Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Evaluation of Sensitivity and Retrieval Possibility of Land Surface Temperature in the Mid-infrared Wavelength through Radiative Transfer Simulation

복사전달모의를 통한 중적외 파장역의 민감도 분석 및 지표면온도 산출 가능성 평가

  • Choi, Youn-Young (Department of Atmospheric Science, Kongju National University) ;
  • Suh, Myoung-Seok (Department of Atmospheric Science, Kongju National University) ;
  • Cha, DongHwan (Satellite Ground Station R&D Division, National Satellite Operation & Application Center, Korea Aerospace Research Institute) ;
  • Seo, DooChun (Satellite Ground Station R&D Division, National Satellite Operation & Application Center, Korea Aerospace Research Institute)
  • 최윤영 (공주대학교 대기과학과) ;
  • 서명석 (공주대학교 대기과학과) ;
  • 차동환 (한국항공우주연구원 지상국 기술연구부) ;
  • 서두천 (한국항공우주연구원 지상국 기술연구부)
  • Received : 2022.11.29
  • Accepted : 2022.12.23
  • Published : 2022.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

In this study, the sensitivity of the mid-infrared radiance to atmospheric and surface factors was analyzed using the radiative transfer model, MODerate resolution atmospheric TRANsmission (MODTRAN6)'s simulation data. The possibility of retrieving the land surface temperature (LST) using only the mid-infrared bands at night was evaluated. Based on the sensitivity results, the LST retrieval algorithm that reflects various factors for night was developed, and the level of the LST retrieval algorithm was evaluated using reference LST and observed LST. Sensitivity experiments were conducted on the atmospheric profiles, carbon dioxide, ozone, diurnal variation of LST, land surface emissivity (LSE), and satellite viewing zenith angle (VZA), which mainly affect satellite remote sensing. To evaluate the possibility of using split-window method, the mid-infrared wavelength was divided into two bands based on the transmissivity. Regardless of the band, the top of atmosphere (TOA) temperature is most affected by atmospheric profile, and is affected in order of LSE, diurnal variation of LST, and satellite VZA. In all experiments, band 1, which corresponds to the atmospheric window, has lower sensitivity, whereas band 2, which includes ozone and water vapor absorption, has higher sensitivity. The evaluation results for the LST retrieval algorithm using prescribed LST showed that the correlation coefficient (CC), the bias and the root mean squared error (RMSE) is 0.999, 0.023K and 0.437K, respectively. Also, the validation with 26 in-situ observation data in 2021 showed that the CC, bias and RMSE is 0.993, 1.875K and 2.079K, respectively. The results of this study suggest that the LST can be retrieved using different characteristics of the two bands of mid-infrared to the atmospheric and surface conditions at night. Therefore, it is necessary to retrieve the LST using satellite data equipped with sensors in the mid-infrared bands.

본 연구에서는 대기 및 지표면 인자들에 대한 중적외 파장역의 복사휘도의 민감도를 복사전달모델인 MODerate resolution atmospheric TRANsmission (MODTRAN)6을 이용하여 분석하고 이를 이용하여 야간에 중적외 파장역 만을 이용한 지표면온도 산출 가능성을 평가하였다. 이를 기반으로 야간에 대해 다양한 조건을 반영한 지표면온도 산출식을 개발하고 처방 온도 자료와 현장 관측 자료를 이용하여 개발된 지표면온도 산출식의 수준을 평가하였다. 중적외 파장역을 활용한 위성 원격탐사에 주로 영향을 미치는 대기연직구조, 이산화탄소와 오존, 지표면온도의 일 변동, 지표면 방출률 그리고 위성의 관측각에 대해 민감도 실험을 실시하였다. 이때 분리대기창 기법 활용 가능성을 평가하기 위해 중적외 파장역을 투과율을 근거로 2개의 밴드로 분리한 후 민감도를 분석한 결과 밴드와 관계없이 대기연직구조에 가장 큰 영향을 받으며 지표면 방출률, 지표면온도의 일 변동, 위성의 관측각 순으로 영향을 받았다. 주요 변인 실험 모두에서 대기의 창에 해당되는 밴드 1은 민감도가 낮은 반면 오존과 수증기 흡수가 포함된 밴드 2에서는 민감도가 높아서 분리대기창 기법을 활용하여 지표면온도 산출이 가능할 것으로 판단하였다. 중적외 2개 밴드와 다양한 변인들을 이용하여 개발된 지표면온도 산출식은 복사모의 시 입력된 기준 지표면온도와 상관계수, 편의 그리고 root mean squared error (RMSE)가 각각 0.999, 0.023K과 0.437K의 수준을 보였다. 또한 26개의 현장관측 지표면온도 자료로 검증한 결과 상관계수는 0.993, 편의는 1.875K, RMSE는 2.079K을 보였다. 본 연구의 결과는 대기 및 지표면 조건이 야간의 중적외 두 밴드에 미치는 영향이 다른 특성을 이용하여 지표면온도를 산출할 수 있음을 제시한다. 따라서 향후에는 중적외 파장역 센서를 탑재한 위성자료를 이용하여 지표면온도를 산출하고 그 수준을 평가해 볼 필요가 있다.

Keywords

1. 서론

지표면온도(land surface temperature, LST)는 지구 표면의 온도로 주어진 화소의 식생, 토양 등의 가중 평균 온도를 의미한다(Becker and Li, 1995). 지표면온도는 에너지 수지, 지면-대기 상호작용 등 지구의 생물리학적 과정에서 중요한 기상 변수 중 하나로 지표면 도시열섬, 산불, 가뭄 예측, 지면 피복변화 등을 이해하는 다양한 연구에 사용되고 있다(Das et al., 2020; Hu and Brunsell, 2013; Jia et al., 2021). 이로 인해 시공간적으로 높은 해상도의 정확도 높은 지표면온도 자료가 요구되고 있으나 전지구적 또는 국지적 규모 모두에서 지표면온도의 현장관측은 이루어지지 못하고 있는 실정이다(Freitas et al., 2009). 최근 일부 지면 피복이 균질한 지역에서만 제한적으로 관측되고 있는 변수이다(Martin et al., 2019; Pinker et al., 2009). 또한 현장 관측된 지표면온도에는 대부분 주변 수 십m 정도만 대표할 수 있는 공간 대표성의 한계가 존재한다. 이러한 한계를 극복하기 위한 대안으로 위성으로부터 지표면온도를 산출하는 연구들이 수행되어 왔다(Becker and Li, 1990b;Cho and Suh, 2013; Choi and Suh, 2020; Hong et al., 2009; Li et al., 2013; Sobrino et al., 1994).

위성으로부터 지표면온도를 산출하기 위해 복사전달 방정식에 다양한 가정과 근사를 통해 많은 연구들이 수행되었다(Becker and Li, 1990b; Choi and Suh, 2020; Sobrino et al., 1994; Wan and Dozier, 1996). 지표면온도 산출 기법은 지표면 방출률을 알고 있을 때와 지표면 방출률을 모르고 있을 때 그리고 대기 조건을 알고 있을 때와 모르고 있을 때로 나눌 수가 있다(Li et al., 2013). 대부분의 연구들은 대기의 투과율이 1.0에 가깝고 지표면 방출률 또한 1.0에 가까워 지표면 정보를 획득하기 쉬운 이점이 있는 대기의 창 영역의 열적외 채널을 활용하여 지표면온도를 산출하였다(Choi and Suh, 2020; Hong et al., 2009; Sobrino et al., 1994; Wan, 1999). 지표면 방출률을 알 때는 하나의 적외 채널(single channel method: Sobrino et al., 2004) 또는 두 개 이상의 적외 채널(multi-channel method: Sobrino et al., 1994; Wan and Dozier, 1996)을 이용한 지표면온도 산출기법들이 개발되었다. 지표면 방출률을 모를 때는 단계별 산출 기법(stepwise retrieval method: Becker and Li, 1990a)과 방출률과 지표면온도의 동시 산출 기법(simultaneous retrieval LSEs and LST: Gillespie et al., 1998; Wan and Li, 1997; Watson, 1992)들이 개발되었다.

다양한 극 궤도 및 정지궤도 위성에는 열적외 채널뿐만 아니라 중적외 채널이 탑재되어 있음에도 불구하고 이를 활용한 지표면온도 산출 연구는 미흡한 실정이다. 중적외 파장역(3.3–5.2 µm)은 열적외 파장역과 달리 주간에는 태양복사와 중첩되기 때문에 지표면온도 산출에 어려운 점이 존재한다. 하지만 열적외 파장역보다 투과율이 높을 뿐만 아니라 온도에 대한 민감도, 특히 고온에서의 민감도가 높은 장점이 있다(Qian et al., 2014; Salisbury and D’Aria, 1994). 또한 열적외 파장역에 비해 방출률 산출 오류에 대한 민감도가 절반 정도로 작다는 장점도 있다(Mushkin et al., 2005). 이러한 중적외 파장역의 장점을 이용하여 지표면온도를 산출하는 이론적 연구가 제시되었으며(Salisbury and D’Aria, 1994), 중적외 파장역과 적외 파장역을 함께 사용하여 지표면온도를 산출한 연구도 진행되었다(Sun and Pinker, 2007; Li et al., 2014). 또한 중적외 파장역 만을 사용하여 지표면온도를 산출하는 연구들도 최근 진행되었다(Qian et al., 2014; Tang and Wang, 2016; Zhao et al., 2014). Wang et al. (2015)의 연구에서는 Moderate Resolution Imaging Spectroradiometer (MODIS) 중적외 밴드 B22, B23에 대해 복사전달 방정식으로 모의된 자료로부터 도출된 회귀식을 이용하여 4개의 사례일에 대해 지표면온도를 추정하였다. 또한 Fang et al. (2021)은 MODIS의 중적외 밴드 B22, B23에 일반화된 분리대기창 기법(generalized split-window method)을 적용하여 야간에 지표면온도를 산출한 후 중국의 4개 지역에 대해 현장 검증한 결과 평균 -0.76K의 편의와 1.3K의 RMSE를 보였다.

국내에서도 최근에는 다목적 실용위성에 탑재된 중적외 파장역을 이용한 지표면온도 산출 연구들이 진행되었다(Choi et al., 2021; Kim et al., 2019). 하지만 이들 연구들은 중적외 파장역이 갖는 주요 대기 성분에 대한 민감도 및 지상 물체 별 지표면 방출률 변화를 상세히 고려하지 못하였다. 따라서 본 연구에서는 대기 및 지표면 인자들에 대한 중적외 파장역의 민감도를 복사전달 모델인 MODerate resolution atmospheric TRANsmission(MODTRAN) (Berk et al., 2014)을 이용하여 분석하고 이를 이용하여 야간에 중적외 파장역 만을 이용하여 지표면온도의 산출 가능성을 평가하고자 하였다. 이를 기반으로 야간에 대해 다양한 조건을 반영한 지표면온도 산출식을 개발하고 처방 온도 자료와 현장 관측 자료를 이용하여 개발된 지표면온도 산출식의 수준을 평가하였다. 본 논문의 2절에서는 사용된 자료와 연구 방법에 대해 소개하였고, 3절에서는 복사모의 결과로 얻어진 중적외 파장역의 특징과 지표면온도 산출식의 소개 및 현장관측자료를 이용한 검증결과를 제시하였다. 그리고 4절에서는 본 연구에서 도출된 결과에 대한 토의와 결론을 요약하였다.

2. 자료 및 연구방법

1) 자료

본 연구에서 사용된 자료의 유형은 Fig. 1과 같이 고도별로 크게 위성 정보와 대기연직구조 자료, 지상 기상정보, 지표면 정보로 나뉜다. 본 연구에서는 기상위성부터 다목적 실용위성에 이르기까지 중적외 밴드가 포함된 다양한 위성에 적용할 수 있도록 복사전달모델인 MODTRAN6를 이용하여 복사 모의자료를 생성하였다.

OGCSBN_2022_v38n6_1_1423_f0001.png 이미지

Fig. 1. Type of input data according to altitude from surface to top of atmosphere.

대기연직구조 자료는 MODTRAN6에서 제공하는 기본 대기연직구조 자료 6개와 위스콘신 메디슨 대학교(University of Wisconsin-Madison)의 SeeBor Version 5 (SeeBor v5.0),그리고미국의국립환경예측센터(National Centers for Environmental Prediction, NCEP)의 global forecast system (GFS) 자료를 이용하였다(Berk et al., 2014; Borbaset al., 2005;NCEP, 2021). MODTRAN6에서제공하는 6개의 대기연직구조는 위도 별로 열대 지역(Tropical, TRO), 중위도 여름(Mid-latitude summer, MLS), 중위도 겨울(Mid-latitude winter, MLW), 아한대 여름(Sub-arctic summer, SAS), 아한대 겨울(Sub-arctic winter, SAW) 그리고 미국 해양대기청에서 1976년에 제안한 미국 표준대기(US standard 1976, USS)로 36개 기압층에 대해 기온, 수증기량, 오존 농도를 제공한다. SeeBor v5.0 자료는 전세계에서 관측된 대기연직구조의 기후학적 훈련자료로 청천상태에서 관측된 15,704개 연직구조에 101개 층의 기온, 수증기량 그리고 오존량이 포함되어 있다(Borbas et al., 2005). GFS 자료의 경우 41개 층에 대해 기온, 수증기량 그리고 오존량이 포함되어 있으며 공간해상도는 0.5°로 매 6시간마다 제공되고 있다(NCEP, 2021). 각 대기연직구조 자료의 특징은 Table 1에 나타냈다.

Table 1. The characteristics of atmospheric profiles used in this study

OGCSBN_2022_v38n6_1_1423_t0001.png 이미지

지상 기상정보인 2 m 기온, 기압, 상대습도는 특별관측을 위해 설치한 자동기상관측장비(Automatic Weather System, AWS)로 관측된 자료를 사용하였다. 지표면 정보인 지표면온도는 Hobo data logger를 이용하여 관측하였으며 1분의 관측 주기를 가진다. 지표면 방출률은 FT-IR 장비로 측정된 현장 관측 자료를 사용하였다. 본 연구에서 이산화탄소 농도 자료는 기상청 기후정보 포털의 지구대기 감시자료와 세계 기상 기구(World Meteorological Organization, WMO)의 World Data Centre for Greenhouse Gases (WDCGG)의 자료를 사용하였다.

Fig. 2는 MODTRAN6로 모의한 중적외 파장역에 대해 미 표준대기(USS)에 대한 투과율과 본 연구에서 사용한 중적외 파장역 및 흡수밴드를 나타낸 것이다. 중적외 파장역은 Fig. 2에서 보는 바와 같이 대기의 창과 함께 오존, 수증기, 이산화탄소 및 미량기체에 의해 흡수가 일어나는 파장역이다. 특히 4.1–4.5 µm에는 이산화탄소 흡수대가 존재하고 있어 투과율이 0에 가깝다.

OGCSBN_2022_v38n6_1_1423_f0002.png 이미지

Fig. 2. Transmittance of mid-infrared region simulated by MODTRAN6 using US standard 1976 profiles.

중적외 채널 모의자료로부터 도출된 지표면온도 산출식의 활용 가능성을 평가하기 위해 2021년 현장관측을 통해 얻어진 지표면 및 지상 기상 정보에 대해 Table 2에 나타내었다. Air temperature at 2 m (Ta)는 2 m의 기온, relative humidity (RH)는 상대습도를 의미한다. 현장 관측자료를 이용하여 복사전달 모의를 실시할 때는 복사전달모델의 입력 자료를 생성하여야 하는데 지면 및 지상 대기정보는 현장관측자료를 사용하고 대기연직구조는 GFS의 관측자료를 사용하였다. GFS 자료의 경우 일 4회 0.5° 자료이므로 현장관측 시간의 전후 자료를 이용하여 시간차에 반비례하게 시간 내삽, 공간적으로 가장 가까운 4개 지점에 대해 거리에 반비례하게 공간 일치를 실시하여 사용하였다.

Table 2. Ground meteorological information observed in the field stations (26 cases)

OGCSBN_2022_v38n6_1_1423_t0002.png 이미지

2) 연구 방법

본 연구에서는 복사전달모델인 MODTRAN6를 이용하여 중적외 파장역(3.3–5.2 µm)에 대해 대기상단에서의 단색복사휘도를 모의하였다. MODTRAN6는 밴드 모델 모수화 모델로 자외선부터 적외 파장역에 대해 1 cm–1 단위로 흡수, 투과, 방출된 에너지와 투과율을 계산하는 모델이다(Berk et al., 2014). Fig. 2와 같이 3.3–5.2 µm를 광대역 밴드(wide band)로 설정하고 이산화탄소 흡수대인 4.1–4.5 µm를 중심으로 왼쪽 파장역(3.3–4.1 µm)을 밴드 1, 우측 파장역(4.5–5.2 µm)을 밴드 2로 설정하였다. 중적외 파장역의 밴드의 특징을 분석하기 위해 대기상단 복사휘도에 영향을 주는 변인들에 대한 민감도 실험을 설계하였다. 대기상단 복사휘도에 영향을 주는 주요 변인에는 대기연직구조(기온, 수증기량), 지표면 방출률, 흡수기체(CO2, O3), 지표면온도 그리고 위성관측각이 있다. 대기연직구조는 MODTRAN6에서 제공하는 6개의 대기연직구조 자료를 사용하였으며 미 표준대기(USS)를 기준 실험으로 설정하였다. MODTRAN6에서 제공하는 여섯 개의 대기연직구조의 기온과 혼합비의 연직구조를 Fig. 3(a)와 (b)에 나타내었다. 열대지역 (TRO)에서 대기 하층의 기온이 가장 높고 아한대 겨울(SAW)에서 대기 하층의 기온이 가장 낮은 값을 보인다. 대류 권계면은 열대지역(TRO)에서 가장 높은 고도(18 km)인 반면 아한대 겨울(SAW)에서 가장 낮은 고도(9 km)를 나타낸다. 혼합비도 열대지역(TRO)에서 가장 높은 값(17 g/kg)을 나타낸 반면 아한대 겨울에서 가장 낮은 값(2 g/kg)을 보인다. 대기 상층으로 갈수록 혼합비는 급격하게 작아져 0 g/kg에 가까운 값을 보인다.

OGCSBN_2022_v38n6_1_1423_f0003.png 이미지

Fig. 3. Vertical distribution of (a) temperature, (b) mixing ratio, and (c) ozone by geopotential height according to atmospheric vertical profiles.

중적외 파장역의 흡수기체인 이산화탄소 농도는 2021년 한국의 연 평균 농도인 420 ppm을 MODTRAN6의 입력 값으로 사용하였다. 또한 화석연료 사용 및 식생의 계절변동에 따라 이산화탄소 농도 또한 변동하므로 이를 이산화탄소 실험 설계에 반영하였다. 중적외 파장역의 또다른 흡수기체인 오존 프로파일은 각 대기연직구조에 포함된 오존 프로파일을 사용하였으며 이를 Fig. 3(c)에 나타내었다. 열대지역(TRO)에서는 오존 최고농도가 가장 높은 고도(25 km)에서 나타난 반면 아한대 겨울(SAW)에서는 오존 최고농도가 낮은 고도(20 km)에서 나타난다. 오존 최고농도는 아한대 겨울(SAW)에서 가장 큰 값(0.023 atm-cm/km)을, 열대 지역(TRO)에서 가장 작은 값(0.017 atm-cm/km)을 보인다. 대기연직구조에 따라 오존 농도의 연직 분포가 다른 특징을 이용하여 오존 실험에서는 각각의 대기연직구조에 오존 프로파일을 나머지 5개의 프로파일로 변경하여 민감도를 분석하였다.

여기서 Ta는 주로 기상청 등에서 표준으로 측정하는 지상 2 m에서의 온도를 의미한다. 지표면온도(LST)는 지면피복 또는 지면상태(예: 사막, 열대우림)에 따라 일변동 및 계절 변동 특성이 상이한데 해수면과 같이 비열이 아주 큰 경우를 제외한 대부분의 경우 Ta보다 일변동 폭이 크다(Cao et al., 2021). 본 연구에서는 Ta와 LST의 다른 일변동 특성을 고려하기 위해서 LST-Ta를 실험에 도입하였으며 지면상태에 따라 강도의 차이는 있지만 주로 일사량에 의한 가열이 강한 주간에는 LST가 Ta보다 높은 반면 야간에는 Ta가 LST보다 높다. 여기서는 야간에 대해 나타날 수 있는 지표면온도와 기온의 관계를 다음과 같이 역전층이 발달하였을 때(LST-Ta = -6K)부터 단열 조건(LST-Ta = 2K)으로 Fig. 4와 같이 설정하였다.

OGCSBN_2022_v38n6_1_1423_f0004.png 이미지

Fig. 4. Conceptual diagram of variation of land surface temperature in atmospheric vertical structure at night (ΔT=LST-Ta).

지표면 방출률은 중적외 2개 밴드의 특성 분석을 위해 ECOSTRESS 분광 라이브러리에 포함되어 있는 식생(472개), 토양(52개), 인공구조물(54개), 광합성을 하지 않는 식생(51개)에 대해 지표면 방출률을 분석하여 Fig. 5에 나타냈다(Meerdink et al., 2019). 식생으로 이뤄진 지면피복에서는 평균이 0.95인 반면 광합성을 하지 않는 식생과 인공구조물 관련 지면 피복에서는 지표면 방출률이 평균 0.91~0.92의 값을 보인다. 반면 토양에서는 다른 지면 피복보다 지표면 방출률의 평균이 0.78로 상당히 작은 값을 보인다. 또한 중적외 파장역을 밴드 2개로 나누었을 때 두 밴드의 지표면 방출률의 차이는 대부분 –0.1~0.1의 범위를 보인다. 지표면 방출률을 제외한 나머지 실험에서는 두 밴드의 지표면 방출률이 0.92로 동일하다고 가정하였고 ECOSTRESS 분광 라이브러리로부터 분석된 다양한 지표면 물체들에 대한 두 밴드의 지표면 방출률의 특성을 Table 3과 같이 밴드 1과 2의 방출률 범위 설정에 반영하였다.

OGCSBN_2022_v38n6_1_1423_f0005.png 이미지

Fig. 5. The ECOSTRESS spectral library used in this study: (a) Box and whisker diagram of land surface emissivity (LSE) in the mid-infrared wavelength range according to the land cover. (b) Scatter plot of LSE of band 1 and difference LSE between band 1 and band 2 (Green: vegetation, Brown: non-photosynthesis vegetation; Yellow: soil, Gray: manmade).

Table 3. Experimental design for radiative transfer model simulation about atmospheric profile, absorption gas, surface conditions, and satellite viewing angle in mid-infrared channels. All the atmospheric profiles in the MODTRAN6 are used. (The duplicate symbol (〃) means that the items in the table are the same as the ones above.)

OGCSBN_2022_v38n6_1_1423_t0003.png 이미지

위성 관측각은 위성 직하점(0°)부터 30°까지 주사한다고 가정하였다. Table 3은 복사전달 모의 민감도 실험설계 조건에 대해 나타내었다.

또한, 중적외 두 개 밴드를 이용한 지표면온도 산출식 개발을 위해 사용한 기법은 분리대기창 기법이다 (Split-Window method, McMillin, 1975). 분리대기창 기법은 두 채널의 흡수 차를 이용하여 대기의 영향을 보정할 수 있다고 가정한 기법으로 두 개(또는 세 개)의 열적외 채널을 이용하여 지표면온도를 산출하는 알고리즘으로 대부분의 현업에서 사용하고 있는 기법이다(Wan and Dozier, 1996). 정지궤도 위성인 미국의 Geostationary Operational Environmental Satellites (GOES) 시리즈에서 관측된 열적외 자료에 분리대기창 기법을 적용하여 현업적으로 산출되는 지표면온도의 목표 정확도는 RMSE < 2.5K이다(Sun et al., 2012). 극궤도 위성인 MODIS 센서가 탑재된 Terra/Aqua 위성의 열적외 채널 자료에 분리대기창 기법을 적용한 연구에서도 복사휘도 기반 (radiance based)의 검증 결과 RMSE가 낮에는 1.67K, 밤에는 1.13K의 정확도를 보였다(Li et al., 2020). 일반적인 분리대기창 기법의 지표면온도 산출식 형태는 식(1)과 같다.

\(\begin{aligned} L S T= & a_{0}+a_{1} T_{B 1}+a_{2}\left(T_{B 1}-T_{B 2}\right)+a_{3}(1-\bar{\varepsilon}) \\ & +a_{4}(\Delta \varepsilon)+a_{5}(\sec (V Z A)-1)\end{aligned}\)       (1)

식(1)에서 a0~a5는 회귀분석을 통해 얻어진 계수이며 TB1과 TB2는 각 밴드의 대기 상단의 온도, \(\begin{aligned}\bar{\varepsilon}\end{aligned}\)는 두 밴드의 지표면 방출률의 평균, Δε는 두 밴드의 지표면 방출률의 차이 그리고 VZA는 위성의 관측각(satellite viewing zenith angle)을 의미한다. 본 연구에서는 다양한 대기 조건과 지면 조건을 반영한 중적외 파장역의 지표면온도 산출식 개발을 위해 전 지구에 대한 SeeBor version 5 대기연직구조 자료 중 동아시아와 오세아니아 지역의 2,693개를 사용하였으며 복사전달모의를 Table 4와 같이 실시하였다.

Table 4. The input conditions of the radiative transfer model simulation according to the various atmospheric and surface conditions

OGCSBN_2022_v38n6_1_1423_t0004.png 이미지

다양한 조건에서 복사전달모의를 통해 산출된 대기 상단에서의 밴드 1과 2의 지표면 온도(이하 대기상단온도)를 분리대기창 기법에 입력하여 추정된 지표면온도와 처방된 지표면온도 간 다중회귀분석을 통해 산출계수를 획득하였다. 회귀분석을 통해 얻어진 산출식을 이용하여 2021년에 수행된 현장 관측일에 대해 지표면 온도를 산출하고 이에 대한 정확도를 평가하였다.

3. 연구 결과

1) 주요 변인들의 온도에 대한 중적외 파장역의 민감도 실험

중적외 파장역의 대기상단 온도에 영향을 미치는 대기연직구조와 흡수기체, 지표면 특성 정보, 위성 관측각에 따른 온도 민감도를 정량적으로 분석하였다. 이를 위해 복사전달모델을 이용하여 복사휘도를 모의하였다. 복사전달모델에서는 파장 별 대기 상단의 총 복사휘도, 지표에서 방출된 상향 복사휘도, 대기에서 방출된 복사휘도, 대기에서 방출된 하향 복사휘도가 지표에 반사되어 대기상단에 도달한 복사휘도가 모의되며 파장별 투과율이 계산된다. 이를 수식으로 나타내면 식(2)와 같다.

Lisat = [ε(i)B(i,Ts) + (1 – ε(i))Lid]τ(i,θ) + Lip(θ)       (2)

식(2)에서 Lisat는 밴드 i의 위성에서 측정된 복사휘도로 대기상단 총 복사휘도,ε(i)는 밴드 i의 지표면 방출률, B(i,Ts)는 지표면온도(Ts)에 의한 지표 방출 복사휘도, Lid는 대기에서 방출된 하향 복사휘도, τ(i,θ)는 위성의 관측각 θ일 때 채널 i의 투과율, Lid는 대기 방출항을 의미한다. 대기상단 온도는 Lisat와 각 밴드 별 중심 파장을 역변환된 플랑크 방정식에 대입하여 계산하였다.

Fig. 6은 미 표준대기를 이용한 기준 실험에서 복사모의된 복사휘도를 나타낸 것이다. 위성에서 측정된 총 복사휘도는 파란색, 지면에서 방출된 복사휘도는 하늘색, 대기에서 방출된 복사휘도는 녹색, 지면에 반사되어 위성에 도달한 복사휘도는 노란색으로 나타냈다. 밴드 1의 구간에서는 대부분이 지표에서 방출된 복사휘도인 반면 밴드 2에서는 지표와 대기 방출 복사휘도가 혼재되어 있어 대기의 영향을 크게 받고 있음을 알 수 있다. 또한 두 밴드의 사이에 위치한 이산화탄소 흡수대(4.1–4.5 µm)에서는 총 복사휘도의 크기가 다른 파장역보다 상당히 작게 나타났으며 대부분의 기여량이 대기에서 방출된 것으로 나타났다.

OGCSBN_2022_v38n6_1_1423_f0006.png 이미지

Fig. 6. Graphs of RTM simulated total radiance (blue), surface emitted radiance (skyblue), path radiance (green), and ground reflected radiance (yellow) by wavelength using US standard 1976 profiles.

기준실험에서 모의된 중적외 파장역의 광대역 밴드 와 밴드 1, 2의 대기상단 온도와 기준온도(reference LST, LST)의 차이를 Table 5에 나타냈다. 여기서 기준온도는 복사전달모델 모의시에 입력된 지표면온도를 의미하며 Twi, TB1, TB2는 각각 광대역 밴드와 밴드 1, 2의 대기상단 온도를 TAVE와 BTD는 각각 TB1 과 TB2의 평균 및 차이를 의미한다. 각 밴드의 파장역에 따른 대기상단 온도와 기준온도와의 차이는 광대역 밴드에서는 –12.08K이 발생한 반면, 각 밴드에서는 –3.44K, –10.26K으로 나타났다. 두 밴드의 단순평균 온도(TAVE)와 기준온도와의 차이는 –6.85K으로 두 밴드의 대기상단 온도 차(밴드 1–밴드 2: TB1–TB2)인 6.82K과 크기가 비슷하게 나타났다.

Table 5. The top of atmosphere (TOA) temperature and difference for each band according to wavelength range (Unit: K)​​​​​​​

OGCSBN_2022_v38n6_1_1423_t0005.png 이미지

대기연직구조가 광대역 밴드, 밴드 1, 2의 대기 상단 온도에 미치는 영향을 Table 6에 나타냈다. 대기연직구조에 따라 대기상단 온도와 기준온도와의 차이가 크게 났으며 기준 온도 및 혼합비에 반비례하게 나타났다. 광대역 밴드에서는 기준온도와의 차이가 열대 지역(TRO)에서 -15.05K으로 가장 크게, 아한대 겨울(SAW)에서 -3.93K으로 가장 작게 나타났다. 광대역 밴드와 밴드 1, 2의 대기상단 온도와 기준온도를 비교하였을 때 대기연직구조에 관계없이 밴드 1에서 가장 작은 차이를 보였으며 광대역 밴드에서 가장 큰 차이를 보여 광대역밴드가 대기연직구조 특성에 가장 민감함을 제시한다.

Table 6. The top of atmosphere (TOA) temperature and difference according to atmospheric vertical profiles for each band according to the wavelength range (unit: K)​​​​​​​

OGCSBN_2022_v38n6_1_1423_t0006.png 이미지

Table 7은 이산화탄소 농도 변화가 광대역 밴드와 밴드 1, 2의 대기 상단온도에 미치는 영향을 나타낸 것이다. 2021년 남한의 연 평균 이산화탄소 농도가 420 ppm으로 이산화탄소 농도를 20 ppm씩 증감시켰을 때 대기연직구조 유형 및 밴드 유형에 관계없이 이산화탄소 농도 400 ppm에서 440 ppm으로 증가할수록 대기상단 온도는 감소하였으나 그 크기는 0.06K보다 작게 나타났다. 이는 중적외 파장역이 대기연직구조에 관계없이 이산화탄소 농도에 민감하지 않음을 의미한다.

Table 7. The top of atmosphere (TOA) temperature and difference by band according to the concentration of carbon dioxide and the wavelength range (unit: K)​​​​​​​

OGCSBN_2022_v38n6_1_1423_t0007.png 이미지

오존 연직구조가 대기상단 온도에 미치는 영향을 분석하기 위해 총 36개(대기연직구조 6개 × 오존 연직구조 6개)의 모의를 수행하였으며 대기연직구조와 오존 연직구조가 동일할 때를 기준으로 다른 오존 연직구조를 처방하였을 때 대기상단 온도가 얼마나 변화하였는지를 Fig. 7에 나타냈다. 광대역 밴드와 밴드 2에서는 다른 지역의 오존 연직구조로 변경하였을 때 대기상단 온도가 각각 –0.3K~+0.2K, –0.6K~+0.3K의 차이를 보였다. 반면 밴드 1에서는 0.01K 이내로 거의 영향을 받지 않았다. 오존 최고농도 발생고도가 열대지역의 오존 대기연직구조는 대기 상단온도를 높이는 반면 오존 최고농도 발생고도가 낮은 아한대 겨울의 오존 연직구조의 경우 대기상단 온도를 낮추는 방향으로 작용하였다. 오존 연직구조에 대한 민감도 실험은 실제 지역에서 나타나기 어려운 극단적인 상황을 가정한 실험이므로 실제 오존 연직구조의 변화가 대기상단 온도에 미치는 영향은 크지 않을 것으로 판단된다.

OGCSBN_2022_v38n6_1_1423_f0007.png 이미지

Fig. 7. The difference between TOA temperature and reference LST of each band according to ozone profiles and atmospheric profiles: (a) wide band, (b) band 1, and (c) band 2.​​​​​​​

지표면온도의 일 변동에 따른 복사 모의된 대기상단 온도와 기준온도의 차이를 각 밴드별로 Fig. 8에 나타냈다. 세 밴드 모두 열대 지역(TRO)의 대기상단 온도와 기준온도 간 차이가 가장 크고 아한대 겨울(SAW)에서 대기상단 온도와 기준온도 간 차이가 가장 작게 나타났다. 세 개 밴드 모두 역전층이 강하게 발달했을 때 (LST-Ta = –6K) 대기상단 온도와 기준온도와의 차이가 가장 작게 나타났으며 지표면온도와 기온의 차이가 줄어들수록 대기상단 온도와 기준온도와의 차이가 선형으로 변화하였다. 광대역 밴드와 밴드 2의 대기상단 온도와 기준온도와의 차이가 비슷한 형태와 크기로 나타난 반면 밴드 1에서는 대기상단 온도와 기준온도와의 차이가 1/3정도의 크기로 지표면온도의 일 변동에 따라 밴드 별로 다른 민감도를 보였다. 지표면온도의 일변동 영향이 대기연직구조 특성에 따라 상이하게 나타나고 있음은 중적외 두 밴드를 이용하여 지표면온도 산출b시 대기의 특성을 고려해야 함을 제시한다.

OGCSBN_2022_v38n6_1_1423_f0008.png 이미지

Fig. 8. The difference between TOA temperature and reference LST of each band according to the diurnal variation of LST and atmospheric profiles: (a) wide band, (b) band 1, and (c) band 2.​​​​​​​

두 밴드의 지표면 방출률에 따른 대기상단 온도의 민감도 분석한 결과를 Fig. 9에 나타내었는데 밴드 1, 2 모두 지표면 방출률이 증가할수록 대기상단 온도도 비례해서 증가하고 있다. 밴드 1에서는 지표면 방출률이 증가할수록 대기상단 온도가 증가하는 기울기가 대기연직구조와 관계없이 비슷한 반면, 밴드 2에서는 지표면 방출률이 증가할수록 아한대 겨울(SAW)에서 가장 가파르게, 열대지역(TRO)에서 완만하게 증가하였다. 지표면 방출률의 영향이 대기연직구조 및 밴드에 따라 상이하게 나타나고 있어 지표면온도 산출 시 대기연직 구조뿐만 아니라 두 밴드의 방출률도 고려해야 함을 제시한다.

OGCSBN_2022_v38n6_1_1423_f0009.png 이미지

Fig. 9. The TOA temperature according to the land surface emissivity (LSE) of each band: (a) band 1 and (c) band 2. The difference between TOA temperature and reference LST according to the LSE of each band: (b) band 1 and (d) band 2.​​​​​​​

Fig. 10은 두 밴드의 지표면 방출률의 변화에 따른 대기연직구조 별 두 밴드 사이의 대기상단 온도차를 나타낸 것이다. 대기연직구조에 관계없이 밴드 1의 방출률이 증가할수록 두 밴드의 대기상단 온도차가 증가하고 있다. 하지만 밴드 2의 방출률이 증가할수록(두 밴드의 방출률 차가 작아지거나 음으로 감소할수록) 대기상단 온도차이는 감소하고 있다. 또한 방출률 차이에 관계없이 상대적으로 기온이 높고 수증기량이 많은 열대대기(TRO)에서는 대기상단 온도차가 크고, 기온이 낮고 수증기량이 적은 중위도 겨울(MLW) 및 아한대 겨울(SAW)에서는 대기상단 온도차가 작게 나타나 방출률차의 영향이 대기연직구조 유형에 따라 상이함을 제시한다.

OGCSBN_2022_v38n6_1_1423_f0010.png 이미지

Fig. 10. The difference between TOA temperature of band 1 and band 2 according to atmospheric profiles and the LSE of two bands.​​​​​​​

Table 8은 밴드 1의 지표면 방출률 0.86을 기준으로 지표면 방출률이 증감했을 때 대기연직구조 별 대기상단 온도차의 차이를 나타낸 것이다. 지표면 방출률이 0.86에서 증가(감소)하면 대기상단 온도는 증가(감소)하고 있다. 대기연직구조에 관계없이 밴드1의 방출률이 0.78에서 0.94로 0.04씩 증가할 때마다 대기상단 온도의 증가 폭이 0.65–0.8K으로 차이가 크지 않았다.

Table 8. The TOA temperature difference of band 1 when the LSE of band 1 is changed by ±0.08 based on 0.86​​​​​​​

OGCSBN_2022_v38n6_1_1423_t0008.png 이미지

Table 9는 두 밴드의 방출률이 같을 때를 기준으로 방출률 차가 증감하였을 때 두 밴드의 대기상단 온도의 차이를 나타낸 것이다. 모든 대기연직구조에서 두 밴드의 방출률 차가 음(양)으로 변화하면 대기상단 온도 차이는 증가(감소)한다. 일반적으로 두 밴드의 방출률 차의 영향은 대기연직구조에 따라 다르게 나타나는데 TRO, MLS보다 MLW, SAW에서 크게 나타나고 있다.

Table 9. TOA temperature differences according to the LSE of the two bands and atmospheric profiles​​​​​​​

OGCSBN_2022_v38n6_1_1423_t0010.png 이미지

위성 관측각에 따른 대기연직구조별 대기상단 온도와 기준온도와의 차이를 각 밴드 별로 Fig. 11에 나타냈다. 관측각 0°를 기준으로 하였을 때 관측각이 증가할수록 대기통과길이의 증가로 인해 모든 밴드에서 대기상단 온도가 감소되고 있다. 관측각이 0°에서 30°로 증가할수록 대기상단 온도차는 밴드 1과 2 모두 열대 지역(TRO)에서 각각 –0.33K과 –0.98K으로 가장 큰 차이를 보이며, SAW에서 –0.10K과 –0.31K으로 가장 작은 차이를 보인다. 이러한 결과는 대기의 온도가 높고 수증기량이 많을수록 관측각의 영향을 많이 받음과 밴드 2가 밴드1보다 약 3배 정도 관측각에 민감함을 제시한다.

OGCSBN_2022_v38n6_1_1423_f0011.png 이미지

Fig. 11. Based on the zero degree of viewing zenith angle, the difference between each band of TOA temperature and reference LST according to the viewing zenith angle: (a) wide band, (b) band 1, and (c) band 2.​​​​​​​

Table 10은 중적외 밴드의 대기상단 온도에 영향을 미치는 주요 변인들에 대한 온도 민감도 실험결과에 대한 요약을 나타낸 것이다. 민감도 분석 결과 밴드와 관계없이 대기상단 온도는 대기연직구조에 가장 큰 영향을 받으며 지표면 방출률, 지표면온도의 일 변동, 위성의 관측각 순으로 영향을 받는다. 지표면 방출률 실험에서는 차갑고 건조한 대기연직구조인 아한대 겨울(SAW)에서 대기상단 온도의 차이가 가장 컸고, 열대 지역(TRO)에서 가장 작게 나타났다. 특히 주요 변인 실험 모두에서 밴드 1이 가장 덜 민감한 밴드로 나타났다. 또한 흡수기체(이산화탄소, 오존)의 영향은 대기연직구조에 관계없이 거의 무시할 수 있을 정도로 대기상단 온도에 미치는 영향이 작게 나타났다. 대기연직구조, 방출률 등 복사전달에 영향을 주는 주요 변인들에 대한 밴드 1과 밴드 2의 대기상단 온도 민감도가 다른 특징을 분리대기창 기법에 적용하면 지표면온도 산출이 가능할 것으로 판단된다.

Table 10. Summary of sensitivity experiment results for major variables affecting TOA temperature​​​​​​​

OGCSBN_2022_v38n6_1_1423_t0011.png 이미지

2) 중적외 밴드를 이용한 지표면온도 산출

중적외 2개 밴드를 이용한 분리대기창 기법으로 지표면온도 산출식을 개발하기 위해 Table 3과 같이 복사전달모델을 모의하여 총 3,298,925 (2693 (atm) × 5 (LST) × 7 (εb1) × 5 (Δε)) × 7 (VZA))개의 복사전달 모의 자료를 생성하였다. 복사 모의된 밴드 1과 2의 휘도온도와 두 밴드의 지표면 방출률, 위성 관측각과 기준 지표면온도간 회귀 분석을 통해 지표면온도 산출식(1)의 회귀계수를 획득하였으며 이를 Table 11에 나타냈다.

Table 11. The coefficients of the land surface temperature retrieval equation using mid-infrared bands (Eq. (1))​​​​​​​

OGCSBN_2022_v38n6_1_1423_t0012.png 이미지

획득된 회귀계수를 이용하여 지표면온도를 추정한 값과 기준 온도 간 산점도를 Fig. 12에 나타내었다. 복사전달모델에 입력된 기준 지표면온도와 회귀식으로 추정된 지표면온도는 250K부터 330K까지 넓은 범위에 걸쳐 1:1 선에 거의 비슷하게 나타났다. 기준 지표면온도와 추정된 지표면온도의 상관계수는 0.999, 편의는 0.023K 그리고 RMSE는 0.437K을 보였다.

OGCSBN_2022_v38n6_1_1423_f0012.png 이미지

Fig. 12. Scatter plot between the reference LST and estimated LST by the split-window LST retrieval algorithm using the 2 band of mid-infrared (gray dotted line in represents the 1:1 line).​​​​​​​

Fig. 13은 지표면온도 산출에 영향을 미치는 변수들에 대해 RMSE의 분포를 나타낸 것이다. 중적외 두 밴드의 휘도온도 차이가 –5K부터 28K까지 다양하게 나타났으며 휘도온도차가 음수일 때 RMSE가 1.8K보다 크게 나타났다. 반면 휘도온도차가 9–13K일 때 지표면온도의 일 변동, 방출률 차, 위성 관측각에 관계없이 RMSE가 0.6K 이하로 가장 작게 나타났다.

OGCSBN_2022_v38n6_1_1423_f0013.png 이미지

Fig. 13. Distribution of RMSEs for the LST retrieval algorithms based on the different impacting factors: (a) TOA temperature difference (BTD) and surface lapse rate, (b) emissivity difference (Δε) and BTD, (c) Δε and surface lapse rate, (d) satellite viewing zenith angle (VZA) and BTD, (e) VZA and surface lapse rate.​​​​​​​

2021년에 수행한 현장관측 자료(Table 2)를 이용하여 복사 모의된 밴드 1과 2의 휘도온도를 복사전달모의로 획득한 지표면온도 도출식으로 산출한 결과를 Fig. 14에 나타냈다. 여기서 복사전달모의에 필요한 밴드1과 2의 방출률은 ECOSTRESS 자료로부터 현장 관측지점의 지면 피복에 대해 평균하여 사용하였고 지표면온도는 현장 관측자료를 이용하였다. 또한 대기연직구조 자료는 GFS 자료를 시공간 내삽하여 사용하였다. 현장 관측된 지표면온도와 분리대기창 기법으로 산출된 지표면온도는 270K부터 297K까지 1:1선보다 약간 좌상단으로 치우쳐 나타나고 있다. 전반적으로 분리대기창 기법으로 산출된 지표면온도는 현장 관측된 지표면온도보다 온난 편의(1.875K)를 보이고 있으며 그 크기는 저온일 때더큰 값을 보인다. 두 지표면온도 간 상관계수는 0.993, RMSE는 2.079K을 보였다. 온난편의가 계통적으로 나타나고 있는데 이는 복사전달모의에 사용된 대기연직구조 자료 차이(회귀식: SeeBor, 현장관측: GFS) 그리고 방출률 오차(ECOSTRESS) 등이 복합적으로 작용한 것으로 보이며 추후 이에 대한 깊이 있는 연구가 필요하다. 현장 관측 지점 수가 26개인 점을 고려하더라도 이러한 결과는 중적외 파장역을 두 개 밴드로 분리하였을 때 정확한 지면 정보와 대기 정보를 알고 있다면 지표면온도 산출이 가능함을 제시한다. 하지만 일반적인 경우 시공간적으로 변동성이 큰 지표면의 방출률과 대기조건을 모두 아는 경우는 거의 없다. 특히 시공간적으로 변동성이 큰 밴드 별 방출률 자료 확보가 중요한데 현실적으로 현장 관측자료가 거의 없기 때문에 간접적인 방법으로 구하여 사용한다. 예를 들어 Wisconsin 대학에서 baseline fit 기법으로 MODIS의 파장역에 대해 방출률 데이터베이스를 구축한 자료를 이용하거나 지면이 주로 토양과 식생으로 구성되었다는 가정하에 fractional vegetation cover (FVC) 방법으로 직접 도출하여 사용하기도 한다(Peres and DaCamara, 2005; Seemann et al., 2008; Sobrino et al., 2008). 분리대기창 기법으로 지표면온도를 구하는 과정에서 주로 사용되는 FVC 방법으로 방출률을 산출하기 위해서는 기본적으로 양질의 지면피복 분류자료(토지이용자료)와 시간에 따라 변하는 식생 및 적설비율 등의 자료가 필요하다(Park and Suh, 2014; Li et al., 2020). 따라서 본 연구 결과는 중적외 파장역을 이용하여 지표면온도를 도출할 수 있는 이론적인 상한선을 제시한 것으로 이해되어야 할 것이다.

OGCSBN_2022_v38n6_1_1423_f0014.png 이미지

Fig. 14. Scatter plot between in-situ observed LST and estimated LST by split-window LST retrieval algorithm using the 2 band of mid-infrared (gray dotted line represents the 1:1 line).​​​​​​​

4. 요약 및 결론

본 연구에서는 중적외 파장역의 대기상단 온도에 영향을 미치는 주요 변인들을 복사전달모델인 MODT RAN6에 처방하여 온도 민감도를 분석하고 이를 이용하여 야간에 중적외 파장역 만을 이용한 지표면온도의 산출 가능성을 평가하였다. 중적외 파장역의 대기상단 온도에 미치는 주요 변인들에 대한 민감도 분석 결과 대기연직구조에 가장 큰 영향을 받으며 지표면 방출률, 지표면온도의 일 변동, 위성의 관측 각, 오존 연직구조, 이산화탄소 농도 순으로 영향을 받았다. 지표면 방출률 변화의 영향은 상대적으로 차갑고 건조한 대기연직구조인 아한대 겨울에서 대기상단 온도의 차이가 –1.21K~1.16K로 가장 컸으며, 상대적으로 따뜻하고 습윤한 대기연직구조인 열대 지역에서 대기상단 온도의 차이가 –0.45K~+0.45K로 가장 작게 나타났다. 오존 연직구조 민감도 실험에서는 매우 극한 상황을 고려하였음에도 기준온도와의 차이가 –0.6K~+0.3K로 나타나 오존 연직구조 변화가 중적외 밴드의 대기 상단 온도에 미치는 영향은 매우 작을 것으로 추정된다. 이산화탄소 농도 실험에서는 밴드와 관계없이 ±0.04K보다 작은 차이를 보여 두 밴드 모두 이산화탄소 농도에는 민감하지 않음을 보였다. 전반적으로 모든 실험에서 밴드 1이 밴드 2보다 주요 변인들에 대해 덜 민감한 것으로 나타났다. 온도 민감도 분석 결과를 바탕으로 SeeBor 대기연직구조 자료를 이용하여 3,298,925개의 모의 자료를 구축한 후 분리대기창 유형의 지표면온도 산출식을 도출하였다. 이 지표면온도 산출식으로 계산한 지표면온도와 처방된 지표면온도 간 상관계수는 0.999, 편의는 0.023K, RMSE는 0.437K로 나타나 회귀식이 적절하게 도출되었음을 알 수 있다. 또한 26개 현장관측 자료를 이용하여 지표면온도 산출식을 검증한 결과 상관계수 0.993, 편의 1.904K, RMSE 2.106K를 보였다. 이러한 결과는 현장 관측된 두 밴드의 지표면 방출률 자료와 대기연직구조 자료가 있다면 중적외 파장역만을 이용한 분리대기창 기법으로 지표면온도 산출이 가능할 것으로 판단된다. 하지만 일반적인 경우 지표면의 방출률과 대기조건을 모두 아는 경우는 거의 없기 때문에 본 연구 결과는 중적외 파장역을 이용하여 지표면온도를 도출할 수 있는 이론적인 상한선을 제시한 것으로 이해되어야 할 것이다. 따라서 향후에는 중적외 파장역을 탑재한 위성이 다양한 대기 및 지표면 환경에 대해 관측한 위성 자료를 이용하여 지표면온도를 산출하고 그 수준을 평가해 볼 필요가 있다.

사사

본 논문은 한국항공우주연구원의 ‘다목적실용위성 7A호 시스템 및 본체 개발’ 사업의 지원을 받았으며, 이에 감사드립니다. 이 논문은 2022년 공주대학교 학술연구지원사업의 연구지원에 의하여 연구되었습니다.

References

  1. Becker, F. and Z.L. Li, 1990a. Temperature-independent spectral indices in thermal infrared bands, Remote Sensing of Environment, 32(1): 17-33. https://doi.org/10.1016/0034-4257(90)90095-4
  2. Becker, F. and Z.L. Li, 1990b. Towards a local split window method over land surfaces, Remote Sensing, 11(3): 369-393. https://doi.org/10.1080/01431169008955028
  3. Becker, F. and Z.L., Li, 1995. Surface temperature and emissivity at various scales: Definition, measurement and related problems, Remote Sensing Reviews, 12(3-4): 225-253. https://doi.org/10.1080/02757259509532286
  4. Berk, A., P. Conforti, R. Kennett, T. Perkins, F. Hawes, and J. van den Bosch, 2014, June. MODTRAN® 6: A major upgrade of the MODTRAN® radiative transfer code, Proc. of 2014 6th Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), Lausanne, Switzerland. Jun. 24-27. pp. 1-4. https://doi.org/10.1109/WHISPERS.2014.8077573
  5. Borbas, E., S.W. Seemann, H.L. Huang, J. Li, and W.P. Menzel, 2005, May. Global profile training database for satellite regression retrievals with estimates of skin temperature and emissivity, Proc. of the 14th International ATOVS Study Conference, Beijing, China, pp. 763-770.
  6. Cao, J., W. Zhou, Z. Zheng, T. Ren, and W. Wang, 2021. Within-city spatial and temporal heterogeneity of air temperature and its relationship with land surface temperature, Landscape and Urban Planning, 206: 103979. https://doi.org/10.1016/j.landurbplan.2020.103979
  7. Cho, A.-R. and M.-S. Suh, 2013. Evaluation of land surface temperature operationally retrieved from Korean geostationary satellite (COMS) data, Remote Sensing, 5(8): 3951-3970. https://doi.org/10.3390/rs5083951
  8. Choi, S.W., D.C. Seo, and D.H. Lee, 2021. Possibility and Accuracy of Extracting Room Temperature Information from Mid-Infrared Sensor Satellite Images, Journal of Space Technology and Applications, 1(3): 356-363 (in Korean with English abstract). https://doi.org/10.52912/jsta.2021.1.3.356
  9. Choi, Y.-Y. and M.-S. Suh, 2020. Development of a land surface temperature retrieval algorithm from GK2A/AMI, Remote Sensing, 12(18): 3050. https://doi.org/10.3390/rs12183050
  10. Das, D.N., S. Chakraborti, G. Saha, A. Banerjee, and D. Singh, 2020. Analysing the dynamic relationship of land surface temperature and land use pattern: A city level analysis of two climatic regions in India, City and Environment Interactions, 8: 100046. https://doi.org/10.1016/j.cacint.2020.100046
  11. Fang, L., H. Li, L. Sun, and R. Li, 2021. Land Surface Temperature Retrieval from Nighttime Mid-Infrared Modis Data Using a Split-Window Algorithm, Proc. of 2021 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Brussels, Belgium, Jul. 11-16. pp. 4300-4303. https://doi.org/10.1109/IGARSS47720.2021.9553447
  12. Freitas, S.C., I.F. Trigo, J.M. Bioucas-Dias, and F.M. Gottsche, 2009. Quantifying the uncertainty of land surface temperature retrievals from SEVIRI/Meteosat, IEEE Transactions on Geoscience and Remote Sensing, 48(1): 523-534. https://doi.org/10.1109/TGRS.2009.2027697
  13. Gillespie, A., S. Rokugawa, T. Matsunaga, J.S. Cothern, S. Hook, and A.B. Kahle, 1998. A temperature and emissivity separation algorithm for Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) images, IEEE Transactions on Geoscience and Remote Sensing, 36(4): 1113-1126. https://doi.org/10.1109/36.700995
  14. Hong, K.-O., M.-S. Suh, and J.-H. Kang, 2009. Development of a land surface temperature-retrieval algorithm from MTSAT-1R data, Asia-Pacific Journal of Atmospheric Sciences, 45(4): 411-421.
  15. Hu, L. and N.A. Brunsell, 2013. The impact of temporal aggregation of land surface temperature data for surface urban heat island (SUHI) monitoring, Remote Sensing of Environment, 134: 162-174. https://doi.org/10.1016/j.rse.2013.02.022
  16. Jia, A., H. Ma, S. Liang, and D. Wang, 2021. Cloudy-sky land surface temperature from VIIRS and MODIS satellite data using a surface energy balance-based method, Remote Sensing of Environment, 263: 112566. https://doi.org/10.1016/j.rse.2021.112566
  17. Kim, Y., N. Malakar, G. Hulley, and S. Hook, 2019. Surface temperature retrieval from MASTER mid-wave infrared single channel data using radiative transfer model, Korean Journal of Remote Sensing, 35(1): 151-162 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2019.35.1.10
  18. Li, Z.L., B.H. Tang, H. Wu, H. Ren, G. Yan, Z. Wan, I.F. Trigo, and J.A. Sobrino, 2013. Satellite-derived land surface temperature: Current status and perspectives, Remote Sensing of Environment, 131: 14-37. https://doi.org/10.1016/j.rse.2012.12.008
  19. Li, H., D. Sun, Y. Yu, H. Wang, Y. Liu, Q. Liu, Y. Du, H. Wang, and B. Cao, 2014. Evaluation of the VIIRS and MODIS LST products in an arid area of Northwest China, Remote Sensing of Environment, 142: 111-121. https://doi.org/10.1016/j.rse.2013.11.014
  20. Li, R., H. Li, L. Sun, Y. Yang, T. Hu, Z. Bian, B. Cao, Y. Du, and Q. Liu, 2020. An operational split-window algorithm for retrieving land surface temperature from geostationary satellite data: A case study on Himawari-8 AHI data, Remote Sensing, 12(16): 2613. https://doi.org/10.3390/rs12162613
  21. Li, H., R. Li, Y. Yang, B. Cao, Z. Bian, T. Hu, Y. Du, L. Sun, and Q. Liu, 2020. Temperature-based and radiance-based validation of the collection 6 MYD11 and MYD21 land surface temperature products over barren surfaces in northwestern China, IEEE Transactions on Geoscience and Remote Sensing, 59(2): 1794-1807. https://doi.org/10.1109/TGRS.2020.2998945
  22. Martin, M.A., D. Ghent, A.C. Pires, F.M. Gottsche, J. Cermak, J., and J.J. Remedios, 2019. Comprehensive in situ validation of five satellite land surface temperature data sets over multiple stations and years, Remote Sensing, 11(5): 479. https://doi.org/10.3390/rs11050479
  23. McMillin, L.M., 1975. Estimation of sea surface temperatures from two infrared window measurements with different absorption, Journal of Geophysical Research, 80(36): 5113-5117. https://doi.org/10.1029/JC080i036p05113
  24. Meerdink, S.K., S.J. Hook, D.A. Roberts, and E.A. Abbott, 2019. The ECOSTRESS spectral library version 1.0, Remote Sensing of Environment, 230: 111196. https://doi.org/10.1016/j.rse.2019.05.015
  25. Mushkin, A., L.K. Balick, and A.R. Gillespie, 2005. Extending surface temperature and emissivity retrieval to the mid-infrared (3-5 ㎛) using the Multispectral Thermal Imager (MTI), Remote Sensing of Environment, 98(2-3): 141-151. https://doi.org/10.1016/j.rse.2005.06.003
  26. NCEP (National Centers for Environmental Prediction), 2021. https://www.nco.ncep.noaa.gov/pmb/products/gfs/gfs.t00z.pgrb2.0p50.f000.shtml, Accessed on Dec. 26, 2022.
  27. Park K.-H. and M.-S. Suh 2014. Improvement of infrared channel emissivity data in COMS observation area from recent MODIS data (2009-2012), Korean Journal of Remote Sensing, 30(1): 109-126 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2014.30.1.9
  28. Peres, L.F. and C.C. DaCamara, 2005. Emissivity maps to retrieve land-surface temperature from MSG/SEVIRI, IEEE Transactions on Geoscience and Remote Sensing, 43(8): 1834-1844. https://doi.org/10.1109/TGRS.2005.851172
  29. Pinker, R.T., D. Sun, M.P. Hung, C. Li, and J.B. Basara, 2009. Evaluation of satellite estimates of land surface temperature from GOES over the United States, Journal of Applied Meteorology and Climatology, 48(1): 167-180. https://doi.org/10.1175/2008JAMC1781.1
  30. Qian, Y.G., E.Y. Zhao, C. Gao, N. Wang, and L. Ma, 2014. Land surface temperature retrieval using nighttime mid-infrared channels data from Airborne Hyperspectral Scanner, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(3): 1208-1216. https://doi.org/10.1109/JSTARS.2014.2364853
  31. Salisbury, J.W. and D.M. D'Aria, 1994. Emissivity of terrestrial materials in the 3-5 ㎛ atmospheric window, Remote Sensing of Environment, 47(3): 345-361. https://doi.org/10.1016/0034-4257(94)90102-3
  32. Seemann, S.W., E.E. Borbas, R.O. Knuteson, G.R. Stephenson, and H.L. Huang, 2008. Development of a global infrared land surface emissivity database for application to clear sky sounding retrievals from multispectral satellite radiance measurements, Journal of Applied Meteorology and Climatology, 47(1): 108-123. https://doi.org/10.1175/2007JAMC1590.1
  33. Sobrino, J.A., J.C. Jimenez-Munoz, J. El-Kharraz, M. Gomez, M. Romaguera, and G. Soria, 2004. Single-channel and two-channel methods for land surface temperature retrieval from DAIS data and its application to the Barrax site, International Journal of Remote Sensing, 25(1): 215-230. https://doi.org/10.1080/0143116031000115210
  34. Sobrino, J.A., J.C. Jimenez-Munoz, G. Soria, M. Romaguera, L. Guanter, J. Moreno, A. Plaza, and P. Martinez, 2008. Land surface emissivity retrieval from different VNIR and TIR sensors, IEEE Transactions on Geoscience and Remote Sensing, 46(2): 316-327. https://doi.org/10.1109/TGRS.2007.904834
  35. Sobrino, J.A., Z.L. Li, M.P. Stoll, and F. Becker, 1994. Improvements in the split-window technique for land surface temperature determination, IEEE Transactions on Geoscience and Remote Sensing, 32(2): 243-253. https://doi.org/10.1109/36.295038
  36. Sun, D. and R.T. Pinker, 2007. Retrieval of surface temperature from the MSG-SEVIRI observations: Part I. methodology, International Journal of Remote Sensing, 28(23): 5255-5272. https://doi.org/10.1080/01431160701253246
  37. Sun, D., L. Fang, and Y. Yu, 2012. GOES LST algorithm theoretical basis document, NOAA NESDIS Center for Satellite Applications and Research, College Park, MD, USA.
  38. Tang, B.H. and J. Wang, 2016. A physics-based method to retrieve land surface temperature from MODIS daytime midinfrared data, IEEE Transactions on Geoscience and Remote Sensing, 54(8): 4672-4679. https://doi.org/10.1109/TGRS.2016.2548500
  39. Wan, Z., 1999. MODIS Land-Surface Temperature Algorithm Theoretical Basis Document (LST ATBD) version 3.3, National Aeronautics and Space US Department of Commerce, Washington D.C., USA. 77pp.
  40. Wan, Z. and J. Dozier, 1996. A generalized split-window algorithm for retrieving land-surface temperature from space, IEEE Transactions on Geoscience and Remote Sensing, 34(4): 892-905. https://doi.org/10.1109/36.508406
  41. Wan, Z. and Z.L. Li, 1997. A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data, IEEE Transactions on Geoscience and Remote Sensing, 35(4): 980-996. https://doi.org/10.1109/36.602541
  42. Wang, J., B.H. Tang, Z.L. Li, R. Tang, and H. Wu, 2015. Retrieval of land surface temperature from modis mid-infrared data, Proc. of 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Milan, Italy, Jul. 26-31. pp. 4404-4407. https://doi.org/10.1109/IGARSS.2015.7326803
  43. Watson, K., 1992. Two-temperature method for measuring emissivity, Remote Sensing of Environment, 42(2): 117-121. https://doi.org/10.1016/0034-4257(92)90095-2
  44. Zhao, E., Y. Qian, C. Gao, H. Huo, X. Jiang, and X. Kong, 2014. Land surface temperature retrieval using airborne hyperspectral scanner daytime mid-infrared data, Remote Sensing, 6(12): 12667-12685. https://doi.org/10.3390/rs61212667