Retrieval of Land Surface Temperature Using Landsat 8 Images with Deep Neural Networks

Landsat 8 영상을 이용한 심층신경망 기반의 지표면온도 산출

Abstract

As a viable option for retrieval of LST (Land Surface Temperature), this paper presents a DNN (Deep Neural Network) based approach using 148 Landsat 8 images for South Korea. Because the brightness temperature and emissivity for the band 10 (approx. 11-㎛ wavelength) of Landsat 8 are derived by combining physics-based equations and empirical coefficients, they include uncertainties according to regional conditions such as meteorology, climate, topography, and vegetation. To overcome this, we used several land surface variables such as NDVI (Normalized Difference Vegetation Index), land cover types, topographic factors (elevation, slope, aspect, and ruggedness) as well as the T₀ calculated from the brightness temperature and emissivity. We optimized four seasonal DNN models using the input variables and in-situ observations from ASOS (Automated Synoptic Observing System) to retrieve the LST, which is an advanced approach when compared with the existing method of the bias correction using a linear equation. The validation statistics from the 1,728 matchups during 2013-2019 showed a good performance of the CC=0.910~0.917 and RMSE=3.245~3.365℃, especially for spring and fall. Also, our DNN models produced a stable LST for all types of land cover. A future work using big data from Landsat 5/7/8 with additional land surface variables will be necessary for a more reliable retrieval of LST for high-resolution satellite images.

이 연구에서는 고해상도 위성영상을 이용하여 지표면 온도를 산출하는 기존의 여러가지 방법 이외에 보다 새로운 접근으로, 인공지능 기반의 심층신경망 기법을 148장의 Landsat 8 영상에 적용하여 우리나라 지표면온도를 산출하고 그 적합성을 평가하였다. Landsat 8 열적외 10번 밴드(약 11 ㎛ 파장대)의 밝기온도와 방출률은 물리방정식에 경험상수가 결합하여 도출된 값이기 때문에, 지역적 기상, 기후, 지형, 식생 등의 조건에 따른 불확실성을 내포하고 있다. 이를 보완하기 위하여 본 연구에서는 밝기온도와 방출률로부터 지표면온도 초기추정치 T₀를 산출하고 이와 함께, NDVI, 토지피복, 지형요소(고도, 경사, 향, 거칠기) 등을 입력변수로 하는 계절별 심층신경망 모델을 최적화하여 지표면온도를 산출하였다. 이는 ASOS(Automated Synoptic Observing System)와의 선형관계식으로 편의보정을 수행하는 기존 방법에 비해 진보된 기법이다. ASOS 관측치와 시공간적으로 일치되는 1,728건의 자료를 비교한 결과, 계절별로 차이가 있기는 하지만 특히 봄, 가을에는 상당히 좋은 결과를 보였으며(CC=0.910~0.917, RMSE=3.245~3.365℃), 또한 토지피복 유형에 상관없이 안정적인 산출이 이루어짐을 확인하였다. 향후 Landsat 5/7/8 자료의 장기시계열 빅데이터와 함께 추가적인 지표면변수를 활용하여 모델링 을 수행함으로써 기후변화 및 특이기상 하에서도 보다 신뢰도 높은 고해상도 지표면온도 산출이 필요할 것이다.

1. 서론

지표면온도(Land Surface Temperature, LST)는 대기와 지표면 사이의 에너지 플럭스에 의해 결정되고 지표면과 대기의 경계면에서 열 전달을 유도하기 때문에(Jacob et al., 2004; Jin and Dickinson, 2010), 지표면 에너지수지와 물수지의 물리적 과정에서 가장 중요한 인자 중의 하나이다(Wan et al., 2004). 지표면온도는 토양수분과 증발산 추정을 비롯하여, 기후 변화, 작물 모니터링, 도시 기후, 수문학, 생태학 등 다양한 분야에서 널리 활용되고 있다(Price, 1980; Kalma et al., 2008; Nemani et al., 1996; Running et al., 2004).

식생, 지형, 토양 등 지표면의 이질적인 특성으로 인해, 지표면 온도는 시공간 상에서 상당한 변화를 가지기 때문에, 시간적 및 공간적으로 상세한 관측을 필요로 한다(Li et al., 2013). 그러나, 지상관측은 시간분해능이 뛰어나지만 제한된 특정 영역의 온도만을 나타내기 때문에, 넓은 영역의 공간연속면 자료를 확보하기 위해서는 대기 프로파일 재분석장과 복사전달방정식을 이용하여 지표면온도를 모의하기도 한다(Yu et al., 2014). 그러나, 이러한 기상 재분석장은 공간해상도가 조밀하지 않기 때문에, 지표면온도 분포의 공간적인 상세 변화를 포착하기 위해서는 고해상도 위성영상의 활용이 필수적이다.

고해상도 위성영상으로부터 지표면온도를 산출하기 위해서는 지표면으로부터 방출된 열적외선 정보가 필요한데, 열적외 채널로부터 지표면온도를 산출하는 선행연구들은 크게 단일채널(single channel) 기법과 분리대기창(split window) 기법으로 나눌 수 있다. 단일채널 기법은 대기창 내에서 선택된 단일 채널의 복사휘도(radiance)를 이용하는 것으로서, Jiménez-Muñoz and Sobrino(2003)는 이 기법을 정립하면서 대기 수증기 상황에 따른 민감도 실험을 통하여 11 µm 내외의 파장대가 지표면온도 산출에 있어 적합한 채널임을 제시하였다. 그 이후 연구들에서는 지역의 기상 및 기후 조건에 따라 약 11 µm 또는 약 12 µm 채널이 적용 가능한 것으로 분석하였다(Avdan and Jovanovska, 2016; Parastatidiset al., 2017; Cristóbal et al., 2018; Kim et al., 2018). 단일채널 기법의 정확도는 복사전달모델의 성능, 채널 방출률의 정확도 및 지형효과의 합리적인 구현 등에 의해 좌우된다(Liet al., 2013).

Coll et al.(1994)이 제안한 분리대기창 기법에서는, 대기흡수에 의한 복사에너지 감쇠가 약 11 µm와 약 12 µm 파장대 복사휘도 차이에 비례하는 특성을 이용하여 대기 효과를 제거하고, 지표면온도 추정을 위해 약 11 µm와 약 12 µm 밝기온도의 선형회귀식을 적용한다(César and Caselles, 1997; Sobrino et al., 2004; Du et al., 2015). 이 방법은 주로 연직수증기량 정보를 사용하기 때문에 정확한 대기 프로파일 정보를 필요로 하지 않으며, 다양한 센서에서 지표면온도 산출에 사용되고 있다(Ulivieriet al., 1994; Wan and Dozier, 1996; Jiménez-Muñoz, 2014; Rozenstein et al., 2014).

이러한 다수의 선행연구에서 지표면온도 산출에 대해 논의하였지만, 우리나라처럼 지표면의 복잡성이 큰 경우에는 식생이나 지형의 영향을 많이 받기 때문에 대량의 영상자료를 활용한 다양한 실험이 필요하다. 그러나 국내외 대부분의 고해상도 지표면온도 산출실험에서 사용된 영상자료가 몇 십 장을 넘는 경우는 거의 없어 다양한 조건에서의 지표면온도가 제대로 평가되고 있지 않다. 더욱이, 지표면온도는 태양고도, 기온, 습도, 지형적 요소, 지표면 피복종류, 토양의 열전도율 및 열용량 등 매우 다양한 요인들에 대한 비선형적인 관계에 의해 결정되므로(Geiger et al., 2009; Tan et al., 2019) 인공지능 기법을 통한 비선형 모델링이 효과적일 것이며, 다양한 경우의 수와 복잡성에 대응을 위하여 대량의 위성영상을 활용할 필요가 있다. 그러나 최근 들어 위성 정보 활용에 있어 인공지능 기법의 효율성이 보고되고 있음에도 불구하고, 딥러닝 등 인공지능 기법을 활용한 고해상도 지표면온도 산출은 아직 시도된 사례가 없다. 이에 본 연구에서는 148장의 Landsat 8 위성영상을 활용하고, 기존 기법에 딥러닝을 결합하는 새로운 접근방식을 통해 2013년~2019년의 우리나라 지표면온도를 산출하고 그 결과를 평가하고자 한다.

2. 자료와 방법

1) 연구지역

Landsat 8 영상 중에서 우리나라의 가장 많은 영역을 포함하는 것은 패스 115 로우 35로서, 위도 약 35°~37°, 경도 약 126°~129°에 해당하며, 행정구역으로는 충청 남·북도와 경상남·북도, 전라북도, 세종특별자치시, 대전광역시, 대구광역시 등이 해당된다. 토지피복 상으로는 농지, 산림, 도시지역 등이 포함되며, 또한 지표면온도의 참조기준자료로 사용할 종관기상관측(Automated Synoptic Observing System, ASOS) 지점 30개소가 이 영역에 포함된다(Fig. 1).

Fig. 1. Study area.

2) 사용자료

(1) 위성자료

2013년부터 운영되어 온 Landsat 8 위성은 16일의 재방문 주기를 가지며, 9개의 분광밴드로 구성된 OLI(Operational Land Imager)와 2개의 열적외 밴드로 이루어진 TIRS(Thermal Infrared Sensor)를 탑재하고 있다(Table 1). TIRS의 10번 밴드(약 11 µm 파장대)와 11번 밴드(약 12 µm 파장대)는 원래 100 m의 공간해상도를 가지고 있지만, 레벨 1 산출물에서는 30 m로 보간되어 OLI와 동일한 공간해상도로 제공된다. 그러나, 11번 밴드의 경우 주변 화소의 복사에너지가 번져서 들어오는 누광(stray light) 문제가 있기 때문에(Montanaro et al.,2014), 본 연구에서는 10번 밴드를 이용하여 지표면온도를 산출하였다. 자료의 기간은 2013년 5월부터 2019년 12월까지로서, 우리나라에서 OLI/TIRS 밴드가 모두 가용한 148개 날짜의 영상을 획득하여 사용하였다. 해당 영역의 관측 시각은 현지 시각 오전 11시 5분 정도로서, 지표면온도의 상승은 지속되지만 일출 후의 급격한 상승 이후 안정적인 상승이 나타나고, 일평균 지표면온도가 관측되는 시각에 해당한다(Jee et al., 2016).

Table 1. Specifications of Landsat 8 spectral bands

지표면온도는 식생활력도를 나타내는 NDVI(Normalized Difference Vegetation Index)와 밀접한 관계를 가진다. 일반적으로 건조한 토양에서는 NDVI가 낮아질수록 지표면온도의 상승이 뚜렷해지고, 습윤한 토양에서는 NDVI와 지표면온도의 반비례 관계가 다소 둔화된다(Hope and McDowell, 1992; Goward et al., 2002; Park et al., 2008; Quan and Lee, 2009). 또한 지표면온도와 NDVI의 상관성은 식생피복의 종류에 따라 다른 양상으로 나타날 수 있다(Sun et al., 2016). 우리나라는 복잡지형이 많기 때문에 본 연구에서는 지표면온도 추정에 있어 중요한 변수인 NDVI를 사용하였으며, 대기보정된 레벨 2 자료의 4번 밴드(적색)와 5번 밴드(근적외선)의 합과 차를 이용하여 산출하였다.

\(N D V I=\frac{\text { band } 5-\text { band } 4}{\text { band } 5+\text { band } 4}\)       (1)

(2) 토지피복도

토지피복의 종류에 따라 열 용량, 열 전도도, 거칠기 및 표면 알베도 등이 달라지기 때문에, 토지피복의 변화는 상이한 지표면온도 분포를 야기하는 원인이 된다(Deng et al., 2018). 동일한 기상조건이라도 도시화에 따라 지표면온도가 증가할 수 있고(Fu and Weng, 2016), 반대로 관측 화소 안에 연못이 있으면, 비록 작은 크기라고 해도 호수 냉각 효과가 발생할 수 있다(Saaroni and Ziv, 2003). 이 연구에서는 환경부에서 제공하는 대분류 토지피복지도를 사용하였는데, 이 자료는 2010년대 말을 기준으로 2019년에 제작되었으며, 7개의 분류항목을 30 m의 공간해상도로 나타내고 있다(Fig. 2).

Fig. 2. Land cover map for study area.

(3) DSM (Digital Surface Model)

지표면온도는 또한 지형의 영향을 받기 때문에, 고도에 따른 기온감률(lapse rate)이 존재하고, 사면 방향에 따라 일사량과 일조시간이 달라지는 양상을 보인다(Deng et al., 2018; He et al., 2019). 우리나라에서는 북향이나 북서향에서 온도의 손실이 나타나며, 또한 급경사에서 온도 감소가 뚜렷한 것으로 알려져 있다(Lee et al.,2012). 이러한 지형의 영향을 반영하기 위한 DSM 자료로는 전지구 30 m 해상도의 AW3D30(ALOS World 3D –30 m) 자료를 사용하였다. 이는 일본우주항공연구개발기구(Japan Aerospace Exploration Agency, JAXA)에서 ALOS(Advanced Land Observing Satellite)의 PRISM(Panchromatic Remote Sensing Instrument for Stereo Mapping) 센서를 이용하여 산출한 것이다(JAXA EORC,2016). 우리나라 영역의 DSM으로부터 고도, 경사, 향을 추출하였으며, 추가적으로 지형적 거칠기를 나타내는 TRI(Terrain RuggednessIndex)를 산출하였다(Fig. 3). TRI는 바람이 지표면에 대해 가지는 저항의 크기와 관련되며, 3×3 윈도우에서 중앙 화소와 주변 8개 화소 사이의 고도 차이의 평균으로 정의된다(Riley et al., 1999). 향은 0~360도로 표현되지만, 편의상 북, 북동, 동, 남동, 남, 남서, 서, 북서의 8방향으로 분류하여 사용하였다.

Fig. 3. Topographic data for study area.

(4) 현장관측 자료

지표면온도의 현장관측 자료로는 기상자료개방포털(https://data.kma.go.kr/)에서 제공하는 ASOS 자료를 사용하였다. 기상청에서는 전국 102개의 종관관측소를 운영 중이며, 지표면온도는 매시 정각에 관측된다. 연구영역 내에 포함되는 30개 관측소의 지표면온도 자료 중 Landsat 8 영상과 동일한 날짜의 오전 11시 자료를 획득하여 사용하였다. 사용된 자료의 관측소 정보는 Table 2에 나타내었는데, 대구, 전주, 천안, 정읍, 남원은 연구기간 중에 관측소 이설이 있었다. 또한 각 관측소의 토지 피복은 Fig. 2의 범례순으로 1에서 7까지로 표기하였다.

Table 2. Details of KMA synoptic observing stations within the study area

3) 자료 전처리

Landsat 8의 10번 밴드 열적외 영상은 복사보정과 기하 보정이 이루어진 레벨 1 자료로 제공되기 때문에 추가로 대기보정이 필요한데, 대기보정에는 ENVI(Environment for Visualizing Images)의 Thermal Atmospheric Correction 모듈을 사용하였으며(L3Harris Geospatial Solutions, 2015), 대기보정된 복사휘도로부터 10번 밴드 밝기온도를 구하기 위하여 USGS(United States Geological Survey)에서 제공하는 변환식을 적용하였다.

\(B T=\frac{K_{2}}{\ln \left[\frac{K_{1}}{L_{\lambda}}+1\right]}\)       (2)

여기에서 BT는 10번 밴드의 밝기온도(K)이고, 10번 밴드에 대한 보정계수 K1=1321.08, K2=777.89이며(USGS, 2013), L_λ은 해당 파장대의 복사휘도이다.

Landsat 8 영상의 구름 화소는 Fmask 알고리듬을 이용하여 제거하였다. Fmask는 가시광선, 근적외선, 단파 적외선 밴드의 TOA(Top of Atmosphere) 반사도 및 열적외선 밴드의 밝기온도를 입력자료로 하며, 구름의 물리적 특성에 기초하여 먼저 PCP(Potential Cloud Pixel)와 구름이 없는 화소를 분별한 뒤, 모든 화소에 대한 구름 확률값을 생성한다. PCP와 구름 확률값을 이용하여 구름 후보 화소를 추출하고, 인접 화소의 상태 등을 반영하여 최종적으로 구름 및 구름 그림자를 식별한다(Zhu and Woodcock, 2012).

이러한 전처리 과정을 거친 Landsat 8 영상은 모두 148장이며, 동일한 패스/로우의 자료이지만 최소범위 사각형(Minimum Bounding Rectangle, MBR)의 좌표가 조금씩 상이하기 때문에, 148장 영상의 중첩연산을 통하여 교집합 영역을 연구지역으로 통일하였다. 고도, 경사, 향, TRI 자료와 토지피복도는 Landsat 8 연구지역에 맞춰 UTM 52N 구역으로 변환후에 앞서 결정된 공간적 범위로 재설정하였다. Fig. 4는 본 연구의 흐름도를 나타낸 것이다. 모든 입력자료에 대해 좌표계와 공간범위를 통일하고 일련의 전처리 과정을 거쳐, 10번 밴드로부터 지표면온도 초기추정치 T0를 산출하고, 대기 보정된 레벨 2 자료의 4번 밴드(적색)과 5번 밴드(근적외선) 반사도를 이용하여 NDVI를 산출하였다. 그리고 T₀, NDVI, 토지피복도 및 지형자료를 ASOS 관측치와 시공간일치시켜 매치업 파일을 구성하고, 이를 이용하여 10폴드 교차검증을 거쳐 심층신경망 모델을 최적화하여 지표면온도를 산출하였다

Fig. 4. Research flow for retrieval of LST in this study.

4) 분석방법

(1) 초기추정치 T₀ 산출

전처리된 Landsat 8 영상으로부터 획득한 밝기온도는 흑체에 참조되는 값이기 때문에, 지표면온도를 구하기 위해서는 토지피복 종류에 따른 방출률을 이용하여 보정할 필요가 있으며(Pal and Ziaul, 2017), 이러한 과정은 Artis and Carnahan(1982)의 방정식에 따라 계산하여, 지표면온도의 초기추정치 T₀로 설정하였다.

\(T_{0}\left({ }^{\circ} \mathrm{C}\right)=B T /\left[1+\left\{\left(\lambda * \frac{B T}{\rho}\right) * \ln \varepsilon\right\}\right]-273.15\)       (3)

여기에서, BT는 열적외 밴드 10의 밝기온도, λ는 중심파장(10.895 µm), ε는 방출률이다. 절대온도(K)에서 섭씨온도(°C)로 변환하기 위해 273.15를 빼주었으며,

\(\rho=h \frac{c}{\sigma}=1.438 \times 10^{-2} m K\)       (4)

여기에서, σ는 볼츠만 상수(1.38×10^-23 J/K), h는 플랑크 상수(6.626 ×10^-34 J s), c는 빛의 속도(2.998 ×10⁸ m/s)이다. 또한 지표면 물질구성에 따른 방출률은 선행연구를 참고하여 설정하였다(Avdan and Jovanovska, 2016)(Table 3).

Table 3. Emissivity of representative terrestrial materials for the band 10 of Landsat 8

이렇게 계산된 T₀를 지표면온도의 초기추정치라고 하는 이유는, 열적외 10번 밴드의 밝기온도와 방출률이 순수히 물리방정식만으로 도출된 것이 아니라, 경험상수들이 투입되어 도출된 값이므로 지역의 기상, 기후, 지형, 식생 등의 조건에 따른 불확실성을 내포하고 있기 때문이다. ASOS와의 선형관계식으로 편의보정을 수행함으로써 이러한 불확실성이 일부 완화되기는 하겠지만, 보다 실질적인 해결책이 필요하며, 본 연구에서는 T₀와 함께, NDVI, 토지피복, 지형요소(고도, 경사, 향, 거칠기) 등을 입력변수로 하는 심층신경망을 구성하고, ASOS 지표면온도를 이용하여 훈련 및 검증함으로써 보다 합리적인 Landsat 8 지표면온도를 산출하고자 하였다.

(2) 심층 신경망

복잡한 비선형관계 모델링을 위한 심층 신경망(Deep Neural Network, DNN)은 고전적인 신경망인 다층퍼셉트론(Multiple Layer Perceptron, MLP)에 비해 은닉층(연산층)을 깊고 두껍게 구성함으로써 네트워크 최적화의 효과를 증대시킨 것이다. 고전적 신경망에서는 국부적인 최적화만으로 학습이 중단되는 로컬 미니마(local minima)의 문제가 간혹 발생하기도 하였고, 또한 일반적인 기계학습에서는 주어진 자료를 지나치게 학습하여 새로운 특이치에 잘 대처하지 못하는 과적합(overfitting)의 문제가 간혹 발생하기도 하였는데, 심층신경망은 이를 해결하기 위하여, 손실함수의 경사소실(vanishinggradient)을 방지하는 활성화함수 ReLU(Rectified Linear Unit)를 사용하고, 네트워크 최적화 과정에서 특정 뉴런에 가중치가 편중되지 않도록 함으로써 과적합을 완화하는 정규화(regularization) 기법을 적용하며, 특이치에 대응하기 위하여 뉴런의 일부를 임의로 삭제하고 훈련을 반복함으로써 모델 강건성을 확보하는 드롭아웃(dropout) 기법을 활용한다.

Fig. 5는 본 연구에서 적용한 DNN 모델의 개략적인 구조를 나타내며, 은닉층구성, 에퍽수, 활성화함수, 옵티마이저, L1/L2 정규화, 드롭아웃 등의 초매개변수 최적화는 H2O 프레임워크(https://www.h2o.ai/)를 이용하여 수행하였다. 2013년~2019년의 148장의 영상에서 ASOS 관측치와 시공간일치가 이루어지는 1,728개의 매치업 자료를 구성하였고, 봄, 여름, 가을, 겨울의 4개 DNN 모델을 구성하여 10폴드 방식의 훈련 및 검증을 실시하였다(Kim et al., 2020)(Fig. 6). 지표면온도의 산출결과는 MBE(Mean Bias Error), MAE(Mean Absolute Error), RMSE(Root Mean SquareError), NRMSE(NormalizedRoot Mean Square Error), CC(Correlation Coefficient) 등의 검증 통계량으로 집계하였다.

Fig. 5. Structure of DNN (Deep Neural Network) model in this study

Fig. 6. Concept of 10-fold cross-validation with random sampling (Kim et al., 2020).

3. 결과 및 토의

심층신경망 모델의 최적화를 위하여, 활성화함수로는 ReLU, 옵티마이저로는 AdaDelta(Adaptive Delta)를사용하였고, 반복실험을 통하여 4계절 모델의 히든유닛과 에퍽수를 설정하였다. ASOS 관측치를 참조기준자료로 하여, 계절별 심층신경망 모델에 대한 10폴드 교차검증 결과, 지표면온도 산출의 정확도 검증통계량은 Table 4와 같다. 10폴드 교차검증에 투입된 1,728개의 매치업 자료는 봄 499건, 여름 302건, 가을 481건, 겨울 446건으로 4계절별로 큰 차이는 없었으나, 구름의 영향을 많이 받는 여름철이 상대적으로 적었다. 교차검증 결과,상관계수는 봄과 가을이 0.917, 0.910으로 높게 나타났고, 겨울과 여름은 0.793, 0.717로 상대적으로 낮게 나타났다. RMSE는 겨울에 2.722°C로 가장 낮았으며 여름에 4.713°C로 가장 높았는데, 이는 지표면온도가 겨울에 낮고 여름의 높기 때문에, 오차도 그만큼 작거나 커지기 때문이다. 따라서 계절에 따라 다른 온도 범위를 가지는 모델 간의 비교를 용이하게 하기 위하여, RMSE를 평균으로 나누어 정규화시킨 NRMSE를 추가로 제시하였다. 계절별 NRMSE는 봄, 여름, 가을에서 비슷한 결과를 보였으나 겨울에 상대적으로 매우 높은 값을 보였다. 즉, 여름철은 오차가 크나 정규화 오차가 큰 것은 아니고, 겨울철은 오차가 작으나 정규화 오차는 상대적으로 큰 것으로 해석될 수 있다.

Table 4. Validation statistics of seasonal DNN models

1,728개 매치업 자료에 대하여, 계절별 ASOS 관측치와 본 연구의 DNN 산출값의 산점도는 Fig. 7과 같다. 봄과 가을의 경우, 대부분의 값들이 1:1 선에 가깝게 분포하는 것을 확인할 수 있었으나, 여름과 겨울의 결과에서는 1:1 선에서 다소 벗어난 값들을 발견할 수 있으며, 적합선의 기울기를 통해 볼 때 전반적으로 일정정도의 과소추정이 이루어진 것으로 나타났다. Fig. 8은 전체 연구기간 동안 148개 날짜에 대하여 30개 지점 평균 지표면온도를 시계열로 표현한 것이다. ASOS 관측값과 DNN 산출값은 전체적으로 매우 유사한 경향을 보였으며, 2018년 여름 폭염기에는 관측값보다 추정치가 다소 낮게 나타났다. 이는 전체 훈련기간이 7년에 불과하여, 2018년 폭염과 같이 50년~100년에 한번의 확률로 나타나는 사례에 대한 훈련이 부족했기 때문이며, 이는 향후 연구에서 1994년, 2018년 폭염 등을 커버하는 장기시계열 빅데이터 활용을 통해 개선되어야 할 점이다.

Fig. 7. Observed and estimated LST for seasonal DNN models.

Fig. 8. Time series of daily average LST for 30 stations during 2013-2019.

지표면온도는 토지피복 유형과 밀접한 관련을 가지므로, Table 5에는 토지피복 유형에 따른 DNN 검증통계량을 정리하였다. 편의상 농지, 산림/초지, 도시/나지의 세가지 그룹으로 나누어 집계한 결과, 모든 그룹에서 RMSE 약 3.3~3.6°C, 상관계수 0.97 이상의 정확도를 보였다. Fig. 9는 ASOS 관측치와 DNN 산출값을 토지피복 유형에 따라 산점도로 나타낸 것으로, 모든 그룹에서 1:1 선과의 일치도가 높은 것으로 나타났는데, 이는 본 연구의 DNN 모델이 토지피복 유형에 상관없이 안정적인 산출이 가능한 것으로 해석될 수 있다.

Table 5. Validation statistics of total DNN Models according to land cover type

Fig. 9. Observed and estimated LST for seasonal DNN models according to land cover types

최적화된 계절별 DNN 모델에서 입력변수 중요도는 T₀가 가장 높게 나타났고, 그 다음으로 NDVI와 토지피복 유형으로 나타났다. 여름과 겨울 모델에서는 사면방향의 중요도가 상당히 높았는데, 이는 사면방향에 따라 달라지는 태양복사의 강도가 봄, 가을보다는 여름, 겨울의 지표면온도에 더욱 민감하게 반영되기 때문인 것으로 보인다. Fig. 10은 계절별 DNN 모델에 공간연속면의 입력자료를 투입하여 산출한 지표면온도의 예시이다. 그림에서 값이 없는 영역은 수역이거나 구름에 가려진 부분이다. 지표면온도는 계절에 따라 뚜렷하게 변하는 양상을 보이는데, 여름철의 경우, 고도가 높은 산악지대나 강 주변에서는 비교적 낮은 온도가 분포하고, 대전,대구 등 도시지역에서는 높은 온도가 나타났다. 최근의 기후변화에 따라 특이기상 현상이 가끔 나타나기도 하는데, 2015년의 경우, 5월 25일에 폭염특보가 발표되어 평년보다 더위가 빨리 찾아왔고, 5월 26일 산출된 지표면온도를 통해 그러한 양상을 잘 살펴볼 수 있다. 또한 기록적인 폭염이 나타난 2018년의 여름의 상황도 7월 21일 산출된 자료에 잘 반영되어 있음을 알 수 있다.

Fig. 10. Seasonal land surface temperatures retrieved by DNN model during 2013-2019.

4. 결론

이 연구에서는 고해상도 위성영상을 이용하여 지표면 온도를 산출하는 기존의 여러가지 방법 이외에 보다 새로운 접근으로, 인공지능 기반의 심층신경망 기법을 148장의 Landsat 8 영상에 적용하여 우리나라 지표면온도를 산출하고 그 적합성을 평가하였다. Landsat 8 열적 외 10번 밴드의 밝기온도와 방출률은 물리방정식에 경험상수가 결합하여 도출된 값이기 때문에, 지역적 기상, 기후, 지형, 식생 등의 조건에 따른 불확실성을 내포하고 있다. 이를 보완하기 위하여 본 연구에서는 밝기온도와 방출률로부터 지표면온도 초기추정치 T₀를 산출하고 이와 함께, NDVI, 토지피복, 지형요소(고도, 경사, 향, 거칠기) 등을 입력변수로 하는 계절별 DNN 모델을 최적화하여 지표면온도를 산출하였다. ASOS 관측치와의 비교 검증을 통해 볼 때, 계절별로 차이가 존재하나 상당히 좋은 결과를 보여주었으며, 토지피복 유형에 상관없이 안정적인 산출이 이루어짐을 확인하였다. 또한 2015년 5월에 여름이 평소보다 빨리 시작된 상황이나, 2018년의 기록적 폭염 등을 잘 나타냈다. 이 연구에서는 지표면 온도에 영향을 미치는 고해상도의 입력변수만을 활용하였기에 저해상도로 제공되는 토양수분이나 습도 등은 사용하지 않았으나, 향후 이러한 추가적인 입력변수와 함께 Landsat 5/7/8 자료의 장기시계열 빅데이터를 활용하여 모델링을 수행함으로써, 기후변화 및 특이기상 하에서도 보다 신뢰도 높은 지표면온도 산출이 필요할 것이다.