[논문]머신러닝 기반 위성영상과 수질·수문·기상 인자를 활용한 낙동강의 Chlorophyll-a 농도 추정

박소련; 손상훈; 배재구; 이도이; 서동주; 김진수

doi:10.7780/kjrs.2023.39.5.1.15

머신러닝 기반 위성영상과 수질·수문·기상 인자를 활용한 낙동강의 Chlorophyll-a 농도 추정
Estimation of Chlorophyll-a Concentration in Nakdong River Using Machine Learning-Based Satellite Data and Water Quality, Hydrological, and Meteorological Factors 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.39 no.5/1, 2023년, pp.655 - 667

박소련 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 손상훈 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 배재구 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 이도이 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공) , 서동주 (현강이엔지(주)) , 김진수 (부경대학교 지구환경시스템과학부 공간정보시스템공학전공)

초록
AI-Helper

전 세계적으로 녹조 대발생은 빈번하게 보고되고 있으며, 국내에서도 매년 녹조로 인한 심각한 수질 오염 문제가 발생하고 있다. 지속적인 관리와 신속한 대응을 통한 수생태계 보호가 필요하다. 녹조 발생의 지표인 chlorophyll-a (Chl-a) 농도를 예측하기 위해 위성 영상을 이용한 연구가 많이 이루어지고 있다. 하지만 수계에 따라 변하는 분광특성과 대기 보정 오류로 인해 정확한 Chl-a 산출에 어려움이 있어 최근 머신러닝 모델을 활용하고 있다. 위성 분광지수 뿐만 아니라 녹조에 영향을 미치는 인자들에 대한 복합적인 고려가 필요하다. 따라서, 본 연구는 수질, 수문 및 기상 인자와 Sentinel-2 영상을 복합적으로 고려하여 데이터셋을 구축하였다. 최근 5년간 낙동강에 위치한 8개 보 구간의 Chl-a 농도 예측에 대표적인 앙상블 모델 random forest (RF)와 extreme gradient boosting (XGBoost)을 활용하였다. 모델 평가 지표로 r-squared score (R²), root mean square errors(RMSE), mean absolute errors (MAE)를 사용하였으며, XGBoost의 R²가 0.810, RMSE가 6.612, MAE가 4.457로 유의미한 결과를 얻은 것을 확인하였다. Shapley additive explanations (SHAP) 분석을 통해 두 모델 모두 수질 인자 suspended solids (SS), biochemical oxygen demand (BOD), dissolved oxygen (DO)과 red edge 밴드를 활용한 밴드비가 높은 중요도를 보인 것을 알 수 있었다. 다양한 입력 데이터는 모델 성능 향상에 도움을 주는 것을 확인할 수 있었으며, 국내외 녹조 탐지에 적용될 수 있을 것으로 보인다.

Abstract ▼ AI-Helper

Algal bloom outbreaks are frequently reported around the world, and serious water pollution problems arise every year in Korea. It is necessary to protect the aquatic ecosystem through continuous management and rapid response. Many studies using satellite images are being conducted to estimate the concentration of chlorophyll-a (Chl-a), an indicator of algal bloom occurrence. However, machine learning models have recently been used because it is difficult to accurately calculate Chl-a due to the spectral characteristics and atmospheric correction errors that change depending on the water system. It is necessary to consider the factors affecting algal bloom as well as the satellite spectral index. Therefore, this study constructed a dataset by considering water quality, hydrological and meteorological factors, and sentinel-2 images in combination. Representative ensemble models random forest and extreme gradient boosting (XGBoost) were used to predict the concentration of Chl-a in eight weirs located on the Nakdong river over the past five years. R-squared score (R2), root mean square errors (RMSE), and mean absolute errors (MAE) were used as model evaluation indicators, and it was confirmed that R2 of XGBoost was 0.80, RMSE was 6.612, and MAE was 4.457. Shapley additive expansion analysis showed that water quality factors, suspended solids, biochemical oxygen demand, dissolved oxygen, and the band ratio using red edge bands were of high importance in both models. Various input data were confirmed to help improve model performance, and it seems that it can be applied to domestic and international algal bloom detection.

주제어

표/그림 (9)

그림 Fig. 1. Research area: 8 weirs position of Nakong river.
표 Table 1. Sentinel-2 MSI band information
표 Table 2. Sentinel-2 MSI input variables used to machine learning
표 Table 3. Water quality, meteorological, hydrology input variables used to machine learning
그림 Fig. 2. Flow chart of chlorophyll-a estimation.
그림 Fig. 3. The relationship between measured and estimated Chl-a by machine learning algorithms (a) RF and (b) XGBoost. The black solid is with the 1:1 line.
표 Table 4. Model performance comparison with R², MAE, RMSE
그림 Fig. 4. SHAP summary bar plot for Chl-a estimating (a) RF and (b) XGBoost: B1=Rrs (443), B2=Rrs (492), B3=Rrs (560), B4=Rrs (665), B5=Rrs (704), and B6=Rrs (740).
그림 Fig. 5. SHAP summary dot plot for Chl-a estimating (a) RF and (b) XGBoost: B1=Rrs (443), B2=Rrs (492), B3=Rrs (560), B4=Rrs (665), B5=Rrs (704), and B6=Rrs (740).

AI 본문요약
AI-Helper

제안 방법

녹조 발생 원인을 하나의 기준으로 살펴보기는 어려우므로, 보다 정확한 Chl-a 농도 예측을 위해서는 다양한 입력자료를 고려한 연구가 시도될 필요가 있다. 본 연구에서는 낙동강 수계에 위치한 8개 보의 Chl-a 농도를 대표적인 앙상블 머신러닝 알고리즘인 RF와 XGBoost를 적용하여 결과를 비교 및 분석하였다. 수질, 수문, 기상 자료와 Chl-a 농도 추정 시 중요한 Red edge 밴드를 탑재한 Sentinel-2 MSI를 활용하여 수행하였다.
본 연구에서는 낙동강 수계에 위치한 8개 보의 Chl-a 농도를 대표적인 앙상블 머신러닝 알고리즘인 RF와 XGBoost를 적용하여 결과를 비교 및 분석하였다. 수질, 수문, 기상 자료와 Chl-a 농도 추정 시 중요한 Red edge 밴드를 탑재한 Sentinel-2 MSI를 활용하여 수행하였다.

대상 데이터

2018년 1월부터 2022년 12월까지 다운로드한 Sentinel-2 Level-1C (L1C) 영상은 Sentinel 2 Correction (Sen2Cor)대기 보정 프로세서를 사용하여 L2A 영상으로 대기 보정 후 사용하였다. 10, 20, 60 m의 밴드 조합을 위해 10 m의 공간해상도로 리샘플링(resampling) 하였다.
낙동강 8개 보 Chl-a 농도 예측을 위해 수질 인자 15개, 기상 인자 4개, 수문 인자 6개, 위성 인자 13개 총 38개의 독립 변수가 선정되었다. 총 757개의 데이터셋을 8:2의 비율로 랜덤하게 훈련 데이터(n=605), 테스트 데이터(n=152)로 나누었으며, RF와 XGBoost에 동일한 데이터셋을 적용하여 모델의 성능을 비교 및 분석하였다.
높은 정확도의 Chl-a 농도 예측을 위해 현장 측정 날짜와 ±1일 이내의 구름이 없는 영상으로 수집하였다.

데이터처리

낙동강 8개 보 Chl-a 농도 예측을 위해 수질 인자 15개, 기상 인자 4개, 수문 인자 6개, 위성 인자 13개 총 38개의 독립 변수가 선정되었다. 총 757개의 데이터셋을 8:2의 비율로 랜덤하게 훈련 데이터(n=605), 테스트 데이터(n=152)로 나누었으며, RF와 XGBoost에 동일한 데이터셋을 적용하여 모델의 성능을 비교 및 분석하였다.

참고문헌 (44)

Ansper, A., and Alikas, K., 2019. Retrieval of chlorophyll？a from Sentinel-2 MSI data for the European？Union water framework directive reporting？purposes. Remote Sensing, 11(1), 64. https://doi.org/10.3390/rs11010064

상세보기
Arrieta, A. B., Diaz-Rodriguez, N., Del Ser, J., Bennetot,？A., Tabik, S., Barbado, A. et al., 2020. Explainable？artificial intelligence (XAI): Concepts, taxonomies,？opportunities and challenges toward responsible？AI. Information Fusion, 58, 82-115. https://doi.org/10.1016/j.inffus.2019.12.012

상세보기
Boyer, J. N., Kelble, C. R., Ortner, P. B., and Rudnick, D.？T., 2009. Phytoplankton bloom status: chlorophyll a？biomass as an indicator of water quality condition？in the southern estuaries of Florida, USA. Ecological？Indicators, 9(6), S56-S67. https://doi.org/10.1016/j.ecolind.2008.11.013

상세보기
Breiman, L., 2001. Random forests. Machine Learning,？45, 5-32. https://doi.org/10.1023/A:1010933404324
Byeon, Y., Seo, M., Jin, D., Jung, D., Woo, J., Jeon,？U., and Han, K. S., 2021. Green algae detection？in the middle.downstream of Nakdong River using？high-resolution satellite data. Korean Journal of？Remote Sensing, 37(3), 493-502. https://doi.org/10.7780/kjrs.2021.37.3.10

원문보기 상세보기
Cao, Z., Ma, R., Duan, H., Pahlevan, N., Melack, J.,？Shen, M., and Xue, K., 2020. A machine learning？approach to estimate chlorophyll-a from Landsat-8？measurements in inland lakes. Remote Sensing？of Environment, 248, 111974. https://doi.org/10.1016/j.rse.2020.111974

상세보기
Chen, T., and Guestrin, C., 2016. XGBoost: A scalable？tree boosting system. In Proceedings of the 2016？22nd ACM SIGKDD International Conference？on Knowledge Discovery and Data Mining, San？Francisco, CA, USA, Aug. 13-17, pp. 785-794.？https://doi.org/10.1145/2939672.2939785
Cho, H., Lim, H., and Kim, S., 2018. Comparison of？water quality before and after four major river？project for water monitoring stations located near？8 weirs in Nakdong River. Journal of Agriculture？& Life Science, 52(6), 89-101. https://doi.org/10.14397/jals.2018.52.6.89

상세보기
Gascon, F., Bouzinac, C., Thepaut, O., Jung, M., Francesconi,？B., Louis, J. et al., 2017. Copernicus Sentinel-2A？calibration and products validation status. Remote？Sensing, 9(6), 584. https://doi.org/10.3390/rs9060584

상세보기
Gitelson, A. A., Dall'Olmo, G., Moses, W., Rundquist,？D. C., Barrow, T., Fisher, T. R. et al., 2008. A？simple semi-analytical model for remote estimation？of chlorophyll-a in turbid waters: Validation.？Remote Sensing of Environment, 112(9), 3582-3593. https://doi.org/10.1016/j.rse.2008.04.015

상세보기
Gitelson, A. A., Gao, B. C., Li, R. R., Berdnikov, S., and？Saprygin, V., 2011. Estimation of chlorophyll-a？concentration in productive turbid waters using a？hyperspectral imager for the coastal ocean-The？Azov Sea case study. Environmental Research？Letters, 6(2), 024023. https://doi.org/10.1088/1748-9326/6/2/024023

상세보기
Gregor, J., and Marsalek, B., 2004. Freshwater phytoplankton？quantification by chlorophyll a: A comparative？study of in vitro, in vivo and in situ methods.？Water Research, 38(3), 517-522. https://doi.org/10.1016/j.watres.2003.10.033

상세보기
Gurlin, D., Gitelson, A. A., and Moses, W. J., 2011.？Remote estimation of chl-a concentration in turbid？productive waters - Return to a simple two-band？NIR-red model?. Remote Sensing of Environment,？115(12), 3479-3490. https://doi.org/10.1016/j.rse.2011.08.011

상세보기
Ha, N. T. T., Thao, N. T. P., Koike, K., and Nhuan,？M. T., 2017. Selecting the best band ratio to？estimate chlorophyll-a concentration in a tropical？freshwater lake using Sentinel 2A images from？a case study of Lake Ba Be (Northern Vietnam).？ISPRS International Journal of Geo-Information, 6(9), 290. https://doi.org/10.3390/ijgi6090290

상세보기
Ho, J. C., Michalak, A. M., and Pahlevan, N., 2019.？Widespread global increase in intense lake？phytoplankton blooms since the 1980s. Nature,？574(7780), 667-670. https://doi.org/10.1038/s41586-019-1648-7

상세보기
Jensen, J., 2006. Remote sensing of the environment:？An earth resource perspective (2nd ed.). Pearson？Education India.
Jeon, B. S., Han, J., Kim, S. K., Ahn, J. H., Oh, H. C.,？and Park, H. D., 2015. An overview of problems？cyanotoxins produced by cyanobacteria and the？solutions thereby. Journal of Korean Society of？Environmental Engineers, 37(12), 657-667. https://doi.org/10.4491/KSEE.2015.37.12.657

원문보기 상세보기
Kim, D. H., and Yom, J. H., 2018. Machine learning？based estimation of chlorophyll-a concentrations？in the Nakdong River using satellite imagery. In？Proceedings of the 2018 Korean Society of Surveying,？Geodesy, Photogrammetry and Cartography, Seoul,？Republic of Korea, Apr. 19-20, pp. 231-236.
Kim, S. H., Park, J. H., and Kim, B., 2021. Prediction of？cyanobacteria harmful algal blooms in reservoir？using machine learning and deep learning. Journal？of Korea Water Resources Association, 54(12S),？1167-1181. https://doi.org/10.3741/JKWRA.2021.54.S-1.1167

원문보기 상세보기
Kim, Y. W., Kim, T., Shin, J., Lee, D. S., Park, Y. S.,？Kim, Y. et al., 2022. Validity evaluation of a？machine-learning model for chlorophyll a retrieval？using Sentinel-2 from inland and coastal waters.？Ecological Indicators, 137, 108737. https://doi.org/10.1016/j.ecolind.2022.108737

상세보기
Lee, J. J., Lee, Y. R., Lim, D. H., and Ahn, H. C., 2021.？A study on the employee turnover prediction using？XGBoost and SHAP. The Journal of Information？Systems, 30(4), 21-42. https://doi.org/10.5859/KAIS.2021.30.4.21

원문보기 상세보기
Lee, S. H., Kim, B. R., and Lee, H. W., 2014. A study？on water quality after construction of the weirs？in the middle area in Nakdong River. Journal of？Korean Society of Environmental Engineers, 36(4),？258-264. https://doi.org/10.4491/KSEE.2014.36.4.258

원문보기 상세보기
Lee, S. M., and Kim, I. K., 2021. A Comparative study？on the application of boosting algorithm for Chl-a？estimation in the downstream of Nakdong River.？Journal of Korean Society of Environmental？Engineers, 43(1), 66-78. https://doi.org/10.4491/KSEE.2021.43.1.66

상세보기
Lee, S. M., Park, K. D., and Kim, I. K., 2020. Comparison？of machine learning algorithms for Chl-a prediction？in the middle of Nakdong River (focusing on？water quality and quantity factors). Journal of the？Korean Society of Water and Wastewater, 34(4),？277-288. https://doi.org/10.11001/jksww.2020.34.4.277

원문보기 상세보기
Li, Q., Eu, S., Lee, E. J., Lee, Y. E., Kim, M. S., and？Im, S. J., 2019. Water quality analysis of instream and reservoir water in erosion control？dams in the Nakdong River basin. Journal of？Korean Society of Forest Science, 108(3), 329-340. https://doi.org/10.14578/jkfs.2019.108.3.329

원문보기 상세보기
Li, S., Song, K., Wang, S., Liu, G., Wen, Z., Shang, Y.？et al., 2021. Quantification of chlorophyll-a in？typical lakes across China using Sentinel-2 MSI？imagery with machine learning algorithm. Science？of the Total Environment, 778, 146271. https://doi.org/10.1016/j.scitotenv.2021.146271

상세보기
Lundberg, S. M., and Lee, S. I., 2017. A unified approach？to interpreting model predictions. In Proceedings of？the 2017 31st Conference on Neural Information？Processing Systems, Long Beach, CA, USA,？Dec. 4-9, pp. 4768-4777.
Moses, W. J., Gitelson, A. A., Berdnikov, S., and？Povazhnyy, V., 2009. Estimation of chlorophylla concentration in case II waters using MODIS？and MERIS data-Successes and challenges.？Environmental Research Letters, 4(4), 045005.？https://doi.org/10.1088/1748-9326/4/4/045005

상세보기
Nguyen, H. Q., Ha, N. T., Nguyen-Ngoc, L., and Pham,？T. L., 2021. Comparing the performance of？machine learning algorithms for remote and in？situ estimations of chlorophyll-a content: A case？study in the Tri An Reservoir, Vietnam. Water？Environment Research, 93(12), 2941-2957. https://doi.org/10.1002/wer.1643

상세보기
Park, S., Lee, S., Yun, Y., Shin, D., Park, S., and Lee, Y., 2018. Estimation of chlorophyll-a concentration？for inland water using red-edge band of Sentinel-2？and RapidEye. The Geographical Journal of？Korea, 52(3), 445-454.
Park, Y., Cho, K. H., Park, J., Cha, S. M., and Kim, J.？H., 2015. Development of early-warning protocol？for predicting chlorophyll-a concentration using？machine learning models in freshwater and？estuarine reservoirs, Korea. Science of the Total？Environment, 502, 31-41. https://doi.org/10.1016/j.scitotenv.2014.09.005

상세보기
Park, Y., Lee, H. K., Shin, J. K., Chon, K., Kim, S.,？Cho, K. H. et al., 2021. A machine learning？approach for early warning of cyanobacterial？bloom outbreaks in a freshwater reservoir. Journal？of Environmental Management, 288, 112415.？https://doi.org/10.1016/j.jenvman.2021.112415

상세보기
Pretty, J. N., Mason, C. F., Nedwell, D. B., Hine, R.？E., Leaf, S., and Dils, R., 2003. Environmental？costs of freshwater eutrophication in England？and Wales. Environmental Science & Technology,？37(2), 201-208. https://doi.org/10.1021/es020793k

상세보기
Rodriguez-Lopez, L., Duran-Llacer, I., Gonzalez-Rodriguez, L., Abarca-del-Rio, R., Cardenas, R.,？Parra, O. et al., 2020. Spectral analysis using？LANDSAT images to monitor the chlorophyll-a？concentration in Lake Laja in Chile. Ecological？Informatics, 60, 101183. https://doi.org/10.1016/j.ecoinf.2020.101183

상세보기
Saberioon, M., Brom, J., Nedbal, V., Souce？ k, P., and？Cisar, P., 2020. Chlorophyll-a and total suspended？solids retrieval and mapping using Sentinel-2A？and machine learning for inland waters. Ecological？Indicators, 113, 106236. https://doi.org/10.1016/j.ecolind.2020.106236

상세보기
Shapley, L. S., 1953. A value for n-person games. RAND？Corporation. https://doi.org/10.7249/p0295
Shi, J., Shen, Q., Yao, Y., Li, J., Chen, F., Wang, R. et al.,？2022a. Estimation of chlorophyll-a concentrations？in small water bodies: Comparison of fused Gaofen6 and Sentinel-2 sensors. Remote Sensing, 14(1), 229. https://doi.org/10.3390/rs14010229

상세보기
Shi, X., Gu, L., Jiang, T., Zheng, X., Dong, W., and Tao,？Z., 2022b. Retrieval of chlorophyll-a concentrations？using Sentinel-2 MSI imagery in Lake Chagan？based on assessments with machine learning？models. Remote Sensing, 14(19), 4924. https://doi.org/10.3390/rs14194924

상세보기
Smetacek, V., and Zingone, A., 2013. Green and golden？seaweed tides on the rise. Nature, 504, 84-88.？https://doi.org/10.1038/nature12860

상세보기
Wang, R., Kim, J. H., and Li, M. H., 2021. Predicting？stream water quality under different urban？development pattern scenarios with an interpretable？machine learning approach. Science of the Total？Environment, 761, 144057. https://doi.org/10.1016/j.scitotenv.2020.144057

상세보기
Wang, S., Li, J., Zhang, B., Spyrakos, E., Tyler, A. N.,？Shen, Q. et al., 2018. Trophic state assessment？of global inland waters using a MODIS-derived？Forel-Ule index. Remote Sensing of Environment,？217, 444-460. https://doi.org/10.1016/j.rse.2018.08.026

상세보기
Werther, M., Odermatt, D., Simis, S. G., Gurlin, D.,？Jorge, D. S., Loisel, H. et al., 2022. Characterising？retrieval uncertainty of chlorophyll-a algorithms？in oligotrophic and mesotrophic lakes and reservoirs.？ISPRS Journal of Photogrammetry and Remote？Sensing, 190, 279-300. https://doi.org/10.1016/j.isprsjprs.2022.06.015

상세보기
Yang, L., and Shami, A., 2020. On hyperparameter？optimization of machine learning algorithms: Theory and practice. Neurocomputing, 415, 295-316. https://doi.org/10.1016/j.neucom.2020.07.061

상세보기
Zhang, H., Qiu, Z., Devred, E., Sun, D., Wang, S., He, Y.,？and Yu, Y., 2019. A simple and effective method？for monitoring floating green macroalgae blooms:？A case study in the Yellow Sea. Optics Express,？27(4), 4528-4548. https://doi.org/10.1364/OE.27.004528

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