Monitoring of the Drought in the Upstream Area of Soyang River, Inje-Gun, Kangwon-do Using KOMPSAT-2/3 Satellite

KOMPSAT-2/3 위성을 활용한 강원도 인제군 소양강 상류지역의 가뭄 모니터링

Abstract

Korea has a terrain vulnerable to drought due to the concentration of precipitation in summer and the large amount of groundwater discharge. Quantified drought indices are used to determine these droughts. Among these, drought index is mainly used for analysis of precipitation, and recently, researches have been conducted to monitor drought using satellite images. In this study, we used the KOMPSAT-2/3 image to calculate the water surface area and compare with the drought index in order to monitor the drought in the Upper Soyang River. As a result, it was confirmed that the tendency of the water surface area change and the trend of the drought index were similar in the satellite images. Future research could be used as a basis for judging drought.

우리나라는 여름철에 강수량이 집중되고, 지하수 유출량이 크기 때문에 가뭄에 취약한 지형을 가지고 있다. 이러한 가뭄을 판단하기 위해서 정량화된 가뭄지수가 사용되고 있다. 이 중에서 주로 강수량을 분석한 가뭄지수가 많이 사용되고 있으며, 최근에는 인공위성 영상을 활용하여 가뭄을 모니터링하는 연구가 진행되었다. 이에 이 연구에서는 소양강 상류지역의 가뭄 모니터링을 위하여 KOMPSAT-2/3 영상을 이용하여 수계면적을 산출하고 가뭄지수와의 비교 분석을 실시하였다. 그 결과 인공위성영상에서 산출된 수계면적 변화의 경향성과 가뭄지수와의 경향성이 비슷하게 나타남을 확인하였다. 추후 이 연구는 가뭄을 판단하기 위한 근거로 활용될 수 있을 것이다.

1. 서론

가뭄은 단기간에 발생하여 피해를 입히는 자연재해와 달리 피해가 형성되기까지 수개월에서 많게는 수년 이상의 시간이 걸리며, 그 피해 또한 가뭄이 지속된 시간에 비례하여 증가하며 정상적인 강우가 시작된 후에도 장기간 가뭄의 영향이 지속된다. 또한, 피해가 일부지역에 국한되지 않고 공간적, 사회적 및 경제적 피해가 광범위하게 나타난다(Park et al., 2003). 우리나라는 여름철에 강우량이 집중되는 기상학적 요인과 대수층이 발달하지 못한 지형학적 요인에 의해 가뭄에 취약한 여건을 가지고 있다. 특히 2014년부터 강수량이 감소하였으며 2015년 1월부터 6월까지 중부지방의 강수량은 평년대비 절반수준 밖에 미치지 못하였다. 이로 인하여 2015년 6월부터 심각한 가뭄이 발생하였다(Kim and Park, 2015). 특히 현재 계속되는 사회의 발전으로 용수의 수요 증가와 국제적 기후변화로 인한 여름철 강수량 감소가 가뭄의 위험성을 증가시키고 있다(Kim and Park, 2015). 하지만 가뭄에 대한 보편적인 정의의 부재로 인해 가뭄의 심각성을 추산하는 것이 어려우며 정책 결정자들의 판단의 혼란을 야기해 효과적인 조치의 시기를 놓치는 경향이 있다(Lee et al., 2017). 따라서 가뭄을 효과적으로 예방하기 위해서는 지속적인 가뭄 분석 및 모니터링이 필요하다. 가뭄을 분석하는 방법 중 주로 사용되는 방법은 강수량 기반의 분석 방법이다(Lee et al., 2017). 하지만 강수량 기반의 가뭄 분석 기법들은 종관기상관측장비 혹은 지역별상세관측자료를 사용하기 때문에 부분적인 가뭄의 경향만을 파악하는 단점이 있다. 반면에 위성영상은 광범위한 지역을 촬영하고, 물과 지면을 분리할 수 있는 파장대 영역을 지니고 있기 때문에(Park and Kim, 2009), 수계면적을 분석하여 가뭄모니터링이 가능하다(Kim and shim, 2017). Kim et al.(2017)은 MODIS(Moderate Resolution Imaging Spectroradiometer) 위성영상을 이용하여 한반도의 봄철 가뭄 모니터링 가능성에 대해 연구하였다. 이를 위하여 정규식생지수(Normalized Difference Vegetation Index: NDVI)와 표준강수지수와의 상관관계를 분석하였으며 그 결과 산지지역의 식생과 기상학적 가뭄의 상관도가 높음을 밝혀냈다. Kim and Shim(2017)은 NASA의 L-band SMAP위성을 활용한 한반도 전역의 가뭄 모니터링 연구에서 가뭄지수에 대한 다양한 위성 관측 자료들의 활용을 시사하였고, Park et al.(2003)의 연구에서는 Landsat ETM+ 영상을 활용한 지형변수를 이용하여 가뭄심도를 구하는 모델을 구현하였다. 그러나 이전 연구에 사용하였던 위성의 경우 공간해상도가 좋지 않아 좁은 지역에서의 수계 면적 분석이 어렵다. 또한 레이더 위성 역시 수계면적 분석에 적절치 않다. 따라서 이 연구에서는 4 m급 공간해상도KOMPSAT-2/3 위성영상을 활용하 양강 상류지역에서 수계면적을 Artificial Neural Network(ANN), Support Vector Machine(SVM), ISOdata 분류방법을 통해 산출하였다. 또한 이를 기반으로 가뭄지수와의 비교를 하였다. 이 연구의 흐름도를 Fig. 1에 도식화하였다.

Fig. 1. Work flow in this study

2. 연구 자료 및 방법

연구지역이 속해 있는 소양강댐 유역전체 면적은 2,694 km², 유역둘레는 약 383.6 km이며 우리나라 북동부 산악지역에 위치하며 유연면적 중 92%인 2,478.5 km²가 산림지역으로 이루어져 있다. 이 지역은 2015년 당시 강수량이 평년 강수량의 절반정도 밖에 미치지 않아 소양강댐의 수위가 152.25 m로 떨어져 2015년 당시 최저치를 기록하였다. 또한 저수량은 748.7 km²으로 저수율은 25.8%로 전년대비 약 53%로 가뭄이 크게 발생하였다(Shin et al., 2015).

이 연구에서는 가뭄이 발생한 소양강 상류 지역에 대하여 가뭄 모니터링을 실시하고자 한다. 이를 위하여 KOMPSAT-2와 KOMPSAT-3 영상을 활용하여 수계면적 변화를 산출하였다. KOMPSAT 위성은 근적외선(Near-infrared: NIR), 빨간색(Red), 초록색(Green), 파란색(Blue)의 4가지 파장대를 가지고 있으며 이 중 물과 지면을 효과적으로 분류할 수 있는 NIR, RED, BLUE의 조합을 활용하여 수계 면적을 산출하였다. 영상은 2012년 4월 20일, 2015년 6월 17일, 2016년 8월 6일에 획득되었다(Table 1). Fig. 2은 2012년, 2015년, 2016년에 획득된 영상으로, Fig. 2(a)는 가뭄 발생 이전의 영상이며, Fig. 2(b)는 가뭄이 발생 시의 영상, Fig. 2(c)는 가뭄 이후의 영상이다.

Table 1. The information of the images used in this study

Fig. 2. The NIR, RED, BLUE band combination of satellite images used in this study; (a) KOMPSAT-2 image on Apr-20-2012, (b) KOMPSAT-3 image on Jun-17-2015, (c) KOMPSAT-2 image on Aug-06-2016.

영상으로부터 수계 면적을 산출하기 위하여 사용한 분류 방법은 감독분류방법인 ANN 알고리즘과 SVM 알고리즘과, 무감독분류 방법인 ISOdata 알고리즘이다. ANN 알고리즘은 머신러닝의 한 종류로 하나 이상의 입력 레이어, 숨김 레이어, 출력 레이어 순의 연결 순서를 가지며, 각 레이어는 뉴런이라는 비선형 처리단위로 구성되며, 연속된 레이의 뉴런 사이의 연결에 가치가 부여된다(Xiu and Liu, 2003). SVM은 Vapnik(2000)에 의해 개발된 머신러닝 알고리즘으로 다중 밴드 이미지 분류에 사용된다. SVM은 지원벡터(Support Vector)라는 각 분류간 차이를 최대화하는 결정면을 사용하여 분류를 진행하는데, 앞서 선택된 지원벡터를 사용하여 비선형분류를 실시한다(Kadavi and Lee, 2018). ISO data 알고리즘은 무감독분류 방법 중 가장 널리 사용되는 알고리즘으로 일반적으로 위성영상 분류에 사용된다. 해당 밴드 조합의 반사 정도에 따른 분류를 하며, 무감독분류의 특성상 사용자의 결과 분석이 필수적이다(Irvin et al., 1997).

또한 분류된 수계 면적과 가뭄과의 상관성 분석을 위하여 표준강수지수(Standardized Precipitation Index: SPI), 유효가뭄지수(Effective Drought Index: EDI), 강수평년비(Percent of Normal Precipitation: PN)의 3가지 가뭄지수와 비교하였다. SPI는 McKee et al.(1993)에 의해 개발되었으며 강수량을 이용하여 가뭄 정도를 시간 단위에 따라 산정하며, 30일을 1단위의 기준으로 사용한다. 각 시간 단위에 따라 확률분포에 따른 누적확률 값의 표준정규분포 값을 산출하며, 산출된 SPI값을 통해 가뭄단계를 판단한다. SPI는 다음의 식 (1)–(4)을 이용하여 계산된다(Lee et al., 2012).

\(\begin{array}{c} Z=\mathrm{SPI}=-\left(\mathrm{t}-\frac{c_{0}+c_{1} t+c_{2} t^{2}}{1+d_{1} t+d_{2} t^{2}+d_{3} t^{3}}\right) \\ \text { for } 0        (1)

\(\begin{array}{c} \mathrm{Z}=\mathrm{SPI}=-\left(\mathrm{t}-\frac{c_{0}+c_{1} t+c_{2} t^{2}}{1+d_{1} t+d_{2} t^{2}+d_{3} t^{3}}\right) \\ \text { for } 0.5        (2)

\(\mathrm{t}=\sqrt{\ln \frac{1}{(H(x))^{2}}} \text { for } 0       (3)

\(\mathrm{t}=\sqrt{\ln \frac{1}{(1.0-H(x))^{2}}} \text { for } 0.5       (4)

c₀ = 2.515517, c₁ = 0.802853, c₂ = 0.010328

d₁ = 1.432788, d₂ = 0.189269, d₃ = 0.001308

x는 각 시간단위별 강수량을 의미하고, H(x)는 강수량관측값의 누적확률을 의미한다. 계산된 SPI의 음의 값이 클수록 가뭄정도가 심하다는 것을 의미한다(Table 2).

Table 2. Soil condition according to SPI value (McKee et al., 1993)

EDI는 Byun and Wilhite(1993)에 의해 제안되었으며, 강수로 인해 발생되는 수자원으로부터 유출 및 증발에 의한 손실을 고려하여 365일 이상 동안 누적하여 이것을 평년치와 비교하여 가뭄정도를 나타낸다. EDI는 식(5)–(7)에 의해 계산된다(Park et al., 2012).

\(\mathrm{EP}=\sum_{n=1}^{i}\left[\frac{\left(\sum_{m=1}^{n} P_{m}\right)}{n}\right]\)       (5)

\(\mathrm{DEP}=\mathrm{EP}-\mathrm{MEP}\)       (6)

\(\mathrm{EDI}=\frac{\mathrm{DEP}}{S T_{D E P}}\)       (7)

EP는 365일 간의 유효누적 강우량을 의미하며, Pm은 특정일로부터 m일 전의 강우량을 의미하며, 날짜별로 다른 값을 갖는다. MEP는 EP의 30년간 평균값이며, DEP는 MEP로부터 EP의 편차를 의미하며, ST_DEP는 DEP의 표준편차이다. EDI는 DEP와 그 표준편차의 비율로 결정되고, SPI와 마찬가지로 음의 값을 가질수록 가뭄정도가 심한 것을 의미한다(Table 3)(Kim et al., 2009).

Table 3. Soil condition according to EDI value (Gwak et al., 2018)

PN은 해당 날짜로부 과거 30일 단위의 누적 강수량과 약 30년간의 누적된 강수 평년치와 비교하여 백분율로 나타낸다. PN은 식 (8)을 통해 계산된다. 강수량만을 이용하기 때문에 계산방법이 단순하며 단일 지역에 적용 가능하다(Bae et al., 2013)

\(\mathrm{PN}=\frac{\sum_{m=1}^{n} P_{m}}{N P} \times 100(\%)\)       (8)

P_m은 특정일로부터 m일 전의 강우량을 나타낸다. NP는 고정된 30년간의 누적 평균강수량을 의미한다. 이 연구에서 사용한 기상청 수문기상시스템에서는 1981년부터 2010년까지의 평년값을 사용한다. 이 연구에서는 기상청에서 제공되는 장기간의 가뭄지수 중 60일 표준 강수지수(SPI2), 90일 표준강수지수(SPI3), EDI, 30일 강수평년비(PN1)의 4가지 가뭄지수와 비교하였다.

3. 연구 결과

Fig. 3~Fig. 5는 수계 면적 산출을 위하여 분류한 지표 피복 분류 결과이다. Fig. 3는 2012년 4월 20일 영상의 지표피복 분류 결과로 Fig. 3(a), (b), (c)는 각각 ANN 알고리즘, SVM 알고리즘, ISO data 알고리즘으로 분류한 결과이다. ANN 알고리즘 분류 결과 연구지역은 주로 산림, 수계, 모래로 구분이 되었다(Fig. 3(a)). 특히 도심지를 모두 모래로 구분을 하였다. 반면에 SVM 알고리즘은 연구지역을 산림, 수계, 모래, 도심지로 분류를 하였다(Fig. 3(b)). 또한 SVM 알고리즘은 ANN 알고리즘과 동일하게 도심지를 모래로 분류하였지만, 도로의 경우에는 모래가 아닌 도심지로 분류를 하였다. 하지만 수계의 경우 두 알고리즘에서 경계가 명확히 구분되었다. 이러한 결과가 나타난 이유는 사용 영상의 밴드 조합이 수계와 모래 구분은 명확히 가능하지만 반사도가 비슷한 도심지와 모래의 구분이 불가능하기 때문인 것으로 판단된다.

Fig. 3. Classification result of KOMPSAT-2 image on Apr-20-2012; (a) ANN algorithm result,(b) SVM algorithm result, (c) ANN algorithm result.

Fig. 4. Classification result of KOMPSAT-3 image on Jun-17-2015; (a) ANN algorithm result,(b) SVM algorithm result, (c) ANN algorithm result.

Fig. 5. Classification result of KOMPSAT-3 image on Jun-17-2015; (a) ANN algorithm result,(b) SVM algorithm result, (c) ANN algorithm result.

무감독 분류인 Fig. 3(c)의 결과는 ANN 알고리즘과 SVM 알고리즘 분류와는 다르게 나타났다. 특히 삼림 지역에서 수계로 분류가 이루어졌다. 이러한 이유는 산림의 일부 지역에서 수계의 반사도와 비슷한 값을 가지기 때문으로 판단된다. 특히 ISO data 알고리즘은 ANN, SVM 알고리즘에 비하여 많은 오류를 포함하는 것을 알 수 있다.

Fig. 4는 가뭄이 발생했을 당시인 2015년 6월 17일의 지표피복 분류 결과이다. Fig. 4(a)는 ANN 알고리즘 분류의 결과를 나타내고, Fig. 4(b)는 SVM 알고리즘 분류의 결과를 나타내며, Fig. 4(c)는 ISO data 알고리즘 분류의 결과를 나타낸다. Fig. 4(a)와 Fig. 4(b)의 결과에서 공통적으로 2015년 당시 발생한 가뭄에 의해 드러난 강바닥 부분을 모래로 분류를 하였다. 또한 수계 면적 분류가 잘 이루어진 것을 알 수 있다. 반면에 ISO data 분류 결과 수계 뿐만 아니라 도로, 농경지 등도 수계로 오분류 되었다(Fig. 4(c)).

Fig. 5는 가뭄 이후 2016년 8월 6일의 지표피복 분류 결과이다. Fig. 5(a)는 ANN 알고리즘 분류의 결과를 나타내고, Fig. 5(b)는 SVM 알고리즘 분류의 결과를 나타내며, Fig. 5(c)는 ISO data 알고리즘 분류의 결과를 나타낸다. Fig. 5는 3가지 결과 중 소양강댐의 만수위에 가장 근접한 영상을 사용한 결과이기 때문에 공통적으로 모든 결과에서 수계영역과 산림의 경계가 뚜렷하게 구분됨을 확인 할 수 있었다. Fig. 5(a)와 Fig. 5(b)에서 빨간색 원으로 표시한 영역의 마을부에서는 ANN 알고리즘은 대부분의 지역을 모래로 분류한 반면 SVM 알고리즘은 군데군데 도심지로 분류한 부분이 확인된다. 모래와 도심지의 분류에서는 ANN보다는 SVM이 좀더 나은 결과를 보여주는 것으로 판단된다. 반대로 산림의 그림자에 대한 부분에서는 ANN 알고리즘이 SVM 알고리즘에 비하여 그림자 영역을 더 정확히 분류하였다. Fig.5(c)의 ISO data 알고리즘 결과에서는 이전의 Fig. 3과 4와 다르게 산림과 수계 경계를 잘 분류하였다. 이러한 결과가 나타난 이유는 원본영상에 영향을 많이 받는 무감독분류의 특성상 원본영상에서 수계와 다른 경계가 뚜렷하게 나타나기 때문으로 생각된다.

3개의 영상을 분류한 결과 감독분류 방법인 ANN과 SVM은 대체로 비슷한 결과를 보여주었으며 무감독분류인 ISO data 방법은 분류에 많은 에러가 나타났다. 따라서 이 연구에서는 수계가 잘 분류가 된 ANN과 SVM 결과에서 수계면적을 산출하여 각 가뭄지수와 비교를 하였다(Table 4).

Table 4. The water area of each image and Drought Index values in Inje Observatory

ANN, SVM 알고리즘으로 분류한 수계 면적 분석 결과, 가뭄 이전 시기인 2012년 4월에는 각각 7.84, 8.12km²의 면적을 가지며 가뭄 시기인 2015년에는 2.50, 2.62km²으로 면적이 상당히 줄어 든 것을 알 수 있다. 반면에 가뭄 이후인 2016년 8월에는 각각 11.36, 11.18 km²의 면적을 나타낸다. 수계면적의 변화와 가뭄지수와의 상관관계를 알아보기 위하여 각 시기별 가뭄지수 값과 비교 분석하였다. 그 결과, SPI2, SPI3, EDI의 가뭄 지수는 2012년 4월 20일에 각각 0.34, -0.03, 0.60으로 보통 상태이며, 2015년 6월 17일은 -2.05, -1.13, -2.31로 심한 가뭄, 평균적인 가뭄, 심한 가뭄으로 분류가 되었다. 2016년 8월 6일은 0.79, 0.67, 0.29로 모두 보통 상태를 나타냈다(Fig. 6). 즉 면적변화와 SPI, EDI 가뭄지수 변화의 경향성이 유사하게 나타났다. 하지만 유출량과 같은 다른 변수는 고려하지 않고 강수량만을 이용하여 산출되는 PN1 지수는 면적과 상관관계가 뚜렷하게 나타나지 않았다.

Fig. 6. The water area of each image and drought Index values; ANN (light gray bar), SVM (dark gray bar), PI2 (large dotted line), SPI3 (small dotted line), EDI (solid line).

4. 결론

연구에서는 소양강 상류 지역의 가뭄 모니터링을 위하여 KOMPSAT-2/3 고해상도 영상을 활용하여 영상 분류를 실시하였으며 이를 통하여 수계면적을 산출하였다. 또한 산출된 수계 면적과 가뭄지수와의 비교를 통해 인공위성영상의 가뭄 모니터링 가능성을 연구하였다. 영상은 가뭄 시기와 가뭄 전/후 시기에 획득된 영상을 활용하였으며, 감독 분류인 ANN, SVM 알고리즘과 무감독 분류인 ISO data 알고리즘으로 적용하여 영상을 분류하였다. 그 결과 머신러닝 기반의 감독분류인 ANN과 SVM은 산림과 모래, 도심지의 분류에서는 차이를 보였으나 수계를 분류한 결과는 서로 비슷한 결과를 나타냈다. 반면에 무감독 분류인 ISO data 결과는 ANN과 SVM 알고리즘에 비하여 각 분류 지표의 뚜렷한 경계가 없는 영상에서는 오류가 크게 나타냈다. ANN과 SVM 알고리즘으로 산출된 수계의 면적 분석 결과, 가뭄이 발생했을 시기인 2015년에 면적이 각각 2.50, 2.62 km²으로 가장 작았으며, 이 후 2016년에 11.36, 11.18 km²으로 면적이 가장 크게 나타났다. 산출된 수계면적의 분석 결과와 가뭄지수를 비교해 보았을 때, 강수량에만 의존하는 PN을 제외한 SPI2, SPI3, EDI 지수와 수계면적변화와의 경성이 매우 유사하게 나타났다. 이 연구를 통해 고해상도 위성인 KOMPSAT-2와 KOMPSAT-3의 영상분석을 활용하여 가뭄 모니터링이 가능함을 확인하였다. 하지만 이 연구에서는 3장의 영상으로 분석하여 많은 가뭄 지수에 대한 연구가 아직 부족하다. 따라서 향후 연구에서 더 많은 자료를 획득하여 다양한 가뭄지수와 면적을 비교한다면 향상된 가뭄 예측 연구에 대한 자료로 활용 가능할 것으로 생각된다.