High-Resolution Sentinel-2 Imagery Correction Using BRDF Ensemble Model

BRDF 앙상블 모델을 이용한 고해상도 Sentinel-2 영상 보정

Abstract

Vegetation indices based on selected wavelength reflectance measurements are used to represent crop growth and physiological conditions. However, the anisotropic properties of the crop canopy surface can govern spectral reflectance and vegetation indices. In this study, we applied an ensemble of bidirectional reflectance distribution function (BRDF) models to high-resolution Sentinel-2 satellite imagery and compared the differences between correction results before and after reflectance. In the red and near-infrared (NIR) band reflectance images, BRDF-corrected outlier values appeared in certain urban and paddy fields of farmland areas and forest shadow areas. These effects were equally observed when calculating the normalized difference vegetation index (NDVI) and 2-band enhanced vegetation index (EVI2). Furthermore, the outlier values in corrected NIR band were shown in pixels shadowed by mountain terrain. These results are expected to contribute to the development and improvement of BRDF models in high-resolution satellite images.

농업의 새로운 패러다임인 디지털 농업에서는 원격탐사 기법을 활용하여 작물 생육을 지속적으로 감시하며 해당 정보를 신속하게 디지털화 하고 있다. 이를 위해 선택적 파장 반사도 변화를 기반으로 한 식생지수가 널리 활용되고 있다. 그러나 식생 표면의 분광 산란·반사는 이방성을 보이기 때문에 광원인 태양의 위치와 관측 방향에 따라 반사도가 달라진다. 이는 식생지수 값이 작물의 실제 상태를 정확하게 반영하지 못하고 왜곡될 수 있다. 본 연구에서는 이방성 반사 특성 보정을 위해 bidirectional reflectance distribution function (BRDF) 앙상블 모델을 고해상도 Sentinel-2 위성 영상에 적용하고, normalized difference vegetation index (NDVI)와 2-band enhanced vegetation index (EVI2)를 산출하였다. BRDF 보정에 따라 산림에서 Red와 near-infrared (NIR) 밴드의 반사도가 대체로 증가하고, 농촌마을 및 농경지에서는 감소했다. 식생지수는 BRDF 보정 후에 산림지역 내에서의 지형 구분이 뚜렷해지고 논은 수확 유무에 따른 공간적 차이가 상승했다. 이는 EVI2보다 NDVI에서 그 차이가 컸다. 이러한 결과는 앞으로의 고해상도 위성 영상에서의 BRDF 모델 개발과 개선에 기여할 것으로 기대된다.

1. 서론

농업은 작물 생산량 증대를 위해 영농과 육종 기술을 지속적으로 발전시켜왔다. 최근에는 원격탐사 기법을 활용한 디지털 농업 기술의 발전으로 더욱 신속하고 연속적인 작물 생육 모니터링이 가능해졌다(Lee et al., 2017). 특히, 농경지 작물 군락 표면의 파장별 선택적 반사를 이용한 식생지수는 작물 모니터링에 효과적으로 활용되고 있다(Na et al., 2016; Kamble et al., 2013). 그러나 작물 표면의 분광 반사의 이방성 때문에 광원인 태양의 방위, 고도, 그리고 반사도 측정 센서의 각도에 따라 식생지수가 반응하여 작물 생육 특성 및 상태를 정확하게 파악하지 못할 수 있다(Zhao et al., 2020).

따라서, 식생지수 기반의 작물 생육 변화 분석을 위해서는 군락 반사도를 위한 태양복사 입사와 반사 에너지를 정확히 측정해야 할 뿐만 아니라, 태양복사 입사 및 센서 관측 방향에 따른 이방성 반사 특성이 고려되어야 한다(Peng et al., 2015). 예를 들어, 양방향 반사 분포 함수(Bidirectional reflectance distribution function, BRDF)와 같은 모델을 활용하여 보정된 반사도로 식생지수를 산출해야만, 표면 이방성으로 인한 특성을 배제하고 작물의 생리·생육 특성만을 정확히 탐지할 수 있을 것이다(Zhang et al., 2014; Li et al., 2021).

BRDF는 물체 표면 또는 지표면의 산란반사를 모의한 수치 모델로 광원 방향과 센서 관측 각도 사이의 관계를 풀이한다(Gao et al., 2003). BRDF는 경험적 모델, 반경험적 모델, 물리과정기반 모델이 있는데, 경험적 모델은 계산을 위한 입력 및 설정값이 많거나 특정 토지 피복에 국한되는 단점이 있으며, 물리과정기반 모델은 지표면의 특성을 도식적 또는 개념적으로 가정하기 때문에 불확도가 높아질 수 있다. 국내에서는 위성 영상을 활용한 식생지수 연구와 활용이 활발한데 비해 상대적으로 BRDF 영상 보정 연구가 부족한 것이 현실이며, 특히 고해상도 위성 영상을 활용한 BRDF 보정 연구는 아직 미비한 상황이다(Yeom et al., 2005).

또한, 대부분의 위성 식생지수가 BRDF 보정 없이 실제로 활용되고 있는 점을 상기한다면 BRDF 모델링 효과를 비교 평가하여 식생지수 해석에 반영될 필요가 있다. 게다가, 단순화된 BRDF 모델 특성상 복잡한 작물 군락 표면에서는 입사광과 센서 위치 조건에 따라 일부 산란반사 특징이 왜곡될 수도 있으므로(Pokrovsky and Roujean, 2003), BRDF 모델 성능에 대한 개선도 요구된다. 예를 들어, 다양한 입사광 방향과 센서 위치 조건에서의 반사도 관측값을 활용하여 BRDF 보정을 진행하면 불확도가 낮아질 수 있다(Li et al., 2010).

본 연구에서는 위성 영상의 BRDF 보정 품질 향상을 위해앙상블기법을적용하고수치계산법을개선하였다. 이를 이용해 BRDF 보정이 식생지수 값에 미치는 효과를 평가하였다. 가장 널리 사용되는 식생지수인 normalized difference vegetation index (NDVI)와 토양 간섭이 개선된 2-band enhanced vegetation index (EVI2)를 대상으로 하였고, 고해상도 Sentinel-2 위성 영상을 활용하였다.

2. 연구자료 및 방법

2.1. BRDF 앙상블 모델

가장 널리 사용되는 BRDF 보정은 moderate resolution imaging spectroradiometer(MODIS) 위성에서 사용한 반경험적 모델이 활용되며(Schaaf et al., 2002; Pisek et al., 2015), 일반적으로 Roujean et al. (1992)이 제안한 방법을 따른다. 반경험적 방법에서는 반사도가 등방성(isometric) 산란, 기하학적(geometric) 산란, 용적(volumetric) 산란의 합으로 결정된다고 가정한다. 즉, 산란 반사도는 식(1)과 같이 3종류 커널(isometric, geometric, volumetric kernel) 기반으로 물리적인 표면 양방향 반사 분포(bidirectional reflectance distribution, BRD) 값을 조절하는 계수들로 구성되어 있다. 이러한 모델은 다양한 토지 유형에 적용할 수 있는 장점이 있다.

R(θ_s, θ_v, ø) = K₀ + K₁ f₁(θ_s, θ_v, ø) + K₂ f₂(θ_s, θ_v, ø)       (1)

θ_s와 θ_v는 각각 태양과 센서 천정각이고, ø는 태양과 센서 사이의 상대 방위각이다. R은 반사도로써 R(θ_s, θ_v, ø)은 특정 태양과 센서 위치가 고려되어 보정된 반사도를 의미한다. f₁과 f₂는 물리적인 커널로써 각각 기하와 볼륨 산란을 표현한다. 등방성 산란의 f₀는 식(1)에 직접 기입되지 않았지만, 그 균질한 특성 때문에 1로 간주될 수 있다. K₀, K₁, K₂는 BRD 특성을 표현 시키는 경험적 계수이다. K₀는 등방성, K₁은 기하학적, K₂는 용적 특성을 결정한다.

식(1)의 f₁과 f₂ 커널 계산에 사용되는 모델들이 선행 연구에서 개발되었는데, f₁은 Li-Sparse-Reciprocal 모델(Li and Strahler, 1986), Li-Dense 모델(Wanner et al., 1995), Roujean 모델(Roujean et al., 1992)이 대표적이다. f₂는 Ross-Thick 모델(Ross, 1981), Ross-Thin 모델(Wanner et al., 1995)이 있다. 선택된 두 커널 모델에는 3개의 실측 지표면 R 값이 해당 θ_s, θ_v, ø이 함께 입력되어 3개의 f₁, f₂ 값을 얻는다. 이때 f₀ 값은 항상 1로 둔다. 이렇게 3개의 f₀, f₁, f₂ 값과 실측 R이 식(1)을 기반으로 역행렬로 풀이되어 K₀, K₁, K₂ 커널 계수값을 구한다. 이 커널 값들은 다시 식(1)에 입력하여 원하는 θ_s, θ_v, ø 조건에 해당하는 추정 R값을 얻을 수 있게 된다. 본 연구에서 BRDF 보정된 값이라 함은 θ_s과 θ_v이 지면과 연직 방향(nadir)일 때의 R과 식생지수를 의미하였다.

기존의 BRDF 모델링 과정에 있어 두 가지 문제점에 주목하였는데, 첫째, 각 커널 계수를 산출하는 역행렬 풀이에는 가우시안 소거법(gaussian elimination)이 대부분 사용되었지만(Lucht et al., 2000), 입력 변수의 조합에 따라 산란·반사에 있어 물리적으로 설명되지 못하는 음수 값이 산출되는 경우가 생길 수 있다. 둘째, Li et al.(2010) 등의 선행연구에서 지적한 것처럼, BRDF 보정에 입력되는 실측 즉, 참값 반사도가 3개 밖에 되지 않아 거친 표면의 산란·반사 특성을 충분히 반영하지 못할 수 있다.

본 연구에서는 모델들은 커널 계수가 음수로 산출되는 경우 없이 양수 값을 갖도록 가중치를 찾는 최적화 기술인 non-negative least squares (NNLS) 회귀를 이용하였다(Cai et al., 2014). 또한, BRDF 모델이 식생으로 피복된 거친 지표면을 안정적으로 표현할 수 있도록 기존의 모든 커널 모델들을 앙상블해 사용하였다(Fig. 1). f₁은 3개 모델, f₂는 2개 모델을 가용할 수 있으므로 6종류의 조합이 가능하며, 커널 계수 K₀, K₁, K₂ 또한 각각 6개의 값을 얻는다. 이는 NNLS 회기를 풀이하는 과정에서 다시 6종류의 커널 계수가 6조합의 모델에 입력되므로 총 36 종류의 반사도 보정 결과가 획득된다. 얻어진 36개의 반사도 값을 하위 25%부터 상위 25%까지의 범위인 interquartile range (IQR) 이외의 값을 이상치로 판단하여 제거하고 평균하여 보정 반사도를 산출하였다(Vinutha et al., 2018).

Fig. 1. Flowchart of BRDF ensemble model framework.

2.2. BRDF 입력 데이터

입력데이터로 사용된Sentinel-2위성영상은Copernicus Open Access Hub (https://scihub.copernicus.eu)를 통해 다운로드하였다. 사용된 Sentinel-2 Level-2A (L2A) 영상은 대기보정 처리가 된 것으로써 5 m의 공간해상도를 갖고 재방문 주기는 5일이다. 본 연구의 대상 지역은 전라남도 해남군 해남읍 인근(위도: 34.4962°~34.5942°N, 경도: 126.5274~126.6476°E)으로 환경부에서 제공하는 대분류 토지피복지도에 따르면 농경지인 논과 밭, 산림과 도심지 분포가 고르게 되어있는 지역이다(Fig. 2).

Fig. 2. Study area located in Haenam-gun, Jellanam-do. (a) RGB image and (b) land cover classification. (Data source: Ministry of Environment, https://egis.me.go.kr)

10월에 식생의 활력은 한 여름에 비해 낮으나 활엽수와 침엽수의 구조적 차이가 드러나며, 논에서는 각 필지마다 수확 여부가 달라 다양한 지표면 상태에 대해 보정효과를 살펴볼 수 있다. 2022년 10월 19일 영상을 보정하기 위해 2022년 10월 14일, 19일, 24일 영상을 함께 사용했으며 모두 구름이 없었다. 생물량과 구조에 민감한 식생지수인 NDVI와 EVI2의 보정 효과를 평가하기 위해 Red와 near-infrared (NIR) 밴드 영상을 각각 BRDF 모델에 적용한 뒤, NDVI와 EVI2를 계산하였다. Red 밴드는 식생의 엽록소에서 많이 흡수하는 파장대이며, NIR 밴드는 생물량이 커질수록 반사도가 증가하는 성질을 갖는다. 각 식생지수의 산출식은 식(2), (3)과 같다.

\(\begin{aligned}N D V I=\frac{N I R-R e d}{N I R+R e d}\end{aligned}\)       (2)

\(\begin{aligned}E V I 2=2.5 \times \frac{N I R-R e d}{N I R+2.4 \times R e d+1}\end{aligned}\)       (3)

3. 연구결과 및 토의

BRDF 보정 후의 Red 밴드 반사도는 대부분의 논 지역에서 감소했다. 그에 비해 산림은 전체적으로 조금 증가했으며, 복잡 지형에서는 상대적으로 큰 증가를 보였다(Figs. 3a, e). 인공 구조물이 있는 농촌 마을이나 해남읍 영역에서 보정된 Red 반사도를 보면, 보정 전 영상 내에서는 값이 매우 작은 편이었으나 대부분의 픽셀에서 증가하였다. 특히, 호수 및 태양광 발전 패널에서 큰 폭의 증가가 있었다(Fig. 4a). NIR 밴드는 기본적으로 BRDF 보정 전 영상 히스토그램(image histogram)이 정규분포에 가까운 형태를 보이며 이러한 형태가 보정 후에도 유지되지만(Fig. 5f), 보정 후에 상대적으로 반사도 값이 커진 픽셀이 전체 영상에 걸쳐서 지표면이 거친 지역에 분포하였다(Fig. 3f). 특히 거친 산악 지형인 산골짜기에서 많이 보였다.

Fig. 3. Images before and after BRDF correction. (a, e, i) Red band, (b, f, j) NIR band, (c, g, k) NDVI, and (d, h, l) EVI2.

Fig. 4. Correlations before and after BRDF correction. (a) Red band, (b) NIR band, (c) NDVI, and (d) EVI2.

Fig. 5. Histograms before and after BRDF correction. (a, e, i) Red band, (b, f, j) NIR band, (c, g, k) NDVI, and (d, h, l) EVI2.

한편, BRDF 보정 후 Red와 NIR 밴드에서 도심지, 농경지, 산림 일부 픽셀의 반사도가 이웃 픽셀들과는 이질적으로 1.0 이상 튀는 값이 나타났다. 이는 태양광 발전 패널 등과 같이 태양광 정반사(sun-glint)가 일어날 수 있는 물체가 도심에 있었거나, BRDF 모델이 충분히 지표면을 표현하지 못해서 발생한 것으로 사료된다. 예를 들어, 농경지 논의 경우 10월 중순에 벼 수확기로 접어 들면서 보정에 사용된 2022년 10월, 14, 19, 24일 영상 중간에 벼가 수확되어 튀는 값이 발생한 것으로 추측된다. 또한 산림에서는 산골짜기와 같이 그림자가 드리운 픽셀에서 튀는 값이 자주 보였다.

보정 전 NDVI 픽셀 값은 공간분포 차이가 비교적 적은 모습을 보여주고 있는데, 주로 산림에서는 값이 크고 산림 외 지역이 유사한 수준으로 낮았다(Fig. 3c). NDVI 보정 전 영상 히스토그램을 보면(Fig. 5c), 약 0.75를 기준으로 큰 값들이 산림에 분포하고 작은 값들은 산림 외 지역에 특징 없이 분포한다. 하지만 보정 후에는 산림 내에서 큰 차이를 보이지 않았던 NDVI 픽셀들도 지형 효과에 따라 값의 차이를 보였고(Fig. 3g), 이것은 영상 히스토그램의 0.75 이상 구간에서 두 개의 피크(peak)를 만들었다(Fig. 5g). NDVI 보정 전에 0.75 이하의 값들은 보정 후에 전체적으로 증가했으며 비교적 다양한 값의 구간에 분포하게 되었다(Fig. 4c). 이에 따라, 논과 농촌 마을의 NDVI 구분이 드러났으며, 특히 논들 사이에서도 NDVI 값이 공간적으로 차이가 생긴 것은 10월의 수확 전과 후의 복잡한 모습을 보여주는 것으로 사료된다(Fig. 3g).

보정 후의 EVI2는 값이 커진 픽셀들이 영상 전체에 걸쳐 분포하고 있으며, 영상 히스토그램의의 형태는 비슷하였으나 그 분포가 더 넓어졌다(Figs. 5d, h). EVI2에서 BRDF 보정 전과 후 차이가 NDVI 보다 적었던 것은 EVI2는 자체가 토양 간섭을 낮춘 식생지수이므로 표면 산란·반사 이방성에 덜 민감했던 것으로 사료된다(Tóth et al., 2016) 예를 들어, NDVI와는 다르게 보정 전에도 산림의 지형에 따라 EVI2 값이 차이 나게 분포했고, BRDF 보정 후에는 더욱 지형이 두드러졌다. 한편, 논과 농촌 마을에서는 보정 후에 공간 복잡성이 증가하였다.

4. 결론

BRDF 보정을 적용한 결과는 산림 지역에서 Red와 NIR 밴드의 반사도가 대체로 증가하고, 농촌마을 및 농경지에서는 감소했다. NDVI 값은 BRDF 보정 후에 산림지역 내에서의 지형 구분이 뚜렷해지며, 논 지역에서는 수확 유무에 따른 공간적 차이가 상승했다. EVI2는 기본적으로 NDVI보다 지형 효과가 두드러졌지만, BRDF 보정 후에 특히 산골짜기 지형이 두드러졌다. 도심 및 농촌 지역에서도 BRDF 보정 후에 공간적 차이가 더 증가했다. 반면, 수확기에는 농경지 부근에서 간혹 공간적으로 값이 높게 튀는 픽셀이 있었고, 특히 산림에서는 지형적 그림자의 영향이 있는 곳에서 빈번히 튀는 픽셀이 나타났다. 이러한 공간적으로 매우 부자연스럽게 튀는 픽셀은 우선 해당 지역의 토지이용형태 및 지형·지물을 세심하게 확인해 볼 필요가 있으며(예, 태양광 패널), 향후 인공지능 등의 영상 기법을 이용한 추가 보정 및 재처리 등의 기술 개발이 필요할 것을 본다(Joh et al., 2021; Kim et al., 2022).

선행연구의 BRDF 보정 모델을 조합하여 만든 BRDF 앙상블 모델의 고해상도 Sentinel-2 위성에서의 결과를 확인하였고, 이는 Sentinel-2 위성과 유사한 시공간 해상도를 갖는 위성인 WorldView-2, RapidEye에 적용하여 BRDF 보정 영향을 파악하는 데 도움이 될 것으로 판단된다.