Landsat 8 위성 기반 고해상도 지표면 광대역 알베도 산출

이다래 ( Darae Lee ),서민지 ( Minji Seo ),이경상 ( Kyeong-sang Lee ),최성원 ( Sungwon Choi ),성노훈 ( Noh-hun Sung ),김홍희 ( Honghee Kim ),진동현 ( Donghyun Jin ),권채영 ( Chaeyoung Kwon ),허모랑 ( Morang Huh ),한경수 ( Kyung-soo 대한원격탐사학회 2016 大韓遠隔探査學會誌 Vol.32 No.6

알베도는 태양에너지의 흡수량을 결정하는 주요 기후 변수 중 하나로서, 이러한 알베도를 산출하는 것은 기후 변화 연구에 있어 중요한 과정이다. 이 때, 산출된 알베도 자료를 효율적으로 사용하기 위해서는 높은 공간해상도와 장기간의 일관성 있는 산출이 중요하게 고려된다. 따라서 본 연구에서는 Landsat 8을 기반으로 Landsat 7과의 일관성을 유지한 고해상도 지표면 광대역 알베도를 산출하였다. 먼저, Landsat 7과 Landsat 8의 채널 별 일관성을 분석한 결과, 상관계수(R)가 평균 0.96으로 높은 상관성을 보였다. 이러한 결과를 바탕으로 Landsat 7 알베도와 Landsat 8 반사도 채널 자료를 다중회귀분석에 적용하여 Landsat 8 광대역 알베도 전환 식을 도출하였다. 도출된 식을 통해 Landsat 8 지표면 광대역 알베도를 산출하고, Landsat 7 알베도 자료와 비교하여 검증하였다. 그 결과 R-square(R²)가 0.89, Root Mean Square Error (RMSE)가 0.003의 높은 정확도를 보였다. Albedo is one of the climate variables that modulate absorption of solar energy, and its retrieval is important process for climate change study. High spatial resolution and long-term consistent periods are important considerations in order to efficiently use the retrieved albedo data. This study retrieved surface broadband albedo based on Landsat 8 as high resolution which is consistent with Landsat 7. First of all, we analyzed consistency of Landsat 7 channel and Landsat 8 channel. As a result, correlation coefficient(R) on all channels is average 0.96. Based on this analysis, we used multiple linear regression model using Landsat 7 albedo, which is being used in many studies, and Landsat 8 reflectance channel data. The regression coefficients of each channel calculated by regression analysis were used to derive a formula for converting the Landsat 8 reflectance channel data to broadband albedo. After Landsat 8 albedo calculated using the derived formula is compared with Landsat 7 albedo data, we confirmed consistency of two satellite using Root Mean Square Error (RMSE), R-square (R²) and bias. As a result, R² is 0.89 and RMSE is 0.003 between Landsat 7 albedo and Landsat 8 albedo.

Landsat 8 OLI/TIRS Science Product를 활용한 지표면 온도 유용성 평가

박성욱 ( Seongwook Park ),김민식 ( Minsik Kim ) 대한원격탐사학회 2021 大韓遠隔探査學會誌 Vol.37 No.3

본 연구에서는 최근 USGS에서 공개한 Landsat 8 Collection 2 Level 2 Science Product (L2SP) 위성 영상을 이용하여 국내 지표면 온도를 산출하였고, 기존 Landsat 8 Collection 1 Level 1 Terrain Precision (L1TP) 위성 영상을 활용하여 산출한 국내 지표면 온도와의 비교와 기상청 종관기상관측자료(Automated Synoptic Observing System, ASOS)와의 검증을 통해 L2SP 기반 지표면 온도 자료의 국내 영역에 대한 적합성을 평가하고자 하였다. L2SP는 연구 및 분석에 용이하도록 Landsat 8 Collection 2 Level 1 데이터를 기반으로 만든 Level 2 자료로, 기존의 계산식을 통해 산출해야 하는 지표면 반사도 자료와 지표면 온도 자료를 계산 처리 없이 바로 사용할 수 있다는 장점이 있다. 2018년부터 2020년까지 3년간의 Landsat 8 지표면 온도 산출물과 관측소 지점 8개소 주변 3×3 격자 영역과의 비교한 결과, 8개 관측소 기준 L2SP 지표면 온도와 L1TP 지표면 온도의 평균 피어슨 상관계수(Pearson correlation coefficient)는 각각 0.971, 0.964로 두 자료 모두 상당히 강한 양의 상관관계를 보여주었으며, RMSE (Root Mean Square Error)의 경우 각각 4.029℃, 5.247°C로 L2SP 지표면 온도 자료가 더 낮은 RMSE를 보여주는 것을 확인 하였다. 이는 관측소 위치별로 값에 차이가 생길 수 있지만 평균적인 지표 결과를 보았을 때, L2SP 지표면 온도 자료가 L1TP를 통해 산출되는 지표면 온도 자료와 비교했을 때 준수하거나 그 이상의 정확도를 보여주어 국내 지표면 온도 산출 연구에 적합하다고 판단된다. 따라서 향후 계절적 요인과 고도에 따른 온도 차이 등의 환경 및 지형적인 요인도 고려를 하거나, 본 연구 과정에서 발생한 Science Product의 고정적인 영상 품질 문제 등이 개선된다면 보다 더 안정적이고 정확도 높은 지표면 온도 참조 자료로써의 유용성이 클 것이라 판단된다. Recently, United States Geological Survey (USGS) distributed Landsat 8 Collection 2 Level 2 Science Product (L2SP). This paper aims to derive land surface temperature from L2SP and to validate it. Validation is made by comparing the land surface temperature with the one calculated from Landsat 8 Collection 1 Level 1 Terrain Precision (L1TP) and the one from Automated Synoptic Observing System (ASOS). L2SP is calculated from Landsat 8 Collection 2 Level 1 data and it provides land surface temperature to users without processing surface reflectance data. Landsat 8 data from 2018 to 2020 is collected and ground sensor data from eight sites of ASOS are used to evaluate L2SP land surface temperature data. To compare ground sensor data with remotely sensed data, 3×3 grid area data near ASOS station is used. As a result of analysis with ASOS data, L2SP and L1TP land surface temperature shows Pearson correlation coefficient of 0.971 and 0.964, respectively. RMSE (Root Mean Square Error) of two results with ASOS data is 4.029℃, 5.247°C respectively. This result suggests that L2SP data is more adequate to acquire land surface temperature than L1TP. If seasonal difference and geometric features such as slope are considered, the result would improve.

Landsat 8 OLI 영상을 이용한 산불탐지: 2019년 호주 산불을 사례로

김나리,이양원 대한원격탐사학회 2020 大韓遠隔探査學會誌 Vol.36 No.5

Recent global warming and anthropogenic activities have caused more frequent and massive wildfires with longer durations and more significant damages. MODIS has been monitoring global wildfires for almost 20 years, and GK2A and Himawari-8 are observing the wildfires in East Asia 144 times a day. However, the spatial resolution of 1 to 2 km is not sufficient for the detection of small and medium-size active fires, and therefore the studies on the active fire detection using high-resolution images are essential. However, there is no official product for the high-resolution active fire detection. Hence, we implemented the active fire detection algorithm of Landsat 8 and carried out a high-resolutionbased detection of active fires in Australia in 2019, followed by the comparisons with the products of Himawari-8 and MODIS. Regarding the intense fires, the three satellites showed similar results, whereas the weak igniting and extinguishing fires or the fires in narrow areas were detected by only Landsat 8 with a 30m resolution. Small-sized fires, which are the majority in Korea, can be detected by the highresolution satellites such as Landsat 8, Sentinel-2, Kompsat-3A, and the forthcoming Kompsat-7. Also, a comprehensive analysis together with the geostationary satellites in East Asia such as GK2A, Himawari- 8, and Fengyun-3 will help the interoperability and the improvement of spatial and temporal resolutions. 최근 지구온난화 및 인간 활동 등에 의해 전지구적으로 산불발생이 빈번해지고 있으며, 산불의 규모가대형화되고 지속기간이 길어지는 경향을 보이면서, 산불 피해 또한 급증하고 있다. MODIS는 20년 가까이 전지구 산불탐지 정보를 제공하고 있고, GK2A와 Himawari-8은 1일 144회의 빈도로 동아시아권의 산불감시를 수행하고 있지만, 1~2 km의 공간해상도는 중·소 규모 산불탐지에 있어서는 충분하지 않으므로 고해상도 위성영상을 이용한 산불탐지 연구가 반드시 필요하다. 그러나 타고있는 산불탐지(active fire detection)에 대한 고해상도 산출물은 현재 공식적으로 존재하지 않는다. 이에, 본연구에서는 Landsat 8 산불탐지 알고리듬을 구현하여고해상도 산불탐지를 수행하였으며, 최근의 대표적인 산불사례인 2019년 12월 호주 대형산불에 대하여 Landsat 8 탐지 결과를 Himawari-8, MODIS 산출물과 비교하였다. 강한 산불의 경우에는 세 위성 모두 유사한 결과를 보였지만, 타기 시작하거나 진화되고 있는 약한 산불 및 좁은 지역에 발생한 산불은 30m 해상도의 Landsat 8에서만 탐지되었고, 1~2 km 해상도의 Himawari-8나 MODIS에서는 탐지되지 않는 경향이 있었다. 우리나라와 같이소규모 산불이 대부분인 경우에는 Landsat 8, Sentinel-2, Kompsat-3A, 그리고 2021년 발사예정인 Kompsat-7과같은 고해상도 위성을 이용한 산불탐지가 가능할 것이며, GK2A, Himawari-8, Fengyun-3 등 동아시아 정지궤도위성의 탐지결과와 함께 종합적인 분석을 수행한다면, 시간해상도와 공간해상도를 현재보다 향상시키는 것이가능할 것이다. 이러한 진보된 산불감시를 위해서는 우리나라의 복잡지형에 보다 적합한 한국형 고해상도 산불탐지 알고리듬의 개발이 무엇보다 선행되어야 할 것이다.

고해상도 Landsat 8 위성자료기반의 지표면 온도 산출

지준범 ( Joon Bum Jee ),김부요 ( Bu Yo Kim ),조일성 ( Il Sung Zo ),이규태 ( Kyu Tae Lee ),최영진 ( Young Jean Choi ) 대한원격탐사학회 2016 大韓遠隔探査學會誌 Vol.32 No.2

2013년부터 2014년까지 관측된 Landsat 8 위성자료로부터 지표면 온도를 산출하였고 산출된 지표면 온도는 지상에서 관측된 지표면 온도를 이용하여 보정하였다. 지표면 온도지도는 Landsat 8로부터 산출된 지표면 온도를 지상에서 관측된 지표면 온도와의 선형 회귀식을 이용하여 계산되었다. 계절과 년에 대한 지표면 온도는 각각 계절과 년에 대하여 사례들을 평균하여 계산되었다. 지표면 온도는 도시의 공업 또는 상업지역에서 높은 온도가 나타나는 반면, 서울주변의 높은 고도의 산악과 해양, 강 등에서 낮은 지표면 온도가 나타났다. 위성에서 산출된 지표면 온도를 보정하기 위하여 서울을 포함한 수도권지역에서 관측되는 기상청 종관측소 3개 지점 (서울(지점번호: 108), 인천(지점번호: 119), 수원(지점번호: 112))의 지표면 관측자료를 이용하여 선형회귀방법을 적용하였다. Landsat 8의 지표면 온도는 모든 자료에서 기울기가 0.78이었고 5개의 흐린날을 제외한 맑은 상태의 자료에서 0.88이었다. 그리고 초기 지표면온도에서 상관계수는 0.88이었고 평방근 오차 (Root Mean Sqare Error (RMSE))는 5.33℃이었다. 지표면 온도 보정이후에는 상관계수는 0.98 그리고 RMSE는 2.34℃이었으며 회귀식의 기울기는 0.95로 개선되었다. 계절 및 년 지표면 온도는 상업지역과 공업지역 그리고 도시와 주변지역을 잘 표현하였다. 결과적으로 지상에서 관측된 지표면 온도를 이용하여 위성에서 산출된 지표면온도를 보정하였을 때 실제 상태와 유사한 분포를 보였다. Land Surface Temperature (LST) retrieved from Landsat 8 measured from 2013 to 2014 and it is corrected by surface temperature observed from ground. LST maps are retrieved from Landsat 8 calculate using the linear regression function between raw Landsat 8 LST and ground surface temperature. Seasonal and annual LST maps developed an average LST from season to annual, respectively. While the higher LSTs distribute on the industrial and commercial area in urban, lower LSTs locate in surrounding rural, sea, river and high altitude mountain area over Seoul and surrounding area. In order to correct the LST, linear regression function calculate between Landsat 8 LST and ground surface temperature observed 3 Korea Meteorological Administration (KMA) synoptic stations (Seoul(ID: 108), Incheon(ID: 112) and Suwon(ID: 119)) on the Seoul and surrounding area. The slopes of regression function are 0.78 with all data and 0.88 with clear sky except 5 cloudy pixel data. And the original Landsat 8 LST have a correlation coefficient with 0.88 and Root Mean Square Error (RMSE) with 5.33°C. After LST correction, the LST have correlation coefficient with 0.98 and RMSE with 2.34°C and the slope of regression equation improve the 0.95. Seasonal and annual LST maps represent from urban to rural area and from commercial to industrial region clearly. As a result, the Landsat 8 LST is more similar to the real state when corrected by surface temperature observed ground.

Landsat 8/9 및 Sentinel-2 A/B를 이용한 울진 산불 피해 탐지: 다양한 지수를 기반으로 다시기 분석

김병철 ( Byeongcheol Kim ),이경일 ( Kyungil Lee ),박선영 ( Seonyoung Park ),임정호 ( Jungho Im ) 대한원격탐사학회 2022 大韓遠隔探査學會誌 Vol.38 No.5

본 연구에서는 Landsat 8/9 OLI와 Sentinel-2 MSI 위성 영상을 활용한 다시기 영상 데이터를 이용하여 다양한 분광 지수를 기반으로 국내 산불 피해 면적 탐지 정확도를 분석하였다. 2022년 3월 경상북도 울진에서 발생하였던 산불을 대상으로 Difference Normalized Burn Ratio (dNBR), Relative Difference Normalized Burn Ratio (RdNBR), Burned Area Index (BAI) 등의 지수를 활용하여 산불피해 면적 탐지에 활용하였다. 비교적 높은 공간 해상도를 가진 Sentinel-2 영상을 기반으로 참조 자료를 제작하였다. 총 6개의 지수 산출물을 기반으로 Sentinel-2, Landsat 8/9으로 총 4개 위성에 대해 산불 피해 정확도를 각각 분석하였다. Landsat 8/9과 Sentinel-2는 각각 16일, 10일 주기로 영상을 제공하고 있지만 구름으로 인해 영상 취득에 어려움이 많은 편이며, 우리나라는 4월부터 식생의 생장이 시작되어 봄철 산불 피해 분석 시 산불발생 전후 영상을 활용하는 경우 식생의 생장으로 인한 변화가 커서 정확도 높은 탐지에 어려움이 있다. 따라서, 본 연구는 2월에서 5월까지의 다시기 Landsat 8/9과 Sentinel-2 영상 중 같은 날짜를 기반의 영상을 서로 사용하여 시간해상도의 한계를 극복하고 탐지 정확도가 상대적으로 높은 지수를 비교 분석했다. 본 연구 결과는 한국형 산불피해 탐지 지수/모델 개발을 위한 입력 자료 등으로 활용되어 최적화된 산불 지수를 기반으로 정확도 높은 산불 피해 면적 탐지에 활용될 수 있을 것으로 기대된다. This study evaluates the accuracy in identifying the burned area in South Korea using multitemporal data from Sentinel-2 MSI and Landsat 8/9 OLI. Spectral indices such as the Difference Normalized Burn Ratio (dNBR), Relative Difference Normalized Burn Ratio (RdNBR), and Burned Area Index (BAI) were used to identify the burned area in the March 2022 forest fire in Uljin. Based on the results of six indices, the accuracy to detect the burned area was assessed for four satellites using Sentinel-2 and Landsat 8/9, respectively. Sentinel-2 and Landsat 8/9 produce images every 16 and 10 days, respectively, although it is difficult to acquire clear images due to clouds. Furthermore, using images taken before and after a forest fire to examine the burned area results in a rapid shift because vegetation growth in South Korea began in April, making it difficult to detect. Because Sentinel-2 and Landsat 8/9 images from February to May are based on the same date, this study is able to compare the indices with a relatively high detection accuracy and gets over the temporal resolution limitation. The results of this study are expected to be applied in the development of new indices to detect burned areas and indices that are optimized to detect South Korean forest fires.

Landsat 8 이미지영상을 이용한 영양염류농도 추정; 금강을 대상으로

임지상,백종진,김형록,최민하 한국수자원학회 2015 한국수자원학회논문집 Vol.48 No.2

2013년 3월에 발사된 Landsat 8 인공위성의 이미지데이터를 이용하여 금강유역을 대상으로 수질인자에 대한 평가를 수행하였다. 본 연구의 목적은 다양한 수질인자 중 녹조에 직접적인 영향을 미치는 총질소와 총인의 농도를 추정함으로써 궁극적으로 수생태계에 악영향을 미치는 녹조의 발생을 모니터링 하는 것이다. 현장실측데이터와 인공위성 데이터간의 상관관계를 규명하기 위하여 Pearson' 상관계수를 이용하여 그 관계를 파악하였다. Landsat 8이 촬영되는 시기를 포함하는 총 20개의 현장실측 데이터가 수집되었으며 Landsat 8의 11개의 밴드 중, 밴드2, 3, 4의 반사도 값이 총인과 총질소를 탐지하는데 있어서 가장 상관성 높은 것으로 나타났다. 총질소는 유의수준 0.05에서 밴드2(0.48), 3(0.62), 4(0.57)과 높은 양의 상관관계를 보였으며, 총인의 경우, 유의수준 0.01에서 밴드2(0.59), 3(0.59), 4(0.58)로 높은 양의 상관관계를 나타냈다. 5번 밴드는 유의수준을 벗어남으로써 두 수질인자를 탐지하는데 상관성이 떨어지는 것으로 나타났다. 상관성이 높았던 밴드간의 조합을 통해서 총질소와 총인에 대한 각각의 최적 회귀식이 다중 회귀식을 근거로 구축되었다. 유도된 회귀식으 로 계산된 총질소와 총인의 농도값은 통계기법인 Bias와 RMSE를 이용하여 현장실측데이터들과 비교·검증되었다. 최종적으로, 2014년 4월 21과 2013년 11월 12일에 대한 맵핑을 수행함으로써 총질소와 총인의 공간적인 분포를 시각적으로 확인할 수 있었다. In this study, the water quality parameters of Geum-river were estimated using Landsat 8 satellite image data which had launched in March 2013. The goal of this research is to predict HAB and to monitor spatial pattern of total nitrogen (TN) and total phosphorus (TP) because both TN and TP are the dominant factors of the growth of harmful algal blooms (HABs). To investigate the relationship between satellite band reflectance and in situ measurement value, Pearson’ correlation coefficient analysis was used. The band2, 3, 4 and 5 reflectance values among 11 bands of Landsat 8 were used which was highly associated with detecting TN and TP. The 20 in situ data set with satellite’s overpass time were identified. TN showed positive relation with band 2 (0.48), band3 (0.62), band4 (0.57) at a significance level of p<0.05. TP also showed high correlation for band2 (0.59), band3 (0.59), band4 (0.58) at a significance level of p<0.01. The optimal regression equation models were constructed for TN and TP based on multiple regression equations. The estimated concentration based on derived regression equations of TN and TP were compared with in situ measurement data. Finally, the spatial pattern of the two parameters was able be monitored through mapping on November 12, 2013 and April 21, 2014.

Landsat 8을 이용한 청주지역의 식생피복과 지표면온도 분석

김봉섭 ( Bong-seop Kim ),박종화 ( Jong-hwa Park ),박진기 ( Jin-ki Park ),오시영 ( Si-young Oh ) 한국농공학회 2013 한국농공학회 학술대회초록집 Vol.2013 No.-

2013년 2월 Landsat 8호가 발사되면서 기존의 Landsat TM 및 ETM+의 기능에 더불어 새로운 센서가 장착되어 지구의 식생과 열환경 정보에 대한 다양한 정보를 취득할 수 있게 되었다. Landsat 8 센서는 OLI(Operational Land Imager)과 TIRS(Thermal InfraRed Sensor) 두 개이며,각각 센서의 Band 구성은 9개 및 2개이다. OLI 센서는 9개 Band 중 7개 Band(Band 2∼8)가 TM과 ETM+과 같은 특성을 지니고 있으며, Band 1, Band 9가 추가되었다. Band 1은 해양과 에어로졸 연구에 유용하여 수질을 더욱 세밀하게 측정할 수 있으며, Band 9는 구름(권운) 탐지에 유용하다. 또한, Band 8 전정색의 공간해상도는 15m로 향상되었다. TIRS 센서는 Band 10, 11 두 개이며, 공간해상도는 100m이다. 따라서 본 연구에서는 다양한 기능과 정도가 향상된 Landsat 8을 이용하여 청주지역의 식생피복과 그에 따른 지표면온도를 산출하여 상관관계를 파악하고 위성영상의 활용성을 검토하고자 하였다. 연구에 사용한 데이터는 2013년 6월 5일로 Path 115, Row 35의 해당하는 지역을 사용하였다. 먼저, 전처리 과정 후 청주지역을 중심으로 식생 분포량 및 활력도를 나타내는 지표인 정규화식생지수(Normal Distribution Vegetation Index; NDVI)를 이용하여 식생피복을 파악하였으며, LST(Land surface Temperature)는 NASA공식을 이용하여 추출하였다. 그 결과 NDVI는 산림지역이 평균 0.5 ∼0.6으로 가장 높은 값을 가지며, 지표면온도는 공업단지>시가지>나지>농경지>산림 순으로 높게 나타나는 부의 상관관계를 나타냈다. 이 결과는 토지피복형태가 산림 등 식생이 없고 콘크리트가 증가하면서 식생피복 감소에 따라 지표면온도가 상승하는 것으로 보인다. 이러한 결과를 바탕으로 지구온난화와 기후변화에 대응하는 다양한 연구가 가능할 것으로 생각되며, 앞으로 Landsat 8을 활용하여 지역의 기후변화 등 식생변화탐지 분석에 대해 정밀한 분석이 가능할 것으로 판단된다.

Landsat-8 OLI 영상정보의 대기 및 지표반사도 산출을 위한 OTB Extension 구현과 RadCalNet RVUS 자료를 이용한 성과검증

김광섭 ( Kwangseob Kim ),이기원 ( Kiwon Lee ) 대한원격탐사학회 2021 大韓遠隔探査學會誌 Vol.37 No.3

광학 위성정보에 대한 분석대기자료(ARD)는 각 센서 별 분광특성과 촬영각 등을 적용하는 전처리 작업에 의한 성과물이다. 대기보정 처리과정은 통하여 얻을 수 있는 대기반사도와 지표반사도는 기본적이면서 복잡한 알고리즘을 요구한다. 대부분 위성 정보처리 소프트웨어에서는 Landsat 위성 대기보정 처리 알고리즘 및 기능을 제공하고 있다. 또한 사용자는 클라우드 환경에서 Google Earth Engine(GEE)을 통하여 USGS-ARD와 같은 Landsat 반사도 성과에 직접 접근할 수 있다. 이번 연구에서는 고해상도 위성정보 처리에 활용되고 있는 Orfeo ToolBox(OTB) 오픈 소스 소프트웨어의 대기보정 기능을 확장 구현하였다. 현재 OTB 도구는 어떠한 Landsat 센서도 지원하지 않기 때문에, 이 확장 도구는 최초로 개발된 사례이다. 이 도구를 이용하여 RadCalNet 사이트의 Railroad Valley, United States(RVUS) 반사율 자료 값을 이용한 결과 검증을 위하여 같은 지역의 Landsat-8 OLI 영상의 절대 대기보정에 의한 반사도 성과를 산출하였다. 산출된 결과는 RVUS 자료를 기준으로 반사도 값과의 차이가 5% 미만으로 나타났다. 한편 이 반사도 성과는 USGS-ARD 반사도 값뿐만 아니라 QGIS Semiautomatic Classification Plugin과 SAGA GIS와 같은 다른 오픈 소스 도구에서 산출된 성과를 이용한 비교 분석을 수행하였다. OTB 확장도구로부터 산출한 반사도 성과는 RadCalNet RVUS의 자료와 높은 일치도를 나타내는 USGS-ARD의 값과 가장 부합되는 것으로 나타났다. 이 연구에서 OTB 대기보정 처리의 다양한 위성센서 적용 가능성을 입증한 결과로 이 모듈을 다른 센서정보로 확장하여 구현하는 경우에도 정확도가 높은 반사도 산출이 가능한 것을 확인할 수 있었다. 이와 같은 연구 방법은 향후 차세대중형위성을 포함하는 다양한 광학위성에 대한 반사도 성과 산출 도구개발에도 활용할 수 있다. Analysis Ready Data (ARD) for optical satellite images represents a pre-processed product by applying spectral characteristics and viewing parameters for each sensor. The atmospheric correction is one of the fundamental and complicated topics, which helps to produce Top-of-Atmosphere (TOA) and Top-of-Canopy (TOC) reflectance from multi-spectral image sets. Most remote sensing software provides algorithms or processing schemes dedicated to those corrections of the Landsat-8 OLI sensors. Furthermore, Google Earth Engine (GEE), provides direct access to Landsat reflectance products, USGS-based ARD (USGS-ARD), on the cloud environment. We implemented the Orfeo ToolBox (OTB) atmospheric correction extension, an open-source remote sensing software for manipulating and analyzing high-resolution satellite images. This is the first tool because OTB has not provided calibration modules for any Landsat sensors. Using this extension software, we conducted the absolute atmospheric correction on the Landsat-8 OLI images of Railroad Valley, United States (RVUS) to validate their reflectance products using reflectance data sets of RVUS in the RadCalNet portal. The results showed that the reflectance products using the OTB extension for Landsat revealed a difference by less than 5% compared to RadCalNet RVUS data. In addition, we performed a comparative analysis with reflectance products obtained from other open-source tools such as a QGIS semi-automatic classification plugin and SAGA, besides USGS-ARD products. The reflectance products by the OTB extension showed a high consistency to those of USGS-ARD within the acceptable level in the measurement data range of the RadCalNet RVUS, compared to those of the other two open-source tools. In this study, the verification of the atmospheric calibration processor in OTB extension was carried out, and it proved the application possibility for other satellite sensors in the Compact Advanced Satellite (CAS)-500 or new optical satellites.

Landsat-8 OLI/TIRS 위성영상의 지표온도와 식생지수를 이용한 토양의 수분 상태 관측 및 농업분야에의 응용 가능성 연구

채성호,박숭환,이명진 대한원격탐사학회 2017 大韓遠隔探査學會誌 Vol.33 No.6

The purpose of this study is to observe and analyze soil moisture conditions with high resolution and to evaluate its application feasibility to agriculture. For this purpose, we used three Landsat- 8 OLI (Operational Land Imager)/TIRS (Thermal Infrared Sensor) optical and thermal infrared satellite images taken from May to June 2015, 2016, and 2017, including the rural areas of Jeollabuk-do, where 46% of agricultural areas are located. The soil moisture conditions at each date in the study area can be effectively obtained through the SPI (Standardized Precipitation Index)3 drought index, and each image has near normal, moderately wet, and moderately dry soil moisture conditions. The temperature vegetation dryness index (TVDI) was calculated to observe the soil moisture status from the Landsat-8 OLI/TIRS images with different soil moisture conditions and to compare and analyze the soil moisture conditions obtained from the SPI3 drought index. TVDI is estimated from the relationship between LST (Land Surface Temperature) and NDVI (Normalized Difference Vegetation Index) calculated from Landsat-8 OLI/TIRS satellite images. The maximum/minimum values of LST according to NDVI are extracted from the distribution of pixels in the feature space of LST-NDVI, and the Dry/Wet edges of LST according to NDVI can be determined by linear regression analysis. The TVDI value is obtained by calculating the ratio of the LST value between the two edges. We classified the relative soil moisture conditions from the TVDI values into five stages: very wet, wet, normal, dry, and very dry and compared to the soil moisture conditions obtained from SPI3. Due to the rice-planing season from May to June, 62% of the whole images were classified as wet and very wet due to paddy field areas which are the largest proportions in the image. Also, the pixels classified as normal were analyzed because of the influence of the field area in the image. The TVDI classification results for the whole image roughly corresponded to the SPI3 soil moisture condition, but they did not correspond to the subdivision results which are very dry, wet, and very wet. In addition, after extracting and classifying agricultural areas of paddy field and field, the paddy field area did not correspond to the SPI3 drought index in the very dry, normal and very wet classification results, and the field area did not correspond to the SPI3 drought index in the normal classification. This is considered to be a problem in Dry/Wet edge estimation due to outlier such as extremely dry bare soil and very wet paddy field area, water, cloud and mountain topography effects (shadow). However, in the agricultural area, especially the field area, in May to June, it was possible to effectively observe the soil moisture conditions as a subdivision. It is expected that the application of this method will be possible by observing the temporal and spatial changes of the soil moisture status in the agricultural area using the optical satellite with high spatial resolution and forecasting the agricultural production. 본 연구는 토양의 수분 상태를 고해상으로 관측 및 분석하고 농업분야에의 응용 가능성을 평가하기위한 연구이다. 이를 위하여 Landsat-8 OLI(Operational Land Imager)/TIRS(Thermal Infrared Sensor) 의 광학 및 열적외선 위성영상을 연구자료로 전라북도 농업지역을 포함(연구자료 내 46%)하는 2015, 2016, 및 2017년 5-6월에 촬영된 영상 세 장을 이용하였다. 연구지역의 각 영상 촬영일의 토양의 수분 상태는SPI(Standardized Precipitation Index)3 가뭄지수를 통하여 효과적으로 획득할 수 있으며, 각 영상은 보통, 습윤, 및 건조한 토양 수분 조건을 갖는다. 이러한 각기 다른 토양수분 조건을 갖는 영상을 대상으로 토양의 수분 상태를 관측하고 SPI3 가뭄지수로부터 획득한 토양의 수분 상태와 비교/분석을 수행기 위하여, TVDI(Temperature Vegetation Dryness Index)를 계산하였다. TVDI는 Landsat-8 OLI/TIRS 위성영상으로부터 계산한 LST(Land Surface Temperature) 및 NDVI(Normalized Difference Vegetation Index) 의 관계로부터 추정하여 계산된다. LST-NDVI의 형상 공간 내 픽셀의 분포에서 NDVI에 따른 LST의 최대/ 최소값을 추출하고 이를 대상으로 각각 선형회귀분석(linear regression analysis)을 통하여 NDVI에 따른LST의 Dry/Wet edge를 결정할 수 있으며, 최종적으로 NDVI에 따른 두 edge 사이에서의 LST 값의 비율을계산하여 TVDI 값을 계산한다. TVDI 값으로부터 관측된 영상 내 상대적인 토양의 수분 상태를 매우 습윤, 습윤, 보통, 건조, 매우 건조의 5단계로 분류하여 SPI3로부터 획득한 각각의 토양수분 상태와 비교하였다. 연구자료 획득시기인 5-6월 시기의 특성상 모내기로 인하여 영상 내 가장 많은 비율을 차지하는 논 지역의영향으로 영상 전체 중, 약 62% 이상이 습윤 및 매우 습윤한 상태로 분류되었다. 또한, 보통으로 분류되는픽셀은 영상 내 밭 지역의 영향 때문으로 분석되었다. 영상 전체에 대해서는 대략적으로 SPI3의 토양수분상태와 대응하였지만 매우 건조, 습윤, 및 매우 습윤에 해당하는 세분류 결과에서는 SPI3 토양수분 상태와대응하지 않았다. 또한, 영상에서 논과 밭의 농업지역을 추출 및 분류한 후, SPI3 토양수분 상태와 비교하였을 때, 논 지역의 토양수분 상태 관측 분류 결과는 매우 건조, 보통 및 매우 습윤에서, 밭 지역은 보통의 분류에서만 SPI3 가뭄지수와 대응하지 않았다. 이는 매우 건조한 나지 및 매우 습윤한 모내기로 인한 논 지역, 수계, 구름 및 산지 지형효과 등의 이상치로 인하여 잘못된 Dry/Wet edge 추정의 문제로 사료되어진다. 그러나 5-6월 시기의 농업지역 중, 밭 지역에서는 세분류된 토양의 수분 상태를 효과적으로 관측할 수 있었다. 고해상 광학위성 기반 농업지역에 대한 토양수분 상태의 시·공간적 변화를 관측하여 농업지역의 농업생산량예측 등 그 응용이 가능할 것으로 사료된다.

Landsat-8 위성영상을 이용한 수계면적 변화 탐지

이수봉(Lee, Soo Bong),김용민(Kim, Yongmin),김진영(Kim, Jinyoung),박영진(Park, Youngin) 한국방재학회 2017 한국방재학회논문집 Vol.17 No.3

우리나라는 여름철에 강우가 집중되는 기상학적 여건과 대수층이 발달하지 못한 지형학적 여건으로 가뭄에 매우 취약하다. 특히 2015년 10월까지의 강수량이 평년대비 62%로 가뭄이 발생하였고, 차후 발생할 가뭄에 대비해 정확한 가뭄 파악 및 분석이 필요하다. 본 연구에서는 지역별 가뭄 파악을 위해 위성영상을 이용하여 소양호와 보령호의 수계 면적 변화를 파악하였다. 2014년부터 2015년까지 촬영된 Landsat-8 위성영상에 전처리, 정규수분지수 산출, Otsu 이진화 알고리즘 적용, 그리고 영역 마스킹을 통해 시계열 수계면적을 산출하였다. 산출된 수계면적은 국가수자원관리종합정보시스템의 저수위 정보와 비교하여 상관계수(R)를 분석하였다. 그 결과, 2014년 대비 2015년에 소양호와 보령호는 각각 5.14 ㎢와 0.81 ㎢의 수계 면적이 감소한 것을 확인하였고, 저수위 자료와의 상관계수(R)는 각각 0.79, 그리고 0.83을 보였다. 따라서 본 결과로 Landsat-8 위성영상으로 추출한 수계면적의 변화가 가뭄을 파악할 수 있다는 가능성을 제시하였다. The Republic of Korea is extremely vulnerable to droughts due to the meteorological condition that is concentrated in summer and the geographical condition wherein aquifer is not developed. Compared with the average level, the precipitation that was calculated from Jan. to Oct. 2015 was 63%. Therefore, to prepare for future drought conditions, accurate drought identification and analysis are required. In this study, we used satellite images to identify the changes in water areas of Soyang and Boryeong Lake in order to assess regional drought conditions. We calculated the area of time series of the water area using Landsat-8 satellite images captured from 2014 to 2015 through preprocessing, NDWI calculation, Otsu algorithm, and area masking. The calculated water area was compared and verified with the low-water level information of WAMIS. Consequently, in 2015, a decrease of 5.14 ㎢ and 0.81 ㎢ was observed in the water areas of the Soyang and Boryeong Lake, as compared to 2014, respectively. The correlation coefficient with low-water level was 0.79 (in Soyang Lake) and 0.83 (in Boryeong Lake). These results suggest that the change of water area extracted by the Landsat-8 satellite imagery can identify drought conditions.