Development of Cloud-Screening-Based Postprocessing Framework for GOCI-II Aerosol Optical Depth: Evaluation of Retrieval Errors = GOCI-II 에어로졸 광학 두께 산출물을 위한 구름제거기법 기반 후처리 체계 개발 및 오차 진단

다국어 초록 (Multilingual Abstract)

Satellite-derived aerosol optical depth (AOD) products are indispensable for characterizing spatial aerosol distributions and constraining uncertainties in atmospheric chemistry models. However, the retrieval of AOD from the Geostationary Ocean Color Imager-II (GOCI-II) is susceptible to cloud contamination due to the lack of thermal infrared channels. This study develops and evaluates a two-step postprocessing framework to reduce residual cloud contamination in the Level 2 GOCI-II AOD product. The framework combines cloud screening based on the Himawari-8/9 Advanced Himawari Imager (AHI) cloud type product with a statistical cloud filtering based on spatial standard deviation (STD) and retrieval ratio, which is defined as the proportion of valid GOCI-II AOD pixels to total pixels within a collocation grid (0.2˚×0.2˚). Sensitivity analyses and empirical case studies across multiple threshold values confirmed that the configuration of (STD=0.05, retrieval ratio=0.5) consistently yielded high agreement with Aerosol Robotic Network (AERONET) AOD, both in terms of correlation coefficient and error metrics. After applying the postprocessing framework, agreement of GOCI-II AOD to AERONET AOD improved; the Pearson’s correlation coefficient improved from 0.77 to 0.81, root-mean-square error (RMSE) decreased from 0.175 to 0.111, and the skewness of the GOCI-II AOD minus AERONET AOD histogram reduced from 3.33 to 0.94. Qualitative inspection also confirmed that the postprocessing effectively mitigated high AOD signals originated from optically thin cloud edges while retaining major aerosol features. Nonetheless, some systematic errors remained: GOCI-II AOD tended to be overestimated in coastal regions and underestimated over inland regions, particularly under low AOD (AERONET AOD < 0.2) conditions. The contrasting behaviors suggest potential deficiencies in the surface reflectance estimation technique which differs between land and ocean surfaces. These findings provide a scientific basis for improving future satellite aerosol retrieval algorithms. Furthermore, the methodology is readily applicable as a preprocessing module in satellite-derived AOD data assimilation systems, enabling the construction of realistic initial conditions for atmospheric chemistry models.

국문 초록 (Abstract)

위성 기반 에어로졸 광학 두께(aerosol optical depth, AOD) 산출물은 에어로졸의 생성 및 수송을 실시간 감시하고, 모델의 초기장을 현실에 가깝게 제약하여 대기질 예보의 정확도를 높이는 데 필수적이다. 그러나 우리나라의 정지궤도 해색 위성 센서인 GOCI-II (Geostationary Ocean Color Imager–II)는 열적외 채널의 부재로 구름에 의한 오염에 취약하다. 본 연구에서는 GOCI-II Level 2 AOD 자료에 잔여하는 구름의 신호를 줄이기 위해 2단계에 걸친 후처리 체계를 개발하고 평가하였다. 본 연구에서 제안한 후처리 체계는 Himawari-8/9위성에 탑재된AHI (Advanced Himawari Imager) 센서 기반의 구름 마스킹과, 격자 내 GOCI-II AOD 산출값의 표준편차 (standard deviation, STD) 및 산출 비율(유효 AOD 픽셀 수를 격자 내의 총 픽셀 수로 나눈 값)에 기반한 통계적 구름 제거 기법을 결합하였다 (분해능: 0.2˚×0.2 ˚). 통계적 방법의 임계값 설정을 위한 민감도 분석 결과, STD=0.05 및 산출 비율=0.5의 기준이 AERONET (Aerosol Robotic Network) AOD와의 상관계수 및 오차 지표 측면에서 우수한 일치를 보였다. 해당 설정 적용 시, 상관계수는 0.77에서 0.81로 상승하고, 평균제곱근오차(root mean square error, RMSE)는 0.175에서 0.111로 감소하였으며, GOCI-II AOD와 AERONET AOD 간 절대오차 히스토그램의 왜도(skewness)는 3.33에서 0.94로 감소하였다. 정성적인 분석에서도 후처리 기법 적용 시 구름 가장자리 및 얇은 구름의 영향을 효과적으로 제거하면서 주요 에어로졸 신호가 보존됨을 확인하였다. 그럼에도 불구하고, 지표면 유형에 따라 서로 다른 산출 오차 특성이 여전히 나타났으며, 특히 낮은 AOD 조건(AERONET AOD < 0.2)에서는 GOCI-II AOD가 연안 지역에서는 과대추정, 내륙 지역에서는 과소추정하는 경향을 보였다. 이는 해양과 육지의 서로 다른 지표면 반사도 추정 기법에 기인한 것으로 해석된다. 본 연구 결과는 향후 위성 에어로졸 산출 알고리즘 개선을 위한 근거 자료로 활용될 수 있으며, 특히 구름 제거 및 지표면 반사도 추정 측면에서의 개선 필요성을 강조한다. 아울러, 본 연구에서 제안한 후처리 기법은 위성 AOD 자료동화를 위한 전처리 시스템 구축에 손쉽게 적용 가능하며, 화학수송모델의 초기장 생산에 신뢰할 수 있는 위성 입력자료를 제공할 수 있다.

목차 (Table of Contents)

• Abstract i
• Table of Contents ii
• List of Figures iii
• List of Tables v
• Chapter 1. Introduction 1
• Chapter 2. Data 5
• 2.1. GOCI-II 5
• 2.2. AERONET 7
• 2.3. MODIS 8
• 2.4. AHI 10
• 2.5. ASOS 11
• Chapter 3. Postprocessing System 13
• 3.1. AHI-Based Cloud Screening 14
• 3.2. Statistical Cloud Screening 17
• Chapter 4. Evaluation of GOCI-II AOD 20
• 4.1. Data Matchup Strategy 20
• 4.2. Retrieval Errors of GOCI-II AOD 22
• Chapter 5. Conclusion 29
• Bibliography 63
• Abstract in Korean 74