A Comparative Study of Reservoir Surface Area Detection Algorithm Using SAR Image

SAR 영상을 활용한 저수지 수표면적 탐지 알고리즘 비교 연구

Abstract

The reservoir is a major water supply source in the domestic agricultural environment, and the monitoring of water storage of reservoirs is important for the utilization and management of agricultural water resource. Remote sensing via satellite imagery can be an effective method for regular monitoring of widely distributed objects such as reservoirs, and in this study, image classification and image segmentation algorithms are applied to Sentinel-1 Synthetic Aperture Radar (SAR) imagery for water body detection in 53 reservoirs in South Korea. Six algorithms are used: Neural Network (NN), Support Vector Machine (SVM), Random Forest (RF), Otsu, Watershed (WS), and Chan-Vese (CV), and the results of water body detection are evaluated with in-situ images taken by drones. The correlations between the in-situ water surface area and detected water surface area from each algorithm are NN 0.9941, SVM 0.9942, RF 0.9940, Otsu 0.9922, WS 0.9709, and CV 0.9736, and the larger the scale of reservoir, the higher the linear correlation was. WS showed low recall due to the undetected water bodies, and NN, SVM, and RF showed low precision due to over-detection. For water body detection through SAR imagery, we found that aquatic plants and artificial structures can be the error factors causing undetection of water body.

저수지는 국내 영농환경에서 주요한 용수 공급처이며, 저수지의 저수량 파악은 농업용수의 활용 및 관리차원에서 중요하다. 위성영상을 활용한 원격탐사는 저수지와 같이 광역적으로 분포하는 객체에 대하여 정기적인 모니터링을 할 수 있는 효과적인 수단으로, 본 연구에서는 Sentinel-1 Synthetic Aperture Radar (SAR) 영상을 통해 영상분류 및 영상분할 알고리즘을 적용하여 국내 저수지 53개소의 수표면적 탐지를 수행하였다. 사용한 알고리즘은 Neural Network (NN), Support Vector Machine (SVM), Random Forest (RF), Otsu, Watershed (WS), Chan-Vese (CV)로 총 6가지이며, 드론으로 촬영한 실측 정사영상으로 수표면적 탐지 결과를 평가하였다. 각 알고리즘으로부터 산출된 수표면적과 실측 수표면적간의 상관성은 NN 0.9941, SVM 0.9942, RF 0.9940, Otsu 0.9922, WS 0.9709, CV 0.9736로 나타났으며, 저수지 유효저수량의 규모가 클수록 더 높은 선형 상관관계를 보였다. 혼동 행렬로부터 산출한 정확도, 정밀도, 재현율을 통해 알고리즘간 수표면적 탐지 정확도와 탐지 경향을 분석하였다. 정확도의 경우 각 10만 m³ 미만 저수지에서 WS가 0.8752, 10만~30만 m³에서 Otsu가 0.8845, 30만~50만 m³에서 RF가 0.9100, 50만 m³ 이상에서 Otsu와 CV가 0.9400으로 가장 높은 수치를 보였다. WS의 경우 수표면적을 미탐지하는 경향으로 인해 낮은 재현율을 보였고, NN, SVM, RF의 경우 과대 탐지로 인한 낮은 정밀도를 보였다. SAR 영상을 통한 수표면적 탐지 시 저수지 수표면의 수생식물 및 인공건축물이 미탐지를 발생시키는 오차 요소로 작용함을 분석결과 및 실측영상을 통해 확인하였다.

1. 서론

가뭄은 장기간에 걸친 강수량 부족으로 인한 가용수자원 부족현상을 의미하는 자연재난으로 생활, 공업, 농업 등의 분야에 피해를 미친다. 특히 농업 분야에서의 가뭄은 작물 생산성이 감소로 인한 직접적인 피해뿐만 아니라 연관 식품산업 매출하락, 무역감소 등 사회·경제 전반에 걸친 간접적인 피해까지 이어질 수 있다(KREI, 2016). 가뭄발생을 정량적으로 분석하는 방법으로는 강수량을 기반으로 하는 Standardized Precipitation Index (SPI; Mckee et al., 1993), Palmer Drought Severity Index (PDSI; Alley, 1984) 등의 기상학적 가뭄지수를 사용하는 방법 등이 있다. 하지만 강수량 부족이 수문순환에 의해 농업용수 부족에 따른 피해로 발현되는 데에는 시간적 지연과 공간분포의 차이가 있을 수 있다(Lee et al., 2015). 반면 농업용수의 직접적인 파악을 통해 용수부족량을 산정하고 이에 대한 대책을 수립한다면 보다 효과적인 가뭄대응이 가능하다.

저수지는 관개농업이 주를 이루는 우리나라의 농업 환경에서 주요한 수리시설물로 2020년 기준 농업생산 기반시설의 총 수리답면적 684,719 ha 중 424,697 ha(62.0%)를 차지한다(MAFRA and KRC, 2021). 국내 총 저수지 개수는 약 18,000개로 각 지역의 지형학적 특성 및 농업특성에 맞추어 광역적으로 분포한다(Yoo and Park, 2007). 이 중 3,000여개 저수지는 한국농어촌공사에서 관리·감독하여 주기적인 유지보수를 하고 용수정보에 대한 계측자료를 생산하여 제공하고 있으나, 지자체 관할의 나머지 14,000여개의 저수지의 경우 관리인력 대비 개소수의 과다, 예산 부족 등의 문제로 관리 및 계측이 체계적으로 이루어지지 않고 있다(Choi et al., 2008).

위성영상을 활용한 원격탐사는 저수지와 같이 광역적으로 분포하는 목표물에 대하여 정기적인 모니터링을 할수 있는 효과적인 수단이며, 위성영상 기반의 수표면 원격탐사에 대한 연구가 활발히 진행되고 있다. 특히 SAR는 광학센서와 달리 구름에 대한 투과성이 있어 기상조건에 의한 관측 제약이 없으며 주야 간에 관계없는 능동센서를 이용하기 때문에 전천후 지표관측이 가능한 장점이 있어 지표면 모니터링에 큰 이점을 가진다(Jang et al., 2011).

Jang et al. (2011)은 RADARSAT-1 C-band SAR 영상으로부터 이진분할을 적용하여 대규모 저수지의 수표면적과 저수량을 추정하였으며, 영상분류 및 경계검출 등의 기법 적용을 제안하였다. Lee et al. (2019)과 Jeong et al. (2021)은 Sentinel-1 영상으로부터 임계값 결정 방법을 적용하여 국내 중소규모 및 대규모 저수지의 수표면적을 산출하였으며, 드론영상 등의 관측자료를 통한 수표면 탐지 정확도 평가가 필요함을 언급하였다. 앞선 선행연구에서는 대부분 30만 m³ 이상의 대규모 저수지 또는 대규모 댐에 대한 수표면 탐지 연구를 수행하였다. 국내 농업용 저수지의 경우 유효저수량 10만 m³ 이하의 소규모 저수지가 88.4%를 차지하는 분포를 가지고 있는데(Shin and Lee, 2012), 전국 저수지를 대상으로 수표면적을 모니터링 하기 위해서는 다양한 규모의 저수지의 수표면적 탐지 기술을 연구할 필요가 있다.

본 연구는 Sentinel-1 SAR 영상을 기반으로 한 수표면적 탐지 알고리즘간 성능 비교를 목표로 하며, 저수지 규모별 수표면적 탐지 성능을 함께 살펴보고자 한다. 이를 위해 1.8만 m³부터 최대 86.63만 m³ 규모의 저수지 53개소를 연구대상지로 선정하고 6개 알고리즘을 적용하여 수표면적 탐지를 수행하고 검증하였다.

2. 자료 및 방법

1) 연구대상 저수지

본 연구에서는 SAR영상으로부터 탐지된 저수지 수표면적을 실측 수표면적으로 검증하기 위하여 항공측량 영상이 수급 가능한 국내 53개소 저수지를 연구대상 저수지로 선정하였다. Fig. 1에서 파란색으로 표기된 36개소 저수지는 다목적 방재계측장비 구축을 위한 측량 사업(NDMI, 2019)으로부터 제작된 항공측량 영상 중 촬영일과 Sentinel-1 관측일의 차이가 3일 이내인 영상을 수집하였으며, 붉은색으로 표기된 17개소 저수지는 관측 환경이 용이한 저수지를 선별하여 현장 항공측량을 통해 영상을 제작하였다. 항공측량은 무인항공기(Unmanned Aerial Vehicle, UAV) 드론을 이용하여 영상을 촬영하고, 지상기준점(Ground Control Point, GCP)을 측량하여 정사영상으로 제작하였다.

Fig. 1. Reservoirs used in this study: (a) locations and (b) storages. Blue indicates the observed reservoirs and red indicates the reservoirs for which observation images were collected.

연구대상 저수지의 유효저수량 분포는 1.8만 m³부터 최대 86.63만 m³까지이며, 10만 m³ 이하 10개소, 30만 m³ 이하 21개소, 50만 m³ 이하 15개소, 50만 m³ 이상 7개소이다(Fig. 1(b)). 현장 항공측량 영상은 무인 드론을 활용하여 촬영하고 정사보정하여 제작하였으며, 저수지별측량 일자는 Fig. 1(b)의 가로축에 표기하였다.

2) SAR 영상 및 전처리

SAR는 전자기파를 사용하는 원격탐사 센서로 레이더로부터 방사된 마이크로파가 객체에 도달한 뒤 후방 산란하여 수신되는 전파정보를 통해 대상을 탐지하는 능동형 센서이다. SAR는 광학 센서와 비교하여 주야간 및 대기현상에 의한 관측의 제약이 적은 장점이 있으나 측방관측을 하는 특성상 지형에 의한 왜곡(Cigna et al., 2014; Chen et al., 2018)이나 전파 송수신 과정에서의 간섭으로 인해 노이즈가 발생(Raney and Wessels, 1988)하는 특징이 있다. 따라서 정확한 객체 탐지를 위해서는 SAR 영상 내의 왜곡이나 노이즈를 제거하기 위한 전처리 절차가 필요하다.

본 연구에서는 C-Band SAR인 Sentinel-1의 Ground Range Detected (GRD) 영상을 활용하였으며 Sentinel Application Platform (SNAP)을 이용하여 궤도보정(Apply Orbit File), 열 노이즈 제거(Thermal Noise Removal), 방사 보정(Radiometric Calibration (Beta-0)), 방사 지형 평탄화(Radiometric Terrain Flattening), 지형 보정(Range-Doppler Terrain Correction), 스펙클 필터링(IDAN filter), 데시벨 변환(Conversion to dB) 순으로 영상의 전처리를 수행하였다(Filipponi, 2019). 궤도 정보는 Sentinel Precise를 사용했으며 지형보정시 사용된 DEM은 SRTM 1sec이다. 전처리된 SAR 영상은 각 저수지 영역의 subset으로 분할하여 저장하며, 이 때 subset은 저수지의 경계로부터 50 m의 버퍼를 설정하여 영역을 지정하였다.

3) 수표면적 탐지

본 연구에서는 SAR 영상으로부터 수표면과 육지의 이진분류를 위하여 6가지 알고리즘을 적용하였다. 적용한 알고리즘은 영상 분류·분할에 보편적으로 사용되는 기법인 기계학습 기반의 Neural Network (NN), Support Vector Machine (SVM), Random Forest (RF)와 히스토그램 분할기법 Otsu, 영상분할기법 Watershed (WS), Chan-Vese (CV)를 채택했다. 각 기법에 사용된 함수 및 매개변수는 수표면적 탐지의 최적화 실험을 통해 설정하였다.

기계학습 기반의 영상분류기법의 경우 학습자료의 품질에 따라 비교적 정확한 분류를 할 수 있다는 장점이 있으나 각 화소간 독립적인 분류를 하므로 부자연스러운 수표면 형태를 도출할 수 있다는 단점이 있다. 히스토그램 분할기법은 임계치에 따라 가장 직관적인 분류결과를 도출할 수 있지만 기계학습 기반 영상 분류 기법과 마찬가지로 인접 화소간 연관성이 떨어진다. 반대로 영상분할기법은 대상화소와 인접한 화소들의 영향을 고려하여 수표면 형태를 비교적 정확히 모의할 수 있으나 과대 또는 과소모의 결과를 도출할 수 있다.

NN은 Backpropagation 형태의 Multi-Layer Perceptron으로 구성하였다. L-BFGS (Liu and Nocedal, 1989)를 weight-optimization solver로 채택하였으며, 은닉층 수는 100으로 설정하였다.

SVM은 초평면(Hyper-plane)을 설정하여 입력자료를 분류하는 머신러닝 알고리즘이다(Vapnik, 1999). 본 연구에서는 수표면 탐지에 적합한 고리형태의 decision boundary를 가지는 Radial Basis Function (RBF)를 kernel function으로 채택하였으며, C=1, gamma=0.001로 각 parameter를 설정하였다.

\(\begin{aligned}k\left(x_{i}, x_{j}\right)=\exp \left(-\frac{d\left(x_{i}, x_{j}\right)^{2}}{2 l^{2}}\right)\\\end{aligned}\)       (1)

식(1)은 RBF의 kernel을 나타낸 식이며, 여기서 k는 kernel, x는 input data, d는 Euclidean distance, l은 kernel의 length scale을 의미한다.

RF는 다수의 의사결정나무(Decision Tree)의 앙상블을 통해 무작위로 선택된 하부집합(Subsets)과 자질집합(Feature Sets)으로 입력자료를 분류하는 알고리즘이다(Breiman, 2001; Kim, 2019). 본 연구에서는 tree 수는 100, tree의 maximum depth는 10, leaf node의 minimum sample은 30, internal node split의 minimum number는 8로 설정하였다.

Otsu는 입력자료 내의 두 계층간 분산을 최대화하는 최적 임계값을 찾는 기법이다(Otsu, 1979; Lee et al., 2019). SAR 영상 내 수표면과 육지의 후방산란 값 분포 크게 차이날수록 좋은 이진분류 결과를 얻을 수 있다. 식(2)와 (3)은각두 계층간 분산과 최적 임계값을 나타내는 식이다(Lee et al., 2019).

\(\begin{aligned}\sigma_{B}^{2}(t)=p_{0}(t) \mu_{0}^{2}(t)+p_{1}(t) \mu_{1}^{2}(t)\\\end{aligned}\)       (2)

\(\begin{aligned}t^{*}=\operatorname{Argmax}\left(\sigma_{B}^{2}(t)\right)\\\end{aligned}\)       (3)

여기서 σ_B²은 두 계층간 분산, p₀(t)와 p₁(t)는 각 클래스의 가중치, μ₀²(t)와 μ₁²(t)는 각 계층의 평균을 의미한다.

WS는 영상 내 화소의 유사한 특성을 기반으로 영역을 나누는 영상 분할기법의 일종이다. 2차원 영상의 화소 값을 지형고도로 가정하여 형성된 3차원 지형에서, 국부 최소점을 시드로 설정하고 시드 영역에서 물이 채워지는 형상으로 영상내 영역을 분할한다(Park et al., 2010). 본 연구에서는 Open Computer Vision (OpenCV)의 watershed 알고리즘을 이용하여 SAR 영상의 후방산란값 최소 지점을 시드로 설정하고, 수표면영역을 추출하였다.

CV는 영상을 분할하는 곡선의 내부와 외부의 화소 값 분포를 고려하여 에너지 함수(Energy Function)가 최소가 되는 지점으로 곡선이 형성되는 활성 윤곽(Active Contour) 기법이다(Chan and Vese, 2001; Oh et al., 2017). 에너지 함수는 식(4)와 같으며,

\(\begin{aligned} E_{1}(C)+E_{2}(C)= & \int_{\text {inside }(C)}\left|u_{0}(x, y)-c_{1}\right|^{2} d x d y \\ & +\int_{\text {outside }(C)}\left|u_{0}(x, y)-c_{2}\right|^{2} d x d y\end{aligned}\)       (4)

\(\begin{aligned}\left\{\begin{array}{l}c_{1}=\operatorname{average}\left(u_{0}\right) \text { inside } C \\ \left.c_{2}=\operatorname{average}\left(u_{0}\right) \text { outside } C\right)\end{array}\right.\\\end{aligned}\)       (5)

여기서 u₀는 입력영상, x, y는 영상 내에서 픽셀 좌표를 의미하고, 계수 c₁, c₁는 식(5)와 같이 정의된다(Oh et al., 2017).

앞서 설명한 SAR 영상처리와 검증을 위한 현장 항공 측량 영상처리, 수표면적 탐지 일련의 과정을 Fig. 2에 도식화하여 나타냈다. 전체 저수지 중 5개 저수지(분황, 무연, 정동, 어린지, 벽정)의 정사영상은 수표면 영역에 대해 Labeling 하여 NN, SVM, RF의 학습자료로 사용했으며, 해당 저수지는 과적합을 방지하기 위해 정확도 평가에는 제외하였다.

Fig. 2. Data processing flow chart for water surface area detection.

3. 연구결과

1) 수표면적 탐지 결과

Sentinel-1 SAR영상으로부터 다양한 규모의 국내 농업용 저수지 수표면적 탐지 성능을 살펴보기 위하여 연구대상 저수지 49개소에 대한 수표면적 탐지 결과를 Fig. 3에 나타냈다. 가로축은 정사영상으로부터 산출된 실측 수표면적(m²), 세로축은 SAR영상으로부터 산출된 수표면적(m²)을 의미하며 파란색 실선은 원점으로부터의 회귀선, 검정색 파선은 1:1 선을 나타낸다. 수표면적은 각 알고리즘으로부터 분류된 SAR 영상에서 수표면으로 분류된 화소의 수에 화소가 가진 면적을 곱하여 산출하였다. 알고리즘별 회귀선 기울기는 각 NN 0.9822, SVM 0.9523, RF 0.9857, Otsu 0.8747, WS 0.7898, CV 0.9052로 전체적으로 실제보다는 수표면적을 작게 추정하는 경향이 있음을 볼 수 있다. Otsu와 WS의 경우 조양, 유곡, 도인 등의 저수지에서 수표면적이 크게 과소추정되었으며, CV의 경우 갈전 저수지에서 오탐지에 의한 과대 추정이 있었음을 확인할 수 있었다.

Fig. 3. Scatter plot of detected water surface area (m²) from SAR imagery and observed water surface area (m²) from UAV imagery for each algorithm. The blue solid line denotes regression line and the black dashed line denotes 1:1 line.

저수지의 저수량 규모별 각 알고리즘의 상관계수를 Table 1에 나타냈다. 상관계수는 저수지 규모에 따른 실측 수표면적과 탐지된 수표면적 간의 상관성을 나타내며 식(6)과 같이 계산되었다.

Table 1. Correlation coefficient of six algorithms by reservoir storage scale

\(\begin{aligned}R=\frac{\sum_{1}^{n}\left(x_{i}-\bar{x}\right)\left(y_{i}-\bar{y}\right)}{\sqrt{\sum_{1}^{n}\left(x_{i}-\bar{x}\right)^{2}\left(y_{i}-\bar{y}\right)^{2}}}\\\end{aligned}\)       (6)

여기서 x_i, y_i는 각 i번째 저수지의 실측 수표면적과 탐지된 수표면적을 의미한다. 유효저수량은 10만 m³ 미만, 10만~30만 m³, 30만~50만 m³, 50 m³ 이상의 네 구간으로 나누어 분석하였다. 우선 규모별 기법간 상관성을 비교하면, 유효저수량 10만 m³ 미만의 저수지에서는 Otsu, NN, RF순으로 가장 높은 상관성을 보였다. 특히, WS의 경우 야룡 저수지의 수표면적을 크게 과소탐지하여 매우 낮은 상관계수를 보였다. 10만 m³ 이상의 규모에 대해서는 전반적으로 NN, SVM, RF, CV가 0.9 이상의 상관성을 보였으며, 50만 m³ 이상의 규모에서는 모든 알고리즘에서 0.95이상의 상관계수를 보였다. 전체 저수지를 합산하면 SVM, NN, RF, Otsu, CV, WS순으로 높은 상관성을 보였다.

기법별 유효저수량 규모에 따른 상관성 분포를 살펴보면, Otsu를 제외한 모든 기법이 10만 m³ 규모의 저수지에서 가장 낮은 상관성을 보였으며, 유효저수량 규모가 큰 저수지일수록 상관성이 높아지는 결과를 공통적으로 보였다. Otsu의 경우 10만~30만 m³ 규모의 저수지에서 가장 낮은 상관성이 나타났는데, 이는 유곡 저수지, 도인 저수지에서 미탐지된 수표면 영역이 많이 나타난 것이 원인으로 사료된다. 규모별 모든 알고리즘의 평균치를 살펴보면 유효저수량 규모가 커질수록 평균적인 상관성도 커지는 결과를 보였으며, 이는 유효저수량 규모가 작은 저수지일수록 과탐지 및 미탐지된 화소의 영향이 크게 작용하기 때문인 것으로 사료된다.

2) 정확도 검증

탐지된 저수지의 수표면영역을 정사영상의 수표면영역과 비교하여 정확도 검증을 수행하였다. 각 저수지 정사영상의 수표면영역을 알고리즘 해상도에 맞추어 래스터화하고 혼동행렬(Confusion Matrix)을 작성하였다. 혼동 행렬은 수표면 화소와 육지 화소에 대하여 실측 및 추정한 결과를 2 × 2 행렬(True Positive, False Positive, True Negative, False Negative)로 산출하였다. 혼동 행렬로부터 계산한 검증 인자는 정확도(Accuracy), 정밀도(Precision), 재현율(Recall)이며 각 식(7)~(9)와 같이 계산된다.

\(\begin{aligned}Accuracy=\frac{TP+TN}{TP+TN+FP+FN}\end{aligned}\)       (7)

\(\begin{aligned}Precision=\frac{TP}{TP+FP}\end{aligned}\)       (8)

\(\begin{aligned}Recall=\frac{TP}{TP+FN}\end{aligned}\)       (9)

정확도는 subset 내의 모든 화소 중 수표면과 육지를 정확히 탐지한 비율을 나타내며, 전반적인 영상 내 수표면 탐지 성능을 나타낸다. 정밀도는 수표면의 추정된 모든 화소 중에서 실제 수표면을 탐지한 비율로, 수표면을 과대 추정할 경우 낮은 수치로 나타난다. 재현율의 경우 실제 수표면 영역의 모든 화소 중 정확히 수표면으로 탐지한 비율을 나타내며, 실제 수표면을 미탐지할 경우 낮은 수치로 나타난다.

Fig. 4~6은 정확도, 정밀도, 재현율을 각 저수지 저수량 규모에 대하여 나타낸 box plot이다. Box는 상단부터 최대값, 제3사분위(75%), 제2사분위(50%, 중앙값), 제1사분위(25%), 최소값을 표기하였으며, X자 마커는 평균치를 의미한다.

Fig. 4. Box plot of accuracy for six algorithms by reservoir storage scale: (a) less than 100,000 m³, (b) 100,000–300,000 m³, (c) 300,000–500,000 m³, and (d) more than 500,000 m³ for each.

Fig. 5. Box plot of precision for six algorithms by reservoir storage scale: (a) less than 100,000 m³, (b) 100,000–300,000 m³, (c) 300,000–500,000 m³, and (d) more than 500,000 m³ for each.

Fig. 6. Box plot of recall for six algorithms by reservoir storage scale: (a) less than 100,000 m³, (b) 100,000–300,000 m³, (c) 300,000–500,000 m³, and (d) more than 500,000 m³ for each.

정확도를 살펴보면(Fig. 4), 전체 정확도는 각 NN 0.8878, SVM 0.8928, RF 0.8897, Otsu 0.9049, WS 0.8489, CV 0.8854로 나타났다. 유효저수량 10만 m³ 미만 규모에서는 WS가 0.8752로 가장 높은 정확도를 보였으며 10만~30만 m³ 규모에서는 Otsu가 0.8845, 30만~50만 m³ 규모에서는 RF가 0.9100, 50만 m³ 이상 규모에서는 Otsu와 CV가 동일하게 0.9400으로 가장 높은 정확도를 보였다.

정밀도를 살펴보면(Fig. 5), 전체 정밀도는 각 NN 0.8803, SVM 0.9034, RF 0.8759, Otsu 0.9465, WS 0.9785, CV 0.9044로 나타났다. 모든 유효저수량 규모에서 WS가 가장 높은 정밀도를 보였으며, RF의 경우 대부분 규모에서 가장 낮은 정밀도를 보였다. WS의 경우 Fig. 3에서 볼 수 있듯이 수표면을 과소 탐지하는 경향이 있었으며, 높은 정밀도로 나타났다. 한편, RF와 NN, SVM은 상대적으로 수표면적 과대 추정 경향이 있음을 유추할 수 있다.

재현율을 살펴보면(Fig. 6), 전체 재현율은 각 NN 0.8743, SVM 0.8583, RF 0.8848, Otsu 0.8400, WS 0.6856, CV 0.8388로 나타났다. 모든 유효저수량 규모에서 RF는 가장 높은 재현율을 보인 반면, WS는 가장 낮은 재현율을 보였다. 이는 앞서 설명한 WS의 과소 탐지 성향이 수표면 미탐지 오류를 발생시켜 나타난 결과로 판단된다.

3) 오차 요소

SAR는 방출한 마이크로파가 물체 표면에서 후방산란되어 되돌아오는 신호로부터 지표의 객체를 탐지할 수 있다(Park et al., 2007). 즉, 물체 표면의 특성이 관측되는 신호에 반영되며, 탐지하고자 하는 객체의 표면이 다른 물체에 의해 변질되거나 차폐될 경우 객체 탐지에 오차가 발생할 수 있다. 본 연구에서는 SAR 영상으로부터 저수지의 수표면영역을 탐지하는데 있어서 다음과 같은 탐지 오차 요소가 있음을 확인하였다.

첫째는 저수지 수표면의 수생식물에 의한 수표면 거칠기 증가이다. Fig. 7은 도인 저수지의 (a) 항공촬영 정사영상과 (b) 전처리된 SAR VV편파 영상이다. 우선 정사영상을 살펴보면 저수지 수표면 중앙부와 북측 일부분에 부유하는 수생식물이 수표면을 덮고 있는 것을 확인할 수 있다. 수생식물 의한 영향은 SAR 영상에서도 확인할 수 있는데, 평탄한 수표면에 비해 수생식물이 분포한 수표면의 경우 거칠기가 증가하여 높은 후방산란계수로 나타나고, 수표면을 미탐지하는 오차를 유발할 수 있다. 본 연구의 결과에서는 Otsu와 WS로부터 산출한 도인 저수지 수표면적이 각 실제 수표면적의 36.20%, 49.08%로 과소추정 하였음을 확인했다(Figs. 3(d), (e)).

Fig. 7. Example of false detection of reservoir waterbody affected by aquatic plants: (a) orthophoto by UAV and (b) pre-processed SAR imagery (VV). Red line denotes the edge of reservoir drawn by digitizing.

다음은 인공 건축물에 의한 수표면적 차폐이다. Fig. 8은 차리 저수지의 예시이며 저수지의 북동쪽에 수위 계측을 위한 건축물이 존재함을 정사영상을 통해 확인할 수 있다. 이러한 인공건축물의 경우 수표면에 도달하는 SAR 마이크로파를 직접 차단할 뿐만 아니라, 수표면에 반사된 마이크로파를 이중 반사함으로써 실제 건축물의 면적보다 더 넓은 영역의 수표면영역을 미탐지하는 오차를 유발한다. 본 연구의 결과에서는 Otsu와 WS, CV로부터 산출한 차리 저수지의 수표면적이 실제 수표면적의 각 78.17%, 72.71%, 74.20%로 일부 수표면이 미탐지 되었음을 확인했다(Figs. 3(d), (e), (f)).

Fig. 8. Example of false detection of reservoir waterbody affected by artificial structure: (a) orthophoto by UAV and (b) pre-processed SAR imagery (VV). Red line denotes the edge of reservoir drawn by digitizing.

4. 요약 및 결론

본 연구에서는 국내 농업용 저수지 중 연구에 활용 가능한 53개소를 선정하고 Sentinel-1 SAR 영상으로부터 저수지 수표면적을 탐지하고 수표면적 탐지 정확도를 평가하였다. 수표면적 탐지에는 기계학습 기반의 Neural Network, Support Vector Machine, Random Forest와 히스토그램 분할기법 Otsu, 영상분할기법 Watershed, Chan-Vese를 활용하였으며, 각 알고리즘의 수표면적 탐지 결과를 정사영상으로부터 얻은 실측 수표면적과 비교하였다. 연구대상 저수지는 유효저수량 규모별 수표 면적 탐지 정확도 비교를 위하여 10만m³, 30만m³, 50만m³을 기준으로 분류하여 비교분석을 수행했으며, 다음과 같은 결론을 도출했다.

1) SAR 영상으로부터 영상분류 및 영상분할 기법 등을 통해 다양한 규모의 국내 저수지 수표면적을 탐지할 수 있으며, 탐지된 수표면적은 실측 수표면적과 높은 선형상관관계를 보였다.

2) 저수지의 유효저수량 규모가 큰 저수지일수록 SAR 영상으로부터 수표면적 탐지 정확도가 높아지는 경향이 나타났다.

3) 저수지 수표면적 탐지 알고리즘은 저수지 규모에 따른 차이는 있으나, 상대적으로 기계학습 기반의 영상 분류 알고리즘(NN, SVM, RF)에서 과대 탐지, 영상분할 알고리즘(WS)에서 미탐지의 경향이 있었다.

4) SAR 영상으로부터 수표면적을 탐지 시 SAR 후방산란계수에 영향을 줄 수 있는 요인에 의해 수표면이 미탐지되는 오류가 발생할 수 있으며, 본 연구에서는 수표면의 수생식물과 인공구조물에 의한 영향이 있음을 확인하였다.

수표면 수생식물에 의한 오차의 경우 긴 파장대의 SAR 활용을 통해 해결할 수 있으리라 판단된다. Smith (1997)과 Costa and Telmer (2006)의 연구에서 상대적으로 파장이 긴 L-band (15–30 cm) SAR가 식생 캐노피에 대한 더 높은 투과성이 있음을 밝혔다. 본 연구에 활용한 Sentinel-1은 C-band (5.6 cm) SAR로 이보다 더 긴 파장대인 L-band, P-band 등을 사용한다면 수표면적을 탐지 시 수표면 식생에 의한 영향을 감쇄 시킬 수 있을 것으로 사료된다. 인공구조물의 경우 계절적으로 변동하는 수생식물과 달리 고정된 위치에 존재하므로 미탐지된 수표면적에 대한 보정을 통해 오차를 제거할 수 있을 것으로 판단된다.

농업용 저수지는 국내 영농환경에서 주요한 용수 공급처이며, 저수지의 저수량 파악은 저수지 활용 및 관리차원에서 중요하다. 전국에 약 18,000여 개소의 농업용 저수지가 분포하지만 체계적으로 관리되는 저수지의 수는 많지 않다. SAR 영상을 활용한 저수지 수표면적의 원격 탐사는 현재의 저수지 모니터링의 어려움을 해소할 수 있는 강력한 도구가 될 수 있다. 특히 영농활동이 시작되는 봄부터 초여름 사이 가뭄에 따른 농업용수량 부족문제가 발생할 수 있는데(Park et al., 2006), SAR 영상을 활용한 정기적인 저수지 모니터링을 수행한다면 재난상황 관리 및 대비체계 수립 시 효과적인 참조 자료로 활용 가능할 것으로 사료된다.