Ⅰ. 서 론
국내 농업용 저수지는 한국농어촌공사와 시군 지자체가 각각 관리하는 이원적 체계로 운영되고 있으며, 2022년 기준 약 17,106개의 저수지 중 한국농어촌공사가 관리하는 저수지는 3,421개, 시군 지자체가 관리하는 저수지는 13,685개에 달한다 (Nam et al., 2022). 공사 관리 저수지 중 약 1,800개소에는 자동수위계측기가 설치되어 10분 단위의 실시간 수위 데이터를 수집하고 있다. 반면, 시군 지자체가 관리하는 저수지의 경우 자동수위계측기 설치율이 낮을 뿐만 아니라, 저수지 제원의 저수지 규모, 제방 높이, 가용수량 등 기본 정보조차 체계적으로 확보되어 있지 않아 수문학적 분석 및 관리 계획 수립을 위한 기초 자료가 매우 부족한 실정이다.
대표적인 농업기반시설인 농업용 저수지에서는 안정적인 용수공급과 물관리, 이⋅치수를 활용한 가뭄 및 홍수와 같은 자연재해 관리 등이 이루어지고 있다 (Nam and Choi, 2014). 저수지의 효율적인 물관리를 위하여 저수지의 가용수량을 파악하는 것이 중요하며, 최근에는 원격탐사 자료를 활용한 저수지 수체 및 저수량 산정에 관한 연구가 국내외에서 활발히 수행되고 있다 (Babu and Rajam, 2020; Jeong et al., 2021; Lee et al., 2022; Chen et al., 2024). 현재 운용되고 있는 우리나라 저수지는 준공 이후 지속적인 저수지 내 퇴사량 증가 및 호우발생으로 인한 토사유입 등 용수공급 능력을 악화시키는 문제가 누적되고 있다. 이러한 변화를 해결하기 위하여 위성 및 드론 영상과 같은 공간정보를 활용하는 것은 공사 관리 저수지뿐만 아니라 대부분 계측이 이루어지지 않는 시군 관리 저수지의 기본 제원 및 수위 파악에 효과적이다 (Lee et al., 2023).
위성영상을 활용한 수체 탐지 및 변화 분석은 주로 광학 위성영상 또는 합성개구레이더 (Synthetic Aperture Radar, SAR)를 통해 다양한 연구가 수행되고 있다 (Ye, 2016; Ogilvie et al., 2018; Lee et al., 2020; Kim et al., 2022; Cho et al., 2023). 광학 위성영상의 경우 다양한 대역의 자료를 결합하여 산출된 정규수분지수 (Normalized Difference Water Index, NDWI)와 같이 지수 기반 방법을 주로 이용하며 (Moradi et al., 2017), 국내에서는 Landsat, Sentinel-2 시리즈를 활용한다. NDWI는 하천, 호수, 습지 등 다량의 수분을 함유한 지형지물을 위성영상을 통해 탐지하기 위하여 주로 사용된다 (Park et al., 2016; Yoon et al., 2021).
최근에는 Google Earth Engine (GEE)을 통한 클라우드 플랫폼을 이용하여 위성영상 자료의 접근성 및 활용성이 증가하였으며, 저수지 수체변화 및 분석에 이용되고 있다. JavaScript Code Editor 및 Python Google Colaboratory 등 클라우드 기반 컴퓨팅 인터페이스를 통해 다양한 분야의 연구를 수행할 수 있도록 관련 서비스를 제공하고 있다 (Cho, 2024). 또한, GEE를 활용하여 위성자료의 전처리 및 보정과 밴드 조합을 통해 NDWI와 같은 지수 산정이 가능하다. 이를 통해 GEE 기반 NDWI를 산정하여 저수지, 하천, 호수 등의 수체를 탐지하고 수표면적을 정량화하여 모니터링 및 변화 분석 연구가 수행되고 있다 (Sodhi et al., 2024; Karakus, 2025; Moumane et al., 2025).
현재 국내 농업용 저수지의 50% 이상이 1945년 이전에 축조되어 80년 이상 노후화되었으며 (Yoo and Park, 2007), 호우발생으로 인한 퇴사량 증가 및 토사유입 등에 따라 기존 수위-내용적 관계가 변화할 수 있다. 본 연구에서는 드론 및 수심측량을 활용하여 저수지 형상 변화를 파악하고, GEE 기반 Landsat, Sentinel-2 광학 위성영상을 활용하여 계측 기반 농업용 저수지에 대한 수체탐지 알고리즘을 검증하고자 한다. 또한, 50만 톤 미만의 유효저수량을 가진 소규모 저수지를 대상으로 수체탐지 알고리즘을 적용하여 토지피복도 기준 저수지 경계를 비교하고, 수위정보의 시계열 변화를 분석하여 미계측 저수지에 대한 활용성을 제시하고자 한다.
Ⅱ. 연구 방법
1. 연구 대상지역
연구 대상지역은 한국농어촌공사 관리 저수지 중 하나인 천태 (CT) 저수지와 시군 관리 저수지인 탄부 (TB), 봉동 (BD) 저수지로 선정하였다. 전국 농업용 저수지의 약 88%가 유효저수량 10만 톤 미만의 소규모 저수지로 분류되어 있지만 (Shin and Lee, 2012), 본 연구에서는 영상 활용성을 고려하여 50만 톤 미만의 시군 관리 저수지를 대상으로 선정하였다. 저수지 위치는 Fig. 1과 같으며, 천태 저수지는 충청남도 홍성군, 탄부 저수지는 강원도 춘천시, 봉동 저수지는 전라남도 신안군에 위치하고 있다. 한국농어촌공사가 관리하는 농촌용수종합정보시스템 (Rural Agricultural Water Resource Information System, RAWRIS)에서 제공된 대상 저수지 제원은 Table 1과 같으며, 탄부 및 봉동 저수지와 비교하여 천태 저수지의 저수량이 큰 반면, 만수면적은 봉동 저수지가 더 큰 것으로 나타났다.
2. 연구자료
가. GEE 기반 위성영상 및 자료
본 연구에서는 저수지 수체탐지 및 변화 분석을 위해 GEE 기반 Landsat과 Sentinel-2 광학 위성영상을 사용하였다. 자료는 Earth Engine Data Catalog를 통해 제공되는 시리즈별 Landsat 및 Harmonized Sentinel-2 Multispectral Instrument (MSI) 영상 중 대기상층 반사도 (Top of Atmosphere reflectance, TOA) 이미지를 선택하였으며, GEE 상에서 가용한 이들 위성 자료의 범위는 Table 2에 제시하였다. GEE에서 제공하는 각 위성의 TOA 반사도 이미지 내 여러 밴드의 조합으로 NDWI 등 원하는 영상의 처리분석이 가능하다 (Cho and Noh, 2024). 또한, 광학위성 영상 분석에서 산출된 저수지 수체 영역에 대한 검증 및 분석의 목적으로 GEE에서 제공하는 유럽연합 Joint Research Centre (JRC)의 Global Surface Water 자료를 이용하였다. 본 자료는 1984년부터 2021년까지 Landsat 5, 7 및 8에서 얻은 광학영상을 사용하여 분석된 전세계 수표면의 위치 및 시간적 분포를 도시한 것으로, 해당 수면의 범위와 변화에 대한 계절성, 반복성, 최대 범위 등 통계적 파악이 가능하다 (Pekel et al., 2016).
Table 2
Landsat and Sentinel-2 Top of Atmosphere reflectance in Google Earth Engine
나. 위성영상 기반 수체탐지 검증 자료
GEE 기반 광학 위성영상을 활용한 수체탐지 검증을 위해 계측정보를 활용하였다. 천태 저수지의 경우, RAWRIS에서 저수지가 축조된 2006년 3월 15일부터 2023년 12월 31일까지의 일별 저수율 자료 및 수위-내용적 조견표를 취득하였다. 드론을 이용한 광학 영상 자료를 취득하기 위하여 Quantum Trinity F90+를 활용하였으며, 약 6.5 cm 공간해상도를 기준으로 다분광 영상 자료를 확보하였다. 또한, 내용적 자료를 재산정하기 위하여 GEOSONAR-S2 무인수상선과 Norbit iWBMS 멀티빔 음향측심기를 통해 정밀 수심자료를 취득하였다. 이를 통해 최신화된 만수면적, 유효저수량 등을 이용하여 위성영상 기반 수체탐지 결과를 비교하였다.
탄부 및 봉동 저수지는 국립재난안전연구원에서 제공받은 분 단위 수위 자료를 사용하였다. 탄부 저수지의 경우 2020년 5월 21일부터 2023년 9월 7일까지, 봉동 저수지의 경우 2020년 6월 12일부터 2023년 12월 31일까지의 일별 수위 자료로 재산정하였다. 연, 월 단위 분석이 가능한 2021년, 2022년을 고려하였으며, 해당 기간의 위성영상 기반 수체탐지 결과를 도출하여 비교하였다. 또한, 환경부 환경공간정보서비스에서 제공하는 토지피복도 세분류를 활용하여 시군 관리 저수지의 만수면적에 대한 검증을 수행하였다.
3. 수체탐지 방법론
가. 정규수분지수 (Normalized Difference Water Index, NDWI)
본 연구에서 Landsat 및 Sentinel-2 광학 위성영상을 활용하여 수체 영역을 추출하는 방법은 NDWI를 기반으로 하고 있다. NDWI는 지표의 수분함량에 따른 분광 특성을 이용하는 지수로, 수체에 반사가 잘 되는 녹색광 (GREEN)과 수체에 흡수가 잘 되며 식생과 토양에서 반사도가 높은 근적외선 (Near InfraRed, NIR)을 활용하여 식 (1)과 같이 계산된다 (McFEETERS, 1996).
여기서 GREEN은 반사된 녹색광을 포함하는 대역이고, NIR은 반사된 근적외선 대역을 의미한다. 이 식을 통해 계산된 NDWI 이미지는 임계값을 기준으로 임계값 이하의 값은 식생과 토양을 의미하며, 초과 값은 수체를 의미한다.
나. 수체탐지 및 수표면적 산정 알고리즘
본 연구에서는 Cho and Noh (2024)의 연구에서 제시한 방법론을 활용하여 수체탐지를 수행하고 저수지 수표면적 값을 산출하였다. Fig. 2는 저수지의 수표면적을 산정하기 위해 수행한 전체 작업 과정을 나타낸 것으로, NDWI와 GEE에서 제공하는 Canny Edge Detection 알고리즘을 활용하여 수체 영역을 분석하고 경계를 추출하는 것이 핵심이다. 영상 분석에서 사용되는 Otsu 임계값 설정 방법을 적용하여 최종적으로 수체 영역을 구분하고 해당 저수지의 수표면적을 산정한다.
Fig. 2
Schematic overview of the process for reservoir surface water area computation (Cho and Noh, 2024)
Fig. 2에 나타난 각 분석 과정에서 중요한 고려 사항은 먼저 구름의 영향을 최소화한 위성영상을 사용하기 위해, 해당 자료의 Quality Assurance (QA) 밴드를 활용해 이미지를 선별하는 것이다. Sentinel-2 위성의 경우 QA60 밴드에 구름 정보를 담고 있는데, 이 QA60 밴드는 16비트 (Bit)의 이진 마스크 (binarized mask) 형태로 구성되어 있으며, Bit 10과 Bit 11이 각각 불투명한 구름 (opaque clouds)과 권운 (cirrus clouds)의 존재 여부를 표시하는 데 사용된다. 또한 Landsat 위성의 경우, GEE에서 제공하는 “ee.Algorithms.Landsat.simpleCloudScore”를 이용하여 QA_PIXEL에 각 Bit 별로 나와 있는 구름 영역을 판별하고, 이를 기반으로 클라우드 마스킹 (Cloud Masking)을 적용한 이미지 셋을 생성한다. 이러한 이미지를 바탕으로 NDWI를 계산한 후, NDWI 이미지의 경계를 추출하기 위해 GEE의 “ee.Algorithms.CannyEdgeDetector” 알고리즘을 적용한다. 경계 검출 단계에서 그 임계값 (cannyThreshold)은 0.5, 가우시안 필터의 표준편차 (σ)는 0.7로 설정하였다. σ 값이 커질수록 이미지의 노이즈가 줄어들고 경계가 더욱 뚜렷하게 나타나지만, 동시에 세부적인 정보는 일부 손실될 수 있다. Canny Edge Detection 알고리즘은 설정된 임계값을 초과하는 경계만을 추출한다.
NDWI 이미지를 기반으로 각 픽셀의 수체 여부를 판단하기 위해 Otsu 방법을 활용해 자동 임계값을 산정하였다. 이때, 산출된 임계값이 -0.15보다 낮으면, 최소값인 -0.15를 적용하여 수체와 비수체를 구분하였다. 추가적으로, NDWI에서 추출된 경계선의 각 셀에 대해 JRC 수면 발생 빈도 (water occurrence) 값을 확인하였다. 이는 NDWI에서 구름이나 기타 요인으로 인해 수체로 분류되지 않은 실제 수면 영역을 보완하기 위한 조치로서, GEE의 Canny Edge Detector로 검출된 NDWI의 가장자리 모든 격자의 JRC 레이어 값을 확인하여 백분위수 (percentile, p) 기준 50, 즉 중위수에 해당되는 JRC 레이어 발생빈도의 전 영역을 참조하여 수체 분석을 보완한 것으로 이와 같은 절차를 통해 누락된 수체 영역까지 효과적으로 보정할 수 있다. 한편, 드론 영상의 경우 Canny Edge Detection을 통한 수체 영역 분석 및 경계 추출에 대한 과정을 생략하고 Otsu 임계값만을 활용하여 NDWI를 산정하였다.
Ⅲ. 적용 및 결과
1. 영상 기반 수체탐지 결과
가. 위성 및 드론 영상 기반 저수지 경계 비교
Fig. 3은 천태 저수지 수체탐지 및 수표면 경계를 비교하기 위한 그림으로 드론을 활용한 NDWI와 드론 영상 촬영일 (2023년 5월 9일) 기준 가장 가까운 시기인 2023년 5월 2일 위성영상 NDWI 기반 수체탐지 결과를 나타내었다. 또한, 한국농어촌공사의 농업기반시설관리 (Rural Infrastructure Management System, RIMS)의 수표면 경계를 제시하여 두 영상의 결과를 비교하였다.
Fig. 3
Comparison of Normalized Difference Water Index derived from satellite (a) and drone (b) imagery with existing water body boundaries (c)
각 수체탐지 결과는 드론 영상 기반 NDWI의 경우 저수지 경계에 대한 인식 없이 Otsu 임계값만을 활용하였기 때문에 인근 마을의 시설물 일부를 수체로 분류하였다. 하지만 저수지 경계 안의 수체 및 여수로, 주변 늪지 또는 연못 등 실제 물로 인식되는 부분은 위성영상 기반 NDWI 결과와 유사하며, 저수지 곳곳에 제방, 수초 및 기타 식생 등에 의한 경계선도 유사하게 나타났다.
두 NDWI의 큰 차이점은 저수지 상단 부분이다. Fig. 3 (c)에서 알 수 있듯이 저수지 북서쪽에 위치한 교량 (행정2교)을 기준으로 수표면적이 구분되어 있으며, 실제 현장에서는 교량 아래를 통해 물이 흐르고 드론 정사영상과 같이 물이 분포하고 있다. 하지만 수초 및 기타 식생이 만연하여 영상으로 파악하는 것에 한계가 있다 (Lee et al., 2023). 이에 대해 위성 및 드론 영상을 활용한 NDWI의 결과도 각각 다르게 나타났다. 위성영상 기반 NDWI 결과는 대부분 물이 모여있는 부분을 수체로 인식하여 표출하였다. 반면 드론 영상 기반 NDWI의 경우 물이 모여있는 곳과 연결되는 부분을 수체로 인식하였다. 이러한 결과는 두 영상의 공간해상도 차이로 인해 발생한 것으로 사료되며, 본 연구에서 제시하는 수체 분류 알고리즘을 통해 상대적으로 저해상도인 위성영상을 활용하여 고해상도 드론 영상과 유사한 저수지 수체 경계 구분이 가능하다고 판단하였다.
나. 시계열 수표면적 비교
GEE를 통해 취득할 수 있는 시계열 위성영상 자료를 활용하여 천태 저수지의 수표면적 변화를 Fig. 4와 같이 제시하였다. 기존 RAWRIS에서 제공하는 내용적 및 일저수율 자료를 활용하여 수표면적으로 환산하였으며, 수심측량을 통해 기존 내용적 자료를 재산정한 수표면적도 환산하여 위성영상 기반 수표면적과 비교하였다.
기존 수위-내용적 조견표를 활용한 천태 저수지 만수위 수표면적은 약 24.9 ha이며, 수심측량을 통해 재산정한 만수면적은 약 25.2 ha이다. 반면 위성영상 기반 수표면적의 경우 만수위인 시기를 대상으로 평균 약 28.8 ha로 나타났으며, 최대 약 38 ha까지 수표면적을 산정하였다. 기존 및 재산정한 내용적 기준 수표면적과 비교하여 위성영상 기반 수표면적은 면적의 변화 폭이 크게 나타났으며, 만수위일 때 면적이 과다 추정되는 경향을 보였다. 내용적 기준 만수면적과 비교하여 큰 차이를 보이는 이유는 취수탑과 같은 수위계 설치 지점의 정보만을 활용하기 때문에 전체 저수지 수체의 변화를 파악하는 것에 한계가 있을 수 있으며, 수위-내용적 관계를 활용하여 수표면적으로 환산하는 과정에서 오류가 있을 수 있다. 가장 핵심적인 이유로는 실제 계측 기반 저수율이 만수위를 기준으로 하여 수위가 더 높아질 경우 자연월류식 물넘이 구조로 인해 홍수위 수준의 수표면적에 대하여 취급하지 않기 때문에 내용적 기반 최대 수표면적과 위성영상 기반 최대 수표면적 사이의 차이가 크게 발생하는 것으로 판단된다. 실제로 기존 및 재산정한 내용적 기준 홍수위 수표면적은 각각 약 30 ha, 28 ha로 만수위 시기 위성영상 기반 평균 수표면적인 약 28.8 ha와 유사한 것을 알 수 있다.
농업용 저수지 운영 특성상 관개 및 비관개 시기에 따라 영상 활용성을 평가하기 위하여 Fig. 5와 같이 시기별 결정계수 (R square)를 제시하였다. 농업용 저수지는 일반적으로 겨울철 만수위를 유지하여 차년도 관개를 대비하고, 4월부터 용수공급을 통해 저수량이 감소한다. 9월 즈음에는 낙수 이후 저수량을 점차 회복하여 겨울철 저수율 100%를 유지할 수 있도록 운영한다. 이러한 특징에 따라 12월~2월은 만수위가 유지되는 시기, 5월~7월은 저수량 감소, 9월~11월은 저수량 회복 시기로 구분하여 각각의 결정계수를 나타내었다. 위성영상 기반 수표면적과 기존 수위-내용적 기반 수표면적 및 수심측량 기반 재산정한 수표면적 사이의 전체 시기 결정계수 값은 0.49, 0.44로 나타났으며, 0.4 이상의 값을 나타내었다. 일반적으로 저수량이 감소하는 5월에서 7월까지의 결정계수 값이 0.76, 0.69로 가장 높았으며, 저수량이 회복하는 9월부터 11월까지는 각각 0.50, 0.41로 다소 낮은 결과를 보였다. 만수위 시기인 12월부터 2월까지는 0.3 이하로 나타나면서, 다른 시기와 비교하여 상대적으로 위성영상을 활용한 수표면적의 변화가 내용적 기준 수표면적의 변화를 설명하지 못하는 것으로 나타났다. 이러한 결과는 앞서 언급한대로 홍수위 수준의 수표면적 자료 부재에 따라 차이가 크게 나타나는 것일 수 있으며, 만수위 시기에는 수면이 식생 지역까지 침범하면서 수표면과 식생이 혼합된 픽셀로 인해 알고리즘의 정확도 저하로 이어진 것으로 판단된다.
2. 시군 관리 저수지 적용
가. 대상 저수지 만수면적 비교
Fig. 6은 탄부 및 봉동 저수지 수표면적을 나타낸 것이며, 탄부 저수지의 경우 Landsat-7, Sentinel-2 기반 NDWI를 활용하여 면적을 산출하였다. 탄부 저수지의 RAWRIS 기준 만수면적은 2 ha이지만, 위성영상 기준 수표면적은 최대 약 2.9 ha (2008년 12월 15일)까지 나타났다. 봉동 저수지의 경우 Landsat 5, 7, 8, 9, Sentinel-2 기반 NDWI를 활용하여 면적을 산출하였으며, 위성영상 기준 수표면적은 최대 약 27 ha (2018년 3월 29일)로 나타났다. 하지만 RAWRIS 기준 만수면적은 41 ha로 큰 차이가 나타나는 것을 알 수 있다.
Fig. 6
Comparison of reservoir boundaries based on the Normalized Difference Water Index and land cover for TB (a, b) and BD (c, d)
시군 관리 저수지의 경우 공사 관리 저수지와 다르게 공식적인 저수지 경계 자료가 없기 때문에 토지피복도 (LC)의 수체 항목과 비교하였으며, RAWRIS 결과와 다르게 나타났다. 토지피복도 기준 탄부 저수지의 만수면적은 약 2.9 ha로 위성영상 기준 최대 수표면적과 유사하게 나타났다. 봉동 저수지는 토지피복도 기준 만수면적이 약 25 ha로 RAWRIS 기준 만수면적과 크게 차이가 나타났으며, 위성영상 기준 최대 수표면적과 유사한 것을 확인하였다. 이를 통해 저수지 규모가 작은 시군 관리 저수지에서도 위성영상을 활용하여 만수면적에 대한 정확도 높은 정보를 활용할 수 있을 것으로 사료된다.
나. 수표면적-수위 변화 비교
탄부 및 봉동 저수지의 위성영상 기반 수표면적과 실제 계측 수위의 변화를 비교하기 위하여 Fig. 7과 같이 나타내었다. Fig. 7의 (a)와 (c)는 시계열 변화를 나타낸 것이며, (b)와 (d)는 수위 범위에 대한 구간별 면적 분포를 box plot 형태로 나타낸 것이다. 탄부 저수지는 전반적으로 위성영상 기반 수표면적이 수위 변화와 매칭되지만, 2022년 7월부터 11월 구간은 수위가 매우 복잡하게 변동함에도 위성 관측일이 드물어 데이터 공백이 발생하였다. 이 시기 산정된 면적은 신뢰도가 낮아 별도 보정이 필요할 것으로 판단된다. 수위 구간별 면적 분포는 137.0~139.0 EL.m 구간의 Inter Quartile Range (IQR) 값이 가장 작게 나타나면서 해당 구간의 수표면적 분포 변동성이 낮았다. 다만, 중앙값이 3사분위수에 위치하여 분포가 다소 비대칭적으로 나타났으며, 이는 해당 구간에서 수표면적 예측 시 상위 면적 범위로 편향될 가능성을 시사한다. 반면 143.0~145.0 EL.m 구간은 IQR 값이 약 0.4 ha로 가장 크게 나타나면서 수표면적의 큰 변동성으로 인해 상대적으로 불안정한 수위 범위로 판단된다. 수위가 증가함에 따라 중앙값이 단선형으로 증가하지 않고 완만한 상승 형태를 나타내고 있다.
Fig. 7
Time series changes of satellite-derived water surface area and observed water level (a, c), and area distributions by water level intervals (b, d) for TB (a, b) and BD (c, d)
봉동 저수지는 대부분의 구간에서 수표면적의 중앙값이 수위 증가에 따라 점진적으로 증가하는 경향을 보였다. 최저 및 최고수위 구간에 대한 IQR 값은 각각 약 3 ha, 9 ha로 높게 나타나면서 불안정한 구간으로 나타났다. 2.6~4.0 EL.m 구간은 일관된 분포를 통해 IQR 값이 약 2 ha 이하로 나타났으며, 중수위 구간의 안정적인 분포를 통해 계절별⋅운영별 수위 변동이 뚜렷한 것으로 나타났다. 탄부 및 봉동 저수지 모두 최저 및 최고수위 구간보다 중수위 구간에서 안정적인 분포를 나타내었다. 또한, 수위가 증가함에 따라 비선형적인 S자형 증가 패턴을 보이며, 이는 저수지 저면 지형과 식생 및 토질 특성에 따라 저수지 면적이 수위 구간에 따라 증가 및 감소 폭이 크게 달라지는 것을 의미한다.
2021년~2022년 2년간 대상 저수지별 수표면적-수위의 관계를 Table 3과 같이 월별, 연별 상관분석 결과로 나타내었다. 2년간 상관계수는 0.35인 탄부 저수지에 비해 0.61인 봉동 저수지가 높았으며, 연별 상관계수의 경우 탄부 저수지가 2022년 0.96으로 매우 높게 나타났다. 이러한 이유는 탄부 및 봉동 저수지 모두 관개기 및 장마기간이 겹쳐있는 5월부터 8월 사이에 위성영상 기반 수표면적과 계측 기반 수위정보 사이에 매칭되는 시기가 적기 때문에 비교할 수 있는 자료가 부족하였으며, 저수율이 회복되는 10월 이후 만수면적을 유지하는 겨울 및 봄철에 상관성이 높은 것을 확인하였다. 봉동 저수지의 경우 6, 7월을 제외한 시기에 대하여 상관분석이 가능하였으며, 5월, 8월, 10월을 제외하고 0.4 이상의 상관계수를 나타내었다. 특히, 탄부 저수지와 마찬가지로 11월, 12월 상관계수가 가장 높게 나타났으며, 해당 시기는 대부분 수위가 상승하는 시기인 것으로 나타났다. 이러한 결과는 저수량이 감소하는 5월에서 7월까지의 상관계수가 가장 높은 천태 저수지와 반대되는 양상이다. 따라서 위성영상을 활용하여 저수지 수체 변화를 모니터링할 경우 저수지 경계 및 만수면적에 대한 정확도는 높은 반면, 수위의 증감에 따른 저수량 변화에 대해서는 향후 향상된 수체 분류 알고리즘을 적용할 필요가 있는 것으로 사료된다.
Ⅳ. 결 론
본 연구에서는 GEE 기반 광학 위성영상의 분광특성을 고려하여 NDWI를 산정하고, 저수지 수체 경계를 설정할 수 있는 Canny Edge Detection 및 이진화 알고리즘 기반 수체탐지 기법인 Otsu 기법을 활용하여 대상 저수지의 수체 변화를 분석하였다. 또한, 드론 및 토지피복도, 실제 계측 수위 및 저수율 자료 등과 비교하여 수체 분류 알고리즘의 활용성 평가를 수행하였다.
공사 및 시군 관리 저수지로 분류하여 수체탐지 변화를 분석한 결과, 기본 제원과 비교하여 위성영상을 통해 추출된 저수지 수체 경계는 드론 및 토지피복도를 통해 현행화된 경계와 유사하게 나타났다. 또한, 면적 규모에 따라 만수면적에 대한 정확도 차이가 있을 것으로 예상하였지만, 기존 수위-내용적 조견표 및 만수면적과 비교하여 위성영상을 통해 추출된 저수지 만수면적은 보다 높은 정확도를 나타내었다. 이를 통해 미계측 저수지에 대한 최대 수표면적을 산정하여 최대 가용수량을 파악할 수 있을 것으로 판단된다.
대상 저수지 만수면적에 대한 높은 정확도를 보인 반면, 수위가 변화하는 시기에는 위성영상 기반 수표면적과 계측기반 수위 사이의 상관성이 낮아지는 경향을 보였다. 경우에 따라 천태 저수지는 수위가 감소하는 시기, 탄부 및 봉동 저수지는 수위가 상승하는 시기에 상관성이 높게 나타났다. 만수면적에 대한 높은 정확도와 다르게 최저 및 최고수위에 대한 위성영상 기반 수표면적의 분포는 불안정하게 나타났으며, 중수위 구간의 면적 분포가 안정적으로 나타났다. 이러한 이유는 최저수위의 경우 저수지의 저면 형상 및 저수지 바닥의 지형적 특성에 의존하여 수심 변화가 크게 나타나기 때문일 수 있으며, 최고수위의 경우 수변 경계와 식생 피복의 혼합된 픽셀로 인해 수체 경계를 탐지하는 알고리즘의 정확도 저하가 원인이 될 수 있다. 따라서 수치표고모델을 이용한 3차원적 모델링과 같이 지형적 특성을 반영할 수 있는 방안이 필요하며, 본 연구에서 제시한 알고리즘의 임계값을 조율하여 정확도 개선이 가능할 것으로 판단된다. 또한, 소규모 저수지일수록 공간해상도에 따라 저수지 경계 또는 수체가 명확하게 분류되지 않을 수 있으며, 저수지 가장자리에 얕은 물이나 미세한 수위 변화를 파악하는 것에 한계가 있다. 특히, 광학 위성영상의 경우 구름, 안개, 식생, 수초 등 외부요인의 영향에 민감하기 때문에 향후 SAR 영상과 결합하여 단점을 효과적으로 보완할 수 있을 것으로 사료된다.
