Research Status of Satellite-based Evapotranspiration and Soil Moisture Estimations in South Korea

위성기반 증발산량 및 토양수분량 산정 국내 연구동향

Abstract

The application of satellite imageries has increased in the field of hydrology and water resources in recent years. However, challenges have been encountered on obtaining accurate evapotranspiration and soil moisture. Therefore, present researches have emphasized the necessity to obtain estimations of satellite-based evapotranspiration and soil moisture with related development researches. In this study, we presented the research status in Korea by investigating the current trends and methodologies for evapotranspiration and soil moisture. As a result of examining the detailed methodologies, we have ascertained that, in general, evapotranspiration is estimated using Energy balance models, such as Surface Energy Balance Algorithm for Land (SEBAL) and Mapping Evapotranspiration with Internalized Calibration (METRIC). In addition, Penman-Monteith and Priestley-Taylor equations are also used to estimate evapotranspiration. In the case of soil moisture, in general, active (AMSR-E, AMSR2, MIRAS, and SMAP) and passive (ASCAT and SAR)sensors are used for estimation. In terms of statistics, deep learning, as well as linear regression equations and artificial neural networks, are used for estimating these parameters. There were a number of research cases in which various indices were calculated using satellite-based data and applied to the characterization of drought. In some cases, hydrological cycle factors of evapotranspiration and soil moisture were calculated based on the Land Surface Model (LSM). Through this process, by comparing, reviewing, and presenting major detailed methodologies, we intend to use these references in related research, and lay the foundation for the advancement of researches on the calculation of satellite-based hydrological cycle data in the future.

최근 수문 및 수자원 분야에서 위성영상의 활용성이 높아짐에 따라 관련 전용 위성 개발연구와 연계하여 위성을 활용한 증발산량과 토양수분량 산정 연구의 필요성이 강조되고 있다. 본 연구에서는 이러한 위성을 기반으로 증발산량 및 토양수분량의 국내 연구현황과 그 산정 방법론을 조사하여 현재까지의 연구동향을 파악하고자 하였다. 국내 연구현황을 세부 방법론 별로 살펴본 결과 일반적으로 증발산량의 경우는 Surface Energy Balance Algorithm for Land (SEBAL), Mapping Evapotranspiration with Internalized Calibration (METRIC)과 같은 에너지수지 기반 모형과 Penman-Monteith (PM) 및 Priestley-Taylor (PT) 산출식을 기반으로 산정되었으며, 토양수분량의 경우 능동형(AMSR-E, AMSR2, MIRAS, SMAP) 및 수동형(ASCAT, SAR)와 같은 마이크로파 센서를 통한 산정이 주를 이루었다. 통계적 측면에서는 증발산량 및 토양수분량 공통적으로 회귀식 및 인공지능을 이용한 산출사례를 찾을 수 있었다. 또한 위성기반 자료들을 이용한 Evaporative Stress Index (ESI), Temperature-Vegetation Dryness Index (TVDI), Soil Moisture Deficit Index (SMDI) 등의 다양한 지표를 산정하여 가뭄 특성파악에 적용한 연구 사례도 다수 있었으며, 지표모형(Land Surface Model, LSM)을 기반으로 하여 위성 다중센서에서 얻을 수 있는 주요 자료들을 활용해 증발산량과 토양수분량의 수문순환인자를 산출하기도 하였다. 본 논문에서는 이렇게 기존 연구사례 조사 및 내용파악 과정을 통해 위성을 활용한 주요 세부 방법론을 비교·검토 제시함으로써 관련 연구분야 기준 참고자료로의 활용 및 향후 위성기반 관련 수문순환 자료 산출 고도화 연구의 초석을 다지고자 한다.

 1. 서론

증발산량과 토양수분량은 지표면과 대기 간의 상호 작용을 분석하기 위한 중요 수문순환인자로 국내 수자원 총량의 약 43%(563억m³/년)를 차지한다(Jeon et al., 2021b; Verstraeten et al., 2008). 증발산량은 토양 및 식생에 저장된 물이 대기로 환원되는 물리적 기반 과정인 증발과 잎의 기공을 통해 물이 증발하는 생물물리학적 과정인 증산을 모두 포함한 것을 의미한다(Choi et al., 2011; Shin and An, 2007; Sur et al., 2012a). 토양수분량은 지표면 토양의 공극 내에 존재하는 수분으로 입자간 공극의 크기와 이동하는 방식에 따라 토양이 보유할 수 있는 수분함량이 달라진다. 물순환구조에서 토양수분량 자체는 많은 비중을 차지하지 않지만 강우를 통한 지표면 유출 및 지표하 저장 과정을 통해 물, 에너지 및 탄소순환 등에 중요한 역할을 한다(Allen et al., 2007b). 이러한 증발산량과 토양수분량은 일반적으로 유출 등에 비해 거동이 장기적이고, 공간적으로도 광역적으로 영향을 미치기 때문에 직접 관측에 의한 정확한 산정이 어려운 편이다.

정부는 2005년 「수문조사 선진화 5개년 계획」과 2008년 「제1차 수문조사 기본계획(2010~2019년)」을 통해 2019년까지 증발산량과 토양수분량 관측소를 확대(각각 25개 지점), 그 관측기반을 마련하였고 「수자원의 조사·계획 및 관리에 관한 법률」에 따라 매년 공인 수문 자료로 증발산량과 토양수분량을 측정하고 있다. 하지만, 이러한 지점자료만으로 상기 두 수문순환인자의 공간적 특성을 파악하기에는 한계가 존재한다. 이에 최근 2020년 「제2차 수문조사 기본계획(2020~2029년)」에서는 위성을 활용한 증발산량과 토양수분량 산정 연구의 필요성이 강조되고 있다.

위성영상은 지구의 시공간 속성에 관한 자료를 준 실시간으로 지속적으로 수집할 수 있는 데이터로서, 위성은 관측 센서 활용과 여러 알고리즘 적용에 따라 대기 및 지표면의 다양한 정보를 산출할 수 있는 장점이 있으며, 특히 시공간적 제약이 적어 광역단위 시계열 관측에 매우 유용하다. 최근 기술발전에 따라서 다양한 지구관측 위성들이 개발·운영되어오며 수자원분야에서도 위성활용 및 응용에 관한 연구가 활발하게 진행되고 있다(Balsamo et al., 2018; Cui et al., 2018; Lettenmaier et al., 2015; Sheffield et al., 2018). 특히, 광역적인 모니터링이 가능하기 때문에 수문순환 기초자료 생산, 그 중에서도 증발산량과 토양수분량 산정 연구에 위성 영상자료가 많이 활용된다(Hur and Choi, 2011; Jeon et al., 2021a; Kim and Choi, 2015; Lee et al., 2011; Lee et al., 2018c). 일예로 Fig. 1(a)는 MODIS 센서 기반 전지구 평균 증발산량을 나타내며, (b)는 토양수분산출 전용 위성인 SMAP을 활용하여 작성된 전 지구 토양수분지도이다. 이처럼 위성을 활용한 증발산량 및 토양수분량 산정방법은 국내에서도 여러 연구자들에 의하여 지속적으로 발전해왔으며, 가뭄 모니터링, 홍수 예측과 같은 물관리와 기후 및 농업 응용 분야에 적용되어 수문 및 기후 모델링이나 예측의 정확도 향상에 기여하고 있다(Lee et al., 2021; Lee et al., 2018b; Shin et al., 2016a; Yoon et al., 2020).

Fig. 1. Global evapotranspiration and soil moisture map: (a) Global annual MOD16 evapotranspiration over 2000–2006 (Mu et al., 2013), (b) Global soil moisture map from SMAP between May 4 and May 11, 2015 (Source: https://www.jpl.nasa.gov/images/pia19337-high-resolution-global-soil-moisture-map).

본 연구에서는 위성을 기반으로 한 증발산량 및 토양 수분량의 국내 연구현황과 그 산정 방법론을 조사하여 현재까지의 연구동향을 파악하고자 하였다. 1995년이후 2021년까지 국내학술지에 등재된 문헌을 기준으로 각각의 자료 산출과정을 방법별로 정리하였으며, 국내의 현황뿐만 아니라 연관된 국외사례도 추가 기술하여 위성을 활용한 관련 연구의 포괄적인 검토가 되도록 하였다. 이러한 상기 과정을 통해 위성을 활용한 증발산량 및 토양수분량 자료 산정의 주요 세부 방법론을 비교·검토 및 제시하여 관련 연구분야 기준 참고자료로의 활용 및 향후 위성영상 정보를 바탕으로 한 관련 수문 순환 자료 산출 고도화 연구의 초석을 다지고자 한다.

2. 국내 연구현황

본 연구에서 수집된 위성기반 증발산량 및 토양수분량 산정 관련 국내문헌은 총 69건으로 증발산량 31건, 토양수분량 35건, 그리고 공통 3건이다. 그 내용은 아래의 절에 주요 방법별로 기술하였으며, Table 1과 2에도 각각의 문헌 별 주요내용을 간략하게 정리하였다.

Table 1. Satellite-based evapotranspiration estimation research summary in South Korea

Table 2. Satellite-based soil moisture estimation research summary in South Korea

1) 증발산량

증발산은 복사에너지에 의한 영향에 직접적으로 반응하며 기상상태, 식생환경의 영향 등에 따른 변동성도 높아 정확한 관측이 어렵다. 그러므로 증발산량을 정량적으로 측정하는 것은 어려운 일이다. 일반적으로 한편 증발산은 크게 기준 증발산, 잠재 증발산, 실제 증발산으로 구분할 수 있는데, 기준 증발산(reference evapotranspiration)은 주로 농업 관개분야에 이용되며, 잠재증발산(potential evapotranspiration)은 수표면에서 발생하는 최대의 증발산을 의미하는 것으로써 단위 면적의 지표 안에 한 작물이 가득 차 있을 경우 작물에 대한 최대치의 증발산량인 기준 작물 증발산(Allen et al., 1998)과 같은 의미로써 수자원 부족량 및 관리계획을 파악할 때 사용된다. 마지막으로 실제증발산(actual evapotranspiration)은 토양 종류 및 수분함량, 식생 종류 및 성장상태, 에너지들을 통해 지표면에서 발생하는 실제 상태의 증발산을 의미한다. 1970년대 이후로 많은 인공위성이 발사되며 원격 탐사자료의 활용성이 높아짐에 따라 위성자료에서 얻은 순복사량, 토양열 플럭스와 같은 열수지요소 추출을 통해 지표면 열수지요소와 회귀식을 이용한 상관성을 분석연구가 수행되었다(Kustas, 1995; Sugita and Brutsaert, 1991). 국내에서는 Chae et al. (2000)이 Landsat TM자료와 GIS기법을 이용하여 열수지요소를 추출하여 광역 증발산량을 추정하였다. 추정된 증발산량과 열수지요소와 민감도 분석 및 오차분석을 통하여 지표면 온도, 대기온도, 풍속 등이 산정결과에 큰 영향을 미친다는 것을 입증하였다.

국외에서는 지난 30년동안 원격탐사 데이터를 사용하여 연구하며 다양한 모형이 개발되었다. 그 중 Surface Energy Balance Algorithm for Land (SEBAL) 모형은 위성 영상을 활용하여 증발산량을 산정하는 대표적인 모형으로 SEBAL 모형은 비균질성을 띄는 지표에서 상대적으로 적은 관측자료를 요구하기 때문에 유용성이 높다. 또한 라이시미터(Lysimeter) 등의 지점 자료와 상관성이 입증되었으며 정확성 측면에서도 비교적 높은 평가를 받아 다양한 연구에 활용되었다(Bastiaanssen, 2000). 국내에선 Yoo (2003)가 최초로 보청천 유역을 대상으로 SEBAL모형을 통해 증발산량을 추정하여 Morton (1978)법에 의한 증발산량과 비교하였다. 그 결과 최대오차는 13.214%로 대부분 유역에서 허용범위를 만족하며 국내 유역에 대한 SEBAL 모형 적용가능성을 제시하였다. SEBAL 모형은 본래 Landsat 이미지를 기반으로 개발된 모형이지만 Waters et al. (2002)은 Landsat뿐만 아니라 다른 위성 이미지에도 적용할 수 있음을 언급하였다. 이에 따라 국외뿐만 아니라 국내에서도 SEBAL모형에 다른 위성을 활용한 연구가 이루어졌다. 시공간해상도를 기준으로 보았을 때 Landsat은 30–60m의 고해상도를 가지지만 16일 간격으로 관측되어 구름이 없고 맑은 날 영상을 얻기 힘들다. 반면 MODerate resolution Imaging Spectroradiometer (MODIS)는 250, 500, 1000m 대역의 낮은 공간 해상도를 가지지만 이틀 간격으로 전 지구를 관측하기 때문에 시간해상도가 우수하고 접근성이 쉬워 시계열 분석이 보다 쉽다. Ha et al. (2010)은 한강유역의 지류인 경안천 유역에 Landsat과 MODIS 위성영상을 SEBAL 모형의 입력자료로 활용하고 FAO Penman-Monteith 증발산량(Allen et al., 1998)과 비교하였다. Lee et al. (2015a)은 MODIS 위성영상을 SEBAL 모형의 입력 자료로 활용하기 위해 알고리즘을 수정하여 용담댐 유역을 대상으로 공간증발산량을 산정하였다. 후속으로는 에너지수지방정식 각 항목의 불연속적이고 산발적 시계열 분포를 야기했던 Albedo및 Normalized Difference Vegetation Index (NDVI)에 월별보정계수를 이용하지 않고 월별입력자료를 구축하여 설마천, 청미천에 적용하여 플럭스타워(flux-tower) 자료와 비교 평가하여 효용성을 논하였다(Lee et al., 2016c).

Allen et al. (2007a)은 SEBAL 모형의 현열(Sensible Heat Flux) 보정방식을 개선한 Mapping Evapotranspiration at high Resolution with Internalized Calibration (METRIC) 모델을 개발하였다. METRIC 모형은 지표와 대기 사이의 물리적 관계에 기반하며 정확도가 높은 수준이다. 또한 경험상수 및 경험적으로 유도된 인자 사이의 관계를 이용하여 내부적으로 자동적 보정이 이루어져 신뢰도가 높으며 식생의 종과 분포 정보를 미리 알아야 할 필요가 없으며, 잠재증발산과 함께 실제증발산량도 산정한다. METRIC 모형이 등장함에 따라 국내외에서 SEBAL 모형과 함께 비교 검증 연구들이 수행되었다. Choi et al. (2011)은 Landsat 영상(Landsat 7 ETM+, Landsat 5 TM)을 METRIC 모형에 적용하여 경안천유역의 증발 산량을 증발접시 값과 비교하였다. 그 결과 11% 낮은 오차로 적용성을 확인하였으며 토지피복현황에 따른 공간적 분포와 토지형태에 따른 증발산 분포를 검토하였다. 토지피복상태가 수체(water)인 경우 METRIC 증발산과 증발접시 관측치가 54%로 큰 차이를 보였는데 다중분광센서인 TM센서가 눈, 구름, 얼음 등의 방해로 적절한 산정을 하지 못하게 됨으로 METRIC 모형 적용시 맑은날의 위성이미지 이용이 필요함을 확인하였다. 또한 증발산의 분포는 생장기의 증발산이 휴면기보다 더 큰 값을 나타내며 산림(forest) 지역과 도시(urban) 및 나지(bare soil) 지역의 비교를 통해 식생에 의한 증산활동 영향을 파악하였다. Sur and Choi (2011)은 METRIC 모형에 Landsat 위성영상을 적용하여 산정된 증발산의 공간분포를 MODIS 기반 증발산량 자료(MOD16)와 비교하였다. 두 위성영상은 각 30 m, 1 km로 공간해상도가 다르기 때문에 METRIC 영상을 업스케일링(upscaling)하여 경안천 유역의 공간적 증발산을 확인하였다. 그 결과 외부환경 요인인 대기중의 구름오차로 MOD16의 결측치가 있는 부분을 제외하고는 비슷한 경향을 보였으며, Choi et al. (2011)의 결과와 마찬가지로 토지피복별로 비교 시 특히 침엽수림과 활엽수림에서 가장 높은 상관관계를 보이는 것을 확인하였다.

위성 기반의 증발산 산정 모델은 기존 물리식을 기반으로 발전되어왔다. 많은 연구자들에 의하여 Penman-Monteith (PM) (Monteith, 1965a)식 을 기 반 으 로 한 Shuttleworth-Wallace dual-source model (Shuttleworth and Wallace, 1985), Resistance-Surface Energy Balance and Penman-Monteith (Cleugh et al., 2007), 그리고 Revised remote sensing-based Penman-Monteith (RS-PM) (Mu et al., 2007; Mu et al., 2011)과 Priestley-Taylor (PT)식을 기반으로 한 Priestley-Taylor Jet Propulsion Laboratory (PT-JPL) (Fisher et al., 2008) 및 Modified Satellite-Based Priestley-Taylor (MS-PT) (Yao et al., 2013) 등이 개발되어왔다(Baik et al., 2018).

Kim and Kim (2005)은 식생 여부에 따라 수역을 구분하여 식생지역에서 PM 방법을 이용하여 잠재증발산량을 산정하였다. 산정에 필요한 입력자료 중 NDVI, 단순비율 식생지수(Simple Ratio, SR), 그리고 Albedo는 Landsat 위성(Landsat TM, ETM+) 이미지를 사용하였다. 증발접시 관측자료와 비교한 결과 상대습도가 다소 높아 잠재증발산량이 과소하게 산정되었음을 보였다. Suret al. (2012b)는 낙동강 유역을 대상으로 MODIS 데이터를 이용하여 PT 방법으로 원격탐사 기반 잠재증발의 한반도 전역의 공간분포를 산정하여 낙동강강 유역 권역의 기상청 증발접시 증발량과 비교하였다. 포항 기상대에서는 소형 증발접시 및 대형증발접시가 각각 0.70, 0.55의 상관 계수를 가지며, 문경 기상대의 결과는 0.62, 0.52의 상관 계수를 보이며 포항기상대의 증발량 검증 결과가 더 높은 상관성을 보였다. 그 이유는 PT 방법 적용 시 수표면이나 균일하게 포화된 지표면같이 대류영향을 무시할 수 있는 경우 알파값을 1.26으로 적용했기 때문이다. 일반적으로 기후조건이 습하고 공기동역학적 영향이 미미한 지형에서 공식의 적용성이 높은데, 바닷가 주위 평지에 위치한 포항 기상대는 대기층에서 대류현상이 안정적이어서 높은 신뢰성을 보였다. 또한 Lee et al. (2011)은 에너지 수지식을 기반으로 지표거칠기가 높고 지표형태를 고려한 일 실제증발산량을 산출하였다. 계산이 복잡한 현열 산출과정을 단순화하기 위하여 실제증발산량-순복사량과 지표온도-기온의 선형 관계로 정의된 경험적 계수인 B를 사용하여 SPOT 위성 식생자료, MTSAT-1R위성의 채널자료, MODIS의 지표온도(Land Surface Temperature, LST) 및 토지피복(landcover), 그리고 ECOClIMAP-1의 지표거칠기 등 다양한 위성자료와 관측자료를 적용하여 한반도를 대상으로 증발산을 산출하였다. 산출된 증발산 검정을 위해 PT 방법을 이용한 증발산량을 통해 간접검증을 수행한 결과 RMSE 1.0179 mm/day, BIAS 0.4516 mm/day 값을 나타내며 지표거칠기를 고려한 증발산량 산출이 잘 수행되었음을 증명하였다.

기본적으로 PT 방법을 통해 산정된 증발산은 특정 작물에 대한 기준이 되는 기준증발산 및 수표면에서의 증발산을 나타내는 잠재증발산이기 때문에, 실제증발산이라 간주하기에는 무리가 있었다. 이에 따라, Fisher et al. (2008)은 기존의 PT 방법을 개선하여 실제증발산을 산정할 수 있도록 대기 수분 상태를 통해 계산되는 생태 생리학적 제약 함수(ecophysiological constraint function)와 식생 지수(vegetation indices)를 고려하여, PT-JPL을 제시하였다. Baik et al. (2016)은 Yao et al. (2013)이 제안한 PT-JPL을 개선한 MS-PT 알고리즘을 검토하기 위하여 MODIS 산출물을 통해 Rn(순복사에너지)를 계산한 후 MS-PT 알고리즘으로 실제증발산을 산정하여 설마천과 청미천의 플럭스타워와 비교하였다. 그 결과 설마천의 경우 과대산정되는 결과를 보였는데 이는 선행연구와 마찬가지로 식생인자의 영향에 기인한 것으로 보았다. 또한 전반적으로 높은 상관성을 보여 다른 방법에 비하여 적은 입력자료를 요구하는 MS-PT 알고리즘의 우리나라의 적용성을 확인하였다. Baik et al. (2018)은 최적의 증발산 산정결과 도출을 위하여 Global Land Data Assimilation System (GLDAS), Global Land Evaporation Amsterdam Model (GLEAM)과 MS-PT, Revised RS-PM 위성기반 증발산모델을 자료를 융합하여 청미천과 설마천의 증발산을 산출하여 플럭스타워 자료와 비교하였다.

Jeong et al. (2009)은 Jang et al. (2009)이 제안한 RS-PM 알고리즘에 MODIS위성 자료만을 적용하여 동아시아 9곳의 플럭스타워 자료와 비교하였다. 그 결과 세 지역에서 큰 차이를 보였는데 이는 기상자료 및 복사요소 오차에서 기인한 것으로 판단하였다. 또한 일단위로 확장시켰을 때 앞서 언급한 세 지역을 제외한 나머지 지역에서 순간증발산 평가보다 양호한 결과를 보였는데 이는 확장 추정기법이 위성자료와 관측자료 간 시각 불일치 문제를 어느 정도 해결하여 신뢰도 높은 일 단위 증발산을 제공가능성을 보였다. Jeon et al. (2021a)은 Mu et al. (2011)에 의해 제안된 PM 알고리즘 기반 MOD16자료와 GLDAS, 플럭스타워 증발산량을 비교하였다. 한반도와 수문특성의 차이가 있는 제주도를 대상으로 적용한 결과 MOD16 증발산량과 GLDAS 증발산량 상관계수는 0.759로 나타났다. 반면 플럭스타워와 MOD16 및 GLDAS의 상관계수를 비교하였을 때 각각 0.289, 0.434로 적합성이 상대적으로 낮게 나타났다. 이에 대해 저자는 제주 난대림 플럭스타워의 결측값과 이상치가 많이 발생하여 플럭스타워 데이터의 품질관리 프로세스 필요성을 제시하였다. Sur et al. (2012a)는 RS-PM 알고리즘을 개선하여 MODIS 위성 이미지 자료만을 이용하여 설마천과 청미천의 플럭스타워 관측값과 비교하였다. 그 결과 0.69, 0.74의 높은 상관계수를 보이며 적용성을 확인하였다. 또한 Baik et al. (2014)는 우리나라 최초 정지궤도복합위성인 천리안위성 자료를 Revised RS-PM 방법에 적용하여 실제증발산을 산정하였다. Lee et al. (2015b)는 MODIS 자료를 이용하여 RS-PM 방법으로 공간증발산량을 산정하였다. 에디 공분산 기반 증발산량과 비교한 결과 과대산정되었으며 물수지 분석결과 177.43 mm 편차로 폐합되지 못함을 보였다. 이러한 원인은 MODIS 위성 기반의 공간 증발산량이 크게 산정되었고 유역의 저류변화량 산정 시 지하수 저류 변화량을 고려하지 못했기 때문이라고 판단하였으며 물수지 분석에 활용된 토양수분량도 유역의 공간성을 대표하지 못했을 것으로 추정하였다. 따라서 산정된 증발산량은 설마천유역의 공간성을 대표하지 못하는 것으로 나타났다.

한편, 식생지수와의 상관관계를 기반으로 하여 증발산을 산출한 연구도 다수 있으며, 이는 위성자료를 입력자료로 사용하여 산출하기보다는 위성자료와 그 외 보조자료들을 활용하여 분석한 자료를 통해 회귀식을 기반으로 증발산량을 산정하였다. 식생지수 중 NDVI는 증발산량과 상관관계가 높아 가장 널리 사용되고 있다(Running and Nemani, 1988). 이처럼 증발산량과 식생지수의 상관관계로 인하여 위성영상을 이용하여 식생, 토지이용과 같은 지형조건과 관련된 증발산량을 산정하기 위한 시도가 이루어져 왔다. 국내에선 Kwon et al. (2004)가 최초로 NDVI를 증발산량 산정에 도입하였으며, Kwon et al. (2005)이 NOAA/AVHRR로 추출한 식생정보와 Morton의 실제증발산량의 상관분석을 통한 회귀식을 추출하고 이를 이용하여 월 실제증발산량 분포도 작성 및 가뭄파악을 위한 물수지분석을 통해 습윤 지수분포도 작성하였으며, Jeong and Shin (2006)과 Shin et al. (2006b)은 낙동강 권역을 대상으로 기온과 MODIS NDVI 자료를 입력자료로 사용하는 증발산 산정모형을 개발하였다. Shin and An (2007)은 우리나라 전역으로 확대하여 NOAA/AVHRR에서 얻어진 NDVI와 상관관계 분석을 통해 상관성이 높게 나타난 증발산량, 온도자료를 다중회귀분석을 통하여 권역별 증발산량 추정식을 개발하였으며, Shin et al. (2010)은 충주댐 유역을 대상으로 Morton 증발산량과 MODIS NDVI와의 회귀분석을 통해 증발산량 산정하여 Semi-distributed land Use-based Runoff Processes(SLURP)모형(Kite et al., 1998)에 의한 증발산량과 비교하였다.

또한 국내 연구 중 위성영상과 인공지능을 이용하여 증발산을 산출한 문헌을 찾을 수 있는데 Lee et al. (2018a)은 기상청의 국지예보모델인 Local Data Assimilation and Prediction System (LDAPS)의 수문기상변수와 식생 및 알베도 위성자료를 입력자료로 사용하여 딥러닝 기법인 Deep Neural Network (DNN)을 이용한 증발산을 추정하여 실측치와 비교하였다. 최적화 과정과 증발산 인자의 적절한 선택으로 수립된 모델은 RMSE 0.326, 상관 계수 0.975로 높은 정확도를 나타냈으며 향후 인공지능의 기법 정확도 향상을 위해 훈련자료의 양을 증가의 필요성을 강조하였다.

검토된 문헌에서는 상기 기술한 사항처럼 위성기반 증발산을 산정한 다양한 연구뿐만 아니라 가뭄판단을 위하여 위성영상 기반 가뭄지수인 Evaporative Stress Index (ESI)를 활용한 연구문헌들도 찾을 수 있었다. ESI는 실제증발산과 잠재증발산 비를 표준화된 아노말리(anomaly)를 지수화한 지표이다. 국내 연구에서 모두 MODIS 위성영상을 활용하였으며 MODIS 위성영상 중 8일 주기의 공간해상도 500 m 격자 단위 실제증발산량 및 잠재증발산 취득이 가능한 MOD16 영상을 기반으로 ESI를 산정하여 농업가뭄 모니터링을 적용성을 평가하였다(Lee et al., 2021; Yoon et al., 2018). Jeon et al. (2021b)은 미국지질조사국(United States Geological Survey, USGS)의 위성영상 기반 증발산량 Famine Early Warning Systems Network (FEWS NET)의 증발산량 위성영상자료와 FAO-56 Penman-Monteith 공식 기반 증발산량을 비교하였으며 토양유효수분율을 산정하여 밭가뭄을 평가하였다.

마지막으로 재분석 데이터 및 지표모델을 이용하여 증발산을 산정한 문헌으로(Park et al., 2020) Modern-Era Retrospective analysis for Research and Applications (MERRA)와 기상청의 Automated Synoptic Observing System (ASOS)를 National Aeronautics and Space Administration(NASA)에서 개발한 지표모델(Land Surface Model)인 Land Information System (LIS)을 활용하여 한반도 지역의 수문인자를 산출하여 증발산량 및 토양수분량에 대한 정확도를 평가하였으며, LIS를 기반으로 구축된 Korea-Land Surface Information System (K-LIS)의 Korea Land Data Assimilation System (KLDAS)를 사용하여 남한 전역을 대상으로 증발산량을 산출하였다(Park et al., 2021a; Park et al., 2021b). 또한 GLDAS, MOD16, PT 방법을 토대로 산정된 데이터인 GLEAM 자료의 불확실성을 파악하고자 Triple Collocation (TC) 방법을 이용하여 청미천과 설마천에 적용하였다. 그 결과 플럭스타워 자료가 가장 불확실성이 높았으며 재분석 자료인 GLDAS와 GLEAM의 낮은 불확실성을 파악하였고(Baik et al., 2019), GLDAS 및 GLEAM과 에디공분산자료의 비교를 통해 그 적정성을 입증하였다(Lee et al., 2020).

2) 토양수분량

토양수분량 산출 위성은 마이크로파(microwave)를 이용하여 밝기온도(brightness temperature, Tb)나 후방 산란계수(backscatter)를 얻는다. 마이크로파는 밤낮 기상에 관계없이 측정이 가능하며 그 파장에 따라 표층 토양수분함량을 파악할 수 있기 때문에 광범위한 영역을 지속적으로 관측할 수 있다는 장점이 있다. 하지만 이러한 방법은 저궤도위성, 긴 파장, 안테나 크기로 인한 낮은 시·공간해상도, 라디오 전파간섭(Radio Frequency Interference, RFI)에 의한 밝기온도 측정값의 오염, 산출 알고리즘의 지역적 한계 등으로 인한 활용의 어려움이 있다(Kerr et al., 2010; Piles et al., 2011). 각 위성에서는 토양수분량 관측을 위한 특정 알고리즘을 통해 그 값을 산정한다. 하지만 이러한 알고리즘은 지역별로 최적화되어 있지 않고 한반도 및 국내의 경우 다양한 식생의 특성이 있기 때문에 이를 고려한 알고리즘 수정 등을 통해 위성기반 토양수분량의 적용성 확인 및 비교·검증을 수행하는 연구가 진행되어왔다.

먼저 마이크로파 센서 중 수동형 센서를 이용한 연구로 Hur and Choi (2011)는 National Snow and Ice Data Centre (NSIDC)와 Vrije Universiteit Amsterdam (VUA) AMSR-E 토양수분을 해남플럭스 관측지점 값과 비교하였다. 그 결과 시간적 상관성이 있는 것으로 나타났지만 알고리즘에 우리나라의 지형특성이 충분한 반영이 되지 않아 알고리즘의 오차를 줄이는 방법과 다양한 식생조건에서의 심도 깊은 연구의 필요성을 제시하였다. Kim and Kim (2011)은 NASA와 VUA-NASA의 AMSR-E 알고리즘 토양수분자료를 용담댐 유역 내 6개 지상관측지점 자료와 비교 분석하였다. NASA의 토양수분 평균은 지상관측에 비하여 50%로 매우 낮았으며 VUA-NASA의 경우 1.8배 높은 결과를 보였다. 앞선 연구와 마찬가지로 알고리즘의 지역적 한계에 대해 언급했으며 특히 0–10 cm인 지상관측망의 관측심과 1–2 cm인 C-band 센서의 관측심 차이로 인한 대표 값의 차이라고 분석하였다. 또한 다른 활용 연구로 Sunwoo et al. (2014)는 VUA-NASA알고리즘을 통한 AMSR-E 토양수분값과 지점 강우자료를 활용하여 선행습윤상태를 나타내는 지표를 산정하였으며 예측의 불확실성 개선에 기여할 수 있음을 확인하였다. Lee et al. (2016b)는 기존 강우에 적용되어오던 조건부 합성방법을 AMSR-E 토양수분자료와 기상자료에 활용하여 미계측지역에 대한 토양수분을 산출하였다.

Kim et al. (2016c)은 AMSR2 Land Parameter Retrieval Model (LPRM) 알고리즘을 통해 산출된 토양수분자료를 한반도 대상으로 평가하였다. AMSR2 센서는 큰 반사판 안테나가 있어 비교적 높은 공간 해상도 자료를 얻을 수 있으며 LPRM 알고리즘을 통해 C1, C2,X-band의 산출물로 제공하고 있다(Owe et al., 2008). 이에 따라 각 밴드(C1, C2, X-band)와 overpass time (ascending, descending)에 따라 산출된 토양수분과 지점 토양수분과 비교한 결과 X-band는 ascending, C1-band, C2-band는 descending 시간대에서 좋은 상관성을 보였고, 주파수 영역별 비교 시 모든 시간대에서 X-band의 토양수분이 더 높은 상관관계를 보였다. 이러한 결과는 주파수대에 따른 RFI의 간섭 영향이 큰 것으로 나타났으며 다양한 특성을 가진 한반도에서는 X-band 토양수분데이터 적용이 이점이 있는 것을 확인하였다. 이러한 관측심의 한계, 지표면거칠기 및 토양피복종류에 따라 활용성에 차이가 있음에도 불구하고 AMSR2는 다른 위성들에 비해 결측률이 낮다는 이점이 있다. Kim et al. (2015)은 자료의 가용성을 높이기 위하여 Japan Aerospace Exploration Agency (JAXA)에서 제공하는 AMSR2 토양수분자료에 세가지 보정식을 적용하였다. 그 결과 3일 평균을 적용한 식의 지상관측과의 상관성이 가장 개선됨을 알 수 있었으며 토양군별 편이보정결과 R은 0.286–0.559, RMSE는 5.38–9.62%로 상관관계가 개선됨을 보였다. Kim and Kim (2017)은 JAXA에서 제공하는 L3 산출물인 AMSR2 토양수분자료를 사용하여 다양한 지면변수와 공간통계법을 활용한 다운스케일링을 위하여 회귀크리깅 기법을 사용하여 우리나라의 2013년~2014년의 4월~10월까지의 토양 수분자료에 적용한 결과 고해상도로 상세화된 자료를 얻을 수 있었으며 원자료와 일관성이 우수하게 유지된 것을 확인하였다. Lee et al. (2018d)은 Landsat 기반 상세화 알고리즘을 검증하였으며 SMAP 산출물에 적용하여 지표면 상태를 나타냈다.

능동형 센서인 ASCAT 토양수분값은 지점과의 높은 상관관계를 보이고 한반도에서 정확도가 높다(Kim and Choi, 2015). Kim et al. (2016b)은 FDR 센서 관측소 지점 토양수분과 위성 토양수분과의 검증 가능성을 분석하여 향후 설치될 사이트 적합성을 검증하기 위해 Soil Moisture site with FDR and COSMIC-ray (SM-FC) 실험 위치에서의 토양수분이 ASCAT의 토양수분 데이터 분석을 할 수 있는지를 FDR 센서 6개 지점과 ASCAT 센서의 토양수분데이터를 분석하였으며, Jeon et al. (2021)은 한반도와 수문특성의 차이가 있는 제주도를 대상으로 토양수분 산출물의 적용성을 평가하였다. 6곳 지점의 관측 토양수분자료와 GLDAS, ASCAT 토양수분자료를 비교한 결과 지점의 시계열 패턴을 잘 반영한 GLDAS에 반하여 ASCAT 자료는 매우 낮게 산정되며 상관계수 또한 0.4미만으로 열악한 결과를 보였다. 따라서 제주지역의 수문특성을 반영하기 위해 개선이 필요함을 시사하였다.

또 다른 능동형센서인 Synthetic Aperture Radar (SAR)는 자체 방출된 마이크로파가 부딪히는 대상에 따라 반사되어 돌아오는 후방산란계수 값을 제공한다. Lee et al. (2017)은 국내 최초로 Sentinel-1 SAR을 이용하여 토양수분 산출을 시도하였다. 5개의 토양수분 관측지점을 대상으로 Sentinel-1 SAR의 후방산란을 이용하여 선형회귀와 Support Vector Regression (SVR) 방법을 이용하여 토양수분을 산정하였다. 편파, 계절, 입사각, 강수 이벤트, 논밭에 따라 나누어 살펴본 결과 RMSE 6.5% 정도의 오차를 보였다. Cho et al. (2020)은 농지와 초지로 구성된 지점을 대상으로 Sentinel-1 SAR 기반으로 다중 선형회귀모형을 활용하여 산정한 토양수분량과 Water Cloud Model (WCM)과 비교하였다. WCM은 식생과 토양에 의한 영향을 따로 고려하기 때문에 즉각적인 변화를 관측할 수 있지만 오차에 대한 보정이 필요한 것으로 판단되며 선형회귀를 활용한 토양수분은 안정적인 오차범위를 나타냈다. 토양수분이 후방산란계수에 미치는 영향은 토지피복, 식생의 분포, 식생 내 수분함량에 따라 모델별로 상이한 결과를 나타냈다. Cho et al. (2021) 또한 한반도의 다양한 식생조건을 고려하기 위해 Radar Vegetation Index와 WCM방법을 활용하여 토양수분결과를 분석했다. 그 결과 관측 토양수분과의 검증 결과 초지, 산지, 농지 순으로 높은 정확도가 나타났으며 이러한 결과를 통하여 SAR 센서 기반의 토양수분 산정을 위해서는 관측 지역의 토양수분과 후방산란계수 간의 관계성을 우선적으로 검증해야 함을 시사하였다. Kim et al. (2020)은 Sentinel-1A/B 후방산란계수와 실측토양수분의 회귀분석을 통해 산정된 토양수분과 자료동화기법을 연계하여 수리학적 매개변수를 추출하여 기상자료와 함께 SWAP 모형에 적용하여 일별 토양 수분을 모의하였다. 그 결과 모의된 토양수분은 R값은 0.085–0.839, RMSE는 0.044–0.107로 실측토양수분을 잘 반영하였다. Chung et al. (2021)은 용담댐 유역을 대상으로 Sentinel-1 SAR 기반 다중선형회귀모형을 활용하여 토양수분을 산정하여 관측자료와 비교하였다. 이 과정에서 식생의 마이크로파 산란을 간접적으로 극복하기 위해 선행강우를 활용하였다. 그 결과 초지지역에서 선행강우를 사용했을 경우 R²가 0.37, RMSE가 4.11%로 상관성이 상승함으로 선행강우 및 무강우 누적일수의 활용을 검증하였다.

또한 앞서 설명한 수동형센서와 능동형 센서를 다중으로 활용하여 비교한 연구의 예로 Kim and Choi (2015)는 MIRAS, ASCAT, AMSR2 세 종류의 위성기반 토양 수분과 GLDAS 토양수분을 동아시아와 한반도를 대상으로 토지 피복에 따라 비교하였다. 그 결과 SMOS 위성(MIRAS 센서)이 동아시아 사막에서 좋은 결과를 보였다. ASCAT의 경우 건조지역을 제외한 대부분 지역에서 좋은 결과를 보였으며 특히 우리나라에서 활용성이 높음을 알 수 있었다. 한편 LPRM 알고리즘을 통한 AMSR2 토양수분은 동아시아 지역에서 26%로 낮은 신뢰도를 보이며 저조한 결과를 보였는데, 이는 한반도를 대상으로 AMSR2, ASCAT, ESACCI 토양수분자료를 동결, 융해기간으로 구분하여 AAOS와 비교한 결과(Baik et al., 2019)에서도 AMSR2 자료는 과대산정 뿐만 아니라 큰 오차가 발생하였다. 원자료를 대상으로 한 비교 시에도 ASCAT과 ESACCI 자료가 오차가 적고 AAOS 경향을 잘 따랐다. 따라서, 한반도에서는 AMSR2 보다 ASCAT과 ESACCI 토양수분자료를 활용하는 것이 적절함을 제시하였다.

한편, 토양수분량 자료 산출을 위한 앞 절과 다른 접근법으로 통계적 추정 기반의 토양수분 산출도 이루어져 왔다. Scott et al. (2003)이 제안한 회귀식에 MODIS 이미지를 적용하여 토양수분을 산정한 연구 중 Shin et al.(2016a)은 자료동화기법을 이용하여 MODIS 이미지로부터 매개변수를 추출 후 기상자료와 함께 1D-HYDRUS 모형에 적용하여 일별토양수분모의 및 평가하였으며, Kim et al. (2017a)은 지표특성자료인 NDVI 와 지형 및 온도자료가 토양수분에 미치는 공간적 상관성을 입증하였고, Lee et al. (2018c)은 유효토양특성 매개변수 추출을 위하여 NOAH-LSM과 연계된 토양수분자료동화기법을 개발하였다.

이렇게 마이크로파 센서를 제외한 통계적 측면에서는 다중선형회귀(Multiple Linear Regression, MLR) 모형, Classification And Regression Tree (CART)를 이용한 토양수분 추정기법이 제시되기도 하였다. 일반적으로 토양수분에 영향을 주는 기상인자로는 순 강수량, 순 복사량, 증발산량, 풍속, 온도 등이 있다. 이러한 관계를 이용하여 MODIS의 NDVI, 국내 위성인 천리안의 지면온도와 다중회귀방법을 이용하여 토양수분을 산정하였다(Lee et al., 2017a). Kim and Park (2010)은 지상관측 토양수분, 강수량, MODIS의 LST, NDVI, 토지피복, 유효토심 등과 같은 보조자료와 의사결정 트리 알고리즘인 CART 기법을 이용한 토양수분추정기법 제시하였으며, Kim et al. (2011)은 CART 기법과 인공신경망을 연계하여 토양수분 산정하는 기법을 제시하였다. Park and Kim (2011)은 광역의 토양수분정보를 생산하기 위하여 MODIS NDVI 자료와 지상관측토양수분 자료 및 강수량, 지면온도를 활용하여 비선형 상관특성을 구현하는 인공신경망 기법을 연계한 토양수분산정 기법을 제시하였으며, Jang et al. (2019)은 MLR을 보완하기 위하여 Long Short Term Memory (LSTM)모델을 MODIS NDVI, LST 자료와 기상자료에 적용해 토양수분을 산정하였다.

인공신경망이나 기계학습은 다중선형회귀모형이 해결할 수 없는 설명변수와 반응변수 간의 비선형성 문제를 해결하고자 하였다. 하지만 인공신경망의 경우 전역적 최적해를 찾기 전에 수렴해 교착상태에 빠지는 지역최적해(local minima)의 문제가 발생할 수 있으며, 기계학습은 제시된 케이스만을 과도하게 학습하여 특이 케이스에 대응하지 못하는 과적합(overfitting) 문제가 발생할 수 있다. 그러므로 단점을 보완하기 위하여 사전학습(pre-training)과 미세조정(fine-tuning) 과정을 수행을 통해 정확도를 향상시키는 딥러닝(deep learning) 기법을 토양수분 산출에 적용성이 제시되었다. Kim et al. (2017b)은 위성자료 MODIS의 지면온도, GOCI의 기상자료를 이용한 딥러닝 모델을 수립함으로써 500 m 해상도의 일 단위 토양수분함량을 산출하였다. MLR, Support Vector Machine (SVM), Random Forest (RF), 딥러닝 산출 결과를 관측 자료와 비교를 통해 정확도를 검증한 결과 관측치와의 매우 비슷하였으며 200회의 훈련-검증 반복실험 시 딥러닝 모델의 RMSE값이 3.340%로 좋은 결과를 보였다.

토양수분과 위성기반 데이터에서 산출된 지표변수 사이의 관계를 통해 토양수분을 관측하는 연구가 수행되었다. Chae et al. (2017)과 Jung et al. (2018)은 위성영상으로부터 얻은 LST 및 NDVI의 관계에서 wet edge 및 dry edge의 추정을 통하여 토양수분과 밀접한 관련이 있는 Temperature-Vegetation DrynessIndex (TVDI)를 산정하였다. 특히 Chae et al. (2017)은 마이크로파 센서를 활용한 다른 연구들과 달리 광학(optical) 및 열적외선(Thermal Infrared) 센서로부터 얻은 영상을 융합하여 토양수분을 관측하였으며, Jung et al. (2017)은 천리안위성의 GOCI와 MI 센서 자료로부터 산정한 TVDI를 ASCAT 토양수분자료를 통해 산정된 Standardized Soil Moisture Index (SSMI)와 비교 검증하였다.

위성기반 증발산량 연구와 마찬가지로 토양수분량 연구에서도 가뭄 모니터링과 모델을 이용한 연구사례를 찾을 수 있었다. Shin et al. (2016, 2017)은 Scott이 제시한 회귀식에 MODIS 이미지를 적용하여 토양수분 산정 후 자료동화기법을 연계, 매개변수를 추출하여 SWAP 모형에 적용하여 토양수분가뭄평가지수(Soil Moisture Deficit Index, SMDI) (Narasimhan and Srinivasan, 2005)를 통해 농업가뭄을 평가하였다. 특히 Lee et al. (2018)은 Tropical Rainfall Measuring Mission (TRMM) 및 Global Precipitation Measurement (GPM) 강우 이미지와 토양수분자료동화기법과 연계하여 매개변수 추출 후 Soil-Water-Atmosphere-Plant Model (SWAP) 모형(Kroes et al., 1999; van Dam et al., 1997)에 적용하여 Soil Moisture Percentile (SMP)과 SMDI를 산정하여 가뭄을 평가하였다. Park et al. (2021c)은 Landsat-8 위성영상을 활용 NDVI와 LST 토양수분지수(SMI)를 계산하여 액상화에 따른 토양수분지수 파악을 확인하였다.

마지막으로, 재분석 데이터 및 지표모델을 이용하여 증발산을 산정한 문헌으로 Cho et al. (2017)은 지표수문 해석모형인 Variable Infiltration Capacity (VIC) 모형을 이용하여 모의된 토양수분자료와 Soil Moisture Climate Change Initiatives (Soil Moisture CCI)에서 제공하는 위성 관측 토양수분을 비교하였고, Chun et al. (2017)은 Noah 3.3 지면모형을 이용하여 토양함수비를 추정하여 위성 기반 토양수분자료와 재분석 토양수분자료와 비교하였다. 여기에서 위성기반 토양수분자료는 European Space Agency (ESA) CCI로 능동, 수동 및 통합(combined) 세 가지 자료로 나뉘며 표층자료를 비교하는데 사용되었으며, 위성자료에서 얻을 수 없는 근역충(root-zone) 자료는 EuropeanCentre for Medium-Range Weather Forecasts(ECMWF)의 ERA-interim 재분석자료를 이용하여 비교·검증하였다. 또한 Noah 3.3 토양수분자료를 기반으로 전지구 5개 유역의 TWSA와 TWSC를 Gravity Recovery and Climate Experiment (GRACE) 관측 Total Water Storage Anomaly (TWSA)와 TWS Change (TWSC)와 비교하였다. 그 결과 유역별 상관관계가 다르게 나타나거나 지역별 아노말리 상관관계가 상이하게 나타났으며 이를 바탕으로 토양수분에 기반한 가뭄모니터링 활용가능성을 제시하였다. Park et al. (2020)은 MERRA와 ASOS를 NASA에서 개발한 지표모델인 LIS를 활용하여 한반도 지역의 수문인자를 산출하여 토양수분 및 증발산량에 대한 정확도를 평가하였으며, 이와 더불어 Park et al. (2021a; 2021b)는 LIS를 기반으로 구축된 K-LIS의 KLDAS를 사용하여 남한 전역을 대상으로 토양수분량을 산출하였다.

3. 세부 방법론

앞 절에서 위성기반 증발산량 및 토양수분량 산정의 국내 연구현황을 살펴본 결과, 증발산량은 대부분 에너지수지식 및 증발산 산출식을 사용하거나 NDVI와 증발산량과의 상관관계를 고려하여 여러 위성영상 보조 자료와 함께 회귀분석을 이용하는 방법이 많았고, 토양 수분량의 경우는 각 위성에 탑재된 마이크로파 센서의 알고리즘을 이용한 산출과 각종 위성자료와의 통계적 방법으로 산정하는 방식이 주를 이루었다. 한편, 공통적인 주제로는 가뭄 모니터링 등에 활용을 위한 가뭄 및 지표 수분량에 대한 지수를 산출하는 내용이 있었으며, 지표모형(LSM)을 사용하여 증발산량과 토양수분량을 산정하기도 하였다. 따라서, 본 절에서는 각각의 세부 방법론에 대한 설명을 통해 위성영상 자료를 활용한 증발산량 및 토양수분량 산정의 체계적 분류 및 관련 이론적 근거를 제시하고자 한다.

1) 증발산량

(1) 에너지수지기반 방법

에너지수지 방법은 대기와 지표 간의 단파, 장파복사 에너지 유출입을 기반으로 증발산량을 산출하기 위해 사용되는 방법으로 가시광선 및 근적외선 영역에서 지표면 반사율과 열대역의 지표면 온도를 통해 공기역학 요소를 에너지수지 방법에 도입하여 에너지수지-공기 동역학방법이라고도 불린다(Kalma et al., 2008; Sur et al., 2012b). 이는 증발산량을 에너지수지의 잔차를 이용해서 추정하는 방법으로 시공간적 증발산을 산정하기 위해 가장 많이 적용되는 접근방식 중 하나로 식(1)과 같이 표현된다.

R_n = G + H + LE       (1)

여기서 R_n는 순 복사에너지(W/m²), G는 토양열 플럭스(W/m²), H는 현열 플럭스(W/m²), LE는 잠열 플럭스(W/m²)이다. 식(1)에서 R_n과 G는 측정값이고 H는 공기 역학적 저항 방정식을 사용하여 추정할 수 있다. R_n은 식(2)와 같이 지표에 들어온 총 유입 복사에너지에서 총 유출복사에너지를 제하여 구할 수 있다.

R_n = R_S↓ – R_S↑ + R_L↓ – R_L↑       (2)

여기서 R_S은 단파복사(W/m²), R_L은 장파복사(W/m²), ↑은 대기의 유입, ↓은 유출을 의미하며 각 항의 차와 합을 통해 산정할 수 있다.

G는 경험식을 사용하여 추정되며(Bastiaanssen, 2000) 식(3)과 같다.

\(\begin{aligned}\frac{G}{R_{n}}=\frac{T_{s}}{\alpha}\left[0.0032 \alpha+0.0064 \alpha^{2}\right]\left[1-0.98 \mathrm{NDVI}^{4}\right]\\\end{aligned}\)      (3)

기서, T_s는 지표면 온도(°C), α는 알베도이다.

H는 지표면과 대기의 온도차로 대류 및 전도에 의한 열에너지로 지면과 대기 사이의 열 전달과정을 기반으로 지표면에서 풍속, 지표 거칠기, 지표와 대기 온도차를 이용하여 계산한다.

\(\begin{aligned}H=\frac{\rho C_{P} d T}{r_{a h}}\\\end{aligned}\)       (4)

여기서 ρ는 공기밀도(k/g³), C_P는 공기비열(j/kg/K), r_ah는 공기동역학저항(s/m), dT는 LST와 대기온도차(°C)이다.

① One Source Model (OSM)

One Source Model (OSM)은 토양 및 식생 구성 요소의 기여를 구별하지 않는다(Kustas and Norman, 1996). 또한 하나의 저항만 사용되고 모든 표면이 한 개의 유효 온도 및 습도 값으로 표시된다고 가정한다. 초기 one-source 지표 에너지수지 모델은 시공간의 확장성이 부족하고 데이터 의존성 크기 때문에 일반적으로 소규모 지역에 적용하였다(Bhattarai et al., 2016; Kustas and Norman, 1996).이러한한계를극복하기위해Bastiaanssen et al. (1998)는 SEBAL 알고리즘을 개발하였다. SEBAL은 이미지 프로세싱 기반 증발산 산정모델로 다른 모델과 비교 시 표면온도, 식생높이 같은 현장데이터를 비교적 적게 요구하며 에너지수지항 요소를 개별적으로 계산하여 각 항에 대한 개선된 연구가 가능해 모형의 성능을 향상시킬 수 있는 장점이 있다(Yoo, 2003). 또한 SEBAL 모델은 경험적 관계와 물리적 매개변수를 모두 사용한다. 가시광선, 근적외선, 열적외선복사 및 LST, NDVI, 알베도 등을 위성센서를 통해 얻으며 잠열 및 현열 산정은 각 픽셀별로 에너지수지방정식을 통해 산정한다. 각 픽셀별로 dT(표면공기온도차)값은 식(5)와 같이 T_s (지표면온도)와 선형관계를 통해 산정하며 이 때 지표와 대기의 온도차는 Anchor Pixels (Hot/Cold)를 이용하여 기준점을 결정한다. Hot 픽셀은 건조하고 식생이 거의 없는 지역(dry and bare)이며, Cold 픽셀은 습하고 식생이 잘 자란(wet and well vegetated) 지역으로 가정한다.

dT = x + yT_s       (5)

여기서 x와 y는 Hot 및 Cold 픽셀에서 얻은 경험계수이다.

Hot 픽셀에서 잠열은 0으로 가정되고 지표온도차 (dT_hot)는 식(6)을 통해 얻어진다.

\(\begin{aligned}d T_{h o t}=\frac{H_{h o t} r_{a}}{\rho C_{P}}\\\end{aligned}\)       (6)

여기서 H_hot은 R_n – G (순복사에너지와 토양열플럭스의 차)와 같다. Cold 픽셀에서 H는 LE가 R_n – G와 같은 값을 가지므로 결과적으로 dT_cold=0이다.

Hot 및 Cold 지점에서 지표-공기 온도 차이를 계산을 통해 식(5)의 계수 및 y를 구하여 각 픽셀에 대한 dT를 산정한 후 식(4)를 통한 반복 계산과정을 통하여 H를 구한다. 이 때 SEBAL을 통한 증발산 산정 시 분석된 위성 이미지 내에서 공기동역학 및 지표면 거칠기 편향을 감소시키기 위한 내부보정이 수행된다. 하지만 Hot과 Cold 픽셀을 선택할 때 주관적인 견해가 필요하므로 오류를 야기할 수 있으며 H값 추정 시 dT의 변화에 큰 영향을 받는다(Ha et al., 2010; Lee et al., 2016c; Lee et al., 2015a; Li et al., 2009).

METRIC은 SEBAL 모델의 변형모델로 복잡한 표면에 대한 증발산 산정이 가능하다. H를 산정하는 과정에 있어 SEBAL 모형과 차이를 보인다(Allen et al., 2007a; Allen et al., 2007b; Choi et al., 2011; Sur and Choi, 2011). SEBAL과 유사한 내부 보정과정은 공기역학적 안정성을 보정하고 표면 거칠기를 추정할 때 편향의 영향을 줄인다. METRIC과 SEBAL의 주요 차이점은 METRIC은 H_wet=0 또는 LE_wet = R_n – G를 가정하지 않고 Hot/Cold 픽셀의 H는 식(7), 식(8)과 같이 정의된다.

H_hot = (R_n – G)_hot – LE_hot       (7)

H_cold = (R_n – G)_cold – LE_cold       (8)

LE_cold의 값은 Cold 픽셀을 기반으로 하며 1.05ET_r로 가정한다. 여기서 ET_r은(Allen et al., 2005)의 PM 방법을 적용하여 계산된 알팔파 작물에 대한 기준증발산으로 잔디 기준증발산보다 20–30% 높다. 위성영상에서 식생이 빼곡하고 습하고 추운 농경지의 증발산의 비율은 알팔파 기준작물 비율보다 일반적으로 약 5% 더 높기 때문에 1.05 값을 사용한다(Senay et al., 2011). 또한 특정 개체군이 다소 습한 조건을 갖게 되며 ET가 더 높아진다. 따라서 METRIC에서 Cold 픽셀은 기준 작물(알팔파)과 유사한 특성을 기반으로 선택된다(Wright, 1982). Cold 픽셀에 대한 dT_cold는 식(9)~(11)을 통해 산정되며

\(\begin{aligned}d T_{\text {cold }}=\frac{H_{\text {cold }} r_{\text {ah cold }}}{\rho_{\text {air cold }} C_{P}}\\\end{aligned}\)       (9)

\(\begin{aligned}x=\frac{d T_{\text {hot }}-d T_{\text {cold }}}{T_{\text {s datum hot }}-T_{\text {s datum cold }}}\\\end{aligned}\)       (10)

y = dT_hot – bT_{s datum hot}       (11)

여기서 T_{s datum hot} 및 T_{s datum cold}는 Digital Elevation Model(DEM)과 각 픽셀에 대한 공통 표고 데이터로 조정된 온도이다. 이처럼 METRIC에서 증발비율 대신 기준증발산을 사용한다는 점에서 풍속 및 습도 변화영향을 더 잘 고려할 수 있으며 또 다른 장점은 식생의 발달단계와 유형에 대한 정보가 필요하지 않는다는 것이다(Allen et al., 2007b).

그 외 one-source 모델로는 SEBI, S-SEBI, SEBS 알고리즘 등이 있다. S-SEBI 알고리즘은 증발비율(EF)을 기반으로 한 에너지수지 기반 모델로 순간잠열을 증발비율(EF)과 R_n – G곱으로 산정하며 H의 계산을 필요로 하지 않는다(Roerink et al., 2000). Su (2002)에 의해 제안된 SEB System (SEBS)는 SEBAL과 METRIC과 유사하게 H에 대해서 dry 및 wet 기준을 기반으로 증발산을 산정한다. 위성으로부터의 LE와 H산정을 위한 모델 실행을 용이하게하며 에너지플럭스를 식생과 토양표면으로 분할하지 않고 원격탐사자료에서 대기난류플럭스와 표면증발비율(EF)을 추정한다(Friedl, 2002).

② Two Source Model (TSM)

Two Source Model (TSM)은 복사표면온도를 지표면을 토양과식생으로나누어처리하는개념으로Shuttleworth and Wallace (1985)와 Shuttleworth and Gurney (1990)가 개발한 초기 TSM에서 시작되었으며 위성자료 기반으로 증발산 산정 정확도를 개선하며 다양한 연구자들에 의해 수정되었다(Kustas and Norman, 1999a; 1999b; 2000). TSM식은 에너지수지식을 기반으로 식(12)와 같이 나타낸다.

Rn_c + Rn_s + G + H_c + H_s + λE_c + λE_s = 0       (12)

앞서 언급한 것과 같이 R_n는 순 복사에너지(W/m²), G는 토양열 플럭스(W/m²), H는 현열 플럭스(W/m²), λE는 잠열 플럭스(W/m²)를 의미하며 아래첨자 c와 s는 각각 캐노피와 토양을 의미한다(Agam et al., 2010). 현열 플럭스 산정은 식생과 토양의 합으로 식(13)과 같이 나타내며

\(\begin{aligned}H=H_{C}+H_{S}=\rho C_{P} \frac{T_{R A D}(\theta)-T_{a}}{r_{r}}\\\end{aligned}\)       (13)

여기서 T_RAD(θ)은 입사각 θ에서 복사표면온도(°C)와 같고, T_a은 캐노피 공기층 온도(°C), r_r은 복사대류저항(s/m)이며 T_RAD는 식(14)와 같이 산정한다.

T_RAD = [f_cT_c⁴ + (1 – f_c)T_s⁴]^1⁄4       (14)

이 때, T_s는 토양온도(°C), T_c는 캐노피 온도(°C), f_c는 캐노피 비율을 의미한다.

Anderson et al. (1997)은 TSM의 연장선으로 Two-Source Time-Integrated Model (TSTIM)을 제안했다. TSM 모델은 낮 시간 동안의 대기온도프로파일과 단일관측만을 이용하는 반면 TSTIM 두 개의 관측기간 동안 획득한 지표온도를 이용한다. TSTIM은 후에 Atmosphere Land Exchange Inverse (ALEXI)라는 이름으로 변경되었으며 (Mecikalski et al., 1999), ALEXI 모델을 기반으로 Norman et al. (2003)은 Disaggregated Atmosphere Land Exchange Inverse model (DisALEXI)를 제안했다. 이 모델은 관측 데이터를 필요로 하지 않으며 저해상도와 고해상도 원격탐사 자료를 결합하는 두 단계 과정을 거친다.

(2) PM 공식기반 방법

PM 방법은 가장 물리적인 개념에 바탕을 둔 증발산량 산정 방법으로서 정확도가 높은 것으로 알려져 있다(Lee et al., 2018; Monteith, 1965a; 1965b). Penman의 경험공식에 대한 많은 수정연구가 이루어지며 Monteith (1981)은 PM 방법을 제안하였다. PM 방법은 본질적으로 증발산을 직접 계산하거나 에너지수지 방정식과 함께 사용되어 H를 추정한다(Zhang et al., 2016). 특정 입력변수에 대한 의존성이 낮으며 외부 환경 요인에 의한 오차 발생이 적다. 대표되는 기준증발산 산정모형은 원격탐사를 이용하여 얻어진 식생정보를 이용하여 캐노피 컨덕턴스를 산정하여 기준증발산을 산정하는 방법이다(Kalma et al., 2008; Sur and Choi, 2011). PM 방법은 일반화된 Penman 방정식으로 식(15)와 같이 나타낸다.

\(\begin{aligned}\lambda E=\frac{\Delta\left(Q_{n}-G\right)+\rho_{a} c_{P} \frac{\left(e_{s}-e_{a}\right)}{r_{a}}}{\Delta+\gamma\left(1+\frac{r_{s}}{r_{a}}\right)}\\\end{aligned}\)       (15)

여기서 Δ는 증기압곡선의 기울기(kPa/°C), ρ는 공기밀도(kg/m³), c_P는 공기 비열(j/kg/K), r_a는 공기동역학저항(s/m), r_s는 지표저항(s/m), e_s는 포화증기압(Pa/K), e_a는 실제증기압(Pa/ K), γ는 습도계상수(Pa/K)이다.

Cleugh et al. (2007)은 잎 기공 컨덕턴스를 캐노피 컨덕턴스로 확장하는 방법을 사용하여 호주 두 지역에 대한 높은 정확도의 증발산 추정결과를 보이며 모델의 효용성을 검증하였다. 더 나아가 Mu et al. (2007)은 PM 방정식을 통해 식생 뿐만 아니라 토양 증발을 직접 계산하는 접근 방식을 개발하였다. 이는 Cleugh et al. (2007)에 의해 제안된 PM 방법을 향상시켜 식생으로부터의 증발산량과 토양으로부터의 증발량의 합으로 구성된 식으로 식(16)과 같으며 아래 첨자 v와 s는 각각 식생과 토양을 의미한다(Jeong et al., 2009).

λE = λE_v + λE_s       (16)

여기서 토양 증발량(λE_s)은 식(17)과 같으며

\(\begin{aligned}\lambda E_{s}=\frac{\Delta \cdot A_{s}+\rho C_{p} \frac{\left(e_{s}-e_{a}\right)}{\gamma_{a}}}{\Delta+r \cdot \frac{\gamma_{\text {tot }}}{\gamma_{a}}} \cdot\left(\frac{R_{H}}{100}\right)^{(e s-e a) / 100}\\\end{aligned}\)       (17)

r_tot는 상대습도(%)를 의미하며 A_s는 수분이동에 대한 공기역학적 저항의 총량(s/m)을 의미한다. Mu et al. (2011)은 식생 피복 비율의 계산을 단순화, 증발산량을 주간, 야간으로 구분, 토양플럭스(G), 기공 전도도 공기역학적 저항 및 경계층 저항의 추정치 개선, 젖은(wet) 캐노피 표면으로부터의 건조한(dry) 캐노피 분리, 토양 표면에 대해 포화 및 수분 표면 구분과 토양의 증발은 포화습윤 표면으로부터의 잠재적 증발과 수분 표면으로부터의 실제증발산을 포함한다는 개념을 도입하여 Cleugh et al. (2007)의 식을 개선하였다. 개선된 식은 MOD16 증발산 자료를 산정하는데 사용되었으며, MOD16 모델은 NASA의 MODIS 센서를 사용하여 전지구적 증발산 자료를 제공한다(Running et al., 2017; Jeon et al., 2021a). 하지만 PM 방법은 광역적으로 적용하기에 한계가 있으며 많은 입력자료가 요구되어 PT 방법과 같은 상대적으로 적은 자료를 적용할 수 있는 방법이 제시되었다. PT 방법은 Penman 방법을 단순화한 것으로 공기동역학적 인자를 계산하지 않고 습윤한 조건을 가지는 지역에서 증기압차가 미치는 영향을 배제한다는 가정을 기반으로 공기동역학적 인자를 특정 계수 값으로 가정화한식으로 식(18)과 같이 증발산을 산정한다(Priestley and Taylor, 1972; Lee et al., 2011; Suret al., 2012a; Baik et al., 2016).

\(\begin{aligned}P E T=\alpha \frac{\Delta}{\Delta+\gamma}\left(R_{n}-G\right)\\\end{aligned}\)       (18)

여기서 PET는 잠재증발산량(mm/d)을 의미하며, α는 위성데이터와 경험적 또는 반경험적(semi-empirical) 관계를 사용하여 수표면 또는 포화된 지표면에서 1.2–1.3의 값을 갖는다. PT 방법은 잠재증발산을 산정하기 때문에 실제증발산을 산출하기 위해서 Fisher et al. (2008)은 PT-JPL 방법을 제시하였다. 이 알고리즘은 식(19)와 같이 식생과 토양에 관한 세가지 항의 합을 이용하여 계산된다.

LE = LE_i + LE_c + LE_s       (19)

이때 LE_i는 식물이 가로채는(intercepted) 증발을 의미하며 LE_c, LE_s는 각각 캐노피와 토양의 증발(W/m²)을 의미한다.

Yao et al. (2013)은 PT-JPL에서 보다 많은 항을 고려하고 개선한 MS-PT를 제시하였다. 캐노피와 지표를 나눈 뒤 세부적으로 4가지 개념으로 세분화하여 각 항을 더하여 실제증발산을 산정하며 식(20)과 같다.

LE = LE_S + LE_c + LE_ws + LE_ic       (20)

여기서, LE_S는 토양 증발(W/m²), LE_c는 캐노피 증발(W/m²), LE_ws는 습윤토양 증발(W/m²), LE_ic는 식물이 가로채는(intercepted) 증발(W/m²)을 의미한다(Baik et al., 2018; Baik et al., 2016; Yao et al., 2013).

(3) 통계적 방법

증발산량의 추정을 위한 다수의 연구에서 위성기반 NDVI와 Morton (1978)의 보완관계식에 의한 토지피복별 증발산량과의 회귀분석을 통한 상관식을 이용하는 방법론을 제시하였다(Jeong and Shin, 2006; Kwon et al., 2005; Shin et al., 1995; Shin and An, 2004; Shin et al., 2006a; Shin et al., 2006b; Shin and An, 2007; Shin et al., 2010). NDVI는 지점의 식생상태를 대표하며 증발산량에 영향을 끼친다. 또한 증발산량은 기상조건과 밀접한 관계가 있어 증발산량, NDVI, 기상조건은 서로 상관관계를 가진다. NDVI는 식생피복정보를 얻기 위해 사용되며 가장 보편적으로 사용되고 있는 식생지수로 다음과 같다.

\(\begin{aligned}NDVI=\frac{NIR+Red}{NIR-Red}\end{aligned}\)       (21)

여기서 NIR은 근적외선밴드, Red는 적외선밴드의 반사율을 의미한다.

산정된 NDVI로부터 증발산량을 산정하기 위하여 실제증발산량이 필요한데 광역의 증발산량을 직접 구하는 것은 실질적으로 불가능한 일이다. Morton (1978)은 실제증발산량과 잠재증발산량이 서로 보완관계에 있으며 그 합은 Priestly-Taylor의 잠재증발산량의 2배와 같다는 다음 관계식을 제안하였다.

E_T + E_TP = 2E_Tw       (22)

여기서 E_T는 유역의 실제증발산(mm/d), E_TP는 지점의 잠재증발산(mm/d), E_Tw는 잠재증발산량(mm/d)을 의미하며 유역의 실제증발산량과 지점의 잠재증발산량 합이 유역 잠재증발산의 2배과 같다는 이론으로 수분이 전혀 공급되지 못할 때 E_T는 0이 되며, E_TP 최대치는 2E_Tw이다. 하지만 Morton의 보완관계식은 경험식을 이용하여 구해야 하는 요소가 많기 때문에 나아가 Brutsaert and Stricker (1979)는 Penman식과 PT 방법을 직접 이용하는 개량된 보완관계식을 제안하였다.

E_a = 2E_P – E_Pp       (23)

여기서 E_a는 실제증발산량(mm/d), E_P는 Priestly-Taylor식에 의한 잠재증발산량(mm/d), E_Pp는 Penman식에 의한 잠재증발산량(mm/d)이다. 이와 같은 상관성을 이용하여 보완관계식으로부터 구해진 실제증발산량과 회귀분석을 통해 NDVI와 기온자료로부터 증발산량을 추정하기 위한 산정식을 개발하여 증발산량을 산정하였다. 이 외 인공지능을 기반으로 한 연구는 이어지는 토양수분량의 통계적 방법에서 통합하여 그 주요 이론을 살펴보고자 한다.

2) 토양수분량

(1) 마이크로파 센서 기반

마이크로파 센서(microwave sensor)를 통한 원격탐사는 0.3–300GHz 사이의 주파수를 가지며 가시광선 및 적외선 복사에 비해 파장이 더 길기 때문에 구름, 강우량, 에어러솔(aerosol)의 영향을 크게 받지 않아 대기 산란에 덜 민감하며 대부분 기상에 상관없이 관측이 가능하다(Engman, 1990). 마이크로파 신호를 통한 토양수분 산출은 물과 토양입자간 유전상수값 차이를 통해 지표의 토양수분을 산정할 수 있다. 하지만 토양 표면에서 수신된 마이크로파 신호를 분석하고 실제로 토양 수분 함량을 산정하는 것은 수신 신호에 영향을 미치는 센서(파장, 편광, 입사각)의 수와 표면 특성으로 인해 제약을 받는다. 마이크로파 센서는 크게 수동센서(passive)와 능동센서(active)로 구분되며 수동센서는 자연적으로 방출에 대한 파장을 측정하며 능동센서는 자체적으로 인공적인 마이크로파 펄스를 송수신한다. 수신신호는 후방산란계수를 결정하기 위해서 전송신호와 비교된다(Jackson and Le Vine, 1996). 위성별로 토양수분을 산출하는 알고리즘은 토지피복, 지형, 식생들에 의해 위성별로 불확실성이 다양하게 나타난다(Baik et al., 2019; Gruber et al., 2016). Table 3은 현재 토양수분량 산정에 활발하게 이용되고 있는 마이크로파 센서에 대한 간략한 정보를 나타낸 것이다.

Table 3. Microwave sensors for satellite-based soil moisture estimation

① 수동형 센서

수동 마이크로파 센서는 자연적으로 방출되는 에너지를 감지한다. 방출된 에너지는 밝기온도로 표현되는데 이때 지표면에서 방출된 밝기온도(T_B)는 물리적온도(T_s)와 방사율에 의해 식(24)와 같이 산정된다(Owe et al., 2001).

T_B = e_sT_s       (24)

이 때 방사율(e_s)은 식(25)와 같으며 Γ_{s, p}는 매끄러운 토양 표면(smooth soil surface)의 반사율을 의미한다.

e_s = 1 – Γ_{s, p}       (25)

토양층의 반사율은 식(26~27)과 같이 프레넬 공식으로 산정할 수 있다.

\(\begin{aligned}\Gamma_{o v}=\left|\frac{\varepsilon_{s} \cos \theta \varepsilon-\sqrt{\varepsilon_{s}-\sin ^{2} \theta}}{\varepsilon_{s} \cos \theta+\sqrt{\varepsilon_{s}-\sin ^{2} \theta}}\right|^{2}\\\end{aligned}\)       (26)

\(\begin{aligned}\Gamma_{o h}=\left|\frac{\cos \theta-\sqrt{\varepsilon_{s}-\sin ^{2} \theta}}{\cos \theta+\sqrt{\varepsilon_{s}-\sin ^{2} \theta}}\right|^{2}\\\end{aligned}\)       (27)

첨자 v와 h는 수평과 수직을 나타내며, θ는 입사각(°), ε_s는 유전상수를 나타낸다(Barrett et al., 2009). 유전상수의 계산은 표면 온도와 토양특성과 수분 함량에 따라 달라지기 때문에 일부 알고리즘은 토양유형 함수로 토양 온도, 표면 및 깊이에서의 토양 온도, 수분 또는 토양 유전 상수를 계산한다(Choudhury et al., 1982).

초기 마이크로파 복사계는 해상도가 좋지 않거나 파장이 짧지만(SMMR 및 SSM/I) 토양수분 산정 가능성이 입증되었다(Eagleman and Lin, 1976). 그러나 표면 거칠기, 식생 피복 및 토양의 영향으로 인해 밝기 온도를 통한 토양 수분산정에 어려움이 생긴다. 예를 들어, 캐노피에서 방출되는 마이크로파복사는 토양의 방출과 혼동되어 표면의 복사를 증가시키고 따라서 밝기 온도를 증가시킨다. 거칠기 또한 밝기온도와 직접적인 관련이 있어 토양수분에 대한 민감도를 감소시켜 많은 연구자들은 토양의 거칠기를 고려한 산정 알고리즘을 제시하였다(Bindlish et al., 2003; Njoku et al., 2003; Parrens et al., 2017).

일반적으로 토양수분 산정 알고리즘은 밝기온도(T_B)와 토양유전상수(k)를 연결하기 위해 복사전달모델(Radiative Transfer Model, RTM)과 유전혼합모델을 사용한다. RTM모델은 0차 복사전달 모델로 식생광학깊이(Vegetation Optical Depth, τ)와 단일산란알베도(ω) 두 매개변수를 가지고 식생으로 인한 산란을 매개변수화하여 τ – ω모델이라고 불리며 다음과 같이 밝기온도를 산정한다(Mo et al., 1982; Tsang et al., 1985; Ulaby et al., 1986; Wigneron et al., 2003).

T_B^c = T_sε_rΓ_c + T_c (1 – ω) (1 – Γ_c)+ T_c (1 – ω) (1 – Γ_c) (1 – ε_r) Γ_c       (28)

Γ_c = exp (– τ_c sec θ)       (29)

여기서 T_B^c는 식생에서 측정된 밝기온도(°C)이며, T_s와 T_c는 각각 토양과 캐노피의 물리적온도(°C), ω는 단일산란알베도이다. 이 때 Γ_c는 식(29)와 같이 τ_c (식생광학깊이)에서 계산된 식생의 투과율을 의미한다.

대부분 토양수분 산정 알고리즘은 Mo et al. (1982)의 τ – ω 모델을 사용하여 식생효과를 정량화한다. 또한 이를 이용한 토양수분 산정 알고리즘은 순방향모델(forward model)과 역방향모델(inverse model) 두 가지 방법을 이용한다. 순방향 모델은 산정과정에서 토양 수분값으로 밝기 온도를 추정하기 위해 유전혼합모델-복사 전달방정식을 이용하며 관측된 밝기 온도와 추정값 사이의 오차를 기반으로 가정한 토양 수분 값을 반복적으로 계산한다. 역방향모델은 편광에 해당하는 측정된 밝기 온도가 선택되고 토양수분을 산정하기 위해 복사전달방정식 및 유전체 혼합 모델의 역방정식이 사용된다(Karthikeyan et al., 2017). SMOS 및 SMAP의 등장으로 다중각도이중편광 밝기온도를 관찰할 수 있게 되며 L-band기반 토양수분 산정 알고리즘인 L-band Microwave Emission of the Biosphere (L-MEB)은 현재 SMOS 위성의 임무에 사용되는 알고리즘 중 하나이다. 또한 대표적으로 LPRM (Owe et al., 2001)와 JAXA (Koike et al., 2004)의 알고리즘 등은 앞서 언급한 복사전달이론을 기반으로 Mo et al. (1982)의 τ – ω 모델을 활용하여 식생토양을 설명한다.

ⅰ) Advanced Microwave Scanning Radiometer-Earth Observing System (AMSR-E)

AMSR-E는 Earth Observing System (EOS)Aqua 위성에 탑재된 센서로 일본 National Space Development Agency of Japan (NASDA)에서 개발했으며 미국 NASA에 의해 2002년 5월 4일에 발사되었다. 6.9–89 GHz 범위의 6개 주파수를 통해 측정하며 안테나는 1,445 km 범위에 걸쳐 55°의 고정된 입사각을 통해 스캔한다(Draper et al., 2009). 6.9 GHz 채널에서 RFI가 나타나며, 현재 AMSR-E는 안테나의 회전 문제로 인해 2011년 10월 4일에 작동을 멈추며 후속 인공위성인 GCOM-W1의 AMSR2 센서가 뒤를 이어 관측을 실시하고 있다. AMSR-E는 5–50 km의 큰 공간해상도로 토양수분의 변동성이 높으며 2cm의 얕은 관측심을 가진다. AMSR-E 토양수분 산정 알고리즘은 관측 T_b와 계산 T_b를 서로 비교하는 복사전달모델의 역전을 기반으로 하며 AMSR-E 토양수분자료는 USDA, VUA, NSIDC 및 JAXA를 통해 제공된다(Njoku et al., 2003).

ⅱ) The Advanced Microwave Scanning Radiometer 2 (AMSR2)

AMSR2센서는 JAXA에 의해 2012년 5월 17일에 발사된 Global Change Observation Mission 1-Water1 (GCOM-W1)에 탑재된 센서로 AMSR-E에 대한 특성을 바탕으로 몇 가지 사항이 개선되었다. 6.9 GHz 채널의 RFI를 개선하기 위해 7.3 GHz 채널이 추가되었으며 복사계의 밝기온도(Tb) 관측을 제공하기 시작했다(Parinussa et al., 2015). 또한 반사판의 직경이 2.0 m 더 커져 공간해상도가 향상되었으며 모든 채널에 대하여 보정 시스템이 개선되었다. AMSR2는 overpass time, ascending (13:30) 및 descending (01:30)에 따라 하루 두 번 측정하며, 토양수분 자료는 USDA, VUA, NSIDC, JAXA 등에서 제공하며 대표적 알고리즘으로는 JAXA와 LPRM 알고리즘이 있다. 특히, JAXA는 X-Band AMSR2 토양수분 자료를 제공하며(Fujii et al., 2009), NASA 또한 LPRM 알고리즘을 통하여 C1, C2, X-band의 산출물로 제공하고 있다(Owe et al., 2001; Owe et al., 2008). JAXA에서는 GCOM-W1 위성개발과 함께 토양수분산출 알고리즘을 구축했다. Fujii et al. (2009)는 10–36 GHz 주파수에서 얻은 밝기온도와 lookup table (LUT) 방법을 이용한 알고리즘을 제시하였다. 복사전달모형 이론을 기반으로 식생지역에서의 밝기온도는 지표면에서의 식생층을 통과하며 소멸된 복사, 식생에서 대기방향으로 방출되는 복사, 대기에서 반사되어 돌아오는 복사의 합과 같다는 개념으로 식(30)과 같다.

Tb_{c, p} = Tb_{s, p} · e^–τ_c + (1 – ω_C) (1 – e^–τ_c) · T_c+ (1 – ω_C) (1 – e^–τ_c) · T_c · Γ(θ, p) · e^–τ_c (30)

여기서 Tb_{c, p}는 지표에서 밝기온도이며 이 때 Γ_c는 τ_c (식생광학깊이)에서 계산된 식생의 투과율을 의미하며 ω_c는 단일산알베도, T_c는 식생의 온도, Γ는 프레넬 반사율, θ는 입사각을 의미한다. 또한 네덜란드 암스테르담 대학에서 AMSR-E 센서의 토양수분 산정 알고리즘을 개선하기 위해 LPRM 알고리즘을 개발하였다. LPRM에서 사용된 방법론은 식생광학깊이를 계산하는 전방 모델(forward model)의 비선형적인 반복 절차를 사용하며 온도의 변동성을 정규화한 Microwave Polarization Difference Index (MPDI)를 이용하여 식생 투과 깊이에서의 복사 전달모형을 해석한다(De Jeu and Owe, 2003; Owe et al., 2001).

\(\begin{aligned}MPDI\frac{Tb_v-Tb_H}{Tb_v+Tb_H}\end{aligned}\)       (31)

MPDI는 식생의 캐노피, 토양에서의 복사 방출을 포함할 뿐만 아니라 유전체 특성에 대한 정보를 포함하기 때문에 식생 투과 깊이(vegetation optical depth), 토양 유전율 상수 간의 이론적인 관계를 제시한다. 이처럼 LPRM 알고리즘은 마이크로파 토양수분자료와 관측자료를 입력자료로 이용하는 반복과정을 통하여 최적 토양수분정보를 산출한다(Owe et al., 2008).

ⅲ) Microwave Imaging Radiometer using Aperture Synthesis (MIRAS)

SMOS위성은 2009년 11월에 발사된 ESA(유럽우주국)의 프로젝트로 Microwave Imaging Radiometer Using Aperture Synthesis (MIRAS)를 이용하여 토양수분 및 해양염도를 측정하기 위해 발사되었다. MIRAS는 2차원 합성개구형복사계로 넓은 관측범위를 가지며 공간해상도는 35–50 km이며 1–3day의 시간 해상도를 가진다. 또한 1.43 GHz의 L-band에서 밝기온도를 관측하는데 L-band는 상대적으로 파장이 길며 수분과 염도에 민감하게 반응하여 토양수분 산정에 적절한 것으로 알려져 있다(Kerr et al., 2012). 하지만 동아시아의 경우 RFI에 의해 밝기온도가 오염되어 SMOS 데이터의 사용이 제한적이다(Kim et al., 2016a).

ⅳ) Soil Moisture Active Passive (SMAP)

미국 NASA의 SMAP 위성은 전 지구의 토양수분을 관측하는 전용위성으로 2015년 1월 31일에 발사되었다. SMAP의 L-band 주파수는 주/야간 구름과 식생피복을 통과해 토양수분량의 측정이 가능하다. 토양수분 자료의 공간 해상도는 36 km이고, 레이더 기반 공간 해상도는 3 km이며 정교한 RFI 하드웨어 및 소프트웨어를 통해 비교적 밝기온도를 얻을 수 있다(Chan et al., 2016). SMAP은 토양에 함유된 수분의 상변화에 민감하여 수분상태에 따라 산출이 가능하다. 특히 고위도지역 관측이 가능하며 2~3일마다 고해상도 토양 수분 및 동결-해동 상태의 토양수분 관측이 가능하며 약 1,000 km의 관측너비로 전지구적 토양수분을 관측한다(Chan et al., 2016; Lee et al., 2018d; Shin et al., 2017). 하지만 2015년 7월 능동형 센서(레이더, 1.3 GHz)의 고장으로 수동형센서만 작동 가능하다.

② 능동형 센서

능동 마이크로파 센서는 자체적으로 광원을 제공하고 전송된 복사와 수신된 복사 사이의 전력 차이를 측정하여 후방산란신호를 얻는다(Barrett et al., 2009). 후방산란신호는 레이더 센서에 의해 물체의 표면에서 반사되어 수신된 방사양이다(Wagner, 1998). 후방산란은 식(32)를 통해 데시벨값으로 변환된다(Baghdadi et al., 2008).

σ°_dB = 10log₁₀(σ°)       (32)

후방산란신호를 통해 토양수분을 추정하기 위해 일반적으로 경험적, 반경험적(semi-empirical), 그리고 이론적 모델이 사용된다. 경험적모델은 토양 표면에서 레이더 센서로 반사되는 후방 산란 신호(σ°)의 여러 지점의 측정에서 비롯된다. 일반적으로 특정 데이터 세트에서 파생되기 때문에 거칠기, 파장, 입사각 및 토양 수분 함량에 대해 특정 영역에서만 유효하며 많은 실험 측정 데이터가 필요하며(Oh et al., 1992) 시공간적으로 적용이 제한된다는 단점이 있다. 즉 파장, 입사각, 표면거칠기, 식생밀도, 지형 같은 조건이 변경되면 적용되기 어렵다(Wang and Schmugge, 1980; Chen et al., 1995; Dubois et al., 1995).

이론적 모델은 전체 캐노피에 대한 산란을 설명하기 위해 복잡한 방정식으로 구성된다. 파장과 표면 거칠기의 범위에 따라 적용 범위가 달라지며 작은 편차는 후방 산란 산정에 있어 큰 차이를 유발한다(D’urso and Minacapilli, 2006; Fung et al., 1992). 일반적인 이론모델은 Geometrical Optics Model (GOM), Physical Optics Model (POM), and the Small Perturbation Model (SPM)로 구성된 Kirchhoff 모델이 있으며(Ulaby, 1982) GOM, POM, SPM은 각각 매우 거친 표면, 중간 거칠기, 거칠기가 작은 표면에 적합하다(Engman and Chauhan, 1995). Fung et al. (1992)에 의해 제안된 Integral Equation Model (IEM)은 Kirchhoff 모델과 SPM을 통합하여 더 넓은 범위의 거칠기 조건과 파장에 적용할 수 있으며 IEM은 유전상수, 센서 매개변수, 파장, 편광, 입사각 등의 함수로 후방 산란 계수를 산정한다.

반경험적 모델은 이론적 모델을 기반으로 측정데이터를 사용하여 모델을 단순화하는 개념으로 위 두 모델의 이론을 공통적으로 가진다(D'urso and Minacapilli, 2006). 지표 거칠기에 대한 조건을 단순화하고 표면 거칠기에 대한 정보 없이 적용 가능하며 식생표면보다 식생이 없는 지역(bare soil)에 적합하다. 최초의 반경험적 모델은 Oh et al. (1992)에 의해 제시되었으며 광범위한 데이터는 L 및 X 밴드를 통해 편광 산란계에서 수집되며 이론모델(SPM 및 KM)을 기반으로 한다. Attema and Ulaby (1978)은 반경험모델 중 대표적인 Water Cloud Mode (WCM)모델을 제안하였다. 후방산란계수는 지표면 거칠기와 식생에 따라 영향을 받는데 WCM모델은 후방산란 모델 중 식생을 고려한 모델로 식생을 구름처럼 수분으로 가정하여 후방산란계수를 식(33)처럼 2개 항으로 나누어 계산한다.

σ_T⁰ = σ_veg⁰ + t² σ_soil⁰       (33)

여기서 σ_T⁰는 전체후방산란계수이며, σ_veg⁰는 식생의 후방 산란계수, σ_soil⁰는 토양의 후방산란계수로 아래와 같이 산정한다.

σ_veg⁰ = AV₁ cos θ (1 – t²)       (34)

t² = exp(– 2BV₂ sec θ)       (35)

σ_Soil⁰ = CM_v + D       (36)

이 때 t²은 식생의 2중간섭을 의미하는데 이는 지표면 충돌 전 식생을 통과하거나 지표면충돌 후 식생을 거치는 것을 의미한다(Attema and Ulaby, 1978; Cho et al., 2021). θ는 입사각 V₁, V₂는 식생의 수분을 의미하며 A, B, C, D는 각각 식생 및 토양매개변수이다.

ⅰ) Advanced SCATterometer (ASCAT)

유럽기상위성기구(European Organization for the Exploitation of Meteorological Satellites, EUMETSAT)는 기상과 환경 및 기후 모니터링을 목적으로 MetOp 위성을 2006년에 발사하였다. 이 위성에 탑재된 ASCAT 센서는 C-band (5.255 GHz) Active Microwave를 이용하여 토양수분 자료를 측정하고 있다(Baik et al., 2019; Cho et al., 2015; Jeong et al., 2018). MetOp 위성에 탑재된 ASCAT 센서는 원래 해양의 풍속을 모니터링 하기 위해 고안되었으나 측정되는 후방 산란 신호에는 토양수분에 대한 정보가 포함되어 있어 토양수분량 산정에도 사용되고 있다. 3개의 레이더 안테나 빔이 3개의 다른 방위각으로 연속적인 지상 폭을 추어 후방산란을 측정하며 C-band(5.255 GHz)에서 VV 편광을 사용하여 약 25–50 km의 공간 해상도로 토양수분자료를 제공하고 있다(Jeon et al., 2021a; Kim and Choi, 2015).

ASCAT 토양수분은 비엔나 공과대학(TU Wien)에서 개발한 change detection method 기반 알고리즘을 통해 산정하였는데 모델의 주요 가정은 1) 후방 산란과 토양 수분 사이의 선형 관계를 나타냄, 2) 후방 산란계수의 입사각에 대한 의존성, 3) 식생의 변화도는 “교차 각도”를 통해 서로 상쇄되며, 4) 표면의 조도와 토지피복은 시간관계없이 일정함과 같다(Wagner et al., 1999). ASCAT 토양수분량은 다음의 식(37)을 통해 산정할 수 있다.

\(\begin{aligned}m_{s}(t)=\frac{\sigma^{0}(t)-\sigma_{d r y}^{0}(t)}{\sigma_{\text {wet }}^{0}(t)-\sigma_{d r y}^{0}(t)}\\\end{aligned}\)       (37)

식에서 σ⁰는 측정된 후방산란계수(dB)를 나타내며 σ_dry⁰(t)와 σ_wet⁰(t)는 오랜 기간 동안 한 위치(픽셀)에서 측정된 값 중 가장 건조하고 습윤한 기후 상태에서의 후방산란계수를 의미한다. 토양수분은 표면층(0.5–2 cm)에 대해 0–100% 사이의 포화도 단위로 제공되며 EUMETSAT의 H SAF (https://hsaf.meteoam.it/)를 통해 토양수분 자료를 얻을 수 있다.

θ = m_s · ρ       (38)

식(37)에서 산정된 포화도는 해당 지역 토양의 공극률(ρ) 상태에 따라 식(38)과 같이 수분함량으로 변환할 수 있다(Petropoulos et al., 2015; Wagner et al., 1999; Wagner et al., 2013).

ⅱ) Synthetic Aperture Radar (SAR)

공간 해상도가 높아지고 관측주기가 짧아진 SAR 위성의 수가 증가함에 따라 SAR를 통한 토양 수분을 산정 가능성이 높아졌다. ENVISAT이 2002년 발사되며 적용범위, 입사각, 편광 및 작동모드 측면에서 개선되어 Advanced SAR (ASAR)와 함께 관측 가능성을 높였다. 또한 SAR 측정을 통한 토양수분을 산정하기 위해 다양한 접근방식이 개발되며 후방산란을 이용한 이론적, 경험적, 반경험적 모델이 제시되었다(Baghdadi et al., 2008; Barrett et al., 2009). SAR는 직접적으로 토양수분 자료를 제공하지는 않고 지표관측 이미지 자료를 통해 토양수분을 산정할 수 있으며, 지표면으로부터 반사 및 산란되어 나오는 마이크로파의 신호의 크기, 즉 수신된 후방산란의 단위면적당 신호의 크기를 측정한다(Hallikainen et al., 1985; Ulaby, 1982). 자료는 유럽의 ESA(https://scihub.copernicus.eu/)와 미국의 Alaska Satellite Facility (https://search.asf.alaska.edu/)를 통해 제공되고 있으며, 대표적인 산출방법으로는 센서에서 방출한 신호가 식생, 지표면 등에 충돌한 후 반사된 신호를 기반으로 한 WCM 방법이 있다(Attema and Ulaby, 1978). 국내 위성기반 토양수분 산출연구에서는 Sentinel-1A/B 위성에 탑재된 C-밴드 SAR를 이용한 문헌만이 존재하였다. Sentinel1A/B은 ESA에서 Copernicus Program의 일환으로 발사한 SAR 센서를 탑재한 위성으로 10m의 공간해상도를 가져 고해상도 토양수분 산정이 가능하다. 2014년 발사된 Sentinel-1A와 2016년 발사된 Sentinel-1B 위성이 각각 12일 주기로 SAR 영상을 제공한다. 2021년 12월 이후로 Sentinel-1B는 전원장치 이상으로 운영이 종료되었다. 마이크로파의 송신 및 수신 방향에 따라 Vertical Transmit–Vertical Receive (VV), Vertical Transmit–Horizontal Receive (VH), Horizontal Transmit–Horizontal Receive (HH), Horizontal Transmit–Vertical Receive (HV)의 4가지 종류의 영상을 얻을 수 있으며(Chung et al., 2021; Lee et al., 2017b), 해상도와 주사폭에 따라 Stripmap (SM), Interferometric Wide Swath (IW), Extra Wide Swath (EW), Wave (WV)의 4가지 영상 취득 모드를 제공한다(Kim et al., 2020).

(2) 통계적 방법

통계적 방법으로는 다중선형회귀(MLR) 방법과 함께 기계학습법인 SVM 및 RF와 신경망기법인 인공신경망(Artificial Neural Network,ANN),심층신경망(Deep Neural Network, DNN) 등의 연구가 활발하게 진행되고 있다. SVM은 커널함수를 이용하여 최적분류를 수행하고 회귀모형을 결합한 분석이 가능한데(Kim et al., 2017b; Lee et al., 2017), 이때 각 그룹별로 회귀모형을 적용하여 SVR이라고도 불린다. 기계학습에서는 주어진 케이스만을 과도하게 학습하여 특이 케이스에는 대처하지 못하는 과적합의 문제가 발생할 수 있다. RF는 다수의 의사결정트리(decision tree)를 임의적으로 학습시키는 방법으로 훈련 자료로부터 반복적인 랜덤 샘플링을 통해 약간씩 다른 특징을 가지는 무수히 많은 의사결정트리를 생성하고 분포의 적합성에 따라 부트스트랩(bootstrap)으로 리샘플링을 수행하여 모든 의사결정트리 결과를 앙상블하여 통합하는 배깅기법(bootstrap aggregating, Bagging)이다.

신경망은 원하는 출력 결과를 생성하기 위해 서로를 보완하는 일련의 수학 함수로 구성된 인공 지능 기술로 입력 정보를 원하는 출력 결과로 변환하기 때문에 신경망 응용 프로그램을 역모델(inverse model)로 설명하며 인공신경망 기법의 적용성을 크게 높인 역전파알고리즘(back-propagation algorithm)을 이용한다(Chai et al., 2008; Kim and Park, 2011; Park and Kim, 2011). 역전파(backpropagation)과정은 손실 함수의 경사소실(vanishing gradient)을 방지하는 활성화함수(activation function)로 심층 네트워크를 최적화할 수 있다(Goodfellow et al., 2016). 신경망 적용은 입력 매개변수에 매우 민감하기 때문에 입력과 출력 결과 사이의 바람직한 상관관계를 설계하기 위한 복잡한 계산 네트워크를 가지고 있다. 인공신경망의 경우 최적해를 찾기 전 수렴으로 교착상태에 빠져버리는 지역최적해의 문제가 발생할 수 있어 과적으로 더 나은 출력 정확도를 얻기 위해 적절한 입력 매개 변수를 통합하고 과훈련(over-training) 없이 획득한 훈련 픽셀을 신중하게 선택하는 사용자 경험이 필요하다(Ahmad et al., 2006). 딥러닝 기법 중 하나인 DNN은 심층 네트워크 학습을 통해 신경망의 지역최적해 문제와 기계학습 방법 과적합 문제를 해결할 수 있는 각 방법의 장점을 결합한 방법이다(Kim et al., 2017b). 이처럼 인공지능기법을 통해 토양수분을 산출한 연구는 대부분 강수자료를 활용하는데 이는 실질적으로 토양수분에 미치는 환경적 영향과 레이더신호와의 상관성을 입증하기 어려운 한계가 존재한다. 따라서 센서와 수문인자를 고려한 양질의 학습데이터 구축과 산정된 토양수분과 인자간의 관계성 도출연구가 필요하다(Jung et al., 2021).

또한 통계적 기법 측면에서 살펴보았을 때, 대부분 국내연구는 MODIS 자료를 기반으로 NDVI, 지표면온도(LST)와 같은 인자와 토양수분 과의 상관관계를 활용해 토양수분을 산정하였다(Jang et al., 2019; Lee et al., 2017). 이 뿐만 아니라 Scott et al. (2003)이 제안한 경험식(식(39), (40))에 위성 이미지 자료를 적용하여 토양의 증발량과 실측된 토양수분 관계를 이용하여 다음과 같이 토양수분을 산정하였다(Kim et al., 2017a; Shin et al., 2017).

\(\begin{aligned}\Lambda=\frac{\lambda E}{\lambda E+H}\\\end{aligned}\)       (39)

\(\begin{aligned}\frac{\theta}{\theta_{\text {sat }}}=\exp \left(\frac{\Lambda-a}{b}\right), a=1.0, b=0.421\\\end{aligned}\)       (40)

여기서 Λ는 토양 증발량 비율, H는 현열 플럭스(W/m²), λE는 잠열 플럭스(W/m²), θ는 토양수분(cm³/cm³), θ_sat는 포화상태 토양수분(cm³/cm³), a, b는 곡선적합계수를 의미하며 이처럼 산정된 토양수분을 바탕으로 자료 동화기법을 연계하여 매개변수를 추출하였다(Lee, 2017; Shin et al., 2016a; Shin et al., 2016b). 각 문헌에서는 MODIS 및 Landsat 이미지 자료를 활용하였다.

3) 가뭄 및 지수연구

가뭄은 사회적, 경제적, 환경적, 농업 등의 피해를 야기한다. 위성기반 증발산량과 토양수분량 산정 연구는 자연재해 중 하나인 가뭄분석 연구에 주로 활용되는 사례가 많다. 가뭄의 피해를 줄이기 위한 광역적 가뭄 모니터링에 위성영상의 활용성이 크기 때문이다. 특히, 물리적 방법으로 산정된 증발산량과 토양수분량은 가뭄 해석에도 유용한 수문인자이다. 국내에서도 최근 가뭄 분석 연구들이 늘어남에 따라 다양한 관련 지표가 활용되어왔는데, 본 절에서는 증발산량 및 토양수분량 산정과 관련이 있는 대표적인 지수에 대해 기술하고자 한다.

(1) Evaporative Stress Index (ESI)

ESI는 다양한 기상조건에 의해 발생하는 잠재증발산과 실제증발산의 비율을 이용하여 계산된 지표이다(Anderson et al., 2015). 이는 가뭄 모니터링 및 토양수분에 기반한 가뭄지수 산정에 적합하며 돌발가뭄(flash drought)에도 기상학적 가뭄지수보다 조기경보에 대한 활용성이 높다(Anderson et al., 2013; Otkin et al., 2013). ESI의 계산은 식(41)과 같다.

\(\begin{aligned}ESI=\frac{AET}{PET}\end{aligned}\)       (41)

여기서 Actual Evapotranspiration (AET)는 실제증발산량을 나타내며 ALEXI를 이용하여 계산한다. ALEXI는 앞서 언급한 Two-Source model과 Geostationary Operational Environmental Satellite (GOES) 영상을 통해 얻은 지표면 온도, 지표면 식생 분포, 태양 복사열 등을 활용한다. Potential Evapotranspiration (PET)는 잠재증발산량으로 PM 방법을 사용하여 계산된다(Yoon et al., 2020; Yoon et al., 2018).

(2) Temperature Vegetation Dryness Index(TVDI)

Sandholt et al. (2002)는 표면온도와 NDVI의 scatter plot에서의 공간을 산정함으로써 단순화된 지표면건조 지수인 TVDI 개념을 제안하였다. TVDI는 위성에서 얻은 LST와 NDVI자료만을 활용하며 식(42)와 같이 산정된다.

\(\begin{aligned}T V D I=\frac{T_{s}-T_{s, \min }}{T_{s, \max }-T_{s, \min }}\\\end{aligned}\)      (42)

여기서, T_s는 지표온도를 의미하여, T_s,max와 T_s,min은 각각 Ts/NDVI 공간에서 최대, 최소의 Ts를 의미하며, T_s,ma는 Ts/NDVI 공간에서의 T_s 최댓값을 가진 픽셀로부터 피팅(fitting)하여 아래 선형회귀식으로 구할 수 있다(Chae et al., 2017; Jeong et al., 2018).

T_{s, max} = a × NDVI + b       (43)

a와 b는 선형회귀분석으로 얻어진 경험적 매개변수로 a는 dry edge의, b는 Ts/NDVI 공간에서 dry edge의 절편이다(Sun and Kafatos, 2007).

(3) Soil Moisture Deficit Index (SMDI)

\(\begin{aligned}S M D I_{m}=0.5 \times S M D I_{m-1}+\frac{S D_{m}}{50}\\\end{aligned}\)       (44)

토양수분가뭄평가지수(SMDI)는 농업가뭄을 평가하는 척도로서 토양수분을 통해 산정한다. –4 (extremely dry) to +4 (extremely wet)의 범위를 가지며 일별 토양수분을 이용하여 주별 가뭄을 평가한다. 토양수분자료동화기법을 이용하여 도출된 토양의 수리학적 매개변수는 각각의 이미지 자료 해상도(개별 이미지의 면적)를 대표한다. 따라서 도출된 매개변수와 지상관측소에서 관측된 기상자료를 이용하여 장기간의 일별 토양수분을 산정 및 주별 가뭄을 평가할 수 있다(Shin et al., 2016a; Shin et al., 2017).

4) 모델 활용연구

위성 원격탐사 자료를 활용한 증발산량 및 토양수분량 산정 모델은 일반적으로 관측순간 또는 일단위의 값이거나 거친 공간 해상도 값으로 시간적으로 연속적인 값을 얻을 수 없어 수문 및 수치 예측 모델의 요구 사항을 충족하기 어렵다. 이를 극복하기 위해 다중 센서와 더불어 지면모형(또는 지표모형)을 활용하거나 자료동화 기술을 사용하여 증발산 및 토양수분을 매핑하는데 시너지 효과를 낸다(Li et al., 2009).

지표모형(LSM)은 지구 시스템 내에서 운동량, 열 및 물의 교환을 시뮬레이션 하여 대기와 지표면 간의 상호 작용을 설명한다(Maheu et al., 2018). LSM의 가장 대표적 모델로는 Noah, VIC, Community Land Model (CLM) 등이 있다. LSM에서 수문 거동을 계산하기 위하여 토양, 식생, 적설 등에 대한 지배방정식을 통해 지표면의 에너지및물 플럭스를 계산하고 초기경계조건 최적화를 위해 다시 지표면의 경계조건으로 입력하는 스핀업(spin-up)을 진행한다(Jun et al., 2020; Park et al., 2021b; Rodell et al., 2005). NASA의 LIS는 LSM과 고해상도 관측 및 위성 데이터를 통합한 자료동화시스템을 적용할 수 있는 시스템으로(Kumar et al., 2008; Reichle, 2008) 고성능 컴퓨팅 및 데이터 관리 기술을 사용하여 1 km의 미세한 그리드 간격으로 지역 또는 전 세계적으로 LSM을 실행할 수 있다(McDonough et al., 2018). 또한 LIS에는 MOSAIC, Noah와 같은 지면모형이 포함되어 있는데 구동을 위하여 토양, 지형, 식생 등 다양한 입력자료를 필요로 한다. Land Data Assimilation System (LDAS)는 위성자료를 이용한 지면모형의 불확실성을 개선하고 여러 위성 및 관측자료들로부터 일관성 있는 시·공간적인 격자 입력값들을 산출하여 지면모형을 강제시켜 적분해 관측기반의 최적플럭스와 지표변수들의 시공간 분포를 산출한다. 산출된 시·공간 정보들은 수치예보모형의 초기조건을 개선하고 증발산의 시공간 분포가 필요한 농업, 수문학, 토목공학 분야에서 활용성이 높다. 예를 들어 모델링 된 토양 수분은 시간과 공간에 걸쳐 연속적인 토양 수분 추정치를 제공함으로써 관측 토양수분의 대안이될수 있다. 모델링 된 토양 수분 추정치는 육지-대기 상호작용을 고려하여 지표면 상태 및 에너지/물 플럭스를 시뮬레이션 하는 지표면 모델(LSM)과 같은 정량적 방법을 사용한다. 국내에선 K-water와 NASA GSFC(Goddard Space FlightCenter)의 공동연구를 통해 KLDAS를 개발하였다. KLDAS는 K-LIS의 일부로 15분 간격으로 0.01° 공간 해상도와 일 단위 시간해상도 자료를 33°N–44°N 및 124°E–132°E에 대하여 수문인자를 얻을 수 있다. K-LIS는 Noah-Multi Parameterization (Noah-MP), Catchment과 같은 LSM이 적용되며 관측 Global Telecommunication Station (GTS), 누적강수량, Automatic Weather System  (AWS) 시간 강수량, 위성(Geostationary Operational Environmental Satellite, MTSAT-1R), 그리고 기상청 분석장(Global Data Assimilation and Prediction System, GDAPS) 자료 기반의 격자 입력자료를 생산하여 Noah LSM을 강제시켜 토양/지표 장(토양수분, 토양 온도), 플럭스를 산출한다(Cai et al., 2014; Koster et al., 2000). Noah LSM은 토양 증발, 식생호흡, 식생의 차단 증발, 눈의 승화과정을 각각 계산하여 최종적으로 증발산량을 산출한다. 현장 및 위성 관측을 통해 대기 및 지표 조건을 추정하기 위한 대기 일반 순환 모델에 동화시킨 GLDAS와 GLEAM 등이 있다. NASA에서는 LIS를 기반으로 운영중인 GLDAS 프로젝트는 여러 개의 오프라인 지표모형들을 관측자료 및 분석자료기반 입력자료로 강제시켜 지표변수와 플럭스를 산출해내는 시스템으로 GLDAS는 Noah, Catchment, VIC, Mosaic, CLM 등의 LSM을 사용하여 수문인자를 제공한다(Rodell et al., 2004). 이처럼 인공위성자료와 지점자료를 통합한 자료동화데이터인 GLDAS는 0.25°, 1° 간격의 3시간 또는 월평균 결과물을 제공한다. GLEAM은 LSM을 기반으로 2011년에 개발된 일련의 알고리즘으로 PT 방법을 기반으로 증발산을 계산하며 입력변수에 따라 다양한 데이터세트를 얻을 수 있으며 각 위성 데이터에서 지표 및 뿌리영역(root zone)의 토양수분(0.25° 공간 해상도)을 추정하는 데 사용된다(Miralles et al., 2011).

4. 결론

최근 수문 및 수자원분야에서 위성영상의 활용성이 높아짐에 따라 관련 전용 위성의 개발연구와 연계하여 위성을 활용한 증발산량과 토양수분량 산정 연구의 필요성이 강조되고 있다. 본 연구에서는 그간의 관련 국내 연구현황을 여러 문헌조사와 국외 이론 등의 검토를 통해 세부 방법론 별로 살펴보았다.

주요사항을 다시 요약하면, 위성기반 증발산량 산정의 경우 SEBAL, METRIC과 같은 에너지수지 기반 모형과 PM 및 PT 방법을 국내에 적용하여 실측자료와의 비교를 통해 효용성을 검증한 연구가 주를 이루었다. SEBAL과 METRIC은 전 세계적으로 다양한 연구자들에 의하여 모형의 적용성이 검증되었으며, 이밖에 국외에서 Two Source Model (TSM)을 이용한 증발산 산정 연구가 활발하게 이루어진 것에 비하여 국내에서는 관련 연구가 적어 향후 TSM의 국내 연구적용 가능성을 기대해볼수 있었다. 한편, 상기 모형 및 이론 등의 검증은 적용성을 확인하기 위한 필수적 단계이다. 하지만 어느 특정지역에 국한된 자료와의 검증만으로는 보편적 우수성을 논하기는 어려웠다.

토양수분량의 경우 마이크로파 센서를 통해 자료를 얻을 수 있지만 토양유형, 피복, 식생, 거칠기 및 센서 종류에 따라 불확실성이 존재하며, 각 센서에서 얻어진 토양수분은 지역마다 특징이 다르며 그 산출 위성은 지질, 대기조건, RFI에 영향을 받았다. 이처럼 토양수분량 산정은 해당지역의 가용성, 공간 및 시간해상도, 연구목적에 따라 전반적으로 영향을 받기 때문에 적절한 위성의 선택을 통한 관련 활용 연구가 이루어지고 있었다.

통계적 방법의 측면에서는 회귀식 뿐만 아니라 인공 지능 기술의 수문분야에서 활용성이 높아짐에 따라 위성기반 관련 연구에도 적용되고 있으며, 적절한 입력 매개변수를 통합하고 더 나은 출력 정확도를 얻기 위해 과잉 훈련 없이 획득한 훈련 데이터를 신중하게 선택하는 사용자 경험과 양질의 데이터와 산출된 토양수분과 인자간 관계성에 대한 연구 필요성이 강조된다. 또한, 광역적 특성을 가진 위성영상을 활용해 다양한 지표를 통한 가뭄 모니터링에 대한 연구가 진행되고 있었으며, LSM과 같은 모델을 활용한 위성기반 증발산량 및 토양 수분량의 산출물은 지점자료보다 광역적 정보를 제공하여 관련 수문순환인자의 공간적 분포파악 등에 대한 이해를 향상시킬 수 있었다. 마지막으로, 상기 연구들에서 최근 5년간의 문헌을 각 위성 센서별로 살펴보았을 때 증발산의 경우 Terra와 Aqua에 탑재된 MODIS 센서와 PM 방법에 기반한 MOD16 자료를 이용하는 경우가 가장 많았으며, 토양수분의 경우 SAR 센서를 이용한 연구가 증가 추세였다. 이는 2025년에 환경부에서 발사예정인 차세대 중형위성에 SAR가 탑재된다는 점과 S-band와 L-band를 탑재한 NASA-ISRO SAR Mission (NISAR, 2024년 발사 예정) 출시를 미루어 보았을 때 향후 국내 및 국외 토양수분량 산정 연구에 활용성이 높아질 것으로 예상된다.

이렇게 본 연구에서는 위성영상을 활용하여 증발산량과 토양수분량을 산출한 연구문헌의 수집 및 검토를 통하여 국내 관련 연구현황을 분석, 정리하였다. 이를 바탕으로 세부 산정방법별 분류가 가능했으며, 향후에는 본 연구에서 검토한 국내 연구뿐만 아니라 국외에서 진행된 더 많은 다양한 연구들을 추가하여 보다 일반적인 위성기반 증발산량 및 토양수분량 산정 연구의 방법론 검토와 관련 자료 산정의 고도화 관련 연구를 진행할 예정이다. 본 연구의 내용이 관련 위성기반 증발산 및 토양수분 분야 연구자들에게 기준 참고자료로서 유용하게 사용되기를 기대한다.