1. 서 론
2. PolSAR의 기본원리 및 핵심 분석 방법론
2.1 PolSAR의 기본원리 및 핵심 분석 방법론
2.2 핵심 산란 메커니즘과 수문학적 의미
2.3 핵심 분석 방법론: 편파 분해(Polarimetric Decomposition)
3. PolSAR의 수문학적 응용 현황
3.1 토양수분 추정
3.2 홍수 및 침수 지도화(Flood and Inundation Mapping)
3.3 습지 모니터링
3.4 빙권(Cryosphere) 수문
3.5 종합 요약
4. 기존 연구의 한계점
4.1 정량적 불확실성과 복합 산란 해석의 구조적 한계
4.2 관측 기하·센서 특성·환경 조건에 따른 민감도 차이
4.3 시계열·범용성·운영성 측면의 제약
5. 향후 전망
5.1 PolSAR 분석 정밀화와 차세대 센서를 활용한 기술적 진전
5.2 기계학습·딥러닝을 활용한 데이터 기반 분석의 확장
5.3 통합 수문·생태 모니터링을 위한 다중 센서 융합 및 운영성 확보
6. 결 론
1. 서 론
지구 시스템의 가속화된 변화와 기후변화로 인한 극한 현상의 증가로 인해, 수문 순환의 시·공간적 변동성이 과거보다 훨씬 복잡하고 예측 불가능한 양상으로 나타나고 있다. 이에 따라 토양수분, 홍수·침수, 증발산, 적설·빙하, 동토층 상태 등 핵심 수문 변수의 정밀 관측은 수문 과학뿐 아니라 기후변화영향평가, 수자원 계획, 농업·생태계 관리 등 다양한 분야에서 필수 요소로 부상하였다(Amitrano et al., 2024; Gharechelou et al., 2021; Merzouki et al., 2019). 특히 지표 과정의 공간 이질성이 증가하고, 단기·장기 수문 극한 현상의 예측이 정책·재난관리의 중심 과제로 자리 잡으면서, 고해상도·고빈도·물리 기반 관측 자료의 필요성은 과거 어느 때보다 높다.
그러나 기존 관측 체계에는 구조적 한계가 존재한다. 광학 센서 기반의 관측은 구름, 강수, 일조시간 제약에 크게 의존하며(Henderson and Lewis, 1998), 지표 수문 변수의 시계열 모니터링에 필요한 연속성을 확보하기 어렵다. 이를 보완하는 능동형 센서인 Synthetic Aperture Radar (SAR)는 전천후·주야간 관측이 가능하여 수문 관측의 중요한 대안으로 자리 잡았다(Jia et al., 2021). SAR은 지표의 유전율, 거칠기, 수분 상태 등에 민감하게 반응하여 수문 변수와 연관된 다양한 물리적 정보를 제공하지만, 단일 편파(single-pol) 또는 이중 편파(dual-pol) 기반 관측만으로는 복잡한 지표 과정의 물리적 해석에 제한이 있었다.
이러한 한계를 보완한 기술이 Polarimetric SAR (PolSAR)이다. PolSAR는 편파 상태(HH, HV, VH, VV)의 복소 산란행렬을 기반으로 표면 산란, 체적 산란, 이중 반사 산란과 같은 핵심 산란 메커니즘을 물리적으로 분리할 수 있다(Cloude and Pottier, 1996; Freeman and Durden, 1998). 이를 통해 지표의 구조적·유전적 특성에 대한 해석력이 크게 향상되어, 토양수분 추정(Goïta et al., 2023), 침수 영역 및 침수 식생 탐지(Lee et al., 2025), 식생 수분함량 및 생체량 추정(Magagi et al., 2022), 동토층 변화 감지(Touzi et al., 2023) 등 다양한 수문학 응용에서 독보적 장점을 보여 왔다.
하지만 PolSAR의 잠재력에도 불구하고, 실제 수문학 적용에는 다음과 같은 근본적 도전과제가 존재한다. 첫째, 자연 지표에서는 다양한 산란 메커니즘이 동시에 존재하여, 개별 성분을 명확하게 분리하기 어렵다(Bordbari and Hooper, 2025; Karachristos et al., 2024; Shan et al., 2012). 둘째, 토양 거칠기, 식생 피복 구조, 유전율 등 불확실성이 물리 기반 산란 모델의 예측 성능을 크게 저하시킨다(Qian et al., 2024). 셋째, SAR 특유의 스페클 잡음과 고차원 복소 데이터는 해석 및 계산 비용 측면에서 큰 부담을 초래한다(Ashwin et al., 2025). 넷째, 기존의 연구는 특정 지역·사례 중심인 경우가 많아, 서로 다른 기후·토지피복 조건으로의 일반화에 제약이 있다.
이를 극복하기 위해 최근에는 PolSAR를 기계학습·딥러닝과 결합한 데이터 기반 접근법이 활용되고 있다. 예를 들어 Verma et al. (2023)은 L/S-band 전편파 SAR에 ML 기반 분류 기법을 적용하여 습지 환경에서 분류 정확도를 크게 향상했으며, Basargin et al. (2025)과 같은 연구는 물리 기반 모델을 신경망의 디코더로 통합하여, 해석 가능한 물리적 잠재 공간을 구축함으로써 설명 가능한 딥러닝(explainable DL)의 가능성을 제시하고 있다. 나아가 PolSAR-광학-LiDAR-기상 자료 등 복수 센서 융합(ESA, 2023)을 통해 단일 센서 기반 접근을 넘어선 통합 수문 모니터링 체계가 점차 현실화하고 있다. 특히 차세대 전편파 위성인 ESA의 Biomass와 NASA-ISRO의 NISAR (DLR and ESA, 2025; NASA and ISRO, 2025)의 등장으로 L-band 및 P-band PolSAR 자료의 접근성이 획기적으로 개선되면서, 산림·습지·침수·동토층처럼 기존 관측에서 가장 어려웠던 영역에서 연구의 폭이 크게 확대될 것으로 기대된다. 이는 PolSAR 기반 수문학 연구가 단순한 후방산란 분석을 넘어, 물리 기반-데이터 기반 융합의 새로운 단계로 진입하고 있음을 의미한다.
이러한 기술적·환경적 변화 속에서, PolSAR의 수문학적 활용을 체계적으로 정리하고 주요 과제와 향후 발전 방향을 재정의하는 작업이 필요한 시점이다. 본 총설 논문은 PolSAR의 기본 원리와 주요 편파 분해 기법을 정리하고, 토양수분·홍수·습지·한랭지 등 주요 수문 응용 분야별 최신 연구 동향을 체계적으로 분석한다. 또한 기존 문헌에서 제기된 한계점을 토대로 PolSAR 기반 수문 관측의 지식 격차를 정리하고, 기계학습·다중 센서 융합·차세대 전편파 위성 시대를 고려한 향후 연구 방향을 제시하고자 한다.
2. PolSAR의 기본원리 및 핵심 분석 방법론
본 장에서는 편파 SAR (PolSAR)의 기본 물리 원리와 대표적인 분석 방법론을 개괄한다. PolSAR는 전편파(full-polarimetric, quad-pol) 관측을 포함하되 이에 한정되지 않으며, dual-pol 자료 기반의 편파 분석도 PolSAR 범주에 속한다. 따라서 이 장에서는 복잡한 전자기학 이론이나 수학적 유도 과정(Cloude, 2010; Lee and Pottier, 2017)을 생략하고, PolSAR 관측 및 분해 기법이 토양수분, 침수, 식생 등 주요 수문 변수의 해석에 어떻게 기여하는지 개념적으로 설명하는 데 중점을 둔다.
2.1 PolSAR의 기본원리 및 핵심 분석 방법론
기존의 단일 편파(single-pol) 또는 이중 편파(dual-pol) SAR (예: Sentinel-1)이 주로 후방산란 강도(intensity)만을 제공하는 반면, 편파 SAR (PolSAR)은 강도와 위상 정보를 포함하는 복소(complex) 산란 신호를 이용해 대상의 물리적·전기적 특성을 정밀하게 추정할 수 있다. 특히 전편파(full-polarimetric, quad-pol) SAR은 HH, HV, VH, VV 네 개의 독립 편파 조합을 측정함으로써 PolSAR 분석에서 가장 풍부한 정보를 제공한다(Cloude, 2010; Lee and Pottier, 2017).
전편파 SAR 시스템은 송신과 수신 단계에서 각각 수평(H)과 수직(V) 편파를 모두 활용하며, 이를 통해 하나의 화소(pixel)에 대해 HH (Horizontal Transmit-Horizontal Receive), HV (Horizontal Transmit-Vertical Receive), VH (Vertical Transmit-Horizontal Receive), VV (Vertical Transmit-Vertical Receive)의 네 가지 복소수 편파 조합을 동시에 획득한다. 이 네 성분은 일반적으로 다음과 같은 2×2 산란행렬(scattering matrix)로 표현된다(Cloude and Pottier, 1996):
여기서 는 편파 p로 송신하고 편파 q로 수신한 경우의 복소 후방산란 계수이다. 각 성분은 대상의 형상(geometry), 유전율(permittivity), 표면 거칠기(roughness), 식생 구조와 같은 물리적 특성에 대한 민감도가 서로 다르다. 이 산란행렬을 기반으로 생성된 코히런시(Coherency) 행렬 T 또는 공분산(Covariance) 행렬 C은 편파 간 상관관계 및 위상 정보를 보존하기 때문에 PolSAR 분석의 핵심 입력 자료로 사용된다.
행렬 기반 표현의 핵심 장점은 네 개의 편파 성분을 통합함으로써 표면 산란(surface scattering), 체적 산란(volume scattering), 그리고 이중 반사(double-bounce scattering)와 같은 기본 산란 메커니즘을 명확히 구분할 수 있다는 데 있다(Hajnsek et al., 2003). 다시 말해, PolSAR는 토양 유전율(즉, 토양수분) 변화, 표면 거칠기 효과, 식생 캐노피 구조 등 단일 편파 관측으로는 분리할 수 없는 여러 물리적 요인을 산란 성분 단위로 분해하고 정량화할 수 있는 분석 기반을 제공한다.
2.2 핵심 산란 메커니즘과 수문학적 의미
PolSAR 데이터의 중요한 장점은 후방산란 신호를 물리적으로 의미 있는 산란 메커니즘으로 분해할 수 있다는 점이다. 이는 단순한 강도 기반 SAR 분석과 달리, 토양·수면·식생·빙설 등 복잡한 수문 환경에서 발생하는 다양한 산란 과정을 구분하고 그 상대적 기여도를 정량적으로 평가할 수 있게 한다. 일반적으로 수문학적 분석에서 핵심적으로 고려되는 산란 메커니즘은 표면 산란, 체적 산란, 이중 반사 산란의 세 가지이며, 각 메커니즘은 특정 수문 변수 또는 지표 상태와 밀접하게 연결된다.
2.2.1 표면 산란(Surface scattering)
표면 산란은 매끄럽거나 상대적으로 평탄한 지표—예를 들어 나지(bare soil), 잔잔한 수면(standing water), 노출된 토양 표면—에서 발생한다. 이러한 표면에서는 입사파가 한 번 반사된 후 센서 방향으로 되돌아오는 정규 반사(specular reflection) 특성이 나타나며, 동일 편광(co-polarization, HH 또는 VV)이 교차 편광(HV, VH)보다 강하게 관측된다. 토양은 유전율(permittivity)이 수분함량에 따라 크게 변화하므로, 표면 산란의 강도는 토양수분의 민감한 지표로 활용된다(Najem et al., 2025). 토양수분이 증가하면 전자기파의 침투 깊이가 얕아지고 반사율이 증가하는 경향이 있으며, 이에 따라 HH 또는 VV 강도가 증가하는 현상이 나타난다. 표면 산란은 토양의 유전율 변화에 가장 민감하게 반응하기 때문에, IEM (Integral Equation Model)과 Dubois 모델 등 주요 표면 산란 기반 역산 기법의 물리적 기반을 이루며 PolSAR 토양 수분 추정에서 핵심적인 역할을 한다.
2.2.2 체적 산란(Volume scattering)
체적 산란은 식생 캐노피, 농작물, 수목, 건조한 눈층 등처럼 내부에 무질서한 산란체(particles 또는 scatterers)가 분포하는 매질에서 발생한다. 입사파가 캐노피 내부를 통과하며 여러 번 산란을 겪는 과정에서 편광이 무작위화(depolarization)되므로 HV 및 VH와 같은 교차 편광 성분이 강하게 나타난다. 체적 산란은 토양 위를 덮고 있는 식생 층의 밀도, 구조, 수분함량(Vegetation Water Content, VWC)에 매우 민감하므로, 농업 분야에서 작물 생육 단계 분석, 지표-식생 시스템의 수문학적 상호작용 평가, 습설(wet snow) 분석 등 다양한 수문 응용에 활용된다(Thulasiraman et al., 2024; Singh et al., 2024). 특히 체적 산란은 캐노피 신호가 지표 신호를 덮어쓰는 형태로 나타나기 때문에, PolSAR 기반 토양수분 추정에서는 체적 산란 성분을 분리하거나 보정하여 지표 산란을 복원하는 과정이 필수적이다.
2.2.3 이중 반사 산란(Double-bounce scattering)
이중 반사 산란은 지면과 수직 구조물이 거의 직각을 이루는 환경에서 발생한다. 대표적으로 도시 지역의 건물-지면 구조, 경작지의 수직 식생 줄기-지표면 구조, 홍수 시 수면 아래 잠긴 나무줄기 등에서 관측된다. 입사파가 수직 구조물에 일차 반사되고 지면(또는 수면)에서 한 번 더 반사되어 센서 방향으로 돌아가는 특성 때문에 HH 편광에서 매우 강한 신호로 나타나는 것이 특징이다. 이에 따라 이중 반사 성분은 침수 지역 탐지, 특히 침수 식생(flooded vegetation) 탐지에서 매우 강력한 지표가 된다(HESS et al., 1990). 수면 아래 나무줄기가 존재할 경우, 지면-줄기 구조에서 발생하는 이중 반사가 급격히 증가하며, 이는 단일 편파 또는 광학 센서로는 식별하기 어려운 침수 영역을 효과적으로 탐지할 수 있게 한다.
이 세 가지 산란 메커니즘은 PolSAR 기반 수문 분석의 바탕을 이루며, 이후 편파 분해 기법(예: Freeman-Durden, Yamaguchi, H/α/A 분해 등)에서 사용되는 물리적 해석의 토대가 된다. 산란 메커니즘을 올바르게 이해하는 것은 PolSAR 자료를 이용한 토양수분 추정, 홍수 및 침수 탐지, 습지와 식생의 수문·생태 구조 평가, 적설·해빙 감지 등 다양한 수문 변수의 정량적 해석에 필수적이다.
2.3 핵심 분석 방법론: 편파 분해(Polarimetric Decomposition)
PolSAR 데이터는 하나의 화소 내부에서 발생하는 다양한 산란 메커니즘이 상호 중첩된 형태로 관측되기 때문에, 이를 분해하여 물리적으로 의미 있는 성분으로 재구성하는 절차가 필요하다. 이러한 기능을 수행하는 편파 분해(polarimetric decomposition) 기법은 PolSAR 분석의 핵심 요소이며, 지표 특성 해석과 수문 변수의 정량 추정 정확도를 크게 향상하는 기반 기술로 평가된다. 편파 분해는 접근 방식에 따라 크게 코히런트(coherent) 분해와 비코히런트(incoherent) 분해로 구분된다. 본 절에서는 각 접근법의 원리와 주요 특징을 설명하고, 수문학적 응용에서 갖는 해석적 의미를 정리한다(Karachristos et al., 2024).
2.3.1 코히런트 분해(Coherent decomposition)
코히런트 분해는 각 화소(pixel)의 산란이 하나의 지배적인 단일 산란 메커니즘에 의해 발생한다고 가정하고, 복소 산란행렬([S])을 해당 단일 산란 모델로 표현하는 방법이다(Karachristos et al., 2024). 즉, 산란행렬의 위상(phase) 정보를 그대로 유지하여 물리적 산란 구조를 기하학적으로 해석하는 방식이다. 이러한 접근은 인공 구조물이나 단순한 지표 환경처럼 산란 기하 구조가 명확한 장면에서 특히 유용하다.
대표적인 코히런트 분해 기법인 Pauli 분해(Pauli decomposition)는 산란행렬[S]을 Pauli 기저 벡터의 선형결합 형태로 변환함으로써, 세 가지 기본 산란 성분을 분리한다. 이 분해를 통해 조합에 해당하는 이중 반사(double-bounce) 성분, 로 표현되는 체적(volume) 성분, 그리고 조합에 대응하는 표면(surface) 성분을 독립적으로 추출할 수 있다. 이러한 구조적 분리는 지표의 물리적 특성을 직관적으로 시각화할 뿐 아니라, 복합 산란 환경에서 지배적인 메커니즘을 식별하는 데 매우 유용하다. Pauli RGB 합성은 이를 Red-Green-Blue 색으로 표현하여, 산란 형태의 공간적 분포를 직관적으로 시각화할 수 있게 한다. 예를 들어, 침수 식생은 이중 반사 성분이 증가하여 붉게(Red) 나타나며, 건조하고 평탄한 표면은 표면 성분이 지배적이어서 푸르게(Blue) 나타난다. 이러한 직관적 시각화는 수문학적 현상을 탐지·분류하는 데 유용한 정보(예: 침수 지역 식별, 수면-지표 경계 탐지 등)를 제공한다.
그러나 코히런트 분해는 몇 가지 구조적 한계를 가진다. 우선, 하나의 화소가 단일 산란 메커니즘에 의해 지배된다는 기본 가정이 자연 지표의 실제 특성과 잘 맞지 않는다. 산림, 습지, 농경지와 같이 산란원이 복잡하게 분산된 환경에서는 단일 산란 모델로 물리적 구조를 표현하기 어렵고, 스페클(speckle)과 무작위 위상(random phase)의 영향이 커 통계적 안정성 역시 확보되기 어렵다. 더 나아가 대부분의 수문 환경에서는 표면·체적·이중 반사 산란이 동시에 발생하기 때문에, 코히런트 분해만으로는 복합 산란 구조를 충분히 해석하기 어렵다는 근본적 제약이 존재한다. 따라서 수문학적 분석에서는 코히런트 분해가 제공하는 산란 형태의 직관적 이해는 유용하지만, 정량적 해석이나 모델 기반 예측은 비코히런트 분해 방법이 더 적합한 경우가 많다(Freeman and Durden, 1998).
2.3.2 모델 기반 비코히런트 분해(Model-based incoherent decomposition)
모델 기반 비코히런트 분해는 하나의 화소(pixel) 내부에서 서로 다른 산란 메커니즘이 동시에 발생하는 분산 표적(distributed targets)의 특성을 해석하기 위해 고안된 접근법이다. 복잡한 자연 지표에서는 단일 산란 가정이 성립하지 않기 때문에, 산란행렬([S])의 위상 정보를 직접 이용하는 코히런트 분해보다, 공분산 행렬([C]) 또는 코히런시 행렬([T])과 같은 2차 통계량을 기반으로 한 안정적인 통계적 분해 방법이 더 유효하다. 이러한 행렬들은 다수의 룩(looks)을 평균하여 스페클 잡음(speckle noise)의 영향을 감소시키므로, 산란 성분의 상대적 기여도를 보다 신뢰성 있게 추정할 수 있다.
가장 널리 활용되는 기법은 Freeman-Durden 3성분 분해(Freeman and Durden, 1998)이다. 이 분해는 관측된 전체 산란 신호를 표면 산란(surface), 이중 반사(double-bounce), 체적 산란(volume)의 세 가지 물리적 산란 성분의 합으로 표현한다.
여기서는 평탄한 지표면 또는 노출된 토양에서 주로 발생하는 표면 산란 성분, 은 지면-수직 구조물이 이루는 직각 구조에서 발생하는 이중 반사 성분, 은 식생 또는 무질서한 산란체 집합에서 나타나는 체적 산란 성분을 의미한다.
Freeman-Durden 모델은 편파 간 반사 대칭성(reflection symmetry, )을 가정한다는 점에서 대부분의 자연 지형과 잘 부합하나, 도시 지역, 경사면, 또는 방향성이 강한 농경지에서는 이 가정이 성립하지 않아 산란 성분 분리가 부정확해질 수 있다(Freeman and Durden, 1998).
수문학적 관점에서 이러한 분해 기법은 세 가지 산란 성분을 해석할 수 있도록 분리함으로써 중요한 활용성을 제공한다. 먼저 이중 반사 성분()은 침수 지역, 특히 수면 아래 줄기-지면 구조가 존재하는 침수 식생(flooded vegetation)에서 매우 강하게 나타나 침수 여부를 판별하는 핵심 지표로 활용된다. 반면 체적 산란 성분()은 식생 캐노피의 수분함량(Vegetation Water Content, VWC)과 밀접한 연관성을 지녀, 농업지의 생육 단계 분석이나 습지 식생 구조 평가에 유용하다. 마지막으로 표면 산란 성분()은 토양의 유전율 변화, 즉 토양 수분에 민감하게 반응하므로, 지표면 토양수분 추정을 위한 기반 정보를 제공한다. 이러한 특성은 PolSAR가 복합 수문 환경에서도 물리적으로 해석할 수 있는 정보를 도출할 수 있게 하는 핵심적 강점이다.
Freeman-Durden 분해의 한계를 보완하기 위해 제안된 방법이 Yamaguchi 4성분 분해(Yamaguchi et al., 2005)이다. 이 모델은 기존의 세 성분에 더해 헬릭스(Helix) 산란 성분을 추가하여 편파 회전 효과(orientation effect)와 방향성 구조의 영향을 보정한다. Helix 성분은 경사진 지형, 도시 구조물, 또는 복잡한 식생-수면 혼재 지형에서 산란 특성이 변화하는 문제를 해결하며, 이중 반사 성분 추정의 정확도를 향상한다. 특히 식생-수면 복합 지형이나 침수 환경에서의 신호 분해에 강점을 보여, 수문학적 분석에서 높은 실용성을 가진다.
이와 같이 모델 기반 비코히런트 분해는 복합 산란 환경에서 관측된 PolSAR 신호를 물리적으로 일관된 성분으로 해석할 수 있는 강력한 도구로, 토양수분, 침수 탐지, 식생 구조 분석, 습지 및 수면-지표 상호작용의 정량화 등 다양한 수문 응용에서 핵심 역할을 수행한다.
2.3.3 고윳값 기반 비코히런트 분해(Eigenvalue-based incoherent decomposition)
고윳값 기반 비코히런트 분해는 PolSAR 데이터의 산란 특성을 특정한 물리 모델에 의존하지 않고, 2차 통계 행렬인 코히런시 행렬([T])의 고윳값(eigenvalues)과 고유벡터(eigenvectors)를 이용해 순수 통계적으로 해석하는 접근법이다. 이 방식은 상호성 정리(reciprocity theorem)에 따라 HH=VV 성질을 이용해 3×3 코히런시 행렬([])을 구성하며, 이를 고윳값 분해함으로써 화소 내에서 존재하는 독립적인 산란 메커니즘의 상대적 기여도와 지배적 산란 유형을 추정할 수 있다.
코히런시 행렬의 고윳값 분해는 산란 구조를 통계적으로 해석하는 데 중요한 개념적 의미가 있다. 세 개의 고윳값 𝜆1≥𝜆2≥𝜆3이 서로 유사한 경우에는 여러 산란 메커니즘이 비선형적·무작위적으로 혼재된 무작위 산란(random target) 상태를 의미한다. 반대로 𝜆1만만 지배적이고 나머지 두 고윳값이 매우 작은 경우에는 하나의 지배적인 산란 메커니즘만 존재하는 단일 산란(pure target) 상태로 해석할 수 있다. 이와 같이 고윳값의 상대적 크기를 통해 산란 구조를 정량적으로 구분할 수 있다는 점은 복잡 지형, 습지, 침수 식생 등 다양한 산란 메커니즘이 공존하는 수문학적 환경을 분석하는 데 특히 유용한 특징으로 평가된다. 이 접근법의 가장 중요한 장점은 레이더 회전(roll)에 의존하지 않는 회전 불변성(rotation invariance)을 제공한다는 점이다. 따라서 경사면, 비정형 식생, 다방향 구조물이 존재하는 자연 지형에서도 안정적인 해석이 가능하며, 이러한 특징을 기반으로 고안된 대표적 기법이 Cloude-Pottier 분해(H/α/A 분해)이다(Cloude and Pottier, 1997). Cloude-Pottier 분해는 다음 세 가지 핵심 파라미터를 산출한다.
(1) 엔트로피(Entropy, H): 0-1 범위의 지표로 산란의 무작위성 또는 복잡도를 정량화한다. H가 낮으면 단일 산란 성분이 지배적이며, H가 높으면 다중 산란이 혼재된 복잡한 지표 구조를 의미한다. 수문 환경에서 H는 토양 표면 거칠기나 식생 구조의 복잡성을 평가하는 지표로 활용될 수 있다.
(2) 평균 산란각(Alpha, α): 지배적인 산란 형태를 반영하는 지표로, 고유벡터 기반 산란 모드 분석을 통해 도출된다. α가 낮으면 표면 산란(surface), α가 약 40-50°이면 체적 산란(volume), α가 90°에 가까울수록 이중 반사(double-bounce)가 지배적임을 의미한다. 따라서 α는 지표 산란 메커니즘의 상대적 기여를 물리적으로 분리하는 데 중요한 역할을 한다.
(3) 이방성(Anisotropy, A): 두 번째(𝜆2) 및 세 번째(𝜆3) 고윳값의 상대적 차이를 나타내며, 높은 H 조건(H and 0.7)에서 보조적으로 산란 구조의 세부 분류에 활용된다. A는 특히 식생-토양-수면 등 다중 산란이 얽힌 환경에서 분산 산란의 추가 정보를 제공한다.
H-α 분류 평면(H/α classification plane)은 이러한 파라미터 조합을 이용해 지표 산란 특성을 체계적으로 분류할 수 있는 표준 분석 틀로 널리 활용되며(Cloude and Pottier, 1997), 수문학 연구에서도 그 해석적 중요성이 꾸준히 강조되고 있다. 수문학적 응용에서 Hajnsek et al. (2003)은 H-α 평면을 활용하여 α를 통한 토양 수분 변화의 영향, H를 통한 표면 거칠기 효과의 영향을 분리하는 접근법을 제안하였다. 이는 PolSAR 데이터를 기반으로 한 정량적 토양수분 추정 문제에서 거칠기-수분의 상호 비식별성(non-uniqueness)을 부분적으로 해결할 수 있음을 보인 중요한 연구로 평가된다. 이러한 결과는 PolSAR 데이터가 단순한 후방산란 센서가 아닌, 지표의 물리적 상태를 다차원적·통계적으로 해석할 수 있는 독보적 잠재력을 지님을 보여준다.
이와 같이 고윳값 기반 비코히런트 분해는 PolSAR 신호의 통계적 성질을 이용하여 복잡 지형에서의 산란 특성을 안정적으로 분류할 수 있는 강력한 도구이며, 다음 장에서는 이러한 분해 기법들이 토양수분, 홍수, 증발산, 빙설 등 다양한 수문학적 응용에서 어떻게 활용됐는지를 구체적인 연구 사례 중심으로 살펴보고자 한다.
3. PolSAR의 수문학적 응용 현황
PolSAR 기술은 토양수분 추정, 홍수·침수 지도화, 습지 수문·생태 모니터링, 빙권(cryosphere) 수문 등 다양한 분야에서 활용 가능성과 실용성이 입증되어 왔다. 각 응용 분야는 지표 특성(토양, 식생, 수면, 눈·얼음), 관측 주파수(L-, S-, C-band 등), 편파 구성, 산란 분해 기법의 선택에 따라 성능이 크게 달라진다. 최근에는 기계학습 기반 PolSAR 분석 기법이 활용되면서, 물리 기반 모델과 데이터 기반 모델을 결합한 하이브리드 접근도 활발하게 연구되고 있다. Fig. 1은 PolSAR 기반 수문학 응용의 주요 대상과 대표적인 분석 영역을 개략적으로 정리한 것이다.
3.1 토양수분 추정
토양수분(Soil Moisture, SM)은 지표 에너지·수분 순환을 조절하는 핵심 변수로, PolSAR가 가장 활발하게 적용되어 온 수문학적 응용 분야 중 하나이다. PolSAR 신호는 토양의 유전율(수분 포함), 표면 거칠기, 식생 캐노피 구조에 민감하게 반응하며, 이에 따라 연구는 토지 피복의 복잡도에 따라 (1) 나지 및 희소 식생 지역(Bare soil and sparsely vegetated areas), (2) 농경지 및 중간 밀도 식생 지역(Croplands and moderately vegetated areas), (3) 산림 및 고밀도 식생 지역(Forested and high-density vegetation areas)으로 구분되어 발전해 왔다.
3.1.1 나지 및 희소 식생 지역
나지 지역은 식생의 영향을 거의 받지 않기 때문에 PolSAR 기반 토양수분 모델(물리·경험 모델)의 민감도 평가 및 검증에 가장 적합한 환경으로 간주된다(Najem et al., 2025; Gharechelou et al., 2021). 초기 연구에서는 L-band 전편파(quad-pol)를 활용하여 Dubois, Oh 모델 등 물리 기반 역산(inversion) 기법과의 성능 비교가 주로 이루어졌으나, 현장 검증 자료 부족으로 정량적 정확도 평가는 제한적이었다(Rao and Venkataraman, 2011).
최근에는 현장 계측을 병행한 연구를 통해, 표면 산란(surface scattering) 성분이 토양수분 변화에 가장 높은 민감도를 보이며 Freeman-Durden 3성분 분해 기반 접근이 RMSE 2-5% 수준의 정량적 성능을 달성함이 확인되었다(Gharechelou et al., 2021). 또한 NISAR 등 차세대 L-/S-band 전편파 자료를 고려한 연구가 활발해지면서 물리 기반 산란 모델(Integral Equation Model, IEM)과 딥러닝을 결합한 하이브리드 기법이 주목받고 있다. Najem et al. (2025)은 L-band 단독 대비 L/S-band 결합 시 RMSE가 2.89%에서 2.52%로 개선됨을 보고했으며, Basargin et al. (2025)은 L-band UAVSAR 자료를 이용해 딥러닝 모델 내부에 물리 구조를 직접 반영함으로써 RMSE 2.11%를 달성하고 α, Span, H를 주요 물리적 특성으로 식별하였다.
3.1.2 농경지 및 중간 밀도 식생 지역
농경지와 같이 식생이 존재하는 지역은 토양 표면의 표면 산란과 식생 캐노피의 체적 산란이 동시에 발생하는 복합 산란 환경으로, 식생은 토양수분 추정의 방해 요인임과 동시에 증발산(Evapotranspiration) 추정의 핵심 변수인 식생 수분함량(VWC)의 직접적 원천이 된다(Anconitano et al., 2023; Goïta et al., 2023).
식생 피복 지역에서 연구는 크게 두 가지 방향으로 발전해 왔다. 첫 번째 방향은 식생 영향 보정을 통해 토양수분을 보다 정확하게 추정하는 접근으로, Freeman-Durden 분해, 평균 산란각(α), Span 등의 편파 파라미터를 활용하여 식생으로부터 유래하는 체적 산란 성분(V)을 제거하거나 그 영향을 최소화하는 방법이 중점적으로 탐구되었다. 이러한 기법은 단일 편파나 강도 기반 해석으로는 분리하기 어려운 토양-식생 상호작용을 물리적으로 분해하는 데 기여하며, 최근에는 Radiative Transfer Model (RTM)과 PolSAR 분해를 결합하여 식생 보정의 정확도를 높이려는 연구도 활발히 이루어지고 있다(Fersch et al., 2018; Bouchat et al., 2024).
두 번째 방향은 SM과 식생수분함량(VWC)을 동시에 추정하려는 통합적 접근으로, PolSAR와 RTM을 연계한 모델 기반 해석이 대표적이다. 이때 평균 산란각(α), 엔트로피(H), Radar Vegetation Index (RVI) 등 다양한 물리 기반 편파 변수를 결합한 다중회귀 기법 또는 딥러닝 접근이 활용되며, 토양-식생 신호의 비식별성 문제를 해결하고 각 변수의 독립적 추정을 가능하게 하는 데 초점이 맞추어진다.
C-band 시계열 연구에서는 엔트로피(H)가 식생 종류와 관계없이 지하수 관개에 따라 변하는 SM 변화를 민감하게 포착하는 핵심 특징으로 나타났다(Sharma et al., 2019). 또한 식생 생육 단계에 따라 PolSAR 특징의 민감도는 변화하는데, 초기 생장기에는 H와 α, 후기에는 RVI 및 체적 산란 성분(V)이 더 큰 설명력을 가진다(Goïta et al., 2023). RVoG (Random Volume over Ground) 및 Van Zyl 분해는 식생 피복지에서 SM에 대한 민감도를 보이는 것으로 평가되었으며(Anconitano et al., 2023), L-band 양방향(bidirectional) 관측과 PolSAR-RTM 연계 모델을 활용한 SM-VWC 동시 추정 연구도 최근 증가하고 있다(Bouchat et al., 2024; Fersch et al., 2018).
3.1.3 산림 및 고밀도 식생 지역
산림·이탄지(peatland)와 같이 식생 밀도가 매우 높은 지역은 PolSAR 기반 SM 추정이 어려운 환경이다. 이는 식생 캐노피에서 발생하는 체적 산란과 바이오매스 영향으로 인해 토양으로부터의 신호가 간섭을 받기 때문이다(Magagi et al., 2022; Millard and Richardson, 2018).
C-band PolSAR의 경우 투과력이 제한적이므로 식생이 무성한 지역에서는 토양수분 신호가 거의 사라진다. Millard and Richardson (2018)은 이탄지에서 식생 밀도가 증가함에 따라 SM의 영향력이 급격히 소멸함을 보고하며, 투과력이 높은 L-band PolSAR의 필요성을 강조하였다. Magagi et al. (2022)은 산림 지역에서 C-band 대비 L-band가 훨씬 높은 성능을 보임을 실증하였으며, 특히 L-band PolSAR의 체적 산란 성분이 산림 하부의 토양수분에 대해 의미 있는 민감도를 갖는 것으로 나타났다. 이러한 결과는 SM 신호가 약한 고밀도 식생 지역에서 L-band 기반 PolSAR-RTM 통합 모델 또는 ML 기반 역산 기법의 필요성을 강하게 시사한다.
3.2 홍수 및 침수 지도화(Flood and Inundation Mapping)
PolSAR 기반 홍수 및 침수 지도화는 실용적 수문 관측 분야에서 널리 활용되는 응용 중 하나이다. 광학 센서가 구름·강수·야간 조건에서 제약을 받지만, PolSAR는 복소 편파 정보를 통해 수역의 공간적 확산뿐 아니라 식생 하부의 수면을 탐지하는 데 장점이 있다. 특히 침수 식생(flooded vegetation)은 광학 센서 또는 단일 편파 SAR로는 구분하기 어려운 영역이지만, PolSAR는 산란 메커니즘 차이(특히 이중 반사)를 통해 효과적으로 식별할 수 있다. 기존 연구는 (1) 침수 지역 구분을 위한 유효 편파 지표의 탐색과, (2) 침수 식생에서 발생하는 산란 특성 분석이라는 두 축을 중심으로 발전해 왔다.
3.2.1 홍수 분류 및 핵심 편파 특징
개방 수역 탐지는 홍수 지도화 연구의 기본 단계로, 어떤 편파 파라미터가 침수 영역을 가장 효과적으로 구분하는지 평가하는 것이 주된 관심사다. Jung et al. (2018)은 L-band ALOS-2 Quad-pol 자료를 사용한 무감독 변화 검출에서 post-classification 방식이 영상 차감 기법보다 더 높은 신뢰도를 보였으며, 편파 기반 통계량 중 섀넌 엔트로피(Shannon Entropy, SE)가 탐지율 78%, 오경보율 2.0%로 가장 우수한 단일 지표임을 확인하였다. Berezowski et al. (2021)은 C-band RADARSAT-2 분석을 통해 초기 생육기와 같이 건조 식생 조건에서는 평균 산란각(α)이 가장 민감한 탐지 인자임을 보였는데, 이는 α가 표면 산란과 체적 산란의 상대적 비중 변화를 직접 반영하기 때문이다. 최근에는 딥러닝 기반 접근도 활발해지고 있다. Lee et al. (2025)는 의사결정나무 기반의 특징 선택 기법인 RFE (Recursive Feature Elimination)을 사용하여 PolSAR 변수 중 중요 변수를 먼저 선별한 뒤, 이를 합성곱 신경망(CNN)과 결합하여 기존 강도 기반 방법보다 높은 홍수·침수 분류 정확도를 달성하였다.
3.2.2 침수 식생 탐지
PolSAR의 독보적 수문 기여는 이중 반사(double-bounce) 산란을 활용한 식생 하부 침수 탐지, 즉 침수 식생 지도화이다. 수면 아래 식생 줄기(stem)가 존재하는 환경에서는 수면-식생 구조가 직각을 이루어 강한 이중 반사가 발생하고, 이와 동시에 체적 산란(HV)은 감소하며, 평균 산란각(α)과 엔트로피(H)는 침수 조건에서 특징적인 변화를 보인다. Plank et al. (2017)은 이러한 특성이 ALOS-2 L-band Quad-pol 자료에서 Sentinel-1 C-band Dual-pol 자료보다 훨씬 선명하게 나타난다는 점을 보여주었고, 이는 L-band의 높은 투과력과 Quad-pol의 정보량 우위에 기인한다. Salem and Hashemi-Beni (2022)는 UAVSAR 기반 Random Forest 모델이 약 93% 정확도로 Sentinel-1 Dual-pol의 85%를 크게 상회하는 성능을 나타내며, compact-pol 구성도 약 90% 수준으로 실용적 대안이 될 수 있다고 보고하였다.
침수 탐지는 농업 지역에서도 중요한 의미를 지닌다. Huang et al. (2021)은 L-band UAVSAR Quad-pol 자료를 이용해 논의 침수 여부를 85% 이상 정확도로 구분하였으며, 이 과정에서 침수 논에서 나타나는 편파 산란 특성이 명확히 드러났다. 침수 시 수면-식생 줄기 구조에서 발생하는 이중 반사 성분이 뚜렷하게 증가하고, 체적 산란을 반영하는 HV 성분은 감소했으며, 산란의 무작위성을 나타내는 엔트로피(H)도 낮아졌다. 또한 지배적 산란 형태를 나타내는 평균 산란각(α)이 침수 환경 특유의 패턴으로 이동하는 경향을 보였다. 이러한 변화는 논의 수면-식생 구조가 산란 메커니즘을 변화시키는 물리적 원리를 잘 반영하며, PolSAR 기반 침수 탐지의 정확성과 신뢰성을 높이는 중요한 근거로 작용한다.
3.3 습지 모니터링
습지는 물, 토양, 식생이 복잡하게 혼재된 환경으로서 전통적인 원격탐사 방식으로는 관측이 어렵다. 특히 수면·포화 토양·식생 캐노피가 공간적으로 얽혀 있어 단일 센서 기반 접근은 정확한 기능 평가에 한계가 있다. 이러한 특성 때문에 PolSAR 기반 연구는 단순 경계 탐지를 넘어 습지의 수문학적 기능(수위·포화도·식생 구조·수리학적 조도)을 정량적으로 평가하는 방향으로 발전해 왔으며(Maréchal et al., 2010), 최근 연구는 (1) 수문 역학 및 포화도 분석, (2) 식생 분류 및 바이오매스 추정의 두 범주로 구분된다.
3.3.1 수문 역학 및 기능 평가
습지 모니터링의 난제 중 하나는 식생 캐노피 하부의 물 또는 포화 상태를 안정적으로 탐지하는 것이다. 단일 편파 SAR의 강도 기반 접근은 식생 피복, 수면 거칠기, 입사각 변화에 크게 좌우되므로 복잡한 습지 지형에서 안정적인 해석이 어렵다. 이러한 문제를 보완하기 위해 PolSAR에서는 이중 반사 성분 분석, 편파 분해 기법, 통계 기반 시계열 기법(Wishart-Chernoff 거리 등)이 도입됐다(White et al., 2015).
대표적인 사례로 프랑스 Pleine-Fougères LTER 연구에서는 C-band RADARSAT-2 Quad-pol 시계열과 현장 측정을 결합해 습지 수문 기능을 정량적으로 평가하였다(Marechal et al., 2010; 2011). 특히 섀넌 엔트로피(SE)는 입사각이나 계절 변화의 영향을 거의 받지 않고 포화도·수위 변화에 민감하게 반응하는 안정적인 지표로 나타났으며, 이를 기반으로 연간 지하수면 변화 지도 작성과 개방 수역·포화 토양 간의 구분이 효과적으로 수행되었다.
식생 밀도가 높은 이탄지와 같은 특수 환경에서는 L-band의 투과력 우위가 부각된다. Sterratt et al. (2024)은 스코틀랜드 이탄지를 대상으로 ALOS-2 L-band 자료로 지하수위 깊이(Water Table Depth, WTD)를 공간적·시간적으로 분리 평가하였는데, 공간적 예측 정확도는 낮았지만(R2=0.02), 시간적 변동 예측에서는 매우 높은 설명력(R2=0.69)을 보였다. 이는 L-band PolSAR가 복잡한 지형에서도 배경 잡음의 영향을 상대적으로 덜 받고 WTD의 시간 역학(time dynamics)을 안정적으로 추적하는 데 적합함을 의미한다.
3.3.2 습지 식생 및 바이오매스
습지의 수문 기능은 식생의 구조적 특성과 긴밀하게 연결되어 있으며, 이러한 구조는 습지의 증발산 과정, 홍수 시 유동 저항(hydraulic roughness), 수체 이동과 체류 특성 등 핵심 수문·생태 과정 전반에 직접적인 영향을 미친다(Hemati et al., 2025). PolSAR 분해 기법은 이러한 복잡한 식생 구조에 따른 산란 특성을 분리·분류하는 데 유용하게 활용된다.
RADARSAT-2 C-band를 활용한 Hong et al. (2015)의 연구에서는 Helix 성분을 포함하는 Yamaguchi 4성분 분해가 약 78%의 정확도로 습지 식생을 가장 효과적으로 분류하였다. Helix 성분은 방향성 식생·경사 지형에서 관측되는 편파 회전 효과를 설명하는 데 유리하므로, 복잡한 습지에서 산란 모호성을 줄이는 데 크게 기여한다. 또한 Mleczko et al. (2016)은 X-band TanDEM-X 자료를 이용해 Quad-pol이 Alt-pol보다 높은 분류 정확도를 보였으며, PolSAR의 엔트로피(H)와 InSAR의 코히런시를 결합해 Random Forest 모델을 적용하면 분류 성능이 추가로 향상됨을 보여주었다. 이는 복잡한 습지 생태계를 모니터링하기 위해 PolSAR-InSAR 통합이 효과적이라는 중요한 증거다.
최근 연구는 식생 분류를 넘어 지상부 바이오매스(Above-Ground Biomass, AGB) 추정으로 확장되고 있다. Hemati et al. (2025)는 Zhang 분해(Zhang decomposition) 기반 편파 특징을 HGB 모델과 결합했을 때 AGB 추정 성능이 가장 높아(R2=0.74), PolSAR 분해 기법이 식생 분류뿐 아니라 탄소 저장량과 같은 생태·기후 관련 변수 산정에도 활용될 수 있음을 확인했다.
3.4 빙권(Cryosphere) 수문
빙권 수문에서 핵심적으로 다루는 빙하, 눈층(snowpack), 해빙(sea ice), 영구동토층(permafrost)과 같은 요소들은 PolSAR 기술로 정밀하게 관측될 수 있다. PolSAR는 얼음의 결정 구조 변화, 습설의 수분 증가에 따른 유전율 변화, 해빙 표면의 거칠기와 융해 구조, 동결-해빙 주기에서 나타나는 미세한 유전 특성 변화를 효과적으로 포착하여 고위도 지역의 수문 순환 분석에 강력한 수단을 제공한다.
해빙(sea ice)과 비빙수역(open water)의 정확한 구분은 북극권 환경·수문 모니터링에서 필수적이다. Zhao et al. (2024)은 C-band RADARSAT-2 Quad-pol 자료를 활용해 공·교차편파 정보를 결합한 지도 기반 분류 알고리즘을 개발하였고, 90% 이상의 정확도와 낮은 오경보율을 달성하며 단일 편파 SAR의 한계를 극복하였다. PolSAR는 다년생 해빙(Multi-Year Ice)의 구조적 특성 분석에도 활용된다. Shokr and Dabboor (2024)는 L-band UAVSAR 자료를 사용해 주요 편파 파라미터들의 입사각 민감도를 평가한 결과, 총 산란 강도(Span)는 기하 조건에 민감한 반면, 교차편파비(HV/HH, HV/VV)와 엔트로피(H)는 안정적인 분류 지표로 작동함을 확인하였다. 눈층(snowpack) 모니터링에서는 특히 습설(wet snow) 탐지가 중요한 과제이다. Antropova et al. (2022)은 C-band RADARSAT-2 시계열 자료를 통해 눈이 녹는 시점에서 Span 감소, 엔트로피(H)와 평균 산란각(α) 증가라는 전형적인 편파적 변화를 관측하였으며, 이는 습설의 구조적 변화가 PolSAR 신호에 직접 반영된 결과로 해석된다.
영구동토층의 동결-해빙 전환은 고위도 지역의 수문 순환과 지표 에너지 교환을 조절하는 핵심 과정으로, 투과력이 높은 L-band PolSAR는 이러한 변화를 감지하는 데 매우 효과적이다. Park et al. (2022)은 러시아 야쿠티아 지역을 대상으로 L-band 및 C-band PolSAR과 Sentinel-2 광학자료를 결합해 계절 변화 분석을 수행하였으며, PolSAR 기반 파라미터가 NDVI나 지표온도(LST)보다 계절 신호에 더 민감하게 반응함을 확인하였다. 특히 L-band의 체적 산란 성분과 엔트로피(H)는 여름철 해빙기(thaw season)의 변화를 가장 정확하게 반영하여 동토층의 계절적 변동성을 정량적으로 파악하는 데 높은 유용성을 보였다.
3.5 종합 요약
앞에서 살펴본 바와 같이 PolSAR는 토양수분, 홍수 및 침수, 습지, 빙권 등 다양한 수문 환경에서 고유한 장점을 바탕으로 활용도가 빠르게 확장되고 있다. 밴드 특성(L/S/C-band), 편파 구성(Quad-pol, Compact-pol, Dual-pol), 산란 분해 기법, 그리고 기계학습 및 물리 기반 모델과의 결합 여부에 따라 관측 민감도와 추정 성능이 뚜렷하게 달라지며, 각 응용 분야는 이에 기반해 최적화된 분석 전략을 요구한다. 이러한 연구 성과를 전체적으로 조망하기 위해, 지금까지 소개된 주요 수문 분야별 연구 사례들을 Table 1에 정리하였다. 본 표는 응용 대상, 사용된 데이터 세트, 분석 접근법, 주요 성과를 비교 형식으로 제시함으로써 PolSAR 기반 수문학 연구의 기술적 범위와 현 단계의 성숙도를 명확하게 파악할 수 있도록 한다.
Table 1.
Summary of hydrological applications of PolSAR
| References | Application | Data | Key Results |
| Najem et al. (2025) | Soil Moisture | L/S-band (NISAR-like) |
L/S-band combination improved SM retrieval (RMSE 2–5%). |
| Basargin et al. (2025) | Soil Moisture | L-band F-SAR |
Hybrid AE achieved RMSE 7.11%; proposed explainable physical latent space |
| Magagi et al. (2022) | Soil Moisture |
C-band RADARSAT-2 / L-band UAVSAR |
L-band showed superior sensitivity to subsurface SM in forested regions. |
| Lee et al. (2025) | Flood & Inundation | L-band NASA UAVSAR |
PolSAR + CNN outperformed intensity-based flood detection. |
| Salem and Hashemi-Beni (2022) | Flood & Inundation | L-band NASA UAVSAR | Quad-pol accuracy (98.68%) & C-band Dual-pol (85%). |
| Hemati et al. (2025) | Wetland | L-band NASA UAVSAR | PolSAR + ML estimated AGB with R2=0.74. |
| Sterratt et al. (2024) | Wetland | L-band ALOS-2 |
Time-series PolSAR accurately monitored groundwater depth (R2=0.69). |
| Park et al. (2022) | Cryosphere | L-band ALOS-2 |
Polarimetric parameters sensitively detected freeze –thaw transitions with deeper penetration. |
| Zhao et al. (2024) | Cryosphere | C-band RADARSAT-2 |
Co-/cross-pol fusion classified sea-ice/leads with &90% accuracy. |
| Shokr and Dabboor (2024) | Cryosphere | C-band RADARSAT-2 |
Cross-pol ratio and Entropy –Alpha robustly separated sea-ice/wetland types. |
하지만 현재까지 대한민국을 대상으로 Quad-pol PoLSAR 데이터를 활용한 연구는 거의 보고된 바가 없다. 국내에서는 주로 Sentinel-1 또는 Dual-pol SAR 기반의 토양수분 산정, 강우 관측 및 홍수 예측 모델 개발 등의 연구가 진행되고 있다(Chung et al., 2023; Yoon and Lim, 2021). 이러한 연구들은 Quad-pol 데이터를 활용한 경우는 아니지만, SAR 기반 관측 기법을 국내 수문 환경에 적용하고 있다는 점에서의 그 의의가 있으며, 향후 정밀한 산란 해석과 다중 정보 융합 분석이 가능한 Quad-pol 기반 연구의 확대가 요구된다.
4. 기존 연구의 한계점
PolSAR 기반 수문학 응용은 다양한 산란 정보를 제공한다는 점에서 높은 잠재력을 가지지만, 정량적 해석의 안정성과 운영 측면에서는 여전히 해결해야 할 기술적·구조적 한계가 존재한다. 본 장에서는 기존 문헌에서 반복적으로 제기된 문제들을 세 가지 핵심축으로 정리하여 제시한다.
4.1 정량적 불확실성과 복합 산란 해석의 구조적 한계
PolSAR는 풍부한 편파 정보를 제공함에도 불구하고, 토양수분(SM), 식생수분함량(VWC), 지상부 바이오매스(AGB)와 같은 주요 수문 변수의 정량 추정 정확도는 여전히 제한적이다. 일반적으로 RMSE 2-5% 수준이며, 식생 밀도가 높거나 산란 구조가 복잡한 환경에서는 이보다 큰 오차가 발생하기도 한다(Najem et al., 2025).
물리 기반 산란 모델(IEM, RTM 등)은 이론적 기반이 확립되어 있으나, 토양 거칠기·식생 구조·수분 프로파일 등 다수의 입력 변수가 필요하며 현장 검증이 부족할 경우 모델 불확실성이 크게 증가한다. 또한 산림·습지·농경지와 같은 환경에서는 표면 산란·체적 산란·이중 반사가 동시에 발생해 개별 성분의 기여도를 명확히 분리하기 어려우며(Magagi et al., 2022), 파라미터 변화가 수문 상태 변화에 의한 것인지 식생 구조 변화에 의한 것인지 판단하기 어려운 경우가 많다(Park et al., 2022; Hemati et al., 2025).
4.2 관측 기하·센서 특성·환경 조건에 따른 민감도 차이
PolSAR 파라미터는 밴드(L/S/C-band), 편파 구성(Quad-pol·Compact-pol·Dual-pol), 입사각 등 관측 기하에 강하게 의존한다. 예를 들어 L-band는 식생 투과력이 뛰어나 토양수분 및 수위 탐지에 유리하지만, 재방문 주기나 공간 커버리지는 C-band보다 제한적이다(Shokr and Dabboor, 2024).
또한 Span과 후방산란 계수는 입사각 변화에 민감하여, 지역 간 비교나 시계열 분석에서 일관된 해석을 제시하기 어렵다는 문제가 있다(Zhao et al., 2024; Marechal et al., 2011). 환경 조건(수면 거칠기, 식생 생육 단계, 계절 변화)에 따라 편파 민감도가 변하기 때문에, 특정 조건에서 최적화된 파라미터가 다른 지역·다른 시기에 일반화되기 어렵다.
4.3 시계열·범용성·운영성 측면의 제약
기존 문헌은 대부분 특정 지역·사건·시점을 중심으로 분석된 사례 연구에 기반하기 때문에, 제안된 기법이나 파라미터가 다른 기후·토지피복·계절 조건에서 동일한 성능을 유지하는지 평가하기 어렵다(Berezowski et al., 2021; Lee et al., 2025). 또한 반복 관측이 가능한 장기 시계열 PolSAR 자료를 확보하기 어려워, 물리적으로 일관된 시계열 모델 구축도 제한적이다(Sterratt et al., 2024).
운영성 측면에서도 제약이 존재한다. PolSAR 기반 연구는 고정밀 편파 분해, ML 기반 후처리, 대규모 데이터 전처리가 요구되며, 이는 실시간 모니터링 시스템에 적용하기에는 계산 비용과 처리 지연이 크다(Bouchat et al., 2024; Salem and Hashemi-Beni, 2022). Quad-pol 자료의 희소성과 위성 관측 폭의 한계도 실시간 재난 대응이나 농업 현장 모니터링에서 PolSAR의 활용을 제한하는 요소로 작용한다.
5. 향후 전망
앞서 논의한 PolSAR 기반 수문 응용의 구조적 한계(Fig. 2)는 기술적 정밀도, 데이터 기반 분석, 운용성 측면에서 여러 극복 과제를 제시한다. 최근 연구 동향은 이러한 문제를 해결하기 위해 물리 기반 산란 해석의 고도화, 기계학습·딥러닝 기법의 활용, 차세대 PolSAR 위성 자료 및 다중 센서 융합 전략을 중심으로 빠르게 진전되고 있다. 본 장에서는 이러한 흐름을 세 가지 핵심 축으로 정리한다.
5.1 PolSAR 분석 정밀화와 차세대 센서를 활용한 기술적 진전
PolSAR 분석은 강도 기반 접근을 넘어 Pauli, H/α/A, Span 등 물리 기반 편파 특성과 IEM·RTM과 같은 산란 모델을 결합해 정량성을 높이는 방향으로 발전하고 있다. 토양수분, VWC, AGB, 빙권과 같은 다양한 수문 변수에 대해 편파 민감도를 정밀하게 평가하는 연구가 증가하고 있으며, 특히 L-band의 깊은 투과력을 기반으로 한 산림·빙권 응용이 활발히 이루어지고 있다(Najem et al., 2025; Magagi et al., 2022; Shokr and Dabboor, 2024).
또한 NISAR와 같은 차세대 PolSAR 미션의 등장은 L/S-band 동시 관측, compact-pol 운용, 양방향(bistatic) 관측 등 새로운 관측체계를 가능하게 하면서, 이에 대응한 실험적 연구가 빠르게 축적되고 있다(Bouchat et al., 2024). 이러한 연구는 주파수·편파·관측 기하 변화가 수문 변수 추정에 미치는 영향을 평가하며, 향후 PolSAR 센서 설계와 활용 전략 수립의 기초 자료로 기능한다.
5.2 기계학습·딥러닝을 활용한 데이터 기반 분석의 확장
PolSAR의 고차원 편파 정보는 ML·DL 기법과 결합할 때 분석 능력이 크게 확장된다. Random Forest, HGB 등의 ML 기법은 편파 분해 파라미터와 결합하여 습지 바이오매스 추정 등에서 우수한 성능을 보였으며(Hemati et al., 2025), CNN 및 오토인코더 기반 딥러닝은 침수 탐지나 산란 구조 분리 등 복잡한 문제에서 기존 강도 기반 접근을 뛰어넘는 정확도를 보여주고 있다(Lee et al., 2025; Basargin et al., 2025).
특히 최근 연구에서는 모델의 설명 가능성(explainability)을 확보하려는 시도가 나타나고 있으며, 이는 PolSAR 기반 물리 해석과 데이터 기반 방법론 간의 간극을 좁히는 데 중요한 기여를 하고 있다. 이러한 흐름은 PolSAR가 가진 다변량·복합 산란 정보를 효과적으로 활용할 수 있는 방향으로 분석 체계를 확장시키고 있다.
5.3 통합 수문·생태 모니터링을 위한 다중 센서 융합 및 운영성 확보
PolSAR 단독 분석은 산란 구조의 복잡성과 관측 조건의 제약으로 인해 한계가 존재하기 때문에, 최근 연구는 광학(Sentinel-2), SMAP, InSAR, UAVSAR 등 다양한 센서와의 융합으로 확장되고 있다. 다중 센서 자료는 공간 해상도·관측 폭·재방문 주기 측면에서 상호보완적이며, 복잡 산란 환경에서의 불확실성을 줄이고 해석 신뢰성을 높이는 데 중요한 역할을 한다(Park et al., 2022; Mleczko et al., 2016).
향후 PolSAR 기반 수문 관측은 단일 변수 예측을 넘어, 토양-수역-식생-기후를 통합적으로 해석하는 수문-생태(hydro-ecological) 관측 프레임워크로 확장되어야 한다. 이를 위해 다양한 기후·지형 조건에서 PolSAR 시계열을 표준화한 글로벌 시계열 데이터베이스 구축, 다중 주파수·다중 편파 기반 관측 전략의 확장, 클라우드 기반 처리 체계 및 경량 알고리즘 개발이 필수적이다. 이러한 기반이 확보될 때 PolSAR는 재난 대응, 농업 모니터링, 생태계 평가 등 실시간 운영 수준의 응용으로 발전할 수 있으며, 수문-생태 상호작용을 정량적으로 이해하는 차세대 관측 시스템의 구성 요소로 자리잡게 될 것이다.
6. 결 론
Polarimetric SAR (PolSAR)은 지표의 물리적·유전적 특성을 복합적으로 반영하는 편파 정보를 제공함으로써, 기존 광학이나 단일 편파 SAR로는 접근하기 어려웠던 수문 변수의 정량적 해석을 가능하게 하는 강력한 관측 체계이다. 본 총설에서는 PolSAR의 기본 원리와 분석 기법을 정리하고, 토양수분, 홍수 및 침수, 습지, 빙권 등 다양한 수문 환경에서의 최신 연구 성과를 체계적으로 검토하였다. 그 결과 PolSAR는 단순 개방 수역 탐지를 넘어, 침수 식생 인지, 습지 포화도 변화, 동결-해빙 전환과 같은 복합 수문 과정에서도 높은 민감도와 해석력을 제공함을 확인할 수 있었다.
최근 연구는 PolSAR 정보를 기계학습·딥러닝 기법과 결합하거나 광학(Sentinel-2), SMAP, InSAR, UAVSAR 등 이종 센서와 융합하여 분석의 정밀도와 공간적 일반성을 높이는 방향으로 확장되고 있다. 동시에 NISAR, BIOMASS 등 차세대 위성 미션의 등장으로, L-/S-band 기반의 고해상도 PolSAR 자료 확보가 가능해지면서 실질적인 응용 범위도 크게 넓어지고 있다.
그러나 PolSAR 기반 수문 응용에는 여전히 몇 가지 구조적 제약이 존재한다. 산란 메커니즘의 복잡성으로 인한 정량적 불확실성, 관측 밴드·입사각·편파 구성에 따른 민감도 변화, 식생 밀도가 높은 환경에서의 물리적 해석 한계, 그리고 대규모 데이터 처리·분해 기법의 높은 계산 비용 등이 대표적이다. 특히 산림·습지·농경지와 같이 다중 산란 구조가 공존하는 환경에서는 PolSAR 파라미터가 수문 변수 변화보다 식생 구조와 더 강하게 연관되는 경향이 있어, 해석의 일반화와 운용성 확보에 어려움이 따른다.
앞으로의 연구는 이러한 한계를 해결하기 위해 다중 주파수·다중 편파 기반 관측 전략의 확장, 다양한 기후·지표 조건을 아우르는 글로벌 PolSAR 시계열 데이터셋 구축, 클라우드 기반의 경량·운용 가능한 알고리즘 개발, 그리고 토양-수역-식생-기후 요소를 통합적으로 해석하는 수문-생태 통합 관측 프레임워크 구축이 요구된다. 이러한 발전은 PolSAR 기술을 정량적 수문 분석 도구로서뿐 아니라, 지구 시스템의 통합 모니터링을 위한 핵심 인프라로 자리매김하게 할 것이다.
