대규모 하천의 수량(river storage) 변동으로 인해 발생하는 지각 변형을 정량적으로 평가하기 위해, GNSS (Global Navigation Satellite System) 기반의 지각 변위 자료와 GRACE (Gravity Recovery and Climate Experiment) 인공위성 중력 자료, 그리고 WaterGAP 수리 모형 산출 자료를 종합적으로 분석하였다. 우리는 아마존 강 유역에 대해 수로에 집중되어 분포하는 하천 수량 변동을 선 형태의 하중으로 모형화하고, 이로부터 유발되는 지각의 탄성 변형을 계산해 GNSS 관측치와 비교하였다. 이를 통해, 이 지역에서 발생하는 계절적 지각 변위 중 하천 수량 변동에 기인하 는 성분을 선 하중 모형으로 성공적으로 설명할 수 있음을 확인하였다. 이러한 결과는 원격 탐사 자료를 활용해 대규 모 하천의 수량 변동을 추정할 수 있을 뿐 아니라, 이를 토대로 GRACE가 관측하는 육상 물 저장량(terrestrial water storage, TWS)에서 토양 수분이나 지하수 변동 등의 개별 요소를 분리 및 검증할 수 있는 방법론을 제시한다. 나아가, 본 연구에서 제안된 접근법은 기후 변화로 인한 수문학적 재해 예측과 수자원 관리 등 다양한 분야에서 더욱 정교한 해석과 활용을 가능하게 할 것으로 기대된다.

한 개 측선에서 얻어진 중력 변화율 텐서 자료를 이용하여 주향과 경사를 가지는 선형 이상체의 위치를 결정하 는 알고리즘을 제시하였다. 기존에 연구된 중력 변화율 텐서를 이용한 선형 이상체의 주향과 경사를 결정하는 방법을 발전시켜서, 선형 이상체의 주향과 경사를 결정한 이후 이상체의 위치를 결정하는 알고리즘을 개발하였다. 선형 이상체 의 주향과 경사는 2차원 이상체로부터 얻어지는 중력 변화율 텐서가 회전 변환 후 2개의 독립 성분만을 가진다는 특징 을 이용하여, 중력 변화율 텐서의 5개의 독립 성분을 2개의 독립 성분으로 축소시키는 회전 변환 각으로부터 선형 이 상체의 주향과 경사를 결정한다. 이상체의 위치를 가리키는 방향 벡터는 중력 변화율 텐서의 회전변환 후 남은 2개 독 립 성분의 비를 이용하여 유도하였다. 여러 측점에서 계산된 이상체를 가리키는 방향 벡터가 수렴하는 영역이 선형 이 상체의 위치로 결정된다. 최소자승법을 이용하여

Many edge detection methods, based on horizontal and vertical derivatives, have been introduced to provide us with intuitive information about the horizontal distribution of a subsurface anomalous body. Understanding the characteristics of each edge detection method is important for selecting an optimized method. In order to compare the characteristics of the individual methods, this study applied each method to synthetic magnetic data created using homogeneous prisms with different sizes, the numbers of bodies, and spacings between them. Seven edge detection methods were comprehensively and quantitatively analyzed: the total horizontal derivative (HD), the vertical derivative (VD), the 3D analytic signal (AS), the title derivative (TD), the theta map (TM), the horizontal derivative of tilt angle (HTD), and the normalized total horizontal derivative (NHD). HD and VD showed average good performance for a single-body model, but failed to detect multiple bodies. AS traced the edge for a single-body model comparatively well, but it was unable to detect an angulated corner and multiple bodies at the same time. TD and TM performed well in delineating the edges of shallower and larger bodies, but they showed relatively poor performance for deeper and smaller bodies. In contrast, they had a significant advantage in detecting the edges of multiple bodies. HTD showed poor performance in tracing close bodies since it was sensitive to an interference effect. NHD showed great performance under an appropriate window.