Performance Evaluation of Snow Detection Using Himawari-8 AHI Data

Korean Journal of Remote Sensing, Vol.34, No.6-1, 2018, pp.1025~1032

http://dx.doi.org/10.7780/kjrs.2018.34.6.1.14 ISSN 1225-6161 ( Print )

ISSN 2287-9307 (Online)

Article

Himawari-8 AHI 적설 탐지의 성능 평가

진동현 ¹⁾·이경상 ²⁾·서민지 ²⁾·최성원 ²⁾· 성노훈¹⁾·이은경 ³⁾·한현경 ³⁾·한경수 ^4)†

Performance Evaluation of Snow Detection Using Himawari-8 AHI Data

Donghyun Jin

· Kyeong-sang Lee

· Minji Seo

· Sungwon Choi

· Noh-hun Seong

· Eunkyung Lee

· Hyeon-gyeong Han

· Kyung-soo Han

Abstract: Snow Cover is a form of precipitation that is defined by snow on the surface and is the single largest component of the cryosphere that plays an important role in maintaining the energy balance between the earth’s surface and the atmosphere. It affects the regulation of the Earth’s surface temperature. However, since snow cover is mainly distributed in area where human access is difficult, snow cover detection using satellites is actively performed, and snow cover detection in forest area is an important process as well as distinguishing between cloud and snow. In this study, we applied the Normalized Difference Snow Index (NDSI) and the Normalized Difference Vegetation Index (NDVI) to the geostationary satellites for the snow detection of forest area in existing polar orbit satellites. On the rest of the forest area, the snow cover detection using R

anomaly technique and NDSI was performed. As a result of the indirect validation using the snow cover data and the Visible Infrared Imaging Radiometer (VIIRS) snow cover data, the probability of detection (POD) was 99.95 % and the False Alarm Ratio (FAR) was 16.63 %. We also performed qualitative validation using the Himawari-8 Advanced Himawari Imager (AHI) RGB image. The result showed that the areas detected by the VIIRS Snow Cover miss pixel are mixed with the area detected by the research false pixel.

Key Words: Snow Cover, Forest Snow Cover, Himawari-8 AHI, Geostationary Satellite

요약 : 적설은 강수의 한 형태로 지표면에 쌓인 눈으로 정의되며 빙권의 가장 큰 단일 구성 요소로서 지구 표면 과 대기 사이의 열 교환이나 전 지구 또는 지역적인 측면에서 지구의 에너지 수지 균형을 유지하는 중요한 역 할을 하는 등 지구 표면 온도를 조절하는데 영향을 미친다. 그러나 적설은 인간의 접근이 어려운 지역에 주로

Received November 30, 2018; Accepted December 3, 2018; Published online December 11, 2018

1)

부경대학교 공간정보시스템공학과 박사과정생 (PhD Student, Department of Spatial Information Engineering, Pukyong National University)

2)

부경대학교 공간정보시스템공학과 박사수료생 (PhD Candidate, Department of Spatial Information Engineering, Pukyong National University)

3)

부경대학교 공간정보시스템공학과 석사과정생 (Master Student, Department of Spatial Information Engineering, Pukyong National University)

4)

부경대학교 공간정보시스템공학과 정교수 (Professor, Department of Spatial Information Engineering, Pukyong National University)

†Corresponding Author: Kyung-Soo Han ([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.  서 론

적설은 강수의 한 형태로 지표면에 쌓인 눈으로 정 의되며 빙권의 가장 큰 단일 구성 요소로서 지구 표면 과 대기 사이의 열 교환이나 전 지구 또는 지역적인 측 면에서 지구의 에너지 수지 균형을 유지하는 중요한 역 할을 하는 등 지구 표면 온도를 조절하는데 영향을 미 친다 (Tsay et al., 1989; Groisman et al., 1994). 또한 적설은 물 순환에 직접적인 역할을 하고 겨울철 쌓인 눈은 봄 철에 녹으면서 상당한 양의 물을 제공함으로써 주변 농 경지와 농업활동에 큰 영향을 주는 인자로 알려져 있으 며 수문 모델링과 수자원 관리에 매우 중요한 역할을 할 수 있다 (Hall et al., 1995). 특히 적설 anomaly는 세계 규모 의 대기 순환에 있어 중요한 역할을 하고 있으며 지역 적 규모에서 유럽과 아시아의 겨울철 적설 면적이 여름 철 인도의 강수에 영향을 주는 등 적설 지역의 변동은 기상 패턴에 영향을 줄 수 있다 (Hahn and Shulda, 1976).

이처럼 기후 및 환경에 지대한 영향을 미치는 적설은 대부분 고위도나 고산지대 등 인간의 접근이 어려운 지 역에 분포하며 계절적 변동성이 크기 때문에 European Organisation for the Exploitation of Meteorological Satellites(EUEMTSAT), National Oceanic and Atmospheric Administration(NOAA) 등 선진기관은 광범위한 지역의 지표 특징을 파악할 수 있는 위성 자료를 활용하여 적 설 탐지를 수행하고 있다 . 그 중 정지궤도 위성 자료를 활용한 적설 탐지는 EUMETSAT European Organisation for the Exploitation of Meteorological Satellites Satellite Application Facility on Land Surface Analysis(LSA SAF) Meteosat Second Generation spacecraft(MSG) Spinning Enhanced Visible and Infrared Imager(SEVIRI) 및 NOAA

Geostationary Operational Environmental Satellite-R Series

(GOES-R) Advanced Baseline Imager(ABI)를 활용하여

수행되고 있다 . EUMETSAT LSA SAF는 적설을 탐지

하기 위해 반사도 , 밝기 온도뿐만 아니라 Land Surface

Temperature(LST) 및 Land cover 자료를 기반으로 21가지

경계값 기법을 활용하고 있으며 (Siljamo and Hyvarinen,

2011), NOAA는 0.47 µm, 0.64 µm, 0.865 µm, 1.378 µm,

1.61 µm 및 2.25 µm 채널 자료와 Solar Zenith Angle(SZA)

기반 분광 라이브러리를 활용한 분광 혼합 모델을 활용

하고 있다(Cline et al., 2010). 위성 자료를 활용한 적설 탐

지의 경우, 크게 두 가지의 어려움이 존재하는데 구름과

적설의 구분 및 산림 지역의 적설 탐지이다 . 산림지역에

적설이 존재 할 경우 , 식생의 엽록소 및 식생에 의해 생

기는 그림자로 인하여 위성 자료 반사도는 산림 지역이

아닌 적설 지역 반사도에 비해 낮은 값을 가진다 . 이러한

이유로 산림 지역의 적설 탐지는 구름과의 구분 다음으

로 잠재적인 에러를 내포하고 있으며 (Klein et al., 1998),

National Aeronautics and Space Administration(NASA)

의 극 궤도 위성 센서인 Moderate Resolution Imaging

Spectroradiometer(MODIS) 및 Visible Infrared Imaging

Radiometer Suite(VIIRS)는 다중 채널 반사도로 산출된

Normalized Difference Snow Index(NDSI)와 Normalized

Difference Vegetation Index(NDVI)를 활용해 산림 지역

에서 적설 탐지를 수행하고 있으며, 산림 지역 외 일반

지표는 적설 지역에서 다른 지면 정보에 비해 낮은 값

을 가지는 1.61 µm 반사도 및 그 외 다중 채널 반사도와

NDSI 기반 고정 경계값 기법을 통해 적설 탐지를 수행

하였다 (Hall et al., 2001a; Riggs et al., 2015). 하지만 적설 지

역은 위성 및 태양의 각도 성분에 따라 변동성을 보이

기 때문에 (Nolin and Doizer, 2000; Kelly et al., 2003; Painter

et al., 2009) 기존 적설 탐지 기법은 잠재적인 에러가 존

재한다. 적설 반사도의 변동성으로 인한 잠재적인 에러 를 고려하여 Lee et al.(2017)은 MODIS 위성 자료를 활 용한 적설 탐지를 위해 1.61 µm 반사도 anomaly 등을 활 용하였으며 본 연구에서는 정지궤도 위성 자료인 Himawari-8 Advanced Himawari Imager(AHI) 자료를 기 반으로 하여 적설 지역에서 0.46 – 0.86 µm 반사도가 높 게 나타나고 , 1.61 µm 반사도가 낮게 나타나는 특징을 활용한 1.61 µm 반사도 anomaly를 활용하였으며, 산림 지역에서는 NASA가 극 궤도 위성인 MODIS, VIIRS를 기반으로 수행한 NDSI 및 NDVI를 활용하여 적설 탐지 를 수행하였다 .

2.  연구 영역 및 자료

1) 연구 영역

본 연구는 구름이 없는 청천역 및 산림 지역에서 적 설 탐지를 수행하는데 목적이 있기 때문에 북반구 겨울 철 적설 및 산림지역이 분포하는 동북아시아 지역 (위도 25°N ~ 75°N, 경도 90°E ~ 180°E)을 연구 영역으로 설 정하였다 . 연구 기간은 연구 영역 내 청천역의 적설이 다수 분포 하는 2017년 1월 1일 ~ 5일로 설정하였다.

2) 연구 자료

(1) Himawari-8 AHI 자료

본 연구에서 적설 탐지를 위해 활용한 위성 입력 자 료는 Japan Meteorology Agency(JMA)의 정지궤도 위성 인 Himawari-8 AHI 자료를 활용하였다. Himawar-8 AHI 는 아시아 , 태평양 지역에 대해 가시 및 적외 영역 Top Of Atmosphere(TOA) Radiance 값을 산출하는 16개의 채널을 가지고 있으며 이는 NOAA의 GOES-R ABI 센 서와 비슷한 분광 특징을 가지고 있다 . Himawari-8 AHI 자료는 500 m, 1 km, 2 km 공간해상도를 가지며 매 10분 마다 전구 영역을 관측할 수 있으며, 본 연구는 Band 1, 2, 3, 4, 5(0.46, 0.51, 0.64, 0.86, 1.61 µm) 자료를 활용하였 으며 , Band 5번은 공간해상도가 2 km이나, 500 m와 1 km의 공간해상도를 가지는 Band 1, 2, 3, 4번 자료를 2 km로 공간해상도로 일치하였다.

(2) MODIS Snow Cover(MOD10_L2) 자료

MODIS Snow Cover 자료는 MODIS 채널 radiance 자 료를 calibration을 수행한 MOD02HKM, geolocation 자 료인 MOD03 및 MODIS Cloud Mask 자료를 활용하여 산출되며 , 공간해상도는 500 m, 시간해상도는 5분이다.

Hall et al.(2001b)에 의하면, MODIS Snow Cover 자료는 지상 관측 자료와 비교 시 , 93% 이상의 높은 정확도를 나타내기 때문에 본 연구는 MODIS Snow Cover 자료를 Reference 자료로 활용하였다.

(3) MODIS Land Cover 자료

본 연구는 산림지역을 대상으로 한 적설 탐지 기법도 수행하기 때문에 산림지역을 구분하기 위해 MODIS Land cover 자료를 활용하였다. MODIS Land cover는 MCD12Q1 product로 Terra와 Aqua에 탑재된 MODIS 센 서의 채널 자료 및 Enhanced Vegetation Index(EVI), Nadir BRD-adjusted Reflectance(NBAR) 자료 및 1,860개 의 전 지구의 자료를 활용하여 산출된다 (Friedl et al., 2010). 총 5개의 scheme에 따라 분류된 Land cover를 제 공하고 있으며 본 연구에서는 International Geosphere- Biosphere Program(IGBP) global vegetation classification scheme에 따라 분류된 자료를 사용하였다. IGBP 자료 는 Loveland and Belward(1997)에 의해 제시된 기법으로 NDVI를 활용한 무감독 분류를 통해 17개의 정보로 land cover를 분류하였다. 공간 해상도는 500 m, 시간해 상도는 yearly이며 본 연구에서는 최신 자료인 2016년 MODIS Land cover 자료를 활용하였다.

(4) NSIDC EASE-Grid 2.0 Weekly Snow Cover and Sea-ice Extent 자료

또한 본 연구는 적설 후보 영역 구분에 사용할 장기

간 위성 기반 적설 자료를 구축하기위해 National Snow

and Ice Data Center(NSIDC) Northern Hemisphere EASE-

Grid 2.0 Weekly Snow Cover 자료를 1980년부터 2014년

까지 수집하였다. NSIDC Northern Hemisphere EASE-

Grid 2.0 Weekly snow cover 자료는 Scanning Multichannel

Microwave Radiometer(SMMR), Defense Meteorological

Satellite Program(DMSP) -F8, -F11 및 F13, Special Sensor

Microwave Imager(SSM/I),  Special Sensor Microwave

Imager/Sounder(SSMIS) 위성 자료 기반 밝기온도를 활

용하여 적설을 탐지한 자료로 공간해상도는 25 km, 시 간해상도는 7-day이다.

(5) VIIRS Snow Cover Binary Map(VSCM) 자료

본 연구의 검증 자료는 VIIRS Snow Cover 자료를 활 용하였으며 VIIRS Snow Cover 자료는 극 궤도 위성인 Suomi-NPP에 탑재된 VIIRS 센서 자료로 산출되며, 공 간해상도는 375 m, 시간해상도는 5분으로 MODIS Snow Cover 자료에서 사용하는 지수인 NDSI 산출 및 고정 경계값 기법을 통해 산출된다 . VIIRS Snow Cover 자료 의 정확도는 In-situ Snow Cover 자료와 비교 시, 90%

이상 일치하며 일 합성 VIIRS Snow Cover 자료의 경우, Interactive Multisensor Snow and Ice Mapping System(IMS) Snow Cover 자료와는 94-98% 일치한다(Key et al., 2013).

3.  연구 방법

1) 반사도 정규화

Fig. 1은 본 연구의 흐름도이며, 정지궤도 위성 자료는 시간에 따라 SZA이 변동성을 가지며, 이는 시간에 따 라 특정 지역의 반사도 또한 변동성을 가질 수 있으며 , Barker and Strahler(1993)에 따르면 채널 반사도는 SZA 의 값이 커질수록 낮아지는 경향을 보인다 . 이는 반사 도 기반 적설 탐지에 잠재적인 에러가 될 수 있기 때문 에 식 (1)과 같이 SZA을 활용하여 반사도 정규화를 수 행하였다. R는 반사도 정규화 전 반사도, R′는 SZA을 활 용하여 정규화된 반사도를 의미한다 .

cos(SZA)

Fig. 1. Flow chart on this study.

2) 적설 후보 영역 설정

적설은 북반구의 중위도 , 고위도 및 남반구의 고위도 에 분포하기 때문에 이러한 특징을 기반으로 NSIDC EASE-Grid 2.0 Weekly Snow Cover and Sea-ice Extent 자 료를 활용하여 1980년부터 2014년까지 적설이 한번이 라도 존재한 지역은 적설 후보 영역으로 구분한 장기간 위성 기반 적설 자료를 구축하였으며 , 이를 활용하여 적 설 후보 영역을 설정하였다 .

3) Ref.^{1.61 μm}Anomaly Test

적설은 1.61 µm를 제외한 가시 영역인 0.46, 0.51, 0.64, 0.86 µm 반사도가 높게 나타나며 1.61 µm는 낮은 반사 도 값을 가지며 Lee et al.(2017)은 이러한 특징을 활용하 여 극궤도 위성 (MODIS) 기반 채널 자료를 기반으로 식 (2)와 같이 0.46, 0.51, 0.64, 0.86, 1.61 µm 반사도 평균값과 1.61 µm 반사도 차이값을 활용한 Anomaly를 이용해 적 설 탐지를 수행하였으며 , 본 연구에서는 정기궤도 위성 인 Himawari-8 AHI 위성 채널 자료를 활용하였다. 본 연 구에서 활용할 1.61 µm 반사도 Anomaly 기법의 경계값 은 MODIS Snow Cover를 reference 자료로 이용하여 설 정하였다 . 식 (3), (4), (5), (6)은 반사도 평균 및 1.61 µm 반 사도를 활용해 anomaly 값을 구하는 과정이다.

∑

Ref. Mean = ————— (2) 5 Ref. Diff. 1 = Ref. Profile – Ref. Mean (3) Ref. Diff. 2 = Ref. Diff. 1 * Ref. Diff. 1 (4)

∑

Ref. Std. = ——————— (5) 4

– Ref. Mean Ref.

Anomaly = ————————— (6)

4) NDSI Test

NDSI는 적설 탐지에 널리 쓰이는 지수 중 하나로서 적설이 Short-Wave InfradRed(SWIR) 영역보다 Red 영역 에서 반사도가 높게 나타나는 특징을 활용한다 . NDSI 산출식은 식 (7)과 같다. NDSI Test는 MODIS, VIIRS 적 설 탐지 기법의 주요 지수로서 본 연구에서도 MODIS, VIIRS와 같이 NDSI가 0.4 이상의 값을 가질 때, 적설로 구분하였다 .

R^0.64μm

– R

+ R

5) NDSI & NDVI Test(산림지역 적설 탐지)

NDVI는 식생지수로서 식물의 상대적인 활동성, 엽 록소의 함량 등과 상관성이 높은 지표로서, 식생 관련 산출물의 입력 자료로 사용되며 이를 기반으로 식물의 1차 총 생산량을 정량적으로 추정이 가능한 변수이다.

NDVI는 Red 영역과 Near InfraRed(NIR) 채널의 반사도 차이를 이용한 정규화 식생지수로서 식생의 분포가 광 대하거나 활동이 활발할 때, 산림이 우거질수록 높은 값 을 가진다 . NDVI 산출식은 식 (8)과 같다. 본 연구에서 는 MODIS Snow Cover 자료를 활용하여 적설 지역의 NDSI 및 NDVI의 관계를 분석하였으며, 분석 결과를 기반으로 산림지역 적설 탐지를 수행하였다 .

R^0.86μm

– R

+ R

6) 검증 방법

본 연구는 VIIRS Snow Cover 자료를 참값으로 설정하 여 간접 검증을 수행하였다. 또한, 정성적 검증 수행 시, JMA Himawari-8 AHI RGB 자료를 추가로 활용하여 적 설 여부를 판단하였다 . VIIRS Snow Cover 자료는 극 궤 도 위성 기반 자료로서 본 연구에서 활용한 정지궤도 위 성인 Himawari-8 AHI와 시공간 분포가 상이하다. 이에 본 연구에서는 시간적 분포가 상이한 것은 본 연구에서 산출한 Snow Cover를 기준으로 5분 이내 VIIRS Snow Cover 자료를 추출하였으며, 공간적 분포가 상이한 것 은 VIIRS Snow Cover 자료를 본 연구에서 산출한 관측 Table 1. Index used for comparison between two categorical

data

Estimation Validation

Yes No

Yes a (hit) b (false)

No c (miss) d (cor-reject)

Table 2. Validation index

POD a / (a + c)

FAR b / (a + b)

영역에 맞게 Match-up을 수행하여 1:1 검증을 수행하 였다 . 검증 방법은 위성간의 상호 대기 검정에 활용되는 Table 1에 나타나는 지수를 이용하였으며 이를 이용하 여 Probability Of Detection(POD), False Alarm Ratio(FAR) 를 계산하고 이를 이용해 본 연구의 정확도를 정량적인 수치로 나타내었다 . POD 및 FAR 계산 방법은 Table 2 와 같다.

4.  연구 결과

R

Anomaly Test는 MODIS Snow Cover 자료를

Reference 자료로 활용하여 적설과 적설이 아닌 일반 지 표에 대한 R

Anomaly의 분포를 파악하기 위해 Fig.

2(a)와 같이 히스토그램을 활용해 R

Anomaly의 분 포를 확인하였다 . R

Anomaly가 -0.8 이상인 경우, 오 탐지율은 1 % 미만의 분포를 보이나, R

Anomaly 값 이 더 작아질수록 오탐지율은 1 % 이상의 값을 보임에

따라 R

Anomaly가 -0.8보다 큰 값인 경우 적설로 탐

지하였다.

산림지역 적설 탐지의 경우, MODIS Land cover type 중 산림지역인 Evergreen Needleleaf forest, Evergreen Broadleaf forest, Mixed forest인 영역을 대상으로 MODIS Snow Cover 자료 및 Himawari-8 AHI 반사도 기반 NDSI, NDVI의 분포를 분석하였다. Fig. 2(b)는 산림 지역의 NDSI 및 NDVI 분포도를 나타낸 그림으로서, NDSI가 0.6 이상인 경우 적설로 구분하였으며, NDSI가 0.0부터

0.2, 0.2부터 0.6까지 범위로 나누어 NDSI와 NDVI의 관 계에 따라 적설을 구분하였다 . 식 (9)와 (10)은 NDSI 값 에 따른 NDSI 및 NDVI의 1차 선형 방정식이며 해당 조 건을 만족할 시 , 적설로 탐지하였다.

NDVI ≤ – 0.1 * NDSI 0.2 (0.0 ≤ NDSI < 0.2) (9) NDVI ≤ – 0.1 * NDSI 0.02 (0.2 ≤ NDSI < 0.6) (10) 본 연구에서 산출한 Snow Cover 자료와 VIIRS Snow Cover 자료에 대한 정량적 결과는 Table 3과 같으며, 유 효 한 5 Scenes에 대한 전체 POD는 99.95%, FAR는 16.63%로 나타났다. 정성적 결과는 Fig. 3는 본 연구에 서 산출한 Snow Cover 자료와 VIIRS Snow Cover 자료 를 비교 수행한 영상 및 해당 Scene의 JMA Himawari-8 AHI RGB 영상을 활용하였다. 2017년 1월 4일 0500 Coordinated Universal Time(UTC)인 Fig. 3 a)-1의 A 지역 은 본 연구는 적설로 VIIRS는 적설이 아닌 일반 지표로 탐지한 영역이며 RGB 영상을 활용한 추가 분석 수행 결과 , 해당 영역은 적설이 아닌 일반 지표로 본 연구가 오탐지하였다 . Fig. 3 a)-1의 B 지역은 RGB 상 산림지역 에 적설이 분포하고 있는 것으로 파악되며 VIIRS가 미 탐지하였다 . 2017년 1월 5일 0300 UTC인 Fig. 3 b)-1의 C 지역은 본 연구가 적설로 VIIRS가 적설이 아닌 일반 지 표로 구분한 지역이며 , RGB 상 적설 지역과 적설이 아 닌 일반 지표가 혼합되어 있는 영역으로 해당 영역은 MODIS Land cover type 중 산림지역에 속하기 때문에 향후 추가 분석이 필요할 것으로 판단된다 .

(a) (b)

Fig. 2. (a) Ref.

Anomaly Histogram (Snow/No Snow), (b) NDSI vs. NDVI scatter plot (Forest area).

5.  요약 및 결론

본 연구는 Himawari-8 AHI 자료를 채널자료로 이용 하여 MODIS와 VIIRS에서 활용하는 적설 탐지 기법인 NDSI와 산림지역 NDSI 및 NDVI 관계를 활용한 기법 과 1.61 µm 반사도가 적설 지역에서 낮게 나타나는 특 징을 기반으로 R

Anomaly를 활용하여 적설을 탐지 하였다 . 탐지 결과, POD는 99.95%, FAR는 16.63%로 높 은 정확도를 보였으나 VIIRS Snow Cover 및 Himawari- 8 AHI RGB 영상과 비교 시, 본 연구가 과탐지하는 경향 이 존재하였다 . 그러나 산림 지역의 적설은 RGB 상 육 안으로 확인하는데 어려움이 많기 때문에 향후 In-situ

data 등을 활용하여 추가 분석을 수행할 예정이며 기존 극 궤도 위성에서 활용하는 적설 탐지 지수 및 기법을 정지궤도 위성에 적용하여 평가를 한 것에 의의가 있다 .

사 사

이 연구는 기상청 기상·지진 See-At 기술개발연구 (KMI2018-05210)의 지원으로 수행되었습니다.

Fig. 3. a) Comparison result with VIIRS Snow Cover data, b) Himawari-8 AHI RGB Image (1:20170104.0500 UTC, 2:20170105.0300 UTC).

Table 3. Quantitative result with VIIRS Snow Cover Data

Date & Time (UTC) Hit False Miss Cor-reject POD/ FAR (%)

20170102.0400 54,104 9,607 1 14 99.99 / 15.07

20170103.0200 11,344 1,906 1 7 99.99 / 14.38

20170103.0700 50,836 8,492 33 7,856 99.93 / 16.39

20170104.0500 145,383 28,510 91 13,760 99.93 / 16.39

20170105.0256 53,568 14,378 19 26 99.96 / 21.16

5 Scenes Total 315,235 62,893 145 21,828 99.95 / 16.63

References

Cline, D., A. Rost, T. Painter, and C. Bovits, 2010.

Algorithm Theoretical Basis Document (ATBD) for the GOES-R ABI Snow Cover, NOAA

NESDIS Center for Satellite Applications and Research, Shilver Spring, USA.

Groisman, P. Y., T. R. Karl, and R. W. Knight, 1994.

Observed impact of snow cover on the heat balance and the rise of continental spring temperatures, Science, 263(5144): 198-200.

Hahn, D. G. and J. Shukla, 1976. An apparent relationship between Eurasian snow cover and Indian monsoon rainfall, Journal of the

Hall, D. K., G. A. Riggs, and V. V. Salomonson, 1995.

Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data, Remote sensing of

Hall, D. K., G. A. Giggs, V. V. Salomonson, J. S.

Barton, K. Casey, J. Y. L. Chien, N. E.

DiGirolamo, A. G. Klein, H. W. Powell, and A.

B. Tait, 2001a. Algorithm Theoretical Basis

Space Flight Center, MD, USA.

Hall, D. K., J. L. Foster, V. V. Salomonson, A. G. Klein, and J. Y. L. Chien, 2001b. Development of a technique to assess snow-cover mapping errors from space, IEEE Transactions on Geoscience

Kelly, R. E., A. T. Chang, L. Tsang, and J. L. Foster, 2003. A Prototype AMSE-E Global Snow Area and Snow Depth Algorithm, IEEE Transactions on

Key, J. R., R. Mahoney, Y. Liu, P. Romanov, M.

Tschudi, I. Appel, J. Maslanik, D. Baldwin, X.

Wang, and P. Meade, 2013. Snow and ice products from Suomi NPP VIIRS, Journal of

12816-12830.

Klein, A. G., D. K. Hall, and G. A. Riggs, 1998.

Improving snow cover mapping in forests through the use of a canopy reflectance model,

Lee, K. S., D. H. Jin, J. M. Yeom, M. J. Seo, S. W.

Choi, J. J. Kim, and K. S. Han, 2017. New Approach for Snow Cover Detection through Spectral Pattern Recognition with MODIS Data,

Loveland, T. R. and A. S. Belward, 1997. The IGBP- DIS global 1 km land cover data set, DISCover:

first results, International Journal of Remote

Nolin, A. W. and J. Doizer, 2000. A hyperspectral method for remotely sensing the grain size of snow, Remote sensing of Environment, 74(2):

207-216.

Painter, T. H., K. Rittger, C. McKenzie, P. Slaughter, R. E. Davis, and J. Doizer, 2009. Retrieval of subpixel snow covered area, grain size, and albedo from MODIS, Remote Sensing of

Riggs, G., D. Hall, and M. O. Roman, 2015. VIIRS Snow

MD, USA.

Siljamo, N. and O. Hyvarinen, 2011. New Geostationary Satellite-Based Snow-Cover Algorithm, Journal

1275-1290.

Tsay, S. C., K. Stamnes, and K. Jayaweera, 1989.

Relative energy budget in the cloud and Hazy

Arctic, Journal of the Atmospheric Sciences,

46(7): 1002-1018.