[논문]황해 부유 녹조 면적 산출을 위한 멀티 위성센서 활용

김근용; 신지선; 유주형

doi:10.7780/kjrs.2018.34.2.2.4

황해 부유 녹조 면적 산출을 위한 멀티 위성센서 활용
Application of Multi-satellite Sensors to Estimate the Green-tide Area 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.34 no.2 pt.2, 2018년, pp.339 - 349

김근용 (한국해양과학기술원 해양위성센터) , 신지선 (KIOST-KMOU 해양과학기술전문대학원) , 유주형 (한국해양과학기술원 해양위성센터)

초록
AI-Helper

황해 녹조 대발생은 2008년 이후 매년 여름 대규모로 발생하고 있으며, 인공위성 분석을 통해 녹조 규모를 추정하기 위한 연구가 활발하게 진행되고 있다. 하지만 정확한 녹조 면적 산출을 위한 위성영상 선택 기준이 마련되어 있지 않은 실정이다. 따라서 이 연구에서는 위성영상의 공간해상도에 따른 녹조 면적 산출 결과의 차이를 알아보고, 녹조 면적 산출에 적합한 위성영상을 제시하고자 한다. 이 연구에서 이용한 위성영상은 Landsat ETM+, MODIS, GOCI로 영상의 공간해상도는 각각 30, 250, 500 m 이다. NDVI 알고리즘을 적용하여 녹조 픽셀을 분류하였고, 임계값에 따른 녹조 면적 산출 결과를 비교하였다. 또한, Linear Spectral Unmixing(LSU) 기법을 이용하여 한 픽셀 내에 녹조가 차지하는 비율을 추정하였고, 녹조 비율의 차이가 면적 계산에 미치는 영향을 평가하였다. NDVI 알고리즘을 이용한 녹조 면적 산출 결과, 공간해상도가 낮을수록 녹조 면적이 과대추정되는 경향을 보였고, 최대 1.5배 차이를 보였다. 또한, LSU 분석 결과에서 픽셀 내의 녹조 비율이 0.1(10%) 미만인 픽셀이 대부분이었고, 0.5(50%) 이상 녹조 비중을 차지하는 픽셀은 세 타입의 영상 모두에서 약 2% 수준으로 극히 적었다. 즉, NDVI 분석 결과에서 녹조로 분류된 픽셀의 경우 한 픽셀의 공간을 녹조가 100% 채우고 있지 않더라도 모두 동일 면적으로 간주되기 때문에 실제보다 과대추정되는 것으로 생각되고, 이러한 현상은 공간해상도 차이에 의해 심화되는 것으로 나타났다.

Abstract ▼ AI-Helper

The massive green tide occurred every summer in the Yellow Sea since 2008, and many studies are being actively conducted to estimate the coverage of green tide through analysis of satellite imagery. However, there is no satellite images selection criterion for accurate coverage calculation of green tide. Therefore, this study aimed to find a suitable satellite image from for the comparison of the green tide coverage according to the spatial resolution of satellite image. In this study, Landsat ETM+, MODIS and GOCI images were used to coverage estimation and its spatial resolution is 30, 250 and 500 m, respectively. Green tide pixels were classified based on the NDVI algorithm, the difference of the green tide coverage was compared with threshold value. In addition, we estimate the proportion of the green tide in one pixel through the Linear Spectral Unmixing (LSU) method, and the effect of the difference of green tide ratio on the coverage calculation were evaluated. The result of green tide coverage from the calculation of the NDVI value, coverage of green tide usually overestimate with decreasing spatial resolution, maximum difference shows 1.5 times. In addition, most of the pixels were included in the group with less than 0.1 (10%) LSU value, and above 0.5 (50%) LSU value accounted for about 2% in all of three images. Even though classified as green tide from the NDVI result, it is considered to be overestimated because it is regarded as the same coverage even if green tide is not 100% filled in one pixel. Mixed-pixel problem seems to be more severe with spatial resolution decreases.

주제어

표/그림 (8)

그림 Fig. 1. Floating macroalgal bloom in the Yellow Sea result from Landsat ETM+ true-color composite image (band 3, 2, 1 composite) acquired on 1 July 2015.
표 Table 1. Basic information of satellite images
그림 Fig. 2. Comparison of distribution patterns of floating green tide between the various spatial resolutions. Landsat (A), (D), MODIS (B), (E) and GOCI (C), (F).
그림 Fig. 3. Distribution of green tide patches by threshold value class of NDVI. (A) and (C) Large and wide patches of green tide and, (B) and (D) thin and long patches of green tide.
그림 Fig. 4. Comparison of green tide area (km2) calculated from Landsat ETM+, MODIS and GOCI images using NDVI algorithm. TH; threshold value.
그림 Fig. 5. Comparison between areas of green tide extracted by Landsat ETM+, MODIS and GOCI images using NDVI algorithms.
$Fig. 6. Distribution of green tide patches by fraction value of Linear Spectral Unmixing model. (A) Landsat ETM+, (B) MODIS and (C) GOCI images.$ 그림 Fig. 6. Distribution of green tide patches by fraction value of Linear Spectral Unmixing model. (A) Landsat ETM+, (B) MODIS and (C) GOCI images.
표 Table 2. Estimation of green tide coverage according to the ratio of green tide in pixel

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 이 연구에서는 녹조 탐지 연구에 주로 이용되고 있는 위성영상에서 산출된 녹조 면적이 공간해상도에 따라 어느 정도 차이를 보이는지 알아보고자 한다. 나아가 황해 녹조 면적 추정에 적합한 공간해상도의 인공위성 영상을 제시하고, 인공위성 영상에서 정확한 녹조 면적 산출을 위한 방법을 제시하고자 한다.
현 시점에서 인공위성 영상 분석을 통한 녹조 면적 산출이 가장 효과적인 방법으로 제시되고 있지만 다양한 인공위성 영상 중에서 효율적인 영상을 선택하는 기준이 마련되어 있지 않은 실정이다. 따라서 이 연구에서는 녹조 탐지 연구에 주로 이용되고 있는 위성영상에서 산출된 녹조 면적이 공간해상도에 따라 어느 정도 차이를 보이는지 알아보고자 한다. 나아가 황해 녹조 면적 추정에 적합한 공간해상도의 인공위성 영상을 제시하고, 인공위성 영상에서 정확한 녹조 면적 산출을 위한 방법을 제시하고자 한다.
, 2012). 본 연구에서는 정확한 녹조 규모 산정을 위하여 다중위성영상 분석을 적용해 보고, 공간해상도에 따른 녹조 면적 산출 결과의 차이에 대하여 알아보고자 하였다. 이를 통해 녹조 면적 추정에 적합한 공간해상도의 인공위성 영상을 제시하고자 시도되었다.
본 연구에서는 정확한 녹조 규모 산정을 위하여 다중위성영상 분석을 적용해 보고, 공간해상도에 따른 녹조 면적 산출 결과의 차이에 대하여 알아보고자 하였다. 이를 통해 녹조 면적 추정에 적합한 공간해상도의 인공위성 영상을 제시하고자 시도되었다.

제안 방법

kr)에서 다운로드하여 분석에 이용하였다. GOCI Level 2 자료인 레일리 반사도(Rayleigh corrected reflectance)영상은GDPS (GOCIData Processing Software) 소프트웨어 분석을 통하여 도출 되었고, 레일리 산란(Rayleigh scattering) 효과를 제거하기 위한 식은 아래 식(1)과 같다(Son et al., 2012).
gov) 홈페이지에서 다운로드 한 후 분석에 이용하였다. Landsat ETM+ 영상의 Level 1 자료는 Digital Number(DN) 값으로 제공되기 때문에 영상과 함께 제공되는 gain과 offset 값을 이용하여 복사에너지로 변환하였다. Landsat ETM+ 영상의 대기보정은 MODIS 영상 분석과 동일하게 ENVI 5.
Landsat ETM+ 영상의 Level 1 자료는 Digital Number(DN) 값으로 제공되기 때문에 영상과 함께 제공되는 gain과 offset 값을 이용하여 복사에너지로 변환하였다. Landsat ETM+ 영상의 대기보정은 MODIS 영상 분석과 동일하게 ENVI 5.3 소프트웨어의 FLAASH 대기보정 모듈을 이용하여 레일리 반사도 영상으로 변환하였다.
Landsat ETM+, MODIS, GOCI 위성영상에서 각각 추출된 end-member를 이용한 LSU 분석결과를 7개 계급군으로 나누어 구분하였다(Fig. 6). Landsat ETM+ 영상에서는 가늘고 긴 형태의 녹조 패치가 산발적으로 분포하지만, 저해상도 영상으로 갈수록 녹조 분포 형태가 단순화 되는 특징을 보였다.
Landsat ETM+, MODIS, GOCI 위성영상을 NDVI 알고리즘을 이용하여 분석하였고, 9개 NDVI 계급군으로 나누어 면적을 산출하였다(Fig. 4 and 5). NDVI 임계값을 0으로 지정한 경우 Landsat ETM+, MODIS, GOCI영상에서 도출된 녹조 면적은 각각 62.
NDVI 알고리즘 분석을 통해 도출된 녹조 패치 분포 결과에서 패치의 가장자리 픽셀을 결정하기 위해 대표적인 두 가지 형태의 패치를 선정하였다. 먼저 패치의 규모가 크고, 넓은 형태(대형 녹조 패치)와 가늘고, 긴 형태(소형 녹조 패치) 두 가지로 선정하여 각 픽셀이 가지는 NDVI 값을 0 이하부터 0.
, 2017), 이는 NDVI 임계값(threshold) 기준에 따라 녹조로 분류되는 픽셀 수가 달라질 수 있음을 의미한다. 따라서 NDVI 임계값 계급에 따라 위성 영상에서 산출되는 녹조 면적 추정 결과 비교를 위하여 9개의 NDVI 계급군으로 구분하여 분석하였다.
gov)에서 MOD02QKM 영상을 다운로드 하여 분석에 이용하였다. 레일리 반사도 영상은 ENVI 5.3 소프트웨어에서 제공되는 Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes (FLAASH) 대기보정 모듈을 이용하여 산출하였다. 이 모듈은 복사전달모델인 Moderate Resolution Atmospheric Transmission (MODTRAN)을 기반으로 만들어진 알고리즘으로 영상의 복사에너지(radiance) 값을 반사도(reflectance)로 변환시켜 준다.
NDVI 알고리즘 분석을 통해 도출된 녹조 패치 분포 결과에서 패치의 가장자리 픽셀을 결정하기 위해 대표적인 두 가지 형태의 패치를 선정하였다. 먼저 패치의 규모가 크고, 넓은 형태(대형 녹조 패치)와 가늘고, 긴 형태(소형 녹조 패치) 두 가지로 선정하여 각 픽셀이 가지는 NDVI 값을 0 이하부터 0.7 이상까지 9 계급([0, 0-0.1, 0.1-0.2, 0.2-0.3, 0.3-0.4, 0.4-0.5, 0.5-0.6, ]0.⁷⁾으로 나누어 구분 지었다(Fig. 3). Fig.
따라서 이 연구에서는 한 픽셀을 세분화하여 픽셀 내에 존재하는 녹조의 비율을 구분하기 위하여 Linear spectral unmixing(LSU)방법을 이용하였다. 영상 내에서 녹조와 해수를 대표하는 end-member 추출을 위하여 주성분분석(Principal component analysis; PCA)을 통해 영상 내에서 대표성을 갖는 균질한 픽셀을 선택하였다. 이 후 영상 내에서 녹조와 해수를 대표할 수 있는 가장 순수한 픽셀에서 각각의 end-member를 추출하였다.
위성영상의 공간해상도 차이에 따른 녹조 분포 양상을 비교하기 위하여 Landsat ETM+, MODIS, GOCI 영상을 NDVI 알고리즘으로 분석하였다(Fig. 2). Landsat ETM+, MODIS, GOCI 영상의 공간해상도는 각각 30, 250, 500 m로, 해상도 차이에도 불구하고 대략적인 녹조분포 패턴에는 큰 차이를 보이지 않았다(Fig.
영상 내에서 녹조와 해수를 대표하는 end-member 추출을 위하여 주성분분석(Principal component analysis; PCA)을 통해 영상 내에서 대표성을 갖는 균질한 픽셀을 선택하였다. 이 후 영상 내에서 녹조와 해수를 대표할 수 있는 가장 순수한 픽셀에서 각각의 end-member를 추출하였다. 세 타입의 위성영상에서 각기 추출된 end-member는 ENVI 5.
이 연구에서는 위성영상의 광학 특성에 따른 녹조 면적 차이에 대해서는 분석하지 않았지만, 공간해상도 차이만으로도 녹조 면적 추정 결과가 크게 달라지는 것을 보여 주었다. 즉, 정확한 녹조 면적 추출을 위해서는 고해상도 위성영상의 적용이 필요함을 의미하고, 이 연구에서는 Landsat ETM+ 영상의 분석 결과를 기준으로 다른 영상의 정확도를 판단하였다. 이는 실측 값이 없는 경우 현실적으로 제시할 수 있는 최선의 방법으로 판단되지만, 추후 현장 관측된 값과 비교를 통해 더욱 정밀한 녹조 면적산출 방법의 개선이 필요할 것으로 생각된다.
7(70%) 이상을 차지하였고, 픽셀 분포 양상 역시 매우 유사하였다. 한 픽셀 내에서 녹조가 차지하는 비율에 따른 면적 차이를 확인하기 위하여 LSU 분석결과를 10개 계급군으로 구분하여 각 계급군이 차지하는 비중과 녹조 면적을 계산하였다(Table 2). LSU 분석결과에서 픽셀 내의 녹조 면적이 0.

대상 데이터

GOCI는 세계 최초 정지궤도 해색 센서로 1시간 간격으로 일 8회 촬영이 이루어지고 있어 MODIS와 같은 극궤도 위성과 비교하여 높은 시간 해상도를 갖는다. GOCI 영상의 공간해상도는 500 m로 Level 1B 자료는 한국해양과학기술원 해양위성센터 홈페이지(http://kosc.kiost.ac.kr)에서 다운로드하여 분석에 이용하였다. GOCI Level 2 자료인 레일리 반사도(Rayleigh corrected reflectance)영상은GDPS (GOCIData Processing Software) 소프트웨어 분석을 통하여 도출 되었고, 레일리 산란(Rayleigh scattering) 효과를 제거하기 위한 식은 아래 식(1)과 같다(Son et al.
Landsat ETM+ 영상은 육상 센서로 16일을 주기로 동일지역 영상을 획득 가능하다. Landsat ETM+ 영상의 공간 해상도는 30 m이고, 본 연구에서는 Path 119, Row 35의 Level 1 자료를 U.S. Geological Survey (https://glovis.usgs.gov) 홈페이지에서 다운로드 한 후 분석에 이용하였다. Landsat ETM+ 영상의 Level 1 자료는 Digital Number(DN) 값으로 제공되기 때문에 영상과 함께 제공되는 gain과 offset 값을 이용하여 복사에너지로 변환하였다.
MODIS 영상의 공간해상도는 250 m이며, LAADS DAAC 홈페이지(https://ladsweb.modaps.eosdis.nasa.gov)에서 MOD02QKM 영상을 다운로드 하여 분석에 이용하였다. 레일리 반사도 영상은 ENVI 5.
황해 부유 녹조 탐지에는 Landsat ETM+, Moderate Resolution Imaging Spectroradiometer(MODIS),Geostationary Ocean Color Imager(GOCI) 영상이 이용되었으며, 공간 해상도는 각각 30, 250, 500 m 이다. 동일 시기에 촬영된 영상에서 녹조 분포 및 면적 추정 비교를 위하여 2015년 7월 1일 11시경에 획득된 영상을 분석에 이용하였다(Table 1). GOCI는 세계 최초 정지궤도 해색 센서로 1시간 간격으로 일 8회 촬영이 이루어지고 있어 MODIS와 같은 극궤도 위성과 비교하여 높은 시간 해상도를 갖는다.
본 연구에서는 매년 녹조 대발생이 빈번하게 관측되고 있는 황해 서부에 위치한 칭다오 북부 연안을 연구 지역으로 선정하였다(Fig. 1). 연구 해역은 Fig.
식에서 RNIR과 RRED는 각각 근적외선과 적색 파장대에서의 반사도를 의미하고, GOCI 영상의 경우 중심 파장이 0.680, 0.865 μm인 밴드를 각각 적색과 근적외선 파장으로 이용하였다.
1). 연구 해역은 Fig. 1에서도 확인 할 수 있듯이 매년 여름철 대규모 녹조 패치가 관측되고 있으며, 일부는 칭다오 연안까지 이동되면서 집중 관리가 필요한 지역으로 손꼽히고 있다. 또한 부유 녹조 대발생의 기원지로 알려진 장수성 연안보다 비교적 탁도가 낮아 위성 영상 분석에서 녹조 탐지가 용이한 해역이다.
황해 부유 녹조 탐지에는 Landsat ETM+, Moderate Resolution Imaging Spectroradiometer(MODIS),Geostationary Ocean Color Imager(GOCI) 영상이 이용되었으며, 공간 해상도는 각각 30, 250, 500 m 이다. 동일 시기에 촬영된 영상에서 녹조 분포 및 면적 추정 비교를 위하여 2015년 7월 1일 11시경에 획득된 영상을 분석에 이용하였다(Table 1).

데이터처리

이 후 영상 내에서 녹조와 해수를 대표할 수 있는 가장 순수한 픽셀에서 각각의 end-member를 추출하였다. 세 타입의 위성영상에서 각기 추출된 end-member는 ENVI 5.3 소프트웨어를 이용한 LSU 분석에 이용하였다. LSU 분석 결과는 0에서 1사이 값으로 표현되는데, 이는 픽셀 내에 타겟 지표가 차지하는 비율이 0% 에서 100% 사이에 존재함을 의미한다.

이론/모형

, 2017). 따라서 이 연구에서는 한 픽셀을 세분화하여 픽셀 내에 존재하는 녹조의 비율을 구분하기 위하여 Linear spectral unmixing(LSU)방법을 이용하였다. 영상 내에서 녹조와 해수를 대표하는 end-member 추출을 위하여 주성분분석(Principal component analysis; PCA)을 통해 영상 내에서 대표성을 갖는 균질한 픽셀을 선택하였다.
, 2012). 위성영상 분석을 이용한 녹조 탐지 연구에서 가장 많이 이용되는 탐지 기법의 하나인 NDVI(Normalize Difference Vegetation Index) 알고리즘을 적용하였고, 식은 아래와 같다(Huete and Justice, 1999).
이 연구에서는 다중위성영상 분석에 적용 가능하고,위성센서간의 고유한 특성 차이에도 불구하고 안정적인 녹조 탐지가 가능한 NDVI 알고리즘을 적용하였다(Xu et al., 2016a). 위성영상 분석을 통한 녹조 탐지에는 본연구에서 이용된 NDVI(Normalized DifferenceVegetation Index) 알고리즘 이외에도 FAI(Floating Algae Index), IGAG(Index of floating green algae for GOCI) 등 다양한 알고리즘이 개발되어 이용되고 있다(Ogashawara et al.

성능/효과

한 픽셀 내에서 녹조가 차지하는 비율에 따른 면적 차이를 확인하기 위하여 LSU 분석결과를 10개 계급군으로 구분하여 각 계급군이 차지하는 비중과 녹조 면적을 계산하였다(Table 2). LSU 분석결과에서 픽셀 내의 녹조 면적이 0.1(10%)인 계급군이 가장 많은 비중을 차지하였는데, Landsat ETM+, MODIS, GOCI 영상에서 각각 93.3, 85.6, 85.7% 수준이었다. 픽셀 내의 녹조 비율이 0.
6). Landsat ETM+ 영상에서는 가늘고 긴 형태의 녹조 패치가 산발적으로 분포하지만, 저해상도 영상으로 갈수록 녹조 분포 형태가 단순화 되는 특징을 보였다. 특히, Landsat ETM+ 영상에서 0.
2). Landsat ETM+, MODIS, GOCI 영상의 공간해상도는 각각 30, 250, 500 m로, 해상도 차이에도 불구하고 대략적인 녹조분포 패턴에는 큰 차이를 보이지 않았다(Fig. 2(a-c)).
이는 NDVI 분석 결과에서 녹조로 분류된 픽셀의 경우 한 픽셀의 공간을 녹조가 100% 채우고 있지 않더라도 모두 동일 면적으로 간주되기 때문에 실제보다 과대추정되는 것으로 생각된다. Linear Spectral Unmixing(LSU) 기법을 이용하여 한 픽셀 내에 녹조가 차지하는 비중을 알아본 결과, 녹조로 구분된 대부분의 픽셀은 10% 미만의 녹조가 포함되어 있는 것으로 조사되었다. 더욱이 50% 이상의 녹조 비중을 차지하는 픽셀의 경우 세 타입의 영상 모두에서 1% 미만으로 극히 적은 적으로 나타났다.
NDVI 알고리즘 적용을 통해 산출된 녹조 면적은 공간해상도가 낮을수록 과대추정되는 경향을 보였고, 최대 1.5배 차이를 보였다. 이는 NDVI 분석 결과에서 녹조로 분류된 픽셀의 경우 한 픽셀의 공간을 녹조가 100% 채우고 있지 않더라도 모두 동일 면적으로 간주되기 때문에 실제보다 과대추정되는 것으로 생각된다.
4). NDVI 임계값을 0.1로 설정한 결과 0으로 설정한 경우보다 약 2-3 배 가량 적은 면적의 녹조 픽셀이 산출되었다. 임계값이 0.
4 and 5). NDVI 임계값을 0으로 지정한 경우 Landsat ETM+, MODIS, GOCI영상에서 도출된 녹조 면적은 각각 62.6, 106.6, 80.5 km2로 Landsat ETM+와 MODIS 영상 분석 결과 간의 차이가 가장 크게 나타났다(Fig. 4). NDVI 임계값을 0.
2(d), (f)). 공간해상도가 250 m인 MODIS 영상은 Landsat ETM+영상 분석 결과와 매우 유사한 패치 분포 형태를 보였고, GOCI 영상과 비교하여 녹조 패치의 가장자리 구분이 다소 명확하게 구분되었다(Fig. 2(d-f)).
0 km²로 GOCI 영상에서 가장 많은 면적이 도출되었다. 녹조 비율이 0.2(20%) 이상을 차지하는 경우의 면적을 추정한 결과 Landsat ETM+, MODIS, GOCI 영상에서 녹조 면적은 각각 11.4, 19.9, 29.0 km₂로 현저하게 감소하였다. 특히, 픽셀 내에 녹조 비율이 0.
3 km²)이 계산되었다. 다만 세가지 위성 영상 면적 간의 차이는 줄어들었고, Landsat ETM+ 영상과 비교하여 MODIS와 GOCI 영상에서는 각각 10, 17 km² 많은 면적이 녹조로 구분되었다. NDVI 임계값을 0.
Linear Spectral Unmixing(LSU) 기법을 이용하여 한 픽셀 내에 녹조가 차지하는 비중을 알아본 결과, 녹조로 구분된 대부분의 픽셀은 10% 미만의 녹조가 포함되어 있는 것으로 조사되었다. 더욱이 50% 이상의 녹조 비중을 차지하는 픽셀의 경우 세 타입의 영상 모두에서 1% 미만으로 극히 적은 적으로 나타났다. 즉, NDVI, FAI, IGAG와 같은 하드 분류법(Hard Classification)을 이용할 경우 실제 녹조 면적보다 과대추정 될 수 있음을 의미하고, 이러한 현상은 공간해상도 차이에 의해 심화되는 것으로 보인다.
결론적으로 NDVI 알고리즘을 통해 추산된 녹조의 면적은 생물량을 반영할 수 이점이 있지만 정확한 대기보정이 이루어지지 않은 경우, 특히 다양한 위성영상을 이용하는 경우 다양한 대기상태에 대한 보정이 어렵기 때문에 동일 기준을 마련하기는 현실적으로 힘든 실정이다. 따라서 위성엉상 내에서 추출한 endmember를 이용한 LSU 기법이 다양한 혼합픽셀의 특성을 세분화 가능하기 때문에 녹조 면적 산출에 더 적합할 것으로 판단된다.
, 2012). 따라서, 다른 알고리즘과 비교하여 단순하면서도 가장 안정적인 결과를 도출하는 NDVI 알고리즘이 다중 위성영상의 녹조 면적 비교에는 가장 적합한 것으로 판단된다.
3으로 설정한 경우 위성 영상간의 녹조 면적 차이는 더욱 줄어들었다. 반면 NDVI 임계값을 0.4 이상으로 하면 이전 결과와는 반대로 Landsat ETM+ 영상의 녹조 면적보다 다른 두 영상의 녹조 면적이 작아지는 것으로 나타났다. 하지만 세가지 타입의 영상에서 산출된 녹조 면적간의 차이는 2 km² 이하로 차이가 크지 않았다.
7 계급군의 픽셀이 가장 많아 대형녹조 패치의 NDVI 계급군 분포와 큰 차이를 보였다. 비록 두 형태의 녹조 패치에서 NDVI 값 분포가 뚜렷하게 차이를 보였지만, 패치의 가장자리 픽셀의 경우 0 - 0.1범위의 값을 가지는 현상은 동일하게 나타났다.
, 2016). 이 연구에서는 위성영상의 광학 특성에 따른 녹조 면적 차이에 대해서는 분석하지 않았지만, 공간해상도 차이만으로도 녹조 면적 추정 결과가 크게 달라지는 것을 보여 주었다. 즉, 정확한 녹조 면적 추출을 위해서는 고해상도 위성영상의 적용이 필요함을 의미하고, 이 연구에서는 Landsat ETM+ 영상의 분석 결과를 기준으로 다른 영상의 정확도를 판단하였다.
(2015)은 MODIS 영상의 경우 낮은 공간해상도로 인하여 250 m² 이하 규모의 녹조 패치는 탐지되지 않기 때문에 실제 녹조 면적보다 과소추정 될 수 있음을 지적하였다. 이 연구에서도 마찬가지로 NDVI 임계값을 0.4 이상으로 높일 경우 Landsat ETM+ 영상에서 오히려 더 많은 양의 녹조 면적이 산출되는 결과를 보였다. 이는 고해상도 Landsat ETM+ 영상에서는 탐지 되었지만 저해상도 영상(MODIS, GOCI)에서는 탐지되지 않은 녹조 픽셀이 존재하기 때문인 것으로 보여진다.
7% 수준이었다. 픽셀 내의 녹조 비율이 0.1(10%) 이상인 픽셀을 모두 녹조로 가정하면 Landsat ETM+, MODIS, GOCI 영상에서 추정된 녹조 면적은 각각 170.6, 138.2, 203.0 km²로 GOCI 영상에서 가장 많은 면적이 도출되었다. 녹조 비율이 0.
하지만 위성영상의 공간해상도가 높을수록 패치 형태가 더욱 명확한 결과를 보였다. 해상도가 가장 낮은 GOCI영상의 경우 녹조 패치의 가장자리를 구분하기 위한 경계가 모호한 것으로 나타난 반면 해상도가 가장 높은 Landsat ETM+ 영상의 경우 가늘게 뻗은 패치의 형태까지 윤곽이 확실하게 구분되었다(Fig. 2(d), (f)).

후속연구

이 연구결과를 통하여 부유 녹조의 면적 추정에 있어 위성영상의 공간해상도가 얼마나 중요한지에 대해 보여주었고, 이를 통하여 녹조의 효율적 관리에 필요한 인원과 경비 추산에 필요한 녹조 규모를 결정하는데 보다 정확한 정보를 제공할 수 있을 것으로 기대한다. 다만, 이 연구에서는 녹조 면적 산출에 있어 밀도가 고려되지 않았기 때문에 추후 생물량 기반의 녹조 규모 추산을 위한 추가 연구가 필요할 것으로 생각된다.
본 연구에서는 다중위성자료 활용을 통하여 녹조 면적 추정 정확도를 향상시키고자 하였는데, 더욱 정확한 비교를 위해서는 위성영상의 공간해상도뿐만 아니라 분광해상도, 시간해상도, SNR(Signal-to-noise ratio) 등이 종합적으로 고려되어야 한다. 특히, 원격 탐사를 이용한 적조 탐지 연구를 위해서는 적조 발생 해역의 해수 특성뿐만 아니라 적조 생물의 종, 밀도 등 많은 요소들을 고려해야 하기 때문에 특정 해역의 일부 종에 대한 알고리즘이 개별적으로 개발되고 있다(Ahn and Shanmugam, 2006; Shin et al.
이 연구결과를 통하여 부유 녹조의 면적 추정에 있어 위성영상의 공간해상도가 얼마나 중요한지에 대해 보여주었고, 이를 통하여 녹조의 효율적 관리에 필요한 인원과 경비 추산에 필요한 녹조 규모를 결정하는데 보다 정확한 정보를 제공할 수 있을 것으로 기대한다. 다만, 이 연구에서는 녹조 면적 산출에 있어 밀도가 고려되지 않았기 때문에 추후 생물량 기반의 녹조 규모 추산을 위한 추가 연구가 필요할 것으로 생각된다.
즉, 정확한 녹조 면적 추출을 위해서는 고해상도 위성영상의 적용이 필요함을 의미하고, 이 연구에서는 Landsat ETM+ 영상의 분석 결과를 기준으로 다른 영상의 정확도를 판단하였다. 이는 실측 값이 없는 경우 현실적으로 제시할 수 있는 최선의 방법으로 판단되지만, 추후 현장 관측된 값과 비교를 통해 더욱 정밀한 녹조 면적산출 방법의 개선이 필요할 것으로 생각된다.
, 2016). 이와 같은 특성으로 인하여 선박을 이용하는 직접 조사 방법만으로는 대규모의 부유 녹조 패치의 분포와 이동을 확인하는데 한계가 있다. 따라서 많은 연구에서는 이러한 한계점 극복을 위하여 인공위성 영상 분석을 통한 부유 녹조 패치(patch)의 분포와 이동 모니터링이 이루어지고 있다(Xu et al.

참고문헌 (22)

Ahn, Y.H. and P. Shanmugam, 2006. Detecting the red tide algal bloom from satellite ocean color observations in optically complex Northeast-Asia Coastal waters, Remote Sensing of Environment, 103: 419-437.

상세보기
Cui, T.-W., J. Zhang, L.-E. Sun, Y.-J. Jia, W. Zhao, Z.-L. Wang, and J.-M. Meng, 2012. Satellite monitoring of massive green macroalgae bloom (GMB): imaging ability comparison of multisource data and drifting velocity estimation, International Journal of Remote Sensing, 33(17): 5513-5527.

상세보기
Hu, C., 2009. A novel ocean color index to detect floating algae in the global oceans, Remote Sensing of Environment, 113: 2118-2129.

상세보기
Hu, C., A. Li, C. Chen, J. Ge, F.E. Muller-Karger, J. Liu, F. Yu, and M.-X. He, 2010. On the recurrent Ulva prolifera blooms in the Yellow Sea and East China Sea, Journal of Geophysical Research, 115(C5).
Hu, L., C. Hu, and M.-X. He, 2017. Remote estimation of biomass of Ulva prolifera macroalgae in the Yellow Sea, Remote Sensing of Environment, 192: 217-227.

상세보기
Huete, A. and C. Justice, 1999. MODIS vegetation index (MOD 13) algorithm theoretical basis document, Greenbelt: NASA Goddard Space Flight Centre, http://modarch.gsfc.nasa.gov/modis/land/#vegetation-indices, Accessed on Jun. 13, 2017.
Kang, E.J., J.-H. Kim, K. Kim, H.-G. Choi, and K.Y. Kim, 2014. Re-evaluation of green tide-forming species in the Yellow Sea, Algae, 29(4): 267-277.

원문보기 상세보기
Leliaert, F., X. Zhang, N. Ye, E.J. Malta, A.H. Engelen, F. Mineur, H. Verbruggen, and O. De Clerck, 2009. Identity of the Qingdao algal bloom, Phycological Research, 57: 147-151.

상세보기
Liu, D., J.K. Keesing, Q. Xing, and P. Shi, 2009. World's largest macroalgal bloom caused by expansion of seaweed aquaculture in China, Marine Pollution Bulletin, 58: 888-895.

상세보기
Ogashawara, I., L. Lin, and M.J. Moreno-Madrinan, 2017. Slope algorithm to map algal blooms in inland waters for Landsat 8/Operational Land Imager images, Journal of Applied Remote Sensing, 11(1): 012005.

상세보기
Pan, B., S. Zhenwei, A. Zhenyu, J. Zhiguo, and M. Yi, 2016. A novel spectral-unmixing-based green algae area estimation method for GOCI data, IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing, 10(2): 437-449.
Qi, L., C. Hu, Q. Xing, and S. Shang, 2016. Long-term trend of Ulva prolifera blooms in the western Yellow Sea, Harmful Algae, 58: 35-44.

상세보기
Son, Y.B., J.-E. Min, and J.-H. Ryu, 2012. Detecting massive green algae (Ulva prolifera) blooms in the Yellow Sea and East China Sea using geostationary ocean color imager (GOCI) Data, Ocean Science Journal, 47(3): 359-375.

원문보기 상세보기
Shin, J., J.-E. Min, and J.-H. Ryu, 2017. A study on red tide surveillance system around the Korean coastal waters using GOCI, Korean Journal of Remote Sensing, 33(2): 213-230 (in Korean with English abstract).
Smetacek, V. and A. Zingone, 2013. Green and golden seaweed tides on the rise, Nature, 504: 84-88.

상세보기
Vermote, E.F., N.E. Saleous, C.O. Justice, Y.J. Kaufman, and J.L. Privette, 1997. Atmospheric correction of visible to middle-infrared EOS-MODIS data over land surfaces: Background, operational algorithm and validation, Journal of Geophysical Research, 102: 17131-17141.

상세보기
Wang, X.H., L. Li, X. Bao, and L.D. Zhao, 2009. Economic cost of an algae bloom cleanup in China's 2008 Olympic sailing venue, Eos Transactions American Geophysical Union, 90(28): 238-239.

상세보기
Xiao, Y., J. Zhang, and T. Cui, 2017. High-precision extraction of nearshore green tides using satellite remote sensing data of the Yellow Sea, China, International Journal of Remote Sensing, 38(6): 1626-1641.

상세보기
Xu, F.X., Z.Q. Gao, W.T. Shang, X.P. Jiang, X.Y. Zheng, J.C. Ning, and D.B. Song, 2017. Validation of MODIS-based monitoring for a green tide in the Yellow Sea with the aid of unmanned aerial vehicle, Journal of Applied Remote Sensing, 11: 012007.

상세보기
Xu, Q., H. Zhang, and Y. Cheng, 2016a. Multi-sensor monitoring of Ulva prolifera blooms in the Yellow Sea using different methods, Frontiers of earth Science, 10(2): 378-388.

상세보기
Xu, Q., H.Y. Zhang, Y.C. Cheng, S.S. Zhang, and W. Zhang, 2016b. Monitoring and tracking the green tide in the Yellow Sea with satellite imagery and trajectory model, IEEE Journal of Selected Topics in Applied Earth Observation and Remote Sensing, 9(11): 5172-5181.

상세보기
Ye, N.H., X.E. Zhang, Y.Z. Mao, C.W. Liang, D. Xu, J. Zou, Z.M. Zhuang, and Q.Y. Wang, 2011. 'Green tides' are overwhelming the coastline of our blue planet: taking the world's largest example, Ecological Research, 26: 477-485.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증