High-Frequency Monitoring of Deposition and Erosion on Tidal Flats Using Sentinel-1/2 Imagery with Adaptive K-Means: Case Studies in Gomso and Hampyeong Bays = Sentinel-1/2 영상과 Adaptive K-Means를 활용한 곰소만 및 함평만 조간대 퇴적·침식의 고빈도 모니터링

국문 초록 (Abstract)

갯벌은 퇴적물 수송, 홍수 완화, 생태계 유지에 핵심적으로 기여하는 매우 역동적인 연안 지형이다. 갯벌 지형은 조석, 파랑, 퇴적물 공급에 의해 지속적으로 재형성되므로, 연 단위 산출물에서 흔히 가려지는 퇴적–침식 주기와 사건성 변화를 규명하기 위해서는 시간적으로 조밀한 모니터링이 요구된다. 전통적인 현장 측량은 정밀도가 높지만 비용이 크고 공간적 범위가 제한된다. 원격탐사는 확장 가능한 대안을 제공하나, 광학 영상은 구름과 불규칙한 관측 간격의 제약을 받으며, 합성개구레이다(Synthetic Aperture Radar, SAR) 영상은 스펙클 노이즈, 젖은 조간대 표면과 천해 수역 간의 낮은 명암 대비, 그리고 조위 상태에 따른 표면 거칠기 변화에 대한 민감성으로 인해 한계가 존재한다. 이러한 요인들은 기존 수위선 기반 디지털 표고모델(Digital Elevation Model, DEM) 생성 기법의 자동화, 정확도, 확장성을 제약한다.
이러한 한계를 해결하기 위해 본 연구는 Sentinel-1(S-1) SAR와 Sentinel-2(S-2) 광학 영상을 통합하여 2018–2023년 기간의 격월(두 달) 조간대 DEM을 자동 생성하는 다중 센서 모니터링 프레임워크를 개발하였다. 수위선 추출은 엔트로피 최적화 적응형 K-평균(Adaptive K-Means) 군집화로 수행되며, 분류 불확실성을 최소화하도록 최적 군집 수를 자동으로 선택한다. SAR 영상에는 비국소(non-local) 스펙클 필터링과 히스토그램 평활화를 적용하여 노이즈를 억제하고 대비를 향상시키며, 저기복 환경에서 해안선 기울기와 경계의 안정성을 높이기 위해 다중 스케일 에지 특징을 추가로 활용한다. 또한 자동 마스킹을 통해 외해/해양 영역이 지배적인 불균형을 완화하고, 저대비 구간에서의 오분류를 줄였다. 광학 영상에는 다양한 탁도 및 배경 조건에서의 수–육 판별 성능을 높이기 위해 AWEInsh 지수를 적용하였다. 전문가 판독 기준선 및 UAV 기반 수위선과의 비교 검증 결과, 수위선 추출은 평균 F1 점수 0.88, 평균 최소거리(AMD) 0.83 픽셀의 높은 정확도를 보였다.
추출된 수위선에는 인근 조위관측소의 조위가 할당되며, 이후 수위선을 등고선 제약으로 활용하여 유한차분 기반 보간을 통해 매끄럽고 수문학적으로 일관된 DEM을 재구성하였다. 교차하거나 유사 조위에서 중복되는 등고선으로 인해 발생할 수 있는 보간 인공 패턴을 줄이기 위해, 구조화된 수위선 선택 전략을 적용하였다. 즉, (i) 가능한 경우 위치 정확도가 높은 광학 수위선을 우선 적용하고, (ii) 동일 센서 내에서 유사 조위의 중복 수위선은 클래스 분리도(separability) 지표를 이용해 필터링하여, 조위 범위 전반에 걸쳐 고품질·비중복 제약을 유지하였다. 최종 DEM은 두 지역 모두에서 RTK-UAV DEM으로, 곰소만에서는 TanDEM-X 자료(G-TDX)로 추가 검증하였으며, 평균 수직 정확도는 MSE 0.19, MAE 0.33 m로 나타났다.
본 프레임워크는 한국 서해안의 지형·지질학적 특성이 상이한 두 갯벌(곰소만, 함평만)에 적용되어 DEM 시계열을 산출하였다. 각 DEM을 조간대 고도 체적(부피)으로 변환하여 두 만의 시계열을 구축한 결과, 두 지역 모두 여름에는 순 퇴적, 겨울에는 순 침식이 우세한 일관된 계절 패턴이 확인되었으며, 격월 체적 변화량은 기간당 10⁶ m³ 규모로 기존 지역 연구와 유사하였다. 이러한 공통된 계절 주기 위에 2018–2023년 동안 장기 추세는 상반되게 나타났다. 곰소만은 약 7×10⁶ m³ yr⁻¹의 순 퇴적 경향을 보인 반면, 함평만은 약 6×10⁵ m³ yr⁻¹ 규모의 약하지만 지속적인 순 침식 경향을 보였다. 특히 2022–2023년에는 두 지역 모두 체적 변동 폭이 비정상적으로 작았으며, 이는 ERA5 월평균 지상 10 m 풍속(10-m wind speed) 변동성이 같은 기간 동안 완화된 양상과 대체로 일치하여, 풍–파랑 강제력이 아계절 규모 지형 반응과 연계될 가능성을 시사한다.
결론적으로, 본 학위논문은 SAR와 광학 영상을 적응형 비지도 군집화 기법과 결합함으로써, 자동화된 고빈도 조간대 DEM 재구성이 가능하며 아계절 규모 동역학을 해상하면서도 다년 추세 정보를 유지할 수 있음을 보여준다. 제안된 프레임워크는 다른 갯벌 시스템에도 적용 가능하며, 장기 형태역학 평가, 해안선 변화 분석, 기후변화 적응 계획 수립 등 다양한 응용을 지원할 수 있다.

다국어 초록 (Multilingual Abstract)

Tidal flats are highly dynamic coastal landforms that serve as critical buffers for sediment transport, flood mitigation, and ecosystem support. Their morphology is continuously reshaped by tides, waves, and sediment supply, so temporally dense monitoring is required to resolve deposition–erosion cycles and episodic adjustments that are often obscured in annual products. Traditional field surveys, while precise, are constrained by high costs and limited spatial coverage. Remote sensing provides a scalable alternative, but important challenges remain: optical imagery is constrained by cloud cover and inconsistent temporal availability, whereas Synthetic Aperture Radar (SAR) imagery is hindered by speckle noise, low contrast between wet intertidal surfaces and shallow water, and sensitivity to tidal-state-dependent roughness. These limitations restrict the automation, accuracy, and scalability of existing waterline-based Digital Elevation Model (DEM) generation methods.
To address these challenges, this study develops an automated multi-sensor intertidal monitoring framework that integrates Sentinel-1 (S-1) SAR and Sentinel-2 (S-2) optical imagery to generate high-frequency intertidal DEMs across 2018–2023. Waterline extraction is implemented using an entropy-optimized adaptive K-Means clustering algorithm, which automatically selects the optimal number of clusters by minimizing classification uncertainty. For SAR imagery, non-local speckle filtering and histogram equalization are applied to suppress noise and enhance contrast, while multi-scale edge features are incorporated to stabilize shoreline gradients under low-relief conditions. An automated masking step reduces offshore/ocean-dominated class imbalance and mitigates misclassification in low-contrast regions. For optical imagery, the AWEInsh index is adopted to improve land–water discrimination under diverse turbidity and background conditions. Validation against expert-interpreted references and UAV-derived shorelines indicates high waterline accuracy, with a mean F1 score of 0.88 and an average minimum distance (AMD) of 0.83 pixels.
Extracted waterlines are assigned tidal heights from nearby tide-gauge observations and then combined as elevation contours for DEM reconstruction using a finite-difference interpolation to produce smooth, hydrologically consistent surfaces. To reduce redundancy and interpolation artifacts caused by intersecting or near-duplicate contours, a structured waterline selection strategy is applied: (i) optical-derived waterlines are prioritized when available, and (ii) redundant lines at similar tidal heights are filtered using a class separability metric, retaining high-quality, non-overlapping constraints across the tidal range. The resulting DEMs are validated using RTK-UAV DEMs at both sites and TanDEM-X data for Gomso Bay (G-TDX), achieving a mean vertical MSE of 0.19 and a mean MAE of 0.33 m.
The framework is demonstrated at two geomorphologically distinct tidal flats on the west coast of South Korea—Gomso Bay and Hampyeong Bay—and produces a DEM time series. By converting each DEM into intertidal elevation volume, we construct time series for both bays that reveal consistent seasonal behaviour: net deposition in summer and net erosion in winter, with volume changes on the order of 10⁶ m3 per period, comparable to prior regional studies. Superimposed on this shared seasonal cycle, the two bays exhibit opposite long-term trends over 2018–2023: Gomso Bay shows net accretion of approximately 7×10⁶ m³ yr⁻¹, whereas Hampyeong Bay shows weak but persistent net erosion of about 6×10⁵ m³ yr⁻¹. Notably, both sites exhibit an anomalously low-amplitude fluctuation phase during 2022–2023, which is broadly consistent with muted variability in ERA5 monthly mean 10m wind speed, supporting a linkage between wind–wave forcing and sub-annual morphodynamic response.
In conclusion, this thesis shows that integrating SAR and optical imagery with an adaptive unsupervised clustering approach enables automated, high-frequency intertidal DEM reconstruction that resolves sub-annual dynamics while retaining multi-year trend information. The proposed framework is transferable to other tidal-flat systems and can support applications such as long-term morphodynamic assessment, shoreline-change analysis, and climate-adaptation planning.

목차 (Table of Contents)

• Chapter 1. Introduction １
• 1.1. Research Background 1
• 1.2. Related work 4
• 1.3. Purpose of Research 8
• Chapter 2. Study Area and Data 11
• 2.1. Study Area Description 11
• 2.2. Data Acquisition and Preprocessing 14
• 2.2.1. Satellite Data Acquisition and Preprocessing 14
• 2.2.2. Tidal Data Acquisition 19
• Chapter 3. Methodology 20
• 3.1. Waterlines Extraction 21
• 3.2. Waterlines Selection and DEM Generation 26
• Chapter 4. Result 29
• 4.1. Evaluation of Waterline Extraction Accuracy 29
• 4.2. Assessment of DEM Accuracy 35
• 4.3. Intertidal DEMs Generation 38
• Chapter 5. Discussion 40
• 5.1. Effects of Image Enhancement and Feature Extraction 41
• 5.2. Adaptive K-Means for Robust Waterlines Extraction 43
• 5.3. Influence of Waterline Quantity on Intertidal DEM Accuracy 46
• 5.4. Variability of Intertidal Morphology based on generated DEMs 49
• 5.5. Implications for Applications and Future Direction 54
• Chapter 6. Conclusion 56
• Bibliography 58
• Abstract in Korean 66