1. 서 론
2. 자료 및 방법
2.1 대상 지역
2.2 위성영상
2.3 Water Cloud Model
2.4 식생지수
3. 결과 및 고찰
3.1 토양수분 관측소별 상관성 분석
3.2 Forward modeling
3.3 토양수분 모의
4. 결 론
1. 서 론
전천후라는 장점과 함께 식생 층을 투과하여 촬영할 수 있는 합성개구레이더(Synthetic Aperture Radar, SAR)는 식생 및 지표면의 생물리학적 매개변수를 추출할 수 있는 큰 잠재력을 보유하고 있다(Park et al., 2019). SAR에서 측정되는 후방산란계수(backscattering coefficient)는 토양 내 수분량에 비례하는 유전상수와 높은 상관성을 보이며, 이를 활용한 토양수분 추정 연구가 현재까지 지속적으로 수행되고 있다. 추정된 토양수분은 홍수 및 가뭄 모니터링, 수문학적 모델링, 나아가 기후변화 예측 등에 있어 필수적이고 중요한 변수로써 활용되고 있다(Kim and Kim, 2011).
SAR를 이용한 토양수분 추정은 레이더 후방산란 모형에서 모의된 후방산란계수를 반전시켜 수행된다. 식생이 드물게 존재하는 지표면에 대해 후방산란계수를 모의하기 위해 경험적 모형(Quesney, 2000; Zribi and Dechambre, 2003), 물리적 모형(Fung et al., 1992), 준경험적 모형(Oh et al., 1992; Dubois et al., 1995)을 포함한 많은 모형이 개발되었다. 또한, 컴퓨터 처리성능의 비약적인 발전으로 기계학습의 활용도 점차 증가하는 추세이다(Attarzadeh et al., 2018; Hajdu et al., 2018; Hegazi et al., 2021; Chung et al., 2022). 경험적 모형은 특정 지역을 대상으로 하여 경험적으로 얻어진 토양수분과 SAR 신호 간의 관계를 바탕으로 하므로 일반적인 적용이 어렵고, 물리적 모형은 다양한 지표면 조건(수분량, 표면 거칠기, 레이더 센서의 구성 등)과 후방산란계수와의 물리적인 관계를 기반으로 하여 광역적(site-independent)으로 적용할 수 있지만 모델이 매우 복잡하여 적용이 제한적이다. 반면 준경험적 모형은 경험적 관계와 레이더 산란 과정의 물리적 표현과 결합하여 비이동성(non-transferability)을 피할 수 있다(Eweys et al., 2017).
상기 기술된 모형들의 근본적인 단점은 오직 나지나 식생 피복이 두텁지 않은 지표면을 대상으로 할 때 유효하다는 것이다. SAR의 후방산란계수는 지표의 표면 거칠기 뿐만 아니라 식생 피복에도 민감하기 때문에 이를 활용한 토양수분 추정을 어렵게 하며, 후방산란 모형을 식생 지역에 그대로 적용하면 토양수분량을 과소 추정하거나 표면 거칠기를 과대 추정하게 된다(Shi et al., 2012). 따라서 SAR 후방산란에 대한 식생 및 표면 거칠기의 영향을 최소화하는 것은 토양수분을 추정하는데 필수적이라고 할 수 있다. 하지만, 표면 거칠기는 측정 방법과 단면 길이(profile length)에 따라 달라지며(Callens et al., 2006; Bryant et al., 2007), 시공간적으로 변화할 뿐만 아니라 특히 농업지역의 경우 영농기에는 측정이 불가능하다(Xing et al., 2019). 식생은 SAR 후방산란에 큰 영향을 주며 복잡한 식생 캐노피 구조에서 파생되는 다양한 미지의 매개변수는 지표면의 토양수분을 추정함에 있어 현재까지도 큰 도전과제로 남아있다(Kweon et al., 2012). 또한, 표면 거칠기와 마찬가지로 식생은 시공간적으로 변화하기 때문에 정확한 토양수분 추정을 위해서는 변화하는 식생에 대한 영향이 고려되어야 한다.
일반적으로 레이더 신호에서 식생의 기여도를 정량화하기 위해 1차 복사전달 기법을 기반으로 한 이론적 모델(Radiative Transfer Model, RTM)이 주로 사용된다(Weiß et al., 2021). Michigan Canopy Scattering Model (MIMICS; Ulaby et al., 1990), Single Scattering Radiative Transfer (SSRT; Ulaby et al., 2014) 모형이 대표적이며 식생 후방산란에 대한 정확도가 높지만, 모형별로 각 60, 32개의 많은 입력변수가 필요하며 계산이 매우 복잡하다. Attema and Ulaby (1978)가 제시한 준경험적 모형 Water Cloud Model (WCM)은 식생 캐노피의 구조를 균일하게 분포된 구형 입자의 층(즉, 물-구름층)으로 단순화하여 RTM 대비 간단하게 적용할 수 있는 장점이 있다. WCM은 농지나 초지 등 식생 지역에서의 생물리학적 매개변수를 추정하거나(Chauhan et al., 2018; Park et al., 2019; Bouchat et al., 2022) 토양수분을 추정하기 위해 많은 지역에 성공적으로 적용되었다(Lievens and Verhoest, 2011; Baghdadi et al., 2017; Xing et al., 2019; Wang et al., 2021). 특히, 토양수분 추정에서 정규식생지수(Normalized Difference Vegetation Index, NDVI), 엽면적지수(Leaf Area Index, LAI), 식생수분함량(Vegetation Water Content, VWC) 등의 다양한 식생변수의 적용성을 평가하거나(Prevot et al., 1993; Champion, 1996; Shashikant et al., 2021; Yadav et al., 2021), WCM의 모의 기법 간의 비교평가가 이루어진 바 있다(Kumar et al., 2012; Mandal et al., 2019).
해외에서는 일찍이 다양한 현장 측정(field campaign)을 통해 후방산란 및 토양수분 모형의 보정 및 검증을 수행한 바 있으며(Su et al., 1997; Baghdadi et al., 2004; Zribi et al., 1997; Joseph et al., 2010; McNarin et al., 2015, 2016; Hornbuckle et al., 2017), 표면 거칠기 측정을 통해 후방산란 과정에 대한 더 나은 이해를 꾀하였다. 우리나라에서는 2000년 7월경 NASA/JPL이 주관하는 PACRIM 2(Proposed AIRSAR Pacific Rim Deployment 2) program에서 얻어진 SAR 영상 데이터를 차량 탑재형 scatterometer를 이용해 얻어진 실측 데이터를 이용해 보정하는 연구(Jung et al., 2004)가 진행된 바 있으나, 현장 측정이나 체계적인 토양수분 관측은 전무한 것으로 알려져 있다(Kim, 2007).
우리나라는 67.8%의 산림, 21.1%의 농경지로 구성된 식생이 짙은 토지이용 분포를 가지기 때문에(Chung et al., 2019), 기개발된 레이더 후방산란모형을 그대로 적용하기에는 부적절하다. 그럼에도 불구하고 우리나라를 대상으로 WCM을 위시한 식생의 영향을 고려하는 후방산란모형의 적용, 그리고 이를 활용한 토양수분 추정 연구는 다소 미진한 실정이다. Park and Oh (2016)은 RTM과 WCM, Oh model을 활용하여 후방산란계수를 모의하고 이로부터 토양수분을 추정하였고, Cho et al. (2020)과 Cho et al. (2021)에서는 Sentinel-1 영상과 WCM 기반의 토양수분 추정을 수행하였다. 상기 선행연구는 WCM 모의에 각각 LAI와 RVI (Radar Vegetation Index)의 1개 식생지수만을 활용하였으며, 우리나라에 WCM의 적용성을 확인하기 위해서는 보다 다각적인 검토가 필요하다.
본 연구에서는 1) 우리나라를 대상으로 WCM을 활용한 정모델링(forward modeling)을 수행하고, 2) 다양한 WCM의 식생변수의 적용성을 평가한 후, 3) 모의된 후방산란계수를 반전(inversion)하여 토양수분을 추정하여 실측 토양수분과의 비교를 통해 WCM의 성능 평가를 수행하였다.
2. 자료 및 방법
본 연구에서는 WCM의 적용과 토양수분 추정을 위해 Sentinel-1 C-band SAR 및 Sentinel-2 MSI (MultiSpectral Instument) 광학 위성영상을 활용하였다. Sentinel-1 및 -2 위성영상은 2017년부터 2020년까지 4년간의 데이터를 수집하여 유럽우주국(European Space Agency, ESA)에서 제공하는 SNAP (SentiNel Application Platform)을 사용해 위성영상의 전처리를 수행하였다. WCM의 식생변수로는 Sentinel-1 SAR 기반의 RVI 및 탈분극비(Depolarization Ratio, DR)와 Sentinel-2 광학 위성 기반의 NDVI를 활용하였으며, 각 식생지수를 이용해 모의 된 WCM 결과의 성능 비교를 통해 적용성 평가를 수행하였다. 최종적으로 WCM에서 모의 된 후방산란계수를 반전하여 토양수분을 모의한 뒤, 동 기간에 대해 수집된 일별 토양수분 자료를 이용해 모의 토양수분을 검증하였다(Fig. 1).
2.1 대상 지역
본 연구는 금강 상류의 용담댐 유역을 포함하는 40×50 km2의 영역을 대상으로 하였다(Fig. 2). 용담댐 유역은 다양한 수문 자료의 수집과 검증을 수행하는 UNESCO-IHP (United Nations Educational, Scientific and Cultural Organization International Hydrological Programme)의 대표 시험유역으로, 유역 내 총 6개의 토양수분 관측소는 한국수자원공사(K-water)에서 관리 중이다. 국내에서는 K-water 이외에도 기상청, 한국수자원조사기술원, 농촌진흥청에서 지속적으로 토양수분을 측정 중이나, 자료의 품질관리가 적절히 수행되지 않고 있는 것으로 알려져 있다(Lee et al., 2020). 용담댐 유역의 토양수분 관측소의 경우 전반적으로 품질이 양호한 것으로 나타났으며(Lee et al., 2019), 따라서 본 연구에서는 WCM의 검증을 위해 해당 토양수분 자료를 활용하였다.
용담댐 유역의 토양수분 지점은 TDR (Time Domain Reflectometry)를 이용해 토양수분을 측정 중이며 부귀, 주천 관측소는 지표 하 10 cm, 20 cm, 40 cm, 60 cm의 토양수분 자료를, 나머지 4개 관측소에서는 지표 하 80 cm의 토양수분 자료를 제공한다(ME, 2020). Sentinel-1과 같은 C-band SAR의 경우 최대 5 cm의 투과율을 가지므로(Ottinger and Kuenzer, 2020) 본 연구에서는 지표 하 10 cm에서 측정된 토양수분 자료를 이용하였다. 6개 토양수분 관측소의 개략적인 정보는 다음과 같다(Table 1).
Table 1.
Brief information of soil moisture station
| Station | Latitude (degree) | Longitude (degree) | Altitude (m) | Soil series* | Max.* (vol.%) | Min.* (vol.%) | Mean* (vol.%) | Std.* (vol.%) |
| Ancheon | 35.8689 | 127.5433 | 313 | Asan | 53.0 | 11.8 | 38.9 | 5.77 |
| Bugwi | 35.8622 | 127.3992 | 396 | Anryong | 21.9 | 3.6 | 14.8 | 3.40 |
| Cheoncheon | 35.6847 | 127.5114 | 409 | Samgag | 36.3 | 11.4 | 25.0 | 4.97 |
| Gyebuk | 35.8075 | 127.6294 | 453 | Samgag | 44.1 | 13.0 | 30.1 | 5.56 |
| Jucheon | 35.9706 | 127.4242 | 303 | Seogto | 35.4 | 9.5 | 26.1 | 4.77 |
| Sangjeon | 35.8053 | 127.4844 | 334 | Asan | 51.4 | 18.8 | 36.2 | 4.22 |
*Soil series information was referred to Yongdam experimental catchment manage white book (Chae et al., 2016).
2.2 위성영상
2.2.1 Sentinel-1
Sentinel-1은 중심주파수 5.404 GHz의 C-band SAR가 탑재된 위성으로 ESA에서 Sentinel-1A와 Sentinel-1B가 2014년 4월, 2016년 6월에 발사되어 운용 중이다. 각 위성의 재방문주기는 12일이며, 두 위성을 모두 사용할 경우 6일의 짧은 재방문주기를 얻을 수 있으나 1A 위성은 하강 경로(descending), 1B 위성은 상승 경로(ascending)로 이동하며 측방감시(side-looking) 방법으로 영상을 촬영하기 때문에 위성 간 입사각의 차이로 인해 후방산란계수 및 산정된 토양수분 값에 영향을 미칠 수 있다(Comite and Pierdicca, 2019). 따라서 본 연구에서는 Sentinel-1B 위성영상만을 사용하였으며, 2017년부터 2020년까지 12일 간격으로 총 115장의 영상을 수집하였다.
Sentinel-1 영상은 10 m 해상도의 IW (Interferometric Wide Swath) mode의 GRD (Ground Range Detected) product를 수집하여 SNAP을 이용해 전처리를 수행하였다. 전처리 과정은 궤도 보정, 방사 보정, 열 잡음(thermal noise) 및 스펙클(speckle) 보정, 지형 보정, dB (decibel) 스케일 변환 순으로 진행하였다. 여기서, 스펙클 보정 시 사용되는 다양한 필터링 기법들이 존재하나 본 연구에서는 선행 연구(Liu et al., 2021; Chung et al., 2022)에서 토양수분 산정 시 가장 효과적인 필터링 기법으로 나타난 Lee Sigma filter (Lee et al., 2009)를 사용하였다. IW mode에서는 VH (Vertical transmit–Horizontal receive)와 VV (Vertical transmit–Vertical receive) 편파 영상을 제공하며, 최종적으로 처리된 VH 및 VV 편파 후방산란계수()가 연구에 사용되었다.
2.2.2 Sentinel-2
ESA에서 발사한 두 번째 Sentinel 위성군인 Sentinel-2는 MSI 광학 센서를 탑재한 광학 위성으로 쌍둥이 위성인 Sentinel-2A와 Sentinel-2B 위성이 2015년 6월, 2017년 3월에 발사되었다. 두 위성은 각각 10일의 재방문주기를 가지며, 탑재된 MSI 센서는 가시근적외선(Visible and Near Infra-Red, VNIR), 단파적외선(Short Wave Infra-Red, SWIR) 대역을 촬영하여 10 m, 20 m, 60 m 공간 해상도를 가지는 총 13개 band 영상을 제공한다(Table 2).
Sentinel 위성군의 자료 수집이 가능한 ESA Copernicus Open Access Hub (https://scihub.copernicus.eu/)에서는 Level-1C TOA (Top-of-Atmosphere) 반사율 영상과 추가적인 대기 보정이 적용된 Level-2A BOA (Bottom-of-Atmosphere) 반사율 영상이 제공된다. Level-1C의 대기 보정은 같은 Sentinel-2 영상에서 얻어진 에어로졸 광학두께(Aerosol Optical Depth, AOD)와 대기 중 수증기(Waver Vapor, WV)를 이용해 보정된다(Cho and Kim, 2019). 본 연구에서는 Sentinel-2B 위성의 BOA 영상을 2017년부터 2020년까지 10일 간격으로 총 120장의 영상을 수집하였으며, 연구 기간 중 BOA 영상이 제공되지 않는 기간에 대해서는 TOA 영상을 수집하여 SNAP의 Sen2Cor processor를 통해 대기 보정을 수행하고, BOA 영상으로 변환하여 연구에 활용하였다.
Table 2.
Spectral bands for the Sentinel-2 sensors (ESA, 2021)
2.3 Water Cloud Model
1978년 Attema and Ulaby (1978)에 의해 처음으로 제안된 WCM은 레이더 신호와 작물 간의 복잡한 상호 작용을 설명하는 수학적 이론 모형을 통합하는 대신 경험적 회귀 모형의 효율성을 개선하기 위해 개발되었으며(Graham and Harris, 2003), 식생 캐노피 구조를 공기와 식생 혼합 공식에 기초해 계산된 유전 상수를 가지는 균질한 유전체의 집합, 소위 물-구름(water-cloud)층이라는 단순한 구조로써 표현한다(Attema and Ulaby, 1978). WCM의 일반적인 형태는 다음과 같다.
여기서, 은 총 후방산란, 는 식생 층에서의 후방산란, 은 식생과 토양층에서의 다중 산란, T2은 감쇠 계수, 은 지표면에서의 후방산란이다. 에서의 감쇠 계수 T2는 식생에 의한 이중 간섭, 즉 지표면에 도달하기 전 식생 상부에서의 1차 충돌과 지표면 충돌 이후 레이더 센서로 돌아올 때의 식생 하부에서의 2차 충돌을 의미한다. 동일편파(co-polarized) 후방산란에서 는 지배적인 요소가 아니므로 무시할 수 있으며(Dobson and Ulaby, 1986; Prevot et al., 1993), 토양에서의 후방산란은 토양수분과 선형적 관계를 가진다는 선행연구 결과(Ulaby et al., 1986)에 따라 WCM은 다음과 같이 수정되었다.
여기서, V1과 V2는 식생변수, 는 입사각(radian), 는 체적 토양수분(vol. %)이며, A와 B는 식생 관련 매개변수, C와 D는 토양 관련 매개변수이다. 일반적으로 매개변수 A와 B는 일반적으로 비선형 최소제곱법(nonlinear least-squares)을 이용해 모형을 적합(fitting)하여 추정된다(Bindlish and Barros, 2001). 본 연구에서는 WCM을 이용해 모의 된 VV 편파 후방산란계수 과 Senitnel-1에서 실측된 의 평균제곱오차(Mean Square Error, MSE)를 최소화하는 전역최적화(global optimization)를 수행하여 모형을 적합하였다. 또한, 매개변수 C와 D는 토양의 후방산란과 토양수분 간 선형 회귀식을 이용해 정의하였다. 모든 매개변수의 최적화 후, 다음 수식에 의해 를 반전하여 최종적인 토양수분을 추정하였다.
2.4 식생지수
본 연구에서는 WCM의 식생변수 V1과 V2의 적용성 평가를 위해 3가지의 식생변수(NDVI, RVI, DR)를 선정하였다. 선정된 식생변수의 조합에 따라 총 9가지 Case를 선정하여 WCM의 모의를 수행하였으며, 토양수분 추정에 따른 최적 식생변수 조합을 확인하고자 하였다(Table 3).
Table 3.
Case classification by vegetation descriptors for water cloud model simulation
| Case number | V1 | V2 | ||||
| NDVI* | RVI* | DR* | NDVI | RVI | DR | |
| 1 | ○ | ○ | ||||
| 2 | ○ | ○ | ||||
| 3 | ○ | ○ | ||||
| 4 | ○ | ○ | ||||
| 5 | ○ | ○ | ||||
| 6 | ○ | ○ | ||||
| 7 | ○ | ○ | ||||
| 8 | ○ | ○ | ||||
| 9 | ○ | ○ | ||||
2.4.1 Normalized Difference Vegetation Index
NDVI는 식물의 활동과 높은 상관성을 가져 작물 생산성이나 식물의 활력도를 추정하는데 가장 널리 이용되는 광학 영상 기반의 식생지수이다. 건강한 식생과, 시든 식생의 근적외선(Near Infra-Red, NIR)영역에서의 반사율과 적색광(red) 영역에서의 반사도를 이용해서 계산되며 Senitnel-2를 이용하는 경우 다음과 같이 계산할 수 있다.
NDVI는 –1~1 사이의 값을 가지며, 일반적으로 식생 지역에서는 0.1~0.7, 밀도가 높은 식생 지역에서는 0.5 이상, 나지, 암석, 모래에서는 0.1 미만의 값을 가진다(Tucker, 1979). 구름이나 물, 눈 등의 수분을 포함하는 물질의 경우 NIR 반사율이 높아져 NDVI가 음수가 되기 때문에 본 연구에서는 NDVI가 음수인 경우, 해당 날짜의 NDVI는 제외하고 모의를 수행하였다. 또한, Sentinel-2와 Sentinel-1의 촬영 시기가 일치하지 않음에 따라 NDVI의 시간적 변동성이 크지 않다고 가정하고, Sentinel-1의 촬영 일자 전후 3일 이내의 NDVI 만을 모의에 활용하였다.
2.4.2 Radar Vegetation Index
레이더 자료를 이용해 계산되는 RVI는 Kim and Van Zyl (2009)에 의해 제안된 식생지수로 본래 다중 편파(quad-polarization) SAR를 위해 개발되었으며, 다음과 같이 표현된다.
여기서, 는 HH, HV, VV 편파 후방산란계수이다. 본 연구에서는 이중 편파(VH, VV) 자료만을 제공하는 Sentinel-1 영상을 활용하기 때문에, Nasirzadehdizaji et al. (2019)에 의해 이중 편파 영상만으로도 계산할 수 있도록 수정된 다음 식을 활용하여 RVI를 산정하였다.
2.4.3 Depolarization Ratio
dB 단위의 와 의 차로써 정의되는 Deploraization Ratio (DR)은 다음과 같이 표현할 수 있다(Ulaby et al., 1986).
DR은 지표면 거칠기와 식생 높이에 민감한 인자로 알려져 있으며, 일반적으로 가 가 식생에 더 민감함에 따라 식생 높이가 증가하면 동시에 DR도 증가하는 경향이 보고된 바 있다(Lin et al., 2009).
3. 결과 및 고찰
3.1 토양수분 관측소별 상관성 분석
먼저, 연구지역 내 6개 토양수분 관측소에 대한 실측 토양수분()과 VV 편파 후방산란계수()의 상관성 분석을 수행하였다. Fig. 3은 두 인자간의 관계성을 확인하기 위한 산점도이며, 상관성 분석과 동시에 관측소 및 주변부의 토지 피복에 대한 영향 분석을 수행하기 위해 국토지리정보원에서 제공하는 항공사진 기반의 정사 영상을 수집하였다(Fig. 4). 모든 영상은 2020년 10월 기준으로 촬영된 영상을 활용하였다. 관측소 주변부의 토지 피복이 나지에 가까운 부귀와 상전 관측소(Figs. 3(b), 3(f), 4(b) and 4(f))에서는 토양수분과 후방산란계수간 상대적으로 강한 선형성을 확인할 수 있다(R=0.45). 안천, 천천 및 계북 관측소(Figs. 3(a), 3(c) and 3(d))에서는 두 인자 간의 약한 양의 상관관계가 나타났으며 기울기가 낮은 경향을 보였다(R=0.33, 0.34, 0.39). 3개 관측소의 주변부는 일정 면적의 초지와 산림으로 구성된 것을 확인할 수 있는데(Figs. 4(a), 4(c), and 4(d)), 토양수분과 후방산란계수가 비례관계임을 볼 때 산림을 투과하여 일정량의 레이더 신호가 지표면에 도달함을 유추해볼 수 있다. 반면, 주천 관측소에서는 R=0.22의 낮은 상관성을 보였다(Fig. 3(e)). 해당 관측소는 도로나 건물 등 인공물과 인접해 있고, 다른 관측소에 비해 다양한 토지 피복 형태를 보이기 때문에 지표면의 레이더 신호가 해당 구조물의 신호와 혼재되었을 가능성이 있다. 도심지에서의 후방산란계수는 시간에 따른 변화가 크지 않음이 다수의 선행연구에서 나타난 바 있으며(Yoo et al., 2013; Zhang et al., 2019; Singha et al., 2019; Nicolau et al., 2021), 이러한 경향성이 실제 토양수분의 변동성과의 차이를 보여 상관성이 낮은 것으로 해석할 수 있을 것이다.
3.2 Forward modeling
WCM의 정모델링은 Sentinel-1의 VV 편파 후방산란계수()를 대상으로 하였다. 각 관측소의 토지 피복 형태가 다르게 나타나고 있어 토양수분과 후방산란계수 간의 관계성이 모두 이질적이기 때문에 일반화된 정모델링을 수행하기에는 한계가 있다. 따라서 본 연구에서는 토양특성이 유사한 관측소별로 3개의 Group으로 나누어 모의를 수행하였다. 해당 Group은 용담시험유역운영백서(Chae et al., 2016)를 참고하여 토양통별로 삼각통(천천, 계북: Group A), 아산통(안천, 상전: Group B), 그리고 안룡 및 석토통(부귀, 주천: Group C)을 1개 Group으로 하여 분류하였다.
모의 전, 먼저 매개변수 C와 D를 정의하였다. 식생의 영향을 최소화하여 순수한 토양수분과 후방산란계수의 관계를 얻기 위해 그룹별 겨울철(12월~2월)의 토양수분과 후방산란계수 자료를 이용하였다(Fig. 5). Fig. 5의 붉은색 원과 파란색 원은 각각 전체 기간과 겨울철에 대한 두 인자의 관계를 나타낸다. 전체 기간에 대한 토양수분과 후방산란계수 사이의 그룹별 상관계수 R에 대비하여 겨울철의 R은 Group 별로 0.26에서 0.38, 0.42에서 0.52, 0.66에서 0.77로 크게 상승하는 모습을 보여 두 인자 간의 선형적 관계가 잘 설명되었다. 따라서, 본 연구에서는 해당 결과에서 도출된 매개변수 C와 D를 사용하여 정모델링을 수행하였다.
Table 4는 Table 3에서 정의한 Case 별 정모델링 결과를 정리한 것이다. 모의는 전체 데이터의 50%를 훈련, 나머지 50%는 검증에 사용하였으며, Nelder-Mead 기법을 이용해 전역 최적화를 수행하였다. Group 별로는 Group A에서 R=0.370~0.386, RMSE=1.623 dB~1.640 dB, Group B에서 R=0.427~0.436, RMSE=1.771 dB~1.792 dB, Group C에서 R=0.614~0.622, RMSE=1.483 dB~1.495 dB의 모의 결과를 나타냈으며 Fig. 5의 Group 별 상관성 분석 결과와도 일치하였다. 즉, 기본적으로 토양수분과 후방산란계수 간의 상관성이 높을수록 좋은 모의 결과를 보였다. Case 별로 살펴보면, 식생변수로 NDVI가 사용된 Case 1, 4, 7의 모의 결과가 평균 R=0.481, 평균 RMSE=1.633 dB, RVI가 사용된 Case 2, 5, 8의 모의 결과가 평균 R=0.480, 평균 RMSE=1.628 dB로 가장 성능이 준수하였다. DR이 활용된 Case 3, 6, 9에서는 성능이 다소 떨어졌으며(평균 R=0.470~0.472, 평균 RMSE=1.637 dB~1.641 dB), 특히 DR만을 사용한 Case 9에서 가장 큰 오류를 보였다. 전체적으로 식생지수의 조합에 따른 수치적인 차이는 크지 않았다. 하지만, 광학 영상 기반의 식생지수의 한계점인 구름에 의한 오염이 영상의 활용성을 감소시키고, 특히 식생의 활력도가 높은 여름철에 강우로 인한 광학 위성영상의 오염이 많다는 것을 감안할 때(Chung et al., 2020), RVI를 사용한 모의 결과를 통해 레이더 기반의 식생지수가 WCM 모의에 대한 활용성 및 적용성이 높은 것을 확인할 수 있었다.
Table 4.
Forward modeling results by cases using different vegetation indices
| Case number | Group A | Group B | Group C | Mean | ||||
| R* | RMSE (dB)* | R | RMSE (dB) | R | RMSE (dB) | R | RMSE (dB) | |
| 1 | 0.386 | 1.628 | 0.436 | 1.787 | 0.622 | 1.483 | 0.481 | 1.633 |
| 2 | 0.386 | 1.629 | 0.434 | 1.771 | 0.621 | 1.484 | 0.480 | 1.628 |
| 3 | 0.370 | 1.623 | 0.427 | 1.792 | 0.614 | 1.496 | 0.470 | 1.637 |
| 4 | 0.386 | 1.628 | 0.436 | 1.787 | 0.622 | 1.483 | 0.481 | 1.633 |
| 5 | 0.386 | 1.629 | 0.434 | 1.771 | 0.621 | 1.484 | 0.480 | 1.628 |
| 6 | 0.370 | 1.623 | 0.427 | 1.791 | 0.614 | 1.495 | 0.470 | 1.636 |
| 7 | 0.386 | 1.628 | 0.435 | 1.787 | 0.622 | 1.483 | 0.481 | 1.633 |
| 8 | 0.386 | 1.629 | 0.434 | 1.771 | 0.621 | 1.484 | 0.480 | 1.628 |
| 9 | 0.373 | 1.640 | 0.428 | 1.788 | 0.616 | 1.495 | 0.472 | 1.641 |
3.3 토양수분 모의
Fig. 6은 3.2절에서의 정모델링 결과를 바탕으로 토양수분을 모의한 결과를 도시한 것이다. 식생변수에 따른 성능 차이가 크지 않음에 따라, 각각의 식생지수를 V1과 V2로 사용한 Case 1, 5, 9의 결과만을 이용해 토양수분을 모의하였다. Figs. 6(a)~6(c)는 Case 1 결과를 이용한 Group A, Group B, Group C의 토양수분 모의 결과이며, Figs. 6(d)~6(f)는 Case 5, Figs. 6(h)~6(j)는 Case 9의 결과이다. 그림의 실선과 점선은 각각 1:1 line과 ±표준편차(Standard deviation, SD)를 나타낸다. 정모델링 결과와 마찬가지로 전체적인 결과는 NDVI를 사용한 Case 1, RVI를 사용한 Case 5, DR을 사용한 Case 9 순서로 상관성이 높았다(Case 1: R=0.377~0.570, RMSE=7.867~14.533 vol.%, Case 2: R=0.376~0.570, RMSE=7.867~15.016 vol.%, Case 3: R=0.371~0.570, 7.948~14.821 vol.%). Group 별로 살펴보면, 가장 상관성이 높은 Case 1 기준으로 Group C, Group B, Group A 순으로 토양수분 모의가 잘 이루어진 것을 확인할 수 있었으며, 다수의 선행연구(Lievens and Verhoest, 2011; Kumar et al., 2014; Bai et al., 2017; Wang et al., 2021)에서도 WCM 모의 시 후방산란계수의 모의가 잘 이루어진 경우, 토양수분 모의 성능도 동시에 좋은 결과를 보인 바 있다.
Case 1의 결과인 Figs. 6(a)~6(c)를 기준으로, Group C의 결과를 제외하면 대다수 모의 값이 ±SD를 벗어나는 것을 확인할 수 있다. 특히, Figs. 6(a) and 6(b)를 살펴보면, 모의된 토양수분이 과소추정되는 경향을 보였다. 토양수분 모의에서의 오류 원인을 파악하기 위해 Sentinel-1 실측 후방산란계수와 NDVI에 따른 후방산란계수 및 토양수분의 실측 및 모의 값의 차를 분석하였다(Fig. 7). Fig. 7(a)의 붉은색 삼각형은 후방산란계수의 실측 및 모의 값의 차, 청색 삼각형은 토양수분의 실측 및 모의 값의 차를 나타낸다. Fig. 7(a)에서 확인할 수 있듯이, 약 -12 dB를 기준으로 실측 후방산란계수의 증가에 따라 모의 후방산란계수가 과소 추정되는 경향을, 실측 후방산란계수의 감소에 따라 모의 후방산란계수가 과대 추정되는 경향을 보였다. 반대로 실측 후방산란계수의 증가에 따라 모의 토양수분이 과대 추정되는 경향을, 실측 후방산란계수의 감소에 따라 모의 토양수분이 과소 추정되는 경향이 나타났다. WCM의 정모델링에서 지표면 후방산란()은 토양수분과 후방산란계수 간의 선형적인 관계를 기반으로 하기에, 높은 토양수분 구간, 즉 높은 후방산란계수 구간에서는 토양수분의 증가와 동시에 성장한 식생이 레이더 신호의 산란을 야기해 두 인자 간의 선형관계를 무디게 하여 모의 정확도를 낮추는 원인이 될 수 있다. 또한, 낮은 토양수분 구간에서는 후방산란계수의 민감도가 낮아짐이 선행연구(Moran et al., 2000)에서 밝혀진 바 있고, 여름철의 높은 기온으로 인해 지표의 수분이 빠르게 증발하고 식생의 활력도가 증가하여 토양수분이 감소한다는 선행연구(Park et al., 2014) 결과를 생각해 볼 때, 마찬가지로 짙은 식생 층으로 인한 레이더 신호의 산란이 모의에 오류를 발생시킴을 유추해 볼 수 있다. 따라서, 실제 NDVI와 모의 및 실측 토양수분의 차를 계절별로 분석하였다(Fig. 7(b)). 계절의 구분은 봄(3~5월), 여름(6~8월), 가을(9~11월), 겨울(12~2월)로 나누었으며 계절별로 황색, 적색, 녹색, 청색 원으로 도시하였다. NDVI가 증가할수록 토양수분의 차이가 크게 증가하는 경향이 나타났다. 특히, 식생이 활발히 성장하는 여름철(붉은 원)에 실측 토양수분과 모의 토양수분의 많은 차이가 발생하는 것을 확인할 수 있다. 일부 가을철(녹색 원) 결과에서도 0.4 이상의 NDVI에서 차이가 크게 발생하는 것을 확인할 수 있으며 이는 9월 초순에 발생한 결과로 여름철에 증가한 높은 식생 활력도의 연장이라고 해석할 수 있을 것이다.
4. 결 론
본 연구에서는 용담댐 유역 내 6개 토양수분 관측지점을 대상으로 WCM과 광학 위성영상 및 레이더 위성영상 기반의 식생지수를 이용한 정모델링 및 해당 결과를 반전하여 토양수분 모의를 수행하였다. WCM은 3개의 Group으로 나누어 모의를 수행하였고, 식생변수 V1과 V2의 조합에 따른 모의 성능과 적용성을 평가하였다. 본 연구의 결과를 요약하면 다음과 같다.
1) 토양수분 관측소별 실측 토양수분과 VV 편파 후방산란계수의 상관성 분석 결과, 국토지리정보원에서 제공하는 항공 정사 영상 기준으로 나지에 가까운 2개 관측소(부귀, 상전)에서는 높은 선형성이 관측되었다. 초지와 산림이 주변부에 혼재되어있는 3개 관측소(안천, 천천, 계북)에서는 두 인자 간의 비례관계가 관측되나 낮은 기울기를 보여 레이더 신호가 토양수분 센서까지 도달함을 유추할 수 있었다. 도로나 건물 등의 인공물을 포함해 다양한 토지이용이 복합적인 1개 관측소(주천)에서는 가장 낮은 상관성을 보였다.
2) 정모델링은 VV 편파 후방산란계수를 모의하였으며, 토양특성이 유사한 관측소별 3개 그룹으로 나누어 수행하였다. WCM의 매개변수 C와 D는 식생의 영향이 최소화될 수 있는 겨울철의 영상을 이용해 정의하였다. 식생지수 조합에 따른 Case 별 정모델링 결과, 토양수분과 후방산란계수 간의 상관성이 높은 Group에서 모의 성능이 높게 나타났다. 또한, NDVI, RVI, DR를 식생변수로 사용한 순서대로 모의 성능이 높았으며 Case 별 성능 차이는 크지 않았다.
3) 2)의 결과로부터 도출된 후방산란계수를 반전하여 토양수분을 모의하고, 실측 토양수분과의 비교를 통해 성능을 평가하였다. 정모델링과 마찬가지로 토양수분과 후방산란계수 간의 상관성이 높을수록 높은 성능을 보였다. 토양수분 모의에서의 오류를 파악하기 위해 NDVI를 식생변수로 사용한 Case 1의 모의 결과를 실측 후방산란계수와 NDVI에 따라 분석하였다. 약 -12dB 기준으로 실측 후방산란계수의 증가에 따라 모의 후방산란계수는 과소 추정, 토양수분은 과대 추정되었고, 실측 후방산란계수의 감소에 따라 모의 후방산란계수는 과대 추정, 토양수분은 과소 추정되는 경향이 관찰되었다. 모의의 오류가 식생 층에 의한 레이더 신호의 교란으로 인해 증가한다는 가정하에 실제 NDVI에 따라 모의 결과를 분석한 결과, 후방산란계수에 따른 분석 결과와 동일한 관계를 확인하였다.
상기 결과에서 공통적으로 알 수 있는 사항은 WCM을 포함한 후방산란 및 토양수분 모형을 적용함에 있어 만족할만한 성능을 얻기 위해서는 토양수분과 후방산란계수 간의 관계가 명확해야 한다는 것이다. 보다 정확하고 정량적인 후방산란 및 토양수분 모형의 개발을 위해서는 지상에서 체계적으로 측정된 데이터의 취득이 무엇보다 중요할 것이다. 또한, WCM에서 정의하는 토양층에서의 후방산란은 토양수분과 후방산란계수가 정비례한다는 가정을 전제로 정의되기 때문에, 기개발된 지표 후방산란모형(Fung et al., 1992; Oh et al., 1992; Dubois et al., 1995)과의 결합을 수행할 필요가 있다.
WCM의 일반화를 위해 토양통별로 Group을 나누어 모의를 수행하였고 이를 통해 후방산란계수의 모의 및 토양수분 추정 정확도를 향상시킬 수 있었으나, 각 Group 별 표본 개수가 매우 적다는 한계점이 존재한다. 향후 연구에서 전국 단위의 토양수분 관측소 자료와 각 관측소에 해당하는 토양특성 정보를 활용하여 Group 별 분류를 수행한다면, 보다 일반화된 WCM의 모의를 수행할 수 있을 것으로 판단된다. 또한, 2025년에 발사 예정인 수자원/수재해 전용 C-band SAR 중형위성(Compact Advanced Satellite 500-5, CAS500-5)의 활용을 위해 후방산란 및 토양수분 산출 모형 일반화에 관한 연구가 요구될 것이다.
본 연구에서 도출된 결과는 추가적인 연구를 통해 정확도 및 신뢰도 향상을 도모하여 여러 분야에 적용할 수 있을 것이다. 기본적으로 토양수분 자료는 수문 모형의 입력자료로써 널리 활용되고 있으며, 수문순환뿐만 아니라 기상 및 기후 변동성에 많은 영향을 주기 때문에 기후변화 예측에 활용되는 순환모형 GCM (Global Circulation Model)의 주요 요소로써 사용된다. 또한, 고해상도 SAR 기반의 토양수분 산정 결과는 기존 저해상도 광학 위성 위주의 토양수분 산정 결과에 대비하여 공간적으로 상세한 토양수분 모니터링을 가능케 한다. 이는 토양수분 기반의 농업적 가뭄 모니터링에 효율적으로 활용하여 가뭄 피해 저감 및 국가 기관의 의사결정에 큰 도움이 될 것으로 판단된다.
