Red Tide Detection through Image Fusion of GOCI and Landsat OLI

GOCI와 Landsat OLI 영상 융합을 통한 적조 탐지

Abstract

In order to efficiently monitor red tide over a wide range, the need for red tide detection using remote sensing is increasing. However, the previous studies focus on the development of red tide detection algorithm for ocean colour sensor. In this study, we propose the use of multi-sensor to improve the inaccuracy for red tide detection and remote sensing data in coastal areas with high turbidity, which are pointed out as limitations of satellite-based red tide monitoring. The study area were selected based on the red tide information provided by National Institute of Fisheries Science, and spatial fusion and spectral-based fusion were attempted using GOCI image as ocean colour sensor and Landsat OLI image as terrestrial sensor. Through spatial fusion of the two images, both the red tide of the coastal area and the outer sea areas, where the quality of Landsat OLI image was low, which were impossible to observe in GOCI images, showed improved detection results. As a result of spectral-based fusion performed by feature-level and rawdata-level, there was no significant difference in red tide distribution patterns derived from the two methods. However, in the feature-level method, the red tide area tends to overestimated as spatial resolution of the image low. As a result of pixel segmentation by linear spectral unmixing method, the difference in the red tide area was found to increase as the number of pixels with low red tide ratio increased. For rawdata-level, Gram-Schmidt sharpening method estimated a somewhat larger area than PC spectral sharpening method, but no significant difference was observed. In this study, it is shown that coastal red tide with high turbidity as well as outer sea areas can be detected through spatial fusion of ocean colour and terrestrial sensor. Also, by presenting various spectral-based fusion methods, more accurate red tide area estimation method is suggested. It is expected that this result will provide more precise detection of red tide around the Korean peninsula and accurate red tide area information needed to determine countermeasure to effectively control red tide.

광역범위에 대한 적조의 효율적인 모니터링을 위하여 원격탐사의 필요성이 점차 증가하고 있다. 하지만 기존 연구에서는 다양한 센서 중 해색 센서만을 위한 적조 탐지 알고리즘 개발에만 집중되어 있는 실정이다. 본 연구에서는 위성 기반 적조 모니터링의 한계로 지적되고 있는 탁도가 높은 연안역의 적조 탐지와 원격탐사 자료의 부정확성을 개선하고자 다중센서의 활용을 제시하고자 한다. 국립수산과학원 적조속보 정보를 바탕으로 적조 발생해역을 선정하였고, 해색 센서인 GOCI 영상과 육상 센서인 Landsat OLI 영상을 이용하여 공간적인 융합과 분광기반 융합을 시도하였다. 두 영상의 공간 융합을 통하여, GOCI 영상에서 관측 불가능하였던 연안지역의 적조와 Landsat OLI 영상의 품질이 낮았던 외해역의 적조 모두 개선된 탐지결과 획득 가능하였다. Feature-level과 rawdata-level로 나누어 진행된 분광 융합 결과, 두 방법에서 도출된 적조 분포 양상은 큰 차이를 보이지 않았다. 하지만 feature-level 방법에서는 영상의 공간해상도가 낮을수록 적조 면적이 과대추정되는 경향이 나타났다. Linear spectral unmixing 방법으로 픽셀을 세분화한 결과, 적조 비율이 낮은 픽셀의 수가 많을수록 적조 면적의 차이는 심화되는 것으로 나타났다. Rawdata-level의 경우Gram-Schmidt가 PC spectral sharpening 기법보다 다소 넓은 면적이 추정되었지만, 큰 차이는 나타나지 않았다. 본 연구에서는 해색 센서와 육상 센서의 공간 융합을 통해 외해뿐만 아니라 탁도가 높은 연안의 적조 역시 탐지가 가능함을 보여주었고, 다양한 분광 융합 방법을 제시함으로써 더욱 정확한 적조 면적 추정 방법을 제시하였다. 이 결과는 한반도 주변의 적조를 더욱 정확하게 탐지하고, 적조를 효과적으로 제어하기 위한 대응대책 수립을 결정하는데 필요한 정확한 적조 면적 정보를 제공할 수 있을 것으로 기대된다.

요약

광역범위에 대한 적조의 효율적인 모니터링을 위하여 원격탐사의 필요성이 점차 증가하고 있다. 하지만 기존 연구에서는 다양한 센서 중 해색 센서만을 위한 적조 탐지 알고리즘 개발에만 집중되어 있는 실정이다. 본 연구에서는 위성 기반 적조 모니터링의 한계로 지적되고 있는 탁도가 높은 연안역의 적조 탐지와 원격탐사 자료의 부정확성을 개선하고자 다중센서의 활용을 제시하고자 한다. 국립수산과학원 적조속보 정보를 바탕으로 적조 발생해역을 선정하였고, 해색 센서인 GOCI 영상과 육상 센서인 Landsat OLI 영상을 이용하여 공간적인 융합과 분광기반 융합을 시도하였다. 두 영상의 공간 융합을 통하여, GOCI 영상에서 관측 불가능하였던 연안지역의 적조와 Landsat OLI 영상의 품질이 낮았던 외해역의 적조 모두 개선된 탐지결과 획득 가능하였다. Featurelevel과 rawdata-level로 나누어 진행된 분광 융합 결과, 두 방법에서 도출된 적조 분포 양상은 큰 차이를 보이지 않았다. 하지만 feature-level 방법에서는 영상의 공간해상도가 낮을수록 적조 면적이 과대추정되는 경향이 나타났다. Linear spectral unmixing 방법으로 픽셀을 세분화한 결과, 적조 비율이 낮은 픽셀의 수가 많을수록 적조 면적의 차이는 심화되는 것으로 나타났다. Rawdata-level의 경우Gram-Schmidt가 PC spectral sharpening 기법보다 다소 넓은 면적이 추정되었지만, 큰 차이는 나타나지 않았다. 본 연구에서는 해색 센서와 육상 센서의 공간 융합을 통해 외해뿐만 아니라 탁도가 높은 연안의 적조 역시 탐지가 가능함을 보여주었고, 다양한 분광 융합 방법을 제시함으로써 더욱 정확한 적조 면적 추정 방법을 제시하였다. 이 결과는 한반도 주변의 적조를 더욱 정확하게 탐지하고, 적조를 효과적으로 제어하기 위한 대응대책 수립을 결정하는데 필요한 정확한 적조 면적 정보를 제공할 수 있을 것으로 기대된다.

1. 서론

한반도 주변 해역은 1990년대 초까지 규조류에 의한 적조가 주로 발생하였지만, 1995년 이후 Cochlodinium polykrikoides와 같은 와편모조류 종에 의한 유해성 적조가 대량 발생하고 있다(Kang et al., 2002; Suh et al., 2004; Lee, 2006). 이외에도 Karenia brevis, Chattonella sp.와 같은 유해성 적조 종과 Noctiluca scintillans, Heterosigma akashiwo, Prorocenturm sp. 등의 무해성 적조 역시 빈번하게 발생하고 있다(NIFS, 2015). 이러한 적조 현상은 관광산업, 어업 및 양식업 등의 경제적 피해를 증가시킬 뿐만 아니라 해양 및 연안 생태계에 심각한 악영향을 끼치기 때문에 한반도 주변 해역의 적조 탐지 및 모니터링의 중요성이 더욱 강조되고 있다.

적조 모니터링의 중요성에도 불구하고, 국내 적조탐지 연구의 경우 대부분 선박을 이용한 직접 조사에 의존하고 있기 때문에 적조 발생 지역, 적조 종, 발생밀도 등에 대한 정보가 제한적인 정점과 시기에 대해서만 제공되고 있다. 최근 한반도 주변 해역의 적조가 점차 다양한 종에 의해 광범위하게 발생하고 있으며, 적조 탐지를 위한 인력, 비용, 시간적 한계로 인하여 빠르고 정확한 적조 탐지에 더욱 어려움이 따른다(Ahn et al., 2006). 더욱이, 정기 조사 정점 이외의 해역은 적조 초기 단계에서 탐지되기 어렵기 때문에 빠른 적조 탐지와 효율적인 대응방안을 마련하기 위해서는 광역범위에 대한 주기적인 모니터링이 필요하다.

따라서 최근에는 다양한 위성영상과 알고리즘 개발을 통해 광역범위의 적조를 탐지하기 위한 노력들이 진행되고 있으며 주로 Sea-ViewingWide Field-of-ViewSensor (SeaWiFS), Moderate Resolution Imaging Spectroradiometer (MODIS), Geostationary Ocean Color Imager(GOCI) 센서가 이용되고 있다(Morel, 1988; Carder et al., 1999; Suh et al., 2004; Ahn and Shanmugam, 2006; Canizzaro et al., 2008; Wynne et al., 2008; Tomlinson et al., 2009; Son et al., 2012; Lou and Hu, 2014). 일반적으로 적조 탐지 알고리즘은 센서로부터 산출되는 클로로필 농도(chlorophyll concentration), 원격반사도(spectralremote sensing reflectance, Rrs), 정규화된 수출광량(normalized-water leaving radiance, nLw)을 사용한 밴드비를 이용하여 개발되고 있다(Ahn and Shanmugam, 2006; Lou and Hu, 2014; Tao et al., 2015). 하지만 적조탐지 알고리즘은 적조 종과 발생 해역의 해수특성, 각센서들의 파장대역 차이에 의해 동일한 적조 탐지 알고리즘을 적용하더라도 각 영상에서 산출되는 적조 영역의 면적과 농도에는 많은 차이를 보이는 한계점이 있다.

또한 적조탐지 연구에는 SeaWiFS, MODIS, GOCI와 같은 해색 센서가 주로 이용되고 있는데, 이는 Landsat Enhanced Thematic Mapper Plus(ETM+), Operational Land Imager(OLI), Sentinel-2와 같은 육상 센서와 비교 하여 높은 분광해상도와 신호 대 잡음비(signal-to-noise ratio, SNR)를 갖기 때문이다. 해색 센서의 장점은 해수와 혼합되어 있는 적조 패치를 탐지하고, 농도를 추정하는데 뛰어난 분해능력을 갖는 것이다. 하지만 해색 센서의 많은 장점에도 불구하고 대기 보정 및 원격반사도, 정규화된 수출광량 자료 생성과정에서 육지 마스킹으로 인하여 연안역의 적조 정보를 획득하지 못하는 경우가 다수 발생한다. 만약 연안역이 마스킹 되지 않더라도 연안역에서 발생하는 적조는 외해에서 발생하는 적 조와는 달리 해수 중의 용존유기물 또는 부유물질 등의 영향으로 복잡한 해수 신호를 갖기 때문에 적조 분포를 탐지하는데 어려움이 있다(Son et al., 2012). 이에 대한 대안으로 연안역의 적조탐지를 위해서 육상 센서가 사용될 수 있다. 이는 해색 센서와 비교하여 분광해상도가 다소 낮지만 공간해상 능력이 뛰어난 특징이 있다. 비록 사용자가 직접 영상 전처리 작업을 수행해야하는 번거로움이 있지만, 높은 공간해상도와 연안역이 마스킹 되지 않는다는 장점으로 인하여 연안 적조탐지에 유용한 정보를 제공할 것이다.

따라서 광역범위에 대한 정확한 적조 분포를 탐지하기 위해서는 다중 센서의 종합적인 활용이 요구되고 있 으며, 최근 다양한 센서의 융합분석이 시도되고 있다. Wang et al.(2011)은 HJ-CCD 육상 센서와 MODIS 해색 센서간의 적조탐지 영역 비교연구를 수행하였고, 공간해상도가 높은 HJ-CCD 센서에서 MODIS 보다 더욱 정확한 탐지 결과가 산출되었다. 또한, 해색 센서간의 비교 연구가 진행되었는데, GOCI 영상 분석을 통해 MODIS 보다 더욱 정밀한 적조탐지가 가능하였고, 이는 GOCI 센서의 뛰어난 신호 대 잡음비 특성 때문인 것으로 나타났다(Oh et al., 2013; Tao et al., 2015). 하지만 현재까지의 센서 융합연구는 다중 센서간의 정성적 적조 탐지 능력을 비교하는 수준에서 진행되었기 때문에 정량적 적조면적 산출 정보를 획득하는데 한계가 있었다.

본 연구는 연안과 외해에서 발생하는 적조를 대상으로 해색 센서와 육상 센서의 공간적인 융합을 통하여 적조분포 면적을 정량화 하고자 한다. 또한 정확한 적조면적을 산출하기 위해 센서 간의 근본적 특성 차이를 고려한 다중센서 영상융합 방법을 제시하고자 한다.

2. 연구방법

1) 연구지역

다중 센서의 공간 융합분석과 효과적인 적 면적산출 기법을 제시하기위하여 우리나라 남해안에 위치한 고흥과 여수, 완도 주변 해역을 연구지역으로 선정하였다(Fig. 1). 세부 연구지역은 Fig. 1에 표시하였으며, 영상의 획득 날짜는 2013년 8월 8일, 2015년 8월 14일, 2015년 9월 15일이다. 연구해역에서 주로 적조를 발생시키는 원인종의 하나인 C. polykrikoides 종의 경우 일반적으로 외해역에서 최초 발생 후 연안으로 유입되는 것으로 알려져 있다(Jeong et al., 2017). 이 외에도 K. mikimotoi, Prorocentrum sp., Alexandrium sp. 등에 의한 적조는 연안에서의 발생빈도 보다 외해역의 발생 빈도가 높고, 외해에서 연안으로 확대되는 것으로 보고되었다(NIFS, 2015). 이 해역은 복잡한 해안선 구조로 인하여 연안과 외해역의 해수 특성이 매우 다른데, 연안역은 용존유기물과 부유물질의 함량이 높아 다소 탁한 반면, 외해역은 쿠로 시오 해류의 영향으로 비교적 맑은 해수 특성을 보인다 (Yoon et al., 2004; Son et al., 2012). 따라서 연안의 경우 해색 센서의 전처리 과정에서 마스킹 될 확률이 높고, 외 해역의 경우 직접 조사에 의해 적조가 탐지되지 않을 가능성이 높은 해역이다.

Fig. 1. The study area for spatial fusion and spectral-based fusion of red tide areas. GOCI and Landsat OLI images were obtained on (a) Sep. 15 2015 (b) Aug. 8 2013, and (c) Aug. 14, 2015. The (a) and (c) regions were used for spatial fusion and spectral-based fusion, and (b) was used for spatial fusion only

2) 위성영상 수집 및 전처리

본 연구에서는 다중센서의 공간적인 융합과 분광특성 기반 영상융합을 통한 적조 면적산출 기법 개선을 위하여 2013년 8월 8일, 2015년 8월 14일, 2015년 9월 15일 오전 11시 경에 획득된 GOCI와 Landsat OLI 영상을 분석에 이용하였다. GOCI는 세계 최초 정지궤도 해색 센서로 일 8회 촬영되며, SeaWiFS, MODIS와 같은 극궤도 위성과 비교하여 높은 시간해상도를 갖는다(Ryu and Ishizaka, 2012). 반면 Landsat OLI 영상의 공간해상도는 30 m로, GOCI의 500 m 보다 월등하게 높은 공간해상도를 갖는다(Morfitt et al., 2015). 분광해상도는 443, 865 nm 파장대역을 제외하고 GOCI 센서가 Landsat OLI보다 더욱 뛰어나며, 광학 파장대 범위 내에서 밴드 수가 세분화 되어 있다(Table 1). 신호 대 잡음비 역시 GOCI가 Landsat OLI 보다 약 3배 가량 높은 징을 보였다.

Table 1. Comparison of spectral specifications between GOCI and Landsat OLI

GOCI Level 1B 자료는 한국해양과학기술원 해양위성센터 홈페이지를 통해 다운로드 하였고(http://kosc. kiost.ac.kr), GOCI data processing software(GDPS)를 이용 하여 Level 2 자료인 원격반사도, 클로로필 영상을 생성 하였다(Ryu and Ishizaka, 2012). 육상 센서인 Landsat OLI 영상의 Level 1 자료는 U.S. Geological Survey(https:// glovis.usgs.gov)에서 다운로드 하여 분석에 이용하였다. Landsat OLI Level 1 영상의 digital number(DN) 값은 영상마다 주어지는 gain과 offset 값을 이용하여 Matlab 소프트웨어를 통해 복사에너지(radiance)로 변환하였다. 영상의 대기보정을 위해서 TAU_v와 TAU_z에 의한 multiplicative transmittance 영향을 고려해준 COST 모델을 사용하였으며, 최종적으로 반사도(reflectance)값을 얻었다(Chavez,1996).

3) 적조 탐지 및 센서 간 유사도 평가

본 연구에 사용한 적조 탐지 알고리즘은 Spectral Shape(SS)으로 적조 발생 시 나타나는 스펙트럼 형태를 이용하는 방법으로, 적조 영역은 임계 값 ‘0’ 이하로 정의되며, 식은 아래와 같다(Wynne et al., 2008; Tomlinson et al., 2009).

\(\begin{aligned} S S(\lambda)=&\left.n L_{w}(\lambda)-n L_{w}\left(\lambda^{-}\right)-\left(n L_{w}\left(\lambda^{+}\right)\right)-n L_{w}\left(\lambda^{-}\right)\right) \times \frac{\left(\lambda-\lambda^{-}\right)}{\left(\lambda^{+}-\lambda^{-}\right)} \end{aligned}\)

λ = The central band of the shape(490 nm)

λ– = The next lower band(443 nm)

λ+ = The next higher band(510 nm)

SS 알고리즘은 정규화된 수출광량 값을 사용하지만 본 연구에서는 원격반사도 값을 알고리즘에 적용하였다. 실제 두 값은 Rrs = nL_w/Fo의 관계를 갖지만, 원격반사도는 태양의 irradiance 효과를 제거해주어 정규화된 수출 광량 값보다 대기 보정된 안정한 값이기 때문에 적조 영역 추출에 보다 적합하다(Gordon and Clark, 1981).

다중센서 간의 유사도 평가를 위하여 2015년 8월 14일과 9월 15일 남해안에서 발생한 적조 패치들을 대상으로 GOCI 영상과 유사한 시간대에 획득된 Landsat OLI 영상을 활용하였다. 이는 해색 센서와 육상 센서의 차이를 확인하기 위함이며, 이를 통해 두 센서를 함께 활용했을 때 단일 센서만으로 산출된 정보보다 더 용한 광학 정보를 획득할 수 있다는 것을 추정할 수 있다. 2015년 8월 14일은 Fig. 4에서 확인 가능한 적조 패치 픽셀을, 2015년 9월 15일은 Fig. 5에서 나타나는 적조 패치를 이용하여 유사도 검증을 수행하였다. 해수의 유동, 파도뿐만 아니라 영상 간의 registration 오류로 인한 영상 간의 불일치를 줄이기 위하여 GOCI와 Landsat OLI 영상의 공간해상도를 600 m로 재배열 한 후 검증에 이용 하였다. 두 영상에 SS 알고리즘을 적용한 후 영상 간의 유사도 검증을 위한 Unbiased Percent Difference(UPD), Mean Relative Difference(MRD),Coefficient of determination (R²)를 산출하였고, 각각의 식은 아래와 같다.

\(U P D(\%)=\frac{1}{N} \sum_{i=1}^{N} \frac{\left|\left(y_{i}-x_{i}\right)\right|}{0.5 \times\left(\left|y_{i}\right|+\left|x_{i}\right|\right)} \times 100\)

\(M R D(\%)=\frac{1}{N} \sum_{i=1}^{N} \frac{\left(y_{i}-x_{i}\right)}{x_{i}} \times 100\)

N = The number of data paris

x_i = The reference value at data matchup i

y_i = The corresponding value

4) 다중 센서의 융합

연구 방법은 크게 공간적 융합과 분광특성 기반 영상 융합으로 구분하여 진행하였다. 첫 번째 공간적 융합은 각 날짜별 적조 영역을 대상으로 유사한 시간대에 획득된 GOCI와 Landsat OLI 영상에 SS 알고리즘을 적용한후 각 영상에서 적조 영역을 추출하였다. 추출된 각 적조 영역을 사용하여 공간적 융합을 수행한 후 각 날짜 별로 동일 날짜의 국립수산과학원 적 속보와 비교하였다.

두 번째로 GOCI와 Landsat OLI 영상의 분광특성 기반 영상 융합을 통해 최적의 적조 영역을 산출하고자 하였다.영상융합은 크게 rawdata-level,feature-level, decisionlevel 기반으로 나눌 수 있다(Llinas and Hall, 1998). 본 연구에서는 가장 많이 이용되는 방법인 rawdata-level과 feature-level을 이용하여 분광특성 기반 영상 융합을 수행하였다. Rawdata-level 기반 융합을 위해서 사용한 방법은 Gram-Schmidt와 Principal Component(PC) spectral sharpening 기법이다(Zhang and Mishra, 2012). 두 방법은 모두 높은 공간해상도를 갖는 흑백 영상을 사용하여 낮은 공간해상도를 갖는 다중 밴드 영상의 해상도를 증가 시키는 영상 융합 방법으로, 픽셀 수준의 자료 융합에 속한다. 일반적으로 Gram-Schmidt 방법이 PC 방법보다 더 정확한 값을 갖는다고 알려져 있는데, 이는 Gram-Schmidt 방법은 융합하는 영상센서의 spectral response function 특성을 고려하기 때문이다(Laben and Brower, 2000). GOCI의 8개 밴드와 15 m 공간해상도를 갖는 Landsat OLI의 흑백 영상으로 이 두 가지 방법을 적용한 후 SS 알고리즘을 통해 적조 영역을 추출하였다. Feature-level 기반 융합을 위해서는 GOCI와 Landsat OLI에 SS 알고리즘을 적용한 후 추출된 각 적조 영역을 융합하였다. 두 영상 모두 공간해상도를 600 m로 재배 열한 후 추출한 적조 영역과 각 영상의 본래 공간해상도를 유지한 채 추출된 적조 영역의 면적을 비교·분석하였다.

두 가지 level의 융합을 수행한 후, 추출된 적조 영역의 불확실성을 줄이기 위해 클로로필, Linear spectral unmixing(LSU) 임계값 설정을 통해 마스킹을 수행하였다. 클로로필 마스킹을 위해 Shin et al.(2017)의 연구에서 제시한 1 mg m^-3의 농도를 임계값으로 정한 후 추출된 적조 영역을 마스킹하였다. LSU 방법은 적조의 스펙트럼 정보를 기반으로 픽셀을 분류하는 방법으로, 픽셀 내에 적조 신호가 차지하는 비율을 의미한다(Settle and Drake, 1993). Endmember 추출은 적조 스펙트럼 특성이 가장 뚜렷한 픽셀로 선정하였으며, 스펙트럼 비교 결과 0.5 이상의 값을 갖는 픽셀에 대하여 적조로 분류하였다.

3. 연구결과

1) 센서 간 유사도 평가

GOCI 영상과 Landsat OLI 영상으로부터 산출되는 SS 값의 유사도 평가를 위해 두 영상간의 density map을 생성하였다(Fig. 2). 우선 2015년 8월 14일 값의 분포 범위는 2015년 9월 15일에서 보다 Landsat OLI는 2×10^-3, GOCI는 5×10-4 가량 높게 나타났다. 특히 2015년 9월 15일 Landsat OLI 영상의 SS 값은 GOCI SS 값에 비해 값의 범위 폭이 좁았으며, 이를 통해 육상 센서인 Landsat OLI가 해색 센서인 GOCI에 비해 분광해상도가 낮아 적조 신호의 감지도가 낮다는 것을 알 수 있었다. 두 영상을 각각 살펴보면 2015년 8월 14일에 획득된 두 영상의 유사도 평가 결과 R2는 0.6, UPD와 MRD는 각각 108.9%, 79.9%로 산출되었다(Fig. 2a). 2015년 9월 15일의경우, 두 영상간의 R2는 0.4, UPD와 MRD는 각각 77.3%, 79.6% 이었다(Fig. 2b). 두 영상간의 R2는 0.2 정도 차이를 보였으며, 2015년 9월 15일의 경우 Landsat OLI의 자료의 값이 10-4를 중심으로 matchup density가 0.8 이상인 값들이 집중되어 있는 반면, 2015년 8월 14일의 경우에는 두 영상의 값들이 비교적 골고루 분포되어 있었다. 두 영상간의 UPD와 MRD는 2015년 8월 14일에서 보다2015년 9월 15일 영상에서 낮게 산출되었다. 이러한 통계 값을 통해 해색 센서와 육상 센서 간의 고유 특성이 차이를 보임을 알 수 있으며, 이는 두 센서를 동시에 이용함으로써 더 많은 광학 정보를 획득할 수 있음을 의미한다.

Fig. 2. Density map of images on (a) Aug. 14, 2015 and (b) Sep. 15, 2015 to verify the similarity of GOCI and Landsat OLI image applying Spectral Shape algorithm.

2) 공간융합을 통한 적조분포 추정

2013년 8월 8일 국립수산과학원 적조 속보에 의하면 남해안 고흥군 내나로도 동측부터 거제시 지심도 동측 까지 최대 13,300 cells ml ^-1 밀도의 C. polykrikoides 적조 가 발생한 것으로 보고되었다(Fig. 3a). 위성영상을 활용한 적조탐지를 위하여 2013년 8월 8일 11시 경에 획득된 GOCI와 Landsat OLI 영상을 분석에 이용하였다(Fig. 3). SS 알고리즘을 적용한 적조 탐지 결과에서 0 이하의 값을 갖는 픽셀은 적조를 의미하며, 두 영상 분석 결과에서 여수와 남해 연안의 파란색과 보라색으로 나타나는 적조 패치가 확인 되었다. GOCI 영상은 전처리 과정에서 연안이 모두 마스킹 되어 연안 지역의 적조 패치는 관측이 불가능하였다(Fig. 3b). 하지만 여수 외해역의 적조 분포는 Landsat OLI 영상보다 더욱 뚜렷하게 확인되었다. Landsat OLI 영상에서는 남해와 통영 일부 연안에서 발생한 적조 영역이 탐지되었다(Fig. 3c). 두 위성영상에서 각기 다른 적조 탐지 영역을 보이는 단점을 보완하기 위하여 공간적 융합을 수행한 결과를 Fig. 3()에 나타내었다. 녹색으로 보이는 지역은 Landsat OLI 영상에서 탐지된 적조 분포이고, 빨간색은 GOCI 영상에서 탐지된 적조 분포를 보여주고 있다. 두 영상의 융합을 통해 연안과 근해의 적조 탐지가 가능하였고, 이 결과는 국립수산과학원의 현장관측 결과와 매우 유사한 분포형태를 보였다.

Fig. 3. (a) Red tide report from NIFS through modification (b) GOCI Rrs spectral shape image (c) Landsat OLI spectral shape image (d) the result of spatial fusion for red tide detection on Aug. 8, 2013.

동일한 방법으로 2015년 8월 14일 적조 분포를 두 가지 영상으로 탐지하였고, 이 결과를 국립수산과학원 적조속보 자료와 비교하였다(Fig. 4). 적조속보에 따르면, 여수와 남해 연안에서 적조가 확인되었고, 고흥 앞바다에는 적조생물출현주의보가 발령되었다. Landsat OLI 영상 분석결과, 여수와 남 사이에서 짙은 파란색의 적조 패치가 확인되었고, 고흥 외해 지역에서도 일부 적조 분포가 확인되었다(Fig. 4c). 하지만 고해상도 영상에서 흔하게 나타나는 해수 유동 또는 선박 궤적 등의 노이즈로 인하여 외해역의 적조 분포는 명확한 구분이 어려웠다. GOCI 영상은 마스킹 현상으로 인하여 연안의 적조 분포는 확인이 불가능하였지만, Landsat OLI 영상에서 구분이 어려웠던 외해역의 적조 분포는 더욱 뚜렷하게 확인 가능하였다(Fig. 4b). 두 영상의 공간융합 분석을 통해 연안과 국립수산과학원 적조속보 자료에서 제시하지 못한 외해역에 분포하는 전체 적조의 범위 추정이 가능하였다(Fig. 4d).

Fig. 4. (a) Red tide report from NIFS through modification (b) GOCI Rrs spectral shape image (c) Landsat OLI spectral shape image (d) the result of spatial fusion for red tide detection on Aug. 14, 2015.

2015년 9월 15일 적조속보에 따르면 완도군 보길도와 진도 주변 연안에서 적조 분포가 확인되었다. GOCI 영상의 경우, 앞선 두 날짜의 영상보다 연안 마스킹 지역이 적었지만 여전히 완도 주변 연안이 마스킹 되어 관측이 불가능하였다(Fig. 5b). GOCI 영상에서는 완도 주변을 제외하고, 적조 속보의 적조 분포와 유사한 분포 형태를 보였다. 또한 적조 속보에는 보고되지 않은 보길도 남단의 큰 적조 패치 역시 뚜렷하게 확인 가능하였다. Landsat OLI 영상에서는 진도 동측 해역과 보길도 주변 연안의 적조 패치가 탐지되었고, 보길도 남단의 대규모 적조 패치 또한 탐지되었다(Fig. 5c). 두 영상의 공간융합 통해 GOCI에서 관측되지 않은 완도 주변 연안뿐만 아니라 적조 속보에서 제시되지 않은 외해역의 적조 패치 역시 확인 가능하였다(Fig. 5d).

Fig. 5. (a) Red tide report from NIFS through modification (b) GOCI Rrs spectral shape image (c) Landsat OLI spectral shape image (d) the result of spatial fusion for red tide detection on Sep. 15, 2015.

3) 분광특성 기반 영상 융합을 통한 적조 면적 추정

우리나라 남해의 외해역에서 발생한 적조 패치를 대상으로 GOCI와 Landsat OLI 영상의 SS 알고리즘 적용 결과에 클로로필 기반 마스킹 후 분광특성 기반 영상융합을 통해 적조 면적을 추정하였다. Fig. 6(a)와 6(b)는 2015년 8월 14일, Fig. 7(a)와 7(b)는 2015년 9월 15에 획득된 GOCI 원격반사도 true-color 영상으로 적색으로 보이는 부분은적조를 의미한다. Fig. 6(c)와 6(d), Fig. 7(c) 와 7(d)는 feature-level 결과로 GOCI 영상에서만 추출된 적조 영역은 녹색, Landsat OLI에서만 나타나는 적조 영역은 파란색, 두 영상에서 공통으로 탐지된 적조 영역은 적색으로 나타내었다. 두 영상의 본래 공간해상도에 SS 알고리즘을 적용한 결과(Fig. 6d)와 600 m로 재배열한 후 분석한 결과(Fig. 6c) 모두 대체적인 적조분포 양상은 유사하게 나타났다. 하지만 두 분석방법 모두에서 GOCI 영상의 적조분포 면적이 Landsat OLI 영상의 적조면적 보다 넓은 것으로 나타났고, 약 30-40 km2 면적 차이를 보였다(Table 2). Rawdata-level 기반의 GramSchmidt와 PC spectral sharpening 결과 역시 적조분포 양상에는 큰 차이를 보이지 않았지만, Gram-Schmidt 방법에서 약 20 km² 더 많은 면적이 산출되었다(Fig. 6e-f; Table 2). Feature-level과 rawdata-level 방법간의 적조 면적 결과를 비교하면, feature-level(GOCI 또는 Landsat OLI 적조 면적)에서 더 많은 적조 면적이 추정되는 것으로 나타났다.

Fig. 6. (a) GOCI Rrs true-color image (b) The enlarged image of the yellow box in (a). The result of data fusion using GOCI and Landsat OLI on Aug. 14, 2015 after Chlorophyll masking (c) 600 m spatial resolution (d) original spatial resolution (Sea green: GOCI, Blue: Landsat, Rd: Landsat and GOCI) (e) Gram-Schmidt Spectral Sharpening (f) PC Spectral Sharpening

Table 2. Comparison of red tide area extracted from Landsat and GOCI on Aug. 14, 2015

Fig. 7. (a) GOCI Rrs true-color image (b) The enlarged image of the yellow box in (a). The result of data fusion using GOCI and Landsat OLI on Sep. 15, 2015 after Chlorophyll masking (c) 600m spatial resolution (d) original spatial resolution (Sea green: GOCI, Blue: Landsat, Red: Landsat and GOCI) (e) Gram-Schmidt Spectral Sharpening (f) PC Spectral Sharpning.

2015년 9월 15일 적조 역시 동일한 분석을 진행하였고, 각 방법에 따른 적조분포 형태와 면적 추정 결과를 각각 Fig. 7과 Table 3에 나타내었다. 적조 패치의 분포 양상을 비교하면, 대체적으로 유사하였지만 영상 좌측 부분에 위치한 적조 패치가 GOCI 영상에서는 탐지된 반면 Landsat OLI 영상에서는 탐지되지 않았다(Fig. 7c-d). 이와는 대조적으로 Fig. 7(c)와 7(d) 그림의 우측 하단에 위치한 규모가 작은 패치의 경우에는 Landsat OLI 영상에서는 탐지되었지만 GOCI 영상에서는 탐지되지 않았다. Rawdata-level의 영상융합결과에서도 Gram-Schmidt와 PC spectral sharpening 방법간의 적조분포 양상은 매우 유사하였고, 10 km2 내외의 면적 차이를 보였다(Fig. 7e-f; Table 3). 본 논문에는 그림을 추가하지 않았지만 LSU 마스킹을 적용한 결과 역시 Fig. 6과 Fig. 7에서 나타난 적조 분포와 유사하였다.

Table 3. Comparison of red tide area extracted from Landsat and GOCI on Sep. 15, 2015

Fig. 6과 Fig. 7에서 보여준 클로로필 기반 마스킹 결과 이외에 LSU 기반 마스킹 후 계산된 적조 면적을 Table 2와 3에 나타내었다. 클로로필과 LSU 마스킹 방법 모두에서 GOCI 영상이 Landsat OLI 영상에서 보다 더 큰 적조 면적이 산출되었다. 또한, feature-level에서는 공간해상도가 낮을수록 적조 면적이 크게 추출되는 경향을 보였고, rawdata-level의 경우 Gram-Schmidt가 PC 기법보다 큰 면적이 추출되는 경향을 보였다. 하지만클로로필 마스킹과 LSU 마스킹 방법에 따른 적조 면적 산출 결과에는 큰 차이를 보이지 않았다.

4. 토의 및 결론

최근 한반도 주변 해역에서는 주로 C. polykrikoides 종에 의한 적조가 빈번하게 나타나고 있으며, 이외 K. brevis, Chattonella sp., N. scintillans, H. akashiwo, Prorocentrum sp. 등 다양한 종에 의한 적조가 수시로 발생하면서 해양생물에 직간접적 피해를 주고 있으며, 어업 및 양식업에 심각한 금전적 손실을 가져오고 있다. 적조로 인한 어업인 피해규모가 증가함에 따라 정부 및 관련 기관에서는 적조 출현해역에 대한 주기적인 모니터링을 통해 적조 예찰을 강화하고 있다. 이러한 노력의 하나로 해색위성을 이용한 적조 탐지 및 모니터링 기술개발이 진행 중에 있지만 대부분 알고리즘 개발에 중점을 두고 있는 실정이다. 이 역시 적조 발생 해역의 해수 특성, 적조 원인생물의 종류에 따라 다른 영상과 알고리즘이 적용되어야 하는 한계점으로 인하여 적조 탐지의 통합적 분석에 어려움이 따르고 있다(McCarthy et al., 2017). 이 연구에서 원격탐사를 이용한 적조 모니터링의 한계점으로 지적되었던 공간분포 분석과 정확한 적조 면적 추정에 대하여 다중위성 영상의 융합을 통해 극복하고자 하였다.

본 연구에서는 위성영상에서 탐지된 적조 분석결과 검증을 위하여 국립수산과학원 적조 속보자료를 이용 하여 비교, 검증하였다. 대부분 위성영상 분석 결과와 적조 속보자료의 적조 분포가 일치하는 결과를 보였다. 다만, 국립수산과학원의 현장 예찰 결과에서 연안의 적조분포 정보는 매우 정밀하게 제공되는 반면, 외해역의 적조 분포에 대해서는 제공되는 정보가 극히 제한적이었기 때문에 원격탐사 결과와 비교할 수 없는 경우가 일부 존재하였다. 부득이하게 현장조사와 비교 불가능한 경우, 적조 고유의 스펙트럼 특성을 이용하여 위성분석 결과 내에서 대략적인 적조 분포를 확인 가능하였다 (Kim et al., 2016).

다중 센서의 유사도는 영상의 획득 시기, 적조 생물 밀도, 해수 특성 차이뿐만 아니라 센서의 고유 특성 차이에 의해 달라질 수 있다. 실제 공간해상도, 분광해상도, 신호 대 잡음비 등에 의한 센서들의 특성과 영상의 대기 보정 차이, 센서 간 지오 레퍼러싱 오차 등으로 인해 적조 영역 추출 시 불확실성이 발생하게 된다. 연구에 사용된 GOCI와 Landsat OLI 영상은 각각 해색센서와 육상센서가 가지는 본질적 차이로 인하여 서로 다른 면적이 산출되는 결과를 보인다. 본 연구에서는 각 센서들이 가지는 장점을 극대화시키기 위하여 GOCI와 Landsat OLI에서 탐지되는 적조 영역을 융합하는 방법을 제시하였다. 그 동안 위성영상을 이용한 적조 탐지 연구에는 대부분 해색 센서가 이용되어 왔고, 이 센서 들은 분광해상도와 신호 대 잡음비 능력이 뛰어난 특징을 가진다. 하지만 전처리 과정에서 육지와 함께 탁도가 높은 연안역이 마스킹되 현상으로 인하여 연안의 적조분포 탐지에는 활용도가 매우 낮은 실정이었다. 이 연구에서는 해색 센서와 함께 육상 센서인 Landsat OLI 융합분석을 통해 육상 센서는 연안역의 적조, 해색 센서로는 외해역의 적조를 탐지 가능하였다. 또한, Landsat OLI 영상에서 해수 유동, 선박 궤적 등으로 인한 노이즈가 심한 외해역에 대해서는 해색 센서인 GOCI 영상의 융합을 통해 적조 탐지 결과의 개선을 이끌어낼 수있었다.

다중 센서의 공간적인 융합뿐만 아니라 각 센서의 분광해상도와 신호 대 잡음비 특성을 이용한 적조 면적 산출결과의 개선 역시 시도되었다. 이 연구에서 LSU 기법을 이용한 픽셀 내 적조 신호가 차지하는 비율을 세분화한 결과, 적조 비율이 90% 이상 차지하는 픽셀은 5%미만으로 극히 적었다(Fig. 8). 이는 대부분의 픽셀이 적조 신호뿐만 아니라 주변 해수의 신호가 매우 복잡하게 혼합되어 있음을 의미한다. 본 연구에서는 LSU 임계값 결정을 위하여 end-member로 선택된 픽셀의 스펙트럼 특성을 기반으로 동일한 스펙트럼 패턴이 유지되는 값인 0.5 LSU 값을 기준으로 적조 픽셀을 분류하였고, 이를 적조 면적 산에 이용하였다. 위성영상 내에서 endmember로 선택된 적조 픽셀이 100% 순수한 신호임이 증명되지 않는다면 최종 산출된 적조 면적의 정확도를 감소시킬 가능성은 여전히 존재한다. 비록 적조탐지 연구는 아니지만, 수중식생의 다양한 규모와 패치 형태를 고려한 LSU 임계값 결정을 통해 위성기반 분류 결과의 객관성과 타당성을 증명한 연구도 있다(Uhrin and Townsend, 2016). 수중식생 탐지 연구에서 다양한 신호가 포함된 혼합 픽셀에서 수중식생 분류를 위하여 0.5 LSU 값 이상을 수중식생으로 분류하였고, 이는 랜덤식생분류 알고리즘보다 더욱 정확도 높은 탐지결과를 보여준 바 있다.

Fig. 8. Percentage of red-tide LSU values in images from Aug. 14, 2015 and Sep. 15, 2015

따라서 정확한 적조 면적 산출을 위하여 클로로필 기반으로 적조 픽셀을 분류하는 시도 역시 수행하였다. GOCI 영상을 이용하여 적조 발생 지역의 클로로필 농도를 추정한 결과, 적조 패치 지역의 클로로필 농도는 1.5 mg m^-3 이하의 분포를 보였다(Fig. 9). Shin et al.(2017) 의 연구에 따르면 C. polykrikoides는 클로로필 함량이 높은 적조 종으로 GOCI 클로로필 영상에서 평균 4-5 mg m^-3 범위의 농도를 보였고, P. dentatum이나 N. scintillans와 같이 클로로필 함량이 낮은 적조 종은 약 1 mg m^-3 농도로 확인되었다. 따라서 본 연구에서 이용된 위성영상에서 탐지된 적조의 경우 최소한 클로로필 함량이 높은 C. polykrikoides 종에 의한 적조가 아님을 충분히예상 가능하고, 클로로필 함량이 낮은 종일 것으로 짐작할 수 있다.

Fig. 9. (a) GOCI Rrs true-color image on Aug. 14, 2015 (b) The enlarged GOCI chlorophyll concentration image of the yellow box in (a). (c) GOCI Rrs true-color image on Sep. 15, 2015 (d) The enlarged GOCI chlorophyll concentration image of the yellow box in (c).

본 연구에서는 분광기반 영상 융합의 결과도출을 위하여 feature-level 융합과 rawdata-level의 융합방법을 제시하였다. 먼저, feature-level 융합 방법에서 공간해상도가 낮을수록 더 많은 적조 면적이 산출되는 경향을 보였다. 이러한 경향은 위성기반 녹조 면적산출 연구에서도 확인되었고, 낮은 공간해상도를 이용한 녹조 면적 추정은 약 2-3배가량 과대추정 될 수 있음을 보고하였다 (Cui et al., 2012). 본 연구결과 역시 한 픽셀 내에 적조 신호가 차지하는 비율과 상관없이 적조로 구분된 픽셀을 동일면적으로 계산하기 때문에 픽셀의 크기가 클수록 더 많은 면적이 도출된 것으로 생각된다. 반면 Landsat OLI 영상에서 추출된 적조 영역은 실제 적조 영역이 아닌 곳까지 적조로 산출된 결과를 보이기도 했다. 이는 고해상도 영상의 특징인 영상 잡음, 선박 궤적 등으로 인한 오차인 것으로 보인다. 또한, feature-level의 융합과 rawdata-level 융합에서 계산된 적조 면적에서 패치 형태에 따른 차이를 보였다. 적조 패치가 가늘고 긴 형태 (2015년 8월 14일 영상)를 보이는 경우 두 방법간의 적조면적은 최대 70 km² 가량 차이를 보이는 반면, 넓고 큰 형태(2015년 9월 15일 영상)의 적조 면적은 최대 6 km²로 거의 차이가 없었다. LSU 분석결과에서도 확인되듯이 적조 패치의 규모가 클수록 100% 적조신호를 가지는 픽셀의 비율이 증가하기 때문에 적조 면적 추정에 있어 공간해상도의 영향이 적어지는 것으로 판단된다.

본 연구 결과는 그동안 선박조사를 통해 국지적인 적조 모니터링이 이루어지던 방법에서 벗어나 위성영상을 이용함으로써 광역범위의 적조 모니터링이 가능함을 보여주었다. 특히, 해색 센서와 육상 센서를 활용한 공간 융합을 통해 외해뿐만 아니라 탁도가 높은 연안에 발생하는 적조분포 분석을 수행하였다. 또한 다양한 분 광기반 융합 방법의 제시를 통해 연안 및 외해역을 포함한 광범위한 해역의 적조 발생 면적을 추정할 수 있는 가능성을 보여주었다. 이 결과는 한반도 주변 해역의 적조를 더욱 정확하게 탐지하고, 적조를 효과적으로 제어하기 위한 대응대책 수립을 결정하는데 필요한 정확한 적조의 분포와 면적 정보를 제공할 수 있을 것으로 기대된다.