J. Korean Soc. Hazard Mitig Search

CLOSE


J. Korean Soc. Hazard Mitig. > Volume 22(3); 2022 > Article
다중 위성 자료(MODIS와 S-VIRRS)와의 비교를 통한 GK-2A AMI 지표면 온도의 지리적 요인에 따른 적절성 평가

Abstract

In this study, we evaluated the land surface temperatures (LSTs) retrieved from the GEO-KOMPSAT-2A (GK-2A) satellite AMI sensor by comparing them to LSTs measured at 106 ground-based stations (95 ASOS and 11 AAOS stations). In addition, the statistical performance of the GK-2A AMI LST was compared with those of LSTs retrieved from the MODIS and S-VISSR satellites. LSTs were evaluated in terms of inland versus coastal regions and at different inland elevations. A time series analysis of the entire study period confirmed that the GK-2A satellite yielded the smallest bias among four satellite-based LST products. The satellite-based LSTs also exhibited higher correlations with ground-based measurements in the inland region than in the coastal region. In addition, the difference in LSTs at the highest and lowest elevations was approximately 1 °C. A comparison of the annual mean LST and observation frequency revealed that geostationary satellite-based LSTs tend to be overestimated because of the lower observation frequency (1/3 of the polar orbit satellite frequency). Overall, the GK-2A AMI LSTs can be used to analyze the spatiotemporal variations in the urban heat island effect and heat waves at fine-scale resolutions, while further topographical correction is recommended to improve their accuracy.

요지

본 연구에서는 2020년의 천리안위성 2A호(GEO-KOMPSAT-2A, GK-2A)의 AMI (Advanced Meteorological Imager) 지표면 온도(Land Surface Temperature, LST) 자료와 종관기상관측소 95개소, 농업기상관측소 11개소의 LST 자료에 대해서 검증 및 분석하였다. 또한, 다중 인공위성 자료인 MODIS (Moderate Resolution Imaging Spectroradiometer)와 S-VISSR (Stretched-Visible and Infrared Spin-Scan Radiometer)의 지표면 온도와도 비교하였다. 지점 관측 자료를 기반으로 내륙과 해안, 그리고 내륙지역에서 고도에 따라 구분하여 LST를 분석하였다. 먼저 시계열 분석 결과, 대상 기간 동안 AMI의 시계열적 거동은 다른 위성 자료들과 비교하여 편차가 가장 적은 것으로 나타났다. 내륙과 해안 지역을 구분하여 분석하였을 때 인공위성 기반 LST의 결과는 해안보다 내륙에서 상관성이 높았으며, 평지와 높은 고도와의 온도 차는 약 1 °C 정도 차이를 나타났다. 인공위성 자료의 연평균 LST와 관측 횟수를 파악하였을 때, 극궤도 위성의 관측 횟수는 정지궤도 위성의 관측 횟수의 1/3 정도였으며, 이로 인한 연평균 LST가 과대 산정되는 결과를 나타내었다. 결론을 종합하면 다른 인공위성과 비교하였을 때 GK-2A AMI LST의 활용 가능성은 높은 것으로 확인되었으나, 추후에는 지형적인 조건에 따른 보정이 필요할 것으로 보인다. GK-2A의 AMI LST 자료를 활용한다면 열섬 및 폭염 분석에서 더욱 자세한 열변동성을 확인하는 데 도움이 될 것으로 판단된다.

1. 서 론

기후변화는 지구 온난화, 오존층 파괴 등 다양한 형태로 인간 생활에 환경충격을 주고 있다(Choi, 2014). 그중 전 세계는 전례 없는 속도로 도시화/인공열 배출 증가(불투수층의 증가) 등의 영향으로 지구복사 에너지의 불균형이 발생하여 지구 표면 온도가 상승하는 현상이 급격하게 발생하고 있다(Cho et al., 2016). 기후변화의 영향으로 인한 다양한 자연재해의 유형이 다양화됨에 따라 이를 해결하고자 수문/기상인자의 변동성 파악 및 자연에 대한 이해와 파악의 중요성이 더욱더 부각 되고 있다.
수문/기상인자 중 태양으로부터 직접적인 영향을 받는 지표면 온도(Land Surface Temperature, LST)는 지표면과 대기 간의 에너지 순환에 큰 영향을 미치는 중요한 인자이다(Baek and Choi, 2012). 특히 에너지 및 수증기 교환을 조절하는 생⋅물리적요소 중 하나인 증발산의 산정, 수치 및 기후모델의 입력 및 검증자료, 열섬의 분포를 파악 및 평가하는 자료로 다양한 응용 분야에서 중요성이 부각되고 있다(Cho and Suh, 2013). 대부분의 관측지점에서는 지면의 온도 센서를 이용하여 관측이 이뤄지고 있으나, 불규칙하게 분포되어 토지이용 형태에 대한 상세한 분석 및 공간적 대표성을 나타내기에는 부족한 실정이다. 일반적으로 한정적인 장소를 연속적으로 측정하는 기존의 지상 지점들은 경제적, 기술적, 제도적인 문제들로 인하여 현장⋅자료 접근에 대한 문제가 발생하고 있어 이를 보완할 방법을 필요로 한다. 다른 방법으로는 열역학적 이론에 근거한 Stefan-Boltzmann 법칙을 기반으로 열적외 카메라(thermal infrared camera)를 이용하여 관측 대상의 표면에서의 특성(적외선 파장 에너지 및 복사열)을 통해 표면 온도를 산출할 수 있다(Park et al., 2018). 이러한 열적외선을 이용한 온도 관측 방법은 지상에서 관측은 물론 항공관측, 드론, 인공위성에 활용하여 넓은 영역을 주기적으로 관측할 수 있는 장점이 있다(Jee et al., 2016). 즉, 제한된 지역만 관측할 수 있는 지상 및 공중 기반 측정 기술과는 근본적으로 다르게 지구권 외에서 관측이 가능한 인공위성에 탑재하여, 접근 불가 지역(미계측 지역)뿐만이 아니라, 넓은 범위(전지구)에서의 지표면 상태를 정량적이고 시⋅공간적인 측면에서 연속적인 측정이 가능하므로 기존의 현장 네트워크를 충분히 보완할 수 있는 능력을 갖추고 있다.
인공위성(satellite)과 센서(sensor)의 발전이 급격하게 증가함에 따라서 초기의 인공위성의 sensor로부터의 산출물인 식생지수, land cover classification의 자료뿐만 아니라 적외선 영역 및 다양한 분광 영역을 활용함으로써 여러 수문기상인자 및 LST의 산출에 대한 가능성이 제시되었다. 그 이후로 인공위성 기반 LST 산출에 관한 연구가 집중적으로 진행되었다. 그러나 대부분의 연구가 극궤도 위성들인 Landsat series (Jee et al., 2016; Lee and Oh, 2019), MODIS (Shin et al., 2014; Chung et al., 2019), Sentinel 위성(Yang et al., 2020; Pérez-Planells et al., 2021)으로 산정된 LST에 대한 검⋅보정연구가 주를 이루었다. 그에 비하여 정지궤도위성(geostationary orbit satellite)은 대부분 기상위성으로 기상에 관한 인자가 주로 검증되었으며 지표면 온도 등 수문학적 주요 인자들에 대한 검증 및 분석에 대한 연구(Baek and Choi, 2012; Lee et al., 2016; Jeong et al., 2017)는 사실상 많이 이뤄지지 않았다.
국내에서도 천리안 위성(Communication, Ocean and Meterological Satellite, COMS)이 발사되고 나서 수문/기상인자에 대한 연구가 이뤄진 사례가 적었으며, 물론 현재까지 천리안 위성 2A (Geostationary Korea Multi Purpose Satellite-2A, GK-2A)의 수문/기상인자에 대한 광범위한 검증도 부족한 실정이다. 본 연구에서는 GK-2A가 발사된 후 얻어진 다양한 기상 산출물 중 가장 에너지에 대한 기본적인 에너지 흐름에 영향을 미치는 LST에 대한 활용 가능성 검증을 실시하고자 하였다. 먼저, 국내에서 활용 가능한 다양한 위성 중 한반도를 관측하며, 동일한 기간 동안 관측이 이뤄지고 있는 국외 위성 자료인 중국의 정지궤도 위성 FY-2H의 Stretched-Visible and Infrared Spin-Scan Radiometer (S-VISSR)와 National Aeronautics and Space Administration (NASA)의 극궤도 위성 자료 중 다수의 선행연구에서 적용이 이루어진 MODIS (Moderate Resolution Imaging Spectroradiometer) 센서의 LST 자료인 MOD11A1를 활용하였다. GK-2A에 탑재된 기상탑재체(Advanced Meteorological Imager, AMI) 산출물 중 LST의 활용 가능성 파악을 위하여 2020년을 기준으로 종관기상관측(Automated Synoptic Observing System, ASOS)와 농업기상관측(Automated Agricultural Observing System, AAOS)의 총 106개 지점 LST 자료에서 대해서 비교⋅검증을 실시하였다. 마지막으로 지리적 타당성을 검증하기 위하여 검증지역에 대해서 내륙과 해안 지점을 구분하고, 고도에 따라서도 구분하여 비교⋅검증을 실시하였다.

2. 연구지역

본 연구에서 2020년을 기준으로 GK-2A와 여러 인공위성들의 LST 자료들과 비교하기 위하여 비교 및 검증에 활용된 관측지점은 총 106개로 95개소의 ASOS와 11개소의 AAOS 자료의 일단위 자료를 활용하였다(Fig. 1). 본 연구에서는 지리적 요인에 대해서 두 가지 상황인 내륙과 해안지역에 대한 분석과 고도에 따른 영향에 대해서 고려하였다. 먼저 Fig. 1에서 나타낸 것과 같이 각 관측지점이 해안가 5 km 내인 경우를 기준으로 해안(33개소)과 내륙 지점(73개소)으로 구분하여 나타내었다. 다음으로는 고도에 따른 영향을 고려하였으며, ASOS와 AAOS의 관측 높이에 따라 각 100 m 구간으로 나눠서 고려하였다(Table 1). 본 관측 자료들의 수득 및 자세한 지점 좌표 정보들은 기상자료개방포털(https://data.kma.go.kr/)을 통해서 확인할 수 있다.
Table 1
Classification of Elevation
Classification of height Number of Observable site
0 m ≤ h < 100 m 44
100 m ≤ h < 200 m 16
200 m ≤ h < 300 m 8
300 m ≤ h < 400 m 2
h ≥ 400 m 3
Fig. 1
Geographic Information of Study Area Represented by DEM Based on SRTM (Shuttle Radar Topography Mission) and Indicated by Two Different Types of Shape Points Including Land and Coast Sides for ASOS (95 Sites) and AAOS (11 Sites) in Korea
kosham-2022-22-3-15gf1.jpg

3. Satellite based Land Surface Temperature (LST)

본 연구에서는 GK-2A에 탑재된 고성능 AMI Level 2 중 동아시아 관측영역의 LST (공간/시간해상도: 2 km/10분)자료를 활용하였다. GK-2A LST 다른 위성 자료(MODIS, S-VISSR) 및 지점 관측 자료(AAOS, ASOS)와 비교하기 위하여 일평균 자료로 변환하여 활용하였다. GK-2A의 LST 결과와 비교 및 검증을 위하여 중국의 정지궤도 위성인 FY-2H에 탑재된 S-VISSR의 LST, 극궤도 위성으로는 다양한 지역에서 비교⋅검증이 이뤄진 Terra위성 MODIS 센서의 LST Level-2 product (MOD11A1) 자료를 활용하였다.

3.1 천리안위성 2A호

2003년부터 국가 우주 개발 중장기 계획에 따라서 다수의 기관들(기상청, 교육과학기술부, 국토해양부, 방송통신위원회)의 공동사업으로 2010년 6월 27일에 정지궤도 위성인 COMS가 발사되었다. 그로부터 약 9년 동안 COMS는 2020년 4월 1일을 마지막으로 대한민국 주변에 대한 기상관측임무를 완료하였다. COMS의 뒤를 이어 차세대 위성인 GK-2A와 GK-2B가 2018년 12월 5일과 2020년 2월 19일에 발사되었다. 특히, GK-2A는 기상관측 위성인 정지궤도 복합위성으로 기존의 COMS의 임무를 승계받아 보다 더 향상된 성능[공간 해상도: 0.5 km 및 1 km (가시채널⋅컬러), 2 km (적외채널)]으로 한반도 주변의 기상관측 임무를 수행하고 있다. 본 연구에서는 GK-2A에서 총 제공예정인 52종의 다양한 기상/수문 산출물 중 수문/기상 분석 및 활용에서 기초가 되는 LST에 대한 적절성 파악을 위하여 이를 활용하였다. GK-2A의 LST 산출 알고리즘은 분리대기창 기법을 적용하여 기온 감률과 수증기 및 에어로졸 조건 등을 주간과 야간으로 구분하여 총 6개의 세부 산출식으로 구분되어 계산되며, LST에 대한 알고리즘의 자세한 내용은 Choi and Suh (2020)과 국가기상위성센터의 알고리즘 문서(https://nmsc.kma.go.kr/homepage/html/base/cmm/selectPage.do?page=static.edu.atbdGk2a)에 자세히 기술되어있다.

3.2 MODIS LST product

지구관측시스템(Earth Observing System, EOS) 프로젝트 목적으로 NASA (National Aeronautics and Space Administration)에서는 지구권 내를 관측할 수 있는 MODIS 센서를 탑재한 Terra (EOS AM-1, 1999년)/Aqua (EOS PM-1, 2002년) 위성을 발사하였다. 정지궤도 위성 자료와는 다르게 극궤도 위성은 하루에 1~2회의 관측 주기를 가지고 있어, 전 세계의 변화를 파악하는 데 용이하다. 산출되는 자료로는 기상, 지상 등에 대한 구름, 해수면 온도, 해색, 식생 등을 포함한 20개 이상의 환경⋅수문/기상 자료를 제공하고 있으며, 정확성에 대한 많은 검증이 이뤄져 왔다. 본 연구에서는 MODIS/Terra Land Surface Temperature/Emissivity Daily L3 Global 1 km SIN Grid (MOD11A1) 자료를 활용하여 비교를 시행하였다. 센서 및 활용된 자료에 대한 부가적인 설명은 Table 2에서 확인 할 수 있다.
Table 2
Information of Each Satellite Product
Satellite sensor
S-VISSR (Geo.) MODIS (Polar) AMI (Geo.)
Launch date June 05, 2018 Dec. 18, 1999 Dec. 04, 2018
Satellite name Feng-Yun(FY)-2H Terra GEO-KOMPSAT-2A (GK-2A)
Sensor full name Stretched-Visible and Infrared Spin-Scan Radiometer Moderate Resolution Imaging Spectroradiometer Advanced Meteorological Imager
Spatial (Temporal) resolution 0.05° (daily) 0.01° (daily) 0.02° (10 min)
Product name Daily mean Full Disk LST MOD11A1 gk2a ami le2 LST ea

* Geo.: Geostationary satellite Polar: Polar orbit satellite

3.3 FY-2H

중국은 1970년 4월 24일에 처음으로 발사한 DFH (Dongfanghong)-1을 시작으로 현재까지 FENGYUN (FY) 1~4 series 및 이산화탄소를 관찰하는 TANSAT 등 현재까지 많은 정지궤도 위성 및 극궤도 위성을 발사 및 보유하고 있다. 본 연구에서는 정지궤도 기상위성인 FY-2 시리즈에서 8번째로 2018년 6월 5일에 발사된 FY-2H를 활용하였다. FY-2H는 기상센서인 Stretched-Visible and Infrared Spin-Scan Radiometer (S-VISSR)와 고에너지 입자인 이온 및 전자를 관측하는 Space Environment Monitor (SEM) 센서를 탑재하고 있으며, 중국을 중심으로 30분마다 관측하며 적외채널 해상도는 5 km, 가시채널은 1.25 km의 영상을 제공한다. FY-2H의 S-VISSR에는 2018년 6월 말 이후부터 현재까지 정지궤도 위성에서 산출되는 다양한 수문⋅기상인자 산출물인 대기 운동 벡터, 구름 분류 및 감지, 구름 상층 온도, 지표면 온도, 표면 일사량 해수면 온도, 강수 등을 제공하고 있다. 본 연구에서는 GK-2A의 AMI LST와 비교를 위하여 일단위 자료를 활용하였다.

4. 결 과

4.1 지표면 온도의 계절 변동성

Fig. 2는 총 106개소의 AAOS와 ASOS에서 관측된 일단위 LST 자료와 여러 인공위성 자료들에서 관측지점 위치에 해당하는 픽셀의 결과를 평균하여 시계열로 나타내었다. 2020년 1월부터 12월까지의 시계열 변동성을 비교한 결과, 지상관측소의 LST는 계절 특성을 뚜렷하게 나타내었다. Fig. 2를 확인하면 겨울철인 1~2월에는 –2~9 °C 범위로 상승하고 봄(3~5월)에서 5~25 °C로 점차 증가하고 있다. 여름(6~8월)에 들어서 21~32 °C로 최대로 증가하다가, 가을을 통해 겨울(9월~12월)에 근접하면서 28~–2 °C로 다시 감소하는 경향을 나타내었다. 전반적으로 인공위성의 LST의 시계열은 지상관측 LST와 양적인 차이를 보이나, 계절적인 경향성은 잘 따라가고 있는 것을 확인할 수 있다.
Fig. 2
Time Series of Observation and Satellite Based LST for 2020
kosham-2022-22-3-15gf2.jpg
Fig. 3Fig. 2에서 양적인 차이가 나타내는 것을 파악하여 관측지점과 인공위성 LST의 월별 차이를 나타낸 것이다. GK-2A의 AMI LST 결과의 경우 1월부터 3월까지 약 –2.34~ –1.18 °C, 4월에 9월까지는 –5.28~–3.64 °C의 과소 산정되는 결과를 나타내었다가 겨울철(10월~12월)에 들어서면서 다시 온도 차이(–2.43~–1.34 °C)가 줄어드는 것을 확인할 수 있다. FY-2H의 S-VISSR LST의 결과는 GK-2A의 AMI LST 경향과 비슷하게 움직이는 것을 볼 수 있으나, 여름철에 최대 –9.16 °C까지 차이 나는 것으로 확인되었다. 극궤도 위성의 MODIS LST 대부분 월에서 과대 산정되는 것을 볼 수 있으나 4월에서 8월까지 감소하다가 다시 증가하는 결과를 나타내었다. 이러한 이유는 각각 인공위성의 시간해상도에 대한 영향과 외부적인 영향으로 인한 문제로 기인되는 것으로 보인다. 특히 인공위성은 다른 시기에 비하여 늦은 봄부터 가을까지 구름 및 비의 영향이 점차 많아지며 LST가 결측되기 때문에 관측 횟수의 부족(Lee et al., 2016) 및 구름으로 생기는 shadow의 영향으로 LST 과소 추정이 발생한 것으로 판단된다.
Fig. 3
Plot of Difference between Observation and Satellite Based LST for 2020
kosham-2022-22-3-15gf3.jpg

4.2 지형적(내륙/해안 및 고도) 상태에 따른 인공위성 지표면 온도 분석

인공위성 자료는 일반적으로 해안과 내륙에 따른 차이와 고도에 따른 오차 역시 발생한다고 알려져 있다. COMS LST에 관한 분석 및 보정 연구는 여러 선행연구들(Baek and Choi, 2012; Choi and Suh, 2016; Lee et al., 2016; Jeong et al., 2017)을 통해서 이뤄져 왔으나, GK-2A 자료의 경우 이에 대한 비교 분석조차 미비한 실정이다. GK-2A의 검증 및 적절성 파악을 위하여, 다른 인공위성의 LST 결과와 함께 지점관측에서 비교⋅검증하였으며, 이를 대하여 먼저 내륙과 해안지역으로 구분하여 분석을 시행하였다. Table 3에는 이러한 상태에 따른 인공위성 자료들의 통계적 결과(Bias, MAE, RMSE, RRMSE, R)를 나타내었다. Table 3를 확인하면, MODIS LST의 편향 결과는 다른 위성과 비교하여 관측지점 LST와 비교하였을 때, 내륙(해안)에서 4.62 °C (–3.50 °C) 정도 과대(과소) 산정되었으며 양적인 오차는 약 5.81 °C (4.98 °C)는 경향을 나타내었다. 이러한 결과는 Chung et al. (2019)에서도 비슷한 결과를 나타내었다. 이 연구에서는 2008년부터 2018년까지의 Terra/Aqua MODIS 센서에서 관측되는 낮과 밤 시간의 LST에 대한 결과를 기상청 ASOS 86개 지점과 비교를 실시하였으며, 지점자료와의 RMSE 결과에서 4.2~12.3 °C의 차이를 나타내는 것을 볼 수 있었다. 그에 비하여, AMI의 결과가 가장 낮은 RMSE (RRMSE)와 R의 결과를 나타내었으며, MODIS와 S-VISSR의 순으로 확인되었다. 본 연구의 GK-2A의 AMI LST의 결과와 Lee et al. (2016)의 결과를 비교하면, 2013년부터 2015년까지 COMS의 LST를 AAOS 11개소와 비교한 결과, 약 실제 관측 지점에 비하여 1~5 °C 정도 낮은 결과를 나타낸 것을 확인할 수 있다. 또한, GK-2A의 LST에 대한 알고리즘 개선 연구인 Choi and Suh (2020)의 결과를 확인하면, 일본의 Baseline Surface Radiation Network의 Tateno 관측소와의 검증에서 야간에는 Bias (RMSE)가 0.32 K (1.948 K)로 주간에는 Bias (RMSE)가 0.84 K (2.13 K)를 나타내었으며, 본 연구의 GK-2A의 통계 결과와 유사한 경향을 나타내었다.
Table 3
Summary of Various Statistical Analysis of Interior (Seaside) Sites
Satellite Sensor Number of measured in-situ Statistical analysis
Bias (°C) MAE (°C) RMSE (°C) RRMSE (Unitless) R (Unitless)
S-VISSR 73/73 (20/33) -4.01 (-2.42) 4.02 (2.42) 6.31 (5.61) 0.36 (0.32) 0.88 (0.52)
MODIS 73/73 (22/33) 4.62 (-3.50) 4.62 (3.50) 5.81 (4.98) 0.36 (0.29) 0.94 (0.62)
AMI 73/73 (33/33) -3.12 (-2.70) 3.14 (2.70) 4.85 (4.49) 0.28 (0.25) 0.94 (0.91)

Bias=i=1N(MiOi)/N,MAE=i=1N|MiOi|/N,RMSE=i=1N(MiOi)2/N,RRMSE=R M S EO¯, M is the simulated value; O and O¯ represent the observed and mean observed values.

Fig. 4는 3개의 위성자료기반 LST에서 관측된 지점에 대한 RMSE 결과만을 나타낸 것이다. S-VISSR과 MODIS 센서의 자료들은 33개소 중 20개소와 22개소의 관측지점에 대해서만 반영이 되는 것으로 나타났다. 이러한 결과는 내륙지역의 관측소에 비하여 해안 지역에서 약 60% 정도의 관측소의 통계 결과를 나타내기 때문에 통계 결과에 대한 명확성을 나타내기에는 부족함이 있으며, 이러한 문제로 인하여 해안 지점에서 MODIS (R = 0.62)와 S-VISSR (R = 0.52)의 결과가 낮은 상관성을 나타낸 것으로 파악된다(Table 3). 전반적으로 3개의 위성 자료들의 결과를 확인하면, 내륙지역에서의 결과가 해안지역에서의 결과보다 높은 RMSE를 보였으며, 그중 GK-2A AMI의 통계 결과를 확인하면 몇몇 지점을 제외하고는 다른 인공위성의 결과와 비교하여 모든 지점에서 낮은 RMSE를 나타내었다. 특히 중국의 정지궤도 위성인 FY-2H에 탑재된 S-VISSR의 통계 결과가 다른 위성들에 비하여 낮게 나오는 이유로는 다른 인공위성 자료(MODIS: 1 km, AMI: 2 km)에 비하여 낮은 공간해상도(5 km)로 인한 문제로 보여진다. Table 3Fig. 4의 결과를 종합하면 앞서 언급된 것과 같이 공간해상도에 대한 문제 또는 해안에 대한 영향을 고려한 지표면 온도 산출 알고리즘 개선이 필요할 것으로 판단된다.
Fig. 4
Spatial Distributions of the RMSE Result on Corresponding In-Situ
kosham-2022-22-3-15gf4.jpg
다음으로 고도에 따른 영향을 파악하기 위하여 내륙지역에서만의 지점 관측 지점의 고도 높이를 기준으로 5단계로 구분하여 분석을 실시하였다(Table 1). Fig. 5(a)에서 MODIS LST는 앞서 나타낸 것과 같이 고도에 따라서도 다른 인공위성과는 다르게 과대 산정의 결과를 나타내었다. S-VISSR은 고도에 따라 높은 RMSE (5.76~7.18 °C)와 낮은 RRMSE (0.40~0.56) 결과를 보였으며, 다음으로는 MODIS (4.19~6.18 °C / RRMSE: 0.36~0.60)로 나타났다(Figs. 5(a) and 5(b)). GK-2A AMI의 LST 결과는 고도가 올라감에 따라서 RMSE (4.52~5.71 °C)와 RRMSE (0.36~0.51)가 대체적으로 증가 경향을 보이며, 평지와 높은 고도의 RMSE의 차이가 약 1 °C 정도의 차이가 발생하는 것으로 확인되었다. 또한, 고도가 높아짐에 따라서 인공위성 자료에 대한 정확성이 낮아지는 것을 확인할 수 있다(Fig. 5(a)). 모든 위성 기반 LST의 상관성을 확인하면 대체적으로 고도가 증가함에 따라 상관성이 감소하는 경향이 나타났다(Fig. 5(b)). 전반적인 결과를 종합하면, 위성기반 LST 결과는 고도에 따라 0 ≤ h < 300 m까지는 점차 RMSE 정도가 증가하였다가, 300 m 이후부터는 증⋅감소하는 경향을 나타내는 것을 확인할 수 있다. 그러나 300 m 이후의 증감하는 경향의 이유는 평지의 관측소 개수와 비교하여 300 m 이상의 관측 지점 개수의 부족(300~400 m: 2개소, 400 m~: 3개소)으로 인하여 차이가 발생하며 이는 통계 결과를 신뢰하기에는 다소 떨어지는 것으로 판단된다.
Fig. 5
Result of Statistical Analysis between Insitu and Each Satellite Based LST
kosham-2022-22-3-15gf5.jpg

4.3 인공위성 기반 지표면 온도의 2020년 연평균 공간분포 분석

Fig. 6에는 2020년에 대한 각 인공위성 자료에 대한 연평균 분포와 관측 횟수를 나타내었다. 먼저 Fig. 6(a)의 극궤도 위성인 MODIS의 각 픽셀에 대한 관측 횟수를 확인하면, 각 픽셀에서 1년 중 평균 125일(MODIS) 정도의 관측 횟수만을 보였다. MODIS 위성의 후속 센서인 VIIRS에 대한 평가를 시행한 선행연구인 Liu et al. (2019)에서도 확인할 수 있듯이, MODIS 센서와 동일한 관측 주기를 가지고 있는 VIIRS의 관측횟수(17~103일)도 높지 않는 것을 확인할 수 있다. 반면에, 정지궤도 위성에 탑재된 센서인 S-VISSR (평균 301일)와 AMI (평균 339일)는 극궤도 위성보다 연속적인 관측이 가능하므로 대부분의 픽셀에서 많은 관측 횟수를 보인다. 이러한 영향은 전반적인 연평균 결과에도 많은 부분 영향을 미치는 것으로 나타났다(Fig. 6(b)). 연평균 LST 분포를 확인하면, 내륙에서는 도심지역과 녹지 비율이 높은 지역과 비교하면 연평균 온도에 대한 차이가 나는 것을 볼 수 있다. 특히 산맥으로 이뤄진 영역에서는 평지보다 낮은 연평균 LST 분포를 보였으며, 도심지역(서울, 대전, 대구, 광주, 부산 등)에서 도시열섬 현상으로 주변 지역 녹지 지역보다 높은 연평균 LST 분포를 나타내었다. 이는 LST의 경우 토지의 피복과 건축물의 유형의 영향을 크게 받으므로, 식생 비율이 적고 열용량이 낮은 재료로 구성된 건축물이 밀집되어 있어 다른 녹지 지역보다 높은 지표면 온도를 형성하게 되기 때문이다(Hwang and Kang, 2020). 또한, 해안선 영역에서는 해수 온도 및 기상조건(해풍 및 해무)의 영향 및 비열의 차의 영향으로 겨울철에 육지에 비하여 상대적으로 따뜻한 해안의 영향으로 해안선을 따라 연평균 LST 온도가 높게 나타나는 것으로 확인된다. AMI와 S-VISSR의 연평균 LST의 분포는 전반적으로 평균 7.29 °C와 평균 8.27 °C의 분포를 하고 있으나, MODIS의 LST 분포는 평균 20.45 °C으로 높은 값을 나타내고 있다. 이러한 근본적인 이유는 실제 자연상태에서의 날씨는 대부분 지역에서 일 년의 절반 이상이 흐린 상태로(Fan et al., 2007), 구름이 있는 경우에 인공위성 광학센서의 특성상 구름을 투과하지 못하며, 구름 위(상층부)의 온도를 관측하게 되기 때문에 지표면 방출율에 대한 정보를 산출하기 어려워진다. 따라서, 위성영상을 이용하여 구름 아래에서의 지표면 열적외선 정보를 얻을 수 없으며, 직접 계산하기에는 한계가 있다(Zhang et al., 2015; Zhao et al., 2020). 특히, 극궤도 위성은 하루에 적은 횟수의 관측을 통하여 하루의 값을 대표하기 때문에, 특정 시간에 외부적인 기상요인으로 인하여 관측이 되지 않을 경우에는 missing value가 발생하게 된다. 그에 비하여 정지궤도 위성은 시간 연속성이 높기 때문에 극궤도 위성에 비하여 ~20배(MODIS 하루 2회, AMI 하루 144회, S-VISSR 하루 24회) 이상 관측을 할 수 있어서 보다 명확한 LST 및 다양한 수문/기상인자에 대한 관측이 가능하다.
Fig. 6
Spatial Distribution of (a) Count of Measured Date and (b) Annul Mean from Satellite Based LST
kosham-2022-22-3-15gf6.jpg

5. 결 론

본 연구는 GK-2A의 AMI 센서에서 관측된 LST 자료의 활용 가능성을 파악하기 위하여 전 세계적으로 많은 활용성을 보이는 MODIS 센서의 LST 자료와 중국의 정지궤도 위성인 FY-2H 자료의 LST 자료를 비교 대상으로 나타내었으며, 이를 ASOS 96개소와 AAOS 11개소에 대해서 기술 통계 분석 및 계절 분석을 시행하였다. 추가적으로, 지형적 조건(내륙/해안/고도차)에 따른 분석을 수행하였다. 본 연구의 결과를 요약하면 다음과 같다.
1. GK-2A의 AMI 센서에서 관측된 LST는 총 106개(AAOS, ASOS)의 지상관측지점의 결과와 비슷한 시계열 거동을 나타내었다. 그러나, 늦은 봄에서 가을초까지 구름 및 기상 조건의 영향으로 인하여 AMI와 S-VISSR의 편차가 증가하였다가 겨울철에 들어 감소하는 경향을 나타냈다.
2. ASOS와 AAOS을 기준으로 내륙/해안지역으로 구분하여 LST 분석을 실시하였다. 먼저 RMSE (RRMSE)의 결과를 확인하면 AMI > MODIS > S-VISSR순의 결과를 나타내었으며, AMI의 RMSE 결과는 다른 위성에 비하여 내륙(해안)지역에서 4.85 °C (4.49 °C) 정도 오차가 적은 것으로 나타났다. AMI의 상관성을 확인하였을 때 내륙(해안)지역에서 다른 위성의 결과에 비하여 높은 R 값을 나타내었다. AMI의 LST는 고도의 증가에 따라 RMSE, RRMSE, MAE가 증가하는 경향을 나타내었으며, R은 감소하는 경향을 보였다. 고도의 차이에 따른 통계 결과를 확인하였을 때, 평지와 비교하여 높은 고도의 결과는 평지와 비교 할 경우 약 1 °C 정도의 차이가 발생하였다.
3. 연평균 분포와 함께 각 픽셀별 관측 횟수를 확인한 결과, 극궤도 위성에 탑재된 센서의 결과에 비하여 정지궤도 위성에 탑재된 센서가 3배 높은 관측 횟수를 나타내는 것으로 확인되었다. 극궤도 위성의 연평균 LST 온도는 정지궤도의 결과와는 다르게 높은 연평균 LST 온도(평균 20.45 °C와 평균 18.68 °C)를 나타내지만, 그에 비하여 정지궤도 위성의 결과는 평균 7.29 °C와 평균 8.27 °C의 LST 분포를 나타내었다.
연구 결과를 종합하여 GK-2A AMI의 LST 활용 가능성을 판단하였을 때, 시공간 해상도가 높아 자료 취득률이 높으며, 기술 통계결과 등의 면에서 높은 활용성을 나타낸다고 할 수 있다. GK-2A 자료를 활용한다면 시간에 따른 열섬 분석 및 폭염 분석에 활용될 수 있을 것으로 판단된다. 그러나, 해안 및 내륙, 고도 차이에 따른 오차가 발생하는 만큼 추후 연구에 활용을 위해서는 지표면 온도를 보정을 시행한다면 더욱 신뢰도 높은 결과를 나타낼 수 있을 것이다.

감사의 글

이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구입니다(NRF-2021R1C1C2006215 및 NRF-2020R1G1A1013624). 방대한 양의 천리안 2 위성 자료를 제공해주신 기상청 국가기상위성센터(https://nmsc.kma.go.kr/)와 검증에 활용된 종관기상관측, 농업기상관측소 자료를 제공해주신 기상자료개방포털(https://data.kma.go.kr/), 중국 정지궤도 위성 자료인 FY-2H를 제공해주신 FENGYUN Satellite Data Center (http://satellite.nsmc.org.cn), MODIS LST 자료를 제공해 준 NASA LP DAAC (Land Processes Distributed Active Archive Center)에 감사드립니다.

References

1. Baek, J.J, and Choi, M (2012) Availability of land surface temperature from the COMS in the Korea peninsula. Journal of Korea Water Resources Association, Vol. 45, No. 8, pp. 755-765.
crossref
2. Cho, A.R, and Suh, M.S (2013) Evaluation of land surface temperature operationally. Retrieved from Korean geostationary satellite (COMS) data. Remote Sensing, Vol. 5, No. 8, pp. 3951-3970.
crossref
3. Cho, C, Jee, J.B, Park, M.S, Park, S.H, and Choi, Y.J (2016) Comparison of surface temperatures between thermal infrared image and Landsat 8 satellite. Journal of Korean Society for Atmospheric Environment, Vol. 32, No. 1, pp. 46-56.
crossref
4. Choi, C (2014) Index decomposition analysis for urbanization, disaster damages and economic growth. Korea Planning Association, Vol. 49, No. 3, pp. 195-209.
crossref
5. Choi, Y.Y, and Suh, M.S (2016) Improvement of COMS land surface temperature retrieval algorithm by considering diurnal variation of air temperature. Korean Journal of Remote Sensing, Vol. 32, No. 5, pp. 435-452.
crossref
6. Choi, Y.Y, and Suh, M.S (2020) Development of a land surface temperature retrieval algorithm from GK2A/AMI. Remote Sensing, Vol. 12, No. 18, pp. 3050.
crossref
7. Chung, J.H, Lee, Y.G, Lee, J.W, and Kim, S.J (2019) Correlation analysis between Terra/Aqua MODIS LST and air temperature:Mainly on the occurrence period of heat and cold waves. Journal of the Korean Association of Geographic Information Studies, Vol. 22, No. 4, pp. 197-214.
crossref
8. Fan, W, Yu, S, and Wu, W (2007) Waterbody identification under semitransparent cloud in MODIS image. J. Atmos. Environ. Opt, Vol. 2, pp. 73-77.
crossref
9. Hwang, H.S, and Kang, J.E (2020) Spatial distribution of urban heat and pollution islands using remote sensing and private automated meteorological observation system data-focused on Busan metropolitan city, Korea. Journal of the Korean Association of Geographic Information Studies, Vol. 23, No. 3, pp. 100-119.
crossref
10. Jee, J.B, Kim, B.Y, Zo, I.S, Lee, K.T, and Choi, Y.J (2016) Retrieval of land surface temperature based on high resolution landsat 8 satellite data. Korean Journal of Remote Sensing, Vol. 32, No. 2, pp. 171-183.
crossref
11. Jeong, J, Baik, J, and Choi, M (2017) Downscaling of land surface temperature by combining communication, ocean and meteorological satellite. Journal of Wetlands Research, Vol. 19, No. 1, pp. 122-131.
crossref
12. Lee, J.S, and Oh, M.K (2019) Distribution analysis of land surface temperature about Seoul using landsat 8 satellite images and AWS data. Journal of the Korea Academia-Industrial cooperation Society, Vol. 20, No. 1, pp. 434-439.
crossref
13. Lee, Y.G, Jung, C.G, Lee, J.W, and Kim, S.J (2016) A study on establishment of appropriate observation time for estimation of daily land surface temperature using COMS in Korea peninsula. Journal of the Korean Society of Agricultural Engineers, Vol. 58, No. 4, pp. 37-46.
crossref
14. Liu, Y, Yu, Y, Yu, P, Wang, H, and Rao, Y (2019) Enterprise LST algorithm development and its evaluation with NOAA 20 data. Remote Sensing, Vol. 11, No. 17, pp. 2003.
crossref
15. Park, J.H, Lee, K.R, Lee, W.H, and Han, Y.K (2018) Generation of land surface temperature orthophoto and temperature accuracy analysis by land covers based on thermal infrared sensor mounted on unmanned aerial vehicle. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, Vol. 36, No. 4, pp. 263-270.
crossref
16. Pérez-Planells, L, Niclòs, R, Puchades, J, Coll, C, Göttsche, F.M, Valiente, J.A, et al (2021) Validation of sentinel-3 SLSTR land surface temperature, Retrieved by the operational product and comparison with explicitly emissivity-dependent algorithms. Remote Sensing, Vol. 13, No. 11, pp. 2228.
crossref
17. Shin, H, Chang, E, and Hong, S (2014) Estimation of near surface air temperature using MODIS land surface temperature data and geostatistics. Spatial Information Research, Vol. 22, No. 1, pp. 55-63.
crossref
18. Yang, J, Zhou, J, Göttsche, F.M, Long, Z, Ma, J, and Luo, R (2020) Investigation and validation of algorithms for estimating land surface temperature from Sentinel-3 SLSTR data. International Journal of Applied Earth Observation and Geoinformation, Vol. 91, pp. 102136.
crossref
19. Zhang, X, Pang, J, and Li, L (2015) Estimation of land surface temperature under cloudy skies using combined diurnal solar radiation and surface temperature evolution. Remote Sensing, Vol. 7, No. 1, pp. 905-921.
crossref
20. Zhao, B, Mao, K, Cai, Y, Shi, J, Li, Z, Qin, Z, et al (2020) A combined Terra and Aqua MODIS land surface temperature and meteorological station data product for China from 2003 to 2017. Earth System Science Data, Vol. 12, No. 4, pp. 2555-2577.
crossref
TOOLS
Share :
Facebook Twitter Linked In Google+ Line it
METRICS Graph View
  • 0 Crossref
  •    
  • 1,733 View
  • 93 Download


ABOUT
ARTICLE CATEGORY

Browse all articles >

BROWSE ARTICLES
AUTHOR INFORMATION
Editorial Office
1010 New Bldg., The Korea Science Technology Center, 22 Teheran-ro 7-gil(635-4 Yeoksam-dong), Gangnam-gu, Seoul 06130, Korea
Tel: +82-2-567-6311    Fax: +82-2-567-6313    E-mail: master@kosham.or.kr                

Copyright © 2024 by The Korean Society of Hazard Mitigation.

Developed in M2PI

Close layer
prev next