[논문]KOMPSAT-2/3 위성을 활용한 강원도 인제군 소양강 상류지역의 가뭄 모니터링

박성재; 이창욱

doi:10.7780/kjrs.2018.34.6.3.2

KOMPSAT-2/3 위성을 활용한 강원도 인제군 소양강 상류지역의 가뭄 모니터링
Monitoring of the Drought in the Upstream Area of Soyang River, Inje-Gun, Kangwon-do Using KOMPSAT-2/3 Satellite 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.34 no.6 pt.3, 2018년, pp.1319 - 1327

초록
AI-Helper

우리나라는 여름철에 강수량이 집중되고, 지하수 유출량이 크기 때문에 가뭄에 취약한 지형을 가지고 있다. 이러한 가뭄을 판단하기 위해서 정량화된 가뭄지수가 사용되고 있다. 이 중에서 주로 강수량을 분석한 가뭄지수가 많이 사용되고 있으며, 최근에는 인공위성 영상을 활용하여 가뭄을 모니터링하는 연구가 진행되었다. 이에 이 연구에서는 소양강 상류지역의 가뭄 모니터링을 위하여 KOMPSAT-2/3 영상을 이용하여 수계면적을 산출하고 가뭄지수와의 비교 분석을 실시하였다. 그 결과 인공위성영상에서 산출된 수계면적 변화의 경향성과 가뭄지수와의 경향성이 비슷하게 나타남을 확인하였다. 추후 이 연구는 가뭄을 판단하기 위한 근거로 활용될 수 있을 것이다.

Abstract ▼ AI-Helper

Korea has a terrain vulnerable to drought due to the concentration of precipitation in summer and the large amount of groundwater discharge. Quantified drought indices are used to determine these droughts. Among these, drought index is mainly used for analysis of precipitation, and recently, researches have been conducted to monitor drought using satellite images. In this study, we used the KOMPSAT-2/3 image to calculate the water surface area and compare with the drought index in order to monitor the drought in the Upper Soyang River. As a result, it was confirmed that the tendency of the water surface area change and the trend of the drought index were similar in the satellite images. Future research could be used as a basis for judging drought.

주제어

표/그림 (10)

그림 Fig. 1. Work flow in this study.
그림 Fig. 2. The NIR, RED, BLUE band combination of satellite images used in this study; (a) KOMPSAT-2 image on Apr-20-2012, (b) KOMPSAT-3 image on Jun-17-2015, (c) KOMPSAT-2 image on Aug-06-2016.
표 Table 1. The information of the images used in this study
표 Table 2. Soil condition according to SPI value (McKee et al., 1993)
표 Table 3. Soil condition according to EDI value (Gwak et al., 2018)
그림 Fig. 3. Classification result of KOMPSAT-2 image on Apr-20-2012; (a) ANN algorithm result, (b) SVM algorithm result, (c) ANN algorithm result.
그림 Fig. 4. Classification result of KOMPSAT-3 image on Jun-17-2015; (a) ANN algorithm result, (b) SVM algorithm result, (c) ANN algorithm result.
그림 Fig. 5. Classification result of KOMPSAT-3 image on Jun-17-2015; (a) ANN algorithm result, (b) SVM algorithm result, (c) ANN algorithm result.
그림 Fig. 6. The water area of each image and drought Index values; ANN (light gray bar), SVM (dark gray bar), SPI2 (large dotted line), SPI3 (small dotted line), EDI (solid line).
표 Table 4. The water area of each image and Drought Index values in Inje Observatory

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

연구에서는 소양강 상류 지역의 가뭄 모니터링을 위하여 KOMPSAT-2/3 고해상도 영상을 활용하여 영상 분류를 실시하였으며 이를 통하여 수계면적을 산출하였다. 또한 산출된 수계 면적과 가뭄지수와의 비교를 통해 인공위성영상의 가뭄 모니터링 가능성을 연구하였다. 영상은 가뭄 시기와 가뭄 전/후 시기에 획득된 영상을 활용하였으며, 감독 분류인 ANN, SVM 알고리즘과 무감독 분류인 ISO data 알고리즘으로 적용하여 영상을 분류하였다.
이 연구에서는 가뭄이 발생한 소양강 상류 지역에 대하여 가뭄 모니터링을 실시하고자 한다. 이를 위하여 KOMPSAT-2와 KOMPSAT-3 영상을 활용하여 수계면적 변화를 산출하였다.

제안 방법

이를 위하여 KOMPSAT-2와 KOMPSAT-3 영상을 활용하여 수계면적 변화를 산출하였다. KOMPSAT 위성은 근적외선(Near-infrared: NIR), 빨간색(Red), 초록색(Green), 파란색(Blue)의 4가지 파장대를 가지고 있으며 이 중 물과 지면을 효과적으로 분류할 수 있는 NIR, RED, BLUE의 조합을 활용하여 수계 면적을 산출하였다. 영상은 2012년 4월 20일, 2015년 6월 17일, 2016년 8월 6일에 획득되었다(Table 1).
(1993)에 의해 개발되었으며 강수량을 이용하여 가뭄 정도를 시간 단위에 따라 산정하며, 30일을 1단위의 기준으로 사용한다. 각 시간 단위에 따라 확률분포에 따른 누적확률 값의 표준정규분포 값을 산출하며, 산출된 SPI값을 통해 가뭄단계를 판단한다. SPI는 다음의 식 (1)–(4)을 이용하여 계산된다(Lee et al.
또한 레이더 위성 역시 수계면적 분석에 적절치 않다. 따라서 이 연구에서는 4 m급 공간해상도KOMPSAT-2/3 위성영상을 활용하여 소양강 상류지역에서 수계면적을 Artificial Neural Network(ANN), Support Vector Machine(SVM), ISOdata 분류방법을 통해 산출하였다. 또한 이를 기반으로 가뭄지수와의 비교를 하였다.
3개의 영상을 분류한 결과 감독분류 방법인 ANN과 SVM은 대체로 비슷한 결과를 보여주었으며 무감독분류인 ISO data 방법은 분류에 많은 에러가 나타났다. 따라서 이 연구에서는 수계가 잘 분류가 된 ANN과 SVM 결과에서 수계면적을 산출하여 각 가뭄지수와 비교를 하였다(Table 4).
3(b)). 또한 SVM 알고리즘은 ANN 알고리즘과 동일하게 도심지를 모래로 분류하였지만, 도로의 경우에는 모래가 아닌 도심지로 분류를 하였다. 하지만 수계의 경우 두 알고리즘에서 경계가 명확히 구분되었다.
또한 분류된 수계 면적과 가뭄과의 상관성 분석을 위하여 표준강수지수(Standardized Precipitation Index: SPI), 유효가뭄지수(Effective Drought Index: EDI), 강수평년비(Percent of Normal Precipitation: PN)의 3가지 가뭄지수와 비교하였다. SPI는 McKee et al.
따라서 이 연구에서는 4 m급 공간해상도KOMPSAT-2/3 위성영상을 활용하여 소양강 상류지역에서 수계면적을 Artificial Neural Network(ANN), Support Vector Machine(SVM), ISOdata 분류방법을 통해 산출하였다. 또한 이를 기반으로 가뭄지수와의 비교를 하였다. 이 연구의 흐름도를 Fig.
18 km²의 면적을 나타낸다. 수계면적의 변화와 가뭄지수와의 상관관계를 알아보기 위하여 각 시기별 가뭄지수 값과 비교 분석하였다. 그 결과, SPI2, SPI3, EDI의 가뭄 지수는 2012년 4월 20일에 각각 0.
또한 산출된 수계 면적과 가뭄지수와의 비교를 통해 인공위성영상의 가뭄 모니터링 가능성을 연구하였다. 영상은 가뭄 시기와 가뭄 전/후 시기에 획득된 영상을 활용하였으며, 감독 분류인 ANN, SVM 알고리즘과 무감독 분류인 ISO data 알고리즘으로 적용하여 영상을 분류하였다. 그 결과 머신러닝 기반의 감독분류인 ANN과 SVM은 산림과 모래, 도심지의 분류에서는 차이를 보였으나 수계를 분류한 결과는 서로 비슷한 결과를 나타냈다.
이 연구에서 사용한 기상청 수문기상시스템에서는 1981년부터 2010년까지의 평년값을 사용한다. 이 연구에서는 기상청에서 제공되는 장기간의 가뭄지수 중 60일 표준 강수지수(SPI2), 90일 표준강수지수(SPI3), EDI, 30일 강수평년비(PN1)의 4가지 가뭄지수와 비교하였다.
이 연구에서는 가뭄이 발생한 소양강 상류 지역에 대하여 가뭄 모니터링을 실시하고자 한다. 이를 위하여 KOMPSAT-2와 KOMPSAT-3 영상을 활용하여 수계면적 변화를 산출하였다. KOMPSAT 위성은 근적외선(Near-infrared: NIR), 빨간색(Red), 초록색(Green), 파란색(Blue)의 4가지 파장대를 가지고 있으며 이 중 물과 지면을 효과적으로 분류할 수 있는 NIR, RED, BLUE의 조합을 활용하여 수계 면적을 산출하였다.

대상 데이터

연구지역이 속해 있는 소양강댐 유역전체 면적은 2,694 km², 유역둘레는 약 383.6 km이며 우리나라 북동부 산악지역에 위치하며 유연면적 중 92%인 2,478.5 km²가 산림지역으로 이루어져 있다. 이 지역은 2015년 당시 강수량이 평년 강수량의 절반정도 밖에 미치지 않아 소양강댐의 수위가 152.
KOMPSAT 위성은 근적외선(Near-infrared: NIR), 빨간색(Red), 초록색(Green), 파란색(Blue)의 4가지 파장대를 가지고 있으며 이 중 물과 지면을 효과적으로 분류할 수 있는 NIR, RED, BLUE의 조합을 활용하여 수계 면적을 산출하였다. 영상은 2012년 4월 20일, 2015년 6월 17일, 2016년 8월 6일에 획득되었다(Table 1). Fig.
NP는 고정된 30년간의 누적 평균강수량을 의미한다. 이 연구에서 사용한 기상청 수문기상시스템에서는 1981년부터 2010년까지의 평년값을 사용한다. 이 연구에서는 기상청에서 제공되는 장기간의 가뭄지수 중 60일 표준 강수지수(SPI2), 90일 표준강수지수(SPI3), EDI, 30일 강수평년비(PN1)의 4가지 가뭄지수와 비교하였다.

이론/모형

연구에서는 소양강 상류 지역의 가뭄 모니터링을 위하여 KOMPSAT-2/3 고해상도 영상을 활용하여 영상 분류를 실시하였으며 이를 통하여 수계면적을 산출하였다. 또한 산출된 수계 면적과 가뭄지수와의 비교를 통해 인공위성영상의 가뭄 모니터링 가능성을 연구하였다.

성능/효과

3개의 영상을 분류한 결과 감독분류 방법인 ANN과 SVM은 대체로 비슷한 결과를 보여주었으며 무감독분류인 ISO data 방법은 분류에 많은 에러가 나타났다. 따라서 이 연구에서는 수계가 잘 분류가 된 ANN과 SVM 결과에서 수계면적을 산출하여 각 가뭄지수와 비교를 하였다(Table 4).
ANN, SVM 알고리즘으로 분류한 수계 면적 분석 결과, 가뭄 이전 시기인 2012년 4월에는 각각 7.84, 8.12km²의 면적을 가지며 가뭄 시기인 2015년에는 2.50, 2.62km²으로 면적이 상당히 줄어 든 것을 알 수 있다. 반면에 가뭄 이후인 2016년 8월에는 각각 11.
반면에 무감독 분류인 ISO data 결과는 ANN과 SVM 알고리즘에 비하여 각 분류 지표의 뚜렷한 경계가 없는 영상에서는 오류가 크게 나타냈다. ANN과 SVM 알고리즘으로 산출된 수계의 면적 분석 결과, 가뭄이 발생했을 시기인 2015년에 면적이 각각 2.50, 2.62 km²으로 가장 작았으며, 이 후 2016년에 11.36, 11.18 km²으로 면적이 가장 크게 나타났다. 산출된 수계면적의 분석 결과와 가뭄지수를 비교해 보았을 때, 강수량에만 의존하는 PN을 제외한 SPI2, SPI3, EDI 지수와 수계면적변화와의 경향성이 매우 유사하게 나타났다.
영상은 가뭄 시기와 가뭄 전/후 시기에 획득된 영상을 활용하였으며, 감독 분류인 ANN, SVM 알고리즘과 무감독 분류인 ISO data 알고리즘으로 적용하여 영상을 분류하였다. 그 결과 머신러닝 기반의 감독분류인 ANN과 SVM은 산림과 모래, 도심지의 분류에서는 차이를 보였으나 수계를 분류한 결과는 서로 비슷한 결과를 나타냈다. 반면에 무감독 분류인 ISO data 결과는 ANN과 SVM 알고리즘에 비하여 각 분류 지표의 뚜렷한 경계가 없는 영상에서는 오류가 크게 나타냈다.
수계면적의 변화와 가뭄지수와의 상관관계를 알아보기 위하여 각 시기별 가뭄지수 값과 비교 분석하였다. 그 결과, SPI2, SPI3, EDI의 가뭄 지수는 2012년 4월 20일에 각각 0.34, -0.03, 0.60으로 보통 상태이며, 2015년 6월 17일은 -2.05, -1.13, -2.31로 심한 가뭄, 평균적인 가뭄, 심한 가뭄으로 분류가 되었다. 2016년 8월 6일은 0.
그 결과 머신러닝 기반의 감독분류인 ANN과 SVM은 산림과 모래, 도심지의 분류에서는 차이를 보였으나 수계를 분류한 결과는 서로 비슷한 결과를 나타냈다. 반면에 무감독 분류인 ISO data 결과는 ANN과 SVM 알고리즘에 비하여 각 분류 지표의 뚜렷한 경계가 없는 영상에서는 오류가 크게 나타냈다. ANN과 SVM 알고리즘으로 산출된 수계의 면적 분석 결과, 가뭄이 발생했을 시기인 2015년에 면적이 각각 2.
18 km²으로 면적이 가장 크게 나타났다. 산출된 수계면적의 분석 결과와 가뭄지수를 비교해 보았을 때, 강수량에만 의존하는 PN을 제외한 SPI2, SPI3, EDI 지수와 수계면적변화와의 경향성이 매우 유사하게 나타났다. 이 연구를 통해 고해상도 위성인 KOMPSAT-2와 KOMPSAT-3의 영상분석을 활용하여 가뭄 모니터링이 가능함을 확인하였다.
산출된 수계면적의 분석 결과와 가뭄지수를 비교해 보았을 때, 강수량에만 의존하는 PN을 제외한 SPI2, SPI3, EDI 지수와 수계면적변화와의 경향성이 매우 유사하게 나타났다. 이 연구를 통해 고해상도 위성인 KOMPSAT-2와 KOMPSAT-3의 영상분석을 활용하여 가뭄 모니터링이 가능함을 확인하였다. 하지만 이 연구에서는 3장의 영상으로 분석하여 많은 가뭄 지수에 대한 연구가 아직 부족하다.
(2017)은 MODIS(Moderate Resolution Imaging Spectroradiometer) 위성영상을 이용하여 한반도의 봄철 가뭄 모니터링 가능성에 대해 연구하였다. 이를 위하여 정규식생지수(Normalized Difference Vegetation Index: NDVI)와 표준강수지수와의 상관관계를 분석하였으며 그 결과 산지지역의 식생과 기상학적 가뭄의 상관도가 높음을 밝혀냈다. Kim and Shim(2017)은 NASA의 L-band SMAP위성을 활용한 한반도 전역의 가뭄 모니터링 연구에서 가뭄지수에 대한 다양한 위성 관측 자료들의 활용을 시사하였고, Park et al.

후속연구

하지만 이 연구에서는 3장의 영상으로 분석하여 많은 가뭄 지수에 대한 연구가 아직 부족하다. 따라서 향후 연구에서 더 많은 자료를 획득하여 다양한 가뭄지수와 면적을 비교한다면 향상된 가뭄 예측 연구에 대한 자료로 활용 가능할 것으로 생각된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	가뭄 영상에서 수계 면적을 산출하기 위해 사용한 분류 알고리즘은?	영상으로부터 수계 면적을 산출하기 위하여 사용한 분류 방법은 감독분류방법인 ANN 알고리즘과 SVM 알고리즘과, 무감독분류 방법인 ISOdata 알고리즘이다. ANN 알고리즘은 머신러닝의 한 종류로 하나 이상의 입력 레이어, 숨김 레이어, 출력 레이어 순의 연결 순서를 가지며, 각 레이어는 뉴런이라는 비선형 처리단위로 구성되며, 연속된 레이어의 뉴런 사이의 연결에 가중치가 부여된다(Xiu and Liu, 2003).
	지속적인 가뭄 분석 및 모니터링이 필요한 이유는?	특히 현재 계속되는 사회의 발전으로 용수의 수요 증가와 국제적 기후변화로 인한 여름철 강수량 감소가 가뭄의 위험성을 증가시키고 있다(Kim and Park, 2015). 하지만 가뭄에 대한 보편적인 정의의 부재로 인해 가뭄의 심각성을 추산하는 것이 어려우며 정책 결정자들의 판단의 혼란을 야기해 효과적인 조치의 시기를 놓치는 경향이 있다(Lee et al., 2017).
	우리나라가 가뭄에 취약한 이유는?	, 2003). 우리나라는 여름철에 강우량이 집중되는 기상학적 요인과 대수층이 발달하지 못한 지형학적 요인에 의해 가뭄에 취약한 여건을 가지고 있다. 특히 2014년부터 강수량이 감소하였으며 2015년 1월부터 6월까지 중부지방의 강수량은 평년대비 절반수준 밖에 미치지 못하였다.

참고문헌 (17)

Bae, D. H., K. H. Son, and H. Kim, 2013. Derivation & evaluation of drought threshold level considering hydro-meteorological data on South Korea, Journal of Korea Water Resources Association, 46(3): 287-299.

원문보기 상세보기
Gwak, Y. S., J. P. Cho, I. G. Jung, D. W. Kim, and S. M. Jang, 2018. Projection of Future Changes in Drought Characteristics in Korea Peninsula Using Effective Drought Index, Journal of Climate Change Research, 9(1): 31-45.

상세보기
Irvin, B. J., S. J. Ventura, and B. K. Slater, 1997. Fuzzy and isodata classification of landform elements from digital terrain data in Pleasant Valley, Wisconsin, Geoderma, 77(2-4): 137-154.

상세보기
Kadavi, P. R. and C. W. Lee, 2018. Land cover classification analysis of volcanic island in Aleutian Arc using an Artificial Neural Network (ANN) and a Support Vector Machine (SVM) from Landsat imagery, Geosciences Journal, 2018: 1-13.
Kim, D. W., H. R. Byun, and K. S. Choi, 2009. Evaluation, modification, and application of the Effective Drought Index to 200-Year drought climatology of Seoul, Korea. Journal of Hydrology, 378(1-2): 1-12.

상세보기
Kim. T. W. and D. H. Park, 2015. Extreme Drought Response and Improvement - Focusing on 2015 Drought, Journal of The Korean Society of Civil Engineers, 63(9): 25-35 (in Korean with English abstract).
Kim, Y. W. and C. S. Shim, 2017. Towards an Integrated Drought Monitoring with Multi satellite Data Products Over Korean Peninsular, Korean Journal of Remote Sensing, 33(6-1): 993-1001 (in Korean with English abstract).
Lee, J. H., J. W. Seo, and C. J. Kim, 2012. Analysis on Trends, Periodicities and Frequencies of Korean Drought Using Drought Indices, Journal of Korea Water Resources Association, 45(1): 75-89.

원문보기 상세보기
Lee, S. B., Y. Kim, J. Kim, and Y. Park, 2017. Detection of Alteration in River Area Using Landsat Satellite, Journal of Korean Society Hazard Mitigation, 17(3): 391-398 (in Korean with English abstract).

상세보기
McKee, T. B., N. J. Doesken, and J. Kleist, 1993. The relationship of drought frequency and duration to time scales, Proc. of the 8th Conference on Applied Climatology, Boston, MA, Jan. 17-22, vol. 17, pp. 179-183.
Park, E. J., J. C. Seong, and C. S. Hwang, 2003. A Study of Drought Susceptibility on Cropland Using landsat ETM+ Imagery, Korean Journal of Remote Sensing, 19(2): 107-115 (in Korean with English abstract).
Park, J. S. and K. T. Kim, 2009. Evaluation of MODIS NDVI for drought monitoring: Focused on comparison of drought index, Journal of Korea Spatial Information Society, 17(1): 117-129 (in Korean with English abstract).
Park, J. Y., J. Y. Yoo, M. Lee, and T. W. Kim, 2012. Assessment of drought risk in Korea: Focused on data-based drought risk map, Journal of the Korean Society of Civil Engineers, 32(4B): 203-211.

원문보기 상세보기
Park, M., S. Jang, and S. Kim, 2015. Analysis of 2015 Drought in Korea Using Real-Time Drought, Journal of Korean Society of Hazard Mitigation, 15(6): 451-458 (in Korean with English abstract).

원문보기 상세보기
Rhee, J. and J. Cho, 2016. Future changes in drought characteristics: regional analysis for South Korea under CMIP5 projections, Journal of Hydrometeorology, 17(1): 437-451 (in Korean with English abstract).

상세보기
Shin, H. J., M. J. Park, E. H. Hwang, H. S. Chae, and S. J. PARK, 2015. A Study of Spring Drought Using Terra MODIS Satellite Image-For the Soyanggang Dam Watershed, Journal of the Korean Association of Geographic Information Studies, 18(4): 145-157 (in Korean with English abstract).

원문보기 상세보기
Xiu, L. N. and X. N. Liu, 2003. Current status and future direction of the study on artificial neural network classification processing in remote sensing, Remote Sensing Technology and Application, 18(5): 339-345.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증