Analysis of the Cloud Removal Effect of Sentinel-2A/B NDVI Monthly Composite Images for Rice Paddy and High-altitude Cabbage Fields

논과 고랭지 배추밭 대상 Sentinel-2A/B 정규식생지수 월 합성영상의 구름 제거 효과 분석

Abstract

Crops show sensitive spectral characteristics according to their species and growth conditions and although frequent observation is required especially in summer, it is difficult to utilize optical satellite images due to the rainy season. To solve this problem, Constrained Cloud-Maximum Normalized difference vegetation index Composite (CC-MNC) algorithm was developed to generate periodic composite images with minimal cloud effect. In thisstudy, using this method, monthly Sentinel-2A/B Normalized Difference Vegetation Index (NDVI) composite images were produced for paddies and high-latitude cabbage fields from 2019 to 2021. In August 2020, which received 200mm more precipitation than other periods, the effect of clouds, was also significant in MODIS NDVI 16-day composite product. Except for this period, the CC-MNC method was able to reduce the cloud ratio of 45.4% of the original daily image to 14.9%. In the case of rice paddy, there was no significant difference between Sentinel-2A/B and MODIS NDVI values. In addition, it was possible to monitor the rice growth cycle well even with a revisit cycle 5 days. In the case of high-latitude cabbage fields, Sentinel-2A/B showed the short growth cycle of cabbage well, but MODIS showed limitations in spatial resolution. In addition, the CC-MNC method showed that cloud pixels were used for compositing at the harvest time, suggesting that the View Zenith Angle (VZA) threshold needsto be adjusted according to the domestic region.

농작물은 그 종과 생육상태에 따라 민감한 분광특성을 나타내며, 특히 여름철에 집중적으로 관측이 필요하나 장마로 인해 광학위성의 활용이 어렵다. 이 문제를 해결하기 위해 CC-MNC(Constrained Cloud-Maximum NDVI Composite) 기법이 개발되었으며, 이 기법을 통해 구름의 영향이 최소화된 일정 주기의 대표 합성영상이 생성된다. 본 연구에서도 이 기법을 이용하여, 2019년부터 2021년까지 논과 고랭지 배추밭을 대상으로 Sentinel-2A/B NDVI 월합성영상을 제작하였다. 다른 해보다 200 mm 많은 강수량을 보이는 2020년 8월에는 16일 주기 MODIS NDVI합성영상에서도 구름의 영향이 크게 나타났다. 이 시기를 제외하고 CC-MNC 기법은 평균적으로 원영상의 45.4%의 구름 비율을 14.9%로 줄일 수 있었다. 논의 경우 Sentinel-2A/B와 MODIS NDVI 값이 큰 차이가 나지 않았으며, 5일의 주기로도 벼의 생육 주기를 잘 모니터링할 수 있었다. 고랭지 배추밭의 경우, Sentinel-2A/B에서는 고랭지 배추의 짧은 생육 주기가 잘 나타났지만, MODIS는 공간해상도의 한계를 보였다. 이와 함께 CC-MNC 기법은 수확 시기에 구름 화소가 합성에 사용되는 현상이 보이기도 하였으며, 국내지역에 맞게 VZA 임계치의 조정이 필요하다는 시사점이 도출되었다.

1. 서론

하루에 전 지구 면적 대비 구름에 의해 가려지는 면적 비율이 평균적으로 64%임을 볼 때(Hahn et al., 1995), 구름은 광학위성영상의 활용에 가장 큰 문제로 볼 수 있다. 이 문제를 해결하기 위한 방안으로 일정 기간 내 위성영상의 화소 중 구름, 연무, 그림자의 영향을 가장 적게 받은 화소만을 선택하여 가장 깨끗한 대표 영상을 제작하는 주기 합성 기법이 개발되었다(Wang et al., 2014). 특히 밭 작물의 경우 생육 주기가 매우 짧아 구름으로 인한 광학위성영상 활용의 제약이 크며, 논의 경우 벼의 생육 주기에 장마나 태풍의 영향으로 인한 많은 구름으로 광학위성을 이용한 생육 모니터링이 매우 어렵다(Kim and Eun, 2021). 구름의 영향을 최소화하기 위해 농업 활용의 경우 10일, 30일, 60일, 계절 등 다양한 합성 주기의 영상이 활용되고 있다(Griffiths et al., 2019). 대표적으로 MaxNDVI 합성 기법 기반으로 제작된 전 지구의 NOAA-AVHRR 위성과 Terra/Aqua MODIS 위성 NDVI 합성영상이 배포되고 있다(Kim et al., 2011). MaxNDVI 합성 기법은 구름의 낮은 NDVI 값을 보이는 점을 이용하여, 일정 주기 동안 화소들 중 가장 높은 NDVI 값을 보이는 화소를 선택하는 기법으로, 처리 과정이 간단해 많은 위성영상의 주기 합성에 사용되고 있다(Fraser et al., 2009; Wang et al., 2014; Holben 1986). 특히 식생지역에서 그 합성 효과가 좋은 것으로 나타났다(Botta et al., 2000; Dickinson et al., 1986). 다만, 식생지수 값이 낮게 나타나는 비식생지역에서는 그 합성 효과가 크지 않고, 안개나 그림자의 영향을 받은 화소들을 정확히 구분해 내기 어렵다는 문제가 있다(Wang et al., 2014). 특히, 센서각이 큰 화소가 선택되는 문제가 발생되어, 센서각의 임계치 안에 들어오는 화소만을 대상으로 MaxNDVI 합성 기법을 적용하는 CC-MNC기법이 적용되었다(Gallo et al., 2005). 그러나 현재 제공되는 주기 합성 NDVI영상은 지구 환경 모니터링을 위한 중해상도 위성영상을 대상으로 하고 있으며, 국외의 대규모 농경지를 대상으로 그 활용성이 분석되고 있다(Griffiths et al., 2019). 최근 다양한 1 m 이하의 고해상도 위성영상이 제공되며, 국내의 경우 2021년 국토위성을 시작으로 2025년에 고해상도 농림위성이 발사될 예정이다(Kim and Eun, 2021). 이에 따라 국내의 농작지와 같이 공간적 규모가 작은 농경지에 대한 식생지수 영상의 제공이 가능해졌다. 특히 국내의 농경지는 재배되는 농작물의 종류가 다양하며 그에 따라 생육 주기가 매우 다양한데, 밭작물은 그 주기가 매우 짧다. 이에 따라 높은 공간해상도와 높은 주기해상도가 동시에 요구된다. 본 연구에 서는 국내 논과 밭을 대상으로 시계열 Sentinel-2A/B 위성영상에 CC-MNC 기법을 적용하여, 2019년부터 2021년까지 월합성 NDVI영상을 생성 후, 본 주기 합성 기법의 구름 제거 효과를 정량적으로 분석하려 한다.

2. 연구 방법

1) 연구 지역

본 연구에서는 식생지수 주기 합성영상의 활용이 필요한 다양한 작물 중 벼가 넓게 분포한 당진 왜목마을 일대의 1,042.5 ha 영역과 높은 고도로 인해 구름이나 안개가 많이 발생하는 강원도 고랭지 배추밭을 선택하였다. 국내 밭작물은 공간적 규모가 작고, 매년 작물의 종류가 바뀌는 경우가 많다. 강원도 고랭지 배추밭은 고유한 지형적 특징으로 고유 작물인 배추만을 재배하며, 넓은 면적으로 분포되어 있다. Fig. 1과 같이 태백에 매봉산(102.6 ha)과 귀네미 지역(67 ha), 강릉에 안반덕 지 역(147.3 ha)이 선택되었다. 벼는 일반적으로 4월에 파종하여 11월에 수확되며, 고랭지 배추는 여름 재배 작물로 5월~7월에 파종하여 8~9월에 수확된다.

Fig. 1. Distribution of study sites (used google map, Landsat 8 images and smart farm maps (yellow line)).

2) 사용한 자료

본 연구에서는 식생지수 주기 합성 알고리즘의 효과를 검증하기 위해, 7월~10월 사이에 강수량이 평년에 비해 200 mm이상 많이 내린 2020년을 선정하였으며, 평년을 대표하기 위해 2019년과 2021년 자료를 추가로 사용하였다. 본 연구에서는 Table 1과 같이 주기 합성을 위해 10 m의 공간해상도로 5일 주기로 제공되는 Sentinel-2A/ B L1C(radiance)와 L2A자료(reflectance)를 사용하였다. 이와 함께 합성영상의 비교 대상으로 1 km 공간해상도를 가진 16일 합성 MODIS NDVI영상(MOD/MYD13)을 사용하였다. MODIS영상의 경우 촬영 영역이 넓어 논과 고랭지 배추밭 영역을 한 씬으로 제공하고 있다. 2019년부터 2021년까지 작물의 생육기간을 고려하여, 당진 벼지역은 4월부터 11월까지, 고랭지 배추밭은 5월에서 10월까지의 위성영상을 사용하였다. 사용된 위성 영상의 수와 제공처는 Table 1과 같다. 이와 함께 주기 합성된 식생지수의 시계열 패턴 분석을 위해 대상 시기 의 강수량 자료를 수집하였으며, 농경지의 필지별 경계를 제공하는 스마트 팜 맵을 대상 지역에 맞춰 사용하였다. 합성영상의 NDVI와 현장자료와의 비교검증을 위하여 분광측정기를 이용하여 당진 논의 분광반사도를 측정하여 사용하였다.

Table 1. The data used in this study

3) 처리 과정 및 분석 방법

현재 Sentinel-2A/B의 대기보정 된 반사율 영상인 L2A의 경우 2021년 7월 영상부터 제공되어, 2019년~2021년 6월 자료까지는 L1C radiance 영상을 사용하였다. L1C 영상은 전용 대기보정 S/W인 Sen2Cor을 이용하여 대기보정을 수행하였으며, rural 에어로졸 모델과 중위도 여름 대기모델을 사용하였다(Kim and Eun, 2021). 이렇게 반사율로 변환한 자료를 이용하여 NDVI 영상을 제작하였다. 또한 두 위성의 합성 시 고려하게 되는 센서 천정각 정보도 본 연구에서 같이 사용되었다. Fig. 2와 같이, 이렇게 변환된 NDVI 영상을 한달 주기로 합성하는데, 최대 NDVI 값을 보이는 화소를 합성에 사용하는 방식인 MaxNDVI 합성 기법을 적용하였다. 단, 이때 센서 천정각(View Zenith Angle, VZA)이 높은 화소가 선택되어 좋은 품질의 NDVI 값을 획득하기 어려운 MaxNDVI 합성 기법의 한계를 해결하기 위해, 센서 천 정각이 7.5° 이하인 화소만을 사용하는 CC-MNC 기법을 적용하였다(Skakun et al., 2017). 그러나 연구 지역 중 강릉 안반덕 지역의 센서 천정각은 7.5° 이상으로 나타나 합성에 사용될 수 없었다. 본 연구에서는 지구 환경 위성영상에 적용된 센서 천정각 임계치와 함께 본 연구 지역에 맞는 센서 천정각 임계치로 8.4°를 사용한 CC-MNC 기법도 적용하였다. 이렇게 제작한 월별 NDVI 합성영상을 이용해 산출한 NDVI 시계열 패턴(2019년~2021년)을 위성 센서별로 비교하였다. 또한 원 영상과 월 합성 결과의 잔여 구름 면적 비율을 비교함으로써, 농작물의 모니터링을 위한 본 CC-MNC 기법의 구름 제거 효과를 분석하였다. 이때 Sentinel-2A/B L2A에서는 Quality Scene Classification(QSC) 영상에 높은 확률의 구름(QSC value=9) 마스크정보를 사용하였다.

Fig. 2. Monthly NDVI cloud-free composite processing steps and analysis methods.

3. 연구 결과

Fig. 3은 2019년 4월부터 2021년 10월까지 당진 논지역의 Sentinel-2A/B NDVI 월 합성 영상을 보여주고 있다. 벼의 생육 주기에 맞게 8월에 가장 높은 NDVI 값을 보이고 있으며, 2020년 8월에는 긴 우기로 Sentinel-2A/B 영상이 획득되지 못했다. 2021년에는 다른 해와 다르게 6월부터 벼의 NDVI 값이 증가한 것을 볼 수 있다. Sentinel-2A/B 위성영상의 10m 공간해상도로 논의 상세한 NDVI 분포가 보임을 알 수 있다. Fig. 4와 5는 태백 매봉산과 귀네미 고랭지 배추밭의 월 합성 NDVI를 보여주고 있다. 논은 공간적으로 균일한 NDVI 값을 보인 반면, 고랭지 배추밭은 필지별로 다양한 생육 상태를 보여주고 있다. 이는 파종 및 수확 기간이 필지별로, 밭을 경작하는 사람에 따라 매우 다양하기 때문이다. 두 고랭지 배추밭은 모두 2020년 7월~8월은 긴 우기로 인해 NDVI 값이 매우 낮거나 영상이 획득되지 못했다. 그러나, 두 지역 모두 2019년에는 8월에, 2020년에는 7월에 높은 NDVI 값을 나타냈다. 2021년은 논과 고랭지 배추밭 모두 다른 해에 비해 한달 정도 빠른 성장을 보였다. 수확 시기인 9월에는 필지별로 수확된 곳은 낮은 NDVI 값을, 수확이 안된 곳은 높은 NDVI 값을 보이는 것을 알 수 있다. 8월의 경우 필지 모양이 아닌 구름의 영향으로 일부분이 NDVI 값이 낮게 나타난 것을 볼 수 있다.

Fig. 3. Sentinel-2A/B NDVI monthly composite images based on CC-MNC algorithm in Dangjin paddy field (April 2019~ Nov. 2019, April 2020~Nov. 2020, April 2021~Oct. 2021).

Fig. 4. Sentinel-2A/B NDVI monthly composite images based on CC-MNC algorithm in Maebongsan Napa cabbage field (April 2019~Nov. 2019, April 2020~Nov. 2020, April 2021~Oct. 2021).

Fig. 5. Sentinel-2A/B NDVI monthly composite images based on CC-MNC algorithm in Gwinemi Napa cabbage field (April 2019~Nov. 2019, April 2020~Nov. 2020, April 2021~Oct. 2021).

Fig. 6은 당진 논 지역과 태백 고랭지 배추밭의 월 평균 NDVI 값의 시계열 패턴을 보여주고 있다. 월 평균 강수량도 막대 그래프로 표현되어 있는데, 2020년의 경우 전국적으로 2019년과 2021년에 비해 7월~10월까지 200mm 정도 높은 강수량을 기록하였다. 특히, 강원도 태백지역은 2020년 10월에 가장 높은 강수량을 기록하였다. 당진 논지역의 경우, 강수량이 높았던 2020년 여름에 16일 주기 MODIS NDVI 합성영상에서 조차 구름의 영향으로 NDVI 변동이 심하게 나타난 것을 볼 수 있다. Fig. 6(top)에서와 같이, 논 지역은 Sentinel-2A/B 위성의 NDVI 값이 MODIS NDVI에 비해 다소 낮게 나타나지만, 두 위성 모두 벼의 생육 주기를 잘 보여주고 있다. 두 위성의 차이는 센서의 분광 밴드 차이로 인한 것일 수 있으나, 매일 촬영되는 MODIS NDVI 합성 영상이 5일주기로 촬영되는 Sentinel-2A/B 합성 영상에 비해 구름의 영향을 보다 크게 제거한 것일 수 있다. 이는 Fig. 7에서와 같이, 논 지역은 공간적으로 넓게 분포되어 있어, 두 위성의 공간해상도에 따른 차이도 거의 없으며, 비슷한 NDVI 값을 나타냄을 볼 수 있다. 이에 비해 고랭지 배추밭의 경우, Fig. 6(middle)에서처럼 Sentinel-2A/B 월 합성 NDVI 영상에서는 고랭지 배추의 짧은 생육 주기(6월~9월)가 잘 나타났다. MODIS NDVI 월 합성영상에서는 이 짧은 생육 주기가 아닌 일반적인 산림의 시계열 NDVI 패턴을 보여주고 있다. 또한 Fig. 6(middle), (bottom)에서와 같이 MODIS NDVI 값 이 Sentinel-2A/B 보다 매우 높게 나타나는 것을 볼 수 있다. 이는 논과 다르게 고랭지 배추밭은 산림 지역으로 둘러 쌓여 있어, 1 km MODIS의 낮은 공간해상도로 배추밭과 산림지역의 혼합된 NDVI 값을 나타내는 것으로 사려 된다. 이러한 현상은 Fig. 8(right)에서도 나타나는데, MODIS NDVI 합성 영상에서는 밭의 가장자리에서 산림과 섞여 밭의 중앙에 비해 높은 NDVI 값을 보이는 것을 볼 수 있다. 작은 공간적 규모인 밭지역의 모니터링을 위해서는 높은 공간해상도의 위성영상이 필요하다는 것을 알 수 있다. 기상학적으로 평년의 강수량을 보이는 해의 경우, NDVI 월합성에 있어 5일 주기의 Sentinel-2A/B 영상은 일별 촬영하는 MODIS 영상 수준의 시계열 변화 정보를 제공하는 것으로 보인다.

Fig. 6. Time series patterns of monthly composited Sentinel-2A/B NDVI and 16-day composite MODIS NDVI images of Dangjin rice paddy(top), Maebongsan (middle) and Gwinemi Napa cabbage fields (bottom) (April 2019~Nov. 2019, April 2020~Nov. 2020, April 2021~Oct. 2021).

Fig. 7. Sentinel-2A/B NDVI monthly composite image (left, cloud coverage 0%) and MODIS NDVI 16-day composite Image (right) on July, 2021 of Dangjin rice paddy.

Fig. 8. Sentinel-2A/B NDVI monthly composite image (left, cloud coverage 24%) and MODIS NDVI 16-day composite Image (right) on September, 2019 of Maebongsan Napa cabbage field.

본 연구에서 사용한 CC-MNC 기법의 구름 제거 효과를 정량적으로 분석하기 위해 Table 2와 Table 3과 같이 일별 구름 면적 비율과 월 합성 후 구름 면적 비율을 비교하였다. CC-MNC 기법은 평균적으로 원영상의 45.4%의 구름 비율을 14.9%로 줄일 수 있었다. 2021년의 경우 이전 해에 비해 많은 일별 영상이 획득되어 합성에 사용되었으나, 실제 사용된 영상의 수보다, 구름의 영향이 없는 일별 영상의 유무가 합성 시 구름 제거 효과를 결정하는 것으로 나타났다. 이는 Fig. 9에서도 잘 나타나는데, 2019년 7월 두 개의 일별 영상이 사용되었으나, 0% 구름 면적 비율의 영상이 있어 구름 제거 효과가 매우 높게 나타나는 것을 볼 수 있다. 반면에, Fig. 10과 같이 0% 구름 면적 비율의 일별 영상이 있었으나, 합성 결과 37%의 구름 면적 비율이 나타나는 것을 볼 수 있다. 0%의 구름 비율을 보이는 9월 21일 영상은 고랭지 배추의 수확 후 영상으로, 수확 후 나지의 NDVI가 구름의 NDVI보다 낮아 합성에 사용되지 못하였다. 이와 같이, 최대 NDVI 값을 사용하는 본 합성 방법은 나지 지역의 합성에 있어 구름의 효과를 제거하지 못한다는 한계를 보여주고 있다.

Table 2. Cloud area ratio of Sentinel-2A/B original daily and monthly composite Images in Dangjin paddy field (2019~2021)

Table 3. Cloud area ratio of Sentinel-2A/B original daily and monthly composite Images in Maebongsan and Gwinemi cabbage fields (2019~2021)

Fig. 9. Sentinel-2A/B daily cloud masks (a: 2019.07.04, 0.04% cloud and b: 2019.07.09, 100% cloud) and cloud mask (c: 0.04% cloud) extracted from monthly composite NDVI image (July 2019) of Maebongsan Napa cabbage field (black: non-cloud, white: cloud).

Fig. 10. Sentinel-2A/B daily cloud masks (a: 2020.09.06, 100% cloud, b: 2020.09.11, 100% cloud, c: 2020.09.16, 58% cloud, d: 2020.09.21, 1% cloud, and e: 2020.09.26, 100% cloud) and cloud mask (f: 37% cloud) extracted from monthly composite NDVI image (September 2019) of Maebongsan Napa cabbage field (black: non-cloud, white: cloud).

당진 논 지역에서 측정된 벼의 분광반사율을 Sentinel-2A/B센서에 맞춰 변환 후 산출된 NDVI 값과 관측 당일 일별 Sentinel-2A/B NDVI 값, 해당 월 합성된 NDVI 값을 일대일 대응관계를 Fig. 11과 같이 나타냈다. 현장 관측된 반사율의 규모와 위성의 화소의 공간적 규모로 NDVI 값의 차이가 나타났다. 그러나 일별 영상에서는 연무의 영향으로 낮은 NDVI가 나타남에 반에 월합성 NDVI 값은 현장 관측 값과 비슷하게 높은 값을 나타냈다. 월합성된 NDVI에서 일별 NDVI 영상에 비해 감소된 Root Mean Square Error(RMSE) 값을 보였다.

Fig. 11. One-to-one correspondence graphs between (left) dailySentinel-2A/B and ASD measured NDVI, (right) monthly composite and ASD measured NDVI in Dangjin rice paddy (black line shows a one-to-one line).

본 연구에 적용된 CC-MNC 기법은 센서 천정각의 제 약을 두고 있다. 당진 논 지역에서는 본 임계치 7.5° 이하 의 범위를 모두 만족하여 합성 시 사용되었으나, 강릉 안반덕 고랭지 배추밭의 경우 7.5° 보다 높은 지역에 분 포하여 NDVI 합성 시 안반덕 지역 일대의 화소가 합성 에 사용되지 못하였다(Fig. 12). 이는 국내 지역에 맞게 센서 천정각의 임계치를 8.4°로 설정할 경우, 본 연구 지 역에 대해 합성 영상이 제작될 수 있다. 이와 같이, 지구 환경 관측 위성에 맞춘 센서 천정각의 임계치를 그대로 사용하기 보다, 국내 농업 활용을 위해 대상지역에 맞 는 센서 천정각의 임계치 조정이 필요하다.

Fig. 12. Sentinel-2A/B VZA image of Gangwondo Napa cabbage field (May 4, 2020).

4. 결론

본 연구에서는 전 지구 환경 위성의 NDVI 합성기법으로 많이 사용되고 있는 CC-MNC 기법을 국내 논과 고랭지배추밭의 Sentinel-2A/B NDVI 영상에 적용하여, 국내 농작물 모니터링에 대한 주기 합성 기법의 구름 제거 효과를 분석하였다. 본 기법을 통해 월 두개의 일별 영상으로도 구름 제거 효과를 볼 수 있었으며, 일별 영상에 비해 월 합성 영상에서는 구름 비율을 원영상 대비 30.5% 정도 줄일 수 있었다. 반면에 고랭지 배추밭의 경우, 수확 후 나지상태의 화소가 월 합성영상에 사용되기 보다는 구름 화소가 선택되는 경우가 나타났다. 최대 NDVI 값을 취하는 방식이 식생이 분포한 지역에서만 그 효과가 큰 것을 볼 수 있었다. Sentinel-2A/B 영상의 10 m 공간해상도와 5일 재방문 주기는 논과 고랭지 배추의 생육 주기를 모니터링하는데 적합하게 나타났으나, 1 km의 공간해상도의 16일 주기 MODIS NDVI 합성영상은 고랭지 배추의 생육 주기 및 상태를 모니터링하는데 한계를 나타냈다. 국내 밭의 소규모 영역과 짧은 생육 주기를 고려할 때 보다 높은 공간해상도와 주기 해상도의 위성영상이 필요할 것으로 사려된다. 향후 연구에서는 CC-MNC 기법에 제약 조건인 센서 천정각을 국내 농경지에 맞는 임계치를 결정하기 위한 분석을 수행할 예정이다.