서 론

우리나라는 계절 및 지역에 따른 불균형적 강우현상으로 인해 상류 하천에서 발생한 탁수가 임하호 등 대형 댐으로 유입된다. 댐으로 유입된 탁수가 지속되면 댐의 기능이 저하되고 인근 하천경관의 훼손 뿐만 아니라 수질 및 수중 생태계에도 심각한 영향을 미친다. 게다가 지역주민의 민원을 야기시켜 사회적 이슈가 되기 때문에 해결방안이 반드시 필요하다.

이를 위해 국내에서는 탁수가 댐 저수지에 미치는 영향을 분석한 연구가 수행되었으며, 홍수 시 대청호 유역에 발생하는 탁수의 물리적 특성에 대한 연구와 탁수가 어류 생태계에 미치는 영향에 대해서도 연구가 수행되었다(Chung et al., 2007; Kim et al., 2007; Yu et al., 2009; Park et al., 2017). 또한 Hwang and Jeong(2006)은 임하호에서 발생하는 고탁수의 원인을 인근 지역의 지질특성에 의한 것이라고 규명하였고, Kim and Jung(2007)은 소양강댐에서 발생하는 탁수는 상류지역 고랭지 채소 재배가 원인이라고 하였다. 그러나 기존 연구는 대부분 탁수에 대한 원인 분석 및 생태계에 미치는 영향이 주를 이루고 있으며 국내에서는 현재 탁수에 대한 드론(drone) 기반의 광역적 연구는 제한적이다.

탁수 현상과 같은 광역적인 대상을 보다 정확하게 분석하기 위해 다중분광영상(multispectral image) 및 초분광 영상(hyperspectral image)과 같은 원격탐사(remote sensing) 기법을 적용할 수 있다. 원격탐사는 단순히 하나의 지점을 관측하는 것이 아니라 매우 광범위한 지리적 영역에 걸쳐 체계적으로 자료를 획득하는 관계로 국부적인 측정 오차를 줄일 수 있다. 또한 관측 대상과 물리적 접촉이 없기 때문에 현장 교란을 막을 수 있으며, 기초 자료로 쓰일 수 있는 다양한 자료의 제공이 가능하다는 장점이 있다.

특히 초분광 영상은 하천환경 뿐만 아니라 다양한 분야에서 활발하게 적용되고 있는데, 이는 초분광 센서(hyperspectral sensor)가 소형화되면서 드론 탑재 및 높은 분광 해상도와 연속되는 밴드 획득이 가능해졌기 때문이다. 또한, 파장 영역에서 200개 이상의 연속된 밴드로 구성되고, 대상의 분광정보가 세밀하게 표현되어 기존의 다중분광영상에 비해 구체적인 분석이 가능하며(van der Meer, 2003; Rasti et al., 2018), 다중분광영상으로 감지하기 어려운 대상 분석에 유용하게 활용될 수 있다(Goetz, 1991; Shaw and Burke, 2003).

탁수와 관련되어 초분광 센서를 이용한 연구는 국내보다 국외에 현저히 많은 편이다. 담수에서 발생하는 탁수에 대해 반사율과 탁도의 관계를 밝힌 연구와 초분광 센서를 이용하여 Nebraska Sand Hills 호수의 탁도와 클로로필 a에 대한 분석이 수행되었다(Fraser, 1998; Wu et al., 2014). 그리고 담수에서 탁도와 시아노박테리아의 농도를 추정하기 위한 반사율 알고리즘의 비교 연구 및 초분광 영상을 이용하여 수심과 탁도를 추정하는 연구도 수행되었으며, CDOM과 클로로필 a, 규조류(diatom)와 녹조류 및 탁도의 추정을 위한 초분광 데이터와 머신 러닝(machine learning) 연구도 수행된 바 있다(Pan et al., 2015; Keller et al., 2018; Beck et al., 2019).

그러나 드론을 기반으로 탁수 현상을 연구한 사례는 매우 드물다. 이는 넓은 지역에 대한 초분광 영상자료의 획득이 어려우며, 기존 분광 센서는 점단위의 분석만 가능하여 넓은 지역의 모니터링이 어렵기 때문이다.

따라서 본 연구에서는 드론에 탑재된 초분광 센서를 이용하여 탁도(turbidity)와 반사율(reflectance)의 관계를 해석하고 실제 현장에서 탁도계 없이 광범위한 유역에 대한 데이터를 비교적 쉽게 취득하여 활용하는 것이 궁극적인 목표이다. 이를 위해 임하호 상류 창하천 유역의 토양을 채취하여 수조에 물과 토양을 혼합하고 인위적으로 탁수를 발생시킨 후 드론 기반의 초분광 영상촬영을 수행하였으며 측정된 탁도와 반사율의 상호관계를 분석하였다.

연구방법

탁수는 집중호우, 지질특성, 하천이나 댐 상류의 농경지 분포 여부 등 다양한 조건에 의해 발생되고 심화될 수 있다. 이러한 이유로 탁수 현상에 대한 광역적 탐지 및 모니터링은 하천과 댐의 기능 유지를 위해 매우 중요하지만, 국내에서는 탁수 현상을 대상으로 한 드론 기반의 광역적 연구는 한정적인 상황이다. 따라서 본 연구에서는 9개 수조에 물과 토양을 혼합하고 인위적으로 탁수를 발생시킨 후 초분광 영상촬영을 수행하였으며 측정된 탁도와 근적외선 영역의 반사율을 비교하였다.

실험에 사용된 9개 수조는 모든 빛을 흡수할 수 있는 흑색 아크릴로 제작하였으며 크기(0.5 m × 0.5 m × 0.3 m)와 형태는 동일하다(Fig. 1). 본 논문에서는 편의상 각 수조를 Box로 명명하고 번호를 부여하였다. Box 1~8은 일정량의 물(약 70 L)과 각각 다른 비율의 토양을 혼합하였고 Box 9는 Box 1~8과의 비교를 위해 토양을 혼합하지 않은 대조군으로 설정하였다(Table 1). 토양은 임하호 탁수 발생의 원인이 되는 창하천 하류에서 채취하였으며 풍건시킨 후 표준 망체로 2.00 mm 이하의 입자를 회수하여 사용하였다(Hwang and Jeong, 2006).

Fig. 1.

Black acrylic boxes of turbid water.

초분광 영상촬영은 물과 토양을 혼합한 후 수행하였으며 각 수조별 시간 경과에 따라 탁도를 측정하고 초분광 영상촬영을 실시하였다. 탁도 측정과 초분광 영상촬영은 Box 1에서 9까지 탁도를 1회 측정한 뒤 드론 기반의 초분광 영상촬영을 1회 실시하였는데, 이 과정을 3회 반복하여 Case 1, 2, 3으로 구분하였다. 영상분석을 통해 산정되는 데이터강도(data value)는 분광복사량(radiance)을 의미하며, 반사율은 99% 이상의 반사특성을 갖는 백색판(white reference)을 이용하여 태양복사에너지의 변화에서 발생할 수 있는 오차를 최소화하고 반사율로 변환시켰다(Kim et al., 2020). 또한, 영상분석 프로그램을 활용하여 최대강도값(peak data value, PDA)을 산정하고 백색판을 기준으로 각 영역에 대한 반사율을 보정하였다.

탁도 측정 시 사용된 탁도계는 HANNA사의 HI-98703이며 1,000 NTU까지 측정 가능하다. 드론은 독일 Aibotix의 Aibot X6(3축 짐벌)을 사용하였고 드론에 탑재된 초분광 센서는 미국 Headwall Photonics사의 Nano-Hyperspec을 탑재하였다(Fig. 2, Table 2). 영상분석은 perClass사의 Mira 3.0.3 버전을 활용하였으며, 초분광 영상 내의 객체를 분류하여 시각화하고 분광정보의 취득이 용이하다.

본 연구는 9개 수조에서 분광정보 비교가 목적이고 지상과 근접한 상태에서 촬영되었기 때문에 촬영 시 드론의 흔들림과 대기의 영향을 거의 받지 않은 것으로 판단되어 기하보정과 대기보정을 고려하지 않았다.

Fig. 2.

(a) Drone and (b) sensor for hyperspectral image analysis.

초분광 영상 데이터 분석

초분광 영상과 파장에 따른 데이터강도 분석

물과 토양을 서로 다른 비율로 혼합한 9개 Box의 초분광 영상 데이터강도를 분석하였다. 탁수의 분광반사 정보는 근적외선 파장을 활용하는 것이 유용하므로 본 연구에서는 700~950 nm를 대상으로 하였다(Shin et al., 2009). Fig. 3은 Mira 프로그램을 이용하여 초분광 영상에 데이터강도를 중첩한 그림이며 Table 3과 Fig. 4는 각 Box의 파장 대비 최대 데이터강도와 파장별 데이터강도 그래프를 나타낸다.

탁수의 데이터강도 분석 결과 파장에 따른 강도값은 가시광선과 근적외선에 따라 차이가 발생하지만 대부분 유사한 패턴으로 나타났다. Box 1에서 각 Case에 대한 최대강도 범위는 212.47~283.61로 나타나며, 초분광 영상에서는 Box 1이 지정한 색으로 잘 분류되었다. Box 2의 최대강도 범위는 255.46~345.16이며 초분광 영상에서는 Box 2로 지정한 색이 중앙으로 분류되었고 가장자리는 Box 1로 지정한 색으로 분류되었는데, Box 중앙에서 가장자리로 갈수록 탁도가 낮아지는 것으로 해석할 수 있다. Box 3의 각 Case에 대한 최대강도 범위는 279.50~399.27이고, 초분광 영상에서는 지정한 색이 Box 중앙으로 분류되었으며 가장자리로 갈수록 탁도가 낮아지는 것으로 확인되었다. Box 4에서 각 Case의 최대강도는 358.59~485.85 범위이며, Box 5의 각 Case 최대강도 범위는 390.35~526.79이다. 초분광 영상에서는 Box 중앙에 지정한 색이 나타나고 중앙을 제외한 부분은 Box 4로 지정한 색으로 분류되었으며, Box 4보다 Box 5의 색으로 분류된 영역이 더 넓게 나타났다. Box 6에서 각 Case의 최대강도는 402.27~569.97이며, 초분광 영상에서는 Box 3의 양상과 유사하게 나타나는데, Box 중앙은 지정한 색으로 분류되었지만 Box 가장자리로 갈수록 차례로 Box 5, Box 4로 지정한 색이 나타났다. 이는 Box 중앙에서 가장자리로 갈수록 탁도가 낮아지기 때문이다.

Box 7의 각 Case에 대한 최대강도 범위는 417.96~594.10으로 나타났다. 초분광 영상에서는 대부분 지정한 색으로 잘 분류되었으며, Box 가장자리에 Box 4~7로 지정한 색이 소규모로 확인되었다. Box 8에서 각 Case에 대한 최대강도는 467.03~617.13의 범위로 나타나며, 초분광 영상에서는 Box 3, Box 6과 유사한 양상으로 나타났다. Box 중앙은 지정한 색으로 잘 분류되었지만, Box 가장자리로 갈수록 Box 4~7의 색이 나타난다. 이 현상 역시 Box 가장자리로 갈수록 탁도가 감소함을 나타내는 것으로 판단된다. Box 9는 토양을 혼합하지 않은 대조군으로 지정한 색으로 잘 분류되었음을 보여준다.

Fig. 3.

Data value for each Box of hyperspectral image (non-dimension).

Fig. 4.

Data values measured with respect to wavelength in each box.

Fig. 4의 그래프 분석 결과, 근적외선 영역에서 Box 1~9는 파장이 증가할수록 데이터강도가 감소하는 양상으로 나타나지만 각 Box의 값들은 그래프에서 확연한 차이를 보여준다. 토양을 가장 많이 혼합한 Box 8에서 최대강도가 가장 높고 대조군인 Box 9를 제외하면 토양을 가장 적게 혼합한 Box 1에서 가장 낮은 최대강도를 보인다. 최대강도가 확인된 밴드(140)의 파장은 모두 708.81 nm에서 나타났다.

파장에 따른 반사율 분석

9개 Box의 데이터강도와 반사율 99%인 백색판의 데이터강도를 비교하여 반사율을 분석하였다(Figs. 5~6). 반사율(R)은 아래의 식과 같이 기준이 되는 표준 백색판에 해당되는 강도값(복사량)과 해당 영역(각 Box 영역)의 강도값을 비교하여 계산하였다(Kim et al., 2020).

여기서, V_target은 수조 내 탁수의 데이터강도를 나타내고, V_reference는 백색판(white reference)의 데이터강도를 나타낸다.

Fig. 5는 각 Box에서 분석된 3개 Case의 파장에 따른 반사율을 도시한 그래프이다. 반사율은 전반적으로 유사한 패턴을 보이면서 약 925 nm 이상에서 급격하게 증가하는 양상을 보여준다.

Fig. 5.

Reflectance with respect to wavelength for each box.

Box 1은 700~900 nm 영역에서 반사율 0~10% 사이에 분포하여 증감하면서 일정 수준을 유지하고, Box 2와 Box 3은 반사율 10%를 기준으로 일정값을 유지하는 양상을 보인다. Box 4~6은 700~900 nm 파장 영역에서 반사율 10~20% 내에 분포하여 증감하면서 일정 수준을 유지하는 양상을 보이며, Box 7과 Box 8은 반사율 20%를 기준으로 증감하며 일정 수준의 값을 유지한다. 대조군인 Box 9는 가장 낮은 반사율을 보이며 Box 1~8까지 나타나는 양상과 다르게 700~900 nm 파장의 영역에서 완만하게 증가하고 상대적으로 증감의 폭도 크지 않은 패턴을 보여준다.

종합하면, 각 Box의 Case별 반사율이 유사하게 나타나는 것은 Case 1~3에서 탁도값의 변화가 유사하게 나타나기 때문이며, 각 Case 내의 Box 1~9의 값들은 차이가 큰 것으로 나타났다. 토양의 비율이 가장 높은 Box 8의 반사율이 가장 높고 토양의 비율이 가장 낮은 Box 1의 반사율이 가장 낮다. 이는 탁도와 파장에 따른 반사율이 정비례함을 의미하며 이들이 서로 상관관계를 가지는 것으로 해석할 수 있다.

반사율과 탁도의 상관관계 분석

파장에 따른 데이터강도와 반사율이 토양의 비율과 비례하는 것으로 나타났기 때문에 본 연구에서는 Box에서 측정한 탁도와 반사율을 비교하였다. 각 Box의 Case별 탁도변화는 Table 4와 같다. 탁도는 Box 1에서 Box 8로 갈수록 증가하는 양상을 보이며, 그 범위는 35.9~677.0 NTU로 나타났다. 토양을 혼합하지 않은 대조군으로 설정한 Box 9는 0.4~0.6 NTU의 범위로 Box 1~8과 비교하여 매우 낮은 값을 보여준다.

Figs. 6, 7, 8은 최대반사율, 최소반사율, 평균반사율을 수조에서 측정한 탁도와 비교한 그래프이다. 9개 Box에서 탁도 측정값과 반사율의 상관관계를 나타내는 그래프로써 결정계수(coefficient of determination, R²)를 이용하여 비교하였다. Fig. 6은 최대반사율에 따른 탁도의 양상을 도시한 그래프로써 각 Case 별(Fig. 6b~6d) 상관관계는 높게 나타났으나 모든 데이터를 도시한 그래프에서는 값들이 분산되어 결정계수가 매우 낮게 나타났다. Fig. 7은 최소반사율에 따른 탁도의 양상을 도시한 그래프로써 반사율이 증가할수록 탁도가 증가하는 것으로 나타났다. Fig. 8은 근적외선 영역의 평균반사율과 탁도를 나타낸 그래프로써 모든 데이터에 대한 결정계수는 0.8702로 나타나 가장 높은 상관관계를 보였다(Table 5). 최대반사율은 각 Case에서 반사율의 범위가 불규칙하게 나타나 Case 1~3의 값들을 합친 그래프에서 결정계수가 낮게 나타나는 것으로 판단된다.

Fig. 6.

Plots of maximum reflectance and turbidity for (a) All data, (b) Case 1, (c) Case 2, and (d) Case 3.

Fig. 7.

Plots of minimum reflectance and turbidity for (a) All data, (b) Case 1, (c) Case 2, and (d) Case 3.

Fig. 8.

Plots of average reflectance and turbidity for (a) All data, (b) Case 1, (c) Case 2, and (d) Case 3.

결 론

본 연구는 드론 기반의 초분광 영상을 이용하여 획득할 수 있는 반사율과 탁도의 상관관계를 분석하는 것이 목적으로써 물과 토양을 서로 다른 비율로 혼합한 9개 Box를 대상으로 드론 기반의 초분광 영상촬영과 탁도 측정을 수행하였다. 연구결과, 근적외선 영역에서 파장에 따른 반사율은 전반적인 패턴에서 유사하게 나타났으며, 토양이 많이 혼합된 Box일수록 반사율이 증가하였다. 또한 각 Box에서 측정한 탁도와 평균반사율의 상관관계를 분석한 결과 결정계수인 R²값은 0.8702로 매우 높게 나타나 반사율을 이용한 탁도 예측이 가능한 것으로 나타났다. 현재 국내에서는 하천, 댐 등 광역적 규모의 대상에 대해 초분광 영상을 활용하고자하는 연구는 시작단계이다. 따라서 향후 탁도 측정 시 평균 반사율을 이용하면 적은 비용으로 광범위한 영역의 탁도를 신속하게 획득할 수 있으며 면단위의 탁수 발생 조사를 위한 기초자료로 충분히 활용 가능할 것으로 판단된다.