DOI QR코드

DOI QR Code

Simulation of Sentinel-2 Product Using Airborne Hyperspectral Image and Analysis of TOA and BOA Reflectance for Evaluation of Sen2cor Atmosphere Correction: Focused on Agricultural Land

Sen2Cor 대기보정 프로세서 평가를 위한 항공 초분광영상 기반 Sentinel-2 모의영상 생성 및 TOA와 BOA 반사율 자료와의 비교: 농업지역을 중심으로

  • Cho, Kangjoon (Department of Civil and Environmental Engineering, Seoul National University) ;
  • Kim, Yongil (Department of Civil and Environmental Engineering, Seoul National University)
  • 조강준 (서울대학교 건설환경공학부) ;
  • 김용일 (서울대학교 건설환경공학부)
  • Received : 2019.03.31
  • Accepted : 2019.04.11
  • Published : 2019.04.30

Abstract

Sentinel-2 Multi Spectral Instrument(MSI) launched by the European Space Agency (ESA) offered high spatial resolution optical products, enhanced temporal revisit of five days, and 13 spectral bands in the visible, near infrared and shortwave infrared wavelengths similar to Landsat mission. Landsat satellite imagery has been applied to various previous studies, but Sentinel-2 optical satellite imagery has not been widely used. Currently, for global coverage, Sentinel-2 products are systematically processed and distributed to Level-1C (L1C) products which contain the Top-of-Atmosphere (TOA) reflectance. Furthermore, ESA plans a systematic global production of Level-2A(L2A) product including the atmospheric corrected Bottom-of-Atmosphere (BOA) reflectance considered the aerosol optical thickness and the water vapor content. Therefore, the Sentinel-2 L2A products are expected to enhance the reliability of image quality for overall coverage in the Sentinel-2 mission with enhanced spatial,spectral, and temporal resolution. The purpose of this work is a quantitative comparison Sentinel-2 L2A products and fully simulated image to evaluate the applicability of the Sentinel-2 dataset in cultivated land growing various kinds of crops in Korea. Reference image of Sentinel-2 L2A data was simulated by airborne hyperspectral data acquired from AISA Fenix sensor. The simulation imagery was compared with the reflectance of L1C TOA and that of L2A BOA data. The result of quantitative comparison shows that, for the atmospherically corrected L2A reflectance, the decrease in RMSE and the increase in correlation coefficient were found at the visible band and vegetation indices to be significant.

1. 서론

Multi Spectral Instrument(MSI)를 탑재한 Sentinel-2 위성은 2015년에 발사되었으며, 유럽우주청(ESA; European Space Agency)은 Sentinel-2 플랫폼을 통하여 높은 공간해상도, 기존보다 증가된 5일의 시간해상도 및 13개의 가시광(VIS: Visible) 및 근적외(NIR: Near Infrared), 단파장적외(SWIR: Shortwave Infrared) 영역을 포함하는 다중분광 영상을 제공하고 있다(Gascon et al., 2017). Sentinel-2 MSI 센서는 가장 대표적으로 사용되는 지구적인 원격탐사 관측위성인 Landsat의 Operational Land Imager 센서와 비슷한 파장대역으로 구성되어 향후 Landsat 영상과 함께 융합 분석이 가능하다는 이점이 있다(Van Der Werff and Van Der Meer, 2016). 특히, Sentinel-2 광학위성은 기존 Landsat이 제공하는 Top-ofAtmosphere(TOA) 반사율 영상을 Level-1C(L1C) 자료를 통해 제공하고 있으며, 추가적으로 Level-2A(L2A) 영상을 제공하여 대기보정까지 적용된 Bottom-of-Atmosphere(BOA) 반사율 영상을 제공할 예정에 있다. 국내 원격탐사 분야에서 Landsat 위성영상은 다양한 분야의 연구 (Choi et al., 2014; Kim et al., 2018; Kim et al., 2019; Shin et al., 2018; Yim and Lee, 2017)에 적용되고 있으나 Sentinel-2 위성영상은 Landsat 8 센서와 비교하여 비교적 늦은 기간에 발사 되었으며, 검보정기간이 얼마 지나지 않은 위성영상으로 국내에서는 연구가 적은 편이다(Lee et al.,2017). 하지만 국외의 경우 Sentinel-2와 관련하여 토지피복 분류, 재해재난, 농업 등 다양한 선행연구가 진행되고 있다(Belgiu and Csillik, 2018; Li et al., 2018; Thanh Noi and Kappas, 2018). 유럽 지역에서는 현재 Sentinel-2 L2A 자료의 실시간 제공이 되고 있으며 이외 지역의 경우 향후 실시간 제공이 예정되어 있다(Gascon et al.,2017). 따라서, Sentinel-2 L2A 자료의 활용가능성이 국내에서 점점 커질 것으로 기대되는 바이며 Sentinel-2L2A 영상이 제공하는 BOA 반사율 자료의 활용가능성을 확인하기 위해 경상남도 합천군의 농업 지역을 대상으로 촬영된 항공 초분광영상을 활용하여 Sentinel-2 L2A 자료를 모의해보고 정량적인 분석을 통해 모의영상과 실제 촬영된 영상을 비교해보았다. 본 연구의 목적은 Sentinel-2 L2A 자료와 항공기 기반의 초분광 영상을 통해 모의된 Sentinel-2 영상에 대한 정량적인 비교를 수행하는 것이다. 연구지역은 농업지역 영상으로 경남 합천군의 영상을 이용하였다. 본 연구에서 사용된 항공 초분광 영상은 AISA Fenix 센서를 통해 얻어진 항공영상으로 380 nm부터 2500 nm까지의 파장영역을 450개의 분광밴드로 나누어 촬영되었으며, 획득된 영상의 해상도는 1.5 m의 공간해상도를 가진다. 해당 영상을 이용하여 Sentinel-2 영상의 분광응답함수(SRF: Spectral Response Functions)를 모사하여 모의영상 제작을 수행하였다. BOA 반사율 영상은 에어로졸 광학 두께(AOT: Aerosol optical thickness)와 대기 중 수증기 자료(WV: Water Vapor)를 Sentinel-2 영상으로부터 얻고 이를 보정하여 TOA 반사율 영상을 BOA 반사율 영상으로 변환을 가능하게 한다. 위의 과정을 통해 취득된 두 영상에 대한 정량적 비교를 수행하고 Landsat 위성군에서는 제공하지 않는 대기보정 된 영상인 BOA 반사율 자료와 TOA 반사율 자료에 대한 비교를 수행하고자 하였다.

2. 실험지역 및 영상

본 실험에서 영상이 촬영된 장소는 농업지역에 위치한 경상남도 합천군 초계면으로 해당 실험지역에서 초분광 영상을 취득하였다. 취득된 영상은 Fig. 1과 같으며, 초분광 영상의 취득 시기는 봄으로 해당 지역에서 마늘, 양파, 밀의 수확기에 촬영이 진행되어 농업지역에서 활발한 식생이 많이 나타나는 것이 특징이다.

OGCSBN_2019_v35n2_251_f0001.png 이미지

Fig. 1. RGB color composite of study area. The study area was chosen Chogye-myeon, Habcheon-gun, Gyeongsangnamdo, and each imagery were acquired by (a) AISA hyperspectral sensor and (b) Sentinel-2A Level-1C product.

1) AISA 초분광 영상

본 실험에서 이용된 초분광 영상은 AISA FENIX 센서를 항공기에 탑재하여 촬영되었으며, 2017년 5월 25일에 영상이 촬영되었다. 사용된 초분광 영상의 상세한 제원은 Table 1과 같다. AISA FENIX 영상은 촬영 고도 1000 m 에서 1.5 m의 공간해상도로 촬영되었으며 380nm 부터 2500 nm 파장대역까지 총 450개의 분광 밴드를 가진다. AISA FENIX 센서는 가시광과 근적외 및 단파장적외 영상까지 취득이 가능하며 파장영역대에 대한 분광해상도는 각각 3.5 nm 및 12 nm 이다. Sentinel-2 영상의 모든 밴드가 해당 파장영역 안에 포함되는 것을 고려하면, 해당 초분광 센서는 모든 Sentinel-2 MSI 센서에 포함된 모든 밴드에 대한 Sentinel-2 영상의 모사를 가능하게 한다. 또한, 취득된 영상은 SPECIM CaliGeoPRO 2.2 소프트웨어를 활용하여 기하보정 및 방사보정이 수행되었다.

Table 1. Specification of airborne hyperspectral image

OGCSBN_2019_v35n2_251_t0001.png 이미지

2) Sentinel-2

Sentinel-2의간단한제원을정리한것이Table 2와 같다. Sentinel-2 위성은 2A호와 2B호가 동시에 지구를 관측하여 Landsat 시리즈보다 시간해상도를 3~5일로 크게 줄였다는 점에서 지속적인 모니터링에 장점이 있다. Sentinel-2 MSI 센서의 공간해상도는 10 m, 20 m, 60 m로 나누어 제공되며, 가시광 영역대는 10 m의 해상도, 근적외 및 단파장적외 영역대는 20 m, 에어로졸 및 대기 cirrus 관측 파장영역대는 60 m의 해상도로 영상이 제공되고 있다. 특히, 근적외 영역대에서의 5, 6, 7번 밴드는 서로 다른 좁은 파장대역의 Red-edge를 관측하며 해당 밴드는 농업지역 및 식생과 관련한 활용이 기대될 것으로 예상된다. 따라서 Sentinel-2 MSI 센서가 Landsat 시리즈보다 더 좋은 공간, 분광 및 시간해상도를 보이므로 향후 농업지역의 모니터링에 있어서 활용이 기대된다고할수 있다(Clevers et al., 2017). 본 연구에서는 청천일에 초분광 센서로 촬영된 영상을 지표면 반사율의 참조자료로 하여 Sentinel-2 위성을 평가하고자 하였으며, 가장 가까운 시일인 2017년 5월 23일에 취득된 Sentinel-2A 영상자료를 취득하여 실험을 진행하였다.

Table 2. Specification of Sentinel-2 imagery used in this study

OGCSBN_2019_v35n2_251_t0002.png 이미지

Table 3. Specification of Sentinel-2A imagery used in this study

OGCSBN_2019_v35n2_251_t0003.png 이미지

3. 연구 방법

본 연구의 흐름도는 Fig. 2와 같다. 우선 항공기로 촬영된 AISA FENIX 초분광 영상은 촬영 이후 기하보정과 방사보정이 적용되었으며, Sentinel-2 영상의 경우 L1C 자료를 통해 기하보정과 방사보정이 적용된 데이터를 취득할 수 있었다. 초분광 영상의 경우 항공기 기반으로 청천일에 촬영되었기 때문에 기 취득된 자료의 대기보정의 필요성이 낮으며, 따라서 본 연구에서는 이를 지표면 반사율의 참조자료로 이용하였다. 초분광 영상으로부터 Sentinel-2 영상을 모의하기 위해 Sentinel-2의 각 밴드별 분광응답함수를 이용하여 모의영상을 생성하였다. Sentinel-2 L1C 자료의 경우 Sentinel-2 toolbox 에 내장되어 있는 Sen2Cor 프로세서를 이용하여 대기보정이 완료된 Sentinel-2 L2A 자료를 생성하였다. 마지막으로, 모의된 Sentinel-2 영상을 L2A 자료와 같은 BOA 반사율 영상으로 보고 실제로 취득된 Sentinel-2 L1C 및 L2A 자료와 각각 비교하여 점밀도 그래프를 통해 밴드 및 지수별 통계분석을 수행하였다.

OGCSBN_2019_v35n2_251_f0002.png 이미지

Fig. 2. Flowchart of this study.

1) 분광응답함수를 활용한 Sentinel-2 모의영상 생성

Sentinel-2 영상의 분광응답함수는 유럽우주청의 웹사이트를 통해 제공받았으며, 분광응답함수의 그래프는 Fig. 3과 같다. 본 연구지역에서는 Sentinel-2A 영상이 활용되어 2A에 대한 밴드별 분광응답함수를 적용하여 모의영상을 계산하였다. 분광응답함수를 통한 모의영상을 제작하는 수식은 다음과 같다(D’Odorico et al., 2013).

\(\hat{\rho}_{S M, i}=\frac{\int_{i \max }^{\lambda_{m a, i}} \rho_{i}(\lambda) * S R F_{i}(\lambda) d \lambda}{\int_{\lambda_{i m i}, i}^{\lambda_{m a x}, i}} S R F_{i}(\lambda) d \lambda\)        (1)

 ρˆSIM, i : 초분광 영상으로부터 모의된 Sentinel-2의 밴드 i에 해당하는 반사율

ρi(λ) : i 밴드에서 파장 λ에 대한 초분광 영상의 반사율

SRFi(λ) : i 밴드에서 파장 λ에 대한 Sentinel-2 MSI 센서의 분광응답함수 값

λmin, i : Sentinel-2 MSI 센서의 분광응답함수에서 i 밴드에 해당되는 파장대역의 최소 파장

λmax, i : Sentinel-2 MSI 센서의 분광응답함수에서 i 밴드에 해당되는 파장대역의 최대 파장

OGCSBN_2019_v35n2_251_f0003.png 이미지

Fig. 3. Spectral response function of Sentinel-2A MSI: (a) VNIR bands and (b) SWIR bands.

D’Odorico et al.(2013)은 모의영상 제작 수식에서 ρi(λ) 는 본래 연속적인 파장 도메인에 대한 반사율 이용하는 것이 보다 정확하다고 서술하였지만, 본 연구에서 취득한 초분광 영상의 반사율 함수는 파장 도메인에 대해서 이산적인 값을 나타내므로 분광응답함수를 단순 가중치로 설정하여 실험을 진행하였다. 생성된 모의영상은 초분광 영상의 해상도인 1.5 m의 픽셀 크기와 동일하므로 실제 취득된 Sentinel-2 영상과의 비교를 위하여 bilinear resampling 과정인 Collocation을 수행하였다. 즉, 1.5 m의 공간해상도를 가지는 모의영상의 격자를 20 m의 공간해상도를 가지는 Sentinel-2 자료의 격자로 맞추는 과정을 진행하였으며 이 과정에서 bilinear 보간을 통해 resampling을 진행하였다.

2) Sen2Cor 프로세서를 이용한 Sentinel-2 L2A 자료 생성

본 연구에서 Sentinel-2 영상의 L1C 자료는 ESA Copernicus Open Access Hub(https://scihub.copernicus. eu/)를 통해 취득하였다. 아직 아시아 지역에서는 L2A 자료가 배포되지 않아 ESA에서 제공하는 SNAP 소프트웨어에 Python 기반의 Sen2Cor 플러그인을 추가적으로 설치하여 TOA 반사율 값을 가지는 L1C 자료를 BOA 반사율 값을 가지는 L2A 자료로 변환하였다. Sen2Cor 프로세서의 처리 과정은 Louis et al.(2016)의 연구에서 상세히 기술되고 있다(Fig. 4). Sen2Cor 프로세서는 Sentinel-2 L1C의 TOA 영상에서 cirrus, 에어로졸을 포함한 대기 효과 및 지형 효과를 보정한다. 우선, Cirrus밴드를 이용하여 구름 탐지를 진행하고 L1C 영상을 이용하여 분류를 수행한다. 영상 분류 결과는 구름에 의해 영향을 받은 화소 및 물, 그림자에 의해 영향을 받는 화소를 구분하여 대기보정을 진행하기 위해 이용된다. 이후, 구름 탐지 및 영상 분류 결과를 이용하여 AOT와 WV자료를 생성한다. 마지막으로, AOT 와 WV 자료를 통해 TOA 영상을 BOA 반사율로 변환하여 Sentinel-2 L2A 영상을 생성한다. Sen2Cor 대기보정 프로세서의 결과 자료를 정리한 표는 Table 4와 같다. 본 연구에서는 모든 파장영역대에 대한 밴드를 비교하기 위해 20 m 공간해상도를 나타내는 BOA 반사율 결과물로 모의영상과의 비교분석을 진행하였다. 1, 9, 10번 밴드는 Cirrus, AOT, WV를 측정하는데 이용되는 파장 영역으로 분석에서 제외하였으며, 20 m 공간해상도를 나타내는 결과에서 8번 밴드의 경우 더 좁은 분광대역을 나타내는 8A번 밴드에 의해 대체될 수 있다(Gascon et al., 2017). 따라서 본 연구에서는 8번 밴드에 대한 분석은 수행하지 않았다.

Table 4. Main outputs of the Sen2Cor Processor

OGCSBN_2019_v35n2_251_t0004.png 이미지

OGCSBN_2019_v35n2_251_f0004.png 이미지

Fig. 4. Overview of Sen2Cor processing plugin (Louis et al., 2016).

3) Sentinel-2와 초분광 영상의 비교 분석

항공 초분광 영상을 이용하여 모사된 영상을 참조자료로 하여 Sentinel-2 L1C 자료와 L2A 자료 각각에 대하여 2차원 점밀도를 통해 영상의 비교분석을 진행하였다. 점밀도 분석은 각 밴드별로 참조자료와 L1C 및 L2A 자료에 대해서 수행하였으며, 또한 농업지역에서의 식생 모니터링 활용도를 확인하기 위해 단순비율 식생지수 (SR: Simple Ratio), 정규화 식생지수(NDVI: Normalized Difference Vegetation Index), 정규화 수분지수(NDWI: Normalized Difference Water Index)에 대하여 점밀도 분석을 진행하였으며, 상관계수와 평균 제곱근 오차 (RMSE: Root Mean Square Error)를 기반으로 두 영상의 비교를 진행하였다.

(1) Pearson 상관계수

Pearson 상관계수는 두 변수간의 선형상관관계의 측정 기준으로 단위에 영향을 받지 않는 특징이 있다. 동일한 밴드를 가진 모의영상과 Sentinel 영상에 대한 상관계수는 두 변수간의 공분산을 표준편차의 곱으로 나눈 값과 같다. 해당 수식은 다음과 같다.

\(r_{k l}=\frac{S_{k l}}{S_{k} S_{l}}\)        (2)

Skl : k 밴드와 l 밴드 영상 사이의 공분산

Sk : k 밴드 영상 내의 분산

Sl : l 밴드 영상 내의 분산

(2) 평균 제곱근 오차

RMSE는 두 영상 사이의 차이와 편이를 나타내는 방법 중 하나로 영상 융합을 비롯한 다양한 영상처리에서 쉽게 이용되는 평가 지수이다. RMSE 값을 수식으로 나타내면 다음과 같다.

\(\mathrm{RMSE}=\sqrt{\frac{1}{\mathrm{M} \cdot \mathrm{N}} \sum_{m=1}^{\mathrm{M}} \sum_{n=1}^{\mathrm{N}}(\mathrm{I}(m, n)-\mathrm{R}(m, n))^{2}}\)       (3)

 M : 영상에서의 행의 개수

N : 영상에서의 열의 개수

I(m, n) : m 행, n 열에서 평가하고자 하는 영상의 반사율

R(m, n) : m 행, n 열에서 참조 영상의 반사율

(3) 비교 인덱스

본 연구에서 비교 대상으로 이용될 인덱스를 Table 5에 표현하였다. 우선, SR은 녹색 식물의 빛 반사와 연관되어있는 적색과 근적외선 파장대역 사이의 반비례 관계를 이용하여 정의될 수 있다(Gray and Song, 2012). NDVI는 앞서 서술한 SR의 기능과 비슷하며 식생의 생육 정도를 나타내는 엽면적지수(Leaf Area Index: LAI)와 높은 상관성이 있어 식생의 성장과 식생 상태에 대한 모니터링을 가능하게 한다. NDVI는 정규화 지수가 비선형이라는 특성이 있으므로 대기 경로 복사휘도와 같은 잡음에 의해 영향을 받기 때문에, 대기보정된 Sentinel-2 L2A와 L1C 자료를 비교하는데 이용될 수 있다고 판단하였다. NDWI는 지표의 수분함량에 대한 정보를 제공하는 지수로 SWIR 파장으로 지수가 계산되며 수분함량에 대한 정보는 물을 댄 논을 다른 농업지역의 토지피복과 구별할 수 있으므로 비교 대상으로 선정하였다.

Table 5. Selected spectral index for comparison between simulated and acquired Sentinel-2 imagery, ρi means the value of reflectance of i band at Sentinel-2 MSI imagery

OGCSBN_2019_v35n2_251_t0005.png 이미지

4. 실험 결과

1) 컬러조합 영상을 활용한 시각적 평가

항공 초분광 영상을 분광응답함수에 따라 합성하여 Sentienl-2 영상을 모사를 수행하였으며, 밴드별로 간단한 컬러조합을 활용하여 시각적인 비교를 수행한 것이 Fig. 5이다. 모의영상과 실제 Sentinel-2 영상 사이의 비교를 위해 모든 DN값은 방사보정 과정을 통해 지표면 반사율 값으로 변환되어 비교가 수행되었다. 모든 영상은 1%의 이상치를 제외하고 선형 히스토그램 매칭을 통해 컬러조합을 형성하였다. 항공 초분광 영상의 취득과 Sentinel-2 취득 사이의 시간은 2일로 시간적인 decorrelation이 일부 발생하였다. 하지만, 이를 제외하면 모의영상과 취득된 Sentinel-2 영상이 다양한 밴드별 컬러조합에 대해서 유사성을 보이는 것으로 확인된다.

OGCSBN_2019_v35n2_251_f0005.png 이미지

Fig. 5. Comparison of three color composites with Sentinel-2 L1C, L2A and Simulated image from hyperspectral data.

2) Sentinel-2 L1C 및 L2A 데이터와 모의영상 간 밴드별 비교

Sentinel-2 L1C 및 L2A 자료의 차이를 보이기 위해 생성된 모의영상으로 이차원 점밀도 그래프를 통해 비교분석을 진행하였다(Fig. 6, 7 and 8). 점밀도 분포에 참조직선인 y=x 그래프를 추가하여 분석을 수행하였다. 가시광 영역에 해당되는 2, 3, 4번 밴드의 경우 모의된 영상과의 RMSE는 L2A 자료에서 낮거나 같은 값을 나타내는 것으로 확인되었으며, 상관관계의 경우 소폭 증가된 것을 확인할 수 있다. Red edge 파장대역에 속하는 5, 6, 7번 밴드의 경우 L2A 자료에서 상관관계 값이 소폭증가된 결과를 보이나 RMSE의 경우 조금 더 높은 값을 가지는 경향을 보인다. 마지막으로, NIR 대역인 8번 밴드와 SWIR 파장대역인 11, 12번 밴드의 경우 상관관계는 L1C와 L2A 자료에서 비슷한 값을 보이지만 RMSE는 오히려 L1C에서 낮은 값을 나타내는 것을 확인할 수 있다. Li et al.(2018)의 연구에 따르면 밴드 폭이 넓은 경우 해당 밴드에 대한 대기보정 이후 오차가 증가하는 경향을 보인다고 알려져 있으며, 실험 결과 역시 SWIR 파장대역인 11, 12번 밴드에서의 밴드 폭이 각각 143, 242nm로 20~50 nm의 밴드 폭을 가지는 다른 밴드들에 비하여 결과가 좋지 못한 것으로 확인된다. 결과적으로, Sen2Cor 대기보정 효과로 인해 가시광 파장대역의 밴드 영상들의 BOA 반사율은 참조자료인 모의영상의 지표면 반사율과 비슷한 분포를 보이는 것으로 볼 수 있다. 나머지 밴드들에 대해서는 RMSE 값의 상승에도 불구하고, 점밀도의 분포는 참조 직선에 해당하는 기울기와 비슷한 분포로 바뀌며 승법적 오차가 소거되는 양상을 확인할 수 있다. 즉, 모든 밴드에 대하여 산점도의 기울기가 참조 직선인 기울기가 1인 분포에 가깝게 나타나며 L2A 자료의 대기보정 과정에 의해 반사율의 승법적 오차가 없어지는 경향성을 볼 수 있다. 하지만 모든 밴드에 대한 산점도 그래프에서 Sen2Cor의 결과로 얻어진 BOA 반사율이 참조 직선 아래에 위치하며 반사율이 과대추정되는 경향을 보이는 것으로 나타난다. 이는 Sen2Cor 알고리즘이 밝기값이 높은 화소에서 높은 AOT값을 가질 때 BOA 반사율을 과대추정하는 경향으로 인해 반사율 값이 높게 추정 경향을 반영한 것으로 판단된다(Li et al., 2018).

OGCSBN_2019_v35n2_251_f0006.png 이미지

Fig. 6. 2D scatter density plots of reflectance data for Band 2, 3 and 4. x and y axis are reflectance of Sentinel-2 product data and that of simulated hyperspectral data respectively.

OGCSBN_2019_v35n2_251_f0007.png 이미지

Fig. 7. 2D scatter density plots of reflectance data for Band 5, 6 and 7. x and y axis are reflectance of Sentinel-2 product data and that of simulated hyperspectral data respectively.​​​​​​​

OGCSBN_2019_v35n2_251_f0008.png 이미지

Fig. 8. 2D scatter density plots of reflectance data for Band 8A, 11 and 12. x and y axis are reflectance of Sentinel-2 product data and that of simulated hyperspectral data respectively.​​​​​​​

3) Sentinel-2 L1C 및 L2A 데이터와 모의영상 간지수 비교

앞서 서술한NDVI, SR,NDWI지수에대하여Sentinel-2 L1C 및 L2A 데이터와 모의영상 사이의 이차원 점밀도 그래프를 작성한 것을 Fig. 9로 표현하였다. NDVI 인덱스에 대해서는 L2A 영상에서 RMSE의 감소 및 상관관계의 증가가 밴드별 점밀도 그래프에서보다 더 두드러지게 나타난다. 또 다른 식생관련 지수인 SR 지수에 대해서도 역시 L2A 영상에서의 RMSE 감소 및 상관관계의 증가 경향이 뚜렷이 나타나게 된다. 이는 가시광 파장 영역 및 Red edge 파장영역대에서 L2A 자료의 점밀도 분포의 변화가 Sen2Cor 대기보정으로 인해 상관관계가 증가하는 경향이 반영되어 나타나는 결과라고 볼 수 있으며, Sentinel-2 자료에서만 제공되는 대기보정이 수행된 BOA 반사율 자료인 L2A 자료가 참조 영상인 모의영상과 비슷한 분포를 나타내는 것을 의미한다. 식생지수가 L2A 자료에서 모의영상과 높은 상관관계를 나타내는 것은 L1C TOA 반사율 자료가 가졌던 승법적 오차의 소거과정으로 인한 것으로 판단되며 L2A BOA 반사율 자료가 과대추정되는 경향에도 불구하고 대기, 지형 효과와 같은 승법적 오차의 소거 영향이 정확한 지표면 반사율 정보를 제공하는데 작용했다는 것을 의미한다. 따라서 농작물 및 식생의 모니터링을 위한 NDVI와 SR 자료에서 Sen2Cor 대기보정이 수행된 L2A 자료가 정확한 지표면 반사율 자료를 제공한다고 할 수 있다. 반면, SWIR 영역이 포함되어 있는 NDWI의 경우 L1C와 L2A 자료에서의 차이가 앞서 서술한 두 지수에 비해서는 크게 차이를 보이지 않았다.

OGCSBN_2019_v35n2_251_f0009.png 이미지

Fig. 9. 2D scatter density plots of data for NDVI, SR and NDWI index. x and y axis are value of Sentinel-2 product data and that of simulated hyperspectral data respectively.​​​​​​​

4) 논의

Sen2Cor의 적용 결과를 모의영상과 비교해본 결과 밴드 폭이 좁은 가시광 및 근적외 영역의 밴드에서 산점도의 분포가 참조 직선과 가깝게 개선되어 나타나는 결과를 보이며 RMSE 및 상관계수의 수치로 이를 확인할 수 있었다. Sen2Cor의 적용 과정에서 TOA 반사율 자료에 포함되어 있던 승법적 오차가 감소하여 참조 직선과 기울기가 비슷해지는 경향을 보이며, 이로 인해 식생지수의 비교 결과에서 L1C TOA 반사율 자료보다 L2A BOA 반사율이 참조자료로 이용된 모의영상과 비슷한 값을 나타내는 것으로 확인된다. 본 연구의 모의영상 생성과정에서 항공 초분광 센서의 분광응답함수의 형태를 고려하여 분광적 Convolution을 통해 모의영상 생성을 진행해야 하지만 본 연구에서는 분광응답함수를 단순 가중치로 보아 Convolution을 진행하였고, 향후 연구에서 정확한 검증에 대한 실험을 위해 초분광 센서의 분광응답함수를(Barry et al., 2002; Kim and Pyeon, 2012)의 연구와 같이 가우시안 함수의 형태로 가정하여 추가적인 실험을 진행할 계획이다. 하지만, 본 연구의 목표는 Sen2Cor 대기보정 프로세서의 유무에 따른 반사율 및 지수의 차이를 비교분석 하는 연구이므로 L1C TOA 자료와 L2A BOA 자료가 동일하게 생성된 모의영상과 비교되어 해당 Convolution 방식이 주는 영향은 제한적일 것으로 보인다. 또한, Landsat 시리즈에 비해서 세분화된 Sentinel-2 영상의 Red-edge NIR 파장은 다양한 추가적인 정규화 지수를 생성할 수 있으며 향후 후속 연구로 Sentinel-2의 다양한 정규화지수에 대한 비교분석 실험을 수행할 예정이다.

5. 결론

본 연구는 항공 초분광 영상으로 Sentinel-2 영상의 분광응답함수를 모사하여 모의영상 제작을 수행하였으며, 해당 자료를 참조영상으로 하여 Sentinel-2 위성에서 방사 및 기하보정이 완료된 L1C TOA 자료와 추가적으로 Sen2Cor 기법을 이용하여 대기보정이 수행된 L2A BOA 자료와 비교하여 Sen2Cor 프로세서의 대기보정효과를 분석하였다. 그 결과, 가시광 영역에서의 2, 3, 4번 밴드에서 L2A 자료의 BOA 반사율이 참조 영상과 비슷하게 나타나는 경향을 확인하였으며, 그 외 밴드에서는 BOA 반사율의 분포가 참조 영상의 지표면 반사율의 분포와 비슷해지는 것을 확인할 수 있었다. 농업지역에서 식생 모니터링에 필수적인 NDVI 및 SR 지수의 경우 점밀도 분석에서 BOA 반사율 기반의 L2A 자료로부터 얻어진 지수가 참조 영상에서 얻어진 지수와 비슷한 결과를 나타내는 것으로 확인되었다. Sentinel-2 위성의 제원이 Landsat 시리즈에 비해서 공간, 시간, 분광해상도 측면에서의 이점을 가지는 것과 동시에 Sen2Cor 프로세서를 통해 BOA 반사율 자료를 제공하는 점은 향후 Sentinel-2 위성데이터가 농업 기반의 모니터링 분석에서 이점이 될 수 있을 것이다. 향후, Sen2Cor 프로세서를 통해 대기보정된 L2A 자료의 실시간 제공이 예정되어 있는 바이므로 Landsat 시리즈와 더불어 Sentinel-2 위성데이터가 다양한 원격탐사 분야에서의 활용될 수 있을 것으로 기대되는 바이다.

사사

본 연구는 2019년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행되었습니다 (NRF-2016R1A2B4016301).
​​​​​​​

Acknowledgement

Supported by : 한국연구재단

References

  1. Barry, P., J. Mendenhall, P. Jarecke, M. Folkman, J. Pearlman, and B. Markham, 2002. EO-1 Hyperion hyperspectral aggregation and comparison with EO-1 Advanced Land Imager and Landsat 7 ETM+, Proc. of IEEE International Geoscience and Remote Sensing Symposium, Toronto, ON, Jun. 24-28, vol. 6, pp. 3504-3506.
  2. Belgiu, M. and O. Csillik, 2018. Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis, Remote Sensing of Environment, 204: 509-523. https://doi.org/10.1016/j.rse.2017.10.005
  3. Choi, J. W., S. T. Noh, and S. K. Choi, 2014. Unsupervised classification of Landsat-8 OLI satellite imagery based on iterative spectral mixture model, Journal of Korean Society for Geospatial Information System, 22(4): 53-61 (in Korean with English abstract). https://doi.org/10.7319/kogsis.2014.22.4.053
  4. Clevers, J., L. Kooistra, and M. Van Den Brande, 2017. Using Sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop, Remote Sensing, 9(5): 405. https://doi.org/10.3390/rs9050405
  5. D'Odorico, P., A. Gonsamo, A. Damm, and M. E. Schaepman, 2013. Experimental evaluation of Sentinel-2 spectral response functions for NDVI time-series continuity, IEEE Transactions on Geoscience and Remote Sensing, 51(3): 1336-1348. https://doi.org/10.1109/TGRS.2012.2235447
  6. Gascon, F., C. Bouzinac, O. Thepaut, M. Jung, B. Francesconi, J. Louis, V. Lonjou, B. Lafrance, S. Massera, and A. Gaudel-Vacaresse, 2017. Copernicus Sentinel-2A Calibration and Products Validation Status, Remote Sensing, 9(6): 584. https://doi.org/10.3390/rs9060584
  7. Gray, J. and C. Song, 2012. Mapping leaf area index using spatial, spectral, and temporal information from multiple sensors, Remote Sensing of Environment, 119: 173-183. https://doi.org/10.1016/j.rse.2011.12.016
  8. Kim, D. S. and M. W. Pyeon, 2012. Aggregation of Hyperion Hyperspectral Bands to ALI and ETM+ Bands Using Spectral Response Information and the Weighted Sum Method, International Journal of Digital Content Technology and its Applications, 6(5): 189-199. https://doi.org/10.4156/jdcta.vol6.issue5.23
  9. Kim, G. H., Y. G. Lee, J. H. Kim, H. W. Choi, and B. J. Kim, 2018. Analysis of the Cooling Effects in Urban Green Areas using the Landsat 8 Satellite Data, Korean Journal of Remote Sensing, 34(2): 167-178 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.2.1.1
  10. Kim, H. J., D. K. Seo, Y. D. Eo, M. C. Jeon, and W. Y. Park, 2019. Multi-temporal Nonlinear Regression Method for Landsat Image Simulation, KSCE Journal of Civil Engineering, 23(2): 777-787. https://doi.org/10.1007/s12205-018-1157-5
  11. Lee, S. J., K. J. Kim, Y. H. Kim, J. W. Kim, and Y. W. Lee, 2017. Development of FBI(Fire Burn Index) for Sentinel-2 images and an experiment for detection of burned areas in Korea, Journal of Photo Geography, 27(4): 187-202 (in Korean with English abstract).
  12. Li, Y., J. Chen, Q. Ma, H. K. Zhang, and J. Liu, 2018. Evaluation of Sentinel-2A surface reflectance derived using Sen2Cor in North America, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(6): 1997-2021. https://doi.org/10.1109/JSTARS.2018.2835823
  13. Li, J., X. Yang, C. Maffei, S. Tooth, and G. Yao, 2018. Applying Independent Component Analysis on Sentinel-2 Imagery to Characterize Geomorphological Responses to an Extreme Flood Event near the Non-Vegetated Rio Colorado Terminus, Salar de Uyuni, Bolivia, Remote Sensing, 10(5): 725. https://doi.org/10.3390/rs10050725
  14. Louis, J., V. Debaecker, B. Pflug, M. Main-Knorn, J. Bieniarz, U. Mueller-Wilm, E. Cadau, and F. Gascon, 2016. Sentinel-2 Sen2Cor: L2A processor for users, Proc. of the Living Planet Symposium, Prague, Czech Republic, May 9-13, pp. 9-13.
  15. Shin, J. S., K. Y. Kim, J. E. Min, and J. H. Ryu, 2018. Red Tide Detection through Image Fusion of GOCI and Landsat OLI, Korean Journal of Remote Sensing, 34(2): 377-391 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.2.2.6
  16. Thanh Noi, P. and M. Kappas, 2018. Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery, Sensors, 18(1): 18. https://doi.org/10.3390/s18010018
  17. Van Der Werff, H. and F. Van Der Meer, 2016. Sentinel-2A MSI and Landsat 8 OLI provide data continuity for geological remote sensing, Remote Sensing, 8(11): 883. https://doi.org/10.3390/rs8110883
  18. Yim, J. S. and G. H. Lee, 2017. Estimating Urban Temperature by Combining Remote Sensing Data and Terrain Based Spatial Interpolation Method, Journal of the Korean Cartographic Association, 17(2): 75-88 (in Korean with English abstract). https://doi.org/10.16879/jkca.2017.17.2.075