C-band 합성개구레이더와 머신러닝을 활용한 유역 단위 수체 탐지 및 수위 산정 모델 구축 및 평가 = The use of C-band synthetic aperture radar and machine learning for water body detection and water level estimation at watershed scale

국문 초록 (Abstract)

본 연구는 Sentinel-1 C-band SAR 위성 자료를 기반으로 비지도 학습 기반 분류 알고리즘과 머신러닝 기법을 활용하여 영산강 유역의 수체(하천·댐 호소) 탐지 및 수위 변동을 정량적으로 규명하고, 현행 지점 기반 수문 관측망의 공간적 한계를 보완하기 위한 위성 기반 수문 모니터링 체계의 구축 가능성을 평가하였다. 연구를 위해 2015–2024년 동안 획득한 총 396장의 Sentinel-1 SAR 영상을 전처리한 후, K-means Clustering과 Otsu Thresholding 기법을 적용하여 수체를 분류하고 ESA WorldCover 자료를 이용하여 탐지 정확도를 검증하였다. 그 결과, 댐 호소에서는 Accuracy 0.96–0.99, F1-score 0.88–0.93의 매우 높은 탐지 성능을 보였으며, 하천에서는 평균 Accuracy 0.87–0.90, F1-score 0.80–0.84 수준의 안정적인 분류 정확도가 확인되었다. 수체 규모가 크고 경계가 명확한 본류에서는 K-means 기법이 우수한 반면, 폭이 좁고 혼합 픽셀이 빈번한 지류에서는 Otsu 기법이 상대적으로 높은 성능을 보였다.
수위 산정을 위해 댐·호소에는 Random Forest(RF), 하천에는 Long Short-Term Memory(LSTM) 모델을 적용하였다. 댐·호소의 경우 RF 모델은 수위 및 저수량에 대해 상관계수(R) 0.85–0.97, IOA 0.91–0.98의 높은 정확도를 보였으며, 수체 면적과 수위 간의 비선형 관계를 효과적으로 학습하였다. 반면 하천 LSTM 모델은 지류와 본류에서 성능 차이가 뚜렷하게 나타났다. 자연적 수문 변동이 우세한 지류에서는 R 0.73–0.79, IOA 0.57–0.67로 높은 재현성을 보였으나, 수리 구조물 운영 등 인위적 조절이 빈번한 본류에서는 R 0.20–0.30 수준으로 예측 성능이 제한되었다. STL 분해 결과 또한 지류에서는 추세·계절성이 잘 재현된 반면, 본류에서는 비주기적 변동의 영향으로 예측 정확도가 저하되는 것으로 나타났다.
종합적으로, Sentinel-1 SAR 기반 머신러닝 수위 산정은 기상 조건과 무관하게 광역 수문 변동을 안정적으로 모니터링할 수 있는 잠재력을 보였으며, 특히 정체 수역(댐·호소)의 수위 산정에 효과적인 것으로 확인되었다. 본 연구는 지점 기반 관측망의 공간적 제약을 보완하고, 홍수·가뭄 대응 및 수자원 운영 의사결정 지원을 위한 위성 기반 수문 모니터링 체계 구축의 과학적 근거를 제시한다. 또한 향후 다중센서 융합 및 추가 수문·기상 변수의 통합을 통해 본류 지역의 비주기적 수위 변동까지 포착할 수 있는 고도화된 모니터링 체계 개발 가능성을 제안한다.

목차 (Table of Contents)

• 제1장 서론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 연구 목적 및 논문 구성 6
• 제2장 이론적 배경 9
• 2.1 수문 모니터링의 개요 및 한계점 9
• 2.2 원격탐사의 이론적 개요 11
• 2.2.1 원격탐사의 원리 11
• 2.2.2 전자기파의 특성 및 SAR 원리 14
• 2.3 위성 기반 수체 및 수위 산정 연구 동향 18
• 2.3.1 위성 기반 수체 탐지의 연구 동향 18
• 2.3.2 위성 기반 수위 산정의 연구 동향 20
• 제3장 연구 내용 및 방법 22
• 3.1 연구 지역 22
• 3.2 연구 자료 26
• 3.2.1 Sentinel-1 SAR 자료 및 전처리 26
• 3.2.2 지점 관측 자료 28
• 3.2.3 참조 자료 29
• 3.3 위성 기반 수체 탐지 기법 및 정확도 평가 31
• 3.3.1 수체 탐지 기법 31
• 3.3.3 Confusion Matrix 기반 정확도 평가 33
• 3.4 수위 산정 알고리즘 구축 및 성능 평가 35
• 3.4.1 Long Short-Term Memory (LSTM) 35
• 3.4.2 Random Forest (RF) 37
• 3.4.3 모델 성능 평가 지표 39
• 제4장 연구결과 및 고찰 41
• 4.1 수체 탐지 결과 분석 41
• 4.1.1 댐 호소의 수체 탐지 성능 비교 41
• 4.1.2 하천의 수체 탐지 성능 비교 48
• 4.1.3 수체 유형별 탐지 정확도 및 한계 분석 58
• 4.2 수위 산정 결과 62
• 4.2.1 댐 호소의 수위 산정 결과 62
• 4.2.2 하천의 수위 산정 결과 65
• 4.2.3 하천 수위 변동의 시계열 특성 분석 68
• 제5장 결론 및 향후 연구 71
• 5.1 연구 결론 71
• 5.2 향후 연구 방향 74