MODIS 지표 분광반사도 자료를 이용한 고품질 NDVI 시계열 자료 생성의 기법 비교 연구 A comparative study for reconstructing a high-quality NDVI time series data derived from MODIS surface reflectance원문보기
원격탐사 자료 기반의 식생지수시계열 자료를 이용함에 있어서 가장 중요한 것은 구름이나 에어로졸에 의한 자료의 품질저하 문제이다. 이 연구에서는 MODIS09 지표 분광반사도 자료를 이용하여 구름영향에 의한 저품질 자료를 제거한 뒤 결손자료를 내삽, 평활하여 연속적인 Normalized Difference Vegetation Index (NDVI) 시계열 자료를 생산하였다. 구름에 의한 영향을 제거하기 위한 방법으로 MODIS 분광반사도 자료를 이용한 5가지의 구름탐지기법을 선정하여 비교, 평가하였다. 위성자료에서 제공하는 품질관리정보 (Quality Assessment, QA)에서 구름이라고 판단한 경우, MODIS09 Band 3 반사도가 10% 이상인 경우와 20% 이상인 경우, Cloud Detection Index (CDI)가 임계값 이상인 경우, 센서 천정각이 $32.25^{\circ}$ 이상인 경우를 각각 구름으로 판단하였다. 구름탐지로 인해 발생한 자료의 결손은 선형적 내삽 기법을 이용하여 보정한 뒤 Savitzky-Golay (S-G) 필터와 웨이브렛 변환을 각각 적용하여 평활하였다. 구름 탐지 기법은 10% 이상 Band 3 반사도 제거 기법(85%), Quality Control (QC) (82%), 20% 이상 Band 3 반사도 제거 기법(81%)의 순으로 높은 구름탐지율을 보였다. 웨이브렛 변환은 선형의 시계열 패턴을 얻을 수 있지만 원 자료의 최대값을 반영하지 못하는 반면 S-G 필터는 구름에 의한 신뢰도 낮은 값은 제거하면서도 NDVI 원 자료의 최대값을 유지하여 시계열 자료의 계절적 특성을 잘 보여주는 것을 확인하였다. 이 연구에서는 구름의 탐지, 결손 내삽, 평활 기법의 순차적인 자료처리기법을 적용하여 구름 영향을 제거한 고품질의 시계열 자료의 생산이 가능함을 확인하였다.
원격탐사 자료 기반의 식생지수 시계열 자료를 이용함에 있어서 가장 중요한 것은 구름이나 에어로졸에 의한 자료의 품질저하 문제이다. 이 연구에서는 MODIS09 지표 분광반사도 자료를 이용하여 구름영향에 의한 저품질 자료를 제거한 뒤 결손자료를 내삽, 평활하여 연속적인 Normalized Difference Vegetation Index (NDVI) 시계열 자료를 생산하였다. 구름에 의한 영향을 제거하기 위한 방법으로 MODIS 분광반사도 자료를 이용한 5가지의 구름탐지기법을 선정하여 비교, 평가하였다. 위성자료에서 제공하는 품질관리정보 (Quality Assessment, QA)에서 구름이라고 판단한 경우, MODIS09 Band 3 반사도가 10% 이상인 경우와 20% 이상인 경우, Cloud Detection Index (CDI)가 임계값 이상인 경우, 센서 천정각이 $32.25^{\circ}$ 이상인 경우를 각각 구름으로 판단하였다. 구름탐지로 인해 발생한 자료의 결손은 선형적 내삽 기법을 이용하여 보정한 뒤 Savitzky-Golay (S-G) 필터와 웨이브렛 변환을 각각 적용하여 평활하였다. 구름 탐지 기법은 10% 이상 Band 3 반사도 제거 기법(85%), Quality Control (QC) (82%), 20% 이상 Band 3 반사도 제거 기법(81%)의 순으로 높은 구름탐지율을 보였다. 웨이브렛 변환은 선형의 시계열 패턴을 얻을 수 있지만 원 자료의 최대값을 반영하지 못하는 반면 S-G 필터는 구름에 의한 신뢰도 낮은 값은 제거하면서도 NDVI 원 자료의 최대값을 유지하여 시계열 자료의 계절적 특성을 잘 보여주는 것을 확인하였다. 이 연구에서는 구름의 탐지, 결손 내삽, 평활 기법의 순차적인 자료처리기법을 적용하여 구름 영향을 제거한 고품질의 시계열 자료의 생산이 가능함을 확인하였다.
A comparative study was conducted for alternative consecutive procedures of detection of cloud-contaminated pixels and gap-filling and smoothing of time-series data to produce high-quality gapless satellite vegetation index (i.e. Normalized Difference Vegetation Index, NDVI). Performances of five al...
A comparative study was conducted for alternative consecutive procedures of detection of cloud-contaminated pixels and gap-filling and smoothing of time-series data to produce high-quality gapless satellite vegetation index (i.e. Normalized Difference Vegetation Index, NDVI). Performances of five alternative methods for detecting cloud contaminations were tested with ground-observed cloudiness data. The data gap was filled with a simple linear interpolation and then, it was applied two alternative smoothing methods (i.e. Savitzky-Golay and Wavelet transform). Moderate resolution imaging spectroradiometer (MODIS) data were used in this study. Among the alternative cloud detection methods, a criterion of MODIS Band 3 reflectance over 10% showed best accuracy with an agreement rate of 85%, which was followed by criteria of MODIS Quality assessment (82%) and Band 3 reflectance over 20% (81%), respectively. In smoothing process, the Savitzky-Golay filter was better performed to retain original NDVI patterns than the wavelet transform. This study demonstrated an operational framework of gapdetection, filling, and smoothing to produce high-quality satellite vegetation index.
A comparative study was conducted for alternative consecutive procedures of detection of cloud-contaminated pixels and gap-filling and smoothing of time-series data to produce high-quality gapless satellite vegetation index (i.e. Normalized Difference Vegetation Index, NDVI). Performances of five alternative methods for detecting cloud contaminations were tested with ground-observed cloudiness data. The data gap was filled with a simple linear interpolation and then, it was applied two alternative smoothing methods (i.e. Savitzky-Golay and Wavelet transform). Moderate resolution imaging spectroradiometer (MODIS) data were used in this study. Among the alternative cloud detection methods, a criterion of MODIS Band 3 reflectance over 10% showed best accuracy with an agreement rate of 85%, which was followed by criteria of MODIS Quality assessment (82%) and Band 3 reflectance over 20% (81%), respectively. In smoothing process, the Savitzky-Golay filter was better performed to retain original NDVI patterns than the wavelet transform. This study demonstrated an operational framework of gapdetection, filling, and smoothing to produce high-quality satellite vegetation index.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
최적의 평활 기법을 찾기 위한 기법 간의 비교연구사례는 존재하지만 구름 탐지, 결손 내삽, 평활 기법 등의 일련의 자료처리기법을 제안하거나 비교, 평가한 연구사례는 없었다. 따라서 이 연구에서는 고품질의 NDVI 시계열을 생산하기 위해 5개의 구름탐지기법과 선형적 내삽 기법 그리고 평활 기법인 S-G 필터와 웨이브렛 변환을 각각 비교, 평가하여 최적의 자료처리기법을 제안하고자 하였다.
가설 설정
2는 Ne1 연구지의 2009년에 대한 PAR Ratio를 시계열로 나타낸 그림이다. 지상관측자료로부터 추정된 PAR Ratio가 임계값 이상의 값을 가질 때 구름에 영향을 받은 것으로 가정하였다.
제안 방법
이 연구에서는 Do et al.(2012)의 방법을 적용하여 구름영향에 의한 품질저하 픽셀이 발생한 지점에 대해서 해당일 전후 시기의 맑은 날 자료의 평균값으로 추정한 뒤 이 값이 직전 시기보다 20% 이상의 하락패턴을 보이는 경우 직전 시기의 맑은 날 자료를 대치하였고, 20% 이내인 경우에는 평균값으로 대치하여 연속적인 NDVI 시계열을 생산하였다.
MOD09GA는 밴드별 지표 분광반사도 자료 외에 센서 천정각, State_QC 영상이 1 km의 공간해상도로 제공되어 500 m 공간해상도의 영상으로 생산하였다. 1 km 공간해상도를 갖는 하나의 픽셀에 중첩되는 총 4개의 500 m 픽셀에 모두 같은 값을 입력하는 방법으로 해상도를 통일하였다.
8일 단위의 MYD09A1 분광반사도 자료를 이용하여 10% 이상인 Band 3 반사도 제거 기법과 S-G 필터를 적용하여 NDVI 시계열 자료를 생산한 뒤 이를 지도화하였다. Fig.
일 단위 자료를 기반으로 평활 기법을 적용한 뒤 8일 단위로 합성하는 것은 보다 계절적인 증감패턴을 보이는 선형적인 시계열을 얻을 수 있지만, 상대적으로 일 단위보다는 원 자료의 패턴을 반영하지 못하였다. 8일 단위의 분광반사도 자료를 기반으로 10% 이상의 Band 3 반사도 제거기법(Fig. 4c)과 QC 기법(Fig.4d)에 두 가지 평활 기법을 각각 적용하였다. 웨이브렛 변환으로 평활된 NDVI 시계열에서는 값이 갑자기 감소할 때 그 패턴을 따라가는 경향을 보임을 확인하였다.
(2012)이 제안한 방법을 적용하여 직전 시기에 비해 20% 이상의 하락패턴을 보일 경우 구름탐지일로 판단하였다. MODIS NDVI 시계열의 구름 탐지일과 각 임계값에 대한 실측 구름탐지일을 비교하여 가장 높은 구름탐지율을 보이는 PAR Ratio를 최적의 임계값으로 선정하였다. PAR Ratio의 임계값을 0.
PAR Ratio 임계값을 선정하기 위해 0.4부터 0.7까지의 범위에 대해 MOD09GA로부터 추정한 일 단위의 NDVI 시계열 자료와 비교하여 평가하였다. NDVI 시계열 자료에서 값이 급격히 하락하는 패턴을 보일 경우 구름에 의한 영향으로 신뢰도가 낮은 값을 제공하는 것으로 판단할 수 있다(Kang et al.
미항공우주국(NASA)의 지구관측프로그램(Earth Observing System Program, EOS)에 의해 개발된MODIS는 전 지구 규모의 육상, 대기 및 해양환경의 변화를 모니터링 하기 위한 목적으로 1999년과 2002에 발사된 Terra와 Aqua 위성에 탑재된 센서이다. 각각 오전 10시 30분경(Terra)과 오후 1시 30분경(Aqua)에 적도를 통과하여 하루 혹은 이틀에 한번씩 지구 표면을 관찰하고 낮 시간 자료는 1일 1회 제공한다.
그 결과 웨이브렛 변환보다 S-G 필터가 원 영상 NDVI 시계열의 최대값을 유지하면서 구름 영향에 대한 오차를 최소화하여 평활하였다. 결론적으로 이 연구에서는 MODIS NDVI 시계열 자료의 품질개선을 위한 순차적인 자료처리기법으로써 10% 이상인 Band 3 반사도 제거기법, 선형적 내삽 기법과 S-G 필터를 이용한 평활 기법을 제안하였다. 인공위성의 특장점으로서 동시간대에 넓은 지역을 관측할 수 있는 광역성과 연속적으로 관측할 수 있는 모니터링이 가능하다는 점에 기초하여 생산된 식생지수 시계열 자료를 이용한다면 향후 광역지역에 대한 다양한 지표 생물리 변수 연구, 탄소순환, 작물 생육상황 모니터링, 생육시기를 추정하는 연구에서도 크게 활용될 것으로 기대된다.
구름 영향을 제거한 고품질의 NDVI 시계열 자료를 생산하기 위해 총 3단계의 자료처리 기법을 적용하였다(Fig. 3). 구름탐지기법을 이용하여 위성자료의 품질저하 픽셀을 제거한 뒤 이로 인한 결손을 선형적 내삽기법(linear interpolation)으로 보정한다.
마지막으로 Song(2007)이 제안한 CDI 기법이다. 구름에 민감한 적색광(Band 1)과 근적외선(Band 2) 반사정보를 이용하며 임계값을 초과하는 경우 구름으로 판단하였다. CDI는 아래의 계산식을 통해 산출하였다.
구름탐지여부에 따라MODIS 분광반사도 자료를 이용해서 구름이 탐지된 경우(○)와 탐지되지 않은 경우(×), 그리고 PAR Ratio로부터 구름이 탐지된 경우(○)와 탐지되지 않은 경우(×)에 대한 모든 4가지 경우의 수에 대한 구름탐지일 수를 각각 비교하였고 이를 구름탐지율(%)로 나타내었다.
결손자료를 보정하더라도 구름이나 대기산란 등에 의한 자료의 오차가 여전히 남아있을 수 있다. 따라서 좀 더 정교한 NDVI 시계열 자료를 얻기 위해 웨이브렛 변환과 S-G 필터를 각각 적용하여 비교하였다. 그 결과 웨이브렛 변환보다 S-G 필터가 원 영상 NDVI 시계열의 최대값을 유지하면서 구름 영향에 대한 오차를 최소화하여 평활하였다.
또한 이 연구에서는 일 단위 자료로부터 추정한 시계열과 이를 8일 단위로 합성한 시계열, 그리고 8일 단위자료로부터 추정한 NDVI 시계열을 각각 평활 기법을 적용하였다. NDVI 시계열 자료가 식생의 성장과 쇠퇴라는 연중 식생 사이클을 따른다고 가정 했을 때, 평활기법을 적용한 뒤에도 최대값은 유지하지만 여전히 값의 떨림이 존재하는 일 단위의 NDVI 시계열보다 8일 단위로부터 추정된 NDVI 시계열이 더 선형적인 패턴을 보였다.
그리고 보다 정교한 시계열을 생산하기 위해 평활(smoothing) 기법을 적용하였다. 또한 입력자료의 시간해상도에 따른 영향을 파악하기 위해 일 단위, 일 단위로부터 합성한 8일 단위, 8일 단위의 분광반사도 자료를 기반으로 생산한 NDVI 시계열을 상호 비교하였다.
선형적 내삽 과정을 거치더라도 여전히 존재하는 오차를 보정하기 하여 보다 정교한 NDVI 시계열을 생산하기 위해 두 가지 평활 기법을 각각 적용하고 비교하였다. 이 연구에서는 1) S-G 필터(Chen et al.
선형적 내삽 과정을 거친 NDVI 시계열에 S-G 필터와 웨이브렛 변환을 각각 적용하여 정성적인 평가를 수행하였다(Fig. 4). 두 평활 기법 모두 선형적 내삽 과정을 통해 잦은 등락을 보이는 NDVI 값이 보정되었고 계절적인 시계열의 증감 패턴이 잘 나타났다.
수집된 총 광합성 유효복사량(total PAR)와 산란된 광합성 유효복사량(diffuse PAR)은 MODIS 위성영상을 기반으로 추정된 구름탐지일을 평가하기 위한 실측 구름탐지일을 추정하는데 이용하였다. 광합성 유효복사량은 식물이 광합성하는데 이용하는 400~700 nm 범위의 복사량을 의미하며 산란되는 광합성 유효 복사량이 많을수록 대기 기상(구름이나 에어로졸)의 영향이 크다는 것을 의미한다.
위에서 제시한 구름탐지기법으로부터 추정한 구름 탐지일과 PAR Ratio를 이용한 실제 구름탐지일을 상호비교하여 평가하였다. 구름탐지여부에 따라MODIS 분광반사도 자료를 이용해서 구름이 탐지된 경우(○)와 탐지되지 않은 경우(×), 그리고 PAR Ratio로부터 구름이 탐지된 경우(○)와 탐지되지 않은 경우(×)에 대한 모든 4가지 경우의 수에 대한 구름탐지일 수를 각각 비교하였고 이를 구름탐지율(%)로 나타내었다.
(2008)은 Coiflet을 기저함수로 사용하여 추정된 작물 생육시기 자료를 작물의 토지피복분류 연구에 적용하였다. 이 연구에서는 Interactive Data Language (IDL) 프로그래밍 언어에서 제공하는 웨이브렛 변환 서브루틴을 이용하였고 마더 웨이브렛은 Coiflet(order=4)을 적용하였다.
(2004)에 따르면 Fk 값은 초반에 점점 감소하다가 최소값을 보인 이후 계속 증가하는 패턴을 보이게 되고, Fk 값이 최소값일 때 가장 효과적으로 평활된 시계열이라고 보고하였다. 이 연구에서는 S-G 필터를 최대 5회까지 반복 수행하였다. 기존의 여러 선행연구에서 필요한 계수값이 매우 간단하고(m, d), 적용했을 때 원 자료를 충실히 따라가면서도(Cha et al.
이 연구에서는MODIS09 지표분광반사도(MOD09GA, MYD09A1) 자료로부터 구름 탐지, 결손 내삽, 평활 기법의 순차적인 자료처리기법을 적용하여 고품질의 NDVI 시계열 자료를 생산하였다. 10% 이상인 Band 3 반사도 제거기법(85%)과 QC 기법(82%)이 가장 좋은 구름탐지율을 보였다.
구름탐지를 위해 MODIS09 지표 분광반사도 자료를 이용한 5가지 기법을 선정하였다. 첫 번째 방법은 기존연구에서 일반적으로 널리 사용된 위성자료의 QA 정보를 이용하는 것이다. MODIS State_QA는 16비트(bit)의 정수로 자료를 제공하며 구름과 구름의 그림자에 대한 변수에 대해 값이 0일 경우 맑은 날의 자료, 0이 아닌 그 외의 값인 경우 신뢰도가 낮은 값으로 판단하여 제거하였다.
Band 3 반사도에 대한 두 임계값을 모두 미국 농경지에 적용한 결과 10% 이상 Band 3 반사도 제거 기법이 더 높은 구름탐지율을 보였다. 최적의 구름탐지기법으로 추정된 10% 이상의 Band 3 반사도 기법, QC 기법, 20% 이상의 Band 3 반사도 기법을 각각 조합한 복합방법에 대해서도 평가하였다. 그 결과 단일 방법을 적용하였을 때 더 높은 구름탐지율을 보였다.
대상 데이터
이 연구에서는 일 단위의 MOD09GA, 8일 단위의 MYD09A1 자료를 총 6년간(2004-2009년)에 대해 수집하였고, 그로부터 각각 Band 1, Band 2, Band 3, 센서천정각, State_QC 영상을 500 m의 공간해상도로 각각 생산하였다. MOD09GA는 밴드별 지표 분광반사도 자료 외에 센서 천정각, State_QC 영상이 1 km의 공간해상도로 제공되어 500 m 공간해상도의 영상으로 생산하였다. 1 km 공간해상도를 갖는 하나의 픽셀에 중첩되는 총 4개의 500 m 픽셀에 모두 같은 값을 입력하는 방법으로 해상도를 통일하였다.
1. The Study site-consisting of Iowa and Illinois states derived from NASS Crop Data Layer (CDL). Circle Symbol indicates the location of AmeriFlux site(Ne1).
AmeriFlux 관측자료는 30분 단위, 시간 단위, 일 단위의 시간해상도에 대해 자료의 가공 상태에 따라 Level 2부터 Level 4로 구분하여 제공하고 있다. 광합성 유효복사량(Photosynthetically Active Radiation, PAR)의 관련 변수(i.e. diffuse PAR, total PAR)를 포함하며 연속적인 자료확보가 가능한 Ne1 연구지로부터 시간 단위의 Level 2 플럭스 타워 자료를 총 6년간의 기간에 대해 수집하였다(2004년~2009년). Ne1 연구지는 네브래스카주 동부에 위치하고 있으며 Fig.
구름탐지를 위해 MODIS09 지표 분광반사도 자료를 이용한 5가지 기법을 선정하였다. 첫 번째 방법은 기존연구에서 일반적으로 널리 사용된 위성자료의 QA 정보를 이용하는 것이다.
이 연구에서는 MODIS09 지표 분광반사도 자료를 수집하여 이용하였다. 미항공우주국(NASA)의 지구관측프로그램(Earth Observing System Program, EOS)에 의해 개발된MODIS는 전 지구 규모의 육상, 대기 및 해양환경의 변화를 모니터링 하기 위한 목적으로 1999년과 2002에 발사된 Terra와 Aqua 위성에 탑재된 센서이다.
이 연구에서는 MODIS09 지표 분광반사도 자료를 이용한 구름탐지 기법을 평가하기 위해 아이오와주와 일리노이주에 위치한 AmeriFlux의 관측자료를 수집하였다(http://ameriflux.lbl.gov/). AmeriFlux 관측자료는 30분 단위, 시간 단위, 일 단위의 시간해상도에 대해 자료의 가공 상태에 따라 Level 2부터 Level 4로 구분하여 제공하고 있다.
특히 State_QA 자료는 각 픽셀에 대해 구름 또는 구름에 의한 그림자, 에어로졸의 유무 등 밴드나 픽셀해상도에 영향을 받지 않는 정보를 제공한다. 이 연구에서는 일 단위의 MOD09GA, 8일 단위의 MYD09A1 자료를 총 6년간(2004-2009년)에 대해 수집하였고, 그로부터 각각 Band 1, Band 2, Band 3, 센서천정각, State_QC 영상을 500 m의 공간해상도로 각각 생산하였다. MOD09GA는 밴드별 지표 분광반사도 자료 외에 센서 천정각, State_QC 영상이 1 km의 공간해상도로 제공되어 500 m 공간해상도의 영상으로 생산하였다.
이 연구에서는 작물지역에 대한 품질개선 기법 연구를 위해 미국 중서부의 아이오와와 일리노이주를 중심으로 86-98˚W, 36-44˚N의 영역을 연구지역으로 선정하였다(Fig. 1). 양 주를 중심으로 형성된 미국 콘 벨트 지역은 세계 3대 곡창지대 중 하나로 제 1의 옥수수 재배지역이며, 연강수량 1,000 mm 내외의 온난 다습한 대륙성 기후와 비옥한 토양을 가진다.
데이터처리
위 식에서 ρ_nir, ρ_red은 각각 근적외선(MODIS Band 2)과 적색 밴드(MODIS Band 1)의 분광반사도를 의미한다. CDI 임계값은 0부터 -0.3까지 임의의 범위에 대해 PAR Ratio와 비교, 평가하였고, -0.1을 최적값으로 선정하여 적용하였다.
이론/모형
이 연구에서는 Chen et al.(2004)가 보고한 위의 모수값을 이용하여 S-G 필터를 적용하였다.
구름영향에 의해 제거된 신뢰도가 낮은 픽셀은 Do et al.(2012)에서 제안한 선형적 내삽 기법을 이용하여 결손자료를 보정한 연속적인 시계열을 생산하였다. 결손자료를 보정하더라도 구름이나 대기산란 등에 의한 자료의 오차가 여전히 남아있을 수 있다.
이 연구에서는 1) S-G 필터(Chen et al., 2004)과 2) 웨이브렛 변환(Sakamoto et al., 2005)을 이용하여 평활하였다. S-G 필터는 다음 식에 의해서 이뤄진다.
구름탐지에 의해 제거된 결손은 시계열의 주변 자료를 이용하는 선형적 내삽 기법으로 보정하였다. 선행연구에서 자료의 결손이 발생하였을 때, 해당일 전후 시기의 맑은 날 자료를 이용해 선형적 변화를 가정하여 내삽한 사례가 있다(Chen et al.
구름탐지기법을 이용하여 위성자료의 품질저하 픽셀을 제거한 뒤 이로 인한 결손을 선형적 내삽기법(linear interpolation)으로 보정한다. 그리고 보다 정교한 시계열을 생산하기 위해 평활(smoothing) 기법을 적용하였다. 또한 입력자료의 시간해상도에 따른 영향을 파악하기 위해 일 단위, 일 단위로부터 합성한 8일 단위, 8일 단위의 분광반사도 자료를 기반으로 생산한 NDVI 시계열을 상호 비교하였다.
이 연구에서 평가한 구름탐지기법들은 QC 기법을 제외하고 모두 임계값 방법을 기반으로 하고 있다. 즉 정확한 구름탐지를 위해서는 임계값을 어떻게 정하느냐가 가장 중요한 문제라는 것이다.
성능/효과
이 연구에서는MODIS09 지표분광반사도(MOD09GA, MYD09A1) 자료로부터 구름 탐지, 결손 내삽, 평활 기법의 순차적인 자료처리기법을 적용하여 고품질의 NDVI 시계열 자료를 생산하였다. 10% 이상인 Band 3 반사도 제거기법(85%)과 QC 기법(82%)이 가장 좋은 구름탐지율을 보였다. 구름영향에 의해 제거된 신뢰도가 낮은 픽셀은 Do et al.
Table 1은 각 구름탐지기법의 구름탐지율의 평균값과 범위를 나타내었다(2004-2009). 10% 이상인 Band 3반사도 제거기법을 사용하였을 때 85%의 가장 높은 구름탐지율을 보였고, 그 다음으로 QC 적용기법(82%)과 20% 이상인 Band 3 반사도 제거기법(81%) 순으로 나타났다.
(2005)는 일본의 논 지역에 대해 10%를 임계값으로 적용하여 위성자료의 구름영향을 제거한 사례가 있다. Band 3 반사도에 대한 두 임계값을 모두 미국 농경지에 적용한 결과 10% 이상 Band 3 반사도 제거 기법이 더 높은 구름탐지율을 보였다. 최적의 구름탐지기법으로 추정된 10% 이상의 Band 3 반사도 기법, QC 기법, 20% 이상의 Band 3 반사도 기법을 각각 조합한 복합방법에 대해서도 평가하였다.
이 때의 NDVI값은 지속적으로 증가하는 것이 아니라 증감을 반복하는 패턴을 보인다. MCD13 NDVI 시계열에서 겨울철 NDVI 값의 일시적인 감소는 눈이나 구름의 영향으로 판단되며 이러한 측면에서 MCD13 NDVI 시계열보다 평활된 시계열이 더 우수한 것으로 사료된다.
8일 단위의 MCD13A1 NDVI 시계열 자료를 8일 단위의 평활된 시계열 결과에 중첩하여 나타내었다. MCD13A1 NDVI 시계열은 평활된 시계열과 전반적으로 유사한 패턴을 보였다. 다만 일부 연도에서 겨울철에 NDVI 값이 일시적으로 0까지 하락하거나 봄철에 평활된 시계열과 비교하여 상대적으로 높은 NDVI 값을 보였다.
또한 이 연구에서는 일 단위 자료로부터 추정한 시계열과 이를 8일 단위로 합성한 시계열, 그리고 8일 단위자료로부터 추정한 NDVI 시계열을 각각 평활 기법을 적용하였다. NDVI 시계열 자료가 식생의 성장과 쇠퇴라는 연중 식생 사이클을 따른다고 가정 했을 때, 평활기법을 적용한 뒤에도 최대값은 유지하지만 여전히 값의 떨림이 존재하는 일 단위의 NDVI 시계열보다 8일 단위로부터 추정된 NDVI 시계열이 더 선형적인 패턴을 보였다. 이는 일 단위의 MOD09GA자료가 대기보정은 거쳤으나 열악한 대기조건이나 픽셀 수준의 오차를
구름탐지일 지도는 8일 단위의 연간 총 46주에 대해서 각 픽셀에대한 구름탐지일을 누적하여 지도화한 것이다. 구름탐지일은 0일에서 최대 32일의 범위를 보였고 아이오와주 중부지역과 일리노이주 동북부 지역에서 높은 공간적 패턴을 보였다. 원 자료의 누적 NDVI보다 구름영향을 제거한 NDVI 지도에서 더 높은 NDVI 값의 범위를 보이는 것을 확인하였다.
최적의 구름탐지기법으로 추정된 10% 이상의 Band 3 반사도 기법, QC 기법, 20% 이상의 Band 3 반사도 기법을 각각 조합한 복합방법에 대해서도 평가하였다. 그 결과 단일 방법을 적용하였을 때 더 높은 구름탐지율을 보였다.
따라서 좀 더 정교한 NDVI 시계열 자료를 얻기 위해 웨이브렛 변환과 S-G 필터를 각각 적용하여 비교하였다. 그 결과 웨이브렛 변환보다 S-G 필터가 원 영상 NDVI 시계열의 최대값을 유지하면서 구름 영향에 대한 오차를 최소화하여 평활하였다. 결론적으로 이 연구에서는 MODIS NDVI 시계열 자료의 품질개선을 위한 순차적인 자료처리기법으로써 10% 이상인 Band 3 반사도 제거기법, 선형적 내삽 기법과 S-G 필터를 이용한 평활 기법을 제안하였다.
구름탐지기법에 의해 구름이 탐지된 경우 선형적 내삽 기법에 의해서 값이 보정되고 평활 기법이 적용되면 선형적인 NDVI 시계열을 생산한다. 그러나 해당 지점에서는 10% 이상의 Band 3 반사도 제거 기법에 의해서는 구름으로 탐지된 반면에 QC 기법에 의해서는 구름이 탐지되지 않는 것으로 확인하였다. 두번째, 구름영향에 의한 낮은 NDVI 값에 평활효과가 더해져 더 낮거나 높은 값으로 나타나는 것이다.
세 번째로 Band 3의 반사도 20% 이상인 픽셀을 제거하는 기법이다. 두 번째와 세 번째 방법은 각각 10% 이상인 Band 3 반사도 제거기법, 20% 이상인 Band 3 반사도 제거기법이라고 명명하였다. 네 번째 방법은 센서 천정각이 32.
4). 두 평활 기법 모두 선형적 내삽 과정을 통해 잦은 등락을 보이는 NDVI 값이 보정되었고 계절적인 시계열의 증감 패턴이 잘 나타났다. 웨이브렛 변환의 경우 구름 영향에 의한 NDVI 값이 보정되면서 더 선형적인 시계열 패턴을 보이지만, NDVI 값이 가장 높은 여름철에 보정 전의 원 NDVI 값보다 낮은 값으로 평활되며 과소모의하는 경향을 보였다.
구름탐지일은 0일에서 최대 32일의 범위를 보였고 아이오와주 중부지역과 일리노이주 동북부 지역에서 높은 공간적 패턴을 보였다. 원 자료의 누적 NDVI보다 구름영향을 제거한 NDVI 지도에서 더 높은 NDVI 값의 범위를 보이는 것을 확인하였다.
4d)에 두 가지 평활 기법을 각각 적용하였다. 웨이브렛 변환으로 평활된 NDVI 시계열에서는 값이 갑자기 감소할 때 그 패턴을 따라가는 경향을 보임을 확인하였다.8일 단위 자료에 S-G 필터를 적용한 것이 평활 효과가 가장 잘 나타난 것을 확인하였다.
두 평활 기법 모두 선형적 내삽 과정을 통해 잦은 등락을 보이는 NDVI 값이 보정되었고 계절적인 시계열의 증감 패턴이 잘 나타났다. 웨이브렛 변환의 경우 구름 영향에 의한 NDVI 값이 보정되면서 더 선형적인 시계열 패턴을 보이지만, NDVI 값이 가장 높은 여름철에 보정 전의 원 NDVI 값보다 낮은 값으로 평활되며 과소모의하는 경향을 보였다. 이는 일 단위 자료에 QC 기법을 적용한 결과에서도 비슷한 경향을 보인다(Fig.
4b). 첫 번째, 시계열 자료가 구름 등의 오차로 인해 낮은 식생지수 값을 가지는 지점에서 구름탐지기법이 작동하지 않고 평활 기법이 적용된 것이다. 구름탐지기법에 의해 구름이 탐지된 경우 선형적 내삽 기법에 의해서 값이 보정되고 평활 기법이 적용되면 선형적인 NDVI 시계열을 생산한다.
후속연구
결론적으로 이 연구에서는 MODIS NDVI 시계열 자료의 품질개선을 위한 순차적인 자료처리기법으로써 10% 이상인 Band 3 반사도 제거기법, 선형적 내삽 기법과 S-G 필터를 이용한 평활 기법을 제안하였다. 인공위성의 특장점으로서 동시간대에 넓은 지역을 관측할 수 있는 광역성과 연속적으로 관측할 수 있는 모니터링이 가능하다는 점에 기초하여 생산된 식생지수 시계열 자료를 이용한다면 향후 광역지역에 대한 다양한 지표 생물리 변수 연구, 탄소순환, 작물 생육상황 모니터링, 생육시기를 추정하는 연구에서도 크게 활용될 것으로 기대된다.
질의응답
핵심어
질문
논문에서 추출한 답변
원격탐사 기반의 연구에서 중요한 것은?
, 1994). 원격탐사 기반의 연구에서 중요한 것은 자료의 품질문제이다. 위성센서에서 많이 활용하는 가시광/적외선 영역의 파장대는 구름이나 에어로졸을 통과하지 못하기 때문에 대기 조건에 따라 지표 식생의 반사도가 아닌 구름이나 에어로졸의 반사도가 되어 위성자료의 품질저하가 발생하게 된다.
위성센서에서 위성자료의 품질저하가 일어나는 까닭은?
원격탐사 기반의 연구에서 중요한 것은 자료의 품질문제이다. 위성센서에서 많이 활용하는 가시광/적외선 영역의 파장대는 구름이나 에어로졸을 통과하지 못하기 때문에 대기 조건에 따라 지표 식생의 반사도가 아닌 구름이나 에어로졸의 반사도가 되어 위성자료의 품질저하가 발생하게 된다. 대기 영향 이외에도 위성센서로부터 기인한 오차, 위성자료의 보정과정 등에 의해 영향을 받는다(Reed et al.
MODIS의 경우 자체적으로 구름영향을 최소화 하는 처리를 행하지만, 추가적으로 위성 영상 내의 구름영향 자료를 제거하거나 시계열 자료 기반의 결손된 자료에 대한 빈자료 채우기를 해야하는 이유는 무엇인가?
Moderate Resolution Imaging Spectroradiometer (MODIS)의 경우 8일이나 16일 단위로 맑은 날에 생성된 자료의 최대값을 이용하는 최대값 중첩법(Maximum Value Composite, MVC)을 이용하여 구름영향을 최소화한 자료를 제공한다. 하지만 장기간 구름이 낀 경우 여전히 신뢰도가 낮은값을 생산한다. 이러한 이유로 위성 영상 내의 구름영향 자료를 제거하거나 시계열 자료 기반의 결손된 자료에 대한 빈자료 채우기(gap-filling) 기법연구가 진행되어 왔다(Kang et al.
참고문헌 (21)
Cha, S., D. Seo, and C. Park, 2009. Monitoring Vegetation Phenology Using MODIS in Northern Plateau Region, North Korea, Korean Journal of Remote Sensing, 25(5): 399-409.
Chen, J., P. Jonsson, M. Tamura, Z. Gu, B. Matsushita, and L. Eklundh, 2004. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter, Remote Sensing of Environment, 91(3): 332-344.
Do, N., S. Kang, S. Myeong, T. Chun, J. Lee, and C. Lee, 2012. The estimation of gross primary productivity over North Korea using MODIS FPAR and WRF meteorological data, Korean Journal of Remote Sensing, 28(2): 215-226.
Galford, G.L., J.F. Mustard, J. Melillo, A. Gendrin, C.C. Cerri, and C.E. Cerri, 2008. Wavelet analysis of MODIS time series to detect expansion and intensification of row-crop agriculture in Brazil, Remote Sensing of Environment, 112(2): 576-587.
Jang, K., S. Kang, J. Kim, C.B. Lee, T. Kim, J. Kim, R. Hirata, and N. Saigusa, 2010. Mapping evapotranspiration using MODIS and MM5 four-dimensional data assimilation, Remote Sensing of Environment, 114(3): 657-673.
Jenkins, J., A. Richardson, B. Braswell, S. Ollinger, D. Hollinger, and M. Smith, 2007. Refining lightuse efficiency calculations for a deciduous forest canopy using simultaneous tower-based carbon flux and radiometric measurements, Agricultural and Forest Meteorology, 143(1): 64-79.
Jeong, S., K. Jang, S. Hong, and S. Kang, 2011. Detection of irrigation timing and the mapping of paddy cover in Korea using MODIS images data, Korean Journal of Agricultural and Forest Meteorology, 13(2): 69-78.
Kang, S., S.W. Running, J. Lim, M. Zhao, C. Park, and R. Loehman, 2003. A regional phenology model for detecting onset of greenness in temperate mixed forests, Korea: an application of MODIS leaf area index, Remote Sensing of Environment, 86(2): 232-242.
Kang, S., S. Running, M. Zhao, J. Kimball, and J. Glassy, 2005. Improving continuity of MODIS terrestrial photosynthesis products using an interpolation scheme for cloudy pixels, International Journal of Remote Sensing, 26(8): 1659-1676.
Min, Q., 2005. Impacts of aerosols and clouds on forest-atmosphere carbon exchange, Journal of Geophysical Research: Atmospheres(1984-2012), 110(D6).
Quiroz, R., C. Yarleque, A. Posadas, V. Mares, and W. W. Immerzeel, 2011. Improving daily rainfall estimation from NDVI using a wavelet transform, Environmental Modelling & Software, 26(2): 201-209.
Sakamoto, T., M. Yokozawa, H. Toritani, M. Shibayama, N. Ishitsuka, and H. Ohno, 2005. A crop phenology detection method using time-series MODIS data, Remote Sensing of Environment, 96(3): 366-374.
Song, X., Z. Liu, and Y. Zhao, 2004. Cloud detection and analysis of MODIS image, Proc. of 2004 IEEE Geoscience and Remote Sensing Society, July 14-17. 4: 2764-2767.
Tan, B., J.T. Morisette, R.E. Wolfe, F. Gao, G.A. Ederer, J. Nightingale, and J.A. Pedelty, 2008. Vegetation phenology metrics derived from temporally smoothed and gap-filled MODIS data, Proc. of 2008 IEEE Geoscience and Remote Sensing Society, 3: III-593-III-596.
Thenkabail, P.S., M. Schull, and H. Turral, 2005. Ganges and Indus river basin land use/land cover(LULC) and irrigated area mapping using continuous streams of MODIS data, Remote Sensing of Environment, 95(3): 317-341.
Vermote, E., S. Kotchenova, and J. Ray, 2008. MODIS surface reflectance user's guide, MODIS Land Surface Reflectance Science Computing Facility, version, 1.
Viovy, N., O. Arino, and A. Belward, 1992. The Best Index Slope Extraction(BISE): A method for reducing noise in NDVI time-series, International Journal of Remote Sensing, 13(8): 1585-1590.
Xiao, X., S. Boles, S. Frolking, C. Li, J.Y. Babu, W. Salas, and B. Moore III, 2006. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images, Remote Sensing of Environment, 100(1): 95-113.
Zhang, X., M.A. Friedl, C.B. Schaaf, A.H. Strahler, J.C. Hodges, F. Gao, B.C. Reed, and A. Huete, 2003. Monitoring vegetation phenology using MODIS, Remote Sensing of Environment, 84(3): 471-475.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.