DOI QR코드

DOI QR Code

GK2A/AMI와 GK2B/GOCI-II 자료를 융합 활용한 주간 고해상도 안개 탐지 알고리즘 개발

Development of High-Resolution Fog Detection Algorithm for Daytime by Fusing GK2A/AMI and GK2B/GOCI-II Data

  • Ha-Yeong Yu (Department of Atmospheric Science, Kongju National University) ;
  • Myoung-Seok Suh (Department of Atmospheric Science, Kongju National University)
  • 투고 : 2023.11.20
  • 심사 : 2023.12.05
  • 발행 : 2023.12.31

초록

위성 자료의 성능이 크게 개선됨에 따라 최근에는 위성을 이용하여 광범위한 영역에 대한 실시간 안개 탐지 알고리즘들이 개발되고 있다. 한반도 주변을 관측하는 기상위성 중 관측주기가 10분으로 시간해상도가 가장 우수한 GEO-KOMPSAT-2A/Advanced Meteorological Imager (GK2A/AMI)는 공간해상도가 500 m이다. 반면 GEO-KOMPSAT-2B/Geostationary Ocean Color Imager-II (GK2B/GOCI-II)는 해상도가 250 m지만, 1시간 주기로 관측하고 가시채널만 보유하고 있다. 따라서 본 연구에서는 한반도 주변에서 발생하는 안개를 10분 및 250 m 해상도로 탐지하기 위해 GK2AB 융합 안개 탐지 알고리즘(Fog Detection Algorithm, FDA)인 GK2AB FDA를 개발하였다. GK2AB FDA는 세 파트로 구성된다. 첫 번째로 현업 운용중인 GK2A 안개 탐지 알고리즘(GK2A FDA)으로 10분 및 500 m 해상도로 안개를 탐지한다. 두 번째 단계에서는 두 위성 자료 간 시공간 일치, 태양천정각과 파장역 차이를 보정한 GK2A normalized visible (NVIS)의 10분 변화량을 이용하여 GK2B NVIS를 10분 간격으로 외삽한다. 마지막 단계에서는 외삽된 GK2B NVIS, 태양천정각, GK2A FDA 산출물 등을 입력자료로 기계학습(의사결정나무)을 이용하여 개발된 GK2AB FDA로 지리적위치에 따라 안개를 탐지(250 m, 10분)한다. GK2AB FDA의 훈련에는 6개 사례, 검증에는 4개 사례가 이용되었다. GK2AB FDA의 정량적 검증에는 지상관측 시정, 풍속 그리고 상대습도 자료를 이용하였다. GK2AB FDA는 GK2A FDA에 비해 공간해상도가 4배 증가함에 따라 안개 및 비안개 화소가 보다 자세히 구분되었다. 또한 검증방법에 관계없이 GK2A FDA에 비해 probability of detection (POD)은 높고 Hanssen-Kuiper Skill score (KSS)는 높거나 비슷함을 보여 안개 탐지 수준이 개선된 것으로 보인다. 하지만 일부 사례에서는 GK2AB FDA의 false alarm ratio (FAR)와 Bias가 크게 나타나 안개를 과대탐지하는 문제를 보이고 있다.

Satellite-based fog detection algorithms are being developed to detect fog in real-time over a wide area, with a focus on the Korean Peninsula (KorPen). The GEO-KOMPSAT-2A/Advanced Meteorological Imager (GK2A/AMI, GK2A) satellite offers an excellent temporal resolution (10 min) and a spatial resolution (500 m), while GEO-KOMPSAT-2B/Geostationary Ocean Color Imager-II (GK2B/GOCI-II, GK2B) provides an excellent spatial resolution (250 m) but poor temporal resolution (1 h) with only visible channels. To enhance the fog detection level (10 min, 250 m), we developed a fused GK2AB fog detection algorithm (FDA) of GK2A and GK2B. The GK2AB FDA comprises three main steps. First, the Korea Meteorological Satellite Center's GK2A daytime fog detection algorithm is utilized to detect fog, considering various optical and physical characteristics. In the second step, GK2B data is extrapolated to 10-min intervals by matching GK2A pixels based on the closest time and location when GK2B observes the KorPen. For reflectance, GK2B normalized visible (NVIS) is corrected using GK2A NVIS of the same time, considering the difference in wavelength range and observation geometry. GK2B NVIS is extrapolated at 10-min intervals using the 10-min changes in GK2A NVIS. In the final step, the extrapolated GK2B NVIS, solar zenith angle, and outputs of GK2A FDA are utilized as input data for machine learning (decision tree) to develop the GK2AB FDA, which detects fog at a resolution of 250 m and a 10-min interval based on geographical locations. Six and four cases were used for the training and validation of GK2AB FDA, respectively. Quantitative verification of GK2AB FDA utilized ground observation data on visibility, wind speed, and relative humidity. Compared to GK2A FDA, GK2AB FDA exhibited a fourfold increase in spatial resolution, resulting in more detailed discrimination between fog and non-fog pixels. In general, irrespective of the validation method, the probability of detection (POD) and the Hanssen-Kuiper Skill score (KSS) are high or similar, indicating that it better detects previously undetected fog pixels. However, GK2AB FDA, compared to GK2A FDA, tends to over-detect fog with a higher false alarm ratio and bias.

키워드

1. 서론

안개는 매우 국지적으로 발생하는 기상 현상이며, 지리적 위치와 기상 조건 등에 따라 그 특성이 다양하다(Lee, 1998). 안개의 정의는 대기중에 떠 있는 작은 크기의 수적 또는 과냉각 수적 집합체의 하부가 지면에 접하여 수평시정이 1 km 미만인 현상으로 시정을 악화시켜 육상, 해상, 그리고 항공 교통 운행에 심각한 장애요인이 되며 복사수지에도 영향을 끼쳐 인간 활동에 직·간접적인 영향을 미친다(Gultepe et al., 2007; Yi et al., 2015). 따라서 안개에 의한 인적 그리고 물적 피해를 줄이기 위해서는 안개 탐지 및 예측 수준의 향상이 필요하다.

안개 탐지 및 예측 수준 향상이 중요해짐에 따라 많은 연구들이 수행되어 왔다. 특히 시·공간적으로 연속적인 안개 탐지를 위해 위성을 이용한 안개탐지가 주로 이루어졌다. 위성을 이용한 안개 탐지 기법들은 안개의 광학적·물리적 특성을 기반으로 개발되었다. 주간에는 가시 채널이, 야간에는 적외채널이 주로 사용되었는데 이들이 가지는 문제점을 해결하기 위해 반사도와 적외채널의 국지표준편차와 해수면 온도, 그리고 안개 상부에서 3.7 μm와 10.7 μm 채널의 휘도온도 차이(Dual Channel Difference, DCD)를 이용하는 방법이 제안되었다(Eyre et al., 1984; Suh et al., 2017). Han et al. (2020)은 지리적 위치 및 시간에 따라 총 9개의 알고리즘(GK2A/AMI Fog Detection Algorithm, GK2A FDA)을 개발하여 안개를 탐지하였다. GK2A FDA는 주간에 안개를 10분 간격, 500 m 해상도로 탐지하고 있지만 여전히 국지적으로 발생하는 안개 탐지에는 한계가 있다.

최근에는 기계학습 기법의 발전으로 안개 탐지 및 예측연구에도 이러한 기법을 사용하고 있다(Kim et al., 2020; Kamangir et al., 2021; Lee et al., 2021). Kim et al. (2020)에서는 두가지 위성 자료와 결정나무 기법을 이용한 해무 탐지를 시도하였고, Kamangir et al. (2021)은 컨볼루션 신경망 기법에 수치모델 자료를 포함한 다양한 자료를 입력자료로 사용하여 안개 예측 시스템인 Fog Net을 개발하였다. Lee et al. (2021)은 Himawari-8/Advanced Himawari Imager (AHI) 자료를 이용하여 로지스틱 회귀 기반의 안개 탐지 알고리즘을 개발하였으며 높은 안정성과 정확도를 보여 기계학습 기법이 안개 탐지의 정확도를 향상시킬 수 있음을 보였다.

현재 한반도 주변을 관측하는 위성 중 GEO-KOMP SAT-2A/Advanced Meteorological Imager (GK2A/AMI)는 10분(최대 2분) 주기로 현업 예보자들에게 안개 현황을 빠르게 제공할 수 있다. 또한 다수의 가시 및 적외 채널을 탑재하고 있지만 공간해상도가 0.5–2 km로 육지나 해안가에서 국지적으로 발생하는 안개를 탐지하는데 한계가 있다. 반면 GEO-KOMPSAT-2B/Geostationary Ocean Color Imager-II (GK2B/GOCI-II)는 공간해상도가 250 m로 고해상도 안개 탐지가 가능하지만 시간 해상도가 1시간으로 안개 발생 또는 소산 시 빠르게 변화하는 안개를 탐지할 수 없다. 또한 가시채널만 보유하고 있어 야간 안개탐지가 불가능하며, 반사도가 안개와 유사한 하층운이나 적설을 구분하기 어려운 문제점이 있다.

이처럼 다양한 채널을 탑재한 위성과 고해상도 위성들이 발사됨에 따라 여러 위성을 융합 활용하여 위성 산출물의 정확도를 높이고자 하는 연구들이 수행되고 있다. Lee et al. (2021)은 여러 에어로졸 광학 두께 산출물을 융합하여 정확도 높은 에어로졸 광학두께 자료를 산출하고자 하였다. Yang et al. (2021)은 하층운과 안개를 탐지하기 위해 이중 위성 방법을 제시하였다. 또한 Lee et al. (2023)은 GK2A/AMI의 가강수량 자료를 이용하여 GK2B/GOCI-II 해색산출물들에 대한 수증기 흡수 영향을 보정하고자 하였다. 이처럼 시공간 해상도가 서로 다른 위성자료를 융합 활용하는 다양한 연구들이 수행되었지만 대부분의 연구가 저해상도를 기준으로 융합하는 연구이며 특히 안개에 대해서는 이러한 시도가 거의 없는 실정이다.

따라서 본 연구에서는 시간해상도가 우수한 GK2A/AMI 자료(10분 간격)와 공간해상도가 우수한 GK2B/GOCI-II (250 m)를 융합 활용하고 기계학습 방법 중 의사결정나무 기법을 이용하여 시공간적으로 고해상도의 안개탐지(10분 간격, 250 m)를 시도하였다. 이를 위해 우선 (1) GK2A/AMI와 GK2B/GOCI-II 위성의 시간, 공간 그리고 반사도 채널 파장대 일치화 방법을 제시하고, (2) 1시간 간격, 250 m 해상도의 GK2B/GOCI-II 반사도를 10분 간격으로 외삽하였다. 마지막으로 (3) GK2A/AMI 안개 탐지 알고리즘(GK2A FDA) 산출물과 (2)의 외삽된 GK2B/GOCI-II 반사도 등을 입력변수로 이용하여 기계학습 기반의 GK2AB 융합 안개 탐지 알고리즘(GK2AB FDA)을 개발하였다. 최종 산출물은 한반도와 주변 해역을 포함하는 GK2B slot7에 해당하는 영역에서 10분 간격, 250 m 해상도의 안개 발생 유무 자료이다. GK2AB FDA 성능 검증에는 지상관측자료의 시정, 기온, 상대습도를 이용하였다.

2. 연구자료 및 방법

2.1. 연구자료

본 연구에서는 GK2A, GK2B 위성자료를 융합 활용한 안개 탐지 알고리즘을 개발하기 위해 정지궤도위성 자료, 수치모델 예측 지표면온도 자료를 사용하였고 검증에는 시정계를 포함함 지상관측자료를 이용하였다. 정지궤도 위성자료로는 10분 주기, 500 m 해상도의 GK2A Level 1B 자료와 GK2A FDA 산출물 그리고 GK2B Level 1B 자료를 이용하였다. GK2A (0.64 μm)와 GK2B (0.66 μm) Level 1B 자료는 GK2B 반사도 자료의 시간 외삽에, GK2A FDA 산출물은 GK2AB 융합 안개 탐지 과정에 사용하였다.

또한 안개와 하층운등 구름들과 구분하기 위해 United Model(UM)의 예측 온·습도 프로파일 자료를 The radiative transfer for TIROS operational verticalsounder version 12.3 (RTTOV12.3) 모델의 입력자료로 사용하여 복사 모의된 청천복사휘도온도(Clear Sky Radiance, CSR)를 배경장으로 활용하였다. 검증 자료로는 기상청에서 제공하는 약 280개 시정계 자료 중 품질이 우수하다고 알려진 약 180개 지점을 이용하였고 시정 자료의 품질 문제를 일부 해소하기 위해 기상청 지상관측자료의 상대습도와 풍속을 추가로 활용하였다. 융합 안개 탐지 알고리즘 개발을 위해 사용된 훈련사례(T1–T6)와 안개 탐지 수준을 평가하기 위해 사용된 검증사례(V1–V4)는 Table 1 (총 10개 사례)에 요약하였다. 다양한 안개 사례를 포함하기 위해서 안개 선정 시 강도가 약한 사례와 강한 사례를 다양하게 선정하였다.

Table 1. Training (T) and validation (V) cases used in the development of the GK2AB FDA

OGCSBN_2023_v39n6_3_1779_t0001.png 이미지

2.2. 방법

2.2.1. GK2A, GK2B 일치화 방법

GK2A와 GK2B는 시·공간 해상도와 파장대가 상이하므로 일치화가 필요하다. GK2A가 매시 20분과 30분에 한반도를 관측하는 사이 GK2B는 1회 관측한다. 따라서 GK2B 한반도 관측 시간에 대해 GK2A의 20분과 30분 평균 반사도를 사용하였다. 공간적으로는 GK2B 화소를 기준으로 가장 가까운 GK2A 화소를 사용하였다. 이때 반사도는 태양천정각의 영향을 받으므로 식(1)과 (2)를 이용하여 정규화 하였다(Li and Shibata, 2006; Chander et al., 2009). 두 위성의 파장대가 다른 점을 고려하기 위해 동시에 한반도를 관측하는 시간에 대해 식(3)을 이용하여 일치화 하였다. 아래 식에서 AR과 BR은 각각 GK2A와 GK2B에서 관측된 반사도를 의미하고 이를 정규화한 반사도가 NAR과 NBR이다. F는 태양광행로 및 태양 천정각 졍규화 인자이고, d는 태양과 지구의 거리, 그리고 ESUM은 대기상단에 도달한 평균 복사 조도를 의미한다.

\(\begin{aligned}\begin{array}{c}N A R=\frac{A R}{F} \\ \left(F=\frac{F=2 \cos (S Z A)+\sqrt{498.5224(\cos (s z a))^{2}+1}}{24.35}\right)\end{array}\end{aligned}\)       (1)

\(\begin{aligned}N B R=\frac{\pi \times B R \times d^{2}}{E S U M_{\lambda} \times \cos (S Z A)}\end{aligned}\)       (2)

\(\begin{aligned}C B R_{i}(t)=B R_{i}(t)+\varepsilon(t) \quad\left(\varepsilon(t)=A R(t)-\frac{1}{N} \sum_{i=1}^{N} B R_{i}(t)\right)\end{aligned}\)       (3)

2.2.2. GK2B 시간 외삽

1시간 주기의 GK2B 자료를 10분 주기로 외삽하기 위하여 GK2A와 GK2B가 측정하는 각 화소별 10분 시간 변화량이 동일하다고 가정하였다. 식(4), (5)를 이용하여 GK2A 반사도 10분 변화량을 GK2B에 매 10분마다 보정해주는 방법으로 GK2A 1개 화소의 변화량을 GK2B 4개 화소에 대해 동일하게 적용하였다.

ΔAR(t + k) = AR(t + k) – AR(t)       (4)

CBRi(t + k) = CBRi(t) + ΔAR(t + k)       (5)

2.2.3. GK2AB 융합 안개 탐지 알고리즘

기계학습을 이용한 GK2AB FDA 학습에는 의사결정트리 기법을 이용하였다. 이는 기존 GK2A FDA의 안개 탐지 방법과의 일관성을 유지하고 물리량이 서로 다른 변수들의 정규화가 필요 없으며, 학습된 알고리즘에 대해 설명이 가능하다는 장점이 있다. 기계학습을 이용한 GK2AB FDA 학습 흐름도를 Fig. 1에 나타내었다. Fig. 1에서 안개와 비안개 화소를 구분하는 독립변수로는 GK2A FDA 산출물, 외삽된 GK2B 정규화 반사도(EXT_GK2B_NVIS),국지표준편차(EXT_GK2B_NLSD_NVIS), 지표면온도와 구름 상부사이의 온도 차(GK2A_ΔFTs)를 입력자료로 이용하였다. 추가적으로 육무 탐지 알고리즘에 대해서만 태양천정각을 포함하였다. 주간과 야간의 구분은 태양천정각을 이용하였으며, 본 연구에서는 태양청정각이 80°보다 작은 주간에 대해서만 알고리즘을 학습하였다.

OGCSBN_2023_v39n6_3_1779_f0001.png 이미지

Fig. 1. Flow chart for training and blended fog detection using GK2A and GK2B data.

기계학습 이용 시 입력 자료의 종류, 양 및 품질이 매우 중요하므로 Fig. 2와 같이 GK2B 가시영상과 시정계 자료를 동화시키면서 시각적으로 하층운, 중상층운, 육지 또는 해양, 육무 및 해무 표본을 선정하였다. 전체 알고리즘 학습에는 6개의 훈련사례(614,736개 화소)를 이용하였으며(Table 1), 비안개와 안개화소의 비율을 조절하기 위해 모든 종속변수에 대해 1:1 랜덤 샘플링을 하였다. 이 때 육무와 해무의 발생특성이 상이하므로 육지와 해양에 대해 나누어 훈련하였다. 하이퍼파라미터(Hyperparamter) 중 평가지수는 Gini Index를 사용하였으며 Grid Search를 이용하여 최적의 max depth (육지:13, 해양:2)와 max features (육지:4, 해양:3)를 선택하였다. 해안가의 경우 육지와 해양 두 알고리즘을 융합하는 방법을 사용하였다. 해안가에서 육지와 해양 알고리즘 결과를 비교하여 두 알고리즘의 결과가 다른 경우에는 주변 9개의 화소에서 안개로 탐지된 화소가 반 이상이면 안개로 탐지한다.

OGCSBN_2023_v39n6_3_1779_f0002.png 이미지

Fig. 2. Sample image of reflectance and visibility for the selected areas (black boxes). (a) Area of sea fog, fog, land, sea, and cloud. (b) Visibility fog observation at 08:50 KST on Mar. 14, 2021.

최종 GK2AB FDA는 Fig. 3과 같이 3단계로 안개를 탐지한다. 우선 GK2A FDA (500 m)로 주간 안개를 탐지하고 이와 동시에 GK2B를 10분 간격으로 외삽한다. 이후 GK2A FDA 산출물과 외삽된 GK2B 반사도 등을 입력자료로 기계학습을 이용해 개발된 GK2AB FDA가 10분 간격, 250 m의 고해상도 안개를 탐지한다.

OGCSBN_2023_v39n6_3_1779_f0003.png 이미지

Fig. 3. Flow chart for the GK2AB FDA fog detection.

2.2.4. 검증방법

GK2AB FDA의 정성적 안개 탐지 수준을 분석하기 위해 GK2AB FDA 안개 탐지 결과와 가시채널 영상 및 시정계 자료의 공간분포 그리고 GK2A FDA 안개 탐지 결과를 비교분석 하였다. 또한 정량적인 안개 탐지 수준을 분석하기 위해 지상관측 자료를 이용하여 통계적 검증을 수행하였다. 지상관측 자료 중 시정 자료를 주로 사용하고, 시정계가 갖는 공간 대표성 문제와 계측 오차를 최소화하기 위해 상대습도와 풍속을 이용하여 Table 2와 같이 안개 또는 비안개로 재정의하였다. 이 때 안개가 발생한 지리적 위치에 따라 특성이 상이하므로 지리적 위치에 따라 다르게 정의하였다(Lee and Ahn, 2013, Kang and Suh, 2019; Lee and Suh, 2019). 검증과정에서 위성의 네비게이션 오차 영향을 최소화하기 위해 Cermak et al. (2006)에서와 같이 주변화소를 이용하는 방법도 사용하였다. 500 m 해상도의 GK2A FDA는 주변 3 × 3화소를, 250 m 해상도의 GK2AB는 주변 5 × 5 화소를 검증에 이용하였다.

Table 2. Definition of fog/non-fog (NF) using ground observation data

OGCSBN_2023_v39n6_3_1779_t0002.png 이미지

Table 3은 통계적 검증을 위한 2 × 2 분할표로 상단은 최근접 화소를 이용한 방법, 하단은 주변 화소를 이용한 방법을 나타낸 것이다. 안개 탐지 수준을 평가하는 검증 지수는 식(6)~(9)와 같다. Probability of detection (POD)와 Hanssen-Kuiper skill score (KSS)는 값이 클수록, false alarm ratio (FAR)는 값이 작을수록, Bias는 0에 가까울수록 안개 탐지 수준이 우수함을 의미한다.

Table 3. The 2 × 2 contingency table

OGCSBN_2023_v39n6_3_1779_t0003.png 이미지

POD = H / (H + M)       (6)

FAR = F / (H + F)        (7)

Bias = (H + F) / (H + M)        (8)

KSS = POD – FAR        (9)

3. 연구결과 및 토의

3.1. GK2B 반사도 시간 외삽 결과

GK2B 반사도 시간 외삽 결과를 검증하기 위해서 동시 관측 시간대에 대해 시간 외삽한 GK2B NVIS (EXT_GK2B)와 식(3)으로 계산된 GK2B NVIS (Cor_GK2B)를 비교·분석하였다. 외삽 결과 구름이나 안개 등의 발생과 소산을 잘 반영하고 다음 GK2B 관측 시간대와의 불연속이 발생하지 않았다. Fig. 4는 2021년 2월 7일에 대한 EXT_GK2B와 Cor_GK2B의 산포도이다. 해당 사례(총 6시간, 11:30~16:30) 외삽 결과의 평균 Bias는 0.002%, root mean square error (RMSE)는 1.91%이다. Fig. 4에서 대부분의 화소들이 EXT_GK2B=Cor_GK2B 선에 가깝게 나타나지만 EXT_GK2B가 Cor_GK2B보다 높거나 낮은 화소들도 나타나고, Cor_GK2B 값이 작을 때 두 변수의 편차가 더 크게 나타난다. 따라서 본 연구에서는 외삽된 GK2B NVIS 자료가 고해상도 안개 탐지에 활용 가능하다고 사료되어 알고리즘 개발 입력자료로 사용하였다.

OGCSBN_2023_v39n6_3_1779_f0004.png 이미지

Fig. 4. Scatter plot of extrapolated GK2B NVIS and corrected GK2B NVIS at (a) 11:30 KST, (b) 13:30 KST, and (c) 15:30 KST on Feb. 7, 2021.

3.2. 정성적 GK2AB FDA 안개 탐지 검증 결과

Figs. 5와 6은 각각 2021년 3월 5일, 2022년 9월 29일 08:30 KST 사례에 대한 GK2A RGB 안개 탐지 산출과 지상관측자료 안개 관측 결과, GK2A FDA, GK2AB FDA 안개 탐지 결과를 나타낸 그림이다. GK2A RGB 안개 탐지 산출물에서 청록색 계열은 안개 및 하층운, 보라색은 두꺼운 중층운 그리고 어두운 붉은색 계열은 상층운 등을 의미한다. Fig. 5(a)는 대전을 포함한 대부분의 내륙지역과 서해상에 짙은 안개가 발생한 사례이며, Fig. 6(a)는 일부 내륙지역에 복사무, 특히 서해안 상에 짙은 안개가 발생한 사례이다.

OGCSBN_2023_v39n6_3_1779_f0005.png 이미지

Fig. 5. Spatial distribution of (a) fog product of GK2A RGB at 08:30 KST on Mar. 5, 2021, (b) GK2B NVIS and ground fog observation, (c) GK2A FDA fog detection result, and (d) GK2AB FDA detection result.

OGCSBN_2023_v39n6_3_1779_f0006.png 이미지

Fig. 6. Same as Fig. 5 except for 08:30 KST on Sep. 29, 2022.

두 사례에 대한 GK2A FDA, GK2AB FDA 안개 탐지 결과를 보면 두 알고리즘 모두 안개가 관측된 지점과 정성적으로 반사도가 높은 화소에 대해 안개로 잘 탐지하였으며, 안개 가장자리에서 GK2A FDA가 탐지하지 못한 안개 화소를 GK2AB FDA에서 잘 탐지하는 것을 볼 수 있다. 전체적인 사례에 대한 지상관측자료의 안개 발생 유무와 GK2A FDA 그리고 GK2AB FDA 안개 탐지 결과를 정성적으로 비교한 결과, 두 알고리즘 모두 지상관측자료에서 안개로 관측된 지점에 대해 잘 탐지하였다. 특히 GK2AB FDA는 GK2A FDA에 비해 공간해상도가 4배 증가함에 따라 안개 및 비안개 화소들을 보다 상세히 구분하였고, 비교적 더 늦은 시간에 안개 소산이 나타나는 특징을 보였다.

3.3. 정량적 GK2AB FDA 안개 탐지 결과

Table 4는 GK2A FDA와 GK2AB FDA 안개의 정량적 검증 결과를 나타낸 표로 T는 훈련사례를, V는 검증 사례에 대한 검증 결과를 나타낸다. 안개 탐지 수준은 지상관측자료를 기준으로 최단거리 위성 안개 탐지 화소와 주변 화소를 이용하여 검증하였다. 표에서 괄호에 있는 값은 각 평가지수에 대한 표준편차로 전체 사례들에 대한 안개 탐지 성능의 안정성을 나타낸다. 검증결과 검증방법에 상관없이 GK2AB FDA의 Bias는 높게 나타나지만 POD와 FAR의 차이(KSS)는 GK2A FDA보다 GK2AB FDA에서 크거나 비슷하다. 즉, GK2A FDA에 비해 안개를 과탐지 하지만 GK2A FDA에서 미탐지되는 화소를 안개로 잘 탐지하고 있다. 안개의 발생 여부가 인적 물적 피해와 연관되는 기상현상으로 일부 안개를 과탐지 하더라도 미탐지 되는 화소를 줄이는 것이 중요하다. 따라서 두 위성자료를 융합하여 고해상도로 안개를 탐지한 결과 한반도 주변에서 발생하는 안개에 대한 상세한 탐지와 안개 탐지 성능이 향상된 것으로 판단된다.

Table 4. Summary of validation results of GK2A FDA and GK2AB FDA using ground data

OGCSBN_2023_v39n6_3_1779_t0005.png 이미지

4. 결론

본 연구에서는 시간해상도가 우수한 GK2A/AMI 자료와 공간해상도가 우수한GK2B/GOCI-II를 융합하여 주간 고해상도 안개탐지(10분 간격, 250 m)를 시도하였다. 이를 위해 두 위성의 시, 공간 그리고 사용 채널 파장역 차이를 보정하고 GK2B 반사도를 10분 간격으로 외삽하여 고해상도의 반사도 자료를 산출하였다. GK2B NVIS 시간 외삽 결과를 GK2B NVIS (Cor_GK2B)와 비교했을 때, 구름이나 안개 등의 발생과 소산을 잘 반영하고 다음 GK2B 관측 시간대와의 불연속이 발생하지 않았다. 또한 대부분의 화소들이 Cor_GK2B와 비슷하게 나타나 시간 외삽한 GK2B NVIS를 융합 안개 탐지 알고리즘에 입력자료로 사용하였다.

GK2AB FDA는 6개의 훈련사례에 대해 외삽된 GK 2B NVIS 자료와 GK2A FDA 안개 탐지 산출물 등을 이용하여 기계학습을 기반으로 개발되었다. GK2AB FDA의 탐지수준을 평가하기 위해 4개의 검증 사례에 적용하여 안개를 탐지하였으며, 검증 기준 자료의 수준 향상을 위해 지상관측 시정, 기온 그리고 상대습도 자료를 이용하여 검증하였다. 검증방법에 관계없이 대부분의 사례에서 GK2A FDA가 탐지하지 못한 안개 화소를 GK2AB FDA에서는 잘 탐지하였다(1:9 검증, POD=0.69–0.71, FAR=0.35–0.42).

특히 GK2AB FDA는 GK2A FDA에 비해 공간해상도가 4배 증가함에 따라 안개 및 비안개 화소들을 보다 상세히 구분하였다. 반면 일부 사례에서는 GK2A FDA에 비해 안개를 과탐지하여 Bias가 높게 나타났다. 하지만 안개의 발생 여부가 인적 물적 피해와 연관되는 기상현상으로 일부 안개를 과탐지 하더라도 미탐지 되는 화소를 줄이는 것이 중요하므로 두 위성자료를 융합하여 고해상도로 안개를 탐지한 결과 한반도 주변에서 발생하는 안개에 대한 상세한 탐지와 안개 탐지 성능이 향상된 것으로 판단되며, 추후 높은 과탐지를 낮추기 위한 알고리즘의 개선이 필요하다.

사사

이 논문은 공주대학교 연구년 사업에 의하여 연구되었으며, 이에 감사드립니다.

Conflict of Interest

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

참고문헌

  1. Cermak, J., 2006. SOFOS - A new satellite-based operational fog observation scheme. Doctoral dissertation, Philipps-Universitat Marburg, Marburg, Germany. https://doi.org/10.17192/z2006.0149.
  2. Chander, G., Markham, B. L., and Helder, D. L., 2009. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. Remote Sensing of Environment, 113(5), 893-903. https://doi.org/10.1016/j.rse.2009.01.007
  3. Eyre, J. R., Brownscombe, J. L., and Allam, R. J., 1984. Detection of fog at night using Advanced Very High Resolution Radiometer (AVHRR) imagery. Meteorological Magazine, 113(1346), 266-271.
  4. Gultepe, I., Tardif, R., Michaelides, S. C., Cermak, J., Bott, A., Bendix, J. et al., 2007. Fog research: A review of past achievements and future perspectives. Pure and Applied Geophysics, 164, 1121-1159. https://doi.org/10.1007/s00024-007-0211-x
  5. Han, J. H., Suh, M. S., Yu, H. Y., and Roh, N. Y., 2020. Development of fog detection algorithm using GK2A/AMI and ground data. Remote Sensing, 12(19), 3181. https://doi.org/10.3390/rs12193181
  6. Kamangir, H., Collins, W., Tissot, P., King, S. A., Dinh, H. T. H., Durham, N., and Rizzo, J., 2021. FogNet: A multiscale 3D CNN with double-branch dense block and attention mechanism for fog prediction. Machine Learning with Applications, 5, 100038. https://doi.org/10.1016/j.mlwa.2021.100038
  7. Kang, T. H., and Suh, M. S., 2019. Detailed characteristics of fog occurrence in South Korea by geographic location and season based on the recent three years (2016-2018) visibility data. Journal of Climate Research, 14, 221-244. https://doi.org/10.14383/cri.2019.14.4.221
  8. Kim, D., Park, M. S. , Park, Y. J., and Kim, W., 2020. Geostationary Ocean Color Imager (GOCI) marine fog detection in combination with Himawari-8 based on the decision tree. Remote Sensing, 12(1), 149. https://doi.org/10.3390/rs12010149
  9. Lee, H. B., Heo, J. H., and Sohn, E. H., 2021. Korean fog probability retrieval using remote sensing combined with machine-learning. GIScience & Remote Sensing, 58(8), 1434-1457. https://doi.org/10.1080/15481603.2021.1995973
  10. Lee, H.-D., and Ahn, J. B., 2013. Study on classification of fog type based on its generation mechanism and fog predictability using empirical method. Atmosphere, 23(1), 103-112. https://doi.org/10.14191/Atmos.2013.23.1.103
  11. Lee, H. K., and Suh, M. S., 2019. Objective classification of fog type and analysis of fog characteristics using visibility meter and satellite observation data over South Korea. Atmosphere, 29(5), 639-658. https://doi.org/10.14191/Atmos.2019.29.5.639
  12. Lee, K. S., Park, M. S., Choi, J. K., and Ahn, J. H., 2023. Improvement of GOCI-II water vapor absorption correction through fusion with GK-2A/AMI data. Remote Sensing, 15(8), 2124. https://doi.org/10.3390/rs15082124
  13. Lee, S. H., 1998. Impacts of the Chungju Lake on the fog characteristics of its surrounding area. Journal of the Korean Geographical Society, 33(2), 165-177.
  14. Li, J., and Shibata, K., 2006. On the effective solar pathlength. Journal of the Atmospheric Sciences, 63(4), 1365-1373. https://doi.org/10.1175/JAS3682.1
  15. Suh, M. S., Lee, S. J., Kim, S. H., Han, J. H., and Seo, E. K., 2017. Development of land fog detection algorithm based on the optical and textural properties of fog using COMS data. Korean Journal of Remote Sensing, 33(4), 359-375. https://doi.org/10.7780/kjrs.2017.33.4.3
  16. Yang, J. H., Yoo, J. M., and Choi, Y. S., 2021. Advanced dual-satellite method for detection of low stratus and fog near Japan at dawn from FY-4A and Himawari-8. Remote Sensing, 13(5), 1042. https://doi.org/10.3390/rs13051042
  17. Yi, L., Thies, B., Zhang, S., Shi, X., and Bendix, J., 2015. Optical thickness and effective radius retrievals of low stratus and fog from MTSAT daytime data as a prerequisite for Yellow Sea fog detection. Remote Sensing, 8(1), 8. https://doi.org/10.3390/rs8010008