Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1225-6692(Print)
ISSN : 2287-4518(Online)
Journal of the Korean earth science society Vol.41 No.2 pp.129-136
DOI : https://doi.org/10.5467/JKESS.2020.41.2.129

Monitoring of Lake area Change and Drought using Landsat Images and the Artificial Neural Network Method in Lake Soyang, Chuncheon, Korea

Jinah Eom1, Sungjae Park2, Bokyun Ko3, Chang-Wook Lee3*
1Research Institute For Earth Resources, Kangwon National University, Kangwon 24341, Korea
2Department of Smart Regional Innovation, Kangwon National University, Kangwon 24341, Korea
3Division of Science Education, Kangwon National University, Kangwon 24341, Korea
Corresponding author: cwlee@kangwon.ac.kr Tel: +82-33-250-6731
February 17, 2020 April 20, 2020 April 22, 2020

Abstract


Drought is an environmental disaster typically defined as an unusual deficiency of water supply over an extended period. Satellite remote sensing provides an alternative approach to monitoring drought over large areas. In this study, we monitored drought patterns over about 30 years (1985-2015), using satellite imagery of Lake Soyang, Gangwondo, South Korea. Landsat images were classified using ISODATA, maximum likelihood analysis, and an artificial neural network to derive the lake area. In addition, the relationship between areas of Lake Soyang and the Standardized Precipitation Index (SPI) was analyzed. The results showed that the artificial neural network was a better method for determining the area of the lake. Based on the relationship between the SPI value and changes in area, the R2 value was 0.52. This means that the area of the lake varied depending on SPI value. This study was able to detect and monitor drought conditions in the Lake Soyang area. The results of this study are used in the development of a regional drought monitoring program.



Landsat 영상 및 인공 신경망 기법을 활용한 춘천 소양호 면적 및 가뭄 모니터링

엄 진아1, 박 성재2, 고 보균3, 이 창욱3*
1강원대학교 지구자원연구소, 24341, 강원도 춘천시 강원대학길 1
2강원대학교 스마트지역혁신학과, 24341, 강원도 춘천시 강원대학길 1
3강원대학교 과학교육학과, 24341, 강원도 춘천시 강원대학길 1

초록


가뭄은 일반적으로 장기간에 걸쳐 물 공급이 부족하여 나타나는 환경 재앙 중 하나로 대부분 넓은 지역에 걸쳐 나타난다. 원격탐사 자료는 이러한 넓은 지역에서 나타나는 가뭄 모니터링에 적합한 방법이다. 따라서 이 연구에서는 강원도 소양호 지역의 Landsat 위성 영상 자료를 활용하여 약 30년(1985-2015) 동안의 소양호 면적을 산출하고 이를 가뭄 패턴과 분석하였다. 특히 ISODATA, Maximum likelihood 및 인공신경망을 활용하여 Landsat 영상을 분류하여 소 양호 면적을 산출하였다. 또한 가뭄 패턴을 분석하기 위하여 산출된 호수 면적과 소양호 지역의 강수량을 활용한 표준 강수지수(Standardized Precipitation Index: SPI)와의 상관관계를 분석하였다. 영상 분류 연구 결과, ISODATA, Maximum likelihood 및 인공신경망 방법 중에서 호수 면적 산출의 최적의 방법은 인공신경망 방법임을 알 수 있었다. 또한, 인공신경망 방법을 적용하여 산출한 호수 면적과 SPI와의 상관관계 분석 결과 R2 값이 0.52를 가진다. 즉, SPI 지수가 낮을 때 호수 면적이 감소하는 것을 알 수 있었다. 즉 호수 면적 변화를 통하여 소양호 지역의 가뭄 상태 감지 및 모니터링이 가능하다는 것을 알 수 있었다. 이 연구는 향후 지역 가뭄 모니터링 프로그램 개발 등에 사용이 가능할 것이다.



    National Research Foundation of Korea
    2017R1A6A3A11034001

    서 론

    가뭄은 전 세계에서 가장 심각한 자연 재해 중 하 나로서 넓은 지역에 오랜 기간 동안 영향을 준다 (Huang et al., 2012). 또한 다른 모든 자연 재해보다 도 인간에게 많은 영향을 미치고 농업 손실을 초래 한다. 특히 가뭄의 시작과 끝이 불분명하기 때문에 가뭄이 현저하게 진행된 후에만 상황이 인식되어 피 해가 증가하게 된다(Park et al., 2011). 기존의 가뭄 모니터링 방법은 기후 및 기상 관측에 기반하여 측 정하였으며(Ebaid, 2015), 주로 Palmer Drought Severity Index (PDSI) (Palmer, 1965), Rainfall Anomaly Index (RAI) (Van Rooy, 1965), Crop Moisture Index (CMI) (Palmer, 1968), Bhalme- Mooley Index (BMDI) (Bhalme and Mooley, 1980), SWI (Surface Water Supply Index) (Shafer and Dezman, 1982), SAI (Standardized Anomaly Index) 및 SPI (Standardized Precipitation Index) (Mckee et al., 1993;Mckee et al., 1995) 방법이 사용되었다. 그러나 기존 방법은 지역적인 결과만 산출이 가능하 며 많은 시간이 필요하다(Petropoulos et al., 2009). 이와 반면에 위성 자료는 넓은 지역에 대한 가뭄 변 화를 탐지할 수 있다(Shin et al., 2005). 따라서 위성 자료를 기반으로 가뭄 모니터링 연구가 활발히 진행 되었다(Kogan, 1997;Klisch et al., 2005;Anderson et al., 2007;Anderson et al., 2011;Jin et al., 2017). Klisch et al. (2005)은 MODIS 자료의 NDVI 자료를 활용하여 케냐 지역에서의 가뭄 발생 정도를 연구하 였으며, Ebaid (2015)은 Landsat 영상의 지표 온도 (land surface temperature)와 토양 수분(soil moisure) 을 통한 수분 지수를 산출하여 가뭄을 모니터링하였 다. 특히 기존 연구에서는 대부분은 다양한 식생 지 수 또는 토양 수분 상태 지수를 사용하여 가뭄 모니 터링을 실시하였다. 하지만 이 연구의 경우 가뭄으로 인한 호수 지역의 변화를 모니터링 하는 것으로 기 존 식생 지수 적용이 어렵다는 단점이 있다. 따라서 이 연구에서는 기존 식생 지수가 아닌 영상 분류 방 법을 사용하여 호수의 가뭄 상태를 모니터링 하고자 한다. 즉 이 연구의 목적은 강원도 소양호 지역의 Landsat 위성 영상 자료를 활용하여 약 30 년 동안 (1985-2015)의 소양호 면적을 산출하고 이를 가뭄 패 턴과 분석하는 것이다. 이를 위하여 ISODATA, Maximum likelihood 및 인공 신경망을 활용하여 Landsat 영상을 분류하여 소양호 면적을 산출하여 가 뭄 지수와 상관 관계를 분석하고자 한다.

    연구 지역

    연구 지역은 강원도 춘천시 동면에 위치한 소양호 지역이다(Fig. 1). 소양호는 춘천시, 인제, 양구, 홍천 일부에 걸쳐 위치해 있으며 국내에서 가장 큰 호수 이다(Cho et al., 2006). 소양호의 면적은 2,502 km 2 , 길이는 60 km, 최대 수심은 118 m, 평균 폭은 약 0.45 km이다(Kim and Kim, 2004). 소양강은 소양호 의 주요 지류로서 소양호 저수지 유역의 90 %를 차 지한다(Kim and Jim, 2006). 또한 연구 지역의 연간 총 강우량 절반 이상이 7월과 8월에 집중되어 있다 (Kim et al., 1997). 특히 이 기간에 소양호의 수위 변동이 크게 나타난다(Heo et al., 1998). 따라서 이 연구에서는 수위 변동이 큰 7월과 8월 이전(5월과 6 월)과 이후(9월과 10월)의 춘천시, 인제, 양구, 홍천에 걸쳐 있는 소양호의 면적을 산출하고자 한다. 또한 산출된 면적을 활용하여 연구 지역의 가뭄을 모니터 링 하고자 한다.

    연구 방법

    소양호의 면적 산출을 위하여 1985년부터 2015년 까지 수집된 총 79장의 Landsat 영상을 사용하였다 (Table 1). Landsat 영상은 30 m의 공간 해상도를 가 지며 16일에 한 번씩 획득이 가능하다. 이 연구에서 는 수위 변동이 큰 7월과 8월 이전인 5월에서 6월에 획득된 총 29장 Landsat 영상과 9월과 10월에 획득 된 50장의 Landsat 영상을 ISODATA, Maximum likelihood 및 인공신경망 방법을 사용하여 영상 분류 를 실시하였다. ISODATA 알고리즘은 분석가의 개입 없이 픽셀 값을 기준으로 클래스를 분류하는 방법이 다(Tou, 1974). 반면에 Maximum likelihood 알고리 즘은 분석가가 먼저 픽셀을 선택하여 픽셀 정보를 획득한 후 이에 기반하여 영상 분류를 진행한다 (Lillesand and Keifer, 1994). 인공신경망 분류 방법 은 다양한 분야에서 많이 사용하고 있는 기술로서 이 방법은 정확한 분류를 위하여 적합한 훈련 (training), 학습(learning) 및 transfer function을 찾는 것이 중요하다(Saravanan and Sasithra, 2014). 이 연 구에서는 영상 분류 시 사용한 분류 클래스는 총 4 개(산림, 도시 지역, 구름, 호수)로 하였다. ISODATA 알고리즘을 활용한 영상 분류 시 변경 임계값 은 5%, 클래스 병합 거리는 10, 최대 반복은 5로 설 정하여 영상 분류를 하였다. Maximum likelihood 알 고리즘의 경우, 총 4개의 분류 클래스에 해당하는 훈 련 픽셀을 설정하고 이를 기반으로 평균 및 공분산 을 활용하여 영상 분류를 진행하였다. 또한 인공신경 망의 경우 훈련 임계 값, 훈련 속도 및 훈련 운동량 은 각각 0.9, 0.2 및 0.9로 설정하였으며 3개의 hidden layer와 100번 반복을 실시하였다. 이렇게 분류 된 영상으로부터 소양호의 면적을 산출하였다. 각 영 상의 분류 정확도는 원본 영상을 기반으로 Groundtruth Region of Interest (ROI)를 구성하여 산출하였 다. 정확도 평가를 위해서는 참조 데이터 수집이 필 요하나, 영상과 동일한 시간과 장소의 참조 자료를 수집하는 것이 어려운 경우가 있다(Zhou et al., 2008). 따라서 참조 데이터가 없는 경우, 원본 영상을 지상 데이터로 사용할 수 있다(Cohen et al., 2002;Wilson and Sader, 2002;Parihar et al., 2013). 이에 이 연구에서는 원본 영상 영상을 지상 데이터로 사 용하였다. 이를 활용하여 각 영상의 Kappa coefficient를 산출하였다. Kappa 계수의 경우 0.8-1.0이면 분류의 정확도가 완벽하며, 0.6-0.8은 분류 정확도가 상당히 높은 편이며, 0.4-0.6은 분류 정확도가 적당한 편이며, 0.2-0.4는 분류가 합당한 수준임을 의미하며, 0.0-0.2는 분류가 불완전함을, 0.0 이하는 분류가 제 대로 되지 않았음을 의미한다(Ortiz et al., 1997).

    또한 가뭄과의 상관관계 분석을 위하여 산출된 소 양호의 면적과 강수량을 활용한 표준강수지수(SPI) 와의 관계를 분석하였다. 강수량 자료는 소양강과 가 까운 곳에 위치해 있으며 상류 지역에 위치해 있는 인제 관측소 자료(기상청 제공)(Fig. 1)를 사용하였다. SPI는 McKee et al.(1993)에 의해 개발되었으며 강수 량을 이용하여 가뭄 정도를 시간 단위에 따라 산정 하며 이렇게 산출된 SPI를 활용하여 가뭄의 단계를 판단한다. 이러한 SPI는 다음과 같은 식을 활용하여 산출된다(Lee et al., 2012).

    Z=SPI=+ ( t C 0 + c 1 t + c 2 t 2 1 + d 1 t + d 2 t 2 + d 3 t 3 )
    (1)

    tH(x)와의 함수로 나타내어지며 다음과 같이 산출된다.

    t = ln 1 ( H ( x ) ) 2 , for 0 < H ( x ) 0.5
    (2)
    t = ln 1 ( 1.0 H ( x ) ) 2 , for 0 < H ( x ) 0.5
    (3)

    x는 강수량이며, H(x)는 강수량 관측 값의 누가확 률이다. c0, c1, c2, d1, d2, d3는 상수 값으로 c0=2.515517, c1=0.802853, c2=0.010328, d1=1.432788, d2=0.189269, d3=0.001308이다.

    SPI 지수가 −1.0~1.0의 값을 가지는 경우 정상 지 수(near normal)를 나타내며, −1.5~ −1.0인 경우에는 적당한 가뭄 지수(moderately dry), −2.0 이하인 경우 에는 가뭄이 매우 심각(extremely dry) 단계임을 나 타낸다(Mckee et al., 1993). 이 연구에서는 30일 동 안의 누적 강수량을 사용한 SPI 1 지수를 활용하였다.

    연구 결과

    Fig. 2는 ISODATA (Fig. 2a), Maximum likelihood (Fig. 2b) 및 인공신경망(Fig. 2c) 방법을 사용 하여 분류 된 소양호 호수의 면적이다. Landsat 영상 분류 결과 전체 정확도(overall accuracy)는 ISODATA의 경우 평균 30% 이며, Maximum likelihood 는 약 78%, 인공 신경망의 경우 약 85%이다. 또한 Kappa coefficient는 각각 평균 0.04, 0.70, 0.80의 값 을 가진다. 즉 ISODATA 알고리즘 방법은 Maximum likelihood 및 인공 신경망에 비하여 영상 분류 가 제대로 이루어지지 않을 것을 알 수 있다. 특히 산림의 그림자가 물로 분류되는 것을 알 수 있다. 반 면에 Maximum likelihood과 인공신경망 방법은 ISODATA 알고리즘에 비하여 호수에 대한 영상 분류 가 잘 이루어 졌다. 또한 인공신경망 분류 결과가 Maximum likelihood 결과에 비하여 정확도가 높은 것을 알 수 있다. Fig. 3은 Maximum likelihood (Fig. 3a) 및 인공신경망(Fig. 3b) 분류 결과로서 인공 신경망 알고리즘이 분류 오류가 적은 것을 알 수 있 다. 따라서 이 연구에서는 인공신경망 알고리즘을 적 용하여 소양호 호수 면적을 산출하였다.

    Fig. 4는 인공신경망 알고리즘으로 산출한 1995년 5월과 9월의 소양호 호수 면적으로 1995년 5월의 소 양호 면적은 32.08 km 2이며, 9월의 면적은 41.21 km 2 이다. 소양호 호수의 면적은 5월에 비하여 9월에 면 적이 더 넓은 것을 알 수 있었다. 이러한 이유는 국 내 기후 특성 상 7월과 8월의 많은 강수량이 9월에 영향을 미치기 때문으로 판단된다. 특히 연구 지역의 경우 5월과 9월의 호수 면적 변화는 주로 강의 상류 부근에서 크게 나타나는 것을 알 수 있다. Fig. 5는 인공신경망 알고리즘으로 산출한 1985년부터 2015년 까지 소양호 호수 면적으로 Fig. 5a는 9월과 10월 영 상의 호수 면적이며, Fig. 5b는 5월과 6월 영상의 호 수 면적이다. 9월과 10월의 경우 호수 면적은 2003 년, 2004년, 2013년에 가장 넓게 나타났으며, 호수 면적은 평균 약 78 km 2 이상이다. 반면에 5월과 6월 의 경우에는 1991, 2000, 2008년에 호수 면적이 가 장 넓게 나타났으며 평균 호수 면적은 약 66 km 2 이 상이다. Fig. 6은 SPI 1 값으로 Fig. 6a 및 b는 9월 및 10월의 SPI 1 값과 5월 및 6월의 SPI 1 값을 나 타낸다. 일반적으로 SPI 값이 −1.0 보다 낮으면 해당 지역은 가뭄으로 판단된다. 따라서 SPI 1 값을 활용 하여 가뭄 시기를 분석한 결과, 9월과 10월에 SPI 1 값이 −1.0 이하의 값을 가지는 연도는 1987, 1988, 1996, 2009년이며, 5월과 6월에는 1991, 1995, 1996 년이다. 즉 이 시기에 가뭄이 나타났다고 판단된다. 또한 가뭄 기간 동안 호수 면적은 5월과 6월에는 평 균 37 km 2 미만, 9월과 10월에는 평균 42 km 2 미만 이다. 특히 1991년의 경우 5월과 6월에는 가뭄으로 인하여 호수 면적이 작았지만, 9월과 10월에는 호수 면적이 크게 증가하였다. 즉 5월과 6월의 가뭄 이후 에 강수량으로 인하여 9월과 10월에는 가뭄이 해소 되었을 것으로 판단된다. Fig. 7은 SPI 1 지수가 −1 이하를 가지는 호수 면적과 SPI 1 지수와의 상관관 계를 나타낸 것이다. 그 결과 R 2 값이 0.52의 값을 나타냈다. 즉 가뭄일 때 호수의 면적 변화와 SPI 1 지수와의 상관관계가 높은 것을 알 수 있었다.

    결 론

    이 연구에서는 가뭄으로 인한 소양호 면적 변화를 분석하기 위해 1985년부터 2015년의 Landsat 영상을 사용하였다. 소양호 면적은 ISODATA, Maximum likelhood 및 인공 신경망 방법을 사용하여 영상을 분류하여 산출하였다. 또한 산출된 소양호의 면적과 가뭄 지수인 표준강수지수(SPI)와의 관계도 분석했다.

    소양호 면적 산출을 위한 영상 분류 알고리즘 비 교 결과, ISODATA, Maximum likelihood, 인공 신경 망 방법 중에서 인공 신경망 방법이 최적의 방법임 을 알 수 있었다. 따라서 이 연구에서는 인공 신경망 을 통하여 소양호 면적을 산출하였다. 그 결과, 소양 호 면적은 9월과 10월에는 최대 78 km 2 이상의 면적 을 가지는 반면에 5월과 6월에는 최대 66 km 2 이상 이다. 즉, 7월과 8월의 많은 강우량 영향으로 인하여 5월과 6월에 비하여 9월과 10월에 호수 면적이 넓은 것을 알 수 있다. 또한, 연구 지역의 경우 호수 면적 변화는 주로 상류 부근에서 크게 나타나는 것을 알 수 있다. 이는 가뭄에 의한 호수 면적 변화는 하류 보다는 상류에서 더 많은 영향을 받을 것으로 예측 된다. 즉, 상류 지역에서 가뭄 영향을 더 받을 것으 로 사료된다. SPI 1 지수로 가뭄을 판단한 결과, 1987년, 1988년, 1996년, 2009년의 9월과 10월은 가 뭄으로 판단되며, 1991년, 1995년, 1996년에는 5월과 6월에 가뭄으로 판단된다. 특히 가뭄이 나타나는 시 기의 호수 면적은 9월과 10월에는 평균 37 km 2 미 만, 5월과 6월에는 평균 42 km 2 미만이다. 즉 9월과 10월의 가뭄은 호수 면적을 급격하게 작게 만든다. 또한 호수 면적과 가뭄 지수와의 상관관계를 분석한 결과 R 2 값이 0.52로 나타났다. 그러나 이 연구에서 는 SPI 1 지수가 −1일 때의 면적만 고려하였다. 향 후에는 SPI 1 지수를 세분화하여 면적과의 상관성을 비교할 예정이다. 뿐만 아니라 SPI 2, SPI 3 지수도 고려할 예정이다. 또한 이 연구에서는 30 m 공간해상 도 자료를 활용하여 연구를 진행하였지만 추후 고해 상도의 영상을 활용하여 연구를 진행한다면 정밀한 가뭄 모니터링이 가능 할 것으로 사료된다. 특히 다 양한 자료를 통하여 많은 시기의 결과를 획득한다면 가뭄 모니터링의 정확도가 향상될 것이다. 뿐만 아니 라 고해상도 자료와 가뭄 지수와의 상관관계를 통한 알고리즘을 개발한다면 추후에는 영상으로부터 면적 을 산출하여 가뭄 단계를 판단할 수 있을 것으로 생 각된다. 이러한 연구는 향후 지역 가뭄 모니터링 시 스템 개발에 사용될 수 있으며 가뭄 대비에 중요한 역할을 할 수 있을 것이다.

    사 사

    이 논문은 2019년도 정부(교육부)의 재원으로 한국 연구재단의 지원을 받아 수행된 기초연구사업임(No. 2017R1A6A3A11034001).

    Figure

    JKESS-41-2-129_F1.gif

    Landsat 8 OLI RGB (bands 4, 3, and 2) image of Lake Soyang, Chuncheon, South Korea, acquired on 17 October 2015. Red square is Inje station.

    JKESS-41-2-129_F2.gif

    Map of Lake Soyang classified using the (a) ISODATA, (b) maximum likelihood, and (c) artificial neural network methods. Blue color indicates Lake Soyang area. The red box in (c) indicates the sub-area used to compare the results of the maximum likelihood and artificial neural network methods. RGB (bands 4, 3, and 2 of Landsat 8) image was acquired on 17 October 2015.

    JKESS-41-2-129_F3.gif

    Classification map of the sub-area (defined by the red box in Figure 2c) classified using (a) maximum likelihood and (b) artificial neural network. Red circles indicate the results of empirical classification. RGB (bands 4, 3, and 2 of Landsat 8) image was acquired on 17 October 2015.

    JKESS-41-2-129_F4.gif

    The area of Lake Soyang classified using ANN in May (yellow line) and September (red line) 1995. Grey image (band 5 of Landsat 8) was acquired on 17 October 2015.

    JKESS-41-2-129_F5.gif

    Graphs show Lake Soyang area classified using artificial neural network methods (a) from September to October and (b) from May to June. The x- and y-axes indicate date and area, respectively.

    JKESS-41-2-129_F6.gif

    Graphs show SPI 1 values (a) from September to October and (b) from May to June. The x- and y-axes indicate the date and SPI 1 values, respectively.

    JKESS-41-2-129_F7.gif

    Relationship between area of lake and SPI 1 value in the drought period. The x- and y-axes indicate the area and SPI 1 values, respectively.

    Table

    List of Landsat data used to monitor drought in Lake Soyang

    Reference

    1. Anderson, M.C. , Hain, C. , Wardlow, B. , Pimstein, A. , Mecikalski, J.R. , and Kustas, W.P. ,2011, Evaluation of drought indices based on thermal remote sensing of evapotranspiration over the continental United States. Journal of Climate, 24, 2025-2044.
    2. Anderson, M.C. , Norman, J. , Mecikalski, J. , Otkin, J. , and Kustas, W. ,2007, A climatological study of evapotranspiration and moisture stress across the continental US based on thermal remote sensing: 2. Surface moisture climatology. Journal of Geophysical Ressearch, 112, D111112.
    3. Bhalme, H.N. and Mooley, D.A. ,1980, Large-scale droughts/floods and monsoon circulation. Monthly Weather Review, 108(8), 1197-1211.
    4. Cho, S.-H. , Sohn, W.-M. , Shin, S.-S. , Song, H.-J. , Choi, T.-G. , Oh, C.-M. , Kong, Y. , and Kim, T.-S. ,2006, Infection status of pond smelts, Hypomesus olidus, and other freshwater fishes with trematode metacercariae in 6 large lakes. The Korean Journal of Parasitology, 44(3), 243-246.
    5. Cohen, W.B. , Spies, T.A. , Alig, R J. , Oetter, D.R. , Maiersperger, T.K. , and Fiorella, M. ,2002, Characterizing 23 years (1972-95) of stand replacement disturbance in Western Oregon forests with Landsat imagery, Ecosystems, 5(2), 122-137.
    6. Ebaid, H.M. ,2015, Real time drought monitoring using Remote Sensing approaches A Case Study: Western desert of Kharga and Dakhla Regions. International Journal of Geomatics and Geosciences, 6(3), 1638-1652.
    7. Heo, W.M. , Kim, B. , Kim, Y. , and Cho, K.S. ,1998, Storm runoff of phosphorus from nonpoint sources into Lake Soyang and transportation of turbid water mass within the lake. Korean Journal of Limnology, 31, 1-8.
    8. Huang, H. , Zhou, H. , Wang, P. , Wu, W. , and Yang, S. ,2012, Monitoring southwest drought of China using HJ- 1A/B and Landsat remote sensing data. Proceeding of SPIE, Land Surface Remote Sensing, 8524, 852410.
    9. Jin, Y. , Zhu, J. , Sung, S. , and Lee, D.K. ,2017, Application of Satellite Data Spatiotemporal Fusion in Predicting Seasonal NDVI. Korean Journal of Remote Sensing, 33(2), 149-158.
    10. Kim, B. and Kim, Y. ,2004, Phosphorus Cycle in a Deep Reservoir in Asian Monsoon Area (Lake Soyang, Korea) and the Modeling with a 2-D Hydrodynamic Water Quality Model. Korean Journal of Limnology, 37(2), 205-212.
    11. Kim, B. , Choi, K. , and Shim, S. ,1997, Storm runoff of phosphorus from nonpoint sources. Proceeding of the International Symposium on the preservation of water quality and the management of watershed in rivers and lakes. National Institute of Environmental Research, Korea.
    12. Kim, Y. and Jim, B. ,2006, Application of a 2-Dimensional Water Quality Model (CE-QUAL-W2) to the Turbidity Interflow in a Deep Reservoir (Lake Soyang, Korea). LAKE RESERV MANAGE, 22(3), 213-222.
    13. Klisch, A. , Atzberger, C. , and Luminari, L. ,2005, Satellitebased Drought Monitoring in Kenya in an Operational Setting. 36th International Symposium on Remote Sensing of Environment, Berlin, Germany.
    14. Kogan, F.N. ,1997, Global drought watch from space. Bulletin of the American Meteorological Society, 78, 621-636.
    15. Lee, J.H. , Seo, J.W. , and Kim, C.J. ,2012, Analysis on Trends, Periodicities and Frequencies of Korean Drought Using Drought Indices, Journal of Korea Water Resources Association, 45(1), 75-89.
    16. Lillesand, T.M. and Keifer, R.W. ,1994, Remote Sensing and Image Interpretation, John Wiley & Sons.
    17. McKee, T.B. , Doesken, N.J. , and Kleist, J. ,1993, The relationship of drought frequency and duration to time scales. Proceeding of Eighth Conference on Applied Climatology, American Meteorological Society, Anaheim, CA, 17-22 January.
    18. Mckee, T.B. , Doeskin, N.J. , and Kleist, J. ,1995, Drought monitoring with multiple time scales. Proceeding of Ninth Conference on Applied Climatology, American Meteorological Society, Boston, MA, 15-20 January.
    19. Ortiz, M.J. , Formaggio, A.R. , and Epiphanio, J.C.N. ,1997, Classification of croplands through integration of remote sensing, GIS, and historical database, International Journal of Remote Sensing, 18(1), 95-105.
    20. Parihar, S.M. , Sarkar, S. , Dutta, A. , Sharma, S. , and Dutta, T. ,2013, Characterizing wetland dynamics: a postclassification change detection analysis of the East Kolkata Wetlands using open source satellite data, Geocarto International, 28(3), 273-287.
    21. Palmer, W.C. ,1965, Meteorological drought, Research Paper, U.S. Department of Commerce Weather Bureau, Washington, DC.
    22. Palmer, W.C. ,1968, Keeping track of crop moisture conditions, nationwide: the crop moisture index. Weatherwise, 21(4), 156-161.
    23. Park, J.Y. , Yoo, J.Y. , Chi, M. , and Kim, T.-W. ,2011, Evaluation of Drought Risk in Gyeonsang-do Using EDI. Journal of the Korean Society of Civil Engineers, 31(3B), 243-252.
    24. Petropoulos, G. , Carlson, T.N. , Wooster, M.J. , and Islam, S. ,2009, A review of Ts /VI remote sensing based methods for the retrieval of land surface energy fluxes and soil surface moisture. Progress in Physical Geography, 33(2), 224-250.
    25. Saravanan, K. and Sasithra, S. ,2014, Review on classification based in artificial neural networks, International Journal of Ambient Systems and applications, 2(4), 11-18.
    26. Shafer, B.A. and Dezman, L.E. ,1982, Development of a surface water supply index (SWSI) to assess the severity of drought conditions in snowpack runoff areas. Proceeding of 50th Annual Western Snow Conference, Colorado State University, Fort Collins, CO, USA, 19-23 April.
    27. Shin, S.C. , Hwang, M.H. , Ko, I.H. , and Lee, S.J. ,2005, Application of Areal Drought Detection Using the Satellite Data. Proceeding of Korean Society of Civil Engineers, Jeju, Korea.
    28. Tou, J.T. and Gonzalez, R.C. ,1974, Pattern recognition principles, Addison-Wesley.
    29. Van Rooy, M.P. ,1965, A rainfall anomaly index independent of time and space. Notes, 14, 43-48.
    30. Wilson, E.H. and Sader, S.A. ,2002, Detection of forest harvest type using multiple dates of Landsat TM imagery, Remote Sensing of Environment, 80(3), 385-396.
    31. Zhou, Q. , Li, B. , and Kurban, A. ,2008, Trajectory analysis of land cover change in arid environment of China, International Journal of Remote Sensing, 29(4), 1093-1107.