DOI QR코드

DOI QR Code

Application of GOCI to the Estimates of Primary Productivity in the Coastal Waters of the East Sea

동해 연안역 일차생산량 추정을 위한 GOCI 자료 적용

  • Choi, Jong-kuk (Principal ResearcherKorean Ocean Satellite Center, Korea Institute of Ocean Science and Technology) ;
  • Ahn, Jae-Hyun (Senior ResearcherKorean Ocean Satellite Center, Korea Institute of Ocean Science and Technology) ;
  • Son, Young Baek (Principal ResearcherJeju Marine Research Center, Korea Institute of Ocean Science and Technology) ;
  • Hwang, Deuk-jae (ResearcherKorean Ocean Satellite Center, Korea Institute of Ocean Science and Technology) ;
  • Lee, Sun Ju (Senior ResearcherKorean Ocean Satellite Center, Korea Institute of Ocean Science and Technology)
  • 최종국 (한국해양과학기술원 해양위성센터책임연구원) ;
  • 안재현 (한국해양과학기술원 해양위성센터선임연구원) ;
  • 손영백 (한국해양과학기술원 제주특성연구센터책임연구원) ;
  • 황득재 (한국해양과학기술원 해양위성센터연구원) ;
  • 이순주 (한국해양과학기술원 해양위성센터선임기술원)
  • Received : 2020.04.03
  • Accepted : 2020.04.18
  • Published : 2020.04.30

Abstract

Here, we generated maps of primary production in the coastal waters of the East Sea using sea surface chlorophyll-a concentrations (CHL), photosynthetically available radiation (PAR), euphotic depth induced by GOCI along with sea surface temperature (SST) from satellites of foreign countries as input parameters, and carried out a sensitivity analysis for each parameters. On 25th of July in 2013 when a wide cold waters appeared and on 13th of August in 2013 when a big harmful algal bloom existed in the study area, it shows high productivities with averages 1,012 and 1,945 mg C m-2 d-1, respectively. On August 25, 2013, when the cold waters and red tide retreated, it showed an average of 778 m-2 d-1, similar to the results of the previous analysis. As a result of the sensitivity analysis, PAR did not significantly affect the results of the primary production, but the euphotic depth and CHL showed aboveaverage sensitivity. In particular, SST had a large influence to the results, thus we could imply that an error in SST could lead to a large error in the primary production. This study showed that GOCI data was available for primary production study, and the accuracy of input parameters might be improved by applying GOCI, which can acquire images 8 times a day, making it more accurate than foreign polar orbit satellites and consequently, it is possible to estimate highly accurately primary production.

이 연구에서는 GOCI 자료로부터 산출된 엽록소농도(CHL), 광합성유효광량(PAR), 진광층 깊이 및 국외 위성 기반의 해수면온도자료(SST)를 이용하여 동해 연안의 일차생산량 지도를 작성하고, 각 인자들에 대한 민감도 분석을 실시하였다. 광범위한 냉수대가 발현한 2013년 7월 25일과 대규모 적조가 발생한 2013년 8월 13일에는 평균 1,012 mg C m-2 d-1 및 1,945 mg C m-2 d-1의 높은 일차생산량을 보였다. 냉수대와 적조가 물러난 2013년 8월 25일에는 평균 778 mg C m-2 d-1의 일차생산량을 보여 기존 연구의 분석결과와 유사한 결과를 보였다. 민감도 분석결과, 광합성유효광량은 일차생산량 계산 결과에 큰 영향을 주지 않았으나, 진광층 깊이와 엽록소 농도는 평균 민감도인 0.5 이상의 값을 보였다. 특히 해수면 온도는 결과값에 매우 큰 변화를 가져와 해수면 온도 자료에 오류가 있을 경우 일차생산량 계산 결과에 큰 오류를 가져올 수 있는 것으로 분석되었다. 연구 결과, 일차 생산량 연구에 GOCI 자료가 활용 가능함을 확인할 수 있었으며, 하루 8회 영상획득이 가능한 GOCI를 적용함으로써 일차생산량 추정을 위한 입력변수들의 정확도가 향상되어, 국외의 극궤도 위성에 비해 정밀도가 높은 일차생산량 추정이 가능할 것으로 판단된다.

1. 서론

식물플랑크톤은 광합성을 통해 대기 중 이산화탄소로부터 탄소를 고정하는 생산자 역할을 수행하는데, 이에 의해 해양에 흡수되는 탄소의 양은 연간 50 Gt에달하며, 이는 육상의 일차생산량과 비슷한 규모에 해당한다(Behrenfeld et al., 2001; Field et al., 1998). 또한 탄소펌프에 의해, 이 탄소 중 상당량은 유기물의 침강으로 심해로 운반되고, 따라서 해양의 일차생산량을 정량화하는 것은 해양과 대기 간 탄소교환, 나아가 전지구적 탄소순환을 이해하는데 있어서 필수적이다(Forget et al., 2007). 전통적으로 해양에서의 일차생산량은 선박을 이용한 해수취득 및 분석을 통해 측정할 수 있으나, 그 시간적 공간적 한계를 극복하기 위해 해색위성을 활용한 연구가 활발히 진행되어 왔다(Behrenfeld and Falkowski, 1997; Campbell et al., 2002).

해색위성 자료로부터 해양의 일차생산량을 계산하는 방법은, 주로 해수 표층의 엽록소(Chlorophyll-a) 농도(CHL), 해수표면으로부터 진행하는 태양에너지의 파장별 하향확산 감쇄계수(diffuse attenuation coefficient of down-welling irradiance, Kd(λ)), 광합성 유효광량(photosynthetically available radiation, PAR) 및 해수면 표층 수온(sea surface temperature, SST) 등 위성으로부터 취득 가능한 해수표층의 특성을 기반으로 개발한 알고리즘을 활용하고 있다(Forget et al., 2007). 이러한 해색위성 산출물 을 활용하여, 주로 대양에서 적용 가능한 일차생산량 추정 모델이 개발되어 왔으며(Carr et al., 2006), Siswanto et al.(2006)은 이러한 대양에 적합한 모델이 우리나라 주변 해역에서 활용 가능한 지 검토한 바 있다. 국내에서도 우리나라 동해에 적용 가능하도록 개발된 기존 모델을 활용하여, Moderate Resolution Imaging Spectroradiometer (MODIS) 위성자료로부터 작성된 CHL, PAR, Kd(490) 자료를 이용하여 울릉분지의 일차생산량을 추정하고 이의 계절별 및 년간 변화를 관측한 연구가 수행된 바 있다(Joo et al., 2014).

그러나, 국내 해색위성인 Geostationary Ocean Color Imager(GOCI)를 이용하여 우리나라 주변 해역에서 일차생산량을 추정하고자 하는 연구는 수행된 바 없다. GOCI는 세계 최초의 정지궤도 해색위성으로서 한시간 간격으로 일일 8회 우리나라 주변해역의 영상을 획득하므로, 극궤도 위성에 비해 일일 합성영상의 정확도가 향상되어 더욱 정확한 일간 PAR의 생성이 가능하다(Frouin and McPherson, 2012). 또한, GOCI 기반의 해수표층 CHL 및 Kd(490) 추정 연구가 활발히 진행되어 왔다(Kim et al., 2016; Moon et al., 2012; Noh et al., 2018).

이 연구에서는, 우리나라 동해안 지역을 대상으로 GOCI 자료로부터 취득된 CHL, PAR, Kd(490) 자료와 국외위성으로부터 얻어진 SST를 이용하여 해양의 일차생산량 지도를 작성한다. 또한, 각 인자들에 대한 민감도 분석을 실시하여 어떤 인자가 일차생산량 추정에 중요한 인자인지 밝히고자 한다.

2. 연구방법 및 자료

1) 연구지역 및 적용모델

연구지역은 동해 남서부 지역이며(Fig. 1), 이 지역은 주변 해역에 비해 생산력이 높은 특징을 가지며 특히 연구지역의 중심에 위치한 울릉분지 지역은 외해에 비해서도 매우 높은 생산력을 가지는 것으로 분석된 바 있다(Joo et al., 2014; Kwak et al., 2013). 특히, 이 지역에서는 2013년 여름 대규모 적조가 발생한 바 있으며(Choi et al.,2014), 그 시기를 대상으로 GOCI 자료를 적용하여 일차생산량 지도를 작성하고자 한다.

OGCSBN_2020_v36n2_2_237_f0001.png 이미지

Fig. 1. GOCI daily composite RGB image of the study area acquired on 13 August 2013.

이 연구에 적용된 일차생산량 추정 알고리즘은, 동해에서 현장조사 자료를 기반으로 해양관측위성에 적용 가능하도록 개발된 Yamada et al.(2005)의 알고리즘을 활용하였다. 이 알고리즘은 Behrenfeld and Falkowski(1997)에 의해 개발된 vertically generalized production model(VGPM)을 기반으로 Kameda(2003), Kameda and Ishizaka(2005)에 의해 조정된 모델을 Yamada et al.(2005)이 정리한 동해지역의 일간 해양 일차생산력 추정 모델이다(Joo et al., 2014). 이 알고리즘은 식 (1)과 같다.

\(\begin{aligned} P P_{e u}=& 0.66125 * P_{o p t}^{B} *\left[E_{0} /\left(E_{0}+4.1\right)\right] * \\ & Z_{e u} * C H L * D L \end{aligned}\)       (1)

식 (1)에서 PPeu는 진광층(euphotic zone)에서의 일간 해양 일차생산량의 총합이며(mg C m-2 d-1), PBopt 는 단위 엽록소 농도별 시간당 최대 광합성 양(maximum chlorophyll-a specific photosynthetic rate, mg C (mg CHL)-1 h-1), E0는 해수 표층에서의 일간 PAR(E m-2 d-1), Zeu는 진광층의 깊이(euphotic depth, m), CHL은 엽록소 농도 (chlorophyll-a concentration, mg m-3), DL은 하루 중 일조 시간(h)이다. PBopt 는식 (2)를 통해 구할 수 있으며, Zeu는 식 (3)과 같이 Kd(490)으로부터 계산된다.

\(P_{o p t}^{B}=\frac{\left.0.071 * T-3.2 * 10^{-3} * T^{2}+3.0 * 10^{-5}\right) * T^{3}}{C H L+1.0+0.17 * T-2.5 * 10^{-3} * T^{2}-8.0 * 10^{-5} * T^{3}}\)       (2)

\(Z_{e u}=\frac{4.6}{K_{d}(490)}\)       (3)

식 (2)에서 T는 SST(°C)이다. 하루 중 일조시간 DL은 식(4)~(6)을 통해 구할 수 있다(Kirk, 1994).

\(A=360 *\left[\frac{D-1}{365}\right]\)       (4)

\(\begin{aligned} \mathrm{Dec}=& 0.3964-22.9133 * \cos (\mathrm{A})+4.0254 \\ & * \sin (\mathrm{A})-0.3872 * \cos (2 * \mathrm{~A}) \\ &+0.0520 * \sin (2 * \mathrm{~A}) \end{aligned}\)       (5)

\(\mathrm{DL}=0.1330^{*} \mathrm{acos}[-\tan (\mathrm{Lat}) * \tan (\mathrm{Dec})]\)       (6)

위의 식에서 D는 Julian day로 표현되는 일년 중 날짜, A는 각도(°)로 표현된 날짜, Dec는 태양 적위(solar declination, °), Lat은 위도이다.

2) 연구자료

이 연구에서 사용된 자료는 GOCI 위성자료로부터 산출된 CHL, Kd(490), PAR와 GHRSST(Group for High Resolution Sea Surface Temperature) 해수면 온도자료이다. GOCI는 한반도를 중심으로 2,500 × 2,500 km 영역을 16개의 슬롯으로 나누어 하루 8번, 500 m의 공간해상도로 촬영하며, 412, 443, 490, 555, 660, 680, 745, 865nm에 중심 파장을 가지는 8개의 밴드로 구성되어 있다 (Choi et al., 2012). GHRSST는 Advanced Spaceborne Thermal Emission and Reflectance Radiometer (ASTER), Advanced Very-High-Resolution Radiometer (AVHRR), MODIS, Geostationary Operational Environmental Satellite (GOES) 등 다양한 위성자료 산출물을 합성하여 SST를 산출한 것으로, 전지구의 일별 해수면 온도자료가 1 km의 공간해상도로 제공되고있다(Dash et al., 2012). 연구지역은 GOCI의 5번과 6번 슬롯에 해당하며, 연구지역에서 대규모 적조가 발생하기 직전 용승 현상이 발생했던 2013년 7월 25일, 적조 패치가 동해 연안에 광범위하게 분포했던 2013년 8월 13일, 적조가 완전히 물러난 2013년 8월 25일 등 세 날짜에 대해 분석을 실시하였다.

GOCI 자료의 대기보정을 위해서 고유의 자료처리 프로그램인 GOCI data processing software(GDPS) 버전 2.0의 알고리즘을 사용하였으며(Ahn et al., 2015; 2016), 2013년 8월 13일의 자료에 대해서는 적조해역에 활용가능하도록 부분적으로 개선된 알고리즘을 활용하였다(Hu et al., 2000; Noh et al., 2018). 대기보정 결과 산출된 각 밴드별 원격반사도(remote sensing reflectance, Rrs) 자료로부터 각 날짜의 시간별 CHL을 산출한 후, 이들을 합성하여 일별 CHL 영상을 제작하였다. 2013년 7월 25일과 8월 25일의 자료는 GOCI 표준 CHL 산출 알고리 즘인 OC3 (three-band ocean color algorithm) (O’Reilly et al., 1998) 알고리즘을 이용하여, 8월 13일의 자료는 적조발생 해역에서 GOCI 활용이 가능하도록 Noh et al.(2018)에 의해 개발된 RBR(red to blue ratio) 알고리즘을 이용하여 CHL을 산출하였다. 진광층 깊이 자료를 산출하기 위한 Kd(490)은 Morel et al.(2007)에 의해 개발된 CHL과의 관계식을 이용하여, 각 날짜의 CHL로부터 작성하였다. GOCI PAR 자료는 Kim et al.(2016a)에 의해 개발된 알고리즘을 활용하여 각 날짜별로 작성하였다. GHRSST 자료는 미국 National Aeronautics and Space Administration (NASA)의 Jet Propulsion Laboratory (JPL)이 제공하는 자료를 다운로드 받은 후, 이를 GOCI와 동일한 500 × 500m의 공간해상도로 변환하여 사용하였다. DL은식 (6)을 이용하여 GOCI 자료의 각 픽셀별로 계산하였다.

3) 민감도 분석

이 연구에서 일차생산량 계산에 사용된 각 입력변수인 CHL, PAR, Kd(490) 및 SST 값이 각각 일차생산량 계산 결과에 얼마나 영향을 주는 지 알아보기 위하여 민감도 분석을 실시하였다. 민감도 분석은 모델의 결과가 각 입력자료에 얼마나 의존하는가를 평가하기 위해 활용되며, 이를 통해 모델 결과에 영향을 주는 주 요인을 알아내고 각 요인의 중요도를 결정할 수 있다(Gupta and Razavi, 2017; Park and Lek, 2016). 일반적으로 각입력자료의 값(P)에 변화를 주고 모델의 결과 값(x)의변화를 분석하여 식 (7)과 같이 민감도(S)를 구하며, 그결 과 민감도 값이 0.5 이상이면 평균 이상의 중요도를 갖는 것으로 분석된다(Jorgensen, 2011).

\(\mathrm{S}=\frac{[\partial x / x]}{[\partial P / P]}\)       (7)

이 연구에서는 각 입력변수의 값을 5% 증가 및 감소, 10% 증가 및 감소 후에 일차생산량을 추정하고 그 결과를 비교 분석하였다.

3. 연구결과

Fig. 2는 2013년 7월 25일, 8월 13일, 8월 25일의 동해 연안 해양 일차생산량 지도이다. 7월 25일은 동해 남서부 포항 연안에서 용승 현상이 발생한 시기로, 용승에 의해 생긴 냉수대가 넓게 분포하면서 북동쪽 방향으로 동해 중부까지 뻗어있으며(Yoon and Yang, 2016), 냉수대 주변으로 높은 일차생산량을 보이고 있다(Fig. 2(a)). 8월 13일은 대규모 적조 패치가 동해 전반에 걸쳐 분포하고 있던 시기로, Choi et al.(2014)의 현장조사에 의하면 적조 패치에서의 엽록소 농도는 최대 400 mg m-3 이상이었으며, 그 적조 패치를 따라 높은 일차생산량 값을 보이고 있다(Fig. 2(b)). 오른쪽 상단의 높게 나타난 부분은 마스킹된 구름 주변에서 높은 값을 보인 것으로 판단된다. 8월 25일은 적조가 완전히 물러난 이후의 시기로, 동해 남서부의 냉수대 패치가 여전히 남아 있는 것으로 보이며 특히 울릉도를 지나 외해까지 동해 북동지역으로 이동해 있는 모습을 보이고 있다. 또한 이러한 냉수대 주변으로 높은 일차생산량을 보이고 있으며, Choi et al. (2014)에 의하면 이는 주변지역에 비해 상대적으로 높은 엽록소 농도에 의한 것으로 판단된다. 동해 남부에서 특징적으로 낮은 값을 보이고 있음을 알수 있다(Fig. 2(c)).

OGCSBN_2020_v36n2_2_237_f0002.png 이미지

Fig. 2. Maps of primary production generated in this study on (a) 25 July, (b) 13 August, and (c) 25 August 2013.

GOCI에 의해 추정된 일차생산량은, 2013년 7월 25일은 평균 약 1,012 mg C m-2 d-1로 분석되었으며, 전체 픽셀의 70%가 750 ~ 1,100 mg C m-2 d-1 범위에 분포하였다. 8월 13일은 평균 1,945 mg C m-2 d-1이었고 전체 픽셀의 60%가 1,000 ~ 1,800 mg C m-2 d-1 범위를 보였으며, 2,000 ~ 2,800 mg C m-2 d-1 사이의 값도 10.79% 분포하였다. 8월 25일은 평균 778 mg C m-2 d-1이고, 70% 가까운 픽셀이 500 ~ 850 mg C m-2 d-1 범위의 값을 보였다. Joo et al.(2014) 이 수행한 2002년 7월부터 2012년 12월까지 동해 울릉분지의 일차생산량 연구결과에 의하면, 연구지역의 7월과 8월의 일차생산량은 600 ~ 900 mg C m-2 d-1인 것으 로 분석되었다. Choi et al.(2014)과 Kim et al.(2016a)에 의하면, 2013년 7월 25일 광범위한 냉수대 발현은 대규모 적조 발생과 관련이 있는 것으로 분석되었다. 또한 2013년 8월 13일에는 대규모 적조가 발생하였으므로, 두 날짜의 일차생산량이 큰 값을 보이는 것으로 나타났으며, 따라서 두 가지 이벤트가 없어진 8월 25일의 일차생산량 결과를 고려하면 이 연구의 결과는 Joo et al.(2014)의 결과와 크게 다르지 않은 것으로 판단된다.

Fig. 3은 2013년 8월 13일에 대해, CHL, Kd(490), PAR, SST 값을 각각 10%씩 감소시킨 후 순차적으로 계산한 연구지역의 일차생산량을, 정상적으로 산출한 결과와 비교한 그래프이다. CHL만 10% 감소시킨 경우에는 일차생산량이 마찬가지로 감소한 결과를 보였으며(Fig. 3(a)), Kd(490)만 감소시킨 경우에는 일차생산량이 증가하였다(Fig. 3(b)). 두 경우 모두 각각 결과 값이 모든 픽셀에서 일정한 변화량을 유지하는 것으로 보이며, 두 요인의 변화량도 10% 내외로 서로 비슷한 수준인 것으로 나타났다. PAR만 10% 감소시켜 분석한 경우에는 결과 일차생산량에 거의 변화가 없는 것으로 판단된다(Fig. 3(c)). SST만 10% 감소시킨 경우에는 결과 일차생산량 값에 큰 변화를 보였으며, 일차생산량 값이 커질수록 각 픽셀의 변화량값 범위가 넓게 분포하는 것으로 나타났다(Fig. 3(d)). 2013년 7월 25일과 8월 25일의 분석결과도 동일한 양상을 보였다. Fig. 4는 2013년 7월 25일에 대해 각 요인의 값을 10%씩 증가하여 계산된 각 픽셀별 민감도 값의 분포 히스토그램을 보여준다. CHL과 Kd(490)은 각각 0.8 및 -0.9090 값으로 중심으로 각 픽셀들의 민감도 값이 일정한 분포를 보이고 있음을 알수 있다(Fig. 4(a), (b)). PAR의 경우에는 대부분 픽셀의 민감도 값이 0.065 부근의 낮은 값에서 형성되고 있으며(Fig. 4(c)), SST는 상대적으로 큰 민감도 값을 가지는 픽셀들이 -0.5에 서 -2사이의 범위에서 넓게 분포하고 있다(Fig. 4(d)). 연구에 사용된 세개 날짜의 자료들에 대해, 각 요인별로 5% 및 10% 증가와 감소 후 일차생산량을 계산하고 수행한 민감도 분석결과, 각 픽셀별 민감도의 최소값, 최대값, 평균 및 표준편차 값을 Table 1에 표시하였다. 각 요인별로 보면, CHL은 모든 경우에서 민감도의 최소값, 최대값, 평균, 표준편차가 소수점 4째 자리까지 같은 것으로 나타나 그 변화량의 크기나 증감에 관계없이 일차생산량 결과에 일정한 영향을 주는 것으로 분석되었다. 평균 민감도는 세 날짜에서 각각 0.7887, 0.9806, 0.8584 로 일차생산량 계산 결과에 적지 않은 영향을 주는 것 으로 나타났다. Kd(490)은 증가 혹은 감소 및 값의 변화량에 따라 일차생산량 결과에 주는 영향이 미세하게 다른 것으로 나타났으나, 유사한 민감도를 가지며 표준편차는 모든 경우에서 0으로 나타나, CHL과 마찬가지로 변화량에 차이에 따라 결과에 일정한 영향을 주는 것으로 나타났다. 다만, 민감도의 값은 CHL 보다 약간 높은 것으로 분석되었다. PAR는 모든 경우에서 0.1보다 작은 민감도 값을 보여 PAR 값의 변화가 일차생산량 계산 결과에 주는 영향이 매우 적은 것으로 분석되었다. SST의 경우는, 픽셀별로 민감도 값의 편차가 크고 민감도 자체도 다른 요인들에 비해 차별적으로 큰 값을 보였다. 즉, 연구지역에서 일차생산량 계산에 가장 큰 영향을 주는 요인은 SST이며, Kd(490)과 CHL도 중요 인자이지만, PAR는큰 영향을 주지 않는 것으로 판단된다. 위성자료를 활용하여 연구지역에서 일차생산량을 추정할 때, 모든 요인의 정확도가 물론 중요하지만, SST의 정확도가 떨어질 경우 일차생산량 계산 결과에 큰 오류가 있을 것으로 판단된다. 따라서 국외위성 기반의 SST는 물론, 천리안 기상위성 등 국내의 위성자료를 활용한 SST 자료의 개발과 함께 충분한 현장자료를 활용한 검증이 한반도 주변해역의 일차생산량 분석을 위해 중요할 것으로 판단된다. 또한, 이 연구에서 GOCI 산출물은 시간별로 취득된 8개 영상을 합성한 일별자료이나 SST의 경우 단일 시간의 자료로부터 일별 값을 추정한 것이므로, 이에 따른 영향도 고려하여야 일차생산량 결과의 정확도를 높일 수 있을 것으로 판단된다.

OGCSBN_2020_v36n2_2_237_f0003.png 이미지

Fig. 3. Comparisons between primary production on 13 August 2013 estimated using original parameters and that using (a) 10% decrease CHL values, (b) 10% decrease Kd (490) values, (c) 10% decreased PAR values, and (d) 10% decreased SST values.

OGCSBN_2020_v36n2_2_237_f0004.png 이미지

Fig. 4. Graphs showing the distribution of sensitivity values for the primary production estimates on 25 July 2013 using (a) 10% increased CHL values, (b) 10% increased Kd (490) values, (c) 10% increased PAR values, and (d) 10% increased SST values.

Table 1. Results of sensitivity analysis of primary production algorithm in this study

OGCSBN_2020_v36n2_2_237_t0001.png 이미지

4. 결론 및 토의

이 연구에서는 우리나라 동해 남서부 연안해역을 대상으로 GOCI 자료를 이용하여 작성된 CHL, PAR, Kd(490) 및 국외위성 기반의 SST를 이용하여 해양의 일차생산량 지도를 작성하고, 각 인자들에 대한 민감도 분석을 실시하여 어떤 인자가 연구지역 일차생산량 추정에 중요한 인자인지 검토하였다. GOCI 자료를 이용한 일차생산량 추정 결과, 광범위한 냉수대가 발현한 2013년 7월 25일과 대규모 적조가 발생한 2013년 8월 13일에는 평균 1,012 mg C m-2 d-1 및 1,945 mg C m-2 d-1로 높게 분석되었으며, 적조가 물러나고 냉수대가 잦아든 2013년 8월 25일에는 평균 778 mg C m-2 d-1의 일차생산량을 보여 앞선 연구의 결과와 높은 일치성을 보였다. 연구지역은 높은 일차생산량을 보이는 것으로 잘 알려진 지역이며, 주로 MODIS 등 국외위성을 활용한 일차생산량 연구가 많이 진행된 지역이다. 이 연구의 결과, 연구지역에서 기 개발된 알고리즘을 활용한 일차생산량 연구에 GOCI 자료 또한 활용 가능함을 알수 있었다. 특히, 하루 8회 영상획득이 가능한 GOCI를 적용함으로써 CHL, PAR, Kd(490) 등 일차생산량 추정 알고리즘 입력변수들이 국외의 극궤도 위성에 비해 높은 정확도로 산출 가능하므로, 더욱 정밀도가 높은 일차생산량 추정이 가능할 것으로 판단된다.

CHL, PAR, Kd(490), SST 각 인자별로 5%, 10% 감소 및 증가시킨 후 일차생산량을 산출하고 이를 정상값으로 산출한 값과 비교한 민감도 분석 결과, SST 값의 변화가 일차생산량 계산 결과에 가장 큰 영향을 주는 것으로 분석되었다. CHL은 5%, 10% 변화를 주고 일차생산량을 계산하였을 때 결과에 적지 않은 영향을 주었으며, 특히 대규모 적조 발생으로 CHL이 높았던 2013년 8월 13일은 결과값에 더욱 큰 변화가 없었다. Kd(490)은 5%, 10% 변화를 준 경우 모두 CHL에 비해 상대적으로 높은 민감도를 보였으나, 분석된 세 날짜 간의 편차는 없었다. CHL과 Kd(490) 두 경우 모두 일차생산량 결과 모든 픽셀에서 일정한 변화량을 유지하는 것으로 나타났으며, 평균 민감도 각각 0.7887 ~ 0.9806, -1.1111 ~ -0.9091이었다. PAR는 5%, 10% 증가 및 감소 등 모든 경우에서 일차생산량 결과에 큰 변화가 없는 것으로 나타났고, 평균 민감도는 0.0671 ~ 0.0903이었다. 그러나, SST는 값에 변화를 주고 일차생산량을 계산하였을 때 결과값에 큰 변화를 가져왔으며, 일차생산량 값이 커질수록 각 픽셀의 변화량 값 범위가 넓게 분포하였다. 2013년 8월 25일의 경우에는 -10.4845의 높은 민감도를 보였다. 즉, 연구 지역에서 일차생산량 계산 시 진광층의 깊이와 엽록소 농도 역시 중요하지만, 해수면 온도의 경우는 자료에 오류가 있을 경우 일차생산량 계산 결과에 큰 오류를 가져올 수 있는 것으로 분석되었다.

이 연구의 결과는 동해 연안에 적합하도록 개발된 일차생산량 알고리즘을 적용하여 민감도 분석을 실시한 결과이므로, 연구지역과 비슷한 타 case-1 해역에서도 민감도 분석을 수행하여 비교 분석할 필요가 있을 것으로 판단된다. 또한, MODIS 등 극궤도 해색위성을 활용 한 민감도 분석 역시 GOCI 자료와 비교에 도움이 될것으로 판단된다.

사사

이 연구는 한국해양과학기술원의 “생지화학 순환 및 해양환경변동 연구” 사업 및 해양수산부의 “국가해양영토 광역 감시망 구축 기반연구” 사업의 지원으로 수행 되었습니다.

Acknowledgement

Grant : 생지화학 순환 및 해양환경변동 연구, 국가해양 영토 광역 감시망 구축 기반연구

Supported by : 한국해양과학기술원, 해양수산부

References

  1. Ahn, J.-H., Y.-J. Park, W. Kim, and B. Lee, 2016. Simple aerosol correction technique based on the spectral relationships of the aerosol multiple-scattering reflectances for atmospheric correction over the oceans, Optics Express, 24(26): 29659. https://doi.org/10.1364/OE.24.029659
  2. Ahn, J.-H., Y.-J. Park, W. Kim, B. Lee, and I. S. Oh, 2015. Vicarious calibration of the Geostationary Ocean Color Imager, Optics Express, 23(18): 23236. https://doi.org/10.1364/OE.23.023236
  3. Behrenfeld, M. J. and P. G. Falkowski, 1997. Photosynthetic rates derived from satellite-based chlorophyll concentration, Limnology and Oceanography, 42(1): 1-20. https://doi.org/10.4319/lo.1997.42.1.0001
  4. Behrenfeld, M. J., J. T. Randerson, C. R. McClain, G. C. Feldman, S. O. Los, C. J. Tucker, P. G. Falkowski, C. B. Field, R. Frouin, W. E. Esaias, D. D. Kolber, and N. H. Pollack, 2001. Biospheric Primary Production During an ENSO Transition, Science, 291(5513): 2594-2597. https://doi.org/10.1126/science.1055071
  5. Campbell, J., D. Antoine, R. Armstrong, K. Arrigo, W. Balch, R. Barber, M. Behrenfeld, R. Bidigare, J. Bishop, M.-E. Carr, W. Esaias, P. Falkowski, N. Hoepffner, R. Iverson, D. Kiefer, S. Lohrenz, J. Marra, A. Morel, J. Ryan, V. Vedernikov, K. Waters, C. Yentsch, and J. Yoder, 2002. Comparison of algorithms for estimating ocean primary production from surface chlorophyll, temperature, and irradiance, Global Biogeochemical Cycles, 16(3): 9-1-9-15. https://doi.org/10.1029/2001GB001444
  6. Carr, M.-E., M. A. M. Friedrichs, M. Schmeltz, M. Noguchi Aita, D. Antoine, K. R. Arrigo, I. Asanuma, O. Aumont, R. Barber, M. Behrenfeld, R. Bidigare, E. T. Buitenhuis, J. Campbell, A. Ciotti, H. Dierssen, M. Dowell, J. Dunne, W. Esaias, B. Gentili, W. Gregg, S. Groom, N. Hoepffner, J. Ishizaka, T. Kameda, C. Le Quere, S. Lohrenz, J. Marra, F. Melin, K. Moore, A. Morel, T. E. Reddy, J. Ryan, M. Scardi, T. Smyth, K. Turpie, G. Tilstone, K. Waters, and Y. Yamanaka, 2006. A comparison of global estimates of marine primary production from ocean color, Deep Sea Research Part II: Topical Studies in Oceanography, 53(5-7): 741-770. https://doi.org/10.1016/j.dsr2.2006.01.028
  7. Choi, J. K., J. E. Min, J. H. Noh, T. H. Han, S. Yoon, Y. J. Park, J. E. Moon, J. H. Ahn, S. M. Ahn, and J. H. Park, 2014. Harmful algal bloom (HAB) in the East Sea identified by the Geostationary Ocean Color Imager (GOCI), Harmful Algae, 39: 295-302. https://doi.org/10.1016/j.hal.2014.08.010
  8. Choi, J. K., Y. J. Park, J. H. Ahn, H. S. Lim, J. Eom, and J. H. Ryu, 2012. GOCI, the world's first geostationary ocean color observation satellite, for the monitoring of temporal variability in coastal water turbidity, Journal of Geophysical Research: Oceans, 117(9): 1-10.
  9. Dash, P., A. Ignatov, M. Martin, C. Donlon, B. Brasnett, R. W. Reynolds, V. Banzon, H. Beggs, J.-F. Cayula, Y. Chao, R. Grumbine, E. Maturi, A. Harris, J. Mittaz, J. Sapper, T. M. Chin, J. Vazquez-Cuervo, E. M. Armstrong, C. Gentemann, J. Cummings, J.-F. Piolle , E. Autret, J. Robert-Jones, S. Ishizaki, J. L. Hoyer, and D. Poulter, 2012. Group for High Resolution Sea Surface Temperature (GHRSST) analysis fields intercomparisons-Part 2: Near real time web-based level 4 SST Quality Monitor (L4-SQUAM), Deep Sea Research Part II: Topical Studies in Oceanography, 77-80: 31-43. https://doi.org/10.1016/j.dsr2.2012.04.002
  10. Field, C. B., 1998. Primary Production of the Biosphere: Integrating Terrestrial and Oceanic Components, Science, 281(5374): 237-240. https://doi.org/10.1126/science.281.5374.237
  11. Forget, M., C. Fuentes-Yaco, S. Sathyendranath, T. Platt, J. Pommier, and E. Devred, 2007. Computation of primary production from remote sensing of ocean colour at the northwestern Atlantic CSOLAS Lagrangian site, Marine Ecology Progress Series, 352: 27-38. https://doi.org/10.3354/meps07223
  12. Frouin, R. and J. McPherson, 2012. Estimating photosynthetically available radiation at the ocean surface from GOCI data, Ocean Science Journal, 47(3): 313-321. https://doi.org/10.1007/s12601-012-0030-6
  13. Gupta, H. and S. Razavi, 2017. Chapter 20 - Challenges and Future Outlook of Sensitivity Analysis, In: Petropoulos, G.P., Srivastava, P.K. (Ed.), Sensitivity Analysis in Earth Observation Modelling, Elsevier, Amsterdam, Netherlands, pp. 397-415.
  14. Hu, C., K. L. Carder, and F. E. Muller-Karger, 2000. Atmospheric Correction of SeaWiFS Imagery over Turbid Coastal Waters, Remote Sensing of Environment, 74(2): 195-206. https://doi.org/10.1016/S0034-4257(00)00080-8
  15. Joo, H., J. W. Park, S. Son, J.-H. Noh, J.-Y. Jeong, J. H. Kwak, S. Saux-Picart, J. H. Choi, C.-K. Kang, and S. H. Lee, 2014. Long-term annual primary production in the Ulleung Basin as a biological hot spot in the East/Japan Sea, Journal of Geophysical Research: Oceans, 119(5): 3002-3011. https://doi.org/10.1002/2014JC009862
  16. Jorgensen, S.E., 2011. Fundamentals of Ecological Modelling, Elsevier, Amsterdam, Netherlands.
  17. Kameda, T., 2003. Studies on oceanic primary production using ocean color remote sensing data, Bulletin of Fisheries Research Agency, 9: 118-148.
  18. Kameda, T. and J. Ishizaka, 2005. Size-fractionated primary production estimated by a two-phytoplankton community model applicable to ocean color remote sensing, Journal of Oceanography, 61(4): 663-672. https://doi.org/10.1007/s10872-005-0074-7
  19. Kim, D. W., Y. H. Jo, J. K. Choi, J. G. Choi, and H. Bi, 2016. Physical processes leading to the development of an anomalously large Cochlodinium polykrikoides bloom in the East sea/Japan sea, Harmful Algae, 55: 250-258. https://doi.org/10.1016/j.hal.2016.03.019
  20. Kim, J., H. Yang, J.-K. Choi, J.-E. Moon, and R. Frouin, 2016. Estimating Photosynthetically Available Radiation from Geostationary Ocean Color Imager (GOCI) Data, Korean Journal of Remote Sensing, 32(3): 253-262 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2016.32.3.5
  21. Kim, W., J.-E. Moon, Y.-J. Park, and J. Ishizaka, 2016. Evaluation of chlorophyll retrievals from Geosta - tionary Ocean Color Imager (GOCI) for the North-East Asian region, Remote Sensing of Environment, 184: 482-495. https://doi.org/10.1016/j.rse.2016.07.031
  22. Kirk, J.T.O., 1994. Light and Photosynthesis in Aquatic Ecosystems: 2nd Edition, Cambridge University Press, Cambridge, UK.
  23. Kwak, J. H., S. H. Lee, H. J. Park, E. J. Choy, H. D. Jeong, K. R. Kim, and C. K. Kang, 2013. Monthly measured primary and new productivities in the Ulleung Basin as a biological "hot spot" in the East/Japan Sea, Biogeosciences Discussions, 10(2): 2127-2158. https://doi.org/10.5194/bgd-10-2127-2013
  24. Moon, J.-E., Y.-J. Park, J.-H. Ryu, J.-K. Choi, J.-H. Ahn, J.-E. Min, Y.-B. Son, S.-J. Lee, H.-J. Han, and Y.-H. Ahn, 2012. Initial validation of GOCI water products against in situ data collected around Korean peninsula for 2010-2011, Ocean Science Journal, 47(3): 261-277. https://doi.org/10.1007/s12601-012-0027-1
  25. Morel, A., Y. Huot, B. Gentili, P. J. Werdell, S. B. Hooker, and B. A. Franz, 2007. Examining the consistency of products derived from various ocean color sensors in open ocean (Case 1) waters in the perspective of a multi-sensor approach, Remote Sensing of Environment, 111(1): 69-88. https://doi.org/10.1016/j.rse.2007.03.012
  26. Noh, J. H., W. Kim, S. H. Son, J.-H. Ahn, and Y.-J. Park, 2018. Remote quantification of Cochlodinium polykrikoides blooms occurring in the East Sea using geostationary ocean color imager (GOCI), Harmful Algae, 73: 129-137. https://doi.org/10.1016/j.hal.2018.02.006
  27. O'Reilly, J. E., S. Maritorena, B. G. Mitchell, D. A. Siegel, K. L. Carder, S. A. Garver, M. Kahru, and C. McClain, 1998. Ocean color chlorophyll algorithms for SeaWiFS, Journal of Geophysical Research: Oceans, 103(C11): 24937-24953. https://doi.org/10.1029/98JC02160
  28. Park, Y.S. and S. Lek, 2016. Chapter 7 - Artificial Neural Networks: Multilayer Perceptron for Ecological Modeling, In: S.E. Jorgensen (Ed.), Developments in Environmental Modelling, Elsevier, Amsterdam, Netherlands, pp. 123-140.
  29. Siswanto, E., J. Ishizaka, and K. Yokouchi, 2006. Optimal primary production model and parameteri - zation in the eastern East China Sea, Journal of Oceanography, 62(3): 361-372. https://doi.org/10.1007/s10872-006-0061-7
  30. Yamada, K., J. Ishizaka, and H. Nagata, 2005. Spatial and Temporal Variability of Satellite Primary Production in the Japan Sea from 1998 to 2002, Journal of Oceanography, 61(5): 857-869. https://doi.org/10.1007/s10872-006-0005-2
  31. Yoon, S. and H. Yang, 2016. Study on the temporal and spatial variation in cold water zone in the East Sea using satellite data, Korean Journal of Remote Sensing, 32(6): 703-719 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2016.32.6.14