A Study on the Stream and Reservoir Segmentation in Paldang Dam Basin in Kompsat-3A Image

Kompsat-3A 영상에서 팔당댐 유역의 하천과 저류지의 분할에 관한 연구

Abstract

In Korea, due to the rapid increase in population due to industrialization, rivers were developed and managed with a focus on the completion and dimension of rivers. Due to the rapid increase in river use, there are so many river facilities indiscriminately that the administrative and management tasks are complicated and diversified in computerizing facilities and hydrologic data. Many methods have been proposed to solve this problem, but many problems exist. Among them, water has the same spectral characteristics, so it is difficult to subdivide into rivers, reservoirs, and dams. Therefore, this study subdivided the water system using supervised classification and GIS in order to efficiently manage the water resources by classifying the water system with the same spectral characteristics. In order to analyze the accuracy of the results, the accuracy of the objects classified using land cover map provided by environmental spatial information service was evaluated, and the result was an average of 91.75%, with 97.50% of rivers, 87.76% of reservoirs, and 90.00% of others.

1. 서론

1970년 이후로 대한민국은 산업화로 급격하게 인구가 증가하였다. 이로 인해 하천의 이용이 증가하여 이수⋅치수 중심의 개발로 무분별한 하천 시설물의 증가로 시설물과 수문 자료 전산화에 있어서 행정 및 관리 업무가 복잡하고 다양해져 수자원 관리에 어려움이 많은 실정이다.

인공위성을 이용한 원격탐사기술은 넓은 지역에 대한 정보를 짧은 시간 안에 저비용으로 주기적인 영상을 취득할 수 있어 국토의 변화 탐지, 도시계획, 재난, 환경 및 구조물 등의 관리 감독이 가능해졌고, 국가 중요 정책을 결정하는데 중요한 자료로 사용되고 있다.[1]

GIS(Geographic Infjormation System)는 1980년대 국내에 도입된 이래로 많은 발전을 거듭하면서, 활용 분야도 점차적으로 증가하고 있다. 관련 기술 또한 날로 발전하고 있으며, 현재는 사회 전반적인 분야에서 응용되고 있다. 특히 수많은 자료 획득과 변수를 요구하는 수자원 관련 분야에서 기존의 프로그램들과 연동하거나 독자적으로 이용하면서 유용하게 활용되고 있다.[2] 함창학은 GIS를 이용하여 대상유역에 대한 하천유역이 공간정보를 추출하기 위한 방법을 제시하고 이를 분석하여 수자원 업무를 보다 효율적으로 해결해 나갈 수 있도록 하였다.[3] 과거에는 하천의 공간자료 및 정보를 추출하기 위해 많은 시간, 인력, 비용을 들어 많은 자료를 수집하였다. 하지만 최근에는 효율적으로 자료를 수집하기 위해 하천과 같은 넓은 지역에 대해 위성영상과 GIS를 이용하여 연구를 진행하고 있다. 20세기를 맞이하면서 GIS와 RS(Remote Sensing) 기법의 도입으로 인하여 광범위한 지역에 대한 유역과 하천특성인자 등의 데이터를 신속하고 정확하게 추출할 수 있게 되었다.[4]

식생변화와 피복 상태를 효과적으로 분석하고 토지 피복도 산림식생도와 토지이용도 같은 주제도를 만들고 데이터베이스의 완성을 위해서는 기법을 병행하여 응용함이 더욱 효과적이다. 지리정보시스템과 원격탐사기술을 접목하면 주기성과 동시성 신속성 수집된 자료의 수치화 등의 장점을 통해 한반도의 제반 정보를 신속하게 수집하고 분 석할 수 있다.[5]

수계는 분광특성이 같아 저류지, 하천을 구분하기에 많은 어려움이 있다. 그래서 위성영상을 감독 분류 중 하나인 최대우도분류법으로 수계를 분류하고 GIS를 이용하여 수계를 세분화를 한다면 정확하고 신속하며 경제적이기 때문에 기존의 방식보다 효율적일 것이라고 판단된다.

본 연구에서는 효과적인 수자원 관리를 위해 분광특성이 같은 수계를 RS와 GIS로 저류지와 하천으로 분할 하였다. 위성영상은 Kompsat-3A가 촬영한 0.55m급의 고성능/고해상도 영상을 감독 분류 중 하나인 최대우도분류법으로 수계를 분류하고 수치표고모형(DEM (Digital Elevation Model)), 수문학적 특성을 활용하여 GIS로 분광특성이 같은 수계를 저류지와 하천을 구분하여 하천관리시스템을 효율적으로 관리하는데 목적이 있다.

2. 기본이론

2.1 분광특성

다중분광영상(multi-spectral image)은 각기 다른 분광대역을 갖는 밴드(spectral band)를 여러개 갖고 있기 때문에 분광특성에 따라 물체를 구분할 수 있고 다양한 칼라 합성으로 지표의 모습을 자연스럽게 나타내거나 대상물을 특정 색상으로 표현할 수 있다. 이러한 특징으로 토지피복 및 이용분류에 가장 많이 쓰이고, 인문 자연환경 전반에 걸쳐 활용성이 높다.[6] 아래의 Fig. 1과 같이 여러 분광 중 물의 분광은 특성이 같아 하천과 저류지를 구분하기는 어렵다.[7]

Fig. 1 Spectral characteristics

2.2 유역생성

유역(Watershed)은 물과 기타 물질들이 공통의 유출점(Drainage Point)으로 유입되는 지역으로 정의되며 집수구역이라고도 한다. 유출점은 유역 외부로 흘러나가는 유출지점을 말하며, 대개 유역 분지 경계에서 가장 낮은 지점이다. 두 유역 간의 경계를 분수계(Watershed Boundary)라 부른다. Fig. 2는 유역 모식도에 대한 설명이다.[8]

Fig. 2 Watershed Boundary

유역생성은 연구대상지역의 수치지도를 국토지리정보원에서 받아 필요한 Layer를 추출해 수치표고모형(DEM)을 제작하였다. 제작한 수치표고모형을 유역생성 결과에 생길 수 있는 오류를 제거하기 위해 Fill, Burn DEM 전처리 과정을 거친 후에 Arc hydro tool을 이용하여 유역을 생성하였다.

3. 실험 및 고찰

3.1 연구방법

Fig. 3은 본 연구에서 수행한 연구방법이다. 과 같이 수행하였다. 연구대상지역은 Fig. 4와 같이 Kompsat-3A호가 2016년 5월 30일에 충청북도 옥천 팔당댐 부근 유역을 촬영한 해상도 0.55m 위성영상이다. 본 연구에서는 수역을 분류하기 위해 Kompsat-3A 위성영상을 사용하였으며, 연구 대상지역은 수계의 분포가 전체 영상의 30% 이상의 지역으로 GIS를 이용하여 수계를 분류하기에 적합한 영상으로 판단된 곳이다.

Fig. 3 How to study

Fig. 4 Study Area

3.2 트레이닝 및 영상분류

분류할 대상을 수치지도와 비교한 후 Polygon으로 지정하여 해당하는 건물, 산림, 논, 밭, 수계 등으로 합쳐서 Layer를 만든다. 아래의 Fig. 5는 대상 지역에서 수계를 추출하기 위해 위성영상에서 Red, Green, Nir의 밴드를 이용하여 하천, 저류지 등을 트레이닝 영역으로 설정하였다.

Fig. 5 Specify training region Polygon

하천, 저류지 등을 트레이닝 자료로 사용하였으며, 아래의 Fig. 6은 수계를 트레이닝 할 곳을 지정한 Polygon을 기반으로 최대우도분류법을 사용하여 얻은 수계피복도와 영상을 중첩하여 분류결과를 확인하였다.

Fig. 6 Image superimposition and image superposition classified by maximum likelihood classification

3.3 유역생성

수치표고모형을 Fill을 이용하여 오류가 될 수 있는 것들을 제거 후에 Flow Direction을 생성한다. Flow Accumulation(흐름 누적)은 Flow Direction을 토대로 어느 셀로 흐르는 셀의 개수를 계산하는 것으로 흐르는 방향이 없는 셀은 0으로 표시되며, 흐르는 방향이 있는 셀은 흐름 누적수에 1을 더한 값을 표시하여 대상 지역의 물의 누적된 흐름을 산정한다. 아래의 Fig. 7은 Flow Direction을 이용하여 Flow Accumulation을 생성한 결과이다.

Fig. 7 Flow Accumulation

Stream to Feature는 건물, 유역, 도로, 지진 등 유사한 지리적 특성을 그룹화하는 것이다. Feature는 Point, Line, Polygon으로 기존 영상 위에 데이터를 시각화하여 해당 속성을 Query Builder를 이용하여 편집, 확인, 분석할 수 있다. Query Builder에 수식을 입력할 때 Grid Code에 대한 수식이 많아질수록 더욱 자세한 하천흐름도가 추출된다. 아래 Fig. 8은 Grid Code에 대하여 수식을 넣어 분석한 결과이다.

Fig. 8 Stream to Feature

3.4 저류지와 하천의 구분

1:5000의 수치지도에서 Layer를 추출한 후에 DEM을 생성하여 GIS로 추출한 하천흐름도를 Feature To Point로 하천의 중심에 점을 생성하고 생성된 점을 이용하여 Spatial Join으로 아래의 Fig. 9와 같이 최대우도분류법으로 분류한 수계에서 하천을 추출하였다.

Fig. 9 Stream Classification Using Spatial Join

저류지는 최대우도분류법으로 분류한 수계에서 Spatial Join을 이용하여 추출한 하천을 사용하여 원하는 영역을 중첩해서 제외시키는 Erase로 하천을 제거하여 아래의 Fig. 10과 같이 저류지를 추출하였다.

Fig. 10 Reservoir Classification Using Erase

3.5 수계 분석 비교

연구대상지역의 수치지도를 이용하여 생성한 수치표고모형에서 하천흐름도를 제작하였다. 그리고 Fig. 11과 같이 영상을 최대우도분류법으로 분류한 수계를 GIS를 이용하여 하천과 저류지를 구분한 결과와 최대우도분류법의 결과 및 토지피복도에서 저류지의 위치를 표시하였다. 또한, Table 1은 두 결과를 비교하여 저류지가 일치하는 부분과 토지피복도에서는 저류지로 표시되어 있지만, 최대우도분류법을 사용한 결과에서 분류되지 않은 부분을 표시하였다.

Fig. 11 Water Stream Extraction Result Overlay

Table 1. Number of reservoir classification Unit: things

3.6 정확도 분석

정확도 평가 방법은 참조자료와 수역으로 분류된 영상을 pixel by pixel로 비교하는 Error Matrix를 이용하였다. Error Matrix는 위성영상의 정확도를 분석하거나 토지분류 등에 사용되며, 공간정보의 정확도를 평가하는데 효율적이며 Error Matrix는 식(1)∼(4)와 같다. 무작위로 100개의 점을 뿌려 제작자 정확도와 사용자 정확도, 전체 정확도를 구해서 Kappa 계수를 구해 정확도를 평가하였다. 최대우도분류법으로 하천을 분류한 영상에서 Error Matrix를 한 결과를 아래의 Table 2에 나타내었다.

\(\begin{align}\text {제작자정확도}=\frac{X_{i i}}{X_{+1}}\end{align}\)       (1)

\(\begin{align}\text {사용자정확도}=\frac{X_{i i}}{X_{i+}}\end{align}\)       (2)

\(\begin{align}\text {전체정확도}=\frac{\sum_{i=1}^{r} X_{i i}}{N}\end{align}\)       (3)

\(\begin{align}\hat{K}=\frac{N \sum_{i=1}^{n} x_{i i}-\sum_{i=1}^{n}\left(x_{i+} \times x_{+i}\right)}{N^{2}-\sum_{i=1}^{n}\left(x_{i+} \times x_{+i}\right)}\end{align}\)       (4)

Table 2. River classification accuracy Unit: things

최대우도분류법으로 저류지를 구분한 영상에 하천과 같이 무작위로 100개의 점을 뿌려 Error Matrix를 한 결과를 아래의 Table 3에 나타내었다.

Table 3. Reservoir classification accuracy unit: things

또한, 아래의 Table 4는 토지피복도의 하천과 저류지의 면적, 그리고 하천흐름도와 최대우도분류법을 GIS를 이용하여 구분된 하천과 저류지의 면적을 비교하여 나타내었다.

Table 4. Area comparison Unit: m²

4. 결론

본 연구는 위성영상을 감독분류 중 하나인 최대우도분류법을 사용하여 수계를 분류하였다. 하천과 저류지는 분광특성이 같은 수계에 해당되므로 구분하기가 매우 어려워, 국토지리정보원 국토정보플랫폼에서 제공하는 1:5000 수치지도를 이용하여 DEM생성 후 하천흐름도를 생성하여 수계를 하천과 저류지로 구분하였다.

연구를 수행한 결과 최대우도분류법으로 분류한 영상에서 토지피복도와 비교하여 하천과 저류지의 Error Matrix를 계산한 결과 하천 97.50%, 저류지 87.76%, 기타 90.00%로 평균 91.75%의 정확도를 보였다. 이를 이용하여 Kappa 계수를 계산한 결과 하천은 0.91로 나타났으며, 저류지는 0.80으로 나타났다.