위성 영상의 정확한 구름 판별 여부는 이를 활용하여 생산되는 다른 산출물들의 정확도에 민감한 영향을 미치므로 매우 중요하다. 특히 해양에서 구름에 오염된 화소는 해수면 온도(Sea Surface Temperature: SST), 해색(ocean color), 클로로필-a(chlorophyll-a) 등 다양한 해양 기반산출물의 주된 오차 요인으로써 해양에서의 정확한 구름 탐지는 필수적이며 이는 해양 순환을 이해하는데 기여한다. 그러나 현재 Moderate Resolution Imaging Spectroradiometer (MODIS), Advanced Himawari Imager (AHI) 등 대부분 실시간 운영을 위한 알고리즘에서 사용되고 있는 고정 경계값 검사 방법은 태양-해양-센서의 상대적인 위치에 따라 변화하는 해양의 분광 특성을 고려하지 못하는 단점을 가지고 있다. 따라서 본 연구에서는 NOAA의 Himawari-8 구름 산출물을 이용하여 Himawari-8/AHI 반사도 채널에서의 태양 천정각(Solar Zenith Angle: SZA), 위성 천정각(Viewing Zenith Angle: VZA) 변화에 따른 청천 해양 표면 화소의 반사도를 수집하여 분광 라이브러리를 구축하였고 이를 이용하여 동적 경계값 방법인 Dynamic Time Warping (DTW)기법에 적용하여 구름탐지를 수행하였다. 본 연구의 구름탐지 결과를 Japan Meteorological Agency (JMA)의 구름 산출물과 정성적 비교한 결과 JMA 구름 산출물은 청천 화소를 불확실(unknown)으로 오탐지 및 과대탐지 하는 경향을 보였다. 이에 반해 본 연구에서는 태양 천정각이 고각인 지역에서 과대 탐지 및 오탐지되는 문제점을 개선하였다.
위성 영상의 정확한 구름 판별 여부는 이를 활용하여 생산되는 다른 산출물들의 정확도에 민감한 영향을 미치므로 매우 중요하다. 특히 해양에서 구름에 오염된 화소는 해수면 온도(Sea Surface Temperature: SST), 해색(ocean color), 클로로필-a(chlorophyll-a) 등 다양한 해양 기반산출물의 주된 오차 요인으로써 해양에서의 정확한 구름 탐지는 필수적이며 이는 해양 순환을 이해하는데 기여한다. 그러나 현재 Moderate Resolution Imaging Spectroradiometer (MODIS), Advanced Himawari Imager (AHI) 등 대부분 실시간 운영을 위한 알고리즘에서 사용되고 있는 고정 경계값 검사 방법은 태양-해양-센서의 상대적인 위치에 따라 변화하는 해양의 분광 특성을 고려하지 못하는 단점을 가지고 있다. 따라서 본 연구에서는 NOAA의 Himawari-8 구름 산출물을 이용하여 Himawari-8/AHI 반사도 채널에서의 태양 천정각(Solar Zenith Angle: SZA), 위성 천정각(Viewing Zenith Angle: VZA) 변화에 따른 청천 해양 표면 화소의 반사도를 수집하여 분광 라이브러리를 구축하였고 이를 이용하여 동적 경계값 방법인 Dynamic Time Warping (DTW)기법에 적용하여 구름탐지를 수행하였다. 본 연구의 구름탐지 결과를 Japan Meteorological Agency (JMA)의 구름 산출물과 정성적 비교한 결과 JMA 구름 산출물은 청천 화소를 불확실(unknown)으로 오탐지 및 과대탐지 하는 경향을 보였다. 이에 반해 본 연구에서는 태양 천정각이 고각인 지역에서 과대 탐지 및 오탐지되는 문제점을 개선하였다.
Accurate cloud discrimination in satellite images strongly affects accuracy of remotely sensed parameter produced using it. Especially, cloud contaminated pixel over ocean is one of the major error factors such as Sea Surface Temperature (SST), ocean color, and chlorophyll-a retrievals,so accurate c...
Accurate cloud discrimination in satellite images strongly affects accuracy of remotely sensed parameter produced using it. Especially, cloud contaminated pixel over ocean is one of the major error factors such as Sea Surface Temperature (SST), ocean color, and chlorophyll-a retrievals,so accurate cloud detection is essential process and it can lead to understand ocean circulation. However, static threshold method using real-time algorithm such as Moderate Resolution Imaging Spectroradiometer (MODIS), Advanced Himawari Imager (AHI) can't fully explained reflectance variability over ocean as a function of relative positions between the sun - sea surface - satellite. In this paper, we assembled a reflectance spectral library as a function of Solar Zenith Angle (SZA) and Viewing Zenith Angle (VZA) from ocean surface reflectance with clear sky condition of Advanced Himawari Imager (AHI) identified by NOAA's cloud products and spectral library is used for applying the Dynamic Time Warping (DTW) to detect cloud pixels. We compared qualitatively between AHI cloud property and our results and it showed that AHI cloud property had general tendency toward overestimation and wrongly detected clear as unknown at high SZA. We validated by visual inspection with coincident imagery and it is generally appropriate.
Accurate cloud discrimination in satellite images strongly affects accuracy of remotely sensed parameter produced using it. Especially, cloud contaminated pixel over ocean is one of the major error factors such as Sea Surface Temperature (SST), ocean color, and chlorophyll-a retrievals,so accurate cloud detection is essential process and it can lead to understand ocean circulation. However, static threshold method using real-time algorithm such as Moderate Resolution Imaging Spectroradiometer (MODIS), Advanced Himawari Imager (AHI) can't fully explained reflectance variability over ocean as a function of relative positions between the sun - sea surface - satellite. In this paper, we assembled a reflectance spectral library as a function of Solar Zenith Angle (SZA) and Viewing Zenith Angle (VZA) from ocean surface reflectance with clear sky condition of Advanced Himawari Imager (AHI) identified by NOAA's cloud products and spectral library is used for applying the Dynamic Time Warping (DTW) to detect cloud pixels. We compared qualitatively between AHI cloud property and our results and it showed that AHI cloud property had general tendency toward overestimation and wrongly detected clear as unknown at high SZA. We validated by visual inspection with coincident imagery and it is generally appropriate.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
, 2005). 따라서 본 연구에서는 고정 경계값의 단점을 보완하기 위하여 청천역 화소에서의 분광 특성을 수집하여 분광 라이브러리를 구축하고 이를 구름탐지에 이용하였다. 또한, 각 화소의 반사도 값은 변동적이지만 반사도 패턴은 일정함을 이용하여 Dynamic Time Warping(DTW) 기법을 적용하여 구름탐지를 수행하였다.
해양의 반사도는 태양-해양-센서의 상대적인 위치에 따라 변동성을 띄며 이러한 특성은 MODIS, AHI 등 현재 실시 간 운영을 위한 알고리즘에서 대부분 사용되고 있는 고정 경계값 검사 방법에서 고려되지 못한다. 따라서 본 연구에서는 이러한 해양의 분광특성을 고려하기 위하여 Himawari-8/AHI 반사도 채널 1~5번에서의 태양 천정각과 위성 천정각 변화에 따른 청천 해양 표면 화소의 반사도를 수집하여 분광 라이브러리를 구축하였다(Fig. 2). 분광 라이브러리 구축 시 태양 천정각 및 위성 천정각은 80° 미만, 5° 간격으로 설정하였으며, 이때 천천 화소는 NOAA ACSPO SST 시스템의 AHI SST의 Quality Flag가 맑음(clear) 기준으로 설정하였다.
분광 라이브러리 구축결과, 청천 화소의 해양 반사도는 태양 천정각과 위성 천정각에 따라 각 밴드에서의 값은 변동성을 보이고 있었지만 반사도 밴드 간 일정한 패턴을 보였다. 따라서 본 연구에서는 이러한 해양의 분광특성을 이용하여 구름탐지를 수행하였다.
본 연구에서는 대부분 현업에서 사용되는 고정 경계값 검사 방법의 단점을 보완하기 위해 시·공간에 따라 변화하는 해양의 특성을 반영할 수 있는 새로운 방법의 구름탐지 기법을 개발하였다.
ACSPO SST 시스템으로부터 산출된 AHI SST의 Quality Flag는 구름(cloud), 불확실한 구름(probably cloud), 청천(clear)으로 구성되어 있다. 본 연구에서는 청천 화소 영역을 기준으로 AHI의 해양 표면 반사도를 수집하여 분광 라이브러리를 구축하였다. 본 연구에서 수행된 구름 탐지 산출물의 정확도를 검증하기 위하여 Japan Meteorological Agency(JMA)에서 제공하는 AHI 구름 타입(Cloud type) 자료를 사용하였으며, 해당 자료는 공간 해상도 5km의 자료를 10분 간격으로 제공하고 있다.
86μm 밴드의 아노말리(Anomaly) 검사 순으로 진행된다. 본 연구에서는 태양 천정각 이 커짐에 따라 반사도 값이 비정상적으로 커지는 현상을 보완하기 위하여 태양 천정 각에 따라 보정하여 사용하였다(식(1)). 이 때, ρθ 보정된 반사도, SZA는 태양 천정각, ρ0는 관측된 반사도를 의미한다.
1은 본 연구의 해양 구름 탐지 과정을 나타낸 모식도이다. 본 연구에서는 해양 구름 탐지를 위한 선행단계로써 분광 라이브러리를 구축하였다. 이 후 주간(태양 천정각(Solar Zenith Angle, SZA) < 80°)인 해양 지역에 한하여 연구를 수행하였다.
제안 방법
DTW 기법을 이용하여 0.86μm 밴드에서 분광 라이브러리와 관측된 반사도 간의 유클리드 거리의 차이가 태양 천정각 50° 미만은 0.05, 태양 천정각이 50° 이상 70° 미만은 0.15 이상인 화소를 구름으로 탐지하였으며 Sunglint 영역에서는 0.86μm 밴드의 분광 라이브러리와 관측된 반사도 간의 유클리드 거리의 차이가 0.3 이상은 구름으로 탐지하였다.
먼저 두 시계열 자료로 이루어진 격자상에서 각 성분간의 유클리드 거리를 구한다. 그리고 각 열의 시작성분에서 끝 성분까지 최소거리를 택하여 최적의 정합(matching)을 구한다(Fig. 3). 본 연구에서는 시계열 자료 대신 구축된 분광 라이브러리와 관측된 반사도를 사용하여 유사도를 판단하였다.
누적 최소 비용 검사는 누적 최소 비용이 태양 천정각 60° 미만은 0.2, 태양 천정각 50° 미만은 0.3 이상인 화소를 구름으로 탐지 하였으며 sun-glint 영역에서는 0.6 이상인 화소를 구름으로 탐지하였다.
본 연구에서 산출된 구름탐지 산출물의 정확도를 검증하기 위하여 JMA AHI 구름 타입 자료와의 비교를 수행하였다. 검증 기간은 2016년 8월 1일 00:00~23:00(UTC)의 24개 영상을 사용하였으며, 정량적 검증을 위하여 탐지율을 나타내는 지수인 Probability of Detection (POD) 와 오탐지율를 나타내는 지수인 False Alarm Ratio (FAR) 를 이용하였다.
본 연구에서는 반사도 AHI 1번-5번 채널의 평균값을 바탕으로 0.86 μm 밴드의 아노말리를 계산하여 구름탐지에 이용하였다.
3). 본 연구에서는 시계열 자료 대신 구축된 분광 라이브러리와 관측된 반사도를 사용하여 유사도를 판단하였다. 0.
본 연구의 구름탐지는 0.86μm 밴드의 유클리드 거리 검사, 누적 최소 비용(total cumulative smallest cost) 검사, IST0 검사, 0.86μm 밴드의 아노말리(Anomaly) 검사 순으로 진행된다.
분광 라이브러리 구축 시 태양 천정각 및 위성 천정각은 80° 미만, 5° 간격으로 설정하였으며, 이때 천천 화소는 NOAA ACSPO SST 시스템의 AHI SST의 Quality Flag가 맑음(clear) 기준으로 설정하였다.
이 때 IST0는 IST0는 MODIS의 얼음 표면 온도가 273.0 K 일 때 대응되는 11.03μm 밝기 온도 값을 의미하며 본 연구에서는 IST0와 IST0와 AHI의 11.2μm 밝기 온도차를 이용하여 구름탐지를 수행하였다.
이 후 반사도 밴드간의 관계를 이용한 0.86μm 밴드의 아노말리 검사, 밝기 온도를 고려하기 위한 IST0 검사를 바탕으로 최종적인 해양 구름 산출물을 생산하였다.
이 후 주간(태양 천정각(Solar Zenith Angle, SZA) < 80°)인 해양 지역에 한하여 연구를 수행하였다.
본 연구에서는 대부분 현업에서 사용되는 고정 경계값 검사 방법의 단점을 보완하기 위해 시·공간에 따라 변화하는 해양의 특성을 반영할 수 있는 새로운 방법의 구름탐지 기법을 개발하였다. 이를 위해 정지궤도 기상위성인 HIMAWARI-8/AHI 기반의 반사도 분광 라이브러리를 구축하고 이를 이용하여 해양에서의 구름 탐지를 수행하였다. 분광 라이브러리 분석 결과, 해양에서의 반사도는 태양 천정각, 위성 천정각에 따른 변동성을 가지고 있었지만, 파장에 따른 반사도의 변화는 각기 다른 태양 천정각에서 유사한 패턴을 보였다.
태양 천정각이 60° 보다 크고 0.86 μm 밴드의 아노말리가 -1.2 보다 작거나 -0.4보다 큰 지역에서 IST0-11.2μm 밝기 온도가 -15 K 보다 큰 지역을 구름이라고 탐지하였고 Sun-glint 영역에서는IST0가 206 K 보다 작거나 267 K 보다 큰 지역을 구름, IST0-11.2μm 밝기 온도가 20 K보다 작은 지역을 구름이라고 탐지하였다.
대상 데이터
본 연구에서 산출된 구름탐지 산출물의 정확도를 검증하기 위하여 JMA AHI 구름 타입 자료와의 비교를 수행하였다. 검증 기간은 2016년 8월 1일 00:00~23:00(UTC)의 24개 영상을 사용하였으며, 정량적 검증을 위하여 탐지율을 나타내는 지수인 Probability of Detection (POD) 와 오탐지율를 나타내는 지수인 False Alarm Ratio (FAR) 를 이용하였다. 그 결과 POD 65%, FAR 0.
본 연구에서는 청천 화소 영역을 기준으로 AHI의 해양 표면 반사도를 수집하여 분광 라이브러리를 구축하였다. 본 연구에서 수행된 구름 탐지 산출물의 정확도를 검증하기 위하여 Japan Meteorological Agency(JMA)에서 제공하는 AHI 구름 타입(Cloud type) 자료를 사용하였으며, 해당 자료는 공간 해상도 5km의 자료를 10분 간격으로 제공하고 있다. AHI 구름 타입 자료는 International Satellite Cloud Climatology Project(ISCCP)에 따라 청천역을 포함하여 총 10가지의 종류로 구분된다(Table 2).
본 연구에서는 2016년 3월~10월의 Himawari-8 full disk 자료를 사용하였고 가시채널인 1~3번과 근적외 채널인 4~5번을 사용하여 청천 해양 표면의 분광 라이브러리를 구축하였다. 분광 라이브러리 구축 시, 구름의 영향이 전혀 없는 깨끗한 화소의 분광특성을 수집하는 것은 매우 중요하기 때문에 높은 정확도를 보유하고 있는 National Oceanic and Atmospheric Administration The Advanced Clear-Sky Processor for Oceans(NOAA ACSPO) SST 시스템의 AHI SST 자료를 사용 하였다.
본 연구에서는 일본 기상청의 차세대 기상 정지궤도 위성인 Himawari-8 자료를 이용하였다. Himawari-8 위성에 탑재된 AHI 센서는 총 16개의 채널을 가지고 있으며 중심파장 및 해상도는 Table 1과 같으며, 10분마다 전구영역을 관측한다.
본 연구에서는 2016년 3월~10월의 Himawari-8 full disk 자료를 사용하였고 가시채널인 1~3번과 근적외 채널인 4~5번을 사용하여 청천 해양 표면의 분광 라이브러리를 구축하였다. 분광 라이브러리 구축 시, 구름의 영향이 전혀 없는 깨끗한 화소의 분광특성을 수집하는 것은 매우 중요하기 때문에 높은 정확도를 보유하고 있는 National Oceanic and Atmospheric Administration The Advanced Clear-Sky Processor for Oceans(NOAA ACSPO) SST 시스템의 AHI SST 자료를 사용 하였다. AHI SST는 NOAA의 in-situ SST Quality monitor(iQuam)의 검증 시스템을 통하여 in-situ 데이터와 검증되고 있으며 2015년 7월 15일~22일 기간 동안 검증 결과 편차 ±0.
이론/모형
0.86μm 밴드의 유클리드 거리 검사 및 누적 최소 비용 검사는 Dynamic Time Warping(DTW) 기법을 기반으로 수행되었다.
3. To find the optimal warping path, we construct a Cost matrix using Dynamic Time Warping (DTW) method.
분광 라이브러리 분석 결과, 해양에서의 반사도는 태양 천정각, 위성 천정각에 따른 변동성을 가지고 있었지만, 파장에 따른 반사도의 변화는 각기 다른 태양 천정각에서 유사한 패턴을 보였다. 따라서 이러한 반사도 패턴 간의 유사도를 판단하기 위하여 DTW 기법을 이용하여 동적 경계값을 설정하여 구름을 탐지 하였다. 이 후 반사도 밴드간의 관계를 이용한 0.
따라서 본 연구에서는 고정 경계값의 단점을 보완하기 위하여 청천역 화소에서의 분광 특성을 수집하여 분광 라이브러리를 구축하고 이를 구름탐지에 이용하였다. 또한, 각 화소의 반사도 값은 변동적이지만 반사도 패턴은 일정함을 이용하여 Dynamic Time Warping(DTW) 기법을 적용하여 구름탐지를 수행하였다.
성능/효과
AHI SST는 NOAA의 in-situ SST Quality monitor(iQuam)의 검증 시스템을 통하여 in-situ 데이터와 검증되고 있으며 2015년 7월 15일~22일 기간 동안 검증 결과 편차 ±0.2 K 이내, 표준편차 0.4-0.6K이내의 높은정확도를 보였다.
검증 기간은 2016년 8월 1일 00:00~23:00(UTC)의 24개 영상을 사용하였으며, 정량적 검증을 위하여 탐지율을 나타내는 지수인 Probability of Detection (POD) 와 오탐지율를 나타내는 지수인 False Alarm Ratio (FAR) 를 이용하였다. 그 결과 POD 65%, FAR 0.11%로 이는 대체적으로 구름을 과소 탐지하는 것으로 분석된다. 본연구의 구름 탐지 결과와 JMA의 AHI 구름 타입 자료를 정성적 비교하였으며 Fig.
정성적 비교 결과(d), (e), (f)의 빨간 박스와 같이 JMA의 AHI 구름 타입 자료의 경우, 태양 천정각이 고각인 지역에서 RGB 합성영상에서 청천 지역으로 판단되는 지역도 불확실으로 오탐지 하였다. 그러나 본 연구의 구름 탐지 결과에서는 일반적인 구름탐지에서 쉽게 나타나는 태양 천정각이 고각일 때 나타나는 과대탐지가 나타나지 않았으며 이는 분광 라이브러리를 구축할 때 태양 천정각을 고려한 영향으로 보인다.
분광 라이브러리 구축 시 태양 천정각 및 위성 천정각은 80° 미만, 5° 간격으로 설정하였으며, 이때 천천 화소는 NOAA ACSPO SST 시스템의 AHI SST의 Quality Flag가 맑음(clear) 기준으로 설정하였다. 분광 라이브러리 구축결과, 청천 화소의 해양 반사도는 태양 천정각과 위성 천정각에 따라 각 밴드에서의 값은 변동성을 보이고 있었지만 반사도 밴드 간 일정한 패턴을 보였다. 따라서 본 연구에서는 이러한 해양의 분광특성을 이용하여 구름탐지를 수행하였다.
이를 위해 정지궤도 기상위성인 HIMAWARI-8/AHI 기반의 반사도 분광 라이브러리를 구축하고 이를 이용하여 해양에서의 구름 탐지를 수행하였다. 분광 라이브러리 분석 결과, 해양에서의 반사도는 태양 천정각, 위성 천정각에 따른 변동성을 가지고 있었지만, 파장에 따른 반사도의 변화는 각기 다른 태양 천정각에서 유사한 패턴을 보였다. 따라서 이러한 반사도 패턴 간의 유사도를 판단하기 위하여 DTW 기법을 이용하여 동적 경계값을 설정하여 구름을 탐지 하였다.
86μm 밴드의 아노말리 검사, 밝기 온도를 고려하기 위한 IST0 검사를 바탕으로 최종적인 해양 구름 산출물을 생산하였다. 최종 구름 탐지 산출물과 JMA의 AHI 구름 타입 자료와의 정량적 검증 결과 POD 65%, FAR 0.11%의 과소 탐지 경향을 보여주었다. 하지만 정성적 비교 결과 JMA 의 구름 타입 자료 및 일반적으로 구름산출물에서 발생하는 태양 천정각이 고각일 때 나타나는 구름 과대탐지를 개선하였다.
11%의 과소 탐지 경향을 보여주었다. 하지만 정성적 비교 결과 JMA 의 구름 타입 자료 및 일반적으로 구름산출물에서 발생하는 태양 천정각이 고각일 때 나타나는 구름 과대탐지를 개선하였다. 이는 해수면 온도, 해 색, 클로로필-a 등과 같은 해양 기반 산출물의 정확도 향상 및 이를 이용한 수치 예보 및 기후감시의 정확도 향상에 도움을 줄 수 있을 것이라고 사료된다.
후속연구
하지만 정성적 비교 결과 JMA 의 구름 타입 자료 및 일반적으로 구름산출물에서 발생하는 태양 천정각이 고각일 때 나타나는 구름 과대탐지를 개선하였다. 이는 해수면 온도, 해 색, 클로로필-a 등과 같은 해양 기반 산출물의 정확도 향상 및 이를 이용한 수치 예보 및 기후감시의 정확도 향상에 도움을 줄 수 있을 것이라고 사료된다.
질의응답
핵심어
질문
논문에서 추출한 답변
구름 탐지가 중요한 이유는 무엇인가?
구름 탐지는 위성 자료를 산출하기 위해 가장 선행되어야 하는 과정으로, 다른 산출물의 정확도에 영향을 미치기 때문에 정확한 구름탐지는 중요하다. 특히 해양에서의 구름탐지는 해양 순환을 이해하는데 필수적인 해양기반 산출물인 해수면 온도(Sea Surface Temperature,SST), 해색(Ocean color), 클로로필-a(chlorophyll-a) 등의 정확도에 영향을 미치기 때문에 정확한 해양 구름탐지는 필수적이다.
해양구름 탐지에서 육상 구름 탐지와 다르게 추가로 고려해야 할 것은?
특히 해양에서의 구름탐지는 해양 순환을 이해하는데 필수적인 해양기반 산출물인 해수면 온도(Sea Surface Temperature,SST), 해색(Ocean color), 클로로필-a(chlorophyll-a) 등의 정확도에 영향을 미치기 때문에 정확한 해양 구름탐지는 필수적이다. 일반적으로 해양은 지표 타입이 다양한 육지에 비해 표면 형태가 일정하므로 해양에서의 구름 탐지는 육지에 비해 용이하다고 알려져 있으나 해류나 바닷물의 용승으로 인한 온도의 변동성과 해양과 육지의 복사대비 효과로 인한 해안선의 오차는 해양 구름 탐지의 오차를 야기한다(Simpson et al., 2001). 또한, 육상에서는 나타나지 않는 태양-해수면-위성의 기하학적 특성으로 인한 sun-glint 현상이 존재한다(Kim and Yang,2015). 따라서 해양에서의 구름탐지를 수행할 때는 이러한 해양의 특성을 고려한 구름 탐지가 필요하다. 해양구름 탐지에 관한 많은 연구가 수행되었으나 Moderate Resolution Imaging Spectroradiometer(MODIS)와 Advanced Himawari Imager(AHI) 등 대부분 실시간 운영을 위한 알고리즘에서는 넓은 지역을 동시에 처리하기 위해 채널별 특성을 이용한 고정 경계값 검사 방법을 기반으로 해양 구름 탐지가 이루어지고 있다.
정확한 해양 구름탐지가 필수적인 이유는 무엇인가?
구름 탐지는 위성 자료를 산출하기 위해 가장 선행되어야 하는 과정으로, 다른 산출물의 정확도에 영향을 미치기 때문에 정확한 구름탐지는 중요하다. 특히 해양에서의 구름탐지는 해양 순환을 이해하는데 필수적인 해양기반 산출물인 해수면 온도(Sea Surface Temperature,SST), 해색(Ocean color), 클로로필-a(chlorophyll-a) 등의 정확도에 영향을 미치기 때문에 정확한 해양 구름탐지는 필수적이다. 일반적으로 해양은 지표 타입이 다양한 육지에 비해 표면 형태가 일정하므로 해양에서의 구름 탐지는 육지에 비해 용이하다고 알려져 있으나 해류나 바닷물의 용승으로 인한 온도의 변동성과 해양과 육지의 복사대비 효과로 인한 해안선의 오차는 해양 구름 탐지의 오차를 야기한다(Simpson et al.
참고문헌 (8)
An, H.J., J.Y. Jeong, and M.H. An, 2005. Cloud detection in satellite imagery using neural network model, Korean Meteorological Society, 4: 442-443 (in Korean).
Jeong C., 1997. Korean speech recognition, The Magazine of the IEEK, 24(9): 1071-1078 (in Korean).
Jin, D.H., K. S. Lee, S. W. Choi, M. Seo, D. Lee, C.Y., Kwon, and K. S. Han, 2017. Determination of dynamic threshold for sea-ice detection through relationship between 11 ${\mu}m$ brightness temperature and 11-12 ${\mu}m$ brightness temperature difference, Korean Journal of Remote Sensing, 33(2): 243-248 (in Korean with English abstract).
Key, J.R., J.B. Collins, C. Fowler, and R.S. Stone, 1997. High-latitude surface temperature estimates from thermal satellite data, Remote Sensing of Environment, 61: 302-309.
Kim, S.H. and C.S. Yang, 2015. Current Status of Hyperspectral Data Processing Techniques for Monitoring Coastal Waters, Journal of the Korean Association of Geographic Information Studies, 18(1): 48-63 (in Korean with English abstract).
Sakoe, H. and S. Chiba, 1978. Dynamic programming algorithm optimization for spoken word recognition, IEEE transactions on acoustics, speech, and signal processing, 26(1): 43-49.
Simpson, J. J., T. J. McIntire, J. R. Stitt, and G. L. Hufford, 2001. Improved cloud detection in AVHRR daytime and night-time scenes over the ocean, International Journal of Remote Sensing, 22(13): 2585-2615.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.