Estimation of Global Horizontal Insolation over the Korean Peninsula Based on COMS MI Satellite Images

천리안 기상영상기 영상을 이용한 한반도 지역의 수평면 전일사량 추정

이정호*·최원석*·김용일*^†·윤창열**·조덕기**·강용혁**

*서울대학교 공과대학 건설환경공학부

**한국에너지기술연구원 신재생에너지연구본부

Estimation of Global Horizontal Insolation over the Korean Peninsula Based on COMS MI Satellite Images

Jeongho Lee*, Wonseok Choi*, Yongil Kim*

, Changyeol Yun**, Dokki Jo** and Yongheack Kang**

*Department of Civil and Environmental Engineering, Seoul National University

**New & Renewable Energy Research Department, Korea Institute of Energy Research

Abstract : Recently, although many efforts have been made to estimate insolation over Korean Peninsula based on satellite imagery, most of them have utilized overseas satellite imagery. This paper aims to estimate insolation over the Korean Peninsula based on the Korean stationary orbit satellite imagery. It utilizes level 1 data and level 2 cloud image of COMS MI, the first meteorological satellite of Korea, and OMI image of NASA as input data. And Kawamura physical model which has been known to be suitable for East Asian area is applied. Daily global horizontal insolation was estimated by using satellite images of every fifteen minutes for the period from May 2011 to April 2012, and the estimates were compared to the ground based measurements. The estimated and observed daily insolations are highly correlated as the R

value is 0.86. The error rates of monthly average insolation was under ±15% in most stations, and the annual average error rate of horizontal global insolation ranged from -5% to 5% except for Seoul. The experimental results show that the COMS MI based approach has good potential for estimating insolation over the Korean Peninsula.

Key Words : solar radiation, insolation, solar radiation model, COMS MI, satellite imagery

요약 : 근래 들어 위성영상 기반의 한반도 지역 일사량 추정 연구가 활발히 진행되고 있으나 대부분의 연 구들은 외국 위성영상을 이용하고 있다. 이에 본 연구에서는 국내 정지궤도 위성영상을 활용하여 한반도 지 역의 일사량을 추정하는 것을 목적으로 한다. 입력데이터로는 국내최초의 정지궤도 위성인 천리안 기상영상 기의 레벨1 데이터 및 레벨2 구름 영상, 그리고 미국 NASA의 OMI 영상을 이용하고, 물리모델식은 동아시 아지역 일사량 추정에 보다 적합하다고 알려진 Kawamura 모델식을 적용한다. 2011년 5월~2012년 4월에 이르는 기간의 15분 간격 데이터를 이용하여 일일 수평면 전일사량을 추정하였으며, 이를 대한민국의 18개

접수일(2013년 1월 11일), 수정일(1차 : 2013년 1월 29일, 2차 : 2월 16일), 게재확정일(2013년 2월 17일).

†교신저자: 김용일([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.

http://dx.doi.org/10.7780/kjrs.2013.29.1.14

1. 서 론

태양 에너지는 지구 해양-대기 시스템의 에너지원 으로서 육지, 해양, 대기의 온도를 조절하고, 농업, 환 경, 기상 등 인간의 생활에 매우 중요한 역할을 한다.

최근 신재생에너지에 대한 사회적인 관심이 높아지고 실제적인 활용이 증대되면서 태양광과 태양열 설비의 성능예측이 중요하게 다루어지고 있으며, 이에 따라 시스템의 성능을 결정하는 일사량에 대해서도 정밀도 와 정확도의 향상을 위한 연구가 활발하게 진행되고 있다.

미국, 스위스와 같은 해외 선진국에서는 기초 일사 자원량 산정을 위하여 1950년대부터 지상관측 네트워 크를 설치하여 일사량 관측이 이루어져 왔으며, 국내 에서도 1982년부터 한국에너지기술연구원이 관측을 시작한 이래 현재 한국에너지기술연구원과 기상청에 서 일사량 데이터를 제공하고 있다. 지상 관측소에 의 한 일사량 측정은 높은 정확도의 관측값을 짧은 시간 간격으로 제공할 수 있는 장점이 있으나, 관측소가 존 재하지 않는 지역에 대해서는 값을 취득할 수 없어 주 변값들을 이용한 일사량의 추정에 의존해야 하는 단점 이 있다.

위성 자료를 이용하여 산출되는 일사량 데이터는 지 상 관측 데이터와는 달리, 광역 공간에 대한 정보를 제 공해줄 수 있으며 비접근 지역에 대한 정보도 제공해 줄 수 있다는 장점이 있다. 최근에는 위성영상을 활용 하여 일사량을 추정하는 연구들이 국내외적으로 많이 진행되고 있다. Chen et al.(2008)은 Moderate-resolution Imaging Spectroradiometer(MODIS) 영상 데이터를 사용 하여 청명한 날씨의 일사량을 예측하였고, Polo and Zarzalejo(2011)는 인도 6개 지역에 대한 5×5 km의 공간 해상도를 지닌 Meteosat 위성 데이터를 사용하여 태양 복사량을 추정하였다. Zarzalejo et al.(2009)는 Meteosat 위성영상 데이터와 지상에서 획득한 청명지수와 구름

지수를 이용하여 위성영상으로부터 전일사량을 추출 하는 새로운 통계적 모델을 개발하였다. Janjai(2010)는 열대환경에서 인공위성과 물리모델을 이용하여 직 달법선 일사량을 추정하는 방법을 제안하였는데, Multifunctional Transport Satellites(MTSAT)-1R에서 획득 한 영상을 이용하여 직달 태양 복사 에너지를 예측하 고, 이를 지상에서 획득한 레퍼런스 자료와 비교하여 정확성을 평가하였다.

국내의 경우, Yeom et al.(2008)은 MTSAT-1R 위성영 상 기반의 일사량 추정값과 지상관측값 간의 시간불일 치를 조정하여 표면도달일사량 검증 기법을 향상시켰 고, Yeom(2009)은 Kawamura 물리모델(Kawamura et al., 1998) 을 기본으로 하여 한반도 특성에 맞게 개선한 방 법을 제시하였다. Kim et al.(2012)은 연속된 시기의 GOES-9과 MTSAT-1R 위성데이터를 함께 이용할 경우 발생하는 불연속성을 해결하여 일사량 산출 정확도를 향상시키는 연구를 수행하였다. Cho et al.(2012)은 일사 량을 측정하지 못하는 지역에 대하여 미국 National Aeronautics and Space Administration(NASA) 의 지상관측 시스템 Goddard Earth Observing System(GEOS)-4 등을 이용한 일사량 예측기법을 적용하여 국내에서의 전반 적인 태양광 에너지 이용가능성에 대한 정밀분석을 시 도하였다. 한편, 위성영상의 장점을 살려 접근이 불가 능한 북한지역이나 해외지역의 일사량을 추정하는 연 구도 진행되었다(Choi and Yun, 2011; Jee et al., 2012).

위와 같이 위성영상기반의 일사량 추정 연구가 국내 에서도 활발히 진행되고 있으나, 주로 외국의 위성영 상에 의존하고 있으며 아직까지 국내 위성영상을 이용 한 일사량 추정 연구는 거의 전무한 실정이다. 한편 국 내 최초의 정지궤도위성인 천리안 위성(COMS:

Communication, Ocean and Meteorological Satellite)이 운용

중이며 2011년 4월부터 기상영상기(MI: Meteorological

Imager) 영상이 제공되고 있다. 천리안 기상위성은 촬

영중심이 한반도에 맞춰져 있고 공간해상도와 시간해

지점의 관측소 실측치와 비교하였다. 일일 일사량 추정값과 관측값 간의 R

값은 0.86로서 높은 상관성을 나

타냈으며, 월평균 일사량의 오차는 대부분의 지점에서 ±15% 이내였고 연평균 수평면 전일사량의 오차는

서울을 제외하면 약 -5~+5%의 분포를 보였다. 본 연구결과를 통해 한반도 지역의 일사량을 추정하는데 있

어 천리안 기상영상기 영상이 활용 될 수 있음을 확인하였다.

상도 모두 우수한 영상이 무료로 제공되고 있다.

본 논문에서는 국내 정지궤도 위성인 천리안 기상영 상기 영상을 기반으로 한반도 지역의 일사량을 추정하 는 것을 목적으로 한다. 이를 위하여 동아시아 지역에 적 합 한 것 으 로 알 려 진 Kawamura 물 리 모 델 식 (Kawamura et al., 1998; Yeom et al., 2006)을 적용한다. 대 기 중의 감쇠 효과를 계산하기 위하여 15분 간격의 천 리안 기상영상기 레벨1 데이터를 이용하고 구름 유무 를 판별하기 위하여 레벨2 구름 영상을 활용한다. 오존 량은 미국 NASA의 Ozone Monitoring Instrument(OMI) 영상으로부터 추출한다. 2장에서는 일사량 추정을 위 한 물리모델식에 대하여 기술하고 3장에서는 천리안 영상 및 OMI 영상의 전처리에 대하여 설명한다. 4장에 서는 2011년 5월부터 1년 기간의 데이터를 이용하여 한 반도 지역의 일사량을 추정하고 주요 지역에 대한 한 국에너지기술연구원과 기상청의 실측치와 비교하여 검증한다.

2. 일사량 추정 모델식

위성영상을 이용하여 일사량을 추정하는 연구들 은 주로 물리모델식을 이용하며, 본 연구에서는

Kawamura 물리모델(Kawamura et al., 1998)을 적용한다.

Kawai and Kawamura(2005)는 Kawamura 물리모델을 기 반으로 GMS-5 데이터와 지상 관측 데이터를 이용하여 구름에 의한 감쇠 조견표(lookup table)를 작성하고 일본 지역의 일사량을 산출하였다. 따라서 이 모델은 유럽, 미국 등을 대상으로 한 다른 모델식보다 동아시아 지 역에 더 적합한 모델이라고 할 수 있다. 또한 Yeom (2009)은 이 모델을 기반으로 MTSAT 데이터를 한반도 에 적용하여 일사량을 추정하였는데, 본 연구에서 사 용하는 천리안 기상영상기 센서는 MTSAT 위성 센서 와 거의 동일한 스펙 및 특성을 나타낸다. 따라서 Kawamura 모델은 천리안 기상영상기 영상을 이용하는 본 연구에 가장 적합한 물리모델식이라 할 수 있다. 일 사량 추정을 위한 전체 데이터 처리 흐름도는 Fig. 1과 같다.

청명한 상황(clear sky condition)의 지표면 도달 총일 사량 SC는 식(1)과 같이 직달일사량 SI, 레일리 산란에 의한 일사량 SR, 에어로졸 산란에 의한 일사량 SA등 3 개의 성분으로 이루어진다.

S

Fig. 1. Insolation estimation based on COMS MI images.

S

t

_ a

)t

(2) S

= St

(0.5(1 _ t

))t

(3) S

= S(t

t

_ a

) F

w

(1 _ t

) (4) 여기서, t

, t

, t

는 각각 오존 흡수에 의한 투과율, 레 일리 산란에 의한 투과율, 에어로졸 감쇠에 의한 투과 율을 의미하고, F

는 에어로졸에 의한 총산란에 대한 전방산란 비율이다. 이에 대하여 보다 자세한 설명은 각각 Lacis and Hansen(1974), Kizu(1995), Macher (1983), Robinson(1962) 의 연구를 참고한다. w

는 단일 산란 알 베도이고 a

는 수증기 흡수율을 의미하며, 수증기 흡 수율은 식(5)와 같이 계산된다(Lacis and Hansen, 1974).

a

= 2.9Wm/((1 + 141.5Wm)

+ 5.925Wm) (5) 여기서 m은 상대 공기질량(relative air mass)이고 W는 가 강수량으로서 식(6)과 같이 계산된다(Chester et al., 1987).

(6) 여기서 T

과 T

는 각각 적외선 채널1과 2의 밝기온도이 고 대기온도 T

는 T

= T

_ 2.2이다(Chester et al., 1987).

한편 직달일사량, 레일리산란에 의한 일사량, 에어로 졸산란에 의한 일사량 산출을 위한 대기권 밖 일사량 은 태양상수로부터 태양과 지구간의 거리와 태양 천정 각을 기반으로 식(7)에 의하여 계산할 수 있다.

S = I(d

/d)

cosq (7) 여기서, I는 태양상수, d

은 연평균 태양-지구 거리, d는 특정 시점에서의 태양-지구 거리, q는 태양 천정각을 나타낸다.

구름 낀 상황(cloud sky condition)의 총일사량은 구름 에 의한 감쇠효과를 청명한 상황의 총일사량에 반영하 여 식(8)과 같이 계산한다.

S

= (S

+ S

+ S

)(1 _ aA) (8) 여기서, a는 구름에 의한 일사량 감쇠 계수이고, A는 알 베도(albedo)이다. 알베도는 천리안 기상영상기 가시광 채널 영상으로부터 산출할 수 있고, 구름에 의한 감쇠 계수는 Table 1과 같이 태양 천정각과 알베도에 의하여 결정된다(Kawai and Kawamura, 2005).

3. 데이터 및 전처리

대기 중의 태양에너지 감쇠를 계산하기 위하여 사용 하는 천리안 기상영상기는 Table 2와 같이 가시광선 (visible), 단파적외선(SWIR: Short Wave Infrared), 수증기 (WV: Water Vapor), 적외선(IR: Infrared) 1, 2 등 5개 채널 로 구성되고, 영역에 따라 한반도, 아시아, 북반구 등으 로 구분된다. 본 연구에서는 한반도 영역 영상을 이용 하는데, 이 영상의 공간해상도는 1.7 km이고 관측주기

Table 2. Specification of COMS MI

Channel Spatial

Wavelength Temporal Resolution Resolution Visible 1 km 0.55~0.8mm

SWIR 4 km 3.5~4.0mm

WV 4 km 6.5~7.0mm minutes 15 IR 1 4 km 10.3~11.3mm

IR 2 4 km 11.5~12.5mm Channel Spatial

Wavelength Temporal

Resolution Resolution

Table 1. Cloud attenuation coefficient determined from the land in situ data(Kawai and Kawamura, 2005)

Solar Zenith Albedo

Angle(°) 0.0-0.1 0.1-0.2 0.2-0.3 0.3-0.4 0.4-0.5 0.5-0.6 0.6-1.0

0-10 1.10 0.84 1.08 1.09 1.09 1.09 1.20

10-20 1.10 0.84 1.08 1.09 1.09 1.09 1.20

20-30 1.10 0.84 1.08 1.09 1.09 1.09 1.20

30-40 1.10 0.90 1.08 1.14 1.13 1.13 1.20

40-50 1.13 0.93 1.10 1.14 1.13 1.13 1.20

50-60 1.15 0.99 1.19 1.19 1.16 1.15 1.20

60-70 1.26 1.12 1.33 1.31 1.21 1.18 1.20

70-80 1.46 1.35 1.57 1.52 1.37 1.23 1.20

80-90 1.54 1.52 1.63 1.59 1.40 1.30 1.20

Solar Zenith Albedo

Angle(°) 0.0-0.1 0.1-0.2 0.2-0.3 0.3-0.4 0.4-0.5 0.5-0.6 0.6-1.0

는 15분이며, 데이텀과 투영은 각각 WGS 84, Polar Stereographic이다.

천리안 기상영상기 각 채널의 영상은 0에서 1023까 지의 DN(Digital Number)값을 갖는 10비트 영상이다. 이 영상들을 일사량 추정 물리모델식에 이용하기 위해서 는 DN값을 밝기온도 또는 알베도로 변환해줘야 한다.

국가기상위성센터에서 제공하는 변환테이블을 이용 하여 채널 1(IR 1)과 채널 2(IR 2)의 DN값은 밝기온도 (단위: K)로 변환하고, 채널 5(visible)의 DN값은 알베도 로 변환한다. Fig. 2는 변환데이블을 이용한 변환 전과 후의 영상을 나타낸 예이다.

오존량은 미국 NASA에서 제공하는 다양한 OMI의 영상들 중에서 OMTO3e 데이터를 이용하여 산출한다.

OMTO3e 데이터는 지구 전역에 대한 오존량 정보를 담 고 있으며 1일에 1회 제공되는데 Fig. 3(a)에서 볼 수 있 듯이 원본 OMI 데이터의 경우 중간에 데이터가 누락된 곳이 존재한다. 한편 OMI 영상은 가로, 세로가 각각 0.25도 간격의 경위도 좌표로 되어있다. 따라서 이를 한 반도 지역의 일사량 추정에 이용하기 위해서, 천리안

Fig. 3. Daily OMI image over the world, ‘Best Total Ozone Solution’

(a) and a resampled ozone image over the Korea (b).

Fig. 2. Conversion of COMS MI images with DN values(upper row) to brightness temperature or albedo images(lower row); (a) and

(d) are IR 1, (b) and (e) are IR 2, and (c) and (f) are visible images.

영상의 위경도 좌표 테이블을 이용하여 OMI 영상을 천 리안 영상과 동일한 해상도 및 좌표의 영상으로 재배 열(resmapling) 처리를 하고 한반도 주변 지역만을 추출 한다(Fig. 3). 재배열 방법은 역거리가중치(Inverse Distance Weighted)기법을 이용하고, 기준 화소 주변의 8 개 화소값들을 사용한다.

4. 실험 및 평가

본 연구의 방법론을 평가하기 위하여 2011년 5월에 서 2012년 4월에 이르는 12개월 동안의 천리안 기상영 상기 한반도 영역 영상과 OMI 영상을 이용하여 한반도 지역의 수평면 전일사량을 계산하였고, 이를 검증하기 위하여 한국에너지기술연구원과 기상청의 일일 수평 면 전일사량 데이터를 이용하였다. 한국에너지기술연 구원과 기상청의 동일한 14개 관측지점(춘천, 강릉, 서 울, 원주, 서산, 청주, 대전, 포항, 대구, 전주, 광주, 부산, 목포, 제주)과 기상청의 관측지점 중 4개 관측지점(진 주, 추풍령, 고창, 고산) 등 총 18개 지점의 관측값을 이 용하였다. 18개 관측지점은 Fig. 4와 같이 남한의 모든 지역에 고르게 분포하고 있다.

일일 일사량 값에 대한 평가를 위하여 6570개 값(18 개 지역, 365일)의 위성영상 기반 추정 수평면 전일사

량과 지상관측소 실측 일사량 간의 상관분석을 수행하 였다(Fig. 5). 두 값 간의 R²값은 0.86으로서 높은 상관성 을 나타냈으며 평균제곱근오차(RMSE)는 908.7 Wh m^-2 day^-1, bias는 -9.4 Wh m^-2day^-1였다. RMSE에 비하여 bias 가 매우 낮게 나타난 이유는 약 2000 Wh m^-2day^-1이하 에서는 추정값이 실측값보다 크게 나타나는 경향을 보 인 반면 약 6000 Wh m^-2day^-1이상에서는 위성영상 기 반 추정 일사량이 과소 추정되는 경향을 보였기 때문 이다. 실측값은 0~8000 Wh m^-2day^-1정도의 값의 분포 를 나타내지만 추정값은 1000~7000 Wh m^-2day^-1정도 의 값을 나타내어 매우 작은 값과 큰 값을 갖는 구간에 서 오차가 크게 나타났다.

18개 도시 지역에 대하여 월평균 수평면 전일사량 값의 위성영상 기반 추정치와 지상 실측치를 비교하였 으며, 그 결과는 Table 3과 같다. 월평균 수평면 전일사 량 값 216개(18개 지역, 12개월)의 오차(bias)를 살펴보 면, -931 ~ +841 Wh m^-2day^-1을 나타냈으며, 216개중 189 개가 ±15% 이내의 오차를 보였고, 144개가 ±10% 이 내의 오차를 보였다. 2011년 5월부터 2012년 4월까지 시기에 따른 일사량을 분석해보면 18개 지점의 RMSE 값은 Fig. 6과 같이 7월에 470 Wh m^-2day^-1로서 오차가 가장 크게 나타난 것을 볼 수 있다. 특히 춘천, 강릉, 서 울, 원주 등 위도가 높은 지역의 7월 월평균 일사량의

Fig. 4. The distribution of the eighteen ground stations for measuring insolation.

Fig. 5. Comparison of estimated and observed daily global

horizontal insolation from the eighteen stations. Bias is

computed as estimated minus observed values.

Table 3. Monthly averages of daily global horizontal insolation estimation and ground-based observation, and biases between them in eighteen stations for twelve months from May 2011 to April 2012(unit : Wh m

day

)

City 2011 2012

May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr

Est. 4904 5046 3857 4073 3788 3071 2291 2194 2454 3295 3956 4755 Chunchon Obs. 4977 5299 3303 3909 4197 3451 2043 2191 2422 3712 3888 4242

Bias -73 -253 554 164 -409 -380 248 2 32 -417 67 514

Est. 4440 5163 4000 4180 3557 3046 2244 2137 2503 3356 3905 4782 Gangneung Obs. 4259 5410 3214 4188 3613 3351 1865 2138 2607 3595 3729 5095

Bias 181 -247 786 -8 -56 -305 379 -2 -104 -239 176 -313

Est. 4884 4916 3901 3922 3853 3167 2292 2273 2544 3397 3995 4744 Seoul Obs. 4737 4551 3060 3387 4151 3256 1754 1929 2101 3115 3293 4153

Bias 147 364 841 535 -298 -89 538 344 443 281 702 591

Est. 4797 4995 3941 4060 3856 3134 2350 2300 2595 3459 3940 4677 Wonju Obs. 4845 5133 3457 3964 4227 3504 2079 2229 2438 3633 3664 4694

Bias -49 -138 485 96 -371 -370 271 71 157 -175 276 -17

Est. 5037 4903 3973 3917 3947 3140 2343 2122 2391 3204 4040 4787 Seosan Obs. 4982 4733 3352 3391 4375 3540 2204 2067 2290 3442 3720 4774

Bias 55 170 621 526 -428 -401 139 55 100 -238 320 13

Est. 4855 4951 4071 4000 3949 3157 2389 2272 2570 3305 4022 4790 Cheongju Obs. 4798 4909 3548 3675 4035 3364 2149 2119 2331 3045 3642 4775

Bias 57 43 522 325 -86 -207 240 153 239 260 380 15

Est. 4841 4949 4095 3948 3920 3179 2413 2188 2468 3222 3994 4738 Daejeon Obs. 4989 5221 3771 3732 4238 3617 2278 2218 2484 3561 3884 5055

Bias -148 -273 324 216 -318 -438 134 -30 -15 -339 110 -317

Est. 4723 5098 4722 4060 3707 3124 2392 2288 2577 3194 3923 4844 Pohang Obs. 4894 5493 4864 3945 3913 3685 2254 2569 2767 3436 3853 5436 Bias -171 -396 -141 116 -206 -561 138 -281 -190 -242 71 -592 Est. 4628 5015 4424 3957 3690 3029 2362 2296 2437 2998 3777 4566 Daegu Obs. 4781 5049 4082 3593 3820 3290 2023 2014 2756 3658 4224 5497

Bias -152 -34 342 364 -131 -261 339 281 -319 -660 -447 -931

Est. 4859 5039 4307 3913 4023 3211 2455 2217 2513 3246 4034 4753 Jeonju Obs. 4910 5126 3874 3485 4252 3639 2268 2079 2356 3237 3675 4934

Bias -51 -86 433 428 -229 -427 187 138 157 9 359 -181

Est. 4849 4771 4534 3930 4093 3265 2445 2300 2514 3171 4169 4740 Gwangju Obs. 5089 4870 4260 3525 4611 3631 1882 1807 2025 2521 3385 4752

Bias -240 -99 274 405 -518 -365 563 493 489 650 784 -12

Est. 4725 4924 5123 4244 4058 3203 2499 2409 2617 3118 3996 4800 Busan Obs. 4752 4646 5093 3988 4282 3592 2285 2531 2646 3013 3685 4956

Bias -27 278 30 256 -224 -389 215 -121 -30 105 311 -156

Est. 4947 4865 4936 4017 4214 3289 2445 2150 2425 2952 4027 4724 Mokpo Obs. 5181 4845 4760 3525 4800 3941 2210 2024 2377 2857 3901 5140

Bias -234 21 177 492 -586 -652 235 126 48 95 126 -416

Est. 4886 4371 4974 4307 4133 3247 2396 1965 2178 2609 3903 4582 Jeju Obs. 5311 4610 5698 4536 4620 3695 1989 1241 1510 2023 3696 5085

Bias -425 -239 -724 -229 -487 -448 407 724 667 586 207 -503

City 2011 2012

May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr

오차가 매우 크게 나타났다. 7월에 오차가 가장 크게 발 생한 원인은 장마와 태풍으로 인하여 여름에 비가 많 이 오는 계절 특성 때문인 것으로 판단된다(Yeom, 2009).

기상청의 기상자료를 확인해보니 높은 강수량이 나 타나는 7월에 운량수치도 높았으며, 각 지점의 수평면 전일사량 오차와 운량 및 강수량을 비교해본 결과 높 은 운량과 강수량을 나타내는 지점이 보다 높은 오차 를 나타냄을 확인할 수 있었다. 이를 통하여 구름에 의 한 일사량 감소수치가 보다 높게 나타나거나 비에 의 한 추가적 일사량 감소가 존재할 수 있음을 예측할 수 있다. 한편, 오차 분포 양상이 월에 따라 경향성을 나타 내는 것을 확인할 수 있었다. 7월과 11월의 일사량 추정

값은 대부분의 지역에서 실측값보다 크게 나타난 반면 에 9월과 10월의 일사량은 모든 지역에서 추정값이 실 측값보다 작게 나타나는 경향성을 보였다. 따라서 향 후에 보다 많은 데이터를 이용하여 이러한 경향성을 확인한다면 실측값을 이용하여 물리모델식을 국내 환 경에 맞도록 보정 및 개선시킬 수 있을 것이다.

Fig. 7은 각 지점의 연평균 일사량 값을 나타낸 그래 프이다. 연평균 일사량 값의 오차는 -205~+367 Wh m^-2 day^-1의 분포를 나타내었다. 서울의 일사량 오차가 약 11%로서 다른 지점에 비하여 높게 나타났는데, 이는 서울이 다른 도시에 비하여 대기오염이 심각하기 때문 인 것으로 판단된다(Cho et al., 2012). 서울을 제외하면 오차범위가 -5.2%~+4.6%로서 위성영상 기반의 추정치

Table 3. Contiuned

City 2011 2012

May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr

Est. 4820 4881 4655 4026 4012 3243 2466 2454 2649 3237 4127 4757 Jinju Obs. 5113 5138 4626 3803 4559 3803 2295 2656 2739 3369 4057 5013

Bias -293 -257 28 223 -548 -560 172 -202 -90 -132 70 -256

Est. 4796 5097 4230 3820 3829 3179 2370 2332 2511 3238 3966 4698 Chupungryung Obs. 5104 5486 3974 3511 4131 3628 2095 2263 2448 3361 3685 4852

Bias -308 -390 256 310 -302 -450 276 70 63 -123 281 -154

Est. 4831 4898 4484 3894 4145 3215 2380 2110 2304 2919 4112 4794 Gochang Obs. 4702 5244 4422 3750 4614 3746 2200 2069 2251 3154 3855 5118

Bias 130 -346 61 144 -470 -532 180 40 53 -235 257 -324

Est. 5075 4688 4610 4044 4197 3265 2347 1951 2234 2808 3943 4785 Heuksando Obs. 5078 4133 4103 3569 4817 3911 2100 1575 1965 2771 3951 5162

Bias -4 556 507 476 -619 -645 247 376 269 37 -9 -377

City 2011 2012

May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr

Fig. 6. RMSE between satellite-based estimations and ground observations in fifteen stations for eight months from May 2011 to December 2011.

Fig. 7. Biases between satellite-based estimated and ground-

based observed annual average global horizontal

insolation for eighteen stations.

는 실측치와 상당히 근접한 값을 나타냈다. 이는 Cho et

al.(2012)의 연구에서 GEOS-4 데이터를 이용하여 한반

5. 결 론

본 논문은 국내 최초의 정지궤도 위성인 천리안 위 성의 기상영상기 영상을 활용하여 한반도 지역의 수평 면 전일사량을 추정하고 이를 지상 관측값과 비교하였 다. 국내 지역의 일사량을 추정하는데 있어서 외국 위 성영상에 의존하지 않고 국내 위성영상을 이용했다는 의의가 있다. 본 연구에서는 일사량 추정을 위하여 Kawamura 물리모델식을 기반으로 2011년 5월에서 2012년 4월까지의 천리안 기상영상기 레벨1 영상 및 레 벨2 구름영상, OMI 영상을 이용하여 수평면 전일사량 을 계산하였고, 이를 18개 관측지점에 대한 지상 실측 값과 비교하였다. 일일 수평면 전일사량 추정값과 관 측값 간에는 R²= 0.86으로서 비교적 높은 상관성을 나 타냈으나, 작은 값의 범위에서는 과대 추정되고 큰 값 은 범위에서는 과소 추정되는 문제가 있었다. 월평균 일사량의 오차는 대부분 15% 이내로 나타났고 12개월 동안의 연평균 일사량에 대한 오차는 지역에 따라 1%~11%정도로서 천리안 기상영상기 영상의 충분한 활용가능성을 확인하였다. 시기별로는 7월에 오차가 가장 크게 나타났으며 지역별로는 서울 지역의 오차가 특히 크게 발생하는 것을 확인하였다. 향후 연구에서 는 보다 오랜 기간의 데이터에 대한 추가 실험과 함께 이와 같은 한계점들을 보완할 수 있도록 모델식을 개 선시키는 연구가 수행되어야 할 것이다.

사 사

이 논문은 KIER 주요사업으로 수행한 결과이며, 천 리안 위성영상은 국가기상위성센터로부터 제공받았 습니다.

참고문헌

Chen, L., Y. Gao, L. Yang, Q. Liu, X. Gu, and G.

Tian, 2008. MODIS-derived daily PAR simulation from cloud-free images and its validation, Solar Energy, 82(6): 528-534.

Chester, D., W.D. Robmson, and L.W. Uccellini, 1987. Optimized retrievals of precipitable water from the VAS “Split windows”, Journal of Climate and Applied Meteorology, 26: 1059- 1066.

Choi, M.H. and J.I. Yun, 2011. A sub-grid scale estimation of solar irradiance in north korea, Korean Journal of Agricultural and Forest Meteorology, 13(1): 41-46(in Korean with English abstract).

Janjai, S., 2010. A method for estimating direct normal solar irradiation from satellite data for a tropical environment, Solar Energy, 84(9):

1685-1695.

Jo, D.K., C.Y. Yun, K.D. Kim, and Y.H. Kang, 2012.

A detailed analysis of solar energy resources in korean peninsula using a satellite, Journal of the Korean Solar Energy Society, 32(3): 68-76(in Korean with English abstract).

Jee, J.B., S.H. Jeon, Y.J. Choi, S.W. Lee, Y.S. Park, and K.T. Lee, 2012. The character of distribution of solar radiation in mongolia based on meteorological satellite data, Journal of Korean Earth Science Society, 33(2): 139-147(in Korean with English abstract).

Kawai, Y. and H. Kawamura, 2005. Validation and improvement of satellite derived surface solar radiation over the northwestern pacific ocean, Journal of Oceanography, 61: 79-89.

Kawamura, H., S. Tanahashi, and T. Takahashi, 1998. Estimation of insolation over the pacific ocean off the sanriku coast, Journal of Oceanography, 54: 457-464.

Kim, I.H., K.S. Han, and J.M. Yeom, 2012. An

adjustment of cloud factors for continuity and consistency of insolation estimations between GOES-9 and MTSAT-1R, Korean Journal of

Remote Sensing, 28(1): 69-77(in Korean with

Kizu, S., 1995. A study on thermal response of ocean

surface layer to solar radiation using satellite sensing, Tohoku University, Doctoral Thesis,

Lacis, A.A. and J.E. Hansen, 1974. A parameterization for the absorption of solar radiation in the earth’s atmosphere, Journal of the Atmospheric

Sciences, 31: 118-133.

Macher, M., 1983. Parameterization of solar irradiation

under clear skies, University of British Columbia,

Paltridge, W.G. and C.M. Platt, 1976. Radiative

Processes in Meteorology and Climatorogy,

Polo, J., L.F. Zarzalejo, M. Cony, A.A. Navarro, R.

Marchante, L. Martin, and M. Romero, 2011.

Solar radiation estimations over India using Meteosat satellite images, Solar Energy, 85(9):

2395-2406.

Robinson, G.D., 1962. Absorption of solar radiation

by atmospheric aerosol as revealed by measurements from ground, Archiv fur Meteorologie, Geophysik und Bioklimatologie, Serie B, 12: 19-40.

Yeom, J., K. Han, Y. Park, and Y. Kim, 2006. A representativity test on the pyranometer measurement of surface solar insolation through satellite observation, Korean Journal of

Remote Sensing, 22(5): 389-396(in Korean with

Yeom, J.M., K.S. Han, C.S. Lee, and D.Y. Kim, 2008.

An improved validation tcchique for the temporal discrepancy when estimated solar surface insolation compare with ground- based pyranometer: MTSAT-1R data use,

Korean Journal of Remote Sensing, 24(6): 605-

Yeom, J., 2009. An improved design of solar surface

radiation parametrization using satellite,

Zarzalejo, L.F., J. Polo, L. Martin, L. Ramirez, and B.

Espinar, 2009. A new statistical approach for deriving global solar radiation from satellite images, Solar Energy, 83(4): 480-484.