Observation and Analysis of Green Algae Phenomenon in Soyang-ho in 2023 Using Satellite Images

위성영상을 활용한 2023년 소양호 녹조 현상 관측 및 분석

Abstract

In this study, we used satellite images to analyze the green algae phenomenon that first occurred in Soyang-ho, which was completed in 1973. The research data used 13 optical images over a period of about 2 months from July 2023, and the area of green algae that occurred in Soyang-ho was calculated. To calculate the exact area where green algae occurred, image classification was performed based on the support vector machine algorithm. As a result, green algae in Soyang-ho occurred around the point where the impurities that caused the green algae were introduced. It seemed to temporarily decrease due to the effects of Typhoon Khanun in August 2023, but green algae increased again due to the continued heat. Soyang-ho is one of the major water sources in the metropolitan area, suggesting that we must prepare for repeated green algae outbreaks.

본 연구에서는 1973년 완공된 소양호에 처음으로 발생한 녹조현상에 대하여 위성영상을 사용하여 분석하였다. 연구자료는 2023년 7월부터 약 2개월간의 광학영상 13장을 사용하였으며, 소양호에 발생한 녹조의 면적을 산출하였다. 정확한 녹조 발생 면적을 산출하기 위하여 support vector machine 알고리즘 기반으로 영상분류를 수행하였다. 그 결과 소양호의 녹조는 녹조 발생을 유발하게 한 불순물이 유입된 지점을 중심으로 발생하였다. 2023년 8월 태풍 카눈의 효과로 일시적으로 감소하는 듯 보였으나 지속된 더위로 인해 다시 녹조가 증가하였다. 본 연구결과는 소양호는 수도권 주요 수원지 중 하나로 반복적인 녹조 발생을 대비해야 하는 점을 시사한다.

1. 서론

소양호는 대한민국 강원특별자치도 춘천시, 양구군, 인제군에 걸쳐 1973년 완공된 남한 최대의 인공호수이다. 소양호의 총저수량은 약 29억톤이며, 수도권 수자원 공급에 기여하고 있는 최대 수원지 중 하나이다(Yeom et al., 2023). 소양호는 1973년 완공이후 50여년만인 2023년 7월 28일경 소양강댐으로부터 상류 유하거리 53 km 지점인 아미산 부근에서 녹조가 시작된 이후 49 km인 38대교까지 약 4 km 구간에 걸쳐 녹조가 발생하였다(Shin, 2023). 7월 처음으로 녹조가 발생했으며, 8월 태풍 카눈의 효과로 일시적으로 감소하는 듯 보였다. 그러나 태풍당시 강수량이 60 mm정도로 적었고, 태풍이후 다시 고온이 유지되면서 녹조를 완전히 제거하지 못하고 있는 상황이다(Lee, 2023a). 이전까지 여름철 녹조는 주로 낙동강 상류에서 발생했고, 한강 상류인 소양강에선 잘 생기지 않았다. 그러나 2023년 6부터 7월 사이에 내린 폭우는 1973년 기상 관측 이래 역대 강수량 3위를 기록할 정도로 많은 양이 내렸다. 폭우에 의해 가축 분뇨와 비료 등 오염원이 호수로 흘러들었으며, 이 오염원에는 부영양화의 핵심적인 요소 중 하나인 인이 다량 포함되어 있다(Lee, 2023b).

또한 2023년은 전 세계적으로 폭염이 발생하여 지구온난화에 의한 다양한 현상이 발생하였고, 2023년 7월 17일 지구 평균온도는 섭씨 17.23으로, 지구온도 관측 이래 압도적인 최고치를 기록했다. 국내는 7월 19일부터 폭염이 시작되었으며, 강원특별자치도 인제는 최고기온 32.7°C, 춘천은 32.3°C였다(Korea Meteorological Administration, 2023a).

매년 국내 하천에 발생하는 녹조는 강수량과 기온이 상승하는 여름철에 발생빈도가 높아진다. 국내의 여름철은 집중호우가 발생하고 무더위가 이어지는 계절적 특징이 있다. 7월에는 상대적으로 약한 강수가 지속적으로 발생하지만 8월에는 국지적 집중호우와 태풍이 주로 발생한다(Jung et al., 2016). 짧은 기간에 집중된 많은 강수량은 주변의 물질들을 휩쓸며 흘러내려 강이나 호수로 오염물질을 유입시킨다(Lee et al., 2021). 유입된 오염물질은 식물성 플랑크톤의 영양분이 되고 뒤이은 무더위가 플랑크톤의 성장을 촉진시켜 하천에 대규모 녹조가 발생하게 된다(Jargal and An, 2023). 따라서 이번 소양호 녹조의 원인도 장마에 의한 오염원 유입 및 수온 상승으로 판단된다. 7월 13~15일 사이 내린 폭우에 섞여 유입된 오염원과 19일부터 시작된 본격적인 폭염에 의한 수온상승은 부영양화가 발생하기 위한 최적의 조건이 되었을 것이다.

소양호는 수도권의 주요 수자원 중 하나로, 녹조 발생 시 직접적인 제거와 정수과정에서 시간을 증가시켜 공급 비용을 증가시키는 요인으로 작용할 수 있다. 또한 녹조는 하천 표면에서 물의 산소교환을 차단하고 일부 종은 생물에게 유해한 독성을 가지고 있어 하천환경 전체에 불균형과 교란을 초래할 수 있다(Paerl, 2018). 따라서 모든 생태계에 문제를 발생시킬 수 있으므로 정확한 원인 파악과 대응 마련이 필요하다.

과거에는 하천의 녹조 확산을 모니터링하기 위해 현장조사를 수행하였다. 현장조사 기법은 실제 발생하는 녹조의 변화를 정확하게 측정할 수 있다는 장점을 가지고 있지만 점자료로 획득할 수 있기 때문에 광범위한 녹조를 관측하기 위해서는 많은 인력 또는 시간이 소요되는 단점을 가지고 있다. 이러한 단점을 보완하기 위하여 현장조사 뿐만 아니라 원격탐사 기법을 활용하고 있다. 원격탐사 기법은 실측 자료와의 비교분석을 통한 검증과정이 필요하지만 쉽게 면자료를 획득할 수 있기 때문에 단기간 내에 광범위한 시공간 분석이 가능한 장점을 가지고 있다.

이에 본 연구에서는 2023년 여름철 소양호에 발생한 녹조의 변화를 분석하기 위하여 Sentinel-2 위성과 PlanetScope 위성 영상을 수집하고 영상분류를 수행하였다. 영상분류 결과에서 시기별 녹조의 발생 면적을 산출하고 소양호에 발생한 녹조 변화에 대한 시계열 분석을 수행하였다.

2. 연구과정

본 연구에서는 자료에 자유롭게 접근이 가능하며 무료로 사용이 가능한 유럽항공우주국(European Space Agency, ESA)의 Sentinel-2 위성과 Planet사의 고해상도 위성영상인 PlantScope 위성 영상을 사용하여 2023년 여름철 소양호에 발생한 녹조의 변화를 분석하였다. 녹조의 변화를 분석하기 위해서는 획득한 자료에서 녹조를 관측하기 위한 밴드를 선택하고 조합하는 가공을 수행해야 한다. 가공된 영상 자료는 녹조 면적의 변화를 분석하기 위하여 먼저 영상분류 과정을 수행한다. 영상분류는 머신러닝 기법 중 하나인 support vector machine(SVM) 알고리즘을 적용하였다. SVM 기반의 영상분류를 수행하기 위해 사전에 훈련데이터와 검증데이터로 나누어 데이터세트를 준비한다. 이 후 훈련데이터를 사용하여 영상분류를 수행한 뒤 그 결과를 검증데이터와 비교하여 영상분류의 정확도를 검증한다. 검증된 영상분류 결과를 기반으로 연구지역 내의 녹조 발생 면적을 산출한 뒤 시계열 분석을 수행하였다(Fig. 1).

Fig. 1. Workflow in this study.

2.1. 연구지역

연구지역인 소양호는 강원도 춘천시와 인제군에 걸쳐 위치하고 있으며 4대강 중 하나인 북한강의 상류로 홍수조절, 수력발전을 비롯하여 수도권지역의 상수도원 등 다양한 역할을 맡고 있다. 소양호의 주변환경은 대체로 산림 및 농경지가 주를 이루고 있으며 북한강 상류 소양호 유역으로 분류된다. 소양호는 1973년 완공된 소양댐에 의해 만들어진 인공호수이며, 소양댐은 높이 123 m, 총 저수량 29억 톤에 달하는 국내 최대의 다목적 댐이다. 소양댐의 건설 이후로 소양호는 수도권을 비롯한 중부 지역에 연간 12억 톤에 달하는 수도를 공급하고 연간 300 GWh 이상의 전력량을 생산하고 있다(Park and Lee, 2020; Yeom et al., 2023).

2023년 여름철 이른 장마와 유래없는 폭염으로 인해 7월 28일 소양호에 대규모 녹조현상이 발생하였다고 보고되었다(Shin, 2023). 강원도와 한국수자원공사는 이번 소양호 녹조 발생의 원인을 폭우와 그 뒤 이어진 폭염으로 지목하였다. 이 녹조 현상은 단기간에 많은 강수량으로 인해 주변으로부터 다량의 인(phosphorus)이 유입되었고 고온의 날씨가 지속되어 식물성 플랑크톤이 폭발적으로 증가했다는 것이다.

Fig. 2(a)는 2023년 8월 5일 드론으로 직접 촬영한 영상으로 소양호에 전체적으로 녹조가 발생했음을 파악할 수 있다. 이후 녹조 제거 과정을 통해 8월 9일 녹조가 소강상태가 되었음을 관측하였다(Fig. 2b). 그러나 이후 뉴스 보도를 통해 태풍 카눈이후 녹조가 다시 심각해졌음을 파악할 수 있었다(Figs. 2c, d).

Fig. 2. Photograph of Soyang-ho. (a) Soyang-ho filmed with a drone (Aug. 5, 2023). (b) Soyang-ho filmed with a drone (Aug. 9, 2023). (c) News report (Aug. 20, 2023) (Lee, 2023a). (d) News report (Sep. 8, 2023) (Jeon, 2023).

이에 본 연구에서는 소양호 녹조의 진행을 시계열로 분석하기 위하여 녹조가 최초로 보고된 강원도 인제군의 인제대교 인근부터 하류 방향으로 약 30 km 구간을 연구지역으로 설정하였다. 실제로 6월 29일과 30일에 걸쳐 60 mm 이상의 강수가 있었고 7월 1일 위성영상에서 불순물이 유입된 것을 확인하였다(Fig. 3).

Fig. 3. Sentinel-2 image of Soyang-ho at the time of the inflow of impurities (True Color image, July 1, 2023).

2.2. 연구자료

본 연구에는 ESA의 지구관측 미션 수행을 위해 개발된 광학위성인 Sentinel-2 위성과 Planet사에서 운용 중인 PlanetScope 위성을 활용하였다. Sentinel-2 위성은 2015년 Sentinel-2A 위성이 최초로 발사되어 최대 10 m의 해상도를 가지는 가시광선과 적외선의 12개 밴드로 구성되어 있다. 초기 Sentinel-2 위성은 10일의 재방문 주기를 가지고 있었으나 2017년 추가로 쌍둥이 위성인 Sentinel-2B 위성이 발사되어 2017년 이후로는 약 5일의 재방문 주기를 가지게 되었다. Sentinel-2 위성은 기존까지 널리 사용되던 미국 Landsat 시리즈 위성보다 파장대역이 짧고 단일 영상의 면적이 작지만 Landsat 위성에 비해 짧은 재방문 주기와 3배 가량 높은 공간해상도를 가지고 있다(Szantoi and Strobl, 2019). Planet사의 PlanetScope 위성은 200기 이상의 초소형 위성인 CubeSat 위성들로 운용되고 있다. 초소형 위성이라는 물리적 한계가 있지만 많은 수의 저궤도 위성으로 운용하여 3미터급 공간 해상도와 1일 내외의 짧은 재방문 주기를 가진다. 최근에는 3세대 위성인 Super Dove를 운용하여 가시광선부터 근적외선까지 8개 파장으로 구성되어 활용성이 더욱 증가하였다(Jung et al., 2020; Tu et al., 2022).

본 연구에서는 녹조 발생의 원인으로 지목된 불순물 유입이 발생한 7월 1일을 기준으로 이후의 약 2달 간의 Sentinel-2 위성과 PlanetScope 위성 영상을 사용하였다(Table 1). 각 위성영상은 지표 반사도(surface reflectance)로 가공된 Level-2 데이터 중 주변환경과 녹조의 파장별 반사도 특징을 고려하여 식(1)과 같이 near-infrared(NIR), Red, Green, Blue 4개의 밴드를 조합하여 영상분류에 사용하였다.

Composite Band = Band(NIR) + Band(Red) + Band(Green) + Band(Blue)       (1)

Table 1. Satellite image data listed in this study

2.3. 영상분류

본 연구에서는 영상분류를 위한 머신러닝 알고리즘으로 SVM을 사용하였다. SVM 알고리즘은 Cortes and Vapnik (1995)이 제안한 기계학습 알고리즘으로 통계적 학습 이론에 기초한다. SVM은 기존에 널리 사용되던 인공신경망(artificial neural network, ANN) 기법에서 대표적인 문제점으로 지적되는 과적합(overfitting)을 최소화하여 높은 일반화 성능을 가진다. 또한, SVM은 복잡하고 비선형적인 데이터를 분류할 때 높은 정확도를 보이는 것으로 알려져있다(Ramayanti et al., 2022). SVM은 사전의 정의된 훈련데이터를 기반으로 데이터를 분류하기 위한 초평면(hyperplane)을 사용한다. 이 초평면은 최적의 분류를 하기 위해 초평면으로부터 각 데이터의 거리인 마진(margin)을 반복적으로 계산한다(Kang et al., 2013). SVM은 반복 계산된 마진이 최대화되는 경우의 초평면을 결정하고 이 때 초평면과 거리가 최소인 클래스 데이터를 P1, P2를 지원벡터(support vector)라고 부른다. 최종적으로 SVM은 마진이 최대화되는 지원벡터를 기준으로 분류를 수행한다(Fig. 4).

Fig. 4. Basic classification by SVM (Foody and Mathur, 2004).

본 연구에서는 SVM 알고리즘에서 분류 성능이 가장 높은 것으로 알려진 radial basis function (RBF) 커널을 사용하여 비선형 분류를 수행하였다. 일반적으로 문제를 최소화하기 위한 SVM 알고리즘의 계산식은 식(2, 3)이며 RBF 커널 계산식은 식(4)와 같다 (Wainer and Fonseca, 2021).

\(\begin{aligned}\min \frac{1}{2}\|\mathrm{w}\|^{2}+C \sum_{i=1}^{n} \xi_{i}\end{aligned}\)       (2)

y_i(w·Φ(x_i) + b ≥ 1 – ξ_i       (3)

K(x_i, x_j) = exp(– γ|| x_i – x_j ||²)       (4)

C는 정규화 정도를 결정하는 SVM의 하이퍼파라미터(hyperparameter)이며 Φ(x_i)는 데이터를 고차원 공간으로 가져오는 비선형 변환이다(Talukdar et al., 2020). 식(3)에서 결정되는 γ 또한 RBF 커널을 적용한 SVM에서 적용되는 하이퍼파라미터이다. RBF 커널의 분류 결과는 C와 γ에 의해 결정되므로 적절한 값을 찾는 것이 중요하다. 본 연구에서는 적절한 매개변수를 찾기 위하여 grid search 방법을 시도하였다. Grid search 방법은 사용될 가능성이 높은 C와 γ의 모든 조합을 시도하여 최적의 성능은 나타내는 값을 선택하는 것이다(Han et al., 2012). 본 연구에서 C의 변수는 0.1, 1, 10, 100으로 총 4개, γ의 변수 0.01, 0.1, 0.333, 1, 10으로 총 5개를 조합하여 20번을 계산하였다. 최종적으로 가장 성능이 높게 나타난 C의 값 100, γ의 값 0.333으로 선정하여 영상분류를 수행하였다.

수행된 영상분류 결과는 혼동행렬(confusion matrix)을 활용하여 정확도 검증을 수행하였다. 본 연구에서는 혼동행렬에서 정확도를 분석하기 위해 널리 사용되는 전체 정확도(Overall Accuracy), 정밀도(Precision) 및 재현율(Recall)을 사용하였다(Amini et al., 2022). 전체정확도, 정밀도, 재현율을 분석하기 위해 앞서 수행된 영상분류 결과를 예측 값으로 사용하고 실제 값으로는 RGB 영상에서 육안으로 지정한 검증데이터 사용하였다. 예측 값과 실제 값은 영상 내의 region of interest (ROI) 형태로 비교하여 Table 2와 같은 혼동행렬을 생성하였다.

Table 2. Example of confusion matrix

생성된 혼동행렬에서 식(5–7)을 통해 영상분류 결과의 정확도를산출하였다.영상분류정확도는85%이상을기준으로 기준치 이하일 경우 영상분류를 재수행하였다.

\(\begin{aligned}\text {Overall Accuracy(OA)}\frac{TP+TN}{TP+FN+FP+TN}\end{aligned}\)     (5)

\(\begin{aligned}\text {Precision} = \frac{TP}{TP+FP}\end{aligned}\)       (6)

\(\begin{aligned}\text {Recall} = \frac{TP}{TP+FN}\end{aligned}\)       (7)

3. 연구결과

Table 3은 13장의 위성영상 분류결과의 정밀도, 재현율, 전체정확도를 산출한 결과이다. 각각의 값은 훈련데이터와 함께 준비된 검증데이터와 영상분류 결과를 혼동행렬로 구성하여 산출되었다. 영상분류는 정확도 기준치인 85% 이상을 달성하기 위하여 최소 1회부터 최대 5회까지 반복수행 되었다. 그 결과 분석대상인 영상 전체가 정확도 기준치에 도달하였다. 영상분류의 정확도는 최소 0.888 (88.%)부터 0.988 (98.8%)까지로 나타났으며 평균값은 0.987 (98.7%)로 산출되었다. 특히 13장 중 10장(약 77%)의 영상이 목표 정확도인 85%를 넘어 90% 이상을 달성하였다. 수행된 영상분류 정밀도는 0.942–0.995까지 나타났으며 평균값은 0.969였다. 영상분류 재현율의 범위는 0.922–0.999까지 나타났으며 평균값은 0.987이었다. 영상분류의 정밀도와 재현율의 평균값의 차이는 크지 않았으나 정밀도에 비해 재현율의 범위가 더 크게 나타났다.

Table 3. Precision, Recall, and Accuracy calculated from the confusion matrix

Table 4와 5는 전체정확도가 가장 높은 7월 19일 영상과 전체정확도가 가장 낮은 9월 1일 영상 분류결과의 혼동행렬이다. Table 4의 결과에서 녹조의 검증데이터 7,187 픽셀(64,683 m²) 중 오분류가 된 픽셀은 178 픽셀(1,602 m²)이었으며 대부분 녹조를 물로 오분류한 것이었다. 반대로 영상분류 결과에서는 녹조로 분류된 7,058 픽셀(63,522 m²) 중 49 픽셀(441 m²)이 오분류 되었다. 영상분류 결과에서 가장 큰 오분류 요인은 마찬가지로 물을 녹조로 오분류한 것이었다. 7월 19일의 영상은 가장 높은 분류 정확도를 보인 영상이었지만 그럼에도 전체 정확도가 낮아진 요인은 깊은 계곡에 생긴 그림자로 인한 일부 오분류의 영향이 큰 것으로 나타났다. Table 5의 결과에서는 녹조로 지정된 7833 픽셀(70,497 m²) 전체가 모두 올바르게 분류된 것으로 나타났다. 하지만 7월 19일 영상에 비해 그림자와 산지의 오분류 비율이 상대적으로 높아졌으며 도시와 구름의 오분류도 일부 나타났다. 이러한 요인으로 인해 전체정확도가 평균치 이하였지만 목표치 이상을 달성하였고 연구 주제인 녹조 분류에는 오분류가 적게 나타났기 때문에 해당 결과를 분석에 사용하였다.

Table 4. Confusion matrix from classification result (2023/07/19)

Table 5. Confusion matrix from classification result (2023/09/01)

Fig. 5는 획득된 각 영상의 분류 결과이다. 각 영상은 녹조(Algae), 산지(Forest), 물(Water), 도시(Urban)의 4가지 클래스 기준으로 분류하였다. 일부 영상에서 구름이나 누락된 영역이 포함된 경우는 구름(Cloud), 그림자(Show) 2개의 클래스를 추가하여 6가지의 클래스로 분류를 수행하였다. 각 영상분류는 정확도 분석을 수행하여 85% 이상의 영상분류 정확도에 도달하도록 반복수행하였다. 대부분의 영상은 6가지의 클래스로 분류되었으며 8월 18일 영상은 5가지 클래스, 9월 8일과 9월 9일 영상은 4가지 클래스로 분류되었다. 8월 18일 영상은 영상에 구름은 없었으나 영상 내 누락된 부분을 Shadow 클래스로 분류하였고 9월 8일과 9월 9일 영상은 모두 영상내의 구름이나 그림자가 없이 깨끗하게 나타나 지표에 나타난 특징만을 4가지의 클래스로 분류하였다. Fig. 5에서 나타난 녹조의 특징은 면적과 위치가 계속해서 변하는 것처럼 보이지만 공통적으로 7월 1일 강수로 인해 불순물이 유입된 지점을 중심으로 하고 있다.

Fig. 5. Image classification result of Soyang-ho: (a) 2023/07/04 from PlanetScope, (b) 2023/07/19 from PlanetScope, (c) 2023/07/21 from Sentinel-2, (d) 2023/07/26 from Sentinel-2, (e) 2023/08/01 from PlanetScope, (f) 2023/08/05 from Sentinel-2, (g) 2023/08/08 from Sentinel-2, (h) 2023/08/18 from PlanetScope, (i) 2023/08/25 from Sentinel-2, (j) 2023/08/26 from PlanetScope, (k) 2023/09/01 from PlanetScope, (l) 2023/09/08 from PlanetScope, and (m) 2023/09/09 from PlanetScope.​​​​​​​

Fig. 6은 각 영상분류 결과에서 녹조의 면적을 산출하여 도시화한 결과이다. 육안으로 관측이 가능했던 7월 28일 직전인 7월 26일의 녹조 면적이 급격하게 높았졌으며 태풍 카눈 직전까지 높게 유지되었다. 태풍 카눈에 이후 녹조의 면적이 낮아지는 추세를 보였으나 9월 8일 다시 녹조의 면적이 높게 계산되었음을 파악하였다. Fig. 7은 위성영상에서 녹조가 관측되었던 7월 1일부터 9월 30일까지 강수량과 온도를 나타낸다. 7월 28일에 관측된 녹조는 7월 13일~15일 사이의 집중호우로 인해 오염물이 유입되고 이후 19일부터 22일까지 고온이 유지되면서 부영양화가 발생했을 것으로 판단된다. 또한 태풍 카눈에 의해 강수량이 증가하면서 녹조가 흐려졌으나, 고온이 계속 유지되면서 녹조가 지속적으로 발생하고 8월 20일에 짙은 녹조가 다시 관측되었다. 이후에도 녹조제거에 애로사항이 생기면서 완전한 제거되지 않는 것으로 보인다.

Fig. 6. Time-series analysis result in Algae.

Fig. 7. Time-series analysis result rainfall and temperature: (a) Injae and (b) Chuncheon.

4. 결론

본 연구에서는 2023년 여름철 갑작스럽게 발생한 소양호의 녹조 면적의 변화를 위성영상을 사용하여 분석하였다. 녹조의 면적을 정량적으로 산출하기 위하여 머신러닝 알고리즘 중 하나인 SVM 알고리즘을 사용하여 영상분류를 수행하였고 그 결과에서 녹조의 면적을 산출하였다.

Table 6는 위성영상을 이용한 녹조 관측 면적과 녹조의 발생에 영향을 줄 수 있는 요소를 나타낸 표이다. Fig. 5의 위성영상에서는 7월 4일부터 녹조가 관측되었으나, 실제로 녹조의 진행사항을 알지 못하였다. 이후 7월 28일 육안으로 녹조가 처음 관측되어 보고되었고, 보고된 날짜의 전인 7월 26일(Fig. 5d)와 8월 1일(Fig. 5e)에 녹조가 급격하게 증가하였음을 파악할 수 있다. 이후 소양호 상류에서 물리적인 녹조제거가 진행되었으며, 8월 9일 상류지역 일부 녹조가 소강되었음이 언론을 통해 공개되었다. 본 연구의 Fig. 5(g)는 8월 8일 관측영상으로 상류지역에서 녹조가 제거되었음을 파악할 수 있었다. 그러나 태풍 카눈의 예보로 인해 녹조제거 작업이 중단되었고 실제 8월 10일 태풍 카눈이 한반도에 착륙하였으나, 소양호 인근의 일강수량은 67.1 mm로 녹조를 제거하기에는 충분하지 않았다(Korea Meteorological Administration, 2023b). 그러나 태풍 카눈 이후인 8월 18일 영상(Fig. 5h)에서 물리적인 녹조제거가 중단되었음에도 불구하고 강수에 의해 녹조가 희석되었음을 파악할 수 있었다. 또한 8월 23일부터 8월 25일까지 우천이 있었으며 3일간 총 강수량은 81.7 mm로 녹조가 더욱 소강되고 있음을 보였다(Figs. 5i, j). 그러나 여전히 완전하게 제거되지 않았으며, 9월 2일, 4~7일 최고기온 30°C 이상이 유지되는 동안에는 녹조가 증가하는 것을 보였다(Fig. 5l). 9월이후는 일교차가 크게 나타나면서 최저기온이 낮아지고 있으며, 빙어마을과 부평보가 있는 소양호 상류지역은 인력이 직접들어가 제거할 수 있을 정도로 수심이 낮지만, 하류 방향으로 갈수록 수심이 높아진다. 따라서 일교차에 의해 온도가 낮아짐에 따라 빙어마을 하단의 소양호의 녹조는 급격하게 변화가 나타나는 것으로 판단된다(Figs. 5k, i, m). 부평보가 설치된 안쪽의 경우 소양호에서 녹조가 심각하게 발생했던 8월 8월까지도 녹조 발생 없이 유지가 되었으나(Fig. 5g), 8월 18일 영상(Fig. 5h)부터 녹조가 일부 발생했음을 볼 수 있었고, 그 이후 점점 녹조가 심각해 지면서 9월 1일부터는 전체가 녹조로 뒤덮였음을 파악할 수 있다(Figs. 5k, i, m). 이는 이전에는 부평보에 의해 녹조가 확산되는 것을 막고 있었으나, 태풍 카눈에 의해 녹조가 넘어오고, 이후 방출이 되지 않아 심화된 것으로 판단된다.

Table 6. Algae areas from SVM classification result​​​​​​​

위성영상을 통해 분석한 결과, 녹조는 홍수 등에 의해 하천에 영양분이 공급되고 기온이 상승하면 발생하는 것을 보였다. 실제로 태풍 카눈에 의해 녹조가 감소될 것을 기대하였으나 희석되기에는 적은 강수량과 카눈 발생 이후 고온이 유지됨에 따라 녹조가 재증식한 것으로 판단된다. 이번 소양호에 발생한 녹조는 소양댐 건설 50년만에 처음 발생한 것으로 상대적으로 평균기온이 낮은 강원특별자치도에 위치한 소양호의 환경을 생각한다면 기후변화로 인한 이례적인 현상으로 볼 수 있다. 또한 한국수자원공사는 녹조 발생을 7월 28일 최초로 보고되었으나, 위성영상분석 결과 그보다 몇주앞선 시점에 녹조가 발생한 것으로 나타났다. 본 연구결과는 전세계적으로 기후변화가 진행되는 상황에서 앞으로도 소양호에 녹조가 발생할 가능성을 보여주고 있다. 이는 소양호의 녹조 발생을 이례적인 현상으로 보지 않고 앞으로 지속적으로 발생할 가능성을 염두하고 지속적인 모니터링이 필요함을 시사한다.