Spatial Downscaling of Ocean Colour-Climate Change Initiative (OC-CCI) Forel-Ule Index Using GOCI Satellite Image and Machine Learning Technique

GOCI 위성영상과 기계학습 기법을 이용한 Ocean Colour-Climate Change Initiative (OC-CCI) Forel-Ule Index의 공간 상세화

Abstract

Forel-Ule Index (FUI) is an index which classifies the colors of inland and seawater exist in nature into 21 gradesranging from indigo blue to cola brown. FUI has been analyzed in connection with the eutrophication, water quality, and light characteristics of water systems in many studies, and the possibility as a new water quality index which simultaneously contains optical information of water quality parameters has been suggested. In thisstudy, Ocean Colour-Climate Change Initiative (OC-CCI) based 4 km FUI was spatially downscaled to the resolution of 500 m using the Geostationary Ocean Color Imager (GOCI) data and Random Forest (RF) machine learning. Then, the RF-derived FUI was examined in terms of its correlation with various water quality parameters measured in coastal areas and its spatial distribution and seasonal characteristics. The results showed that the RF-derived FUI resulted in higher accuracy (Coefficient of Determination (R²)=0.81, Root Mean Square Error (RMSE)=0.7784) than GOCI-derived FUI estimated by Pitarch's OC-CCI FUI algorithm (R²=0.72, RMSE=0.9708). RF-derived FUI showed a high correlation with five water quality parameters including Total Nitrogen, Total Phosphorus, Chlorophyll-a, Total Suspended Solids, Transparency with the correlation coefficients of 0.87, 0.88, 0.97, 0.65, and -0.98, respectively. The temporal pattern of the RF-derived FUI well reflected the physical relationship with various water quality parameters with a strong seasonality. The research findingssuggested the potential of the high resolution FUI in coastal water quality management in the Korean Peninsula.

Forel-Ule Index (FUI)는 자연에 존재하는 담수 및 해수의 색을 남색부터 고동색까지 21 가지의 등급으로 구분하는 지표이다. FUI는 여러 선행연구에서 수계의 부영양화 지수, 수질인자, 광 특성 등과 연관 지어 분석되었으며, 여러 수질인자의 광학적 정보를 동시에 가지고 있는 새로운 수질 지표로써의 가능성이 제시되었다. 본 연구에서는 500 m의 높은 공간해상도를 가지는 정지궤도 해양위성해색탑재체(Geostationary Ocean Color Imager; GOCI) 관측 자료와 Random Forest (RF) 기계학습 기법을 활용하여 Ocean Colour-Climate Change Initiative(OC-CCI) 기반의 4 km FUI 자료를 공간 상세화 시켰다. 이를 활용하여 우리나라 연안 해역에 대한 수질인자와의 상관관계와 주요 해역에 대한 FUI의 공간적 분포 및 계절별 특성 변화를 분석하였다. 검증 결과 RF 기법으로 추정한 RF FUI는 결정계수(R²)=0.81, 평균 제곱근 오차(Root Mean Square Error; RMSE)=0.7784로, Pitarch의 OC-CCI FUI 알고리즘을 적용하여 계산한 GOCI FUI 추정 정확도(R²=0.72, RMSE=0.9708) 대비 향상된 결과를 보였다. RF FUI는 총 질소(Total Nitrogen), 총 인(Total Phosphorus), 클로로필-a(Chlorophyll-a), 총 부유물질(Total Suspended Solids), 투명도(Secchi Disk Depth)를 포함하는 5가지 수질인자와 각각 0.87, 0.88, 0.97, 0.65, -0.98의 상관계수로 강한 상관성을 보였다. 산출된 FUI의 시간적 패턴 역시 여러 수질인자와의 물리적 관계를 반영하며 유의미한 계절적 패턴의 변화를 보였다. 본 연구의 결과로 한반도 연안 수질 관리에서 고해상도 FUI의 활용 가능성을 제시하였다.

1. 서론

해색(Ocean Colour) 원격탐사는 빛이 해수와 상호작용을 거쳐 다시 대기로 반사된 전가기파 에너지를 인공 위성으로 관측하여 해수의 색변화를 탐사하는 분야로, 해양 생태계와 물리적 특성 등을 이해하는 기반이 된다 (Platt, 2008). 해수 수출 광량(Water-leaving Radiances; Lw) 은 각종 플랑크톤, 부유물질 등과 같은 해수에 포함된 다양한 물질의 정보를 포함하고 있다. 해색 원격탐사는 주로 클로로필-a (Chlorophyll-a; Chl-a), 유색 용존 유기물 (Colored Dissolved Organic Matter) 농도, 탁도(Turbidity) 등 수질 및 해양 생태계에 영향을 미치는 주요 인자를 분석하는 데에 활용되고 있으며, 최근에는 해수면 염분 (Sea Surface Salinity), 용존 산소량(Dissolved Oxygen), 탄소 분압(Fugacity of CO₂) 등 다양한 분야에 대하여 활용도가 증가하고 있는 추세이다. 앞서 소개한 해색 원격 탐사의 성공적인 분석 사례와 넓은 활용도를 바탕으로 지속적으로 이에 대한 관심이 증가하고 있으며, 특히 천리안위성 2B호의 해양탑재체(GEO-KOMPSAT-2B Geostationary Ocean Color Imager-2; GK2B GOCI-2)가 2020년 성공적으로 발사됨에 따라 동아시아 지역에 대한 해색 연구가 더욱 활발히 수행될 전망이다. 뿐만 아니라, 전 지구 기후 관측 시스템(Global Climate Observing System)은 현존하는 과학적 관측, 자료관리, 정보 분배 시스템을 기반으로 기후시스템의 중요 요소를 감시하는 프로그램의 유지와 강화를 목적으로 해양, 대기, 육상 3개 분야에 대한 핵심 기후 변수(Essential Climate Variables)를 선정하였으며, 해양 분야 변수의 하나로 해색을 선정하였다. 유럽 항공 우주국(European Space Agency; ESA) 기후변화기구(Climate Change Initiative; CCI)에서는 핵심 기후 변수 중 하나로써 Ocean ColourCCI (OC-CCI) 산출물을 매일 전세계 해양에 대하여 4 km의 해상도로 가공하여 제공하고 있으며, 이를 전 지구 기후변화 모니터링을 위한 자료로 활용하고 있다.

이러한 해색 자료를 기반으로 Forel (1890)과 Ule (1892)은 자연에 존재하는 담수 및 해수의 색을 1 (남색; indigo-blue)부터 21 (고동색; cola-brown)까지 21 가지 등급으로 구분하는 Forel-Ule Index (FUI)를 개발하였고, Wernand and Van der Woerd (2010)에 의해 각 등급에 대한 특징이 분석되었다. 이후 FUI는 여러 선행연구에서 수계의 부영양화 지수(Q Chen et al., 2020; Wang et al., 2018), 수질인자(Petus et al., 2019; Garaba et al., 2015), 광 특성(Wang et al., 2019) 등과 연관지어 분석되었고, 이를 통해 여러 수질인자의 광학적 정보를 동시에 가지고 있는 새로운 수질 지표로써의 가능성이 제시되었다. 특히 OC-CCI는 다종위성 융합 자료로써, 구름 등으로 인한 데이터 결측 비율이 적다는 장점을 살려 전 지구적인 FUI와 해색 변화 연구에 활용되었다(Pitarch et al., 2019; Pitarch et al., 2021). 또한, Nie et al. (2020)은 동중국해 지역에 관하여 OC-CCI FUI와 현장 FUI 자료를 비교하여 의미 있는 상관관계를 발견하였으며 중국 연안 관리 측면에서 위성 FUI 자료의 활용 가능성을 제시하였다.

그러나 연안 지역에 대한 FUI 연구는 여전히 부족한 실정이다. 연안 지역은 해역별로 특성이 매우 다르고 근처 섬이나 육상 지역의 영향을 받기 쉽기 때문에 더욱 상세한 공간해상도로 분석이 필요하다. 특히 조차가 커 해양 특성의 변화가 잦고 남해안에 위치한 다도해역으 로 인하여 해안선이 고르지 못한 우리나라 해역의 특성상 기존에 널리 활용되는 OC-CCI 기반의 FUI를 적용하 기에는 한계가 있다. 따라서, 보다 높은 시공간 해상도를 가지는 위성 원격탐사 기법 기반의 해색 및 FUI를 활용한 해역관리가 필요하다.

본 연구는 500 m의 높은 공간해상도를 가지는 정지궤도 해색탑재체(Geostationary Ocean Color Imager; GOCI) 관측 자료와 기계학습 기법을 활용하여 우리나라 해역에 대한 고해상도 FUI 산출 알고리즘을 개발하였다. 개발한 고해상도 FUI를 활용하여 2020년 우리나라 연안 해 역에 대한 수질인자와의 상관관계를 분석하였다. 또한, 주요 해역에 대한 FUI의 공간적 분포와 계절별 특성 및 변화를 분석하였다.

2. 연구지역 및 연구자료

본 연구는 2019년 우리나라 해역을 대상으로 모델 구축 및 검증, 2020년을 대상으로 분석을 진행하였다. 연구지역은, 동해 생태구(East Sea Ecoregion), 대한해협 생 태구(Korea Strait Ecoregion), 서남해역 생태구(Western South Sea Ecoregion), 서해 중부 생태구(Central West Sea Ecoregion), 제주 생태구(Jeju Ecoregion)의 5개 생태구 역을 모두 포함하는 영역(위도: 124°E–131°E, 경도: 33°N–39°N)으로 설정하였다. 생태구역이란, 비교적 비슷한 물리, 화학, 생물학적 특성을 가지는 지리적 단위로써 해양은 수체의 환경 특성이 매우 다양하여 외부 영향에 대한 반응이 수체마다 다르게 일어나기 때문에 생태구역별 관리가 필요하다(Board and Council, 2000). 이에, 해양수산부는 『해양환경기준』에 의거하여 앞서 언급한 바와 같이 우리나라 연안을 수심, 해류, 조석 등의 해역별 특성을 고려한 5개 생태구로 나누어 관리하고 있다(MOF, 2013). 각 생태구를 구분하기 위해 동해 생태구에서는 수심, 대한해협 생태구에서는 해류, 서남 해역 생태구에서는 탁도, 서해 중부 생태구에서는 염분과 조차, 제주 생태구에서는 기후가 가장 중요한 분류자로 사용되었다(Rho et al., 2012).

연구자료로는 OC-CCI 및 GOCI 원격반사도(Remote Sensing Reflectance, R_rs)를 활용하였다. OC-CCI 자료의 경우 2020년 11월에 공개된 5.0 버전(OC-CCI v5.0) 자료를 활용하였으며, 모든 자료는 ESA가 운영·관리 하는 웹사이트(http://www.oceancolour.org)에서 제공받을 수 있다(Sathyendranath et al., 2019). GOCI 관측자료의 경우 한국해양위성센터(Korea Ocean Satellite Center (KOSC); http://kosc.kiost.ac.kr/)에서 Level 1B 형태로 다운받을 수 있으며, 천리안 해양관측위성 자료처리시스템(GOCI Data Processing System; GDPS) v2.0을 활용하여 대기보정을 통해 GOCI 밴드별 R_rs 및 품질정보(Flag)가 포함된 Level 2A 자료를 산출하여 활용하였다. GDPS를 활용한 GOCI 자료의 대기보정은 KOSC 표준 대기보정 알고리즘을 활용하였으며, 알고리즘 계수 값은 수정하지 않고 기본 설정을 기준으로 수행하였다. OC-CCI 자료는 중심파장 기준 412, 443, 490, 510, 560, 665 nm에 대한 총 6개 밴드의 R_rs를 제공하고 있으며, OC-CCI v5.0 R_rs는 Moderate Resolution Imaging Spectroradiometer (MODIS) Aqua, Suomi National Polar-Orbiting Partnership (NPP) Visible Infrared Imaging Radiometer Suite (VIIRS), Sentinel3 Ocean and Land Colour Instrument (OLCI) 기반의 R_rs 를 Medium Resolution Imaging Spectrometer (MERIS) 밴드 구성에 맞추어 대역이동(Band-shifting) 및 잔차보정 (Bias-correcting)을 수행한 결과이다(ESA, 2020). GOCI 는 가시광선 영역 기준으로 412, 443, 490, 555, 660, 680 nm의 총 6개 밴드에 대한 R_rs를 가지고 있으며, OC-CCI 자료와 비교하였을 때 510 nm의 자료가 없는 대신 680 nm의 자료를 가지고 있다.

또한 본 연구는 산출한 FUI와 수질인자의 상관관계를 분석하기 위하여 해양환경공단에서 조사·관리하는 해양환경측정망 관측자료를 활용하였다. 해양환경공단은 우리나라 전국 연안 및 근해역의 425개 정점을 선정하여 매년 2, 5, 8, 11월의 4 분기에 걸쳐 수온, 염분을 포함한 총 16개 해수 일반 항목에 대한 정보를 정기적으로 조사·제공하고 있다. 해당 자료는 해양수산부에서 운영하는 해양환경정보포털(https://www.meis.go.kr/portal/main.do)에서 받을 수 있다. 본 연구에서는 2020년 해양환경측정망 원본 관측자료 중 총 질소(Total Nitrogen; TN), 총 인(Total Phosphorus; TP), Chl-a, 부유 물질(Totalsuspended solids; TSS) 농도, 투명도(Secchi disk depth; SDD)자료를 활용하였다.

3. 연구방법

본 연구에서는 기계학습 기법인 Random Forest (RF) 모델을 사용하여 4 km의 OC-CCI FUI를 GOCI 위성의 500 m 해상도에 맞게 공간상세화 시켰다(Fig. 1). 입력 변수로는 2019년의 GOCI 일평균 원격반사도와 슬롯 번호가 사용되었고, OC-CCI FUI를 타겟으로 학습되었다. 이후 RF 모델로 산출된 500 m의 고해상도 FUI를 활용하여, 2020년의 해양환경측정망 현장 수질자료와 상관성 분석을 진행하였다(Fig. 1). 마지막으로, 2020년의 GOCI 월평균(2, 5, 8, 11월) 원격반사도를 입력변수로 산출한 월평균 FUI를 통해, 한반도 주요해역에서 FUI 의 계절적 패턴을 분석하였다(Fig. 1).

Fig. 1. The process flow diagram of the FUI downscaling approach proposed in this study.

먼저 입력자료의 공간해상도를 맞추기 위해, OCCCI 4 km 일평균 원격반사도를 사용하여 OC-CCI 4 km 일평균 FUI를 계산하였다. 또한, 선형 보간법을 사용해 GOCI 500 m 시간별 위성영상을 GOCI 4 km 일평균 영상으로 업스케일(Upscaling) 하였다. 앞서 소개하였듯 OC-CCI v5.0은 MODIS Aqua, Suomi NPP VIIRS, Sentinel 3 OLCI 세 위성 자료를 융합 활용하여 생성된 자료이며, 각 위성이 한반도 상공을 지나는 시간은 각각 한국 표준시(KST) 기준으로 오전 10시–11시(OLCI)와 오후 1시 –2시(Aqua, VIIRS) 경이다. 따라서, 이와 비슷한 시간대에 획득된 GOCI의 1번(오전 10시 15분)과 4번(오후 1시 15분) 영상을 활용하여 GOCI 일평균 위성영상을 생성하였으며, 두 영상의 원격반사도 값이 모두 유효한 경우에만 대푯값으로 사용하였다. GOCI L2 flag를 활용하여 신뢰도가 낮은 픽셀 값을 제거하였으며, F5 (Maximum iteration), F6/7 (High solar/satellite zenith angle), F11 (High wind speed), F15 (Negative Lw), F16 (Low Lw 555), F17 (Negative Rayleigh corrected reflectance in NIR), F19 (Cloud edge)가 사용되었다. GOCI 위성의 슬롯(Slot) 경계면에서 원격반사도 값이 연속적이지 못한 문제(WKim et al., 2015)를 해결하기 위해 GOCI의 슬롯 번호를 추가 변수로 사용하였다. 슬롯 번호는 범주형 자료이므로 기계학습 모델에 사용하기 위하여 원-핫 인코딩(Onehot encoding)을 적용하여 가공하였다. 원-핫 인코딩은 범주형 데이터 집합의 크기를 벡터의 차원으로 하여 표현하고 싶은 범주의 지표에 1을 부여하고, 다른 지표에는 0을 부여하는 벡터 표현 방식이다. 본 연구의 분석 영역이 5번부터 10번까지의 총 6개의 슬롯을 포함하고 있어 6개의 추가 변수를 사용하였다. 이후 4 km로 업스케일 된 GOCI의 1–6번 밴드(412, 443, 490, 555, 660, 680 nm)의 일평균 원격반사도와 슬롯 번호를 독립변수, OC-CCI FUI를 종속변수로 RF 모델을 구축하였다. 최종적으로, 학습된 RF 모델과 GOCI 500 m 시간별 위성 영상을 사용하여 시간별 500 m 해상도의 FUI를 산출하였다.

참조 자료로 사용한 OC-CCI FUI 산출을 위해서 위성 원격반사도로부터 색상 각(Hue Angle)이 계산되었다. 색상 각이란, 색 공간에서 빛의 색상을 표현하기 위한 0°에서 360° 사이의 연속적인 변수이다. 자연적인 해수의 색상 각은 40°의 cola-brown부터 235°의 indigo-blue까 지의 범위를 가진다(Wernand and Van der Woerd, 2010). 위성 영상에서의 FUI 산출 과정은 원격반사도로부터 색상 각을 계산하는 과정을 기본으로 한다. 이 과정에서 색 대응 함수(Color Matching Function)와의 합성곱 수행을 위해 연속적인 반사도 스펙트럼이 필요하다. 따라서, 불연속적인 파장대로 제공되는 위성 원격반사도 를 사용해 FUI를 계산하기 위해서는 일부 보정이 요구된다. 본 연구에서는 Woerd and Wernand (2015)와 Van der Woerd and Wernand (2018)가 제시한 위성 원격반사 도의 색상 각 변환 알고리즘을 OC-CCI의 원격 반사도 에 맞게 수정한 Pitarch et al. (2019)와 Pitarch et al. (2021)의 OC-CCI FUI 알고리즘을 사용하여 OC-CCI와 GOCI 원격반사도로부터 FUI를 계산하였다. FUI 산출을 위하여 OC-CCI에서 제공하는 412, 443, 490, 510, 560, 665 nm 파장대의 원격반사도가 사용되었는데, GOCI는 510 nm에 대한 원격반사도를 제공하지 않기 때문에 로그(Log) 보간법을 사용하여 510 nm 파장대의 원격반사도를 직접 산출하여 FUI 계산에 사용하였다(O’Reilly and Werdell, 2019).

기계학습 기법으로는 해양 원격탐사 분야에서 다양한 비선형적 문제의 해결(S Chen et al., 2019; Jang et al., 2016; Yoon et al., 2020)과 공간 상세화 연구에서(Zhao et al., 2018; Yoo et al., 2017; Park et al., 2019) 좋은 성능을 보여준 RF 모델을 사용하였다. RF는 Classification and Regression Trees (CART)를 기반으로, 다수의 결정나무 (Decision Tree)를 학습하는 앙상블 모델이다. RF는 부트 스트랩(Bootstrap) 기법을 통해 무작위로 선택된 훈련자 료와 입력변수에 대해 훈련된 기초 분류기(Base Learner) 들을 결합(Aggregating)하여 개별 결정나무의 과적합 (Overfitting) 문제를 방지한다(Breiman, 2001). 생성된 개별 결정나무들은 분류(Classification)의 경우 다수결 (MajorityVoting),회귀(Regression)의 경우 평균(Averaging)을 통해 결합된다. 본 연구에서는 Python 3.8의 Random Forest Classifier 패키지를 사용하였다. 여러 시도를 거쳐 파라미터를 최적화하였으며, 최종적으로 500개 트리의 RF 모델을 구축하였다.

모델 검증에는 10겹 교차검증(10-fold cross-validation) 이 사용되었다. 10겹 교차검증은 전체 훈련자료를 10겹의 데이터 세트로 나누어 각각의 세트에 관하여 검증을 수행하는 방법이다. 2019년 자료에 관하여 교차검증을 수행하였으며, 위성 영상의 촬영일자 끝 자릿수를 기준으로 시간적으로 분할한 10겹의 데이터 세트가 사용되었다. 모델의 평가 지표로는 산점도의 기울기(Slope), 결 정계수(Coefficient of Determination; R²), 평균 편향 오류 (Mean Bias Error; MBE), 평균 제곱근 오차(Root Mean Square Error; RMSE)가 사용되었으며, 각 지표의 계산 방법은 아래와 같다 (식 1-4). 아래 식에서 x는 GOCI와 RF FUI, y는 CCI FUI를 의미한다. OC-CCI에서 제공되는 FUI를 기준으로 OC-CCI FUI 알고리즘을 통해 산출된 GOCI FUI와 RF 모델로 산출된 FUI의 정확도가 비교되었다.

\(\begin{equation} \text { slope }=\frac{\Delta y}{\Delta x} \end{equation}\)       (1)

\(\begin{equation} R^{2}=\frac{\sum\left[\left(x_{i}-\bar{x}\right)\left(y_{i}-\bar{y}\right)\right]}{\left[\left(\sum x_{i}-\bar{x}\right)^{2}\left(\sum y_{i}-\bar{y}\right)^{2}\right]^{1 / 2}} \end{equation}\)       (2)

\(\begin{equation} M B E=\frac{\sum_{i=1}^{n}\left(x_{i}-y_{i}\right)}{n} \end{equation}\)       (3)

\(\begin{equation} R M S E=\sqrt{\frac{\sum_{i=1}^{n}\left(x_{i}-y_{i}\right)^{2}}{n}} \end{equation}\)       (4)

산출된 FUI와 한반도 연안 수질인자의 상관관계 분석을 위해 해양환경측정망 현장 관측자료를 사용하였다 2020년을 대상으로 시간별 GOCI 원격 반사도에 flag 를 적용하여 신뢰도가 낮은 위성자료와 측정 시간이 불분명한 현장 자료를 제거한 후, GOCI의 촬영시간 기준 ±30 분에 매칭되는 샘플 총 158개를 활용하였다. 매칭된 샘플을 FUI 별로 평균하여 FUI와 각 수질인자와의 산점도를 통해 상관관계 분석을 진행하였다(Petus et al., 2019). 이후 2020년의 GOCI 원격반사도를 사용하여 2, 5, 8, 11월의 월평균 원격반사도를 계산하였고, 이를 입력 변수로 월평균 RF FUI를 산출하여 시공간적 분포와 계절별 변화 특성을 분석하였다

4. 연구결과 및 토의

1) CCI, GOCI, 기계학습 모델 활용 FUI 정확도 비교

CCI FUI를 활용한 2019년 우리나라 해역의 FUI 분포를 분석하였을 때(Fig. 2), 약 97%의 샘플이 FUI 1–8 사이의 맑은 해수로 나타났다. 이는 전세계 해역의 99%가 8 이하의 FUI를 가진다는 Pitarch et al. (2021)의 연구 결과보다 작게 나타났는데, 본 연구의 연구지역의 특성상 연안지역의 탁한 해수(FUI 9 이상)의 비율이 높기 때문이다. 우리나라 해역에서 가장 수심이 깊은 동해 생태 구의 경우(Fig. 2(a)), FUI 가 10 미만으로 가장 맑은 것으로 나타났다. 반면, 강한 조석 혼합으로 인해 탁도가 상대적으로 높은 서남해역(Fig. 2(c))과 강 하구에서 유출된 다량의 담수로 인한 육상 오염의 부하량이 상대적으로 큰 서해 중부 생태구(Fig. 2(d))의 경우(Rho et al., 2012), FUI 9 이상의 해수가 많이 관측되어 가장 탁한 것으로 나타났다.

Fig. 2. Semi-log distributions of CCI-, GOCI-, and RF-derived FUI by ecoregion: (a) East Sea, (b) Korea Strait, (c) Western South Sea, (d) Central West Sea, and (e) Jeju ecoregions.

GOCI 및 RF FUI 추정 결과를 반대수(Semi-log) 분포를 활용하여 CCI FUI 자료와 비교하였을 때(Fig. 2), 두 모델 모두 FUI 9 미만의 맑은 해역에 대해서는 추정력이 높은 것으로 나타났다. 하지만, FUI 9 이상의 탁한 해역에 대해서 GOCI FUI가 RF에 비하여 추정력이 떨어지는 것으로 나타났다. 동해 생태구의 경우(Fig. 2(a)), FUI 9 이상의 탁수에 대하여 GOCI FUI가 RF FUI에 비하여 과대 추정하였다. 이와 반대로, 서남해역(Fig. 2(c)) 과 서해중부(Fig. 2(d)) 생태구의 경우, GOCI FUI가 RF FUI에 비하여 과소 추정하는 경항을 보였다. 특히, 서남 해역(Fig. 2(c))과 제주(Fig. 2(e)) 생태구에서, GOCI FUI 는 FUI 15 이상의 극도로 탁한 해수를 거의 모의하지 못하는 것으로 나타났으며, RF 또한 낮은 FUI 지수에 비하여 상대적으로 과소 추정하는 것으로 나타났다. 이는 FUI 15 이상의 샘플이 전체의 0.0012%로, 상대적으로 적은 샘플량에서 기인한 것으로 보인다.

약 85만 개의 샘플을 활용한 CCI FUI와 GOCI, RF 기반 FUI 추정 비교 결과, RF FUI가 GOCI FUI보다 높은 추정 정확도를 보였다(Fig. 3). GOCI FUI와 RF FUI 모두 0.96의 높은 slope를 보였지만, R² 에서 RF FUI가 GOCI FUI보다 높은 값을 보였고(GOCI FUI = 0.72; RF FUI = 0.81), MBE와 RMSE 모두 더 높은 추정 정확도를 보였 다(GOCI MBE = -0.24; GOCI RMSE = 0.97; RF MBE = -0.07; RF RMSE = 0.78). 맑은 해수를 나타내는 낮은 FUI 영역(FUI 0–8)뿐만 아니라, 보다 탁한 해역을 나타내는 높은 FUI 영역(FUI 9–21)에 대해서도 RF FUI 추 정 모델이 GOCI FUI 보다 높은 추정 정확도를 보였다. 상대적으로 해색의 변화가 많고 훈련샘플이 적어 정확한 FUI 추정에 어려움이 있는 탁한 해역(FUI 9–21)의 경우, GOCI FUI의 MBE가 -2.12, RMSE가 2.77인 반면, RF FUI 추정 알고리즘은 MBE가 -0.93, RMSE가 2.10으로 보다 정확히 추정하는 것으로 나타났다.

Fig. 3. Scatter plots between CCI-derived FUI and (a) GOCI-derived FUI and (b) RF-derived FUI proposed in this study.

상대적으로 맑은 2019년 4월 3일에 대한 FUI의 공간 분포를 비교한 결과(Fig. 4), GOCI FUI 및 RF FUI 두 모델의 주된 추정 오차는 서해 중부 및 서남해역 생태구의 FUI 9 이상의 탁한 해역에서 발생하는 것으로 나타났다 (Fig. 4(d)와 (e)). 부유물질의 함량이 높아 상대적으로 매우 탁한 해역으로 분류되는 이 두 생태구의 경우, Chl-a 및 TSS 농도 등 기존의 광학기반 수질 분석이 어려운 해 역이다(Min et al., 2015). GOCI FUI의 경우, 경기·인천 및 목포만 지역과 남해 일부 다도해상 등 서해중부와 서남해역 생태구의 탁한 해역에 대한 FUI를 RF FUI에 비하여 상대적으로 과소 추정하는 것으로 나타났다(Fig. 4(b)와 (d)). 반면 RF FUI 추정 결과의 경우, 경기·인천 및 목포만 지역에 대해서 CCI FUI와 유사한 공간 분포 를 보이는 것으로 나타났을 뿐만 아니라, 동해 및 대한해협 생태구와 외해의 맑은 해수에 대한 추정 정확도도 상대적으로 높은 것으로 나타났다(Fig. 4(c)와 (e)).

Fig. 4. Spatial distribution of (a) CCI-derived FUI, (b) GOCI-derived FUI, and (c) RF-derived FUI and bias of (e) GOCIderived FUI and (f) RF-derived FUI on April 3, 2019.

2) FUI와 수질인자와의 관계 분석

2020년 해양환경측정망에서 제공하는 수질 관련 다섯 인자(TN, TP, TSS, Chl-a, SDD) 와 RF FUI의 상관계수를 분석한 결과, 다섯 인자 모두 통계적으로 유의한 선형 관계를 가지는 것으로 나타났다(p < 0.05, Fig. 5). TN, TP, TSS의 경우, FUI와 각각 0.87, 0.88, 0.97의 상관 계수를 가지며 강한 양의 상관관계를 보였다. 반면에 SDD와는 -0.98의 상관계수로, 강한 음의 상관관계를 보였다. 이러한 결과는 FUI와 연안 수질인자의 상관관계를 분석한 여러 선행연구 결과와 일치한다(Petus et al., 2019; Garaba et al., 2015). FUI는 부영양화 지수(Trophic State Index; TSI)와 강한 양의 상관관계가 있으며(Q Chen et al., 2020; Wang et al., 2018), TN과 TP는 TSI 계산에 사용되는 영양염류의 농도이다(Carlson, 1977; Kratzer and Brezonik, 1981). TSS와 SDD는 서로 음의 상관관계를 가지며 수계의 탁도를 나타내는 인자이다. 위 결과를 통해 RF FUI가 해수의 부영양화 정도와 탁도를 잘 대변한다 는 것을 알 수 있다. Chl-a의 경우 다른 인자들에 비해 상대적으로 상관계수가 낮은 것으로 나타났다. 이는 본 연구에 사용된 현장자료가 Case-2로 분류되는 연안 해역 에 집중되어 있어 Chl-a의 광학 신호가 TSS, CDOM 등과 같은 다른 수질 인자의 영향을 받았기 때문으로 보인다(Tassan, 1994; Ruddick et al., 2001; Siswanto et al., 2011; Tilstone et al., 2013).

Fig. 5. Scatter plots between RF-dervied FUI and the log-transformed concentrations of the averaged in-situ (a) Total Nitrogen (TN), (b) Total Phosphorus (TP), (c) Total Suspended Solids (TSS), (d) Chlorophyll-a (Chl-a) concentrations, and (e) Secchi Disk Depth (SDD) in 2020.

3) 계절에 따른 우리나라 해역의 FUI 분포 특성

RF 기법을 활용하여 지난 2020년 우리나라의 계절별 (2, 5, 8, 11월) 평균 FUI 분포 특성을 분석하였다(Fig. 6). 한반도 연안에서 FUI는 2월에 가장 높고, 점차 감소하여 8월에 가장 낮은 값을 가진 뒤 다시 증가하는 계절적 패턴을 보인다. 이러한 특성은 비교적 탁한 해수에 속하는 서해중부와 서남해역 생태구에서 가장 뚜렷하게 나타나는데(Fig. 7(c)와 (d)) 특히 서해 중부 생태구의 경우, 봄–겨울(5–2월)의 계절의 변화에 따라 FUI의 중앙값이 각각 6, 5, 3, 5로 여름철에 감소했다가 다시 증가하는 추세를 볼 수 있다(Fig. 7(d)). 이는 Zhou et al. (2021)과 H-C Kim et al. (2017)에 의해 분석된 한반도 연안 수질인자의 월별 패턴과 높은 상관성이 있다. 한반도 연안에서 탁도 를 대표할 수 있는 SDD는 봄과 겨울에 낮고, 여름과 가을에 높은 값을 가진다(Zhou et al., 2021). 이는 여름철 높아진 해수면 온도(Sea Surface Temperature)로 인해 수온 약층(Thermocline)이 깊어지고 해수의 수직 안정성이 강화되면서, 연직 혼합이 감소하기 때문이다(Lanbu and Baoreng, 1991). 비교적 맑은 해역에 속하는 동해와 대한해협 생태구의 경우(Fig. 7(a)와 (b)), 나머지 해역과 비교하여 계절적 변동이 약한 것으로 나타났다. 이는 한반도에서 가장 심해에 속하는 동해의 특성상(Rho et al., 2012), 수온 약층의 깊이에 따른 연직 혼합의 변화가 적기 때문으로 보인다. 앞서 4.2.절에 나타난 결과에 따라(Fig. 5), SDD 뿐만 아니라 계절에 따라 TN, TP, TSS, Chl-a 농도 또한 FUI의 계절적 변화특성에 맞추어 그 농도가 변화한다고 볼 수 있다. 실제로 서해중부와 서남해역 생태구에서 Chl-a과 TSS의 경우, 여름과 가을에 농도가 낮고, 봄과 겨울에 높은 계절적 특성을 보인다(H-C Kim et al., 2017; Son et al., 2014). 여름철에 적조가 가장 빈번하게 발생하는 서남해역 생태구의 경우, 봄–겨울(5–2월)의 계절의 변화에 따른 FUI의 중앙값이 각각 5, 3, 3, 4로 여름철에 오히려 감소하는 것으로 나타났다(Fig 7(d)). 이는 해 색의 계절적 패턴은 주로 TSS의 연주기에 의해 결정되기 때문에, 적조 현상이 FUI의 계절적 패턴에 반영되기 어렵기 때문이다(Jafar-Sidik et al., 2018).

Fig. 6. Monthly distribution of averaged RF-derived FUI proposed in this study, and the number of days used to produce the distribution for the corresponding month: (a and b) February, (c and d) May, (e and f) August, and (g and h) November, respectively, in 2020.

Fig. 7. Box plots of RF-derived FUI by ecoregion: (a) East Sea, (b) Korea Strait, (c) Western South Sea, (d) Central West Sea, and (e) Jeju ecoregions.

5. 논의사항

1) 연구의 한계점

연구에서 활용한 OC-CCI v5.0 R_rs의 경우, 이전 버전의 OC-CCI에 비하여 최신 Polymer 대기보정 알고리즘을 활용한 산출물로써, 탁한 해수(Case-2 Water)에 대한 높은 R_rs 추정 정확도를 보인다(ESA, 2020). 이전 버전의 OC-CCI R_rs 기반 FUI를 활용한 다양한 선행 연구에서 높은 추정 정확도를 기반으로 한 OC-CCI자료의 신뢰도를 보여주고 있지만(Pitarch et al., 2021; Nie et al., 2020), 여전히 현장관측 자료에 비하여 불확실성이 존재한다는 한계가 존재한다. 또한, GOCI L2 flag 자료 및 전처리 과정을 통해 GOCI R_rs의 오차 및 불확실성을 최소화하였으나, 여전히 GDPS를 활용한 대기보정 과정에서 발생하는 불확실성이 존재한다는 한계점이 존재한다. 특히, 탁한 해역에 대한 GOCI 자료의 대기보정 실패사례는 Li et al. (2020)과 Wu et al. (2020) 등 다양한 선행연구에서 지적하고 있으며, 실제로 월평균 자료로 정제를 하였음에도 불구하고 대기보정 실패로 인하여 2020년 경기만 연안지역을 포함한 일부 지역에 대한 FUI 분석이 불가했다는 한계가 있다(Fig. 6). 또한, 앞서 다루었듯 GOCI의 슬롯 경계면의 불연속성(Inter-slot Radiometric Discrepancy) 문제가 존재하기 때문에, 본 연구에서는 슬롯 번호에 대한 변수를 활용하여 보완을 하였다. 이는 추후 우리나라 해역에 대한 FUI, 혹은 현장 관측 R_rs 를 활용한 추가적인 검증을 통하여 해결할 수 있을 것으로 기대된다.

2) 활용방안

기존의 연안 수질관리는 주로 Chl-a, CDOM, TSS 등의 수질인자를 사용하여 이루어졌다. 하지만 수질인자의 현장자료 수집에는 많은 비용이 들며, 특히 광학적으로 복잡한 연안 해역에서 수질인자를 위성으로 정확히 추정하는 것에는 여러 어려움이 따른다(Aurin and Dierssen, 2012; Blondeau-Patissier et al., 2014). 또한, 수질인자의 산출 알고리즘은 일반적으로 수집된 광학 정보의 일부만을 사용한다. 반면, FUI는 수집한 모든 가시광 영역의 광학 정보를 사용하는 지표로써, 광학적 특성이 다양한 해역에서 비교적 간단하게 추정이 가능하다(Wernand et al., 2013). FUI는 다양한 수질 관련 인자와 비교하여 비교적 낮은 비용으로 현장자료 수집이 가능할 뿐만 아니라 여러 수질인자가 보이는 광학 정보를 동시에 제공할 수 있다. 기존 다양한 FUI의 활용은 전세계 다양한 담수 와 연안 수질 연구에서 수질 모니터링 분야에의 적용 가능성을 보여주었으며(Q Chen et al., 2020; Wang et al., 2018; Petuset al., 2019; Garaba et al., 2015; Wang et al., 2019), 수집한 모든 가시광 영역의 광학정보를 사용하기 때문에 많은 가시광 밴드 정보가 있을수록 정확하게 추정이 가능하다. 따라서, 250 m의 높은 공간해상도 및 보다 많은 가시광 밴드(380, 412, 443, 490, 510, 555, 620, 660, 680, 709, 745, 865 nm)를 가지는 GOCI-2를 활용한다면, 보다 수준 높은 준실시간 광역 해역관리를 실현할 수 있을 것으로 기대된다

6. 결론

본 연구는 GOCI R_rs와 OC-CCI R_rs 기반의 FUI 자료를 활용하여 고해상도 FUI를 추정하는 기계학습 기법 기반의 알고리즘을 개발하였다. Random Forest 기법으로 추정한 RF FUI는 Pitarch의 OC-CCI FUI 알고리즘으로 계산한 GOCI FUI와 비교하여 더 높은 추정 정확도를 보였다. 특히 서해중부와 서남해역 생태구의 경우, GOCI FUI는 탁한 해역의 FUI를 과소 추정하였으나, RF FUI는 CCI FUI와 유사한 공간 분포를 보이는 것으로 나타났다. RF FUI를 해양환경측정망에서 제공하는 현장 수질자료와 비교한 결과, FUI는 수질 관련 다섯 인자(TN, TP, TSS, Chl-a, SDD)와 모두 높은 상관성을 보였다. 또한, RF FUI의 계절적 패턴과 Zhou (2021)와 H-C Kim et al. (2017)에 의해 분석된 한반도 연안 수질인자의 월별 패턴을 비교한 결과, FUI는 수질인자와 유의미한 계절적 패턴의 변화를 보였다. FUI는 TN, TP, TSS, Chla와는 양의 상관관계, SDD와는 음의 상관관계를 보였으며, 이는 앞서 제시된 상관성과 계절적 패턴 비교 결과에서 동일하게 나타났다. FUI는 수질인자와는 달리 수집 가능한 모든 가시광 영역의 광학 정보를 모두 사용하여, 여러 수질인자들의 광학 정보를 동시에 가지고 있다. 또한, 비교적 적은 비용으로 현장자료 수집이 가능하며, 광학적 특성이 복잡한 해역에서 비교적 간단하게 해수의 수질 특성을 대변할 수 있는 지표이다. 특히,250 m의 높은 공간해상도 및 보다 많은 가시광 밴드를 가지는 GOCI-2와 함께, 한반도 연안관리 분야에서 FUI 의 활용을 기대할 수 있을 것이다.