Development of a Retrieval Algorithm for Adjustment of Satellite-viewed Cloudiness

위성관측운량 보정을 위한 알고리즘의 개발

Abstract

The satellite-viewed cloudiness, a ratio of cloudy pixels to total pixels ($C_{sat,\;prev}$), inevitably differs from the "ground-viewed" cloudiness ($C_{grd}$) due to different viewpoints. Here we develop an algorithm to retrieve the satellite-viewed, but adjusted cloudiness to $C_{grd} (C_{sat,\;adj})$. The key process of the algorithm is to convert the cloudiness projected on the plane surface into the cloudiness on the celestial hemisphere from the observer. For this conversion, the supplementary satellite retrievals such as cloud detection and cloud top pressure are used as they provide locations of cloudy pixels and cloud base height information, respectively. The algorithm is tested for Himawari-8 level 1B data. The $C_{sat,\;adj}$ and $C_{sat,\;prev}$ are retrieved and validated with $C_{grd}$ of SYNOP station over Korea (22 stations) and China (724 stations) during only daytime for the first seven days of every month from July 2016 to June 2017. As results, the mean error of $C_{sat,\;adj}$ (0.61) is less that than that of $C_{sat,\;prev}$ (1.01). The percent of detection for 'Cloudy' scenario of $C_{sat,\;adj}$ (73%) is higher than that of $C_{sat,\;prev}$ (60%) The percent of correction, the accuracy, of $C_{sat,\;adj}$ is 61%, while that of $C_{sat,\;prev}$ is 55% for all seasons. For the December-January-February period when cloudy pixels are readily overestimated, the proportion of correction of $C_{sat,\;adj$ is 60%, while that of $C_{sat,\;prev}$ is 56%. Therefore, we conclude that the present algorithm can effectively get the satellite cloudiness near to the ground-viewed cloudiness.

본 연구에서는 위성관측운량을 지상관측운량에 가깝게 보정하기 위한 알고리즘을 개발하였다. 위성관측운량과 지상관측운량은 같은 구름을 각각 평면과 반구면에 투영한 관점이라는 차이를 가진다. 따라서, 개발된 위성보정 알고리즘은 평면의 위성관측 영역에 투영된 구름에 적절한 높이를 부여하여 지상관측 영역인 반 구면에 투영된 구름으로 변환하는 것이 핵심이다. 이때 평면구름은 위성 구름탐지를 이용하며, 높이는 운정압력을 이용하여 결정한다. Himawari-8 Level 1B 관측자료로 입력자료를 만들어 기존의 위성관측운량과 개발된 알고리즘을 통해 산출한 위성관측운량을 2016년 7월부터 2017년 6월, 매월 1일부터 7일까지 낮 시간 동안 한국(22개소)과 중국(724개소)의 종관지상관측소의 목측 전운량에 대해 검증하였다. 그 결과, 개발된 알고리즘을 통해 산출한 보정위성관측운량이 기존 위성관측운량에 비해 작은 평균오차($1.01{\rightarrow}0.61$)를 가지며, 예측의 성공률(PC) 또한 증가($55%{\rightarrow}61%$)했다. 특히 '흐림(Cloudy)'에 대한 관측률(POD)이 증가하였다($60%{\rightarrow}73%$). 예측 성공률은 55%에서 61%로 상승하였다. 이때, 겨울 기간(12-2월)에는 구름 과탐지에 의한 것으로 추정되는 오차가 다소 증가하나, 전 계절과 마찬가지로 좋은 예측 성공률을 보인다($56%{\rightarrow}60%$). 개발된 알고리즘으로 산출한 보정위성관측운량이 기존의 위성관측운량보다 지상관측운량에 더 가까워지는 것을 확인하였다.

1. 서론

운량은 기후 및 기상 예보, 연구 등의 광범위한 분야에서 이용되어 왔다. 운량을 관측하여 일사량을 측정할 수 있고, 지역적인 온도 변화에 대한 지표로 사용할 수 있다(Croke et al., 1999; Groisman et al., 2000; Karl et al., 1993; Parding et al., 2014). 따라서, 관측된 운량은 단기, 중장기 예보, 기후 모델, 그리고 재분석장에서 운량, 일사량 그리고 날씨 예측 등을 위한 초기장으로 활용된다(Haskinset al., 1995). 이는 운량이 기 후 분야뿐 아니라, 일사량과 밀접한 연관이 있는 농업, 레저 산업, 태양광 발전 등의 여러 산업에 활용될 수 있다는 것을 의미한다.

게다가 여러가지 구름요소 중에서 상대적으로 관측이 용이하다는 장점을 가지기 때문에,지상에서 운량의 관측은 오랜 역사를 지닌다. 지상의 구름 관측은 지역적으로 이루어지며, 관측자가 존재하지 않는 위치에서는 운량이 기록되지 않아 공간적으로 불연속성을 가지고 있다.세계 기상관측기구(World Meteorological Organization; WMO) 기준에 따르면 지상에서의 운량 관측 간격은 3시간이다(WMO, 2014). 구름의 이동 혹은 생성 속도가 분 단위라는 것을 고려하면 지상의 관측 간격은 구름의 변화를 충분히 반영하기 어렵다. 운량의 시공간적인 변화에 의해 지역 일사량은 크게 변한다(Groisman et al., 2000; Suri et al., 2014). 이는 구름 관측의 작은 차이가 기후 예측에 매우 다른 결과를 초래할 수 있음을 의미한다. 따라서, 높은 시공간 해상도를 갖는 운량의 관측은 기후와 산업에 있어서 매우 중요하다.

한편 위성에서의 운량 관측은 지상관측운량이 존재하지 않는 장소와 시간을 보완할 수 있는 자료로, 분 단위의 구름 변화 또한 반영할 수 있어 전 지구적인 연구에 매우 유용한 자료로 활용할 수 있다. 가장 최신 위성 중 하나인 일본의 정지궤도기상위성인 Himawari-8의 경우, 80% 이상의 구름 탐지 정확도를 보인다(Bessho et al., 2016). Himawari-8과 여러 위성에서 구름 탐지를 바탕으로 작성되는 월평균 운량 자료는 지상관측운량과 0.7 이상의 상관성을 갖는다(Damiani et al., 2018; Ma et al., 2014; Thorsen et al., 2011).

하지만, 여전히 위성에서의 운량 관측은 한계를 가진다. 위성관측운량과 지상관측운량은 높은 상관관계를 보이지만, 이것이 두 운량의 정량적 일치를 의미하는 것은 아니다. 두 관측운량의 차이는 서로 다른 예측결과를 나타낼 수 있기에 모델 초기 자료로 사용하기에는 불안정하다(Haskins et al., 1995). 또한, 지상관측운량이 위성관측운량보다 일사량 및 지상에 도달하는 복사량과 밀접한 연관이 있다는 것은 이미 알려져 있다(Henderson-Sellers and McGuffie, 1990; Sun et al., 2015). 위성관측운량을 지상관측운량에 가깝게 보정하여 두 관측운량 사이의 차이를 줄일 필요가 있다(Wu et al., 2014).

두 관측운량이 서로 일치하지 않는 것은 위성에서 구름탐지를 실패하거나, 시정이 좋지 않은 날의 지상에서 관측한 결과의 오류일 수도 있다. 그러나 관측 방식이 내포할 수 있는 계통오차(systematic error)를 해소하여도 두 운량은 일치하지 않을 것이다. 운량이 일치하지 않는 원인은 지상관측과 위성관측이 이루어지는 시점이 다르기 때문이다(Henderson-Sellers and McGuffie, 1990;Kassianov et al., 2005). 위성에서 바라보는 운량은 위에 서 내려다보아 평면에 구름을 투영하여 산출하는 반면, 지상에서의 운량은 하늘을 올려다보는 관측자의 시야로 생성된 반구면에 구름의 양을 투영하며 관측된다 (Fig. 1).

Fig. 1. The overview of the difference between ground observation and satellite observation of cloud, modified from Henderson-seller and Mcguffie, 1990.

이때, 위성은 구름의 윗면을 관측하게 되므로, 운량산출에 있어서 구름 두께의 영향이 작다. 반면, 지상 관측의 경우 구름의 수평적 위치에 따라 구름 두께에 의한 영향력이 달라진다. 구름이 관측자의 바로 머리 위에 존재할 경우, 관측자는 구름의 두께에 의한 영향을 받지않으나, 구름이 관측자로부터 수평적으로 멀리 떨어질 경우, 구름의 밑면보다 구름의 두께에 의해 운량이 결정된다(Henderson-Sellers and McGuffie, 1990; Kassianov et al., 2005; Wu et al., 2014). 선행연구는 모델 자료를 이용하여 지상관측운량과 위성관측운량의 관계를 파악하고 지상관측운량을 위성관측운량으로 변환하였다 (Kassianov et al., 2005). 반대로, 위성관측운량을 지상관측운량으로 변환하는 알고리즘을 개발하는 연구도 진행되어 0.9 이상(±20% 범위)의 높은 상관계수를 보였으나 얇은 구름의 경우 등에 의해 발생하는 것으로 여겨지는 구름의 위치에 대한 알고리즘의 민감성이 감소하여 월평균 바이어스(bias)가 크게 나타났다(Oh et al., 2006).

본 연구에서는 위성관측운량의 한계를 극복하기 위해 위성관측운량을 지상관측운량의 관점으로 변환하는 알고리즘을 개발하고 검증하였다. 위성에서 바라본 평면 구름을 지상관측운량의 관측 영역과 동일한 반구면에 투영해 지상의 관점을 반영한 보정위성관측운량을 산출한다. 알고리즘의 개요와 이론은 2장에 설명되어있다. 3장은 통계적 기법과 예보성능평가를 통해 개발된 알고리즘의 검증과 자료에 대해 다루고, 4장 및 5장에서는 검증 결과와 결론을 기술하였다.

2. 알고리즘

본 논문에서는 편의를 위해 지상관측운량을 C_grd, 위성관측운량은 C_sat으로 표시하였다. 기존의 방식으로 산출된 위성관측운량은 C_{sat, prev}으로, 본 연구에서 개발된 알고리즘을 통해 산출된 보정위성관측운량은 C_{sat, adj}으로 구분하였다.

C_grd는 지상에서 위의 방향으로 관측한 구름 양이며, Csat는 우주에서 지구 대기를 아래 방향으로 관측한 구름양이다. 따라서 C_grd에 가깝도록 C_sat를 보정하기 위해서는 위성 관측이 투영되는 평면 좌표계를 지상 관점 구면 좌표계로 변환해야 한다. Fig. 2는 어떤 물체의 평면투영과 구면 투영관계를 설명하고 있다. 점 P(x, y, z)를 평면에 투영한 점을 P_p, 반구면에 투영한 점을 Ph라고 가정한다. 이때, 반지름이 r인 반구 위의 한 점인 P_h는 방위각(Azimuth angle, θ)과 입체각(Solid angle, φ)을 이용하여 나타낼 수 있다. 구면 좌표계의 θ와 φ는 직교좌표계의 x, y, z를 이용하여 계산할 수 있다. 즉, 새로 개발된 위성보정 알고리즘은 평면의 위성관측 영역(x, y)에 투영된 구름에 적절한 높이(z)를 부여하여 지상관측 영역인 반구면에 투영된 구름으로 변환하는 것이 핵심이다. 알고리즘은 다음과 같이 1) 계산 준비, 2) 산출 영역의 확인, 3) 한 구름 화소에 대한 θ 및 φ의 계산, 4) 반구면 영역에의 적분의 4 단계로 이루어진다(Fig. 3).

Fig. 2. The relationship between plain projection (P_p) and hemispherical projection (P_h) of a point, P(x, y, z) with Cartesian and hemispherical coordinate system.

Fig. 3. Flow chart of the C_sat, adj retrieval algorithm with 4 main steps; 1) preparation of a retrieval, 2) determination of FOV for the pixels, 3) calculation of θ and φ range for a cloudy pixel in FOV, and 4) hemispherical surface integral to retrieve C_{sat, adj}.

첫 단계는 계산을 준비하는 단계이다. 알고리즘의 변수를 초기화하고 산출을 위한 자료를 읽어 들인다. 주입력자료는 어떤 화소의 구름 유무를 나타내는 구름탐지(Cloud Detection, CLD)로, Fig. 1의 지상에 평면 투영된 구름과 같다. 이때, 구름의 높이를 부여하기 위해 부입력자료로 운정압력(Cloud Top Pressure; CTP)를 이용한다.

CLD는 화소 단위의 구름 유/무를 나타내는 자료이다. 전통적으로 한 ‘구름’ 화소는 화소 전체가 구름으로 가득 찬 상태로, 단층 평면 구름을 가정한다(Rossow and Schiffer, 1991). 따라서, 본 알고리즘에서는 CLD의 구름 또한 같은 가정을 이용한다. CLD는 또한, 산출지점으로부터의 ‘평면 구름’까지의 수평 거리에 대한 정보를 제공하기도 한다.

CTP는 지상 관점의 반영을 위한 구름의 수직 위치에 대한 정보를 결정하는 요소이다. ISCCP(International Satellite Cloud Climatology Project)의 구름 구분에 따르면, CTP를 통해 구름을 상층, 중층, 하층으로 구분할 수 있다(Rossow and Schiffer, 1991). 본 알고리즘에서는 CTP 를 통해 구름의 층을 구분하고, 각 층에 대해 운저고도 (Cloud Bottom Height; CBH)를 가정하였다. CTP를 통한 CBH의 가정은 Oh et al.(2006)에서 채택된 방법이다. 본 연구에서는 Oh et al.(2006)에서와 동일하게 Hahn et al. (2001)의 실측 구름 높이를 이용, 낮은 구름은 2 km, 중간 높이의 구름은 4 km, 높은 높이의 구름에는 8 km의 CBH를 각각 부여하였다. 만일 CTP 값이 CBH를 구할 수 있는 범위 바깥에 있거나, 존재하지 않을 경우를 대비하여 4 km를 기본 CBH 값으로 설정하였다(Table 1).

Table 1. Determination of CBH using cloud top pressure with ISCCP cloud classification, same as Oh et al. (2006)

두번째 단계에서는 입력자료 중 어떤 화소가 산출 영역에 속하는지 판단한다. 운량(Cloudiness, C)은 ‘관측되는 하늘을 덮고 있는 구름의 양’ 으로 정의된다. 즉, 어떤 한 지점의 운량은 그 지점을 중심으로 한 관측 영역 (Field of View; FOV)의 넓이(AFOV) 중 구름의 양(AFOV, cloud)의 비율로 다음과 같이 나타낼 수 있다.

\(C = {A_{FOV,cloud}\over A_{FOV}}\)        (1)

이때 운량은 관측 지점, 즉 관측 영역의 중심에 대한 값이다.

지상관측은 관측자의 시야 반구가 FOV가 된다. 지상관측자의 시야는 10 mile (약 16 km)에서 60 mile (약 96km)사이의 값을 가진다(Blackmer Jr, 1965). 반면, 정지궤도위성은 지구 표면의 약 1/3을 관측하므로 C_grd와 C_sat의 비교를 위해서는 지상관측자의 관측 영역에 맞추어 C_sat을 산출해야 한다. Barnes and Chang(1968)에 따르면 C_grd과의 비교를 위해서는 C_sat의 산출 영역을 비교할 지상 자료 위치의 위도 0.5°에 대항하는 길이를 직경으로 하는 원으로 설정하는 것이 최적의 조건이다. 또한, 지상관측자의 구름관측 최적 시야는 50 km로 알려져 있으므로(Barrett and Grant, 1979), 본 알고리즘에서는 산출 영역을 반경 50 km의 원형으로 설정하였다.

한 산출 영역을 통해 계산된 C_sat은 산출 영역의 중심화소의 값이다. 어떤 화소가 산출 영역에 포함되는지를확인하기 위해 Fig. 4와 같이 nx × ny개의 화소군을 가정한다. 이는 원형의 산출 영역에 해당할 수 있는 모든 화소의 집단이다. 화소군 내의 어떤 화소 pixel(i, j)가 산출영역의 중심 화소에 대해 가지는 거리(D)가 산출반경 (r_FOV)보다 작다면, pixel(i, j)는 산출 영역에 속하는 화소가 된다. 따라서, 산출 영역은 nx × ny의 화소군 내에 존재하는 D가 r_FOV보다 작은 화소의 집단으로서 정의할 수 있다(식 2).

Fig. 4. The example of determination of calculation area with nx × ny pixels.

\(FOV_{pixel} =\begin{Bmatrix} pixel (i,j) | D \le r_{FOV},\ i=1,2,3,\cdots , nx, j=1,2,3, \cdots , ny\end{Bmatrix}\)         (2)

이때, nx와 ny는 화소 해상도(Res_x, Res_y)와 r_FOV을 이용하여 계산한다. 중심 화소를 기준으로 산출 영역의 양 끝에 위치할 수 있는 화소는 r_FOV를 각각 Res_x와 Res_y으로나눈 값과 동일하다. 따라서, nx와 ny는 다음과 같이 계산할 수 있다(식 3a, 3b).

\(nx=2\times {r_{FOV}\over Res_x}+1\)        (3a)

\(ny=2\times {r_{FOV}\over Res_y}+1\)        (3b)

본 알고리즘의 r_FOV는 50 km이다. 산출에 이용한 위성자료의 화소 해상도가 2 km × 2 km 라면, 산출을 위해 가정한 화소군의 크기는 식 3a, 3b에 따라 51 × 51 이다.

세 번째 단계는 산출 영역 내 어떤 화소가 구름 화소일 때, 화소가 가질 수 있는 방위각(θ)과 입체각(φ)의 범위를 계산하는 과정이다. 화소는 특정한 면적을 가지므로 각 구름 화소당 입체각과 방위각의 범위를 가진다. 화소가 가질 수 있는 입체각과 방위각의 최대 및 최소 값의 계산은 화소의 네 꼭지점에서 계산된다. 계산의 편의를 위해 산출 영역의 중심 화소를 직교좌표계와 구면좌표계의 원점으로 한다. 원점으로부터 어떤 화소 Pixel(i, j)의 네 꼭지점이 가질 수 있는 수평적 위치 정보를 x, y를 계산하여 반구면에서의 화소 위치를 나타내는 θ를 계산할 수 있다.

\(x=Res_x \times (i\pm 0.5)\)        (4a)

\(y=Res_y\times (i\pm 0.5)\)        (4b)

\(\theta = \tan ^{-1} ({y\over x})\)        (4c)

φ를 계산하기 위해서 수직 위치 정보(z)가 필요하다. 구름의 수직 위치 정보로 같은 위치의 CTP 화소 값을 이용해 결정한 CBH를 이용한다. φ는 다음과 같이 계산된다.

\(\theta = \tan ^{-1} ({\sqrt{x^2+y^2}\over z})\)        (4d)

이 때, 산출 영역 내 구름 화소가 가질 수 있는 방위각과 입체각의 최대 및 최소값을 각각 θ_min, θ_max, 그리고 φ_min, φ_max으로 계산한다. 이는 산출 영역에 속하는 화소들 중에서 방위각 또는 입체각의 중복을 피함으로써 구름의 과대모의를 방지할 수 있다.

알고리즘의 마지막 단계는 반구면에 대한 적분을 통해 A_FOV와 A_{FOV, cloud}의 계산을 통해 C_{sat, adj}을 산출하는 것이다. θ가 가질 수 있는 값의 범위는 0에서 2이며, φ는 0에서 /2 사이의 값이다. 이는 산출 영역을 완전한 반구로 가정하였기 때문이다. 따라서, C_{sat, adj}의 A_FOV는 다음과 같이 반구면 적분으로 계산한다(Fig. 5).

\(A_{FOV} = r_{FOV}^2 \int _0^{2\pi}\int _0 ^{\pi\over 2}\cos \varphi d\varphi d\theta\)        (5a)

Fig. 5. The example of calculation for Csat, adj with a cloudy pixel. 

한 산출 영역에 대해 앞서 계산한 계산된 θ_min, θ_max, φ_min, φ_max의 값 범위에 대해 반구면 적분으로 A_{FOV, cloud}를 얻는다.

\(A_{FOV, cloud} = r_{FOV}^2 \int _{\theta _{max}}^{\theta _{max}}\int _{\varphi _{max}} ^{\varphi _{max}}\cos \varphi d\varphi d\theta\)        (5b)

최종적으로 C_{sat, adj}는 다음의 같이 계산된다

\(C_{sat, adj} = A_{FOV, cloud} = r_{FOV}^2{ \int _{\theta _{max}}^{\theta _{max}}\int _{\varphi _{max}} ^{\varphi _{max}}\cos \varphi d\varphi d\theta\over \int _0^{2\pi}\int _0 ^{\pi\over 2}\cos \varphi d\varphi d\theta}\)        (6)

3. 자료 및 검증 방법

1) 자료

(1) 위성자료

Himawari-8은 140.7°E에 위치하며 태평양과 동아시아를 포함하여 관측한다(Bessho et al., 2016). Himawari-8은 지구의 약 1/3에 해당하는 넓은 전체 관측 영역(Fulldisk, FD)을 매 10분마다 관측한다. 또한 16개의 채널을 가지며, 가시영역(Visible, VIS) 0.5 km, 근적외영역(NearInfrared, NIR) 1 km, 그리고 적외영역(Infrared, IR) 2 km의 해상도를 갖는 고해상도 위성이다. 따라서, 본 알고리즘을 적용하기에 적합하다고 판단하였다. 알고리즘의 입력자료로서 Himawari-8 Level 1B 자료를 이용해 구름의 유/무에 대한 정보를 제공하는 CLD와 구름의 수직적 위치 정보를 제공할 CTP를 산출하여 사용하였다. 시험에 사용한 IR 자료의 공간해상도가 2 km×2 km 단위이므로, 산출되는 자료 또한 2 km×2 km의 해상도를 가진다. 구름탐지 및 운정압력을 산출에 이용한 채널 정보는 Table 2에 기술하였다.

Table 2. Channel information of Himawari-8, AHI sensor that used to CLD and CTP

구름탐지는 Himawari-8의 Level 1B (0.64, 0.86, 10.4, 12.3, 13.3 µm) 관측 정보를 이용하여 신뢰도가 보장된 방식인 경곗값 시험 기법(Threshold test)으로 산출하였다. 단일 파장 경곗값 검사(0.64, 0.86, 10.4 µm)를 위해 산출 대상이 되는 날을 기준으로 이전 15일 간의 창천반사도 경곗값과 복사 휘도 경곗값 검사(BTD10.4-12.3, BTD10.4-13.3)를 위한 복사휘도 경곗값을 복사전달모델인 RTTOV(Radiative Transfer for TOVs)를 통해 계산하여 결정하였다. 단일 파장 경곗값 검사와 복사 휘도차 경곗값 검사 결과, 60% 이상이 구름이라고 할때 해당 화소를 구름 화소로 정의하였다.

운정 압력은 운상 정보에 따라 다르게 산출된다. 얼음상의 경우, IR 휘도 온도차 정보(10.4, 11.2, 13.3 µm)와 구름방출률과의 경험적 관계를 통해 운정온도 및 운정압력을 산출한다(Kim et al., 2019). 액체상의 경우, 실시간 수치예보모델 UM(Unified Model) 자료와 RTTOV 모의를 통해 단일 채널(10.4 µm) 관측 복사량과 가장 가까운 복사량을 나타내는 운정 압력을 추정한다(EUMETSAT, 2011). 산출된 운정압력은 구름의 수직 높이 정보에 이용된다.

(2) 비교 자료

기존 방식으로 산출된 위성관측운량인 C_{sat, prev}을 산출하여 비교 자료로 이용한다. C_{sat, adj}의 산출과 같이 구름탐지자료를 이용한다. 위성 자료에서 화소는 면적과 같은 단위를 가지므로, Cs_{at, prev}은 운량의 정의(식 1)에 따라 산출 영역의 면적(A_FOV)은 산출 영역의 전체 화소 수 (N(PixelFOV, cloudy))로, 그 중 구름의 면적(AFOV, cloudy)은 그 중 구름 화소 수(N(Pixel_{FOV, cloudy}))로 계산한다. 따라서, C_{sat, prev}은 다음과 같이 계산된다.

\(C_{sat,\ prev} = {N(pixel_{FOV,\ cloudy})\over N(Pixel_{FOV})}\)         (7)

(3) 지상자료

한국과 중국 지역은 Himawari-8가 관측하는 범위에 존재하는 넓은 지상 영역이며, 다양한 지표와 고도를 가지기에, 한국과 중국의 지상 관측소 자료를 알고리즘의 검증 자료로 이용하였다. 검증자료는 종관기상관측소 (SYNOP ground station)의 종관기상자료이며, WMO의 관측 가이드(CIMO Guide)를 따르는 목측 전운량이다 (WMO, 2014). 한국의 자료는 1시간 간격으로 22개 관측소에서 10분위(Tenth)로 나타내는 반면, 중국의 자료는 3시간 간격의 자료로, 약 700여개 관측소에서 8분위 (Okta) 단위로 기록된다. 분석의 편의를 위해 8분위 자료를 10분위 자료로 변환하였으며(Table 3), 3시간 단위의 자료로서 이용한다.

Table 3. Conversion values from Okta to Tenth for cloudiness

2) 검증 방법

알고리즘의 검증은 기존 방식의 Csat, prev와 개발된 알고리즘으로 산출된 Csat, adj이 Cgrd와 얼마나 유사한지 확인한다. 검증은 중국과 한국 지역을 대상으로, 2016년 7월부터 2017년 6월까지, 매월 1일-7일 동안 수행하였다.

검증을 위해 서로 다른 자료의 시간 및 공간 해상도를 일치시켰으며 공간 정보는 관측소와 위성 자료가 가지는 위도와 경도 값을 이용하여 일치시켰다. 두 자료의 위/경도 값의 차이가 최소가 되는 위성 화소의 값과 관측소의 값을 서로 대응시켰다. 시간 정보는 위성자료가 10분 간격, 지상관측자료는 3시간 간격의 자료이므로 지상관측자료의 3시간 간격에 맞추어 검증하였다. 이때, 관측자의 관측 시야가 보장되는 낮 시간(00UTC–09UTC, 중국 : +08UTC, 한국 : +09UTC)만을 이용하였다.

또한, 분석은 전체 기간과 겨울 기간(12–2월), 그리고비 겨울 기간(3–11월)으로 나누어 진행하였다. 이는 동북아시아 겨울 기간(11–2월)에 지표 상태 변화(눈, 식물피복도 변화), 낮은 온도로 인한 IR 영역 휘도 온도 시험에 영향을 미칠 가능성 등에 의해 구름탐지가 잘 맞지 않아 운량에 오류가 있을 가능성이 존재하기 때문에(Maet al., 2014) 겨울 기간의 영향을 확인하기 위해서이다.

알고리즘은 구름의 수평 및 수직 위치를 이용하여 C_{sat, prev}에 지상의 관점을 부여한다. 입력자료의 정확도에 크게 의존하기 때문에 어느 정도 신뢰성을 가지는 입력 자료를 이용하여 알고리즘을 검증할 필요가 있다. 입력자료 및 위성천정각(Viewing Zenith Angle)에 따른 불확실성을 배제하고 알고리즘에 집중하기 위해 시공간 일치를 완료한 지상의 관측과 위성 관측이 일치하는 경우에 대해서만 검증을 진행하였다. 같은 위치로 확인된 지상 관측소와 위성 관측에서 동일하게 구름을 탐지한 경우와, 구름을 탐지하지 않은 경우가 이에 속한다. 만일 해당 화소의 CLD와 C_grd이 상반될 경우는 두 관측 자료 중 하나에 오류가 있는 것으로 판단하여 해당 대응 값들을 검증에서 제외하였다. C_grd가 0일때 CLD 결과가 구름인 경우와 C_grd가 10일때 CLD 결과가 구름 없음인 경우가 이에 해당된다.

C_sat을 시험자료(x), C_grd를 검증자료(y)로 두었다. 이때, 검증자료와 시험자료는 같은 수(n)의 집단으로, 각각의 자료 평균은 x–, y–로 표시하였다. 시험자료와 검증자료의 오차(error)를 이용하여 보정결과를 검증하였다. 오차가 작다는 의미는 두 집단 간의 차이가 작다는 의미이며, 오차가 0일때두 집단은 일치한다. 또한, 오차의 부호로 시험집단의 편향 정도를 확인할 수 있다.

i번째(i = 1, 2, 3, …, n) 오차는 다음과 같이 계산된다.

\(error_i = x_i - y_i\)        (8)

평균제곱근오차(Root Mean Square Error; RMSE)를 이용하여 시험자료와 검증자료의 차이를 계산하였다. 값이 작을수록 오차가 전반적으로 작음을 뜻한다.

\(RMSE = \sqrt {{\sum ^n _i error_i^2 \over n-1}}\)        (9)

평균 오차(Mean error)는 검증자료와 시험자료의 오차(error)의 평균이다. RMSE와 같이 검증자료에 시험자료가 얼마나 가까운지 나타내지만, 양 혹은 음으로 어떤 차이가 발생하는 지 확인할 수 있다.

\(Mean \ error = {\sum ^n_i error _i \over n}\)        (10)

기존의 방식으로 계산한 C_{sat, prev}가 C_{sat, adj}와 C_grd의 상관관계가 C_{sat, prev}와 C_grd의 상관관계 비해 얼마나 개선되었는지 확인하기 위해 상관계수(Correlation Coefficient, r)를 이용하였다. 이는 다음과 같이 계산된다.

\(r={\sum^n_i (x_i - \bar {x})(y_i - \bar {y})\over \sqrt{\sum^n_i (x_i - \bar {x})^2(y_i - \bar {y})^2} }\)         (11)

구름 모델 혹은 구름 예보에서 얼마나 잘 맞는지 진단하기 위한 도구로서 예보성능평가(Skill score test)가 이용되며, C_grd는 검증 시 ‘지상 참값(ground truth)’로 간주된다. 예보성능평가는 모델 혹은 예보 뿐 아니라, C_sat과 Cgrd의 상호 비교에 활용되기도 한다(Werkmeister et al., 2015). 본 연구에서는 예보성능평가를 통한 결과 검증을 위해 운량을 맑음(Clear, 0–2), 구름 조금(Broken, 3–5), 구름 많음(Overcast, 6–8), 흐림(Cloudy, 9–10)의 4구분으로 나누어 예보성능평가를 진행하였다. 10분위 운량의 4구분은 한국 기상청에서 제공하는 과거구름자료 분류의 방식을 따른다. 4 × 4의 구분 경우를 가지는 분할표(Contingency table)의 예시는 Table 4과 같다. 분할표의 N_ij는 구분(i, j)에 해당하는 자료의 수를 뜻한다. 탐지율(Probability of Detection, POD), 오탐지율(FalseAlarm Rate, FAR) 그리고 성공률(Proportion of Correction, PC)을 계산하여 검증에 이용하였다.

 Table 4. Example of 4×4 contingency table

POD_i는 같은 구분(i)에 대해 시험대상이 검증대상을 맞힌(Hit) 비율을 뜻한다(식 12). 1에 가까울수록 해당 구분에서 시험대상이 검증대상을 잘 모의한다고 할 수 있다.

\(POD_i = {N_{ii}\over \sum _i ^n N {ij}}\)        (12)

FAR_i는 어떤 구분(i)에 대해 시험대상이 검증대상을 맞히지 못한(Miss) 비율을 뜻한다(식 13). 0에 가까울수록 해당 구분에서 검증대상을 잘 모의하지 못함을 의미한다.

\(FAR_i = {\sum _j^n N_{ij} -N_{ii}\over \sum _i ^n \sum _j^n N_{ij}-\sum ^n_i N_{ij}}\)          (13)

PC는 예측이 전체적으로 얼마나 잘 맞는지를 의미한다. 본 연구의 분석과 같이 구분이 3 개 이상일 때는 정확도(Accuracy)라고도 불린다. 이는 전체에 대해 모든 맞힌 구분의 비율을 뜻한다(식 14).

\(PC = {\sum _i^n N_{ii} \over \sum _i^n \sum _j ^n N_{ij}}\)        (14)

4. 결과

위성관측운량을 지상관측운량에 가깝게 보정하는 알고리즘을 개발하여, 전통적인 위성관측운량(C_{sat, prev})과 본 알고리즘을 통해 산출된 보정위성관측운량(C_{sat, adj})을 지상관측운량(C_grd)에 대해 비교하여 새로 개발된 알고리즘을 검증하였다.

Fig. 6는 2016년 7월부터 2017년 6월까지 각 관측소별 월 7일 평균 C_grd에 대한 C_{sat, prev}, C_{sat, adj}의 r을 확인한 결과이다. 비 겨울 기간에 대해 0.7 이상의 높은 상관계수를 보이며, 이는 일반적인 월 평균 C_grd와 C_{sat, prev}의 상관계수와 비슷하다. 같은 기간에 C_grd에 대한 C_{sat, adj}의 r은 0.7 이상이며, C_{sat, prev}보다 작은 RMSE (1.808 → 1.672), 평균 오차(-1.133 → -0.881)를 보인다. 겨울 기간에는 C_grd에 대한 C_{sat, prev}의 상관계수가 비 겨울 기간보다 크게 낮아지며(0.718 → 0.48), RMSE 또한 비 겨울 기간보다 증가하고(1.808 → 2.430), 평균 오차 또한 증가한다. 이는 전체적으로 C_{sat, prev}이 과대모의 됨을 의미한다. 더욱이, 비 겨울 기간과는 달리 C_{sat, adj}의 C_grd에 대한 상관계수가 C_{sat, prev}의 Cgrd에 대한 상관계수보다 작고, RMSE와 평균오차는 증가하여, C_{sat, prev}보다 좋지 못한 성능을 보인다.

Fig. 6. Scatter plots of monthly-first-7-days-average of (a) C_sat,prev and (b) Csat, adj, against C_grd during (1) all seasons, (2) non-winter, and (3) winter before data screening.

비 겨울 기간과 다르게 겨울 기간에 C_{sat, adj}가 좋지 못한 성능을 보이는 이유는 동아시아의 겨울 기간 지면 피복 변화와 찬 온도에 의한 IR 휘도 온도 시험 교란 등으로 CLD의 과대탐지가 발생할 뿐 아니라(Ma et al., 2014), 한국과 중국이 Himwari-8의 위성천정각이 34°에서 81°인 위치에 존재하는 이유 또한 복합적으로 영향을 미치는 것으로 여겨진다.

위성천정각이 큰 위치에서는 Csat, prev의 값에 영향을 미칠 수있는CLD의수평적위치오차가시차효과(Parallax effect)에 의해 발생할 수 있다(Lee et al., 2011; Minnis, 1989; Wang et al., 2011). 구름의 수평적인 위치와 수직적인 위치를 이용하여 지상 관점을 부여하는 본 연구에서 수평적 오차는 개발된 알고리즘에 오차를 일으킬 수 있다. 시차 효과는 또한, CTP의 값에도 영향을 미친다. 시차효과에 의해 위성천정각이 큰 위치에서 CTP로 결정한 구름의 수직적 위치인 CBH의 정확성이 떨어지기에 알고리즘 성능에 영향을 미칠 수 있다.

따라서, Csat, prev에 미치는 위성천정각의 영향을 확인하기 위해 위성천정각을 5° 간격으로 나누어 9개의 영역(A, B, C, D, E, F, G, H, I)으로 구분하고(Fig. 7), 비 겨울기간(붉은 사각형)과 겨울 기간(검은 원)에 대해 각 영역안에 속하는 Cgrd에 대한 Csat, prev의 상관계수와 RMSE를 나타냈다(Fig. 8). 35° 미만에 존재하는 관측소가 2곳이고, 80° 이상에 존재하는 관측소가 1곳이므로 이를 각각 35° – 40° (A), 75° – 80° (I)의 영역에 포함시켰다. 비 겨울기간에는 위성천정각에 상관없이 어느 정도 일정한 상관계수와 RMSE 범위를 가진다. 반면, 겨울 기간에는 위성천정각이 커질수록 상관계수가 감소하며, RMSE가 증가하는 경향을 보인다.

Fig. 7. Ground station (black dots) and viewing zenith angle range of Himwarai-8, 9 area (A, B, C, D, E, F, G, H, I) from 34° to 81°, and its interval is 5°.

입력자료에 대한 불확실성을 최소화하기 위해, 지상의 관측과 위성 관측이 일치하는 경우에 대해서만 검증을 진행하였다. 그 결과, 위성천정각에 따른 상관계수와 RMSE의 차이가 줄어든 것을 확인할 수 있었으며 (Fig. 8), 이는 겨울 기간의 월 7일 평균 상관계수를 통해서도 확인할 수 있다(Fig. 9). 또한, 겨울 기간에도 비 겨울 기간과 같이 속하는 C_grd에 대한 C_{sat, adj}이 C_{sat, prev}보다 높은 상관계수와 낮은 RMSE 및 평균 오차를 가짐을 확인할 수 있다. 알고리즘은 구름의 수평 및 수직적 위치를 이용하여 C_{sat, adj}를 산출하므로, 입력자료의 정확도와 신뢰성을 요구한다. 알고리즘은 직접적으로 위성천정각의 영향을 받지는 않으나, 위성천정각이 입력자료에 미치는 영향(시차 효과)을 간접적으로 받는다.

Fig. 8. r and RMSE values of C_sat, prev with viewing zenith area (A, B, C, D, E, F, G, H, I) (a) before data screening and (b) after data screening.

Fig. 9. The same as in Fig. 6 but for after data screening.

운량의 분포에서 나타나는 C_{sat, prev}과 C_{sat, adj}의 경향 차이를 확인하기 위해 C_grd와 C_sat 사이의 오차를 각 구간의 크기가 1인 분포로 나타냈다(Fig. 10). C_grd에 대해 C_sat이 가질 수 있는 오차의 범위는 -10과 10이며, 0의 값을 가질 때 가장 좋다. 전체적으로 C_{sat, adj}(빨간 실선)은 C_{sat, prev} (검은 점선)보다 오차가 -5에서 -1사이의 값일 때에 해당하는 비율이 감소하고, 1에서 3 사이일 때 해당하는 비율이 더 증가하는 경향을 보인다. 이는 알고리즘에서 C_{sat, prev} 보다 과대모의되는 경향을 가지는 C_{sat, adj}을 산출한다는 의미이다. 일반적으로, C_sat이 C_grd 보다 같은 양의 구름을 관측하였을 때 과소모의되는 경향이 있으므로, 지상 관점을 좀 더 반영하였음을 의미한다. 특히 C_{sat, prev}보다 C_{sat, adj}의 분포에서 0에 해당하는, -0.5에서 0.5사이 값의 빈도수가 증가(5%p)하여, C_grd과의 오차가 감소함을 확인하였다.

 

Fig. 10. Distributions of the error between C_{sat, prev} and C_grd (black dashed line), and between C_{sat, adj} and C_grd (red solid line) during (a) all seasons, (b) non-winter, and (c) winter.

Table 5는 전체 기간과 비 겨울 기간, 그리고 겨울 기간에 대해 상관계수, RMSE, 그리고 평균 오차를 나타낸다. 전체 기간에 대해 C_{sat, prev}보다 C_{sat, adj}에서 상관계수의 증가, RMSE의 감소, 그리고 mean error 크기의 감소를 확인할 수 있다. 이는 비 겨울기간에 더욱 뚜렷하다. 다만, 겨울 기간의 경우 RMSE와 mean error는 다소 증가하는 경향을 보인다.

Table 5. r, RMSE, and mean error between C_grd and C_sat

Fig. 11은 전체 기간(1)과 비 겨울 기간(2), 겨울 기간(3) 대해 각각 C_grd와 (a) C_{sat, prev} 그리고 (b) C_{sat, adj}을 0부터 10까지의 구간으로 나누어, 총 10×10의 구간에 해당하는 값을 표시하여 2차원 밀도분포도로 나타냈다. 이때, (c)는 C_grd에 대한 C_{sat, adj}의 분포도(Fig. 11(b))의 각 구간에서 C_grd에 대한 C_{sat, prev}의 분포도(Fig. 11(a))의 각 구간의 값의 차이를 나타냈다. 각 구간마다 구간에 속하는 값을 표기하였다. 운량이 2 미만이거나 8 이상인 구간에 값들이 증가하는 경향을 보이며, 이로 인해 C_grd와 더 좋은 상관관계를 보이는 것을 확인할 수 있다. 겨울 기간의 경우, C_grd이 작은 운량 구간에 속할 때(3 미만), Cs_{at, prev}은 0에서 10까지 상대적으로 넓은 구간 범위에 분포한다. 이는 앞에서 언급한 겨울 기간의 구름 과탐지의 영향이완전히 제거되지 않아서 발생한 것으로 판단된다. 겨울기간 또한 3 미만의 값을 제외하고 볼 경우, 비 겨울기간과 동일하게 C_{sat, prev}보다 C_{sat, adj}에서 C_grd에 더 가까운 값을 보인다. 운량이 6 이상일 때 C_{sat, adj}이 C_{sat, prev}보다 높은 빈도수를 나타내어, 즉, 과대모의하여 C_grd와의 차이가 감소하는 경향을 보인다. 반면, 운량이 5 이하인 경우 과대모의와 과소모의 경향이 동시에 나타난다. 운량이 3–5 사이인 경우 C_{sat, adj}이 C_{sat, prev}보다 C_grd를 잘 설명하지못한다. 운량이 3 이하일 때는 C_{sat, adj}이 C_{sat, prev}보다 과소 모의하는 경향이 두드러진다. 겨울기간에 C_grd가 3 이하일 경우를 제외하고는 C_{sat, adj}에서 C_{sat, prev}보다 C_grd에 가까운 값을 모사한다. 따라서, C_{sat, prev}보다 C_{sat, adj}이 C_grd을 더 잘 설명할 수 있다. 관측되는 운량이 3 미만 혹은 8 이상인 경우, 기존의 방식보다 개발된 알고리즘을 통한 운량이 지상관측에 잘 대응하여 상관계수가 증가함을 확인할 수 있다.

Fig. 11. 2-dimensional probability density plots of (a) C_{sat, prev}, (b) C_{sat, adj} against C_grd, and (c) (b) minus (a) in (1) all seasons, (2) non-winter, and (3) winter.

RMSE와 평균 오차의 변화를 확인하기 위해 C_grd에 대해 C_{sat, prev}와 C_{sat, adj}에서 발생하는 오차를 2차원 밀도분포도로 작성하였다(Fig. 12). 밀도분포도는 C_grd의 각 구간(10 개)에 대해 발생할 수 있는 오차의 크기를 10개의 구간으로 나누었다. 각 구간의 크기는 1 이며, 오차의 크기를 표현하기 위해 오차에 제곱한 뒤, 제곱근의 값으로서 표현하였다. Fig. 11에서와 같이 운량이 6 이상일 때 C_{sat, adj}이 C_{sat, prev}보다 작은 오차값에 빈도가 증가한다. 겨울기간에서 5이하의 오차 증가가 두드러졌으며, 비 겨울 기간에서는 증가 및 감소가 함께 발생함을 확인하였다. 전체적으로 오차의 크기가 감소하는 경향을 나타내어, 본 알고리즘을 통해 C_grd와의 오차를 줄일 수 있음을 확인하였다.

Fig. 12. 2-dimensional probability density plots of root-squared errors of (a) Csat, prev, (b) C_{sat, adj} against C_grd, and (c) (b) minus (a) in (1) all seasons, (2) non-winter, and (3) winter.

C_sat이 각각 C_grd와 얼마나 일치하는지 확인하기 위해 전체 기간, 비 겨울 기간, 그리고 겨울 기간에 대해 ‘맑음’, ‘구름 조금’, ‘구름 많음’, 그리고 ‘흐림’의 각 구분에 해당하는 비율을 계산해 4×4 구분표를 작성하고(Table 6), 이를 바탕으로 POD, FAR, PC의 값을 계산하였다(Table7). 전체 기간에 대해 C_{sat, adj}의 정확도가 C_{sat, prev} 보다 약 4%p 증가한다. 이는 ‘맑음’ 경우와 ‘흐림’ 경우의 구분에서 C_{sat, adj}이 C_grd에더잘 맞기 때문으로(PODclear, 80.03% → 82.99%, PODcloudy, 50.99% → 73.07%), 특히 ‘흐림’ 구분에서 10% 이상 증가하였다. 반면, ‘구름 조금’과 ‘구름 많음’의 구분에서 정확도가 다소 감소하며(약 7%p), 이는 앞서 분석한 오차의 증가가 원인으로 판단된다. 전체적으로 FAR는 감소하는 경향을 보이며, ‘구름 조금’과 ‘구름 많음’의 구분에서 또한 확인할 수 있다. ‘구름많음’의 경우 다소 FAR가 상승하는 경향을 보이나, POD의 상승으로 상쇄된다. 겨울 기간의 경우 POD가 기존 대비 6%p 상승하였다. 전체 기간과 비교하였을 때, 전체적으로 POD가 감소하고 FAR가 증가한 것을 확인할 수 있었다. 비 겨울 기간은 약 5%의 PC가 증가하여, Csat, prev과 Csat, adj에서 모두 ‘맑음’ 경우 매우 잘 맞히는 것을 확인할 수 있었다(84.92%, 87.54%). 비 겨울기간에는 특히 ‘흐림’인 경우에 20% 정도의 POD 향상을 확인할 수 있었다. 겨울 기간에도 C_{sat, prev}보다 C_{sat, adj}이 C_grd를 잘 설명한다. 특히, 겨울 기간의 ‘흐림’인 경우 전체 기간보다 좋은 값을 보인다(PODcloudy, 60.55%). 이는 겨울 기간에 과탐지 되는 구름탐지의 영향으로 판단된다. 같은 이유로, 겨울 기간 동안 ‘맑음’인 경우 POD가 떨어지는 것으로 보인다(PODclear, 65.21%).

Table 6. The 4×4 contingency table of skill score test for Csat, prev and Csat, adj against Cgrd in each period

Table 7. The results of skill score test for Csat, prev and Csat, adj against Cgrd in each period

5. 요약 및 결론

C_grd와 C_sat의 관측 시점의 차이로 인해 발생하는 오차를 줄이기 위해 C_sat를 C_grd와 유사하게 보정하는 새로운 C_sat를 산출하는 알고리즘을 개발하였다. C_sat의 위성 평면 투영 구름(C_{sat, prev})을 C_grd의 관점의 반구면 좌표계로 산출한 보정위성관측운량을 C_{sat, adj}이라고 하였다. 알고리즘의 입력자료는 위성관측 평면에 투영된 구름인 구름탐지와 운정압력이며, 운정압력은 평면 투영된 구름의 운저고도 결정에 이용된다.

기존 방식과 개발된 알고리즘에서 산출된 운량의 차이를 확인하기 위해 C_{sat, prev}를 비교대상으로 하여 2016년 7월부터 2017년 6월까지 매월 1–7일까지 낮 시간에 대해 알고리즘의 검증을 수행하였다. 검증 위치는 Himwari-8의 위성천정각이 34°–81°인 영역으로, 위성천정각이 큰 위치에서 C_{sat, prev}의 값에 영향을 미칠 수 있는 CLD 및 CTP의 오류가 시차 효과(Parallax)에 의해 발생할 수 있다(Lee et al., 2011; Minnis, 1989; Wang et al., 2011). 개발된 알고리즘의 효과에 집중하고자 지상과 위성의 구름 관측이 상반될 경우 검증에서 제외하였다. 그 결과 위성천정각에 따른 RMSE 값이 감소하며, 상관계수는 0.7 이상의 값을 보인다. 입력자료의 오탐지를 제외할 경우 알고리즘의 성능은 위성천정각에 큰 영향을 받지 않는 것으로 판단된다.

C_{sat, prev}보다 개발된 알고리즘으로 산출한 C_{sat, adj}와 C_grd사이의 상관계수가 증가하였다. C_grd에 대한 RMSE와 평균 오차는 기존의 C_{sat, prev}보다 감소하며, 오차의 분포가 작은 수에 빈도가 증가한다. 이는 겨울 기간, 비 겨울 기간에서 동일하게 발생한다. 개발된 알고리즘은 운량이 크거나(8 이상) 작은 경우(2 미만)에서 특히 오차를 감소시키는 경향을 보인다. 그러나, 운량이 3에서 7인 중간 정도의 운량에서는 오차가 다소 증가하지만, 오차 감소 경향보다는 작은 크기이다. 오차가 감소하는 경향과 POD 상승 경향은 비슷한 양상을 보인다. 한국 과거 자료 분류 기준의 구름 구분을 이용해 예보성능평가를 진행하였다. 맑음(0–2)과 흐림(9–10) 구분에 해당할 때, POD가 상승하는 경향을 보이며, 이는 오차가 감소하는 경향과 비슷한 양상을 보인다. 반면 구름 조금(3–5)의 경우 POD가 감소하는 경향을 보여, 후속 연구를 통해 이를 개선할 필요가 있다.

현재 알고리즘에서 평면으로부터 구면 좌표계의 변환에 이용하는 운저고도는 ISCCP 구름 분류 기준을 통해 얻어진 저/중/고의 세 높이에 대해 Hahn et al.(2001)의 8년 간의 관측 결과를 이용하여 결정되어 다소 임의적일 수 있다. 또한, ISCCP 구름 분류 기준 또한, 다소 임의적인 면이 존재하여 어떤 구름에 대한 운저고도에 대한 정보를 정확히 주었다고 말하기 어렵다(Minnis, 1989). 예를 들어, 적란운(Deep Convective Cloud)은 ISCCP 분류상 CTP 에 의해 고층(High) 구름으로 분류되나, 바닥은 낮은 구름 중 하나이다. 이러한 점들이 C_{sat, adj}의 값의 오차 원인이 될 수 있다.

또한, 운량에 영향을 미칠 수 있는 구름의 과탐지는 위성천정각이 큰 지역 뿐 아니라, 지표 상태, IR 온도 시험 교란 등의 계통 오차로 인해 발생하거나 화소의 크기보다 작은 조각구름이나 구름의 가장자리, 혹은 권운의 경우에 발생하기도 한다. 이는 위성관측의 공간해상도가 지상보다 좋지 못해 발생하는 오차이며, 지상 관측에서 높은 권운을 잡아내기 못하여 발생하는 오차이기도 하다. 이는 일반적으로 가정되는 CLD의 구름 화소는 완전히 구름이 덮인(혹은 없는) 상태인 것과 상반된다. 구름의 유무만을 제공하는 CLD 자료에 구름의 정도를 나타낼 수 있는 물리량을 이용한다면 구름 과탐지로인한 운량 과대모의를 어느 정도 억제할 수 있을 것으로 생각된다. 구름 방출률의 경우 구름의 물리적인 특성을 나타내며, 그 값이 클 때 구름의 두꺼움을 의미한다. 이는 향후 구름 방출률을 통해 과탐지에 대한 보정이 가능할 것으로 여겨진다.