Feasibility Assessment of Spectral Band Adjustment Factor of KOMPSAT-3 for Agriculture Remote Sensing

농업관측을 위한 KOMPSAT-3 위성의 Spectral Band Adjustment Factor 적용성 평가

Abstract

As the number of multispectral satellites increases, it is expected that it will be possible to acquire and use images for periodically. However, there is a problem of data discrepancy due to different overpass time, period and spatial resolution. In particular, the difference in band bandwidths became different reflectance even for images taken at the same time and affect uncertainty in the analysis of vegetation activity such as vegetation index. The purpose of this study is to estimate the band adjustment factor according to the difference of bandwidth with other multispectral satellites for the application of KOMPSAT-3 satellite in agriculture field. The Spectral band adjustment factor (SBAF) were calculated using the hyperspectral satellite images acquired in the desert area. As a result of applying SBAF to the main crop area, the vegetation index showed a high agreement rate of relative percentage difference within 3% except for the Hapcheon area where the zenith angle was 25. For the estimation of SBAF, this study used only one set of images, which did not consider season and solar zenith angle of SBAF variation. Therefore, long-term analysis is necessary to solve SBAF uncertainty in the future.

국내 외 다중분광 위성의 수가 증가하고 자료를 획득할 수 있는 경로가 넓어짐에 따라 원하는 시기의 영상 취득 및 활용이 가능할 것으로 기대된다. 하지만 다른 촬영시간, 주기 및 공간해상도를 가지기 때문에 자료의 불일치 문제가 존재한다. 특히, 밴드대역폭 차이는 동일한 시기에 촬영된 영상일지라도 서로 다른 반사도를 산출하며, 식생지수와 같은 식생 활력도 분석에 있어 큰 불확실성이 발생한다. 본 연구는 KOMPSAT-3의 농업분야 활용을 위해 타 다중분광위성과의 밴드대역폭 차이에 따른 Spectral Band Adjustment Factor(SBAF)를 산정하고 실제 적용을 통해 융합 활용 가능성을 평가하였다. 사막지역에서 취득된 초분광 위성영상을 활용하여 SBAF를 산정하였고, 작물 주산지 지역에 SBAF를 적용한 결과 식생지수는 천정각이 24도로 촬영된 합천지역을 제외한 다른 지역에서 상대백분율 차이가 3% 이내로 높은 일치율을 보였다. SBAF 산정을 위해 본 연구는 한 세트의 영상을 활용하였고 이는 SBAF의 계절 및 태양 천정각에 따른 변화를 고려하지 않아 불확실성이 높을 것으로 판단되며, 향후 이러한 문제를 해결하기 위해 장기간 분석이 필요할 것으로 판단된다.

1. 서론

원격탐사 기법은 비접근 지역에 대해서 관측이 가능하며 넓은 지역에 대해 주기적으로 신뢰도 높은 분광자료를 취득 할 수 있다. 광역의 공간 및 시간적 특성 분포는 원격탐사가 지닌 가장 큰 강점이며 이러한 장정에 의해 농업, 수문, 환경 등 많은 분야에 활발하게 적용되어왔다(Baek et al., 2017).

국내·외 다중분광 위성의 수가 증가하고 자료를 획득할 수 있는 경로가 넓어짐에 따라 위성영상 활용 연구가 활발히 진행되고 있다. 위성영상의 농업 분야 적용되는 연구사례의 경우 광학(다중분광)영상을 활용해서 농경지 추출 및 맵핑, 비접근 지역을 포함한 생산량 추정, 작물별 생육정보 추출 등에 활용되고 있음을 알 수 있다. 연구에 활용되는 영상들은 과거의 경우 중저해상도 영상의 활용한 연구가 주를 이루었으나 현재 영상취득의 다양화, 고해상도 영상의 증가에 맞춰 고해상도 영상의 활용이 두드러지게 나타났다(Kim et al., 2014).

국내 관련 선행연구를 살펴보면, Hong et al.(2012a)은 RapidEye 영상을 이용하여 북한의 논 면적을 산정하였으며, Na et al.(2012)은 전국을 대상으로 기상요소와Moderate Resolution Imaging Spectroradiometer(MODIS) Normalized difference vegetation index(NDVI)를 이용하여 한국형 논벼 생산량 예측 모형을 개발하였다. 또한, Hong et al.(2012b)은 MODIS NDVI와 수량과의 상관성이 높은 시기를 선택하여 기상자료와 함께 다중 회귀모형 기반으로 우리나라 벼 수량을 추정하였다. 국외 연구 사례로 Ustunera(2014)은 터키 농업 지역에 대해 RapidEye 영상을 이용하여 NDVI, Normalized Difference Red Edge Index(NRDE), Green Normalized Difference Vegetation Index(GNDVI)밴드를 생성 후 Support Vector Machine(SVM)을 이용하여 분류 및 평가를 하였고 식물 엽록소 변화에 민감한 Red Edge 밴드를 이용하여 생성된 NDRE를 포함한 분류 결과의 정확도가 가장 높음을 확인하였다. Rojas(2007)는 SPOT NDVI와 농업 기상자료를 물수지 모형에 입력하여 케냐의 옥수수 수량을 추정하였으며, Ren et al.(2008)은 MODIS NDVI를 이용하여 중국 산동 반도의 겨울 밀 수량을 추정하고 그 결과를 농업기후 모형을 이용한 수량 추정 결과와 비교하였다.

원격탐사를 이용한 농업분야 활용 연구는 단일 광학센서 혹은 이종센서 간 영상융합을 통한 작황, 생육모니터링 연구가 주로 수행되었다(Byun and Choi, 2012; Choi et al., 2011). 하지만 Visible and Near-InfraRed(VNIR) 대역을 가지는 동종 광학센서 간 영상 융합 기법에 대한 농업분야 활용 연구는 상대적로 미진한 실정이다.

국외의 경우 동종 광학센서 간 영상을 함께 활용하기 위한 노력이 진행되고 있다. 미항공우주국과 유럽우주국의 경우 대표적으로 활용되는 지구관측 위성인 Landsat-8 위성과 Sentinel-2 위성의 융합 활용을 위한 Harmonized Landsat Sentinel-2(HLS) 프로젝트를 진행중에 있으며(Claverie et al., 2018) Committee on Earth Observation Satellites(CEOS)는 다양한 위성의 동일한 반사도를 산출하기 위한 검보정(Calibration & Validation) Site를 운영중에 있다(CEOS, 2013).

다목적 실용위성과 향후 발사 될 차세대 중형위성(국토위성, 농림업위성)은 목적에 따라 유사하지만 다른 분광대역과 공간 및 시간해상도를 가질 것으로 예상된다. 이러한 위성영상을 융합하여 활용 할 경우 농업분야에서는 매우 중요한 작물의 생육에 따른 주기적 모니터링 및 작황추정의 신뢰성을 높일 수 있으며, 나아가 가격 변동성이 큰 국외 농작물의 작황 추정도 가능할 것으로 기대된다.

하지만 영상 융합 활용에 앞서 각 위성이 가지는 센서의 특성차이가 고려되어야 한다. 특히 작물의 식생 활력도와 같은 NIR 밴드의 경우 작은 차이라도 NDVI와 같은 비율함수에 큰 영향을 주기 때문에 영상의 융합 활용에 있어 서로 다른 위성이 가지는 분광대역의 차이에 따라 산정되는 반사도가 달라지며 이에 대한 보정이 필요하다. 본 연구는 다목적실용위성(KOrea Multi-Pupose Satellite-3, K3)의 분광학적 활용을 위해 전 세계에서 대표적으로 사용되고 있는 Landsat-8(L8), Sentinel-2(S2) 위성과의 밴드대역폭 차이에 따른 반사도차이를 극복하기 위한 밴드조정계수(Spectral Band Adjustment Factor, SBAF)를 산정하고 실제 적용을 통해 영상간의 융합 활용 가능성을 평가하였다.

2. 연구재료

1) 연구지역 및 영상수집

영상의 복사검보정에 가장 적합한 지역은 공간 및 분광적으로 균질(homogeneous) 해야 하며 시간적으로 변하지 않고 비교적 높은 표면 반사도를 가져야 한다. 이러한 조건을 만족하는 안정된 의사불변검보정사이트(Pseudo-Invariant Calibration Sites, PICS)는 지구관측위성의 교차검보정(Radiometric Cross Calibration)을 수행하는데 일반적으로 사용된다(Dinguirard and Slater, 1999). 특히 사막 지역은 안정적인 광학적 특성을 가지고 있어서 많은 위성 센서의 대리 검보정을 위한 장소로 이용되어 왔다. 여러 Calibration sites 들은 CEOS를 통해 개발되었으며(USGS, 2013), 이 장소들은 Libya, Algeria, Niger 그리고 Mauritania에 위치하고 있다(Fig. 1).

Fig 1. Reference Sandard Calibration Site (USGS, 2013).

밴드조정계수 산정 및 검증을 위해 본 연구에서는 Libya-4 PICS에서 촬영된 다중분광위성영상을 사용하였다. 동일날짜에 모든 위성이 촬영되었을 경우 가장 이상적 이지만 위성의 궤도환경에 따른 한계가 있어, 본 연구에서는 3일내로 촬영된 영상 1 Set을 이용하였다. SBAF 산정을 위한 초분광 위성영상은 현재 임무가 종료되었지만, 과거 영상자료를 지속적으로 USGS에서 제공하고 있다.

SBAF 산정 후 그 결과를 실제 식생에 검증하기 위해 마늘, 양파 및 배추 주산지인 합천과 해남지역 그리고 쌀 생산량이 가장 높은 김제평야지역에 대한 동일한 날짜의 영상을 수집하였다. 모든 영상은 방사보정 된 Level 1R 영상을 사용하였으며 수치지도와 Digital Elevation Model(DEM)을 사용하여 정사보정을 수행하였다. Fig. 2는 본 연구에서 수집된 영상을 보여주며, Table 1은 수집된 영상에 대한 촬영정보를 나타낸다. SBAF 산정을 위한 위성의 경우 초분광 영상인 EO-1 Hyperion(EO-1)과 K3 위성이 동일한 날짜에 취득되었으며, 전/후 하루간격으로 L8, S2 영상이 촬영되었다. 검증을 위한 국내 지역의 경우 김제 및 합천지역의 경우 동일한 날짜에 취득되었다. K3의 경우 국내의 많은 영상 수요에 의해 영상취득이 어려운 한계점을 가지기 때문에 위성 천정각이 5도 이하인 해남영상의 경우 타위성과 3일 차이가 나는 영상을 취득하였다.

Fig. 2. Study Area and Image Use (a) Libya-4 PICS (b) Hapcheon (c) Kimje (d) Haenam.

Table 1. Image collecting information

1) yy-mm-dd, 2) astronomical units, 3) Zenith, Azimuth units : degree

2) 위성 자료

본 연구를 위해 초분광 위성 EO-1 Hyperion과 다중분광 위성 K3, S2, L8 영상이 수집되었다. L8위성과 S2위성의 경우 주기적으로 지구를 관측하고 있으며, 무료로 영상을 획득 할 수 있어 세계에서 대표적으로 사용되고 있는 다중분광 영상이다.

K3는 70 cm 지상해상도를 가지는 광학관측 카메라를 탑재한 지구 저궤도용 위성으로 대한민국 최초이며 세계에서 4번째로 sub-meter급 해상도와 기동성능을 갖춘 위성이다. K3의 Advanced Earth Imaging Sensor System (AEISS) 센서는 push-broom 방식의 센서로 상공에서 16.8 km의 촬영 폭으로 지표면을 스캔한다. K3는 2.8 m 공간해상도인 4개의 다중분광 밴드를 가진다. 또한 K3는 14 bit의 방사해상도를가지며 재해재난관리, 국토 관리, 환경&midot;기상 분야에 활용 등 국가 영상정보 수요를 충족하기 위해 폭넓게 활용되고 있다.

유럽우주국에서 코페르니쿠스 프로그램의 일환으로 개발된 S2 지구관측 위성은 Push-broom 형식으로 290 km의 넓은 관측 폭을 가지며, 13개 밴드의 다중분광 위성으로 최대 10 m급 공간해상도, 2~3일의 짧은 재방문 주기와 더불어 전처리가 완료된 위성영상의 제공을 통해 농업관측에 활용가능성이 매우 높다.

EO-1 위성은 다중분광센서인 ALI, 초분광 센서인 Hyperion, 대기 보정용 센서 Atmospheric Corrector(AC)를 탑재하고 Landsat 위성과 동일궤도를 5분을 두고 돌고 있다. Hyperion 센서는 10 nm의 폭을 지닌 연속된 밴드를 통해 400 nm에서 2,400 nm 파장대 자료를 12 bit의 방사해상도, 30 m의 공간 해상도로 기록한다. 일반적으로 총 242개 밴드 중 대기 흡수 밴드와 신호대 잡음비(Signal-to-Noise Ratio, SNR)가 낮은 밴드를 제외한 196개 밴드가 이용된다.

Landsat-7 ETM+와 EO-1 ALI 센서의 다음 세대인 L8 Operational Land Imager(OLI)는 감지기들이 선형으로 배열된 Push-broom센서로, 긴 integration 시간으로 높은 SNR(~130:1)의 자료를 획득할 수 있다. 공간 해상도는 30 m로 ALI와 ETM+와 동일하지만, 12 bit의 방사 해상도는 전 세대 센서인 ETM+의 8 bit보다 개선되어 더 정밀한 복사 에너지 값을 기록할 수 있다. 클로로필 흡수 파장대인 443 nm 중심의 해안/에어로졸 관련 밴드가 추가된 것이 특징이다. Fig. 3은 본 연구에서 사용된 K3, L8 그리고 S2 위성의 밴드대역폭을 보여주며 Table 2는 사용된 위성의 대한 제원을 나타낸다.

Fig. 3. Relative Spectral Response of K3 and other sensors.

Table 2. Sensor Specification

3. 연구방법

농업분야의 타 지구관측위성과 다목적실용위성의 융합 활용 가능성을 평가하기 위해 본 연구에서는 반사도가 일정하고 대기가 안정적인 Libya-4 PICS에서 수집된 영상을 이용해 SBAF를 산정하였다. 산정된 SBAF를 적용하기 위해 식량작물 및 채소 주산지인 김제, 합천 그리고 해산지역에서 촬영된 K3영상과 동시기에 촬영된 타 위성영상과 비교 분석하였다. 모든 영상은 L1R 영상을 수집하여 정사보정 및 TOA Reflectance 변환을 수행하였으며 각 영상별 동일지점으로 1000 Point 이상을 선정하여 pixel-by-pixel로 비교하였다.

1) 정사보정 및 표본추출

본 연구에서 사용된 모든 위성 영상은 ERDA Leica Photogrammetry Suite(LPS)에 의해 처리되었. L8, S2 영상에 각각 대응하는 K3 영상을 기준으로 GCP를 선정하고 기하보정을 수행하였다. 다음으로 USGS 에서 제공하는 30 m 공간해상도를 가지는 수치지도 DEM 자료와 결합하여 정사보정이 수행되었다. 최종적으로 정사보정된 K3 영상에 대해 X and Y 평균제곱근오차(RMSE) 는 0.5 pixel 이하로 나타났다.

서로 다른 센서에 의해 획득된 영상들 간 방사학적 특성을 비교하기 위해서 각 영상들의 공간해상도를 동일하게 만들어주는 작업이 필요하다. 그러나 일반적으로 서로 다른 센서에 의해 획득된 영상들은 동일한 해상도, 기준 타원체, 그리고 투영법을 사용해도 픽셀 시작점의 좌표가 일치하지 않는 문제가 있다. 또한, 영상처리 과정에서 소수점 이하 정밀도에 따라 발생하는 오차도 고려되어야 한다. 이러한 문제를 해결하는 방법으로 n번째 픽셀에 중첩되는 모든 값을 샘플링하고 평균을 구하여 그 값을 n번째 픽셀의 값으로 선택하여 사용하는 방법이 널리 채택되고 있다(Bian, 1997).

본 연구도 이상에 언급한 방법을 채택하여 해당 위성의(20 m or 30 m) 공간해상도를 가지는 임의의 영상을 생성하고, 영상의 픽셀과 동일한 위치에 동일한 크기를 가지는 polygon shape 파일을 생성하였다. 각 영상들에서 이렇게 생성된 polygon 영역에 중첩되는 픽셀들의 평균과 표준편차를 계산하였고, 이들 중 ±1.96σ 이내에 속하는 자료만을 추출하여 영상들 간 분석은 Pixel-by-Pixel로 비교를 수행하였다.

2) 대기상층 반사도

대기상층 반사도(Top-Of-Atmosphere reflectance, TOA Reflectance)는 영상간의 복사조도 차이를 감소(reduce illumination differences)와 태양복사조도 정규화 (normalizing for solar irradiance)를 위해 사용되며, 대기효과(atmospheric effects) 나 지형효과(surface topographic effects)를 보정하지 않기 때문에 지구표면반사도(earth surface reflectance)와 대기반사도(atmospheric reflectance)를 포함하고 있다(Zhang et al., 2014).

본 연구는 동일지역, 근접한 시간에 촬영되는 영상을 획득하여 비교하므로 지형효과와 대기효과를 최소화 할 수 있다. 다른 센서로부터 획득된 영상의 방사학적 품질을 비교할 때 TOA radiance 대신 TOA reflectance를 이용할 경우, 자료 획득에 따른 시간 차이로 인해 다른 태양 천정각(solar zenith angle)에 의한 대기투과도 효과 제거가 가능하며, 분광밴드 차이로부터 발생하는 대기 최상부에서의 태양분광 복사조도(exo-atmospheric solar irradiance)의 상이한 값을 상쇄시킨다(Chander t al., 2009). 본 연구에서 사용된 TOA Reflectance(ρlambda;) 산정식은 식 (1)과 같다.

\(\rho_{\lambda}=\frac{\pi \cdot L_{\lambda} \cdot d^{2}}{E S U N_{\lambda} \cdot \cos \theta_{s}} d^{2}\)       (1)

ρ_λ is TOA Reflectance (W/m²–μm–sr)

ESUN_λ is mean solar exo-atmospheric irradiance(W/m²–μm)

θ_s is solar zenith angle (radians)

L_λ is spectral radiance (from earlier step)

d² is earth-sun distance (astronomical units)

TOA Radiance(Lλ)를 산정하기 위해 본 연구는 K3, L8의 경우 각 밴드별로 변환에 필요한 계수가 제공되므로 이를 이용하여 복사 에너지 값을 산출할 수 있다. 식 (2)와 같이 1차 선형식과 영상수집 당시 제공된 메타데이터로부터 얻은 계수를 이용하여 영상의 L_λ를 계산하였다. S2의 경우 기본적으로 TOA Reflectance로 제공된다.

\(L_{\lambda}=\operatorname{gain} \times D N+\text { bias }\)       (2)

L_λ is the cell value as radiance

DN is the cell value digital number

gain is the gain value for a specific band

bias is the bias value for a specific band

3) 분광밴드 조정계수

다양한 목적의 지구관측위성이 개발되고 있으며 유사한 VNIR 밴드를 가졌지만 그 목적에 따라 밴드의 대역폭은 서로 다르게 설계된다. 이러한 밴드대역폭의 차이는 동일한 지역과 시기에 촬영하더라도 상이한 반사도가 산출된다. 심지어 동일한 밴드대역폭을 가진다 하더라도 다른 상대분광응답반응(Relative Spectral Response, RSR) 을 가질 수 있기 때문에 실질적으로 측정되는 지표면의 복사에너지는 다르게 측정된다. 이러한 오차를 줄이기 위해 위성의 차 대리 검보정에 사용되는 방법은 서로 다른 RSR에 따른 불확실성을 고려하여 반사도가 일정한 테스트 사이트에서 대리 검보정을 수행하고 있다.

두 위성간 RSR 차이에 대한 보정은 초분광 위성 데이터를 이용한 분광프로파일(Spectral Profile)을 활용한다. 이러한 보정 방법을 Spectral Band Adjstment Factor(SBAF)로 알려져 있으며 식 (3)를 사용하여 산정한다(Chander et al., 2013).

\(\begin{array}{l} \bar{\rho}_{\lambda}(\text { Sensor })=\frac{\int \rho_{\lambda} \cdot R S R_{\lambda} d_{\lambda}}{\int R S R_{\lambda} d_{\lambda}} \quad S B A F=\frac{\overline{\rho_{\lambda}}(A)}{\bar{\rho}_{\lambda}(B)} \\ \overline{\rho_{\lambda}}\left(A^{*}\right)=\frac{\bar{\rho}_{\lambda}(A)}{S B A F} \end{array}\)       (3)

RSR_λ = the RSR of the sensor,

ρ_λ = hyperspectral TOA-R

\(\overline{\rho_{\lambda}}\)(A) = Simulated TOA-R for sensor A

\(\overline{\rho_{\lambda}}\)(B) = Simulated TOA R for sensor B

\(\overline{\rho_{\lambda}}\)(A*) = Compensated TOA-R for sensor A when using the SBAF to match sensor B

4) 정규화 식생지수

작물의 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 이상의 다른 식생지수가 원격탐사에서 사용되고 있다(Bannari et al., 1995). Rouse et al.(1974)은 건강한 식생은 적색영역(ρ(RED))은 대부분 흡수하고 적외선영역(ρ(NIR)) 은 50 % 이상을 반사하므로 적외선 부분에서 밝게 나타나는 반면에 병든 식생은 적외선의 반사율이 감소하며 적색영역의 반사율이 증가하는 특성을 이용하여 식 (4)와같이 NDVI 계산식을 개발하였다. 일반적으로 많이 알려진 NDVI는 주로 식생 활력도를 나타내며, -1.0 < NDVI < +1.0의 범위를 가지고, 1에 가까울수록 식생의 활력도가 아주 좋은 지역, 나대지 또는 사막은 거의 0에 가깝게 산출된다.

\(\mathrm{NDVI}=\frac{\rho(N I R)-\rho(R E D)}{\rho_{(N I R)}+\rho_{(R E D)}}\)       (4)

4. 결과 및 고찰

1) SBAF 산정 및 검증

Table 3은 밴드접합기법을 통해 시뮬레이션된 K3 및 L8의 TOA Reflectance, SBAF 및 모든 밴드대역에 TOA Reflectance에 대한 SBAF 보정 전후의 백분율 차이를 나타낸다. M.Ref는 실제 촬영된 영상 Digital Number를 TOA 반사도로 변환한 값이며 S.Ref는 촬영된 EO-1 Hyperion위성의 spectral profile자료와 각 위성의 분광응답함수(RSR)을 고려하여 Simulated된 반사도 자료를 나타낸다. 상대백율(% Diff)는 보정 전/후 대상위성을 기준으로 K3 위성과의 차이를 계산한 값이다.

Table 3. EO-1 Hyperion 10nm derived SBAF and Validation (K3, L8)

1) K3 Image Simulated TOA Reflectance from EO-1, 2) L8 Image Simulated TOA Reflectance from EO-1, 3) Measured TOA Reflectance on L8 4) Measured TOA Reflectance on K3 5)Compensated K3 TOA Reflectance (SBAF Apply), 6)[M.Ref(K3) – M.Ref(L8)] / [M.Ref (L8) * 100], 7) [A.Ref (K3) – M.Ref (L8)] / M. (Ref) L8I * 100

Blue 밴드의 경우 SBAF 보정 전 실제 측정된 K3와 L8의 TOA 반사도 차이는 0.6%, 상대 백분율 차이는 2%를 보였으며, 보정 후 차이는 0.2%, 상대백분율 차이는 0.8%로 감소하였다. Red 밴드의 경우 SBAF 보정 전 0.5%, 상대백분률 1.5%의 반사도차이가 나타났으며, 보정 후 차이는 1.5%, 상대백분률 0.6% 차이로 나타났다. Red 밴드는 반사율 차이 및 상대백분율 차이가 보정 전, 후 각각 1.8%, 4%에서 0.5%, 1.2 퍼세트를 보였다. NIR 밴드는 보정 전, 후 큰 차이를 보였는데 SBAF 보정 전 계측된 TOA반사도 차이가 -12.5% 상대백분율 21.9%에서 보정 후 TOA 반사도 3% 대백분율 5.7%를 보였다. NIR밴드의 경우 보정 전 L8 영상이 높은 반사도를 보였으나 보정 후 K3가 L8 반사도보다 높은 값을 보였으며, 이는 SBAF가 K3와 L8영상의 차이를 과대보상한 것을 의미한다.

동일한 방법으로 S2 위성과 K3 위성의 SBAF 산정 및 실제 영상과의 비교 결과는 Table 4와 같다. Blue 밴드는 SBAF 보정 전 실제 측정된 K3 와 S2의 TOA 반사도 차이는 0.1%, 상대 백분율 차이는 0.2%를 보였으며, 보정 후 차이는 0.2%, 상대백분율 차이는 0.1%로 증가하였으나 증가한 양의이 매우 미소하기 때문에 동일한 결과를 의미한다. Green 밴드는 보정 전 차이 및 상대 백분율차이가 0.5%, 1.4%에서 보정 후 1.4%, 1.1%로 과대 추정된 결과로 나타났다. Libya-4 PICS에서 32% 평균반사도를 가지는 K3 Green 밴드의 상대백분율 1%는 실제 반사도 0.3%를 의미하며, 이는 매우 작은 수치로 동일한 결과를 의미한다. Red밴드의 경우 보정 전 반사도 차이가 3.5%, 상대백분율이 7.6 퍼센트에서 보정 후 2.1% 상대백분율이 4.5%로 감소한 것을 확인하였다. NIR 밴드의 경우에는 반사도차이가 8%, 상대백분율이 15.2%에서 보정 후 29%, 상대백분율 차이가 5.5% 반사도차이가 크게 감소하였다. S2 위성도 L8 위성과 같이 NIR 밴드에서 과대보상이 된 경향을 보였다.

Table 4. EO-1 Hyperion 10nm derived SBAF and Validation (K3, S2)

1) K3 Image Simulated TOA Reflectance from EO-1, 2) S2 Image Simulated TOA Reflectance from EO-1, 3) Measured TOA Reflectance on S2 4)Measured TOA Reflectance on K3 5)Compensated K3 TOA Reflectance (SBAFApply), 6)[M.Ref(K3) – M.Ref(S2)] / [M.Ref (S2) * 100], 7) [A.Ref (K3) – M. (Ref) S2] / M. (Ref) S2 * 100

두 위성에서 나타난 Blue, Green밴드의 경우 SBAF 보정 전, 후의 차이는 1% 이내로 이는 위성의 systematic error로 볼 수 있으며(Chander et al., 2013), NIR밴드의 경우두 위성 모두 K3와 5% 내외의 차이를 보였다. Hyperion 위성을 이용한 S.Ref의 경우에도 NIR 밴드의 경우 모든 위성에서 M.ref와 3% 이상의 차이를 나타났으며 이는 hyperion 위성의 낮은 SNR과 센서 노화에 따른 이상화소 값 그리고 영상 전처리 과정에서 발생한 오차로 판단된다(Chi, 2013). 특히 K3 위성의 NIR밴드의 경우 수증기 흡수대역을 포함하기 문에(Fig. 3) 발생할 수 있는 오차의 영향이 클 것으로 사료된다. SBAF 산정과 검증에 있어 본 연구에서는 하루 차이를 가지는 촬영된 이용하였기 때문에 사막지역의 계절적 영향 그리고 태양 천정각에 따른 BRDF 효과의 경우 고려하지 않았기 때문에 향후 이에 대한 불확실성 분석 및 장기 모니터링을 위한 1년 이상의 영상을 수집하여 장기시계열 분석이 필요하다.

2) 대기상층 반사도 비교분석

SBAF 결과 적용 및 농업활용을 위해 본 연구에서는 동일한 날짜에 촬영된 영상을 이용하여 보정 전, 후 밴드별 TOA Reflectance와 식생지수를 비교 분석하였다. 영상이 촬영된 지역은 우리나라에서 쌀 생산량이 가장 많은 전북 김제 평야지역을 촬영한 K3 영상과 L8영상, 마늘 및 양파 주산지인 경남 합천지역의 K3 영상과 S2 영상, 그리고 겨울배추 주산지인 전남 해남 지역의 K3 영상과 S2영상을 이용하였다.

동일한 날짜에 촬영된 김제지역의 TOA Reflectance를 산정하여 상호 비교한 결과는 Table 5 및 Fig. 4와 같다. SBAF 적용 전 Blue, Green, Red 밴드는 차이의 평균이 0.1% 이내를 보였으며, RMSE는 1% 내외를 보였다. NIR밴드의 경우 평균 L8 위성과 평 9%, RMSE 11%로 큰 편차를 나타냈다. 밴드보정계수 적용 후 Blue, Green, Red 밴드의 경우 값의 변화가 거의 없는 것으로 나타났다. NIR 밴드의 경우 TOA-R의 차이가 0.9%에서 0.2%로 크게 감소하였다. 특히 NIR 밴드의 차이는 RMSE에서 약 1/2배로 감소하였다. 이는 SBAF를 산정 후 사막지역 Validation 결과와 유사하게 나타났다. NDVI의 경우 0.9% 차이에서 0.2% 차이로 크게 감소하였으며, 비율함수인 NDVI값의 경우 NIR 변화폭에 따라 크게 달라지기 때문인 것으로 사료된다. 하지만 NIR 밴드의 경우 RMSE에서 6% 차이를 보였다. 사막지역의 경우에도 유사한 결과를 나타났으나, 일반적으로 사막 지역은 대기가 안정하고 수증기가 상대적으로 미미하기 때문에 이 같은 결과는 대기에 따른 빛의 산란, 흡수로 에너지 감쇄효과와 L8위성과 K3위성의 촬영시각 차이에 따른 태양 천정각 효과로 인해 나타난 것으로 판단된다.

Table 5. TOA Reflectance difference between K3 and L8 at Kimje site

Fig. 4. Scatter plot of TOA Reflectance at Kimje site (K3, L8).

합천지역에서 동일한 날짜에 찰영된 S2 위성과 L8위성의 SBAF 보정 전후 TOA Reflectance 상호 비교한 결과는 Table 6 및 Fig. 5와 같다. 보정 전 TOA Reflectance의 경우 blue 밴드 4.7%, Green 밴드 3.5%, Red 밴드 4.7%, NIR밴드 .5%로 나타났으며 이는 Libya-4 site의 결과와 상이한 것을 알 수 있다. 또한 보정 후에도 모든 밴드에서 toa reflectance의 변화가 보정 전과 큰 차이가 없었으며, 일부 밴드(BLUE, NIR)의 경우 보정 전보다 그 차이가 크게 나타났다. 이 같은 차이가 발생한 이유는 Table 6 에서 알 수 있듯이 영상의 Viewing angle이 김제지역과는 다르게 약 23도로 기울어져 촬영하였으며, 이에 따른 광학경로가의 변동이 크게 나타난 것으로 판단된다. Sensor Viewing Angle을 보정하기 위해 코사인 보정을 적용하였으나 큰 차이는 나타나지 않았다.

Table 6. TOA Reflectance difference between K3 and S2 at Hapcheon site

Fig. 5. Scatter plot of TOA Reflectance at Hapcheon site (K3, S2).

Viewing angle의 차이를 확인하기 위해 본 연구에서는 near-nadir로 촬영된 영상을 선정하여 toa reflectance를 산정 및 SBAF 보정을 적용하였다. 수집된 영상 중 동일한 날짜에 near-nadir로 촬영된 영상획득 한계가 있어 부득이 3일 차이가 나는 영상을 이용하였다. 해남지역에서 촬영된 영상의 tilt angle은 약 3도이며, 반사도 변화가 많이 일어나는 바다의 경우 masking을 통해 제외 후 분석하였다.

비교 분석 결과(Table 7 and Fig. 6) NIR을 제외한 모든 밴드에서 1% 이내의 반사도 차이와 1% 내외의 RMSE를 보였으며, SBAF 보정 후 차이는 감소하였으나 그 양은 매우 적게 나타났다. NIR 밴드의 경우 보정 전 4%에서 보정 후 2.9%로 RMSE는 4.7%에서 3.5%로 감소하였다. 즉 두 위성의 반사도 값이 SBAF 보정 후 감소한 것을 알 수 있으며, Red 및 NIR 밴드의 변화에 따라 식생지수 차이 또한 8.4%에서 4.8%로 감소하였다.

Table 7. TOA Reflectance difference between K3 and S2 at Haenam site

Fig. 6. Scatter plot of TOA Reflectance at Haenam site (K3, S2).

Landsat-8 위성이나 Sentinel-2 위성의 경우 촬영 시 sensor viewing angle은 landsat-8은 항상 Nadir이며 , sentinel-2 위성의 경우 최대 10도를 넘지 않는다(Zhang et al., 2018). 따라서 영상의 분광학적 활용에 있어 Viewing Angle에 따른 반사도 변화가 매우 큰 것을 알 수 있으며 특히 viewing angle이 20도 이상으로 넘어가는 경우에는 영상의 반사도나 식생지수 분석에 있 잘못된 결과를 가져올 수 있다.

Table 8은 밴드별 반사도의 차이를 상대백분율로 계산한 결과를 나타낸다. L8위성과 K3위성이 촬영된 김제지역의 경우 모든 밴드에서 상대백분율 차이가 SBAF 적용 후 감소한 것을 확인할 수 있으며, NIR의 경우 21%에서 5%로 감소폭이 15%로 나타났다. Tilt Angle이 20도를 넘어가는 합천지역의 경우 보정 전보다 보정 후 상대 백분율의 차이가 증가하는 현상을 보였으며 모든 밴드에서 30% 이상의 상대백분율 차이가 나타나 영상간 반사율 일치도가 매우 낮다. Tilt 앵글의 효과를 확인하기 위해 해남지역을 촬영한 S2영상과 K3 영상을 비교한 결과 상대백분율 차이가 줄어든 것을 확인할 수 있다. 하지만 Green, Red 밴드의 경우 감소폭이 미미하였으며, NIR 밴드의 경우에도 L8밴드와는 다르게 그 감소폭은 상대적으로 작게 나타나 보정 후 상대백분율이 13.2%를 보였다. 이러한 결과는 영상의 촬영시기가 약 3일 정도 차이를 보여 대기변화에 따른 반사도 값의 변화로 판단된다. NDVI 차이에 대한 상대백분율 차이를 SBAF 보정 전,후 결과를 나타내며 반사도 변화와 유사한 경향을 나타내지만 NIR 밴드의 반사도 변화보다 상대적으로 큰 NDVI 차이의 변화를 보였다(Fig. 7). 비율함수인 NDVI 경우 NIR 밴드값에 따라 상대적으로 변화 폭이 크기 때문에 나타난 결과로 판단된다.

Table 8. Percentage Difference of TOA Reflectance K3 SBAF Compensation

Fig. 7. Percentage Difference NDVI K3 SBAF Compensation.

5. 결론

본 연구는 원격탐사 자료의 농업적 활용에 앞서 다양한 위성들의 융합활용의 첫 단계로서 서로 다른 분광응답함수를 가지는 위성들의 반사도를 보정하기 위한 SBAF 산정 및 적용 후 결과를 비교·분석하였다.

Libya-4 PICS에서 촬영된 K3, L8, S2 위성과 초분광위성인 EO-1 위성의 분광프파일을 활용하여 만들어진 가상영상을 이용해 밴드조절계수(SBAF)를 산정하였고 이를 실제 촬영된 영상에 적용한 결과 모든 밴드에서 위성간의 반사도 차이가 감소한 것으로 나타났다. 특히 NIR밴드는 K3-L8 위성의 경우 반사도 상대백분율 차이가 보정 전 21%에서 보정 후 6%로 감소하였다. S2위성의 경우 상대백분율 차이가 보정 전 15%에서 5%로 감소하였다. 다른 밴드(B,G,R)의 경우 상대백분율이 보정 후 1% 내외의 차이를 보였다. KOMPSAT-3 위성의 경우 NIR 밴드대역이 수증기 흡수대역을 포함하고 있기 때문에 대기 중 수증기의 영향을 민감하게 받는 것으로 사료된다.

산정된 SBAF를 검증하기 위해 국내 채소 및 식량작물 주산지를 대상으로 취득된 동일날짜의 영상에 대하여 TOA Refletance를 이용하여 비교 분석하였다. L8위성과 K3 위성이 취득된 김제지역은 상대백분율 반사도 차이가 blue 밴드의 경우 보정 전 6%에서 보정 후 3%, Green 밴드에서 보정 전 4%, 보정 후 3%, Red 밴드에서 보정 전 3% 보정 후 1%, NIR 밴드의 경우 보정 전 21%, 보정 후 5%로 나타났다. 모든 밴드에서 차이가 감소하였으나 Libya-4에 비해 차이가 높았다. SBAF 산정 시 사막 Profile만을 적용한 부분과 촬영당시의 대기상의 수증기나 연무의 영향으로 판단된다.

S2 위성과 K3 위성이 동일날짜에 촬영된 합천지역의 경우 모든 밴드에서 보정 전, 후 반사도 차이가 증가하였다. 촬영당시의 위성 Tilt Angle이 23도로 촬영되어 이에 따른 영향으로 판단되며, 이러한 문제를 확인하기 위하여 해남지역에 촬영된 5도 이하의 천정각을 가지는 S2 위성과 K3 위성을 비교한 결과 보정 후 반사도차이가 Blue 밴드에서 3%, Green 밴드에서 7%, Red 밴드에서 7%, NIR 밴드에서 13%로 나타났다. 전체적으로 반사도 차이가 감소하였으나, Libya-4 Site에 비해 상대적으로 높은 차이를 나타낸 이유는 영상의 촬영시기가 약 3일이기 때문에 이에 따른 대기구성물질의 변화가 영향을 미쳤기 때문이다. 식생지수의 경우 합천지역을 외한 다른 두 지역에서 상대백분율 차이가 보정 후 3% 이내로 높은 일치율을 보였다.

SBAF 산정을 위해 본 연구는 한 세트의 영상 세트를 활용하였고 이는 SBAF의 계절 및 태양 천정각에 따른 대기 통과 길이(Air mass factor)를 고려하지 않았다. 이에 불확실성이 높을 것으로 판단되며, 향후 이러한 문제를 해결하기 위해 장기간 분석이 필요할 것으로 판단된다. 또한 검증에 있어 TOA Reflectance를 사용하였기 때문에 향후 대기잡음 제거를 위한 대기보정 수행 후 SBAF 적용이 필요하다. 다중분광 위성자료의 농업분야 활용함에 있어 NIR 밴드는 식생의 활력을 측정하는데 매우 중요한 역할을 담당한다. 본 연구에서 산정된 SBAF 계수 및 그 적용결과 다양한 위성영상을 분광학적으로 활용하는데 있어 분광응답차이를 반영해야 할 것으로 판단된다. 향후 KOMPSAT 위성과 타 위성 영상 융합에 있어 SBAF 보정뿐 아니라 공간해상도 불일치 문제 및 대기보정 적용에 대한 추가 연구가 필요하다.