Korean Journal of Remote Sensing (대한원격탐사학회지)

Korean Society of Remote Sensing (대한원격탐사학회)
권호 표지
DOI QR코드

DOI QR Code

Generation of Large-scale Map of Surface Sedimentary Facies in Intertidal Zone by Using UAV Data and Object-based Image Analysis (OBIA)

UAV 자료와 객체기반영상분석을 활용한 대축척 갯벌 표층 퇴적상 분류도 작성

  • Kim, Kye-Lim (UST Student, Korea Ocean Satellite Center, Korea Institute of Ocean Science & Technology) ;
  • Ryu, Joo-Hyung (Principal Researcher, Ocean Research, Operations & Support Department, Korea Institute of Ocean Science & Technology)
  • 김계림 (한국해양과학기술원 해양위성센터 UST협동연구생) ;
  • 유주형 (한국해양과학기술원 해양연구기반부 책임연구원)
  • Received : 2020.04.08
  • Accepted : 2020.04.20
  • Published : 2020.04.30
Download PDF
⟨ Previous Next ⟩

Abstract

The purpose of this study is to propose the possibility of precise surface sedimentary facies classification and a more accurate classification method by generating the large-scale map of surface sedimentary facies based on UAV data and object-based image analysis (OBIA) for Hwang-do tidal flat in Cheonsu bay. The very high resolution UAV data extracted factors that affect the classification of surface sedimentary facies, such as RGB ortho imagery, Digital elevation model (DEM), and tidal channel density, and analyzed the principal components of surface sedimentary facies through statistical analysis methods. Based on principal components, input data to be used for classification of surface sedimentary facies were divided into three cases such as (1) visible band spectrum, (2) topographical elevation and tidal channel density, (3) visible band spectrum and topographical elevation, tidal channel density. The object-based image analysis classification method was applied to map the classification of surface sedimentary facies according to conditions of input data. The surface sedimentary facies could be classified into a total of six sedimentary facies following the folk classification criteria. In addition, the use of visible band spectrum, topographical elevation, and tidal channel density enabled the most effective classification of surface sedimentary facies with a total accuracy of 63.04% and the Kappa coefficient of 0.54.

본 연구에서는 천수만 황도 갯벌 지역을 대상으로 UAV 자료와 객체기반영상분석 방법을 사용하여 대축척 갯벌 표층 퇴적상 분류도를 작성하고, 정확도 검증을 수행하여 정밀한 표층 퇴적상 분류의 가능성과 보다 정확한 분류 방법에 대해 제시하였다. 이를 위해 고해상도 UAV 자료에서 가시광 영역의 정사영상과 수치표고모델(DEM), 조류로 밀도 등 퇴적상 분류 시 영향을 주는 요인들을 추출하고, 통계학적 분석 방법을 통해 퇴적상에 따른 요인들의 주성분을 분석하였다. 주성분 요인을 바탕으로 퇴적상 분류 시 사용할 입력 자료를 (1) 가시광 영역의 스펙트럼, (2) 지형 고도와 조류로 밀도, (3) 가시광 영역의 스펙트럼과 지형 고도 및 조류로 밀도로 구분하였으며, 이를 기반으로 객체기반영상분석 분류방법에 입력 자료를 적용하여 대축척 갯벌 표층 퇴적상 분류도를 추출하였다. 입력 자료의 조건에 따라 표층 퇴적상 분류를 수행한 결과, folk 분류 기준을 따르는 6가지의 표층 퇴적상으로 분류하였고, 가시광 영역의 스펙트럼과 지형 고도, 조류로 밀도를 사용할 경우 전체 정확도가 63.04%, Kappa 지수가 0.54로 가장 효과적으로 표층 퇴적상을 분류하였다.

Keywords

1. 서론

갯벌은 담수와 해수의 교환이 활발히 이루어지는 곳으로 복잡한 퇴적 및 생태환경이 나타나며, 이러한 환경은 다양한 해양생물의 서식지이자 블루카본의 새로운 가치로 대두되고 있다(Murray et al., 2014). 하지만 연안개발정책으로 인해 무분별한 개발로 면적 감소와 해안선 변화 등 급격한 환경 변화가 발생할 뿐만 아니라, 발전소의 온배수 배출, 유류유출, 갯끈풀 침입 등 갯벌 환경 오염원 유입으로 바지락 폐사 및 저서생물 변동과 같은 갯벌 어장환경이 악화되고 있다(Choi et al., 2019;Lee et al., 2017; Ryu et al., 2009). 따라서 갯벌 환경 변화에 따른 효율적인 관리를 위해서는 갯벌 전체의 변화뿐만 아니라 세부적인 변화도 확인할 수 있는 정밀한 공간정보가 필요하며, 이를 위해서 갯벌 환경 변화에 영향을 미치는 환경 변수들의 대축척 주제도가 요구된다.

특히 퇴적물 분포는 갯벌 저서생물과 염생 식물의 분포 및 종다양성을 결정하는 중요한 인자로 갯벌 해양생물의 서식지적합평가 시 기초자료로 활용되고 있으며 (Lee et al., 2017; Hwang et al., 2013), 이에 따라 원격탐사 자료를 사용한 갯벌의 퇴적물 분포 분석 연구가 지속적으로 수행되고 있다. Landsat 2 TM과 현장관측 자료를 사용하여 퇴적물 분석을 시도하였으며, 퇴적물을 수분 함유량에 따라 7가지 타입으로 분류하였다(Bartholdy and Folving, 1986). Doerffer and Murphy(1989)는 Landsat TM 자료와 주성분 분석(Principal component analysis)을사용하여 퇴적 환경요인과 퇴적물 분포의 상관관계 분석을 통해 스펙트럼 반사도는 갯벌 지형과 수분 함유량의 영향을 받는 것을 알 수 있었다. Yates et al.(1993)은 Landsat 5 TM과 세 가지 분류 방법을 적용하여 퇴적물 유형을 분류하였고, 수분 함유량 영향에 의해서 니질이 우세한 경우 정확도가 높았다. 또한 입도에 따른 스펙트럼 반사도 차이를 실험하여 스펙트럼 반사도와 노출 시간 및 수분 함유량의 상관성 분석 결과를 기반으로 Airborne Thematic Mapper(ATM) 자료와 선형혼합모델 (linear mixture modeling)을 사용하여 건조 및 습윤한 조건에서의 퇴적물 분포를 분석하였다(Rainey et al., 2003;Rainey et al., 2001). 지금까지는 원격탐사 자료와 퇴적환경 인자들의 상관관계를 분석하였으며, 퇴적물의 환경 조건에 따라 스펙트럼 반사도의 차이를 증명함으로써 분광특성을 사용한 퇴적물 분포 분석 가능성을 제시하 였다. 이후 원격탐사 자료를 사용한 퇴적물의 공간 분포의 분석을 위해 Landsat ETM+을 사용하여 퇴적물의 입도에 따른 스펙트럼 반사도의 상관관계를 분석하였고, 0.25 mm 크기의 입자의 분포를 분류하는데 있어 근적외선 파장대가(NIR band) 가장 적합함을 알 수 있었다 (Ryu et al., 2004). 또한 갯벌의 미세 지형과 지표 잔존수는 스펙트럼 반사도에 영향을 주기 때문에 퇴적물 분류시 정밀한 수치표고모델과 적합한 분류 방법의 사용을 제시하였다. 이러한 화소 단위의 분광정보만을 이용한 화소기반분류법(pixel-based classification)은 낮은 공간 해상도를 갖는 위성영상자료에서 분광특성이 공간적 으로 상이한 형태를 보여 분석에 한계가 있다(Ketting and Landgrebe, 1976). 이러한 한계를 극복하기 위해 고해상도 위성영상 자료와 객체기반분류 방법을 사용한 갯벌 퇴적물 분류 연구가 진행되었다(Choi et al., 2010).

객체기반분류법(object-based classification)은 화소기반 분류법과는 다르게 분광정보 뿐만 아니라 축척, 공간정보 및 조밀도 등을 종합적으로 분석하여 영상의 분할을 통해 분류 정확도의 향상이 가능하여 고해상도 영상을 사용할 경우 정밀도가 높은 주제도 제작이 가능하다(Duro et al., 2012). 또한 래스터 뿐만 아니라 벡터 등자료도 적용가능하기 때문에 분류정확도 향상을 위한 효율적인 분류 방법이다(Kim and Yeom, 2012). 따라서 4 m 공간해상도를 갖는 IKONOS 위성영상과 객체기반 분류 방법을 사용하여 갯벌 퇴적물 분포를 효과적으로 분류할 수 있었다. 또한 퇴적환경 요인과 퇴적물 공간 분포의 빈도비 모델(frequency ratio)분석을 통해 지형 고도와 수분 함유량 및 입자 크기는 스펙트럼 반사도와 유의한 상관관계가 있음을 분석하였다. 이후 Kompsat-2 위성영상 자료를 동일한 모델에 적용하여 퇴적상 분포와 지형 고도, 조류로 분포의 상관관계를 정량적으로 분석하였으며, 지형 고도 뿐만 아니라 갯벌의 조류로의 형태가 스펙트럼 반사도에 영향을 주기 때문에 퇴적물 분포를 분류하는데 중요한 요인임을 증명하였다(Eom et al., 2013; Choi et al., 2011).

그러나 대부분 공간해상도가 30 m의 위성영상을 사용하여 1:25,000 혹은 1:50,000의 소축척 분류연구로 퇴적상 분류 항목의 제한과 1 m 이하의 미세 지형 분석의 제한 등 1:5,000의 대축척 수준의 갯벌 퇴적환경 분석에는 한계점이 있다. 최근에는 효율적인 촬영방법으로 획득이 용이하며 수 cm 단위의 초고해상도 자료인 UAV 가시광 영역의정사영상과 객체기반분류 방법을 사용 하여 정밀한 갯벌 표층 퇴적상 분류의 가능성을 제시하였다(Kim et al., 2019). 초고해상도 자료임에도 불구하고 스펙트럼 정보의 한계로 인해 퇴적상 분류 시 갯벌 지형 특성에 따른 수분 함유량 등의 환경적 영향으로 분석하는데 어려움이 있었다.

따라서 이번 연구에서는 대축척의 표층 퇴적상 분류 도를 작성하기 위해 1 m 이하의 공간해상도를 갖는 UAV 자료인 가시광 영역의 스펙트럼 자료와 분광해상 도의 한계를 보완하기 위해 추가된 지형 자료를 기반으로 객체기반영상분석 방법을 적용하여 갯벌의 대축척 표층 퇴적상 분류도를 작성함으로써 정밀한 표층 퇴적상 분류의 가능성과 보다 정확한 분류 방법에 대해 분석하였다. 이를 위해 주성분 분석과 다중회귀분석 등 통계적 분석을 수행하여 표층 퇴적상 분류에 영향을 주는 요인을 분석하고, 이를 바탕으로 객체기반영상분석 방법을 적용할 때 요인들을 다양한 조건으로 조합한 후 입력자료로 사용하여 갯벌 표층 퇴적상 분류도를 작성하고 정확도 검증을 수행하였다.

2. 연구 지역

연구지역은 충청남도 서해안에 위치한 천수만 황도 갯벌의 A 지점으로 반폐쇄만 특성을 가지며, 면적은 약 2.5 km 2 로 안면도와 간월도가 접해있다(Fig. 1). 천수만은 수심 25 m 이내의 천해성 내만이다. 조석은 반일주조가 특징이며, 대조차 6.33 m, 소조차 2.86 m로 평균 조차는약 4.59 m인 대조차 환경에 속한다(Ryu et al., 2005). 최대 유속은 창조류가 약 1.00 ms -1 , 낙조류는 약 0.70 ms -1이며, 북동쪽에 발달한 모래사주는 낙조류시 광범위하게 노출된다. 연구지역의 퇴적상은 동쪽에서 서쪽방향으로 모래 퇴적상, 혼합 퇴적상, 니질 퇴적상으로 다양 하게 구성되어 있고, 지형 고도는 점차 증가하며 조류로가 발달하였다(Kim et al., 2019). 이러한 퇴적구조들은 저서생물에 의해 많이 교란되었으며, 지속적인 매립과 제방 건설로 해안선에도 많은 변화가 있다. 입도와 지형 분석을 위해 2015년 9월 29일부터 30일까지 총 232개의 정점에서 퇴적물 시료를 채취하고 RTK-GPS를 사용하여 지형고도를 관측하였다.

OGCSBN_2020_v36n2_2_277_f0001.png 이미지

Fig. 1. Kompsat-3 panchromatic image of the Cheonsu bay and Hwang-do tidal flat, acquired on March 23, 2015. The site A is the study area, which is the unmanned aerial vehicle (UAV) survey site. The area is about 2.5 km 2 in size. The crosses and red circles are the measurement sites for grain size and elevation on September 29-30, 2015.

3. 연구 자료 및 방법

1) 현장 관측

(1) 입도 분석

갯벌 표층 퇴적상 분포도를 작성하기 위해 2015년 9월 29일, 2015년 9월 30일에 걸쳐 총 232개 정점에서 입도, 지형고도 등 정밀 관측을 실시하였다. 입도 분포를 분석하기 위해 갯벌 표층에서 퇴적물시료를 채취하여 실험실에서 분석하였다. 퇴적물 시료를 약 5 g 정도를 1,000 ml 비이커에 넣은 후 과산화수소(H2O2)로 유기물을 제거하였다. 그리고 탄산염 성분을 제거하기 위하여 0.1N 염산(HCl) 용액을 첨가하여 반응시켰다. 전처리를 거친후 습식체질(wet sieving)을 통해 4ø 이상의 조립질과 세립질 퇴적물로 분리하였다. 분리된 조립질 퇴적물은 건조시킨 다음 건식체질(dry sieving)을 통해 0.25ø 간격으로 분리하여 입도 등급별로 무게 백분율을 구하였다. 세립질 퇴적물은 약 2 g의 시료를 채취하여 자동입도분석 기인 Sedigraph-5100을 사용하여 입도 무게 백분율을 구하였다. 조립질과 세립질 퇴적물을 통일된 무게 백분율로 통합한 후 모멘트 방법을 이용하여 Folk(1968) 방법에 의해 평균 입도, 분급도 등의 통계변수를 계산하고, 역, 모래, 실트, 점토 등의 상대적 구성비율을 구하였다.

2) 원격탐사 자료

(1) UAV 자료 획득 및 전처리

UAV 영상 획득을 위해서 갯벌 표면에 지상기준점을 (GCPs) 설치한 후 지상기준점을 기준으로 회전익무인 항공기 촬영을 실시하였다. 회전익무인항공기를(model Vision-1000) 사용하여 180 m 고도에서 15분 동안 3번 비행으로 영상을 획득하였고, 영상 획득을 위해 CMOS 센서가 장착된 Canon 6D DSLR 카메라로부터 방사해상도 8bit의 305개 RGB 압축 영상을 획득하였다(Fig. 2). 압축된 영상의 크기는 379 m × 256 m이며, 모든 영상은 70% side-lap과 60% forward-lab 간격으로 중첩도를 주어 관측하였다.

OGCSBN_2020_v36n2_2_277_f0002.png 이미지

Fig. 2. Flight paths of UAV. The squares are image footprints, which had 70% side-lap and 60% forward-lap. The black circles are GCPs.

획득한 영상 처리를 위해 PhotoScan 소프트웨어를 사용하였다. Scale Invariant Feature Transform(SIFT) 알고리즘과 Structure from Mothion(SfM) 알고리즘을 적용 하여 중첩된 영상들 간의 매칭포인트를 찾은 후 매칭포인트를 3D 구조로 변환하여 공간해상도 0.26 m 인 가시광 영역의 정사영상과 공간해상도 0.5 m 인 수치표고모 델을 추출하였으며, 정확도는 2 cm 미만이다(Table 1). 정사영상은 영상재배열(resampling) 과정을 통해 공간 해상도를 0.5 m로 변경하여 분류 방법에 적용하였다. 수치표고모델은 지형정보를 추출하기 위해 활용한 것으로 갯벌 고도와 갯벌 조류로 밀도를 추출하였다. 갯벌 조류로 밀도는 ‘ArcGIS Spatial Analyst’의 수문 모델을 적용하여 ‘flow direction’과 ‘flow accumulation’ 과정을 통해 갯벌의 조류로 네트워크를 추출한 후 kernel 함수를 적용하여 단위면적 당 확률 밀도를 산출함으로써 조류로 밀도를 추출하였다. 추출된 조류로 밀도의 공간해상도는 0.5 m로 DEM자료와 동일하다.

Table 1. Variables derived from UAV data for surface sedimentary facies classification

OGCSBN_2020_v36n2_2_277_t0001.png 이미지

3) 표층 퇴적상에 따른 요인 분석

표층 퇴적상에 따른 가시광 영역의 스펙트럼 및 지형정보의 요인 별 특성을 분석하고, 객체기반영상분석에 사용 가능한 입력자료의 조건들을 선정하기 위하여 주성분 분석(principal component analysis : PCA) 및 다중 회귀분석을 통계프로그램인 SPSS을 사용하여 수행하였다. 주성분 분석은 선형결합의 새로운 변수인 주성분 (principal component)을 찾는 기법으로 다변량 변수들의 상관관계를 이용한 다변량 통계분석기법이다(Jolliffe, 2002). 주성분의 분산 크기를 설명하는 고유값(eigenvalue)은 주성분을 추출하는 기준으로서 고유값이 1보다 크면 하나의 주성분이 변수 1개 이상을 설명할 수 있다. 따라서 고유값이 1 이상인 것을 주성분으로 추출한다. 주성분 분석은 2차원 이상의 고차원 자료의 차원을 축소함으로써 다른 통계분석을 위한 사전분석으로 사용한다. 요인분석은 변수들 사이의 상호 연관성을 분석하여 공통으로 포함된 내재요인(common factor)을 추출하고 차원을 축소하는 기법으로 상관관계가 높은 변수들이 가지고 있는 공통성을 중심으로 하나의 동질적인 요인으로 묶어주는 통계분석방법이다. 요인분석을 실행하기 전 자료에 타당성을 알아보기 위해 표본적합도 검증
(KMO test, Kaiser Meyer Okkin)과 단위행렬 검증(Bartlett test)을 실행한다. KMO Test는 자료에 대한 변수의 값이 타당성을 나타내는 척도로 1에 가까운 값일수록 요인분석의 타당성이 높고 0.5 이하일 경우에는 타당성이 낮다. Bartlett test는 변수 사이의 상관행렬이 단위행렬인지 아닌지 검정하는 것을 말한다. 변수 사이의 상관성이 높을수록 유의적 관계라 하며 0에 가까운 값일수록 유의성이 높다(Cho et al., 2017). 요인패턴의 구조를 단순화하여 요인에 대한 해석을 쉽게 하기 위해 요인 축을 회전하며, 요인 축을 회전하는 방법에는 크게 직교 (orthogonal) 회전과 사각(Oblique) 회전이 있다. 사각 회전은 회전 후 요인들 사이의 상관성을 허용하는 회전이므로 요인들의 의미 파악 및 해석이 쉬운 직교 회전을 일반적으로 적용한다. 직교 회전 방식으로는 Varimax, Quartimax, Equimax, Parsimax과 Orthomax이 있으며 본연구에서는 분산의 합계를 최대한 높게 하여 변수의 수를 줄여주어 결과해석을 단순하게 하는 Varimax 회전 법을 적용하여 분석하였다. 다중회귀분석은(multiple regression analysis) 하나의 종속변수와 여러 독립변수 사이의 관계를 규명하기 위한 분석방법으로 주성분분석 에서 산출한 주성분과 표층 퇴적상의 상관성 분석을 위해 수행하였다. 표층 퇴적상은 현장 관측으로부터 획득한 퇴적물의 역, 사, 점토, 실트의 구성비율에 따라 Folk 분류기준에 의해 분류하였으며, 이 자료를 기반으로 분류 항목을 구분하였다. 따라서 표층 퇴적상과 PC1, PC2 의 상관성 분석 시 퇴적물의 조직 특성인 역, 사, 실트, 점토의 분포 자료를 적용하고, 이 결과를 기반으로 객체기반영상분석에 적용하기 위한 입력 자료의 조건을 설정하였다.

4) 객체기반영상분석

표층 퇴적상 분류는 객체기반분류 방법과 각 픽셀의 질감(texture), 형태(shape) 그리고 공간 분포(spatial relationships)와 같은 스펙트럼 특성을 활용한다(Blaschke et al., 2001). 특히 초고해상도 영상인 UAV자료를 사용 하기 위해 Definiens Imaging사가 개발한 사용 이미지 분석 소프트웨어 패키지인 Definiens ® Developer 9.1을 사용하였다(Walsh et al., 2008). 이번 연구에서 표층 퇴적상 분류를 위해 UAV 로부터 가시광 영역의 정사영상과 수치표고모델 자료를 획득하였으며, 각 영상자료로부터 가시광 영역의 스펙트럼, 지형 고도, 조류로 밀도를 추출하여 사용하였다. 분류정확도의 최적화를 위해 영상전처리 과정에서 도로와 섬을 제거하였다. 다중해상도 영상분할 기법(multi-resolution segmentation)을 사용하여 반복 알고리즘을 통해 객체(object)를 생성하였다. 생성된 객체는 척도(scale), 형태(shape) 그리고 밀집도 (compactness)에 의해 결정된다(Trimble, 2014). 이러한 매개변수의 가중치는 경험적인 값에 따라 결정되며, 분류 항목 간에 명확하게 구별되는 가중치를 식별한다. 따라서 본 연구에서는 표층 퇴적상에 따른 스펙트럼의 변화와 조류로의 형태를 구분을 위한 최적의 가중치를 결정하는 데 중점을 두고 분할 과정을 수행하였다(Eom et al., 2012; Choi et al., 2011). Fig. 3은 객체기반영상분석을 사용한 표층 퇴적상 분류 과정을 나타낸 모식도로 현장 관측, UAV영상처리 그리고 객체기반영상분석 과정으로 구분하였다. 현장관측을 통해 퇴적물을 채취하여 퇴적상을 분석하였다. UAV 영상자료는 분류방법에 적용하기 위하여 0.5m의 공간해상도로 영상 재배열을 하였고, 각 영상자료로부터 분류방법에 적용할 입력자료를 추출하였다. 퇴적물의 표층 퇴적상을 퇴적물의 특성에 따라 6가지 타입으로 구분하여 분류 항목으로 설정하였다. 또한 분류 시 사용할 입력자료의 조건을 설정하기 위하여 퇴적상과 입력자료의 상관관계를 통계학적으로 분석하였으며, 3가지 경우로 입력자료를 구분하였다. 각 입력자료 조건에 따라 객체기반영상분석 방법에 적용하였으며, 이때 학습자료는 현장관측 자료의 60%을 사용하였고, 나머지 40%는 정확도 평가를 위해 사용하였다. 분류 항목에 따라 객체들을 할당한 후 계층적 분류 알고리즘(hierarchical classification algorithm) 을 사용하여 영상 분류를 수행하였다. 계층적 분류 알고리즘은 선택한 항목의 객체들 간의 비교 분석을 통해 멤버쉽 값(membership value)을 추정하였으며, 객체들의 분류 결과는 분류 항목들의 평가에 따라 갱신되었다 (Trimble, 2014). 최적의 3가지 항목을 영상 객체 분류 결과로 저장하였으며, 분류 항목은 매개변수에 의해 활성화된 경우에만 고려하였다. 분류 정확도 평가를 위해 사용자 정확도, 생산자 정확도, 전체 정확도 및 Kappa 지수를 산출하여 분석하였다.

OGCSBN_2020_v36n2_2_277_f0003.png 이미지

Fig. 3. Classification scheme for surface sedimentary facies using UAV data and object-based image analysis algorithm.

4. 연구 결과 및 토의

1) 입도 분포

UAV 자료의 공간해상도에 적합한 입자 기준을 결정하기 위해 갯벌 표층 퇴적물을 분석하였다. Folk 분류 기준에 따라 퇴적물의 입자 크기 분포를 분석하였으며, 그 결과 역, 사, 실트 및 점토가 다양하게 분포함을 알 수있었다. Fig. 4는 연구 지역의 퇴적상 분포를 나타낸 것으로 중앙에 수직방향으로 도로(road)가 위치하며, 이 도로를 중심으로 동쪽에서 서쪽 방향으로 사질의 분포가 약 50%에서 약 20%로 낮아진다. 이와 반대로 실트와 점토의 분포는 높아진다. 또한 입도(mean)는 서쪽에 위치한 갯벌에서 5Φ 이상으로 세립하며, 동쪽 갯벌은 3Φ 이하로 조립하다. 왜도(skewness)는 서쪽 방향으로 점차 낮아지며, 이는 서쪽으로 갈수록 조류의 영향이 약해진다.

OGCSBN_2020_v36n2_2_277_f0004.png 이미지

Fig. 4. Spatial distribution of grain size (a), and textural parameter (b) analysis of surface sediments on Hwang-do tidal flat.

분석한 입도 결과를 Folk(1968)의 삼각다이아그램에 도시한 결과 역사질(gS, gravel sand), 약역사질((g)S, slightly gravelly sand), 사질(S, sand), 역니질사(gmS, gravelly muddy sand), 약역니질사((g)mS, slightly gravelly muddy sand), 실티사(zS, silty sand), 니질사(mS, muddy sand), 사질실트(sZ, sandy silt), 사질니(sM, sandy mud), 약사질니((g)sM, slightly sandy mud)의 10개 퇴적물 유형(sedimentary types)로 구분되었고, 퇴적물의 특성에 따라 총 6개 퇴적상 (facies)로 조합하였다(Table 2). 연구지역 표층퇴적물 중실티사, 니질사, 역니질사, 약역니질사, 사질니, 약사질 니는 70% 이상으로 갯벌 전체에 걸쳐 광범위하게 분포하고 있으며, 그 외 퇴적물은 10% 미만으로 적게 분포한다.

2) 스펙트럼 및 지형자료의 퇴적상 별 특성

표층 퇴적상 분류 시 영향을 주는 요인을 분석하기 위하여 UAV 자료로부터 추출한 5개 항목(RGB band, DEM, channel density)에 대한 주성분 분석을 수행하 였고, 결과는 Table 3에 정리하였다. 자료의 타당성 검토를 위해 표본적합도(Kaiser Meyer Olkin, KMO test)와 단위 행렬 검증(Bartlett test)을 수행하였다. KMO와 Bartlett test는 자료에 대한 변수의 적합도를 검증하는 것으로 KMO는 0.5 이상이며, Bartlett 은 유의 확률이 0.001보다 작게 산정되었으며 사용되는 변수들이 요인분석에 적합한 것으로 판단된다. 고유값이(eigen value) 1 이상이고 누적분산비율 80% 이상을 나타내는 주성분을 표층 퇴적상 특성을 설명하기 위한 대상 요인으로 선정하였다. 황도 갯벌의 경우 2개의 요인이 추출되었으며 요인 1은(PC1) 58.175%, 요인2는(PC2) 31.994%의 기여율을 나타내고 있다. 2개의 요인은 전체 표층 퇴적상 특성의 약 89%를 설명할 수 있는 것으로 분석되었다. 각 요인들이 대상 요인에 할당되도록 varimax 회전법을 수행하여 요인부하량을 산출하였으며, 요인부하량 크기에 따라 요인부하 해석을 수행하였다(Liun et al., 2003). PC1은요인부하량이 0.9 이상인 blue, green, red band 변수가 해당되며 스펙트럼 특성을 나타내고, PC2는 요인부하량이 0.8 이상인 DEM과 갯벌 조류로 밀도 변수가 해당되며 지형정보 특성을 나타낸다. Table 4는 다중회귀분석을 적용하여 표층 퇴적상과 PC1, PC2의 상관성을 분석한 결과로 상관계수가 0.4 이하로 높지 않으며, PC1보다 PC2가 표층 퇴적상 분포에 영향을 주는 요인임을 알 수있다. 따라서 요인들을 가시광 영역의 스펙트럼(S), 지형정보(T+H), 가시광 영역의 스펙트럼과 지형정보 (S+T+H)의 3가지 조건으로 조합하여 객체기반영상분석 방법의 입력 자료로 사용하였다.

Table 2. Classification of surface sedimentary facies types based on folk’s classification

OGCSBN_2020_v36n2_2_277_t0002.png 이미지

Table 3. Summary results of principal components analysis

OGCSBN_2020_v36n2_2_277_t0003.png 이미지

Table 4. Summary of multiple regression analysis

OGCSBN_2020_v36n2_2_277_t0004.png 이미지

B: Unstandardized regression coefficient, SE: Standard error, β: Standardized regression coefficient, p: Significant, R 2 : Coefficient of determination

3) 표층 퇴적상 분류

표층 퇴적상 분류에 영향을 주는 요인들의 통계적 분석을 통하여 입력 자료의 조건을 3가지 경우(S, T+H, S+T+H)로 구분하여 객체기반영상 방법에 적용하였고, 3가지의 표층 퇴적상 분류도를 생성하였다(Fig. 5). 추출 한 표층 퇴적상 분류도는 지형고도가 상대적으로 낮고 사질 퇴적상이 우세한 지역(R구간), 혼합 퇴적상이 우세한 지역(C구간)과 지형고도가 상대적으로 높고 니질 퇴적상이 우세한 지역(L구간) 따라 분류 패턴이 다르게 나타났다. Fig. 5(a)는 S 경우로 분류한 결과로 R구간에서 class 1, class 3, class 4-6 으로 다양하게 분류되었으며, class 1로 가장 많이 분류됨을 알 수 있다. C구간은 대체로 class 4로 분류되었으며 일부 영역에서 class 3과 class 2로 분류되었다. L구간은 주로 class 6로 분류되었으며, 일부 지역에서 class 1으로 주로 분류되었다. Fig. 5(b)는 T+H로 분류한 결과로 R구간에서 class 1, class 3, class 4-6 으로 다양하게 분류되었으며, class 1과 class 3으로 가장 많이 분류됨을 알 수 있다. C구간은 대체로 class 4로분류되었으며 일부 영역에서 class 3과 class 2, class 5로분류되었다. L구간은 주로 class 5와 class 6로 분류되었 으며, 일부 지역에서 class 2로 분류되었다. Fig. 5(c)는 S+T+H로 분류한 결과로 R구간에서 class 1과 class3으로 분류되었다. C구간은 대체로 class4로 분류되었으며 일부 영역에서 class2과 class 3로 분류되었다. L구간은 주로 class 5와 class 6로 분류되었으며, 일부 지역에서 class 4로 분류되었다. 종합적으로 3가지 표층 퇴적상 분류도에서 R구간은 class 1과 class 3으로 대부분 분류되 었고, C구간에서는 class 4로 대부분 분류되었으며, L구간에서는 대부분 class 5와 class 6으로 분류되었다. 이러한 결과는 현장 관측 자료와 유사한 패턴을 가진다. 그러나 R구간의 일부 영역(빨간색 원형 실선)에서 나타난 class 4-6은 S경우 많이 나타나지만 상대적으로 T+H와 S+T+H 경우에 적게 나타나거나 거의 나타나지 않았다. C구간의 일부 영역(파란색 타원형 실선)에서 나타난 class 6와 class 2는 T+H 경우에 대각선 방향으로 넓게 나타났으나 S경우와 S+T+H경우에는 거의 나타나지 않았다. 또한 L구간의 일부 영역(검은색 원형 실선)에서 나타난 class 1과 class 2는 S+T+H경우에 나타나지 않았으나 S와 T+H경우에 영상의 가장자리에서 일부 나타 났다. R구간과 L구간의 일부 영역에서 나타난 상이한 패턴은 주로 영상 가장자리에서 위치한다. R구간은 상대적으로 지형이 낮은 지역으로 해수 밖으로 거의 노출 되지 않아 C와 L구간에 비해 수분 함유량이 많은 지역이다. Cho et al.(2010)과 Ryu et al.(2004)는 수분 함유량은 스펙트럼 반사도에 영향을 주며, 수분 함유량이 높은 지역에서 낮은 스펙트럼 반사도를 갖는다고 분석하였다. 또한 갯벌의 수분 함유량은 지형고도와 조류로 분포의 영향을 받으며, 지형 고도가 높거나 조류로 분포가 많은 지역은 수분 함유량이 낮게 나타난다. 따라서 S경우는 가시광 영역의 스펙트럼 자료만을 사용하여 분류한 결과로 수분 함유량 영향으로 상대적으로 스펙트럼 반사도가 낮아 상이한 패턴을 갖는 것으로 판단된다. L구간은 UAV 관측 시 비행 방향과 태양 각도에 따라 태양광 반사점(sun glint)영향을 받거나 관측 당시 구름의 영향으로 그림자 발생하여 상이한 패턴이 나타난 것으로 판단된다. T+H경우만 C구간의 일부 영역에서 상이한 패턴을 나타내며, 이를 분석하기 위해 다변량분산분석 (MANOVA)을 사용하여 class에 따른 요인 별 상관관계를 분석하였다. 다변량분산분석은 2개 이상의 집단간의 결합된 차이를 분석할 수 있는 통계분석으로 집단 내 분산과 집단 간의 분산을 비교하여 분석한다. Table 5은 각 class와 요인들 간의 다변량분산분석을 수행한 결과로, 가시광 영역의 스펙트럼은 class 3과 class 6에 유의한 차이가 있으며, DEM은 class 1과 class 4-6, class2와 class 5-6, class 3과 class 4-6, class 4와 class 5-6에 유의한 차이가 있다. 또한 조류로 밀도는 class 1과 class 4-6, class 2와 class 5-6, class 3과 class 4-6, class 4와 class 5-6에 유의한 차이가 있다. 따라서 T+H의 경우 C구간에서 상이한 패턴을 갖는 class 2, class 4, class 6 은 DEM과 조류로 밀도에서 유의한 차이가 없기 때문에 퇴적상 분류 시 차이가 없는 것으로 판단된다. 표층 퇴적상 분류도의 분류정확도를 검증하기 위하여 분류 항목별 생산자 정확 도와 사용자 정확도, 전체정확도를 계산하였다(Table 6, 7, 8). 입력 자료 조건에 따라 S의 경우 전체 정확도는 41.3%(Kappa지수 0.32), T+H의 경우 전체 정확도는 32.61%(Kappa지수 0.25), S+T+H의 경우 전체 정확도는 63.04%(Kappa지수 0.54)로 S+T+H의 경우 전체 정확도가 가장 높게 나타났다. 또한 S의 경우 5개의 표층 퇴적상 분류 영상이 생성되었고, T + H의 경우는 4개의 표층 퇴적상 분류 영상이 생성되었으며 S + T + H의 경우 6개의 표층 퇴적상 분류 영상이 생성되었다. S의 경우 class 4, class 1, class 3의 순으로 사용자 정확도가 높게 나타났으며, class 2, class 5, class 6 순으로 사용자 정확도가 낮게 나타났다. T+H경우 class 1, class 4, class 3의 순으로 사용자 정확도가 높게 나타났으며, class 2, class 5, class 6의 순으로 사용자 정확도가 낮게 나타났다. S+T+H경우 class 1, class 3, class 4의 순으로 사용자 정확도가 높게 나타났으며, class 5, class 2, class 6의 순으로 사용자 정확도가 낮게 나타났다. 모든 경우에서 class 1, class 3, class 4의사용자 정확도가 상대적으로 높게 나타났으며, class 2, class 5, class 6의 사용자 정확도는 상대적으로 낮게 나타 났다. 이 결과는 class 2, class 5, class 6의 표본 자료의 개수가 적기 때문에 정확도가 상대적으로 낮은 것으로 판단된다. 다변량분산분석에 따르면 스펙트럼은 class 3과 class 6에만 유의한 차이를 보이며, DEM은 class 2, class 6과 class 4-5에 유의한 차이를 보이지 않는다. 조류로 밀도는 class 1과 class 2-3, class 2와 class 4-5, class 5와 class 6에 유의한 차이를 보이지 않는다. 각 요인들은 퇴적상에 따라 모두 유의한 차이를 보이지 않거나, 서로 다른 유의한 차이를 나타나기 때문에 입력 자료 조건에 따라 퇴적상 별 사용자 정확도가 다르게 나타나는 것으로 판단된다. 따라서 S경우와 H+T경우보다 S+T+H경우와 같이 퇴적상에 영향을 주는 모든 요인을 통합하여 분류한 결과의 전체 정확도가 더 높게 나타나는 것으로 판단된다.

OGCSBN_2020_v36n2_2_277_f0005.png 이미지

Fig. 5. Results of surface sedimentary facies based on object-based image analysis (a) RGB ortho imagery, (b) DEM and channel density, (c) integration of RGB ortho imagery and DEM, channel density.

Table 5. Summary of multivariate analysis of variance for correlation between surface sedimentary facies and visible spectrum, DEM and channel density

OGCSBN_2020_v36n2_2_277_t0005.png 이미지

MD: Mean Difference. SE: Standard error, p: Significant *The mean difference is significant at the 0.05 level

Table 6. Accuracy assessment of the surface sedimentary facies classification obtained with spectrality data

OGCSBN_2020_v36n2_2_277_t0006.png 이미지

Table 7. Accuracy assessment of the surface sedimentary facies classification obtained with combination of topography and hydrology data

OGCSBN_2020_v36n2_2_277_t0007.png 이미지

Table 8. Accuracy assessment of the surface sedimentary facies classification obtained with combination of spectrality, topography and hydrology data

OGCSBN_2020_v36n2_2_277_t0008.png 이미지

5. 결론

본 연구에서는 천수만 황도 갯벌 지역을 대상으로 UAV 자료와 객체기반영상분석 방법을 사용하여 대축척 갯벌 표층 퇴적상 분류도를 작성하고, 정확도 검증을 수행하여 정밀한 표층 퇴적상 분류의 가능성과 보다 정확한 분류 방법에 대해 제시하였다. 기존의 위성영상및 현장 관측을 활용하여 분류한 갯벌 표층 퇴적상은 자료 획득의 어려움과 공간 해상도 한계에 따른 분류 항목의 제한으로 인해 대축척 수준의 활용에 한계가 있다. 이러한 한계를 보완하기 위하여 비교적 자료 획득이 용이하며 초고해상도 공간해상도를 갖는 UAV 자료와 다양한 형태의 자료를 적용할 수 있는 객체기반영상분석 방법을 사용하여 황도 갯벌의 퇴적상 분류도를 작성하였다.

분류 시 사용한 자료는 표층 퇴적상 분류에 영향을 주는 요인으로 RGB 정사영상, 지형 고도, 조류로 밀도이며, 표층 퇴적상과 요인들의 통계적 분석을 통해 표층 퇴적상 분류 시 가시광 영역의 스펙트럼보다는 지형 고도 및 조류로 밀도에 의한 영향이 높은 것으로 나타났다. 이를 바탕으로 객체기반영상분석 방법에 적용할 입력 자료를 3가지 유형으로 구분하였고, 3가지 유형은 (1) 가시광 영역의 스펙트럼, (2) 지형 고도와 조류로 밀도, (3) 가시광 영역의 스펙트럼과 지형 고도 및 조류로 밀도이다.

각 유형에 따라 분류한 결과 전체 정확도는 41.3% (Kappa지수 0.32), 32.61%(Kappa지수 0.25), 63.04%(Kappa지수 0.54)로 스펙트럼과 지형 고도 및 조류로 밀도를 사용할 경우 정확도가 가장 높게 나타났다. 또한 가시광 영역의 스펙트럼의 경우 5개의 표층 퇴적상을 분류할수 있었고, 지형 고도와 조류로 밀도의 경우 4개의 표층 퇴적상 분류가 가능하였으며 가시광 영역의 스펙트럼과 지형 고도 및 조류로 밀도의 경우는 6개의 표층 퇴적 상을 분류하였다. 가시광 영역의 스펙트럼만 사용하여 갯벌 표층 퇴적상을 분류할 경우 UAV 관측 시스템에 의해 태양광 반사점(sun glint)과 구름 등의 기상 환경과 갯벌 지형에 의한 수분 함유량 차이는 표층 퇴적상 분류 시 영향을 미칠 수 있다. 또한 DEM과 조류로 밀도만 사용하여 갯벌 표층 퇴적상을 분류할 경우 지형의 특성 차이가 미미한 분류 항목의 경우 적절한 분류가 어렵다. 이와 같이 퇴적상 별 영향을 주는 요인이 서로 다르기 때문에 갯벌 표층 퇴적상을 분류할 때 가시광 영역의 스펙트럼과 지형 고도 및 조류로 밀도를 통합하여 적용하는 것이 보다 정확도가 높은 분류 결과를 획득할 것으로 보인다.

더 나아가 수분 함유량에 민감한 근적외선(NIR), 단파장적외선(SWIR) 및 열적외선(Thermal) 등 장파장대의 자료와 초다분광(Hypersepctral) 자료를 추가하여 분광 해상도를 보완한다면 갯벌 표층 퇴적상 분류도 제작에 효율적이고 다양한 가능성을 제공할 것으로 기대 한다.

사사

이 논문은 해양수산부 연구개발사업인 “소규모 갯벌 수로를 이용한 패류 치패자원 확보기술 연구”와 “국가 해양영토 광역 감시망 구축 기반연구”의 지원을 받아 수행되었습니다.

References

  1. Bartholdy, J. and S. Folving, 1986. Sediment classification and surface type mapping in the Danish Wadden sea by remote-sensing, Netherlands Journal of Sea Research, 20: 337-345. https://doi.org/10.1016/0077-7579(86)90001-3
  2. Blaschke, T. and J. Strobl, 2001. What's wrong with pixels? Some recent development interfacing remote sensing and GIS, GeoBIT/GIS, 6: 12-17.
  3. Cho, Y.-C., S.-W. Lee, I.-G. Ryu, and S.-J. Yu, 2017. Assessment of Spatiotemporal Water Quality Variation Using Multivariate Statistical Techniques: A Case Study of the Imjin Rivr Basin, Korea, Journal of Korean Society of Environmental Engineers, 39(11): 641-649 (in Korean with English abstract). https://doi.org/10.4491/KSEE.2017.39.11.641
  4. Choi, Y.-H., S.-J. Hong, S.-R. Jeon, and Y.-S. Cho, 2019. Site assessment using habitat suitability index for manila clam Ruditapes philippinarum in Geunso bay tidal flats, Korean Journal of Fisheries and Aquatic Sciences, 52(5): 511-518 (in Korean with English abstract). https://doi.org/10.5657/KFAS.2019.0511
  5. Choi, J.-K., J.-H. Ryu, Y.-K. Lee, H.-R. Yoo, H.-J. Woo, and C.-H. Kim 2010. Quantitative estimation of intertidal sediment characteristics using remote sensing and GIS, Estuarine, Coast Shelf Science, 88: 125-134. https://doi.org/10.1016/j.ecss.2010.03.019
  6. Choi, J.-K., J. Eom, and J.-H. Ryu, 2011. Spatial relationships between surface sedimentary facies distribution and topography using remotely sensed data: Example from the Ganghwa tidal flat, Korea, Marine Geology, 280(1-4): 205-211. https://doi.org/10.1016/j.margeo.2010.10.022
  7. Doerffer, R. and D. Murphy, 1989. Factor analysis and classification of remotely sensed data for monitoring tidal flats, Helgolander Meeresuntersuchungen, 43(3-4): 275-293. https://doi.org/10.1007/BF02365889
  8. Duro, D. C., S.E. Franklin, and M.G. Dube, 2012. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery, Remote Sensing of Environment, 118: 259-272. https://doi.org/10.1016/j.rse.2011.11.020
  9. Eom, J., J.-K. Choi, J.-H. Ryu, H.-J. Woo, J.-S. Won, and S. Jang, 2012. Tidal channel distribution in relation to surface sedimentary facies based on remotely sensed data, Geosciences Journal, 16(2): 127-137. https://doi.org/10.1007/s12303-012-0015-6
  10. Eom, J., J.-K. Choi, Y.-K. Lee, J.-H. Ryu, and J.-S. Won, 2013. Standardization of sedimentary facies and topography based on the tidal channel type in Western coastal area, Korea, Journal of Coastal Research, 65: 1373-1378. https://doi.org/10.2112/si65-232.1
  11. Folk, R.L., 1968. Petrology of Sedimentary Rocks, Hemphill Publishing, Austin, Texas, USA, 170p.
  12. Hwang, D.-W., I.-S. Lee, M.-K. Choi, S.-Y. Kim, and H.-G. Choi, 2013. Evaluation of organic matter and trace metal contamination in surface sediments around the Geum river estuary using sediment quality guidelines, Korea Journal of Fisheries and Aquatic Sciences, 46(6): 930-940 (in Korean with English abstract). https://doi.org/10.5657/KFAS.2013.0930
  13. Jolliffe, I.T., 2002. Principal Component Analysis 2nd edition, Springer, New York, NY, USA, pp. 150-166.
  14. Kettig, R. and D. Landgrebe, 1976. Classification of multispectral image data by extraction and classification of homogeneous objects, IEEE Transactions on Geoscience Electronics, 14(1): 19-26. https://doi.org/10.1109/TGE.1976.294460
  15. Kim, Y.-S. and J.-N. Kim, 1996. Biogenic sedimentary structures of crustaceans at the intertidal flat of Whang Island, Cheonsu Bay, Journal of Korean Earth Science Society, 17(4): 357-364 (in Korean with English abstract).
  16. Kim, H.-O. and J.-M. Yeom, 2012. A study on objectbased image analysis methods for land cover classification in agricultural areas, Journal of the Korean Association of Geographic Information Studies, 15(4): 26-41 (in Korean with English abstract). https://doi.org/10.11108/kagis.2012.15.4.026
  17. Kim, K.-L., B.-J. Kim, Y.-K. Lee, and J.-H. Ryu, 2019. Generation of a large-scale surface sediment classification map using unmanned aerial vehicle (UAVs) data: A case study at the Hwang-do tidal flat, Korea, Remote Sensing, 11: 229. https://doi.org/10.3390/rs11030229
  18. Lee, Y.-K. and J.-H. Ryu, 2017. Production of the thematic standard map for coastal regions based on remote sensing data, Korean Journal of Remote Sensing, 33(6-2): 1159-1169 (in Korean with English abstract). https://doi.org/10.7780/KJRS.2017.33.6.2.10
  19. Lee, J.-H., H.-J. Woo, K.-S. Jeong, J.-U. Choi, and K.-S. Park, 2017. Evaluation of Methane(CH4) gas emissions and sink sources according to the mean size of sediment in the tidal flat at Taean, Midwest Korea, Journal of International Area Studies, 21(2): 123-148. https://doi.org/10.18327/jias.2017.07.21.2.123
  20. Liun, C.-W., K.-H. Linn, and Y.-M. Kuon, 2003. Application of factor analysis in the assessment of groundwater quality in a black foot disease area in Taiwan, Science of The Total Environment, 313(1-3): 77-89. https://doi.org/10.1016/S0048-9697(02)00683-6
  21. Marani, M., A. D'Alpaos, S. Lanzoni, L. Carniello, and A. Rinaldo, 2007. Biologically-controlled multiple equilibria of tidal landforms and the fate of the Venice lagoon, Geophysical Research Letters, 34: L11402. https://doi.org/10.1029/2007GL030178
  22. Murray, M.J., R.S. Clemens, S.R. Phinn, H.P. Possingham, and R.A. Fuller, 2014. Tracking the rapid loss of tidal wetlands in the Yellow Sea, Frontiers in Ecology and the Environment, 12: 267-272. https://doi.org/10.1890/130260
  23. Rainey, M.P., A.N. Tyler, R.G. Bryant, D.J. Gilvear, and P. McDonald, 2000. The influence of surface and interstitial moisture on the spectral charac - teristics of intertidal sediments: Implications for airborne image acquisition and processing, International Journal of Remote Sensing, 21(16): 3025-3028. https://doi.org/10.1080/01431160050144938
  24. Rainey, M.P., A.N. Tyler, D.J. Givear, R.G. Bryant, and P. McDonald, 2003. Mapping intertidal estuarine sediment grain size distributions through airborne remote sensing, Remote Sensing of Environment, 86: 480-490. https://doi.org/10.1016/S0034-4257(03)00126-3
  25. Ryu, J.-H., Y.-H. Na, J.-S. Won, and R. Doerffer, 2004. A critical grain size for Landsat ETMC investigations into intertidal sediments: a case study of the Gomso tidal flats, Estuarine, Coastal and Shelf Science, 60(3): 491-502. https://doi.org/10.1016/j.ecss.2004.02.009
  26. Ryu, J.-H., H.-J. Woo, C.-H. Park, and H.-R. Yoo, 2005. Classification of sedimentary facies using IKONOS image in Hwangdo tidal flat, Cheonsu bay, Journal of Wetlands Research, 7(2): 121-132 (in Korean with English abstract).
  27. Ryu, S.-O., J.-H. Chang, H.-J. Lee, Y.-J. Jo, and O.-I. Choi, 2009. Spatial and temporal variation of surface sediments by tidal environment changes: Muan bay, west coast of Korea, Journal of the Korean Society of Oceanography, 14(1): 10-21 (in Korean with English abstract)
  28. Trimble, 2014. eCognition$^{(R)}$ Developer 9.0 Reference Book; Trimble Germany GmbH, Munich, Germany.
  29. Walsh, S.J., A.L. McCleary, C.F. Mena, Y. Shao, J.P. Tuttle, A. Gonzalez, and R. Atkinson, 2008. QuickBird and Hyperion data analysis of an invasive plant species in the Galapagos Islands of Ecuador: Implications for control and land use management, Remote Sensing of Environment, 112: 1927-1941. https://doi.org/10.1016/j.rse.2007.06.028
  30. Yates, M.G., A.R. Jones, S. McGrorty, and J.D. Goss-Custard, 1993. The use of satellite imagery to determine the distribution of intertidal surface sediments of the Wash, England, Estuarine, Coastal and Shelf Science, 36: 333-344. https://doi.org/10.1006/ecss.1993.1020