1. 서 론

미호강은 충청북도 음성군 삼성면에서 발원하여 세종특별자치시를 거쳐 금강으로 유입되는 금강의 제1지류로서, 금강 수계 수환경에 중요한 역할을 하는 하천이다. 그러나 최근 공업지역 확대, 축산시설의 대형화, 불투수 면적 증가 등의 영향으로 다수 구간에서 수질오염이 심화되고 있는 것으로 보고되었다(GRBEO, 2019). 이에 따라 2012년 중점관리지역으로 지정되어 하수처리장 증설 등 수질 개선 사업이 추진되어 왔으나, 개선 효과는 제한적인 수준에 머무르고 있다. 이러한 한계의 원인으로는 본류 중심의 관리로 인해 지류 하천에 대한 관리가 상대적으로 미흡하였다는 점이 지적되고 있다(GRBMC, 2021). 따라서 미호강의 효과적인 수질 개선을 위해서는 본류와 지류를 포함한 오염원 분포에 대한 체계적인 조사와 관리가 필요하다.

하천 수질오염은 오염물질의 배출원이 명확한 점오염원과 불특정한 장소에서 발생하는 비점오염원으로 구분된다. 점오염원은 다양한 관리 대책을 통해 일정 수준의 수질 개선 효과가 입증되어 왔으나, 비점오염원은 발생 지점이 불명확하고 강우에 따라 유출 특성이 달라 관리가 어려우며, 향후 그 영향이 더욱 확대될 것으로 전망되고 있다(JIC, 2012). 특히 농촌지역에서 발생하는 비점오염원은 토지계 및 축산계 오염이 대부분을 차지하며, 논·밭 경작 과정과 축산 분뇨의 퇴비화 및 퇴비 살포 후 강우에 의한 유출 비율이 높은 것으로 조사되었다(KWEI, 2014).

축산 분야에서 발생하는 대표적인 비점오염원인 야적퇴비는 강우 시 지표수 또는 지하수로 유출되어 질소(N)와 인(P) 등의 영양염류 부하를 증가시킴으로써 하천 수질에 악영향을 미치는 주요 오염원으로 알려져 있다(Sharpley and Moyer, 2000; Lee et al., 2009; K U, 2016). 하지만 현재까지 야적퇴비에 대해 효과적인 관리 체계가 구축되지 못한 실정이며, 대부분 현장 조사를 통해 관리가 이루어지고 있다. 이에 따라 인력 및 비용 부담을 줄이기 위한 대안으로 드론을 활용한 비점오염원 조사 연구가 활발히 수행되고 있다(Park et al., 2020).

Park et al. (2019)은 무인항공기(Unmanned Aerial Vehicle, UAV)를 활용하여 농촌지역 비점오염원의 탐색 및 촬영을 수행한 후, 관리 상태와 적재량 변화를 분석하고자 하였으며, 비점오염원의 자동 탐지 및 정량화 기법 개발의 필요성을 제시하였다. 이후 Park et al. (2020)은 UAV를 이용하여 야적퇴비의 시공간적 분포 및 체적 변화 특성을 분석하였다. Kim et al. (2021a)은 무인항공기를 활용하여 비점오염원의 적재량을 산정하고 그 정확도를 평가하였으며, Song and Park (2021)은 무인항공기와 기계학습 기법을 적용하여 야적퇴비 탐지를 수행하였다. 또한 Kim et al. (2021b)은 무인항공기와 딥러닝 기반 의미론적 분할 기법을 활용하여 야적퇴비를 자동 탐지하는 연구를 수행하였다.

선행연구들은 UAV와 인공지능 기술을 활용한 야적퇴비 탐지의 기술적 가능성을 입증하였다는 점에서 의의가 있다. 그러나 대부분의 연구가 특정 시점의 탐지 정확도 향상이나 소규모 지역에 국한되어 있어, 실제 하천 수질 관리를 위한 광역적인 오염원 특성을 파악하기에는 한계가 존재한다. 특히 강우 시 유출 가능성이 높은 야적퇴비의 특성상, 단순 존재 여부를 넘어 시기별 적재 패턴과 방치 실태를 시공간적으로 분석하여 관리 우선순위를 결정하는 의사결정 지원 도구로서의 연구는 여전히 미흡한 실정이다.

이에 본 연구는 기존 연구의 기술적 접근법을 활용하면서 미호강 중권역이라는 광범위한 지역을 대상으로 딥러닝 기반의 자동 탐지 체계를 적용하고자 하였다. 특히 시계열 모니터링을 통해 야적퇴비의 발생 및 소멸 패턴을 분석하고, 이를 토대로 현장 관리의 효율성을 극대화할 수 있는 관리 지표를 도출한다는 점에서 기존 연구와 차별성을 갖는다. 따라서 본 연구에서는 드론 영상 기반 딥러닝 탐지 기법을 활용하여 야적퇴비의 기초 분포 정보를 확보하는 한편, 시공간적 변화 특성 및 관리 현황을 체계적으로 분석하여 효과적인 비점오염원 관리 방안을 제시하고자 한다.

2. 자료 및 방법

2.1 연구범위

본 연구의 연구범위는 유역 면적이 약 1,855.35 km2에 이르는 미호강 중권역에 포함된 지류 하천 중, 금강 수질 조사 결과 생물화학적 산소요구량(BOD)이 4 mg/L 이상으로 수질 오염도가 높은 하천을 대상으로 선정하였다. 금강 수질 조사 결과, BOD 4 mg/L 이상으로 나타난 하천은 미호강, 병천천, 한천, 무심천으로 조사되었으며, 이 가운데 무심천은 청주국제공항의 관제권에 포함되어 드론 비행 및 영상 촬영이 제한됨에 따라 연구 대상에서 제외하였다. 이에 따라 본 연구에서는 미호강 본류를 포함하여 병천천과 한천을 최종 연구 대상 하천으로 선정하였다(Fig. 1). 또한 미호강의 중앙부 일부 구간 역시 청주국제공항 관제권에 포함되어 조사 대상 범위에서 제외하였다.

Fig. 1.

Watershed map of the Miho River mid-basin and the surveyed tributaries

조사 기간은 2023년 6월부터 2025년 3월까지로 설정하였으며, 계절적 변화에 따른 야적퇴비의 분포 특성을 분석하기 위해 3개월 간격으로 총 8회에 걸쳐 조사를 수행하였다.

2.2 자료 수집 방법

본 연구에서는 계절별 야적퇴비의 시공간적 변화를 분석하기 위해 Fig. 1에 제시한 미호강 중권역 내 하천을 대상으로 Table 1과 같이 드론 촬영을 총 8회 수행하였다. 촬영에는 DJI사의 Phantom 4 RTK 기체를 사용하였으며, 해당 기체는 2,000만 화소의 RGB 카메라가 탑재되어 있고 최대 약 30분간 비행이 가능하다(Fig. 2). 또한 RTK 기반의 고정밀 위치정보를 활용할 수 있어 정사영상 제작에 유리하며, 소형 기체로서 이착륙 지점 확보가 용이하다는 장점을 가진다. 본 연구에서 야적퇴비 탐지에 활용된 딥러닝 모델은 RGB 드론 영상을 기반으로 학습·개발되었으며, 탐지뿐만 아니라 면적, 체적 및 관리 등급 산출 역시 RGB 영상만으로 수행이 가능하다. RGB 영상은 NIR, Red Edge 밴드를 포함하는 다중분광 영상이나 열화상 영상에 비해 데이터 수집이 용이하고, 학습데이터셋 구축 및 활용에 유리하다는 장점이 있어, 본 연구에서는 RGB 영상만을 활용하였다.

Fig. 2.

Configuration and specifications of the drone

야적퇴비의 형태적 특징을 정밀하게 포착하면서도 넓은 지역을 효율적으로 촬영하기 위해 지상표본거리(Ground Sample Distance, GSD)를 약 3.2 cm로 설정하고 이에 따른 적정 촬영 고도를 산정하였다. 촬영 범위는 하천 중심으로부터 반경 1 km 이내 지역으로 설정하여 야적퇴비의 위치를 사전 확인한 후, 고도 100 m에서 정사영상 제작을 위한 정밀 촬영을 수행하였다. 드론 영상은 정사영상 및 DSM (Digital Surface Model) 제작을 위하여 개별 야적퇴비 객체를 중심으로 선회하며 18장의 영상을 촬영하였다.

촬영된 영상 자료는 PIX4D Mapper 소프트웨어를 이용하여 좌표 변환, 특징점 추출, 기하보정, 특징점 정합, 3차원 포인트 클라우드(Point Cloud) 생성 등의 과정을 거쳐 처리하였다. 이를 통해 정사영상(Orthomosaic)과 DSM을 구축하였으며, 최종적으로 인공지능 기반 야적퇴비 탐지 및 체적 산정 분석에 활용하였다.

2.3 야적퇴비 탐지

본 연구에서는 딥러닝 기법을 적용하여 야적퇴비의 자동 탐지를 수행하였다. 탐지 모델의 학습에 사용된 영상 자료는 2023년 5월부터 12월까지 영남 및 호남 지역에서 촬영된 드론 영상을 활용하였다. 해당 지역은 하천 주변으로 축산 시설이 밀집되어 있어 야적퇴비로 인한 수질오염 발생 가능성이 상대적으로 높은 지역으로 판단되어 학습 자료로 선정하였다. 취득한 1,612장의 정사영상은 딥러닝 모델 학습에 적합한 형태로 가공하기 위해 타일링(Tiling) 방식을 적용하였다. 구체적으로 정사영상 1장을 기준으로 영상 중심부에서 5,000 × 5,000 픽셀크기로 추출한 후, 좌상단부터 동일한 크기로 밀면서 타일링하는 방식을 적용하여 정사영상 1장당 5~7장의 타일 영상을 생성하였다. 이후 데이터 규모 및 학습효율을 고려하여 2,048 픽셀로 다운스케일링하고 데이터 증강(Augmentation)을 적용하여 최종적으로 총 20,000장의 학습 데이터셋을 구축하였다.

딥러닝 모델 학습을 위한 라벨링(Labelling) 작업은 오픈소스 기반의 Labelme 도구를 활용하여 야적퇴비 객체를 폴리곤(Polygon) 방식으로 라벨링하였다. 야적퇴비 탐지 모델로는 YOLOv8 기반 인스턴스 세그멘테이션(Instance Segmentation) 모델을 채택하였다. U-Net, DeepLabV3+, SegNet 등의 의미론적 분할(Semantic Segmentation) 모델은 픽셀 단위 분류에 특화되어 있으나, 동일 클래스 내 개별 객체를 구분하지 못하는 한계를 가진다. 반면, YOLOv8은 바운딩 박스(Bounding Box) 기반의 객체 탐지와 폴리곤(Polygon) 기반의 세그멘테이션을 동시에 수행하는 멀티태스킹(Multi-tasking) 구조를 갖추고 있어, 개별 야적퇴비 객체의 위치 정보와 픽셀 단위 형상 정보를 상호 보완적으로 활용함으로써 탐지 정확도와 처리 속도를 동시에 확보할 수 있다는 장점이 있다(He et al., 2017). 특히 본 연구에서는 YOLOv8 모델의 Head Network를 변형하여 인스턴스 세그멘테이션 모델로 구현하였으며, 이를 통해 영상 내 개별 야적퇴비 객체를 정밀하게 탐지하였다. 인스턴스 세그멘테이션은 동일한 클래스 내에서도 개별 객체를 독립적으로 인식할 수 있는 장점을 가지며, 단순히 객체와 배경을 구분하는 의미론적 세그멘테이션보다 높은 정밀도의 탐지가 가능하다. 한편, 모델의 데이터셋 학습 시점인 2023년 말에 Ultralytics에서 공개된 안정적인 최신 세그멘테이션 모델은 YOLOv8-seg였으며, 이후 공개된 YOLOv11-seg는 모델 학습 시점에는 활용이 불가하였다. 따라서 본 연구에서는 당시 검증된 최신 버전인 YOLOv8-seg를 채택하였다.

모델 학습에 사용된 주요 하이퍼파라미터(Hyperparameter)는 다음과 같다. 학습 반복 횟수(Epoch)는 충분한 학습이 가능하도록 200으로 설정하였으며, 배치 크기(Batch Size)는 GPU 메모리 사용량과 학습 속도 사이의 균형을 고려하여 8로 설정하였다. 과적합 방지 및 모델의 일반화 능력 향상을 위해 조기 종료(Early Stopping) 기법을 적용하였으며, Patience 매개변수는 30으로 설정하였다.

정량적 평가는 혼동 행렬(Confusion Matrix)을 기반으로 수행하였다. Accuracy는 전체 예측 결과 중 실제 클래스와 일치한 비율을 나타내는 객체 단위 정확도로, (TP+TN)/(TP+TN+FP+FN)으로 산출하였다. 이때, TN (True Negative)은 특정 클래스 기준에서 실제 해당 클래스에 속하지 않은 객체를 해당 클래스로 예측하지 않은 경우로 정의할 수 있다. 세그멘테이션 성능의 주요 지표로는 mIoU (mean Intersection over Union)를 사용하였으며, 이는 예측 마스크와 실제 마스크 간의 겹치는 영역(교집합)을 전체 영역(합집합)으로 나눈 IoU를 클래스별로 산출한 후 평균한 값이다. 본 연구에서는 덮개가 없는 야적퇴비(Compost) 클래스와 덮개가 있는 야적퇴비(Compost_C) 클래스 각각의 IoU를 산출하고 이를 평균하여 mIoU를 도출하였다. 인스턴스 세그멘테이션 모델의 특성상 픽셀 단위 형상 정보의 정확도가 중요하므로, 바운딩박스 기반 탐지 모델에서 주로 활용되는 AP 및 mAP 대신 세그멘테이션 마스크의 정밀도를 직접적으로 반영하는 mIoU를 주요 성능 지표로 사용하였다.

평가 결과, YOLOv8 기반 야적퇴비 탐지 모델의 성능은 Accuracy 0.931, Precision 0.912, Recall 0.746, F1-Score 0.875, mIoU 0.808(IoU_Compost: 0.761, IoU_Compost_C: 0.838)로 나타났으며, 이를 통해 본 연구에서 제안한 모델이 야적퇴비 탐지에 있어 충분한 신뢰성과 적용 가능성을 확보한 것으로 판단된다.

최종적으로 학습된 YOLOv8 기반 탐지 모델을 미호강 권역에 적용하여 야적퇴비의 공간적 분포를 파악하였으며, 해당 결과는 향후 야적퇴비의 시공간 변화 분석 및 관리 우선순위(등급) 산정을 위해 야적퇴비 탐지의 기초자료로 활용하였다. 야적퇴비의 정확한 형태는 지역이나 현장 조건에 따라 다소 차이를 보일 수 있으나, 모델 적용 결과에서도 특정 지역의 환경적 특성에 의존하기보다는 야적퇴비의 질감 정보와 공간적 배치 양상을 기반으로 탐지가 이루어지는 것을 확인할 수 있었으며, 이를 통해 적용 대상 지역이 달라도 일정 수준 이상의 탐지 성능 확보가 가능한 것으로 판단된다. 다만, 향후 미호강 권역을 포함한 다양한 지역의 데이터를 학습 데이터셋에 지속적으로 반영함으로써 모델의 일반화 성능을 강화하고자 한다.

3. 결과 및 토의

3.1 탐지모델 결과

탐지 모델을 활용한 드론 영상 분석을 통해, 야적퇴비의 영상 내 위치, 면적(m²), 체적(m³), 위·경도 좌표 및 관리 등급을 산출하였다. 관리 등급은 야적퇴비의 덮개 설치 여부를 기준으로 평가하였으며, 덮개 미설치 시 ‘부적절(Bad)’, 불완전 설치 시 ‘미흡(Poor)’, 완전 설치 시 ‘양호(Good)’로 분류하였다(Fig. 3).

Fig. 3.

Detection results of compost heaps using the proposed detection model

3.2 변화 양상

2년간의 야적퇴비 조사와 탐지 결과, 하천별 야적퇴비의 개소수는 서로 상이한 변화 양상을 보였다(Fig. 4). 미호강의 경우, 야적퇴비가 가장 적게 조사된 시기는 2023년 6월로 총 16개소가 확인되었으며, 가장 많이 조사된 시기는 2025년 3월로 총 68개소가 확인되었다. 미호강 권역에서는 전체 조사 기간 동안 야적퇴비의 개소수가 전반적으로 지속적인 증가 경향을 보였으며, 뚜렷한 감소 양상은 관찰되지 않았다. 특히 2024년 3월과 2025년 3월에 개소수가 급격히 증가하였는데, 이는 경작 시기를 앞두고 퇴비 살포를 준비하는 과정에서 야적퇴비가 늘어난 결과로 판단된다.

Fig. 4.

Changes in the number of compost heaps by river

병천천의 경우, 야적퇴비가 가장 적게 조사된 시기는 미호강과 동일한 2023년 6월로 총 19개소가 확인되었으며, 가장 많이 조사된 시기는 2025년 3월로 총 55개소가 확인되었다. 병천천의 변화 양상은 미호강과는 다소 다른 형태를 보였는데, 2024년 3월에 최대 개소수를 기록한 이후 감소하였다가, 겨울철에 다시 증가하는 주기적인 변동 특성을 나타냈다. 또한 매년 3월에 가장 많은 개소수를 기록하고, 6월에 감소하는 일정한 계절적 패턴이 반복적으로 나타났다.

한천의 경우에는 미호강과 병천천과는 또 다른 변화 양상을 보였다. 연중 야적퇴비 개소수의 변동 폭은 비교적 크지 않은 반면, 매년 3월에만 일시적으로 큰 폭의 증가가 반복적으로 나타나는 특징을 보였다.

하천별 야적퇴비 개소수의 변화 양상은 서로 상이하였으나, 경작 준비 시기인 3월을 전후하여 개소수가 증가하는 계절적 경향이 공통적으로 나타났다. 다만 증가의 폭과 시기는 하천별로 차이를 보였는데, 병천천은 매년 3월 증가 후 6월 감소하는 패턴이 비교적 일관되게 반복된 반면, 미호강은 조사 기간 전반에 걸쳐 지속적인 증가 경향을 보여 3월에만 국한된 증가 양상과는 구별되었다. 한천의 경우 2024년에는 증가와 감소가 반복되는 변동 양상을 보이다가 2025년 3월에 큰 폭의 증가가 확인되었으며, 특히 2025년 3월에는 세 하천 모두에서 개소수가 크게 증가하는 공통적인 양상이 나타났다.

하천별 야적퇴비의 총 체적량 변화 양상 역시 하천마다 상이한 특징을 보였다(Fig. 5). 미호강의 경우, 조사 기간 동안 전반적으로 체적량이 지속적으로 증가하는 경향이 나타났다. 2023년 6월 1,246 m³에서 2023년 12월까지는 큰 변화가 나타나지 않았으나, 2024년 3월 시비 시기에 2,430 m³로 증가하였으며, 이후에도 감소 없이 지속적으로 증가하여 2025년 3월에는 7,481 m³로 조사 기간 중 최대값을 기록하였다.

Fig. 5.

Changes in the total volume of compost heaps by river

병천천의 경우, 2023년 겨울까지 2,000~2,600 m³ 수준으로 큰 변화가 나타나지 않다가 2024년 3월에 7,647 m³로 큰 폭으로 증가하였으며, 2024년 6월에는 2,084 m³로 2023년과 유사한 수준으로 감소한 이후 겨울철까지 유지되는 양상을 보였다. 이후 2025년 3월에 다시 11,575 m³로 큰 폭으로 체적량이 증가하였는데, 전반적으로 병천천은 다른 하천에 비해 매년 3월 시기에 체적량 증가 폭이 가장 크게 나타나는 특징을 보였다. 이는 병천천 유역이 논·밭 및 축사 면적이 상대적으로 넓어 시비량이 많고, 이에 따라 매년 3월 적재되는 야적퇴비의 양 또한 많은 데 기인한 것으로 판단된다.

한천의 경우에는 세 하천 중 전체 조사 기간에 걸쳐 체적량이 가장 낮은 수준을 유지하였다. 2023년 6월 107 m³에서 2024년 3월 990 m³로 증가하였다가 2024년 6월 676 m³로 감소한 후, 2024년 9월부터 12월까지 소폭 증가하는 양상을 보였다. 이후 2025년 3월에는 2,246 m³로 조사 기간 중 최대값을 기록하였으며, 이러한 체적량 변화 양상은 개소수 변화 패턴과 전반적으로 유사한 경향을 나타냈다. 종합적으로 볼 때, 각 하천의 야적퇴비 총 체적량 변화는 개소수 변화 양상과 전반적으로 유사한 패턴을 보이는 것으로 분석된다.

야적퇴비의 관리 상태를 분석한 결과, 시기별로 등급 비율의 변동이 확인되었다(Fig. 6). ‘양호’ 등급의 비율은 2023년 9월과 2024년 6월에 상대적으로 높게 나타난 반면, 2023년 12월과 2025년 3월에는 낮아지는 경향을 보였다. ‘부적절’ 등급의 비율은 2023년 12월과 2025년 3월에 상대적으로 높게 나타났으며, 이는 겨울철 경작이 종료된 이후 다음 해 경작을 준비하는 과정에서 퇴비가 임시로 적재되는 시기와 맞물려 덮개 관리가 상대적으로 미흡해지는 데 기인한 결과로 판단된다. 다만 2024년 3월의 경우 ‘양호’ 등급의 비율이 상대적으로 높게 나타나, 매년 3월에 일괄적으로 관리 상태가 저하된다고 보기는 어려우며 연도별·시기별 변동이 복합적으로 작용하는 것으로 판단된다.

Fig. 6.

Seasonal changes in the management status of compost heaps

3.3 관리 방안

2023년 6월부터 2025년 3월까지 야적퇴비의 누적 발생량이 많은 소단위 행정구역을 분석하였다. 충청북도 청주시 흥덕구 옥산면이 147개소로 가장 많았으며, 충청북도 청주시 흥덕구 오송읍 100개소, 충청남도 천안시 동남구 북면 58개소, 충청남도 천안시 동남구 병천면 39개소, 세종특별자치시 연동면 37개소 순으로 확인되었다. 이들 지역은 미호강 중권역 내에서 야적퇴비 발생이 가장 집중된 지역으로 분석되었다.

행정구역별 야적퇴비 개소수(Table 2)와 평균 체적량(Table 3)을 종합적으로 고려할 때, 충청북도 청주시 흥덕구와 충청남도 천안시 동남구 지역이 우선적으로 관리가 필요한 지역으로 판단된다. 해당 지역들은 조사 대상 하천과 인접해 있으며, 농경지가 넓게 분포하고 대형 축사들이 밀집해 있어 타 지역에 비해 퇴비의 야적 빈도가 높은 특성을 가진다. 특히 청주시의 경우, 미호강 중권역 전체 농경지 면적(472 km²)의 33.7%를 차지하고 있으며, 동시에 미호강 중권역 전체 불투수 지역 면적(285 km²)의 43.4%를 차지하고 있어, 강우 시 비점오염물질 유출에 따른 수질 오염 위험도가 상대적으로 높은 지역으로 판단된다.

시간적 측면에서는 2025년 3월이 비점오염원 관리상 특히 주목할 필요가 있는 시기로 판단된다. 해당 시기에는 세 하천에서 모두 야적퇴비 총 체적량이 조사 기간 중 최대치를 기록하였을 뿐만 아니라, 덮개가 설치되지 않은 '부적절' 등급의 비율 역시 가장 높게 나타났다. 야적퇴비의 총량이 많고 동시에 덮개 미설치 비율이 높은 경우, 강우 시 야적퇴비로부터 유출되는 침출수의 양이 크게 증가하여 인, 질소, 박테리아 등의 오염물질이 인근 수계로 직접 유입될 가능성이 높아진다. 이러한 두 조건이 동시에 최고치를 기록하였다는 점은 비점오염원 발생량 측면에서 수질 오염 위험이 복합적으로 증가할 수 있음을 시사하며, 이 시기에 대한 집중적인 관리의 필요성을 뒷받침한다.

따라서 야적퇴비의 효과적인 관리를 위해서는 공간적·시간적 우선순위를 결합한 관리 전략이 필요하다. 누적 발생 개소수와 평균 체적량이 높은 청주시 흥덕구, 천안시 동남구 등 집중 발생 지역을 대상으로, 특히 매년 경작 준비 시기인 3월을 전후하여 야적퇴비 현장 점검 및 덮개 설치 계도를 집중적으로 실시하는 것이 비점오염원 관리 측면에서 효과적일 것으로 판단된다. 아울러 본 연구에서 구축한 드론 기반 시공간 모니터링 체계를 활용하여 해당 지역 및 시기에 대한 정기적인 모니터링을 지속함으로써 야적퇴비로 인한 수질 오염 피해를 사전에 예방하고 효율적인 비점오염원 관리 전략 수립에 기여할 수 있을 것으로 기대된다.

한편, 본 연구에서 구축된 드론 영상 및 인공지능 기반 야적퇴비 탐지 체계를 토대로 오염원의 유출 위험도를 정밀하게 예측하는 비점오염원 관리 방안에 대한 후속 연구를 진행하고 있다. 현재까지의 관리 방안을 보완하기 위해 드론 기반 탐지 데이터에 지형분석도(경사도)와 Sentinel-2 위성영상의 정규식생지수(Normalized Difference Vegetation Index, NDVI)를 통합하여 오염물질의 유입 잠재력과 토양의 저류 능력을 함께 반영한 과학적 데이터 기반의 관리 방안을 제시함으로써 실효성 높은 미호강 중권역 비점오염원 관리 전략 마련에 기여하고자 한다.

4. 결 론

본 연구는 미호강 중권역을 대상으로 드론 영상과 딥러닝 기반 인스턴스 세그멘테이션 기법을 적용하여 야적퇴비의 시공간적 분포 특성과 관리 상태를 정량적으로 분석하였다. 2023년 6월부터 2025년 3월까지 총 8회에 걸쳐 시계열 조사를 수행한 결과, 미호강 중권역의 야적퇴비는 전반적으로 증가 추세를 보였으며, 경작 준비 시기인 3월을 전후하여 개소수와 체적량이 증가하는 계절적 경향이 확인되었다. 다만 증가의 폭과 양상은 하천별로 차이를 보였으며, 이는 봄철 경작 준비 과정에서 퇴비가 집중적으로 적재되는 농업 활동 특성과 밀접한 관련이 있는 현상으로 해석할 수 있다.

야적퇴비 탐지에 활용된 YOLOv8 인스턴스 세그멘테이션 모델은 영남·호남 지역에서 수집된 학습 데이터를 기반으로 구축되었으며, 해당 지역 데이터에 대한 검증 결과 Accuracy 0.931, mIoU 0.808의 성능을 나타냈다. 이는 유역 단위 야적퇴비 자동 탐지에 적용 가능한 수준의 성능을 갖춘 것으로 판단하였으며, 해당 모델을 미호강 중권역에 적용하여 야적퇴비의 시공간적 분포를 분석하였다. 한편 덮개가 없는 야적퇴비의 경우 주변 토양과 유사한 색상 및 질감으로 인해 탐지 성능이 상대적으로 낮게 나타나는 한계가 확인되었으며(Recall 0.746), 그림자, 토지피복 혼재, 계절·조도 변화 등의 환경적 요인 역시 탐지 정확도에 영향을 미칠 수 있는 요소로 판단된다. 또한 본 연구에서 구축된 모델은 영남·호남 지역 데이터를 기반으로 학습되어 미호강 권역에 대한 별도의 정량적 성능 평가가 이루어지지 못한 점은 본 연구의 한계로 인식하고 있다. 향후 미호강 권역을 포함한 다양한 지역의 데이터를 학습 데이터셋에 지속적으로 반영하여 모델의 일반화 성능을 강화하고, 대상 지역에 대한 독립적인 정량 평가를 수행함으로써 모델의 신뢰성을 높여 나갈 계획이다. 아울러 드론-DSM 기반 체적 산정 시 발생할 수 있는 오차에 대한 실측 기반 검증도 본 연구의 한계점으로 향후 연구에서 수행하여 보완해 나갈 것이다.

기존의 인력 중심 현장조사 방식은 광범위한 지역에 산발적으로 분포하는 야적퇴비를 전수 조사하는 데 많은 시간과 비용이 소요되며, 조사자의 주관적 판단에 의존하는 한계가 있다(Park et al., 2019; Kim et al., 2021a). 반면 본 연구에서 적용한 드론과 딥러닝 기반의 탐지 체계는 넓은 지역을 단시간에 객관적·정량적으로 조사할 수 있으며, 덮개 유무에 따른 관리 등급 산정까지 자동화할 수 있다는 점에서 기존 방식 대비 효율성과 객관성 측면에서 유의미한 개선을 나타낸다. 또한 관리 상태 분석 결과, 2023년 12월과 2025년 3월에 덮개 관리가 미흡한 '부적절' 등급의 비중이 높게 나타났으며, 특히 2025년 3월에는 총 체적량과 부적절 등급 비율이 동시에 최고치를 기록하여 비점오염원 유출 위험이 복합적으로 증가하는 시기임이 확인되었다.

행정구역별 누적 발생량 분석에서는 충청북도 청주시 흥덕구(옥산면·오송읍)와 충청남도 천안시 동남구(북면·병천면)가 미호강 중권역 내 주요 발생 지역으로 도출되었으며, 이들 지역은 농경지 면적이 넓고 축사 밀집도가 높아 우선적인 관리가 필요한 지역으로 판단된다. 특히 청주시 흥덕구는 농경지 면적과 불투수 면적 비율이 모두 높아 강우 시 비점오염 발생 위험이 상대적으로 큰 지역으로 분석되었다. 이러한 공간적 우선순위와 함께, 총 체적량 및 부적절 등급 비율이 동시에 높아지는 경작 준비 시기를 집중 관리 시점으로 설정하는 시간적 우선순위를 결합한 관리 전략이 비점오염원 관리 측면에서 효과적일 것으로 판단된다.

본 연구는 인력 중심 현장조사의 한계를 보완하고, 드론 영상과 딥러닝 기법을 활용하여 유역 단위의 비점오염원을 효율적으로 감시할 수 있는 체계를 제시했다는 점에서 중요한 의의를 가진다. 향후에는 미호강 권역을 포함한 다양한 지역의 데이터를 추가 구축하여 모델의 일반화 성능을 강화하고, 탐지된 야적퇴비의 장기 시계열 변화와 공간·계절적 특성을 반영한 정량적 위험도 평가 체계를 구축하고자 한다. 나아가 드론과 인공지능 기반의 체계적 모니터링을 고도화하고 지형분석도와 위성영상을 추가 활용함으로써 미호강 중권역의 비점오염 저감과 수질 개선을 위한 관리 방안 마련에 기여할 것으로 기대된다.