1. 서  론

증발산은 수문순환의 현상을 이해하는데 핵심적인 인자 중 하나로서 물수지 분석, 농업용수계획, 지하수함양량의 산정 등에 있어서 중요성이 매우 높다(Rim et al., 2011). 지금까지 증발산을 측정하기 위해 지상 증발접시를 이용하여 증발산량에 대한 측정을 실시하였으나, 증발접시는 개활된 위치에서의 증발산을 관측하기 때문에 외부적인 영향(눈, 비, 바람 등) 및 관리 부족(기기결함, 관측기술 미숙 등)으로 인한 부정확한 측정에 관한 문제들을 가지고 있다(Park and Choi, 2015). 이러한 관측 지점의 문제를 해결하기 위해서, 여러 가지 물리식 또는 경험식 기반 증발산 산정식에 대한 연구가 진행되었다. 증발산에 영향을 미치는 인자들을 이용하여 물리적인 식으로 산정하기 위한 대표적인 방법론으로는 Penman (1948), Hargreaves (Hargreaves and Samani, 1985), Penman- Monteith (Monteith, 1965) 방법 등이 있다. 이러한 증발산 산정식들은 대부분 태양복사열, 풍속, 온도, 습도와 같은 수문기상인자들의 신뢰할만한 장기간의 기상자료 및 많은 입력자료를 필요로 하였다(Lee and Park, 2008). 그렇지만, 어느 한 국가에 국한된 것이 아닌 대부분의 국가들에서도 관측지점에서 다양한 인자들을 측정하기에는 어려울 뿐만 아니라, 신뢰할만한 정도의 자료의 양을 수득하지 못하고 있는 실정이다. 이러한 문제를 해결하기 위해, 필요한 기상자료가 미비한 경우에도 증발산을 산정하는 연구가 진행되었다.

적용지역의 기후조건이 습하여, 공기 동역학적 인자에 대한 영향을 무시할 수 있다는 가정을 기반으로 Penman 방법을 단순화한 형태로 변환한 Priestley-Taylor (PT) 방법이 제시되었다. PT 방법은 바람 및 상대 습도 자료가 없이도 증발산에 대해서 산출할 수 있는 장점이 있어 국내·외에서 지점 자료를 기반으로 한 많은 연구에서 적용된바 있다(Rim, 2008; Oh and Lee, 2004). 그러나, 지점을 기준으로 증발산을 산정할 경우에는 복잡한 지형 특성, 토지이용 및 다양한 식생들을 모두 고려하여 증발산의 시·공간적인 값의 대표성을 나타내는데 한계를 가지고 있었다. 이러한 한계는 1970년대 이후 전 지구적인 지표면 정보를 관측할 수 있는 원격탐사 기법의 발전을 통해서 해결할 수 있었다. 전 세계적으로 원격탐사 기법인 인공위성의 산출물들을 이용한 PT 방법을 적용하는 연구들이 진행되었다(Jacobs et al., 2002; Kim and Hogue, 2008; Lee et al., 2011). 그렇지만, 기본적으로 PT 방법을 통해 산정된 증발산은 특정 작물에 대한 기준이 되는 기준 증발산 및 수표면에서의 증발산을 나타내는 잠재증발산이기 때문에, 실제 증발산이라 간주하기에는 무리가 있었다(Sur et al., 2012). 이에 따라, Fisher et al. (2008)은 기존의 PT 방법을 개선하여 실제 증발산을 산정할 수 있도록 대기 수분 상태를 통해 계산되는 생태생리학적 제약 함수(ecophysiological constraint function)와 식생 지수(vegetation indices)를 추가적으로 고려하여, the Priestley-Taylor Jet Propulsion Laboratory (PT-JPL)를 개발하였다. Yao et al. (2013)은 PT-JPL에서 보다 많은 항을 고려하고 개선한 Modified Satellite-Based Priestley-Taylor (MS-PT) 알고리즘을 제시하였다. 이 방법들은 PT 방법을 기반으로 실제증발산을 산정하기 때문에 기존의 방법론에 비해 적은 수문기상인자들이 요구되어, 적은 인공위성 자료들만으로도 실제증발산을 산정할 수 있다는 장점을 가지고 있다.

본 연구의 목적은 Yao et al. (2013)에 의해 제안된 적은 수문기상인자들이 요구되는 MS-PT 알고리즘을 적용하고 이에 대한 사용가능성에 대해서 검토하고자 하는 것이다. 본 연구는 먼저 에너지 기반의 증발산을 산정하는데 가장 필요한 2011년부터 2013년까지 Moderate Resolution Imaging Spectroradiometer (MODIS) 자료들을 이용하여 에너지 수지에서의 순복사에너지(net radiation, R_N)를 산정하고, MS-PT 알고리즘을 토대로 산정된 실제증발산의 정확성을 판별하기 위하여, 청미천과 설마천의 플럭스 타워에서 관측되는 R_N과 실제증발산 자료와 비교 및 검증을 통해 적합성과 적용가능성을 평가하였다.

2. 연구지역 및 자료

2.1 연구 지역

기후변화에 대한 생태계의 변화양상을 파악하기 위한 전구 플럭스 관측망인 Fluxnet에서는 북미, 유럽, 오세아니아, 아시아 지역의 연계하여 생태계의 지속적인 변화를 관측하고 있다. 이러한 추세에 맞추어 우리나라내에서는 KoFlux 네트워크를 구축하여 생태수문학적인 인자들의 변동성 및 메커니즘을 이해하는데 도움을 주고 있다(Hong et al., 2009).

본 연구에서 2011~2013년까지 산정된 인공위성 기반의 증발산을 비교 및 검증하기 위해서, 우리나라 영역내에서의 비교 및 검증을 실시 할 수 있는 지점자료들을 파악하였다. Asiaflux website (http://www.asiaflux.net/)에서 확인 할 수 있듯이, 우리나라 내에서 지점 관측 자료가 제공가능 한 지역은 8지점이며, 그중 본 연구 기간 및 자료의 QC가 잘 이뤄지고 있는 유량조사사업단(http://www.hsc.re.kr)에서 관리하는 청미천(Cheongmicheon Farmland Site, CFK), 설마천(KoFlux Seolmacheon site, SMK)을 검증 지점으로 선정하였다(Fig. 1). 유량조사사업단에서는 에디 공분산 기반의 플럭스 타워에서 관측된 자료를 검증 자료로 활용하기 위해서 주파수 차이에 의한 오차 보정, 밀도 보정, 좌표 변환, Spike 제거 등의 품질 관리 과정들을 수행하여 자료의 신뢰성을 향상시켰다(Byun et al., 2012, 2013; Hong et al., 2009; Park et al., 2015). 우리나라는 일반적으로 혼합림과 논지에 대한 영역이 많은 비중을 차지하고 있다. 그렇기 때문에 대부분의 플럭스 타워가 그러한 위치에 설치되어 있다. CFK는 경기도 여주군 점동면 농업기술원 종자관리소 논경지에 위치해 있으며, 토양 특성은 사양토(sandy loam)과 양토(loam)로 구성되어있다. SMK는 경기도 파주시 적성면 두지리 지점에 위치한 활엽수림과 혼효림이 대부분을 차지하고 있는 혼합림으로 이루어져있으며, 토양은 대표적으로 사양토(sandy loam)로 구성되어있다(Baek et al., 2013a, 2013b; Byun et al., 2013). 자세한 연구지역의 지리적 위치는 Fig. 1과 Table 1에 나타내었다.

2.2 MOderate-Resolution Imaging Spectroradiometer (MODIS)

전 세계적으로 수문·기상의 변동성에 대한 관심이 높아지면서, 지구 내에서의 에너지 순환 및 변화에 대한 광범위한 관측 자료를 필요로 하였다. 이에 따라 National Aeronautics and Space Administration (NASA)에서는 지구관측시스템(Earth Observing System, EOS) 프로젝트의 일환으로 대기, 해양, 육상에 대해서 관측할 수 있는 MODIS 센서를 탑재한 Terra (EOS AM-1, 1999년)/Aqua (EOS PM-1, 2002년) 위성을 발사하였다. MODIS는 초분광센서(hyperspectral sensor)로 0.4~14.4 μm 파장에서 대상체로부터 반사되는 연속적인 수십개의 분광 파장을 관측할 수 있는 36개 밴드를 탑재하고 있으며, 관측되는 공간해상도(spatial resolution)는 250 m (band 1-2), 500 m (band 3-7) 및 1 km (band 8-36)를 가지고 있다. 고해상도 극궤도 관측 위성인 Terra와 Aqua는 각각 오전 10시 30분과 오후 1시 30분에 지구 표면의 수문기상학적인 변동성을 관측할 수 있다(Baik and Choi, 2015a, 2015b). 이렇게 관측되는 자료들은 NASA에서 다양한 알고리즘을 통하여 여러 가지 산출물들을 제공하고 있다(http://modis.gsfc.nasa.gov/).

본 연구에서 R_N 및 MS-PT 알고리즘을 이용한 실제증발산을 산정하기 위해서 2011~2013년의 MODIS 자료를 활용하였다. 증발산 산정에 필요한 MODIS product는 크게 대기/기상 인자(MOD07)와 지표인자(MOD11, 13, 15, 43)로 나눌 수 있다. 사용되는 MODIS 산출물에 대한 자세한 설명은 Table 2에 나타내었다.

3. 연구방법

3.1 MODIS product를 활용한 순복사에너지(Net radiation, R_N)의 산정

Fig. 2에 나타낸 것과 같이 에너지 순환에서 R_N는 태양으로부터 지구권으로 유입되는 에너지로 설명되며, 장파복사와 단파 복사간의 유입과 유출되는 차이에 의해서 결정된다(Allen et al., 2007). 이러한 R_N의 이해는 수문·수자원분야 뿐만이 아니라, 기상, 해양, 농업 등에서도 매우 중요한 역할을 하고 있다(Bisht et al., 2005).

        (1)

Eq. (1)에서 은 순복사 에너지(W/m²), 는 알베도(unitless), 는 유입 단파 복사 에너지(W/m²), 는 유입 장파 복사 에너지(W/m²), 는 유출 장파 복사 에너지(W/m²)이다. Eq. (1)에서 설명된 R_N는 MODIS 산출물에서 수문기상인자들을 추출하여 알베도, 유출 단파 복사 에너지, 유출 장파 복사 에너지, 유입 장파 복사 에너지를 계산하여 산정할 수 있다. 본 연구에서 산정을 위한 , , 인자를 산출하는 방법은 Baik and Choi (2015a, 2015b)와 Hwang et al. (2013)에서와 동일하게 진행하였으며, 자세한 설명은 참고문헌들을 통해 확인할 수 있다.

일반적으로 MODIS 위성 자료는 특정지역을 순간적으로 몇 회밖에 관측할 수밖에 없는 실정이다. 그러나, 농업, 수자원 등의 다양한 분야에서는 연속적인 변동성 또는 일·년단위의 변동성을 가지는 자료를 필요로 한다(Bisht et al., 2005; Bisht and Bras, 2010). 이러한 문제를 해결하기 위해 Bisht et al. (2005)는 순간적인 값을 이용하여 일단위의 변화량으로 추정하기 위해서 sinusoidal model 제안하였다. 본 연구에서는 일 단위의 및 실제증발산을 산정하기 위해 Bisht et al. (2005)가 제안한 sinusoidal model을 사용하였다(Eq. (2)).

 (2)

Eq. (2)에서 는 sinusoidal model을 이용한 일평균 이고, 는 정오에 관측된 최대 이며, 와 은 각 지역에 대한 일출과 일몰시간을 나타낸다. 자세한 내용은 Bisht et al. (2005)와 Bisht and Bras (2010)을 통해서 확인할 수 있다.

3.2 Modified Satellite-Based Priestley-Taylor (MS-PT) algorithm

본 연구에서는 MODIS 산출물을 Yao et al. (2013, 2014)에서 제안된 MS-PT 알고리즘에 적용하여 실제증발산 산정에 대한 연구를 실시하였다. Fig. 3는 MS-PT 알고리즘의 실제증발산을 산정하는 방법에 대한 개념도를 보여주며, 총 4개의 항인 Soil Surface Evaporation (LE_S), Vegetation Transpiration (LE_C), Vegetation interception Evaporation (LE_ws), Wet Soil Surface Evaporation (LE_ic)의 합을 통해 산정할 수 있다.

 (3)

LE_S는 index of soil water deficit()에 의해 계산된다. 는 Apparent Thermal inertia (ATI)의 경험적인 알고리즘으로 산정할 수 있다(Fisher et al., 2008; Yao et al., 2013). 이에 관한 식은 아래와 같다.

        (4)

 (5)

 (6)

 (7)

여기서, R_NS는 R_N와 vegetation cover fraction ()를 이용해서 산정되며(), G는 토양열 플럭스(Ground Heat Flux)로 R_N과 를 통해서 산정할 수 있다(). 는 maximum diurnal air temperature range (= 40°C)이고, Eq. (7)에서 와 는 0.95와 0.05로 지정되었다.

LE_C는 modified Linear Two-Source Model (N95)을 사용하여 산정할 수 있다(Norman et al., 1995; Anderson et al., 1997; Fisher et al., 2008).

 (8)

 (9)

여기서, 는 plant temperature constraint이며 대기온도(air temperature, Ta)와 optimum temperature for plant growth (T_opt)에 의해서 계산된다(T_opt = 25°C). 는 지표면 식생에서의 로 와 를 이용하여 산정할 수 있다().

LE_ws와 LE_ic는 아래의 Eq. (10)과 Eq. (11)을 통해서 산정할 수 있다.

 (10)

 (11)

4. 결과 및 고찰

4.1 인공위성을 이용한 일단위 순복사에너지의 평가

MODIS 산출물을 기반으로 장·단파복사량을 산정하여 Eq. (1)에 적용하면, MODIS 기반의 R_N값을 산정할 수 있다. 이렇게 산정된 R_N은 인공위성의 관측시간에 의해서 산정되는 순간적(instantaneous) R_N으로 산정되기 때문에, sinusoidal model에 적용하여 일평균의 R_N 값으로 변환하였다(Bisht et al., 2005). 이렇게 산정된 일평균 R_N에 대한 검증하기 위하여, CFK와 SMK의 일평균 R_N 자료와 비교 및 검토를 실시하였다. Fig. 4는 두 플럭스 타위 지점에서의 결과를 시계열과 산포도를 나타내었다. Fig. 4에서 산포도를 통해 확인할 수 있듯이, 두 지점(CFK, SMK)에서 인공위성으로 산정된 R_N의 값이 전반적으로 약간 과대산정되는 경향을 보이는 것을 확인할 수 있으나, 산포도에서 밀집되는 패턴을 나타내었다. 두 지점에서의 연구기간(2011~2013년)동안 R_N의 시계열을 확인하였을 때, 위에서 언급된 것과 같이 과대산정되는 패턴이 보이기는 하나, 두 자료의 경향성은 유사한 패턴으로 모의되는 것을 확인할 수 있다.

Table 3은 CFK와 SMK의 통계학적 결과를 보여준다. CFK의 결과를 확인하면, 3년간의 평균 R² 값이 0.68 (0.61~ 0.76)의 높은 상관성을 나타내었으며, Bias는 46.90 W/m² (42.17~52.49 W/m²), RMSE는 55.88 W/m² (48.63~63.14 W/m²)의 결과를 나타내었다. SMK를 확인하면, 평균 R값이 0.76 (0.75~0.78)의 높은 상관성을 나타내었으며, Bias는 52.90 W/m² (51.06~55.01 W/m²), RMSE는 62.72 W/m² (60.44~65.13 W/m²)의 값을 나타내는 것을 확인할 수 있다. 이러한 결과는 선행연구들을 통해서도 확인 할 수 있다. Kim and Hogue (2008)에서 MODIS 자료를 이용하여 2001년도부터 2004년간의 잠재증발산을 산정하기 위해서 일평균의 R_N 값을 산정하였으며, Ameriflux에 속한 4개의 지점과 비교·검증하였다. 이 논문의 통계학적 결과를 확인하면, 평균 Bias는 27.2 W/m² (-39.3 ~ 93.8 W/m²), 평균 RMSE는 83.0 W/m² (61.7~104 W/m²), R²는 0.78 (0.74~0.93)의 결과를 나타내었다. Hou et al. (2014)에서도 동일한 방법을 통해서 일평균 R_N에 대해서 두 관측 지점인 TYC와 TYG에서 비교한 결과, Bias는 각각 31 W/m²와 33 W/m²로 나타났으며, RMSE는 37 W/m²과 40 W/m²로 확인되었다. 전반적으로 MODIS를 이용한 일평균의 R_N 값을 산정한 선행연구들과 비교하면, 양적인 측면에서의 오차는 본 연구결과와 비슷하게 나타났으며, 이는 본 연구에서의 결과가 유의하다는 것을 확인 할 수 있었다(※ 기존 결과와 비슷하게 나타났다는 것은 본 연구 방법의 기존의 방법을 향상시키지는 않는 것이라는 의미로 판단됨. 기존 연구 방법과 본 연구의 유사점과 차이점을 제시하고 본 연구의 우수성을 설명할 필요가 있음).

4.2 인공위성기반 실제증발산의 검증을 위한 지점 자료와의 비교

위에서 산정된 R_N를 MS-PT 알고리즘에 적용하여 2011년부터 2013년까지의 실제증발산을 산정하였다. 플럭스 타워와 MS-PT의 실제증발산에 대한 시계열과 산포도를 Fig. 5에 나타내었다. Fig. 5에서 확인할 수 있듯이, 일평균 R_N에서의 결과와 비슷하게 시계열 및 산포도의 결과도 비슷한 경향을 보이며, 또한, 실제증발산이 정규식생지수(Normalized Difference Vegetation Index, NDVI)의 경향을 따르는 것을 확인할 수 있다. 이러한 경향은 선행연구에서도 언급되어있는 것처럼 식생과 실제 증발산의 연관성이 높다는 것을 단편적으로 보여준다(Shin, 1996; Shin et al., 2010).

Table 4에 나타낸 통계학적 결과를 확인하면, CFK에서 2012년을 제외하면, 약간 과대산정되는 결과를 확인할 수 있으며, SMK의 경우에도 전반적으로 과대산정되는 결과를 보였다. CFK의 경우에는 평균 RMSE가 33.97 W/m² (31.13~ 34.94 W/m²), 평균 Bias는 2.61 W/m² (-3.46~6.53 W/m²)의 오차를 나타내었고, SMK에서는 평균 RMSE가 51.58 W/m² (47.98~53.67 W/m²), 평균 Bias는 42.93 W/m² (36.13~47.74 W/m²)의 결과를 나타내었다. 두 자료간의 상관성을 나타내는 R²은 CFK와 SMK에서 각각 0.77 (0.72~0.81)와 0.70 (0.65~0.78)의 결과를 나타냈다. MS-PT 알고리즘을 적용한 선행연구들과 본 연구에서의 결과를 비교하여 보면, 전반적으로 유의한 결과를 나타내는 것을 확인할 수 있다. Yao et al. (2013)에서 MS-PT 알고리즘을 통해 산정된 증발산과 17개의 플럭스 타워 기반 증발산과 비교하였을 때, 통계학적인 결과는 Bias가 –29.5 W/m²에서 12.3 W/m²의 범주를 나타내었으며, RMSE는 5.9 W/m²에서 33.4 W/m²의 범주를 나타내었다. 또한, Yao et al. (2014)에서는 16개의 플럭스 타워 관측지점과의 비교를 실시하였다. 이 논문에서의 통계학적인 결과는 Bias가 –14.8 W/m²에서 46.3 W/m²의 범주로 나타났으며, RMSE는 26.8 W/m²에서 60.2 W/m²의 오차범주를 나타내었다. Sur et al. (2012)에서 MODIS 자료를 사용하여 revised remote sensing based penman-monteith (RS-PM)방법에 적용하여 2010년 기간동안 청미천과 설마천에 대하여 비교를 하였다. 관측 지점과 비교한 통계 결과는 다음과 같이 산정되었다. R 값은 CFK에서 0.65, SMK에서 0.49로 나타났으며, RMSE (Bias)는 CFK에서 155.10 W/m² (-125.36 W/m²), SMK에서는 148.25 W/m² (70.67 W/m²)으로 산정되었다. Lee et al. (2016)에서 2012~2013년까지의 MODIS 자료로 Surface Energy Balance Algorithm for Land (SEBAL)모델을 이용하여 설마천과 청미천에 대해서 비교하였다. 이 논문의 결과를 확인하면, 두지점에서의 평균 R²은 0.79 (CFK), 0.54 (SMK)로 산정되었으며, 평균 RMSE은 18.49 W/m² (CFK), 18.21 W/m² (SMK)로 나타났다. 이러한 결과들을 확인하였을 때, 기존에 많은 입력자료를 요구하는 다양한 방법에 비해 적은 양의 자료를 사용하면서, 다양한 항(Multiple terms)을 고려하는 MS-PT 방법이 보다 정확한 실제증발산을 산정할 수 있음을 확인 할 수 있다. 전반적으로, 두 관측지점에서의 결과를 비교해 보면, SMK의 결과보다 CFK에서의 결과가 보다 좋은 것을 파악할 수 있다. 이러한 이유는 선행연구들을 통해서 확인할 수 있다. Baik and Choi (2015a, 2015b)에 의하면 SMK에서의 과대 산정되는 이유가 인공위성으로 산정된 식생인자의 과대산정에 의한 영향으로 인해 이러한 오차가 발생하는 것으로 보인다고 시사하였다. Sur et al. (2012)에서 SMK 관측지점이 지형학적인 요소 등에 의해 실제 관측값의 관측오차가 나타날 수도 있음을 시사하였다. 지점 자료와 인공위성 자료와의 오차 발생의 원인은 다음과 같이 설명할 수 있다. 실제적으로 인공위성 자료는 한 지점의 정량적인 값을 대표하기보다는 그 지점을 포함한 pixel에서의 공간적인 값을 대표하게 된다. 즉, 공간 불일치(spatial mismatch)에 의해서 오차가 발생하게 된다(Baik and Choi, 2015a). Jeong et al. (2009)에 의하면 MODIS 기상자료 및 복사에너지의 오차로 인한 실제증발산 값의 오차가 발생한 것이라고 언급하였다. 종합적인 결과들을 종합하면, MODIS 산출물을 기반으로 MS-PT 알고리즘을 적용한 증발산 값이 우리나라 내에서의 증발산의 시·공간적 변동성을 모의하는데 유용한 것으로 확인된다.

5. 요약 및 결론

증발산은 수문순환을 구성하는 주요한 인자로 식생의 일차 생산량, 수자원 관리계획, 지표와 대기간의 에너지 교환 등에 많은 영향을 미친다. 증발산이 많은 분야에서 큰 영향력을 가짐으로서 증발산의 시·공간적인 변동성에 대한 중요성이 높아졌으며, 인공위성을 이용한 증발산 산정에 대한 관심이 높아지게 되었다. 특히, 다양한 지표, 대기의 변동성을 파악할 수 있는 MODIS 자료를 이용하여 증발산의 공간적인 변동성을 파악 및 모니터링이 가능하다는 연구가 전 세계적으로 관심을 받고 있다. 본 연구에서는 인공위성 MODIS 자료만을 이용하여 우리나라 내에서의 2011년부터 2013년까지의 R_N와 실제증발산을 산정하여 이를 CFK과 SMK에서 관측된 자료들과 비교·검증을 실시하였다. 먼저, R_N에 대한 결과를 확인하면, CFK와 SMK에서의 시계열의 경향성이 플러스 타워에서 관측된 R_N과 유사한 것을 확인할 수 있었으며, 통계학적 결과 또한 유의한 것으로 나타났다. 산정된 R_N을 MS-PT 알고리즘에 적용하여 일평균 실제증발산을 산정한 결과, 두 플러스 타워에서 비교한 결과 앞서 산정한 R_N의 경향성과 같이 실제 증발산의 시계열 경향 또한 관측지점과 유사한 경향을 나타났음을 확인할 수 있었다. CFK와 SMK 지점에서의 결과를 비교하였을 때, 전반적으로 CFK에서 비해 SMK에서 실제 증발산량이 과대산정 되었다. 이러한 결과는 기존의 연구들에서 확인된 바와 같이 SMK에서의 식생인자의 영향으로 인해 발생한 것으로 확인된다. 본 연구를 통해 국내외에서 많이 사용되어온 MODIS 위성자료는 수문기상학적인 변동성을 파악하는데 주요한 역할을 하고 있는 것을 확인할 수 있었으며, 이를 적용한 MS-PT 알고리즘의 우리나라에서의 적용성을 파악 할 수 있었다. 기존에 많은 입력자료를 필요로 하는 인공위성 증발산 방법에 비해 MS-PT 알고리즘은 적은 입력자료로도 높은 정확성을 나타내었으며, 증발산을 여러 부분으로 구분하여 산정할 수 있어 식생/지표면에서의 영향을 고려할 수 있을 것이다. 후속연구에는 다양한 식생 피복에서의 검증과 더불어 MS-PT 알고리즘의 개선 및 수정이 필요한 것으로 보인다.