대한원격탐사학회지 (Korean Journal of Remote Sensing)

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

DOI QR Code

GOCI-II 영상 기반 Random Forest 모델을 이용한 해빙 모니터링 적용 가능성 평가: 2021-2022년 랴오둥만을 대상으로

Evaluation of Applicability of Sea Ice Monitoring Using Random Forest Model Based on GOCI-II Images: A Study of Liaodong Bay 2021-2022

  • Jinyeong Kim (Department of Remote Sensing, Underwater Survey Technology 21 Corp.) ;
  • Soyeong Jang (Department of Remote Sensing, Underwater Survey Technology 21 Corp.) ;
  • Jaeyeop Kwon (Department of Remote Sensing, Underwater Survey Technology 21 Corp.) ;
  • Tae-Ho Kim (Department of Remote Sensing, Underwater Survey Technology 21 Corp.)
  • 투고 : 2023.09.27
  • 심사 : 2023.11.13
  • 발행 : 2023.12.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

해빙(sea ice)은 현재 전 세계 해양 면적의 약 7%를 차지하고 있으며 계절적, 연간 변화를 보이고 주로 극지방과 고위도 지역에 나타난다. 해빙은 대규모 공간 규모에서 다양한 종류로 형성되며 석유 및 가스탐사, 기타 해양활동이 급속히 증가하는 발해해는 해양 구조물 피해 및 해상 운송, 해양 생태계에 심각한 영향을 미치기 때문에 시계열 모니터링을 통해 해빙의 면적 및 유형 분류를 분석하는 것이 매우 중요하다. 현재 고해상도 위성영상 및 현장 실측 자료를 바탕으로 해빙의 종류 및 영역에 대한 연구가 진행되고 있지만 현장 실측자료를 획득하여 해빙 모니터링에는 한계가 있다. 고해상도 광학 위성영상은 광범위에서 해빙의 유형을 육안으로 탐지하고 식별할 수 있고, 짧은 시간해상도를 갖는 해양위성인 천리안 2B호(Geostationary Ocean Color Imager-II, GOCI-II)를 이용하여 해빙 모니터링의 공백을 보완할 수 있다. 이 연구에서는 고해상도 광학위성영상을 이용하여 생산된 학습자료를 기반으로 규칙기반 기계학습 모델을 훈련시키고 이를 GOCI-II 영상에서 탐지를 수행함으로써, 해빙 모니터링 활용 가능성을 알아보고자 하였다. 학습 자료는 발해(Bohai Sea)의 2021-2022년 랴오둥만(Liaodong Bay)을 대상으로 추출하였으며, GOCI-II를 활용한 Random Forest (RF) 모델을 구축하여 기존 normalized difference snow index (NDSI) 지수 기반 및 고해상도 위성영상에서 획득된 해빙 영역과 정성적 및 정량적 비교 분석하였다. 본 연구 결과 해빙의 영역을 과소평가한 NDSI 지수 기반 결과와 달리 비교적 자세한 해빙 영역을 탐지하였으며 유형별 해빙을 분류할 수 있어 해빙 모니터링이 가능함을 확인하였다. 향후 지속적인 학습 자료 및 해빙형성에 영향인자 구축을 통해 탐지 모델의 정확도를 향상시킨다면 고위도 해양 지역에서 해빙 모니터링 분야에 활용할 수 있을 것으로 기대된다.

Sea ice currently covers approximately 7% of the world's ocean area, primarily concentrated in polar and high-altitude regions, subject to seasonal and annual variations. It is very important to analyze the area and type classification of sea ice through time series monitoring because sea ice is formed in various types on a large spatial scale, and oil and gas exploration and other marine activities are rapidly increasing. Currently, research on the type and area of sea ice is being conducted based on high-resolution satellite images and field measurement data, but there is a limit to sea ice monitoring by acquiring field measurement data. High-resolution optical satellite images can visually detect and identify types of sea ice in a wide range and can compensate for gaps in sea ice monitoring using Geostationary Ocean Color Imager-II (GOCI-II), an ocean satellite with short time resolution. This study tried to find out the possibility of utilizing sea ice monitoring by training a rule-based machine learning model based on learning data produced using high-resolution optical satellite images and performing detection on GOCI-II images. Learning materials were extracted from Liaodong Bay in the Bohai Sea from 2021 to 2022, and a Random Forest (RF) model using GOCI-II was constructed to compare qualitative and quantitative with sea ice areas obtained from existing normalized difference snow index (NDSI) based and high-resolution satellite images. Unlike NDSI index-based results, which underestimated the sea ice area, this study detected relatively detailed sea ice areas and confirmed that sea ice can be classified by type, enabling sea ice monitoring. If the accuracy of the detection model is improved through the construction of continuous learning materials and influencing factors on sea ice formation in the future, it is expected that it can be used in the field of sea ice monitoring in high-altitude ocean areas.

키워드

1. 서론

해빙(Sea ice)은 바다에 존재하는 모든 얼음을 총칭하는 용어로 바닷물에 의해 형성된 염빙(Salt ice)과 하천의 담수, 대륙 빙하, 산골 빙하가 내륙에서 바다로 흘러 들어와 형성된 담빙을 포함한다(Zhang et al., 2013). 해빙은 이동 형태에 따라 급속빙(Fast ice)과 유빙(Drift ice)으로 구분되며, 그 모양과 결빙 시기에 따라 다양한 종류의 해빙으로 나뉘어진다(Zhang et al., 2013). 해빙은 현재 전 세계 해양 면적의 7%를 차지하고 있으며(Lemke et al., 2007; Gu et al., 2021) 전형적으로 계절적, 연간 변화를 보이고 극지방과 고위도 바다에 나타나며 이는 해양 수문학, 해양 순환, 해양-대기-얼음 상호작용에 극적인 영향을 미친다(Gu et al., 2021; Su et al., 2012; Van Woert, 1999).

중국의 발해만 해역은 북아시아-유럽의 극대륙 기단의 영향을 받아 북중국 해의 겨울은 매우 춥고 발해해와 황해 북부에 해빙이 형성된다(Wu et al., 2000; Zhang et al., 2013; Zhang et al., 2020). 발해해의 해빙은 기온, 풍속, 수온 등의 해양 및 기상 조건에 영향을 많이 받아 단 한 겨울 동안만 지속되는 단년빙에 속한다(Gu et al., 2021; Karvonen et al., 2017; Liu et al., 2013; Qiu et al., 2022; Su et al., 2019; Zhang et al., 2013; Zhang et al., 2014).

발해해에서는 석유 및 가스 탐사, 생산 및 기타 해양 활동이 급속히 증가하고 있으나 북쪽에서 계속되는 한파로 인해 해안을 따라 해빙이 촘촘하고 두께가 고르지 않게 쌓이는 현상이 심해 해양 구조물에 피해를 발생시키고 해상 운송 및 해양 생태계에 심각한 영향을 미치고 있다(Gu et al., 2021; Karvonen et al., 2017; Shi and Wang, 2012a, 2012b; Wang et al., 2021; Yan et al., 2019; Yang, 2000). 이러한 해빙 재해를 완화하고 예방하기 위해 해빙을 모니터링하는 것은 매우 중요하다(Qiu et al., 2022; Shin et al., 2021; Shi and Wang, 2012a, 2012b; Su et al., 2019; Wang et al., 2021; Yan et al., 2019; Zhang et al., 2014).

해빙은 넓은 해양에서 다양한 종류와 큰 면적으로 형성되므로 인공위성을 이용한 원격탐사 기술은 해빙 모니터링에 매우 유용한 도구이다. 다양한 센서 기반의 해빙 모니터링 관련 연구가 진행되고 있으며, 센서의 특성을 고려한 분포면적, 분포농도, 해빙두께, 해빙종류 등 다양한 정보를 생산하는 기술이 연구되고 있다(Bi et al., 2020; Comiso and Steffen, 2001; Comiso et al., 2003; Gu et al., 2021; Ivanova et al., 2014; Karvonen et al., 2017; Kwok, 2010; Mahmud et al., 2022; Ning et al., 2009; Su et al., 2019; Tucker et al., 1992; Winebrenner et al., 1994; Yan et al., 2019; Zakhvatkina et al., 2019). 발해만 대상 연구의 경우, Karvonen et al. (2017)은 영상레이더(synthetic aperture radar, SAR) 영상과 수동 마이크로파 센서인 Microwave Radiometer 데이터와 열역학적 해빙 모델을 사용하여 발해해의 해빙 농도(sea ice concentration, SIC)와 해빙 두께(sea ice thickness, SIT)를 도출하는 새로운 경험적 방법을 제시하였다. 이 연구에서는 2012–2013년 겨울을 대상으로 위성영상 추정값과 현장 측정값을 비교하였다. Su et al. (2019)은 Sentinel-3 Ocean and Land Color Instrument (OLCI) 영상을 활용하여 2017–2018년 겨울 발해 해빙에 대해 해빙 정보 지수를 개발하여 시공간 분포를 모니터링하였다. 위성의 밴드를 이용하여 새로운 Enhanced Normalized Difference Sea Ice Information Index (ENDSII)를 이용하여 기존의 지수보다 탁도의 간섭을 덜 받으며 효과적으로 해빙을 모니터링 하고자 하였다. Yan et al. (2019)은 Geostationary Ocean Color Imager (GOCI) 데이터를 사용하여 2012–2013년 겨울 기간 동안의 해빙의 면적과 두께를 포함한 해빙의 특성을 모니터링 하고자 하였다.

선행 연구들은 주로 고해상도의 Sentinel-2/3 영상 및 Landsat-8/9 등 높은 공간해상도의 광학영상을 활용하여 해빙에 대한 정확한 정보를 이용하거나 MODIS와 같은 장기간 영상을 이용하여 다년빙의 해빙의 분포, 두께, 농도 및 역학적 모델에 대한 연구가 수행되었다. 발해의 해빙은 단년빙으로 이를 모니터링하기 위해 랴오둥만의 시공간적 해빙의 유형을 식별해야 하며, 이를 충족하기 위해서는 발해만 해빙 모니터링 목적에 적합한 시공간적 해상도를 갖는 위성영상을 사용해야 한다. 인공위성 광학센서는 마이크로웨이브 센서 기반의 해빙 모니터링 기술 대비 기상 조건과 구름의 유무에 따라 영상을 획득하는데 제한이 있다. 그럼에도 불구하고, 고해상도 위성영상은 육안으로도 해빙, 육지, 바다 및 연안 시설물의 식별이 가능하여 정확한 공간정보의 획득이 가능하다. 또한, 정지궤도 인공위성의 활용은 짧은 시간 해상도의 영상 촬영이 가능하여 해빙의 시계열 모니터링에 효과적으로 사용될 수 있다(Huck et al., 2007; Su et al., 2019; Shin et al., 2021; Wang et al., 2021; Yan et al., 2019). 따라서 해빙 정보 획득 관점에서 인공위성에 탑재된 센서의 개별적인 유용한 특징을 융합하여 모니터링 성능을 향상하는 연구가 필요하다.

본 연구에서는 2021–2022년 랴오둥만의 겨울 시기를 대상으로 고해상도 광학 위성 및 해양 위성영상을 시계열로 구축하여 해빙의 영역 및 종류를 정의하였다. 이를 통해 랴오둥만 해빙 면적의 시계열 변화를 분석하고, 기계학습을 이용하여 해빙의 영역과 결빙시기에 따라 달라지는 해빙을 분류하여 특성을 분석하고자 하였다. 분류된 해빙 및 해수의 밴드별 스펙트럼(Spectrum) 분석을 통해 각 유형별 특성을 파악하였으며, NDSI 지수 기반 해빙 산출물과 고해상도 위성영상과 정성적 및 정량적 평가를 하고자 하였다.

2. 연구지역 및 자료

2.1. 연구 지역

중국 북동해안에 위치한 발해(37°07′–41°00′N 및 117°35′–122°15′E)는 북반구 최남단에 있으며 랴오둥만, 발해만, 라이저우만 세 개의 주요 만에 둘러싸여 있다. 황해와 연결되어 중국의 해양생태계에 영향을 주는 핵심적인 위치를 갖고 있으며 발해해의 주변 지역은 중국에서 높은 인구 밀도와 가장 발전된 경제, 문화, 교육 등 과학 기술력과 산업 기반을 갖춘 지역 중 하나가 되었다(Song and Duan, 2019; Zheng et al., 2014). 발해는 북부 대륙성 기후 및 해수면의 반밀폐형 패턴으로 인해 여름철과 겨울철의 수온 범위는 1.7°C에서 27°C로 확연하게 차이가 나며(Zhang et al., 2013), 2월 평균 기온은 0°C, 8월 평균 기온은 21°C이다(Karvonen et al., 2017; Kong and Ye, 2014). 밀폐형 조석 잔류는 랴오둥만 북쪽의 오염 물질 수송에 불리한 조건으로(Wei et al., 2001), 평균 수심 약 18 m인 랴오둥만은 북쪽에서 형성된 육지와 하천의 오염물질에 대해 해수교환 과정에서 발생하는 자정능력으로는 처리할 수 없다(Kong and Ye, 2014). 또한, 발해해는 황하와 요하강에서 퇴적물이 유입되어 강의 하구와 근접한 해양은 육안으로도 식별이 가능한 수준의 높은 탁도를 나타내는 특징이 있으며, 해수의 염도는 30 PSU에 불과하며 중국 연안 해역에서 가장 낮다(Yan et al., 2019). 발해해의 탁함은 주변 연안 도시들의 최근 수십년간 항구와 부두 개발, 대량 화물 운송 및 화력 발전 등 대규모 도시화와 산업화의 여파로 대량의 오염물질로 인해 설명할 수 있으며(Wang et al., 2020), 이는 연구 대상 날짜(2022년 1월 16일) 기준 해빙 생성 전, 소멸 후 Sentinel-2 위성영상을 통해 확인 가능하다(Figs. 1a, b). 연구 지역인 랴오둥만은 세계적으로 가장 유명한 해기차(Air-Sea Temperature Difference, ASTD) 발생 지역으로 아시아 대륙 고기압에 의해 차가운 기단이 종종 통과하여 갑작스러운 기온 하락과 강한 바람을 동반하여 해수면 온도와 대기 온도의 차인 해기차로 인해 바다는 매년 겨울 얼어붙는다. 이러한 해기차로 인해 랴오둥만 내에서는 매년 겨울 12~2월 사이에 해빙이 형성되다 3월초 유빙과 함께 해빙이 녹는다(Su et al., 2012). 발해 랴오둥만 대상 기존 연구에 따르면 광학 영상에서 분광 스펙트럼 특성 분석을 통해 육지 면적(LA)과 해수(SW)로 크게 구분할 수 있으며, 해빙은 Fast Ice (FI), New Ice (NI), White Ice (WI), Grey White Ice (GWI)로 구분된다고 알려져 있다(Su et al., 2013; Wang et al., 2021; Yan et al., 2019).

OGCSBN_2023_v39n6_2_1651_f0001.png 이미지

Fig. 1. The inflow of muddy water in Liaodong Bay just before and after sea ice formation seen by Sentinel-2 satellite images. (a) December 19, 2021 (before sea ice formation). (b) February 27, 2022 (after sea ice disappears).

2.2. 연구 자료

2.2.1. GOCI-II

정지궤도 해양위성인 천리안 2B호(Geostationary Ocean Color Imager-II, GOCI-II)는 해색(ocean color) 센서를 탑재하여 1시간의 짧은 시간해상도와 250 × 250 m의 공간해상도를 가지고 한반도 주변해역 해양환경 모니터링 및 해양재해·재난 조기대응 등의 임무를 수행하고 있다(Table 1). 본 연구에서는 중국 북동해안에 위치한 발해해의 랴오둥만으로 대기보정이 수행된 가시 및 근적외 채널의 반사도 자료인 Rayleigh corrected reflectance (Rhoc) Slot S011번 L2자료를 이용하여 연구를 수행하였다(Fig. 2). 시계열 해빙 면적 변화를 보기 위해 2021–2022년 대상으로 랴오둥만의 해빙 형성 기간인 12~2월 중 육안으로 해빙탐지에 구름의 영향이 없는 174장을 이용하였고, 육안판독을 통해 선택한 구름이 없는 위성영상 1장은 기계학습모델 생성 및 평가에 사용하였다(Fig. 3a).

Table 1. The central wavelength and resolution of GOCI-II and Landsat-9

OGCSBN_2023_v39n6_2_1651_t0001.png 이미지

OGCSBN_2023_v39n6_2_1651_f0002.png 이미지

Fig. 2. Location map in Liaodong Bay of Bohai Sea in China.

OGCSBN_2023_v39n6_2_1651_f0003.png 이미지

Fig. 3. Liaodong Bay (a) GOCI-II satellite image and (b) Landsat-9 L1TP satellite image, January 16, 2022. The (c) GOCI-II and (d) Landsat-9 (red box on Figs. 3a, b) represents the different types of sea ice seen in satellite images and the blue line is Liaodong Bay land line).

2.2.2. Landsat-9

Landsat-9은 고해상도 광학위성으로 태양 복사에너지의 지표면 반사 에너지를 관측하는 위성이다. 본 연구에서는 Landsat-9 Level 1 Precision and Terrain Correction (L1TP) 및 Level 2 Science Product Correction (L2SP) 영상의 cloud cover가 10% 미만인 자료를 선별하였고, 그 중 연구지역 해상에 구름이 없으며 GOCI-II 촬영 시각과 가장 근접한 시간에 촬영된 2022년 1월 16일 위성영상을 사용하였다(Fig. 3b). L1TP 영상에서 30 m의 공간해상도를 가지는 RGB 밴드를 사용하였고, 이를 전정색(panchromatic) 밴드 영상을 이용하여 Pan-sharpening 시켜주어 15 m의 공간해상도 위성영상을 생성하여 해빙을 육안 탐지 하였다(Table 1; Figs. 3b, d). 육안 탐지 과정을 통해 생산된 해빙 종류별 공간정보를 해빙 반사도 특성을 분석하기 위해서 동일 Path 및 Frame을 가지는 대기보정 표면 반사 영상(Atmospherically Corrected Surface Reflectance Image)인 L2SP 자료에 적용하였다. 해빙 종류별 공간에 포함되는 픽셀의 반사도를 이용하여 해빙 및 해수의 종류별 반사도 스펙트럼을 분석하였다.

2.2.3. 기상자료

해빙 형성에 영향을 미치는 기상자료로는 European Centre for Medium-Range Weather Forecasts(ECMWF)의 ERA5 재분석 자료를 통해 구축된 10 m 높이의 풍속 자료와 2 m 높이의 기온 자료 및 표면 해수면 온도 자료를 통해 분석하였다. ERA5 재분석 자료는 1시간 단위의 재분석장을 제공하여 이를 위성촬영시각 기준 3시간 평균 자료를 사용하였다.

3. 연구방법

3.1. 해빙 영역 탐지

GOCI-II 영상은 육지, 바다 및 해빙의 구분이 가능하고 재방문 주기가 짧아 시계열적으로 해빙 면적의 변화와 소멸 및 생성 확인에 유용하다. 본 연구에서는 해빙의 시계열 면적 변화를 보기 위해 2021년과 2022년의 12~2월 GOCI-II 위성영상 중 육안으로 구름이 거의 없는 위성영상 174장을 선별하였다. 해빙의 면적을 산출하기 위하여 GOCI-II의 12개 밴드(380–865 nm) 영상을 이용하였으며 육안판독을 통해 해빙과 바다, 해빙과 육지의 경계선을 판독하였다. 12개 밴드에서 모두 육안으로 해빙을 탐지하였을 때 해빙 면적의 표준편차는 최소 2.02 km2에서 최대 22.17 km2로 광역적 범위의 해빙 면적을 고려한다면 작은 면적 차이가 난다고 판단하였다. 여러 파장 대역에서 해빙을 탐지하는 선행연구(Gu et al., 2021)들이 있지만 본 연구에서는 GOCI-II의 12개 밴드와 RGB 영상을 이용하여 연구를 수행하였다. Fig. 4는 GOCI-II RGB 영상에서 해빙 영역인 빨간색 폴리곤(polygon)을 정의한 예를 보여준다. 이와 같이 GOCI-II위성영상은 디지타이징(digitizing)을 통해 해빙-바다, 해빙-육지 사이의 영역 구분과 시계열 변화에 따른 모니터링이 가능한 장점이 있지만(Fig. 3a), 상대적으로 낮은 공간분해능으로 인해 일부 해빙과 유사한 색을 나타내는 바다 영역 식별에 한계점이 존재한다(Fig. 3c). 랴오둥만 해빙의 일부 영역은 두께가 매우 얇으며 해빙 사이에 간극이 존재하는데, 본 면적 산출 과정에서는 최외곽 경계선을 추출하고 경계선 내부의 영역은 모두 해빙으로 가정하였다.

OGCSBN_2023_v39n6_2_1651_f0004.png 이미지

Fig. 4. GOCI-II satellite RGB images for January 9, 2021. The red polygon is the sea ice area.

3.2. 해빙 유형 분류

GOCI-II의 위성영상은 250 m의 공간해상도로 해빙 유형의 공간 변화가 심한 해역에서는 자세한 해빙의 종류를 분석하기에 어려움이 존재한다(Figs. 3a, c). 반면에 고해상도 위성영상은 뚜렷한 반사 및 복사, 레이더 산란 특성 차이를 보이므로 영상의 육안분석에 기반한 디지타이징을 통해 해빙 및 해수의 클래스(Class) 구분이 가능하다(Figs. 3b, d). 본 연구에서는 Landsat-9의 30 m 해상도 영상을 Pan-sharpening을 수행하여 15 m 공간해상도 영상으로부터 육안판독을 통해 다양한 종류의 해빙과 해수의 유형을 구별하여 해빙 유형별 분포도를 생산하였다. 해빙의 유형은 White Ice (WI), Grey Ice Light (GIL), Grey Ice Dark (GID), Nilas Ice (NI), Grease Ice (GI), Dirty Ice (DI) 6가지로 나누어 분류하였고, 해수는 Clean Sea Water (CSW), Turbid Water (TW), Ice Between Water (IBW)로 3가지의 기준으로 육안분석을 수행하였다(Fig. 5). 또한, 겨울철 요하강 하구 암석 위 쌓인 눈(SN)은 해빙과 분류하기 위해 해빙이 형성되지 않은 여름철 영상을 이용하여 분석하였으며, 스펙트럼 분석을 통한 해빙 및 해수 이외 랴오둥만 해수에 대해 따로 클래스를 부여하여 분류하였다. 육안판독을 통한 해빙 탐지결과는 Fig. 6과 같다. Fig. 6(b)는 Fig. 6(a)의 빨간색 박스 영역의 확대 영상으로, 해빙 종류의 공간 변화가 가장 심한 강하구 영역에서의 해빙 및 해수 유형별 분류 결과를 보여준다.

OGCSBN_2023_v39n6_2_1651_f0005.png 이미지

Fig. 5. Different types of sea ice distinguished from Landsat-9 satellite images.

OGCSBN_2023_v39n6_2_1651_f0006.png 이미지

Fig. 6. Landsat-9 satellite images for January 16, 2022. (a) The result of sea ice digitization over the entire area. (b) The magnified image corresponding to the red box.

3.3. 해빙 유형별 반사도 스펙트럼 분석

유형별 분류 결과 바탕으로 각 클래스별 픽셀 수 2,000개를 무작위로 추출 및 평균하여 스펙트럼을 비교하였다(Fig. 7). 해빙 및 해수는 선행연구를 바탕(Table 2)으로 유형을 분류하였다(Wang et al., 2021; Riggs et al., 1999). 선행연구에서 밝혀진 바와 같이 각 밴드에서 해수의 반사율은 해빙의 반사율보다 낮게 나타남을 Fig. 7에서 확인할 수 있다. Wang et al. (2021)은 Band_2 (490 nm)와 Band_5 (705 nm)를 특정 밴드로 취하여 많은 실험적 분석을 통해 해수와 해빙을 구별하기 위해 Band_2 반사도 임계값은 0.065로 해수의 경우 0.065 미만이며 해빙의 경우 0.065보다 큰 것을 알아냈다. 또한, Band_5 반사도 임계값은 0.08로 해수의 경우 0.08보다 작고 해빙은 0.08보다 크게 나왔다. 두 임계값은 위 선행연구에서도 언급한 바와 같이 기존 문헌(Su et al., 2013)에 있는 외해수의 일반적인 알베도 값에 매우 가까운 것을 확인하였다. 본 연구의 Fig. 7과 같이 각각 밴드에서 해수는 해빙에 비해 낮은 반사율을 보였으며, 해빙과 해수의 반사율은 모든 밴드 사이에서 분명하게 나타났다. 해빙의 경우 Band_2, Band_5 반사도 임계값이 각각 0.065, 0.08 이상으로 나타났으며, 해수의 경우 Band_2, Band_5 반사도 임계값이 각각 0.065, 0.08 미만으로 나타남을 확인할 수 있다. Fig. 8은 해빙 및 해수의 클래스별 반사도 그래프를 나타낸다. WI는 First Year Ice로 다른 종류의 해빙보다 두께가 두꺼우며 한 겨울 동안에만 형성되는 해빙으로 알려져 있다. WI는 다른 종류의 해빙보다 높은 반사도 값을 보였으며 불순물이 섞여 있지 않는 깨끗한 해빙일수록 다른 해빙과 큰 차이를 나타남을 알수있었다. New Ice는 앞선 선행연구에서 밝혀진 바와 같이 865 nm에서 0.07보다 낮은 반사율을 보이는 특징이 있다. 본 연구에서 분류된 New Ice인 GI는 Band_5 (865 nm)에서 0.07보다 낮은 반사율을 보였고 SW와 비슷한 양상으로 나타남을 볼 수 있었다. DI와 TW의 경우 불순물 및 퇴적물의 유입으로 인해 Band_3 (561.5 nm)와 Band_4(654.5 nm)에서 반사값이 다른 밴드에 비해 높은 것을 확인할 수 있다. GIL과 GID는 같은 Grey Ice로 705 nm에서 0.31보다 낮은 반사값을 나타낸다고 알려져 있다. 본 연구에 사용된 Landsat-9 밴드 중 가장 근접한 Band_4(654.5 nm)에서 비교해보았을 때, 두 Grey Ice 모두 0.31보다 낮은 반사값을 나타냈다. 두 Grey Ice는 스펙트럼 분석에서 차이가 크게 나타나지 않지만 육안분석으로 구분이 가능하였기 때문에 분류하였다. NI 또한 다른 해빙들과 다른 스펙트럼 경향성을 보이기 때문에 6가지 해빙을 분류하는 것은 가능하다. 해수 또한 육안으로 CSW, TW 구분이 가능하며 CSW와 TW 이외 해빙 영역의 최외곽 경계선 내부 영역을 IBW로 분류하였고 스펙트럼 분류 결과 각 밴드별 특성 차이로 인해 3가지 종류로 분류가 가능함을 확인하였다. 랴오둥만 해빙은 특성상 단년빙에 해당하여 극지방의 해빙에 비해 두께가 얇고, 매년 겨울인 12~2월에 형성되어 3월초 소멸된다. 단년빙인 해빙과 해수는 열적외선 대역대인 Band_6(1,608.5 nm)과 Band_7 (2,200.5 nm)에서 Fig. 9와 같이 분류가 되지 않아 육안으로 탐지가 불가능하여 밴드 특성이 나타나지 않음을 확인하였다.

Table 2. Band-specific thresholds to classify type-specific sea ice and sea water in high-resolution optical images

OGCSBN_2023_v39n6_2_1651_t0002.png 이미지

OGCSBN_2023_v39n6_2_1651_f0007.png 이미지

Fig. 7. Analysis of sea ice and sea water spectrum of visual detection results of Landsat-9 satellite images.

OGCSBN_2023_v39n6_2_1651_f0008.png 이미지

Fig. 8. Analysis of spectrum by class-specific of visual detection results of Landsat-9 satellite images.

OGCSBN_2023_v39n6_2_1651_f0009.png 이미지

Fig. 9. Landsat-9 thermal infrared band for January 16, 2022.

3.4. Random Forest 기반 해빙 탐지 알고리즘

본 연구에서는 GOCI-II, Landsat-9 위성영상을 이용하여 위성영상 관측 시점의 해빙을 탐지하는 모델을 구축하였다(Fig. 10). 기계학습 모델의 입력자료는 GOCI-II Slot S011번 영상을 활용하였다. GOCI-II 위성영상은 flag를 사용하여 구름 마스킹을 적용할 경우 구름과 Ice가 같이 마스킹되어 타 위성에서 제공하는 구름 마스킹 자료를 사용하여 적용 후 GOCI-II 영상에서 해빙을 산출하였다. 타 위성에서 제공하는 구름 마스킹 중 GOCI-II 위성과 시간 및 공간해상도를 고려하여 Advanced Meteorological Imager (AMI) 구름 정보를 이용하여 마스킹을 수행하였다. AMI 영상과 GOCI-II 영상은 획득 시간의 차가 있기 때문에 구름의 이격이 발생함으로 GOCI-II 위성영상 촬영시각을 기준으로 앞, 뒤에 해당하는 구름 영상을 Union하여 한 픽셀이라도 구름으로 판단될 경우 마스킹 처리를 해주었다. 모델의 정답자료는 Landsat-9에서 육안 탐지된 해빙 자료를 사용하였으며 Python 프로그램에서 Rasterio 툴을 이용하여 GOCI-II 위성영상의 좌표계를 추출하여 정격자화 시켜 Landsat-9 L2 자료 및 디지타이징된 Shape 좌표체계를 변경해주고, 30 m 급 공간해상도를 GOCI-II와 동일한 250 m 해상도로 Down-sampling 해주었다(Gillies et al., 2013; Lemenkova and Debeir, 2022). 기계학습 모델은 RF 모델을 사용하였으며, 이는 분류 및 회귀분석을 하는 기계학습 기법으로 다수의 결정 트리들을 학습하는 앙상블 기법이다. RF 모델은 입력 변수 추가 및 변경이 간편한 것이 장점이고, 학습 자료로 사용하는 데이터셋의 정확도를 많이 요구한다(Sagawa et al., 2019). 본 연구에서는 Python 프로그램에서 scikit-learn 툴을 사용하여 RF 기반 해빙 분류 모델을 구축하였다.

OGCSBN_2023_v39n6_2_1651_f0010.png 이미지

Fig. 10. Flow chart of RF model. The red box represents the correct answer data flow, and the blue box represents the input data flow.

RF 모델은 해당 연구지역의 위성영상만을 이용하여 구축하였고, GOCI-II 영상의 12개 밴드 자료를 묶어 데이터셋을 구성하여 각 클래스별 픽셀의 수에 따라 편중되어 학습되지 않도록 각 클래스별 자료(1,300개)를 무작위로 추출한 후 학습용 데이터셋을 재생산하였다. 생산된 학습용 입력자료의 80%는 모델 학습에 사용하였고, 20%는 검증하는 용도로 사용하였다. 구축된 모델 결과를 바탕으로 NDSI 지수 기반 해빙 산출 결과 및 모델의 정답자료와 정성적·정량적으로 비교·분석하였다.

4. 연구결과

4.1. 해빙 면적 산출 결과

NDSI 지수 기반 분석은 구름과 해빙을 구별하기 위해 단파 적외선 밴드를 활용하여 연구되어 왔다(Hall et al., 2001; Riggs et al., 1999). 하지만 GOCI-II는 구름을 탐지할 수 있는 적외선 밴드가 없기 때문에 밴드별 산포도를 통해 가상의 단파 적외선 밴드를 생성하여 새로운 NDSI (NDSIGOCI-II) 계산을 통해 해빙의 유·무를 탐지하고 면적을 산정한다(Fig. 11). RF 모델에서 탐지된 해빙 영역을 검증하기 위해 NDSIGOCI-II 지수 기반 해빙 알고리즘 분석에서 탐지된 해빙 영역과 비교 및 분석하였다. NDSIGOCI-II 지수 해빙 산출 결과와 RF 모델 산출 결과는 다음 Fig. 12와 같다. 빨간색은 NDSIGOCI-II 지수 해빙 산출물 결과이며 파란색은 RF 모델에서 산출된 해빙 영역을 보여준다. NDSIGOCI-II 지수로 산출된 해빙 영역은 792.375 km2로 나타났고, RF 모델 결과의 해빙 영역은 2690.813 km2의 면적으로 나타났다(Table 3). NDSIGOCI-II 지수 기반 산출 해빙은 두께가 비교적 두꺼워 위성영상에서의 반사값이 높아 하얗게 보이는 해빙을 주로 탐지하며 얇은 해빙에 대해 미탐지 하는 것을 볼 수 있다(Fig. 12a). RF 모델의 분류 정확도를 검토한 결과 해빙의 유·무를 판단하는 정확도는 0.81 (81%)로 RF 모델 기반 해빙 산출 결과 얇고 두꺼운 얼음 모두 탐지 가능하였고(Table 4), 겨울철 랴오둥만 주변 지역의 양식장, 항구 및 연안매립지 등 물이 얼어 나타나는 얼음과 요하강 삼각주 하구에 위치한 암석 위 적설된 눈도 일부 산출되었다(Fig. 12b). Fig. 12(b)의 서쪽에서 미탐지 된 해빙은 위성영상 내 해빙과 해수가 혼합되어 있는 것으로 확인되며, 본 연구에서 분류한 6가지 유형의 해빙이 아닌 다른 유형의 해빙으로 분류되어 RF 모델 산출 결과 미탐지된 것으로 추정된다.

Table 3. NDSIGOCI-II based sea ice calculation area and RF model sea ice calculation area

OGCSBN_2023_v39n6_2_1651_t0003.png 이미지

Fig. 11. NDSIGOCI-II based sea ice calculation algorithm.

OGCSBN_2023_v39n6_2_1651_f0012.png 이미지

Fig. 12. In GOCI-II satellite images. (a) The results of NDSI-applied sea ice output after AMI cloud masking was shown in red. (b) The results of RF model thawing output after AMI cloud masking was shown in blue (yellow line is Liaodong Bay land line and red box is the area where the water in the fish farm appears frozen).

Table 4. RF model results accuracy comparison​​​​​​​

OGCSBN_2023_v39n6_2_1651_t0004.png 이미지

4.2. 해빙 종류별 면적 산출 결과

RF 모델은 GOCI-II 영상의 12개 밴드 자료를 활용하여 각 클래스별 픽셀의 수에 따라 각 클래스별 자료(1,300개)를 무작위로 추출하여 학습용 데이터셋을 재생산하였다. 2022년 1월 16일 GOCI-II 영상에서의 RF 모델 결과는 Fig. 13(b)와 같다. 랴오둥만의 해빙은 해수의 상태, 여러 기상환경 조건 및 해류의 영향에 의해 불순물 및 퇴적물이 섞이며 연안 지역에서 만 쪽으로 점차 밀려나며 해빙의 분포 지역은 확대되는 특성을 가지고 있다. 각각 유형별 해빙을 서로 다른 색으로 나타냈을 때 RF 모델 결과(Fig. 13b)와 250 m 급 Flag Map (Fig. 13a)에서 유형별로 뚜렷하게 분류가 되었다. RF 모델 결과 및 정답자료에 사용된 SW는 분류한 3가지 해수 이외 랴오둥만의 해수로 유형별 해빙 및 해수 이외 분류를 위해 디지타이징 이외(육지 제외) 해수 값을 학습하였다. 학습 결과 유형별 해빙 및 해수를 탐지하는 경우 0.56 (56%)의 분류 정확도를 나타냈다(Table 4). 유형별 해빙 및 해수의 모델 정확도는 해빙의 유·무 분류에 비해 낮은 정확도를 보였으나 본 연구는 위성영상 1장을 이용하여 산출된 모델 결과로 향후 추가적인 입력자료를 사용하여 모델의 정확도를 개선할 수 있는 연구가 필요할 것으로 사료된다. RF 모델 결과 및 정답자료에 사용된 각 클래스별 자료(500개)를 무작위로 추출하여 유형별 면적, 비율, 정확도 및 F1-score는 다음 Table 5와 같다. Flag Map과 RF 모델 결과, 분류한 해빙 및 해수의 면적은 서로 약 2~3배 차이가 나는 것을 확인할 수 있다. 이는 Flag Map (Fig. 13a)에서 랴오둥만 주변 연안 시설물, 양식장, 항구 등으로 판단한 부근에서 적설되어 있는 눈 또는 여러 해빙 및 해수와 비슷한 양상을 나타내 분류된 것으로 판단할 수 있다. 유형별 해빙 및 해수의 정확도는 모두 0.9 이상으로 나타났으며 F1-score 역시 Grey Ice를 제외하고 0.5 이상을 보였다. GIL과 GID는 서로 비슷한 스펙트럼 양상을 보여 이를 하나의 Grey Ice로 묶어 결과를 나타낸다면 향상된 F1-score와 모델 정확도를 나타낼 수 있다고 판단하였다.

OGCSBN_2023_v39n6_2_1651_f0013.png 이미지

Fig. 13. This is RF model GOCI-II image. (a) Landsat-9 flag map (correct answer data). (b) RF model sea ice detection results. Each color means the type of sea ice and sea water by type.

Table 5. Statistical analysis of the area and the proportion of various sea ice types in Liaodong Bay during the freezing period in 2021–2022​​​​​​​

OGCSBN_2023_v39n6_2_1651_t0005.png 이미지

5. 토의

5.1. 해빙의 시공간적 변화

해빙은 여러 기상조건 및 해류의 상태에 따라 형성 및 소멸되는 것으로 알려져 있다. Fig. 14는 같은 날짜(2021년 1월 16일)의 서로 다른 시각에 촬영된 GOCI-II 영상에서 탐지된 해빙 영역을 보여준다. Fig. 14(a) 영상은 11:35 Universal Time Coordinate (UTC)에 촬영되었으며, 해빙의 면적은 9726.32 km2로 측정되었다. Fig. 14(b) 영상은 Fig. 14(a) 영상 촬영시각 3시간 이후 촬영되었으며 해빙 면적은 10386.70 km2로 면적이 약 660.38 km2 커진 것으로 나타났다. 이를 통해 랴오둥만 지역의 해빙의 시간적 변동성이 크다는 것을 확인할 수 있다.

OGCSBN_2023_v39n6_2_1651_f0014.png 이미지

Fig. 14. The sea ice area (red polygon) was detected in GOCI-II images at on January 16, 2021. (a) 11:35 UTC and (b) 14:35 UTC.

2022년 1월 16일 시계열 GOCI-II 영상에서 디지타이징 된 해빙 면적과 RF 모델 해빙 면적의 비교는 다음 Fig. 15와 같다. 디지타이징 된 해빙 면적(Fig. 15a)과 RF 모델 해빙 면적(Fig. 15b)은 각각 4694.34 km2, 2690.81 km2로 약 2003.53 km2의 면적 차이가 나는 것을 확인할 수 있다. RF 모델의 해수 면적은 1747.06 km2로 육안 탐지로 산출된 해빙의 면적은 해빙 및 해수의 면적을 합친 면적과 유사하게 나타났다. 이는 디지타이징으로 해빙 영역을 산출하는 과정에서는 최외곽 경계선을 추출하고 경계선 내부의 영역은 모두 해빙으로 가정하였기 때문으로 판단되며, 향후 짧은 시간해상도를 갖는 GOCI-II 위성의 장점을 본 연구 RF 모델을 활용한다면 시계열 해빙 모니터링뿐만 아니라 유형별 해빙 및 해수의 분류에 대한 적용 가능성 개선이 가능할 것으로 사료된다.

OGCSBN_2023_v39n6_2_1651_f0015.png 이미지

Fig. 15. GOCI-II images on January 16, 2022. (a) The red polygon is the sea ice edge visual detection area. (b) The blue result is the RF model result (the yellow line is the Liaodong Bay land line).

5.2. 계절별 해빙 영역 변동성

시계열 GOCI-II 영상에서 관측된 해빙 면적과 ERA5 재분석 자료 기반 풍속 및 해기차(기온-해수면 온도)는 Fig. 16과 같다. Fig. 16의 초록색 막대는 2021–2022년 1~2월에서 육안분석을 통해 구축된 해빙 면적을 의미하며, ERA5 재분석장의 풍속은 빨간색 실선으로, 해기차는 파란색 실선으로 나타냈다. 해빙이 형성되지 않는 시기는 회색 배경으로 표시하였다. 해빙은 풍속이 강하게 불 때와 해기차가 크게 나타날 때 주로 형성되어 1월 중순 가장 큰 해빙 면적이 나타나고, 2월에는 점차 해빙의 면적이 줄어듦을 확인할 수 있다. 2022년 1월 중순 풍속이 크게 나타났지만 해빙의 면적이 작은 것을 보아 랴오둥만의 해빙은 풍속의 영향에 의해 형성되기도 하지만 해기차의 영향을 더 크게 받아 형성되는 것으로 추정된다.

OGCSBN_2023_v39n6_2_1651_f0016.png 이미지

Fig. 16. It represents the sea train, which is the difference between the sea ice area in 2021 and January and February 2022, and the average wind speed and temperature and sea level temperature for three hours based on satellite imaging time. The gray box indicates how long no sea ice has formed. The green bar represents the area of sea ice. The red line represents the wind speed predicted in the ERA5 reanalysis data, and the blue line represents the sea train difference between the temperature predicted in the ERA5 reanalysis data and the sea level temperature.

6. 결론

해빙은 넓은 해양에서 다양한 종류와 큰 면적으로 형성되어 인공위성을 이용한 원격탐사 기술에 대한 많은 연구가 진행되고 있으며, 센서의 특성을 고려하여 해빙의 분포 면적, 농도 및 두께 등 다양한 정보를 생산하는 기술이 연구되고 있다. 하지만 기존 연구에서는 대부분 해빙의 두께가 두꺼운 다년빙이나 해빙 정보 정확도가 높은 고해상도 광학위성 활용, 경험식을 이용한 해빙 모니터링 연구가 진행되었다. 본 연구지역인 랴오둥만은 다양한 환경요인들과 산업화 및 도시화로 인해 퇴적물이 유입되고 해기차 및 기상조건에 의해 해빙이 계절적(12~2월)으로 형성되는 단년빙에 해당된다. 본 연구에서는 해빙 정보의 정확도가 높은 고해상도 광학위성영상과 정확도는 낮지만 시간 해상도가 높은 GOCI-II 영상을 활용하여 광학위성과 해색위성의 장단점을 보완하여 단년빙 및 다양한 유형의 해빙, 해수 모니터링 가능성을 평가하고자 하였다. 본 연구에서는 Landsat-9에서 육안 탐지된 해빙 자료를 GOCI-II와 동일한 좌표체계와 250 m 해상도로 Down-sampling 해주어 정답자료로 활용하였으며, GOCI-II 영상의 12개 밴드 자료를 묶어 학습자료로 사용하여 RF 기반 모델을 구축하였다. RF 모델에서 탐지된 해빙 영역을 검증하기 위해 NDSI 지수 기반 산출된 해빙 영역과 비교한 결과 NDSI 지수 기반 해빙 면적과 RF 모델 해빙 면적은 각각 792.375 km2, 2690.813 km2로 나타났다. NDSI 지수 기반 해빙은 주로 두께가 비교적 두꺼운 해빙만을 탐지하였으며 RF 모델 기반 해빙은 얇은 해빙 또한 탐지된 것을 확인할 수 있었다. RF 모델 정확성 검토 결과 해빙의 유·무를 판단하는 분류 정확도 결과는 0.81로 나타냈다. 본 연구는 한 장의 위성영상을 활용하여 산출된 모델 결과로 높은 정확도를 보였다고 판단되었다. 일부 미탐지하는 부분은 위성영상 내 해빙과 해수가 혼합되어 있는 형태로 RF 모델 구축 시 분류한 6가지의 해빙이 아닌 다른 유형의 해빙으로 추정된다. RF 모델 결과 및 정답자료에서 각각 유형별 해빙 및 해수는 서로 다른 색으로 뚜렷하게 분류가 되었으며 유형별 해빙 및 해수를 분류하는 모델 정확도는 0.56으로 해빙의 유·무를 판단하는 정확도보다 낮은 결과값을 보였다. 하지만 클래스별 해빙 및 해수의 정확도와 F1-score는 각각 0.9, 0.5 이상을 보였다. 본 연구는 위성영상 1장만을 이용하여 나타낸 결과로 향후 추가적인 입력자료를 생산과 비슷한 양상의 스펙트럼을 갖는 해빙 유형을 통합한다면 향상된 모델 정확도를 나타낼 수 있을 것으로 사료된다. 랴오둥만의 해빙은 3시간 간격의 GOCI-II 위성영상 2장을 활용하여 해빙 영역을 육안 탐지하였을 때 약 660.38 km2의 차이를 보였고, 해빙의 시간적 변동성이 있음을 확인하였다. Landsat-9 위성 및 GOCI-II의 동일한 시간 대역의 해빙 육안 탐지 및 RF 모델 결과 약 2003.53 km2의 차이를 보였으며 이는 GOCI-II 영상 육안 탐지 시 해빙과 해빙 사이 해수의 영역을 포함하여 탐지된 것으로 판단되었다.

본 연구 결과는 높은 공간해상도의 위성영상과 짧은 시간해상도의 위성영상을 이용하여 2개의 융합 영상의 장단점을 서로 보완할 수 있는 시작 단계이다. 향후 본 연구를 바탕으로 시계열 변화에 따른 해빙 모니터링에 적용하여 모델 개선이 가능할 것으로 사료되며, 해빙 형성에 영향을 미치는 환경인자들을 추가적인 학습자료로 사용하는 연구를 진행할 계획이다.

사사

이 논문은 2022년도 해양수산부 재원으로 해양수산과학기술진흥원의 ‘천리안 2B호 산출물 정확도 향상 연구(20220546)’ 연구사업과 해양수산과학기술진흥원의 ‘해양위성영상 분석 활용 기술 개발 (20210046)’ 연구사업의 지원을 받아 수행되었으며, 이에 감사드립니다.

Conflict of Interest

No potential conflict of interest relevant to this article was reported.

참고문헌

  1. Bi, H., Liang, Y., Wang, Y., Liang, X., Zhang, Z., Du, T. et al., 2020. Arctic multiyear sea ice variability observed from satellites: A review. Journal of Oceanology and Limnology, 38(4), 962-984. https://doi.org/10.1007/s00343-020-0093-7
  2. Comiso, J. C., Cavalieri, D. J., and Markus, T., 2003. Sea ice concentration, ice temperature, and snow depth using AMSR-E data. IEEE Transactions on Geoscience and Remote Sensing, 41(2), 243-252. https://doi.org/10.1109/TGRS.2002.808317
  3. Comiso, J. C., and Steffen, K., 2001. Studies of Antarctic sea ice concentrations from satellite data and their applications. Journal of Geophysical Research: Oceans, 106(C12), 31361-31385. https://doi.org/10.1029/2001JC000823
  4. Gillies, S., Ward, B., and Petersen, A. S., 2013. Rasterio: Access to geospatial raster data. Available online https://rasterio.readthedocs.io/en/latest (accessed on Oct. 13, 2022).
  5. Gu, F., Zhang, R., Tian-Kunze, X., Han, B., Zhu, L., Cui, T., and Yang, Q., 2021. Sea ice thickness retrieval based on GOCI remote sensing data: A case study. Remote Sensing, 13(5), 936. https://doi.org/10.3390/rs13050936
  6. Hall, D. K., Riggs, G. A., Salomonson, V. V., Barton, J. S., Casey, K., Chien, J. et al., 2001. Algorithm theoretical basis document (ATBD) for the MODIS snow and sea ice-mapping algorithms. National Aeronautics and Space Administration, Goddard Space Flight Center. https://eospso.gsfc.nasa.gov/sites/default/files/atbd/atbd_mod10.pdf
  7. Huck, P., Light, B., Eicken, H., and Haller, M., 2007. Mapping sediment-laden sea ice in the Arctic using AVHRR remote-sensing data: Atmospheric correction and determination of reflectances as a function of ice type and sediment load. Remote Sensing of Environment, 107(3), 484-495. https://doi.org/10.1016/j.rse.2006.10.002
  8. Ivanova, N., Johannessen, O. M., Pedersen, L. T., and Tonboe, R. T., 2014. Retrieval of Arctic sea ice parameters by satellite passive microwave sensors: A comparison of eleven sea ice concentration algorithms. IEEE Transactions on Geoscience and Remote Sensing, 52(11), 7233-7246. https://doi.org/10.1109/TGRS.2014.2310136
  9. Karvonen, J., Shi, L., Cheng, B., Simila, M., Makynen, M., and Vihma, T., 2017. Bohai Sea ice parameter estimation based on thermodynamic ice model and Earth observation data. Remote Sensing, 9(3), 234. https://doi.org/10.3390/rs9030234
  10. Kong, X., and Ye, S., 2014. The impact of water temperature on water quality indexes in north of Liaodong Bay. Marine Pollution Bulletin, 80(1-2), 245-249. https://doi.org/10.1016/j.marpolbul.2013.12.017
  11. Kwok, R., 2010. Satellite remote sensing of sea-ice thickness and kinematics: A review. Journal of Glaciology, 56(200), 1129-1140. https://doi.org/10.3189/002214311796406167
  12. Lemenkova, P., and Debeir, O., 2022. Satellite image processing by python and R using Landsat 9 OLI/TIRS and SRTM DEM data on Cote d'Ivoire, West Africa. Journal of Imaging, 8(12), 317. https://doi.org/10.3390/jimaging8120317
  13. Lemke, P., Ren, J., Alley, R. B., Allison, I., Carrasco, J., Flato, G. et al., 2007. Observations: Changes in snow, ice and frozen ground. In: Solomon, S., Qin, D., Manning, M., Chen, Z., Marquis, M., Averyt, K. B. et al., (eds.), Climate change 2007: The physical science basis, contribution of working group to the fourth assessment report of the Intergovernmental Panel on Climate Change, Cambridge University Press, pp. 337-383. https://www.ipcc.ch/site/assets/uploads/2018/02/ar4-wg1-chapter4-1.pdf
  14. Liu, C., Gu, W., Chao, J., Li, L., Yuan, S., and Xu, Y., 2013. Spatio-temporal characteristics of the sea-ice volume of the Bohai Sea, China, in winter 2009/10. Annals of Glaciology, 54(62), 97-104. https://doi.org/10.3189/2013AoG62A305
  15. Mahmud, M. S., Nandan, V., Singha, S., Howell, S. E., Geldsetzer, T., Yackel, J., and Montpetit, B., 2022. C- and L-band SAR signatures of Arctic sea ice during freeze-up. Remote Sensing of Environment, 279, 113129. https://doi.org/10.1016/j.rse.2022.113129
  16. Ning, L., Xie, F., Gu, W., Xu, Y., Huang, S., Yuan, S. et al., 2009. Using remote sensing to estimate sea ice thickness in the Bohai Sea, China based on ice type. International Journal of Remote Sensing, 30(17), 4539-4552. https://doi.org/10.1080/01431160802592542
  17. Qiu, H., Gong, Z., Mou, K., Hu, J., Ke, Y., and Zhou, D., 2022. Automatic and accurate extraction of sea ice in the turbid waters of the Yellow River estuary based on image spectral and spatial information. Remote Sensing, 14(4), 927. https://doi.org/10.3390/rs14040927
  18. Riggs, G. A., Hall, D. K., and Ackerman, S. A., 1999. Sea ice extent and classification mapping with the Moderate Resolution Imaging Spectroradiometer Airborne Simulator. Remote Sensing of Environment, 68(2), 152-163. https://doi.org/10.1016/S0034-4257(98)00107-2
  19. Sagawa, T., Yamashita, Y., Okumura, T., and Yamanokuchi T., 2019. Satellite derived bathymetry using machine learning and multi-temporal satellite images. Remote Sensing, 11(10), 1155. https://doi.org/10.3390/rs11101155
  20. Shi, W., and Wang, M., 2012a. Sea ice properties in the Bohai Sea measured by MODIS-Aqua: 1. Satellite algorithm development. Journal of Marine Systems, 95, 32-40. https://doi.org/10.1016/j.jmarsys.2012.01.012
  21. Shi, W., and Wang, M., 2012b. Sea ice properties in the Bohai Sea measured by MODIS-Aqua: 2. Study of sea ice seasonal and interannual variability. Journal of Marine Systems, 95, 41-49. https://doi.org/10.1016/j.jmarsys.2012.01.010
  22. Shin, J., Lee, J. S., Jang, L. H., Lim, J., Khim, B. K., and Jo, Y. H., 2021. Sargassum detection using machine learning models: A case study with the first 6 months of GOCI-II imagery. Remote Sensing, 13(23), 4844. https://doi.org/10.3390/rs13234844
  23. Song, J., and Duan, L., 2019. Chapter 17 - The Bohai Sea. In: Sheppard, C. (eds.), World seas: An environmental evaluation, volume II: The Indian Ocean to the Pacific, Academic Press, pp. 377-394. https://doi.org/10.1016/B978-0-08-100853-9.00024-5
  24. Su, H., Ji, B., and Wang, Y., 2019. Sea ice extent detection in the Bohai Sea using Sentinel-3 OLCI data. Remote Sensing, 11(20), 2436. https://doi.org/10.3390/rs11202436
  25. Su, H., Wang, Y., Xiao, J., and Li, L., 2013. Improving MODIS sea ice detectability using gray level co-occurrence matrix texture analysis method: A case study in the Bohai Sea. ISPRS Journal of Photogrammetry and Remote Sensing, 85, 13-20. https://doi.org/10.1016/j.isprsjprs.2013.07.010
  26. Su, H., Wang, Y., and Yang, J., 2012. Monitoring the spatiotemporal evolution of sea ice in the Bohai Sea in the 2009-2010 winter combining MODIS and meteorological data. Estuaries and Coasts, 35, 281-291. https://doi.org/10.1007/s12237-011-9425-3
  27. Tucker, W. B., Perovich, D. K., Gow, A. J., Weeks, W. F., and Drinkwater, M. R., 1992. Physical properties of sea ice relevant to remote sensing. Microwave Remote Sensing of Sea Ice, 68, 9-28. https://doi.org/10.1029/GM068p0009
  28. Van Woert, M. L., 1999. Wintertime dynamics of the Terra Nova Bay polynya. Journal of Geophysical Research: Oceans, 104(C4), 7753-7769. https://doi.org/10.1029/1999JC900003
  29. Wang, P., Zhang, L., Lin, X., Yan, J., Zhang, P., Zhao, B. et al., 2020. Spatial distribution, control factors and sources of heavy metal in the surface sediments of Fudu Estuary waters, East Liaodong Bay, China. Marine Pollution Bulletin, 156, 111279. https://doi.org/10.1016/j.marpolbul.2020.111279
  30. Wang, Z., Sun, P., Wang, L., Zhang, M., and Wang, Z., 2021. Monitoring sea ice in Liaodong Bay of Bohai Sea during the freezing period of 2017/2018 using Sentinel-2 remote sensing data. Journal of Spectroscopy, 2021, Article ID 9974845. https://doi.org/10.1155/2021/9974845
  31. Wei, H., Zhao, L., and Feng, S. Z., 2001. Comparison of the Eulerian and Lagrangian tidal residuals in the Bohai Sea. Chinese Journal of Oceanology and Limnology, 19(2), 119-127. https://doi.org/10.1007/BF02863035
  32. Winebrenner, D. P., Nelson, E. D., Colony, R., and West, R. D., 1994. Observation of melt onset on multiyear Arctic sea ice using the ERS 1 synthetic aperture radar. Journal of Geophysical Research: Oceans, 99(C11), 22425-22441. https://doi.org/10.1029/94JC01268
  33. Wu, H., Bai, S., Li, H., Zhang, Z., Wang, Z., Wang, K., and Liu, Q., 2000. Modeling and forecasting of Bohai Sea ice. Journal of Cold Regions Engineering, 14(2), 68-80. https://doi.org/10.1061/(ASCE)0887-381X(2000)14:2(68)
  34. Yan, Y., Huang, K., Shao, D., Xu, Y., and Gu, W., 2019. Monitoring the characteristics of the Bohai Sea ice using high-resolution geostationary ocean color imager (GOCI) data. Sustainability, 11(3), 777. https://doi.org/10.3390/su11030777
  35. Yang, G., 2000. Bohai Sea ice conditions. Journal of Cold Regions Engineering, 14(2), 54-67. https://doi.org/10.1061/(ASCE)0887-381X(2000)14:2(54)
  36. Zakhvatkina, N., Smirnov, V., and Bychkova, I., 2019. Satellite SAR data-based sea ice classification: An overview. Geosciences, 9(4), 152. https://doi.org/10.3390/geosciences9040152
  37. Zhang, N., Li, S., Wu, Y., Wang, K. H., Zhang, Q., You, Z. J., and Wang, J., 2020. Effects of sea ice on wave energy flux distribution in the Bohai Sea. Renewable Energy, 162, 2330-2343. https://doi.org/10.1016/j.renene.2020.10.036
  38. Zhang, X., Dierking, W., Zhan, J., and Meng, J., 2014. A polarimetric decomposition method for ice in the Bohai Sea using C-band PolSAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(1), 47-66. https://doi.org/10.1109/JSTARS.2014.2356552
  39. Zhang, X., Zhang, Z., Xu, Z., Li, G., Sun, Q., and Hou, X., 2013. Sea ice disasters and their impacts since 2000 in Laizhou Bay of Bohai Sea, China. Natural Hazards, 65, 27-40. https://doi.org/10.1007/s11069-012-0340-0
  40. Zheng, B., Wang, L., and Liu, L., 2014. Bacterial community structure and its regulating factors in the intertidal sediment along the Liaodong Bay of Bohai Sea, China. Microbiological Research, 169(7-8), 585-592. https://doi.org/10.1016/j.micres.2013.09.019