• 대한원격탐사학회지
• /
• 제33권6_1호
• /
• pp.961-970
• /
• 2017

위성을 이용한 에어로졸 원격탐사에서 높은 공간해상도의 정보에 대한 요구가 많았음에도 그동안 단일화소가 갖는 물리적인 에어로졸 신호의 약화와 구름 등에 의한 오차 증가로 인해 산출에 어려움을 겪어왔다. 본 연구에서는 GOCI 자료를 이용하여 한-미 협력 국내 대기질 공동조사 캠페인 기간인 2016년 5, 6월에 대해 GOCI의 최대 공간 해상도인 500 m에서 고해상도 에어로졸 광학 깊이를 산출하였다. 기존의 GOCI 알고리즘은 6 km 해상도로 에어로졸 산출물을 제공해왔으며, 이번 연구에서 개발한 고해상도 산출 알고리즘은 기존 알고리즘을 기반으로 한다. 에어로졸 모형, 조견표 구성 및 역추산 과정은 동일하게 이용되었으나, 높은 해상도에서의 구름 제거 방법이 개선되었다. 그 결과, 몇 가지 사례에 대하여 6 km 산출물과 비교하였을 때 500 m 산출물의 분포 및 크기는 유사하게 나타났으나 공간 해상도가 높기 때문에 더 많은 화소에 대하여 산출되었다. 이에 따라 작은 규모의 구름 주위에서도 산출이 되었고, 에어로졸의 공간적인 변화를 세밀하게 살펴볼 수 있었다. 정확도 검증을 위하여 지상 관측 장비와 비교를 하였을 때 공간해상도가 크게 좋아졌음에도 상관 계수가 0.76, 기대 오차 내에 들어오는 비율이 51.1%로 6 km 산출물과 유사한 검증 결과를 보였다.

• 대한원격탐사학회지
• /
• 제37권5_1호
• /
• pp.861-870
• /
• 2021

본 연구에서는 COMS (Communication, Oceanography and Meteorology Satellite) 위성의 GOCI(Geostationary Ocean Color Imager) 센서와 Himawari-8 위성의 AHI (Advanced Himawari Imager) 센서에서 산출되는 에어로졸 광학두께 (Aerosol Optical Depth; AOD)를 활용하여 단일화된 AOD 합성장을 생산하였다. 위성 간의 공간해상도와 위치좌표계가 다르기 때문에 이를 맞춰주는 전처리 작업을 선행하였다. 이후 지상관측 기반인 AERONET (AErosol RObotic NETwork)의 레벨 1.5 AOD 자료를 사용하여 각 위성과 AERONET과의 상관관계 분석 및 추세를 보간하여 기존 위성 AOD 보다 정확한 위성 AOD 자료를 생산하였다. 이후 합성과정을 진행하며 최종적으로 시공간적으로 더 완벽하고 정확한 AOD 합성장을 생산하였다. 생산된 AOD 합성장의 제곱근 평균 오차(Root Mean Square Error; RMSE)는 0.13, 평균 편향(mean bias)는 0.05로, 기존의 GOCI AOD (RMSE: 0.15, Mean bias: 0.11)와 AHI AOD (RMSE: 0.15, Mean bias: 0.05) 보다 나은 성능을 보였다. 또한 합성된 AOD는 단일위성에서 구름으로 인하여 관측되지 못한 지역에서 시공간적으로 보다 완벽하게 생산되었음을 확인하였다.

• 대한원격탐사학회지
• /
• 제39권5_3호
• /
• pp.933-948
• /
• 2023

대기 중 에어로졸은 인체에 악영향을 끼칠 뿐 아니라 기후 시스템에도 직간접적인 영향을 미치므로 에어로졸의 특성과 시공간적인 분포에 대한 이해는 매우 중요하다. 이를 위해 위성기반 관측을 통해 에어로졸 광학 두께(Aerosol Optical Depth, AOD)를 산출하여 에어로졸을 모니터링하는 다양한 연구가 수행되어 왔다. 하지만 이는 주로 조견표를 활용한 역 산출 알고리즘에 기반하여 이루어지기 때문에 많은 계산량을 요구하며 불확실성이 존재한다. 따라서, 본 연구에서는 Geostationary Ocean Color Imager-II (GOCI-II)의 대기상한반사도와 30일 동안의 대기상한반사도 중 최솟값과 관측 시점 값의 차이 값, 수치 모델 기반 기상학적 변수 등을 활용하여 기계학습 기반 고해상도 AOD 직접 산출 알고리즘을 개발하였다. Light Gradient Boosting Machine (LGBM) 기법이 사용되었으며, 추정된 결과는 지상 관측 자료인 Aerosol Robotic Network (AERONET) AOD를 활용하여 랜덤, 시간 및 공간별 N-fold 교차검증을 통해 검증되었다. 세 가지 교차검증 결과 R²=0.70-0.80, RMSE=0.08-0.09, 기대오차(Expected Error, EE) 안에 있는 비율은 75.2-85.1% 수준으로 안정적인 성능을 보였다. Shapley Additive exPlanations (SHAP) 분석에서는 반사도 관련 변수들이 기여도의 상위권 대부분을 차지하고 있는 것을 통해 반사도 자료가 AOD 추정에 많은 기여를 하는 것을 확인하였다. 서울과 울산 지역에 대한 시간 별 AOD의 공간 분포를 분석한 결과, 개발된 LGBM 모델은 시간의 흐름에 따라 AERONET AOD 값과 유사한 수준으로 AOD를 추정하고 있었다. 이를 통해 높은 시공간 해상도(i.e., 시간별, 250 m)에서의 AOD 산출이 가능함을 확인하였다. 또한, 산출 커버리지 비교에서 LGBM 모델의 평균 산출 빈도가 GOCI-II L2 AOD 산출물 대비 8.8%가량 증가한 것을 통해 기존 물리모델기반 AOD 산출 과정에서 발생하던 밝은 지표면에 대한 과도한 마스킹의 문제점을 개선시킨 것을 확인하였다.

• 한국지구과학회지
• /
• 제39권2호
• /
• pp.119-130
• /
• 2018

동아시아 지역의 에어로졸 광학정보에 대하여 천리안 위성에 탑재된 GOCI, MI, 그리고 Himawari 8 위성에 탑재된 AHI 센서들의 측정자료를 연세 에어로졸 알고리즘(YAER)을 이용하여 산출하였다. 본 연구에서는 각 센서에서 산출되는 에어로졸 광학두께(Aerosol optical depth, AOD)를 상호비교하고, 지상장비인 AERONET과의 검증결과도 보였다. 사용한 AOD 자료는 세 종류의 센서에서 최소반사도 방법(Minimum reflectance method, MRM)을 이용하여 산출된 AOD, 그리고 AHI에서는 단파적외선이용 지표면정보산출방법(Estimated surface reflectance from SWIR, ESR)을 이용한 방법의 AOD까지 총 네가지이다. 세 위성간의 산출결과에서 육지와 해양에서 일관된 결과를 보이고 있으나, MI와 GOCI에서는 구름제거에 한계가 존재하며 AOD의 과대 추정 문제가 보인다. 한편 지상장비인 AERONET과의 비교검증결과는 MI, GOCI, 그리고 AHI 의 MRM 방법, ESR 방법 에서 기대오차 내에 들어오는 비율(% within Expected error, EE)이 36.3, 48.4, 56.6, 68.2%로 각각 나타났다. MI의 경우는 단일 채널을 이용하여 에어로졸광학정보를 산출하고 있고, 계절에 따른 에어로졸 유형을 고정하고 있어, 다양한 오차가 포함되어 낮은 EE를 보이고 있다. 5, 6월에는 ESR 방법의 결과물은 높은 EE 를 나타내고 있는데 이는 GOCI, MI, MRM 방법 에서 사용하고 있는 최소반사도 방법보다 정확한 지면반사도를 산출하기 때문으로 추정된다. 이 결과는 AERONET 사이트 별로 RMSE 와 EE 로 설명하고 있으며, 검증한 총 22개 사이트 중 15개 사이트에서 ESR 방법이 가장 높은 EE 를 보이고 있고, RMSE는 13개 사이트에서 가장 낮게 나타났다. 또한 정지궤도 위성의 특징을 이용하여 시간대별 오차를 각 산출물 별로 보였다. 00~06 Universal Time Coordinated (UTC)에서 한 시간별로 최대로 나타나는 absolute median bias error 는 0.05, 0.09, 0.18, 0.18, 0.14, 0.09, 0.10 로 나타나며 00UTC에서는 GOCI 에서, 나머지 시간대에서는 MI에서 최대오차를 보였다.

• 대한원격탐사학회지
• /
• 제34권3호
• /
• pp.451-463
• /
• 2018

본 연구는 서울지역에서 2015년 1월부터 12월까지 정지궤도 천리안 위성(Communication Ocean and Meteorological Satellite, COMS) 해양 탑재체(Geostationary Ocean Color Imager, GOCI)의 에어로졸광학두께(Aerosol Optical Depth, AOD)로부터 지상 초미세먼지(Particulate Matter; $PM_{2.5}$) 농도를 추정하기 위한 계절별 경험/통계모델을 개발했다. 행성경계층고도(Planetary Boundary Layer Height, PBLH) 그리고 에어로졸 수직 비율(Vertical Ratio of Aerosol, VRA)을 사용한 두 가지 수직보정방법과 흡습성장계수(Hygroscopic growth factor, f(RH))로부터의 습도보정방법이 각각의 경험적 모델에 적용된 결과 AOD에 대한 수직 보정과 $PM_{2.5}$에 대한 지표 습도보정이 모델 성능 향상에 중요한 역할을 했다. AOD-$PM_{2.5}$ 사이에 관련이 있다고 알려진 기상인자들(온도, 풍속, 시정)을 추가적으로 사용하여 다중 선형 회귀모델을 구성한 결과 경험모델에 비해 $R^2$값이 최대 0.25 증가했다. 본 연구에선 AOD-$PM_{2.5}$ 모델의 계절별, 월별, 시간별 특성을 분석하고 계절별로 구분하여 모델을 구성한 결과 고농도 사례에서 과소평가 되던 경향이 개선됨을 알 수 있고 관측된 $PM_{2.5}$와 추정된 $PM_{2.5}$의 월 및 시간변동성은 서로 경향성이 일치했다. 따라서 정지궤도 위성 AOD를 이용하여 지상 $PM_{2.5}$ 농도를 추정한 본 연구의 결과는 향후 발사 예정인 GK-2A와 GK-2B에 적용 가능할 것으로 기대된다.

• 한국대기환경학회지
• /
• 제33권3호
• /
• pp.233-240
• /
• 2017

To distinguish between high particulate matter (HPM) and light Asian dust (LAD) events, aerosol optical properties from GOCI were investigated in Seoul from 2014 to 2016. The poor air quality case caused by fine atmospheric particulate matter (i.e., 80<$PM_{10}$<$400{\mu}g/m^3$) is clearly separated from the case of heavy Asian dust that generally shows the $PM_{10}$ concentration more than $400{\mu}g/m^3$. In this study, we have found eight cases for the poor air quality and divided them into the two events(i.e., HPM and LAD). In case of aerosol optical depth (AOD), there was no big difference between two events. However, Angstrom exponent (AE) for HPM events was greater than 1, while that for LAD events less than 1. As a result of comparing aerosol type, non-absorbing fine mode aerosols were dominant for HPM events, but coarse and absorbing coarse mode aerosols for LAD events. Therefore, AE and aerosol type from GOCI can be used to distinguish between two events effectively.

• 대한원격탐사학회지
• /
• 제37권4호
• /
• pp.777-788
• /
• 2021

Since aerosol has a relatively short duration and significant spatial variation, satellite observations become more important for the spatially and temporally continuous quantification of aerosol. However, optical remote sensing has the disadvantage that it cannot detect AOD (Aerosol Optical Depth) for the regions covered by clouds or the regions with extremely high concentrations. Such missing values can increase the data uncertainty in the analyses of the Earth's environment. This paper presents a spatial gap-filling framework using a univariate statistical method such as DCT-PLS (Discrete Cosine Transform-based Penalized Least Square Regression) and FMM (Fast Matching Method) inpainting. We conducted a feasibility test for the hourly AOD product from AHI (Advanced Himawari Imager) between January 1 and December 31, 2019, and compared the accuracy statistics of the two spatial gap-filling methods. When the null-pixel area is not very large (null-pixel ratio < 0.6), the validation statistics of DCT-PLS and FMM techniques showed high accuracy of CC=0.988 (MAE=0.020) and CC=0.980 (MAE=0.028), respectively. Together with the AI-based gap-filling method using extra explanatory variables, the DCT-PLS and FMM techniques can be tested for the low-resolution images from the AMI (Advanced Meteorological Imager) of GK2A (Geostationary Korea Multi-purpose Satellite 2A), GEMS (Geostationary Environment Monitoring Spectrometer) and GOCI2 (Geostationary Ocean Color Imager) of GK2B (Geostationary Korea Multi-purpose Satellite 2B) and the high-resolution images from the CAS500 (Compact Advanced Satellite) series soon.

• 대한원격탐사학회지
• /
• 제37권2호
• /
• pp.321-335
• /
• 2021

미세먼지 (PM10) 및 초미세먼지 (PM2.5)는 인체에 흡수 가능하여 호흡기 질환 및 심장 질환과 같이 인체건강에 악영향을 미치며, 심각할 경우 조기 사망에 영향을 줄 수 있다. 전 세계적으로 현장관측기반의 모니터링을 수행하고 있지만 미 관측지역에 대한 대기질 분포의 공간적인 한계점이 존재하여 보다 광범위한 지역에 대한 지속적이고 정확한 모니터링이 필요한 상황이다. 위성기반 에어로졸 정보를 사용함으로써 이러한 현장 관측자료의 한계점을 극복할 수 있다. 따라서 본 연구에서는 다양한 위성 및 모델자료를 활용하여 2019년도에 대해 한 시간 단위의 지상 PM10 및 PM2.5 농도를 추정하였다. GOCI 위성의 관측영역을 포함하는 동아시아 지역에 대해 트리 기반 앙상블 방법을 사용하는 Boosting 기법인 GBRTs (Gradient Boosted Regression Trees)와 LightGBM (Light Gradient Boosting Machine)을 활용하여 모델을 구축하였다. 또한, 기상변수 및 토지피복변수의 사용유무에 따른 모델의 성능을 비교하기 위해 두 가지 festure set으로 나누어 테스트하였다. 두 기법 모두 주요 변수인 AOD (Aerosol Optical Depth), SSA (Single Scattering Albedo), DEM (Digital Eelevation Model), DOY (Day of Year), HOD (Hour of Day)와 기상변수 및 토지피복변수를 함께 사용한 Feature set 1을 사용하였을 때 높은 정확도를 보였다. Feature set 1에 대해 GBRT 모델이 LightGBM에 비해서약 10%의 정확도 향상을 보였다. 가장 정확도가 높았던 기상 및 지표면 변수를 포함한 Feature set1을 사용한 GBRT기반 모델을 최종모델로 선정하였으며 (PM10: R2 = 0.82 nRMSE = 34.9%, PM2.5: R2 = 0.75 nRMSE = 35.6%), 계절별 및 연평균 PM10 및 PM2.5 농도에 대한 공간적인 분포를 확인해본 결과, 현장관측자료와 비슷한 공간 분포를 보였으며, 국가별 농도 분포와 계절에 따른 시계열 농도 패턴을 잘 모의하였다.

• 환경영향평가
• /
• 제27권2호
• /
• pp.215-231
• /
• 2018

본 연구에서는 지상 기상 및 $PM_{2.5}$ 농도, GOCI 위성의 AOD 등 다양한 관측 자료와 WRF-CMAQ 모델링을 통해 2016년과 2017년의 우리나라 가을철 $PM_{2.5}$ 농도변화 원인을 분석하였다. 지상에서 관측된 2017년 전국 평균 $PM_{2.5}$ 농도는 2016년에 비해 약 12.3% ($3.0{\mu}g/m^3$) 감소한 것으로 나타났다. 두 해간 $PM_{2.5}$ 농도 차이는 10월과 11월의 두 사례(사례1: 10월 11일~10월 20일, 사례2: 11월 15일~19일) 기간에 주로 발생하였으며, 2017년의 기상조건이 2016년에 비하여 국외로부터 대기오염물질의 장거리 수송이 어렵고, 국내의 대기환기 효과를 증가시키는 방향으로 변화한 것이 주요한 원인으로 분석되었다. WRF-CMAQ 모델링 시스템을 이용하여 기상조건 변화가 $PM_{2.5}$ 농도에 미치는 정량적인 영향을 평가한 결과, $PM_{2.5}$ 모의농도는 2016년 대비 2017년의 사례1 기간에는 64.0% ($23.1{\mu}g/m^3$) 감소, 사례2 기간에는 35.7% ($12.2{\mu}g/m^3$) 감소한 것으로 나타나, 관측 농도 기반 감소율인 53.6% (사례1)와 47.8% (사례2)에 상응하는 감소율을 보였다. 따라서 기상조건 변화가 우리나라 가을철 $PM_{2.5}$ 농도 변화에 큰 영향을 미치는 것으로 분석되었다. 기상조건 변화로 인한 우리나라 $PM_{2.5}$ 농도 감소에 미친 국내외 기여율은 사례1 기간에 국외로부터의 장거리 수송영향이 52.8% 그리고 대기환기 효과에 따른 국내영향이 47.2% 로 국내외 영향이 유사하게 나타나지만, 사례2 기간에는 국외영향이 66.4% 그리고 국내영향이 33.6%로서 국외영향의 감소효과가 더 크게 나타났다.