Multi-resolution SAR Image-based Agricultural Reservoir Monitoring

농업용 저수지 모니터링을 위한 다해상도 SAR 영상의 활용

Abstract

Agricultural reservoirs are essential structures for water supplies during dry period in the Korean peninsula, where water resources are temporally unequally distributed. For efficient water management, systematic and effective monitoring of medium-small reservoirs is required. Synthetic Aperture Radar (SAR) provides a way for continuous monitoring of those, with its capability of all-weather observation. This study aims to evaluate the applicability of SAR in monitoring medium-small reservoirs using Sentinel-1 (10 m resolution) and Capella X-SAR (1 m resolution), at Chari (CR), Galjeon (GJ), Dwitgol (DG) reservoirs located in Ulsan, Korea. Water detected results applying Z fuzzy function-based threshold (Z-thresh) and Chan-vese (CV), an object detection-based segmentation algorithm, are quantitatively evaluated using UAV-detected water boundary (UWB). Accuracy metrics from Z-thresh were 0.87, 0.89, 0.77 (at CR, GJ, DG, respectively) using Sentinel-1 and 0.78, 0.72, 0.81 using Capella, and improvements were observed when CV was applied (Sentinel-1: 0.94, 0.89, 0.84, Capella: 0.92, 0.89, 0.93). Boundaries of the waterbody detected from Capella agreed relatively well with UWB; however, false- and un-detections occurred from speckle noises, due to its high resolution. When masked with optical sensor-based supplementary images, improvements up to 13% were observed. More effective water resource management is expected to be possible with continuous monitoring of available water quantity, when more accurate and precise SAR-based water detection technique is developed.

농업용 저수지는 수자원이 계절적으로 편중된 한반도에서 갈수기 용수 공급을 위한 필수적인 구조물이다. 효율적인 물 관리를 위해서는 중소규모 저수지에 대한 체계적이고 효과적인 모니터링이 필요하며, 합성개구 레이더(Synthetic Aperture Radar, SAR) 영상은 전천후 관측이 가능하다는 특징과 함께 연속적인 저수지 모니터링을 위한 도구가 된다. 본 연구에서는 10 m급 해상도를 갖는 Sentinel-1 SAR 영상과 1 m급 해상도의 Capella X-SAR 영상을 활용하여 울산광역시 차리, 갈전, 뒷골 저수지의 수체를 탐지하였으며, 이를 통해 국내 중소규모 저수지 모니터링에의 활용성을 평가하고자 하였다. Z fuzzy function 기반 임계값 산정을 통한 영상분할기법과 객체 탐지 기반 분할기법인 Chan-vese (CV) 기법을 통해 수체 영역을 산정하였으며, UAV 영상과의 비교를 통해 성능을 정량적으로 평가하였다. 임계값 기반 탐지 정확도는 Sentinel-1의 경우 약 0.87, 0.89, 0.77 (차리, 갈전, 뒷골), Capella의 경우 약 0.78, 0.72, 0.81로 나타났으며, CV 기법 적용 시 모든 저수지에서 정확도가 향상되는 것을 확인하였다(Sentinel-1: 0.94, 0.89, 0.84, Capella: 0.92, 0.89, 0.93). Capella는 모든 저수지/분할기법에 대해 수체와 비수체의 경계를 비교적 뚜렷하게 모의하였으나, 고해상도로 인한 speckle noise가 충분히 평활화되지 않아 오탐지 및 미탐지가 다소 발생하였다. 오탐지의 제거를 위해 광학 센서 기반 보조자료를 활용하여 마스킹한 결과, 정확도가 최대 13% 향상되는 것을 확인할 수 있었다. 본 연구 결과를 바탕으로 SAR 위성 기반 더욱 정확한 저수지 탐지가 이루어진다면 소규모 저수지를 포함, 종합적인 가용수량에 대한 연속적인 모니터링이 가능할 것이며, 효과적인 수자원 관리에 기여할 수 있을 것으로 기대된다.

1. 서론

연강수량의 대부분이 여름철에 집중적으로 발생하는 한반도에서 농업용 저수지는 계절적으로 편중된 수자원을 효과적으로 사용하기 위한 효과적인 수단으로, 홍수기의 풍부한 수량을 저류하여 관개기 및 갈수기에 사용하기 위한 필수적인 구조물이다(Kim et al., 2005; Yoo and Park, 2007). 농작물의 생육에 있어서 물은 필수적이므로 농업용 저수지의 용수공급능력은 농업적 가뭄에 대한 대응능력과 직결되는 중요한 요소이다(Ahn et al., 2004). 국내 농업용수는 우량 농지를 중심으로 약 70%는 한국농어촌공사에서, 그 외에는 지방자치단체에서 관리하고 있다. 한국농어촌공사에서 관리, 운영하는 농업용 저수지의 수는 3,438개이며 총 저수량은 약 30억톤에 달한다.

농업적 가뭄의 피해를 최소화하기 위한 노력으로 한국농어촌공사에서는 농업용 저수지의 저수율 정보를 바탕으로 농업가뭄관리시스템(Agricultural Drought Management System, ADMS)을 통해 전국의 논가뭄과 밭가뭄 현황을 제공하고 있다. 이러한 용수공급능력은 가뭄 대응을 위한 중요한 지표가 되므로 연구에도 다양하게 활용되고 있다. Lee et al. (2012)은 댐 하류의 용수 수요량이 증가하는 경우 추가용수공급 가능 여부를 판단하기 위해 다목적댐의 용수공급능력을 평가하고 추가공급 가능량을 산정하였으며, Choi et al. (2020)은 효율적인 저수지 운영방안을 위해 부족분 공급방식을 적용한 저수지 시스템의 용수공급능력을 평가하기도 하였다. 또한 선제적 가뭄 대응 체계를 구축하고자 하는 사회적 요구가 증가함에 따라 기후변화 시나리오를 고려하여 농업용 저수지의 기후변화 대응 능력을 평가하거나 (Nam et al., 2014), ARIMA 모형 및 자기회귀오차모형 등을 활용해 저수량 예측 모형을 구축하여 저수지 운영 방안을 개선하기 위한 연구가 수행되기도 하였다(Ahn et al., 2004).

Oh and Moon (2009)의 강우사상 변동 특성 분석에 따르면 7, 8월의 강우량이 커지고 편차가 증가함으로써 강우량의 양극화 현상은 과거에 비해 심화되는 양상을 보인다. 따라서 가뭄에 효과적인 대응을 위한 가뭄단계의 기준을 개선하거나, 저수지의 운영기준을 개발하기 위한 연구가 수행되기도 하였다(Mun et al., 2022). 특히, 강우사상이 변화됨에 따라 과거 강우사상의 반복을 기대하기보다는 체계적이고 효과적인 저수지의 모니터링 방안을 모색하여야 한다.

Kim et al. (2005)에 따르면 국내에서 축조된 농업용 저수지는 그 수가 약 18,000여개에 이르나, 자동 수위관측기가 설치된 경우는 극히 미진한 실정이다. 효율적인 물관리를 위해서는 모든 저수지에 수위관측 시스템을 구축하는 것이 바람직하나, 예산과 인식의 부족, 조사 및 기록 매뉴얼의 부재 등 다양한 한계로 인해 자료의 확보 및 활용이 제한적이다. 이러한 자료의 한계를 극복하기 위해 Daily Irrigation Reservoir Operation Model (DIROM) 모형을 통해 농업용수의 공급량을 추정하는 다양한 연구가 수행되기도 하였다(Im et al., 2000; Kang et al., 2014).

과거 이루어진 농업용수 공급량 추정 연구에서는 기상자료 외 실측 제공되는 자료가 부족하여 이론식을 통한 용수공급량 추정이 일반적이었으므로 실질적인 가뭄 대응에는 한계가 있었다. 하지만 최근에는 일정 규모 이상의 주요 농업용 저수지의 수위 및 용수로의 수위를 실시간으로 측정하고 기록하는 자동수위측정 센서를 지속적으로 설치해오고 있으며, 실측자료를 활용하여 용수공급량을 산정하는 연구도 이루어지고 있다 (Bang et al., 2021). 또한, 실측자료 부족의 한계를 극복하기 위해 인공위성을 활용하여 보다 폭 넓고 효율적인 저수지 관리 방안에 대한 연구도 수행되고 있다. 특히, 높은 공간해상도로 전천후 기상에서의 사용이 가능한 합성개구레이더(Synthetic Aperture Radar, SAR)를 활용한 저수지 탐지 연구가 활발히 이루어지고 있다. 일반적으로 거칠기가 낮은 수표면에서의 정반사 특성에 의해 SAR 후방산란계수는 낮은 값으로 나타난다(Martinis et al., 2015). 이에, 일정한 임계값을 산정한 이후 임계값 아래의 픽셀들을 수체로 지정하는 영상분할 기법이 이용된 바 있다(Jeong et al., 2021). Kim et al. (2022)은 Sentinel-1 SAR 영상을 이용하여 농업용 저수지의 가뭄 모니터링 가능성을 제시하기도 하였다.

SAR 자료를 이용한 농업용 저수지 모니터링 기술은 광범위한 지역에서 안정적으로 자료를 확보할 수 있다는 장점이 있다. Sentinel-1 위성 영상의 경우 약 10 m의 공간해상도를 가지고 있어 대규모 농업용 저수지를 모니터링 하는 데에는 적합하나, 100만톤 미만의 소규모 저수지에 활용하는 데에는 한계가 있다. 따라서 본 연구에서는 초소형위성으로 분류되는 Capella에서 제공되는 약 1 m급의 영상 자료와 함께 다해상도 자료를 기반으로 농업용 저수지 관측 활용성을 평가하고자 하였다. Sentinel-1과 Capella의 후방산란계수 분포 특성을 먼저 분석하였으며, 임계값 기반 영상분할기법과 객체 탐지기반 영상분할기법을 적용하여 저수지 수체를 탐지하고 탐지 성능을 정량적으로 평가하였다. 마지막으로, 광학 센서 기반 보조자료 활용 시 정확도가 향상되는 정도를 살펴보았다.

2. 연구지역 및 데이터

1) 연구지역

본 연구의 대상 저수지는 울산광역시 울주군에 위치한 차리, 갈전, 뒷골 저수지이다(Table 1; Fig. 1). 세 저수지는 모두 100만톤 이하의 저수지이며, 특히 뒷골 저수지는 총 저수량이 1.7만톤인 소규모 저수지이다. Table 1은 농촌용수종합정보시스템(RAWRIS: https://rawris.ekr.or.kr/), 농림축산식품 공공데이터 포털(https://data.mafra.go.kr/)에 공개된 각 저수지 제원을 나타낸다. Sentinel-1 SAR의 10 m급 픽셀 기준, 세 저수지는 만수위시 약 906, 415, 100 픽셀 정도의 수표면적을 가진다. 차리 저수지는 좌, 우측에 농지와 나지가 작게 분포하고 그 외 산지로 둘러싸여 있으며, 갈전, 뒷골 저수지는 각각 산지, 농지로 둘러싸여 있다(Fig. 1(b)).

Table 1. Target reservoir’s specifications

Fig. 1. Study area and SARimages used in the study.(a, b) Site description and (c-e)range, distribution of the backscattering coefficient from (left) Capella and (right) Sentinel-1, at Chari (CR), Galjeon (GJ), and Dwitgol (DG) reservoirs.

2) 데이터

본 연구에 사용된 모든 데이터를 Table 2에 기재하였다. Sentinel-1, Capella 자료는 저수지 수체를 탐지하는 데 사용되었으며, UAV (국립재난안전연구원 촬영; NDMI, 2021) 영상은 검증에, Sentinel-2 영상 및 Global Surface Water Explorer (GSWE) (Pekel et al., 2016) 데이터는 수체 탐지 결과를 보정하는 데 사용되었다. 2022년 6월 29일에 확보된 Capella 영상을 기준으로 같은 날짜인 Sentinel-1 영상이 사용되었으며, UAV, Sentinel-2 영상은 가능한 가까운 날짜에 확보된 자료를 활용하였다.

Table 2. Data used in the study

(1) Sentinel-1 SAR

Sentinel-1 SAR는 능동형 마이크로파(active microwave) 위성으로, 단일 혹은 듀얼 편파(VV-, VH-polarization) C밴드(5.405 GHz) 대역의 레이더를 탑재하고 있다. 레이더는 후방산란신호(backscattered signal)를 수신하며, 이 때 지표면의 물리, 전기적 특성으로 위상(phase)과 진폭(amplitude)이 달라지게 된다. 진폭 정보를 포함하는 Ground Range Detected (GRD) 자료는 획득 방식에 따라 3가지 영상 모드(Stripmap, SM; Interferometric Wide swath, IW; Extra wide swath, EW)가 존재하며, 그 중 Scanning SAR (ScanSAR) 운용 모드 기반인 IW 영상 모드는 약 20 m (range)×22 m (azimuth)의 공간해상도를 지닌다. 본 연구에서는 Google Earth Engine (GEE)에서 배포되는 10 m×10 m 급 IW-GRD 자료를 사용하여 VV편파 후방산란계수를 도출하였다(Fig. 1(c-e)).

(2) Capella X-SAR

Capella 위성은 HH-편파 X밴드(9.4–9.9 GHz) 레이더를 탑재하고 있으며, 획득 방식에 따라 3가지 영상 모드 (Spotlight, Sliding spotlight, 그리고 Stripmap)가 존재한다 (Stringham et al., 2019). 데이터는 형식에 따라 6가지(Single Look Complex, SLC; Geocoded Ellipsoid Corrected, GEC; Multi-lookedGeocoded,GEO; SensorIndependentComplex Data, SICD; Sensor Independent Derived Data, SIDD; Compensated Phase History Data, CPHD)로 구분된다. 본 연구에서는 stripmap 영상 모드 기반 0.95 m (range)×1.59 m (azimuth)의 공간해상도를 지니는 GEO 자료를 1 m×1 m 해상도로 리샘플링하여 사용하였다(Fig. 1(c-e)). GEO 자료는 범위 압축(range-compressed), 탐지 (detected), multi-looking과 더불어 고해상도 수치표고모형(Digital Elevation Model, DEM) 기반 지형 높이 보정이 적용된 형태로 제공된다.

(3) 보조자료

국립재난안전연구원에서는 2021년부터 국내 중소규모 저수지에 대한 UAV 관측을 이어오고 있다(NDMI, 2021). 저수지의 촬영은 지상기준점(Ground Control Point, GCP) 측량과 함께 이루어지며, 이후 디지타이징 (Digitizing) 작업을 통해 통해 수체 영역이 산정된다. 2022년 5월 27일에 확보된 수체 영역 데이터는 SAR 위성 수체 탐지 결과를 검증하는 데 활용되었다. Sentinel-2 자료는 GEE를 통해 확보되었으며, MultiSpectral Instrument (MSI) 자료에 대기보정이 완료된 Level-2A, Green/Near Infrared (NIR) 밴드를 사용하여 Normalized Difference Water Index (NDWI)를 도출하였다(식(1)).

\(\begin{aligned}NDWI=\frac{Green-NIR}{Green+NIR}\end{aligned}\)       (1)

GSWE는 30년 이상의 Landsat 5 Termatic Mapper (TM), Landsat 7 Enhanced Thematic Mapper-plus(ETM+), Landsat 8 Operational Land Imager (OLI) 기반 전세계의 수체 영역 및 변화 분석을 위한 자료로서, Occurrence, Transitions, Maximum extent 등의 정보를 제공한다(Pekel et al., 2016). 본 연구에서는 오탐지 픽셀 제거를 목적으로 Maximum extent 자료가 사용되었다. 연구에 사용된 모든 자료는 WGS84 (EPSG:4326) 좌표계로 리샘플링되었다.

3. 방법론

1) 임계값 기반 영상분할기법: Z fuzzy function-based thresholding

수체에서는 일반적으로 비수체 대상에 비해 낮은 후방산란계수가 관측되므로(Martinis et al., 2015), 본 연구에서는 Z fuzzy function (Pal and Rosenfeld, 1988) 기반 임계값 산정 기법을 적용하였다(Fig. 2). Grimaldi et al. (2020)에 따라, 각각의 SAR 이미지에 대한 Z fuzzy function의 두 파라미터 z₁, z₂는 다음과 같이 결정된다(Fig. 3).

Fig. 2. Z fuzzy function. The degree of membership assigned to each pixel is directly interpreted as the probability of being water.

Fig. 3. Probability Density Function (PDF) of normalized backscatter from (a-c) Sentinel-1, (d-f) Capella at (a, d) CR, (b, e) GJ, (c, f) DG reservoirs and fitted Gaussian distribution. z₁ and z₂ are expressed as black vertical line and red dashed line, respectively.

(1) 각 이미지의 확률밀도함수(Probability Density Function, PDF)에 대 해 첫 번 째 극 댓 값 (local maximum)을 갖는 후방산란 값을 도출하여, 이를 z₁으로 정한다.

(2) z₁ 이하의 값을 갖는 픽셀들의 PDF에 z₁을 평균(µ)으로 하는 가우시안 분포를 피팅(fitting)하여 가우시안 분포의 표준편차 s를 계산한다. 이 때, 피팅에는 이미지의 PDF와 피팅되는 가우시안 분포 PDF의 Root Mean Square Error (RMSE)를 최소화하는 방법이 사용되었다(Matgen et al., 2011).

(3) µ + 2s를 z₂로 정한다. 이후, z₁ 이하의 후방산란값을 갖는 픽셀들은 수체로 지정되며, z₁과 z₂ 사이의 픽셀들에 대해 Z fuzzy function에 따라 수체일 확률(Degree of membership, DoM)이 계산된다(Grimaldi et al., 2020; Pierdicca et al., 2008).

2) 객체 탐지 기반 영상분할기법: Chan-vese (CV)

Chan-vese active contour model (CV)은 곡선 내부(객체) 및 외부 픽셀들의 분포를 기반으로 객체를 탐지하는 기법이다(Chan and Vese, 2001). 본 연구에서의 대상 객체는 저수지 수체이며, 수체를 둘러싸는 곡선 C는 분할 에너지 함수(segmentation energy function)의 최소화를 통해 계산된다(식(2)).

\(\begin{aligned} E\left(C, c_{1}, c_{2}\right)= & \mu L(C)+\lambda_{1} \int_{\text {inside(C) }}\left|u_{0}-c_{1}\right|^{2} d x \\ & +\lambda_{2} \int_{\text {inside(C) }}\left|u_{0}-c_{2}\right|^{2} d x\end{aligned}\)       (2)

여기서, u₀는 입력된 SAR 이미지, c₁, c₂는 곡선 내, 외부후방산란계수의 평균, L(C)는 regularizing 함수, μ, λ₁, λ₂는 양의 가중치 파라미터이다(Dandawate and Kinlekar, 2013; Mao et al., 2015).

3) 검증 도구

수체 탐지 결과의 정량적 정확도 평가는 혼동 행렬 (Confusion matrix) 기반 평가지표를 통해 이루어졌다 (Table 3). 오탐지, 미탐지 정도를 파악하기 위해 정밀도 (Precision; 식(3)), 재현율(Recall; 식(4))이 사용되었으며, 종합적인 정확도 평가를 위해 정확도(Accuracy; 식(5))가 사용되었다. 추가적으로, 객체(i.e., 수체) 인식 모델의 성능 평가에 활용되는 Intersection over Union (IOU; 식(5))이 사용되었다. 네 지표 모두 [0, 1]에서 정의되며, 1에 가까울수록 좋은 성능을 가짐을 의미한다.

Table 3. Confusion matrix

\(\begin{aligned}Precision = \frac{TP}{TP+FP}\end{aligned}\)       (3)

\(\begin{aligned}Recall = \frac{TP}{TP+FN}\end{aligned}\)       (4)

\(\begin{aligned}Accuracy = \frac{TP+TN}{TP+FN=FP+TN}\end{aligned}\)       (5)

\(\begin{aligned}IoU=\frac{TP}{TP+FP+FN}\end{aligned}\)       (6)

4. 연구 결과 및 토의

1) 후방산란계수 분포 특성 및 Z fuzzy function 파라미터

Fig. 3은 각 이미지에서 계산된 Z fuzzy function의 두 파라미터 z₁, z₂를 나타낸다. Sentinel-1 후방산란계수의 분포는 저수지별로 매우 상이한 반면, 고해상도 Capella 후방산란계수는 모든 저수지에서 유사한 분포 특성을 가진다(Li et al., 2011). 여기서, 바이모달(bimodal) 분포를 가정하는 영상 이진분류 기법이 본 연구 대상인 중소규모 저수지에 적용하기에는 한계가 있다는 것이 나타난다(Jeong et al., 2021; Kittler and Illingworth, 1986). UAV 영상 기반 수체 영역(UAV-detected water boundary, UWB) 내부의 후방산란계수의 분포(하늘색 음영)는 픽셀 개수가 제한적인 뒷골 저수지, Sentinel-1 영상의 경우(Fig. 3(c))를 제외하고는 균일한 대상에 대한 후방산란 분포 특성인 감마분포를 따른다(Matgen et al., 2011). Sentinel-1의 경우 하위 약 30%의 후방산란계수 영역에서 전체 픽셀의 PDF와 UWB의 PDF가 거의 일치하는데, 이는 실제 수체 영역을 제외하고는 낮은 후방산란계수가 관측되지 않았음을 의미한다(Fig. 1(c-e)). 반면 Capella 영상의 경우 1 m급의 해상도로 인해 타 토지피복(e.g., 도로)에서 일부 나타나는 낮은 후방산란 신호(Negri et al., 2006)가 충분히 평활화(smoothing) 되지 않아 전체 픽셀과 UWB의 분포간 차이가 나타난다. 피팅된 가우시안 분포(fitted Gaussian distribution, fGD)와 비교 시, Sentinel-1의 경우 fGD가 UWB의 PDF 아래 영역에 존재하므로 오탐지의 위험이 작은 반면 미탐지가 다수 발생할 것으로 예상할 수 있다. 한편, Capella는 fGD가 UWB의 PDF를 포함하고 있어, fGD 영역과 UWB의 PDF 영역의 차이만큼의 오탐지 위험이 있다. 이는 특히 차리, 갈전 저수지에서 두드러진다.

2) 영상분할기법 적용 결과 및 평가

Section 4–1에서 결정된 z₁, z₂는 Z fuzzy function (Fig. 2)을 통해 각 픽셀별 DoM을 계산하는 데 사용된다. Fig. 4는 이미지 별 후방산란계수 및 DoM을 나타낸다. 본 연구에서 Sentinel-1 영상은 전처리 과정 중 커널 사이즈 5의 Lee 필터를 통해 필터링 되었으며(Billa and Pradhan, 2011), 이를 통해 이미지 내 speckle noise의 영향이 적은것을 확인할 수 있다. 이에 따라 수체 외 픽셀에서는 대부분 임계값(DoM 0.5 기준 약 –14.4 ± 0.9 dB) 이상의 값이 나타나며 DoM>0인 픽셀은 일부를 제외하고 모두 UWB 안에 위치하게 된다. UWB와의 비교를 위해 DoM=0.5 기준으로 이진 분류 시, 정밀도는 0.99 (차리), 1.00 (갈전), 1.00 (뒷골)으로 나타났다(Table 4). 그러나, 필터링 과정에서 수체-비수체의 경계 픽셀들은 주변 픽셀에 의한 영향으로 수체 중앙 픽셀 대비 높은 값을 가지게 되며, 이는 경계 픽셀의 정보 손실(Yommy et al., 2015) 및 미탐지로 이어진다. 이러한 현상은 수체와 가까운 곳에 인공 구조물이 있는 경우(Chini et al., 2018), 수체 폭이 좁은 경우 두드러진다. 차리 저수지에서는 취수탑 및 좌/우측 인공구조물에 의한 영향이 나타나며 (Fig. 4(a)), 갈전 저수지에서 또한 취수탑에 의한 영향, 상단 좁은 저수지 폭에 의한 미탐지를 확인할 수 있다 (Fig. 4(b)). 이에 따라 세 저수지에서 재현율은 각각 0.53, 0.27, 0.29로 산정되었다.

Fig. 4. Degree of Membership (DoM) from Z fuzzy function using (a-c) Sentinel-1, (d-f) Capella. UAV-detected water boundary (UWB) is expressed with blue solid line.

Table 4. Performance metrics of Fig. 4

고해상도 SAR는 비균질한(heterogeneous) 대상지 관측 시 독립적인 스캐터(scatter)에 비교적 더 민감하며 (Pappas et al., 2018), 수표면에서 발생하는 작은 스캐터에도 영향을 받아 거친 표면으로 표출될 가능성이 존재한다(Pappaset al., 2021). 본 연구에 사용된 Capella 영상에서 또한 동일한 현상을 확인할 수 있으며, 이로 인해 불연속적인 오탐지 및 미탐지가 발생하였다(Fig. 4(d-f)). 이에 따라 정밀도는 각 0.58, 0.33, 0.69으로 Sentinel-1 대비 낮은 결과가 나타났으며, 수체 내부적으로도 약 21–24%의 오차가 발생하는 것을 확인하였다. 결과적으로 오탐지의 비율이 높은 차리, 갈전 저수지에서는 Sentinel-1의 약 86%, 오탐지의 비율이 낮은 뒷골 저수지에서는 약 116%의 종합적인 정확도를 보였다. 시각적으로, 수체-비수체의 경계가 분명하고 UWB와 다소 일치한다는 점, 수체 내부의 인공 구조물에 의한 영향이 작다는 점은 매우 긍정적으로 평가된다.

고해상도 SAR 영상 기반 수체 탐지 시 발생하는 불연속적인 오탐지는 앞선 연구에서도 확인할 수 있다 (Park et al., 2021). 선행연구에 따라, CV 기법을 적용하기 이전 Capella 영상은 2차원 가우스 평활화 커널을 통해 한번더 필터링되었다. Fig. 5(d-f)는 평활화 이전의 후방산란계수와 평활화 및 CV 기법이 적용된 결과를 보인다. CV는 2-D grid space에서 컨투어(contour)의 조정을 통해 객체를 분류하므로(Mao et al., 2015), 임계값 기반 분류 기법 대비 수체 탐지 결과가 공간적으로 연속적이며, 대상 수체와 분리되어 있는 낮은 후방산란계수에 의한 오탐지가 현저히 줄어든다. 이에 따라, Sentinel-1 수체탐지 결과의 정밀도를 제외한 모든 성능 지표가 향상되었다(Table 5). Sentinel-1의 경우 임계값 기반 분류 결과 대비 오탐지가 일부 발생하였으나 수체와 비수체가 분류되었다는 점(Fig. 5(a-c)), Capella의 경우 차리 저수지 상단 도로에 의한 낮은 후방산란계수가 필터링 이후 수체와 구분할 수 없게 되었으나(Fig. 5(d)) 이를 제외한 모든 수체-비수체 경계가 UWB와 상당히 일치한다는 점이 확인되었다. 종합적인 정확도는, 정확도(accuracy) 기준 Sentinel-1은 0.94, 0.89, 0.84, Capella는 0.92, 0.89, 0.93으로 차리, 갈전 저수지에서는 유사하나 소규모인 뒷골 저수지에서는 Capella가 우수한 결과를 보였다.

Table 5. Performance metrics of Fig. 5

Fig. 5. Water detected from Chan-vese (CV) segmentation algorithm using (a-c) Sentinel-1, (d-f) Capella. UAV-detected water boundary (UWB) is expressed with blue solid line.​​​​​​​

3) 보조자료의 활용성 및 정확도 향상 정도 검토

앞선 결과들은 약 10배 고해상도인 Capella 영상이 Sentinel-1 대비 UWB 즉, 실제 수체 영역을 모의하는 데는 유리하지만 거칠기에 의한 영향이 비교적 커 픽셀 수준의 종합적인 정확도는 유사하다는 것을 보인다. 추가적인 필터링을 거칠 시(특히 소규모 저수지에서) 정확도가 상당히 향상되나 과도한 필터링은 고해상도 영상의 이점인 대상지에 대한 많은 정보의 손실로 이어질 수 있다(Sebastianelli et al., 2022). 이에, 정보(또는 해상도)의 손실을 최소화하는 필터링 기법을 활용하거나(Yommy et al., 2015; Yuan et al., 2018) 해상도에 구애 받지 않는 분류 기법(e.g., superpixel segmentation)을 활용하는 연구 (Pappas et al., 2021)들이 이루어져 왔다. 본 절에서는 필터링 또는 분류 기법은 유지한 채 광학 센서 기반 보조자료를 활용하여 후처리(마스킹) 시 정확도가 향상되는 정도를 살펴보기 위해 Sentinel-2 영상과 장기간의 Landsat 영상을 기반으로 생산된 water extent 자료를 사용하였다. 오탐지의 영향이 지배적인 차리, 갈전 저수지를 대상으로 하였다.

Fig. 6은 Sentinel-2 영상을 활용하여 계산된 NDWI, GSWE의 water extent 지도와 NDWI>0, GSWE=1을 기준으로 Fig. 4(d, e)의 결과를 마스킹한 Capella 영상을 나타낸다. 마스킹 결과 오탐지 픽셀의 제거로 정밀도 기준 평균 약 116% (0.45 → 0.97), 정확도 기준 평균 약 11% (Sentinel-2 사용 시, 0.82 → 0.91), 13% (GSWE 사용 시, 0.82 → 0.93) 향상되었다(Table 6). 그러나, 보조자료의 해상도 한계(각 10 m, 25 m)로 인해 실제 수체인 영역의 일부를 탐지하지 못하여 재현율은 오히려 감소하는 결과가 나타났다. 특히, 25 m 해상도인 GSWE 자료가 갈전 저수지를 크게 과소평가하여(Fig. 6(d)) 60% 이상의 미탐지로 이어졌다. Fig. 4와 Fig. 5에 보인 Capella 기반수체-비수체 경계가 UWB와 상당히 유사하다는 것을 고려하였을 때, 고해상도 광학 위성영상 또는 UAV 영상을 저수지 만수위시에 확보할 수 있는 경우 한 장의 영상만으로도 효과적인 보조자료로서의 역할이 가능할 것으로 판단된다.

Fig. 6. Optical sensor-based supplementary images and their applications. (a) Sentinel-2-derived Normalized Difference Water Index (NDWI), (c) Global Surface Water Explorer (GSWE) Water Extent product over study area. (b) and (d) shows water surface detected from Capella, using Z fuzzy function-based threshold, masked with NDWI, GSWE, respectively.​​​​​​​

Table 6. Performance metrics of Fig. 6(b, d)​​​​​​​

5. 결론 및 요약

본 연구에서는 Sentinel-1 SAR 영상과 Capella SAR 영상에 임계값 기반 영상분할기법(Z fuzzy function-based thresholding) 및 객체 탐지 기반 영상분할기법(Chanvese, CV)을 적용하여 중소규모 저수지의 수체를 탐지하고 각 위성영상 및 기법의 성능을 정량적으로 평가하였다. 해상도가 크게 차이나는 두 SAR 후방산란계수의 분포 특성과 해상도에 의한 영향을 평가하고, 국내에서 활용성이 충분히 연구되지 않은 초소형 위성 자료를 통해 중소규모 저수지의 모니터링 가능성을 확인했다는 점에서 그 의미가 있다고 판단되며, 본 연구를 통한 결과를 다음과 같이 요약할 수 있다.

1) Sentinel-1 영상은 10 m급 해상도, 필터링에 의해 speckle noise에 의한 영향이 적어 일반적으로 비수체 지역에서 낮은 후방산란계수가 관측되지 않으며, 오탐지의 위험이 비교적 적다.

2) Capella 영상은 1 m급 해상도로 인해 픽셀 단위 스캐터에 민감하고 수표면 영역 내 작은 스캐터에도 영향을 받아 오탐지 및 미탐지의 위험이 크다. 추가적인 필터링 과정을 거칠 시 오탐지와 미탐지 비율이 상당히 줄어드나, 과도하게 필터링할 경우 정보의 손실로 이어질 수 있다.

3) 임계값 기반 영상분할기법은 픽셀간 관계를 고려할 수 없고 픽셀의 값 자체만으로 이진분류하기 때문에 오탐지 및 미탐지가 많이 발생하는 반면, CV 기법은 2-D grid space 상에서 객체를 분류하는 만큼 수체 탐지 결과가 연속적이고(미탐지의 감소) 오탐지율이 감소한다.

4) 두 기법을 적용한 결과 모두 UAV-detected water boundary (UWB)와의 시각적 일치 정도는 Capella가 우수하나, 픽셀 수준의 종합적인 정확도는 유사한 것으로 나타났다. 소규모 저수지의 경우 Capella가 유의미하게 우수했다.

5) 광학 센서 기반 보조자료를 활용하여 후처리 시수체 탐지 결과가 향상되나, 보조자료의 해상도가 너무 낮은 경우 미탐지로 이어져 정확도의 감소가 발생할 수 있다.

SAR 위성 기반 정확한 저수지 수체 탐지가 이루어진다면 유역 또는 행정구역 내 가용수량에 대한 연속적인 모니터링이 가능하다. 특히, 초소형 위성자료는 높은 시공간해상도를 특징으로 하므로, 중소규모 저수지에 대한 수량 파악을 통해 효과적인 수자원 관리가 이루어질 것으로 기대된다. 본 연구에서는 두 위성의 해상도에 의한 영향만을 다루었으나, 동일편파-교차편파(co-, crosspolarization) 또는 VV 편파-HH 편파와 관련된 정확도 이슈(Brisco et al., 2013; Pierdicca et al., 2013), 관측 파장대 (C-band, X-band)와 관련된 정확도 이슈(Grimaldi et al., 2020)가 존재하므로, 국내 지표 특성에 맞는 파장대와 편파에 대한 연구가 이루어진다면 수체 탐지 정확도 향상에 크게 기여할 수 있을 것으로 보인다.