L-band 수동형 마이크로파 위성 기반 북극 해빙 거칠기의 시공간 변동성과 융해기 표면 전환 반응 분석 = Spatiotemporal Variability of Arctic Sea Ice Roughness and Its Response to Melt-Season Surface Transitions Based on L-band Passive Microwave Satellite Data

국문 초록 (Abstract)

본 연구는 L-band 수동형 마이크로파 위성 관측을 활용하여 북극 해빙의 센티미터 규모 small-scale sea ice roughness （L-sSIR）를 정량적으로 산출하고, L-sSIR의 시공간적 변동성과 여름철 융해기 표면 상태 변화에 대한 반응 특성을 분석하는 것을 목표로 수행되었다. 해빙 거칠기는 해빙의 유형 분류, 전자기파 산란 특성, 대기–해양–해빙 간 에너지 교환 등 다양한 기후 및 물리 과정과 밀접하게 연관된 주요 변수임에도 불구하고, 수동형 마이크로파 위성 기반의 해빙 거칠기 연구는 상대적으로 미비한 실정이다. 이에 본 연구에서는 SMAP 위성의 L-band 수직 및 수평 편광 밝기온도（TB 및 TBh）와 CMEMS 표면 온도（Ts） 자료를 활용하여 기존 선행연구에서 제안된 편광 기반 sSIR 산출 알고리즘을 L-band 수동형 마이크로파 관측에 적용하였다. 해당 알고리즘은 거친 표면과 정반사성 표면에서의 편광 반사도 관계와 Hong approximation을 기반으로 한다. 산출된 L-sSIR은 2015년 4월부터 2023년 12월까지 약 9년간의 기간에 대해 0 cm부터 최대 5.43 cm까지 분포하였으며, 대부분의 값이 약 2 cm 이하에 집중되어 있는 것으로 나타났다. L-sSIR 산출물은 여름철에는 해빙 전역에 대해 L-sSIR이 안정적으로 산출되는 반면, 겨울철에는 고위도 해빙 중심부에서 L-sSIR 산출이 제한되었다. 이는 겨울철 L-band TB와 CMEMS Ts 간의 물리적 관계가 일부 영역에서 위배되기 때문이며, CMEMS Ts가 눈 덮인 해빙 표면에서 눈 덮개 상단 온도를 반영하여 실제 해빙 표면 온도를 과소 추정하는 것이 주요 원인으로 확인되었다. 따라서 결빙기인 10-4월에는 해빙 두께가 약 0.75-1m 이하인 영역에 한해 L-sSIR이 산출되며, 이는 대부분 단년생 해빙 영역에 해당된다. 해당 한계점은 향후 정확도 높은 Ts 자료를 확보함으로써 해결이 가능하다. 9년간의 L-sSIR 산출물을 기반으로 시계열 분석 결과, 전체 기간 동안 연평균 약 –0.0032 cm의 완만한 감소 경향이 나타났으며, 뚜렷한 계절 변동성이 관찰되었다. L-sSIR은 매년 5월에 최대값을 기록하고, 9월에 두 번째 피크, 11-12월경에 최소값을 나타내는 계절적 패턴을 보였다. 이러한 변동성은 해빙의 월별 발달 주기와 밀접하게 연관되어 있으며, 신생 해빙 형성, 서리꽃 생성, 해빙 융해, melt pond 형성 등 다양한 과정을 반영한 것으로 해석되었다. 또한 계절별 L-sSIR anomaly와 EOF 분석을 통해 L-sSIR이 해빙 표면 상태의 계절적, 공간적 변화를 보완적으로 진단할 수 있음을 확인하였다. 추가로, 여름철 융해기에 대해 L-sSIR이 광학적으로 식별 가능한 melt pond 형성 이전의 표면 상태 전환을 포착할 수 있는지를 검토하였다. 2017–2023년 중앙 북극 다년생 해빙 영역에서 Fnet 양 전환일, L-sSIR 전환일, melt pond 형성일은 대체로 순차적으로 나타났으며, 평균적으로 L-sSIR 전환일은 Fnet 양 전환 이후 약 14일, melt pond 형성일은 L-sSIR 전환 이후 약 27일 뒤에 발생하였다. Stage별 L-sSIR 변화와 표면 에너지 변수와의 상관 분석에서도 L-sSIR은 융해 단계에 따라 서로 다른 표면 과정을 반영하는 것이 확인되어, L-sSIR은 광학 기반 MPF로 직접 설명되기 어려운 melt pond 형성 이전의 표면 상태 전환을 보완적으로 진단할 수 있는 지표임을 보였다. 마지막으로, 장기간의 L-sSIR 변동성 분석을 위한 초석으로 L-band 수동형 마이크로파 위성의 짧은 운용 기간을 극복하기 위해 딥러닝 기법을 도입하여 DMSP TB-to-SMAP TB （D2S） 모델을 설계하였다. 해당 모델은 Conditional Generative Adversarial Network 기반의 Pix2Pix 구조를 일부 차용하며, ResNet 기반 생성자와 수정된 목적 함수를 도입함으로써 과거 시점의 SMAP TBv와 TBh를 높은 정확도로 생성할 수 있도록 하였다. D2S 모델은 테스트 기간에 대해 Pearson r이 0.99 이상, bias는 ±0.3 K 이내, RMSE는 TBv의 경우 약 6 K, TBh의 경우 약 9 K 수준의 우수한 성능을 보였으며, 정성적으로도 D2S 모델이 실제 관측된 SMAP TB의 전반적인 특성을 성공적으로 재현하고 있음을 확인하였다. 이를 바탕으로 최대 1987년 9월까지의 과거 L-band TBv 및 TBh를 생성하여 장기 시계열의 L-sSIR을 구축할 수 있는 기반을 마련하였다. 본 연구는 L-band 수동형 마이크로파 위성 관측을 활용하여 해빙 거칠기를 정량적으로 산출한 첫 연구라는 점에서 의의가 있다. 또한 산출된 L-sSIR을 이용하여 북극 해빙의 시공간적 변동성과 여름철 융해기 표면 상태 전환을 분석함으로써, L-sSIR의 물리적 해석 가능성과 활용 방향을 제시하였다. 이러한 연구 결과는 북극 해빙의 변화에 대한 이해를 심화시키는 동시에 수동형 마이크로파 기반 해빙 거칠기 연구의 기초 자료 및 방법론을 제공하여 향후 관련 연구의 활성화와 확장에 기여할 수 있을 것으로 기대된다. 또한 위성 기반 해빙 산출 모델의 고도화와 기후 모델 보정 등 북극 변수의 정밀도 향상에도 기여할 수 있다는 점에서 학술적, 실용적 측면 모두에서 중요한 의미를 갖는다.

다국어 초록 (Multilingual Abstract)

This study aims to quantitatively retrieve centimeter-scale small-scale sea ice roughness （sSIR） over Arctic sea ice using L-band passive microwave satellite observations and to analyze the seasonal and spatial variability of the retrieved L-band sSIR （L-sSIR）, as well as its response to summer melt-season surface transitions. Sea ice roughness is closely linked to various physical and climate-related processes, including sea ice type classification, electromagnetic scattering, and energy exchange among the atmosphere, ocean, and sea ice. Nevertheless, satellite-based studies of sea ice roughness, particularly those using passive microwave observations, remain limited. In this study, we present an algorithm for retrieving L-band-based sSIR using vertically and horizontally polarized L-band brightness temperatures from the Soil Moisture Active Passive （SMAP） satellite （TBv and TBh） and surface temperature （Ts） from the Copernicus Marine Environment Monitoring Service （CMEMS）. The algorithm is based on the polarized reflectivity relationship between rough and specular surfaces and the Hong approximation. The retrieved L-sSIR from April 2015 to December 2023 ranged from 0 to 5.43 cm, with most values concentrated below approximately 2 cm. L-sSIR was stably retrieved across the sea ice cover during summer, whereas retrievals were limited over the high-latitude central ice pack during winter. This limitation was caused by violations of the physical relationship between L-band brightness temperature and CMEMS Ts in some regions. Specifically, CMEMS Ts appears to underestimate the actual sea ice surface temperature under snow-covered winter conditions because it represents the temperature at the top of the snow cover. Consequently, during the freeze-up and winter period from October to April, L-sSIR could be retrieved mainly over regions with sea ice thicknesses of approximately 0.75–1 m or less, which largely correspond to first-year ice. This limitation can be improved in future work by using more accurate Ts data. The time-series analysis based on the 9-year L-sSIR product showed a gradual decreasing trend of approximately –0.0032 cm yr−1 and a distinct seasonal cycle. L-sSIR reached its annual maximum in May, showed a secondary peak in September, and reached its minimum around November–December. This seasonality was closely related to the monthly development cycle of sea ice and was interpreted as reflecting various surface processes, including new ice formation, frost flower development, sea ice melting, and melt pond formation. In addition, the seasonal L-sSIR anomaly and empirical orthogonal function analyses showed that L-sSIR can provide complementary information for diagnosing seasonal and spatial changes in sea ice surface conditions. For the summer melt season, we examined whether L-sSIR can capture surface-state transitions prior to the optical emergence of melt ponds. Over a fixed multiyear ice region in the central Arctic from 2017 to 2023, the positive transition of Fnet, L-sSIR transition, and melt pond fraction （MPF） onset generally occurred sequentially. On average, the L-sSIR transition occurred approximately 14 days after the positive transition of Fnet, and MPF onset occurred approximately 27 days after the L-sSIR transition. Stage-wise analyses of L-sSIR changes and correlations with surface energy variables further showed that L-sSIR reflects different surface processes as the melt season evolves. These results indicate that L-sSIR can serve as a complementary indicator of pre-ponding surface transitions that are not directly resolved by optical MPF retrievals. Finally, to establish a basis for long-term L-sSIR variability analysis, we developed a DMSP TB-to-SMAP TB （D2S） model using a deep learning approach to overcome the limited operational period of L-band passive microwave satellite observations. The model partially adopts a Pix2Pix structure based on a conditional generative adversarial network and incorporates a ResNet-based generator and a modified objective function to generate historical SMAP-like TBv and TBh with high accuracy. During the test period, the D2S model achieved Pearson correlation coefficients greater than 0.99, biases within ±0.3 K, and RMSE values of approximately 6 K for TBv and 9 K for TBh. Qualitative evaluation also confirmed that the D2S model successfully reproduced the overall spatial characteristics of observed SMAP brightness temperatures. Based on this model, historical L-band TBv and TBh were generated back to September 1987, providing a basis for constructing a long-term L-sSIR time series. This study is significant as the first attempt to quantitatively retrieve sea ice roughness using L-band passive microwave satellite observations. By using the retrieved L-sSIR to analyze the spatiotemporal variability of Arctic sea ice and summer melt-season surface transitions, this study demonstrates the physical interpretability of L-sSIR and its potential as a complementary indicator of sea ice surface state. The results provide new insight into Arctic sea ice change and establish a methodological basis for passive microwave-based sea ice roughness research. They are also expected to support future advances in satellite-based sea ice retrieval algorithms, long-term monitoring of Arctic surface conditions, and the evaluation and improvement of sea ice and climate models.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구 배경 1
• 제2절 연구 목적 및 독창성 10
• 제3절 연구 동향 12
• 1. 수동형 센서 기반 small-scale SIR （sSIR） 연구 12
• 2. 능동형 센서 기반 sSIR 연구 16
• 3. 다중 센서 기반 sSIR 연구 20
• 제4절 연구 구성 22
• 제2장 연구 영역 및 연구 자료 24
• 제1절 연구 영역 24
• 제2절 연구 자료 25
• 1. SMAP 편광 밝기온도（TB） 25
• 2. CMEMS 표면 온도（Ts） 29
• 3. CDR 해빙 농도（SIC） 31
• 4. DMSP 편광 TB 33
• 5. Melt Pond Fraction （MPF） 36
• 6. ECMWF ERA5 Hourly 변수 37
• 제3장 연구 방법 39
• 제1절 L-band 기반 sSIR （L-sSIR） 산출 알고리즘 39
• 1. 거친 표면과 정반사성 표면에서의 편광 반사도 관계 39
• 2. 편광 TB 기반 거친 표면에서의 거칠기 산출 41
• 제2절 Empirical Orthogonal Function （EOF） 분석 43
• 제3절 L-sSIR을 이용한 융해기 해빙 표면 변화 분석 46
• 1. 분석 영역 설정 46
• 2. 융해기 해빙 표면 상태 전환 시점 정의 47
• 제4절 딥러닝 모델 기반 과거 SMAP 편광 TB 생성 50
• 1. Pix2Pix의 기본 개념 51
• 2. 제안된 DMSP TB-to-SMAP TB （D2S） 모델 53
• 가. D2S 모델의 ResNer 기반 생성자（G） 54
• 나. D2S 모델의 PatchGAN 기반 판별자（D） 56
• 다. D2S 모델의 목적 함수 57
• 라. D2S 모델 학습 자료의 전처리 및 구성 59
• 마. D2S 모델의 성능 평가 지표 61
• 제4장 연구 결과 62
• 제1절 L-sSIR 산출물 62
• 1. L-sSIR 산출 결과 62
• 2. 겨울철 L-sSIR 미산출 영역 원인 고찰 64
• 3. L-sSIR 산출물 간접 검증 72
• 제2절 L-sSIR 산출물 기반 시계열 분석 74
• 1. L-sSIR의 장기 추세 및 월별 발달 주기 74
• 2. L-sSIR의 계절별 이상치 및 EOF 분석 79
• 가. 봄철（MAM） 80
• 나. 여름철（JJA） 82
• 다. 가을철（SON） 86
• 라. 겨울철（DJF） 89
• 제3절 융해기 L-sSIR의 Stage별 변화와 표면 에너지 반응 93
• 1. 융해기 내 L-sSIR 전환과 melt pond 형성 간의 관계 93
• 2. 융해 Stage별 L-sSIR 변화 특성 98
• 3. 표면 에너지 조건에 대한 L-sSIR의 Stage별 상관성 100
• 제4절 D2S 모델 기반 L-sSIR 과거 자료 생성 103
• 1. D2S 모델 선정 103
• 2. D2S 모델의 정량적, 정성적 평가 105
• 3. 장기간 과거 SMAP 편광 TB 생성 결과 108
• 4. 장기간 과거 L-sSIR 산출 110
• 제5장 요약 및 결론 112
• 제6장 한계점 및 향후 연구 계획 117
• 참고문헌 119