DOI QR코드

DOI QR Code

Google Earth Engine 기반 광학 위성영상을 이용한 중소규모 저수지 수체 변화 분석

Analysis of Waterbody Changes in Small and Medium-Sized Reservoirs Using Optical Satellite Imagery Based on Google Earth Engine

  • 조영현 (K-water연구원 수자원환경연구소) ;
  • 노준우 (K-water연구원 수자원환경연구소)
  • Younghyun Cho (Water Resources and Environmental Research Center, K-water Research Institute) ;
  • Joonwoo Noh (Water Resources and Environmental Research Center, K-water Research Institute)
  • 투고 : 2024.07.30
  • 심사 : 2024.08.19
  • 발행 : 2024.08.31

초록

위성영상을 활용한 수체 변화 탐지 및 그 변화 연구가 최근 국내에서 여러 지역에 대해 다종 센서 적용으로 다양하게 이루어지고 있다. 본 연구에서는 Google Earth Engine (GEE) 기반 Landsat 및 Sentinel-2 광학 위성영상을 사용하여 국내에 계측 운영되고 있는 중소규모 용수댐 및 농업용 저수지 각 2개소, 총 4개소에 대한 장기 수표면적 변화 분석과 이의 실제 계측 수위 및 저수율 자료, 수표면적과의 관계식 등을 이용하여 산정된 결과와의 비교 검증 및 그 수체 변화 적용에 있어서의 활용성 평가를 용수댐 19개년, 농업용 저수지 27개년의 기간에 대하여 각각 수행하였다. 그 결과 저수지별 수표면적은 적용된 정규수분지수(normalized difference water index), Canny Edge Detection의 이미지 분석 방법과 Otsu 수체 구분 경계설정 등을 통해 안정적으로 추출이 가능하였으며, 수체의 연중 뚜렷한 변화 양상을 비교적 잘 분석해 낼 수 있는 것으로 확인이 되었다. 이렇게 분석된 수표면적 시계열 자료를 실측 수위를 바탕으로 변환된 면적과 비교, 상관성 분석을 실시한 결과에서는 용수댐의 경우 그 계수가 0.8 이상으로 높은 상관성이 확인된 반면, 농업용 저수지의 경우는 0.5~0.7 수준으로 다소 낮은 결과를 보였다. 이는 농업용 저수지 운영 특성에 의한 결과로 위성영상의 분석보다는 비교할 대상의 자료가 제대로 확보되지 못한 점에 기인했다. 아울러 규모가 작은 저수지의 분석 결과에도 여러 불일치 구간이 존재해 향후 연구에서 소규모 저수지에 대한 추가적 선정 분석도 필요한 것으로 판단되었다. 이렇게 GEE를 통해 산정, 검토된 수표면적 변화는 저수지에 있어 수위 계측만으로는 파악할 수 없는 유역 전반의 수체 변화에 대한 공간적 정보로서 유용하게 활용될 수 있으며, 또한 장기간의 방대한 위성영상 자료를 효율적으로 처리할 수 있다는 점에서 그 활용성을 확인할 수 있었다. 이를 바탕으로 향후 보다 다양한 크기 및 형상, 그리고 계측, 미계측 등 많은 개수의 댐 저수지에 대해 적용하여 저수지 군별 추가적인 연구 결과도 도출할 수 있을 것으로 기대된다.

Waterbody change detection using satellite images has recently been carried out in various regions in South Korea, utilizing multiple types of sensors. This study utilizes optical satellite images from Landsat and Sentinel-2 based on Google Earth Engine (GEE) to analyze long-term surface water area changes in four monitored small and medium-sized water supply dams and agricultural reservoirs in South Korea. The analysis covers 19 years for the water supply dams and 27 years for the agricultural reservoirs. By employing image analysis methods such as normalized difference water index, Canny Edge Detection, and Otsu'sthresholding for waterbody detection, the study reliably extracted water surface areas, allowing for clear annual changes in waterbodies to be observed. When comparing the time series data of surface water areas derived from satellite images to actual measured water levels, a high correlation coefficient above 0.8 was found for the water supply dams. However, the agricultural reservoirs showed a lower correlation, between 0.5 and 0.7, attributed to the characteristics of agricultural reservoir management and the inadequacy of comparative data rather than the satellite image analysis itself. The analysis also revealed several inconsistencies in the results for smaller reservoirs, indicating the need for further studies on these reservoirs. The changes in surface water area, calculated using GEE, provide valuable spatial information on waterbody changes across the entire watershed, which cannot be identified solely by measuring water levels. This highlights the usefulness of efficiently processing extensive long-term satellite imagery data. Based on these findings, it is expected that future research could apply this method to a larger number of dam reservoirs with varying sizes,shapes, and monitoring statuses, potentially yielding additional insights into different reservoir groups.

키워드

1. 서론

인공위성은 광범위한 지역에 대해 연속적으로 자료를 취득할 수 있으며, 여러 위성에 의해 관측된 영상 정보를 이용하여 빅데이터를 구축, 국토관리, 재난 예측 및 대응, 자원관리 등에 다양한 의사결정을 지원할 수 있다. 최근 위성 제작 기술의 발전 및 주기적 정보수집의 용이성으로 지구관측 위성의 발사 및 위성 정보 보급이 폭발적으로 증가하고 있으며, 국내에서도 다양한 위성 정보를 종합적으로 활용하여 국토관리 및 민간산업 활성화가 진행 중이다(Kim, 2023). 수자원 관리 분야의 경우, 물순환의 영역에서 정량화가 필요한 수문기상(강수, 증발산, 토양수분, 지표수, 지하수 등) 자료 생산, 이를 적용한 가뭄과 홍수 분석 등 다양한 연구가 가능하며(Lettenmaier et al., 2015; Sheffield et al., 2018; Luo et al., 2021), 아울러 수체(waterbody) 변화 탐지와 같은 모니터링에도 적용한 많은 연구 사례가 있다.

위성영상을 활용한 수체 변화 탐지에 있어 국내에서는 주로 구름 등 날씨에 상관없이 확보 가능한 합성개구레이더(synthetic aperture radar, SAR) 위성영상(KOMSAT-5, Sentinel-1, ICEYE-X, Capella X-SAR 위성 등)을 이용한 연구가 상대적으로 많이 이루어져 왔다(Park, 2016; Jang et al., 2020; Jeong et al., 2021; Park et al., 2021; Kim et al., 2022a, 2022b; Lee et al., 2022). 연구에서는 중소규모 저수지 등의 수표 면적과 이를 이용한 저수량의 산정 등을 위해 여러 임계값(threshold) 설정을 위한 방법(Otsu, Kittler-Illingworth, Gamma distribution fitting, Z fuzzy function, Chan-vese Chan 기법 등) 적용 후 수체를 구분하는 연구와 그 경계 추출의 강화를 위한 AI기법(Choi et al., 2022; Kim et al., 2022a; Lee and Jung, 2023)의 적용 그리고 결과를 활용한 가뭄판단(Jang et al., 2020; Kim et al., 2022b) 등의 분석 사례를 접할 수 있다.

한편, 광학 위성영상을 동일 연구에 활용하고자 할 때에는 비교적 구름이 없는 영상의 선별이 선행되어야 하는 제한점으로 영상확보의 한계가 있다. 하지만 광학 위성영상은 비교적 자료의 관측 기간이 긴 장점이 있고, SAR 위성영상에 비해 Landsat과 Sentinel-2 시리즈 등 활용 가능한 많은 위성영상이 무료로 배포되고 있어 그간 국내에서 정규수분지수(normalized difference water index, NDWI)를 이용해 수표면적 산정 등의 연구(Yoon et al., 2018; Lee et al., 2020; Kim et al., 2021; Kye et al., 2021; Lee et al., 2023a)를 진행한 것처럼 장기간의 저수지 수체 변화 모니터링에 그 활용성이 있겠다.

또한 최근 Google Earth Engine (GEE)과 같은 클라우드 플랫폼(Gorelick et al., 2017)을 이용한 빅데이터 처리기술의 발달로 위성영상과 같이 용량이 큰 자료에 대한 접근성이 획기적으로 개선되어 해당 컴퓨팅 인터페이스(application programming interface, API)인 JavaScript Code Editor 및 Python Google Collaboratory로 GEE의 Earth Engine Data Catalog를 통해 제공되는 광범위한 위성자료에 대한 접근과 효율적인 처리가 가능하다(Mutanga and Kumar, 2019; Amani et al., 2020; Lee et al., 2023b; Cho, 2024).

GEE 기반 Landsat 시리즈(9, 8, 7, 5, 4의 5종)와 Sentinel-2 위성의 광학영상은 주요하게 대기 보정(atmospheric correction) 전의 대기상층 반사도(top of atmosphere [TOA] reflectance)와 보정 후의 표면반사도(surface reflectance, SR)의 이미지로 구분되며, 각 위성에 탑재된 센서(instrument)에 따라 각기 다른 파장(wavelength) 대역 수의 밴드 이미지를 제공하고 있어 필요한 밴드의 조합으로 NDWI 생성 등 원하는 분석이 가능하다.

본 연구에서는 이렇게 GEE에서 제공하고 있는 Landsat 및 Sentinel-2 광학 위성영상을 이용하여 유럽연합 Joint Research Centre (JRC)의 Global Surface Water 자료(Pekel et al., 2016)와 Donchyts et al. (2016, 2022)이 제시한 NDWI, Canny Edge Detection 그리고 Otsu 임계값 설정 기반의 수체 추출 방법 적용을 통해 중소규모 저수지의 장기간에 걸친 수체 변화를 분석하고자 한다. 이와 더불어 결과의 검증을 위해 계측 운영이 되고 있는 국내 용수댐과 농업용 저수지 각 2개소에 대해 위성 탐지 수표면적과 실제 수집된 제원 및 수위, 용량 정보로부터 환산된 면적을 비교함으로써 저수지 수체 변화 모니터링에 있어서의 GEE 활용성 검토와 그 방법을 제시하고자 한다.

2. 연구 자료 및 방법

2.1. 대상 저수지

본 연구는 경상남도 울산시의 대곡 및 사연댐과 경기도 용인시의 이동저수지 그리고 전라남도 무안군의 감돈저수지를 대상으로 진행되었다. Table 1에는 대상 저수지의 유역면적, 유효저수량, 만수위 및 저수위 그리고 만수면적이 제시되어 있으며, 약 170만 톤 급의 소규모 감돈저수지를 제외한 나머지 3개 저수지의 유효저수량이 모두 2,000만 톤 이상인 중규모 저수지이다. 만수위와 저수위의 수위차 또한 3개 저수지 모두 10 m 이상으로 수위 변동에 따른 저수량 및 저수면적의 변화를 분석하기에 적합하며, 감돈저수지의 경우에도 8 m의 수위차를 감안하면 분석 대상으로 적정하다고 판단하였다.

Table 1. Specifications of target reservoirs

OGCSBN_2024_v40n4_363_3_t0001.png 이미지

한편, 수체 변화 분석을 위한 저수지별 공간적 범위는 유역면적 전체보다는 저수면적에 해당되는 영역을 파악할 수 있도록 대곡댐 35°36′N~35°40′N, 129°09′E~129°12′E, 사연댐 35°34′N~35°37′N, 129°10′E~129°13′E, 이동저수지 37°06′N~37°09′N, 127°10′E~127°14′E 그리고 감돈저수지의 경우 34°52′N~34°54′N, 126°27′E~126°29′E 이내로 설정하고, 해당 저수지의 수체 영역에 대한 변화를 GEE 내의 광학 위성영상을 활용하여 연구를 수행하였다. 참고로 대상 댐과 저수지는 각각 K-water와 한국농어촌공사에 의해 운영 및 관리 중이며, Fig. 1은 상기 대상 저수지의 위치와 수체의 형상을 확인할 수 있는 10월 말에서 11월 말 사이 고수위 시의 위성 영상을 도시한 것이다.

OGCSBN_2024_v40n4_363_3_f0001.png 이미지

Fig. 1. Location of target reservoirs and satellite images showing waterbody areas: (a) Daegok and Sayeon, (b) Idong, and (c) Gamdon.

2.2. 연구 자료

2.2.1. 저수지 관측 수위 등 운영자료 및 제원

위성으로 탐지된 저수지별 수표면적의 정확도 검증을 위한 저수지 관측 수위 및 저수량 자료는 용수댐의 경우 국가수자원관리종합정보시스템(Water Resources Management Information System) (Han River Flood Control Office, 2024), 농업용 저수지의 경우는 농촌용수종합정보시스템(Rural Agricultural Water Resources Information System) (Korea Rural Community Corporation, 2024)에서 일자료를 각각 취득하여 사용하였다. 그 기간은 저수지 운영 이력 등을 감안하여 용수댐은 2005년에서 2023년까지 총 19개년, 농업용 저수지는 1997년에서 2023년까지 총 27개년으로 선정하였으며, 이의 저수면적 환산을 위한 수위-저수용량, 수위-저수면적 관계식 등의 저수지 제원은 양 공사에서 제공하는 자료를 직접 획득하여 활용하였다. Fig. 2는 대상 용수댐과 농업용 저수지의 수위-저수용량-저수면적 곡선을 나타낸 것이다.

OGCSBN_2024_v40n4_363_4_f0001.png 이미지

Fig. 2. Water level-storage capacity-surface area curves for (a) Daegok, (b) Sayeon, (c) Idong, and (d) Gamdon reservoirs.

2.2.2. 광학 위성영상

GEE 내 활용 가능한 Landsat과 Sentinel-2 광학 위성영상은 Earth Engine Data Catalog를 통해 제공되며, 본 연구에서는 Table 2에 제시된 시리즈별 Landsat 영상과 Harmonized Sentinel-2 Multispectral Instrument (MSI) 자료를 사용하였다. 각 위성의 자료는 제공기간 등을 고려하여 TOA 반사도 이미지를 선택하였으며, 원본 자료는 각각 미국 지질조사국(United States Geological Survey)과 유럽 우주국(European Space Agency) Copernicus Program의 products와 동일하다.

Table 2. Landsat and Sentinel-2 TOA reflectance in Google Earth Engine

OGCSBN_2024_v40n4_363_5_t0001.png 이미지

Table 3은 GEE에서 제공하는 각 위성의 TOA 반사도 이미지 밴드를 제시한 것으로 여러 밴드의 조합으로 NDWI 등 원하는 영상의 처리분석이 가능하다. 이 중 Quality Assurance (QA)는 영상의 품질 및 촬영 조건에 대한 정보를 제공하는 밴드로, 예를 들어 Landsat QA_PIXEL 밴드의 비트마스크(bitmask) 10 및 11번째 비트는 구름으로 인해 영상 자료가 오염된 픽셀을 식별하는데 사용된다. 이 외에도 Landsat의 QA_RADSAT과 SAA, SZA, VAA, VZA는 각각 대기복사 보정, 태양 각도, 지표면 태양 각도, 지표면 시야 각도, 위성 시야 각도에 대한 플래그 정보를 제공하는 밴드이다(Earth Engine Data Catalog, 2024a). 한편, Sentinel-2의 경우는 QA10, QA20 그리고 QA60 밴드가 영상의 특정 품질에 대한 사항을 제공하며, QA60이 구름과 관련한 정보를 제공한다(Earth Engine Data Catalog, 2024b).

Table 3. Bands information of Landsat and Sentinel-2 TOA reflectance in GEE

OGCSBN_2024_v40n4_363_5_t0002.png 이미지

2.2.3. JRC Global Surface Water 레이어

유럽연합 JRC의 Global Surface Water 레이어(layer) 자료는 1984년부터 2021년까지 Landsat 5, 7 및 8에서 얻은 총 4,716,475개의 광학영상을 사용하여 분석된 전세계 수표면의 위치 및 시간적 분포를 도시한 것으로 해당 수면의 범위와 변화에 대한 통계적 파악이 가능하다(Pekel et al., 2016). GEE에서는 “JRC Global Surface Water Mapping Layers, v1.4” 자료로 제공되며, 총 7개의 밴드를 포함한 30 m 해상도의 단일 이미지로 구성되어 있다. 본 연구에서는 광학위성 영상 분석에서 산출된 저수지 수체 영역에 대한 검증 및 분석 보완의 목적으로 사용되었으며, Table 4는 각 밴드에 대한 상세 사항을 나타낸 것으로 자료에서는 수면 발생빈도, 변화, 계절성, 반복성, 최대 범위 등을 파악할 수 있다.

Table 4. Bands information of JRC Global Surface Water Mapping Layers in GEE

OGCSBN_2024_v40n4_363_5_t0003.png 이미지

2.3. 연구 방법

2.3.1. 정규수분지수

본 연구의 Landsat 및 Sentinel-2 광학 위성영상에 적용한 수체 영역의 추출방법은 정규수분지수(NDWI)에 그 기반을 두었다. NDWI는 지표 수분함량에 따른 분광특성을 이용한 것으로 수체에 가장 반사가 잘되는 녹색광(GREEN)과 반대로 수체에 흡수가 가장 잘되며 식생 및 토양에 반사도가 높은 근적외선파(near infrared, NIR)를 이용하여 식(1)과 같이 계산된다(McFEETERS, 1996).

\(\begin{align}\text {NDWI} = \frac{\text {GREEN-NIR}}{\text {GREEN+NIR}}\end{align}\)       (1)

여기서 GREEN은 반사된 녹색광을 포함하는 대역이며, NIR은 반사된 근적외선을 나타낸다. 식(1)을 통해 계산된 NDWI 이미지에서 식생 및 토양은 0 혹은 음의 값을 나타내는 반면, 수체는 양의 값을 가지므로 수체의 구분을 위한 NDWI 수치는 통상 0에서 1까지 범위의 값을 채택한다.

2.3.2. Canny Edge Detection

Canny Edge Detection (Canny, 1986)은 이미지의 가장자리(edge) 검출에 있어 가장 많이 사용되는 방법으로 노이즈 제거(noise reduction), 강도 경사(intensity gradients) 계산, 비최대 억제(non-maximum suppression), 히스테리시스 임계값 설정(hysteresis thresholding) 등의 다단계 알고리즘으로 구성된다. 이 방법은 먼저 이미지 품질을 저하시키는 노이즈 제거를 위해 식(2)의 커널(kernel) 크기 (2k+1) × (2k+1)의 Gaussian 필터를 적용한다.

\(\begin{align}G_{i j}=\frac{1}{2 \pi \sigma^{2}} \exp \left(-\frac{(i-(k+1))^{2}+(j-(k+1))^{2}}{2 \sigma^{2}}\right) ; 1 \leq i, j \leq(2 k+1)\end{align}\)       (2)

여기서 Gij는 i, j 요소의 Gaussian 커널이며, σ는 Gaussian 커널 요소로부터의 표준편차이다. 참고로 Gaussian 커널 크기 및 σ 값이 클수록 블러링(blurring) 강도가 증가해 이미지는 더욱 매끄럽게 변하지만 가장자리 검출을 위한 지역적 오차는 약간 증가한다. 이에 이미지의 세부 정보를 유지하려는 경우 보통 5 × 5 크기(k=2)의 필터를 적용한다. 다음으로는 노이즈가 제거된 이미지에서 수평, 수직 및 대각선 방향에 대해 경계 검출 알고리즘인 소벨 연산자(Sobel operator)를 적용하여 수평과 수직 방향의 변화량(1차 미분 값), Gx, Gy를 산정 후 식(3)과 (4)를 이용하여 경계 강도 경사 G와 경계 방향 각도 θ를 결정한다.

\(\begin{align}G=\sqrt{G_{x}^{2}+G_{y}^{2}}\end{align}\)       (5)

\(\begin{align}\theta=\tan ^{-1}\left(\frac{G_{y}}{G_{x}}\right)\end{align}\)       (6)

여기서 θ는 수직, 수평 및 두 대각선을 나타내는 0°, 45°, 90°, 135° 중 하나로 반올림을 해야 한다. 예를 들어 0°~22.5°, 157.5°~180° 범위의 θ는 0°로 결정된다. 이후 적용되는 알고리즘으로는 비최대 억제에 대한 사항으로 이미지의 가장자리, 즉 경계 검출에 기여하지 않는 픽셀을 제거하는 과정이다. Fig. 3은 그 예를 도시한 것으로 이전의 과정에서 결정된 경계 방향 각도 90°, 즉 경계가 동서 방향일 때의 해당 픽셀 A 강도 경사가 다른 남북 뱡향 픽셀 B 혹은 C보다 크면 그 지점을 경계로 간주하며, 이때 경계 부호는 남북, 북남 상관없이 고려된다.

OGCSBN_2024_v40n4_363_6_f0001.png 이미지

Fig. 3. A graphic example of non-maximum suppression (Hong et al., 2021).

마지막으로 히스테리시스 임계값 설정은 이전 과정에서 검출된 경계(강도 경사 최대치 픽셀)가 실제 이미지의 가장자리인지를 판단하는 단계로 노이즈 및 이미지 색 변화에서 유래하는 픽셀을 제거한다. 본 알고리즘은 먼저 두 개의 상하 임계값 설정을 통해 1차적으로 하위 임계값보다 작은 강도 경사 값 픽셀의 제거와 상하 임계값 사이의 약한 경계 픽셀을 지정한다. 이후 약한 경계 픽셀은 일반적으로 강한 경계 픽셀과 연결되며 제거 대상인 픽셀은 연결되어 있지 않다는 개념을 도입하여, 경계 연결 추적을 위한 블롭(blob) 분석을 통해 약한 경계 픽셀과 8방향으로 연결된 이웃 픽셀을 검토·식별하고 최종 경계 픽셀을 검출하게 된다.

2.3.3. 저수지 수표면적 산정

본 연구에서의 수체 변화 분석을 위한 방법론은 기본적으로 Donchyts et al. (2016, 2022)이 제시한 절차를 이용하였다. Fig. 4는 저수지의 수표면적 산정을 위해 진행한 전반적인 작업의 순서로 주요하게 앞서 상술한 NDWI 및 Canny Edge Detection을 통해 수체 영역 분석과 그 경계 추출을 실시하며, 추가적으로 영상 분석에서 주로 활용되는 Otsu 임계값 설정 방법을 적용하여 최종적인 수체영역 구분과 해당 저수지의 수표면적을 산정한다. 참고로 Otsu 기법(Otsu, 1979)은 분석 영상의 히스토그램(histogram)을 활용하여 임계값을 산정하는 방법으로 임계값을 기준으로 히스토그램이 두 개의 클래스로 구분되었다는 가정하에 클래스 별 분산(within-class variance)은 최소화, 각 클래스 분선 간의 차이(inter-class variance)는 최대화를 갖는 임계값을 구한다(Jeong et al., 2021).

OGCSBN_2024_v40n4_363_7_f0001.png 이미지

Fig. 4. Schematic overview of the process for reservoir surface water area computation.

Fig. 4에 도시된 각 분석 과정에서 고려하여야 할 주요 사항으로는 먼저 구름의 영향이 없는 위성영상의 사용을 위해 앞서 설명한 QA 밴드를 활용하여 이미지를 선별하거나(QA60의 Bit 10 및 11 참조, Sentinel-2 위성의 경우에 해당), GEE에서 제공하는 built-in 알고리즘인 “ee.Algorithms.Landsat.simpleCloudScore”를 이용해 구름 대역을 판별한 이미지를 준비(Landsat 위성에 해당) 후 각각 클라우드 마스킹(cloud masking)을 수행한 해당 이미지 셋을 생성한다(Fig. 4, JavaScript codes[A]). 이후 이를 활용해 NDWI를 계산하고, NDWI 이미지 영역의 가장자리를 추출을 위해 GEE 알고리즘인 “ee.Algorithms. CannyEdgeDetector”를 적용하는데 필요 파라미터(parameter)로는 Fig. 4에 제시된 것처럼 NDWI 이미지와 강도 경사(cannyThreshold) 및 σ (cannySigma)로 본 연구에서는 그 수치를 각각 0.5 및 0.7로 입력하고 분석을 수행하였다(Fig. 4, JavaScript codes [B]). 참고로 본 알고리즘은 강도 경사 수치보다 큰 경우를 감지하며, σ 값이 클수록 더 많은 노이즈 감소와 굵고 선명한 가장자리를 추출할 수 있으나 이미지의 세부 정보는 손실된다.

다음으로는 NDWI 이미지로부터의 수체 구분을 위하여 그 임계값 설정을 하여야 하며, 여기에는 Otsu 기법을 활용하여 각 이미지별 임계값을 계산한다. 임계값의 경우 –0.15를 그 최소 값으로 설정하여 본 수치보다 작게 임계값이 산정된 경우는 –0.15를 적용하여 수체, 비수체 구분을 수행하였다. 아울러 앞서 과정에서 산출된 NDWI 가장자리의 모든 셀에 대해 JRC Global Surface Water 레이어로부터의 그 수면 발생빈도(water occurrence) 값을 추출하는데, 이는 원래 수면이지만 처리된 위성영상 이미지에서 구름 영향 및 여러가지 오류 등으로 인해 NDWI에서 수체로 분류되지 않은 이미지 영역을 보완하기 위한 과정으로 설명할 수 있다. 추가적으로 기술하면 추출된 수면 발생빈도 값에 원하는 백분위수(percentile, p)를 설정하여 그 해당 순위의 수치를 취하는데, 본 연구에서는 p를 50으로 설정, 중위수에 해당하는 JRC 레이어의 수면 발생빈도를 선택하도록 했으며, 이에 따라 그 수면 발생빈도 이미지의 해당 영역을 참조하여 수체로 분류되지 않은 분석 영역을 채운다. 예를 들어, 상기 과정에서 추출한 NDWI 가장자리 이미지 셀들의 중간 값이 33이면 33% 빈도로 물이 차는 수면 영역의 이미지를 참조하게 되며, 분석에서 그 백분위수를 작게 설정하면 더 넓은 영역이 채워지게 된다(Fig. 4, JavaScript codes [C]).

Fig. 5는 이동저수지에 적용 분석된 2023년 2월의 사례를 나타낸 것으로 JRC 수면 발생빈도 레이어와 이를 참조하여 오류가 발생한 영역에 대해 노란색으로 보완된 이미지를 확인할 수 있다. 이렇게 보완이 완료된 이미지는 Figs. 5(b, c)에 제시된 해당 저수지 분석영역(reservoir geometry) 내의 수체에 대해서만 면적 계산을 수행하게 되는데 해당 셀의 스케일(scale)은 30 m로 적용하여 최종 저수지 수표 면적 값을 산정하였다.

OGCSBN_2024_v40n4_363_8_f0001.png 이미지

Fig. 5. Analyzed imageries for Idong reservoir: (a) JRC water occurrence, (b) reservoir geometry, (c) combined image, and (d) to (f) surface water area gaps filled (February 2023).

3. 연구결과 및 토의

3.1. 위성기반 저수지 수표면적

본 연구의 결과로 우선 GEE의 Landsat 시리즈와 Sentinel-2 광학 위성영상으로부터 분석 산정된 저수지 수표면적 변화를 Fig. 6과 7에 용수댐과 농업용 저수지 순으로 각각 제시하였다. 시계열 그래프로 도시된 분석 대상 4개 저수지의 결과에서는 일부 이상치로 판단되는 구간도 보이지만, 전반적으로 저수지 유역의 연중 계절적 수문조건 변동 요인으로 인한 수표면적 변화가 뚜렷하게 나타난 것을 확인할 수 있다.

OGCSBN_2024_v40n4_363_8_f0002.png 이미지

Fig. 6. Surface water area for (a) Daegok and (b) Sayeon dam reservoirs.

OGCSBN_2024_v40n4_363_8_f0003.png 이미지

Fig. 7. Surface water area for (a) Idong and (b) Gamdon agricultural reservoirs.

그림에 제시된 용수댐 19개년과 농업용 저수지 27개년의 시계열 자료에서 과거기간에 비해 최근의 분석 결과가 조금 더 뚜렷한 수표 면적 변화를 보여주고 있는데, 이는 해당 위성의 대수 증가 및 다종 광학영상의 활용으로 인해 동일지역에 조금 더 조밀해진 촬영 빈도가 반영된 것이다. 참고로 그림에 표기된 L5~L9 및 S2는 각각 Landsat 5~9과 Sentinel-2의 광학 위성영상으로부터 산정된 저수지 수표면적을 나타낸다. 결과에 도시된 수표면적은 앞서 방법론에서 설명한 것처럼 위성영상 이미지에서 구름 영향 및 여러가지 오류 등으로 오염된 부분에 대해서는 JRC의 수면 발생빈도 레이어를 참조하여 그 해당 영역을 채운 후 합산하여 산정한 면적이다.

3.2. 위성기반 저수지 수체 변화의 관측대비 상관성

위성영상으로부터 산정된 저수지 4개소에 대한 수표면적의 저수지별 실제 관측 수위 및 저수량 자료를 이용하여 환산한 면적과 비교, 검증을 위한 최종적인 저수지 수체 변화 분석 결과를 Fig. 8과 9에 시계열 그림으로 제시하였다.

OGCSBN_2024_v40n4_363_9_f0001.png 이미지

Fig. 8. Surface water area comparison plots for (a) Daegok and (b) Sayeon dam reservoirs.

OGCSBN_2024_v40n4_363_9_f0002.png 이미지

Fig. 9. Surface water area comparison plots for (a) Idong and (b) Gamdon agricultural reservoirs.

그 결과를 살펴보면 먼저, Fig. 8에 도시된 용수댐의 경우는 2개 저수지 모두 위성으로 탐지된 수표면적 변화가 실측 수위를 바탕으로 계산된 수표면적 범위, 즉 그 댐의 수위운영 범위와 유사하게 나타났다. 이는 위성으로 관측된 저수지의 수체가 대부분 본 연구에서 적용한 방법을 통해 안정적으로 분석된 것으로 판단할 수 있으며, 다만 몇몇 구간 특히, 고수위를 나타내는 시점에서의 면적 수치가 다소 작게 불일치하는 결과를 파악할 수 있다. 이는 관측 수위로부터 저수면적 변환 시의 관계식에 의해 그 면적이 더 크게 산정되었거나 위성영상 분석 시 수체 영역으로 분류된 면적이 과소하게 추출되어진 결과로 우선 그 원인을 판단해 볼 수 있겠다. 또한 고려해 볼 수 있는 사항으로 결과가 그 반대의 상황이라면, 댐 지점에서 계측된 수위의 경우 단순히 수평으로 그 유역 상류까지 수위를 연장해 저수면적을 산정하여 수위와의 관계식 등에 반영한 반면, 실제 고수위가 나타나는 홍수기 큰 유입량의 발생 시에 그 배수위(backwater)가 형성된 저수지 상류 구간의 면적이 위성영상에는 반영될 수 있기 때문에 위성기반의 분석 결과 수치가 더 과대하게 산정될 경우도 있을 것이다.

하지만 본 연구의 사례에서는 상기 후술한 경우에 해당하는 구간은 분석 결과에 거의 나타나지 않았으며, 사연댐의 경우는 특히 고수위 때의 면적 차이가 작게 결과된 구간이 대부분이다. 한편, 댐의 수위 일자료는 24시 정각의 계측 값으로 광학 위성이 모두 낮시간때 촬영된 가시광선 영역의 이미지들이기 때문에 그 비교 시간대에 차이가 있어 홍수 시 급격히 변하는 하천유량에 따른 수위 및 저수지 수체 형성 변화를 정확히 반영하여 분석하기에는 한계가 존재한다. 즉 수위가 계측된 시간과 일치하는 시점의 위성영상을 비교하지 못해 고수위 시의 그 결과에 차이가 있을 수 있다. 그러나 수위-수표면적 관계식 등에도 분석 결과 차이의 주요 원인이 있을 수 있기 때문에 향후 중소규모 저수지에 대한 적용에서는 관계식 업데이트 여부 등도 검토해 볼 필요가 있겠다. 아울러 저수지 형상에 따른 수체 흐름, 동수경사(hydraulic gradient) 등의 영향도 고려해 다양한 형상의 더 많은 저수지를 대상으로 한 분석 연구도 필요한 것으로 판단된다.

다음으로 Fig. 9의 농업용 저수지의 경우는 운영 특성상 그 수위의 계측이 대부분 자유 월류언까지만 됨으로 그 이상의 수위에 대해서는 모두 동일한 값으로 제시되어 있는 것을 확인할 수 있다. 이는 특히, 홍수 시 월류언으로 overflow되는 유량이 많을 경우 그 수위에 의한 면적과 위성관측에 의해 분석된 수표면적 차이가 더욱 크게 발생할 수 있다. 이에 따라 Fig. 9의 결과처럼 용수댐과는 다르게 고수위 구간의 결과가 대부분 일치하지 않는다. 따라서 농업용 저수지는 계측, 미계측에 상관없이 그 수체 변화의 정확한 파악을 위해서는 위성영상을 이용한 모니터링이 필요한 사항으로 판단된다. 다만 과거에 비해 퇴사 등으로 인한 수체의 용량 감소 등이 있을 수 있으므로 계측 저수지에 대해서는 앞서 용수댐에서 설명한 것처럼 수위-용량-수표면적의 관계식도 재검토해 볼 필요가 있다.

Fig. 10은 분석 대상 전체 4개 저수지에 대한 산점도를 제시한 것으로 용수댐의 경우는그 상관계수(Pearson correlate on coefficient, R)가 대곡댐 0.963, 사연댐 0.796으로 비교적 높게 나타나 안정적으로 계측, 분석된 것으로 보이는 반면, 농업용 저수지의 경우 앞서 설명한 수위(저수율) 계측의 한계로 산점도에서 계측 최대 특정치 이상은 모두 동일한 값으로 표시, 다소 왜곡된 형태로 형성되어 있는 것을 알 수 있다. 이에 따라 그 상관계수도 이동저수지 0.732, 감돈저수지 0.506으로 용수댐에 비해 낮은 결과를 보인다. 한편, 감돈저수지의 경우에는 수위가 낮은 저수위 구간에도 위성영상으로 분석한 결과와 일치하지 않는 여러 구간이 존재해 수위 계측 혹은 영상 판독에 있어 정확성 여부를 추가로 분석할 필요가 있을 것으로 판단된다. 특히, 감돈저수지의 유역 면적이 본 연구의 분석 대상 중 가장 작은 크기이기 때문에 규모가 유사한 소규모 계측 저수지의 추가 선정을 통해 저수지 규모에 따른 결과의 정확도도 향후 비교 분석해 볼 필요가 있다.

OGCSBN_2024_v40n4_363_10_f0001.png 이미지

Fig. 10. Scatter plots comparing the surface water area for (a) Daegok and (b) Sayeon dam reservoirs, and (c) Idong and (d) Gamdon agricultural reservoirs.

마지막으로 수위가 계측되고 있는 댐 저수지는 유역 전체를 보았을 때는 댐 지점 혹은 그 수위계가 설치되어 있는 지점의 수위 만의 정보를 가지고 있기 때문에 보다 광범위한 전체 유역의 수체 변화를 파악하기에는 한계가 있다. 즉 분석에서 그 지점에 대한 계측 수치를 다시 면적으로 변경하여 위성기반의 면적과 비교 검토를 진행한 사항에는 계측 점 위치, 그리고 관계식을 통한 변환에 있어서의 오류가 있을 수 있다는 것이다. 따라서 저수지의 보다 정확한 관리와 그 수체 변동의 파악을 위해서는 위성영상의 활용 병행이 반드시 필요한 사항으로 판단되며, 이를 활용한 저수지 운영 특성파악에 적용할 수 있는 관련 여러 연구가 가능할 것으로 사료된다.

3.3. 클라우드 플랫폼 기반 저수지 수체 변화 분석의 활용성

본 연구에서 활용한 클라우드 기반 플랫폼인 GEE에서는 방대한 위성영상 자료의 수집과 전처리 과정을 효율적으로 처리할 수 있게되어 상대적으로 긴 기간에 대해 효과적이고 통찰력있는 분석의 수행이 가능하다(Cho, 2024). 구체적으로 Landsat과 Sentinel-2 광학 위성영상의 경우, 우선 분석에 필요한 이미지의 구름 영역에 대한 처리가 필수적인데 GEE에서는 준비된 영상 이미지의 QA 밴드를 활용하거나 built-in 알고리즘을 이용하여 이미지 선별 및 클라우드 마스킹 수행을 비교적 간단하게 반복적으로 처리할 수 있게끔 지원이 되기 때문에 광학 위성영상의 주요 전처리 과정에 대한 그 활용성은 상당히 높다 판단된다. 이 밖에도 위성영상 분석에 필요한 이미지 관련 다양한 알고리즘이 준비되어 이미지 처리뿐만아니라 시계열 분석, 공간 분석, 시각화 등에도 활용이 가능하므로 그 활용 범위 또한 매우 넓다고 할 수 있다. 예를 들면 본 연구의 이미지 경계 분석에 활용한 “ee.Algorithms.CannyEdgeDetector”라던지 Otsu 임계값 적용을 위한 히스토그램 분석에 사용한 “ee.Array”에 대한 함수 등이 이미 GEE에 내재되어 있기 때문에 복잡한 코딩 과정을 거치지 않고 적합한 스크립트를 구성하여 활용하면 되는 구조이다.

한편, 본 연구의 저수지 수체 변화 모니터링에 있어 결과에는 상세하게 기술하지 않았지만 부가적으로 분석할 수 있는 여러 사항들이 있는데, JRC 레이어의 수면 발생빈도를 참조하여 수면으로 채워진 영역과 수체 분석 시 수면으로 구분된 영역 구분, 관련 비율(fraction) 계산, 이미지 별로 산출된 NDWI 구분 임계값 등 보다 세부적인 정보도 추출 및 도시화가 가능하다. Fig. 11은 대곡댐의 사례로 그림에서는 분석을 통해 보완된 영역(area filled)의 수치 확인이 가능하다.

OGCSBN_2024_v40n4_363_10_f0002.png 이미지

Fig. 11. Surface water area (detected & filled) for Daegok dam reservoir.

단점으로는 Cho (2024)가 지적한 바와 같이 GEE의 기본 클라우드 용량 제한에 따른 계산 한계 및 라이선스 조건 등으로 유역의 크기가 큰 댐 저수지에 대해서는 분석상의 제약이 있을 수 있다. 하지만 단일 중소규모 저수지에 대해서는 본 연구에서 적용해본 방법으로 충분히 관련 수체 변화 시계열 분석이 가능할 것으로 판단된다. 아울러 GEE의 활용 범위가 그 데이터 및 기간에서 점점 더 확장되고 있는 상황이기 때문에 국내 계측, 미계측 저수지에 적용, 더욱 많은 연구에 활용될 수 있는 잠재력을 가지고 있다고도 사료된다. 다만 위성영상으로 분석된 사항을 정확하고 합리적으로 검증할 수 있는 지상 계측 자료가 잘 준비되어 있어야만 관련 저수지 운영 측면에 궁극적으로 개선이 될 수 있는 유용한 정보로 활용될 수 있을 것이다.

4. 결론

본 연구에서는 Google Earth Engine 기반 Landsat 및 Sentinel-2 광학 위성영상을 사용하여 국내에서 계측 운영되고 있는 중소규모 저수지 총 4개소에 대한 수표면적 변화 분석과 이의 실제 계측 수위 및 저수율 자료, 수표면적과의 관계식 등을 이용하여 산정된 결과와의 비교 검증 및 그 수체 변화 적용에 있어서의 활용성 평가를 수행하였다. 그 결과 저수지별 수표면적은 적용된 여러 이미지 분석 방법과 수체 구분의 경계설정 등을 통해 안정적으로 추출이 가능하였으며, 수체의 연중 뚜렷한 변화 양상을 비교적 잘 분석해 낼 수 있는 것으로 확인이 되었다. 이렇게 분석된 수표면적 시계열 자료를 실측 수위를 바탕으로 변환된 면적과 비교, 상관성 분석을 실시한 결과에서는 용수댐의 경우 그 계수가 0.8 이상으로 높은 상관성이 확인된 반면, 농업용 저수지의 경우는 0.5~0.7 수준으로 다소 낮은 결과를 보였다. 이는 여수로의 자유 월류언까지만 수위 계측이 되는 농업용 저수지 운영 특성상 위성영상의 분석 결과와 비교할 대상의 자료가 제대로 확보되지 못한 점에 기인한 것으로 판단된다.

아울러 규모가 작은 저수지의 분석 결과에도 여러 불일치 구간이 존재해 향후 연구에서 소규모 저수지에 대한 추가 선정 분석도 필요한 것으로 사료된다. 이렇게 GEE를 통해 산정, 검토된 수표면적 변화는 저수지에 있어 수위 계측만으로는 파악이 불가능한 유역 전반의 수체 변화에 대한 공간적 정보로서 유용하게 활용될 수 있으며, 또한 장기간의 방대한 위성영상 자료를 효율적으로 처리할 수 있다는 점에서 그 GEE의 활용성을 확인할 수 있었다. 결론적으로 본 연구에서 적용한 GEE 기반의 수체 변화 분석 방법을 보다 다양한 크기 및 형상 그리고 계측, 미계측 등 많은 개수의 댐 저수지에 대해 적용하여 분석해 본다면, 본 연구에서는 파악하지 못한 보다 더 심도있는 저수지 군별 추가적인 연구 결과도 도출할 수 있을 것으로 기대된다.

사사

본 연구는 국토교통부/국토교통과학기술진흥원의 지원(과제번호: RS-2022-00155763)으로 수행되었으며, 이에 감사드립니다.

Conflict of Interest

No potential conflict of interest relevant to this article was reported.

참고문헌

  1. Amani, M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A., Mirmazloumi, S. M., et al., 2020. Google Earth Engine cloud computing platform for remote sensing big data applications: A comprehensive review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 5326-5350. https://doi.org/10.1109/JSTARS.2020.3021052
  2. Canny, J., 1986. A computational approach to edge detection. IEEE Transactions of Pattern Analysis and Machine Intelligence, PAMI-8(6), 679-698. https://doi.org/10.1109/TPAMI.1986.4767851
  3. Cho, Y., 2024. Study on the possibility of estimating surface soil moisture using Sentinel-1 SAR imagery based on Google Earth Engine. Korean Journal of Remote Sensing, 40(2), 229-241. https://doi.org/10.7780/kjrs.2024.40.2.9
  4. Choi, S., Youn, Y., Kang, J., Park, G., Kim, G., Lee, S., et al., 2022. An artificial intelligence approach to waterbody detection of the agricultural reservoirs in South Korea using Sentinel-1 SAR images. Korean Journal of Remote Sensing, 38(5-3), 925-938. https://doi.org/10.7780/kjrs.2022.38.5.3.10
  5. Donchyts, G., Schellekens, J., Winsemius, H., Eisemann, E., and Van de Giesen, N., 2016. A 30 m resolution surface water mask including estimation of positional and thematic differences using Landsat 8, SRTM and OpenStreetMap: A case study in the Murray-Darling basin, Australia. Remote Sensing, 8(5), 386. https://doi.org/10.3390/rs8050386
  6. Donchyts, G., Winsemius, H., Baart, F., Dahm, R., Schellekens, J., Gorelick, N., et al., 2022. High-resolution surface water dynamics in Earth's small and medium-sized reservoirs. Scientific Reports, 12, 13776. https://doi.org/10.1038/s41598-022-17074-6
  7. Earth Engine Data Catalog, 2024a. USGS Landsat 9 Collection 2 Tier 1 TOA Reflectance. Available online: https://developers.google.com/earth-engine/datasets/catalog/LANDSAT_LC09_C02_T1_TOA#bands (accessed on July 30, 2024).
  8. Earth Engine Data Catalog, 2024b. Harmonized Sentinel-2 MSI: MultiSpectral Instrument, Level-1C. Available online: https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_HARMONIZED#bands (accessed on July 30, 2024).
  9. Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., and Moore, R., 2017. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18-27. https://doi.org/10.1016/j.rse.2017.06.031
  10. Han River Flood Control Office, 2024. Water Resources Management Information System. Available online: http://www.wamis.go.kr/ (accessed on July 30, 2024).
  11. Hong, R., Park, J., Jang, S., Shin, H., Kim, H., and Song, I., 2021. Development of a parcel-level land boundary extraction algorithm for aerial imagery of regularly arranged agricultural areas. Remote Sensing, 13(6), 1167. https://doi.org/10.3390/rs13061167
  12. Jang, M.-Y., Song, J.-I., Jang, C.-R., and Kim, H.-T., 2020. Estimation of small reservoir storage using Sentinel-1 image. Journal of the Society of Disaster Information, 16(1), 79-86. https://doi.org/10.15683/kosdi.2020.3.31.079
  13. Jeong, J., Oh, S., Lee, S., Kim, J., and Choi, M., 2021. Sentinel-1 SAR image-based waterbody detection technique for estimating the water storage in agricultural reservoirs. Journal of Korea Water Resources Association, 54(7), 535-544. https://doi.org/10.3741/JKWRA.2021.54.7.535
  14. Kim, H., Kim, D.-J., and Kim, J., 2022a. Water segmentation based on morphologic and edge-enhanced U-Net using Sentinel-1 SAR images. Korean Journal of Remote Sensing, 38(5-2), 793-810. https://doi.org/10.7780/kjrs.2022.38.5.2.11
  15. Kim, J., Kim, E., andKang, B., 2021. Estimation of ungauged Hwanggang dam inflow using Sentinel-2 optical satellite imagery. Journal of Korea Water Resources Association, 54(4), 265-277. https://doi.org/10.3741/JKWRA.2021.54.4.265
  16. Kim, T., 2023. Introduction to development of comprehensive land management technology using satellite image information bigdata. Korean Journal of Remote Sensing, 39(5-4), 1069-1073. https://doi.org/10.7780/kjrs.2023.39.5.4.1
  17. Kim, W., Jeong, J., and Choi, M., 2022b. Evaluation of reservoir monitoring-based hydrological drought index using Sentinel-1 SAR waterbody detection technique. Korean Journal of Remote Sensing, 38(2), 153-166. https://doi.org/10.7780/kjrs.2022.38.2.2
  18. Korea Rural Community Corporation, 2024. Rural Agricultural Water Resources Information System. Available online: https://rawris.ekr.or.kr/main.do (accessed on July 30, 2024).
  19. Kye, C., Shin, D.-K., Yi, J., and Kim, J., 2021. Waterbody detection from Sentinel-2 images using NDWI: A case of Hwanggang dam in North Korea. Korean Journal of Remote Sensing, 37(5-1), 1207-1214. https://doi.org/10.7780/kjrs.2021.37.5.1.30
  20. Lee, E.-R., and Jung, H.-S., 2023. A study of development and application of an inland water body training dataset using Sentinel-1 SAR images in Korea. Korean Journal of Remote Sensing, 39(6-1), 1371-1388. https://doi.org/10.7780/kjrs.2023.39.6.1.16
  21. Lee, H.-J., Nam,W.-H., Yoon, D.-H.,Jang, M.-W., Hong, E.-M.,Kim, T., and Kim, D. E., 2020. Estimation of water storage in small agricultural reservoir using Sentinel-2 satellite imagery. Journal of the Korean Society of Agricultural Engineers, 62(6), 1-9. https://doi.org/10.5389/KSAE.2020.62.6.001
  22. Lee, H.-J., Sur, C., Cho, J., and Nam, W.-H., 2023a. Convergence of remote sensing and digital geospatial information for monitoring unmeasured reservoirs. Korean Journal of Remote Sensing, 39(5-4), 1135-1144. https://doi.org/10.7780/kjrs.2023.39.5.4.7
  23. Lee, J., Kim, K., and Lee, K., 2023b. An experiment for surface soil moisture mapping using Sentinel-1 and Sentinel-2 image on Google Earth Engine. Korean Journal of Remote Sensing, 39(5-1), 599-608. https://doi.org/10.7780/kjrs.2023.39.5.1.11
  24. Lee, S., Jeong, J., Oh, S., Jeong, H., and Choi, M., 2022. Multi-resolution SAR image-based agricultural reservoir monitoring. Korean Journal of Remote Sensing, 38(5-1), 497-510. https://doi.org/10.7780/kjrs.2022.38.5.1.5
  25. Lettenmaier, D. P., Alsdorf, D., Dozier, J., Huffman, G. J., Pan, M., and Wood, E. F., 2015. Inroads of remote sensing into hydrologic science during the WRR era. Water Resources Research, 51(9), 7309-7342. https://doi.org/10.1002/2015WR017616
  26. Luo, Z., Shao, Q., Wan, W., Li, H., Chen, X., Zhu, S., and Ding, X., 2021. A new method for assessing satellite-based hydrological data products using water budget closure. Journal of Hydrology, 594, 125927. https://doi.org/10.1016/j.jhydrol.2020.125927
  27. McFEETERS, S. K., 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425-1432. https://doi.org/10.1080/01431169608948714
  28. Mutanga, O., and Kumar, L., 2019. Google Earth Engine applications. Remote Sensing, 11(5), 591. https://doi.org/10.3390/rs11050591
  29. Otsu, N., 1979.Athreshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, 9(1), 62-66. https://doi.org/10.1109/TSMC.1979.4310076
  30. Park, J., Kang, K.-M., and Hwang, E.-H., 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. https://doi.org/10.11108/kagis.2021.24.4.041
  31. Park, S.-E., 2016. Detection of water bodies from Kompsat-5 SAR data. Korean Journal of Remote Sensing, 32(5), 539-550. https://doi.org/10.7780/kjrs.2016.32.5.11
  32. Pekel, J.-F., Cottam, A., Gorelick, N., and Belward, A. S., 2016. High-resolution mapping of global surface water and its long-term changes. Nature, 540, 418-422. https://doi.org/10.1038/nature20584
  33. Sheffield, J., Wood, E. F., Pan, M., Beck, H., Coccia, G., Serrat-Capdevila, A., and Verbist, K. J. W. R. R., 2018. Satellite remote sensing for water resources management: potential for supporting sustainable development in data-poor regions. Water Resources Research, 54, 9724-9758. https://doi.org/10.1029/2017WR022437
  34. Yoon, S., Lee, S., Park, K., Jang, S., and Rhee, J., 2018. Development of a storage level and capacity monitoring and forecasting techniques in Yongdam dam basin using high resolution satellite image. Korean Journal of Remote Sensing, 34(6-1), 1041-1053. https://doi.org/10.7780/kjrs.2018.34.6.1.16