Ⅰ. 서 론
최근 기후변화로 인하여 한반도 지역의 강우발생 빈도는 감소하는 반면에, 단기간에 많은 강우가 집중적으로 발생하는 경향이 증가하고 있다. 이런 강우발생 변화는 이전과 달리 가뭄, 홍수, 산불 및 산사태 등 자연재해의 발생 원인이 되고 있다. 토양수분은 이러한 자연재해에 직간접적으로 영향을 미치기 때문에, 시간적⋅공간적으로 연속적인 토양수분의 관측이 필요하다. 과거에는 TDR (Time Domain Reflectometry)관측 장비를 설치하여 토양수분의 변화를 관측하였으나, 지점관측의 경우 하나의 관측지점에서 토양수분을 관측하기 때문에 공간적인 토양수분 변화를 나타내지 못하는 단점이 있다. 이러한 문제를 해결하기 위하여 최근 인공위성 이미지 자료를 이용한 토양수분 산정에 관한 많은 연구가 활발히 수행되고 있다. SMOS (Soil Moisture and Ocean Salinity, Kerr et al., 2001), SMAP (Soil Moisture Active Passive, Entekhabi et al., 2010), GCOM-W1 (Global Change Observation Mission Water, Imaoka et al., 2010) 및 AMSR-E (Advanced Microwave Scanning Radiometer-Earth Observing System, Njoku et al., 2003)와 같은 다양한 위성에서 관측된 토양수분 이미지 자료들이 사용되고 있으나, 이러한 위성들의 경우 관측주기가 비교적 짧지만 낮은 공간해상도 (10×10 km~32×32 km)로 인하여 사용에 제약이 발생한다. 이러한 한계를 극복하기 위하여 최근에는 수동형 센서를 탑재한 위성들에 비해 고해상도를 가지고 있으며, 광학위성영상과 달리 날씨의 영향을 받지 않는 Sentinel-1A/B 위성을 활용하여 토양수분을 관측하는 연구가 진행되고 있다.
ESA (European Space Agency)에서 운영하는 Sentinel-1A/B 위성은 직접적으로 토양수분 산출물을 제공하지 않지만, 센서의 후방산란과 지표면 토양수분의 선형적 관계를 이용하면 토양수분을 도출할 수 있다 (Sabins, 2007). 일반적으로 후방산란이란, 센서에서 발생한 마이크로파가 어떤 물체에 도달했을 때 반사 및 산란되어 나오는 마이크로파의 신호 크기를 말하며, 후방산란계수는 후방산란의 단위면적당 신호의 크기를 말한다 (Sabins, 2007). 후방산란계수는 지표면의 수분함량과 선형적인 특성을 가지고 있으며, 후방산란계수를 이용하여 토양수분을 산정하는 연구가 일부 수행되고 있다.
Paloscia et al. (2013)은 인공신경망 (Artificial Neural Network- ANN)을 이용한 토양수분 산출 알고리즘을 제시하였으며, Hornacek et al. (2012) 및 Peters et al. (2012)은 Change detection algorithm을 이용한 Sentinel-1 기반 토양수분 산정에 대하여 연구하였다. Pierdicca et al. (2014)은 Bayesian multi-temporal algorithm을 이용한 Sentinel-1 기반 토양수분을 산정하였으며, Gao et al. (2017)은 Change detection algorithm과 후방산란과 정규식생지수 (NDVI)와의 선형적 관계를 이용하여 토양수분을 산정하였다. 또한 Small (2011)은 SAR 이미지 방사보정시 입사각에 따른 후방산란계수에 대하여 비교 및 분석하였다. 국내에서는 Lee et al. (2017)이 제시한 후방산란과 토양수분간의 선형적 관계를 이용하여 토양수분 산정에 관한 연구가 수행되었다. Sentinel-1은 고해상도 위성 이미지를 제공하지만, 1~2주 주기로 영상취득이 가능하기 때문에 재방문시기와 같이 연속적인 일별 토양수분 산정에 제약이 있다. 따라서 Lee et al. (2018)은 MODIS (MODerate-resolution Imaging Spectroradiometer) 기반의 이미지자료와 토양수분자료동화기법을 이용하여 시⋅공간적으로 연속적인 고해상도 토양수분 이미지를 산정하였으나, MODIS의 경우 500 m×500 m 공간해상도이며 기상상태에 따라 미관측 되는 제약이 있다.
따라서 본 연구에서는 Sentinel-1A/B SAR 기반 후방산란계수를 산정하고, 산정된 후방산란계수와 농촌진흥청에서 제공하는 51개 지점의 TDR 기반 토양수분 실측값의 회귀분석 및 도출된 회귀식을 이용하여 우리나라 토양수분 공간분포를 산정하였다. 산정된 Sentinel-1A/B기반 토양수분과 토양수분자료동화기법을 연계하여 토양의 수리학적 매개변수를 추출하였으며, 추출한 매개변수와 기상자료를 이용하여 장기간 (2001~2018) 일별 토양수분 공간분포를 산정하였다.
Ⅱ. 재료 및 연구방법
본 연구에서는 Sentinel-1A/B 기반 토양수분과 토양수분자료동화기법을 연계하여 우리나라 일별 토양수분 공간분포를 산정하였다. 유전자 알고리즘과 연계된 토양수분자료동화기법은 Sentinel-1A/B 기반의 토양수분 이미지로부터 토양의 수리학적 매개변수를 추출한다. 추출된 매개변수와 TRMM (Tropical Rainfall Measuring Mission, Simpson et al., 1996)/ GPM (Global Precipitation Measurement, Hou et al., 2013) 강우 공간분포 자료를 Soil-Water-Atmosphere-Plant (SWAP, van Dam et al., 1997) 모형의 입력자료로 사용하여 일별 토양수분을 산정하였다. Sentinel-1A/B SAR 기반 토양수분은 농촌진흥청에서 제공하는 51개 지점의 TDR 기반 토양수분 실측값과 후방산란계수의 선형적 관계를 이용한 회귀공식을 도출하여 산정하였다.
1. Sentinel-1 A/B 기반 토양수분 산정
Sentinel-1은 2014년 4월에 발사한 Sentinel-1A와 2016년 6월에 발사한 Sentinel-1B 두 개의 위성이 12일의 공전 주기로 지표면을 관측하여, 전 지구단위로 SAR영상을 1~2주 주기로 관측하여 제공하고 있다. Sentinel-1은 해상도와 주사폭에 따라 EW (Extra wide Swath), IW (Interfermetric Wide Swath), WV (Wave), SM (Stripmap)의 4가지 영상취득모드를 제공하고 있다. EW모드는 선박 운항과 같은 광역 연안 해안 모니터링에 적합하며, IW모드는 육지관측, WV모드는 해양관측에 적합하며 SM모드는 화산폭발과 같은 국가 비상시에만 제공되는 모드이다. 각각의 영상모드에 따라 위상과 진폭을 모두 가지고 있는 SLC (Single Look Complex)와 진폭만을 가지고 있는 GRD (Ground Range Detected)의 2가지의 데이터 형태로 구성되며 Sentinel-1A/B SAR 센서의 제원은 Table 1과 같다.
Table 1
Information of the Sentinel-1A/B products
Sentinel-1A/B SAR 기반 토양수분을 산정하기 위하여 ESA (European Space Agency)에서 제공하는 Sentinel-1A/B SAR 위성자료의 전처리 도구 SNAP을 이용하여 후방산란계수를 산정하였다. 본 연구에서는 육지관측 모드인 IW영상취득모드의 GRD 데이터를 이용하였으며 2018년 6월부터 10월까지 총 22일 동안 관측된 Sentinel-1A (11장)/B (11장) 영상자료를 전처리하였다.
2. 토양수분자료동화기법을 이용한 우리나라 토양의 수리학적 매개변수 추출
토양수분자료동화기법 (near-surface soil moisture data assimilation scheme, Shin et al., 2016a)은 실측된 TDR 토양수분과 유전자 알고리즘 (Genetic Algorithm-GA, Holland, 1975; Goldberg, 1989)을 연계하여 실측 토양수분과 모의 토양수분을 유사하게 동화시킨다. 유전자 알고리즘은 최적화기법 중 하나이며 모의값을 실측값에 근사하도록 매개변수를 조정한다. 유전자 알고리즘은 세대 (generation) 안의 객체군 (population)에서 가장 적합도 (fitness)가 높은 객체 (individual)를 선택 (selection), 교차 (crossover), 변이 (mutation)의 과정 (GA-operator) 안에서 목적함수(1)와 Fitness 함수(2)를 이용하여 반복적으로 토양수분 실측값과 모의값의 차이가 최소화 되는 해 (토양의 수리학적 매개변수, 
)를 찾는다 (Lee et al., 2018). 목적함수 (Z(k))는 유전자 알고리즘이 최적의 해를 탐색하는데 있어서 매우 중요하며, Fitness(k)함수를 이용하여 실측값과 모의값의 차이가 최소화되는 해를 선택한다.
여기서, 
: 실측된 토양수분 (cm3 cm-3), t : 시간, 및 T : 일별 최대 모의기간이다.
추출된 토양의 수리학적 매개변수와 기상자료 (일사량, 최고 및 최저 온도, 풍속, 강우)를 토양수분자료동화기법과 연계된 SWAP 모형에 입력자료로 사용하여 실측 토양수분과 유사한 모의 일별 토양수분을 산정한다. 본 연구에서는 객체를 토양의 수리학적 매개변수로 구성하였으며, 실측값은 Sentinel-1A/B 기반 토양수분자료를 사용하였다. Table 2는 각 매개변수들의 범위를 나타낸다.
Table 2
Constrained ranges of the estimated soil hydraulic parameters
토양수분자료동화기법을 Senitnel-1A/B 이미지에 적용시에는 과도한 계산시간을 단축하기 위하여 고해상도 (10×10 m) Senitnel-1A/B 이미지 자료를 1×1 km 해상도로 변환하였다. 본 연구에서 사용한 토양수분자료동화기법 (Shin et al., 2016b)의 매개변수 추출 검증은 국내외의 다양한 연구에서 실측 매개변수를 이용하여 검증되었기 때문에, 국내에서는 실측 매개변수 부재로 인하여 실측 TDR 토양수분과 모의 토양수분을 이용한 검증만을 수행하였다. 기상자료는 2018년 3월 1일부터 10월 31일까지 측정된 우리나라 종관기상관측 (Automated Synoptic Observing System-ASOS)자료와 TRMM/ GPM (25×25 km/10×10 km) 위성강우 자료를 이용하였다. 토양수분자료동화기법의 신뢰성을 높이기 위하여 5일 이상의 Sentinel-1 A/B 기반 토양수분 자료가 이용가능한 지점의 토양수분 자료를 이용하였다.
3. SWAP 모형 기반 우리나라 일별 토양수분 산정
토양수의 흐름을 모의하는 SWAP 모형은 Belmans et al. (1983)에 의해 수정된 Richard 공식을 이용하여 일별토양수분을 산정한다. 모형의 입력자료는 토양의 수리학적 매개변수 (
)와 기상자료를 이용하며, 지표 및 지하의 다양한 조건을 고려하여 토양수분의 산정이 가능하다.
여기서, 
는 수리전도도 (cm d-1), 
는 토양의 압력수두 (-cm), 
는 토양의 깊이, 
는 미분된 수분함량 (cm-1), 및 
는 뿌리에 의해 흡수되는 실제 토양수분 (cm3 cm-3 d-1)이다.
여기서, 
은 잠재증발산 (cm d-1), 
은 뿌리깊이 (-cm), 
는 깊이 (h)와 시간 (t)에서 토양의 압력수두에 따른 감소계수 (Feddes et al., 1978)이다.
또한 van Genuchten (1980)과 Mualem (1976)이 제시한 공식에 따라 수정된 Richard공식을 재해석하였으며, 아래와 같이 토양수분 (
) 및 수리전도도 (
) 함수로 구분된다.
여기서, 
는 상대적 포화도 (-), 
는 잔존 토양수분 (cm3 cm-3), 
는 포화된 토양수분 (cm3 cm-3), 
는 포화 상태의 수리전도도 (cm d-1)이다.
본 연구에서의 토양층 (soil layers)은 총 33개층으로, 토양특성은 단일토양특성 (homogeneous soil texture)으로 가정하였다. 총 토양깊이는 지표면으로부터 200 cm로 하였으며, 각 토양층의 구성은 지표면으로부터 1 cm × 10 (토양층의 개수), 5 cm × 10, 10 cm × 12 및 20 cm × 1로 구성하였다. 지하수위는 자유배수로 고려하였으며, 토양수분은 지표 토층 (0-10 cm) 깊이를 사용하였다.
토양수분자료동화기법 기반으로 산정된 토양수분의 적용성 평가를 위해 상관성 분석을 수행하여 모의값의 상관성 (Pearsons’ correlation coefficient: R) 및 불확실성 (Root Mean Square Error: RMSE)을 평가하였다.
Ⅲ. 결과 및 고찰
1. Sentinel-1A/B 기반 토양수분 산정 및 검증
Sentinel-1A/B 기반 토양수분을 산정하기 위하여 Sentinel- 1A/B 기반 후방산란계수와 51개 지점 토양수분 실측값의 시계열 상관성 분석을 수행하였다. 51개 관측지점의 지표피복은 농업지역 (crop), 도시지역 (urban), 산림 (forestry), 나지 (bare soil)로 구성되어 있으며, 대부분 지역이 농업지역으로 이루어져있다 (Table 3). 회귀분석에 사용된 TDR 지점의 개수는 위성 이미지 및 실측 토양수분의 이용가능 여부에 따라 다르다. Fig. 3은 지표피복에 따른 Sentinel-1A/B 기반 토양수분 (%)과 토양수분 실측값 (%)과의 상관성 분석 결과를 나타낸다. 상관분석 결과 대체로 모든 지표피복에서 높은 상관성을 보였으며 특히, 나지와 농경지의 경우 매우 높은 상관성을 보였다. 도시지역은 태안군 태안읍을 제외한 모든 지점에서의 상관성이 높게 나타났으며, 태안군 태안읍의 경우 주변 인공구조물이 위성 이미지에 포함되어 불확실성이 높게 나타나 역상관성을 보인 것으로 판단된다. 산림지역은 상관성이 다른 지표피복에 비해 비교적 낮게 나타났으며, 불확실성이 4가지 지표피복 중 가장 높게 나타났다. 이는 산림피복에서 SAR 센서의 지표 투과성 제약에 의해 불확실성이 높게 나타난 것으로 판단된다.
Table 3
Correlations and uncertainties between the Sentinel-1A/B based soil moisture products and the TDR soil moisture measurements in 2018
2. Sentinel-1A/B SAR와 토양수분자료동화기법을 이용한 토양수분 산정 및 검증
Fig. 4는 2018년 Sentinel-1A/B SAR 기반 토양수분과 토양수분자료동화기법을 이용하여 추출된 토양의 수리학적 매개변수를 나타낸다. Fig. 5는 Sentinel-1A/B SAR 기반 산정된 토양수분에 토양수분자료동화기법을 적용하여 추출된 토양수분 모의값과 Sentinel-1A/B SAR 기반 공간해상도 1 km × 1 km의 토양수분과의 지표특성에 따른 지점별 시계열 상관성 분석 결과를 나타낸다. 모의 토양수분은 토양수분자료동화기법과 연계된 SWAP 모형을 이용하여 산정하였다. 지점 수가 가장 많은 농업지역 (27개)은 상관성 (R: 0.085~0.839)이 대체로 높게 나타났으며, 농업지역 다음으로 지점수가 많은 도시지역 (5개)의 경우 상관성 (R: 0.353~0.814)이 농업지역과 유사하게 나타났다. 상대적으로 지점수가 적은 산림지역 (3개)과 나지 (2개)의 경우 각각 상관성 (R)이 0.655~0.662와 0.596~0.788로 높게 나타났다. 불확실성 (RMSE)은 4개의 지표특성 모두 0.044~0.107로 낮게 나타났다. 본 연구에서 수행한 상관분석 결과 토양수분자료동화기법 기반 모의 토양수분이 실측지점의 토양수분을 잘 반영한 것으로 나타났다. Fig. 6은 Sentinel-1A/B SAR와 토양수분자료동화기법을 이용하여 산 정된 2018년 월별 토양수분을 나타낸다. 지속된 폭염으로 인하여 증발산량이 많았던 8월의 경우 장마철인 7월에 비해 토양수분이 낮게 나타났다. 9월의 경우 8월 22일부터 많은 강우 (380 mm)를 발생시킨 태풍 솔릭의 영향으로 토양수분이 높게 나타난 것으로 판단된다.
Fig. 4
Estimated soil hydraulic parameters; (a) saturated hydraulic conductivity, (b) empirical shape aprameter, (c) empirical shape aprameter, (d) residual water contents, (e) saturated water contents
3. Sentinel-1A/B와 토양수분자료동화기법을 이용한 우리나라 장기간 일별 토양수분 산정
Fig. 7과 Fig. 8은 각각 토양수분자료동화기법 기반 장기간 (2001~2017년)의 연평균 강수량과 모의 토양수분을 나타낸다. 전체적으로 산정된 토양수분자료동화기법 기반 모의 토양수분과 연도별 강수량이 서로 유사하게 나타났으며, 특히 2003년과 2011년 각각 1,861 mm, 1,623 mm의 매우 많은 양의 강우가 발생하였으며, 해당 연도 모의 토양수분도 다른 연도에 비해 상대적으로 높게 나타났다. 2015년은 전체기간 중 가장 적은 강수량 (949 mm)이 발생하였는데 모의 토양수분 공간분포도 상대적으로 낮게 나타났다. 2007년의 경우 모의 토양수분 값이 여름철과 가을철 큰 차이를 보이지 않았는데 강수량 또한 여름철 (654 mm)과 가을철 (456 mm) 강수량 차이가 다른 연도에 비해 상대적으로 낮게 나타났다. 이렇듯 전체적으로 강우 변화에 따른 토양수분 변화가 모의 토양수분에 잘 반영되는 것으로 나타났다. 또한 계절별 토양수분의 경우 전체적으로 봄 (4~5월)과 가을 (9~11월)에 토양수분이 낮게 나타났으며, 집중호우가 발생하는 6~8월에 우리나라의 토양수분이 증가하는 경향을 보였다. 지역적으로도 강우의 공간분포 및 지표특성에 따라 토양수분의 공간분포가 차이를 보이는 것으로 나타났다. 비록 전국단위의 이용가능한 실측 토양수분의 제약으로 인하여 모의값과 실측값의 직접적인 비교를 통한 검증은 수행하지 못하였으나, 전체적으로 우리나라에 발생한 강우량과 토양수분의 증감 정도가 유사한 것으로 나타났다.
Ⅳ. 결 론
본 연구에서는 Sentinel-1A/B 기반 토양수분과 토양수분자료동화기법을 이용하여 우리나라 장기간 (2001~2018년) 일별 모의 토양수분을 산정하였다. Sentinel-1A/B 기반 모의 토양수분은 Sentinel-1A/B 기반 후방산란계수와 농촌진흥청에서 제공하는 51개 지점의 TDR 실측 토양수분과의 회귀분석을 통해 도출된 토양수분회귀공식을 이용하여 산정하였다. 산정된 토양수분이 전체적으로 다양한 지표피복 (농업지역, 산림지역, 도시지역, 나지)에서 토양수분 실측값을 잘 반영하는 것으로 나타났으며, 특히 지표피복이 나지인 지점에서 모의값이 실측값과 높은 상관성을 보였다. 토양수분자료동화기법은 토양수분 실측값으로부터 토양의 수리학적 매개변수를 추출하며, 추출된 매개변수는 SWAP 모형의 입력자료로 사용하여 시 · 공간적으로 연속적인 일별 토양수분을 산정한다. Sentinel-1A/B 기반 토양수분과 토양수분자료동화기법을 이용하여 산정된 2018년 모의 토양수분과 Sentinel-1A/B 기반 토양수분의 지표피복에 따른 지점별 시계열 상관분석을 수행하였다. 대부분의 지점들이 높은 상관성 (R: 0.085~0.839)과 낮은 불확실성 (RMSE: 0.044~0.107)을 보였으며, 모의된 토양수분이 실측토양수분을 잘 반영하는 것으로 나타났다. 산림지역에서의 불확실성 (RMSE: 0.061~0.083)은 낮게 나타났지만, TDR 토양수분 실측 지점 수 부족으로 인해 산림지역에서의 추가적인 연구가 필요할 것으로 사료된다. SAR 센서는 대기의 산란에 민감하지 않기 때문에 모든 기후와 환경 조건에서 지표를 관측할 수 있는 장점이 있으나, 긴 재방문 주기로 인해 시간해상도가 낮은 한계가 있다. 따라서 본 연구에서는 토양수분자료동화기법을 활용한 장기간 일별 토양수분을 산정하였으며, 전체적으로 강우 변화에 따른 토양수분 공간분포의 변화가 장기간 일별 모의 토양수분에 잘 반영하는 것으로 나타났다. 본 연구결과는 홍수, 가뭄, 산불과 같은 물 관련 재해 뿐만 아니라 농업, 수문 등 다양한 분야에서 기초자료로 활용 될 수 있을 것으로 사료된다.
