GOCI-II Based Low Sea Surface Salinity and Hourly Variation by Typhoon Hinnamnor

GOCI-II 기반 저염분수 산출과 태풍 힌남노에 의한 시간별 염분 변화

Abstract

The physical properties of the ocean interior are determined by temperature and salinity. To observe them, we rely on satellite observations for broad regions of oceans. However, the satellite for salinity measurement, Soil Moisture Active Passive (SMAP), has low temporal and spatial resolutions; thus, more is needed to resolve the fast-changing coastal environment. To overcome these limitations, the algorithm to use the Geostationary Ocean Color Imager-II (GOCI-II) of the Geo-Kompsat-2B (GK-2B) was developed as the inputs for a Multi-layer Perceptron Neural Network (MPNN). The result shows that coefficient of determination (R²), root mean square error (RMSE), and relative root mean square error (RRMSE) between GOCI-II based sea surface salinity (SSS) (GOCI-II SSS) and SMAP was 0.94, 0.58 psu, and 1.87%, respectively. Furthermore, the spatial variation of GOCI-II SSS was also very uniform, with over 0.8 of R² and less than 1 psu of RMSE. In addition, GOCI-II SSS was also compared with SSS of Ieodo Ocean Research Station (I-ORS), suggesting that the result was slightly low, which was further analyzed for the following reasons. We further illustrated the valuable information of high spatial and temporal variation of GOCI-II SSS to analyze SSS variation by the 11th typhoon, Hinnamnor, in 2022. We used the mean and standard deviation (STD) of one day of GOCI-II SSS, revealing the high spatial and temporal changes. Thus, this study will shed light on the research for monitoring the highly changing marine environment.

해양 내의 다양한 물리적 변화는 수온과 염분의 지속적인 변동에 의해 결정된다. 수온과 더불어 넓은 영역의 염분 변화를 파악하기 위해서는 인공위성 자료에 의존할 수밖에 없다. 그럼에도 불구하고 염분을 관측하는 위성인 Soil Moisture Active Passive (SMAP)는 낮은 시·공간 해상도로 인해 연안 근처에서 빠르게 변화하는 해양환경을 관측하기에는 어렵다는 한계가 존재한다. 이러한 한계를 극복하기 위해 본 연구에서는 천리안 해양 관측 위성의 정지궤도 해색 센서인 Geostationary Ocean Color Imager-II (GOCI-II) 원격반사도 자료를 입력자료로 하여 고해상도 표층 염분을 산출하는 Multi-layer Perceptron Neural Network (MPNN) 기반의 알고리즘을 개발하였다. SMAP과 비교한 결과 coefficient of determination (R²)는 0.94, root mean square error (RMSE)는 0.58 psu 그리고 relative root mean square error (RRMSE)는 1.87%였으며, 공간적인 분포 또한 매우 유사한 결과를 나타냈다. R²의 공간 분포는 0.8 이상을 보여주었으며 RMSE는 전반적으로 1 psu 이하의 낮은 값을 보여주었다. 이어도 과학기지에서의 실측 염분값과도 비교하였지만 상대적으로 조금 낮은 결과를 보여주었다. 이에 대한 원인을 분석하였으며, 산출된 GOCI-II 기반 고해상도 염분 자료를 활용하여 2022년 11호 태풍 힌남노에 의한 하루 동안의 동중국해 표층 염분 변화를 표준편차로 계산하였다. 그 결과 SMAP에서 관측할 수 없는 시공간의 염분 변화를 고해상도의 GOCI-II 기반 염분 산출물을 통해 확인할 수 있었다. 따라서 본 연구를 통해 시간 단위로 변화하는 해양환경 모니터링에 큰 기여를 할 것으로 기대된다.

1. 서론

해양에서의 염분은 물리적 특성을 결정하는 매우 중요한 요인이다. 염분은 강으로부터 담수 유입, 강수량, 증발량과 같은 다양한 인자들에 의해 영향을 받으며, 온도와 더불어 해양의 밀도를 결정짓는 요인이다(Rao and Sivakumar, 2003; Chen and Hu, 2017). 특히 동중국해의 경우 매년 여름철 양자강 저염분수의 유출로 인해 염분이 급격하게 변화하는 지역이며 태풍이 자주 통과하는 지역 중 하나이다(Kim et al., 2020; Choi et al., 2021; Son and Choi, 2022). 따라서 연안 가까이에서 빠르게 이동하는 양자강 저염분수의 지속적인 모니터링을 위해서는 고해상도의 표층 염분 자료가 필요하다. 현재 해양에서 염분을 관측하는 방법에는 크게 현장 관측과 위성 관측이 존재하는데, 현장 관측은 불연속적으로 고정된 정점 위치에서만 자료를 획득할 수 있다. 반면, 위성 관측은 연속적으로 전 지구적인 범위를 관측할 수 있다는 장점이 존재한다. Soil Moisture Active Passive (SMAP) 위성의 경우 마이크로파로 염분을 측정하는 위성이며, 25 km의 공간해상도로 8일 평균한 자료를 일 단위로 제공하고 있다. 그러나 센서 특성상 radio frequency interference (RFI)와 land contamination (LC)에 취약하여 연안 가까이에서는 자료 제공이 되지 않는다는 한계점이 존재한다(Olmedo et al., 2018; Jang et al., 2021).

이러한 한계점을 극복하기 위하여 동중국해 및 한반도 주변 해역을 대상으로 연안 관측이 가능하고 시간 해상도가 높은 천리안 해양관측 위성의 정지궤도 해색 센서인 Geostationary Ocean Color Imager (GOCI) 자료를 활용한 염분 산출 연구가 진행되어 왔다. 담수가 유입되어 염분 변화가 큰 지역은 유색 용존 유기물이나 부유물질로 인해 변화된 분광 특성을 통해 표층 염분 추정이 가능하다고 알려져 있다(Ahn et al., 2008; Sasaki et al., 2008). 이로 인해 해색 특성을 이용한 연구가 다양하게 수행되었다. Choi et al. (2021) 연구에서는 GOCI 원격반사도(remote sensing reflectance, Rrs) (490, 555, 660, 680 nm)와 염분의 경험적 관계를 이용하여 GOCI를 이용한 염분 추정 계산식을 개발하였다. Son and Choi(2022)연구에서는 현장 관측으로 얻은 염분자료와 GOCI Rrs의 파장대(412, 443, 490, 555 nm)를 이용하여 경험적 관계식을 설정하여 염분을 추정하였다. 위의 두 연구에서 공통적으로 청색 파장대를 사용하였으며 실측자료를 바탕으로 경험적 관계식을 도출하였다. 하지만 사용된 데이터 수가 충분하지 않을 수 있으며, 제한적인 지역에서 획득된 자료만을 이용하여 경험식을 산출했다는 한계가 존재한다.

위성을 이용한 염분 관측자료가 축적됨에 따라 SMAP의 표층 염분 자료와 GOCI의 자료를 이용하여 표층 염분 산출 알고리즘을 개발하는 연구가 진행되었다. Kim et al. (2020)은 GOCI Rrs (490, 555, 660, 680 nm)와 해수면 온도를 입력자료로 하는 Multi-layer Perceptron Neural Network (MPNN) 모델을 개발하여 표층 염분을 추정하였다. Sung et al. (2022)의 연구에서는 기존 SMAP의 표층 염분 산출물을 해양 수치모델인 Hybrid Coordinate Ocean Model (HYCOM)의 표층 염분 자료로 정확도를 향상시킨 자료와 GOCI Rrs (412, 443, 490, 555, 660, 680 nm), 해수면 온도를 이용하여 Light Gradient Boosting Machine (LBGM) 기반의 모델을 개발하였다. 딥러닝을 이용한 모델들은 실측자료를 이용하는 경험적 산출식보다 더 많은 데이터로 학습을 진행할 수 있었고, 광학적 특성에 영향을 미치는 여러 요인을 단순 선형회귀가 아니라 비선형 모델을 이용하여 높은 정확도로 표층 염분을 추정할 수 있었다.

GOCI-II는 GOCI를 이은 후속 위성 센서로, GOCI와 비교하였을 때 공간해상도가 500 m에서 250 m로 관측 횟수가 8회에서 10회로 증가하였고, 관측 밴드도 8개에서 13개로 증가하였다. 따라서 기존의 GOCI를 이용한 알고리즘을 그대로 적용하기보다는 새로 발사된 GOCI-II에 알맞은 표층 염분 산출 알고리즘 개발이 필요하다. Kim et al. (2022)의 경우 GOCI-II가 처음 관측을 시작한 2021년 7~9월의 자료와 SMAP 표층 염분 자료를 이용하여 MPNN 모델을 개발하였다. GOCI-II에 새로 추가된 Rrs 파장대(380, 510, 620, 709 nm)를 이용한 결과가 기존 6개의 GOCI Rrs 파장대로 산출한 결과보다 더 높은 정확도를 보였다. 그러므로 GOCI-II의 Rrs 파장대에 특화된 염분 산출 알고리즘이 필요하다.

본 연구에서는 2021년과 2022년 여름철 GOCI-II 해색 센서에서 관측된 Rrs와 SMAP의 표층 염분 자료를 이용하여 동중국해에서의 여름철 표층 염분을 추정하는 MPNN 모델을 개발하였다. 모델 결과는 이어도 해양과학기지 실측 자료와 정확도 검증을 실시하였고 개발된 고해상도 표층 염분장을 활용하여 2022년 9월 한반도에 상륙한 제11호 태풍 힌남노(Hinnamnor)에 의한 시간별 고해상도 염분 변화를 분석하였다.

2. 연구자료 및 방법

양자강에서 유출되는 저염분수의 거동에 초점을 맞추기 위해 연구지역을 동중국해(위도: 28°N–36°N, 경도: 119°E–129°E)로 설정하였다. Fig. 1(a)는 동중국해에서 정기적으로 관측을 진행하는 현장 관측 정점의 위치를 나타내며, 이는 위성 자료인 Fig. 1(b)에 비해 상대적으로 제한된 위치에서만 획득 가능하다는 한계가 존재한다. 광학으로 염분을 추정하기 때문에 염분의 변화가 큰 여름철 자료를 사용하였으며, 2021년은 7월에서 9월 사이 관측된 자료를, 2022년에는 6월에서 7월초까지 관측된 자료를 학습자료로 사용하였다. 보통 7~9월을 여름철로 둔 연구가 많이 진행되었지만 특히 2022년에는 6월 부터 이른 저염분수가 유출되는 것이 확인되었고(Fig. 1b), SMAP 위성의 안전 점검 때문에 7월 초까지의 자료만 획득 가능하였기 때문에 총 129일치의 자료로 학습을 진행하였다.

Fig. 1. The study area is marked with a red dashed box. (a) Locations for In-situ salinity observation (i.e., National Institute of Fisheries Science and Korea Ocean Research Stations). (b) Monthly SMAP SSS in June 2022.

2.1. GOCI-II 원격반사도

GOCI-II는 천리안 해양 위성 2호에 탑재된 정지궤도 해색위성 센서이며, 2021년 임무를 종료한 GOCI와 비교하였을 때 공간해상도가 500 m에서 250 m로, 관측 횟수가 8회에서 10회로 증가하였고, 관측 밴드도 8개에서 13개로 증가하여 고해상도로 한반도 연안을 관측하고 있다. 국립해양조사원 국가해양위성센터(https://www.nosc.go.kr)에서 제공하는 L2 Rrs 자료에서 총 10개의 파장대(380, 412, 443, 490, 510, 555, 620, 660, 680, 709 nm)를 입력자료로 사용하였다. 또한 GOCI-II는 슬롯 단위로 자료를 제공하는데, 본 연구에서는 동중국해에 해당하는 슬롯 6, 7, 9, 10의 자료를 사용하였다.

원격반사도인 Rrs는 구름 그림자에 의한 영향, 태양광 반사에 의한 영향 등 다양한 요인에 의해 오차가 발생할 수 있다. 따라서 GOCI-II Rrs의 오차 값을 제거하기 위해 Wei et al. (2016)이 제시한 quality assurance (QA) 기법을 적용하였다. QA 기법은 관측된 Rrs의 스펙트럼 형상이 실제 해수에서 나타날 가능성을 0부터 1로 제시하는데, 1에 가까울수록 품질이 좋음을 의미한다. 본 연구에서는 412, 443, 490, 510, 555, 660, 680 nm 총 7개의 파장대를 이용하여 QA를 계산한 뒤, QA 값이 0.8 이하인 값들을 제거한 후 학습자료로 사용하였다.

2.2. SMAP 표층 염분

염분을 관측하는 위성인 SMAP은 수동 마이크로파를 이용하여 염분을 측정하는 위성이다. 현재 유일하게 한반도 해역에서 염분 관측을 수행하는 위성이며, 25 km의 공간해상도와 8일 평균한 일별 자료를 제공하고 있다. 수동 마이크로파로 관측하는 특성상 연안 가까이에서는 육지에 의한 오염이 발생하기 때문에 자료가 제공되지 않는다. 본 연구에 사용된 SMAP 자료는 레벨 3, 버전 5.0을 사용하였으며(https://podaac.jpl.nasa.gov/SMAP), 동중국해에서의 정확도는 Kim et al. (2021)에서 정선 관측자료와 비교한 결과, R²가 0.93, RMSE가 0.68 psu로 우수한 정확도로 한반도 연안의 염분 관측을 수행한 자료로 밝혀져 본 연구의 정답자료로 사용하였다.

2.3. 이어도 해양과학기지 실측자료

이어도 해양과학기지는 위도 32.07도, 경도 125.10도에 위치하여 동중국해와 가장 가까운 해양 관측소이다. 마라도와 149 km 떨어진 곳에 위치한 이어도 해양과학기지는 양자강 저염분수의 이동 경로에 위치하여 지속적인 모니터링이 가능하고, 남쪽으로부터 대마 난류의 영향을 받는 지역을 포함하여 동중국해뿐만 아니라 한반도 주변의 해양환경까지 관측자료를 획득할 수 있다. 이어도 해양과학기지(Ieodo Ocean Research Station, I-ORS)는 매년 여름철 한반도로 상륙하는 태풍의 길목에 위치하기 때문에 태풍에 의한 해양환경 변화도 관측할 수 있다는 지리적 이점을 가진다. 본 연구에서는 양자강 저염분수로 인한 염분 변화를 확인하기 위해 국립해양조사원(https://www.khoa.go.kr)에서 10초 단위로 제공되는 표층 염분(3 m) 자료를 일 평균을 한 뒤 검증자료로 사용하였다.

2.4. MPNN 알고리즘

MPNN은 회귀 문제에 자주 사용되는 기계학습 중 하나로 입력층과 은닉층, 출력층으로 구성되어 있으며, 특히 해색 자료를 사용하여 염분을 산출할 때 높은 성능을 보인 알고리즘이다(Chen and Hu, 2017; Kim et al., 2020; 2021; 2022). 입력자료는 GOCI-II의 가시영역 파장대 10개의 Rrs (380, 412, 443, 490, 510, 555, 620, 660, 680, 709 nm)와 위도 및 경도로 총 12개의 변수가 사용되었고, 정답자료로는 SMAP의 표층 염분 자료를 사용하여 학습을 진행하였다(Fig. 2). 학습을 진행하기 위해 먼저 GOCI-II Rrs (250 m, 1시간) 자료를 SMAP의 시공간 해상도(25 km, 8일 평균)로 맞추어 학습자료를 제작하였다. 매칭되는 픽셀 수는 총 85,611개였으며 이 중 70% (59,927개)는 학습자료로, 30% (25,684개)는 검증자료로 사용되었다. 노드 수와 은닉층 수를 조절해 가며 학습을 진행하였고, 그 결과 총 4개의 은닉층을 가지고 각 은닉층의 노드 수가 2048, 1024, 1024, 2048개로 구성된 모델이 가장 높은 성능을 나타내 최종 모델로 결정하였다. 학습이 완료된 모델은 산점도의 기울기(slope), 편차(bias), 결정계수(coefficient of determination, R²), 평균 제곱근 오차(root mean square error, RMSE), 평균 제곱근 상대오차(relative root mean squared error, RRMSE)의 통계치로 정확도를 평가하였다.

Fig. 2. Schematic diagram of a MPNN model.

3. 연구결과 및 토의

3.1. 모델 성능 평가

본 연구에서는 GOCI-II Rrs 자료를 입력자료로 하는 표층 염분 산출 알고리즘을 MPNN 방법을 이용하여 개발하였다. Fig. 3(a)는 검증 데이터 셋의 결과로, R²가 0.94, RMSE가 0.58 psu, RRMSE가 1.87%로 높은 성능을 보였다. 31 psu 이하의 낮은 염분 범위에서도 높은 정확도로 염분을 추정함으로 여름철 염분 변화가 크게 발생하는 동중국해에서 염분 모니터링에 적합한 모델로 확인하였다. 표층 염분의 공간 패턴을 판단하기 위해 SMAP의 표층 염분과 GOCI-II Rrs로 산출한 표층 염분을 R² map과 RMSE map 형식으로 비교하였다(Figs. 3b, c). 연구 지역의 대부분에서 R²가 0.6 이상의 결과를 보였고, RMSE map에서도 주로 양자강 유출수로 인해 영향을 크게 받는 지역에서만 1 psu 정도의 차이를 보였고 그 외의 지역에서는 0.5 이하의 낮은 값을 보였다.

Fig. 3. Validation results of GOCI-II SSS using SMAP SSS. (a) Scatter plot, (b) R² map, and (c) RMSE map.

Kim et al. (2022)의 연구에서는 2021년 7~9월 자료만 이용하여 같은 방법으로 표층 염분을 산출하는 알고리즘을 개발하였다. Table 1에서 확인할 수 있듯이, 본 연구의 결과는 Kim et al. (2022)의 연구 결과보다 R² 0.02 증가 및 RMSE 0.1 psu 감소하여 더 향상된 성능을 보였다. 본 연구에서 개발한 모델의 정확도는 학습데이터의 증가에 의한 것으로 추정된다. 2022년 6월부터 양자강 저염 분수의 유입으로 인해 급격한 염분 감소가 발생하였고, 이러한 데이터들이 학습자료에 추가됨으로써 낮은 염분 범위를 추정하는데 정확도가 크게 향상되었다. R² 및 RMSE map을 비교하여도 2년치 자료로 학습한 본 연구 결과가 더 높은 공간적인 정확도를 가지는 것을 확인하였다. 따라서 앞으로 GOCI-II의 자료가 축적됨에 따라 더 높은 성능을 가진 알고리즘 개발이 가능할 것으로 사료된다.

Table 1. Detaildifferenceswiththeprevious researchresults

3.2. 이어도 해양과학기지 자료와 검증 및 오차 분석

이어도 해양과학기지는 양자강 저염분수가 통과하는 길목에 위치하여 지속적인 염분 관측을 수행하고 있기 때문에 염분 변화를 모니터링 하기에 최적의 자료이다. 본 연구에서 산출된 알고리즘의 성능을 검증하기 위해 이어도 해양과학기지 실측자료와 검증을 수행하였다. 그 결과 R²가 0.53, RMSE가 1.05 psu, RRMSE가 3.50%로 나타났다(Fig. 4a). 2022년 여름철 시계열 자료를 비교한 결과, 6월 말에 양자강 저염분수의 유입으로 인한 급격한 염분 감소 현상이 GOCI-II 기반 표층 염분에서도 성공적으로 모의되었다. 그러나 이어도 과학기지의 실측값과 다소 차이가 나타나는 부분도 존재하였다(Fig. 4b).

Fig. 4. Validation results of GOCI-II SSS using I-ORS SSS. (a) Scatter plot of I-ORS and GOCI-II SSS. Blue and orange dots represent 2021 and 2022, respectively. (b) Time series of I-ORS and GOCI-II SSS in 2022.

이어도 과학기지에서의 검증 결과가 비교적 낮은 이유로는 학습자료로 사용했던 SMAP과 입력 자료로 사용한 GOCI-II의 시공간 해상도 차이 때문에 생기는 오차가 결과값에 포함되어 있기 때문으로 추정된다. 이 오차는 MPNN 알고리즘 학습을 진행할 당시 GOCI-II의 자료를 SMAP 해상도(25 km, 8일 평균)로 맞추어 학습을 진행하였기 때문에 발생한다. 이어도 해양과학기지의 고정된 위치에서 하루 10번 관측하는 GOCI-II 기반 표층 염분의 시간별 편차와 8일 평균한 자료를 일 단위로 제공하는 SMAP의 표층 염분과의 차이를 식(1)을 통해 산출할 수 있다. 2021년 이어도 과학기지에서 총 52일 치의 표층 염분이 산출되었으며, 그 기간동안 시간별로 산출된 GOCI-II 표층 염분의 값과 8일 평균 값으로 제공하는 SMAP 표층 염분의 오차는 0.97–1.03 psu로 나타났다. 이와 유사하게, 같은 날에 대해 SMAP의 25 km 공간 해상도와 GOCI-II의 250 m 공간해상도 차이에 의한 오차도 식(2)와 같이 산출 가능하다. 25 km의 공간해상도를 갖는 SMAP 픽셀 1 × 1에 해당하는 GOCI-II의 픽셀은 190 × 172개였다. 구름에 의한 결측이 적게 발생했고 저염분수가 관측되었던 2021년 7월 19일 자료를 이용하여 오차를 계산한 결과, 공간해상도에 따른 오차는 0.89–0.96 psu였다.

\(\begin{aligned}\alpha=\left.\frac{\operatorname{SMAPSSS}(t)}{\operatorname{GOCI}-\mathrm{II} S S S(t) \pm \operatorname{STD}(\mathrm{GOCI}-\mathrm{II} \operatorname{SS}(t))}\right|_{\text {atfixed location }}\end{aligned}\)       (1)

\(\begin{aligned}\beta=\left.\frac{\operatorname{SMAPSSS}(x, y)}{\operatorname{GOCI}-\mathrm{II} \operatorname{SSS}(x, y) \pm \operatorname{STD}(\operatorname{GOCI}-\mathrm{II} \operatorname{SSS}(x, y))}\right|_{\text {atfured time }}\end{aligned}\)       (2)

이어도 해양과학기지 실측값과 차이가 발생하는 또 다른 이유로는 GOCI-II Rrs 결측값으로 인한 입력 데이터 손실이다. 구름에 의한 영향으로 인해 GOCI-II Rrs의 결측이 발생하여 GOCI-II 표층 염분이 산출된 데이터 수가 특히 2022년에 적었다. Fig. 5에서 GOCI-II의 밴드별 결측률을 확인한 결과, 다른 파장대보다 709 nm(band 10)에서의 결측률이 매우 높게 존재하였으며, 이러한 이유로 인해 훈련 데이터가 손실되었을 뿐만 아니라 표층 염분 산출 또한 제대로 되지 않는 것으로 추정된다. 709 nm는 탁도가 높은 해역의 정확도를 높이기 위한 목적으로 GOCI-II에 새롭게 추가된 파장대로, 탁도가 높은 해역을 제외하고 거의 Rrs가 0에 가까운 값을 가지는 특성이 있다(Ahn and Park, 2020). 또한 대기보정 오차 민감도가 높고, 수증기 흡광의 영향이 커 오차 자체가 큰 편이라 결측되는 값이 다른 파장대보다 많다. 이러한 점을 고려하여 추후 표층 염분 산출 알고리즘을 개선할 때 709 nm의 사용 여부를 고려해 보아야 할 것이다. 게다가 구름으로 인한 GOCI-II의 결측 지역의 차이로 인해 산출되는 저염분수의 정확도 또한 다소 차이를 보일 것으로 판단된다. 이러한 문제는 시간이 지남에 따라 축적된 관측자료를 활용하여 훈련을 반복하면 해결할 수 있을 것이다.

Fig. 5. Number of missing pixels during the study period (2021–2022).

3.3. 힌남노 이후 표층 염분 변화

본 연구에서 개발한 GOCI-II 기반 고해상도 표층 염분 자료를 활용한 예로써, 2022년 9월 5일부터 동중국해 지역에 최대 풍속 50 m/s로 진입하였던 제11호 태풍 힌남노에 의해 발생한 표층 염분 변화를 분석하였다. Fig. 6은 태풍 힌남노가 동중국해를 지나간 다음 날인 2022년 9월 6일 표층 염분의 공간분포이다. 오전 8~10시 Figs. 6(a–c)와 오후 4시이후 Figs. 6(i–j)의 경우 표층 염분 자료가 구름의 영향으로 많이 결측되었지만, 힌남노로 인한 표층 염분 변화는 한 시간 간격으로 변화하는 것을 알 수 있다. 특히 양자강 입구에서 가장 낮은 염분이 존재하였고, 동중국해의 중앙에서도 저염분의 분포 양상을 확인할 수 있다. 2022년 9월 6일의 염분 자료는 SMAP 위성의 관측 문제로 생산이 불가능하였지만, 본 연구에서 개발한 GOCI-II 기반 고해상도 표층 염분장을 활용하여 10시간 동안의 염분 변화를 일평균과 표준편차로 나타냈다(Fig. 7). 가장 염분이 낮은 양자강 입구의 경우 일평균 표층 염분이 27 psu였으며, 동중국해의 중앙은 약 28 psu로 나타났다. 표준편차의 경우 양자강 입구에서 3 psu 이상이며, 동중국해의 중앙에서는 1.5 psu의 띠모양의 전선을 볼 수 있다. 이는 태풍에 의한 바람의 작용으로 강한 수평, 수직적인 혼합을 예상해 볼 수 있다. 본 연구를 통해 기존 SMAP에서 제공하는 표층 염분으로는 확인이 불가능 하였던 시간 단위의 표층 염분 변화를 확인할 수 있었다.

Fig. 6. Hourly GOCI-II SSS spatial distributions from 08:15 to 17:15 on September 6, 2022 (a–j).

Fig. 7. GOCI-II SSS distributions on September 6, 2022. (a) Daily mean and (b) standard deviation (STD) of GOCI-II SSS.

4. 결론

본 연구에서는 GOCI-II Rrs와 SMAP 표층 염분 자료를 활용하여 동중국해 고해상도 표층 염분을 추정하는 MPNN 알고리즘을 개발하였다. 그 결과는 다음과 같다.

1) GOCI-II Rrs 10개 파장대를 활용하여 개발한 MPNN 알고리즘 성능은 R²가 0.94, RMSE는 0.58 psu 그리고 RRMSE는 1.87%였다.

2) SMAP과 비교하였을 때, R²의 공간 분포는 0.8 이상을, RMSE는 전반적으로 1 psu 이하로 높은 정확도를 나타냈으며 이는 2년치 학습데이터의 누적으로 인한 정확도 향상으로 보인다.

3) 이어도 과학기지에서의 실측값으로 검증한 결과, R² 값이 0.53, RMSE가 1.05 psu로 다소 차이가 나는 것을 알 수 있었는데 이는 위성 자료 간의 시공간 해상도로 인한 오차와 GOCI-II 709 nm의 결측으로 인한 입력데이터 손실로 인한 것으로 추정하였다.

4) 본 연구 결과 산출물인 고해상도 표층 염분 산출물을 활용하여 2022년 11호 태풍인 힌남노에 의한 시간별 염분변화를 분석하였으며 이는 태풍에 의한 강한 혼합으로 야기된 것으로 판단되었다.

결론적으로 본 연구에서 산출한 저염분수 알고리즘을 이용하여 기존에 획득할 수 없었던 시간별 염분변화 모니터링이 가능해졌으며, GOCI-II 기반의 장기간 표층 염분 자료가 생산된다면 해수면의 물리-생지화학의 변화를 연구하는 데 많은 활용이 될 것으로 기대된다. 또한, 비록 본 연구가 동중국해 저염분수의 변화를 탐지하기 위해 수행되었지만 비슷한 환경의 다른 지역에도 적용 가능할 것으로 기대된다.