1. 서 론
2. 방법론
2.1 연구 개요
2.2 모델 매개변수 및 구동 환경
2.3 수체 분할 모델(이미지 분할 모듈)
2.4 수위 예측 모델(이미지 분류 모듈)
2.5 모델의 성능평가 방법
3. 적 용
3.1 연구 대상지 및 데이터
3.2 모델 설정
4. 결 과
4.1 수체 분할 모델 성능평가
4.2 수위 예측 모델의 성능평가
5. 결 론
1. 서 론
농업용 저수지란 관개기 또는 갈수기에 농업용수를 안정적으로 공급하기 위한 주요 농업 기반 시설로 전국에 17,147개소가 분포하고 있다. 농업용 저수지를 통해 국내 농업용수의 60% 이상이 공급되고 있으며(K-water, 2020), 농업용수 이용량은 유지용수를 제외한 전체 수자원 이용량의 약 63%로 큰 비중을 차지하고 있다(ME, 2021). 이러한 농업용 저수지의 실시간 저수량을 추정하는 것은 농업용수의 공급과정과 관개 시스템의 운영을 이해하는 데 중요하며, 이는 가뭄이나 홍수 등 수재해 발생으로 인한 문제를 예방하거나 대응하기 위한 전략 수립에 중요한 근거를 제시한다. 일반적으로 저수량의 추정은 목측 혹은 자동 수위 계측기를 통해 저수위를 측정하여 수행하게 된다. 다만, 우리나라 농업용 저수지의 광범위한 공간적 분포로 인해 목측을 통한 정기적인 모니터링에는 한계가 있으며, 한정된 예산으로 인해 자동 수위 계측기가 설치되지 않은 지점이 존재한다. 실제로 전국에 분포해있는 저수지 3,438개소 중 1,426개소에는 수위 계측기가 설치되어있지 않으며(KRC, 2024), 자동 수위 계측기가 설치된 지점이라고 하더라도 계측기의 결함이나 측정 센서의 오작동 등으로 인해 오류가 발생하여 이를 보정해주어야 하는 어려움이 있다(Joo et al., 2022). 따라서 농업용 저수지의 관리 효율을 높이기 위해 실시간으로 모니터링할 수 있는 기반이 마련되는 등 저수위 및 저수율의 간접적 추정 방안이 필요한 실정이다.
이와 관련하여 최근 이미지와 같은 간접 데이터를 활용하여 저수위 혹은 저수율을 추정하는 연구들이 활발히 진행되어 왔다(Kwon and Kim, 2021). 농업용 저수지를 대상으로 한 연구로서 Joo et al. (2023)은 ResNet-50(Residual neural network-50) 모델, Kwon et al. (2023)은 CNN (Convolution Neural Network)과 ResNet, EfficientNet (Efficient Convolutional Neural Network) 모델을 기반으로 저수위를 추정한 바 있다. De Albuquerque Teixeira et al. (2024)은 FCN (Fully Convolutional Network) 모델을 활용하여 영상정보를 분할한 후 수위-면적-저수량 곡선을 통해 저수지의 저수량을 계산하였다. 또한, 소규모 저수지를 대상으로 딥러닝 알고리즘 기반 수위 예측 모델을 구축하기 위해 LSTM ED (Long Short-Term Memory)(Kusudo et al., 2021)와 ResNet34 모델(Wu et al., 2023)을 활용한 연구가 진행된 바 있다. Kim et al. (2022)의 경우 관개용수로의 수위 추정을 위해 ResNet50을 백본(backbone)으로 사용하는 U-Net (U-shaped convolutional neural network)을 활용하여 모델을 구축한 바 있다. 이외에도 강 또는 하천 수위 추정을 위해 이미지 데이터를 기반으로 RU (ResNet50- UperNet) 모델(Vandaele et al., 2021)과 R-CNN 모델(Chaudhary et al., 2019), DeepLabv3+ 및 SegNet 모델(Muhadi et al., 2021), SegNet 및 FCN 모델(Eltner et al., 2021)의 전이학습을 통해 이미지 분할을 수행하여 수위 추정을 진행한 연구가 있다. 다만, 이러한 기존 연구들은 모두 이미지의 전처리 과정(수체 분할)이 전반적인 결과에 미치는 영향이 큼에도 불구하고, 수위 추정 과정을 더 강조하였으며 수체 분할 자체의 성능을 강화하기 위한 연구는 부족한 실정이다.
기존 연구의 수체 분할 모델에서는 수작업 라벨링과 전처리 작업이 필수적으로 수행되었다. 딥러닝 모델을 활용한 농업용 저수지 수위 혹은 저수량 추정 연구에서는 일정 수준 이상의 정확도를 확보하기 위해 데이터의 전처리를 포함한 가공 과정이 필요하다. 이러한 가공 과정 중 물과 배경 영역을 구분하는 수체 분할 과정(혹은 이미지 분할)은 딥러닝 모델을 활용한 저수지 수위 혹은 저수량 추정을 위한 모델 학습에 필수 과정이다. Qiao et al. (2022)는 YOLOv5를 활용하여 수위 추정 및 이미지 내 모든 수위표 객체를 라벨링 하였으며, Kim et al. (2022)과 Kwon et al. (2023)은 농업용 저수지 수위를 추정하기 위해 수동 분할 및 U-Net을 활용한 이미지 분할 딥러닝 모델을 활용하였다. Eltner et al. (2021)은 강 수위를 모니터링하기 위해 수위표를 카메라로 촬영하였고, LabelMe 소프트웨어를 이용해 수동으로 주석을 달아 다양한 조건을 분석하였다. Moy de Vitry et al. (2019)은 홍수 수위 모니터링을 위해 CNN 모델을 활용하고, 홍수 이미지를 수동으로 라벨링 하여 데이터 세트를 구축하였다. Muhadi et al. (2021)은 홍수 탐지 및 수위 추정을 위한 CNN 기반 모니터링 시스템을 제안하고, 라벨링 등의 과정들은 소프트웨어를 통해 학습 및 검증을 수행하였다.
이러한 연구들은 이미지 분할을 위해 딥러닝 모델을 활용하였으나, 모델 구현을 위해 일정부분에 대해 수작업으로 라벨링과 이미지 분할 등의 전처리 작업 수행이 필요하다. 다만, 사람이 직접 이미지 분할과정을 수행할 때 객관적인 기준의 부재로 인해 작업을 수행하는 개인의 능력에 따라 정확도와 세밀한 작업의 일관성이 떨어질 가능성이 있다. 뿐만 아니라, 모델을 구축하기 위해서는 많은 양의 데이터를 요구하기에 작업을 수행하는데 상당 시간이 소요되며, 많은 인력과 비용을 요구하여 낮은 효율성 등 데이터 세트 구축에 한계가 있다. 따라서 충분한 이미지 확보와 긴 라벨링 소요 시간을 줄이고, 높은 정확도 및 고성능 모델을 구축하는 방안 마련이 필요하다.
본 연구에서는 기존 연구의 한계를 두 가지 측면에서 개선하고자 한다. 먼저, 추가 계측기 및 카메라 혹은 무인체 등 기록 장비의 사용 없이, 기존 방범 목적으로 설치된 CCTV를 통해 확보된 이미지 데이터를 수위와 저수량 추정에 활용하고자 한다. 이 경우 추가적인 비용이 발생하지 않으며 기존 자동 수위계가 없는 미계측 저수지에서도 CCTV 영상정보는 수집되기에 방대한 양의 데이터를 확보하고 적용할 수 있다는 장점이 있다. 다만, 방대한 양의 데이터의 수체 분할을 수동으로 수행할 경우 비효율적일 수 있다. 이에 두 번째로, 본연구에서는 전이학습을 통해 농업용 저수지의 이미지 분할을 위한 자동 수체 분할 모델을 제안하였다. 제안한 모델은 농업용 저수지 4개소에 적용하여 최종 모델을 구축하였으며, 이후 적용 대상 저수지 외 타 저수지로의 적용을 위한 모델의 일반화 성능 확인을 위해 학습 및 검증 단계에서 적용되지 않은 저수지의 입력 데이터 세트를 교차 검증하여 최종 모델의 성능지표를 분석하였다. 마지막으로 사람과 모델이 수행한 수체 분할 결과를 토대로, 농업용 저수지의 수위를 추정하고 정확도를 분석하였다.
2. 방법론
2.1 연구 개요
본 연구에서는 딥러닝 모델의 전이학습을 활용한 농업용 저수지 수체 분할 알고리즘을 제시하였다. 먼저, 농업용 저수지에서 기존에 보안상의 목적으로 설치된 CCTV의 영상정보 자료를 입력 데이터로 활용하여 단계별 데이터 세트를 구축한다. 본 연구에서는 총 4개의 농업용 저수지의 CCTV 자료를 확보하였으며, 각 저수지의 데이터 세트를 딥러닝 모델이 학습 및 검증 시 활용할 수 있는 형태로 이미지를 전처리 및 라벨링(수위 및 저수율) 한다. 다음으로, V-FloodNet의 이미지 분할 모듈의 전이학습을 통해 데이터 세트의 이미지 분할을 자동으로 수행할 수 있도록 세 곳의 농업용 저수지를 대상으로 학습, 검증 단계를 수행하였다. 마지막으로 일반화된 성능을 검증하기 위해 학습 및 검증에 활용되지 않은 저수지를 대상으로 평가 과정을 수행하였다. 추가로, 기존의 수위 예측 모델에 적용하여 해당 모델의 효율성과 성능을 검증하였으며, 해당 과정은 Fig. 1과 같다.
2.2 모델 매개변수 및 구동 환경
본 연구에서 활용한 이미지 분할 모듈은 하이퍼파라미터(hyperparameter) 미세조정을 수행하지 않고, 기존 모듈의 구동을 위해 적용된 매개변수를 적용하였다(Liang et al., 2023; Kwon and Lee, 2024). 이미지 분할 모듈의 경우, 입력 이미지의 크기는 416×416, 배치의 크기는 4이다. 초기 학습률은 1e-4로 설정되어있으며, 학습 중반부에 1e-5로 줄어드는 구조로 되어 있다. 에포크(epoch) 수는 학습 반복 횟수로 기본값이 100이며, 인코더의 경우 EfficientNet으로 적용되어있다. 이미지 분류 모듈의 경우, Tensorflow를 기반으로 수행되었으며, 옵티마이저의 경우 Adam 방법을 적용하였다. 손실함수(loss function)는 Keras에서 제공하는 SCCE (Sparse Categorical Cross Entropy)를 적용하였고, 배치의 크기는 16으로 학습되었다. 자세한 매개변수 정보는 Kwon and Lee (2024)의 연구를 참고하기를 바란다. 각 모듈의 구동 환경으로는 4.30GHz AMD Ryzen9 9950X 16-Core Processor CPU, 64.0GB RAM 및 NDVIA GeForce RTX 4080 SUPER GPU를 갖춘 64비트 Windows 11 Home 시스템 컴퓨터를 사용하여 수행되었다.
2.3 수체 분할 모델(이미지 분할 모듈)
이미지 분할은 사물을 픽셀(pixels) 단위로 식별하여 클래스를 할당하는 작업으로, 클래스마다 다른 색상을 부여하여 이미지 내의 사물의 영역을 분할하고 구분하여 인식하는 과정이다. 수체 분할은 농업용 저수지의 CCTV 이미지 내 수체와 배경 영역을 픽셀 단위로 구분하여 분할하는 작업을 의미한다.
본 연구에서는 Liang et al. (2023)이 홍수위 예측을 위해 개발한 모델(V-FloodNet)의 이미지 분할 모듈을 기반으로 전이학습을 진행하였다. 전이학습은 기존의 학습된 모델 일부 또는 전체를 가져와 활용하고자 하는 데이터를 기반으로 재학습시키고, 모델의 신경망 및 하이퍼파라미터를 조정하여 활용 목적에 맞는 모델을 구현하는 방법이다(Kim et al., 2022). 기존 분할 모듈에 적용된 수영장, 호수, 강, 도시 홍수 등의 이미지 외에, 본 연구에서 수집한 농업용 저수지의 CCTV 이미지 데이터를 추가하여 농업용 저수지 데이터 수에 따른 정확도를 비교 검토하였다. 또한, 본 연구에서 활용한 딥러닝 아키텍처는 선행 연구에서 이미지 분할 성능 및 효율성이 가장 높았던 U-Net으로 선정하였으며, 이때 인코더 부분을 EfficientNet 아키텍처로 수정하여 적용하였다.
2.4 수위 예측 모델(이미지 분류 모듈)
이미지 분류란 컴퓨터가 입력된 이미지 내 특정 사물이 어떤 클래스에 속하는지 분류하는 과정으로, 해당 연구에서는 각 이미지 데이터의 수체 영역을 분석하여 수위를 추정하는 작업을 의미한다. 이미지 분류 딥러닝 모듈은 입력 이미지에서 특징을 추출하고, 이를 활용하여 작업을 수행하며, 본 연구에서는 Kwon and Lee (2024)이 구축한 DAWR (Deep learning-based Agricultural reservoirs Water level Recognition model)을 활용하였다.
해당 수위 예측 모델은 이전 단계인 수체 분할 모델(이미지 분할 모듈)을 통해 얻은 수체 분할 이미지 데이터를 입력 데이터로 활용하며, DAWR의 ResNet50 아키텍처를 기반으로 구축된 모델을 활용하였다. 수위를 분류하기 위해 저수지별 최고 및 최저 수위를 고려하여 8개의 수위 분류 계급구간을 설정하였다. 계급구간 설정을 위한 방법으로는 Jenks의 자연분류법(Jenks, 1967)을 적용하였으며, 이는 다른 방법들과는 달리 각 계급구간에 포함되는 데이터의 양을 유사하게 나누어주는 특징이 있어 왜곡이 최소화되는 방법으로 알려져 있다.
2.5 모델의 성능평가 방법
본 연구에서는 혼동행렬의 개념을 활용하여 정확도(Accuracy), F1 Score, IoU score 등의 지표로 모델의 성능을 평가하였다. 혼동행렬은 예측값과 실제 관측값을 비교하여 TP (True Positive), FP (False Positive), FN (False Negative), TN (True Negative)과 같이 성능을 정량적으로 평가하는 방법이며, 각 성능지표는 Eqs. (1), (2), (3)와 같이 산정할 수 있다.
F1 score 지표는 정확한 분할 성능을 평가하는데 중요한 지표이며, FP와 FN을 동시에 고려할 수 있어 수체와 배경 영역을 이루는 픽셀 수가 불균형한 데이터 세트에서 모델의 성능을 잘 반영할 수 있다(Wang et al., 2020). IoU score 지표는 예측된 결과와 실제 참값 간의 겹치는 영역을 기반으로 정확도를 평가하여, 더 현실적으로 모델의 성능을 나타낼 수 있으며, 경계 근처의 작은 오류까지 고려하기에 일반적으로 다른 지표보다 낮은 값을 갖는 것으로 알려져 있다(Cheng et al., 2021). 해당 성능지표들은 혼동행렬을 통한 산정 지표 중 모델의 성능을 평가하는 가장 좋은 지표로서(Abbasi et al., 2023), 수체 분할 또는 홍수 관련 이미지 분할 모델에 평가지표로 많이 활용된다(Ghosh et al., 2024; Eltner et al., 2021; Liang et al., 2023).
3. 적 용
3.1 연구 대상지 및 데이터
본 연구에서는 CCTV 이미지와 수위 계측 데이터가 충분히 확보된 국내 4개 농업용 저수지를 선정하여 분석에 활용하였다. Fig. 2는 각 저수지의 CCTV 이미지를 나타낸다. 해당 CCTV 통합시스템은 메인화면에서 각 지역의 대상 시설 운영 및 관리 현황에 대한 정보를 포함한 소규모 시설물에 대한 영상정보도 함께 제공하고 있다. 이미지 해상도는 1920×1080 픽셀로 동일하게 설정되어 있으며, 영상정보의 파일 형식은 JPG 형식이다. 파일의 평균 크기는 야간 시간대의 경우 50~70 KB, 낮 시간대의 경우 80~95 KB 정도이다.
모든 대상 저수지에 대해 한국농어촌공사 통합시스템을 통하여 1시간 단위로 영상정보를 수집하였으며, 수집한 영상정보 중 가용할 수 있는 영상정보를 선별하여 모델에 적용하였다. 여기서 가용할 수 있는 영상정보란 결측되었거나 야간 촬영, 장애물로 인해 분석에 활용할 수 없는 영상정보를 제외한 것을 의미한다. 가용할 수 있는 영상정보의 특이점 또는 날씨 영향을 확인하였을 때, M 저수지의 경우 2021년 1월 계절적인 영향으로 인해 저수지 물의 표면이 얼은 상태 또는 눈이 덮인 상태임을 확인하였다. G 저수지의 경우, 2020년 7월, 9월에 강우가 발생하였으며, 2022년 3월, 4월에 안개 등의 영향으로 인해 해상도가 낮아지는 문제가 발생한 바 있다. C 저수지의 경우, 2023년 8월 물에 녹조류가 많이 발생하여 표면의 색이 일부 변화가 있는 것을 확인하였으며, Y 저수지의 경우, 2023년 2월, 8월에 흐린 날씨와 강우로 인해 표면의 경계가 모호해지는 것을 확인하였다.
M 저수지와 G 저수지의 경우 2020년 6월 21일 00시부터 2022년 7월 18일 23시까지 수집하였다. 저수지별로 18,168장씩 수집하였으나 가용할 수 있는 영상정보는 M 저수지의 경우 2,780장, G 저수지의 경우 1,750장으로 해당 영상정보만 선별하여 적용하였다. C 저수지와 Y 저수지의 경우 2023년 1월 1일 00시부터 2023년 9월 1일 10시까지 수집하였다. 저수지별로 5,585장씩 수집하였으나 가용할 수 있는 영상정보를 C 저수지의 경우 1,587장, Y 저수지의 경우 1,198장 확보하였다.
3.2 모델 설정
수체 분할 모델의 입력자료로 활용된 이미지의 경우 해상도 512×512픽셀로 G, C, Y 저수지 데이터를 무작위로 훈련(90%), 검증(10%) 비율로 나누어 구성하였다. 모델의 효율성을 위해 100 에포크 이후 IoU score가 일정하게 수렴하는 것을 확인하였고, 이에 따라 총 100 에포크가 수행되었다. 평가를 위한 입력자료로는 학습, 검증 과정에 적용되지 않은 M 저수지 데이터를 활용하여 수행되었다. 이미지 분할을 수행한 결과 데이터는 수위 예측 모델의 입력자료로써 활용되었다.
일정 수준 이상의 예측 정확도와 사람이 직접 수행하는 라벨링 및 전처리 작업의 최소 요구량을 비교 검토하기 위해, 전체 데이터의 일정 비율에 따른 데이터의 양을 Table 1과 같이 설정하였다.
Table 1.
Data ratio scenarios
| Data ratio | Total number of data | Train data | Validation data |
| 100% | 4,535 | 4,081 | 454 |
| 50% | 2,268 | 2,041 | 227 |
| 25% | 1,134 | 1,021 | 113 |
| 10% | 454 | 409 | 45 |
| 5% | 227 | 204 | 23 |
수위 예측 모델의 입력자료는 무작위로 훈련(80%), 검증(10%), 평가(10%) 비율로 나누어 구성하였고, 사용 메모리와 컴퓨터 구동 환경을 고려하여 256×256픽셀로 총 35 에포크로 수행되었다.
4. 결 과
4.1 수체 분할 모델 성능평가
본 절에서는 수체 분할 모듈의 결과를 정리하였다. 앞서 설명하였듯이 수체 분할이란 이미지의 각 픽셀이 수체에 해당하는지 수체가 아닌 배경에 해당하는지를 정의하는 단계로, 본 연구에서는 U-Net 아키텍처의 인코더 부분을 EfficientNet으로 바꾸어 모의하였다. 입력자료로 활용된 이미지 중 G, C, Y 저수지 데이터를 무작위로 훈련(90%), 검증(10%) 비율로 나누어 구성하였고, 총 100 에포크가 수행되었다. 이미지 분할을 수행한 결과 데이터는 수위 예측 모델의 입력자료로써 활용되었다. 최종 모델은 IoU score 지표가 가장 높은 평가 모델로 선정하였으며, 일반화 성능을 검토하기 위해 학습, 검증 과정에 포함되지 않은 M 저수지 데이터를 활용하여 평가 과정을 수행하였다. 평가지표 결과를 정리하면 Table 2 및 Fig. 3과 같다.
Table 2.
Performance metrics results of the image segmentation model
| Data ratio | Accuracy | F1 score | IoU |
| 100% | 0.939 | 0.949 | 0.904 |
| 50% | 0.942 | 0.952 | 0.908 |
| 25% | 0.937 | 0.946 | 0.900 |
| 10% | 0.911 | 0.918 | 0.858 |
| 5% | 0.880 | 0.888 | 0.808 |
| 1% | 0.824 | 0.856 | 0.748 |
Table 2에서 확인할 수 있듯 데이터 비율이 감소함에 따라 모델의 모든 평가지표가 감소하고 있다. 정확도는 10~100% 데이터 비율(400장 이상)에서 91~94%의 높은 수준을 보였으며, 그 증가 폭은 25%(1,000장)의 데이터 이상부터 미미하였다. 이는 Fig. 3의 경향에서도 확인할 수 있다. 데이터 비율에 따라 정확도의 경우 1%당 최대 0.014의 증가율을 나타내다, 25%에 도달하고 나서 0.002 이하로 감소하였다. F1 score와 IoU score의 경우도 데이터 비율이 적은 구간에서는 유사하게 1%당 최대 0.008과 0.015의 증가율을 보였으며, 25%에 도달한 후 0.002 및 0.003 이하로 각각 감소하였다.
즉, 데이터의 비율에 따른 각 평가지표를 비교 검토한 결과, 정확도와 F1 Score, IoU score는 데이터 비율이 25% 이상일 때 90% 이상의 높은 성능을 보이며, 충분한 예측 성능을 나타내고 있음을 확인하였다. IoU score는 데이터의 비율이 10% 이하로 감소할 때, 급격하게 성능이 저하됨을 확인하였으며, 데이터 비율이 25% 이상일 때 값이 안정적으로 유지됨을 파악하였다. 따라서 데이터의 비율이 최소 25% 이상이 유지될 때 성능 저하가 거의 발생하지 않으며, 90% 이상의 성능을 확보하여 모델이 충분히 정확한 예측을 수행할 수 있다. Fig. 4는 해당 결과를 혼동행렬로 나타낸 결과이며, 가로는 실제 해당 영역을 의미하며, 세로는 예측한 영역을 의미한다.
Fig. 5는 수체 분할 모델의 예측 결과를 자세히 보여준다. 모델이 분할한 수체 영역은 실제 이미지에 파란 영역으로 표시되었다. 해상도가 높은 낮 시간대와 날씨가 양호한 조건에서는 대체로 예측이 정확함을 확인하였으나, 일부 이미지에서 예측 정확도가 저하되는 현상을 확인하였다. 수체와 배경을 분할하는 과정에서 발생한 문제는 크게 5가지로 확인되었다. 특정 일자에서 강한 햇빛의 영향으로 인해 저수지 물 표면에 심각한 빛 반사가 발생하였으며, 계절적 요인으로 인해 물 표면의 색상이 달라지면서 분할의 정확도가 저하되었다. 이외에도 녹조류, 그림자, 기상악화(안개) 등으로 인해 분할에 어려움이 발생한 것으로 확인하였다.
4.2 수위 예측 모델의 성능평가
수체 분할 모델과 사람이 수행한 결과 데이터를 수위 분류 모델의 입력 데이터로 활용하여 성능 및 효율성에 대해 비교 분석하였다. 본 연구에서는 수체 분할 모듈을 통한 자동 분할 방식과 사람이 직접 이미지 분할을 수행한 수동 분할 방식으로 정의하였다. 총 2,780장의 M 저수지 데이터를 사용하여 자동 분할 방식과 수동 분할 방식을 적용했으며, ResNet50 아키텍처를 활용한 수위 예측 결과를 나타내었다. 자동 분할 방식은 데이터 비율에 따라 성능을 평가하였으며, 수동 분할 방식의 전처리 작업은 LabelMe 프로그램을 통해 수행되었다. 자동 분할 방식의 정확도는 ResNet50 수위 예측 모델에서 78~87%로 나타났다. 수동 분할 방식의 정확도는 68%로 나타났다. Table 3과 Fig. 6은 ResNet50 수위 예측 모델의 이미지 분할 결과를 나타내었다.
Table 3.
Accuracy of the image segmentation - ResNet50
| Case | Accuracy | Loss |
| 100% | 0.878 | 0.790 |
| 50% | 0.849 | 0.866 |
| 25% | 0.831 | 0.878 |
| 10% | 0.82 | 0.911 |
| 5% | 0.780 | 1.016 |
| Manual Segmentation | 0.683 | 1.164 |
평가지표 결과를 비교 검토하였을 때, 정확도를 기준으로 수동 분할 방식이 자동 분할 방식보다 약10~19% 정도 더 낮게 나타남을 확인하였다. 이는 사람이 직접 수체 분할과정을 수행하였을 때보다 모델을 통해 수체 분할과정을 수행하였을 때 수위 예측 정확도가 더 높게 나타남을 의미한다. 평가지표와 관련하여 수위 예측 결과를 분석하여 Fig. 7과 같이 나타내었다.
데이터의 비율이 5% 이하일 때 성능이 비교적 많이 감소하며, 10% 이상의 데이터 비율에서 대체로 평가지표가 80% 이상을 나타내며 비교적 안정적인 성능을 나타내고 있음을 확인하였다. 또한, 손실(Loss) 값은 데이터 비율이 감소할수록 급격히 증가하는 경향을 보이며, 특히 수동 분할 방식에서 손실이 116.4%로 가장 높게 나타났다. 자동 분할 방식이 사람이 직접 수행한 수동 분할 방식보다 성능이 모두 높게 나타났으나, 일정 수준 이상의 성능을 유지하기 위해서는 최소 1,000장 이상의 데이터가 확보되어야 할 것으로 판단된다.
5. 결 론
본 연구에서는 C 저수지, G 저수지, Y 저수지 영상 데이터를 기반으로 V-FloodNet의 전이학습을 통해 수체 분할 모델을 제시하고, 데이터 비율에 따른 모델의 학습 및 검증을 수행하였다. 모델의 일반화 성능을 평가하기 위해 학습 및 검증 과정에서 사용되지 않은 M 저수지의 영상정보를 활용한 결과, 전체 데이터의 10%를 사용했을 때 90% 이상의 정확도가 나타났다. 또한, F1 score, IoU score 등의 성능지표에서도 우수한 성능을 확인할 수 있었다. 모델과 사람이 직접 수행한 작업의 효율성 및 성능을 비교하기 위해, 2,780장의 M 저수지의 이미지 분할 데이터를 활용하여 수위 예측 과정을 수행하였다. 사람이 수체 분할을 수행하였을 때 ResNet50 수위 예측 모델에서 68%의 정확도를 나타내었다. 반면, 모델이 수체 분할을 수행하였을 때 ResNet50의 수위 예측 모델에서 78~87%의 정확도를 달성하였다. 이를 통해 사람이 직접 수행하는 방식보다 모델이 수체 분할을 수행한 경우, 수위 예측에 있어 약 10~19% 정도의 더 높은 정확도와 효율성을 가짐을 확인할 수 있었다. 따라서, 본 연구는 자동화된 수체 분할 모델의 적용이 작업 효율성과 정확도 측면에서 중요한 이점을 제공할 수 있음을 확인하였으며, 데이터 비율에 따른 정확도 비교를 통해 일정 수준 이상의 성능을 확보하기 위한 최소 데이터 요구량을 파악하였다.
본 연구에서 제안한 수체 분할 모델은 농업용 저수지 관리 및 모니터링 시스템에 적용될 수 있으며, 모델을 통해 얻은 결과는 기후 변화에 따른 수자원 관리와 같은 장기적 문제 해결에 기여할 수 있을 것으로 기대된다. 또한, 본 연구는 수동 이미지 분할의 작업을 줄이고, 수위 모니터링 과정의 자동화를 통해 관리 비용 절감 및 효과적인 운영 효과도 기대할 수 있을 것이다. 향후 연구에서는 계절적 요인(눈, 녹조류 등)과 그림자, 빛 반사 등 다양한 환경적 요인에 의해 발생하는 문제를 해결하기 위한 추가적인 작업이 필요할 것으로 판단된다.
