1. 서 론
2. 재료 및 방법
2.1 대상유역 - 백제보, 남양호
2.2 초분광영상과 시료채취 - Hyperspectral Image and Sampling
2.3 Chlorophyll-a 모델 개발
3. 결과 및 고찰
3.1 Permutation importance를 이용한 입력파장 선별
3.2 Chlorophyll-a 산정
3.3 Chlorophyll-a 공간분포
4. 요약 및 결론
1. 서 론
하구 담수호는 간척지 내 물을 관개용수, 공업 및 생활용수로 활용하기 위해 하구에 방조제를 축조하여 인공적으로 조성한 저수지를 말한다(Park and Park, 2020). 하구 담수호는 기본적으로 관리수위가 낮은 특성을 가지고 있어 용수공급을 위해 용수로, 배수로가 함께 조성되고 공급된 물은 다시 호소로 재유입된다. 이러한 물 흐름특성 변화로 인해 강우 시 주변 지역에서 발생한 오염물질이 담수호로 유입될 때 자연 자정작용이 느려져 오염물질이 축적되기 쉽다. 특히 농업용수로 사용된 비료 등의 영양물질이 과도한 지역에서는 녹조류가 번성하기 쉽고(Lee et al., 2021) 녹조류의 과잉 발생은 유해조류(Harmful Algal Blooms) 관련 독소물질을 생성해 농업용수의 사용 제한, 동식물에 피해 등 환경적, 사회적 경제적 위협을 가할 수 있다(Shi et al., 2013). 따라서 하구 담수호의 지속 가능한 농업 수자원 이용을 위해서는 녹조 오염의 영향을 설명하는 핵심지표인 식물 플랑크톤의 광합성 활성 색소(Chlorophyll-a, Chl-a)의 정기적인 모니터링이 필요하다.
효율적인 하구 담수호의 녹조관리를 위해 지속적인 수질 모니터링이 필요하지만 물환경측정망에서 제공하는 수질 모니터링 정보는 월 1회 제공하고 있으며, 주 1회 이상 전국 29개 하천·호소를 대상으로 유해 남조류 세포수를 기준으로 조류경보제를 실시하고 있다. 또한 각 하구 담수호의 수질오염을 개선하기 위해 실시하는 사업 역시 개별 담수호 단위로 이뤄져 있어 일괄적인 녹조 정보를 제공하기에는 한계가 있다(Kim et al., 2021). 이러한 한계점을 보완하기 위해 위성영상, 항공기/드론영상을 이용하여 넓은 구역의 녹조 신속하게 관측하기 위한 원격모니터링 기법이 연구되고 있다. 위성영상의 경우 Moderate Imaging Spectroradiometer (MODIS), MEdium Resolution Imaging Spectrometer (MERIS)를 이용하며 광역적인 촬영이 가능해 해양을 중심으로 연구되었다(Kim et al., 2022). 그러나 MODIS와 MERIS의 공간분해능은 각각 1 km × 1 km, 260 m × 290 m으로 내륙 하천을 모니터링 하기에는 해상도가 낮다. 공간분해능이 높은 Hyperion 및 Sentinel-2 위성은 위성의 재방문주기가 각각 16일, 10일로 시간적인 제약이 있고 구름, 에어로졸 등 대기에 의한 간섭이 커 정기적인 모니터링에 한계가 있다(Moses et al., 2012). 이러한 시간/공간적인 한계점을 보완하기 위해 최근 항공기/드론영상을 통한 녹조 모니터링이 활용되고 있다(Su and Chou, 2015; Pyo et al., 2017; Castro et al., 2020).
현행 조류경보제 기준인 유해남조류 세포수는 샘플링을 통한 직접 계수로 선정되기 때문에 조류발생 상황에 실시간 현황파악이 어렵다. 고유 광학특성을 가지고 있는 Chl-a은 식물성 플랑크톤 및 관련 분해 산물에 의해 원격 반사율 광학 스펙트럼을 사용하여 추정할 수 있는 대표적인 색소로 녹조 발생을 신속히 파악할 수 있는 요소이다(Hunter et al., 2010). 기본적으로 해양에서 Chl-a 농도를 추정할 때는 청색 및 녹색 영역의 반사율을 통해 추정되었다(Gordon and Morel, 1983; O’Reilly et al., 1998). 그러나 내수면에서는 청색 영역에서 흡수하는 성질을 지닌 CDOM (Colored Dissolved Organic Matter) 및 부유물질 등 광학적 복잡성으로 정확한 추정치를 산출하지 못해 CDOM과 부유물질의 흡수가 적은 적색(670-700 nm) 및 근적외선(700-760 nm) 영역의 반사율을 사용한 바 있다(Gitelson, 1992; Dall’Olmo and Gitelson, 2005). 이를 기반으로 Kallio et al. (2001)은 항공기 기반 AISA 데이터의 NIR-red의 반사도와 2 band ratio를 이용하여 핀란드 호수에 Chl-a 농도를 추정하였으며, Li et al. (2010)은 항공기 AVIRIS 및 AISA 초분광 영상 기반 673, 675, 693, 및 704 nm에서의 대역비 알고리즘을 사용하여 Chl-a를 추정하였다. 최근에는 Pyo et al. (2020)이 항공기 AISA eagle sensor 기반 86개 반사대역으로 기계학습 모델을 적용하여 Chl-a를 추정한 바 있으며, Keller et al. (2018)은 초분광 Cubert UHD 285 snapshot sensor 기반 111개 스펙트럼 영역을 사용하여 기계학습 기반의 Chl-a을 추정하였다.
기존 연구에서는 적은 수의 스펙트럼 반사율 데이터를 사용하여 2-band 혹은 3-band 알고리즘을 구축하거나, 많은 스펙트럼 반사율 데이터를 적용하여 기계학습 모델을 기반으로 추정하였다. 그러나 2-band/3-band를 고려하여 Chl-a를 추정할 때 반응할 수 있는 반사 대역은 경험적 알고리즘의 특성상 유역의 대기 보정, 후방 산란 기여도, 특정 흡수계수, CDOM 간섭 및 미립자 부유 물질 흡수 등으로 유역마다 다를 수 있으며(Dev et al., 2022), 많은 대역을 복합적으로 적용하면 모델의 복잡성, 불확실성이 증가하고 과적합이 발생할 수 있다(Šindelář and Babuška, 2004). 또한 국내에서 적용된 Chl-a는 Pyo et al. (2020) 및 Jang et al. (2022)에서 금강 중류에 위치한 백제보를 대상으로 진행되거나 Kim et al. (2017) 등 낙동강 중류에서 진행되는 등 대부분 중류의 국가하천을 중심으로 진행되었다. 하류부에 위치한 간척 담수호 특성상 중류에서의 Chl-a 군집구성이 다를 수 있고(Han et al., 2016), 이에 따라 민감한 반사대역도 달라질 수 있다.
따라서 본 연구에서는 하구 담수호인 남양호를 대상으로 초분광영상 기반 Chl-a를 산정하기 위해 녹조감지에 많이 활용되고 검증된 지역인 백제보의 최적 반사 대역을 비교하고 기계학습을 통한 녹조 모니터링을 알고리즘을 구축하고자 한다. 또한, 구축된 알고리즘을 기반으로 수체 분광특성을 분석하고 Chl-a의 시공간적 분포 변화를 파악해보고자 한다.
2. 재료 및 방법
2.1 대상유역 - 백제보, 남양호
본 연구의 대상유역은 서해 중부지역 경기도 화성시와 평택시 경계에 위치한 남양방조제 설치를 통해 건설된 인공 담수호인 남양호와, 비교를 위해 금강의 홍수조절과 가뭄등과 같은 물안보를 위해 건설된 백제보를 대상으로 하였다(Fig. 1). 백제보 유역의 경우 유역의 크기는 7,976 km2, 하천 폭은 300 m 이며 약 24.2 * 106m3의 물을 저류할 수 있으며 남양호는 각각 209 km2, 900 m (최하류), 약 20.4 * 106m3이다. 두 유역 모두 물의 흐름을 조절해 수위를 높이고 가정, 농업, 산업 지역에 물을 공급하기도 하며 홍수조절을 목적으로 건설된 구조물에 의하여 형성되었다. 하지만 건설 이후 여름철 평균 기온상승, 강우량 감소, 강우 패턴 변화 등으로 인해 조류가 대규모 발생하고 높은 부영양화 정도를 보여 지속적인 조류 모니터링이 필요하다.
2.2 초분광영상과 시료채취 - Hyperspectral Image and Sampling
초분광영상을 얻기 위해 백제보 상류 하천을 대상으로 9회(2016년 4회, 2017년 5회) 촬영, 남양호를 대상으로 7회(2020년 3회, 2021년 4회) 촬영을 실시하였다. 초분광 촬영은 백제보 22 km 상류지점까지 항공기를 이용하였으며, 남양호는 호소 중간에 위치한 장안대교를 중심으로 800 m 구간을 드론으로 촬영하였다. 항공기에 탑재된 초분광센서는 ASIA Aero Survey사의 AsiaFENIX (380 nm~970 nm, 4 nm 간격, 174개 대역)이고, 드론에 사용된 초분광센서는 Headwall사의 Nano-Hyperspec (400~1,000 nm, 2.2 nm, 270개 대역)였다. 획득된 각 영상은 보정 소프트웨어를 활용해 대기, 정사, 방사, 기하보정을 실시하였다. Fig. 2와 같이 드론과 항공기 기반 초분광 반사도의 보정 결과를 나타내었다.
각 유역 초분광 촬영과 동시에 6~20개 지점을 대상으로 Chlorophyll-a (Chl-a), Phycocyanin (PC), Suspended Solids (SS)와 같은 고유 분광특성을 가지고 있는 수질 인자에 대하여 샘플링 및 실험을 통한 현장 측정 자료 획득하였다(Table 1). 각 유역 샘플들의 Chl-a와 PC 농도는 Carry 5000 UV-vis-NIR Spectrophotometer를 이용하여 흡광도를 측정하고 고유 흡광특성을 이용한 식을 활용하여 산정하였으며 남양호 PC 농도의 경우 YSI-EXO 다항목수질측정기를 이용하여 측정하였다(Bennett and Bogorad, 1973)(Eqs. (1) and (2)). 수질인자별 분광특성을 살펴보면, Chl-a는 세균을 제외한 모든 광합성 생물에 존재하며, 특히 수계 환경 내의 식물 플랑크톤 세포에서 많이 분포하고 있다. 어류 및 해양 생물에게 식량을 제공하며 수질 및 생태모델링에서 일반적으로 사용되는 요소이기도 하다. 때문에, 하절기 높은 온도와 부영양화된 하천에서 식물 플랑크톤이 대량 발생하게 되면 Chl-a의 농도가 상승하게 되어 조류의 대표 수질 항목으로 사용되며 670-700 nm 강하게 빛을 흡수하는 분광특성이 있다(Kallio et al., 2001). PC는 남조류의 고유 색소로 주로 남조류의 탐지 농도 산정 지표로 활용되며, 특유의 밝은 파란색을 띄우고 있고 620 nm 초반대의 적색 빛을 흡수하고, 650 nm 부근의 빛을 방출하는 고유분광특성을 가지고 있다(Dekker, 1993, Mishra et al., 2009). SS는 부유 입자들에 의한 빛의 산란효과로 Red-Edge 영역인 700-750 nm에서 높은 반사율을 보이는 특징이 있다(Liu et al., 2017).
Table 1.
Descriptive statistics of water quality in the Baekjae Weir (BJW) and the Namyang Reservoir (NYR)
여기서, a(x)는 x 파장의 흡광도, V1은 상층액의 양(ml), V2는 여과한 시료의 양(L)이다.
2.3 Chlorophyll-a 모델 개발
2.3.1 입력자료 구축
Chl-a 산정 모델의 입력자료는 유역별 초분광반사도에서 각각 30개의 파장대를 선정하였다. 초분광반사도 자료에는 많은 양의 데이터를 포함하고 있어 적은 양의 입력자료에서는 오히려 모델의 성능을 감소시킨다(Sun and Du, 2019). 따라서, 특정 응용 분야에서 초분광영상을 통해 추정이나 분류를 하고자 할 때, 가장 유용한 정보를 유지하면서 스펙트럼 대역 수를 줄이는 방법인 Band selection 사용하는 경우가 많다. 또한, 입력자료에서 Chl-a와 관련 없는 변수를 제거하고 관련성이 높은 변수를 제공해 산정하여 예측 알고리즘의 성능을 최대 정확도를 제공한다(Guyon and Elisseeff, 2003). Band selection에는 random forest 기반의 Permutation Importance를 활용하였으며, 과적합 방지를 위해 입력자료를 70, 30%로 나누어 모델에 적용하였다. Permutation Importance는 입력 요소별로 순서를 변경해 요소가 모델의 성능에 얼마나 기여하는지를 평가하고 각 요소별로 가중치를 산정한다 (Fisher et al., 2019)(Eq. (3)). 가중치의 값은 양수의 값을 가질수록 모델 성능에 큰 영향을 가지며 0 혹은 음수의 값을 가지면 영향이 없다고 판단한다.
2.3.2 Machine Learning
기계학습(Machine Learning)은 인공 지능의 한 분야로, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야로 최근 기계학습을 기반으로 하는 예측 모형이 모든 분야에서 데이터의 활용 가능성을 높여주고 있다. 본 연구에서는 초분광영상으로부터 Chl-a를 산정하기 위해 생물학의 신경망에서 영감을 얻은 통계학적 알고리즘인 Artificial Neural Network (ANN)을 활용하였다. ANN은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런이 학습을 통해 시냅스간의 결합 세기를 변화시키며 최적화하는 모델이며, 일반적으로 특정 개수의 노드(Node)로 구성된 입력, 은닉, 출력 레이어(Input, hidden, output layer)와 레이어 사이의 활성함수(Activation function)와 가중치(Weight)로 구성되어 있다. 각 유역별 Chl-a 산정을 위한 ANN의 구조와 Hyperparameter 최적화는 부족한 입력자료의 개수를 고려하여 입력변수를 임의로 변경한 50개 데이터세트에 대해 반복학습을 실시하여 구조 및 Hyperparameter에 대한 Overall 성능을 평가한 후 평균성능이 가장 뛰어난 조합을 선정하였다. 입력자료의 경우 전체 데이터의 70%를 학습자료(Training and Validation), 30%를 검증자료(Test)로 활용하였으며 Hyperparameter 최적화는 레이어와 노드 개수, 활성함수, 배치크기, 반복횟수(Epoch)에 대하여 실시하였다(Fig. 3).
2.3.3 모델 성능평가
개발된 모델의 성능은 결정계수(Coefficient of determination, R2), 평균제곱근오차(Root Mean Square Error, RMSE)와 평균절대오차(Mean Absolute Error, MAE)를 이용하여 평가하였다(Eqs. (4)~(6)).
여기서, 는 관측값, 는 추정값, 는 관측값의 평균 그리고 는 추정값의 평균이다. R2는 0~1 사이의 값을 가지며, 1에 가까울수록 관측값 대비 모델의 결과가 잘 모의하고 있음을 나타낸다. MAE와 RMSE는 각각 절대오차와 제곱근오차의 평균으로 머신러닝 모델의 정확도를 측정할 때 사용하는 대표적인 지표로 0에 가까울수록 모델의 정확도가 높음을 의미한다.
3. 결과 및 고찰
3.1 Permutation importance를 이용한 입력파장 선별
연구 대상지역인 백제보와 남양호의 초분광자료에서 400-800 nm 구간의 초분광영상에서 Machine Learning 기반의 Chl-a 산정을 위한 입력자료 구축을 위해 Permutation Importance를 적용하였다. 부족한 데이터 개수에 따른 과적합을 방지하기 위해 무작위로 50회 학습과 검증자료를 추출하여 반복 적용 후 최다 선정된 상위 30개 밴드를 선택하였다(Table 2).
백제보 초분광반사도에서 400-460, 490-530, 620-680, 710-730, 760-790 nm 구간의 파장이 주요 입력변수로 산정되었다. 반면 남양호는 400-430, 655-680, 740-780 nm 세 구간의 파장이 선정되었다. 기존 Chl-a 선행 연구에서는 주로 660-670, 700-730, 740-760 nm 부근의 파장을 활용하는데 백제보의 경우 고농도 PC와 부영양화의 영향으로 620 nm 인근의 파장과 400-500 nm 인근 파장이 추가 선정되었다(Dekker, 1993; Sun et al., 2009). 반면 남양호는 백제보와는 달리 낮은 PC 농도로 인해 600 nm 인근 구간의 파장대는 주요 변수로 선택되지 않았으며 크게 Chl-a, SS 농도와 상관성이 높은 구간의 파장이 추가로 선정되었다(Liu et al., 2017). 각 유역별로 선정된 파장의 값을 추출하여 Standard scaler를 이용하여 표준화 후 Chl-a 산정을 위한 ANN 모델의 입력자료로 활용하였으며, 종속변수인 Chl-a는 최솟값과 최댓값을 이용하여 정규화 후 활용하였다.
Table 2.
Selection of hyperspectral reflectance bands using permutation importance in the Baekjae Weir (BJW) and the Namyang Reservoir (NYR)
3.2 Chlorophyll-a 산정
각 유역별 Permutation Importance를 이용해 선정된 파장대를 입력자료로 하는 ANN 기반의 Chl-a 산정 모델을 위해 ANN의 구조와 Hyperparameter 최적화를 실시하였으며, 부족한 입력자료의 개수를 고려해 무작위 50개 데이터 세트에 대해 평균성능이 가장 뛰어난 구조의 Hyperparameter를 선정하였다(Table 3).
백제보 Chl-a 산정모델의 경우 60개의 뉴런을 가지고 있는 Hidden layer 1개, Output layer 1개로 구성되었으며 relu 활성함수를 가지는 단일 구조의 모델이며 batch size는 10, 반복횟수는 1,000, 학습률은 0.001, 남양호 모델은 각각 뉴런 66, 12개를 가지고 있는 Hidden layer 2개, Output layer 1개로 구성된 다층 구조이며 각 layer의 활성함수는 relu, batch size는 6, 반복횟수는 500, 학습률은 0.001로 Hyperparameter가 최적화되었다. ANN 모델의 최적화 이후 구조와 Hyperparameter를 적용하여 각 유역별 Chl-a 산정 모델을 다시 학습시켜 모델의 성능을 평가하였다(Table 4 and Fig. 4).
두 호소의 Chl-a 산정 모델은 학습에서 R2, RMSE, MAE가 각각 0.610-0.712, 8.363-10.962, 5.417-7.864의 범위를 보이며, 검증에서도 각각 0.576-0.701, 10.087-14.424, 7.743-10.883을 보였다. 그리고 산점도그래프에서 관측과 산정값이 대체로 1:1 선형관계를 보여 ANN기반의 Chl-a 산정모델이 유의한 성능을 가지는 것으로 분석된다. 두 모델의 성능을 직접 비교해보면, 남양호가 통계적으로 우수하게 나타났으나 일부 저농도(40 mg/L) 구간에서 추정성능이 저하되는 것에 비해 백제보 모델은 관측을 실시한 전 구간의 농도를 잘 모의하고 있다. 이러한 모델 간 성능 차이는 드론 기반의 초분광영상이 촬영고도, 초분광센서의 성능, 샘플링과 영상촬영간의 시간차 등으로 인해 항공기 초분광영상에 비해 좋은 성능을 보이는 것으로 판단된다. 백제보는 남조류로 인한 고농도 PC로 인한 수질인자간 반사도 간섭으로 인해 성능이 상대적으로 감소한 것으로 추정된다. 또한 ANN의 구조에 따라 남양호는 다층 구조 모델이 백제보의 단층구조보다 복잡한 반사도 값을 처리하는데 이점이 있으나, 부족한 저농도 데이터를 학습에 영향을 준 것으로 분석된다.
Table 3.
Hyperparameter optimization results in the Baekjae Weir (BJW) and the Namyang Reservoir (NYR)
| Layer | Front node | Last node | Activation Function | Batch size | Epoch | Learning rate | |
| BJW | 2 | 66 | relu | 10 | 1,000 | 0.001 | |
| NYR | 3 | 66 | 12 | relu | 6 | 500 | 0.001 |
Table 4.
Optimized artificial neural network performances for estimating the Chl-a concentrations during the training, validation, and test steps in the Baekjae Weir (BJW) and the Namyang Reservoir (NYR)
| Station | Training | Validation | Test | ||||||
| R2 | RMSE | MAE | R2 | RMSE | MAE | R2 | RMSE | MAE | |
| BJW | 0.712 | 8.893 | 5.417 | 0.61 | 10.027 | 7.573 | 0.576 | 10.087 | 7.743 |
| NYR | 0.883 | 10.962 | 7.864 | 0.888 | 8.363 | 6.678 | 0.701 | 14.424 | 10.883 |
Fig. 4.
Comparison of the Chl-a concentrations between the estimated and observed values in the optimized artificial neural network (ANN) model during the training step (black-closed circle), the validation step (blue-closed circle), and the test step (red-closed circle) in the Baekjae Weir (BJW) and the Namyang Reservoir (NYR)
3.3 Chlorophyll-a 공간분포
개발된 Chl-a 산정 모델을 이용하여 백제보(Fig. 5) 및 남양호(Fig. 6) 내 Chl-a 농도분포의 시공간적 변화를 확인하였다. 먼저, 백제보 분포변화는 조류 농도가 높게 관측되는 일자에는 고농도 Chl-a가 백제보 인근에 넓게 위치하며 단면적 변화에 따른 유속 변화로 단면이 크고, 하천 중심이 아닌 경계에 고농도의 Chl-a가 위치하고 있다. 또한, 상류 내 2개의 지류의 영향과 보에 접근하면서 유속이 감소하는 구간에서 높은 농도를 보인다. 보에 가장 근접한 구간은 백제보 발전용 취수문 개방에 따라 보의 좌측에 위치한 수문개방에 따른 흐름을 따라 농도의 변화가 관측된다. 남양호 농도 분포는 백제보와 달리 전반적으로 넓은 영역에 조류가 분포해 있으며, 지류하천의 합류이후 유속감소에 따라 농도가 증가하는 것을 관측할 수 있고 띠 형태의 조류 분포를 관측할 수 있다.
일자별 변화를 살펴보면 2016년의 백제보 Chl-a는 8월에 높은 농도로 분포하던 Chl-a 농도가 9월 이후부터 35.3에서 27.0℃의 급격한 기온감소와 강수에 의한 씻김효과로 백제보 상류 전 영역에서 감소하는 패턴을 보였으며, 2017년은 온도감소에 따라 감소하던 Chl-a 농도가 10월 이후 다시 증가하는 추세를 보였다. 이는 N/P 비율과 온도변화에 따른 백제보 수체에 존재하는 조류의 우점종의 변화에 의한 것으로 판단된다(Ahn et al., 2013). 2020년 남양호도 동일하게 기온 감소(19.5℃에서 8.5℃)에 의해 Chl-a 농도가 감소하였으나, 2021년의 경우 33.7℃에서 16.3℃로 큰폭으로 감소하였으나 농도분포에 큰 변화는 관측되지 않았다. 이는 호소 특성상 체류시간이 길어 10월 말까지 높은 Chl-a 농도가 유지되며, 백제보보다 강수나 온도변화에 영향을 덜 받는 것으로 사료된다(Fig. 7).
4. 요약 및 결론
최근 하구 담수호에서 효율적인 녹조관리를 위해 지속적인 수질 모니터링을 필요로 하고 있다. 하지만 현재 수질측정망에서 제공하는 Chlorophyll-a (Chl-a) 농도의 경우 월별 특정 지점에서 샘플링한 농도의 값을 호소 대표값으로 표기하고 있어, 실제적인 호소의 녹조 상황을 반영하지 못하고 있다. 이에 본 연구는 항공기, 드론기반의 초분광영상을 활용하여 Chl-a의 모니터링을 실시하였으며 연구결과는 다음과 같다.
1) 2016~2017년 백제보, 2020~2021년 남양호 총 17회의 초분광촬영을 실시하였으며, 각 일자에 대하여 시료채취를 통해 수질자료를 구축하였다. 남양호의 Chl-a와 Suspend Solid 평균농도는 59.3, 17.5 mg/L로 백제보 평균농도 25.2, 13.2 mg/L보다 높게, Phycocyanin 평균농도는 2.9 mg/L로 백제보(11.6 mg/L)보다 낮게 측정되었다.
2) Chl-a 산정모델의 입력자료 구축을 위해 시료를 채취한 위치의 초분광 반사도에서 Permutation Importance 기법을 이용해 Chl-a와 관련이 높은 30개의 파장을 산출하였고 그 결과 백제보는(400-460, 490-530, 620-680, 710-730, 760-790 nm, 남양호는 400-430, 655-680, 740-800 nm 반사도 영역이 주요하게 산정되었다. 유역별 반사도영역의 차이는 수질, 기상 초분광 센서, 촬영방식 등과 같은 차이에 의한 영향으로 발생한 것으로 판단된다.
3) Artificial Neural Network (ANN)과 유역별 30개의 파장을 이용해 유역별 Chl-a 산정 모델을 개발하였으며 각 백제보, 남양호 Chl-a 모델은 유의미한 성능(R2: 0.63, 0.82, RMSE: 9.669, 6.991, MAE: 11.250, 8.475)을 보였다. 학습된 모델을 이용해 백제보와 남양호의 Chl-a 시공간적 분포변화를 추정하였으며 시공간적 Chl-a의 농도변화 분석결과 일자에 따른 온도변화가 가장 중요한 요소였으며 기상학적 요소 외에도 수리학적 요소, 지류와 같은 지리적 요소에도 영향을 받아 다양한 형태로 분포하는 것으로 판단된다.
본 연구에서 제시한 담수호의 주요 반사영역 선정 및 ANN을 통한 Chl-a 모델 산정 결과를 통해 추후 공간적으로 가장 높은 농도를 가진 좌표 혹은 지점을 출력할 수 있다. 이러한 모니터링 기술은 PID 동작제어 기반 무인항법 자율이동 수질관리 장치를 통해 설정된 좌표에 약품 살포 등의 수질 저감 기술을 도입할 수 있어 녹조 발생 시 최적 관리를 위한 도구로 활용될 수 있다. 다만, 본 연구의 모델을 유역별 산정모델로 활용하기 위해서는 두 유역에서 산정된 파장을 동시에 고려한 범용성있는 Chl-a 산정 모델의 개발과 추가적인 데이터 확보가 필요하고, 고비용의 항공과 드론영상 대신 다분광, 레이더 기반의 위성자료을 통한 광범위 농도산정과 현행 조류경보제인 유해남조류 세포수를 고려하기 위해 Phycocyanin농도의 사용을 추가적으로 고려해야한다.
