Research Article

Journal of Korea Water Resources Association. 31 December 2020. 1059-1070
https://doi.org/10.3741/JKWRA.2020.53.12.1059

ABSTRACT


MAIN

  • 1. 서 론

  • 2. 자료 취득

  •   2.1 하천 단면

  •   2.2 UAV Imagery

  • 3. 회귀분석에 의한 수심 추정 알고리즘

  • 4. 결과 및 분석

  • 5. 결 론

1. 서 론

하천에 대한 수리·수문학적 모델링 분석은 하천의 역학적 거동을 이해하는 것뿐만 아니라, 오염인자의 이동 예측, 복합 수재해 대응 및 능동적 수자원 관리에 있어서 필수적이다. 일반적으로 하천은 합류부 및 곡류부 등과 같이 불규칙한 기하학적 구조로 되어있는데, 이러한 불규칙한 구조에서 유발된 유체 흐름은 재순환과정과 2차적인 흐름에서 더욱 복잡한 구조로 이어진다(Kalkwijk and De Vriend, 1980; Jia and Wang, 1999; Ferguson et al., 2003). 따라서 하천모델링 분석 시 국부적인 공간에서 관측된 비연속적인 자료로는 실제 자연 현상을 설명할 수 없기 때문에 정확하고 연속적인 하천단면 자료가 가장 중요한 입력자료 중 하나로 간주된다. 기존의 수심, 하상, 하천재료 등 하천법에 규정된 측량은 현장 직접계측을 통해 실시되고 있으며, 하천유역에 대한 다양한 정보 수집을 목표로 하고 있다. 하지만 이러한 직접측량 방식은 대부분 계측장비, 인력, 시간 등 많은 소요비용이 필요한 방식으로, 급변하는 하천공간에 대한 지속적인 조사기술로는 제한적이다. 또한 측량 자료를 신속하게 취득하기가 어렵기 때문에 자료를 적기에 신속하고 효율적으로 구축할 수 있는 기술 개발이 필요하다.

이러한 목적으로 국내외에서는 센서 및 데이터 처리기술을 이용한 원격측량이 연구되고 이용되어 왔다. Lyzenga (1981)는 이미지의 각 픽셀값 또는 각 대역의 디지털 번호(DN)와 수심 간의 관계를 선형화하여 수심보정 알고리즘을 개발하였으며(Zinke and Flener, 2013), 이후 대상 해역의 물리적 특성이 일정한 경우를 가정하여 N개의 스펙트럼 밴드를 이용한 수심추정 알고리즘을 제안했다(Oh et al., 2017). Guenther (2000)는 Light Detection And Ranging (LiDAR) 시스템을 이용하여 항공기에 탑재된 LiDAR에서 레이저를 쏘아 되돌아오는 시간을 측정하여 수심을 측량하는 방법을 연구하였다. Pan et al. (2015)는 연안의 수심을 추정하기 위해 다중스펙트럼 영상 및 초분광 영상 기술을 이용하였다. 최근에 Zinke and Flener (2013)는 드론으로 촬영한 항공 이미지를 분석하여 이미지 합성을 통해 하천지형 및 수심측량 가능성을 제시한 바 있다. 국내에서는 Ahn (2016)이 월포해수욕장에서 드론으로 촬영한 고해상도 카메라의 적색밴드 이미지를 이용하여 수심측량의 가능성을 제시하였다. Oh et al. (2017)는 드론과 광학원격탐사 기법을 이용하여 천해 해저지형과 수심을 측량한 바 있다. 그러나 아직까지 국내·외의 드론을 활용한 하천원격탐사 및 연구는 미흡한 실정이다.

이러한 관점에서 본 연구의 목적은 최근 보편화된 드론과 적합된 회귀식을 통해 RGB 디지털 값에 따른 미계측지의 수심과 하천 단면을 합리적으로 추정하는 방법론을 개발하는 것이다. 즉, 미계측지에 대한 하천 단면 추정의 가능성과 정확도 수준을 평가하여 적용성을 검증하는 데 목적이 있다. 기존 연구와 본 연구와의 차이점을 간단히 나타내면 다음과 같다.

첫째, 기존의 초분광 영상 기술 등에 대한 연구는 주로 위성 및 항공시스템을 이용하였으며 공간분포가 큰 해안이나 하구 영역에서 수행되었다. 본 연구는 상대적으로 폭이 좁은 하천을 대상으로 수행하였으며 하천 유역 특성에 적합한 회귀모형을 적용하여 검토하였다. 둘째, LiDAR 시스템을 이용한 방법은 방대한 자료를 처리하기 위하여 특수 알고리즘이 요구되며(Legleiter et al., 2009; Abdallah et al., 2013), 물로 통과한 빛이 비용해성 부유물질에 의해 흡수되거나 산란될 수 있어, 물의 탁도가 높을 경우 정확도가 저하되는 기술적인 어려움이 있다. 본 연구는 실측수심과 RGB 대역별 디지털 값의 상관성을 이용한 방법으로, 빛의 파장별 상관성을 반영하는 선형회귀식을 통해 수심을 추정하였다. 즉, 물의 색상, 탁도, 수면에서의 반사와 투과되는 빛의 세기에 따라 변하는 빛의 파장별 디지털 값을 사용하므로 유역 자체의 스펙트럼 특성이 동시에 반영되어 수심을 예측할 수 있는 장점이 있다. 셋째, 기존 초분광 영상 기술 또는 LiDAR 시스템을 이용한 기술은 그 효용성과 정확성은 우수하나, 초분광 영상 기술은 영상분석 시간이 길며, 두 연구 방법 모두 고가의 카메라 또는 센서 장비가 필요하여 고비용이 소요된다(Lee et al., 2018). 본 연구에서는 드론에 탑재되어 있는 RGB 카메라를 사용하여 시간과 비용을 저감시켜 합리적으로 하천계측에 적용할 수 있도록 고안되었다.

2. 자료 취득

2.1 하천 단면

본 연구에서는 불규칙한 하천단면과 스펙트럼 이미지 자료를 취득하기 위해 서울시 중랑천 월계1교 지점을 대상 유역으로 선정하였다. 중랑천은 유역면적 296.87 km2, 유로연장 36.44 km, 유역평균 폭 8.13 km로서 전체 유역면적 중 도시지역이 44.4%를 점유하고 있으며, 임야와 농경지가 각각 45.0%, 7.5%를 차지하고 있다. 유역의 평균경사는 11.3°로 비교적 완만한 유역이며, 평균고도는 EL. 103.7 m이고 중·하류부에 50 m이하의 저지대가 다수 분포하고 있다. 하상토는 대부분 가는 모래와 굵은 모래로 구성되어 있으며, 하상에는 수중식생이 고루 분포하고 있다. Fig. 1은 측량 유역 및 단면계측 방법을 항공 이미지로 나타낸 것이다. 그림에서 보는바와 같이 월계1교 지점의 상류 제방선과 직각으로 만나는 제1단면을 기준으로 하류 30 m에 제 2단면을 설정하였다. 제3단면, 제4단면은 곡류구간임을 감안하여 제2단면의 하류 30 m에 제3단면, 제3단면의 하류 30 m에 제4단면을 설정하였다. 그리고 제 2단면과 제 3단면 사이 중간지점에 회귀식 개발을 위한 단면을 설정하였다. 하천단면 계측은 2019년 10월 8일에 수행되었으며, 기온 19.1℃, 풍속 9.7 km/h, 습도 28%, 운량 2.6, 자외선지수 3.2의 물리적인 조건에서 수행되었다. 측량 기준점 계측을 위해 RTS (Robotic Total Station)와 RTK-GPS (Real Time Kinematic Global Positioning Systems)를 이용하여 8개의 기준점에 대한 측량 오차를 비교·보정 하였다. RTS는 거리와 연직각 및 수평각을 하나의 기계로 관측할 수 있는 장비로, 전자식 세오돌라이트 (electronic theodolite)와 광파측거기 (electro optical instruments)가 하나의 기기로 통합되어 있어 측정한 자료를 신속히 처리하고 출력한다. RTS 측량은 월계1교에 설치된 수준기준점을 기준으로 후방교시법을 통해 이루어졌다. RTK-GPS측량은 GPS를 이용한 실시간 동적측위 방식으로 기준국과 이동국을 설치하고 기준국에서 모뎀을 이용하여 오차량을 전송함으로써 이동국의 위치정확도를 향상시키는 GPS측량 방식이다. 월계1교 지점 8개의 기준점과 4개의 하천단면에 대하여 GPS를 이용하여 실시간이동측위(RTK)방식으로 하천측량을 실시하였다. 측량오차를 최소화하기 위하여 각 단면선을 따라 1 m 간격으로 최소 3회 이상 측정하여 자료의 평균값을 이용하였다. GPS 측량장비의 수준측량 오차 검토를 위해 측정값의 최소값과 최대값의 범위를 검토한 결과, 수준 측량 범위는 6.7 cm 이내이며, 대부분의 자료가 있는 범위를 나타내는 표준편차는 1.3 cm로서 수준오차 3 cm 범위에 있다. Table 1은 RTS와 RTK-GPS의 동일지점 측량 비교결과를 나타내고 있다. 동서방향 평면상 평균절대편차는 9.4 cm, 남북방향 19.6 cm, 수준 절대편차는 10.1 cm로 나타났으며, 측량의 정확성을 높이기 위하여 동일 지점에 대해 최소 5회 이상 실시하여 오차를 최소화 하였다. 대부분의 하도구간에서는 RTK-GPS를 이용하여 지형자료를 취득하였으나, GPS장비 측량이 어려운 일부구간은 ADCP 수심자료를 이용하였다. Lee et al. (2005)는 약 2 m 수심의 하천에서 ADCP에 의해 측정된 수심 분포가 직접 측심에 의한 수심 분포와 거의 일치하였으며 수심측량 규정의 허용오차를 만족하는 결과를 보인 바 있다. 유속측정은 대상유역의 4개 단면 평균하폭이 60 m 이내이므로 ADCP를 이용한 횡측선법을 이용하여 정상류 상태의 유속을 측정하였으며, 횡단 방향에 따른 편기 오차를 최소화하기 위해 4회 이상 반복 측정을 수행하였다. 각 단면별로 측량 결과가 안정적인 단면은 좌·우안 각각을 시작점으로 왕복 2회 측량을 실시하였고, 그렇지 않은 경우 3회 왕복 측량하여 평균값을 이용하였다. Table 2은 이렇게 각 단면에서 측정된 유량, 유속, 단면 폭, 수심 및 각 평균값을 나타내고 있다.

https://static.apub.kr/journalsite/sites/kwra/2020-053-12/N0200531202/images/kwra_53_12_02_F1.jpg
Fig. 1

Aerial images of survey basin and cross-section measurement methods by GPS, RTS

Table 1.

Deviation between RTS and GPS

Plan position (m) Bench mark elevation (m)
North-South direction East-West direction
Mean absolute error 0.094 0.196 0.101
Least absolute error 0.034 0.057 0.020
Mean error 0.061 -0.196 -0.064
Minimum error -0.131 -0.559 -0.220
Maximum error 0.194 -0.057 0.082
Table 2.

Cross-sectional averaged velocity (U) and water depth (H) with discharge (Q) and channel width (W) measured on Oct 08, 2019

Cross-section Q(m3/s) U(m/s) W(m) H(m)
1 3.91 0.15 40.31 0.85
2 3.93 0.12 41.14 1.01
3 3.98 0.11 49.22 1.12
4 3.97 0.11 52.53 1.14
Average 3.94 0.12 45.79 1.03

2.2 UAV Imagery

일반적인 하천은 종방향의 규모가 횡방향의 규모보다 압도적으로 큰 선에 가깝기 때문에 원격탐사 시 해상도의 영향을 많이 받게 된다. 또한 물의 흐름이 존재하여 다른 탐사 대상보다 상대적으로 시간에 따른 변화가 빠르다. 이에 본 연구에서는 낮은 고도에서 운영할 수 있고, 빠른 주기로 자료를 수집할 수 있는 드론을 통해 대상 유역의 항공 이미지를 분석하였다. 자료취득을 위해 5472 × 3648 pixels 공간해상도의 RGB 기반 디지털 카메라가 장착되어 있는 드론(MAVIC 2 Pro, DJI)을 사용하였으며, 대상유역 전체 범위를 담기위해 고도 100 m 상공에서 전면중복도 80%, 측면중복도 70%로 780장의 이미지를 취득하였다. 취득된 이미지는 후처리 소프트웨어 Pix4D를 사용하여 프로세싱 하였다. 일반적으로 항공 및 위성 이미지는 Polytetrafluoroethylene (PTFE)시트를 참조하여 색상을 결정하는데, 이때 PTFE시트는 350 ~ 2500 nm의 넓은 스펙트럼 범위에서 최대 약 95%의 램버 시안 반사를 초래하며 필드에서 태양복사를 측정하는데 사용된다(Peddle et al., 2001). 그러나 본 연구에서 촬영한 항공이미지의 경우 이미지 촬영고도가 약 100 m 정도로 낮아 PTFE시트의 RGB픽셀 강도에 의한 RGB값 정규화 과정과 LaλLsλ에 대한 대기 및 태양광선 보정은 무시할 수 있는 것으로 가정하였다(Jakob et al., 2017; Yang et al., 2017). 한편 Kuster (2012)에 따르면, 대기 및 지형적 영향에 따라 영상의 밝기값 변화로 나타나는 왜곡을 보정하기 위한 방사 보정(Radiometric Correction)과정이 오히려 원본 이미지의 불필요한 왜곡을 유발할 수 있다고 보고된 바 있다(Kim et al., 2019). 따라서 본 연구에서는 항공촬영 이미지에 불필요한 방사 보정 과정을 거치지 않은 원본 이미지를 사용하였다. 드론으로 촬영된 RGB 이미지의 정사보정 및 UTM 좌표 변환을 위해, 지상기준점(GCP)은 Fig. 2와 같이 유역 내 최소 14개 지점에 설치하였으며 그 위치는 RTK-GPS로 측량하였다. 모든 픽셀의 이미지 좌표는 14개의 GCP 좌표를 사용하여 다음과 같이 UTM좌표로 변환하였다(Fujita et al., 1998).

https://static.apub.kr/journalsite/sites/kwra/2020-053-12/N0200531202/images/kwra_53_12_02_F2.jpg
Fig. 2

Aerial images of the locations of GCP

(1)
x=c1X+c2Y+c3c4X+c5Y+1
(2)
y=c6X+c7Y+c8c4X+c5Y+1

여기서 XY는 드론에서 촬영된 이미지 좌표이고, 각각의 xy는 UTM 좌표이다.

ci는 최소 4쌍의 알려진 좌표를 사용하여 결정될 수 있는 변환 계수이다. 자료의 정확성을 위해 각 GCP 지점별 5개 이상의 이미지로 평균화하여 변동값을 보정하였으며, 보정·변환된 GCP좌표의 오차는 0.05 m이내로 감소하였다.

Fig. 3는 각 단면에 대하여 드론 카메라를 사용하여 취득한 수치표고모형(DEM)에서 추출한 하상고를 도시하였다. 실측자료와 비교하여, 물이 존재하는 영역의 경우 수심이 얕은 구간에서 평균오차 26 cm, 최대오차 91 cm의 오차를 확인하였다. 수심이 깊어진 일정 구간에서는 태양광에 의한 난반사, 빛의 투과, 흡수, 굴절 등으로 정상적인 하상고 추출이 이루어지지 않았으며, 매우 낮은 수준의 정확도를 보였다. 따라서 본 연구에서는 다중선형회귀분석을 이용하여 RGB값에 의한 수심 추정 방법을 적용하였다.

https://static.apub.kr/journalsite/sites/kwra/2020-053-12/N0200531202/images/kwra_53_12_02_F3.jpg
Fig. 3

Comparison of drone-observed elevation with real observed elevation at (a)-(c) Sec.2 through Sec.4

3. 회귀분석에 의한 수심 추정 알고리즘

일반적인 UAV 영상 이미지는 적색, 녹색, 청색의 가시광선 주파수 대역의 밴드로 이루어져 있으며, 이미지의 픽셀값은 빛의 세기에 비례한 값을 갖는다. 또한 물의 색상, 탁도, 대기의 상태, 태양의 고도 등에 따라 영향을 받으며 수면에서 반사와 투과되는 빛의 세기의 비율도 변하게 된다. 본 연구에서는 이러한 물리적 특성이 일정한 경우로 가정하여 RGB값을 이용한 다중 선형 회귀 모형을 통해 실제 하상고와 이미지의 RGB대역별 값의 상관성을 분석하였다. 본 연구의 적용성을 검증하기 위하여 Fig. 4와 같이 회귀식 개발을 위한 단면과 4개의 검증단면을 분리하여 하천 단면 추정의 가능성과 정확도 수준을 평가하였다.

먼저 회귀식 개발 단면에서의 측점별 항공이미지의 R, G, B 값과 실측 하상고를 이용하여 다중선형회귀식을 산정하였다. 다중선형회귀는 단순선형회귀의 확장형으로 종속변수와 둘 이상의 독립변수들 사이의 선형관계를 모델링하며, Eq. (3)의 형태로 나타내어진다. 이때 Eq. (3)에서의 편회귀계수 추정을 위하여 관측된 종속변수들과 선형 함수를 통해 예측된 값의 오차를 최소화하여 미지의 방정식의 계수를 결정하는 방법인 최소제곱법(Ordinary least squares)을 이용하였다. 즉, 아래의 Eq. (4)이 최소가 되도록 적용하여 오차자승합이 최소가 되는 회귀식의 모수를 결정하였다. 여기서 h^i는 예측값, hi는 실측값, i는 계측 지점을 나타낸다.

https://static.apub.kr/journalsite/sites/kwra/2020-053-12/N0200531202/images/kwra_53_12_02_F4.jpg
Fig. 4

Development and verification of regression model

(3)
Y=a+b1X1+b2X2+b3X3++bnXn
(4)
SSE=i=1nhi-h^i2

본 연구에서는 최적의 회귀식 산정을 위한 독립변수로 (R, G, B), (R, G), (R, B), (G, B) 조합을 사용하여 각각의 회귀식을 산정하였으며 조합별 수심 추정 결과와 정확도를 분석하였다. Yi et al. (2016)은 인공신경망을 통해 천해 수심을 추정하는 연구에서 적색, 녹색, 청색, 회색 네 개의 밴드를 회귀식의 독립변수로 이용하였는데, 특히 회색 밴드를 Eq. (5)와 같이 계산하여 가장 좋은 결과를 얻은 바 있다(Oh et al., 2017).

(5)
Grayband=Rband2+Gband2+Bband2

그러나 본 연구에서 대상 유역 이미지의 적색, 녹색, 청색, 회색 밴드를 사용해 적용하여본 결과, 수심 추정의 정확도가 낮았으며, 공선성 통계량을 분석한 결과, 각 독립변수들의 분산팽창인자가 10이상 높게 나타나는 다중공선성의 문제를 보였다. 이는 적색, 녹색, 청색 밴드의 영향을 받는 회색 밴드로 인해 변수들 사이의 밀접한 상관관계가 형성됨에 따른 것으로 판단되며, 오히려 회색 밴드를 사용하지 않고 적색, 녹색, 청색 밴드만을 사용한 경우 더 높은 예측 정확도를 보였다. 따라서 본 절에서는 R, G, B 변수 조합을 통해 Eqs. (6) ~ (9) 과 같은 각각의 다중선형회귀식을 개발하였다. 여기서 h^는 예측 하상고, R, G, B는 설명변수를 의미한다. Table 3는 이에 대한 통계적 분석 결과를 나타낸다.

(6)
h^RGB=0.05220R-0.04654G+0.01216B+12.08757
(7)
h^RG=0.05029R-0.03494G+12.03617
(8)
h^RB=0.04268R-0.02959B+11.50394
(9)
h^GB=0.03673G-0.04811B+12.73766
Table 3.

Relationship between the selected band DN and observed river bed height

Variable name Calibration (n=137) Unstandardized Coefficients Standardized Coefficients Multicollinearity
tp ‒ valueBStandard error (SE) β TOL VIF R2
RGB Red 37.890 < 0.0001 0.0522 0.00138 1.156 0.602 1.662 0.936
Green -12.093 < 0.0001 -0.0465 0.00385 -0.879 0.106 9.436
Blue 3.259 0.0014 0.0121 0.00373 0.215 0.129 7.771
Constant 97.855 < 0.0001 12.0875 0.01235
RG Red 38.965 < 0.0001 0.05029 0.00129 1.114 0.735 1.36 0.931
Green -23.091 < 0.0001 -0.03494 0.00151 -0.66 0.735 1.36
Constant 94.871 < 0.0001 12.03617 0.12687
RB Red 26.094 < 0.0001 0.04268 0.00164 0.946 0.893 1.12 0.864
Blue -14.439 < 0.0001 -0.02959 0.00205 -0.523 0.893 1.12
Constant 69.946 < 0.0001 11.50394 0.16447
GB Green 3.386 0.0009 0.03673 0.01085 0.694 0.157 6.359 0.142
Blue -4.151 < 0.0001 -0.04811 0.01159 -0.851 0.157 6.359
Constant 30.329 < 0.0001 12.73766 0.41998

분석결과를 보면, 독립변수 조합에 따라 각 밴드별로 하상고와의 상관관계가 다르게 나타남을 볼 수 있다. RGB 조합에서 R밴드는 양, G밴드는 음, B밴드는 양의 상관관계를 보였지만, 변수 GB 조합에서는 G밴드가 양, B밴드가 음의 상관관계를 보였다. 또한 각 조합별 R, G, B계수의 크기를 밴드별 하상고 추정 영향 정도로 보면, RGB조합식과 RB조합식의 경우 B밴드의 계수는 다른 밴드에 비해 약 1/5 ~ 1/2 정도로 작아 수심변화에 가장 낮은 민감도를 보였다. 반면 R밴드의 계수는 가장 큰 값을 보이며 가장 높은 민감도를 보였다. Srivastava et al. (2009)에 따르면 빛의 파장에 따른 물의 빛 흡수계수는 가시광선 대역에서 밴드별로 적색, 녹색, 청색 순으로 크기가 다르다. 또한 Kim et al. (2019)에 따르면 일반적으로 수심이 깊을수록 증가하는 광 감쇠 경향은 녹색밴드 및 청색밴드 보다 적색밴드에서 크게 나타난다. 즉, 본 회귀모형에서도 물의 흡수계수가 큰 색상의 밴드일수록 얕은 수심 스펙트럼 특성이 더 반영되고 흡수계수가 작은 밴드일수록 하상 및 깊은 수심 스펙트럼 특성이 더 반영되었음을 보여준다. 따라서 각 조합식에서 설명변수와 하상고의 상관관계 및 RGB변수의 하상고 추정에 대한 영향정도가 다르게 형성되는 결과를 설명할 수 있다. 그리고 각각의 설명변수에 따른 하상고 변화량이 회귀식에 동시에 반영되어 최종적인 하상고를 추정하였음을 알 수 있다.

4. 결과 및 분석

Fig. 5는 독립변수 조합별로 각 단면에서의 수심 실측값과 추정값의 관계분포를 나타낸 산점도이다. 이는 단면별 동일지점에 대해 각 변수 조합에 따라 산정한 추정 수심과 실측 수심의 비교를 보여준다. 도시된 결과를 보면, RGB조합의 경우 4개 단면 평균 0.877, RG조합은 평균 0.864, RB조합은 평균 0.757, GB조합은 평균 0.104로 나타났다. 특히 독립변수 RGB 조합의 회귀모델과 RG 조합의 회귀모델이 다른 독립변수 조합을 사용한 회귀모델과 비교하여 높은 선형성을 보였으며, 추정값이 실측값과 가장 일치하는 결과를 보여준다. 또한 공선성 통계량 결과를 보면 RGB조합의 경우, 변수 G, B에서 공차한계(TOL)가 0.1에 가까운 값을 보였으며, 분산팽창인자(VIF)는 10에 가까운 값을 보였다. GB조합의 경우, 변수 G, B의 공차한계는 0.157로 다소 낮게 나타났으며, 분산팽창인자는 6.359로 나타났다. 이는 독립변수 G와 B간의 상관성이 존재하며 이에 따른 다중공선성으로 판단된다. 따라서 본 절에서는 독립변수 RG 조합 회귀모형을 최적의 조합으로 적용하여 정확도를 검증하였다.

https://static.apub.kr/journalsite/sites/kwra/2020-053-12/N0200531202/images/kwra_53_12_02_F5.jpg
https://static.apub.kr/journalsite/sites/kwra/2020-053-12/N0200531202/images/kwra_53_12_02_F5_1.jpg
Fig. 5

Comparison between observed water depth and estimated water depth using (a) RGB, (b) RG, (c) RB, (d) GB MLR models. The solid line and dot line indicate a 1:1 linear line and a fitting line to estimations, respectively

Fig. 6는 RG 조합 모형에 의한 예측값 및 오차를 도시하였다. 예측의 정확도를 검증하기 위하여 실제값과 예측값의 평균절대오차(MAE) 및 평균절대비율오차(MAPE)를 다음과 같이 구하였다. Table 4는 분석 결과를 정리한 표이다.

https://static.apub.kr/journalsite/sites/kwra/2020-053-12/N0200531202/images/kwra_53_12_02_F6.jpg
Fig. 6

Comparison of estimated river bed elevation with observed elevation at (a)-(d) Sec.1 through Sec.4

Table 4.

Accuracy of MLR model in estimating water depth

Cross-section Absolute error (m) Evaluation indicator
MAE Maximum Median MAPE (%) RMSE R2
RGB 1 0.0967 0.3856 0.0718 14.58 0.139 0.8738
2 0.1507 0.3609 0.1421 14.71 0.176 0.7748
3 0.1073 0.3696 0.0766 12.61 0.134 0.9370
4 0.0797 0.2902 0.0541 8.28 0.106 0.9260
Average 0.1086 0.3515 0.0861 12.54 0.139 0.8779
RG 1 0.0928 0.3884 0.0701 14.83 0.131 0.8636
2 0.1354 0.3317 0.1308 15.34 0.166 0.7589
3 0.1001 0.3780 0.0539 16.56 0.143 0.9136
4 0.1061 0.3351 0.0631 11.15 0.123 0.9201
Average 0.1086 0.3583 0.0795 14.47 0.141 0.8641
(10)
MAE=1ni=1nh~i-hi
(11)
MAPE=1ni=1nh~i-hih~i×100%

여기서 n은 계측 지점 수, h~i는 실측 수심, hi는 추정 수심, i는 계측 지점을 의미한다. 각 단면에서 실측값과 예측값의 MAE는 약 0.1 m, MAPE는 약 14.47%로 나타났다. 단면별 최대 오차는 약 0.36 m 정도로 그림에 도시된 바와 같이 주로 하상이 급격히 꺾여 수심 변화가 큰 지점에서 관측되었다. 수심이 급격하게 변화한 지점은 이미지의 RGB값이 수심변화를 반영하는 과정에서 다른 얕은 구간에 비해 정밀하게 포착하지 못해 발생하는 오차에 따른 것으로 판단된다. 표준편차를 일반화시킨 척도로 실제값과 예측값의 차이를 나타내는 평균제곱근오차(RMSE)의 단면 평균은 약 0.14 m, 중앙값(Median)은 약 0.08 m 정도를 보였으며, 수심변화가 완만한 구간에서는 0.1 m 이하의 오차를 보이며 높은 예측 정확도를 보였다.

Fig. 7는 오차의 정상적 범위를 넘는 이상치가 발생하는 지점을 나타낸 항공사진이다. Fig. 6(a)는 수중식생 및 어류 떼가 분포하는 경우 이미지에서 밝게 보이거나 어둡게 보이는 것을 나타내고 있다. 이러한 경우 그 지점의 RGB 디지털 값이 실제 수심과 관계없이 수중식생이나 어류 떼 분포에 영향을 받아 오차가 발생하므로 정확한 수심 추정에 약간의 한계가 있다. Fig. 6(b)는 태양광에 의한 난반사, 물에 대한 빛의 투과성 문제, 물의 흐름에 따른 시공간의 변화와 같은 요인들로 일련의 이미지 처리 과정이 제대로 이루어지지 않은 것을 나타내고 있다. 이미지 전처리 과정은 물이 존재하는 하천이나 해양의 경우 수심이 얕은 구간에서는 정상적으로 처리되지만, 수심이 깊은 일부 구간에서는 분석이 이루어지지 않는 기술적 한계가 있다. 이러한 오차 처리 및 기술적 한계는 향 후 연구에서 더 향상된 이미지 처리 기법과 고성능 카메라를 탑재한 드론을 통해 보완할 수 있을 것으로 보인다.

https://static.apub.kr/journalsite/sites/kwra/2020-053-12/N0200531202/images/kwra_53_12_02_F7.jpg
Fig. 7

Aerial images taken by the drone where larger errors occur

5. 결 론

본 연구에서는 드론 항공 이미지 및 다중선형회귀분석 기법을 이용하여 미계측 단면의 수심을 추정하는 방법을 제시하고 정확도를 검증하였다. 기존 하천 측량 방법은 표척을 기준으로 레벨이나 광파기를 활용한 지점 측량 방식을 사용하여 많은 비용과 인력, 시간이 소요되며 사람이 하천에 직접 접근해야 했기에 계측자의 안전성 문제가 있다.

이러한 관점에서 본 연구의 가장 큰 목적은 연속적인 하천 특성의 공간분포를 시간과 비용, 인력의 투입을 최소화하여 합리적으로 계측할 수 있는 방법론을 개발하는 것이다. 본 연구를 통해 얻은 결론은 다음과 같다.

1) 대상유역의 고도 100 m 상공에서 취득한 드론 항공이미지를 분석한 결과, 이미지의 RGB값과 관측 수심 데이터가 높은 상관관계가 있음을 확인하였다. 상관관계에 따라 수면의 RGB값은 약 2 m 내외의 수심에서 깊이에 따른 공간적 이질성을 포착할 수 있었으며, 수심의 변화에 따라 변동하며 비교적 정확하게 반영되는 것을 확인할 수 있었다.

2) 관측 수심 자료와 RGB기반 항공사진에서 독립변수 조합별로 다중선형회귀식을 개발하였으며 유역의 수심 변화에 따른 RGB밴드별 영향정도와 상관관계를 확인할 수 있었다. 빛의 파장에 따른 물의 흡수계수는 RGB밴드별로 차이가 있으며 이에 따라, 본 회귀모형에서도 물의 흡수계수가 큰 색상의 밴드일수록 얕은 수심 스펙트럼 특성이 더 반영되었고 흡수계수가 작은 밴드일수록 하상 및 깊은 수심 스펙트럼 특성이 더 반영된 결과를 보였다. 또한 독립변수 조합에 따라 각 밴드와 추정 하상고의 상관관계가 달라짐을 확인하였다. 따라서 일련의 분석 과정을 통해 본 연구에서는 가장 최적의 독립변수 조합으로 RG조합을 이용하였으며 밴드별 영향정도를 복합적으로 반영하여 미계측지의 수심 예측이 가능하였다.

3) 대상유역의 4개 검증단면에 대하여 실제 수심 관측치와 추정치를 비교하여본 결과, 다중선형회귀모델의 결정계수 평균은 0.86이였으며, 평균절대오차(MAE)는 약 10 cm 로 수심측량 작업규정의 허용오차 범위인 20 cm 이내를 만족하였다. 평균절대비율오차(MAPE)는 14.47%로 나타났다. 이는 제안방법을 통해 효과적으로 하천의 단면 추정이 가능함을 보여주는 결과라 할 수 있다.

4) 그러나 드론을 이용한 항공이미지의 취득이 장시간에 걸쳐 이루어질 경우, 태양 고도에 따른 빛의 세기 및 물의 흐름 특성 등 시간에 영향을 받는 물리적인 조건들이 변하여 측정 결과가 왜곡될 가능성이 있다. 이러한 문제는 단순히 드론 비행 항로를 적절하게 설정하여 이미지 취득시간을 줄임으로서 해결될 수 있으나, 이미지 취득 지속시간에 따른 측정 결과의 왜곡 정도는 후행 연구를 통해 검증이 필요하다. 이와 더불어 수중 식생 및 물체에 따른 오차 처리, 이미지 전처리 등의 기술적 한계 또한 향 후 연구에서 고해상도 드론 카메라와 향상된 이미지분석 기법을 통해 보완이 될 필요가 있다.

References

1
Abdallah, H., Bailly, J.S., Baghdadi, N.N., Saint-Geours, N., and Fabre, F. (2013). "Potential of space-borne LiDAR sensors for global bathymetry in coastal and inland waters." IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 6, No. 1, pp. 202-216. 10.1109/JSTARS.2012.2209864
2
Ahn, K., Park, J., and Oh, C.Y. (2016). "Estimation of shallow water depth using drone and HD camera." Proceeding of the conference of Korea Society of Coastal and Ocean Engineering.
3
Ferguson, R.I., Parsons, D.R., Lane, S.N., and Hardy, R.J. (2003). "Flow in meander bends with recirculation at the inner bank." Water Resources Research, Vol. 39, No. 11, pp. 1322-1335. 10.1029/2003WR001965
4
Fujita, I., Muste, M., and Kruger, A. (1998). "Large-scale particle image velocimetry for flow analysis in hydraulic engineering applications." Journal of Hydraulic Research, Vol. 36, pp. 397-414. 10.1080/00221689809498626
5
Guenther, G.C., Cunningham, A.G., LaRocque, P.E., and Reid, D.J. (2000). "Meeting the accuracy challenge in airborne lidar bathymetry." Proceedings of the EARSel-SIG-Workshop, LIDAR, Dresden, Germany, p. 23.
6
Jakob, S., Zimmermann, R., and Gloaguen, R. (2017). "The need for accurate geometric and radiometric corrections of drone-borne hyperspectral data for mineral exploration: Mephysto-a toolbox for pre-processing drone-borne hyperspectral data." Remote Sensing, Vol. 9, No. 1, p. 88. 10.3390/rs9010088
7
Jia, Y., and Wang, S.S. (1999). "Numerical model for channel flow and morphological change studies." Journal of Hydraulic Engineering, Vol. 125, No. 9, pp. 924-933. 10.1061/(ASCE)0733-9429(1999)125:9(924)
8
Kalkwijk, J.T., and De Vriend, H.J. (1980). "Computation of the flow in shallow river bends." Journal of Hydraulic Research, Vol. 18, No. 4, pp. 327-342. 10.1080/00221688009499539
9
Kim, J.S., Baek, D.H., Seo, I.W., and Shin, J.H. (2019). "Retrieving shallow stream bathymetry from UAV-assisted RGB imagery using a geospatial regression method." Geomorphology, Vol. 341, pp. 102-114. 10.1016/j.geomorph.2019.05.016
10
Kuster, T. (2012). "The possibility of using the Landsat image archive for monitoring long time trends in coloured dissolved organic matter concentration in lake waters." Remote Sensing of Environment, Vol. 123, pp. 334-338. 10.1016/j.rse.2012.04.004
11
Lee, C.J., Kim, W., Kim, C.Y., and Kim, D.G. (2005). "Velocity and discharge measurement using ADCP." Journal of Korea Water Resources Association, Vol. 38, No. 10, pp. 811-824. 10.3741/JKWRA.2005.38.10.811
12
Lee, D.S., Lee, J.H., and Jang, S.Y. (2018). Development planning of river research optimization drone system for smart river management. Korea Institute of Civil Engineering and Building Technology, pp. 111-120.
13
Legleiter, C.J., Roberts, D.A., and Lawrence, R.L. (2009). "Spectrally based remote sensing of river bathymetry." Earth Surface Processes and Landforms, Vol. 34, No. 8, pp. 1039-1059. 10.1002/esp.1787
14
Lyzenga, D.R. (1981). "Remote sensing of bottom reflectance and water attenuation parameters in shallow water using aircraft and Landsat data." International Journal of Remote Sensing, Vol. 2, No. 1, pp. 71-82. 10.1080/01431168108948342
15
Oh, C.Y., Ahn, K.M., Park, J.S., and Park, S.W. (2017). "Coastal shallow-water bathymetry survey through a drone and optical remote sensors." Journal of Korean Society of Coastal and Ocean Engineers, Vol. 29, No. 3, pp. 162-168. 10.9765/KSCOE.2017.29.3.162
16
Pan, Z., Glennie, C., Legleiter, C., and Overstreet, B. (2015). "Estimation of water depths and turbidity from hyperspectral imagery using support vector regression." IEEE Transactions on Geoscience and Remote Sensing Letters, Vol. 12, No. 10, pp. 2165-2169. 10.1109/LGRS.2015.2453636
17
Peddle, D.R., White, H.P., Soffer, R.J., Miller, J.R., and Ledrew, E.F. (2001). "Reflectance processing of remote sensing spectroradiometer data." Computers and Geosciences, Vol. 27, No. 2, pp. 203-213. 10.1016/S0098-3004(00)00096-0
18
Srivastava, D,K., Weinrotter, M., Kofler, H., Agarwal, A.K., and Wintner, E. (2009). "Laser-assisted homogeneous charge ignition in a constant volume combustion chamber." Optics and Lasers in Engineering, Vol. 47, No. 6, pp. 680-685. 10.1016/j.optlaseng.2008.12.002
19
Yang, G., Liu, J., Zhao, C., Li, Z., Huang, Y., Yu, H., Xu, B., Yang, X., Zhu, D., Zhang, X., and Zhang, R. (2017). "Unmanned aerial vehicle remote sensing for field-based crop phenotyping: Current status and perspectives." Frontiers in Plant Science, Vol. 8, p. 1111. 10.3389/fpls.2017.0111128713402PMC5492853
20
Yi, J.H., Ryu, K.H., Shin, C., Baek, W.D., and Jeong, W.M. (2016). "Bathymetry estimation using aerial imagery for shallow water region." Journal of The Korean Society of Hazard Mitigation, Vol. 16, No. 5, pp. 351-358. 10.9798/KOSHAM.2016.16.5.351
21
Zinke, P., and Flender, C. (2013). "Experiences from the use of unmanned aerial vehicles (UAV) for river bathymetry modelling in norway." VANN, Vol. 48, pp. 351-360.
페이지 상단으로 이동하기