[논문]CART알고리즘과 Landsat-8 위성영상 분석을 통한 계절별 지하수함양량 변화

박승혁; 정교철

doi:10.9720/kseg.2021.3.395

CART알고리즘과 Landsat-8 위성영상 분석을 통한 계절별 지하수함양량 변화
Variation of Seasonal Groundwater Recharge Analyzed Using Landsat-8 OLI Data and a CART Algorithm 원문보기

지질공학 = The journal of engineering geology, v.31 no.3, 2021년, pp.395 - 432

박승혁 (중앙컨설턴트(주) 지하수환경부) , 정교철 (안동대학교 지구환경과학과)

초록
AI-Helper

지하수함양은 시공간적으로 다양하여 직접적으로 측정하기 어렵기 때문에 함양추정을 위해 수치모델이 널리 사용되고 있다. 이 연구에서는 지하수함양을 추정하기 위한 방법으로 기계학습법의 하나인 분류회귀트리(CART)모형을 적용하기 위해 수정된 수직식생지수(mPVI), 정규식생지수(NDVI), 정규경작지수(NDTI), 정규나지지수(NDRI) 같은 토양-식생관련 지수와 강우, 지형인자(고도, 경사, 경사방향)를 입력하고 김천지역 SWAT-MODFLOW의 함양량 결과를 추출 및 학습하여 함양량을 예측하였다. SWAT-MODFLOW의 함양량 분포에 대한 CART모형의 예측값의 전반적인 정확도는 0.5~0.7, 카파계수는 0.3~0.6으로 나타나 위성영상자료를 통해 토양-식생에 따른 함양량 변화를 합리적으로 예측할 수 있었다.

Abstract ▼ AI-Helper

Groundwater recharge rates vary widely by location and with time. They are difficult to measure directly and are thus often estimated using simulations. This study employed frequency and regression analysis and a classification and regression tree (CART) algorithm in a machine learning method to estimate groundwater recharge. CART algorithms are considered for the distribution of precipitation by subbasin (PCP), geomorphological data, indices of the relationship between vegetation and landuse, and soil type. The considered geomorphological data were digital elevaion model (DEM), surface slope (SLOP), surface aspect (ASPT), and indices were the perpendicular vegetation index (PVI), normalized difference vegetation index (NDVI), normalized difference tillage index (NDTI), normalized difference residue index (NDRI). The spatio-temperal distribution of groundwater recharge in the SWAT-MOD-FLOW program, was classified as group 4, run in R, sampled for random and a model trained its groundwater recharge was predicted by CART condidering modified PVI, NDVI, NDTI, NDRI, PCP, and geomorphological data. To assess inter-rater reliability for group 4 groundwater recharge, the Kappa coefficient and overall accuracy and confusion matrix using K-fold cross-validation were calculated. The model obtained a Kappa coefficient of 0.3-0.6 and an overall accuracy of 0.5-0.7, indicating that the proposed model for estimating groundwater recharge with respect to soil type and vegetation cover is quite reliable.

주제어

표/그림 (43)

그림 Fig. 1. Location of monitoring piint, stream, and reservoir in the subbasin including Gimcheon district (modified from MOLIT, 2016).
표 Table 1. Summarized geomorphic properties of the stream according to subbasin
표 Table 2. Classification of land use and dominant soil types
표 Table 2. Continued
표 Table 3. Dominant land used, soil types, and HRU according to subbasin
그림 Fig. 2. Time series data of observations compared with simulated results at the monitoring point.
그림 Fig. 3. Comparison of spatial observations with simulated results for groundwater level.
표 Table 4. Monthly average values of hydrological components for 2008~2015 using SWAT-MODFLOW
그림 Fig. 4. Distribution of annually averaged groundwater recharge and hydraulic conductivity compared with the dominant distribution of soil type and land use.
그림 Fig. 5. Monthly averaged spatio-temporal distribution of simulated groundwater recharge in February, March, April, May, July, August, October, November, and December.
그림 Fig. 6. Results of automatic haze estimation for atmospheric correction.
그림 Fig. 7. Comparison of bare soil line by season during data correction for basic groundwater survey.
표 Table 5. Intercept, slope, and full canopy about bare soil line in 2015 and 2016
표 Table 6. Spectral indices for vegetation, tillage, and crop residue discrimination (modified from Park and Jeong, 2020)
그림 Fig. 8. Spectral index maps for vegetation, tillage, and crop residue discrimination (March 2015).
그림 Fig. 9. Spectral index maps for vegetation, tillage, and crop residue discrimination (May 2015).
그림 Fig. 10. Spectral index maps for vegetation, tillage, and crop residue discrimination (October 2015).
그림 Fig. 11. Spectral index maps for vegetation, tillage, and crop residue discrimination (April 2016).
그림 Fig. 12. Spectral index maps for vegetation, tillage, and crop residue discrimination (November 2016).
그림 Fig. 13. Spectral index maps for vegetation, tillage, and crop residue discrimination (December 2016).
그림 Fig. 14. Frequency of index values for vegetation, tillage, and residue (March 2015).
그림 Fig. 15. Frequency of index values about vegetation, tillage, and residue (May 2015).
그림 Fig. 16. Frequency of index values about vegetation, tillage, and residue (October 2015).
그림 Fig. 17. Frequency of index values about vegetation, tillage, and residue (April 2016).
그림 Fig. 18. Frequency of index values about vegetation, tillage, and residue (November 2016).
그림 Fig. 19. Frequency of index values about vegetation, tillage, and residue (December 2016).
표 Table 7. Statistical summary of R-squared for correlation of distribution between results according to geomorphological/meteorological data and monthly averaged groundwater recharge using SWAT-MODFLOW by season
그림 Fig. 20. Regression analysis for correlation between modified perpendicular vegetation index (mPVI) and monthly averaged groundwater recharge by season.
표 Table 8. Coefficient of first-order regression equation for correlation between spectral indices and monthly averaged groundwater recharge by season
그림 Fig. 20. Continued.
표 Table 9. Statistical summary of R-squared for correlation of distribution between results according to geomorphological/meteorological data and monthly averaged groundwater recharge using SWAT-MODFLOW in the season
표 Table 10. Coefficient of first-order regression equation for correlation between spectral indices and monthly averaged groundwater recharge by season
그림 Fig. 21. Regression analysis for correlation between slope (SLOP) and monthly averaged groundwater recharge by season.
그림 Fig. 22. Regression analysis for correlation between slope (PCP) and monthly averaged groundwater recharge by season.
그림 Fig. 23. Classification of groundwater recharge by season.
그림 Fig. 24. Training of groundwater recharge distribution by season.
그림 Fig. 25. Decision of CP parameter in the CART algorithm.
그림 Fig. 26. Flow chart for decision by the tree model in the CART algorithm.
그림 Fig. 27. Prediction of groundwater recharge by season using the CART algorithm.
표 Table 11. Confusion matrix for groundwater recharge in spring
표 Table 12. Confusion matrix for groundwater recharge in autumn
표 Table 13. Analysis of error between prediction of recharge according to Landsat-8 OLI data and observation of monthly averaged groundwater recharge using SWAT-MODFLOW by season
표 Table 14. Analysis of error for recharge zone in the CART algorithm

AI 본문요약
AI-Helper

문제 정의

따라서 본 연구에서는 위성영상으로 지하수 함양변화를 추정하기 위해 복잡한 함양인자간 상관관계를 추정하기 위한 방안으로 인공지능 기계학습법의 일종인 CART 알고리즘을 이용하여 식생과 토양관련 지수외에도 소유역별 강우(PCP), 지형고도(DEM), 지형경사(SLOP), 경사방향(ASPT) 같은 기상과 지형관련 인자들을 입력변수로 하여 시공간적인 함양 분포에 대한 의사결정과정을 분석하고 계절적인 함양량 변화를 추정하였다.

제안 방법

따라서 CART 분석을 수행하기 위해 Fig. 23과 같이 분산을 고려하여 SWAT-MODFLOW의 함양량 분포를 4개의 범위로 나누고, 각각의 함양범위에서 다양한 추출을 무작위적으로 시행하여 자식 노드의 분기를 최소화하면서 분기관련 CP 값을 0.01에 근접하도록 추출을 시행하고 교차상관오차의 감쇠양상이 지수적으로 나타나도록 트리모형의 가지치기 (pruning)를 수행하였다(Figs. 24~27).
Landsat-8의 영상에 대한 대기보정은 식생과 토지와 관련된 밴드 2~5에 대해 16비트 정수형 센서의 디지털 번호(DN)를 센서의 분광 복사휘도(spectral radiance)와 대기 상층의 반사도(top of atmosphere reflectance, TOA)로 변환하여 수행 하였다.
지하수함양은 매우 다양한 변수들이 서로 작용하여 복잡한 과정을 거치기 때문에 이를 직접적으로 측정하기 어렵다. 따라서 지하수함양의 시공간적 분포를 제시할 수 있는 수치모델링 접근 방법 중 하나인 SWAT-MODFLOW의 결과를 바탕으로 지하수함양량과 위성영상간의 상관성을 분석하였다.
지하수함양량에 대한 식생과 토양관련 지수에 대한 회귀분석 결과, 결정계수가 최대 0.2 이상으로 나타나는 식생과 토양관련지수 이외에도 지하수함양에 주도적으로 영향을 주는 기상인자와 지형인자를 추가하여 분석해보았다(Tables 9~10, Figs. 21~22).

대상 데이터

본 연구지역은 김천지역으로 낙동강 최상류에 위치하고 있으며 감천을 중심으로 유역이 형성되어 있다. 소유역별 지류 연장은 0.
상기 지형자료를 바탕으로 수문모형을 구축하고 검 ‧ 보정을 수행하여 2004년 1월~2016년 7월까지 모의기간 중에 워밍업기간을 제외한 2008~2016년까지 수문성분을 분석하였다(Figs. 2~3, Table 4).

데이터처리

2008~2016년까지 3~5월, 10~12월 평균 지하수함양량 분포와 2015년과 2016년 해당 월의 위성영상자료를 가지고 공간분포에 따른 빈도분석을 수행하였다(Figs. 14~19).
광학위성영상 특성상 구름에 의해 자료의 왜곡이 상기는 여름과 겨울을 제외하고 동일한 격자상에서 봄, 가을 계절별 지하수 함양량과 토양-식생관련 지수에 대해 전통적인 회귀분석을 수행하였다(Tables 7~8, Fig. 20).
지하수함양량 격자와 위성영상 격자간 같은 위치에서 서로 중첩되도록 하기 위해 격자간격 300 m인 지하수 함양량에 맞도록 30 m간격의 위성영상 격자 크기를 조정하였다. 위성영상 격자크기 조정은 300 m 격자 크기 내 해당 격자의 평균 값을 대표값으로 갖도록 수행하였고 이를 토대로 각 시기별 공간상의 함양량과 토양-식생관련 지수값(mPVI, NDVI, NDTI, NDRI)의 빈도분포를 비교해 보았다.

이론/모형

2 이하로 나타나 서로 얽혀있는 함양인자간 관계를 규명해 줄 대안이 필요한 실정이다. 본 연구에서는 이를 해결하기 위해 기계학습법의 일종인 분류회귀트리(classification and regression tree, CART)모형을 활용하여 위성영상 분석에 의한 토양-식생지수와 기상, 지형인자를 입력변수로 하여 함양량을 추정하였다.
지하수함양량 추정에는 복잡한 함양인자간의 관계를 계절별 위성영상자료의 공간분포에서 CART(classification and regression tree)모형을 사용하여 함양과정에 대해 군집과 회귀방법에 의한 의사결정트리로 나타내어 지하수함양량을 추정하였다(Figs. 23~27, Tables 11~14).

성능/효과

기존의 선행연구를 보면, 강우량이 300 mm 이상인 2003년 인도 서부지방에서 지하수 함양과 NDVI의 그래프는 결정계수 0.8 이상의 포물선 형태의 상관성을 나타내고 있지만, 장성지역에서 적용했던 지하수함양량과 토양-식생 관련 지수의 상관성 그래프에서 결정계수값은 최대 0.2 이하로 나타나 시공간별로 복잡한 토양-식생 분포 양상을 보이는 국내에서는 상대적으로 NDVI의 상관성이 다소 낮은 것으로 판단된다. 따라서 복잡한 함양과정을 단순화하여 분포시키는 수단으로 기계학습법의 하나인 CART모형을 사용하여 시기별 토양과 식생, 강우와 지형인자를 입력변수로 트리모형을 적절히 가지치기(pruning)한 결과 전반적인 정확도(Overall accuracy)가 0.
김천지역에 대한 수문성분별 모의를 위해 전체유역을 19개의 소유역으로 구분하고 각각의 소유역에 대해 토지피복과 토양도를 중첩하여 1,799개의 수문응답단위(hydrologic response unit, HRU)를 산정한 결과 FRST/SAMGAG이 가장 우세하고 다음으로 FRSE/SAMGAG순으로 나타났다(Table 3).
김천지역에 대한 위성영상 분석을 통해 토양-식생 관련식(BSL)을 추정한 결과, 기울기는 약0.815~1.506의 범위를 나타내고 있고, 절편은 약-0.035~-0.000013의 범위였다. 지난 2005~2013년 동안 월 평균 지하수함양량이 상대적으로 증가하는 3월과 11월에는 Red 밴드가 약 0.
2 이하로 나타나 시공간별로 복잡한 토양-식생 분포 양상을 보이는 국내에서는 상대적으로 NDVI의 상관성이 다소 낮은 것으로 판단된다. 따라서 복잡한 함양과정을 단순화하여 분포시키는 수단으로 기계학습법의 하나인 CART모형을 사용하여 시기별 토양과 식생, 강우와 지형인자를 입력변수로 트리모형을 적절히 가지치기(pruning)한 결과 전반적인 정확도(Overall accuracy)가 0.5~0.7, 카파계수가 0.3~0.6으로 나타나 합리적으로 지하수 함양량 예측이 가능하다고 판단된다.
복잡한 함양과정을 단순화하여 위성영상과 강우, 지형인자로부터 지하수함양량을 추정하기 위해 분류회귀트리(CART) 모형을 적용한 결과, 함양의 공간분포에 지배적인 영향인자는 지형경사(SLOP)와 강우(PCP)이며 지형고도(DEM)와 토양-식생관련 지수가 시기별로 지하수함양에 다양하게 영향을 주는 것으로 판단된다.
분석결과, 상대적으로 함양량에 대해 결정계수가 큰 기상/지형 인자는 지형경사(SLOP)이며 산술/기하/조화 평균에서 NDVI나 NDTI처럼 표준편차보다 1 order 크게 나타나 상대적으로 함양량과의 상관성이 큰 것으로 판단된다.
분석결과, 상대적으로 함양량에 대해 결정계수가 큰 토양-식생관련 지수는 NDVI와 NDTI이며 산술/기하/조화 평균에서 모두 표준편차보다 1 order 크게 나타나 상대적으로 함양량과의 상관성이 큰 것으로 판단된다. 한편, NDRI는 평균보다 표준편차가 크며 mPVI는 반대로 나타나서 선행연구와 비교할 때 mPVI는 기존의 PVI가 NDRI보다 결정계수가 1 order 낮았던 것이 개선되었다.
빈도분석 결과 지하수함양량 분포 대비 토양-식생관련 지수와 강우, 지형인자 중에서 수정 수직식생지수(mPVI)와 지형경사(SLOP)는 정규분포를 나타내는 반면, 나머지 인자들은 비정규 분포양상을 띠고 있다. 회귀분석 결과 지하수함양 량 대비 NDVI와 NDTI 그리고 지형경사(SLOP)는 매우 유익한 양의 상관성을 나타내고 있다.
000013의 범위였다. 지난 2005~2013년 동안 월 평균 지하수함양량이 상대적으로 증가하는 3월과 11월에는 Red 밴드가 약 0.138, 0.079로 나타나 다른 기간에 비해 약 2~8배 정도 증가하는 것으로 나타났다.
빈도분석 결과 지하수함양량 분포 대비 토양-식생관련 지수와 강우, 지형인자 중에서 수정 수직식생지수(mPVI)와 지형경사(SLOP)는 정규분포를 나타내는 반면, 나머지 인자들은 비정규 분포양상을 띠고 있다. 회귀분석 결과 지하수함양 량 대비 NDVI와 NDTI 그리고 지형경사(SLOP)는 매우 유익한 양의 상관성을 나타내고 있다.

후속연구

향후 SWAT-MODFLOW의 입력값으로 위성영상결과를 적용하여 함양량을 산정한다면, 위성영상 분석결과와 기상, 지형인자에서 예측한 함양량의 Kappa계수값은 더 개선될 것으로 예상되며 이를 통해 위성영상을 통한 함양량 연구가 활발해 질 것으로 기대한다.

참고문헌 (32)

Baret, F., Jacquemoud, S., Hanocq, J.F., 1993, About the soil line concept in remote sensing, Advances in Space Research, 13(5), 281-284.

상세보기
Breiman, L., Friedman, J., Olshen, R., Stone, C., 1984, Classification and regression trees, Wadworth Books, 358p.
Burke, D.G., Dawes, J., 2014, A novice experimental with satellite-based classification of agricultural crops and BMPs, Chesapeake Conservancy's Conservation Innovation Center, 6-8.
Chung, I.M., Kim, N., Lee, C., 2015, Estimation of interception in Cheonmi watershed, Jeju Island, Journal of Civil and Environmental Engineering Research, 35(4), 815-820 (in Korean with English abstract).
Chung, I.M., Kim, N., Lee, C.W., 2007, Estimation of groundwater recharge by considering runoff process and groundwater level variation in watershed, Journal of Soil and Groundwater Environment, 12(5), 19-32 (in Korean with English abstract).
Dematte, J.A.M., Huete, A.R., Ferreira Jr., L.G., Nanni, M.R., Alves, M.C., Fiorio, P.R., 2009, Methodolody for bare soil detection and discrimination by Landsat TM image, The Open Remote Sensing Journal, 2, 24-35.
Ghosh, A., Hijmans, R.J., 2019, Remote sensing image analysis with R, 3-30.
Goslee, S.C., 2011, Analyzing remote sensing data in R: The landsat package, Journal of Statistical Software, 43(4), 1-14.
Healy, R.W., 2010, Estimating groundwater recharge, Cambridge University Press, 1-138.
Jinno, K., Tsutsumi, A., Alkaeed, O., Saita, S., Berndtsson, R., 2009, Effects of land-use change on groundwater recharge model parameters, Hydrological Sciences Journal, 54(2), 300-315.

상세보기
Kim, N.W., Chung, I.M., Won, Y.S., Anold, G.J., 2008, Development and applications of the integrated SWAT-MODFLOW model, Journal of Hydrology, 356, 1-16.

상세보기
Koroleva, P., Rukhovich, D., Rukhovich, A., Rukhovich, D., Kulyanitsa, A., Trubnikov, A., Kalinina, N., Simakova, M., 2017, Location of bare soil surface and soil line on the RED-NIR spectral plane, Eurasian Soil Science, 50, 1375-1385.

상세보기
Markstrom, S.L., Niswonger, R.G., Regan, R.S., Prudic, D.E., Barlow, P.M., 2008, GSFLOW-coupled ground-water and surface-water flow model based on the integration of the precipitation-runoff modeling system (PRMS) and the modular ground-water flow model (MODFLOW-2005), In U.S. Geological Survey Techniques and Methods 6-D1; Geological Survey: Reston, VA, USA, 254p.
McHugh, M.L., 2012, Interrater reliability: the kappa statistic, Biochemia Medica, 22(3), 276-282.

상세보기
Memon, B.A., 1995, Quantitative analysis of springs, Environmental Geology, 26, 111-120.

상세보기
Mohan, C., Western, A.W., Wei, Y., Saft, M., 2018, Predicting groundwater recharge for varying land cover and climate conditions-a global meta-study, Hydrology and Earth System Sciences, 22, 2689-2703.

상세보기
MOLIT, 2016, The basic groundwater investigation in Jangseong, Appendix I, 5, 61-78.
Park, S., Jeong, G.C., 2020, A study on the corelation between the variation of land cover and groundwater recharge using the analysis of Landsat-8 OLI data, The Journal of Engineering Geology, 30(3), 347-378 (in Korean with English abstract).

원문보기 상세보기
Perry Jr., C.R., Lautenschlager, L.F., 1984, Functional equivalence of spectral vegetation indices, Remote Sensing of Environment, 14, 169-182.

상세보기
Richardson, A.J., Wiegand, C.L., 1977, Distinguishing vegetation from soil background information, Photogrammetric Engineering and Remote Sensing, 43, 1541-1552.
Rouse, J.W., Hass, R.H., Schell, J.A., Deering, D.W., 1973, Monitoring vegetation systems in the great plains with ERTS, Proceedings of the Third ERTS Symposium, Vol. I, 309-312.
Rukundo, E., Dogan, A., 2019, Dominant influencing factors of groundwater recharge spatial patterns in Ergene river catchment, Turkey, Water, 11(653), 1-25.
Santos, A., 2017, Package 'landsat8', 1-7.
Scanlon, B.R., Reedy, R.C., Stonestrom, D.A., Prudic, D.E., Dennehy, K.F., 2005, Impact of land use and land cover on groundwater recharge and quality in the southwestern US, Global Change Biology, 11, 1577-1593.

상세보기
Serbin, G., Daughtry, C.S.T., Hunt Jr., E.R., Brown, D.J., McCarty, G.W., 2009, Effect on soil spectral properties on remote sensing of crop residue cover, Soil Science Society of America Journal, 73(5), 1545-1558.

상세보기
Singhal, V., Goyal, R., 2012, A methodology based on spatial distribution of parameters for understanding affect of rainfall and vegetation density on groundwater recharge, European Journal of Sustainable Development, 1(2), 85-96.

상세보기
Sonmez, N.K., Slater, B., 2016, Measuring intensity of tillage and plant residue cover using remote sensing, European Journal of Remote Sensing, 49, 121-135.

상세보기
Sophocleous, M.A., Koelliker, J.K., Govindaraju, R.S., Birdie, T., Ramireddygari, S.R., Perkins, S.P., 1999, Integrated numerical modeling for basin-wide water management: The case of the Rattlesnake Creek basin in south-central Kansas, Journal of Hydrology, 214, 179-196.

상세보기
Sudicky, E.A., Jones, J.P., Park, Y.J., Brookfield, A.E., Colautti, D., 2008, Simulating complex flow and transport dynamics in an integrated surface-subsurface modeling framework, Geosciences Journal, 12, 107-122.

상세보기
Tsutsumi, A., Jinno, K., Berndtsson, R., 2004, Surface and subsurface water balance estimation by the groundwater recharge model and a 3-D two-phase flow model, Hydrological Sciences Journal, 49(2), 205-226.

상세보기
USGS, 2019, Landsat 8 data users handbook, 1-99.
van Deventer, A.P., Ward, A.D., Gowda, P.H., Lyon, J.G., 1997, Using Thematic Mapper data to identify contrasting soil plains and tillage practices, Photogrammetric Engineering and Remote Sensing, 63(1), 87-93.

상세보기

저자의 다른 논문 :

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