1. 서 론

가뭄은 평년보다 건조한 상태와 강수량 부족이 장기간 지속되어 물의 사용이 유의미하게 제한되는 현상으로, 농업, 수자원, 그리고 사회경제 전반에 큰 영향을 미친다(Zargar et al., 2011). 또한 다른 재해와는 달리 가뭄은 직접적, 즉각적 피해가 아닌 점진적이고 지속적인 피해를 유발하며, 수문 요소들에 대하여 동시에 영향을 미치지 않아 공간적으로 피해 수준을 정확히 규정하는 것이 어렵다(Wilhite, 2000; Edwards et al., 2019). 그럼에도 가뭄은 지속적이고 반복적으로 피해를 초래하고 있으며, 기후변화의 영향에 따라 발생빈도와 세기는 점차 커짐으로 예상하고 있다(Houghton et al., 2001; Kim et al., 2019). 가뭄 발생 자체를 막기는 어렵지만, 현황을 정밀하게 진단하고 선제적 대비책을 설계하면 피해를 최소화할 수 있다. 이를 위해 가뭄에 따른 경제적 손실과 환경 변화(수문, 생태)를 최소화하고자, 인공위성 자료를 활용해 가뭄 현상을 정량적으로 파악 하고자 하는 연구가 시도되고 있다(AghaKouchak et al., 2015; Xu et al., 2020).

인공위성은 광역 동시관측과 장기 시계열을 제공하기 때문에 지상관측의 시·공간적 한계를 극복할 수 있어 널리 활용되고 있다(Shin et al., 2015). 특히 MODerate resolution Imaging Spectroradiometer (MODIS)는 지난 20여 년간 넓은 공간범위와 다양한 스펙트럼 밴드 정보를 제공하며 가뭄과 같은 재해 탐지 및 분석에 핵심적인 역할을 수행해 왔다. MODIS 기반의 가뭄 탐지를 위해 Vegetation Condition Index (VCI), Temperature Vegetation Dryness Index (TVDI), Visible and Shortwave Infrared Dryness Index (VSDI) 등 지표온도, 식생지수를 기반으로 한 다양한 가뭄지수가 개발되었으며, 이를 활용해 농업가뭄을 성공적으로 탐지 및 평가하는 국내외 연구들이 활발히 진행되어 왔다(Kogan, 1995; Sandholt et al., 2002; Mullapudi et al., 2023). 그러나 MODIS는 전력 제한, 수명으로 인해 2027년 1월경 데이터 수집(Aqua: 2026년 8월, Terra: 2027년 1월)을 중단할 예정이다. 장기적인 기후 및 환경 변화 분석을 위해서 MODIS 자료와 지수의 연속성을 보장할수 있는 후속위성 자료의 선택이 필수적이다.

이러한 필요에 의하여 Visible Infrared Imaging Radiometer Suite (VIIRS)가 Suomi National Polar-orbiting Partnership (SNPP) 및 Joint Polar Satellite System (JPSS) 위성에 탑재되어 운영되고 있다(NASA, 2025). VIIRS는 MODIS와 유사한 스펙트럼 밴드와 해상도를 제공하도록 설계되어 MODIS가 구축해 온 장기적인 자료 확장에 매우 중요한 역할을 한다. VIIRS 자료의 평가와 검증은 현재까지도 지속적으로 이루어지고 있다(Ma et al., 2019). VIIRS 자료를 활용한 가뭄 관련 연구는 초기 VIIRS와 MODIS간의 자료 연속성 검증에 집중되었고, 최근에는 이를 기반으로 한 실질적인 가뭄 모니터링 연구가 활발히 진행되고 있다. Benedict et al. (2021)은 VIIRS와 MODIS의 Normalized Difference Vegetation Index (NDVI)를 비교하여 두 위성간의 높은 상관성을 확인하였으며, MODIS 기반 Vegetation drought response index 모델에 VIIRS자료를 성공적으로 적용하였다. Song et al. (2024)은 SNPP-VIIRS와 MODIS 데이터를 활용하여, 토양 수분 및 식생 지수 다항식 모델을 통해 중국 지린성 지역의 가뭄을 모니터링 하여 VIIRS를 활용한 가뭄 모니터링의 적용 가능성을 입증하였다. 이 외에도 Sur and Nam (2023)은 VIIRS 기반 지표면온도와 NDVI를 MODIS자료와 비교 검증해 한국 지역에서의 가뭄 모니터링에 대체 가능함을 확인하였다.

본 연구에서는 MODIS와 VIIRS의 가뭄 모니터링의 연속성 검토를 목적으로, 논 지역을 대상으로한 Lee et al. (2017)의 NDVI를 기반으로 산정된 MODIS Dry Condition Index (DCI)를 활용하여 VIIRS의 자료 적용성을 확인하고자 한다. 이를 위해 남한에 위치한 논 지역을 대상으로 2015년부터 2024년까지의 MODIS DCI와 VIIRS DCI를 산정하여 시계열 자료의 연속성을 검토하고, 두 위성 자료 간의 논 가뭄 탐지 및 평가 성능을 비교, 분석하고자 한다. 본 연구를 통해 VIIRS 자료의 신뢰성과 유용성을 입증하고, 가뭄 연구 및 재해 예방을 위한 위성 자료의 활용 방안을 제시하고자 한다.

2. 자료 및 방법

본 연구에서는 우리나라 8개 도를 대상으로 MODIS와 NDVI 차이를 비교하고, 연속성을 파악한 후, MODIS 기반 산정된 NDVI 평년값을 활용해 DCI와의 비교를 진행하였다.

2.1 MODIS 및 VIIRS NDVI

MODIS는 National Aeronautics and Space Administration (NASA)의 Earth Observation System (EOS) 프로그램의 일환으로 전 지구를 모니터링하기 위해 Terra 및 Aqua 위성에 탑재된 센서이다. 1992년 12월에 발사된 Terra MODIS는 705 km 고도에서 오전 10시 30분경 적도를 통과하여 우리나라를 관측한다. 관측범위는 5,000 km의 남북방향과 2,330 km의 동서방향을 가지며 0.4~15.4 µm의 스펙트럼 영역을 36개 분광 밴드로 관측하고 있다.

VIIRS는 NASA와 National Oceanic and Atmospheric Administration (NOAA)가 협력하여 개발한 차세대 SNPP와 JPSS에 탑재된 센서이며, 이 중 2011년 10월에 발사된 SNPP 위성의 영상을 활용하였다. VIIRS는 0.402 µm의 스펙트럼 영역에서 22개의 밴드를 제공하며, 공간해상도는 375 m, 750 m로 제공되며, MODIS와의 데이터 일관성을 위해 500 m로 리샘플링된 NDVI자료를 활용하였다(Lee et al., 2023). Table 1은 MODIS와 VIIRS의 DCI 산정을 위해 활용된 각 센서별 NDVI 자료에 대한 정보이다.

MODIS 및 VIIRS의 NDVI 자료는 Google Earth Engine (GEE)를 활용하여 대한민국 전역에 대한 위성자료를 구축하였다. GEE는 방대한 위성영상, 공간자료등을 제공하는 클라우드 컴퓨팅 플랫폼으로 JavaScript와 Python 기반으로 API (Application Programming Interface)를 제공하며 다양한 공간분석도구를 포함하고 있다. 본 연구에서는 두 위성영상의 연속성 검토를 위해 16일 간격, 500 m 해상도의 MOD13A1.061, VNP13A1.002를 구축하였다(Fig. 1). GEE 플랫폼 상에서 두 데이터세트를 불러와 남한을 포함하는 영역(N33°~39°, E124° ~129°)에 대하여 마스킹을 적용하고, 영상별 품질(Quality check) 밴드(MOD13A1.061: SummaryQA, VNP13A1.002: pixel_reliability)를 활용하여 양호 등급(값 0: Good/Excellent)에 해당하는 값만 남기고 나머지는 Null로 처리하여 산출하여 활용하였다.

Fig. 1.

Example of input data (a) MODIS NDVI for April 7, 2015, (b) VIIRS NDVI for April 7, 2015, and (c) 2022 Level-2 land use map

2.2 NDVI 및 DCI

NDVI는 식물이 태양 복사에너지를 받을 때 나타나는 특징적인 분광 반사 특성을 활용한 지수로, 스펙트럼의 가시광선 영역에서 붉은 파장이 잎의 엽록소에 흡수되는 특성과 잎의 세포 구조는 대부분 NIR 복사선을 반사하는 특성을 이용한 지수이다(Deering et al., 1975). 따라서, 식물의 방사성 특성을 기반으로 Eq. (1)과 같이 산정된다. 건강한 식물은 붉은 빛을 많이 흡수하고 NIR 복사선의 대부분을 반사해 값이 1에 가까워지며, 식물이 시들수록 적외선 파장과 복사선 양의 차이가 거의 없어 값이 0에 가까워져, 식생의 활력을 측정하는 지수로 사용된다(Deering et al., 1975). NDVI의 값은 -1.0에서 1.0사이의 범위를 가지며, 0에 가까울수록 녹색 식생이 없음을 의미하고 +1에 가까울수록 식물 밀도가 높음을 나타낸다. 또한 척박한 바위, 모래, 눈에서는 NDVI값이 0.1 미만을 나타내고, 관목 및 초원에서는 0.2~0.3의 값을, 온대 및 열대우림에서는 0.6~0.8의 범위를 나타내는 것으로 알려져 있다(Quiring and Ganesh, 2010).

동일한 위치에서 여러 해 동안 NDVI 시계열을 비교하면, 해당 연도 식생의 상대적인 건강상태를 진단할 수 있다(Quiring and Ganesh, 2010). 특정 위치에 대한 NDVI의 경우 연간 변동은 주로 강수량, 온도와 같은 기상변수에 의해 결정되므로, 이를 기반으로한 VCI, TVDI 등 다양한 가뭄지수를 개발하여 활용된 바 있다(Kogan, 1995; Sandholt et al., 2002). 그러나 Bayarjargal et al. (2006) 등은 VCI와 같은 위성 기반 식생지수와 관측소 기반 가뭄지수의 일치도가 낮음을 보고했는데, 이는 논 작물과 같이 관개에 의해 식생성장기간이 제어되는 환경에서는 식생수준이 낮아져 가뭄 여부를 정확하게 판단하기 어렵기 때문이다(Lee et al., 2017). 이를 위해 Lee et al. (2017)은 논 가뭄을 파악하고자, 가뭄시기와 평년의 관계식을 활용한 DCI를 개발하여 식생지수 변화지역을 분석하였으며, 분석 기간을 벼의 이앙 전인 봄으로 한정하여 가뭄의 사전감지 지표로 활용하였다. 따라서, 본 연구에서는 토지피복 변화에 따른 NDVI 변동성을 최소화하기 위해, 연구 대상을 국내 논 지역으로 한정하고, DCI를 Eq. (2)와 같이 산정하여 분석하였다.

여기서, NDVIi는 대상 일자이며, NDVImean은 평년에 해당하는 NDVI 값이며, 2000년 2월 이후 20년 간 장기간의 데이터가 누적되어 해당 일자에 대한 NDVI 값을 비교하여 DCI를 산출하였다.

MODIS와 VIIRS 간 NDVI의 절대수준 차이는 대기보정, Bidirectional Reflectance Distribution Function (BRDF) 및 Cloud mask 등의 요인으로 달라질 수 있으며, 단순 선형 보정은 이러한 센서간 오프셋을 제거하여 시계열 연속성을 확인할 수 있는 접근 방법이다(Kogan et al., 2015; Benedict et al., 2021) 따라서 본 연구에서는 MODIS와 VIIRS NDVI의 연속성을 검토하기 위해 NDVI 차이가 발생하는 부분에 대해 픽셀 단위 선형 보정을 수행하였다(Eq. (3)). 또한, 보정의 성능을 평가하기 위해 Root Mean Square Error (RMSE) 기반 오차율을 계산하였으며 부트스트랩 반복을 통해 지표의 95% 신뢰구간을 산출하였다(Eq (4)). 부트스트랩은 표본집단을 재추출하여 모집단의 특성을 이끌어내는 비모수적인 리샘플링 방법으로 VIIRS NDVI의 보정에 대한 검증을 위해 활용하였다 (Park, 2016).

여기서, △k(x)는 전체 학습기간인 2015~2024년까지 MODIS와 VIIRS 차이의 평균값이며, 보정전(raw)과 보정후(corr)의 RMSE를 계산하여 오차율을 산정하였다.

3. 결과 및 고찰

3.1 논 지역에서 MODIS 및 VIIRS에서의 NDVI 차이

본 연구에서는 MODIS와 VIIRS에서 생산된 NDVI 차이를 확인하기 위해 VIIRS 값이 안정되는 2015년부터 2024년까지의 NDVI를 산정하여 비교하였다. NDVI는 각 도별 논 지역을 대상으로 값을 추출하고 이상치를 제거하기 위해 Kogan (1995)에 제시된 중간값 필터를 적용하였다. 각 시도별 MODIS와 VIIRS 간 NDVI의 비교 분석결과는 Fig. 2와 같이 나타났으며, 월별 MODIS와 VIIRS NDVI의 평균값 및 차이는 Table 2와 같이 산정되었다.

Fig. 2.

MODIS and VIIRS NDVI reulst (a) Gyeonggi, (b) Gangwon, (c) Chungbuk, (d) Chungnam, (e) Jeonbuk, (f) Jeonnam, (g) Gyeongbuk, and (h) Gyeongnam

산정된 NDVI 변화 패턴은 대체로 파종-성장-개화-쇠락으로 이어지는 작물의 생육주기에 따른 시계열적 변화를 보였고, MODIS 및 VIIRS의 시계열 추세 역시 비슷하게 나타났다. 시도별 NDVI의 평균값을 대상으로 한 상관관계 분석 결과 R²는 0.965~0.990로 매우 높게 나타났으며, 특히 경상북도에서 0.990로 가장 높았다. 대부분 지역에서는 0.986 이상의 값을 보였으며, 전라남도에서 0.965으로 상대적으로 작지만 높은 상관성을 보였다.

MODIS와 VIIRS NDVI의 평균은 -0.007~0.021의 편차를 보이며 7월에 0.021으로 가장 높은 편차를 보였음에도 선행 연구대비 값이 작다. 또한, 관심 시기(2~5월)에서 MODIS- VIIRS간 차이는 -0.007~0.008 수준으로 적은 것으로 나타났다. 작물의 성장기 및 쇠락기에서의 기울기는 비슷한 양상을 보이나 여름철과 겨울철에 VIIRS 값이 상대적으로 MODIS에 비해 높은 것으로 나타났다. VIIRS의 값이 상대적으로 양의 편향이 나타나는 것은 선행연구에서도 반복적으로 보고되며(Lee et al., 2023; Lyapustin et al., 2023), Benedict et al. (2021)은 VIIRS가 MODIS 대비 평균적으로 0.043~0.051 높게 편향된 결과를 제거 한 바 있다.

VIIRS NDVI에서 나타나는 양의 편향을 제거하기 위해 DCI 산정에 앞서 두 위성의 NDVI 값에 대한 픽셀 단위 선형 보정을 수행하였다. 선형 보정 전과 후 VIIRS NDVI 값에 대해 각각 MODIS NDVI와의 RMSE를 Fig. 3(a)과 같이 나타내었으며, 관심 시기를 DOY (Day of Year)로 나타내고 부트스트랩 95% 신뢰구간과 RMSE 개선율을 Fig. 3(b)와 같이 나타내었다. 평균적으로 RMSE는 보정 전보다 보정 후 0.005 감소하였으며, DOY209~305까지는 보정치가 0.001~0.004로 크지 않았다. 반면 관심 시기인 2~5월에서의 RMSE는 0.004~ 0.007까지 다른 기간에 비해 보정치가 크게 나타나며, Fig. 3(b)의 부트스트랩 신뢰구간 결과 RMSE가 7.8~15.2%만큼 유의미하게 감소하였다. 정확한 보정을 위해서는 Miura et al. (2021) 및 Lyapustin et al. (2023)과 같이 현장 반사율 기반 검증자료 또는 비선형 모델을 이용한 센서 간 정규화 접근법을 적용할 수 있다. 한편, 본 연구에서는 단순 선형 보정으로 생육 초기(DOY037~081)의 NDVI 구간에서 RMSE를 큰 폭으로 감소시켰으며 이를 활용하여 DCI를 산정하고자 하였다.

Fig. 3.

Linear correction results of pixel-by-pixel VIIRS NDVI (a) Temporal RMSE variation NDVI between MODIS and VIIRS before and after bias correction (b) Bootstrap 95% confidence intervals and relative RMSE improvement (Feb-May)

3.2 MODIS NDVI 기반 VIIRS DCI 산정

DCI를 산정하기 전 MODIS NDVI의 연도별 변화를 확인하기 위하여, 4월 7일(DOY097)의 각 지역별 Boxplot을 Fig. 4와 같이 나타냈다. 각 도별 논 지역 MODIS NDVI 평균은 0.359(0.279~0.444)로 전라남도와 경상남도가 각각 0.403, 0.444로 높았고, 경기도와 충청북도가 각각 0.279, 0.305로 낮았다. 2009년, 2014년과 2015년과 같이 기록적인 가뭄이 발생했을 당시 논 지역 MODIS NDVI 평균은 각각 0.367(0.278 ~0.446), 0.392(0.300~0.474), 및 0.371(0.297~0.472)로 기존 NDVI 평균을 상회하는 값을 보인다. 이는 Lee et al. (2017)의 기존 DCI를 통한 가뭄분석 결과와 일치한다. 그러나, 2016년 이후 MODIS NDVI는 지속적으로 증가하는 경향을 띄며, 2021년과 2024년에는 각각 0.412와 0.404의 높은 MODIS NDVI 값을 나타냈다. 특히 MODIS NDVI가 높게 나타난 2021년의 경우 3월 전국 평균기온 8.9°C, 평균최고기온 14.9°C, 평균최저기온 3.4°C로 1973년 관측이래 기온이 가장 높게 나타났으며, 가뭄에 의한 영향보다 따뜻한 공기의 유입으로 인해 작물의 생장기 시작을 앞당기는 식생 페노로지 변화가 주요 요인이었을 가능성이 있다(KMA, 2021; Park et al., 2021).

Fig. 4.

NDVI derived from MODIS (2001-2024) and VIIRS (2015-2024) by province in DOY097. Province names and paddy pixel counts are included, and the black dotted line represents the MODIS (2001-2020) average

한편, MODIS와 VIIRS 간 전체 평균 차이는 -0.017~0.024의 범위를 보인다. 범위가 가장 큰 지역은 강원도로 -0.016~ 0.065의 범위를 보이며, 충청북도(-0.027~0.046), 전라북도(-0.026~0.038), 경기도(-0.016~0.042), 경상남도(-0.030~ 0.027), 전라남도(-0.024~0.024), 경상북도(-0.022~0.023), 충청남도(-0.040~0.003) 순으로 높은 차이를 보였다. 시기별로는 2023년이 0.024으로 가장 높았으나, 그 외 시기는 -0.017 ~0.014로 나타났다. 양의 편향을 제거하여 RMSE는 감소되었으나 지역별 MODIS와 VIIRS 간 NDVI의 차이는 발생하였다. 그러나, Skakun et al. (2019)에서 언급한 0.02~0.05 미만의 불확도를 보여주며, 분광신호, 복사보정이나 대기, 구름 처리 과정에서 발생된 것으로 응용분야에서 상호 호환적으로 사용할 수 있다고 판단된다. 다만 Lee et al. (2017)의 연구결과와는 다르게 가뭄을 확인하기 위한 DCI의 범위는 오히려 평년과 비슷하거나 감소될 때 발생될 것으로 판단된다.

2001~2020기간의 MODIS NDVI를 기간별로 평균한 후, 해당 기간에 대한 MODIS와 VIIRS NDVI 차이를 계산하여 DCI를 산정하였다. Fig. 5는 연도별 3월 6일(DOY065)부터 5월 25일(DOY145)일까지의 6개 일자의 NDVI 기반 DCI의 변화를 나타낸 그림이다. MODIS와 VIIRS 간 전체적인 경향은 비슷하게 나타나나 2015년, 2023년과 같이 가뭄이 나타난 시기의 편차가 다소 크게 나타났다. 특히 2015년 경기도와 충청도를 중심으로, 2023년에는 전국적으로 MODIS와 VIIRS간 편차가 발생하며, 이러한 편차는 4월 7일(DOY097) 이후부터 크게 나타났다. 반면, 3월 22일(DOY081)의 경우 대체적으로 MODIS와 VIIRS의 DCI값이 유사하게 나타나며, 가뭄이 발생한 2014~2015년과 2022~2023년을 중심으로 DCI 값이 0에 수렴하는 것을 확인할 수 있고, 시기가 빨라질 수 있음을 나타내었다. 특히 2015, 2023년도에서 DOY081 값은 앞선 가뭄의 시작해보다 더욱 작게 나타나는데, 이는 전년도 가뭄의 영향으로 인한 초기 생육 회복이 지연된 사례일 가능성이 크다(Lee et al., 2017).

Fig. 5.

MODIS and VIIRS DCI reulst (a) Gyeonggi, (b) Gangwon, (c) Chungbuk, (d) Chungnam, (e) Jeonbuk, (f) Jeonnam, (g) Gyeongbuk, and (h) Gyeongnam

3.3 DCI를 활용한 가뭄 분석

MODIS와 VIIRS를 활용하여 DCI를 분석하기 전, MODIS와 VIIRS 간 가뭄년의 특징이 나타나는 DOY081을 기준으로 도별 DCI의 평균 및 표준편차를 Table 3과 같이 정리하였다. MODIS와 VIIRS간 차이는 -0.010~0.009의 범위를 가지며 2018~2022년까지 값의 차이가 0.004~ 0.009로 나타났다. VIIRS의 평균은 2015년에 -0.012의 DCI를 가져 가장 낮게 나타난 반면, 2021년과 2024년에 각각 0.054, 0.035의 DCI로 가장 높게 나타났다. 동일기간 MODIS 평균은 2015년에 -0.006의 DCI를 보이며, 2021년과 2024년 각각 0.045, 0.038로 높게 나타났다. 한편 VIIRS NDVI의 지속적인 상승 경향과 비슷하게 DCI도 지속적으로 상승하였으나, 2017년과 2018년은 2016년도에 비해 각각 0.012, 0.013 감소하였으며 2022년과 2023년 역시 2021년에 비해 각각 0.030, 0.038 감소하는 것으로 나타났다.

표준편차는 각 유역별 표준편차는 기간별로 일정한 값을 보였으며, MODIS와 VIIRS 별 표준편차는 각각 0.037, 0.038로 나타났으며. 지역별로 전라북도와 전라남도에서 MODIS는 각각 0.052, 0.061을, VIIRS는 각각 0.056, 0.056으로 다른 지역보다 큰 차이를 보였다.

DOY081에 대한 DCI의 공간적인 차이를 확인하기 위해 Fig. 6과 같이 MODIS 및 VIIRS DCI를 나타내었으며, DCI의 경우 가뭄년도에 0보다 작아짐을 확인하기 위하여 0 이하인 경우에는 갈색으로, 0 이상인 값은 초록색으로 표시되었다. Standardized Precipitation Index (SPI)는 기상청에서 제공하는 60개 관측소에 대한 일단위 SPI-3 및 SPI-12에 대해 DOY 081을 기준으로 역거리 가중법(Inverse Distance Weight method, IDW)으로 공간 내삽시켜 생성하였다. MODIS와 VIIRS 간 공간분포에서는 DCI의 차이보다 시계열적인 차이가 더 큰 것으로 나타났다. 특히 SPI-3 및 SPI-12가 모두 높게 나타나는 2021 및 2024년도에는 전반적으로 DCI가 0 이상을 나타냈으며, 반면 SPI-3 및 SPI-12가 모두 낮게 나타나는 2015, 2017, 2022, 및 2023년도에는 지역적으로 DCI가 0 이하의 값을 나타냈다. 수집된 MODIS의 2001~2020년도의 평균 기반 VIIRS DCI를 통해 평년 대비 가뭄에 대한 상태를 진단할 수 있을 것으로 판단되며, 이를 통해 가뭄을 사전 감시하는 자료로써 활용될 것으로 생각된다.

Fig. 6.

Comparison of DCI analysis results from MODIS and VIIRS and SPI-3 and SPI-12

다만, 본 연구에서 제안한 DCI 기반의 가뭄 평가는 고정 DOY 평년치 기반 특성상 최근 봄철 이상고온과 페노로지 변화가 NDVI 평년 기준선을 끌어올려 가뭄 신호를 약화시킬 수 있다. 또한, DCI의 1차 목적(봄 사전가뭄의 조기 진단·경보)에는 제한적 영향이지만 단순 선형 보정을 진행하더라도 여름, 겨울에는 VIIRS의 양(+)의 편향으로 인해 DCI가 상향되어 가뭄 강도나 기간에 대해 다소 과소평가할 위험이 있다. 또한, SPI와의 비교를 통해서 기상학적 타당성은 확보하였으나, 관개·증발산 등 강수 외 요인에 민감한 DCI의 한계를 보완하기 위해 Standardized Precipitation Evapotranspiration Index (SPEI), 토양수분, 및 Land Surface Temperature (LST) 등 다양한 자료와의 교차검증 필요성이 있으며, NDVI 신호의 정량적인 검증을 수행한다면 가뭄 대응차원에서 물공급의 우선순위를 판별할 수 있는 자료로 활용될 수 있을 것으로 판단된다.

4. 결 론

본 연구에서는 SNPP VIIRS의 활용성을 검증하고 MODIS 기반 NDVI의 장기 시계열 연속성을 확보하는 것을 목표로 하였으며, NDVI 기반 DCI를 통해 국내 논 지역 VIIRS의 자료 연속성과 농업가뭄의 적용 가능성을 분석하였다. 연구의 주요 결과는 다음과 같다.

(1)2015년부터 2024년까지 VIIRS와 MODIS NDVI 자료를 도별로 평균한 결과 0.965~0.990의 상관관계를 보였다. 전체 기간 VIIRS 도별 평균값은 -0.007~0.021의 편차를 보였으나, 관심시기인 2~5월에 MODIS VIIRS 간 편차는 -0.007~0.008 수준으로 적게 나타났다. 양의 편향을 제거하기 위해 픽셀 단위 선형 보정을 수행하였으며, 2~4월에서 0.004~0.007의 RMSE 보정을 실행하였고 부트스트랩 신뢰구간 결과 7.8~15.2% 만큼 차이를 감소시켰다.

(2)선행연구를 기반으로 DOY097에서의 논 지역 MODIS NDVI 연도별 변화에서는 0.359 (0.279~0.444) 수준을 보였으며, 2016년 이후 완만한 상승 경향이 관찰되었다. 최근 기후변화에 따른 봄철 이상고온 현상으로 식생 페노로지 변화에 영향을 주었을 가능성이 있다.

(3)MODIS와 VIIRS NDVI 차이를 계산하여 DCI를 산정하고 DOY065부터 DOY145까지 6개 일자에 대한 DCI 변화를 파악하였다. 전체적인 경향은 비슷하게 나타났으나 가뭄 시기 편차가 다소 크게 나타났으며, 최근에는 가뭄이 발생한 기간에 DCI 값이 0에 수렴하고 시기가 빨라지는 것을 확인하였다.

(4)SPI-3, SPI-12과 MODIS, VIIRS DCI의 DOY081에 대한 공간분포를 확인하였을 때 기상학적 가뭄지수가 모두 낮게 나타나는 2015, 2017, 2022, 및 2023년에 지역적으로 DCI 값이 0 이하를 나타내어 MODIS와 VIIRS간 연속성을 확인하였다.

다만, 최근 NDVI가 이상고온과 같은 기후 변화로 인해 지속적으로 상승하는 경향을 보여 DCI 만으로는 가뭄신호가 상쇄될 가능성이 있다. 따라서 다양한 수문, 기상 자료와의 교차 검증과 정량적 해석에 대한 추가 연구가 필요하다. VIIRS의 가뭄지수의 정량적 검증이 이루어진다면 가뭄 대응 차원에서 물 공급의 우선순위를 판별할 수 있는 실효적 정책 자료로 활용될 수 있을 것으로 기대된다.