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.42 No.3 pp.247-263
DOI : https://doi.org/10.5467/JKESS.2021.42.3.247

Overview and Prospective of Satellite Chlorophyll-a Concentration Retrieval Algorithms Suitable for Coastal Turbid Sea Waters

Ji-Eun Park1, Kyung-Ae Park2*, Ji-Hyun Lee3
1Center of Remote Sensing and GIS, Korea Polar Research Institute, Incheon 21990, Korea
2Department of Earth Science Education/Research Institute of Oceanography, Seoul National University, Seoul 08826, Korea
3Department of Science Education, Seoul National University, Seoul 08826, Korea
*Corresponding author: kapark@snu.ac.kr Tel: +82-2-880-7780
June 16, 2021 June 24, 2021 June 24, 2021

Abstract


Climate change has been accelerating in coastal waters recently; therefore, the importance of coastal environmental monitoring is also increasing. Chlorophyll-a concentration, an important marine variable, in the surface layer of the global ocean has been retrieved for decades through various ocean color satellites and utilized in various research fields. However, the commonly used Chlorophyll-a concentration algorithm is only suitable for application in clear water and cannot be applied to turbid waters because significant errors are caused by differences in their distinct components and optical properties. In addition, designing a standard algorithm for coastal waters is difficult because of differences in various optical characteristics depending on the coastal area. To overcome this problem, various algorithms have been developed and used considering the components and the variations in the optical properties of coastal waters with high turbidity. Chlorophyll-a concentration retrieval algorithms can be categorized into empirical algorithms, semi-analytic algorithms, and machine learning algorithms. These algorithms mainly use the blue-green band ratio based on the reflective spectrum of sea water as the basic form. In constrast, algorithms developed for turbid water utilizes the greenred band ratio, the red-near-infrared band ratio, and the inherent optical properties to compensate for the effect of dissolved organisms and suspended sediments in coastal area. Reliable retrieval of satellite Chlorophyll-a concentration from turbid waters is essential for monitoring the coastal environment and understanding changes in the marine ecosystem. Therefore, this study summarizes the pre-existing algorithms that have been utilized for monitoring turbid Case 2 water and presents the problems associated with the mornitoring and study of seas around the Korean Peninsula. We also summarize the prospective for future ocean color satellites, which can yield more accurate and diverse results regarding the ecological environment with the development of multi-spectral and hyperspectral sensors.



연안 혼탁 해수에 적합한 위성 클로로필-a 농도 산출 알고리즘 개관과 전망

박 지은1, 박 경애2*, 이 지현3
1극지연구소 원격탐사빙권정보센터, 21990, 인천광역시 연수구 송도미래로 26
2서울대학교 지구과학교육과/해양연구소, 08826, 서울특별시 관악구 관악로 1
3서울대학교 과학교육과, 08826, 서울특별시 관악구 관악로 1

초록


최근의 기후변화는 연안에서 더욱 가속화되고 있어 연안에서의 해양 환경변화 감시의 중요성이 커지고 있다. 클 로로필-a 농도는 해양 환경 변화의 중요한 지표 중 하나로 수십년 동안 여러 해색 위성을 통해 전구 해양 표층의 클로 로필-a 농도가 산출되었으며 다양한 연구 분야에 활용되었다. 하지만 연안 해역의 탁한 해수는 외해의 맑은 해수와는 구별되는 구성 성분과 광학적 특성으로 인해 나타나는 심각한 오차 때문에 일반적으로 사용되는 전지구 대양을 위하여 만들어진 클로로필-a 농도 알고리즘은 연안 해역에 대입할 수 없다. 또한 연안 해역은 해역에 따라 성분과 특성이 크게 달라져 통일된 하나의 알고리즘을 제시하기 어렵다. 이러한 문제점을 극복하기 위하여 연안의 탁도가 높은 해역에서는 구성 성분과 광학적 변동 특성을 고려한 다양한 알고리즘들이 개발되어 사용되어 왔다. 클로로필-a 농도 산출 알고리즘 은 크게 경험적 알고리즘, 반해석적 알고리즘, 기계학습을 활용한 알고리즘 등으로 나눌 수 있다. 해수의 반사 스펙트 럼에 기반한 청색-녹색 밴드 비율이 기본적인 형태로 주로 사용된다. 반면 탁한 해수를 위해 개발된 알고리즘은 연안 해역에 존재하는 용존 유기물과 부유물의 영향을 상쇄시키기 위한 방식으로 녹색-적색 밴드 비율, 적색-근적외 밴드 비 율, 고유한 광학적 특성 등을 사용한다. 탁한 해수에서의 신뢰성 있는 위성 클로로필-a 농도 산출은 미래의 연안 해역 을 관리하고 연안 생태 변화를 감시하는데 필수적이다. 따라서 본 연구는 탁도가 높은 Case 2 해수에서 활용되어온 알 고리즘들을 요약하고, 한반도 주변해역의 모니터링과 연구에 대한 문제점을 제시한다. 또한 다분광 및 초분광 센서의 개발로 더욱 정확하고 다양한 해색 환경을 이해할 수 있는 미래의 해색 위성에 대한 발전 전망도 제시한다.



    서 론

    식물플랑크톤에 존재하는 엽록소인 클로로필-a는 해양 저차 영양 생태계를 이해할 수 있는 하나의 지 표이자 해양 생태 모델의 입력 자료가 된다(Cullen, 1982;Morel, 1988). 최근 급격한 기후변화로 인해 광합성을 통한 해양 식물플랑크톤의 탄소 고정 능력 이 주목받고 있으므로 전 세계 해양의 클로로필-a 농 도의 분포와 변동을 이해하는 것은 현세대에게 매우 중요한 과제이다. 1978년 Coastal Zone Color Scanner (CZCS)의 발사 이래로 원격탐사를 통한 전 세계 해 양의 해색 관측이 시작되었으며, 1997년과 2001년에 각각 발사된 Sea-Viewing Wide Field-of-View Sensor (SeaWiFS)와 Moderate Resolution Imaging Spectroradiometer (MODIS)/Aqua는 클로로필-a 농도를 보다 정량적으로 탐사하였다. 이 중 MODIS는 20년이 넘 는 기간 동안 안정적으로 해양 표층을 관측하고 있 어 해양 환경의 장기 변동 연구에 활용되고 있다. 2010년 발사된 세계 최초의 정지궤도 해색 위성인 Geostationary Ocean Color Imager (GOCI)는 한반도 주변 해양을 시간 단위로 관측하여 극궤도 위성에서 는 관측하기 어려웠던 해양 물리-생지화학 환경의 단 기 변동에 대한 연구를 가능하게 했다(Fig. 1). 2020 년 GOCI의 후속 센서인 GOCI-II가 발사되어 정지궤 도 위성 역시 장기적으로 해색 자료를 수집할 수 있 게 되었다. 그러나 다양한 해색 센서를 활용하여 안 정적으로 해양 관측이 지속된다 하더라도 신뢰할 수 있는 클로로필-a 농도로 산출하는 것은 또 다른 노력 이 필요하다.

    해색 센서는 해수 표면과 표면 아래에서 후방 산 란된 가시광-근적외 영역의 복사 에너지를 탐지하여 식물플랑크톤에 의한 후방 산란을 구별하는데 필요한 정보를 산출한다. 이때 산란되는 복사 에너지의 특성 은 해수의 성분과 깊이에 따라 다르다. 맑은 바다에 서 가시광은 해수면 아래 수-수십 미터(m)를 투과하 므로 수심이 얕은 바다에서는 해저에서 반사된 빛이 인공위성 센서에 탐지되기도 한다(Mobley et al., 2004). 해수의 광학적 특성은 해수 속 여러 유기·무 기 화합물로 인해 나타나며 일반적으로 맑은 해수 (Case 1 water)와 탁한 해수(Case 2 water), 두 가지 유형으로 분류한다(Morel and Prieur, 1977). 맑은 해 수는 주로 식물플랑크톤 및 관련 생태 작용에 의해 해수의 광학 특성이 결정되며, 외해와 대양에서 잘 나타난다. 한편, 탁한 해수는 대양과 달리 식물플랑 크톤뿐만 아니라 플랑크톤의 생태 활동과 관계없는 부유성 입자(Suspended Sediments, SS), 유색 용존 유기물(Colored Dissolved Organic Matter, CDOM)과 같은 성분에 의해서도 광학적 특성이 영향을 받는다 (Gordon and Morel, 1983;IOCCG, 2000;Bukata et al., 2018). 이러한 특성은 육상 및 강 기원 물질과 얕은 해저 바닥의 영향을 받는 연안 해역에서 주로 나타나며 계절적으로 차이가 있지만 외해에 비하여 상대적으로 높은 생산성을 가진다. 전 세계적으로 유 명한 탁한 해수 해역은 주로 많은 양의 영양염이 공 급되는 큰 강의 하구에 존재한다.

    현재 사용되고 있는 대다수의 표준 위성 클로로필- a 농도 산출 알고리즘(이하 클로로필-a 알고리즘)은 주로 맑은 대양에서 수집한 실측 자료를 바탕으로 개발되었다. 그러나 많은 연구에서 맑은 해수에 맞춰 진 전구 클로로필-a 알고리즘은 각 연안 해역의 다양 한 생태 및 광학적 특성으로 인해 탁한 해수에서는 적합하지 않음을 보여주고 있다(Ruddick et al., 2001;Hattab et al., 2013). 전구 위성 클로로필-a 알고리즘 은 대양에 대해서 평균 30-35%의 불확실성을 나타내 지만, 연안 해역에서는 100% 이상의 불확실성을 보 인다(Moore et al., 2009). 따라서 탁한 해수에서는 각 해역의 스펙트럼 특성과 사용된 해색 센서에 따 라 적절한 클로로필-a 농도 산출 방식을 적용해야 한 다. 현재까지 탁한 해수에 적합한 여러 가지 클로로 필-a 알고리즘이 국내 (Moon et al., 2010;Kim et al., 2016) 및 국외(Tassan, 2004; Pradhan et al., 2005;Tilstone et al., 2013)에서 개발되었다.

    해색 센서를 활용한 클로로필-a 농도 산출은 전통 적으로 원격반사도(Remote Sensing Reflectance, Rrs) 를 활용한 경험적(empirical) 알고리즘과 반해석적 (semi-analytical) 알고리즘에 기반을 두고 있다(He et al., 2000;Tassan, 1994;O’Reilly and Werdell, 2019). 경험적 알고리즘은 실측 클로로필-a 농도와 원격반사 도 간의 통계적 관계를 회귀식으로 나타낸다(Dierssen, 2010). National Aeronautics and Space Administration (NASA)에서 전구 표준 클로로필-a 알고리즘으로 운 용하고 있는 OCx (Ocean Color) 알고리즘은 원격반 사도 스펙트럼 중 청색 밴드와 녹색 밴드의 비(bluegreen ratio)와 클로로필-a 농도와의 관계를 다항식으 로 표현한 경험적 알고리즘이다(O’Reilly et al., 1998). 반해석적 알고리즘은 복사 전달 모델과 경험 식을 활용하여 해수면의 광학 특성에 관한 가정을 기반으로 복사 전달 모델을 통해 수출광량과 클로로 필-a 농도 사이의 관계를 계산함으로써 클로로필-a 농도를 산출한다(Carder et al., 1999;He et al., 2000;Maritorena et al., 2002;Pozdnyakov et al., 2002;IOCCG, 2006;Werdell et al., 2018). 이 밖에 도 최근 기계학습을 활용한 다양한 연구가 활발히 진행되면서 해양 클로로필-a 농도 또한 다양한 기계 학습 기법을 활용하여 산출하는 연구가 제안되고 있 다(Pahlevan et al., 2020).

    한편, 연안 해역에서 지속적으로 늘어나는 인위적 활동은 연안 생태 환경 및 수질을 급속도로 변화시 키고 있다. 이를 효율적으로 관리하고 평가하기 위해 서는 정확한 해양 생태 자료에 기반을 두어야 한다. 탁한 연안 해역에서 신뢰성 높은 클로로필-a 농도를 산출하기 위해서는 해색 센서 관측의 원리와 사양에 대한 철저한 이해를 바탕으로 지역 최적화된 클로로 필-a 알고리즘의 개발이 필요하다. 따라서 본 논문에 서는 탁한 해수에 최적화된 해색 위성 클로로필-a 알 고리즘을 조사하고 정리하여 한반도 주변 해에서 선 행 연구 알고리즘의 적용 가능성과 향후 연구 방향 을 제시하고자 한다.

    자 료

    극궤도 해색 위성

    Nimbus-7에 탑재되어 1978년부터 1986년까지 운 용된 NASA의 세계 최초 해색 센서 CZCS는 상층 해수에서의 해양 생태 정보를 담은 최초의 지도를 만들었다(Hovis et al., 1981;Hooker et al., 1992). 비록 첫 번째 해양 생태 지도가 전구 해양을 모두 담지 못 하였으나 이전의 조사선을 이용한 전통적인 방식으로는 불가능하였던 전구 규모의 해양 저차 생 태 연구를 위한 원격탐사의 효과를 입증하기에 충분 하였다. CZCS는 가시-근적외 영역에서 443, 520, 550, 670, 750 nm 밴드와 1150 nm의 열적외 밴드를 가졌다. 당시 3색 분광법(Strickland and Parsons, 1972) 또는 형광법(Yentsch and Menzel, 1963)으로 클로로필-a 농도를 측정하는 것이 부정확했기 때문에 초기의 CZCS 산출물은 클로로필-a와 식물색소량 (phaeopigment)을 합한 농도를 추산하였다(Aiken et al., 1996). 이후 SeaWiFS의 개발과 함께 CZCS 산출 물을 클로로필-a 농도로 변환하는 식을 만들어 CZCS 관측치를 활용하여 클로로필-a 농도만을 추정 할 수 있게 되었다(Rhea and Davis, 1997).

    OrbView-2 (SeaStar)에 탑재된 SeaWiFS는 1997- 2010년 사이 운용되었으며 412 nm부터 865 nm 파장 대 사이의 8개의 밴드를 가졌다(Table 1). 전구 관측 (Global Area Coverage, GAC)은 4.4 km, 지역 관측 (Local Area Coverage, LAC)은 1.1 km의 해상도로 이루어졌다. SeaWiFS의 운용 시기와 맞물려 해수면 높이, 해상풍, 해수면 온도 등의 다양한 해양 물리 변수를 관측하는 기술이 개발되었다. 해양의 생태가 수온, 염분, 빛 조건 등의 물리 환경과 침강, 용승, 혼합과 같은 해수의 역학적인 운동에 영향을 받기 때문에 많은 연구에서 SeaWiFS 자료와 위성 해양 물리 자료를 활용하여 역학적인 맥락에서 전구 해양 생태 변동을 분석하였고 이를 통해 해색 원격탐사 분야에 상당한 발전이 있었다(e.g., Yoder and Kennelly, 2003;McClain, 2009).

    NASA Goddard Space Flight Center (GSFC)의 Ocean Biology Processing Group (OBPG)에서 운용 하는 MODIS-Aqua는 2002년부터 현재까지 해양 원 격 탐사 미션 중 가장 오랜 기간 동안 운용되고 있 으며 장기 시계열 해색 자료 구축에 중요한 역할을 수행하고 있다. MODIS는 0.4-14.4 μm 사이의 36개 의 스펙트럼 대역에서 파장에 따라 250 m, 500 m, 1 km의 해상도로 관측한다(Table 1). MODIS는 또한 Terra 위성(2000-현재)의 주요 센서로, Terra (오전 10 시 30분, descending)와 Aqua (오후 1시 30분, ascending)는 적도를 3시간 간격으로 횡단하며 하루 동안 거의 전 세계를 관측한다. 그러나 MODIS-Terra 자료는 센서 반응 저하와 미러 손상에 의한 정확도 감소가 나타나 해색 연구에는 MODIS-Aqua 자료가 더 널리 사용된다(Franz et al., 2008).

    MEdium Resolution Imaging Spectrometer (MERIS) 는 2002-2012년 European Space Agency (ESA)에서 운용한 Environmental Satellite (ENVISAT)-1에 탑재 된 주요 장비 중 하나이다. 390-1,040 nm 범위에서 총 15개의 밴드로 전체 해상도 및 감소된 해상도 자 료는 각각 약 300m와 1,200m이다(Rast et al., 1999). Sentinel-3에 탑재된 Ocean Land Color Instrument (OLCI)는 MERIS 임무에 자료 연속성을 제공하는 센서로 MERIS와 유사한 스펙트럼 범위와 공간 분해 능을 가진다. 대기 및 에어로졸 보정 기능(400 nm, 1.02 μm), 구름 상단 압력(764.4, 767.5 nm), 수증기 탐지(940 nm) 및 엽록소 형광 측정(673 nm)을 개선 하기 위해 6개의 밴드가 OLCI에 추가되었다(Donlon et al., 2012). 2016년 발사된 Sentinel-3A와 2018년에 이어진 Sentinel-3B의 발사는 두 센서가 한 쌍으로 전구를 관측하도록 한다. 후속 위성인 Sentinel-3C와 Sentinel-3D도 2021년부터 차례로 발사 예정에 있다. Joint Polar Satellite System (JPSS)은 NOAA/NASA 의 차세대 극궤도 위성 시스템으로 2011년에 발사된 Suomi-NPP와 2017년에 발사된 JPSS-1 (NOAA-20) 으로 구성된다. 375 m와 750 m 해상도를 가진 0.41 -12.0 μm 범위의 22개 밴드로 이루어진 광학, 적외 센서인 Visible Infrared Imaging Radiometer Suite (VIIRS)를 공통으로 탑재하고 있으며 2022년 발사될 JPSS-2 (NOAA-21)에도 탑재될 예정이다.

    정지궤도 해색 위성

    1970년대 해색 원격탐사가 시작된 이래로 극궤도 위성이 대부분의 역할을 수행해 왔지만 정지궤도 해 색 위성은 극궤도 위성의 시간 해상도 측면을 개선 한 차세대 해색 원격탐사 방식이다(IOCCG, 2012a). 2010년 발사된 GOCI/Communication, Ocean & Meteorological Satellite (COMS)-1는 16개 슬롯을 사 용하여 오전 9시부터 오후 4시까지 한 시간 간격으 로 하루에 8번 한반도 주변 해역의 관측 자료를 생 산하였다(Fig. 1). GOCI는 SeaWiFS와 유사한 412- 865 nm의 8개 대역의 스펙트럼 밴드로 구성되며, 500 m 공간 해상도를 가진다(Table 1). 한 시간 단위 의 관측을 기반으로 GOCI는 극궤도 위성에서는 불 가능했던 단시간 대기-해양 상호 작용 및 시간별 해 수면 이동 등의 여러 과학적 분석의 기회를 제공하 였다(Park et al., 2016;Park et al., 2018). GOCI의 후속 위성으로 250 m 해상도, 13개의 스펙트럼 밴드 를 가진 GOCI-II/GEO-KOMPSAT (GK)-2B가 2021 년부터 그 임무를 이어갈 예정이다. GOCI-II는 한반 도 주변 해역뿐만 아니라 (1일 10회) 지구 규모의 관 측을 (1일 1회) 수행한다. 일본 기상청(Japanese Meteorological Agency, JMA)의 정지 기상 위성 (Geostationary Meteorological Satellite, GMS) 시리즈 인 Himawari-8에 실린 Advanced Himawari Imager (AHI)는 2014년부터 10분 간격으로 0.47-13.3 μm 스 펙트럼 대역에서 지구 규모 관측을 수행한다(Lim et al., 2018). 그러나 태양광의 긴 경로로 인한 겨울 반 구의 높은 위도(>35°)에서의 오류와 같은 일부 문제 는 아직 해결되지 않았다(Murakami, 2016).

    방 법

    맑은 해수의 광학적 특성

    해색 센서가 탐지하는 반사 스펙트럼은 400-900 nm 사이의 근적외선을 포함하는 가시광 영역이다. 이 중 해수의 반사 특성을 고려한 특정 스펙트럼의 조합으로 식물플랑크톤의 번성을 다른 자연현상과 구 분하는데 적합한 알고리즘을 만들 수 있다(Siegel et al., 2007;Blondeau-Patissier et al., 2014). 해수 반사 스펙트럼은 각각 빛을 흡수하고 산란하는 해수의 여 러 구성 성분의 기여가 합쳐져 나타난다. 광학적 특 성이 식물플랑크톤 농도 변화와 관련성 높은 구성성 분이 주를 이루는 맑은 해수는 가시광 영역에서 파 장대가 커질수록 반사하는 빛의 비율이 줄어들며 근 적외 파장대에서는 대부분의 빛을 흡수한다(Mobley, 1994). 클로로필-a는 440 nm 및 680 nm 부근에서 가 장 높은 비율로 빛을 흡수하며, 반대로 600 nm 부근 에서의 반사율이 높다(Robinson, 2004). 따라서 주로 식물플랑크톤과 그 생태활동에 따른 광학적 특성이 나타나는 맑은 해수에서는 클로로필-a가 빛을 흡수 및 반사하는 특성의 영향으로 식물플랑크톤이 광합성 을 활발히 할수록 440 nm와 660 nm 부근에서 골 (trough) 형태의 낮은 반사도 스펙트럼을 가진다(Fig. 2a). 또한 클로로필-a 농도가 증가할수록 클로로필-a 의 빛 흡수로 인하여 440 nm 부근의 반사도가 감소 하는 경향을 보인다.

    탁한 해수의 광학적 특성

    탁한 해수는 연안의 얕은 해역을 따라 재 부유된 입자들이나 강 유출물 또는 빙하 유출물 등 외부에 서 유입되는 물질을 포함하고 있으며, 이는 연안 해 역의 저차영양생태계 형성에 영향을 미친다. 연안 해 역에서 용존 유기물은 플랑크톤의 생태 활동에 의해 형성되는 잔해물로 존재하기도 하지만 육지로부터 공 급되기도 한다(Hojerslev, 1980). 용존 유기물은 맑은 해수와는 반대로 가시광 영역에서 짧은 파장대일수록 많은 양의 빛을 흡수한다. 따라서 용존 유기물의 존 재는 청색 영역에서 해수의 반사도를 낮추는 역할을 한다. 부유물은 입자의 크기와 농도에 따라 다양한 특성을 보인다(Roeselr and Perry, 1995). 여러 구성 성분의 영향으로 탁한 해수에서 나타나는 반사 스펙 트럼은 맑은 해수와 달리 단파장 영역에 비하여 500 -600 nm에서의 반사도가 크게 나타나며 부유사의 농 도가 높아질수록 전체적인 반사도 높아진다(Fig. 2b). Fig. 1에서 제시한 바와 같이 한반도 주변의 한반도 서해안, 중국연안, 양쯔강 연안 등은 전 세계 연안 해역 중에서도 탁도가 높은 대표적인 해역이다. 이러 한 해역은 수심이 얕고 부유사 농도도 매우 높아 표 준 클로로필-a 알고리즘은 적용하기 어렵다. Fig. 3은 2002년부터 2021년까지 표준 MODIS 알고리즘을 활 용하여 산출한 전구 해양의 클로로필-a 농도의 공간 분포를 나타낸다. 대체적으로 연안 해역에서는 클로 로필-a 농도가 1 mg m−3 이상으로 높고, 대양에서는 0.1 mg m−3 이하의 낮은 값을 보인다. 이러한 연안 에서의 높은 클로로필-a 농도는 연안의 부영양화에 의해 나타난 것일 수도 있지만, 탁한 해수의 광학적 특성이 충분히 반영되지 않은 알고리즘에 의하여 산 출된 농도 값으로 신뢰하기 어렵다. 따라서 국지적인 연안 해역에서의 정확한 클로로필-a 농도 산출을 위 해서는 지속적인 관측과 이를 기반으로 한 탁한 해 수 적합 알고리즘이 개발되어야 한다.

    위성 클로로필-a 농도 산출 알고리즘

    원격 탐사로부터 획득한 대양의 해색 자료를 해양 변수로 변환하는 방식은 전통적으로 경험적 알고리즘 이 널리 사용되었다(O’Reilly et al., 1998). 경험적 알고리즘은 해수의 반사 스펙트럼 특성을 반영한 여 러 밴드의 원격반사도 조합과 실측값과의 관계를 경 험적으로 비교하여 거듭제곱 함수, 고차 다항식 등을 로그/지수 변환한 형태로 나타낸다(Table 2). NASA 전구 표준 알고리즘(OCx)을 비롯한 일반적인 맑은 해역 알고리즘은 식 (1)과 같이 청색-녹색 밴드 사이 의 원격반사도 비율(Rrs(λblue)/Rrs(λgreen))과 실측값과의 관계를 경험적으로 구한다(Hu et al., 2012).

    log 10 C H L = c 0 + i = 1 4 c i log 10 R r s ( λ b l u e ) R r s ( λ g r e e n )
    (1)

    CHL은 클로로필-a 농도, c0-c4는 원격반사도 비율 과 실측 클로로필-a 농도 사이의 각 센서별 다항식의 회귀 분석으로부터 구한 계수이다.

    원격반사도의 비율을 활용한 알고리즘 외에 각 밴 드 값의 차이를 이용한 경험적 알고리즘이 있다. 상 대적으로 식물플랑크톤의 농도가 높은 해수는 짧은 파장대의 높은 흡수율로 인해 청색 스펙트럼 신호가 센서의 검출 한계 아래로 떨어지기 때문에 전통적인 밴드 비율 알고리즘은 효율성이 떨어진다. 클로로필- a에 의한 흡수 및 산란 스펙트럼의 구별은 스펙트럼 차이를 통해 클로로필-a 농도의 정량화를 가능하게 한다. 스펙트럼 대역 차이 기반 알고리즘은 일반적으 로 적색-근적외선 또는 청색-녹색 스펙트럼 영역을 사용한다. Neville과 Gower (1977)는 685 nm에서 관 찰되는 클로로필 형광 신호가 클로로필-a 농도와 강 한 상관관계가 있음을 확인하였으며 이를 기반으로 Fluorescence Line Height (FLH)를 도입하였다. FLH 는 클로로필 형광 방출 밴드(~680 nm)와 주변 두 밴 드와의 상대적인 차이를 이용한다(Falkowski and Kiefer, 1985;Gower et al., 2004). MODIS 및 MERIS의 FLH 알고리즘은 각각 667, 678, 746 nm 및 665, 681, 708.75 nm의 세 가지 밴드를 활용한다 (Hu et al., 2005). 이 알고리즘은 670-690 nm 범위의 클로로필 형광 방출 대역이 없는 해색센서에서는 사 용할 수 없다.

    FLH 외에도 최대 클로로필 지수(chlorophyll index) 및 색 지수(color index)와 같은 다양한 밴드 차이 기 반 알고리즘이 개발되었다(Hu et al., 2012). 색 지수 는 녹색 파장의 원격반사도와 청색과 적색 파장의 원격반사도 사이에 선형으로 형성된 기준의 차이로 정의되며, 사용 밴드가 청-녹-적색으로 이동한다는 점 을 제외하면 FLH의 개념과 유사하다. 최근 NASA/ OBPG는 낮은 클로로필-a 농도 해역(≤0.25 mg m−3, 전 세계 해양 면적의 약 78%)에 대한 해색 지수와 더 높은 클로로필-a 농도 해역(>0.4 mg m−3)에 대한 밴드 비율 알고리즘을 병합하는 혼합 방식을 기본 전구 알고리즘으로 채택하였다(Hu et al., 2012, 2019) (Table 2).

    많은 기계학습 기반 클로로필-a 알고리즘은 원격반 사도를 물리적 속성에 관련시켜 설계된다. 기계학습 기술 중 다층 퍼셉트론(Multilayer Perceptrons, MLP), 서포트 벡터 머신(Support Vector Machines, SVM)을 활용한 연구가 좋은 클로로필-a 농도 산출 결과를 보 여주었다(Smith et al., 2021). MLP는 일련의 계층의 배열이 연결된 기계학습의 일종인 인공 신경망 (artificial neural network)으로, 순차 계층을 통해 내 적에 사용되는 가중치 집합을 학습하여 회귀를 수행 한다. 이러한 유형의 모델은 클로로필-a 뿐만 아니라 다양한 해양 생태와 관련된 광학 변수를 얻기 위한 연구에서 사용되었다(e.g., Gross et al., 2000;Jamet et al. al., 2012;Hieronymi et al., 2017). SVM은 주 어진 자료에서 최대로 분리된 초평면(hyperplane)을 찾고, 새로운 샘플의 평면으로의 회귀를 수행하는 방 식이다(Kwiatkowska and Fargion 2003;Zhan et al., 2003). 이 방법은 여러 연구에서 대양의 클로로필-a 농도 추정에 사용되었다(Kwiatkowska and Fargion 2003;Zhan et al., 2003).

    탁한 해수 클로로필-a 농도 산출

    경험적 산출 방법

    많은 연구에서 맑은 해수역과 마찬가지로 탁한 해 수의 위성 클로로필-a 농도 산출 방식으로 경험적 알 고리즘을 채택하였다(Table 3). 대양에서의 관측을 기 반으로 한 표준 알고리즘은 탁한 해수에서 용존 유 기물과 부유사의 영향으로 청색-녹색 밴드(400-570 nm) 사이의 비율이 클로로필-a 농도의 변화에 덜 민 감하게 반응하는 경향이 있다는 사실을 반영하지 못 한다(Gower, 2000;Joint and Groom, 2000;Dierssen, 2010). 따라서 탁한 해수에서 400-570 nm 영역의 밴 드 외에 붉은색 밴드(620-700 nm)와 근적외 영역의 (>700 nm) 밴드가 필요하다는 것을 의미한다(Bowers et al., 1996;Shanmugam, 2011;Moses et al., 2012).

    Tassan (1994)은 부유사 및 용존 유기물의 농도가 매우 높은 황해와 동중국해역에서 표준 대기 보정 알고리즘을 적용한 SeaWiFS 원격반사도를 활용하여 2차 다항식의 경험적 알고리즘을 개발하였다. 청색과 녹색 파장 영역의 총 4개(412, 443, 490, 555 nm)의 밴드를 사용하였는데 청색과 녹색 밴드의 비(Rrs(443)/ Rrs(555))에서 나타나는 부유사 및 용존 유기물에 의 한 효과는 다른 두 청색 밴드의 비(Rrs(412)/Rrs(490)) 로 상쇄시켰다(Table 3). Tassan (1994)의 알고리즘은 이후 탁한 해역에 관한 여러 연구에서 지역적으로 또는 다른 해색 센서에 알맞게 계수와 밴드를 조정 한 형태로 적용되었다(Siswanto et al., 2011;Kim et al., 2016). Kim et al. (2016)Tassan (1994) 알고 리즘의 형태를 기반으로 GOCI 센서에 맞는 파장에 한반도 주변 해역 관측 자료에 적용한 새로운 계수 를 계산하였다. 특히 Rrs(555)를 기준으로 부유사 농 도를 판별하여 세 가지 부유사 농도 수준과 모든 해 역을 포함하는 해역에 대한 총 네 가지의 분류를 소 개하였다.

    Le et al. (2013a)은 녹색-적색 밴드 사이의 비를 이 용한 알고리즘(Red-Green Chlorophyll Index, RGCI)을 제안하였다(Table 3). 이는 클로로필-a가 상대적으로 녹색 파장대의 빛은 반사하고, 적색 파장대의 빛을 흡수하여 형성되는 녹색 파장대의 반사율 정점과 적 색 파장대의 골이 클로로필-a 농도가 증가할수록 더 긴 파장대로 이동하는 특성에 기반을 두었다 (Schalles, et al. 2006;Tzortziou et al., 2007). RGCI 알고리즘은 미국 체사피크만(Chesapeake Bay)의 1- 50 mg m−3 농도 영역에서 SeaWiFS 자료에 대하여 45.8%, MODIS 자료에 대하여 40.9%의 오차율을 보 였는데 이는 해당 영역에서의 전구 알고리즘을 대입 했을 경우보다 훨씬 좋아진 결과이다. RGCI의 원리 를 응용하여 Abbas et al. (2019)은 531, 547 nm 중 더 큰 원격반사도 값과 667, 678 nm 중 더 작은 원 격반사도 사이의 비( max ( R r s ( 531 ) , R r s ( 547 ) ) min ( R r s ( 667 ) , R r s ( 678 ) ) )를 이 용하여 클로로필-a 농도를 산출하였다.

    근적외 영역은 대부분의 플랑크톤 종이 클로로필-a 농도의 증가와 함께 빛을 더 산란시킨다(Gitelson et al., 1999). 청색-녹색 영역의 밴드 비율을 사용하는 알고리즘이 갖는 문제점을 피하기 위하여 Le et al. (2013b)은 MERIS의 적색-근적외 밴드 비율(Rrs(709)/ Rrs(665))을 사용하였다(Table 3). 미국 탐파만(Tampa Bay)에서 수집한 관측 자료를 바탕으로 클로로필-a 농도가 1.0-30.0 mg m−3일 때, 35.5%의 오차율을 가 졌다. 실험을 통해 676 nm 근처에서 용존 유기물과 부유사의 영향이 가장 적음이 밝혀져 탁한 해수에서 676 nm 부근 밴드의 활용이 유용함이 증명되었다 (Gurlin et al., 2011;Odermatt et al., 2012;Blondeau-Patissier et al., 2014). 적색-근적외 밴드 비 율 알고리즘에 대하여 Ruddick et al. (2001)에 의해 수행된 민감도 분석은 밴드 비의 쌍을 이루는 파장 의 선택이 매우 중요함을 설명하였다. 672, 704 nm를 사용하는 밴드비 알고리즘은 클로로필-a 농도가 약 10 mg m−3일 때 가장 잘 수행되는 반면 더 넓은 밴 드 쌍인 667, 748 nm은 약 100 mg m−3에서 가장 좋 은 결과를 보였다.

    반해석적 산출 방법

    탁한 해수역의 복잡성을 해결하기 위해 반해석 모 델은 원격반사도를 해수의 고유 광학적 특성(Inherent Optical Properties, IOPs), 즉 흡수 및 후방 산란 계 수와 관련시킨다. 전자는 식물플랑크톤, 용존 유기물 및 생물 잔해에 기인하는 반면 후자는 주로 입자에 기인한다(Roesler and Perry, 1995;Maritorena et al., 2002). Garvel, Siegel 및 Maritorena (GSM) 알고리 즘은 원격반사도와 흡수 및 후방 산란 계수 간의 관 계를 기반으로 한다(Garver and Siegel, 1997;Maritorena et al., 2002). 해색 센서의 원격반사도는 IOPs 변수와 결합되어 GSM의 입력 자료로 사용된다. MODIS에 대한 CARDER 알고리즘은 원격반사도를 통해 클로 로필-a 농도와 IOPs를 유도한다. 이 알고리즘은 식물 플랑크톤의 빛 흡수가 생물 분해 산물과 클로로필에 의한 흡수로 분리되는 더 복잡한 접근 방식을 사용 한다(Carder et al., 1999;2004). Shang et al. (2011) 은 MODIS의 식물플랑크톤 흡수 계수를 산출하기 위하여 Quasi-Analytical Algorithm (QAA, Lee et al., 2002)를 사용하였다. 이 연구는 비 생물의 광학 적 영향에 의한 오염이 쉬운 클로로필-a 대신 식물플 랑크톤 흡수 계수를 사용한 연구 방식을 촉진하였다.

    광학적으로 맑고 얕은 해역에서 해저면에 의한 빛 반사는 깊은 바다에서보다 훨씬 많은 양의 반사를 일으켜 IOPs를 과대 추정할 수 있다. Hydrolight 또 는 Monte Carlo와 같은 수치 모델은 IOPs 및 바닥 반사율에 필요한 입력 정보가 주어지면 대부분의 해 역에 대한 시뮬레이션을 수행할 수 있다(Mobley et al., 2004). Shallow Water Inversion Model (SWIM) 은 반해석적 역산 모델로 광학적으로 얕은 수심의 효과를 설명하기 위하여 기존의 수심과 해저면 밝기 정보를 활용해 개발되었다(McKinna et al., 2015). McKinna et al. (2015)의 MODIS 자료를 활용한 호 주 해역에 대한 연구는 QAA보다 나은 결과를 보여 주었다.

    기계학습 기반 산출 방법

    기계학습 기반 알고리즘을 훈련시키기 위해 시뮬레 이션 된 광범위한 스펙트럼은 맑은 해수뿐만 아니라 탁한 해수에도 적용가능 하도록 훈련할 수 있다. MERIS를 위한 탁한 해수 해역 클로로필-a 농도 알 고리즘으로 개발된 기계학습은 수출광량(water leaving radiance) 자료와 천정각, 방위각, 태양 천정각의 기하 정보를 입력 자료로 하여 IOPs 정보를 산출하였고, IOPs와 클로로필-a 농도 사이의 경험적 관계식을 만 들었다(Schiller and Doerffer, 2005;Doerffer and Schiller, 2007). 해당 기계학습은 첫 번째 산출 자료 를 통해 입력 자료를 역으로 계산한 후 다시 산출 결과를 얻는 두 개의 인공 신경망 모델로 구성되었 다. 이러한 구성은 위성에서 측정된 반사 스펙트럼이 훈련된 자료의 범위 안에 있는지를 시험하는 역할을 한다.

    Wang et al. (2017)은 발해만과 황해에서의 MODIS 클로로필-a 농도를 산출하기 위하여 인공 신경망 기 반의 일반화된 첨가 모델(Generalized Additive Model, GAM)을 활용하였다. GAM은 선형적인 통계기법으 로 예측변수와 반응 변수에 대한 사전지식이 필요 없으며, 각 예측 변수와의 관계와 영향을 분석할 수 있는 특징이 있다(Hastie and Tibshirani, 1990). GAM은 지역적인 해역뿐만 아니라 전구 해양에 대한 해색 자료 분석에도 활용된다(Boyce, Lewis, and Worm, 2010;Irwin and Finkel, 2008;Raitsos et al., 2012;Stock, 2015). 실측 클로로필-a 자료와 MODIS 원격반사도 자료, 수심 자료를 입력 자료로 활용하였 을 때, 알고리즘의 오차율은 약 40%였다. Pahlevan et al. (2020)은 MLP 기반의 혼합 밀도 네트워크 (Mixture Density Network, MDN)를 이용하여 여러 해안역과 육지에서의 Sentinel-2 (MultiSpectral Instrument, MSI)와 Sentinel-3 (OLCI)의 원격반사도 대한 클로로 필-a 알고리즘을 개발하였다. MDN은 MLP의 변형된 방식으로 다양한 출력의 범위에 대해 조건부 확률분 포를 계산하여 입력값과 출력값 사이의 문제를 해결 할 수 있다. MDN을 활용한 해당 알고리즘은 기존 방식과 비교하여 40-60% 향상된 결과를 보였다 (Pahlevan et al., 2020).

    또한 적색의 가장자리 영역(690-715 nm)을 담당하 는 스펙트럼 밴드가 없는 Landsat-8 Operational Land Imager (OLI)와 같은 경우는 가시광 영역과 근 적외 영역의 밴드를 활용하는 기계학습 방식이 유용 하게 활용된다(Kajiyama et al., 2018). Smith et al. (2021)은 MDN을 활용하여 OLI를 위한 해안과 내륙 에 적용 가능한 알고리즘을 개발하였다. Cao et al. (2020)는 부영양화된 호수에 대한 OLI 클로로필-a 알고리즘은 극한 기울기 부스팅(Extreme Gradient Boosting, XGB)을 활용하였다. 이 방식은 고도로 최 적화된 의사 결정 나무(decision tree)에 기반하여 기 울기 부스팅을 통해 점진적으로 오류를 줄이는 기계 학습의 일종이다. 이러한 기계학습은 향후 다양한 인 공지능 기법의 개발과 더불어 지속적으로 발전할 가 능성이 높을 것으로 판단된다.

    토 의

    우주 공간에 있는 인공위성이 해수면으로부터 나오 는 광학적 신호를 탐지하고, 그 신호를 해양 산출물 로 변환하는 일은 매우 어려운 과정이다. 또한 해색 위성으로부터 탐사된 원격반사도는 해양 상층에 존재 하는 플랑크톤 층의 두께, 부유성 입자의 양, 대기 보정, 해저면 반사율 등이 그 신뢰도에 영향을 미친 다. 특히 빛의 산란에 관여하는 입자가 많은 탁한 해 역에서의 원격반사도는 높은 신뢰성을 유지하기 어렵 다. 따라서 탁한 해역의 클로로필-a 농도 산출물을 위해서는 알고리즘 자체의 개선도 필요하지만 각 해 역의 구성 입자, 저차영양생태계, 대기, 수심 등의 특 성이 모두 고려되어야 한다. 한편, 맑은 해수와 탁한 해수의 구분이 해색 원격탐사 초기에는 유용하였으나, 모호한 분류 기준은 알고리즘 성능을 더 떨어뜨리는 작용을 하기도 한다(Mobley et al., 2004). 예를 들면, 대양에서 집적된 덩어리 형태로 식물플랑크톤 번성이 급격하게 일어나는 현상은 한 가지 타입의 해수로 모델화하기 어렵다(Martin, 2003). 또한 식물플랑크톤 은 같은 종에 대해서도 빛과 영양염의 공급량에 따 라 다른 광학적 특성을 가지고, 같은 클로로필-a 농 도를 가진다고 하더라도 서로 다른 식물플랑크톤 종 은 각각의 광학적 특성이 있다. 따라서 해수는 광범 위한 연속성을 가지면서 상호작용하는 수많은 광학적 구성요소의 혼합으로 해석해야 한다(Mobley et al., 2004).

    고유한 광학적 특성에 기초한 식물플랑크톤 종의 구별은 대양과 연안 해역 모두에서 여전히 어려운 과제이다. 식물플랑크톤의 종 별 광학 특성을 모델화 하기 위하여 식물플랑크톤 분류학적 구성, 해양 생태 광학적 변수의 특성을 동시에 측정하여 지역 및 전 구 실측 데이터베이스 개선의 필요성이 강조되기도 하였다(Claustre et al., 2005). 하지만 Dierssen (2010)Sen Gupta와 McNeil (2012)은 전구 해양의 속성 이 변화하고 있다고 밝혔다. 이는 지난 수십 년 동안 의 현장 관측 자료에서 파생된 클로로필-a 농도 알고 리즘이 연안 해역의 여러 광학적 특성을 가지는 변 수들과 클로로필-a 농도 관계의 변화로 인해 가까운 미래에는 적용되지 않을 가능성이 있다는 것을 의미 한다(Blondeau-Patissier et al., 2014). 이와 관련하여 International Ocean-Colour Coordinating Group (IOCCG, 2012b)은 식물플랑크톤의 번성 시기, 빈도, 구성 및 강도가 기후에 따라 예측하기 어려운 방식으로 변할 것으로 예상되며, 신뢰할 수 있고 정확한 식물플랑크 톤의 탐지는 미래 임무의 목표라고 하였다.

    식물플랑크톤 종 및 해수 성분에 대한 광학적 특 성은 꾸준히 연구되어 왔지만(Babin and Stramski, 2004;Bissett et al., 2001) 최근까지도 그 연구 결과 를 전구 해양에 대입할 수 있는 관측이 만족스럽지 못하였다. 몇 년 사이 다양한 다분광 센서들이 개발 되었고, 다가오는 2022년에는 NASA의 5 nm 간격의 초분광 센서인 Plankton, Aerosol, Cloud, ocean Ecosystem (PACE)의 발사 계획이 있다. PACE를 비 롯한 발전된 해색 센서의 지속적인 도입은 그동안 충분히 고려하지 못했던 식물플랑크톤 종에 따른 광 학적 특성을 해석하고, 나아가 원격탐사를 통한 해양 저차생태 및 탄소 순환에 대한 이해를 심화시킬 것 으로 기대된다(Grooms et al., 2019).

    한반도 주변해 중 동해는 비교적 맑은 해수인 Case 1 유형으로 분류되어 기존에 활용되어 온 각 위성의 표준 클로로필-a 알고리즘을 적용하여도 무방 하다. 그러나 황해와 발해만 해역은 연중 해수의 탁 도가 높아 대표적인 Case 2 해역으로 분류된다(Fig. 4). 이러한 Case 2 해역에 대해 Case 1 알고리즘의 적용은 클로로필-a 농도를 과대평가할 가능성이 높다 (Cui et al., 2010;Siswanto et al., 2011;Kim et al., 2016). 특히 이 지역의 겨울철 강한 북서풍은 해수를 연직으로 활발히 혼합시켜 수심이 얕은 해역에서 바 닥 입자 재부유가 일어나고, 이는 식물플랑크톤의 번 성 조건이 갖춰지지 않은 겨울철 해수 상층에서 식 물플랑크톤이 크게 번성하는 것으로 잘못 유도될 수 있다. 강한 해상풍 외에도 황해는 연안의 강한 조류, 양쯔강을 비롯한 여러 강으로 부터 공급되는 영양염 과, 용존 유기물의 공급으로 인하여 정확한 클로로필 -a 농도를 산정하기가 특히 어렵다.

    한반도 주변 해양의 특성에 맞춰 Tassan (2004)의 연구를 비롯하여 많은 연구에서 해역에 적합한 알고 리즘을 개발하였다. Yellow Sea Large Marine Ecosystem Ocean Color Work Group (YOC)은 United Nations Development Programme (UNDP)/Global Environment Facility (GEF)에서 설립한 연구 협력으로 1998년부 터 2007년까지 황해 및 동중국해 해역에서 수집한 광범위한 실측자료 수집하였고, Tassan (2004)의 알 고리즘 계수를 수정한 SeaWiFS 클로로필-a 알고리즘 을 제시하였다(Siswanto et al., 2011). Korea Institute of Ocean Science & Technology (KIOST) 또한 1990년대부터 지속적으로 한반도 주변 해역에 대한 해양 광 특성 현장관측 자료들을 수집하였다. 이를 바탕으로 Moon et al. (2010)은 부유물과 용존 유 기물의 영향을 모두 고려한 청색-녹색 밴드 비율 ( ( R r s ( 443 ) + R r s ( 490 ) ) R r s ( 412 ) R r s ( 555 ) )의 GOCI 클로로 필-a 알고리즘을 만들었다. Kim et al. (2016)은 KIOST 실측 자료를 활용하여 GOCI Rrs(555)을 기준 으로 연구 해역의 탁도를 네 가지 수준으로 구분한 후 Tassan (2004)의 알고리즘을 각 해역에 맞는 새로 운 계수로 수정하였다.

    Yang (2018)은 GOCI 관측 범위의 일본 주변해에 서 나타나는 해수 특성에 맞춰 MODIS Rrs(667)를 기준으로 탁도를 판별한 후, 청색-녹색 밴드의 원격 반사도 비율( max ( R r s ( 443 ) , R r s ( 488 ) ) R r s ( 547 ) )을 활용한 두 종류의 경험식을 세웠다. 한반도 남해안에 대한 항공 기 초분광 영상을 활용한 연구로 Shin et al. (2020) 은 한반도 남해안에 대한 해수 스펙트럼 특성을 바 탕으로 새로운 녹색-청색 밴드 비율(Rrs(570)/Rrs(490)) 을 활용한 알고리즘을 제시하였다. 한반도 주변 해역 과 같이 광학적 특성이 복잡한 해역에서 클로로필-a 농도를 정확히 관측하려는 이러한 노력은 향후 연안 의 해양-대기 상호작용과 정량적인 탄소 순환을 이해 할 수 있는 첫 걸음이 될 것이다.

    결 론

    연안 해역은 인류 활동과 육상 자체의 영향에 따 른 변화가 계절마다 혹은 더 짧은 시간 내에 나타난 다. 또한 지구 온난화는 연안 해역에서 급격한 환경 변화를 일으켜 연안의 탄소순환, 해양생산성, 어장 등에 영향을 주게 되고 이러한 변화는 연안 클로로 필-a 농도 연구의 중요성을 증대시킨다. 식물플랑크 톤이 해수의 광학적 특성을 좌우하는 대양 위주로 개발된 클로로필-a 알고리즘은 식물플랑크톤 외에 부 유성 입자, 용존 유기물이 독립적으로 변하는 연안의 탁한 해수에서 낮은 정확도를 보인다. 이를 극복하기 위해서는 탁한 해수 적합 클로로필-a 알고리즘이 필 요하다. 신뢰도 높은 연안 해역의 알고리즘 개발을 위하여 복잡한 광학적 특성을 가지는 한반도 주변 해역을 포함한 전 세계 곳곳의 연안에 대한 관측과 연구가 이루어지고 있다. 현재 해색 원격 탐사는 연 속성이 있는 해색 센서를 통한 장기간 자료 생산으 로 기후 변화의 영향을 이해하기 위한 최소한의 시 계열 자료를 축적하고 있다. 또한 정지궤도 위성 및 초분광 관측을 통해 이전에는 알 수 없었던 다양한 정보를 취득할 수 있게 되었다. 하지만 다가올 장기 적이고 새로운 자료를 활용하기 위한 한반도 주변해 역에 최적화된 산출 기술은 아직 확립되지 않았다. 연안에서의 해색 위성 자료의 활용성을 고려한다면 알고리즘 개발을 위하여 지속적으로 수행 가능한 대 규모 국내외 관측 시스템 구축이 시급하다. 광범위한 관측 자료를 바탕으로 탁한 해수에 적확한 클로로필- a 알고리즘을 확립한다면 연안 환경 모니터링, 저차 영양생태계 연구, 수치 모델 입력장 등 다방면에 활 용이 가능할 것이다.

    사 사

    이 연구는 해양수산부 재원으로 한국해양과학기술 원 ‘다종위성 기반 해양 현안대응 실용화 기술 개발’ 의 지원을 받아 수행되었습니다. 해양수산부 국립해 양조사원 연구사업(이어도 해양과학기지 활용 황·동 중국해 중장기 해양환경 변화 연구)의 일부 지원을 받아 수행되었습니다.

    Figure

    JKESS-42-3-247_F1.gif

    An example of quasi-true RGB color composite image using GOCI data on 20 March 2020.

    JKESS-42-3-247_F2.gif

    Typical spectra of MODIS remote sensing reflectance as a function of wavelength in case of (a) Case 1 water and (b) Case 2 water(selected from Wei et al., 2016).

    JKESS-42-3-247_F3.gif

    A long-term composite of chlorophyll-a concentration (mg m−3 ) using MODIS data for a period from 2002 to 2021, where the colors are represented in logarithmic scale.

    JKESS-42-3-247_F4.gif

    Examples of seasonal RGB images showing turbid sea waters at (a) 05UTC on 20 January 2020, (b) 02UTC on 27 April 2020, (c) 04UTC on 25 July 2020, (d) 05UTC, 8 November 2020.

    Table

    Specification and information of three representative ocean color satellites (SeaWiFS, MODIS, and GOCI)

    Classification of methods to retrieve chlorophyll-a concentration from satellite data and key elements of each algorithm

    Formulation of empirical algorithms of chlorophyll-a concentration for Case 2 water in turbid coastal area, where Rrs represents remote sensing reflectance and the numbers in each formulation stand for the central wavelengths of satellite ocean color sensors

    Reference

    1. Abbas, M. M. , Melesse, A. M. , Scinto, L. J. , and Rehage, J. S. ,2019, Satellite Estimation of Chlorophyll-a Using Moderate Resolution Imaging Spectroradiometer (MODIS) Sensor in Shallow Coastal Water Bodies: Validation and Improvement. Water, 11(8), 1621.
    2. Aiken, J. , Moore, G. F. , Trees, C. C. , Hooker, S. B. , and Clark, D. K. ,1996, The SeaWiFS CZCS-type pigment algorithm. Oceanographic Literature Review, 3(43), 315- 316.
    3. Babin, M. and Stramski, D. ,2004, Variations in the massspecific absorption coefficient of mineral particles suspended in water. Limnology and Oceanography, 49(3), 756-767.
    4. Bissett, W. P. , Schofield, O. , Glenn, S. , Cullen, J. J. , Miller, W. L. , Plueddemann, A. J. , and Mobley, C. D. ,2001, Resolving the impacts and feedbacks of ocean optics on upper ocean ecology. Oceanography, 14(3), 30-53.
    5. Blondeau-Patissier, D. , Gower, J. F. , Dekker, A. G. , Phinn, S. R. , and Brando, V. E. ,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.
    6. Bowers, D. G. , Harker, G. E. L. , and Stephan, B. ,1996, Absorption spectra of inorganic particles in the Irish Sea and their relevance to remote sensing of chlorophyll. International Journal of Remote Sensing, 17(12), 2449-2460.
    7. Boyce, D. G. , Lewis, M. R. , and Worm, B. ,2010, Global phytoplankton decline over the past century. Nature, 466(7306), 591-596.
    8. Bukata, R. P. , Jerome, J. H. , Kondratyev, A. S. , and Pozdnyakov, D. V. ,2018, Optical properties and remote sensing of inland and coastal waters. CRC Press, Boca Raton, USA, 384 p.
    9. Cao, Z. , Ma, R. , Duan, H. , Pahlevan, N. , Melack, J. , Shen, M. , and Xue, K. ,2020, A machine learning approach to estimate chlorophyll-a from Landsat-8 measurements in inland lakes. Remote Sensing of Environment, 248, 111974.
    10. Carder, K. L. , Chen, F. R. , Lee, Z. P. , Hawes, S. K. , and Kamykowski, D. ,1999, Semianalytic Moderate- Resolution Imaging Spectrometer algorithms for chlorophyll a and absorption with bio-optical domains based on nitrate-depletion temperatures. Journal of Geophysical Research: Oceans, 104(C3), 5403-5421.
    11. Carder, K. L. , Chen, F. R. , Cannizzaro, J. P. , Campbell, J. W. , and Mitchell, B. G. ,2004, Performance of the MODIS semi-analytical ocean color algorithm for chlorophyll-a. Advances in Space Research, 33(7), 1152-1159.
    12. Claustre, H. , Babin, M. , Merien, D. , Ras, J. , Prieur, L. , Dallot, S. , Prasil, O. , Dousova, H. , and Moutin, T. ,2005, Toward a taxon-specific parameterization of biooptical models of primary production: A case study in the North Atlantic. Journal of Geophysical Research: Oceans, 110(C7).
    13. Cui, T. , Zhang, J. , Groom, S. , Sun, L. , Smyth, T. , Sathyendranath, S. ,2010, Validation of MERIS ocean color products in the Bohai Sea: A case study forturbid coastal waters. Remote Sensing Environment, 114, 2326-2336.
    14. Cullen, J. J. ,1982, The deep chlorophyll maximum: comparing vertical profiles of chlorophyll a. Canadian Journal of Fisheries and Aquatic Sciences, 39(5), 791- 803.
    15. Dierssen, H. M. ,2010, Perspectives on empirical approaches for ocean color remote sensing of chlorophyll in a changing climate. Proceedings of the National Academy of Sciences of the United States of America, 107(40), 17073-17078.
    16. Doerffer, R. and Schiller, H. ,2007, The MERIS Case 2 water algorithm. International Journal of Remote Sensing, 28(3-4), 517-535.
    17. Donlon, C. , Berruti, B. , Buongiorno, A. , Ferreira, M. H. , Femenias, P. , Frerick, J. , Goryl, P. , Klein, U. , Laur, H. , Mavrocordatos, C. , Nieke, J. , Rebhan, H. , Seitz, B. , Stroede, J. , and Sciarra, R. ,2012, The global monitoring for environment and security (GMES) sentinel-3 mission. Remote Sensing of Environment, 120, 37-57.
    18. Falkowski, P. and Kiefer, D. A. ,1985, Chlorophyll a fluorescence in phytoplankton: relationship to photosynthesis and biomass. Journal of Plankton Research, 7(5), 715-731.
    19. Franz, B. A. , Kwiatowska, E. J. , Meister, G. , and McClain, C. R. ,2008, Moderate Resolution Imaging Spectroradiometer on Terra: limitations for ocean color applications. Journal of Applied Remote Sensing, 2(1), 023525.
    20. Garver, S. A. and Siegel, D. A. ,1997, Inherent optical property inversion of ocean color spectra and its biogeochemical interpretation: 1. Time series from the Sargasso Sea. Journal of Geophysical Research: Oceans, 102(C8), 18607-18625.
    21. Gitelson, A. A. , Schalles, J. F. , Rundquist, D. C. , Schiebe, F. R. , and Yacobi, Y. Z. ,1999, Comparative reflectance properties of algal cultures with manipulated densities.Journal of Applied Phycology, 11(4), 345-354.
    22. Gordon, H. and Morel, A. ,1983, Lecture notes on coastal and estuarine studies. In Remote assessment of ocean color for interpretation of satellite visible imagery: A review Vol. 4. Springer-Verlag, NY, USA, 114 p.
    23. Gower, J. ,2000, Productivity and plankton blooms observed with SeaWiFS. In. Proc. 5th Pacific Ocean Remote Sensing Conference, PORSEC, 23-27.
    24. Gower, J. , Brown, L. , and Borstad, G. ,2004, Observation of chlorophyll fluorescence in west coast waters of Canada using the MODIS satellite sensor. Canadian Journal of Remote Sensing, 30(1), 17-25.
    25. Gower, J. , King, S. , Borstad, G. , and Brown, L. ,2005. Detection of intense plankton blooms using the 709 nm band of the MERIS imaging spectrometer. International Journal of Remote Sensing, 26, 2005-2012.
    26. Groom, S. , Sathyendranath, S. , Ban, Y. , Bernard, S. , Brewin, R. , Brotas, V. , Brockmann, C. , Chauhan, P. , Choi, J. , Chuprin, A. , Ciavatta, S. , Cipollini, P. , Donlon, C. , Franz, B. , He, X. , Hirata, T. , Jackson, T. , Kampel, M. , Krasemann, H. , Lavender, S. , Pardo- Martinez, S. , Melin, F. , Platt, T. , Santoleri, R. , Skakala, J. , Schaeffer, B. , Smith, M. , Steinmetz, F. , Valente, A. , and Wang, M. ,2019, Satellite ocean colour: current status and future perspective. Frontiers in Marine Science, 6, 485.
    27. Gross, L. , Thiria, S. , Frouin, R. , and Mitchell, B. G. ,2000, Artificial neural networks for modelling the transfer function between marine reflectance and phytoplankton pigment concentration. Journal of Geophysical Research,105, 3483-3495.
    28. Gurlin, D. , Gitelson, A. A. , and Moses, W. J. ,2011, Remote estimation of chl-a concentration in turbid productive waters-Return to a simple two-band NIR-red model?. Remote Sensing of Environment, 115(12), 3479-3490.
    29. Hastie, T. and Tibshirani, R. ,1990, Exploring the nature of covariate effects in the proportional hazards model. Biometrics, 1005-1016.
    30. Hattab, T. , Jamet, C. , Sammari, C. , and Lahbib, S. ,2013, Validation of chlorophyll-α concentration maps from Aqua MODIS over the Gulf of Gabes (Tunisia): Comparison between MedOC3 and OC3M bio-opticalalgorithms. International Journal of Remote Sensing, 34(20), 7163-7177.
    31. He, M. X. , Liu, Z. S. , Du, K. P. , Li, L. P. , Chen, R., Carder, K. L. , and Lee, Z. P. ,2000, Retrieval of chlorophyll from remote-sensing reflectance in the China seas. Applied Optics, 39(15), 2467-2474.
    32. Hieronymi, M. , Muller, D. , and Doerffer, R. ,2017, The OLCI Neural Network Swarm (ONNS): a bio-geooptical algorithm for open ocean and coastal waters. Frontiers in Marine Science, 4, 140.
    33. Hojerslev, N. K. ,1980, Water color and its relation to primary production. Boundary-Layer Meteorology, 18(2), 203-220.
    34. Hooker, S. B. , Firestone, E. R. , Esaias, W. E. , Feldman, G. C. , Gregg, W. W. , and Mcclain, C. R. ,1992, An overview of SeaWiFS and ocean color. In Hooker, S. B. and Firestone, E. R. (eds.), SeaWiFS technical report series Vol. 1. NASA Goddard Space Flight Center, Maryland, USA, 24 p.
    35. Hovis, W. A. ,1981, The Nimbus-7 coastal zone color scanner (CZCS) program. In Oceanography from space. Springer, MA, USA, 213-225.
    36. Hu, C. , Muller-Karger, F. E. , Taylor, C. J. , Carder, K. L. , Kelble, C. , Johns, E. , and Heil, C. A. ,2005, Red tide detection and tracing using MODIS fluorescence data: A regional example in SW Florida coastal waters. Remote Sensing of Environment, 97(3), 311-321.
    37. Hu, C. , Lee, Z. , and Franz, B. ,2012, Chlorophyll a algorithms for oligotrophic oceans: A novel approach based on three-band reflectance difference. Journal of Geophysical Research: Oceans, 117(C1).
    38. Hu, C. , Feng, L. , Lee, Z. P. , Franz, B. A. , Bailey, S. W. , Werdell, P. J. , and Proctor, C. W. ,2019, Improving satellite global chlorophyll a data products through algorithm refinement and data recovery. Journal of Geophysical Research-Oceans, 124(3), 1524-1543.
    39. Ioannou I. , Gilerson, A. , Gross, B. , Moshary, F. , and Ahmed, S. ,2011, Neural network approach to retrieve the inherent optical properties of the ocean from observations of MODIS, Applied Optics, 50(19), 3168-3186.
    40. IOCCG,2000, Remote Sensing of Ocean Colour in Coastal, and Other Optically-Complex, Waters, In Sathyendranath, S. (ed.), Reports of the International Ocean-Colour Coordinating Group No. 3. Dartmouth, NS, Canada, 140 p.
    41. IOCCG,2006, Remote Sensing of Inherent Optical Properties: Fundamentals, Tests of Algorithms, and Applications, In Lee, Z-P. (ed), Reports of the International Ocean-Colour Coordinating Group No. 5. Dartmouth, NS, Canada, 126 p.
    42. IOCCG,2012a, Ocean-colour observations from a geostationary orbit. In Antoine, D. (ed.), Reports of the International Ocean Colour Coordinating Group No. 7.Dartmouth, Canada, 103 p.
    43. IOCCG,2012b, Mission requirements for future oceancolour sensors. In McClain, C. and Meister, G. (ed.), Reports of the International Ocean Colour Coordinating Group. NASA Goddard Space Flight Center, Greenbelt (MD, USA), 106 p.
    44. Irwin, A. J. and Finkel, Z. V. ,2008, Mining a sea of data: Deducing the environmental controls of ocean chlorophyll. PloS One, 3(11), e3836.
    45. Jamet, C. , Loisel, H. , and Dessailly, D. ,2012, Retrieval of the spectral diffuse attenuation coefficient Kd (λ) in open and coastal ocean waters using a neural network inversion. Journal of Geophysical Research: Oceans, 117(C10).
    46. Joint, I. I. and Groom, S. B. ,2000, Estimation of phytoplankton production from space: current status and future potential of satellite remote sensing. Journal of Experimental Marine Biology and Ecology, 250, 233- 255.
    47. Kajiyama, T. , D’Alimonte, D. , and Zibordi, G. ,2018, Algorithms Merging for the Determination of Chlorophyll-a Concentration in the Black Sea. IEEE Geoscience and Remote Sensing Letters, 16(5), 677- 681.
    48. Kim, W. , Moon, J. E. , Park, Y. -J. , and Ishizaka, J. ,2016, Evaluation of chlorophyll retrievals from Geostationary Ocean Color Imager (GOCI) for the North-East Asian region. Remote Sensing of Environment, 184, 482-495.
    49. Kwiatkowska, E. J. and Fargion, G. S. ,2003, Application of machine learning techniques towards the creation of a consistent and calibrated global chlorophyll concentration baseline dataset using remotely sensed ocean color data. IEEE Transactions on Geoscience and Remote Sensing, 41, 2844-2860.
    50. Le, C. , Hu, C. , Cannizzaro, J. , and Duan, H. ,2013a, Longterm distribution patterns of remotely sensed water quality parameters in Chesapeake Bay. Estuarine, Coastal and Shelf Science, 128, 93-103.
    51. Le, C. , Hu, C. , Cannizzaro, J. , English, D. , Muller-Karger, F. , and Lee, Z. ,2013b, Evaluation of chlorophyll-a remote sensing algorithms for an optically complex estuary. Remote Sensing of Environment, 129, 75-89.
    52. Lee, Z. , Carder, K. L. , and Arnone, R. A. ,2002, Deriving inherent optical properties from water color: a multiband quasi-analytical algorithm for optically deep waters. Applied Optics, 41(27), 5755-5772.
    53. Lim, H. , Choi, M. , Kim, J. , Kasai, Y. , and Chan, P. ,2018, AHI/Himawari-8 Yonsei Aerosol Retrieval (YAER): Algorithm, validation and merged products. RemoteSensing, 10(5), 699.
    54. Maritorena, S. , Siegel, D. A. , and Peterson, A. R. ,2002, Optimization of a semi analytical ocean color model for global-scale applications. Applied Optics, 41, 2705- 2714.
    55. Martin, A. P. ,2003, Phytoplankton patchiness: the role of lateral stirring and mixing. Progress in Oceanography, 57(2), 125-174.
    56. McClain, C. R. ,2009, A decade of satellite ocean color observations. Annual Review of Marine Science, 1, 19- 42.
    57. McKinna, L. I. , Fearns, P. R. , Weeks, S. J. , Werdell, P. J. , Reichstetter, M. , Franz, B. A. , Shea, D. M. , and Feldman, G. C. ,2015, A semianalytical ocean color inversion algorithm with explicit water column depth and substrate reflectance parameterization. Journal of Geophysical Research: Oceans, 120(3), 1741-1770.
    58. Mobley, C. D. and Stramski, D. ,1994, Influences of microbial particles on oceanic optics. In Ocean Optics XII (Vol. 2258, pp. 184-193). International Society for Optics and Photonics.
    59. Mobley, C. D. , Stramski, D. , Paul Bissett, W. , and Boss, E. ,2004, Optical modeling of ocean waters: Is the case 1-case 2 classification still useful?. Oceanography, 17(2), 60-67.
    60. Moon, J. E. , Ahn, Y. H. , Ryu, J. H. , and Shanmugam, P. ,2010, Development of ocean environmental algorithms for Geostationary Ocean Color Imager (GOCI). Korean Journal of Remote Sensing, 26(2), 189-207.
    61. Moore, T. S. , Campbell, J. W. , and Dowell, M. D. ,2009, A class-based approach to characterizing and mapping the uncertainty of the MODIS ocean chlorophyll product. Remote Sensing of Environment, 113(11),2424-2430.
    62. Morel, A. and Prieur, L. ,1977, Analysis of variations in ocean color 1. Limnology and Oceanography, 22(4), 709-722.
    63. Morel, A. ,1988, Optical modeling of the upper ocean in relation to its biogenous matter content (case I waters). Journal of Geophysical Research: Oceans, 93(C9), 10749-10768.
    64. Moses, W. J. , Gitelson, A. A. , Berdnikov, S. , Saprygin, V. , and Povazhnyi, V. ,2012, Operational MERIS-based NIR-red algorithms for estimating chlorophyll-a concentrations in coastal waters-The Azov Sea case study. Remote Sensing of Environment, 121, 118-124.
    65. Murakami, H. ,2016, Ocean color estimation by Himawari- 8/AHI. In Proceedings of SPIE Asia-Pacific Remote Sensing. International Society for Optics and Photonics, 2016, New Delhi, India, 987810.
    66. Neville, R. A. and Gower, J. F. R. ,1977, Passive remote sensing of phytoplankton via chlorophyll α fluorescence.Journal of Geophysical Research, 82(24), 3487-3493.
    67. Odermatt, D. , Gitelson, A. , Brando, V. E. , and Schaepman, M. ,2012, Review of constituent retrieval in optically deep and complex waters from satellite imagery.Remote sensing of environment, 118, 116-126.
    68. O’Reilly, J. E. , Maritorena, S. , Mitchell, B. G. , Siegel, D. A. , Carder, K. L. , Garver, S. A. , Kahru, M. , and McClain, C. ,1998, Ocean color chlorophyll algorithms for SeaWiFS. Journal of Geophysical Research, 103,24937-24953.
    69. O'Reilly, J. E. and Werdell, P. J. ,2019, Chlorophyll algorithms for ocean color sensors-OC4, OC5 & OC6. Remote Sensing of Environment, 229, 32-47.
    70. Pahlevan, N. , Smith, B. , Schalles, J. , Binding, C. , Cao, Z. , Ma, R. , Alikas, K. , Kangro, K. , Gurlin, D. , Ha, N. , Matsushita, B. , Moses, W. , Greb, S. , Lehmann, M. K. , Ondrusek, M. , Oppelt, N. , and Stumpf, R. ,2020, Seamless retrievals of chlorophyll-a from Sentinel-2 (MSI) and Sentinel-3 (OLCI) in inland and coastal waters: A machine-learning approach. Remote Sensing of Environment, 240, 111604.
    71. Park, J. -E. , Park, K. -A. , Ullman, D. Cornillon, P. , and Park, Y. -J. ,2016, Observation of diurnal variations in mesoscale eddy sea-surface currents using GOCI data. Remote Sensing Letters, 7(12), 1131-1140.
    72. Park, K. -A. , Lee, M. -S. , Park, J. -E. , Ullman, D. , Cornillon, P. , and Park, Y. -J. ,2018, Surface currents from hourly variations of suspended particulate matter from Geostationary Ocean Color Imager data. International Journal of Remote Sensing, 39(6), 1929- 1949.
    73. Pozdnyakov, D. , Lyaskovsky., A , Graßl, H. , and Pettersson, L.,2002, Numerical modelling of transspectral processes in natural waters: implications for remote sensing. International Journal of Remote Sensing, 23(8), 1581-1607.
    74. Pradhan, Y. , Thomaskutty, A. V. , Rajawat, A. S. , and Nayak, S. ,2005, Improved regional algorithm to retrieve total suspended particulate matter using IRS-P4 ocean colour monitor data. Journal of Optics A: Pure and Applied Optics, 7(7), 343.
    75. Raitsos, D. E. , Korres, G. , Triantafyllou, G. , Petihakis, G. , Pantazi, M. , Tsiaras, K. , and Pollani, A. ,2012, Assessing chlorophyll variability in relation to the environmental regime in Pagasitikos Gulf, Greece. Journal of Marine Systems, 94, S16-S22.
    76. Rast, M. , Bezy, J. L. , and Bruzzi, S. ,1999, The ESA Medium Resolution Imaging Spectrometer MERIS a review of the instrument and its mission. International Journal of Remote Sensing, 20(9), 1681-1702.
    77. Robinson, I. S. ,2004, Measuring the oceans from space: The principles and methods of satellite oceanography. Springer Science & Business Media, Chichester, UK, 670 p.
    78. Roesler, C. S. and Perry, M. J. ,1995, In situ phytoplankton absorption, fluorescence emission, and particulate backscattering spectra determined from reflectance. Journal of Geophysical Research: Oceans, 100(C7), 13279-13294.
    79. Ruddick, K. G. , Gons, H. J. , Rijkeboer, M. , and Tilstone, G. ,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.
    80. Schalles, J. F. ,2006, Optical remote sensing techniques to estimate phytoplankton chlorophyll a concentrations in coastal. In Remote sensing of aquatic coastal ecosystem processes, Springer, Dordrecht, Netherlands, 27-79.
    81. Schiller, H. and Doerffer, R. ,2005, Improved determination of coastal water constituent concentrations from MERIS data. IEEE Transactions on Geoscience and Remote Sensing, 43(7), 1585-1591.
    82. Sen Gupta, A. , McNeil, B. ,2012. Variability and change in the ocean. In: Henderson-Sellers, A., McGuffie, K. (Eds.), The Future of the World’s Climate, second ed. Elsevier, Boston, 141-165.
    83. Shang, S. , Dong, Q. , Lee, Z. , Li, Y. , Xie, Y. , and Behrenfeld, M. ,2011, MODIS observed phytoplankton dynamics in the Taiwan Strait: an absorption-based analysis. Biogeosciences, 8(4), 841-850.
    84. Shanmugam, P. ,2011. A new bio-optical algorithm for the remote sensing of algal blooms in complex ocean waters. Journal of Geophysical Research: Oceans, 116, 12.
    85. Shin, J. , Kim, K. , and Ryu, J. -H. ,2020, Comparative Study on Hyperspectral and Satellite Image for the Estimation of Chlorophyll a Concentration on Coastal Areas. Korean Journal of Remote Sensing, 36(2-2), 309-323.
    86. Siegel, H. , Ohde, T. , Gerth, M. , Lavik, G. , and Leipe, T. ,2007, Identification of coccolithophore blooms in the SE Atlantic Ocean off Namibia by satellites and in-situ methods. Continental Shelf Research, 27(2), 258-274.
    87. Siswanto, E. , Tang, J. , Yamaguchi, H. , Ahn, Y. H. , Ishizaka, J. , Yoo, S. , Kim, S. W. , Kiyomoto, Y. , Yamada, K. , Chiang, C. , and Kawamura, H. ,2011, Empirical ocean-color algorithms to retrieve chlorophylla, total suspended matter, and colored dissolved organic matter absorption coefficient in the Yellow and East China Seas. Journal of Oceanography, 67(5), 627-650.
    88. Smith, B., Pahlevan, N., Schalles, J., Ruberg, S., Errera, R., Ma, R., Giardino C., Bresciani M., Barbosa C., Moore T., Fernandez V., Alikas K., and Kangro K.,2021, A chlorophyll-a algorithm for Landsat-8 based on mixture density networks. Frontiers in Remote Sensing, 1, 5.
    89. Stock, A. ,2015, Satellite mapping of Baltic Sea Secchi depth with multiple regression models. International Journal of Applied Earth Observation and Geoinformation, 40, 55-64.
    90. Strickland, J. D. and Parsons, T. R. ,1972, A practical handbook of seawater analysis. Fisheries Research Board of Canada 167, Ottawa, Canada, 310 p.
    91. 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.
    92. Tilstone, G. H. , Lotliker, A. A. , Miller, P. I. , Ashraf, P. M. , Kumar, T. S. , Suresh, T. , Ragavan, B. R. , and Menon, H. B. ,2013, Assessment of MODIS-Aqua chlorophyll-a algorithms in coastal and shelf waters of the eastern Arabian Sea. Continental Shelf Research, 65, 14-26.
    93. Tzortziou, M. , Subramaniam, A. , Herman, J. R. , Gallegos, C. L. , Neale, P. J. , and Harding Jr, L. W. ,2007, Remote sensing reflectance and inherent optical properties in the mid Chesapeake Bay. Estuarine, Coastal and Shelf Science, 72(1-2), 16-32.
    94. Wang, Y. , Liu, D. , and Tang, D. ,2017, Application of a generalized additive model (GAM) for estimating chlorophyll-a concentration from MODIS data in the Bohai and Yellow Seas, China. International Journal of Remote Sensing, 38(3), 639-661.
    95. Wei, J. , Lee, Z. , and Shang, S. ,2016, A system to measure the data quality of spectral remote-sensing reflectance of aquatic environments. Journal of Geophysical Research: Oceans, 121(11), 8189-8207.
    96. Werdell, P. J. , McKinna, L. I. , Boss, E. , Ackleson, S. G. , Craig, S. E. , Gregg, W. W. , Lee, Z. , Maritorena, S. , Roesler, C. S. , Rousseaux, C. S. , Stramski, D. , Sullivan, J. M. , Twardowskik, M. S. , Tzortziou, M. , and Zhang, X. ,2018, An overview of approaches and challenges for retrieving marine inherent optical properties from ocean color remote sensing. Progress in oceanography, 160, 186-212.
    97. Yang, M. M. , Ishizaka, J. , Goes, J. I. , Gomes, H. D. R. , Maure, E. D. R. , Hayashi, M. , Katano, T. , Fujii, N. , Saitoh, K. , Mine, T. , Yamashita, H. , Fujii, N. , and Mizuno, A. ,2018, Improved MODIS-Aqua chlorophylla retrievals in the turbid semi-enclosed Ariake Bay, Japan. Remote Sensing, 10(9), 1335.
    98. Yentsch, C. S. and Menzel, D. W. ,1963, A method for the determination of phytoplankton chlorophyll and phaeophytin by fluorescence. Deep Sea Research and Oceanographic Abstracts, 10(3), 221-231.
    99. Yoder, J. A. and Kennelly, M. A. ,2003, Seasonal and ENSO variability in global ocean phytoplankton chlorophyll derived from 4 years of SeaWiFS measurements. Global Biogeochemical Cycles, 17(4),1112.
    100. Zhan, H. , Shi, P. , and Chen, C. ,2003, Retrieval of oceanic chlorophyll concentration using support vector machines. IEEE Transactions on Geoscience and Remote Sensing, 41(12), 2947-2951.