A Development for Sea Surface Salinity Algorithm Using GOCI in the East China Sea

GOCI를 이용한 동중국해 표층 염분 산출 알고리즘 개발

Abstract

The Changjiang Diluted Water (CDW) spreads over the East China Sea every summer and significantly affects the sea surface salinity changes in the seas around Jeju Island and the southern coast of Korea peninsula. Sometimes its effect extends to the eastern coast of Korea peninsula through the Korea Strait. Specifically, the CDW has a significant impact on marine physics and ecology and causes damage to fisheries and aquaculture. However, due to the limited field surveys, continuous observation of the CDW in the East China Sea is practically difficult. Many studies have been conducted using satellite measurements to monitor CDW distribution in near-real time. In this study, an algorithm for estimating Sea Surface Salinity (SSS) in the East China Sea was developed using the Geostationary Ocean Color Imager (GOCI). The Multilayer Perceptron Neural Network (MPNN) method was employed for developing an algorithm, and Soil Moisture Active Passive (SMAP) SSS data was selected for the output. In the previous study, an algorithm for estimating SSS using GOCI was trained by 2016 observation data. By comparison, the train data period was extended from 2015 to 2020 to improve the algorithm performance. The validation results with the National Institute of Fisheries Science (NIFS) serial oceanographic observation data from 2011 to 2019 show 0.61 of coefficient of determination (R²) and 1.08 psu of Root Mean Square Errors (RMSE). This study was carried out to develop an algorithm for monitoring the surface salinity of the East China Sea using GOCI and is expected to contribute to the development of the algorithm for estimating SSS by using GOCI-II.

매년 여름철 양자강에서 유출되는 저염분수는 동중국해 뿐만 아니라 제주도 주변 해역의 염분 변화에 큰 영향을 미치며 때때로 그 영향은 한반도 연안에 국한되지 않고 대한해협을 통과하여 동해 외해 까지 확장되기도 한다. 한반도 주변으로 확장된 양자강 유출수는 해양 물리 및 생태학적으로 많은 영향을 끼치며 어업 및 양식업에 큰 피해를 유발하기도 한다. 그러나 현장조사의 한계점 때문에 동중국해에서 확산되는 저염분수를 지속적으로 관측하기에는 현실적으로 어려움이 있다. 이러한 이유로 양자강 유출수의 확산을 실시간으로 모니터링하기 위해 인공위성을 활용한 표층 염분 산출 연구가 많이 진행되어 왔다. 본 연구에서는 시간 및 공간 해상도가 상대적으로 좋은 GOCI(Geostationary Ocean Color Imager)를 활용한 동중국해 표층 염분 산출 알고리즘을 개발하였다. 알고리즘 개발을 위해 기계학습 기법 중 하나인 MPNN(Multilayer Perceptron Neural Network)을 이용하였으며, 출력층에는 SMAP(Soil Moisture Active Passive) 위성의 표층 염분 자료를 활용하였다. 이전 연구에서 2016년 자료를 이용한 표층 염분 산출 알고리즘이 개발되었으나 본 연구에서는 연구 기간을 2015년 부터 2020년까지로 확장하여 알고리즘 성능을 개선하였다. 2011년부터 2019년까지 동중국해에서 관측된 국립수산과학원의 정선조사자료를 이용하여 알고리즘 성능을 검증한 결과로 R²는 0.61과 RMSE는 1.08 psu로 나타났다. 본 연구는 GOCI를 이용한 동중국해 표층 염분 모니터링 알고리즘 개발을 위해 수행되었으며, 향후 GOCI-II의 표층 염분 산출 알고리즘 개발에 많은 기여를 할 것으로 기대된다.

1. 서론

양자강에서 유출되는 양자강 유출수(Changjiang Diluted Water, CDW)는 동중국해뿐만 아니라 제주도 주변 해역을 포함한 한반도 연안의 해양환경에 큰 영향을 미친다(Chen et al., 2003; Lee et al., 2003; Moon et al., 2009; Kim et al., 2009; Moon et al., 2010; Bai et al., 2013; Kim et al., 2014; Lee et al., 2015). 중국 동부지방의 강수는 특히 여름철에 집중되어 있기 때문에 CDW 또한 여름철에 강화된다(Suh, et al., 2004; Yoon et al., 2005; Zhou et al., 2009). 여름철에 유출된 저염분수는 밀도가 상대적으로 낮아 표층에 분포하게 되고 높은 일사량으로 인해 수온이 상승함에 따라 표층 성층화가 강화되어(Moon et al., 2019) 한반도 주변 양식장에 피해를 입힌다. 2016년 여름에 대량의 CDW가 발생하였는데 이로 인해 고수온 및 저염분 현상이 발생하여 한국연안 양식장이 약 121억 원의 피해를 입었다(KHOA, 2016). 동중국해에서 정기적인 표층 염분(Sea Surface Salinity, SSS)관측은 국립해양조사원에서 운용하고 있는 이어도 해양과학기지와 국립수산과학원의 정선관측을 통해 수행되고 있다. 그러나 이러한 현장자료는 시간 및 공간적인 한계가 있어 CDW 확산 분포를 파악하기에 어려움이 있다

이런 이유 때문에 CDW의 특성과 주변으로 확산되는 것을 이해하기 위해서는 인공위성 자료를 이용하는 것이 효과적이다. 현재 이용가능한 위성관측 기반 표층 염분 자료는 전 지구를 관측하는 Soil Moisture and Ocean Salinity (SMOS)와 Soil Moisture Active Passive (SMAP)이 있다. 그러나 이 두 위성들은 극궤도에서 마이크로파를 기반으로 관측하기 때문에 상대적으로 낮은 공간(30-100 km) 및 시간 해상도(8일)를 가지고 있다. 이러한 이유로 상대적으로 고해상도를 가진 해색(ocean color) 위성 자료를 이용한 표층 염분관측 기술에 대한 연구가 많이 진행되었다(Chen, 1999; Binding and Bowers, 2003; Del and Blough, 2004; Sasaki et al., 2008; Ahn et al., 2008; Liu et al., 2017; Sun et al., 2019). 이와 관련된 연구는 주로 육지에서 흘러나온 담수에 의한 영향이 큰 지역에서 수행되었으며, 특히 저염분수 표층 염분과 유색 용존 유기물질(Colored Dissolved Organic Matter, CDOM) 사이의 관계를 이용하였다. 강물에서 유출된 담수는 염분이 낮을 뿐만 아니라 많은 양의 유기물질을 포함하고, 유기물질은 청색 파장대를 흡수하기 때문에 이러한 관계를 이용해 광학 센서로 유기물질을 관측할 수 있다. 그러나 과거 연구에서 발표된 유기물질과 표층 염분의 관계는 연구 지역 및 시기에 따라 모두 다르게 나타났다. 또한 유기물질은 표층 염분뿐만 아니라 엽록소 농도 및 부유물질 농도에 의해서도 변동하기 때문에 서로의 관계를 정확하게 파악하기가 어렵다(Chen, 1999; Del and Blough, 2004; Geiger et al., 2013).

이러한 한계를 극복하기 위해 Geiger et al. (2013)은 해색 산출물에 인공지능 기법을 적용하여 Mid-Atlantic의 4개 연안 해역에서 표층 염분을 추정했다. 또한 해수면 온도(Sea Surface Temperature, SST)도 함께 이용했는데, 해수면 온도가 연구지역에 따라서 필요한 변수인지 아닌지를 제시하여 지역적 특성에 맞는 변수 설정에 대한 중요성을 강조했다. Chen and Hu (2017)는 해수면 온도와 해색 자료에 Multilayer Perceptron Neural Network (MPNN)기법을 포함한 다양한 기법들을 적용하여 멕시코만 북부 해역의 표층 염분을 산출하고 그 결과를 비교하였는데, 그 결과 MPNN이 가장 좋은 성능을 나타냈다. 이러한 이유 때문에 Kim et al. (2020)은 우리나라 정지궤도 해색 위성센서인 Geostationary Ocean Color Imager (GOCI)와 해수면 온도 그리고 SMAP 표층 염분 자료를 MPNN 기법에 적용하여 동중국해 표층 염분 산출 알고리즘을 개발하였다. 위의 연구에는 GOCI의 1부터 6번 밴드의 원격반사도(Remote Sensing Reflectance, Rrs)와 해수면 온도 자료를 8개의 조합으로 만들어 표층 염분 산출 알고리즘을 개발하고 그 성능을 비교하였다. 그 결과 3번부터 6번 밴드까지의 Rrs와 해수면 온도 자료를 이용하여 학습한 알고리즘이 제일 좋은 성능을 보였다. 그러나 위의 연구는 2016년 1년 동안의 자료만 이용하였기 때문에 다른 년도에 알고리즘을 적용했을 때 성능이 어떻게 나타나는지 검증할 필요가 있다. 뿐만 아니라 해수면 온도 자료의 경우 일별 자료를 이용했기 때문에 1시간 단위의 표층 염분 산출을 하는데 오차가 있을 것이라 판단했다. 따라서 본 연구에서는 2015년부터 2020년까지 6년간의 GOCI 자료를 이용하여 표층 염분 산출 알고리즘을 개발하여 알고리즘 성능을 개선시키고자 한다. 또한 알고리즘 검증 자료의 기간을 2011년부터 2019년까지 확장하여 다년도의 자료에서 알고리즘의 성능을 제시하여 알고리즘 적용 가능성을 평가하고자 한다.

2. 연구 자료 및 방법

1) GOCI Rrs 자료

GOCI의 Rrs 자료는 한국해양위성센터 홈페이지 (http://kosc.kiost.ac.kr/)에서 내려받을 수 있다. GOCI는 6개의 가시광역 밴드(412 nm, 443 nm, 490 nm, 555 nm, 660 nm, 그리고 680 nm)와 2개의 근적외선 밴드(745 nm, 865 nm)를 가지고 있다. GOCI는 우리나라를 중심으로 약 2500 km×2500 km의 영역을 16개의 슬롯으로 나누어서 관측한다. GOCI의 공간해상도는 500 m×500 m, 시간해상도는 1시간 간격으로 하루에 8회(0 UTC ~ 7 UTC) 관측을 수행한다. GOCI는 2010년 6월에 발사되어 초기시험운영을 마치고 2011년 4월부터 2021년 3월까지 임무를 수행했다. 본 연구에서는 슬롯 경계부분에서 발생하는 오차를 최소화하고, CDW의 영향을 가장 많이 받는 지역인 8번과 9번 슬롯을 이용했다(Fig. 1).

Fig. 1. SMAP SD of SSS from 2015 to 2020. Black dotted boxes indicate GOCI imaging slots. Red triangles show the Korean National Institute of Fisheries Science (KNIFS) serial oceanographic observation stations.

2) SMAP자료

본 연구에서는 MPNN학습에 이용되는 출력 자료로 SMAP의 표층 염분자료를 이용하였다. SMAP의 주된 목적은 토양의 수분을 관측하는 것이지만 L 밴드의 복사계(radiometer)를 이용하여 전 지구의 표층 염분을 산출하고 있다. 본 연구에서는 Remote Sensing Systems에서 제공하는 SMAP 레벨 3 버전 4.0 자료를 이용하였다 (https://www.remss.com/missions/smap/salinity/). SMAP의 레벨 3 자료는 25 km 의 공간해상도를 가지며 8일 평균 된 자료를 일단위로 제공한다. 동중국해 해역에서 SMAP의 정확도를 확인하기 위해 국립수산과학원의 정선자료와 비교해본 결과 R²가 0.93, RMSE가 0.68 psu로 나타났다(Fig. 2). SMAP은 관측이 2015년부터 수행되었기 때문에 2015년부터 2020년까지 6년간의 자료를 이용하여 알고리즘을 학습했다

Fig. 2. Scatter diagram between Korean National Institute of Fisheries Science (KNIFS) serial observation and SMAP SSS from 2015 to 2020.

3) 정선 자료

알고리즘 성능 검증을 위해서 국립수산과학원에서 정기적으로 관측한 정선자료를 이용하였다. 정선관측은 동중국해에 3개 정선(315, 316, 317번)에 위치한 32개의 정점에서 관측이 수행되며 1961년부터 현재까지 연 4회 조사를 실시하고 있다(Fig. 1). 조사에는 염분뿐만 아니라 수온, 용존산소, 영양염류, 동물 플랑크톤, 기상 요소 등 17개 항목이 포함되며 자료는 홈페이지에서 제공된다(http://www.nifs.go.kr/kodc/soo_list.kodc). 본 연구에서는 2011년부터 2019년까지의 동중국해 해역의 수심 0 m 자료를 이용하여 알고리즘 성능 검증하였다.

4) GOCI 자료 전처리

GOCI 자료의 오차 및 잡음을 최소화하기 위해서 두 가지 기법을 이용하여 전처리를 실시했다. 첫 번째 기법은 Lee et al. (2018)이 제시한 GOCI 부유입자물질 (Suspended Particulate Matter, SPM) 반점(speckle) 제거 기법이다. 이 기법은 GOCI의 Rrs 자료를 이용하여 SPM을 산출한 뒤 총 5단계의 과정으로 speckle을 찾아서 제거하는 기법이다. 두 번째 기법은 Wei et al. (2016)이 제시한 Quality Assurance (QA) 기법으로 Rrs의 스펙트럼 모양이 실제 해수에서 나타날 가능성이 얼마나 되는지를 0에서 1까지의 점수로 나타낸다. 본 연구에서는 점수가 0.8 미만인 값을 제거하여 사용하였다.

5) MPNN

GOCI 자료를 이용하여 양자강 유출수 지역의 표층 염분을 산출하기 위해 MPNN 기법을 이용하였다(Fig. 3). MPNN 기법은 회기 문제에서 주로 이용되는 딥러닝 기법 중 하나이며, 해색 자료를 활용해서 표층 염분을 산출할 때 MPNN을 이용했기 때문에 본 연구에도 적용했다(Chen and Hu, 2017; Kim et al., 2020). MPNN 기법은 입력층과 은닉층, 그리고 출력층으로 구성되어 있으며 은닉층에 있는 뉴런들은 이웃 층과 연결되어 각각 다른 가중치와 편향을 가진다. 알고리즘 학습을 위해 입력 층에는 GOCI의 1~6번 밴드 Rrs, 위도 및 경도 자료로 설정했고 출력 층에는 SMAP의 표층 염분 자료를 설정하였다. 입력자료 공간 및 시간 해상도는 SMAP의 해상도인 25 km, 8일 평균으로 합성하여 학습에 사용했다. 알고리즘 학습은 은닉층의 수와 각 층의 뉴런 수를 조절하면서 각 조합 당 20,000번 반복 수행했다. 결측 자료를 제외한 학습에 이용된 전체 자료 중 임의로 추출된 80%는 학습에 사용하고 나머지 20%는 검증에 사용됐다. 알고리즘 학습 결과 은닉층의 수가 3개일 때 가장 좋은 성능을 보였으며 뉴런 수는 각각 512, 256, 512개로 나타났다. Kim et al. (2020) 에서 제시한 것처럼 전체 자료 중 저염분(32 psu 이하) 보다 정상 염분(32~35 psu) 범위의 비중이 크기 때문에 저염분의 영향을 높이고자 염분 변동이 빈번하게 발생하는 지역을 선택하여 알고리즘을 학습했다. 해당 지역은 2015년부터 2020년까지 SMAP 표층 염분의 표준 편차를 계산하여 알고리즘 학습 지역을 선정했다(Fig. 1). 일반적으로 육지기원 담수의 영향을 받지 않는 지역에서 표층 염분은 증발과 강수에 의해 변하는데 그 크기가 1 psu를 넘지 않는다. 따라서 본 연구는 표준 편차가 1 psu 이상인 지역을 선택하여 알고리즘을 개발했다. 이를 통해 MPNN이 정상 염분 범위에 과적합(Over-Fitting) 되는 문제를 방지하였다.

Fig. 3. A schematic diagram of the MPNN consisting of input, hidden, and output layers.

3. 결과 및 분석

1) SMAP 자료와 비교

알고리즘 학습은 2015년부터 2020년까지 GOCI와 SMAP 위성자료를 이용하여 수행되었다. 출력장으로 SMAP 표층 염분 자료를 이용했기 때문에 입력된 자료의 공간해상도는 25 km로, 시간해상도는 8일 평균으로 합성되었다. 알고리즘 학습 결과 합성된 SMAP과 GOCI 표층 염분 간의 R²는 약 0.73, RMSE는 약 1.28 psu로 나타났다. 개발된 알고리즘에 GOCI의 원자료를 적용시킨 후 SMAP과 비교했을 때 R²는 약 0.64, RMSE는 약 1.46 psu로 SMAP 해상도 및 Kim et al. (2020)의 결과에 비해 상대적으로 낮은 성능을 보였다. Fig. 4는 GOCI와 SMAP 표층 염분의 산포도를 나타낸 결과이다. 상대적으로 높은 염분 범위(30 psu 이상)에서는 비교적 정확도가 높지만 낮은 염분 범위(30 psu 미만)에서는 비교적 정확도가 낮게 나타났다. 이는 높은 염분 범위에 비해 낮은 염분 범위가 나타나는 빈도가 낮기 때문인 것으로 판단된다.

Fig. 4. Density scatter diagram between SMAP and GOCI SSS from 2015 to 2020.

Fig. 5와 Fig. 6은 각각 GOCI와 SMAP의 R²와 RMSE의 분포를 나타낸 결과이다. R²의 분포는 CDW의 영향이 큰 동중국해 중심에서 높게 나타나고 그 주변지역은 낮게 나타나는데 이는 SMAP 표준편차가 1 이상인 지역과 매우 비슷하게 나타난다(Fig. 1). 반면에 RMSE의 분포는 오히려 동중국해 중심에서 높게 나타나고 그 주변 지역에서 낮게 나타나는 경향을 보인다. CDW의 영향을 작게 받는 지역의 경우 염분 변동이 크게 발생하지 않기 때문에 R²가 낮음에도 불구하고 RMSE도 낮게 나타나는 것으로 판단된다.

Fig. 5. Coefficient of determination (R²) distribution between SMAP and GOCI SSS from 2015 to 2020.

Fig. 6. Root mean square error (RMSE) distribution between SMAP and GOCI SSS from 2015 to 2020.

2) 정선관측 자료와 비교

알고리즘 성능 검증을 위해 국립수산과학원의 정선 관측자료를 이용했다. 정선관측자료는 여름철에 한번 관측을 나가 수일동안 동중국해 지역을 관측하기 때문에 자료의 양이 많지는 않지만 1961년부터 매년 관측을 수행하고 있어 장기간 표층 염분 자료를 이용하기에 적합하다. GOCI 자료가 2011년부터 이용이 가능하기 때문에 정선관측 자료와의 비교는 2011년부터 2019년까지의 자료를 이용하여 수행되었다. 그러나 GOCI는 해색 관측위성이기 때문에 구름에 가려진 지역은 관측이 불가능하다. 따라서 정선관측이 수행되었더라도 구름 때문에 GOCI로 관측이 불가능한 경우가 있어 직접 비교 가능한 자료의 수는 실제 자료의 수에 비해 적다.

Fig. 7은 정선관측자료와 GOCI로 산출한 표층 염분의 산포도를 나타낸 결과이다. GOCI가 주간에만 관측을 수행하는 반면 정선관측은 주간 및 야간에도 관측이 수행되기 때문에 GOCI와 정확하게 같은 시간에 관측된 자료를 검증하기에는 한계가 있다. 따라서 본 연구에서는 정선관측이 실시된 날의 GOCI의 8개 자료를 비교하고 관측 시간의 차이를 색으로 나타냈다. 관측시간의 차이에 따라 검증오차가 늘어날 가능성이 커지지만 정선관측자료가 정점 자료인 것에 비해 GOCI는한 픽셀이 500 m×500 m 이기 때문에 시간에 따른 공간적인 변동은 크게 영향을 미치지 않을 것이라 판단했다. 검 증된 자료의 수는 총 2,265개이며 R²는 0.61, RMSE는 1.08 psu로 나타났다. 이는 2015년부터 2020년까지 이어도 해양과학기지와 SMAP의 RMSE가 약 1.79 psu로 나타난 Park et al. (2020)의 연구결과보다 좋은 성능을 나타낸다.

Fig. 7. Scatter diagram between Korean National Institute of Fisheries Science (KNIFS) serial observation and GOCI SSS from 2011 to 2019.

4. 결론 및 토의

이 연구에서 우리나라 정지궤도 해색위성인 GOCI를 이용한 동중국해 표층 염분 산출 알고리즘이 개발되었다. 기존 유사 연구가 특정 연도 자료를 이용한 반면 (Kim et al., 2020) 본 연구는 2015년부터 2020년까지의 자료를 이용하여 다년간 GOCI Rrs와 표층 염분 사이의 관계를 학습하여 다양한 해양 환경에서 표층 염분을 산출하고자 했다. 이 알고리즘을 적용하여 산출한 표층 염분은 SMAP으로 산출한 표층 염분으로 1차 검증을 하였으며 현장관측자료인 정선관측 자료와 2차 검증을 실시하여 알고리즘 성능을 확인했다. 알고리즘 성능 검증 결과 CDW의 영향을 받는 동중국해 중심부에서 알고리즘 성능이 높게 나타났으며, 정선 관측자료와의 검증 결과를 통해 알고리즘 학습에 이용되지 않은 기간(2011년~2014년)이 포함된 다년간(2011년~2019년)의 자료에서도 알고리즘 적용이 가능함을 확인했다.

Kim et al. (2020)에서 해수면 온도가 표층 염분산출에 중요한 영향을 미쳤음에도 불구하고 본 연구에서는 GOCI 자료만을 이용하여 표층 염분을 성공적으로 산출했다. 이는 앞선 연구에서 제시했던 1시간 단위의 표층 염분 산출에 대한 한계점을 극복할 수 있는 방법으로, 해수면 온도자료의 관측 주기에 구애받지 않고 GOCI 관측 시간에 맞춰서 표층 염분을 산출할 수 있다는 장점이 있다(Table 1). 뿐만 아니라 GOCI의 높은 공간해상도가 가지는 이점이 상대적으로 낮은 공간해상도를 가지는 해수면 온도 자료 때문에 줄어드는 현상도 피할 수 있다. 그러나 본 연구에서 해수면 온도의 유무에 따른 알고리즘 성능 차이는 확인하지 않았다. 따라서 추후에 진행될 연구에서는 다년간의 자료에서 해수면 온도의 유무에 따른 알고리즘 성능을 확인해야 할 것이다.

Table 1. Detail differences with previous research

GOCI의 후속위성인 GOCI-II는 GOCI보다 관측 밴드가 5개 증가한 13개이며 공간해상도가 더 높고(250 m×250 m) 하루에 10회 촬영한다. 이 연구에서 이용된 관측 밴드는 모두 GOCI-II 관측 밴드에 포함되어 있고, 새로운 밴드들이 추가되었기 때문에 더 정확한 표층 염분 산출이 가능하다. 따라서 본 연구 경험을 바탕으로 GOCI-II를 이용한 고해상도 표층 염분 산출 알고리즘 개발이 가능할 것으로 예상한다.