Korean Journal of Remote Sensing (대한원격탐사학회지)

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

DOI QR Code

Spatial Gap-filling of GK-2A/AMI Hourly AOD Products Using Meteorological Data and Machine Learning

기상모델자료와 기계학습을 이용한 GK-2A/AMI Hourly AOD 산출물의 결측화소 복원

  • Youn, Youjeong (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University) ;
  • Kang, Jonggu (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University) ;
  • Kim, Geunah (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University) ;
  • Park, Ganghyun (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University) ;
  • Choi, Soyeon (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University) ;
  • Lee, Yangwon (Department of Spatial Information Engineering, Division of Earth Environmental System Science, Pukyong National University)
  • 윤유정 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) ;
  • 강종구 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) ;
  • 김근아 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) ;
  • 박강현 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) ;
  • 최소연 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) ;
  • 이양원 (부경대학교 지구환경시스템과학부 공간정보공학전공)
  • Received : 2022.10.11
  • Accepted : 2022.10.24
  • Published : 2022.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

Since aerosols adversely affect human health, such as deteriorating air quality, quantitative observation of the distribution and characteristics of aerosols is essential. Recently, satellite-based Aerosol Optical Depth (AOD) data is used in various studies as periodic and quantitative information acquisition means on the global scale, but optical sensor-based satellite AOD images are missing in some areas with cloud conditions. In this study, we produced gap-free GeoKompsat 2A (GK-2A) Advanced Meteorological Imager (AMI) AOD hourly images after generating a Random Forest based gap-filling model using grid meteorological and geographic elements as input variables. The accuracy of the model is Mean Bias Error (MBE) of -0.002 and Root Mean Square Error (RMSE) of 0.145, which is higher than the target accuracy of the original data and considering that the target object is an atmospheric variable with Correlation Coefficient (CC) of 0.714, it is a model with sufficient explanatory power. The high temporal resolution of geostationary satellites is suitable for diurnal variation observation and is an important model for other research such as input for atmospheric correction, estimation of ground PM, analysis of small fires or pollutants.

에어로솔(aerosol)은 대기 질을 악화시키는 등 인체 건강에 악영향을 끼치므로 에어로솔의 분포 및 특성에 대한 정량적인 관측이 필수적이다. 최근 전 지구 규모에서의 주기적이고 정량적인 정보 획득 수단으로 위성관측 Aerosol Optical Depth (AOD) 영상이 다양한 연구에 활용되지만 광학센서 기반의 위성 AOD 영상은 구름 등의 조건을 가진 일부 지역에서 결측을 가진다. 이에 본 연구는 위성자료의 결측복원을 위하여 격자형 기상자료와 지리적 요소를 입력변수로 하여 Random Forest (RF) 기반 gap-filling 모델을 생성한 이후, gap-free GK-2A/AMI AOD hourly 영상을 산출하였다. 모델의 정확도는 -0.002의 Mean Bias Error (MBE), 0.145의 Root Mean Square Error (RMSE)로, 원자료의 목표 정확도보다 높으며 상관계수 0.714로 복원 대상이 대기변수인 점을 감안하면 상관계수 측면에서도 충분한 설명력을 갖춘 모델이다. 정지궤도 위성의 높은 시간 해상도는 일변화 관측에 적합하며 대기보정을 위한 입력, 지상 미세먼지 농도 추정, 소규모 화재 또는 오염원 분석 등 타 연구를 위한 자료 활용 측면에서 중요하다.

Keywords

1. 서론

에어로솔(aerosol)은 공기 중에 부유하는 작은 고체 및 액체 입자로서 광물성 먼지, 바이오매스 연소에 의한 연기, 화산재, 산업 오염물질, 해염, 유기체 등에 의한 화합물을 포함한다(Huang et al., 2016). 자연적 또는 인위적 공급원으로부터 대기로 유입되는 이러한 입자들 중 일부는 인체에 유해하게 작용하며, 태양 복사에너지의 산란과 흡수를 통하여 복사수지에 간접적인 영향을 준다(Ramanathan et al., 2001; Lau et al., 2006). 우리나라는 편서풍의 영향으로 대륙에서 발생하는 에어로솔의 이입이 상당한 것으로 추정되며, 최근 고농도 미세먼지 사례의 증가로 인해 에어로솔 관측의 중요성이 커지고 있다(Kim et al., 2021). 대부분 육상에서 이루어지는 에어로솔의 지상관측은 물리·화학적 특성에 대하여 자세한 정보를 제공하지만(Huebert et al., 2003), 지역별로 시공간적인 분포 특성이 매우 다양하게 나타나므로 지상관측만으로는 에어로솔의 이동 및 특성에 대한 종합적인 이해에 한계를 가진다. 이러한 이유로 전 지구 규모의 연속적인 에어로솔 정보 획득 수단으로 위성관측의 중요성이 강조되고 있다(Kaufman et al., 2005; Hoff et al., 2009).

에어로솔 광학 두께(Aerosol Optical Depth, AOD)는 에어로솔 양을 표현하는 물리량 중 하나로, 위성과 지구 표면 사이의 대기 중에 존재하는 에어로솔 입자 한 개가 가지는 광산란효과(single scattering)로부터 계산되는 광소산계수(light extinction)를 모든 입자에 대하여 적분한 값이다(Kinne et al., 2006). 현업용 산출물 생산은 TIROS-N 위성의 Advanced Very High Resolution Radiometer (AVHRR) 센서로부터 시작되었으며(Geogdzhayev et al., 2002; Gao et al., 2016; Gao et al., 2018), 성공적인 에어로솔 관측 이후로 Terra/Aqua 위성의 Moderate Resolution Imaging Spectroradiometer (MODIS) (Kaufman et al., 1997; Remeret al., 2005), Suomi National Polar-orbiting Partnership (NPP) 위성의 Visible Infrared Imaging Radiometer Suite (VIIRS) (Jackson et al., 2013)와 같은 극궤도 위성센서와 더불어 일본 Himawari-8/-9 위성의 Advanced Himawari Imager (AHI) (Bessho et al., 2016), 한국 GEO-KOMPSAT 2A (GK-2A) 위성의 Advanced Meteorological Imager (AMI) (Jee et al., 2020) 등 정지궤도 위성을 이용하여 다양한 시·공간해상도의 위성관측 AOD 산출물이 생산되고 있다. 그러나 AOD 산출의 기본 원칙은 구름이 없는 청천화소(clear sky pixel)를 대상으로 하기 때문에 연속적인 관측이 크게 제한된다.

AOD의 연속적 관측을 위한 노력으로 크리깅(Kriging)이나 Bayesian 합성, AI 모델 등 다양한 선행연구가 있지만(Yu et al., 2011; Singh et al., 2017; Zhao et al., 2019) 대다수가 극궤도 위성 연구이다. 극궤도 위성은 가시광 관측이 한 지역을 기준으로 일 1~2회 이루어지며 관측영역 또한 관측폭을 가지므로 에어로솔의 분포 및 이동을 감시하고자 하는 경우 이용가치가 매우 작다. 이와 대조하여 정지궤도위성의 경우 탑재된 가시채널의 수가 비교적 적지만 관측 영역이 크고 횟수가 많아 결측복원 진행 시 에어로솔 일변화추적(diurnal variation) 등 자료 활용에서 많은 가능성을 가진다(Gao et al., 2021). 이에 본 연구는 기온, 습도, 강수 등의 13가지 격자형 기상자료와 고도, 토지 이용, 인구 등 지리적 요소를 결합하여 랜덤포리스트(random forest, RF) 기반의 AOD 결측복원모델을 구축하고, 이를 통하여 2021년한해 동안 한국 정지궤도위성 GK-2A/AMI의 1시간 단위 gap-free AOD를 산출하였다.

2. 연구 자료

1) GK-2A AOD 산출물

GK-2A는 2018년 12월 5일에 발사되어 동경 128.2도에서 기상관측 임무를 수행하는 정지궤도 위성이다. 본 위성에 탑재된 AMI는 16개의 채널을 가지며, 공간 해상도는 0.640 µm의 가시채널이 500 m, 1.38 µm와 10 개의 적외채널이 2 km 그리고 그 외 3개의 가시 채널은 1 km이다(Table 1). 국가기상위성센터 자료검색시스템은 공간해상도 2 km의 Level 2의 에어로솔 광학두께 산출물을 2019년 7월부터 10분 단위로 제공하고 있다. AOD 산출 알고리즘에 필요한 입력자료는 가시채널 반사도(reflectance)와 적외채널 밝기온도(Brightness Temperature, BT), 위경도 그리고 위성-태양 기하각(geometrical angles) 정보이다. 복사보정단계를 거친 Level 1B 자료 중 가시채널 복사량을 반사도(ρTOA)로 변환하며(식(1)), 레일리 산란에 의한 반사도(ρRay), 에어로솔 반사도(ρAer), 지표 반사도(ρsur)의 합으로 표현된다(식 (2)) (NMSC, 2019).

Table 1. Imager specifications of AMI

OGCSBN_2022_v38n5_3_953_t0001.png 이미지

\(\begin{aligned}\rho_{T O A}(\lambda)=\frac{\pi L(\lambda)}{F_{0}(\lambda) \cos \left(\theta_{0}\right)}\\\end{aligned}\)       (1)

ρTOA(λ) = ρRay(λ) + ρAer(λ) + ρsur(λ) (2)

위성관측값에서 레일리 산란과 지표 반사도의 기여도를 제거하면 에어로솔에 의한 반사도를 결정할 수 있으며 미리 계산된 조견표를 이용하여 해당 픽셀의 AOD값을 산출한다. 레일리 산란에 의한 반사도값은 가시채널에서 비교적 정확하게 결정되며 Bucholtz (1995)가 제시한 분자산란계수 계산식을 따른다. 지표면 반사도 값은 2.1 µm 채널의 반사도와 채널들 간의 지표 반사도 관계를 이용하며(Kaufman et al., 1997), 조견표 작성을 위한 복사전달모델은 Santa Barbara DISORT Atmospheric Radiative Transfer (SBDART) (Ricchiazzi et al., 1998)을 사용한다. 본 연구에서 활용한 Lambert Conformal Conic (LCC) 도법의 한반도 영역 산출물은 500 nm의 AOD와 AOD quality flag 등을 포함하며 가시채널만을 이용하기 때문에 주간시간대(day-time)만 제공된다. 본 연구에서는 2021년 1월 1일에서 12월 31일까지 1시간 단위(UTC 기준 00, 01, 02, 03, 04, 05, 06, 07시) AOD 자료를 결측복원 대상으로 하였다.

2) LDAPS 기상자료

대기 중에 존재하는 에어로솔은 기상 조건과 밀접한 연관성을 가진다. 본 연구는 다수의 선행연구를 참조하여 AOD 결측복원에 필요한 기상변수를 선정하였다(Grell and Baklanov, 2011; Zhang et al., 2012; Park et al., 2018; Zhao et al., 2019; Chen et al., 2021; Kianian et al., 2021). 우리나라 기상청은 영국 기상청에서 개발한 통합수치 모델(Unified Model, UM)을 지역최적화시킨 한국형 모델을 사용한다. 예보 지역에 따라 전 지구 예보 시스템(Global Data Assimilation and Prediction System, GDAPS), 지역 예보시스템(Regional Data Assimilation and Prediction System, RDAPS), 국지 예보시스템(Local Data Assimilation and Prediction System, LDPAS)으로 구분한다. 본 연구에서 사용한 LDAPS자료는 GDAPS를 경계장으로 매 3시간(1일 8 회)의 실황장 및 72시간 예측장을 제공하며 1.5 km의 공간해상도를 가진다. 기상 입력자료는 LDAPS의 기온, 풍속, 경계층높이, 잠열유동량, 습도, 고도에 따른 운량, 하향단파복사, 기압, 강수, 이슬점 온도 13가지 변수를 사용하였다(Table 2).

Table 2. LDAPS variables used in GK-2A/AMI AOD gap-filling model (KMA, 2020)

OGCSBN_2022_v38n5_3_953_t0002.png 이미지

3) 지리적 요소

AOD 결측복원에 관한 대부분의 선행연구는 기상요소 뿐 아니라 Digital Elevation Model (DEM), 인구, 토지 이용 등 지리적 요소를 함께 고려한다(Zhao et al., 2019; Fan et al., 2020). 본 연구에서는 Shuttle Radar Topography Mission (SRTM)의 DEM, 우리나라 환경부 토지피복도, 통계청 시·군·구별 인구 자료를 활용하였다. DEM은 대기 중에 레일리 광학두께와 관련된 변수로 태양 빛의 산란 및 흡수와 연관된다(Russell et al., 1993). 본 연구에서 사용한 90 m 공간해상도의 SRTM DEM v4.1은 2000년 2월 National Geospial-Intelligence Agency (NGA)와 National Aeronautics and Space Administration (NASA)가 완성한 글로벌 DEM으로, 타 글로벌 DEM 데이터에 비해 국내에서 높은 정확도를 보인다(Park et al., 2017). 또한, 우리나라는 높은 인구밀도와 도로 및 산업 배출, biomass burning 등으로 국지적 대기오염 가능성이 높다(Kim et al., 2018). 이에 본 연구는 2018년 영상 기준으로 작성된 환경부 대분류 토지피복지도와 통계청 2021년 시·군·구별 인구자료를 사용하였다. 한편 토지피복도는 자료 활용도 향상을 위해 픽셀별로 토지 이용률을 계산하여 입력 변수로 사용하였다(Fig. 1). 우리나라 대분류 토지 피복도는 7개의 항목으로 분류되며(Table 3), 이 중 분류 코드 100은 도시, 200은 농지, 300~500은 식생, 나머지는 기타로 분류하여 도시, 농지, 식생 별 토지 이용률을 구하였다.

OGCSBN_2022_v38n5_3_953_f0001.png 이미지

Fig. 1. The land use ratio is calculated by resampling a land cover map of 30m to 0.002° and corresponding 100 (10×10) pixels to one target grid (0.02°) to calculate of Natural vegetation/ Agricultural/Urban area ratio in the range of 0–1. (a) Land cover map, (b) Natural vegetation area ratio, (c) Agricultural area ratio, (d) Urban area ratio.

Table 3. Organization class for Korea land cover map

OGCSBN_2022_v38n5_3_953_t0004.png 이미지

4) 연구범위와 전처리

본 연구는 한반도 육지영역에 대하여 AOD 결측복원을 진행하였으며 구체적인 공간범위는 위도 33.7°N에서 38.5°N까지, 경도 126.8°E에서 129.8°E까지의 육지영역이다. LCC 도법의 AMI AOD 자료는 WGS84 좌표계로 재투영(reprojection)과 0.02°로 재격자화(resampling)하였다. AOD 결측복원을 위한 모델 입력자료는 서로 다른 시공간해상도를 가지기 때문에(Table 4) 시공간 일치작업이 필요하다. 결측복원 산출물의 목표 시간해상도가 1시간 단위이기 때문에 3시간 간격(00, 03, 06, 09 UTC)의 LDAPS 기상변수는 큐빅스플라인(cubic spline) 시계열 내삽을 수행하였다(Aires et al., 2004; Chen et al., 2006). 또한, 모든 입력자료는 0.02°의 해상도로 재격자화 하였다. 최종적으로 품질검증 플래그의 AOD 신뢰도가 “good confidence”인 픽셀만을 기계학습 모델의 훈련 및 검증을 위한 참조기준으로 사용하였다. 이러한 과정을 통하여 구축된 시공간 일치자료는 30,016,632건이며 local PC의 메모리 부족으로 인하여 월 별 100,000건을 랜덤 샘플링(random sampling)하여 총 1,200,000건의 매치업(matchup)이 훈련 및 검증에 사용하였다.

Table 4. Spatio-temporal resolution and source of gap-filling model input data

OGCSBN_2022_v38n5_3_953_t0003.png 이미지

3. 기계학습 복원모델

1) 개요

RF는 다수의 디시즌트리(decision tree)를 임의로 학습한 후, 그 결과를 앙상블하여 최종 예측치를 산출하는 기계학습 기법이다. 랜덤한 디시즌트리를 생성할 때 분포 적합성을 판단하여 리샘플링을 수행하는 부트스트랩(bootstrap) 방식을 취한다. 이러한 부트스트랩 결과를 집계하는 배깅(bagging: bootstrap aggregating)을 통해 각 디시즌트리 결과가 앙상블된다(Breiman, 2001). 이는 입력 데이터를 균형있게 학습하여 편향과 과대적합(overfitting)을 방지한다고 알려진다. 본 연구는 랜덤 샘플링한 1,200,000건의 매치업 데이터를 80%는 훈련 그리고 20%는 검증에 사용하여 최적의 RF 모델을 수립하였다. 모든 매치업은 신뢰도가 “good confidence”인 픽셀로만 구성되며 훈련 및 검증의 참조기준으로 사용되었다. 이렇게 생성된 최적 예측모델에 격자형 입력자료를 투입하여 AOD 예측을 수행하고 AMI AOD 원자료의 결측 부분을 복원하였다(Fig. 2).

OGCSBN_2022_v38n5_3_953_f0002.png 이미지

Fig. 2. Steps of random forest modeling for hourly gap-free AMI AOD data.

2) 모델 학습 및 복원자료 산출

일반적으로 랜덤포리스트 모델은 의사결정트리의 수와 깊이를 포함하는 하이퍼파라미터(hyperparameter)를 설정한다. 본 연구에서는 AMI AOD Level 2 자료 중 2021년 1월 1일부터 12월 31일까지 1시간 단위(00, 01, 02, 03, 04, 05, 06, 07 UTC) 복원자료 산출을 위하여 기온(°C), 풍속(m/s), 경계층높이(m), 잠열유동량(W/m2), 고도에 따른 운량(0~1), 하향단파복사(W/m2), 기압(Pa), 강수(Kg/m2), 이슬점 온도(°C), 고도(m), 토지이용률(0~1), 인구(명)를 입력변수로 하는 랜덤포리스트 결측복원모델을 수립하였다. 최적화된 모델의 하이퍼파라미터는 ntree=50, depth=20이며, 입력변수의 중요도를 계산하여 2% 미만의 낮은 변수는 제거하여 모델을 단순화하였다.

학습은 모든 데이터를 훈련 및 평가에 활용하면서 편중 및 과적합을 피할 수 있도록 5-fold cross validation (CV) 방식을 사용하였다(Fig. 3). 모델링 과정에 사용된 평가지표는 Mean Bias Error (MBE), Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Correlation Coefficient (CC)이며 5회 실험의 평균값을 계산하여, 훈련 정확도가 가장 높은 모델을 선택하였다. 학습이 완료된 결측복원모델에 격자형 입력자료를 투입하여 생성된 격자형 예측 AOD는 AMI AOD 원자료의 결측 격자점마다 대응시켜 복원 자료를 산출한다.

OGCSBN_2022_v38n5_3_953_f0003.png 이미지

Fig. 3. Concept of 5-fold cross-validation with random sampling.

4. 결과 및 토의

1) 복원모델 학습결과

Table 5는 랜덤포리스트를 활용한 결측복원 모델의 5-fold CV 평균 결과이다. MBE가 –0.002, RMSE가 0.145인 결과는 원자료의 목표 정확도가 Bias=0.1–0.2, RMSE=0.25–0.30인 점(NMSC, 2019)과 복원 대상이 대기변수인 점을 감안하면 상관계수 측면에서도 충분한 설명력을 갖춘 모델이라 할 수 있다.

Table 5. Training accuracy of the gap-filling model forAMI AOD in 2021

OGCSBN_2022_v38n5_3_953_t0005.png 이미지

Table 6는 랜덤포리스트 학습과정에서 도출된 입력 변수의 중요도를 나타낸 것이다. 가장 중요도가 높은 변수는 하향단파복사(0.192)이며 두 번째로 중요한 변수는 저고도에서의 운량(0.110)이다. 전반적으로 기상 요소(강수 제외)는 모델링의 핵심 변수이며, 인구, 토지 이용률, 강수는 낮은 기여도를 나타낸다. 최종 AMI AOD 복원자료를 산출 시에는 중요도 2% 미만의 변수를 제외한 모델(Table 7)을 사용하여 자료 구축 및 산출 속도 측면에서 비용을 감소시켰다. Fig. 4는 산출을 위한 최종 복원 모델의 산점도(scatter plot)를 나타낸다.

Table 6. Variable importance of the gap-filling model for hourly AMI AOD in 2021

OGCSBN_2022_v38n5_3_953_t0006.png 이미지

Table 7. Training accuracy of the gap-filling model for AMI AOD in 2021

OGCSBN_2022_v38n5_3_953_t0005.png 이미지

OGCSBN_2022_v38n5_3_953_f0004.png 이미지

Fig. 4. Scatter plots of the RF for gap-filling of AMI AOD in 2021.

2) 기초통계분석

2021년 1월 1일부터 12월 31일 AMI hourly AOD day-time (00, 01, 02, 03, 04, 05, 06, 07 UTC) 자료의 한반도 육지영역에 대한 갭필링 전과 후의 기초통계량을 Table 8, 9에 정리하였다. 각 표는 계절별 AOD의 최소, 평균, 최대, 표준편차, 결측률을 순서대로 나타냈다. 결측 복원 이전의 2021년 AMI 관측 평균 AOD는 0.460으로 전지구의 다년간 MODIS 평균 AOD인 0.19 (Remer et al., 2005)보다 크며 높은 오염 수준을 보이는 한국을 타당하게 관측한 것으로 보인다. 구름에 의한 결측률은 봄, 여름, 가을, 겨울에서 각각 48.36%, 66.21%, 47.99%, 34.42%로 여름이 가장 높은 결측률과 겨울이 가장 낮은 결측률을 보였다. AMI 위성으로 관측한 계절별 평균 AOD값은 봄과 여름이 가장 높고 가을이 가장 낮은 값을 보이며 표준편차는 봄이 가장 작고 겨울이 가장 큰 값을 보이는데 이러한 경향성은 결측복원 후에도 반영된다.

Table 8. Seasonal statistics of AMI hourly AOD before gap-filling

OGCSBN_2022_v38n5_3_953_t0008.png 이미지

Table 9. Seasonal statistics of AMI hourly AOD after gap-filling

OGCSBN_2022_v38n5_3_953_t0009.png 이미지

3) AMI AOD 결측복원자료 산출

중요도 2% 미만의 변수를 제외한 복원모델을 활용하여 2021년한해 동안 한반도 육지영역의 AMI AOD 자료의 결측복원자료를 산출하였다. 0.02° 해상도를 가지는 14종의 격자형 입력자료(기온, 풍속, 경계층높이, 잠열유동량, 고도에 따른 운량, 하향단파복사, 기압, 이슬점 온도, 고도, 식생 이용률)를 복원모델에 투입하여 생성된 격자 자료를 AOD 원자료의 결측 격자점마다 대응시켜 최종적으로 결측복원 자료를 산출하였다. Fig. 5는 결측복원 전과 후를 지도에 나타내었다.

OGCSBN_2022_v38n5_3_953_f0005.png 이미지

OGCSBN_2022_v38n5_3_953_f0006.png 이미지

Fig. 5. GK-2A AMI hourly AOD maps before and after gap-filling.

5. 결론

한국은 세계적으로 많은 양의 에어로솔이 관측되는 지역 중 하나로 AOD의 위성관측을 통한 정보 획득이 중요하다. 이에 본 연구는 기상예보모델 자료에 지리적 요소를 더한 랜덤포리스트 기반의 AOD 결측복원모델을 구축하고 결측복원된 AOD 산출물을 생성하였다. 2021년 1월 1일부터 12월 31일까지의 기간의 매치업으로 5-fold CV 결과 MBE가 –0.002, RMSE가 0.145로 원자료의 목표 정확도보다 높은 정확도를 보였으며 기초통계 분석 결과 원자료의 경향성을 따르는 예측값이 복원된 것을 알 수 있었다. 무엇보다 2021년 기준 평균 49.24%의 결측률을 보이는 hourly AMI 관측자료를 100% 관측률로 복원해내어 일변화추적(diurnal variation)이 가능할 뿐만 아니라 대기보정을 위한 입력자료 사용, 지상 미세먼지 농도 추정, 소규모 화재 또는 오염원 분석, 시정 산출, 기후 변화 및 대기질에 미치는 에어로솔 영향 분석 등 자료 활용성을 크게 증가시켰다. 기상예보모델을 포함한 입력 자료의 실시간 수집을 통하여 향후 현업시스템으로의 활용 또한 기대해볼 수 있을 것이다.

사사

본 논문은 농촌진흥청 연구사업(과제번호: PJ0162342022)의 지원에 의해 이루어진 것임.

References

  1. Aires, F., C. Prigent, and W. B. Rossow, 2004. Temporal interpolation of global surface skin temperature diurnal cycle overland under clear and cloudy conditions, Journal of Geophysical Research: Atmospheres, 109: D04313. https://dx.doi.org/10.1029/2003JD003527
  2. Bessho, K., K. Date, M. Hayashi, A. Ikeda, T. Imai, H. Inoue, Y. Kumagai, T. Miyakawa, H. Murata, T. Ohno, A. Okuyama, R. Oyama, Y. Sasaki, Y. Shimazu, K. Shimoji, Y. Sumaida, M. Suzuki, H. Taniguchi, H. Tsuchiyama, D. Uesawa, H. Yokota, and R. Yoshida, 2016. An introduction to Himawari-8/9 - Japan's new-generation geostationary meteorological satellites, Journal of the Meteorological Society of Japan. Ser. II, 94(2): 151-183. https://doi.org/10.2151/jmsj.2016-009
  3. Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32. https://doi.org/10.1023/A:1010933404324
  4. Bucholtz, A., 1995. Rayleigh-scattering calculations for the terrestrial atmosphere, Applied Optics, 34(15): 2765-2773. https://doi.org/10.1364/AO.34.002765
  5. Chen, J.M., F. Deng, and M. Chen, 2006. Locally adjusted cubic-spline capping for reconstructing seasonal trajectories of a satellite-derived surface parameter, IEEE Transactions on Geoscience and Remote Sensing, 44(8): 2230-2238. https://doi.org/10.1109/TGRS.2006.872089
  6. Chen, B., S. You, Y. Ye, Y. Fu, Z. Ye, J. Deng, K. Wang, and Y. Hong, 2021. An interpretable selfadaptive deep neural network for estimating daily spatially-continuous PM2.5 concentrations across China, Science of The Total Environment, 768: 144724. https://doi.org/10.1016/j.scitotenv.2020.144724
  7. Fan, Z., Q. Zhan, C. Yang, H. Liu, and M. Bilal, 2020. Estimating PM2.5 concentrations using spatially local XGBoost based on full-covered SARA AOD at the urban scale, Remote Sensing, 12(20): 3368. https://doi.org/10.3390/rs12203368
  8. Gao, L., J. Li, L. Chen, L. Zhang, and A. K Heidinger, 2016. Retrieval and validation of atmospheric aerosol optical depth from AVHRR over China, IEEE Transactions on Geoscience and Remote Sensing, 54(11): 6280-6291. https://doi.org/10.1109/TGRS.2016.2574756
  9. Gao, L., L. Chen, J. Li, A. K. Heidinger, X. Xu, and S. Qin, 2018. A long-term historical aerosol optical depth data record (1982-2011) over China from AVHRR, IEEE Transactions on Geoscience and Remote Sensing, 57(5): 2467-2480. https://doi.org/10.1109/TGRS.2018.2873944
  10. Gao, L., L. Chen, C. Li, J. Li, H. Che, and Y. Zhang, 2021. Evaluation and possible uncertainty source analysis of JAXA Himawari-8 aerosol optical depth product over China, Atmospheric Research, 248: 105248. https://doi.org/10.1016/j.atmosres.2020.105248
  11. Geogdzhayev, I.V., M.I. Mishchenko, W.B. Rossow, B. Cairns, A.A Lacis, 2002. Global two-channel AVHRR retrievals of aerosol properties over the ocean for the period of NOAA-9 observations and preliminary retrievals using NOAA-7 and NOAA-11 data, Journal of the Atmospheric Sciences, 59(3): 262-278. https://doi.org/10.1175/1520-0469(2002)059%3C0262:GTCARO%3E2.0.CO;2
  12. Grell, G.A. and A. Baklanov, 2011. Integrated modeling for forecasting weather and air quality: a call for fully coupled approaches, Atmospheric Environment, 45(38): 6845-6851. https://doi.org/10.1016/j.atmosenv.2011.01.017
  13. Hoff, R., H. Zhang, N. Jordan, A. Prados, J. Engel-Cox, A. Huff, S. Weber, E. Zell, S. Kondragunta, J. Szykman, B. Johns, F. Dimmick, A. Wimmers, J. Al-Saadi, and C. Kittaka, 2009. Applications of the three-dimensional air quality system to western US air quality: IDEA, Smog Blog, Smog Stories, AirQuest, and the Remote Sensing Information Gateway, Journal of the Air & Waste Management Association, 59(8): 980-989. https://doi.org/10.3155/1047-3289.59.8.980
  14. Huang, J., S. Kondragunta, I. Laszlo, H. Liu, L.A. Remer, H. Zhang, S. Superczynski, P. Ciren, B.N. Holben, and M. Petrenko, 2016. Validation and expected error estimation of Suomi-NPP VIIRS aerosol optical thickness and Angstrom exponent with AERONET, Journal of Geophysical Research: Atmospheres, 121(12): 7139-7160. https://doi.org/10.1002/2016JD024834
  15. Huebert, B.J., T. Bates, P.B. Russell, G. Shi, Y.J. Kim, K. Kawamura, G. Carmichael, and T. Nakajima, 2003. An overview of ACE-Asia: Strategies for quantifying the relationships between Asian aerosols and their climatic impacts, Journal of Geophysical Research: Atmospheres, 108(D23). https://doi.org/10.1029/2003JD003550
  16. Jackson, J.M., H. Liu, I. Laszlo, S. Kondragunta, L.A. Remer, J. Huang, and H.C. Huang, 2013. SuomiNPP VIIRS aerosol algorithms and data products, Journal of Geophysical Research: Atmospheres, 118(22): 12673-12689. https://doi.org/10.1002/2013JD020449
  17. Jee, J.B., K.T. Lee, K.H. Lee, and I.S. Zo, 2020. Development of GK-2A AMI aerosol detection algorithm in the East-Asia region using Himawari-8 AHI data, Asia-Pacific Journal of Atmospheric Sciences, 56(2): 207-223. https://doi.org/10.1007/s13143-019-00156-3
  18. Kaufman, Y.J., A. Wald, L.A. Remer, B.C. Gao, R.R. Li, and L. Flynn, 1997. The MODIS 2.1-/spl mu/m channel-correlation with visible reflectance for use in remote sensing of aerosol, IEEE Transactions on Geoscience and Remote Sensing, 35(5): 1286-1298. https://doi.org/10.1109/36.628795
  19. Kaufman, Y.J., I. Koren, L.A. Remer, D. Rosenfeld, and Y. Rudich, 2005. The effect of smoke, dust, and pollution aerosol on shallow cloud development over the Atlantic Ocean, Proceedings of the National Academy of Sciences, 102(32): 11207-11212. https://doi.org/10.1073/pnas.0505191102
  20. Kianian, B., Y. Liu, and H.H. Chang, 2021. Imputing satellite-derived aerosol optical depth using a multi-resolution spatial model and random forest for PM2.5 prediction, Remote Sensing, 13(1):126. https://doi.org/10.3390/rs13010126
  21. Kim, S.M., J. Yoon, K.J. Moon, D.R. Kim, J.H. Koo, M. Choi, K. Kim, and Y.G. Lee, 2018. Empirical estimation and diurnal patterns of surface PM2.5 concentration in Seoul using GOCI AOD, Korean Journal of Remote Sensing, 34(3): 451-463 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.3.2
  22. Kim, S., Y. Jeong, Y. Youn, S. Cho, J. Kang, G. Kim, and Y. Lee, 2021. A comparison between multiple satellite AOD products using AERONET sun photometer observations in South Korea: Case study of MODIS, VIIRS, Himawari-8, and Sentinel-3, Korean Journal of Remote Sensing, 37(3): 543-557 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.3.14
  23. Kinne, S., M. Schulz, C. Textor, S. Guibert, Y. Balkanski, S.E. Bauer, T. Berntsen, T.F. Berglen, Q. Boucher, M. Chin, W. Collins, F. Dentener, T. Diehl, R. Easter, J. Feichter, D. Fillmore, S. Ghan, P. Ginoux, S. Gong, A. Grini, J. Hendricks, M. Herzog, L. Horowitz, I. Isaksen, T. Iversen, A. Kirkevag, S. Kloster, D. Koch, J.E. Kristjansson, M. Krol, A. Lauer, J.F. Lamarque, G. Lesins, X. Liu, U. Lohmann, V. Montanaro, G. Myhre, J. Penner, G. Pitari, S. Reddy, O. Seland, P. Stier, T. Takemura, and X. Tie, 2006. An AeroCom initial assessment - optical properties in aerosol component modules of global models, Atmospheric Chemistry and Physics, 6(7): 1815-1834. https://doi.org/10.5194/acp-6-1815-2006
  24. KMA (Korea Meteorological Administration), 2020. Guide to Utilization of Numerical Prediction Model Data, https://data.kma.go.kr/community/board/selectBoardList.do?bbrdTypeNo=4&pgmNo=92, Accessed on Feb. 2, 2022.
  25. Lau, K.M., M.K. Kim, and K.M. Kim, 2006. Asian summer monsoon anomalies induced by aerosol direct forcing: the role of the Tibetan Plateau, Climate Dynamics, 26(7-8): 855-864. https://doi.org/10.1007/s00382-006-0114-z
  26. NMSC (National Meteorological Satellite Center), 2019. GK-2A AMI Algorithm Theoretical Basis Document, https://nmsc.kma.go.kr/homepage/html/base/cmm/selectPage.do?page=static.edu.atbdGk2a, Accessed on Jan. 10, 2022.
  27. Park, J., J. Kim, G. Lee, and J. E. Yang, 2017. Vertical Accuracy Assessment of SRTM Ver 3.0 and ASTER GDEM Ver 2 over Korea, Journal of Soil and Groundwater Environment, 22(6): 120-128 (in Korean with English abstract). https://doi.org/10.7857/JSGE.2017.22.6.120
  28. Park, S.Y., H.J. Lee, J.E. Kang, T. Lee, and C.H. Kim, 2018. Aerosol radiative effects on mesoscale cloudprecipitation variables over Northeast Asia during the MAPS-Seoul 2015 campaign, Atmospheric Environment, 172: 109-123. https://doi.org/10.1016/j.atmosenv.2017.10.044
  29. Ramanathan, V.C.P.J., P.J. Crutzen, J.T. Kiehl, and D. Rosenfeld, 2001. Aerosols, climate, and the hydrological cycle, Science, 294(5549): 2119-2124. https://doi.org/10.1126/science.1064034
  30. Remer, L.A., Y.J. Kaufman, D. Tanre, S. Mattoo, D.A. Chu, J.V. Martins, R.-R. Li, C. Ichoku, R. Levy, R. Kleidman, T.F. Eck, E. Vermote, and B.N. Holben, 2005. The MODIS aerosol algorithm, products, and validation, Journal of the Atmospheric Sciences, 62(4): 947-973. https://doi.org/10.1175/JAS3385.1
  31. Ricchiazzi, P., S. Yang, C. Gautier, and D. Sowle, 1998. SBDART: A research and teaching software tool for plane-parallel radiative transfer in the Earth's atmosphere, Bulletin of the American Meteorological Society, 79(10): 2101-2114. https://doi.org/10.1175/1520-0477(1998)079%3C2101:SARATS%3E2.0.CO;2
  32. Russell, P.B., J.M. Livingston, E.G. Dutton, R.F. Pueschel, J.A. Reagan, T.E. DeFoor, M.A. Box, D. Allen, P. Pilewskie, B.M. Herman, S.A. Kinne, and D.J. Hofmann, 1993. Pinatubo and pre-Pinatubo optical-depth spectra: Mauna Loa measurements, comparisons, inferred particle size distributions, radiative effects, and relationship to lidar data, Journal of Geophysical Research: Atmospheres, 98(D12): 22969-22985. https://doi.org/10.1029/93JD02308
  33. Singh, M.K., R. Gautam, and P. Venkatachalam, 2017. Bayesian merging of MISR and MODIS aerosol optical depth products using error distributions from AERONET, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(12): 5186-5200. https://doi.org/10.1109/JSTARS.2017.2734331
  34. Yu, C., L. Chen, L. Su, M. Fan, and S. Li, 2011. Kriging interpolation method and its application in retrieval of MODIS aerosol optical depth, Proc. of 2011 19th International Conference on Geoinformatics, Shanghai, China, Jun. 24-26, pp. 1-6. https://doi.org/10.1109/GeoInformatics.2011.5981052
  35. Zhang, Y., M. Bocquet, V. Mallet, C. Seigneur, and A. Baklanov, 2012. Real-time air quality forecasting, part I: History, techniques, and current status, Atmospheric Environment, 60: 632-655. https://doi.org/10.1016/j.atmosenv.2012.06.031
  36. Zhao, C., Z. Liu, Q. Wang, J. Ban, N.X. Chen, and T. Li, 2019. High-resolution daily AOD estimated to full coverage using the random forest model approach in the Beijing-Tianjin-Hebei region, Atmospheric Environment, 203: 70-78. https://doi.org/10.1016/j.atmosenv.2019.01.045