1. 서 론

2021년 12월 25일 대한민국은 오랜만의 화이트 크리스마스를 맞이하였다. 눈이 내려 좋았던 시간은 짧았고, 강원도 속초에 55.9 cm, 북강릉 35.3 cm, 전라도 고창에 11 cm의 대설이 발생하여 강릉에서 눈길에 미끄러진 차량이 전신주를 넘어뜨려 정전이 되고, 도로가 통제되는 등 다양한 피해를 야기했다. 그보다 1년 전인 2020년 12월 30일에도 호남권을 중심으로 대설이 내려 전라북도 정읍시에 34.9 cm의 대설이 발생하는 등 우리나라에도 대설 발생이 빈번해지고 있다(MOIS, 2021).

그러므로 대설 피해 저감을 위한 대책 수립이 절실한 상황이다. 그러나 2022년 11월 6일에 발표한 행정안전부의 겨울철 자연재난 대비 관련 보도자료인 ‘겨울철 대비 현장중심 점검으로 국민안전 확보’를 보면, 겨울철 자연재해 대비는 여전히 기존 제설취약구간에 대한 염화칼슘 등 제설자재의 확보와 재난정보 전파 및 공유, 긴급 복구 지원체계 등에 초점이 맞춰져 있다. 이렇게 고갯길이나 제설취약구간 등 과거 취약했던 지역에 대한 대응에 초점을 맞춰 대설재난을 준비하다 보니, 2021년 1월 6일 서울을 포함해 전국적으로 내린 폭설로 인해 퇴근길이 마비되고 용인경전철 운행이 중단되는 등 큰 피해가 발생했다. 그러므로 보다 적극적으로 대설 피해를 예측하기 위한 연구가 수행되어야 한다.

대설에 의한 피해를 예측하고 대응하기 위해서는 정확한 적설심 계측이 가장 먼저 선행되어야 할 것이다. 우리나라의 경우, 강우는 지면의 굴곡에 따라 하천으로 모여 홍수 피해를 일으키는데 반하여. 대설이 발생하면, 눈이 쌓인 곳에서 피해를 일으키기 때문에 강우와는 피해의 분포가 전혀 다르다고 할 수 있다. 즉 강우는 물길을 따라 피해 발생이 집중되는 반면 눈은 적설의 분포가 피해를 결정하는 중요한 요소이다. 따라서 적설에 대한 관측 또한 그 특성을 반영하여 이루어질 필요가 있으나 현재까지도 적설 관측은 강우관측과 같이 지점 단위에서 이루어지고 있는 실정이다. 지점 관측을 통해 적설심을 관측하고 공간적인 보간을 하는 것으로는 적설의 공간적인 분포를 추정하는데 한계가 존재하므로, 대설피해의 직접적인 원인인 피해 유발 적설심을 파악하기 어렵게 한다.

그러므로 공간분포 파악이 상대적으로 용이한 원격탐지기술을 이용하여 적설심의 깊이나 적설하중을 추정하는 연구가 다수 진행되고 있다(Varade et al., 2020). 원격탐지기술 중 광학 및 전파를 이용한 위성영상이 주로 사용된다. 광학 위성영상으로는 MODIS (Moderate-resolution Imaging Spectroradiometer) 센서를 탑재한 NASA (National Aeronautics and Space Administration)의 Terra 위성이나 천리안2호(GK-2A)위성이 이용되고 있다. 광학위성영상을 이용해 적설심을 구하는 연구는 태양광의 반사도를 이용하는 것으로 MODIS와 천리안2호에서 사용하고 있다. 이와 관련된 국내연구로는 Kim et al. (2011)이 Terra MODIS 자료와 지상 적설심 자료를 이용해 적설분포도 작성을 연구한 바 있다. 하지만 MODIS의 경우는 태양동기궤도를 도는 위성으로서 1일 단위의 자료를 생성하므로 본 연구에 사용한 시각에서의 적설심 추정은 곤란하였다.

전파를 이용하는 위성으로는 자료확보가 용이하고, 적용성이 입증된 유럽 우주국(European Space Agency, ESA)의 코페르니쿠스 프로그램에서 운영하는 Sentinels 위성이 주로 사용된다. Sentinel-1A와 Sentinel-1B 위성은 C-band 극궤도 레이더 위성으로 주로 간섭 광대역(Interferometric Wide, IW) 모드와 물결(wave) 모드로 촬영되고 있다. Sentinel-1은 12일의 재방문 주기를 가지고 있으며, 2대의 위성이 번갈아 가며, 같은 위치를 방문하므로, 같은 궤도에서 Sentinel-1A와 Sentinel-1B는 6일의 간격을 두고 있다.

합성개구레이더(Synthetic Aperture Radar, SAR) 영상 자료는 넓은 지역의 공간분포를 파악하면서도 일반적인 광학위성영상과는 달리 밤과 낮, 구름의 영향을 거의 받지 않는다는 장점이 있다. SAR 영상은 사용하는 전파의 파장 길이에 따라 L, S, C, X, Ku, Ka 등으로 구분할 수 있다. SAR 영상은 지표면에 직접 전파를 방사하고, 산란돼 돌아오는 신호를 수신하여 영상을 만들기 때문에 기하학적 왜곡특성을 나타내며, SAR 영상은 대상물질의 전파특성이 픽셀값으로 표현된다. 예를 들어, 물과 같이 후방상란 신호가 약한 영역은 어둡게 표현되고, 건물과 같이 후방산란 신호가 강한 영역은 밝게 표현된다(Wang et al., 2019; Yu et al., 2017). L, S, C와 같이 비교적 긴 파장은 마른 눈의 표면에서의 후방산란이 비교적 적고, 쌓여 있는 눈을 투과하여 지표면에서 대부분의 후방산란이 일어나는 특성이 있다. X, Ku, Ka와 같이 비교적 짧은 파장의 전파는 쌓여 있는 눈을 투과하기보다 눈의 표면에서 후방산란이 더 크게 일어난다. 그러므로 적설 깊이 추정을 위한 SAR 분석을 위해서는 비교적 긴 파장이 적합하며, 마이크로파 후방 산란 모델(Active microwave backscattering models)이 적설심 추정에 적용된다(Dozier and Shi, 2000).

그러나 후방 산란 모델 적용을 위해서는 사전 처리와 정확한 역전 모델을 사용해야 한다. Leinss et al. (2014)은 눈 미세구조와 TerraSAR-X 데이터의 VV 및 HH 채널에 대한 동일 편파 위상차 사이의 이론적 관계를 도출하고, VV 및 HH 채널의 동일 편파 위상 차이와 신적설심 사이의 경험적 관계식도 도출했다. 또한 Leinss et al. (2015)은 동일 편파 위상 차이가 스노우팩의 층서학적 정보, 즉 적설층의 정보를 분석하는데 사용될 수 있음을 밝혔다. 이는 스노우팩에 포함된 얼음입자나 기포의 열이나 중력의 기하학적인 분포가 달라지는 것을 관측하는 유전률(permittivity) 분석을 활용한다. 이러한 방법은 SAR 데이터에서 얻을 수 있는 동일(VV 및 HH) 채널을 모두 사용해 적설의 깊이를 추정한다.

위상간섭기법(SAR Interferometry, InSAR)은 지구 표면의 미세한 변화를 관찰할 수 있는 장점이 있다. InSAR는 동일한 연구지역에서 획득된 2장 이상의 SAR 영상으로부터 위상의 차이를 구하고, 이를 이용해 지표의 고도 및 표면의 변위를 측정하는 기법이다. 또한, 위상차분간섭기법(Differential Interferometric SAR, DInSAR)은 하나의 간섭도(interferogram)로부터 DEM (digital elevation model)을 이용해 고도에 의한 위상간섭 영향을 제거하고, 표면의 변위만을 추출하는 기법이다. 그러므로 DInSAR는 표면 역학, 특히 표면 침하를 연구하기 위한 연구에서 크게 활용되었다(Chen et al., 2018). DInSAR 기법 중 가장 많이 쓰이는 방법은 연구지역의 간섭도와 정확한 DEM이 요구되는 2-pass DInSAR 기법이다(Massonnet et al., 1993). DInSAR 기법은 지진 및 화산에 의한 지표면 변화(Yen et al., 2008; Chini et al., 2010; Stramondo et al., 2011)와 지반침하(Jiang et al., 2011; Pipia et al., 2009) 등에 많이 사용되고 있으며, 적설심 관측에도 다수 적용되었다(Guneriussen et al., 2001).

Guneriussen et al. (2001)은 건조한 눈에 대한 적설상당수량(Snow Water Equivalent, SWE)를 추론하기 위해 DInSAR 기법을 이용하였으며, ERS-1/2 C-band DInSAR 데이터 분석을 기반으로 전파의 굴절이 위상간섭에 상당한 영향을 미치는 것을 확인하였다. 건조한 눈의 경우 상대적으로 높은 수준의 일관성이 관찰되지만, 적설심이 커짐에 따라 변화하는 눈의 밀도로 인해 오류가 발생하기도 했다. 레이더 빔이 건조한 눈을 통과할 때, 눈의 밀도와 유전률이 가장 큰 영향을 미치는 것으로 밝혀졌다(Matzler, 1996). 대기를 통과할 때와 건조한 눈을 통과할 때 레이저 빔의 경로 변화가 생기며, 그 결과 눈이 오지 않았을 때와 눈으로 덮여 있을 때 영상에 대한 SAR 영상의 위상변화가 발생한다(Evans et al., 2014). 그러므로 적설의 기하학적, 물리적 특성에 기초하여 눈이 없는 날짜와 눈 덮인 날짜 사이에 축적된 적설심을 위상 변이 분석 방법인 DInSAR 방법을 이용해 분석할 수 있다(Guneriussen et al., 2001).

이상에서 살펴본 것과 같은 연구 결과들을 바탕으로 본 연구에서는 유럽우주국에서 운영하는 Sentinel-1B 합성개구레이더(Synthetic Aperture Radar, SAR)에서 수집된 자료에 위상차분간섭기법(DInSAR) 적용하여 충정남도와 전라북도 서해안 지역의 적설심의 공간분포를 추정하였다.

2. 위상차분간섭기법(DInSAR)을 이용한 적설심 추정

2.1 연구대상지역

DInSAR 기법을 적용하여 적설심을 추정하기 위해서는 레이더 영상 간 편차가 충분히 클 수 있도록 적설심이 큰 지역, 즉 눈이 많이 내리는 지역을 연구대상지역으로 선정하는 것이 유리할 것이다. 행정안전부에서 매년 발간하는 재해연보에 따르면, 1994~2020년까지 발생한 총 823건의 대설피해 중 가장 많은 피해가 발생한 지역은 전라북도 고창군, 강원도 양양군, 강원도 홍천군 순이다. 전라북도 고창군은 우리나라 남쪽 서해안에 접한 지역으로 줄포만을 사이에 두고 변산반도와 마주보고 있어 겨울철 눈이 많이 내리는 지역이며, 강원도는 태백산맥의 영향으로 고도가 높고 우리나라의 북쪽에 위치하고 있으므로 눈이 많이 내리는 지역이다. 이 중 강원도는 산지가 많아 나무에 쌓인 눈 등으로 적설심에 대한 위상차 분석이 어려울 수 있으므로, 산지가 비교적 적은 전라북도 해안가 지역을 연구대상지역으로 선택하였다. 또한 강설 발생 후 영상 촬영 시간까지의 간격이 길 경우, 융해나 승화로 인한 적설심의 변화가 발생할 수 있기 때문에 강설 발생 후의 시간간격이 짧은 영상을 선택할 필요가 있다. 이와 같은 여러 조건을 고려해 본 연구에서는 유럽우주국에서 운영하는 Sentinel-1 dual polarimetric IW 폭 모드 C-band SAR 데이터가 효과적일 것으로 판단하였으며, 적설 시기 전후 사용할 수 있는 최근 영상을 검색하여 한국시간(KST) 기준 12월 7일, 19일 새벽 6시 32분에 해당되는 SAR 이미지를 선택하였다.

DInSAR 기법의 적용을 위해서는 DEM이 필요한데 DEM으로는 NASA에서 제공하는 SRTM 3Sec (shuttle radar topography mission 3sec) 고해상도 지형고도자료를 사용하였으며, 해당 DEM의 공간해상도는 3 arc sec (~90 m)이다.

해당 레이더 영상은 충청남도와 충청북도, 전라북도, 전라남도를 모두 부분적으로 포함하는 매우 큰 영상이며, 그중 3번째 Sub swath에 해당하는 IW3 영역을 사용하였다. 해당 영역에는 9개의 burst가 존재하며, 충청남도와 전라북도 서해안 지역을 포함한다. 해당 이미지에 포함된 기상청의 종관기상관측소(ASOS)는 총 7개 소이며, 적설심을 측정하는 자동기상관측소(AWS)까지 포함하면 총 30개의 관측소가 존재한다. 종관기상관측소의 위치는 Fig. 1과 같다. 23개 자동기상관측지점은 Fig. 1에 관측소의 이름은 적히지 않은 까만 삼각점으로 표시되어 있다.

Fig. 1.

Observatory Locations of the study region located in Chungcheongnam-do and Jeollabuk-do

2.2 DInSAR 영상처리를 통한 적설심 추정

2.2.1 DInSAR 영상처리과정

앞에서 설명한 바와 같이, 유럽우주국(ESA)에서는 코페르니쿠스 프로그램 운영을 통해 Sentinels 위성 시리즈를 운영하고 있으며, 생산된 광학 및 SAR 위성자료를 실시간으로 공개하고 있다(ESA, 2021). Sentinel 위성 시리즈 중 Sentinel-1A/B는 C밴드 SAR 영상으로서, 전세계 환경변화를 모니터링할 목적으로 azimuth 해상도를 조금 낮추는 대신 (5 m range × 20 m azimuth) 세 개의 sub-swath를 이용하여 총 250 km로 영상 폭을 넓힌 Interferometric Wide Swath Mode (IW Mode)를 기본 임무로 삼고 있다. 12일의 재방문 주기를 가지는 Sentinel-1A와 Sentinel 1B는 각각 2014년 4월 3일과 2016년 4월 22일에 발사되었으며, 두 위성을 이용하면 6일의 재방문 주기를 가지고 있어, 지표변형을 모니터링하기에 좋은 조건을 가지고 있다.

유럽우주국(ESA)은 또한 Sentinel 위성 영상 자료를 분석할 수 있는 소프트웨어인 SNAP (SeNtinel’s Application Platform)이라는 프로그램을 개발하여 무료로 배포하고 있다(ESA, 2021). SNAP에는 위성의 종류에 따라 여러 Toolbox가 있는 데, SAR는 S1TBX라 불리는 toolbox를 활용한다. S1TBX는 기존 상용 프로 그램에 비교할 때도 매우 뛰어난 범용성 과 확장성 및 UI (user interface)를 갖추고 있기 때문에 사용이 매우 편리하며, 자료 처리에 필요한 위성의 정밀한 위치자료(state vector)나 외부 DEM 자료를 자동으로 다운로드하고 모자이크하는 기능이 있으며, 무엇보다도 Graph Builder를 이용해 순서도 형식으로 처리과정을 프로그래밍 할 수 있다(Lee, 2017). SNAP 프로그램은 ESA 홈페이지를 통해 다운받을 수 있다. SNAP 프로그램은 NetBeans platform을 기반으로 작성되어 Windows, Mac OS X, Unix 등 다양한 환경에서 뛰어난 확장성을 보인다(Lee, 2017). SNAP 9.0(2021년 10월 1일자)이 현재의 정식 버전이며, 이 연구에서는 SNAP 8.0 버전을 사용하였다.

대상지역에 적설심 분포를 추정하기 위해, 적설이 내리기 전에 촬영된 SAR 영상과 적설이 지표면에 쌓여 있을 때 촬영된 같은 지역의 영상이 필요하다. Sentinels 위성이 우리나라를 촬영하는 시간과 적설심이 존재하는 시기를 맞춰, 2021년 12월 17일~19일 사이에 발생한 강설 사상을 대상으로 분석하였다. Sentinel-1B가 해당 지역을 지나가며 영상을 촬영한 2021년 12월 7일 새벽 6시 32분에는 적설이 지표면에 없었으며, 2021년 12월 19일 새벽 6시 32분에는 17~19일 사이에 내린 강설이 지표면에 남아 있었다. Fig. 2(a)는 대상지역과 관측소의 위치를 나타내며, Fig. 2(b)는 당시 기상청의 전국 378개 적설관측소에서 관측한 값을 이용하여 해당일의 적설심을 크리깅 기법으로 보간 한 것이다. 전국 378개의 적설관측소 값을 모두 사용한 이유는, 연구대상지역이 해안가에 있어 영상의 경계면에 발생할 수 있는 오차를 줄이기 위해서이다.

Fig. 3은 SNAP을 이용하여 DInSAR 방법을 적용하기 위한 순서도이고, Fig. 5는 SNAP을 이용해 순서도대로 영상을 처리한 결과의 일부를 나타낸 것이다. DInSAR 방법 적용을 위해서는 눈이 쌓여 있지 않을 때와 눈이 쌓인 후의 SAR 영상 한 쌍이 필요하다. 두 개의 영상에 궤도 정보를 입력한 후, 영상의 궤도 정보와 3 arc sec SRTM DEM을 기반으로 동일한 지역을 매칭한다. 간섭도 분석(Interferogram)은 두 영상의 위상차를 분석하는 것으로 SANP을 이용하면 ESA에서 제안한 표준 방법에 의해 이를 수행한다. 이후 SAR 데이터 수집 시 발생하는 Burst 간의 간격을 소거하는 TOPSAR deburst 과정을 통해 각각의 Burst가 결합해 하나의 이미지로 변환된다.

Topographic Phase Removal 단계는 지구의 지형적 고도에 의해 발생하는 위상차를 제거하는 과정으로 Topographic Phase를 제거함으로써 지표의 이동을 평탄한 지역으로 가정하고 볼 수 있게 된다(Nagler et al., 2002). Topographic Phase를 제거하고 나면, 지형의 고저로 인해 넓은 범위로 퍼져 있던 프린지들이 평탄한 지형에서 관찰하는 것과 같이 나타나게 된다. 하지만 Fig. 4에서 알 수 있는 것과 같이, 연구에서 얻어진 처리 전과 후의 영상에서는 이러한 변화를 육안으로 식별하기는 쉽지 않다. 왜냐하면 Sentinel-1B의 Base line이 좁게 설계되었기 때문에 지형 효과가 적게 나타나기 때문이다.

Goldstein Phase Filtering 단계는 자료 획득 당시의 기기내부 잡음과, 자료처리 시에 발생하는 오차에 의한 위상차를 제거하는 과정이다. 특히 스펙클(Speckle)에 의한 위상의 잡음을 감소시켜 프린지의 가시성을 향상시킬 수 있는 필터링이다. 스펙클은 SAR 영상에서 마이크로웨이브가 간섭으로 인해 증폭되거나 감소됨으로써, 레이다 영상에서 밝거나 어두운 점들이 여기저기 흩어져 있는 현상을 말한다. 따라서 Goldstein Phase Filtering을 통해서 많은 수의 잡음신호들을 제거하여 일관성 있는 간섭영상을 얻을 수 있다(Fig. 4).

SAR 영상은 지형구조, 전파특성, 관측방향 등에 의해 영상획득 지점에서의 오차가 발생한다. Terrain Correction은 지형보정을 해주는 과정으로써, Interferogram을 수행하고 Merge 과정을 거치고 난 후의 영상을 Geocoding 하여 좌표를 부여하는 단계이다. 이 과정을 통해 자료처리를 수행한 영상을 다른 도메인에 투영할 수 있게 되며, 대상의 위치와 실제 위치가 일치하여 동서남북의 방위와 영상의 크기 및 길이를 정확하게 측정할 수 있게 된다.

Fig. 2.

Topography of study region (a) and spatial interpolation of measured snow depth using Kriging method (b) in 19th Dec., 2021

Fig. 3.

DInSAR processing of bi-temporal dual polarimetric Sentinel-1 snow covered and snow free data

Fig. 4.

Propagation path of radar wave in snow

2.2.2 적설심 추정

Sentinel-1 SAR는 5.6 cm 파장의 C-band 전파를 이용한다. C-band 전파는 마른 눈일 경우 적설표면에서의 후방 산란이 적고 적설을 투과하여 지표에서의 후방 산란이 크므로, 지표가 적설로 덮여 있는 경우 Fig. 4와 같이 전파경로가 굴절된다. 즉, 적설을 투과하는 전파경로상에 지연이 발생하며, 그로 인한 위상차이는 경로의 기하학적 관계를 통해 계산할 수 있다(Rott, 2004).

이것을 역으로 적용하면, 적설에 의해 발생하는 위상차(∆ϕS)와 전파의 파장(λ0), 전파의 입사각(θi), 적설의 유전율(ε)을 이용해 다음 식으로 적설심(∆ZS)을 계산하는 것이 가능하다.

위 식을 계산하기 위해서는 적설의 유전율을 알아야 한다. 하지만 적설의 유전율은 적설의 상태에 따라 다르기 때문에 정확한 값들을 알 수 없다는 문제가 있다. 본 연구에서는 단순하게 적설의 분포 위주로 결과를 살펴보기 위해 상수(1.9)로 가정하여 산정하였다. 이것은 정확한 적설심의 산정에 영향을 줄 수 있지만 전체적인 적설의 분포에는 크게 영향을 주지 않을 것으로 판단된다.

2.2.3 적설심 추정 수행 결과 예시

Fig. 5는 DInSAR 처리 과정과 적설심의 계산과정 중 대표적인 결과 영상들을 처리순서대로 나열한 것이다.

Fig. 5.

Generated images from DInSAR processing steps

2.2.4 추정결과의 비교 대상과 방법

(1) 비교 대상

추정결과를 평가하기 위한 비교 자료로서는 기상청의 ASOS 지점과 AWS 지점에서 수집된 지점별 관측 적설심과 이를 보간하여 구축한 지점별 관측적설심 분포도를 기준으로 이용하였다. 그리고 광학위성인 정지궤도복합위성 천리안 2호(Geostationary Korea Multi Purpose Satellite-2A, GEO-KOMPSAT 2A, GK-2A)의 적설심 추정 자료(Jung, 2019)를 이용하였다. 이외에도 광학위성인 Terra MODIS의 snow cover 산출물이나 Sentinel-2의 snow cover 산출물과의 비교도 고려하였으나 해당 위성들은 태양동기식 궤도를 갖고 있어 시간단위 관측이 불가능하고 자료생성을 일단위로 하고 있어 본 연구결과와 비교하기에 부적합하다고 판단하였다.

천리안2호 위성산출물은 처리 단계에 따라 복사보정이 완료된 L1A, 기하보정이 완료된 L1B 자료와 자료처리 알고리즘을 통해 산출되는 L2 이후 자료로 구분되는데 천리안 2호의 적설심 자료는 L2 자료로서 Jung (2019)가 개발한 방법으로 적설심을 추정해 제공하고 있으며, 지상 해상도는 2 km 이다.

(2) 비교 방법

(a) 적설의 유무에 대한 비교

적설의 공간적인 분포가 실제와 잘 일치하는 지를 알아보기 위해 DInSAR로 생성된 적설심 분포에서 각 관측지점에 해당되는 적설심을 추출하고 지상관측지점과 적설심 유무를 비교하였으며, 관측자료를 이용해 작성한 적설심 분포를 DInSAR를 통해 작성된 적설심 분포와 동일한 해상도로 작성하여 각 격자의 적설 유무를 비교하였다. 적설유무의 비교에는 오차행렬(Confusion matrix)를 사용하였다(Table 1). 오차행렬은 분류의 정확도를 평가하거나 시약의 효과를 평가하는데 자주 사용되는 방법이다. Table 1에 표시된 TP는 True Positive를 의미하며, 실제 값과 예측 값이 모두 Positive인 것을 의미하며, FP는 False Positive는 실제 값은 Negative이지만, 예측 값을 Positive로 예측한 경우이다. 반대로 FN은 실제 값이 Positive이지만, 예측 값이 Negative인 경우이며, TN은 실제 값과 예측 값이 모두 negative인 경우이다. 이때 계산되는 정확도(Accuracy)는 전체 격자 개수에 대해 공간상 일치하는 지점에서 비교되는 두 값이 일치하는 경우의 비율, 즉 맞게 검출한 비율을 의미한다.

(b) 적설깊이의 비교

적설깊이의 비교는 지상관측지점에서 관측된 적설심을 kriging 기법을 이용하여 공간분포를 구축한 것과 DInSAR로 생성된 적설심, 천리안2호의 L2 산출물인 적설심에서 지상관측지점에 해당되는 격자값을 뽑아 1:1로 비교하였다.

3. 결과 및 토의

앞에서 언급한 바와 같이, 본 연구에 사용한 Sentinel-1B IW C-band SAR 영상은 2021년 12월 7일과 12월 19일 06시 32분경에 촬영된 것이며, 영상정보는 Table 2와 같다. 기상청에서 관측한 적설심을 이용해 공간보간을 한 Fig. 6(a)와 비교하기 위해 Fig. 6(b)는 DInSAR 방법을 이용하여 추정된 12월 19일 06시 32분의 적설심의 공간 분포이다. Fig. 6에서 알 수 있는 것과 같이, 전체적으로 적설심이 많은 곳과 적은 곳의 경향이 매우 유사하다는 것을 알 수 있다. 특히 두 그림 모두에서 태안반도 쪽에서 적설이 없는 것과 내륙 쪽에 적설이 많이 남아 있는 것은 매우 유사한 점이다. 하지만 그림에서 남쪽인 부안과 정읍에서는 관측값 보다 더 큰 값을 추정하고 있음을 알 수 있다.

적설심 산정 결과는 크게 두 가지 방법으로 관측값과 비교해 보았다. 첫 번째는 적설의 유무가 잘 맞았는지를 보는 것이다. 이것을 위해 Confusion Matrix를 사용하였다. 30개의 관측지점에 대해 적설의 유무가 잘 맞는지를 나타내는 Confusion Matrix를 작성하였으며, Fig. 6에 나타낸 결과도를 서로 동일한 해상도(500 × 500)로 변환하여 셀 별로 적설유무에 대한 Confusion Matrix를 작성하여 비교해 보았다. Table 3에서 보는 것과 같이 적설 유무에 대해서는 지점별로 비교할 경우 정확도가 76.7%를 보였으며, 영상의 격자 별로 비교했을 경우 92.1%의 높은 정확도를 보였다. 천리안 위성에서 추정한 적설깊이를 이용해 분석해 본 결과는 Table 4에서 보는 것과 같으며, 지점별로 비교할 경우 58.0%의 정확도, 격자별로 비교했을 경우 71.4% 정도의 정확도를 보였다. 격자의 경우 기본 격자의 해상도 등으로 인해 해안선 부근에서 일부 일치하지 않는 경우가 발생하여 전체 격자의 개수가 약간 다르게 나타났으나 결과에 유효한 영향을 줄 정도는 아니었다.

두 번째는 관측지점별로 적설 깊이를 비교해 보았다. 이를 위하여 방재기상관측소를 포함한 총 30개의 관측적설심과 DInSAR 기법으로 추정된 적설심을 1:1로 도시하면 Fig. 7(a)와 같다. 지점에서의 값들을 비교한 결과는 R²값이 0.46으로 나타났으며, 관측값과 추정값 사이의 RMSE는 2.7 정도였다. 그림을 살펴보면 관측값이 작은 경우 대체로 과대 추정하고 있으며, 관측값이 큰 경우 과소 추정하고 있다. 특히, 정읍지점은 적설심은 1.5 cm였으나, 추정된 적설심은 7.5 cm로 상당히 과대추정하여 특이한 결과를 보였다.

Fig. 7(b)는 천리안 위성인 GK-2A의 영상으로 구축한 적설심의 지점별 적설심과 관측값 사이의 관계를 나타낸 것이다. 상관계수는 Sentinel-1B로 계산한 경우보다 크게 계산되었지만, 실제 분포를 살펴보면, GK-2A에서 제시한 적설심을 0 cm에 가깝거나, 8 cm에 가까운 값을 가지는 것을 알 수 있다. 이것은 GK-2A의 공간해상도가 2 km로 상세하지 않아서 발생하는 결과로 판단되며, 실제 적설심 추정에 활용하는 것에는 한계가 있다고 판단된다.

적설 관측값과 추정값 사이의 차이 발생 원인을 찾아 보면 다음과 같은 것을 생각해볼 수 있다. 첫번째 적설에 대한 굴절율을 좌우하는 유전율에 대한 가정이 틀렸다는 것이다. 본 연구에서는 적설의 분포에 더 관심을 집중하기 위해 전체 연구대상지역에 대한 적설의 유전율을 동일하다고 가정하였다. 하지만 실제 상황에서는 각 지역 및 지점별로 적설의 유전율이 다를 것임은 명백하다. 두번째는 지점관측과 면적평균에 의한 차이다. 관측값들은 한 지점에 대한 것이고 추정값들은 일정한 면적에 대한 평균값이므로 동일하게 나타날 수는 없다. 세번째는 두 영상의 관측이 이루어지는 동안 발생하는 지형 등의 변화가 있을 수 있다. 특히 수목이 우거진 산림의 경우는 식생의 변화 바람에 의한 적설의 이동 등이 발생할 수 있다. 네번째 정읍 지점과 같이 관측과 실제의 차이가 매우 커서 한 파장(5.6 cm)을 넘어서는 경우는 간섭계를 Unwrapping 하는 과정에서 발생하는 오류일 수도 있다. 마지막으로 대기중 수증기량에 따라 발생하는 지연이나 신호의 수집과 처리과정에서 발생하는 잡음과 오류들로 인해 차이가 발생할 수 있다. 이러한 이유 중 가장 영향을 크게 주는 것은 첫번째 원인일 것이다.

연구대상지역에 존재하는 적설의 특성에 대해 알아보기 위해 Fig. 8에 시간별 적설심과 온도를 그려보았다. 관측소별로 조금씩 다르지만, 17일 오후 1시에 강설이 시작되어, 17일 오후 5시~8시 사이에 최대 누적적설심을 기록하고, 점차 적설심이 작아졌다가 12월 18일 오후에 다시 다소 증가하여 19일 정오 정도에 거의 녹았다. 눈이 녹았다는 것은 기온의 변화를 살펴보면 알 수 있다. 강설이 시작되었을 때의 기온은 영하권이었으며, 최대 -9.3 C까지 내려갔으나, 점차 영상권으로 회복하여 Sentinel-1B가 지나가는 시간의 기온은 영상으로 변화하였으므로, 적설이 녹아서 눈과 물이 함께 존재하는 시간이었다는 것을 추론할 수 있다. 그러므로 관측값이 작은 지점의 적설심이 과대추정된 것은 눈이 녹아 물과 함께 존재해 실제 적설의 유전률이 커졌음에도 불구하고 추정시에는 작은 값을 사용함으로써 과대추정이 이루어졌다고 판단할 수 있다. 특히 정읍지점의 경우 Fig. 8에서 보는 것과 같이 최대적설량이 7.7 cm였으나 이것이 관측당시에는 1.5 cm로 상당한 양의 적설이 녹은 상태였다는 것을 고려할 때 타 지점보다 과대추정한 이유를 융설에 의한 유전율의 변화로 설명할 수 있다.

Fig. 6.

Comparison of spatial interpolation of measured snow depth. (a) is observational point snow depth interpolated using Kriging method, (b) estimated spatial snow depth using DInSAR method and (c) estimated spatial snow depth produced by GK-2A image (c)

Fig. 7.

Comparison of measured and estimated snow depth (7 red points are ASOS point, and the rest are AWS points)

Fig. 8.

Snow depth and temperature in observatory locations and observation time by Sentinel-1B

4. 결 론

본 연구에서는 Sentinel-1B의 SAR 자료를 이용하여 DInSAR 기법을 이용해 지표면에 쌓인 적설심을 추정하여 실제 계측자료와 비교를 통해 적설심 추정 방법을 검증하였다. 충청남도와 전라북도 해안가 지역에 위치한 적설관측소의 적설심 자료를 수집하여 사용하였다. 3arc sec SRTM DEM을 적용하여 지형을 계산하였다. Sentinel-1B dual polarimetric Interferometric Wide (IW) 폭 모드 C-band SAR 데이터를 사용하였으며, KST 기준 12월 7일, 19일 새벽 6시 32분에 해당되는 SAR 이미지를 활용하였다. DInSAR 분석은 SNAP 프로그램을 이용하여 수행하였으며, master와 slave 영상을 설정하고, 인공위성의 위치와 속도 정보를 담은 궤도파일을 적용하고, back geocoding, interferogram, TOPSAR deburst, Goldstein Phase Filtering, Phase unwrapping, terrain correction 단계를 거쳐 영상분석을 하였다. 분석된 결과를 기반으로 위상차와 파장, 입사각, 유전율을 고려하여 적설심을 산정하였다. 이때 유전율은 지역별로 다르게 적용하지 않고 동일하게 1.9를 적용하였다. 또한 정지궤도복합위성 천리안 2호(GK-2A)의 L2 적설심 추정 자료를 이용하여 비교하였다.

적용 결과, 적설예측의 정확도는 격자별로 계산할 경우, DInSAR는 약 0.92%, GK-2A는 약 0.71%를 나타내 DInSAR의 적용성이 높게 나타났다. 관측점 별로 비교한 상관관계는 DInSAR의 R2는 0.46, GK-2A의 R2는 0.61로 나타났으나, 실제 계산 값의 민감도가 매우 낮은 것으로 나타나 적용성이 좋지 않은 것으로 판단되었다. 즉, DInSAR 방법을 이용하여 계산된 적설심과 기상관측소에서 관측된 적설심을 공간보간하여 비교한 결과, 적설의 유무는 상당히 일치하는 것으로 판단되었고, 적설심의 공간분포도 관측된 적설심과 유사함을 알 수 있었으나, 적설심이 관측값에 비해 과대추정되는 경우가 다수 발생하였다. 이렇게 오차가 발생하는 요인으로는 크게 동일한 유전율 가정, 지점관측 값과 면적평균 값의 차이, 영상관측 시기에 따른 지형변화, 대기보정 미고려에 따른 오차, 신호처리 등 시스템적 오차 등이 있다. 이 중 지점관측 값과 면적평균 값의 차이는 오차유발 요인이지만 보정이 될 수 있기는 하지만, 위성영상 분석 시 일반적으로 사용되는 기법이므로 오차요인이라 판단하기 어려우며, 영상관측 시기에 따른 지형변화 역시 영상 사이 시간 간격이 12일로 짧은 편이므로, 그 영향이 미비하다고 할 수 있다. 또한 신호처리 등 시스템적 오차는 SANP 프로그램 내에서 Goldstein Phase Filtering 단계를 거쳤으므로 많은 부분 제거되었다고 판단할 수 있다.

그러므로 가장 큰 오차 유발요인은 동일한 유전율 가정이라고 할 수 있다. 즉, 모든 지역에 유전율을 동일하게 적용한 가정의 오류에 기인한 것으로 보이며, 실제 최대강설이 발생한 후, 기온이 영상으로 올라가며 녹은 눈으로 인해 적설의 유전율이 상승한 것이 원인인 것으로 판단된다. SAR 데이터를 이용하여 적설심을 추청할 때는 유전률이 가장 큰 영향을 미친다고 알려져 있는데, 적설의 유전률은 눈의 밀도와 함수비 등에 영향을 받는다. 연구에 사용된 영상은 눈이 상당히 녹은 시점에 촬영된 영상이므로, 유전률이 지역에 따라 많이 다른 것으로 보인다. 본 연구에서는 유전률을 상수로 가정하여 분석하였으므로, 각 지점에 따라 달라지는 유전률을 고려하는데 한계가 존재할 수 있다.

이와 같은 한계가 존재함에도 불구하고, 지점에 따라 적설심이 작은 경우 과대추정되는 경향이 있기는 했지만, 적설심이 크지 않은 상황에서도 SAR 영상을 이용하여 적설심이 관측되지 않은 지역의 적설 유무와 적설심 분포를 추정하는 것이 가능하다는 것을 알 수 있었으며, 이를 통해 대설피해지역의 추정, 과거 대설피해 관련 자료의 역추적 등 다양한 분야에 활용할 수 있을 것으로 보인다. 향후, 눈의 상태나 온도에 따른 유전율의 변화를 적용한다면 보다 정확한 적설심의 공간분포를 파악할 수 있을 것이다. 또한, DInSAR 방법론에 대기권 지연오차와 같이 대기 상태에 따른 오차를 반영하거나, 보다 정확하고 상세한 DEM을 적용하여 정확도를 향상시킬 수 있는 연구를 진행해야 할 것으로 보인다.