Application and Analysis of Ocean Remote-Sensing Reflectance Quality Assurance Algorithm for GOCI-II

천리안해양위성 2호(GOCI-II) 원격반사도 품질 검증 시스템 적용 및 결과

Abstract

An atmospheric correction algorithm based on the radiative transfer model is required to obtain remote-sensing reflectance (R_rs) from the Geostationary Ocean Color Imager-II (GOCI-II) observed at the top-of-atmosphere. This R_rs derived from the atmospheric correction is utilized to estimate various marine environmental parameters such as chlorophyll-a concentration, total suspended materials concentration, and absorption of dissolved organic matter. Therefore, an atmospheric correction is a fundamental algorithm as it significantly impacts the reliability of all other color products. However, in clear waters, for example, atmospheric path radiance exceeds more than ten times higher than the water-leaving radiance in the blue wavelengths. This implies atmospheric correction is a highly error-sensitive process with a 1% error in estimating atmospheric radiance in the atmospheric correction process can cause more than 10% errors. Therefore, the quality assessment of R_rs after the atmospheric correction is essential for ensuring reliable ocean environment analysis using ocean color satellite data. In this study, a Quality Assurance (QA) algorithm based on in-situ R_rs data, which has been archived into a database using Sea-viewing Wide Field-of-view Sensor (SeaWiFS) Bio-optical Archive and Storage System (SeaBASS), was applied and modified to consider the different spectral characteristics of GOCI-II. This method is officially employed in the National Oceanic and Atmospheric Administration (NOAA)'s ocean color satellite data processing system. It provides quality analysis scores for R_rs ranging from 0 to 1 and classifies the water types into 23 categories. When the QA algorithm is applied to the initial phase of GOCI-II data with less calibration, it shows the highest frequency at a relatively low score of 0.625. However, when the algorithm is applied to the improved GOCI-II atmospheric correction results with updated calibrations, it shows the highest frequency at a higher score of 0.875 compared to the previous results. The water types analysis using the QA algorithm indicated that parts of the East Sea, South Sea, and the Northwest Pacific Ocean are primarily characterized as relatively clear case-I waters, while the coastal areas of the Yellow Sea and the East China Sea are mainly classified as highly turbid case-II waters. We expect that the QA algorithm will support GOCI-II users in terms of not only statistically identifying R_rs resulted with significant errors but also more reliable calibration with quality assured data. The algorithm will be included in the level-2 flag data provided with GOCI-II atmospheric correction.

천리안 해양위성 2호(Geostationary Ocean Color Imager-II, GOCI-II)에서 관측된 대기상층 복사휘도에서 해양환경 분석이 가한 원격반사도(remote-sensing reflectance, R_rs) 자료를 얻기 위해서 복사 전달 모델 기반의 대기 보정을 수행한다. 이 R_rs는 다시 엽록소, 총부유사, 용존유기물 농도 등의 다양한 해양환경변수 산출에 이용되고 있기 때문에 대기보정은 모든 해색 산출물의 정확도에 영향을 주는 중요한 알고리즘이다. 맑은 해역에서는 대기의 복사휘도가 청색 파장대의 해수 복사휘도보다 10배 이상 높다. 따라서 대기보정 과정에서 1%의 대기 복사휘도 추정 오차가 10% 이상의 R_rs 오차를 유발할 수 있으며, 이처럼 대기보정은 매우 높은 오차 민감도를 가진 알고리즘이다. 그 결과 대기보정 산출물인 R_rs의 품질 평가는 신뢰성 있는 해양 위성 기반 자료 분석을 위해 반드시 선행되어야 한다. 본 연구에서는 Sea-viewing Wide Field-of-view Sensor (SeaWiFS) Bio-optical Archive and Storage System (SeaBASS)을 통해 데이터베이스화 된 현장 측정 R_rs 기반 통계적 신뢰성을 평가하는 Quality Assurance (QA) 알고리즘을 GOCI-II의 분광 특성에 맞게 수정 및 적용하였다. 이 방법은 National Oceanic and Atmospheric Administration (NOAA)의 해색위성 자료처리 시스템에 공식적으로 적용되어 서비스 중이며, R_rs의 품질 분석 점수(0~1점)를 제공할 뿐 아니라 해수의 유형(23 유형)도 구분해 준다. 실제로 검보정 초기 단계의 GOCI-II 자료에 QA를 적용한 결과, R_rs는 비교적 낮은 값인 0.625에서 가장 높은 빈도를 보여주었지만 추가적인 검보정을 통해 개선된 GOCI-II 대기보정 결과에 QA 알고리즘을 적용했을 시 기존보다 높은 0.875에서 가장 높은 빈도를 보여주었다. QA 알고리즘을 통한 해수 유형 분석 결과, 동해 및 남해 일부 그리고 북서태평양 해역은 주로 탁도가 낮은 case-I 해역이었으며 서해 연안 및 동중국해는 주로 탁도가 높은 case-II 해역으로 구분되었다. 이처럼 QA 알고리즘의 적용을 통해 대기보정 과정에서 오차가 크게 발생한 R_rs 자료를 객관적으로 판별하여 배제할 수 있으며 이는 배포자료 및 검보정의 신뢰도 향상으로 이어질 수 있다. 본 방법은 추후 GOCI-II의 대기보정 flag에 적용되어 사용자들이 양질의 R_rs 자료만을 적용할 수 있도록 도움을 줄 것이다.

1. 서론

세계 최초 정지궤도 해색위성인 천리안해양위성(Geostationary Ocean Color Imager, GOCI)은 한반도를 포함한 동북아 해역을 높은 시간해상도로 관측하며 하루 이내의 해양환경 변화를 성공적으로 모니터링 할 수 있었다(Ryu et al., 2012). 천리안해양위성의 후속임무인 천리안해양위성 2호(GOCI-II) 또한 지난 2020년 2월 발사되어 8개월간의 궤도상 테스트(In-Orbit Test, IOT)를 성공적으로 마무리하고 2020년 10월부터 한국해양과학기술원 해양위성센터 및 국립해양조사원 국가해양위성센터를 통해 운영 및 대국민 서비스가 시작되었다(Choi et al., 2021). GOCI-II는 380, 412, 443, 490, 510, 555, 620, 660, 680, 709, 745, 865 nm의 12개 파장대 영역에서 바다의 색을 분석하고 있으며, 이렇게 관측된 바다의 색을 복사전달 이론을 바탕으로 분석할 경우 엽록소a, 총부유사, 용존유기물 농도 등의 다양한 해양환경변수들을 알 수 있다. 하지만 위성이 있는 대기 상층(top-of-atmosphere, TOA) 고도에서 해양을 관측할 경우 해양의 복사 휘도보다 10배 이상의 크기를 차지하는 대기 복사 휘도도 함께 관측이 되며, 해양이 대기를 투과하는 과정에서 해양의 복사 휘도 또한 실제보다 많이 어둡게 보인다. TOA 고도에서의 위성자료에서 대기에 의한 복사 휘도를 제거하고 대기 투과에 의해 줄어든 해양의 복사 휘도 및 반사도를 계산해 내는 과정을 대기보정이라고 한다(Gordon, 1978; Gordon and Wang, 1994). 대기보정의 산출물은 정의하기에 따라 여러 종류의 변수가 사용될 수 있으며 현재 가장 많이 활용되는 광 변수는 해수 표면에서의 다분광 반사도 정보를 담고 있는 원격반사도(remote-sensing reflectance, R_rs)이다.

해양환경 분석을 위한 대부분의 해색 알고리즘들은 대기보정 결과물인 다분광 R_rs 자료를 입력 값으로 사용하고 있다. 하지만 대기보정은 1%의 대기 복사 휘도 추정오차가 최종적으로 10% 이상의 R_rs 산출 오차를 일으킬 정도로 오차민감도가 높고 최종적인 해양환경 분석 과정의 주요 불확도 발생 요인이다. 따라서 R_rs의 산출물 품질 분석은 해색위성 기반 해양자료 품질 분석을 위해 반드시 선행되어야 한다.

R_rs 자료의 품질을 평가하는 방법은 관측 및 센서에 따라 광범위하게 적용된다(Bailey and Werdell, 2006; Ruddick et al., 2005; Werdell and Bailey, 2005; Zibordi et al., 2009). Moore et al. (2009)에서 NASA NOMAD 자료를 사용하여 해수의 광학적 유형을 분류했다. 분류를 위해 퍼지 C-평균(fuzzy c-means, FCM) 군집 알고리즘을 사용하였으며(Moore et al., 2001), FCM은 다른 알고리즘과 달리 최적의 분류 개수를 결정하는 과정이 포함되어 있다. 이에 대한 검증으로 MODIS Aqua에서 산출된 엽록소 정보를 사용하여 8개로 분류된 광학적 유형에 따른 오차 분석을 수행하였다. Mélin and Vantrepotte (2015)에서는 SeaWiFS 위성 자료를 활용하여 전지구에 분포하는 해안가의 광학적 유형을 분류하였으며 비지도학습 군집 기법(unsupervised clustering technique)을 사용하여 16개의 광학적 유형을 분류하였다. 탁수(turbid water)부터 매우 맑은 빈영양(oligotrophic) 해수까지 분류가 가능함을 확인하였고 7년 기간의 자료를 분석하여 해수 유형의 지역적 계절적 변동성을 분석하였다. Wei et al. (2016)에서 개발한 R_rs 품질 검증 시스템(Quality Assurance System, QAS)은 R_rs 분광 스펙트럼 모양이 통계적 범위를 기반으로 납득할 만한 범위 안에 있는지를 코사인 유사도 기반으로 품질을 평가해줄 뿐 아니라 R_rs를 기반으로 해수 유형까지도 23개 분류 중 하나로 구분해준다. 이 방법은 NOAA의 해색 자료 품질 분석을 위해서도 공식적으로 활용되고 있다.

본 연구에서는 Wei et al. (2016)에서 소개된 방법을 기반으로 GOCI-II 분광 특성에 맞게 부분적으로 수정된 방법을 적용하였으며 Wei et al. (2016)의 방법 및 GOCI-II 밴드에 맞게 수정하는 과정을 간단히 소개하였다. 이어서 이 방법을 자료 처리 시스템에 이식 후 대기보정 산출물에 적용한 초기 단계 분석 결과를 기술하였다.

2. 연구 자료 및 방법

2.1. 연구 자료

본 연구에 활용된 QAS 알고리즘(Wei et al., 2016)은 NOAA의 해색 그룹인 SaTellite Applications and Research (STAR)에서 2016년도부터 서비스 중이며, 아열대 해역부터 적도 해안선 부근까지의 다양한 관측 지점에서 수집된 958개의 현장 자료를 기반으로 QAS 알고리즘의 조견표를 생산하였다. QAS에서는 958개의 연구 샘플들을 총 23개의 해수 유형(water type)으로 구분하였으며 Matsushita et al. (2012)의 구분법에 따르면 이 중 case-I은 약 26%, case-II는 약 74%의 비로 구성되어 있다. QAS에서는 이 23개의 유형 중에서 품질 검증 대상 R_rs 분광 스펙트럼 모양과 가장 가까운 유형을 찾고, 이 유형과 검증 대상 R_rs가 유사한 정도를 품질 검증 점수(QA score)로 산출한다. 본 연구에서는 해당 알고리즘을 GOCI-II의 분광 특성에 맞게 수정하여 대기보정 결과인 R_rs 초기 품질을 분석하였다. 본 연구에서 사용된 자료인 GEO-KOMPSAT-2B (GK-2B)/GOCI-II 위성은 2020년 2월에 발사되어 현재까지 운영되고 있으며 12개의 밴드를 가지고 있다. 공간해상도는 직하점 기준 250 m/pixel이며, 한반도 주변 영역을 하루 10번의 관측을 수행하고 있다(Table 1). 또한 전구 영역(Full Disk, FD)과 한반도 주변 영역(Local Area, LA)을 12개의 슬롯으로 나누어 관측한다(Lee et al., 2021). 본 연구에서는 한반도에 직접적으로 인접한 영역인 슬롯 7번(39.285°–30.665°N, 121.996–130.405°E)을 연구 영역으로 사용하였고(Fig. 1), 연구 기간은 GOCI-II 대기보정 초기 알고리즘(Ahn et al., 2021)의 업데이트 이후, 안정적인 자료 재처리가 이루어진 시점인 2021년 8월부터 연구 시점인 2022년도 3월까지의 자료를 사용하여 결과물을 산출하였다(Table 2).

Table 1. GOCI-II specifications

Table 2. Summary of GOCI-II data used in this study

Fig. 1. GOCI-II local area (LA) consists of 12 slots. This study focuses on the slot number 7.

2.2. 모델 적용 및 연구 방법

QAS는 해색 자료들의 검보정을 위해 전세계 연구자들이 지금까지 수집하고 NASA에서 관리하는 데이터베이스(SeaBASS)에 축적된 현장 원격반사도 분광 스펙트럼 형태를 기반으로 R_rs의 품질이 통계적으로 얼마나 신뢰성 있는지 판단하는 알고리즘이며 정규화 된 가시광 밴드 R_rs 값(normalized remote-sensing reflectance, nR_rs)이 입력되어 R_rs 품질 점수 및 해수의 광학적 유형 정보가 산출된다.

Wei et al.(2016)에 의해 개발된 QAS는 NASA 및 NOAA 해색 임무들의 밴드를 고려하여 412, 443, 488, 555, 668 nm 파장에 대한 조견표를 사용하고 있다. 본 연구에서는 초 분광 SeaBASS 원본 자료를 기반으로 기존 방법과 동일한 방법을 적용하여 GOCI-II 가시광 파장인 412, 443, 490, 510, 555, 620, 660, 680 nm 밴드 조견표를 재구축하였다.

QAS 알고리즘 첫 번째 단계로, GOCI-II 파장 대역의 nR_rs 현장 자료를 사용하여 정규화를 수행한다. 정규화 기법은 아래 식(1)과 같이 각 파장 대역에 대해 Root of Sum of Squares (RSS)를 적용하는 방식이며(Wei et al., 2016), 여기서 N은 평가를 위해 입력된 가시광 밴드 파장의 개수이다.

\(\begin{aligned}n R_{r s}(\lambda)=\frac{R_{r s}(\lambda)}{\left[\sum_{i=1}^{N} R_{r s}(\lambda)^{2}\right]^{\frac{1}{2}}}\end{aligned}\)       (1)

두 번째로, K-means clustering을 적용하기 전에 샘플의 cluster 개수(k)를 결정해 주는 단계가 있다. 본 연구에서는 Gap statistic method를 사용하여 k의 수를 결정한다(Tibshirani et al., 2001).

nR_rs 정규화 샘플 데이터에서 하나의 클러스터를 r이라고 정의했을 때, 그 클러스터 내 모든 데이터 포인트의 분산 정도를 측정하는 지표(Wk)로 정의하고 식은 다음과 같다.

\(\begin{aligned}W_{k}=\sum_{r=1}^{k} \frac{1}{2 n_{r}} D_{r}\end{aligned}\)       (2)

여기서 k는 클러스터의 수를 나타내며 r은 각 클러스터의 인덱스이고, D_r은 클러스터 r 내의 모든 데이터 포인트들의 사이의 거리의 합이다. n_r은 클러스터 r에 속하는 데이터 포인트의 개수를 나타낸다. k를 결정하기 위해 GAP(k)를 계산하고 다음과 같다.

GAP_n(k) = E*_n [log(W_k)] – log(W_k)       (3)

기댓값 E*_n [log(W_k)]은 참조 분포로부터 몬테카를로 샘플링을 통해 생성된 무작위 데이터로 결정되며, log(W_k)는 입력한 샘플 데이터로부터 계산된다. 실제 데이터를 k개의 클러스터로 군집화하고, 위의 수식을 통해 GAP(k) 값이 가장 최대가 되는 k 값을 도출한다. 이에 대한 GAP(k)을 계산하여 최종적으로 23종의 해수 유형으로의 구분(k=23)이 결정되었다(Fig. 2).

Fig. 2. Summary of quality assurance system application and statistical analysis algorithm block diagram.

이후 K-means clustering을 수행한다. 앞서 계산한 현장 nR_rs 자료를 바탕으로 각 파장별로 임의의 중심점을 선정한다. 각 중심점과 나머지 데이터의 코사인 거리를 계산하여 클러스터를 형성한다. 파장별 클러스터의 개수가 23개가 될 때까지, 중심점을 이동하여 반복적으로 수행한다. 그 결과 만들어진 23개 유형의 중심 파장 값을 조견표로 생성하여 활용한다(Fig. 3a). 또한, 해당 유형에서 만들어진 클러스터의 중앙값과 최댓값 및 최솟값을 정상(normB), 상한(upB) 및 하한(lowB)으로 정의하며 조견표를 생성한다(Figs. 3b, c).

Fig. 3. Mean normalized remote-sensing reflectance spectra (nR_rs) for the 23 optical water types: (a) normB, (b) lowB, and (c) upB.

본 연구에서는 이를 기반으로 GOCI-II 위성에서 관측한 R_rs의 해수 유형과 품질 값을 산출한다. QAS 모델은 GOCI-II 파장 대역의 현장 자료로 산출한 nR_rs 조견표와 위성 R_rs 값(R*_rs)을 입력 자료로 하여, 다음과 같은 과정을 통해 위성 R*_rs의 해수 유형과 품질값(Quality Assurance Score, QA Score)을 수치화 한다.

우선, 위성에서 관측된 R*_rs 값을 입력 받아서 마찬가지로 정규화 과정을 거쳐 nR*_rs 값으로 변환한다. 이후 23개 해수 유형 조견표의 표준 nR_rs 값과 위성 nR*_rs 값의 코사인 유사도를 아래의 식(4)와 같이 도출한다. 두 측정점 간의 각이 제일 작은, 즉 코사인 유사도가 가장 큰 값을 찾아 pixel 단위당 nR*_rs의 해수 유형을 결정한다(Kruse et al., 1993). 해수 유형은 1에 근접할수록 맑은 유형의 해역임을 의미한다.

\(\begin{aligned}\cos \alpha=\frac{\sum_{i=1}^{N}\left[n R_{r s}{ }^{*} \cdot n R_{r s}\right]}{\sqrt{\sum_{i=1}^{N}\left[n R_{r s}^{*}\left(\lambda_{i}\right)\right]^{2} \sum_{i=1}^{N}\left[n R_{r s}\left(\lambda_{i}\right)\right]^{2}}}\end{aligned}\)       (4)

두 번째로, nR*_rs의 값이 해당되는 해수 유형에서 상한 및 하한 값 범위 내에 있는지 파장별로 체크한다. 즉, 각 파장마다 nR*_rs의 값이 판별된 해수 유형 스펙트럼의 상, 하한 nR_rs 값 범위 내에 해당하는지 조견표에서 확인하여 유효 범위에 해당하는 샘플의 개수(C_λ)를 카운트한다(Figs. 3b, c). 모든 파장에서의 총 샘플 개수(N)에 대한 평균 값을 위성 자료 R*_rs의 품질 값인 C_tot으로 산출되며, 이를 pixel 단위당 해수의 품질 값으로 정의한다. 품질 값의 범위는 0부터 1까지의 값을 가지며, 해수의 품질 값이 높을수록 자료의 품질이 높은 것을 의미한다.

3. 결과 및 분석

3.1. GOCI-II QA Score, Water Type 분석

본 연구에서는 GOCI-II 지상국 운영 시스템(GOCI-II Ground Segment, G2GS) 서버에 QAS 테스트 환경을 구축하여 실제 GOCI-II 8개의 밴드(412, 443, 490, 510, 555, 620, 660, 680 nm)를 이용하여 산출되는 R_rs 스펙트럼의 품질 값(QA Score: 0–1), 해수 유형의 군집 종류 (Water Type: 1–23)를 판별 및 결정해보았다.

초기 검보정 단계의 GOCI-II R_rs 산출물을 이용하여 분석한 결과 R_rs 품질 값은 1점 만점에 0.625 점수가 가장 높은 빈도를 보여주었다(Fig. 4a). Wei et al. (2016)의적용 예시에서도 잘 나타났듯이 1점의 비율이 가장 높은 것이 이상적이며, 본 GOCI-II 적용 예시는 GOCI-II 초기 산출물에 검보정을 더 수행하여 대기보정의 품질을 향상시켜야 함을 의미한다. 이는 섹션 3.3에서 다시 한번 자세히 다룰 예정이다.

Fig. 4. GOCI-II (a) QA score and (b) water type histograms for R_rs at 412–680 nm. Histograms in August 2021 to March 2022. 03 UTC.

Fig. 5는 2022년 3월 29일 03 UTC 슬롯 7번 사례에 대해 검증한 결과이다. Fig. 5(a)는 한반도 주변 영역에 대해 품질 값을 산출한 결과로 탁도가 높은 목포 연안 및 양자강 하구 영역에서 대기보정이 정상적으로 수행되고 있는 것을 확인할 수 있다. 하지만 산둥반도 주변 영역에서 낮은 점수가 높은 빈도로 발생하였으며, 이는 QA score가 낮게 분포하는데 해당 해역 에어로졸 농도가 높은 점으로 보아 근적외 밴드 대리교정의 오차에 기인한 가시광 밴드 대기보정 오차로 추정된다(Ahn et al., 2015). Fig. 5(b)는 한반도 주변 해수 유형 군집에 대한 분석 결과로 동해, 남해 및 일부 일본의 남해는 대체로 맑은 해역이 분포하는 것으로 나타났으며, 서해의 경우 탁도가 높은 case-II 해역으로 나타난다. 연안 부근은 대체 로 해수 유형 군집이 탁도가 높은 10번 이후로 분류되고 있으며 일반적으로 TSM이 많이 생산되는 황하강 하류 부근은 해수 유형 군집 분석 결과 탁도가 높은 것을 확인할 수 있다.

Fig. 5. GOCI-II (a) QA score and (b) water type images on 29 March 2022. 03 UTC.

위 기술된 QAS 점수를 통해 대기보정 과정에서 오차가 많이 발생한 R_rs 자료를 통계적 기준으로 판별하여 배제할 수 있으며 이는 GOCI-II 위성의 배포 자료 및 검보정의 신뢰도 향상으로도 이어질 수 있다.

3.2. 시간대별 QA Score 및 계절적 Water Type 분석

일반적으로 대기보정은 태양 및 위성 천정각이 커질수록 오차도 더욱 높아지는 것으로 알려져 있으며(Wang, 2010; Li et al., 2020) 본 연구에서는 GOCI-II R_rs의 시간에 따른 품질 변화를 알아보기 위해 QAS를 사용하여 오전(Fig. 6a), 정오(Fig. 4a), 오후(Fig. 6b) 자료의 품질을 분석했다. 연구 자료는 구름 및 육상, 대기보정의 오차 외 범위를 flag 처리하여 제거 후 분석을 수행하였다. 정오 시간인 03 UTC에서의 품질 값 통계 자료가 아침, 저녁 시간인 00 UTC, 06 UTC의 품질 값 통계보다 높음을 확인할 수 있다. 00 UTC, 06 UTC의 품질 값 평균은 약 0.56이며, 03 UTC는 약 0.62의 더 높은 품질 점수를 보여준다. 즉, 태양 고도각이 낮아질수록 대기보정의 정확도가 떨어짐을 의미하며, 이처럼 태양 고도각에 의한 품질 값의 차이를 수치적으로 검증할 수 있다.

Fig. 6. GOCI-II QA score histograms of R_rs at 412–680 nm for different observation time on August 2021 to March 2022. (a) 00 UTC and (b) 06 UTC.​​​​​​​

계절에 따른 GOCI-II Rrs의 해수 유형의 변화를 확인하기 위해 각 여름철(Fig. 7a)과 겨울철(Fig. 7b)에 해당하는 해수 유형을 산출하였다. 한반도 영역의 해수 유형은 주로 맑은 유형의 군집이 분포하고 있으나, 여름철에 비해 겨울철에는 탁한 유형의 해수 군집의 분포도가 증가하였음을 Fig. 7에서 확인할 수 있다. Fig. 8은 2022년 2월 27일 03 UTC 슬롯 7번 사례의 결과이다. 실제로 TSM (Fig. 8a)가 증가함에 따라 해수 유형(Fig. 8b) 또한 탁도가 높은 군집으로 변화하는 양상을 볼 수 있다.

Fig. 7. GOCI-II water type classification results of R_rs at 412–680 nm for 03 UTC on (a) August 2021 (summer) and (b) February 2022 (winter).

Fig. 8. GOCI-II (a) TSM, (b) water type images on 27 February 2022, 03 UTC. The water type classification result has a strong correlation with the TSM concentration.​​​​​​​

3.3. 대기보정 알고리즘 업데이트 전후 비교 결과

G2GS에 적용된 대기보정 알고리즘의 업데이트의 전후 결과를 QAS 모델을 통해 확인함으로 알고리즘 성능 개선을 비교하였다(Fig. 9). 대기보정 알고리즘에 사용되는 기상 입력 자료 중 오존 자료의 잘못된 입력과 육상 대기분자광산란 보정을 위한 조견표 할당에 오류가 발생하여 GOCI-II R_rs와 현장 관측 값의 오차가 발생하였다. 해당 문제 해결을 위해, 2022년 1월에 G2GS 대기보정 알고리즘에 대한 업데이트를 진행하여 오차를 감소시켰다.

Fig. 9. Algorithm update (a) before and (b) after. GOCI-II QA Score histograms for R_rs at 412–680 nm. Histograms in August 2021 to March 2022. 03 UTC. (G2GS AC algorithm update by Ahn; 12 January 2022. 23 KST)​​​​​​​

본 연구에서는 대기보정 알고리즘 업데이트 전후 자료를 G2GS에서 각각 산출하여, QAS를 통해 도출한 품질 값의 결과를 통해 R_rs의 품질 향상을 수치화 하여 확인할 수 있었다. 업데이트 이전에 비해 평균 값은 약 0.24 만큼 증가하였고, 중위 값은 0.625에서 0.75로 증가함을 확인할 수 있다(Fig. 9). Fig. 10에서는 대기보정 알고리즘 업데이트 이전에(Figs. 10a–c) 비해 업데이트 이후의(Figs. 10d–f) 품질 값이 전반적으로 상승한 모습을 직관적으로 확인할 수 있다. 이는 QAS 결과를 활용하여 보다 높은 신뢰도를 갖는 R_rs 자료를 생산하는 데에 기여할 것으로 예상된다. 추후 지속적인 검보정을 통해서 GOCI-II 대기보정 및 해색 산출물의 정확도를 향상시킬 수 있을 것으로 기대한다.

Fig. 10. Impact of atmospheric correction algorithm update on the QA score for GOCI-II data. (a-c) QA score before the update. (d-f) QA score after the update. (a, d) Example GOCI-II image of 18 January 2022, 03:15 UTC. (b, e) Example GOCI-II image of 27 February 2022, 03:15 UTC. (c, f) Example GOCI-II image of 15 March 2022, 03:15 UTC.​​​​​​​

4. 토의 및 결론

본 연구에서 사용된 분류 방법은 선행 연구들(Le et al., 2011; Mélin and Vantrepotte, 2015; Moore et al., 2001)과는 다른 코사인 유사도 기반 분류 알고리즘으로(Wei et al., 2016), R_rs 스펙트럼 유사도에 따라 분류하는 방법이다. 이 방법은 R_rs의 스펙트럼 모양만을 고려하기 때문에 동일한 해색을 갖는 물만을 그룹화 한다. 그 결과 푸른 맑은 영역의 해수와 녹색 혹은 황색을 갖는 탁수가 구분되는 특성을 보인다.

본 연구는 GOCI-II 분광 특성을 적용한 품질 검증 시스템을 통해, 한반도 주변 영역의 초기 R_rs 품질 값과 해수 유형에 대한 결과 분석을 수행하였다. 초기 분석 결과, 한반도 영역의 GOCI-II R_rs의 품질 값은 0.625가 가장 높은 빈도를 보여주었으며 해수 유형은 case-I 해역(1–9 cases)이 주로 분포함을 알 수 있었다. 시간대 별로는 태양 고도각이 높은 정오 시간대가 오전과 오후 시간대에 비해 품질 값이 높게 나타났다. 계절별 해수 유형 분석 결과 한반도 영역의 해수 유형은 여름철 보다 겨울철의 탁한 유형의 해수 분포도가 높음을 히스토그램을 통해 확인하였다. 또한, G2GS 대기보정 알고리즘의 업데이트 이후, GOCI-II R_rs 품질 값의 평균이 약 0.24 만큼 증가하였고, 중위 값은 0.75로 개선되는 것을 통계적으로 확인하였다.

본 연구에서 QAS 품질 값이 대기보정 알고리즘의 성능 평가 지표로 활용 가능성이 있는 것을 확인하였다. 향후 타 위성 자료 및 현장 자료와의 매치업을 수행하여 장기적인 QAS 자료 성능 확인 및 구체적인 목표 검증치를 수립할 것이다. 충분한 자료 확보 및 장기간의 검증을 통해 신뢰도 있는 QAS의 품질 값과 해수 유형을 GOCI-II R_rs flag 정보로 제공할 계획이다.