김주훈
(Joo-Hun Kim)
1†iD
김동필
(Dong-Phil Kim)
2iD
-
종신회원 ․ 교신저자 ․ 한국건설기술연구원 수자원하천연구본부 연구위원
(Corresponding Author ․ Member ․ Korea Institute of Civil Engineering and Building
Technology ․ jh-kim@kict.re.kr)
-
종신회원 ․ 한국건설기술연구원 수자원하천연구본부 연구위원
(Member ․ Korea Institute of Civil Engineering and Building Technology ․ dpkim@kict.re.kr)
Copyright © 2021 by the Korean Society of Civil Engineers
키워드
위성영상, Sentinel-1(SAR-C), Sentinel-2(MSI), 수체면적, 저수량, 변화탐지
Key words
Satellite image, Sentinel-1(SAR-C), Sentinel-2(MSI), Water surface area, Water storage, Change detection
1. 서 론
하천 및 저수지와 같은 공간의 수체 탐지는 수자원 관리에서 매우 중요하며, 홍수, 강, 습지와 같은 수역의 위치, 크기 및 분포에 대한 정확한 정보는
사용 가능한 수자원에 대한 통찰력을 제공할 수 있다. 이 정보는 물의 이용과 홍수관리를 포함한 수자원 관리에 중요하며, 또한 수체 정보는 생태학,
생물학 및 지질학을 포함한 환경연구에서 필수적인 역할을 한다(Gharvia, 2023). 수체의 크기와 분포에 대한 정확한 데이터를 추출하는 것은 지구 탄소 순환에서 수체의 역할을 이해하고, 기후 변화가 수자원에 미치는 영향을 예측하고,
효과적인 적응 전략을 설계하는 데 중요하다(Enan, 2021). 또한 수체의 지도화는 홍수나 태풍과 같은 자연 재해의 재난 관리 및 비상 대응에 중요하며, 정확한 수체면적의 추출은 홍수 위험이 있는 지역을 식별하고
잠재적인 대피 경로에 대한 정보를 제공하는 데 도움이 될 수 있다.
유럽 연합 집행위원회(European Commission)의 공동 연구 센터(Joint Research Centre)는 코페르니쿠스 프로그램(Copernicus
Programme)의 물 데이터 세트인 Global Surface Water Explorer 데이터셋을 개발하여 1999~2021년 동안 전 세계적으로
수체면의 위치와 시간적 분포를 지도화하고 해당 수체면의 범위와 변화에 대한 통계를 제공하고 있다. 이 자료는 Landsat 영상(USGS 및 NASA
제공)을 기반으로 생성된 데이터 세트로 수자원 관리, 기후 모델링, 생물다양성 보전 및 식량 안보를 포함한 다양한 적용 사례를 지원하고 있다.
또한 코페르니쿠스 서비스의 전용위성인 Sentinel 위성군을 기반으로 대기, 기후변화, 해양환경 모니터링 등 6개의 주제별 서비스를 제공하고 있으며,
이중 수체면에 대한 자료는 Sentinel-2 위성의 MSI(Multi Spectral Instrument)를 기반으로 매월 100 m × 100
m 래스터 포맷의 자료를 제공하고 있다.
위성영상은 수체면을 지도화하기 위한 강력한 도구로서 수체면의 시간적 변화를 모니터링 하는데 매우 유리한 장점을 가지며, 전 세계에서 다양한 연구로
입증되었다(Frazier and Page, 2000; Santoro et al., 2015).
연구사례로 Sentinel-1 SAR(Synthetic Aperture Radar) 영상을 기반으로 한 홍수 피해 범위 매핑 연구(Giustarini, 2013; Lin et al., 2019) 및 SAR 영상과 광학영상의 융합으로 수체를 추출하는 방법(Li et al., 2021) 등 SAR 영상의 특징과 여러 방법들을 적용하여 수체 탐지 및 모니터링 하려는 시도가 다수 존재한다.
Ferentino et al.(2020)은 Sentinel-1 SAR 영상 2년간의 시계열 영상을 사용하여 이탈리아의 Monte Cotugno 저수지의 수체면의 변화를 분석한 바 있고,
Das et al.(2020)은 위성영상를 활용하여 인도의 브라마푸트라 강 유역 내 수체면을 고해상도 위성영상을 사용하여 수체면을 정확하게 지도화하는 연구를 수행한 바 있다.
전 세계적으로 물 고갈과 수질을 검증하는데 가장 적합한 지수 또는 지수의 조합을 결정하기 위한 여러 방법론이 모색되었으며, 가장 일반적인 접근 방식은
주로 광학영상의 여러 스펙트럼 정보를 사용하여 물 지수를 계산하는데 기반을 둔 지면과 수체면의 분류이다(Otsu, 1979).
수체면 추출에 활용되는 위성으로 광학위성으로는 Landsat 위성이 가장 활발히 이용되어 왔으며, 관측의 공간해상도는 낮으나 시간해상도가 좋은 MODIS의
활용, 그리고 무료로 배포되고 있는 Sentinel-2 위성의 MSI가 많이 활용되고 있다. Li et al.(2022)은 수체면 추출에 위한 다양한 위성영상 활용에 대해 Table 1과 같이 나타내었다.
위성영상 기반의 수체면 탐지는 주로 광학 영상의 수분 지수(Normalized Difference Water Index; NDWI, Normalized
Difference Moisture Index; NDMI, Modified Normalized Difference Water Index; MNDWI,
Automated Water Extraction Index; AWEI 등)를 이용하여 수체면을 탐지한다. 이러한 수분 지수를 이용한 수체면의 탐지는
비교적 높은 정확도에서 수체/비수체를 구분 가능하지만 광학 영상의 특성상 구름, 눈 등의 기상현상의 영향을 크게 받아 연속적인 저수지 모니터링이 불가능하다는
한계점도 존재한다(Yang et al., 2017; Özelkan, 2020; Herndon et al., 2020).
Table 1. The Typical Data Sources for Water Body Extraction(Li et al., 2022)
Satellite
|
Sensor
|
Spatial
Resolution
|
Temporal
Resolution
|
Application
|
Optical data
|
Terra/Aqua
Landsat 4,5
Landsat 7
Landsat 8/9
Sentinel-2
Sentinel-3
GF-1
GF-2
HJ-1A/B
IRS-P6
|
MODIS
TM
ETM+
OLI
MSI
OLCI
WFV
MSS
CCD
LISS-3
|
250 m
30 m
30 m
15, 30 m
10, 20, 60 m
300 m
16 m
3.2 m
30 m
23.5 m
|
2 times/d
16 d
16 d
8 d
5 d
2 d
2 d
5 d
1 d
24 d
|
Remote sensing mapping of large-scale water bodies
Landuse and landcover change, water body monitoring, water color remote sensing
High-precision water system map, water body monitoring
Water quality monitoring, water body extraction
Disaster monitoring and forecastion
Landuse and landcover change
|
Radar data
|
GF-3
Sentinel-1
Envisat
|
SAR
SAR
ASAR
|
1~500 m
5 m
30 m
|
1.5~3 d
12 d
35 d
|
Water extraction
Flood monitoring
Lake ice and sea ice detection
|
반면 SAR(Synthetic Aperture Radar) 센서를 탑재한 인공위성의 경우 레이더에서 방출된 마이크로파가 지표면에 반사되어 돌아오는
후방산란 신호를 수신하여 영상을 만들기 때문에 일반적인 광학영상과는 달리 햇빛의 유무와 강우, 구름여부 등의 기상 조건의 영향을 거의 받지 않는 장점이
있다. 또한 국내와 같이 계절적인 요인과 인간 활동에 의해 변화되는 물 순환에 대해서 능동형 센서인 SAR 영상은 지표수의 계절적 및 연간 변동성을
모니터링 하는데 매우 유용한 자료로 평가되고 있어 현재 수체 탐지 분야에서 활발한 연구가 진행되고 있다(Kim and Noh, 2023).
본 연구에서는 위성영상을 이용하여 국내의 검증 가능한 지역의 저수지 수표면적 변화를 모니터링하고 저수지 수표면적과 저수량 관계를 분석하는 것을 목적으로
하였으며, 향후 관측밀도가 낮고 접근이 불가한 지역인 북한의 수자원 분석을 위한 기반연구로 활용할 계획이다.
2. 연구지역 및 자료
2.1 연구지역 및 지상관측자료
본 연구의 대상지역은 금강의 대청댐을 대상으로 하였다(Fig. 1). 대청댐은 유역면적 3,204 km2, 저수면적은 72.8 km2, 총저수용량 14.9억m3의 중력식 콘크리트댐과 사력댐으로 구성된 복합형 댐으로 대전광역시와 청주시를 비롯한 충청권 일부 지역으로 용수를 연간 16.49억m3를 공급하고 있는 대규모 수원지이다( https://www.water.or.kr/kor/menu/sub.do?menuId=13). 본 연구에서는 대청댐
저수지의 저수량은 물정보포탈의 일단위 저수량 자료를 이용하였다.
Fig. 1. Study Area of the Daechong Dam in Geumgang (Riv.) Basin
2.2 위성영상 자료
본 연구에서 저수지 수체면적 추출을 위해 사용한 위성자료는 유럽우주국(European Space Agency, ESA)에서 운영하고 있는 Sentinel-1(SAR)
및 Sentinel-2(MSI) 자료를 이용하였다.
Sentinel-1A와 Sentinel-1B 위성을 포함한 Sentinel-1은 SAR 센서 위성으로 두 위성 모두 동일하게 SAR-C밴드가 탑재되어
있다. Sentinel-1의 영상 취득 모드는 4가지로 StripMap(SM), Interferometric Wide Swath (IW), Extra
Wide Swath(EW) Wave(WV) 모드를 제공하고 있다(Table 2(Acquisition Modes - Sentinel-1 SAR Technical Guide - Sentinel Online - Sentinel Online
(copernicus.eu)).)
Sentinel-1B는 2021년 12월 레이더 데이터를 전달할 수 없는 이상 현상을 겪었고, ESA와 EC(European Commission)는
2022년 3월 임무 종료를 선언하였으며, 후속 위성으로 Sentinel-1C의 발사가 계획되어 있다. Sentinel-1 영상은 L1 제품으로 SLC(Single
Look Complex) 및 GRD(Ground Range Detected)를 체계적으로 처리하고 온라인을 통해 배포하고 있다(ESA, 2012). 본 연구에서는 코페르니쿠스 오픈 엑세스 허브(https://scihub.copernicus.eu/dhus/#/home)를 통해 획득한 Sentinel-1A
데이터를 수집하여 활용하였다.
Sentinel-2 위성은 다중분광촬영장비(MSI)를 통해 13개의 분광대역 영상을 촬영하며, 동일궤도로 움직이는 Sentinel-2A/B 위성을
통해 약 5일의 재방문 주기를 가진다.
Fig. 2. Acquisition Modes of SAR Image
Table 2. Characteristics of Sentinel-1 SAR Image Modes
Mode
|
Resolution(m)
|
Swath width (km)
|
Polarization option
|
SM
|
5 × 5
|
80
|
HH + HV, VV + VH
|
IW
|
5 × 20
|
250
|
HH + HV, VV + VH
|
EW
|
20 × 40
|
400
|
HH + HV, VV + VH
|
WV
|
5 × 20
|
20
|
HH or VV
|
Table 3. Satellite Datasets Used in the Analysis (Sentinel-1)
No.
|
Mission identifier
|
Mode
|
Product type
|
Resolution
|
Polarisation
|
Start date and time
|
Stop date and time
|
1
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20220615T093156
|
20220910T093221
|
2
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20220622T093157
|
20220622T093225
|
3
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20220704T093157
|
20220704T093222
|
4
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20220716T093158
|
20220716T093224
|
5
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20220809T093200
|
20220809T093225
|
6
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20220821T093200
|
20220821T093225
|
7
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20220902T093201
|
20220902T093226
|
8
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20220914T093201
|
20220914T093226
|
9
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20221008T093201
|
20221008T093226
|
10
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20221101T093201
|
20221101T093226
|
11
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20221113T093201
|
20221113T093226
|
12
|
S1A
|
IW
|
GRD
|
High
|
Dual VV/VH
|
20221125T093201
|
20221125T093226
|
Table 4. Satellite Datasets Used in the Analysis (Sentinel-2)
No.
|
Mission identifier
|
Product
level
|
Production baseline
|
Data take
sensing time
|
No.
|
Mission identifier
|
Product
level
|
Production baseline
|
Data take
sensing time
|
1
|
S2A
|
MSIL1C
|
N0400
|
20220308T021611
|
25
|
S2B
|
MSIL1C
|
N0400
|
20220402T021609
|
2
|
S2A
|
MSIL1C
|
N0400
|
20220407T021601
|
26
|
S2B
|
MSIL1C
|
N0400
|
20220412T021559
|
3
|
S2A
|
MSIL1C
|
N0400
|
20220417T021611
|
27
|
S2B
|
MSIL1C
|
N0400
|
20220522T021609
|
4
|
S2A
|
MSIL1C
|
N0400
|
20220517T021611
|
28
|
S2B
|
MSIL1C
|
N0400
|
20220601T021559
|
5
|
S2A
|
MSIL1C
|
N0400
|
20220924T021541
|
29
|
S2B
|
MSIL1C
|
N0400
|
20220621T021539
|
6
|
S2A
|
MSIL1C
|
N0400
|
20221123T022021
|
30
|
S2B
|
MSIL1C
|
N0400
|
20220909T021539
|
7
|
S2A
|
MSIL1C
|
N0509
|
20230112T022041
|
31
|
S2B
|
MSIL1C
|
N0400
|
20221019T021709
|
8
|
S2A
|
MSIL1C
|
N0509
|
20230221T021721
|
32
|
S2B
|
MSIL1C
|
N0400
|
20221029T021809
|
9
|
S2A
|
MSIL1C
|
N0509
|
20230313T021531
|
33
|
S2B
|
MSIL1C
|
N0400
|
20221118T021959
|
10
|
S2A
|
MSIL1C
|
N0509
|
20230402T021531
|
34
|
S2B
|
MSIL1C
|
N0400
|
20221208T022059
|
11
|
S2A
|
MSIL1C
|
N0509
|
20230412T021531
|
35
|
S2B
|
MSIL1C
|
N0509
|
20230226T021649
|
12
|
S2A
|
MSIL1C
|
N0509
|
20230721T021541
|
36
|
S2B
|
MSIL1C
|
N0509
|
20230308T021539
|
13
|
S2A
|
MSIL1C
|
N0509
|
20230909T021541
|
37
|
S2B
|
MSIL1C
|
N0509
|
20230407T021539
|
14
|
S2A
|
MSIL1C
|
N0509
|
20231029T021811
|
38
|
S2B
|
MSIL1C
|
N0509
|
20230427T021539
|
15
|
S2A
|
MSIL2A
|
N9999
|
20220427T021611
|
39
|
S2B
|
MSIL1C
|
N0509
|
20230517T021539
|
16
|
S2A
|
MSIL2A
|
N0509
|
20230112T022041
|
40
|
S2B
|
MSIL1C
|
N9999
|
20230616T021539
|
17
|
S2A
|
MSIL2A
|
N0509
|
20230221T021721
|
41
|
S2B
|
MSIL1C
|
N0509
|
20230924T021539
|
18
|
S2A
|
MSIL2A
|
N0509
|
20230313T021531
|
42
|
S2B
|
MSIL1C
|
N0509
|
20231113T021929
|
19
|
S2A
|
MSIL2A
|
N0509
|
20230402T021531
|
43
|
S2B
|
MSIL1C
|
N0509
|
20231203T022049
|
20
|
S2A
|
MSIL2A
|
N0509
|
20230422T021531
|
44
|
S2B
|
MSIL1C
|
N0510
|
20231223T022119
|
21
|
S2A
|
MSIL2A
|
N0509
|
20230502T021531
|
45
|
S2B
|
MSIL2A
|
N0509
|
20230417T021539
|
22
|
S2B
|
MSIL1C
|
N0301
|
20220112T022039
|
46
|
S2B
|
MSIL2A
|
N0509
|
20230427T021539
|
23
|
S2B
|
MSIL1C
|
N0400
|
20220221T021709
|
47
|
S2B
|
MSIL2A
|
N0509
|
20230517T021539
|
24
|
S2B
|
MSIL1C
|
N0400
|
20220303T021609
|
48
|
S2B
|
MSIL2A
|
N0509
|
20230616T021539
|
본 연구에서는 코페르니쿠스 오픈 엑세스 허브를 통해 획득한 2022년도 1월부터 2022년도 12월(1개년)까지의 Sentinel-1A 위성영상과
2022년 1월부터 2023년 12월(2개년)까지의 Sentinel-2A/ 2B 데이터를 수집하여 활용하였다(Table 3 및 4).
3. 위성영상을 이용한 수체탐지 기법
3.1 SAR 영상을 이용한 수체탐지
수체는 일반적으로 표면이 매끄러워 마이크로파 신호가 표면에서 정반사(specular reflection) 하는 특징으로 인하여 후방산란계수가 비교적
낮은 값을 보이는 반면 비수체의 경우는 표면이 거칠어 후방산란계수가 높은 값을 가진다(Manson et al., 2012). 이러한 SAR 영상의 후방산란계수의 특성을 이용하여 수체와 비수체를 구분하기 위하여 히스토그램 기반 임계값(threshold)을 대입하는 임계값
추출 기법이 일반적으로 사용되고 있다(Wang and Trinder, 2014; Manavalan, 2017).
SAR 영상을 활용하여 수체탐지를 위해 먼저 위성 영상의 오류를 보정하는 전처리 과정을 거쳐야 한다. 이 과정은 ESA에서 개발하여 무료로 배포하고
있는 프로그램인 SNAP(Sentinels Application Platform)을 이용하였고, 전처리 과정은 다음과 같다.
∙ Calibration : SAR 데이터의 다양한 입사각과 상대적인 밝기 수준에서 데이터 보정
∙ Multilooking : 범위 또는 방위각 분해능 셀을 평균화하여 방사 분해능 향상
∙ Speckle Reduction : 산란에 의해 발생한 밝거나 어두운 점들인 Speckle 제거
∙ Terrain Correction : DEM을 사용하여 SAR 영상의 기하학적 왜곡을 수정하고 지도 투영 제품을 생성하여 이미지를 지오 코딩
∙ Conversion to dB scale : 선형 스케일에서 후방 산란 강도를 나타내므로 대부분은 어둡고 작은 비율만 밝아 픽셀 값을 로그 스케일로
변환하고 더 높은 대비로 산출
위성 영상은 동일한 지역을 동일한 궤도에서 촬영했어도 서로 다른 시간에 촬영된 위성영상의 후방산란 강도분포는 항상 다르며, 이는 대기조건, 국소 입사각
및 식생, 불포화 토양수분 및 온도와 같은 지반의 반사특성으로 인해 시간적 변화에 따라 달라진다(Dellepiane and Angiati, 2012).
이러한 후방산란 강도의 시간적 변화의 영향을 제거하기 위해 dB 스케일 변환 후 최적의 노출을 갖는 기준 영상을 식별하기 위해 영상 및 그에 상응하는
히스토그램으로 배열하고 임계값(threshold)을 지정하면 수체가 선명하게 표시되는 자료를 획득할 수 있다.
3.2 광학영상을 이용한 수체탐지
일반적으로 물은 가시광선 범위에서만 반사되며, 물은 근적외선 범위에서 반사가 거의 없기 때문에 다른 표면과 구별된다. 이러한 흡수 특성으로 인해 물을
포함하는 특징뿐만 아니라 수체를 원격으로 쉽게 감지하고 위치를 파악하고 묘사할 수 있다.
McFeeters(1996)는 습지 환경의 수표면을 감지하고 수체면 범위를 측정할 수 있도록 NDWI(Normalized Difference Water Index)를 제안했다.
이 방법은 녹색대역에서 수체의 반사율이 최대이며, 근적외선 대역에서 수체의 반사율이 최소임을 고려하여 제안된 방법으로 Sentinel-2는 다음과
같이 계산된다.
3.3 위성영상을 이용한 수체탐지 프로세스
수체탐지를 위해 이용한 위성영상은 SAR 영상인 Sentinel-1과 광학영상인 Sentinel-2 위성 영상을 이용하였다. SAR 영상은 후방산란계수의
특성을 이용하여 히스토그램 기반 임계값을 대입하는 임계값 추출 기법을 이용하였고, 이 기법을 이용하기 위해 SAR 영상의 전처리 과정을 거친 후 수체면을
추출하였다.
또한 광학영상을 이용한 수체면 추출은 Sentinel-2의 밴드3 (Green)과 밴드8(NIR)의 특성을 이용하여 정규수분지수(NDWI)를 계산하고
수체면을 추출하였다. 추출한 수체면적과 지상계측된 저수지의 저수량과의 상관관계 분석 및 관계식을 유도하였다. 이러한 위성영상 처리에 의한 수체탐지
프로세스는 Fig. 3과 같다.
Fig. 3. Water Surface Area Extraction Process
4. 분석결과 및 고찰
Sentinel-1의 SAR 영상 처리에 의해 추출한 수체면적과 Sentinel-2의 MSI 광학영상을 이용한 NDWI 기법에 의한 수체면적과 같은
시기의 지상계측자료인 물정보포탈의 일단위 저수량 자료를 이용하여 상관분석을 수행하였다. 상관관계 분석결과 SAR 영상을 이용한 수체면적과 일단위저수량과의
결정계수(R2)는 0.9242로 분석되었고, Sentinel-2의 MSI 광학영상을 이용한 분석에서는 R2 = 0.8995로 상관관계가 높은 것으로
분석되었다(Fig. 4(a), (b)).
Fig. 4. Correlation of Relationship between Water Surface Area and Water Storage Volume, (a) Sentinel-1, (b) Sentinel-2
Fig. 5. Water Storage Volume Hydrograph of Daecheong Dam
Fig. 5는 Fig. 4의 위성으로부터 추출한 수체면적과 저수량과의 상관관계식을 이용하여 계산한 위성영상의 저수량을 점 자료로 나타낸 것이며, Fig. 6은 각 영상으로부터 추출한 저수위와 고수위의 수체면적 상황을 나타낸 것이다.
Fig. 6. Time Series Images of Water Surface Area Extraction Using Satellite Images
본 연구에서는 SAR 영상 및 광학영상을 이용한 시계열적 수체탐지를 수행하였다. 본 연구에서 사용한 Sentinel-1 영상의 경우 전처리 과정에서
후방산란을 이용하는 레이더의 특성상 바람, 부유물 등의 영향으로 후방산란계수 값이 높아져 수표면이 과소평가되는 경향이 있다. 이러한 현상이 나타나는
영상을 배제하고 연구를 진행하였으며, 향후 추가 분석이 필요할 것으로 판단된다. 또한 광학영상의 경우 구름 등의 영향과 수표면과 지표면 경계부의 오류
등이 존재하는 한계점을 갖고 있으나 북한과 같이 관측의 밀도가 낮고 접근이 불가능한 지역에서의 활용에는 유용할 것으로 판단된다.
위성영상은 광범위한 지역을 주기적으로 모니터링 할 수 있다는 장점을 갖고 있으며, 본 연구 결과와 같이 저수지의 수체변화와 저수량과의 관계를 통해
비접근 혹은 미계측 지역에서의 수자원 상황 파악에 활용이 가능할 것으로 분석된다. 또한 주기적인 자료 분석을 통해 저수지 수체면적-저수량 관계곡선식
적용이 가능할 것으로 판단된다.
5. 결 론
하천 및 저수지와 같은 공간의 수체 탐지는 수자원 관리에서 매우 중요하며, 유역의 수문학적 과정을 이해하는데 도움을 준다.
수문학적 데이터 수집은 우량계, 수위계와 같은 물리적 인프라의 배치가 필요하다. 그러나 상대적으로 저개발된 국가는 수문학적 측정을 위한 인프라가 매우
미흡한 것이 현실이며, 북한과 같은 비접근 지역에 대한 수문학적 과정을 분석하는데는 한계가 있다.
본 연구에서는 위성영상의 여러 관측센서 중 Sentinel-1 (SAR-C) 영상과 Sentinel-2(MSI)의 광학영상을 이용하여 수체를 탐지하는
연구를 진행하였으며, 각 영상의 특성에 맞게 수체를 탐지하였다. 지상계측 자료인 물정보포털의 대청댐 저수지의 저수량과 추출한 수체면적과의 상관관계
분석 결과 두 관측센서 영상 모두 매우 높은 상관관계를 갖는 것으로 분석되었다. 또한 저수량과 수체면적과의 관계식을 이용하여 영상으로부터 추출한 수체면적의
저수량은 실제 저수량과 유사한 형태의 수문곡선을 나타내는 것으로 분석되었다.
본 연구는 북한과 같이 관측의 밀도가 낮고 접근이 불가한 지역에서의 위성영상 활용을 위한 기반연구로서 실제 관측자료가 있는 대청댐 저수지의 저수량과
위성으로부터 추출한 수체면적과의 상관관계를 분석함으로써 향후 북한지역의 적용성을 입증한 선행연구로 판단된다.
향후 위성영상의 노이즈 제거 기법에 대한 추가연구, 그리고 본 연구를 통해 얻어진 결과를 반영하여 향후 북한 지역의 주요 댐 저수지 수체면적에 대한
연간변화와 장기간의 추세를 분석하는 연구를 진행할 계획이다.
Acknowledgements
This research was supported by a grant (20240128-001: Development of future-leading
technologies solving water crisis against to water disasters affected by climate change)
of KICT.
References
"Dellepiane, S. G. and Angiati, E. (2012). “A new method for cross-normalization and
multitemporal visualization of SAR images for the detection of flooded areas.” IEEE
Transactions on Geoscience and Remote Sensing, IEEE, Vol. 50, No. 7, pp. 2765-2779,
https://ieeexplore.ieee.org/document/6132463."
"Das, A., Das, S. S., Chowdhury, N. R., Joardar, M., Ghosh, B. and Roychowdhury, T.
(2020). “Quality and health risk evaluation for groundwater in Nadia district, West
Bengal: An approach on its suitability for drinking and domestic purpose.” Groundwater
for Sustainable Development, Vol. 10, 100351."
"Enan, M. E. (2021). “Deep learning for studying urban water bodies spatio-temporal
transformation: a study of Chittagong City, Bangladesh” (Doctoral dissertation)."
"ESA. (2012). SENTINEL-1(ESA’s Radar Observatory Mission for GMES Operational Services).
Available at: https://sentinel.esa.int/documents/247904/349449/S1_SP-1322_1.pdf."
"Ferentino, E., Nunziata F., Buono A., Urciuoli A. and Migliaccio M. (2020). “Multipolarization
time series of sentinel-1 SAR imagery to analyze variations of reservoirs’ water body.”
IEEE Journal of Selected Topics in Aplied Earth Observations and Remote Sensing, Vol.
13, pp. 840-846."
"Frazier, P. S. and Page, K. J. (2000). “Water body detection and delineation with
Landsat TM data.” Photogrammetric Engineering and Remote Sensing, Vol. 66, No. 12,
pp. 1461-1468."
"Gharvia, R. (2023). “Deep learning for automatic extraction of water bodies using
satellite imagery.” Journal of the Indian Society of Remote Sensing, Vol. 51, No.
7, pp. 1511-1521."
"Giustarini, L., Hostache, R., Matgen, P., Schumann, G. J., Bates, P. D. and Mason,
D. C. (2013). “A change detection approach to flood mapping in urban areas using TerraSAR-X.”
IEEE Transactions on Geoscience and Remote Sensing, Vol. 51, pp. 2417-2430, https://doi.org/10.1109/TGRS.2012.2210901."
"Herndon, K., Muench, R., Cherrington, E. and Griffin, R. (2020). “An assessment of
surface water detection methods for water resource management in the Nigerien Sahel.”
Sensors, Vol. 20, No. 2, 431, https://doi.org/10.3390/s20020431."
"Kim, J. H. and Noh, H. S. (2023). “Analysis of water surface change in reservoir
using SAR Images.” 2023 Korea Water Resource Association Conference. P3-53 (in Korean)."
"Li, J., Ma R., Cao, X., Xue K., Xiong, K., Hu, M. and Feng, X. (2022). “Satellite
detection of surface water extent: A review of methodology.” Journals Water, Vol.
14, No. 7, 1148, https://doi.org/10.3390/w14071148."
"Li, M., Hong, L., Guo, J. and Zhu, A. (2021). “Automated extraction of lake water
bodies in complex geographical environments by fusing Sentinel-1/2 data.” Water, Vol.
14, No. 1, 30. https://doi.org/10.3390/w14010030."
"Lin, Y. N., Yun, S. H., Bhardwaj, A. and Hill, E. M. (2019). “Urban flood detection
with Sentinel-1 multi�temporal synthetic aperture radar (SAR) observations in a Bayesian
framework: A case study for Hurricane Matthew.” Remote Sensing, Vol. 11, No. 15, 1778.
https://doi.org/10.3390/rs11151778."
"Manavalan, R. (2017). “SAR image analysis techniques for flood area mapping-literature
survey.” Earth Science Informatics, Vol. 10, No. 1, pp. 1-14."
"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,
Vol. 17, No. 7, 1425-1432, https://doi.org/10.1080/01431169608948714."
"Mason, D. C., Davenport, I. J., Neal, J. C., Schumann, G. J. P. and Bates, P. D.
(2012). “Near real-time flood detection in urban and rural areas using high-resolution
synthetic aperture radar images.” IEEE Transactions on Geoscience and Remote Sensing,
Vol. 50, No. 8, pp. 3041-3052."
"Otsu, N. (1979). “A threshold selection method from gray-level histograms.” IEEE
Transactions on Systems, Man, and Cybernetics, Vol. 9, No. 1, pp. 62-66."
"Özelkan, E. (2020). “Water body detection analysis using NDWI indices derived from
landsat-8 OLI.” Polish Journal of Environmental Studies, Vol. 29, No. 2, pp. 1759-1769."
"Santoro, M., Wegmüller, U., Lamarche, C., Bontemps, S., Defourny, P. and Arino, O.
(2015). “Strengths and weaknesses of multi-year Envisat ASAR backscatter measurements
to map permanent open water bodies at global scale.” Remote Sensing of Environment,
Vol. 171, pp. 185-201."
"Wang, K. and Trinder, J. C. (2014). “Applied watershed segmentation algorithm for
water body extraction in airborne SAR image.” In EUSAR 2014; 10th European Conference
on Synthetic Aperture Radar, pp. 1-4."
"Yang, X., Zhao, S., Qin, X., Zhao, N. and Liang, L. (2017). “Mapping of urban surface
water bodies from Sentinel-2 MSI imagery at 10 m resolution via NDWI-based image sharpening.”
Remote Sensing, Vol. 9, No. 6, 596."