1. 서론
우리나라는 여름철에 강우가 집중되는 기상학적 여건과 대수층이 발달하지 못한 지형학적 여건으로 가뭄에 매우 취약하고, 특히 2015년에는 메르스 바이러스에 이어 대가뭄이라는 또 하나의 재난에 시달렸다(Kim and Park, 2015). 기상청에 따르면 2015년 1월 1일부터 2015년 11월까지 전국 누적 강수량은 780.4 mm로 30년 평균치인 1,241.5 mm의 62%에 그쳤다고 한다(Kim et al., 2015). 지금까지 다목적댐 개발과 광역상수도망 확충 등의 수자원 개발에 용수공급능력을 향상시켜 가뭄에 대한 심각성을 느끼지는 못했지만, 최근 대도시의 확대, 용수공급시설의 지역적 편중 등으로 물 부족 상황이 발생할 위험이 커지고 있다(Kim and Park, 2015). 이러한 문제들로 다양한 데이터를 활용한 가뭄 분석 및 대비가 필요하다.
가뭄은 관심과 목적에 따라 기상학적 가뭄, 농업적 가뭄, 수문학적 가뭄, 사회경제학적 가뭄으로 나눠진다(Wilhite and Glantz, 1985). 이를 분석하는 방법으로 강수량 기반, 수자원 기반, 그리고 위성영상 기반 등이 있다. 이들 중 기존의 가뭄 분석 방법은 강수량 기반이 주를 이루었다. 기상학적 가뭄을 다루는 강수량 기반 분석 방법은 PDSI (Palmer Drought Severity Index), SPI (Standard Precipitation Index), 그리고 EDI (Effective Drought Index) 등이 사용된다(Lee et al., 2015a). 하지만 강수량 기반의 가뭄 분석 기법들은 종관기상관측장비(Automated Surface Observing System) 혹은 지역별상세관측자료(Automatic Weather Station)를 사용하였기 때문에 부분적인 가뭄의 경향만을 파악하는 단점이 있다. 강수량 기반의 수문학적 가뭄은 유역의 강우, 강설, 하천유출, 저수량을 입력인자로 하는 SWSI (Surface Water Supply Index)가 대표적이다(Kwon et al., 2007). SWSI의 입력인자는 센서 기반으로 취득하기 때문에 강수량 기반의 방법과 동일한 문제점을 갖는다. 반면 위성영상은 광범위한 지역을 촬영하고, 물과 지면을 분리할 수 있는 파장대 영역을 지니고 있다. 이런 특성을 이용하여 센서 자료에만 국한되지 않고 수계면적을 추출하여 보다 정확한 가뭄 유무를 파악할 수 있어야 한다.
기존의 위성영상을 기반으로 한 가뭄 분석 기법은 MODIS (Moderate Resolution Imaging Spectroradiometer) 위성영상에서 정규식생지수(Normalized Difference Vegetation Index)와 정규수분지수(Normalized Difference Water Index)를 이용하여 초지의 가뭄 분석 연구가 있다(Gu et al., 2007). Wang and Qu(2007)는 토양과 식생의 수분함유량을 모니터링하기 위해 정규다중밴드가뭄지수(Normalized Multi-band Drought Index)를 제안하였다. Gu et al.(2007)의 결과와 비교하여 만족할만한 정확성을 나타냈지만, 나지 및 식생 지역에서는 한계를 나타내었다. Rhee et al.(2010)은 MODIS와 TRMM (Tropical Rainfall Measuring Mission) 위성영상에서 정규식생지수, 강수량, 그리고 지표면 온도를 이용해 SDCI (Scaled Drought Condition Index)를 산출하여 가뭄을 분석하였다. 미국 지역을 대상으로 PDSI (Palmer Drought Severity Index), Z-index (Palmer’s Z-Index), 그리고 SPI3 (Standard Precipitation Index) 등과 비교해본 결과 높은 정확도를 파악할 수 있었다. 대부분의 가뭄 분석 연구들이 위성영상의 다중밴드를 활용하여 가뭄지수를 산출하고, 가뭄 지도를 제작하는 방법을 이용한다.
본 연구에서는 지역별 가뭄 파악을 위해 Landsat-8 위성영상과 하천 디지털 자료를 이용하여 소양호와 보령호를 추출하였고, 2014년부터 2015년까지의 면적 변화를 분석하였다. 추출한 수계 면적의 검증을 위해 국가수자원관리종합정보시스템(Water Management Information System)에서 제공하는 소양댐과 보령댐의 저수위자료와 비교하여 정확도를 파악하였다. 이를 기반으로 Landsat-8 위성영상으로 추출한 수계면적 변화가 가뭄을 파악할 수 있다는 가능성을 제시하고자 한다.
2. 수계면적 변화탐지 알고리즘
수계면적 변화탐지 알고리즘은 전처리, Landsat-8 위성영상을 이용한 정규수분지수 산출, Otsu 이진화 알고리즘 적용, 그리고 수계 영역 마스킹으로 나누어진다. 먼저, 정규수분지수 산출은 위성영상의 가시광과 근적외 파장대 영역의 파장정보를 이용하여 영상 내 각 화소가 포함하고 있는 수분량을 파악하기 위해 사용된다. 그리고 Otsu 이진화 알고리즘은 영상 내 지표면과 수계지역의 분류에 사용된다. 마지막으로 수계 영역 마스킹을 통해서 수계 면적을 파악할 수 있다. Fig. 1은 수계면적 변화탐지 알고리즘의 흐름도를 나타낸다.
2.1 전처리(Preprocessing)
위성영상은 일반 사진과 달리 별도의 작업을 처리한 후 활용할 수 있다. 이를 전처리 과정이라고 한다. Landsat 위성영상은 제공 시에 기하보정이 수행되기 때문에 본 연구에서는 화소값(Digital Number, DN)에서 복사휘도(Radiance)로 변환과 복사휘도에서 대기 상부 반사도(Top Of Atmospheric Reflectance)로 변환을 하였다. 먼저 화소값에서 복사휘도로의 변환은 Eq. (1)이고, 복사휘도에서 대기 상부 반사도의 변환은 Eq. (2)이다(Chander and Markham, 2003; Lee et al., 2015b).
Eq. (1)에서 Lλ 는 복사휘도, gain 은 복사휘도로의 변환을 위한 특정 파장정보의 기울기값, bias 는 복사휘도로의 변환을 위한 특정 파장정보의 편차값, 그리고 DN 은 각 화소값을 의미한다. Gain 과 bias 는 Landsat-8 위성영상의 취득 시 포함되어 있는 메타데이터 자료에서 찾을 수 있다.
Eq. (2)에서ρP 는 대기 상부 반사도, Lλ 는 복사휘도, ESUNλ 는 외기권에서의 평균 일사량, 그리고θs 는 태양천정각을 의미한다. ESUNλ 의 경우, Gueymard(1995)의 자료를 이용하였고, 태양천정각은 Landsat-8위성영상의 메타데이터 자료에서 획득하였다.
2.2 정규수분지수(NDWI)
정규수분지수는 물과 관련된 지수로써 적어도 두 개의 위성영상 파장정보를 이용하여 생성된다. 정규수분지수는 근적외와 단파장적외를 이용한 Gao(1996)와 가시광과 근적외 파장을 이용한 McFeeters(1996)가 있다. Gao(1996)의 정규수분지수는 식생에 포함되는 수분 함유량의 변화를 파악하는데 사용된다. 반대로 McFeeters(1996)의 정규수분지수는 지표면의 수분 함유량과 관계가 있기 때문에, 본 연구에서는 McFeeters(1996)의 정규수분지수인 Eq. (3)을 사용하였다.
Eq. (3)에서σGreen 은 녹색 파장 영역대의 복사휘도 혹은 대기 상부 반사도, 그리고σNIR 은 근적외 파장 영역대의 복사휘도 혹은 대기 상부 반사도를 의미한다.
2.3 Otsu 이진화 알고리즘
Otsu(1979)에 의해 제안된 이진화 알고리즘은 히스토그램 형태가 쌍봉형이라는 가정하에 극소점을 찾아 그 점을 임계값으로 정하는 방법이다(Fig. 2). 즉, 어떤 집합을 두 부류로 나눌 때 상대적으로 치우쳐 있는 부분들은 같은 부류로 분류하는 방법이다. 이 알고리즘은 통계학적인 방법을 포함하고 있고, 클래스 내 분산, 클래스 사이의 분산으로 적절한 임계값을 산출할 수 있다. Eqs. (4)와 (5)는 각각 클래스 내 분산과 클래스 사이의 분산을 의미한다.
Eqs. (4)와 (5)에서 w는 가중치 값으로 통계학적으로 t 픽셀 값이 나타날 확률을 의미, σ i 2
2.4 영역 마스킹
위성영상만으로는 연구지역 내 변화 탐지를 파악하고자 하는 수계지역의 추출이 어렵다. 따라서 수계영역을 나타내는 GIS 자료의 사용이 부가적으로 필요하다. 이를 위해 본 연구에서는 국가수자원관리종합정보시스템에서 제공하는 유역도 및 국가하천 정보를 이용하였다. 유역도와 국가하천 자료는 벡터로써 각각 선(Line)과 면(Polygon) 형태로 되어 있다. Fig. 3에서 유역도는 빨간색 선이고, 국가하천은 파란색 면이다. 특정 유역에 대한 경계를 선정하기 위해 유역도를 사용하였고, 해당 유역 안의 하천 지역을 추출하기 위해 하천 디지털 자료를 이용하였다.
변화를 탐지하고자 하는 유역과 유역에 해당하는 하천 자료를 국가수자원관리종합정보시스템에서 획득하였다. 해당 유역에 포함되는 하천자료를 추출한 후, 하천 자료와 영상을 중첩하여 하천의 변화를 탐지한다. Fig. 3의 파란색과 같이 하천자료는 추출이 된다. 하지만 위성영상으로 추출된 하천지역이 Fig. 3의 하천 자료보다 면적이 클 경우에는 탐지하지 못하는 오류가 발생한다. 이런 오류를 제거하기 위해 하천자료에 버퍼(Buffer) 기능을 적용하였다. 버퍼란 벡터 입력자료에 사용자가 원하는 길이(m, km 등)를 적용하여 사용자가 원하는 만큼 범위를 넓히는 작업을 의미한다. 버퍼 기능은 ArcGIS의 기능을 이용하여 사용할 수 있다. Fig. 3의 파란색 부분에 버퍼를 준다면 Fig. 4의 파란색 부분과 같아진다. 버퍼가 적용된 하천 지역을 사용한다면 하천 면적을 추출 시의 오류를 최소화 할 수 있다.
3. 연구지역 및 자료
연구지역은 소양호와 보령호로 선정하였다. 소양호는 강원도 춘천시 부근에 있고, 보령호는 충청남도 보령시에 위치한다. 소양호는 수도권 지역의 핵심 수자원으로 기능을 하고 있고, 보령호는 충남 서북부 지역의 수자원 기능을 하고 있다. 2014년에서 2015년에 발생한 한반도 가뭄으로 인해 소양호의 경우 1978년 이후 두 번째로 낮은 152.24 m의 저수위를 기록하였고, 보령호는 59 m를 기록하여 연구지역으로 선정하였다.
소양호와 보령호의 시계열 변화를 파악하기 위해 Landsat-8 위성영상을 사용하였다. Landsat-8 위성은 미국항공우주국(National Aeronautics and Space Administration, NASA)과 미국 지질조사국(United States Geological Survey, USGS)에서 개발한 위성으로 2013년 2월 11일에 발사되어 운용 중이다. Landsat-8 위성은 공간해상도 30m를 가지고 있고, 동일한 지역을 16일에 한번 씩 재방문한다. Landsat-8에는 OLI (Operational Land Imager)센서와 TIR (Thermal Infrared Sensor) 센서를 탑재하고 있다. OLI에는 9개의 파장(가시광 5, 근적외 2, 중적외 2)을, 그리고 TIR에는 2개의 열적외 파장을 가진다. 본 연구에서는 OLI 센서로 획득된, 가시광 영역대인 2번 밴드(0.45-0.515 μm)와 근적외 영역인 5번 밴드(0.845-0.885 μm)를 이용하였다. Fig. 5(a)와 (b)는 각각 소양호와 보령호의 위치 및 사용한 데이터들을 나타낸다. 파란색으로 나타낸 부분은 90m 버퍼가 적용된 하천 디지털 자료이고, 그 밑은 Landsat-8 위성영상이다. Fig. 5의 115-034와 116-035는 WRS2 (Worldwide Reference System)로 Landsat-8 위성영상을 지역별로 분류하는 번호를 나타낸다.
소양호와 보령호의 수계면적 변화를 파악하기 위해 2014년에서 2015년까지 촬영된 Landsat-8 위성영상을 이용하였다. Landsat-8 위성영상은 USGS (https://earthexplorer.usgs.gov/)에서 무료로 사용가능하다. Landsat-8 위성영상의 취득 시 품질이 좋은(구름이 포함되지 않은) 영상들을 선별하여 이용하였다. 소양호와 보령호 지역이 촬영된 총 12장의 위성영상을 다운로드 하였다. 소양호와 보령호가 촬영되는 Landsat-8 위성영상의 영역이 다르기 때문에 동일한 시기의 영상은 사용할 수 없다. 소양호와 보령호를 촬영한 총 12장의 위성영상에 전처리, 정규수분지수, Otsu 이진화 알고리즘, 그리고 영역 마스킹을 적용하였고, 영역 마스킹으로 제작한 90 m 버퍼 디지털 자료 안에 포함된 수계지역들을 추출하였다. 여기서, 추출한 수계지역은 화소의 개수로 나타내기 때문에 화소 개수와 공간해상도를 곱하여 수계 면적을 추출하였다.
4. 결과 및 고찰
4.1 소양호와 보령호의 수계면적 변화 및 검증
소양호와 보령호의 수계면적 변화 파악을 위해 사용된 위성영상, 추출된 수계면적, 그리고 각 위성영상의 촬영 시기는 Tables 1과 2에 나타내었다. Table 1은 소양호의 시계열 수계 면적 변화이고, Table 2는 보령호의 시계열 수계 면적 변화이다. Tables 1과 2에서 컬러영상은 위성영상의 가시광 파장대인 2, 3, 그리고 4번 밴드를 조합해서 나타내었다. 따라서 카메라로 촬영된 사진과는 색감이 다르게 보일 수 있다.
Table 1
Change of Time-series Water Area in the Soyang Lake
Table 2
Change of Time-series Water Area in the Boryeong Lake
소양호의 시계열 수계 면적 변화를 파악하기 위해 2014년 10월부터 2015년 5월까지 촬영된 총 6장의 Landsat-8 위성영상을 사용하였다. Table 1과 같이 소양호의 수계 면적을 추출한 결과, 소양호가 가장 낮은 시기는 2015년 5월 10일로 21.50 km2의 수계 면적을 보였다. 그리고 수계 면적이 가장 높은 시기는 2015년 1월 2일로 32.29 km2를 나타냈다. Table 1과 같이 겨울시기에 수계 면적이 다른 시기보다 높은 것을 확인할 수 있는데, 이는 다른 피복이 수계 면적으로 포함되었기 때문으로 판단된다. 소양호 주변 지역을 부분적으로 확인해본 결과, 산지 지역에서 발생하는 그림자 영역의 화소값이 수계 지역의 화소값과 유사한 값으로 나타났다. 이런 이유로 산지의 그림자 지역이 물로 추출되어 수계 영역에 포함된 것으로 판단된다. 겨울 시기의 영상을 제외한 다른 영상들의 수계면적 변화 양상을 파악해본 결과, 2014년 10월에 26.96 km2에서 2015년 5월에 21.82 km2로 5.14 km2의 수계 면적이 줄어든 것으로 나타났다.
보령호의 시계열 수계 면적 변화를 파악하기 위해 2014년 9월부터 2015년 12월까지 촬영된 총 6장의 위성영상을 사용하였다. Table 2에서 총 6장의 위성영상 중 2015년 9월 22일의 경우, 육안으로 파악할 수 있는 수계 영역과 본 연구의 알고리즘으로 추출한 수계 영역에서 차이가 있었다. 이는 해당 시기의 위성영상 내에서 발생한 오류에 의해 특정 지역이 수계 영역으로 분류가 되지 않았다. 2015년 12월 27일에 추출된 수계면적은 소양호의 수계 추출 결과와 같이 산지 지역의 그림자가 수계지역으로 오분류되어 과대 추정된 결과를 보였다. Table 2와 같이 보령호의 수계 면적을 추출한 결과, 보령호의 수계 면적이 가장 낮은 시기는 2015년 9월 22일로 약 2.23 km2로 산출되었고, 가장 높은 시기는 2015년 4월 15일로 약 3.5 km2의 면적을 보였다. 전반적인 경향으로는 2014년 9월부터 2015년 4월까지 수계면적이 상승하는 추세를 보이고, 2015년 7월부터는 다소 하락하다가 2015년 12월에 다시 상승하는 경향을 보인다. 전반적으로는 2014년 9월에 비해 2015년 9월에 약 0.81 km2의 수계면적이 감소한 것으로 나타났다.
Tables 1과 2의 위성영상으로 추출한 수계면적의 검증을 위해 국가수자원관리종합정보시스템(Water Resources Management Information System)에서 제공하는 댐의 저수위 자료를 활용하였다. 소양댐과 보령댐의 댐수문자료(일자료)를 이용하였고, 수계 면적과 저수위 자료의 상관계수(R)를 산출하였다. 소양댐과 보령댐의 저수위 자료는 Tables 1과 2에 있고, Figs. 6과 7은 각각 소양호와 보령호의 수계 면적 및 저수위 변화를 나타낸다. Figs. 6과 7에서 파란색 막대는 Landsat-8 위성영상에서 추출한 수계면적을 나타내고, 빨간색 선그래프는 저수위 자료를 나타낸다. Fig. 6인 소양호의 경우에는 겨울 시기를 제외하면 전반적인 양상은 유사한 것으로 판단된다. 겨울 시기를 포함한 상관계수(R)는 0.79였고, 겨울시기를 제외한다면 0.97까지 상승하였다. Fig. 7인 보령호의 경우 0.83의 상관계수(R)를 보였다.
4.2 소양호와 보령호의 동일시기 수계 면적 변화 비교
소양호와 보령호에서 동일시기 대비 수계 면적 변화를 파악하였다. 촬영된 위성영상의 품질로 인해 소양호는 2013년 10월, 2014년 10월, 그리고 2015년 10월에 촬영된 위성영상들을 이용하였다. 보령호의 경우, 품질이 높게 촬영된 10월 영상들이 부족했기에 2013년부터 2015년의 9월 영상들을 사용하였다. 소양호와 보령호의 동일시기 분석을 위해 사용한 위성영상과 위성영상으로 추출한 수계 영역 및 면적, 그리고 해당 시기의 저수위 자료에 관한 정보는 Tables 3과 4에 나타내었다.
Table 3
Comparison of Water Area at the Same Month (October) in Soyang Lake
| Satellite Imagery | Imagery of Water Area | Area (km2) | LWL (m) | |
|---|---|---|---|---|
| 2013. 10.27. |
|
|
32.44 | 185.98 |
| 2014. 10.14. |
|
|
26.96 | 169.73 |
| 2015. 10.17. |
|
|
26.98 | 169.10 |
Table 4
Comparison of Water Area at the Same Month (September) in Boryeong Lake
| Satellite Imagery | Imagery of Water Area | Area (km2) | LWL (m) | |
|---|---|---|---|---|
| 2013. 09.16. |
|
|
4.31 | 72.89 |
| 2014. 09.19. |
|
|
3.35 | 64.27 |
| 2015. 09.22. |
|
|
2.54 | 59.45 |
위성영상을 이용해 소양호의 수계면적을 산출한 결과, 2013년에 비해 2015년 10월에는 약 5.5 km2가 감소되었다. 하지만 2014년과 2015년을 비교했을 때, 2015년에는 0.02 km2로 약소한 증가가 있었다. 보령호의 경우에는 2013년 대비 2015년에 1.8 km2의 수계 면적 감소가 있었고, 2014년 대비로는 0.81km2의 감소가 보였다. 이런 결과는 해당시기의 직접 측정된 저수위 자료와 동일한 경향을 나타내었다. 소양호의 경우 2013년대비 2015년에 16.88 m의 저수위 감소가 보였고, 보령호의 경우에는 13.44 m의 감소가 보였다. 이런 추세는 2014년과 2015년 한반도에 발생한 가뭄의 심각성을 대변한다고 판단된다.
5. 결론
본 연구는 Landsat-8 위성영상을 이용하여 특정 수계 면적의 파악을 목적으로 하고 있다. 수계 면적을 파악하기 위해 Landsat-8 위성영상을 전처리, 정규수분지수 산출, Otsu 이진화 알고리즘 적용, 그리고 영역 마스킹 순으로 진행하였다. 전처리에서는 위성영상의 화소값을 대기 상부 반사도로 변환하였고, 정규수분지수와 Otsu 이진화 알고리즘을 통해 지상과 수계지역을 구분하였다. 그리고 영역 마스킹에서는 하천 디지털 자료를 이용하여 Landsat-8 위성영상의 특정 수계 지역을 추출하는데 이용하였다. 실험은 2014년과 2015년에 촬영된 Landsat-8 위성영상을 이용하여 소양호와 보령호의 수계면적을 산출하였다. 소양호와 보령호의 수계 면적 산출 결과, 2014년 대비 2015년에 각각 5.14 km2와 0.81 km2의 수계 면적이 감소한 것을 확인하였다. 산출된 수계면적은 국가수자원관리종합정보시스템에서 제공하는 저수위 자료와 비교검증하였다. 그 결과, 소양호는 0.79, 그리고 보령호는 0.83의 상관계수(R)를 도출하였다.
기존 가뭄 분석 연구들은 센서 자료를 이용하기 때문에 지역적으로 국한되어 왔다. 따라서 유역의 수계 면적 변화를 파악하여 더 정확한 가뭄을 파악하는 기술이 필요하다. 그렇기에 본 연구에서 진행한 Landsat-8 위성영상의 수계면적 추출기술은 유용하게 사용될 것으로 판단된다. 특히 북한은 부정확한 강수량 정보를 제공하기 때문에 해당 기술을 사용한다면 보다 정확한 가뭄파악을 할 수 있을 것이다. 향후 연구에서는 토지피복지도를 이용한 산지 제거 및 수계지역 추출 시 정규수분지수와 부가적인 자료(온도, 정규식생지수 등)들을 융합하면 본 연구에서 발생한 산지의 그림자지역 오분류 등의 문제점들을 해결할 수 있을 것으로 사료된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
