Green Algae Detection in the Middle·Downstream of Nakdong River Using High-Resolution Satellite Data

고해상도 위성영상을 활용한 낙동강 녹조탐지기법 비교 및 분석

Abstract

Recently, because of changes in temperature and rising water temperatures due to increased pollution sources, many algae have been produced in the water system. Therefore, there has been a lot of research using satellite images for the generation and monitoring of green algae. However, in prior studies, it is difficult to consider the optical properties of the local water system by using only a single index, and by using medium and low-resolution satellite images to conduct large-scale algae detection, there is a problem of accuracy in narrow, broad rivers. Therefore, in this work, we utilize high-resolution images of Sentinel-2 satellites to perform green algae detection on a single index (NDVI, SEI, FGAI) and development index (NDVI & SEI, FGAI & SEI) that mixes single indices. In this study, POD, FAR, and PC values were utilized to evaluate the accuracy of green algae detection algorithms, and the FGAI & SEI index showed the highest accuracy with 98.29% overall accuracy PC.

최근 기온변화 및 오염원 증가에 따른 수온 상승으로 수계 내에 부영양화가 진행되어 녹조가 다수 발생하고 있으며, 이러한 녹조의 발생과 감시를 위하여 위성영상을 이용한 연구가 많이 이루어지고 있다. 하지만 선행연구에서는 단일 지수만을 활용한 녹조탐지로 지역 수계의 광학적 특성을 고려하기 어려운 문제점 및 중·저해상도 위성영상을 활용하여 대규모의 녹조탐지를 수행함에 따라, 좁은 폭인 강에서의 녹조탐지에는 정확도가 떨어진다는 한계점이 존재한다. 따라서 본 연구에서는 Sentinel-2 위성의 고해상도 영상을 활용하여 NDVI, SEI, FGAI 단일지수 및 본 연구에서 개발한 두 개의 혼합지수들을 녹조탐지에 활용하였다. 본 연구에서는 녹조탐지 알고리즘의 정확도 평가를 위해 POD, FAR, PC 값을 활용하였으며, FGAI와 SEI를 혼합한 지수가 전체 정확도 PC에서 98.29%로 제일 높은 정확도를 보였다.

1. 서론

녹조란 부영양화된 호수, 유속이 느린 하천이나 정체된 바다에서 부유성의 조류가 대량 증식하여 물색을 녹색으로 변화시키는 현상을 말한다. 최근 기후변화로 인한 수온 상승은 해마다 조류의 증식을 일으키며 수질을 악화시켰고(Matthews et al., 2009), 조류의 증식으로 인해 발생하는 녹조의 대발생은 전 세계 연안에서 빈번하게 보고가 되어졌다(Ye et al., 2011; Smetacek and Zingone, 2013). 또한 오염원 증가에 따른 온도 상승으로 수계 내에 부영양화가 진행되어 녹조가 다수 발생하고 있으며, 녹조 발생에 따른 수질악화는 수중 생물 폐사, 악취발 생 등의 문제를 발생시키고 있다(Park et al., 2017).

우리나라에서는 4대강 중 하나인 낙동강이 수질 악화로 인한 심각한 문제에 직면하고 있고(Choi et al., 2007), 특히 강의 중/하류 지역의 식물플랑크톤의 군집이 녹조류에 의한 의존도가 높게 나타났다(Son, 2013). 이에 따라 녹조의 발생과 감시를 위하여 위성영상을 이용한 원격탐사 기법의 활용이 늘어나고 있으며(Kutser et al., 2006; Moses et al., 2009), 광범위한 지역을 대상으로 녹조 유무 정보에 대한 효율적인 모니터링이 가능해졌다(Kim et al., 2018). 위성영상을 활용한 녹조탐지의 경우, Normalized Difference Vegetation Index (NDVI), Index of floating Green Algae for GOCI (IGAG) 지수를 활용한 녹 조탐지(Kim et al., 2018), Floating Algae Index (FAI) 지수를 활용한 녹조탐지(Hu et al., 2009), Seaweed Enhancing Index (SEI) 지수를 활용한 녹조탐지(Siddiqui et al., 2019) 등 주로 위성의 채널 반사도 자료를 기반으로 한 단일지 수를 활용하였다.

그러나 수계에 따라 변화하는 비선형적인 분광특성으로 인해(Kim et al., 2018), 단일지수기반 녹조탐지 자료는 강의 다양한 광학적 특성을 고려하지 못하는 한계점이 존재하며, 이에 따라 자료의 정확성 측면에서도 잠재적인 에러요인이 존재한다. 또한 선행연구에서 활용한 위성영상은 주로 중·저해상도 위성영상을 활용하여 녹조탐지를 수행하기 때문에, 평균 464m의 낮은 폭을 가진 낙동강과 같은 우리나라의 강을 대상으로 녹조탐지를 수행할 경우, 공간해상도 차이만으로 녹조면적 추정결과가 달라질 수 있고, 녹조탐지자료의 정확도에도 영향을 미칠 수 있다(Kim et al., 2018).

따라서 본 연구에서는 고해상도 위성영상을 활용하여 낙동강 영역을 대상으로 녹조탐지에 활용되는 다양한 단일지수들과 각 지수들의 특징이 반영된 혼합지수를 활용한 녹조탐지를 수행하였으며, 단일 지수 및 혼합지수별 녹조탐지 결과 자료를 비교·분석하여 낙동강에 최적화된 새로운 녹조탐지 지수를 제시하고자 한다.

2. 연구지역 및 자료

1) 연구지역

녹조는 여름에 주로 발생하나, 본 연구의 목적 중 하나는 새로운 녹조탐지 기법을 상시 모니터링에 적용하는 것이다. 따라서 본 연구는 여름 외 봄, 가을, 겨울의 계절 자료까지 포함하여 녹조탐지지수의 성능을 평가 하기 위해 2019년 1월부터 2020년 6월까지로, 1년 이상의 기간을 연구기간으로 설정하였다. 연구지역은 아래의 Fig. 1과 같이, Kim et al. (2018), Son (2013), Choi et al. (2007)를 참고하여 녹조가 빈번하게 발생하는 낙동강 중류 (위도 35.40°N~35.54°N, 경도 128.20°E~128.30°E) 및 서 낙동강(위도35.00°N~35.10°N, 경도 128.52°E~ 129.0°E) 로 선정하였다.

Fig. 1. Study area; (a) Nakdong River Midstream (b) the West Nakdong River Downstream.

2) 연구자료

본 연구에서는 녹조탐지를 위해 ESA (European Space Agency)가 운용하는 지구 관측프로그램인 Copernicus 에서 제공하는 Sentinel-2 MSI (Multi-Spectral Instrument, MSI)센서의 자료를 사용하였다. 2015년 6월 23일에 발사되었으며, 5일 반복주기로 전 지구를 관측하는 Sentinel2 위성의 MSI센서는 채널에 따라 10 m에서 60 m에 이르는 다양한 고해상도 이미지를 제공하며, 가시광선 (visible, VIS), 근적외(near-infrared, NIR) 및 단파적외 (short-wave infrared, SWIR) 파장 영역까지 13개의 파장 영역의 영상을 제공한다. 채널 및 파장에 따른 공간 해상도는 Table 1과 같다.

Table 1. Sentinel-2/MSI Spectral Band Information

Sentinel-2/MSI 자료는 각 채널별 반사도 자료인 L2A 채널 반사도 자료와 지면 정보를 포함한 SCL (Scene Classification) 자료를 제공하며, 두 자료를 녹조탐지를 위활용하였다. L2A 채널 반사도 자료는 TOA (Top-OfAtmosphere) L1C 영상을 기반으로 AOT (Aerosol Optical Thickness), WV (Water Vapor) 등을 활용하여 TOA를 BOA (Bottom-Of-Atmosphere)로 변화하는 과정을 통해 산출되는 자료로, 대기보정이 수행된 자료이기 때문에 추가적인 전처리는 수행하지 않았다. SCL (Scene Classification) 자료는 구름, 눈과 같은 영상 정보를 포함하고 있으며, SCL 자료로 제공하는 정보 및 Flag는 Table 2와 같다. 본 연구에서는 채널자료로 Band 2부터 Band 11까지 자료를 사용하였고, 육상과 구름 분류를 위해 SCL 자료의 영상 정보 중 Water, Cloud high probability, Thin cirrus (Flag 6, 9, 10)를 활용하였다.

Table 2. SCL Information

3. 녹조탐지

본 연구의 녹조탐지 알고리즘은 세 단계로 구성되며, Fig. 2는 단계별 알고리즘 수행과정 및 흐름도를 나타낸다. 녹조탐지 알고리즘의 첫 번째 단계는 데이터 전처리를 통한 Reference 자료 구축, 두 번째 단계는 단일 지수 및 혼합 지수를 포함한 총 5개의 녹조탐지 지수들을 활용하여 각 지수 별 녹조탐지 산출물을 생성하는 단계이다. 최종단계인 세 번째는 단일지수 및 혼합지수로 산출된 녹조탐지 산출물들의 비교 및 분석을 위해 검증 지수를 활용하여 검증하는 단계이다.

Fig. 2. Flow chart of this study.

1) 데이터 전처리

본 연구에서는 녹조탐지에 앞서 녹조탐지 후보 영역을 설정하기 위해서 구름 및 육상을 구분하였으며 과정은 Table 3과 같이, 픽셀들의 분광특성을 분석해 경계값을 산출하는 방법과 더불어 SCL을 활용하였다. 구름 분류는 먼저 Sentinel-2/MSI L2A SCL 자료의 Cloud High Probability, Thin Cirrus Flag를 활용하여 구름을 구분하였고, 다음 단계는 Baetens et al. (2019)가 활용한 NIR 채널의 반사도, Zhu et al. (2012)가 활용한 White test, Hot test 및 Red 채널 반사도를 활용하여 구름을 구분하였다. Sentinel-2/MSI L2A SCL 자료는 구름 그림자 영상정보도 제공하지만, 해당 자료 분석 결과, 실제 구름 그림자가 아닌 영역을 구름 그림자로 오탐지하는 영역이 발생하여 SCL 구름 그림자를 활용하지 않았다.

Table 3. Cloud & Land Masking Method

육상 분류 방법도 구름 분류 과정처럼, 먼저 Sentinel2/MSI L2A SCL의 Water Flag를 활용하여 육상을 구분하였고, 다음 단계는 Choung and Jo (2016)가 활용한 NDWI (Normalized Difference Water Index; NDWI)를 본 연구에서도 적용하여 활용하였다. 그리고 추가적으로 NIR 반사도를 활용하여 2차 육상 분류를 수행하였다.

2) 훈련 및 검증자료 구축

본 연구에서는 녹조탐지의 훈련 및 검증자료를 구축하기 위해 사진판독(Photo Interpretation)기법을 사용하였다. 사진판독 기법이란 영상의 대상물 성질을 조사 또는 식별하여 종합 분석함으로써 정성화하는 기술로 최근 지표면의 형상, 지질, 식생, 토양 등의 연구 수단에 활용되는 기법이다. 녹조유무 구별은 여름철 RGB영상에서 형광 연두색을 가지는 녹조의 분광특성을 갖는 지역 픽셀들을 녹조라고 판단하여 선정하였고, 반대로 모든 RGB영상에서 녹조의 분광 특성을 가지지 않고, 물의 탁함이 없는 픽셀들을 녹조가 존재하지 않는 픽셀로 판단하여 선정하였다. 본 연구에서 활용한 Sentinel-2/MSI Scene은 낙동강 중류 지역은 13개, 서 낙동강 하류 지역은 9개를 활용하였으며, 총 픽셀 수는 3923개를 사용하였다. 이 중 70%는 훈련자료, 30%는 검증자료로 분류 하여 사용하였다. Fig. 3은 녹조 및 비녹조 픽셀에 대한 RGB영상과의 예시를 나타낸다.

Fig. 3. Construction of Reference data using Photo Interpretation.

3) 녹조탐지 알고리즘

본 연구에서는 사진판독기법으로 추출된 훈련자료 영상을 활용하여 단일 지수(NDVI, SEI, FGAI)와 단일 지수를 기반으로 개발한 혼합지수에 따른 녹조 및 비녹 조 영역의 분포를 히스토그램을 통해 확인하였다. 이를 통해 각 지수별 녹조탐지 경계값을 설정하였으며, 검증 자료를 활용하여 해당 경계값을 적용하여 녹조탐지를 수행하였다.

Fig. 4은 Sentinel-2/MSI 영상에서 사진판독기법을 통해 분류된 녹조 픽셀영역과 비녹조 픽셀영역을 대상으로 단일지수 값을 적용하여 나타내어진 히스토그램이다. 먼저 Fig.4 (a)는 NDVI 지수의 값을 적용한 히스토그램이다. NDVI 지수는 위성영상 기반 녹조탐지 연구에서 가장 많이 이용되는 탐지 기법의 하나로(Huete and Justice, 1999;), 녹조류가 주로 Red 밴드와 NIR 밴드 영역에서 육상 식생과 유사한 스펙트럼 특성을 보여주며, 주변 해수와 뚜렷한 차이를 보이는 특징이 있다(Cui et al., 2012). NDVI는 단위가 없는 절대적인 값이며 -1에서 1 의 범위로, 1에 가까울수록 식생의 분포량과 활동성이 크다는 것을 의미한다. NDVI 지수식은 아래의 식 (1)과 같으며 NDVI 지수의 경계값은 Fig.4 (a)의 파선을 기준으로 값이 0 이상이면 녹조, 0 이하면 비녹조 픽셀로 구 분하였다.

\(N D V I=\frac{R_{n i r}-R_{r e d}}{R_{n i r}+R_{r e d}}\)        (1)

Fig. 4. Histogram of single index values of algae and no algae; (a) NDVI, (b) SEI, (c) FGAI.

Fig. 4(b)는 SEI 지수의 값을 적용하여 나타낸 히스토그램이다. SEI는 Landsat 8 위성 데이터의 NIR 및 SWIR 밴드를 이용한 새로운 원격 감지 기반 해조류 강화 지 수로 해조류 탐지에서 NDVI보다 성능이 좋거나 비슷한 결과를 보인 지수이다(Siddiqui et al., 2019;). SEI 지수 식은 식 (3)과 같으며 SEI 지수의 경계값은 Fig. 4(b)의 파선을 기준으로 값이 0.25 이상이면 녹조, 0.25 이하면 비 녹조 픽셀로 구분하였다.

\(S E I=\frac{R_{n i r}-R_{\text {swir }}}{R_{\text {nir }}+R_{\text {swir }}}\)       (2)

Fig. 4(c)는 FGAI 지수의 값을 적용하여 나타낸 히스토그램이다. FGAI는 부유성 녹조의 분포 및 이동을 탐 지하는데 매우 효과적인 탐지 기법이며, 적외 채널의 사용에 구애를 받지 않고 녹조가 가지고 있는 적색 밴드에서의 광흡수와 근적외 밴드에서의 반사도가 증가하는 특성을 이용한다(Lee et al., 2012). FGAI 지수식은 식 (2)와 같으며 FGAI 지수의 경계값은 Fig. 4(c)의 파선을 기준으로 값이 -0.1 이상이면 녹조, -0.1 이하면 비녹조 픽셀로 구분하였다.

\(F G A I=\log \frac{R_{n i r}}{R_{r e d}}\)          (3)

또한, 부유성 녹조 영역은 매우 작은 띠 형태로 나타나기 때문에(Lee et al., 2012) 녹조의 띠를 더 정확하게 탐지를 하기 위해서 본 연구에서는 세 종류의 단일지수 (NDVI, FGAI, SEI)를 활용하여 선형방정식 형태의 경계값을 구축하였으며, Fig. 4는 각 단일지수들을 활용하여 개발한 혼합지수의 산점도를 나타낸다.

Fig. 5(a)의 파선은 FGAI와 NDVI지수를 혼합한 FGAI & NDVI의 경계값을 나타내는 기준으로, NDVI > – 0.125×FGAI 식을 나타낸다. Fig. 5(b)의 파선은 SEI와 NDVI 지수를 혼합한 SEI & NDVI 지수의 경계값으로 NDVI > – 0.5×SEI + 0.25 식을 나타내고, Fig. 5(c)의 파선은 FGAI와 SEI 지수를 혼합한 FGAI & SEI 지수의 경계값으로 SEI > – 1.2×FGAI + 0.2 식을 나타낸다. 산 점도의 분포를 확인하였을 때, Fig. 5(b), (c)에서는 녹조와 비녹조 영역의 값 분포가 Fig. 5(a)의 산점도에 비해 확연히 구분이 되는 것을 확인할 수 있다. 이에 따라 본 연구에서는 녹조 및 비녹조 픽셀의 분포특성이 확연히 구분되는 두 종류의 혼합지수(SEI & NDVI, FGAI & SEI) 와 앞선 세 종류의 단일지수 (NDVI, FGAI, SEI)를 활용 하여 녹조탐지를 수행하였다. Fig. 6 및 Fig. 7은 연구지역인 낙동강 중류와 서 낙동강 하류에 적용시킨 NDVI, FGAI, SEI, SEI & NDVI 및 FGAI & SEI의 지수 별 탐지 결과 영상이다. 녹조탐지 영상의 비교 결과, SEI 단일지 수를 활용한 녹조탐지 영상이 다른 단일지수 및 혼합지수 기반 녹조탐지 영상보다 상대적으로 녹조가 과대탐지된 것을 확인할 수 있었다.

Fig. 5. (a) Scatter plot of FGAI & NDVI (b) Scatter plot of NDVI & SEI (c) Scatter plot of FGAI & SEI.

Fig. 6. Nakdong River Midstream RGB and output applied NDVI, FGAI, SEI, SEI & NDVI, FGAI & SEI (20190704. 0206).

Fig. 7. The West Nakdong River Downstream RGB and output applied NDVI, FGAI, SEI, SEI & NDVI, FGAI & SEI (20190803. 0206).

4. 정확도 평가

1) 정량적 평가

지수 별 경계값에 따른 녹조탐지의 정확도를 검증하기 위해 정량적 검증과 정성적 검증을 수행하였다. 정량적 검증에서는 Probability Of Detection (POD), False Alarm Ratio (FAR), Proportion Correct (PC) 지수를 사용하였다. POD는 탐지확률, FAR는 오탐지율, PC는 전체 정확도를 의미하며 POD와 PC 지수는 100에 가까울수록, FAR 지수는 0에 가까울수록 정확도가 높은 것을 의미한다. 본 연구에서는 사진판독 기법을 활용하여 구축된 검증자료를 기준으로 지수 별 경계값에 따른 결과들을 정량적으로 검증하였다. Table 4는 낙동강 중류, 서 낙동강 하류지역의 녹조탐지 경계값의 결과영상에 따른 POD, FAR, PC의 검증결과이다.

정량적 검증 결과, 낙동강 중류지역과 서 낙동강 하류지역에서 탐지확률인 POD에서는 NDVI 지수는 각각 93.81%, 95.74%, FGAI 지수는 95.36%, 97.02%, SEI 지수는 89.17%, 92.12%로 보였고, 혼합지수인 SEI & NDVI지수는90.72%, 95.1%, FGAI & SEI지수는95.87%, 98.29%로 높은 탐지확률을 보였다. 오탐지율 FAR에서 는 NDVI, SEI & NDVI, FGAI & SEI 지수는 각각 0%, FGAI 지수는 2.11%, 3.18%, SEI 지수는 6.98%, 4.2%로 모두 낮은 오탐지율을 보였다. 마지막으로 전체 정확도인 PC에서는 NDVI 지수는 각각 93.81%, 95.74%, FGAI 지수는 93.43%, 94.02%, SEI 지수는 83.57%, 88.54%로 높은 정확도를 보였다. 그리고 혼합지수인 SEI & NDVI 지수는 90.72%, 95.1%, FGAI & SEI 지수는 95.87%, 98.29%로 또한 높은 정확도를 보였다.

단일지수 및 혼합지수의 정확도 평가 결과, FGAI & SEI 지수가 다른 단일지수 및 혼합지수에 비해 연구지역에서 모두 95% 이상의 높은 정확도를 보였다.

Table 4. Quantitative result using POD, FAR, PC

2) 정성적 평가

지수들의 경계값 설정에 따른 녹조탐지 결과에 대해서 공간적 분포 특성 및 시각적 정확도를 평가하기 위해 RGB 영상과 녹조탐지 결과물들을 비교 및 분석하여 정성적 검증을 수행하였다. Fig. 8, Fig. 9는 지수 별 녹조 탐지 결과영상을 대상으로 상세한 정확도 평가를 수행하기 위해 Fig. 6 및 Fig. 7의 녹조가 분포하는 영역을 확대한 영상 및 RGB 영상이다. 낙동강 중류지역(Fig. 8)의 경우 RGB 영상과 비교 시, NDVI, FGAI, SEI, SEI & NDVI, FGAI & SEI 지수별 녹조탐지 결과가 다른 지수 별 녹조탐지 결과에 비해 실제 녹조 분포와 유사한 분포를 나타내며, 강의 가장자리 구간의 녹조는 FGAI & SEI 지수가 다른 지수에 비해 정확한 녹조탐지 결과를 나타냈다. 다른 지수에 비해 녹조가 과대탐지된 SEI 지수는 RGB 영상과 비교 시, 비녹조 영역을 녹조로 과대 추정하는 경향을 보였다. 서 낙동강 하류지역(Fig. 9)의 경우에서도 RGB 영상과 비교 시, NDVI, FGAI, SEI, SEI & NDVI, FGAI & SEI 지수별 녹조탐지 결과가 다른 지수별 녹조탐지 결과에 비해 실제 녹조분포와 유사 하게 나타났으며, 특히 FGAI & SEI 지수가 다리 주변을 녹조로 오탐지하는 부분이 없이, 부유성 녹조의 퍼져있는 형태 및 띠 형태를 다른 지수들에 비해 명확히 구분하는 것을 확인할 수 있었다. 하지만 SEI 지수는 이 지역에서도 녹조면적을 과대 추정하는 경향을 보였다.

Fig. 8. Enlarged RGB and output applied NDVI, FGAI, SEI, SEI & NDVI, FGAI & SEI threshold of the 20190704 Nakdong River Midstream where the bands of the algae exist.

Fig. 9. Enlarged RGB and output applied NDVI, FGAI, SEI, SEI & NDVI, FGAI & SEI threshold of the 20190803 West Nakdong River Downstream where the bands of the algae exist.

5. 결론 및 고찰

본 연구는 4대강 중 녹조 발생 및 피해가 빈번하게 발생하는 낙동강 지역을 대상으로 Sentinel-2 위성의 고해상도 영상을 활용하여 녹조탐지를 수행하였다. 녹조와 비녹조 영역의 픽셀들을 각각 분류하는 단일지수와 개발된 혼합지수를 활용하여 녹조탐지를 위한 경계값 설정 및 녹조탐지에 적용하였으며, NDVI, FGAI, SEI, SEI & NDVI 및 FGAI & SEI 녹조탐지지수의 정확도를 평가하기 위해서 정량적, 정성적 검증을 수행하였다. 정량적 검증에서는 POD, FAR, PC 지수를 사용하였다. 정량적 검증 결과 FGAI & SEI 지수가 낙동강 중류지역에서는 POD, PC는 95.87%, FAR는 0.00%였고, 서 낙동강 하류지역에서는 POD, PC는 98.29%, FAR는 0.00%로 정확도가 가장 높게 나타났다. RGB 영상과 비교하는 정성적 검증에서는 다른 지수에 비해 FGAI & SEI 지수가 부유성 녹조의 띠를 명확히 탐지한 것을 확인할 수 있었다.

본 연구에서는 Sentinel-2/MSI 고해상도 위성자료를 사용하였으며 시간적 범위로는 2019년 1월부터 2020년 6월까지 설정하였으나, 구름에 가려진 영상이 많아 자료 확보에 한계가 있었다. 또한 Sentinel-2/MSI 자료의 구름, 눈과 같은 영상 정보를 포함하는 SCL (Scene Classification)자료에서오탐지가존재한3 (Cloud_Shadow) Flag의 미활용으로 구름 그림자 구분에 한계점이 존재하였다.

하지만 이러한 한계점을 극복하기 위해 RGB 영상을 기반으로 한 사진판독 기법을 활용하여 검증자료 확보 및 고해상도 위성자료를 통해 산출된 탐지지수의 새로운 경계값으로 녹조탐지를 수행하였으며, 낙동강 중류지역과 서 낙동강 하류지역의 탐지 결과들을 비교 및 분석을 수행한 것과 다른 지수들에 비해 오탐지를 최소화하며 부유성 녹조의 띠의 형태를 명확히 탐지한 FGAI & SEI 지수를 개발한 것에 의의가 있다.

이후 장기간의 위성자료에 본 연구의 녹조탐지 기법을 활용한다면 기후환경 및 수산업 분야의 연구에 활용이 될 수 있을 것이며, 우리나라에 적합한 녹조탐지 모니터링에도 활용이 되어질 것이라 기대된다. 또한 수온 상승 및 오염원 증가로 인해 자주 발생되어지는 녹조의 발생에 대한 정보를 제공함으로써 효율적인 녹조관리를 통한 우리나라 수계의 환경관리에 많은 도움을 줄 것이라 기대된다.