1. 서론
전 세계적으로 이상기후, 기후변화 등의 영향으로 광역적이고 돌발적인 풍수해로 인하여 심각한 피해가 발생하고 있다. CRED and UNISDR(2016)에 따르면 1999년부터 2015년까지 전 세계적으로 3,000회 이상의 풍수해가 발생하였으며, 전체 재난 중 43%가 풍수해일 만큼 그 발생빈도가 상당히 높다. 우리나라 풍수해는 대부분태풍과 집중호우에 의해 발생하는 국지적이고 돌발적인 극한 호우사상으로 인해 매년 피해가 발생되고 있다 (Lee et al., 2013). Han and Park(2014)에 의하면 기후변화로 연평균 강수량은 증가하지만, 강우일수는 감소하여 집중호우의 발생 가능성이 높아질 것으로 전망되어 태풍·집중호우 등 대규모 풍수해로 인한 피해가 증가할 것으로 예상된다. 특히 풍수해는 태풍, 집중호우 등에 의해 발생하기 때문에 발생시점의 기상조건이 좋지 않고 강풍, 호우 등의 영향 때문에 현장접근이 어려워 신속한 현장정보 수집에 한계가 있다. 그 피해의 규모도 대형화되고 있어 피해를 경감시키기 위한 다양한 기술들이 연구개발 되고 있다(Berz et al., 2001; Schumann, 2015).
원격탐사는 간접적으로 정보를 분석할 수 있는 장점이 있기 때문에 재난분야에서도 지속적으로 연구가 되고 있다. 1973년 미시시피 홍수를 분석하기 위하여 Landsat-1 위성영상의 사용을 시작으로(Deutsch and Ruggles, 1974), 위성영상을 활용한 변화탐지, 홍수관측 등 다양한 재난정보분석 연구가 진행되고 있다(Green et al., 2007; Moore and North, 1974).
재난피해를 분석하기 위하여 사용되는 위성자료는 크게 광학영상과 SAR영상으로 나누어 볼 수 있다. 광학 영상은 태양을 복사원으로 하는 수동형 센서에서 관측된 영상으로 육안으로 판독가능하고 해석이 쉬운 반면 구름이나 기상의 영향으로 관측이 불가한 지역이 발생할 수 있다. Synthetic Aperture Radar(SAR)영상은 위성에 탑재된 센서에서 마이크로파를 송·수신하여 만든 영상으로서 영상처리나 해석이 복잡한 단점이 있지만 구름을 투과할 수 있는 긴 파장대역을 이용하기 때문에기상이나 주·야간에 상관없이 촬영이 가능한 장점이 있다. 풍수해는 대부분 태풍, 집중호우 등의 영향에 의해 발생하기 때문에 피해지역에 구름 등으로 인하여 광학영상으로 관측하는데 한계가 있지만 SAR영상은 기상, 구름에 상관없이 촬영이 가능하기 때문에 수표면 면적을 산출하여 풍수해로 인한 침수지역을 분석하는데 상당히 유리한 조건을 가지고 있다(Amitrano et al., 2014; Behnamian et al., 2017; Seo et al., 2018).
본 연구에서는 SAR영상을 이용하여 풍수해의 피해지역 분석을 위한 수표면 면적 추정 알고리즘을 우리나라 저수지에 적용하여 그 결과를 분석하였다. SAR위성영상과 수치표고모델(Digital Elevation Model) 자료를 이용하여 연구대상지역의 수표면 면적을 산출하고 2015년 5월부터 2019년 8월까지의 면적 변화를 분석하였다. 산출한 수표면 면적의 검증을 위해 국가수자원관리종합정보시스템(Water Management Information System)과 농업기반시설관리시스템(Rural Infrastructure Management System)에서 제공하는 저수용량 정보를 비교하여 상관성을 파악하였고, 이를 기반으로 SAR위성영상의 풍수해 대응을 위한 활용성을 제시하고자 한다.
2. 연구 방법
1) RTC기법을 적용한 SAR 영상 전처리
SAR영상은 대상물에 직접 전파를 방사하고 산란되어 되돌아오는 신호를 수신하여 영상을 만들기 때문에 광학영상과는 다른 기하학적 왜곡 특성을 나타낸다. (Benoudjit and Guida, 2019; Toan, 2007). 기하학적 왜곡은 SAR센서와 지형간의 차이에 의해 크게 For shortening, Layover, Shadow 3개의 왜곡 현상이 발생된다(Small, 2011; Small et al., 2012). 이런 왜곡 현상은 대상 표면의 후 방산란신호가 정상적으로 수신되지 않아 영상의 품질을 저하시킬 수 있다. 본 연구에서는 기하학적 왜곡을 보정하기 위해서 Small(2011)이 제안한 수치표고모델을 이용하여 위성궤도와 각 픽셀별의 기하학적 계산을 통하여 방사신호 값을 보정해주는 Radiometric TerrainFlattening Correction 기법을 적용하였다(Fig. 1).
Fig. 1. Pre-processing steps of Sentinel-1 data.
2) 영상 이진화를 위한 임계값 산정
SAR 영상에서는 대상물질의 전파특성에 따라 픽셀값을 나타나게 된다. 물과 같이 후방산란 신호가 약한 영역은 어둡게 나타나고 건물과 같이 후방산란 신호가 강한 영역은 밝게 나타난다(Wang et al., 2019; Yu et al., 2017). 이런 SAR영상 특성을 이용하여 저수지 영역에서의 임계값을 설정하여 수체와 비수체를 분류하였다 (Chini et al., 2017; Hardy et al., 2019; Martinis et al., 2018; Nakmuenwai et al., 2017). 각 영상마다 최적의 임계값을 선정하기 위하여 자동으로 임계값을 산출할 수 있는 OTSU 기법을 이용하였다(Otsu, 1979; Wang et al., 2009). OTSU 기법은 Fig. 2와 같이 임계값을 기준으로 영상 픽셀들을 두 클래스로 분류했을 때 두 클래스간의 분산을 최대화 할 수 있는 임계값을 최적의 값으로 선정하는 기법이다(Otsu, 1979). 식 (1)은 두 클래스간의 분산을 나타내는 식이며, 식 (2)는 최적의 임계값을 나타내는 식이다(Otsu, 1979; Dos Anjos and Shahbazkia, 2008; Fan and Lei, 2012).
\(\sigma^2_B(t) = p_0(t)\mu_0^2(t) + p_1(t)\mu_1^2(t)\) (1)
\(t^* = Argmax(\sigma^2_B(t))\) (2)
여기서 σ2B은 두 클래스간의 분산, p0(t)과 p1(t)은 각 클래스의 가중치, μ20(t)과 μ21(t)은 각 클래스의 평균을 나타 낸다.
Fig. 2. Optimal threshold in gray-level histogram in Fan and Lei (2012).
3) 연구대상지역
본 연구에서는 상습가뭄지역으로 매년 피해가 발생하는 충청남도 지역을 대상으로 규모별 저수지를 선정하였다. 저수지 규모는 총 저수용량에 따라 중소규모 (총 저수용량 30만톤 미만)와 대규모(총 저수용량 30만 톤 이상)로 구분할 수 있다(Shin and Lee, 2012). 수표면 면적 산출을 위한 연구대상지로 중소규모 저수지는 벽정저수지와 사점저수지, 대규모는 수부저수지와 보령 저수지를 선정하였다(Fig. 3). 연구대상지역의 제원은 Table 1과 같다.
Table 1. Characteristics of study reservoirs
Fig. 3. Land cover and location of study area (a) Byeokjeong, (b) Sajeom, (c) Subu, (d) Boryeong.
4) 데이터 셋 구축
연구에 필요한 자료는 크게 위성영상, DEM 자료, 지상관측자료, 영역데이터로 구분된다. 위성영상은 유럽우주기구(European Space Agency)에서 제공하는 Sentinel-1 위성의 GRD(Ground Range Detected) 자료를 이용하였다. DEM 자료는 NASA에서 제공하는 해상도 30 m 의 SRTM(Shuttle Radar Topography Mission) 자료 를 이용하였으며, 위성영상의 방사·기하보정 처리에 사용되었다. 지상관측자료는 국가수자원관리종합정보 시스템(Water Management Information System)와 농업 기반시설관리시스템(Rural Infrastructure Management System)에서 제공하는 저수량 자료를 이용하였으며, 산출된 수표면 면적의 최종 검증을 평가할 때 사용되었다. 영역데이터는 위성영상에서 연구대상지역을 추출하는데 사용하였으며, 환경부 세분류 토지피복도 정보를 이용하여 저수지별 영역데이터를 구성하였다. Table 2는 연구대상지역별 데이터셋을 보여준다(Amitrano et al., 2014; Rodriguez et al., 2005).
Table 2. Summary of dataset in this study
3. 연구결과 및 토의
1) 위성영상 전처리
본 연구에서는 위성영상 전처리를 위하여 ESA(유럽우주기구)에서 제공한 Sentinel-1 툴박스(S-1 TBX)를 이용하였으며, 전처리는 크게 6단계로 수행되었다. (1) 위성영상 처리에 필요한 정밀한 궤도정보를 계산한다. (2) 방사보정을 통하여 Beta0 밴드의 위성영상을 생성한다. (3) Beta0 밴드를 RTC 처리를 통하여 Gamma0의 영상을 생성한다. (4) Lee 필터를 이용하여 스펙클 잡음을 제거한다. (5) Range Doppler 기법을 이용하여 지형보정을 수행한다. (6) 후방산란계수를 데시벨(dB)로 변환한다. 본 연구에서는 각 연구대상지역별 총 821장의 위성영상을 전처리 하였다.
2) 수표면 면적 산출
본 연구에서는 전처리된 SAR 영상에서 수표면 면적을 산출하기 위하여 OTSU 기법으로 선정된 임계값을 이용하여 영상을 이진화하는 방법을 이용하였다. Table 3은 각 연구지역별 선정된 임계값을 나타내고 있다. 선정된 임계값을 각 저수지에 적용하여 수체와 비수체를 분류하고 수표면 면적을 산출하였다. 선정된 임계값은 평균적으로 -13.40 dB에서 -14.12 dB 정도의 값을 가지며 표준편차는 1.11에서 1.53 값을 나타냈다.
Table 3. Summary of threshold in study area
3) 분석결과
SAR 위성영상의 풍수해 피해지역 추정에 대한 활용성 분석을 위하여 2015년 5월부터 2019년 8월까지의 각 저수지별 Sentinel-1 위성 영상 자료를 이용하여 수표면 면적을 산출하였다. Fig. 4는 저수지별 수표면 면적과 저수용량의 시계열 그래프를 보여주고 있다. x축은 날짜, y의 기본 축은 위성에서 추출한 수표면 면적, y의 보조축은 지상에서 관측된 저수량을 나타낸다.
Fig. 4. The graphs of extracted water surface and reservoir storage in (a) Byeokjeong (b) Sajeom (c) Subu (d) Boryeong.
또한, 위성영상 관측시간대의 저수용량 자료를 이용하여 수표면 면적과의 상관성을 분석하였다. 저수용량은 국가수자원관리종합정보시스템와 농업기반시설관리시스템에서 제공하는 자료를 이용하였으며, Fig. 5는 저수지별 수표면 면적과 저수용량과의 상관관계를 나타낸다. 4개의 저수지에서 모두 양의 상관관계를 나타내고 있으며 대규모 저수지인 보령호에서 상관관계가 가장 우수하게 나타나는 것을 확인 할 수 있다.
Fig. 5. Relationship between the extracted water surface area (x) and the reservoir storage (y) of (a) Byeokjeong (b) Sajeom (c) Subu (d) Boryeong
Table 4와 Fig. 6은 저수지 수표면 면적과 저수용량과의 상관계수(R)를 월별로 나타낸다. 보령호와 수부저수지의 상관계수는 각각 0.941과 0.850으로 강한 상관성을 나타냈지만 벽정저수지와 사점저수지의 상관계수는 각각 0.651과 0.657로 보통 상관성을 보여주고 있다. 이는 규모가 작을수록 관측할 수 있는 면적이 크지 않아 수표면 면적 산출 시 정확도가 떨어지는 것으로 판단되며, 위성에서 바라본 수표면 면적의 변화가 저수용량변화 만큼 크지 않아 정확한 수표면 면적을 산출하는데 어려움이 있는 것으로 파악되었다. 또한, 중소규모 저수지의 경우 1월부터 4월까지 상관성이 다른 기간에 비해 저하되는 것을 확인 할 수 있었다. 이는 1~2월의 경우 저수지 표면의 결빙현상으로 인하여 결빙영역이 수체로 구분되지 않아 정확도가 떨어지는 것으로 사료되며, 3~5월의 경우 저수지의 저수량이 만수위로 변화가 없는 반면 위성에서 관측된 영상에서는 수표면 면적 변화가 발생되어 상관성이 낮아지는 것으로 보여진다. 이는 보다 정확한 검증 및 알고리즘 보완을 위한 후속적인 연구가 필요하다고 판단된다.
Table 4. Monthly correlation equation in water surface area and reservoir storage
Fig. 6. Monthly variations of the correlation between water surface area and reservoir storage. (a) Byeokjeong (b) Sajeom (c) Subu (d) Boryeong.
4. 결론
우리나라 중소규모 저수지는 월별 저수량의 변동이 대규모에 비하여 심하고, 규모가 작아 재해에 취약하여 용수 공급에 어려움이 발생한다. 최근 들어 예상치 못한 집중호우나 지속적인 가뭄현상 등으로 인하여 물 관리에 필요한 저수지의 효율적인 운영관리의 필요성이 증대되었다. 본 연구에서는 SAR 위성영상을 이용하여 저수지의 수표면 면적을 산출하였고, 지상에서 관측한 저수량과의 상관성을 분석하여 SAR위성의 수표면 면적산출 정확성 및 저수지 모니터링 가능성을 확인하였다. 시계열로 산출된 수표면 면적과 저수량의 상관관계에서 대규모 저수지(보령호, 수부저수지)에서 강한 선형관계를 보였지만 중소규모 저수지(벽정저수지, 사점저수지)에서는 보통의 선형관계를 보였다. 이는 중소규모 저수지의 수량을 모니터링하는데 위성영상이 객관적 자료로 활용 가능하다고 판단하였다. 또한 수표면 면적을 산출하는데 위성영상의 공간 해상도, 저수지 주변 지형이나 시설물, 계절이 영향을 미치는 것을 확인 할 수 있었다. 하지만, 이러한 한계점들은 다양한 시·공간 해상도를 갖는 위성영상의 융합과 저수지 영역의 다양한 데이터를 트레이닝 시켜 분류할 수 있는 AI 기법 등을 이용하면 개선될 것으로 기대된다.
본 연구의 결과는 기존 지상관측센서 기반의 풍수해 연구와는 달리 미계측지역이나 현장접근이 어려운 저수지, 하천 등의 시·공간적인 수량 변화 관측이 가능하고, 위성영상을 이용하기 때문에 매년 유지관리가 필요한 지상관측센서 보다 인적·비용적인 측면에서 효율적인 방안이 될 수 있다고 판단된다. 또한 기상이나 주야간에 상관없이 관측 할 수 있는 SAR 위성영상의 장점을 이용하면 전국토를 대상으로 지속적·주기적인 모니터링이 가능하므로 해당기술을 사용하여 생산된 지역별 수량변화 정보가 우리나라 재난관리에 기여할 수 있기를 기대한다.
사사
본 연구는 행정안전부 국립재난안전연구원의 주요사업(“위성자료 활용 현업지원 기술개발”, “주요-2019-03-01”)으로 수행되었습니다.
Acknowledgement
Grant : 위성자료 활용 현업지원 기술개발
Supported by : 국립재난안전연구원
References
- Amitrano, D., G. Martino, A. lodice, F. Mitidieri, M. Papa, D. Riccio, and G. Ruello, 2014. Sentinel-1 for monitoring reservoirs: A performance analysis, Remote Sensing, 6(11): 10676-10693. https://doi.org/10.3390/rs61110676
- Behnamian, A., S. Banks, L. White, B. Brisco, K. Millard, J. Pasher, Z. Chen, J. Duffe, L. Bourgeau-Chavez, and M. Battaglia, 2017. Semi-automated surface water detection with synthetic aperture radar data: A wetland case study, Remote Sensing, 9(12): 1209. https://doi.org/10.3390/rs9121209
- Benoudjit, A. and R. Guida, 2019. A novel fully automated mapping of the flood extent on SAR images using a supervised classifier, Remote Sensing, 11(17): 779. https://doi.org/10.3390/rs11070779
- Berz, G., W. Kron, T. Loster, E. Rauch, J. Schimetschek, J. Schmieder, A. Siebert, A. Smolka, and A. Wirtz, 2001. World map of natural hazards - a global view of the distribution and intensity of significant exposures, Natural Hazards, 23(2-3): 443-465. https://doi.org/10.1023/A:1011193724026
- Chini, M., R. Hostache, L. Giustarini, and P. Matgen, 2017. A hierarchical split-based approach for parametric thresholding of SAR images: Flood inundation as a test case, IEEE Transactions on Geoscience and Remote Sensing, 55(12): 6975-6988. https://doi.org/10.1109/TGRS.2017.2737664
- CRED and UNISDR, 2016. Poverty & death: Disaster Mortality 1996-2015, CRED, Brussels, Belgium.
- Deutsch, M. and F. Ruggles, 1974. Optical data processing an dprojected applications of the ERTS-1 Imagery covering 1973 Mississippi river valley floods, Journal of the American Water resources Association, 10(5): 1023-1039. https://doi.org/10.1111/j.1752-1688.1974.tb00622.x
- Dos Anjos, A. and H. R. Shahbazkia, 2008. Bi-level image thresholding-A fast method, Biosignals, 2: 70-76.
- Fan, J. L. and B. Lei, 2012. A modified valley-emphasis method for automatic thresholding, Pattern Recognition Letters, 33(6): 703-708. https://doi.org/10.1016/j.patrec.2011.12.009
- Green, A. A., G. Whitehouse, and D. Outhet, 2007. Causes of flood streamlines observed on Landsat images and their use as indicators of floodways, International Journal of Remote Sensing, 4(1): 5-16. https://doi.org/10.1080/01431168308948527
- Han, W. S. and T. S. Park, 2014. Policy direction and problem diagnosis of the urban flood disaster prevention system, Korea Research Institute for Human Settlements, 470: 1-6.
- Hardy, A., G. Ettritch, D. E. Cross, P. Bunting, F. Liywalii, J. Sakala, A. Silumesii, D. Singini, M. Smith, T. Willis, and C. J. Thomas, 2019. Automatic detection of open and vegetated water bodies using Sentinel 1 to map african malaria vector mosquito breeding habitats, Remote Sensing, 11(5): 593. https://doi.org/10.3390/rs11050593
- Lee, M. W., T. W. Kim, and G. W. Moon, 2013. Assessment of flood damage vulnerability considering regional flood damage characteristics in South Korea, Journal of Korea Society of Hazard Mitigation, 13(4): 245-256. https://doi.org/10.9798/KOSHAM.2013.13.4.245
- Martinis, S., S. Plank, and K. Cwik, 2018. The use of Sentinel-1 time-series data to improve flood monitoring in arid areas, Remote Sensing, 10(4): 583. https://doi.org/10.3390/rs10040583
- Moore, G. K. and G. W. North, 1974. Flood inundation in the southeastern United States from aircraft and satellite imagery, Journal of the American Water Resources Association, 10(5): 1082-1096. https://doi.org/10.1111/j.1752-1688.1974.tb00626.x
- Nakmuenwai, P., F. Yamazaki, and W. Liu, 2017. Automated extraction of inundated areas from multi-temporal dual-polarization RADARSAT-2 images of the 2011 central Thailand flood, Remote Sensing, 9(1): 78. https://doi.org/10.3390/rs9010078
- Otsu, N., 1979. A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man, and Cybernetics, 9(1): 62-66. https://doi.org/10.1109/TSMC.1979.4310076
- Rodriguez, E., C. S. Morris, J. E. Belz, E. C. Chapin, J. M. Martin, W. Daffer, and S. Hensley, 2005. An assessment of the SRTM topographic products, Jet Propulsion Laboratory, Pasadena, CA, USA.
- Schumann, G., 2015. Preface: remote sensing in flood monitoring and management, Remote Sensing, 7(12): 17013-17015. https://doi.org/10.3390/rs71215871
- Seo, M. J., D. K. Kim, W. Ahmad, and J. H. Cha, 2018. Estimation of stream flow discharge using the satellite synthetic aperture radar images at the mid to small size streams, Journal of Korea Water Resources Association, 51(12): 1181-1194.
- Shin, E. C. and J. K. Lee, 2012. Safety Management improving way of small agricultural reservoir, Journal of Korean Geosynthetics Society, 11(3): 53-58. https://doi.org/10.12814/jkgss.2012.11.3.053
- Small, D., 2011. Flattening gamma: Radiometric terrain correction for SAR imagery, IEEE Transactions on Geoscience and Remote Sensing, 49(8): 3081-3093. https://doi.org/10.1109/TGRS.2011.2120616
- Small, D., L. Zuberbuhler, A. Schubert, and E. Meier, 2012. Terrain-flattened gamma nought Radarsat-2 backscatter, Canadian Journal of Remote Sensing, 37(5): 493-499. https://doi.org/10.5589/m11-059
- Toan, T. L., 2007. SAR images statistics and preprocessing, Advanced Training Course on Land Remote Sensing, http://earth.esa.int/landtraining07/D3PB-4-LeToan.pdf.
- Wang, S., X. Zhang, L. Jiao, and X. Zhang, 2009. An improved watershed-based SAR image segmentation algorithm, Proc. of SPIE - The International Society for Optical Engineering, Yichang, China, Oct. 30-Nov. 1, vol. 7495, pp. 1-8.
- Wang, Y., G. Zhou, and H. You, 2019. An energy-based SAR image segmentation method with weighted feature, Remote Sensing, 11(10): 1169. https://doi.org/10.3390/rs11101169
- Yu, F., W. Sun, J. Li, Y. Zhao, Y. Zhang, and G. Chen, 2017. An improved otsu method for oil spill detection from SAR images, Oceanologia, 59(3): 311-317. https://doi.org/10.1016/j.oceano.2017.03.005