심층신경망과 천리안위성 2A호를 활용한 지상기온 추정에 관한 연구 (Estimation for Ground Air Temperature Using GEO-KOMPSAT-2A and Deep Neural Network)

서지정보

· 발행기관 : 대한원격탐사학회
· 수록지 정보 : 대한원격탐사학회지 / 39권 / 2호 / 207 ~ 221페이지
· 저자명 : 엄태윤, 김광년, 조용한, 송근용, 이윤정, 이윤곤

초록

본 연구는 천리안위성 2A호의 Level 1B (L1B) 정보를 사용해 지상기온을 추정하기 위한 심층신경망(deepneural network, DNN) 기법을 적용하고 검증을 실시하였다. 지상기온은 지면으로부터 1.5 m 높이의 대기온도로 일상생활뿐만 아니라 폭염이나 한파와 같은 이슈에 밀접한 관련을 갖는다. 지상기온은 지표면 온도와 대기의 열 교환에 의해 결정되므로 위성으로부터 산출된 지표면 온도(land surface temperature, LST)를 이용한 지상기온 추정 연구가 활발하였다. 하지만 천리안위성 2A호 산출물 LST는 Level 2 정보로 구름영향이 없는 픽셀만산출되는 한계가 있다. 따라서 본 연구에서는 Advanced Meteorological Imager 센서에서 측정된 원시데이터에오직 복사와 위치보정을 마친 L1B 정보를 사용해 지상기온을 추정하기 위한 DNN 모델을 제시하고 그 성능을가늠하기 위해 위성 LST와 지상관측 기온 사이의 선형회귀모델을 기준모델로 사용하였다. 연구기간은 2020년부터 2022년까지 3년으로 평가기간 2022년을 제외한 기간은 훈련기간으로 설정했다. 평가지표는 기상청의 종관기상관측소에서 정시에 관측된 기온정보로 평균 제곱근 오차를 사용하였다. 관측지점에서 추출된 픽셀 중손실된 픽셀의 비율은 LST는 57.91%, L1B는 1.63%를 보였으며 LST의 비율이 낮은 이유는 구름의 영향 때문이다. 제안한 DNN의 구조는 16개 L1B 자료와 태양정보를 입력 받는 층과 은닉층 4개, 지상기온 1개를 출력하는 층으로 구성하였다. 연구결과 구름의 영향이 없는 경우 DNN 모델이 root mean square error (RMSE) 2.22°C로 기준모델의 RMSE 3.55°C 보다 낮은 오차를 보였고, 흐린 조건을 포함한 총 RMSE는 3.34°C를 나타내면서구름의 영향을 제거할 수 있을 것으로 보였다. 하지만 계절과 시간에 따른 분석결과 여름과 겨울철에 모델의결정계수가 각각 0.51과 0.42로 매우 낮게 나타났고 일 변동의 분산이 0.11과 0.21로 나타났다. 가시채널을 고려해 태양 위치정보를 추가한 결과에서 결정계수가 0.67과 0.61로 개선되었고 시간에 따른 일 변동의 분산도 0.03과 0.1로 감소하면서 모든 계절과 시간대에 더 일반화된 모델을 생성할 수 있었다.

영어초록

This study suggests deep neural network models for estimating air temperature with Level1B (L1B) datasets of GEO-KOMPSAT-2A (GK-2A). The temperature at 1.5 m above the ground impactnot only daily life but also weather warnings such as cold and heat waves. There are many studies toassume the air temperature from the land surface temperature (LST) retrieved from satellites becausethe air temperature has a strong relationship with the LST. However, an algorithm of the LST, Level 2output of GK-2A, works only clear sky pixels. To overcome the cloud effects, we apply a deep neuralnetwork (DNN) model to assume the air temperature with L1B calibrated for radiometric and geometricsfrom raw satellite data and compare the model with a linear regression model between LST and airtemperature. The root mean square errors (RMSE) of the air temperature for model outputs are used toevaluate the model. The number of 95 in-situ air temperature data was 2,496,634 and the ratio of datasetspaired with LST and L1B show 42.1% and 98.4%. The training years are 2020 and 2021 and 2022 isused to validate. The DNN model is designed with an input layer taking 16 channels and four hiddenfully connected layers to assume an air temperature. As a result of the model using 16 bands of L1B, theDNN with RMSE 2.22°C showed great performance than the baseline model with RMSE 3.55°C onclear sky conditions and the total RMSE including overcast samples was 3.33°C. It is suggested that the DNN is able to overcome cloud effects. However, it showed different characteristics in seasonal andhourly analysis and needed to append solar information as inputs to make a general DNN model becausethe summer and winter seasons showed a low coefficient of determinations with high standard deviations.

참고자료

· 없음