Sentinel-1 SAR 영상과 인공지능 기법을 이용한 연안해역의 고해상도 해상풍 산출

Estimation of High-resolution Sea Wind in Coastal Areas Using Sentinel-1 SAR Images with Artificial Intelligence Technique

Abstract

해상풍 데이터는 최근 들어서 신재생 에너지 개발의 일환으로 해상 풍력발전 단지가 각광받으면서 더욱 중요성을 더하고 있다. 본 연구에서는 2015~2020년 부울경(부산, 울산, 경남) 연안해역을 촬영한 Sentinel-1 영상 368장과 저해상도 수치모델의 UV 컴포넌트를 이용한 DNN (Deep Neural Network) 모델을 개발하여 해상풍 데이터를 공간해상도 10 m 수준으로 정밀하게 생산하는 방법을 제시하였다. 이를 통해 기존의 CMOD (C-band Model) 함수에 비해 40% 정도 오차가 감소하였으며, U 컴포넌트와 V 컴포넌트는 각각 상관계수 0.901, 0.826의 비교적 높은 정확도를 나타냈다. 본 연구에서 부울경 해역(해안선으로부터 3 km 버퍼 영역)에 대해 산출한 10 m 해상도의 바람장 지도를 작성해 보면, 내륙에서 외해로 갈수록 풍속이 강해지는 일반적인 경향을 따르면서도 공간적으로 상세화된 바람 패턴을 잘 나타낼 수 있었다. 이러한 고해상도 해상풍 지도는 해상 풍력발전을 위한 상세조사뿐 아니라, SAR를 활용한 전천후 연안 방재 및 연안레저 정보 제공을 지원할 수 있을 것으로 기대한다.

Sea wind isrecently drawing attraction as one of the sources of renewable energy. Thisstudy describes a new method to produce a 10 m resolution sea wind field using Sentinel-1 images and low-resolution NWP (Numerical Weather Prediction) data with artificial intelligence technique. The experiment for the South East coast in Korea, 2015-2020,showed a 40% decreased MAE (Mean Absolute Error) than the generic CMOD (C-band Model) function, and the CC (correlation coefficient) of our method was 0.901 and 0.826, respectively, for the U and V wind components. We created 10m resolution sea wind maps for the study area, which showed a typical trend of wind distribution and a spatially detailed wind pattern as well. The proposed method can be applied to surveying for wind power and information service for coastal disaster prevention and leisure activities.

1. 서론

바다 위에 부는 바람, 해상풍은 해운업과 수산업을 위한 항해 안전에 매우 중요한 요소이나, 바다 위에 기상 관측소를 설치하기 어려워서 데이터 취득이 쉽지 않았다. 최근의 원격탐사 기술은 해상풍 관측 분야에 대해서도 발전을 가져와서, 스캐터로미터(scatterometer)가 장착된 위성들이 전세계 해양 표층의 바람을 통상 12.5~25 km 수준의 해상도로 관측하고 있다(EUME TSAT, 2021a). 이러한 위성중 METOP은 A, B, C 3개의 위성이 성운을 이루어 준실시간으로 전세계에 해상풍을 관측하며 인터넷 서비스를 하고 있다(EUMETSAT, 2021b).

우리나라의 경우에는 아직 위성 스캐터로미터 운영을 하지 않고 있으며, 기상청이 지역수치모델(LDAPS, Local Data Assimilation and Prediction System)의 결과에 의거하여 바다 날씨와 해상풍 예보를 하고 있다(KMA, 2021a). 기상청의 지역수치모델은 1.5 km의 공간해상도에서 운영되나, 해운과 수산을 위한 공간해상도는 10 km 보다 크게 바다 날씨 예보를 하고 있으며(KMA, 2021b), 1.5 km 공간해상도의 수치모델 결과는 별도로 데이터 서비스가 운영되고 있다(KMA, 2021c).

해상풍 데이터는 최근 들어서 신재생 에너지 개발의 일환으로 해상 풍력발전 단지가 각광받으면서 더욱 중요성을 더하고 있다. 해상 풍력발전 단지는 발전기의 건설 위치에서의 풍력 에너지가 충분한 지가 사업의 성패를 결정하는 관건이므로, 해운과 수산 분야보다 더욱 정확하고 정밀한 해상풍 데이터를 필요로 한다. 우리나라 대체에너지 개발에 많은 노력을 하고 있으며, 2030년도에 12GW 규모의 해상 풍력단지를 국가적으로 계획하고 있다(MOTIE, 2020).

또, 풍력 단지 계획 수립에 필요한 풍력자원지도, 또는, 국가 바람 지도 등의 개발에도 노력한 결과(KMA, 2007, Kim et al., 2009) 2020년에 구축된 기상자원지도는 100 m 해상도로 우리나라 내륙 및 관할해역의 풍속 자료를 제공하고 있다(Yun et al., 2021). 이 기상자원지도는 LDAPS의 1.5 km 해상도 결과를 다운스케일링한 것으로서, 육지에서는 지형의 고도를 고려하여 보간을 하였 으나 해상에서는 아무런 보조변수 없이 물리적 거리만으로 보간을 하였다는 한계가 존재한다(Yun et al., 2020). 해양의 상황을 보다 잘 반영하는 고해상도 정보로서, 2015년에 발사된 Sentienl-1 위성은 공간해상도 10 m 급의 정밀한 SAR 영상을 제공한다(ESA, 2021a). 그러나 Sentienl-1으로부터 제공되는 OCN이라는 해상풍 산출물은, 1 km의 저해상도이며(ESA, 2021b) 우리나라 주변에서는 월 1회 정도만 생산되는 실정이다.

이에, 본 연구에서는 Sentinel-1 위성이 생산하는 SAR 영상을 이용하여 10 m의 고해상도 해상풍을 정기적으로 산출하는 새로운 방법론을 개발하고자 한다. 최근 지구물리 모델 함수(GMF, Geophysical Model Function)도 C-band 레이더 자료를 이용하여 해상풍을 산출하는 CMOD 계열의 함수도 지속적으로 개선되고 있으며(La et al., 2017), 또한 GMF의 유사한 입력변수를 가지는 인공지능 모델링도 도입되고 있으나(Li et al., 2020) 우리나라 연안해역에 대한 적용사례는 거의 찾아보기 힘들다. 본 연구에서는 Sentinel-1 SAR 영상 및 기상예보모델 자료에 인공지능 기법을 적용하여 기존의 GMF 방식보다 정확하고 정밀한 연안해역 해상풍을 산출하며, 연구지역은 부울경(부산, 울산, 경남) 해역이고, 연구기간은 2015년부터 2020년까지이다.

2. 재료 및 방법

1) 연구 영역 및 관심 영역

본 연구의 지리적 범위는 동서로는 동경 128도 30분~129도 30분, 남북으로는 북위 34도 45분~35도 45분 내의 연안 해역으로서, 부산항, 울산항 등 세계적 규모의 항만과 수산업, 양식업 등의 해양 산업 활동이 가장 활발하고, 해운대를 위시한 수많은 해수욕장과 해양 레저 활동이 활발한 해역이다(Fig. 1). 이 부울경 해역에는 최근에 해상풍 연구와 밀접한 관련성이 있는 해상 풍력 발전단지의 설립이 계획되어 있기도 하다. 한편, 연구 영역 내에서 해안선으로부터 3 km 버퍼에 해당하는 영역을 AOI (Area of Interest)로 설정하였다. 그 이유는 10 m ×10 m의 고해상도로 해상풍을 산출하기 위한 컴퓨터 계산 성능의 한계를 고려하였고, 산업과 레저 등 인간의 활동도 외해 영역보다 이 관심 영역에서 매우 많기 때문이다.

Fig. 1. Map of the study area located between 128°30′~129°30′E and 34°45′~35°45′N. The AOI (Area of Interest) shaded is the buffer area of 3 km from the coastline. The red star marks designate the buoy locations.

2) Sentinel-1 SAR 위성영상 수집 및 처리

Sentinel-1 SAR영상은 NASA의 웹사이트(NASA, 2021)에서 연구 범위 해역에 포함되거나 걸치는 2015~2020년 사이의 Level1 GRD (Ground Range Detected) 영상 368장을 수집하였다. 이 영상들은 궤도 보정(orbit correction), 방사 보정(radiometric correction), 기하 보정(geometric correction)의 과정을 거친 후에 본 연구에서 필요한 정보인 VV 편파, VH 편파, 입사각(incidence angle)을 추출하였다. Sentinel-1 SAR 영상에 대한 여러가지 보정과 후처리는 SNAP 소프트웨어의 일괄처리 기능을 구현하여 대량의 자료를 처리하였다(SNAP, 2021).

3) LDAPS모델 결과 수집 및 처리

우리나라 기상청의 국지예보모델(LDAPS)은 수평 1.5 km 격자의 분해능으로 3시간 간격으로 48시간의 기상예보를 하고 있다(KMA, 2021a). 또한 예보시각 현재의 실황 데이터는 직접 관측한 데이터는 아니지만, 관측값을 자료 동화한 결과이므로 관측값에 매우 가까운 것으로 평가된다. 이에, Sentinel-1 SAR 영상의 영역과 촬영된 시각에 해당하는 저해상도 UV 컴포넌트를 LDAPS의 실황 데이터를 사용하였다. 2015년부터 2020년까지 6년간의 3시간 간격 국지예보모델의 결과를 기상청 웹사이트에서 GRIB2 파일 형식으로 다운로드한 후에, 실황 데이터의 동서방향 바람(U Wind)과 남북방향 바람(V Wind) 요소를 추출하여 GeoTiff 이미지 형태로 변환하였다.

4) 해양부이 관측 데이터 수집 및 처리

Sentinel-1 SAR 영상에 매칭되는 해상풍 관측 데이터는 연구 해역내에 존재하는 해상관측소 중에서 해상풍이 관측되는 기상청의 해양기상부이 3곳, 해양조사원의 해양관측부이 3곳의 2015년부터 2020년까지의 데이터를 수집하였다(Table 1). 연구해역 내에는 해양조사원의 조위관측소, 암초위의 등대 관측소도 있었으나, 이 지점은 고해상도 SAR 영상에 육상처럼 후방 산란에 노이즈를 발생시킬 수 있으므로 제외하였다. 기상청 부이는 기상자료개발포털 누리집(KMA, 2021d), 해양조사 원 부이는 해양정보다운로드 누리집(KHOA, 2021)에서 각각 데이터를 다운로드하였다. 다운받은 데이터는 부이의 인식코드, 시간, 위치(경위도 좌표), 풍향, 풍속 및 그로부터 계산한 동서방향 풍속, 남북방향 풍속의 속성을 갖는 하나의 CSV 파일로 작성하였다.

Table 1. Buoys for observation of sea wind in the study area

5) 수심 데이터 수집 및 처리

연구 해역에 대한 수심 데이터는 전세계의 수심을 500m 격자의 해상도로 제공하는 GEBCO 누리집 (GEBCO, 2021)에서 해당 영역에 대한 수심 데이터를 다운로드 하였다. 메타 정보와 함께 다운받은 압축 파일 속에는 수심 데이터가 GeoTiff 형태로 포함되어 있어서, 특별한 변환 과정을 필요로 하지 않았다. 또한, 해상풍 관측 데이터를 취득한 해상 부이들이 설치된 위치의 수심 데이터는 전세계 해도를 서비스하는 ArgoGIS 누리집(ArgoGIS, 2021)에서 각 부이에 가장 근접한 위치의 수심 값을 확보하여 사용하였다.

6) 해양 마스크 데이터 수집 및 처리

연구 영역 내에 있는 육상 영역을 제거하고 해상 영역 만을 남기는 처리를 위하여 JAXA(Japan Aerospace Exploration Agency) ALOS의 지표면고도 데이터를 사용하였다. ALOS 누리집(JAXA, 2021)에서 연구 영역에 해당하는 30 m 해상도의 고도 데이터가 들어있는 GeoTiff 파일(*_DSM.tif)과 같은 해상도의 바다 마스크 데이터가 들어있는 GeoTiff 파일(*_MSK.tif)을 다운로드하고, 연구영역 중에서 ALOS의 마스크 데이터와 사용설명서(EORC, 2021)를 참조하여 바다 영역만을 추출 하였다.

7) 심층신경망 학습용 데이터셋 구축

심층신경망(Deep Neural Network, DNN) 모델을 학습시키기 위하여 Sentinel-1 SAR의 VV 편파값, SAR VH 편파값, 입사각, LDAPS 동서풍속, LDAPS 남북풍속, GEBCO 수심 데이터를 입력자료로 하고, 부이관측 동서풍속, 부이관측 남북풍속을 출력자료로 하는, 시공간 일치 매치업 데이터를 구성하였다(Fig. 2). 시간적으로는 SAR 영상 368장의 촬영시각에 가장 가까운 LDAPS 해상풍 데이터와 부이관측 해상풍 데이터를 찾아내고, 공간적으로는 부이 위치에 해당하는 SAR 픽셀의 VV, VH 편파 및 입사각, LDAPS 격자의 동서풍속 및 남북 풍속, GEBCO 격자의 수심을 읽어서 매치업된 CSV 파일로 만들었다. 이 절차는 R과 Python으로 프로그램을 작성하여 수행하였으며, 이렇게하여 만들어진 학습용 데이터셋은 1,317건이다.

Fig. 2. The procedure of building a matchup database. The sensing time of SAR image and the location of buoy are the unique keys for the matchup data composed of VV and VH backscattering, incidence angle, U and V components from LDAPS, and the bathymetry at the buoy location.

8) 심층신경망 모델 수립 및 해상풍 산출

고해상도 해상풍을 산출하기 위하여 동서풍속, 남북풍속에 대하여 각각의 심층신경망 모델을 구성하였다. 입력변수는 LDAPS 저해상도 U, V 컴포넌트, Sentinel-1 VV, VH 편파 및 입사각, 수심이고, 출력변수는 각 모델에서 고해상도의 동서풍속, 고해상도의 남북풍속으로 설정하였다. 이 두 모델은 1,317건의 학습용 데이터셋을 통하여 훈련되었다(Fig. 3).

Fig. 3. The DNN models for U and V wind prediction. Input features are the VV and VH backscattering, the incidence angle of a SAR image, U and V components from LDAPS, and the bathymetry at the buoy location. The target variable for training is the in-situ measurement from the buoys.

심층신경망 모델의 훈련은 학습용 데이터 셋을 임의의 5개 그룹으로 분할하고, 각 4개 그룹으로 훈련시키고, 나머지 1개 그룹으로 결과를 검증하는 것을 5라운드 반복하는 5폴드 교차검증(5-fold cross validation) 과정을 거쳤다. 이 교차검증 결과가 가장 좋게 산출되도록 심층신경망 모델의 은닉층 뉴런 개수, 에포크(epoch), 드롭아웃(dropout) 비율 등의 주요 매개변수를 조정하였고, R의 H2O 라이브러리(h2o, 2021)를 사용하여 수행하였다

9) GMF결과와의 비교

본 연구의 목적은 심층신경망 모델로 해상풍을 산출하는 것으로서, 기존의 방식에 비교하여 개선되는 점이 있는지를 확인할 필요가 있었다. 이에 가장 널리 사용되는 GMF인 CMOD5.N 함수에 적용하였으며, Sentinel-1 SAR 영상과 LDAPS 데이터를 입력자료로 사용하였다.

\(\sigma_{V V}^{s}=A\left[1+b 1 \times \cos \emptyset+b_{2} \times \cos 2 \varnothing\right]^{B}\)

여기에서 좌변은 VV 편파의 NRCS (Normalized Radar Cross Section), Φ는 레이더 방향에 대한 상대 풍향, A, b1, b2는 풍속과 입사각의 함수, B는 상수이다 (La et al., 2017).

10) 고해상도 해상풍 지도 표출

수집된 SAR 영상 368장 각각에 대하여, 심층신경망 모델로 산출된 고해상도 격자의 동서방향 풍속과 남북 방향 풍속은 CSV 파일 형식으로 저장되었다. 또, 이 동서 풍속과 남북 풍속은 ECMWF (European Centre for Medium-Range Weather Forecasts)에서 제시한 수식을 참고하여 바람을 표시하는 일반적인 방식인 풍향과 풍속으로 변환하였다(ECMWF, 2021). 고해상도 해상풍 격자를 표출하기 위하여 QGIS 소프트웨어에서 상기 CSV 파일을 레이어로 추가하고 레이어 속성에서 풍속 계급에 따른 색을 지정하여 표출하고, 풍향의 각도값에 따라 화살표 심볼의 각도를 맞추어 표시하였다.

3. 결과

1) Sentinel-1 SAR 영상의 DNN 모델 수립 결과

10 m×10 m 해상도의 Sentinel-1 SAR 이미지, 기상청 LDAPS 모델예측 결과, 연구 해역의 부이에서 실측된 풍향 및 풍속 데이터와 수심 데이터의 매치업 데이터 로 훈련한 DNN 모델을 동서방향 바람요소(Wind U), 남북방향 바람요소(Wind V)의 DNN 모델 각각에 대한 정확도를 산출한 결과 Fig. 4와 같았다. 동서방향 바람에 대한 DNN 모델(DNN_U_10 m)은 상관계수 0.901, 남북방향 바람에 대한 DNN 모델(DNN_V_10 m)은 상관 계수 0.826을 나타내었다.

Fig. 4. Scatter plots for the observed and estimated (a) U component and (b) V component. MAE, MBE, RMSE, and CC are calculated. The CCs for the U and V components were 0.901 and 0.826, respectively.

2) 심층신경망(DNN) 모델로 산출한 해상풍 지도

2015년부터 2020년까지의 연구 해역의 SAR 영상 368장에 대하여 DNN 모델을 적용하여 고해상도로 풍속과 풍향을 산출하였다. 이렇게 산출한 셀 별 풍속을 모두 평균을 내어서 5년간의 평균 풍속 지도를 작성하였다(Fig. 5). 해안선으로부터 3 km 이내의 연안 해역을 설정한 본 연구 해역의 5년간 평균 풍속은 초속 6 m/s 보다 작았으며, 해안가 부근은 2~3 m/s(하늘색 영역) 이내, 해안에서 조금 떨어지고 섬이 많은 해역은 3~4 m/s(연두색 영역), 섬이 적은 해역은 4~5 m/s(주황색 영역), 해안에서 가장 멀리 떨어진 북위 34.5도, 동경 128.5도 근방과 북위 34.9 도, 동경 128.9도 부근 해역은 5~6 m/s(밤색 영역)의 값을 나타내었다. 즉, 연구 해역에서는 해안선에서 외해 쪽으로 멀어질수록 평균 풍속이 증가하는 경향을 보였다. 외해로 나갈수록 풍속이 강해지는 것은 다른 연구 사례에서도 확인되는 경향이다(Yue and Yang, 2009, Yun et al., 2021).

Fig. 5. Average wind speed for the 3-km buffer area from the coastline, 2015-2020. Wind speed seems to be stronger from the coast to the far ocean. The gray rectangle shows the area of the strongest wind.

상기 풍속지도의 중심 부분, 북위 34.5~35.0, 동경 128.25~128.5 사이의 해역을 살펴보면, 섬과 섬 사이, 섬과 육지 사이의 해역은 섬과 육지가 없는 해역보다 풍속이 낮음을 알 수 있다. 최대 풍속을 보이는 해역도 연구지역에서는 내륙으로부터 가장 먼 곳이며, 암초 수준의 섬 몇 개만 있는 부산항 남측의 형제섬 근처의 외해역이다(Fig. 6). 또한 Fig. 7과 8은 10미터 해상도의 해상풍을 지도화한 예시로서, 송정 해수욕장 주변과 해운대 해수욕장 주변을 확대하여 나타냈다.

Fig. 6. The area of the strongest wind locates at 34.9 N, 128.9 E near Hyungje islands, south of Busan port. Every 10 m ×10 m pixel was colored according to the wind speed for the 3-km buffer area from the coastline. The base map is the nautical chart (ArgoGIS, 2021).

Fig. 7. An example of the 10-m sea wind field around Songjeong Beach area on June 26, 2018. The arrows designate the DNN-estimated wind direction and speed for each 10 m × 10 m pixel. The red star symbol shows the buoy location.

Fig. 8. An example of the 10-m sea wind field around Haeundae Beach area on June 26, 2018. The arrows designate the DNN-estimated wind direction and speed for each 10 m × 10 m pixel. The red star symbol shows the buoy location.

3) GMF 결과와의 비교

SAR 영상으로부터 해상풍을 산출하는 기존의 방법인 GMF 함수 중에서 CMOD5.N 수식으로 매치업 데이터에 대한 풍속을 산출하였다. CMOD5.N 식은 풍향에는 적용되지 않고 풍속에만 적용된다. CMOD5.N 함수로 산출된 풍속은 관측 풍속이 높을수록 편차가 커지는 결과를 나타내었다(Fig. 9). 풍속 관측값과 산출값의 상관계수는 0.729, MAE는 2.277로 나타났다. 반면 본 연구의 DNN 모델로부터 산출한 UV를 이용해 계산한 풍속은 상관계수 0.870, MAE=1.362로서 GMF에 비해 매우 향상된 정확도를 보였다.

Fig. 9. Scatter plot shows the relation of observed wind speed and estimated wind speed by CMOD5.N (left) and DNN (right). The MAE, MBE, RMSE, and CC are calculated and shown for wind speed.

4. 고찰

1) GMF와DNN의비교

C 밴드 레이더 영상으로 해상풍을 산출하는 GMF인 CMOD는 ASCAT, SAR 등의 영상 처리에 많이 사용되어 왔다(Hwang and Kim, 2011; La et al., 2017; Shiyan et al, 2020). CMOD함수는 레이더 영상에서 해상풍을 산출하는 확립된 방법이지만 풍속만 산출하고 풍향을 산출하지 못하며, 더욱이 풍향을 참고 사항으로 입력해줘야 풍속을 계산할 수 있다(Hwang and Kim, 2011). 최근에 별도로 풍향을 입력하지 않아도 풍속을 산출하는 방법에 대한 연구가 진행되어 어느 정도 성과를 나타냈지만(Corazza et al., 2020), 현재까지는 최신의 GMF인 CMOD7에서도 풍향을 참고사항으로 입력해 주어야 한다(Stoffelen et al., 2017). 통상적으로 GMF로 해상풍을 산출할 때, 풍향은 ECMWF 모델의 예측 결과를 사용하는 경우가 많았다(La et al., 2017).

본 연구에서 수립된 DNN 모델과 CMOD5.N GMF 모델을 비교한다면, 입력 데이터 측면에서는 GMF는 SAR 영상과 풍향의 입력을 필요로 하고, DNN은 SAR 영상과 저해상도의 수치모델 풍향과 풍속을 입력한다는 것이다. 저해상도 수치모델의 풍향, 풍속은 항상 가용하므로 수집에 어려움이 없고, 또한 결과적으로 GMF는 풍속만을 산출하지만, 본 연구의 DNN은 UV 컴포넌트를 모두 산출하므로 해상풍의 속도와 방향을 모두 산출한다는 것이다(Table 2).

Table 2. The input and output data of CMOD5.N and DNN methods in this study

두 가지 방법을 비교하면 CMOD5.N 보다는 DNN 모델의 정확도가 40% 이상 높은 상당히 우수한 결과를 보여주고 있다(Table 3). 또한 CMOD5.N의 경우 풍속이 커질수록 편차가 더욱 커지는 현상이 산점도에서 확인되지만, 본 연구에서 수립된 DNN 모델의 산점도에서는 그러한 경향이 덜하거나 발생하지 않는 것으로 보인다(Fig. 9). 정확도가 CMOD5.N 보다 높다는 점과 UV 컴포넌트를 산출할 수 있다는 점에서 본 연구의 모델링은 유용할 것으로 사료된다. 해상풍의 산출에 있어서 인공지능 방법이 오랫동안 확립된 방법론인 CMOD5.N의 수준 또는 그 이상의 성능을 제공한다는 점은 인공 위성 영상 처리 분야에 앞으로 더욱 많이 활용될 것으로 기대된다.

Table 3. The accuracies of wind speed by CMOD5.N and this study

2) 동서풍 모델 대비 남북풍 모델의 정확도 차이

본 연구에서는 동서방향 풍속 예측을 위한 DNN 모델과 남북방향 풍속 예측을 위한 DNN 모델을 별도로 구축하였다. 결과를 보면, 동서풍 DNN 모델의 정확도가 남북풍 DNN 모델의 정확도보다 좀더 높게 나왔다 (Table 4).

Table 4. The accuracies of DNN models in this study

동서풍과 남북풍의 산점도를 살펴 보면, 동서풍의 관측치는 -15 m/s ~ 15 m/s 범위에서 고루 분포되어 있다 (Fig. 4(a)). 즉, 동풍과 서풍의 빈도가 비슷하다는 것을 뜻한다. 한편, 남북풍의 산점도를 보면(Fig. 4(b)), 관측치의 음(–) 값이 양(+) 보다 빈도가 많은 형태로서, 북풍이 우세하고 남풍이 약하다는 것을 알 수 있다. 이러한 경향은 연구 해역에 가까운 부산 기상청의 2015~2020년 의 자료에서도 확인되듯이(Fig. 10), 남동풍, 남남동풍, 남풍이 미약한 특징을 보인다. 또한, Table 5의 기초통계량을 볼 때에도, 남북풍은 음의 편향이 있고, 동서풍은 양의 편향이 있는데, 남북풍의 음의 편향이 상대적으로 크게 나타났는데, 이러한 이유로 U, V 컴포넌트의 추정 정확도가 달라질 수 있을 것으로 사료되며, 이에 대한 추가 연구가 필요한 실정이다.

Table 5. The basic statistics of sea wind observation data (unit: m/s)

Fig. 10. Wind statistics for the Busan meteorological station within the study area. The south and southeast winds were weak between 2015 and 2020 (KMA, 2021e).

이렇게 남북풍의 분포가 동서풍의 분포에 비해 상당히 편향되어 있는 것이 남북풍 DNN 모델의 정확도가 더 낮은 이유로 사료된다. 이는 자료 분포가 상당히 치우쳐져 있을 때 통계적 추정이 좀더 어려워지기 때문이며(Larasati et al., 2018), 자료 가용성과 관련된 한계이므로 향후 더 많은 양질의 데이터를 이용한 연구를 통해 극복될 수 있을 것으로 사료된다.

5. 결론

본 연구에서는 Sentinel-1 SAR 영상과 저해상도 수치모델의 UV 컴포넌트를 이용한 DNN 모델을 개발하여 해상풍 데이터를 공간해상도10 m 수준으로 정밀하게 생산하는 방법을 제시하였다. 이를 통해 기존의 CMOD 지구 물리 모델 함수에 비해 40% 정도 오차가 감소하였으며, U 컴포넌트와 V 컴포넌트는 각각 상관계수 0.901, 0.826 의 비교적 높은 정확도를 나타냈다. 본 연구에서 부울경 해역(해안선으로부터 3 km 버퍼 영역)에 대해 산출한 10 m 해상도의 바람장 지도를 작성해 보면, 내륙에서 외해로 갈수록 풍속이 강해지는 일반적인 경향을 따르면서도 공간적으로 상세화된 바람 패턴을 잘 나타낼 수 있었다. 이러한 고해상도 해상풍 지도는 해상 풍력발전을 위한 상세조사뿐 아니라, SAR를 활용한 전천후 연안방재 및 연안레저 정보 제공을 지원할 수 있을 것으로 기대한다.