논과 고랭지 배추밭 대상 Sentinel-2A/B 정규식생지수 월 합성영상의 구름 제거 효과 분석 Analysis of the Cloud Removal Effect of Sentinel-2A/B NDVI Monthly Composite Images for Rice Paddy and High-altitude Cabbage Fields원문보기
농작물은 그 종과 생육상태에 따라 민감한 분광특성을 나타내며, 특히 여름철에 집중적으로 관측이 필요하나 장마로 인해 광학위성의 활용이 어렵다. 이 문제를 해결하기 위해 CC-MNC(Constrained Cloud-Maximum NDVI Composite) 기법이 개발되었으며, 이 기법을 통해 구름의 영향이 최소화된 일정 주기의 대표 합성영상이 생성된다. 본 연구에서도 이 기법을 이용하여, 2019년부터 2021년까지 논과 고랭지 배추밭을 대상으로 Sentinel-2A/B NDVI 월합성영상을 제작하였다. 다른 해보다 200 mm 많은 강수량을 보이는 2020년 8월에는 16일 주기 MODIS NDVI합성영상에서도 구름의 영향이 크게 나타났다. 이 시기를 제외하고 CC-MNC 기법은 평균적으로 원영상의 45.4%의 구름 비율을 14.9%로 줄일 수 있었다. 논의 경우 Sentinel-2A/B와 MODIS NDVI 값이 큰 차이가 나지 않았으며, 5일의 주기로도 벼의 생육 주기를 잘 모니터링할 수 있었다. 고랭지 배추밭의 경우, Sentinel-2A/B에서는 고랭지 배추의 짧은 생육 주기가 잘 나타났지만, MODIS는 공간해상도의 한계를 보였다. 이와 함께 CC-MNC 기법은 수확 시기에 구름 화소가 합성에 사용되는 현상이 보이기도 하였으며, 국내지역에 맞게 VZA 임계치의 조정이 필요하다는 시사점이 도출되었다.
농작물은 그 종과 생육상태에 따라 민감한 분광특성을 나타내며, 특히 여름철에 집중적으로 관측이 필요하나 장마로 인해 광학위성의 활용이 어렵다. 이 문제를 해결하기 위해 CC-MNC(Constrained Cloud-Maximum NDVI Composite) 기법이 개발되었으며, 이 기법을 통해 구름의 영향이 최소화된 일정 주기의 대표 합성영상이 생성된다. 본 연구에서도 이 기법을 이용하여, 2019년부터 2021년까지 논과 고랭지 배추밭을 대상으로 Sentinel-2A/B NDVI 월합성영상을 제작하였다. 다른 해보다 200 mm 많은 강수량을 보이는 2020년 8월에는 16일 주기 MODIS NDVI합성영상에서도 구름의 영향이 크게 나타났다. 이 시기를 제외하고 CC-MNC 기법은 평균적으로 원영상의 45.4%의 구름 비율을 14.9%로 줄일 수 있었다. 논의 경우 Sentinel-2A/B와 MODIS NDVI 값이 큰 차이가 나지 않았으며, 5일의 주기로도 벼의 생육 주기를 잘 모니터링할 수 있었다. 고랭지 배추밭의 경우, Sentinel-2A/B에서는 고랭지 배추의 짧은 생육 주기가 잘 나타났지만, MODIS는 공간해상도의 한계를 보였다. 이와 함께 CC-MNC 기법은 수확 시기에 구름 화소가 합성에 사용되는 현상이 보이기도 하였으며, 국내지역에 맞게 VZA 임계치의 조정이 필요하다는 시사점이 도출되었다.
Crops show sensitive spectral characteristics according to their species and growth conditions and although frequent observation is required especially in summer, it is difficult to utilize optical satellite images due to the rainy season. To solve this problem, Constrained Cloud-Maximum Normalized ...
Crops show sensitive spectral characteristics according to their species and growth conditions and although frequent observation is required especially in summer, it is difficult to utilize optical satellite images due to the rainy season. To solve this problem, Constrained Cloud-Maximum Normalized difference vegetation index Composite (CC-MNC) algorithm was developed to generate periodic composite images with minimal cloud effect. In thisstudy, using this method, monthly Sentinel-2A/B Normalized Difference Vegetation Index (NDVI) composite images were produced for paddies and high-latitude cabbage fields from 2019 to 2021. In August 2020, which received 200mm more precipitation than other periods, the effect of clouds, was also significant in MODIS NDVI 16-day composite product. Except for this period, the CC-MNC method was able to reduce the cloud ratio of 45.4% of the original daily image to 14.9%. In the case of rice paddy, there was no significant difference between Sentinel-2A/B and MODIS NDVI values. In addition, it was possible to monitor the rice growth cycle well even with a revisit cycle 5 days. In the case of high-latitude cabbage fields, Sentinel-2A/B showed the short growth cycle of cabbage well, but MODIS showed limitations in spatial resolution. In addition, the CC-MNC method showed that cloud pixels were used for compositing at the harvest time, suggesting that the View Zenith Angle (VZA) threshold needsto be adjusted according to the domestic region.
Crops show sensitive spectral characteristics according to their species and growth conditions and although frequent observation is required especially in summer, it is difficult to utilize optical satellite images due to the rainy season. To solve this problem, Constrained Cloud-Maximum Normalized difference vegetation index Composite (CC-MNC) algorithm was developed to generate periodic composite images with minimal cloud effect. In thisstudy, using this method, monthly Sentinel-2A/B Normalized Difference Vegetation Index (NDVI) composite images were produced for paddies and high-latitude cabbage fields from 2019 to 2021. In August 2020, which received 200mm more precipitation than other periods, the effect of clouds, was also significant in MODIS NDVI 16-day composite product. Except for this period, the CC-MNC method was able to reduce the cloud ratio of 45.4% of the original daily image to 14.9%. In the case of rice paddy, there was no significant difference between Sentinel-2A/B and MODIS NDVI values. In addition, it was possible to monitor the rice growth cycle well even with a revisit cycle 5 days. In the case of high-latitude cabbage fields, Sentinel-2A/B showed the short growth cycle of cabbage well, but MODIS showed limitations in spatial resolution. In addition, the CC-MNC method showed that cloud pixels were used for compositing at the harvest time, suggesting that the View Zenith Angle (VZA) threshold needsto be adjusted according to the domestic region.
본 연구에서는 전 지구 환경 위성의 NDVI 합성기법으로 많이 사용되고 있는 CC-MNC 기법을 국내 논과 고랭지배추밭의 Sentinel-2A/B NDVI 영상에 적용하여, 국내 농작물 모니터링에 대한 주기 합성 기법의 구름 제거 효과를 분석하였다. 본 기법을 통해 월 두개의 일별 영상으로도 구름 제거 효과를 볼 수 있었으며, 일별 영상에 비해 월 합성 영상에서는 구름 비율을 원영상 대비 30.
이와 함께 주기 합성된 식생지수의 시계열 패턴 분석을 위해 대상 시기 의 강수량 자료를 수집하였으며, 농경지의 필지별 경계를 제공하는 스마트 팜 맵을 대상 지역에 맞춰 사용하였다. 합성영상의 NDVI와 현장자료와의 비교검증을 위하여 분광측정기를 이용하여 당진 논의 분광반사도를 측정하여 사용하였다.
대상 데이터
Fig. 1과 같이 태백에 매봉산(102.6 ha)과 귀네미 지역(67 ha), 강릉에 안반덕 지 역(147.3 ha)이 선택되었다. 벼는 일반적으로 4월에 파종하여 11월에 수확되며, 고랭지 배추는 여름 재배 작물로 5월~7월에 파종하여 8~9월에 수확된다.
MODIS영상의 경우 촬영 영역이 넓어 논과 고랭지 배추밭 영역을 한 씬으로 제공하고 있다. 2019년부터 2021년까지 작물의 생육기간을 고려하여, 당진 벼지역은 4월부터 11월까지, 고랭지 배추밭은 5월에서 10월까지의 위성영상을 사용하였다. 사용된 위성 영상의 수와 제공처는 Table 1과 같다.
본 연구에서는 식생지수 주기 합성 알고리즘의 효과를 검증하기 위해, 7월~10월 사이에 강수량이 평년에 비해 200 mm이상 많이 내린 2020년을 선정하였으며, 평년을 대표하기 위해 2019년과 2021년 자료를 추가로 사용하였다. 본 연구에서는 Table 1과 같이 주기 합성을 위해 10 m의 공간해상도로 5일 주기로 제공되는 Sentinel-2A/ B L1C(radiance)와 L2A자료(reflectance)를 사용하였다. 이와 함께 합성영상의 비교 대상으로 1 km 공간해상도를 가진 16일 합성 MODIS NDVI영상(MOD/MYD13)을 사용하였다.
본 연구에서는 식생지수 주기 합성 알고리즘의 효과를 검증하기 위해, 7월~10월 사이에 강수량이 평년에 비해 200 mm이상 많이 내린 2020년을 선정하였으며, 평년을 대표하기 위해 2019년과 2021년 자료를 추가로 사용하였다. 본 연구에서는 Table 1과 같이 주기 합성을 위해 10 m의 공간해상도로 5일 주기로 제공되는 Sentinel-2A/ B L1C(radiance)와 L2A자료(reflectance)를 사용하였다.
본 연구에서는 식생지수 주기 합성영상의 활용이 필요한 다양한 작물 중 벼가 넓게 분포한 당진 왜목마을 일대의 1,042.5 ha 영역과 높은 고도로 인해 구름이나 안개가 많이 발생하는 강원도 고랭지 배추밭을 선택하였다. 국내 밭작물은 공간적 규모가 작고, 매년 작물의 종류가 바뀌는 경우가 많다.
사용된 위성 영상의 수와 제공처는 Table 1과 같다. 이와 함께 주기 합성된 식생지수의 시계열 패턴 분석을 위해 대상 시기 의 강수량 자료를 수집하였으며, 농경지의 필지별 경계를 제공하는 스마트 팜 맵을 대상 지역에 맞춰 사용하였다. 합성영상의 NDVI와 현장자료와의 비교검증을 위하여 분광측정기를 이용하여 당진 논의 분광반사도를 측정하여 사용하였다.
본 연구에서는 Table 1과 같이 주기 합성을 위해 10 m의 공간해상도로 5일 주기로 제공되는 Sentinel-2A/ B L1C(radiance)와 L2A자료(reflectance)를 사용하였다. 이와 함께 합성영상의 비교 대상으로 1 km 공간해상도를 가진 16일 합성 MODIS NDVI영상(MOD/MYD13)을 사용하였다. MODIS영상의 경우 촬영 영역이 넓어 논과 고랭지 배추밭 영역을 한 씬으로 제공하고 있다.
데이터처리
본 연구에서 사용한 CC-MNC 기법의 구름 제거 효과를 정량적으로 분석하기 위해 Table 2와 Table 3과 같이 일별 구름 면적 비율과 월 합성 후 구름 면적 비율을 비교하였다. CC-MNC 기법은 평균적으로 원영상의 45.
성능/효과
이는 Fig. 9에서도 잘 나타나는데, 2019년 7월 두 개의 일별 영상이 사용되었으나, 0% 구름 면적 비율의 영상이 있어 구름 제거 효과가 매우 높게 나타나는 것을 볼 수 있다. 반면에, Fig.
본 연구에서 사용한 CC-MNC 기법의 구름 제거 효과를 정량적으로 분석하기 위해 Table 2와 Table 3과 같이 일별 구름 면적 비율과 월 합성 후 구름 면적 비율을 비교하였다. CC-MNC 기법은 평균적으로 원영상의 45.4%의 구름 비율을 14.9%로 줄일 수 있었다. 2021년의 경우 이전 해에 비해 많은 일별 영상이 획득되어 합성에 사용되었으나, 실제 사용된 영상의 수보다, 구름의 영향이 없는 일별 영상의 유무가 합성 시 구름 제거 효과를 결정하는 것으로 나타났다.
최대 NDVI 값을 취하는 방식이 식생이 분포한 지역에서만 그 효과가 큰 것을 볼 수 있었다. Sentinel-2A/B 영상의 10 m 공간해상도와 5일 재방문 주기는 논과 고랭지 배추의 생육 주기를 모니터링하는데 적합하게 나타났으나, 1 km의 공간해상도의 16일 주기 MODIS NDVI 합성영상은 고랭지 배추의 생육 주기 및 상태를 모니터링하는데 한계를 나타냈다. 국내 밭의 소규모 영역과 짧은 생육 주기를 고려할 때 보다 높은 공간해상도와 주기 해상도의 위성영상이 필요할 것으로 사려된다.
5% 정도 줄일 수 있었다. 반면에 고랭지 배추밭의 경우, 수확 후 나지상태의 화소가 월 합성영상에 사용되기 보다는 구름 화소가 선택되는 경우가 나타났다. 최대 NDVI 값을 취하는 방식이 식생이 분포한 지역에서만 그 효과가 큰 것을 볼 수 있었다.
본 기법을 통해 월 두개의 일별 영상으로도 구름 제거 효과를 볼 수 있었으며, 일별 영상에 비해 월 합성 영상에서는 구름 비율을 원영상 대비 30.5% 정도 줄일 수 있었다
반면에 고랭지 배추밭의 경우, 수확 후 나지상태의 화소가 월 합성영상에 사용되기 보다는 구름 화소가 선택되는 경우가 나타났다. 최대 NDVI 값을 취하는 방식이 식생이 분포한 지역에서만 그 효과가 큰 것을 볼 수 있었다. Sentinel-2A/B 영상의 10 m 공간해상도와 5일 재방문 주기는 논과 고랭지 배추의 생육 주기를 모니터링하는데 적합하게 나타났으나, 1 km의 공간해상도의 16일 주기 MODIS NDVI 합성영상은 고랭지 배추의 생육 주기 및 상태를 모니터링하는데 한계를 나타냈다.
후속연구
Sentinel-2A/B 영상의 10 m 공간해상도와 5일 재방문 주기는 논과 고랭지 배추의 생육 주기를 모니터링하는데 적합하게 나타났으나, 1 km의 공간해상도의 16일 주기 MODIS NDVI 합성영상은 고랭지 배추의 생육 주기 및 상태를 모니터링하는데 한계를 나타냈다. 국내 밭의 소규모 영역과 짧은 생육 주기를 고려할 때 보다 높은 공간해상도와 주기 해상도의 위성영상이 필요할 것으로 사려된다. 향후 연구에서는 CC-MNC 기법에 제약 조건인 센서 천정각을 국내 농경지에 맞는 임계치를 결정하기 위한 분석을 수행할 예정이다.
0%의 구름 비율을 보이는 9월 21일 영상은 고랭지 배추의 수확 후 영상으로, 수확 후 나지의 NDVI가 구름의 NDVI보다 낮아 합성에 사용되지 못하였다. 이와 같이, 최대 NDVI 값을 사용하는 본 합성 방법은 나지 지역의 합성에 있어 구름의 효과를 제거하지 못한다는 한계를 보여주고 있다.
국내 밭의 소규모 영역과 짧은 생육 주기를 고려할 때 보다 높은 공간해상도와 주기 해상도의 위성영상이 필요할 것으로 사려된다. 향후 연구에서는 CC-MNC 기법에 제약 조건인 센서 천정각을 국내 농경지에 맞는 임계치를 결정하기 위한 분석을 수행할 예정이다.
참고문헌 (11)
Botta, A., N. Viovy, and P. Ciais, 2000. A global prognostic scheme of leaf onset using satellite data, Global Change Biology, 6: 709-725.
Dickinson, R.E., A. Henderson-Sellers, P.J. Kennedy, and M.F. Wilson, 1986. Biosphere-Atmosphere Transfer Scheme (BATS) for the NCAR CCM, NATIONAL CENTER FOR: ATMOSPHERIC RESEARCH, Boulder, CO, USA.
Fraser, A.D., R.A. Massom, and K.J. Michael, 2009. A method for compositing polar MODIS satellite images to remove cloud cover for landfast seaice detection, IEEE Trans Actions on Geoscience and Remote Sensing, 47(9): 3272-3282.
Gallo, K., L. Ji, B. Reed, J. Eidenshink, and J. Dwyer, 2005. Multi-platform comparisons of MODIS and AVHRR normalized difference vegetation index data, Remote Sensing of Environment, 99: 221-231.
Griffiths, P., C. Nendel, and P. Hostert, 2019. Intraannual reflectance composites from Sentinel-2 and Landsat for national-scale crop and land cover mapping, Remote Sensing of Environment, 220: 135-151.
Hahn, C.J., S.G. Warren, and J. London, 1995. The effect of moonlight on observation of cloud cover at night, and application to cloud climatology, Journal of Climate, 8(5): 1429-1446.
Kim, S.H., J. Eun, S.J. Kang, and K.S. Lee, 2011. Detection of short-term changes using MODIS daily dynamic cloud-free composite algorithm, Korean Journal of Remote Sensing, 27(3): 259-276 (in Korean with English abstract).
Kim, S.H., J. Eun, 2021. Development of Cloud and Shadow Detection Algorithm for Periodic Composite of Sentinel-2A/B Satellite Images, Korean Journal of Remote Sensing, 37(5-1): 989-998 (in Korean with English abstract)..
Skakun, S., C.O. Justice, E. Vermote, and J.C. Roger, 2017. Transitioning from MODIS to VIIRS: an analysis of inter-consistency of NDVI data sets for agricultural monitoring, International Journal of Remote Sensing, 39(4): 971-992.
Wang, L., P. Xiao, X. Feng, H. Li, W. Zhang, and J. Lin, 2014. Effective compositing method to produce cloud-free AVHRR image, IEEE Geoscience and Remote Sensing Letters, 11(1): 328-332.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.