Atmospheric Correction Effectiveness Analysis of Reflectance and NDVI Using Multispectral Satellite Image

다중분광위성자료의 대기보정에 따른 반사도 및 식생지수 분석

Abstract

In agriculture, remote sensing data using earth observation satellites have many advantages over other methods in terms of time, space, and efficiency. This study analyzed the changes of reflectance and vegetation index according to atmospheric correction of images before using satellite images in agriculture. Top OF Atmosphere (TOA) reflectance and surface reflectance through atmospheric correction were calculated to compare the reflectance of each band and Normalized Vegetation difference Index (NDVI). As a result, the NDVI observed from field measurement sensors and satellites showed a higher agreement and correlation than the TOA reflectance calculated from surface reflectance using atmospheric correction. Comparing NDVI before and after atmospheric correction for multi-temporal images, NDVI increased after atmospheric corrected in all images. garlic and onion cultivation area and forest where the vegetation health was high area NDVI increased more 0.1. Because the NIR images are included in the water vapor band, atmospheric correction is greatly affected. Therefore, atmospheric correction is a very important process for NDVI time-series analysis in applying image to agricultural field.

농업분야에서 지구관측위성을 활용한 원격탐사 자료는 시간적, 공간적, 그리고 효율성 측면에서 다른 방법에 비해 많은 이점을 가진다. 본 연구는 위성영상의 농업활용에 앞서 영상의 대기보정에 따른 반사도와 식생지수의 변화 분석을 위해 다중분광위성자료의 대기상층 반사도(Top of Atmosphere Reflectance; TOA Reflectance)와 대기보정을 통한 표면 반사도(Surface Reflectance)를 산출하여 각 밴드별 반사도, 식생지수를 비교하였다. 그 결과 지상계측센서와 위성에서 관측된 식생지수는 영상의 대기보정을 통해 산출된 표면반사도가 TOA Reflectance 보다 높은 일치율과 상관성을 나타났다. 다중시기 영상에 대하여 대기보정 전/후 NDVI를 비교한 결과 모든 시기에서 대기보정 수행 후 NDVI 상승하였다. 특히 식생 활력도가 높은 수확직전의 시기의 경우 NDVI 상승폭이 크게 나타났다. 서로 다른 반사 특성을 가지는 토지피복의 경우에도 식생 활력도가 높은 마늘, 양파 재배지역과 산림의 경우 0.1 이상의 NDVI 변화를 보였다. 이 같은 결과는 NIR 밴드대역이 수증기 흡수대역에 있어 대기보정으로 인해 영향을 받기 때문이다. 따라서 위성영상을 농업분야에 활용함에 있어 대기보정은 NDVI 분석에 있어 매우 중요한 과정으로 볼 수 있다.

1. 서론

위성영상은 비접근 지역에 대해서 관측이 가능할 뿐 아니라 넓은 지역에 대하여 신뢰도가 높은 지표면의 분광정보를 제공한다. 이로써 얻을 수 있는 지표의 공간적 특성 분포는 원격탐사 기법이 가지는 가장 큰 장점이며 환경, 수문, 식생 등 다양한 분야에 활발하게 적용되어 왔다. 농업분야에서 지구관측위성을 활용한 원격 탐사 자료는 시간적, 공간적, 그리고 효율성 측면에서 다른 방법에 비해 많은 이점을 가지며, 지상의 지표 활용 현황, 수목 탐지, 수계 영역 탐지, 환경 분야 등 다양한 지상의 관측 영역에 적용 다양한 종류의 위성영상을 이용한 원격탐사 기술의 응용이 지속적으로 활용되고 있다(DSITA and DNRM, 2014). 특히, 농업 모니터링, 생육이상, 수확량 추정분야에서는 작물의 생산성과 관련하여 중요한 요인인 식생의 계절적, 시기적 변화 패턴은 적절한 시기에 획득된 원격탐사 자료를 활용함으로써 대단위 면적에 대한 분석을 가능하게 한다(Atzberger, 2013).

국내·외 다중분광 위성의 수가 증가하고 자료를 획득할 수 있는 경로가 넓어짐에 따라 위성영상 활용 연구가 활발히 진행되고 있다. 위성영상의 농업 분야 적용되는 연구사례를 분석한 결과 Table 1과 같이 광학(다중분광)영상을 활용해서 농경지 추출 및 맵핑, 비접근 지역을 포함한 생산량 추정, 작물별 생육정보 추출 등에 활용되고 있음을 알 수 있다. 연구에 활용되는 영상들은 과거의 경우 중저해상도 영상의 활용한 연구가 주를 이루었으나 현재 영상취득의 다양화, 고해상도 영상의 증가에 맞춰 고해상도 영상의 활용이 두드러지게 나타났다.

Table 1. Application of satellite data for agriculture field

국내 관련 선행연구를 살펴보면, Hong et al.(2012a)은 RapidEye 영상을 이용하여 북한의 논 면적을 산정하였으며, Na et al.(2012)은 전국을 대상으로 기상요소와 MODIS NDVI를 이용하여 한국형 논벼 생산량 예측 모형을 개발하였다. 또한, Hong et al.(2012b)은 MODIS NDVI와 수량과의 상관성이 높은 시기를 선택하여 기상자료와 함께 다중 회귀 모형 기반으로 우리나라 벼 수량을 추정하였다. 국외 연구 사례로 M. Ustunera(2014)은 터키 농업 지역에 대해 RapidEye 영상을 이용하여 NDVI, NRDE, GNDVI 밴드를 생성 후 SVM을 이용하여 분류 및 평가를 하였고 식물 엽록소 변화에 민감한 Red Edge 밴드를 이용하여 생성된 NDRE를 포함한 분류 결과의 정확도가 가장 높음을 보였다. Rojas(2007)는 SPOT NDVI와 농업 기상자료를 물수지 모형에 입력하여 케냐의 옥수수 수량을 추정하였으며, Ren et al.(2008)은 MODIS NDVI를 이용하여 중국 산동 반도의 겨울밀 수량을 추정하고 그 결과를 농업기후 모형을 이용한 수량 추정 결와 비교하였다.

기존 선행연구는 대부분 중저해상도를 가지는 MODIS 위성의 2차 산출물을 사용하여 작황 및 생육이상에 대한 시계열 분석을 수행하였다. 고해상도 다중분광위성의 경우 시계열 분석이 아닌 단영상을 이용하여 작물 분류나 면적 추정연구가 주로 진행되었다. 하지만 우리나라의 좁은 경지면적에 맞는 고해상도 위성의 대기보정된 영상을 활용한 시계열 분석이나 작황추정 연구는 상대적으로 미진하다.

원격탐사를 이용한 농업분야 활용에 앞서 획득된 위성영상의 지표 반사도 및 식생지수 산출을 위해서는 기본적으로 전처리가 수행되어야 하며, 일반적으로 전처리 과정은 영상에서 취득된 화소값(Digital Number; DN)을 복사휘도(Radiance)값으로 바꾸는 복사보정,기하보정, 그리고 대기보정으로 나눠진다. 무엇보다 지표면 정보 산출 시 가장 큰 오차 요인 중 하나인 대기 감쇄 효과에 대한 보정이 필요하다(Kim et al., 2011).

대기보정은 위성영상에서 정량적 분석을 수행할 때 필수적으로 적용해야 하는 영상 후처리 과정이다. 대기보정을 통해 영상의 화소값, 복사량으로부터 지표면의 고유한 분광반사특성을나타내는는 표면반사율 산출이 가능하다. 표면반사율은 하나의 화소에 해당하는 지표물의 특성을 나타내는데 절대적 신호값으로 이를 이용하여 식생 활력도, 생물량, 엽면적지수, 엽록소, 임관 비율과 같은 생물리적 변수를 추출하는 경우에 필수적이다(Haboudane et al., 2002; Thiemann and Kaufmann, 2001).

대기는 시공간적인 변동성이 매우 크므로 대기상태가 다른 환경에서 촬영된 시계열 영상을 이용하는 분석에서 대기보정이 안 된 경우에는 대상물에 대한 반사도 차이를 추출하는데 오차가 발생한다. 한 시기의 영상에서 추출한 생물리량과 다른 시기에 수집한 영상에서 추출한 생물리량을 비교하기 위한 시계열 분석을 위해서는 대기에 의한 산란, 흡수, 감쇄 효과를 대기보정을 통해 제거하여 정규화된 표면반사도를 이용하여 분석하여야 한다.

본 연구는 다중분광위성자료의 대기보정에 따른 반사도 및 식생지수의 영향을 평가 하였다. Landsat-8(L8)과 Sentinel-2(S2)위성의대기상층반사도(TopOfAtmosphere Reflectance; TOA-R)와 대기보정을 통해 산출된 표면반사도(Surface Reflectance; S-R)를 지상 계측센서로 측정된 NDVI와 비교를 통해 정확도를 산정하였다. 다음으로 마늘/양파 주산지인 합천지역에 취득된 L8과 S2영상에 대해 TOA-R과 S-R의 각 밴드별 반사도, 식생지수의 상호 일치율을 비교하였다. 일치율 비교는 1) 마늘/양파 재배지의 시계열 영상에 대한 반사도 값, 2) 동일한 날짜에 촬영된 영상에서 서로 다른 토지피복에 대한 반사도 값을 비교하였다.

2. 이론적 고찰

1) 대기보정

다중분광위성은 태양에너지에 반사되는 지표의 에너지를 여러개의 분광대역에따라 각각 수집는 수동형(Passive) 센서이다. 대기가 없는 이상적인 경우 위성이 관측하게 되는 복사휘도는 태양의 복사조도, 지표의 반사율, 위성 밴드별 평균 분광조도 그리고 태양–지구–위성간의 기하관계에 의해 계산된다. 하지만, 지구는 대기를 가지고 있기 때문에 위성이 받는 에너지 값은 Fig. 1와 같이 직간접적으로 대기의 산란, 흡수, 복사와 같은 다양한 대기효과의 영향을 받아 실제 지표의 에너지와 많은 차이를 보일 수 있다.

Fig. 1. Atmospheric Effect.

대기가 없는 이상적인 경우 외기권에서의 Sun Irradiance를 E_λ라 하고 태양 천정각(Sun Zenith)를 θ라 하면 Ground Irradiance는 E_λ·cosθ로 표현된다. 따라서 센서 파장 대(Δλ)의 평균 분광조도를 E_Δλ, 지표의 반사율을 R이라고 할 때 반사된 에너지가 반구모양으로 발산된다고 가정하면 복사휘도(Radiance) 측정치인 L은 다음의 식(Richter and Schläpfer, 2005)을 통해 알 수 있다.

L = E_Δλcosθ·λR/π       (1)

대기를 고려할 경우 대기 통과 경로에 따른 대기 투과율(T), 대기 및 인접지역에서 산란되어 반사지점에 영향을 미치는 Sky Radiance(E_D), 지표에 도달하지 않고 대기 및 인접지역에서 산란되어 센서에 영향을 미치는 Path Radiance(L_P)들을 식 (2)와 같이 고려해야 하며 지표가 받는 복사량(E_G)은 식 (3)와 같다.

L = L_path + L_reflected = L_path + RT_øE_G/π       (2)

EG = E_ΔλT_θ cosθ Δλ + E_D       (3)

식(1), (2), (3)로 센서에 도달하는 Radiance는 식 (4)과 같고 화소 값과 Radiance의 관계를 설명할 수 있다.

\(L=\frac{R T_{a}}{\pi}\left(E_{\Delta \lambda} T_{\theta} \cos \theta \Delta \lambda+E_{D}\right)+L_{P}\)       (4)

대기 감쇄 영향(Path Radiance)을 제거하기 위한 대기보정의 경우 계산이 매우 번거롭고 다양한 대기변수들을 고려하는 것이 어렵기 때문에 주로 복사전달모델(Radiative Transfer Model)을 기반을 둔 조견표(Look Up Table)를 활용하는 경우가 많다(Yeom, 2014). 복사전달 모델은 미 공군 지구물리 실험실에서 개발된 MODerate resolution atmospheric TRANsmission; MODTRAN(Berk et al., 1999)과 MODIS 위성의 대기보정 알고리즘 기반인 Second Simulation of a Satellite Signal in the Solar Spectrum – Vector(Vermote et al., 1997)가 대표적으로 많이 사용되고 있다.

2) 식생지수

식생의 잎에는 다량의 엽록소가 포함되어 있다. 엽록소는 가시광선 영역과 근적외 영역에서 반사특성이 다르다. 따라서 두 파장의 반사율 차이를 이용하여 식생 내 엽록소의 상대적인 양을 추정 할 수 있다. 약 50개 이상의 다른 식생지수가 원격탐사에서 사용되고 있으나(Bannari et al., 1995), 본 연구에서는 정규화 식생지수(Normalized Difference Vegetation Index; NDVI)를 사용하여 S-R 변환 전후 식생지수의 영향을 분석하였다. 사용된 식생지수는 농업 모니터링 및 식생 활력도 측정에 광범위하게 사용된다.

Rouse et al.(1974)은 건강한 식생은 적색영역(ρ(RED))은 대부분 흡수하고 적외선영역(ρ_(NIR))은 50% 이상을 반사하므로 적외선 부분에서 밝게 나타나는 반면에 병든 식생은 적외선의 반사율이 감소하며 적색영역의 반사율이 증가하는 특성을 이용하여 식 (4)와 같이 NDVI 계산식을 개발하였다. 일반적으로 많이 알려진 NDVI는 주로 식생 활력도를 나타내며, -1.0

\(N D V I=\frac{\rho(N I R)-\rho(R E D)}{\rho(N I R)+\rho(R E D)}\)       (4)

3. 연구방법

위성영상의 농업관측 활용에 앞서 대기보정 효과 분석을 위한 본 연구의 시간적 범위는 2017년 5월부터 2018년 5월까지 약 1년동안으로 하였다. 공간적 범위는 현장식생지수 계측장치가 설치된 전북 완주군 국립농업과학원 운동장과 실제 작물을 대상으로 분석하기 위해 마늘/양파 주산단지인 합천 지역을 선정하였다(Fig. 2).

Fig. 2. Study Area (a) Location of Wanju (green), Hapcheon (yellow) and Satellite Zone boundary (b) S2 image with Wanju (c) L8 image with Hapcheon.

취득된 모든 영상은 cloud over가 10% 이하인 영상을 기준으로 완주 농업과학원의 경우 L8 위성 15장, S2 위성 13장이며, 합천지역은 L8 위성 5장, S2 위성 6장을 취득하였다(Table 2). 취득한 위성영상의 동일한 위치의 식생지수 및 반사도 추출을 위해 본 연구에서는 고해상도인 S2 영상을 기준영상으로 L8 영상에 대해 기하보정(Co-Registration)을 수행하였다. 각 영상별로 동일한 5개 내외의 기준점을 이용하여 Referencing을 하였으며 그 결과 RMSE는 1pixel 이하로 나타났다.

Table 2. Data collecting information

¹⁾ Universal Time Coordinated; ²⁾ National Institute of Agricultural Sciences

L8 위성의 경우 Level 1C(L1C) 영상은 DN으로 취득되기 때문에 영상의 메타데이터를 참조하여 TOA-R 변환을 수행하였다. S2 영상의 경우 취득시 태양각 천정각 보정이 완료된 TOA-R로 제공된다.

S-R 산출을 위해 본 연구는 MODTRAN 복사전달코드를 이용하는 Atmospheric and Topographic CORrection(ATCOR) 모듈을 이용하여 S-R를 산출하였다. 다음으로 식생지수 영향 분석을 위해 NDVI를 산정하여 시계열 비교 및 분석하였다. 데이터의 정확도 검증을 위해서는 농업과학원에 설치된 식생지수 계측장비인 Spectral Reflectance Sensor(SRS) sensor와 비교하였다(Fig. 3).

Fig. 3. Flow Chart

1) SRS

적색 및 근적외선 파장대의 복사조도(Irradiance)와 복사휘도(Radiance)를 측정할 수 있는 센서를 이용하여 자체적으로 보정계수를 생산하고 NDVI를 측정하는 Spectral Reflectance Sensor(SRS, Decagon Devices, Pullman, WA)를 사용하여 위성영상에서 산정된 NDVI와 비교/검증하였다. SRS 센서는 근적외선 밴드와 적색 밴드의 스펙트럼 반사율을 산정하기 위해 대기를 통해 입사되는 복사량과 지표면에서 반사되는 복사량을 각각 정하여 그 비율을 식 (5)와 같이 계산한다(Decagon devices, 2014).

\(NDVI=\frac{R_{n} / I_{n}-R_{n} / I_{r}}{R_{n} / I_{n}+R_{r} / I_{r}}=\frac{\left(I_{r} / I_{n}\right) R_{n}-R_{r}}{\left(I_{r} / I_{n}\right) R_{n}+R_{r}}=\frac{\alpha R_{n}-R_{r}}{\alpha R_{n}+R_{r}} \cdots\)       (5)

여기서, R_n, R_r은 각각 반사되는 근적외선과 적색 밴드의 복사량, I_n, I_r은 각각 입사되는 근적외선과 적색 밴드의 복사량, α는 입사 근적외선 밴드 복사량에 대한 입사 적색 밴드 복사량의 비율이다. 근적외선과 적색 밴드의 입사 및 반사 복사량을 측정하기 위해 SRS 센서는 지표면과 수직 방향로 상부를 향해 설치하는 센서(Hemispherical sensor)와 측정하고자 하는 대상을 향해 설치하는 센서(Field stops sensor) 및 이들 센서로부터 측정값을 입력받아 저장하는 로거(Logger)로 구성되어 있다(Fig. 4).

Fig. 4. SRS Sensor.

2) 위성자료

S2는 농업관측, 산림감시, 토지이용변화 탐지 및 자연재해 모니터링과 같은 지상관측을 수행하는 유럽우주국(European Space Agency)에서 코페르니쿠스 프로그램의 일환으로 개발된 지구관측위성이다. Pushbroom 형식으로 290 km의 넓은 관측 폭을 가지며, 최대 10 m급 공간해상도, 2~3일의 짧은 재방문 주기와 더불어 전처리가 완료된 위성영상의 제공 등을 통해 농업관측에 활용가능성이 매우 높다. 동일 궤도의 2개 위성(2A, 2B)으로 구성되며, 2개의 위성체는 180° 떨어져 있다. S2는 13개 밴드의 다중분광 위성으로 10 m 해상도의 가시근적외밴드 4개, 20 m 해상도의 식생적색경계밴드 3개, 단파적외선밴드 2개, 협대역근적외밴드 1개, 60 m 해상도의 수증기, 대기단파적외선, 연안 에어로졸 각각 1개씩의 밴드를 포함하고 있다.

ETM+와 ALI 센서의 다음 세대인 L8 OLI는 감지기들이 선형으로 배열된 Push-broom센서로, 긴 integration 시간으로 높은 SNR(~130:1)의 자료를 획득할 수 있다. 공간 해상도는 30 m로 ALI와 ETM+와 동일하지만, 12 bit의 방사 해상도는 전 세대 센서인 ETM+의 8 bit보다 개선되어 더 정밀한 복사 에너지 값을 기록할 수 있다. 클로로필 흡수 파장대인 443 nm 중심의 해안/에어로졸 관련 밴드가 추가된 것이 특징이다. Fig 5는 본 연구에서 사용된 L8위성과 S2 위성의 밴드대역폭을 나타내며 Table 3는 두 위성의 다중분광센서에 대한 제원을 나타낸다.

Fig. 5. Comparison of L8 & S2 band (EROS, 2018).

Table 3. Comparison of L8 & S2

3) 대기보정

원격탐사의 에너지원인 태양복사에너지가 대기권을 통과하여 지표에 도달하고 다시 센서로 도달하는 동안 대기투과도에 의해 산란, 흡수, 투과등의 영향을 받게되며, 대기보정은 태양복사에너지 및 대기투과도를 계산하여 실제 지표면이 받는 에너지를 산출한다. 본 연구에서는 MODTRAN 복사전달 코드를 기반으로 하는 상용 소프트웨어인 ATCOR를 사용하였다.

ATCOR에 사용된 입력변수의 경우 영상획득당시의 시간을 이용하여 지구–태양거리, 태양–위성–지구와 위치관계(각도), 해당지역의 고도, 그리고 촬영지역의 대기 파라미터(습도, 에어로졸, 가시거리 등)을 입력하게 된다. 본 연구서는 MODTRAN 표준 대기모델인 Mid-Latitude, Rural 모델을 사용하였으며 촬영일에 따라 기상청 기상자료를 참조하여 대기 파라미터와 Summer, Winter, Spring/Autumn aerosol Model을 선택하여 사용하였다. Fig. 6은 마늘/양파 주산지인 합천지역의 L8(RGB) 영상과 S2(NGB) 영상의 대기보정 전/후 영상을 나타낸다.

Fig. 6. Before and after atmosphere correction Image (a) Before correction RGB (B) After correction RGB (c) Before correction NGB (d) After Correction NGB.

4. 결과 및 고찰

1) 반사도 변환

대기보정 후 S-R와 지상에서 계측된 반사도 값을 비교하기에 앞서 태양 천정각 보정(Chavez, 1996)에 따른 반사도 변화를 분석하였다. Fig. 7은 L8 위성의 대기보정된 S-R와 태양 천정각 보정 유무에 따른 밴드별 TOA-R 시계열 변화를 나타내며, Table 4는 SR과 TOA-R의 차이에 대한 통계값을 보여준다.

Table 4. Difference between S-R and TOA-R Due to sun angle correction

Blue 밴드를 제외한 모든 밴드에서 TOA-R과 S-R의 차이는 천정각 보정 후 낮게 나타났으며, 상관계수의는 모든 밴드에서 천정각 보정 후 높은 상관성을 보였다. 태양의 천정각이 높은(30° 이상) 시기의 경우 천정각 보정효과가 큰 것으로 나타났다. TOA-R과 S-R의 상관성 분석 결과 보정 후 blue 밴드를제외한 모든 밴드에서 0.88 이상의 높은 상관성이 나타났으며 Blue 밴드는 보정 전 상관계수가 0.28에서 보정 후 0.79로 높아졌다. 하지만 반사도의 차이는 2.4%에서 6.1%로 커지는 현상을 보였다.

S2 위성과 L8 위성은 촬영 시 viewing zenith angle이 거의 0도(L8: Nadir, S2: 0~5°) 이기 때문에 대기보정 된 S-R과 태양 천정각 보정을 수행한 TOA-R을 비교하면 대기효과에 따른 반사도 차이를 알 수 있다. Fig 7에서 확인할 수 있듯이 보정 후 BLUE 밴드의 TOA-R은 SR과 일정간격의 Offset을 보이기 때문인 것으로 판단된다. BLUE 밴드는 파장대역은 짧은(400nm) 대역을 가진다. 대기 중 산란을 일으키는 입자는 지름이 상대적으로 작기 때문에 짧은 파장대역에서 반응하고 레일리 산란 효과를 가져온다. 대기보정을 할 경우 이러한 산란효과를 제거하기 때문에 Blue 밴드에서 TOA-R과 S-R이 Offset 가지는 것으로 판단된다.

Fig. 7. Comparison of TOA-R with Sun angle Correction and S-R of L8 (a) Blue Band (b) Green Band (c) Red Band (d) NIR Band (e) Sun Zenith Angle.

S2 위성의 경우 L8 위성과는 다르게 L1C Product가 태양 천정각이 보정된 TOA-R 를 원본자료로 제공한다. TOA-R와 대기보정 후 산정된 S-R 비교 결과 S2 위성 또한 L8과 유사한 경향을 보이며, 대기산란효과가 제거된 blue 밴드대역에서 S-R이 TOA-R 보다 낮게 나타났다(Fig. 8). NIR 밴드의 경우 L8 위성과는 다르게 TOA-R와 SR의 차이가 상대적으로 크게 나타났다(Fig 8(d)). NIR 밴드가 수증기 흡수대역을 포함하는 대역(840nm)에 있어 수증기 흡수 효과인 것으로 판단된다(Zhang et al., 2018).

Fig. 8. Comparison of TOA-R and S-R of S2 (a) Blue Band (b) Green Band (c) Red Band (d) NIR Band.

2) 식생지수 비교

대기보정을 통해 산출된 S-R의 정확도 검증을 위해 본 연구는 연구지역에 설치된 SRS 센서를 통해 계측된 NDVI값을 기준으로 영상에서 산출된 TOA-R과 S-R을 비교하였다. NDVI는 비율로 구해지는 함수이기 때문에 Red 밴드와 NIR 밴드에 태양천정각 보정을 할 변하는 비율이 동일하다. 따라서 TOA-R의 태양각 보정 전후 NDVI 값은 변하지 않는다. 하지만 대기보정의 경우 밴드별, 위치별 대기효과가 다르기 때문에 NDVI도 다르게 산출된다. NDVI 정확도 분석을 위해 위성이 촬영되는 시각 전/후 10분 동안 계측된 SRS 데이터를 수집하여 평균한 NDVI 자료와 위성에 산출된 NDVI 값을 비교하였다.

Fig. 9와 10은 각 위성과 SRS NDVI 값의 시계열 변화와 산점도를 나타낸다. 위성과 SRS로 계측된 NDVI 값의 상호 비교를 관측된 값들의 차이를 계산하였다. L8 위성의 경우 TOA-R과 SRS NDVI의 1차선형식에서 차이값의 편차량을 의미하는 기울기는 대기보정 전 1.12에서 보정 후 1.06으로 감소하였다. 실제 NDVI 편차량은 보정 전 평균 0.035에서 보정 후 0.018로 감소하였으며 표준편차 또한 보정 전 0.08에서 0.06으로 낮아졌다.

Fig. 9. Comparison of NDVI between L8 and SRS sensor (a) TOA-R (b) S-R (c) Scatter plot of NDVI (TOA-R) (d) Scatter plot of NDVI (S-R).

Fig. 10. Comparison of NDVI between S2 and SRS sensor (a) TOA-R (b) S-R (c) Scatter plot of NDVI (TOA-R) (d) Scatte plot of SRS NDVI (S-R).

결정계수(R²)는 대기보정 전 0.82에서 대기보정 후 0.91로 상승하였다. 따라서, 대기 보정을 통해 산출된 S-R이 TOA-R보다 지상 센서로 계측된 NDVI값에 높은 일치율을 나타냈다.

S2 위성의 경우 편차량을 의미하는 기울기는 대기보정 전 1.13에서 대기보정 후 1.004로 감소하였다. 실제 NDVI 편차량은 SRS를 기준으로 대기보정 전 0.024에서 대기보정 후 0.013으로 감소하였으며 표준편차는 보정 전 0.07에서 0.06으로 낮아졌다. 결정계수(R²)는 대기보정 전 0.83에서 대기보정 후 0.85로 미소하게 상승하였다. 하지만 S2는 L8보다 결정계수가 낮게 나타났으며, 식생 활력도가 낮은 겨울철에 S-R이 상대적으로 과대 추정되었음을 확인 할 수 있다(Fig. 10).

농업관측에서의 식생의 생육 및 작황을 위해 위성영상을 사용할 경우 영상의 정량적 값을 도출하고 분석하기 위해서는 대기보정된 영상을 사용하는 것이 그 정확도를 높일 수 있다. 하지만 복잡한 연산 및 대기파라미터를 취득하지 못할 경우 단순한 태양각 보정을 할 경우 식생지수와 같은 비율함수가 아닌 반사율의 경향과 같은 패턴분석에 오차를 줄일 수 있을 것으로 판단된다.

3) 마늘, 양파 주산지 식생지수 분석

위성영상의 S-R 변환에 따른 식생지수를 평가하기 위해 본 연구에서는 실제 작물의 적용을 위해 합천 지역의 생육주기를 고려한 영상을 분석하였다. 마늘/양파의 경우 연구지역에서 12월에 파종되어 6월 전후로 수확되는 작물로서 주산지인 합천지역에서 수집된 영상을 이용하여 대기보정에 따른 반사도 및 식생지수 영향을 상호 비교 하였다.

<>Fig. 11는 L8과 S2영상의 red, NIR 밴드대역의 반사도를 나타낸다. S2 위성의 경우 대기보정후 NIR 밴드 대역에서 반사도가 높아지는 경향을 보였다. 이는 앞선 농업과학원 운동장에 촬영된 영상에서도 동일하게 나타났으며, L8과 다르게 NIR 밴드대역폭이 수증기 흡수대역에 걸쳐있기 때문인 것으로 판단된다. L8 위성의 경우 태양각보정을 거친 TOA-R와 대기보정된 S-R를 비교하였으며 NIR 밴드의 경우 S2 위성에 비해 변화폭이 상대적으로 작게 나타났다. L8 위성의 NIR 밴드 대역폭이 매우 작고 수증기 흡수영역을 제외하여 설계되었기 때문이다. Red 밴드의 경우 두 위성 모두 유사한 경향을 나타났으나 2월 ~ 4월 사이에 대기보정된 반사도는 에어로졸의 영향으로 낮아지는 경향을 보였다. Fig. 12는 대기보정 전후 위성간 NDVI를 비교하였다. 동일시기의 촬영된 위성영상을 활용할 경우 정량적인 분석이 가능하지만 취득된 모든 영상에서의 동일날짜 데이터는 존재하지 않아 경향을 분석하였다. 대기보정 후 NDVI는 대기보정 전 NDVI 보다 모든 영상에서 0.05 ~ 0.1이 상승하였으며 특히 식생활력도가 높은 마늘/파를 수확하기 직전 NDVI는 대기보정 후 크게 상승하였다

 

Fig. 11. Atmospheric correction of time-series reflectance in Hapcheon onion and garlic (a) S2 red band (b) S2 NIR band (c) L8 red band, (d) L8 NIR band.

Fig. 12. Before and After Atmospheric Correction of Time-series trend NDVI in Chang-nyeong Onion and Garlic (a) before correction (b) after correction.

합천지역의 위성영상 분석에 대한 지상계측자료가 없어 본 연구에서는 동일한 날짜(2018월 4월 25일)에 촬영된 S2 영상과 L8 영상에 대해 상호 비교를 하였다. 두 위성의 촬영시간은 약 15분 차이가 나기 때문에 대기에 영향이 거의 동일하다고 가정하였다. 서로 다른 반사 특성을 가지는 아홉 지역을 선정하여 대기보정 전/후 각 영상별 NDVI를 선정하였다. 선정 시, 위성영상의 해상도를 고려하여 최소 3 × 3 pixel(90 m × 90 m) 이상의 지역을 선택하였다(Fig. 13).

Fig. 13. Different type of land cover for intercomparsion NDVI.

Table 5은 서로 다른 토지피복에 대하여 대기보정 전/후 NDVI를 비교 한 결과를 나타낸다. 대기보정 전(TOA-R) 결과와 대기보정 후(SR-R)결과에 대한 차이는 모든 토지피복에서 대기보정 후 NDVI가 증가하였다. 특히높은 식생 활력도를 보이는 마늘, 양파 그리고 산림의 경우 NDVI가 0.1의 차이를 보였다. 수역의 경우 L8과 S2의 변화량이 큰 차이를 보였는데 이는 수증기의 대기보정 효과인 것으로 판단된다. 앞선 결과와 더불어 NIR 밴드는 수증기에 민감하기 때문에 위성영상을 농업분야에 활용함에 있어 NIR 밴드의 대기보정은 NDVI 분석에 있어 매우 중요한 과정으로 볼 수 있다.

Table 5. NDVI difference atmosphere correction of land cover type

Fig. 14은 S2 위성의 두 개의 NIR 밴드에 대한 대기보정 전/후 합천지역의 마늘/양파 경지의 S-R값을 나타낸다. S2의 경우 수증기에 민감한 밴드대역폭을 고려한 NIR 밴드가 2개로 존재한다. 대기상단 반사도와 대기보정 후 산정된 S-R비교 결과 NIR(a) 밴드는 NIR 밴드에 비해 반사도 차이가 적게 나타났다. 이는 Fig. 15와 같이 밴드대역폭 차이에서 볼 수 있다. S2위성의 NIR(a)의 경우 L8의 NIR 밴드와 유사한 밴드폭을 가진다. 하지만 NIR(a) 밴드의 경우 공간해상도 NIR 밴드에 비해 2배 큰 20m를 가지기 때문에 영상의 활용에 있어 적정 밴드 선택은 사용자의 활용 목적에 맞게 선택되어야 한다. 향후 다운스케일링 효과, 지오레퍼런싱 그리고 분석지역의 면적을 고려하여 S2 위성의 NIR(a) 밴드에 대한 분석이 필요할 것으로 사료된다. 또한 밴드폭 문제를 해결하기 위해서는 향후 두 영상간의 밴드폭 보정 인자인 Spectral Band Adjustment Factor를 적용한 연구가 필요하다.

Fig. 14. NIR Bands S-R, TOA-R of S2.

Fig. 15. RSR of S2 & L8 Band.

5. 결론

본 연구는 원격탐사 자료의 농업활용에 앞서 S-R 변환에 따른 식생지수의 영향을 평가하기 위해 지구관측위성중 가장 활용이 많이 되고 있는 두 위성에 대하여 대기보정을 수행하고 그 결과를 비교/분석하였다.

NDVI 분석에 앞서 L8 영상의 태양각 보정유무에 따른 TOA-R과 S-R의 차이를 비교한 결과 Blue 밴드를 제외한 모든 밴드에서 천정각 보정 후 차이가 감소하였다. 태양의 천정각이 높은(30° 이상) 시기의 경우 천정각 보정효과가 큰 것으로 나타났다. 지상센서 계측자료와 위성영상의 식생지수를 비교 분석한 결과 L8은 SRS 센서와 NDVI 차이가 대기보정 전 0.035에서 보정 후 0.018로 감소하였다. 결정계수의 경우 대기보정 전 0.82에서 보정 후 0.91로 높아졌다. S2는 SRS 센서와의 NDVI 차이가 대기보정 전 0.024에서 보정 후 0.013으로 감소하였다.

합천 지역의 마늘/양파 재배지에서 다중시기 영상에 대하여 대기보정 전/후 NDVI를 비교한 결과 든 시기에서 대기보정 수행 후 NDVI가 0.05 ~ 0.1 상승하였다. 특히 식생 활력도가 높은 수확직전의 시기의 경우 NDVI 상승폭이 크게 나타났다. 동일날짜에 촬영된 단영상의 상호비교를 위해 서로 다른 반사 특성을 가지는 토지피복을 선정하여 대기보정 전/후 영상별 NDVI를 산정하였다. 앞선 마늘/양파 경향분석과 동일하게 모든 토지피복에서 NDVI가 대기보정 후 높아졌으며 식생활력도가 높은 마늘, 양파 재배지역과 산림의 경우 0.1 이상의 NDVI 변화를 보였다. 수역의 경우에는 L8과 S2의 NDVI 변화량의 차이를 보였는데 이는 수증기 대역의 영향으로 판단된다.

하지만 합천지역은 실제 반사도나 NDVI 측정이 되지 않아 직접비교에는 한계가 있으며, 향후 마늘/양파의 생육자료, 지상반사도 계측 자료, 수확량 자료를 연계하여 대기보정에 따른 세밀한 시계열 분석이 필요하다. 또한 대기보정에 있어 복사전달 모델이 아닌 Dark Object를 사용하는 영상기반의 대기보정방법에 대해 고려해볼 필요가 있다.

위성영상을 농업분야에 활용함에 있어 NIR 밴드의 대기보정은 NDVI 분석에 있어 매우 중요한 과정으로 볼 수 있다. 이적으로 동일시간대에 촬영된 위성자료의 경우 동일한 반사도나 식생지수를 보여야 하지만 영상해상도 차이에 따른 위치 불일치 문제와 각 위성이 가지는 밴드대역(NIR 밴드)에 따른 영향을 보였다. 향후 이러한 문제를 해결하기 위해 위성 밴드대역폭 차이를 해결할 수 있는 밴드조정계수 적용이 필요하다.