A Study on Ice Area and Temperature Change in River on Winter Season Using Classification Method of Satellite Image

위성 영상의 분류 기법을 활용한 겨울철 하천의 얼음 면적과 기온 변화 비교 연구

Abstract

The natural environment and local ecosystem change depending on various factors, but among them, the change in water temperature is one of the major factors affecting the surrounding environment in the river ecosystem. However, research on water temperature change have not been actively conducted to date compared to the effect of water temperature on the river environment. Therefore, this study intends to study the change in water temperature from 2015 to 2021 through the change in the area of winter ice in the Hongcheon River. Optical satellite images were classified by referring to the field survey results, and the SAR satellite imagestried to overcome the limitations of the input data by using the GLCM texture analysis method. After verifying the accuracy of all images used, the calculated monthly average ice area was compared with the temperature data of the adjacent AWS. It was found that there is a correlation between water temperature and ice area, and the results of this study can be used to study environmental changes in small-scale rivers that are difficult to access or do not have systems in place.

자연환경이나 지역생태계는 다양한 요인에 의하여 변화가 일어나지만 그 중에서도 수온의 변화는 하천생태계에서 주변환경에 영향을 미치는 큰 요인 중 하나이다. 하지만 현재까지 수온 변화에 관한 연구는 수온이 하천환경에 미치는 영향력에 비해 활발히 진행되지 못하였다. 이에 본 연구에서는 2015년부터 2021년까지 홍천강의 겨울철 얼음의 면적 변화를 통해 수온의 변화를 연구하고자 한다. 현장조사 결과를 참고하여 광학 위성영상을 분류하였으며, SAR 위성 영상은 GLCM 텍스처 분석법을 이용하여 입력 자료의 한계를 극복하고자 하였다. 사용된 모든 영상의 정확도 검증을 수행한 뒤, 산출된 월 평균 얼음 면적과 인접한 기상대의 기온자료와 비교를 하였다. 수온과 얼음의 면적이 상관관계가 있음을 알 수 있었으며 본 연구결과는 접근이 힘들거나 시스템이 갖춰지지 않은 소규모 하천의 환경변화 연구에 활용할 수 있을 것이다.

1. 서론

하천은 자연환경이나 지역 생태계에 영향을 주는 여러가지 요인 중 하나이다. 하천 수온의 변화는 용존 산소량의 변화에 영향을 미쳐 하천에 서식하는 어류의 생존과 성장에 영향을 주는데, 이 영향은 강의 면적 대비 높은 밀도의 생명체가 서식할수록 더욱 증가하는 경향을 보인다. 우리나라와 같은 온대 지역에 속해있는 곳에 있는 하천은 동절기 일부 구간에서 얼음이 형성된다. 동절기에 하천이나 호수에서 형성되는 얼음의 두께는 물의 최저온도와 바람의 세기, 기온에 의해 결정되므로 국지적 기후 변화 관찰을 위한 중요한 인자로 사용되고 있으며, 수자원 및 수리구조물의 사용과 겨울철 관광산업에도 큰 영향을 미친다(Han et al., 2012). 하지만 지구 온난화와 같은 기후 변화로 인해 하천 환경에도 변화가 생겨 겨울철 하천에 얼음이 생성되는 구간과 시기가 점차 변하고 있다. Newton and Mulland (2021)의 연구에 의하면 일반적으로 하천의 얼음은 하천의 흐름온도가 빙점 이하로 낮아지는 조건일 때 시작된다. 흐름이 거의 없는 호수와는 달리 유량이 보존되는 한 지속적인 흐름 을 가지는 하천은 수직방향으로 열적 순환이 일어나며 전체적으로 비슷한 수온을 가진다. 따라서 하천 수면의 수온을 측정한다면 전체적인 하천 수온의 경향을 알 수 있다.

수온이 하천 환경에 미치는 영향에 비해 수온과 관련된 연구는 미비한 실정이다. 일반적으로 수온에 관한 연구는 현장조사 방법을 기본으로 하고 있다. 현장조사는 신뢰도가 높으나 험준지 등 접근이 어려운 지역에 대한 조사가 어렵고 인력, 비용 등의 문제로 인해 넓은 면적의 강에 적용하기에는 한계가 있다. 또한 겨울철 수온 연구에 이러한 방법이 적합하지 않는데, 수온 관련 연구에서 사용하였던 일반적인 측정 방법은 임의의 포인트를 지정해 그곳에 도달해서 장비를 이용하여 수온을 측정한다(Choo et al., 1997; Lee, 2007). 이러한 방법은 신뢰성은 높으나 전체적인 수온을 측정할 수 없고 겨울철 강에 얼음이 얼었을 때는 수온을 측정할 수 없다는 단점을 가진다. 따라서 위와 같은 문제로 인해 접근이 힘든 지역 및 넓은 지역의 겨울철 수온의 측정은 특정 지역의 수온 자료만 획득할 수 있어 전체적인 추이를 보기에 부적합하다. 이러한 문제를 해결할 수는 있는 방법 중 하나인 위성체 혹은 비행체 기반의 원격탐사 기법은 비접근 지역에 대해서 관측이 가능할 뿐만 아니라 넓은 영역에 대하여 신뢰도 높은 자료를 획득할 수 있다. 이렇게 얻을 수 있는 공간적 특성분포를 활용하여 해양, 하천 관련연구를 비롯한 다양한 분야에 적용되어 왔다 (Peter Bayliss et al, 2014; moon and yang, 2009; Kang et al., 2017). 특히 Li et al., (2020)의 연구에서는 20년간의 Landsat 위성 영상을 활용하여 티벳 고원의 얼음 면적을 시계열 분석한 결과 장·단기 변화에서 모두 얼음의 면적과 기온이 음의 상관관계를 가진다는 것을 밝혔다

본 연구에서는 홍천강 일대 얼음 면적과 기온과의 상관관계를 증명하기 위하여 광학 위성과 SAR 위성 영상에 영상 분류 기법을 적용하고, 홍천강 인근의 온도 변화에 따른 얼음의 면적변화를 정량적으로 산출하고자 한다. 위성 영상뿐만 아니라 무인 비행체를 통한 현장 조사로 얻은 자료를 기준으로 유의미한 정확도를 가진 영상분류 결과를 산출하여 시간의 따른 얼음의 면적 변화를 분석하였다. 분석된 얼음의 면적은 기상청 AWS의 기온자료와 비교하여 월평균 변화를 비교하였다. 기온은 수온에 직접적으로 영향을 미치기 때문에 기온의 변화와 얼음의 면적을 분석한다면 결국 수온과 얼음 면적 의 변화의 관계를 알 수 있을 것이다. 따라서 본 연구의 결과는 지방하천과 같이 시스템이 갖춰지지 못한 소규모 하천의 환경변화 연구에 활용할 수 있을 것이다.

2. 연구방법

Fig. 1은 본 연구방법의 모식도이다. 본 연구에서는 위성 영상의 공간해상도의 한계를 극복하기 위해 현장 조사를 실시함과 동시에 무인항공기를 사용하여 고해상도의 정사영상을 획득하였다. 현장조사는 위성 영상 의 촬영 날짜와 동일한 날에 실시되어 영상 분류의 기준 자료로 사용하였다. 감독 분류 알고리즘은 머신러닝 알고리즘 중 하나인 SVM을 사용하였고 영상 분류 결과는 검증 데이터세트와의 오차행렬을 생성하여 정확도를 검증하였다. 정확도 검증이 완료된 영상에서 얼음의 면적을 산출하여 홍천기상대의 AWS 월평균 기온 변화량과 비교하여 상관관계를 분석하였다.

Fig. 1. Flow chart in this study.

1) 연구지역

홍천강은 강원도 홍천군 두촌면 장남천 합류점에서 기원하여 서쪽으로 흐르다 청평호 일대에서 북한강과 합류하는 전체 길이 107.68 km, 유역 면적 약 1,566.02 km²으로 북한강 수계 지류 하천 중 두 번째로 큰 하천이다. 내면을 제외한 홍천군 전역과 춘천시의 남면 및 남산면 일부, 양평군 단월면 및 설악면 일부를 유역으로 삼고 있다(Kim et al., 2015). 본 연구에서 설정된 연구지 역은 강원도 홍천군에 위치한 홍천강 하류이다. 길이 약 2 km 폭 약 100 m 해당하는 북한강과의 합류 지점으로 북한강 본류에 비해 상대적으로 수심이 얕아 매년 12월 중순 경부터 이듬해 2월까지 얼음이 생성되기 때문에 얼음의 변화를 관측하기에 용이하다(Fig. 2).

Fig. 2. (a) Study area in Gangwon-do, (b) Sentinel-2 true color image on study area.

2) 현장조사 및 무인항공기 영상 획득

현장조사는 무인항공기 영상과 광학 위성영상의 비교를 위해 Sentinel-2 위성의 예상 촬영 날짜를 계산하여 위성 영상 자료 획득일과 같은 날인 2021년 2월 26일 진행하였다(Fig. 3(a)). 연구지역 전체에서 얼음의 두께가 유의미하게 나타나고 비교적 직접 접근이 가능한 지역 인 강원도 홍천군 서면 만곡리 충의대교 부근에서 현장 조사를 통해 약 5 cm 두께의 얼음이 생성되어 있음을 확인하였고 동시에 무인항공기 영상 촬영을 진행하였다 (Fig. 3(b)). 연구지역을 촬영한 무인항공기는 DJI사의 Phantom 4 Pro 모델을 사용하였다. 이 모델의 카메라 센서인 FC6310은 1인치 CMOS 센서가 탑재되었으며 최대 3:2의 종횡비를 가지는 5472×3648 해상도의 2천만 픽셀급 영상을 촬영한다. 하지만 단일 영상만으로는 커버할 수 있는 영역이 작기 때문에 지정된 경로를 따라 비행하며 촬영하는 자동비행을 실시하여 총 273장의 분할 영상을 획득하였다. 이후 영상에 삽입된 각각의 GPS 좌표에 따라 일차적으로 공간좌표에 배열한 뒤, 각 영상에서 샘플링된 일부 픽셀들 간의 비교를 통해 정합 가능 여부를 결정한다. 정합이 가능하다고 판단되는 영상들은 샘플링 된 픽셀들의 좌표에 따라 재배열되고 고밀도의 점군을 생성하여 최종적으로 정사 영상을 생성한다. 생성된 정사영상의 공간해상도는 약 2 cm로 추후 인공위성 영상의 영상 분류 과정에서 지형지물을 판단하는 참고자료로 활용하였다(Fig. 3(c), 3(d)).

Fig. 3. (a) Hongcheon river overview on Feb. 26th 2021, (b) Hongcheon river ice thickness, (c) UAV rectified image on Feb. 26th 2021, (d) Sentinel-2 image on Feb. 26th 2021.

3) 위성 영상 자료처리

위성 영상은 크게 광학 위성과 SAR 위성으로 나누어 처리하였다.공통적으로홍천강에얼음이생성되는기간 인 12월부터 이듬해 2월까지의 위성 영상을 취득하였으며 2015년부터 2021년까지의 Sentinel-2 영상과 Landsat-8 94장의 영상을 사용하였다. 광학 위성 영상은 각 기관에서 제공하는 기하보정과 대기보정이 완료된 Level-2 영상을 사용하고 얼음이 뚜렷하게 나타나면서 해상도가 높은 Band4 (Red), Band3 (Green), Band2 (Blue)를 사용하여 RGB 밴드 데이터세트를 구축하고 영상분류를 수행하였다. 광학위성의 영상분류 과정은 SVM 알고리즘을 적용한 픽셀기반의 1차 분류를 수행하고 난 뒤, 무인항공기 정사영상을 바탕으로 1차 분류결과를 수정 또는 병합과정을 실시하는 2차 분류를 실시하였다.

Table 1. Dataset in this study

SAR영상은광학위성영상과동일한기간의Sentinel-1 영상 자료를 사용하였으며 물과 얼음에서 나타나는 신호의 후방산란 강도를 이용하기 위하여 기하보정이 완료된 Intensity 영상을 사용하였다.

연구지역의 Sentinel-1 영상은 VV와 VH 편파의 이중 편파 영상자료가 제공된다. Intensity 영상에서 발견되는 얼음의 신호 세기는 크게 세 가지로 분류할 수 있다. Fig. 4의 좌측에 나타난 Single Bounce Scattering 및 중앙의 Double Bounce Scattering의 경우 동일 편파의 영상에서 가장 강하게 관찰된다. Single Bounce Scattering은 강, 바다, 갯벌 등에서 나타나는 산란의 대표적 산란 특성이고, Double Bounce Scattering은 빌딩이나 나무기둥 등에서 나타나는 산란의 대표적인 산란 특성이다. 이들은 가장 간단한 산란 기작으로 얼음에서는 주로 얇은 얼음을 관측하기에 적합한 방법이다. 반대로 복잡한 산란이 일어나는 Volumetric Scattering의 경우에는 파장이 변화하는 교차 편파 영상에서 강한 신호 영상을 관측할 수 있다. 이러한 편파특성의 차이를 이용하여 SAR 영상을 이용하여 얼음을 탐지할 수 있다(Park et al., 2020).

Fig. 4. Different Scattering types in ice(Engram et al., 2013).

하지만 다중밴드를 사용할 수 있는 광학 위성 영상과는 달리 Intensity 영상만을 사용하는 SAR 자료는 입력 자료의 수가 적기 때문에 영상 분류법에 있어 결과의 정확도 및 신뢰도가 낮을 수 있다. 이에 본 연구에서는 영상의 텍스처 분석법 중 하나인 GLCM을 사용한 분석법을 적용하였다. GLCM(Gray-Level Co-occurrence Matrix) 은 Haralick et al. (1973)에 의해 제안된 개념으로 각 픽셀에 대해서 레이어 값을 지정해 넣어주는 방법이다. 예를 들어 (1,1)은 1 옆에 1이 있는 픽셀이 몇 개인가를 측정해서 1을 넣고, (1,2)는 1 옆에 2가 있는 픽셀이 몇 개인지 나타낸다. 이런 식으로 각 픽셀에 레이어를 설정하게 되고, 이 레이어 값을 방향에 따라 0도 45도 90도 135도 네 가지 방향에 따라서 분석하게 된다. 135도 이상의 값은 기존의 방향과 방향만 다를 뿐 값이 같으므로 사용하지 않는다. 생성된 GLCM을 각 텍스처를 생성하기 위한 식에 대입하여 텍스처 영상을 생성하여 다양하게 사용할 수 있다. 본 연구에서는 각 편파 Intensity 영상마다 Table 2와 같은 10개의 텍스처 레이어를 생성하고 이를 SAR 영상 분류의 입력자료로 활용하였다. 영상 분류 과정에서 인접한 날짜의 광학 위성 영상과 비교를 하며 SAR 위성 영상의 분류를 수행하였고 얼음의 두께에 관계없이 하나 이상의 편파 영상에서 얼음으로 분류되었다면 얼음으로 판정하였다. 최종적으로 광학 위성과 SAR 위성 영상 분류 결과에서 각각 월 평균 얼음 면적을 산출하였다.

Fig. 5. Example of making GLCM; (a) Original image matrix, (b) GLCM from original image (Calderón et al., 2016).

Table 2. Texture feature from GLCM

4) 영상 분류 및 정확도 검증

본 연구에서는 머신러닝 알고리즘을 이용한 분류 기법에 해당하는 SVM (Supprot Vector Machine) 알고리즘을 선택하였다(Kadavi and Lee, 2018). SVM은 Cortes and Vapnik (1995)이 제안한 통계적 학습 이론에 기초한 인공지능 기계학습 기법이다. SVM은 데이터를 분류하기 위해서 초평면(Hyperplane)을 사용하는데, 초평면이란 데이터들의 범주를 판별하기 위해 만들어진 기준을 말한다. 하지만, 최초 데이터를 판별하는 기준은 다양하므로 데이터를 나눌 수 있는 초평면이 많이 존재한다. 따라서 최적화된 초평면을 찾기 위해 SVM은 최대 마진 (Margin)을 찾는다. 최대 마진은 초평면과 가장 거리가 가까운 지점을 뜻한다. SVM은 최대 마진을 가진 데이터를 검색하고 초평면을 찾아서 결정한다. 이때 최대 마진을 가지는 데이터가 SVM의 지원 벡터(Support Vector)에 해당하며(Cortes and Vapnik, 1995), SVM은 선택된 지원 벡터를 사용하여 비선형 분류를 실시한다(Kadavi and Lee, 2018). 또한 SVM은 특정 범주의 오분류를 허용하는 벌칙(Penalty) 매개 변수가 포함되어 있어(Pakhale et al., 2010)과적합 (over-fitted) 문제를 최소화하며 높은 일반화 성능을 가진다는 장점이 있다(Schölkopf et al., 1998)

Fig. 6. Image SVM algorithm; green and red dots mean each class, grid means hyperplane (Nobie, 2006).

본 연구에서는 감독분류 결과의 정확도를 분석하기 위하여 오차 행렬(Error matrix)을 이용한 검증을 수행하였다. 오차 행렬이란 얼음 면적 분류자료와 검증자료를 (reference data)를 바탕으로 각 오차 행렬의 해당란에 수치를 입력한 도표이다(Ha et al., 2002).

영상 분류 결과의 정확도 분석은 오차 행렬(Error matrix)을 이용하였다. 세로는 검증자료, 가로는 얼음분류의 분류자료로 지정했다. 오차 행렬 분석에서 주 대각 성분을 이용하여 사용자정확도(User’s accuracy)와 제작자정확도(Producer’s accuracy) 종합정확도(overall accuracy)를 산출하였고 최종적인 영상 분류 결과의 정확도는 종합 정확도를 이용하여 판단하였다(Story and Congalton, 1986).

사용자 정확도는 얼음 면적 분포 지표가 얼마나 일치하는지를 나타낸 값으로 식 (1)과 같이 오차 행렬의 주 대각 요소(x_ii)를 분류한 영상의 각 분류 항목의 픽셀 수로 나눈 값이다(Ha et al., 2002).

\(U A=\frac{x_{i j}}{\sum_{i=1}^{t} x_{i j}} \times 100\)       (1)

제작자 정확도는 연구 지역에 대해 분류 기법이 얼마나 정확히 분류하였는지 나타내는 값이다. 이는 오차 행렬의 주 대각 요소(x_ii)를 검증자료의 픽셀 수로 나눈 값이다(Ha et al., 2002).

\(P A=\frac{x_{i j}}{\sum_{j-1}^{n} x_{i j}} \times 100\)       (2)

종합 정확도는 분류항목별로 정확히 분류된 픽셀의총합을 의미한다. 이는 주 대각 요소(x_ii)의 총합을 전체 검증 자료로 쓰인 픽셀 수(N)로 나눈 값이다(Ha et al., 2002).

\(O A=\frac{\sum_{i-1}^{r} x_{i i}}{N} \times 100\)       (3)

본 연구에서는 영상분류의 정확도를 검증하기 위해 영상 분류 과정에서 생성한 검증자료와 분류 결과를 이용하여 오차 행렬을 작성하여 각 분류 결과에서 종합정 확도를 산출하였다.

3. 연구결과 및 토의

1) 위성 영상 분류 결과

Fig. 7은 광학 위성 영상의 1차 분류결과를 2차 분류하는 과정을 나타낸다. Fig. 7(a)와 같이 2021년 2월 26일의 Sentinel-2 영상분류 결과에서 기존에 8개의 클래스로 분류되었던 결과를 Fig. 7(b)와 같이 3개의 클래스로 재편집하였다. Modified Ground 클래스는 1차 분류에서 RGB 밴드 영상에서도 육안으로 판단이 가능한 City와 Mountain, Ground_1과 무인항공기 영상 판독을 통해 Ground_2의 클래스까지 총 4개의 클래스를 병합하였다. Ground_2 클래스로 설정한 지역은 영상에서 밝은 흰색으로 나타나면서 주로 강가에 분포하고 있었기 때문에 현장조사에서 발견한 강가주변의 불투명한 얼음으로 예상되었으나 무인항공기 영상을 이용하여 판독한 결과 눈이 내리고 난 뒤에 미처 녹지 못한 눈 또는 녹았으나 낮은 기온으로 인해 다시 얼어버린 지표의 작은 웅덩이로 확인되어, 앞선 3개의 클래스와 같이 Modified Ground 클래스로 병합하였다. Modified Water 클래스는 북한강 본류 중심에 나타나는 진한 파란색의 Water_1 클래스와 강 주변의 부유물 또는 얕은 수심으로 인해 진한 녹색 빛으로 나타나는 Water_2 클래스를 병합하였다. 마지막으로 RGB 밴드 영상에서 밝은 하늘색으로 뚜렷하게 얼음으로 판단되는 Ice_1 클래스와 어두운 하늘색으로 나타난 Ice_2 클래스를 Modified Ice 클래스로 병합하였다.

Fig. 7. Sentinel-2 image classification result; (a) 1st image classification result, (b) 2nd image classification result.

2) SAR위성 영상 분류 결과

Fig. 8은 SAR 위성 영상의 분류 결과를 나타낸다. Fig. 8(a)는 VV 편파 Intensity 영상을 나타낸 것으로 육지와 하천은 신호 강도의 차이가 크기 때문에 분류 과정에서 상대적으로 쉽게 분류 할 수 있었다. 하지만 하천의 얼음은 육지와 물의 중간 정도의 신호 강도를 보여주고 있어 SAR 위성 영상만으로는 판독할 수 없었고 인접한 날짜의 광학 위성 영상과 비교를 하며 분류를 수행하였다. Fig. 8(b)는 Fig. 8(a)의 분류 결과를 나타낸다. 육지와 하천의 뚜렷한 신호 강도 차이로 인해 육지의 분류는 잘 수행된 것으로 나타났다. 하천의 물과 얼음의 분류에서도 단순한 신호 강도 영상의 픽셀 기반 분류가 아닌 텍스처 분석을 사용했기 때문에 다차원 분류가 수행되어 물과 얼음을 분류할 수 있었다.

Fig. 8. (a) VV polarization backscattering image, (b) SAR image classification result.

3) 영상분류 정확도 검증

SAR 위성 영상은 1번의 분류를 수행했기 때문에 분류 결과의 오차행렬에서 종합 정확도를 산출할 수 있었다. 하지만 앞선 연구과정에서 광학위성 영상의 분류 결과는 일부 클래스가 병합되는 과정을 거쳤기 때문에 오차 행렬 또한 병합과정이 필요하다.

Table 3과 Table 4는 2018년 12월 19일 영상 분류 결과의 오차행렬이다. Table 3와 같이 병합 전 1차 분류에서 8개의 클래스로 분류된 결과의 오차행렬의 종합 정확도는 전체 테스트 자료 대비 음영 표시된 자료의 합으로 나타낼 수 있다. 그러나 동일한 분류 결과에 클래스 병합을 수행한 2차 분류 결과의 종합 정확도는 동일한 테스트 자료 대비 Table 4의 음영 표시된 자료의 합으로 나타낼 수 있다. 이 시기의 영상의 1차 분류 결과의 정확도는 79.69%로 나타났지만 2차 분류 결과의 정확도는 97.73%로 나타나 분류 정확도가 상당히 높아진 것을 확인할 수 있다

Table 3. Error matrix of 1st image classification result on 19th Dec. 2018

Table 4. Error matrix of 2nd image classification result on 19th Dec. 2018

위와 같은 오차행렬의 병합과정을 모든 광학 위성 분류 결과에 동일하게 적용하여 Fig. 9와 같이 SAR위성과 광학위성 영상 분류 결과의 정확도를 구하였다(Fig. 9). 각 위성 영상 종류별 평균 분류 정확도는 Sentinel-2, Landsat-8, Sentinel-1 순서로 각각 96.25%, 96.89%, 88.21% 를 보였다. 광학위성 영상의 평균적인 분류 정확도는 96% 이상인 반면에 SAR 위성 영상의 88%로 약간의 차 이를 보이고 있다. 본 연구에서는 이러한 정확도 차이가 광학위성과 SAR 위성 간의 다른 데이터 방식에서 온 것으로 보고 있다. 광학위성 영상은 다중밴드 위성 자료를 기반으로 연구의 목적이 되는 얼음뿐만 아니라 설정된 연구지역에 나타나는 다양한 지형지물에 대응하여 영상 분류를 수행할 수 있지만 센서의 신호 강도라는 단일 밴드 자료를 기반으로 하는 SAR 위성 영상은 광학 위성 영상에 비해 영상 분류에 있어 불리하다. 그럼에도 불구하고 SAR 위성의 Intensity 영상에 텍스처 분석 기법을 적용하여 분류 정확도가 가장 낮게 나타난 SAR 위성 영상에서도 평균적인 분류 정확도가 90%에 가깝게 산출되었다. 이후 영상 분류의 정확도와 함께 산출된 얼음의 면적 변화가 주변 환경요인과 관련이 있는지 분석하기 위하여 환경요인과 분석을 실시하였다.

Fig. 9. Image classification accuracy result on this study.

4) 얼음 면적과 환경 요인간의 비교 분석

본 연구에서 산출된 얼음의 면적이 실제 주변 환경요인에 의하여 변화한 것인지 분석하기 위하여 환경요인과 비교 분석을 실시하였다. 홍천강 주변에는 상시 수온을 기록하는 시스템이 갖춰져 있지 않기 때문에 수온에 가장 큰 영향을 미치면서 상시 기록이 되고 있는 기상청 AWS의 기온자료를 이용하여 분석하였다. AWS 관측 지점은 강원도 홍천시에 위치한 홍천기상대의 2015년 12월부터 2021년 2월까지의 월평균 기온자료를 활용하였다. 기온 자료는 각각 광학 위성과 SAR 위성 영상 분류 결과의 월평균 얼음 면적과 함께 도시하였다 (Fig. 10).

Fig. 10. Time-series analysis with ice area and temperature.

본 연구에서 수행한 총 연구기간은 영상의 시기별로 6개의 시기로 나눌 수 있다. 2019-2020년의 1개 시기를 제외한 5개 시기의 12월부터 이듬해 2월까지 기온 변화는 1월에 최저온도를 기록하는 V 형태를 기록하고 있었으며 얼음 면적의 변화는 대부분 기온과 반비례하는 뒤집힌 V 형태를 보여주고 있어 얼음 면적의 변화가 기온 변화와 상관관계가 있음을 알 수 있었다. 하지만 2019- 2020 시기의 기온과 얼음의 면적은 모두 불규칙한 형태를 가지고 있다. 이러한 불규칙한 형태의 요인은 여러 가지로 볼 수 있지만 원인이 되는 요인은 평년과는 다른 이상 기온으로 판단된다. 홍천군의 겨울철 기온 변화는 V 형태를 가지는 것 뿐만 아니라 일반적으로 영하의 평균온도를 기록한다. 하지만 2019-2020 시기의 월평 균 평균기온은 12월과 1월에 약 0°C이며 2월에는 약 1.2°C를 기록하였다. 이와 같은 겨울철의 높은 이상 기온은 해당 시기의 대기가 불안정한 날이 많았음을 지시한다. 해당 시기의 대기가 불안정했다는 것은 수집된 영상 데이터셋으로도 알 수 있다. Fig. 11은 2018-2019 시기와 2019-2020 시기에 획득된 영상별 얼음의 월평균 면적을 산출한 그래프이다. 이 때, 이상 기온이 나타난 2019-2020 시기의 영상 데이터는 16장을 사용하였고 그렇지 않은 2018-2019 시기의 영상 데이터는 35장을 사용하였다. 데이터 세트를 구성할 때 광학위성 영상 데이터는 구름으로 인해 사용이 불가능한 영상은 제외하였으므로 영상 데이터가 적은 시기라는 것은 불안정한 대기 상태였음을 나타낸다.

Fig. 11. Sample list in 2018-2019 season and 2019-2020 season.

이와 함께 대부분의 영상 분석결과에서 SAR 위성 영상의 얼음 면적이 광학 위성 영상에 비해 작게 나타났다. 그 이유로는 크게 2가지로 볼 수 있다. 첫째, SAR 위성의 좌표 기하보정 과정에서 발생하는 오차이다. SAR위성의 데이터는 실제 위치에 관계없이 위성의 진행방향에 따른 데이터 취득 순서대로 기록된다. 기록된 데이터는 기존에 만들어진 DEM과 비교를 통한 기하보정 과정을 거쳐 실제 지리 좌표계로 변환된다. 본 연구에서 사용된 DEM은 30m 해상도의 SRTM DEM이며 Sentinel-1 영상의 해상도는 약 15 m이다. 이러한 두 데이터의 공간해상도 차이로 인해 기하보정 과정에서 정확한 포인트별 좌표비교가 어렵게 되고, 이로 인해 SAR 위성 영상은 실제 지리 좌표에 비해 오차가 발생하게 된다. 둘째는 각 위성의 입사각의 차이이다. 광학 위성은 센서가 지표와 수직에 가깝게 데이터를 취득하지만 SAR 위성은 진행방향의 수직방향으로 센서가 설치되어 데이터를 취득하는 Side-look 특성상 광학 위성에 비해 낮은 입사각을 가진다. 이러한 입사각의 차이로 인해 SAR 위성 영상의 지형보정 과정에서 남-북 방향의 강의 폭이 광학 위성 영상이 비해 좁게 나타났기 때문에 전체적인 강의 얼음 면적 또한 작게 나타난 것으로 보인다. 후속 연구에서는 이러한 문제를 해결하기 위해 서 두 위성의 상호좌표를 일치시키는 서브픽셀 단위의 정밀한 co-registration과정이 추가로 개선되어야 할 것 이다.

본 연구의 2019-2020 시기와 같이 대기가 불안정하여 얼음의 면적과 기온의 비교분석이 힘든 경우를 비롯하여 얼음의 면적만으로도 수온을 추정하기 위해서 추후에는 실제 얼음의 면적과 수온간의 통계, 회귀 분석등 을 통한 경험관계식의 산출이 필요할 것이다. 그럼에도 이상 기온이 나타나는 일부 시기를 제외한다면 얼음의 면적과 기온이 반비례하는 경향성이 있기 때문에 본 연구방법을 사용하여 다른 지방 소규모 하천의 수온의 변화를 분석하는데 활용할 수 있을 것이다.

4. 결론

본 연구에서는 겨울철 하천에 생성되는 얼음의 면적을 산출하여 소규모 하천의 수온 변화를 분석하고자 하였다. 광학위성 영상은 SVM 알고리즘을 적용한 2단계의 영상 분류법을 통해 종합 정확도 96%이상의 높은 분류 정확도를 보여주었으며, SAR위성 영상은 Intensity 자료와 텍스처 분석 기법을 활용한 영상 분류법을 통해 종합 정확도 88%의 역시 높은 분류 정확도를 보여주었다. 광학위성 영상과 SAR위성 영상의 각 데이터셋에서 산출된 홍천강의 월평균 얼음 면적과 AWS 기온 자료를 활용하여 시기별 시계열 분석을 수행하였다. 직접적인 과거 수온 자료를 활용할 수는 없었지만 수온과 관련성 이 높은 기온자료와 얼음의 면적과의 상관관계를 분석하였다. 본 연구에서 수행한 6개의 시기 중 5개의 시기에서 1월의 기온이 가장 낮은 V 형태의 기온 변화를 보였으며 얼음의 면적 또한 이와 반비례하는 형태를 보여 두 지표 사이의 상관관계가 있음을 알 수 있었다. 다만 평년 기온 변화와 다른 양상을 보이는 이상 기온 시기 에서는 불안정한 대기 상태로 인해 얼음의 면적만으로 수온의 변화를 모니터링 하는데 한계가 있었다. 하지만 일반적인 상황에서 겨울철 얼음 면적의 변화는 수온의 변화와 높은 관계가 있을 것으로 보아 본 연구방법을 소규모 지방하천의 수온 변화를 연구하는데 활용할 수 있을 것이다. 또한 추후 후속 연구를 통해 위성영상에 나타난 얼음 면적만으로도 실제 수온을 산출할 수 있는 식을 산출할 수 있다면 더욱 다양한 방면에 적용할 수 있 을 것으로 기대된다.