DOI QR코드

DOI QR Code

인공위성 기반 토양 수분 자료들(AMSR2, ASCAT, and ESACCI)의 한반도 적절성 분석: 동결과 융해 기간을 구분하여

Analysis on Adequacy of the Satellite Soil Moisture Data (AMSR2, ASCAT, and ESACCI) in Korean Peninsula: With Classification of Freezing and Melting Periods

  • 백종진 (성균관대학교 건설환경연구소) ;
  • 조성근 (성균관대학교 수자원전문대학원) ;
  • 이슬찬 (성균관대학교 수자원전문대학원) ;
  • 최민하 (성균관대학교 수자원전문대학원)
  • Baik, Jongjin (The Built Environment Department, Sungkyunkwan University) ;
  • Cho, Seongkeun (Department of Water Resources, Sungkyunkwan University) ;
  • Lee, Seulchan (Department of Water Resources, Sungkyunkwan University) ;
  • Choi, Minha (Department of Water Resources, Sungkyunkwan University)
  • 투고 : 2019.06.28
  • 심사 : 2019.07.18
  • 발행 : 2019.10.31

초록

토양수분은 수문순환에 핵심적인 역할을 하는 대표적인 인자로써 대기와 지표 사이의 상호작용에 관여하며, 농업, 수자원, 대기 등의 분야에서 활용되고 있다. 한반도 영역의 위성기반 토양수분의 적용성 및 불확실성 분석을 위하여 Advanced Microwave Scanning Radiometer 2 (AMSR2), Advanced SCATterometer (ASCAT), European SpaceAgency Climate Change Initiative (ESACCI) 데이터가 사용되었다. 상기 데이터를 사용한 Cumulative Distribution Function (CDF) Matching과 Triple collocation (TC) 분석을 수행하여 위성 토양수분 데이터 보정 및 불확실성에 관한 연구를 진행하였다. 보정 전의 인공위성 기반 토양수분자료를 Automated Agriculture Observing System (AAOS) 관측지점과 비교한 결과, ESACCI와 ASCAT자료는 AAOS의 경향을 잘 반영하였다. 그에 비해 AMSR2 위성 자료는 동결기간에 과대 산정되었다. CDF Matching을 이용하여 인공위성 토양수분 자료를 보정한 결과, 보정 전보다 오차 및 상관성이 개선되었다. 마지막으로, TC 방법을 이용하여 토양수분 자료의 불확실성 분석을 실시하였다. CDF Matching 보정을 실시한 인공위성 토양수분의 불확실성이 동결과 융해 기간에서 확연하게 개선되는 것을 확인할 수 있었다. 한반도에서는 보정을 실시하였을 때, AMSR2 토양수분 자료보다 ASCAT과 ESACCI를 활용하는 것이 보다 정확한 토양수분 결과를 나타낼 수 있을 것으로 나타났다.

Soil moisture is a representative factor that plays a key role in hydrological cycle. It is involved in the interaction between atmosphere and land surface, and is used in fields such as agriculture and water resources. Advanced Microwave Scanning Radiometer 2 (AMSR2), Advanced SCATterometer (ASCAT), and European Space Agency Climate Change Initiative (ESACCI) data were used to analyze the applicability and uncertainty of satellite soil moisture product in the Korean peninsula. Cumulative distribution function (CDF) matching and triple collocation (TC) analysis were carried out to investigate uncertainty and correction of satellite soil moisture data. Comparisons of pre-calibration satellite soil moisture data with the Automated Agriculture Observing System (AAOS) indicated that ESACCI and ASCAT data reflect the trend of AAOS well. On the other hand, AMSR2 satellite data showed overestimated values during the freezing period. Correction of satellite soil moisture data using CDF matching improved the error and correlation compared to those before correction. Finally, uncertainty analysis of soil moisture was carried out using TC method. Clearly, the uncertainty of the satellite soil moisture, corrected by CDF matching, was diminished in both freezing and thawing periods. Overall, it is expected that using ASCAT and ESACCI rather than AMSR2 soil moisture data will give more accurate soil moisture information when correction is performed on the Korean peninsula.

키워드

1. 서론

토양수분은 대기와 지표면 사이의 에너지 교환에 핵심적인 역할을 하는 인자이며, 수문순환에서 강우-유출관계 및 증발산에 큰 영향을 미친다(Lee et al., 2017). 전 지구적인 규모에서의 토양수분 데이터는 유출과 침투의 과정을 분석하는데 중요한 역할을 하며, 농업생산량, 가뭄 변동성, 수문순환, 열역학적 균형, 기후변화와 같은 연구를 수행 하는데 기본 정보를 제공하고 있다(Imet al., 2016). 이러한 토양수분은 공간적인 대표성이 중요하기 때문에 면 단위의 자료획득이 필요하며 동시에 정확한 값을 지닌 토양수분 자료가 요구된다. 원격탐사 기술이 발달함에 따라 전 지구에 대한 지속적인 관측이 수행되면서 인공위성을 이용한 토양수분 관측이 가능해졌다(Baek et al., 2013). 인공위성으로 토양수분을 관측하기 위한 대표적인 방법으로는 적외선 센서를 이용하는 방법과 마이크로파 센서를 이용하는 방법이 있다(Jeonget al., 2018). 적외선 센서를 이용한 토양수분 관측방법은 실질적으로 토양수분을 관측하는 것이 아니라, 토양수분의 변화에 영향을 미치는 2차 산출물들 간의 관계를 통해 토양수분을 추정한다. 적외선 센서로부터 관측된 자료는 구름에 의한 간섭을 받는 센서의 특징으로 인하여 높은 불확실성을 보인다는 한계점이 있다. 그에 반하여 마이크로파 센서는 긴 파장대를 이용하기 때문에 대기에 의한 영향이 적외선 센서에 비하여 적고, 쉽게 보정할 수 있으며 보다 연속적인 자료를 얻을 수 있다는 장점이 있다.

전 세계적으로 마이크로파 센서의 특성을 이용한 SMMR(1978년-1987년), TRMM TMI(1997년-2015년), AMSR-E(2002년-2011년), MetopAdvanced SCATterometer (ASCAT), SMOS의 MIRAS, GCOM-W1의 Advanced Microwave Scanning Radiometer 2(AMSR2), SMAP 등의 위성 데이터를 통해 토양수분 연구가 수행되고 있다 (Kim et al., 2016). 각 위성별로 토양수분을 산출하는 고유의 알고리즘을 이용하여 토양수분 데이터를 생산하고 있으며, 토지피복, 지형, 식생과 같은 인자들에 의해 위성별로 산출하는 토양수분 데이터의 불확실성이 다양하게 나타난다(Gruber et al., 2016). AMSR-E 토양수분 데이터의 경우 지표면 거칠기와 식생에 의한 영향을 크게 받아 불확실성이 나타나고, SMAP 데이터의 경우 수역에 의해 토양수분 데이터의 불확실성이 발생한다. SMOS 데이터의 경우 전파의 간섭으로 인한 불확실성이 나타난다. 이와 같은 불확실성은 인공위성 기반 토양수분 데이터의 활용성을 낮추는 요소이며 이를 완화하기 위한 보정 기법 및 통계적 기법에 관한 연구가 활발히 수행 중에 있다. 한반도는 대부분의 지형이 산지로 이루어져 있고 식생 또한 짙게 나타나 위성 기반 토양수분 데이터의 불확실성이 크게 나타난다. 이로 인해 한반도에서 위성 토양수분 데이터를 사용할 경우 불확실성에 관한 분석과 보정이 선행되어야 한다.

대부분의 토양수분에 대한 검증 및 비교 연구가 동절기를 제외한 분석이 주로 이뤄져 왔다. 그러나 수문기 상인자는 계절에 상관없이 관측이 되어야 하며 그에 대한 분석이 필수적으로 이뤄질 필요가 있다. 일반적으로 동절기의 토양수분의 경우 토양 속의 수분이 동결되어 유전율식 센서를 이용하여 측정되는 토양수분이 급격히 감소하는 것이 보편적이지만, 지상관측 지점에서의 토양수분 품질관리 선행연구들에 따르면(Choi et al., 2014; 2015), 대부분의 센서가 작동하는 것에는 문제가 없으며 동결 및 융해 기간에 얼지 않은 수분에 대한 센서의 반응이 관측되었음을 확인할 수 있다. 따라서 본 연구에서는 기온에 따른 토양 속 토양수분의 동결 및 융해 기간을 구분하였으며 이를 시계열 적으로 나타내기 위하여 토양수분이 완전히 동결된 것으로 판단되는 기간에는 센서의 동절기 강우와 같은 얼지 않은 수분에 대한 반응을 토양수분이라 가정하여 표현하였다. 현재 주로 사용되고 있는 인공위성 자료들을 한반도에서의 실측 관측 자료인 AAOS 자료와 비교하고, 각각 동결과 융해기간으로 구분하여 각 인공위성 토양수분 자료의 불확실성 파악을 통해 한반도에서 높은 활용성을 가지는 인공위성 자료에 대해서 파악해보고자 한다.

2. 연구지역 및 데이터

1) 연구지역

한반도는 봄, 여름, 가을, 겨울의 4계절의 특성을 가지고 있고, 여름과 겨울이 다른 계절에 비하여 긴 편이다. 한반도의 기온은 연평균 10∼15°C 정도이고, 여름과 겨울에는 평균적으로 각각 23∼26°C와 -6∼3°C 정도이다. 연평균 강우량은 약 1283.5 mm 정도이며, 연별, 지역별로 약간의 편차를 가지고 있다. 지형적 특성으로는 영토의 많은 부분이 산지로 이뤄져 있으며, 논지(rice paddy)와 혼합림으로 구성되어있다(Baik and Choi, 2015). 본 연구에서는 한반도 영역에서 주로 사용되고 있는 인공위성 기반 토양수분 자료의 적절성 및 불확실성을 파악하기 위하여 AMSR2, ASCAT, European Space Agency Climate Change Initiative(ESACCI)의 토양수분 데이터와 기상자료개방포털(https://data.kma.go.kr/)에서 제공되는 농업기상관측장비(Automated Agriculture Observing System, AAOS)의 지점자료들을 활용하였다. AAOS는 세계기상기구(World Meteorological Organization, WMO) 기술규정에 따라서 관리 및 유지가 이뤄지고 있다(Choi et al., 2015; Lee et al., 2017). 2010년도 초의 AAOS의 설치는 기상관측 장비와의 중복설치 및 관측목적에 부합되지 않는 경우가 있어서, 2011년 2월에 더 양호한 농업기상관측환경을 위하여 AAOS 재배치 계획을 통해 더 양호한 농업기상관측환경을 보유하게 되었다(Choi et al., 2015). AAOS는 농업과 기상과의 관련성을 규명하기 위하여 농업에 관련된 약 10개 정도(토양수분, 지중온도, 증발량, 기온, 습도, 풍속, 복사, 조도, 일사, 일조 등)의인자를 관측 및 제공하고 있다. 본 연구에서는 인공위성 자료가 모두 관측되는 지점 및 수득률과 관측자료가 양호한 7지점(안동, 순천, 대곡, 전주, 오창가곡, 춘천신북, 보성군)을 선정하였으며, 10 cm 깊이의 토양수분 자료를 활용하였다(Table 1 and Fig. 1). 일 강수량 자료는 AAOS 지점과 가장 근접한 3개의 종관기상관측 (Automated Synoptic Observing System, ASOS) 지점의 자료를 평균하여 나타내었다.

Table 1. Summary of satellite based and reanalysis based dataset and AAOS sites

OGCSBN_2019_v35n5_1_625_t0001.png 이미지

OGCSBN_2019_v35n5_1_625_f0001.png 이미지

Fig. 1. GeolocationsoftheAAOSobservationsof soilmoisture over South Korea.

2) 위성기반 토양수분 자료

본 연구에서는 한반도 영역에서 토양수분 데이터의 불확실성 및 적절성을 분석하기 위하여, 한반도에서 대표적으로 활용되고 있는 인공위성 기반 토양수분 자료인 AMSR2, ASCAT, ESACCI 3개 데이터를 사용하여연구를 진행하였다. 본 연구에서는 좌표변화 및 기하보정을 통하여 보다 정확한 AAOS 지점에서의 토양수분 자료를 추출하기 위하여, AMSR2와 ESACCI 자료는 resampling(uniform distribution)을 하여 공간 해상도를 5 km로 공간해상도를 일치시켰으며, ASCAT 자료는 nearest neighborhood 방법을 이용하여 5 km 공간해상도로 변환하여 연구를 진행하였다.

(1) AMSR2 토양수분

GCOM-W1위성은 2013년 3월에 발사되었으며, 이 위성에는 수동형 마이크로파 센서인 AMSR2가 탑재되어 있다. Aqua 위성에 탑재된 AMSR-E 센서의 후속 연구를 위해서 개발되었던 AMSR2는 6.9 GHz∼89.0 GHz영역의 주파수를 이용하고 있으며, 하루 2회의 관측을 실시하고 있다. AMSR2는 NASA와 JAXA의 협업으로 제작되었고, 각 기관 고유의 토양수분 알고리즘을 통해 토양수분에 대한 자료를 제공하고 있다. 그 중 NASA의경우 LPRM(Land Parameter Retrieval Model) 알고리즘을이용하여 AMSR2 센서에 탑재된 C1, C2, X band들의 토양수분 자료를 제공한다(Baik et al., 2019a).

마이크로파 센서를 사용하는 경우, 주파수 영역대가 낮을수록 라디오 전파 간섭(Radio Frequency Interference, RFI)의 영향으로 인해 토양수분 산출 알고리즘의 입력값인 밝기 온도가 오염된다는 것이 알려져 있으며(Oliva et al., 2012), 이러한 이유로 AMSR2의 C band로부터 산출된 토양수분 자료의 정확성이 낮다는 연구 결과가 있다 (Kim et al., 2015). Kim et al.(2016)은 한반도에서 AMSR2의 C1, C2, X band로부터 산출된 토양수분 자료들의 적용성에 대해 분석하였으며, RFI의 영향을 비교적 덜 받는 X band의 자료가 한반도에서의 토양수분 자료를 대표하기에 적절하다고 언급하였다. 따라서, 본 연구에서는 NASA의 LPRM 알고리즘을 기반으로 제공되는 토양수분 자료 중 X band로부터 산출된 자료를 활용하였다(Table 1).

(2) ASCAT 토양수분

유럽기상위성기구는 기상과 환경 및 기후 모니터링을 목적으로 Metop 위성을 2006년에 발사하였다. 이 위성에 탑재된 ASCAT 센서는 C band(5.255 GHz) Active Microwave를 이용하여 토양수분 자료를 측정하고 있다 (Cho et al., 2015; Jeong et al., 2018). 기존의 선행연구들을 통하여 건조한 지역에서 ASCAT 토양수분 자료의 정확성이 높지 않다는 것이 증명되었으며, 그 외 지역에서는 다른 위성에 비하여 정확성이 높다는 것이 알려진 바있다. ASCAT 자료는 일단위의 시간해상도와 12.5 km의 공간해상도를 가지고 있다.

(3) ESACCI 토양수분

유럽우주국(European Space Agency, ESA)의 Climate Change Initiative (CCI)는 마이크로파 센서를 기반으로한 양질의 전 지구 규모 토양수분 자료를 산정하는 것을 목적으로 한다. 관측 목적에 따라 다르지만 대체적으로 인공위성의 관측수명은 평균적으로 10년 정도로인공위성으로 관측되는 자료들은 장기적인 연속성을가지기 어렵다. 따라서 ESACCI는 SMMR, SSM/I, SCAT, TMI, AMSR-E 등의 위성자료를 merging 함으로써 장기간의 토양수분 자료를 제공하고 있다. ESACCI는 1978년부터 현재에 이르기까지의 연속적인 토양수분 자료를 일 단위의 시간해상도, 25 km의 공간해상도로 제공하고 있다. ESACCI로부터 제공되는 토양수분자료는 능동 및 수동 마이크로파 센서로부터 산정된 토양수분 및 두 센서를 통합한 토양수분 정보를 포함한다(Park et al., 2017).

3. 방법론

1) Triple Collocation (TC) method

지구 내부에서 일어나는 현상을 관측 및 모의하는 지점, 인공위성, 모델, 재분석 자료들은 각자의 고유한 시스템을 사용하며 각 자료별로 관측 오차들을 포함하고 있다. 예를 들어, 어떠한 인자를 관측하는데 다른 인자의 영향으로 인한 문제, 지점 자료를 공간적인 자료로 표현할 때 생기는 문제들을 말한다. 인공위성의 경우, 지점기반 측정과 같이 직접적인 관측보다는 간접적인관측을 통한 관측값 또는 추정값을 이용하여 토양수분을 산정하기 때문에 이를 위한 알고리즘 및 변수들에 관한 문제가 발생한다. 최근 다양한 수자원, 기상, 해양 등의 연구 분야에서 자료가 가지는 오차를 파악하고 각 자료가 가지고 있는 능력을 파악하는 연구가 진행되고 있으며, 이러한 연구에 Triple Collocation(TC) 방법이 주로 활용되고 있다. 이 방법은 독립적인 세 개 또는 그 이상의 자료를 활용하여 각 자료들이 서로 선형적인 관계성을 가진다는 기본전제하에 알려지지 않은 실제 값과의 상대적인 관계성을 정향하기 위하여 Stoffelen(1998)에 의해 제안되었다(Baik et al., 2019b). 바람, 눈, 토양수분 등 여러 분야에서 자료의 불확실성 분석을 하기 위하여 TC 방법을 적용한 연구가 다수 진행되어왔으며(McColl et al., 2014; Gruber et al., 2016; Su et al., 2014a; 2014b), 본 연구에서도 TC 방법을 이용하여 세 개의 독립된 자료 간의 불확실성을 파악하고자 하였다(Eq. 1-3). TC 방법을 계산하는데 사용되는 error model은 Eq. (1)과 같다.

\(X_i = \alpha _i +\beta _i T + \varepsilon _i\)       (1)

\(Q_{i,j} = Cov (X_i, X_j)\)        (2)

\(\sigma _\varepsilon = \begin{bmatrix} \sqrt{Q_{11}-{Q_{12}Q_{13}\over Q_{11}Q_{23}} } && \sqrt{Q_{22}-{Q_{12}Q_{23}\over Q_{22}Q_{13}} } && \sqrt{Q_{33}-{Q_{13}Q_{23}\over Q_{33}Q_{22}} } \end{bmatrix}\)        (3)

여기서, Xi (i = 1, 2, 3)는 각 자료들에 대한 noise measurement system을 나타내며, T는 알려지지 않은 실제값을 의미하고, ε는 zero-mean random error를 나타낸다. TC 방법에서 각 독립적인 자료간의 error variance를 계산하기 위하여 자료간의 covariance 관계를 이용하여 계산된다(Eq. 2). 공분산의 관계를 이용하여 각 자료에 대한 respective error variance (σ)를 계산할 수 있다. Qi,j는 i와 j 사이의 공분산을 나타낸다.

2) Freeze/Thaw (FT) condition

일반적으로 자연현상은 계절의 영향에 따라서 그 경향의 변동성이 다르게 나타나며, 수문기상학적 인자 또한 동결 융해(Freeze-Thaw, FT) 현상으로 인하여 계절에 따라 다른 시계열적 거동을 가진다(McColl et al., 2016). 동결과 융해 상태에 가장 큰 영향을 받는 인자는 토양수분이며, 겨울철에는 강설 또는 지표면의 동결로 인해 대기의 열전도성이 현저하게 떨어지고 따라서 토양수분 관측의 정확성 또한 감소하게 된다. 따라서 동결과 융해를 구분하여 토양수분의 불확실성을 분석하기 위하여 McColl et al.(2016)에 나타난 것과 같이 freeze와 thaw의 상태를 온도와의 관계를 통하여 구분하였다. 본 연구에서는 온도를 8일 평균으로 나타내었으며, FT 또한 8일 평균 온도를 활용하여 나타내었다(Eq. 4).

\(F T=\left\{\begin{array}{l} 1 \text { if } T \leq 0^{\circ} \text { Freeze condition } \\ -1 \text { if } T>0^{\circ} \text { Thaw condition } \end{array}\right.\)       (4)

4. 결과

1) 계절에 따른 수문기상인자의 변동성 파악

Fig. 2는 기상자료개발포털의 농업기상관측 지점에서 인공위성 자료가 관측되는 2014년부터 2017년까지 인공위성 자료들의 강수량, 토양수분, 온도, 동결/융해상태에 대한 시계열을 나타낸 그림이다. 보성군을 제외한 나머지 AAOS 관측 지점에서 겨울철에 들어서면서 (온도가 낮아지면서) FT는 “1”의 값을 나타내는 것을 확인할수 있고, 이는 지표면의 상태가 토양수분을 관측하기 어려운 동결상태인 것을 나타낸다. 지역마다 약간씩 차이는 나지만 11월 말에서 12월을 기준으로 지표면 및 지중온도가 영하에 도달하여 토양 속의 수분이 얼게되고 지표면이 동결 된다. 이 동결상태는 평균적으로 11월 말부터 2월말까지 지속된다. 이 시기에 인공위성 자료의 토양수분 분포를 확인하면, 다른 두 인공위성 자료와는 다르게 AMSR2 토양수분 자료에서 확연하게 과대산정/오차가 발생하는 것을 확인 할 수 있다. 이러한 현상은 선행연구들의 결과에서도 확인할 수 있다. Zhang et al.(2017)은 미국 관측 지점에서 SMAP 자료와 AMSR2 자료의 계절적 변화를 분석하여 지표면이 동결상태가 되는 겨울철에 확연하게 큰 standard deviation을 나타내는 것을 확인하였다. Cui et al.(2018)은 미국의 Little Washita Watershed(NWW)와 스페인의 REMEDHUS 관측망에서 다양한 토양수분 위성자료에 대한 검증을 실시하였다. 다른 여러 토양수분 관측 위성의 결과들과 비교하였을 때, 겨울철에 AMSR2 토양수분 자료가 과대 산정되는 것을 확인 하였고, 그러한 이유로는 AMSR2의 밝기온도(brightness temperature)가 과대 산정되기 때문이라고 언급하였다. 또한, Montzka et al.(2017)은 band의 특성상 고밀도 식생 지역에서의 위성 관측과 LPRM 매개 변수화에 문제가 있음을 지적하였다. 3월 이후부터는 순복사량의 증가로 인한 온도 상승으로 FT가 “-1”의 값을 나타내고, 토양수분 역시 겨울철에 관측된 경향에 비해 증감 폭이 증가하는 경향을 나타내었다. 전반적으로, ESACCI와 ASCAT 토양수분은 관측 지점 토양수분의 경향을 따라가는 반면, AMSR2 토양수분은 변동이 극심하며, 경향 또한 반대로 나타났다. 토양수분이 이처럼 과대 산정되는 이유는 AMSR2의 토양수분 복원 알고리즘에서 요구되는 vegetation optical depth가 다른 인공위성에 비하여 높게 산정되기 때문인 것으로 보인다(Cui et al., 2018).

OGCSBN_2019_v35n5_1_625_f0002.png 이미지

Fig. 2. Time Series of satellite based soil moisture products (AMSR2, ASCAT, and ESA CCI), rainfall, and average 8-day mean temperature and FT in seven AAOS sites.

전반적으로, 강우 발생 시기에 AMSR2의 토양수분이 매우 민감하게 반응하는 것으로 나타났지만, 건조 단계와 수분 활동성에 있어서는 한계를 나타내고 있다 (Montzka et al., 2017). 그에 비하여, AAOS 관측 토양수분의 경향을 보면 강우가 발생하는 시기에 토양수분의 양이 급격하게 증가하는 것을 확인 할 수 있으며, ASCAT과 ESACCI 토양수분 역시 강우가 발생함에 따라 증가하는 경향을 잘 나타내고 있다.

2) 기존 토양수분 자료와 Cumulative Distribution Function (CDF) Matching 비교

인공위성 토양수분자료와 지점 자료를 비교하였을 때, 인공위성 기반 토양수분 자료의 경향이 극심하게 변동하는 것을 확인 할 수 있으며, 이러한 경우 보정 작업을 통하여 인공위성 자료의 변동성을 보정하게 된다. 본 연구에서는 이를 위해 보편적인 토양수분자료 보정방법인 Cumulative Distribution Function (CDF) Matching (Reichle and Koster, 2004)을 사용하였다. 이는 인공위성이 가지고 있는 오차를 관측지점의 경향에 맞춰서 재편성하는 방법으로, 인공위성 기반 토양수분 자료의 오차를 큰 폭으로 줄여줄 수 있다. Fig. 3에 나타나있듯이, 3개의 인공위성 기반 토양수분 자료(파란색)의 초기 값은 지점 기반 토양수분(회색)과 비교하였을 때 큰 차이를 보였다. 그러나 CDF Matching을 이용할 경우(빨간색), 지점 기반 토양수분과 상당히 근접하게 보정이 되는 것을 확인 할 수 있다. 보정전과 보정 후 토양수분 데이터의 통계분석 결과에 대하여 전체기간, 융해기간(FT가 -1) 및 동결기간(FT가 1)으로 구분하여 Fig. 4에 나타내었다. 보정 전, 동결기간 ASCAT과 ESACCI의 통계결과는 AMSR2에 비하여 높은 적용성과 낮은 오차를 보이고 있으며, AMSR2를 제외한 두 개의 토양수분 자료가 융해기간에 비하여 동결기간의 통계학적 결과가 좋은 것으로 나타났다. 보정(CDF Matching) 후에는, 지점 자료를 기준으로 보정되었기 때문에 변동성이 큰 융해기간의 자료가 보정됨에 따라서 결과가 보다 개선된 것으로 나타났다. Fig. 4에서 보면 전반적으로 보정 전의 인공위성 토양수분 자료의 통계분석 결과(Bias, RMSE, IOA, R)에 비하여 보정 후의 인공위성 토양수분의 결과가 많이 개선되는 것으로 나타났다. 특히, 보정 전의 AMSR2는 다른 위성에 비하여 높은 Bias와 RMSE, 그리고 낮은 IOA와 R을 나타내었으며, 보정 후 기존에 비하여 많이 개선되었다. ASCAT의 경우 보정 후에 겨울철의 상관계수가 약간 감소하는 결과가 나타났는데, 이는 편차 보정인 CDF matching 방법으로 인한 과도한 편차 보정으로 인한 문제로 보인다. Fig. 5는 보성군(981)에 대한 보정 후 토양수분의 시계열 그래프이다. 보정 후의 인공위성 토양수분 자료들이 보정 전 자료에 비하여 지점 기반 자료의 변동성을 잘 반영하고 있는 것을 볼 수 있다. 그러나 AMSR2 자료의 경우 보정 전 자료의 변동폭과 변동 정도가 너무 심하기 때문에 보정 후에도 오차가 많은 것이 나타났다. 그에 반하여 ASCAT과 ESACCI는 보정 전에 비하여 변동의 폭과 정도가 안정적으로 보정 되었으나, CDF Matching 방법의 특성에 따라서 토양수분의 변동성을 과대하게 완화시키기 때문에 토양수분의 변동성을 나타내는 부분이 다소 줄어드는 경향을 나타내었다(Kim et al., 2016).

OGCSBN_2019_v35n5_1_625_f0003.png 이미지

Fig. 3. CDF matching of AAOS and each soil moisture product datasets on AAOS sites.

OGCSBN_2019_v35n5_1_625_f0004.png 이미지

Fig. 4. Statistical results of original and CDF matched soil moisture products with seven AAOS sites.

OGCSBN_2019_v35n5_1_625_f0005.png 이미지

Fig. 5. Example of time series of CDF matched soil moisture products at AAOS site (981).

3) Triple Collocation 방법을 이용한 인공위성 토양수분 자료의 적합성 분석

인공위성 토양수분 자료의 적합성을 분석하기 위하여 세 개의 독립적인 자료의 조합을 이용하는 TC 방법을 적용하였으며, 모든 자료 조합에서 AAOS 자료와 각기 다른 인공위성 기반 토양수분 자료를 사용하여 error variance를 계산하였다. 보정 전(Original)/후(CDF) Error variance를 계산한 결과를 Fig. 6(a)에 나타내었다. 결과에서 확인 할 수 있듯, 보정 전의 error variance는 AMSR2>ASCAT>ESACCI로 나타났다. 이러한 결과는 선행연구에서도 비슷하게 나타났으며(Zhang et al., 2017), 이를 통해 AMSR2 토양수분이 기본적으로 다른 인공위성 토양수분 자료에 비하여 높은 error variance를 가지고 있는 것을 확인 할 수 있다. 이에 반하여 ASCAT과 ESACCI의 결과는 작은 error variance를 나타내었다. 이는, AMSR2의 결과에 비해서 ASCAT과 ESACCI의 토양수분 값과 경향이 더욱 많은 true 값을 대표함에 따라 생기는 결과로 사료된다. 두 위성 토양수분의 불확실성 및 적절성에 관한 본 연구 결과와 비슷한 결과는 선행연구에서도 나타났다(Montzka et al., 2017; Kim et al., 2018). 보정 후에도 error variance는 AMSR2>ASCAT>ESACCI의 순으로 나타났으며, CDF Matching 방법을 통해서 지점 자료를 기반으로 보정을 실시한 결과, ASCAT 자료 역시 error variance가 보정 전보다 작아진 것을 확인 할 수 있다 (Fig. 6(a)). 동결과 융해 각각의 기간에 대한 TC 결과를 보면, 보정 전 AMSR2 토양수분의 error variance가 보정 후에 확실히 감소되는 것을 확인할 수 있다. 그에 비하여 ASCAT과 ESACCI의 경우 약간의 error variance의 증가/감소 경향만을 확인할 수 있었으며, 이는 초기 자료 (raw data)의 토양수분 변동성이 CDF Matching 방법의 적용으로 완화되었기 때문인 것으로 생각된다. 그럼에도 두 위성자료는 대체적으로 AMSR2에 비하여 error variance가 적은 것으로 나타났다. 전반적인 결과를 요약하면, ASCAT 자료와 ESACCI 자료가 보정 전과 보정 후에도 좋은 품질의 자료를 대표하였으며, 한반도에서 사용하기 적절하다고 할 수 있다.

OGCSBN_2019_v35n5_1_625_f0006.png 이미지

Fig. 6. Error variance results of original and CDF matched soil moisture products using triple collocation (TC) method; a) total period and b) two conditions (e.g. thaw and freeze).

5. 결론

본 연구는 인공위성 기반 토양수분 자료에 대해 한반도에서의 적용성 및 불확실성을 파악하기 위해, AAOS 자료를 활용하여 대표적으로 활용되는 AMSR2,ASCAT, ESACCI 자료의 검증을 실시하였다. 먼저, 한반도 영역에서 보정 전의 세 인공위성 기반의 토양수분 자료들을 동결과 융해기간으로 구분하여 AAOS 자료와 비교/검증을 실시하였다. 동결 기간 AAOS의 토양수분 경향과는 달리 AMSR2의 토양수분은 과대 산정되는 것이 나타났을 뿐 아니라, 융해 기간에도 다른 인공위성 자료에 비하여 큰 오차가 발생하였다. 그에 비하여 ASCAT과 ESACCI는 AAOS의 경향을 따라가면서 AMSR2와 비교하였을 때 오차도 적었다. 토양 수분 자료를 보정하기 위하여 사용한 CDF Matching을 세 인공위성 기반 토양수분 자료에 적용하여 분석하였을 때, 보정 전의 자료 보다 개선된 효과를 나타내었다. 특히, AMSR2의 경우 보정 전 자료의 오차가 큰 만큼 개선되는 효과가 가장 크게 나타났다. 그렇지만, CDF Matching이 단지 인공위성 자료의 오차를 관측지점의 경향에 맞춰서 재편성하는 방법인 만큼, 토양수분의 역동성 및 경향성 또한 과하게 완화 시키는 경우도 있는 것을 확인 할수있었다. 마지막으로, TC 방법을 적용하여 각 보정전과 보정 후 토양수분 자료를 융결/동해 기간으로 나누어 error variance를 분석하였다. 전반적인 통계적 분석 결과와 같이 AMSR2 토양수분 자료는 가장 높은 error variance를 나타내었으며, ASCAT과 ESACCI가 그에 비하여 낮은 error variance를 나타내었다. 이에 따라, 한반도에서 위성 기반 토양수분 자료를 활용할 때, AMSR2 토양수분 자료를 보정하여 사용하여도 경향성 및 토양수분의 역동성이 적절하게 모의 되지 않을 수 있다. 따라서, 한반도에서 토양수분 자료를 가뭄 평가 및물순환에 대한 연구에 적용할 경우에는 ASCAT과 ESACCI의 자료를 활용 하는 것이 적절하며, 적용하기 전에 error variance를 확인하여 어떤 토양수분 데이터를 활용하는 것이 적절한가를 판단하는 것이 중요할 것으로 판단된다.

사사

본 연구는 2018년도 정부(교육부)의 재원으로 한국 연구재단의 지원을 받아 수행된 기초연구사업(NRF2018R1D1A1B07049029)에 의해 수행되었습니다. 또한, 이 논문은 2019년도 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구입니다 (NRF-2019R1A2B5B01070196).

참고문헌

  1. Baek, J., K. Byun, D. Kim, and M. Choi, 2013. Assessment of solar insolation from COMS: Sulma and Cheongmi watersheds, Korean Journal of Remote Sensing, 29(1): 137-149 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2013.29.1.13
  2. Baik, J. and M. Choi, 2015. Evaluation of remotely sensed actual evapotranspiration products from COMS and MODIS at two different flux tower sites in Korea, International Journal of Remote Sensing, 36(1): 375-402. https://doi.org/10.1080/01431161.2014.998349
  3. Baik, J., M. Zohaib, U. Kim, M. Aadil, and M. Choi, 2019a. Agricultural drought assessment based on multiple soil moisture products, Journal of Arid Environments, 167: 43-55. https://doi.org/10.1016/j.jaridenv.2019.04.007
  4. Baik, J., J. Jeong, J. Park, and M. Choi, 2019b. A study on the analyzing of uncertainty for actual evapotranspiration: flux tower, satellite-based and reanalysis based dataset, Journal of Korea Water Resources Association, 52(1): 11-19 (in Korean with English abstract).
  5. Cho, E., M. Choi, and W. Wagner, 2015. An assessment of remotely sensed surface and root zone soil moisture through active and passive sensors in northeast Asia, Remote Sensing of Environment, 160: 166-179. https://doi.org/10.1016/j.rse.2015.01.013
  6. Choi, S.W., S. J. Lee, J. Kim, B. L. Lee, K. R. Kim, and B. C. Choi, 2014. Agrometeorological observation circumstances of KMA and their improvement plan, Proc. of Autumn Meeting of Korean Meteorological Society, Jeju, Oct. 13-15, pp. 313-314.
  7. Choi, S.W., S. J. Lee, J. Kim, B. L. Lee, K. R. Kim, and B. C. Choi, 2015. Agrometeorological Observation Environment and Periodic Report of Korea Meteorological Administration: Current Status and Suggestions, Korean Journal of Agricultural and Forest Meteorology, 17(2): 144-155 (in Korean with English abstract). https://doi.org/10.5532/KJAFM.2015.17.2.144
  8. Cui, C., J. Xu, J. Zeng, K.S. Chen, X. Bai, H. Lu, Q. Chen, and T. Zhao, 2018. Soil moisture mapping from satellites: An intercomparison of SMAP, SMOS, FY3B, AMSR2, and ESA CCI over two dense network regions at different spatial scales, Remote Sensing, 10(1): 33.
  9. Im, J., S. Park, J. Rhee, J. Baik, and M. Choi, 2016. Downscaling of AMSR-E soil moisture with MODIS products using machine learning approaches, Environmental Earth Sciences, 75(15): 1120. https://doi.org/10.1007/s12665-016-5917-6
  10. Kim, H., S. Kim, J. Jeong, I. Shin, J. Shin, and M. Choi, 2016. Revising Passive Satellite-based Soil Moisture Retrievals over East Asia Using SMOS (MIRAS) and GCOM-W1 (AMSR2) Satellite and GLDAS Dataset, Journal of Wetlands Research, 18(2): 132-147 (in Korean with English abstract). https://doi.org/10.17663/JWR.2016.18.2.132
  11. Lee, Y.G., C.G. Jung, Y. Cho, and S. Kim, 2017. Estimation of Soil Moisture Using Multiple Linear Regression Model and COMS Land Surface Temperature Data, Journal of the Korean Society of Agricultural Engineers, 59(1): 11-20 (in Korean with English abstract). https://doi.org/10.5389/KSAE.2017.59.1.011
  12. Jeong, J., J. Baik, and M. Choi, 2018. Estimation of dryness index based on COMS to monitoring the soil moisture status at the Korean peninsula, Journal of Korea Water Resources Association, 51(2): 89-98 (in Korean with English abstract). https://doi.org/10.3741/JKWRA.2018.51.2.89
  13. Gruber, A., C. Su, S. Zwieback, W. Crow, W. Dorigo, and W. Wagner, 2016. Recent advances in (soil moisture) triple collocation analysis, International Journal of Applied Earth Observation and Geoinformation, 45: 200-211. https://doi.org/10.1016/j.jag.2015.09.002
  14. Mccoll, K.A., J. Vogelzang, A.G. Konings, D. Entekhabi, M. Piles, and A. Stoffelen, 2014. Extended triple collocation: estimating errors and correlation coefficients with respect to an unknown target, Geophysical Research Letters, 41(17): 6229-6236. https://doi.org/10.1002/2014GL061322
  15. McColl, K. A., A. Roy, C. Derksen, A.G. Konings, S.H. Alemohammed, and D. Entekhabi, 2016. Triple collocation for binary and categorical variables: Application to validating landscape freeze/thaw retrievals, Remote Sensing of Environment, 176: 31-42. https://doi.org/10.1016/j.rse.2016.01.010
  16. Montzka, C., H.R. Bogena, M. Zreda, A. Monerris, R. Morrison, S. Muddu, and H. Vereecken, 2017. Validation of spaceborne and modelled surface soil moisture products with cosmic-ray neutron probes, Remote Sensing, 9(2): 103. https://doi.org/10.3390/rs9020103
  17. Park, J., J. Baik, and M. Choi, 2017. Satellite-based crop coefficient and evapotranspiration using surface soil moisture and vegetation indices in Northeast Asia, Catena, 156: 305-314. https://doi.org/10.1016/j.catena.2017.04.013
  18. Reichle, R.H. and R.D. Koster, 2004. Bias reduction in short records of satellite soil moisture, Geophysical Research Letters, 31(19): L19501. https://doi.org/10.1029/2004GL020938
  19. Stoffelen, A., 1998. Toward the true near surface wind speed: Error modeling and calibration using triple collocation, Journal of Geophysical Research: Oceans, 103: 7755-7766. https://doi.org/10.1029/97JC03180
  20. Su, C., D. Ryu, W.T. Crow, and W.A. Western, 2014a. Remote sensing of environment standalone error characterization of microwave satellite soil moisture using a fourier method, Remote Sensing of Environment, 154: 115-126. https://doi.org/10.1016/j.rse.2014.08.014
  21. Su, C.H., D. Ryu, W.T. Crow, and W.A. Western, 2014b. Beyond triple collocation: applications to soil moisture monitoring, Journal of Geophysical Research: Atmospheres, 119(11): 6419-6439. https://doi.org/10.1002/2013JD021043