[논문]천리안 해양위성 2호(GOCI-II) 임무 초기 해무 탐지 산출: 해무의 광학적 특성 및 초기 검증

김민상; 박명숙

doi:10.7780/kjrs.2021.37.5.2.9

천리안 해양위성 2호(GOCI-II) 임무 초기 해무 탐지 산출: 해무의 광학적 특성 및 초기 검증
The GOCI-II Early Mission Marine Fog Detection Products: Optical Characteristics and Verification 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.5 pt.2, 2021년, pp.1317 - 1328

김민상 (한국해양과학기술원 해양위성센터) , 박명숙 (한국해양과학기술원 해양위성센터)

초록
AI-Helper

본 연구는 천리안 해양위성 2호(GOCI-II)를 활용하여 개발된 해무 탐지 알고리즘의 초기 결과에 대한 분석을 수행하였다. GOCI-II 해무 탐지 성능을 확인하기 위해 1호와 2호가 중복으로 관측한 2020년 10월-2021년 3월 사이에 발생한 해무 사례에 대해 광학적 특성 분석을 실시하였다. 해무 탐지 알고리즘에 입력자료로 사용되는 412 nm 밴드 레일리 산란 보정 반사도(Rayleigh-corrected reflectance; R_rc)와 정규화된 국소 표준 편차(Normalized Local Standard Deviation; NLSD)를 GOCI, GOCI-II 자료를 시공간 일치시킨 뒤 분석한 결과 412 nm 밴드 레일리 R_rc의 경우 0.01의 평균 제곱근 오차 (Root Mean Squared Error; RMSE)와 0.998의 상관계수(correlation coefficient)을 나타내고, NLSD의 경우 0.007의 RMSE, 0.798의 correlation을 나타낸다. 해무와 구름이 갖는 광학적 특성을 분석하기 위해 천리안 해양위성 2호의 밴드 별 R_rc 값을 확인하였다. 구름의 경우 넓은 영역에서 높은 반사도를 보인 반면, 해무의 경우 모든 밴드에서 구름에 비해 상대적으로 반사도가 낮고 좁은 영역에 분포한다. 실제 해무 사례에 대해 GOCI와 GOCI-II 해무 탐지 알고리즘을 비교한 결과 전반적인 해무 탐지 성능은 크게 차이가 없으나 높아진 공간 해상도의 영향으로 해무 경계면에서 공간적으로 더 세밀한 탐지가 가능했다. 종관기상관측소 시정계 자료와 비교 분석하여 초기 자료에 대한 신뢰도를 조사하였다. 추후 충분한 샘플 확보로 인한 안정적인 성능 검증, 실시간 구름 정보 교체를 통한 후처리 과정 개선, 에어로졸 자료 추가로 해무 오탐지 감소를 통해 해무 탐지 알고리즘의 성능 향상이 기대된다.

Abstract ▼ AI-Helper

This study analyzes the early satellite mission marine fog detection results from Geostationary Ocean Color Imager-II (GOCI-II). We investigate optical characteristics of the GOCI-II spectral bands for marine fog between October 2020 and March 2021 during the overlapping mission period of Geostationary Ocean Color Imager (GOCI) and GOCI-II. For Rayleigh-corrected reflection (Rrc) at 412 nm band available for the input of the GOCI-II marine fog algorithm, the inter-comparison between GOCI and GOCI-II data showed a small Root Mean Square Error (RMSE) value (0.01) with a high correlation coefficient (0.988). Another input variable, Normalized Localization Standard (NLSD), also shows a reasonable correlation (0.798) between the GOCI and GOCI-II data with a small RMSE value (0.007). We also found distinctive optical characteristics between marine fog and clouds by the GOCI-II observations, showing the narrower distribution of all bands' Rrc values centered at high values for cloud compared to marine fog. The GOCI-II marine fog detection distribution for actual cases is similar to the GOCI but more detailed due to the improved spatial resolution from 500 m to 250 m. The validation with the automated synoptic observing system (ASOS) visibility data confirms the initial reliability of the GOCI-II marine fog detection. Also, it is expected to improve the performance of the GOCI-II marine fog detection algorithm by adding sufficient samples to verify stable performance, improving the post-processing process by replacing real-time available cloud input data and reducing false alarm by adding aerosol information.

주제어

표/그림 (9)

표 Table 1. GOCI-II band specification
표 Table 2. List of marine fog and cloud sample
그림 Fig. 1. Flowchart of marine fog algorithm (Kim et al., 2020).
그림 Fig. 2. Example of (a) GOCI-II RGB, (b) Rrc 412 nm, (c) NLSD, (d) Himawari8-AHI cloud height for marine fog case, taken on 2021/03/25 0300 UTC.
그림 Fig. 3. Density plot of R_rc (a) 412 nm, (b) 443 nm, (c) 490 nm, (d) 555 nm, (e) 660 nm, (f) 680 nm, (g) 745 nm, (h) 865 nm, (i) NLSD for GOCI (x-axis) and GOCI-II (y-axis).
그림 Fig. 4. Histogram by GOCI-II R_rc band for marine fog (blue), and cloud (red) cases.
그림 Fig. 5. Comparison of marine fog detection results of (a) GOCI and (b) GOCI-II, taken on 2021/02/12 0300 UTC and (c) GOCI and (d) GOCI-II, taken on 2021/03/25 0300 UTC.
그림 Fig. 6. Comparison of GOCI-II marine fog detection result and ASOS visibility observation of Baengnyeongdo (above) and Heuksando (below) and time series data for ASOS visibility observation of Baengnyeongdo on February 11, 2021.
그림 Fig. 7. (a) GOCI marine fog detection product, (b) GOCI marine fog detection product applied with aerosol optical thickness masking, and (c) GOCI aerosol optical thickness image.

AI 본문요약
AI-Helper

문제 정의

(2000)의 알고리즘에 기반을 두고 있다. 본 연구는 GOCI와 비교를 통해서 해무 탐지를 위한 GOCI-II 밴드의 광학적 특성 및 해무 알고리즘의 초기 성능을 검증한다. 자료 및 방법에서 GOCI-II 해무 탐지 알고리즘의 입력자료와, 알고리즘 개발에 사용된 결정나무 기계학습기반 모델 방법론을 제시한다.
결과에서는 GOCI와 GOCI-II 자료의 광학적 특성을 분석을 수행하였고 해무 탐지 산출물의 기본 성능을 확인하기 위해 GOCI 해무 탐지 산출물과 비교 및 종관기상관측소 시정계 자료와의 검증을 수행하였다. 토의에서는 향후 GOCI-II 해무 탐지 알고리즘의 개선 방향에 대해 논의한다. 마지막으로 본 연구의 요약 및 정리를 제시한다.

제안 방법

자료 및 방법에서 GOCI-II 해무 탐지 알고리즘의 입력자료와, 알고리즘 개발에 사용된 결정나무 기계학습기반 모델 방법론을 제시한다. 결과에서는 GOCI와 GOCI-II 자료의 광학적 특성을 분석을 수행하였고 해무 탐지 산출물의 기본 성능을 확인하기 위해 GOCI 해무 탐지 산출물과 비교 및 종관기상관측소 시정계 자료와의 검증을 수행하였다. 토의에서는 향후 GOCI-II 해무 탐지 알고리즘의 개선 방향에 대해 논의한다.
본 연구는 정지궤도 해양위성 GOCI-II 활용하여 해무의 광학적 특성 분석 및 개발된 해무 탐지 알고리즘의 초기 성능 평가를 수행하였다. 해무의 광학적 특성을 정량화하기 위해 수집된 해무 사례들에 대한 GOCI와 GOCI-II Rrc 반사도와 NLSD 값을 비교 분석하였다.
본 연구는 GOCI와 비교를 통해서 해무 탐지를 위한 GOCI-II 밴드의 광학적 특성 및 해무 알고리즘의 초기 성능을 검증한다. 자료 및 방법에서 GOCI-II 해무 탐지 알고리즘의 입력자료와, 알고리즘 개발에 사용된 결정나무 기계학습기반 모델 방법론을 제시한다. 결과에서는 GOCI와 GOCI-II 자료의 광학적 특성을 분석을 수행하였고 해무 탐지 산출물의 기본 성능을 확인하기 위해 GOCI 해무 탐지 산출물과 비교 및 종관기상관측소 시정계 자료와의 검증을 수행하였다.
3). 해무 와 구름이 갖는 광학적 특성을 분석하기 위해 GOCI-II 밴드별 Rrc 값의 히스토그램을 확인하였다 (Fig. 4).
본 연구는 정지궤도 해양위성 GOCI-II 활용하여 해무의 광학적 특성 분석 및 개발된 해무 탐지 알고리즘의 초기 성능 평가를 수행하였다. 해무의 광학적 특성을 정량화하기 위해 수집된 해무 사례들에 대한 GOCI와 GOCI-II Rrc 반사도와 NLSD 값을 비교 분석하였다. 해무 탐지 알고리즘 입력 자료를 시공간 일치를 수행하여 하여 1호, 2호의 분석한 결과 412 nm Rrc의 경우 0.

대상 데이터

GOCI-II 해무 탐지 알고리즘의 성능을 확인하기 위해 1호와 2호가 중복으로 관측한 2020년 10월 – 2021년 3월 사이에 한반도 주변에서 발생한 해무 및 구름 사례 (Table 2)를 수집하여 분석에 사용하였다.

데이터처리

GOCI-II 해무 탐지 결과를 2021년 2월 11일 발생한 해무 사례에 대해 백령도 종관기상관측소에서 관측된 시정과 비교하여 검증하였다. 시정 기준 1 km 미만의 경우 해무로 정의하는 데 08 KST에서는 위성 관측의 부재로 확인할 수 없었다.

이론/모형

GOCI-II 해무 탐지 알고리즘의 후처리에 입력자료로 Himawari8-AHI level-2 구름 고도를 사용하였다. Himawari8-AHI 구름 고도자료의 관측 영역은 전구이며 시간 해상도는 10분, 공간 해상도는 5 km를 갖는다.

성능/효과

3) GOCI-II 해무 탐지 알고리즘
4)
GOCI와 비교를 통해 GOCI-II 해무 탐지 알고리즘의 전반적인 성능은 크게 차이가 없으나 높아진 공간 해상도의 영향으로 해무 경계면에서 더 세밀하게 탐지하는 성능의 개선은 확인할 수 있었고, 해무 사례에 대한 시정 관측과의 검증을 통해 해무 탐지 성능을 확인할 수 있었다.
6 파란색 히스토그램과 같이 모든 밴드에서 구름에 비해 상대적으로 좁은 영역에서 낮은 반사도를 보였다. 본 연구에서 주요 채널(443, 490, 555 nm)에서 해무 영역에서 GOCI, GOCI-II 위성의 가시채널 Rrc의 RMSE가 낮고, 추세선의 기울기가 1에 가까워 GOCI-II 가시채널 복사 보정이 대략적으로 잘 진행됨을 의미한다. 그러나, 412 nm, 680 nm 등 몇몇 채널의 경우 추세선 기울기가 1에 가깝지 않아, 추후 복사 보정(Radiometric calibration)을 통한 GOCI-II 자료 업데이트가 필요함을 의미한다.
해무의 광학적 특성을 정량화하기 위해 수집된 해무 사례들에 대한 GOCI와 GOCI-II Rrc 반사도와 NLSD 값을 비교 분석하였다. 해무 탐지 알고리즘 입력 자료를 시공간 일치를 수행하여 하여 1호, 2호의 분석한 결과 412 nm Rrc의 경우 0.01의 RMSE와 0.988의 상관계수를 보였고, NLSD 의 경우 0.007의 RMSE, 0.798의 상관계수를 갖는다(Fig. 3).

후속연구

천리안 위성 2A호 위성에서 생산중인 운정 고도 산출물의 경우 같은 천리안 위성 2호에서 관측되는 자료를 사용함으로 공간 일치로 인한 오차가 줄어들 뿐만 아니라 10분 단위로 자료가 생산되고 있다. Himawari-8 대신 천리안 위성 2A로 교체를 위해 현재 기상청 국가기상위성 센터와 협력 중이며, 추후 GOCI-II 해무 탐지 산출울의 구름 정보 시간 오차 감소로 성능 개선이 기대된다.
현재 GOCI-II 정규 서비스 기간이 짧아 해무, 비해무 샘플링에 추후 충분한 샘플 확보와 장기간의 성능 검증을 통한 해무 탐지 알고리즘의 성능 확인이 필요하다. Himawari8-AHI 구름 고도 자료의 지연으로 인해 후처리 과정에서 발생하는 오탐지 개선을 위해 천리안 위성 2A호의 구름 고도 자료로 입력 자료를 변경하여 실시간 구름 고도 입력자료 교체를 통한 후처리 과정 개선도 수행되어야 한다. 에어로졸의 경우 해무와 광학적으로 유사한 특성을 보이는데 이는 에어로졸 광학 두께 정보를 알고리즘에 반영하여 해무 탐지 알고리즘의 성능 개선이 이뤄져야 할 것이다.
현재 해무 탐지 알고리즘의 입력자료로 사용되는 Himawari8-AHI 구름 고도 자료의 경우 자료 생산의 지연으로 인해 2시 간 이전 자료를 입력 자료로 사용되고 있다. 그 결과 해무 탐지 알고리즘의 후처리 과정에서 구름 자료의 시간 지연으로 인해 해무 탐지 성능이 저하되어 준실시간 사용할수 있는 자료로 교체가 필요하다. 또한 Himawari8- AHI 구름 고도 자료의 낮은 해상도로 인해 해무 탐지 산출물의 후처리 과정에서 구름 탐지 경계면에서 해상도가 GOCI-II 해상도에 비해 낮게 나타날 수 있다.
본 연구에서 주요 채널(443, 490, 555 nm)에서 해무 영역에서 GOCI, GOCI-II 위성의 가시채널 Rrc의 RMSE가 낮고, 추세선의 기울기가 1에 가까워 GOCI-II 가시채널 복사 보정이 대략적으로 잘 진행됨을 의미한다. 그러나, 412 nm, 680 nm 등 몇몇 채널의 경우 추세선 기울기가 1에 가깝지 않아, 추후 복사 보정(Radiometric calibration)을 통한 GOCI-II 자료 업데이트가 필요함을 의미한다.
이는 해수면, 심층 대류운, 사막 등 현재 위성 검교정(calibration) 사용되는 지상 타겟과 비슷한 특성이 있다. 따라서, 해무는 GOCI-II 검보정 수행에 필요한 샘플로의 가치가 있을 것으로 생각된다. 특히, 검보정에 사용되는 타겟들이 복사 휘도가 매우 낮거나(해 수면), 매우 높은(심층 대류운, 사막) 타겟에 치중되어 있는 것에 반해 해무는 중간 정도의 복사 휘도를 수집 할 수 있다.
Himawari8-AHI 구름 고도 자료의 지연으로 인해 후처리 과정에서 발생하는 오탐지 개선을 위해 천리안 위성 2A호의 구름 고도 자료로 입력 자료를 변경하여 실시간 구름 고도 입력자료 교체를 통한 후처리 과정 개선도 수행되어야 한다. 에어로졸의 경우 해무와 광학적으로 유사한 특성을 보이는데 이는 에어로졸 광학 두께 정보를 알고리즘에 반영하여 해무 탐지 알고리즘의 성능 개선이 이뤄져야 할 것이다.
기계학습의 성능을 결정하는 데 중요한 요인으로 샘플의 개수가 있다. 현재 GOCI-II 정규 서비스 기간이 짧아 해무, 비해무 샘플링에 추후 충분한 샘플 확보와 장기간의 성능 검증을 통한 해무 탐지 알고리즘의 성능 확인이 필요하다. Himawari8-AHI 구름 고도 자료의 지연으로 인해 후처리 과정에서 발생하는 오탐지 개선을 위해 천리안 위성 2A호의 구름 고도 자료로 입력 자료를 변경하여 실시간 구름 고도 입력자료 교체를 통한 후처리 과정 개선도 수행되어야 한다.
현재 GOCI-II는 초기 해무 탐지 알고리즘의 개선을 위한 보완이 필요하다. 기계학습의 성능을 결정하는 데 중요한 요인으로 샘플의 개수가 있다.

참고문헌 (19)

Anthis, A.I. and A.P. Cracknell, 1999. Use of satellite images for fog detection (AVHRR) and forecast of fog dissipation (METEOSAT) over lowland Thessalia, Hellas, International Journal of Remote Sensing, 20(6): 1107-1124.

상세보기
Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32.
Cermak, J. and J. Bendix, 2008. A novel approach to fog/low stratus detection using Meteosat 8 data, Atmospheric Research, 87(3-4): 279-292.

상세보기
Choi, M., J. Kim, J. Lee, M. Kim, Y.J. Park, U. Jeong, W. Kim, H. Hong, B. Holben, T.F. Eck, C.H. Song, J.-H. Lim, and C.K. Song, 2016. GOCI Yonsei Aerosol Retrieval (YAER) algorithm and validation during the DRAGON-NE Asia 2012 campaign, Atmospheric Measurement Techniques, 9(3): 1377-1398.

상세보기
Cortes, C. and V. Vapnik, 1995. Support-vector networks, Machine Learning, 20: 273-297.

상세보기
Eyre, J.R., J.L. Brownscombe, and R.J. Allam, 1984. Detection of fog at night using Advanced Very High Resolution Radiometer (AVHRR) imagery, Meteorological Magazine, 113(1346): 266-271.
Gao, S.H., W. Wu, L. Zhu, and G. Fu, 2009. Detection of nighttime sea fog/stratus over the Huang-hai Sea using MTSAT-1R IR data, Acta Oceanologica Sinica, 28(2): 23-35.

상세보기
Goutte, C. and E. Gaussier, 2005. A probabilistic interpretation of precision, recall and F-score, with implication for evaluation, Proc. of European conference on information retrieval, Santiago de Compostela, ES, Mar. 21-23, pp. 345-359.
Heo, K.Y., J.H. Kim, J.S. Shim, K.J. Ha, A.S. Suh, H.M. Oh, and S.Y. Min, 2008. A remote sensed data combined method for sea fog detection, Korean Journal of Remote Sensing, 24(1): 1-16 (in Korean with English abstract).

원문보기 상세보기
Hunt, G.E., 1973. Radiative properties of terrestrial clouds at visible and infra-red thermal window wavelengths, Quarterly Journal of the Royal Meteorological Society, 99(420): 346-369.

상세보기
Jain, A.K., J. Mao, and K.M. Mohiuddin, 1996. Artificial neural networks: A tutorial, Computer, 29(3): 31-44.

상세보기
Kamangir, H., W. Collins, P. Tissot, S.A. King, H.T.H. Dinh, N. Durham, and J. Rizzo, 2021. FogNet: A multiscale 3D CNN with double-branch dense block and attention mechanism for fog prediction, Machine Learning with Applications, 5: 100038.

상세보기
Kim, D., M.S. Park, Y.J. Park, and W. Kim, 2020. Geostationary Ocean Color Imager (GOCI) marine fog detection in combination with Himawari-8 based on the decision tree, Remote Sensing, 12(1): 149.
Kim, Y.H., S.H. Moon, and Y. Yoon, 2020-b. Detection of Precipitation and Fog Using Machine Learning on Backscatter Data from Lidar Ceilometer, Applied Sciences, 10(18): 6452.

상세보기
Quinlan, J.R., 1986. Induction of decision trees, Machine Learning, 1: 81-106.

상세보기
Suh, M.S., S.J. Lee, S.H. Kim, J.H. Han, and Seo, 2017. Development of land fog detection algorithm based on the optical and textural properties of fog using COMS data, Korean Journal of Remote Sensing, 33(4): 359-375 (in Korean with English abstract).

원문보기 상세보기
Tremant, M., 1987. La prevision du brouillard en mer. Meteorologie Maritime et Activities Oceanographique Connexes, apport No. 20. TD no. 211, World Meteorological Organization, Geneva, CH.
Yuan, Y., Z. Qiu, D. Sun, S. Wang, and X. Yue, 2016. Daytime sea fog retrieval based on GOCI data: a case study over the Yellow Sea, Optics Express, 24(2): 787-801.

상세보기
Zhang, S. and L. Yi, 2013. A comprehensive dynamic threshold algorithm for daytime sea fog retrieval over the Chinese adjacent seas, Pure and Applied Geophysics, 170(11): 1931-1944.

상세보기

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