:: Journal of the Korean earth science society ::
Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1225-6692(Print)
ISSN : 2287-4518(Online)
Journal of the Korean earth science society Vol.39 No.2 pp.119-130
DOI : https://doi.org/10.5467/JKESS.2018.39.2.119

Intercomparing the Aerosol Optical Depth Using the Geostationary Satellite Sensors (AHI, GOCI and MI) from Yonsei AErosol Retrieval (YAER) Algorithm

Hyunkwang Lim, Myungje Choi, Mijin Kim, Jhoon Kim*, Sujung Go, Seoyoung Lee
Department of Atmospheric Sciences, Yonsei University, Seoul 03722, Korea
Corresponding author: jkim2@yonsei.ac.kr Tel: +82-2-2123-5682 Fax: +82-2-2123-5163
February 21, 2018 April 24, 2018 April 25, 2018

Abstract


Aerosol Optical Properties (AOPs) are retrieved using the geostationary satellite instruments such as Geostationary Ocean Color Imager (GOCI), Meteorological Imager (MI), and Advanced Himawari Imager (AHI) through Yonsei AErosol Retrieval algorithm (YAER). In this study, the retrieved aerosol optical depths (AOD)s from each instrument were intercompared and validated with the ground-based sunphotometer AErosol Robotic NETwork (AERONET) data. As a result, the four AOD products derived from different instruments showed consistent results over land and ocean. However, AODs from MI and GOCI tend to be overestimated due to cloud contamination. According to the comparison results with AERONET, the percentage within expected errors (EE) are 36.3, 48.4, 56.6, and 68.2% for MI, GOCI, AHI-minimum reflectivity method (MRM), and AHI-estimated surface reflectance from shortwave Infrared (ESR) product, respectively. Since MI AOD is retrieved from a single visible channel, and adopts only one aerosol type by season, EE is relatively lower than other products. On the other hand, the AHI ESR is more accurate than the minimum reflectance method as used by GOCI, MI, and AHI MRM method in May and June when the vegetation is relatively abundant. These results are explained by the RMSE and the EE for each AERONET site. The ESR method result show to be better than the other satellite product in terms of EE for 15 out of 22 sites used for validation, and they are better than the other product for 13 sites in terms of RMSE. In addition, the error in observation time in each product is found by using characteristics of geostationary satellites. The absolute median biases at 00 to 06 Universal Time Coordinated (UTC) are 0.05, 0.09, 0.18, 0.18, 0.14, 0.09, and 0.10. The absolute median bias by observation time has appeared in MI and the only 00 UTC appeared in GOCI.



연세에어로졸 알고리즘을 이용하여 정지궤도위성 센서(AHI, GOCI, MI) 로부터 산출된 에어로졸 광학두께 비교 연구

임 현광, 최 명제, 김 미진, 김 준*, 고 수정, 이 서영
연세대학교 대기과학과, 03722, 서울특별시 서대문구 연세로 50

초록


동아시아 지역의 에어로졸 광학정보에 대하여 천리안 위성에 탑재된 GOCI, MI, 그리고 Himawari 8 위성에 탑 재된 AHI 센서들의 측정자료를 연세 에어로졸 알고리즘(YAER)을 이용하여 산출하였다. 본 연구에서는 각 센서에서 산 출되는 에어로졸 광학두께(Aerosol optical depth, AOD)를 상호비교하고, 지상장비인 AERONET과의 검증결과도 보였 다. 사용한 AOD 자료는 세 종류의 센서에서 최소반사도 방법(Minimum reflectance method, MRM)을 이용하여 산출된 AOD, 그리고 AHI에서는 단파적외선이용 지표면정보산출방법(Estimated surface reflectance from SWIR, ESR)을 이용 한 방법의 AOD까지 총 네가지이다. 세 위성간의 산출결과에서 육지와 해양에서 일관된 결과를 보이고 있으나, MI와 GOCI에서는 구름제거에 한계가 존재하며 AOD의 과대 추정 문제가 보인다. 한편 지상장비인 AERONET과의 비교검증 결과는 MI, GOCI, 그리고 AHI 의 MRM 방법, ESR 방법 에서 기대오차 내에 들어오는 비율(% within Expected error, EE)이 36.3, 48.4, 56.6, 68.2%로 각각 나타났다. MI의 경우는 단일 채널을 이용하여 에어로졸광학정보를 산출하 고 있고, 계절에 따른 에어로졸 유형을 고정하고 있어, 다양한 오차가 포함되어 낮은 EE를 보이고 있다. 5, 6월에는 ESR 방법의 결과물은 높은 EE 를 나타내고 있는데 이는 GOCI, MI, MRM 방법 에서 사용하고 있는 최소반사도 방법 보다 정확한 지면반사도를 산출하기 때문으로 추정된다. 이 결과는 AERONET 사이트 별로 RMSE 와 EE 로 설명하고 있으며, 검증한 총 22개 사이트 중 15개 사이트에서 ESR 방법이 가장 높은 EE 를 보이고 있고, RMSE는 13개 사이 트에서 가장 낮게 나타났다. 또한 정지궤도 위성의 특징을 이용하여 시간대별 오차를 각 산출물 별로 보였다. 00~06 Universal Time Coordinated (UTC)에서 한 시간별로 최대로 나타나는 absolute median bias error 는 0.05, 0.09, 0.18, 0.18, 0.14, 0.09, 0.10 로 나타나며 00UTC에서는 GOCI 에서, 나머지 시간대에서는 MI에서 최대오차를 보였다.



    Korea Meteorological Administration
    KMIPA2015-5010

    서 론

    동북아시아지역은 전세계적으로 많은 에어로졸이 존재하는 지역 중 하나로 알려져 있고 종류 또한 매 우 다양하게 나타난다. 일반적으로 에어로졸은 음의 지구 복사강제력을 가지며, 지구-대기 기후시스템을 냉각시키는 효과가 있는 것으로 알려져 있으나, 그 효과는 에어로졸 유형에 따라 다르게 나타난다(Lau et al., 2006; Stocker et al., 2013). 예를 들어 황산계 열의 에어로졸은 주로 산란하며 음의 복사강제력으로 냉각효과를 보이는 반면, 블랙카본 계열은 광흡수성 향이 강해 양의 복사강제력을 가져 오히려 지구온난 화를 증가시키는 효과를 보인다. 이런 에어로졸 광학 정보를 보다 넓은 지역에 대해 장기적으로 일관성있 게 얻기 위해 인공위성을 통한 원격측정자료들이 많 이 사용되고 있다.

    대기중 에어로졸의 특성을 높은 정확도로 측정하는 데 성공적으로 운영되고 있는 위성으로는 Moderate Resolution Imaging Spectrometer (MODIS), Visible Infrared Imaging Radiometer Suite (VIIRS), Multi angle Imaging Spectro Radiometer (MISR) 등이 있 다 (Levy et al., 2007, 2013; Hsu et al., 2006, 2013; Kalashnikova et al., 2013; Kopp et al., 2013; Zhang et al., 2016; Garay et al 2017). 다만 이런 위성들은 모두 저궤도 위성으로 해당지역을 하루에 한 번 혹 은 두 번 관측을 하기에 에어로졸의 장거리 수송 관 찰 등, 시간적 변화를 보기에는 많은 어려움이 있다. 이런 약점을 보완하기 위해, 많은 연구에서 정지궤도 위성을 사용하여 에어로졸 정보들을 산출해왔다(Kim et al., 2008; Knapp et al., 2005; Wang et al., 2003; Yoon et al., 2007). 다만 정지궤도위성은 저궤도 위 성과 달리 매우 높은 고도에서 적은 수의 채널로 지 구를 관측하기에 저궤도 위성보다 정확도가 떨어지는 단점이 존재한다.

    우리나라의 첫 정지궤도 기상위성인 천리안 위성 (Communication, Oceanography and Meteorology satellite, COMS)은 Meteorological Imager (MI)와 Geostationary Ocean Color Imager (GOCI)를 탑재하 고 있으며 이는 기상 및 해양관측을 목적으로 2010 년에 발사되었으며, 센서특성상 에어로졸에 민감한 채널들을 보유하고 있어 이들을 이용한 에어로졸 탐 지 알고리즘도 개발 되었다(Kim et al., 2014, 2016; Choi et al., 2016, 2018). MI는 단일 가시광 채널만 을 가지고 있어 에어로졸 광학정보 산출에 어려움이 존 재하고, GOCI의 경우는 다중 가시광 채널을 갖고 있지 만 적외 채널이 없어 권운 등 옅은 구름 제거에 어려움 이 있다. 다만 이런 한계가 존재함에도 두 센서 모두 지상장비 AErosol Robotic NETwork (AERONET)과의 비교 검증에도 유의미한 결과를 보였다.

    2014년 10월에 일본에서 발사된 Himawari 8 위성은 차세대 기상센서로서 3개의 가시광과 다중 적외 채널 을 갖고 있는 Advanced Himawari Imager (AHI)를 탑 재하고 있다. 이는 2016년 11월에 발사된 Himawari 9 에도 탑재되어 있고, 2016년 11월 미국에서 발사된 GOES-R 에도 Advanced Baseline Imager (ABI)란 센서로 탑재되었다. 또한 국내에서 2018년 하반기에 발사될 Advanced Meteorological Imager (AMI) 도 거의 동일한 채널을 갖고 있어 활용가치가 매우 높 다. 따라서, 이들 탑재체를 사용한 에어로졸 알고리 즘 또한 많이 개발 되고 있다(Laszlo and Liu 2016, Lim et al., 2016, Uesawa, 2016, Zhang et al., 2018).

    따라서 본 연구에서는 2016년, KORUS-AQ 캠페 인기간 동안 정지궤도 위성에 탑재된 MI, GOCI, AHI의 연세 에어로졸 알고리즘을 기반으로 산출된 에어 로졸 광학두께를 비교 검증하고 지상장비 AERONET과 의 검증을 수행하고자 한다.

    정지위성 센서 별 사용 자료

    Meteorological Imager (MI)

    MI는 Table 1에서 나타나듯이 단일 가시 채널과 4 개의 IR 채널을 탑재하고 있다. IR 채널은 구름제거 에 사용되며, 가시 채널은 Aerosol Optical Depth (AOD)를 산출하는데 직접적으로 사용된다. 또한 AOD 산출에 있어 중요한 인자인 지면반사도는 이전 30일 최소반사도자료를 합성하여 지면반사도를 산출 하여 육상과 해양에 모두 적용하였다. 그리고 지면반 사도 산정에 대한 오차를 줄이고자 Background Aerosol Optical Depth (BAOD)를 Zhang et al. (2016) 에서 제시한 방법을 사용하여 AERONET 기 반으로 구성하였다. 역추정 단계에서는 단일 채널만 을 보유하고 있기에 실시간으로 에어로졸 유형을 선 택할 수 없어, 계절마다 다른 유형을 가정하여 최종 적인 에어로졸 광학깊이를 산출하게 된다. 또한 구름 제거의 경우 열 적외 채널을 이용한 Brightness Temperature Difference (BTD)의 경계 값과, 단일 Brightness temperature (BT) 값을 이용해 이뤄지며, 위도 별로 지면 온도가 달라지는 정보를 고려해 위 도에 맞는 경계 값을 사용하였다. 또한 가시광 채널 을 이용한 공간적 비균질성 방법과 구름의 반사도가 매우 높아짐을 이용하는 대기상한반사도를 이용하여 구름을 제거하게 된다. 본 알고리즘과 산출물에 대한 기본적인 상세한 설명은 (Kim et al, 2016)에서 찾을 수 있다.

    Geostationary Ocean Color Imager (GOCI)

    GOCI는 8개의 가시광과 근적외선 채널을 보유하 고 있어 MI 알고리즘과 분명한 차이가 있다. 역추정 과정에서 에어로졸 유형을 가정하는 것이 아닌 최적 의 에어로졸 유형을 표준편차를 기준으로 최소가 되 는 3개의 유형을 선택하게 되고, 선택된 에어로졸 유 형에 따른 표준편차를 사용하여 가중함수를 구성하 며, 이를 고려하여 최종적인 AOD를 산출한다. 또한 GOCI에서는 MI 와는 다르게 육지, 해상에서 다른 방법으로 지면반사도를 구성하게 된다. 육상에서의 지면반사도는 2011년 3월~2016년 2월의 5년 자료를 사용하여 월별데이터를 구성하였고, 이를 산출하고자 하는 날에 대해 내삽하여 지면반사도를 산정한다. 한 편 해상의 경우는 해수면 양방향반사도 분포함수 (Bidirectional Reflectance Distribution Function, BRDF)를 고려한 (Cox and Munk, 1954) 방법을 사 용하여 해수면반사도를 추정하였다. 열적외선 채널이 없는 GOCI는 가시광 채널의 관측 값을 이용한 공간 적 비균질성을 이용하여 구름을 제거하게 된다. 본 알고리즘과 산출물에 대한 상세한 설명은 (Choi et al, 2018)에서 찾을 수 있다.

    Advanced Himawari Imager (AHI)

    AHI의 경우 GOCI와 유사한 역 추적 과정을 거치 지만, 역 추정에 사용할 수 있는 가시광-근적외선 채 널수가 GOCI보다 적고, 사용되는 에어로졸유형이 적 다. 따라서 최적의 에어로졸 유형 2가지를 선택하고 표준편차에 따른 가중함수를 고려하여 에어로졸 광학 정보를 산출한다(Lim et al., 2016). AHI에서 사용한 지면반사도는 MI와 GOCI에서도 사용된 최소반사도 법을 육상과 해양 모두 적용하여 산출된 결과를 최 소반사도법(Minimum reflectivity method, MRM) 이 라 명명하였다. 이는 GOCI와 유사하게 2016년에 대 해 월별 지면반사도 기후값을 만들어 산출하고자 하 는 날에 대해 내삽하여 해당날짜의 지면반사도를 산 정하였다. 또한 AHI는 Shortwave Infrared (SWIR) 에 해당하는 2채널이 있어 이를 이용하여 육상의 가 시영역 지면반사도 또한 AHI는 Shortwave Infrared (SWIR)에 해당하는 2채널이 있어 이를 이용하여 육 상의 가시영역 지면반사도 또한 추정이 가능하다. 이 를 단파적외선 지면반사도 추정법(Estimated Surface Reflectance From SWIR, ESR)로 명명하였으며, ESR의 해수면반사도는 GOCI와 마찬가지로 Cox and Munk (1954) 방법을 사용 하였고 GOCI와는 다르게 클로로필 농도도 같이 고려하여 산정되었다. 클로로 필 농도자료는 Japan Aerospace Exploration Agency (JAXA)에서 제공되고 있는 한 시간 간격의 자료를 사용하였다(http://www.eorc.jaxa.jp/ptree/index.html). 한편 구름제거의 경우는 가시광 채널을 이용한 공간 적 비균질성, 그리고 BTD 경계값을 사용하여 구름을 제거하였다.

    본 연구에서는 한미공동대기질조사(Korea-United States Air Quality Study, KORUS-AQ) 캠페인 기간 2016년 5월 1일~6월 12일의 자료를 사용하였다. 각 위성 산출물 간의 비교, 지상장비와의 비교검증을 위 해 먼저 시공간해상도를 일치시키는 작업을 수행해야 한다. 먼저 시간해상도의 일치는 상대적으로 시간해 상도가 좋지 않은 GOCI를 기준으로 두고 GOCI 관 측시간을 고려하여 MI의 경우는 15~45분 자료, AHI 의 경우는 20~40분 자료를 최대 3개를 평균하여 사 용하였다. 한편 공간해상도의 경우는 MI가 4×4 km2 , GOCI 와 AHI가 6×6 km2 해상도임을 고려하여, 이 를 0.1도 격자로 재생산 하였다. 더불어 시간, 공간 해상도를 일치시키는 과정에서 최대한 오차를 줄이며 안정적인 AOD를 얻기 위해 평균에서 양쪽으로 2 표 준편차 범위 외의 데이터들을 제외하고 평균을 수행 하였다. 또한 지상장비와의 검증을 위해 AERONET AOD를 사용하였으며 검증 기준은 AERONET이 설 치된 지점 기준 주변 25 km 그리고, 30분 이내에 들 어오는 자료들을 평균하였다.

    결과 및 토의

    Fig. 1에 KORUS-AQ 캠페인기간 동안의 각 산출 물의 평균장을 나타내었다. 먼저 MI의 결과를 살펴 보면 중국 남부 그리고 일본 북부에 AOD가 높게 나 타나고 있다. 이는 MI에 탑재된 1개의 광대역 가시 광채널을 이용한 AOD 산출의 한계와 그 외 적외선 채널만을 사용한 구름제거에 한계가 있는 것으로 판 단된다. MI는 4개의 적외선 파장 채널을 갖고 있으 나 그 공간해상도가 4 km이며, 권운 제거에 필요한 채널의 부족으로 에어러졸 정보산출에 오차를 제공해 왔다. 따라서 그 외에도 전반적으로 해안선을 따라 불연속이 심한 결과를 보이고 있는데, 이유로는 육지 와 해양간의 구름제거의 불연속성, 그리고 단일 에어 로졸 모델을 가정함으로서 나타난 것으로 추측된다 (Kim et al., 2016). 다만 중국지역에서 높은 AOD를 나타내는 분포는 Tao et al. (2015) 등 선행 연구들의 결과와 일치한다.

    한편 GOCI 산출결과는 불연속이 심하게 나타나지 않는다. 이는 산출시 에어로졸 유형을 가정하는 벙법 이 아니기에 이에 해당하는 오차가 적으며, 육상 지 면반사도는 지난 5년간의 기후값을 사용함으로써 정 확한 지면반사도 산정이 가능했으며 이로인해, 육지 해양간의 불연속이 적게 나타나는 것으로 판단된다. 또한 중국지역에서 나타나는 높은 AOD, 일본 홋카 이도 지역에 보이는 높은 AOD 등, 실제 에어로졸이 있었던 지역에 대해 유의미한 결과를 보이고 있다. 다만 한반도 북쪽, 그리고 블라디보스토크 지역에서 현실적이지 않은 높은 AOD를 보이고 있다. 한반도 북쪽의 내몽골 부근의 AOD가 과대 추정되는 이유로 높은 지면 반사도로 인한 에어로졸 산출오차로 보인 다. 한편, 블라디보스토크 지역에서 AOD가 높게 나 타나는 이유로는 고위도에서 구름제거에 어려움이 있 는 것으로 판단된다. 앞에서 언급한 것처럼 GOCI의 경우 500 m의 높은 공간해상도로 다양한 가시영역의 채널을 갖고 있어 채널간의 비율, 그리고 공간적 비 균질성을 이용하여 구름을 제거하게 된다(Choi et al., 2018). 다만 MI와 마찬가지로 권운탐지에 대해서 는 GOCI 에서도 여전히 어려움이 존재한다.

    앞절에서 언급된 바와 같이, AHI를 이용한 결과는 MRM 방법 과 ESR 방법의 두 종류가 있으며 GOCI 에서 나타났던 오차로 추정되는 두 지역에 대해 다 른 양상을 보이고 있다. AHI 산출물에서는 다양한 IR 채널을 가지고 있어 사막 등 밝은 지면을 제거 하는 과정, 그리고 다중 적외선을 탑재하고 있어 다 른 센서대비 더 정확하게 구름제거가 이뤄지고 있는 것을 확인할 수 있다. 그리고 중국 남부 지방의 대도 시 홍콩 등에서도 높은 AOD를 보이고 있으며 이는 선행 결과들과 일치하는 결과를 보이고 있다(Kim et al., 2014; Tao et al., 2015). AHI 에서는 육지, 해양 에서 각각 다른 방법으로 지면반사도를 산정하여 AOD을 산출했으나 두 결과에서 보이는 양상이 일치 하는 것으로 보아 두 방법 모두 유의미한 결과를 보 이는 것으로 확인된다. 다만 ESR을 이용한 결과의 경우 사막지역에서 AOD의 불연속적인 분포를 보이 고 있는데 이는 지면이 밝으면 SWIR을 이용한 지면 반사도 산정방법이 오차가 생기며 AOD의 정확도가 떨어진다는 선행 연구(Bilal et al., 2017, Levy et al., 2007, 2013) 등의 결과와 일치하게 나타나고 있다.

    Fig. 2에서는 육지에서 각 위성에서 산출된 AOD 를 비교결과를 보여주고 있다. 먼저 AHI의 같은 센 서를 사용하는 Fig. 2a MRM 방법과 ESR 방법의 결과를 살펴보면 상관계수는 0.855로 유의미한 값을 보이고, 나타내진 산포도를 보아도 거의 유사하게 나 타나고 있는 것을 확인할 수 있다. 이는 같은 알고리 즘, 같은 센서를 사용하고 있어 1대 1 직선상에 잘 나타나게 되며 산출된 AOD의 차이는 사용된 지면반 사도의 차이를 반영하고 있다고 말할 수 있다. 다음 으로 MRM 방법과 GOCI (Fig. 2b), ESR 방법과 GOCI의 결과(Fig. 2c)를 살펴보면 MRM 방법 과의 비교의 경우는 같은 방법으로 산정된 지면반사도를 사용하였기에 1대 1 직선상에 어느정도 모여서 나타 나지만, 전반적으로 GOCI AOD가 높은 값을 보이고 있다 이에 상대적으로 낮은 0.569라는 값을 보이고 있다. 이는 MRM 방법의 경우 지면반사도 추정 시 2016년의 AHI 데이터를 사용하였기에, BAOD의 영 향을 받아 지면반사도가 과대추정되어 에어로졸을 과 소모의 하게 되었기 때문으로 설명될 수 있다. 거기 다 GOCI에서 완전히 제거하지 못한 구름문제로 인 한 AOD의 과대추정, 그리고 밝은 지면에서의 AOD 의 과대추정 등의 문제로 GOCI의 AOD가 높은 값 을 보이고 있는 것으로 판단된다. 마찬가지로 ESR 방법과의 비교 결과도, MRM 방법과의 결과와 유사 한 점들이 보이고 있다. 다만 지면반사도 추정을 다 른 방법을 사용하였기에 MRM 방법의 결과보다 조 금 더 큰 차이를 보이고 있으며 상관계수는 0.353으 로 더 낮은 값을 나타낸다.

    Fig. 2d, e는 MRM 방법과 MI, ESR 방법과 MI의 결과를 비교하고 있는데, 전반적으로 MI의 구름 오 인문제와 단일 에어로졸 유형가정에 의한 문제로 인 해 AOD의 과대모의 문제가 나타난 것으로 보인다. 그리고 GOCI 결과와는 달리 V자형태의 비교결과를 보이고 있는데 이는 AOD의 과대추정으로 인해 생기 는 자료그룹과, 1대1 직선상에 나타나는 자료그룹의 두 가지로 나타나는 것으로 추정된다. MRM 방법, ESR 방법 모두 유사한 상관계수를 보이고 있으며, 각각 0.441, 0.419로 나타난다. 한편 GOCI와 MI의 경우에는 GOCI의 관측영역이 상대적으로 좁아서 MI 에서 과대 추정하고 있는 부분이 비교결과에서는 보 이고 있지 않는 것으로 판단되어 1대 1 직선상에 어 느 정도 수렴하는 결과를 보이며, AHI와의 값보다 상대적으로 높은 0.513의 상관관계를 나타내고 있다.

    다음으로 Fig. 3은 Fig. 2와 같은 비교 검증이나 해양에서의 결과를 보이고 있다. 해수면 반사도는 육 지와는 다르게 비교적 균일하게 나타난다. 이로 인해 해수면 BRDF를 고려한 이론적 계산값과, 최소반사 도 방법 모두 유사하게 나타남을 Fig. 3a에서 보여주 고 있으며 이 두 결과의 상관계수는 0.798로 높은 값 을 나타낸다. Fig. 3b, c에서 보이듯 GOCI와의 비교 에서도 비교결과가 1대 1 직선상에 가깝게 나타나고 있으며, Root Mean Square Error (RMSE), Median Bias Error (MBE) 등 모든 통계지표에서 육상보다 좋은 결과를 보이고 있는 것을 확인 할 수 있다. AHI는 해양에서 GOCI와 같이 지면반사도 산출에 있어 Cox and Munk (1954)의 방법을 사용한 ESR 방법의 비교 결과가 조금 더 높은 상관성을 보인다. 다만 상관계수는 0.784, 0.763으로 MRM 방법이 더 높게 나타나는데, 이는 동아시아 영역은 탁수의 영향 을 많이 받고, GOCI에서는 탁수지역에 대해서는 이 론적인 값이 아닌 최소반사도법을 사용하고 있어 같 은 방법을 사용한 MRM 방법이 높은 상관성을 보이 고 있는 것으로 추정된다. 한편 MI의 경우는 구름에 의해 오염된 픽셀들이 AOD의 과대추정을 하고 있는 모습을 Fig. 3d, e, f에서 보이고 있으며 이들의 상관 계수는 0.429, 0.445, 0.426 으로 나타난다. 다만 에 어로졸이 산출되고 있는 많은 자료들은 1대 1 직선 상에 잘 모여있는 것을 볼 수 있으며 유사한 방법을 사용하고 있는 MRM 방법 결과보다 좋은 상관성을 보이고 있다.

    앞에서는 위성간의 비교를 보였다면 Fig. 4에서는 지상장비 AERONET과의 비교 검증결과를 나타내었 다. 먼저 AHI의 MRM 방법의 AOD와 ESR 방법의 AOD를 살펴보면 EE가 56.6% 그리고 68.2%로 AERONET 측정값 대비 유의미한 결과를 보이고 있 다. 다만 ESR 방법이 더 높은 정확도를 보이고 있는 데, 식생이 상대적으로 많은 5, 6월에는 ESR 방법이 정확한 지면반사도를 산정하게 되며, 이는 여러 선행 연구 결과와도 일치하는 결과이다(Levy et al., 2007, 2013). 마찬가지로 GOCI, MI의 결과를 살펴보면, 1 대 1 직선 위쪽에 자료들이 나타나고 있는 결과들이 MRM 방법, ESR 방법 보다 많이 나타나고 있음을 확인 할 수 있다. 이는 구름픽셀로 인한 오차들이 나 타나고 있는 것으로 추측되며, MI의 경우는 추가적 으로 계절별의 에어로졸 모델 단일화 문제로 상대적 으로 다른 센서보다 결과가 1대 1 직선상에서 퍼지 는 양상을 보인다. 이런 양상은 RMSE 측면에서 설 명이 가능하며 MRM 방법, ESR 방법, GOCI에서 나 타난 0.139, 0.132, 0.157 보다 큰 0.315로 나타나 있 으며 앞에서 언급한 설명들을 뒷받침 해주고 있다.

    Fig. 5는 본 연구에서 사용된 AERONET 사이트별 의 산출된 결과의 (a) EE, 그리고 (b) RMSE를 나타 내었다. 앞에서 언급한 것처럼 전반적으로 ESR 방법 AOD의 EE가 높게 나타나고 있으며 이는 식생이 많 은 지역에서 두드러지게 나타나고 있음을 확인 할 수 있다. 한편 백령도(MRM 방법: 68%, ESR 방법: 81%, GOCI: 59%, MI: 50%), 고산 (MRM 방법: 50%, ESR 방법: 51%, GOCI: 49%, MI : 50%), 등 의 해양과 가까운 지역에서는 모두 대등한 정확도를 보이고 있다. 다른 검증지수로 RMSE를 확인해보면 GOCI와 AHI의 경우 모두 낮은 값을 나타내고 있음 을 확인할 수 있다. 다만 MI는 앞에서 언급한 문제 로 전반적으로 높은 RMSE를 보이고 있음을 확인 할 수 있다. 본 연구에서 사용한 센서들은 모두 정지 궤도 위성에 탑재되어 있으므로 조밀한 관측을 수행 하고 있기에 시간대별 정확도 또한 확인이 가능하며 이를 Fig. 6에 나타내었다. Fig. 4에 나타나있는 Median Bias (MB)를 살펴보면 전반적으로 음의 편 향을 보이고 있는데 ESR 방법의 결과만 양의 편향 을 보이고 있다. 다만 시간대 별의 MB에서 03~ 05UTC에서는 양의 편향을, 다른 시간대들은 음의 편 향를 갖고 있는 것을 확인 할 수 있다. ESR을 사용 하여 지면반사도 산정시, 산란각(scattering angle)에 대한 고려를 수행하지 않고 모든 시간에 대해 같은 경험적인 값을 사용하고 있어 생기는 문제일 것으로 판단된다. AHI MRM 방법, GOCI, MI 에서는 모두 음의 편향을 갖고 있는데 이는 MRM 방법, GOCI 의 경우는 시간 별 월별 데이터 베이스를 만들어 지 면반사도를 사용하고 있으나 기본적으로 BAOD를 고려하지 않고 있어 문제를 야기 하고 있다. 그러나 ESR 방법에서는 상대적으로 에어로졸의 영향을 받지 않는 SWIR을 사용하기에 이러한 문제가 나타나지 않는 것으로 분석된다. 다만 SWIR을 사용한 방법이 SWIR값이 매우 낮은, 혹은 음의 값을 갖는 내륙수면 인 한반도 북쪽에 위치한 송화강 (E128°, N44°)에 대 해 지면반사도 산출 오차를 보이고 있음을 확인할 수 있으며 이에 대한 개선이 필요한 것으로 보인다.

    마지막으로 MI에서 Kim et al. (2016)에 의하면 단일산란알베도(Single Scattering Albedo, SSA) 가정 에 따른 오차가 3% 만 차이가 나도 단일 채널의 산 출에 있어서는 20% 이상의 AOD 오차를 유발한다고 보고되었다. 본 연구에서 사용한 5, 6월의 기간은 다 양한 유형의 에어로졸이 동아시아에 나타나고 있어 큰 오차를 유발하여 다른 결과들보다 큰 편향을 갖 고 있는 것으로 판단된다.

    결 론

    본 연구에서는 천리안 위성에 탑재된 MI, GOCI, 그 리고 Himawari 8에 탑재된 AHI 에어로졸 산출물을 상호 비교를 하였고, 지상장비 AERONET과의 비교검 증 그리고, 시간대 별로 산출물을 비교 분석하였다.

    육지에서 각 위성 별 산출물을 상호 비교한 결과 는 그 상관계수가 0.855, 0.569, 0.353, 0.441, 0.419, 0.513으로 이는 MRM 방법과 ESR 방법, MRM 방 법과 GOCI, ESR 방법과 GOCI, MRM 방법과 MI, ESR 방법과 MI, GOCI와 MI에 대해 각각 나타내었 다. 마찬가지로 해양에서의 각 산출물 간의 상관계수 는 0.798, 0.784, 0.763, 0.429, 0.445, 0.426으로 나 타나고 전반적으로 해양에서 조금 더 높은 상관계수 를 보였다. 타 위성대비 높은 AOD 값을 보이고 있 는데 이는 앞에서 언급한 구름제거 문제로 기인하는 것으로 판단된다.

    한편 지상장비와의 검증에서는 해양에 가까운 지역 에서 좋은 결과를 보이고 있으며, 기대오차 내에 들 어오는 비율이 MRM 방법, ESR 방법, GOCI, MI 산출물에서 백령도에서는 68, 80, 59, 50%로, 제주도 고산에서는 51, 52, 49, 52%로 상대적으로 높은 값 을 나타내고 있다. RMSE는 MRM 방법, ESR 방법, GOCI, MI산출물의 결과가 백령도에서 0.12, 0.075, 0.13, 0.28정도 보이고 있으며, 고산에서는 모두 0.15 부근의 값을 보이고 있다. 한편 육상의 식생이 많은 지역인 여주, 태화산 지역에서는 앞에서 언급했듯이 ESR 방법의 결과가 다른 센서보다 정확도가 확연하 게 좋게 나타나고 있으며, 75, 80%의 기대오차 내에 들어오는 비율과, 0.16, 0.1 수준의 RMSE를 보이고 있다. 각 위성산출물간의 비교, 지상장비와의 검증을 통해 MI, GOCI에서 추가적인 구름제거 과정이 이뤄 져야 할 것으로 사료된다.

    감사의 글

    이 연구는 기상청 기상기술개발사업(KMIPA2015- 5010)의 지원으로 수행되었습니다.

    Figure

    JKESS-39-119_F1.gif

    The mean AOD at 550 nm for 00 to 06 UTC except for 2 during the KORUS-AQ campaign for each re-grid product.

    JKESS-39-119_F2.gif

    Comparison of AOD between (a) AHI MRMver and AHI ESRver, (b) GOCI and AHI MRMver, (c) GOCI and AHI ESRver, (d) MI and AHI MRMver, (e) MI and AHI ESR (f) MI and GOCI over land.

    JKESS-39-119_F3.gif

    Same as a Fig. 2. except for Ocean.

    JKESS-39-119_F4.gif

    Comparison of AOD between AERONET and (a) AHI MRM, (b) AHI ESR, (c) GOCI and (d) MI. And the dotted line is expected error line from Levy et al. (2007).

    JKESS-39-119_F5.gif

    Comparison of EE (top) and RMSE (bottom) between satellite-derived AOD with AERONET AOD for the 23 AERONET site.

    JKESS-39-119_F6.gif

    The difference in AOD between satellite and AERONET with respect to observation time. The circle is median value and error bars are 16 th and 84 th percentiles of dAOD.

    Table

    Imager specifications of the geostationary satellite COMS and Himawari

    Reference

    1. M. Bilal , J.E. Nichol , L. Wang (2017) New customized methods for improvement of the MODIS C6 Dark Target and Deep Blue merged aerosol product., Remote Sens. Environ., Vol.197 ; pp.115-124
    2. M. Choi , J. Kim , J. Lee , M. Kim , Y-J. Park , U. Jeong , W. Kim , H. Hong , B. Holben , T.F. Eck , C.H. Song , J-H. Lim , C-K. Song (2016) GOCI Yonsei Aerosol Retrieval (YAER) algorithm and validation during the DRAGON-NE Asia 2012 campaign., Atmos. Meas. Tech., Vol.9 (3) ; pp.1377-1398
    3. M. Choi , J. Kim , J. Lee , M. Kim , Y-J. Park , B. Holben , T.F. Eck , Z. Li , C.H. Song (2018) GOCI Yonsei aerosol retrieval version 2 products: an improved algorithm and error analysis with uncertainty estimation from 5-year validation over East Asia., Atmos. Meas. Tech., Vol.11 (1) ; pp.385-408
    4. C. Cox (1954) Statistics of the sea surface derived from sun glitter., J. Mar. Res., Vol.13 ; pp.198-227
    5. U. Daisaku (2016) Aerosol Optical Depth product derived from Himawari-8 data for Asian dust monitoring. Meteorological Satellite Center Technical Note (61).,
    6. M.J. Garay , O.V. Kalashnikova , M.A. Bull (2017) Development and assessment of a higher-spatialresolution (4.4 km) MISR aerosol optical depth product using AERONET-DRAGON data., Atmos. Chem. Phys., Vol.17 (8) ; pp.5095-5106
    7. N.C. Hsu , S-C. Tsay , M.D. King , J.R. Herman (2006) Deep blue retrievals of Asian aerosol properties during ACE-Asia. Geoscience and Remote Sensing., IEEE Transactions on, Vol.44 (11) ; pp.3180-3195
    8. N.C. Hsu , M.J. Jeong , C. Bettenhausen , A.M. Sayer , R. Hansell , C.S. Seftor , J. Huang , S.C. Tsay (2013) Enhanced Deep Blue aerosol retrieval algorithm: The second generation., J. Geophys. Res. D Atmospheres, Vol.118 (16) ; pp.9296-9315
    9. J.M. Jackson , H. Liu , I. Laszlo , S. Kondragunta , L. A. Remer , J. Huang , H.-C. Huang (2013) Suomi-NPP VIIRS aerosol algorithms and data products., Journal of Geophysical Research: Atmospheres, Vol.118 (22) ; pp.12,673-612,689
    10. O.V. Kalashnikova , M.J. Garay , J.V. Martonchik , D.J. Diner (2013) MISR Dark Water aerosol retrievals: operational algorithm sensitivity to particle nonsphericity., Atmos. Meas. Tech., Vol.6 (8) ; pp.2131-2154
    11. J. Kim , J.M. Yoon , M. Ahn , B. Sohn , H. Lim (2008) Retrieving aerosol optical depth using visible and mid-IR channels from geostationary satellite MTSAT- 1R., Int. J. Remote Sens., Vol.29 (21) ; pp.6181-6192
    12. M. Kim , J. Kim , M.S. Wong , J. Yoon , J. Lee , D. Wu , P. Chan , J.E. Nichol , C-Y. Chung , M-L. Ou (2014) Improvement of aerosol optical depth retrieval over Hong Kong from a geostationary meteorological satellite using critical reflectance with background optical depth correction., Remote Sens. Environ., Vol.142 ; pp.176-187
    13. M. Kim , J. Kim , U. Jeong , W. Kim , H. Hong , B. Holben , T.F. Eck , J.H. Lim , C.K. Song , S. Lee , C.Y. Chung (2016) Aerosol optical properties derived from the DRAGON-NE Asia campaign, and implications for a single-channel algorithm to retrieve aerosol optical depth in spring from Meteorological Imager (MI) on-board the Communication, Ocean, and Meteorological Satellite (COMS)., Atmos. Chem. Phys., Vol.16 (3) ; pp.1789-1808
    14. K. Knapp , R. Frouin , S. Kondragunta , A. Prados (2005) Toward aerosol optical depth retrievals over land from GOES visible radiances: determining surface reflectance., Int. J. Remote Sens., Vol.26 (18) ; pp.4097-4116
    15. I. Laszlo , H. Liu (2016) EPS Aerosol Optical Depth (AOD)., Algorithm Theoretical Basis Document,
    16. R.C. Levy , L.A. Remer , S. Mattoo , E.F. Vermote , Y.J. Kaufman (2007) Second-generation operational algorithm: Retrieval of aerosol properties over land from inversion of Moderate Resolution Imaging Spectroradiometer spectral reflectance., J. Geophys. Res. D Atmospheres, Vol.112 (D13)
    17. R.C. Levy , S. Mattoo , L. Munchak , L. Remer , A. Sayer , N. Hsu (2013) The Collection 6 MODIS aerosol products over land and ocean., Atmos. Meas. Tech. Discuss, Vol.6 ; pp.159-259
    18. H. Lim , M. Choi , M. Kim , J. Kim , P.W. Chan (2016) Retrieval and Validation of Aerosol Optical Properties Using Japanese Next Generation Meteorological Satellite, Himawari-8., Korean Journal of Remote Sensing, Vol.32 (6) ; pp.681-691
    19. T. Stocker , D. Qin , G. Plattner , M. Tignor , S. Allen , J. Boschung , A. Nauels , Y. Xia , B. Bex , B. Midgley (2013) IPCC, 2013: climate change 2013: the physical science basis. Contribution of working group I to the fifth assessment report of the intergovernmental panel on climate change.,
    20. M. Tao , L. Chen , Z. Wang , J. Tao , H. Che , X. Wang , Y. Wang (2015) Comparison and evaluation of the MODIS Collection 6 aerosol data in China., J. Geophys. Res. D Atmospheres, Vol.120 ; pp.6992-7005
    21. J. Wang , S.A. Christopher , F. Brechtel , J. Kim , B. Schmid , J.B. Redemann , P. Russell , P. Quinn , B.N. Holben (2003) Geostationary satellite retrievals of aerosol optical thickness during ACE-Asia., J. Geophys. Res. D Atmospheres, Vol.108 (D23)
    22. J.M. Yoon , J. Kim , J.H. Lee , H.K. Cho , B-J. Sohn , M-H. Ahn (2007) Retrieval of aerosol optical depth over east Asia from a geostationary satellite, MTSAT-1R., Asia-Pac. J. Atmospheric Sci., Vol.43 (2) ; pp.49-58
    23. H. Zhang , S. Kondragunta , I. Laszlo , H. Liu , L.A. Remer , J. Huang , S. Superczynski , P. Ciren (2016) An enhanced VIIRS aerosol optical thickness (AOT) retrieval algorithm over land using a global surface reflectance ratio database., J. Geophys. Res. D Atmospheres, Vol.121 (18)