한반도의 기후 특성상 강수가 지역 및 계절별로 편중되어 있고, 해마다 국지적인 가뭄이 발생하고 있다(Ahn and Kim, 2010; Park et al., 2008). 또한 기후변화로 인하여 가뭄의 빈도와 강도는 점점 강해지고 있는 추세이다. 가뭄은 수 개월에서 수 년에 걸쳐 일정기간 동안 수분 혹은 강수량이 현저히 부족하여 발생하는 자연현상을 의미한다. 홍수, 태풍, 지진 등 다른 자연재해들과 달리 시작과 끝을 정의하기 어렵고 진행속도가 느리며, 광역적인 공간을 통하여 전파하는 특성을 갖는다(Mishra and Singh, 2010).

기후변화로 안정적 농업용수 공급에 대한 불확실성이 증가하고 있는 가운데 가뭄 발생 시 농업용수 공급을 위한 대표적인 시설인 저수지는 안정적인 농업용수 공급을 위한 중요한 시설이자 수단으로 우리나라의 전체 관개 면적(653,598 ha)의 약 63.5%(415,316 ha)에 농업용수를 공급하고 있다. 우리나라의 저수지는 전국에 17,080개소가 분포하고 있으며, 한국농어촌공사관할(3,428개소)과 시군관할(13,652개소)로 구분되어 관리되고 있다(Ministry of Agriculture, Food and Rural Affairs, 2023). 그러나 저수지 수면적을 산출하기 위한 위성자료 활용에 관한 기존 연구는 일부 저수지에 국한되거나 위성영상의 시간적·공간적 해상도와 정확성에 한계를 가지고 있었다(Declaro and Kanae, 2024).

본 연구는 이러한 한계를 극복하고자 Sentinel-1과 Sentinel-2 영상을 이용하여 기존 연구들이 다루지 못한 연속적인 저수지 수면적 변화를 광범위한 공간적 범위에서 모니터링하였다. 또한 신뢰도가 높은 검증된 저수율 자료를 이용하여 수 년간 다양한 수위에서 수면적을 분석하여 저수지 유지관리에 있어 위성 자료의 활용 가능성을 평가하고자 하였다.

2.1. 연구 대상

Lee et al. (2022)에 따르면 Sentinel-1 Synthetic Aperture Radar (SAR) 영상은 약 10 m의 공간해상도를 갖고 있어 대규모 농업용 저수지의 수면적을 모니터링하는 데 적합하지만, 수면적이 작은 100만 톤 미만의 소규모 저수지에 대해서는 공간해상도 등 기술적 한계로 수체탐지의 정확도가 낮았다. 또한 가뭄이나 방류 시기에 따라 저수지에 물이 존재하지 않을 경우 수면적 탐지에 오류가 발생할 수 있다고 제안하였다. 이러한 한계를 고려하여 본 연구에서는 저수지의 수면적을 보다 정확하게 분석하기 위해, 2022년 농업생산기반시설통계연보에 명시된 만수면적 100 ha 이상의 저수지 45개소 중 10개 저수지를 대상으로 위성 영상을 이용하여 수면적 분석을 수행하였다.

2.2. 연구 자료

2.2.1. 저수지 저수율 및 표고별 수면적자료

한국농어촌공사에서 관리하고 있는 3,428개의 저수지 중 저수용량 10만 m³ 이상의 저수지 1,764개소에 자동 수위 측정기가 설치되어 있다. 자동 수위측정기는 10분 단위로 저수지의 수위를 측정하고 오류 데이터는 보정을 통해 측정 데이터의 신뢰도를 높이고 있다. 본 연구에서는 한국농어촌공사에서 관리하는 저수율 자료와 2005년 일제조사를 통해 구축된 저수지 표고별 수면적 자료(현장 관측 자료)를 활용하여 위성으로부터 산출된 수면적 검증에 사용하였다.

Figure 1. Location map of 10 experimental reservoirs used in this study.

2.2.2. Sentinel-1 SAR 영상

Sentinel-1 SAR 영상은 Google Earth Engine (GEE)에서 다운로드하였다. GEE에서 제공하는 Sentinel-1 SAR 영상은 방사보정, 기하학적 보정, 열 잡음 제거 등 전처리된 데이터로 제공되어, 추가적인 전처리는 필요하지 않았다. 그러나 레이더(radar) 영상의 스페클 노이즈(speckle noise)를 효과적으로 감소시키고, 수면적 분석의 정확성을 높이기 위해 Refined Lee 필터와 Lee Sigma 필터를 추가적으로 적용하였다. Sentinel-1 SAR 영상은 Swath 크기에 따라 4가지 관측 모드(Interferometric Wide Swath, IW; Extra Wide Swath, EW; Strip Map, SM; Wave, WV)에서 작동하는 중심 주파수가 5.405 GHz인 C-band 합성개구레이더(SAR)를 탑재하고 있다(Geudtner et al., 2014). 본 연구에서는 2015년 5월부터 2023년 12월까지 VV 편파 IW 모드의 Ground Range Detected Level-1 (GRD L1) 영상(해상도 10 m)을 활용하여 10개의 저수지를 촬영한 총 4,693장의 영상을 사용하였다(Table 1).

Table 1 . Number of Sentinel-1 SAR images used in this study.

Reservoir	No. of satellite image
Total	4,693
Togyo	609
Maengdong	489
Dongbu	418
Yedang	418
Seongam	418
Dongwha	371
Gui	372
Bomoon	357
Otae	510
Seongju	731

2.2.3. Sentinel-2 MSI 영상

Sentinel-2 MultiSpectral Instrument (MSI) 영상은 GEE에서 제공하는 2019년부터의 Harmonized Sentinel-2 MSI Level-2A 데이터를 사용하였다. 이 데이터는 대기 보정이 적용된 Sentinel-2 Level-2A 영상으로, 이를 통해 대기 조건에 따른 왜곡을 최소화하고 지표 반사율을 보다 정확하게 추정할 수 있다. Sentinel-2 MSI 영상은 10 m, 20 m, 60 m의 공간해상도를 갖는 여러 밴드로 구성되어 있으며, 이를 통해 다양한 지표 특성을 상세히 분석할 수 있다. 또한 여러 시점의 영상을 일관된 처리 방법으로 보정 및 조정하여 제공하므로 시계열 분석에 적합하다(European Space Agency, 2022). 본 연구에서는 2018년 3월부터 2023년 12월까지 총 4,316장의 Senitnel-2 MSI 영상을 사용하였다(Table 2).

Table 2 . Number of Sentinel-2 satellite images over the experimental reservoirs used in this study.

Reservoir	No. of satellite image
Total	4,316
Togyo	366
Maengdong	366
Dongbu	286
Yedang	368
Seongam	367
Dongwha	365
Gui	366
Bomoon	366
Otae	733
Seongju	733

2.3. 연구 방법

2.3.1. 분석 영역 설정

Sentinel-1 SAR 영상의 IW 모드는 약 250 × 250 km 범위의 이미지를 제공하고 있어 수면적 분석의 효율성을 높이기 위해 각 저수지의 크기에 맞게 영상을 잘라내었다. 잘라낸 각 영상의 크기는 Table 3에 제시되어 있다.

Table 3 . Size of the region of interest (ROI) resampled for each experimental reservoir (Unit: km).

Reservoir	Width (East-West)	Height (North-South)
Togyo	1.7	3.1
Maengdong	1.7	2.4
Dongbu	1.9	3.2
Yedang	3.4	7.1
Seongam	1.6	1.7
Dongwha	1.9	2.5
Gui	1.3	3.2
Bomoon	2.1	2.1
Otae	1.7	1.8
Seongju	2.5	1.9

Fig. 2는 2023년 6월 29일에 촬영된 남원 동화저수지의 위성영상을 바탕으로 수면적 분석을 위해 임계값을 산출한 결과를 보여준다. (a)는 GEE에서 다운 받은 Sentinel-1 SAR GRD 영상, (b)는 영상 (a)에 Refined Lee Filter와 Lee Sigma Filter를 적용한 영상이며, (c)는 영상 (b)에서 도출된 픽셀(pixel) 밝기의 분포를 보여주는 히스토그램(histogram)이다. (d)는 영상 (a)에 저수지의 만수위를 기준으로 분석대상 영역을 설정하였고, (e)는 설정된 분석 대상 영역에 대해 필터 처리한 영상이다. 마지막으로 (f)는 영상 (e)에서 도출된 히스토그램을 보여준다.

Figure 2. Threshold calculation process for water surface area analysis of Donghwa Reservoir, Namwon (June 29, 2023 Sentinel-1): (a) original satellite image, (b) filtered image, (c) histogram of the filtered image, (d) analysis area set based on the full water level line, (e) filtered image of the analysis area after region of interest (ROI) selection, and (f) histogram of the filtered image.

Figs. 2(c, f)에서 보듯이 같은 위성영상이라도 분석 영역을 설정하느냐에 따라 영상의 히스토그램에서 임계값 주변의 빈도 패턴이 달라지며, 이는 수면적 산출에 중요한 변수로 작용하였다. 분석 영역 밖의 노이즈와 밝기 분포가 분석 결과에 영향을 미칠 수 있으므로 분석 영역을 만수위 기준 저수지 경계와 가깝게 설정할 때 수면적 산출의 정확도가 향상된다는 것을 경험적으로 확인하였다. 따라서 본 연구에서는 필요하지 않은 주변 영역의 잡음이나 비관련 정보를 배제하고자 만수위시 위성영상을 기준으로 저수지와 주변지역의 경계를 설정하여 분석 영역을 구체화 하였다.

2.3.2. Sentinel-1 SAR 영상으로부터 수면적 산출

Sentinel-1 SAR 영상으로부터 수면적 분석을 위해 이미지 분할 기법을 적용하였다. 이미지 분할은 디지털 이미지를 의미 있는 부분 또는 객체로 나누는 프로세스이다. 이미지 분할의 주요 목표는 이미지의 픽셀을 서로 다른 클래스로 분류하여 각 부분을 명확히 구분하는 것이다(Minaee et al., 2021). 본 연구에서는 다양한 조건에서 수체와 비수체를 정확하게 구분하고자, 영역 성장(Region Growing), 분할 및 병합(Split and Merge)과 임계값 기반 이미지 분할(Threshold-based Segmentation) 기법을 사용하여 수체와 비수체를 구분지어 수면적을 산출하였다.

영역 성장 기법은 초기 씨드 포인트(seed point)에서 시작해 유사한 특성을 가진 인접 픽셀을 포함시키며 수체 영역을 확장하는 방식이다. 이 기법은 수체와 비수체 간의 경계를 명확히 구분하는 데 효과적이나 씨드 포인트와 성장 기준의 선택이 중요하다. 분할 및 병합 기법은 이미지를 큰 영역으로 분할한 후 유사한 특성을 가진 인접 영역을 병합하는 방식이다. 이 기법은 복잡한 수체 구조를 보다 정교하게 표현할 수 있어 다양한 크기와 모양을 가진 수체를 처리하는 데 유용하다. 임계값 기반 이미지 분할 기법은 이미지의 후방산란계수를 기준으로 Otsu와 K-means 방법을 이용하여 자동으로 임계값을 설정하고 수체와 비수체를 구분한다.

2.3.3 Sentinel-2 MSI 영상으로부터 수면적 산출

Sentinel-2 위성은 광학위성으로, 다양한 대역을 통해 지표면의 정보를 제공한다. 본 연구에서는 수체를 다양한 환경에서 정확하게 식별하고, 시간에 따른 변화를 정밀하게 분석하기 위해 첫 번째로 NDWI를 활용하였다. NDWI는 근적외선 밴드(Near-Ifrared, [NIR] band)와 녹색 밴드(Green band)를 사용하여 수체를 구별하는 기법이다. 두 번째로 MNDWI를 적용하여 수체 탐지를 수행하였다. 마지막으로 다중 밴드/시계열 기반 NDWI 분석 기법을 통해 수면적을 측정하고 시간에 따른 변화를 추적하였다.

NDWI는 수체를 효과적으로 식별하기 위해 위성 영상의 근적외선 밴드의 반사율(NIR band)과 녹색밴드의 반사율(Green band)을 활용하여 계산된다. 물체는 일반적으로 녹색 밴드에서 높은 반사율을 보이며, 근적외선 밴드에서 낮은 반사율을 보여 NDWI 값이 양수가 된다. 이를 통해 NDWI는 수체와 다른 지표 피복 유형을 구분하는데 효과적이다(McFeeters, 1996). 수식은 아래와 같다.

MNDWI는 NDWI의 한계를 보완하기 위해 개발된 지수로, 근적외선 밴드의 반사율 대신 단파적외선 밴드의 반사율(Short-Wave Infrared, [SWIR] band)를 사용하여 계산된다. 단파적외선 밴드는 물에 대해 매우 낮은 반사율을 가지며, 비수체 영역에서 혼동을 줄인다. 따라서 MNDWI는 특히 반사율이 높은 도시 지역이나 건조한 토양에서 수체를 더 정확하게 구분할 수 있다(Xu, 2006). 수식은 아래와 같다.

다중 밴드/시계열 기반 NDWI 분석 기법은 NDWI에 Normalized Difference Vegetation Index (NDVI) 지수 정보를 추가적으로 사용하여 단순히 물의 존재 여부뿐만 아니라, 물을 구분하는데 혼돈을 일으키는 식생피복 픽셀을 찾아내어 전처리 과정에서 배제하였다. 그리고 여러 시기에 걸쳐 촬영된 이미지들을 분석하여 시간에 따른 수면적 변화를 추적하였다(식 3).

Sentinel-2 MSI 영상에서 NDWI를 사용하여 수체를 나타내는 기준 값으로 0.3을 사용하는 경우가 많다. 하지만 이 값은 보편적인 기준일 뿐, 모든 상황에서 절대적인 기준이 되지는 않는다(Du et al., 2016; Liu et al., 2024). 본 연구에서는 수면적 분석을 위해 수체를 나타내는 기준 값을 0부터 0.3까지 적용하여 수체와 비수체를 구분하였다.

Table 4는 분석기법에 따라 사용 가능한 영상 수를 나타낸다. 분석기법에 따라 차이가 있지만 각 기법이 적용되는 영상의 품질, 구름의 존재, 분석에 사용된 시점 및 공간적 해상도의 차이로 같은 저수지에서도 사용된 영상의 수가 다르게 나타났다. 특히, 구름이 많은 날에 촬영된 영상은 분석에서 제외되는 경우가 많았으며, 이는 장기적인 수면적 분석에서 적절하지 않거나 어려움을 초래할 수 있다. 그러나 대기 조건이 좋은 날에 촬영된 영상은 수면과 육지의 경계를 명확히 구분할 수 있어, Sentinel-1 SAR 영상에서 얻은 수면적 변화나 이상을 파악하는 데 중요한 역할을 할 수 있을 것으로 기대된다.

Table 4 . Number of images available per analysis methods.

Reservoirs	Target image for analysis	MNDWI	NDWI	NDWI with multi-temporal and band
Togyo	366	146	139	115
Maengdong	366	146	146	77
Dongbu	386	151	151	102
Yedang	368	142	142	81
Seongam	367	133	133	98
Dongwha	365	167	167	108
Gui	366	177	177	120
Bomoon	366	169	169	17
Otae	733	325	325	223
Seongju	733	348	348	172

3.1. Sentinel-1 SAR 영상으로부터 수면적 산출 결과

Fig. 3은 Sentinel-1 SAR 영상으로부터 산출된 오태저수지(a, b), 성주저수지(c, d) 그리고 예당저수지(e, f)의 저수율 약 40%, 60%, 80% 그리고 100%일 때의 수면적을 시각화하였다. (a), (c) 그리고 (e)는 위성으로부터 촬영된 영상이고, (b), (d) 그리고 (f)는 해당 영상에서 추출된 수면적을 나타내는 Water Mask이다. 오태저수지는 분할 및 병합기법을 사용하여 수면적을 분석하였고, 성주저수지는 영역 성장 기법을, 예당저수지는 (e)와 (f)에서 임계값 기반 이미지 분할 기법으로 수면적을 산출하였다. 저수율이 변화함에 따라 위성 영상에서 산출된 Water Mask에서도 수면적이 확연하게 달라지는 양상을 확인할 수 있었다.

Figure 3. Reservoir surface area analysis based on water level variations using Sentinel-1 satellite imagery: (a, b) Otae Reservoir satellite image and water mask, (c, d) Seongju Reservoir satellite image and water mask, and (e, f) Yedang Reservoir satellite image and water mask. White areas indicate the detected reservoir water surface.

Table 5는 세 가지 다른 이미지 처리기법을 사용하여 Sentinel-1 SAR 영상에서 얻은 수면적 데이터와 현장 관측 수면적과의 상관계수를 나타낸 결과이다. 선형회귀분석으로 분석된 저수지들의 상관계수를 살펴보면 토교, 동화, 보문 그리고 오태저수지는 분할 및 병합 기법으로 분석했을 경우 각각 0.74, 0.96, 0.95 그리고 0.98로 상관계수가 가장 높게 나왔다. 동부, 구이 그리고 성주저수지는 영역 성장기법으로 분석했을 때 0.81, 0.70 그리고 0.91의 상관계수를 보였다. 맹동, 예당 그리고 성암 저수지는 임계값 기반 이미지 분할 기법으로 분석했을 경우 0.78, 0.93 그리고 0.92(성암은 영역 성장 기법으로 분석했을 때도 0.92의 상관계수를 보임)로 다른 분석 기법들에 비해 상관계수가 높게 나왔다(Table 5).

Table 5 . Correlation coefficients between Sentinel-1-based estimates and field observations.

Reservoir	Region growing	Split and merge	Threshold-based segmentation
Togyo	0.70	0.74	0.73
Maengdong	0.77	0.58	0.78
Dongbu	0.81	0.79	0.81
Yedang	0.91	0.90	0.93
Seongam	0.92	0.86	0.92
Dongwha	0.94	0.96	0.91
Gui	0.70	0.62	0.68
Bomoon	0.94	0.95	0.94
Otae	0.97	0.98	0.97
Seongju	0.91	0.91	0.88

영역 성장 기법은 초기 시작점에서 인접 픽셀을 병합해 나가는 방식으로 수체에 단절 지역이 존재하거나 시작점의 선택이 잘못된 경우, 정확한 수면적을 산출하지 못할 수도 있다(Zheng et al., 2017). 분할 및 병합 기법은 영상을 작은 영역으로 나눈 후 유사성을 기준으로 병합하여 물체를 식별하는 방법으로 이는 공간적 해상도나 세그먼트(segment)의 초기 설정에 민감할 수 있다(Wang et al., 2019). 임계값 기반 이미지 분할 기법은 픽셀 값의 임계값을 설정하여 물과 육지를 구분하는 방법으로 적절한 임계값을 설정하는 것이 중요하며, 이는 계절적 변화, 조도 변화 등에 민감할 수가 있다(Liang et al., 2023).

Sentinel-1 SAR 영상은 날씨의 영향을 직접적으로 받지 않지만 레이더 반사강도의 외부 환경 요인(기상 조건, 물의 혼탁도, 수면의 거칠기, 바람, 수면 위의 식물 및 부유물질 등)에 따라 임계값이 변할 수있다. 또한 저수지의 형상, 저수율, 퇴적토사로 인한 수면적 변화 등의 영향과 분석 기법의 특성(초기 시작점의 선택, 세분화 정도, 병합기준, 임계값 설정)에 따라 상관계수가 달라지는 것으로 판단된다. Sentinel-1 SAR 영상을 활용한 분석 기법별 결과의 일관성을 평가하기 위해 각 기법의 상관계수 중앙값을 비교해본 결과 영역 성장 기법과 분할 및 병합 기법은 중앙값 0.90를, 임계값 기반 이미지 분할 기법은 중앙값 0.88을 나타냈다. 이러한 결과는 저수지 수면적을 분석할 때 각 상황에 맞는 적절한 분석 방법을 선택할 필요성을 시사한다.

본 연구에서는 총 10개의 저수지를 대상으로 Sentinel-1 SAR 영상을 활용하여 세 가지 이미지 분할 기법을 적용하여 수면적을 산출하고, 이를 현장 관측값과 비교하였다. 모든 저수지에 대해 분석을 수행하였으며, 각 기법별로 상관계수가 가장 높게 나타난 저수지를 대표 사례로 선정하여 논문에 수록하였다(Fig. 4). 이러한 선정은 각 기법의 유효성을 보다 명확히 전달하기 위한 것으로 영역 성장 기법에서는 성주저수지, 분할 및 병합 기법에서는 오태저수지 그리고 임계값 기반 이미지 분할 기법에서는 예당저수지를 대표 사례로 선정하였다.

Figure 4. Comparison of observed and Sentinel-1 derived water surface areas: normalized quadratic regression (left) and scatter plot analysis (right) for Yedang, Otae, and Seongju Reservoirs. RG: Region Growing, SM: Split and Merge, Th: Threshold-based Segmentation.

Fig. 4의 좌측 그래프는 정규화된 현장 관측 수면적(Normalized Observed Water Surface Area)과 정규화된 Sentinel-1 SAR 영상의 수면적(Normalized Sentinel-1 Water Surface Area) 간의 관계를 다항 회귀선(빨간색 선) 과 기준선(1:1 line, 검은색 점선)으로 시각화한 것이다. Normalized 할 때는 위성 추정 수면적(y축)과 현장 관측 수면적(x축)을 각각 따로 적용하였다. 위성 추정 수면적의 경우 위성 데이터를 기준으로 평균값을 구하여 이를 사용하였고, 현장 관측 수면적 역시 현장 데이터를 기준으로 평균값을 산출하여 적용하였다. 그래프의 점들은 각각 관측 수면적과 Sentinel-1 SAR 영상에서 측정된 수면적(Sentinel-1 Water Surface Area) 사이의 대응 관계를 나타낸다. 이 점들은 두 데이터 세트 간의 관계를 시각화하는데 사용된다.

점들이 1:1 line에서 멀리 떨어져 있다면, 관측된 수면적과 Sentinel-1 SAR 영상 수면적 간의 차이가 크다는 것을 의미한다. 그림에서 보듯이 데이터가 평균 주위에 집중되어 있고 극단값이 비교적 적게 분포하고 있음을 알 수 있다. 이는 대다수의 관측치가 평균 주위에 모여 있으며, 평균에서 멀어질수록 데이터의 빈도가 낮아진다는 것을 나타낸다. 대부분의 관측된 수면적과 Sentinel-1 SAR 영상 수면적이 평균적인 값을 가지며, 두 데이터 간의 상관관계가 비교적 높게 나타났다. 정규화된 값이 0에 가까운 경우, 해당 수면적은 데이터 세트의 평균 수면적에 가깝다. 이는 대부분의 관측값이 이 범위에 집중되어 있다는 것을 의미하였다. 정규화된 값이 –1 이하인 경우는 특정 조건에서 수면적이 작았던 경우를 의미한다. 정규화된 값이 1 이상인 경우 특정 조건에서 수면적이 매우 컸던 경우를 나타낸다.

Fig. 4의 우측 Scatter plot은 Sentinel-1 SAR 영상으로부터 산출된 수면적과 현장 관측 수면적 간의 직접 비교 및 상관관계를 시각적으로 표현한 것이다. 그림에서 성주, 오태, 예당 저수지의 경우, 위성 산출값이 전반적으로 실제값에 비해 작게 나온다는 것을 보여준다. 관측값과 산출값 사이의 높은 상관관계를 고려할 때, 이는 위성 산출값에 일정한 보정을 추가하는것으로 산출값의 정확도를 향상할 수 있다는 것을 의미한다. 또한 이 그래프의 연도별 기울기 값들은 연도별로 Sentinel-1 SAR 영상이 관측한 수면적의 변화를 얼마나 잘 반영하는지를 보여준다. 기울기가 1에 가까운 경우, 관측된 수면적과 Sentinel-1 SAR 영상으로 측정된 수면적 수위에 상관없이 일관된 비례관계에 있음을 나타낸다.

반면, 기울기가 1보다 큰 경우, 현장 관측 수면적이나 Sentinel-1 SAR 영상으로 추정된 수면적의 작은 변화에도 불구하고 위성 데이터에서 더 큰 변동으로 나타날 수 있음을 의미한다. 기울기가 1보다 작다면, 관측된 수면적의 변화가 위성 데이터에 충분히 반영되지 않음을 시사한다. 이는 실제로 관측된 수면적의 큰 변화가 위성 데이터에서는 작게 나타났음을 의미하며, 위성 데이터가 이러한 변화를 충분히 포착하지 못했음을 시사한다. 각 저수지의 수면적을 추정하기 위해 적용된 기법의 연도별 기울기 분석 결과, 연도별로 기울기의 변동이 발생하였으며, 이는 특정 연도에 각 기법이 수면적을 과소 또는 과대 추정할 가능성을 시사한다.

성주저수지의 경우, 기울기는 2023년 0.34에서 2017년 0.73까지 변동하였다. Scatter plot 결과, 대부분의 데이터는 45도 선 근처에 위치하지만 2020년과 2023년의 데이터는 다른 연도에 비해 기울기가 낮아 과소 추정되는 경향을 보였다. 이 분석을 통해 기울기의 크기가 실제 수면적 변화와 위성 데이터 간의 민감도와 정확성을 어떻게 나타내는지 이해할 수 있었다. 오태저수지의 연도별 기울기는 2020년 0.43에서 2017년 0.76까지 다양하였다. 특히 2020년의 기울기가 가장 낮아 이 해에 수면적이 특히 과소 추정된 것으로 보인다. Scatter plot 결과, 대부분의 데이터는 45도 선 근처에 위치해 저수지의 수면적이 비교적 정확하게 산출되었음을 나타낸다. 그러나 일부 연도에서는 기울기가 크게 변동하여 연도별로 다른 환경적 요인을 고려해야 할 필요가 있다. 임계값 기반 이미지 분할 기법을 사용한 예당저수지의 경우, 2023년 0.36에서 2017년 0.59까지 변동하였으며 전반적으로 기울기가 1보다 낮았다. 이는 위성으로부터 산출된 수면적이 일관되게 과소 추정되었음을 의미한다.

결론적으로 Scatter plot 결과, 데이터들은 전체적으로 45도 선 아래쪽에 위치하며 이는 위성 추정값이 실제 관측값보다 낮음을 시사한다. 이러한 차이는 위성 관측 값은 2015년부터 2023년까지 촬영된 면적을 반영하는 반면, 현장 관측 값은 2005년에 수집된 데이터로 10년 이상의 시간 경과에 따른 영향일 것으로 추정된다. 이 기간 동안 저수지 주변의 식생 변화나 퇴적 토사 등으로 인해 수면적이 변동했을 가능성이 있다고 판단된다.

각 기법의 성능을 비교하기 위해 연도별로 수면적의 변화 기울기 값을 분석하였다(Table 6). 각 기법들에 대한 연도별 기울기의 표준편차를 비교해본 결과, 영역 성장 기법이 0.259로 분할 및 병합 기법(0.437)과 임계값 기반 이미지 분할 기법(0.346)에 비해 가장 낮아 안정적이며 변동성이 적은 기법으로 간주되었다. 그러나 Table 6에서 보듯이 구이저수지에서 영역 성장 기법을 사용한 경우, 2016년과 2017년에 큰 변화를 보였으나 2019년의 값(2.66)은 다른 해에 비해 이례적으로 큰 변화로 나타났다. 이와 유사하게 분할 및 병합 기법과 임계값 기반 이미지 분할 기법에서도 2019년에 2.86의 높은 기울기를 보였으며, 이는 다른 해와 비교해 이례적인 결과로, 이에 대해서는 추가적인 연구가 필요할 것으로 보인다.

Table 6 . Comparative effectiveness of reservoir water surface area estimation.

Reservoir	Method	2015	2016	2017	2018	2019	2020	2021	2022	2023
Togyo	Region Growing Split and Merge Threshold	0.74	0.42	0.90	1.09	0.98	0.74	0.64	0.90	1.21
		0.78	0.61	0.91	1.19	0.90	0.88	0.90	1.03	1.98
		0.64	0.72	0.81	1.88	0.95	0.76	0.68	0.90	0.93
Maengdong		0.56	0.55	0.43	0.27	0.33	0.38	0.27	0.36	0.93
		0.31	0.38	0.19	0.07	0.18	0.18	0.10	0.19	0.8
		0.53	0.50	0.43	0.23	0.31	0.33	0.24	0.35	0.78
Dongbu		0.57	0.40	0.50	0.51	0.59	0.47	0.84	0.50	0.36
		0.69	0.49	0.55	0.62	0.64	0.54	0.97	0.58	0.38
		0.56	0.40	0.49	0.50	0.59	0.48	0.83	0.51	0.32
Yedang		0.53	0.51	0.56	0.47	0.50	0.71	0.63	0.53	0.46
		0.53	0.46	0.29	0.37	0.40	0.51	0.49	0.41	0.3
		0.55	0.47	0.59	0.44	0.44	0.56	0.52	0.47	0.36
Seongam		0.94	0.82	0.81	0.65	0.64	0.63	0.84	0.64	0.57
		0.90	0.81	0.85	0.64	0.61	0.60	0.83	0.67	0.49
		0.98	0.85	0.85	0.67	0.65	0.62	0.84	0.64	0.54
Dongwha		0.66	0.60	0.65	0.55	0.57	0.38	0.62	0.63	0.46
		0.70	0.67	0.71	0.53	0.59	0.35	0.68	0.67	0.45
		0.65	0.67	0.72	0.52	0.60	0.36	0.68	0.64	0.45
Gui		0.74	1.43	1.93	1.66	2.66	-0.04	0.20	0.51	0.53
		0.80	1.81	2.45	1.78	2.86	0.04	0.27	0.57	0.52
		0.75	1.43	1.92	1.69	2.67	-0.05	0.21	0.51	0.48
Bomoon		0.54	0.51	0.66	0.59	0.62	0.52	0.48	0.49	0.39
		0.55	0.58	0.72	0.59	0.69	0.69	0.51	0.51	0.47
		0.53	0.49	0.66	0.58	0.61	0.50	0.47	0.50	0.38
Otae		0.64	-	0.79	0.71	0.56	0.69	0.67	0.64	0.60
		0.68	-	0.76	0.63	0.56	0.43	0.77	0.53	0.57
		0.67	-	0.72	0.66	0.47	0.55	0.69	0.62	0.44
Seongju		0.48	0.39	0.73	0.35	0.55	0.51	0.52	0.71	0.34
		0.53	0.42	0.69	0.34	0.51	0.47	0.43	0.65	0.33
		0.46	0.36	0.69	0.32	0.50	0.47	0.45	0.64	0.24

또한 동화저수지에서는 영역 성장 기법과 분할 및 병합 기법 모두 안정적인 변화를 보였으나 임계값 기반 이미지 분할 기법은 일부 연도에서 높은 변화를 보였다. 이 결과들은 특정 저수지에서 특정 기법이 더 효과적일 수 있음을 시사한다. 즉, 각 저수지의 특성과 조건에 따라 최적의 분석 기법이 달라질 수 있으며, 이러한 차이를 고려한 기법 선택이 수면적 산출에 중요한 요소로 작용할 수 있음을 보여준다.

3.2. Sentinel-2 MSI 영상으로부터 수면적 산출 결과

Fig. 5는 Sentinel-2 MSI 영상으로부터 산출된 오태저수지(a, b), 성주저수지(c, d), 예당저수지(e, f)의 저수율 약 40%, 60%, 80%, 100%일 때의 수면적 변화를 시각화한 것이다. (a), (c), (e)는 위성에서 촬영한 영상으로 각 저수지의 저수율 변화에 따른 물의 반사 특성을 확인할 수 있다. (b), (d), (f)는 Water Mask로 저수율이 변화함에 따라 수면적의 분포 변화가 위성영상에서 어떻게 드러나는지를 시각적으로 확인할 수 있게 한다. 특히, 저수율이 40%에서 100%로 변할 때 오태저수지와 성주저수지에서는 수면적이 상대적으로 크게 변하는 반면, 예당저수지는 저수율이 증가해도 수면적 변화가 비교적 적게 나타나는데, 이는 각 저수지의 물 관리 방식이나 지형적 특성에 기인한 것으로 판단된다.

Figure 5. Reservoir surface area analysis based on water level variations using Sentinel-2 satellite imagery: (a, b) Otae Reservoir satellite image and water mask, (c, d) Seongju Reservoir satellite image and water mask, and (e, f) Yedang Reservoir satellite image and water mask. White areas indicate the detected reservoir water surface.

Table 7은 MNDWI, NDWI, 다중 밴드/시계열 기반 NDWI 기법을 사용해 Sentinel-2 MSI 영상으로 얻은 수면적 데이터와 관측 수면적 간의 상관계수를 나타낸다. 구름이 포함된 영역을 제거하기 위해 Sentinel-2 품질 밴드(QA60)에서 제공하는 이진 정보를 활용해 구름 마스크를 생성하고, NDWI 기준값을 0부터 0.3까지 적용했다. 분석된 이미지를 육안으로 확인한 결과, 기준값 0에서 현장 관측 수면적과 가장 유사한 값을 확인하여 이를 최종값으로 사용하였다.

Table 7 . Correlation coefficients between Sentinel-2 data and field observations.

Reservoirs	MNDWI	NDWI	Mutil-band/temporal-based NDWI
Togyo	0.65	0.82	0.74
Maengdong	0.86	0.95	×
Dongbu	×	×	×
Yedang	0.85	0.98	0.88
Seongam	0.56	0.91	0.91
Dongwha	0.55	0.76	0.84
Gui	0.53	0.57	0.86
Bomoon	0.86	0.88	0.78
Otae	0.73	0.84	0.96
Seongju	0.47	0.59	0.52

MNDWI 분석 결과 맹동저수지에서 0.86의 상관계수를 보였으며, 동화저수지에서는 0.55로 가장 낮은 상관계수를 기록하였다. NDWI 적용한 결과, 예당저수지에서 가장 높은 0.98의 상관계수를 보였고 구이저수지에서는 0.57로 가장 낮았다. 다중 밴드/시계열 기반 NDWI 기법의 경우, 오태저수지에서 0.96로 가장 높았고 성주저수지에서는 0.52로 가장 낮았다. 동부저수지는 분석 가능한 영상이 없었다(Table 7).

Fig. 6에서는 NDWI 기법을 적용하여 분석한 성주저수지의 Quadratic Regression 결과, 상관계수는 0.59로 나타났다. 2019년부터 2023년까지의 Scatter plot에서 기울기는 -1.08에서 0.75까지 다양하게 변동하였다. 특히, 2021년과 2023년의 데이터는 다른 연도에 비해 기울기가 낮아 수면적이 과소 추정되는 경향을 보였다. 또한 2018년의 경우 음수의 기울기가 나타났는데 이는 별도의 연구가 필요할 것으로 판단된다. 이로 인해 데이터들이 45도 기준선 아래쪽에 많이 위치하였으며, 이는 위성 데이터가 실제 관측값보다 일관되게 낮게 추정되었음을 보여준다. 다중 밴드/시계열 기반 NDWI 기법을 사용하여 분석한 오태저수지의 Quadratic Regression 결과, 상관계수는 0.95로 매우 높은 상관성을 보였다. Scatter plot에서 2021년의 기울기는 0.59로 가장 낮았으나 대부분의 데이터는 45도 기준선 근처에 분포하고 있어 위성 데이터를 통해 저수지의 수면적이 비교적 정확하게 산출되었음을 알 수 있었다. MNDWI 기법을 적용하여 분석한 예당저수지의 Quadratic Regression 결과, 상관계수는 0.85로 높은 상관성을 보였으나 전반적으로 기울기가 1보다 낮게 나타났다. Scatter plot에서 데이터들은 대부분 45도 기준선 아래쪽에 위치해 있으며, 이는 위성 추정값이 실제 관측값보다 일관되게 낮음을 시사한다.

Figure 6. Comparison of observed and Sentinel-2 derived water surface areas: normalized quadratic regression (left) and scatter plot analysis (right) for Yedang, Otae, and Seongju Reservoirs. NDWI and Multi: Mutil-band/temporal-based NDWI.

이러한 분석들은 저수지들의 수면적이 시간에 따라 변화하는 패턴을 잘 보여주고 있으며, 각 저수지의 기울기와 상관계수를 통해 위성 데이터와 실제 관측 데이터 간의 민감도와 정확도를 평가할 수 있었다. 다만, 연도별로 기울기의 차이가 발생한 점은 환경적 변화나 외부 요인의 영향을 고려해야 함을 시사한다. Sentinel-1 SAR 영상과 마찬가지로 Sentinel-2 MSI 영상에서도 전반적으로 기울기가 1보다 낮아 위성 데이터가 수면적을 과소 추정하는 경향이 있음을 나타냈다. 특히, 저수율이 높을 때 위성 데이터가 수면적을 과소 추정하는 경향이 두드러졌다.

Sentinel-2 MSI 영상을 사용해 수면적을 측정할 때는 구름, 그림자 등 대기 및 조명 조건의 영향을 자주 받는다. 구름이나 그림자가 영상에 포함되면 수면과 육지의 경계가 흐려져 정확한 측정이 어려워진다. 특히, 구름은 물 위의 빛 반사를 차단해 실제보다 작은 수면적을 산출하게 하고, 그림자는 수면을 가려 실제 수면이 있어도 감지되지 않을 수 있다. 이러한 요인으로 인해 위성 영상으로 산출된 수면적이 현장 관측 결과보다 상대적으로 작게 나타나는 경향이 있는 것으로 판단된다.

본 연구에서는 저수지 유지관리에 있어 Sentinel-1 및 Sentinel-2 영상의 활용 가능성을 평가하였다. 우선, 분석 대상 영역을 만수위 기준 저수지 경계와 가깝게 설정함으로써 관심영역 밖의 노이즈와 밝기분포가 분석 결과에 미치는 영향을 최소화하고 수면적 산출의 정확도를 향상시킬 수 있음을 발견하였다.

Sentinel-1 SAR 영상은 날씨의 영향을 받지 않으면서도 다양한 이미지 분할 기법을 통해 저수지 수면적을 효과적으로 분석할 수 있었다. 각 기법의 연도별 기울기 분석 결과, 특정 연도에 수면적이 과소 추정되는 경향이 확인되었으며, 이는 환경적 요인을 고려한 기법 적용의 중요성을 시사한다. 이 분석 결과를 바탕으로 특정 상황에 따라 분석 방법을 선택할 때 각 방법의 특성과 결과의 변동성을 시각적으로 확인하고 고려해야 함을 알 수 있었다. 과소 추정의 주된 원인은 위성 관측 값(2015~2023년)과 현장 관측 값(2005년) 간의 시간 차이로 인해 저수지 수면적이 변동했기 때문으로 판단된다. 또한 분석결과에 따르면 저수지의 수위가 낮을 때는 위성 데이터가 과대 추정되고, 수위가 높을 때는 과소 추정되는 경향이 나타났다. 이는 저수지 내부의 퇴적물이 상류에서부터 쌓여가는 패턴과 연관이 있을 가능성이 있을 것으로 사료되었다.

Sentinel-2 MSI 영상은 구름과 그림자 등 대기 조건에 민감하여 장기적인 수면적 분석에 어려움을 겪었다. 특히, 구름이 많은 날의 영상은 분석에서 제외되는 경우가 많아 이러한 제한으로 인해 장기적인 수면적 분석에 어려움이 있었다. 그러나 대기 조건이 양호한 날에 촬영된 Sentinel-2 MSI 영상은 수면과 육지의 경계를 명확하게 구분할 수 있어 Sentinel-1 SAR 영상과 함께 활용될 경우 수면적 분석에 유용할 것으로 기대된다.

결론적으로 두 위성 자료의 장단점을 바탕으로 저수지 유지관리에서 위성 자료의 실질적 활용 가능성을 확인하였다. 위성 자료는 시간, 인력 그리고 예산 부족 문제 등을 해결하는 데 기여할 수 있으며, 이를 통해 저수지 관리의 효율성을 높이는 기초 자료로 활용될 것으로 기대된다.

이 연구는 2024년 한국농어촌공사의 재원으로 한국농어촌공사 농어촌연구원과 멜버른대학교 간의 연구협약 및 기술지원을 받아 수행되었습니다.

No potential conflict of interest relevant to this article was reported.