적설은 지구 기후시스템에서 중요한 역할을 하는 요소로 지표 알베도, 수문 순환 및 생태계 기능에 상당한 영향을 미친다. 또한 적설은 항공 안전과 재난 관리에도 직접적인 영향을 미치는 중요한 환경 요소이다. 따라서 적설의 정확한 탐지와 모니터링은 기후변화 연구, 수자원 관리 및 환경 모델링뿐만 아니라 항공기상 예보와 재난 대응 등 다양한 분야에서 핵심적인 과제이다. 특히 항공기상 분야에서는 공항 주변과 항공로의 적설 상태가 항공기 운항 안전에 직접적인 영향을 미치기 때문에 정확한 적설 정보의 중요성이 더욱 강조된다. 또한 재난 관리 측면에서 적설은 폭설이나 눈사태와 같은 자연재해의 주요 원인이 되므로, 정확한 적설 모니터링은 재해 예방과 대응에 필수적이다.

이러한 맥락에서 정규화 적설지수(normalized difference snow index, NDSI)는 원격탐사 기반 적설탐지에 있어 가장 널리 사용되는 지표 중 하나이다(Riggs and Hall, 2021). NDSI는 가시광선과 단파적외 영역에서 적설의 반사 특성 차이를 이용하여 적설 영역을 효과적으로 탐지할 수 있다. 이는 광범위한 지역의 적설 유무 정보를 신속하게 파악할 수 있게 하여 항공기상 예보와 재난 관리에 필요한 시의적절한 정보를 제공한다.

NDSI를 이용한 적설탐지 연구는 지난 수십 년간 꾸준히 발전해왔다. 많은 연구들이 NDSI의 임계값 설정, 다양한 환경조건에서의 적용성 평가 그리고 다른 분광 지수들과의 조합을 통한 정확도 향상 등에 초점을 맞추어 왔다(Salomonson and Appel, 2004; Riggs et al., 2019; Hao et al., 2022). 그러나 대기보정이 NDSI 산출 및 적설탐지 정확도에 미치는 영향에 대한 체계적인 연구는 상대적으로 부족한 실정이다. 많은 선행 연구들은 처리의 용이성과 신속성 때문에 대기 상단 반사도(top of atmosphere, TOA) 기반의 NDSI를 활용한 적설탐지를 수행해왔다(Riggs and Hall, 2021). 이는 대기효과로 인한 오차를 내포할 수 있는 한계를 가진다.

특히 다양한 토지피복 환경조건에서 대기보정 유무에 따른 NDSI 차이에 대한 체계적인 분석 연구가 부족한 실정이다. 토지피복은 지표면의 반사 특성에 큰 영향을 미치며(Sulla-Menashe et al., 2019), 이는 NDSI 계산에 직접적으로 반영된다. 예를 들어 산림 지역과 초지 지역, 도시 지역과 나지 등 서로 다른 토지피복 유형은 각기 다른 반사 특성을 가지고 있어 대기보정의 효과가 토지피복 유형에 따라 다르게 나타날 수 있다(Warren et al., 2019). 이러한 토지피복별 특성을 고려한 NDSI의 대기보정 효과 분석은 매우 제한적으로 이루어져 왔다. 또한 이러한 NDSI 민감도 차이가 최종적인 적설탐지 정확도에 미치는 영향에 대한 정량적 분석도 미흡한 상황이다. 따라서 다양한 토지피복 조건에서 대기보정이 NDSI에 미치는 영향을 체계적으로 분석하는 연구가 필요하다.

본 연구의 주요 목표는 NDSI의 대기보정 영향을 분석하고 나아가 적설탐지 정확도에 미치는 영향을 분석하는 것이다. 이를 통해 NDSI를 이용한 적설탐지 정확도 향상 가능성에 기여하고 기후변화 연구, 수자원 관리, 항공기상 예보, 재난 관리 등의 분야에서 보다 신뢰성 있는 데이터를 제공하는데 기여할 것으로 기대된다. 특히 항공 안전성 향상과 효과적인 재난 대응 체계 구축에 실질적인 도움을 줄 수 있을 것이다.

2.1. 연구 영역 및 기간

연구 영역은 천리안위성 2A호(Geo-KOMPSAT-2A Advanced Meteorological Instrument, GK-2A/AMI) 전체 관측영역(full disk, FD) 중 한반도를 포함한 동북아시아로 설정하였다(Fig. 1). Fig. 1(a)는 GK-2A/AMI의 FD를 보여주며 파란색 사각형으로 표시된 부분이 본 연구의 대상 지역인 동북아시아이다. Fig. 1(b)는 이 지역을 확대하여 보여주고 있다. 동북아시아는 Fig. 1(c)와 같이 다양한 토지피복이 분포하는 영역이다. 토지피복은 National Aeronautics and Space Administration (NASA)의 Earth Observing System Data and Information System (EOSDIS)에서 제공하는 Moderate Resolution Imaging Spectroradiometer (MODIS) Land Cover 자료를 수집하였으며 자세한 설명은 2.2.2절에 기술하였다. 토지피복의 분포를 살펴보면 산림(침엽수림, 활엽수림, 혼합림)이 가장 큰 비중을 차지하고 있으며 초지, 농경지, 도시 지역 등이 고르게 분포하고 있다. 특히 한반도와 일본의 산림 지역, 중국 동북부의 농경지 그리고 해안 지역의 도시 분포가 뚜렷이 나타난다. 이러한 다양한 토지피복 특성으로 인해 동북아시아는 토지피복과 관련된 여러 연구에서 주요 연구영역으로 선택되어 왔다(Ha et al., 2023).

Figure 1. Research area on Geo-KOMPSAT-2A full disk with land cover distribution: (a) Geo-KOMPSAT-2A full disk, (b) study area, and (c) land cover type distribution on the study area.

본 연구의 목표에 따라 연구기간은 북반구에 적설영역이 존재하는 시기인 2022년 11월부터 2023년 4월까지(총 6개월)로 설정하였다. 이 기간은 동북아시아 지역의 전형적인 적설 주기를 포함하고 있다. 11월은 이 지역에서 첫 눈이 내리기 시작하는 시기이며, 4월은 대부분의 적설이 녹는 시기이다. 이 기간 동안 적설의 생성, 축적 그리고 융해 과정을 모두 관찰할 수 있어 NDSI에 대한 대기보정의 영향을 다양한 적설 조건에서 종합적으로 평가할 수 있다.

2.2. 연구 자료

2.2.1. GK-2A Data

GK-2A/AMI는 기상청(Korea Meteorological Administration) 주관 하에 운영되는 정지궤도 기상위성으로 동북아시아를 포함한 아시아-태평양 지역의 기상관측 임무를 수행하고 있다. 본 연구에서는 GK-2A의 TOA 밴드자료, 지표면 반사도(top of canopy, TOC), 적설해빙(snow cover and sea ice cover, SCSI) 산출물을 활용하였다.

GK-2A/AMI TOA 자료는 16개의 밴드자료를 포함하며 가시, 근적외 및 단파적외 채널은 6개의 밴드자료를 제공한다. 자료의 공간해상도는 밴드별로 상이하며 0.5 km, 1 km, 2 km 공간해상도를 제공한다. 본 연구에서는 NDSI의 대기보정 영향 분석을 수행하기에 NDSI 산출에 필요한 Band 3 (0.64 μm), Band 6 (1.61 μm)을 사용하였다. 채널자료들은 국가기상위성센터(National Meteorological Satellite Center)에서 제공하는 반사도 변환식 및 계수를 통해 반사도로 변환하였으며, 채널자료는 2 km 공간해상도로 변환하여 사용하였다.

GK-2A/AMI TOC 자료는 광대역 알베도 자료 산출의 중간 산출물(Han and Lee, 2019)로, 6SV 복사전달모델(Radiation Transfer Model, RTM) 기반 조견표(look up table, LUT)를 통해 산출된 가시, 근적외 및 단파적외 채널의 지표면 반사도 자료를 제공한다. 이 자료의 공간해상도 2 km, 시간해상도 10분이다. 이 자료는 Seong et al. (2020)이 대기보정에 따른 정규화 식생지수(normalized difference vegetaion index, NDVI) 분석 연구에 활용하였으며, 현재 GK-2A/AMI 공식 산출물로 활용되고 있다. 본 연구에서는 NDSI 산출을 위해 TOC Band 3 (0.64 μm), Band 6 (1.61 μm) 반사도를 사용하였다. 이 자료는 채널정보와 함께 quality flag를 제공하며 적설 영역 유무 정보도 포함되어 있다. 본 연구는 TOC quality flag를 활용하여 적설 영역을 구분하여 반사도를 추출하였다.

GK-2A/AMI SCSI 자료는 공간해상도 2 km, 시간해상도는 FD 기준 10분 및 1일 단위로 제공된다. 이 자료는 적설 및 해빙 존재 유무를 나타내며, 적설탐지 시 cloud mask를 선행자료로 활용하여 구름 영역을 제거한 후 Dynamic Wavelength Warping (DWW) 기법을 통해 적설 및 해빙 탐지를 수행한다. 또한 구름으로 구분된 영역을 대상으로 적설 유무를 확인하여 적설로 재구분한다. Han et al. (2019)에 따르면 이 자료의 적설탐지 정확도는 탐지율(probability of detection, POD) 97.14%, 오보율(false alarmratio, FAR) 1.96%이다. 본 연구에서는 구름제거를 위해 10분 단위 자료를 활용하여 연구영역 내 적설/비적설 지역을 구분하는데 사용하였다.

2.2.2. MODIS Land Cover

MODIS land cover는 MCD12Q1 Version 6 데이터셋으로 연간 500 m 공간해상도의 토지피복 분류 정보를 제공한다(Friedl et al., 2010). 본 연구에서는 토지피복 정보를 얻기 위해 MODIS land cover 자료를 활용하였다. MODIS land cover는 International Geosphere-Biosphere Programme (IGBP) 분류 체계를 활용한다. IGBP 분류는 17개의 토지피복 유형을 구분하며 이는 다양한 산림 유형, 관목지, 초지, 농경지, 도시 지역, 습지, 물 등을 포함한다. MODIS land cover는 기계학습 알고리즘을 기반으로 하며 75~80%의 정확도를 보인다(Sulla-Menashe et al., 2019). 이 자료는 연간 갱신되며 본 연구에서는 2020년 자료를 사용하여 토지피복을 구분하였다.

2.2.3. S-NPP/VIIRS Snow Cover

대기보정이 NDSI 기반 적설탐지에 미치는 영향 분석을 위해 Suomi-National Polar-orbiting Partnership (S-NPP) 위성의 Visible Infrared Imaging Radiometer Suite (VIIRS) 적설(snow cover, SC) 산출물을 활용하였다. 이 산출물은 약 12시간의 시간해상도와 375 m의 공간해상도를 가지며, S-NPP/VIIRS cloud mask를 선행 자료로 사용하여 구름으로 오염된 픽셀을 제거한다. 나머지 영역에 대해 NDSI Snow Cover라는 0에서 100 사이의 값으로 제공하는 변수로 적설 정보를 제공한다. 본 연구에서는 S-NPP/VIIRS SC User Guide 문서지침을 참고하여 NDSI Snow Cover 값이 40 이상인 픽셀을 적설로, 미만인 픽셀을 비적설로 구분하여(Riggs and Hall, 2021) 적설탐지 특성 분석에 비교 자료로 활용하였다. Thapa et al. (2019)에 따르면 이 산출물은 MODIS 적설 자료와 비교 시 98%의 적설탐지 일치율을 보인다.

2.3. 연구방법

2.3.1. 정규화 적설지수의 대기보정 영향 분석

본 연구는 NDSI의 대기보정 영향 분석을 위해 대기보정 전후 NDSI를 비교하였다. 연구 수행을 위한 NDSI는 GK-2A/AMI TOC quality flag로 구분된 적설 영역을 대상으로 GK-2A/AMI TOA Band 3, 6번 및 TOC Band 3, 6번을 사용하여 식(1)과 같이 NDSI를 계산하였다.

식(1)을 통해 계산된 TOA 채널자료 기반 NDSI (NDSI_TOA)와 TOC 채널자료 기반 NDSI (NDSI_TOC)의 비교를 위해 활용한 지수는 결정계수(R-square, R²), 평균제곱근 오차(rootmean square error, RMSE), bias를 활용하였다. R²는 두 변수 간의 선형 관계 강도를 나타내는 지표로 1에 가까울수록 강한 선형 관계를 의미하며, 본 연구에서는 NDSI_TOA와 NDSI_TOC 간의 일치도를 평가하는데 사용하였다. RMSE는 두 데이터 간의 평균적인 차이를 측정하는 지표로 두 NDSI 값들이 평균적으로 얼마나 다른지 파악하기 위해 활용하였다. Bias는 한 자료가 다른 자료에 비해 체계적으로 높거나 낮은 경향을 나타내는 지표로 0에 가까울수록 두 자료 간에 체계적인 차이가 없음을 의미한다. 이를 통해 NDSI_TOC가 NDSI_TOC에 비해 전반적으로 과대 또는 과소 추정되는지를 평가하였다.

연구기간 내 적설의 생성과 녹는 시기에 따른 대기보정 영향 분석을 위해 시계열 분석도 수행하였다. 시계열 분석은 scene 별 NDSI_TOA와 NDSI_TOC의 차이를 계산하고, 이 차이의 시간에 따른 변화 추이를 분석하였다.

본 연구는 NDSI_TOA와 NDSI_TOC의 비교를 통한 대기보정 영향 분석 이외에 NDSI 기반 적설탐지 성능에 대기보정이 미치는 영향을 정량적으로 분석하였다. 이를 위해 GK-2A/AMI SCSI 자료를 활용하여 구름 영역을 제거한 뒤 NDSI 기반 고정 경계값 기법을 통해 적설탐지를 수행하였다. GK-2A/AMI cloud mask가 아닌 SCSI의 구름 정보를 활용한 이유는 GK-2A/AMI SCSI가 구름 영역을 대상으로 적설 재구분을 수행하여 적설/구름의 정확한 정보가 제공되기 때문이다(Han et al., 2019). 임계값은 NDSI를 활용한 적설탐지에서 주로 활용하는 0.4로 설정하였다(Poussin et al., 2023). 적설탐지 결과는 S-NPP/VIIRS SC와 1:1 픽셀 비교를 하여 NDSI_TOA, NDSI_TOC 기반 적설탐지 정확도 비교를 통해 대기보정 영향을 분석하였다. 비교 분석을 위해 S-NPP/VIIRS SC는 great circle distance를 활용하여 GK-2A/AMI FD 관측영역으로 resampling을 수행하였다. 대기보정 영향 분석을 위한 적설탐지 정확도 검증은 적설/비적설을 Table 1과 같이 confusion matrix를 구성하여 Recall (식 2), Precision (식 3), F1-score (식 4), Accuracy (식 5)를 계산하여 사용하였다.

Table 1 . Confusion matrix for NDSI_{TOA, TOC}-based snow cover vs. S-NPP/VIIRS snow cover.

Items		S-NPP/VIIRS snow cover
		Snow	Snow-free land
NDSITOA, TOC-based snow cover	Snow	TP (True Positive)	FP (False Positive)
	Snow-free land	FN (False Negative)	TN (True Negative)

2.3.2. 토지피복에 따른 정규화 적설지수의 대기보정 영향 분석

본 연구는 NDSI의 대기보정 영향 분석에서 나아가 토지피복에 따른 대기보정 영향을 분석하였다. 토지피복은 MODIS land cover에서 제공하는 IGBP types을 Forest (land cover type 1-5), Shrubland (land cover type 6, 7), Savanna (land cover type 8, 9), Grassland and Cropland (land cover type 10, 12, 14), Urban (13), Barren (16)으로 재분류하여 활용하였다. Land cover의 재분류는 Herold et al. (2008), Laszlo and Liu (2022)를 참고하여 재분류를 수행하였다. 재분류된 토지피복별로 NDSI_TOA와 NDSI_TOC의 차이 분포를 분석하였으며, 각 토지피복 유형에 대해 NDSI_TOA와 NDSI_TOC 기반 적설탐지 자료의 정확도를 비교 분석하였다. 이를 통해 토지피복 유형에 따른 대기보정의 영향을 정량적으로 파악하고자 하였다. 또한 연구 영역 내 NDSI_TOA와 NDSI_TOC의 차이에 대한 공간분석을 수행하고, 이러한 차이의 분포 패턴과 토지피복 간의 연관성을 분석하였다.

3.1. 정규화 적설지수의 대기보정 영향분석 결과

NDSI_TOA와 NDSI_TOC 사이에는 Fig. 2와 같이 강한 양의 상관관계(R² = 0.8674)가 존재하지만 두 값 사이에 일정한 차이가 관찰된다. 회귀방정식(y = 1.14x – 0.05)에서 볼 수 있듯이, NDSI_TOC가 NDSI_TOA보다 전반적으로 높은 값을 가지는 경향이 있어 대기보정이 NDSI 값을 증가시키는 효과가 있음을 시사한다. RMSE가 0.1052인 점은 대기보정 전후 NDSI 값의 차이가 평균적으로 0.1 정도임을 나타낸다. 이는 대기보정의 효과가 NDSI 값의 범위에 따라 다를 수 있음을 보여준다.

Figure 2. Scatterplot of top of atmosphere (TOA) channel based normalized difference snow index (NDSI) , NDSI_TOA and top of canopy (TOC) channel based NDSI, NDSI_TOC with statistical analysis.

Fig. 3은 연구기간동안 scene 별 NDSI_TOC와 NDSI_TOA의 차이에 대한 박스플롯(boxplot)과 적설 픽셀 수를 나타낸다. 시계열 분석 결과, 적설 픽셀 수가 증가할수록 NDSI_TOC와 NDSI_TOA의 차이가 크게 나타나는 경향이 있었으며, 이는 대기보정의 효과가 눈 피복 면적이 넓을 때 더 두드러짐을 시사한다. 특히 겨울철(12월~2월)에 적설 픽셀 수가 최대치를 기록할 때, NDSI 차이의 중앙값과 사분위수 범위도 함께 증가하는 패턴이 관찰되었다. 반면, 봄철과 가을철에는 적설 픽셀수의 변동성이 크고 NDSI 차이도 상대적으로 불안정한 양상을 보였는데, 이는 계절 변화에 따른 눈 피복의 불균일성과 대기 조건의 변화가 복합적으로 작용한 결과로 해석된다. 이러한 분석 결과는 위성 기반 적설 영역 모니터링에서 계절적 요인과 적설 면적을 고려한 대기보정의 중요성을 강조한다.

Figure 3. Boxplot of NDSI_TOC - NDSI_TOA and snow pixel count from November 2022 to April 2023.

Table 2는 NDSI_{TOA, TOC}를 통해 산출된 적설탐지 자료들을 S-NPP/VIIRS SC 자료와 비교한 결과이다. 비교 결과를 통해 NDSI_TOC가 적설탐지 성능이 소폭 높다는 것을 확인하였다. 적설탐지 정확도 측면에서 이는 대기보정이 적설탐지의 정확도에 영향을 줄 수 있음을 나타낸다.

Table 2 . Result with S-NPP/VIIRS snow cover product.

Items	F1-score (%)	Accuracy (%)
NDSITOA-based snow cover	73.50	72.36
NDSITOC-based snow cover	77.27	75.88

Fig. 4는 2022년 10월부터 2023년 4월까지 NDSI_TOA 및 NDSI_TOC 기반 적설탐지 자료의 F1-score와 정확도의 시간적 변화를 보여주고 있다. 연구 기간 전반에 걸쳐 NDSI_TOC 기반 적설탐지 결과(녹색 삼각형으로 표시)가 NDSI_TOA 기반 적설탐지 결과(보라색 삼각형으로 표시)보다 일관되게 높은 F1-score와 Accuracy를 나타내고 있다. 두 지수의 성능은 시간에 따라 상당한 변동을 보이며, 특히 적설 픽셀 수가 많고 안정적일 것으로 예상되는 겨울 절정기(12월~2월)에 Accuracy와 F1-score가 전반적으로 향상되는 경향을 보인다. 적설 화소 수(회색 막대 표시)는 계절적 패턴과 일치하여 겨울철에 최고치를 기록하고 연구 기간의 시작과 끝으로 갈수록 감소하는데, 이는 탐지 성능의 변동과 밀접한 관련이 있는 것으로 관찰된다.

Figure 4. Temporal variation in S-NPP/VIIRS snow cover pixel count and snow cover detection results (F1-score, Accuracy) based on NDSI_TOA and NDSI_TOC.

3.2. 토지피복별 정규화 적설지수의 대기보정 영향 분석 결과

토지피복 유형에 따른 대기보정 전후 NDSI 차이(NDSI_TOC - NDSI_TOA)를 분석한 결과(Fig. 5), 대부분의 토지피복에서 평균 차이가 0.05 이내로 나타났다. 도시 지역에서 가장 큰 평균 차이(0.0373)와 표준편차(0.0976)가 관찰되었는데, 이는 도시 지역의 복잡한 지표 특성과 대기 조건이 NDSI 계산에 더 큰 영향을 미칠 수 있음을 나타낸다. 산림 지역은 가장 넓은 범위의 차이(-0.4에서 0.3 이상)와 두 번째로 큰 표준편차(0.1562)를 보여 산림 지역에서 대기보정의 영향이 가장 뚜렷했다. 초지와 농경지(grassland and cropland) 지역은 가장 작은 표준편차(0.0502)를 나타내어 이 지역에서 대기보정의 효과가 가장 일관되게 나타난 것으로 분석되었다. 전반적으로 대기보정이 NDSI에 미치는 영향은 토지피복 유형에 따라 다양하게 나타났으며, 이는 각 토지피복의 특성과 대기 상호작용의 차이에서 기인하는 것으로 판단된다.

Figure 5. Difference between NDSI_TOA and NDSI_TOC across reclassified land cover types.

Fig. 6(a)는 NDSI_TOC와 NDSI_TOA의 차이를 공간적으로 나타내며, 대부분의 지역에서 -0.05에서 0.05 사이의 작은 차이를 보이고 있어 두 지수 간의 전반적인 일치성을 보여준다. 그러나 일부 산악 지역과 해안 지역에서는 큰 차이(-0.20에서 0.20)가 관찰되며, 이는 지형의 복잡성과 대기 조건의 변화가 NDSI 계산에 미치는 영향을 시사한다. Fig. 6(b)는 연구 지역의 재분류된 토지피복 분포를 보여주는데 산림(빨강)과 초지 및 농경지(녹색)가 주요 토지피복 유형임을 알 수 있으며, 이는 NDSI_TOC와 NDSI_TOA 차이 패턴과 밀접한 관련이 있다. 토지피복 유형과 NDSI 차이를 비교해보면 산림 지역에서 큰 NDSI 차이가 나타나는 경향이 있으며, 이는 복잡한 식생 구조가 대기 보정의 효과를 더 크게 만드는 것으로 해석할 수 있다.

Figure 6. Spatial distribution on the study area: (a) NDSI_TOC-NDSI_TOA and (b) reclassified land cover.

토지피복별 적설탐지 성능 분석 결과는 Table 3과 같다. NDSI_TOC 기반 적설탐지 결과가 대부분의 토지피복 유형에서 NDSI_TOA 기반 적설탐지 결과보다 우수한 성능을 보였으며, 특히 초지 및 농경지에서 가장 높은 성능(NDSI_TOC: F1-score 93.29%, Accuracy 91.97%)을 나타냈다. 대기 보정의 효과는 토지피복 유형에 따라 다양하게 나타났는데 도시 지역에서 NDSI_TOC 기반 적설탐지 결과가 NDSI_TOA 기반 적설탐지 결과에 비해 큰 폭의 성능 향상을 보인 반면, 사바나 지역에서는 두 지수 간 차이가 미미했다. 토지피복의 복잡성이 적설 탐지 성능에 영향을 미쳐 단순한 지표 특성을 가진 나지 지역에서는 높은 성능을, 복잡한 식생 구조를 가진 산림과 관목지에서는 상대적으로 낮은 성능을 보였다. 이러한 결과는 적설 탐지 알고리즘에서 산림지역 적설탐지가 주 에러요인 중 하나라는 선행 연구 결과를 재확인한다(Han et al., 2019). 이는 향후 알고리즘 개발 시 토지피복 특성을 고려한 맞춤형 접근이 필요함을 시사한다.

Table 3 . Comparison of F1-scores and Accuracy for NDSI_TOA and NDSI_TOC based snow cover detection across different land cover types.

Land cover type	TOA NDSI-based snow cover		TOC NDSI-based snow cover
	F1-score (%)	Accuracy (%)	F1-score (%)	Accuracy (%)
Forest (#1–5)	26.67	50.06	34.91	53.43
Shrubland (#6, 7)	56.17	52.64	61.06	56.48
Savanna (#8, 9)	53.56	46.35	53.84	46.35
Grassland and cropland (#10, 12, 14)	90.67	89.08	93.29	91.97
Urban (#13)	74.19	88.53	82.51	91.64
Barren (#16)	79.91	95.59	84.45	96.48

종합적으로 본 연구 결과는 대기보정이 NDSI 산출 및 적설탐지의 정확도 향상에 기여함을 보여주며, 특히 이러한 영향이 토지피복 유형에 따라 다양하게 나타남을 확인하였다. NDSI_TOC 기반 적설탐지 자료가 대부분의 토지피복에서 우수한 성능을 보였으나 그 효과는 토지피복의 복잡성과 지형적 특성에 따라 상이하게 나타났다. 이는 향후 적설탐지 알고리즘 개발 및 적용 시 대기보정과 함께 토지피복 특성을 고려한 맞춤형 접근이 필요함을 시사한다. 또한 산림지역과 같은 복잡한 지표면에서의 적설탐지 정확도 향상을 위한 추가적인 연구의 필요성을 제기한다.

본 연구 결과는 NDSI를 이용한 적설탐지의 정확도 향상에 기여할 뿐만 아니라 기후변화 연구, 수자원 관리, 항공기상 예보, 재난 관리 등 다양한 분야에 보다 신뢰성 있는 적설 정보를 제공할 수 있는 기반을 마련하였다. 특히 항공 안전성 향상과 효과적인 재난 대응 체계 구축에 실질적인 도움을 줄 수 있을 것으로 기대된다. 향후 연구에서는 다양한 기상 조건과 계절적 변화를 고려한 장기적인 분석 그리고 복잡한 지형에서의 적설탐지 정확도 개선을 위한 추가적인 연구가 필요할 것이다. 이를 통해 더욱 정확하고 신뢰성있는 적설 모니터링 시스템 구축이 가능할 것으로 전망된다.

본 연구는 기상청 차세대 항공교통 지원 항공기상 기술개발(KMI 2022-01810) 및 행정안전부지능형 상황관리 기술개발 사업(2021-MOIS37-002)의 지원으로 수행되었습니다.

No potential conflict of interest relevant to this article was reported.