항공수심라이다를 활용한 대규모 하천 하상 지형 정보 구축 방안 연구 = A study on a method for constructing large-scale riverbed topography using airborne bathymetric LiDAR

국문 초록 (Abstract)

최근 기후 변화와 극한 강우 빈도 증가로 인해 하천의 하상 변동이 가속화되면서 하상 정보를 정밀하고 주기적으로 구축하는 것은 하천 설계 측면에서도 필수적인 요소로 인식되고 있다. 그러나 기존의 하상 조사 방법은 GNSS 측량, 측량선 기반 수심 측량, 음향측심기 등 직접측량에 의존해왔으며 이는 인력과 시간 측면에서 비효율적이며 대규모 하천의 연속적인 하상 정보를 구축하기에는 한계가 있다. 이러한 한계를 극복하기 위해 최근에는 다양한 원격탐사 기술이 하천 측량 분야에 도입되고 있으며 그 중 항공수심라이다 시스템이 주목받고 있다. 항공수심라이다 시스템은 항공기에 근적외선 레이저를 탑재하여 지상 지형 정보를 취득하는 기존의 항공라이다 시스템에 수면을 투과하는 그린 레이저를 추가로 탑재하여 지상과 하상 지형 정보를 동시에 취득할 수 있는 장비이다. 항공수심라이다 시스템은 반사신호를 기반으로 취득되기 때문에 수면, 수중 객체, 하상, 기타 노이즈 등이 혼재된 상태로 취득된다. 따라서 정확한 하천 하상 지형 정보를 분석하기 위해서는 원시 데이터로부터 하상 점군만을 분류하는 작업이 필수적으로 선행되어야 한다. 하상 분류 작업 중 가장 정확도가 높은 방법은 단면을 직접 시각적으로 확인하면서 하상 점군이라고 판단되는 점군만을 수동으로 분류하는 방법이지만 이 방법은 작업자의 숙련도나 피로도에 따라 일관성이 저하되고 많은 시간이 소요되기 때문에 대규모 하천 지역에 적용하는 것은 사실상 불가능하다. 이에 본 연구는 대규모 하천 지역에서의 하상 자동 분류를 목표로 기존 자동화 기반 지형 필터링인 CSF 알고리즘을 적용하였다. 항공수심라이다 레이저 반사신호는 수심에 따라 중첩 및 감쇠 현상으로 분포 경향이 다르게 나타난다. 이러한 현상이 CSF 알고리즘 매개변수에 직접적인 영향을 미칠 것으로 판단되어 연구 대상 지역을 얕은 수심 구역, 중간 수심 구역, 깊은 수심 구역으로 세분화한 뒤 각 수심대 별로 분석하였다. 이후 각 수심대 별로 CSF 알고리즘 매개변수를 최적화하였으며 최적화 과정은 CSF 알고리즘 주요 3가지 매개변수 중 지형 유형을 하상의 전반적인 평탄함을 고려하여 Flat으로 고정시키고 천 해상도, 분류 임계값의 임계값을 변경하면서 정확도가 가장 높은 매개변수 조합을 취득하였다. 수심대 별로 취득된 매개변수를 활용하여 전체 연구 대상 지역에 적용하여 하상 점군을 자동으로 분류한 뒤 공간 해상도 0.5m 격자를 기준으로 하상 DEM을 구축하였으며 수면 DEM에서 하상 DEM을 차분하여 수심분포도를 제작하였다. 이후 항공수심라이다의 신뢰도를 검증하기 위해 GNSS 기반 측량과 비교하여 정확도 평가를 수행하였다. 본 연구는 국내에서 항공수심라이다를 활용하여 대규모 하천 구간에 대해 기존 자동화 기반 알고리즘인 CSF 알고리즘을 활용하여 하상 분류작업을 수행하고 하상 DEM과 수심 분포도를 제작하여 그 적용성을 정량적으로 검증했다는 점에서 의의를 가진다. 이는 향후 홍수 재해 분석, 하상 변동 모니터링, 하천 구조물 안정성 평가를 위한 디지털 하천관리 기반 기초자료로 활용될 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Recent climate change and the increasing frequency of extreme rainfall events have accelerated riverbed changes, making the precise and periodic construction of riverbed information an essential component of river design and management. However, conventional riverbed survey methods, such as GNSS surveys, boat-based depth sounding, and acoustic echo sounding, still rely on direct measurements, which are labor-intensive and time-consuming, and thus have clear limitations in providing continuous riverbed information over large river systems. To overcome these constraints, various remote sensing techniques have recently been introduced into river surveying, among which Airborne Bathymetric LiDAR (ABL) systems have attracted particular attention. ABL system augments a conventional airborne LiDAR sensor, which uses near-infrared laser pulses to measure terrestrial topography, with an additional green laser that can penetrate the water surface, thereby enabling the simultaneous acquisition of both terrestrial and submerged riverbed topography. Because ABL data are derived from backscattered laser signals, the resulting point cloud contains a mixture of returns from the water surface, submerged objects, the riverbed, and various noise points. Therefore, in order to obtain accurate riverbed topography, it is essential to first classify and extract only riverbed points from the raw data. Among riverbed classification approaches, the most accurate method is manual classification, in which an operator visually inspects cross sections and interactively selects only those points judged to belong to the riverbed. However, this approach is highly sensitive to the operator’s skill and fatigue, requires substantial processing time, and is effectively infeasible for application to large river systems. In this context, the present study aims at automated riverbed classification over a large-scale river reach by applying the Cloth Simulation Filtering (CSF) algorithm, an existing automated ground-filtering method originally developed for topographic LiDAR data. Because the distribution of ABL returns is strongly affected by water depth through signal overlap in shallow water and attenuation in deeper water, the performance of CSF-based classification is also expected to vary with depth. For this reason, the study area was subdivided into three depth zones—shallow, intermediate, and deep and analyses were performed separately for each depth class. Subsequently, the CSF parameters were optimized for each depth zone. The CSF algorithm employs three main parameters; among these, the terrain type was fixed to Flat to reflect the generally smooth character of the riverbed in the study area, while the cloth resolution and classification threshold were systematically varied to identify the parameter combinations yielding the highest classification accuracy in each depth zone. The optimized parameters derived for each depth class were then applied to the entire study reach to automatically classify riverbed points, and a riverbed Digital Elevation Model (DEM) with a spatial resolution of 0.5 m was generated. A water-surface DEM was also constructed, and a water-depth map was produced by differencing the water-surface DEM and the riverbed DEM. Finally, the reliability of the ABL products was evaluated by comparing them with GNSS-based field survey data. This study is significant in that it applies the existing automated CSF algorithm to ABL data acquired over a large-scale river reach in Korea, performs depth-dependent riverbed classification, and constructs both a riverbed DEM and a water-depth distribution map to quantitatively assess the method’s applicability. The results are expected to serve as fundamental data for digital river management, supporting future applications such as flood hazard analysis, riverbed change monitoring, and the assessment of hydraulic structure stability.

목차 (Table of Contents)

• 목 차
• 표 목차 ⅲ
• 그림 목차 ⅳ
• 국문 초록 ⅴ
• 제 1 장 서 론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 관련 연구 동향 3
• 1.3 연구 목적 및 내용 5
• 제 2 장 연구 대상 지역 및 데이터 7
• 2.1 데이터 취득 장비 7
• 2.2 대상 하천 개요 9
• 2.3 항공수심라이다 데이터 초기 처리 11
• 제 3 장 연구 방법 13
• 3.1 항공수심라이다 시스템 원리 13
• 3.2 CSF 알고리즘 15
• 3.3 수심에 따른 항공수심라이다 점군 분포 18
• 3.4 수심에 따른 연구 대상 지역 세분화 20
• 3.5 CSF 알고리즘 매개변수 최적화 22
• 제 4 장 연구 결과 24
• 4.1 수심 기반 CSF 알고리즘 정확도 분석 결과 24
• 4.2 자동분류된 하상 점군을 바탕으로 DEM 제작 30
• 4.3 수심 분포도 제작 32
• 4.4 항공수심라이다 하상 데이터 정확도 검증 34
• 4.5 항공수심라이다 지상 데이터 정확도 검증 37
• 제 5 장 토의 및 결론 42
• 5.1 결론 42
• 5.2 향후 과제 43
• 참고문헌 45
• ABSTRACT 49