드론센싱자료와 식생지수를 활용한 환경피해범위 산출 정확도 평가

Accuracy Assessment of Environmental Damage Range Calculation Using Drone Sensing Data and Vegetation Index

Abstract

본 연구는 사고현장에서 화학물질로 인해 발생한 사고지점의 피해면적을 식생지수로 산출하는 방안을 연구하였다. 자료수집은 두 종류의 드론을 활용하였으며, 사진측량기법을 적용한 3차원 점군자료에서 피해면적을 산출하였다. 다중분광센서의 분광대역 정보를 활용하여 제작한 정사영상을 토대로 식생지수 영상을 제작하였고, 임계값에 따른 피해면적의 결과로 사고현장에 대한 통계를 분석하였다. 근적외선 밴드 기반의 식생지수 Kappa 값은 0.79, 녹색 밴드 기반의 식생지수는 0.76으로 화학물질사고 조사현장에서 식생지수를 활용한 피해면적 분석 방법을 활용할 수 있을 것으로 판단된다.

In this study, we explored a method for assessing the extent of damage caused by chemical substances at an accident site through the use of a vegetation index. Data collection involved the deployment of two different drone types, and the damaged area was determined using photogrammetry technology from the 3D point cloud data. To create a vegetation index image, we utilized spectral band data from a multi-spectral sensor to generate an orthoimage. Subsequently, we conducted statistical analyses of the accident site with respect to the damaged area using a predefined threshold value. The Kappa values for the vegetation index, based on the near-infrared band and the green band, were found to be 0.79 and 0.76, respectively. These results suggest that the vegetation index-based approach for analyzing damage areas can be effectively applied in investigations of chemical accidents.

1. 서론

우리나라 제조업에서 화학산업의 규모는 2018년을 기준으로 생산액 165조원의 4위를 기록하고 있으며, 2030년에는 생산액 202조원의 3위를 기록할 것으로 전망하고 있다(Korea Chemical Industry Council, 2023). 제조업 내 화학산업의 비중이 커지면서 2020년 화학물질 취급 업체 수는 37,107개소로 2018년 30,954개소보다 6,153(19.9%)개소 증가하였다. 또한 2018년부터 2020년까지 국내 화학물질 종류와 유통량은 29,499종에서 31,600종으로 2,101 (7.1%)이 그리고 638.2백만 톤에서 686.8백만 톤으로 48.6 (7.6%)백만 톤이 각각 증가하였다(Ministry of Environment, 2023).

화학물질을 유통하기 위해서는 창고, 탱크, 사일로(silo) 등의 저장시설에서 배관이나 트레일러 또는 탱크로리와 같은 대형차량의 이송 및 운반 과정을 거치게 된다. 이 과정에서 교통사고나 장비의 노후화로 도로상에 화학물질이 누출되는 경우가 발생하며, 2014년부터 2022년까지 운송차량에 의한 화학물질 누출사고 건수는 총 149건으로 매년 꾸준하게 발생하고 있다(National Institute of Chemical Safety, 2023).

화학물질이 누출되면 물질의 특성에 따라서 독성의 정도 그리고 물과의 반응에 따른 추가 위험 등 치명적인 피해가 발생할 수 있다. 특히 잔류 시간이 길며 확산현상이 있는 물질은 환경, 인명, 재산 등에 심각한 피해를 유발하는 경우가 많다(Lee et al., 2016).

화학물질 누출로 사고가 발생하면 인명피해 또는 환경피해에 대한 조사가 이루어지며, 이를 위해 피해영향 범위를 산정하게 된다. 인명피해의 경우 피해영향범위 내 거주하는 주민들을 대상으로 정량적인 조사가 가능하지만 환경피해의 경우 누출된 화학물질의 공기중 확산, 하천유입, 토양오염 등 다양한 사례가 발생하여 정량적인 평가가 어렵다. 또한 화학물질 종류에 따라서 확산거리의 증가추세가 다르기 때문에 확산거리와 확산폭을 고려하여 피해발생 범위를 예측해야 한다(Hwang, 2022). 이와 같은 문제를 해결하기 위해 피해영향범위를 산정하기 위한 다양한 연구가 진행되고 있다. Lee et al. (2017)은 화학사고 초기 대처를 위해서 초기격리 거리와 방호거리 필요성을 강조하고 기존 피해영향범위의 개선방향을 제시했다. Baik and Jeong (2018)은 화학물질 누출 사고에 대한 특성을 도출하는 연구에서 시뮬레이션 결과 피해 현장의 기상 상태에 따라서 유해위험 거리가 변화됨을 제시하였다. Kim et al. (2020)은 화학물질 확산 범위 예측 시뮬레이션 개발을 통하여 다양한 시나리오 결과를 바탕으로 화학사고 인명피해 저감 방안에 대해 연구하였다.

드론은 접근이 어려운 광범위하거나 고산지, 급경사지, 절벽과 같은 곳에 대한 피해조사가 용이하고 적은 조사인원으로 짧은 시간에 조사가 가능하여 효과적이다(Tanzi et al., 2016). 드론 맵핑 결과물은 3차원 점군자료, 정사영상, digitalsurface model (DSM), digital terrain model(DTM) 등이 있으며, 이는 현장 정보를 정밀하게 파악할 수 있다(Kim et al., 2019a). 드론 맵핑으로 제작한 고해상도의 영상지도는 시설물 파손, 토사유출 흔적, 피해지역 면적 등 정량적인 피해를 산출할 수 있다(Kim et al., 2019b).

최근에는 드론을 활용하여 식생의 건강상태를 파악하기 위한 연구로 산림, 농업, 방재 분야 등에 식생지수가 활용되고 있다. Cho et al. (2020)은 드론을 활용하여 근적외선 기반의 식생지수를 계산하고 식생의 건강상태에 따라서 분류 정확도를 평가하였으며, Lee et al.(2022)은 광학센서 기반의 식생지수 결과 정확도를 비교하였다. Dash et al. (2017)은 나무에 제초제를 사용하여 건강상태에 따라서 식생지수 모델이 어떻게 나타나는지 분석하였고, Lim and Do (2021)는 병해충에 걸린 소나무를 탐지하기 위하여 식생지수를 활용하였다. Lee and Choi (2019)와 Im et al. (2018)은 농경지에서 재배하는 작물의 분광 특성을 분석하여 생육상태를 확인하기 위해 식생지수를 활용하였다.

이처럼 신속한 지형공간정보 취득, 고정밀 맵핑, 식생작황 분석 등 드론과 식생지수에 관한 연구가 활발히 진행되고 있으나, 아직까지 화학물질 사고현장에서의 환경피해에 대한 정량적인 피해조사 방안의 연구는 드문 실정이다. Lim et al. (2022)은 환경피해영역을 효율적으로 조사하기 위해서 화학물질사고 피해영역을 대상으로 드론과 정규식생지수를 활용하였다. 선행연구에서는 드론과 카메라 센서를 활용하여 화학사고 피해영역을 분석하였으나, 피해 현장의 도로시설물과 같은 반사 특성이 다른 지형지물을 고려하지 못했다. 또한 피해 지역에 정규식생지수 외의 다양한 분광 정보를 활용하여 보다 높은 정확도를 확보할 수 있는 발전 가능성이 있었다. 본 연구는 선행연구의 후속으로 환경피해범 위에 대한 정량적인 조사를 수행하기 위해서 드론과 다양한 식생지수 값을 활용하는 방안을 제안하였으며, 각 식생지수의 피해면적 산출 결과를 비교하기 위해 상관계수를 활용하고 정확도를 검토하였다.

2. 연구방법

2.1. 사고개요

2022년 8월 12일 오전 10시 22분경 부산외곽순환고속도로의 램프구간에서 화학물질을 운반하고 있는 탱크로리 차량이 가드레일 밖으로 추락하는 사고가 발생했다(Fig. 1). 이 사고로 탱크에 적재중이던 자일렌(xylene)이 누출되고 차량운전자는 끝내 사망하였다. 관련기관에서는 사고수습을 위하여 사고 상황을 파악하고 발생지점에 건사 및 흡착포를 이용한 방재 조치와 인근 배수로 및 하천 유입 통로에 대한 방재 작업을 실시하였다. 사고 수습 후 토양오염, 산림피해, 수질 등 환경피해 범위를 조사하였다.

Fig. 1. Location of accident area and damaged image.

2.2. 연구장비

사고현장은 기장일광톨게이트의 램프구간으로 1차로 위주의 복잡한 도로기하구조를 가지고 있다. 또한 토양오염으로 인한 화학물질의 잔류로 위험에 노출될 수 있어 조사자가 사고 지점을 직접 관측하기 어렵다. 따라서 조사 장비는 드론을 활용하였으며, 사고지점에 근접한 우회로를 확보하여 기준점 측량을 위한 위치선정과 드론을 운용하기 위한 장소로 선정하였다.

조사에 활용한 드론은 2가지이며, 첫 번째 기체는 DJI사의 Inspire 2로 Zenmuse X5S 카메라를 장착하여 사고현장의 전반적인 현황과 맵핑을 위한 항공촬영 임무를 수행하였다. 두 번째 기체는 동일한 제조사의 Matrice 300 RTK 드론과 Micasense사의 RedEdge-P 카메라를 활용하였다(Fig. 2). 특히, RedEdge-P 카메라는 가시광선(400–700 nm) 파장 대역의 적색(Red), 녹색(Green), 청색(Blue) 밴드로 구성된 RGB 카메라와 다르게 근적외선(700–1,000 nm) 파장 대역의 근적외선(Near-infrared, NIR), 적색가장자리(Red-edge) 밴드를 포함하고 있다(Table 1).

Table 1. Specification of drones used in this study

Fig. 2. Images of drones used in this study. (a) Inspire 2 and Zenmuse X5S. (b) Matrice 300 RTK and RedEdge-P.

자료 분석을 위해서 드론을 활용한 공간정보 성과물을 제작할 경우 항공사진측량 작업을 수행해야한다. 항공사진측량은 대공표지설치, 항공사진촬영, 지상기준점측량, 항공삼각측량, 세부도화 등을 포함한 도화파일을 제작하는 과정이며 특히, 지상기준점측량 과정은 공간정보 성과물의 평면오차와 높이오차를 보정할 수 있다. 지상기준점측량을 위해서 global navigation satellite system (GNSS) 장비인 Trimble R10 장비를 활용하여 사고지점을 중심으로 virtual reference station (VRS) 측량을 수행하여 총 8점의 위치정보를 확보하였다(Fig. 3, Table 2). 측량 성과는 드론의 영상처리 전문 소프트웨어에 값을 입력하여 정확도 수준을 향상시킬 수 있다(Lim et al., 2022).

Table 2. Specification of Trimble R10 used in this study

Fig. 3. Equipment used for ground control points (GCPs) surveying.

2.3. 식생지수

드론을 활용하여 피해를 입은 식생의 범위를 관측하기 위해서 원격탐사 분야에서 많이 활용하고 있는 식생지수를 적용하였다. 식생지수는 육지 표면에 대한 식물의 활력 또는 건강을 모니터링하기에 적합하고 빛의 파장과 반사도 차이를 이용하여 식생과 비식생에 대한 수치적인 구분이 가능하다. 먼저, 근적외선 밴드는 식물 엽록소의 분광학적 특성을 분석하여 식생의 활력도를 –1에서 1의 값으로 나타내며, 이 값이 1에 가까울수록 작황 상태가 좋다. 대표적으로 식생지수는 normalized difference vegetation index (NDVI)로 식생의 건강과 밀도 정량화를 위해 많이 사용되며, 다양한 식생등록정보를 추정하는 이미지를 생성할 수 있는 표준화된 지수이다(Rouse et al., 1974). Normalized difference red edge (NDRE)는 잎의 엽록소 함량, 잎 면적의 가변성 및 토양 배경에 민감하여 건강한 식생을 구분할 때 주로 사용되고 있으며, green normalized difference vegetation index (GNDVI)는 광합성 활동을 추정하기 위한 식생지수이다(Table 3).

Table 3. Vegetation index formula and rationale using near-infrared

근적외선 밴드는 식생 피해를 구분하기 용이하나 고가의 장비와 별도의 분석 기술이 필요한 경우도 발생한다. 따라서 가시광선 밴드를 활용하여 식생피해 범위를 관측할 수 있는 녹색 밴드 기반의 식생지수를 계산하였다. 대표적으로 green red vegetation index (GRVI), modified green red vegetation index (MGRVI), red green blue vegetation index (RGBVI)가 있으며, 식물 엽록소의 종류와 특성 그리고 반사율의 차이를 통하여 바이오매스를 추정할 수 있다(Table 4).

Table 4. Vegetation index formula and rationale using near-infrared​​​​​​​

2.4. 연구절차

본 연구에서는 화학물질 사고현장의 드론을 활용한 신속한 자료 취득과 식생지수 분석을 위해 다음과 같은 연구과정으로 진행되었다. 피해지역에 대한 드론 맵핑영역을 설정하고 분석자료 구축을 위해 광학센서를 장착한 드론과 다중분광센서를 장착한 드론을 활용하였다. 취득한 자료는 드론 항공사진 자료처리 전용 소프트웨어를 활용하여 3차원 점군자료, DSM, DTM, 정사영상을 생성하였다. 화학물질 사고현장의 피해면적을 측정하기 위해서 3차원 점군자료 결과를 활용했으며, 소프트웨어의 면적 측정 기능을 사용해 수동으로 피해면적을 측정하였다. 식생지수 분석은 다중분광센서의 정사영상 결과를 활용하여 근적외선 밴드 기반의 영상과 녹색 밴드 기반의 정사영상을 제작하였다. 각각의 식생지수에서 분석된 피해식생지점과 주변에 피해 받지 않은 식생을 활용하여 실제 피해면적과 Kappa 계수를 활용하여 정확도를 비교하였다(Fig. 4).

Fig. 4. Flowchart of this study.​​​​​​​

3. 연구결과

3.1. 드론항공촬영 및 영상처리결과

드론을 활용하여 항공사진촬영 임무를 수행할 때 사고현장의 주변 여건을 고려하여 비행고도, 카메라 각도, 중복률 등을 설정해야한다. 항공사진촬영은 총 3번의 임무를 수행하였다. 첫번째 비행은 Inspire 2와 Zenmuse X5S 카메라를 활용하여 사고지점에대한 고해상도의 사진자료를 획득하기 위해서 저고도에서 높은 값의 ground sampling distance (GSD)를 확보하였다. 그 결과, 126장의 사진을 활용하여 27,192 m²의 지상 촬영 면적과 1.88 cm/pixel의 해상도를 가진 맵핑 성과물을 취득하였다. 두번째 비행은 같은 기체를 활용하여 사고 현장 주변에 대한 추가적인 피해발생 요소를 관측하기 위해서 고고도에서 항공촬영을 하였다. 그 결과, 299장의 사진을 활용하여 90,048 m²의 지상 촬영 면적과 2.21 cm/pixel의 해상도를 가진 맵핑 성과물을 취득하였다. 마지막 비행은 식생지수기반의 영상을 제작하기 위해서 Matrice 300 RTK 드론과 Micasense사의 RedEdge-P 카메라를 활용하였다. 그 결과, 80 m 고도에서 취득한 200장의 사진을 활용하여 16,909 m²의 지상 촬영 면적과 6.95cm/pixel의 해상도를 가진 맵핑 성과물을 취득하였다(Table 5).

Table 5. Flight planning and results​​​​​​​

항공사진의 영상처리를 위하여 드론 항공사진 자료분석 소프트웨어인 Pix4Dmapper를 활용하였으며, 드론 맵핑 성과물 산출의 기하학적 정확도 확보를 위한 지상기준점 측량을 수행하였다(Kimet al., 2014; Do et al., 2018). 영상정합은 Inspire 2로 촬영한 사진 355장과 Matrice 300 RTK로 촬영한 사진 200장을 활용하였다. 영상정합 결과 정확도 오차는 각각 0.013 m, 0.011 m이며, 취득한 자료를 활용해서 3차원 점군자료, 지형모델, 정사영상을 생성하고 다중분광센서 자료는 제조사에서 제공하는 반사도보정패널의 측정값을 사용하여 Red, Green, Blue, Red-edge, NIR의 정사영상을 제작하였다(Fig. 5).

Fig. 5. Productsofdronemapping.(a)Orthoimageacquired by Inspire 2. (b) Orthoimage acquired by Matrice 300 RTK.​​​​​​​

3.2. 환경피해면적 산출 및 정확도 평가

3.2.1. 드론 맵핑 자료를 활용한 환경피해면적 산출

영상처리 결과로 제작한 정사영상을 통해서 사고지점 주변의 추가적인 피해는 확인할 수 없었다. 자일렌 누출로 직접적인 피해를 입은 영역은 오염된 것으로 추정되는 토양과 주변의 짙은 갈색으로 고사하거나 변색된 식생을 확인할 수 있었다.

본 연구에서는 환경피해범위를 사고지점 주변으로 제한하였으며, Pix4Dmapper에서 드론 맵핑을 통해 생성된 3차원 점군자료의 피해 영역을 디지타이징(digitizing)하여 기준자료(reference data)를 생성하였다. 이후, 정사영상에서 GIS buffer 분석 기능을 활용하여 사고지점 주변의 면적을 산출하였다. 식생지수별로 임계값 특정 구간을 설정한 후 각각의 식생영역을 생성하였으며, 피해영역(damaged area)과 비피해영역(non-damaged area)으로 분류된 기준자료와 비교하여 식생지수 각각의 임계값 구간별로 그 일치도를 비교하였다(Fig. 6).

Fig. 6. Standard data for calculating the range of environmental damage. (a) Reference data created by digitizing 3D point cloud. (b) Reference data classified into damaged and non-damaged.​​​​​​​

3.2.2. 식생지수 피해면적 정확도 평가

식생지수로 산출한 피해면적의 정확도를 비교하기 위해서 각각의 식생지수 영상에 대하여 임계값 구간을 설정하고 그에 따른 피해영역과 비피해영역을 산출하였다. 결과 값은 두 관찰자 간의 측정 범주값에 대한 일치도를 통하여 상관성을 확인할 수 있는 Kappa 상관계수로 평가하였다(Landis and Koch, 1977). 식(1)은 다음과 같이 계산된다.

\(\begin{aligned}\operatorname{Kappa}(k)=\frac{\pi_{0}-\pi_{e}}{1-\pi_{e}}\end{aligned}\)       (1)

여기서 π₀는 두 관찰 자료의 일치 확률이며, π_e는 우연히 두 관찰 자료가 일치한 결과를 얻을 수 있는 비율을 의미한다. k값 구간에 따라서 나타나는 일치도는 선행연구에서 제시한 표와 같다(Lim et al., 2022).

3.2.3. 근적외선 밴드 기반의 식생지수 피해면적 정확도 분석

근적외선 밴드 기반의 식생지수를 활용하여 피해영역과 비피해영역으로 구분한 식생 영상을 제작하였다(Fig. 7). 각각의 영상 결과에서 임계값을 다르게 설정하여 분석한 결과, NDVI 영상은 0.6일 때 Kappa 값이 0.74, 0.65일 때 0.77, 0.7일 때 0.79, 0.8일 때 0.78로 0.7에서 가장 높은 0.79 값이 나타났다. NDRE 영상은 임계값이 0.29일 때 Kappa 값이 0.77, 0.31일 때 0.79, 0.33일 때 0.78, 0.35일 때 0.75로 0.31에서 가장 높은 0.79 값이 나타났다. GNDVI는 임계값이 0.6일 때 Kappa 값이 0.76, 0.62일 때 0.78, 0.64일 때 0.79, 0.66일 때 0.78로 0.64에서 가장 높은 0.79 값이 나타났다. 따라서 근적외선 밴드 기반의 식생지수는 각각의 임계값에서 가장 높은 계수값이 0.79로 나타났다(Table 6).

Fig. 7. Vegetation index analysis image based on near-infrared band: (a) NDVI, (b) NDRE, and (c) GNDVI.​​​​​​​

Table 6. Near-infrared band-based vegetation index kappa results​​​​​​​

3.2.4. 녹색 밴드 기반의 식생지수 피해면적 정확도 분석

녹색 밴드 기반의 식생지수를 활용하여 피해영역과 비피해영역으로 구분한 식생 영상을 제작하였다(Fig. 8). 먼저 GRVI 영상은 임계값이 0.05일 때 Kappa 값이 0.74, 0.1일 때 0.76, 0.15일 때 0.75, 0.2일 때 0.72로 0.1에서 0.76으로 가장 높은 값이 나타났다. MGRVI 영상은 임계값이 0.1일 때 Kappa 값이 0.74, 0.2일 때 0.75, 0.3일 때 0.75, 0.4일 때 0.71로 0.2에서 0.76으로 가장 높은 값이 나타났다. RGBVI 영상은 0.35일 때 Kappa 값이 0.74, 0.4일 때 0.75, 0.45일 때 0.76, 0.5일 때 0.75로 0.45에서 0.76으로 가장 높은 값이 나타났다. 따라서 녹색 밴드 기반의 식생지수는 각각의 임계값에서 가장 높은 계수값이 0.76으로 나타났다(Table 7).

Table 7. Green band-based vegetation index kappa results​​​​​​​

Fig. 8. Vegetation index analysis image based on green band: (a) GRVI, (b) MGRVI, and (c) RGBVI.​​​​​​​

4. 결론

본 연구는 화학물질 사고현장에서 환경피해범위를 조사하기 위해 현장을 모니터링하고 정규식생지수를 활용하여 피해면적을 산출한 선행연구 Lim et al. (2022)의 후속연구이다. 선행연구에서 분석 자료를 구축하면서 고려하지 못한 피해 현장의 지형적 특성의 한계를 해결하고 다양한 식생지수를 활용하여 높은 정확도를 확보하는데 목적을 두었다.

이 과정에서 사고지점의 지형적 특성을 고려하여 도로시설물을 제외하고 분석자료를 구축하였으며, 근적외선 밴드 기반의 식생지수와 녹색 밴드 기반의 식생지수를 활용하여 피해면적을 산출하고 정확도를 비교하여 다음과 같은 결과를 도출하였다.

첫째, 분석 대상지의 지형적 특성을 고려한 결과 선행연구의 정규식생지수(NDVI) 결과(0.649)보다 향상된 정확도(0.79)를 확보할 수 있었다.

둘째, 분석결과 근적외선 밴드 기반의 식생지수는 NDVI의 임계값이 0.70, NDRE가 0.31, GNDVI가 0.64일 때 Kappa 값이 0.79로 나타났으며, 녹색 밴드 기반의 식생지수는 GRVI의 임계값이 0.10, MGRVI가 0.20, RGBVI가 0.45일 때 Kappa 값이 0.76으로 나타났다.

셋째, 앞선 결과를 토대로 화학물질 사고현장에서 사고지점의 피해면적을 측정할 경우 근적외선 밴드 기반의 식생지수가 녹색 밴드 기반의 식생지수보다 높은 정확도를 나타냈다. 그러나 근적외선 밴드 영상 자료를 취득할 수 있는 다중분광센서가 고가이고 이보다 저렴한 광학센서의 해상도와 성능이 향상되고 있어 사고조사 현장의 여건이나 조사 목적에 따라서 녹색 밴드 기반의 식생지수를 활용한 피해면적 결과도 충분히 활용될 수 있을 것으로 판단된다.

넷째,본 연구의 한계는 화학물질 사고가 산림,농경지, 초지 등의 식생 환경에서 발생할 경우 활용할 수 있다는 점이며, 식생 환경에 따라서 식생지수의 특징이 다를 수 있어 이에 대한 추가 연구가 필요할 것으로 사료된다.