Study on the Possibility of Estimating Surface Soil Moisture Using Sentinel-1 SAR Satellite Imagery Based on Google Earth Engine

Google Earth Engine 기반 Sentinel-1 SAR 위성영상을 이용한 지표 토양수분량 산정 가능성에 관한 연구

Abstract

With the advancement of big data processing technology using cloud platforms, access, processing, and analysis of large-volume data such as satellite imagery have recently been significantly improved. In this study, the Change Detection Method, a relatively simple technique for retrieving soil moisture, was applied to the backscattering coefficient values of pre-processed Sentinel-1 synthetic aperture radar (SAR) satellite imagery product based on Google Earth Engine (GEE), one of those platforms, to estimate the surface soil moisture for six observatories within the Yongdam Dam watershed in South Korea for the period of 2015 to 2023, as well as the watershed average. Subsequently, a correlation analysis was conducted between the estimated values and actual measurements, along with an examination of the applicability of GEE. The results revealed that the surface soil moisture estimated for small areas within the soil moisture observatories of the watershed exhibited low correlations ranging from 0.1 to 0.3 for both VH and VV polarizations, likely due to the inherent measurement accuracy of the SAR satellite imagery and variations in data characteristics. However, the surface soil moisture average, which was derived by extracting the average SAR backscattering coefficient values for the entire watershed area and applying moving averages to mitigate data uncertainties and variability, exhibited significantly improved results at the level of 0.5. The results obtained from estimating soil moisture using GEE demonstrate its utility despite limitations in directly conducting desired analyses due to preprocessed SAR data. However, the efficient processing of extensive satellite imagery data allows for the estimation and evaluation of soil moisture over broad ranges, such as long-term watershed averages. This highlights the effectiveness of GEE in handling vast satellite imagery datasets to assess soil moisture. Based on this, it is anticipated that GEE can be effectively utilized to assess long-term variations of soil moisture average in major dam watersheds, in conjunction with soil moisture observation data from various locations across the country in the future.

클라우드 플랫폼을 이용한 빅데이터 처리기술의 발달로 위성영상과 같이 용량이 큰 자료에 대한 접근 및 처리와 분석이 최근 획기적으로 개선되고 있다. 본 연구에서는 그 플랫폼 중 하나인 Google Earth Engine (GEE) 기반의 전처리 완료된 Sentinel-1 합성개구레이더(synthetic aperture radar, SAR) 위성영상 자료의 후방산란계수 값에 비교적 간단한 토양수분량 추출 방법인 Change Detection Method를 적용하여, 2015~2023년의 국내 용담댐 유역 내 6개 관측소 지점 및 유역 평균에 대한 지표 토양수분량을 산정 후 실측과의 상관성 분석 및 GEE의 활용성을 검토하였다. 그 결과 SAR 위성영상 자체의 지표 측정 정확도와 자료간 특성 변동 등으로 인해 유역 내 관측소별 일부구역에 대해 산정한 지점 지표 토양수분량은 VH와 VV 편파에서 모두 0.1~0.3 수준의 낮은 상관성이 확인된 반면, 유역 전체 면적에 대한 평균 SAR 후방산란계수 값 추출 및 이동평균으로 자료의 불확실성 및 변동성을 완화시킨 유역 평균 지표 토양수분량은 0.5 수준의 향상된 결과를 보였다. 이렇게 GEE를 활용하여 산정된 토양수분량의 결과는 SAR 자료의 전처리에 있어 직접적으로 원하는 분석을 수행하지 못하는 제한점은 있지만, 방대한 위성영상 자료를 효율적으로 처리하여 장기간의 유역 평균과 같은 넓은 범위의 토양수분량을 산정, 평가해 볼 수 있다는 점에서 그 활용성을 확인할 수 있었다. 이를 바탕으로 향후 국내 여러 지점의 지표 토양수분량 관측자료와 연계해 주요 댐 유역의 평균지표 토양수분량 장기 변화 파악 등에 유용하게 활용될 수 있을 것으로 기대된다.

1. 서론

최근 다양한 인공위성영상을 활용한 수자원 관리 분야 적용 연구가 활발한 가운데, 합성개구레이더(synthetic aperture radar, SAR) 위성 영상을 이용한 지표면의 토양수분량 산정 연구가 국내에서 다수 진행되어 왔다(Lee et al., 2017; Kim et al., 2019; Cho et al., 2020; Chung et al., 2020; Chung et al., 2021; Choi and Cho, 2022; Lee et al., 2022; Lee et al., 2023b). 가용한 여러 SAR 자료 중 특히 유럽 우주국(European Space Agency, ESA)의 Sentinel-1 위성영상은 지상 약 10 m의 공간 고해상도와 촬영 후 24시간 이내에 전용 웹사이트를 통해 무료로 공개되는 이점으로 그 연구 활용도가 매우 높다. Sentinel-1A와 1B의 두 위성에서 촬영된 동일 Interferometric Wide Swath (IW) 모드의 Ground Range Detected (GRD) product SAR 위성영상은 보통 SeNtinel Application Platform (SNAP)과 같은 전용 툴을 이용한 전처리 과정을 거쳐 토양수분량 산정 및 관련 시계열(time-series) 변화 분석 등에 활용되고 있다.

Sentinel-1 SAR 위성영상을 이용한 토양수분량의 산정은 주로 전처리된 레이더 영상의 후방산란계수(backscattering coefficient, σ⁰)와 토양수분 간의 통계적인 관계를 이용하며, SAR 센서의 편파(polarization)에 따른 분석, 입사각(incidence angle) 보정(Cho et al., 2020; Cho et al., 2021), 토양수분 외 수리특성 및 식생 등의 지면요소를 고려한 모형 적용(Kim et al., 2020; Cho et al., 2021; Chung et al., 2023) 등 다양한 연구가 이루어져 왔으며 최근에는 인공지능 알고리즘을 도입한 사례도 소개되고 있다(Chung et al., 2022; Jeong et al., 2022). 하지만 상기 연구에서 선행되어야 하는 SAR 자료의 전처리를 위해 다수의 대용량 자료를 직접 다운로드 후 관련 툴을 통해 분석하는데 다소 복잡하고 많은 시간이 소요되는 자료 취급상의 한계가 있다.

최근 클라우드 플랫폼을 이용한 빅데이터 처리기술의 발달로 위성영상과 같이 용량이 큰 자료에 대한 접근성이 획기적으로 개선되고 있다. Google Earth Engine (GEE)은 그 플랫폼 중 하나로 Google에서 무료로 제공, 전 세계적으로 널리 이용되고 있는 기술 서비스로(Gorelick et al., 2017) 위성영상을 포함한 다양한 지구관측 및 모델 데이터베이스와 Platform as a Service (PaaS) 및 Software as a Service (SaaS)의 사용자 친화적인 클라우드 기반 컴퓨팅 인터페이스(application programming interface, API)인 JavaScript Code Editor 및 Python Google Colaboratory를 통해 광범위한 자료의 접근과 효율적인 처리가 가능하다(Mutanga and Kumar 2019; Amani et al. 2020; Park and Kang, 2022; Lee et al., 2023a). 이러한 패러다임의 전환은 지구관측 위성영상을 활용하는 연구자들에게 다양한 응용 연구를 가능케하고, 복잡한 분석을 수행할 수 있는 향상된 기능을 제공하여 관련 의사 결정을 효과적으로 지원할 수 있게 한다.

한편, GEE에서 제공하는 Sentinel-1 위성영상 자료는 SNAP Sentinel-1 Toolbox를 통해 진행하는 여러 전처리 중 열 잡음 보정(thermal noise removal), 방사보정(radiometric calibration), 지형보정(terraincorrection) 그리고 dB 스케일 변환 등을 이미 마친 GRD product이기 때문에 자료의 별도 추가적인 처리 없이도 SAR 이미지의 후방산란계수 dB 값 확인 및 이로부터 원하는 분석이 가능하다.

본 연구에서는 이러한 GEE 기반의 전처리 완료된 Sentinel-1 SAR 위성영상의 레이더 후방산란계수 값으로부터 비교적 간단한 토양수분량 추출 방법인 Change Detection Method (Wagner et al., 1999b; Hornacek et al., 2012)를 적용하여 댐 유역 내 관측지점에 대한 지표 토양수분량을 산정 후 실측과의 상관성을 찾고자 하며, 이와 더불어 유역 전체 평균에 해당하는 수치를 산출 후 이를 실측 평균의 시계열과 비교함으로써 댐 유역 단위의 토양수분량 산정에 있어서의 GEE의 활용성 검토와 그 과정에서의 자료 불확실성 및 변동성 개선 방법을 제시하고자 한다.

2. 연구자료 및 방법

2.1. 대상 유역

본 연구의 대상은 용담댐 유역으로 금강 상류, 북위 35°35′~36°00′, 동경 127°20′~127°45′에 위치하고 있으며 무주군, 진안군, 장수군을 포함한 충청남도, 전라북도, 경상남도에 속해 있다. 유역의 면적은 930 km²로 금강유역의 약 9.5%를 차지하고 있으며 8개 표준유역과 5개 유입하천 그리고 유역의 출구에 높이 70 m, 길이 498 m, 총 저수량 815백만 m³의 용담댐이 있다. 용담댐 유역에는 Fig. 1과 같이 수위/유량, 강수량, 증발산량 및 토양수분량의 수문기상 자료를 생산하기 위한 총 22개의 관측소를 K-water에서 운영 중이며, 기상의 경우 총 4개소의 기상청 방재기상관측 및 종관기상관측소가 위치해 있다. 토지 이용은 대부분 산지와 농업지역으로 각각 70.6, 25.9%를 차지하고 있으며, 유역의 토양은 주요하게 가파(GAPA), 금곡(GEUMGOG), 논고(NONGO), 고흥(GOHEUNG) 그리고 나산(NASAN) 등의 다양한 수문학적 유출 특성을 가진 토양통들로 이루어져 있다(Cho, 2020).

Fig. 1. Location of the study area (Yongdam Dam watershed).

2.2. 연구 자료

2.2.1. 관측 토양수분량

관측 토양수분량은 용담댐 유역 내에 설치된 총 6개소의 지점 자료를 이용하였다. 각 관측소에는 Time Domain Reflectometry (TDR) 센서가 지표 하 10, 20, 40, 60 그리고 80 cm의 깊이에 설치되어 있는데, 본 연구에서는 Sentinel-1 위성에 탑재된 주파수 5.405 GHz C-band SAR 센서의 최대 6 cm 지표 투과성을 고려하여(Flores-Anderson et al., 2019) 지표면에서 가장 가까운 10 cm 깊이에 설치된 센서를 통해 측정된 토양수분 값만 사용하였다. Table 1은 각 토양수분량 관측소의 위치 및 토양특성(토양통과 통일분류법 기호) 정보로 관측지점의 표층 토양은 대부분 Silty Sand (SM) 또는 Silt with Low compressibility (ML)로 구성되어 있고, 안천의 경우에만 Clay with Low compressibility (CL)로 이루어져 있다(Lee et al., 2019). 한편, 각 관측소별 토양수분량의 관측은 2013년 4월에 개시되었으나, 본 연구에서 사용하고자 하는 Sentinel-1 위성영상의 경우 2015년 5월부터 자료의 취득이 가능하여 관련 분석에는 2015년부터 2023년까지의 총 9개년 일관측 자료만을 이용하였다.

Table 1. Site information of the soil moisture observatories

^a)Meters Above Sea Level, ^b)Unified Soil Classification System.

2.2.2. Sentinel-1 SAR GRD

GEE에서 Earth Engine Data Catalog를 통해 제공되는 Sentinel-1 SAR GRD는 기본적으로 ESA Copernicus Program의 Level-1 GRD products와 동일하며, 상승(ascending) 또는 하강(descending) 궤도의 Sentinel-1 위성에서 여러 기기 구성(instrument configuration), 해상도, 밴드 조합으로 자료가 수집되기 때문에 Table 2에 제시된 주요 속성으로 필터링하여 사용할 수 있도록 되어 있다. 또한, 자료에는 HH, HV, VV, VH 그리고 angle 총 5개 밴드(Table 3)가 있어 추가적인 선별 후 원하는 지점 혹은 영역에 대한 후방산란계수 값 추출이 가능하다.

Table 2. Common metadata fields used for filtering Sentinel-1 SAR GRD properties

^a)In addition,various information can be filtered using ‘Image Properties’ in GEE.

Table 3. Bands information of Sentinel-1 SAR GRD in Google Earth Engine

^a)Estimated min or max value.

한편, 앞서 언급한 것처럼 GEE의 Sentinel-1 SAR GRD product는 Fig. 2와 같은 전처리가 이미 완료된 자료로 추가적인 작업 없이도 GEE의 Code Editor 등을 통해 해당 이미지의 후방산란계수 값 확인 및 이를 활용한 분석이 가능하다.

Fig. 2. Sentinel-1 SAR GRD preprocessing in Google Earth Engine.

2.3. 연구 방법

2.3.1. Change Detection Method

본 연구의 Sentinel-1 SAR GRD에 적용한 지표 토양수분량추출(surface soil moisture retrieval) 방법은 Change Detection Method (Wagner et al., 1999a; Wagner et al., 1999b; Pathe et al., 2009; Hornacek et al., 2012)로 결정론적 모델(deterministic model) 기반의 여러 방법들과는 달리 SAR 영상 후방산란계수 관측 값의 시간적 변화 해석에 기초한 방법이다. 기본 이론은 특정 지역에 대해 관측된 SAR 영상 후방산란계수(σ⁰) 값의 기왕 가장 낮거나 높은 수치를 건조(σ⁰_dry) 및 습윤(σ⁰_wet) 기준으로 설정하고, 이 두 기준 사이의 후방산란 변동 값을 지표 토양수분 변화의 결과로 간주하는 것이다. 이 방법은 아래의 식(1)에서 식(4)를 사용하여 완전히 건조하거나 포화된 상대적인 토양수분 함유량(m_s)을 추출할 수 있다.

σ⁰(θ, t) = σ⁰_dry(40) + β(θ – 40) + Sm_s(t)       (1)

σ⁰(40, t) = σ⁰(θ, t) – β(θ – 40)       (2)

S = σ⁰_wet(40) – σ⁰_dry(40)       (3)

\(\begin{align}m_{s}(t)=\frac{\sigma^{0}(\theta, t)-\sigma_{d r y}^{0}(40)}{S}\end{align}\)       (4)

여기서, θ와 t는 각각 지역 입사 각도과 시간을, S는 토양수분 변화에 대한 후방산란계수의 민감도, σ⁰_dry는 가장 건조한 토양 조건에서 얻은 건조 기준 후방산란계수를 나타낸다. S와 σ⁰_dry는 모두 지표면의 거칠기와 식생에 민감하며 공간적으로 각 픽셀마다 고유한 값(dB)이 있다. 또한, 후방산란은 일반적으로 입사 각도에 매우 민감하므로 정규화된 θ를 사용하여 식(2)와 같이 참조 변환을 하여야하며 본 방법에서는 40°를 사용한다. 매개변수 β는 후방산란과 입사 각도 간의 선형 관계 기울기(dB/°)로 σ⁰(θ)의 관측치를 40°의 참조 각도로 추출하기 위해 사용된다.

상기 식(1)과 식(2)를 통해 식(4)의 지표 토양수분량 산정식을 유도할 수 있으며, 여기서 식(3)의 S는 관측기간 중 건조 및 습윤 시점에 대한 일련의 σ⁰(40, t)이미지를 선택하여 이들의 평균 값을 계산함으로서 추정할 수 있다. Pathe et al. (2009)과 Hornacek et al. (2012)은 건조 및 습윤 상태의 토양에서 측정된 자료 및 날짜수를 기지로 하고, 확보된 SAR 영상의 후방산란계수를 오름차순으로 정렬 후 식(5)와 식(6)과 같이 가장 낮거나 높은 값들에 해당하는 날의 자료만을 채택하여 그 평균을 계산함으로써 건조 및 습윤 기준 후방산란계수를 추정하였다.

\(\begin{align}\sigma_{\text {dry }}^{0}\left(\theta_{\text {char }}\right)=\frac{1}{N} \sum_{i=1}^{N_{\text {dyy }}} \sigma_{i}^{0}\left(\theta_{\text {char }}\right)\end{align}\)       (5)

\(\begin{align}\sigma_{\text {wet }}^{0}\left(\theta_{\text {char }}\right)=\frac{1}{N} \sum_{i=N-N_{\text {wet }}}^{N_{\text {mat }}} \sigma_{i}^{0}\left(\theta_{\text {char }}\right)\end{align}\)       (6)

여기서, θ_char은 관측된 지역의 참조 입사각이며, N_dry와 N_wet은 지표 토양수분 측정값의 비율을 고려하여 각각 0.05보다 작거나 0.95 보다 큰 값을 가지는 자료의 수로 설정하였다. 한편, 이러한 건조 및 습윤 기준 후방산란계수의 추정에서는 SAR의 측정 오차 및 이상치(outliers) 그리고 상대적으로 높은 노이즈(noise) 수준 때문에 적절한 값을 찾아 내기가 쉽지 않다(Pathe et al., 2009).

2.3.2. 토양수분량 산정

Fig. 3은 지표 토양수분량 산정을 위해 본 연구에서 진행한 작업의 순서로 크게 GEE JavaScript Code Editor를 이용한 Sentinel-1 SAR GRD 자료의 필터링 및 밴드 값 추출과 이를 이용한 후속 입사각 정규화(incidence angle normalization) 그리고 토양수분량 산정(soil moisture estimation)의 과정으로 구분된다.

Fig. 3. Schematic overview of the process for surface soil moisture estimation.

먼저, GEE에서는 JavaScript 코드를 이용해 Sentinel-1 SAR GRD에서 원하는 모드, 편파, 궤도, 영역, 날짜 등의 자료를 구분 선별하고, 여기에 추가적으로 값을 추출하고자 하는 밴드를 선택하여 시계열 자료를 생성할 수 있다. 본 연구에서는 지표 토양수분량 산정을 위해 필요한 SAR 이미지의 VH 및 VV 편파 후방산란계수와 해당 입사각 정보를 각각 확보하였는데, 그 영역은 토양수분 센서가 설치된 6개 관측소의 일부구역(Fig. 4)과 용담댐 전체 유역에 대해 GEE 내에서 geometry 생성 및 shape 파일 업로드를 통해 설정하고 각각의 구역과 유역 평균에 해당하는 시계열 자료를 추출하였다.

Fig. 4. Geometry zones of six soil moisture observatories in Google Earth Engine: (a) Jucheon, (b) Bugwi, (c) Sangjeon, (d) Ancheon, (e) Cheoncheon, and (f) Gyebuk.

다음으로 Sentinel-1의 SAR 위성영상은 29.1°에서 46.0°까지의 입사각도로 촬영이 되기때문에 앞서의 과정에서 추출한 입사각 정보를 이용하여 그 각도로 취득된 후방산란계수를 동일 40° 입사각 기준에 해당하는 값으로 정규화하는 작업을 진행하여야 한다. 이를 위해 본 연구에서는 Mladenova et al. (2012)이 제시하고 Topouzelis et al. (2016)과 Feng et al. (2021) 등에 의해 사용된 비교적 간단한 식(7)의 Cosine Method를 사용하였다.

\(\begin{align}\sigma_{r e f}^{0}=\frac{\sigma_{\theta}^{0} \cos ^{2}\left(\theta_{r e f}\right)}{\cos ^{2}(\theta)}\end{align}\)       (7)

여기서 θ_ref은 정규화된 각도, σ⁰_ref는 정규화된 후방산란계수를 각각 나타내며, θ에서 얻은 σ⁰_θ는 어떤 각도로도 정규화 될 수 있으며, 본 연구에서는 40°를 사용하여 Table 4에 제시된 각 토양수분량 관측소의 위치별, 위성 궤도별 입사각에 대해 VH 및 VV SAR 이미지의 후방산란계수 값을 각각 정규화하였다.

Table 4. Incidence angle of Sentinel-1A/B for the soil moisture observatories

마지막으로 지표 토양수분량의 추출(retrieval) 및 산정(estimation)은 Change Detection Method를 기반하였으며, 정규화 완료된 σ⁰(40, t)와 그 시계열 분석을 통해 얻은 σ⁰_dry 및 σ⁰_wet의 값을 사용하여 앞서 과정을 통해 설정한 영역에 대해 식(4)의 토양수분 함유량, ms(t)를 추출하였다. 여기에서 σ⁰_dry 및 σ⁰_wet의 산정을 위해 사용한 자료와 그 수는 VH와 VV SAR 이미지 별도로 각각 후방산란계수 전체 시계열에서 하위 5% 및 상위 5% 값에 해당하는 자료 만을 취하였다. 이와 더불어 Change Detection Method를 통해 산정된 토양수분량의 규모가 관측에 비해 상대적으로 크기 때문에 실측 토양수분량 총량에 맞도록 스케일을 조정하였으며, 이후 산출된 토양수분량의 시계열 변동이 큰 자료를 실측 토양수분량 자료와의 상관성을 기준으로 자료간 2에서 4구간 이동평균한 값을 계산 후 최종 지점 및 유역 평균 지표 토양수분량으로 활용하였다.

3. 연구결과 및 토의

3.1. 관측 토양수분량과 후방산란계수 간 상관성

본 연구의 결과로 우선 GEE의 Sentinel-1 SAR GRD로부터 추출된 각 관측소별 후방산란계수 값과 실제 관측 토양수분과의 비교를 통해 그 상관성을 확인하였다. Fig. 5는 GEE로부터 선별 및 추출한 토양수 분량 측정 구역에 대한 시계열 자료의 예시(주천 관측소)로 VH와 VV 편파에 대한 후방산란계수 값과 입사각 정보를 나타내고 있으며, 이로부터 입사각 정규화 과정을 마친 계수 값을 상관성 분석에 사용하였다. Table 5는 6개 관측소에 대한 그 분석결과로 자료 속성별 세부적인 특성을 파악하기 위해 편파와 궤도별로 각각 구분하여 상관계수(Pearson correlation coefficient, R)를 제시하였다.

Table 5. Pearson correlation coefficient (R) between normalized backscattering coefficient and observed soil moisture for the soil moisture observatories

Fig. 5. Time-series plots of backscattering coefficient and incidence angle for Jucheon.

Table 5에 제시된 상관성 분석 결과를 살펴보면, 모든 관측지점에서 0.5 이하의 낮은 상관계수 값을 나타내고 있으며, 특히 주천과 부귀, 천천 관측소는 0.1 이하의 수준으로 후방산란계수와 실측 토양수분량과의 상관성을 찾기가 거의 어렵다. 반면, 상전, 안천 및 계북의 경우에는 앞서 언급한 관측소들에 비해서는 다소 상관관계가 있는 것으로 나타나지만 0.11~0.37 수준으로 매우 낮은 것을 확인할 수 있다. 이러한 결과는 여러 가지 요인을 고려해 볼 수 있는데, 앞서 언급한 SAR의 측정 오차 및 이상치 그리고 상대적으로 높은 노이즈 수준으로 인해 토양수분량 센서가 매설된 일부구역에 대해 추출된 후방산란계수 값이 가지는 불확실성이 하나 있을 수 있으며, Fig. 5에 도시된 바와 같이 추출된 VH 및 VV 편파의 후방산란계수 값을 가진 각 SAR 자료간의 특성 변동이 다소 심하여 나타난 것으로도 볼 수 있다. 자료의 변동은 특히 위성의 상승과 하강 궤도에서 변화된 입사각에 큰 영향을 받는 것으로 판단되며, 이는 각각의 자료를 분리해서 상관성을 제시한 Table 5의 결과에서도 확인이 된다. 아울러 동일 유역의 관측지점에 대하여 SAR 후방산란계수와 실측 토양수분량의 상관성 분석을 수행한 국내 다른 연구(Chung et al., 2022; 2023)에서도 이러한 매우 낮은 상관계수 값을 보이는 결과를 찾아 볼 수 있다.

한편, VH와 VV의 편파에 따른 분석에서는 관측소별로 차이는 있지만 전반적으로 VH에 비해 VV가 다소 나은 상관성을 보이고 있다. 이는 Hoskera et al. (2020), Chung et al. (2022), Yang et al. (2023) 등을 포함한 많은 연구에서도 VV 편파의 후방산란계수가 지표 토양수분에 더 민감한 것으로 제시되어 있어 본 연구 결과의 타당성을 판단해 볼 수 있겠다. 하지만 본 연구의 위성 원격 감지된 후방산란계수는 SAR 편파뿐만 아니라 지표의 식생, 토양, 그외 여러 물리특성과 기상 조건 등에 의해 영향(Flores-Anderson et al., 2019)을 받아 측정된 값이기 때문에 이러한 특성을 포괄적으로 고려하지 않고, 단순히 관측된 토양수분량과의 비교만으로 높은 상관성을 찾아내기에는 한계가 있다.

다음으로 Fig. 6은 Change Detection Method 적용 및 스케일 조정을 통해 산정한 관측지점별 토양수분량과 일관측 자료 비교를 전체 기간에 대해 제시한 것으로 평균 제곱근 오차(root mean square error, RMSE)는 전반적으로 4.78~10.74% 수준을 보이며, RMSE가 가장 큰 안천에서 그 실측과의 차이가 뚜렷하게 도시된 것을 확인할 수 있다. 한편, 두 자료간의 상관성은 앞서 설명한 Table 5에 제시된 결과와 동일하다. 이렇게 산정된 지점 토양수분량은 앞서 언급한 SAR 자료 자체의 불확실성, 변동성과 여러 지표 조건 등을 고려해야하는 한계로 인한 낮은 상관성으로 그대로 토양수분량으로 활용하기에는 명확한 제약이 있다. 따라서 산정된 토양수분량에 대해 시계열 변동이 큰 자료를 실측과의 상관성을 기준으로 이동평균한 값을 계산하여 자료간의 변동성을 일부 완화하였다. Table 6에 제시된 3구간 이동평균 후의 상관성 분석 결과를 보면 관측소별로 약간 향상된 상관계수를 확인할 수 있으며, 이를 최종 지점별 토양수분량 추정에 활용할 수 있다.

Fig. 6. Time-series plots of estimated and observed soil moisture for the soil moisture observatories.

Table 6. Pearson correlation coefficient (R) between estimated (moving average over 3 periods) and observed soil moisture for the soil moisture observatories

한편, Fig. 6에서는 본 연구의 댐 유역 내 관측지점별 토양통 특성에 따라 실측된 상이한 토양수분량의 분포 수준도 살펴볼 수 있다. 주천의 석토통 및 천천과 계북의 삼각통은 약 25% 내외의 수준이며, 상전과 안천의 아산통은 점토 함유량이 많아 타지점에 비해 상대적으로 높은 40% 내외의 토양수분량을 나타고 있는 반면, 부귀 지점은 안룡통으로 배수가 양호하여 토양 내 수분량이 타지점에 비해 상대적으로 낮은 20% 내외의 수준을 보이고 있다.

3.2. 유역 평균 지표 토양수분량

본 연구에서는 유역 내 토양수분량 관측지점의 일부구역에 대해 추출한 SAR 후방산란계수로부터 산정된 지점별 토양수분량의 불확실성이 크게 나타나는 한계점을 보완하기 위하여 유역 전체 평균에 해당하는 SAR 측정 수치를 구한 후 이를 실측 평균 시계열과 상관성 분석 및 Change Detection Method 적용 등을 통해 유역 평균 지표 토양 수분량을 산정하였다. Table 7에는 먼저 그 상관성 분석 결과가 제시되어 있으며, 여기서는 평균 후의 상관계수 값이 개별 관측지점의 결과에 비해 다소 개선된 것을 확인할 수 있다. 이는 유역 평균에 해당하는 SAR 후방산란계수를 추출하여 토양수분량 산정에 사용할 경우보다 넓은 구역을 대표할 수 있어 지점별 일부구역 자료에서 나타날 수 있는 SAR 노이즈 등을 상쇄시키는 효과가 있을 수 있기 때문에 도출된 결과로 보인다. 또한, Table 7에서는 3구간 이동평균 전후의 명확한 상관계수 차이도 확인되며, 이동평균을 적용하여 자료간 변동폭이 줄어들어 상관계수가 0.5 수준으로 향상된 것으로 판단된다. 참고로 본 연구에서 고려한 실측 평균 시계열의 경우, 해당 지점별 지표 특성에 따라 SAR 관측 후방산란계수 수치가 모두 상이할 것이기 때문에 보다 적합한 비교를 위해 유역 내 관측 6개소 지점의 면적비율을 고려한 가중평균 보다는 산술평균한 자료를 사용하였다.

Table 7. Pearson correlation coefficient (R) between estimated and observed soil moisture average for Yongdam Dam

^a)Before applying a 3-period moving average, ^b)After applying a 3-period moving average.

토양수분량의 정보는 지점 자료도 그 중요성이 있지만 수자원 관리에서는 필요에 따라 유역 혹은 소유역 평균의 자료도 의미있는 지표로 활용될 수 있다. 일례로 가뭄과 홍수 분석에 있어 그 현황 및 초기 값 파악을 위해 세부 지점보다는 공간적 평균 정보가 요구되는 경우가 많다. Fig. 7과 Fig. 8은 이렇게 앞서 설명한 이동평균 등의 과정을 거쳐 최종 산정된 VH와 VV 편파의 유역 평균 지표 토양수분량의 산점도와 시계열 변화 그래프를 도시한 것이다. 한편, Fig 8에서 구분되지는 않지만 Sentinel-1 위성 관측에서 동일 날짜에 다중 SAR 위성 영상이 있을 수 있어 여러 후방산란계수 수치가 있는 경우는 첫번째 자료의 값만 사용하였다. 또한, 위성의 swath 따라 유역 면적의 일부가 누락된 평균 값이 산출 반영되어 있을 수 있으며, 유역 평균에 대해서는 각 수치 입사각에 대한 정규화를 적용할 수 없는 분석상의 한계가 존재한다.

Fig. 7. Scatter plots comparing the estimated soil moisture from (a) VH and (b) VV backscattering coefficients with observed soil moisture for Yongdam Dam, respectively.

Fig. 8. Time-series plots of estimated and observed soil moisture average for Yongdam Dam.

3.3. 클라우드 플랫폼 기반 토양수분량 산정의 활용성

본 연구에서 활용한 클라우드 기반 플랫폼인 GEE에서는 우선 방대한 위성영상 자료의 수집과 전처리 과정을 효율적으로 처리할 수 있게 되어 상대적으로 긴 기간에 대해 효과적이고 통찰력있는 분석의 수행이 가능하다. 구체적으로 Sentinel-1의 경우, GEE 내의 SAR GRD product가 이미 전용 툴인 SNAP에서 진행되어야 할 여러 단계의 전처리를 마친 자료이기 때문에 이를 추가적인 처리 없이도 직접 관련 이론 등을 적용하여 다년간의 토양수분량과 같은 2차적인 가공 산정물을 생성할 수 있다. 물론 해당 전처리 과정에서 이후 분석에 영향을 미칠 수 있는 여러 이론적인 선택사항을 부가적으로 고려하지 못하는 단점은 있지만 분석의 효율적 측면에서 GEE의 활용성은 상당히 높다고 판단된다. 그러나 SAR 영상 자체의 세부적이고 더 정밀한 분석이 필요할 경우는 보다 전문적인 툴을 통해 전처리 등의 작업을 진행해야만 한다. 예를 들어 토양수분량 관측지점 위치에 대한 Sentinel-1 영상 화소 대응의 경우, GEE 제공의 SAR 이미지가 기존 광학 RGB 영상에 대비해 이질성이 판독되더라도 추가적인 수정 처리가 어려워 해당 자료의 후방산란계수 값에 내재된 불확실성을 가지고 사용할 수 밖에 없는 상황이 있을 수 있겠다.

GEE에서는 이렇게 자료 전처리 과정의 세부적인 수행이 어렵기 때문에 앞서 결과에서 살펴 본 것처럼 일부 소규모 구역에 대한 토양 수분량 산정 시 SAR 자료 자체의 노이즈 등 그 값의 불확실성에 의해 상관성 결과가 상당히 낮은 것을 확인할 수 있었다. 하지만 GEE에서 보다 큰 면적, 댐 유역 등에 대한 평균을 사용하여 추출한 결과는 자료의 불확실성이 다소 완화되어 보다 나은 상관성을 보이는 것을 파악하였다. 따라서, GEE를 이용한 토양수분량 산정에는 관측지점 위주의 값 보다는 필요로 하는 유역의 평균 SAR 후방산란계수를 추출하여 사용하는 것이 더 효과적일 것으로 판단된다. 또한, GEE에는 기존 GIS 플랫폼 등에서 쓰이는 여러 포맷의 공간자료를 호완하여 사용할 수 있는 유연성이 있기 때문에 필요한 자료는 추가적으로 업로드하여 연구 분석에 활용 가능하다.

한편, GEE의 기본 클라우드 용량 제한에 따른 계산 한계 및 라이선스 조건 등으로 본 연구에서 산정한 용담댐 유역과 같은 중규모 댐 유역 이상의 큰 유역, 예를 들어 한반도 전체 면적 등에 대한 관련 방법의 적용은 연구 단계에서는 제약이 있을 수 있다. 하지만, 국내에서 여러 기관에서 관측, 제공하고 있는 다수 지점의 지표 토양수분량 관측자료와 연계하여 댐 유역 등 중규모 면적에 대해 본 연구에서 적용한 SAR 후방산란계수로부터 토양수분량을 산정하는 방법을 적용해 본다면 주요 댐 유역의 과거 개략적인 지표 평균 토양수분 변화 파악에 충분히 유용하게 활용될 수 있을 것으로 판단된다. 아울러 본 연구에서는 검토하지 않았지만 식생, 토양, 토지이용 외 지표특성과 기상 조건 등을 추가하여 SAR 후방산란계수와의 다각적인 분석이 이루어진다면 토양수분량의 산정에 있어 보다 향상된 결과를 도출할 수 있을 것이다.

4. 결론

본 연구에서는 Google Earth Engine 기반의 전처리 완료된 Sentinel-1 SAR GRD 자료의 VH와 VV 편파에 대한 후방산란계수 값으로부터 비교적 간단한 토양수분량 추출 방법인 Change Detection Method를 적용하여 국내 용담댐 유역 내 6개 관측소 지점 및 유역의 전체 평균에 해당하는 지표 토양수분량을 산정하고, 이를 실측과의 비교를 통해 상관성 분석과 GEE를 통한 토양수분량 추출, 산정에 있어서의 활용성 평가를 수행하였다.

그 결과 SAR 자체의 지표 측정 정확도와 자료간 변동성 등으로 유역 내 관측소별 일부구역에 대해 산정한 지점 지표 토양수분량은 0.3 내외 수준의 낮은 실측과의 상관성이 확인된 반면, 이를 유역 전체 면적에 대한 평균 SAR 후방산란계수 값 추출 및 이동평균 계산에 의해 자료의 불확실성 및 변동성을 완화시킨 유역 평균 지표 토양수분량은 0.5 수준으로 향상된 결과를 보였다. 이렇게 GEE를 활용 산정, 검토된 토양수분량의 결과는 SAR 자료의 전처리에 있어 직접적으로 원하는 분석을 수행하지 못하는 한계는 있지만, 방대한 위성영상 자료를 효율적으로 처리하여 장기간의 유역 평균과 같은 넓은 범위의 토양수분량을 산정, 평가해 볼 수 있다는 점에서 그 활용성을 확인할 수 있었다.

결론적으로 본 연구에서 활용한 GEE와 함께 SAR 천처리 보완을 위한 전용 툴의 혼용 그리고 방법론에서도 앞서 언급한 추가적으로 적용가능한 여러 사항들을 고려한다면, Sentinel-1 SAR 위성영상을 활용한 지점 및 댐 유역 평균 등의 지표 토양수분량 산정에 보다 효율적이고 효과적인 연구를 수행할 수 있을 것으로 기대된다.