Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

The GOCI-II Early Mission Marine Fog Detection Products: Optical Characteristics and Verification

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

  • Kim, Minsang (Korea Ocean Satellite Center, Korea Institute of Ocean Science and Technology) ;
  • Park, Myung-Sook (Korea Ocean Satellite Center, Korea Institute of Ocean Science and Technology)
  • 김민상 (한국해양과학기술원 해양위성센터) ;
  • 박명숙 (한국해양과학기술원 해양위성센터)
  • Received : 2021.10.05
  • Accepted : 2021.10.25
  • Published : 2021.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

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.

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; Rrc)와 정규화된 국소 표준 편차(Normalized Local Standard Deviation; NLSD)를 GOCI, GOCI-II 자료를 시공간 일치시킨 뒤 분석한 결과 412 nm 밴드 레일리 Rrc의 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 Rrc 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.

Keywords

1. 서론

해무는 고온 다습한 공기가 상대적으로 온도가 낮은 해안 및 해수면으로 이동하면서 수증기가 응결된 작은 수적과 빙적으로 이루어져 있는 현상으로 국제 정의에 따르면 수평 시정 1 km 미만을 갖는다. 구름과 매우 유사한 특성을 가지고 있지만 구름의 경우 대류 현상으로 인해 상승기류나 하강기류가 일어나면서 광학적으로 비균질한 표면을 형성하지만, 해무는 해수면에 접해 있으며 안정된 대기 상태에서 넓고 발달하며 균질한 표면을 갖는다. 해무는 바다 위에서 낮게 발달한 안개로 연안 및 해양의 악기상과 관련되었기 때문에 그 중요성이 강조되는데 대략 32% 의 해양 사고가 짙은 해무와 연관 되어 있다(Tremant, 1987). 이러한 위험에도 불구하고, 해무에 대한 연구는 제한적으로 진행되었는데 가장 큰 이유는 지상에 비해 배를 통한 직접 관측은 상대적으로 관측 네트워크 간의 거리가 멀고 시간적인 제약이 있기 때문이다. 위성의 발달로 인해 광범위하고 짧은 간격의 관측이 가능하게 되어 해무에 관한 연구가 활발히 이루어지게 되었다.

기존 인공위성을 이용한 해무탐지 연구는 주로 3.7 µm 밴드의 구름 종류에 따라 수적과 빙적의 방출율이 다르다는 특성을 활용해 구름 상층 온도를 통해 구름 높이 정보를 제공함으로써 높은 구름과 하층의 구름 및 해무를 구분하는데 3.7 µm 밴드와 적외 밴드(~11 µm) 차이를 이용했다(Eyre et al., 1984; Hunt, 1973; Cermak and Bendix, 2008; Anthis and Cracknell, 1999; Heo et al., 2018; Gao et al., 2009). 그럼에도 불구하고 이 방법은 얇게 분포하는 해무와 같은 지역에서는 그 차이가 크지 않을 뿐만 아니라 여명/황혼기에 단파적외 채널이 태양 에너지에 영향을 받아 밝기 온도가 민감하다는 제약이 존재한다. 주간에 발생하는 해무의 경우에는 가시 채널을 활용하므로 해무와 구름의 광학적 특성 차이를 활용한 연구가 진행되었다(Eyre et al., 1984; Yuan et al., 2016; Suh et al., 2017; Kim et al., 2020). 넓고 발달한 짙은 해무의 경우 구름만큼 반사도가 높을 뿐만 아니라 해무 표면이 평평하여 구름과 다른 거칠기를 갖는 특성이 있다.

최근 해무 탐지 및 예측을 위해 다양한 기계학습 및 인공지능 기법을 활용한 연구들도 수행되고 있다(Kim et al., 2020; Kim et al., 2020-b; Kamagir et al., 2021). Kim et al. (2020)은 천리안 해양 위성(GOCI)에서 탐지되는 해무의 특성을 정량화하여 결정나무 기법(Quinlan, 1986) 기반 해무 탐지 알고리즘을 개발하였다. 결정나무 기법을 통해 해무와 구름이 갖는 광학적 차이와 표면의 거칠기를 수치적으로 확인하였다. 종관기상관측 시정계 자료를 사용하여 검증을 수행하여 Hit Rate (HR) 0.61과 False Alarm Rate (FAR) 0.21의 높은 탐지 성능을 보였다. Kim et al. (2020-b)에서 라이다 자료를 사용하여 랜덤 포레스트(Breiman, 2001), 서포트 벡터 머신(Cortes and Vapnik, 1995)의 기계학습 방법과 인공 신경망(Jain et al., 1996) 딥러닝 기법을 적용하여 해무를 탐지하였으나, 모델의 성능을 평가하는 F1 score (Goutte and Gaussier, 2005)가 0.1 정도로 높지 않았다. 콘볼루션 신경망 기법을 사용하여 해무 예측을 수행한 Kamagir et al. (2021)은 자료와 수치 자료를 결합하여 모델을 구축해서 6, 12, 24시간 예측 시스템을 개발하였다. 성능 평가를 위해 사용된 앙상블 예측 수치 모델 결과(HR=0.41)와 비교하였을 때 딥러닝 기반 해무 예측 모델의 HR가 0.61로 더 나은 성능을 보였다. 하지만 다양한 해상도의 입력자료는 결측 보간과 해상도 통일하는 전처리 과정이 필요하고 288개에서 384개의 많은 입력자료를 필요로 한다. 본 연구는 해무의 예측 보다는 위성자료 기반 해무 탐지의 중점을 두어, 예측처럼 수치모델과 같은 정보를 입력자료로 사용하지 않아 간결하고 물리적으로 설명가능한 기계학습 알고리즘을 채택하도록 한다.

2020년 2월 12개의 가시 및 근적 외 밴드로 구성되며, 높은 시공간적 해상도를 갖는 천리안해양위성 2호(GOCI-II)가 발사되었다. GOCI-II 해무탐지 자료는 GOCI 자료를 기반으로 개발된 Kim et al. (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.

2. 자료 및 방법

1) GOCI-II

GOCI-II는 가시-근적외 영역(380 – 900 nm 파장대 역)의 13개의 밴드로 구성되었다(Table 1). 지역 관측 기준으로 시간 해상도의 경우 GOCI에 비해 2회 증가하여 10회(23 UTC – 08 UTC) 관측이 가능하며, 공간 해상도는 GOCI의 경우 500 m 해상도를 갖는데 비해 GOCI-II 는 250 m 의 공간 해상도를 갖을 뿐만 아니라 하루에 한번 전구 영역을 관측한다.

Table 1. GOCI-II band specification

OGCSBN_2021_v37n5_2_1317_t0001.png 이미지

GOCI-II는 1개의 UV 파장대, 8 개의 가시 파장대, 3 개의 근적외 파장대, 총 12개의 분광 밴드가 있고 추가로 1개의 전정색(402-885 nm) 파장대로 구성된다. 가시광 파장대 영역 중 파란색 계열 파장대(402-422, 433-453, 480-500 nm)에서의 반사도 값에 따라 수역을 구분할 수 있으며, 녹색 계열 파장대(500-520, 545-565 nm)에서 의 반사도 값에 따라 식생의 유무를 판단할 수 있으며, 빨간색 계열 파장대(610-630, 650-670, 675-685 nm)에서 의 반사도 값에 따라 식생과 나지 부분을 구별할 수 있게 해주며, 식생의 밀도 또한 알 수 있다. 또한 근적외 파장대(704-714, 735-755, 845-885 nm)에서의 반사도 값에 따라 해안선을 감지할 수 있으며, 식생의 밀도도 알 수 있다.

본 연구에서 기존 GOCI 해무 탐지 알고리즘과 같이 GOCI-II 해무 알고리즘의 입력 자료로 대기 중의 기체에 의해 발생된 레일리 산란 효과를 제거한 반사도인 GOCI-II Rrc 반사도를 사용하였으며 다음과 같은 식에 의해 계산되어진다(Gordon et al., 1988, Kim et al., 2020).

\(\begin{equation} \begin{aligned} &\rho_{T O A}(\lambda)=\frac{\pi L_{T O A}(\lambda)}{F_{0}(\lambda) \cos \left(\theta_{s}\right)} \\ &R_{r c}(\lambda)=\rho_{T O A}(\lambda)-\rho_{r}(\lambda) \end{aligned} \end{equation}\)

ρTOA는 대기 상층(Top of Atmosphere; TOA) 반사도, LTOA 는 대기 상층에서 관측된 복사량, λ는 파장, F0은 외부 태양 복사량, θs은 태양 청전각, ρr은 에어로졸이 없을 때의 레일리 다중 산란 반사도를 의미한다.

또 다른 변수인 NLSD는 GOCI-II 412 nm Rrc 반사도를 사용하여 계산된다. 기존 GOCI에과 달리 GOCI-II 의 공간해상도가 2배 높아짐에 따라 중심 픽셀 주변 18×18 픽셀을 사용하여 아래와 같이 계산된다.

\(\begin{equation} N L S D=\frac{\text { Local standard deviation }}{\text { Local mean }} \end{equation}\)

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.

Table 2. List of marine fog and cloud sample

OGCSBN_2021_v37n5_2_1317_t0002.png 이미지

2) Himawari8-AHI(Advanced Himawari Imager)

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. Himawari8-AHI 구름 고도 자료와 GOCI-II의 해상도가 다르기 때문에 시공간 일치 작업 수행 후 사용되었다.

3) GOCI-II 해무 탐지 알고리즘

다양한 해무 탐지 기법 중, Kim et al. (2020)기반 GOCI 기반 알고리즘을 GOCI-II에 맞쳐 변형하여 채택하였다. 두 위성은 비슷한 가시-근적 외 채널을 가지기 때문에, GOCI 기반 해무 탐지 알고리즘은 GOCI-II로 대체할 관측값이 존재하며, 입력자료 해상도 변경은 간단한 계산식 변경으로 알고리즘 적용이 가능하다. 또한, 두 위성의 중복 운용 기간 동안 비교를 통해 평가 및 연속적인 산출물 제공이 가능하다. 알고리즘의 전반적인 흐름은 Fig. 1과 같다. 다만, GOCI, GOCI-II 센서의 차이로 인한 분광반응함수(Spectral response function) 형태나 공간해상도의 차이로 인해 해무 탐지 알고리즘의 성능의 차이를 확인하기 위해, 본 연구에서는 두 위성 간의 각 밴드 Rrc를 비교하여 오차를 분석하였다. 추후 GOCI-II 알고리즘을 훈련하기에 충분한 샘플의 양이 확보된 뒤 에는 GOCI-II 기계학습 알고리즘의 개선을 수행할 수 있다.

OGCSBN_2021_v37n5_2_1317_f0001.png 이미지

Fig. 1. Flowchart of marine fog algorithm (Kim et al., 2020).

GOCI-II 해무 탐지 알고리즘은 GOCI-II 412 nm Rrc 반사도 자료와 NLSD 값을 입력자료로 사용하여 결정 나무 알고리즘을 사용하여 해무, 비해무를 판별하는 1차 해무 탐지 산출물을 생산한다. 2021년 3월 25일 03 UTC RGB 영상(Fig. 2(a))에서 확인할 수 있듯이 넓게 분포하는 해무의 Rrc가 높은 구름보다 낮은 반사도를 갖는 것을 확인할 수 있으며(Fig. 2(b)), NLSD의 경우 구름 표면에서 높은 값을 갖는 것과 달리 해무는 균일하고 낮은 값을 갖는 것을 확인할 수 있다. 해무와 비해무 영역으로 분류된 1차 해무 산출물 자료는 시공간 일치 과정을 거친 Himawari8-AHI의 구름 고도 자료를 사용하여 3 km 이상의 높은 구름을 제거한다(Fig. 2(d)). 또한, 해무 경계에서 높은 NLSD 값을 갖게 되어 1차 해무 탐지 영역이 실제 해무영역보다 좁게 탐지된다. 이를 해결하기 위해 해무 반사도 범위에는 포함되면서 구름 고도 가 3 km 미만인 영역을 안개에 포함하도록 처리하였다. 알고리즘의 최종 산출물은 “해무”, “비해무”, “구름 아래에 해무 가능성 있는 영역”으로 분류된 결과로 제공된다.

OGCSBN_2021_v37n5_2_1317_f0002.png 이미지

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.

3. 결과

1) GOCI와 GOCI-II 광학적 특성 비교

해무 사례에 대한 GOCI 와 GOCI-II 관측의 광학적 특성 분석을 위해 Table 2에서 수집된 해무 사례들에 대해 시공간 일치된 Rrc 412 nm NLSD 값을 분석하였다 (Fig. 3). Rrc의 경우 전반적으로 GOCI와 GOCI-II 의 평균 제곱근 오차가 0.05 아래로 매우 낮으며 상관계수 또한 높은 것 확인할 수 있었다. 밴드의 파장이 길어질수록 평균 제곱근 오차가 커지고 상관계수는 낮아지는 경향을 보였다. 다만 680 nm 경우 GOCI-II 해무의 Rrc가 제대로 산출되지 않는 사례가 있었다. GOCI-II 해무 탐지 알고리즘의 입력자료로 사용되는 412 nm Rrc의 경우 0.01의 평균 제곱근 오차와 0.988의 상관계수를 가지고, NLSD의 경우 0.009의 평균 제곱근 오차, 0.964의 상관 계수를 갖는다.

OGCSBN_2021_v37n5_2_1317_f0003.png 이미지

Fig. 3. Density plot of Rrc (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).

2) GOCI-II 해무와 구름의 광학적 특성 비교

GOCI-II 관측에서 해무와 구름이 갖는 광학적 특성을 분석하기 위해 밴드별 Rrc 값을 확인하였다 (Fig. 4). 구름의 경우 구름의 두께, 고도에 따라 광학적 특성이 달라지는데 얇거나 낮은 구름의 경우 대체적으로 반사도가 낮게 분포하며, 높고 두꺼운 구름의 경우 높은 반사도를 보인다. Fig. 4에서 다양한 구름의 특성으로 구름 샘플은 전반적으로 해무보다 Rrc 변화가 크며 높은 값을 보이고 있다. 반면에 해무는 대부분 해수면에 가깝게 분포하며 안정된 대기 상태에서 생성되기 때문에 변화가 않는 광학적 특성을 갖는다. 이는 Fig. 4 파란색 히스토그램에서 잘 나타나는데 해무의 경우 모든 밴드에서 구름에 비해 상대적으로 좁은 영역에서 낮은 반사도를 보였다. 히스토그램의 최고점의 Rrc는 파장이 길어질수록 값이 커지는 경향성을 보이며 단파장에서 분리가 더 잘 되는 것을 확인할 수 있다. 해무와 구름 샘플에서 나온 밴드별 GOCI-II Rrc 히스토그램 결과는 Kim et al. (2020)에서 GOCI 자료를 활용하여 분석한 해무는 좁은 분포를 나타내고 구름은 더 넓고 두꺼운 히스토그램 특성을 보이는 결과와 일치하였다.

Fig. 4. Histogram by GOCI-II Rrc band for marine fog (blue), and cloud (red) cases.

2) GOCI-II의 GOCI 해무 탐지 알고리즘 비교 및 관측 시정 결과 비교

GOCI-II 임무 초기 해무 탐지의 정성적인 품질 검사 를 위해서, GOCI 해무 탐지 결과를 비교하였다. Fig.5는 GOCI와 GOCI-II 가 동시에 관측한 시기인 2021년 2월 12일, 3월 25일에 발생한 두 해무 사례에 대한 해무 탐지 알고리즘 산출물 결과이다. 전반적인 해무탐지 결과는 GOCI와 GOCI-II 모두 비슷한 분포를 보인다. Fig. 3에서 확인한 결과와 같이 두 위성의 Rrc와 NLSD 값의 오차 가 크지 않았고 그 결과 해무 탐지 알고리즘 산출물의 전반적인 성능은 크게 차이가 나지 않았고 높아진 공간 해상도의 영향으로 Fig. 5(a)와 (b)의 box 부분과 같이 해무 경계면에서 정확도에 대한 개선은 확인할 수 있다.

OGCSBN_2021_v37n5_2_1317_f0005.png 이미지

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.

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. 이후 09, 10 KST 에서 해무로 탐지 되었는데 이는 시정계에서도 똑같이 확인되었다. 다만 11 – 13 KST 까지 시정이 1 km 이상으로 관측되었지만 해무 탐지 알고리즘에서 해무로 정의하였다. 14 KST 이후는 구름으로 인해 잠재적으로 해무 발생 가능성이 있었고 시정 정보에 의하면 해무가 발생하지 않은 것으로 확인된다.

4. 향후 계획 토의

해무는 안정된 대기 상태에서 균일한 표면을 갖고 움직임이 크지 않다. 이러한 특성으로 인해 GOCI-II Rrc 의 분포가 좁은 범위에서 안정적으로 자료 수집이 가능하며 균일한 표면으로 인해 넓은 영역의 샘플을 수집할 수 있다. 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.

두 위성의 광학적 특성 비교 결과, 대부분의 밴드에서 Rrc 오차가 크지 않고 상관계수 또한 높았지만, 680 nm에 서는 GOCI 에 비해 GOCI-II Rrc 값이 매우 낮고 비슷하게 나타나는 현상이 확인되었다. 추후 GOCI-II 알고리즘의 개선을 통해 해결이 필요한 부분이다. 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. 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.

해무로 오탐지하는 사례 중 에어로졸로 인한 사례가 발생할 수 있다. 특히 겨울철의 경우 높은 농도의 에어 로졸 영역의 Rrc가 해무 수준으로 상승하게 되어 해무 탐 지 알고리즘의 계산 과정에서 오탐지하는 결과를 초례한다. Fig. 7의 경우 2019년 12월 20일 03 UTC에 발생한 해무 사례로 GOCI 에어로졸 광학 두께 산출물(Choi et al., 2016) 에서 탐지된 고농도의 에어로졸 광학 두께에어 로졸 광학 두께 영역(Fig. 7(c)의 빨간 상자)이 Fig. 7(a)와 같이 오탐지하는 결과가 발생하였다. Fig. 7(b)의 경우 고농도의 에어로졸 광학 두께 샘플링을 통해 얻어진 임계값을 적용하여 개선된 GOCI 해무 탐지 알고리즘의 결과이다. 에어로졸 광학 두께로 인한 해무로 오탐지된 영역이 크게 감소하여 성능이 개선된 것을 확인할 수 있다. GOCI-II 해무 탐지 알고리즘에서 황사나 겨울철 고농도 에어로졸 광학 두께로 인한 해무 오탐지 사례에 대해 적용하면 알고리즘의 성능 개선에 도움이 될 것이다.

OGCSBN_2021_v37n5_2_1317_f0007.png 이미지

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.

5. 요약 및 결론

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 0.01의 RMSE와 0.988의 상관계수를 보였고, NLSD 의 경우 0.007의 RMSE, 0.798의 상관계수를 갖는다(Fig. 3). 해무 와 구름이 갖는 광학적 특성을 분석하기 위해 GOCI-II 밴드별 Rrc 값의 히스토그램을 확인하였다 (Fig. 4). 구름의 경우 다양한 고도에서 발달하고 두께도 다양하기 때문에 Rrc가 넓게 분포하며 그 Rrc 값이 해무에 비해 상대적으로 크다. 해무는 구름과 달리 대체적으로 비슷한 광학적 특성을 갖는데 Fig. 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.

OGCSBN_2021_v37n5_2_1317_f0006.png 이미지

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.

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.

현재 GOCI-II는 초기 해무 탐지 알고리즘의 개선을 위한 보완이 필요하다. 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. 에어로졸의 경우 해무와 광학적으로 유사한 특성을 보이는데 이는 에어로졸 광학 두께 정보를 알고리즘에 반영하여 해무 탐지 알고리즘의 성능 개선이 이뤄져야 할 것이다.

사사

이 논문은 해양수산부 재원으로 해양수산과학기술 진흥원의 지원을 받아 수행된 “다종위성 기반 해양 현안 대응 실용화 기술 개발” 과제를 통해서 수행된 연구 입니다. 이에 감사드립니다.

References

  1. 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. https://doi.org/10.1080/014311699212876
  2. Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32. https://doi.org/10.1023/A:1010933404324
  3. 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. https://doi.org/10.1016/j.atmosres.2007.11.009
  4. 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. https://doi.org/10.5194/amt-9-1377-2016
  5. Cortes, C. and V. Vapnik, 1995. Support-vector networks, Machine Learning, 20: 273-297. https://doi.org/10.1007/BF00994018
  6. 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.
  7. 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.
  8. 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.
  9. 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). https://doi.org/10.7780/kjrs.2008.24.1.1
  10. 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. https://doi.org/10.1002/qj.49709942013
  11. Jain, A.K., J. Mao, and K.M. Mohiuddin, 1996. Artificial neural networks: A tutorial, Computer, 29(3): 31-44. https://doi.org/10.1109/2.485891
  12. 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. https://doi.org/10.1016/j.mlwa.2021.100038
  13. 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. https://doi.org/10.3390/rs12010149
  14. 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. https://doi.org/10.3390/app10186452
  15. Quinlan, J.R., 1986. Induction of decision trees, Machine Learning, 1: 81-106. https://doi.org/10.1007/BF00116251
  16. 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). https://doi.org/10.7780/KJRS.2017.33.4.3
  17. 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.
  18. 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. https://doi.org/10.1364/OE.24.000787
  19. 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. https://doi.org/10.1007/s00024-013-0641-6