Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Comparative Study on Hyperspectral and Satellite Image for the Estimation of Chlorophyll a Concentration on Coastal Areas

연안 해역의 클로로필 농도 추정을 위한 초분광 및 위성 클로로필 영상 비교 연구

  • Shin, Jisun (OST Student-in-training, Korea Ocean Satellite Center, KIOST) ;
  • Kim, Keunyong (Senior Researcher, Korea Ocean Satellite Center, KIOST) ;
  • Ryu, Joo-Hyung (Principal Researcher, Ocean Research Operations & Support department, KIOST)
  • 신지선 (한국해양과학기술원 해양위성센터 OST협동연구생) ;
  • 김근용 (한국해양과학기술원 해양위성센터 선임연구원) ;
  • 유주형 (한국해양과학기술원 해양연구기반부 책임연구원)
  • Received : 2020.04.08
  • Accepted : 2020.04.22
  • Published : 2020.04.30
Download PDF
⟨ Previous Next ⟩

Abstract

Estimation of chlorophyll a concentration (CHL) on coastal areas using remote sensing has been mostly performed through multi-spectral satellite image analysis. Recently, various studies using hyperspectral imagery have been attempted. In particular, airborne hyperspectral imagery is composed of hundreds of bands with a narrow band width and high spatial resolution, and thus may be more effective in coastal areas than estimation of CHL through conventional satellite image. In this study, comparative analysis of hyperspectral and satellite-based CHL images was performed to estimate CHL in coastal areas. As a result of analyzing CHL and seawater spectrum data obtained by field survey conducted on the south coast of Korea, the seawater spectrum with high CHL peaked near the wavelength bands of 570 and 680 nm. Using this spectral feature, a new band ratio of 570 / 490 nm for estimating CHL was proposed. Through regression analysis between band ratio and the measured CHL were generated new CHL empirical formula. Validation of new empirical formula using the measured CHL showed valid results, with R2 of 0.70, RMSE of 2.43 mg m-3, and mean bias of 3.46 mg m-3. As a result of applying the new empirical formula to hyperspectral and satellite images, the average RMSE between hyperspectral imagery and the measured CHL was 0.12 mg m-3, making it possible to estimate CHL with higher accuracy than multi-spectral satellite images. Through these results, it is expected that it is possible to provide more accurate and precise spatial distribution information of CHL in coastal areas by utilizing hyperspectral imagery.

원격탐사를 이용한 연안 해역의 클로로필 농도 추정은 대부분 다분광 위성 영상 분석을 통해 수행되어 오고 있다. 최근에는 초분광 영상을 활용한 다양한 연구가 시도되고 있으며, 특히 항공기 기반 초분광 영상은 높은 공간 해상도로 좁은 밴드 폭을 가진 수백 개의 밴드로 구성되어 기존의 다분광 위성 영상을 통한 클로로필 추정보다 연안 해역에서 매우 효과적일 수 있다. 본 연구에서는 연안 해역의 클로로필 농도 추정을 위해 초분광 및 위성 기반 클로로필 영상을 비교 검증을 수행하였다. 한반도 남해안에서 수행된 현장조사로 획득된 클로로필 농도 자료와 해수 스펙트럼 자료를 분석한 결과, 높은 클로로필 농도를 갖는 해수 스펙트럼은 570 nm와 680 nm 파장대역 부근에서 peak를 보였다. 이러한 스펙트럼 특징을 활용하여 클로로필 농도 추정을 위한 새로운 밴드비(570 / 490 nm)가 제시되었고, 밴드비와 현장 클로로필 농도 간의 회귀 분석을 통해 새로운 클로로필 경험식이 생성되었다. 현장 클로로필 농도와의 검증 결과, R2의 0.70, RMSE와 mean bias가 각각 2.43와 3.46 mg m-3으로 유효한 결과를 보였다. 새로운 경험식을 초분광 영상과 위성 영상에 적용한 결과, 초분광 클로로필 영상과 현장 클로로필 간의 평균 RMSE는 0.12 mg m-3로 위성 클로로필 영상에서 보다 더 높은 정확도로 클로로필 농도 추정 가능하였다. 이 결과를 통하여 초분광 영상을 활용하여 보다 높은 정확도로 연안 해역 클로로필 농도의 고해상도 공간 분포 정보 제공이 가능할 것으로 기대된다.

Keywords

1. 서론

식물성 플랑크톤(phytoplankton), 부유물질(suspendedparticulate matter, SPM), 용존유기물질(dissoved organicmatter, DOM) 등의 해수 성분들의 탐지에는 다분광 위성 자료들이 다수 활용되어 왔다(O’ Reilly et al., 1998;Min et al., 2015; Kim et al., 2016). 다분광 위성 자료는 넓은 밴드 폭으로 인해 해양 대상체의 특성을 잘 나타내는 특정 스펙트럼 영역의 정보를 수집하기 어렵다(Kimet al., 2005). 특히, 육상에 비해 근적외선 영역에서 보다 가시광선 영역에서 미세한 흡광과 반사가 이루어지는 해수의 경우 제한적인 밴드 수와 넓은 밴드 폭의 파장 정보를 통해 해수 성분들을 구분하는 것은 쉽지 않다(Gordon et al., 1980; Carder et al., 1991). 해색 센서의 경우 육상 센서보다 좁은 밴드 폭의 밴드를 갖고 있어 해수성분의 구분이 용이할 수 있지만, 낮은 공간 해상도로 인해 연안 해역에서는 마스킹 될 확률이 높기 때문에 해수 성분들의 세밀한 공간 분포를 파악하기 어려운 단점이 있다. 반면 육상 센서는 높은 공간 해상도의 특징을 갖고 있지만 파장 밴드 폭이 넓기 때문에 해수 성분들의 추정에 있어 제한이 있다.

초분광 영상(Hyperspectral Imagery)은 10 nm 이하의 비교적 좁은 밴드 폭을 가진 최소 10개 이상의 분광 밴드를 가진 영상을 의미하며, 기존 다분광 위성 영상의 한계점을 보완할 수 있는 장점을 지니고 있다(Shaw andBurke, 2003). 초분광 영상을 통해 획득되는 수많은 밴드의 분광 정보는 지표 대상물 및 해수 표면의 고유반사 특성이 보다 정밀하게 기록된 자료이므로 이를 통해 해수 구성 성분의 식별이 효과적으로 이루어질 수 있다. 위성기반 초분광 센서로는 NASA의 MODIS,Hyperion, hyperspectral imager for the coastal ocean(HICO)가 있다. MODIS는 Terra 및 Aqua 위성에 탑재된 센서로 400 nm부터 14,400 nm까지 36개 밴드로 구성되어있고, HYPERION은 10 nm 간격으로 400 nm부터 2500nm까지 총 220개 밴드로 구성된 NASA의 EO-1 위성에 탑재된 초분광 센서이다. HICO는 NASA의 연안 관측용 위성 기반 초분광 센서로 5.7 nm 간격으로 400 nm부터 900 nm까지 87개 밴드로 구성되어 있다. 항공기 기반 초분광 센서로는 224개 밴드로 구성된 NASA의 airborne visible/infrared imaging spectrometer(AVIRIS)가 대표적이며, SPECIM 사의 AISA Eagle 센서나 ITRES사의 Compact Airborne Spectrographic Imager(CASI) 센서도 항공기에 탑재되어 다양한 연구 분야에서 활용되고 있다(Lee et al., 2018; Jeon et al., 2019). 항공기 기반 초분광 영상은 위성 기반 초분광 영상에 비해 촬영 고도가 낮아 공간 해상도가 높고, 항공 촬영 계획에 따라 센서의 운용을 유동적으로 계획할 수 있다. 또한, 위성에 비해 적은 비용으로 다수의 영상 획득이 가능하여 이를 활용한 모니터링 체계 수립이 가능한 장점이 있다.

위성 기반 클로로필 농도 (chlorophyll a concentration,CHL) 알고리즘들은 주로 경험식(empirical algorithm)이나 반분석적 방법(semi-analytical algorithm)을 통해 개발되어 왔다(Lee and Carder, 2002; Maritorena et al., 2002; Werdell et al., 2009; Duan et al., 2010; Gilerson et al., 2010).이러한 알고리즘 개발에는 클로로필 농도에 따른 스펙트럼과 현장 클로로필 농도 자료가 활용된다. 대표적인 해색 클로로필 알고리즘인 OCx (O’Reilly et al., 1998)와 Tassan (1994)이 제시한 알고리즘은 청색과 녹색 파장대역을 활용하는 반면, near infrared-to-red band ratio (Leet al., 2013)는 745 nm와 660 nm의 파장 대역을 활용한다. Red-to blue ratio (Noh et al., 2018)는 700 nm와 490 nm의 밴드비를 활용하여 클로로필 농도를 추정한다. 초분광영상을 활용한 클로로필 농도 추정 연구들을 살펴보면, 기존 위성 기반 클로로필 알고리즘들을 활용하거나 초분광 영상에 적합한 새로운 알고리즘을 개발하는 연구들이 진행되어 왔다(Brando and Dekker, 2003; Moseset al.,2012; Olmanson et al., 2013; Awad, 2014; Kim et al., 2014). Pyo et al. (2018)은 초분광 영상을 활용하여 기존 클로로필 알고리즘들의 성능을 평가하였으며, Jeon et al. (2019)의 연구에서는 초분광 영상에 적용하기 위해 현장 스펙트럼 특성을 기반으로 2개 또는 3개의 밴드를 활용한 반분석적 알고리즘을 제안하기도 했다. Kwon et al. (2020)는 수심별 해수 현장 스펙트럼과 현장 클로로필 농도를 활용하여 bio-optical 클로로필 알고리즘 성능을 향상시키고, 무인항공기 기반 초분광 영상에 알고리즘을 적용하였다. 여러 연구에서 제안된 클로로필 알고리즘들은 적용되는 센서의 특징은 클로로필 추정 정확도에 영향을 미칠 수 있다. 센서 간에 동일한 중심 파장을 갖는 밴드를 가지고 있더라도 분광 해상도의 차이에 따라 알고리즘 정확도가 달라질 수 있으며, 공간 해상도도 정확도에 영향을 미치는 요인이다. 특히, 연안 해역은 복잡한 해역 특성을 갖고 있어 기존 위성 영상에서는 정확한 클로로필 추정이 어렵다는 연구 결과가 있었다(Gitelson etal., 2007; Spyrakos et al., 2011; Kim et al., 2016).

본 연구에서는 연안 해역의 클로로필 농도 추정을 위한 초분광 영상과 위성 영상의 비교 연구를 목적으로 한다. 이를 위하여 클로로필 농도에 따른 스펙트럼 특성을 분석하고, 연구 해역 특성에 적합한 새로운 클로로필 경험식을 제시하였다. 초분광 영상과 위성 영상에 새로운 경험식을 적용시켜 생성된 클로로필 농도 영상은 각각 현장 클로로필 농도 자료에 의해 검증되고 비교 분석되었다.

2. 자료 및 방법

1) 연구 지역 및 현장 조사

연구 지역은 한반도 남해안으로 맑은 해역부터 탁한 해역까지 매우 폭 넓은 해수 환경의 특징을 보인다(Fig.1). 한반도 주변 해역은 대표적인 해수 구성 성분인 식물 플랑크톤, 부유물질, 용존 유기물의 흡광 특성을 기준으로 총 7가지 유형으로 분류 가능하며, 남해는 식물성 플랑크톤과 용존유기물의 기여도가 높은 패턴을 나타낸다(Min et al., 2015). 남해는 복잡한 해안선 구조를 갖고 있으며, 연안과 외해역의 해수 특성이 매우 다르다. 연안역은 용존유기물과 부유물질의 함량이 높아 다소 탁한 반면, 외해역은 쿠로시오 해류의 영향으로 비교적 맑은 해수의 특성을 갖는다(Yoon et al., 2004).

OGCSBN_2020_v36n2_2_309_f0001.png 이미지

Fig. 1. The study area for estimating chlorophyll concentration (CHL). Green and blue dots indicate in situ sampling locations where CHL and the spectrum of surface waters were measured. Black dot boxes show the flight routes of airborne monitoring to acquire simultaneously hyperspectral imagery at the same time as of the field survey.

현장조사는 여수와 남해연안에서 2019년 8월 30-31일, 2019년 9월 25-26일에 걸쳐 수행되었다. 8월 30-31일에는 17개, 9월 25-26일에는 11개로 총 28개의 정점에서 해수 샘플링을 수행하였다(Fig. 1). 2019년 9월 26일에는 남해 해역에서 현장 조사와 동시에 항공기 기반 초분광 영상 모니터링이 수행되었다. 현장 조사를 통해 해수 스펙트럼 자료와 클로로필 농도 자료가 획득되었다. 현장 스펙트럼 측정에는 휴대용 분광계인 FieldSpec 4(Analytical Spectral Devices Inc.; USA)가 사용되었으며, 측정 파장대역은 350-2500 nm이다. 스펙트럼 획득 간격은 1 nm이며, 정점마다 하향복사조도(downward irradiance, Ed), 대기복사휘도(sky radiance, Lsky), 총복사휘도(total waterradiance, LwT)가 측정되었다. 해수 표면 반사를 제거하여 해수 내부에서 올라오는 복사량, 즉 수출복사휘도(water-leaving radiance, Lw)를 계산하기 위하여 대기복사휘도와 표면반사효율(Fresnel reflectance, ρ)을 곱하여 해수의 총복사휘도에서 차감하였다. 이런 과정을 통해 계산된 수출복사휘도를 태양광 하향복사조도로 나누어 정규화된 값인 원격 반사도(remote-sensing reflectance, Rrs)로 변환하였다.

해수 클로로필 농도 측정을 위하여 각 정점마다 해수샘플링을 수행하였다. 지름이 47 mm인 유리 섬유 필터(glass fiber filter, GF/F)를 사용하여 1 L의 해수 여과를 실시한 후, -70°C 이하의 액체질소에 보관하였다가 실험실로 이동하여 분석하였다. 90% 아세톤을 이용하여 클로로필 색소를 추출하기 위해 24 시간동안 4°C 환경에서 보관하였다. 이러한 과정을 통해 추출된 클로로필은 분광광도계인 Lambda19 UV/VIS dual beam spectrophotometer(PerkinElmer Inc.; USA)를 이용하여 파장에 따른 흡광도 값을 측정하여 농도를 산출하였다. 아래의수식과 같이 630, 647, 664 nm에서의 흡광도 값을 활용하여 계산되었으며(Jeffrey and Humphrey, 1975), 750 nm에서의 값을 이용하여 보정하였다(Ritchie, 2006)

\(Chlorophyll \ a ={(11.85*(A_{664}-A_{750}) - 1.54*(A_{647}-A_{750})-0.08*(A_{630}-A_{750}))*V_e \over L_c*V_f}\)

여기서 A630, A647, A664, A750는 각각 분광광도계에서 측정된 파장인 630, 647, 664, 750 nm에서의 흡광도이며, Ve는 90% 아세톤의 사용량(mL)으로 본 연구에서는 10 ml가 사용되었다. Lc는 해수 여과량으로 정점별로 상이하나 500 ml에서 1000 ml까지의 범위를 보였고, Vf는 석영셀의 길이로 1 cm이다.

2) 초분광 및 위성 영상 전처리

본 연구에서는 ITRES사의 microCASI-1920 센서 자료가 활용되었다. ITRES Geocorrection Software Suite(GCSS)를 활용하여 획득된 자료의 post-processing을 수행하기 위하여 초분광 센서는 ITRES NAV Module과 함께 통합되어 있다(Fig. 2(a)). ITRES NAV Module는 영상전체의 기하보정을 위하여 자료의 위치와 자세 정보를 제공한다. 센서의 크기는 10.2 cm × 12.7 cm × 19.1 cm이며, 총 무게는 약 2.5 kg로 무게와 크기의 제약이 있어 주로 유인항공기에 장착하여 운용되고 있다(Fig. 2(b)). 센서는 push-broom 스캔 방식으로 영상을 획득하며, 400 nm부터 1,000 nm의 파장대역에서 총 288개의 밴드 정보 획득이 가능하다. 영상은 Across-track 방향으로 1920개씩 스캔되지만 방사보정 후에는 유효한 픽셀은 총 1840개이다. 또한 36.6°의 total field of view와 밴드 간 2.1 nm의 분광해상도를 갖는다. 촬영 고도가 2 km일 경우 약 68 cm의 공간해상도와 1.6 km의 촬영 폭(swath width)의 영상 획득이 가능하다.

OGCSBN_2020_v36n2_2_309_f0007.png 이미지

Fig. 2. (a)ThemicroCASI-1920sensorwithITRESNavmodule, (b) detail size of sensor.

항공기 기반 초분광 모니터링은 남해 미조 연안에서 2019년 9월 26일 오전 11시 10분부터 11시 58분까지 수행되었다. 획득된 영상은 총 11장으로 9장은 해수, 2장은 육상 영역이 주로 포함되었다(Fig. 1). 촬영고도는 약2 km로 공간해상도는 68 cm, 촬영폭 약 1.6 km의 영상이 획득되었다. 획득된 초분광 영상은 방사보정, 기하보정, 대기보정의 전처리 과정을 거쳐 반사도 영상으로 변환되었다. 방사보정과 기하보정은 ITRES StandardProcessing을 통해 수행되었다. 방사보정은 ITRES 사에서 제공하는 Radiometric Correction Xpress(RCX) 소프트웨어를 활용하였으며, 영상의 digital number(DN) 값은 spectral radiance 단위(1 SRU = 1 µW cm-2 sr-1 nm-1), 즉 총복사휘도로 변환되었다. 기하보정은 초분광 영상 획득 시 ITRES Nav module을 통해 획득된 GPS/IMU 자료를 사용하여 수행되었고, 2 m의 공간해상도와 288개의 밴드를 갖는 초분광 영상이 생성되었다.

초분광 영상의 대기보정을 위해서 초분광 영상이 획득된 시간과 동시에 획득된 현장 스펙트럼 자료를 활용하였다. 방사와 기하보정이 수행된 총복사휘도 단위의 초분광 영상에서 현장 스펙트럼 산출 과정과 동일하게 대기복사휘도와 표면반사효율의 곱이 차감되어 수출복사휘도가 산출되었다. 수출복사휘도는 초분광 영상획득 당시의 하향복사조도로 나누어져 정규화 된 값인 원격 반사도로 변환되었다. 대기보정을 통해 생성된 원격 반사도 영상과 현장에서 측정된 6개의 정점에서의 원격 반사도의 검증 결과, 평균 R2가 0.77로 유효한 결과를 보였다.

항공기 기반 초분광 영상과 유사한 시간에 획득된 위성 영상들이 본 연구에서 사용되었다. COMS 위성의 해색 센서인 Geostationary Ocean Color Imager(GOCI)는 공간해상도는 500 m이며, 한반도 주변 해역 영상을 매일 오전 9시부터 16시까지 총 8장 획득한다. GOCI Level 1B 자료는 한국해양과학기술원 해양위성센터 홈페이지를 통해 다운로드 받았다(http://kosc.kiost.ac.kr). 원격반사도 영상은 GOCI 자료처리 소프트웨어인 GOCI Data Processing System(GDPS)에 사용하여 생성되었다. Sentienl-3 위성의 해색 센서인 Ocean and Land ColourInstrument(OLCI) 영상은 2019년 9월 26일 11시 2분경에 획득되었다. OLCI 영상은 Copernicus Open Access Hub 홈페이지를 통해 다운로드 받았다(http://scihub.copernicus.eu). 공간해상도는 300 m이며, 한반도 주변 해역을 1~2일 간격으로 촬영한다. 육상 센서인 Landsat-8 Operational Land Imager(OLI) 영상은 2019년 9월 26일 11시 6분경에 획득되었다(Path 115/ row 036). OLI 영상의 Level 1 자료는 U.S. Geological Survey(https://glovis.usgs.gov)에서 다운로드 하였으며, 재방문 주기는 16일이고 공간해상도는 30 m이다. OLI와 OLCI 영상 자료들은 Sentinel Application Platform(SNAP) 소프트웨어를 활용하여 원격 반사도 자료로 변환되었다.

Table 2는 초분광 센서와 위성 센서 간의 파장, 분광해상도, 공간해상도, 촬영 폭의 비교를 나타내고 있다. 청색과 녹색 파장대역은 기존 위성 클로로필 알고리즘에서 주로 사용하는 파장대역으로 육상이나 해색센서의 대부분이 보유하고 있다. 센서 간의 중심 파장대역에는 일부 차이가 있지만, 청색 파장대역은 대부분 490nm이 중심 파장이었다. 녹색 파장대역은 청색 파장대역에 비해 센서마다 중심 파장 대역이 상이했다. 육상센서에 비해 해색 센서는 좁은 파장 간격의 밴드를 가지고 있어 분광해상도가 높았다. GOCI의 경우, 밴드별로 상이하나 20 nm 정도로 비교적 높은 분광 해상도를 가지고 있고, OLCI는 전 파장 밴드들이 10 nm 수준의 높은 분광 해상도의 특징을 가졌다. 초분광 센서는 밴드 간 2.1 nm의 파장 간격을 가지고 있어 뛰어난 분광해상도를 보였다. 해색센서인 OLCI와 GOCI는 OLI와 같은 육상 센서에 비해 낮은 공간해상도의 특징을 갖고 있기 때문에 연안 해역의 경우 해안선 영역이 마스킹되는 현상이 있다. 초분광 센서의 공간해상도는 영상 획득 고도에 따라 달라지며, microCASI-1920 센서의 경우 이론적으로 약 145 m 고도에서 5 cm 급의 공간해상도가 가능하다. 촬영 폭은 육상 센서에 비해 해색 센서가 매우 넓으며, 초분광 센서는 대략 2 km의 고도에서 약 1.6 km의 촬영 폭을 갖는다.

Table 2. Comparison of wavelength, spectral resolution, spatial resolution, and swath among sensors

OGCSBN_2020_v36n2_2_309_t0001.png 이미지

3) 연구방법

초분광 영상이 획득된 연안 해역에 적합한 클로로필 농도 추정을 위하여 2019년 8월 30-31일과 9월 25-26일에 한반도 남해안 연안 해역에서 수행된 현장 조사 자료를 활용하였다. 현장 클로로필 농도와 해수 스펙트럼에 따른 해수 스펙트럼이 분석되었고, 이를 기반으로 연안 해역에서의 클로로필 농도 추정을 위한 새로운 밴드비가 제시되었다. 새로운 밴드비와 현장 클로로필 농도와의 회귀분석(regression analysis)을 통해 새로운 경험식이 생성되었다. 클로로필 농도 추정을 위한 경험식은 2019년 9월 26일 11시경 현장조사가 이루어졌던 시기에 획득된 초분광 영상과 위성 영상에 각각 적용되었다. 각 영상에서 사용되는 파장 밴드별 상관성을 확인하기 위하여 초분광 영상을 각 위성 영상의 공간해상도로 재배열하는 과정을 수행하였다. 매칭되는 밴드별로 초분광영상과 위성 영상들이 비교 분석되었다. 새로운 경험식이 적용된 초분광과 위성 클로로필 영상은 비교 분석되었고, 현장 클로로필 자료를 통해 정확도 검증이 수행되었다.

3. 결과 및 토의

1) 클로로필 농도에 따른 스펙트럼 특성 분석

Fig. 3은 다양한 범위의 클로로필 농도를 갖는 해수 스펙트럼들을 나타내고 있다. 5 mg m-3 이상의 클로로필 농도를 갖는 해수 스펙트럼은 적조 발생 시기인 2019년 8월 30일 여수 해역에서 획득되었고, 낮은 클로로필 농도를 갖는 일반 해수 스펙트럼은 2019년 9월 26일에 남해 해역에서 획득되었다. 청색과 녹색 파장대역에서는 클로로필 농도가 높을수록 반사도가 낮아지는 경향을 보였다. 5 mg m-3 이상 클로로필 농도를 갖는 해수의 스펙트럼들은 일반 해수의 스펙트럼과 다르게 550-600nm 사이와 680-700 nm 부근에서 peak 값이 나타났으며, 클로로필 농도가 높을수록 peak 지점에서의 기울기가 컸다. 일반적으로 해수 중 클로로필 농도가 100 mg m-3이상으로 증가하게 되면 700 nm 파장 부근인 red-edge밴드의 peak 지점이 710 nm 파장 대역을 향해 이동한다고 알려져 있다(Gower et al., 2005). Fig. 3에서도 이와 유사하게 클로로필 농도가 증가할수록 680 nm 부근의 peak 지점이 긴 파장 쪽으로 이동하는 것을 확인할 수 있었다. 2013년 8월 한반도 동해에서 대발생한 코클로디니움 (Cochlodinium polykrikoides) 적조 발생 시 현장조사에서 측정된 해수 스펙트럼에서도 동일한 특징이 나타났다(Noh et al., 2018). 동해의 8.97 mg m-3 클로로필 농도를 가진 해수 스펙트럼에서는 680 nm 부근에서 peak를 보였으며, 클로로필 농도가 높아질수록 스펙트럼 peak지점의 중심 파장이 710 nm을 향해 이동했다(CHL =206 mg m-3). 이러한 현상은 식물성 플랑크톤의 형광 특성, 660 nm 파장 부근에서의 색소 흡광, 700 nm 파장 이상에서 해수의 강한 광흡수, 적색과 근적외선 파장대역에서의 생물입자들의 backscattering 등의 복합적인 요인에 의한 결과로 나타난 것이다(Dierssen et al., 2006).

OGCSBN_2020_v36n2_2_309_f0002.png 이미지

Fig. 3. In-situ remote sensing reflectance (Rrs) for various CHL.

2) 연안 해역 클로로필 추정을 위한 경험식

연안 해역에 적합한 새로운 클로로필 경험식을 위하여 현장 클로로필 농도와 해수 스펙트럼 간의 특징을 기반으로 새로운 밴드비를 찾는 과정을 수행하였다. 현장클로로필 농도가 증가할수록 peak 부근인 570 nm 파장대 이전의 스펙트럼 기울기가 커지는 것을 착안하여 570 nm를 490 nm로 나눈 밴드비가 새롭게 제시되었다. 새로운 밴드비와 현장 클로로필 농도와의 회귀 분석 결과는 Fig. 4(a)와 같다. 아래는 새롭게 제시된 밴드비를 활용한 클로로필 농도 추정 관계식을 보여주고 있다.

log10 CHL = \(pl*( {R_{rs}(570) \over R_{rs}(490)} )^{p2} + p3\)

여기서 p1, p2, p3는 각각 상수이며, -0.5786, -5.138, 1.127이다. 이 관계식을 현장 스펙트럼에 적용하여 추정된 클로로필 농도와 현장 클로로필 농도를 비교한 결과는 Fig. 4(b)와 같다. R2는 0.70, RMSE는 2.43 mg m-3, meanbias는 3.46 mg m-3으로 유효한 검증 결과를 보였다.

OGCSBN_2020_v36n2_2_309_f0008.png 이미지

Fig. 4. (a) A scatter plot for CHL estimated by band ratio and in situ CHL, (b) Comparison between measured CHL and estimated CHL.

클로로필 농도에 따른 스펙트럼을 고려한 기존 알고리즘들은 단일 밴드에서 세 개의 밴드 조합을 사용한다. 단일 밴드를 사용하는 경우, 알고리즘에는 클로로필 형광 특성이 나타나는 밴드가 주로 사용되어 왔다(Gitelson, 1992; Dekker, 1993). 선택된 단일 밴드 값과 현장 클로로필 값의 회귀 분석을 통해 간단하게 클로로필 농도를 추정할 수 있다. 해수 구성 성분 중 선택한 단일밴드 파장 대역에 영향을 주는 성분이 존재할 경우, 측정된 반사도 값은 여러 성분들의 복합적인 광학적 특성을 반영하기 때문에 클로로필 만의 특성을 분석하기에는 어려움이 있다. 이러한 이유로 단일밴드보다는 두 개나 세 개의 밴드 조합을 통한 알고리즘이 클로로필 추정에 주로 활용되고 있다. 2개의 밴드비를 사용하는 모델의 경우, 클로로필 농도가 증가할 때 반사도가 증가하는 파장 대역과 이와는 반대로 클로로필 농도 증가 시 반사도가 감소하는 파장 대역을 선택한다. 이렇게 상반된 특성을 가지는 파장 대역 간의 밴드비 조합을 통해 경험식이 만들어지며, 주로 700 nm 파장 대역과 500-600 nm 파장 대역 간의 조합이 활용되었다(Gilerson etal., 2010; Noh et al., 2018; Jeon et al., 2019). 현장에서 측정된 해수 스펙트럼 자료를 활용하여 기존 연구에서 제시된 밴드비의 유효성 검증을 수행하였다. 총 세 가지의 밴드비로 708 / 665 nm(Gilerson et al., 2010), 700 / 490nm(Noh et al., 2018), 717 / 576 nm(Jeon et al., 2019)가 현장 해수 스펙트럼에 적용되었고, 현장 클로로필 농도와의 회귀 분석을 통해 클로로필 농도가 추정되었다. 그 결과, R2는 0.55에서 0.72로 유효한 결과를 보였다. 이러한 밴드비를 실제로 획득된 초분광 자료에 적용하였을때 모두 낮은 상관성을 보였다. 이는 초분광 영상의 700nm 파장 대역에서의 대기 보정된 반사도가 현장 스펙트럼과 차이를 보이기 때문이다. 초분광 영상의 대기 보정을 수행한 여러 연구에서도 이러한 현상을 확인할 수 있다(Mobley et al., 2005; Dierssen et al., 2003; Kohler, 2001). 현장에서 측정된 일반적인 해수 반사도 스펙트럼의 경우 700 nm 이상의 파장 대역에서 0에 가까운 값을 보여준다. 초분광 영상의 대기보정을 수행한 다수의 연구결과에서 700 nm 이상의 파장대역에서 0 값에 접근하지 않고 잡음 신호들이 혼합되어 나타났다. 대기 중의 오존, 산소, 수증기들은 600-720 nm 사이의 파장 대역에서 강한 흡수가 나타나며, 위성 센서들은 이러한 흡수에 최대한 영향을 받지 않는 파장 대역으로 밴드를 선택한다(Ding and Gordon, 1995). 초분광 센서의 경우에는 밴드 간격이 2.1 nm이기 때문에 흡수대에 의한 영향을 많이 받게 되어, 600-720 nm 부근 파장 영역의 대기보정 오차가 크게 나타날 수 있다.

3) 초분광 및 위성 클로로필 영상 비교 분석

새로운 경험식에 사용되는 밴드는 청색과 녹색 파장 대역으로 해색 센서나 육상 센서에서도 주로 활용되는 밴드이다. 밴드별 중심 파장이 모두 동일하지 않기 때문에 클로로필 영상 간의 비교를 수행하기 전에 각 영상에서 클로로필 경험식에 활용되는 밴드 간의 유사성검증을 수행하였다. 초분광 영상의 경우 새롭게 제시된 파장과 가장 근접한 밴드 자료를 사용하였다. 청색 파장 밴드는 490.6 nm, 녹색 파장 밴드는 571.26 nm가 사용되었으며, 각 밴드들은 OLCI, GOCI, OLI 위성 영상들의 유사한 파장 밴드들과 비교되었다(Fig. 5). 청색 파장밴드의 경우 OLCI와 GOCI는 초분광 파장 밴드와 거의 유사한 490 nm의 중심 파장을 가지고 있으며, OLI는 이보다 낮은 483 nm의 중심 파장을 갖고 있다. 녹색 파장밴드의 경우에 세 위성 영상은 초분광 파장 대역보다 약간 낮은 파장 밴드를 가지고 있다. 위성 영상과 비교했을 때 초분광 영상의 촬영 폭과 획득 영역은 매우 좁기 때문에 초분광 영상 획득 영역을 기준으로 각 파장별 반사도 값을 비교하였다. OLCI 영상의 반사도 값은 청색과 녹색 파장 모두에서 R2가 0.6 이상의 좋은 상관관계가 나타났지만, 초분광 영상에 비해 큰 값을 보였다. 초분광 영상은 0.01에서 0.02 sr-1 사이의 반사도 값을 가지는 반면, OLCI는 0.02에서 0.06 sr-1까지 비교적 넓은 범위의 반사도 값을 가졌다. GOCI와 초분광 영상은 R2가 0.4 이상의 상관관계를 보여줬다. GOCI 영상은 초분광영상의 반사도 값에 비해 과소 추정되었고, 반사도 값의 범위도 초분광 영상보다 좁았다. OLI 영상은 초분광 영상과 R2가 0.6 이상의 상관관계를 보였고, GOCI 영상의 반사도 값과 유사한 범위 분포를 보여줬다. 또한, 두 파장대역 모두에서 반사도 값은 초분광 영상에 비해 과소 추정되었다. 새로운 클로로필 알고리즘에 적용되는 두 파장 밴드를 대상으로 초분광 영상과 세 위성 영상간의 비교를 수행한 결과, 청색 파장 밴드에서는 OLCI, 녹색 파장 밴드에서는 OLI 영상이 초분광 영상과 가장 높은 상관관계를 보였다. 유사한 파장 밴드임에도 이러한 차이를 보이는 것은 센서별로 밴드 중심 파장, 분광해상도, 공간해상도 등 고유 특성이 다르기 때문이다. 초분광 영상의 분광 해상도는 위성 영상보다 매우 높고밴드 간의 파장 간격이 좁아 특정 타겟의 광학적 특징이 각 밴드 별로 세밀하게 측정될 수 있다. 반면, 위성 영상은 비교적 넓은 파장 영역에서 하나의 밴드에 광학적 특징이 나타나기 때문에 초분광 영상과 위성 영상의 밴드 간 비교 시 차이가 발생한다. 또한, 초분광 영상의 공간해상도는 해색 센서에 비해 매우 높기 때문에 두 영상의 비교를 위한 영상 재배열 수행 시 오차가 발생하기도 한다. GOCI는 공간해상도가 500 m로 연안 주변이 마스킹되어 초분광 영상과 매칭 픽셀이 많지 않았지만, 300m 공간해상도를 갖는 OLCI 영상은 연안 주변 마스킹이거의 없었다. 위성 영상과 비교된 초분광 영상은 모두 해수 영역이었고, 영상의 양 끝이 다른 곳보다 높은 값의 분포를 보였다. 이러한 smile 효과는 영상 획득 시 양방향 반사도 분포 함수(bidirectional reflectance distribution function, BRDF)와 관련이 있으며, 육상보다 해수에서 더 심하게 나타나는 경향이 있다(Yokoya et al., 2010). 초분광 영상의 방사보정 과정에서 이러한 smile 효과가 일부 보정되었지만, 여전히 영상 양 끝의 반사도 값이 다른 곳보다 높게 나타났다. 이러한 현상은 반사도 간의 비교 뿐만 아니라 클로로필 농도의 비교 시에도 영향을 줄 수 있다.

OGCSBN_2020_v36n2_2_309_f0003.png 이미지

Fig. 5. Comparison of hyperspectral and multi-spectral bands of satellite images. Band values of Sentinel-3 OLCI (Top), COMS GOCI (middle), and Landsat OLI (bottom) were compared with band value of hyperspectral image.

현장 스펙트럼 자료를 기반으로 제안된 새로운 클로로필 경험식은 유사한 시간에 획득된 초분광과 위성 영상에 각각 적용되었다. Fig. 6은 2019년 9월 26일 11시경에 획득된 초분광 클로로필 영상과 OLCI, GOCI, OLI 클로로필 영상을 보여주고 있다. 초분광 영상이 획득된 영역은 육지와 인접해 있는 연안 해역으로 각 위성 영상에 동일한 영역을 표시하였다. 초분광 클로로필 영상에서 보이는 클로로필 패턴이 세 위성 영상에서도 인식 가능하게 나타났으며, 공간 해상도가 높은 OLI 클로로필 영상에서 가장 뚜렷한 패턴을 볼 수 있었다. 초분광영상 아래 부분의 낮은 클로로필 농도를 보이는 영역이 OLI에서는 주변보다 높은 클로로필 농도 영역으로 나타났다. 또한, 초분광 영상과 GOCI 영상의 클로로필 값은 대략적으로 4 mg m-3까지의 범위를 갖는 반면 OLCI와 OLI 영상의 클로로필 값은 초분광 영상의 클로로필 범위의 2배인 8 mg m-3까지의 값의 분포를 나타냈다. 공간해상도가 500 m인 GOCI 영상에서는 연안 부근이 마스킹 되었지만, 300 m 공간해상도를 갖는 OLCI 영상은연안 부근이 마스킹 되지 않았다. GOCI-II 영상은 공간해상도가 250 m이기 때문에 추후 영상 제공이 가능하게 되면 연안 부근의 마스킹 문제는 해결될 것으로 판단된다. 초분광 클로로필 영상과 위성 클로로필 영상 간의 유사성을 확인하기 위하여 Fig. 7과 같은 산점도를 생성하였다. 위성영상 중 클로로필 영상이 초분광 클로로필 영상과 가장 높은 상관성(R2 = 0.47)을 보였으며, 육상센서인 OLI와 가장 낮은 상관성(R2 = 0.013)을 나타냈다. 해색 센서는 분광해상도가 육상 센서보다 높아 해수 성분의 광학적 특성을 좀 더 정밀하게 감지할 수 있다. 초분광 센서의 경우 분광해상도가 매우 높아 더욱 정밀한 감지가 가능하기 때문에 육상 센서보다는 해색 센서와 상관도가 높게 산출된 것으로 보인다. OLCI 영상의 클로로필 값은 초분광 영상의 클로로필에 비해 대부분 과대 추정되었다. GOCI 영상의 클로로필 값은 1 mg m-3이하에서는 과소 추정되는 경향을 보인 반면, OLI는 값의 분포에서 특정한 경향을 볼 수 없었다. 초분광 영상과 위성 영상들의 획득 시간은 약 1시간 이내로 해수 클로로필 농도의 큰 변동은 없었을 것으로 판단되므로 이러한 결과는 센서 간의 특성 차이로 인한 것이라 할 수 있다.

OGCSBN_2020_v36n2_2_309_f0004.png 이미지

Fig. 6. CHL images derived from hyperspectral imagery and satellite images.

OGCSBN_2020_v36n2_2_309_f0005.png 이미지

Fig. 7. A scatter plots for CASI, Sentienl-3 OLCI, COMS GOCI, and Landsat OLI CHL images.

초분광 영상과 위성 영상을 통해 생성된 클로로필 영상들은 현장 조사 클로로필 자료를 통해 검증되었다(Fig. 8). 초분광 영상을 활용하여 추정된 클로로필 농도는 현장에서 측정된 클로로필 농도와 매우 유사한 값을 보여 새로운 알고리즘을 적용한 초분광 클로로필 영상이 현장 자료와 잘 매칭되는 것을 확인할 수 있었다(RMSE = 0.12 mg m-3). GOCI 클로로필 농도 영상에서 추정된 클로로필 값은 대체로 현장 클로로필 값보다 낮은 값을 가졌으며, 위성 영상 중 가장 작은 오차를 보였다(RMSE = 0.30 mg m-3). OLCI와 OLI는 각각 1.09와 2.11 mg m-3의 RMSE 값을 보였다. 이러한 오차는 현장클로로필 농도가 1 mg m-3 미만이었음을 고려할 때 추정시 큰 오차라 할 수 있다.

OGCSBN_2020_v36n2_2_309_f0006.png 이미지

Fig. 8. A scatter plot for CHL estimated by band ratio and in situ CHL (b) Comparison between measured CHL and estimated CHL.

4. 결론

본 연구에서는 연안 해역의 클로로필 농도 추정을 위하여 새로운 경험식을 제시하고 항공기 기반 초분광 영상과 위성 영상에 적용하여 비교 분석을 수행하였다. 현장 클로로필 농도 자료와 해수 스펙트럼 농도 자료의 분석을 통해 기존 형광 밴드를 사용했던 클로로필 농도 알고리즘과는 다른 청색 파장과 녹색 파장을 사용한 새로운 클로로필 경험식이 제시되었다. 유사한 시간에 획득된 초분광 영상과 위성 영상에 새로운 경험식을 적용한 결과, 본 연구 해역에서 획득된 초분광 클로로필 영상은 현장 클로로필 농도와 좋은 일치도를 보여줬다. 공간적으로는 초분광 영상의 높은 공간 해상도로 인해 연안 해역의 마스킹 제한이 없었고, 세밀한 클로로필의 패턴 관측이 가능했다. 향후 본 연구 해역 이외의 연안 해역에서도 활용 가능한 클로로필 경험식 제시를 위해서는 다양한 해역에서의 현장 클로로필 자료와 해수 스펙트럼 자료가 필요할 것이다. 또한, 현장조사와 동시에 초분광 영상이 획득된다면 좀 더 정밀하고 정확한 클로로필 공간적 분포 자료 제공이 가능할 것으로 기대된다.

사사

이 논문은 해양수산부 연구개발사업인 “국가해양영토 광역 감시망 구축 기반연구” 사업과 한중해양과학공동연구센터(CKJORC)의 연구개발사업인 “위성 원격탐사를 이용한 황해 대형조류 대발생 모니터링 기술 연구”의 지원을 받아 수행되었습니다.

References

  1. Awad, M., 2014. Sea water chlorophyll-a estimation using hyperspectral images and supervised artificial neural network, Ecological Informatics, 24: 60-68. https://doi.org/10.1016/j.ecoinf.2014.07.004
  2. Brando, V.E. and A.G. Dekker, 2003. Satellite hyper - spectral remote sensing for estimating estuarine and coastal water quality, IEEE Transactions on Geoscience and Remote Sensing, 41(6): 1378-1387. https://doi.org/10.1109/TGRS.2003.812907
  3. Carder, K.L., S.K. Hawes, K.A. Baker, R.C. Smith, R.G. Steward, and B.G. Mitchell, 1991. Reflectance model for quantifying chlorophyll a in the presence of productivity degradation products, Journal of Geophysical Research: Oceans, 96(C11): 20599-20611. https://doi.org/10.1029/91JC02117
  4. Dekker, A., 1993. Detection of the optical water quality parameters for eutrophic waters by high resolution remote sensing, Ph.D. Thesis, Vrije University, Amsterdam, The Netherlands.
  5. Ding, K. and H.R. Gordon, 1995. Analysis of the influence of $O_2$ A-band absorption on atmospheric correction of ocean-color imagery, Applied Optics, 34(12): 2068-2080. https://doi.org/10.1364/AO.34.002068
  6. Dierssen, H.M., R.C. Zimmerman, R.A. Leathers, T.V. Downes, and C.O. Davis, 2003. Ocean color remote sensing of seagrass and bathymetry in the Bahamas Banks by high-resolution airborne imagery, Limnology and Oceanography, 48(1part2): 444-455. https://doi.org/10.4319/lo.2003.48.1_part_2.0444
  7. Dierssen, H.M., R.M., Kudela, J.P. Ryan, and R.C. Zimmerman, 2006. Red and black tides: Quantitative analysis of water-leaving radiance and perceived color for phytoplankton, colored dissolved organic matter, and suspended sediments, Limnology and Oceanography, 51(6): 2646-2659. https://doi.org/10.4319/lo.2006.51.6.2646
  8. Duan, H., R. Ma, J. Xu, Y. Zhang, and B. Zhang, 2010. Comparison of different semi-empirical algorithms to estimate chlorophyll-a concentration in inland lake water, Environmental Monitoring of Assessment, 170: 231-244. https://doi.org/10.1007/s10661-009-1228-7
  9. Gordon, H.R., D.K. Clark, J.L. Mueller, and W.A. Hovis, 1980. Phytoplankton pigments from the Nimbus-7 Coastal Zone Color Scanner: comparisons with surface measurements, Science, 210(4465): 63-66. https://doi.org/10.1126/science.210.4465.63
  10. Gitelson, A., 1992. The peak near 700 nm on radiance spectra of algae and water: Relationships of its magnitude and position with chlorophyll concentration, International Journal of Remote Sensing, 13(17): 3367-3373. https://doi.org/10.1080/01431169208904125
  11. Gower, J., S. King, G. Borstad, and L. Brown, 2005. Detection of intense plankton blooms using the 709 nm band of the MERIS imaging spectrometer, International Journal of Remote Sensing, 26(9): 2005-2012. https://doi.org/10.1080/01431160500075857
  12. Gitelson, A.A., J.F. Schalles, and C.M. Hladik, 2007. Remote chlorophyll-a retrieval in turbid, productive estuaries: Chesapeake Bay case study, Remote Sensing of Environment, 109: 464-472. https://doi.org/10.1016/j.rse.2007.01.016
  13. Gilerson, A.A., A.A. Gitelson, J. Zhou, D. Gurlin, W. Moses, I. Ioannou, and S.A. Ahmed, 2010. Algorithms for remote estimation of chlorophylla in coastal and inland waters using red and near infrared bands, Optics Express, 18(23): 24109-24125. https://doi.org/10.1364/OE.18.024109
  14. Jeffrey, S.W. and G.F. Humphrey, 1975. New spectro - photometric equations for determining chlorophylls a, b, c1 and c2 in higher plants, algae and natural phytoplankton, Biochemie und Physiologie der Pflanze, 167: 191-194. https://doi.org/10.1016/S0015-3796(17)30778-3
  15. Jeon, E.I., S.J. Kang, and K.Y. Lee, 2019. Estimation of chlorophyll-a concentration with semi-analytical algorithms using airborne hyperspectral imagery in Nakdong river of South Korea, Spatial Information Research, 27(1): 97-107. https://doi.org/10.1007/s41324-018-0204-0
  16. Kohler, D.D.R., 2001. An evaluation of a derivative based hyperspectral bathymetric algorithm, Cornell University, Ithaca, NY, USA.
  17. Kim, S.H., J.R. Ma, M.J. Kook, and K.S. Lee, 2005. Current status of hyperspectral remote sensing: principle, data processing techniques, and applications, Korean Journal of Remote Sensing, 21(4): 341-369 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2005.21.4.341
  18. Kim, T.W., H.S. Shin, and Y.C. Suh, 2014. Airborne Hyperspectral Imagery availability to estimate inland water quality parameter, Korean Journal of Remote Sensing, 30(1): 61-73 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2014.30.1.6
  19. Kim, W., J.E. Moon, Y.J. Park, and J. Ishizaka, 2016. Evaluation of chlorophyll retrievals from Geostationary 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
  20. Kwon, Y.S., J. Pyo, Y.H. Kwon, H. Duan, K.H. Cho, and Y. Park, 2020. Drone-based hyperspectral remote sensing of cyanobacteria using vertical cumulative pigment concentration in a deep reservoir, Remote Sensing of Environment, 236: 111517. https://doi.org/10.1016/j.rse.2019.111517
  21. Lee, Z.P. and K.L. Carder, 2002. Effect of spectral band numbers on the retrieval of water column and bottom properties from ocean color data, Applied Optics, 41: 2191-2201. https://doi.org/10.1364/AO.41.002191
  22. Le, C., C. Hu, J. Cannizzaro, D. English, F. Muller-Karger, and Z. Lee, 2013. Evaluation of chlorophyll-a remote sensing algorithms for an optically complex estuary, Remote Sensing of Environment, 129: 75-89. https://doi.org/10.1016/j.rse.2012.11.001
  23. Maritorena, S., D.A. Siegel, and A.R. Peterson, 2002. Optimization of a semi-analytical ocean color model for global-scale applications, Applied Optics, 41(15): 2705-2714. https://doi.org/10.1364/AO.41.002705
  24. Mobley, C.D., L.K. Sundman, C.O. Davis, J.H. Bowles, T.V. Downes, R.A. Leathers, M.J. Montes, W.P. Bissett, D.D.R. Kohler, R.P. Reid, E.M. Louchard, and A. Gleason, 2005. Interpretation of hyper - spectral remote-sensing imagery by spectrum matching and look-up tables, Applied Optics, 44(17): 3576-3592. https://doi.org/10.1364/AO.44.003576
  25. Moses, W.J., A.A. Gitelson, R.L. Perk, D. Gurlin, D.C. Rundquist, B.C. Leavitt, T.M. Barrow, and P. Brakhage, 2012. Estimation of chlorophyll-a concentration in turbid productive waters using airborne hyperspectral data, Water Research, 46(4): 993-1004. https://doi.org/10.1016/j.watres.2011.11.068
  26. Min, J., J.-H. Ryu, and Y.-J. Park, 2015. An Analysis of the Relationship between Inherent Optical Properties and Ocean Algorithms Around the Korea Waters, Korean Journal of Remote Sensing, 31(5): 473-490 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2015.31.5.11
  27. 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
  28. 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
  29. Olmanson, L.G., P.L. Brezonik, and M.E. Bauer, 2013. Airborne hyperspectral remote sensing to assess spatial distribution of water quality characteristics in large rivers: The Mississippi River and its tributaries in Minnesota, Remote Sensing of Environment, 130: 254-265. https://doi.org/10.1016/j.rse.2012.11.023
  30. Pyo, J., M. Ligaray, Y. Kwon, M.-H. Ahn, K. Kim, H. Lee, T. Kang, S. Cho, Y. Park, and K. Cho, 2018. High-spatial resolution monitoring of phycocyanin and chlorophyll-a using airborne hyperspectral imagery, Remote Sensing, 10: 1180. https://doi.org/10.3390/rs10081180
  31. Ritchie, R.J., 2006. Consistent sets of spectrophotometric chlorophyll equations for acetone, methanol and ethanol solvents, Photosynthesis Research, 89: 27-41. https://doi.org/10.1007/s11120-006-9065-9
  32. Shaw, G.A. and H.K. Burke, 2003. Spectral imaging for remote sensing, Lincoln Laboratory Journal, 14(1): 3-28.
  33. Spyrakos, E., L.G. Vilas, J.M.T. Palenzuela, and E.D. Barton, 2011. Remote sensing chlorophyll a of optically complex waters (rias Baixas, NW Spain): Application of a regionally specific chlorophyll a algorithm for MERIS full resolution data during an upwelling cycle, Remote Sensing of Environment, 115(10): 2471-2485. https://doi.org/10.1016/j.rse.2011.05.008
  34. Tassan, S., 1994. Local algorithms using SeaWiFS data for the retrieval of phytoplankton, pigments, suspended sediment, and yellow substance in coastal waters, Applied Optics, 33(12): 2369-2378. https://doi.org/10.1364/AO.33.002369
  35. Werdell, P.J., S.W. Bailey, B.A. Franz, L.W. Harding, G.C. Feldman, and C.R. McClain, 2009. Regional and seasonal variability of chlorophyll-a in Chesapeake Bay as observed by SeaWiFS and MODIS-Aqua, Remote Sensing of Environment, 113: 1319-1330. https://doi.org/10.1016/j.rse.2009.02.012
  36. Yoon, H.J., K.W. Nam, H.G. Cho, and H.K. Beun, 2004. Study on monitoring and prediction for the red tide occurrence in the middle coastal area in the South Sea of Korea II, The relationship between the red tide occurrence and the oceanographic factors, Journal of Korea Institute of Information and Communication Engineering, 8(4): 938-945 (in Korean with English abstract).
  37. Yokoya, N., N. Miyamura, and A. Iwasaki, 2010. Preprocessing of hyperspectral imagery with consideration of smile and keystone properties, Proc. of Multispectral, Hyperspectral, and Ultraspectral Remote Sensing Technology, Techniques, and Applications III, Incheon, Korea, Oct. 13-14, vol. 7857, p. 78570B.