The Relative Height Error Analysis of Digital Elevation Model on South Korea to Determine the TargetVertical Accuracy of CAS500-4

농림위성의 목표 수직기하 정확도 결정을 위한 남한 지역 수치표고모델 상대 오차 분석

Abstract

Forest and agricultural land are very important factors in the environmental ecosystem and securing food resources. Forest and agricultural land should be monitored regularly. CAS500-4 data are expected to be effectively used as a supplement of monitoring forest and agricultural land. Prior to the launch of the CAS500-4, the relative canopy height error analysis of the digital elevation model on South Korea was performed to determine the vertical target accuracy. Especially, by considering area of interest of the CAS500-4 (mountainous or agricultural area), it is conducted that vertical error analysis according to the slope and canopy. For Gongju, Jeju, and Samcheok, the average root mean squared differences were calculated compared to the drone LiDAR digitalsurface models, which were filmed in autumn and winter and the 5 m digital elevation model from the National Geographic Information Institute. As a result, the Shuttle radar topography mission digital elevation model showed a root mean squared differences of about 8.35, 8.19, and 7.49 m, respectively, while the Copernicus digital elevation model showed a root mean squared differences of about 5.65, 6.73, and 7.39 m, respectively. In addition, the root mean squared difference of shuttle radar topography mission digital elevation model and the Copernicus digital elevation model according to the slope angle were estimated on South Korea compared to the 5 m digital elevation model from the National Geographic Information Institute. At the slope angle of between 0° to 5°, root mean squared differences of the Shuttle radar topography mission digital elevation model and the Copernicus digital elevation model showed 3.62 and 2.52 m, respectively. On the other hands root mean squared differences of the Shuttle radar topography mission digital elevation model and the Copernicus digital elevation model respectively showed about 10.16 and 11.62 m at the slope angle of 35° or higher.

식량자원의 확보와 환경생태계에 매우 중요한 요소인 산림과 농경지는 정기적인 모니터링이 요구된다. 농림 위성 영상 자료는 우리나라의 기존 산림 및 농경지 모니터링 방법의 보완재로 효과적으로 활용될 것으로 예상되고 있다. 농림위성의 발사 이전에 사전연구로써 목표 수직기하정확도 산정을 위해 수치표고모델 분석을 수행하였다. 특히 농림위성의 주요 관심 지역인 우리나라 산악지역과 농경지의 특성을 고려하여, 경사도와 식생에 따른 분석을 수행하였다. 공주, 제주 그리고 삼척 지역에 대하여 Shuttle radar topography mission digital elevation model과 Copernicus digital elevation model를 가을과 겨울에 촬영한 드론 LiDAR 수치표면모델 그리고 국토지리정보원 5 m 수치지형모델을 기준으로 평균 상대오차를 비교했다. 그 결과 Shuttle radar topography mission digital elevation model은 8.35, 8.19, 그리고 7.49 m의 상대오차를 나타냈으며, Copernicus digital elevation model는 각각 5.65, 6.73, 그리고 7.39 m의 상대 고도 오차를 나타냈다. 남한 전체에 대하여 Shuttle radar topography mission digital elevation model과 Copernicus digital elevation model를 국토지리정보원 5 m 수치지형모델을 기준으로 지형 경사에 따른 상대 고도 오차를 나타냈다. 그 결과 경사도 0°~5° 사이에서 Shuttle radar topography mission digital elevation model과 Copernicus digital elevation model의 상대 고도 오차는 각각 약 3.62와 2.52 m로 Shuttle radar topography mission digital elevation model의 오차가 더 큰 것으로 산출되었다. 하지만 경사도가 증가함에 따라 이러한 양상은 반전되어 경사도 35° 이상에서는 각각 10.16, 그리고 11.62 m 로 Copernicus digital elevation model의 상대오차가 더 크게 나타났다.

1. 서론

산림과 농경지는 식량자원의 확보와 환경생태계에 매우 중요한 요소이다. 따라서 정기적인 모니터링이 요구된다. 일반적으로 항공사진 육안 판독과 현지 조사를 바탕으로 산림 정보의 갱신이 이루어지고 있다. 이 방법은 매우 정확하게 우리나라 산림 정보를 취득할 수 있다. 그런데, 우리나라는 국토의 85% 이상이 산림과 농경지로 이루어져 있어 전체 국토에 대한 산림 정보를 갱신하는 데에 5년 이상이 소요된다. 이 때문에 특정 지역의 산림 정보에 급격한 변동이 발생한다면 생산된 데이터의 적시성이 저하되는 한계가 있다(Kwon et al., 2021; Kim et al., 2014).

위성영상은 넓은 지역에 대한 신뢰성 있는 자료를 취득하는 데에 효과적이다. 또한 일반적으로 정해진 궤도에 따라 정기적으로 촬영하므로 특정 관심 지역에 대한 정기적인 관측 데이터를 거의 동일한 품질로 누적할 수 있는 장점이 있다. 특히 지속적으로 누적된 시계 열적인 데이터를 활용함으로써 국토 전체에 대한 모니터링, 점진적인 변화 분석 등에 효과적으로 활용되고 있다. 이러한 위성의 장점에 따라 우리나라에서는 다목적실용 위성과 정지궤도 위성 등을 개발하여 운용해왔다. 최근에는 국정과제 34-2 (항공우주 등 첨단 기술 산업 육성 을 위한 R&D 지원) 및 제 3차 우주개발진흥 기본계획 (2018)에 따라 차세대 중형위성 2단계 개발 사업이 확정 되어 우리나라 국토의 위성 모니터링 체계를 공고히 할 예정이다(Kwon et al., 2021).

특히 차세대 중형위성 4호는 농림위성으로 2025년에 발사하는 것으로 계획되어 있다. 농림 위성 영상 자료는 기존 산림 및 농경지 모니터링 방법의 보완재로써 효과적으로 활용될 것으로 예상되고 있으며 이와 관련된 다양한 연구가 이루어지고 있다(Kim et al., 2016; Kwon et al., 2021; Kim et al., 2014; Kim et al., 2019). Kim et al. (2016)은 농림위성에 필요한 탑재체 기술 사양을 분석한 바 있다. 또한 궤도 시뮬레이션을 통해 우리나라 전체 농경지 및 산림 지역을 모니터링 하는 데에 필요한 시간을 제시하였다. Kim et al. (2014) 그리고, Kim et al. (2019)은 각각의 연구에서 위성영상의 농림 분야 적용 연구 사례를 정리하여 농림위성의 의미와 활용 방안을 환기한 바 있다. 한편, Kwon et al. (2021)은 농림위성과 유사한 탑재체 사양을 가지는 RapidEye 영상을 활용하여 농림 위성 기반 우리나라 수목의 수종 분류 가능성을 모의평가한 바 있다. 현재까지의 연구 사례를 종합해볼 때에 우리나라에서는 농림 위성 운용을 위한 탑재체 기술과 활용 분야와 관련된 연구가 주로 이루어져 왔으며 아직까지 기하보정이나 검보정과 관련된 연구는 미진한 편이다.

광학위성 영상은 궤도 방향에 따라 line scanning 방식으로 촬영된다. 이 방식으로 촬영된 원시 영상은 실제 지리좌표와 괴리가 있다(Lee et al., 2017). 따라서 위성영상의 실질적인 활용을 위해서는 위성의 촬영 기하와 지상 위치의 관계식에 따라 기하보정 과정이 필수적이다 (Jung and Won, 2008; Shin et al., 2018; Oh and Jung, 2012). 특히 고해상 위성 영상의 정확도와 활용분야는 일반적으로 산출물의 기하정확도에 의하여 결정되므로 고해상 위성 영상의 정밀 기하보정 기법을 개발하고 최종 산출물의 예상되는 수직 및 수평 기하정확도를 결정하는 과정은 매우 중요하다(Shin et al., 2018; Jeong et al., 2014; Son et al., 2021).

수치표고모델은 기하보정 정확도에 매우 큰 영향을 미친다(Ressl and Pfeifer, 2018; Beekhuizen et al., 2011; Brown et al., 2007). 따라서 최종 산출물의 기하 정확도를 결정하기 위해서는 수치표고모델의 정확도와 관련된 사전 연구가 필요하다. 이러한 중요성에 따라 많은 연 구에서 여러 지역에 대해 다양한 지표 조건에 따른 수치표고모델의 정확도 분석을 수행하였다(Orlandi et al., 2019; Elkhrachy, 2018; Tighe and Chamberlain, 2009; Castel and Oettli, 2008; Polidori and El Hage, 2020; Uuemma et al., 2020; Chen et al., 2020; Su et al., 2015; Kolecka and Kozak, 2014).

특히 농림 위성의 경우 주요 관심 대상이 우리나라의 산악지역과 농경지이므로, 산악지역과 농경지의 조건을 고려한 수치표고모델 정확도 분석이 선행되어야 한다. 우리나라의 대부분의 산림은 경사지에 존재한다(Korea Forest Service, 2021; National Geographic information institute, 2020). 경사지에서는 수치표고모델의 원자료에서 왜곡이 발생할 수 있다. 즉, 동일한 토지피복을 가진 지역이라 하더라도 경사도에 따라서 수치표고모델의 품질이 달라질 수 있다(Olmsted, 1993). 이와 유사하게, 수치표고모델의 원자료는 토지피복에 따라 다른 반사도 혹은 후방산란 특성을 가진다. 이러한 원자료의 특징은 제작된 수치표고모델의 정확도와 정밀도에 동시에 영향을 미칠 수 있다(Baek and Jung, 2019; Olmsted, 1993; Zhu, 2017). 이에 따라 연구 지역의 경사적 특성과 식생 등을 고려한 수치표고모델 정확도 분석이 필요하다. 하지만 아직까지 우리나라에 대하여 경사도와 식생의 영향에 대한 수치표고모델의 정확도 분석 사례가 제시된 바 없다.

따라서 본 연구에서는 농림위성의 목표 수직기하 정확도 수립을 위한 남한지역의 수치표고모델 상대 오차 분석을 수행하였다. 이때 농림위성의 관심 촬영지역이 산악지역과 식생지역이라는 점을 고려하여 논문을 크게 세 개 장으로 분류하여 연구를 수행하였다. 1) 수고에 의한 영향을 분석하기 위하여 드론에서 두 시기에 걸쳐 촬영한 LiDAR DSM과 지리원에서 제공하는 5 m DTM (NGII DEM)을 각각 DSM과 DTM의 참이라 가정하고 1 arc-second shuttle radar topography mission digital elevation model (SRTM DEM)과 Copernicus 1 arc-second DEM (WDEM)의 상대 오차를 비교했다. 2) LiDAR DSM 과 NGII DEM의 차이와 수집한 수고 정보를 비교함으로써 우리나라의 수고를 분석하기 위한 가장 적절한 방안을 모색했다. 3) 마지막으로 경사도에 따른 상대 오차를 확인하기 위하여 남한 전체에 대하여 NGII DEM을 참이라 가정하고 SRTM DEM과 WDEM의 상대오차를 비교했다.

2. 연구 지역 및 연구자료

Fig. 1은 연구지역을 나타낸다. 연구지역은 남한지역이다. 남한 지역은 낮은 고도로 이루어져 있으나 지형적으로 복잡하고 경사가 급한 특징을 나타내고 있다. 한반도의 평균 고도는 448 m으로 동아시아 전체의 평균 고도(910 m) 보다 현저히 낮은 특징을 나타낸다. 한 편 한반도의 평균경사도는 5.7°로 동아시아 평균(3.9°)보다 약 1.8° 높은 수준을 나타낸다. 또한, 한반도 내에 10° 미만, 10°–25°, 그리고 25°–45°의 경사도를 나타내는 지역이 각각 36%, 44% 그리고 20%를 차지하며, 경사도가 45° 이상 지역은 0.3%에 해당된다. 이는 한반도가 비교적 경사도의 변화도가 적으며, 높은 경사도가 상대적으로 균등하게 나타나는 사실을 나타낸다(National Geographic information institute, 2020).

Fig. 1. Study Area.

남한지역은 약 77%의 영역이 산악지역으로 이루어져 있는 것으로 알려져 있으며 농경지를 포함하였을 때 산악지역과 농경지는 전체 국토 중 약 85%를 차지한다 (National Geographic information institute, 2020; Kim et al 2014). 산림은 대부분 산악지대에 위치하고 있다. 남한의 전체 산림 중 활엽수림, 침엽수림, 그리고 혼효림이 각각 39%, 33%, 그리고 28%로 구성되어 있다(Korea Forest Service, 2021). 산림수종과 그 분포 비율에 따라 수목의 계절적인 변화 양상이 달라질 수 있다. 따라서 수치표고모델 고도 분석 결과에 영향을 미칠 수 있다. 수목에 의한 영향을 분석하기 위한 세부 연구지역은 공주, 제주, 삼척 지역으로 결정했다(Lee et al., 2020; Kwon et al., 2017; Yu et al., 2021). 이 세 지역은 모두 활엽수림과 침엽수림을 포함하고 있으며 남한을 위도를 기준으로 3등분하였을 때, 중부, 남부 그리고 북부에 해당된다.

Table 1은 분석을 위하여 수집한 연구자료를 나타낸다. 총 6종의 데이터를 수집했으며 각각의 자료는 수치지형모델(DTM; Digital terrain model), 수치표면모델 (DSM; Digital surface model), 그리고 수고자료로 구분할 수 있다. NGII DEM은 남한 전체에 대하여 수치지도를 활용하여 구축된 자료이다. 이 자료는 2019년 수치지도를 활용하여 지물을 제외한 지형을 매끄러운 곡면으로 가정하고 산출된 자료이며 평균제곱근오차는 1.0 m 미만, 최대 오차는 1.5 m 미만으로 공시되어 있다. NGII DEM은 수집한 자료들 중 유일하게 수치지형모델로 제작이 되었으며 다년간에 걸쳐 그 정확도가 검증되었으므로 수치지형모델의 기준 자료로써 활용하였다(Park, 2013).

Table 1. Principal information about study data

라이다 측량에 의하여 수집된 포인트클라우드 자료를 활용하여 수치지형모델과 수치표면모델을 각각 생성할 수 있다. 본 연구에서는 드론 라이다 측량에 의한 수치표면모델을 활용했다. 공주, 제주, 그리고 삼척 지역에 대하여 두 시기에 걸쳐 드론 라이다 측량을 수행하였다. 각 지역의 드론 라이다 측량 일자는 2018년 9월 7일(공주 LiDAR DSM1)/ 2018년 11월 13일(공주 LiDAR DSM2), 2018년 10월 19일(제주 LiDAR DSM1)/2018년 12월 20일(제주 LiDAR DSM2), 그리고 2018년 10월 16일 (삼척 LiDAR DSM1)/2018년 11월 30일(삼척 LiDAR DSM2)이다. 각 지역의 데이터 취득시기는 약 두 달 간 차이가 나서 시기적으로 길지 않은 기간이다. 하지만 그 시기가 활엽수의 변화가 큰 초겨울을 포함하고 있다. 따라서 시기에 따라 달라지는 수고의 영향을 분석하는 데에 적합한 자료이다. 자료의 수직 상대 오차는 0.2~0.4 m로 확인된 바 있으며 수집된 원 자료는 0.02 m의 공간해상도를 나타내어 전체 자료 중 가장 높은 공간해상도를 나타냈다(Sung et al., 2019). 알려진 수직 상대오차가 가장 낮은 자료로 본 자료를 수치표면모델의 기준으로써 활용했다.

SRTM과 WDEM은 전 지구에 대하여 구축된 약 30 m (1초)간격의 수치표면모델이다. 두 자료는 공통적으로 레이더 간섭기법을 통하여 제작되었다. 다만, SRTM과 WDEM은 각각 우주왕복선 C-밴드(약 5.6 cm) 탑재체와 TerraSAR-X 및 TanDEM-X에 탑재된X-밴드(약 3.1 cm) 탑재체의 레이더 신호를 활용하였으므로 생성된 간섭 영상의 위상중심(Phase Center)가 서로 다르다(Praks et al., 2013; Lee and Lee, 2018). 일반적으로 파장 길이가 짧은 X-밴드는 수목상단부에서 그리고 파장 길이가 조금 더 긴 C-밴드는 수목중단부에서 각각 후방산란 된다. 따라서 수목지역에 대해서WDEM의 고도가 SRTM보다 다소 높을 것으로 판단된다. 또한 SRTM과 WDEM의 원 자료는 각각 30°–59°와 20°–55°의 입사각으로 취득되었다(Farr et al., 2007; Riegler et al., 2015; Düring et al., 2008). 일반적으로 촬영 입사각이 커질수록 지형 경사에 따른 지형왜곡이 저감되는 특징이 있는데 WDEM의 원자료에 다소 낮은 입사각의 자료가 포함되므로 SRTM보다 지형왜곡이 두드러질 것으로 판단된다.

수치표고모델과 수목과의 상관관계 분석을 위하여 전 지구 수고 자료(Global forest canopy height map)와 우리나라 1:5,000 대축척 임상도에 포함되어 제공되는 임분고 데이터를 수집하여 활용하였다. 전 지구 수고 자료는 NASAGEDI(GlobalEcosystemDynamicsInvestigation)에 서 산출된 산림 수목 구조 측정 데이터와 시계열 Landsat 데이터를 활용하여 제작된 자료이다(Potapov et al., 2020). 전 지구 수고 자료의 GEDI 관측 결과와 항공 라이다 관측 결과를 각각 참으로 가정하고 산출한 평균제곱근오차는 각각 6.6, 그리고 9.1 m로 알려져있다(Potapov et al., 2020). 임분고 데이터는 현장 측량과 항공영상의 육안판독을 통하여 생성된 자료로 1:5,000 대축척 임상도에 포함되어 제공된다. 이 데이터는 벡터형 자료로 실질적인 해상도가 본 연구에 활용되는 다른 자료에 비해 다소 낮을 것이라 예상된다.

3. 연구방법

각 위치에 대한 상대 오차를 분석하기 위해서는 픽셀 기반 비교가 가장 적합할 것으로 판단하였다. 만약 각 입력데이터의 관심 픽셀이 서로 다른 지리 좌표를 가리 킨다면, 해당 자료를 활용한 상대오차 비교 결과는 신뢰할 수 없다. 따라서, 픽셀 기반으로 상대오차를 정확 하게 비교하기 위해서는 모든 비교 자료의 특정 영상좌 표가 가리키는 지리좌표를 동일하게 설정하는 과정은 매우 중요하다.

이러한 사실을 고려하여 다음의 절차에 따라 연구자료를 전처리했다.

1) 라스터라이징(임분고 자료에 한함)

2) 좌표계 일치

3) 영상영역 일치(남한, 공주, 제주, 삼척)

본 연구에서 활용한 데이터 중 임분고 데이터는 다른 데이터와는 다르게 폴리곤 형태로 제공되어 픽셀기반의 상대오차 비교를 위해서는 라스터라이징 과정이 필요하다. 이에 따라 가장 우선적으로 임분고 데이터의 라스터라이징을 수행했다. 본 연구에서 활용한 데이터는 모두 서로 다른 방법으로 구축되었으며 서로 다른 좌표계에 정의되어 배포된다. 입력데이터가 각각 서로 다른 좌표계에 정의되어 있으면 동일 위치에 대한 비교가 불가능 하므로 좌표계를 일치시켜야 한다. 이에 따라 전체 데이터를 모두 UTM-52 (EPSG : 32652) 좌표계로 변환하였다. 이때 과반수 이상의 활용데이터의 해상도가 약 30 m (1초)에 맞추어져 제공되므로 선형보간법을 활용하여 연구데이터의 픽셀 크기를 모두 30 m로 일치시켰다. 이를 통하여 제작된 모든 데이터가 공주, 제주, 삼척 그리고 남한 전체에 대해 영역, 영상좌표 그리고 좌표계를 모두 일치시켰다.

공주, 제주, 삼척 그리고 남한 지역에 대하여 영역, 영상좌표, 그리고 좌표계를 일치시킨 자료는 수치표고모델의 상대오차 분석을 위하여 아래의 세 가지 방법으로 비교를 수행하였다(Table 2). 먼저, 위성 영상이 수목 상단과 지상에 지오레퍼런싱 되었을 때를 고려하여 드론에서 두 시기에 걸쳐 촬영한 LiDAR DSM과 NGII DEM을 각각 DSM과 DTM의 참이라 가정하고 SRTM 과 WDEM의 상대 오차를 비교했다. 두 번째 수집한 데이터로써 도출 가능한 수고 정보를 서로 비교함으로써 우리나라의 수고를 분석하기 위한 가장 적절한 방안을 모색했다. 일반적으로 수치표면모델과 수치지형모델을 서로 차분하면 지물의 고도를 획득할 수 있다(Lee et al., 2020). 특히 산림에서 이 방법을 적용했을 때에 수고를 추정할 수 있다(Lee and Lee, 2018). 이에 따라 가장 정확도가 높은 것으로 알려져 있는 NGII DEM을 수치 지형모델의 기준으로 활용했다. 또한 시기적으로 수목에 의한 영향이 클 것으로 판단되는 먼저 촬영된 LiDAR DSM1 자료를 수치표면 모델의 기준자료로써 활용했다. 마지막으로 남한 전체에 대한 수치지형모델의 비교를 수행한다. 이 때 NGII DEM을 기준자료로 설정하고 SRTM과 WDEM에 대한 비교를 수행했다.

Table 2. Data analysis details

4. 결과 및 고찰

Fig.2~4는각각공주, 제주, 삼척 지역에 대한 연구데이터를 나타낸다. Fig. 2(a)–(e)는 각각 공주지역의 LiDAR DSM1, 2, NGII DEM, SRTM, 그리고 WDEM을 나타낸다. 각각의 자료는 지형의 영향으로 대부분 유사한 양상을나타낸다. 다만,공주지역의LiDARDSM1 (Fig. 2(a))과 2 (Fig. 2(b))를 서로 비교했을 때 전반적으로 LiDAR DSM2에서 고도가 낮게 측정이 되었다. LiDAR DSM2의 고도 양상이 수치지형모델인 NGII DEM (Fig. 2(c))와 매우 유사한 것을 보았을 때에 계절적인 영향으로 수목의 상태가 변화함에 따라 전체적인 고도가 낮게 측정된 것으로 판단된다. Fig. 2(d)와 (e)는 각각 SRTM과 WDEM으로 해상도에 의해 앞서 설명한 다른 데이터에 비하여 스무딩되어 측정된 양상을 보인다. 그 중에서도 SRTM의 경우 WDEM보다 과소측정된 양상을 나타났다. WDEM은 육안으로 분석하였을 때에 LiDAR DSM1, 2 그리고 NGII DEM 중에서 LiDAR DSM1과 가장 높은 상관도를 나타냈다. 이를 보아 공주 지역의 WDEM은 수목에 의한 상관성이 다른 자료보다 다소 높을 것이라 판단된다. Fig. 2(f)와 (g)는 각각 공주지역에 대한 전 지구 수고 자료와 1:5,000 임상도에서 추출한 임분고 자료를 나타낸다. 두 자료 모두 수목의 높이를 나타내는 자료이지만 두 자료 사이에서 눈에 띄는 상관성을 파악하기에 어려움이 있다.

Fig. 2. (a) Lidar DSM1, (b) Lidar DSM2, (c) NGII DEM, (d) SRTM, (e) WorldDEM, (f) Global Canopy height map and (g) Canopy height map from Forest cover map of Gongju, South Korea.

Fig. 3(a)–(e)는 각각 제주지역의 LiDAR DSM1, 2, NGII DEM, SRTM, 그리고 WDEM을 나타낸다. 공주 지역과 동일하게 각각의 자료는 지형의 영향으로 대부분 유사한 양상을 나타낸다. 제주지역의 LiDAR DSM1 (Fig. 3(a)) 과 2 (Fig. 3(b))를 서로 비교했을 때 전반적으로 LiDAR DSM2에서 고도가 낮게 측정된 양상이 공주지역과 동일하게 확인이 되지만 육안 분석을 통해서 비교했을 때 그 변화의 폭이 공주보다는 적은 것으로 판단된다. 촬영시기에 따른 수고의 영향으로 LiDAR DSM1 (Fig. 3(a)) 그리고 WDEM (Fig. 3(e)) 사이에서 유사한 고도 양상이 확인되었다. 한편, LiDAR DSM2 (Fig. 3(b)), NGII DEM (Fig. 3(c)) 그리고 SRTM (Fig. 3(d))끼리 유사한 양상을 나타냈다. Fig. 3(f)와 (g)는 각각 제주지역에 대한 전 지구 수고 및 임분고 자료를 나타낸다. 두 자료 모두 수목의 높이를 나타내는 자료이지만 공주지역에서와 동일하게 눈에 띄는 상관성을 파악하기에 어려움이 있다.

Fig. 3. (a) Lidar DSM1, (b) Lidar DSM2, (c) NGII DEM, (d) SRTM, (e) WorldDEM, (f) Global Canopy height map and (g) Canopy height map from Forest cover map of Jeju, South Korea.

Fig. 4(a)–(e)는 각각 삼척지역의 LiDAR DSM1, 2, NGII DEM, SRTM, 그리고 WDEM을 나타낸다. 공주와 제주 지역과 달리 삼척지역의 LiDAR DSM1, 2 (Fig. 4(a), (b))의 좌측 하단 부에서의 두 시기에 동일하게 낮은 고도 값을 나타내며 상대적으로 영상의 거칠기가 낮은 지역이 확인된다. 이 지역은 수목이 거의 존재하지 않는 지역이다. 이러한 양상은 전 지구 수고 자료(Fig. 4(f))에서도 확인 할 수 있다. 전 지구 수고 자료에서도 동일하게 좌측 하단부에서 주변보다 낮은 수고 정보를 나타냈다.

Fig. 4. (a) Lidar DSM1, (b) Lidar DSM2, (c) NGII DEM, (d) SRTM, (e) WorldDEM, (f) Global Canopy height map and (g) Canopy height map from Forest cover map of Samcheok, South Korea.

Fig. 5–7은 공주, 제주, 삼척 지역에 대한 SRTM과 WDEM의 상대 정확도를 나타낸다. 이때 기준자료는 각 지역의 LiDAR DSM1, 2 그리고 NGII DEM으로 정했다. 모든 데이터는 UTM52 좌표계에서 30 m 간격의 그리드로 선형보간법을 활용하여 변환하였다. 그 결과 각 지역의 모든 데이터는 공주, 제주, 그리고 삼척 지역은 각각 121개, 85개, 그리고 56개의 픽셀로 구성되었다. SRTM과 WDEM의 모든 위치의 픽셀 값을 LiDAR DSM1, 2 그리고 NGII DEM의 동일한 위치 픽셀 값과 비교하여 SRTM과 WDEM의 상대 정확도를 나타냈다. 공주 지역에 대하여 SRTM과 LiDAR DSM1, 2 그리고 NGII DEM을 서로 비교했을 때 RMSD는 각각 10.97, 11.00, 그리고 9.18 m로 나타났으며, R-squared는 각각 0.95, 0.90 그리고 0.94로 나타났다. RMSD (Root mean squared difference)를 기준으로 했을 때 NGII DEM과 가장 낮은 차이를 보였으며 R-squared를 기준으로 두었을 때 LiDAR DSM1과 가장 높은 상관관계를 나타냈다. 공주지역 WDEM의 경우 LiDAR DSM1, 2 그리고 NGII DEM와 비교했을 때 RMSD와 R-squared가 각각 8.15 m와 0.97, 9.61 m와 0.94, 그리고 9.32 m와 0.95로 LiDAR DSM1에서 공통적으로 가장 낮은 차이와 가장 높은 상관관계를 나타냈다. 그래프 상에서 공주지역의 SRTM 과 WDEM은 공통적으로 LiDAR DSM1보다 과소 측정한 양상을 나타냈으며, NGII DEM보다는 과대 측정한 양상을 보였다.

Fig. 5. DEM Height comparison on Gongju, Korea; LiDAR DSM1 to SRTM (a) and WDEM (d); LiDAR DSM2 to SRTM (b) and WDEM (e); NGII DEM to SRTM (c) and WDEM (f).

Fig. 6. DEM Height comparison on Jeju, Korea; LiDAR DSM1 to SRTM (a) and WDEM (d); LiDAR DSM2 to SRTM (b) and WDEM (e); NGII DEM to SRTM (c) and WDEM (f).

Fig. 7. DEM Height comparison on Samcheok, Korea; LiDAR DSM1 to SRTM (a) and WDEM (d); LiDAR DSM2 to SRTM (b) and WDEM (e); NGII DEM to SRTM (c) and WDEM (f).

Fig. 6은 제주지역에 대한 수치표고모델 비교 결과를 나타낸다. 그래프 상에서 제주지역의 SRTM과 WDEM 역시 공통적으로 LiDAR DSM1보다 과소 측정한 양상을 나타냈으며, NGII DEM보다는 과대 측정한 양상을 보였다. SRTM의 RMSD와 R-squared는 LiDAR DSM1, 2, 그리고 NGII DEM에 대하여 6.56 m와 0.92, 5.23 m와 0.84 그리고 4.21 m와 0.97로 나타났으며, NGII DEM과의 비교 결과에서 가장 낮은 차이와 가장 높은 선형적 상관관계를 나타냈다. WDEM과 각 기준 DEM을 비교했을 때 WDEM과 LiDAR DSM1사이에서 4.22 m의 RMSD를 나타내 가장 그 차이가 작았다. 한편, NGII DEM과 의 R-squared가 0.99로 거의 완전한 상관관계를 나타냈는데, WDEM이 과대 측정된 편이(bias)를 확인할 수 있었다.

Fig. 7은 삼척지역에 대한 수치표고모델 비교 결과를 나타낸다. SRTM과 WDEM은 공통적으로 LiDAR DSM1과 비교했을 때 RMSD가 각각 7.51과 4.59 m로 가장 작은 차이를 나타냈다. 반면에 NGII DEM과 비교했을 때 각각 9.09와 6.49 m로 가장 큰 RMSD를 나타냈다. 상대적으로 높은 RMSD에도 불구하고 삼척지역의 WDEM 비교군들 중 R-squared가 가장 높은 자료는 NGII DEM으로 확인되었다.

공주, 제주, 그리고 삼척지역에 대하여 가장 작은 RMSD를 나타낸 사례는 모두 WDEM과 LiDAR DSM1을 서로 비교했을 때이다. 동일한 방법으로 촬영된 LiDAR DSM2는 LiDAR DSM1의 비교 결과보다 0.37~1.46 m까지 RMSD가 높게 나타났다. 한편, SRTM의 경우 공주와 삼척은 LiDAR DSM1에서 RMSD가 낮았으나 제주 지역에서 비교할 때 LiDAR DSM2에서 LiDAR DSM1의 비교 결과보다 약 1.33 m 낮은 RMSD를 보였다. 또한, WDEM은 NGII DEM과 비교한 모든 결과에서 과대 측정된 양상을 나타냈다. 이는 NGII DEM이 수치지형모델인 반면 WDEM은 수치표면모델로 지형 성분과 함께 수고에 의한 영향이 포함되어 있기 때문이다. 각 LiDAR 자료의 촬영 시기에 따라 외부 요인(대기효과, 바람 등)이 달라져 관측품질에 영향을 미칠 수 있지만 이와 같은 차이를 기반으로 볼 때에 시기에 따라 달라지는 수목의 상태 변화를 무시할 수 없을 것으로 판단된다(Berniger et al., 2019; Solberg et al., 2014; Praks et al., 2013). 즉, 특정 지역에 대하여 촬영한 위성영상의 기하 왜곡이 수목의 계절적인 영향과 장기적인 생장에 의해 영향을 받을 수 있을 것으로 판단된다(Solberg et al., 2014; Praks et al., 2013). 이에 따라 장기적으로 변동성이 적은 수치지형모델을 기하보정의 기준자료로 활용하는 편이 안정적인 데이터를 제공하는 데에 효과적일 것으로 예상된다.

지형 성분과 함께 수고에 의한 영향이 포함된 수치표면모델에 지형 성분만을 포함하는 수치지형모델을 차분함으로써 수치표면모델에 포함된 지형 성분을 저감 할 수 있으며, 이를 통해 수고에 의한 영향 분석이 가능하다. Fig. 8은 각 지역의 LiDAR DSM1과 NGII DEM을 차분하여 생성한 수고 정보를 기준으로 두고 수집한 자료들의 수고 반영 성능을 비교한 결과이다. 이때 SRTM과 WDEM은 각각 NGII DEM과 차분하여 수고 정보를 생성하였으며 전 지구 수고 자료와 임분고 데이터는 다른 추가적인 자료처리 절차 없이 픽셀 기반 비교를 수행하였다.

Fig. 8. Comparison of SRTM (a, b, c) and WorldDEM (d, e, f) derived CHM, Global Forest CHM (g, h, i), Forest cover map derived CHM (j, k) compared to difference between LiDAR DSM1 and NGII DEM on Gongju (a, d, g, j), Jeju (b, e, h, k), and Samcheok (c, f, i), South Korea.

각 데이터에 대한 평균 R-squared는 SRTM과 WDEM에서 산출한 수고 정보, 전지구 수고 자료, 그리고 임분고 자료에 대하여 각각 0.17, 0.17, 0.04 그리고 0.02이었다. 또한, 전체 비교군에 대하여 공주 지역에 대해 WDEM에서 산출한 수고 정보를 제외하고 모든 자료는 공통적으로 0.5 미만의 R-squared 값을 나타냈다. 한편 각 데이터에 대한 평균 RMSD는 8.34, 5.65, 8.48, 그리고 8.74 m로 확인되었다. 다른 자료들에서 계산된 RMSD에 비하여 WDEM에서 산출한 수고 정보의 RMSD가 약 3 m 낮은 수준을 나타냈다. 이러한 사실을 바탕으로 볼 때 비록 R-Squared는 낮았으나 RMSD를 비교했을 때 수집된 자료들 중 수고에 의한 영향을 가장 잘 반영하는 자료는 WDEM과 NGII DEM을 차분하여 생성한 수고 정보라 할 수 있다. SRTM을 활용한 수고 자료가 WDEM 을 활용한 수고 정보 다음으로 낮은 RMSD를 나타냈다. SRTM과 NGII DEM을 차분하여 생성한 수고 정보는 LiDAR DSM1으로부터 생성한 수고 자료보다 과소 측정하는 양상을 나타냈다. 이는 SRTM을 제작할 때 활용한 C-밴드 레이더 신호의 위상 중심이 X-밴드보다 아래에 위치하기 때문이라 판단된다. 한편, 현장 계측을 통하여 구축된 임분고 자료와 전 지구 수고 자료에서 산출된 평균 R-Squared와 평균 RMSD는 SRTM과 WDEM에 비하여 낮은 수준을 나타냈다. 특히, 제주지역의 임분고 자료와 전 지구 수고 자료 그리고 삼척 지역의 전 지구 수고 자료에서는 LiDAR DSM1로부터 생성한 수고에 대하여 눈에 띄는 편이를 확인할 수 있었다. 다만 공주, 제주 그리고 삼척 지역 모두에 대한 임분고 자료와 전 지구 수고 자료의 양상이 SRTM과 WDEM의 양상과 유사한 특징을 보였다. 또한 본 연구에서 도출한 전 지구 수고 자료의 관측 정밀도는 기존 연구에서 알려진 관측정밀도와 유사한 수준으로 확인된다(Potapov et al., 2021). 이를 바탕으로 볼 때에 두 자료 역시 수고에 의한 영향을 포함하는 것으로 판단된다. 다만 각 위치 에대한 수고를 잘 반영하지 못하기 때문이라 판단된다. 임분고 자료는 폴리곤의 형식으로 제공되어 다른 자료 들에 비하여 해상도가 매우 낮았으며, 전 지구 수고 자료 역시 30 m의 그리드 형식으로 제공이 되지만 실질적인 해상도는 그보다 낮을 것으로 판단된다. 만약에 본 연구지역에서 적용한 연구 범위보다 넓은 지역에 대해 임분고와 전지구 수고 자료의 상관도를 분석한다면 보 다 높은 상관 관계가 확인될 것으로 예상한다. 또한, 우리나라 임상도에서 함께 제공하는 임분고가 보다 정확한 수고 정보를 표현하기 위해서는 보다 해상도가 높은 라스터형의 데이터로 제공될 필요가 있어 보인다.

이상의 삼척, 공주, 그리고 제주 지역은 남한지역을 위도를 기준으로 3등분 하였을 때 북부, 중부, 남부에 위치하는 지역이다. 하지만 각 지역은 매우 지역적이며 남한 전체에 대한 수고 및 경사도에 의한 영향을 분석하는 데에 어려움이 있다. 우선 우리나라의 경우 대다수의 수목이 산악지역에 위치하고, 도시 지역은 비교적 경사가 완만한 지역에 위치한다. 따라서 경사도를 기준으로 도시지역과 산림지역을 대략적으로 구분할 수 있으며 각 수치표고모델에서 확인 가능한 수목에 대한 영향을 분석할 수 있다. Fig. 9는 남한지역의 NGII DEM, SRTM 그리고 WDEM에 대하여 NGII DEM의 경사도가 5° 미만인 지역과 10° 이상인 지역의 고도분포를 나타낸다. 경사도가 5° 미만인 지역에서 NGII DEM, SRTM 그리고 WDEM의 평균고도는 각각 약69.31, 71.08 그리고 69.95 m였다. NGII DEM보다 SRTM가 WDEM은 각각1.77, 그리고 0.64 m 높은 평균고도를 나타내어 그 차이가 크지 않았다. 반면, 경사도가 10° 이상인 지역의 평균고도는 각각 약 329.74, 335.48, 그리고 337.53 m였 으며, 이때의 NGII DEM과 SRTM가 WDEM의 평균 고도 차이는 5.74와 7.79 m로 계산되었다. 다시 말해, 경사도가 5° 미만인 지역에서 보다 경사도가 10° 이상인 지역에서 NGII DEM과 SRTM가 WDEM의 평균 고도 차이가 각각 약 3.97와 7.15 m 크게 산출되었다. 우리나라 산림의 지리적 특징을 고려했을 때 경사도가 10° 이상인 지역에서 SRTM과 WDEM의 고도가 NGII DEM보다 과대 측정된 이유는 수고에 의한 영향으로 판단된다.

Fig. 9. The height distributions of NGII DEM (a), SRTM (b), and WorldDEM (c) where the slope angle is less than 5°; those of NGII DEM (d), SRTM (e), and WorldDEM (f) where the slope angle is bigger than 10°.

SRTM이나 WDEM을 NGII DEM으로 차분했을 때 나타나는 상대오차는 주로 각 자료의 수고의 영향을 포함한 지형지물의 고도오차와 노이즈 성분을 포함한다. 이때 NGII DEM은 수치지형도의 고도정보를 보간하여 생성한 매우 매끈한 곡면이므로 NGII DEM의 노이즈 성분은 무시할 수 있다고 가정한다. 즉, SRTM이 나 WDEM을 NGII DEM으로 차분한 값은 SRTM과 WDEM의 NGII DEM에 대한 상대고도오차와 SRTM과 WDEM의 노이즈 성분을 포함한다. Fig. 10(a)와 (b) 그리고 Table 3은 지형경사에 따른 NGII DEM에 대한 SRTM 과 WDEM의 평균 상대오차 및 RMSD를 나타낸다. 경사도 0°–5°, 그리고5°–10° 구간에서 SRTM과 WDEM의 RMSD가 각각3.62 m와 5.25 m, 그리고 2.52 m와 4.79 m를 나타내 WDEM에서 다소 낮은 상대 오차를 나타냈다. 반면에 경사도 15°–20° 이후 구간부터 그 양상이 역전되어 그 차이가 증가하다가 경사도 35° 이상에서는 SRTM과 WDEM의 RMSD가 각각 10.16 m와 11.62 m로 가장 큰 차이가 났다. 이는 WDEM의 원자료에 포함된 지형왜곡 성분에 의한 것으로, SRTM의 원자료에 비해 상대적으로 작은 입사각으로 촬영된 영상이 포함되어 있기 때문으로 판단된다.

Fig. 10. The relative height error variation according to the slope angle; (a) SRTM; (b) WDEM.

Table 3. The mean and RMSD of relative height error according to the slope angle

경사도에 따라 SRTM과 WDEM의 오차가 반전되는 경향성은 국외 지역에 대해서도 공통적으로 확인된 바 있다(Uuemaa et al., 2020). 이를 바탕으로 볼때 본 결과는 남한 전체에 대하여 NGII DEM이 정확한 수치지형모델임을 간접적으로 증명하는 증거로써 활용될 수 있다. 따라서, 우리나라에 대하여 지형에 대해 농림위성 기하 보정을 수행할 때에는 NGII DEM을 활용하는 것이 적절할 것으로 판단된다. 한편 NGII DEM이 구축되어 있지 않은 국외 지역에 대해서는 쉽게 활용 가능한 전 지구 수치표고모델인 SRTM과 WDEM을 활용하면 될 것으로 판단된다. 특히 촬영 지역의 경사도에 따라서 WDEM과 SRTM을 선택적으로 적용하면 수직기하왜곡 성분을 저감할 수 있을 것이라 기대된다.

5. 결론

수치표고모델은 기하보정 정확도에 매우 큰 영향을 미치므로 농림위성의 기하 정확도를 결정하기 위해서는 수치표고모델의 정확도와 관련된 사전 연구가 필요하다. 본 연구에서는 농림위성의 주요 관심대상이 우리나라의 산악지역과 농경지라는 사실을 고려하여 연구지역의 경사적 특성과 식생 등을 고려한 수치표고모델 정확도 분석을 수행하였다. 본 연구를 통하여 확인한 정보는 다음과 같다.

(1) 수목의 생장과 계절적인 요인에 따라서 수치표고모델의 상대오차에 변동이 확인되었으며 시계열 위성데이터의 균일한 기하보정을 위하여 그 변동성이 적은 수치지형모델을 활용하는 편이 안정적일 것이라 판단된다.

(2) 수고와 관련된 비교를 수행했을 때 활용한 모든 데이터에서 높은 상관성을 확인하기가 어려웠다. 하지만 그 중에서도 WDEM이 가장 높은 상관성을 나타냈으며 이는 WDEM의 원자료가 X-밴드 레이더이기 때문이다. 전반적으로 상관성이 낮은 이유는 수고에 의한 영향과 함께 데이터 자체의 오차성분이 포함되어 있기 때문이다.

(3) 경사도가 10도 이상인 남한 전체에 대하여 NGII DEM과 SRTM, 그리고 WDEM의 차분 값의 분포를 나타낼 때 평균 상대 오차가 각각 5.74, 그리고 7.79 m로 확인되었다. 이는 수고에 의한 영향으로 남한 전체에 대해서도 동일한 경향성을 확인할 수 있다.

(4) 남한 전체에 대하여 경사도에 따른 상대오차를 비교했을 때 SRTM이 WDEM보다 경사도 변화에 조금 더 안정적인 양상을 나타냈다. 이는 수고에 의한 영향 보다는 원자료의 촬영 입사각에 의한 영향이다. 보다 자세하게 WDEM의 원자료에 SRTM 원자료보다 촬영 입사각이 상대적으로 작은 영상들이 포함되어 지형왜곡이 SRTM 보다 심하기 때문이다.

(5) 경사도에 따른 SRTM과 WDEM의 상대오차 변화 양상은 기존 연구에서와 동일한 경향성을 나타냈다. 이 사실은 NGII DEM이 신뢰성 있는 수치지형모델이란 사실의 반증이다. 따라서, 우리나라에 대해 기하보정을 위한 기준 DEM은 NGII DEM을 사용하는 게 적합할 것으로 보인다.

(6) 한편, NGII DEM이 구축되지 않은 외국 지역에 대해서는 SRTM과 WDEM과 같은 전 지구 수치표고모델을 활용하는 것이 효과적일 것이라 판단되며 촬영 지역의 경사도에 따라 선택적으로 활용한다면 보다 농림 위성영상의 정밀한 기하정확도를 기대할 수 있을 것으로 보인다.

본 연구에서는 공주, 제주, 삼척 지역에 대하여 활용 가능한 수치표고모델들의 상대 정확도 분석과 함께 우리나라 산지의 수고 분석을 위한 적절한 데이터를 제시하였다. 또한 남한 전체에 대하여 활용 가능한 수치표 고모델을 분석하여 남한 지역의 경사에 따른 수치표고 모델 상대 오차 특성을 확인하였다. 본 연구는 농림위성의 정밀한 수직 기하 보정을 위해 적절한 기준 수치 표고모델을 결정하는 데에 기여할 것으로 기대한다. 다만 본 연구에서 수고를 분석한 내용은 공주, 제주 그리고 삼척 지역에 한정된 것으로 남한 지역 전체를 대표할 수 없다. 따라서 수고와 관련된 추가적인 연구가 필요할 것으로 보인다.