국제민간항공기구(International Civil Aviation Organization, ICAO)는 궤적기반운항(Trajectory-Based Operations, TBO)을 통해 항공교통의 안전성과 효율성을 향상시키기 위한 기술 개발의 중요성을 강조하고 있다. 이에 본 연구는 한국에서 개발 중인 나래기상 시스템과 그 핵심 구성 요소인 4D-Wx Application Programming Interface (API) 배포 서비스를 중심으로 항공 운항 지원을 위한 기상정보 제공 방안을 제시한다. 나래기상 시스템은 다양한 기상 데이터를 통합하여 4D 궤적(Trajectory Based, 4DT), 관심 영역(Region of Interest, ROI), 특정 지점(Point of Interest, POI)에 최적화된 기상 예측 데이터를 표준화된 형식으로 제공함으로써 맞춤형 항공 운항 지원을 가능하게 한다. 본 논문에서는 4D-Wx API 서비스 범위와 기술적 가능성을 평가하고, 이를 기반으로 항공 운항의 안전성과 효율성을 증진할 수 있는 시스템 개발 방향을 제안하였다. 특히, API를 통해 궤적 기반 운항을 지원하기 위한 실시간 기상정보의 제공 효과를 분석하였다.

전 세계적으로 하천 유출량(Q)을 정확히 예측하는 것은 홍수조절, 가뭄관리 등 수자원 관리에 필수적인 요소이지만, 전 세계적으로 Q를 산출하고 추정하기 위한 현장 게이지의 숫자는 감소추세에 있다. 또한 공유하천이나 메콩강처럼 특수한 수문학적 특징을 보이는 하천의 유량은 기존 수문학적 방법으로 유출량을 산정하기에는 어려움이 따른다. 전통적으로 하천 유출량을 구하는 대표적인 방법들로 Leopold and Maddock (1953)이 제시한 at-a-station hydraulic geometry (AHG)를 이용한 경험 멱함수(empirical power function)와 Manning (1889)이 제안한 Manning's equation을 이용한 방법 등이 있다. 최근 Kim et al. (2019a; 2019b; 2021)은 앙상블 러닝 회귀법(ensemble learning regression for estimating Q, ELQ)이라는 머신러닝 기법을 통해 콩고강과 메콩강 일대의 하천 유출량 예측 정확도를 향상시켰다. 그러나 ELQ의 우수성에도 불구하고 ELQ의 수학적·수문학적 프레임워크(framework)에 대해 자세히 연구된 바는 없다. 본 리뷰 연구에서는 ELQ 관련 논문들을 분석하여, ELQ가 기존 하천 유출량 예측기법과 차별화되는 수학적·수문학적 의의를 살펴보고, 여러 국제논문에서 인용된 사례를 분석했다. 이로써 ELQ기법이 원격탐사 수문학에 기여하는 바를 도출하여, 향후 국내·외 원격탐사 수문학에 활용되어 보다 정확한 하천 유출량을 예측하는 방법이 되기를 기대한다.

The mid-wave infrared (MIR) sensor onboard KOMPSAT-3A captures thermal imagery within the 3.3-5.2 ㎛ spectral range, enabling detailed thermal analysis under both daytime and nighttime conditions. These images are extensively utilized in various applications, including urban heat island monitoring, drought assessment, environmental analysis, and thermal anomaly detection. However, temporal discrepancies between daytime and nighttime acquisitions frequently introduce radiometric inconsistencies and relative geometric dissimilarities, which pose significant challenges for accurate image registration. To address these issues, this study proposes a two-stage image registration framework that integrates radiometric normalization and feature-based alignment. In the first stage, gamma correction and Box-Cox transformation are employed to mitigate radiometric discrepancies, thereby improving feature reliability. In the second stage, the robust invariant feature transform (RIFT) algorithm is enhanced by incorporating Gaussian weighting, which refines the phase congruency (PC) map, leading to more robust feature extraction under varying conditions. Feature correspondences are filtered using the random sample consensus (RANSAC) algorithm to remove outliers, ensuring reliable matching. An affine transformation model is estimated using inlier points to align nighttime MIR imagery with daytime reference. The proposed framework, integrating radiometric and feature contrast enhancement methods, was evaluated across four distinct geographic sites. Experimental results demonstrated significant improvements over conventional methods, reducing relative geometric dissimilarities and enhancing image registration accuracy.

Wildfires have grown in scale and intensity over recent decades, profoundly impacting global carbon cycles. For instance, the 2019-2020 Australian wildfire burned 18.6 million hectares of forest and released 715 million tonnes of carbon dioxide. Assessing vegetation recovery after wildfire at such scales is challenging due to conventional satellite products' spatial and temporal resolution limitations. This study addresses these limitations by fusing two datasets, MODerate Resolution Imaging Spectroradiometer (MODIS) MCD43A4 product and Landsat 8/9 Nadir Bidirectional Reflectance Distribution (NBAR) using an enhanced Flexible Spatiotemporal Data Fusion (FSDAF) algorithm that incorporates sub-pixel class fraction change information (SFSDAF). Before the fusion process, preprocessing involved detecting cloud-contaminated pixels using the Function of Mask (Fmask) algorithm and the Bidirectional Reflectance Distribution Function (BRDF) correction of Landsat. After the fusion process, Neighborhood Similar Pixel Interpolator (NSPI) was employed for the gap-filling process. The fusion images produced high-resolution spatiotemporal vegetation indices with a 30-meter spatial resolution and daily temporal coverage. By comparing these datasets with flux tower measurements, the study examined vegetation recovery in Tumbarumba, southeastern Australia. Findings revealed that the fusion dataset captured fine-scale spatial variability and temporal dynamics, providing detailed insights into localized recovery patterns and seasonal changes. The results highlighted rapid vegetation greenness recovery, though flux tower data indicated slower photosynthesis and carbon sequestration recovery. This study emphasizes the importance of high-resolution imagery for accurate recovery monitoring and highlights the necessity of integrating multiple datasets for a comprehensive understanding.

한반도 주변 해양과 연안을 상시 관측하는 해색 위성 센서인 Geostationary Ocean Color Imager-II (GOCI-II)는 해양의 단기적 변화뿐만 아니라 중장기적인 해양 환경 변화를 분석하고 연구하는 등 폭넓게 활용되고 있다. 그러나 광학 위성 관측에는 구름과 같은 기상 조건으로 인한 결측값이 존재하는 한계점을 가지고 있다. 이러한 결측값은 해양 환경 변화를 연속적으로 모니터링하고 그 변화를 예측하는 데 가장 큰 장애 요인이 된다. 본 연구에서는 한반도 주변 해역과 연안을 대상으로 GOCI-II 클로로필-a 농도 자료의 결측 영역을 복원하기 위해 강건한 결측값 복원 모델을 개발하였다. 이를 위해 실제 구름 형태를 기반으로 임의의 구름을 생성하여 결측값을 재현하였으며, 결측값 복원 과정에서는 결측이 발생한 픽셀과 시공간적으로 인접한 픽셀들의 특징을 기반으로 하여 결측값을 추정한다. 또한, GOCI-II 영상의 장점인 시공간적 특징을 효과적으로 활용하기 위해 Convolutional Neural Network와 Bidirectional Long Short-Term Memory 구조를 결합한 모델을 제안하였다. 제안된 모델은 구름의 형태와 결측값 비율 등에 따른 정확도와 복원된 결과의 안정성 비교 결과 0.90 이상의 결정계수와 약 0.25 mg/m³의 평균 제곱근 오차를 보였다. 본 연구를 통해 결측값을 복원하여 시공간적으로 연속적인 데이터를 확보 함으로써 해양 환경 모니터링뿐만 아니라 향후 변화 예측에도 활용될 수 있을 것으로 기대한다.

본 연구는 Cyclone Global Navigation Satellite System (CYGNSS) Level 1 Science Data Record Version 3.2에서 제공하는 저궤도 위성의 위성항법시스템(GNSS) L1 주파수 대역 잡음 수준 분석을 통해 위성항법 시스템 간섭 신호 탐지 방법을 제안하고 이를 실제 사례에 적용하였다. 태평양 지역에서의 Delay Doppler Map (DDM) 잡음 데이터를 이용해 위성항법시스템 간섭 신호가 없는 정상 상태의 잡음 분포를 정의하였으며, 이를 기반으로 중동 지역이나 위성항법시스템 장애 신고 사례가 접수된 한반도 인근의 DDM 잡음 데이터를 분석하였다. 연구 결과, 위성항법시스템 간섭 신호가 송출된 지역에서는 태평양 인근에서 관측된 DDM 잡음값보다 훨씬 높은 잡음 수준이 측정되었음을 확인하였다. 본 연구는 위성항법시스템 지상 인프라에 의존하지 않고, 저궤도 위성 데이터를 활용해 위성항법시스템 간섭 탐지를 수행할 수 있는 기술 개발 가능성을 보여주었다는 점에서 의의가 있다. 특히, 지상 인프라 설치가 어려운 해양 환경에서 광범위한 영역을 효과적으로 탐색할 수 있는 방법으로 유용할 것으로 기대된다.

Early and accurate monitoring of crop growth is crucial for precision agriculture. This study developed and evaluated a novel framework for precision monitoring of early-stage cabbage (Brassica oleracea var. capitata) using Unmanned Aerial Vehicle (UAV) multispectral imagery and a modified Faster Region-based Convolutional Neural Network (Faster R-CNN). A DJI Matrice 300 RTK UAV equipped with RGB and RedEdge-MX multispectral sensors acquired high-resolution imagery of a cabbage testbed in Goesan-gun, South Korea. A Faster R-CNN model, incorporating a ResNet-50 backbone and Feature Pyramid Network (FPN), was trained to detect individual cabbage plants. A two-stage data augmentation approach was employed: initial training with bounding box annotations, followed by refinement using 15cm buffer zones around predicted plant centroids. The model achieved a mean Average Precision (mAP) of 0.900 on an independent test set, outperforming YOLOv5s and SSD models. Two object delineation methods were compared: the 15cm buffer zones and an Excess Green (ExG)-based dissolve operation. The ExG-based dissolve method demonstrated superior performance in delineating healthy cabbage vegetation, yielding a significantly higher mean Normalized Difference Vegetation Index (NDVI) (0.470) compared to the buffer method (0.300) and a lower proportion of low NDVI values (12.54% vs. 49.38%). These results highlight the potential of integrating UAV-based multispectral imaging with a modified Faster R-CNN and an ExG-based dissolve approach for accurate and efficient early-stage cabbage monitoring, facilitating data-driven decision-making in precision agriculture.

Unmanned Aerial Vehicle (UAV) orthomosaics are widely used in various fields, including construction, environmental monitoring, and real estate, and their quality is influenced by the accuracy of interior orientation. In this study, the modes were divided into "All mode" and "Part mode" based on the interior orientation parameter settings, and lens distortion was compared between the two modes. Additionally, the effects of the number of Ground Control Points (GCPs) and their positional accuracy on the positional accuracy of UAV-based orthomosaics were evaluated for each mode. The Part mode, which applies only a subset of interior orientation parameters, exhibited greater LatLon and XY errors compared to the All mode, which applies all parameters. Using custom Python scripts, lens distortion was compared between the two modes, and the image coordinate deviations were found to be 0.160±1.347 pixels in u (image x) and 0.076±0.991 pixels in v (image y), both of which were below 2 pixels. As the number of GCPs decreased, both modes exhibited an increasing trend in GCP positional error. In terms of GCP and CP pixel errors, the All mode demonstrated a lower and more consistent error compared to the Part mode, as it was less sensitive to changes in the number of GCPs. The addition of a random offset to the GCP coordinates to vary the GCP positional accuracy showed that as the magnitude of the added offset increased, the GCP positional error exhibited a linear increase. These findings suggest that the setting of interior orientation parameters and GCP management are critical factors in determining the accuracy of UAV orthomosaics. This study is expected to provide valuable foundational data for analyzing error factors in the UAV-based orthomosaic creation process, which can be utilized in both practical and research settings.

광합성 유효광량(photosynthesis available radiation, PAR)은 해양에서는 400에서 700 nm 파장 대역의 해수 표층에 도달하는 태양의 광량을 통해 계산되며 주로 일차생산량 연구에 활용된다. 이 연구에서는 Geostationary Ocean ColorImagerII (GOCI-II)의 활용도를 높이고, 한반도 주변 해역의 일차생산량 연구에 대한 정확한 입력자료의 생산에 기여하고자 GOCI-II 기반 PAR 알고리즘을 개발하고 검증하였다. MODIS, GOCI PAR 연구에 활용되었던 알고리즘을 GOCI-II의 시공간 및 분광해상도에 알맞게 개선하고, GOCI-II 시간별 PAR로부터 일별 PAR를 계산하였다. 2024년 4월 27일의 시간별, 일별 PAR 영상을 확인한 결과, 구름의 영향을 많이 받은 해역에서는 맑은 대기 해역에 비하여 약 30% 낮은 값의 일별 PAR 분포를 보였다. 소청초 종합해양과학기지에 설치된 ECO-PAR 센서 현장관측 자료를 활용한 검증 결과, GOCI-II 일별 PAR는 현장관측 자료 대비 11.10%의 평균제곱근오차(root-mean-square error, RMSE)와 9.89%의 평균 편향 오차(mean bias error, MBE)로 과소추정 경향을 보였으나, 결정계수(determination coefficient, R²) 값은 0.98로 높은 선형 상관관계를 보였다. 2021년 3월 10, 11, 14일 GOCI-II 4번 슬롯(slot) 영역에서 A, B, C 영역을 임의로 선정하여 GOCI와 GOCI-II 일별 PAR의 센서간 비교 결과, 구름이 적은 A와 B 영역에서는 높은 일치도를 보였지만 구름의 영향을 많이 받은 C 영역에서는 최대 6.24%의 RMSE를 보였다. 향후 현장관측 자료를 추가하여 알고리즘 검보정을 통해 GOCI-II PAR의 정확도 개선 연구를 수행할 예정이다. GOCI-II PAR 알고리즘의 개발 및 검보정은 GOCI로부터 지속된 한반도 주변 해역에 대한 해양환경 모니터링 및 연구활동을 계승하여, 장기 관측 자료를 통한 변화 대응 연구에 도움을 줄 수 있을 것으로 기대된다.

아마존은 지구 온난화 완화와 생물다양성 보호 등 지구 환경 유지에 중요한 역할을 담당하지만, 오랜 기간 동안 산림 훼손이 지속적으로 진행되고 있다. 특히, 광범위한 영역으로 인해 훼손 지역을 효과적으로 파악하는 데 한계가 있으며, 추가적인 훼손 방지 및 복원 계획 수립을 위해 위성 정보를 활용하는 중요성이 더욱 부각되고 있다. 본 연구에서는 저해상도 위성 영상과 산림 훼손 라벨링(labeling) 데이터를 활용하여 고해상도 영상에서 산림 훼손 지역 라벨링을 자동 생성하는 딥러닝 기반 방법론을 제안하였다. 제안된 방법은 초기 단계에서 저해상도 영상과 라벨링 데이터를 기반으로 학습을 진행하며, 이후 의사 라벨(Pseudo label)을 생성하고, 이를 통해 고해상도 위성 영상에서 산림 훼손 지역 라벨링의 정확도를 향상시킴을 확인하였다. 본 연구의 결과는 산림 벌채 지역에 대한 라벨링 정보가 없는 위성 영상에도 높은 정확도를 갖춘 고해상도 라벨링 데이터를 생성하여, 정밀한 산림 훼손 지역 분석 및 복원 계획 수립에 기여할 수 있을 것으로 기대된다.

An industrial heat island (IHI) refers to the phenomenon in which industrial complexes exhibit higher temperatures than their surrounding areas. It is classified as a subtype of the urban heat island (UHI). Most IHI studies have focused on the local scale (0.1-10 km), limiting their integration with broader UHI research. Additionally, the factors that influence UHI within industrial complexes remain understudied. To address these gaps, this study proposes a geospatial framework to analyze IHI, strengthen its connection with UHI research, and identify key industrial factors. The primary dataset for this framework island surface temperature (LST) obtained from Landsat-8 imagery. First, a hierarchical approach examines IHI at the mesoscale (10-100 km), using a chi-square test to determine its phenomenological independence at the city level. If IHI is present at an adequate scale, the LST profile method is applied to measure IHI extent and intensity at the local scale. Second, geographically weighted regression (GWR) quantifies the influence of industrial factors, including nitrogen dioxide (NO₂), sulfur dioxide (SO₂), digital elevation model (DEM), normalized difference built-up index (NDBI), soil-adjusted vegetation index (SAVI), automated water extraction index (AWEI), and workers. To validate the feasibility of this framework, it was applied to Incheon, South Korea, a city with diverse and aging industrial complexes. As a result, mesoscale analysis confirmed a significant association (p<0.05) between industrial complexes and UHI across all seasons. The local scale analysis indicated that IHI intensity was highest in summer but weakened in fall and winter, diverging from conventional UHI patterns. In addition, GWR results demonstrated varying impacts of industrial factors across complexes. The most influential variable was the industrial activity factor (SO₂ and NO₂). SO₂ exhibited a strong positive correlation with IHI, while NO₂ exhibited a negative correlation. For the industrial space factor, DEM indicated that lower elevations corresponded to higher IHI intensity. SAVI exhibited a moderate negative correlation, but its influence varied depending on vegetation type. However, NDBI and AWEI produced results that contradicted the trends identified in numerous UHI studies, likely due to coastal influences diminishing NDBI's effect and AWEI reflecting intensified IHI due to industrial wastewater-induced water quality degradation. In the industrial workforce factor, workers also showed a strong positive correlation. A comparison of GWR and OLS models confirmed GWR's superior performance, with higher adjusted R² (0.9126 vs. 0.3677) and lower AICc values (111,146.4 vs. 171,605.4). In conclusion, this study establishes a scalable geospatial framework for IHI analysis, reinforcing its connection with UHI research. The findings underscore the need for tailored environmental measures addressing the unique characteristics of each industrial complex. Future studies should refine the framework by quantitatively connecting the results between the two scales and incorporating simulation models.

합성개구레이더(synthetic aperture radar, SAR) 영상 복원은 해상도를 향상시키고 노이즈를 억제하여 다양한 응용 분야에서 활용된다. 그러나 SAR 영상은 스페클 노이즈(speckle noise), 강한 방향성, 다중 산란 등의 특성을 가지며, 기존 영상 복원 기법으로 처리하기 어려운 한계가 있다. 이를 해결하기 위해 기존에는 초해상화 합성곱 신경망(super-resolution convolutional neural network, SRCNN), 심층 초해상화(very deep super-resolution, VDSR), 잔차 채널 어텐션 네트워크(residual channel attention network, RCAN) 등 convolutional neural network (CNN) 기반 모델이 활용되어 왔다. 그러나 이러한 모델들은 지역적 특징 학습에는 효과적이지만, SAR 영상의 복잡한 구조적 특성과 장거리 의존성을 충분히 모델링하지 못해 세부 패턴 복원에 한계를 가진다. 본 연구에서는 이러한 문제를 해결하기 위해 Enhanced SwinIR 모델을 제안한다. 제안된 모델은 윈도우 기반 로컬 어텐션(local attention)과 전역 어텐션(global attention을 결합한 Combined Attention Mechanism을 적용하고, 학습 가능한 Sobel 필터를 포함한 Edge Enhance Residual Block을 통합하여 엣지 복원 성능을 향상시켰다. ERS-1 및 ERS-2 위성의 SAR 영상을 활용한 실험 결과, Enhanced SwinIR 모델은 CNN 기반 모델(SRCNN, VDSR, RCAN)의 평균 피크 신호 대 잡음비(peak signal-to-noise ratio, PSNR) 22.457dB 대비 0.956dB 증가한 23.413dB, 구조적 유사도 지수(structural similarity index, SSIM) 0.893 대비 0.019 증가한 0.912, 스페클 노이즈 억제 지수(speckle suppression index, SSI) 7.823 대비 0.830 증가한 8.653의 성능을 기록하였으며, 기존 SwinIR 대비 SSIM은 0.003, SSI는 0.067 더 높은 성능을 보였다. 이를 통해 Enhanced SwinIR이 SAR 영상 복원에서 구조적 유사성과 스페클 노이즈 측면에서 향상된 복원 성능을 보였음을 확인하였다.

도시화로 인한 자연피복의 감소 및 인공피복의 증가는 지표면 도시열섬현상을 야기한다. 여러 도시화 사례 중 특히 신도시는 개발 특성상 급격한 도시화가 이루어지는 지역으로, 토지피복의 변화로 인한 지표면 도시열섬현상을 분석하기에 좋은 대상지로 여겨진다. 본 연구는 서울특별시의 대표적인 도시개발 사례인 마곡 신도시를 중심으로 토지피복의 변화에 따른 지표면 도시열섬강도(Surface Urban Heat Island Intensity, SUHII) 변화 모니터링을 목표로 하였다. SUHII는 개발지역과 미개발지역의 평균 지표면 온도 차이로 정의하였으며, 지표면 온도는 Landsat 위성영상 데이터를 활용해 측정하였다. 관찰기간은 마곡 신도시의 개발기간을 고려해 2003.04.16-2023.10.15까지로 설정하였다. 마곡 신도시 개발에 따른 지표면 온도 변화의 면밀하고 포괄적인 관측을 위해 약 20.5개년 중 101개의 양호한 데이터를 선별하였고, 마곡(실험군)의 SUHII 변화를 주변의 미개발지, 기개발지 각각 두 곳(대조군)씩총네 곳과 비교 분석하는 방법으로 연구를 수행하였다. 분석결과 마곡 신도시의 SUHII는 도시개발이 진행됨에 따라 주위 도시개발지들과 유사한 형태로 수렴되는 것이 관찰되었다. 특히, 강서구 일원의 두 기개발지는 관찰기간 내내 SUHII 변동성이 상대적으로 크게 관찰된 반면, 마곡의 SUHII 변동성은 시간의 흐름에 따라 점차 증가하는 것이 관찰되었다. 이에 대한 원인으로 SUHII는 여름철에는 높은 값을, 겨울철에는 낮은 값을 보이는 특징이 있으며, 도시개발이 진행된 지역에서는 이러한 계절 간 SUHII 편차가 크게 나타나기 때문인 점이 확인되었다. 따라서 마곡은 도시개발이 진행됨에 따라 SUHII의 계절 간 편차가 벌어졌으며, 이는 변동성을 증가시켰기에 마곡의 도시 미기후가 악화되었다고 판단할 수 있다. SUHII의 공간분포는 지표환경 및 도시활동 특성에 기인하여 공항, 교통시설, 공업 및 건설현장에서 상대적으로 높게 관찰되었다. 마곡의 주거지역은 교통시설 지하화와 지상 공원화 설계로 가양의 주거지역보다 낮은 SUHII를 보였으며, 마곡 중앙공원 내 인공초지는 Cool, Cold 계절에서 낮은 SUHII를 상쇄하였으나, Hot, Warm 계절에서 높은 SUHII를 상쇄하는 효과는 제한적이었다.

Current global climate change increases water-related disasters like floods, making the Korean Peninsula vulnerable to typhoons and rainfall damage. In North Korea, flood analysis relies on remote sensing due to poor infrastructure and observation systems. Synthetic aperture radar (SAR) imagery, unaffected by clouds, is effective for flood analysis. This study used Sentinel-1 SAR image differencing to assess 2023 flooding in North Korea. After differencing images from North and South Korea, random forest classification identified flooded areas. The accuracy of this method was confirmed by its kappa value of 0.9506, demonstrating its efficacy in the remote sensing of flood damage in areas with limited access, free from meteorological interference. The analysis results indicate substantial flood damage at the target sites compared with past cases. Specifically, Typhoon Khanun resulted in a flooded area of 7.8638 km², highlighting the susceptibility of this area to typhoon-related flooding. Additionally, the area flooded due to heavy rain exceeded 1 km², although it was less severe than the flood damage in South Korea during the same period, suggesting the need for further comparative research between North and South Korea. Future research could enhance the quality by combining the use of various satellite systems and more reliable classification maps.

원격탐사 영상을 이용하여 객체를 분류하는 기술은 고해상도 위성영상의 등장과 딥러닝 기술의 발전과 함께 최근에 더욱 주목을 받게 되었다. 객체를 분류하는 대표적인 방법인 객체 기반의 영상 분류 기술은 영상을 분할하고 분할된 영역의 속성을 이용하여 객체 단위의 분류 결과를 생성한다. 도시 지역의 경우에는 다양한 색상과 형태의 건물들과 그림자가 다수 존재하기 때문에 건물 이외의 수계, 식생 객체 등과의 구별이 어렵다. 본 논문에서는 수계 특성 검출에 용이한 정규수계지수(normalized difference water index, NDWI)를 RGB 밴드 영상과 함께 이용하는 객체 기반의 영상 분류 기술을 제안한다. 차세대중형위성1호 영상을 이용한 실험 결과에서 제안한 방법은 RGB 밴드만 이용한 방법, RGB 밴드와 NIR 밴드를 이용한 방법, RGB 밴드와 정규식생지수(normalized difference vegetation index, NDVI)를 이용한 방법 대비 높은 정확도인 전체 정확도 93.7%, 카파 계수(kappa coefficient) 90.6%의 향상된 결과를 얻었다.

기후변화로 인해 극한 기상 현상이 잦아지면서 안정적 농업용수 공급을 위한 체계적인 저수지 관리의 중요성이 커지고 있다. 특히, 준설은 퇴적물로 인한 저수지의 기능 저하를 방지하기 위한 저수지 관리 방안 중 하나이다. 그러나 준설사업은 주로 저수지 수위가 낮아지는 시기에 집중적으로 실행되어, 시간적·인적 자원의 제약으로 인해 업무 담당자의 경험과 주관에 의존하는 경우가 많았다. 이에 본 연구는 Sentinel-1 Synthetic Aperture Radar (SAR) 영상을 활용하여 준설 대상지를 객관적으로 선정할 수 있는 방법을 제안하였다. 2015년부터 2023년까지 10개의 저수지를 대상으로 위성으로 산출된 수면적과 현장에서 관측된 수면적 비율의 기울기를 분석하여, 퇴적물 축적이나 침식으로 인해 발생했을 것으로 추정되는 저수지 용량의 점진적인 변화를 추정하였다. 그 결과, 동부(-2.094e-05 day^-1), 예당(-1.263e-05 day^-1), 성주(-8.051e-06 day^-1) 저수지가 시간에 따른 수면적 비율 감소가 가장 뚜렷하게 나타나 연구 대상 저수지 중 준설 필요성이 높은 저수지로 평가되었다. 위성 영상을 활용한 준설 대상지 선정은 합리적인 의사결정을 지원하는데 기여할 것으로 기대된다.

Accurate and efficient tree type classification in urban forests is crucial for effective management, informed policy decisions, and enhancing urban resilience, particularly with increasing urbanization and climate change. This study developed and evaluated a practical methodology for classifying coniferous and broadleaf trees in the Chungbuk National University Arboretum, South Korea. The study utilized drone-acquired, high-resolution RGB imagery and a Support Vector Machine (SVM) classifier. The workflow encompassed drone image acquisition, concurrent ground truth data collection, image preprocessing, feature extraction (including RGB color bands and Gray-Level Co-occurrence Matrix [GLCM] texture features [TFs]), and SVM model training, optimization, and evaluation. Different SVM kernels(Linear, RBF, Polynomial, Sigmoid) and feature combinations were investigated to optimize model performance,with a specific focus on processing time for practical application. Results indicated that RGB color bands were the primary drivers of accurate classification, while most GLCM TFs provided minimal additional benefit in this specific context. The RBF kernel, with optimized hyperparameters (C=10, γ=0.01), achieved the highest overall accuracy (99%) and F1-score (0.99), while the Linear kernel provided similar accuracy but with a longer processing time. Notably, the drone-based classification significantly outperformed the outdated Korea Forest Service forest map in representing the current forest composition, highlighting the limitations of traditional mapping methods for dynamic urban environments. This research contributes a cost-effective and accurate method for urban forest assessment, demonstrating the value of drone technology and readily available RGB imagery. The entire process, from image acquisition to classification, was completed in approximately 12 hours, showcasing its efficiency. Although this study focused on only two tree types in a single season, the developed methodology shows potential for broader application in classifying a wider range of species and informing management practices across different seasons by considering the phenological stages of trees. The proposed approach provides urban planners and forest managers with a valuable tool for enhancing ecosystem services and improving the quality of life in urban areas. This study underscores the potential of drone technology to revolutionize urban forest monitoring and management practices, paving the way for more sustainable and informed decision-making, particularly in rapidly urbanizing regions.

본 연구에서는 2022년 8월 4일부터 5일 사이에 발생한 열대야 사례에 대해 차량 관측 기반 온도 센서를 이용한 특별관측 자료를 주로 활용하였다. 또한, 강릉 시내에서 국지 규모 관점에서 열대야 강도(tropical night intensity, TNI)에 미치는 주요 기상 조건들의 영향을 이해하고자 국지예보모델(local data assimilation prediction system, LDAPS)을 이용하였다. 인공열과 TNI의 특성을 비교해보고자, 분석 영역을 도심(urban) 과 교외(suburban)의 2개 도로 구간으로 구분하였다. 흥미롭게도, 연구 결과는 강한(~7 m·s^-1) 남서풍이 마지막 관측 시간대(02:00-02:45 KST)에 교외 지역의 TNI를 최대 4.3℃까지(평균 기온 29.3℃ 기록) 강화시켰음을 입증하였다. 그러나 도시열섬 강도(urban heat island intensity, UHII)와 TNI의 직접적인 연관성은 제 시할 수 없었다. LDAPS는 2022년 8월 5일 새벽 2시 수분속 수렴 증가와 함께 연구 지역으로 유입되는 다량 의 수증기 수송(~0.05 m·s^-1 )을 보여주었다. 또한, 연직 단면도 분석은 태백산맥의 풍하측에 29℃ 이상의 고 온 영역 형성을 나타냈으며, 이는 강릉 시내 서쪽의 높은 산 동쪽 경사면을 따라 강한 하강풍에 의해 공기가 압축되면서 발생하는 국지적 단열 가열에 기인한 결과로 판단되며, 그로 인해 해안 내륙 근처에 열대야가 지속될 수 있었다. 본 연구 결과는 공중 보건, 도시 계획, 그리고 기후 적응 전략 설계를 지원하기 위해 도시 지역에서 극심한 열대야 현상의 모니터링과 완화에 대한 중요한 통찰을 제공할 수 있다.