A Study on Freeze-Thaw Conditions Analysis of Soil Using Sentinel-1 SAR and Surface State Factor

Sentinel-1 SAR와 지표상태인자를 활용한 토양의 동결 융해 상태 분석 연구

Abstract

In this study, we used Sentinel-1 C-band synthetic aperture radar to calculate the surface state factor (SSF) for distinguishing the frozen-thawed state of soil. The accuracy of SSF classification was analyzed through comparison with air temperature (AT), grass temperature (GT), and underground temperature (UT). For the analysis, 116 Sentinel-1B Descending nodes observed over a period of 4 years from 2017 to 2020 were established for the central region of South Korea. AT, GT, and UT data were obtained from 23 soil moisture observation points of the Rural Development Administration during the same period, and analyzed using the 06:00 am data adjacent to the shooting time of the Sentinel-1B images. The average accuracy and F1-score for all stations were 0.63 and 0.47 for AT, 0.63 and 0.48 for GT, and 0.57 and 0.21 for UT, respectively. For winter (December-February) data, the average accuracy and F1-score were 0.66 and 0.76 for AT, 0.67 and 0.76 for GT, and 0.47 and 0.44 for UT, respectively. The increase in accuracy during winter data may be attributed to the fact that errors occurring in other seasons are not included.

본 연구에서는 Sentienl-1 C-band synthetic aperture radar (SAR) 자료를 활용해 토양의 동결-융해 상태 구분을 위한 지표상태인자(surface state factor, SSF)를 산정하고, 기온, 초상온도, 지중온도 관측 자료와 비교를 통해 SSF 구분의 정확도를 분석하였다. 분석을 위한 SAR 자료는 우리나라 중부지방에 대해 2017년부터 2020년까지 4년 동안 관측된 Sentinel-1B descending node 116장을 구축하였으며, 동 기간의 농촌진흥청 토양수분 관측 지점 23곳에 대한 시 단위 기온, 초상온도, 10 cm 지중온도 자료를 구축하고 Sentienl-1B 영상의 촬영시각과 인접한 06:00 am 자료를 활용해 분석하였다. 전체 관측소에 대한 평균 정확도와 F1-score는 기온이 각각 0.63, 0.47, 초상온도가 0.63, 0.48, 지중온도가 0.57, 0.21로 나타났다. 겨울철(12~2월) 자료에 대한 평균 정확도와 F1-score는 기온이 각각 0.66, 0.76, 초상온도가 0.67, 0.76, 지중온도가 0.47, 0.44로 나타났다. 겨울철 자료의 정확도 상승은그외 시기에서 발생하는 오류가 포함되지 않기 때문인 것으로 보인다.

1. 서론

우리나라는 계절성 동토지역(seasonal frost area)으로 동절기를 거치며 토양의 동결과 융해가 반복되며, 이는 매우 다양한 현상으로 이어진다. 토양온도의 변화는 토양 동식물 생육과 생태계 내의 생지화학적 과정에 큰 영향을 주는 주요한 환경인자로, 유역 내 수질 오염부하에 큰 비중을 차지하는 질소나 인과 같은 영양염의 형태 변환은 주로 토양 내의 미생물이 관여하기 때문에 토양온도에 따른 영향이 크다(Kwon and Koo, 2014). 특히, 토양수분이 결빙되면 토양의 열역학적, 수리학적 특성이 변하기 때문에, 광역적인 토양수분 거동 분석을 위해 토양온도 변화에 따른 토양의 동결-융해 상태(freezethaw condition)의 정확한 구분이 필요하다.

광범위한 범위에 대한 지표면의 연속적인 동결-융해 및 적설 상태를 모니터링 하기 위해 다양한 센서를 장착한 원격 탐사 장비가 활용되어 왔다. 가시광(visible)이나 근적외선(near-infrared) 센서는 높은 공간 해상도 자료를 제공할 수 있으나 태양광이나 운량에 영향을 받는다. 특히, 일반적으로 고해상도의 광학 센서는 긴 재방문 주기를 가지고 있어 자료 획득에 제한적이다. 마이크로파센서는 기상의 영향을 받지 않고, 지표면 상태나 산란 메커니즘에 따라 차이는 있으나 많은 연구에서 지표면의 동결-융해 상태(Rignot and Way, 1994; Wismann, 2000; Kimball et al., 2001; Kim et al., 2010; Mironov et al., 2010)나 적설 분포(snowcover) 상태(Kelly et al., 2003; Pulliainen, 2006, Rawlins et al., 2007)를 모니터링 할 수 있는 가능성을 보여왔다.

국내에서는 Kwon and Koo (2014)가 분포형 유역모델 Chemicals, Agricultural Management and Erosion Losses(CAMEL)을 활용해 경기도 여주에 위치한 시험유역에 대해 토양의 동결-융해 과정을 고려해 토양온도를 예측하였고, Baik et al. (2019)이 동결과 융해 기간을 구분하여 마이크로파 센서 기반 토양수분 자료의 한반도 영역에 대한 적용성 및 불확실성을 분석한 바 있다. 그러나 아직 국내에서는 마이크로파 센서 자료를 바탕으로 지표면의 동결-융해 상태 구분을 위한 연구는 시도된 바 없다.

본 연구에서는 Sentinel-1 C-band synthetic aperture radar (SAR) 자료를 활용하여 토양의 동결-융해 상태 구분을 위한 지표상태인자(surface state factor, SSF)를 산정하고, 관측 자료(기온, 초상온도, 지중온도 및 토양수분)와 비교를 통해 SSF 구분의 정확도를 분석하였다.

2. 연구자료 및 방법

2.1. Sentinel-1 C-band SAR

상세한 전 지구 모니터링을 위한 유럽우주국(European Space Agency) Copernicus 프로그램의 첫 번째 위성인 Sentinel-1은 2014년 4월과 2016년 6월에 Sentinel-1A, -1B 위성이 각각 발사되었고 12일 주기로 SAR 영상을 제공하고 있다. SAR영상은 마이크로파의 송수신 방향에 따라 VV (Vertical Transmit – Vertical Receive), VH (Vertical Transmit – Horizontal Receive), HH (Horizontal Transmit – Horizontal Receive), HV (Horizontal Transmit – Vertical Receive)의 4가지 종류의 자료를 제공하고 있다. Sentinel1의 영상 취득 모드는 해상도와 주사폭에 따라 Stripmap(SM), Interferometric Wide swath (IW), Extra-Wide swath(EW), Wave (WV) 모드가 있으며, 각 영상 모드에 따른 위상과 진폭 정보가 포함된 single look complex (SLC)와 진폭 정보만 포함된 ground range detected (GRD)를 제공한다(Chung et al., 2021).

본 연구에서는 우리나라 중부지방에 대해 2017년부터 2020년까지 4년 동안 관측된 Sentinel-1B descending node 영상(촬영시각: Korea standard time [KST] 06:30 am) 115장을 구축하였으며, IW 모드의 GRD product를 활용하였다(Fig. 1). 영상의 전처리를 통해 VH 편파 대비 상대적으로 식생의 영향이 적은 VV 편파 후방산란계수 자료를 생성하여 활용하였으며, 전처리는 SeNtinel Application Platform (SNAP)을 이용하여 궤도 보정, 방사보정, 열 잡음(thermal noise), 스펙클(speckle) 보정, 지형 보정(range doppler terrain correction) 및 데시벨(dB) 스케일 변환 순으로 진행하였고 최종 해상도는 10 m이다.

Fig. 1. Study area with Sentinel-1A co-polarized image on August 10, 2015.

2.2. 식생지수

SAR 후방산란계수는 지표 피복에 민감하기 때문에 식생 지역에 그대로 적용하면 복잡한 식생 캐노피(canopy) 구조에서 파생되는 미지의 매개변수로 인해 지표 특성을 과대 혹은 과소 추정할 수 있다(Chung et al., 2023). 따라서 SAR 후방산란계수에 대한 식생의 영향을 최소화하는 것이 중요하다. 본 연구에서는 식생에 대한 영향을 고려하기 위해 Terra Moderate Resolution Imaging Spectroradiometer (MODIS)의 MOD13Q1 (Terra Vegetation Indices 16-Day Global 250 m SIN Grid) version 6.1의 정규식생지수(normalized difference vegetation index, NDVI)를 활용하였으며, 이 자료는 250 m 공간해상도의 sinusoidal tile grid로 제공하는 16일 단위 자료이다. NDVI는 근적외선의 반사율 차이를 이용하는 식생지수로 근적외선 영역에서의 반사율(R_NIR)과 적색광의 반사율(R_RED)로 계산된다(식 1).

\(\begin{aligned}N D V I=\frac{R_{N I R}-R_{R E D}}{R_{N I R}+R_{R E D}}\end{aligned}\)       (1)

NDVI는 –1~1의 값을 가지며 일반적으로 식생 지역에서는 0.1~0.7, 밀도가 높은 식생지역에서는 0.5 이상, 나지, 암석, 모래에서는 0.1 미만의 값을 가진다(Tucker, 1979). 구름이나 물, 눈 등의 수분을 포함하는 경우 R_NIR이 높아져 NDVI가 음수가 된다. MODIS NDVI의 시간, 공간해상도는 Sentinel-1 영상과 차이가 있기 때문에 본 연구에서는 구축한 Sentinel-1 영상과 같은 기간인 2017년부터 2020년까지의 NDVI를 통해 분석 지점에 대한 식생 특성 분석을 시도하였다.

2.3. 지표상태인자(Surface State Factor)

지표상태인자는 관측자료와 상관없이 레이더 자료만을 활용해 산정할 수 있는 Mironov and Muzalevsky(2013)에서 제안한 SSF를 활용하였다(식 2).

\(\begin{aligned}S S F=\frac{1}{2}+\frac{\sigma_{V}(t)-\sigma_{V}^{\text {Summer }}}{\sigma_{V}^{\text {Summer }}-\sigma_{V}^{\text {Winter }}}\end{aligned}\)       (2)

여기서, σ^Summer_V와 σ^Winter_V는 각각 여름과 겨울 기간에 대한 VV 편파 후방산란계수의 평균값을 의미하며, σ_V(t)는 t 시간에 대한 VV 편파 후방산란계수이다. 선행 연구(Mironov and Muzalevsky, 2013)에 따르면, 계절별 SSF 변동은 토양 온도의 변동과 높은 상관관계를 보이며, 일반적으로 0도 미만일 때 SSF도 음의 값을 보이며 동결 상태인 것으로 분류한다. 본 연구에서는 구축한 모든 연도(2017~2020)의 자료 중 6월부터 8월까지의 자료를 여름으로, 12월부터 2월까지의 자료는 겨울로 분류하였다.

2.4. 관측자료

농촌진흥청에서는 1990년대 후반부터 자동기상관측장비(Automatic Weather Station, AWS)를 설치하여 기상관측 자료를 보급하기 시작했다(Shim et al., 2015). 이러한 농업기상관측 장비는 농업기술센터 혹은 농업기술센터에서 5–20 km 떨어져 있는 예찰답에 설치하여 운영하고 있으며(Shin et al., 2001), 2023년 현재 제주도를 포함한 전국 211개 지점에 대한 농업기상(기온, 습도, 풍향, 평균풍속, 일 순간 최대풍속, 강수량, 일조시간, 토양수분) 자료를 농업날씨365(http://weather.rda.go.kr/)를 통해 제공하고 있다. 특히, 2021년 3월부터 서비스가 시작된 농업기상 관측지점 상세정보 OpenAPI를 통하면 초상온도, 지중온도 등의 지점별 상세관측자료를 받을 수 있다. 본 연구에서는 구축한 Sentinel-1B 영상이 지나는 지역의 토양수분 관측지점 23곳을 대상으로 연구를 수행하였으며(Table 1), 시단위 관측자료(강우, 기온, 초상온도, 10 cm 지중온도, time domain reflectometry [TDR] 10 cm 토양수분)를 구축하였다(Fig. 2). 연구에는 Sentinel-1B 영상의 촬영시각과 인접한 06:00 am의 관측자료를 활용하였다.

Table 1. AWS of the Rural Development Administration

Fig. 2. Hourly observation data from 2017 to 2020 in Yecheon-eup, Yecheon-gun (S22).

2.5. 오차 행렬(Confusion Matrix)

SSF에 의한 토양의 동결-융해 상태 분류 정확도 평가는 오차 행렬을 활용하였다. 클래스가 0과 1 두 종류밖에 없는 이진 분류의 경우 일반적으로 클래스 이름을 양성(Positive)과 음성(Negative)으로 표시하고 이때의 결과를 이진 분류결과표(Binary Confusion Matrix)를 통해 표현한다(Table 2). 이진 분류결과표로부터 0에서 1 사이의 범위를 갖는 다양한 지표를 계산하여 평가에 활용가능하며(Fawcett, 2006), 본 연구에서는 관측자료의 0°C를 토양의 동결-융해 상태 분류 기준으로 하여 SSF의 정확도(Accuracy)와 F₁-score를 계산하였다.

Table 2. Binary confusion matrix

\(\begin{aligned}\text {Accuracy}=\frac{T P+T N}{T N+T P+F N+F P}\end{aligned}\)       (3)

\(\begin{aligned}\text {Precision}=\frac{T P}{T P+F P}\end{aligned}\)       (4)

\(\begin{aligned}\text {Recall}=\frac{T P}{T P+F N}\end{aligned}\)       (5)

\(\begin{aligned}F_{\beta}=\frac{\left(1+\beta^{2}\right) \times \text { precision } \times \text { recall }}{\beta^{2} \times \text { precision }+ \text { recall }}\end{aligned}\)       (6)

여기서, TP는 양성 예측이 맞은 경우(True Positive), TN은 음성 예측이 맞은 경우(True Negative), FP는 양성 예측이 틀린 경우(False Positive), FN은 음성 예측이 틀린 경우(False Negative), Accuracy는 전체 자료 중 모델이 바르게 분류한 비율, 정밀도(Precision)는 모델이 양성으로 분류한 것 중 실제값이 양성인 비율, 재현도(Recall)는 실제값이 양성인 것 중 모델이 양성으로 분류한 비율, F_β는 Precision과 Recall의 가중조화평균(weight harmonic average)으로 β가 1인 경우를 F₁-score라 한다. F₁-score는 데이터가 불균형할 때 활용하며, Precision과 Recall이 모두 클 때 높은 값을 보인다(Chicco and Jurman, 2020).

3. 연구결과 및 토의

3.1. 기간에 따른 관측자료별 정확도 분석

2017년부터 2020년까지의 기온, 초상온도, 지중온도 자료에 대하여 Sentinel-1B 자료를 바탕으로 산정한 SSF의 정확도와 F₁-score를 산정하였다(Table 3). 여기서 정확도는 실제 동결일 때 동결로 판단하는 경우(TP)와 융해 상태일 때 융해로 판단하는 경우(TN)에 대한 값이다. 전체 관측소에 대한 평균 정확도와 F₁-score는 기온이 각각 0.63, 0.47, 초상온도가 0.63, 0.48, 지중온도가 0.57, 0.21로 정확도가 F₁-score에 비해 높은 값을 보였으며, 지중온도가 다른 자료에 비해 정확도가 떨어지는 모습을 보였다. 지중온도의 정확도가 떨어지는 이유는 Sentinel-1B C-band SAR 센서의 지표 피복 투과 깊이(~6 cm) 제약에 따른 불확실성에 인한 것으로 판단된다(Ottinger and Kuenzer, 2020). 선행논문(Mironov and Muzalevsky, 2013; Cohen et al., 2021)에서는 5 cm 관측자료와 비교하여 높은 정확도를 보인 바 있다. 기온과 초상온도의 경우, 두 자료간 데이터 값의 범위가 큰 차이가 없기 때문에 정확도 산출 결과도 유사하게 나타나는 것으로 보인다(Fig. 3). 전 기간에 대한 SSF는 여름철 동결이 아닐 때 동결상태로 판단되는 FP의 발생 빈도가 높은 것으로 나타났으며, 이는 토양온도 이외에도 다양한 지표 피복에 따라 영향을 받는 후방산란계수의 특성에 의한 것으로 판단된다(Chung et al., 2023). 따라서 지표 피복 중에서도 식생의 영향을 배제하기 위해 Terra MODIS NDVI를 활용하여 식생이 없는 시기에 대한 분석을 실시하였다.

Table 3. SSF classification accuracy and F1-score analysis results for the entire period (2017–2020)

Fig. 3. Scatter plots of SSF and observed data in Yecheon-eup, Yecheon-gun (S22): (a) air temperature, (b) grass temperature, and (c) underground temperature. In the figure, the blue circle is the part where the actual value is predicted correctly with TP and TN, and the red circle is the part predicted differently from the actual value with FP and FN.

Fig. 4는 전체 관측소 지점에 대한 NDVI 값을 추출하여 NDVI 평균값과 함께 작성한 그래프이다. 여기서 파란색 범위는 전 지점의 NDVI 값을 범위로 나타낸 것이고,검은색실선은전지점의NDVI평균값을나타낸다. 그림을 통해 알 수 있듯이, 전 지점의 NDVI는 7~9월에 가장 높고, 9월 이후 감소하여 겨울철인 12월부터 이듬해 2월까지 NDVI 값이 가장 낮은 모습을 보인다. 이후 3월부터 다시 NDVI 값이 상승하는 모습을 보인다. 따라서, 겨울철(12~2월)이 식생의 영향이 가장 적은 기간이라고 판단하였고, 이 시기에 대한 정확도와 F₁-score 분석을 실시하였다.

Fig. 4. Time series graph of range and average values of Terra MODIS NDVI for all observation points.

겨울철 관측자료에 대한 정확도와 F₁-score 분석 결과(Table 4), 전 관측소에 대한 F₁-score가 눈에 띄게 상승하는 모습을 보였다. 이는 겨울철 자료만을 활용하였을 때 TP로 분류되는 자료의 비중이 다른 부분(TN, FP, FN)보다 높아졌기 때문인 것으로 판단된다. 전 관측소에 대한 기온의 평균 정확도는 0.63에서 0.66으로, 초상온도는 0.63에서 0.67로 소폭 상승하였으며, 지중온도는 0.57에서 0.47로 감소하였다. 기온과 초상온도의 소폭 상승은 겨울철 자료를 바탕으로 산정한 SSF의 FP 오류빈도가 줄었기 때문인 것으로 판단되며, 지중온도의 감소 이유는 TN의 데이터가 감소하였기 때문으로 보인다(Fig. 5).

Table 4. SSF classification accuracy and F₁-score analysis results for the winter period (December-February)

Fig. 5. Scatter plots of SSF and observed data for winter in Yecheon-eup, Yecheon-gun (S22): (a) air temperature, (b) grass temperature, and (c) underground temperature. In the figure, the blue circle is the part where the actual value is predicted correctly with TP and TN, and the red circle is the part predicted differently from the actual value with FP and FN.

3.2. 지표상태인자와 토양수분 자료의 비교 및 고찰

산정한 SSF와 토양수분 자료의 시계열 변동 양상을 그래프를 통해 분석하였다(Fig. 6). 그림에서 SSF와 높은 정확도를 보였던 기온을 같이 표기하여 SSF의 시계열 변화를 비교하였고, 토양수분은 증감에 큰 영향을 주는 강수량과 같이 표기하였다. 특히, 동결이 주로 발생하는 겨울철(12~2월)은 파란색 영역으로 표시하여 구분하였으며, SSF 값을 0을 기준으로 하여 0보다 높으면 융해(thawed), 0보다 낮으면 동결(frozen)로 표현하였다.

Fig. 6. Time series graphs of air temperature, SSF, precipitation and soil moisture: (a) Okcheon-eup, Okcheon-gun (S09), (b) Muju-eup, Muju-gun (S14), (c) Geochang-eup, Geochang-gun (S15), (d) Jain-myeon, Gyeongsan-si (S16), (e) Seonsan-eup, Gumi-si (S17), and (f) Yecheon-eup, Yecheon-gun (S22). The blue area in the figure means the winter (December to February) period.

SSF는 대체적으로 겨울철에 동결 상태로 분류되는 모습이 많이 나타났으며, 이 때 토양수분 관측값도 떨어지는 모습을 보였다(Figs. 6c and 6f). TDR은 매질(토양 및 물)의 유전율 변화를 통해 흙의 함수비를 측정하며, 유전율은 온도의 영향에 따라 오차가 발생할 수 있다. 선행 연구 결과에 따르면(Cho et al., 2013), 측정 온도가 20°C일 때 최대 ±6%의 오차가 발생하는 반면, 영하 4°C일 때는 10% 이상의 오차가 발생하는 것으로 나타났다. 본 연구에서 적용한 SAR 기반의 SSF를 활용하여 토양의 동결 상태를 반영한다면 추후 SAR 기반의 토양수분 산정에 있어 관측자료의 오차에 의한 영향을 효과적으로 줄일 수 있을 것으로 판단된다.

SSF의 장기적인 활용을 위해서는 겨울이 아닌 기간에도 동결로 표현되는 SSF의 오차를 개선하여 정확도를 향상시킬 필요가 있다. 본 연구에서 활용한 SSF 산정 수식의 일부 수정에 따른 동결-융해 상태 분류 변화를 확인한 결과(Fig. 7), σ^Winter_V를 5th percentile과 15th percentile로 변화시켰을 때 동결상태로 분류되는 정도가 달라지는 것을 확인하였다. 따라서, 향후 추가 분석을 통해 토양의 동결상태가 보다 정확히 분류가 되는 기준을 연구한다면 SSF의 정확도를 향상시킬 수 있을 것으로 판단된다. 또한, 본 연구에서 활용한 SSF 산정식은 ALOS-2 및 SMAP 위성의 40° 관측각에 대해 개발된 수식으로, 현재 Sentinel-1 자료를 그대로 적용할 경우 incidence angle (IA) 오차가 발생할 수 있다. Sentinel-1 영상의 IA는 영상별로 25°부터 60°까지 다양하게 나타나는데, 선행연구(Cho et al., 2020)에서와 같이 Cosine Method를 통해 40°에 맞춰 정규화하면 IA의 오차를 줄일 수 있을 것으로 판단된다.

Fig. 7. Comparison of SSF changes according to modifications of the SSF calculation formula. The graph on the left is the SSF calculated when the average value of VV polarization in winter (σ^Winter_V) is changed to the 5th percentile, and the graph on the right is when it is changed to the 15th percentile.​​​​​​​

4. 결론

본 연구에서는 Sentinel-1B VV 편파 후방산란계수를 활용하여 SSF를 산정해 기온, 초상온도 및 지중온도 관측자료와 토양 동결-융해 상태 분류 정확도를 평가하였고, 토양수분 관측자료와의 비교를 통해 SSF의 활용가능성을 논하였다. 연구의 결과를 요약하면 다음과 같다.

1) 농촌진흥청의 23개 토양수분 관측지점에 대해 SSF를 산정하고 관측자료와의 정확도(Accuracy) 및 F₁-score를 산정한 결과, 전체 관측소에 대한 평균 정확도와 F₁-score를는 기온이 각각 0.63, 0.47, 초상온도가 0.63, 0.48, 지중온도가 0.57, 0.21로 나타났으며, 지중온도의 낮은 정확도는 C-band SAR 센서의 지표 피복 투과 깊이(~6 cm) 제약에 따른 것으로 판단된다. 전 기간에 대한 여름철 동결이 아닐때 동결상태로 판단되는 SSF의 오류는 다양한 지표 특성에 따른 후방산란계수의 영향 때문인 것으로 판단된다.

2) 전체 관측소에 대한 지표 특성의 영향을 분석하기 위해 Terra MODIS NDVI를 활용하여 식생의 영향이 가장 적은 시기를 분석하였다. Sentienl-1의 시공간해상도(12일 간격, 10 m)와 Terra MODIS NDVI(16일 간격, 250 m)의 시공간해상도 차이로 인해 본 연구에서는 위성 자료를 구축한 2017년부터 2020년까지 기간의 NDVI 시계열 변화 분석만을 수행하였으며, 겨울철(12~2월)의 NDVI 값이 연중 가장 낮은 모습을 보였다.

3) 겨울철(12~2월) 관측자료에 대한 정확도와 F₁-score를 분석 결과, 전 관측소에 대해 F₁-score가 눈에 띄게 상승하는 모습을 보였으며, 이는 참 값(TP)으로 분류되는 자료의 비중이 다른 부분(TN, FP, FN)보다 높아졌기 때문인 것으로 판단된다.

4) SSF에 의해 토양이 동결 상태로 분류되었을 때, 토양수분 관측값도 떨어지는 모습을 보였다. 유전율을 활용한 TDR은 영하일 때 오차가 크게 발생하며, SSF를 통해 이를 사전에 감지할 수 있다면 추후 SAR 기반 토양수분 산정 연구에 있어 관측자료의 오차에 의한 영향을 효과적으로 줄일 수 있을 것으로 판단된다.

토양의 동결-융해 상태의 판별은 Soil Moisture Active Passive (SMAP) 위성에서는 주요 산출물(SMAPEnhanced L3 Radar Freeze/Thaw State)로 산정하여 제공하고 있을 정도로 활용도가 높다. 영상레이더 기반의 광역적인 SSF는 토양수분 산정을 위한 주요 변수로 활용할 수 있을 뿐만 아니라, 지면 모델(land surface model) 및 다양한 수문모형(hydrologic model)에서 지표상태 분석을 위한 부가적인 자료로도 활용도가 높다. 향후 SSF 산정 수식의 지속적인 개선을 통해 Sentinel-1 위성 및 차기 수자원/수재해 전용 C-band SAR 중형위성(Compact Advanced Satellite 500-5)을 활용한 토양수분 산정에 적용 가능할 것으로 판단된다.