• 대한원격탐사학회지
• /
• 제32권2호
• /
• pp.119-131
• /
• 2016

한반도 에어로졸 라이다 관측 네트워크(Korea Aerosol Lidar Observation Network; KALION)의 라이다 관측자료 처리 및 실시간 표출을 위한 표준 알고리즘을 개발하였다. KALION 표준 알고리즘은 라이다 관측으로부터 얻어진 후방산란강도와 편광소멸도 자료를 이용하여 (1) 에어로졸과 구름 구분, (2) 에어로졸 유형 구분, (3) 에어로졸 소산계수 그리고 (4) 에어로졸 질량농도를 산출하는 단계로 구성이 되어 있다. 에어로졸의 유형은 후방산란강도와 편광소멸도 자료에 근거하여, (대륙 기원) 청정기단 에어로졸(clean continental aerosol), 황사(dust aerosol) 그리고 오염 입자(polluted continental/urban pollution aerosol)로 구별된다. 에어로졸 소산계수에 필요한 라이다 상수는 약 9년간의 라이다와 스카이 라디오미터 자료로부터 도출된 63.31 sr을, 에어로졸 질량소산효율은 약 9년간의 라이다와 기상청 Particulate Matter($PM_{10}$) 질량농도 자료를 이용하여 도출된 $3.36m^2\;g^{-1}$ (황사는 $1.39m^2\;g^{-1}$)을 적용한다. 2015년 3월 28일부터 30일까지 라이다 관측 사례(서울 관악)에서 KALION 표준 알고리즘을 통해 산출된 에어로졸 유형 구분, 특히 황사 판별 결과는 기상청의 황사 보고와 잘 일치하였으며, 2006년 6월부터 약 9년 동안의 라이다 관측자료로부터 산출된 에어로졸 질량농도 역시 지상 $PM_{10}$ 농도와 약 $3{\mu}g\;m^{-3}$ 내에서 잘 일치하였다. 향후 에어로졸의 유형에 따른 서로 다른 라이다 상수 및 에어로졸 질량소산효율 적용 알고리즘, 빙정 구름(ice cloud)과 물방울 구름(water droplet cloud) 구분 알고리즘, 그리고 운저 고도와 혼합고 판별 알고리즘을 개발할 계획에 있다.

• 한국지구과학회지
• /
• 제41권1호
• /
• pp.19-30
• /
• 2020

자갈해빈에 대한 태풍의 영향력을 조사하기 위하여 태종대 감지 자갈해빈에서 2018년 10월에 내습한 태풍 '콩레이'와 2019년 7월의 태풍 '다나스'에 대하여 VRS-GPS, 드론 측량을 수행하였다. 감지해빈의 전반적인 퇴적물 분포를 파악하기 위해서 입도분석을 하였으며, 자갈해빈의 회복력을 확인하기 위해 주기적으로 감지해빈의 지형측량을 수행하였다. 감지해빈의 자갈퇴적물은 서쪽에서 동쪽으로 갈수록 평균 -6.2Φ에서 -5.4Φ로 세립해지며, 해안선의 수직방향으로는 포말대(swash zone)에서 상대적으로 세립한 구형의 퇴적물(-4.5Φ)이, 범(berm)에서는 상대적으로 조립하고 편평한 퇴적물(-5Φ - -6Φ)이 나타난다. 감지 자갈해빈은 특징적으로 2열의 범을 갖는데, 해빈의 전방에 정상조건에서 형성되는 하부 범(lower berm)과 약 10 m 후방에 상부 범(upper berm)이 존재한다. 태풍 콩레이 내습 후 감지해빈은 육지쪽에 위치한 상부 범에서 약 1.4 m의 침식이 발생하여 상부 범이 사라졌고, 상부 범의 배후지에서는 평균 약 50 cm 침식되어 그 고도가 낮아졌으나, 하부 범에서의 침식은 관찰되지 않았다. 한편 상대적으로 위력이 약한 태풍 다나스의 경우, 내습 직후 감지해빈은 하부 범과 상부 범에서 침식이 발생하여 평균 80 cm 높이의 퇴적물이 침식되었으나, 반면 배후지에서는 50 cm 높이의 퇴적이 확인되었다. 하지만 내습 후 하부 범에서 빠른 속도로 퇴적이 발생하여 내습 약 3일내에 소실되었던 하부 범이 생성되었다. 이러한 결과는 감지 자갈해빈이 태풍에 의한 지형변화가 일시적으로 발생하지만, 이후 정상조건에서 태풍 이전의 지형으로 매우 빠르게 회복됨을 시사한다. 따라서 자갈해빈의 경우 태풍침식에 대한 복원력이 매우 뛰어나다고 평가된다.

• 대한원격탐사학회지
• /
• 제38권5_1호
• /
• pp.627-646
• /
• 2022

최근 지구 온난화로 인한 기후 변화와 관련된 문제의 심각성이 커지고 있으며 평균 기온 또한 상승하고 있다. 이로 인해 온도에 민감한 다양한 생물과 생물이 살아가는 환경에 영향을 미치고 있으며, 생태계의 변화 역시 감지되고 있다. 계절은 그 지역에 사는 생물의 종류, 분포, 생육 특성 등에 영향을 미치는 중요한 요인의 하나이다. 기후 변화 영향 평가의 지표 중 가장 대중적이고 쉽게 인식될 수 있는 식물 계절 중 개화일과 단풍나무 절정일의 모델링을 수행하였다. 모델링에 사용된 식물의 종류에는 봄을 대표하는 식물로 볼 수 있는 개나리와 벚나무, 가을을 대표하는 식물로 볼 수 있는 단풍 나무와 은행 나무를 사용하였다. 모델링을 수행할 때 사용된 기상 자료로는 기상청의 Automated Surface Observing System (ASOS) 관측소를 통해서 관측된 기온, 강수, 일사 자료를 사용하였으며, 개나리, 벚나무의 개화일과 약 -0.2, 은행나무, 단풍나무의 단풍 절정일과 약 0.3 정도의 상관 계수를 가지는 Moderate Resolution Imaging Spectroradiometer (MODIS) 식생지수를 사용하여 모델링을 수행하였다. 사용된 모델로는 선형 모델인 다중 회귀 모형과, 비선형 모델인 Random Forest (RF)를 사용하여 모델을 수립하였다. 또한 각 모형으로 추정된 예측 값을 공간 내삽 기법을 이용하여 등치 선도로 2003~2020년의 식물 계절 변화 경향 성을 표현하였다. 향후에 높은 시공간 해상도를 가지는 식생지수를 사용한다면 더 높은 식물 계절 모델링의 정확도를 높일 수 있을 것으로 판단된다.

• 대한원격탐사학회지
• /
• 제39권2호
• /
• pp.207-221
• /
• 2023

본 연구는 천리안위성 2A호의 Level 1B (L1B) 정보를 사용해 지상기온을 추정하기 위한 심층신경망(deep neural network, DNN) 기법을 적용하고 검증을 실시하였다. 지상기온은 지면으로부터 1.5 m 높이의 대기온도로 일상생활뿐만 아니라 폭염이나 한파와 같은 이슈에 밀접한 관련을 갖는다. 지상기온은 지표면 온도와 대기의 열 교환에 의해 결정되므로 위성으로부터 산출된 지표면 온도(land surface temperature, LST)를 이용한 지상기온 추정 연구가 활발하였다. 하지만 천리안위성 2A호 산출물 LST는 Level 2 정보로 구름영향이 없는 픽셀만 산출되는 한계가 있다. 따라서 본 연구에서는 Advanced Meteorological Imager 센서에서 측정된 원시데이터에 오직 복사와 위치보정을 마친 L1B 정보를 사용해 지상기온을 추정하기 위한 DNN 모델을 제시하고 그 성능을 가늠하기 위해 위성 LST와 지상관측 기온 사이의 선형회귀모델을 기준모델로 사용하였다. 연구기간은 2020년부터 2022년까지 3년으로 평가기간 2022년을 제외한 기간은 훈련기간으로 설정했다. 평가지표는 기상청의 종관기상관측소에서 정시에 관측된 기온정보로 평균 제곱근 오차를 사용하였다. 관측지점에서 추출된 픽셀 중 손실된 픽셀의 비율은 LST는 57.91%, L1B는 1.63%를 보였으며 LST의 비율이 낮은 이유는 구름의 영향 때문이다. 제안한 DNN의 구조는 16개 L1B 자료와 태양정보를 입력 받는 층과 은닉층 4개, 지상기온 1개를 출력하는 층으로 구성하였다. 연구결과 구름의 영향이 없는 경우 DNN 모델이 root mean square error (RMSE) 2.22℃로 기준모델의 RMSE 3.55℃ 보다 낮은 오차를 보였고, 흐린 조건을 포함한 총 RMSE는 3.34℃를 나타내면서 구름의 영향을 제거할 수 있을 것으로 보였다. 하지만 계절과 시간에 따른 분석결과 여름과 겨울철에 모델의 결정계수가 각각 0.51과 0.42로 매우 낮게 나타났고 일 변동의 분산이 0.11과 0.21로 나타났다. 가시채널을 고려해 태양 위치정보를 추가한 결과에서 결정계수가 0.67과 0.61로 개선되었고 시간에 따른 일 변동의 분산도 0.03과 0.1로 감소하면서 모든 계절과 시간대에 더 일반화된 모델을 생성할 수 있었다.