Google Earth Engine의 Sentienl-1 SAR를 활용한 남극 빙설 면적 변화 모니터링

Assessment of Antarctic Ice Tongue Areas Using Sentinel-1 SAR on Google Earth Engine

Abstract

본 연구는 Google Earth Engine을 활용하여 Sentinel-1 Synthetic Aperture Radar 영상을 통해 남극 Campbell Glacier Tongue (CGT)와 Drygalski Ice Tongue (DIT)의 면적 변화를 2016년부터 2024년까지 모니터링하였다. Otsu 기법과 Simple Non-Iterative Clustering (SNIC) 클러스터링 기법을 사용하여 빙설과 해양을 구분하고 월평균 영상을 통해 빙설 탐지 오류를 줄였다. 분석 결과 CGT는 주기적인 붕괴로 인하여 약 26% 감소하였고 DIT는 전반적으로 증가하다가 최근 급격한 감소를 보였다. Sentinel-2 광학 영상과 비교한 결과 높은 탐지 정확성을 보여 제안된 방법의 신뢰성을 입증하였으며, 본 연구는 남극 빙설과 빙붕의 장기 모니터링에 기여할 것으로 기대된다.

This study explores the use of Sentinel-1 Synthetic Aperture Radar (SAR), processed through Google Earth Engine (GEE), to monitor changes in the areas of Antarctic ice shelves. Focusing on the Campbell Glacier Tongue (CGT) and Drygalski Ice Tongue (DIT),the research utilizes GEE's cloud computing capabilities to handle and analyze large datasets. The study employs Otsu's method for image binarization to distinguish ice shelves from the ocean and mitigates detection errors by averaging monthly images and extracting main regions. Results indicate that the CGT area decreased by approximately 26% from January 2016 to January 2024, primarily due to calving events,while DIT showed a slight increase overall,with notable reduction in recent years. Validation against Sentinel-2 optical images demonstrates high accuracy,underscoring the effectiveness of SAR and GEE for continuous, long-term monitoring of Antarctic ice shelves.

1. 서론

지난 20년 동안, 남극 빙상(ice sheet)의 질량 손실이 가속화되고 있다. 남극 빙상의 얼음 부피는 전 지구 해수면 58.3 m에 해당하며, 이 빙상은 남극 대륙의 빙하(glacier)로부터 해안으로 확장된 빙붕(ice shelf)에 의해 지지되고 있다(Rignot et al., 2013). 이러한 빙붕은 남극 해안선의 75%를 둘러싸고 있고, 그린란드(Greenland) 빙상과 비슷한 규모인 약 156만 km² 이상의 면적을 가지고 있다(Rignot et al., 2013). 빙붕은 붕괴(calving), 표면 융해(surface melting), 기저 용융(basal melting) 등에 의해 축소되는데, 이는 접지된 육상 빙하(glacier)의 흐름을 가속시켜 빙하의 안정성과 남극 빙상의 질량 균형에 상당한 영향을 미치며, 해양 성층화 강화와 해저수 형성에도 중요한 역할을 한다(Dinniman et al., 2016). 이에 따라 빙붕의 면적 감소는 주변 환경 변화와 해수면 상승의 잠재적 원인이 될 수 있으며, 빙붕의 면적을 지속적으로 관측하는 것은 매우 중요하다.

광학 영상 및 영상레이더 Synthetic Aperture Radar (SAR)와 같은 위성 자료는 남극의 빙하 모니터링, 해빙 두께 추정, 표면 알베도(surface albedo) 변화 분석 등 다양한 연구에 유용한 자료로 사용된다. 광학 영상은 고해상도와 색상 정보를 필요로 하는 작물 모니터링, 토지 사용 분석 등에 효율적으로 활용될 수 있지만 구름과 안개와 같은 기상 조건과 야간이나 어두운 조건에 취약하다는 한계가 있다(Van Tricht et al., 2018). 반면 SAR 영상의 경우, 구름, 눈, 안개 등을 투과하는 마이크로파의 성질로 인해 주야간, 전천후로 데이터를 수집할 수 있다는 장점을 가지고 있다(Tsokas et al., 2022). 그러나 SAR 영상은 데이터의 복잡한 특성 때문에 전처리와 해석에 많은 시간이 소모되어 빙붕 모니터링과 같이 대규모의 자료를 활용하는 데에는 다소 어려움이 있다.

이러한 측면에서 클라우드 컴퓨팅 플랫폼인 구글어스엔진(Google Earth Engine, GEE)은 남극 빙붕 면적을 지속적으로 모니터링하고 분석을 하는데 유용한 도구가 될 수 있다. GEE는 가장 널리 사용되는 빅데이터 처리 플랫폼 중 하나로, 사용자에게 수십 년간 축적된 방대한 양의 위성 영상을 무료로 제공한다(Gorelick et al., 2017). 뿐만 아니라 자동 병렬 처리 및 빠른 계산 플랫폼 기능을 갖추고 있어 대량의 데이터를 실시간으로 처리가 가능하며, 다양한 알고리즘이 내장되어 있어 전문지식 없이 쉽게 활용할 수 있다. 이러한 이유로 GEE가 2010년에 처음 등장한 이후, 이를 활용한 다양한 연구가 계속해서 발표되고 있다. Koo et al. (2021)은 Sentinel-1 SAR 위성 영상을 기반으로 Simple Non-Iterative Clustering (SNIC) 알고리즘과 중심점 거리 히스토그램(centroid distance histograms)을 활용하여 B43 빙산의 이동을 추적하고 면적, 속도, 방향의 변화를 분석하였다.

또한 Park and Kang (2022)은 Sentienl-1 SAR 위성 영상을 기반으로 Otsu 기법을 사용하여 하천 범람으로 인한 피해 면적을 분석하고 시계열 수체면적 모니터링하였다. 한편 Sentinel-1 SAR 위성 영상을 기반으로 동결-해빙(freeze-thaw) 정보를 신속하게 추출하는 프레임워크(framework)를 제안하는 연구가 발표되었다(Liang et al., 2021). 최근에는 GEE를 활용한 머신러닝 연구도 활발히 진행되고 있으며 이러한 연구들은 위성영상과 같은 대형 데이터 세터의 효율적인 분석과 자동화를 보여주고 있다(Park and Kang, 2022; Kim et al., 2023). 이상에서 소개한 지금까지의 GEE를 활용한 빙하 탐지 관련 선행 연구들은 대부분이 사건 발생 이후 단기간을 대상으로 수행한 연구가 많았다.

본 연구에서는 GEE를 활용하여 자동으로 빙설을 탐지하는 알고리즘을 제안하고, 이를 통해 남극 빙설 면적을 모니터링한 결과를 분석하여 선행 연구와 다르게 장기간의 분석에 중점을 두었다. 먼저 빙상 및 극지 분야에서 널리 사용되는 극궤도 위성 자료인 Sentinel-1 SAR 영상을 GEE를 통해 수집하여 빙하와 해양을 구분하고 빙설 면적을 계산하였다. 이때 해빙 탐지 오류를 개선하기 위하여 월별로 평균한 월평균 자료를 사용하였고, 탐지되는 여러 벡터 중 길이가 가장 긴 메인 벡터만을 추출하여 면적을 계산하였다. 추가적으로 제안된 빙설 탐지 방법의 성능을 평가하기 위해 Sentinel-2 광학 영상과 비교하였으며, 산출된 빙설 면적 변화 결과를 분석하였다. 이를 통해 장기간의 연속적인 데이터를 활용하여 빙설 면적 변화를 자동으로 모니터링하는 방법을 제안하고자 한다.

2. 연구 자료 및 방법

2.1. 연구 지역

본 연구에서는 Campbell Glacier Tongue (CGT)과 Drygalski Ice Tongue (DIT)을 연구 지역으로 선정하였고, 분석 기간은 CGT 및 DIT에 대해 각각 Sentinel-1 가용 기간인 2016년 1월~2024년 1월, 2016년 1월~2022년 2월로 설정하였다. Fig. 1은 연구 지역인 CGT와 DIT를 나타내며, 두 연구 지역은 동남극 빅토리아 랜드(Victoria Land) 북부에 위치한다. CGT는 Campbell Glacier에서 로스해(Ross Sea)의 테라노바 만(Terra Nova Bay)으로 유출되어 형성된 빙설로 약 75.5 km²의 표면적을 가지고 있다(Kim et al., 2018). CGT는 일정한 방향의 유선을 가진 본류(main stream)와 부서진 얼음으로 구성된 지류(branch stream)의 두 개의 빙류로 구성되어 있으며, 본류 및 지류의 길이와 폭은 각각 약 13.5 km와 4.5 km 및 약 8.0 km와 2.5 km이다(Chae et al., 2021). Han et al. (2022)에 따르면, 2010년 이후 네 차례의 대규모 빙하 분리(또는 붕괴)가 발생하였으며, 각각 3.78 km² (2011년 2월), 4.19 km² (2014년 3월), 5.42 km² (2017년 2월), 3.85 km² (2020년 3월)가 분리되었다.

Fig. 1. Study areas of the Campbell Glacier Tongue and the Drygalski Ice Tongue.

DIT는 빅토리아 랜드의 주요 빙하인 데이비드 빙하(David Glacier)로부터 파생된 빙설로 현재 남극에서 가장 큰 빙설로 알려져 있다(Stevens et al., 2017). DIT는 약 140 km의 길이를 가지고 있으며, 유속은 지반접지선에서 최소 460 m/year, 빙설 말단에서 최대 720 m/year에 달한다(Indrigo et al., 2021). DIT는 위성 관측이 시작된 1950년대 이후 단 두 번의 붕괴 사건이 발생하였다. 첫 번째 사건은 1956년~1957년에 발생하였으며 약 40 km의 길이가 손실되었고, 두 번째 사건은 2005년~2006년에 발생하였으며 약 300 km²의 표면적이 분리되었다(Frezzotti and Mabin, 1994; Parmiggiani and Fragiacomo, 2005; Wuite et al., 2009). 본 연구에서는 해양으로 돌출된 빙설의 면적 변화에 중점을 두어 지반접지선(grounding line)을 고려하지 않고 관심 영역을 정하였으며, 특히 CGT의 경우 두 개의 빙류 중 본류만을 고려하여 빙설 면적 변화를 살펴보았다.

2.2. 연구 자료

본 연구는 GEE를 통해 수집된 Sentinel-1 SAR Level-1 Ground Range Detected (GRD) 자료를 기반으로 남극 빙설 면적 변화를 모니터링하였다. Sentinel-1은 유럽우주국(European Space Agency, ESA)에서 발사한 극궤도 위성으로 Sentinel-1A 위성과 Sentinel-1B 위성은 각각 2014년 4월과 2016년 4월에 발사되었다(Torres et al., 2017). Sentinel-1A와 1B 모두 중심주파수가 5.405 GHz인 영상레이더(SAR)를 탑재하고 있으며, 적도를 기준으로 각각 12일의 재방문 주기를 가지고 있다. 또한 Sentinel-1 SAR의 영상 취득 모드는 SM (Stripmap), IW (Interferometric Wide swath), EW (Extra-Wide swath), WV (Wave)의 총 네 가지가 있으며, SM, IW, EW 모드는 단일(VV 및 HH) 또는 이 중 편파(HH+HV, VV+VH), WV 모드는 단일 편파 영상을 지원한다(Torres et al., 2017). 이러한 Sentinel-1 영상레이더는 구름, 눈, 안개 등의 기상조건에 제약을 받지 않아 전천후, 주야간 영상을 획득할 수 있으며 고해상도 영상을 제공한다.

본 연구에서는 GEE를 사용하여 CGT와 DIT 주변에 대한 촬영 영상이 가장 많은 HH (Horizontal Transmit-Horizontal Receive) 단일 편파(single-polarized) 자료를 검색하였으며, 연속적인 자료가 존재하는 기간에 따라 각각 EW 모드와 IW 모드를 사용하였다. 최대한 많은 영상을 사용하기 위해 위성 궤도는 별도로 설정하지 않았으며, 그 결과 CGT와 DIT 각각 총 547장, 총 196장이 수집되었다(Fig. 2). 이러한 SAR 자료의 전처리는 GEE에서 기본으로 제공되는 궤도보정, 경계 잡음보정, 열노이즈제거, 방사보정, 지형보정의 다섯 가지 과정이 수행되었으며, 빙설 표면의 크레바스(crevasse)와 크랙(crack) 신호를 최대한 제거하기 위해 가우시안(Gaussian) 필터링을 추가로 적용하였다. 또한 런타임(Runtime)을 최적화하기 위하여 CGT와 DIT의 해상도를 10 m에서 각각 25 m, 50 m로 리샘플링(resampling)하여 사용하였다.

Fig. 2. Number of Sentinel-1 data used in this study.

또한 본 연구에서 제안된 방법의 성능을 평가하기 위하여 Sentinel-2 Multi Spectral Instrument (MSI) 광학영상을 사용하였다. 유럽우주국에서 운영하는 Sentinel-2 위성은 Sentienl-1 위성과 동일하게 두 대의 쌍둥이 위성(Sentinel-2 A/B)으로 구성되어 있으며 5일의 재방문주기를 가진다(Gascon et al., 2014). Sentinel-2 위성은 다분광 촬영장비(Multi Spectral Instrument, MSI)를 장착하고 있어 가시광선, 근적외선, 단파적외선 13개 대역에서 10, 20, 60 m의 고해상도 위성 영상을 제공한다 (Gascon et al., 2014). 본 논문에서는 대기보정이 완료된 L2A 영상에서 Band 4 (Red), Band 3 (Green), Band 2 (Blue) 영상을 합성하여 사용하였으며, 이러한 Sentinel-2 MSI 광학영상은 GEE를 통해 제공받았다.

2.3. 연구 방법

본 연구에서는 Sentinel-1 SAR 영상을 활용하여 CGT와 DIT의 경계를 자동으로 탐지한 후 해당 지역의 장기간 면적 변화를 분석하였다. 지속적으로 빙설 면적 변화를 모니터링하기 위해서는 대규모의 Sentinel-1 SAR 영상을 실시간으로 처리해야 할 필요성이 있다. 따라서 클라우드 컴퓨팅 기반 플랫폼인 GEE가 이를 처리하는 데 유용한 도구가 될 수 있다고 판단하였다. 연구의 전반적인 흐름도는 Fig. 3에서 확인 가능하며, 모든 연구 단계는 구글 코랩(Google Colab) 환경에서 GEE의 라이브러리를 사용하여 수행되었다.

Fig. 3. Flow chart of this study based on Google Earth Engine.

2.3.1 빙설 탐지 및 면적 산출 방법

먼저 대표적인 슈퍼픽셀(superpixel) 분할 알고리즘 중 하나인 SNIC 알고리즘을 활용하여 이미지 분할을 수행하였다. Achanta and Susstrunk (2017)이 제안한 SNIC 알고리즘은 기존의 Simple Linear Iterative Clustering (SLIC) 알고리즘을 개선한 것으로 비반복적 접근방식을 사용하며 초기부터 연결성을 유지한다. 이로 인해 메모리 사용량이 적고 계산 효율성이 뛰어나 SLIC와 비교하여 성능이 우수하다(Achanta and Susstrunk, 2017).

SNIC 알고리즘은 주어진 슈퍼픽셀 중심 위치 간격을 기반으로 이미지의 규칙적인 격자에서 슈퍼픽셀 중심을 초기화한다. 이후 우선순위 큐(queue)를 사용하여 클러스터에 추가할 다음 픽셀을 선택한다. 이 과정에서 4개 또는 8개의 connectivity를 갖는 주변 픽셀에 대해 거리를 계산하여 가장 작은 거리를 갖는 픽셀이 선택되는데, 이때 공간 및 색상 좌표의 5차원 공간에서 SLIC 알고리즘과 동일한 거리 함수를 사용한다. 이 거리는 각 픽셀과 각 슈퍼픽셀 중심과의 유사도를 결정하는 데 사용되며, 공간 위치가 x=[x, y]^T이고 CIELAB 색상이 c=[l, a, b]^T일 때, j번째 픽셀과 k번째 슈퍼픽셀 중심과의 거리는 다음과 같다.

\(\begin{align}d_{j, k}=\sqrt{\frac{\left\|x_{j}-x_{k}\right\|^{2}}{s}+\frac{\left\|c_{j}-c_{k}\right\|^{2}}{m}}\end{align}\)       (1)

여기서 x_j와 c_j는 각각 j번째 픽셀의 공간 위치와 색상 값을 나타내며, x_k와 c_k는 각각 k번째 슈퍼픽셀 중심의 공간 위치와 색상 값을 나타낸다. 또한 s와 m은 공간과 색상 거리의 normalizing factor로 영역 분할 과정에서 공간 거리와 색상 거리의 고려되는 비중을 조절하는 역할을 한다. 이미지의 픽셀 수가 N개이고 슈퍼픽셀 수가 K개인 경우 s의 값은 \(\begin{align}\sqrt{N / K}\end{align}\)로 설정되며, 사용자가 제공하는 m의 경우 값이 높을수록 슈퍼픽셀이 더 조밀하고 규칙적이게 되며 그 대신 경계 밀착도가 떨어진다. 이러한 거리함수와 우선순위 큐를 통해 해당 슈퍼픽셀에 새 픽셀이 추가되면 슈퍼픽셀 중심이 온라인으로 업데이트되며 우선순위 큐가 비워질 때까지 반복된다.

본 연구에서는 여러 차례의 검토와 조정을 통해 슈퍼픽셀 중심 위치 간격을 CGT의 경우 50 픽셀로, DIT의 경우 100 픽셀로 설정하였으며, 두 지역 모두 compactness factor는 0으로, connectivity는 8로 설정하였다. 이 과정에서 GEE이 제공하는 SNIC 내장함수를 사용하였다. SNIC를 수행함으로써 빙설의 경계를 보다 정확히 탐지함과 동시에 뒤에서 진행될 임계 값 추정 시 GEE 플랫폼의 계산 시간과 메모리 사용을 줄일 수 있었다.

마지막으로 빙설과 해양을 구분하기 위해 영상 이진화 기법인 Otsu’s method를 사용하였다. Otsu’s method는 단일 밴드 영상의 히스토그램 분포를 기반으로 두 그룹 간의 분산을 최대화하는, 즉 그룹 내의 분산의 최소화하는 임계 값을 자동으로 계산하는 방법이다(Otsu, 1979). 이때 적용되는 영상의 히스토그램이 바이모달(bimodal) 분포를 가지고 각 그룹의 모양이 정규분포를 따를수록 더 정확한 결과를 얻을 수 있다. 해양 표면보다 빙설 표면에서 높은 산란이 발생하는 특성을 이용하여 본 연구에서는 SNIC로 세분화된 클러스터별로 임계 값을 계산하였다. 상대적으로 값이 낮은 그룹을 해양, 값이 높은 그룹을 빙설로 구분하였다.

2.3.2. 해빙 탐지 오류 개선

SAR 영상은 기상 및 주야간 조건에 영향을 덜 받는다는 장점이 있지만 특정 환경 조건에서는 빙설과 해빙 간이 구분이 어렵다는 단점이 있다. 특히 눈으로 덮인 표면에서는 SAR 신호의 반사 패턴이 빙설과 해빙이 유사해져서 그 둘을 구분하기 어려운 경우가 발생한다. 해빙이 동시에 탐지되는 오류를 개선하기 위하여 다음과 같은 방법을 사용하였다.

대부분의 해빙은 지속적으로 움직이며 표면 특성이 시간에 따라 변화하기 때문에 여러 날짜에서 획득된 영상 간 분산이 높다. 따라서 한 달 동안 획득된 영상들을 스택(stack) 하면 비교적 변화가 적은 빙설은 밝게 나타나고 해빙은 비교적 어둡게 나타난다. Figs. 4(a, b)는 2019년 5월의 DIT를 예로 들어 결합된 해빙을 제거한 결과를 보여 준다. 일별 자료만을 사용한 2019년 5월 7일에는 해빙이 존재하였지만(Fig. 4a), 월평균 자료를 사용한 2019년 5월 전체에 대해서는 해빙이 효과적으로 제거되었음을 확인할 수 있다(Fig. 4b). 또한 관심 영역 내의 유빙을 제거하기 위하여 가장 긴 메인 벡터만을 추출하여 면적을 계산하였다. 2017년 9월의 CGT를 예로 들어 살펴보면 관심 영역 내의 유빙이 잘 제거되었음을 알 수 있다(Figs. 4c, d).

Fig. 4. Method for reducing sea ice detection errors. Boundary of (a) Drygalski Ice Tongue before calculating the monthly mean, (b) Drygalski Ice Tongue after calculating the monthly mean, (c) Campbell Glacier Tongue before extracting the main vector, and (d) Campbell Glacier Tongue after extracting main vector.

3. 연구 결과

3.1. 빙설 면적 변화 분석

2016년 1월부터 2024년 1월까지 CGT는 연평균 약 0.70 km² 감소하여 2016년 1월에 비해 약 26% 줄어들었다. Fig. 5는 연구 기간 동안 CGT의 면적 변화를 나타내며, 주요 붕괴 시점과 해당 시점에서의 붕괴 면적은 Table 1에서 확인할 수 있다. 연구 기간 동안의 붕괴는 주로 남극의 여름철인 1월~3월에 집중적으로 발생하였으며, 특히 2017년 2월~3월, 2021년 1월~2월에 각각 약 5.09 km², 4.04 km²에 달하는 대규모 붕괴가 일어났다(Table 1). Fig. 6은 시점 별 빙설의 경계와 분리된 빙설 영역을 각각 실선과 채색된 부분으로 나타냈다. 이를 통해 2020년 2월과 2021년 2월을 제외하고 대부분 빙 전선(ice front)이 아닌 빙설의 양 옆에서 붕괴가 발생하였음을 알 수 있었다.

Fig. 5. Monthly area variation of Campbell Glacier Tongue from Jan. 2016 to Jan. 2024.

Table 1. Campbell Glacier Tongue calving events and areas

Fig. 6. Patterns ofvariation duringmajor area changesin the Campbell Glacier Tongue: (a) January 2017–March 2017, (b) December 2017–February 2018, (c) May 2018–June 2018, (d) January 2020–February 2020, (e) December 2020–February 2021, (f) January 2022–February 2022, (g) December 2022–February 2023, and (h) August 2023–January 2024.

반면 DIT의 면적은 연구 기간 동안 연평균 약 4.42 km² 증가하는 추세를 보였으나 2022년 1월의 붕괴 사건으로 인해 2016년 1월 대비 약 2% 감소하였다(Fig. 7). 또한 DIT의 지속적인 전진으로 인해 DIT의 면적이 서서히 증가하였으나 CGT와 유사하게 2019년부터 2022년까지 남극의 여름철에 급격한 감소를 보였다(Fig. 7의 회색 영역).

Fig. 7. Monthly area variation of Drygalski Ice Tongue from Jan. 2016 to Feb. 2022.

3.2. 빙설 탐지 결과 검증

본 연구에서 제안한 빙설 탐지 방법의 성능을 시각적으로 평가하기 위하여 Sentinel-1 SAR 영상을 통해 추출된 빙설 경계를 1일 차이로 촬영된 최대한 구름이 없는 Sentinel-2 광학 영상들과 비교하였다(Fig. 8). CGT는 총 5장, DIT는 총 3장을 비교 분석하였으며, Fig. 8은 2021년 2월 8일에 추출된 CGT의 빙설 경계와 2020년 2월 5일에 추출된 DIT의 빙설 경계를 각각 2021년 2월 9일과 2020년 2월 6일에 촬영된 광학 영상과 대조한 것을 보여준다. 본 연구에서 제안한 방법에 따라 추출된 빙설 영역을 빨간색 선으로 표시하였으며, 추출된 빙설 경계와 광학 영상의 빙설 경계가 시각적으로 매우 일치한 것을 확인할 수 있다. 이는 제안된 방법이 빙설을 효과적으로 식별할 수 있음을 시사한다. Sentinel-2 광학 영상을 수동으로 디지타이징(digitizing)하여 Sentinel-1 SAR 영상을 통해 자동으로 추출된 빙설 경계 간의 평균 면적 편차를 계산하였다. 그 결과, CGT와 DIT 각각의 면적 편차는 0.18 km²와 7.03 km²로 나타났다.

Fig. 8. Assessment of ice shelf detection performance. (a) Campbell Glacier Tongue boundary extracted in February 2021 and Sentinel-2 RGB image collected on February 9, 2021. (b) Drygalski Ice Tongue boundary extracted in February 2020 and Sentinel-2 RGB image collected on February 6, 2020.

4. 토의

연구 기간 동안 CGT의 주요 붕괴 형태를 확인하였을 때 CGT의 붕괴는 주로 끝단의 고정 지점(pinning point)에서 구조적으로 발생하였으나 길이보다 폭의 지속적인 감소가 발생한 것으로 보인다. 2016년 1월과 2024년 1월의 길이와 폭은 각각 7.56 km에서 7.57 km로, 3.25 km에서 2.4 km로 변화하였다. 이때 길이는 CGT의 최대 길이로 측정하였으며(Fig. 6h의 검은색 실선), 폭은 넓이를 길이로 나눈 값, 즉 평균적인 폭으로 계산하였다. Han et al. (2022)에 따르면 flow velocity는 연간 180~270 m 정도이며 연구 기간 8년 동안 끝단의 붕괴가 없었다면 약 2 km 정도 전진하였을 것으로 예측할 수 있다. 이상의 결과처럼 폭의 감소가 두드러지게 나타난 것은 속도 기울기(velocity gradient)가 주변 지역에 비해 동서방향으로 더 강하고 CGT 양 옆의 수직 조위 변동(vertical tidal displacement)이 크기 때문인 것으로 추측하였다(Han and Lee, 2015).

DIT 면적 변화는 CGT와 다르게 주로 붕괴가 아닌 여러 균열(fracture)로 인해 발생한 것으로 보인다. Fig. 9은 DIT의 면적이 급격히 감소한 시기의 변화 양상을 나타낸 그림으로 균열이 발생한 부분은 검은색 상자로 표시하였다. 그림에서 나타나듯이 대부분의 균열은 DIT의 남쪽보다 북쪽에 주로 위치한 것을 알 수 있다. 2019년의 경우 두 위치에서 균열이 발생하였는데, 각각 3.7 km (2월~3월), 4 km (2월~4월) 길이의 균열이 나타났다. 또한 2020년~2022년에는 각각 3.9 km (1월~3월), 2.1 km (1월~3월), 1.9 km (1월~2월) 길이의 균열이 나타났으며, 특히 2022년 여름철에는 빙설 말단에서 약 56.0 km²의 붕괴 사건이 동시에 발생하였다. 추후 균열이 북쪽에서만 주로 발생하는 원인에 대해서 분석이 필요할 것으로 보인다.

Fig. 9. Patterns ofvariation duringmajor area changesin the Drygalski Ice Tongue: (a) February 2019–April 2019, (b) January 2020–March 2020, (c) January 2021–March 2021, and (d) January 2022–February 2022.

마지막으로 Sentinel-2 수동 디지타이징 결과와 Sentinel-1 SAR 영상을 통해 자동으로 추출된 빙설 경계 간 비교를 통해 정확성은 검증된 것으로 판단된다. 두 자료 간 편차에는 Sentinel-1 SAR 영상과 Sentinel-2 광학 영상의 해상도, 기하 보정, 센서 차이에 의한 오차가 포함되어 있는 것으로 고려된다. 또한 2023년 1월의 CGT와 같이 오랜 시간 빙붕에 근접해 있는 유빙에 대한 해빙 탐지 오류는 개선할 여지가 있으며(Fig. 5), 남극의 전체 지역으로 확장할 시 발생할 수 있는 추가적인 오차에 대한 분석 방법이 연구되어야 할 것으로 판단된다.

5. 결론

본 연구는 GEE 플랫폼과 Sentinel-1 SAR 영상을 활용하여 남극 CGT와 DIT의 면적 변화를 2016년부터 2024년까지 계산하고 분석하였다. SNIC 클러스터링과 Otsu 기법을 사용하여 빙설과 해양을 구분하고, 영상들의 월평균을 사용하여 해빙이 빙설로 탐지되는 오류를 줄였다. 분석 결과 CGT는 연구 기간 동안 주기적 빙설 붕괴로 인하여 약 26%의 면적 감소를 보였다. 반면 DIT의 면적은 전반적으로 증가하였으나 최근 발생한 붕괴로 인하여 급격하게 감소하였다. Sentinel-2 광학 영상에서 추출한 빙설 경계와 비교하여 정확성을 검증하였으며, SAR 영상에서 자동으로 추출된 빙설의 경계와 높은 일치도를 보여 제안된 방법의 신뢰성을 입증하였다. 그러나 아직 해빙 탐지 오류는 개선할 부분이 있으며 남극 전체 지역에 대한 빙설 모니터링 방법도 연구되어야 할 것으로 판단된다. 그럼에도 GEE를 통한 자동화된 모니터링 시스템의 활용 가능성을 확인하였으며, 본 연구는 남극 빙붕의 지속적이고 장기적인 모니터링을 위한 기초자료로서 향후 자동 빙붕의 붕괴 탐지 알고리즘 연구에 중요한 기여를 할 것으로 기대된다.