1. 서 론
2. 연구 대상지역 및 활용자료
2.1 연구 대상 지역
2.2 위성 영상 자료 수집 및 전처리
3. 수체 변화 모니터링 기법
3.1 광학 기반 분광특성을 고려한 수체분석
3.2 SAR 기반 후방산란계수를 활용한 수체분석
4. 적용 및 결과
4.1 시계열 수체 변화 분석
4.2 계절별 수체 변화 분석
4.3 수표면적 대비 수체 분류 정확도 평가
5. 결 론
1. 서 론
다목적댐, 저수지, 하천 등 수리시설물의 용수공급 능력은 가뭄 및 홍수와 같은 극한 수문 재해에 대한 사회·경제적 회복력을 대변한다(Murgatroyd et al., 2022; Sun et al., 2023). 또한 수리시설물에서 수체의 수위 및 저수량 감소와 같은 물리적 변화는 가뭄의 발생 및 상황을 진단하고 예측하는 데 핵심적인 지표로 활용된다(Herbert and Döll, 2023). 최근 기후변화와 인위적 취수 증가로 대규모 댐, 저수지의 저수량 지속 감소가 광범위하게 나타나고 있으며, 위성 관측 기반 전 지구 분석에서 1992-2020년 동안 조사 대상의 53%에서 저장량 감소 추세가 확인되었다(Yao et al., 2023). 이는 농업·수생태·에너지 부문에 직접적인 영향을 미치므로 저수지 수체의 시공간 변동을 모니터링 하는 체계가 요구된다.
위성영상 기반 광학 센서는 분광대역을 결합한 지수 기반 방법을 통해 수체·비수체를 구분하며, 수표면적의 시계열 변화는 가뭄에 따른 저수량 감소를 진단하는 직관적 지표로 쓰인다(Huang et al., 2018; Qin et al., 2021; Alahacoon and Edirisinghe, 2022; Li et al., 2022). Lee et al. (2020)는 농업용 저수지 가용수량 추정을 위해 정규수분지수(Normalized Difference Water Index, NDWI)를 통한 수표면적의 시계열 변화를 분석하였으며, 수위-내용적 곡선을 이용한 저수율 추정을 통해 약 0.8 이상의 R2 결과를 도출하였다. Jiang et al. (2021)은 중국의 주요 호수 4곳을 대상으로 Sentinel-2 영상 이미지를 활용하여 다양한 유형의 수체를 분류하고 물의 탁도를 분석하였다. 분광특성 조합을 통해 NDWI를 산정하였으며, Otsu 알고리즘과 결합하여 개선된 수체 추출 정확도를 제시하였다.
합성개구레이더(Synthetic Aperture Radar, SAR)는 전파의 반사율인 후방산란계수(dB)를 이용하여 다양한 표면 특성에 따라 다르게 나타나는 전파의 강도를 통해 수체를 표현한다. 능동형 마이크로파 특성상 주야·전천후 관측이 가능하고 수면의 정반사로 인한 낮은 후방산란 특성을 이용하여 수체를 안정적으로 탐지할 수 있으며, 연속 시계열 수체 모니터링에 활용되고 있다(Guo et al., 2022; Tarpanelli et al., 2022; Pech-May et al., 2023). Kavats et al. (2022)는 이진화 알고리즘을 통해 SAR 이미지를 수체·비수체로 구분하였으며, NDWI와 비교하여 소규모 수체에 대한 감지 및 분류 정확도가 높다는 결과를 제시하였다. 또한, SAR 이미지 분할을 통해 수체 추출 및 저수량 파악을 위한 여러 연구들이 진행되었으며, Chan-vese 방법이 가장 높은 정확도를 도출하였다(Yu et al., 2016; Jeong et al., 2022).
최근에는 Google Earth Engine (GEE) 플랫폼을 활용하여 Landsat, Sentinel 등 다양한 영상 자료를 클라우드 기반으로 효율적인 수집, 전처리, 시계열 분석을 수행하고 있다. GEE는 방대한 글로벌 위성 자료에 대한 접근을 용이하게 하고, 다중 해상도 지표 기반 시계열 분석을 자동화할 수 있어 다양한 연구에 사용된다(Johary et al., 2023; Lu and Sun, 2023; Cho and Noh, 2024; Lee et al., 2025). 본 연구에서는 수자원량 변화 및 감시에 대한 주요 지표인 수체를 주기적이고 객관적으로 관찰할 수 있도록 GEE를 이용하여 광학 및 SAR 영상 기반 다양한 수체 탐지 및 분석 방법을 제시하며, 저수지 규모에 따른 방법론의 결과를 분석하고자 한다. 광학 및 SAR 영상 취득이 가능한 Sentinel 영상을 활용하였으며, 사용된 방법론은 광학 기반 NDWI, Modified-NDWI (MNDWI)와 SAR 기반 Kittler-Illingworth (KI), Chan-Vese (CV), K-Means clustering (KM)을 활용하였다. 시계열 수표면적 분류를 통해 저수지 수체를 탐지하고 탐지 성능을 정량적으로 평가하고자 한다.
2. 연구 대상지역 및 활용자료
2.1 연구 대상 지역
본 연구는 한국농어촌공사가 관리하는 경기도 안성시 소재 금광 및 마둔 저수지를 연구대상으로 선정하였다(Fig. 1). 두 저수지는 상호 근접하여 위치하며, 관개시설과 배수 체계가 정비되어 농업용수의 계획적 관리가 이루어지고 있다. 또한, 각 저수지에는 자동수위계측기가 설치되어 있어 저수지 기본 제원과 함께 일 저수율 및 내용적의 시계열 자료를 확보하고 있으며, 주요 제원은 Table 1과 같이 제시하였다. 금광·마둔 저수지는 농업용 저수지로서 저수지 규모 측면에서 금광 저수지는 유효저수량이 약 1,200만 톤으로 대규모 농업용 저수지에 해당하고, 마둔 저수지는 유효저수량 약 470만 톤으로 중규모 농업용 저수지로 분류된다.
Table 1.
Overview of the target reservoir specifications
| Type | Reservoir | |
| Geumgwang | Madun | |
| Watershed area (ha) | 4,830 | 1,240 |
| Water surface area (ha) | 138 | 46 |
| Effective storage capacity (1,000 m3) | 12,047 | 4,707 |
| Total storage capacity (1,000 m3) | 12,095 | 4,724 |
2.2 위성 영상 자료 수집 및 전처리
위성 영상 자료를 활용한 수체 탐지 및 변화 모니터링을 위하여 Sentinel 영상 이미지를 이용하였다. Sentinel은 위성 종류에 따라 광학(Sentinel-2), SAR (Sentinel-1) 영상을 모두 제공하며, 목적에 따라 다양한 전처리와 분석 기법을 적용할 수 있다는 장점을 지닌다(Dagne et al., 2023; Cardona-Mesa et al., 2024). 광학의 경우 GEE 상에서 Sentinel-2 지표반사율 시계열을 구축하고, 구름 및 그림자 마스킹을 통해 품질을 향상시켰다.
SAR의 경우 열잡음보정, 방사보정, 지형보정과 후방산란 값 스케일 변환 등을 수행한 Ground Range Detected (GRD) product를 제공하며, 본 연구에서는 GRD product에서 제공하는 Interferometric Wide (IW) 취득 모드의 VV 편광을 채택하였다. IW는 주로 수문학 및 재난 관리 분야에서 널리 활용되며, C-band에서 정반사 특성으로 낮은 후방산란을 나타내 주변 육상 피복과의 대비가 커 수체 경계 추출에 유리한 특성을 보인다(Garg et al., 2024). 기본 전처리에 더해, 입사각 표준화로 각도 의존성을 보정하고, Refined Lee 필터를 적용하여 스펙클 노이즈를 저감하였다.
3. 수체 변화 모니터링 기법
3.1 광학 기반 분광특성을 고려한 수체분석
Sentinel-2 광학 영상은 Green, Near-Infrared (NIR), Short Wavelength Infrared (SWIR) 등 분광대역을 활용하여 지수 기반 지표면의 수분함유량을 파악한다. 정규수분지수 NDWI는 NIR 파장에서 지상의 식생 및 토양 특성에 대한 반사율을 최소화하며, Green 파장에서 수체의 일반적인 반사율을 최대화하여 높은 수분함유량을 산정한다(McFeeters, 1996). MNDWI는 NIR 파장 대신 SWIR 파장을 활용하며, 인공구조물 및 비수체가 많은 환경에서 높은 신뢰도를 보여준다(Xu, 2006). 두 지수는 다음 Eqs. (1) and (2)와 같이 산정하였다.
Green, NIR 파장은 10 m 공간해상도, SWIR 파장은 20 m 공간해상도를 가지고 있으며, 해상도 차이를 고려하여 SWIR 파장을 리샘플링하여 10 m 공간해상도로 지수를 산정하였다.
본 연구에서는 Sentinel-2 광학 영상 기반 NDWI 및 MNDWI를 통해 수체를 정밀하게 분석하기 위하여 DeepLab V3+ 모델을 적용하였다. DeepLab V3+는 다중 스케일 특징 추출과 Encoder-Decoder 구조를 통해 수체 경계의 공간정보를 효과적으로 복원할 수 있으며, 이는 소규모 저수지를 포함한 다양한 수체 유형 탐지에 적합하다(Sun et al., 2024). GEE를 활용하여 산정한 지수를 기반으로 사전 학습된 ResNet-18을 백본으로 하여 DeepLab V3+ 이미지 분할 모델의 가중치를 초기화하였다. 학습 자료는 2015년 12월부터 2020년 12월까지 수집한 86장의 영상으로 구성하였다. 또한, 2015년 12월부터 2018년 12월까지 46장은 학습 자료, 2019년 1월부터 12월까지 22장은 검증 자료, 2020년 1월부터 12월까지 18장은 테스트 자료로 활용하였다. 실제 학습 자료는 데이터 증강을 적용하여 총 366장의 학습 샘플을 확장하였다. 최적화는 Stochastic Gradient Descent with Momentum (SGDM)을 사용하였고, Learn Rate Drop Period와 Learn Rate Drop Factor를 각각 10, 0.3으로 설정하여 주기적으로 학습률을 감쇠시키며 학습을 진행하였다.
3.2 SAR 기반 후방산란계수를 활용한 수체분석
3.2.1 Kittler-Illingworth (KI)
후방산란계수를 활용한 수체 탐지 방법의 경우 가장 일반적으로 히스토그램을 활용한 이진화 알고리즘을 적용한다. 수체와 비수체가 서로 다른 분포를 가지면서 이들을 구별할 수 있는 기준을 찾을 수 있으며, 후방산란 값을 기반으로 히스토그램을 생성하여 값의 분포를 시각적으로 확인하고 이진화를 통해 최적의 임계값을 자동으로 계산할 수 있다. Kittler- Illingworth (KI)는 히스토그램에서 두 클래스를 가우시안 분포로 가정하여 최적의 임계값을 찾는 방법이다(Kittler and Illingworth, 1986).
본 연구에서는 KI 임계값 산정을 다음 순서로 구현하였다: (1) SAR 이미지 밝기값에 대해 256개의 bin 수에 해당하는 히스토그램 계산, (2) 각 밝기값에 대한 누적확률과 선·후 누적 평균 및 분산을 산정, (3) 밝기값마다 KI 기준함수를 평가하여 최솟값을 주는 밝기값을 임계값으로 선택, (4) 선택된 임계값과 영상값을 비교하여 True/False로 이진 분류하였다.
3.2.2 Chan-Vese (CV)
Chan-Vese (CV) 모델은 경계의 기울기(edge)에 의존하기보다는 영역 내부 및 외부 픽셀의 분포를 기반으로 객체를 탐지하는 객체탐지 기반 영상분할 기법이며, Active contour model 기반의 이미지 세분화 알고리즘이다(Chan and Vese, 2001). SAR는 경계가 불명확하거나 픽셀 값이 점진적으로 변화하는 장면이 빈번하므로, 내·외부 영역의 평균 강도 차이를 활용하는 CV 모델이 경계가 약한 수체의 분할에 유용하다.
본 연구에서는 SAR 이미지를 [0, 1] 범위로 정규화한 후 CV 세분화 알고리즘을 적용하였다. 초기 윤곽선 설정에 따른 민감도를 고려하여, 평활화와 전경 및 배경 픽셀의 모델링 강도를 조정하고 최대 반복 횟수와 수렴 기준을 설정하여 분할을 수행하였다. 최종 산출물은 전경(수체)과 배경(비수체)을 구분하는 이진 마스크로 표현하였으며, True/False 배열로 저장하였다.
3.2.3 K-Means clustering (KM)
클러스터링(Clustering) 방법은 영상 특성에 따라 특정 클러스터로 분류하는 인공지능 기반 비지도 학습 기법이며, 사전에 특정 라벨링을 하지 않아도 수체를 자동으로 식별하고 분할하는 데 효과적이다. 각 클러스터의 분산이 클 때 정확한 결과의 도출이 어렵다는 한계를 가지고 있지만, 후방산란 값의 분포가 수체·비수체의 특징을 잘 반영하므로 클러스터링에 대한 활용성이 높을 것으로 판단된다. 이에 본 연구에서는 K-Means clustering (KM)을 활용하였다. SAR 이미지를 2D 배열 형태로 변환하여 각 픽셀의 값을 KM에 입력하여 클러스터링을 수행하였으며, 클러스터 수는 2 (수체, 비수체)로 설정하였다.
4. 적용 및 결과
4.1 시계열 수체 변화 분석
4.1.1 광학 기반 수체분석
본 연구에서 제안한 학습 모델의 성능은 Fig. 2와 같으며, 최종 분류 정확도는 99.05%, 최종 손실은 0.02로 나타났다. 모델의 공간 분할 적합도는 Intersection over Union (IoU)로 검증하였고, 저수지 규모가 더 큰 금광 저수지에서 NDWI 기준 IoU가 상대적으로 높게 나타났다. 이는 대규모 수체의 경우 경계 부근의 소규모 분류 오차가 전체 면적 대비 차지하는 비중이 작아져 IoU가 상승한 것으로 해석된다. MNDWI를 기준으로 산정한 IoU도 약 0.8 및 0.7 수준으로 양호한 적합도를 보였으나, NDWI 대비 일관되게 낮아 상대적 적합성은 떨어졌다.
학습된 모델을 2020년 자료(테스트 18개)에 적용하여 저수지 수표면적의 시계열을 산정하였다(Fig. 3). 저수지 수표면적의 경우 수위-내용적 곡선을 통해 일 수위를 면적으로 환산하여 영상 기반 수표면적과 비교할 수 있도록 활용하였다. 금광 저수지에서는 NDWI 기반 추정치가 관측면적과 대체로 유사한 변화 추세를 보였다. 다만 수위 감소 구간에는 괴리가 커졌고, 이 구간을 포함한 전체 평가에서 결정계수 R2는 0.5, 평균제곱근편차 RMSE는 10.7 ha로 나타났다. MNDWI는 보수적 탐지 특성으로 시계열 변화 폭이 과도하게 완만하게 나타나 실제 증감 구간의 변동성이 충분히 포함되지 않았고, R2는 0.4, RMSE는 17.3 ha로 NDWI 대비 오차가 컸다.
마둔 저수지에서도 NDWI는 전체적으로 관측과 유사한 시계열 패턴을 보였으나, 9월 이후 수위 감소 구간에 면적 차이가 커졌다. 해당 기간을 포함한 평가에서 R2는 0.5, RMSE는 4.5 ha였다. 반면 MNDWI는 9월 이후 급감 구간을 거의 반영하지 못하였고, 다른 구간에서도 괴리가 크게 관찰되었다. 그럼에도 R2는 0.6으로 설명력은 더 높았으나, RMSE는 10.1 ha로 절대오차가 커 예측의 실용성은 NDWI보다 낮은 것으로 판단된다.
두 저수지 모두에서 NDWI 기반 추정이 MNDWI 대비 실제 면적 변화를 더 잘 재현하고, 오차가 더 작아 상대적으로 우수한 성능을 보였다. 다만 공통적으로 수위 감소 구간에서 면적 감소를 충분히 반영하지 못하는 한계가 확인되어, 시기별 임계값 조정·혼합픽셀 처리·형태학적 후처리 등의 보정이 필요하다.
4.1.2 SAR 기반 수체분석
SAR 영상을 활용한 시계열 KI, CV, KM 결과는 2015년부터 2023년까지의 기간에 대해 Fig. 4와 같이 제시하였다. 금광 저수지는 9년간 536일(KI의 경우 427일)에 대한 면적 변화를 평가하였고, 마둔 저수지는 531일(KI의 경우 357일)을 대상으로 분석하였다. 금광 저수지의 경우 NDWI 기반 추정치와 비교하여 수위 증감에 따른 면적 변화 패턴이 대체로 유사하여 KI, CV, KM의 R2 값이 각각 0.8, 0.7, 0.5로 상대적으로 높은 설명력을 보였다. 다만 2017년 여름철 급격한 수위 감소 구간에 대한 변화를 충분히 반영하지 못하였으며, 만수면적 산정의 차이로 인해 절대적 면적 오차가 크게 나타났다. 이에 따라 RMSE 값은 각각 39.4 ha, 33.5 ha, 42.9 ha로 크게 나타나면서 NDWI 결과와 비교하여 큰 오차가 나타났다.
마둔 저수지는 금광 저수지 결과와 비교하여 SAR 기반 면적이 실제 면적 변화와의 불일치가 상대적으로 커 R2 값이 각각 0.3, 0.4, 0.3으로 낮게 나타났다. 2017년 급격한 수위 감소 구간을 적절히 반영하지 못했을 뿐 아니라, 만수위 유지 구간에서도 잦은 면적 변동이 관찰되어 설명력이 저하된 것으로 판단된다. RMSE 값은 12.8 ha, 7.6 ha, 11.6 ha이며, 광학 영상 기반 결과와 비교하여 CV를 제외하면 MNDWI의 RMSE보다 크게 나타났다. 이는 만수면적 기준의 체계적 편차와 전반적인 면적 추정 정확도가 낮아진 데 기인한다.
SAR 기반 만수면적과 실제 만수면적이 큰 차이를 보이는 이유는 실제 수표면적의 경우 계측 수위자료와 수위-내용적 곡선 기반 면적 변환을 통해 산정된 결과를 활용하며, 이러한 변환 과정에서 오류가 있을 수 있다(McMahon, 2009). 수위-내용적 곡선은 만수위를 기준으로 최대 만수면적이 나타나며, 수위가 더 높아질 경우 일반적인 저수지의 자연월류식 물넘이 구조로 인해 홍수위 수준의 수표면적에 대해서는 취급하지 않기 때문에 위성영상을 활용한 최대 수표면적과 차이가 크게 발생할 수 있다(Lee et al., 2025).
SAR 기반 수표면적 산정에서는 CV가 R2와 RMSE 간의 균형이 가장 우수하였다. CV는 금광, 마둔 두 저수지 모두에서 동일 조건의 SAR 입력 하에 가장 낮은 RMSE를 지속적으로 보였으며, 수위 증감 및 만수 유지 구간에서도 과도한 면적 변동을 억제하여 시계열 안정성이 높았다. KI의 경우 2017년 여름철 면적이 극심하게 감소하는 시기에 대한 결과가 누락되었으며, KM은 해당 경향을 전혀 반영하지 못하였다. 광학 기반 NDWI는 더 작은 RMSE 값을 제공하지만, 구름·관측 공백 등으로 인한 시계열 단절 문제가 상존하면서 수체 변화에 대한 모니터링 측면에서 한계가 나타났다. 절대오차 최소화가 우선인 단기 평가에서는 NDWI가 유리할 수 있으나, 연속 관측 및 운영실용성 측면에서는 SAR 기반 추정 방법이 합리적인 것으로 판단된다.
4.2 계절별 수체 변화 분석
광학 및 SAR 기반 수표면적을 추정한 결과, 수위 감소 구간에서 면적 변화를 충분히 반영하지 못하는 경향이 확인되었다. 이에 대한 보완적 해석을 위하여 Table 2와 같이 계절별 수표면적 변화를 제시하였다. 논 작물 생장을 위해 관개가 이루어지는 봄·여름철 5월부터 7월까지를 수위 감소 구간(Decline), 완전낙수 이후 저수량이 회복하는 가을철 9월부터 11월까지를 수위 상승 구간(Rise), 만수위가 유지되는 겨울철 12월부터 2월까지는 수위 유지 구간(Full)으로 정의하였다. 시계열 평가 및 모니터링 측면에서 활용성이 높은 SAR 기반 추정 방법(KI, CV, KM) 중심으로 결과를 나타내었다.
Table 2.
Seasonal variations in water surface area derived from SAR-based methods
KI는 수위 감소 및 상승 구간에서 R2는 0.8 이상으로 높은 값을 나타내었다. 다만 2015·2016· 2017·2019년 등 여름철 중심의 극심한 수위 감소 구간에 대한 결과가 일부 포함되지 않았으며, 해당 구간의 영향이 충분히 반영되지 않음에 따라 높은 R2 값이 도출된 것으로 판단된다. CV는 수위 감소 구간에서 R2는 0.4 수준으로 높지 않은 값을 보였으며, 수위 상승 구간에는 금광 저수지 0.8, 마둔 저수지 0.5로 산정되었다. KM의 경우 마둔 저수지 수위 감소 구간에서 R2는 0.3으로 CV 결과와 유사한 수준이며, 마둔 저수지에서 상대적으로 높은 경향을 보였다. 반면 금광 저수지에서는 전반적으로 낮은 R2가 산정되었다.
구간별로 보면 수위 상승 구간에서 전반적으로 R2가 상대적으로 높게 나타났고, 수위 감소 및 유지 구간에서는 R2가 낮아지는 경향을 보였다. 특히 수위 유지 구간에서는 SAR 기반 추정치가 변화 폭을 보이는 반면 실제 관측 면적은 만수면적이 일정하게 유지되어 두 결과 간 차이가 발생하였다.
4.3 수표면적 대비 수체 분류 정확도 평가
수위-내용적 곡선으로부터 산정한 계측 수위 기반 만수면적과 SAR 기반 만수면적 간에 유의한 차이를 보이며, 이에 따라 단순 만수면적 비교에 의존하지 않고 각 시점의 실제 수표면적 대비 SAR 추정 면적의 비율을 사용하여 수체 분류 성능을 평가하였다(Fig. 5). 또한, 면적 비율이 100%를 초과하는 시기를 제외한 경우의 성능을 별도로 정리하여 분류 결과의 보수적 평가치를 Table 3과 같이 제시하였다.
Table 3.
Classification accuracy of SAR-based water body mapping relative to observed water surface areas
| Area | Geumgwang | Madun | ||
| Type | Total (%) | ≤ 100% | Total (%) | ≤ 100% |
| KI | 73.1 | 73.1 | 76.7 | 70.4 |
| CV | 87.4 | 78.9 | 107.9 | 85.0 |
| KM | 57.3 | 54.0 | 62.2 | 50.9 |
금광 저수지에서는 KI, CV 두 방법이 전반적으로 안정적인 시계열 분포를 보였다. 2017년 여름철의 극심한 수위 감소 시기를 제외하면 KI는 73.1%의 면적 비율로 비교적 고른 분포를 보였고, CV는 87.4%로 세 방법 중 가장 높은 면적 비율을 나타내었다. 반면 KM은 57.3%로 상대적으로 낮은 수치를 보였으며, 시계열 분포 폭도 가장 크게 관찰되어 수체 탐지 성능이 제한적인 것으로 평가되었다. 면적 비율이 100%를 초과하는 시기를 제외하면 KI와 KM은 각각 73.1%, 54.0%로 큰 변화가 없었으며, CV는 78.9%로 감소하였으나 방법 간 비교에서는 가장 높은 값을 유지하였다.
마둔 저수지는 금광 저수지와 비교하여 면적 비율의 시계열 분포 변동성이 더 크게 나타났다. 면적 비율이 100%를 초과하는 시기가 증가함에 따라, 전체 기간을 기준으로 산정한 KI, CV, KM의 평균 면적 비율은 각각 76.7%, 107.9%, 62.2%로 금광 저수지 대비 상대적으로 높은 수준을 보였다. 한편, 100% 초과 시기를 제외하여 보수적으로 평가할 경우 KI와 KM은 각각 70.4%, 50.9%로 낮아지는 반면, CV는 85%로 상대적으로 높은 수치를 나타내었다. 이러한 결과는 주요 수요 감소 구간인 여름철을 중심으로 면적 비율이 100%를 초과하는 시기가 빈번하게 발생하여 해당 구간의 수체 분류 결과가 상대적으로 불안정하다는 것을 보여준다. 또한, 저수지 규모가 작은 경우 시계열 분포가 조악하게 나타는 경향이 확인되어, 동일한 방법이라도 저수지의 규모 및 형상에 따라 성능 차이가 발생할 수 있다.
두 저수지 모두에서 CV가 상대적으로 높은 면적 비율을 지속적으로 확보하였으며, 100% 초과 시기를 제외한 보수적 평가에서도 상대적 우위를 유지하였다. 반면 KM은 일관적으로 낮은 면적 비율과 큰 분포 폭을 보여 활용성이 제한적이었으며, KI는 준수한 성능을 제시하였지만 주요 수위 감소 구간에서 결과가 연속적으로 누락되는 사례가 발생하면서 한정된 면적 비율 결과를 제시하였다.
5. 결 론
본 연구에서는 가뭄 및 홍수 등 수자원 재해에 대한 감시·대응을 목적으로 GEE를 활용하여 Sentinel-2 및 Sentinel-1 자료로부터 저수지 수표면적의 시계열을 수집하고, 광학 및SAR 기반 분할 방법의 성능을 비교하였다.
광학 기반 수체분석은 절대오차(RMSE)가 작아 관측 수표면적에 근접한 값을 나타내었다. 하지만 수위 감소 구간에서는 저수지 경계에서 수면과 노출된 저수지 저면, 수변 식생이 하나의 픽셀 내에 공존하는 혼합 픽셀이 빈번하게 발생하고, 수심이 얕아지면서 수체와 주변 토지피복의 분광 대비가 감소하여 경계가 불분명해진다. 이로 인해 NDWI, MNDWI 임계값 설정에 민감한 이상치가 증가하여 변화 탐지의 신뢰도가 저하되는 한계가 있으며, 구름·그림자·관측주기 제약으로 시계열 가용성이 낮았다. SAR 기반 수체분석은 광학 대비 자료 가용성이 높아 연속 시계열 분석이 가능하였고, 수체 변화의 시간적 패턴을 안정적으로 획득하였다. 특히, CV는 KI와 유사하게 높은 분류 정확도를 확보하면서, 절대오차도 광학 기반 추정에 근접하여 정확성 및 가용성의 균형 측면에서 실무 적용성이 높은 방법으로 평가되었다. 다만, 수위 감소 및 유지 구간에서는 수심이 얕고 수면적이 좁아지면서 수표면 조도 변화, 수변 식생의 노출, 입사각 변화에 따른 후방산란 신호의 민감도 저하 등 SAR 영상 특성상 한계가 두드러져 수체 변화에 대한 경향 반영이 미흡하여 오차가 증가하였다. 향후 수위 구간별 매개변수 조정 및 보정 절차를 적용한 추가 검증이 필요할 것으로 판단된다.
광학 및 SAR 기반 수체 분류는 수위 상승 구간에서 안정적인 수체 추정을 제공하지만, 수위가 감소하는 여름철에 수면 경계의 불분명 및 민감도 저하로 성능이 저하되는 경향이 확인되었다. 수위-내용적 곡선과 연계하여 수위와 저수용량을 시계열로 변환함으로써 용수공급 능력 진단과 운영 의사결정에 직접 활용할 수 있다. 하지만 수위-내용적 곡선은 장기 퇴적에 따른 저수용량 변화 등에 의해 구조적인 불확실성을 내포하고 있으며, 수표면적 추정 오차가 곡선 변환 과정을 통해 수위-내용적 오차로 인해 비선형적으로 증폭될 수 있다. 따라서 수체 분할 단계에서의 수표면적 불확실성을 정량화 및 저감하고 곡선 자체의 갱신 및 보정을 병행하는 것이 중요하다.
본 연구 결과를 통해 저수지 수체 변화 모니터링에 대한 운영 관점에서 CV 기반 수체분석을 기초로 하고, 무구름 장면 확보 시 NDWI로 교차 검증 및 재보정하는 광학-SAR 통합 운용이 가능할 것으로 판단된다. 수위 구간별 보정과 광학 및 SAR 기반 통합 운용을 적용할 경우 중규모 이상의 농업용 저수지에 대한 상시 수체 모니터링 체계를 구축할 수 있다. 향후 타 유역, 다수 저수지로의 확장 검증과 운영 시스템 내 실시간 연계를 통해 국가 단위 수자원 재해 감시 네트워크의 핵심 모듈로 확장될 수 있을 것으로 판단된다.
