Unmanned AerialVehicles Images Based Tidal Flat Surface Sedimentary Facies Mapping Using Regression Kriging

회귀 크리깅을 이용한 무인기 영상 기반의 갯벌 표층 퇴적상 분포도 작성

Abstract

The distribution characteristics of tidal flat sediment components are used as an essential data for coastal environment analysis and environmental impact assessment. Therefore, a reliable classification map of surface sedimentary facies is essential. This study evaluated the applicability of regression kriging to generate a classification map of the sedimentary facies of tidal flats. For this aim, various factors such as the number of field survey data and remote sensing-based auxiliary data, the effect of regression models on regression kriging, and the comparison with other prediction methods (univariate kriging and regression analysis) on surface sedimentary facies classification were investigated. To evaluate the applicability of regression kriging, a case study using unmanned aerial vehicle (UAV) data was conducted on the Hwang-do tidal flat located at Anmyeon-do, Taean-gun, Korea. As a result of the case study, it was most important to secure an appropriate amount of field survey data and to use topographic elevation and channel density as auxiliary data to produce a reliable tidal flat surface sediment facies classification map. In addition, regression kriging, which can consider detailed characteristics of the sediment distributions using ultra-high resolution UAV data, had the best prediction performance compared to other prediction methods. It is expected that this result can be used as a guideline to produce the tidal flat surface sedimentary facies classification map.

갯벌 퇴적물 성분의 분포 특성은 연안환경 분석, 환경영향평가에서 기초자료로 활용되기 때문에 신뢰성 높은 갯벌 표층 퇴적상 분포도를 제작하는 것은 매우 중요하다. 이 연구에서는 갯벌 퇴적상 분포도를 생성하기 위해 회귀 크리깅(regression kriging)의 적용성을 평가하였다. 이를 목적으로, 갯벌 표층 퇴적상 분류 과정에서 현장조사 자료의 수, 부가자료의 종류, 회귀 크리깅에 적용되는 회귀 모형의 영향과 다른 예측 기법(단변량 크리깅, 회귀 분석)과의 비교와 같은 다양한 요인의 영향을 조사하였다. 회귀 크리깅의 적용성 평가를 위해, 우리나라 태안군 안면도에 위치한 황도 갯벌을 대상으로 무인기 자료를 이용한 사례 연구를 수행하였다. 사례연구 결과, 신뢰성 높은 갯벌 표층 퇴적상 분포도를 제작하기 위해서는 적절한 수의 현장조사 자료 확보와 함께 지형 고도와 조류로 밀도도를 부가자료로 이용하는 것이 가장 중요한 것으로 나타났다. 또한 초고해상도 무인기 자료를 이용하여 퇴적물 분포의 상세한 특성을 고려할 수 있는 회귀 크리깅이 다른 기법과 비교해서 예측 성능이 가장 우수한 것으로 나타났다. 이러한 연구 결과는 갯벌 표층 퇴적상 분포도 제작에 가이드라인으로 활용될 수 있을 것으로 기대된다.

1. 서론

갯벌은 인근 해역에 영양 공급과 오염물질을 정화할 뿐만 아니라 다양한 생물들의 서식지로써 생태계에 중요한 역할을 한다(Ryu et al., 2005; Choi and Ryu, 2011). 우리나라의 갯벌은 약 2,500 km²의 넓은 면적을 보유하고 있으며, 세계 5대 갯벌의 하나로 인정받고 있다. 자연보전 위주로 관리되고 있는 대부분의 국외 갯벌과는 달리 우리나라 갯벌은 경제활동이 매우 활발하게 이루어지고 있어 갯벌의 지형, 퇴적환경, 생태환경 변화에 민감하기 때문에 더욱 체계적인 관리가 필요하다(Koh and Khim, 2014; Lee et al., 2015; Kim et al., 2020). 그러나 갯벌환경을 모니터링 하는데 필요한 정보를 획득하기 위해서는 다량의 시료 채취가 필요하고, 이에 따른 시간과 비용이 많이 소요된다. 더욱이 갯벌이 노출되는 짧은 시간 안에 조사가 이루어져야 하고, 접근성이 낮아 현장에서 많은 시료를 확보하는데 어려움이 있다. 이러한 현장조사의 한계를 보완하기 위해 광역적, 주기적인 자료획득이 가능한 원격탐사 자료의 활용도가 더욱 높아지고 있다.

갯벌 표층 퇴적상은 미세저서조류와 저서동물의 분포와 함께 서식생물의 다양성을 파악하기 위한 주요 인자로 알려져 있기 때문에 갯벌 환경 모니터링의 일환으로 신뢰할 수 있는 갯벌 표층 퇴적상 분포도를 제작하는 것은 매우 중요하다. 이러한 갯벌 표층 퇴적상은 입도 크기에 따라 자갈, 모래, 실트, 점토로 구분되며 퇴적상 내 수분 함량인 함수율에 큰 영향을 받는다. 따라서 수분 함량에 민감한 중적외선 파장대역은 퇴적상을 구분하는데 유용하게 활용되는 것으로 알려져 있다(Rainey et al., 2003; Lee et al., 2012). 그러나 중적외선 파장대역을 포함하는 위성영상인 Sentinel-2와 Landsat 시리즈는 10–30 m의 낮은 공간해상도로 제공되기 때문에 국소적인 지역에서 갯벌 퇴적상의 세부적인 특성을 분석하기가 어렵다. 이에 대안으로 일부 연구에서는 갯벌 퇴적상의 세부적인 특성을 분석하기 위해 높은 공간해상도에서 가시광선과 근적외선 파장대역을 제공하는 IKONOS 영상과 Kompsat-2 영상의 활용 가능성을 제시하였다(Ryu et al., 2005; Park et al., 2009). 그러나 위성영상은 긴 재방문 주기로 인해 갯벌의 지면이 최대로 노출되는 시간에 촬영된 자료를 확보하기가 어렵기 때문에 갯벌 퇴적상 분포도를 제작하는데 자료 이용 측면에서 적용성에 한계가 존재한다.

위성영상의 대안으로 갯벌의 지면이 최대로 노출되는 원하는 날짜 및 시간에 자료 취득이 가능한 무인기를 이용할 수 있다. 특히 갯벌 퇴적상의 분포와 특성은 지형 고도에 영향을 받는 것으로 알려져 있는데(Lee et al., 2023), 위성영상과 달리 무인기는 광학 센서뿐만 아니라 LiDAR 센서 등을 탑재하여 광학영상과 지형 고도를 획득할 수 있다(Kim et al., 2015; Kim et al., 2019; Kim and Ryu, 2020; Jang et al., 2022). 게다가 무인기 영상은 수 cm 급의 높은 공간해상도로 획득되기 때문에 수 m 급의 공간해상도를 갖는 위성영상에서 확인이 어려운 미세 퇴적구조도 관찰할 수 있다는 이점을 갖는다. 따라서 무인기 영상은 근적외선과 중적외선 파장대역이 부재하더라도 갯벌 표층 퇴적상을 분석하는데 유용하게 활용될 수 있다.

원격탐사 자료 기반의 갯벌 표층 퇴적상 분포도 작성은 방법론 측면에서 감독 분류와 회귀분석 모형을 이용해 왔다. 먼저 감독 분류는 퇴적상을 분류하는 모델을 학습하기 위해 훈련자료를 필요로 한다. 이러한 훈련자료는 현장조사 자료로부터 획득한 자갈, 모래, 실트, 점토 성분의 함량을 특정 구간별로 구분하고 이를 레이블 정보로 간주하여 구축할 수 있다. 그러나 동일한 퇴적상 내에서 퇴적상의 함량 차이와 구간 경계에 위치한 퇴적상으로 인해 분류 모델의 오분류를 야기할 수 있다(Lee et al., 2012). 회귀분석을 이용한 퇴적상 분류는 먼저 개별 퇴적상 함량을 예측한 다음 특정 구간별로 퇴적상을 분류한다. 다만 회귀분석은 종속변수를 예측하는데 독립변수인 원격탐사 자료만으로 설명할 수 없는 잔차성분이 발생하기 때문에 이를 보정해야 할 필요가 있다(Park et al., 2019).

다변량 크리깅의 일종인 회귀 크리깅(regression kriging)은 회귀분석과 크리깅 기법을 결합한 하이브리드 기법으로 갯벌 표층 퇴적상 분포도 작성을 위해 원격탐사 자료와 현장조사 자료를 효과적으로 통합할 수 있다. 특히 회귀 크리깅은 회귀분석을 통해 현장조사 자료와 원격탐사 자료를 통합하는데 발생하는 잔차를 공간 자기상관성을 고려하여 보정하기 때문에 신뢰성 높은 주제도를 제작할 수 있다. 퇴적상의 입도 크기나 퇴적상 성분에 대한 주제도 제작을 목적으로 회귀 크리깅을 적용하는 다양한 연구들이 수행되었는데(Park et al., 2009; Lee et al., 2012; Park and Jang, 2020), 부가자료, 현장조사 자료 수와 회귀모형 등에 영향을 받는다고 보고하였다. 그러나 개별 요인에 대한 비교 분석만 수행되었을 뿐 이를 종합적으로 고려한 연구는 없는 실정이다. 또한 개별 퇴적상 함량의 세부적인 특성을 파악하기 위해서는 수 cm 급의 높은 공간해상도의 원격탐사 자료를 필요로 하는 반면 기존 연구에서는 주로 수 m 급의 위성영상만을 이용해왔다.

이 연구에서는 갯벌 표층 퇴적상 분포도를 작성하는데 무인기 자료와 현장조사 자료를 통합하는 회귀 크리깅의 적용 가능성을 평가하였다. 갯벌 표층 퇴적상 분포도를 제작하기 위해 먼저 회귀 크리깅을 이용하여 각 성분별 비율 분포도를 작성하고 분포도의 퇴적 비율에 따라 범주화하는 절차를 수행하였다. 이때 회귀 크리깅은 회귀분석과 단변량 크리깅과의 예측 성능을 비교하고, 회귀 크리깅에 이용되는 부가자료 및 현장조사 자료 수의 영향을 종합적으로 평가하였다. 이러한 종합적 평가를 위해 우리나라 태안군 안면도에 위치한 황도 갯벌을 대상으로 표층 퇴적상 분포도 작성을 위한 사례 연구를 수행하였다.

2. 연구 지역 및 사용 자료

2.1. 연구 지역

이 연구에서는 충청남도 태안군 안면도 북동쪽에 위치한 황도 갯벌의 일부 지역을 연구 지역으로 선정하였다(Fig. 1a). 황도 갯벌은 남북이 길게 늘어진 형태를 보이는데, 약최저저조면일 때 동서와 남북 방향으로 최장 길이가 각각 1.65 km와 5.15 km이다. 국립해양조사원 바다누리 해양정보서비스에 따르면(Korea Hydrographic and Oceanographic Agency, 2023), 조석은 반일주조이며 대조차와 소조차는 각각 664.85 cm와 288.52 cm이고 평균조차는 476.68 cm인 대조차 환경에 속한다. 황도 갯벌의 퇴적상은 자갈, 모래, 실트, 점토가 다양하게 분포하고 있으며, 지형 고도는 서쪽에서 동쪽 방향으로 점차 감소하는 양상을 보인다. 또한 황도 갯벌의 동쪽은 미세한 조류로가 크게 발달되어 있다.

Fig. 1. Surface sediment samples and unmanned aerial vehicles (UAV) data acquired in Hwang-do tidal flat. (a) Locations map of the study area. (b) UAV imagery acquired on October 1, 2015 and 229 surface sediment samples with sand content. (c) Digital elevation model (DEM).

2.2. 사용 자료

이 연구에서는 먼저 2015년 9월 29일부터 30일까지 현장 방문을 통해 최간조 때 229개의 정점에서 갯벌 퇴적물 시료를 채취하였다(Fig. 1b). 원격탐사 자료와의 통합을 고려하여 시료는 최대한 0.5 cm 이하의 표면에서만 채취하였다. 현장에서 채취한 시료는 실험실로 옮긴 후에 자동입도분석기인 Sedigraph-5100을 이용하여 입도분석을 수행하였다. 자갈, 모래, 실트, 점토의 정의에 따라 시료의 입도 분포를 구분하였으며, 이를 통해 개별 퇴적상에 대한 구성 비율을 계산하였다. 총 229개의 정점은 임의 추출을 통해 갯벌 표층 퇴적상 분포도를 작성하기 위한 183개의 샘플(80%)과 작성된 갯벌 표층 퇴적상 분포도의 예측 성능을 검증하기 위한 46개의 샘플(20%)로 구분하였다.

현장조사 자료를 수집한 후, 2015년 9월 30일에는 Canon 6D DSLR 광학 카메라가 탑재된 회전익 무인기(model vision-1000)로부터 red, green, blue 채널을 갖는 광학영상을 취득하였다. 개별 영상은 379 × 256 m 크기를 가지며, 영상 모자이크를 고려하여 70%와 60%의 종 중복도와 횡 중복도를 설정하여 촬영하였다. 개별 영상들은 연구 지역을 모두 포함하기 위해 총 305장을 획득하였으며, PhotoScan 소프트웨어를 통해 방사보정과 모자이크를 수행하였다. 이후 0.07 m 해상도를 갖는 방사보정된 모자이크 영상은 50 cm 공간해상도의 정사영상으로 리샘플링하였다(Fig. 1b). 이와 같이 획득한 광학영상은 3,521 × 2,368의 크기를 갖는다. 또한 동일한 시기에 Zenmuse L1 LiDAR 센서가 탑재된 회전익 무인기(DJI Matrice 300 RTK)로부터 포인트 클라우드를 획득하였는데, 역거리 반비례 가중법(inverse distance weighting, IDW)을 이용하여 광학영상과 동일한 영역에서 50 cm 공간해상도의 digital elevation model (DEM)을 생성하였다(Fig. 1c). 광학영상과 DEM에 대한 무인기 촬영 정보는 Table 1에 나타냈다.

Table 1. Summary of UAV images used in this study

갯벌의 표층 퇴적상 분포는 DEM 뿐만 아니라 조류로, 미세 퇴적구조 등의 지형 정보와 밀접한 관계를 갖는 것으로 알려져 있다(Choi et al., 2011; Park et al., 2022). 먼저 Haralick et al. (1973)에 의해 제안된 gray-level co-occurrence matrix (GLCM)는 원격탐사 자료 처리에 가장 널리 활용되어온 질감 정보 추출 기법으로 개별 퇴적상마다 고해상도 광학영상에서 나타나는 미세 퇴적구조의 공간적인 특징을 강조할 수 있다. 질감 정보의 추출 과정으로 먼저 RGB 채널을 갖는 원 영상을 흑백조로 변환한 후 특정 커널 내 중앙 화소와 그 주변 화소 간 밝기값의 관계를 정량화한다. 이러한 밝기값의 관계는 특정 커널 내 화소 값 쌍의 발생 빈도로 구성된 행렬로 표현되며 이 행렬을 통해 다양한 질감 정보를 추출한다. Haralick et al.(1973)에 의해 정의된 개별 질감 정보들은 높은 상관성을 보일 수 있는데, 이 연구에서는 이를 고려하여 variance, homogeneity, correlation을 이용하였다(Figs. 2a–c).

Fig. 2. Unmanned aerial vehicles-based auxiliary data: (a) GLCM variance, (b) GLCM homogeneity, (c) GLCM correlation, and (d) channel networks and density map.

조류로는 일반적으로 DEM을 입력으로 이용하는 수문 모델을 통해 추출할 수 있다(Yun et al., 2022). 수문 모델은 DEM으로부터 산출한 경사와 방향 정보를 이용하여 누적된 화소 수를 이용하여 수로를 찾는 방법이다. 이와 같이 추출된 조류로는 수로 여부를 나타내는 이진 형태로 자료가 생성된다. 따라서 조류로 정보를 연구 지역 전체에서 이용하기 위해, 이 연구에서는 커널 밀도 함수를 적용하여 단위 면적당 확률 밀도를 산출한 조류로 밀도도를 생성하였다(Fig. 2d).

3. 연구 방법

3.1. 갯벌 표층 퇴적상 분류

이 연구에서는 3단계의 절차로 회귀 크리깅 기반의 갯벌 표층 퇴적상 분류를 수행하였다(Fig. 3). 먼저 구성자료 형태를 갖는 퇴적상 자료에 대해 가산 로그비 변환을 수행한 후 변환된 자료를 입력으로 이용하여 회귀 크리깅을 적용하였다. 이때 예측 결과는 가산 로그비로 변환된 자료의 단위를 갖기 때문에 개별 퇴적상 성분에 대한 단위로 변환하기 위해 역변환을 수행하였다. 마지막으로 개별 퇴적상 성분 분포도를 대상으로 Folk et al.(1970)의 분류 기준을 적용하여 갯벌 표층 퇴적상 분포도를 제작하였다(Fig. 4).

Fig. 3. Flow chart of the surface sediment facies classification procedures applied in this study.

Fig. 4. Sediment facies classification scheme (modified from Folk et al. (1970)).

3.1.1. 구성 자료 변환

퇴적상 함량에 대한 구성 자료는 일반적인 연속형 자료와 달리 전체 합이 100%를 만족하면서, 개별 구성 자료는 모두 음의 값을 가질 수 없다는 고유한 제한 조건을 가지고 있다. 그러나 일반적인 통계 기법에 이러한 구성 자료를 입력으로 이용하는 경우 예측 결과는 전술한 고유의 제한 조건을 만족시킬 수 없다. 따라서 구성자료에 로그비(log-ratio) 변환을 적용하면 자료값의 제한이 없는 공간으로 변환되어 일반적인 통계 기법을 이용하더라도 구성 자료의 제한 조건을 만족시킬 수 있다. 다만, 변환된 구성 자료를 입력으로 통계 기법을 적용한 후에는 원 자료 단위로 역변환을 수행해야 한다.

이 연구에서는 퇴적상 구성 자료를 자료 값의 제한이 없는 공간으로 변환하기 위해 식(1)과 같이 가산 로그비(additive log-ratio, alr)를 적용하였다.

\(\begin{aligned}a l r_{i}=\ln \left[\frac{x_{i}}{x_{M}}\right], i=1, \cdots, M-1\end{aligned}\)       (1)

여기서 x는 i번째 구성 자료의 비율을 나타내고, M은 구성 자료의 차원 수를 나타낸다. 이때 M개의 차원을 갖는 구성 자료는 가산 로그비를 적용할 경우 M–1 차원으로 변환된다. 예를 들어, 자갈, 모래, 실트, 점토로 구성된 자료를 이용하기 때문에 M은 4로 정의되며, 가산 로그비로 변환된 자료의 차원은 3으로 정의된다. 이 과정에서 특정 구성 자료가 0%의 값을 갖는 경우 가산 로그비 변환이 불가능하다. 따라서 모든 성분의 합이 100%가 되어야하는 제약 조건을 만족하면서 0%의 값은 특정 구성 자료 최소값의 0.5 배수로 변환하였다(Park and Jang, 2020). 가산 로그비로 변환된 자료는 회귀분석 또는 크리깅과 같은 통계 기법을 적용한 후에 원 자료의 단위로 재변환하기 위해 식(2)와 같이 역 가산 로지스틱 변환을 수행하였다.

\(\begin{aligned}\begin{array}{l}a l r_{i}^{-1}=\frac{\exp \left(a l r_{i}\right)}{\sum_{i=1}^{M-1} \exp \left(a l r_{i}\right)+1} i=1, \cdots, M-1 \\ a l r_{M}^{-1}=\frac{1}{\sum_{i=1}^{M-1} \exp \left(a l r_{i}\right)+1}\end{array}\end{aligned}\)       (2)

3.1.2. 회귀 크리깅

이 연구에서는 퇴적상 구성 자료의 공간 내삽을 위해 다변량 지구통계 기법 중 하나인 회귀 크리깅을 적용하였다. 회귀 크리깅은 회귀분석과 단순 크리깅(simple kriging)이 결합된 하이브리드 기법으로 회귀분석을 수행하기 위해 부가자료가 전역적으로 획득된 경우에만 적용이 가능하다. 회귀 크리깅의 적용은 먼저 무인기 자료와 가산 로그비 변환된 자료를 각각 독립 변수와 종속 변수로 이용하여 회귀분석을 수행한다. 연구 지역 전체에 걸쳐 획득된 무인기 자료를 독립 변수로 이용하기 때문에 회귀모형의 예측값인 경향성분을 연구 지역 전체에서 얻게 된다. 회귀분석에서는 독립 변수로부터 설명되지 않는 잔차가 발생하는데, 이는 회귀모형의 예측값과 관측값의 차이로 계산되며 관측값을 알고 있는 현장조사 위치에서만 획득이 가능하다. 연구 지역 전체에 걸쳐 잔차성분을 얻기 위해 잔차의 공간 자기상관성 정보를 기반으로 평균이 0인 단순 크리깅(simple kriging)을 적용하여 잔차의 공간 분포를 추정한다. 마지막 과정으로 경향성분과 잔차성분을 결합하여 회귀 크리깅의 예측 결과를 얻게 된다.

3.2. 실험 설계 및 평가

이 연구의 주요 목표는 무인기 자료를 이용한 갯벌 표층 퇴적상 분포도 작성에 회귀 크리깅의 적용 가능성을 살펴보는 것이다. 이를 위해 이 연구에서는 Table 2와 같이 4가지 요인을 종합적으로 분석하고자 한다: (1) 현장조사 자료 수의 영향, (2) 부가자료의 영향, (3) 회귀모형의 비교, (4) 다른 예측 기법과의 비교.

Table 2. The thirteen cases of tidal flat surface sedimentary facies classification

먼저 갯벌은 지면이 노출되는 시간이 매우 짧고 발이 빠질 위험이 있어 현장조사를 원활히 진행하기가 어렵다. 따라서 회귀 크리깅을 이용한 갯벌 표층 퇴적상 분류에서 현장조사 자료 수에 따른 예측 성능을 비교하여 적절한 현장조사 자료 수를 분석한다면, 추후 갯벌 현장조사 계획을 수립하는데 유용하게 활용될 수 있다. 또한 회귀 크리깅에서 다양한 부가자료의 영향을 분석하는 것은 다양한 갯벌 환경에 영향을 받는 퇴적상의 특성을 더욱 정확히 이해할 수 있다. 이와 같이 갯벌 표층 퇴적상 분포도를 작성하는데 입력 자료 측면에서 현장조사 자료 수와 부가자료의 영향을 살펴보는 것은 매우 중요하다. 이 연구에서는 훈련자료를 100%, 50%, 25%로 샘플링하여 회귀 크리깅을 적용하였으며, 부가자료는 광학영상과 DEM을 이용하는 경우와 조류로 밀도도와 질감 정보를 추가로 이용하는 경우로 구분하여 적용하였다.

회귀 크리깅에 이용되는 부가자료가 연속형 변수일 경우에는 선형 및 비선형 회귀분석을 적용할 수 있다. 앞서 언급한 바와 같이 갯벌 퇴적상은 다양한 갯벌 환경과 복합적으로 연관되어 있기 때문에 현장조사 자료와 부가자료 간의 관계를 정량화하는데 비선형 회귀모형이 우수한 성능을 보일 수 있다. 다만 회귀 크리깅은 회귀모형으로 설명되지 않는 잔차성분을 보정하기 때문에 예측 성능은 회귀모형의 성능과는 다르게 나타날 수도 있다. 따라서 이 연구에서는 회귀 크리깅에서 선형 및 비선형 회귀모형으로 각각 다중선형회귀모형(multiple linear regression, MLR)과 random forest (RF)를 적용하고 예측 성능을 비교하였다. 마지막으로 회귀 크리깅의 우수성을 입증하기 위해, 단변량 크리깅인 정규 크리깅(ordinary kriging)과 회귀분석의 예측 성능을 함께 비교하였다. 여기서 회귀분석의 예측 결과는 회귀 크리깅에서 경향성분만 고려하는 경우와 동일하다.

13개의 사례에서 개별 퇴적상 함량에 대한 예측 성능은 검증 샘플로 계산한 평균 제곱근 오차(root mean square error, RMSE)를 이용하여 정량적 평가를 수행하였다. 또한 퇴적물 성분별 함량 예측 결과는 Folk의 분류 기준으로 범주화한 후 시각적 평가를 수행하였다.

4. 연구 결과 및 토의

4.1. 입도분석 결과

연구 지역에서 총 229개의 정점에 대한 갯벌 표층 퇴적상의 개별 성분의 통계값은 Table 3과 같다. 모래 함량은 가장 높은 중앙값(73.28%)과 평균값(67.49%)을 보여 연구 지역인 황도 갯벌에서 가장 우세한 퇴적상인 것으로 나타났으며, 두 번째로 높게 나타난 실트 함량(각각 18.7%, 23.01%)과도 큰 차이를 보였다. 그리고 모래 함량의 최소값은 10.72%로 연구 지역 전체에 걸쳐 넓게 분포하는 것으로 나타났다. 반면 0%와 0.95%의 중앙값과 평균값을 갖는 자갈 함량은 4개의 퇴적물 성분 중에서 가장 낮게 나타났다.

Table 3. Summary statistics of 229 sediment samples

입도분석 결과에 갯벌 퇴적상을 총 21개로 구분하는 Folk의 분류 기준을 적용한 결과, 황도 갯벌은 gS, (g)S, S, gmS, (g)mS, zS, mS, sZ, sM, (g)sM로 Table 3에서 분석한 바와 같이 모래, 실트와 머드가 우세한 10개의 퇴적물 유형이 관찰되었다. 무인기 영상을 시각적으로 살펴보면(Fig. 1b), 연구 지역의 동쪽 방향은 모래가 우세한 것으로 나타났고, 서쪽 방향은 실트가 우세한 것으로 나타났다.

4.2. 퇴적물 성분별 함량 예측

회귀분석을 수행하기에 앞서, 이 연구에서는 변수 중요도에 대한 정량적인 측정값을 제공하는 RF의 mean decrease accuracy를 이용하여 부가자료의 영향을 분석하였다(Fig. 5). 그 결과, DEM과 조류로 밀도는 가산 로그비로 변환된 3개의 변수에서 가장 높은 중요도를 나타낸 반면에 광학영상의 red, green, blue는 모든 변수에서 가장 낮은 중요도를 보였다. 그리고 모래와 점토의 로그비로 계산된 V2와 실트와 점토의 로그비로 계산된 V3는 일부 질감 정보에서 높은 중요도를 보였다. 이러한 결과는 고해상도의 원격탐사 자료를 이용하여 갯벌 표층 퇴적상을 분류하는데 질감 정보를 이용하거나 객체 기반으로 분석할 필요가 있으며(Kim and Ryu, 2020), 퇴적상을 결정하는데 조류로의 영향이 매우 크다는 것을 보여준다(Eom et al., 2012).

Fig. 5. Mean decrease accuracy values of input variables for log-ratio transformed sediment facies. V1, V2, and V3 denotes additive log ratio transformed variables.

Table 2에서 정의한 13개의 사례에 대해 개별 퇴적물 성분에 대한 함량 분포도를 생성하고 예측 성능을 검증하였다(Fig. 6). Table 3에서 살펴본 바와 같이, 모래와 실트 함량은 상대적으로 표준편차가 크기 때문에 모든 사례의 예측 결과에서 모래와 실트의 예측 성능이 상대적으로 낮게 나타났다.

Fig. 6. RMSE values of prediction results of four surface sediment facies content for thirteen cases. Description of the thirteen cases refer to Table 2.

먼저 회귀분석에서 부가자료의 영향을 살펴보면, 광학영상과 DEM만 이용하는 경우(C2_MLa, C2_RFa) 예측 정확도가 매우 낮았는데, 특히 선형회귀모형을 이용하는 경우(C2_MLa)는 모든 사례 중에서 예측 정확도가 가장 낮았다. 반면 조류로 밀도와 질감 정보를 함께 이용하는 경우(C2_ML, C2_RF)에는 선형회귀모형과 RF에서 모래 함량을 기준으로 각각 3.22%와 1.89%가 향상되었다. 회귀 크리깅은 회귀분석과 비교해서 예측 성능이 크게 향상되었는데, 이용 가능한 부가자료 수가 적을 때 예측 성능의 향상 정도가 더 크게 나타났다. 다만 회귀모형으로부터 설명할 수 없는 잔차성분을 보정하기 때문에 부가자료에 따른 예측 성능의 차이는 크지 않았다. 그럼에도 불구하고, 선형회귀모형을 이용하는 회귀 크리깅에서 부가자료를 모두 이용할 때(C3_ML_T1), 모든 사례 중에서 가장 우수한 예측 성능을 달성하였다. 따라서 갯벌 퇴적상 분포도의 예측 성능을 향상시키기 위해서는 회귀 크리깅의 적용과 함께 갯벌 퇴적상과 높은 상관성을 보이는 질감 정보와 조류로 밀도를 추가로 이용할 필요가 있음을 보여준다. 이러한 결과는 회귀 크리깅을 적용하는데 있어 회귀 모형보다 부가자료의 중요성을 강조한 기존 연구 결과와 동일하게 나타났다(Park, 2019).

현장조사 자료 수의 영향을 살펴보면, 다른 요인에 비해 예측 성능에 가장 큰 영향을 주는 것으로 나타났다. 예를 들어, 회귀 크리깅의 예측 성능은 부가자료와 현장조사 자료 수를 100% 모두 이용할 때, 모래 성분을 기준으로 단변량 크리깅(OK_T1) 대비 선형회귀모형(C3_ML_T1)과 RF (C3_RF_T1)에서 각각 1.70%와 0.93%만큼 향상되었다. 반면 이용 가능한 현장조사 자료 수가 적을수록 회귀 크리깅의 예측 성능은 감소하는 양상을 보였다. 특히 전체 대비 25%의 현장조사 자료 수만 이용 가능한 회귀 크리깅(C3_ML_T3, C3_RF_T3)의 예측 성능은 현장조사 자료 수가 충분히 확보된 단변량 크리깅에 비해 각각 1.38%와 3.02% 낮은 것으로 나타났다. 즉, 갯벌 표층 퇴적상 분포도의 예측 성능을 개선하기 위해서는 갯벌에서 현장조사의 어려움을 고려하여 연구 지역의 규모에 따른 적절한 수의 현장조사 자료를 획득해야 한다.

4.3. Folk 기준에 따른 퇴적상 분류

퇴적물 성분별 함량 예측 결과를 살펴보면, 현장조사 자료의 전처리 과정으로 0% 함량을 갖는 자갈 성분을 특정값으로 대체하였기 때문에 미세한 자갈 함량에서의 변화를 고려하기가 어렵다. 또한 실트와 점토는 약 0.002 mm의 입자 크기를 기준으로 분류하기 때문에 원격탐사 자료를 이용하여 이를 구분하기가 어렵다(Ryu et al., 2004). 이러한 기준에 따라 실트(Z)와 점토(C)는 머드(M)로 통합하였고, 미세한 자갈 함량(g와 (g))은 하나의 항목으로 통합하였다. 이러한 전제 조건과 함께 Folk의 분류 기준을 기반으로 이 연구에서는 시각적 분석을 위해 분류 항목을 G, M, S, sM, gS, gmS, mS의 7개 항목으로 재정의하였다.

Fig. 7은 단변량 크리깅(C1), 회귀 분석(C2), 회귀 크리깅(C3)에 대한 퇴적상 성분별 예측 결과로부터 작성한 퇴적상 분류 결과를 나타낸다. 이때 가장 우수한 예측성능을 보인 사례를 대상으로 개별 방법론의 분류 결과를 나타냈다. 분류 결과는 모두 조류로가 밀집한 서쪽에서 머드 성분이 우세하게 분포하는 것으로 나타났고, 동쪽으로 이동할수록 모래 성분이 우세하게 분포하는 양상을 나타냈다.

Fig. 7. Classification results of tidal flat surface sediment facies: (a) ordinary kriging (C1), (b) regression analysis (C2), and (c) regression kriging (C3).

사례별로 살펴보면, C1 결과는 공간 자기상관성을 이용하는 단변량 크리깅에서 나타난 평활화 효과로 인해 퇴적상의 세부적인 특성을 전혀 고려하지 못하는 것으로 나타났다(Fig. 7a). 이러한 결과는 현장조사 위치로부터 멀어질수록 해당 지점에서의 예측값은 오차를 수반하게 된다는 것을 의미한다. 반면 C2 결과는 연구 지역 전역에서 획득된 무인기 자료를 이용함에 따라 국소적인 퇴적상 변화를 잘 반영하는 것으로 나타났다(Fig. 7b). 퇴적물 성분별 함량 예측 결과에서 C2에 비해 C1의 예측 성능이 더 우수한 것으로 나타난 반면 시각적 분석 결과를 살펴보면 퇴적상의 세부적인 특징을 분석하기 위해서는 갯벌의 퇴적상을 설명하는데 유용한 부가자료를 이용할 필요가 있음을 보여준다. C3 결과를 살펴보면, C2에서 나타나지 않았던 우측의 자갈 항목, 좌측의 머드 항목 등을 확인할 수 있었으며, 이는 시료 채취를 위한 현장조사에서 육안으로 확인한 연구 지역의 퇴적상 양상과 가장 유사한 것으로 나타났다(Fig. 7c).

5. 결론

이 연구에서는 갯벌 표층 퇴적상 분포도 작성을 목적으로 회귀 크리깅을 적용할 때입력 자료와 방법론 측면에서의 영향을 종합적으로 평가하였다. 회귀 크리깅을 적용하기에 앞서, 구성 자료를 갖는 퇴적상 함량에 대해 자료값의 제한이 없는 공간으로 변환하는 가산 로그비를 적용하였다. 이후 회귀 크리깅을 적용하여 연구 지역 전역에 대한 개별 퇴적상 성분 함량을 예측하였으며, 이를 Folk의 분류 기준으로 범주화하여 갯벌 표층 퇴적상 분포도를 작성하였다. 회귀 크리깅 기반의 갯벌 표층 퇴적상 분포도 작성은 우리나라 태안군 안면도에 위치한 황도 갯벌의 일부 지역을 대상으로 사례 연구를 수행하였다.

방법론 측면에서, 회귀 크리깅은 기존 회귀분석만 이용하거나 단변량 크리깅을 적용하는 경우보다 상대적으로 향상된 예측 성능을 보였으며, 그 중에서도 경향성분을 추정하는데 기계학습 기법인 RF에 비해 선형회귀모형을 적용할 때 더 우수한 것으로 나타났다. 특히 시각적 평가 결과에서는 회귀 크리깅으로 제작한 갯벌 표층 퇴적상 분포도가 현장조사로 파악한 연구 지역의 개관을 가장 잘 반영하는 것으로 나타났다. 회귀 크리깅은 입력 자료 측면에서 조류로 밀도도와 텍스쳐 정보를 함께 이용할 때 가장 우수한 예측 성능을 보였는데, 잔차성분을 고려하기 때문에 광학영상과 DEM만 이용하는 것과 비교해서 예측 성능에 큰 차이를 보이지는 않았다. 반면 회귀 크리깅에 이용 가능한 현장조사 자료의 수는 경향성분을 추정하는 회귀모형에 직접적으로 영향을 미치기 때문에 현장조사 자료의 수가 적을수록 예측 성능이 저하되는 것으로 나타났다. 즉, 신뢰할 수 있는 갯벌 표층 퇴적상 분포도를 작성하기 위해서는 연구 지역의 규모를 고려하여 적절한 수의 현장조사 자료가 확보되어야 함을 의미한다.

크리깅 기법을 이용하여 개별 퇴적상 성분별 함량을 추정하는 것에는 불확실성이 수반된다. 이러한 불확실성은 개별 퇴적상 성분별 함량 예측 결과를 Folk의 분류기준에 따라 범주화 하는 과정에 영향을 미칠 수 있다. 지구통계학 기법 중에서 지시자 크리깅 혹은 다중 가우시안 크리깅은 불확실성의 확률론적 추정이 가능하기 때문에 추후 연구에서는 회귀 크리깅에서 잔차성분을 예측하는데 이러한 크리깅 기법을 적용하여 불확실성이 퇴적상 분류에 미치는 영향을 정량적으로 분석할 계획이다.