1. 서론

논(paddy field) 분류 지도는 벼의 생산성 산출을 위한 입력 자료로 활용될 수 있을 뿐만 아니라, 환경, 바이오 에너지, 지표 생태계 분석 등 다양한 분야에 기초 자료로 활용할 수 있다(Yeom et al., 2021). 그러나 현재 공식적으로 제공되는 위성영상 기반의 논 지도는 업데이트 주기가 느리고, 세 분류 항목(예: 논, 밭, 과수원 등)이 제공되지 않는다. 한국항공우주연구원에서는 천리안 정지궤도 해색위성(Geostationary Ocean Color Imager, GOCI)을 이용해 동북아시아 지역에 대한 논에 대한 연도별 분류 지도를 산출했다. 산출된 동북아시아 논 분류 지도의 공간해상도는 500 m이며, 2011년부터 2017년까지 연도별로 제작됐다. 관측 영역의 공간 범위는 그림 1과 같이 위도 30 ° N ~ 47 ° N, 경도 119 ° E ~ 146 ° E 영역에 동북아시아 지역을 대상으로 수행했다.

2. 분류방법

논 분류를 위해 먼저 COMS 정지궤도 위성의 GOCI로부터 분광반사도를 산출해 NDVI를 계산했으며, 논 지역을 대상으로 NDVI의 최소, 최대, 증가율 등의 식생지수 시계열 특징을 임계값으로 정의하고 조건을 적용했다. 추가적으로 MODIS LSWI를 활용해 Xiao et al. (2005)가 제안한 논에서의 NDVI와 LSWI 특징을 이용한 분류 조건을 적용했다. 이것은 일반적으로 작물을 포함한 대부분의 식생에서의 NDVI가 LSWI보다 높은 특성을 갖지만, 논의 경우 관개가 이뤄질 경우 관개수의 영향으로 수분지수인 LSWI가 일시적으로 높아지고 식생지수인 NDVI가 낮아지면서 두 지수의 값 관계가 역전되는 특성이다. 명확한 이론적 특성과 높은 신뢰도, 쉬운 적용방법 등의 장점 때문에 논 분류를 위한 많은 선행 연구들에서 이 개념이 채택되어 사용되어 왔다(Jeong et al., 2012; Peng et al., 2017). LSWI는 근적외(Near-infrared, NIR)와 단파적외(Short wave infrared) 밴드가 필요하지만 GOCI 센서에는 단파적외 밴드가 없기 때문에 본 연구에서는 MODIS 자료를 추가적으로 이용했다. 그 외 자세한 논 분류 방법은 Yeom et al. (2021)에 기술되어 있다.

분류된 지도는 우리나라 환경부에서 제작한 고해상도의 중분류 토지피복도를 이용해 통계적 검증을 수행했으며, 그 결과 전체 정확도가 78%, Kappa coefficient는 51.2%로 적정 신뢰도를 가지는 것으로 나타났다. Fig. 1은 공간적 분포 특성으로 한반도의 경우 서쪽 평야지역을 대상으로 논이 발달 되어있는 특성을 잘 보여주고 있으며, 중국은 북동부 지역에 가장 많은 논이 분포하고 있는 결과를 나타냈다. 일본의 경우 주로 중동부 지역과 해안가의 평야지대를 중심으로 논이 분포하는 결과를 보였다. 본 연구에 제시 되진 않았으나 2011년부터 2017년까지 연구 지역의 전체 논 면적이 점차 감소하는 경향을 나타냈다. 본 알고리즘에 대한 자세한 검증 결과는 Yeom et al. (2021)에서 확인할 수 있다.

3. 공간적 범위

논 분류 지도는 Fig. 1에서 보여지는 봐와 같이 위도 25 ° N ~ 47 ° N와 경도 115 ° E ~ 145 ° E 범위로 남한, 북한, 일본, 중국 동북 3성(헤이룽장성, 지린성, 랴오닝성)을 포함하는 동북아시아 영역이다. 공간해상도는 GOCI 위성의 가시채널 해상도와 동일한 500 m이다.

4. 시간적 범위

동북아시아 논 분류 지도는 2011년부터 2017년월까지 연도별로 총 7개 년도 지도가 제작됐다.

Acknowledgements

본 과제는 한국항공우주연구원 위성활용사업(FR21J00)에서 수행되었다.

Fig. 1.

Spatial distribution of classified paddy fields using COMS GOCI and Terra MODIS images for Northeast Asia in 2017.

참고문헌

• Jeong S, Kang S, Jang K, Lee H, Hong S, Ko D (2012) Development of Variable Threshold Models for detection of irrigated paddy rice fields and irrigation timing in heterogeneous land cover. Agricultural Water Management 115:83–91Article
• Peng D, Huete AR, Huang J, Wang F, Sun H (2011) Detection and estimation of mixed paddy rice cropping patterns with MODIS data. International Journal of Applied Earth Observation and Geoinformation 13(1):13–23Article
• Xiao X, Boles S, Liu J, Zhuang D, Frolking S, Li C, Salas W, Moore B III (2005) Mapping paddy rice agriculture in southern China using multi-temporal MODIS images. Remote sensing of environment 95(4):480–492Article
• Yeom JM, Jeong S, Deo RC, Ko J (2021) Mapping rice area and yield in northeastern asia by incorporating a crop model with dense vegetation index profiles from a geostationary satellite. GIScience & Remote Sensing 1–27Article

Appendix

Figure & Data

References

Citations

Citations to this article as recorded by  

• The Spatial Maps of Paddy Rice Yield over Northeast Asia Using COMS Geostationary Satellite and Reanalysis Meteorological Data
  Seungtaek Jeong, Jonghan Ko, Jong-Min Yeom
  GEO DATA.2021; 3(2): 20.     CrossRef
• The Map Data of BRDF-Adjusted Surface Reflectance from GOCI Geostationary Satellite Imagery over Korean Peninsula
  Jong-Min Yeom
  GEO DATA.2021; 3(4): 66.     CrossRef