© The Korean Society of Agricultural Engineers. All rights reserved
ABSTRACT
Ⅰ. 서 론
전 지구적인 급격한 이상기후의 증가와 더불어 호우, 태풍의 강도 증가, 폭설과 한파의 잦은 내습, 극심한 가뭄 등 급격한 기후변화가 발생하고 있으며 (Jang and Kim, 2008), 기상재해 위험 증가로 인하여 농업용수 부족 현상이 빈번하게 발생하고 있어 농업용수의 안정적 공급과 관리의 어려움을 겪고 있다 (Nam et al., 2015a; Bang et al., 2020). 그 중에서 가뭄은 태풍, 홍수, 산사태 등의 다른 재난과는 다르게 시작과 끝을 정확하게 알 수 없고, 또한 상대적으로 장기간 동안 사회 전반에 걸쳐 영향을 미치는 특성 때문에 가장 큰 피해를 주는 자연재해 중의 하나로 인식되고 있다 (Nam et al., 2015b; Yoon et al., 2018a).
기상학적인 관점에서 가뭄은 장기간 강수의 부족이 지속되는 현상으로 정의하지만, 수요를 충족시킬 수 있는 수자원이 확보되어 있다면 물 이용자는 물 부족을 체감하지 못한다. 농업가뭄은 관개기의 원활한 용수공급이 이루어지지 않은 상황, 또는 작물 생장을 저해할 정도의 용수공급이 어려운 상황으로 정의할 수 있으며, 농업용 저수지와 같은 수리시설 능력을 고려하여 해당 지역의 가뭄 상황을 정확하게 분석하고 평가할 수 있는 방법이 필요하다 (Nam, 2013; Nam and Choi, 2014). 과거 다목적댐 개발과 광역상수도망 확충 등의 수자원 개발을 통하여 용수공급능력을 향상시켜 가뭄에 대한 심각성을 느끼지는 못했지만, 최근 대도시의 확대 및 용수공급시설의 지역적 편중 등으로 물 부족 상황이 발생할 위험이 커지고 있다 (Kim and Kim, 2015). 안정적인 용수공급을 위하여 수리시설물의 모니터링과 물관리를 위한 수요, 공급량 및 관개효율을 평가하는 것이 필수적이며 (Nam et al., 2013; Shin et al., 2020), 효율적인 물관리를 위하여 저수위 기록의 정확성을 높이고 저수지의 가용수량을 파악하여 가뭄을 대비하는 것이 중요하다.
기상 및 수자원 분야에서 인공위성 자료의 활용성이 증대되면서, 지점자료의 시⋅공간적인 한계점을 보완하기 위해서 인공위성 자료를 활용한 가뭄 분석 연구가 활발하게 이루어지고 있다 (Yoon et al., 2018b; Mun et al., 2019; Lee et al., 2019; Mun et al., 2020; Lee et al., 2020; Jeon et al., 2020; Yoon et al., 2020a; Yoon et al., 2020b). 위성영상을 기반으로 한 가뭄 분석 연구는 일반적으로 단일 대역의 위성영상을 이용할 경우 특정 임계값을 적용한 방법과 분류 및 패턴 인식기법이 많이 이용되며, 다양한 대역의 자료를 결합하여 산출된 정규수분지수 등 지수 기반 방법이 주로 이용된다 (Moradi et al., 2017).
정규수분지수 NDWI (Normalized Difference Water Index)는 위성영상의 녹색광 (GREEN)과 근적외선 (Near Infrared, NIR) 밴드를 활용하여 식생이나 지표면에 포함된 수분 함유량을 나타내는 지수이며, 하천, 호수, 습지 등 수분을 다량으로 함유한 지형지물을 위성영상에서 탐지하기 위하여 주로 사용된다 (Park et al., 2016; Nam et al., 2018). Ye (2016)는 KOMPSAT-2 영상으로 작성한 NDWI와 근적외선 NIR 영상을 이용하여 약 99.5%의 분류 정확도로 수표면을 분류하였으며, Lee et al. (2017)은 Landsat-8 영상을 활용하여 NDWI를 산출하고 이진화 알고리즘을 통해 지상과 수계지역을 구분하였다. 또한, Ogilvie et al. (2018)은 소규모 저수지에 대하여 시계열 Landsat 영상으로 계산한 MNDWI (Modified Normalized Difference Water Index)를 사용함으로써 수표면적 분류 오류를 15% 이하로 개선하였다.
본 연구에서는 Landsat 영상보다 공간 및 주기 해상도가 높은 Sentinel-2 영상을 활용하는 것이 수표면적 분류 오차를 개선할 수 있을 것이라는 선행연구 (Avisse et al., 2017)를 기반으로 Sentinel-2 위성영상을 활용하여 국내 농업용 저수지에 대한 수표면적을 분류하고자 한다. 수계지역 추출에 간편하고 보편적으로 쓰이는 NDWI를 적용하여 분류한 수표면적과 대상 저수지별 수위-내용적 조견표를 활용하여 저수율을 추정하고, 영상 기반의 저수율과 지상 계측 기반의 저수율을 비교하여 적정성을 판단하고자 한다.
Ⅱ. 연구 방법
1. 연구 대상 지역
연구 대상 지역은 과거 가뭄 피해가 극심하여 상습가뭄지역으로 선정된 충청남도를 대상으로 하였다. Fig. 1과 같이 충남지역 내 서산시에 위치한 농업용 저수지 중 고풍, 산수, 풍전 저수지를 대상지구로 선정하였으며, 저수지 제원은 Table 1과 같다. 고풍 저수지가 가장 큰 유역면적과 유효저수량을 가지고 있으며, 풍전 저수지의 경우 대상 저수지 중 가장 작은 유역면적과 유효저수량을 가지고 있지만 수표면적이 가장 큰 저수지이다.
Table 1
Description of the agricultural reservoirs used in this study
| Reservoir | Irrigation area (ha) | Effective reservoir storage ( ) | Water surface area (ha) |
| Gopung | 2,590 | 7,821,800 | 62.4 |
| Sansu | 1,706 | 3,315,800 | 43.6 |
| Pungjeon | 1,110 | 2,621,200 | 70.3 |
| * Source: Rural Agricultural Water Resource Information System (RAWRIS) |
Fig. 1
Locations of the agricultural reservoirs in Seosan, Chungcheongnam-do
2. Sentinel-2 위성영상 수집
Sentinel-2 위성영상은 농업, 임업, 기타 토지 관리 용도에 활용가능한 위성영상이며, 수분 함량뿐만 아니라 지표 식생과 토양의 지도 작성, 내륙 수로와 연안 지역을 관찰하는 데 사용할 수 있다. 5일 주기의 시간해상도와 10 m의 공간해상도로 가시광선과 적외선 사이의 12개 대역을 측정하는 위성영상이다. 본 연구에서는 수표면 관측 및 분류를 위하여 Sentinel-2 위성영상을 선정하였으며, 2016년부터 2018년까지 서산 지역 이미지를 수집하였다. 구름 등 기상조건으로 인하여 사용이 어려운 자료를 제외한 총 22 장을 선별하였으며, 활용 가능한 영상의 날짜는 Table 2와 같다.
Table 2
Date of collected and used Sentinel-2 satellite imagery
| Year | Day-Month |
| 2016 | 09-May |
| 18-May |
| 2017 | 03-Jan |
| 02-Feb |
| 12-Feb |
| 04-Mar |
| 13-Apr |
| 03-May |
| 30-Oct |
| 2018 | 17-Feb | 20-Oct |
| 18-Apr | 25-Oct |
| 23-May | 04-Nov |
| 28-May | 14-Nov |
| 02-Jun | 09-Dec |
| 10-Sep | 19-Dec |
| 25-Sep | |
|
3. 정규수분지수 (NDWI)
정규수분지수 NDWI는 지표 수분함량에 따른 분광특성을 이용한 것으로 NIR 영역의 반사도와 SWIR 또는 GREEN 영역의 반사도 차이를 활용하여 두 개의 위성영상 파장정보를 통하여 생성된다. Table 3과 같이 정규수분지수를 산정할 수 있으며, Gao (1996)는 식생에 포함되는 수분 함유량의 변화를 파악하고 McFeeters (1996)는 지표면의 수분 함유량과 관계가 있기 때문에 (Lee et al., 2017), 본 연구에서는 저수지의 수표면을 파악하기 위하여 McFeeters의 방법을 활용하여 NDWI를 산정하였다.
Table 3
Methods for NDWI calculation using satellite bands combination
| Author | Equation |
| Gao (1996) |  |
| McFeeters (1996) |  |
여기서 GREEN은 반사된 녹색 빛을 포함하는 대역이며, NIR은 반사된 근적외선을 나타낸다. GREEN 파장을 통하여 물의 일반적인 반사율을 최대화하고, NIR 파장으로 지상의 식생 및 토양 특성에 대한 반사율을 최소화하면 높은 수분함유량을 산정할 수 있다. Table 3의 McFeeters 식은 수분함유량을 나타내는 경우 NDWI가 양의 값을 가지며, 0 또는 음의 값을 갖는 경우 NIR의 반사율이 더 높기 때문에 식생 및 토양으로 판단한다. Sentinel-2 위성영상은 12개 밴드로 이루어져 있으며, 저수지 수표면적을 분석하기 위하여 GREEN 파장대인 3번 밴드와 NIR 영역의 8번 밴드를 활용하여 NDWI를 식 (1)과 같이 산정하였다.
4. 위성영상을 이용한 수표면 분류 및 저수율 추정
저수량을 측정하기 위하여 저수지에서의 내용적 측량에 의하여 수위와 내용적 관계식에 의하여 수위자료로부터 저수량을 산정하며, 이를 통한 수위-내용적 조견표는 한국농어촌공사에서 수집한 자료를 취득하여 활용하였다. 일반적으로 저수위를 계측하고 수위-내용적 조견표에 따라 저수율로 환산하지만, 위성영상을 이용하는 경우 수표면적을 분류하고 Fig. 2와 같이 저수지의 수위-수표면적-내용적 관계를 통하여 수표면적에 따른 저수율을 결정할 수 있다.
Fig. 2
Estimation of reservoir storage rate using reservoir level-surface area-storage relationship (Sansu reservoir)
Fig. 3은 본 연구에서 Sentinel-2 위성영상을 활용한 수표면 분류 흐름도를 나타낸 것이다. 연구 대상 지역을 포함한 Sentinel-2 위성영상 이미지를 수집하고 수표면적 탐지에 필요한 밴드 (GREEN 및 NIR)를 Layer-Stacking 기법을 이용하여 단일 이미지로 결합하여 NDWI를 산정하였으며, 산정한 NDWI 값을 기준으로 식생 및 토양과 수표면을 분류하였다. 또한, 대상 저수지별 저수율-수표면적 관계의 추세식을 활용하여 분류한 수표면에 대하여 저수율 추정으로 이루어진다. 수표면의 경우 저수지 만수면적 경계에 한정하여 수표면적을 분류하였으며, 신규 저수지 외에는 대부분의 저수지에서 만수면적에 대한 정확한 측량 및 지도 데이터가 없기 때문에 환경부에서 제공하는 토지피복지도, 고해상도 항공 및 위성영상, 수계지도 등을 참조하였다. 만수면적에 해당하는 대상 저수지별 저수율이 100%인 시기에 대하여 ArcGIS Create Feature Class 기능을 활용하여 만수면적 경계 (polygon) 지도를 작성하였다. 저수율-수표면적 추세식은 대상 저수지별 수위-수표면적-내용적 관계를 활용하여 도출하였다.
Fig. 3
Flow chart of classification water surface using Sentinel-2
Ⅲ. 적용 및 결과
1. Sentinel-2 위성영상을 활용한 수표면 분류
Sentinel-2 위성영상을 활용하여 대상 저수지인 고풍, 산수, 풍전 저수지의 만수면적 경계지도를 작성하였으며, 각 저수지별 수위-내용적 조견표를 활용하여 만수위에 따른 수표면적을 Table 4와 같이 비교하였다. 영상을 활용한 만수면적은 Sentinel-2 위성영상의 공간해상도를 기반으로 격자의 개수를 활용하여 면적을 산정하였다. 고풍 저수지는 수위-내용적 조견표 대비 영상 기반의 만수면적이 더 크게 나타났으며, 산수⋅풍전 저수지는 더 작게 나타났다. 작성한 만수면적 경계지도를 기반으로 활용 가능한 영상 기간에 맞추어 NDWI를 산정하였으며, 수표면을 분류한 지도를 Fig. 4와 같이 표현하였다. 고풍, 산수 저수지는 저수지 제방이 지도 기준 좌측 상단에 위치하며, 풍전 저수지의 경우 우측 하단에 위치하고 있다. 수표면적이 감소하는 곳은 공통적으로 제방과 거리가 있으며, 대상 저수지 모두 2017년 1월 3일부터 5월 3일까지 수표면적이 작아지고 이후 2018년에는 넓은 수표면적을 나타내면서 2018년 말에는 만수면적과 가까운 수준으로 나타났다.
Table 4
Comparison of full water level area between water level- based and satellite-based result
| Reservoir | Full water level area ( ) |
| Water level-storage | Satellite-based |
| Gopung | 638,238 | 680,200 |
| Sansu | 438,500 | 415,500 |
| Pungjeon | 702,500 | 664,500 |
Fig. 4
Map of changes in water surface area using NDWI based on Sentinel-2 (a: Gopung, b: Sansu, c: Pungjeon)
2. 저수율-수표면적 관계를 활용한 저수율 추정
영상 기반의 수표면 분류를 통하여 저수율을 추정하기 위하여 수위-내용적 조견표 기반의 저수율-수표면적 관계를 활용하였다. Fig. 5와 같이 대상 저수지별 저수율-수표면적 관계를 나타냈으며, 결정계수 (R square) 값이 1에 가까운 추세선인 6차 다항식을 이용하여 저수율을 추정하였다. 추세식의 경우 소수점이 많기 때문에 지수형태로 표현하였으며, Sentinel-2 위성영상 기반으로 산정한 수표면적을 변수로 설정하여 식에 대입하였다. 지상 관측 기반 저수율은 한국농어촌공사 농업기반시설관리시스템 RIMS (Rural Infrastructure Management System)에서 제공하는 농업용 저수지 일저수율 자료를 수집하였다.
Fig. 5
Reservoir storage rate-water surface area relationship using trend equation
지상 관측 기반 저수율과 영상 기반 저수율을 Table 5와 같이 비교하였으며, 두 저수율 간 15% 이상 차이를 보이는 날은 고풍 저수지의 경우 9일, 산수 저수지는 13일, 풍전 저수지의 경우 3일이다. 고풍 저수지의 경우 영상 기반의 만수면적이 수위-내용적 조견표의 만수면적 대비 크게 구분되었기 때문에 지상 관측 기반 저수율이 100%일 때, 영상 기반의 저수율이 100% 이상을 나타냈다. 또한, 연구기간 내 대부분의 영상 기반의 저수율이 지상 관측 기반 저수율보다 크게 나타는 것을 확인하였다. 산수 저수지는 연구기간 내 절반 이상의 데이터가 15% 이상 차이를 보였으며, 풍전 저수지의 경우 대상 저수지 중 지상 관측 기반 저수율과 영상 기반 저수율 간의 차가 가장 적고 유사한 것으로 나타났다. 풍전 저수지의 영상 기반 만수면적은 수위-내용적 조견표의 만수면적 대비 작게 구분되었기 때문에 지상 관측 기반 저수율이 높아질수록 차이가 크게 나타났으며, 기간 내 저수율이 가장 높을 때 영상 기반 저수율과 15% 이상 차이나는 것을 확인하였다.
Table 5
Comparison of the ground observation-based and satellite-based reservoir storage rate of the study areas
| Date | Gopung | Sansu | Pungjeon |
| Observation | Satellite | Observation | Satellite | Observation | Satellite |
| 2016-03-09 | 74.5 | 89.6 | 68.0 | 61.8 | 47.6 | 49.5 |
| 2016-05-18 | 91.5 | 84.4 | 96.2 | 58.9 | 53.4 | 53.5 |
| 2017-01-03 | 26.4 | 49.7 | 17.5 | 22.2 | 21.4 | 26.4 |
| 2017-02-02 | 29.8 | 47.2 | 19.7 | 23.9 | 24.0 | 28.9 |
| 2017-02-12 | 29.8 | 45.1 | 20.2 | 24.2 | 24.7 | 29.3 |
| 2017-03-04 | 31.7 | 46.6 | 23.4 | 29.7 | 26.7 | 32.0 |
| 2017-04-13 | 50.2 | 45.1 | 29.1 | 34.8 | 29.4 | 34.1 |
| 2017-05-03 | 50.2 | 44.1 | 31.8 | 37.1 | 30.4 | 34.6 |
| 2017-10-30 | 89.3 | 89.3 | 85.7 | 64.5 | 52.4 | 45.2 |
| 2018-02-17 | 89.3 | 95.9 | 92.1 | 66.9 | 61.1 | 58.8 |
| 2018-04-18 | 100.0 | 93.5 | 99.1 | 60.5 | 86.8 | 62.9 |
| 2018-05-23 | 100.0 | 82.9 | 98.0 | 58.1 | 84.4 | 60.5 |
| 2018-05-28 | 100.0 | 74.0 | 95.0 | 52.7 | 75.8 | 58.3 |
| 2018-06-02 | 98.4 | 81.5 | 87.0 | 59.6 | 68.0 | 57.3 |
| 2018-09-10 | 50.7 | 64.6 | 72.6 | 59.4 | 44.1 | 40.0 |
| 2018-09-25 | 52.5 | 69.7 | 69.2 | 57.4 | 37.2 | 36.6 |
| 2018-10-20 | 83.2 | 86.8 | 99.7 | 63.6 | 59.6 | 53.9 |
| 2018-10-25 | 84.5 | 86.5 | 99.6 | 61.9 | 61.7 | 55.5 |
| 2018-11-04 | 85.9 | 89.8 | 99.7 | 67.1 | 64.1 | 58.7 |
| 2018-11-14 | 95.6 | 98.2 | 99.9 | 67.4 | 71.0 | 62.6 |
| 2018-12-09 | 100.0 | 101.0 | 99.9 | 73.9 | 75.8 | 63.7 |
| 2018-12-19 | 100.0 | 103.5 | 99.9 | 74.1 | 78.0 | 67.4 |
* Units: Percentage (%)
* The colored value: The value greater than 15% difference |
3. 지상 관측-영상 기반 저수율 분석
Sentinel-2 위성영상을 활용하여 추정한 저수율에 대하여 지상 관측 기반 저수율과 비교하기 위하여 Fig. 6과 같이 산포도로 표현하였으며, 상관분석을 통하여 Table 6과 같이 정리하였다. 대상 저수지 모두 상관계수 
이 약 0.9 또는 0.9 이상의 값을 나타내면서 강한 양의 상관관계가 있음을 의미하였으며, 지상 관측 기반 저수율과 영상 기반 저수율 간의 선형적인 관계가 있음을 확인하였다. 또한, 결정계수 
이 약 0.8 또는 0.8 이상의 값을 나타내면서 지상 관측 기반 저수율을 기준으로 영상 기반의 저수율이 설명력이 있으며, 값의 정밀도가 높다고 판단된다. 고풍 저수지의 경우 영상 기반 만수면적이 크게 나타나면서 이에 따른 영상 기반 저수율도 과대추정되었으며, 산수, 풍전 저수지의 경우 영상 기반 만수면적이 작게 나타나면서 전체적으로 과소추정되는 경향을 보였다.
Table 6
Analysis of the ground observation-based and satellite- ased reservoir storage rate of the study areas
| Gopung | Sansu | Pungjeon |
Correlation coefficient ( ) | 0.8966 | 0.9395 | 0.9654 |
Coefficient of determination ( ) | 0.7884 | 0.8826 | 0.9321 |
Fig. 6
Distribution plot and correlation analysis of the ground observation-based and satellite-based reservoir storage rate within the research period
Ⅳ. 결 론
본 연구에서는 Sentinel-2 위성영상을 활용하여 대상 저수지인 고풍, 산수, 풍전 저수지의 수표면적을 추출하고 저수율-수표면적 관계를 활용하여 저수율을 추정하였다. 추정한 영상 기반의 저수율은 지상 관측 기반 저수율과 비교 및 분석하여 농업용 저수지의 가용수량 추정에 대한 방법을 제시하고자 하였다.
정규수분지수 NDWI를 활용하여 저수지 경계 내 수표면에 해당하는 부분을 분류하였으며, Sentinel-2 위성영상의 격자크기와 개수를 활용하여 해당 기간의 수표면적을 산정하였다. 작성한 만수면적 경계지도를 기준으로 수위-내용적 조견표 만수면적 대비 고풍 저수지는 크게 나타났으며, 산수 저수지와 풍전 저수지는 모두 작게 나타났다. 만수면적의 오차는 산수-풍전-고풍 저수지 순으로 적었으며, 만수면적의 차이로 인하여 고풍 저수지의 경우 지상 관측 기반 저수율과 비교하여 저수율 100%를 초과하는 기간도 존재하였다. 또한, 산수 저수지와 풍전 저수지는 전체적으로 지상 관측 기반 저수율보다 영상 기반 저수율이 더 낮게 나타났다. 저수지 수위-내용적 조견표를 기반으로 저수율-수표면적 관계를 활용하여 수표면적별 저수율을 추정하였고 추정한 저수율을 지상 관측 기반 저수율과 비교하였을 때, 풍전-고풍-산수 저수지 순으로 저수율 차이가 적게 나타남을 확인하였다. 하지만 상관계수와 결정계수는 풍전-산수-고풍 저수지 순으로 높은 계수 값이 나타났으며, 산수 저수지의 경우 지상 관측 기반 저수율과 영상 기반 저수율의 차이가 15% 이상인 기간이 가장 많지만 상관 및 결정계수가 높게 나타났다.
본 연구 결과를 통하여 Sentinel-2 위성영상 기반의 NDWI를 산정하여 농업용 저수지 수표면을 분류하였으며, 수위-내용적 조견표를 활용하는 방법으로 저수율을 산정하여 대상 저수지의 가용수량을 추정하고 높은 상관 및 결정계수를 통하여 국내 농업용 저수지에 대한 영상 기반 저수율 추정의 활용성이 높다고 사료된다. 하지만 Sentinel-2 위성영상의 5일 주기 관측과 기상 조건으로 인한 영상 활용 제한으로 실시간 수위 모니터링에 어려움이 있으며, 10 m의 공간해상도는 고해상도 위성영상에 비해 정확도 차이가 클 수 있다. 공간해상도가 높을수록 영상의 관측폭은 좁아지므로 고해상도보다는 중⋅저해상도 영상을 활용하여 전국적인 저수지 관측 업무 측면에서 활용할 수 있으며, 자동수위계측기 미설치 지역 또는 실시간 수위 측정이 어려운 시군관리 저수지와 같은 주요한 관심지역을 대상으로 고해상도 위성영상을 활용한 수표면적 분류가 이루어진다면 실효성을 높이고 이수관리에 대한 계획 수립에 도움이 될 것으로 판단된다. 또한, 본 연구에서 저수율을 추정하는 것에 있어서 가장 중요한 수위-내용적 조견표에 대하여 기존 자료의 검증 및 새로운 수위-내용적 조견표를 작성하여 오차를 줄이고 개선된 방법을 제시할 수 있을 것으로 사료된다.
감사의 글
본 연구는 행정안전부 극한재난대응기반기술개발사업의 연구비 지원 (2019-MOIS31-010)에 의해 수행되었습니다.
REFERENCES
N. Avisse, A. Tilmant, M. F. Müller and H. Zhang, Hydrology and Earth System Sciences, Monitoring small reservoirs’ storage with satellite remote sensing in inaccessible areas., 21(12); 6445-6459 (2017)10.5194/hess-21-6445-2017
N. K. Bang, W. H. Nam, J. H. Shin, H. J. Kim, K. Kang, S. C. Baek and K. Y. Lee, Journal of the Korean Society of Agricultural Engineers , Water balance analysis of pumped-storage reservoir during non-irrigation period for recurrent irrigation water management., 62(4); 1-12, (in Korean). (2020)10.5389/KSAE.2020.62.4.001
B. C. Gao, Remote Sensing of Environment, NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space., 58(3); 257-266 (1996)10.1016/s0034-4257(96)00067-3
J. Y. Jang and S. H. Kim, Korean Public Health Research, Globalization and the nation’s health; Climate change and health., 34(1); 38-53, (in Korean). (2008)
M. G. Jeon, W. H. Nam, Y. S. Mun and H. J. Kim, Journal of the Korean Society of Agricultural Engineers , Assessment and validation of new global grid-based CHIRPS satellite rainfall products over Korea., 62(2); 39-52, (in Korean). (2020)10.5389/KSAE.2020.62.2.039
T. W. Kim and D. H. Kim, Journal of the Korean Society of Civil Engineering , Extreme drought response and improvement: Focusing on 2015 drought., 63(9); 25-35, (in Korean). (2015)
S. B. Lee, Y. Kim, J. Kim and Y. Park, Journal of the Korean Society of Hazard Mitigation, Detection of alteration in river area using Landsat satellite imagery., 17(3); 391-398 (2017)10.9798/kosham.2017.17.3.391
H. J. Lee, W. H. Nam, D. H. Yoon, E. M. Hong, D. E. Kim, M. D. Svoboda, T. Tadesse and B. D. Wardlow, Journal of the Korean Society of Agricultural Engineers , Satellite-based Evaporative Stress Index (ESI) as an indicator of agricultural drought in North Korea., 61(3); 1-14, (in Korean). (2019)10.5389/ksae.2015.57.4.001
H. J. Lee, W. H. Nam, D. H. Yoon, E. M. Hong, T. Kim, J. H. Park and D. E. Kim, Journal of the Korean Society of Agricultural Engineers , Percentile approach of drought severity classification in Evaporative Stress Index for South Korea., 62(2); 63-73, (in Korean). (2020)10.5389/KSAE.2020.62.2.063
S. K. McFeeters, International Journal of Remote Sensing, The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features., 17(7); 1425-1432 (1996)10.1080/01431169608948714
M. Moradi, M. Sahebi and M. Shokri, he International Archives of the Photogrammetry,, Modified Optimization Water Index (MOWI) for Landsat-8 OLI/TIRS.; 185-190, Remote Sensing and Spatial Information Sciences XLII-4/W4:. (2017)10.5194/isprs-archives-xlii-4-w4-185-2017
Y. S. Mun, W. H. Nam, M. G. Jeon, T. Kim, E. M. Hong, M. J. Hayes and T. Tadesse, Journal of the Korean Society of Agricultural Engineers, Application of meteorological drought index using Climate Hazards Group InfraRed Precipitation wigh Station (CHIRPS) based on global satellite-assisted precipitation products in Korea., 61(2); 1-11, (in Korean). (2019)10.5389/ksae.2015.57.4.001
Y. S. Mun, W. H. Nam, T. Kim, E. M. Hong and C. Sur, Journal of the Korean Society of Agricultural Engineers, Evaluation and comparison of meteorological drought index using multi-satellite based precipitation products in East Asia., 62(1); 83-93, (in Korean). (2020)10.5389/KSAE.2020.62.1.083
W. H. Nam, Sustainability and operations evaluation of agricultural reservoirs based on probability theory. Ph.D. diss.,, Seoul, South Korea.. Seoul National University,. (2013)
W. H. Nam, J. Y. Choi, M. W. Jang and E. M. Hong, Journal of the Korean Society of Agricultural Engineers , Agricultural drought risk assessment using reservoir drought index., 55(3); 41-49, (in Korean). (2013)10.5389/ksae.2013.55.3.041
W. H. Nam and J. Y. Choi, Agricultural Water Management, Development of an irrigation vulnerability assessment model in agricultural reservoirs utilizing probability theory and reliability analysis., 142; 115-126 (2014)10.1016/j.agwat.2014.05.009
W. H. Nam, T. G. Kim, E. M. Hong, M. J. Hayes and M. D. Svoboda, Journal of the Korean Society of Agricultural Engineers, Water supply risk assessment of agricultural reservoirs using irrigation vulnerability model and cluster analysis., 57(1); 59-67 (2015a)10.5389/ksae.2015.57.1.059
W. H. Nam, M. J. Hayes, M. D. Svoboda, T. Tadesse and D. A. Wilhite, Agricultural Water Management , Drought hazard assessment in the context of climate change for South Korea., 160; 106-117 (2015b)10.1016/j.agwat.2015.06.029
W. H. Nam, T. Tadesse, B. D. Wardlow, M. J. Hayes, M. D. Svoboda, E. M. Hong, Y. A. Pachepsky and M. W. Jang, International Journal of Remote Sensing, Developing the vegetation drought response index for South Korea (VegDRI-SKorea) to assess the vegetation condition during drought events., 39(5); 1548-1574, (in Korean). (2018)10.1080/01431161.2017.1407047
A. Ogilvie, G. Belaud, S. Massuel, M. Mulligan, P. L. Goulven and R. Calvez, Hydrology and Earth System Sciences, Surface water monitoring in small water bodies: Potential and limits of multi-sensor Landsat time series., 228; 4349-4380 (2018)10.5194/hess-22-4349-2018
J. S. Park, W. H. Lee and M. H. Jo, Journal of the Korean Association of Geographic Information Studies, Improving accuracy of land cover classification in river basins using Landsat-8 OLI image, vegetation index, and water index., 19(2); 98-106, (in Korean). (2016)10.11108/kagis.2016.19.2.098
J. H. Shin, W. H. Nam, N. K. Bang, H. J. Kim, H. U. An, J. W. Do and K. Y. Lee, Journal of the Korean Society of Agricultural Engineers , Assessment of water distribution and irrigation efficiency in agricultural reservoirs using SWMM model., 62(3); 1-13 (2020)10.5389/KSAE.2020.62.3.001
C. S. Ye, Korean Journal of Remote Sensing, Water body extraction using block-based image partitioning and extension of water body boundaries., 32(5); 471-482, (in Korean). (2016)10.7780/kjrs.2016.32.5.6
S. K. Yoon, S. K. Lee, K. W. Park, S. J. Jang and J. Y. Rhee, Korean Journal of Remote Sensing, Development of a storage level and capacity monitoring and forecasting techniques in Yongdam dam basin using high resolution satellite image., 34(6-1); 1041-1053 (2018a)10.7780/kjrs.2018.34.6.1.16
Journal of the Korean Society of Agricultural Engineers, Application of Evaporative Stress Index (ESI) for satellite-based agricultural drought monitoring in South Korea., 60(6); 121-131, (in Korean). (2018b)10.5389/KSAE.2018.60.6.121
D. H. Yoon, W. H. Nam, H. J. Lee, E. M. Hong, S. Feng, B. D. Wardlow, T. Tadesse, M. D. Svoboda, M. J. Hayes and D. E. Kim, Remote Sensing , Agricultural drought assessment in East Asia using satellite-based indices., 12(3); 444-459 (2020a)10.3390/rs12030444
D. H. Yoon, W. H. Nam, H. J. Lee, E. M. Hong and T. Kim, Journal of the Korean Society of Agricultural Engineers, Drought hazard assessment using MODIS-based Evaporative Stress Index (ESI) and ROC analysis., 62(3); 51-61, (in Korean). (2020b)10.5389/KSAE. 2020.62.3.051
