Development of suspended solid concentration measurement technique based on multi-spectral satellite imagery in Nakdong River using machine learning model

Siyoon Kwon; Il Won Seo; Donghae Beak

doi:10.3741/JKWRA.2021.54.2.121

Preview

Research Article

Journal of Korea Water Resources Association. 28 February 2021. 121-133
https://doi.org/10.3741/JKWRA.2021.54.2.121

Development of suspended solid concentration measurement technique based on multi-spectral satellite imagery in Nakdong River using machine learning model

기계학습모형을 이용한 다분광 위성 영상 기반 낙동강 부유 물질 농도 계측 기법 개발

Siyoon Kwon^a

Il Won Seo^b^†

Donghae Beak^c

권 시윤^a

서 일원^b^†

백 동해^c

^aPh.D Course, Department of Civil and Environmental Engineering, Seoul National University, Seoul, Korea

^bProfessor, Department of Civil and Environmental Engineering, Seoul National University, Seoul, Korea

^cPh.D researcher, Department of Civil and Environmental Engineering, Seoul National University, Seoul, Korea

^a서울대학교 건설환경공학부 박사과정

^b서울대학교 건설환경공학부 교수

^c서울대학교 건설환경공학부 박사후 과정

^*seoilwon@snu.ac.kr

ABSTRACT

Suspended Solids (SS) generated in rivers are mainly introduced from non-point pollutants or appear naturally in the water body, and are an important water quality factor that may cause long-term water pollution by being deposited. However, the conventional method of measuring the concentration of suspended solids is labor-intensive, and it is difficult to obtain a vast amount of data via point measurement. Therefore, in this study, a model for measuring the concentration of suspended solids based on remote sensing in the Nakdong River was developed using Sentinel-2 data that provides high-resolution multi-spectral satellite images. The proposed model considers the spectral bands and band ratios of various wavelength bands using a machine learning model, Support Vector Regression (SVR), to overcome the limitation of the existing remote sensing-based regression equations. The optimal combination of variables was derived using the Recursive Feature Elimination (RFE) and weight coefficients for each variable of SVR. The results show that the 705nm band belonging to the red-edge wavelength band was estimated as the most important spectral band, and the proposed SVR model produced the most accurate measurement compared with the previous regression equations. By using the RFE, the SVR model developed in this study reduces the variable dependence compared to the existing regression equations based on the single spectral band or band ratio and provides more accurate prediction of spatial distribution of suspended solids concentration.

Keywords

River suspended solid

Remote sensing

Multi-spectral satellite imagery

Support vector machine (SVR)

Recursive feature elimination (RFE)

Spatial monitoring

하천에서 발생하는 부유 물질은 주로 유역으로부터 유입되거나 하천 내에서 자생으로 발생하기도 하며, 퇴적되어 중장기적인 수질 오염을 초래할 수도 있는 중요한 수질 인자이다. 하지만, 부유물질의 재래식 계측방식은 점 단위 계측이기 때문에 노동 집약적이며 방대한 양의 자료를 취득하기는 어렵다. 따라서, 본 연구에서는 고해상도 다분광 위성영상을 제공하는 Sentinel-2 위성 자료를 이용하여 낙동강 전역에 대한 원격탐사 기반 부유 물질 농도 계측 기법을 개발하였다. 개발된 기법은 기존 원격탐사 기반 회귀식들의 한계점을 개선하고 낙동강 전체 영역의 지역적 특성을 반영하기 위해 기계학습 모형인 서포트 벡터 회귀(Support Vector Regression, SVR) 모형을 이용하여 다양한 파장대의 분광 밴드들과 밴드비(band ratios)를 고려하였으며, 이를 입력 변수들의 최적 조합으로 재귀적 특징 제거법(Recursive Feature Elimination, RFE)과 SVR의 각 변수별 가중계수를 활용하여 도출하였다. 가장 중요도가 높은 분광 밴드로는 Red-edge 파장대 영역에 속하는 705 nm 밴드가 산출되었으며, 최종적으로 구축된 SVR 모형을 선행 연구들에서 제시한 회귀식들과 비교한 결과, 가장 정확한 계측 결과를 제공하는 것으로 밝혀졌다. 본 연구에서 개발된 SVR 모형은 RFE를 통해 산출된 최적 분광 밴드 조합을 바탕으로 하기 때문에 기존 단일 분광 밴드 혹은 밴드비를 기반으로 구축된 회귀식들이 가지는 변수 의존도를 낮추는 동시에 더욱 정확한 부유물질 농도 공간분포를 제공할 수 있을 것으로 판단된다.

키워드

하천 부유물질

원격탐사

다분광 위성 영상

서포트 벡터 회귀(SVR)

재귀적 특징 제거법(RFE)

공간적 모니터링

MAIN

1. 서 론
2. 연구방법
2.1 대상지역 및 관측 자료
2.2 위성 영상 자료
2.3 위성 영상 전처리
2.4 기계학습모형
3. 결과 및 고찰
3.1 위성영상 전처리 및 부유물질-다분광 스펙트럼 자료
3.2 선행연구 다분광 영상 기반 부유물질 계측식 적용 결과
3.3 다분광 영상 기반 부유물질 계측 기계학습모형 구축 및 검증
3.4 기계학습모형 적용을 통한 부유물질 농도의 공간적 분포 산출
4. 요약 및 결론

1. 서 론

자연하천에서 발생하는 부유 물질은 하천에 존재하는 영양분과 오염물질의 거동에 영향을 미치며 하천 지형과 생태계를 변화시키는 중요한 수질 인자이다(Beschta et al., 1987; Umar et al., 2018). 하지만 기존의 부유물질 농도 계측은 주로 재래식 채집방식을 활용한 직접계측 방식에 의존하고 있으며, 최근에는 광학 기반의 레이저 센서 장비를 통해 계측이 수행되고 있지만 이 역시도 점 단위의 계측으로 시공간적으로 고해상도의 자료를 획득하기는 어렵다. 이에 따라 최근 위성영상과 드론 영상을 이용한 원격탐사 기반 면 단위 하천 모니터링에 대한 연구가 다수 진행되고 있다(Arisanty and Nur Saputra, 2017; Caballero et al., 2018; Ismail et al., 2019). 이러한 원격탐사 기반의 하천 모니터링은 시공간적으로 광범위한 데이터를 취득할 수 있어 취득된 자료를 통해 하천 모니터링 뿐만 아니라 다양한 하천 물리량 모의를 위한 수치모형의 입력자료로도 활용되며 점차 원격탐사 기반 하천 물리량 계측자료의 수요는 커지고 있다(Osadchiev, 2015; Shi et al., 2018).

원격탐사를 이용한 수환경 부유물질 농도의 계측은 수체 내에서 태양광이 강하게 흡수되는 광학적 원리를 기반으로 한다. 따라서, 이러한 현상으로 인해 수체 내에 고농도의 부유물질이 분포 시 맑은 수체인 경우보다 수체 내 부유물질로부터 더 많은 양의 태양광이 반사하게 되어 광학 센서에 감지되는 빛 에너지가 증가하게 된다. 또한, 이러한 현상은 가시광 영역보다 더욱 긴 파장대를 가진 근적외선(Near-infra Red, NIR) 영역에서 뚜렷하게 발생하게 되어 많은 선행연구들에서 NIR 밴드를 이용한 원격탐사 기반 부유물질 농도 계측 연구가 진행되어 왔다(Bhargava and Mariam, 1991; Chen et al., 1991; Dethier et al., 2020; Novo et al., 1989). 이러한 NIR 밴드를 이용한 부유물질 농도 계측을 바탕으로 수체 내의 부유물질의 광학적 특성을 더욱 반영하기 위해 최근 원격탐사 기반의 부유 물질 계측 연구들에서는 특정 분광 밴드의 반사율이나 분광 밴드 반사율의 비를 독립변수로 사용하여 간략한 회귀식을 도출하는 방법에 대한 연구가 주로 수행되고 있다(Chu et al., 2009; Dekkera et al., 2001; Doxaran et al., 2003; Fang et al., 2010; Gin et al., 2003; Islam et al., 2001; Liu et al., 2017; Ma and Dai, 2005; Wang et al., 2009).

하지만 이러한 연구들은 대부분 해양 및 연안환경 또는 호소수를 대상으로 수행되었으며, 하천에서의 적용은 상대적으로 미비한 실정이다. 이는 원격탐사 연구에 주로 사용되어 오던 Landsat과 MODIS와 같은 다분광 센서를 탑재한 인공위성의 자료를 하천에 적용할 시 하천 물리량의 공간 분포를 정밀히 산출하기에는 공간적으로 저해상도의 영상을 제공하는 한계점 때문이다(Pham et al., 2018). 또한, 기존의 연구들은 주로 회귀식을 구축한 특정 지역에서만 정확한 예측 결과를 나타냈으며, 회귀식에 사용한 주요파장도 다소 광범위한 범위에 대해 분포되어 있다. 이러한 선행연구 식들의 지역성은 회귀식을 구축하는 특정 지역별로 수체 특성과 지형 특성이 다르기에 이로부터 발생하는 부유물질의 분광특성이 지역별로 달라져 발생하게 된다. 따라서, 이러한 기존의 분광 자료를 이용한 부유물질 계측 회귀식들은 단일 파장대 밴드 혹은 2개의 파장대 밴드로 구축한 간략한 식으로 이루어져 낙동강 등 대하천 전체 영역의 지역적 특성을 반영하기에는 한계점이 존재한다.

따라서, 본 연구에서는 443 nm ~ 2190 nm 파장대에서 총 12개의 분광 밴드를 특정 밴드를 추출하고 10 ~ 20 m의 고해상도로 제공하는 Sentinel-2 위성영상을 활용하여 낙동강 유역 전체를 대상으로 원격탐사 기반 부유물질 농도 계측 모형을 개발하였다. 모형 알고리즘은 기계학습 모형인 Support Vector Regression (SVR) 모형을 사용하고 고려 변수로 다양한 파장대의 밴드와 밴드 비를 조합하여 모형을 구축하였으며, 그 검증 결과를 선행연구에서 개발한 27개의 부유물질 농도 산정 회귀식들과 비교하였다. 나아가서 재귀적 특징 제거법(Recursive Feature Elimination, RFE)를 적용하여 SVR 모형의 최적 파장대 밴드와 밴드비 조합을 산정하고, 각 파장대 밴드와 밴드 비의 중요도를 산출하여 낙동강 유역의 부유물질 농도에 대한 최적 파장대 밴드를 규명하였다. 개발된 SVR 모형은 낙동강과 금호강 합류부 지역에 적용하여 시기별 부유물질 농도의 공간분포를 산출하여 현장 적용성을 검토하였다.

2. 연구방법

2.1 대상지역 및 관측 자료

본 연구의 대상 지역인 낙동강은 주변에 상당한 면적의 농경지, 거주지, 그리고 산업단지가 복합적으로 분포해 있어 하천수에 대한 의존도가 매우 높은 지역이다. 또한, 낙동강은 태풍, 집중성 강우로 인한 사면 붕괴, 하천 주변 농경지의 세류 등으로 많은 탁수들의 유입 빈번히 발생하고 이러한 부유물질들은 낙동강에 위치한 보 안정성에도 많은 영향을 미치게 된다. 따라서, 본 연구는 낙동강 본류 전역을 대상으로 위성영상 기반 부유 물질 농도 예측 모형을 개발하기 위해 낙동강 본류의 낙단 관측소에서 덕곡 관측소 사이에 위치한 20개소의 수질측정망 부유물질 자료를 수집하여 활용하였다(Fig. 1). 또한, 부유물질 농도 자료는 물환경정보시스템(http://water.nier.go.kr)에서 주 1회 단위로 측정하여 제공하는 수질 자료 중 부유물질(SS) 자료를 추출하여 이용하였다.

https://cdn.apub.kr/journalsite/sites/kwra/2021-054-02/N0200540205/images/kwra_54_02_05_F1.jpg

Fig. 1

Location of water quality stations for SS

2.2 위성 영상 자료

낙동강 본류 20개 관측소 지점에서의 분광 스펙트럼 추출을 위해 본 연구에서는 ESA (European Space Agency)에서 제공하는 Sentinel-2 위성영상을 이용하였다. Sentinel-2는 2015년에 발사된 2A 위성과 2017년에 발사된 2B위성으로 총 2대가 운용되고 있으며, 각 위성은 10일 간격으로 교차로 낙동강 유역의 위성 사진을 제공하여 낙동강 유역 위성 영상을 5일 간격으로 취득할 수 있다. 또한, Sentinel-2 위성은 기존 위성 영상 기반 연구에 많이 활용되어온 Landsat 위성 등에 비해 Table 1에서 나타난 바와 같이 443 nm ~ 2190 nm 영역의 넓은 파장대에서 총 12개의 분광 밴드를 Table 1과 같이 제공하고 공간적 해상도는 각 밴드별로 10 ~ 60 m 간격으로 타 위성 영상에 비해 고해상도 영상을 제공한다(Caballero et al., 2018; Wright, 2018).

Table 1.

Spectral bands of Sentinel-2 MSI sensor

Band	Wavelength (nm)	Resolution (m)
B01-Deep blue	443	60
B02-Blue	497	10
B03-Green	560	10
B04-Red	665	10
B05-Red Edge	705	20
B06-Red Edge	740	20
B07-Red Edge	783	20
B08-NIR	842	10
B08A-NIR	865	20
B9-NIR	945	60
B10-SWIR / Cirrus	1380	60
B11-SWIR	1610	20
B12-SWIR	2190	20

본 연구에서 활용된 Sentinel-2 위성 영상은 Level-1C (L1C) 영상으로 100 × 100 km² 크기의 타일로 이루어져 있으며, 대기 보정 처리 전단계인 Top Of Atmosphere (TOA)의 반사율을 제공한다. 최종적으로 낙동강 본류 20개의 수질관측소에서 제공하는 부유물질 농도 자료와 동일한 시공간 자료를 추출하기 위해 대상 지역에 해당하는 T52SCG, T52SDE, T52SDF 영상 타일 중 구름 덮힘 정도가 10% 이하 이며 부유물질 농도 관측 날짜와 동일한 날에 찍힌 위성 영상을 선별하였다. 최종적으로 위성 영상은 2016년 11월부터 2019년 4월까지 총 14개가 선별되었으며, 해당 영상을 기반으로 총 65개의 동일 시공간의 부유 물질 농도-다분광 스펙트럼 자료를 구축하였다. 추출된 65개의 부유 물질 농도에 대한 통계량은 Table 2와 같다.

Table 2.

Statistic of extracted SS data by matching the satellite images

SS (mg/L)
Period of record	Number of samples	Min	Max	Mean
2016/11 ~ 2019/4	65	3.20	14	7.41

2.3 위성 영상 전처리

위성 영상의 수계 적용을 위한 전처리 과정은 Fig. 2에 나타난 바와 같이 대기 보정(Atmospheric correction)과 수체 영역 추출(water body extracion) 과정으로 이루어진다. 본 연구에서는 선별된 14개의 위성 영상은 수체 반사율을 산출하기 위해 추가적인 방사 측정이 필요 없이 단파장 적외선(SWIR) 영역인 1600 nm에서 2200 nm 파장대를 이용하여 대기 보정이 가능한 Dark Spectrum Fitting (DSF) 알고리즘 기반 대기보정 프로그램 ACOLITE (20170718.0)를 이용하였다. 본 프로그램은 Royal Belgian Institute of Natural Sciences (RBINS)에서 개발한 무료 대기 보정 프로그램으로 위성 사진으로부터 지표반사율을 바로 취득할 수 있고 Landsat과 Sentinel-2 위성 영상을 대상으로 수체 영역에 특화된 대기 보정을 제공하여 많은 수계 영역 원격탐사 연구에 활용되고 있다(Vanhellemont et al., 2015; 2016).

https://cdn.apub.kr/journalsite/sites/kwra/2021-054-02/N0200540205/images/kwra_54_02_05_F2.jpg

Fig. 2

Schematic flow chart of the satellite image preprocessing

이러한 ACOLITE으로 Top Of Atmosphere (TOA)에 대한 대기 보정 처리를 거치면 픽셀별 지표 반사율로 구성된 Bottom Of Atmosphere (BOA)위성 영상을 산출하게 되며, 본 연구에서는 이러한 전처리된 BOA 위성 영상을 이용하였다. 다음 전처리 단계로는 BOA 영상 내 수체 영역 추출을 진행하였다. 수체 추출은 위성 영상의 넓은 영역에서 수체에 해당하는 픽셀만 유지하여 수체 분석에 있어서 효율적인 계산이 가능하여 수계 영역의 부유물질 맵핑을 위해 필수적인 과정이다.

전통적으로 수체 검출에는 NIR 밴드를 사용하는 NDWI (Normalized Difference Water Index)를 사용해 왔지만, 도시 지역 및 산악 지역의 고도차에 의한 그림자 효과를 처리하기 어려움이 따르기에 산악 및 도시 지역이 하천 변에 다수 분포한 낙동강에서는 그 사용이 적절하지 않다. 따라서, 본 연구에서는 Du et al. (2016)가 제안한 수체에서 분광 흡수성이 뛰어난 SWIR밴드를 기반한 MNDWI (Modified Normalized Difference Water Index)를 적용하여 정밀한 수체 검출을 진행하였으며, 그 식은 다음과 같다.

(1)

M N D W I = \frac{ρ_{G r e e n} - ρ_{S W I R}}{ρ_{G r e e n} + ρ_{S W I R}}

여기서, $ρ_{G r e e n}$ 는 Table 1의 3번 밴드, $ρ_{G r e e n}$ 는 Table 1의 11번 밴드이다. 위 식에서처럼 MNDWI는 가시 광선 중 녹색 밴드와 단파장 적외선 밴드의 비율로 나타내지며, 이 값이 0 이상인 픽셀에 대해 수체 영역으로 구분이 가능하다.

2.4 기계학습모형

2.4.1 서포트 벡터 회귀 모형(SVR)

SVR은 기계학습 알고리즘 중 분류 문제에 많이 사용되는 서포트 벡터 머신(Support Vector Machine, SVM)을 연속형 변수에 적용하여 회귀 문제로 확장하기 위해 Vapnik (1995)가 제안한 방법이다. SVR은 데이터의 입출력 관계에 대한 함수를 생성시키는 과정에서 볼록함수 최적화(Convex optimization)를 기반으로 하기에 전역 최적해를 찾을 수 있다는 장점이 존재하며 이로 인해 데이터 수가 적은 경우에 다른 기계학습 알고리즘보다 정확한 예측 결과를 산출한다(Chi et al., 2008; Pal et al., 2010). 따라서, 본 연구에서 구축한 다분광 스펙트럼을 기반으로 연속형 변수인 65개의 부유물질 농도 자료를 바탕으로 예측 모형를 구축하기 위해 SVR을 적용하였다. SVR은 학습데이터에 대해 종속변수 데이터의 편차( $ε$ )안에 분포하도록 하는 Eq. (2) 형태의 함수 $f (x)$ 를 Eq. (3)을 목적함수로 하며 Eq. (4)를 제약조건으로 가지는 최적화 문제의 해를 구해 도출한다.

(2)

y (x) = \sum_{i = 1}^{n} w_{i} x_{i} + b

(3)

\min \frac{1}{2} {||w||}^{2} + C \frac{1}{n} \sum_{i = 1}^{n} (ξ_{i} + ξ_{i}^{*})

(4)

subject to \{\begin{matrix} y_{i} - w^{*} x_{i} - b \leq ε + ξ_{i} \\ w^{*} x_{i} + b - y_{i} \leq ε + ξ_{i}^{*} \\ ξ_{i} and ξ_{i}^{*} \geq 0 for a l l i \end{matrix}\}

여기서, Eq. (2)의 종속변수인 부유물질 농도 $y (x)$ 는 독립변수인 분광 밴드 반사율 $x$ 를 정의하기 위한 함수, n은 독립변수인 분광 밴드의 개수, $w$ 은 독립변수의 가중치, b는 바이어스 항이며 Eq. (3)의 C는 제약 상수(Penalty)로 주어진 편차 $ε$ 에 대한 $y_{i}$ 의 허용 정도를 나타내며, $ξ$ 는 편차 $ε$ 이상의 오차를 허용하기 위한 슬랙 변수(slack variable)이다. 따라서, SVR의 해를 구하기 위한 최적화 문제는 볼록 최적화(Convex optimization) 문제로 정해를 구할 수 있다.

또한, 부유물질 농도 예측을 위한 유효 밴드 산출을 위해 본 연구에서는 모형 학습에 사용된 분광 밴드들의 중요도를 최종적으로 구축된 SVR 함수로부터 산출하였다. 유효밴드 산정을 위한 SVR 함수의 변수 중요도는 Eq. (2)의 각 변수별 가중 계수 $w_{j}$ 를 통해 산출될 수 있다. 이는 선형 함수로 정의된 Eq. (2)는 $w_{j}$ 가 클수록 독립변수인 $x$ 가 $f (x)$ 에 미치는 영향을 정규화하여 $w_{j}^{2}$ 로 산정하고 이를 상대 중요도로 환산하기 위해 각 밴드 중요도를 모든 밴드 중요도의 합에 대한 비율로 나타내어 0 ~ 1 사이 값으로 환산하였다.

2.4.2 재귀적 특징 제거법(Recursive Feature Elimination, RFE)

다분광 위성영상과 같이 고차원의 자료를 기계학습 모형에 학습시킬 시 최적 밴드를 산출하는 특징 선택 과정은 모형의 과적합을 막고 정확도를 상승시킬 수 있다. 본 연구에서는 SVR 모형을 통해 산출된 각 밴드 중요도로부터 최적의 변수 선택을 하기 위해 Guyon et al. (2002)이 제안한 재귀적 특징 제거법(RFE)을 특징 선택 방법으로 적용하였다. RFE는 유의한 변수를 선택하기 위해 먼저 모형을 전체 변수에 대해 학습하고 각 변수에 대한 변수 중요도를 추출하여 중요도가 가장 작은 변수들을 총 변수에서 1개의 변수가 남을 때까지 제거하는 과정을 반복하게 된다. 따라서, RFE는 모형을 재귀적으로 모형을 학습시키는 과정을 반복하여 특징 선택에 다소 많은 계산시간이 소요되지만 학습된 모형의 정확도를 기반으로 하여 가장 신뢰도가 높은 방법 중 하나이다.

이러한 과정을 거쳐 최종적인 모형의 최적 변수 선택은 모형 정확도가 가장 높을 때의 특징 조합을 선택하게 된다. RFE를 적용하는 과정에서 모형의 정확도를 평가하는 기준은 평균 제곱근 오차인 RMSE (Root Mean Square Error)를 이용하였다. RMSE는 모형의 오차를 평가하는 지표로 Eq. (5)과 같으며, R²가 높고 RMSE가 낮은 변수 조합을 더욱 적합한 분광 밴드의 조합으로 평가하고 모형의 변수로 사용하였다.

(5)

R M S E = \frac{\sqrt{\sum_{} {(y_{e s t i m a t e d} - y_{m e a s u r e d})}^{2}}}{N}

여기서, $y_{e s t i m a t e d}$ 는 학습된 SVR의 예측 부유물질 농도, $y_{e s t i m a t e d}$ 는 실제 계측된 부유물질 농도, N은 전체 부유물질 농도 개수이다.

3. 결과 및 고찰

3.1 위성영상 전처리 및 부유물질-다분광 스펙트럼 자료

TOA의 위성영상의 가시광 파장대 밴드(Red, Green, Blue)에 대한 영상의 대기층을 포함한 반사율( $ρ_{t}$ )을 나타내면 Fig. 3 (a)와 같으며, 선별된 된 14개의 위성영상에 대해 ACOLITE를 이용하여 대기층을 보정하면 Fig. 3(b)와 같이 BOA 영상을 통해 각 픽셀로부터 선명한 표층 반사율( $ρ_{s}$ )을 산출하게 된다.

MNDWI를 이용한 수체 영역 추출은 BOA 영상의 산출된 표층 반사율( $ρ_{s}$ ) 중 수체 영역 픽셀의 표층 반사율만을 추출하는 단계로 추출된 각 픽셀의 수계 반사율( $ρ_{w}$ )을 본 연구의 하천 부유물질 농도 산정을 위해 활용하였다. MNDWI를 적용하여 낙동강-금호강 합류부 구간에 대해 표출한 결과는 Fig. 4(a)와 같으며, 여기서 MNDWI가 양의 값을 나타내는 픽셀을 추출하여 수체 영역만을 표시한 결과, 낙동강 본류와 지류로 합류하는 금호강에 대한 수체 영역이 Fig. 4(b)와 같이 정확히 추출되었다.

또한, 본 연구에서는 각 분광 밴드의 수계 반사율( $ρ_{w}$ )과 여러 분광 밴드 수계 반사율의 조합으로 나타낸 밴드비를 이용하여 상관관계 분석을 수행하였다. 분광 밴드비는 기존 선행연구들이 적용된 지역에서 부유물질 농도와 상관관계가 높게 나타난 6가지 밴드비를 선정하여 Red 파장대(665 nm)와 NIR 파장대(842 nm)를 다른 파장대 밴드로 표준화시킨 형태와 주로 부유물질 농도와 상관관계가 높게 나타나는 두 가지 분광 밴드인 Green (560 nm)과 Red 파장대의 평균을 사용하였다(Joshi et al., 2017; Peterson et al., 2018; Svab et al., 2005). 따라서 부유물질 농도와 단일 분광 밴드 또는 밴드비의 상관계수를 산출한 결과, 단일 분광 밴드에서는 665 nm와 705 nm 파장대에 해당하는 Red (B04)와 Red-edge (B05)에서 0.65이상의 높은 상관관계가 나왔으며, 밴드 비율에서는 560 nm와 665 nm 파장대인 Green (B03)와 Red (B04) 밴드의 평균값이 가장 높은 상관계수를 산출하였다(Fig. 5).

https://cdn.apub.kr/journalsite/sites/kwra/2021-054-02/N0200540205/images/kwra_54_02_05_F3.jpg

Fig. 3

Comparison of (a) TOA and (b) BOA images acquired at 6^th November 2018

https://cdn.apub.kr/journalsite/sites/kwra/2021-054-02/N0200540205/images/kwra_54_02_05_F4.jpg

Fig. 4

Images of confluence of Nakdong river and Geumho river, mapped by (a) MNDWI and (b) extracted water body

https://cdn.apub.kr/journalsite/sites/kwra/2021-054-02/N0200540205/images/kwra_54_02_05_F5.jpg

Fig. 5

Correlation chart of SS concentration to spectral band and band ratio

3.2 선행연구 다분광 영상 기반 부유물질 계측식 적용 결과

선행연구들에서 수행된 다분광 영상 기반 부유물질 농도 계측식들을 낙동강을 대상으로 구축된 부유 물질 농도와 해당 분광 스펙트럼 자료에 적용하여 적용 가능성을 평가하였다. 우선, 다분광 영상 기반 부유물질 농도 계측에 대한 선행연구 27개를 조사한 결과, 대부분 해양 및 연안환경 또는 호소수를 대상으로 수행되었으며, 계측식들의 형태는 주로 선형식 혹은 지수식으로 나타났다(Table 3). 사용된 독립변수로는 단일 밴드 또는 두 밴드의 비율로 사용되었으며, 독립변수에 사용된 주요파장은 가시광(Visible)에서 단파장 적외선(SWIR)에 해당하는 다소 광범위한 범위에서 분포되어 있었다. 이러한 다분광 영상 기반 계측 식들은 구축된 지역별 지형 및 수리 조건이 상이하고 부유 물질로 발생되는 광물들의 성질이 다르기에 그 지역성이 매우 크게 나타났다. Fig. 6은 조사한 27개의 선행연구 계측식의 주요파장대에 대한 빈도 분석을 실시한 결과로 낙동강 유역에서 부유물질과의 상관관계가 높게 나온 665 nm와 705 nm 파장대의 밴드를 사용한 계측식은 Table 3에 나타난 바와 같이 Liu et al. (2017)이 개발한 수식이 유일하였다. 27개의 선행연구 계측식들을 낙동강의 부유 물질 농도와 해당 분광 스펙트럼 자료에 적용한 결과, 대부분 결정계수 0.5 이하의 낮은 정확도를 보였으며, 700 nm 인근의 파장대의 밴드를 주요밴드로 사용한 Liu et al. (2017)의 계측식에서 상대적으로 높은 정확도를 산출하였다.

Table 3.

Regression equations of previous studies to estimate SS (mg/L) with reflectance and R² that refers validation results with data-set at Nakdong river

Author	Sensor	Equation	Band	R²
Lodhi et al. (1997)	spectroradiometer	$S S = - 23.367 + 116.869 X_{1} + 24.04 X_{1}^{2}$	λ1: 852 nm	0.23
Islam et al. (2001)	Landsat TM	$S S = 69.39 X - 201$	λ1: 560 nm	0.19
Dekkera et al. (2001)	Landsat TM	$S S = 0.758 \exp (61.683 \frac{(X_{1} + X_{2})}{2})$	λ1:520-600 nm λ2:630-690 nm	0.20
Islam et al. (2003)	Landsat TM	$S S = 16.826 - 5.240 X_{1}$	λ1: 450-520 nm λ2: 520-600 nm	0.03
Gin et al. (2003)	spectroradiometer	$S S = 16.72 X_{1}^{- 0.42}$	λ1: 555 nm λ2: 754 nm	0.02
Gin et al. (2003)	spectroradiometer	$S S = 8.18 X_{1}^{- 0.26}$	λ1: 555 nm λ2: 754 nm	0.01
Gin et al. (2003)	spectroradiometer	$S S = 12.32 X_{1}^{- 0.31}$	λ1: 555 nm λ2: 754 nm	0.01
Gin et al. (2003)	spectroradiometer	$S S = 0.04 X_{1} + 2.06$	λ1: 595 nm λ2: 754 nm	0.01
Gin et al. (2003)	spectroradiometer	$S S = - 0.01 X_{1} + 3.25$	λ1: 595 nm λ2: 754 nm	0.01
Gin et al. (2003)	spectroradiometer	$S S = - 0.03 X_{1} + 3.60$	λ1: 595 nm λ2: 754 nm	0.02
Doxaran et al. (2003)	SPOT	$S S = 27.423 \exp (0.0279 X_{1})$	λ1: 500-590 nm λ2: 790-790 nm	0.03
Doxaran et al. (2003)	Landsat ETM	$S S = 29.022 \exp (0.0335 X_{1})$	λ1: 555 nm λ2: 865 nm	0.00
Doxaran et al. (2003)	SPOT	$S S = 18.895 \exp (0.0335 X_{1})$	λ1: 841-876 nm	0.03
Doxaran et al. (2003)	Landsat ETM	$S S = 26.083 \exp (0.0326 X_{1})$	λ1: 555 nm λ2: 865 nm	0.00
Ma and Dai (2005)	Landsat ETM	$1799.554 X_{1} - 209.074$	λ1: 772-889 nm	0.17
Chu et al. (2009)	MODIS	$S S = 10^{(\frac{X_{1} - 1.6}{7.5})}$	λ1: 620-670 nm	0.35
Wang et al. (2009)	MODIS	$S S = \exp (43.23 X_{1} + 1.37)$	λ1: 841-876 nm	0.18
Wang et al. (2010)	Landsat MMS	$S S = \exp (3.183 \ln X_{1} - 1.4)$	λ1: 800-1100 nm	0.14
Wang and Lu (2010)	MODIS	$S S = \exp (4.177 + 0.262 X_{1})$	λ1: 841-876 nm λ2: 1230-1250 nm	0.14
Wang et al. (2010)	MODIS	$S S = - 23.03 + 60.24 X_{1}$	λ1: 841-876 nm λ2: 1230-1250 nm	0.19
Fang et al. (2010)	EO-1 AL1	$S S = 1229.5 X_{1} + 53.795$	λ1: 549 nm	0.30
Lim and Choi (2015)	Landsat OLI, TIRS	$S S = 11.80 - 50.608 X_{1} + 14.58 X_{3} - 4.764 (X_{3} / X_{2})$	λ1: 450 nm-510 nm λ2: 530-590 nm λ3: 850-880 nm	0.25
Liu et al. (2017)	Sentinel-2 MSI	$S S = 3329 X_{1}^{1.375}$	λ1: 705 nm	0.42
Liu et al. (2017)	Sentinel-2 MSI	$S S = 2950 X_{1}^{1.375}$	λ1: 783 nm	0.32
Pham et al. (2018)	Landsat OLI, TIRS	$S S = 2.73 \exp (3.11 X_{1})$	λ1: 530-590 nm λ2: 640-670nm	0.10
Wright (2018)	Sentinel-2 MSI	$S S = 0.1546 \ln (X_{1}) + 0.8627$	λ1: 560 nm λ2: 497 nm	0.01

https://cdn.apub.kr/journalsite/sites/kwra/2021-054-02/N0200540205/images/kwra_54_02_05_F6.jpg

Fig. 6

Frequency of selected wavelength of SS estimators from previous studies

3.3 다분광 영상 기반 부유물질 계측 기계학습모형 구축 및 검증

낙동강 유역을 대상으로 다분광 영상 기반 부유 물질 농도 계측 모형을 구축하기 위해 SVR 기반의 RFE를 통한 최적 다분광 밴드 조합을 산정하고 이를 SVR 모형의 고려 변수로 사용하였다. RFE를 적용한 결과는 Fig. 7과 같으며, 다분광 밴드를 총 8개를 사용하였을 때 가장 낮은 RMSE가 산출되었다. 반면 8개 이상의 밴드를 사용하였을 때는 과적합이 발생하여 오히려 오차가 증가하였다. 이는 선정된 최적 밴드 외 다른 밴드를 학습 변수로 사용할 시 모형의 정확한 예측에 중요한 밴드들의 영향을 감소시키기에 발생하는 현상으로 다양한 변수를 기계학습모형에 학습시킬 시 이러한 특징 선택(feature selection) 과정이 필수적임을 증명하고 있다.

RFE에서 산정된 8개의 최적 밴드는 Fig. 8에서 나타난 구축된 SVR의 각 밴드별 가중 계수로부터 산출된 가중계수의 제곱인 2.4.1절에 나타난 $w_{j}^{2}$ 로부터 구해진 각 분광 밴드별 중요도에서 상위 8개 밴드로 구성되었다. 각 다분광 밴드별 중요도의 경우, 705 nm 파장대인 Red-edge 밴드(B05)의 중요도가 다른 밴드들에 비해서 상대적으로 높게 산출되어 가장 중요한 최적 밴드로 밝혀졌으며, 이는 선행 연구 계측식 중 Liu et al. (2017)과 동일한 파장대의 밴드인 것으로 나타났다. 그 외에는 Green과 Red에 해당하는 560 nm와 665 nm의 가시광 영역 밴드(B03, B04)와 865 nm의 NIR 영역 밴드(B08A)가 최적 밴드로 산정되었으며, 밴드 비의 경우는 Red 영역 밴드(B04)와 Blue 영역 밴드(B02)의 비와 Green 영역 밴드(B03)와 Red 영역 밴드(B04)의 평균이 상대적으로 높은 중요도를 나타내고 있어서 최적 밴드 비로 채택되었다. 이러한 RFE 기반으로 추출된 최적 파장대 밴드를 3.1절에서 나타난 상관관계 기반 유효 밴드와 비교한 결과, 705 nm 파장대인 Red-edge 밴드(B05)는 두 가지 방법에서 모두 가장 중요한 파장대의 밴드로 나타났다. 하지만 상관계수를 산출하였을 시 Red-edge 밴드(B05)와 Red 밴드(B04)의 상관계수가 비슷한 범위에서 높게 산출되었지만 SVR-RFE를 통한 중요도 산출 시, Red- edge 밴드(B05)의 인접 파장대 밴드인 Red 밴드(B04)와 Red- edge 밴드(B06)은 중요도가 비교적 낮게 산출되고 Red-edge 밴드(B05) 상대적으로 더 높게 산출되어 Red-edge 밴드(B05)를 부유물질 산정에 있어서 가장 중요한 파장대 밴드로 채택하였다. 이는 상관관계 기반으로 최적 파장대 밴드를 산정하면 최적 파장대 밴드와 인접 파장대 밴드 반사율 값의 상관관계로 인해 그 주변 파장대가 모두 상관계수가 높지만, SVR-RFE를 사용하는 경우 특정 최적 파장대 밴드만을 명확하게 산정할 수 있음을 나타낸다. 또한, 밴드 비의 경우도 Green (B03)와 Red (B04) 밴드의 평균값이 상관계수 산정 결과와 동일하게 가장 높은 밴드 비로 산출되었지만 그 중요도는 상관관계 기반보다 비교적 낮게 산출되었다.

최종적으로 SVR을 이용한 모형 구축은 낙동강 유역에서 수집된 65개의 부유 물질 농도와 다분광 스펙트럼 자료를 시공간적으로 균일하게 80%와 20%로 분할하여 각각 모형 구축 자료와 모형 검증 자료로 활용하였다. 다분광 스펙트럼 자료의 경우, RFE로부터 산정된 최적 밴드와 최적 밴드 비를 추출하여 모형 변수로 활용하였다. 최종적으로 검증 자료의 실제 계측된 부유물질 농도와 최적 밴드 및 최적 밴드비를 입력자료로 활용하여 구축된 SVR모형을 통해 부유 물질 농도를 도출한 결과를 Fig. 9에 도시하였다. SVR에 의한 예측치는 실측 부유물질 농도에 비해 4 ~ 6 ppb 농도 구간에서 다소 과대 산정하는 경향이 존재하였으나, 이를 정량적인 정확도 지표로 산출한 결과 R² 기준 0.79로 선행연구 식들에 비해 정확한 결과를 산출하였다. 또한, 개별 관측 농도에 대한 오차의 정도를 판단하기 위해서 평균 제곱근 오차(RMSE)와 평균 절대 오차(MAE)를 산정한 결과, 각각 1.22 ppb, 1.50 ppb로 실제값과 유사한 결과를 도출한 것으로 나타났다. 또한, 선행 연구의 다분광 영상 기반 부유물질 계측식 중 낙동강 자료에 적용 시 가장 정확도가 높았던 Liu et al. (2017)과 비교 시, Fig. 9에 나타난 바와 같이 Liu et al. (2017)에서는 6 mg/L 이하의 농도에서는 과대 산정을 하였으며, 6 mg/L 이상에서는 과소 산정을 하는 것으로 나타났다. 이는 낙동강 유역 자료에서 부유물질 농도와 가장 상관관계가 높은 Red-edge 파장대(705 nm) 밴드를 이용하더라도 단일 밴드를 이용한 회귀식은 넓은 범위의 부유물질 농도를 계측하기에는 한계점이 존재하는 것을 나타낸다. 따라서, 본 연구에서 제안한 SVR 모형은 Red-edge 파장대(705 nm) 밴드와 함께 다양한 파장대 영역의 분광 밴드를 활용하여 낙동강 전역에 대한 부유물질 농도에 대한 더욱 정확한 예측을 한 것으로 나타났다.

https://cdn.apub.kr/journalsite/sites/kwra/2021-054-02/N0200540205/images/kwra_54_02_05_F7.jpg

Fig. 7

Result of SVR-RFE to find optimal number of variables selected

https://cdn.apub.kr/journalsite/sites/kwra/2021-054-02/N0200540205/images/kwra_54_02_05_F8.jpg

Fig. 8

Relative importance of each variables from SVR and selected bands with red bars

https://cdn.apub.kr/journalsite/sites/kwra/2021-054-02/N0200540205/images/kwra_54_02_05_F9.jpg

Fig. 9

Comparison of predicted SS between this study and Liu et al. (2017)

3.4 기계학습모형 적용을 통한 부유물질 농도의 공간적 분포 산출

본 절에서는 3.3절에서 구축한 낙동강 유역의 원격탐사 기반 부유물질 농도 계측을 위한 SVR 모형을 적용하여 낙동강과 금호강 합류부를 중심으로 상하류 25 km 구간에 대한 부유물질 농도의 공간적 분포를 산출하였다. 모형 적용 시기는 대상 지역 2018년 유량 자료를 바탕으로 Fig. 10(a)에 나타난 바와 같이 홍수가 발생한 2번의 시기를 기준으로 각각의 홍수 발생 전과 후에 해당하는 5월 23일, 8월 21일, 그리고 10월 17일을 선택하였다. 유량 자료는 Fig. 10(b)에 나타난 대상 지역 상류 성주대교 지점의 수위 관측소 자료를 사용하였으며, SVR을 통해 산출된 부유물질 농도는 2018년 다사, 달성, 화원 수질관측소에서 측정된 부유물질 농도의 시계열 자료를 통해 홍수 전후 경향을 비교하였다.

SVR 모형을 적용한 결과, 홍수 발생 전인 5월 23일에는 대략 2 ~ 5 mg/L인 저농도의 부유물질이 분포하였다(Fig. 11). 하지만, 홍수 발생 이전인 5월 23일에 비해 홍수 발생 후 8월 21일과 10월 17일에 전체적인 부유물질의 농도가 6 ~ 10 mg/L로 상승하는 것으로 나타났다. 이는 Fig. 10(c)에 나타난 바와 같이 실제 해당 지역의 수질관측망 부유물질 농도 자료에서도 홍수기에 높은 농도가 관측된 것과 유사한 경향으로 판단된다. 또한, 낙동강과 금호강 합류부 상류의 상주대교 하류 구간에 해당하는 큰 사행 구간에서는 지형적 영향으로 인한 부유물질의 혼합 거동의 정체 현상으로 인해 상대적으로 고농도가 분포한 것으로 나타났다. 따라서, 본 연구에서 사용한 Sentinel-2 다분광 위성영상은 특정 밴드를 제외하고 10 ~ 20 m의 고해상도 자료를 제공하기에 이러한 하천에서 발생하는 수체 혼합 특성을 공간적으로 정확하게 모니터링 하는 것이 가능하다. 또한, 위성영상을 이용한 원격탐사기반 수질 모니터링 기술은 홍수기에 구름의 영향으로 적용이 힘든 단점이 있지만 본 연구에서 적용한 바와 같이 홍수기 전후로 분석이 가능하며 하천에 분포한 부유물질의 계절적 변화를 관찰하기에 적합한 것으로 판단된다.

https://cdn.apub.kr/journalsite/sites/kwra/2021-054-02/N0200540205/images/kwra_54_02_05_F10.jpg

Fig. 10

(a) Time series of discharge at Sungju bridge, (b) locations of water stage and quality stations, and (c) time series of SS at Dalsung, Dasa, and Hwawon station

https://cdn.apub.kr/journalsite/sites/kwra/2021-054-02/N0200540205/images/kwra_54_02_05_F11.jpg

Fig. 11

SS map using developed SVR model at the confluence of Nakdong river and Geumho river

4. 요약 및 결론

본 연구에서는 Sentinel-2 다분광 위성영상을 활용하여 낙동강을 대상으로 기계학습 기반 원격탐사 기반 부유물질 농도 계측 모형을 개발하였다. 모형 구축을 위한 낙동강 부유물질 농도 자료는 국립환경과학원에서 제공하는 수질측정망의 부유물질 농도(SS) 자료를 활용하였다. 실측 부유물질 농도와 다분광 위성영상의 최적 파장대 밴드와 밴드비의 상관관계를 도출하기 위해 기계학습 모형인 SVR 모형을 구축하였다. SVR 모형의 구축 및 검증 자료는 Sentinel-2 위성의 발사 이후 기간부터 약 2년 5개월 기간인 2016년 11월부터 2019년 4월까지를 대상으로 낙동강 본류에 위치한 총 20개의 수질관측소 자료와 동일 시공간 자료를 추출하여 총 14개의 위성영상과 65개의 부유물질 농도 자료를 추출하였다. 또한, 취득된 초기 위성 영상은 대기층을 포함한 TOA 영상이기에 Dark Spectrum Fitting 알고리즘 기반의 대기보정을 수행하여 지구 표면에 대한 반사율 값으로 변환하고 수체 영역에 대한 검출 과정을 거쳐 각 수질관측소 지점에 대한 다분광 스펙트럼을 추출하였다.

SVR 모형의 고려 변수를 선정하기 위해 다분광 위성영상의 최적 파장대 밴드와 밴드비를 Sentinel-2 MSI 센서의 범위인 가시광 영역에서 단파장 적외선 영역(443 nm ~ 2190 nm)에 대해서 12개의 분광 밴드와 6개의 밴드 비를 대상으로 RFE 방법을 적용하였다. 그 결과, 총 6개의 최적 파장대 밴드와 2개의 밴드비가 낙동강 부유물질 농도에 대한 최적 변수로 선정되었다. 또한, 최적 변수로 산정된 분광 밴드와 밴드비 중에서 SVR의 가중계수를 이용한 상대적인 변수 중요도를 산출한 결과, Red-edge 영역의 705 nm 파장대인 B05 밴드가 가장 유의한 밴드로 산출되었으며, 이는 부유물질 농도와 단일 파장대 밴드와 밴드비의 상관계수를 산출한 기존 연구와 동일한 결과이다.

최종적으로 구축된 SVR 모형을 기존 선행연구들에서 제시한 27개의 원격탐사 기반 부유물질 농도 계측식들과 낙동강 영역에 적용한 결과와 비교한 결과, 대부분은 선행연구식들을 낙동강에 적용하였을 때 결정계수(R²) 0.5 이하의 낮은 정확도를 나타냈으나, SVR 모형은 결정계수(R²) 0.79로 비교적 정확한 검증 결과가 나왔다. 이러한 선행연구 식들은 대부분 1 ~ 3개의 파장대 밴드 혹은 밴드비를 독립변수로 사용한 선형식 혹은 지수식이 대부분이었으며, 이러한 간단한 회귀식 형태로는 낙동강 전역에 대한 부유물질 농도와 분광 스펙트럼 간의 관계를 구현하기는 힘든 것으로 밝혀졌다. 나아가서 개발된 SVR 모형을 낙동강과 금호강 합류부 지역에 적용한 결과, 홍수기 전 후에 따른 부유물질 농도 변화를 뚜렷하게 재현했으며, 고해상도의 부유물질의 공간분포를 통해 합류부와 사행구간에서의 부유물질에 대한 혼합특성을 밝힐 수 있었다.

본 연구의 결과는 계측 지역과 시기에 따라 유량, 수심 등의 수리적 특성, 하상 구성에 따른 바닥 반사율의 변화, 그리고 부유물질을 구성하는 광물의 특성이 상이하기에 특정 파장대의 밴드만을 고려하는 회귀모형의 결과는 지역성이 매우 크게 나타남을 보여 주고 있다. 따라서, 다양한 파장대의 밴드와 밴드 비를 조합하여 부유물질 농도와의 관계를 구현한 SVR 모형은 특정 파장대 밴드에 대한 의존도를 줄임과 동시에 여러 변수를 고려함에 따라 발생하는 모형의 복잡성도 최소화 시킬 수 있기에 낙동강 등 대하천 영역에 대한 원격탐사 기반 부유물질 농도 계측 모형으로 적합한 것으로 판단된다. 향후 본 연구에서 제안한 방법을 기반으로 낙동강 부유물질 농도를 더욱 정밀히 모니터링하기 위해서는 다분광 위성영상에 대한 추가적인 시공간 자료 확보를 통해 모형의 정확도 및 신뢰도를 높일 필요가 있으며, 부유물질과 분광 스펙트럼 간의 상관관계에 대한 정밀한 분석을 통해 계절적 특성 및 수리적 특성에 따른 부유물질의 분광 특성 변화를 반영할 필요가 있다.

Acknowledgements

본 연구는 과학기술정보통신부 및 국토교통부 “공공혁신조달 연계 무인이동체 및 SW플랫폼 개발사업”(20DPIW-C153746-02)과 BK21+NEXT사업단의 연구비 지원에 의하여 수행되었습니다. 본 연구는 서울대학교 공학연구원의 지원과 건설환경종합연구소의 지원으로 이루어졌습니다.

References

Arisanty, D., and Nur Saputra, A. (2017). "Remote sensing studies of suspended sediment concentration variation in barito delta." IOP Conference Series: Earth and Environmental Science, Yogyakarta, Indonesia, Vol. 98, pp. 0-6, doi: 10.1088/1755-1315/98/1/012058. 10.1088/1755-1315/98/1/012058

Beschta, R.L., Bilby, R.E., Brown, G.W., Holtby, L.B., and Hofstra, T.D. (1987). "Stream temperature and aquatic habitat; ﬁsheries and forestry interactions." Streamside management forestry and fishery interactions, Edited by Salo, E.O., Cundy, T.W., University of Washington, Institute of Forest Resources, Contribution No 57: Seattle, WA, pp. 191-232.

Bhargava, D.S., and Mariam, D.W. (1991). "Light penetration depth, turbidity and reflectance related relationships and models." ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 46, No. 4, pp. 217-230, doi: 10.1016/0924-2716(91)90055-Z. 10.1016/0924-2716(91)90055-Z

Caballero, I., Steinmetz, F., and Navarro, G. (2018). "Evaluation of the first year of operational Sentinel-2A data for retrieval of suspended solids in medium- to high-turbidity waters." Remote Sensing, Vol. 10, No. 7, p. 982, doi: 10.3390/rs10070982. 10.3390/rs10070982

Chen, Z.M., Hanson, J.D., and Curran, P.J. (1991). "The form of the relationship between suspended sediment concentration and spectral reflectance-Its implications for the use of Daedalus 1268 data." International Journal of Remote Sensing, Vol. 12, No. 1, pp. 215-222, doi: 10.1080/01431169108929647. 10.1080/01431169108929647

Chi, M., Feng, R., and Bruzzone, L. (2008). "Classification of hyperspectral remote-sensing data with primal SVM for small-sized training dataset problem." Advances in Space Research, Vol. 41, pp. 1793-1799, doi: 10.1016/j.asr.2008.02.012. 10.1016/j.asr.2008.02.012

Chu, V.W., Smith, L.C., Rennermalm, A.K., Forster, R.R., Box, J.E., and Rech, N. (2009). "Sediment plume response to surface melting and supraglacial lake drainages on the Greenland ice sheet." Journal of Glaciology, Vol. 55, No. 194, 1072e1082. 10.3189/002214309790794904

Dekkera, A.G., Vosb, R.J., and Petersb, S.W.M. (2001). "Comparison of remote sensing data, model results and in-situ data for to- tal suspended matter žTSM/in the southern Frisian lakes." Science of the Total Environment, Vol. 268, pp. 197-214, doi: 10.1016/S0048-9697(00)00679-3. 10.1016/S0048-9697(00)00679-3

Dethier, E.N., Renshaw, C.E., and Magilligan, F.J. (2020). "Toward Improved accuracy of remote sensing approaches for quantifying suspended sediment: Implications for suspended sediment monitoring." Journal of Geophysical Research. Earth Surface, Vol. 125, No. 7, e2019JF005033, doi: 10.1029/2019JF005033. 10.1029/2019JF005033

Doxaran, D., Froidifond, J.M., and Castaing, P. (2003). "Remote-sensing reflectance of turbid sediment-dominated waters, reduction of sediment type variations and changing illumination conditions effects by use of reflectance ratios." Applied Optics, Vol. 42, No. 15, 2623e2634. 10.1364/AO.42.00262312776997

Du, Y., Zhang, Y., Ling, F., Wang, Q., Li, W., and Li, X. (2016). "Water bodies' mapping from Sentinel-2 imagery with modified normalized difference water index at 10-m spatial resolution produced by sharpening the swir band." Remote Sensing, Vol. 8, No. 4, p. 354, doi: 10.3390/rs8040354. 10.3390/rs8040354

Fang, G., Chen, S., Wang, H., Qian, J., and Zhang, L. (2010). "Detecting marine intrusion into rivers using EO-1 ALI satellite imagery: Modaomen Waterway, Pearl River Estuary, China." International Journal of Remote Sensing, Vol. 31, No. 15, 4125e4146. 10.1080/01431160903229218

Gin, K.Y.H., Koh, S.T., and Lin, I.I. (2003). "Spectral irradiance profiles of suspended marine clay for the estimation of suspended sediment concentration in tropical waters." International Journal of Remote Sensing, Vol. 24, pp. 3235-3245, doi: 10.1080/01431160110114934. 10.1080/01431160110114934

Guyon, I., Weston, J., Barnhil,l S., and Vapnik, V. (2002). "Gene selection for cancer classification using support vector machines." Machine Learning, Vol. 46, pp. 389-422. 10.1023/A:1012487302797

Islam, A., Gao, J., Ahmad, W., Neil, D., and Bell, P. (2003). "Image calibration to like- values in mapping shallow water quality from multi temporal data." Photo-grammetric Engineering & Remote Sensing, Vol. 69, No. 5, 567e575. 10.14358/PERS.69.5.567

Islam, M.R., Yamaguchi, Y., and Ogawa, K., (2001). "Suspended sediment in the Ganges and Brahmaputra Rivers in Bangladesh: Observation from TM and AVHRR data." Hydrological Processes. Vol. 15, pp. 493-509, doi: 10.1002/hyp.165. 10.1002/hyp.165

Ismail, K., Boudhar, A., Abdelkrim, A., Mohammed, H., Mouatassime, S., Kamal, A., Driss, E., Idrissi, E., and Nouaim, W. (2019). "Evaluating the potential of Sentinel-2 satellite images for water quality characterization of artificial reservoirs: The Bin El Ouidane Reservoir case study (Morocco)." Meteorology Hydrology and Water Management, Vol. 7, No. 1, pp. 31-39, doi: 10.26491/mhwm/95087. 10.26491/mhwm/95087

Joshi, I.D., D'Sa, E.J., Osborn, C.L., and Bianchi, T.S. (2017). "Turbidity in Apalachicola Bay, Florida from Landsat 5 TM and field data: Seasonal patterns and response to extreme events." Remote Sensing, Vol. 9, p. 367. 10.3390/rs9040367

Lim, J., and Choi, M. (2015). "Assessment of water quality based on Landsat 8 operational land imager associated with human activities in Korea." Environmental Monitoring and Assessment, Vol. 187, pp. 1-17. doi: 10.1007/s10661-015-4616-1. 10.1007/s10661-015-4616-126017808

Liu, H., Li, Q., Shi, T., Hu, S., Wu, G., and Zhou, Q., (2017). "Application of sentinel 2 MSI images to retrieve suspended particulate matter concentrations in Poyang Lake." Remote Sensing, Vol. 9, p. 761, doi: 10.3390/rs9070761. 10.3390/rs9070761

Lodhi, M.A., Rundquist, D.C., Han, L., Kuzila, M.S. (1997). "The potential for remote sensing of loess soils suspended in surface waters." Journal of the American Water Resources Association, Vol. 33, No. 1, pp. 111-117. 10.1111/j.1752-1688.1997.tb04087.x

Ma, R., and Dai, J. (2005). "Investigation of chlorophyll-a and total suspended matter concentrations using landsat ETM and field spectral measurement in Taihu Lake, China." International Journal of Remote Sensing, Vol. 26, pp. 2779-2795, doi: 10.1080/01431160512331326648. 10.1080/01431160512331326648

Novo, E.M.M., Hansom, J.D., and Curran, P.J. (1989). "The effect of sediment type on the relationship between reflectance and suspended sediment concentration." International Journal of Remote Sensing, Vol. 10, No. 7, pp. 1283-1289, doi: 10.1080/01431168908903967. 10.1080/01431168908903967

Osadchiev, A. (2015). "A method for quantifying freshwater discharge rates from satellite observations and Lagrangian numerical modeling of river plumes." Environmental Research Letters, Vol. 10, 085009, doi: 10.1088/1748-9326/10/8/085009. 10.1088/1748-9326/10/8/085009

Pal, M., and Foody, G.M. (2010). "Feature selection for classification of hyperspectral data by SVM." IEEE Transactions on Geoscience and Remote Sensing, Vol. 48, pp. 2297-2307, doi: 10.1109/TGRS.2009.2039484. 10.1109/TGRS.2009.2039484

Peterson, K.T., Sagan, V., Sidike, P., Cox, A.L., and Martinez, M. (2018). "Suspended sediment concentration estimation from landsat imagery along the lower missouri and middle Mississippi Rivers using an extreme learning machine." Remote Sensing, Vol. 10, No. 10, 1503, doi: 10.3390/rs10101503. 10.3390/rs10101503

Pham, Q.V., Ha, N.T.T., Pahlevan, N., Oanh, L.T., Nguyen, T.B., and Nguyen, N.T. (2018). "Using landsat-8 images for quantifying suspended sediment concentration in red river (Northern Vietnam)." Remote Sensing, Vol. 10, No. 11, 1841, doi: 10.3390/rs10111841. 10.3390/rs10111841

Shi, H., Cao, Y., Dong, C., Xia, C., and Li, C. (2018). "The spatiotemporal evolution of river island based on Landsat satellite imagery, hydrodynamic numerical simulation and observed data." Remote Sensing, Vol. 10, No. 12, 2046, doi: 10.3390/rs10122046. 10.3390/rs10122046

Svab, E., Tyler, A.N., Preston, T., Presing, M., and Balogh, K.V. (2005) "Characterizing the spectral reflectance of algae in lake waters with high suspended sediment concentrations." International Journal of Remote Sensing, Vol. 26, pp. 919-928. 10.1080/0143116042000274087

Umar, M., Rhoads, B.L., and Greenberg, J.A. (2018). "Use of multispectral satellite remote sensing to assess mixing of suspended sediment downstream of large river confluences." Journal of Hydrology, Vol. 556, pp. 325-338, doi: 10.1016/j.jhydrol.2017.11.026. 10.1016/j.jhydrol.2017.11.026

Vanhellemont, Q., and Ruddick, K. (2015). "Advantages of high quality SWIR bands for ocean colour processing: Examples from Landsat-8." Remote Sensing of Environment, Vol. 161, pp. 89-106, doi: 10.1016/j.rse.2015.02.007. 10.1016/j.rse.2015.02.007

Vanhellemont, Q., and Ruddick, K. (2016) "ACOLITE For Sentinel-2: Aquatic Applications of MSI Imagery." Proceedings of Living Planet Symposium 2016, Prague, Czech Republic, Vol. 740, p. 55.

Vapnik, V. (1995). The nature of statistical learning theory, Springer-Verlag, NY, U.S. 10.1007/978-1-4757-2440-08555380

Wang, J.J., and Lu, X.X. (2010). Estimation of suspended sediment concentrations using Terra MODIS: An example from the Lower Yangtze River, China. Science of the Total Environment, Vol. 408, No. 5, 1131e1138. 10.1016/j.scitotenv.2009.11.05720022078

Wang, J.J., Lu, X.X., Liew, S.C., and Zhou, Y. (2010). "Remote sensing of suspended sediment concentrations of large rivers using multi-temporal MODIS images: An example in the middle and lower Yangtze River, China." International Journal of Remote Sensing, Vol. 31, No. 4, pp. 1103-1111. 10.1080/01431160903330339

Wang, J.J., Lu, X.X., Soo, C.L., and Yue, Z. (2009). Retrieval of suspended sediment concentrations in large turbid rivers using Landsat ETM+: An example from the Yangtze River, China. Earth Surface Processes and Landforms, Vol. 34, No. 8, 1082e1092. 10.1002/esp.1795

Wright, D. (2018). "Sentinel-2 as a tool for quantifying suspended particulate matter in the Tamar Estuary." The Plymouth Student Scientist, Vol. 11, pp. 3-33.

Journal of Korea Water Resources Association ISSN:2799-8746(Print) 2799-8754(Online) 한국수자원학회 논문집

Preview

Development of suspended solid concentration measurement technique based on multi-spectral satellite imagery in Nakdong River using machine learning model

ABSTRACT

MAIN

Fig. 1

Location of water quality stations for SS

Table 1.

Spectral bands of Sentinel-2 MSI sensor

Table 2.

Statistic of extracted SS data by matching the satellite images

Fig. 2

Schematic flow chart of the satellite image preprocessing

(1)

(2)

(3)

(4)

(5)

Fig. 3

Comparison of (a) TOA and (b) BOA images acquired at 6th November 2018

Fig. 4

Images of confluence of Nakdong river and Geumho river, mapped by (a) MNDWI and (b) extracted water body

Fig. 5

Correlation chart of SS concentration to spectral band and band ratio

Table 3.

Regression equations of previous studies to estimate SS (mg/L) with reflectance and R2 that refers validation results with data-set at Nakdong river

Fig. 6

Frequency of selected wavelength of SS estimators from previous studies

Fig. 7

Result of SVR-RFE to find optimal number of variables selected

Fig. 8

Relative importance of each variables from SVR and selected bands with red bars

Fig. 9

Comparison of predicted SS between this study and Liu et al. (2017)

Fig. 10

(a) Time series of discharge at Sungju bridge, (b) locations of water stage and quality stations, and (c) time series of SS at Dalsung, Dasa, and Hwawon station

Fig. 11

SS map using developed SVR model at the confluence of Nakdong river and Geumho river

Acknowledgements

References

Comparison of (a) TOA and (b) BOA images acquired at 6^th November 2018

Regression equations of previous studies to estimate SS (mg/L) with reflectance and R² that refers validation results with data-set at Nakdong river