Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Exploiting GOCI-II UV Channel to Observe Absorbing Aerosols

GOCI-II 자외선 채널을 활용한 흡수성 에어로졸 관측

  • Lee, Seoyoung (Department of Atmospheric Sciences, Yonsei University) ;
  • Kim, Jhoon (Department of Atmospheric Sciences, Yonsei University) ;
  • Ahn, Jae-Hyun (Korea Institute of Ocean Science and Technology) ;
  • Lim, Hyunkwang (Department of Atmospheric Sciences, Yonsei University) ;
  • Cho, Yeseul (Department of Atmospheric Sciences, Yonsei University)
  • 이서영 (연세대학교 대기과학과) ;
  • 김준 (연세대학교 대기과학과) ;
  • 안재현 (한국해양과학기술원 해양위성센터) ;
  • 임현광 (연세대학교 대기과학과) ;
  • 조예슬 (연세대학교 대기과학과)
  • Received : 2021.12.02
  • Accepted : 2021.12.23
  • Published : 2021.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

On 19 February 2020, the 2nd Geostationary Ocean Color Imager (GOCI-II), a maritime sensor of GEO-KOMPSAT-2B, was launched. The GOCI-II instrument expands the scope of aerosol retrieval research with its improved performance compared to the former instrument (GOCI). In particular, the newly included UV band at 380 nm plays a significant role in improving the sensitivity of GOCI-II observations to the absorbing aerosols. In this study, we calculated the aerosol index and detected absorbing aerosols from January to June 2021 using GOCI-II 380 and 412 nm channels. Compared to the TROPOMI aerosol index, the GOCI-II aerosol index showed a positive bias, but the dust pixels still could be clearly distinguished from the cloud and clear pixels. The high GOCI-II aerosol index coincided with ground-based observations indicating dust aerosols were detected. We found that 70.5% of dust and 80% of moderately-absorbing fine aerosols detected from the ground had GOCI-II aerosol indices larger than the 75th percentile through the whole study period.

2020년 2월 19일 천리안 2B호의 해양 탑재체 GOCI-II가 발사되었다. GOCI-II 기기는 이전의 GOCI 대비 여러 향상된 기능을 탑재함으로써, 에어로졸 산출 연구의 범위를 확장해주었다. 특히, 새롭게 추가된 380 nm 자외선 채널은 흡수성 에어로졸 관측의 민감도를 유의미하게 향상시키는 역할을 하였다. 본 연구에서는, GOCI-II의 380 및 412 nm 채널을 활용하여 2021년 1월부터 6월까지의 에어로졸 지수를 계산하고 이를 통해 흡수성 에어로졸을 탐지하였다. TROPOMI 에어로졸 지수와 비교한 결과 GOCI-II 에어로졸 지수는 양의 편차를 보였으나, 황사 화소에서의 에어로졸 지수는 구름 및 청천 화소와 뚜렷하게 구분할 수 있을 만큼 더 크게 나타났다. 또한 GOCI-II 에어로졸 지수가 크게 나타날 때, 지상 관측 장비에서도 흡수성 에어로졸이 우세하게 탐지되었음을 발견하였다. GOCI-II 에어로졸 지수 상위 25% 범위에 드는 자료들을 조사하자, 연구 기간 동안 지상에서 Dust 및 Moderately-absorbing fine 유형으로 확인된 자료들의 71.3%, 80.0%가 각각 여기에 속함을 확인할 수 있었다.

Keywords

1. 서론

천리안 해양관측위성 2호기(2nd Geostationary Ocean Color Imager, GOCI-II)는 정지궤도복합위성 2B호 (Geostationary Korea Multi Purpose Satellite-2B, GEOKOMPSAT-2B)에 탑재되어 2020년 2월 19일 성공적으로 발사되었다(Lee et al., 2021). GOCI의 임무를 승계한 GOCI-II는 자외선 채널을 탑재하는 등 여러 방면에서 향상된 성능으로, 일 10회의 동북아시아 영역 관측과 일 1회의 전구관측을 수행하고 있다. GOCI-II는 해양 환경의 장단기 변화 관측을 임무로 하여, 자외선부터 근적외선 영역을 어우르는 12개 밴드를 통해 250 m 공간해상도로 한반도 주변을 관측하고 있다(Ahn et al., 2010).

2010년 발사된 1세대 GOCI 탑재체는 본래 해양시스템을 감시하는 목적으로 설계되었으나, 가시광-근적외 의 넓은 파장 영역에 대해 채널을 가진다는 특성은 에어로졸 광학특성 산출에도 이점으로 작용하였다. 이 같은 배경 하에 연세 에어로졸 알고리즘(Yonsei AErosol Retrieval, YAER)이 개발되어, GOCI 관측으로부터 동 아시아의 해양 및 육지 상 에어로졸 광학특성 자료를 생 산 및 제공해왔다(Lee et al., 2010a; 2012, Choi et al., 2016; 2018). 다중 채널 관측의 이점을 살려 개발된 GOCI 연세 에어로졸 알고리즘은 지상 및 타 위성 원격 관측과 비교하여 높은 일치도를 갖는 에어로졸 광학 특성을 산 출해왔으며(Choi et al., 2019), 이 자료는 동아시아 대기질 분석(Lee et al., 2019; 2021), 지상 미세먼지 농도 추정 (Park et al., 2019, 2020; Xu et al., 2015), 그리고 대기질 예측 모델 성능 개선(Goto et al., 2019; Jeon et al., 2016; Jung et al., 2019) 등의 연구에 널리 이용되어 왔다.

2세대 해양 탑재체 GOCI-II는 GOCI가 가진 특성의 보완 및 개선을 통해 개발되었으므로, 에어로졸 광학특 성을 관측하는 일에 보다 유리한 채널을 갖추고 있다. 특히, GOCI와 비교하여 GOCI-II 기기가 갖는 특징 중 하나는 380 nm를 중심으로 하는 자외선 관측 밴드가 존재한다는 것이다(Ahn et al., 2010). 높은 지표면 반사도 환경에서는 에어로졸 산출의 오차가 커지기 때문에, 눈과 얼음을 제외한 지표에서 낮은 반사도를 갖는 자외선 영역의 관측은 에어로졸 산출에 이점을 지닌다(Torres et al., 2007, Kleipool et al., 2008). 뿐만 아니라, 자외선 영역에서의 관측은 빛을 흡수하는 에어로졸의 광학 특성에 민감하다(Torres et al., 1998). 따라서 이 같은 원리를 이용하면 자외선 관측을 통해 빛을 흡수하는 에어로졸과 빛의 산란을 유발하는 에어로졸을 구분할 수 있다 (Kim et al., 2018).

자외선 에어로졸 지수(UV Aerosol Index)는 자외선 영역에서 인접한 두 파장의 관측자료로부터 계산되며, 40 년이상의긴기간동안TotalOzone Mapping Spectrometer (TOMS), SCanning Imaging Absorption spectroMeter for Atmospheric CartograpHY (SCIAMACHY), Ozone Monitoring Instrument (OMI), TROPOspheric Monitoring Instrument (TROPOMI) 등의 위성 탑재체로부터 제공 되어 왔다(Herman et al., 1997; Torres et al., 1998; Penning de Vries et al., 2009; Stein Zweers, 2021). 다양한 위성에서 제공되는 자외선 에어로졸 지수는 흡수성 에어로졸을 탐지하고 에어로졸의 유형을 구분하는 일에 널리 활용되고 있다(Hsu et al., 2006; Kim et al., 2007; Penning deVries et al., 2015). 자외선 에어로졸 지수는 일반적으로 오존의 흡수가 적고, 지표면 반사도의 변화가 크지 않은 300- 400 nm 범위 인근의 인접한 두 파장을 이용하여 계산된 다(Stein Zweers, 2021). 주로 이용되는 파장은 354 nm와 388 nm이지만, 그 외에 400 nm 이상의 근자외선 파장대를 이용하여 흡수성 에어로졸을 탐지한 연구도 함께 이루어져 왔다. 예를 들면, Ciren and Kondragunta (2014)는 Moderate Resolution Imaging Spectroradiometer (MODIS)의 412 nm 및 443 nm 밴드 관측을 이용하여 황사 에어로 졸 지수(DustAerosolIndex)를 정의하고, 이를 통해 Cloud Aerosol Lidarwith Orthogonal Polarization (CALIOP)과 유사한 정확도로 황사 에어로졸을 탐지해낸 바 있다. 뿐만 아니라, Mukai et al. (2019)과 Mukai et al. (2021)는 SecondGeneration Global Imager (SGLI)의 380 nm 및 412 nm 복사휘도 비를 이용하여 흡수성 에어로졸을 탐지하는 것이 가능함을 보였다.

본 연구에서는 GOCI-II의 자외선 관측 자료를 활용하여 황사 혹은 블랙카본(Black Carbon) 등의 광 흡수 성질을 갖는 에어로졸의 탐지 가능성을 조사하였다. GOCI-II의 380 nm 및 412 nm 밴드를 이용한 에어로졸 지수의 계산 과정을 기술하였으며, 2021년 1월부터 6월 까지 계산된 GOCI-II 에어로졸 지수를 활용하여 흡수 성 에어로졸 탐지 성능을 분석하였다. 또한, 지상원격관측장비에서 얻어진 에어로졸 유형과 GOCI-II에서 얻어진 에어로졸 지수 사이의 관계를 살펴보았다.

2. 연구자료 및 방법

1) GOCI-II

GOCI-II는 경도 130°E, 위도 36°N를 중심으로 2,500 km×2,500 km 넓이의 동아시아 영역을 250 m의 공간해상도로 관측한다. GOCI-II는 23 UTC부터 8 UTC까지 한 시간 간격으로 일 10회 지역관측을 수행하며, 이는 12개의 촬영 슬롯으로 구성되어 있다. 지역관측 외에도 GOCI-II는 일 1회 1 km의 공간해상도로 235개 슬롯으로 구성된 전구관측을 수행한다. GOCI-II 관측 밴드는 자외선 1개(380 nm), 가시광 8개(412, 443, 490, 510, 555, 620, 660, 680 nm), 근적외 3개(709, 745, 865 nm), 광대역폭 1개를 포함하는 총 13개의 밴드로 구성되어 있다. 본 연구는 2021년 1월부터 6월까지의 GOCI-II 지역관측 자료를 이용하여 분석을 수행하였다.

2) GOCI-II 에어로졸 지수 계산

에어로졸 지수는 인접한 파장쌍을 이용하여 식 (1)을 통해 계산될 수 있다(Torres et al., 1998).

\(\begin{gathered} \text { Aerosol Index }= \\ -100\left\{\log _{10}\left(\frac{R_{\lambda 1}}{R_{\lambda 2}}\right)_{\text {meas }}-\log _{10}\left(\frac{R_{\lambda 1}\left(L E R_{\lambda 1}\right)}{R_{\lambda 2}\left(L E R_{\lambda 2}\right)}\right)_{\text {calc }}\right\} \end{gathered}\)       (1)

여기서, Rλ1과 Rλ2는 각각 파장 λ1와 λ2에서의 대기상한에서의 반사도를 의미한다. 그리고 meas는 관측된 대 기상한반사도, calc은 meas과 동일한 화소에서 위성과 태양의 기하학적 조건을 이용하여 복사전달모델로부터 계산된 대기상한반사도를 나타낸다. 복사전달모델 을 이용하여 대기상한반사도를 모의할 때, 지표면 반사도를 나타내는 입력자료로 등가 램버시안 반사도 (Lambertian-equivalent reflectivity, LER)를 이용하였다. LER은 대기상한반사도로부터 레일리 산란의 효과를 보정하여 얻을 수 있다. 즉, 에어로졸 지수는 레일리 산란만 고려된 대기와 에어로졸이 존재하는 실제 대기 상 한의 반사도 차이를 이용해 정해지는 값이며, 양의 에어로졸 지수는 대기 중에 빛을 흡수하는 성질을 가진 에어로졸이 존재함을 의미한다.

본 연구에서는 흡수성 에어로졸 탐지를 위해 GOCIII 관측 자료에 식 (1)을 적용하여 에어로졸 지수를 계 산하였다. 계산에 이용된 복사전달모델은 Linearized pseudo-sphericalVector DiscreteOrdinateRadiative Transfer (VLIDORT) 버전 2.7이다(Spurr, 2006). 실제 GOCI-II 관측 자료를 이용하여 에어로졸 지수를 계산하기 이전에, 복사전달모델을 이용하여 에어로졸 지수의 민감도 시험을 수행하였다. Fig. 1은 복사전달모델을 이용하여 계산된 에어로졸 지수를 에어로졸 광학 깊이(aerosol optical depth, AOD) 크기에 따라 나타낸 결과이다. 두 종류의 파장 쌍(380 nm와 412 nm, 412 nm와 443 nm)에 대하여 에어로졸 지수가 계산되었으며, 각각은 GOCI-II와 GOCI 관측에서 택할 수 있는 가장 짧은 두 파장에 해당한다. 이때 에어로졸 유형으로는 황사를 고려하였다. 에어로졸 고도에 따른 민감도는 서로 다른 색으로 표현하였으며, 에어로졸 고도가 증가할수록 광경로 길이가 줄어들기 때문에 에어로졸 지수가 증가하는 모습을 보인다. 두 파장 쌍 모두 AOD가 증가함에 따라 증가하는 에어로졸 지수를 보여주고 있으나, 380 nm와 412 nm 파장을 사용하여 계산된 에어로졸 지수의 AOD 변화에 대한 민감도가 더 크게 나타났다. 이 결과는 자외선 영역에 근접할수록 흡수성 에어로졸에 대한 민감도가 증가하는 현상으로 설명 가능하다. 이 같이 높은 민감도를 장점으로 삼아, 본 연구에서는 GOCI-II 에어로졸 지 수 계산에 380 nm 및 412 nm 밴드 관측 자료를 이용하 였다.

OGCSBN_2021_v37n6_1_1697_f0001.png 이미지

Fig. 1. Aerosol index of dust aerosols as a function of aerosol optical depth and aerosol layer height. Solid lines and dashed lines indicate aerosol index for two wavelength pairs: 380/412 nm and 412/443 nm.

3) AERONET 자료를 이용한 에어로졸 유형 구분

Aerosol Robotic Network (AERONET)은 지상원격측 정장비 Sunphotometer를 이용한 전 지구적인 에어로졸 관측 네트워크이다(Holben et al., 1998). 이 장비의 AOD 는 7개 파장(340, 380, 440, 500, 675, 870, 1020 nm)의 직달 일사로부터 계산되며, 에어로졸의 미세물리 및 광학 성질은 440, 670, 870, 1020 nm 파장의 산란 일사로부터 산 출된다.

본 연구에서는 AERONET version 3 Level 1.5 자료에서 제공되는 440 nm 단일산란 알베도(single scattering albedo, SSA)와 옹스트롬 지수(Ångström exponent, AE), 그리고 미세모드 AOD를 이용하여 계산된 550 nm 미세 모드율(fine mode fraction, FMF)을 이용하여 에어로졸의 유형을 분류하였다. 이때 Lee et al. (2010b)에 제시된 방법이 이용되었다. Lee et al. (2010b)은 440 nm의 SSA와 550 nm의 FMF를 각각 에어로졸의 흡수성 및 크기 정보를 나타내는 인자로 활용하여, 네 가지 유형(dust, mixture, non-absorbing (NA), black carbon)으로 에어로 졸을 구분한다. 이 때, black carbon은 빛을 흡수하는 정도에 따라 highly-absorbing fine (HA), moderately-absorbing fine (MA), slightly-absorbing fine (SA)으로 구분된다. 본 연구에서는 에어로졸 유형 구분의 정확도를 높이기 위하여 AERONET으로 관측된 AOD가 0.4 이상인 자료들만을 이용하였다(Sinyuk et al., 2020).

3. 결과 및 토의

본 연구에서는 흡수성 에어로졸이 존재하는 사례에 대해 GOCI-II 에어로졸 지수의 공간 분포 특성을 분석 하였다. 또한, AERONET으로부터 얻어진 에어로졸 유형과 GOCI-II 에어로졸 지수 사이의 관계를 살펴보고, GOCI-II 에어로졸 지수를 이용한 흡수성 에어로졸 탐지 가능성에 대해 분석하였다.

본 연구에서는 2021년 3월 14일 내몽골 지역과 고비 사막에서 발생한 황사 사례를 분석하였다. 이때 발생한 황사는 수일 동안 지속되며 동쪽으로 수송되었으며, 3월 16일에는 한반도 전역이 황사 영향권 안에 들었다. Fig. 2 는 2021년 3월 15일 04:30 UTC의 GOCI-II RGB 합성 영상과 에어로졸 지수, TROPOMI에서 관측된 자외선 에 어로졸 지수를 나타낸다. GOCI-II RGB 합성 영상(Fig. 2(a))에서 발해만을 가로지르는 노란색의 황사 띠가 탐지된 것을 확인할 수 있다. GOCI-II로부터 계산된 에어로졸 지수는 이 황사의 신호를 뚜렷하게 포착하였다 (Fig. 2(b)). 황사의 영향을 받은 위성 화소에서는 8 이상 의 큰 GOCI-II 에어로졸 지수가 계산되었으며, 이는 황사가 존재하지 않는 구름 및 해상에서의 에어로졸 지수 값과는 뚜렷하게 구분되는 큰 값에 해당한다.

OGCSBN_2021_v37n6_1_1697_f0003.png 이미지

Fig. 2. (a) GOCI-II RGB composite image; (b) GOCI-II Aerosol index; (c) TROPOMI UV aerosol index for Asian dust event on 15 March 2021 at 04:30 UTC.

GOCI-II 에어로졸 지수의 공간적 분포를 정성적으로 비교하기 위하여, TROPOMI 에어로졸 지수가 이용되었다. Fig. 2(c)는 TROPOMI의 354, 388 nm 관측 자료로부터 계산된 에어로졸 지수를 나타낸다. GOCI-II 에 어로졸 지수와 동일하게 TROPOMI에서도 발해만을 가로지르는 큰 값의 에어로졸 지수가 관측되었다. 두 위성에서 관측된 에어로졸 지수의 공간 분포는 유사하지만, 황사 중심 영역(경도 121-122°E, 위도 40-41°N)에서 GOCI-II와 TROPOMI 에어로졸 지수는 각각 8.9와 3.0의 평균값을 보여, 두 값 사이에 큰 차이를 확인할 수 있었다. TROPOMI 에어로졸 지수가 타 자외선 관측 위성에 비해 약 -0.5의 음의 편차를 가진다고 알려져 있으 나(Stein Zweers, 2021), 이 점을 고려하더라도 GOCI-II 에어로졸 지수가 큰 값을 보이는 것을 알 수 있다. 일반적으로 에어로졸 지수는 흡수성 에어로졸이 존재할 때 양의 값으로 나타나고, 에어로졸이 존재하지 않을 때는 0에 근접하거나 구름이 있는 화소에서는 약한 음의 값을 보인다. 그러나 GOCI-II RGB 합성 영상(Fig. 2(a))에서 확인되는 구름 혹은 청천 화소에 대해서도 GOCI-II 에어로졸 지수는 모두 양의 값을 나타냈다.

GOCI-II 에어로졸 지수가 TROPOMI에 비해 양의 편차를 가지는 특성을 일반화할 수 있을지 확인하기 위하여, 12개 관측 슬롯 각각에 대해 GOCI-II 에어로졸 지 수 일별 중앙값을 계산하여 Fig. 3에 제시하였다. Fig. 3(a)는 각 슬롯의 위치를 보여주며, Fig. 3(b)는 2021년 1월부터 6월까지의 일별 중앙값을 계산한 결과를 보여준다. 각 슬롯 내에는 통상 구름, 에어로졸, 청천 화소가 혼재하므로, 계산된 에어로졸 지수의 일별 중앙값은 0에 가까운 값을 나타내야 할 것이다. 그러나 GOCI-II 에 어로졸 지수의 일별 중앙값을 모든 슬롯에 대해 6개월 동안 평균한 결과는 4.5으로 나타나, 양의 편차를 확인할 수 있었다. 12개의 관측 슬롯 중에서 가장 큰 평균 에 어로졸 지수는 8, 10, 11번 관측 슬롯에서(각각 4.92, 4.90, 5.18), 가장 작은 평균값은 0, 3, 6번 관측 슬롯에서(각각 3.91, 3.90, 4.06) 나타났다. 이러한 결과가 나타난 것은 선행 연구들에서 제시한 에어로졸 지수의 태양천정각 및 위성천정각 의존성 때문으로 추론된다(de Graaf et al., 2005; Ciren and Kondragunta, 2014). Fig. 3(a) 상에서 8, 10, 11번 슬롯은 좌상단에, 0, 3, 6번 슬롯은 하단에 위치한 것을 확인할 수 있다. Fig. 3(a)에 제시된 각 화소의 태양 천정각(solar zenith angle, SZA)은 위도가 커질수록 큰 값을 보이며, 이는 GOCI-II 에어로졸 지수의 경향성과 일치한다. 한편, 10번 슬롯의 큰 에어로졸 지수는 태양천 정각 효과에 더하여 중국 동부의 높은 블랙 카본 농도와 황사로부터 기인했을 것으로 판단된다(Yang et al., 2017). 태양천정각이 가장 큰 11번 슬롯과 가장 작은 3번 슬롯의 평균 에어로졸 지수의 차이는 1.2로, GOCI-II 에어로 졸 지수에 나타나고 있는 양의 편차(4.5)를 전부 설명하지 못한다. 즉, 램버시안 지표를 가정함으로 인해 발생하는 오차 이외에도 GOCI-II 에어로졸 지수의 양의 편차에 기여하는 다른 요인이 존재함을 추론할 수 있다.

OGCSBN_2021_v37n6_1_1697_f0004.png 이미지

Fig. 3. (a) Solar zenith angle (SZA) on 28 March 2021 at 03:30 UTC and coverage of 12 individual slots of GOCI-II. (b) Time series of daily median GOCI-II aerosol index for each observation slot from January to June 2021.

에어로졸 지수는 위성 측정 자료 외의 선행 입력자료를 필요로 하지 않고, 간단한 계산만으로 흡수성 에어 로졸 구분에 이용될 수 있다는 장점이 있다. 그러나 에 어로졸 지수는 에어로졸 광 흡수의 파장 의존성을 이용하여 계산되기 때문에, 관측 값의 보정 오차에 민감하다는 단점이 존재한다. TROPOMI 에어로졸 지수는 복사조도 자료의 지속적인 성능 저하로 인하여 발사 이후로 음의 편차가 심화되어 왔으나, 최근 복사조도 자료의 보정을 통해 에어로졸 지수의 편차가 -0.5에 가깝게 회복된 모습을 보였다(Lambert et al., 2021). Tilstra (2008)은 SCIAMACHY의 성능 저하로 인해 에어로졸 지수가 증가함을 보였으며, Penning de Vries et al. (2009)는 SCIAMACHY 관측에 보정 계수를 적용하여 에어로졸 지수를 재산출한 바 있다. Ahn et al. (2021)은 GOCI-II의 380 nm와 412 nm 밴드의 복사보정 감도(gain)를 각각 1.02, 0.951로 제시했으며, 지속적인 검보정을 통한 정확도 개선이 필요하다고 언급하였다. 따라서 GOCI-II 에 어로졸 지수의 양의 편차는 380 nm와 412 nm 밴드의 복사보정 오차로부터 영향을 받았을 것으로 추론된다.

에어로졸 지수는 정량적인 해석보다는 상대적인 크기 비교를 통해 흡수성 에어로졸을 탐지하는 데 이용된다. 따라서 편차가 발생하더라도, 일관적인 크기를 갖는다면 여전히 활용가치를 가진다. 이 같은 맥락에서, 본 연구는 GOCI-II 에어로졸 지수가 양의 편차에도 불구하고 흡수성 에어로졸 탐지에 이용될 수 있는지를 조사하였다. Fig. 4의 상단 그림은 2021년 3월 28일 03:30 UTC 에 발생한 황사 수송 사례의 GOCI-II RGB 합성영상을 보여준다. RGB 합성 영상에 표시된 세 개의 1°×1° 크기 빨간 사각형은 각각 청천(a), 황사(b), 구름(c) 영역을 나타낸다. 해당 영역의 GOCI-II 에어로졸 지수 발생 상대 빈도는 하단 그림에 표시되어 있다. 황사로 분류된 화소는 GOCI-II 에어로졸 지수가 9.6-9.8인 범위에 가장 많이 분포하였으며, 구름과 청천 화소의 에어로졸 지수는 각각 5.2-5.4, 6.0-6.2에서 주로 분포하였다. 즉, GOCIII 에어로졸 지수에 양의 편차가 존재함에도 불구하고, 황사 화소에서의 에어로졸 지수는 구름과 청천 화소와 는 뚜렷하게 구분되는 큰 값으로 나타났다. 이는 GOCIII 에어로졸 지수를 이용한 흡수성 에어로졸 탐지 가능성을 시사하는 결과이다.

OGCSBN_2021_v37n6_1_1697_f0005.png 이미지

Fig. 4. (top) GOCI-II RGB composite image on March 28, 2021 at 03:30 UTC.Pixels locatedin redboxes of the RGB image are identified as (a) clear, (b) dust, and (c) cloud. (bottom) relative frequency histogram of GOCI-II aerosol index for clear (blue), dust (yellow), and cloud (green).

GOCI-II 에어로졸 지수와 에어로졸 유형 사이의 관계를 분석하기 위하여 지상원격관측 자료를 함께 분석 하였다. Fig. 5는 2021년 1월부터 6월까지 GOCI-II 관측 영역 내에 위치한 32개의 AERONET 측정소의 에어로졸 유형과 SSA를 GOCI-II 에어로졸 지수와 대응시킨 결과를 보여준다. 공간적인 대응을 위해 AERONET 측정소 설치 지점을 중심으로 25 km 이내에 위치하는 GOCI-II 에어로졸 지수를 평균하였으며, 시간적인 대응을 위해 GOCI-II 관측 시간 전후 30분 이내에 관측된 AERONET 자료들을 평균하였다. 에어로졸 유형은 GOCI-II와 시공간 대응이 이루어진 AERONET 자료의 550 nm FMF와 440 nm SSA를 이용하여 Lee et al. (2010b) 에 제시된 방법을 통해 분류되었다.

OGCSBN_2021_v37n6_1_1697_f0002.png 이미지

Fig. 5. Comparison ofGOCI-II aerosol index andAERONET SSA at 443 nm for six aerosol types obtained from AERONET.Ahistogram shows the relative frequency of the GOCI-II aerosol index for each aerosol type.

Fig. 5(b)를 통해 GOCI-II 에어로졸 지수가 커질수록 AERONET SSA는 감소하는 경향을 확인할 수 있다. 두 변수 사이의 선형 상관계수는 -0.42로 나타났다. SSA는 에어로졸의 흡수 강도를 나타내는 물리량이므로, SSA 와 GOCI-II 에어로졸 지수 사이에 나타난 상관관계는 후자를 이용하여 흡수성 에어로졸을 탐지할 수 있음을 시사한다. 여섯 종류의 에어로졸 유형에 대한 GOCI-II 에어로졸 지수의 상대적인 발생 빈도는 Fig. 5(a)에 제시되었다. 분석 기간 동안 NA와 SA 에어로졸 유형의 관측 빈도수가 높게 나타났으며, SA 유형을 대상으로 계산된 GOCI-II에어로졸지수는NA와비교하여큰값을보였다. 여섯 종류의 에어로졸 유형 중 황사(dust) 에어로졸로부터 가장 큰 에어로졸 지수가 관측되었다. 전체 분석 기간 동안 2021년 3월 28일(Fig. 4)과 2021년 5월 7일에 각각 황사경보가 한반도 대부분의 지역에 발령되었으며 (https://www.weather.go.kr/weather/asiandust/density.jsp), 당시 발생한 고농도의 황사로 인해 GOCI-II 에어로졸 지수 또한 크게 관측된 것으로 판단된다.

흡수성 에어로졸이 존재할 때 실제로 큰 값의 GOCIII 에어로졸 지수가 관측되는지를 정량적으로 확인하기 위해, AERONET 자료와 시공간 대응이 이루어진 GOCI-II 에어로졸 지수 값의 50, 75 퍼센타일을 계산하였다(각각 5.4, 6.0). 그 후 50, 75 퍼센타일 값보다 큰 에 어로졸 지수가 관측된 자료의 비율을 에어로졸 유형별로 계산하여 관측 자료의 수와 함께 Table 1에 나타냈다. 75 퍼센타일보다 큰 에어로졸 지수 구간에는(GOCI-II 에어로졸 지수 > 6.0), AERONET에서 분류된 dust 유형 에어로졸의 71.3%와 MA 에어로졸의 80.0%가 포함됨을 확인할 수 있었다. 한편, NA로 분류된 자료에서는 75 퍼센타일을 초과하는 GOCI-II 에어로졸 지수 자료가 3%에 불과하였다. 50 퍼센타일을 기준으로 분석하 였을 때도, dust와 MA 에어로졸 유형의 비율이 다른 에어로졸 유형에 비해 높게 나타났다. 즉, 큰 값의 에어로졸 지수를 가지는 에어로졸 유형으로는 흡수성 에어로 졸이 지배적으로 나타남을 확인할 수 있었다. 이 결과는 GOCI-II 에어로졸 지수에 편향이 존재하지만, 흡수성 에어로졸 탐지에는 여전히 이용 가능하다는 것을 의미한다. 본 연구에서는 흡수성 에어로졸의 탐지 가능성만을 분석하였지만, 추후 에어로졸 지수의 임계값 설정을 통해 보다 상세한 유형 구분 수행이 가능할 것으로 기대된다. 특히 샘플 데이터의 대부분(97%)이 6.0 이하의 에어로졸 지수를 보인 NA 유형은 상대적으로 구분이 용이할 것으로 예상된다.

Table 1. The number of data classified into each aerosol type and the ratio of data with GOCI-II aerosol index greater than the 50 and 75 percentile for each aerosol type

OGCSBN_2021_v37n6_1_1697_t0001.png 이미지

4. 요약 및 결론

본 연구는 2020년 2월 발사된 GOCI-II 자료를 이용하여 흡수성 에어로졸을 탐지한 결과를 최초로 제시하였다. GOCI 관측 밴드에는 존재하지 않았으나 GOCI-II 에 새롭게 도입된 자외선 채널(380 nm)을 활용하여 에어 로졸 지수를 산출하고, 흡수성 에어로졸 탐지 가능성을 살펴보았다. GOCI-II의 380 nm와 412 nm 밴드 관측 자료로부터 계산된 에어로졸 지수를 고농도 황사 사례에 대해 분석한 결과, 에어로졸 지수는 황사가 존재하는 화소에서 큰 값을 보였다. 또한 그 공간 분포는 TROPOMI 에어로졸 지수의 공간 분포와 유사했다. 그러나 GOCIII 에어로졸 지수는 2021년 1월부터 6월까지 모든 관측 슬롯에 대해 양의 편차를 가지는 것으로 나타났다.

GOCI-II 에어로졸 지수에 양의 편차가 존재하지만, 황사 화소에서의 에어로졸 지수는 청천이나 구름 화소 의 에어로졸 지수와 구분 가능한 정도의 큰 값을 나타냈다. 또한, AERONET SSA와 GOCI-II 에어로졸 지수 사이에서 -0.42의 선형 상관계수를 확인했으며, 이는 GOCI-II 에어로졸 지수로 에어로졸의 흡수 강도를 설명할 수 있음을 뜻한다. 연구 기간 동안 얻어진 전체 GOCI-II 에어로졸 지수의 75 퍼센타일보다 큰 값을 가지는 자료의 비율은 dust와 Moderately-absorbing fine 에 어로졸 유형에 대해 각각 71.3%, 80.0%로 나타났으며, 흡수성 에어로졸로부터 큰 에어로졸 지수가 관측됨을 확인하였다.

본 연구를 통해, GOCI-II의 자외선 채널을 활용하면 흡수성 에어로졸을 관측할 수 있음을 증명하였다. GOCI-II 기기의 강점 중 하나는 높은 시공간 해상도이다. 본 장비를 활용하면 250 m 간격으로 매시간 흡수 성 에어로졸의 탐지가 가능하다. 향후 장기적인 통계 분석을 통하여 임계 값을 설정한다면, GOCI-II 에어로졸 지수는 에어로졸의 유형 구분에도 활용될 수 있을 것이다. 이렇게 얻어진 에어로졸 유형 자료는 에어로졸의 광학 특성을 산출할 시 선행 입력자료로 적용 가능하다. 뿐만 아니라, 에어로졸 지수를 이용해 극심한 황사를 탐지하게 되면 황사 화소가 구름 신호로 오인되어 제거될 가능성을 낮추므로, 에어로졸 광학 특성 자료의 산출 영역을 확대할 수 있을 것이다. 현재 지속적인 검보정을 통해 GOCI-II 관측 자료의 정확도를 높이려는 시도가 이루어지고 있으므로, 향후 보다 정확한 흡수성 에어로졸 탐지가 가능해질 것으로 기대된다.

사사

이 논문은 해양수산부 재원으로 해양수산과학기술진흥원의 지원을 받아 수행된 연구임(다종위성 기반 해양 현안대응 실용화 기술 개발).

References

  1. Ahn, Y.-H., J.-H. Ryu, S. Cho, and S.-H. Kim, 2010. Missions and User Requirements of the 2nd Geostationary Ocean Color Imager (GOCI-II), Korean Journal of Remote Sensing, 26(2): 277-285 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2010.26.2.277
  2. Ahn, J.-H., K. Kim, E. Lee, S.-J. Bae, K.-S. Lee, J.-E. Moon, T.-H. Han, and Y.-J. Park, 2021. Introduction of GOCI-II Atmospheric Correction Algorithm and Its Initial Validations, Korean Journal of Remote Sensing, 37(5-2): 1259-1268 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2021.37.5.2.4
  3. Choi, M., J. Kim, J. Lee, M. Kim, Y.-J. Park, U. Jeong, W. Kim, H. Hong, B. N. Holben, T.F. Eck, C. H. Song, J.-H. Lim, and C.-K. Song, 2016. GOCI Yonsei Aerosol Retrieval (YAER) algorithm and validation during the DRAGON-NE Asia 2012 campaign, Atmospheric Measurement Techniques, 9(3): 1377-1398. https://doi.org/10.5194/amt-9-1377-2016
  4. Choi, M., J. Kim, J. Lee, M. Kim, Y. Park, B. Holben, F. Thomas, Z. Li, and C.H. Song, 2018. GOCI Yonsei aerosol retrieval version 2 aerosol products: improved algorithm description and error analysis with uncertainty estimation from 5-year validation over East Asia, Atmospheric Measurement Techniques, 11: 385-408. https://doi.org/10.5194/amt-11-385-2018
  5. Choi, M., H. Lim, J. Kim, S. Lee, T.F. Eck, B.N. Holben, M.J. Garay, E.J. Hyer, and P.E. Saide. 2019. Validation, comparison, and integration of GOCI, AHI, MODIS, MISR, and VIIRS aerosol optical depth over East Asia during the 2016 KORUS-AQ campaign, Atmospheric Measurement Techniques, 12(8): 4619-4641. https://doi.org/10.5194/amt-12-4619-2019
  6. Ciren, P. and S. Kondragunta, 2014. Dust aerosol index (DAI) algorithm for MODIS, Journal of Geophysical Research: Atmospheres, 119: 4770-4792. https://doi.org/10.1002/2013jd020855
  7. De Graaf, M., P. Stammes, O. Torres, and R.B.A. Koelemeijer, 2005. Absorbing Aerosol Index: Sensitivity analysis, application to GOME and comparison to TOMS, Journal of Geophysical Research, 110: D01201. https://doi.org/10.1029/2004jd005178
  8. Goto, D., M. Kikuchi, K. Suzuki, M. Hayasaki, M. Yoshida, T. M. Nagao, M. Choi, J. Kim, N. Sugimoto, A. Shimizu, E. Oikawa, and T. Nakajima, 2019. Aerosol model evaluation using two geostationary satellites over East Asia in May 2016, Atmospheric Research, 217: 93-113. https://doi.org/10.1016/j.atmosres.2018.10.016
  9. Herman, J.R., P.K. Bhartia, O. Torres, C. Hsu, C. Seftor, and E. Celarier, 1997. Global distribution of UV-absorbing aerosols from Nimbus 7/TOMS data, Journal of Geophysical Research, 102 (D14): 16911-16922. https://doi.org/10.1029/96JD03680
  10. Holben, B.N., T.F. Eck, I. Slutsker, D. Tanre, J.P. Buis, A. Setzer, E. Vermote, J.A. Reagan, Y.J. Kaufman, and T. Nakajima, 1998. AERONET-A federated instrument network and data archive for aerosol characterization, Remote sensing of environment, 66(1): 1-16. https://doi.org/10.1016/S0034-4257(98)00031-5
  11. Hsu, N.C., S.-C. Tsay, M.D. King, and J.R. Herman, 2006. Deep Blue retrievals of Asian aerosol properties during ACE-Asia, IEEE Transactions on Geoscience and Remote Sensing, 44(11): 3180-3195. https://doi.org/10.1109/TGRS.2006.879540
  12. Jeon, W., Y. Choi, P. Percell, A. Hossein Souri, C.-K. Song, S.-T. Kim, and J. Kim, 2016. Computationally efficient air quality forecasting tool: Implementation of STOPS v1.5 model into CMAQ v5.0.2 for a prediction of Asian dust, Geoscientific Model Development, 9: 3671-3684. https://doi.org/10.5194/gmd-9-3671-2016
  13. Jung, J., A.H. Souri, D.C. Wong, S. Lee, W. Jeon, J. Kim, and Y. Choi, 2019. The Impact of the Direct Effect of Aerosols on Meteorology and Air Quality Using Aerosol Optical Depth Assimilation During the KORUS-AQ Campaign, Journal of Geophysical Research: Atmospheres, 124: 8303-8319. https://doi.org/10.1029/2019jd030641
  14. Kim, J., J. Lee, H.C. Lee, A. Higurashi, T. Takemura, and C.H. Song, 2007. Consistency of the aerosol type classification from satellite remote sensing during the Atmospheric Brown Cloud-East Asia Regional Experiment campaign, Journal of Geophysical Research, 112: D22S33. https://doi.org/10.1029/2006jd008201
  15. Kim, M., J. Kim, O. Torres, C. Ahn, W. Kim, U. Jeong, S. Go, X. Liu, K. J. Moon, D.-R. Kim, 2018. Optimal Estimation-Based Algorithm to Retrieve Aerosol Optical Properties for GEMS Measurements over Asia, Remote Sensing, 10: 162. https://doi.org/10.3390/rs10020162
  16. Kleipool, Q.L., M.R. Dobber, J.F. de Haan, and P.F. Levelt, 2008. Earth surface reflectance climatology from 3 years of OMI data, Journal of Geophysical Research, 113: D1830.
  17. Lambert, J.-C., S. Compernolle, K.-U. Eichmann, M. de Graaf, D. Hubert, A. Keppens, Q. Kleipool, B. Langerock, M.K. Sha, T. Verhoelst, T. Wagner, C. Ahn, A. Argyrouli, D. Balis, K.L. Chan, I. De Smedt, H. Eskes, A.M. Fjaeraa, K. Garane, J.F. Gleason, F. Goutail, J. Granville, P. Hedelt, K.-P. Heue, G. Jaross, ML. Koukouli, J. Landgraf, R. Lutz, S. Nanda, S. Niemeijer, A. Pazmino, G. Pinardi, J.-P. Pommereau, A. Richter, N. Rozemeijer, M. Sneep, D. Stein Zweers, N. Theys, G. Tilstra, O. Torres, P. Valks, J. van Geffen, C. Vigouroux, P. Wang, and M. Weber, 2021. Quarterly Validation Report of the Copernicus Sentinel-5 Precursor Operational Data Products #13: April 2018 - December 2021. S5P MPC Routine Operations Consolidated Validation Report Series, Issue #13, Version 13.01.00, p. 189, https://mpc-vdaf.tropomi.eu/ProjectDir/reports//pdf/S5P-MPC-IASB-ROCVR-13.00.10-20211217_signed.pdf, Accessed on Dec. 24, 2021.
  18. Lee, J., J. Kim, C.H. Song, J.-H. Ryu, Y.-H. Ahn, and C. Song, 2010a. Algorithm for retrieval of aerosol optical properties over the ocean from the Geostationary Ocean Color Imager, Remote Sensing of Environment, 114(5): 1077-1088. https://doi.org/10.1016/j.rse.2009.12.021
  19. Lee, J., J. Kim, C.H. Song, S.B. Kim, Y. Chun, B.J. Sohn, and B.N. Holben, 2010b. Characteristics of aerosol types from AERONET sunphotometer measurements, Atmospheric Environment, 44: 3110-3117. https://doi.org/10.1016/j.atmosenv.2010.05.035
  20. Lee, J., J. Kim, P. Yang, and N.C. Hsu, 2012. Improvement of aerosol optical depth retrieval from MODIS spectral reflectance over the global ocean using new aerosol models archived from AERONET inversion data and tri-axial ellipsoidal dust database, Atmospheric Chemistry and Physics, 12(15): 7087-7102. https://doi.org/10.5194/acp-12-7087-2012
  21. Lee, S., J. Kim, M. Choi, J. Hong, H. Lim, T.F. Eck, B.N. Holben, J.-Y. Ahn, J. Kim, and J.-H. Koo, 2019. Analysis of long-range transboundary transport (LRTT) effect on Korean aerosol pollution during the KORUS-AQ campaign, Atmospheric Environment, 204: 53-67. https://doi.org/10.1016/j.atmosenv.2019.02.020
  22. Lee, S., M. Kim, S.-Y. Kim, D.-W. Lee, H. Lee, J. Kim, S. Le, and Y. Liu, 2021. Assessment of long-range transboundary aerosols in Seoul, South Korea from Geostationary Ocean Color Imager (GOCI) and ground-based observations, Environmental Pollution, 269: 115924. https://doi.org/10.1016/j.envpol.2020.115924
  23. Lee, S.-J., K.-S. Lee, T.-H. Han, J.-E. Moon, S.-J. Bae, and J.-K. Choi, 2021c. Introduction on the products and the quality management plans for GOCI-II, Korean Journal of Remote Sensing, 37(5-2): 1245-1257 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2021.37.5.2.3
  24. Mukai, S., I. Sano, and M. Nakata, 2019. Algorithms for the classification and characterization of aerosols: utility verification of near-UV satellite observations, Journal of Applied Remote Sensing, 13(1): 014527.
  25. Mukai, S., I. Sano, and M. Nakata, 2021. Improved Algorithms for Remote Sensing-Based Aerosol Retrieval during Extreme Biomass Burning Events, Atmosphere, 12: 403. https://doi.org/10.3390/atmos12030403
  26. Park, S., M. Shin, J. Im, C.-K. Song, M. Choi, J. Kim, S. Lee, R. Park, J. Kim, D.-W. Lee and S.-K. Kim, 2019. Estimation of ground-level particulate matter concentrations through the synergistic use of satellite observations and process-based models over South Korea, Atmospheric Chemistry and Physics, 19: 1097-1113. https://doi.org/10.5194/acp-19-1097-2019
  27. Park, S., J. Lee, J. Im, C.-K. Song, M. Choi, J. Kim, S. Lee, R. Park, S.-M. Kim, J. Yoon, D.-W. Lee, and L.J. Quackenbush, 2020. Estimation of spatially continuous daytime particulate matter concentrations under all sky conditions through the synergistic use of satellite-based AOD and numerical models, Science of the Total Environment, 713: 136516. https://doi.org/10.1016/j.scitotenv.2020.136516
  28. Penning de Vries, M.J.M., S. Beirle, and T. Wagner, 2009. UV Aerosol Indices from SCIAMACHY: introducing the SCattering Index (SCI), Atmospheric Chemistry and Physics, 9: 9555-9567. https://doi.org/10.5194/acp-9-9555-2009
  29. Penning de Vries, M.J.M., S. Beirle, C. Hormann, J.W. Kaiser, P. Stammes, L.G. Tilstra, O.N.E. Tuinder, and T. Wagner, 2015. A global aerosol classification algorithm incorporating multiple satellite data sets of aerosol and trace gas abundances, Atmospheric Chemistry and Physics, 15: 10597-10618. https://doi.org/10.5194/acp-15-10597-2015
  30. Sinyuk, A., B.N. Holben, T.F. Eck, D.M. Giles, I. Slutsker, S. Korkin, J.S. Schafer, A. Smirnov, M. Sorokin, and A. Lyapustin, 2020. The AERONET Version 3 aerosol retrieval algorithm, associated uncertainties and comparisons to Version 2, Atmospheric Measurement Techniques, 13: 3375-3411. https://doi.org/10.5194/amt-13-3375-2020
  31. Stein Zweers, D.C., 2021. TROPOMI ATBD of the UV aerosol index, S5P-KNMI-L2-0008-RP, https://sentinel.esa.int/web/sentinel/user-guides/documentlibrary, Accessed on Oct. 12, 2021.
  32. Spurr, R.J.D., 2006. VLIDORT: A linearized pseudo-spherical vector discrete ordinate radiative transfer code for forward model and retrieval studies in multilayer multiple scattering media, Journal of Quantitative Spectroscopy and Radiative Transfer, 102(2): 316-342. https://doi.org/10.1016/j.jqsrt.2006.05.005
  33. Tilstra, L.G., 2008. SCIAMACHY Absorbing Aerosol Index Algorithm Theoretical Basis Document, Koninklijk Nederlands Meteorologisch Instituut, De Bilt, NED.
  34. Torres, O., P.K. Bhartia, J.R. Herman, and Z. Ahmad, 1998. Derivation of aerosol properties from satellite measurements of backscattered ultraviolet radiation: Theoretical basis, Journal of Geophysical Research, 103: 17099-17110. https://doi.org/10.1029/98JD00900
  35. Torres, O., A. Tanskanen, B. Veihelmann, C. Ahn, R. Braak, P.K. Bhartia, P. Veefkind, and P. Levelt, 2007. Aerosols and surface UV products from Ozone Monitoring Instrument observations: An overview, Journal of Geophysical Research, 112: D24S47. https://doi.org/10.1029/2007jd008809
  36. Xu, J.-W., R.V. Martin, A. Van Donkelaar, J. Kim, M. Choi, Q. Zhang, G. Geng, Y. Liu, Z. Ma, L. Huang, Y. Wang, H. Chen, H. Che, P. Lin, and N. Lin, 2015. Estimating ground-level PM2.5 in eastern China using aerosol optical depth determined from the GOCI satellite instrument, Atmospheric Chemistry and Physics, 15: 13133-13144. https://doi.org/10.5194/acp-15-13133-2015
  37. Yang, Y., H. Wang, S.J. Smith, P.-L. Ma, and P.J. Rasch, 2017. Source attribution of black carbon and its direct radiative forcing in China, Atmospheric Chemistry and Physics, 17: 4319-4336. https://doi.org/10.5194/acp-17-4319-2017