Estimation of High Resolution Sea Surface Salinity Using Multi Satellite Data and Machine Learning

Abstract

해양 염분은 전 지구 규모에서 해수 순환에 영향을 미칠 뿐만 아니라, 연·근해 지역 저염분수가 어족자원 및 수산업에 피해를 줄 수 있는 등 해양 식생환경의 변화를 줄 수 있다. 해수의 표면 특성인 sea surface salinity (SSS)에 따라 마이크로웨이브 영역의 방사율이 달라지며, 이를 통해 Soil Moisture Active Passive (SMAP) 등 위성센서를 활용한 SSS 산출물이 제공되고 있다. 하지만 마이크로파 위성 센서 기반의 SSS 산출물은 낮은 시공간해상도로 자료를 생산하며, 연안지역과 고위도 지역에서 정확도가 낮다. 이러한 이유로 연·근해 지역 SSS의 상세한 시공간적 변화를 관측하기에는 적합하지 않다. 본 연구에서는 Jang et al. (2022)에서 제시한 기계학습 기반의개선된 SMAP SSS (SMAP SSS (Jang))를 참조자료로 활용하여, 정지궤도해색센서(Geostationary Ocean ColorImager, GOCI) 영상으로부터 고해상도 SSS를 추정하는 Light Gradient Boosting Machine (LGBM) 기반의 모델을 개발하였다. 3가지 입력변수 조합을 테스트하였고, Multi-scale Ultra-high Resolution Sea Surface Temperature(SST) 자료가 추가된 scheme 3가 가장 높은 정확도를 보였다(R2 = 0.60, RMSE = 0.91 psu). 이를 바탕으로 본 연구영역에서 SST가 SSS 모의에 효과적인 환경변수로 작용함을 보였다. 본 연구에서 제시한 LGBM 기반의GOCI SSS는 SMAP SSS (Jang)와 비슷한 시공간적 패턴을 보였지만, 더 높은 공간해상도를 바탕으로 SSS의 보다 상세한 공간적 분포와 더불어 SMAP SSS (Jang)에서 산출하지 않는 연안 지역의 정보까지 모의하였다. 또한,중국 남방지역에 대홍수가 발생하였던 2020년 8월을 대상으로 양자강 유출수(Changjiang Diluted Water)의 거동을 분석한 결과, GOCI SSS는 한국 해양수산연구원의 보도자료와 비교하여 일관성 있는 시공간적 변화를보였다. 본 연구의 결과로 연안 지역의 저염수 뿐 아니라, 원해 지역에서 광학위성 신호를 활용한 고해상도 SSS산출의 가능성을 제시하였다.

Ocean salinity affects ocean circulation on a global scale and low salinity water around coastal areas often has an impact on aquaculture and fisheries. Microwave satellite sensors (e.g., Soil Moisture Active Passive [SMAP]) have provided sea surface salinity (SSS) based on the dielectric characteristics of water associated with SSS and sea surface temperature (SST). In this study, a Light Gradient Boosting Machine (LGBM)-based model for generating high resolution SSS from Geostationary Ocean Color Imager (GOCI) data was proposed, having machine learning-based improved SMAP SSS by Jang et al. (2022) as reference data (SMAP SSS (Jang)). Three schemes with different input variables were tested, and scheme 3 with all variables including Multi-scale Ultra-high Resolution SST yielded the best performance (coefficient of determination = 0.60, root mean square error = 0.91 psu). The proposed LGBM-based GOCI SSS had a similar spatiotemporal pattern with SMAP SSS (Jang), with much higher spatial resolution even in coastal areas, where SMAP SSS (Jang) was not available. In addition, when tested for the great flood occurred in Southern China in August 2020, GOCI SSS well simulated the spatial and temporal change of Changjiang Diluted Water. This research provided a potential that optical satellite data can be used to generate high resolution SSS associated with the improved microwave-based SSS especially in coastal areas.