Ⅰ. 서 론
하천의 지형 정보는 수문학적 해석, 홍수 예측, 수리해석, 생태환경 분석 및 복원 등 다양한 목적의 기초 자료로 필수적이다. 특히 도시 하천이나 농업용 수로 등 정비와 지속적인 모니터링이 요구되는 구간에서는 고정밀의 수치 지형 모델이 선행되어야 한다. 기존의 하천 지형 측량은 주로 EDM (Electronic Distance Measurement)을 이용한 하천 단면측량에 의존해 왔으나, 이 방식은 측정 지점 간의 연속성이 부족하고, 접근이 어려운 지역에서는 시간이 오래 걸리고 안전상의 문제가 존재한다 (Lee and Kim, 2022; Gou et al., 2024).
최근에는 UAV (Unmanned Aerial Vehicle)를 활용한 항공 사진 기반 측량기법이 주목받고 있다. 하지만 물의 표면은 빛의 굴절과 반사에 영향을 받아 UAV로 촬영한 영상에서 수면 하부 지형에 대한 정확한 고도 정보를 추출하는 데 어려움이 따르며, 이러한 단점을 극복하기 위해 다양한 연구들이 진행되어 왔다. Holman et al. (2017)은 천해역에서 UAV 기반 영상으로부터 파도의 위상속도와 파장을 이용하여 수심을 간접적으로 추정하였고, Yi et al. (2016)은 UAV 항공사진의 적색, 녹색, 청색의 반사도 값을 이용하여 수심을 추정하는 모델을 개발하였다. 그러나 위 연구에서는 모두 수심을 간접적으로 추정하였으며 3차원 지형 모델링을 통한 DTM (Digital Terrain Model) 생성 방법을 제시하지 않았다는 한계가 있다.
UAV 기반 DTM 생성 기법으로는 대표적으로 LiDAR (Light Detection and Ranging) 방법과 SfM (Structure from Motion) 방법이 있다. LiDAR 방법은 지표면에 레이저 펄스를 발사하고, 그 반사시간을 통해 지상의 지점과의 거리를 계산하는 방식으로, 조밀하고 연속적인 포인트 클라우드를 빠르게 수집할 수 있다는 장점이 있다 (Liu, 2008; Zhou et al., 2022; Seo et al., 2024). 그러나 LiDAR 센서가 주로 사용하는 NIR 파장은 수면에서 반사되어 수심을 추정하는 것이 물리적으로 불가능하며, 수면을 투과할 수 있는 녹색 파장대를 이용한 G-LiDAR는 고가의 비용으로 범용적으로 사용하기 어렵다는 한계가 있다 (Guenther et al., 2000; Seo et al., 2024). SfM 방법은 다수의 중첩된 항공 사진을 정합하여 공통 특징점을 추출하고, 이를 기반으로 카메라 위치와 대상체의 3차원 형상을 동시에 추정하는 방식이다 (Barba et al., 2019). LiDAR와 달리 수면 아래의 포인트 클라우드를 생성하는 것이 가능하기 때문에, 여러 선행연구에서 수질이 맑고 수심이 얕은 하천의 DTM 생성을 시도한 바 있다 (Barba et al., 2019; Gou et al., 2024).
Gou et al. (2024)는 LiDAR와 SfM 방법을 이용하여 하천에서의 DTM을 생성하였으나, 수표면에서의 굴절을 보정하지 않았다. Kim et al. (2017)은 저수지에서 SfM 방법을 이용하여 저수지의 지형모델을 생성하였으나 수면 아래에서의 정확도를 확인하지 않았다. Dietrich et al. (2016)은 수면고와 드론의 촬영 자세를 이용하여 빛의 굴절을 이용한 수면 아래 포인트 클라우드의 보정 방법을 제시하여 얕은 하천에서의 DTM을 생성하였으며, Grenzdörffer and Naumann (2016)는 같은 방식을 이용하여 호수에서 DTM을 생성한 바 있다. 하지만 위 두 논문에서 모두 수표면에서 발생하는 빛의 반사로 인한 오차를 주요 한계점으로 제시하고 있다. 한편 수면에서의 반사를 줄일 수 있는 대표적인 방법으로 편광 필터 기법이 널리 알려져 있으며, Venkatesulu et al. (2025)는 반사광이 완전히 수평 편광되는 Brewster 각 (약 56.3°)에서 수직 편광 필터를 사용할 경우 대비 향상이 가장 크다고 밝힌 바 있다. 하지만 편광필터 기법을 하천 DTM 생성에 적용한 연구는 부족한 실정이다.
본 연구에서는 도시 하천을 대상으로 편광 필터를 장착한 UAV 영상을 이용하여, SfM 기법을 통해 하저 포인트 클라우드를 생성한 뒤, 물에서의 반사로 인한 왜곡을 보정하여 하천 DTM을 생성하는 것을 목표로 하였다.
Ⅱ. 재료 및 방법
1. 연구 흐름도
본 연구의 흐름도를 Fig. 1에 나타내었다. Phantom 4 Advanced 드론을 활용하여 항공 영상을 취득하고, EDM을 이용한 삼각 측량을 통해 GCP (Ground Control Point)와 Ground truth 점들을 확보하였다. 이후 GCP를 바탕으로 SfM 기법을 이용해 포인트 클라우드를 생성하였다. 하천 수면에서의 굴절에 의해 발생하는 고도 오차를 보정하기 위해 포인트 클라우드에 대한 굴절 보정을 수행하였으며, 보정된 포인트 클라우드는 5 cm × 5 cm 픽셀 내에서 최저점을 선택하는 방식으로 하천 바닥의 DTM을 구축하였다. 이때 빈 픽셀은 IDW (Inverse Distance Weighting) 방식으로 보간하였다. 정확도 평가는 MAE (Mean Absolute Error), RMSE (Root Mean Square Error), MAPE (Mean Absolute Percentage Error)를 활용하여 수행되었다.
1. 대상 지역 선정 및 포인트 클라우드 획득
본 연구의 대상지는 경기도 과천시 (37°452’N, 127°002’E)에 위치한 양재천 유역의 약 300m 구간으로, 서울 지하철 4호선 선바위역과 인접한 도심형 수계 지역이다 (Fig. 2 (a)). 해당 하천 구간은 양안에 교량, 식생, 인도, 철도 구조물 등이 혼재되어 있어 도심 하천으로서의 복합적인 지형적 특성을 지니고 있다. 또한 수면이 넓지 않지만 조도와 반사율이 높아 영상 촬영 시 수면 반사로 인한 정합 오류 발생 가능성이 크다. 측량은 2025년 4월 7일에 실시하였으며, 측량시점에서 최고기온은 20℃, 최고 풍속 5.1 m/s, 운량은 0이었다.
Fig. 2
Location of the target area with Seonbawi Station (a) and the corresponding elevation profile along the centerline (b). The yellow dots indicate the GCPs, red dots indicate the Ground truth points, light blue line indicates the center line of the Yangjae stream, and purple lines indicate the cross-section line for validation
현장 측량은 드론 촬영과 EDM을 병행하여 수행하였다. 드론 촬영은 DJI의 Phantom 4 Advanced를 사용하였다. 촬영은 해상도 2 cm/pixel, 종 중첩도 75%, 횡 중첩도 60%로 설정하였으며, 편광필터를 적용하지 않은 경우와 적용한 경우 두 차례에 걸쳐 촬영하였다. 편광필터를 적용하지 않은 경우는 카메라 각도를 천저방향 (nadir)으로 촬영하였으며, 편광필터를 적용한 경우는 카메라 각도를 Brewster 각을 적용하기 위해–35°로 설정하였다.
GCP는 실제 좌표를 알고 있는 점의 위치를 사진상에서 인식하기 위해 표시한 대공표지로, GCP 보정은 정밀도 높은 DTM 생성을 위해 필수적이다 (Kim et al., 2017). GCP는 Topcon사의 ES-52 장비를 이용한 EDM 측량을 통해 확보하였으며, 하천 인근의 국가수준점과 보조수준점을 이용하여 삼변측량을 통해 계산하였다. GCP의 경우 1 m × 1 m 크기로 설치하였으며, 국가수준점과 보조수준점 역시 GCP로 활용하였다. 생성한 GCP의 위치를 Fig. 2에 노란 점으로 도시하였다. GCP의 좌표는 컴퍼스 법칙과 간이법을 이용하여 각각 평면 위치와 높이의 정밀도를 확보하였다. Ground truth 좌표는 GCP를 기준으로 하여 EDM을 이용해 총 16개의 지점을 측정하였다. 측정한 Ground truth의 위치를 Fig. 2에 붉은 점으로 도시하였다.
촬영한 사진과 GCP는 Pix4D의 Pix4Dmapper (ver. 4.8.4)의 입력자료로 사용되었다. 포인트 클라우드는 3차원 공간의 물체나 지형을 수많은 점으로 표현한 데이터 집합이다 (Zhou et al., 2022). Pix4D는 중첩된 사진에서 특징점을 찾아 이를 SfM 방식으로 3차원 위치를 계산한 뒤, GCP를 기준점으로 삼아 보정하여, 이들을 모아 포인트 클라우드를 형성하는 역할을 한다. 이미지의 스케일은 원본 이미지 해상도 크기로 설정하였으며, 포인트 클라우드 생성 시 밀도 설정은 ‘높음 (High Density)’으로 설정하여 최대한 정밀한 지형 정보가 추출되도록 하였다. 편광필터를 적용하지 않았을 경우 생성된 포인트 클라우드의 밀도는 4,294.4 points/m2이었으며, 편광필터 적용 시 생성된 포인트 클라우드의 밀도는 2,845.7 points/m2이다.
2. WSE 생성 및 수심 보정
수표면에서 빛의 굴절을 보정하기 위해서 수표면의 고도를 파악하는 것이 필수적이다. 본 연구에서는 Bandini et al. (2019)의 연구를 참고하여 수표면 추정 방법 중 가장 정확도가 높은 중심선법을 사용하였다. 중심선법은 하천의 중심을 따라 추출한 물의 높이를 해당 하천의 물의 높이로 가정하는 방법이다. 본 연구에서는 10 cm 격자 내 최고점을 해당 격자의 높이로 할당하는 래스터 (raster) 과정을 수행한 뒤, 이를 하천의 중심선이 위치한 격자의 높이를 하천의 WSE (Water Surface Elevation)로 설정하였다. 하천의 중심선을 대상지역인 양재천 지도상에 도시한 그림과 중심선 부분에 대한 높이 분포를 나타낸 그림을 각각 Fig. 2(a)와 (b)에 나타내었다.
3. DTM 생성 및 정합 보정
생성된 포인트 클라우드는 Dietrich et al. (2016)에서 제시된 수심 보정 기법을 이용하여 굴절오차를 보정하였다. Fig. 3은 단일 카메라 포인트 조합에 대해 공기 (
= 1.0)와 수중 (
= 1.33) 간 굴절이 발생하는 경우의 광선 경로 및 수직 위치 보정 원리를 도식화한 것이다. 그림에서 
는 카메라의 위치를, 
는 수중 포인트의 위치를, 
는 수중 포인트의 굴절 보정 전 관측된 위치를 의미한다. 
는 수표면 높이, 
는 굴절 보정 후의 실제 수심, 
는 굴절되지 않은 관측 수심, 𝑟과 𝑖는 각각 공기와 물에서의 입사각 및 굴절각을 의미한다. 수직 보정은 Snell의 법칙을 기반으로 하며, 일반적인 조건에서는 다음과 같은 단순화된 보정식 (1)을 사용할 수 있다.
Fig. 3
Trigonometry of the refraction angles for a single camera and point combination. Adapted from Dietrich et al. (2016)
수표면 굴절 오차를 보정한 포인트 클라우드는 10 cm × 10 cm 해상도의 DTM으로 변환되었다. 이때 10 cm × 10 cm 그리드 내에서 최저 고도값을 대표값으로 설정하였다. 한편 해당 그리드 내에 포인트 클라우드가 존재하지 않는 경우는 IDW 보간 기법을 적용하였다. 이를 통해 최종적으로 SfM 기반 편광필터 적용 및 굴절률 보정 DTM을 완성하였다.
4. 정확도 평가
본 연구에서는 네 가지 조건에 대해 DTM의 수직 정확도를 평가하였다. (1) Non-filtered (2) Filtered, (3) Non-filtered cal, (4) Filtered cal 으로 명명하였으며, 각각 편광필터 없음 & 굴절보정 없음, 편광필터 있음 & 굴절보정 없음, 편광필터 없음 & 굴절보정 있음, 편광필터 있음 & 굴절보정 있음에 해당된다.
정확도 평가는 UAV 기반 편광 영상으로 생성된 DTM과 EDM 장비를 이용해 측정한 16개의 Ground truth 값 간의 차이를 기반으로 수행되었다. 정확도 분석을 위해 본 연구에서는 식 (2)와 (3)과 같이 대표적인 해석 지표인 MAE, RMSE, MAPE를 사용하였다.
여기서 
은 점의 개수, 
는 EDM으로 측정한 Ground truth 점의 수심, 
는 DTM의 수심을 의미한다.
또한 Fig. 2(a)의 보라색 선과 같이 두 개의 검증용 단면을 설정하여 4가지 케이스의 DTM 생성 양상을 분석하였다. 두 단면 모두 수심 측량이 이루어진 장소 인근으로 지형적 특성을 반영하여 선정하였다. 첫 번째 단면은 하천 폭이 좁아 유속이 빠르고 수심이 0.5 - 1 m 내외로 깊은 반면, 두 번째 단면은 하천 폭이 넓어 유속이 느리고 수심이 0.5 m 내외로 얕은 편이다.
Ⅲ. 결과 및 고찰
1. 편광 필터의 UAV 영상 수표면 난반사 개선 효과 분석
Fig. 4는 편광필터 장착 전후 UAV 영상을 비교한 사진이다. 편광필터를 장착하지 않은 사진은 오후 3시 30분경 촬영되었으며, 편광필터를 장착한 사진은 오후 4시 30분경 촬영되었다. 편광필터를 장착하지 않은 Fig. 4(a)와 (c)에는 태양빛의 반사로 인해 수면이 하얗게 빛나는 현상이 보인다. 이는 태양빛이 수표면에서 난반사되어 발생한 것으로, 이로 인해 수표면 아래의 강바닥이 잘 보이지 않는 것을 확인할 수 있다. 반면 편광필터를 장착하고 촬영한 Fig. 4의 (b)와 (d)를 보면 수면이 하얗게 빛나는 현상이 편광필터를 장착하지 않은 경우에 비해 확연히 적어진 것을 확인할 수 있다. 따라서 편광필터를 적용한 UAV영상을 이용해 SfM방법을 적용하면, 난반사의 영향을 제거하여 하천 DTM 생성의 정확도 향상을 기대할 수 있을 것으로 보인다.
2. 하천 DTM 생성 정확도 분석
Table 1은 편광필터 적용 유무, 수표면 굴절 보정 유무에 따른 16개 지점에서의 수심과 해당 수심들의 MAE, RMSE, MAPE 나타낸 표이다. 전반적으로 편광 필터가 적용된 조건 (Filtered)에서 생성된 DTM은 필터가 적용되지 않은 조건 (Non-filtered)보다 더 작은 MAE (0.404 m), RMSE (0.421 m), MAPE (74.9%)를 나타내었다. 반면, Non-filtered 조건에서는 MAE, RMSE, MAPE가 각각 0.460 m, 0.473 m, 87.5%로 상대적으로 높은 수치를 보였다. 편광필터 적용한 경우 적용하지 않았을 경우에 비해 0.056 m의 MAE 향상을 이끌었으며, 이는 편광 필터의 적용이 수면 반사광에 의한 영상 왜곡을 저감시켜 SfM 과정에서 하천 바닥의 포인트를 효과적으로 생성하였다는 것을 알 수 있다. 굴절률 보정이 적용된 후에도 편광 필름이 적용된 조건 (Filtered)의 경우가 편광 필름을 적용하지 않은 경우 (Non-filtered)보다 전반적으로 우수한 정확도를 유지하고 있었다. MAE는 Filtered 조건에서 0.242 m로 Non-filtered의 0.359 m보다 낮았으며, RMSE도 각각 0.276 m와 0.390 m로, MAPE도 각각 43.6%와 64.6%로 filtered 조건이 더 정밀하였다. 굴절률 보정 시 편광필터의 MAE 개선은 0.117 m로 굴절률 미적용 시에 비해 개선 폭이 확대되었다.
Table 1
Comparison of Ground-truth elevation and estimated elevation under filtered and non-filtered conditions and non refraction calibration and refraction calibration conditions
각 기준점 별 수심을 비교하였을 때, 대부분의 지점에서 Filtered의 수심값은 Non-filtered에 비해 더 정확한 값을 가지고 있었다. 다만 9번 지점에서는 Non-filtered가 Filtered에 비해 0.148 m 더 정확한 값을 가지고 있었는데, 이는 편광필터를 사용하였을 때 사용하지 않았을 때에 비해 항상 정확한 값을 가지는 것은 아니라고 판단될 수 있다. 이는 SfM 수심 측량 시 정확도에 영향을 미치는 수표면에서의 반사, 와류, 부유물 등이 무작위로 발생하기 때문으로 보인다. 해당 지점의 정확도 차이는 굴절률 보정 시 0.033 m로 감소하였는데, Filtered와 Filtered cal의 수심값을 비교하였을 때 다른 지점에 비해 굴절률 보정을 통한 개선 효과가 더 급격한 것으로 보아, 인근 점에서의 정확도 개선이 보간 등의 과정을 통해 해당 지점으로 전달되었을 것으로 보인다.
Non-filtered 조건에서는 일부 수심이 음수 값을 가지는 경우가 발생하였으나, Filtered 조건에서는 발생하지 않았다. 이는 편광 필터를 사용하지 않았을 경우 물에서 발생하는 난반사가 노이즈를 발생시켜, 포인트 클라우드가 실제 수표면보다 높게 형성될 수 있다는 것을 확인할 수 있다. 반면 편광필터를 사용하였을 경우 수표면에서의 난반사를 감소시킬 수 있기에 수심이 음수가 되는 값이 발생하지 않았던 것으로 추정된다. 이러한 음수 수심 값은 보정 시에도 유지되었는데, 10번과 11번 지점에서 Non-filtered 와 Non-filtered cal에서 모두 수심이 음수로 측정되었으며, 13번 지점과 16번 지점에서 Non-filtered와 Non-filtered cal에서 모두 수심이 0에 가까웠다. 이는 Dietrich et al. (2016)의 방법이 수심이 더 깊을수록 보정량이 더 커지기 때문이다. 다만 12번 지점에서 Non-filtered는 수심이 음수이지만 Non-filtered cal에서는 수심이 양수로 추정되었는데, 이는 DTM 생성 과정에서 인근 지점에서의 수심 개선이 보간 등의 과정으로 인해 해당 지점으로 전달된 것으로 보인다.
Fig. 5에 Non-filtered cal과 Filtered cal의 수심값과 실측 수심값 간의 관계를 산점도로 나타내었다. 각 점은 개별 지점에서의 비교를 나타내며, 실제값에 가까울수록 점들이 대각선 직선에 근접하게 분포한다.
Fig. 5
Scatter plot of Ground truth water depth and estimated water depth for Non-filter calibration and Filtered calibration. Black dots indicate Non-filtered calibration and red dots indicate Filtered calibration. Black arrow lines represents the increase of water depth and red arrow lines represents the decrease of water depth
Fig. 5를 통해 편광 필터의 수심 정확도 개선 효과를 더 효과적으로 확인하였다. Non-filtered cal에서는 기준선 y = x에서 벗어난 분산된 분포를 보였으나, Filtered cal에서는 점들이 기준선에 보다 근접한 위치에 수렴하였다. 검은색 화살표로 표시된 것과 같이 대부분의 지점에서 정확도가 개선되었다. 특히, 일부 지점인 경우에는 Ground truth 수심과 거의 일치하는 결과를 보여 편광필터와 굴정보정 적용 시 실제 수심과 거의 같은 값을 추정할 수 있다는 것을 확인할 수 있다. 다만 일부 붉은색 화살표와 같이 정확도 개선이 거의 없거나 감소된 지점이 존재하였다. 이러한 경향성은 수심이 얕은 곳 (0.3 m)과 깊은 곳 (0.6 m) 모두 고르게 정확도 향상이 발생하였다. 다만 수심 0.75 m 에 위치한 지점에서는 정확도 개선이 발생하지 않았는데, 해당 수심이 편광필터를 활용한 SfM 방식의 DTM 생성의 한계인지는 추후 연구에서 좀 더 많은 표본을 확보하여 확인해야 할 것으로 보인다.
3. 하천 DTM 단면 분석
Fig. 6은 두 개의 단면에 대해 네 가지 조건에서 생성된 DTM 단면 고도를 비교한 결과이다. 편광 필터를 적용한 경우 (붉은 선)는 미적용한 경우 (검은 선)보다 전반적으로 낮은 고도가 형성되었으며, 수심 보정을 적용한 경우 (점선) 또한 미적용한 경우 (실선)보다 낮은 값을 보였다. 특히 Non-filtered cal 조건에서 가장 낮은 고도가 나타나는 경향이 확인되었으나, 모든 지점에서 동일한 결과가 나타난 것은 아니었다. 이는 3.2에서 설명한 바와 같이 수표면 반사, 와류, 수중 식생, 부유물 등 다양한 요인이 무작위적으로 작용하여 하천 DTM 생성의 정확도에 영향을 주었기 때문으로 판단된다.
Fig. 6
Comparison of the elevation of Non-filtered, Non-filter calibrated, Filtered, and Filtered calibrated DTM for two cross-sections. (a) indicates the cross-section 1, (b) indicates cross-section 2, (c) indicates UAV image of cross-section 1, and (d) indicates UAV image of cross-section 2. The blue line indicates the water surface, the black line indicates the Non-filtered DTM, the black dotted line indicates the Non-filtered and calibrated DTM, the red line indicates the Filtered DTM, and the red dotted line indicates the Filtered and calibrated DTM
또한 Fig. 6(a)와 (b)에서 원으로 표시된 부분과 같이, 일부 지점에서는 주변보다 고도가 급격히 낮게 나타나는 이상치가 관찰되었다. 이는 Fig. 6(c)에서 보이는 바와 같이 호안에 위치한 갈대와 같은 식생 및 그림자 영향으로 일부 포인트 클라우드가 잘못 생성된 것으로 보인다. 반면 두 번째 단면은 Fig. 6(d)에서 보이는 바와 같이 호안이 석재로 이루어져 있어 Fig. 6(a)와 같은 이상치는 나타나지 않았다. 그러나 하천 중앙부에서는 여전히 주변보다 급격히 낮은 고도가 발생하였는데, 이는 수표면 반사나 와류 등으로 인한 포인트 클라우드 오류 때문이며, 편광 필터를 사용하더라도 이러한 영향이 완전히 제거되지는 못한 것으로 해석된다.
Ⅳ. 결 론
본 연구는 UAV 기반 편광 이미지를 활용하여 하천 지역의 DTM을 보다 정밀하게 생성하기 위한 방법론을 개발하고, 이에 대한 정확도 평가를 통해 편광 필터 및 굴절률 보정의 효과를 정량적으로 분석하였다. 특히, 수면 반사광으로 인해 SfM 기반 포인트 클라우드의 정확도가 저하되는 문제를 해결하기 위해 편광 필터를 적용한 UAV영상을 활용하였으며, 수면 아래 포인트 클라우드의 위치 왜곡을 보정하기 위해 WSE을 기반으로 한 굴절률 보정 절차를 도입하였다. 이를 통해 Filtered cal 조건에서 RMSE가 0.276 m로 감소하고 MAE 또한 0.242 m까지 낮아져 전반적인 연직 정확도가 개선된 것으로 나타났다. 다만 수면에서의 난반사, 와류, 수중 부유물들이 발생시키는 무작위적인 오차로 인해 모든 지점에서 Filtered cal 조건이 타 조건에 비해 우수하지는 않았으며, 해당 오차들과 함께 호안 식생들은 여전히 포인트 클라우드 생성 오류를 발생시키는 것으로 확인되었다. 또한 본 연구는 하천 바닥이 육안으로 식별되지 않는 수심이 깊고 탁도가 높은 하천에서는 적용하기 어려울 것으로 예상된다.
결론적으로, 본 연구는 하천 수면 위 UAV 촬영 영상에서 편광 필터와 굴절률 보정 기법을 결합함으로써 수직 정확도를 향상시키는 효과적인 DTM 생성 방법론을 제시하였으며, 향후 하천 지형 모니터링, 홍수 예측 모델링, 수문학적 해석 등에 정밀한 지형 입력자료를 제공하는 데 있어 기여할 수 있을 것으로 기대된다. 향후 연구에서 난반사, 와류, 수중 부유물에 의해 발생하는 오차를 보정하는 알고리즘을 개발하여 하천 DTM의 정확도를 높일 예정이다.
