Korean Journal of Remote Sensing, Vol.37, No.5-1, 2021, pp.959~974
https://doi.org/10.7780/kjrs.2021.37.5.1.11 ISSN 1225-6161 ( Print )
ISSN 2287-9307 (Online)
Article
GOCI 위성영상과 기계학습 기법을 이용한 Ocean Colour-Climate Change Initiative (OC-CCI) Forel-Ule Index의 공간 상세화
성태준 1)·김영준2)·최현영1)·임정호 3)†
Spatial Downscaling of Ocean Colour-Climate Change Initiative (OC-CCI) Forel-Ule Index Using GOCI Satellite Image and Machine Learning Technique
Taejun Sung 1)·Young Jun Kim2)·Hyunyoung Choi1)·Jungho Im 3)†
Abstract: Forel-Ule Index (FUI) is an index which classifies the colors of inland and seawater exist in nature into 21 grades ranging from indigo blue to cola brown. FUI has been analyzed in connection with the eutrophication, water quality, and light characteristics of water systems in many studies, and the possibility as a new water quality index which simultaneously contains optical information of water quality parameters has been suggested. In this study, Ocean Colour-Climate Change Initiative (OC-CCI) based 4 km FUI was spatially downscaled to the resolution of 500 m using the Geostationary Ocean Color Imager (GOCI) data and Random Forest (RF) machine learning. Then, the RF-derived FUI was examined in terms of its correlation with various water quality parameters measured in coastal areas and its spatial distribution and seasonal characteristics. The results showed that the RF-derived FUI resulted in higher accuracy (Coefficient of Determination (R2)=0.81, Root Mean Square Error (RMSE)=0.7784) than GOCI-derived FUI estimated by Pitarch’s OC-CCI FUI algorithm (R2=0.72, RMSE=0.9708).
RF-derived FUI showed a high correlation with five water quality parameters including Total Nitrogen, Total Phosphorus, Chlorophyll-a, Total Suspended Solids, Transparency with the correlation coefficients of 0.87, 0.88, 0.97, 0.65, and -0.98, respectively. The temporal pattern of the RF-derived FUI well reflected the physical relationship with various water quality parameters with a strong seasonality. The research findings suggested the potential of the high resolution FUI in coastal water quality management in the Korean Peninsula.
Key Words: Forel-Ule Index, Ocean Colour, Marine Water Quality, GOCI, OC-CCI
Received October 4, 2021; Revised October 15, 2021; Accepted October 18, 2021; Published online October 21, 2021
1)울산과학기술원 도시환경공학과 석·박사과정생 (Combined MS/PhD Student, Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology)
2)울산과학기술원 도시환경공학과 박사과정생 (PhD Student, Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology)
3)울산과학기술원 도시환경공학과 정교수 (Professor, Department of Urban and Environmental Engineering, Ulsan National Institute of Science and Technology)
†Corresponding Author: Jungho Im ([email protected])
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
1. 서론
해색(Ocean Colour) 원격탐사는 빛이 해수와 상호작 용을 거쳐 다시 대기로 반사된 전가기파 에너지를 인공 위성으로 관측하여 해수의 색변화를 탐사하는 분야로, 해양 생태계와 물리적 특성 등을 이해하는 기반이 된다 (Platt, 2008). 해수 수출 광량(Water-leaving Radiances; Lw) 은 각종 플랑크톤, 부유물질 등과 같은 해수에 포함된 다양한 물질의 정보를 포함하고 있다. 해색 원격탐사는 주로 클로로필-a (Chlorophyll-a; Chl-a), 유색 용존 유기물 (Colored Dissolved Organic Matter) 농도, 탁도(Turbidity) 등 수질 및 해양 생태계에 영향을 미치는 주요 인자를 분석하는 데에 활용되고 있으며, 최근에는 해수면 염분 (Sea Surface Salinity), 용존 산소량(Dissolved Oxygen), 탄 소 분압(Fugacity of CO2) 등 다양한 분야에 대하여 활용 도가 증가하고 있는 추세이다. 앞서 소개한 해색 원격 탐사의 성공적인 분석 사례와 넓은 활용도를 바탕으로 지속적으로 이에 대한 관심이 증가하고 있으며, 특히 천 리안위성2B호의 해양탑재체(GEO-KOMPSAT-2B Geostationary Ocean Color Imager-2; GK2B GOCI-2)가 2020년 성공적으로 발사됨에 따라 동아시아 지역에 대 한 해색 연구가 더욱 활발히 수행될 전망이다. 뿐만 아 니라, 전 지구 기후 관측 시스템(Global Climate Observing System)은 현존하는 과학적 관측, 자료관리, 정보 분배 시스템을 기반으로 기후시스템의 중요 요소를 감시하
는 프로그램의 유지와 강화를 목적으로 해양, 대기, 육 상3개 분야에 대한 핵심 기후 변수(Essential Climate Variables)를 선정하였으며, 해양 분야 변수의 하나로 해색을 선정하였다. 유럽 항공 우주국(European Space Agency; ESA) 기후변화기구(Climate Change Initiative;
CCI)에서는 핵심 기후 변수 중 하나로써Ocean Colour-
CCI (OC-CCI) 산출물을 매일 전세계 해양에 대하여4
km의 해상도로 가공하여 제공하고 있으며, 이를 전 지 구 기후변화 모니터링을 위한 자료로 활용하고 있다.
이러한 해색 자료를 기반으로 Forel (1890)과Ule
(1892)은 자연에 존재하는 담수 및 해수의 색을1 (남색;
indigo-blue)부터21 (고동색; cola-brown)까지21 가지 등 급으로 구분하는Forel-Ule Index (FUI)를 개발하였고, Wernand and Van der Woerd (2010)에 의해 각 등급에 대 한 특징이 분석되었다. 이후FUI는 여러 선행연구에서 수계의 부영양화 지수(Q Chenet al., 2020; Wanget al., 2018), 수질인자(Petuset al., 2019; Garabaet al., 2015), 광 특성(Wanget al., 2019) 등과 연관 지어 분석되었고, 이를 통해 여러 수질인자의 광학적 정보를 동시에 가지고 있 는 새로운 수질 지표로써의 가능성이 제시되었다. 특히 OC-CCI는 다종위성 융합 자료로써, 구름 등으로 인한 데이터 결측 비율이 적다는 장점을 살려 전 지구적인 FUI와 해색 변화 연구에 활용되었다(Pitarchet al., 2019;
Pitarchet al., 2021). 또한, Nieet al. (2020)은 동중국해 지 역에 관하여OC-CCI FUI와 현장FUI자료를 비교하여 요약 : Forel-Ule Index (FUI)는 자연에 존재하는 담수 및 해수의 색을 남색부터 고동색까지21 가지의 등급으로 구분하는 지표이다. FUI는 여러 선행연구에서 수계의 부영양화 지수, 수질인자, 광 특성 등과 연관 지어 분석 되었으며, 여러 수질인자의 광학적 정보를 동시에 가지고 있는 새로운 수질 지표로써의 가능성이 제시되었다. 본 연구에서는500 m의 높은 공간해상도를 가지는 정지궤도 해양위성해색탑재체(Geostationary Ocean Color Imager; GOCI) 관측 자료와Random Forest (RF) 기계학습 기법을 활용하여Ocean Colour-Climate Change Initiative
(OC-CCI) 기반의4 km FUI 자료를 공간 상세화 시켰다. 이를 활용하여 우리나라 연안 해역에 대한 수질인자와
의 상관관계와 주요 해역에 대한FUI의 공간적 분포 및 계절별 특성 변화를 분석하였다. 검증 결과RF 기법으 로 추정한RF FUI는 결정계수(R2)=0.81, 평균 제곱근 오차(Root Mean Square Error; RMSE)=0.7784로, Pitarch의 OC-CCI FUI 알고리즘을 적용하여 계산한GOCI FUI 추정 정확도(R2=0.72, RMSE=0.9708) 대비 향상된 결과 를 보였다. RF FUI는 총 질소(Total Nitrogen), 총 인(Total Phosphorus), 클로로필-a(Chlorophyll-a), 총 부유물질 (Total Suspended Solids), 투명도(Secchi Disk Depth)를 포함하는5가지 수질인자와 각각0.87, 0.88, 0.97, 0.65, -0.98 의 상관계수로 강한 상관성을 보였다. 산출된FUI의 시간적 패턴 역시 여러 수질인자와의 물리적 관계를 반영 하며 유의미한 계절적 패턴의 변화를 보였다. 본 연구의 결과로 한반도 연안 수질 관리에서 고해상도FUI의 활 용 가능성을 제시하였다.
의미 있는 상관관계를 발견하였으며 중국 연안 관리 측 면에서 위성FUI자료의 활용 가능성을 제시하였다.
그러나 연안 지역에 대한FUI연구는 여전히 부족한 실정이다. 연안 지역은 해역별로 특성이 매우 다르고 근 처 섬이나 육상 지역의 영향을 받기 쉽기 때문에 더욱 상세한 공간해상도로 분석이 필요하다. 특히 조차가 커 해양 특성의 변화가 잦고 남해안에 위치한 다도해역으 로 인하여 해안선이 고르지 못한 우리나라 해역의 특성 상 기존에 널리 활용되는OC-CCI기반의FUI를 적용하 기에는 한계가 있다. 따라서, 보다 높은 시공간 해상도 를 가지는 위성 원격탐사 기법 기반의 해색 및FUI를 활 용한 해역관리가 필요하다.
본 연구는500 m의 높은 공간해상도를 가지는 정지궤 도 해색탑재체(Geostationary Ocean Color Imager; GOCI) 관측 자료와 기계학습 기법을 활용하여 우리나라 해역 에 대한 고해상도FUI산출 알고리즘을 개발하였다. 개 발한 고해상도FUI를 활용하여2020년 우리나라 연안 해 역에 대한 수질인자와의 상관관계를 분석하였다. 또한, 주요 해역에 대한FUI의 공간적 분포와 계절별 특성 및 변화를 분석하였다.
2. 연구지역 및 연구자료
본 연구는2019년 우리나라 해역을 대상으로 모델 구 축 및 검증, 2020년을 대상으로 분석을 진행하였다. 연 구지역은, 동해 생태구(East Sea Ecoregion), 대한해협 생 태구(Korea Strait Ecoregion), 서남해역 생태구(Western South Sea Ecoregion), 서해중부 생태구(Central West Sea Ecoregion), 제주 생태구(Jeju Ecoregion)의5 개 생태구 역을 모두 포함하는 영역(위도: 124°E–131°E,경도:
33°N–39°N)으로 설정하였다. 생태구역이란, 비교적 비 슷한 물리, 화학, 생물학적 특성을 가지는 지리적 단위 로써 해양은 수체의 환경 특성이 매우 다양하여 외부 영향에 대한 반응이 수체마다 다르게 일어나기 때문에 생태구역별 관리가 필요하다(Board and Council, 2000).
이에, 해양수산부는 『해양환경기준』에 의거하여 앞서 언급한 바와 같이 우리나라 연안을 수심, 해류, 조석 등 의 해역별 특성을 고려한5 개 생태구로 나누어 관리하 고 있다(MOF, 2013). 각 생태구를 구분하기 위해 동해
생태구에서는 수심, 대한해협 생태구에서는 해류, 서남 해역 생태구에서는 탁도, 서해중부 생태구에서는 염분 과 조차, 제주 생태구에서는 기후가 가장 중요한 분류 자로 사용되었다(Rhoet al., 2012).
연구자료로는OC-CCI및GOCI원격반사도(Remote Sensing Reflectance, Rrs)를 활용하였다. OC-CCI자료의 경우2020년11월에 공개된5.0 버전(OC-CCI v5.0) 자료 를 활용하였으며, 모든 자료는ESA가 운영·관리 하는 웹사이트(http://www.oceancolour.org)에서 제공받을 수 있다(Sathyendranathet al., 2019). GOCI관측자료의 경우 한국해양위성센터(Korea Ocean Satellite Center (KOSC);
http://kosc.kiost.ac.kr/)에서Level 1B형태로 다운받을 수 있으며, 천리안 해양관측위성 자료처리시스템(GOCI Data Processing System; GDPS) v2.0을 활용하여 대기보 정을 통해GOCI밴드별Rrs및 품질정보(Flag)가 포함된 Level 2A자료를 산출하여 활용하였다. GDPS를 활용한 GOCI자료의 대기보정은KOSC표준 대기보정 알고리 즘을 활용하였으며, 알고리즘 계수 값은 수정하지 않고 기본 설정을 기준으로 수행하였다. OC-CCI자료는 중 심파장 기준412, 443, 490, 510, 560, 665 nm에 대한 총 6개 밴드의Rrs를 제공하고 있으며, OC-CCI v5.0 Rrs는 Moderate Resolution Imaging Spectroradiometer (MODIS) Aqua, Suomi National Polar-Orbiting Partnership (NPP) Visible Infrared Imaging Radiometer Suite (VIIRS), Sentinel- 3 Ocean and Land Colour Instrument (OLCI) 기반의Rrs 를Medium Resolution Imaging Spectrometer (MERIS) 밴 드 구성에 맞추어 대역이동(Band-shifting) 및 잔차보정 (Bias-correcting)을 수행한 결과이다(ESA, 2020). GOCI 는 가시광선 영역 기준으로412, 443, 490, 555, 660, 680 nm의 총6개 밴드에 대한Rrs를 가지고 있으며, OC-CCI 자료와 비교하였을 때510 nm의 자료가 없는 대신680 nm의 자료를 가지고 있다.
또한 본 연구는 산출한FUI와 수질인자의 상관관계 를 분석하기 위하여 해양환경공단에서 조사·관리하는 해양환경측정망 관측자료를 활용하였다. 해양환경공 단은 우리나라 전국 연안 및 근해역의425개 정점을 선 정하여 매년2, 5, 8, 11월의4 분기에 걸쳐 수온, 염분을 포함한 총16개 해수 일반항목에 대한 정보를 정기적으 로 조사·제공하고 있다. 해당 자료는 해양수산부에서 운영하는 해양환경정보포털(https://www.meis.go.kr/
portal/main.do)에서 받을 수 있다. 본 연구에서는2020 년 해양환경측정망 원본 관측자료 중 총 질소(Total Nitrogen; TN), 총 인(Total Phosphorus; TP), Chl-a, 부유 물질(Total suspended solids; TSS) 농도, 투명도(Secchi disk depth; SDD)자료를 활용하였다.
3. 연구방법
본 연구에서는 기계학습 기법인Random Forest (RF) 모델을 사용하여4 km의OC-CCI FUI를GOCI위성의
500 m해상도에 맞게 공간상세화 시켰다(Fig. 1). 입력
변수로는2019년의GOCI일평균 원격반사도와 슬롯 번호가 사용되었고, OC-CCI FUI를 타겟으로 학습되었 다. 이후RF모델로 산출된500 m의 고해상도FUI를 활
용하여, 2020년의 해양환경측정망 현장 수질자료와 상
관성 분석을 진행하였다(Fig. 1). 마지막으로, 2020년의 GOCI월평균(2, 5, 8, 11월) 원격반사도를 입력변수로 산출한 월평균FUI를 통해, 한반도 주요해역에서FUI 의 계절적 패턴을 분석하였다(Fig. 1).
먼저 입력자료의 공간해상도를 맞추기 위해, OC- CCI 4 km일평균 원격반사도를 사용하여OC-CCI 4 km 일평균FUI를 계산하였다. 또한, 선형 보간법을 사용해 GOCI 500 m시간별 위성영상을GOCI 4 km일평균 영 상으로 업스케일(Upscaling) 하였다. 앞서 소개하였듯 OC-CCI v5.0은MODIS Aqua, Suomi NPP VIIRS, Sentinel
3 OLCI세 위성 자료를 융합 활용하여 생성된 자료이며,
각 위성이 한반도 상공을 지나는 시간은 각각 한국 표 준시(KST) 기준으로 오전10시–11시(OLCI)와 오후1시 –2시(Aqua, VIIRS) 경이다. 따라서, 이와 비슷한 시간대 에 획득된GOCI의1번(오전10시15분)과4번(오후1시 15분) 영상을 활용하여GOCI일평균 위성영상을 생성 하였으며, 두 영상의 원격반사도 값이 모두 유효한 경우 에만 대푯값으로 사용하였다. GOCI L2 flag를 활용하여 신뢰도가 낮은 픽셀 값을 제거하였으며, F5 (Maximum iteration), F6/7 (High solar/satellite zenith angle), F11 (High wind speed), F15 (Negative Lw), F16 (Low Lw555), F17 (Negative Rayleigh corrected reflectance in NIR), F19 (Cloud edge)가 사용되었다. GOCI위성의 슬롯(Slot) 경 계면에서 원격반사도 값이 연속적이지 못한 문제(W
Kimet al., 2015)를 해결하기 위해GOCI의 슬롯 번호를
추가 변수로 사용하였다. 슬롯 번호는 범주형 자료이므 로 기계학습 모델에 사용하기 위하여 원-핫 인코딩(One- hot encoding)을 적용하여 가공하였다. 원-핫 인코딩은 범주형 데이터 집합의 크기를 벡터의 차원으로 하여 표 현하고 싶은 범주의 지표에1을 부여하고, 다른 지표에 는0을 부여하는 벡터 표현 방식이다. 본 연구의 분석 영 역이5번부터10번까지의 총6개의 슬롯을 포함하고 있 어6개의 추가 변수를 사용하였다. 이후4 km로 업스케 일 된GOCI의1–6번 밴드(412, 443, 490, 555, 660, 680 nm)의 일평균 원격반사도와 슬롯 번호를 독립변수,
OC-CCI FUI를 종속변수로RF모델을 구축하였다. 최
종적으로, 학습된RF모델과GOCI 500 m시간별 위성 영상을 사용하여 시간별500 m해상도의FUI를 산출하 였다.
참조 자료로 사용한OC-CCI FUI산출을 위해서 위성 원격반사도로부터 색상 각(Hue Angle)이 계산되었다. 색상 각이란, 색 공간에서 빛의 색상을 표현하기 위한 0°에서360°사이의 연속적인 변수이다. 자연적인 해수 의 색상 각은40°의cola-brown부터235°의indigo-blue까 지의 범위를 가진다(Wernand and Van der Woerd, 2010).
위성 영상에서의FUI산출 과정은 원격반사도로부터 색상 각을 계산하는 과정을 기본으로 한다. 이 과정에 서 색 대응 함수(Color Matching Function)와의 합성곱 수행을 위해 연속적인 반사도 스펙트럼이 필요하다. 따 라서, 불연속적인 파장대로 제공되는 위성 원격반사도 를 사용해FUI를 계산하기 위해서는 일부 보정이 요구 된다. 본 연구에서는Woerd and Wernand (2015)와Van der Woerd and Wernand (2018)가 제시한 위성 원격반사 도의 색상 각 변환 알고리즘을OC-CCI의 원격 반사도 에 맞게 수정한Pitarchet al. (2019)와Pitarchet al. (2021) 의OC-CCI FUI알고리즘을 사용하여OC-CCI와GOCI 원격반사도로부터FUI를 계산하였다. FUI산출을 위 하여OC-CCI에서 제공하는412, 443, 490, 510, 560, 665 nm파장대의 원격반사도가 사용되었는데, GOCI는
510 nm에 대한 원격반사도를 제공하지 않기 때문에 로
그(Log) 보간법을 사용하여510 nm파장대의 원격반사
도를 직접 산출하여FUI계산에 사용하였다(O’Reilly and Werdell, 2019).
기계학습 기법으로는 해양 원격탐사 분야에서 다양
Fig. 1. The process flow diagram of the FUI downscaling approach proposed in this study.
한 비선형적 문제의 해결(S Chenet al., 2019; Janget al., 2016; Yoonet al., 2020)과 공간 상세화 연구에서(Zhaoet al., 2018; Yooet al., 2017; Parket al., 2019) 좋은 성능을 보 여준RF모델을 사용하였다. RF는Classification and Regression Trees (CART)를 기반으로, 다수의 결정나무 (Decision Tree)를 학습하는 앙상블 모델이다. RF는 부트 스트랩(Bootstrap) 기법을 통해 무작위로 선택된 훈련자 료와 입력변수에 대해 훈련된 기초 분류기(Base Learner) 들을 결합(Aggregating)하여 개별 결정나무의 과적합 (Overfitting) 문제를 방지한다(Breiman, 2001). 생성된 개 별 결정나무들은 분류(Classification)의 경우 다수결 (Majority Voting), 회귀(Regression)의 경우 평균(Averaging) 을 통해 결합된다. 본 연구에서는Python 3.8의Random Forest Classifier패키지를 사용하였다. 여러 시도를 거쳐 파라미터를 최적화하였으며, 최종적으로500개 트리의 RF모델을 구축하였다.
모델 검증에는10겹 교차검증(10-fold cross-validation) 이 사용되었다. 10겹 교차검증은 전체 훈련자료를10겹 의 데이터 세트로 나누어 각각의 세트에 관하여 검증을 수행하는 방법이다. 2019년 자료에 관하여 교차검증을 수행하였으며, 위성 영상의 촬영일자 끝 자릿수를 기준 으로 시간적으로 분할한10겹의 데이터 세트가 사용되 었다. 모델의 평가 지표로는 산점도의 기울기(Slope), 결 정계수(Coefficient of Determination; R2), 평균 편향 오류 (Mean Bias Error; MBE), 평균 제곱근 오차(Root Mean Square Error; RMSE)가 사용되었으며, 각 지표의 계산 방법은 아래와 같다(식1-4). 아래 식에서x는GOCI와 RF FUI, y는CCI FUI를 의미한다. OC-CCI에서 제공되 는FUI를 기준으로OC-CCI FUI알고리즘을 통해 산출
된GOCI FUI와RF모델로 산출된FUI의 정확도가 비
교되었다.
slope= (1)
R2= (2)
MBE= (3)
RMSE= (4) 산출된FUI와 한반도 연안 수질인자의 상관관계 분
석을 위해 해양환경측정망 현장 관측자료를 사용하였 다2020년을 대상으로 시간별GOCI원격 반사도에flag 를 적용하여 신뢰도가 낮은 위성자료와 측정 시간이 불 분명한 현장 자료를 제거한 후, GOCI의 촬영시간 기준
±30 분에 매칭되는 샘플 총158개를 활용하였다. 매칭 된 샘플을FUI별로 평균하여FUI와 각 수질인자와의 산점도를 통해 상관관계 분석을 진행하였다(Petuset al., 2019). 이후2020년의GOCI원격반사도를 사용하여2, 5, 8, 11월의 월평균 원격반사도를 계산하였고, 이를 입 력 변수로 월평균RF FUI를 산출하여 시공간적 분포와 계절별 변화 특성을 분석하였다.
4. 연구결과 및 토의
1) CCI, GOCI, 기계학습 모델 활용 FUI 정확도 비교 CCI FUI를 활용한2019년 우리나라 해역의FUI분포 를 분석하였을 때(Fig. 2), 약97%의 샘플이FUI 1–8 사 이의 맑은 해수로 나타났다. 이는 전세계 해역의99%가 8 이하의FUI를 가진다는Pitarchet al. (2021)의 연구 결 과보다 작게 나타났는데, 본 연구의 연구지역의 특성 상 연안지역의 탁한 해수(FUI 9 이상)의 비율이 높기 때문 이다. 우리나라 해역에서 가장 수심이 깊은 동해 생태 구의 경우(Fig. 2(a)), FUI가10 미만으로 가장 맑은 것으 로 나타났다. 반면, 강한 조석 혼합으로 인해 탁도가 상 대적으로 높은 서남해역(Fig. 2(c))과 강 하구에서 유출 된 다량의 담수로 인한 육상 오염의 부하량이 상대적으 로 큰 서해중부 생태구(Fig. 2(d))의 경우(Rhoet al., 2012),
FUI 9 이상의 해수가 많이 관측되어 가장 탁한 것으로
나타났다.
GOCI및RF FUI추정 결과를 반대수(Semi-log) 분포 를 활용하여CCI FUI자료와 비교하였을 때(Fig. 2), 두 모델 모두FUI 9 미만의 맑은 해역에 대해서는 추정력 이 높은 것으로 나타났다. 하지만, FUI 9 이상의 탁한 해 역에 대해서GOCI FUI가RF에 비하여 추정력이 떨어 지는 것으로 나타났다. 동해 생태구의 경우(Fig. 2(a)), FUI 9 이상의 탁수에 대하여GOCI FUI가RF FUI에 비 하여 과대 추정하였다. 이와 반대로, 서남해역(Fig. 2(c)) 과 서해중부(Fig. 2(d)) 생태구의 경우, GOCI FUI가RF FUI에 비하여 과소 추정하는 경항을 보였다. 특히, 서남 ΔyΔx
∑i [(xi– –x)(yi– –y)]
[(∑i xi– –x)2 (∑i yi– –y)2]1/2
∑ni=1 (xi–yi) n
∑ni=1 (xi–yi)2 n
해역(Fig. 2(c))과 제주(Fig. 2(e)) 생태구에서, GOCI FUI
는FUI 15 이상의 극도로 탁한 해수를 거의 모의하지 못
하는 것으로 나타났으며, RF또한 낮은FUI지수에 비 하여 상대적으로 과소 추정하는 것으로 나타났다. 이는
FUI 15 이상의 샘플이 전체의0.0012%로, 상대적으로 적은 샘플량에서 기인한 것으로 보인다.
약85만 개의 샘플을 활용한CCI FUI와GOCI, RF기 반FUI추정 비교 결과, RF FUI가GOCI FUI보다 높은
Fig. 2. Semi-log distributions of CCI-, GOCI-, and RF-derived FUI by ecoregion: (a) East Sea, (b) Korea Strait, (c) Western South Sea, (d) Central West Sea, and (e) Jeju ecoregions.
Fig. 3. Scatter plots between CCI-derived FUI and (a) GOCI-derived FUI and (b) RF-derived FUI proposed in this study.
Fig. 4. Spatial distribution of (a) CCI-derived FUI, (b) GOCI-derived FUI, and (c) RF-derived FUI and bias of (e) GOCI- derived FUI and (f) RF-derived FUI on April 3, 2019.
추정 정확도를 보였다(Fig. 3). GOCI FUI와RF FUI모두 0.96의 높은slope를 보였지만, R2에서RF FUI가GOCI FUI보다 높은 값을 보였고(GOCI FUI = 0.72; RF FUI = 0.81), MBE와RMSE모두 더 높은 추정 정확도를 보였 다(GOCI MBE = -0.24; GOCI RMSE = 0.97; RF MBE = -0.07; RF RMSE = 0.78). 맑은 해수를 나타내는 낮은 FUI영역(FUI 0–8) 뿐만 아니라, 보다 탁한 해역을 나타 내는 높은FUI영역(FUI 9–21)에 대해서도RF FUI추 정 모델이GOCI FUI보다 높은 추정 정확도를 보였다.
상대적으로 해색의 변화가 많고 훈련샘플이 적어 정확 한FUI추정에 어려움이 있는 탁한 해역(FUI 9–21)의 경우, GOCI FUI의MBE가-2.12, RMSE가2.77인 반면, RF FUI추정 알고리즘은MBE가-0.93, RMSE가2.10으 로 보다 정확히 추정하는 것으로 나타났다.
상대적으로 맑은2019년4월3일에 대한FUI의 공간 분포를 비교한 결과(Fig. 4), GOCI FUI및RF FUI두 모 델의 주된 추정 오차는 서해중부 및 서남해역 생태구의
FUI 9 이상의 탁한 해역에서 발생하는 것으로 나타났다
(Fig. 4(d)와(e)). 부유물질의 함량이 높아 상대적으로 매 우 탁한 해역으로 분류되는 이 두 생태구의 경우, Chl-a 및TSS농도 등 기존의 광학기반 수질 분석이 어려운 해 역이다(Minet al., 2015). GOCI FUI의 경우, 경기·인천 및 목포만 지역과 남해 일부 다도해상 등 서해중부와 서 남해역 생태구의 탁한 해역에 대한FUI를RF FUI에 비 하여 상대적으로 과소 추정하는 것으로 나타났다(Fig.
4(b)와(d)). 반면RF FUI추정 결과의 경우, 경기·인천
및 목포만 지역에 대해서CCI FUI와 유사한 공간 분포 를 보이는 것으로 나타났을 뿐만 아니라, 동해 및 대한 해협 생태구와 외해의 맑은 해수에 대한 추정 정확도도 상대적으로 높은 것으로 나타났다(Fig. 4(c)와(e)).
2) FUI와 수질인자와의 관계 분석
2020년 해양환경측정망에서 제공하는 수질 관련 다 섯 인자(TN, TP, TSS, Chl-a, SDD) 와RF FUI의 상관계 수를 분석한 결과, 다섯 인자 모두 통계적으로 유의한 선형 관계를 가지는 것으로 나타났다(p< 0.05, Fig. 5).
TN, TP, TSS의 경우, FUI와 각각0.87, 0.88, 0.97의 상관 계수를 가지며 강한 양의 상관관계를 보였다. 반면에 SDD와는-0.98의 상관계수로, 강한 음의 상관관계를 보 였다. 이러한 결과는FUI와 연안 수질인자의 상관관계 를 분석한 여러 선행연구 결과와 일치한다(Petuset al., 2019; Garabaet al., 2015). FUI는 부영양화 지수(Trophic State Index; TSI)와 강한 양의 상관관계가 있으며(Q Chen et al., 2020; Wanget al., 2018), TN과TP는TSI계산에 사용 되는 영양염류의 농도이다(Carlson, 1977; Kratzer and Brezonik, 1981). TSS와SDD는 서로 음의 상관관계를 가 지며 수계의 탁도를 나타내는 인자이다. 위 결과를 통해
RF FUI가 해수의 부영양화 정도와 탁도를 잘 대변한다
는 것을 알 수 있다. Chl-a의 경우 다른 인자들에 비해 상 대적으로 상관계수가 낮은 것으로 나타났다. 이는 본 연 구에 사용된 현장자료가Case-2로 분류되는 연안 해역 에 집중되어 있어Chl-a의 광학 신호가TSS, CDOM등 Fig. 4. Continued.
과 같은 다른 수질 인자의 영향을 받았기 때문으로 보인 다(Tassan, 1994; Ruddicket al., 2001; Siswantoet al., 2011;
Tilstoneet al., 2013).
3) 계절에 따른 우리나라 해역의 FUI 분포 특성 RF기법을 활용하여 지난2020년 우리나라의 계절별 (2, 5, 8, 11월) 평균FUI분포 특성을 분석하였다(Fig. 6).
한반도 연안에서FUI는2월에 가장 높고, 점차 감소하 여8월에 가장 낮은 값을 가진 뒤 다시 증가하는 계절적 패턴을 보인다. 이러한 특성은 비교적 탁한 해수에 속하 는 서해중부와 서남해역 생태구에서 가장 뚜렷하게 나 타나는데(Fig. 7(c)와(d)) 특히 서해중부 생태구의 경우, 봄–겨울(5–2월)의 계절의 변화에 따라FUI의 중앙값이 각각6, 5, 3, 5로 여름철에 감소했다가 다시 증가하는 추 세를 볼 수 있다(Fig. 7(d)). 이는Zhouet al. (2021)과H-C
Kimet al. (2017)에 의해 분석된 한반도 연안 수질인자의
월별 패턴과 높은 상관성이 있다. 한반도 연안에서 탁도 를 대표할 수 있는SDD는 봄과 겨울에 낮고, 여름과 가 을에 높은 값을 가진다(Zhouet al., 2021). 이는 여름철 높
아진 해수면 온도(Sea Surface Temperature)로 인해 수온 약층(Thermocline)이 깊어지고 해수의 수직 안정성이 강 화되면서, 연직 혼합이 감소하기 때문이다(Lanbu and Baoreng, 1991). 비교적 맑은 해역에 속하는 동해와 대한 해협 생태구의 경우(Fig. 7(a)와(b)), 나머지 해역과 비교 하여 계절적 변동이 약한 것으로 나타났다. 이는 한반도 에서 가장 심해에 속하는 동해의 특성상(Rhoet al., 2012), 수온 약층의 깊이에 따른 연직 혼합의 변화가 적기 때문 으로 보인다. 앞서4.2.절에 나타난 결과에 따라(Fig. 5), SDD뿐만 아니라 계절에 따라TN, TP, TSS, Chl-a농도
또한FUI의 계절적 변화특성에 맞추어 그 농도가 변화
한다고 볼 수 있다. 실제로 서해중부와 서남해역 생태구 에서Chl-a과TSS의 경우, 여름과 가을에 농도가 낮고, 봄과 겨울에 높은 계절적 특성을 보인다(H-C Kimet al., 2017; Sonet al., 2014). 여름철에 적조가 가장 빈번하게 발 생하는 서남해역 생태구의 경우, 봄–겨울(5–2월)의 계절 의 변화에 따른FUI의 중앙값이 각각5, 3, 3, 4로 여름철 에 오히려 감소하는 것으로 나타났다(Fig 7(d)). 이는 해 색의 계절적 패턴은 주로TSS의 연주기에 의해 결정되 Fig. 5. Scatter plots between RF-dervied FUI and the log-transformed concentrations of the averaged in-situ (a) Total Nitrogen (TN), (b) Total Phosphorus (TP), (c) Total Suspended Solids (TSS), (d) Chlorophyll-a (Chl-a) concentrations, and (e) Secchi Disk Depth (SDD) in 2020.
Fig. 6. Monthly distribution of averaged RF-derived FUI proposed in this study, and the number of days used to produce the distribution for the corresponding month: (a and b) February, (c and d) May, (e and f) August, and (g and h) November, respectively, in 2020.
기 때문에, 적조 현상이FUI의 계절적 패턴에 반영되기 어렵기 때문이다(Jafar-Sidiket al., 2018).
5. 논의사항
1) 연구의 한계점
연구에서 활용한OC-CCI v5.0 Rrs의 경우, 이전 버전
의OC-CCI에 비하여 최신Polymer대기보정 알고리즘
을 활용한 산출물로써, 탁한 해수(Case-2 Water)에 대한 높은Rrs추정 정확도를 보인다(ESA, 2020). 이전 버전의
OC-CCI Rrs기반FUI를 활용한 다양한 선행 연구에서
높은 추정 정확도를 기반으로 한OC-CCI자료의 신뢰 도를 보여주고 있지만(Pitarchet al., 2021; Nieet al., 2020), 여전히 현장관측 자료에 비하여 불확실성이 존재한다 는 한계가 존재한다. 또한, GOCI L2 flag자료 및 전처 리 과정을 통해GOCI Rrs의 오차 및 불확실성을 최소화 하였으나, 여전히GDPS를 활용한 대기보정 과정에서 발생하는 불확실성이 존재한다는 한계점이 존재한다. 특히, 탁한 해역에 대한GOCI자료의 대기보정 실패사
례는Liet al. (2020)과Wuet al. (2020) 등 다양한 선행연구
에서 지적하고 있으며, 실제로 월평균 자료로 정제를 하
였음에도 불구하고 대기보정 실패로 인하여2020년 경 기만 연안 지역을 포함한 일부 지역에 대한FUI분석이 불가했다는 한계가 있다(Fig. 6). 또한, 앞서 다루었듯 GOCI의 슬롯 경계면의 불연속성(Inter-slot Radiometric Discrepancy) 문제가 존재하기 때문에, 본 연구에서는 슬롯 번호에 대한 변수를 활용하여 보완을 하였다. 이 는 추후 우리나라 해역에 대한FUI, 혹은 현장 관측Rrs 를 활용한 추가적인 검증을 통하여 해결할 수 있을 것 으로 기대된다.
2) 활용방안
기존의 연안 수질관리는 주로Chl-a, CDOM, TSS등의 수질인자를 사용하여 이루어졌다. 하지만 수질인자의 현장자료 수집에는 많은 비용이 들며, 특히 광학적으로 복잡한 연안 해역에서 수질인자를 위성으로 정확히 추 정하는 것에는 여러 어려움이 따른다(Aurin and Dierssen, 2012; Blondeau-Patissieret al., 2014). 또한, 수질인자의 산 출 알고리즘은 일반적으로 수집된 광학 정보의 일부만 을 사용한다. 반면, FUI는 수집한 모든 가시광 영역의 광학 정보를 사용하는 지표로써, 광학적 특성이 다양한 해역에서 비교적 간단하게 추정이 가능하다(Wernandet
al., 2013). FUI는 다양한 수질 관련인자와 비교하여 비
Fig. 7. Box plots of RF-derived FUI by ecoregion: (a) East Sea, (b) Korea Strait, (c) Western South Sea, (d) Central West Sea, and (e) Jeju ecoregions.
교적 낮은 비용으로 현장자료 수집이 가능할 뿐만 아니 라 여러 수질인자가 보이는 광학 정보를 동시에 제공할 수 있다. 기존 다양한FUI의 활용은 전세계 다양한 담수 와 연안 수질 연구에서 수질 모니터링 분야에의 적용 가 능성을 보여주었으며(Q Chenet al., 2020; Wanget al., 2018; Petuset al., 2019; Garabaet al., 2015; Wanget al., 2019), 수집한 모든 가시광 영역의 광학정보를 사용하기 때문 에 많은 가시광 밴드 정보가 있을수록 정확하게 추정이 가능하다. 따라서, 250 m의 높은 공간해상도 및 보다 많 은 가시광 밴드(380, 412, 443, 490, 510, 555, 620, 660, 680, 709, 745, 865 nm)를 가지는GOCI-2를 활용한다면, 보다 수준 높은 준실시간 광역 해역관리를 실현할 수 있을 것 으로 기대된다.
6. 결론
본 연구는GOCI Rrs와OC-CCI Rrs기반의FUI자료 를 활용하여 고해상도FUI를 추정하는 기계학습 기법 기반의 알고리즘을 개발하였다. Random Forest기법으 로 추정한RF FUI는Pitarch의OC-CCI FUI알고리즘으 로 계산한GOCI FUI와 비교하여 더 높은 추정 정확도 를 보였다. 특히 서해중부와 서남해역 생태구의 경우,
GOCI FUI는 탁한 해역의FUI를 과소 추정하였으나,
RF FUI는CCI FUI와 유사한 공간 분포를 보이는 것으 로 나타났다. RF FUI를 해양환경측정망에서 제공하는 현장 수질자료와 비교한 결과, FUI는 수질 관련 다섯 인 자(TN, TP, TSS, Chl-a, SDD)와 모두 높은 상관성을 보 였다. 또한, RF FUI의 계절적 패턴과Zhou (2021)와H-C
Kimet al. (2017)에 의해 분석된 한반도 연안 수질인자의
월별 패턴을 비교한 결과, FUI는 수질인자와 유의미한 계절적 패턴의 변화를 보였다. FUI는TN, TP, TSS, Chl- a와는 양의 상관관계, SDD와는 음의 상관관계를 보였 으며, 이는 앞서 제시된 상관성과 계절적 패턴 비교 결 과에서 동일하게 나타났다. FUI는 수질인자와는 달리 수집 가능한 모든 가시광 영역의 광학 정보를 모두 사 용하여, 여러 수질인자들의 광학 정보를 동시에 가지고 있다. 또한, 비교적 적은 비용으로 현장자료 수집이 가 능하며, 광학적 특성이 복잡한 해역에서 비교적 간단하 게 해수의 수질 특성을 대변할 수 있는 지표이다. 특히,
250 m의 높은 공간해상도 및 보다 많은 가시광 밴드를
가지는GOCI-2와 함께, 한반도 연안관리 분야에서FUI 의 활용을 기대할 수 있을 것이다.
사사
본 연구는2021년 해양수산부 재원으로 해양수산과 학기술진흥원의 ‘과학기술기반 해역이용영향평가 기술 개발(20210427)’과 ‘해양위성영상 분석 활용 기술 개발 (20210046)’ 연구사업의 지원을 받아 수행되었음.
References
Aurin, D.A. and H.M. Dierssen, 2012. Advantages and limitations of ocean color remote sensing in CDOM-dominated, mineral-rich coastal and estuarine waters, Remote Sensing of Environment, 125: 181-197.
Blondeau-Patissier, D., J.F. Gower, A.G. Dekker, S.R.
Phinn, and V.E. Brando, 2014. A review of ocean color remote sensing methods and statistical techniques for the detection, mapping and analysis of phytoplankton blooms in coastal and open oceans, Progress in Oceanography, 123: 123-144.
Board, O.S. and N.R. Council, 2000. Clean coastal waters: understanding and reducing the effects of nutrient pollution, National Academies Press, Washington, D.C., D.C., USA.
Breiman, L., 2001. Random forests, Machine Learning, 45(1): 5-32.
Carlson, R.E., 1977. A trophic state index for lakes 1, Limnology and Oceanography, 22(2): 361-369.
Chen, Q., M. Huang, and X. Tang, 2020. Eutrophication assessment of seasonal urban lakes in China Yangtze River Basin using Landsat 8-derived Forel- Ule index: A six-year (2013-2018) observation, Science of the Total Environment, 745: 135392.
Chen, S., C. Hu, B.B. Barnes, R. Wanninkhof, W.-J.
Cai, L. Barbero, and D. Pierrot, 2019. A machine learning approach to estimate surface ocean pCO2 from satellite measurements, Remote Sensing of Environment,228: 203-226.
ESA (European Space Agency), 2000. Product User Guide for v5.0 Dataset, Plymouth Marine Laborat, Plymouth, DV, GB.
Forel, F. A., 1890. Une nouvelle forme de la gamme de couleur pour l’étude de l’eau des lacs, Archives des sciences physiques et naturelles/Societe de physique et d’histoire naturelle de geneve, 6: 25.
Garaba, S.P., A. Friedrichs, D. Voß, and O. Zielinski, 2015. Classifying natural waters with the Forel- Ule Colour index system: results, applications, correlations and crowdsourcing, International Journal of Environmental Research and Public Health, 12(12): 16096-16109.
Jafar-Sidik, M., D.G. Bowers, and J.W. Griffiths, 2018.
Remote sensing observations of ocean colour using the traditional Forel-Ule scale, Estuarine, Coastal and Shelf Science, 215: 52-58.
Jang, E., J. Im, S. Ha, S. Lee, and Y.-G. Park, 2016.
Estimation of water quality index for coastal areas in Korea using GOCI satellite data based on machine learning approaches, Korean Journal of Remote Sensing, 32(3): 221-234 (in Korean with English abstract).
Kim, H.-C., S. Son, Y.H. Kim, J.S. Khim, J. Nam, W.K.
Chang, J.-H. Lee, C.-H. Lee, and J. Ryu, 2017.
Remote sensing and water quality indicators in the Korean West coast: Spatio-temporal structures of MODIS-derived chlorophyll-a and total suspended solids, Marine Pollution Bulletin, 121(1-2): 425- 434.
Kim, W., J.-H. Ahn, and Y.-J. Park, 2015. Correction of stray-light-driven interslot radiometric discrepancy (ISRD) present in radiometric products of geostationary ocean color imager (GOCI), IEEE Transactions on Geoscience and Remote Sensing, 53(10): 5458-5472.
Kratzer, C.R. and P.L. Brezonik, 1981. A carlson-type trophic state index for nitrogen in Florida lakes 1, JAWRA Journal of the American Water Resources Association, 17(4): 713-715.
Lanbu, Z. and Z. Baoreng, 1991. Distributions and Variations of the Transparency in the Bohai Sea, Yellow Sea and East China Sea [J], Transactions of Oceanology and Limnology, 3: 1-11.
Li, H., X. He, Y. Bai, P. Shanmugam, Y.-J. Park, J.
Liu, Q. Zhu, F. Gong, D. Wang, and H. Huang, 2020. Atmospheric correction of geostationary satellite ocean color data under high solar zenith angles in open oceans, Remote Sensing of Environment, 249: 112022.
Min, J.-E., J.-H. Ryu, and Y.-J. Park, 2015. An analysis of the relationship between inherent optical properties and ocean color algorithms around the Korean waters, Korean Journal of Remote Sensing, 31(5): 473-490 (in Korean with English abstract).
MOF (Ministry of Oceans and Fisheries), 2013. Marine Environment Standards, Sejong, Korea, p. 186.
Nie, Y., J. Guo, B. Sun, and X. Lv, 2020. An evaluation of apparent color of seawater based on the in-situ and satellite-derived Forel-Ule color scale, Estuarine, Coastal and Shelf Science, 246: 107032.
O’Reilly, J.E. and P.J. Werdell, 2019. Chlorophyll algorithms for ocean color sensors-OC4, OC5 &
OC6, Remote sensing of environment, 229: 32-47.
Park, S., B. Son, J. Im, J. Lee, B. Lee, and C. Kwon, 2019. Development of satellite-based drought indices for assessing wildfire risk, Korean Journal of Remote Sensing, 35(6-3): 1285-1298 (in Korean with English abstract).
Petus, C., J. Waterhouse, S. Lewis, M. Vacher, D. Tracey, and M. Devlin, 2019. A flood of information:
Using Sentinel-3 water colour products to assure continuity in the monitoring of water quality trends in the Great Barrier Reef, Australia), Journal of environmental management, 248: 109255.
Pitarch, J., M. Bellacicco, S. Marullo, and H. J. Van Der Woerd, 2021. Global maps of Forel-Ule index, hue angle and Secchi disk depth derived from 21 years of monthly ESA Ocean Colour Climate Change Initiative data, Earth System Science Data, 13(2): 481-490.
Pitarch, J., H.J. van der Woerd, R.J. Brewin, and O.
Zielinski, 2019. Optical properties of Forel-Ule water types deduced from 15 years of global satellite ocean color observations, Remote Sensing of Environment, 231: 111249.
Platt, T., 2008. Why ocean colour?: The societal benefits of ocean-colour technology, International Ocean- Colour Coordinating Group.
Rho, T.-K., T.-S. Lee, S.-R. Lee, M.-S. Choi, C. Park, J.- H. Lee, J.-Y. Lee, and S.-S. Kim, 2012. Reference values and water quality assessment based on the regional environmental characteristics, The Sea, 17(2): 45-58.
Ruddick, K.G., H.J. Gons, M. Rijkeboer, and G. Tilstone, 2001. Optical remote sensing of chlorophyll a in case 2 waters by use of an adaptive two-band algorithm with optimal error properties, Applied Optics, 40(21): 3575-3585.
Sathyendranath, S., R.J. Brewin, C. Brockmann, V.
Brotas, B. Calton, A. Chuprin, P. Cipollini, A.
B. Couto, J. Dingle, and R. Doerffer, 2019. An ocean-colour time series for use in climate studies:
the experience of the ocean-colour climate change initiative (OC-CCI), Sensors, 19(19): 4285.
Siswanto, E., J. Tang, H. Yamaguchi, Y.-H. Ahn, J.
Ishizaka, S. Yoo, S.-W. Kim, Y. Kiyomoto, K.
Yamada, and C. Chiang, 2011. Empirical ocean- color algorithms to retrieve chlorophyll-a, total suspended matter, and colored dissolved organic matter absorption coefficient in the Yellow and East China Seas, Journal of Oceanography, 67(5):
627-650.
Son, S., Y.H. Kim, J.-I. Kwon, H.-C. Kim, and K.-S.
Park, 2014. Characterization of spatial and temporal
variation of suspended sediments in the Yellow and East China Seas using satellite ocean color data, GIScience & Remote Sensing, 51(2): 212-226.
Tassan, S., 1994. Local algorithms using SeaWiFS data for the retrieval of phytoplankton, pigments, suspended sediment, and yellow substance in coastal waters, Applied Optics, 33(12): 2369- 2378.
Tilstone, G. H., A.A. Lotliker, P.I. Miller, P.M. Ashraf, T.S. Kumar, T. Suresh, B. Ragavan, and H.B.
Menon, 2013. Assessment of MODIS-Aqua chlorophyll-a algorithms in coastal and shelf waters of the eastern Arabian Sea, Continental Shelf Research, 65: 14-26.
Ule, W., 1892. Die bestimmung der Wasserfarbe in den Seen, Kleinere Mittheilungen, Dr. A. Petermanns Mittheilungen aus Justus Perthes geographischer Anstalt: 70-71.
Van der Woerd, H.J. and M.R. Wernand, 2018. Hue- angle product for low to medium spatial resolution optical satellite sensors, Remote Sensing, 10(2):
180.
Wang, S., Z. Lee, S. Shang, J. Li, B. Zhang, and G.
Lin, 2019. Deriving inherent optical properties from classical water color measurements: Forel- Ule index and Secchi disk depth, Optics Express, 27(5): 7642-7655.
Wang, S., J. Li, B. Zhang, E. Spyrakos, A.N. Tyler, Q.
Shen, F. Zhang, T. Kuster, M.K. Lehmann, and Y. Wu, 2018. Trophic state assessment of global inland waters using a MODIS-derived Forel-Ule index, Remote Sensing of Environment, 217:
444-460.
Wernand, M., A. Hommersom, and H.J. van der Woerd, 2013. MERIS-based ocean colour classification with the discrete Forel-Ule scale, Ocean Science, 9(3): 477-487.
Wernand, M. and H. Van der Woerd, 2010. Spectral analysis of the Forel-Ule Ocean colour comparator scale, Journal of the European Optical Society-
Rapid Publications, 5: 10014S.
Woerd, H.J. and M.R. Wernand, 2015. True colour classification of natural waters with medium- spectral resolution satellites: SeaWiFS, MODIS, MERIS and OLCI, Sensors, 15(10): 25663-25680.
Wu, J., C. Chen, and S. Nukapothula, 2020. Atmospheric Correction of GOCI Using Quasi-Synchronous VIIRS Data in Highly Turbid Coastal Waters, Remote Sensing, 12(1): 89.
Yoo, C., J. Im, S. Park, and D. Cho, 2017. Thermal characteristics of Daegu using land cover data and satellite-derived surface temperature downscaled based on machine learning, Korean Journal of Remote Sensing, 33(6-2): 1101-1118 (in Korean with English abstract).
Yoon, Y.-J., S. Cho, S. Kim, N. Kim, S.-J. Lee, J. Ahn,
E. Lee, S. Joh, and Y.-W. Lee, 2020. An Artificial Intelligence Method for the Prediction of Near- and Off-Shore Fish Catch Using Satellite and Numerical Model Data, Korean Journal of Remote Sensing, 36(1): 41-53 (in Korean with English abstract)
Zhao, W., N. Sánchez, H. Lu, and A. Li, 2018. A spatial downscaling approach for the SMAP passive surface soil moisture product using random forest regression, Journal of Hydrology, 563: 1009-1024.
Zhou, Y., D. Yu, Q. Yang, S. Pan, Y. Gai, W. Cheng, X. Liu, and S. Tang, 2021. Variations of Water Transparency and Impact Factors in the Bohai and Yellow Seas from Satellite Observations, Remote Sensing, 13(3): 514.
