딥러닝 구름 탐지 기반 NOAA/AVHRR 해수면온도 정확도 향상 연구

Abstract

해수면온도는 해양과 대기 현상을 이해하기 위한 가장 기본적인 변수로써 해수면온도로 해양 상층에 존재하는 다양한 해양 현상을 관측할 수 있으며, 해양-대기와의 상호작용을 통해 기상 및 기후 변화에 직접적인 영향을 미친다. 위성의 적외 영역으로부터 관측한 해수면온도 자료는 청천으로 판단된 화소에서 산출되기 때문에 정확한 해수면온도 산출을 위해서는 구름화소를 탐지하는 과정이 필수적이다. National Oceanic and Atmospheric Administration(NOAA)/Advanced Very High Resolution Radiometer (AVHRR) 영상은 구름 탐지를 위하여 경계값 테스트(threshold tests)가 사용되어왔다. 그러나 경계값 테스트는 정적 임계값(static or partially static thresholds)을 사용하기 때문에 다양한 환경이 나타나는 해역에서는 해수면온도 오차가 크게 나타나는 단점이 있다. NOAA/AVHRR 해수면온도의 정확도 향상을 위하여 딥러닝(deep learning) 기반의 구름 탐지 기법을 개발하였고, 이를 기존 구름 탐지 기법인 경계값 테스트와 비교하였다. 딥러닝 구름 탐지 모델은 한반도 주변 해역을 중심으로 주간과 야간의 복사 특성을 고려하여 구름화소를 정확하게 탐지할 수 있도록 하였으며, NOAA/AVHRR 해수면온도를 산출하기 위하여 활용하였다. 딥러닝 구름 탐지 모델과 경계값 테스트의 구름 탐지 결과를 비교하여 시공간 변동성이 큰 구름 가장자리, 해양 열전선 부근, 용승 시기의 냉수대에서 탁월한 탐지 결과를 보였다. 각 기법을 활용해 산출한 해수면온도 정확도의 정량적인 평가를 위하여 2017년의 NOAA/AVHRR 해수면온도 자료와 해양 실측 수온 자료 간의 일치점을 생산하여 연구에 활용하였다. 딥러닝 모델과 경계값 테스트의 구름 탐지 정확도를 비교하기 위하여 본 연구에서는 두 가지의 데이터셋을 구축하였다(딥러닝 모델을 적용한 해수면온도와 실측 자료, 경계값 테스트를 적용한 해수면온도와 실측 자료). 딥러닝 모델을 적용한 해수면온도는 평균제곱근오차(root mean square error, RMSE) 0.72°C와 양의 편차(bias) 0.06°C의 높은 정확도를 보였으며, 경계값 테스트를 적용한 해수면온도의 경우 RMSE가 1.58°C이고, 편차가 –0.24°C로 낮은 정확도를 보였다. 이러한 결과로부터 딥러닝 구름 탐지 모델이 NOAA/AVHRR 해수면온도 정확도 향상에 기여함을 확인하였다.

Sea surface tempearture (SST), the most fundamental parameter for understanding oceanic and atmospheric environment, allows observation of various marine phenomena in the upper ocean and directly affects weather and climate change through interaction with the atmosphere. Since sea surface temperature observed in thermal infrared region of the satellite is estimated from the clear sky pixels, a cloud detection procedure is essential for deriving sea surface temperature. National Oceanic and Atmospheric Administration (NOAA)/Advanced Very High Resolution Radiometer (AVHRR) has used threshold tests for cloud detection, however, threshold tests have a common weakness that they employ static or partially static thresholds that do not apply to various environments causing SST errors. To improve accuracy of NOAA/AVHRR sea surface temperature around Korea Peninsula, cloud detection based on deep learning is developed. Comparing deep learning model for cloud detection to threshold tests, deep learning model shows accurate detection both cloudy and clear sky pixels, especially in the area with high spatial and temporal variability such as cloud edges, thermal fronts, and cold upwelling. To compare the accuracy of cloud detection by deep learning model and thresholds tests, we collocated two sets of matchup data

One is of in-situ data and SST with cloud detection using deep learning model (deep learning SST), and the other is of in-situ data and SST with cloud detection by threshold tests (threshold SST). Deep learning SST showed a root mean square error (RMSE) of about 0.72°C and a positive bias of 0.06°C with respect to the in-situ water temperature. Threshold SST showed a RMSE of 1.58°C and a negative bias of -0.24°C with respect to the in-situ water temperature. Therefore, the cloud detection using deep learning model developed in this study has ability to accurately work for detecting cloudy pixels and is verified to contribute to improving accuracy of NOAA/AVHRR sea surface temperature.