A Study on Photovoltaic Panel Monitoring Using Sentinel-1 InSAR Coherence

Sentinel-1 InSAR Coherence를 이용한 태양광전지 패널 모니터링 효율화 연구

Abstract

Photovoltaic panels are hazardous electronic waste that has heavy metal as one of the hazardous components. Each year, hazardous electronic waste is increasing worldwide and every heavy rainfall exposes the photovoltaic panel to become the source of heavy metal soil contamination. the development needs a monitoring technology for this hazardous exposure. this research use relationships between SAR temporal baseline and coherence of Sentinel-1 satellite to detected photovoltaic panel. Also, the photovoltaic plant detection tested using the difference between that photovoltaic panel and the other difference surface of coherence. The author tested the photovoltaic panel and its environment to calculate differences in coherence relationships. As a result of the experiment, the coherence of the photovoltaic panel, which is assumed to be a permanent scatterer, shows a bias that is biased toward a median value of 0.53 with a distribution of 0.50 to 0.65. Therefore, further research is needed to improve errors that may occur during processing. Additionally, the author found that the change detection using a temporal baseline is possible as the rate of reduction of coherence of photovoltaic panels differs from those of artificial objects such as buildings. This result could be an efficient way to continuously monitor regardless of weather conditions, which was a limitation of the existing optical satellite image-based photovoltaic panel detection research and to understand the spatial distribution in situations such as photovoltaic panel loss.

태양광 패널은 중금속을 함유한 전자 폐기물이다. 전 세계적으로 매년 빠르게 증가하고 있으며 집중강우 시 유실되는 태양광전지 패널은 토양 중금속 오염의 문제 및 소규모 태양광 발전은 관리 부재라는 문제가 있어, 이를 효율적으로 모니터링하기 위한 기술 개발이 요구된다. 본 연구에서는 Sentinel-1 위성의 SAR Temporal Baseline과 Coherence간의 상관관계를 이용한 태양광전지 패널 모니터링 방법을 연구하였다. 또한, 태양광 발전소와 주변의 Coherence 차이를 이용한 태양광전지 패널 탐지를 실험하였다. 실험결과 안정적 산란체로 가정한 태양광전지 패널의 Coherence가 0.50~0.65 분포 0.53의 중앙값으로 치우친 편향을 보이고 있어 처리과정에서 발생될 수 있는 오차를 개선할 추가 연구가 요구된다. 태양광전지 패널의 Coherence 시간적 감소 비율이 건물 등 인공물체와 다름에 따라 시간적 기준선을 이용한 변화탐지가 가능할 것으로 나타났다. 본 연구결과는 기존 광학영상을 활용한 대규모 태양광 발전 시설 위치정보 획득 연구에서, 소규모 태양광전지 패널 모니터링이 가능하도록 영상레이더를 적용한 초기 연구이다. 또한, 본 연구를 바탕으로 지속적 모니터링이 가능하고 태양광전지 패널 유실과 같은 상황에서 공간적 분포를 파악할 수 있는 효율적인 방안이 될 수 있을 것으로 사료된다.

1. 서론

태양광전지(Photovoltaic) 패널은 기후변화에 대응하는 신재생에너지 중 필수적인 역할을 한다. 하지만, 사용수명이 다한 태양광전지 패널은 복잡한 화학적 처리가 요구되는 큰 부피의 폐기물이 된다(Bradbury et al., 2016; Heath et al., 2020; Malof et al., 2016). 현재 세계 대부분의 나라에서 이를 처리할 계획이 부재한 상태이며 태양광전지의 수명이 30년이라는 점을 감안하였을 때 폐패널의 과잉이 예견되고 있다(Weckend et al., 2016). 국제재생에너지 기구(International Renewable Energy Agency)에서는 2050년까지 최대 7,800만 톤의 태양광전지 패널이 수명이 다할 것으로 예측하였으며, 전 세계적으로 매년 약 600만 톤의 새로운 태양광전지 폐기물이 발생할 것으로 예측하였다(Weckend et al., 2016). 우리나라의 연간 태양광전지 패널 폐기물 발생량은 175톤으로 전체 폐기물 발생량과 비교하면 매우 낮은 수치를 기록하고 있다 (Lim, 2019). 하지만, 2018년 태양광전지 패널에서 4가지 중금속(Cu, Pb, As, Cr)이 검출되었으며 납의 함량을 분석한 결과 88.7~201.8 mg/kg의 범위로 검출되었다 (Jo et al., 2018). 또한, 집중 강우로 인한 태양광전지 패널 유실 시 납과 같은 중금속이 토양으로 누출될 수 있기 때문에 태양광전지 패널 폐기물에 따른 새로운 환경 위험을 초래할 가능성이 있다. 국내의 경우, 대규모 태양광 발전시설뿐만 아니라, 소규모 태양광 발전시설이 육상 및 수상 등에 구축되고 있으며, 특히 개인 주택, 공공주택 및 공공시설 등에서 미시적 태양광 발전시설물을 활용하고 있다. 대규모 태양광 발전시설은 운영관리 및 향후 발생 가능한 2차 환경오염의 대응이 명확하다고 할 수 있지만, 소규모 등은 태양광 패널 폐기물 및 2차 환경오염에 대한 대응이 부재한 실정이다.

지난 몇 년간 해외 연구자를 중심으로 광학 위성영상 및 항공 영상을 이용하여 태양광전지 패널을 탐지하기 위한 알고리즘이 개발되어 왔다. Malof et al. (2015)와 Jordan et al. (2016)은 위성영상과 인공신경망을 결합하여 태양광전지 패널을 탐지하는 알고리즘을 제안하였고, Sinha et al. (2016)은 열적 외 센서를 이용하여 태양광전지 패널의 품질 검사와 실리콘 패널의 박리를 탐지하였다. 현재의 연구사례는 경우 광학 센서를 이용한 태양광 전지의 효율 관리와 입지분석이 주를 이루고 있으며, 전 세계적으로 SAR를 이용한 태양광전지 패널 탐지에 관한 연구는 부족한 상황이다. 기존 광학 영상을 이용한 태양광 패널 모니터링 연구에서 주요 한계는 기상 조건에 의해 획득 가능한 영상 빈도가 낮고, 대기 혼탁 등으로 영상을 분석하는 복잡한 프로세스와 처리 비용 때문에 광역지역을 대상으로 한 모니터링 시스템에는 부적합하다는 점이다(Malof et al., 2015). 또한, 기존의 구축이 완료된 대규모 태양광 발전시설에 대한 모니티링은 광학 영상을 활용한 접근이 용이하지만, 소규모 및 도심지역 등 광학 영상의 분광학적 특징으로 분류가 어려운 경우는 영상레이더를 활용한 방안이 가능할 것이다.

InSAR(Interferogram SAR) 기법은 동일한 물리적 위치에서 서로 다른 시간에 획득한 두 개의 Complex SAR 영상을 사용하여 상관관계를 도출한다. 지표면에 변화가 일어나면 레이더 펄스의 산란 특성이 변화하고 Coherence Value가 감소하게 된다. 이를 Coherence Correlation 라고 한다(Bürgmann et al., 2000; Zebker et al., 1997; Zebker and Villasenor, 1992). Coherence Change Detection은 화산, 산사태 및 지진을 포함한 지구과학의 많은 분야에서 적용(Rosen et al., 1996) 되고 있으며, 도시의 인공물을 탐지하려는 시도들이 진행되고 있다(Chini et al., 2018; Corbane et al., 2018).

본 연구의 목표는 대규모 태양광발전 단지에 집중 강 우등에 의하여 태양광전지 패널의 유실 상황에 대하여 단지와 주변의 Coherence 차이를 이용한 태양광전지 패널 탐지와 SAR Temporal Baseline과 Coherence 간의 상관관계를 기반으로 태양광전지 패널을 모니터링하기 위한 일련의 SAR 처리 프로세스를 실험하는 워크플로우를 개발하는 것이다. 이에 본 연구에서는 Sentinel-1 C 대역 SAR 영상을 이용한 태양광전지 패널 모니터링 기법을 개발하고, 향후 소규모 태양광 발전 시설의 태양광 패널 유실 및 2차 환경오염에 선제적으로 대응하기 위한 활용 가능성과 향후 연구 방향을 도출하고자 하였다. Sentinel-1 영상을 2020년 4월을 기준으로 2020년 11월까지 촬영된 영상을 수집하였고, InSAR 기법을 기반으로 2013년부터 운영 중인 전남 고흥군 거금도 태양광발전 단지를 대상으로 분석하였다.

2. 연구 방법

1) 연구대상지역

전라남도 고흥군에 위치한 거금도 태양광발전단지 (Fig. 1)는 발전용량 25 MW, 하루 최대 15만 kW를 생산할 수 있는 우리나라에서 가장 큰 신재생에너지 발전시설 중 하나이다(Table 2). 발전단지 조성을 위해 설치된 태양 광전지 패널은 약 10만개이며 총면적은 55만 m2이다. 발전소는 산악지형 사이에 위치하고 있어 Foreshortening, Layover, Shadow와 같은 SAR 영상의 지형 왜곡에 의한 한계가 존재하기 때문에, 일반적으로 산악지형에서 변화탐지는 오차를 포함한다(Lee and Jang, 2008). 하지만, 거금도 발전단지는 비교적 낮은 경사도(평균 3도 미만)의 사면에 고르게 분포되어 지형효과에 의한 오차가 타 발전단지에 비해 적을 것으로 예상하였다.

Fig. 1. Location map of the study area showing the extent of PV plant.

Table 1. The plant site information

Table 2. The information of Sentinel-1 SLC

2) 데이터셋 구성

C-Band 레이더위성인 Sentinel-1은 Azimuth Mode에서 TOP(Terrain Observation With Progressive Scans) 지형 관측을 수행하는 가장 진보된 SAR 위성이다. Sentinel-1 은 공간 해상도와 촬영범위가 각기 다른 4가지 전용 모드를 제공한다.IW(The Interferometric Wide Swath Mode) 는 InSAR와 관련된 응용 분야에서 널리 사용된다. IW 모드는 우수한 해상도(10 m)로 한 번에 넓은 면적의 레이더 펄스 반사 정보를 얻을 수 있다. 3개의 Sub-Swath를 지원하며 총 Swath 폭은 250 km 이상을 촬영한다. 또한, 최소 6일의 반복 주기로 SLC(Single Look Complex) 공간 해상도가 5×20 m (rage × azimuth)이며, 연구 목적으로 온라인을 통해 무료로 다운로드할 수 있다. 이러한 특징에 따라 시간에 따른 지표면 변화 모니터링 연구에 있어 매우 유용하게 사용될 수 있다.

본 연구를 위해 2020년 4월부터 2020년 11월까지 촬영된 Sentinel-1A와 Sentinel-1B의 IW SLC Level 1 자료를 사용하였다. 일반적으로 VV 편파가 송수신 방향이 동일한(co-polarization) VV 편파가 송수신 방향이 상이한 (cross-polarization) VH편파에 비해 상대적으로 큰 후방 산란 값을 가진다(Lee et al., 2017). 하지만, 고정된 인공물의 시간적 변화탐지를 목표로 하는 본 연구에서는 편파 방향의 민감도를 구분하지 않고, VV, VH 편파 자료를 모두 사용하였다. 또한, 다수의 관측자료를 이용한 시계열 변위 관측 기법 중 영상 내에 분포하는 고정산 란체(Permanent Scatterer)를 태양광전지 패널로 가정하여 실험을 진행하였다. 주기적인 자료획득과 짧은 기선 거리의 경우 정밀도가 높아진다(Kim, 2010). 이에, 6~12일 간격에서 기선 거리 ±100 m 이내의 영상을 수집하였다(Fig. 2)

Fig. 2. Interferometric pair’s network in single master configuration S-1 dataset.

수집된 영상들은 ESA(European SpaceAgency)에서 제공하는 자료처리 소프트웨어 SNAP(Sentinel Application Platform)을 이용하여 전처리 되었다. SNAP을 이용하여 궤도보정, 영상정합(Co-registration), 방사보정(Radiometric Calibration), 지형 보정(Terrain Correction)이 수행되었다. 일반적으로 초기 자료생성 시에는 정확한 궤도정보가 입력되지 않은 상태인데, 궤도 보정을 통하여 정확한 위성의 위치 및 속도 정보를 업데이트할 수 있다.

3) 연구의 방법

일반적으로 인간의 활동에 의한 토지 이용변화를 감지하기 위해 Multi-Temporal SAR 영상을 사용하는 것은 이미 널리 사용되는 연구 방법이다(Monti-Guarnieri et al., 2018). 기존 연구에서는 SAR 영상의 시간 해상도를 적극적으로 활용하지 않는 방식이 사용되었지만, 본 연구에서는 기준일로부터 최초의 Coherence 생성 이후에 일정한 Temporal-Baseline으로 태양광 패널 펄스 산란 특성 파악에 집중하였다.

일정한 시간 간격으로 촬영된 Interferogram SAR 영상은 GLRT(Generalized Likelihood Ratio Test) 방법(Kelly, 1986)을 이용하여 산란체의 변화를 탐지할 수 있으며, 다중 편파를 이용한 Coherence 변화탐지까지 확장 가능하다(Fornaro et al., 2017). 변화탐지를 위해 사용되는 SAR 영상에서 발생되는 기하학적 오차는 궤도 및 지형 형상에 의해 발생된다. 본 연구에서는 경사면에 위치한 대상 지역의 지형 및 기하학적 오차를 보정하기 위해 Single Offset(Single Offset In Range And Azimuth)을 적용하였으며 Along-Track Burst에서 InSAR Phase 차이를 고려하여 Amplitude Cross-Correlation을 수행하였다. 이후 CoRegistration된 TOPS SLC 영상과 Stacking 된 영상을 사용하여 Interferometric Difference를 계산하고 Interferogram Coherence를 추정하였다. 기존 ERS(ESA Remote-sensing Satellite) 영상과 비교하여 Sentinel-1 TOPS 데이터의 해상도는 경사각 방향에서 더 높고 방위각 방향에서 낮다. Sentinel-1의 주요 장점은 훨씬 더 넓은 공간 범위와 Cross-Polarization에서도 Coherence가 유용하다는 점이다. 본 연구에서 SNAP 소프트웨어를 이용하여 자료 처리를 진행하였으며 처리 과정은 Fig. 3과 같다.

Fig. 3. Flowchart for time-series monitoring of PV plant using Sentinel-1 coherence.

Interferometric Coherence γ은 두 SAR 이미지 간의 Complex Correlation Coefficient의 Amplitude를 나타내며 다음과 같이 표현할 수 있다(Rosen et al., 1996).

\(\gamma=\frac{\left|\right|}{\sqrt{\left(       (1)

여기서, C₁과 C₂는 두 SAR 영상의 픽셀값을 의미하며 각괄호는 앙상블 평균을 나타낸다. 이때, 복소상관 계수 γ의 크기가 Coherence이다.

필터의 윈도우 크기가 증가하면 공간 해상도가 감소하지만 이 필터는 동일한 지표면에서 각 위성 궤도에의해 감지되는 Radar Impulse Response 차이를 더욱 줄이기 위해 사용되었다(Massonnet and Feigl, 1998). 연구지역의 태양광전지 패널은 약 1×1.8 m 크기로 약 30×3.6 m로 밀집되어 설치되어 있다. Sentinel-1의 SLC 공간해상도는 경사각 5 m, 방위각 20 m이다. 영상 품질을 개선하기 위해 먼저 해상도 셀에 대해 6×2 멀티룩을 30×40 m로 평균화하였고 공간 해상도에서 평균된 Coherence를 계산하기 위해 50×50 m 공간해상도로 샘플링하였다.

Fig. 4. Box plots of the Sentinel-1 coherence per random sampling as reference classes of LULC.

3. 연구결과 및 토의

본 연구에서는 20개의 영상을 환경부의 세 분류 토지 피복지도를 무작위로 샘플링하여 각 토지 피복과 태양 광전지 패널의 Coherence 특성을 비교하였다. 혼합지역은 저밀도 건물과 나지 및 농지가 혼합된 지역(Fig. 5, Mixed area)으로 Coherence 0.32~0.79의 넓은 범위를 보이고 있으며 인간의 활동이 가장 활발하여 매우 편향된 분포를 보이고 있다. 인공 건축물을 대상을 한 도시 지역 (Fig. 5, Built-up area)은 고정 산란체로 Coherence 0.64~ 0.71 분포 0.67의 중앙값인 정규분포에 가까운 형태를 보이고 있다. 이에 반하여, 고정 산란체로 가정하였던 태양광전지 패널(Fig. 5, PVPanel)은 예상과 달리 Coherence 0.50~0.65 분포 0.53 중앙값의 치우친 편향을 보이고 있다. 이는 존재하였던 고정 산란체의 강도가 변화하였거나 태양광전지 패널의 샘플링 과정에서 무작위한 오차 및 지형에 의한 이상치가 반영되었을 것으로 예상된다.

Fig. 5. Temporal coherence decay.

무작위로 샘플링한 Coherence를 Slave 영상 기준시간으로 환산한 결과는 Fig. 6과 같다. Tempora4l Baseline에 따라 도시, 태양광전지 패널, 혼합지역 및 식생 지역이 서로 다른 감소 비율을 보이고 있다. 시간적 기준선이 200일 진행되는 동안 도시와 태양광전지 패널의 Coherence는 0.16의 범위에서 변하는 것으로 나타났으며 이는 50일 기준선 0.088보다 크게 증가하였다. 하지만, 시간적 기준선에서 Coherence 변위 비율을 이용한 태양광전지 패널 탐지 결과를 도출하기에 부족하다는 것을 발견했다.

Fig. 6. Temporal vs. perpendicular baselines in the Sentinel-1 coherence analysis.

또한, 태양광전지 패널의 Coherence가 비교적 짧은 시간적 기준 (100일 이하)에서 도시지역보다 높은 편향 (0.031~0.053)을 나타냈으며, 상대적으로 긴 기준선(200일 이상)에서 Coherence 0.14 차이를 보이고 있었다. 이러한 결과는 태양광전지 패널의 Sentinel-1 간섭계 Coherence 일관성은 Normal Baseline보다 Temporal Baseline에 의해 영향을 받았다는 것을 나타낸다(Fig. 7).

본 연구에서는 처리된 coherence 영상에서 태양광전지 패널을 탐지하기 위해 중분류 토지 피복 도에서 무작위로 선택된 임계값을 이용하여 Coherence 영상을 이진화하였다. Table 3은 각 영상에서의 선정된 임계값을 나타내고 있다. 선정된 임계값은 각 영상에서 샘플링된 화소의 평균값을 사용하였다. 각 영상에 적용하여 태양광 전지 패널을 탐지하였다(Fig. 7). 본 연구에 사용된 거금도 태양광 발전소 위치정보는 발전소 토지를 의미하여 정확한 태양광전지 패널의 공간적 분포와 면적을 알 수 없다. 때문에, 본 연구에서는 탐지된 결과와 태양광전지 패널의 면적 비교를 수행하지 않았으며 태양광발전소 경계와의 육안 비교를 위해 매핑하였다(Fig. 7; Fig. 8). 대상 지역의 경사가 높을수록 정확도가 떨어지는 것을 관찰할 수 있었으며 위성에서 바라본 태양광발전소의 경계면을 명확하게 산출하는데 어려움이 있었다. 또한, 인근에 안정된 산란체까지 탐지되어 정확도가 떨어지는 것을 확인하였다. 이는 임계값 도출 알고리즘 개발과 각종 오차를 보완하는 후속 연구가 필요하다고 판단된다.

Table 3. Thresholds of PV panel classifier in coherence map

Fig. 7. Close view of a detected result of the study area cantered over PV plant site. Result of the coherence-based classifier with PV plant shown in red. Coherence map used as base layer. (a) Apr 27, 2020 to May 09, 2020. (b) Apr 27, 2020 to Nov 29, 2020.

Fig. 8. Detected results of the PV plant by using thresholding and coherence map.

4. 결론 및 토의

태양광 전지는 중금속이 함유된 폐기물로, 유실 및 관리 부재에 등에 의하여 2차 환경오염을 유발할 수 있다. 기후변화로 인해 집중 강우 시 경사면에 설치된 태양광 전지패널의 유실은 토양오염의 원인이 될 수 있으며, 소규모 태양광 발전 및 도시지역의 작은 공간에서 활용되는 태양광 패널의 과잉은 태양광전지 폐기물의 자원활용을 위해서 지속적인 모니터링 기술 개발이 필요하다. 본 연구에서는 우선적으로 대규모 태양광 발전시설 단지를 SAR 위성영상을 이용하여 분석하는 시범연구를 진행하였다. 이를 통하여 일정한 촬영주기를 가지는 SAR 위성영상을 이용하여 태양광전지 패널을 탐지하였고, 시간적 기준선 변화에 따라 토지피복의 Coherence 변화비율을 확인하였다. 안정적 산란체로가정하였던 태양광전지 패널은 인공건축물에 비해 넓은 범위와 치우친 편향을 보이고 있어 처리 과정에서 발생될 수 있는 오차를 개선할 수 있는 연구가 요구된다. 태양광전지 패널의 Coherence 감소 비율이 건물 등 인공물체와 다르게 나타남에 따라 시간적 기준선을 이용한 변화 탐지가 가능할 것으로 판단하였다. 특히, 태양광 발전시설은 대규모 및 소규모는 환경영향평가 대상으로, 정확한 위치정보를 파악할 수 있다. 환경부의 세분류 토지 피복지도 및 환경영향평가 정보지원 시스템 등에서 이를 일정 부분 제공하고 있으며, 이에 대한 공간정보 활용 및 검증을 향후 연구에서 적용해 보고자 한다. 또한, 광학 및 공간정보를 참조하여 분류 정확도를 개선시킨다면 지속적인 태양광 발전소의 모니터링이 가능할 것으로 기대된다. 본 연구의 결과는 기존 광학위성영상 및 항공영상 기반의 태양광전지 패널 탐지 및 입지분석 연구와 달리 SAR 영상을 이용한 지속적인 모니터링이 가능하고 태양광 패널 유실과 같은 상황에서 공간적 분포를 파악할 수 있는 효율적인 방안이 될 수 있다고 판단된다.