1. 서론
에어로졸이란 액체나 고체의 입자가 공기와 같은 기체 내에 미세한 형태로 균일하게 분포되어 있는 상태를 의미한다. 에어로졸 입자의 크기는 수 nm에서 1 µm 정도로 에어로졸의 발생원은 매우 다양하다. 이러한 에어로졸은 직달 태양복사 및 산란복사에 영향을 미치며, 구름 응결핵으로 작용하여 구름입자의 물리적 특성은 물론 역학적 발달과 강수효율을 변화시켜 기후변화를 유발한다(Twomey et al., 1977; Lau et al., 2006). 또한 최근까지 큰 문제로 제기되는 미세먼지 역시 에어로졸에 속하는 것으로 인체 뿐만 아니라 여러 요인에서 악영향을 끼치고 있다. 이로 인해 에어로졸 관련 연구에서 가장 기본적으로 사용되는 물리량인 에어로졸 광학두께 (Aerosol Optical Depth; AOD)에 대한 연구가 예전부터 지속적으로 진행되고 있다. 예를 들어, 위성 AOD 관측자료는 에어로졸로 인한 대기질 변화 연구에 사용되고 있다(Gupta et al., 2013; Tyagi et al., 2021).
AOD는 에어로졸의 흡수 및 산란에 의한 빛의 감쇠량을 지표부터 상층까지 적분한 값으로 정의할 수 있다. 인공위성을 이용한 AOD 관측은 1970년대부터 시작되었으며(Griggs, 1975), 이후 지구 환경 감시와 기후변화 연구에서 위성기반 관측을 통한 AOD 산출 중요성이 강조되었다. 이를 위하여, MODIS (Moderate Resolution Imaging Spectrometer), VIIRS (Visible Infrared Imaging Radiometer Suite), MISR (Multi angle Imaging Spectro Radiometer)등의 위성 센서를 이용한 AOD 측정 연구가 활발히 수행되고 있는 실정이다(Levy et al., 2007; Levy et al., 2013; Hsu et al., 2006, 2013; Kalashnikova et al., 2013; Zhang et al., 2016; Garay et al., 2017). 다만 이런 위성들은 모두 저궤도 위성으로 해당지역을 하루에 한 번 혹은 두 번 관측하기에 에어로졸의 장거리 수송 관찰, 에어로졸의 분포의 시계열변화를 보기에는 어려움이 있다. 이런 약점을 보완하기 위해, 많은 연구에서 정지궤도 위성을 사용하여 에어로졸 정보들을 산출해왔다(Kim et al., 2008; Knapp et al., 2005; Wang et al., 2003; Yoon et al., 2007). 정지궤도 위성은 동일한 좌표계를 기준으로 짧게는 10 분, 길게는 1시간 간격으로 대기 중 에어로졸을 관측하고 있으나, 시공간적인 한계 및 구름영향 등으로 인하여 AOD 산출이 어려운 지역이 존재한다. 또한 위성관측의 특성상 지표에서 되돌아오는 신호를 받아 측정하기 때문에 지상관측보다 정확도가 낮다는 단점도 있다 (Tang et al., 2016). 이에 따라, 정확도 높은 위성 에어로졸 모니터링을 위하여 높은 신뢰성을 가지는 지상관측 장비를 활용하거나 통계적인 기법을 적용하여 위성 관측의 단점을 보완하는 연구가 활발히 진행되고 있다 (Jinnagara et al., 2014; Tang et al., 2016; Wang et al., 2019).
국내·외에서 위성자료와 지상관측자료와의 상관관계 및 통계적인 방법을 활용하여 AOD 합성장 산출 연구를 수행한 사례가 있다(Tang et al., 2016; Lim et al., 2020). 대표적으로 두 가지 유형이 있으며, 첫 번째 유형은 기존 AOD 산출물 중 하나 이상의 유효한 관측치를 갖는 픽셀에서 AOD를 추정하기 위하여 최적보간법(optimal interpolation), 경험적 직교 함수법(empirical orthogonal function), 산술 및 가중평균(weighted average), 최소제곱 추정법(least square method) 등을 활용한다. 두 번째 유형의 합성 방법은 보편적으로 통계적 방법을 이용하는 방법인데, 지질통계 역모델링, 공간 통계 데이터 융합 방법 등이 활용 가능하다. 지질 통계학적 융합 방법은 AOD의 공간적 자기 상관(spatial autocorrelation)을 통합하여 AOD가 모두 존재하지 않는 픽셀에서 이들을 추정할 수 있도록 한다. 그러나, 시간적 자기 상관(temporal autocorrelation)을 포함하지 못한다는 단점도 존재한다 (Christakos et al., 2000).
본 연구에서는 단일 위성 관측의 시공간적인 불완전성을 개선하고, 지상기반 관측자료를 이용한 보정을 통하여 정확도 높은 AOD 합성장 산출을 목표로 한다. 정지궤도 위성센서인 GOCI와 AHI에서 제공되는 AOD 자료와 지상관측장비에서 산출되는 AOD를 활용하여 AOD 합성장 생산 연구를 수행하였다.
2. 연구 방법
1) 활용 자료
(1) Geostationary Ocean Color Imager (GOCI)
2010년 발사된 우리나라 최초의 정지궤도 위성인 COMS의 해양관측용 탑재체인 GOCI는 8개의 가시광과 근적외선 채널을 보유하고 있으며 동아시아 영역을 한 시간 간격으로 일일 총 8회 관측하고 있다. GOCI에서 운용 중인 가시 및 근적외 채널은 Table 1과 같다.
Table 1. Characteristics and channels of GOCI
GOCI 에어로졸 산출 알고리즘에서는 우선적으로 구름과 눈 등을 제거한다. 그 후 해양과 육지의 픽셀을 구분하여 지표면 반사도를 산정한다. 육지에서는 최소 반사도법을 통해 계산된 지표면 반사도를, 해양 위에서는 풍속을 고려한 Fresnel 해수면 반사도를 이용하고 있다 (Cox and Munk, 1954). GOCI AOD 알고리즘과 산출물에 대한 자세한 설명은 Choi et al. (2017)에 명시되어 있다. 본 연구에서 활용한 550 nm의 GOCI AOD는 6 km × 6 km의 공간해상도를 가진다. 연구기간은 2016년 1월 1일부터 2016년 12월 31일까지 1년간의 자료를 사용하였다.
(2) Advanced Himawari Imager (AHI)
일본 기상청은 2014년 10월 7일 차세대 정지궤도 기상위성인 Himawari-8을 발사하여, 2015년 7월 7일부터 서비스 운영 및 자료 제공을 시작하였다(https://www. eorc.jaxa.jp/ptree/index.html). Himawari-8에 탑재된 AHI는 근적외(NIR) 및 적외선(IR) 채널과 RGB 합성을 위한 가시광 채널 등 총 16개의 채널을 보유하고 있으며, 각 채널의 특징은 Table 2와 같다.
Table 2. Characteristics and channels of AHI
본 연구에서 사용한 AHI 관측자료는 일본의 우주항공연구개발기구(Japan Aerospace Exploration Agency: JAXA)의 P-Tree system에서 제공하는 L2ARP AOD 산출물이며, 500 nm에서 AOD와 AE (Angstrom Exponent)를 제공한다. 550 nm의 GOCI AOD 자료와 함께 AOD 합성장을 생산하기 위하여, AHI에서 제공하는 500 nm에서의 AOD와 AE를 사용하여 550 nm에서의 AOD로 보간하였다(Kaskaoutiset al., 2007; Prasad and Singh, 2007). AHI는 Full Disk로 관측을 하는 반면, GOCI의 관측 영역은 동아시아 지역으로 한정되어 있기 때문에 GOCI 관측 영역의 AHI 자료만을 활용하였다. 또한, GOCI와 AHI 영역 중 공통된 관측 영역에서의 AERONET 관측소의 관측 자료를 획득하여 사용하였다.
(3) AErosol RObotic NETwork (AERONET)
AERONET 프로젝트는 NASA (National Aeronautics and Space Administration)와 PHOTONS (PHOtométrie pourleTraitementOpérationnel deNormalization Satellitaire)가 설립한 지상 기반 원격 감지 에어로졸 네트워크의 연합이다. 자료 관측의 안정성 및 AERONET AOD의 낮은 불확실성(0.01-0.02)으로 인해 AERONET AOD는 위성에서 산출되는 AOD를 검보정하기 위한 자료로 활용되고 있다(Holben et al., 1998; Eck et al., 1999).
일반적으로 AERONET 관측은 340, 380, 440, 500, 670, 870 및 1020 nm 파장에서 AOD 데이터를 제공하며 낮 시간 동안 15분의 간격으로 관측하며 다양한 버전에서 에어로졸 관측 정보를 제공한다. AOD 데이터는 레벨 1.0 (unscreened), 레벨 1.5 (cloud-screened and quality controlled) 및 레벨 2.0 (quality assured)의 세 가지 데이터 품질 수준으로 제공된다(Sminorv et al., 2000). 본 연구에서는 AOD 합성장의 정확도를 평가하기 위해 준실시간으로 제공되는 AERONET 레벨1.5 AOD 자료를 사용하였다. Table 3은 연구지역인 동아시아 영역에 설치된 AERONET 관측소를 나타낸다.
Table 3. Site name, latitude, longitude, and altitude of AERONET stations over the regions of interest
2) 연구 방법
Fig. 1은 연구 흐름도를 나타내며, AOD 합성하기 전 선행되어야 하는 단계로는 각기 다른 위성센서의 시공간적인 해상도와 위치좌표계를 일치시켜 자료의 일관성을 유지하는 것이 중요하다. 본 연구에서는 공간해상도를 일치시키는 Resampling과 하나의 격자로 맞추기 위한 Reprojection 과정이 실시되었다. 모든 자료의 공간적인 일치가 이뤄진 뒤 동아시아 관측지역에 설치된 AERONET 장소와 각 위성 간의 상관관계를 분석하여 위성에서 산출된 AOD를 보정하고, 이후 다중위성의 AOD 정보를 합성함으로써 기존 위성에서 공간적으로 불완전했던 부분들을 보완하였다.
Fig. 1. Schematic diagram of AOD fusion.
(1) Resampling
Resampling은 각 위성 산출물의 공간해상도를 기하학적 변환으로 일치시키기 위한 과정이다. 정지궤도 위성의 경우, 좌표계가 고정되어있기 때문에 해상도를 조정할 위성의 좌우·상하단 꼭지점을 기준 좌표계와 비교하여 해당되는 공간 배열의 수만큼 해상도를 보간 한다. 데이터를 보간을 위해서 일반적으로 활용되는 방법에는 최근린 보간법(nearest interpolation), 이중선형 보간법(bilinear interpolation) 및 쌍입방 보간법(bicubic interpolation)이 있다. 최근린 보간은 가장 간단한 보간법이며 이 방법은 가중치를 기반으로 평균값을 계산하거나 복잡한 규칙을 기반으로 중간 값을 생성하는 하는 것이 아닌 대상 픽셀에서 가장 가까운 위치의 픽셀을 선택하여 대상 값 그대로를 반영한다. 이중선형 보간은 근처 픽셀을 기반으로 픽셀 위치 값을 계산하는 기술이다. 핵심은 가장 가까운 네 개의 인접 셀을 사용하여 가중 평균을 취하여 출력 대상 값을 선정한다. 이중선형의 경우 데이터 처리 속도가 빠르지만 픽셀 값의 분포가 자연스럽지 않다는 단점이 있다. 쌍 입방은 이러한 이중 선형의 단점을 보완한다. 연속적인 도함수를 사용하여 조건을 만족하는 다항식을 적용하여 픽셀 값의 분포를 자연스럽게 하는 방법이 쌍 입방 보간이다(Han et al., 2013; Jayroe et al., 1976).
Fig. 2는 세 가지 보간법을 적용한 AHI AOD 자료의 resampling의 결과를 보여준다. 이중선형 및 쌍 입방 보간법은 가중치를 계산하여 정확한 값을 제공 할 수 있다는 장점이 있지만, 결측치가 다수 존재하는 많은 위성 데이터의 경우 데이터 손실이 증가한다. 따라서, 본 연구에서는 데이터의 손실이 가장 적은 최근린 보간법을 활용하였다. 합성장 생산 시 각 위성 AOD와 AERONET AOD 사이의 상관관계를 토대로 보정한 AOD 자료를 사용하기 때문에, 생산된 AOD 합성장은 극대화된 표출 정보를 가지며, 보완된 정확도를 가지는 것으로 판단된다.
Fig. 2. (a) AHI AOD and AHI AODs resampled by (b) nearest interpolation, (c) bilinear interpolation, and (d) bicubic interpolation. X axis and Y axis indicate longitude and latitude pixel number, respectively.
(2) Reprojection
다중 위성에서 산출되는 AOD는 각기 다른 위치좌표계에 표현된다. AOD 합성 전, 위치좌표계를 일치시 키는 작업은 데이터의 통일성을 위해 필수적으로 진행되어야 하는 과정이다. 본 연구에서는 GOCI 자료보다 공간해상도가 정밀한 Himawari 5 km × 5 km 자료의 위치좌표계를 기준으로 사용하였고 관심지역인 동아시아 영역(30°N–45°N, 115°E–130°E)에서 시행하였다.
(3) 지상관측장비와의 상관관계 분석 및 적용
본 과정은 지상관측장비인 AERONET AOD와 위성 AOD와의 상관계수를 계산하는 과정으로, 최종 산출 값에 영향을 끼치는 중요한 부분이다. AERONET은 지상관측장비로서, 위성에서 산출된 값보다 더 정확한 것으로 간주된다. 이는 AERONET이 지상관측이며 직달광을 사용하기 때문에 산란광을 사용하고 비교적 긴 광 경로를 가지는 위성보다 산출 과정에서 포함되는 unknown이 더 적기 때문이다(Gupta et al., 2018; Sayer et al., 2013). 레벨 2자료는 품질 보증 과정을 거친 것으로 레벨 1.5자료 보다 더 정확한 AOD 데이터를 얻을 수 있지만 자료의 산출 기간이 짧게는 6개월에서 길게는 1년 이상의 기간을 소요하기 때문에 본 연구에서는 준실시간으로 제공되는 AERONET 레벨 1.5자료를 활용하여 GOCI, AHI와 상관관계를 분석하였다.
상관관계를 분석하여 도출된 추세식을 사용하여 위성 AOD 값을 각기 보정하였다. 보정을 위하여 2016년 1월 1일부터 2016년 12월 31일 사이에 Table 3에 제시된 에어로넷 관측소에서 수집된 자료를 사용하였다. 상관 관계는 두 매체의 상관관계 분석에서 일반적으로 많이 사용되는 선형회귀분석(linear regression)방법을 사용하였다. Table 4는 AERONET 레벨 1.5와 GOCI, AHI와의 추세식, 평균제곱근편차(Root Mean SquareError;RMSE), 평균 편차(Mean Bias) 정보를 보여준다.
Table 4. Comparison of satellite AODs and AERONET AOD
(4) AOD 합성
Resampling과 Reprojection 과정을 진행하며 동일한 공간해상도와 위치좌표계를 가진 자료로 변화되었다. 그 후, 지상관측장비인 AERONET 자료와의 상관성을 분석하여 위성 AOD를 보정한 뒤 최종적으로 AOD 합성 과정이 진행된다. 데이터 합성은 아래와 같은 식 (1)을 통해 계산된다.
\(\begin{aligned} &A O D_{\text {fims }}= \\ &{\left[\begin{array}{c} \left(A H I_{\text {awd }}+G O C I_{\text {aad }}\right) / 2: \text { for pixels at which both } A H I \\ \text { and } G O C I A O D s \text { are available } \\ A H I_{\text {axd }} \text { : for pixels at which only } A H I A O D s \text { are } \\ \text { available } \\ G O C I_{\text {add }} \text { : for pivels at which only } G O C I A O D s \\ \text { are available } \\ \text { no value : for pixels at which both } A H I \text { and } G O C I \\ A O D s \text { are missing } \end{array}\right]} \end{aligned}\) (1)
여기서 AHIaod 및 GOCIaod는 AERONET 자료를 통해 보정된 AHI 및 GOCI의 AOD 값이다. 동일한 위치 픽셀에서 AHI와 GOCI 두 위성의 AOD값이 존재한다 면 두 값의 평균을 활용하며 단일 위성만 존재하는 픽셀에서는 해당 위성의 AOD 값을 그대로 활용한다. 구름 및 대기 영향으로 두 위성 모두 관측되지 않은 픽셀은 no value로 설정하여 정확성에 영향을 미치지 않도록 처리하였다.
3. 결과
1) 산출 이미지의 정성적 검증
Fig. 3은 2016년 5월 1일 03:00 UTC의 GOCI, AHI의 AOD 자료와 AOD 합성장 결과를 보여준다. AOD 합성장은 기존 GOCI, AHI와 비슷한 양상을 보이고 있으나 각 위성에서 관측되지 않은 지점에서 서로 보완되어 단일위성을 활용했을 때보다 공간적으로 완전하게 생산되었다. 특히, 중국 동부 해안가 인근 지역(옌청, 난징)에서의 에어로졸 광학두께가 공간적으로 보완되었다.
Fig. 3. Spatial distributions of (a) GOCI AOD, (b) AHI AOD, and (c) fused AOD. X axis and Y axis indicate longitude and latitude, respectively
2) AERONET과 산출물간의 정량적 검증
활용된 모든 위성의 AOD와 산출된 AOD 합성장을 AERONET AOD와의 비교를 통하여 성능을 검증하 였다. RMSE 및 평균 편향은 기존 위성에서 산출된 AOD와 합성된 AOD의 정확성을 정량적으로 평가하는데 사용된다(Tang et al., 2016). AOD 합성장의 파장은 550 nm이나, AERONET AOD는 500 nm로 제공되기 때문에 AERONET의 AE 자료를 이용하여 550 nm의 AERONET AOD로 변환하여 합성장과의 비교 및 검증을 수행하였다.
Table 5에 나타난 바와 같이, AOD 합성장과 AERONET AOD 사이의 RMSE 및 평균 편향은 각각 0.13, 0.05였다. GOCI AOD와 AERONET AOD사이의 RMSE와 평균 편향은 0.15, 0.11이었으며,AHIAOD와 AERONETAOD 사이의 RMSE와 평균 편향은 0.15, 0.05였다. 본 연구는 준실시간으로 제공되는 AEROENT 레벨 1.5자료를 활용하여 위성 AOD를 보정했으나, 향후에 위성 AOD 보정 시 품질 검증된 AERONET 레벨 2 자료를 활용한다면 더 나은 성능을 보일 것으로 예상된다.
Table 5. Evaluation results of the fused AOD
4. 결론
본 연구에서는 위성에서 산출되는 AOD의 시공간적인 불완전성과 지상관측기반 AOD와 비교하여 낮은 정 확도를 개선하기 위해 다중위성에서 산출되는 AOD를 활용하여 AOD 합성장을 생산하였다. AOD 합성장을 산출하기 위해 정지궤도위성인 COMS와 Himawari-8의 센서인 GOCI, AHI에서 산출되는 AOD를 활용하였고 연구기간은 2016년 01월 01일부터 2016년 12월 31일이고 연구지역은 동아시아 지역으로 선정하였다. 또한 지상관측기반 AERONET의 레벨 1.5 AOD자료도 활용하였다. 두 위성의 시공간적인 통일성을 위해 전처리과정인 Resampling, Reprojection 과정을 거치며 공간해상도와 위치좌표계를 일치시켜주었다. 이후 지상관측기반인 AERONET에서 산출된 AOD와의 상관관계를 각기 비교하여 GOCI와 AHI의 AOD를 보정하였다. 합성장 생산 시 각 위성 AOD와 AERONET AOD 사이의 상관 관계를 토대로 보정한 AOD 자료를 사용하기 때문에, 생산된 AOD 합성장은 극대화된 표출 정보를 가지며, 보완된 정확도를 가지는 것으로 판단된다. 보정된 각 위성의 AOD를 합성에 활용하였고 단일 위성과 AERONET 레벨 1.5AOD을 비교한 결과, GOCI는 RMSE 0.15, Mean bias 0.11의 결과를 보였으며 AHI는 RMSE 0.15, Mean bias 0.05의 결과를 보였다. 최종으로 산출된 AOD합성 장의 RMSE는 0.13, Mean bias는 0.05였으며 이를 통해 AOD 합성장이 단일위성 AOD보다 우수하다는 것을 확인했다. 또한 각 위성에서 산출된 이미지 비교 시 관측된 AOD의 시공간적 위치는 비슷하였지만 AOD 합성장은 단일위성에서 관측되지 않은 지역까지 표현되는 것을 정성적으로 확인하였다. 본 연구에서는 준실시간으로 관측되는 AERONET AOD의 레벨 1.5자료를 활용하여 성능을 평가하였지만 향후 AERONET AOD 레벨 2를 활용한다면 보다 정확한 AOD 합성장 산출이 가능할 것으로 예상된다. 본 연구에서 개발한 에어로졸 합성장 생산 알고리즘은 단일위성에서 구름으로 인하여 관측되지 못한 지역에서 에어로졸 광학두께 정보를 시공간적으로 보다 완벽하게 생산하는데 활용될 수 있을 것으로 생각된다.
사사
이 논문은 부경대학교 자율창의학술연구비(2019년)에 의하여 연구되었습니다.
참고문헌
- Choi, M., J. Kim, J. Lee, M. Kim, Y.-J. Park, B. Holben, T.F. Eck, Z. Li, and C.H. Song, 2018. GOCI Yonsei aerosol retrieval version 2 products: an improved algorithm and error analysis with uncertainty estimation from 5-year validation over East Asia, Atmospheric Measurement Techniques, 11: 385-408. https://doi.org/10.5194/amt-11-385-2018
- Christakos, G., 2000. Modern Spatiotemporal Geostatistics, Oxford Univ. Press, New York, USA.
- Cox, C. and W. Munk, 1954. Measurement of the roughness of the sea surface from photographs of the Sun's glitter, Journal of the Optical Society of America, 44(11): 838-850. https://doi.org/10.1364/JOSA.44.000838
- Eck, T.F., B.N. Holben, J.S. Reid, O. Dubovik, A. Smirnov, N.T. O'neill, I. Slutsker, and S. Kinne, 1999. Wavelength dependence of the optical depth of biomass burning, urban, and desert dust aerosols, Journal of Geophysical Research: Atmospheres, 104(D24): 31333-31349. https://doi.org/10.1029/1999JD900923
- Garay, M.J., O.V. Kalashnikova, and M.A. Bull, 2017. Development and assessment of a higher-spatialresolution (4.4 km) MISR aerosol optical depth product using AERONET-DRAGON data, Atmospheric Chemistry and Physics, 17(8): 5095-5106. https://doi.org/10.5194/acp-17-5095-2017
- Griggs, M., 1975. Measurements of atmospheric aerosol optical thickness over water using ERTS-1 data, Journal of the Air Pollution Control Association, 25: 622-626. https://doi.org/10.1080/00022470.1975.10470118
- Gupta, P., M.N. Khan, A. da Silva, and F. Patadia, 2013. MODIS aerosol optical depth observations over urban areas in Pakistan: quantity and quality of the data for air quality monitoring, Atmospheric Pollution Research, 4(1): 43-52. https://doi.org/10.5094/apr.2013.005
- Gupta, P., L.A. Remer, R.C. Levy, S. Mattoo, 2018. Validation of MODIS 3 km land aerosol optical depth from NASA's EOS Terra and Aqua missions, Atmospheric Measurement Techniques, 11: 3145-3159. https://doi.org/10.5194/amt-11-3145-2018
- Han, D., 2013. Comparison of commonly used image interpolation methods, Proc. of the 2nd international conference on computer science and electronics engineering, Hangzhou, CN, Mar. 22-23, pp. 1556-1559.
- Holben, B.N., T.F. Eck, I. Slutsker, D. Tanre, J.P. Buis, A. Setzer, E. Vermote, J.A. Reagan, Y.J. Kaufman, and T. Nakajima, 1998. AERONET-A federated instrument network and data archive for aerosol characterization, Remote Sensing of Environment, 66(1): 1-16. https://doi.org/10.1016/S0034-4257(98)00031-5
- Hsu, N.C., S.-C. Tsay, M.D. King, and J.R. Herman, 2006. Deep blue retrievals of Asian aerosol properties during ACE-Asia, IEEE Transactions on Geoscience and Remote Sensing, 44(11): 3180-3195. https://doi.org/10.1109/TGRS.2006.879540
- Hsu, N.C., M.J. Jeong, C. Bettenhausen, A.M. Sayer, R. Hansell, C.S. Seftor, J. Huang, and S.C. Tsay, 2013. Enhanced Deep Blue aerosol retrieval algorithm: The second generation, Journal of Geophysical Research: Atmospheres, 118(16): 9296-9315. https://doi.org/10.1002/jgrd.50712
- Jayroe Jr, R.R., 1976. Nearest neighbor, bilinear interpolation and bicubic interpolation geographic correction effects on LANDSAT imagery, https://ntrs.nasa.gov/citations/19770003666, Accessed on Sep. 2, 2021.
- Jinnagara Puttaswamy, S., H.M. Nguyen, A. Braverman, X. Hu, and Y. Liu, 2014. Statistical data fusion of multi-sensor AOD over the continental United States, Geocarto International, 29(1): 48-64. https://doi.org/10.1080/10106049.2013.827750
- Kalashnikova, O.V., M.J. Garay, J.V. Martonchik, and D.J. Diner, 2013. MISR Dark Water aerosol retrievals: operational algorithm sensitivity to particle nonsphericity, Atmospheric Measurement Techniques, 6(8): 2131-2154. https://doi.org/10.5194/amt-6-2131-2013
- Kaskaoutis, D.G., H.D. Kambezidis, N. Hatzianastassiou, P.G. Kosmopoulos, and K.V.S. Badarinath, 2007. Aerosol climatology: dependence of the Angstrom exponent on wavelength over four AERONET sites, Atmospheric Chemistry and Physics Discussions, 7(3): 7347-7397. https://doi.org/10.5194/acpd-7-7347-2007
- Kim, J., J.M. Yoon, M. Ahn, B. Sohn, and H. Lim, 2008. Retrieving aerosol optical depth using visible and mid-IR channels from geostationary satellite MTSAT1R, International Journal of Remote Sensing, 29(21): 6181-6192. https://doi.org/10.1080/01431160802175553
- Lau, K.M. and K.M. Kim, 2006. Observational relationships between aerosol and Asian monsoon rainfall, and circulation, Geophysical Research Letters, 33(21): L21810. https://doi.org/10.1029/2006GL027546
- Levy, R., S. Mattoo, L. Munchak, L. Remer, A. Sayer, and N. Hsu, 2013. The Collection 6 MODIS aerosol products over land and ocean, Atmospheric Measurement Techniques, 6: 2989-3034. https://doi.org/10.5194/amt-6-2989-2013
- Lim, H., S. Go, J. Kim, M. Choi, S. Lee, C.K. Song, and Y. Kasai, 2020. Integration of GOCI and AHI Yonsei Aerosol Optical Depth Products During the 2016 KORUS-AQ and 2018 EMeRGe Campaigns, Atmospheric Measurement Techniques, 14: 4575-4592.
- Prasad, A.K. and R.P. Singh, 2007. Comparison of MISR-MODIS aerosol optical depth over the Indo-Gangetic basin during the winter and summer seasons (2000-2005), Remote Sensing of Environment, 107(1-2): 109-119. https://doi.org/10.1016/j.rse.2006.09.026
- Sayer, A.M., N.C. Hsu, C. Bettenhausen, M.-J. Jeong, 2013. Validation and uncertainty estimates for MODIS Collection 6 "Deep Blue" aerosol data, Journal of Geophysical Research: Atmospheres, 118(14): 7864-7872. https://doi.org/10.1002/jgrd.50600
- Smirnov, A., B.N. Holben, T.F. Eck, O. Dubovik, I. Slutsker, 2000. Cloud-Screening and Quality Control Algorithms for the AERONET Database, Remote Sensing of Environment, 73(3): 337-349. https://doi.org/10.1016/S0034-4257(00)00109-7
- Tang, Q., Y. Bo, and Y. Zhu, 2016. Spatiotemporal fusion of multiple-satellite aerosol optical depth (AOD) products using Bayesian maximum entropy method, Journal of Geophysical Research: Atmospheres, 121(8): 4034-4048. https://doi.org/10.1002/2015JD024571
- Twomey, S., 1977. The influence of pollution on the shortwave albedo of clouds, Journal of the Atmospheric Sciences, 34(7):1149-1152. https://doi.org/10.1175/1520-0469(1977)034<1149:TIOPOT>2.0.CO;2
- Tyagi, B., G. Choudhury, N.K. Vissa, J. Singh, and M. Tesche, 2021. Changing air pollution scenario during COVID-19: Redefining the hotspot regions over India, Environmental Pollution, 271: 116354. https://doi.org/10.1016/j.envpol.2020.116354
- Wang, J., S.A. Christopher, F. Brechtel, J. Kim, B. Schmid, J. Redemann, P. B. Russell, P. Quinn, and B.N. Holben, 2003. Geostationary satellite retrievals of aerosol optical thickness during ACE-Asia, Journal of Geophysical Research: Atmospheres, 108(D23): 8657. https://doi.org/10.1029/2003JD003580
- Wang, Y., Q. Yuan, T. Li, H. Shen, L. Zheng, and L. Zhang, 2019. Large-scale MODIS AOD products recovery: Spatial-temporal hybrid fusion considering aerosol variation mitigation, ISPRS Journal of Photogrammetry and Remote Sensing, 157: 1-12. https://doi.org/10.1016/j.isprsjprs.2019.08.017
- Yoon, J.M., J. Kim, J.H. Lee, H.K. Cho, B.-J. Sohn, and M.-H. Ahn, 2007, Retrieval of aerosol optical depth over east Asia from a geostationary satellite, MTSAT-1R, Asia-Pacific Journal of Atmospheric Sciences, 43(2): 49-58.
- Zhang, H., S. Kondragunta, I. Laszlo, H. Liu, L.A. Remer, J. Huang, S. Superczynski, and P. Ciren, 2016, An enhanced VIIRS aerosol optical thickness (AOT) retrieval algorithm over land using a global surface reflectance ratio database, Journal of Geophysical Research: Atmospheres, 121(18): 10,717-10,738.