KR101895231B1

KR101895231B1 - 인공위성을 이용한 일 최고기온 산출 방법

Info

Publication number: KR101895231B1
Application number: KR1020180036662A
Authority: KR
Inventors: 이수봉; 이달근; 이미희; 김진영; 유정흠; 김종필; 윤혜원; 천은지; 박영진
Original assignee: 대한민국
Priority date: 2018-03-29
Filing date: 2018-03-29
Publication date: 2018-09-12

Abstract

본 발명은 인공위성 영상자료를 사용하여 일 최고기온을 용이하게 산출하고 모니터링하기 위한 인공위성을 이용한 일 최고기온 산출 방법에 관한 것으로,
인공위성 측정 산출물 정보(1)와 종관 기상 관측장비로부터 입수된 현장상황정보(2)가 운영컴퓨터(3)에 입력되면, 상기 운영컴퓨터(3) 및 이에 내장된 프로그램에서는 일 최고기온 산출 알고리즘을 통해 결과물을 모니터(4)에 시뮬레이션하게 됨으로써, 해당지역에 대한 일 최고기온을 직접 측정하지않더라도 실제에 근접한 값을 용이하게 모니터링할 수 있도록 구성된 위성영상을 이용한 일 최고기온 산출방법에 있어서,
(1) 상기 현장상황정보(2)에서 입수한 일 최고기온을 종속변수로 하고, 인공위성에 의한 지표온도, SRTM DEM(수치 표고모델), 정규 식생지수, 정규 수분지수, 정규 시가화지수를 독립변수로 하여 단계적 회귀분석을 하는 과정;
(2) 상기 단계적 회귀분석을 통해 유의도가 낮은 독립변수는 제거하고, 남은 독립변수의 계수와 상수를 도출하여 일 최고기온으로 변환하되 아래 세가지 알고리즘을 통해 일 최고기온을 산출하는 과정과;
- 해당 1 지역에서 촬영된 위성영상에 의해 모든 지역을 대표하는 회귀방정식을 도출하는 알고리즘.
- 여러지역에 대한 회귀방정식을 각각 도출하는 알고리즘,
- 여러지역에서 나온 모든 값을 입력변수로 하여 통합된 하나의 회귀방정식을 도출하는 알고리즘
(3) 기상 관측장비에서 측정된 일 최고기온과 상기 알고리즘들에서 산출된 값을 비교해서 최적의 일 최고기온 산출 알고리즘을 선택하는 과정과;
(4) 상기 선택된 일 최고기온 산출 알고리즘을 사용하여, 모든 인공위성 영상자료들에 의해 해당지역 일 최고기온을 산출하는 과정과;
(5) 모니터에 해당기간에 대한 일 최고기온을 해당지역의 지도위에 열분포 지도로서 매핑하여 표시하는 과정으로 이루어진 것을 특징으로 한다.

Description

인공위성을 이용한 일 최고기온 산출 방법{The method for calculating the maximum daily temperature using satellite}

본 발명은 인공위성 영상자료를 사용하여 일 최고기온을 용이하게 산출하고 모니터링하기 위한 인공위성을 이용한 일 최고기온 산출 방법에 관한 것으로,

보다 상세하게는, 인공위성 측정 산출물 정보와 종관 기상관측장비(ASOS, Automated Surface Observing System)의 데이터베이스가 운영컴퓨터에 입력되면, 상기 운영컴퓨터 및 이에 내장된 프로그램에서는 일 최고기온 산출 알고리즘을 통해 결과물을 모니터에 시뮬레이션하게 됨으로써, 해당지역에 대한 일 최고기온을 직접 측정하지않더라도 실제에 근접한 값을 용이하게 모니터링할 수 있게되는 인공위성을 이용한 일 최고기온 산출 방법에 관한 것이다.

최근 기상이변 현상에 따라 국지성 집중호우 및 태풍이 발생하고 있으며 많은 인명과 재산피해가 발생하고 있는데, 특히 태풍은 광범위하게 피해가 발생하고, 동일지역에 반복하여 발생하는 추세를 나타내고 있어 피해지역에 대해 효율적인 관리와 복구대책 수립이 요구되고 있다.

이러한 재난들은 지역별 지표온도 및 광범위한 지역에 대한 열분포 발생추이와 밀접한 관련이 있으므로, 지표온도 및 일 최고기온과, 이로 인한 열 분포 발생추이 등을 사전에 조사해둘 필요가 있다.

그런데 종래에는 지역별 지표온도의 조사작업과, 해당기간의 평균 일 최고기온의 조사작업이 모두 조사원에 의한 현지조사에 의존하고 있었으므로, 광범위한 지역에 대해 조사하기 어렵고 정기적으로 조사하기도 어려운 문제점이 있었다.

해당지역마다 AWS(Automatic Weather System; 자동 기상 측정장비)를 설치하는 방법을 생각할 수 있겠으나, 이는 특정지역이나 협소한 지역에 대해 조사할 때는 가능하겠으나, 광범위한 지역에 대해 조사하기위해서는 설치비용이 엄청나게 증가하게되므로, 실질적으로는 사용이 불가하게되는 문제점이 있었다.

본 발명은 상기와 같은 제반 사정을 감안하여 발명한 것으로,

지표온도는 물론, 해당기간 별 평균 일 최고기온을 직접 조사원에 의해 조사하지아니하고, 인공위성 영상자료를 사용하여 일 최고기온을 자동적으로 산출하고 모니터링할 수 있도록 함으로써, 지표온도 및 일 최고기온에 대한 조사비용을 크게 절감할 수 있도록 함에 첫번째 목적이 있는 것이다.

또한, 인공위성 측정 산출물 정보와 AWS(Automatic Weather System)의 데이터베이스가 운영컴퓨터에 입력되면, 상기 운영컴퓨터 및 이에 내장된 프로그램에서는 일 최고기온 산출 알고리즘을 통해 결과물을 모니터에 시뮬레이션하게 됨으로써, 실제에 근접한 값을 용이하게 모니터링할 수 있도록 함에 두번째 목적이 있는 것이며, 이로 인해 광범위한 지역에 대한 정기적인 조사가 가능케될 것이므로 열분포 발생추이를 예상할 수 있고 열 분포 이동이 지역에 미칠 영향에 대해서도 분석할 수 있도록 함에 세번째 목적이 있는 것이며, 이로 인해 재해를 근본적으로 예방될 수 있도록 함에 네번째 목적이 있는 것이다.

상기 목적을 달성하기 위한 본 발명은,

인공위성 측정 산출물 정보(1)와 종관 기상 관측장비로부터 입수된 현장상황정보(2)가 운영컴퓨터(3)에 입력되면, 상기 운영컴퓨터(3) 및 이에 내장된 프로그램에서는 일 최고기온 산출 알고리즘을 통해 결과물을 모니터(4)에 시뮬레이션하게 됨으로써, 해당지역에 대한 일 최고기온을 직접 측정하지않더라도 실제에 근접한 값을 용이하게 모니터링할 수 있도록 구성된 위성영상을 이용한 일 최고기온 산출방법에 있어서,

(1) 상기 현장상황정보(2)에서 입수한 일 최고기온을 종속변수로 하고, 인공위성에 의한 지표온도, SRTM DEM(수치 표고모델), 정규 식생지수, 정규 수분지수, 정규 시가화지수를 독립변수로 하여 단계적 회귀분석을 하는 과정;

(2) 상기 단계적 회귀분석을 통해 유의도가 낮은 독립변수는 제거하고, 남은 독립변수의 계수와 상수를 도출하여 일 최고기온으로 변환하되 아래 세가지 알고리즘을 통해 일 최고기온을 산출하는 과정과;

- 해당 1 지역에서 촬영된 위성영상에 의해 모든 지역을 대표하는 회귀방정식을 도출하는 알고리즘.

- 여러지역에 대한 회귀방정식을 각각 도출하는 알고리즘,

- 여러지역에서 나온 모든 값을 입력변수로 하여 통합된 하나의 회귀방정식을 도출하는 알고리즘

(3) 기상 관측장비에서 측정된 일 최고기온과 상기 알고리즘들에서 산출된 값을 비교해서 최적의 일 최고기온 산출 알고리즘을 선택하는 과정과;

(4) 상기 선택된 일 최고기온 산출 알고리즘을 사용하여, 모든 인공위성 영상자료들에 의해 해당지역 일 최고기온을 산출하는 과정과;

(5) 모니터에 해당기간에 대한 일 최고기온을 해당지역의 지도위에 열분포 지도로서 매핑하여 표시하는 과정으로 이루어진 것을 특징으로 한다.

또한, 상기 기상 관측장비에서 측정된 일 최고기온은 'csv' 형태로 제공되는데, 일 최고기온에 각 관측지역 별 경위도를 추가해 'shp'형태로 제공된다.

상기 SRTM DEM(수치 표고모델)은 SRTM Non-Void Filled, SRTM Void Filled, SRTM 1 Arc-Second Global의 세가지로서, 상기 SRTM Non-Void Filled와 SRTM Void Filled는 3 arc-second의 자료로써 약 90m의 공간해상도이고, SRTM 1 Arc-Second Global은 1 arc-second 자료로써 약 30m의 공간해상도로 제공된다.

상기 정규 식생지수는 아래의 식과 같이 제공될 수 있다.

상기 정규 수분지수는 아래의 식과 같이 제공될 수 있다.

상기 정규 시가화지수는 아래의 식과 같이 제공될 수 있다.

또한, 상기 단계적 회귀분석에서는 각종 독립변수들 중에서 설명력이 높고, 통계적 유의도가 가장 높은 변수를 이용하여 단계적으로 투입 후 회귀계수의 유의수준에 따라 판단하되, 오차 허용범위가 일정치 이상인 것을 제거하고 남은 독립변수만을 사용하여 일 최고기온 추정 알고리즘을 산출하게된다.

상기 기상 관측장비에서 측정된 일 최고기온과 상기 알고리즘들에서 산출된 값을 비교해서 최적의 일 최고기온 산출 알고리즘을 선택하는 과정에서는, 각각에 대한 평균제곱근오차값을 비교하여 판정하게되며,

상기 인공위성에 의한 지표온도는, 인공위성의 열적외선 센서에서 입수한 메타데이터(DN)가 지표온도 산출 알고리즘에 의해 환산되어진 것임을 특징으로 한다.

이상 설명한 바와 같이 본 발명은,

지표온도는 물론, 해당기간 별 평균 일 최고기온을 직접 조사원에 의해 조사하지아니하고, 인공위성 영상자료를 사용하여 일 최고기온을 자동적으로 산출하고 모니터링할 수 있도록 함으로써, 지표온도 및 일 최고기온에 대한 조사비용을 크게 절감케하는 효과가 있는 것이다.

또한, 인공위성 측정 산출물 정보와 AWS(Automatic Weather System)의 데이터베이스가 운영컴퓨터에 입력되면, 상기 운영컴퓨터 및 이에 내장된 프로그램에서는 일 최고기온 산출 알고리즘을 통해 결과물을 모니터에 시뮬레이션하게 됨으로써 실제에 근접한 값을 용이하게 모니터링할 수 있는 효과가 있고, 특히 30m의 세밀한 공간해상도를 이용하여 동단위의 일 최고기온 분포 현황을 파악할 수 있고, 이는 AWS의 개수 제한으로 파악하지 못한 지역들을 관측한다는 장점이 있으며,

이로 인해 광범위한 지역에 대한 정기적인 조사가 가능케될 것이므로 열분포 발생추이를 예상할 수 있고 열 분포 이동이 지역에 미칠 영향에 대해서도 분석할 수 있도록 하는 효과가 있으며, 이로 인해 재해를 근본적으로 예방할 수 있게되는 효과도 있는 것이다.

도 1은 본 발명의 기본 구성을 도시한 블럭도,
도 2는 본 발명의 처리과정을 개략적으로 도시한 흐름도,
도 3은 SRTM DEM 을 도시한 도면,
도 4는 위성영상의 화소값 혹은 복사휘도를 대기보정 작업한 도면,
도 5는 검증에 사용된 자동기상관측장비 자료와 검증결과를 나타낸 도면,
도 6은 해당지역에 대한 열 분포지도를 기간별 도시한 도면,
도 7은 해당지역의 열 분포 기본지도,
도 8은 일 최고기온이 가장 높은 곳(문래동 2가)과 가장 낮은 곳(합정동)을 비교한 도면이다..

이하, 본 발명의 바람직한 실시예를 예시도면에 의거하여 상세히 설명한다.

도 1은 본 발명의 기본 구성을 도시한 블럭도로서,

인공위성 측정 산출물 정보(1)와 종관 기상 관측장비로부터 입수된 현장상황정보(2)가 운영컴퓨터(3)에 입력되면, 상기 운영컴퓨터(3) 및 이에 내장된 프로그램에서는 일 최고기온 산출 알고리즘을 통해 결과물을 모니터(4)에 시뮬레이션하게 됨으로써, 일 최고기온을 직접 측정하지않더라도 실제에 근접한 값을 용이하게 모니터링할 수 있도록 구성되는데, 보다 상세한 설명은 아래와 같다.

Landsat-8 위성영상의 일 최고기온 추정은 통계적 유의도가 낮은 독립변수를

제외하고 다중선형회귀 방정식의 계수를 산출하는 단계적(Step-wise) 회귀분석으로 수행하였다. 즉, Landsat-8 위성영상이 촬영된 시기의 자동기상관측장비 일 최고기온 자료를 종속변수(y)로 하고, 앞서 대기와 지표면 방사율을 보정한 Landsat-8 지표 온도, SRTM(Shuttle Radar Topography Mission) DEM, 정규 식생지수, 정규수분지수, 그리고 정규 시가화지수를 독립변수(x)로 지정하였다. 단계적 회귀분석을 통해 여러 개의 독립변수 중에서 일 최고온도 추정 시 큰 의미를 주지 못하는 독립변수들을 제거하고 변수의 계수와 상수를 도출하여 새로운 일 최고기온 추정 알고리즘을 개발하였다.

Landsat-8 위성영상 일 최고기온 추정의 연구지역은 앞서 언급된 지표온도 추정 연구지역과 동일하다. 즉, 서울특별시, 부산광역시, 대구광역시, 대전광역시, 울산광역시, 인천광역시, 광주광역시, 세종특별자치시를 포함하는 총 5개의 영상인 114-035, 114-036, 115-035, 115-036, 116-034으로 하였다. 회귀분석에는 2013년부터 2016년의 각 연도별 6월부터 9월까지 촬영된 위성영상을 이용하여 일 최고온도 추정 방정식을 제작하였다. 회귀방정식 제작에는 총 3가지 방법으로 구분하여 진행하였다. 방법 #1은 115-035 지역에서 촬영된 위성영상으로 다른 모든지역을 대표하는 회귀방정식을 도출하여 다른 연구지역(114-035, 114-036, 115-035, 115-036)에 적용하였다. 115-035 지역은 타 지역으로 산출한 회귀방정식에 비해 높은 결정계수를 가지고 있기 때문에 본 연구에서는 해당 회귀방정식을 다른 지역에 적용시키는 방법을 시험하였다. 방법 #2는 5개의 연구지역 별 회귀 방정식을 각각 제작하여 적용하는 방법으로 총 5가지 회귀방정식이 제작된다.

마지막으로 방법 #3은 5개의 지역에서 촬영된 영상들을 모두 이용하여 회귀방정식을 제작하는 방법으로 하였다. 제작된 방정식은 2017년에 촬영된 위성영상에 적용하여 자동기상관측장비(AWS, Automatic Weather Station)의 일 최고기온과 비교 및 분석을 하였다.

일 최고기온 추정 회귀방정식 제작에 사용되는 입력 자료는 총 6가지로써, 자동기상 관측장비의 일 최고기온, Landsat-8 지표온도, SRTM DEM, 정규식생지수, 정규수분지수, 그리고 정규시가화지수이다. 자동기상관측장비의 일 최고기온 자료는 좌표를 추가하여 벡터자료로 제작하였고, 다른 입력 자료들은 래스터자료들이다.

1) 자동기상관측장비(AWS: Automatic Weather Station)

기상청(KMA, Korea Meterological Administration)은 고층, 해양, 항공 등

분류별 기상 관측을 수행하고 있다. 이 중에서 지상관측은 총 585개 지점에서 관측망을 운영 중이고, 이 중 94개는 종관기상관측장비, 그리고 477개는 자동기상관측장비이다. 이 외에도 고층기상장비는 5개 라디오존데와 오토존데 1개, 통합고층 기상관측망 9개에서 윈드프로파일러 및 라디오미터를 운영하고 있다. 해양은 총 17개 지점의 해양기상부이, 48개 지점의 파고부이, 6개 지점의 파랑계, 9개 지점의 등표, 18개 지점의 연안방재관측장비, 10개 지점의 선박기상관측장비와 1척의 해양기상관측선을 운영하고 있다. 또한 10개의 기상레이더 관측소, 21개의 낙뢰관측, 13개의 항공관측, 127개의 지진관측 업무를 수행하고 있다.

본 연구에서는 기상자료개방포털(https://data.kma.go.kr/)에서 제공하는 자료를 이용하였다. 기상자료개방포털은 기상 자료를 한 곳에서 제공받을 수 있게 서비스하는 웹사이트로 2015년 8월 26일부터 운영되었다. 기상자료개방포털에서 데이터 → 방재기상관측 → 자료조회에서 Landsat-8 위성영상 취득 일자와 동일한 시기를 선택하고, 대한민국의 전 지점을 선택하였다. 자료형태를 ‘일 자료’로 선택했을 때 기상자료개방포털에서 제공하는 요소는 ‘최고기온 시각’, ‘최고기온’, ‘최저기온 시각’, ‘최저기온’, ‘평균기온’, ‘일강수량’, ‘최대 순간 풍속 풍향’, ‘평균 풍속’, ‘최대 순간 풍속’을 제공한다. 본 연구는 해당 목록 중에서 최고기온을 사용하였다. 일 최고기온은 ‘csv’ 형태로 제공되고, 본 연구에서는 제공되는 일 최고기온에 각 관측지역별 경위도 좌표를 추가해 ‘shp’형태로 변환하였다.

2) SRTM DEM

SRTM은 두 개의 레이더 안테나와 단일 Pass가 장착된 스페이스 셔틀 Endeavour호가 C-밴드와 X-밴드를 이용하여 2000년 2월 11일부터 22일까지 촬영하여 제작한 수치표고모델이다. Endeavour호는 전 세계의 80%(북위 60°와 남위 56° 사이)의 데이터를 InSAR(Interferometric Synthetic Aperture Radar) 방법을 통해 수치표고모델을 제작하였다. 자료의 공간해상도는 처음 미국 지역 내에서만 1 arc-second(약 30m)이고, 전 세계적으로는 3 arc-second(약 90m)를 제공하다가 2014년 말 이후 현재는 전 세계 1 arc-second 파일을 제공하고 있다. SRTM은 16m 미만의 절대 수직 높이 정확도를 제공한다.

SRTM DEM은 National Map Seamless Data Distribution System 또는 USGS FTP 사이트에서 다운로드 받을 수 있다. 해당 사이트에서 제공하는 SRTM 자료 타입은 총 3가지로써 SRTM Non-Void Filled, SRTM Void Filled, SRTM 1 Arc-Second Global이 있다. SRTM Non-Void Filled와 SRTM Void Filled는 3 arc-second의 자료로써 약 90m의 공간해상도이고, SRTM 1 Arc-Second Global은 1 arc-second 자료로써 약 30m의 공간해상도로 제공된다.

NASA/USGS가 배포하고 있는 SRTM 자료에는 물 또는 짙은 그림자 지역으로 인해 측정되지 않은 픽셀값들이 존재한다. 프로덕트 타입 중 Void Filled는 측정되지 않은 픽셀값들을 추가하여 제작된 자료이다. (도 3 참조)

3) 정규식생지수(NDVI, Normalized Diffrence Vegetation Index)

식물은 가시광선 중 적색영역에서는 빛에 의한 반사도가 낮고, 근적외 영역에서는 약 50%에 가까운 높은 반사율을 나타낸다. 정규식생지수(Normalized Difference Vegetation Index)는 이런 반사율 차이를 이용하여 식생의 상태를 파악할 수 있는 지수이다(Owen, 1998; 이미희, 2017). 일반적으로 정규식생지수는 -1부터 1까지 범위를 가지며, 수분을 동반하는 피복(구름, 눈, 물 등)에서는 음수 값을 나타낸다. 식생이 없는 경우에는 암석, 마른 토양과 같은 피복에서는 0에 가까운 값을 나타내고, 0.2에서 0.4까지는 관목이나 초원을 나타낸다. 그리고 1에 가까울수록 식생이 우거져 있다는 의미이고, 일반적으로 0.1에서 0.6사이의 값을 갖는다. 정규식생지수는 식 (3.24)와 같이 구할 수 있다.

정규식생지수를 이용한 수종분류와 같은 세밀한 작업을 위해서는 위성영상의 화소값 혹은 복사휘도를 대기보정 작업을 통해 지표 반사도로 변환이 필요하다.

4) 정규수분지수(NDWI, Normalized Difference Water Index)

정규수분지수는 인공위성으로 취득할 수 있는 두 개의 파장대를 이용하여 식생에 포함되는 수분 함유량을 파악하는 지수이다. Gao(1996)가 제안한 정규수분지수는 약 0.86 ㎛의 근적외 파장대와 1.24㎛의?단파장적외 파장대로 구성된다.

단파장적외의 반사율은 식생의 수분함량의 변화를 반영하고, 근적외의 반사율은 수분함량이 아닌 식생의 내부 구조와 건조한 상태에 의해 영향을 받는다.

정규수분지수는 식 (3.25)이다. 정규수분지수의 범위는 -1부터 1까지이며, -1에서 0까지는 식물이나 수분이 없음을 의미하고, +1에 가까울수록 수분 함량이 높다는 의미이다.

5) 정규시가화지수(NDBI, Normalized Difference Built Index)

정규시가화지수는 도시화된 정도를 파악하는 지수이다. 즉, 특정 픽셀 안에 콘크리트로 구성된 구조물들이 포함되는 정도를 의미한다. 정규시가화지수는 식 (3.26)이다. 식 (3.26)의 적용 시, 결과값의 범위는 -1부터 1까지이며, 1에 가까u울수록 불투수층의 비율이 높은 지역을 의미한다.

일 최고기온 추정 회귀방정식 제작은 1) 단계적 회귀분석을 이용한 필요한 독립변수 선정, 2) 입력 자료의 차이를 통해 최적의 회귀방정식 도출로 진행하였다. 먼저 독립변수 후보로 선정된 입력 자료는 대기와 지표 방사율이 고려된 Landsat-8 지표온도 영상, SRTM DEM, 정규식생지수, 정규수분지수, 정규시가화지수로 선정하였다.

먼저 단계적 회귀분석을 통한 독립변수 선정이다. 앞서 언급된 것과 같이 단계적 회귀분석은 통계적 유의도가 낮은 독립변수를 제외한 후 회귀방정식을 얻는 방법이다. 즉, 본 연구에서 사용한 Landsat-8 지표온도 영상, SRTM DEM, 정규식생지수, 정규수분지수, 정규시가화지수 중에서 설명력이 높고, 통계적 유의도가 가장 높은 변수를 이용하여 단계적으로 투입 후, 회귀계수의 유의수준에 따라 판단된다.

일반적인 유의수준은 0.05로, 귀무가설이 사실일 때 귀무가설을 기각할 오류의 최대 허용범위가 5%란 의미이다. 본 연구에서는 5%이상인 변수들은 제거하였다. 표 3.6은 본 연구에서 산출된 각 변수별 P-값과 T확률이다.

표 3.6에서 유의수준(5%)를 넘는 변수는 SRTM DEM과 정규식생지수이다. 해당변수들은 0.29과 1.95로 타 변수에 비해 낮은 T확률을 보였다. 따라서 본 연구에서는 Landsat-8 지표온도, 정규수분지수, 그리고 정규시가화지수를 이용해 회귀방정식을 제작하였다.

선정된 변수들을 이용하여 앞서 언급한 방법별(#1, #2, #3)로 회귀방정식을 제작하였다. 회귀방정식에 사용된 지표온도 영상들은 Landsat-8 인공위성의 발사시기인 2013년부터 2016년까지 촬영된 영상으로 사용하였다. 표 3.7은 Landsat-8 의 WRS-2 기반 위성영상 위치 별 회귀분석 시 제작되는 방정식과 결정계수를 나타내었다. 본 연구에서는 아래 3가지의 방법을 이용하여 일 최고기온 산출 알고리즘을 개발하였다

방법 #1은 검증지점(AWS)을 가장 많이 보유하고 있는 115-035 지역을 1개의 대표영상으로 선정하여 1개의 방정식을 도출하고 다른 4개의 영상에 적용하여 일 최고기온을 산출하였다.

방법 #2는 5개의 위성영상별로 각각 5개의 방정식을 도출하여 영상별로 방정식을 적용하여 일 최고기온을 산출하였다.

방법 #3은 5개의 위성영상에서 나온 모든 값들을 입력변수로 하여 통합적인 하나의 방정식을 도출하여 남한에 대한 일 최고기온을 산출하였다. 표 3.7은 대상지역별로 도출된 방정식을 나타낸다.

본 연구에서 제안한 3개의 일 최고기온 추정 알고리즘 검증을 위해 2017년 6월부터 9월까지 촬영된 Landsat-8 위성영상을 이용하였다. 2017년에 촬영된 Landsat-8 위성영상은 앞서 언급한 알고리즘을 이용하여 일 최고기온으로 변환하였고, 자동기상관측소의 일 최고기온 자료와 비교 및 검증하였다. 검증방법으로는 본 연구에서 개발한 알고리즘의 결과 값과 자동기상관측소의 일 최고기온 관측 값을 비교하여 평균제곱근오차를 이용해 정확도를 판단하였다.

도 5는 검증에 사용된 자동기상관측장비 자료와 검증결과를 나타낸 것이며, 표 3.8은 검증에 사용된 자동기상관측장비 자료이다.

Landsat-8 기반의 일 최고기온을 검증하기 위한 자동기상관측장비 지점은 기상청에서 제공하는 약 460여개 지점의 자료를 활용하였으며, 위성영상 촬영 당일의 자동기상관측장비의 일 최고기온을 산출하여 검증자료로 사용하였다.

표 3.8은 자동기상관측장비의 일 최고기온과 개발된 3개의 일 최고기온 추정 알고리즘별 비교를 통한 검증결과를 나타내었다.

각 개발된 3개의 알고리즘을 2017년 촬영된 Landsat-8 위성영상에 적용한 결과는 표 3.8와 같다. 2017년 촬영된 영상은 3.2절의 지표온도를 추정할 때 사용된 영상과 동일한 영상들을 이용하였다. 표 3.8의 평균제곱근오차(RMSE)를 전체 평균해본 결과 방법 #1은 2.44℃, 방법 #2는 2.47℃, 방법 #3은 2.36℃을 보였다.

본 연구에서 개발한 3개의 알고리즘을 이용한 평균제곱오차는 2.36∼2.47℃의 범위를 가지며 알고리즘 별 차이는 0.1℃ 내외의 근소한 차이를 보여주고 있다.

그 중에서 5개의 영상을 하나의 입력변수로 하는 방법 #3이 2.36℃로 가장 적은 오차를 가지는 정확도를 보여주고 있다.

본 연구에서는 제안한 3가지 방법 중 가장 좋은 정확도를 나타낸 방법 #3을 적용하여 열 분포 기본지도 제작을 수행하였다.

한편, Landsat-8 위성영상의 지표면온도와 환경변수들을 이용하여 위성영상 촬영당시 일 최고기온 추정 알고리즘을 개발하였다. 앞에서 설명한 일 최고기온 추정 알고리즘을 이용하여 우리나라의 열 분포 기본지도 제작을 수행하였다.

열 분포 기본지도 제작 대상지역은 남한에서 인구밀도가 높은 지역을 기준으로 8개의 도시를 정하였다. 8개 도시는 서울특별시, 부산광역시, 대구광역시, 인천광역시, 대전광역시, 광주광역시, 울산광역시, 세종특별자치시로 특별시 1개, 광역시 6개, 특별자치시 1개로 열 분포 기본지도 제작을 수행하였다.

열 분포 기본지도는 공간적으로 30m의 해상도를 갖기 때문에 기존보다 정밀한 열 분포 현황을 파악할 수 있다.

먼저, 서울특별시에 대해 적용해본 결과는 아래와 같다.

서울특별시의 열 분포 기본지도를 제작하기 위해서 2013년부터 2017년까지 폭염대책기간인 6월부터 9월에 촬영된 Landsat-8 위성영상들을 일 최고기온으로 변환하였다. 총 10개의 위성영상을 이용하였고, 일 최고기온이 산출된 위성영상들은 도 6에 나타내었다.

도 6에서 하얀색 부분은 영상 전처리 과정에서 구름 및 구름 그림자가 제거된 지역으로 기온 값이 존재하지 않는다. 최저 운량으로 촬영된 영상은 운량이 0.1%로 2017년 8월 26일에 촬영된 영상이고, 최고 운량은 59%로 2017년 7월 25일에 촬영된 영상이다. 영상에 운량이 많을수록 정확한 지표온도를 측정할 수 없기 때문에 열 분포 기본지도로 활용되기에는 적합하지 않다. 따라서, 열 분포 기본지도로 활용되기 위해서는 운량이 거의 존재하지 않은, 맑은 날의 영상의 일 최고기온을 확보해야 되므로 운량이 1% 미만 값을 갖는 영상을 우선 선정하였다.

도 6에서 서울특별시 결과 값 중에서 1% 미만의 구름을 가진 영상은 총 3장(2013년 9월 16일, 2016년 9월 24일, 2017년 8월 26일)이 있으며, 이 중에서 가장 낮은 운량 값을 가진 2017년 8월 26일의 Landsat-8 위성영상을 열 분포 기본지도로 정하였다. 영상에서 나타내고 있는 최저와 최고 기온의 범위는 25℃에서 35℃로 지정하였다.

도 7은 본 연구에서 개발된 알고리즘의 최종 산출물인 서울특별시 열 분포 기본지도를 나타내었다. 행정구역별로 전체적인 열 분포를 확인할 수 있도록 하였다.

도 8은 일 최고기온이 가장 높은 문래동 2가(32℃)와 가장 낮은 지역인 합정동(26.5℃)를 나타내었으며, 그 차이는 5.5℃ 정도를 나타내고 있다.

한편, 나머지 지역에 대해서는 도 6~8 에서와 같이 동일한 방법에 의해 적용할 수 있을 것이다.

도 2는 본 발명의 처리과정을 개략적으로 도시한 흐름도로서, 본 발명에 다른 최고기온 산출방법을 정리하여 설명드리자면 다음과 같다.

먼저, (1) 인공위성 측정 산출물 정보(1)와 종관 기상 관측장비로부터 입수된 현장상황정보(2)가 운영컴퓨터(3)에 입력되면, 상기 운영컴퓨터(3) 및 이에 내장된 프로그램에서는 일 최고기온 산출 알고리즘을 통해 결과물을 모니터(4)에 시뮬레이션하게 됨으로써, 해당지역에 대한 일 최고기온을 직접 측정하지않더라도 실제에 근접한 값을 용이하게 모니터링할 수 있도록 구성된 위성영상을 이용한 일 최고기온 산출방법에 있어서,

- 여러지역에 대한 회귀방정식을 각각 도출하는 알고리즘,

(5) 모니터에 해당기간에 대한 일 최고기온을 해당지역의 지도위에 열분포 지도로서 매핑하여 표시하는 과정으로 이루어진다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시예를 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.

본 명세서에서, 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

따라서, 몇몇 실시예들에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.

1 : 인공위성 측정산출물 정보
2 : 현장상황 정보
3 : 운영 컴퓨터
4 : 모니터

Claims

인공위성 측정 산출물 정보(1)와 종관 기상 관측장비로부터 입수된 현장상황정보(2)가 운영컴퓨터(3)에 입력되면, 상기 운영컴퓨터(3) 및 이에 내장된 프로그램에서는 일 최고기온 산출 알고리즘을 통해 결과물을 모니터(4)에 시뮬레이션하게 됨으로써, 해당지역에 대한 일 최고기온을 직접 측정하지않더라도 실제에 근접한 값을 용이하게 모니터링할 수 있도록 구성된 위성영상을 이용한 일 최고기온 산출방법에 있어서,
(1) 상기 현장상황정보(2)에서 입수한 일 최고기온을 종속변수로 하고, 인공위성에 의한 지표온도, SRTM DEM(수치 표고모델), 정규 식생지수, 정규 수분지수, 정규 시가화지수를 독립변수로 하여 단계적 회귀분석을 하는 과정;
(2) 상기 단계적 회귀분석을 통해 유의도가 낮은 독립변수는 제거하고, 남은 독립변수의 계수와 상수를 도출하여 일 최고기온으로 변환하되 아래 세가지 알고리즘을 통해 일 최고기온을 산출하는 과정과;
- 해당 1 지역에서 촬영된 위성영상에 의해 모든 지역을 대표하는 회귀방정식을 도출하는 알고리즘.
- 여러지역에 대한 회귀방정식을 각각 도출하는 알고리즘,
- 여러지역에서 나온 모든 값을 입력변수로 하여 통합된 하나의 회귀방정식을 도출하는 알고리즘
(3) 기상 관측장비에서 측정된 일 최고기온과 상기 알고리즘들에서 산출된 값을 비교해서 최적의 일 최고기온 산출 알고리즘을 선택하는 과정과;
(4) 상기 선택된 일 최고기온 산출 알고리즘을 사용하여, 모든 인공위성 영상자료들에 의해 해당지역 일 최고기온을 산출하는 과정과;
(5) 모니터에 해당기간에 대한 일 최고기온을 해당지역의 지도위에 열분포 지도로서 매핑하여 표시하는 과정으로 이루어진 것을 특징으로 하는 위성영상을 이용한 일 최고기온 산출방법.
제 1항에 있어서,
상기 기상 관측장비에서 측정된 일 최고기온은 'csv' 형태로 제공되는데, 일 최고기온에 각 관측지역 별 경위도를 추가해 'shp'형태로 제공되는 것을 특징으로 하는 위성영상을 이용한 일 최고기온 산출방법.
제 1항에 있어서,
상기 SRTM DEM(수치 표고모델)은 SRTM Non-Void Filled, SRTM Void Filled, SRTM 1 Arc-Second Global의 세가지로서, 상기 SRTM Non-Void Filled와 SRTM Void Filled는 3 arc-second의 자료로써 약 90m의 공간해상도이고, SRTM 1 Arc-Second Global은 1 arc-second 자료로써 약 30m의 공간해상도로 제공된 것임을 특징으로 하는 위성영상을 이용한 일 최고기온 산출방법.
제 1항에 있어서,
상기 정규 식생지수는 아래의 식과 같이 제공된 것을 특징으로 하는 위성영상을 이용한 일 최고기온 산출방법.
제 1항에 있어서,
상기 정규 수분지수는 아래의 식과 같이 제공된 것을 특징으로 하는 위성영상을 이용한 일 최고기온 산출방법.
제 1항에 있어서,
상기 정규 시가화지수는 아래의 식과 같이 제공된 것을 특징으로 하는 위성영상을 이용한 일 최고기온 산출방법.
제 1항에 있어서,
상기 단계적 회귀분석에서는 각종 독립변수들 중에서 설명력이 높고, 통계적 유의도가 가장 높은 변수를 이용하여 단계적으로 투입 후 회귀계수의 유의수준에 따라 판단하되, 오차 허용범위가 일정치 이상인 것을 제거하고 남은 독립변수만을 사용하여 일 최고기온 추정 알고리즘을 산출하는 것을 특징으로 하는 위성영상을 이용한 일 최고기온 산출방법.
제 1항에 있어서,
상기 기상 관측장비에서 측정된 일 최고기온과 상기 알고리즘들에서 산출된 값을 비교해서 최적의 일 최고기온 산출 알고리즘을 선택하는 과정에서는, 각각에 대한 평균제곱근오차값을 비교하여 판정하는 것을 특징으로 하는 위성영상을 이용한 일 최고기온 산출방법.
제 1항에 있어서,
상기 인공위성에 의한 지표온도는, 인공위성의 열적외선 센서에서 입수한 메타데이터(DN)가 지표온도 산출 알고리즘에 의해 환산되어진 것임을 특징으로 하는 위성영상을 이용한 일 최고기온 산출방법.