GOCI 영상의 일일 8회 촬영되는 높은 주기해상도와 500m의 공간해상도는 해양 뿐만 아니라 육상 관측에 있어서도 잠재적인 가능성을 지닌다. 하지만 현재 GOCI 영상을 이용한 육상 활용사례는 거의 없는 실정이며, 이는 안정적인 대기보정 및 영상합성 처리과정이 실시되지 않음에 따라 육상 산출물을 확보 할 수 없기 때문이다. GOCI 영상은 일일 8회 촬영되는 시간의 태양천정각 변위가 상당하기 때문에 합성 영상 제작시 각도에 의한 영향을 고려할 수 있는 BRDF 보정을 수행해야 한다. 그러나 이는 구름의 영향이 제거된(cloud-free) 화소를 요구하기 때문에, 현 단계에서 구름 탐지가 필수적이라 할 수 있다. 이에 본 논문에서는 GOCI 영상의 cloud-free 화소 획득을 위한 구름 탐지 기법을 개발하였다.
GOCI 구름 탐지의 가장 큰 한계는 구름 탐지에 용이한 SWIR, TIR 파장 영역이 부재하다는 것이다. 따라서 GOCI 영상 구름 탐지를 위해서는 새로운 접근 방식이 요구되었고, 본 논문에서는 다중 임계값과 다중시기(multi-temporal) 영상을 활용한 적응형(adaptive) 임계값을 결합한 구름 탐지 기법을 제안하였다. 우선적으로 GOCI 8개 밴드영상(VIS,NIR)에서 구름 및 다양한 토지피복의 샘플 반사율을 획득하고, 이로써 탐지에 효과적인 밴드를 선정하였다. 그 결과 b1 반사율, b1/b8 반사율 비의 임계값이 구름 탐지에 적합하였다. 그러나 구름과 토지피복의 신호값이 혼재되는 얇은 구름은 임계값 만으로는 구분이 어려웠다. 이에 따라 빠른 주기로 획득되는 GOCI 영상의 장점을 이용하여 다중시기 영상을 이용한 구름 탐지 기법을 고안하였다. 3일 평균이라는 적응형 임계값을 사용하여, SWIR, TIR의 부재에도 불구하고 얇은 구름을 구분해 낼 수 있다. 또한 제안 알고리즘은 VIS, NIR에서 반사 특성이 유사하기에 구분이 불가한 눈과 구름을 다중 시기 영상의 반사율 비 편차를 이용하여 구분하도록 하였다. 제안 기법은 일련의 과정으로 구성되며, 구름 탐지 결과 총 4개 항목(thick cloud, thin cloud, probably clear, confident clear)의 결과를 획득할 수 있다.
제안 기법 적용 후 육안 분석을 실시하였고, 시간마다 촬영되는 GOCI 개별 영상의 구름을 탐지함을 확인할 수 있었다. 구름 탐지 결과 검증을 위해 안정적인 구름 탐지 결과를 제공하는 MODIS cloud mask를 사용하였다. GOCI와 MODIS cloud mask의 항목의 상관성을 분석 결과 10% 이하의 RMSE로 GOCI는 MODIS와 근사 수준으로 구름을 탐지하였다. 공간적 분포 검증 결과 가을, 겨울시기에 GOCI 영상이 구름을 저탐지하는 생략 오류를 범하여 상대적으로 정확도가 낮았다. 이는 MODIS cloud mask 자체의 구름 탐지 오류와, 영상 획득시간의 차이, 센서와 대기보정 기법에 따른 반사율 차이 등으로 그 원인을 추정해볼 수 있다. 다양한 원인에도 불구하고 연 평균적으로 공간적 정탐지율이 80%정도를 나타내 제안기법이 MODIS cloud mask와 상응함을 알 수 있었다
GOCI 영상은 앞서 언급하였듯 SWIR, TIR의 부재로 이의 밴드를 이용한 구름 탐지 결과와 동일한 수준의 정확도를 기대할 수 없다. 따라서 VIS, NIS 밴드만으로도 MODIS와 근사한 수준으로 구름 및 구름의 영향 없이 깨끗한 다양한 토지피복 화소를 탐지할 수 있다는 것으로도 만족할 만한 결과라 할 수 있다. 제안된 구름 탐지 기법에 기초하여, 반사율과 NDVI등의 cloud-free 합성 영상을 제작하여 단기간에 발생하는 육상 현상 분석에 효과적으로 사용될 것이라 기대된다.

The GOCI has great potential to monitor land surface area due to high spatio-temporal resolution. However, there are few or no studies that using GOCI imagery in land applications. The land products (reflectance, NDVI) can not be acquired because of the problems in atmospheric correction for land and image compositing to make cloud-free. The GOCI hourly images have large sun angle variations, and also have huge viewing angle variation for the entire image region. Therefore, BRDF compositing must be applied for the GOCI imagery in order to normalize these angle effects. To apply the BRDF compositing, input images should be cloud-free observations. In this study, we propose a cloud detection method with the GOCI imagery to obtain cloud-free observations.
Conventional cloud detection methods rely on thresholds of spectral reflectance or ratio value in multi spectral data. TIR and SWIR bands are most useful wavelength to detect clouds. However, with the GOCI image that do not have TIR and SWIR, it is difficult to detect cloud pixels accurately. We developed a new cloud detection method, which consist of simple threshold combined with adaptive threshold derived from multi temporal GOCI images. Initially, spectral reflectance characteristics of various land cover types and clouds were analyzed in eight spectral bands of GOCI(VIS, NIR). As a result, threshold value of b1 reflectance and b1/b8 simple ratio were suitable to detect clouds. However, thin clouds that have mixed spectral signal with land cover types were hard to detect when just using threshold value in VIS and NIR. It can be solved by multi temporal image approach using adaptive threshold for 3days GOCI data based on high temporal resolution of GOCI without TIR and SWIR spectral bands. The proposed method can discriminate clouds with snow that have similar spectral characteristics in VIS and NIR by using deviation of multi temporal reflectance ratio. The proposed method consist of sequential process and provides total four level cloud informations(thick cloud, thin cloud, probably clear, confident clear).
We found that the proposed method can detect clouds in GOCI hourly image when visual analysis with visual analysis. To validate the cloud detection results on the GOCI hourly images, we analyzed percentage and spatial distribution of cloud cover. The percentages of cloud pixels between GOCI and MODIS cloud products are almost same for each level(less than 10% RMSE). The spatial distributions of clouds detected from the GOCI images were very similar to the MODIS cloud products. However, In fall and winter season, the spatial consistency was low due to omission error. It might be assume that MODIS cloud mask also has some error. And there are differences of image acquisition time, sensor characteristics, atmospheric correction method between GOCI and MODIS. Despite of these various causes, spatial distributions of clouds between GOCI and MODIS were matched well with 80% spatial consistency.
The GOCI image has an inherent disadvantage of having only VIS and NIR bands. Despite such limitations, the proposed method can detect cloud and snow with comparable accuracy. Based on this cloud detection method, various types of land products such as cloud-free surface reflectance and NDVI can be produced. These products can effectively monitor short-term changes occurred from land surface.