[논문]GOCI-II 기반 저염분수 산출과 태풍 힌남노에 의한 시간별 염분 변화

김소현; 김대원; 조영헌

doi:10.7780/kjrs.2023.39.6.2.8

GOCI-II 기반 저염분수 산출과 태풍 힌남노에 의한 시간별 염분 변화
GOCI-II Based Low Sea Surface Salinity and Hourly Variation by Typhoon Hinnamnor 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.6/1, 2023년, pp.1605 - 1613

김소현 (울산과학기술원 지구환경도시건설공학과) , 김대원 (기초과학연구원 기후물리연구단) , 조영헌 (부산대학교 해양학과)

초록
AI-Helper

해양 내의 다양한 물리적 변화는 수온과 염분의 지속적인 변동에 의해 결정된다. 수온과 더불어 넓은 영역의 염분 변화를 파악하기 위해서는 인공위성 자료에 의존할 수밖에 없다. 그럼에도 불구하고 염분을 관측하는 위성인 Soil Moisture Active Passive (SMAP)는 낮은 시·공간 해상도로 인해 연안 근처에서 빠르게 변화하는 해양환경을 관측하기에는 어렵다는 한계가 존재한다. 이러한 한계를 극복하기 위해 본 연구에서는 천리안 해양 관측 위성의 정지궤도 해색 센서인 Geostationary Ocean Color Imager-II (GOCI-II) 원격반사도 자료를 입력자료로 하여 고해상도 표층 염분을 산출하는 Multi-layer Perceptron Neural Network (MPNN) 기반의 알고리즘을 개발하였다. SMAP과 비교한 결과 coefficient of determination (R²)는 0.94, root mean square error (RMSE)는 0.58 psu 그리고 relative root mean square error (RRMSE)는 1.87%였으며, 공간적인 분포 또한 매우 유사한 결과를 나타냈다. R²의 공간 분포는 0.8 이상을 보여주었으며 RMSE는 전반적으로 1 psu 이하의 낮은 값을 보여주었다. 이어도 과학기지에서의 실측 염분값과도 비교하였지만 상대적으로 조금 낮은 결과를 보여주었다. 이에 대한 원인을 분석하였으며, 산출된 GOCI-II 기반 고해상도 염분 자료를 활용하여 2022년 11호 태풍 힌남노에 의한 하루 동안의 동중국해 표층 염분 변화를 표준편차로 계산하였다. 그 결과 SMAP에서 관측할 수 없는 시공간의 염분 변화를 고해상도의 GOCI-II 기반 염분 산출물을 통해 확인할 수 있었다. 따라서 본 연구를 통해 시간 단위로 변화하는 해양환경 모니터링에 큰 기여를 할 것으로 기대된다.

Abstract ▼ AI-Helper

The physical properties of the ocean interior are determined by temperature and salinity. To observe them, we rely on satellite observations for broad regions of oceans. However, the satellite for salinity measurement, Soil Moisture Active Passive (SMAP), has low temporal and spatial resolutions; thus, more is needed to resolve the fast-changing coastal environment. To overcome these limitations, the algorithm to use the Geostationary Ocean Color Imager-II (GOCI-II) of the Geo-Kompsat-2B (GK-2B) was developed as the inputs for a Multi-layer Perceptron Neural Network (MPNN). The result shows that coefficient of determination (R2), root mean square error (RMSE), and relative root mean square error (RRMSE) between GOCI-II based sea surface salinity (SSS) (GOCI-II SSS) and SMAP was 0.94, 0.58 psu, and 1.87%, respectively. Furthermore, the spatial variation of GOCI-II SSS was also very uniform, with over 0.8 of R2 and less than 1 psu of RMSE. In addition, GOCI-II SSS was also compared with SSS of Ieodo Ocean Research Station (I-ORS), suggesting that the result was slightly low, which was further analyzed for the following reasons. We further illustrated the valuable information of high spatial and temporal variation of GOCI-II SSS to analyze SSS variation by the 11th typhoon, Hinnamnor, in 2022. We used the mean and standard deviation (STD) of one day of GOCI-II SSS, revealing the high spatial and temporal changes. Thus, this study will shed light on the research for monitoring the highly changing marine environment.

주제어

표/그림 (8)

그림 Fig. 1. The study area is marked with a red dashed box. (a) Locations for In-situ salinity observation (i.e., National Institute of Fisheries Science and Korea Ocean Research Stations). (b) Monthly SMAP SSS in June 2022.
그림 Fig. 2. Schematic diagram of a MPNN model.
그림 Fig. 3. Validation results of GOCI-II SSS using SMAP SSS. (a) Scatter plot, (b) R2 map, and (c) RMSE map.
표 Table 1. Detail differences with the previous research results
그림 Fig. 4. Validation results of GOCI-II SSS using I-ORS SSS. (a) Scatter plot of I-ORS and GOCI-II SSS. Blue and orange dots represent 2021 and 2022, respectively. (b) Time series of I-ORS and GOCI-II SSS in 2022.
그림 Fig. 5. Number of missing pixels during the study period (2021–2022).
그림 Fig. 6. Hourly GOCI-II SSS spatial distributions from 08:15 to 17:15 on September 6, 2022 (a-j).
그림 Fig. 7. GOCI-II SSS distributions on September 6, 2022. (a) Daily mean and (b) standard deviation (STD) of GOCI-II SSS.

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 2021년과 2022년 여름철 GOCI-II 해색 센서에서 관측된 Rrs와 SMAP의 표층 염분 자료를 이용하여 동중국해에서의 여름철 표층 염분을 추정하는 MPNN 모델을 개발하였다. 모델 결과는 이어도 해양과학기지 실측 자료와 정확도 검증을 실시하였고 개발된 고해상도 표층 염분장을 활용하여 2022년 9월 한반도에 상륙한 제11호 태풍 힌남노(Hinnamnor)에 의한 시간별 고해상도 염분 변화를 분석하였다.
본 연구에서는 GOCI-II Rrs와 SMAP 표층 염분 자료를 활용하여 동중국해 고해상도 표층 염분을 추정하는 MPNN 알고리즘을 개발하였다. 그 결과는 다음과 같다.

제안 방법

본 연구에서는 2021년과 2022년 여름철 GOCI-II 해색 센서에서 관측된 Rrs와 SMAP의 표층 염분 자료를 이용하여 동중국해에서의 여름철 표층 염분을 추정하는 MPNN 모델을 개발하였다. 모델 결과는 이어도 해양과학기지 실측 자료와 정확도 검증을 실시하였고 개발된 고해상도 표층 염분장을 활용하여 2022년 9월 한반도에 상륙한 제11호 태풍 힌남노(Hinnamnor)에 의한 시간별 고해상도 염분 변화를 분석하였다.

대상 데이터

1(b)에 비해 상대적으로 제한된 위치에서만 획득 가능하다는 한계가 존재한다. 광학으로 염분을 추정하기 때문에 염분의 변화가 큰 여름철 자료를 사용하였으며, 2021년은 7월에서 9월 사이 관측된 자료를, 2022년에는 6월에서 7월초까지 관측된 자료를 학습자료로 사용하였다. 보통 7~9월을 여름철로 둔 연구가 많이 진행되었지만 특히 2022년에는 6월 부터 이른 저염분수가 유출되는 것이 확인되었고(Fig.
GOCI-II는 천리안 해양 위성 2호에 탑재된 정지궤도 해색위성 센서이며, 2021년 임무를 종료한 GOCI와 비교하였을 때 공간해상도가 500 m에서 250 m로, 관측 횟수가 8회에서 10회로 증가하였고, 관측 밴드도 8개에서 13개로 증가하여 고해상도로 한반도 연안을 관측하고 있다. 국립해양조사원 국가해양위성센터(https://www.nosc.go.kr)에서 제공하는 L2 Rrs 자료에서 총 10개의 파장대(380, 412, 443, 490, 510, 555, 620, 660, 680, 709 nm)를 입력자료로 사용하였다. 또한 GOCI-II는 슬롯 단위로 자료를 제공하는데, 본 연구에서는 동중국해에 해당하는 슬롯 6, 7, 9, 10의 자료를 사용하였다.
kr)에서 제공하는 L2 Rrs 자료에서 총 10개의 파장대(380, 412, 443, 490, 510, 555, 620, 660, 680, 709 nm)를 입력자료로 사용하였다. 또한 GOCI-II는 슬롯 단위로 자료를 제공하는데, 본 연구에서는 동중국해에 해당하는 슬롯 6, 7, 9, 10의 자료를 사용하였다.
10도에 위치하여 동중국해와 가장 가까운 해양 관측소이다. 마라도와 149 km 떨어진 곳에 위치한 이어도 해양과학기지는 양자강 저염분수의 이동 경로에 위치하여 지속적인 모니터링이 가능하고, 남쪽으로부터 대마 난류의 영향을 받는 지역을 포함하여 동중국해뿐만 아니라 한반도 주변의 해양환경까지 관측자료를 획득할 수 있다. 이어도 해양과학기지(Ieodo Ocean Research Station, I-ORS)는 매년 여름철 한반도로 상륙하는 태풍의 길목에 위치하기 때문에 태풍에 의한 해양환경 변화도 관측할 수 있다는 지리적 이점을 가진다.
본 연구에서 개발한 GOCI-II 기반 고해상도 표층 염분 자료를 활용한 예로써, 2022년 9월 5일부터 동중국해 지역에 최대 풍속 50 m/s로 진입하였던 제11호 태풍 힌남노에 의해 발생한 표층 염분 변화를 분석하였다. Fig.
QA 기법은 관측된 Rrs의 스펙트럼 형상이 실제 해수에서 나타날 가능성을 0부터 1로 제시하는데, 1에 가까울수록 품질이 좋음을 의미한다. 본 연구에서는 412, 443, 490, 510, 555, 660, 680 nm 총 7개의 파장대를 이용하여 QA를 계산한 뒤, QA 값이 0.8 이하인 값들을 제거한 후 학습자료로 사용하였다.
이어도 해양과학기지(Ieodo Ocean Research Station, I-ORS)는 매년 여름철 한반도로 상륙하는 태풍의 길목에 위치하기 때문에 태풍에 의한 해양환경 변화도 관측할 수 있다는 지리적 이점을 가진다. 본 연구에서는 양자강 저염분수로 인한 염분 변화를 확인하기 위해 국립해양조사원(http://www.khoa.go.kr)에서 10초 단위로 제공되는 표층 염분(3 m) 자료를 일 평균을 한 뒤 검증자료로 사용하였다.
양자강에서 유출되는 저염분수의 거동에 초점을 맞추기 위해 연구지역을 동중국해(위도: 28°N–36°N, 경도: 119°E–129°E)로 설정하였다

이론/모형

따라서 GOCI-II Rrs의 오차 값을 제거하기 위해 Wei et al. (2016)이 제시한 quality assurance (QA) 기법을 적용하였다. QA 기법은 관측된 Rrs의 스펙트럼 형상이 실제 해수에서 나타날 가능성을 0부터 1로 제시하는데, 1에 가까울수록 품질이 좋음을 의미한다.

성능/효과

2021년 이어도 과학기지에서 총 52일 치의 표층 염분이 산출되었으며, 그 기간동안 시간별로 산출된 GOCI-II 표층 염분의 값과 8일 평균 값으로 제공하는 SMAP 표층 염분의 오차는 0.97–1.03 psu로 나타났다
4) 본 연구 결과 산출물인 고해상도 표층 염분 산출물을 활용하여 2022년 11호 태풍인 힌남노에 의한 시간별 염분변화를 분석하였으며 이는 태풍에 의한 강한 혼합으로 야기된 것으로 판단되었다.
Fig. 5에서 GOCI-II의 밴드별 결측률을 확인한 결과, 다른 파장대보다 709 nm(band 10)에서의 결측률이 매우 높게 존재하였으며, 이러한 이유로 인해 훈련 데이터가 손실되었을 뿐만 아니라 표층 염분 산출 또한 제대로 되지 않는 것으로 추정된다. 709 nm는 탁도가 높은 해역의 정확도를 높이기 위한 목적으로 GOCI-II에 새롭게 추가된 파장대로, 탁도가 높은 해역을 제외하고 거의 Rrs가 0에 가까운 값을 가지는 특성이 있다(Ahn and Park, 2020).
GOCI-II는 GOCI를 이은 후속 위성 센서로, GOCI와 비교하였을 때 공간해상도가 500 m에서 250 m로 관측 횟수가 8회에서 10회로 증가하였고, 관측 밴드도 8개에서 13개로 증가하였다. 따라서 기존의 GOCI를 이용한 알고리즘을 그대로 적용하기보다는 새로 발사된 GOCI-II에 알맞은 표층 염분 산출 알고리즘 개발이 필요하다.
(2022)의 경우 GOCI-II가 처음 관측을 시작한 2021년 7~9월의 자료와 SMAP 표층 염분 자료를 이용하여 MPNN 모델을 개발하였다. GOCI-II에 새로 추가된 Rrs 파장대(380, 510, 620, 709 nm)를 이용한 결과가 기존 6개의 GOCI Rrs 파장대로 산출한 결과보다 더 높은 정확도를 보였다. 그러므로 GOCI-II의 Rrs 파장대에 특화된 염분 산출 알고리즘이 필요하다.
(2022)의 연구에서는 기존 SMAP의 표층 염분 산출물을 해양 수치모델인 Hybrid Coordinate Ocean Model (HYCOM)의 표층 염분 자료로 정확도를 향상시킨 자료와 GOCI Rrs (412, 443, 490, 555, 660, 680 nm), 해수면 온도를 이용하여 Light Gradient Boosting Machine (LBGM) 기반의 모델을 개발하였다. 딥러닝을 이용한 모델들은 실측자료를 이용하는 경험적 산출식보다 더 많은 데이터로 학습을 진행할 수 있었고, 광학적 특성에 영향을 미치는 여러 요인을 단순 선형회귀가 아니라 비선형 모델을 이용하여 높은 정확도로 표층 염분을 추정할 수 있었다.
이는 태풍에 의한 바람의 작용으로 강한 수평, 수직적인 혼합을 예상해 볼 수 있다. 본 연구를 통해 기존 SMAP에서 제공하는 표층 염분으로는 확인이 불가능 하였던 시간 단위의 표층 염분 변화를 확인할 수 있었다.

후속연구

결론적으로 본 연구에서 산출한 저염분수 알고리즘을 이용하여 기존에 획득할 수 없었던 시간별 염분변화 모니터링이 가능해졌으며, GOCI-II 기반의 장기간 표층 염분 자료가 생산된다면 해수면의 물리-생지화학의 변화를 연구하는 데 많은 활용이 될 것으로 기대된다. 또한, 비록 본 연구가 동중국해 저염분수의 변화를 탐지하기 위해 수행되었지만 비슷한 환경의 다른 지역에도 적용 가능할 것으로 기대된다.
GOCI-II는 GOCI를 이은 후속 위성 센서로, GOCI와 비교하였을 때 공간해상도가 500 m에서 250 m로 관측 횟수가 8회에서 10회로 증가하였고, 관측 밴드도 8개에서 13개로 증가하였다. 따라서 기존의 GOCI를 이용한 알고리즘을 그대로 적용하기보다는 새로 발사된 GOCI-II에 알맞은 표층 염분 산출 알고리즘 개발이 필요하다. Kim et al.
, 2021; Son and Choi, 2022). 따라서 연안 가까이에서 빠르게 이동하는 양자강 저염분수의 지속적인 모니터링을 위해서는 고해상도의 표층 염분 자료가 필요하다. 현재 해양에서 염분을 관측하는 방법에는 크게 현장 관측과 위성 관측이 존재하는데, 현장 관측은 불연속적으로 고정된 정점 위치에서만 자료를 획득할 수 있다.
결론적으로 본 연구에서 산출한 저염분수 알고리즘을 이용하여 기존에 획득할 수 없었던 시간별 염분변화 모니터링이 가능해졌으며, GOCI-II 기반의 장기간 표층 염분 자료가 생산된다면 해수면의 물리-생지화학의 변화를 연구하는 데 많은 활용이 될 것으로 기대된다. 또한, 비록 본 연구가 동중국해 저염분수의 변화를 탐지하기 위해 수행되었지만 비슷한 환경의 다른 지역에도 적용 가능할 것으로 기대된다.
또한 대기보정 오차 민감도가 높고, 수증기 흡광의 영향이 커 오차 자체가 큰 편이라 결측되는 값이 다른 파장대보다 많다. 이러한 점을 고려하여 추후 표층 염분 산출 알고리즘을 개선할 때 709 nm의 사용 여부를 고려해 보아야 할 것이다. 게다가 구름으로 인한 GOCI-II의 결측 지역의 차이로 인해 산출되는 저염분수의 정확도 또한 다소 차이를 보일 것으로 판단된다.

참고문헌 (14)

Ahn, J. H., and Park, Y. J., 2020. Estimating water？reflectance at near-infrared wavelengths for turbid？water atmospheric correction: A preliminary study？for GOCI-II. Remote Sensing, 12(22), 3791. https://doi.org/10.3390/rs12223791

상세보기
Ahn, Y. H., Shanmugam, P., Moon, J. E., and Ryu, J. H., 2008. Satellite remote sensing of a low-salinity？water plume in the East China Sea. Annales？Geophysicae, 26(7), 2019-2035. https://doi.org/10.5194/angeo-26-2019-2008

상세보기
Chen, S., and Hu, C., 2017. Estimating sea surface？salinity in the northern Gulf of Mexico from？satellite ocean color measurements. Remote？Sensing of Environment, 201, 115-132. https://doi.org/10.1016/j.rse.2017.09.004

상세보기
Choi, J. K., Son, Y. B., Park, M. S., Hwang, D. J., Ahn,？J. H., and Park, Y. G., 2021. The applicability of？the Geostationary Ocean Color Imager to the？mapping of sea surface salinity in the East China？Sea. Remote Sensing, 13(14), 2676. https://doi.org/10.3390/rs13142676

상세보기
Jang, E., Kim, Y. J., Im, J., and Park, Y. G., 2021.？Improvement of SMAP sea surface salinity in？river-dominated oceans using machine learning？approaches. GIScience & Remote Sensing, 58(1),？138-160. https://doi.org/10.1080/15481603.2021.1872228

상세보기
Kim, D. W., Kim, S. H., Baek, J. Y., Lee, J. S., and Jo,？Y. H., 2022. GOCI-II based sea surface salinity？estimation using machine learning for the first-year summer. International Journal of Remote？Sensing, 43(18), 6605-6623. https://doi.org/10.1080/01431161.2022.2142080

상세보기
Kim, D. W., Kim, S. H., and Jo, Y. H., 2021. A？development for sea surface salinity algorithm？using GOCI in the East China Sea. Korean？Journal of Remote Sensing, 37(5-2), 1307-1315.？https://doi.org/10.7780/kjrs.2021.37.5.2.8

원문보기 상세보기
Kim, D. W., Park, Y. J., Jeong, J. Y., and Jo, Y. H., 2020. Estimation of hourly sea surface salinity？in the East China Sea using geostationary ocean？color imager measurements. Remote Sensing,？12(5), 755. https://doi.org/10.3390/rs12050755

상세보기
Olmedo, E., Taupier-Letage, I., Turiel, A., and Alvera-Azcarate, A., 2018. Improving SMOS sea surface？salinity in the Western Mediterranean Sea through？multivariate and multifractal analysis. Remote？Sensing, 10(3), 485. https://doi.org/10.3390/rs10030485

상세보기
Rao, R. R., and Sivakumar, R., 2003. Seasonal variability？of sea surface salinity and salt budget of the？mixed layer of the north Indian Ocean. Journal？of Geophysical Research: Oceans, 108(C1), 3009. https://doi.org/10.1029/2001JC000907

상세보기
Sasaki, H., Siswanto, E., Nishiuchi, K., Tanaka, K.,？Hasegawa, T., and Ishizaka, J., 2008. Mapping？the low salinity Changjiang Diluted Water using？satellite-retrieved colored dissolved organic matter？(CDOM) in the East China Sea during high？river flow season. Geophysical Research Letters,？35(4), L04604. https://doi.org/10.1029/2007GL032637

상세보기
Son, Y. B., and Choi, J. K., 2022. Mapping the Changjiang？diluted water in the East China Sea during summer？over a 10-year period using GOCI satellite sensor？data. Frontiers in Marine Science, 9, 1024306.？https://doi.org/10.3389/fmars.2022.1024306

상세보기
Sung, T., Sim, S., Jang, E., and Im, J., 2022. Estimation？of high resolution sea surface salinity using multi？satellite data and machine learning. Korean？Journal of Remote Sensing, 38(5-2), 747-763.？https://doi.org/10.7780/kjrs.2022.38.5.2.8

원문보기 상세보기
Wei, J., Lee, Z., and Shang, S., 2016. A system to？measure the data quality of spectral remote-sensing reflectance of aquatic environments.？Journal of Geophysical Research: Oceans,？121(11), 8189-8207. https://doi.org/10.1002/2016JC012126

상세보기

저자의 다른 논문 :

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