GOCI 영상은 육상 관측에 적합한 공간해상도와 빠른 관측주기를 가지고 있지만, 현재까지 육상분야에 활용된 예가 많지 않다. GOCI 영상이 육상분야에 활용되기 위해서는 정교한 전처리가 수행되어 신뢰성을 갖춘 기본적인 산출물 형태로 제공되어야 한다. 본 연구에서는 GOCI 영상의 육상 활용을 위하여 구름의 영향이 최소화된 기본 산출물 제작에 필요한 구름 탐지 기법을 제안하였다. GOCI 영상은 구름 탐지에 효과적인 단파적외선(SWIR)과 열적외선(TIR) 밴드가 없기 때문에, 이 연구에서는 GOCI 영상의 장점인 빠른 관측 주기로 얻어지는 많은 다중시기영상을 이용하여 구름을 탐지하는 방법을 개발하였다. 제안한 구름탐지 기법은 세 단계로 구성된다. 1단계와 2단계에서는 1번 밴드 반사율과 1번과 8번 밴드의 반사율 비(b1/b8)에 임계값을 적용하여 완전 맑음(confident clear)과 두꺼운 구름(thick cloud)을 구분했다. 마지막 단계에서는 3일 동안 얻어진 b1/b8 값의 평균을 임계값으로 하여 얇은 구름(thin cloud)을 구분하였다. 이러한 순차적인 구름탐지 알고리즘을 적용하여 모두 4개의 등급으로 분류하였다. 본 연구에서 제안한 기법을 GOCI 영상에 적용 후 그 결과를 MODIS 구름 산출물(cloud mask products)과 비교 검증하였다. 여러 시기의 영상에서 추출된 구름 면적을 비교한 결과 평균제곱근오차(RMSE)가 10% 미만으로 MODIS 구름 산출물과 유사한 결과를 얻었다. 육안 분석을 통해 구름의 공간적인 분포를 비교한 결과, MODIS 산출물과 비슷한 구름 분포를 보여주었다.
GOCI 영상은 육상 관측에 적합한 공간해상도와 빠른 관측주기를 가지고 있지만, 현재까지 육상분야에 활용된 예가 많지 않다. GOCI 영상이 육상분야에 활용되기 위해서는 정교한 전처리가 수행되어 신뢰성을 갖춘 기본적인 산출물 형태로 제공되어야 한다. 본 연구에서는 GOCI 영상의 육상 활용을 위하여 구름의 영향이 최소화된 기본 산출물 제작에 필요한 구름 탐지 기법을 제안하였다. GOCI 영상은 구름 탐지에 효과적인 단파적외선(SWIR)과 열적외선(TIR) 밴드가 없기 때문에, 이 연구에서는 GOCI 영상의 장점인 빠른 관측 주기로 얻어지는 많은 다중시기영상을 이용하여 구름을 탐지하는 방법을 개발하였다. 제안한 구름탐지 기법은 세 단계로 구성된다. 1단계와 2단계에서는 1번 밴드 반사율과 1번과 8번 밴드의 반사율 비(b1/b8)에 임계값을 적용하여 완전 맑음(confident clear)과 두꺼운 구름(thick cloud)을 구분했다. 마지막 단계에서는 3일 동안 얻어진 b1/b8 값의 평균을 임계값으로 하여 얇은 구름(thin cloud)을 구분하였다. 이러한 순차적인 구름탐지 알고리즘을 적용하여 모두 4개의 등급으로 분류하였다. 본 연구에서 제안한 기법을 GOCI 영상에 적용 후 그 결과를 MODIS 구름 산출물(cloud mask products)과 비교 검증하였다. 여러 시기의 영상에서 추출된 구름 면적을 비교한 결과 평균제곱근오차(RMSE)가 10% 미만으로 MODIS 구름 산출물과 유사한 결과를 얻었다. 육안 분석을 통해 구름의 공간적인 분포를 비교한 결과, MODIS 산출물과 비슷한 구름 분포를 보여주었다.
Although GOCI has potential for land surface monitoring, there have been only a few cases for land applications. It might be due to the lack of reliable land products derived from GOCI data for end-users. To use for land applications, it is often essential to provide cloud-free composite over land s...
Although GOCI has potential for land surface monitoring, there have been only a few cases for land applications. It might be due to the lack of reliable land products derived from GOCI data for end-users. To use for land applications, it is often essential to provide cloud-free composite over land surfaces. In this study, we proposed a cloud detection method that was very important to make cloud-free composite of GOCI reflectance and vegetation index. Since GOCI does not have SWIR and TIR spectral bands, which are very effective to separate clouds from other land cover types, we developed a multi-temporal approach to detect cloud. The proposed cloud detection method consists of three sequential steps of spectral tests. Firstly, band 1 reflectance threshold was applied to separate confident clear pixels. In second step, thick cloud was detected by the ratio (b1/b8) of band 1 and band 8 reflectance. In third step, average of b1/b8 ratio values during three consecutive days was used to detect thin cloud having mixed spectral characteristics of both cloud and land surfaces. The proposed method provides four classes of cloudiness (thick cloud, thin cloud, probably clear, confident clear). The cloud detection method was validated by the MODIS cloud mask products obtained during the same time as the GOCI data acquisition. The percentages of cloudy and cloud-free pixels between GOCI and MODIS are about the same with less than 10% RMSE. The spatial distributions of clouds detected from the GOCI images were also similar to the MODIS cloud mask products.
Although GOCI has potential for land surface monitoring, there have been only a few cases for land applications. It might be due to the lack of reliable land products derived from GOCI data for end-users. To use for land applications, it is often essential to provide cloud-free composite over land surfaces. In this study, we proposed a cloud detection method that was very important to make cloud-free composite of GOCI reflectance and vegetation index. Since GOCI does not have SWIR and TIR spectral bands, which are very effective to separate clouds from other land cover types, we developed a multi-temporal approach to detect cloud. The proposed cloud detection method consists of three sequential steps of spectral tests. Firstly, band 1 reflectance threshold was applied to separate confident clear pixels. In second step, thick cloud was detected by the ratio (b1/b8) of band 1 and band 8 reflectance. In third step, average of b1/b8 ratio values during three consecutive days was used to detect thin cloud having mixed spectral characteristics of both cloud and land surfaces. The proposed method provides four classes of cloudiness (thick cloud, thin cloud, probably clear, confident clear). The cloud detection method was validated by the MODIS cloud mask products obtained during the same time as the GOCI data acquisition. The percentages of cloudy and cloud-free pixels between GOCI and MODIS are about the same with less than 10% RMSE. The spatial distributions of clouds detected from the GOCI images were also similar to the MODIS cloud mask products.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
2는 GOCI 영상에서 추출된 7개 등급의 청색광 밴드(b1, 412 nm)와 근적외선 밴드(b8, 865 nm)의 반사율과 두 밴드 반사율의 비(b1/b8)를 보여준다. 물론 다른 밴드에서도 피복별 반사특성을 비교 분석하였으나,구름 탐지에 직접 사용된 두 개 밴드에서의 반사율만을 살펴보고자 한다. 1번 청색광 밴드는 토지피복들의 반사율은 매우 낮고 구름은 높은 반사율을 보이기 때문에 그 동안 구름 탐지에 자주 사용되어왔다(Hagolle et al.
육지는 해양과 달리 반사신호가 상이한 다양한 지표물들이 복잡하게 구성되어 있기 때문에, 해양산출물 제작에 적용되는 구름 탐지 기법을 그대로 적용할 수 없다. 본 연구에서 개발하고자 하는 구름탐지 기법은 육상 지역의 대기보정 및 구름이 없는 합성물 제작에 반드시 필요한 구름이 없는 육지 지역의 화소들을 탐지하기 위함이다.
물론 구름 탐지를 위한 기간을 3일보다 길게 설정하는 경우에는 구름과 깨끗한 지표물을 구분할 수 있는 확률은 높아진다. 본 연구에서 구름 탐지의 목적은 육상에서 구름의 영향이 최소화된 반사율 또는 식생지수의 합성물을 제작하기 위한 전처리 과정을 개발하는 것이므로, 육상 관찰과 모니터링을 위해서는 합성주기를 최소화하여 짧은 시간에 발생하는 변화를 관찰할 수 있게 하기 위함이다. Lee et al.
GOCI에서 구름을 탐지하는데 가장 큰 어려움은 구름 탐지에 효과적인 단파적외선 및 열적외선 파장 밴드가 없다는 점이다. 본 연구에서는 GOCI 영상의 시간별 관측값을 모두 이용하는 다중시기영상을 함께 적용하는 구름 탐지 기법을 제안하였다. 제안한 기법은 GOCI 1번 밴드와 8번 밴드의 반사율을 이용하여 세 단계로 나누어 구름 등급을 순차적으로분리하였다.
본 연구에서는 GOCI 영상의 육상 활용에 절대적으로 필요한 주요 전처리 기술인 구름탐지 기법을 개발하고자 한다. 육지는 해양과 달리 반사신호가 상이한 다양한 지표물들이 복잡하게 구성되어 있기 때문에, 해양산출물 제작에 적용되는 구름 탐지 기법을 그대로 적용할 수 없다.
구름 분포에 대한 참값을 획득하기 어렵기 때문에, 영상에서 탐지된 결과를 객관적으로 검증하기에는 기본적인 한계가 있다. 본 연구에서는 구름 탐지 결과를 검증하기 위하여 먼저 신뢰도가 높은 구름 탐지 기법으로 인정받고 있는 MODIS 구름 산출물과 비교하였다. GOCI영상은 하루에 8회 촬영되나, MODIS 영상은 Terra위성에서 오전 11시와 Aqua위성에서 오후 2시경에 촬영된다.
이 연구에서는 GOCI 영상의 육상 활용에 반드시 필요한 구름 탐지 기법을 개발하였다. 표면 반사율 및 식생지수와 같은 육상 산출물을 제작하기 위해서는 구름이 없는 화소들이 추출되어야 하며 이 과정에 구름 탐지 알고리즘이 필요하다.
가설 설정
임계값은 각 화소 위치마다, 매 시기마다 다르게 적용된다. 구름탐지를 위한 기간을 3일로 설정한 이유는 24개 시간별 영상에서 최소한 하나의 관측 값이 구름이 없다는 가정을 기반으로 한다. 또한 3일은 지표면의 생물리학적 변화가 나타나지 않는 짧은 기간으로써, 이때 반사율 증가는 구름의 영향으로 해석할 수 있다.
제안 방법
반면 MODIS 영상은 각각의 영상마다 촬영시간에 다소 차이가 존재하지만,평균적으로 Terra위성은 오전 11시 그리고 Aqua위성은 오후 2시경에 촬영된다. GOCI 영상과 MODIS 영상의 촬영시간 차이를 고려하여 MODIS와 거의 근접한 시간에 촬영된 GOCI 영상의 구름 탐지 결과만을 사용하였다. 먼저 제안된 알고리즘에서 탐지된 구름의 분포를 GOCI 원영상과 육안으로 비교하여 구름 탐지 결과를 검증하였다.
GOCI 영상에서 구름 탐지 결과는 네 가지 등급으로 구분하였으나, MODIS 구름 산출물에 포함된 구름 정보는 구름(cloudy), 불확실(uncertain), 불확실 맑음(probably clear), 완전 맑음(confident clear)의 네 가지로 나눈다. GOCI와 MODIS에서 구름 등급은 거의 같으나, 본 연구에서는 얇은 구름(thin cloud)의 등급이 있는반면, MODIS에서는 불확실(uncertain)의 등급이 있다.
구름탐지 기법은 육지만을 대상으로 하므로, 해양지역은 해안선 자료를 이용하여 제거하였다. GOCI 영상은 정사투영(orthographic projection)을 적용하고 있으나, MODIS 영상과 직접 비교를 위하여 평면직각좌표계인 UTM(Universal Transverse Mercator) 좌표체계로 변환하여 두 영상자료가 공간적으로 일치되도록 하였다.
MODIS 산출물에서 구름의 정보는 구름(cloudy), 불확실(uncertain), 불확실 맑음(probably clear), 완전 맑음(confident clear)의 네 가지로 구분되며, 눈(snow)에 관한 정보를 추가로 제공하고 있다. GOCI영상의 육지 전 지역에 해당하는 여러 장의 MODIS 구름 산출물 영상을 모자이크 처리하여 하나의 영상으로 제작한 후, GOCI 영상과 동일 지역에 해당하는 부분을 발췌하였다. Table 1은 연구에 사용된 GOCI 영상과 MODIS 구름 산출물의 목록을 보여준다.
매 시기별로 3일분 영상을 채택하여 연구에 사용된 GOCI 영상은 총 576장이다(24시기 × 3일 × 8회/일 = 576장). KOSC에서 기하보정 및 복사보정 처리된 GOCI L1B 복사휘도(radiance) 영상을 제공받았고, 태양 천정각 및 레일리(Rayleigh) 산란 보정을 통해 반사율(reflectance)을 획득하였다. 구름탐지 기법은 육지만을 대상으로 하므로, 해양지역은 해안선 자료를 이용하여 제거하였다.
두꺼운 구름으로 정의된 등급은 구름 아래 토지피복이 완전히 가려있는 상태이며, 얇은 구름은 반투명 형태의 구름으로 구름과 토지피복의 신호값이 혼재되어 정확한 탐지가 어려운 상태라 할 수 있다. 구름을 포함하여 7개의 피복형에 대하여 각각 두 개 이상의 지점을 선정하였고, 각 지점마다 4개 화소(1 km2)를 추출하여 GOCI 8개 밴드별 반사율을 산출하였다.
2에서 보듯이 식물, 토양, 수면의 반사율은 b1에서 매우 낮게 나타나므로 단순 임계값을 적용해도 완전 맑음에 해당하는 화소들을 구분할 수 있다. 그러나 구름탐지 결과는 임계값에 매우 민감하게 반응하기 때문에 임계값을 아주 낮게 설정해주어 확실히 구름이 아닌 화소만을 탐지하였다. 많은 GOCI 영상에서 반복적인 실험을 통하여 반사율이 0.
네 가지 구름 등급을 결국 구름(cloudy)과 맑음(clear)으로 나누어 면적을 비교하였다. 즉 MODIS 구름 산출물에서 구름과 불확실 등급을 합하여 구름으로 구분하였고, 불확실 맑음과 완전 맑음을 합하여 구름이 없는 맑음으로 분석하였다.
다중시기영상을 적용한 기법은 마지막 단계에서는 구분이 어려운 얇은 구름과 눈을 구분하는 데 적용하였다. 다중시기영상 기법은 3일 정도의 짧은 기간에 토지 피복의 반사율이 일정하다는 가정 하에 반사율의 급격한 변화는 구름의 영향으로 간주하는 원리를 이용하였다. 제안한 기법을 GOCI 영상에 적용하여 그 결과를 MODIS 구름 산출물과 비교한 결과 구름의 양에서는 거의 일치하는 결과를 보여주었다.
3). 매 시간 촬영된 모든GOCI 반사율 영상에서 구름이 탐지되며, 탐지 결과는 두꺼운 구름(thick cloud), 얇은 구름(thin cloud), 불확실맑음(probably clear), 완전 맑음(confident clear)의네가지 등급으로 나누어 기록된다. 이에 추가하여 겨울에는 연구 지역의 북부에 해당하는 몽골, 러시아, 중국 동북부, 한반도, 일본 등에 눈이 존재하므로 10월부터 3월까지 촬영된 겨울 영상에서는 눈(snow)을 별도로 구분하였다.
GOCI 영상과 MODIS 영상의 촬영시간 차이를 고려하여 MODIS와 거의 근접한 시간에 촬영된 GOCI 영상의 구름 탐지 결과만을 사용하였다. 먼저 제안된 알고리즘에서 탐지된 구름의 분포를 GOCI 원영상과 육안으로 비교하여 구름 탐지 결과를 검증하였다. 또한 MODIS 구름 산출물 영상의 구름 탐지 결과와 GOCI 영상을 이용하여 제안한 구름 탐지 결과를 중첩하여 비교하였다.
본 연구에서 제안하는 구름 탐지 기법은 세 단계로 나누어 수행되는데, 단일 임계값 기반의 구름 탐지 방법과 다중시기영상 기반의 적응형 임계값을 이용한 방법을 함께 이용하고 있다(Fig. 3). 매 시간 촬영된 모든GOCI 반사율 영상에서 구름이 탐지되며, 탐지 결과는 두꺼운 구름(thick cloud), 얇은 구름(thin cloud), 불확실맑음(probably clear), 완전 맑음(confident clear)의네가지 등급으로 나누어 기록된다.
본 연구에서 제안한 구름탐지기법을 24시기의 GOCI시간별 영상에 적용하여 육지에 해당하는 지역을 네 가지 구름 등급으로 분류하였다. 매 시기에 3일분 영상이 사용되었으나, 실제 구름 탐지가 이루어진 영상은 매 시기의 중간 날짜에 해당하는 시간별 영상(총 192장)이다.
이세단계 중 마지막으로 적용된 임계값은 자동으로 결정되는 적응형 임계값이지만, 첫 번째와 두 번째 단계에 적용되는 임계값은 분석자의 주관에 따라 설정되어야 하는 한계가 있다. 본 연구에서는 앞에서 언급된 다양한 구름 및 토지피복 등급의 반사율에 대한 비교 분석을 통하여 얻어진 값들을 임계값으로 설정하였다.
연구 지역의왼쪽상단의 몽골 지역은 두 영상에서 일치하게 눈의 분포를 탐지하였지만, 다른 지역에서는 차이가 있다. 본연구에서 제안한 방법으로 GOCI 영상에서 탐지된 눈은 몽골뿐만 아니라 한반도 및 중국 동북부 지역의 광범위한 지역에 분포하고 있다. 이 지역들을 영상에서 자세히 판독한 결과 눈으로 확인되었고, 제안한 다중시기 영상 방법에 의한 눈 탐지 기법이 어느 정도 성능을 발휘하고 있음을 알 수 있다.
또한 MODIS 구름 산출물 영상의 구름 탐지 결과와 GOCI 영상을 이용하여 제안한 구름 탐지 결과를 중첩하여 비교하였다. 비교 대상인 GOCI 영상과 MODIS 영상은 거의 같은 시간에 촬영되었지만 정확히 일치하지 않기 때문에, 구름의 시간적 이동을 감안하여MODIS 원영상도 함께 비교하였다.
단파적외선 파장 영역에서는 얇은 구름의 탐지가 비교적 용이하지만, GOCI 영상은 단파적외선 파장밴드가 없으므로 이의 탐지구분이 가 쉽지 않다. 얇은 구름과 불확실 맑음의 구분은 하루 8회 촬영되는 GOCI 영상의 특성을 감안하여 연속적으로 촬영된 영상들을 모두 이용하는 방법을 채택하였다. 다중시기 영상의 구름 탐지 기법은 지표면의 반사율이 짧은 기간 내에 일정하다는 가정 하에, 갑작스런 반사율 변화를 구름의 영향으로 간주하는 기법이다.
육지에서의 구름 탐지는 기본적으로 구름과 배경이 되는 다양한 토지피복의 분광반사특성의 차이를 이용한다. 연구지역에 분포하는 구름과 다양한 토지피복의 반사율을 분석하기 위하여 세 가지 구름 형태: 두껍고 밝은 구름(thick-bright cloud), 두껍고 어두운 구름(thickdark cloud), 얇은 구름(thin cloud)과 네 가지 대표적 토지 피복: 수면(water), 눈(snow), 식생(vegetation), 토양(bare soil)에 대한 반사율을 GOCI 영상에서 추출하였다. 두꺼운 구름으로 정의된 등급은 구름 아래 토지피복이 완전히 가려있는 상태이며, 얇은 구름은 반투명 형태의 구름으로 구름과 토지피복의 신호값이 혼재되어 정확한 탐지가 어려운 상태라 할 수 있다.
매 시간 촬영된 모든GOCI 반사율 영상에서 구름이 탐지되며, 탐지 결과는 두꺼운 구름(thick cloud), 얇은 구름(thin cloud), 불확실맑음(probably clear), 완전 맑음(confident clear)의네가지 등급으로 나누어 기록된다. 이에 추가하여 겨울에는 연구 지역의 북부에 해당하는 몽골, 러시아, 중국 동북부, 한반도, 일본 등에 눈이 존재하므로 10월부터 3월까지 촬영된 겨울 영상에서는 눈(snow)을 별도로 구분하였다.
본 연구에서는 GOCI 영상의 시간별 관측값을 모두 이용하는 다중시기영상을 함께 적용하는 구름 탐지 기법을 제안하였다. 제안한 기법은 GOCI 1번 밴드와 8번 밴드의 반사율을 이용하여 세 단계로 나누어 구름 등급을 순차적으로분리하였다. 다중시기영상을 적용한 기법은 마지막 단계에서는 구분이 어려운 얇은 구름과 눈을 구분하는 데 적용하였다.
네 가지 구름 등급을 결국 구름(cloudy)과 맑음(clear)으로 나누어 면적을 비교하였다. 즉 MODIS 구름 산출물에서 구름과 불확실 등급을 합하여 구름으로 구분하였고, 불확실 맑음과 완전 맑음을 합하여 구름이 없는 맑음으로 분석하였다. Fig.
대상 데이터
MODIS 영상은 Terra와 Aqua 위성에서 매일 촬영되므로, 사용된 MODIS 구름 산출물(MOD35, MYD35)은 총 48장(24일× 2회/일 = 48장)이다.
모두 192장의 시간별 GOCI영상에서 탐지된 결과를 MODIS 구름 산출물과 비교하기 위하여 MODIS와 거의 동일한 시간대에 촬영된 영상(11:00시, 14:00시)에서얻어진 결과만을 선정하였다. 검증에 사용된 시간별GOCI 구름 탐지 결과는 모두 48장이다.
매 시기별로 3일분 영상을 채택하여 연구에 사용된 GOCI 영상은 총 576장이다(24시기 × 3일 × 8회/일 = 576장).
본 연구에서 제안한 구름탐지기법을 24시기의 GOCI시간별 영상에 적용하여 육지에 해당하는 지역을 네 가지 구름 등급으로 분류하였다. 매 시기에 3일분 영상이 사용되었으나, 실제 구름 탐지가 이루어진 영상은 매 시기의 중간 날짜에 해당하는 시간별 영상(총 192장)이다. 그 동안 많은 구름 탐지 기법이 개발되었으나, 각 기법의 정확도를 판정하는 데에는 많은 어려움이 있다.
GOCI영상은 하루에 8회 촬영되나, MODIS 영상은 Terra위성에서 오전 11시와 Aqua위성에서 오후 2시경에 촬영된다. 모두 192장의 시간별 GOCI영상에서 탐지된 결과를 MODIS 구름 산출물과 비교하기 위하여 MODIS와 거의 동일한 시간대에 촬영된 영상(11:00시, 14:00시)에서얻어진 결과만을 선정하였다. 검증에 사용된 시간별GOCI 구름 탐지 결과는 모두 48장이다.
본 연구에서 제시한 구름 탐지 기법을 검증하기 위하여 GOCI 영상과 동일한 날짜에 촬영된 MODIS 구름산출물(cloud mask products)을 사용하였다. MODIS 영상은 Terra와 Aqua 위성에서 매일 촬영되므로, 사용된 MODIS 구름 산출물(MOD35, MYD35)은 총 48장(24일× 2회/일 = 48장)이다.
본 연구에서는 GOCI 영상의 전체 촬영 범위인 동북아시아의 육지 지역을 연구 대상으로 하였다 (Fig. 1). 한반도를 중심으로 한 동북아시아를 포함하는 이 지역은 중국 남부의 아열대 기후, 몽골의 건조 기후, 시베리아의 한대 기후까지 다양한 기후대를 포함하고 있으며, 기후 특성에 따라 구름의 공간적 계절적 분포 특성이 다양하게 나타난다.
한국해양과학기술원 해양위성센터(KOSC)에서는 2011년 4월부터 GOCI 영상자료를 제공하고 있다. 본연구에서는 구름 분포의 공간적 시간적 특성을 감안하여 전체 지역에 대하여 2011년 4월부터 2012년 3월까지 1년 동안 매월 두 시기의 영상을 선정하여 모두 24 시기의 영상을 사용하였다. 매 시기별로 3일분 영상을 채택하여 연구에 사용된 GOCI 영상은 총 576장이다(24시기 × 3일 × 8회/일 = 576장).
이 단계에서는 구름을 탐지하려는 현재 영상을 기준으로 당일과 전후일의 영상을 모두 이용하여 3일에 해당하는 24개(3일 × 8회) 시간별 영상의 평균을 임계값으로 사용하였다.
데이터처리
먼저 제안된 알고리즘에서 탐지된 구름의 분포를 GOCI 원영상과 육안으로 비교하여 구름 탐지 결과를 검증하였다. 또한 MODIS 구름 산출물 영상의 구름 탐지 결과와 GOCI 영상을 이용하여 제안한 구름 탐지 결과를 중첩하여 비교하였다. 비교 대상인 GOCI 영상과 MODIS 영상은 거의 같은 시간에 촬영되었지만 정확히 일치하지 않기 때문에, 구름의 시간적 이동을 감안하여MODIS 원영상도 함께 비교하였다.
이론/모형
다중시기 영상 기반의 구름 탐지 기법은 적응형 임계값을 사용함으로써 지역별, 시기별 반사율의 변이를 고려할 수 있다는 장점이 있다. 구름 탐지를 위한 적응형 임계값으로는 구름 탐지를 하고자 하는 현재 영상과 가장 인접한 시기에 확보된 구름이 없는 영상과의 반사율 차이(Hagolle et al., 2010; Han et al., 2014; Lyapustin et al., 2008)와 특정 기간에 포함된 영상들의 통계값(중앙값, 표준편차 등)을 사용한다(Wildt et al., 2007;Zhu and Woodcock,2014). 구름이 없는 영상에서 얻은 반사율을 이용한 다중시기영상 기반 구름 탐지 기법은 논리적으로 명확하며 효과적인 기법이다.
구름은 시간에 따른 이동성이 크기 때문에 시간적 편차가 큰 반면, 눈은 지표에 쌓인 후지속적으로 존재하므로 시간적 편차가 상대적으로 작다. 따라서 3일 동안의 24개 시간별 영상에서 얻어진b1/b8 값의 평균제곱근편차(root mean square deviation,RMSD)를 이용하여 눈과 구름을 구분하였다. 이세단계 중 마지막으로 적용된 임계값은 자동으로 결정되는 적응형 임계값이지만, 첫 번째와 두 번째 단계에 적용되는 임계값은 분석자의 주관에 따라 설정되어야 하는 한계가 있다.
성능/효과
(2013)는 GOCI 영상을 이용하여 여러 합성주기를 가진 식생지수 합성영상을 제작하여 각 합성물의 구름분포를 분석하였다. 1일부터 5일까지의 합성주기를 비교 분석한 결과 3일 합성주기로 제작된 식생지수 영상의 평균 구름량이 12.7%로 매우 낮게 나타났다. 합성주기를 길게 하면 구름량은 당연히 감소하게 되지만, 합성물의 관측주기가 낮아져 산불이나 홍수 등 빠른 변화를 관측하는 데 불리하게 된다.
GOCI 시계열영상으로 제안한 방법을 적용하여 탐지한 구름의 분포와 MODIS에서 탐지된 구름의 분포를 비교한 결과, 두꺼운 구름은 두 방법에서 거의 유사한 결과를 보여주고 있다. 그러나 얕은 구름이 분포하여 구름의 분광특성과 구름 아래 육지의 분광특성이 혼재된 경우에는 탐지된 결과에 다소 차이가 있다.
6은 2011년 10월 18일 오후 2시에 촬영된 GOCI및 Aqua MODIS 영상과 각각의 영상에서 추출된 구름 탐지 결과를 보여주고 있다. GOCI 영상의 구름 탐지 결과를 보면 일본과 중국 랴오닝 남부 해안 지역의 두꺼운 구름은 일치된 결과를 보여주고 있다. 그러나 중국 중서부 해안지역은 GOCI 영상에서 구름으로 탐지된 지역이 매우 넓게 분포하고 있지만, MODIS 구름 산출물은 불확실 등급으로 구분되었고 면적도 다소 감소되어 분포한다.
GOCI 영상에서 구름 탐지 결과는 네 가지 등급으로 구분하였으나, MODIS 구름 산출물에 포함된 구름 정보는 구름(cloudy), 불확실(uncertain), 불확실 맑음(probably clear), 완전 맑음(confident clear)의 네 가지로 나눈다. GOCI와 MODIS에서 구름 등급은 거의 같으나, 본 연구에서는 얇은 구름(thin cloud)의 등급이 있는반면, MODIS에서는 불확실(uncertain)의 등급이 있다. 두 등급의 정의에 다소 차이가 있지만, MODIS 구름 산출물에서 불확실 등급은 결국 구름과 육지의 신호가 혼합된 것으로 판단한 것이다.
MODIS 구름 산출물에서는 이 지역을 불확실과 구름의 두 가지 등급으로 구분하였으나, GOCI를 이용하여 제안된 방법을 적용한 결과 대부분 맑음 등급으로 구분하고 있다. MODIS 영상이나 GOCI 영상을 육안으로 판독한 결과, 이 지역에 구름이 거의 존재하지 않는 것으로 확인할 수 있었다. MODIS의 구름 탐지 기법은 비교적 높은 정확도를 가진 것으로 알려졌지만, 이 경우와 같이 구름이 아닌 화소가 구름으로 탐지되어 구름의 양이 과다 추정되는 경향이 있는 것으로 알려져 있다(Ackerman et al.
제안한 기법을 GOCI 영상에 적용하여 그 결과를 MODIS 구름 산출물과 비교한 결과 구름의 양에서는 거의 일치하는 결과를 보여주었다. 구름의 분포를 비교 분석한 결과 두꺼운 구름은 두 방법에서 거의 유사한 결과를 보여주고 있지만, 얇은 구름이 분포하여 구름의 분광특성과 구름 아래 육지의 분광특성이 혼재된 경우에는 탐지된 결과에 다소 차이가 있는 걸로 나타났다.
5는 GOCI 영상의 구름 탐지 결과와 MODIS 구름 산출물의 구름 정보를 비교하고 있다. 두 그래프는 각각 육지에서 구름 화소와 맑음 화소가 차지하는 비율을 비교하고 있는 데, GOCI 영상을 이용하여 제안된 방법으로 탐지된 구름의 양과 MODIS 구름 산출물에 나타난 구름의 양이 매우 유사하게 나타났다. 먼저 두 결과 값의 상관계수 r=0.
그러나 구름탐지 결과는 임계값에 매우 민감하게 반응하기 때문에 임계값을 아주 낮게 설정해주어 확실히 구름이 아닌 화소만을 탐지하였다. 많은 GOCI 영상에서 반복적인 실험을 통하여 반사율이 0.04 보다 작으면 구름의 영향이 없는 완전 맑음으로 판정하였다. 낮은 임계값 때문에 실제 구름이 아닌 깨끗한 모든 화소들이 완전 맑음으로 분류되지 않지만, 이 단계에서 누락된 화소들은 세 번째 단계에서 다시 불확실 맑음(probably clear)에 해당하는 화소로 분류된다.
GOCI의 가시광선과 근적외선 밴드 영상만으로 육지에서 구름을 정확히 탐지하는 데에는 한계가 있으며,낮 시간 동안 8회 촬영시점의 태양각 변화에 대한 반사율 및 반사율 비의 일간 변이도 존재하기 때문에 특정 파장대의 분광 반사율만을 이용하여 구름을 탐지하는데 한계가 있다. 본 연구에서는 다중시기영상을 사용한 방법을 함께 적용함으로써 MODIS와 거의 같은 수준으로 구름 화소를 탐지할 수 있다는 점에서 매우 고무적인 결과라 할 수 있다. GOCI 영상의 육상 활용을 위해서는 무엇보다 먼저 구름이 없는 산출물이 제공되어야 하며, 이 과정에서 각 화소별 구름 정보가 반드시 수반되어야 한다.
본연구에서 제안한 방법으로 GOCI 영상에서 탐지된 눈은 몽골뿐만 아니라 한반도 및 중국 동북부 지역의 광범위한 지역에 분포하고 있다. 이 지역들을 영상에서 자세히 판독한 결과 눈으로 확인되었고, 제안한 다중시기 영상 방법에 의한 눈 탐지 기법이 어느 정도 성능을 발휘하고 있음을 알 수 있다. 그러나, GOCI 영상에서는 중국 남부 지역의 일부분이 눈으로 탐지되었는데, 이는 영상판독결과 눈 탐지 알고리즘의 오류로 나타났다.
앞에서 언급했듯이, 본 연구에서 제안한 GOCI 영상을 이용한 구름 탐지 방법은 단파적외선 및 열적외선 파장 밴드가 없기 때문에 분광특성에 의한 구름탐지에 있어서 근원적인 한계를 가지고 있다. 이를 극복하고자 다중시기영상을 이용한 구름 탐지 방법을 제안하여 적용한 결과 지금까지 알려진 가장 우수한 구름 탐지 방법을 적용한 MODIS 구름 산출물과 매우 유사한 좋은 결과를 보여주고 있음을 확인할 수 있다.
다중시기영상 기법은 3일 정도의 짧은 기간에 토지 피복의 반사율이 일정하다는 가정 하에 반사율의 급격한 변화는 구름의 영향으로 간주하는 원리를 이용하였다. 제안한 기법을 GOCI 영상에 적용하여 그 결과를 MODIS 구름 산출물과 비교한 결과 구름의 양에서는 거의 일치하는 결과를 보여주었다. 구름의 분포를 비교 분석한 결과 두꺼운 구름은 두 방법에서 거의 유사한 결과를 보여주고 있지만, 얇은 구름이 분포하여 구름의 분광특성과 구름 아래 육지의 분광특성이 혼재된 경우에는 탐지된 결과에 다소 차이가 있는 걸로 나타났다.
후속연구
또한 두 가지 방법에 의한 구름 탐지 결과의 관계가 1:1에 근접한 선형관계로 두 방법에서 탐지된 구름의 양이 거의 같음을 알 수 있다. 앞에서 언급했듯이, 본 연구에서 제안한 GOCI 영상을 이용한 구름 탐지 방법은 단파적외선 및 열적외선 파장 밴드가 없기 때문에 분광특성에 의한 구름탐지에 있어서 근원적인 한계를 가지고 있다. 이를 극복하고자 다중시기영상을 이용한 구름 탐지 방법을 제안하여 적용한 결과 지금까지 알려진 가장 우수한 구름 탐지 방법을 적용한 MODIS 구름 산출물과 매우 유사한 좋은 결과를 보여주고 있음을 확인할 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
구름 탐지에 사용하는 단파적외선(SWIR)과 열적외선(TIR) 각각의 특징은 무엇인가?
구름탐지에 적합한 파장영역으로는 단파적외선(SWIR)과 열적외선(TIR)을들수 있다. 단파적외선 영역은 고층운과 권운의 탐지가 용이하며(Gao et al., 1993),특히 가시광선과 근적외선 영역에서 반사율이 거의 같은 눈과 구름을 구분하기에 적합한 파장영역이다. 열적외선 영역에서는 구름이 대부분의 육지표면 보다 낮은 온도를 가지고 있기 때문에 구름을 탐지하는데 중요한 역할을 한다. 그러나 GOCI 영상은 단파적외선과 열적외선 밴드가 없기 때문에 구름 탐지에 있어서 기본적인 한계가 있다.
정확한 구름 탐지가 어려운 이유는 무엇 때문인가?
,2003). 그러나 구름의 분광특성은 구름의 두께, 구성성분, 고도에 따라 다양하게 나타나기 때문에 정확한 구름 탐지는 매우 어려운 과정으로 알려져 있다(Zhu and Woodcock, 2014). 더 나아가 육지에서의 구름 탐지는 식물, 토양, 수면, 눈 등의 다양한 토지피복이 혼재된 이질적 분광특성을 가진 물체들과 구별되어야 하므로, 해양에서의 구름탐지 기법과 다른 접근이 필요하다.
정지궤도위성의 장점은 무엇인가?
정지궤도위성은 동일 지역을 상시 관측함으로써 매우 짧은 관측주기로 영상을 제공할 수 있다. 따라서 기존의 극궤도 위성보다 훨씬 단축된 주기로 구름이 없는 산출물을 제작할 수 있고, 지표면에서 발생하는 단기적인 변화를 효과적으로 모니터링 할 수 있다(Fensholt etal.
참고문헌 (23)
Ackerman, S.A., K.I. Strabala, W.P. Menzel, R.A. Frey, C.C. Moeller, and L.E. Gumley, 1998. Discriminating clear sky from clouds with MODIS, Journal of Geophysical Research: Atmospheres (1984-2012), 103(D24): 32141-32157.
Chen, P., R. Srinivasan, G. Fedosejevs, and J. Kiniry, 2003. Evaluating different NDVI composite techniques using NOAA-14 AVHRR data, International Journal of Remote Sensing, 24(17): 3403-3412.
de Wildt, Martijn de Ruyter, G. Seiz, and A. Gruen, 2007. Operational snow mapping using multitemporal Meteosat SEVIRI imagery, Remote Sensing of Environment, 109(1): 29-41.
Fensholt, R., A. Anyamba, S. Huber, S.R. Proud, C.J. Tucker, J. Small, E. Pak, M.O. Rasmussen, I. Sandholt, and C. Shisanya, 2011. Analysing the advantages of high temporal resolution geostationary MSG SEVIRI data compared to Polar Operational Environmental Satellite data for land surface monitoring in Africa, International Journal of Applied Earth Observation and Geoinformation, 13(5): 721-729.
Gao, B., A.F. Goetz, and W.J. Wiscombe, 1993. Cirrus cloud detection from airborne imaging spectrometer data using the 1.38 ${\mu}$ m water vapor band, Geophysical Research Letters, 20(4): 301-304.
Hagolle, O., M. Huc, D.V. Pascual, and G. Dedieu, 2010. A multi-temporal method for cloud detection, applied to FORMOSAT-2, VEN ${\mu}$ S, LANDSAT and SENTINEL-2 images, Remote Sensing of Environment, 114(8): 1747-1755.
Han, Y., B. Kim, Y. Kim, and W.H. Lee, 2014. Automatic cloud detection for high spatial resolution multi-temporal images, Remote Sensing Letters, 5(7): 601-608.
Holben, B.N., 1986. Characteristics of maximum-value composite images from temporal AVHRR data, International Journal of Remote Sensing, 7(11): 1417-1434.
Justice, C.O., J. Townshend, B. Holben, and E.C. Tucker, 1985. Analysis of the phenology of global vegetation using meteorological satellite data, International Journal of Remote Sensing, 6(8): 1271-1318.
Kriebel, K., G. Gesell, M. Kastner, and H. Mannstein, 2003. The cloud analysis tool APOLLO: improvements and validations, International Journal of Remote Sensing, 24(12): 2389-2408.
Lee, K., S. Park, S. Kim, H. Lee, and J. Shin, 2012. Radiometric characteristics of Geostationary Ocean Color Imager (GOCI) for land applications, Korean Journal of Remote Sensing, 28(3): 277-286.
Lee, H., S. Park, and K. Lee, 2013. Generation of cloud-free composites from Geostationary Ocean Color Imager (GOCI) data for land monitoring, Proc. of International Symposium of Remote Sensing, Tokyo, Japan, May 15-17.
Liu, R., and Y. Liu, 2013. Generation of new cloud masks from MODIS land surface reflectance products, Remote Sensing of Environment, 133: 21-37.
Lyapustin, A., Y. Wang, and R. Frey, 2008. An automatic cloud mask algorithm based on time series of MODIS measurements, Journal of Geophysical Research: Atmospheres (1984-2012), 113(D16).
Nigam, R., B.K. Bhattacharya, K.R. Gunjal, N. Padmanabhan, and N. Patel, 2011. Continental scale vegetation index from Indian geostationary satellite: algorithm definition and validation, Current Science, 100: 1184-1192.
Proud, S.R., R. Fensholt, L.V. Rasmussen, and I. Sandholt, 2011. Rapid response flood detection using the MSG geostationary satellite, International Journal of Applied Earth Observation and Geoinformation, 13(4): 536-544.
Rossow, W.B. and L.C. Garder, 1993. Cloud detection using satellite measurements of infrared and visible radiances for ISCCP, Journal of Climate, 6(12): 2341-2369.
Ryu, J., H. Han, S. Cho, Y. Park, and Y. Ahn, 2012. Overview of geostationary ocean color imager (GOCI) and GOCI data processing system (GDPS), Ocean Science Journal, 47(3): 223-233.
Saunders, R.W. and K.T. Kriebel, 1988. An improved method for detecting clear sky and cloudy radiances from AVHRR data, International Journal of Remote Sensing, 9(1): 123-150.
Stowe, L.L., P.A. Davis, and E.P. McClain, 1999. Scientific basis and initial evaluation of the CLAVR-1 global clear/cloud classification algorithm for the Advanced Very High Resolution Radiometer, Journal of Atmospheric and Oceanic Technology, 16(6): 656-681.
Yeom, J. and H. Kim, 2013. Feasibility of using Geostationary Ocean Colour Imager (GOCI) data for land applications after atmospheric correction and bidirectional reflectance distribution function modelling, International Journal of Remote Sensing, 34(20): 7329-7339.
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.
Zhu, Z. and C.E. Woodcock, 2014. Automated cloud, cloud shadow, and snow detection in multitemporal Landsat data: An algorithm designed specifically for monitoring land cover change, Remote Sensing of Environment, 152: 217-234.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.