DOI QR코드

DOI QR Code

농림위성 산림분야 식생지수 검보정 사이트 설계

Design of Calibration and Validation Area for Forestry Vegetation Index from CAS500-4

  • 임중빈 (국립산림과학원 산림ICT연구센터) ;
  • 차성은 (국립산림과학원 산림ICT연구센터) ;
  • 원명수 (국립산림과학원 산림ICT연구센터) ;
  • 김준 (고려대학교 환경생태공학과) ;
  • 박주한 (국가농림기상센터 정보화관리부) ;
  • 류영렬 (서울대학교 조경.지역시스템공학부) ;
  • 이우균 (고려대학교 환경생태공학부)
  • Lim, Joongbin (Forest ICT Research Center, National Institute of Forest Science) ;
  • Cha, Sungeun (Forest ICT Research Center, National Institute of Forest Science) ;
  • Won, Myoungsoo (Forest ICT Research Center, National Institute of Forest Science) ;
  • Kim, Joon (Department of Environmental Science and Ecological Engineering, Korea University) ;
  • Park, Juhan (Information and Management Department, National Center for Agro-Meteorology) ;
  • Ryu, Youngryel (Department of Landscape Architecture and Rural Systems Engineering, Seoul National University) ;
  • Lee, Woo-Kyun (Division of Environmental Science and Ecological Engineering, Korea University)
  • 투고 : 2022.05.31
  • 심사 : 2022.06.23
  • 발행 : 2022.06.30

초록

우리나라 산림의 효율적인 관리와 산림 모니터링을 위해 산림청은 농림위성을 개발 중이며 2025년 발사 예정이다. 농림위성을 효율적으로 활용하기 위해 산림청 국립산림과학원은 36종의 농림위성 산림분야 활용산출물 개발을 진행 중이다. 원격탐사 기법을 활용하여 도출된 산출물들은 지상검증이 요구되며 해당 산출물들에 대한 품질 모니터링 결과를 지속적으로 보고해야 한다. 국내 최초로 산림분야 활용 위성이 개발되는 상황이라 국내에는 공식적인 산림분야 활용 산출물 검보정 사이트가 부재하다. 이에 저자들은 국제기준에 맞춰 농림위성 산림분야 활용산출물 검보정을 위한 검보정 사이트를 설계하였다. 또한 전국적으로 검보정 사이트를 설치하기 위해 적정 센서를 선택하여 해당 센서의 활용 가능성을 평가하였다. 평가 결과 지상 관측데이터와 Sentinel-2 영상과의 산림 산출물에 대한 오차가 ±5% 이내로 관측되어 해당 센서를 활용하여 전국적으로 확장이 가능함을 확인하였다.

The Compact Advanced Satellite 500-4 (CAS500-4) is under development to efficiently manage and monitor forests in Korea and is scheduled to launch in 2025. The National Institute of Forest Science is developing 36 types of forestry applications to utilize the CAS500-4 efficiently. The products derived using the remote sensing method require validation with ground reference data, and the quality monitoring results for the products must be continuously reported. Due to it being the first time developing the national forestry satellite, there is no official calibration and validation site for forestry products in Korea. Accordingly, the author designed a calibration and validation site for the forestry products following international standards. In addition, to install calibration and validation sites nationwide, the authors selected appropriate sensors and evaluated the applicability of the sensors. As a result, the difference between the ground observation data and the Sentinel-2 image was observed to be within ±5%, confirming that the sensor could be used for nationwide expansion.

키워드

1. 서론

원격탐사는 접근이 어려운 지역의 정보를 획득하거나 넓은 면적의 공간 정보를 획득하기에 유용한 기술이다. 우리나라는 국토, 기상, 농업, 산림, 환경, 재난 등의 분야에서 시의적절하고 유용한 정보를 획득하기 위해 다양한 연구들이 진행되고 있다(Ahn et al., 2018; Chun et al., 2007; Im et al., 2020; Kim et al., 2022; Kong et al., 2021; Lee et al., 2018; Lee et al., 2013; Lee and Lee, 2017; Moon et al., 2005; Nagai et al., 2011; Sakong et al., 2007; Yoon et al., 2020; Yoon et al., 2017).

최근 과학기술정보통신부는 국내 위성산업의 발전과 위성 활용의 증진을 위해 주 활용부처와 함께 차세대 중형위성 사업을 진행하고 있다. 차세대중형위성은 총 5기 개발을 목표로 진행되고 있으며 해당 사업의 선두주자로서 국토교통부와 함께 추진 중인 차세대중형위성 1호(국토위성)가 2021년 3월 발사에 성공하여 현재 발사 후 일정한 검보정 활동을 수행하고 대국민 서비스를 진행하고 있다. 차세대중형위성 2호는 국토위성 2호로 국토위성 1호와 함께 동일궤도에서 시간차를 두고 임무를 수행하게 된다. 동일 성능의 위성이 시차를 두고 운용함으로써 스테레오 위성영상을 획득하여 지도 제 작을 수행할 수 있다(Yoon et al., 2020). 차세대중형위성 3호는 우주과학기술 시험 위성으로 우리나라 발사체 개발과 함께 우주과학기술 증진을 위한 목적으로 진행되고 있다. 차세대중형위성 4호는 과학기술정보통신부와 농촌진흥청, 산림청이 공동 개발하고 있는 위성으로 농경지와 산림의 시계열적 모니터링을 위해 사업이 추진되고 있다. 차세대중형위성 5호는 수자원위성으로 환경부 및 수자원공사가 함께 사업에 참여하고 있으며 C-band 합성개구레이더 위성으로 개발되고 있다.

농림위성으로 불리는 차세대중형위성 4호의 가장 큰 장점은 매일 한반도를 촬영할 수 있으며 3일에 한번 한반도 전역을 촬영할 수 있는 시간해상도라 할 수 있다. 농경지와 산림의 경우 시계열 변화를 관찰하여 생산량이나 건강성 등을 모니터링할 필요가 있으며 해당 기능에 최적화된 위성이라 할 수 있다.

산림청에서는 농림위성을 통해 산림분야 활용산출 물 36종을 개발하고 있다. 이 중 산림분야에 널리 활용되고 있는 식생지수가 향후 서비스될 예정이다. 주요 식생 지수인 정규화식생지수(Normalized DifferenceVegetation Index, NDVI)는 식생의 적색 대역과 근적외선 대역의 반사도 차이와 다중 분광 영상의 적색 대역과 근적외선 대역을 활용하여 식생의 활력도를 나타내는 지수이다 (Tucker, 1979). 관측된 다중 분광 위성영상을 활용하면 NDVI를 통해 실제 식생의 상태를 판단할 수 있다는 점에서 다양한 분야의 연구에 활용되고 있다. 특히 산림 분야의 경우 위성에서 관측한 NDVI를 활용하여 산림의 건강성을 대면적으로 관측할 수 있다는 점에서 장점을 갖는다. 또한 계절에 따른 NDVI 값의 차이를 활용하면 침엽수와 활엽수 등의 수종을 분류할 수 있다. NDVI 산출식은 식(1)과 같으며 0과 1사이의 값으로 산출된다. 식생의 활력도가 높을수록 근적외선 대역의 반사도가 높고 결과적으로 산출된 NDVI 값이 높아진다. 식생이 전혀 없는 포장면, 건물, 나지, 물의 경우는 NDVI가 0 또는 음수로 산출된다.

\(\frac{\rho N I R-\rho \operatorname{Red}}{\rho N I R+\rho \operatorname{Red}}\)       (1)

인공위성의 적색 대역 반사도와 근적외선 대역 반사도 영상을 활용하여 NDVI를 산출할 수 있으며, 대표적으로 중고해상도 위성으로는 미국의 Landsat 시리즈 위성, 유럽의 Sentinel-2 위성 등이 활용되고 있다. 중저 해상도 위성의 경우 미국의 Moderate Resolution Imaging SpectroRadiometer(MODIS)위성은 활용산출물로 NDVI를 완성된 제품 형태로 제공하며, NDVI 뿐만 아니라 식생영역에 더욱 민감한 Enhanced Vegetation Index (EVI)를 제공한다. 또한 유럽의 European Space Agency (ESA)에서 제공하는 Sentinel-3 Ocean and Land Colour Imager (OLCI)는 OLCI Terrestrial Chlorophyll Index (OTCI) 와 OLCI Global Vegetation Index (OGVI) 형태로 식생지수를 산출하여 제공한다.

위성영상을 활용함에 있어 한가지 중요한 점은 위성 영상으로부터 도출한 결과에 대한 검증의 필요성이다. 위성영상에는 관측 대상물에서 반사된 태양 에너지뿐만 아니라 대기 중에 산란된 에너지, 수관층의 형태적 다양성에 의해 가중되거나 감소된 에너지들이 함께 측정된다. 따라서 위성영상에서 산출한 값과 현장에서 측정한 값과의 차이나 유사성, 상관성 등을 비교하여 데이터 품질을 점검할 필요가 있다.

Landsat과 Sentinel-2의 경우 대기보정 후 도출되는 표면반사도에 대한 검보정을 수행하고 있으나, NDVI와 같은 식생지수에 대한 산출물은 자체적 검증을 하거나 산출물을 제공하지 않는다. MODIS는 위성영상에 대한 검증을 수행하며 MODIS-NDVI를 위한 별도의 검증을 수행한다. 발사 전 검증 항목으로는 Canopy Radiative Transfer Model과의 비교, 현장 관측 자료와 상관성 측정, Airborne Visible/Infrared Imaging Spectrometer (AVIRIS), Advanced Solid-State Array Spectro Radiometer (ASAS), Airborne Multi-angle Imaging SpectroRadiometer(AirMISR), MODIS Airborne Simulator (MAS) 등의 항공 데이터를 활용한 검정과 타 위성으로부터 산출된 데이터를 활용한 검정을 통해 알고리즘에 대한 검증 및 평가를 수행한다. 발사 후에는 테스트 사이트를 대상으로 수집된 데이터를 활용하여 MODIS-NDVI와 상관성을 모의한다 (Huete et al., 1999).

유럽의 ESA에서 제공하는 Sentinel-3 OLCI의 식생지수들은 직접 또는 간접 검증을 수행하는데, 간접 검증의 경우 Medium Resolution Imaging Spectrometer (MERIS), Terrestrial Chlorophyll Index (TCI)의 축적된 자료와 직접 검증에서 수집된 현장 자료를 비교하여 검증한다. 이는 지구관측위성위원회(Committee on Earth Observation Satellites, CEOS), Working Group on Calibration and Validation (WGCV), Land Product Validation Subgroup (LPV)의 검보정 사이트를 포함한 37개의 사이트에서 수행되며 27일마다 수행 및 보고된다. 직접 검증은 ESA 에서 설치한 4개의 사이트에 대하여 현장 장비로 관측한 Canopy Chlorophyll Concentration (CCC)와 Fraction of Absorbed Photosynthetically Active Radiation (FAPAR) 데이터 등 Sentinel-2를 활용해 산출한 CCC와 FAPAR 데이터를 활용하여 직접 비교 검증을 수행한다(Bourg et al., 2021).

NDVI의 현장 자료 기반 검보정은 다중분광센서와 초분광센서를 활용하여 위성에서 관측한 데이터와 다중 시기 비교를 통해 수행한다. 하지만 30 m 이상 해상도를 가진 영상에서 현장 자료를 활용한 NDVI 검보정 은 학술 연구를 제외한 위성센터 차원에서 수행되고 있지 않다. Lange et al. (2017)의 연구에 의하면 flux tower의 다중분광과 초분광센서 관측 자료를 활용한 검보정을 수행하였을 때 공간 해상도 250 m인 MODIS보다 공간 해상도 10 m인 Sentinel-2의 결과가 좋은 것을 나타낸다. 따라서 Sentinel-2와 성능이 비슷한 농림위성 영상을 검보정하기 위해 flux tower를 활용하여 검보정 하는 것은 효과적이다. 실례로 MODIS와 Landsat의 NDVI를 광릉 활엽수림과 침엽수림 타워에 설치된 LED자료를 이용하여 평가한 사례가 있다(Ryu et al., 2014). 따라서 농업 과 산림분야에 특화된 농림위성의 목적과 국토의 63% 이상이 산림으로 이루어진 대한민국의 지리적 특성을 고려하여 NDVI와 현장 자료를 활용한 검보정 수행을 위해 flux tower를 포함한 검보정 사이트를 설정하여 지속적으로 연구할 필요성이 있다. 이에 본 연구에서는 농림위성 산림분야 활용산출물 검보정을 위한 검보정 사이트를 설계하였으며 식생지수 검증을 위한 센서 선정 및 해당 센서의 활용 가능성을 평가하였다.

2. 해외 문헌 고찰 및 검보정 사이트 설계

1) 지구관측위성위원회(CEOS) 검증 계층구조

지구관측위성위원회(CEOS)는 1984년도에 설립되어 전 세계적으로 회원 기관 34개, 준회원 기관 24개를 보유하고 있다. 국내에는 한국항공우주연구원, 기상청, 국립 환경과학원이 회원 기관에 포함되어 있다. CEOS는 우주 기반 지구관측 업무의 국제적 코디네이터 역할을 하는 것과 지구관측 데이터 교환을 촉진하는 것을 목표로 하고 있다. CEOS의 실무 조직은 크게 Virtual Constellations (VC)와 Working Groups (WG)로 구성되어 있다. VC는 대기 조성, 지상 이미징, 해수면 온도, 강수량 등 지구의 특정 파라미터를 관측하는 것에 초점을 둔다. WG의 경우 검보정, 데이터 포털, 역량 강화, 재난관리, 기후 등 지구 관측 분야에서 공유되는 주제를 다룬다

위성활용 산출물 중 토지 관련 산출물들에 대한 검증은 CEOS WGCV 중 LPVS에서 그 기준을 제시하고 있다. CEOS는 평가 단계별 정의와 상황을 4가지로 나누어 구분하고 있다(Table 1). 산림청이 목표로 하는 산출물은 식생지수, 알베도, 식물계절성, 토지피복 등 레벨 2부터 레벨 4까지 다양하게 분포하고 있으며 1) 균일한 피복을 갖는 최소 30개 이상 검증지점 확보가 필요하다는 점과 2) 접근이 쉽고 장기생태 관측 자료 연계 및 장기 운용이 가능해야 한다는 공통 사항을 가지고 있다. 이외에도 검증 사이트 내 센서의 footprint 영역의 토지 피복이 균질하거나 균일해야 함을 강조하고 있다.

Table 1. Calibration/validation stages and description

OGCSBN_2022_v38n3_311_t0001.png 이미지

*Source: https://lpvs.gsfc.nasa.gov/

2) 농림위성 산출물 검증을 위한 사이트 적정 크기

CEOS의 가이드를 따라 목표로 하는 위성의 해상도를 고려하여 검증 사이트에 설치하는 센서들의 footprint를 설정해야 하며, 일반적으로 센서 해상도의 2배 이상 설정함을 확인하였다. 또한 장기생태 관측 사이트와의 연계 및 장기 운용 가능성 등을 고려하여 국립산림과학원에서 운용하고 있는 장기생태모니터링 사이트 내 flux tower 관측지점을 우선적으로 검보정 사이트 후보지로 선정하였다.

농림위성의 공간해상도는 5 m로 최소 10 m 이상의 footprint를 설정해야 한다. Marcolla and Cescatti (2018)Liu et al. (2017)에 의하면 180°의 시야각을 갖는 센서의 경우 표면에서 가장 세게 입력되는 영역은 직하방향 좌우 45° 각도에 해당된다(Fig. 1).

OGCSBN_2022_v38n3_311_f0001.png 이미지

Fig. 1. Analysis result of observation area change according to sensor height (Marcolla and Cescatti, 2018).

저자가 사용한 센서의 경우 180°의 시야각을 갖으며 수고 높이를 20 m로 가정한다면 flux tower 평균 설치 높이인 40 m에 의해 footprint의 반경은 20 m로 산정된다. 이에 따라 검보정 사이트의 센서 footprint는 40 m×40 m 로 설정할 수 있다(Fig. 2). 향후 CEOS LPVS의 권고에 따라 해당 footprint 내 엽면적지수, 식물계절, 임분고, 바이오매스 등의 검증 포인트를 설치하여 supersite 구성도 가능할 것으로 판단된다.

OGCSBN_2022_v38n3_311_f0002.png 이미지

Fig. 2. Footprint setting considering sensors. (a) Footprint setting considering sensors field of view angle (90°) and tree height and (b) Flat schematic diagram of footprint.

3. 산림분야 산출물 품질관리를 위한 적정 센서 테스트

1) 센서 사양 및 설치 위치

농림위성 산림분야 활용산출물 검보정 사이트 구축을 위한 분광센서로는 ㈜쏠단의 SD-500 제품을 활용하였다(Table 2, Fig. 3). 해당 제품의 분광 관측 영역은 Table 3와 같으며 Blue, Green, Red, Near InfraRed 영역의 반사값을 농림위성과 Sentinel-2 위성의 유사한 영역에서 측정할 수 있다. 해당 제품은 식생구조 모니터링을 위해 고가의 분광계를 이용하여 측정하던 기존의 방식에서 탈피하여 식생지수를 손쉽게 측정할 수 있도록 개발된 제품이다. 해당 제품은 LED 기반의 센서로 농 경지, 초지 및 산림에서 그 활용성이 입증되었다(Kim et al., 2021; Kim et al., 2019; Ryu et al., 2010; Ryu et al., 2014). 해당 제품을 선택한 가장 큰 이유는 전국적으로 30개 이상의 검보정타워를 설치해야 하는 입장에서 경제적이 면서 신뢰성 있는 자료를 확보할 수 있을 것으로 판단 하였기 때문이다. 현재 국립산림과학원과 국가농림기 상센터에서는 1) 광릉 활엽수림 flux tower, 2) 광릉 침엽 수림 flux tower, 3) 완도 flux tower, 4) 평창 flux tower, 5) 홍천 flux tower, 6) 홍릉 산악기상관측망에 해당 센서를 설치하여 지속적으로 관측해오고 있다

Table 2. The SD-500 specification

OGCSBN_2022_v38n3_311_t0002.png 이미지

Table 3. Central wavelength information of SD-500, CAS500-4 and Sentinel-2A

OGCSBN_2022_v38n3_311_t0003.png 이미지

 

OGCSBN_2022_v38n3_311_f0003.png 이미지

Fig. 3. The image of SD-500 and flux tower. (a) The image of SD-500 and (b) Installation on flux tower.

2) 비교검증을 위한 Sentinel-2 자료

D-500의 활용성을 평가하기 위해 Sentinel-2 Level 2 표면반사율 제품을 활용하였다. Sentinel-2 Level-2 제품은 90 m 해상도를 갖는 global Digital Elevation Model (DEM)인 PlanetDEM90을 활용하여 기하보정 된 Level1C 산출물에 대기보정을 적용하여 표면반사율을 산출 하여 제공하는 제품이다. Sentinel-2 제품군은 Sentinel-2 Validation Team (S2VT)에 의해 주기적으로 그 품질이 평가되어 보고되고 있다(Szantoi and Strobl, 2019).

비교분석을 위해 광릉 활엽수림(GBK), 광릉 침엽수 림(GCK), 완도(WD), 평창(PYC), 홍천(HC), 홍릉(HR) 등 6개 지점의 Sentinel-2 영상을 분석하였다. 2021년 1월 17 일부터 2022년 3월 28일까지 촬영된 영상 중 구름의 영향을 제외한 영상들을 선별하여 총 97개의 영상을 확보하여 지점별 표면반사도를 산출하여 관측데이터와 비교하였다(Table 4)

Table 4. Selected days of study areas

OGCSBN_2022_v38n3_311_t0004.png 이미지

GBK: Gwangreung Broadleaf Forest, GCK: Gwangreung Coniferous Forest, WD: Wando, PYC: Pyeongchang, HC: Hongcheon, HR: Hongreung

3) Sentinel-2 위성영상과 산악기상관측망 대상지 비교 결과

산악기상관측망의 경우 타워의 높이는 10 m에 해당하며 지상으로부터 5 m 높이에 SD-500 센서가 설치되었다. 산악기상관측망은 지면의 식생을 정리한 후 태양광패널, 데이터집록함채, 강우측정기 등을 설치하여 고정된 지표 패턴을 갖는다(Fig. 4). 이에 산악기상관측망의 지표 패턴에 의한 반사값 및 NDVI값을 활용할 수 있는지 확인하기 위해 5 m 높이에 센서를 설치하여 측정하였다.

OGCSBN_2022_v38n3_311_f0004.png 이미지

Fig. 4. The Mountain Meteorology Observation System. (a) The Mountain Meteorology Observation System on Hongreung (HR) site and (b) Satellite imagery of HR site with 6 polygons.

해당 지역의 관측값과 비교하기 위해 Sentinel-2 위성 영상에서 센서위치로부터 반경 5 m부터 30 m까지 5 m 단위로 6개의 폴리곤을 형성한 뒤 각각 6개 폴리곤 영역 내 영상 화소의 평균값을 산출하여 현장 관측값과 비교하였다. 해당 지역은 2021년 12월 3일부터 2022년 3월 28일까지 관측된 데이터 중 총 13개의 Sentinel-2 위성영상 데이터가 활용되었다(Table 4). Fig. 5에서 보듯 해당 기간에 관측된 값을 평균한 현장 관측값과 위성영상에서 추출한 값의 그래프는 유사성이 많이 떨어짐을 확인할 수 있다. 또한 오차율이 Blue, Green, Red, NIR에서 각각 최대 9.9%, 10.8%, 12.7%, 21.1% 이상 발생하였으며 NDVI의 경우 최대 34.7%까지 오차가 발생하였다 (Table 5). 센서 설치 높이와 유사한 5 m 반경의 NDVI R2 값은 0.37로 낮은 상관관계를 보였으며 Root Mean Square Different (RMSD) 역시 0.21로 높게 나타났다(Table 6). 이는 Sentinel-2 공간해상도인 10 m 크기의 한 pixel 안에 산악기상관측망 센서의 footprint가 제대로 일치되지 않아서 나타나는 현상일 수 있다(Kong et al., 2022). 센서가 5 m 높이에 설치되어 반경 5 m의 관측영역이 형성되며 이는 Sentinel-2 영상 한 개의 화소 내에 위치하게 된다. 그러나 Seninel-2의 위치 오차는 12.5 m(2σ)로 센서의 관측 영역과 Sentinel-2 화소와의 위치가 정확하게 일치됐다고 볼 수 없다. Footprint를 일치시키는 작업만으로도 상관성은 높게 나타날 수 있으나 농림위성 공간해상도 가 5 m이고 산악기상관측망의 최대 높이가 10 m인 것을 고려하여 두 데이터 간 footprint를 맞추는 작업은 더 많은 연구가 필요할 것으로 판단된다(Kong et al., 2021; Kong et al., 2022). 이를 통해 산악기상관측망의 지표면 패턴을 활용해서는 활용산출물 검증에는 현 시점에서 한계가 있을 것으로 판단되나 향후 footprint를 일치시키고 여름과 가을철 등 계절적인 요인을 고려한 추가적인 분석이 필요하다.

OGCSBN_2022_v38n3_311_f0005.png 이미지

Fig. 5. Comparison of observed value of Hongreung (HR) site and Sentinel-2 satellite image. (a) Period average graph of reflectance and (b) Linear correlation of Normalized Difference Vegetation Index (n=13).

Table 5. Surface reflectance and vegetation index difference of Hongreung (HR) site (n=13)

OGCSBN_2022_v38n3_311_t0005.png 이미지

Table 6. Coefficient determination (R2) and Root Mean Square Different (RMSD) of Hongreung (HR) site (n=13)

OGCSBN_2022_v38n3_311_t0006.png 이미지

4) Sentinel-2 위성영상과 flux tower 대상지 비교 결과

Flux tower의 경우 타워의 높이는 40 m에 해당하며 지상으로부터 30–40 m 높이에 SD-500 센서가 설치되었다. Flux tower는 산림 내 CO2, 에너지수지 등의 이동을 관측하기 위해 설치되어 비교적 지표면이 산림으로 균일한 지역에 위치하고 있다(Fig. 6).

OGCSBN_2022_v38n3_311_f0006.png 이미지

Fig. 6. The image of flux tower in Gwangreung Broadleaf Forest (GBK) site. (a) The flux tower on Gwangreung Broadleaf Forest (GBK) site and (b) Airborne imagery of GBK site.

Flux tower 지점들도 산악기상관측망과 같이 Sentinel-2 위성영상에서 센서위치로부터 반경 5 m부터 30 m까지 5 m 단위로 추출하여 평균값을 산출해 비교하였다. 광릉 활엽수림 지역은 2021년 10월 24일부터 2021년 12월 18일까지 관측된 데이터 중 총 10개 데이터가 활용되었다(Table 4). Fig. 7에서 보듯 산악기상관측망과 달리 해당 기간에 관측된 값을 평균한 현장관측값과 위성영 상에서 추출한 값의 그래프 유사성이 높음을 확인할 수 있다. 또한 오차율이 Blue, Green, Red, NIR에서 각각 최대 –2.9%, 3.9%, 3.3%, 3.2%로 ±5%이내에서 발생하였으며 NDVI의 경우 최대 –4.5%로 ±5%이내에서 오차가 발생하였다(Table 7). 센서 설치 높이와 유사한 20 m 반경의 NDVI R2 값은 0.94로 높은 상관관계를 보였으며 RMSD 역시 0.05로 낮게 나타났다(Table 8).

OGCSBN_2022_v38n3_311_f0007.png 이미지

Fig. 7. Comparison of observed value of Gwangreung Broadleaf Forest (GBK) site and Sentinel-2 satellite image. (a) Period average graph of reflectance and (b) Linear correlation of Normalized Difference Vegetation Index (n=10).

Table 7. Surface reflectance and vegetation index difference of Gwangreung Broadleaf Forest (GBK) site (n=10)

OGCSBN_2022_v38n3_311_t0007.png 이미지

Table 8. Coefficient determination (R2) and Root Mean Square Different (RMSD) of Gwangreung Broadleaf Forest (GBK) site (n=10)

OGCSBN_2022_v38n3_311_t0008.png 이미지

광릉 침엽수림 지역은 2021년 1월 17일부터 2021년 12월 13일까지 관측된 데이터 중 총 14개 데이터가 활용 되었다(Table 4). Fig. 8에서 보듯 Blue 대역에서의 오차가 비교적 크지만 Green, Red, NIR 영역에서의 그래프는 매우 유사한 값을 갖음을 확인할 수 있다. 오차율은 Blue, Green, Red, NIR에서 각각 최대 –7.6%, 0.3%, –1.3%, 2.3%로 ±5%이내에서 발생하였으며 NDVI의 경우 최대 9.8%로 ±10%이내에서 오차가 발생하였다(Table 9). 센서 설치 높이와 유사한 20 m 반경의 NDVI R2 값은 0.19로 낮은 상관관계를 보였으며 RMSD는 0.12로 나타났다(Table 10). 침엽수림의 경우 전나무림으로 시계열 적으로 NDVI의 변화폭이 적어 선형상관성이 없게 나타난 것으로 판단된다. 또한 RMSD가 비교적 높게 나타난 것은 다른 지점의 데이터와 비교결과 센서 문제로 판단된다.

OGCSBN_2022_v38n3_311_f0008.png 이미지

Fig. 8. Comparison of observed value of Gwangreung Coniferous Forest (GCK) site and Sentinel-2 satellite image. (a) Period average graph of reflectance and (b) Linear correlation of Normalized Difference Vegetation Index (n=14).

Table 9. Surface reflectance and vegetation index difference of Gwangreung Coniferous Forest (GCK) site (n=14)

OGCSBN_2022_v38n3_311_t0009.png 이미지

Table 10. Coefficient determination (R2) and Root Mean Square Different (RMSD) of Gwangreung Coniferous Forest (GCK) site (n=14)

OGCSBN_2022_v38n3_311_t0010.png 이미지

완도 지역은 2021년 4월 7일부터 2021년 12월 23일 까지 관측된 데이터 중 총 19개 데이터가 활용되었다 (Table 4). Fig. 9에서 보듯 광릉 침엽수림과 유사하게 Blue 대역에서의 오차가 비교적 크지만 Green, Red, NIR 영역에서의 반사도 그래프를 통해 유사한 경향을 가지고 있음을 확인할 수 있다. 오차율은 Blue, Green, Red, NIR에서 각각 최대 –17.4%, 1.1%, –0.9%, –2.7%로 Blue 대역을 제외한 대역에서 ±5%이내에서 발생하였으며 NDVI의 경우 최대 3.4%로 ±5%이내에서 오차가 발생 였다(Table 11). 센서 설치 높이와 유사한 20 m 반경의 NDVI R2 값은 0.06으로 상관성이 없는 것으로 나타났으며 RMSD는 0.05로 낮게 나타났다(Table 12). 완도의 경우 상록수림으로 광릉 전나무림과 같이 시계열적으로 NDVI의 변화폭이 적어 선형상관성이 매우 낮게 나타난 것으로 판단된다.

OGCSBN_2022_v38n3_311_f0009.png 이미지

Fig. 9. Comparison of observed value of Wando (WD) site and Sentinel-2 satellite image. (a) Period average graph of reflectance and (b) Linear correlation of Normalized Difference Vegetation Index (n=19).

Table 11. Surface reflectance and vegetation index difference of Wando (WD) site (n=19)

OGCSBN_2022_v38n3_311_t0011.png 이미지

Table 12. Coefficient determination (R2) and Root Mean Square Different (RMSD) of Wando (WD) site (n=19)

OGCSBN_2022_v38n3_311_t0012.png 이미지

평창 지역은 2021년 4월 2일부터 2021년 12월 13일 까지 관측된 데이터 중 총 23개 데이터가 활용되었다 (Table 4). Fig. 10에서 보듯 Blue 대역에서의 오차가 비교적 크지만 Green, Red, NIR 영역에서의 그래프는 매우 유사한 값을 갖음을 확인할 수 있다. 오차율은 Blue, Green, Red, NIR에서 각각 최대 –8.6%, 1.5%, 0.4%, 6.8% 로 ±10%이내에서 발생하였으며 NDVI의 경우 최대 2.3%로 ±5%이내에서 오차가 발생하였다(Table 13). 센서 설치 높이와 유사한 20 m 반경의 NDVI R2 값은 0.97로 상관성이 높게 나타났으며 RMSD는 0.04로 낮게 나타났다(Table 14).

OGCSBN_2022_v38n3_311_f0010.png 이미지

Fig. 10. Comparison of observed value of Pyeongchang (PYC) site and Sentinel-2 satellite image. (a) Period average graph of reflectance and (b) Linear correlation of Normalized Difference Vegetation Index (n=23).

Table 13. Surface reflectance and vegetation index difference of Pyeongchang (PYC) site (n=23)

OGCSBN_2022_v38n3_311_t0013.png 이미지

Table 14. Coefficient determination (R2) and Root Mean Square Different (RMSD) of Pyeongchang (PYC) site (n=23)

OGCSBN_2022_v38n3_311_t0014.png 이미지

홍천 지역은 2021년 4월 7일부터 2021년 12월 28일 까지 관측된 데이터 중 총 16개 데이터가 활용되었다 (Table 4). Fig. 11에서 보듯 Blue 대역과 NIR에서의 오차가 비교적 크지만 Green, Red, NIR 영역에서의 패턴은 유사한 값을 갖음을 확인할 수 있다. 오차율은 Blue, Green, Red, NIR에서 각각 최대 –6.4%, 3.2%, 1.9%, 8.2% 로 ±10%이내에서 발생하였으며 NDVI의 경우 최대 –1.3%로 ±5%이내에서 오차가 발생하였다(Table 15). 센서 설치 높이와 유사한 20 m 반경의 NDVI R2 값은 0.97로 상관성이 높게 나타났으며 RMSD는 0.04로 낮게 나타났다(Table 16).

OGCSBN_2022_v38n3_311_f0011.png 이미지

Fig. 11. Comparison of observed value of Hongcheon (HC) site and Sentinel-2 satellite image. (a) Period average graph of reflectance and (b) Linear correlation of Normalized Difference Vegetation Index (n=16).

Table 15. Surface reflectance and vegetation index difference of Hongcheon (HC) site (n=16)

OGCSBN_2022_v38n3_311_t0015.png 이미지

Table 16. Coefficient determination (R2) and Root Mean Square Different (RMSD) of Hongcheon (HC) site (n=16)

OGCSBN_2022_v38n3_311_t0016.png 이미지

5개 flux tower 지점의 관측 자료와의 비교결과 모든 지점에서 Blue대역에서의 오차가 크게 발생함을 확인할 수 있었다. 센서 검증결과 Blue 영역을 담당하는 LED가 NIR 영역에도 반응하여 과대 측정되는 문제가 확인되었다. 이를 개선하여 센서를 수정하였으며 현재 제주도 flux tower에서 초분광 관측시스템과의 비교 관측을 수행하고 있다. Blue 대역에서의 오차를 제외하고는 전반적으로 ±5%에서 ±10% 이내로 오차가 발생함을 확인하였다. NDVI의 경우 활엽수 및 혼효림에서는 R2가 0.94에서 0.97로 매우 높은 상관성을 보였으며 RMSD의 경우 광릉 침엽수림을 제외한 모든 플러스타워에서 0.05 이하로 매우 낮은 차이를 보였다.

각 지점별 샘플 수가 통계적 유의성을 논하기에는 부족한 부분이 있어 홍릉지역을 제외한 1) 광릉 활엽수림 flux tower, 2) 광릉 침엽수림 flux tower, 3) 완도 flux tower, 4) 평창 flux tower, 5) 홍천 flux tower의 자료를 취합하여 NDVI에 대한 선형 상관성을 평가해보았다. 반경 20 m 영역의 식생지수와 현장관측값 각각 95개의 자료를 사용하여 평가한 결과 R2 값은 0.91로 상관성이 높게 나타났다(Fig. 12).

OGCSBN_2022_v38n3_311_f0012.png 이미지

Fig. 12. LinearcorrelationofNormalizedDifferenceVegetation Index of flux tower sites and Sentinel-2 satellite image (n=95).

각 지점별 자료의 수는 적지만 전체적인 자료의 비교 결과 NDVI의 상관성이 높게 나타나 해당 센서를 활용하여 전국적으로 식생지수를 검증하는 것은 타당할 것으로 판단된다. 그렇지만 해상 센서는 BLUE, GREEN, RED,NIR영역을 관측 가능하나 농림위성의 경우 BLUE, GREEN, RED, NIR과 더불어 RED-EDGE 영역을 추가로 관측하기 때문에 해당 센서의 관측 영역을 확장하여 보완할 필요가 있다. 향후 저자는 해당 센서의 관측 영역을 농림위성과 최대한 유사한 분광 영역으로 확장하여 실험을 지속할 예정이다. 또한 지속적으로 비교가 능한 지점별 샘플 수를 최대한 확보하여 상관성을 평가하고 보고할 예정이다.

4. 결론

본 연구는 2025년 발사 예정인 농림위성의 산림분야 산출물 중 식생지수를 검증하기 위한 검보정 사이트 설계를 목적으로 진행되었다. 국외 문헌 고찰을 통해 국제적 기준을 따라 검보정 사이트를 설계하였으며 식생지 수 검증을 위한 센서 선정 및 집록된 데이터를 Sentinel-2 위성영상과 비교하여 그 활용성을 검증하였다.

연구 결과 광릉 활엽수림, 완도 상록수림, 평창 혼효림, 홍천 혼효림 flux tower에서 관측된 데이터들이 Sentinel-2 표면반사도를 통해 산출한 데이터와 비교하여 최대 R2 0.97의 높은 상관성과 최소 RMSD 0.04의 낮은 차이를 보였다.

광릉 침엽수림에서는 비교적 높은 RMSD 0.5를 보였으나 이는 센서 이상으로 판단되며 향후 센서 검증이 필요할 것으로 판단되었다. 또한 산악기상관측망에서 관측된 데이터는 활용 가능성이 낮게 판단되었으나 위성 영상과 현장 관측의 센서 footprint를 일치시켜서 비교하는 향후 연구가 필요하다.

본 연구 결과에 따라 저자는 향후 센서의 관측 영역을 농림위성과 더욱 유사하게 보완하고 전국적으로 31개소 이상의 검보정 사이트를 확장할 예정이다. 해당 연구는 향후 우리나라에서 Sentinel-2를 활용하여 식생지 수 분석 연구를 하는 연구자들의 국내 검증 자료의 지표로 활용될 것으로 기대된다

참고문헌

  1. Ahn, H.Y., S.I. Na, C.W. Park, K.H. So, and K.D. Lee, 2018. Atmospheric Correction Effectiveness Analysis of Reflectance and NDVI Using Multispectral Satellite Image, Korean Journal of Remote Sensing, 34(6-1): 981-996 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.6.1.11
  2. Bourg, L., J. Bruniquel, H. Morris, J. Dash, R. Preusker, and S. Dransfeld, 2021. Copernicus Sentinel-3 OLCI Land User Handbook, European Space Agency, Paris, France, p. 49.
  3. Chun, J.H., J.H. Lim, and D.K. Lee, 2007. Biomass Estimation of Gwangneung Catchment Area with Landsat ETM+ Image, Journal of Korean Forest Society, 96(5): 591-601.
  4. Huete, A., C. Justice, and W. Van Leeuwen, 1999. MODIS vegetation index (MOD13), Algorithm Theoretical Basis Document, 3(213): 295-309.
  5. Im, J., H.G. Sohn, D.J. Kim, and J. Choi, 2020. Remote Sensing-assisted Disaster Monitoring and Risk Analysis, Korean Journal of Remote Sensing, 36(5-3): 1007-1011 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.3.1
  6. Kim, J., Y. Ryu, B. Dechant, H. Lee, H.S. Kim, A. Kornfeld, and J.A. Berry, 2021. Solar-induced chlorophyll fluorescence is non-linearly related to canopy photosynthesis in a temperate evergreen needleleaf forest during the fall transition, Remote Sensing of Environment, 258: 112362. https://doi.org/10.1016/j.rse.2021.112362
  7. Kim, J., Y. Ryu, C. Jiang, and Y. Hwang, 2019. Continuous observation of vegetation canopy dynamics using an integrated low-cost, near-surface remote sensing system, Agricultural and Forest Meteorology, 264: 164-177. https://doi.org/10.1016/j.agrformet.2018.09.014
  8. Kim, W., J. Jeong, and M. Choi, 2022. Evaluation of Reservoir Monitoring-based Hydrological Drought Index Using Sentinel-1 SAR Waterbody Detection Technique, Korean Journal of Remote Sensing, 38(2): 153-166 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2022.38.2.2
  9. Kong, J., Y. Ryu, Y. Huang, B. Dechant, R. Houborg, K. Guan, and X. Zhu, 2021. Evaluation of four image fusion NDVI products against in-situ spectral-measurements over a heterogeneous rice paddy landscape, Agricultural and Forest Meteorology, 297: 108255. https://doi.org/10.1016/j.agrformet.2020.108255
  10. Kong, J., Y. Ryu, J. Liu, B. Dechant, C. Rey-Sanchez, R. Shortt, D. Szutu, J. Verfaillie, R. Houborg, and D.D. Baldocchi, 2022. Matching high resolution satellite data and flux tower footprints improves their agreement in photosynthesis estimates, Agricultural and Forest Meteorology, 316: 108878. https://doi.org/10.1016/j.agrformet.2022.108878
  11. Lange, M., B. Dechant, C. Rebmann, M. Vohland, M. Cuntz, and D. Doktor, 2017. Validating MODIS and Sentinel-2 NDVI Products at a Temperate Deciduous Forest Site Using Two Independent Ground-Based Sensors, Sensors, 17(8): 1855. https://doi.org/10.3390/s17081855
  12. Lee, B., E. Kim, J. Lee, J.M. Chung, and J.H. Lim, 2018. Detecting Phenology Using MODIS Vegetation Indices and Forest Type Map in South Korea, Korean Journal of Remote Sensing, 34(2-1): 267-282 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2018.34.2.1.9
  13. Lee, H.J., J.H. Ru, and Y.G. Yu, 2013. Analysis of Satellite Images to Estimate Forest Biomass, Journal of the Korean Society for Geospatial Information System, 21(3): 63-71 (in Korean with English abstract). https://doi.org/10.7319/kogsis.2013.21.3.063
  14. Lee, H.S. and K.S. Lee, 2017. Effect of Red-edge Band to Estimate Leaf Area Index in Close Canopy Forest, Korean Journal of Remote Sensing, 33(5-1): 571-585 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2017.33.5.1.10
  15. Liu, X., L. Liu, J. Hu, and S. Du, 2017. Modeling the Footprint and Equivalent Radiance Transfer Path Length for Tower-Based Hemispherical Observations of Chlorophyll Fluorescence, Sensors, 17(5): 1131. https://doi.org/10.3390/s17051131
  16. Marcolla, B. and A. Cescatti, 2018. Geometry of the hemispherical radiometric footprint over plant canopies, Theoretical and Applied Climatology, 134(3): 981-990. https://doi.org/10.1007/s00704-017-2326-z
  17. Moon, S.K., S.H. Park, J. Hong, and J. Kim, 2005. Spatial Characteristics of Gwangneung Forest Site Based on High Resolution Satellite Images and DEM, Korean Journal of Agricultural and Forest Meteorology, 7(1): 115-123 (in Korean with English abstract).
  18. Nagai, S., T.M. Saitoh, R. Suzuki, K.N. Nasahara, W.K. Lee, Y. Son, and H. Muraoka, 2011. The necessity and availability of noise-free daily satellite-observed NDVI during rapid phenological changes in terrestrial ecosystems in East Asia, Forest Science and Technology, 7(4): 174-183. https://doi.org/10.1080/21580103.2011.643388
  19. Ryu, Y., D.D. Baldocchi, J. Verfaillie, S. Ma, M. Falk, I. Ruiz-Mercado, T. Hehn, and O. Sonnentag, 2010. Testing the performance of a novel spectral reflectance sensor, built with light emitting diodes (LEDs), to monitor ecosystem metabolism, structure and function, Agricultural and Forest Meteorology, 150(12): 1597-1606. https://doi.org/10.1016/j.agrformet.2010.08.009
  20. Ryu, Y., G. Lee, S. Jeon, Y. Song, and H. Kimm, 2014. Monitoring multi-layer canopy spring phenology of temperate deciduous and evergreen forests using low-cost spectral sensors, Remote Sensing of Environment, 149: 227-238. https://doi.org/10.1016/j.rse.2014.04.015
  21. Sakong, H.S., K.H. Seo, and S.H. Han, 2007. A Study on Building Database for Territorial Use of the North Korea, Korea Spatial Information Society, 15(3): 323-333.
  22. Szantoi, Z. and P. Strobl, 2019. Copernicus Sentinel-2 Calibration and Validation, European Journal of Remote Sensing, 52(1): 253-255. https://doi.org/10.1080/22797254.2019.1582840
  23. Tucker, C.J., 1979. Red and photographic infrared linear combinations for monitoring vegetation, Remote Sensing of Environment, 8(2): 127-150. https://doi.org/10.1016/0034-4257(79)90013-0
  24. Yoon, S.J., J. Son, H. Park, J. Seo, Y. Lee, S. Ban, J.S. Choi, B.G. Kim, J.H. Lee, K.S. Lee, K.E. Kweon, K.D. Lee, H.S. Jung, Y.J. Choung, H. Choi, D. Koo, M. Choi, Y. Shin, J. Choi, Y.D. Eo, J.C. Jeong, Y. Han, J. Oh, S. Rhee, E. Chang, and T. Kim, 2020. CAS 500-1/2 Image Utilization Technology and System Development: Achievement and Contribution, Korean Journal of Remote Sensing, 36(5-2): 867-879 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2020.36.5.2.2
  25. Yoon, S.Y., H. Choi, and G.H. Kim, 2017. Estimation of Vegetation Cover Fraction Using Landsat 8 OLI imagery and Field Survey Data, Journal of the Korean Society for Geospatial Information Science, 25(3): 95-100. https://doi.org/10.7319/kogsis.2017.25.3.095