 적용성을 검토해보고자 한다.
Ⅱ. 연구 방법 1. 연구 대상 지역
연구 대상지는 서울을 포함한 도시를 제외하고 농업지역을 다수 포함한 8개 도를 대상으로 하였다. 본 연구에서는 2017 년 국내 전반적인 가뭄 경향 및 행정구역별 가뭄 시기 판단을 목적으로 하고 있으며, 연구에 활용한 위성영상의 경우 해상 도가 250m에서 4km로 다양하기 때문에 비교적 소규모 단위 인 시군구 단위보다 시도 단위의 대상 지역을 선정하였다.
연구에 사용한 위성영상 기반 가뭄 지수는 ESI, NDVI, EVI, LAI, VHI이며 지수별 값의 범위는 Table 1과 같다. 연구 순서 는 Fig. 1에 도시한바와 같이, 우선 지수별 위성영상 취득 및 보정을 통한 시계열 자료를 구축하고, 2017년 실제 가뭄 현황 파악을 통한 주요 가뭄 시기 선정, 주요 가뭄 시기별 공간 변 동성 분석을 통한 ESI의 가뭄 모니터링 적합성 확인 및 격자 데이터 추출을 통한 시도단위의 가뭄 특성 파악, 위성영상 기 반 가뭄 지수들과의 비교 분석을 통한 ESI의 차별성 평가 순 으로 진행하였다.
Description ESI NDVI EVI LAI VHI
Extreme wet to Extreme drought
+2 to -2
0.65 to -0.05
0.65 to -0.05
7 to
0
100 to
0 Table 1 The drought classification of satellite-based drought and
vegetation indies and value ranges
2. Evaporative Stress Index (ESI)
ESI는 기상인자 (대기 온도, 대기압, 태양복사량, 상대습도 등)에 의해 발생하는 실제 증발산 (Evapotranspiration, ETa)과 잠재증발산 (Reference evapotranspiration, ETo)의 비를 이용하 여 표준화된 아노말리 (standardized anomalies)를 지수화한 지 표이며 (Anderson et al., 2015), 가뭄 모니터링 및 토양 수분 기반 가뭄지수 산정에 있어 적합하다 (Anderson et al., 2013).
ESI의 계산은 식 (1)과 같다.
(1)
잠재증발산량의 경우, Allen et al. (1998)에 의해 기술된 바 와 같이 FAO-56 Penman Monteith (FAO PM)를 사용한다. PM 공식은 식 (2)와 같다.
윤동현⋅남원호⋅이희진⋅홍은미⋅김태곤⋅김대의⋅신안국⋅Mark D. Svoboda
∆
∆
(2)
ETo는 잠재증발산량 (mm day—1)이고, Rn은 순복사량 (net radiation, MJ m—2 day—1), G는 토양 열 유속 밀도 (soil heat flux density, MJ m—2 day—1), Tmean은 2 m 높이에서의 일평균기 온 (°C), u2는 2m 높이에서의 풍속 (m s—1), es—ea는 포화증기 압에서 실제증기압 (kPa)을 감한 포화 결손량, ∆은 증기압 곡 선의 기울기 (kPa °C—1), 그리고 은 건습계상수 (psychrometric coefficient, kPa °C—1)이다.
잠재 증발산량을 사용하는 경우 계절에 따른 지표면 순복 사량의 영향을 최소화 할 수 있으며, 증발 요구량 및 태양 복 사에너지에서 검출되는 변화와 관련된 증발산량을 고려하기 때문에 식물의 수분 스트레스 판단에 있어서 실제 증발산량 만을 고려했을 때 보다 높은 신뢰도를 보여준다 (Otkin et al., 2018). 실제 증발산량의 추정은 위성영상 기반 Thermal Infrared (TIR) 원격 탐지 모델인 Atmosphere Land Exchange Inverse (ALEXI)를 활용한다 (Anderson et al., 1997;
Mecikalski et al., 1999). ALEXI는 Norman et al. (1995)에 의해 제안 된 two-source energy balance model과 지표면 초목지역 의 잠열 및 지열 플럭스, 민감성 등을 계산하기 위해 사용되는 위성영상 이미지, Land Surface Temperature (LST)를 활용한 다. 합성된 ESI는 미국항공우주국 (National Aeronautics and Space Administration, NASA)과 미국국제개발처 (United States Agency for International Development, USAID)가 합작 해 개발한 SERVIR를 통해 4주 및 12주 단위의 0.05 degree
해상도로 제공되고 있다. 본 연구에서는 4주 단위의 7일 간격 ESI 영상자료를 활용하였다.
3. Vegetation Health Index (VHI)
VHI (Kogan, 1997)는 NDVI에 기반을 둔 위성영상 기반 가뭄판단 지수로써 사용되고 있으며 (Singh et al., 2003;
Bhuiyan et al., 2006; Kogan et al., 2012), 전자기적 스펙트럼의 가시적인 부분과 근적외선 부분의 결합을 통해 산출되는 Vegetation Condition Index (VCI)와 열 적외선을 통해 정의되 는 Thermal Condition Index (TCI)의 결합을 통해 산정된다 (Bento et al., 2018). 계산식은 식 (3)과 같다.
VHI = αVCI + (1−α)TCI (3)
여기서 α는 일반적으로 0.5로 설정된 가중치 매개 변수를 의미한다 (Kogan, 2001). VHI 산정은 녹색 식물의 특성으로 인한 가시광선 반사와 태양열 복사를 통해 이루어진다. 식물 이 생장할 경우 스펙트럼의 가시광선 부분에 거의 영향을 미 치지 않으며, 근적외선 부분에서 열 방사선을 적게 방출한다 (Kogan et al., 2005). 이는 NDVI의 증가 및 밝기 온도의 감소 를 말하며, VHI 지수의 증가를 의미한다. 반대의 경우 VHI 지수는 감소하며 지수가 낮아질수록 건조 상태를 의미한다.
본 연구에서는 NOAA의 Center for Satellite Applications and Research (STAR)를 통해 전 지구단위의 4km 해상도, 8일 주 기로 제공되고 있는 VHI 영상자료를 활용하였다.
Fig. 1 Flow chart of the process used to produce the satellite image-based drought indices
4. Leaf Area Index (LAI)
LAI는 차원이 없는 변수이며, 단위 지표면적 당 식생 면적 으로 정의된다 (Watson, 1947). 위의 정의에 따른 LAI 계산식 은 식 (4)와 같다.
(4)
잎 면적에 영향을 받는 LAI는 잎이 평평하지 않거나 구부 러졌을 경우, 원통형 및 반원통형일 경우 등 식생 종류에 따른 상이한 연구 결과가 있다 (Chen and Black, 1992). 이러한 점을 반영하여 LAI를 정의하기 위한 다양한 연구들이 진행되었으 며 (Bolstad and Gower, 1990; Lang et al., 1991; Smith, 1991), LAI는 단위 면적 당 총 잎 면적의 절반으로 정의된다 (Fassnacht et al., 1994; Stenberg et al., 1994; Jonckheere et al., 2004). LAI의 위성영상 자료는 The Land Processes Distributed Active Archive Center (LP DAAC)에서 제공되는 MODIS Terra/Aqua의 MCD15A2 센서 영상을 통해 취득가능하며, 본 연구에서는 500m 해상도의 8일 주기 LAI 영상자료를 활용하 였다.
5. Normalized Difference Vegetation Index (NDVI) NDVI는 식생의 유무나 지표의 녹색도를 정량화하기 위하 여 사용되고 있는 식생지수의 하나로서, 광역적인 식생 특성 을 파악하기 위한 방법으로 사용된다 (Kim and Kim, 2010).
NDVI는 위성영상의 가시광선 영역 (Red)과 근적외선 영역 (NIR)에서 취득한 스펙트럼 반사율의 계산을 통해 산정된다 (James et al., 2015). 계산식은 식 (5)와 같으며, -1에서 1 사이 의 무차원 값으로 나타낸다.
≤ ≤ (5)
NDVI는 다양한 연구에서 가뭄 평가 지표로 활용되었으며 (Jang et al., 2007; Nam et al., 2015a), 위성영상 자료는 LP DAAC을 통해 제공되고 있다. 본 연구에서는 MODIS Terra위 성의 MOD13Q1 센서를 통해 취득 가능한 250m 해상도, 16일 주기의 NDVI 영상자료를 활용하였다.
6. Enhanced Vegetation Index (EVI)
EVI는 높은 밀도의 식생이 존재할 때 NDVI의 포화 문제를 보완하기 위해 제안된 지수이다 (Huete et al., 2002). EVI는 대기 및 토양의 영향을 보정하기 위해 청색밴드를 포함하여
개발되었으며 (Rowhani et al., 2011), 대기 에어로졸과 토양반 사의 영향을 감소시켜 식생밀도가 조밀한 곳에서 NDVI보다 민감하다. 산정식은 식 (6)과 같다.
(6)
여기서 L은 1 (캐노피 조정 계수), C1은 6, C2는 7.5 (에어로 졸 보정 계수), G는 2.5이다 (Liu et al., 1995; Reed et al., 2009).
EVI의 위성영상 자료는 LP DAAC을 통해 제공 되며 본 연구 에서는 MODIS MOD13Q1 센서를 통해 취득 가능한 250m 해상도, 16일 주기의 EVI 영상자료를 활용하였다.
Ⅲ. 적용 및 결과
1. ESI를 활용한 2017년 가뭄 경향성 분석
2017년 기상청 보도 자료에 의하면, 5월과 6월의 전국 평균 강수량이 29.5mm와 60.7mm로 평년 대비 각각 29%, 38%였으 며 가뭄은 경기, 충청도, 전남 지역을 중심으로 시작하여 전국 으로 진행되었다. 6월 24일부터 7월 29일까지 장마가 있었지 만, 강수량은 평년의 81%로 적었고, 잦은 국지성 집중호우로 지역 간 강수량 편차가 컸다. 특히 남부와 중부지방의 강수량 차이는 254.9mm로 평년 17.8mm에 비해 매우 컸으며, 장마에 도 불구하고 남부지방의 8월 말 강수량은 평년 대비 40%에서 60%로 가뭄이 지속되었다. 본 연구에서는 2017년 가뭄 판단 시기로 5월 초 가뭄 시작 시기, 7월 해갈 시기, 9월 초 남부지 방의 가뭄 지속 시기로 Table 2와 같이 구분하여 지수별 가뭄 현황 판단에 활용하였다.
Drought
period Date Drought areas
Drought start From late April to early May
Start in Gyeonggi, Chungcheong and Jeolla provinces and
expand nation wide
Drought relief From June 24 to July 29
A lot of precipitation in the cental area
and shortage of precipitation in the
southern area After relief Since the end of
August
Extreme severe drought in the
southern area Table 2 Extreme drought records in 2017 (drought year) for the
central and southern regions in South Korea
윤동현⋅남원호⋅이희진⋅홍은미⋅김태곤⋅김대의⋅신안국⋅Mark D. Svoboda
Fig. 2는 2017년 ESI의 공간지도로써 가뭄 상황의 공간 분 포 변화 양상을 나타낸 것이다. 가뭄 시작 시기 판단에 있어서 ESI는 4월 16일에서 4월 23일 사이에 뚜렷한 가뭄 경향이 나 타났다. 우리나라 전반에 걸쳐 가뭄 경향이 나타났기 때문에 공간지도를 통한 특정 지역의 가뭄 시작, 심도 등을 확인하기 는 어려웠다. 6월 말 장마 이후 7월 16일 전남지역과 중부지역 에 가뭄이 감소하는 경향이 나타나고 있으며, 8월까지 전국적 으로 가뭄이 해소되는 경향이 나타났다. 하지만, 남부지역에 서는 여전히 가뭄이 지속되고 있는 경향을 보였으며, 9월 초 를 기점으로 다시 극심한 가뭄 심도를 보였다. ESI의 공간 분 포 경향을 확인한 결과 2017년 실제 극심한 가뭄의 주요시기 및 발생지역과 유사한 것으로 판단된다.
2. ESI를 활용한 2017년 가뭄사상에 대한 시도단위 가뭄 현황 분석
ESI를 통한 시도 단위의 가뭄 특성 파악을 위해 전국 격자 데이터를 시도 단위에 맞게 추출한 후 평균값을 사용하여 분 석하였다. ESI의 전국적인 경향은 4월 16일을 기점으로 급격 히 감소하는 경향을 보이지만 지역에 따라 양상이 크게 상이 하다는 것을 알 수 있다 (Fig. 3과 Table 3). 2017년 보도 자료 를 통해 가뭄 시작 지역으로 나타난 경기남부, 전라도, 충청도 지역에서는 4월 16일 이후 전국 평균에 비해 낮은 ESI 값을 보였으며, 강원도, 경상도 지역에서는 전국 평균을 상회하는 값을 보였다. 7월 30일을 기점으로 전국 ESI 값이 증가하는
경향을 보이며 가뭄이 해갈되지만, 경상도의 경우 장마로 인 한 회복 없이 2017년 7월 ESI 값이 전체 최젓값을 보이며 극심 한 가뭄 경향을 보였다. 또한 경상남도의 경우 8월 전국적인 가뭄 해갈 시기에도 여전히 극심한 가뭄 경향을 보이며, 9월 다른 지역들에 비해 낮은 ESI 값을 보였다.
3. 위성영상기반 식생 가뭄 지수와 ESI의 비교 위성영상 기반 식생가뭄지수인 NDVI, EVI, LAI, VHI와 ESI의 공간 변동성 비교를 통해 가뭄 지수로써 ESI의 차별성 을 확인했다. 위성 취득 주기가 영상에 따라 각각 다르기 때문 에 동일한 시점의 비교를 위해 16일 단위의 NDVI와 EVI의 주기를 고려하여 월 1장 또는 2장의 공간지도를 비교하였다.
비교 결과는 Fig. 4와 같으며, NDVI, EVI 및 LAI의 경우 4월 23일을 기점으로 지수 값이 높아지는 경향을 보였다. 이는 식 생기반 지수의 특징인 식물 생장 시기에 따른 포화도의 영향 을 받은 것으로 판단되며, 2017년 전 기간에 있어서 특정한 가뭄 경향을 보이지 않았다. 반면 식생과 함께 지표면 온도를 기반으로 한 지수인 VHI의 경우 6월 4일을 시작으로 극심한 가뭄 사상이 나타났다. 가뭄 시작, 해갈, 지속 시기에 대한 경 향이 명확하게 나타나지는 않았지만 6월을 시작으로 8월 27 일, 9월 3일, 9월 17일 공간지도에서도 중부지방과 남부지방 을 중심으로 가뭄 경향이 나타났다. 즉, 식생을 기반으로 한 지수들보다 증발산을 고려한 ESI는 단기적인 가뭄 판단에 민 감하고 즉각적인 가뭄 현상을 판단할 수 있다.
Fig. 2 The seasonal time-series ESI maps in 2017 (extreme drought year)
Month South Korea
Chung cheong buk (CB)
Chung cheong nam (CN)
Gang won (GW)
Gyeong gi (GG)
Gyeong sang buk
(GB)
Gyeong sang nam
(GN)
Jeolla buk (JB)
Jeolla nam (JN)
1 -0.36 -0.41
(-0.05)
-0.59 (-0.23)
-0.57 (-0.21)
-0.99 (-0.63)
-0.29 (+0.07)
0.10 (+0.46)
0.05 (+0.41)
-0.14 (+0.22)
2 -0.34 -0.32
(+0.02)
-0.47 (-0.13)
-0.17 (+0.17)
-0.80 (-0.46)
-0.39 (-0.05)
-0.20 (+0.14)
-0.15 (+0.19)
-0.22 (+0.12)
3 -0.50 -0.78
(-0.28)
-0.99
(-0.49) 0.15 (+0.65) -0.67 (-0.17)
-0.43 (+0.07)
-0.25 (+0.25)
-0.65 (-0.15)
-0.38 (+0.12)
4 -0.71 -0.66
(+0.05)
-1.24 (-0.53)
-0.35 (+0.36)
-1.02 (-0.31)
-0.66 (+0.05)
-0.55 (+0.16)
-0.77 (-0.06)
-0.47 (+0.24)
5 -1.30 -1.46
(-0.16)
-2.24 (-0.94)
-0.69 (+0.61)
-1.48 (-0.18)
-1.34 (-0.04)
-0.99 (+0.31)
-1.18 (+0.12)
-0.99 (+0.31)
6 -1.33 -1.79
(-0.46)
-2.15 (-0.82)
-0.14 (+1.19)
-1.62 (-0.29)
-1.40 (-0.07)
-0.89 (+0.44)
-1.48 (-0.15)
-1.17 (+0.16)
7 -1.32 -1.50
(-0.18)
-1.37 (-0.05)
-0.65 (+0.67)
-1.26 (+0.06)
-1.77 (-0.45)
-1.94 (-0.62)
-1.13 (+0.19)
-0.94 (+0.38)
8 -0.57 -0.44
(+0.13)
-0.26 (+0.31)
-0.20 (+0.37)
-0.76 (-0.19)
-0.51 (+0.06)
-1.93
(-1.36) 0.14 (+0.71) -0.57 (+0.00)
9 -1.04 -1.12
(-0.08)
-0.59 (+0.45)
-0.84 (+0.20)
-1.23 (-0.19)
-1.58 (-0.54)
-2.03 (-0.99)
-0.48 (+0.56)
-0.48 (+0.56)
10 -0.53 -0.48
(+0.05)
-0.28 (+0.25)
-0.30 (+0.23)
-0.59 (-0.06)
-1.17 (-0.64)
-1.10 (-0.57)
-0.18 (+0.35)
-0.19 (+0.34)
11 -0.34 -0.29
(+0.05) -0.24
(+0.10) -0.40
(-0.06) 0.15
(+0.49) -0.58
(-0.24) -0.58
(-0.24 -0.53
(-0.19) -0.25 (+0.09)
12 0.19 -0.03
(-0.22)
0.19
(+0.00) 0.01 (-0.18) 0.04
(-0.15) 0.12 (-0.07) 0.41 (+0.22) 0.17 (-0.02) 0.63 (+0.44) Units: average ESI value, different value by comparison with South Korea in parentheses. The bold value indicates the
three lowest monthly average ESI value
Table 3 Summary of monthly average ESI in each district as determined by the ESI values for the eight provinces in South Korea during the 2017 extreme drought event
Fig. 3 Temporal changes in regional drought time-series in 2017 (extreme drought year) as determined by the ESI
윤동현⋅남원호⋅이희진⋅홍은미⋅김태곤⋅김대의⋅신안국⋅Mark D. Svoboda
Fig. 4 The seasonal time-series drought maps in 2017 (extreme drought year) as determined by the ESI, NDVI, EVI, LAI, and VHI
Fig. 5 The monthly time-series drought maps in Anseong in 2017 (extreme drought year) as determined by the ESI, NDVI, EVI, LAI, and VHI
4. 위성영상기반 식생 가뭄 지수와 ESI를 활용한 경기남부지역의 2017년 가뭄상황 분석
시군구 단위의 비교적 소규모 지역의 가뭄 경향을 확인하 고자, 2017년 극심한 가뭄을 겪었던 경기남부지역인 안성시 를 대상으로, Fig. 5와 같이 월별 가뭄 경향을 비교하였다. ESI 는 4월 안성시 전 지역에 가뭄 경향이 나타났으며 5월, 6월 가뭄 상황이 심화되고, 7월과 8월에 해갈되는 경향이 나타났 다. NDVI, EVI, LAI에서는 가뭄 경향을 확인 할 수 없었으며, VHI의 경우 7월 극심한 가뭄 경향을 보였다. 가뭄 경향을 확 인할 수 있었던 ESI와 VHI의 경우 격자 해상도가 각각 약 5km와 4km로, 안성시의 경우 각각 약 25개와 40개의 격자를 포함하고 있다. 정밀한 해상도 영상 구득의 문제로 인해 시군 구 단위의 가뭄 경향 확인은 가능했지만, 실제 가뭄피해가 발 생하는 들녘단위 및 작물재배 지역에 대한 가뭄판단에는 한 계점이 있는 것으로 판단된다 (Yang et al., 2018).
5. 위성영상 기반 가뭄 지수별 민감도 평가
가뭄 시작 시기 확인 및 단기적인 가뭄의 빠른 예측은 가뭄 판단에 중요한 요소이며, 본 연구에서는 지수들의 가뭄 민감 도를 비교하기 위해 전국 평균값을 활용하여 가뭄 시작 시기 를 분석하였다. 가뭄 경향이 확인되었던 ESI 및 VHI와 가뭄 경향이 확인되지 않았던 NDVI, EVI, VHI를 구분하여 Fig. 6 에 도시한 바와 같이 비교하였다. ESI의 경우 4월 2일을 기점
으로 값이 감소하는 경향을 보였으며, 16일 이후 급격히 감소 하였다. VHI는 5월 28일을 기점으로 값이 감소하는 경향을 보였다. 2017년 실제 가뭄 시작 시기는 5월 초였으며, ESI는 약 2주 빨리, VHI는 약 3주 늦게 가뭄 경향이 나타났다고 판단 할 수 있다. 각 지수 간 차이로는 ESI가 VHI에 비해 약 40일 먼저 가뭄 경향을 보였다. 식생 기반 지수인 NDVI, EVI, LAI 의 경우 세 지수 모두 4월 9일을 시작으로 값이 증가하였다가 10월 이후 감소하는 동일한 경향을 보였다.
Ⅴ. 결 론
본 연구에서는 기존의 지점 데이터를 활용한 가뭄 지수를 보완하기 위해 위성영상 기반 가뭄 지수인 ESI의 활용성을 평가하였다. ESI와 위성영상기반의 식생 가뭄 지수들과의 비 교를 통해 농업가뭄 모니터링 지수로써 ESI의 활용성을 제시 하고자 하였으며, 국내 적용성 검증을 위해 2017년에 발생한 가뭄의 시공간적 상황을 분석하여 비교하였다. ESI의 공간지 도를 통한 가뭄 경향 확인 결과, 가뭄 시작 시기 판단에 있어 서 실제 보도 자료보다 약 2주 앞선 시점에서 가뭄 시작 경향 이 확인되었으며, 이는 가뭄 모니터링의 중요한 부분인 가뭄 시작 시기 파악에 있어 기존 가뭄지수보다 민감하게 반응한 다고 판단된다. ESI의 각 격자 데이터를 추출하여 시도 단위 의 분석을 한 결과, 단기적인 가뭄에 신속하게 반응하고 가뭄 해갈 시기의 반영과 지속된 극심한 가뭄 현상이 반영되었다.
Fig 6 Temporal changes in drought time-series in 2017 (extreme drought year) as determined by the ESI, VHI, NDVI, EVI and LAI
윤동현⋅남원호⋅이희진⋅홍은미⋅김태곤⋅김대의⋅신안국⋅Mark D. Svoboda
위성영상 기반 식생 가뭄 지수들과 비교한 결과, 산정 과정에 서 식생이 가장 큰 부분을 차지하는 NDVI, EVI, LAI의 경우 단기적인 가뭄 경향 확인이 어려웠으며, 이러한 식생기반 가 뭄지수들은 장기적인 가뭄판단과 토지 피복, 지역적 특성과 같은 다양한 인자들과 연계하여 분석하는 것이 더 적절하다 고 판단된다. 식생과 온도를 고려한 VHI의 경우 2017년 가뭄 의 전반적인 경향을 반영하였다. 하지만 ESI보다 늦은 가뭄 경향을 보였으며, 가뭄 기간과 지역의 즉각적인 가뭄 경향을 반영하지 못하였다. 본 연구 결과, ESI의 다른 가뭄지수들 보 다 신속한 가뭄 시작 시기 판단과 가뭄 민감도를 확인하였지 만 낮은 해상도로 인해 소규모 행정구역 및 논과 밭 등 작물 재배 지역에 대한 가뭄판단에는 무리가 있었다. 향후 해상도 의 개선, 장기적인 가뭄 사상에 대한 연구 및 다양한 가뭄 지 수와의 비교를 통한 검증이 이루어진다면 국내 농업가뭄 모 니터링을 위한 격자 기반의 고해상도 가뭄 정보를 제공하고 신뢰성 있는 결과를 도출할 수 있는 지수로서의 활용이 가능 할 것으로 판단된다.
감사의 글
본 연구는 2018년 농림축산식품부의 재원으로 농촌기반기 술연구사업의 지원을 받아 연구되었음.
REFERENCES
1. Allen, R. G., L. S. Pereira, D. Raes, and M. Smith, 1998.
Crop evapotranspiration: Guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper 56, Food and Agriculture Organization, Rome.
2. Anderson, M. C., J. M. Norman, G. R. Diak, W. P. Kustas, and J. R. Mecikalski, 1997. A two-source time-integrated model for estimating surface fluxes using thermal infrared remote sensing. Remote Sensing of Environment 60(2):
195-216. doi:10.1016/S0034-4257(96)00215-5.
3. Anderson, M. C., J. M. Norman, J. R. Mecikalski, J. A.
Otkin, and W. P. Kustas, 2007. A climatological study of evapotranspiration and moisture stress across the continental U.S. based on thermal remote sensing: I. model formulation. Journal of Geophysical Research 112:
D10117. doi: 10.1029/2006JD007506.
4. Anderson, M. C., C. Hain, J. Otkin, X. Zhan, K. Mo, M.
Svoboda, B. Wardlow, and A. Pimstein, 2013. An intercomparison of drought indicators based on thermal
remote sensing and NLDAS-2 simulations with U.S. drought monitor classifications. Journal of Hydrometeorology 14:
1035-1056. doi:10.1175/JHM-D-12-0140.1.
5. Anderson, M. C., C. A. Zolin, C. R. Hain, K. Semmens, M. T. Yilmaz, and F. Gao, 2015. Comparison of satellite- derived LAI and precipitation anomalies over Brazil with a thermal infrared-based Evaporative Stress Index for 2003-2013. Journal of Hydrology 526: 287-302. doi:10.1016/
j.jhydrol.2015.01.005.
6. Anderson, M. C., C. A. Zolin, P. C. Sentelhas, C. R. Hain, K. Semmens, M. T. Yilmaz, F. Gao, J. A. Otkin, and R.
Tetrault, 2016. The Evaporative Stress Index as an indicator of agricultural drought in Brazil: An assessment based on crop yield impacts. Remote Sensing of Environment 174(1): 82-99. doi:10.1016/j.rse.2015.11.034.
7. Bento, V. A., I. F. Trigo, C. M. Gouveia, and C. C.
DaCamara, 2018. Contribution of land surface temperature (TCI) to Vegetation Health Index: A comparative study using clear sky and all-weather climate data records.
Remote Sensing 10(9): 1324. doi:10.3390/rs10091324.
8. Bhuiyan, C., R. P. Singh, and F. N. Kogan, 2006.
Monitoring drought dynamics in the Aravalli region (India) using different indices based on ground and remote sensing data. International Journal of Applied Earth Observation and Geoinformation 8(4): 289-302. doi:10.1016/j.jag.2006.
03.002.
9. Bolstad, P. V. and S. T. Gower, 1990. Estimation of leaf area index in fourteen southern Wisconsin forest stands using a portable radiometer. Tree Physiology 7: 115-124.
doi:10.1093/treephys/7.1-2-3-4.115.
10. Chang, E. M. and E. J. Park, 2004. Mapping of drought index using satellite imagery. Journal of Korean Society for Geospatial Information System 12(4): 3-12 (in Korean).
11. Chen, J. M. and T. A. Black, 1992. Defining leaf area index for non-flat leaves. Plant, Cell & Environment 15(4):
421-429. doi:10.1111/j.1365-3040.1992.tb00992.x.
12. Fassnacht, K. S., S. T. Gower, J. M. Norman, and R. E.
McMurtrie, 1994. A comparison of optical and direct methods for estimating foliage surface area index in forests. Agricultural and Forest Meteorology 71(1-2):
183-207. doi:10.1016/0168-1923(94)90107-4.
13. Hong, E. M., W. H. Nam, and J. Y. Choi, 2015. Climate change impacts on agricultural drought for major upland crops using soil moisture model -Focused on the Jeollanam-do-. Journal of the Korean Society of
Agricultural Engineers 57(3): 65-76 (in Korean). doi:
10.5389/KSAE.2015.57.3.065.
14. Huete, A., K. Didan, T. Miura, E. P. Rodriguez, X. Gao, and L. G. Ferreira, 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices.
Remote Sensing of Environment 83(1-2): 195-213.
doi:10.1016/S0034-4257(02)00096-2.
15. James, P., R. F. Banay, J. E. Hart, and F. Laden, 2015.
A review of the health benefits of greenness. Current Epidemiology Reports 2(2): 131-142. doi:10.1007/s40471- 015-0043-7.
16. Jang, M. W., S. H. Yoo, and J. Y. Choi, 2007. Analysis of spring drought using NOAA/AVHRR NDVI for North Korea. Journal of the Korean Society of Agricultural Engineers 49(6): 21-33 (in Korean). doi:10.5389/KSAE.
2007.49.6.021.
17. Jeoung, J., D. Kim, and M. Choi, 2017. A study on the utilization of geostationary ocean color imager on communication, ocean and meteorological satellite for drought monitoring. Journal of the Korean Society of Hazard Mitigation 17(3): 69-77 (in Korean). doi:10.9798/
KOSHAM.2017.17.3.69.
18. Ji, L. and A. J. Peters, 2003. Assessing vegetation response to drought in the northern Great Plains using vegetation and drought indices. Remote Sensing of Environment 87(1):
85-98. doi:10.1016/S0034-4257(03)00174-3.
19. Jonckheere, I., S. Fleck, K. Nackaerts, B. Muys, P. Coppin, M. Weiss, and F. Baret, 2004. Review of methods for in situ leaf area index determination: Part I. theories, sensors and hemispherical photography. Agricultural and Forest Meteorology 121(1-2): 19-35. doi:10.1016/j.agrformet.
2003.08.027.
20. Kim, G. S. and J. P. Kim, 2010. Analysis of spatial- temporal variability of NOAA/AVHRR NDVI in Korea.
Journal of the Korean Society of Civil Engineers 30(3B):
295-303 (in Korean).
21. Kogan, F. N., 1997. Global drought watch from space.
Bulletin of the American Meteorological Society 78(4):
621-636. doi:10.1175/1520-0477(1997)078<0621:GDWFS>
2.0.CO;2.
22. Kogan, F. N., 2001. Operational space technology for global vegetation assessment. Bulletin of the American Meteorological Society 82(9): 1949-1964. doi:10.1175/1520- 0477(2001)082<1949:OSTFGV>2.3.CO;2.
23. Kogan, F., B. Yang, G. Wei, Z. Pei, and X. Jiao, 2005.
Modelling corn production in China using AVHRR-based vegetation health indices. International Journal of Remote Sensing 26(11): 2325-2336. doi:10.1080/01431160500034235.
24. Kogan, F., L. Salazar, and L. Roytman, 2012. Forecasting crop production using satellite-based vegetation health indices in Kansas, USA. International Journal of Remote Sensing 33(9): 2798-2814. doi:10.1080/01431161.2011.621464.
25. Lang, A. R. G., R. E. McMurtrie, and M. L. Benson, 1991.
Validity of surface area indices of Pinus radiata estimated from transmittance of the sun’s beam. Agricultural and Forest Meteorology 57(1-3): 157-170. doi:10.1016/0168- 1923(91)90084-4.
26. Lee, T., S. Kim, Y. Jung, and Y. Shin, 2018. Assessment of agricultural drought using satellite-based TRMM/GPM precipitation images: At the province of Chungcheongbuk-do.
Journal of the Korean Society of Agricultural Engineers 60(4): 73-82 (in Korean). doi:10.5389/KSAE.2018.60.4.073.
27. Liu, H. Q. and A. Huete, 1995. A feedback based modification of the NDVI to minimize canopy background and atmospheric noise. IEEE Transactions on Geoscience and Remote Sensing 33(2): 457-465. doi:10.1109/36.
377946.
28. Mecikalski, J. R., G. R. Diak, M. C. Anderson, and J. M.
Norman, 1999. Estimating fluxes on continental scales using remotely sensed data in an atmosphere-land exchange model. Journal of Applied Meteorology 38: 1352-1369.
doi:10.1175/1520-0450(1999)038<1352:EFOCSU>2.0.CO;2.
29. Nam, W. H., J. Y. Choi, S. H. Yoo, and B. A. Engel, 2012.
A real-time online drought broadcast system for monitoring soil moisture index. KSCE Journal of Civil Engineering 16(3): 357-365. doi:10.1007/s12205-012-1357-3.
30. Nam, W. H., T. Tadesse, B. D. Wardlow, M. W. Jang, and S. Y. Hong, 2015a. Satellite-based hybrid drought assessment using Vegetation Drought Response Index in South Korea (VegDRI-SKorea). Journal of the Korean Society of Agricultural Engineers 57(4): 1-9 (in Korean).
doi:10.5389/KSAE.2015.57.4.001.
31. Nam, W. H., M. J. Hayes, M. D. Svoboda, T. Tadesse, and D. A. Wilhite, 2015b. Drought hazard assessment in the context of climate change for South Korea.
Agricultural Water Management 160: 106-117. doi:10.1016/
j.agwat.2015.06.029.
32. Nam W. H., T. Tadesse, B. D. Wardlow, M. J. Hayes, M.
D. Svoboda, E. M. Hong, Y. A. Pachepsky, and M. W.
Jang, 2018. Developing the vegetation drought response
윤동현⋅남원호⋅이희진⋅홍은미⋅김태곤⋅김대의⋅신안국⋅Mark D. Svoboda
index for South Korea (VegDRI-SKorea) to assess the vegetation condition during drought events. International Journal of Remote Sensing 39(5): 1548-1574. doi:10.1080/
01431161.2017.1407047.
33. Norman, J. M., W. P. Kustas, and K. S. Humes, 1995.
Source approach for estimating soil and vegetation energy fluxes in observations of directional radiometric surface temperature. Agricultural and Forest Meteorology 77(3-4):
263-292. doi:10.1016/0168-1923(95)02265-Y.
34. Otkin, J. A., M. C. Anderson, C. Hain, and M. Svoboda, 2014. Examining the relationship between drought development and rapid changes in the Evaporative Stress Index. Journal of Hydrometeorology 15: 938-956. doi:
10.1175/JHM-D-13-0110.1.
35. Otkin, J. A., M. Svoboda, E. D. Hunt, T. W. Ford, M.
C. Anderson, C. Hain, and J. B. Basara, 2018. Flash droughts: A review and assessment of the challenges imposed by rapid-onset droughts in the United States.
Bulletin of the American Meteorological Society 99(5):
911-919. doi:10.1175/BAMS-D-17-0149.1.
36. Reed, B. C., M. D. Schwartz, and X. Xiao, 2009. Remote sensing phenology: Status and the way forward. Phenology of Ecosystem Processes 231-246. doi:10.1007/978-1-4419- 0026-5_10.
37. Rowhani, P., M. Linderman, and E. F. Lambin, 2011.
Global interannual variability in terrestrial ecosystems:
Sources and spatial distribution using MODIS-derived vegetation indices, social and biophysical factors.
International Journal of Remote Sensing 32(19): 5393- 5411. doi:10.1080/01431161.2010.501042.
38. Shin, S. C. and M. S. Eoh, 2004. Analysis of drought detection and propagation using satellite data. Journal of The Korean Society of Hazard Mitigation 4(2): 61-69 (in Korean).
39. Singh, R. P., S. Roy, and F. Kogan, 2003. Vegetation and temperature condition indices from NOAA AVHRR data for drought monitoring over India. International Journal of Remote Sensing 24(22): 4393-4402. doi:10.1080/014311 6031000084323.
40. Smith, N. J., 1991. Predicting radiation attenuation in stands of Douglas-fir. Forest Science 37(5): 1213-1223.
doi:10.1093/forestscience/37.5.1213.
41. Stenberg, P., S. Linder, H. Smolander, and J. Flower-Ellis, 1994. Performance of the LAI-2000 plant canopy analyzer in estimating leaf area index of some Scots pine stands.
Tree Physiology 14(7-8-9): 981-995. doi:10.1093/treephys/
14.7-8-9.981.
42. Sur, C., K. Kim, W. Choi, J. Shim, and M. Choi, 2014.
Drought assessments using satellite-based drought index in Korea; southern region case in 2013. Journal of the Korean Society of Hazard Mitigation 14(3): 127-131 (in Korean).
doi:10.9798/KOSHAM.2014.14.3.127.
43. Tadesse, T., J. F. Brown, and M. J. Hayes, 2005. A new approach for predicting drought-related vegetation stress:
Integrating satellite, climate, and biophysical data over the U.S. central plains. ISPRS Journal of Photogrammetry &
Remote Sensing 59(4): 244-253. doi:10.1016/j.isprsjprs.
2005.02.003.
44. Watson, D. J., 1947. Comparative physiological studies in the growth of field crops: I. variation in net assimilation rate and leaf area between species and varieties, and within and between years. Annals of Botany 11(1): 41-76.
doi:10.1093/oxfordjournals.aob.a083148.
45. Wilhite, D. A. and M. H. Glantz, 1985. Understanding the drought phenomenon: The role of definitions. Water International 10(3): 111-120. doi:10.1080/02508068508 686328.
46. Wilhite, D. A., M. J. Hayes, C. Knutson, and K. H. Smith, 2000. Planning for drought: Moving from crisis to risk management. Journal of the American Water Resources Association 36(4): 697-710. doi:10.1111/j.1752-1688.
2000.tb04299.x.
47. Yang, Y., M. C. Anderson, F. Gao, B. Wardlow, C. R.
Hain, J. A. Otkin, J. Alfieri, Y. Yang, L. Sun, and W.
Dulaney, 2018. Field-scale mapping of evaporative stress indicators of crop yield: An application over Mead, NE, USA. Remote Sensing of Environment 210(1): 387-402.
doi:10.1016/j.rse.2018.02.020.
