1. 서론

농업환경 모니터링에서 지구관측위성을 활용한 원격탐사 자료는 시·공간적 그리고 효율성 측면에서 다른 방법에 비해 많은 이점을 가진다. 2025년 발사예정인 차세대중형위성 4호(농림위성)는 가시-근적외 영역에서 5개의 분광밴드(Blue, Green, Red, Red-Edge, NIR)와 5m의 공간해상도(Nadir), 120 km의 관측폭을 가지고 태양동기원궤도로 888km 고도에서 1일 1회 한반도 상공을 통과하며 영상을 촬영한다. 농림위성은 농업분야에서 농작물 생육정보 제공, 작황 등 같은 농업생산환경과 병해충, 풍수해 등 재난·재해 모니터링을 위해 활용될 예정이다.

원격탐사를 이용한 농업분야 활용에 앞서 획득된 위성영상의 지표 반사도 및 식생지수 산출을 위해서는 기본적으로 전처리가 수행되어야 하며, 일반적으로 전처리 과정은 영상에서 취득된 화소값(Digital Number; DN)을 복사휘도(Radiance) 값으로 바꾸는 복사보정, 기하보정, 그리고 대기보정으로 나눠진다. 특히, 농업관측 과 같은 정량적인 분석을 위해서는 지표면 정보 산출 시 가장 큰 오차 요인 중 하나인 대기 감쇄 효과에 대한 보정이 필요하다(Kim et al., 2011).

대기보정은 위성영상에서 정량적 분석을 수행할 때 필수적으로 적용해야 하는 영상 후처리 과정이다. 대기 보정을 통해 영상의 화소값, 복사량으로부터 지표면의 고유한 분광반사특성을 나타내는 표면반사율 산출이 가능하다. 표면반사율은 하나의 화소에 해당하는 지표 물의 특성을 나타내는데 절대적 신호값으로 이를 이용 하여 식생 활력도, 생물량, 엽면적지수, 엽록소, 임관 비 율과 같은 생물리적 변수를 추출하는 경우에 필수적 이 다(Haboudane et al., 2002; Thiemann and Kaufmann, 2001). 대기는 시공간적인 변동성이 매우 크므로 대기상태가 다른 환경에서 촬영된 시계열 영상을 이용하는 분석에서 대기보정이 안 된 경우에는 대상물에 대한 반사도 차이를 추출하는데 오차가 발생한다. 한 시기의 영상에서 추출한 생물리량과 다른 시기에 수집한 영상에서 추출한 생물리량을 비교하기 위한 시계열 분석을 위해서는 대기에 의한 산란, 흡수, 감쇄 효과를 대기보정을 통해 제거하여 정규화된 표면반사도를 이용하여 분석하 여야 한다(Ahn et al., 2018).

전 세계적으로 많이 사용하는 Landsat-8 위성과 Sentinel-2 위성은 각각 USGS Land Surface Reflectance Code(LaSRC) 알고리즘(Vermote et al., 2018)과 Sentinel Application Platform(SNAP) Sen2Cor 프로그램(Louis et al., 2016)을 이용하여 표면 반사율 (L2A)자료를 배포하고 있다. 하지만 국내 고해상도 위성인 다목적 실용위성의 경우 공식적으로 대기보정 제품을 배포하지 않고 있다. 이에 본 연구는 다목적 실용위성의 대기보정 수행 및 농업모니터링 적용성을 평가하고 향후 발사될 농림위성의 대기보정을 적용하기 위해 다목적실용위성 3호(Korea Multi-Purpose Satellite-3; KOMPSAT-3) 위성 에 대해 대기보정을 적용하고 시계열 농업 모니터링 가 능성을 평가하였다.

대표적인 농경지인 김제(논), 합천(밭)지역의 위성영상 을 취득하여 대기보정 전(Top Of Atmosphere Reflectance; TOA Ref.)과 대기보정 후(Top of Canopy Reflectance; TOC Ref.)를 산출하였다. 검증을 위해 지상관측자료와 Sentinel-2 위성영상을 활용하여 1) 대기보정 입력파라 미터에 대한 농경지 민감도 분석, 2) 위성 상호간 대기 보정 비교 분석 3) 시계열 영상 활용가능성을 평가하기 위한 지상관측자료와의 비교 분석을 하였다.

2. 이론적고찰

1) 대기보정

지구관측을 위한 다중분광 위성은 태양에너지에 반사되는 지표 에너지를 파장영역에 따라 각각 수집하는 센서이다. 일반적으로 대기가 없는 이상적인 경우 위성 센서에 수집되는 복사휘도는 태양의 복사조도, 지구의 복사휘도, 위성 밴드의 분광조도 그리고 태양-지구-위 성간의 기하관계에 의해 계산된다. 하지만 지구 대기를 구성하는 여러 가지 물질(오존, 수증기, 에어로졸 등)의 영향으로 인해 대기잡음이 발생한다. Fig. 1과 같이 다양한 대기 구성 물질에 의한 빛의 산란, 흡수, 복사로 인해 대기잡음이 발생하게 되어 정량적인 지표를 관측하 는데 한계를 가진다

Fig. 1. Atmospheric Effect.

대기가 없는 이상적인 경우외 기권에서의 Sun Irradiance를 Eλ라 하고 태양 천정각(SunZenith)을 θ라 하면 Ground Irradiance는Eλ·cosθ로 표현된다. 따라서 센서파장대(Δλ)의 평균 분광조도를 EΔλ, 지표의 반사율을 R이라고 할 때 반사된 에너지가 반구모양으로 발산된다고 가정하면 복사휘도(Radiance) 측정치인 L은 다음의 식(Richter and Schläpfer, 2005)을 통해 알 수 있다.

\(L=E_{A L} \cos \theta \cdot \lambda R / \pi\)       (1)

대기를 고려할 경우 대기 통과 경로에 따른 대기 투과율(T), 대기 및 인접지역에서 산란되어 반사지점에 영향을 미치는 Sky Radiance(ED), 지표에 도달하지 않고 대기 및 인접지역에서 산란되어 센서에 영향을 미치는 Path Radiance(LP)들을 식 (2)와 같이 고려해야 하며 지표가 받는 복사량(EG)은 식 (3)과 같다.

\(L=L_{\text {pauk }}+L_{\text {milecud }}=L_{\text {publ }}+R T_{a} E_{a} / \pi\)       (2)

\(E_{G}=E_{\Delta k} T_{\theta} \cos \theta \Delta \lambda+E_{D}\)       (3)

식 (1), (2), (3)으로 센서에 도달하는 Radiance는 식 (4)와 같고 화소 값과 Radiance의 관계를 설명할 수 있다.

\(L=\left(E_{\Delta} \lambda T_{\theta} \cos \theta \Delta \lambda+E_{D}\right)+L_{P}\)       (4)

Path Radiance를 제거하기 위한 대기보정의 경우 계산이 복잡하고 다양한 대기변수들을 고려하는 것이 어렵기 때문에 주로 복사전달모델을 기반을 둔 조견표를 활용하는 경우가 많다(Yeom, 2014). 복사전달모델은 미 공군 지구물리 실험실에서 개발된 MODerate resolution atmospheric TRANsmission; MODTRAN(Berk et al., 1999) 과 MODIS 위성의 대기보정 알고리즘 기반인 Second Simulation of a Satellite Signal in the Solar SpectrumVector(Vermote et al., 1997)등이 있으며, 일반적인 대기 보정의 절차는 Fig. 2와 같다

Fig. 2. Atmospheric Correction Flow.

2) 식생지수

식생의 잎에는 다량의 엽록소가 포함되어 있다. 엽록소는 가시광선 영역과 근적외 영역에서 반사특성이 다르다. 따라서 두 파장의 반사율 차이를 이용하여 식생 내 엽록소의 상대적인 양을 추정 할 수 있다. 약 50개 이 상의 다른 식생지수가 원격탐사에서 사용되고 있으나 (Bannari et al., 1995), 본 연구에서는 정규화 식생지수 (Normalized Difference Vegetation Index; NDVI)를 사용 하여 대기보정에 따른 영향을 분석하였다.

Rouse et al. (1974)은 건강한 식생은 적색영역(ρ(RED)) 대부분을 흡수하고 적외선영역(ρ(NIR))은 50% 이상을 반사하므로 적외선 부분에서 밝게 나타나는 반면에 병든 식생은 적외선의 반사율이 감소하며 적색영역의 반사율이 증가하는 특성을 이용하여 식 (5)와 같이 NDVI 계산식을 개발하였다. 일반적으로 많이 알려진 NDVI는 주로 식생 활력도를 나타내며, -1.0

\(N D V I=\frac{\rho_{(N I R)}-\rho_{(R E D)}}{\rho_{(N I R)}+\rho_{(R E D)}}\)       (5)

3. 연구방법

1) 연구지역 및 자료

연구지역은 식량작물과 노지채소(마늘, 양파)의 주산지인 김제시와 합천군의 농경지 일대를 선정하였으며 (Fig. 3), 해당 지역의 위성영상은 KOMPSAT-3와 Sentinel-2 위성을 대상으로 구름이 없는 영상을 기준으로 수집하였다. 취득한 위성영상의 동일한 위치의 식생지수 및 반사도 추출을 위해 본 연구에서는 항공사진을 기준영상 으로 KOMPSAT-3 영상과 Sentinel-2 영상에 대해 기하 보정(Co-Registration)을 수행하였다. 각 영상별로 동일 한 5개의 지상기준점을 이용하여 RMSE 1 pixel 이하로 기하보정(Referencing) 하였다.

Fig. 3. Study Area Sentinel-2 and KOMPSAT-3 Image (Left: Gim-Je, Right: Hap-cheon).

KOMPSAT-3 위성영상의 경우 L1R 자료를 사용하였으며, Kim et al. (2015)의 절대복사보정계수를 사용하여 TOA Ref.를 산출 후, 대기보정을 수행하여 TOC Ref.를 산정하였다. Sentinel-2 위성영상의 경우 Level1C 취득 시 TOA Ref.가 제공되며, Sen2Cor를 이용하여 TOC Ref.를 산정하였다. KOMPSAT-3의 TOC Ref. 산출을 위해 본 연구에서는 MODTRAN 복사전달코드를 이용하는 Atmospheric and Topographic CORrection (ATCOR) 모듈을 활용하였다

2) 위성자료

KOMPSAT-3 위성은 70 cm 흑백 지상해상도를 가지는 저궤도 위성으로 대한민국 최초이며 세계에서 4번째로 sub-meter급 해상도와 기동성을 갖춘 위성이다. KOMPSAT-3의 Advanced Earth Imaging Sensor System (AEISS)은 PushBroom 방식의 센서로 상공에서 16.8 km 의 촬영 폭으로 지표면을 스캔한다. 또한 KOMPSAT-3 는 2.8 M 공간해상도를 가지는 4개의 다중분광(Blue, Green, Red, NIR) 밴드 영상을 가지며 재해재난관리, 국 토 관리, 환경·기상분야 등 국가영상정보 수요를 충족 하기 위해 폭넓게 활용되고 있다.

Sentinel-2 위성은 농업관측, 산림감시, 토지이용변화 탐지 및 자연재해 모니터링과 같은 지상관측을 수행하 는 유럽우주국(European Space Agency)에서 코페르니쿠스 프로그램의 일환으로 개발된 지구관측위성이다. Push-broom 형식으로 290 km2의 넓은 관측 폭을 가지며, 최대 10 m급 공간해상도, 2~3일의 짧은 재방문 주기와 더불어 전처리가 완료된 위성영상의 제공 등을 통해 농업관측에 활용가능성이 매우 높다. 동일 궤도의 2개 위성(2A, 2B)으로 구성되며, 2개의 위성체는 180° 떨어져 있다.

Sentienl-2는 13개 밴드의 다중분광 위성으로 10m 해상도의 가시근적외밴드 4개, 20 m 해상도의 식생적색 경계밴드 3개, 단파적외선밴드 2개, 협대역 근적외밴드 1개, 60 m 해상도의 수증기, 대기단파적외선, 연안 에어 로졸 각각 1개씩의 밴드를 포함하고 있다. Table 1은 두 위성의 다중분광센서에 대한 제원을 나타낸다.

Table 1. Sensor Specification

3) SRS

시계열 위성영상의 대기보정 결과를 상호 비교하기 위해 NDVI를 측정하는 Spectral Reflectance Sensor (SRS, Decagon Devices, Pullman, WA)를 사용하였다. SRS 센서는 적색 및 근적외선 파장영역의 복사조도(Irradiance) 와 복사휘도(Radiance)를 측정, 자체적으로 보정계수를 적용하여 지상 관측에 활용성이 높다.

SRS 센서는 근적외선 밴드와 적색 밴드의 스펙트럼 반사율을 산정하기 위해 대기를 통해 입사되는 복사량과 지표면에서 반사되는 복사량을 각각 측정하여 그 비율을 식 (5)와 같이 계산한다(Decagon devices, 2014).

\(N D V I=\frac{\rho_{(N I R)}-\rho_{(R E D)}}{\rho_{(N I R)}+\rho_{(R E D)}}\)       (5)

여기서, Rn, Rr은 각각 반사되는 근적외선과 적색 밴드의 복사량, In, Ir은 각각 입사되는 근적외선과 적색 밴드의 복사량, α는 입사 근적외선 밴드 복사량에 대한 입사 적색 밴드 복사량의 비율이다. 근적외선과 적색 밴드의 입사 및 반사 복사량을 측정하기 위해 SRS 센서는 지표면과 수직 방향으로 상부를 향해 설치하는 센서 (Hemispherical sensor)와 측정하고자 하는 대상을 향해 설치하는 센서 (Field stops sensor) 및 이들 센서로부터 측정값을 입력받아 저장하는 로거 (Logger)로 구성되어 있다(Fig. 4).

Fig. 4. SRS Sensor.

4) 대기보정

대기보정은 MODTRAN 복사전달 코드를 기반으 로 하는 상용 소프트웨어인 ATCOR(ReSe Application, Switzerland)를 사용하였다. ATCOR에 사용된 입력변 수의 경우 영상 취득당시의 시간을 이용하여 지구-태양 거리, 태양-위성-지구 기하관계, 해당지역의 고도, 그리 고 촬영지역의 대기 파라미터(습도, 에어로졸, 가시거 리 등) 등이 있다. 본 연구는 MODTRAN 표준 대기모델 인 Mid-Latitude, Rural 모델을 사용하였으며 촬영일에 따라 기상청 기상자료를 참조하여 대기 파라미터를 사용하였다. Fig. 5, 6은 김제 및 합천지역 KOMPSAT-3 위 성의 대기보정 전/후 영상을 나타낸다.

Fig. 5. Before (Left) and After (RIGHT) atmosphere correction Image (Hap-Cheon).

Fig. 6. Before (Left) and After (RIGHT) atmosphere correction Image (Gim-Je).

4. 연구결과

1) 대기보정 민감도 분석

본 연구에서는 KOMPSAT-3 위성의 대기보정 성능 을 평가하고 대기보정 시 주요 파라미터로 사용되는 오존, 수증기, AOT 변화에 따른 농경지의 민감도를 분석하였다. 대기 파라미터는 우리나라 기상 특성을 고려하여 Table 2와 같이 설정하였다

Table 2. Input parameters rages for sensitivity analysis of atmosphere correction

Fig. 8은 수증기 변화에 따른 농경지 반사율 변화를 나타낸다. NIR 밴드에서의 변화가 가장 두드러지게 나타나며, 반사율이 낮은 휴경지 보다 반사율이 높은 논, 밭에서의 변화가 상대적으로 높게 나타났다. 특히 KOMPSAT-3 위성의 경우 타 지구관측위성에 비해 NIR 밴드 대역이 넓으며, NIR 밴드가 수증기 흡수대역을 포함하는 대역(840 nm)에 있어 수증기의 영향으로 인해 NIR 밴드의 변화가 큰 것으로(Zhang et al., 2018).

Fig. 8. Change in Surface Reflectance for each band according to a change in Water Vapor.

오존의 경우 수증기와 에어로졸 가는 다르게 반사율 변화가 상대적으로 작았으며, 그린밴드에서의 변화를 보였다(Fig. 7). 오존의 경우 600 nm 영역에서 높은 반응성을 보이며(Richter et al., 2014) KOMPSAT-3 위성의 그린밴드(520-600 nm)에서 가장 차이가 크게 나타났다. 하지만 수증기나 에어로졸과 같은 다른 파라미터와 다르 게 상대적인 변화율은 작은 것으로 판단된다.

Fig. 7. Change in Surface Reflectance for each band according to a change in Ozone.

광학영상의 대기보정에서 가장 큰 영향을 미치는 AOT의 경우 AOT가 높아질수록, 즉 AOD 양이 적어질 수록 대기에 반응영향이 줄어들어 가시광영역에서 반 사도가 증가하는 일반적인 경향과 동일하게 나타났다 (Fig. 9). 그 중 Blue 밴드에서 변화가 가장 크게 나타났으며, 파장영역이 짧아질수록 AOD 민감도가 증가하는 일반적 경향과 일치하였다(Jung et al., 2020).

Fig. 9. Change in Surface Reflectance for each band according to a change in AOT.

Table 3은 대기입력 파라미터 변화에 따른 농경지(논, 밭, 휴경지) 반사율의 퍼센트 차이를 나타낸다. AOT의 경우 BLUE 밴드에서 반사율 58%의 차이가 나타났다. Fig. 9에서 확인할 수 있듯이 AOD 보정이 기존의 반사 도가 낮은 작물(식생)에 적용되어 반사도 차이가 매우 크게 보이기 때문이다. Kang et al. (2021)의 연구에서도 AOD의 경우 보정량이 일정하더라도 해당 지표의 반사 율에 따라 변화량이 상대적으로 나타났음을 확인할 수 있었다

Table 3. Relative Change in Reflectance by Band According to change in input Parameter

2) 위성영상 반사율 상호 비교 분석

KOMPSAT-3 위성영상의 대기보정 적용성을 평가하기 위해 본 연구에서는 동일한 날짜(2021.04.14)에 촬영 된 합천지역의 KOMPSAT-3 위성과 Sentinel-2 위성의 대기 보정 전/후 반사도를 비교하였다. 다양한 토지피복을 반영하기 위해 특정 지역(3 km by 3 km)에 대해 랜 덤포인트 300점을 생성하여 비교하였다.

그 결과 모든 밴드에서 반사율 상호 일치율이 대기보정 전보다 향상됨을 확인 할 수 있었다. 특히 식생의 활력을 나타내는 NIR 밴드의 경우 16% 기울기 차이에서 5%로 약 10% 일치율이 높아졌다(Fig. 10). 수증기 영역 을 민감하게 반응한 NIR 밴드 대역에서 대기보정에 의하여 수증기 효과가 제거되어 가시광선 밴드 대역과 비교하여 상대적으로 일치율이 높게 상승하였다.

Fig. 10. Reflectance Comparison Before (TOA) / After (TOC) Atmospheric Correction each Band.

위성영상의 대기보정에 있어 정확한 대기 입력 파라 미터는 정확한 반사율 산정에 있어 매우 중요하다. 해당 영상은 Sentinel-2 영상의 대기인자를 동일하게 적용 하였으며, 기상청 관측소와 거리차에 의한 차이가 존재 하였다. 기상청 인자만을 입력하였을 경우 상호 일치율 은 감소하는 것을 확인할 수 있었다. 민감도 분석에서 도볼수 있듯이 정확한 파라미터를 산정하지 못하면 왜곡된 표면 반사율이 산정될 수 있으므로 대기보정 시 정 확한 대기 파라미터 산정을 위한 추가 연구가 필요하다.

3) 위성영상 식생지수 상호 비교 분석

KOMPSAT-3 위성과 같은 고해상도 극궤도 위성은 Sentinel-2 위성과는 다르게 촬영시 Tilt Angle의 변화를 주어 넓은 지역을 촬영할 수 있다. 이럴 경우 대기 광 경로가 길어지게 되어 위성이 받는 입사조도에 왜곡이 발 생하게 되어 정확한 반사율 산정 분만 아니라 식생 분석 에 있어 문제점으로 작용한다. 따라서 본 연구에서는 동일한 날짜에 촬영 된 KOMPSAT-3 위성과 Sentinel-2 위성 의 촬영각에 따른 반사율 식생지수를 상호 비교 하였다.

식생분석을 위해 스마트 팜맵에서 추출된 경지 133 곳을 대상으로 Zonal 분석을 수행하였다. 2021년 4월 14 일 영상은 Off-Nadir 5도, 2018.4.28영상은 Off-Nadir 26 도로 촬영되었으며, Fig. 11, 12는 대기보정 전의 적색/ 근적외 밴드에서의 반사율과 식생지수를 나타낸다.

Fig. 11. Reflectance Comparison Before (TOA) / After (TOC) Atmospheric Correction (Tilt Angle 5°).

Fig. 12. Reflectance Comparison Before (TOA) / After (TOC) Atmospheric Correction (Tilt Angle 26°).

2021년 4월 14일 영상은 TOA Reflectance의 상호일 치율이 낮은 것으로 나타났으며, 특히 NDVI의 경우 46% 기울기 차이를 보였다. 대기보정이 적용된 TOC Reflectance의 경우 밴드 반사율과 식생지수 모두 10% 이내의 기울이 차이를 보여 상호 일치율이 높게 나타났 다(Fig. 11).

2018년 4월 28일 영상의 경우 TOA Reflectance는 앞 선 영상과 마찬가지로 일치율이 낮게 나타났으며, 대기 보정 후 일치율이 소폭 상승하는 결과를 가져왔으나 15% 이상의 차이를 보였다. 하지만 NDVI의 경우 대기 보정 전 12% 기울기 차이에서 대기보정 후 11% 기울기 차이로 큰 차이가 나타나지 않았으며, R2의 경우 0.66에 서 0.84로 향상되는 결과를 보였다(Fig.12).

특히, 대기보정 후 NDVI가 낮은(나지)지역의 경우 상 대적으로 큰 값을 보였으며, NDVI 높은(재배지)의 경우 과소 추정되는 결과를 나타냈다. 따라서 KOMPSAT-3 위성과 같은 촬영각을 가지는 영상을 농업관측에 활용 하기 위해서는 관측각(Tilt)에 대한 사전 고려가 필요할 것으로 판단된다.

이러한 Tilt Angle 차이는 대기광경로의 영향뿐만 아니라, 위성의 지상 해상도 또한 영향을 미치기 때문에 향후 촬영각이 다른 동일한 센서에 대한 반사율 비교하여 식생유무에 따른 추정오차를 파악하는 것이 필요할 것으로 판단된다.

4) 시계열 대기보정 적용

시계열 식생지수 활용성 평가를 위해 본 연구에서는 2019년 5월~10월 사이에 촬영된 KOMPSAT-3, Sentinel-2 위성 영상과 지상관측자료(SRS)를 이용하여 NDVI를 비교 분석하였다. 대기보정 전 KOMPSAT-3와 SRS의 NDVI 차이는 약 18%에서 대기 보정 후 약 5%로 10% 이상 차이가 감소하였다(Fig. 13). Sentinel-2 위성도 동일한 경향을 나타냈으며, 두 위성간의 상호 비교 결과 일치율 높아졌다(Fig. 14). 다만, 앞선 상호 분석결과와 마찬가지로 KOMPSAT-3 위성천정각이 높을 경우 NDVI가 높은 경우에는 과소 추정, 낮을 경우에는 과대 추정 되는 경향을 보였다

Fig. 13. Atmospheric Correction of Each Satellite Time-series NDVI (Left: Sentinel-2, Right: KOMPSAT-3).

Fig. 14. Atmospheric Correction of Time-series NDVI Comparison (Left: TOA Ref., Right: TOC Ref.).

이상의 결과를 종합하면 대기보정을 수행하여 위성 과 지상 관측 센서와의 오차는 줄어들었지만 관측 플랫 폼(위성) 차이에 의한 오차는 여전히 존재한다. 이러한 오차의 원인은 앞서 제시한 대기 입력 파라미터, 위성 밴드의 분광응답반응, 촬영각, 관측규모, 관측 센서의 오차 등 다양하게 존재 하는 것으로 판단된다. 이러한 차이를 최소화 하여 정확한 반사율 혹은 식생지수 값을 도출하면 좋으나 현실적으로 어려움이 따른다.

따라서, 농경지 관측 혹은 식생분석을 위한 KOMPSAT-3 위성 활용을 위해 1) 농경지 관측 혹은 식 생분석을 위한 KOMPSAT 위성 활용을 위해서는 가능한 촬영각(Tilt)이 Nadir 촬영, 2) 표면반사율 산출을 위 한 대기보정 시 정확한 대기 입력 파라미터 추정을 통한 대기 효과 제거, 3) 지형 및 피복 특성을 고려한 양방 향성반사분포함수 적용 등 오차를 최소화하는 방향이 필요할 것으로 판단된다.

농경지 모니터링 및 작황 분석을 위해서는 작물의 생육주기에 맞는 연속적인 영상취득이 매우 중요하다. 다목적 실용위성의 경우 다양한 국가수요를 반영한 촬영 계획으로 인해 제한이 있다. 현재 운영 중인 국토위성 1 호, 향후 발사될 2호, 농림위성, 초소형위성 등 다양한 위성이 운용될 경우 영상수급 문제는 해소되나 정량적 활용을 위해서는 대기보정과 더불어 센서의 밴드별 분 광응답 반응과 해상도 차이에서 발생한 왜곡 보정이 필 요할 것으로 판단된다.

5. 결론

본 연구는 KOMPSAT-3 위성의 대기보정을 수행 하고 농업분야 적용성을 평가 하기 위해 1) 대기보정 파라 미터에 대한 민감도 분석, 2) 위성 상호간 대기보정 비 교 분석, 3) 지상관측자료와 비교 분석하였다

MODTRAN 복사전달모델을 기반으로 김제 및 합천 지역 촬영 영상에 대하여 논(벼), 밭(양파), 나지(휴경지)에 대한 입력 파라미터 민감도 분석 결과 오존의 경우 Green 밴드, 수증기의 경우 NIR 밴드, 에어로졸의 경우 Blue 밴드에서 가장 큰 변화를 보였으며 토지피복의 유형(식생, 비식생)에 따라 차이를 보였다.

대기보정 알고리즘 적용 후 상호 비교 분석을 위해 동일한 날짜에 촬영된 KOMPSAT-3 위성영상과 Sentinel-2 위성영상을 비교 분석한 결과 모든 파장영역에서 상호 일치성이 높아진 것을 확인 할 수 있었으며 식생 활력도를 나타내는 식생지수의 경우 보정 전 약 20%에서 보정 후 6% 차이로 일치율이 향상되었다. 다만, 촬영각(Tilt)을 가지는 KOMPSAT의 경우 Tilt Angle이 높을 경우 대기 광경로 및 지상해상도에 따른 위치 불일치에 의해 오차가 발생하여 대기보정 후에도 일치율이 낮은 것으로 판단되며, 향후 정량적인 분석이 필요할 것으로 판단된다.

작황분석을 위한 시계열 위성영상 활용가능성 평가 를 위해 벼재배지역에서의 지상관측자료(SRS)와의 비교 분석 결과 KOMPSAT-3, Sentinel-2 위성 모두 식생지수에서 대기 보정 후 일치율이 향상되었다. 따라서 KOMPSAT-3 위성의 대기보정을 적용하여 동일한 기준의 시계열 식생지수 생산이 가능할 것으로 기대된다.

향후 발사될 농림위성의 농업관측 및 활용에 있어 대기보정은 반드시 선행되어야 하는 작업이며, 특히 기초 자료인 식생지수(NDVI) 분석에 있어 매우 중요한 과정 이다. 농경지 모니터링 및 작황분석을 위해서는 작물의 생육시기에 맞는 시계열 영상이 필수적으로 필요하다.

본 연구는 KOMPSAT-3 위성의 특성상 다수의 영상 이 아닌 특정 영상만을 활용하여 적용하였기 때문에 향후 다양한 시계열 영상 적용을 통한 대기보정 민감도 및 촬영각에 따른 왜곡량 정량화가 필요하며, 국내 지형 특성상 지형에 의한 효과(지형보정 및 BRDF) 적용, 영상 공동 활용을 위한 밴드조정계수 적용가가 필요할 것이다.

사사

본 연구는 농촌진흥청 공동연구사업(과제번호: PJ01493501)의 지원에 의해 이루어진 결과로 이에 감사드립니다