구름 영향을 고려한 MODIS 자료 합성법 고찰
Influences of Cloudy Pixels on MODIS Data Compositing
박선엽 Sunyurp Park 경일대학교 위성정보공학과
[email protected]
요약
한반도 주기별 MODIS 식생지수 자료 생 성에 미치는 구름과 그림자의 영향을 네 가지 주기 (주단위, 10일단위, 2주단위, 월단위) 를 대상으로 분석하였다. 연평균 65%의 화소가 구름의 영향을 받고 있는 점을 고려할 때, 공간적으로 연속적인 자 료를 생성하기 위해서는 2주 또는 월단위 의 자료 합성주기가 요구되는 것으로 파 악되었다. 구름에 의한 그림자 영향을 받 는 화소의 식생지수 (NDVI, EVI)는 청명 한 날에 비해 평균 3.0%-3.9% 정도 높게 나타났다. 자료처리에 사용된 화소 중 많 은 수가 구름그림자의 영향 하에 있기 때 문에, 자료처리시 이들 화소들을 제외하기 보다는 일괄적인 보정을 통해 식생지수로 사용해야 할 것으로 판단된다. 자료 합성 주기별로 볼 때, 주단위에서 2주단위로 길 어짐에 따라 화소 샘플링의 규칙성 (regularity)이 감소하였다. 식물계절학 연 구에서 중요한 개엽시기, 낙엽시기 등이 주기별 식생지수자료로부터 추정되고 있 으므로 식생지수 자료 사용시에는 주기별 합성자료 취득의 규칙성을 면밀히 검토해 야 한다.
주요어: MODIS 합성자료, 구름, 그림자, 식물계절학
1.도입
위성기반의 식생 모니터링은 1980년대 부터 본격적으로 시작되어 그동안 많은 연구를 통해 식생지수로 표현되는 간접적 인 지표가 식물생장의 상태를 표현하는 데 효과적임이 밝혀졌다 (Justice et al.
1985; Sellers 1985; Tucker et al.
1985; Tucker and Sellers 1986). 식물 의 광합성활동 또는 활성도를 나타내는 식생지수의 유용성으로 인해 가뭄탐지, 벌 목, 사막화, 생산성 추정, 탄소 밸런스 연 구 등에 광범위하게 적용되고 있다 (Tucker et al. 1985; Myneni,et al.
1997; Park et al. 2004; Potter et al.
2007; Potter et al. 2008).
최근의 기후변화 연구에 따르면 동북아 시아의 기후변화가 지구 평균치를 상회하 는 온난화 경향을 보이고 있고, 향후 100 년에 걸쳐 평균 4ºC 이상 증가할 것으로 예측되고 있다 (Chase et al. 2000;
Schimel et al. 2001; Christensen et al.
2007). 기후변화가 식생활동에 미치는 영 향을 밝히려는 시도가 아시아 지역에서 이루어지고 있으나 고위도 지역을 주된 대상으로 하고 있어, 한반도와 같은 북반 구 중위도 지역 연구는 본격적으로 이루 어지지 않고 있는 상황이다 (Xiao et al.
2002; Kang et al. 2003; Yu et al.
2003; Boles et al. 2004).
식생연구를 위한 초단주기 위성자료의 사용이 빈번해지고 있지만, 구름에 의한 영향은 여전히 위성자료의 연속성을 저해 하는 요인으로 남아있다. Moderate Resolution Imaging Spectroradiometer (MODIS)는 미항공우주국이 운영하는 Earth Observing System (EOS)의 핵심 센서 로 기능하고 있고, 초단주기성으로 인해 구름의 영향을 배제한 주기별 합성자료 (temporal composites)의 생성을 가능케 한 다. 구름과 그림자 탐지를 위한 기법의 향 상을 위한 작업이 진행 중에 있지만, 식생 지수 자료에 미치는 구름의 영향이 충분 히 분석되어 보고되지 못하고 있다 (Takeuchi and Yasuoka, 2004; Luo et al. 2008). 본 연구는 구름과 그림자가 주 기별 식생지수 합성자료의 질에 미치는 영향을 최근 MODIS 식생지수자료를 이용 하여 평가하고자 한다.
2. 연구지역 및 자료 2.1. 연구지역
연구지역은 북위 33도에서 43도에 걸쳐 있는 한반도 전체를 대상으로 하였다. 10 도 이상의 위도차로 인해 연구지역에 결 쳐 다양한 기후구분이 분포하고 있고 계
절별 기후변화가 뚜렷하게 나타난다
(Nieuwolt 1977; Lee 2000). 한반도는 아시아 몬순의 영향권에 놓여 있음으로 해서, 연강수량의 60% 이상이 6월-9월간 여름철 집중강수가 차지하고 있다. 겨울철 에는 시베리아 대륙의 고기압 발달로 건 조한 북서풍이 지배적으로 나타난다. 이 결과로, 겨울철 강수량은 연강수량의 10%
미만이다.
2.2. 위성자료
미국 USGS EROS Data Center로부터 매일의 MODIS 채널별 reflectance 자료 를 2007년을 대상으로 수집하였다. 세 개 의 타일 (h27v04, h27v05 and h28v05) 자료를 접합하여 한반도 전역이 포함되도 록 하였다. 다운로드된 자료를 이용하여 일별 NDVI와 EVI를 계산하고, 대기상태 정보를 이용하여 합성자료를 생성하였다.
합성자료에 쓰인 주기는 모두 네 가지로, 주단위, 10일단위, 2주단위, 월단위를 포 함한다. 선행 연구에 따르면, 지역에 따라 NDVI와 EVI 값이 상당히 차이를 보인다 고 보고되었다 (Xiao et al. 2005). 따라 서, 대기 상태가 이 두 지수의 합성자료에 미치는 영향을 파악할 필요가 있다.
3. Approach
MODIS가 제공하는 대표적 식생지수에 는 Normalized Difference Vegetation Index (NDVI)와 Enhanced Vegetation Index (EVI) 가 있다. 이들 자료는 식생의 유효광합성 흡수율, 생물량, 엽면적 등 식생활성도를 나타내는 지표들과 강한 상관관계를 갖고 있다. 특별히, EVI는 NDVI가 갖는 단점을 보완한 식생지수로서 대기의 영향을 보정 한 MODIS 자료로 평가받고 있다 (Liu and Huete 1995).
매일의 초단주기성을 갖는 자료를 일정 주기별로 합성하여 자료의 공간적 연속성 을 확보하고자 하는 자료처리가 일반적으 로 쓰이고 있는데, 최대치 합성기법 (maximum value composite, MVC)이 널리 쓰이고 있다. 이 방법은 합성주기 별로 가 장 높은 식생지수를 각 주기의 대표치로 설정하는 것이다 (Holben,1986).
구름탐지(cloud detection)는 자료합성 과 정에서 가장 중요한 단계로 양질의 주기
그림 1 구름과 그림자에 의한 영향으로 자료에서 제거된 화소수 비율. 박스 안 선은 평균(점선)과 중 앙값(실선)을 나타낸다. 박스 연장선은 자료의 10%
와 90% 범위를 나타내고, 상하 양단에 보이는 점 은 예외치를 표시한다 (WK, 10D, BW, MO은 각각 주단위, 10일단위, 2주단위, 월단위를 표시한다).
별 자료를 생성하기 위해 필수적인 작업 이다. 구름에 의해 생기는 지표의 그림자 역시 자료합성에 규칙적인 (systematic) 영 향을 미치는데, 이에 대한 연구가 이루어 지지 못하고 있다 (Khlopenkov and Trishchenko, 2007). 식생지수 자료에 대 한 그림자의 영향을 평가하기 위해 그림 자 화소를 제거하기 전과 제거한 후의 식 생지수 평균값을 계산하여 상호 비교하였 다.
구름의 영향을 제거하기 위해 자료합성 을 하는 과정에서 발생할 수 있는 문제 중 하나는 합성방법, 합성주기, 구름일수 에 따라 각 주기를 대표하는 식생지수의 취득일자가 서로 달라진다는 것이다. 결과 적으로, 자료의 샘플링 간격이 균일하지 않게 된다. 이러한 자료 추출의 규칙성 (resularity)을 정량화하기 위해, 각 주기별 로 자료취득 일자의 최빈치 (mode)를 구하 고, 이들 최빈치간의 간격을 이용하여 root mean square intervals (RMSI)를 각 주기별 로 계산하였다. 만일, 연구기간 중 모든 화소의 취득일이 완벽하게 규칙성을 띠고 있다면 해당 주기에 대한 standardizecd root mean square intervals (SRMSI; RMSI를 합성일수로 나눈값)은 1로 계산된다. 즉, 화소의 간격이 규칙성을 나타낼수록, SRMSI은 작아진다:
n은 합성주기의 총수, Ii는 i번째와 그 다 음 합성주기 화소간의 시간 간격이다.
4. 분석 결과 및 결론
평균적으로 구름일수는 4.5일/주로 나타
났는데, 이것은 일년의 65%에 달할 만큼 높은 수치다. 주단위로 자료를 합성한 후, 구름의 영향이 남아 있는 화소의 비율은 10.8%로 감소하였고, 합성 주기가 길어질 수록 그 비율은 감소하였다. 그럼에도 불 구하고 주단위 또는 10일단위의 합성자료 에서 구름의 영향으로 손실되는 화소의 수는 여전히 높은 비율을 차지했다(그림 1).
구름과 더불어 그로인한 그림자 화소까 지 제거했을 때는 2주단위 합성자료에서 도 손실되는 화소수가 많은 비중을 차지 했다. 구름과 그림자의 영향 하에 있는 화 수 수는 계절적으로 차이를 보였는데, 연 구기간 중 가장 습했던 7월과 8월에 구름 에 의해 소실된 화소수가 가장 많았다.
통계적으로 청명한 날만을 이용한 합성 자료와 그림자화소를 포함한 합성자료간 의 MVC 식생지수값을 통계적으로 비교한 결과, 그림자 화소를 포함한 자료가 NDVI 와 EVI에 대해 각각 3.9%, 3.0% 높게 나 타났다 (2주단위 합성자료 기준, 그림 2).
그림 2 청명한 날과 그림자 화소가 포함된 2주단위 식생지수 합성자료 평균치.
이는, 그림자로 인해 scattering 효과가 red 와 near-infrared 채널 간에 상이하 게 나타난 결과로 판단된다. MVC 합성법 은 off-nadir 화소를 채택하는 경향이 있 는데(Cihlar, 1997), viewing angle과 관 련된 일조 상태를 고려하여 그림자의 영 향을 보정하면 상당수에 달하는 그림자 화소를 자료처리에 사용할 수 있을 것으 로 보인다.
구름영향을 제거하기 위한 위성자료 합 성법의 주요 단점은 극단적인 경우 합성 주기간 시간 간격이 1일로 단축될 수도 있고, 2n-1 (n은 합성일수)로 길어질 수 도 있다. 분석 대상인 NDVI와 EVI의 경 우, MVC합성법에 의한 자료 취득의 규칙 성이 서로 다르게 나타났지만, 전반적으로 자료주기가 2주단위로 가면서 규칙성이 감소하였고, 월단위에서 최소화되는 결과 를 얻었다.
기후변화에 따른 생태적 반응을 파악하 고자 할 때 쓰이는 위성기반의 식생지수 는 개엽시기나 낙엽시기와 같은 식물계절 학적 주요 지표를 분석해 내는 데 매우 중요한 자료로 활용되고 있다. 하지만, 시
해 쓰이는 자료합성법은 구름의 영향으로 자료의 질과 자료취득의 규칙성을 보장하 기 힘든 경우가 많다. 흔히 쓰이는 2주 단 위 합성자료의 경우, MVC에 의한 화소선 택의 규칙성이 합성주기별로 비교했을때 가장 낮게 나타난 결과에 주목할 필요가 있다. 따라서, 초단주기 위성자료를 이용 한 시계열 분석에서 가정하는 자료 간격 의 (준)규칙성을 확인할 필요가 있다.
참고문헌
Boles, S.H., X. Xiao, J. Liu, Q. Zhang, S.
Munkhtuya, S. Chen, and D. Ojima.
2004. Land cover characterization of temperate East Asia using multi-temporal VEGETATION sensor data, Remote Sens.
Environ. 90, 477-489.
Chase, T.N., R.A. Pielke, J. Knaff, T.
Kittel, and J. Eastman. 2000. A comparison of regional trends in 1979-1997 depth-averaged tropospheric temperatures, Int. J. Climatol. 20, 503-518.
Christensen, J.H., B. Hewitson, A. Busuioc, A. Chen, X. Gao, I. Held, R. Jones, R.K.
Kolli, W.-T. Kwon, R. Laprise, V.
Magaña Rueda, L. Mearns, C.G.
Menéndez, J. Räisänen, A. Rinke, A.
Sarr, and P. Whetton. 2007. Regional Climate Projections, in Climate Change 2007: The Physical Science Basis.
Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, S. Solomon , D. Qin, M.
Manning, Z. Chen, M. Marquis, K.B.
Averyt, M. Tignor, H.L. Miller, Ed., Cambridge University Press, Cambridge
and New York.
Cihlar, J., H. Ly, Z. Li, J. Chen, H.
Pokrant, and F. Huang. 1997.
Multitemporal, multichannel AVHRR data sets for land biosphere studies-artifacts and corrections, Remote Sens. Environ.
60, 35-57.
Holben, B.N. 1986. Characteristics of maximum-value composite images from temporal AVHRR data, Int. J. Remote Sens. 7, 1417-1434.
Justice, C.O, J.R.G. Townshend, B. N.
Holben, and C.J. Tucker. 1985. Analysis of the phenology of global vegetation using meteorological satellite data, Int. J.
Remote Sens. 6, 1271-1381.
Kang, S., S. Running, J. Lim, M. Zhao, C.
Park, and R. Loehman. 2003. A regional phenology model for detecting onset of greenness in temperature mixed forests, Korea: an application of MODIS leaf area index, Remote Sens. Environ. 86, 232-242.
Khlopenkov, K.V. and A.P. Trishchenko.
2007. SPARC: cloud, snow, and cloud shadow detection scheme for historical 1-km AVHRR data over Canada, J.
Atmos. Ocean. Tech. 24, 322-343.
Lee, H. 2000. Climate, vegetation and soil, in Korea, the Land and People, H. Kwon and W. Huh, Ed., The Organizing
Committee of the 29th International Geographical Congress, Seoul, Korea.
Liu, H.Q. and A.R. Huete. 1995. A
feedback based modification of the NDVI to minimize canopy background and atmospheric noise, IEEE T.
Geosci.Remote. 33, 457-465.
Luo, Y., A.P. Trishchenko, and K.V.
Khlopenkov. 2008. Developing clear-sky,
cloud and cloud shadow mask for producing clear-sky composites at
250-meter spatial resolution for the seven MODIS land bands over Canada and North America, Remote Sens. Environ.
112, 4167-4185.
Myneni, R.B., C.D. Keeling, C.J. Tucker, G.
Asrar, and R.P. Nemani. 1997. Increased plant growth in the northern latitudes from 1981 to 1991, Nature 386, 698-702.
Park, S., J.J. Feddema, and S. L. Egbert.
2004. Impacts of hydrological soil properties on drought detection with MODIS thermal data, Remote Sens.
Environ. 89, 53-62.
Potter, C., S. Klooster, A. Huete, and V.
Genovese. 2007. Terrestrial carbon sinks for the united states predicted from modis satellite data and ecosystem modeling, Earth Interact. 11.
Potter, C., S. Boriah, M. Steinbach, V.
Kumar, and S. Klooster. 2008. Terrestrial vegetation dynamics and global climate controls in north America: 2001-05, Earth Interact. 12.
Sellers, P.C. 1985. Canopy reflectance, photosynthesis and transpiration," Int. J.
Remote Sens. 6, 1335-1372.
Schimel, D.S., J. I. House, K.A. Hibbard, P.
Bousquet, P. Ciais, P. Peylin, B.H.
Braswell, M.J. Apps, D. Baker, A.
Bondeau, J. Canadell, G. Churkina, W.
Cramer, A.S. Denning, C.B. Field, P.
Friedlingstein, C. Goodale, M. Heimann, R.A. Houghton, J.M. Melillo, B. Moore III, D. Murdiyarso, I. Noble, S.W. Pacala, I.C. Prentice, M.R. Raupach, P. J.
Rayner, R., J. Scholes, W.L. Steffen, and C. Wirth. 2001. Recent patterns and
mechanisms of carbon exchange by terrestrial ecosystems, Nature 414, 169-172.
Takeuchi, W. and Y. Yasuoka. 2004.
Development of compositing algorithms for MODIS data, J. Jpn. Soc.
Photogramm. Remote 43, 36-48.
Tucker, C.J. J. R.G. Townshend, and T.E.
Goff. 1985. African land-cover
classification using satellite data, Science 227, 369-375.
Tucker, C.J. and P.J. Sellers, 1986. Satellite remote sensing of primary production, Int.
J. Remote Sens. 7, 1395-1416.
Xiao, X.M., S. Boles, J. Liu, D. Zhuang, and M. Liu. 2002. Characterization of forest types in Northeastern China, using multi-temporal SPOT-4 VEGETATION sensor data," Remote Sens. Environ. 82, 335-348.
Xiao, X.M., Q. Zhang, S. Saleska, L.
Hutyra, P. De Camargo, S. Wofsy, S.
Frolking, S. Boles, M. Keller, and B.
Moore. 2005. Satellite-based modeling of gross primary production in a seasonally moist tropical evergreen forest, Remote Sens. Environ. 94, 105-122.
Yu, F., K. Price, J. Ellis, and P. Shi. 2003.
Response of seasonal vegetation development to climatic variations in eastern central Asia, Remote Sens.
Environ. 87, 42-54.
