Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

The Evaluation of Meteorological Inputs retrieved from MODIS for Estimation of Gross Primary Productivity in the US Corn Belt Region

MODIS 위성 영상 기반의 일차생산성 알고리즘 입력 기상 자료의 신뢰도 평가: 미국 Corn Belt 지역을 중심으로

  • Lee, Ji-Hye (Department of Environmental Science, College of National Science, Kangwon National University) ;
  • Kang, Sin-Kyu (Department of Environmental Science, College of National Science, Kangwon National University) ;
  • Jang, Keun-Chang (Department of Environmental Science, College of National Science, Kangwon National University) ;
  • Ko, Jong-Han (Division of Plant Biotechnology, College of Agriculture and Life Science, Chonnam National University) ;
  • Hong, Suk-Young (Soil and Fertilizer Management Division, National Academy of Agricultural Science, Rural Development Administration)
  • 이지혜 (강원대학교 자연과학대학 환경과학과) ;
  • 강신규 (강원대학교 자연과학대학 환경과학과) ;
  • 장근창 (강원대학교 자연과학대학 환경과학과) ;
  • 고종한 (전남대학교 농업생명과학대학 식물생명공학부) ;
  • 홍석영 (농촌진흥청 국립농업과학원 토양비료관리과)
  • Received : 2011.04.29
  • Accepted : 2011.07.25
  • Published : 2011.08.31
Download PDF
⟨ Previous Next ⟩

Abstract

Investigation of the $CO_2$ exchange between biosphere and atmosphere at regional, continental, and global scales can be directed to combining remote sensing with carbon cycle process to estimate vegetation productivity. NASA Earth Observing System (EOS) currently produces a regular global estimate of gross primary productivity (GPP) and annual net primary productivity (NPP) of the entire terrestrial earth surface at 1 km spatial resolution. While the MODIS GPP algorithm uses meteorological data provided by the NASA Data Assimilation Office (DAO), the sub-pixel heterogeneity or complex terrain are generally reflected due to coarse spatial resolutions of the DAO data (a resolution of $1{\circ}\;{\times}\;1.25{\circ}$). In this study, we estimated inputs retrieved from MODIS products of the AQUA and TERRA satellites with 5 km spatial resolution for the purpose of finer GPP and/or NPP determinations. The derivatives included temperature, VPD, and solar radiation. Seven AmeriFlux data located in the Corn Belt region were obtained to use for evaluation of the input data from MODIS. MODIS-derived air temperature values showed a good agreement with ground-based observations. The mean error (ME) and coefficient of correlation (R) ranged from $-0.9^{\circ}C$ to $+5.2^{\circ}C$ and from 0.83 to 0.98, respectively. VPD somewhat coarsely agreed with tower observations (ME = -183.8 Pa ~ +382.1 Pa; R = 0.51 ~ 0.92). While MODIS-derived shortwave radiation showed a good correlation with observations, it was slightly overestimated (ME = -0.4 MJ $day^{-1}$ ~ +7.9 MJ $day^{-1}$; R = 0.67 ~ 0.97). Our results indicate that the use of inputs derived MODIS atmosphere and land products can provide a useful tool for estimating crop GPP.

다양한 공간규모에 대해서 식생의 생산성을 추정하기 위해 대기와 생태계내의 탄소순환 과정을 모니터링 하는 것은 탄소순환과정과 원격탐사기법을 결합함으로써 기능하다. 그 대표적인 예로서 미국 항공우주국(NASA)에서 개발한 지구관측시스템(Earth Observing System, EOS)은 총 일차생산성 (Gross Primary Productivity, GPP), 순 일차생산성 (Net Primary Productivity, NPP)을 전 지구에 대해 1km의 공간해상도로 제공한다. 그러나 MODIS의 생산성 추정에 기상입력자료로 이용되는 The NASA Data Assimilation Office (DAO)자료는 $1{\circ}\;{\times}\;1.25{\circ}$의 거친 해상도를 가지기 때문에 지역규모에서 지표기상의 상세한 공간적인 이질성을 반영하기 어렵다. 본 연구에서는 MODIS의 Aqua와 Terra 위성의 영상만을 이용하여 생산성을 추정하기 위한 입력자료로 사용되는 일 단위 일사량(MJ $day^{-1}$), 열 최저기온($^{\circ}C$, 낮 시간 평균 대기수증기압 포차(Yapor Pressure Deficit, Pa)을 5 km 해상도로 각각 추정하였다. 각각의 입력자료의 평가를 위해 미국 중서부 Corn Belt 지역 내에 위치하고 있는 7 개소의 지상기반의 관측자료를 수집하였다. MODIS 위성영상을 이용하여 추정한 기상입력자료와 관측자료를 비교한 결과, 일 최저기온은 ME와 상관계수가 각각 0.83에서 0.98, $-0.9^{\circ}C$ 에서 $+5.2^{\circ}C$ 의 범위로 양호한 상관성을 보였다. VPD는 약간 산개하는 경향을 보인다(ME = -183.8 Pa ~ +382.1 Pa; R = 0.51 ~ 0.92). 반면에, 일 단위 일사량은 MODIS가 약간 과대평가하는 경향을 보였지만 대부분의 지역에서 관측자료와 유의한 일치도를 보였다(ME = -0.4 MJ $day^{-1}$ +7.9 MJ $day^{-1}$; R = 0 67 ~ 0.97). 본 연구에서는 맑은 날에 대해서 MODIS 위성영상으로부터 추정된 기상입력자료가 MODIS가 제공하는 기상입력자료보다 상세한 지표 기상의 이질성을 반영한 자료를 생산할 수 있음을 확인하였다.

Keywords

Acknowledgement

Supported by : 농촌진흥청

References

  1. 김이현, 홍석영, 이훈열, 이재은, 2011. L, C, X-밴드 레이더 산란계 자동측정시스템을 이용한 콩 생육 모니터링, 대한원격탐사학회지, 27(5): 191-201. https://doi.org/10.7780/kjrs.2011.27.2.191
  2. 강신규, 김영일, 김영진, 2005. MODIS 총 일차생산성 산출물의 오차요인 분석: 입력기상자료의 영향, 한국농림기상학회지, 7(2): 171-183.
  3. 정승택, 장근창, 강신규, 김준, H. Kondo, J. Asanuma, M. Gamo, N. Saigusa, S. Wang, and S. Han, 2009. 동아시아 지역의 플럭스 타워 관측지에 대한 MODIS 위성영상 기반의 증발산 평가, 한국농림기상학회지, 11(4): 174-184. https://doi.org/10.5532/KJAFM.2009.11.4.174
  4. Bird, R. E. and R. L. Hulstrom, 1981. A simplified clear sky model for direct and diffuse insolationon horizontal surfaces, Solar Energy Research Inst., Golden, USA.
  5. Bisht, G., V. Venturini, S. Islam, and L. Jiang, 2005. Estimation of the net radiation using MODIS (Moderate Resolution Imaging Spectroradiometer) data for clear sky days, Remote Sensing of Environment, 97(1): 52-67. https://doi.org/10.1016/j.rse.2005.03.014
  6. Dingman, S. L., 1994. Physical hydrology 2nd Edition, Prentice-Hall Inc., New Jersey 07458.
  7. Field, C. B., J. T. Randerson, and C. M. Malmstr?m, 1995. Global net primary production: Combining ecology and remote sensing, Remote Sensing of Environment, 51(1): 74-88. https://doi.org/10.1016/0034-4257(94)00066-V
  8. Gitelson, A. A., A. Vina, S. B. Verma, D. C. Rundquist, T. J. Arkebauer, G. P. Keydan, B. Leavitt, V. Ciganda, G. G. Burba, and A. E. Suyker, 2006. Relationship between gross primary production and chlorophyll content in crops: Implications for the synoptic monitoring of vegetation productivity, Journal of Geophysical Research, 111: D08S11. https://doi.org/10.1029/2005JD006017
  9. Heinsch, F. A., M. Reeves, P. Votava, S. Kang, C. Milesi, M. Zhao, J. Glassy, W. M. Jolly, R. Loehman, C. F. Bowker, J. S. Kimball, R. R. Nemani, and S. W. Running, 2003. User's guide, GPP and NPP (MOD17A2/A3) products NASA MODIS Land Algorithm, Missoula, MT: The University of Montana.
  10. Jang, K., S. Kang, J. Kim, C. Lee, T. Kim, J. Kim, R. Hirata, and N. Saigusa, 2010. Mapping evapotranspiration using MODIS and MM5 Four-Dimensional Data Assimilation, Remote Sensing of Environment, 114(3): 657-673. https://doi.org/10.1016/j.rse.2009.11.010
  11. Monteith, J. L., 1977. Climate and the efficiency of crop production in Britain, Philosophical Transactions of the Royal Society of London, 281(980): 277-294. https://doi.org/10.1098/rstb.1977.0140
  12. Prince, S. D. and S. N. Goward, 1995. Global primary production: a remote sensing approach, Journal of Biogeography, 22: 815-835. https://doi.org/10.2307/2845983
  13. Ryu, Y., S. Kang, S. Moon, and J. Kim, 2008. Evaluation of land surface radiation balance derived from moderate resolution imaging spectroradiometer (MODIS) over complex terrain and heterogeneous landscape on clear sky days, Agriculture and forest meteorology, 148(10): 1538-1552. https://doi.org/10.1016/j.agrformet.2008.05.008
  14. Running, S. W., P. E. Thornton, R. R. Nemani, and J. Glassy, 2000. Global Terrestrial Gross and Net Primary Productivity from the Earth Observing System, Methods in Ecosystem Science, Springer-Verlag, NY, 44-57.
  15. Seemann, S. W., J. Li, W. P. Menzel, and L. E. Gumley, 2003. Operational retrieval of atmospheric temperature, moisture, and ozone from MODIS Infrared radiations, Journal of Applied Meteorology, 42: 1072-1091. https://doi.org/10.1175/1520-0450(2003)042<1072:OROATM>2.0.CO;2
  16. Turner, D. P., S. Urbanski, D. Bremer, S. C. Wofsy, T. Meyers, S. T. Gower, and M. Gregory, 2003. A cross-biome comparison of daily light-use efficiency for gross primary production, Global Change Biology, 9(3): 383-395. https://doi.org/10.1046/j.1365-2486.2003.00573.x

Cited by

  1. Evaluation of Forest Watershed Hydro-Ecology using Measured Data and RHESSys Model -For the Seolmacheon Catchment- vol.45, pp.12, 2012, https://doi.org/10.3741/JKWRA.2012.45.12.1293
  2. Assessment of Solar Insolation from COMS: Sulma and Cheongmi Watersheds vol.29, pp.1, 2013, https://doi.org/10.7780/kjrs.2013.29.1.13
  3. Comparisons of Collection 5 and 6 Aqua MODIS07_L2 air and Dew Temperature Products with Ground-Based Observation Dataset vol.30, pp.5, 2014, https://doi.org/10.7780/kjrs.2014.30.5.3
  4. Retrievals of All-Weather Daily Air Temperature Using MODIS and AMSR-E Data vol.6, pp.9, 2014, https://doi.org/10.3390/rs6098387
  5. 산악기상관측정보를 이용한 위성정보 기반의 전천후 기온 자료의 평가 - 강원권역을 중심으로 vol.19, pp.1, 2017, https://doi.org/10.5532/kjafm.2017.19.1.19
  6. MODIS 전천후 기상자료 기반의 생물리학적 벼 수량 모형 개발 vol.33, pp.5, 2011, https://doi.org/10.7780/kjrs.2017.33.5.2.11
  7. MODIS 이미지를 이용한 지표특성에 따른 토양수분의 시·공간적 분포 특성 vol.59, pp.6, 2017, https://doi.org/10.5389/ksae.2017.59.6.029
  8. 머신러닝 기법의 산림 총일차생산성 예측 모델 비교 vol.21, pp.1, 2011, https://doi.org/10.5532/kjafm.2019.21.1.29
  9. 운영 체제와 컴파일러에 따른 Geospatial Data Abstraction Library의 Hierarchical Data Format 형식 원격 탐사 자료 추출 속도 비교 vol.21, pp.1, 2019, https://doi.org/10.5532/kjafm.2019.21.1.65
  10. MODIS 대기자료를 활용한 남북한 기상관측소에서의 냉방도일 추정 vol.21, pp.2, 2011, https://doi.org/10.5532/kjafm.2019.21.2.97