DOI QR코드

DOI QR Code

The Impact of Spatio-temporal Resolution of GEO-KOMPSAT-2A Rapid Scan Imagery on the Retrieval of Mesoscale Atmospheric Motion Vector

천리안위성 2A호 고속 관측 영상의 시·공간 해상도가 중규모 대기운동벡터 산출에 미치는 영향 분석

  • Kim, Hee-Ae (Satellite Analysis Division, National Meteorological Satellite Center) ;
  • Chung, Sung-Rae (Satellite Analysis Division, National Meteorological Satellite Center) ;
  • Oh, Soo Min (Center for Theoretical Physics, Seoul National University) ;
  • Lee, Byung-Il (Satellite Analysis Division, National Meteorological Satellite Center) ;
  • Shin, In-Chul (Satellite Analysis Division, National Meteorological Satellite Center)
  • 김희애 (국가기상위성센터 위성분석과) ;
  • 정성래 (국가기상위성센터 위성분석과) ;
  • 오수민 (서울대학교 이론물리학연구소) ;
  • 이병일 (국가기상위성센터 위성분석과) ;
  • 신인철 (국가기상위성센터 위성분석과)
  • Received : 2021.09.02
  • Accepted : 2021.09.24
  • Published : 2021.10.31

Abstract

This paper illustratesthe impact of the temporal gap between satellite images and targetsize in mesoscale atmospheric motion vector (AMV) algorithm. A test has been performed using GEO-KOMPSAT-2A (GK2A) rapid-scan data sets with a temporal gap varying between 2 and 10 minutes and a targetsize between 8×8 and 40×40. Resultsshow the variation of the number of AMVs produced, mean AMV speed, and validation scores as a function of temporal gap and target size. As a results, it was confirmed that the change in the number of vectors and the normalized root-mean squared vector difference (NRMSVD) became more pronounced when smaller targets are used. In addition, it was advantageous to use shorter temporal gap and smaller target size for the AMV calculation in the lower layer, where the average speed is low and the spatio-temporal scale of atmospheric phenomena is small. The temporal gap and the targetsize are closely related to the spatial and temporalscale of the atmospheric circulation to be observed with AMVs. Thus, selecting the target size and temporal gap for an optimum calculation of AMVsrequires considering them. This paper recommendsthat the optimized configuration to be used operationally for the near-real time analysis of mesoscale meteorological phenomena is 4-min temporal gap and 16×16 pixel target size, respectively.

천리안위성 2A호의 2분 주기 고속 관측(rapid-scan) 자료를 이용하여, 가시·수증기·적외 채널의 시간 해상도와 표적의 크기가 해당 채널의 중규모 대기운동벡터 생산에 미치는 영향을 분석하였다. 중규모 대기운동벡터 산출을 위하여 2-10분의 영상 시간 간격 변화 하에서 표적의 크기를 8×8에서 40×40 화소 크기로 변환시키며, 시·공간적인 조건 변화에 따른 벡터 생산량과 평균 속력, 오차 특성의 변화 양상을 비교하였다. 그 결과, 표적의 크기가 작을수록 위성의 시간 간격 변화에 따른 벡터 개수의 변화와, 표준화된 평균 제곱근 편차(Normalized Root Mean Squared Vector Difference; NRMSVD) 값의 변화가 더욱 뚜렷해졌다. 또한 고도별 오차 특성 분석 결과에서는 평균 속력이 낮고 대기 현상의 시·공간 규모가 작은 하층(700-1000 hPa)의 경우, 짧은 시간 간격의 영상 자료와 작은 표적을 이용하는 것이 벡터 산출에 더욱 유리하게 작용하는 것을 확인할 수 있었다. 위성의 시간 간격과 표적의 크기는 대기 순환의 시·공간 규모와 밀접한 연관이 있는 요소이다. 따라서, 대기운동벡터 활용 목적에 맞게 표적 크기와 위성 시간 간격을 최적화하는 과정이 필요하며, 중규모 기상현상의 실황 분석을 위한 대기운동벡터 산출 알고리즘에서는 표적 크기와 영상 시간 간격을 각각 16×16, 4분으로 설정해주는 것이 가장 적합하다고 판단된다.

Keywords

1. 서론

대기운동벡터(Atmospheric Motion Vector; AMV)는 위성 관측 자료를 기반으로 대기 중의 구름 및 수증기의 이동을 추적하여 산출한 바람 자료이다. 기존의 연직 바람 관측 자료는 대부분 공간적 밀도가 성기면서 육상 위주로 수집되고, 관측 시간 간격이 길기 때문에 시· 공간적인 제약이 많은 반면, 위성을 이용하여 산출된 대기운동벡터는 해상을 포함한 넓은 영역에서 고품질의 바람 정보를 제공할 수 있으며, 비교적 시간 해상도가 짧기 때문에 급변하는 대기의 흐름을 분석하는데 더욱 용이하다. 대기운동벡터 자료는 수치예보모델 자료 동화의 입력 자료로 사용되어 모델의 예측 성능에 큰 영향을 미치며(Wu et al., 2014; Berger et al., 2011), 제트기류의 위치 추적, 대류운의 발달 분석, 태풍 주변 바람장 분석 등에도 활용된다(Pao et al., 2006; Walker et al., 2012).

최근 천리안위성 2A호(GEO-KOMPSAT-2A; GK2A), GOES (Geostationary Operational Environmental Satellite)- 16/17, Himawari-8/9, MTG (Meteosat Third Generation) 등 향상된 성능의 기상 위성이 개발되면서 높은 시·공간 해상도를 갖는 위성 자료의 획득이 가능해졌다. 특히 2분 혹은 2.5분의 고해상도 관측 주기를 갖는 고속 관측(rapid-scan) 모드 자료를 이용하면, 기존의 대기운동 벡터로 관측할 수 있었던 현상들보다 규모가 더 작고 빠르게 변화하는 대기 현상들을 분석할 수 있다는 가능성이 제시되고 있다. Stettner et al. (2019)에서는 중규모 대기운동벡터가 태풍 중심에서의 저기압성 회전을 분석하는데 용이하게 활용될 수 있음을 보였고, Apke et al. (2016)는 중규모 대기운동벡터로 대류운 상부에서의 기류를 파악하여 대류운의 발달 형태를 분석하였다.

2분 주기의 고속 관측 자료를 이용하여 중규모 대기운동벡터를 산출하기 위해서는 그보다 앞서 벡터 생산에 필요한 표적 크기 및 위성의 시간 간격을 최적화하기 위한 선행 연구가 필요하다. 대기운동벡터 산출의 기본 원리는 일정 시간 간격으로 관측되는 위성 영상에 나타나는 형상의 형태학적 특징을 추적하여 대기의 흐름을 파악하는 것이므로, 이 원리를 적용하기 위해서는 주어진 시간 동안 표적의 형태 변화가 일어나지 않는다는 가정이 필요하다. 하지만 실제 대기 현상에서는 구름과 수증기의 발생 및 소멸이 끊임없이 이루어지며, 발생하는 현상의 규모도 매우 다양하므로, 정확한 벡터 자료를 생산하기 위해서 위성 영상 사이의 시간 간격, 표적의 크기 등이 벡터의 품질에 미치는 영향을 고려해야 한다.

기존의 선행 연구에서 일본의 MTSAT-1R (Multifunction Transport Satellite-1R)과 MSG (Meteosat Second Generation) 등 비교적 시·공간 해상도가 낮은 위성 자료를 이용하여 위성의 시간 간격과 표적의 크기에 따른 대기운동벡터 산출물의 민감도 실험을 수행한 바 있다. Sohn and Borde (2008)는 MTSAT-1R의 적외채널(10.8 µm) 자료를 이용하여 표적 크기에 따라 달라지는 대기운동벡터의 자료 개수, 평균 속력, 정확성 등의 특성을 분석하였고, Shimoji (2012)는 5-30분의 시간 간격을 갖는 MTSAT-1R 의 10.8 µm 자료를 이용하여 표적의 크기뿐만 아니라 표적 이동을 추적하기 위해 사용되는 위성 영상 사이의 시간 간격이 벡터의 정확도에 미치는 영향을 확인하였다. 유럽의 MSG 위성을 이용한 García-Pereda and Borde (2014) 연구에서는 5-90분 시간 간격을 갖는 위성 영상 자료로 표적의 크기를 변화시키면서 벡터의 품질을 살펴보았다. 그 결과 표적 크기에 따라 산출된 벡터의 개수와 평균 속력, 검증 통계 값이 민감하게 변화하기는 했지만, 표적 크기와 벡터 품질 간의 선형적인 관계성은 드러나지 않았으며, 영상의 시간 간격을 분석한 결과에서는 일관적으로 짧은 시간 간격이 벡터의 품질 향상에 긍정적인 영향을 미치는 것을 확인하였다.

위성 자료의 주기에 따라 대기운동벡터 자료로 분석할 수 있는 현상이 달라지므로, 대기운동벡터 생산에 있어 위성의 시간 해상도는 매우 중요한 변수이다. 또한, 대기 현상의 시·공간 스케일은 서로 밀접한 연관이 있기 때문에, 위성 영상의 시간 간격에 따른 표적 크기의 최적화 과정도 필요하다. 따라서, 본 연구에서는 천리안 위성 2A호가 제공하는 2분 주기의 고속 관측 자료를 이용하여 위성의 시·공간 해상도가 대기운동벡터 산출물에 미치는 영향을 분석하고자 한다. 이는 중규모 대기 운동벡터 산출 알고리즘의 개발 및 현업 운용을 위한 선행 단계로써, 본 연구를 통해 위성 영상의 시간 간격과 표적 크기에 따른 대기운동벡터의 품질 및 입력 변수들과의 상관성을 기존 선행연구보다 더욱 세밀하게 파악할 수 있을 것으로 기대된다.

2. 연구자료

대기운동벡터 자료 생산 및 검증에 사용된 자료는 Table 1에 정리된 바와 같다. 우선대기운동벡터 생산에 사용된 주 연구 자료는 천리안위성 2A호 차세대기상영상기(Advanced Meteorological Imager; AMI)의 복사검정 및 기하보정이 완료된 Level 1B 자료이다. 2분 주기로 관측되는 확장 국지 영역(Extended Local Area, ELA)의 자료이며, 공간 해상도는 가시채널(0.64 µm)에서 0.5 km, 수증기(6.3 µm) 및 적외(10.5 µm) 채널에서 2 km으로 제공된다. 채널 자료는 복사검정 및 기하보정을 수행하여 관측된 값(count value)이고, 이를 가시채널 알베도 및 적외채널 휘도온도 값으로 전환하여 벡터 계산을 위한 표적 선정 및 추적 과정에 활용하였다. 추가적으로 표적의 종류(구름, 청천)를 구분하고, 구름 표적의 고도를 계산하기 위하여 천리안위성 2A호의 구름탐지 산출물과 운정기압 정보가 사용되었다. 가시채널 및 적외채널은 구름 표적에서만 벡터를 계산하기 때문에 구름 영역에 대한 정보가 필요하며, 구름역과 청천역에서 모두 벡터가 산출되는 수증기채널의 경우 구름 표적의 고도를 계산하기 위하여 운정기압 정보를 이용하였다. 청천 표적의 고도는 NWPSAF (Numerical Weather Prediction Satellite Application Facility) 기관의 RTTOV (Radiative Transfer for TOVS) v12.1 복사전달모델로 계산된 수증기채널의 층별 투과율 자료로 계산한다.

Table 1. Datasets used in the retrieval and validation of atmospheric motion vectors

OGCSBN_2021_v37n5_1_885_t0001.png 이미지

대기운동벡터 자료의 검증을 위하여 GTS (Global Telecommunication System)에서 배포되는 라디오존데 자료와, 기상청에서 제공하는 통합모델(Unified Model;UM) 기반 전지구 수치예보모델(Global Data Assimilation and Prediction System; GDAPS) 분석장의 고도별 바람 자료를 사용하였다. 추가적으로, 산출된 대기운동벡터의 고도 정보를 평가하기 위하여 CALIPSO (Cloud-Aerosol Lidar and Infrared Pathfinder Satellite Observation) 위성의 Level 2 VFM (Vertical Feature Mask) 자료를 이용하였다. VFM은 Feature Classification Flags를 이용하여 대기 중에 존재하는 구름과 에어로졸의 연직 분포 정보를 제공하는 자료로써(Vaughan et al., 2009), 본 연구에서는 대기 운동벡터 자료를 기준으로 10 km 이내에 위치한 자료 중 가장 가까운 거리에 위치한 구름의 연직 고도 정보만을 추출하여 검증에 활용하였다.

3. 연구방법

1) 위성 영상의 시간 간격 및 표적 크기

대기운동벡터 산출 알고리즘의 기본 원리는 위성 영상에서 관측되는 구름과 수증기의 이동을 추적하는 것이다. 따라서 알고리즘을 수행하기에 앞서 일련의 시간 순서를 갖는 위성 영상을 결정하고, 동일한 영역 내에서 추적의 대상이 될 표적을 선정하는 과정이 필요하다. 본 연구에서는 위성의 고속 관측 모드에서 제공하는 2분 주기의 자료 중에서 각각 2, 4, 6, 8, 10분의 시간 간격을 갖는 영상 자료 세 장을 선정한 후, 이를 이용하여 생산된 대기운동벡터 자료로부터 위성 영상의 시간 간격이 대기운동벡터 생산에 미치는 영향을 분석하였다. 위성 영상의 시간 정보는 대기운동벡터의 풍속을 계산하는 데 필요한 변수일 뿐만 아니라, 주어진 시간 동안 발생하는 구름 및 수증기의 구조 변형, 생성 및 소멸 등과도 밀접하게 연관되어 있다. 따라서, 벡터 산출에 사용된 영상들의 시간 간격을 다르게 적용함에 따라 대기운동벡터로 관측한 현상에 대한 해석이 달라질 수 있다

동일한 위성 영상 자료를 이용한 경우라도 선정된 표적의 크기에 따라서 대기운동벡터 산출물의 특성이 다르게 나타난다. 표적은 연속된 세 장의 영상 자료 중 기준이 되는 두 번째 영상 자료에서 선정되며, M×M 화소의 크기 갖는다. 이 때 표적의 크기(M×M)는 위성 자료의 해상도, 영상 사이의 시간 간격, 관측하고자 하는 현상의 공간 규모 등의 영향을 받는 변수이다. 본 알고리즘에서는 동일한 시간 간격 조건에서의 표적 크기를 각각 8×8, 16×16, 24×24, 32×32, 40×40 화소로 다르게 적용함으로써, 표적 크기 변화에 대한 대기운동벡터 산출물의 민감도 테스트를 수행하였다.

표적 크기가 변경되면, 표적의 이동을 추적하는 과정에 필요한 추적 영역이 설정되어야 한다. 추적 영역은 정해진 시간 동안 표적이 이동할 수 있는 범위를 제한하기 위한 변수로써, 이를 통해 알고리즘 수행 시간을 단축시키고, 추적 과정에서 발생하는 오차를 감소시킬 수 있다. 각 표적에 대한 추적 영역의 크기는 추적에 사용되는 영상 자료의 시간 간격 및 공간 해상도, 표적 크기, 연구 영역에서 벡터 가질 수 있는 최대 속력(벡터의 동서 방향 성분 = 70 m/s)을 종합적으로 고려하여 결정된다. 예를 들어, 가시채널의 표적 크기를 24×24 화소로 설정해줬을 때, 추적 영역은 2-10분의 시간 간격을 고려하여 각각 56×56, 90×90, 124×124, 158×158, 192×192 화소의 크기를 갖는다. 반면 적외채널에서는 가시채널과 같은 24×24 화소 크기의 표적일지라도 채널 영상의 해상도 차이로 인하여, 2-10분 시간 간격일 때의 추적 영상 크기가 각각 32×32, 40×40, 48×48, 56×56, 64×64 화소로 달라지게 된다.

2) 대기운동벡터 산출 알고리즘

본 연구에 활용된 대기운동벡터 산출 알고리즘은 Oh et al. (2019)에 기술된 내용을 기반으로 개발되었으며, 산출 과정은 Fig. 1에 도시된 바와 같이 표적 선정 및 표적 추적, 고도 할당, 품질 관리 단계로 나뉘어진다. 우선 표적 선정 및 표적 추적 단계에서는 앞 절에서 설명한 표적 크기와 위성 영상의 시간 간격 조건을 적용하여 표적을 선정한 후, 교차상관계수 기법을 이용하여 벡터의 풍속 및 풍향을 계산한다(Schmetz et al., 1993). 다음으로 고도 할당 과정에서는 선정된 표적의 고도를 결정하는데, 이 때 표적의 종류(구름, 청천)에 따라 다른 기법이 적용된다. 구름 표적에서는 Borde et al. (2014)이 개발한 교차상관기여도(Cross-Correlation Contribution; CCC) 방법을 이용하며, 산출된 고도가 650hPa보다 낮고 역전층이 발생한 영역에서는 추가적으로 역전층 보 정 과정을 수행한다. 청천 표적에서는 복사 모델의 연직 투과율 자료를 이용하는 정규화된 총 기여도(Normalized Total Contribution; NTC) 방법과 정규화된 총 누적기여도(Normalized Total Cumulative Contribution; NTCC) 기법을 사용하였다. 알고리즘의 마지막 과정은 산출된 벡터의 품질을 평가하기 위한 품질 지수(Quality indicator; QI)를 생산하는 단계이다. Holmlund (1998)가 개발한 QI는 산출된 대기운동벡터의 시·공간 균질성을 평가하기 위하여 통계 기법을 기반으로 개발된 지수로, 각 벡터의 수평 및 수직 방향 성분의 시간 일관성과 주변 벡터와의 공간 균질성을 가중 평균하여 계산되며, 이 때 공간 균질성에 대한 가중값은 2, 시간 일관성에 대한 가중값은 1로 부여하였다. 최종적인 QI는 0에서 1사이의 값으로 나타나고, 통상적으로 QI 값이 높을수록 양질의 벡터를 의미한다.

OGCSBN_2021_v37n5_1_885_f0001.png 이미지

Fig. 1. Flowchart of the GK2A AMV algorithm.

3) 대기운동벡터 검증

대기운동벡터 산출물의 정량적 검증을 위하여 동일기간의 라디오존데 바람 관측 자료와 수치모델 분석장 자료를 사용하였으며, 검증을 위한 시·공간 일치 자료 구축은 전세계 기상위성 운영기관에서 보편적으로 사용하고 있는 기준에 따라 다음과 같이 설정하였다(Menzel, 1996). 라디오존데 자료의 경우 대기운동벡터 관측 시각을 기준으로 +1시간 이내의 자료를 수집하였으며, 수평적으로는 150 km 이내, 연직적으로는 25 hPa 이내에 존재하는 라디오존데 자료를 사용하였다. 수치 예보모델 자료와의 검증에서는 00, 06, 12, 18 UTC에 생산되는 분석장 자료를 동일 시각에 생산된 대기운동벡터 자료와 비교하였다. 이 때 연직적으로는 대기운동벡터와 가장 가까운 2개의 지점의 자료를 선형 내삽하고, 수평적으로는 대기운동벡터와 가장 가까운 4개의 지점을 거리의 제곱에 반비례하게 가중 평균하여 사용하였다. 추가적으로, 검증 자료와 시·공간 일치된 자료 중에서 벡터의 속력이 2.5 m/s 이상이며, 검증 자료와의 풍속 및 풍향 차이가 각각 30 m/s, 60° 이하인 조건을 만족하는 자료만 검증 자료로 선정하였다.

자료 분석에 사용된 주요 검증 지수는 편차(Bias)와 벡터의 평균 제곱근 편차(Root Mean Squared Vector Difference; RMSVD)를 벡터의 평균 속력으로 표준화한 NormalizedBias(NBias)와NormalizedRMSVD(NRMSVD) 이다. NBias와 NRMSVD는 식 (1)-(3)과 같이 정의되며, 다음의 식에서 U와 V는 벡터의 동서방향 및 남북방향 성분이고, 아래 첨자 i와 ref는 각각 위성에서 산출한 대기운동벡터와 검증 자료를 의미한다. 평균 속력의 차이에 의한 영향을 제거하기 위하여 식 (3)과 같이 기존의 검증 지수를 검증 자료의 평균 속력(WSref)으로 나눠서 정규화 한 Bias와 RMSVD 값을 계산하였다.

\(\operatorname{Bias}=\frac{1}{N} \sum_{i=1}^{N}\left(\sqrt{U_{i}^{2}+V_{i}^{2}}-\sqrt{U_{r e f}^{2}+V_{r e f}^{2}}\right)\)       (1)

\(\operatorname{RMSVD}=\sqrt{\frac{\sum_{i=1}^{N}\left\{\left(U_{i}-U_{\text {ref }}\right)^{2}+\left(V_{i}-V_{\text {ref }}\right)^{2}\right\}}{N}}\)       (2)

\(\text { NBias }=\frac{\text { Bias }}{W S_{\text {ref }}}, \text { NRMSVD }=\frac{R M S V D}{W S_{\text {ref }}}\)       (3)

4. 연구결과

1) 정성적 분석

(1) 위성의 시간 간격에 따른 대기운동벡터 산출 결과 비교

위성의 시간 해상도가 대기운동벡터 산출 결과에 미치는 영향을 분석하기 위해서 태풍 사례를 중심으로 각각의 위성 영상 시간 간격에 따른 대기운동벡터 산출 결과를 비교 분석하였다. Fig. 2(a)-(e)는 2020년에 발생한 제10호 태풍 ‘하이선’ 사례에 대하여, 2020년 9월 5일 03 UTC 관측 시각을 중심으로 각각 2, 4, 6, 8, 10분의 시간 간격을 갖는 위성 영상 세 장을 이용하여 산출한 대기운동벡터 산출 결과이다. QI가 0.8 이상을 만족하는 경우만 표출하였으며, 벡터의 깃은 풍향과 풍속을 나타내고, 벡터의 색은 고도 정보를 의미한다. 시간 간격에 따른 산출 결과를 비교해보면 모든 결과에서 공통적으로 반시계 방향의 저기압성 순환 패턴이 나타나지만, 태풍 영역 내에서 벡터의 밀도가 확연하게 차이 나는 것을 알 수 있다. 시간 간격이 길어질수록 벡터의 밀도가 낮아졌으며, 이러한 현상은 태풍 가장자리의 하층에서 나타나는 저기압성 회전뿐만 아니라, 태풍의 눈 부근의 회전 곡률이 큰 영역에서도 마찬가지로 드러난다.

OGCSBN_2021_v37n5_1_885_f0002.png 이미지

Fig. 2. GK2A AMVs generated from a sequence of infrared (10.5 µm) images separated by (a) 2 minutes, (b) 4 minutes, (c) 6 minutes, (d) 8 minutes, and (e) 10 minutes during Typhoon Haishen at 03 UTC on 5 September 2020 (Color coding based on the AMV pressure).

이와 같은 벡터 분포의 밀도 차이는 알고리즘에서 사용하는 표적 추적 방식의 한계로 인하여 발생한다. 시간 변화에 따른 두 영상 사이의 변화를 이용하여 표적의 이동을 계산하는 이미지 매칭 방식은 표적이 이동할 때 속력과 방향이 변하지 않고 직선운동을 한다는 가정을 기반으로 하고 있기 때문에, 태풍 등과 같이 회전성 운동을 하는 현상을 추적하는데 어려움이 있다. 따라서 영상 사이의 시간 간격이 길어지면 표적의 움직임이 직선 운동 영역에서 벗어날 가능성이 증가하게 되면서 실제 대기의 움직임과 산출된 벡터의 흐름 사이의 이가 커질 수 있다. 이러한 차이는 회전성이 강하게 나타나는 태풍 중심 부근의 영역과, 구름의 형태 변화가 큰 태풍 가장자리 부분에서 더욱 뚜렷하게 드러났다.

(2) 표적 크기에 따른 대기운동벡터 산출 결과 비교

대기운동벡터 알고리즘에서 표적의 크기는 자료의 공간 해상도를 결정짓는 변수일 뿐만 아니라 벡터의 풍향 및 풍속, 고도 정보를 계산하는 과정에도 중요한 영향을 미친다. 본 연구에서는 CALIPSO 위성의 VFM 자료를 이용하여 표적 크기의 변화로 인한 대기운동벡터 산출 결과를 비교 분석하였다. Fig. 3은 표적의 크기를 각각 8×8, 16×16, 24×24, 32×32, 40×40 화소로 설정한 후, 생산된 대기운동벡터의 고도 정보를 VFM 자료 중 구름 유형(회색)으로 분류된 자료의 고도와 비교한 결과이다.

OGCSBN_2021_v37n5_1_885_f0003.png 이미지

Fig. 3. Comparison of GK2A IR AMV heights derived with different target sizes between 8×8 pixels and 40×40 pixels and CALIPSO VFM cloud profiles for 0450 UTC 14 August 2019.

Fig. 3로부터 도출할 수 있는 유의미한 결과 중 하나는, 표적 크기가 작아질수록 실제 구름 고도 변화를 조밀하게 분석할 수 있다는 점이다. 그림에서 25-35°N 영역을 살펴보면, 2019년에 발생한 제10호 태풍 ‘크로사’를 관통하는 CALIPSO 자료와 대기운동벡터의 고도 분포를 확인할 수 있다. 8×8 표적을 이용한 대기운동벡터의 고도(주황색)는 태풍 중심과, 구름의 고도가 점차 낮아지는 태풍 가장자리에서의 고도 변화를 현실적으로 반영하는 반면, 표적의 크기가 증가할수록 해당 영역에 분포하는 자료 개수가 급격히 감소하며 24×24 화소 이상에서는 태풍 내부의 고도 분석을 위한 정보가 전혀 표출되지 않았다. 이는 앞 절에서 언급된 태풍 내부의 벡터 밀집도 분석 자료와 유사한 결과이다. Fig. 3의 45°N 이상의 위도 영역에서도 표적 크기 변화에 따른 벡터의 고도 분포 특성의 차이가 뚜렷하게 드러났다. 해당 영역에서는 두꺼운 상층운과 하층의 조각 구름이 혼재하고 있는데, 이 때 8×8 표적 결과에서만 상층운 사이에 위치하는 일부 하층운 고도 분포를 확인할 수 있다.

2) 정량적 분석

Fig. 4-6는 각각 가시채널과 적외채널의 구름 표적, 수증기채널의 청천 표적에서 생산된 대기운동벡터 개수와 평균 속력 및 평균 상관계수, NBias, NRMSVD의 변화 양상을 보여주는 그래프이다. 사용된 자료의 기간은 2020년 8월이고, 유의미한 결과 해석을 위하여 품질 지수가 0.8 이상을 만족하는 대기운동벡터만 사용하였다. 수증기채널의 구름 표적에서 생산된 대기운동벡터의 결과는 적외채널의 결과와 매우 유사한 특징을 보이므로 분석 결과를 그림에 나타내지 않았고, 표적 크기가 40×40 화소인 결과도 표적의 크기 변화에 따른 그래프 분석에 큰 영향을 미치지 않으므로 그림에 포함시키지 않았다.

OGCSBN_2021_v37n5_1_885_f0005.png 이미지

Fig. 4. Variations of the number of vectors, normalized bias (NBias), Normalized root mean squared vector difference (NRMSVD), mean speed, and mean correlation of GK2A visible AMVs with the tracer sizes of (a), (b) 8×8 pixels, (c), (d) 16×16 pixels, (e), (f) 24×24 pixels, and (g), (h) 32×32 pixels using a temporal gap between images of 2, 4, 6, 8, and 10 minutes for the month of August 2020. The left column shows the results compared with radiosonde winds, and the right column with KMA GDAPS-UM NWP analysis winds.

OGCSBN_2021_v37n5_1_885_f0006.png 이미지

Fig. 5. Same as in Fig. 4, but for the GK2A infrared AMVs.

OGCSBN_2021_v37n5_1_885_f0007.png 이미지

Fig. 6. Same as in Fig. 4, but for GK2A water vapor clear-sky AMVs.

(1) 벡터 개수

Fig. 4-6의 막대 그래프는 각각 가시채널과 적외채널의 구름 표적, 수증기채널의 청천 표적에서 생산된 대기운동벡터의 개수를 의미한다. 산출된 자료 개수는 대기운동벡터의 공간해상도를 의미하는 표적의 크기와 밀접한 관련이 있다. 공간해상도가 높을수록, 즉 표적의 크기가 작을수록 작은 규모의 대기 현상까지 세밀하게 유추해낼 수 있기 때문에, 생산된 자료 개수가 많을수록 다양한 현상을 분석하는데 유리하게 사용될 수 있다. 다양한 조건에서 생산된 자료 중에서 벡터 개수가 최대가 되는 시점을 살펴보면 가시채널은 2-4분, 적외채널은 6-8분, 수증기채널(청천 표적)은 8-10분이다. 채널에 따라서 벡터 개수가 최대가 되는 시점이 달라지는 원인으로 위성 영상의 해상도와 표적 대상(구름, 수증기)의 차이를 들 수 있다. 표적 추적에 사용된 위성 영상의 공간해상도가 높고, 표적의 이동이 빠를수록, 짧은 시간 간격에서의 벡터 추적에 유리해진다. 예를 들어, 2분 간격의 위성 자료를 사용할 경우, 평균 10 m/s의 속력으로 이동하는 구름이라 하더라도 최대 이동 거리가 1.2 km 밖에 되지 않기 때문에 2 km의 해상도를 갖는 적외채널 혹은 수증기채널 자료로는 구름의 이동을 파악하기 어려운 반면, 가시채널의 공간 해상도는 500m로 구름의 이동 거리보다 작아서 구름의 위치 변화를 잡아낼 수 있는 것이다. 하지만 표적의 크기가 너무 작으면 표적 내 휘도온도 혹은 알베도의 대비(contrast)가 작아져서 오히려 유의미한 벡터 정보를 생산하기 어려워진다(Sohn and Borde, 2008). 특히 수증기채널의 청천 영역에서는 수증기의 형상학적 특징이 뚜렷하지 않기 때문에 표적 추적 과정에서 작은 표적을 이용하는 것이 오히려 표적 추적에 불리하게 작용한다.

다음으로, 표적의 크기에 따라서 시간 간격 별 자료 개수의 변화 양상을 분석해보면, 표적의 크기가 증가함에 따라 자료 개수가 최대가 되는 시점이 늘어나며, 동일한 표적 크기 내에서 시간 간격에 따른 자료 개수의 변동폭이 작아지는 경향을 보였다. Fig. 4에서 가시채널의 경우, 표적 크기가 8×8 화소인 조건에서는 2분 간격 자료를 이용할 때 벡터의 개수가 최대가 되었으며, 시간 간격이 길어짐에 따라 벡터 개수가 점차 감소하여 10분이 되는 시점에서 벡터 개수는 최대 자료 수 대비 약 83% 감소율을 보였다. 반면 32×32 화소 크기에서는 자료 개수가 최대가 되는 시점이 2분이 아닌 4분으로 증가하고, 이후 시간 간격에서는 자료 개수가 점차적으로 감소하였으나, 그 감소 비율이 약 23%으로 8×8 크기에서보다 자료 개수의 감소폭이 매우 줄어든 것을 확인할 수 있다. Fig. 5의 적외채널에서는 표적의 크기가 증가함에 따라 벡터 개수가 최대가 되는 시간 간격이 6분에서 8분으로 늘어났고, 표적 크기 증가에 따른 최대 자료 수와 최소 자료 수의 비율 변화가 약 37%에서 25%로 감소하였다. Fig. 6의 수증기채널에서도 마찬가지의 패턴으로 표적의 크기가 커질수록 자료 개수가 최대가 되는 시간 간격이 8분에서 10분으로 길어지고, 시간 간격에 따른 자료 개수의 변동성이 46%에서 42%로 줄어들었다. 이러한 자료 개수의 변화 특성은 추적의 대상이 되는 대기 현상의 시간 규모와 밀접한 연관이 있다(GarcíaPereda and Borde, 2014). 표적의 크기가 작아질수록 생 산된 자료의 양이 위성 영상의 시간 간격의 변화에 민감하게 반응하는 것은, 짧은 주기의 대기 현상을 분석할 때에는 표적의 크기가 작은 것이 더욱 유리하다는 의미로 해석될 수 있다. 또한 동일한 채널 조건에서는 표적의 크기가 커질수록 자료 개수가 최대가 되는 시간 간격이 늘어났으며, 이를 통해 표적의 크기가 클수록 현상의 시간 규모가 긴 현상을 추적하는 데에 효과적임을 알 수 있다.

(2) 평균 속력

대기운동벡터의 평균 속력에 대한 정보는 대기운동벡터의 오차 특성을 파악하고, 대기운동벡터 자료로 분석하고자 하는 대기 현상을 이해하는데 유용한 자료이다. 본 연구에서는 위성의 각 채널의 고유 특성을 고려하여 표적 크기와 위성 영상의 시간 간격에 따른 산출된 벡터의 평균 속력의 변화 양상을 분석하였다. 우선 Fig. 4를 살펴보면, 가시채널 대기운동벡터는 시간 간격이 길어짐에 따라 산출된 벡터 자료의 평균 속력이 증가하고, 표적의 크기가 증가함에 따라 시간 간격에 따른 속력의 변화 양상이 확연하게 줄어드는 것을 확인할 수 있다. 이러한 경향성은 시간 간격에 따른 고도 별 벡터 개수를 함께 고려하여 해석해야 한다. 예를 들어, 시간 간격 변화에 따른 평균 속력 차이가 가장 크게 나타 나는 8×8 표적의 경우, 2분 간격의 위성 영상으로 벡터를 산출했을 때 전체 벡터 생산량 중 하층(700-1000 hPa) 벡터가 차지하는 비율이 약 26.6%인 반면, 10분 간격 자료를 이용했을 때에는 약 19.4%로 하층 벡터 비율이 7.2% 감소하였다. 일반적으로 바람의 고도가 낮아질수 록 평균적인 속력도 낮아지기 때문에, 하층 벡터 비율이 높은 조건에서의 평균 속력이 더 낮아지는 것이다. 또한 이러한 특징은 하층 벡터 산출에 가장 유리한 가시채널 대기운동벡터에서 가장 뚜렷하게 드러났다.

가시채널뿐만 아니라 적외 및 수증기채널을 포함한 모든 자료에서 공통적으로 표적의 크기가 증가함에 따라서 벡터의 평균 속력이 감소하는 경향을 보였으며, 시간 간격이 증가할수록 이러한 경향성이 더욱 뚜렷하게 나타났다(Fig. 5, Fig. 6). 표적이 커지면 해당 표적에서 생산된 벡터는 상대적으로 더 넓은 영역의 바람을 대표하게 되므로 벡터의 평균 속력이 줄어드는 것이다. Sohn and Borde (2008)과 García-Pereda and Borde (2014)의 연구에서도 본 연구 결과와 유사하게 강한 바람을 추적할 때에는 표적을 작게 설정하는 것이 유리하다는 점을 밝힌 바 있다.

(3) 정확도

대기운동벡터 검증을 위하여 편차와 RMSVD 정보를 관측된 벡터의 평균 속력으로 정규화 한 NBias와 NRMSVD 값을 이용하였다. 우선 NBias 특성을 살펴보면, 같은 시간의 조건에서 표적의 크기가 커질수록 음의 편차 특성이 뚜렷해지는 경향을 보였다. 대기운동벡터 자료에 나타나는 음의 풍속 편차 특성은 이미 많은 선행연구를 통해 알려진 바 있다(Schmetz et al., 1993; Velden and Bedka, 2009; Bresky et al., 2012). 표적의 크기가 커질수록 다층운 등의 영향으로 표적 내에 여러 층의 바람이 혼재되어 나타날 가능성이 높아지기 때문에, 산출된 대기운동벡터의 풍속이 라디오존데 등으로 관측한 실제 풍속보다 낮게 나타나게 된다(Bresky et al., 2012; Oh et al., 2015).

위성 영상의 시간 간격에 따른 NBias 값의 변화 양상에서는 시간 간격이 늘어남에 따라 NBias 값이 증가하는 경향으로 나타났다. 2분의 시간 간격에서는 공통적으로 음의 풍속 편차가 나타났으며, 시간 간격이 늘어 남에 따라 NBias 값이 증가하여 대부분의 조건에서는 6분의 시간 간격을 기점으로 NBias가 양의 값으로 전환되었다. 알고리즘 특성만을 고려하면, 위성 영상의 시간 간격이 늘어남에 따라 NBias 값이 감소하는 경향을 보여야 한다. 대기운동벡터는 일정한 시간 간격 동안 발생한 표적의 움직임을 기반으로 생산되며, 이 때 표적이 일정한 속도로 이동한다는 가정 하에 벡터의 계산이 수행되기 때문이다. 만약 영상의 시간 간격이 길어지게 되면, 표적의 이동이 평균적인 흐름에서 벗어나서 순간적으로 변화하는 과정을 반영하기 어려워지므로 산출된 대기운동벡터가 실제 바람보다 풍속이 낮게 나타나는 특성을 보이게 된다. 하지만 Fig. 4-6에 드러난 바와 같이, 본 연구 결과에서는 시간 간격이 늘어남에 따라 NBias 값이 오히려 증가하는 경향으로 나타났다. 이러한 특징은 생산된 대기운동벡터의 평균 속력과 NRMSVD 값을 함께 고려하여 해석되어야 한다. NBias 값이 양의 값으로 증가하는 경우에서 2분 간격의 자료와 10분 간격의 자료를 비교해보면, 10분 간격의 영상을 이용했을 때 평균 속력은 증가하였으나 NRMSVD 값도 함께 증가하며 생산된 자료의 정확도가 상대적으로 더 낮게 나타나는 것을 확인할 수 있다. 시간 간격이 길어지면서 표적 내 구름 및 수증기 형상의 변화가 발생하여 정확한 추적이 어려워지고, 실제 바람 현상과 연관 없는 무작위적인 벡터 추적이 발생하면서 평균 속력과 NBias가 증가하는 특성을 보이는 것이다.

NRMSVD는 채널 정보에 따라 서로 다른 특징을 보인다. 가시채널 대기운동벡터는 위성 영상의 시간 간격이 짧아질수록 NRMSVD가 감소하였으며, 이러한 특성은 라디오존데와 수치모델과의 검증 결과에서 모두 공통적으로 나타났다. 반면 적외채널과 수증기채널 대기운동벡터에서는 4분의 시간 간격을 갖는 자료를 이용할 때 가장 높은 정확도를 보였고, 2분으로 시간 간격이 줄어들면 오히려 다시 NRMDVD 값이 증가하는 경향을 보였다. 특히 8×8 크기의 표적에서 이와 같은 특성이 가장 뚜렷하게 드러났고, 표적 크기가 커지면서 NRMSVD 그래프의 변동성이 줄어들어 위성의 시간 간격 변화에 따른 영향이 감소하는 것을 확인하였다. 위성 자료의 생산 주기가 짧으면 빠르게 변화하는 대기 현상을 분석하기에는 용이하지만, 표적 추적 시 표적이 이동할 수 있는 범위가 제한되기 때문에 비교적 느리게 움직이는 현상을 추적하는 데에 어려움이 발생하게 된다.

Table 2와 Table 3을 살펴보면 NRMSVD의 변화 양상이 표적의 크기와, 추적의 대상이 되는 대기 현상의 시· 공간 규모와 밀접한 연관이 있음을 확인할 수 있다. 동일한 검증 자료를 이용하였을 경우, 상층(100-400 hPa)에서 NRMSVD 값의 변동폭은 0.05 m/s 미만으로, 표적 크기 및 영상의 시간 간격과 무관하게 거의 일정한 값으로 유지되었다. 통상적으로 상층부 바람은 기단의 수평 온도 변화 및 밀도 차이에 의한 효과로 발생하는 경우가 많기 때문에, 비교적 큰 규모의 순환이 이루어지 며 대기 구조의 시·공간 변화가 상대적으로 작다. 따라서 표적의 크기나 시간 변화에 따른 대기운동벡터 산출 결과에서도 뚜렷한 차이가 드러나지 않는 것이다.

Table 2. Validation statistics of GK2A visible AMVs for August 2020 against radiosonde winds and GDAPS-UM model analysis winds for all spatio-temporal configurations and for each pressure level

OGCSBN_2021_v37n5_1_885_t0002.png 이미지

Table 3. Same as in Table 2, but for GK2A IR AMVs

OGCSBN_2021_v37n5_1_885_t0003.png 이미지

반면 하층에서는 기단의 특성뿐만 아니라 일사에 의한 지면 가열, 마찰 등의 영향으로 인한 국지적 규모의 대기 현상이 발생한다. 이러한 특징은 Table 2와 Table 3의 하층(700-1000 hPa)에서 조건에 따른 NRMSVD 값의 변동폭이 크게 나타나는 것을 통해서 확인할 수 있다. 40×40 표적을 이용한 가시채널 하층 대기운동벡터의경우, 라디오존데와의 비교 결과에서는 시간 간격이 늘어남에 따른 NRMSVD 값의 변화가 거의 나타나지 않는 반면, 8×8 표적의 결과에서는 NRMSVD가 0.71 m/s 에서 1.00 m/s로 0.29 m/s의 증가폭을 보였다. 동일한 조건에서 적외채널의 대기운동벡터 결과도 이와 유사한 특징을 보였으며, 표적의 크기가 작을수록 시간 간격 변화에 따른 NRMSVD 값의 변화가 더욱 뚜렷해졌다.

마지막으로 표적 크기 변화에 따른 NRMSVD 변화 양상을 살펴보면, 동일한 시간 간격의 조건에서는 표적의 크기가 증가함에 따라 NRMSVD 값이 감소하는 특징을 보였다. 이는 앞선 내용에서 언급된 표적 크기에 따른 자료 생산량 분석 내용과 상응하는 결과로써, 표적의 크기가 클수록 벡터 추적과 고도 정보를 산출하기 위한 정보가 더욱 많이 확보되기 때문에 벡터의 정확도가 높아지는 것이다. 이러한 특징은 라디오존데와 수치 모델 바람장을 이용한 검증 결과에서 공통적으로 나타났으며, 특히 더 넓은 영역에서 다양한 현상에 대한 검증이 가능한 수치모델과의 비교 결과에서 더욱 뚜렷하게 드러났다.

5. 요약 및 결론

연구에서는 대기운동벡터 생산에 이용되는 위성 영상의 시간 간격 정보와 표적의 크기 변화에 따른 효과를 비교하기 위하여, 천리안위성 2A호 대기운동벡터 알고리즘에 관련 입력 변수를 각각 다르게 적용하여 산출한 대기운동벡터 자료를 분석하였다. 태풍 등의 사례 연구를 통해 벡터의 공간 분포 및 고도 정보 특성을 정성적으로 파악하였으며, 일반화된 결과 도출을 위하여 2020년 8월 한 달의 자료로 벡터 개수, 평균 속력을 분석하였다. 또한 라디오존데 및 수치모델 바람장과의 비교를 통해 위성의 가시·적외·수증기채널의 대기운동벡터 정확도를 검증하였다.

다양한 조건에서의 대기운동벡터 산출물을 분석한 결과를 종합적으로 고려했을 때 대기운동벡터를 안정적으로 산출하기 위한 최적의 시간 간격 조건은 4분이라고 판단된다. 자료 생산량 관점으로 보면 자료 개수가 최대가 되는 2분 혹은 6분의 시간 간격 자료를 사용하는 것이 가장 적합했고, 정성적 분석 결과에서도 시간 간격이 짧을수록 회전하는 대기 현상과 국지적 규모의 바람을 추적하는데 용이하다는 것을 확인할 수 있었다. 하지만 정확도 측면에서는 4분의 시간 간격 자료를 이용할 때 NBias 값이 0에 가장 가깝고, NRMVD도 최소가 되는 경우가 많았다. 또한 일부 경우를 제외하고는 4분 간격에서의 자료 생산량이 최대 자료 수 대비 80% 이상의 값을 유지했기 때문에 현상 분석을 위한 정보를 충분히 제공할 수 있다고 판단된다.

표적의 크기도 산출된 자료 개수, 정확도 등을 함께 고려하여 설정해야 한다. 표적의 크기가 작을수록 QI 조건을 만족하는 벡터의 개수가 증가하였으며, 검증 자료의 평균 속력과 산출된 벡터의 평균 속력의 유사성이 높아졌다. 또한 정성적 분석 결과에서도 표적의 크기가 작을수록 세세한 고도 변화를 분석하는데 유용하게 사용될 수 있음을 보였다. 하지만 NRMSVD를 함께 고려하면 8×8 표적에서 오히려 NRMSVD가 가장 높은 값으로 나타났으며, 표적의 크기가 작아질수록 오히려 오차가 증가하였다. 따라서 이러한 요소를 종합적으로 고려하면, 표적의 크기를 16×16 화소로 설정하는 것이 적합하다고 판단된다.

하지만 궁극적으로 최적의 대기운동벡터 생산을 위해서는 산출된 자료를 통해서 분석하고자 하는 대기 현상의 특성에 대한 이해가 선행되어야 한다. 위성 영상의 시간 간격과 표적의 크기 정보는 결국 분석 대기 현상의 시·공간 규모와 밀접하게 연관되어 있기 때문이다. 대기 순환의 규모가 큰 상층에서는 표적의 크기가 크고, 위성 영상의 시간 간격이 길수록 대기운동벡터의 정확도가 높아지는 반면, 상대적으로 시·공간 규모가 작고 대기 흐름의 속도가 느린 하층에서는 작은 표적과 짧은 시간 간격의 영상 자료를 이용할 때 산출 정확도가 높아졌다. 추가적으로, 채널 별 위성 영상의 공간 해상도 차이도 산출 결과에 영향을 미친다. 공간 분해능이 높은 가시채널 자료를 이용하여 산출한 대기운동벡터의 경우, 동일한 조건에서 생산된 적외채널 대기운동벡터 보다 낮은 RMSVD 값을 보였으며, 특히 중·하층 고도에서 채널에 따른 정확도 차이가 더욱 뚜렷하게 드러났다.

현재 천리안위성 2A호뿐만 아니라 GOES-16/17, Himawari-8/9, MTG 등 다양한 기상위성에서 높은 시간 해상도를 갖는 관측 자료를 제공하고 있기 때문에, 향상된 성능의 위성 자료를 대기운동벡터 알고리즘에 적절하게 활용하기 위한 연구가 필요하다. 본 연구 결과는 천리안위성 2A호의 고속 관측 자료를 이용함으로써, 10분 이내의 짧은 시간 간격의 위성 영상 자료로 생산한 대기운동벡터 산출물의 특성 정보를 제공한다는 데 의의가 있다. 추후에는 이러한 결과를 바탕으로 대기운동벡터 알고리즘을 개선함으로써, 고속 관측 자료를 이 용한 대기운동벡터 산출물의 정확성과 활용성을 높이는 과정이 필요할 것으로 사료된다.

사사

이 연구는 기상청 국가기상위성센터의 기상위성예보지원 및 융합서비스 기술개발 사업(NMSC-2020-153-3100-3137-307-210)의 지원으로 수행되었습니다.

References

  1. Apke, J.M., J.R. Mecikalski, and C.P. Jewett, 2016, Analysis of mesoscale atmospheric flows above mature deep convection using super rapid scan geostationary satellite data, Journal of Applied Meteorology and Climatology, 55(9): 1859-1887. https://doi.org/10.1175/JAMC-D-15-0253.1
  2. Berger, H., R. Langland, C.S. Velden, C.A. Reynolds, and P.M. Pauley, 2011, Impact of enhanced satellite-derived atmospheric motion vector observations on numerical tropical cyclone track forecasts in the western north pacific during TPARC/TCS-08, Journal of Applied Meteorology and Climatology, 50(11): 2309-2318. https://doi.org/10.1175/JAMC-D-11-019.1
  3. Borde, R., M. Doutriaux-Boucher, G. Dew, and M. Carranza, 2014, A direct link between feature tracking and height assignment of operational EUMETSAT atmospheric motion vectors, Journal of Atmospheric and Oceanic Technology, 31(1): 33-46. https://doi.org/10.1175/JTECH-D-13-00126.1
  4. Bresky, W.C., J.M. Daniels, A.A. Bailey, and S.T. Wanzong, 2012, New methods toward minimizing the slow speed bias associated with atmospheric motion vectors, Journal of Applied Meteorology and Climatology, 51(12): 2137-2151. https://doi.org/10.1175/JAMC-D-11-0234.1
  5. Garcia-Pereda, J. and R. Borde, 2014, The impact of the tracer size and the temporal gap between images in the extraction of atmospheric motion vectors, Journal of Atmospheric and Oceanic Technology, 31(8): 1761-1770. https://doi.org/10.1175/JTECH-D-13-00235.1
  6. Holmlund, K., 1998, The utilization of statistical properties of satellite-derived atmospheric motion vectors to derive quality indicators, Weather and Forecasting, 13(4): 1093-1104. https://doi.org/10.1175/1520-0434(1998)013<1093:TUOSPO>2.0.CO;2
  7. Menzel, W.P., 1996, Report on the Working Group on Verification Statistics, Proc. of 3rd International Winds Workshop, Ascona, CH, Jun. 10-12, p.18.
  8. Oh, S.M., R. Borde, M. Carranza, and I.C. Shin, 2019, Development and intercomparison study of an atmospheric motion vector retrieval algorithm for GEO-KOMPSAT-2A, Remote Sensing, 11(17): 2054. https://doi.org/10.3390/rs11172054
  9. Oh, Y.R., J.H. Kim, H.M. Park, and K.H. Baek, 2015, Development and analysis of COMS AMV target tracking algorithm using Gaussian cluster analysis, Korean Journal of Remote Sensing, 31(6): 531-548 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2015.31.6.4
  10. Pao, T.L., J.H. Yeh, M.Y. Liu, and Y.C. Hsu, 2006, Locating the typhoon center from the IR satellite cloud images, 2006 IEEE international conference on systems, man and cybernetics, 1: 484-488.
  11. Schmetz, J., K. Holmlund, J. Hoffman, B. Strauss, B. Mason, V. Gartner, A. Koch, and L. van de Berg, 1993, Operational cloud-motion winds from Meteosat infrared images, Journal of Applied Meteorology and Climatology, 32(7): 1206-1225. https://doi.org/10.1175/1520-0450(1993)032<1206:OCMWFM>2.0.CO;2
  12. Shimoji, K., 2012, A study on the relationship between spatial and temporal image resolutions for AMV derivation with next generation satellites, Proc. of 11th International Wind Workshop, Auckland, NZ, Feb. 20-24, p.60.
  13. Sohn, E.H. and R. Borde, 2008, The impact of window size on AMV, Proc. of 9th International Winds Workshop, Annapolis, MD, Apr. 14-18, p.51.
  14. Stettner, D., C. Velden, R. Rabin, S. Wanzong, J. Daniels, and W. Bresky, 2019, Development of enhanced vortex-scale atmospheric motion vectors for hurricane applications, Remote Sensing, 11(17): 1981. https://doi.org/10.3390/rs11171981
  15. Velden, C.S. and K.M. Bedka, 2009, Identifying the uncertainty in determining satellite-derived atmospheric motion vector height attribution, Journal of Applied Meteorology and Climatology, 48(3): 450-463. https://doi.org/10.1175/2008JAMC1957.1
  16. Walker, J.R., W.M. MacKenzie Jr, J.R. Mecikalski, and C.P. Jewett, 2012, An enhanced geostationary satellite-based convective initiation algorithm for 0-2-h Nowcasting with object tracking, Journal of Applied Meteorology and Climatology, 51(11): 1931-1949. https://doi.org/10.1175/JAMC-D-11-0246.1
  17. Wu, T.C., H. Liu, S.J. Majumdar, C.S. Velden, and J.L. Anderson, 2013, Influence of assimilating satellite-derived atmospheric motion vector observations on numerical analyses and forecasts of tropical cyclone track and intensity, Monthly Weather Review, 142(1): 49-71. https://doi.org/10.1175/mwr-d-13-00023.1