Korean Journal of Remote Sensing (대한원격탐사학회지)

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

DOI QR Code

Research of Water-related Disaster Monitoring Using Satellite Bigdata Based on Google Earth Engine Cloud Computing Platform

구글어스엔진 클라우드 컴퓨팅 플랫폼 기반 위성 빅데이터를 활용한 수재해 모니터링 연구

  • Park, Jongsoo (Disaster Information Research Division, National Disaster Management Research Institute) ;
  • Kang, Ki-mook (K-water Research Institute, Korea Water Resources Corporation)
  • 박종수 (국립재난안전연구원 재난정보연구실) ;
  • 강기묵 (한국수자원공사 K-water연구원)
  • Received : 2022.10.31
  • Accepted : 2022.12.07
  • Published : 2022.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

Due to unpredictable climate change, the frequency of occurrence of water-related disasters and the scale of damage are also continuously increasing. In terms of disaster management, it is essential to identify the damaged area in a wide area and monitor for mid-term and long-term forecasting. In the field of water disasters, research on remote sensing technology using Synthetic Aperture Radar (SAR) satellite images for wide-area monitoring is being actively conducted. Time-series analysis for monitoring requires a complex preprocessing process that collects a large amount of images and considers the noisy radar characteristics, and for this, a considerable amount of time is required. With the recent development of cloud computing technology, many platforms capable of performing spatiotemporal analysis using satellite big data have been proposed. Google Earth Engine (GEE)is a representative platform that provides about 600 satellite data for free and enables semi real time space time analysis based on the analysis preparation data of satellite images. Therefore, in this study, immediate water disaster damage detection and mid to long term time series observation studies were conducted using GEE. Through the Otsu technique, which is mainly used for change detection, changes in river width and flood area due to river flooding were confirmed, centered on the torrential rains that occurred in 2020. In addition, in terms of disaster management, the change trend of the time series waterbody from 2018 to 2022 was confirmed. The short processing time through javascript based coding, and the strength of spatiotemporal analysis and result expression, are expected to enable use in the field of water disasters. In addition, it is expected that the field of application will be expanded through connection with various satellite bigdata in the future.

예측하기 힘든 기후변화로 인해 물 관련 재해의 발생 빈도와 피해 규모도 지속적으로 증가하는 추세이다. 재난관리의 측면에서 광범위한 지역의 피해면적을 파악하고, 중·장기적 예측을 위한 모니터링이 필수적이다. 수재해 분야에서 광역적 모니터링을 위해 Synthetic Aperture Radar (SAR) 위성영상을 활용한 원격탐사 기술 연구가 활발히 진행되고 있다. 수재해 모니터링을 위한 시계열 분석에는 방대한 양의 영상수집과 잡음이 많은 레이더 산란 특성을 고려한 복잡한 전처리과정이 필요하며, 이를 위해 상당한 시간이 소요되는 한계가 있다. 최근 클라우드 컴퓨팅 기술의 발전과 함께 위성 빅데이터를 활용한 시·공간 분석이 가능한 많은 플랫폼들이 제안되고 있다. 구글어스엔진(Google Earth Engine, GEE)은 대표적인 플랫폼으로, 600여개의 위성 자료를 무료로 제공하고 있으며 위성영상의 분석준비데이터를 기반으로 준-실시간 시·공간 분석이 가능하다. 이에 본 연구에서는 구글어스엔진을 활용한 즉각적인 수재해 피해 탐지와 중·장기적 시계열 관측 연구를 수행하였다. 변화탐지에 주로 활용되는 Otsu 기법을 통해 '20년 발생한 집중호우를 중심으로 하천 범람으로 인한 하폭의 변화와 피해 면적을 확인하였다. 또한 재난관리 측면에서 모니터링의 중요성이 요구되는 만큼 상습침수지역으로 선정된 연구대상 지역을 중심으로 '18년부터 '22년까지의 시계열 수체의 변화 경향을 확인하였다. 구글어스엔진은 자바스크립트 기반 코딩을 통한 짧은 처리시간, 시공간 분석과 표출의 강점으로 수재해 분야 활용이 가능할 것으로 판단된다. 더불어 향후 다양한 위성 빅데이터와의 연계를 통해 활용 분야가 확대될 것으로 기대된다.

Keywords

1. 서론

이상기후로 인해 집중호우, 하천 범람 등 수재해의 피해가 지속적으로 증가하고 있으며, 인명과 재산의 피해 규모가 확대되고 있다(Kim et al., 2022; Lee, 2020; Moon, 2020). 또한 기후변화로 기후의 예측가능성이 저하되고 있으며, 수재해를 포함한 재난관리의 어려움이 커지고 있다(Gang et al., 2017; Kim et al., 2016). 2022년 6월 파키스탄은 이상기후로 인해 평년보다 2~3배 많은 강수량을 기록하며 폭우 및 홍수로 인해 국토의 1/3이 물이 잠기는 등 수많은 이재민과 재산피해를 남겼다. 우리나라에서의 물 관련 재해는 장마철에 주로 발생하며, 침수 취약지역인 도심지와 논밭의 침수로 인해 인명피해, 가축 피해 등 심각한 문제를 야기한다. 이처럼 물 관련 재해는 자연재해 중 피해규모가 크며, 그만큼 명확한 피해규모 파악과 모니터링을 통한 관리가 중요하다(Lee et al., 2020).

광범위한 지역의 수재해 모니터링을 위해 위성영상을 활용한 원격탐사 기술이 주로 활용되고 있으며, 지속적이고 주기적으로 지표의 변화를 관측할 수 있는 가장 효과적인 수단이다(Khaki et al., 2020; Park, 2016; Won et al., 2021). 광학위성은 육지의 산림자원 모니터링, 해양의 유류오염, 산불과 같은 재난재해 분야에서 유용하게 활용되고 있다. 그러나 야간 촬영, 물 관련 재해가 발생한 지역에 구름이 있을 때 활용하지 못하는 한계가 있다. 이러한 한계점의 대체재로 SyntheticAperture Radar (SAR) 위성영상을 활용하고있다. SAR 영상은 마이크로파를 이용하는 능동센서로 기상조건에 무관하며, 역광등 일조량에 관계없이 전천후로 광범위한 지역의 영상 획득이 가능하다(Kwak, 2012; Yang, 2013). 이상기온 등으로 인해 더욱 불규칙해지는 기상 변화에 무관하게 지속적으로 영상을 획득할 수 있는 SAR 영상은 물 관련 재해 관리를 위한 수단으로 필수적이다.

그러나 SAR 영상은 마이크로파를 송·수신하여 만든 영상으로서 영상처리나 해석이 복잡한 단점이 있다(Lee et al., 2019; Lee et al., 2021). SAR 영상의 활용을 위해서는 궤도보정, 방사보정, 지형왜곡 보정 등 전처리 과정이 필수적이며, 다중 시기의 데이터를 처리할 때 이 과정은 복잡하고 많은 시간이 소모된다.

최근 국내외로 위성정보 빅데이터를 분석하고 처리 할 수 있는 클라우드 컴퓨팅 기반의 플랫폼이 개발되면서 다양한 분야에서 그 활용성이 증대되고 있다. 산림관리, 재난 모니터링, 해양 탐사, 기후 예측 등 많은 분야에서 사용자가 원하는 목적으로 위성정보 빅데이터 활용을 통해 급변하는 환경변화에 대응하고 있다(Li et al., 2021; Mahdianpari et al., 2020; Shafizadeh-Moghadam et al., 2021; Vos et al., 2019).

이처럼 클라우드 컴퓨팅 기반의 플랫폼은 방대한 양의 위성영상을 무료로 활용할 수 있으며, 대화형 앱 서버로 자바스크립트 기반의 코딩을 통해 신속하게 영상을 다운로드, 의사결정을 위한 데이터 처리와 분석 및 가시화를 위한 지리공간정보 툴을 활용할 수 있는 장점이 있다(Kim, 2021). 따라서 본 연구에서는 대표적인 클라우드 컴퓨팅 플랫폼인 구글어스엔진 통해 기상과 무관하게 영상을 확보할 수 있는 SAR 영상을 활용하여 변화탐지기법을 통한 수재해 피해 면적 분석과 시계열 분석 모니터링 연구를 소개하고자 한다.

2. 클라우드 컴퓨팅 플랫폼 개요

1) 클라우드 컴퓨팅

스마트기술의 융합으로 4차 산업혁명의 핵심 기술인 클라우드 컴퓨팅 기술은 최근 구글·아마존·마이크로소프트 등 국외 뿐 아니라 국내에서도 활발하게 개발 및 활용되고 있다. 클라우드 컴퓨팅은 물리적 장비구매, 별도의 환경 구축, 유지관리할 필요없이 IT자원을 빌려쓰는 서비스 방식을 의미한다. 이는 별도의 장비 구매와 소프트웨어 설치, 고장 및 주기적 업데이트를 위한 유지관리 등에 소모되는 시간과 비용에 엄청난 이점을 가진다. 이러한 클라우드의 활용은 컴퓨팅 유형에 따라 공급자가 호스팅하고 다른 테넌트와 공유하는 퍼블릭 클라우드, 클라우드 서비스를 공급자 자체로서 호스팅하는 프라이빗 클라우드, 퍼블릭과 프라이빗을 융합한 하이브리드 클라우드로 분류한다. 또한 서비스의 형태에 따라, 즉 활용하는 서비스 요소에 따라 소프트웨어 응용 프로그램을 제공하는 Software as a Service (SaaS), Information Technology (IT) 인프라(서버 및 가상머신), 스토리지, 네트워크 등 임대하는 방싱의 서비스인 Infrastructure as a Service (IaaS), 소프트웨어 어플리케이션 개발, 테스트, 제공 및 관리 등 제공하는 플랫폼인 Platform as a Service (Paas)로 분류된다. 활용 분야를 살펴보면 SaaS는 구글의 gmail, docs 등이 있고, IaaS로는 아마존의 AWS, MS의 Azure 등이 있으며, PaaS로는 구글어스엔진 등에서 서비스를 제공하고 있다.

2) 구글어스엔진 플랫폼

서론에서 언급한 바와 같이 수재해 분야에서는 날씨에 무관한 SAR 위성영상의 활용도가 높으며 기존의 대표적인 SAR 위성영상인 Sentinel-1 영상을 활용하기 위해서는 먼저 European Space Agency (ESA)에서 제공하는 웹을 통해 위성영상을 확보한다. 이렇게 확보된 영상은 궤도·방사·지형 등 왜곡에 의한 영향으로 전처리 과정이 필수적이며, 이러한 과정은 무료인 SeNtienl Application Platform (SNAP), 유료인 Environmental for Visualizing Inages (ENVI)의 SAR Scape 등 프로그램과 작업환경에 따라 비용과 시간이 많이 소요된다. 이는 본 연구에서 수행하고자 하는 재난 발생시 위성영상을 활용하는데 있어 적시성에 큰 한계점을 가진다.

최근 국내·외에서 다양한 위성정보의 빅데이터 분석으로 사회문제 해결, 의사결정 지원 등 위성정보 빅데이터 활용이 증대되고 있다. 이러한 빅데이터 분석과 관리를 위해 시간·비용적 측면에서 클라우드 컴퓨팅 기술이 절대적으로 필요하다. 클라우드 컴퓨팅 기술을 통해 위성 빅데이터를 관리·활용하는 대표적 플랫폼으로는 Google Earth Engine (GEE), System for Earth Observation Data Access, Processing and Analysis for Land Monitoring (SEPAL), Open Data Cube (ODC) 등이 있다(Fig. 1). 본 연구에서는 기 보유한 계정의 접근성과 활용성을 고려하여 구글 앱 엔진과 위성영상 정보 및 지리정보 툴을 동시에 사용할 수 있는 플랫폼 서비스인 구글어스엔진을 활용하였다.

OGCSBN_2022_v38n6_3_1761_f0001.png 이미지

Fig. 1. Satellite images bigdata application platform: (a) GEE, (b) SEPAL, and (c) ODC (Source: developers.google. com/earth-engine/).

일반적으로 구글어스엔진은 지도 서비스로 많이 알려진 구글어스와 혼동하는 경우가 많은데 위성영상 빅데이터를 활용하고, 지리공간의 정보를 분석할 수 있다는 점에서 차이가 있다. 구글어스엔진 플랫폼은 지표온도, 날씨, 대기 등 날씨와 기후 정보, Landsat, Sentinel, Moderate Resolution Imaging Spectroradiometer (MODIS)등 위성영상정보, Digital Elevation Model (DEM), 토지피복 등 다양한 정보를 제공하고있다. Table 1은 구글어스엔진 플랫폼에서 제공되는 위성 데이터셋 정보를 정리한 것이다.

Table 1. The data provided by google earth engine

OGCSBN_2022_v38n6_3_1761_t0001.png 이미지

이처럼 구글어스엔진은 수십년간 축적된 방대한 양의 위성영상을 무료로 활용가능하며, 데이터 분석을 위한 도구 제공 및 자바스크립트와 파이썬 API 제공으로 활용 및 연계성이 우수하다고 볼 수 있다. Fig. 2는 데이터 분석을 위한 코드에디터로 자바스크립트 Application Programming Interface (API)용 웹기반 Integrated Development Environment (IDE)이다. 구성으로는 코드 편집기, 지리정보 및 분석 결과 시각화를 위한 맵, 데이터 활용을 위한 검색, 저장 기능을 포함하고, .tiff, .shp 등 다양한 확장자를 가지는 데이터를 업로드하여 빠르고 쉽게 개발할 수 있도록 설계되어 있다.

OGCSBN_2022_v38n6_3_1761_f0002.png 이미지

Fig. 2. Diagram of components of the Earth Engine Code Editor(Source:developers.google.com/earth-engine/).

3. 자료 및 방법

SAR 영상자료는 광학위성영상과 달리 구름 등 날씨와 무관하며, 주야 전천후 관측이 가능하다. 이러한 장점을 통해 재난·재해 시 관리와 모니터링에 많이 활용되고 있다. 행정안전부는 재난·치안·교통 등 국민생활과 관련하여 국민 스스로가 위험에 관심을 가지고 대처할 수 있도록 안전정보들을 통합하여 지도 위에 표현한 생활안전지도를 서비스하고 있다(Goo et al., 2015). 본 연구에서는 물 관련 재해 분야의 관리와 모니터링을 위해 2020년 기준 태풍·집중호우 등 수재해로 인해 침수피해가 발생한 지역에 대한 침수흔적도와 하천범람 지도 등을 고려하여 연구 지역 선정 및 위성자료를 획득하였다(Fig. 3).

OGCSBN_2022_v38n6_3_1761_f0003.png 이미지

Fig. 3. Satemap provided by the Ministry of the Interior and Satety (MOIS): (a) river flooding map and (b) inundation trace map.

1) 연구 지역 및 자료

(1) 연구지역

위성영상을 활용한 수재해 모니터링을 위해서는 전·후 영상의 확보가 중요하다. 연구 대상 지역은 생활안전지도 내 상습 침수 지역 등 침수정보와 영상 확보 유무를 고려하여 선정하였다(Fig. 4). 선정된 연구지역은 2020년 7월 28일부터 8월 11일 까지 발생된 집중호우로 피해가 발생한 지역으로, 먼저 Fig. 4의 (a) 지역인 창녕군 이방면 일대는 2020년 7월 28일부터 8월 11일까지 누적된 집중호우로 인해 낙동강 제방이 유실되면서 주변 마을의 농지 등 하천 범람으로 인해 피해를 입은 지역이다. 무주군의 경우 역시 2020년 여름 54일간의 긴 장마 중 7월 30일부터 8월 8일 사이의 집중호우로 인해 마을이 침수되고 이재민이 다수 발생한 지역이다. 파주시는 접경지역으로 임진강 상류의 황강댐 방류와 밀접한 관련이 있다. 이로 인해 집중호우 때 마다 임진강 하류의 수내천 등 범람으로 농경지의 침수가 피해가 빈번한 지역으로 2020년 8월 1일부터 6일까지 피해가 발생하였다. 대상 지역들은 집중호우 시 상습침수지역으로 언급되고 있으며, 이에 따라 더욱이 장기간의 모니터링이 필수적일 것으로 사료된다. 따라서 본 연구의 목적인 수재해 모니터링 연구를 위해 (a) 경상남도 창녕군, (b) 전라북도 무주군, (c) 경기도 파주시를 연구 대상 지역으로 선정하였다.

OGCSBN_2022_v38n6_3_1761_f0004.png 이미지

Fig. 4. Study areas of (a) Changnyeong, (b) Muju, and (c) Paju. The blue line is the river network information for time series analysis.

(2) 연구 자료

수재해 모니터링 연구를 위해 구글어스엔진에서 무료로 활용 가능한 ESA의 Sentinel-1A/B Ground Range Detected (GRD)를 활용하였다. Sentinel-1은 산림, 재난, 환경 등 지구 환경 모니터링을 목적으로 관측하고 있으며, A/B 두 기의 위성으로 재방문주기 12일, 한 지역을 6일에 한 번씩 관측 가능한 C-band SAR 탑재 위성이다. Sentinel-1B 위성은 2022년 초 위성 자체의 기계적 결함으로 운영이 중지되었으며 현재 공식적으로 운영이 종료됨에 따라 현재 Sentinel-1A 위성만 운용 중이나, 수재해 발생 시점이 2020년으로 영상 확보가 가능함에 따라 두 기 위성의 영상을 모두 활용하였다. 추가로 하천 범람과 집중호우로 인한 하천 폭의 변화와 주변 농경지의 피해 면적 분석을 위해 토지피복 정보를 활용하였다. 환경부에서는 1 m급 해상도로 41개 항목으로 구분한 세분류 토지피복지도를 매년 제공하고 있다. 다만 연구대상지역 중 파주시는 접경지역으로 해당 대상지역의 토지피복정보를 확보할 수 없어 National Aeronautics and Space Administration (NASA)에서 운용 중인 MODIS 위성의 500 m 해상도를 가지는 토지피복 정보를 활용하였다. 추가로 1/25,000 국가 기본도를 통해 2021년에 제작된 하천망도를 사용하였으며, 침수흔적도와 하천범람지도의 경우 행정안전부 생활안전지도 플랫폼에서 확인가능하며, 매년 갱신되고 있으며 본 연구에서는 2021년 9월 갱신된 데이터를 사용하였다. 본 연구에 사용된 데이터의 세부정보는 Table 2에 모두 정리하였다.

Table 2. Dataset information used in this study

OGCSBN_2022_v38n6_3_1761_t0002.png 이미지

2) 연구 방법

본 연구에서 구글어스엔진 플랫폼을 통해 Sentinel-1, MODIS 위성 정보를 활용해 선정된 연구대상 지역에 발생한 물 관련 재해의 피해 면적을 추정해보고, 모니터링을 위한 시계열 분석에 대해 소개하고자 한다. 연구의 전반적인 흐름도는 Fig. 5와 같이 구성된다. SAR영상 활용을 위해서는 위성에서 지표면 관측 시 발생하는 노이즈를 제거하는 작업이 필요하며, 이를 전처리라 부른다. Sentinel-1 SAR 영상 전처리는 궤도보정, 열 잡음제거, 방사보정, 지형보정 등의 과정이 필수적이다. 본 연구에서는 이러한 전처리 과정을 거쳐 분석 준비데이터를 생성한다.

OGCSBN_2022_v38n6_3_1761_f0005.png 이미지

Fig. 5. Flowchart of flood disaster damage area detection in this study.

(1) 분석준비데이터 생성을 위한 위성영상 전처리

최근 위성영상을 제공하는 위성과 기관이 다양해지고 있고, 이러한 위성영상을 활용하는 사람들이 많아 짐에 따라 사용자들이 종류에 관계없이 위성정보를 활용할 수 있는 Analysis Ready Data (ARD)라는 개념이 통용되기 시작했으며, 이에 따른 국제 표준화 작업도 진행 중이다(Choi et al., 2021). 구글어스엔진과 더불어 빅데이터 위성영상 활용 컴퓨팅 플랫폼은 사용자들이 위성영상을 효과적으로 활용하고 분석할 수 있도록 ARD를 제공하고 있다. 구글어스엔진은 사용자가 직접 위성영상을 다운로드하여 사용하지 않고 스크립트 코드를 통해 ARD를 호출한다.

일반적으로 SAR 영상의 전처리 과정은 레이더 특성에 따른 왜곡보정의 복잡성 등 적시 분석과 활용을 하기 위해 가장 중요한 부분이다. ESA에서 공개한 무료 소프트웨어인 SNAP 프로그램의 경우 Sentinel-1 Single Look Complex (SLC) 데이터의 활용과 활용 목적에 따라 잡음 제거를 위한 필터링 등 다양한 옵션과 영상 전처리에 많은 과정을 제공하고 있다. 그러나 구글어스엔진 플랫폼에서의 Sentinle-1 위성영상은 Fig. 5와 같이 ① 궤도보정, ② 경계잡음제거, ③ 열잡음제거, ④ 방사보정, ⑤ 지형보정의 다섯가지 과정을 통해 전처리된 GRD 영상을 제공되고 있다. 추가로 지형보정 시 로그 스케일링을 통해 데시벨(dB) 값으로 변환된 후방산란계수 결과를 제공한다. 결과의 정확도 측면에서 전처리 시 옵션 조정, 지형보정 과정에서의 고해상도 DEM을 활용하지 못하는 한계점이 있으나, 준실시간적 분석을 위해 전처리시 소모되는 시간적 측면에서는 활용도가 높을 것으로 기대한다.

(2) 변화탐지를 통한 피해면적 분석

위성영상을 활용한 변화탐지는 서로 다른 두 시기의 데이터를 통해 대상지역의 자연적, 인공적 변화를 정량적으로 분석하는 방법으로, 홍수·산불 등 광범위한 지역의 변화를 파악하는데 효과적인 기법으로 알려져있다(Choi et al., 2009; Fank et al., 2003; Singh, 1989).

전·후 영상을 통해 피해 발생 지역을 확인하기 위해서는 두 시기 영상에서의 수체로 인지되는 값들을 산출하고, 차분을 통해 피해 영역과 피해 면적을 추정할 수 있다.

먼저 전·후 영상에서 수체를 탐지하기 위해서는 수체와 비수체를 구분하기 위한 임계선(threshold)이 필요하다. 이러한 수체 구분을 위해 Kittler an Illingworth (KI), Watershed 등 다양한 분할기법과 Neural Network (NN), Support Vector Machines(SVM) 등 분류기법들이 있으며, 본 연구에서는 가장 널리 알려진 Otsu 기법을 활용하였다(Fig. 6). Otsu 기법은 기본적으로 쌍봉 분포형태의 히스토그램을 가지고 있으며 두 봉우리 간 분산차가 최대화되는 경계선을 선정하는 기법으로, 상대적으로 값이 낮은 좌측 클래스는 수체, 우측 클래스는 비수체로 구분하였다(Fan and Lei, 2012).

OGCSBN_2022_v38n6_3_1761_f0006.png 이미지

Fig. 6. Example of Otsu algorithm for calculating threshold.

Otsu 알고리즘은 다음과 같은 수식으로 표현할 수 있다. 여기서 σB2은 두 클래스 간의 분산, p0(t)과 p1(t)은 각 클래스 가중치, μ02(t)과 μ12(t)은 각 클래스의 평균을 나타낸다.

σB2(t) = p0(t)μ02(t) + p1(t)μ12(t)       (1)

t* = Argmax(σB2(t))       (2)

선정된 연구 지역의 피해 전(pre)·후(post) 영상에서 탐지된 수체들의 차분과정을 통해 영역 내 재난으로 인한 피해 변화를 탐지할 수 있고, 이를 통해 피해 면적을 추정해보았다.

(3) 다중시기 영상을 통한 시계열 모니터링

앞선 연구와 같이 특정지역의 전·후 위성영상을 활용한 변화탐지 방식은 최근 연속적 변화를 탐지하는 시계열 분석으로 변화하고 있다. 기후변화로 인해 예측하기 힘든 재난에 대해 시계열 모니터링 분석은 재난의 예측과 복구를 위해 중요하다. 연구대상지역은 상습침수구역으로 다년간의 수체면적 변화 모니터링이 중요하며, 시계열 모니터링을 위해 구글어스엔진에서 제공되는 5년간(2018~2022)의 Sentinel-1 위성영상을 수집하여 Otsu 기법을 통해 탐지된 수체의 면적 변화를 확인해보고자 한다. 국가공간정보포털의 하천망도 정보를 참조하였으며, 하천의 범람 면적을 고려하여 하천망도 shape 파일에 30 m 버퍼를 주어 관심지역만 클립하여 활용하였다.

4. 분석 결과

1) 변화탐지를 통한 피해면적 분석

구글어스엔진의 코드에디터를 통해 구현된 연구대상 지역의 전처리 결과 영상에 산지 등 지형적 왜곡에 대한 오차 감소와 수체 탐지의 정확도 개선 효과를 위해 스무딩필터를 적용하였다. Fig. 7은 각 지역별 전·후 영상의 처리 결과이다. 추가 필터를 통해 영상 내 잡음제거 효과를 확인할 수 있으며, 피해 후 영상에서 강폭이 선명한 것을 육안으로 확인할 수 있다. 또한 플랫폼의 장점인 피해 전후 영상의 전처리 과정을 표출하는데 10초 이내로 소요되는 것을 확인하였다.

OGCSBN_2022_v38n6_3_1761_f0007.png 이미지

Fig. 7. Result of preprocessing: (a) Changnyeong pre-image, (b) Muju pre-image, (c) Paju pre-image, (d) Changnyeong post-image, (e) Muju post-imgae, and (f) Paju post-image.​​​​​​​

Otsu 기법을 통한 수체탐지 결과는 Fig. 8과 같으며, 각 영상에 적용하여 분류된 후방산란계수의 임계값은 각각 –15.8 dB(창녕), –16.2 dB(무주), –15.7 dB(파주)이다. 계산된 임계값을 통해 피해 전·후 영상에서 수체를 탐지하였으며 전·후 영상에서 탐지된 수체들을 차분한 결과는 파란색으로 표현하였다. 탐지 결과를 통해 내·외수 범람으로 인한 침수 피해지역을 확인할 수 있다. 우선 Fig. 8(a)는 호우로 인해 낙동강 제방이 무너진 창녕 지역으로 노란색 박스를 통해 강 폭이 크게 변화한 것을볼수 있다. 영상 취득 시기인 8월 8일 기준 피해면적은 약 19 km2로 추정되었다. 하천 인근의 침수피해를 확인하였으며, 침수 피해면적 비교를 위해 생활안전지도의 침수흔적지도와 하천범람지도를 참조하였다. 흰색 박스로 표현된 부분은 제방 유실에 의한 침수와 내수침수로 인한 피해지역을 표현한 것으로, SAR 영상에서 탐지된 피해면적은 3.2 km2, 생활안전 지도에서 탐지된 결과는 3.7 km2이다. Fig. 8의 (b)지역인 무주군 탐지 결과도 마찬가지로 노란색 박스와 그 외 지역을 통해 강폭이 크게 변화한 것을 확인할 수 있으며, 영상취득 시기인 8월 1일의 전체영상 내 탐지된 피해는 약 3 km2의 피해범위로 추정되었다. 흰색 박스의 피해범위는 0.14 km2이고, 생활안전지도의 결과는 0.3 km2이다. Fig. 8의 (c)지역인 파주시는 전체 영상에서 8 km2의 피해범위를 추정하였고, 흰색 박스에 나타난 지역의 피해면적은 1km2, 생활안전지도에서는 약 1.61 km2로 계산되었다. 각 지역별 SAR 영상과 생활안전지도의 피해면적 비교 결과 약 1 km2 이하의 차이를 보였으며, 이는 피해 이후 현장조사 기반의 결과와 위성영상 취득 시기간 차이로 보인다. 또한 일부 지역(밝기 값이 높은 지역 등)에 탐지된 수체가 호우로 인한 영향인지 SAR 영상 특성상 지형왜곡에 의한 영향인지 확인이 필요할 것으로 사료된다.

OGCSBN_2022_v38n6_3_1761_f0008.png 이미지

Fig. 8. Results of flood damage area using change detection: (a) Changnyeong, (b) Muju, and (c) Paju. The yellow box indicates the change in the width of the river.​​​​​​​

2) 시계열 수체면적 모니터링

강·하천의 범람으로 인해 상습침수 지역으로 선정된 연구대상지역은 미계측 유역 모니터링 측면에서 시계열 관측이 매우 중요하다. 구글어스엔진 플랫폼에서 구현되는 시계열 분석의 예시는 Fig. 9와 같으며, 2015년부터 2022년까지의 미계측 유역댐의 시계열 수체면적 변화를 정량적인 결과로 표현한 것이다.

OGCSBN_2022_v38n6_3_1761_f0009.png 이미지

Fig. 9. An example of time-series monitoring of water area using satellite big data based on GEE.​​​​​​​

본 연구에서는 2018년부터 2022년 10월까지 약 5년의 위성영상을 통해 낙동강, 금강, 임진강의 수체 탐지를 통해 변화 경향을 파악해보았다. 수체 탐지를 위한 임계값은 변화탐지에서 계산된 값을 평균하여 –16 dB 값으로 통일하여 적용하였다. 탐지된 결과는 우리나라 장마철 기간을 고려하여 7~9월만 표현하였다. 먼저 대구, 창녕, 부산으로 흐르는 낙동강의 시계열 탐지 결과는 Fig. 10과 같다. 2020년 7~9월에 하천 변화가 두드러지게 나타났으며, 검은색 박스를 통해 확인할 수 있다. 위성 관측 당시 강수량 자료와 비교를 위해 해당 지역 최근접에 위치한 창녕군 본초리 관측소의 일 강수량을 확인한 결과 1 mm (7/21), 147 mm (8/8), 0 mm (9/8)로 관측되었다. 7월 대비 8월 집중호우로 인해 강 수위가 높아졌으며, 이후 9월 위성 관측 당시 수위가 낮아진 것으로 판단된다.

OGCSBN_2022_v38n6_3_1761_f0010.png 이미지

Fig. 10. The results of the Nakdong river time-series waterbody detection.​​​​​​​

Fig. 11은 금강의 일부로 2019년과 2020년 자료에서 월 별 수체의 변화를 확인할 수 있었다. 해당 시기 강수정보를 확인을 위해 무주군 무주중앙초교에 위치한 관측소를 통해 확인하였다. 2019년의 일 강수량은 54 mm (8/19), 0 mm (9/24)이고, 2020년은 4 mm (7/14), 157 mm (8/7)이다. 위성촬영 당시 관측된 일강수량 증감의 결과가 동일함을 확인할 수 있다.

OGCSBN_2022_v38n6_3_1761_f0011.png 이미지

Fig. 11. The results of the Geumgang river time-series waterbody detection.​​​​​​​

Fig. 12는 임진강의 수체탐지 결과로 남한지역만 추출하였다. 2020년에 수체의 변화가 보이며, 해당 시기 강수정보를 확인을 위해 파주시 용연초교 관측소 결과를 확인하였다. 확인 결과 2020년의 일 강수량은 0 mm (7/2), 108 mm (8/1), 1 mm (9/6)로 관측되었다.

OGCSBN_2022_v38n6_3_1761_f0012.png 이미지

Fig. 12. The results of the Imjin river time-series waterbody detection.​​​​​​​

구글어스엔진 플랫폼을 이용하여 5년간 위성영상의 수체탐지 모니터링한 결과 광범위한 지역에 분포하는 수체면적의 변화 경향을 파악할 수 있었으며, 위성 관측 당시 일강수량 정보를 통해 호우로 인한 영향을 확인할 수 있었다. 다만 집중호우 기간에 강수량 및 수위정보를 통한 정밀한 수체의 변화분석을 위해서는 위성영상의 짧은 관측주기가 필요할 것으로 판단된다. 향후 개발될 1일 2회 한반도전역 관측을 하는 차세대중형위성 5호인 수자원위성 또는 군집위성인 초소형위성 등을 활용한다면 더 짧은 주기의 모니터링이 가능할 것으로 사료된다.

5. 결론 및 토의

기존의 연구들은 대게 작업시간의 단축을 위해 고사양의 워크스테이션을 활용하지만 방대한 양의 위성영상을 수집하고, 일련의 전처리 과정을 거치는 작업에 여전히 많은 시간이 소모되는 단점이 있다. 그러나 최근 기술의 발전으로 시간적 한계점을 극복할 수 있게 되었으며, 클라우드 컴퓨팅 기술의 대표적인 플랫폼인 구글어스엔진을 활용한 많은 연구들이 진행되고 있다. 본 연구에서는 구글어스엔진을 활용하여 변화탐지 기반의 수재해 피해면적과 위성 빅데이터를 이용한 시계열 모니터링 연구를 수행하였다. 변화탐지를 통한 수재해 피해 면적 분석 결과 세 지역(창녕, 무주, 파주) 모두 호우로 인한 다수의 하폭 변화를 확인하였고, 농경지 피해면적 분석 결과 SAR 영상과 생활안전지도 간 약 1 km2의 면적 차이를 확인하였다. 다만 위성영상확보 시기와 현장조사 시기가 상이함에 따라 정밀한 피해면적 추정은 어려운 한계가 있었다. 또한 낙동강, 금강, 임진강의 시계열(2018~2022년) 수체탐지 분석 결과 일 강수량 증감에 따른 강 너비의 변화가 동일함을 확인하였다. 구글어스엔진을 통한 위성영상수집과 전처리된 영상의 결과는 위성영상처리에 널리 활용되고 있는 SNAP 소프트웨어와 비슷한 수준이나, 2018년부터 1월 1일부터 2022년 10월 31일의 시계열 분석 시 531장의 위성 영상에서 탐지된 결과를 10초 이내로 확인할 수 있는 강점을 확인하였다. 다만 Sentinel과 같이 무료로 제공되는 위성 외 유료 위성이나 공개되지 않은 자료들은 별도로 추가해서 활용해야하는 단점도 있다. 기상이변으로 인해 재난분야에서 예측과 준·실시간적 대응이 중요한 만큼, 빅데이터와 시간 단축의 강점으로 구글어스엔진 플랫폼의 활용성은 극대화될 것으로 사료된다. 현재까지는 초기 수준의 활용도를 보이고 있으나, 광학영상과의 융합, 시간해상도를 고려한 초소형위성 활용, 향후 발사될 C-밴드 SAR 탑재 수자원위성 등 타 위성 정보와의 연계를 통해 재난분야 외 다양한 분야에서 활발하게 활용될 것으로 기대된다(Kim and Kang, 2021; Park et al., 2021). 향후 구글어스엔진 플랫폼의 다양한 분석 툴을 통해 침수 취약 지역 파악 및 예측을 위한 한반도에 최적화된 수재해 모니터링 시스템 구축 연구를 수행할 예정이다.

사사

이 연구는 행정안전부 국립재난안전연구원의 지원(수표면적 분석기술 전국화 기반구축 및 재난분야 국토 위성 활용기술 개발, NDMI-주요-2022-03-03)에 의해 수행되었습니다.

References

  1. Choi, C.U., C.H. Lee, Y.C. Suh, and J.Y. Kim, 2009. Analytic techniques for change detection using Landsat, Journal of the Korean Association of Geographic Information Studies, 12(3): 13-20 (in Korean with English abstract).
  2. Choi, S., D. Yoo, K. Jin, and D. Lee, 2021. Current Industrial and Technological Trends in Aerospace, Korea Aerospace Research Institute, Daejeon, Korea, pp. 159-164.
  3. Fan, J.L. and B. Lei, 2012, A modified valley-emphasis method for automatic thresholding, Pattern Recognition Letters, 33(6): 703-708. https://doi.org/10.1016/j.patrec.2011.12.009
  4. Frank, M. and M. Canty, 2003. Unsupervised Change Detection for Hyperspectral Image, Proc. of 2003 JPL Airbone Earth Science Workshop, Pasadena, CA, USA, pp. 63-72.
  5. Gang, S.M., D.H. Ryu, Y.C. Choi, and Y.J. Choung, 2017. Unity3D-based flood simulation visualization web system for efficient disaster management, Journal of the Korean Association of Geographic Information Studies, 20(1): 98-112 (in Korean with English abstract). https://doi.org/10.11109/kagis.2017.20.1.098
  6. Goo, S.H., Y.W. Chun, K.S. Pyo, and Y.J. Park, 2015. Development of Public Safety Map and Activation Plan, Proc. of 2015 Korean Society of Disaster Information Conference, Ilsan, Korea, Nov. 27, pp. 276-277.
  7. Khaki, M., H.J.H. Franssen, and S.C. Han, 2020. Multi-mission satellite remote sensing data for improving land hydrological models via data assimilation, Scientific Reports, 10(1): 1-23. https://doi.org/10.1038/s41598-020-75710-5
  8. Kim, B., S.J. Noh, and S. Lee, 2022. Retrospective analysis of the urban inundation and the impact assessment of the flood barrier using H12 model, Journal of Korea Water Resources Association, 55(5): 345-356 (in Korean with English abstract). https://doi.org/10.3741/JKWRA.2022.55.5.345
  9. Kim, D., 2021. Toward developing satellite imagery acquisition and processing techniques for monitoring near real-time defense foundation GEOINT:A case study for inundation mapping of XePian Xe Namnoy Dam Collapse in Laos, Korean Journal of Military Art and Science, 77(3): 453-471 (in Korean with English abstract). http://doi.org/10.31066/kjmas.2021.77.3.018
  10. Kim, S.H., C.H. Lee, Y.S. Kim, and S.B. Hwang, 2016. A Study on development of flood damage estimation function for river infra structure with NDMS and WAMIS, Journal of Korean Society of Hazard Mitigation, 16(4): 81-87 (in Korean with English abstract). https://doi.org/10.9798/KOSHAN.2016.4.81
  11. Kim, Y. and K.M. Kang, 2021. A study on the utilization of SAR microsatellite constellation for ship detection, Korean Journal of Remote Sensing, 37(3): 627-636 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.3.21
  12. Kwak, J.Y. and D.G. Jeong, 2012. A study on the image formation system variable and performance analysis for optimum design of high resolution SAR, Journal of the Korean Society for Aeronautical & Space Sciences, 40(1): 49-60 (in Korean with English abstract). https://doi.org/10.5139/JKSAS.2012.40.1.49
  13. Lee, D., E.J. Cheon, H. Yun, and M.H. Lee, 2019. A Study on Water Surface Detection Algorithm using Sentinel-1 Satellite Imagery, Korean Jounal of Remote Sensing, 35(5-2): 809-818 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2019.35.5.2.5
  14. Lee, K.W., K.S. Kim, S.G. Lee, and Y.S. Kim, 2019. Consideration Points for application of KOMPSAT Data to Open Data Cube, Jounal of Korean Association of Geographic Information Studies, 22(1): 62-77 (in Korean with English abstract). https://doi.org/10.11108/kagis.2019.22.1.062
  15. Lee, K., S.G. Jeon, S.Y. Seong, and K.M. Kang, 2021. Technology Trend in Synthetic Aperture Radar (SAR) Imagery Analysis Tools, Jounal of Space Technology and Applications, 1(2): 268-281 (in Korean with English abstract). https://doi.org/10.52912/jsta.2021.1.2.268
  16. Lee, S., 2020. Study of the integrated management of flooding and inundation according to the unification of water management, Korea Environment Institute, Sejong, Korea.
  17. Lee, S., M. Lee, and H. Kang, 2020. Current Flood Conditions and Persistent Countermeasures, Korea Environment Institute Focus, Sejong, Korea.
  18. Li, H., Z. Luo, Y. Xu, S. Zhu, X. Chen, X. Geong, and Y. Cui, 2021. A remote sensing-based area dataset for approximately 40 years that reveals the hydrological asynchrony of Lake Chad based on Google Earth Engine, Journal of Hydrology, 603: 126934. https://doi.org/10.1016/j.jhydrol.2021.126934
  19. Mahdianpari, M., J.E. Granger, F. Mohammadimanesh, B. Salehi, B. Brisco, S. Homayouni, and M. Lang, 2020. Meta-analysis of wetland classification using remote sensing: A systematic review of a 49-year trend in North America, Remote Sensing, 12(11): 1882. https://doi.org/10.3390/rs12111882
  20. Moon, J.J., S.U. Gang, and J.J. Lee, 2020. National precipitation analysis of 2020 floods, Water for Future, 53(10): 135-143.
  21. Park, J., K.M. Kang, and E.H. Hwang, 2021. Extraction of Water Body Area using Micro Satellite SAR: A Case Study of the Daecheng Dam of South Korea, Journal of the Korean Association of Geographic Information Studies, 24(4): 41-54 (in Korean with English abstract). https://doi.org/10.11108/kagis.2021.24.4.041
  22. Park, S.E., 2016. Detection of water bodies from Kompsat-5 Sar data, Korean Journal of Remote Sensing, 32(5): 539-550 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2016.32.5.11
  23. Singh, A., 1989. Digital Change Detection Techniques Using Remotely Sensed Data, International Journal of Remote Sensing, 10: 989-1003. http//dx.doi.org/10.1080/01431168908903939
  24. Shafizadeh-Moghadam, H., M. Khazaei, S.K. Alaviphanah, and Q. Weng, 2021. Google Earth Engine for large-scale land use and land cover mapping: an object-based classification approach using spectral, textural and topographical factors, GIScience & Remote Sensing, 58(6): 914-928. https://doi.org/10.1080/15481603.2021.1947623
  25. Vos, K., K.D. Splinter, M.D. Harley, J.A. Simmons, and I.L. Turner, 2019. CoastSat: A Google Earth Engine-enabled Python toolkit to extract shorelines from publicly available satellite imagery, Environmental Modelling & Software, 122: 104528. https://doi.org/10.1016/j.envsoft.2019.104528
  26. Won, J., Y.S. Son, S. Lee, L. Kang, and S. Kim, 2021. Evaluation of Utilzation of Satellite Remote Sensing Data for Drought Monitoring, Korean Journal of Remote Sensing, 37(6-2): 1803-1818 (in Korean with English abstract). https://doi.org/10.7780/kjrs.2021.37.6.2.3
  27. Yang, H., J.S. Kim, H. Cheon, and J.K. Kim, 2013. Characteristics and Analysis of Distortion on Synthetic Aperture Radar Image, Proc. of 2013 the Institute of Electronics and Information Engineers Summer Conference, Jeju, Jul. 3-5, p. 28.