Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Atmospheric Correction Issues of Optical Imagery in Land Remote Sensing

육상 원격탐사에서 광학영상의 대기보정

  • Received : 2019.12.06
  • Accepted : 2019.12.27
  • Published : 2019.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

As land remote sensing applications are expanding to the extraction of quantitative information, the importance of atmospheric correction is increasing. Considering the difficulty of atmospheric correction for land images, it should be applied when it is necessary. The quantitative information extraction and time-series analysis on biophysical variables in land surfaces are two major applications that need atmospheric correction. Atmospheric aerosol content and column water vapor, which are very dynamic in spatial and temporal domain, are the most influential elements and obstacles in retrieving accurate surface reflectance. It is difficult to obtain aerosol and water vapor data that have suitable spatio-temporal scale for high- and medium-resolution multispectral imagery. Selection of atmospheric correction method should be based on the availability of appropriate aerosol and water vapor data. Most atmospheric correction of land imagery assumes the Lambertian surface, which is not the case for most natural surfaces. Further BRDF correction should be considered to remove or reduce the anisotropic effects caused by different sun and viewing angles. The atmospheric correction methods of optical imagery over land will be enhanced to meet the need of quantitative remote sensing. Further, imaging sensor system may include pertinent spectral bands that can help to extract atmospheric data simultaneously.

육상 원격탐사에서 정량적 활용이 확대됨에 따라 대기보정의 중요성이 날로 증가하고 있다. 그러나 대기보정 처리의 난이도와 효과의 불확실성을 감안한다면, 대기보정은 필요한 활용 분야에 적용되어야 한다. 광학영상의 대기보정이 반드시 필요한 분야로 지표물의 생물리적 변수의 정량적 정보를 추출하는 경우와 시계열 자료 분석을 꼽을 수 있다. 지표물의 정확한 표면반사율을 도출하는 대기보정에서 가장 큰 영향을 미치는 요소는 시공간적으로 매우 가변적인 에어로졸 및 수증기량이다. 특히 고·중해상도의 다중분광영상 대기보정에서 시기와 공간해상도가 부합되는 에어로졸 및 수증기 자료를 얻는 데 어려움이 많다. 광학영상의 육상 대기보정에서는 대기자료의 획득 방법에 따른 적절한 기법의 적용이 필요하다. 육상 대기보정은 렘버시안 표면 가정으로 표면반사율이 산출되지만, 대부분의 지표면은 이방성 반사특성을 가지고 있기 때문에 BRDF보정이 추가적으로 적용되어야 하는 숙제를 가지고 있다. 육상지역의 광학영상 대기보정 방법은 지속적인 개선이 전망되며, 센서도 대기보정을 위한 추가적인 파장밴드 포함이 기대된다.

Keywords

1. 서론

광학영상의 신호값은 지표면에서 반사된 순수한 신호에 추가하여 지표면과 전혀 관계없이 대기 입자에 의하여 발생한 부수적인 신호를 포함하고 있다. 대기영향은 결국 센서에서 감지된 복사량(at-sensor radiation)과 지표물에서 반사된 복사량(Earth-leaving radiation)의 차이에 해당되며, 이는 종종 정확한 정보를 추출하는 데 방해요소로 작용한다. 광학영상에 미치는 대기영향은 대기상태에 따라 좌우되지만 전자기파의 파장과 밀접한 관련이 있다. 상대적으로 파장이 긴 적외선 영상은 파장이 짧은 가시광선 영상보다 대기 산란의 영향을 덜 받게 된다. 대기 흡수는 수증기 및 오존과 같은 대기 입자가 흡수하는 특정 파장 영역에 국한하여 발생한다.

대기보정(atmospheric correction)은 센서에서 감지된 영상 신호에서 대기 입자에 의해 발생한 산란 및 흡수 등 대기영향을 제거 또는 최소화하는 처리과정을 의미한다. 광학영상의 개략적인 대기보정 과정은 Fig. 1에서 보여주는 데, 센서에서 생성된 영상의 화소값(digital number, DN)을 주로 표면반사율(surface reflectance, ρ)로 전환하는 과정이라 할 수 있다. 영상의 DN값은 센서에서 감지된 복사휘도(L)를 수치화한 상대적인 밝기값이다. DN으로부터 복사휘도 L은 절대복사보정계수 (absolute radiometric calibration coefficients)를 적용하여 얻을 수 있는데, 이 보정계수는 위성 발사 전에 실험실에서 얻어진 초기값을 기초로 발사 후에 지상표적을 이용한 대리검보정(vicarious calibration) 과정을 통하여 주기적으로 갱신된다. 복사휘도 L을 태양 복사조도(solar irradiance)로 나누면 센서에서 관측된 반사율(top-ofatmosphere reflectance, ρTOA)이 되는데, 초기 시계열 영상의 분석과정에서 계절 및 시간에 따라 변하는 태양 복사조도(ESUN)와 태양 천정각의 차이를 보정한 신호로 사용되었다(Eidenshink, 1992).

OGCSBN_2019_v35n6_3_1299_f0001.png 이미지

Fig. 1. Categorization of remote sensing signals by processing level in optical imagery.

두 종류의 신호값(L, ρTOA)은 여전히 대기영향을 포함하고 있기 때문에 지표물의 특성을 나타내는 순수한 신호로 사용될 수 없지만, 대기보정 과정에서 반드시 필요한 중간값으로서의 역할을 한다. 대기보정을 통하여 산출되는 표면반사율은 우리가 정보를 얻고자 하는 대상 지표물의 생물리적 특성과 직접적으로 관련된 순수한 신호값이라 할 수 있다. 초기 영상신호인 DN에서 지표물과 관계없는 잡음을 최소화한 신호값을 도출하는 일련의 과정을 복사보정(radiometric correction) 또는 방사보정이라고도 하며, 따라서 대기보정 또한 복사보정의 일부분으로 해석할 수 있다. 그러나 본 논문에서는 DN에서 주로 표면반사율을 도출하는 Fig. 1의 과정을 대기보정이라고 지칭한다.

대기보정은 해양이나 대기 원격탐사에서는 매우 중요한 처리 과정이지만, 육상 원격탐사에서는 최근에 들어 그 중요성이 강조되고 있다. 대기보정 처리의 중요성은 영상신호에 포함된 대기영향의 상대적 비중에 따라 좌우된다. 가령 해양이나 호수에서 반사되는 복사량은 토양이나 식생 등 육지보다 매우 낮기 때문에 동일한 대기영향에도 센서에서 감지된 복사휘도에서 대기에 의하여 발행한 신호의 비중이 훨씬 크게 나타난다. 초기 해양위성센서인 Coastal Zone Color Scanner (CZCS)의 가시광선 영상에 기록된 해양과 육지의 복사휘도에서 대기영향을 추정한 결과, 물에서는 대기영향이 영상신호의 50~85%를 차지할 정도로 크지만 육지에서는 대기영향이 25~40%로 상대적으로 작게 나타났다(Cracknell and Hayes, 1991). 따라서 해색(ocean color) 및 강과 호수의 수질과 관련된 원격탐사에서는 대기효과 보정에 관련된 연구가 일찍부터 시작되었다(Gordon and Clark, 1981; Sturm, 1981). 반면에 육상 원격탐사에서 대기보정은 상대적으로 관심을 낮았는데, 그 이유는 가시광선 및 적외선 파장대의 영상에서 대기영향이 상대적으로 크지 않았고 또한 육상 원격탐사의 주된 활용이 토지피복분류 등과 같은 정성적 분야에 치중했기 때문이다.

최근 급증하고 있는 지구관측위성에서 다양한 종류의 영상들을 함께 이용하는 경우가 많고, 지표물의 생물리적 특성과 관련된 정량적 정보를 요구하는 추세에 따라 육상 원격탐사에서도 대기보정의 필요성이 날로 증가하고 있다. 본 논문의 목적은 육상 원격탐사에서 광학영상의 대기보정 필요성과 현재의 처리방법 등을 검토해보고자 한다. 더 나아가 현재 대기보정 방법의 한계와 이를 극복할 수 있는 기술 발전 방향을 제시하고자 한다.

2. 대기보정 필요성

육상 원격탐사에서 대기보정은 모든 활용분야에 반드시 필요한 처리 과정은 아니다. 대기보정 처리는 많은 노력과 시간이 요구되는 복잡한 과정이고, 그 효과 또한 충분히 검증되기 어려운 경우도 있다. 최근 대기 보정의 중요성이 강조되고 있지만, 대기보정이 반드시 필요하지 않은 활용 분야에도 보정 처리를 하는 경우를 볼 수 있다. 육상 원격탐사에서 대기보정의 필요성 여부는 결국 얻고자 하는 정보와 관련된 활용분야에 따라 결정할 수 있다(Table 1).

Table 1. Reasons of atmospheric corrections by application fields

OGCSBN_2019_v35n6_3_1299_t0001.png 이미지

광학영상의 대기보정 적용 여부는 영상에서 도출하고자 하는 정보의 성격과 영상신호에 포함된 대기영향의 정도에 따라 결정된다. 식물 및 토양과 같은 육상지표물은 반사되는 복사량이 크기 때문에 영상신호에 포함된 대기영향의 비중이 상대적으로 작다. 대기에 의하여 발생한 영향이 영상신호에 포함되어 있지만, 토지피복을 구분하는데 어려움이 없다면 대기보정을 할 필요가 없다. 가령 영상에서 침엽수림과 활엽수림의 신호값 차이가 뚜렷하다면, 굳이 대기보정을 하지 않아도 된다.이와 같이 단순한 토지피복분류 또는 지형도 제작과 같은 활용분야에서는 대부분 대기보정이 필요하지 않다. 또한 단일 시기에 얻어진 하나의 영상만을 이용하는 경우에도 대부분 대기보정이 필요하지 않다. 심지어 현지 측정자료와 영상신호를 직접 연결하여 식물의 엽면적 지수와 같은 생물리적 변수를 추정하는 실험적 모형을 제작하는 경우에도 그 모형이 특정지역에 국한되어 적용된다면 대기보정을 할 필요가 없다.

대기보정이 반드시 필요하지는 않지만, 여러 장의 영상을 사용하는 활용분야에서는 각 영상마다 다르게 분포하는 대기영향을 어느 정도 정규화(normalization)해줄 필요가 있다. 센서의 촬영폭이나 촬영 면적의 한계로 광범위한 지역을 한 번에 촬영이 어려울 경우에 여러 장의 영상을 집성(mosaicking)하여 하나의 영상을 제작한다. 모자이크에 사용되는 개별 영상들은 서로 다른 시기에 촬영되었고 더 나아가 다른 센서를 이용하여 촬영되는 경우도 많기 때문에 상대적인 복사보정이 필요하다. 집성영상의 용도가 시각적인 판독 효과를 높이기 위한 정성적인 활용 목적이라면 영상의 밝기값을 조정하는 간단한 복사보정 처리로 충분하다. 그러나 집성영상을 이용하여 정량적인 정보를 추출하는 목적이라면 대기보정의 필요성은 증가하게 된다. 특히 최근에 급속도의 기술 발전과 함께 활용이 증가하고 있는 무인기 (unmanned aerial vehicle, UAV) 영상은 수백장 이상의 낱장 영상을 집성하여 사용하기 때문에, 무인기 영상을 이용한 정량적인 정보 추출에 있어서는 집성영상에 대한 세심한 대기보정 기술이 필요하다(Wang and Myint, 2015; Del Pozo et al., 2014).

작물의 생육 상태 변화를 단순히 관찰하고자 하는 정성적인 시계열 분석에서도 대기보정을 통한 표면반사율을 사용할 필요는 없다. 정성적 시계열 변화 분석에서는 여러 시기의 영상들에 포함된 서로 다른 대기의 영향을 유사하게 조정해주는 상대적인 복사보정 처리만으로 충분하다(Song et al., 2001). 우리나라와 같이 산악지형이 많은 지역에서는 사면의 경사와 방위에 따른 태양조도의 차이에 따라 광학영상의 신호값에 왜곡이 발생한다(Lee and Yoon, 1997). 지형에 의한 복사왜곡 정도가 현저히 다른 여러 시기의 영상을 이용하여 산림의 변화를 분석할 때에는 지형 효과의 줄이기 위한 복사보정과 함께 각 시기의 대기상태를 균등화하는 상대적인 대기보정 방법이 고려되어야 한다.

광학영상의 대기보정이 반드시 필요한 경우로는 식물, 토양, 물의 생물리적 특성과 연관된 정량적 정보를 필요로 하는 활용분야다. 예를 들어 산림 또는 농작물의 생육상태와 관련된 엽면적지수, 광합성량, 생체량, 식생지수 등의 인자를 추정하는 모델을 개발하고자 할 때에는, 대기영향에 의하여 발생되는 신호값의 차이가 이러한 인자들로 인하여 나타나는 미세한 차이보다 크기 때문에 반드시 대기보정이 이루어져야 한다(Ahn et al., 2018). 특히 호수 및 강의 수질과 관련된 엽록소 함량의 차이로 나타나는 광학영상의 신호값은 대기산란으로 발생한 신호값보다 작게 나타나므로 반드시 대기보정이 필요하다. 지표물의 생물적 인자의 추정은 실험적 모델 또는 물리적 모델을 이용할 수 있으나, 두 경우 모두 추정모델을 시공간적으로 확장하여 활용할 경우에는 반드시 대기보정을 마친 표면반사율을 이용해야 한다.

육상 원격탐사에서 대기보정이 본격적으로 시작된 분야는 MODIS 저해상도 광학영상을 이용하여 전 지구 규모의 식생 모니터링이라 할 수 있다(Vermote and Vermeulen, 1999; Vermote and Saleous, 2006). MODIS 위성영상은 전 지구를 하루에 촬영할 수 있기 때문에 육지의 식생 모니터링을 위한 식생지수, 엽면적지수, 순생산량, 유효광합성량 등의 산출물을 생산하여 공급하는데, 이러한 산출물은 모두 대기보정을 마친 표면반사율을 기반으로 제작된다.

초분광영상(hyperspectral image)은 분광해상도를 강조한 영상으로 수 백 개의 연속된 파장밴드를 가지고 있으며, 다중분광영상에서 잘 나타나지 않는 미세한 분광특성을 이용하여 정보를 얻고자 개발된 영상이다. 초분광영상은 모든 화소마다 수백개 밴드의 신호값이 얻어지는 데, 초분광영상에서 정보 추출은 대부분 각 화소의 분광반사율을 기반으로 이루어지므로 대기보정을 통한 표면반사율 획득이 필요하다. 초분광영상을 이용하여 특정 지표물의 종류와 특성을 인식하는 과정은 분광라이브러리(spectral library)에 있는 기준 반사율자료와 비교검색을 통하여 이루어지기 때문에 대기보정이 먼저 이루어져야 한다. 초분광영상의 대기보정은 다른 영상자료와 달리 영상에서 대기보정에 필요한 대기정보 (가령 수증기 함량)를 직접적으로 추출할 수 있기 때문에 보다 정확한 대기보정이 가능하다(Kim et al., 2007).

3. 복사전달과 대기영향

대기를 구성하는 입자는 질소와 산소 같은 가스분자와 액체 또는 고체 상태로 분포하는 수증기와 에어로등이 있다. 질소, 산소, 이산화탄소, 아르곤 등이 대부분을 차지하는 가스분자의 농도는 거의 고정적인 비율로 분포하고 있다. 반면에 에어로졸과 수증기의 분포와 농도는 지역과 시기에 따라 매우 가변적이다. 에어로졸은 건조지역에서 발생한 토사입자, 화산에서 분출된 재, 바닷물의 표면에서 증발된 미세한 소금가루 등 자연적 발생원이 있으며, 화석연료의 연소와 산업 활동으로 인하여 발생하는 먼지와 분진 등이 있다.

전자기파는 대기층을 통과하면서 대기를 구성하는 입자와 충돌하여 산란 및 흡수가 발생한다. 대기 가스 중 산소, 오존, 물, 이산화탄소는 각각 특정 파장 구간에서 전자기파를 흡수하며, 파장에 따라서 흡수량에 차이가 있다. 대기입자의 크기가 파장보다 매우 작은 가스분자에 의하여 발생하는 레일리(Rayleigh) 산란은 주로 가시광선에서 발생한다. 에어로졸과 같이 입자의 크기가 전자기파의 파장과 비슷할 때는 미(Mie)산란이 발생하고, 그보다 입자의 크기 큰 구름 및 수증기 등은 비선택적(non-selective) 산란을 야기한다. 결국 지표면에서 반사된 전자기에너지가 대기 입자와 충돌하여 발생하는 흡수량 및 산란량을 산출할 수 있다면, 위성 또는 항공기 센서에서 감지된 영상 신호에 포함된 대기영향을 제거할 수 있다.

센서에서 감지된 복사휘도 L은 대기영향을 포함하여 매우 복잡한 요소들로 구성되어 있지만, 아주 간단하게 표현하면 식 (1)과 같다. 지표면에 입사되는 복사조도(irradiance)의 총량은 대기권 밖의 태양복사조도 (Eo)가 지구 표면에 도달하기까지 대기투과율(Tz)과 대기산란조도(Ed)에 따라 결정된다. 지표물에서 반사되는 복사휘도는 그 지표물에 입사된 복사조도에 지표물의 반사율(ρ)을 곱하면 얻어진다. 물론 지표물에서 반사된 복사휘도는 지표물의 특성을 나타내는 순수한 신호값이 될 수 있으나, 계절적인 복사조도의 차이로 인하여 지표물과 무관한 변이가 발생하므로 순수한 신호값으로 사용되는 경우가 많지 않다. 지표면에서 반사된 복사휘도는 대기투과율(Tv)에 따라 센서에 도달하는 양이 결정되며, 센서방향으로 산란된 대기복사휘도(Lp)가 더해져 센서에서 감지되는 복사휘도가 된다. 식 (1)은 지표물이 균질의 완전난반사면(Lambertian surface)으로 가정하여 얻어진 복사휘도를 말한다. 지구 표면의 대부분 물체는 완전난반사면의 특성을 갖지 않기 때문에 아래 식 (1)에 의해 얻어지는 표면반사율은 태양의 위치 및 센서의 촬영각에 따라서 다소 차이가 있게 된다. 따라서 태양각 및 촬영각에 따라 발생하는 반사율의 차이를 정규화할 필요가 있다.

\(L=\frac{\left(E_{o} \cos \theta_{z} T_{z}+E_{d}\right) \rho T_{v}}{\pi}+L_{p}\)       (1)

L = at-sensor radiance

Tz = transmittance from sun to target

Eo = Extraterrestrial solar irradiance

θz = solar zenith angle

ρ = surface reflectance

Tv = transmittance from earth to sensor

Ed = diffuse sky irradiance

Lp = path radiance

대기보정은 결국 식 (1)에서 표면반사율 ρ를 구하는 과정인데, 이 식에서 우리가 알고 있는 값은 L, Eo, θz 뿐이다. 미지의 값 Tz, Tv, Ed, Lp를 얻기 위해서는 대기복사 전달 모형을 이용하여 직접적으로 구하는 방법이 있는데, 이를 위해서는 영상과 시공간적 일치하는 대기 자료가 필요하다. 물론 미지의 변수값을 간접적으로 추정하여 대기보정을 실시하는 방법도 있다. 위 식에서 가장 중요한 미지의 변수는 대기투과율이다. 대기 입자 중 가스의 농도는 시공간적으로 변이가 적고 거의 고정적이기 때문에 가스 분자에 의한 산란 및 흡수는 비교적 계산이 용이하다. 가스 분자와 달리 에어로졸 및 수증기의 분포는 시공간적으로 매우 가변적이고 이러한 자료를 얻기 어렵기 때문에, 결국 광학영상의 대기보정에서 가장 핵심적인 부분은 에어로졸과 수증기에 의한 영향을 제거하는 과정이다.

육상 원격탐사에서 널리 활용되고 있는 정규식생지수(normalized difference vegetation index, NDVI)의 산출에 있어서 대기보정의 효과를 비교한 선행 연구에서 에어로졸 산란 보정이 NDVI값에 가장 큰 영향을 미치는 걸로 나타났다(Goward et al., 1991). AVHRR 영상에서 산출된 NDVI가 에어로졸 산란의 보정여부에 따라 활엽수림에서 0.02~0.35 범위의 차이가 나타날 수 있는 데, NDVI값의 범위(-1 ~ 1)를 감안한다면 매우 큰 영향이라 할 수 있다(Vermote et al., 1997; Vermote and Vermeulen,1999). 수증기에 의한 영향은 NDVI 0.04 정도로 에어로졸 다음으로 큰 영향을 미쳤다. 따라서 육상의 광학영상 대기보정에 있어서 에어로졸과 수증기에 의한 산란과 흡수를 정확히 계산하는 게 가장 중요한 과정이라 할 수 있다.

1) 에어로졸 효과 보정

광학영상의 대기보정에서 가장 큰 영향을 미치는 에어로졸에 의한 산란과 흡수를 정확히 계산하기 위해서는 에어로졸광학두께(aerosol optical thickness, AOT) 자료를 얻어야 한다. 에어로졸은 먼지, 소금입자, 분진 등 여러 종류가 있는 데, 각각의 구성비와 농도에 따라서 산란과 흡수가 달라진다. 복사전달모형을 이용한 대기보정에서 에어로졸모델을 지방(rural), 해안(maritime), 도시(urban), 사막(desert), 산불(biomass burning), 대류권 (troposphere) 등의 유형으로 구분하는 데, 각 유형은 에어로졸 종류별 구성비를 달리한 것이다. 에어로졸 영향을 계산하기 위해서는 영상 전체의 AOT값을 단일의 값으로 적용하는 경우와 매 화소마다 AOT값을 구하여 적용하는 방법으로 나눌 수 있다. 물론 에어로졸의 시공간적 분포와 농도가 매우 가변적인 점을 감안한다면, 후자의 경우가 당연히 정확한 방법이지만 육상에서 에어로졸의 정확한 값을 얻는 게 매우 어렵다.

영상의 지리적 범위가 비교적 협소한 고해상도 영상에서는 일반적으로 영상내의 에어로졸 농도가 동일하다는 가정에서 하나의 AOT값으로 처리하며, 적절한 AOT값이 없을 경우 가시거리(visibility)를 적용하기도 한다. 그러나 Landsat이나 Sentinel-2와 같이 수 백km 폭의 지역을 포함하는 중해상도 영상에서는 하나의 AOT값을 전체 영상에 적용하기에는 부적합하다. 엽면적지수와 같은 식물의 정량적 속성정보 추정을 위한 절대대기보정에 있어서 여러 가지 입력변수 중 AOT와 직접 관련된 가시거리가 가장 큰 영향을 미치는 걸로 보고되었다(Mannschatz et al., 2014).

육상지역의 에어로졸을 값을 얻기 위한 방법은 세 가지로 나눌 수 있다. 첫 번째는 지상관측자료를 이용하는 방법이다. 우리나라에도 기상청 및 대학에서 측정되는 에어로졸 관측자료가 있고, 세계적으로 관측망을 연결하여 연속적으로 측정된 AOT값을 제공하는 AERONET 시스템이 운영되고 있다. AERONET 측정값을 이용하여 대기보정을 할 경우 영상지역에 포함되는 관측소에서 측정된 AOT값을 이용하거나, 다수의 관측소를 포함하고 있다면 공간보간법을 이용하여 영상지역과 일치하는 AOT분포 지도를 제작하여 대기보정에 이용할 수 있다(Lee and Lee, 2018).

두 번째 방법은 대기보정 대상인 영상에서 직접 AOT값을 추정하는 방법으로, 다중분광영상에서 반사율이 매우 낮은 지표물(dark object)을 추출하여 에어로졸 영향을 많이 받는 분광밴드와 그렇지 않은 분광밴드에서의 신호의 차이를 이용하는 방법이다. 이 방법은 해색 원격탐사에서 보편적으로 사용하는 방법으로, 해양에서는 바탕이 되는 해수면이 균질의 단일 지표물이므로물의 배경신호를 제외하면 에어로졸 농도의 추정이 비교적 용이하다. 그러나 육상 영상에서는 지표물의 신호값이 상대적으로 크고 또한 지표물 구성이 매우 복잡하기 때문에 에어로졸 농도를 추정하는데 어려움이 많다. 영상에서 AOT를 직접 추정하기 위한 가장 보편적인 방법은 영상에서 dark object를 선정하여 에어로졸 영향을 덜 받는 적외선 밴드 신호와 에어로졸 영향을 많이 받는 가시광선 밴드 신호의 차이를 이용하여 AOT를 추정한다(Kaufman et al., 1997). 이와 유사한 방법으로 Landsat ETM+ 영상에서 육상의 AOT를 추정하는 방법 또한 개발되었다(Liang et al., 2002). 이 방법을 육지 영상에 적용할 경우, 영상에 반드시 dark object가 포함되어야 하는 한계가 있다.

세 번째 방법은 다른 위성자료에서 산출된 AOT 자료를 이용하는 방법이다. 대기오염과 밀접하게 연관된 에어로졸의 측정과 모니터링을 위하여 위성자료를 이용한 에어로졸 측정에 많은 노력을 기울이고 있다. 초기 저해상도 광학영상인 AVHRR(Mei et al., 2019)을 비롯하여 MODIS(Remer et al., 2005) 등 극궤도 저해상도 위성영상을 이용한 AOT 산출물을 제작하는 방법이 개발되었다. 또한 정지궤도 위성영상인 MSG SEVIRI 영상(Bernard et al., 2011)과 우리나라의 COMS GOCI 영상 (Lee et al., 2017)에서도 에어로졸 산출물 제작을 위한 알고리즘이 개발되었다. 이와 같이 저해상도 위성영상에서 산출된 AOT값을 이용하여 육상 영상의 대기보정에 적용하기 위해서는 먼저 AOT값이 시공간적으로 영상과 일치해야 한다. 저해상도 위성영상에서 산출되는 AOT의 정확도는 매년 개선되고 있으나, 여전히 지상에서 측정된 실관측값과 차이를 보이고 있다(Jethva et al., 2019; Lee and Kim, 2008).

저해상도 위성영상에서 추출된 육상 지역의 AOT값의 오차는 상당부분 지표면 반사율의 불확실성에 기인한다. 대기원격탐사에서는 에어로졸 농도가 주된 관측 대상이며, 이를 정확히 추정하기 위해서는 지표물에서 반사되는 신호를 최소화해야 한다. 반면에 육상 원격탐사에서는 지표물의 표면반사율을 얻기 위해서는 에어로졸에 의한 영향을 제거해야 하므로 서로의 관심 목표물이 상반되는 입장이다. 결국 육지 지표물의 반사율과 AOT의 정확한 값을 얻기 위해서는 서로 반대되는 대상의 정확한 신호를 얻어야 하는 상호 보완적인 관계라 할 수 있다. 저해상도 영상에서 얻어진 AOT 자료를 중해상도 및 고해상도 영상의 대기보정에 사용하려면, AOT 자료가 대기보정 대상인 영상과 시공간적으로 부합되어야 하는 문제도 무시할 수 없다.

2) 수증기 효과 보정

대기보정에서 에어로졸 다음으로 중요한 요소는 수증기 농도이며, 수증기는 전자기에너지의 주요 흡수체다. 수증기의 분포와 농도는 기상상태 및 계절적으로 변화가 크며 지역적으로도 차이가 크다. 대기 수증기의 농도는 지표면부터 센서 고도까지 3차원 대기층에 포함된 수증기량(column water vapor content)으로 표시한다. 지상의 관측소에서 측정하는 대기 수증기량 자료가 매우 한정되어 있기 때문에, 수증기에 의한 영향을 보정하는 가장 보편적인 방법은 표준화된 대기모델(atmospheric model)을 적용하여 영상 전체에 하나의 수증기량을 적용하는 것이다. 대기모델은 위도에 따라 열대(tropical), 중위도(mid-latitude), 극지(sub-Arctic)으로 구분하고 계절에 따라 다시 여름과 겨울로 나눈다. 그 밖에서도 미국의 기상자료를 기반으로 제작한 미국 표준대기모델 (U.S. standard)등이 있다. 대기모델에서는 또한 위도에 따라 가변적인 흡수 가스인 오존 농도를 포함하고 있다. 표준대기모델을 이용하지 않고 지상에서 측정한 대기 수증기량을 이용하는 방법이 있으나, 영상 지역에 포함되는 대기 수증기량의 시공간적 변이를 충분히 반영할 수 있을 정도의 해상도를 갖춘 지상 측정자료를 얻기는 현실적으로 어렵다.

영상에서 직접 수증기량을 추정하여 대기보정에 이용하는 방법은 초분광영상 처리과정에서 개발되었다. 수증기에 의한 흡수는 비교적 좁은 파장구간에서 발생하기 때문에, 파장폭이 짧은 초분광영상에서 수증기 흡수에 민감한 파장밴드의 신호를 이용하여 수증기량을 추정하는 기법이다(Gao and Kaufman, 1990; Schlapfer et al., 1998). 이 방법은 수증기 흡수밴드에 해당하는 0.94µm 및 1.1 µm 밴드에서 얻어진 신호와 수증기 흡수와 무관한 밴드에서 얻어진 신호의 차이를 이용하여 수증기량을 추정한다. 그러나 대부분의 다중분광센서는 이와 같은 수증기 흡수 밴드를 포함하고 있지 않기 때문에 수증기량 추정이 어렵고, 따라서 표준대기모델에 표시된 단일 수증기량으로 영상의 모든 화소에 적용하는 경우가 대부분이다. 이 밖에도 다른 위성에서 얻어진 수증기 산출물을 이용하여 대기보정에 이용하는 방법이있다. MODIS 영상에 위의 초분광영상에 적용했던 유사한 방법을 적용하여 대기 수증기량을 추정하는 방법을 개발하였고, MODIS 산출물의 하나로 일별 수증기량 자료를 제공하고 있다(Kaufman and Gao, 1992). 최근 MODIS 대기 수증기량 자료를 이용하여 대용량 시계열 Landsat 영상의 대기보정처리에 이용하는 방안이 제시되었다(Frantz et al., 2019).

4. 대기보정 방법

광학영상에서 대기효과를 보정하는 과정은 크게 두 단계로 나눌 수 있는 데, 첫 번째는 영상 촬영 시점과 지역에 일치하는 대기 자료를 얻는 것이며 두 번째는 대기 자료를 이용하여 산란 및 흡수의 대기영향을 제거하고 표면반사율을 구하는 과정이다. 육상 원격탐사에서는 특히 에어로졸 및 수증기와 같이 시공간적으로 변이가 큰 대기 자료를 얻는 첫 번째 과정이 매우 어려운데, 이 과정을 생략하거나 간단한 추정식으로 대체하는 방법을 상대대기보정(relative atmospheric correction)이라고 한다. 반면에 기상자료, 또는 위성 영상에서 직간접적으로 대기 자료를 구한 뒤 이를 이용하여 대기투과율을 계산하여 표면반사율을 얻는 절대대기보정(absolute atmospheric correction)이 있다. Table 2는 절대대기보정 및 상대대기보정의 차이를 보여준다.

Table 2. Category of atmospheric correction methods

OGCSBN_2019_v35n6_3_1299_t0002.png 이미지

1) 절대 대기보정

절대대기보정은 결국 식 (1)에서 표면반사율 ρ를 구하는 과정으로 미지의 대기투과율(Tz, Tv)과 대기산란복사량(Lp, Ed)을 주어진 대기 자료를 이용하여 계산한 뒤에 최종적으로 표면반사율이 얻어진다. 대기투과율과 대기 산란복사량은 대기복사전달 모델을 이용하여 계산된다. 절대대기보정에 사용되는 복사전달모델은 MODTRAN (MODerate resolution atmospheric TRANsmission)과 6S (Second Simulation of the Satellite Signal in the Solar Spectrum) 등이 주로 사용된다. 대기복사전달 모델은 위성에서 감지된 복사휘도 L을 표면반사율로 변환하는 대기보정에 주로 사용되지만, 역으로 표면반사율이 알려진 특정 지표물이 위성센서에서 감지될 복사휘도를 추정하는 경우에도 사용된다. 후자는 위성이 발사된 후 촬영되는 영상으로부터 정확한 절대복사보정계수를 얻기 위한 검보정 단계에서 자주 적용된다.

Fig. 2는 영상의 화소값 DN이 표면반사율로 변환하는 절대대기보정 과정에 필요한 입력자료를 보여준다. 대기보정에서 첫 과정으로 영상의 화소값(DN)을 복사휘도 L로 변환하는 과정인데, 현존하는 많은 고해상도 광학영상의 경우 정확한 절대복사보정계수가 알려져있지 않거나 부정확한 경우가 많다. 영상의 화소값을 정확한 복사휘도로 전환할 수 없다면, 그 다음 단계의 대기보정에서 아무리 좋은 대기 자료를 적용한다고 해도 정확한 표면반사율을 얻을 수 없다(Lee and Lee, 2015). 복사전달모델에 필요한 입력 자료는 영상 촬영시점의 태양과 센서의 기하학적 요소(천정각 및 방위각), 영상지역의 해발고도, 대기자료(대기모델, 에어로졸모델, 가시거리, AOT, 수증기량 등), 그리고 센서의 밴드별 파장영역과 분광반응함수(spectral response function) 등이 있다. 대기자료 중 가시거리는 별도의 에어로졸 자료가 없거나 영상에서 직접 AOT 정보를 추출하기 어려울경우, 영상 획득 시점의 수평 가시거리를 통하여 AOT를 간접적으로 추정한다.

OGCSBN_2019_v35n6_3_1299_f0002.png 이미지

Fig. 2. Absolute atmospheric correction scheme and required input parameters.

절대대기보정 방법은 사용하는 복사전달모델의 종류나 요구하는 입력 변수에 따라 다소 차이가 있지만, 대기보정 결과는 주로 입력 자료의 정확도와 적합성에 크게 좌우된다. 특히 입력자료 중 에어로졸과 수증기량을 정확하고 효과적으로 획득하여 적용하는 것이 절대 대기보정에서 가장 큰 관심 사항이라 할 수 있다.

2) 상대 대기보정

절대대기보정은 지표면에서 반사된 복사에너지가 센서까지 도달하는 물리적 과정을 수학적 모델을 통하여 계산함으로써 표면반사율을 산출한다. 그러나 이 방법은 영상과 시공간적으로 일치하는 대기 자료가 구비되어야 하는 어려움이 있다. 반면에 상대대기보정은 별도의 대기자료의 입력을 필요로 하지 않는 방법이다.

영상기반 상대대기보정은 영상에서 대기산란복사량(Lp) 및 대기투과율(T) 등을 간접적으로 추정하는 방법이다. 널리 알려진 영상기반 방법은 영상에서 반사율이 거의 없는 dark-object(예, 완전한 그늘)를 선정하고 그에 해당하는 화소값 또는 복사휘도를 대기산란복사량(Lp)으로 간주하여, 영상의 모든 화소마다 이 값을 차감하는 방법이다. 이 방법을 개선하여 식 (1)에서의 대기투과율 Tz, Tv이 각각 태양 및 센서 천정각에 근사하다는 것을 실험적으로 제시한 COST방법이 있다(Chavez, 1996). 물론 이 방법은 영상의 매 화소마다 다른 대기상태를 고려하지 않은 방법이고 따라서 대기상태가 다양한 넓은 지역에는 적합하지 않다.

시계열 영상을 분석하고자 할 때 적용하는 상대대기보정은 시계열 영상의 신호를 정규화하는 방법이다. 이 방법은 여러 시기의 영상에서 대기영향을 비교적 덜 받은 맑은 날 촬영된 영상을 기준으로 하여, 나머지 영상들을 기준 영상의 대기조건과 비슷하게 맞춰주는 방법이다. 시계열 영상들을 기준영상의 신호에 맞추어 변환하기 위한 관계식은 시계열 영상에서 모든 시기에 걸쳐 표면반사율에 변화가 없다고 판단되는 불변성지표물 (invariant targets)을 통하여 얻어진다. 이 방법은 정성적인 시계열 변화를 분석할 때 흔히 적용하는 방법이다. 상대대기보정은 별도의 대기자료가 필요하지 않고 간단히 적용할 수 있기 때문에 오래전부터 Landsat영상에 적용되어 왔으나, 고해상도 영상에도 적용되는 사례가 있다(Karpouzli et al., 2001; Wu et al., 2005).

실험적 대기보정(empirical line correction)은 영상촬영시간과 동시에 현지에 정확한 반사율을 알고 있는 기준판(reference tarps)을 설치하거나, 여러 개의 기준 지표물을 선정한 뒤 분광계를 이용하여 직접 반사율을 측정하여 적용하는 방법이다. 영상의 화소값 과 반사율의 선형관계를 통하여 영상신호를 반사율로 직접 반환하는 기법이다. 실험적 대기보정은 영상촬영과 동시에 현지에 있는 기준 지표물의 반사율 자료가 필요하기 때문에 다소 복잡한 과정이고 또한 특정 시기 및 장소에 국한되어 적용할 수 있지만, 요즘 활용이 급증하고 있는 무인기 영상의 대기보정에서 시도되는 간편한 보정방법이 될 수 있다(Na et al., 2015; Guo et al., 2019).

3) 대기보정 소프트웨어

육지 영상에 대기보정이 중요한 처리과정으로 등장한 것은 초분광영상 처리에서 출발했다. 1980년대 후반부터 실험적으로 촬영된 NASA의 항공 초분광센서인 AVIRIS (Airborne Visible/Infrared Imaging Spectrometer)로 촬영된 영상을 처리하여 반사율을 얻기 위한 첫 번째 처리 단계로 대기보정 기술이 개발되었다. 특히 AVIRIS 영상의 주요 활용 분야로 꼽는 지질 탐사에서 좁은 파장 구간에서 나타나는 암석 및 광물의 분광반사특징을 탐지하기 위해서는 대기보정을 통한 정확한 반사율을 얻어야 했다. 현재까지 개발된 대기보정 소프트웨어의 대부분이 초분광영상 처리를 위한 대기보정에서 출발하여, 차츰 그 범위를 고해상도 및 중해상도 다중분광 영상까지 확장해 가고 있다. Table 3은 지금까지 광학영상 대기보정을 위하여 개발된 소프트웨어의 종류와 특징을 보여주고 있다. 광학영상의 종류에 따라 각각의 대기보정 소프트웨어의 효율성과 효과를 비교하는 연구가 발표되었다(Rani et al., 2007; Manakos et al., 2011). 대기보정 소프트웨어는 모두 절대대기보정 방법을 적용하는데, 영상의 모든 화소에 대하여 표면반사율을 얻기 위한 계산과정이 매우 복잡하고 많은 처리 시간이 요구되므로 미리 계산해 놓은 조견표(look up table)을 이용하여 반사율을 얻는 방법을 채택하고 있다.

Table 3. List of atmospheric correction software

OGCSBN_2019_v35n6_3_1299_t0003.png 이미지

5. BRDF 보정

지금까지 설명한 대기보정 과정을 통하여 얻어지는 표면반사율은 지표물이 완전난반사면이란 가정에서 얻어진 값이다. 그러나 육지에 있는 대부분의 지표물은 Lambertian 표면과 다른 이방성(anisotropy) 반사 특성을 가지고 있다. 즉 태양의 위치와 센서의 관측각에 따라 반사율이 다르게 나타난다. 표면반사율이 지표면의 특징을 나타내는 순수한 신호이지만, 태양 및 센서의 위치에 따라 반사율에 차이가 나타나는 이방성 반사 특성때문에 지표물의 유일한 절대적 신호값은 아니다.

Fig. 3(a)는 실험실에서 일출부터 일몰까지 태양의 천정각을 모의하여 측정한 콩 모판의 분광반사율 자료를 처리하여 얻은 식생지수(NDVI)를 보여주고 있다(Lee and Lee, 2014). 대기영향이 전혀 없이 분광계로 측정한 적색밴드 반사율과 근적외선밴드 반사율을 이용하여 얻어진 NDVI에 나타나는 변이는 반사율이 태양의 천정각에 따라서 다르기 때문이다. 마찬가지로 Fig. 3(b)는 정지궤도위성 MSG SEVIRI 영상을 대기보정 처리 후 얻은 아프리카 초원의 NDVI와 영상촬영과 동일 시점에 현장에서 측정한 NDVI의 시간별 변이를 보여주고 있는 데, 대기보정이 이루어졌지만 태양각에 따라 반사율이 변하고 있음을 알 수 있다(Fensholt et al., 2006).

OGCSBN_2019_v35n6_3_1299_f0003.png 이미지

Fig. 3. Diurnal variation of NDVI obtained from (a) the lab-measured spectral reflectance (Lee and Lee, 2014) and (b) the MSG SEVIRI image (Fensholt et al., 2006).

농지, 산림, 나지 등의 지표물이 태양의 위치와 센서의 관측각도에 따라서 반사율이 다르게 나타나는 특징을 정확하게 표현하는 방법은 양방향반사분포함수 (bidirectional reflectance distribution function, BRDF)다.육지 지표물의 방향성 반사 특징을 설명하기 위하여 수학적인 BRDF 모델들이 개발되었다(Roujean et al., 1992). BRDF 보정은 대기보정 처리된 반사율에도 여전히 남아 있는 이방성 효과를 제거 또는 균등화하여, 지표면의 특성만을 나타내는 순수 표면반사율(surface intrinsic reflectance)을 추출하는 과정이다(Abelleyraa and Verón, 2014; Yeom et al., 2005).

BRDF 보정을 위해서는 동일 지점에 대하여 태양각과 관측각을 달리하여 얻어진 3개 이상의 반사율 값이 필요하다. 현존하는 영상에서 이러한 조건을 충족하는 영상은 대부분 광범위한 촬영폭으로 지구를 매일 촬영하는 MODIS 영상이나 GOCI와 같은 정지궤도 위성영상에서 얻을 수 있다. 물론 특수한 경우로 MISR(Multiangle Imaging Spectro-Radiometer) 위성센서는 9개의 다른 각도에서 동일지역을 촬영할 수 있다. 이러한 영상은 짧은 기간(1일~16일)에 태양각과 관측각을 달리하는 여러 표면반사율을 얻을 수 있기 때문에 BRDF 보정에 사용될 수 있다. 그러나 육상 원격탐사에서 많이 사용하는 고해상도 및 중해상도 광학영상의 경우 대부분 연직 방향으로 촬영하며, 촬영 주기가 길기 때문에 BRDF 보정을 위한 여러 장의 영상 획득이 매우 어렵다. 결국 지표물의 특성만을 나타내는 순수 표면반사율을 얻기 위해서는 다른 위성에서 얻어진 자료를 이용하여 주요 지표물(논, 밭, 산림, 나지, 개발지 등)에 대한 BRDF특성을 통하여 보정하는 방법의 개발이 필요하다.

6. 맺음말

육상 원격탐사에서 대기보정의 중요성은 날로 증가하고 있지만, 고해상도 및 중해상도 광학영상에 대기보정 처리를 적용하기에는 현실적 어려움이 많다. 광학위성의 대기보정의 첫 번째 단계는 영상의 화소값(DN)을 복사휘도 L로 변환하는 과정인데, 특히 현존하는 고해상도 광학영상의 경우 정확한 절대복사보정계수가 알려져 있지 않거나 부정확한 경우가 많다. 대기보정의 정확도는 신뢰할 수 있는 복사휘도에 의존하므로, 정확하고 주기적인 절대복사보정계수의 확보가 무엇보다 중요하다. 영상의 화소값을 정확한 복사휘도로 전환할 수없다면, 그 다음 단계의 대기보정에서 정확한 표면반사율을 얻을 수 없다.

육상영상의 대기보정에서 가장 중요한 요소는 시공간적으로 변화가 심한 에어로졸 및 수증기 자료를 확보하는 것이다. 특히 고해상도 및 중해상도 육상영상에서 에어로졸과 수증기 자료를 직접 추출하기 위한 노력이 계속 필요하며, 아울러 저해상도 영상에서 추출된 AOT 및 수증기 자료를 고·중해상도 육상영상에 적용하는 현실적인 방법의 개발도 요구된다. 해색 센서인 SeaWifs 및 GOCI 등은 대기자료 획득을 위하여, 주 관측대상인 해수면과 관계없는 근적외선 밴드를 포함하고 있다. 향후 육상 원격탐사에서 대기보정이 필수적인 처리과정으로 발전된다면, 해색센서와 마찬가지로 대기 에어로졸 및 수증기 자료를 추출할 수 있는 별도의 파장밴드를 포함하는 센서 개발이 이루어지리라 기대된다.

사사

본 연구는 국토교통부 위성정보 활용센터 설립 운영사업(과제명: 국토위성정보 수집 및 활용기술개발)의 연구비지원(과제번호: 18SIUE-B148326-01)에 의해 수행되었습니다.

References

  1. Ahn, H. Y., S. I. Na, C. W. Park, K. H. So, and K. D. Lee, 2018. Atmospheric Correction Effectiveness Analysis of Reflectance and NDVI Using Multispectral Satellite Image, Korean Journal of Remote Sensing, 34(6): 981-996 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.6.1.11
  2. Abelleyraa, D. and S. R. Veron, 2014. Comparison of different BRDF correction methods to generate daily normalized MODIS 250 m time series, Remote Sensing of Environment, 140: 46-59. https://doi.org/10.1016/j.rse.2013.08.019
  3. Bernard, E., C. Moulin, D. Ramon, D. Jolivet, J. Riedi, and J.-M. Nicolas, 2011. Description and validation of an AOT product over land at the 0.6 ${\mu}$m channel of the SEVIRI sensor onboard MSG, Atmospheric Measurement Techniques, 4: 2543-2565. https://doi.org/10.5194/amt-4-2543-2011
  4. Chavez, P.S., 1996. Image-based atmospheric correc - tions-revisited and improved, Photogrammetric Engineering and Remote Sensing, 62(9): 1025-1035.
  5. Cracknell, A. P. and L. W. B. Hayes, 1991. Introduction to Remote Sensing, Taylor & Francis, London, U.K.
  6. Del Pozo, S., P. Rodriguez-Gonzalvez, D. Hernandez-Lopez, and B. Felipe-Garcia, 2014. Vicarious radiometric calibration of a multispectral camera on board an unmanned aerial system, Remote Sensing, 6(3): 1918-1937. https://doi.org/10.3390/rs6031918
  7. Eidenshink, J. C., 1992. The 1990 Conterminous U.S. AVHRR Data Set, Photogrammetric Engineering and Remote Sensing, 58(6): 809-813.
  8. Fensholt, R., I. Sandholt, S. Stisen, and C. Tucker, 2006. Analysing NDVI for the African continent using the geostationary meteosat second generation SEVIRI sensor, Remote Sensing of Environment, 101(2): 212-229. https://doi.org/10.1016/j.rse.2005.11.013
  9. Frantz, D., M. Stellmes, and P. Hostert, 2019. Global MODIS Water Vapor Database for the Operational Atmospheric Correction of Historic and Recent Landsat Imagery, Remote Sensing, 11(3): 257. https://doi.org/10.3390/rs11030257
  10. Gao, B. and Y. J. Kaufman, 1990. Column atmospheric water vapor and vegetation liquid water retrievals from airborne imaging spectrometer data, Journal of Geophysical Research, 95(4): 3549-3564. https://doi.org/10.1029/JD095iD04p03549
  11. Gordon, H. R. and D. K. Clark, 1981. Clear water radiances for atmospheric correction of coastal zone color scanner imagery, Applied Optics, 20(24): 4175-4180. https://doi.org/10.1364/AO.20.004175
  12. Goward, S. N., B. Markham, D. G. Dye, W. Dulaney, and J. Yang, 1991. Normalized difference vegetation index measurements from the advanced very high resolution radiometer, Remote Sensing of Environment, 35(2-3): 257-277. https://doi.org/10.1016/0034-4257(91)90017-Z
  13. Guo, Y., J. Senthilnath, W. Wu, X. Zhang, Z. Zeng, and H. Huang, 2019. Radiometric calibration for multispectral camera of different imaging conditions mounted on a UAV platform, Sustainability, 11(4): 978. https://doi.org/10.3390/su11040978
  14. Jethva, H., O. Torres, and Y. Yoshida, 2019. Accuracy assessment of MODIS land aerosol optical thickness algorithms using AERONET measurements over North America, Atmospheric Measurement Techniques, 12(8): 4291-4307. https://doi.org/10.5194/amt-12-4291-2019
  15. Kaufman, Y. J. and B. C. Gao, 1992. Remote sensing of water vapor in the near IR from EOS/MODIS, IEEE Transaction on Geoscience and Remote Sensing, 30(5): 871-884. https://doi.org/10.1109/36.175321
  16. Kaufman, Y. J., D. Tanré, L. A. Remer, E. F. Vermote, A. Chu, and B. N. Holben, 1997. Operational remote sensing of tropospheric aerosol over land from EOS moderate resolution imaging spectrora - diometer, Journal of Geophysical Research, 102(D14): 17051-17068. https://doi.org/10.1029/96JD03988
  17. Karpouzli, E. and T. Malthus, 2003. The empirical line method for the atmospheric correction of IKONOS imagery, International Journal of Remote Sensing, 24(5): 1143-1150. https://doi.org/10.1080/0143116021000026779
  18. Kim, S. H., S. J. Kang, J. H. Chi, and K. S. Lee, 2007. Absolute atmospheric correction procedure for EO-1 Hyperion data using MODTRAN code, Korean Journal of Remote Sensing, 23(1): 7-14. https://doi.org/10.7780/kjrs.2007.23.1.7
  19. Lee, H. S. and K. S. Lee, 2014. Analysis of Diurnal variation on canopy reflectance, Proc. of the Korean Society of Remote Sensing Fall Conference 2014, Jeju, Korea, Oct. 16-19. pp. 423-426 (in Korean).
  20. Lee, H. S. and K. S. Lee, 2015. Atmospheric Correction Problems with Multi-Temporal High Spatial Resolution Satellite Images from Different Sensor Systems, Korean Journal of Remote Sensing, 31(4): 321-330. https://doi.org/10.7780/kjrs.2015.31.4.4
  21. Lee, H. S. and K. S. Lee, 2018. Operational Atmospheric Correction Method over Land Surfaces for GOCI Images, Korean Journal of Remote Sensing, 34(1): 127-139. https://doi.org/10.7780/KJRS.2018.34.1.9
  22. Lee, K. H. and Y. J. Kim, 2008. Sensitivity of COMS/GOCI Measured Top-of-atmosphere Reflectance to Atmospheric Aerosol Properties, Korean Journal of Remote Sensing, 24(6): 559-569 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2008.24.6.559
  23. Lee, K. S. and J. S. Yoon, 1997. Radiometric Correction of Terrain Effects for SPOT and Landsat TM Imagery in Mountainous Forest Area, Korean Journal of Remote Sensing, 13(3): 277-292. https://doi.org/10.7780/kjrs.1997.13.3.277
  24. Lee, S., M. Choi, J. Kim, M. Kim, and H. Lim. 2017. Retrieval of Aerosol Optical Depth with High Spatial Resolution using GOCI Data, Korean Journal of Remote Sensing, 33(6-1): 961-970 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2017.33.6.1.5
  25. Liang, S., H. Fang, and M. Chen, 2001. Atmospheric Correction of Landsat ETM+ Land Surface Imagery - Part I: Methods, IEEE Transaction on Geoscience and Remote Sensing, 39(11): 2490-2498. https://doi.org/10.1109/36.964986
  26. Manakos, I., K. Manevski, C. Kalaitzidis, and D. Edler, 2011. Comparison between atmospheric correction on the basis of Worldview-2 imagery and in situ spectroradiometric measurements, Proc. of 7th EARSeL SIG Imaging Spectroscopy workshop, Edinburgh, UK, Apr. 11-13, pp. 11-13.
  27. Mannschatz, T., B. Pflug, E. Borg, K.-H. Feger, and P. Dietrich, 2014. Uncertainties of LAI estimation from satellite imaging due to atmospheric correction, Remote Sensing of Environment, 153: 24-39. https://doi.org/10.1016/j.rse.2014.07.020
  28. Mei, L., C. Zhao, G. de Leeuw, J. P. Burrows, V. Rozanov, H. Che, M. Vountas, A. Ladstatter-Weissenmayer, and X. Zhang, 2019. A Critical Evaluation of Deep Blue Algorithm Derived AVHRR Aerosol Product Over China, Journal of Geophysical Research: Atmospheres, https://doi.org/10.1029/2018JD029929.
  29. Na, S. I., C. W. Park, Y. K. Cheong, C. S. Kang, I. B. Choi, and K. D. Lee, 2016. Selection of Optimal Vegetation Indices for Estimation of Barley & Wheat Growth based on Remote Sensing: An Application of Unmanned Aerial Vehicle and Field Investigation Data, Korean Journal of Remote Sensing, 32(5): 483-497 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2016.32.5.7
  30. Rani, N., V. R. Mandla, and T. Singh, 2017. Evaluation of atmospheric corrections on hyperspectral data with special reference to mineral mapping, Geoscience Frontiers, 8: 797-808. https://doi.org/10.1016/j.gsf.2016.06.004
  31. Remer, L. A., Y. J. Kaufman, D. Tanre, S. Mattoo, D. A. Chu, J. V. Martins, R. R. Li, C. Ichoku, R. C. Levy, R. G. Kleidman, T. F. Eck, E. Vermote, and B. N. Holben, 2005. The MODIS aerosol algorithm, products, and validation, Journal of the Atmospheric Sciences, 62(4): 947-973. https://doi.org/10.1175/JAS3385.1
  32. Roujean. J. L., M. Leroy, and P. Y. Deschamps, 1992. A Bidirectional Reflectance Model of the Earth's Surface for the Correction of Remote Sensing Data, Journal of Geophysical Research, 97(D18): 20455-20468. https://doi.org/10.1029/92JD01411
  33. Schlapfer, D., C. C. Borel, J. Keller, and K. I. Itten, 1998. Atmospheric precorrected differential absorption technique to retrieve column water vapor, Remote Sensing of Environment, 65: 353-366. https://doi.org/10.1016/S0034-4257(98)00044-3
  34. Song, C., C. E. Woodcock, K. C. Seto, M. P. Lenney, and S. A. Macomber, 2001. Classification and Change Detection Using Landsat TM Data: When and How to Correct Atmospheric Effects?, Remote Sensing of Environment, 75: 230-244. https://doi.org/10.1016/S0034-4257(00)00169-3
  35. Sturm, B., 1981. The atmospheric correction of remotely sensed data and the quantitative determination of suspended matter in marine water surface layers, In: A. P. Cracknell (ed), Remote Sensing in Meteorology, Oceanography and Hydrology, Ellis Horwood, U.K., pp. 163-197.
  36. Vermote, E. and N. El Saleous, 2006. Operational Atmospheric Correction of MODIS Visible and Middle Infrared Land Surface Data in the Case of an Infinite Lambertian Target, In: Qu, J. J., W. Gao, M. Kafatos, R. E. Murphy, V. V. Salomonson (Eds.), Earth Science Satellite Remote Sensing: Vol. 1: Science and Instruments, Springer, Berlin, Heidelberg, Germany, pp. 123-153.
  37. Vermote, E. and A. Vermeulen. 1999. Atmospheric Correction Algorithm: Spectral reflectance (MOD09), Algorithm Technical Background Document, Version 4.0, NASA, Washington, D.C., USA.
  38. Vermote, E., N. El Saleous, C. O. Justice, Y. J. Kaufman, J. L. Privette, L. Remer, J. C. Roger, and D. Tanre, 1997. Atmospheric correction of visible to middle-infrared EOS-MODIS data over land surfaces: background, operational algorithm and validation. Journal of Geophysical Research-Atmosphere, 102(D14): 17131-17141. https://doi.org/10.1029/97JD00201
  39. Wang, C. and S. W. Myint, 2015. A simplified empirical line correction method of radiometric calibration for small unmanned aircraft systemsbased remote sensing, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(5): 1876-1885. https://doi.org/10.1109/JSTARS.2015.2422716
  40. Wu, J., D. Wang, and M.E. Bauer, 2005. Image-based atmospheric correction of QuickBird imagery of Minnesota cropland, Remote Sensing of Environment, 99(3): 315-325. https://doi.org/10.1016/j.rse.2005.09.006
  41. Yeom, J., K. Han, and Y. Kim, 2005. A Reflectance Normalization Via BRDF Model for the Korean Vegetation using MODIS 250m data, Korean Journal of Remote Sensing, 21(6): 445-456 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2005.21.6.445