1. 서 론

기후변화로 인한 극한 강수, 홍수, 태풍 등의 수문 재해가 빈번해지면서 댐, 제방, 보와 같은 수리 구조물의 장기 안정성이 위협받고 있다(Shrestha and Kawasaki, 2020). 특히 제방과 댐은 미세 침하나 국지적 변형이 장기간 누적되다가 집중호우와 같은 외부 충격 시 급격히 붕괴되는 사례가 보고되고 있으며(Hariri-Ardebili and Lall, 2021; Ali and Tanaka, 2023), Shirzaei et al. (2025)에서는 연간 2 cm 이상의 부등 침하가 10년 이상 누적될 경우 극한 강우 시 붕괴 위험이 급격히 상승한다고 언급하며 장기 변위 모니터링의 중요성을 강조하였다. 이는 전통적인 정기점검·육안조사 기반의 안전 진단 체계만으로는 조기 경보가 어렵다는 한계를 드러낸다. 이러한 상황에서 전천후·주야간 관측이 가능한 위성 간섭합성개구레이다(Interferometric Synthetic Aperture Radar, InSAR) 기술이 비접촉식·광역 모니터링 수단으로 주목받고 있다(Liu et al., 2017; Crosetto et al., 2016).

시계열 InSAR 기법은 다중 SAR 영상을 활용해 위상 잡음, 대기 지연, 역상관(decorrelation) 문제를 보정함으로써 mm 단위의 장기 변위를 정밀하게 추정할 수 있다. 대표적으로 강한 후방산란을 유지하는 인공 구조물 중심의 고정 산란체(Persistent Scatterer, PS)를 활용하는 PS-InSAR (Ferretti et al., 2002), 공간적 통계 필터링으로 분산 산란체(Distributed Scatterer, DS)를 포함하여 포인트 밀도를 확장한 PS+DS-InSAR (Ferretti et al., 2011), 짧은 기선의 간섭쌍을 선택하여 넓은 지역의 변위 패턴을 복원하는 SBAS (Small BAseline Subset)(Berardino et al., 2003) 및 이를 고주파/저주파 성분 분리와 결합한 E-SBAS (Extended-Small BAseline Subset)가 널리 사용된다(Berardino et al., 2003; Qu et al., 2015; Dong et al., 2025).

국내에서는 한강·금강 유역의 주요 댐을 대상으로 PS-InSAR 기반 변위 모니터링이 수행된 바 있다. 대표적으로 Kim et al. (2023)은 Sentinel-1 C-band SAR 영상을 이용해 용담댐에 PS-InSAR 기법을 적용하여 시계열 변위 자료를 구축하고 2020년 8월에 발생한 집중호우로 인한 댐의 일시적 변형 가능성을 제기하였다. 또한 InSAR+기계학습 결합은 서울권 지반침하 취약도 평가에서 시계열 PSI (StaMPS)와 지리공간 요인을 결합해 Bagging·LogitBoost 등 메타 앙상블을 비교하고 AUC≈0.86-0.88 수준의 예측력을 보인 결과가 보고되어, 향후 제방·댐 위험 예측에도 유사한 머신러닝 프레임워크를 이식할 근거를 제공하였다(Fadhillah et al., 2020).

InSAR 기술은 지난 20여 년간 기법의 발전과 위성 플랫폼의 확장에 힘입어 수리 구조물 및 주변 지반 변형 모니터링에 폭넓게 적용되어 왔다. 초기에는 강한 후방산란 특성을 지닌 PS를 활용한 PS-InSAR 기법이 개발되어(Ferretti et al., 2002) mm 단위의 장기 변위 추정이 가능해졌다. Milillo et al. (2016)은 PS-InSAR 기반 분석을 통해 전통적 점검에서는 간과될 수 있는 댐의 초기 미세 변형을 검출하였고, Dong et al. (2025)은 미시시피 강 제방의 장기 침하 추세를 추적하였다. 이후 DS를 포함하는 PS+DS-InSAR 기법이 제안되면서 댐과 제방의 비구조물 구간이나 식생 지역 등 PS가 희소한 구간에서도 안정적인 변위 측정이 가능해졌다(Ferretti et al., 2011; Bianchini et al., 2017).

한편, 짧은 기선의 간섭쌍만을 활용하는 SBAS-InSAR (Berardino et al., 2003)와 이를 고도화한 E-SBAS 기법은 광역 변위 패턴 복원에 적합하여 대규모 수리 구조물 모니터링에 자주 활용되었다. 예를 들어, SBAS-InSAR를 이용해 대규모 댐의 광역 변위 특성을 파악한 사례가 보고되었으며(Ruiz-Armenteros et al., 2018; Sousa et al., 2016), Gama et al. (2020)은 브라질 Brumadinho 댐 붕괴 수개월 전부터 Sentinel-1 SBAS와 PS-InSAR 분석을 통해 수 cm 수준의 누적 변형을 검출하여 극한 강우와 외부 하중이 가해지기 전의 전조 징후를 포착할 수 있음을 보였다. 장기 모니터링 사례로는 남부 스페인의 제방을 Sentinel-1 기반 PS-InSAR로 분석하여 전 구간의 안정성과 국지 변위 패턴을 장기간 추적한 연구도 있다(Ruiz-Armenteros et al., 2021).

PS-InSAR, PS+DS-InSAR, 그리고 E-SBAS는 산란체 선정 기준과 시계열 변위 추정 방식에서 서로 다른 특성을 지니며 이에 따라 탐지 가능한 지점의 공간 분포, 변위 경향성, 이상 징후에 대한 민감도 또한 달라진다. 이러한 차이를 동일한 영상 세트와 분석 조건에서 직접 비교하면 각 기법의 장단점과 적용 적합성을 객관적으로 평가할 수 있어, 실제 기반시설 모니터링 전략 수립에 중요한 근거를 제공할 수 있다.

지금까지 댐·제방 변위 모니터링에는 다양한 시계열 InSAR 기법이 적용되었으며 일부 연구에서는 기법 간 비교가 이루어졌다. 예를 들어 Pang et al. (2023)은 SBAS-InSAR로 Banqiao 저수지를 분석하며 과거 PS-InSAR 적용 결과와 간접 비교하였고, Wang et al. (2023)은 PS-InSAR로 Xiaolangdi 댐 표면 변위를 추적하며 SBAS의 장단점을 논의하였다. Li et al. (2021)은 저상관 지역에서 DS-InSAR를 적용하여 SBAS와 산란점 확보 능력을 비교했고, Li et al. (2022)는 황하 제방에서 SBAS, PS-InSAR, DS-InSAR의 적용 가능성을 평가하였다. 그러나 이들 연구는 적용 시기, 대상, 분석 조건이 서로 달라 동일 자료·동일 조건 기반의 정량 비교로 보기 어렵다. 이에 본 연구는 동일한 Sentinel-1 영상 세트와 분석 조건에서 세 기법을 적용하여 산란체 분포, 변위 추세, 조기 이상 징후 탐지 성능을 정량적으로 비교함으로써 기반시설 붕괴 전 단계에서의 모니터링 전략 설계에 필요한 실증적 근거를 제시하고자 한다.

이에 본 연구는 동일한 Sentinel-1 영상 세트와 분석 조건에서 세 기법을 적용하여 산란체 분포, 변위 추세, 조기 이상 징후 탐지 성능을 정량적으로 비교함으로써 기반시설 붕괴 전 단계에서의 모니터링 전략 설계에 필요한 실증적 근거를 제시하고자 한다. 이러한 배경에서 본 연구는 2020년 8월 집중호우 직후 약 40-50 m 구간이 유실되며 붕괴된 경상남도 창녕군에 위치한 낙동강 장천제를 대상으로 Sentinel-1 SAR 자료(2018-2020년)를 이용해 PS-InSAR, PS+DS-InSAR, E-SBAS 기법을 동일 조건에서 적용·비교하였다. 각 기법의 포인트 추출 특성과 변위 시계열 패턴을 분석하고 누적 변위와 변위 속도 간 상관관계를 산출하여 중앙값 기준의 위험도 분류를 수행하였다. 또한 K-means 클러스터링을 통해 시·공간 변위 패턴을 유형화하고 기법별 이상 징후 탐지 시점과 민감도를 비교하였다. 이러한 분석을 통해 붕괴 전 단계에서의 위험 구간을 식별하고 기반시설의 광역 모니터링 체계 설계에 필요한 실증적 근거를 제시하였다.

2. 연구 지역 및 데이터

2.1 연구 지역

경상남도 창녕군 낙동강 본류에 위치한 장천제는 2004년 준공 이후 정기점검에서 별다른 이상이 보고되지 않았으나, 2020년 8월 9일 오전 4시경 집중호우 직후 약 40-50 m 구간이 유실되며 붕괴되었다(Fig. 1). 붕괴 당시 제내지에는 배수펌프장이 이미 존재했으나 제외지 측 수문 부대시설의 개비온 호안(gabion revetment)은 사고 이후에 신설되었다. 이러한 시점 차이는 동일 구간 내에서 구조물 유무에 따른 산란체 분포와 지반 변위 특성을 비교할 수 있는 조건을 제공하며 구조물 존재 여부와 관계없이 진행되는 지반 변화 양상을 분석하는 데 유용한 조건을 제공한다(Fig. 2).

Fig. 1.

Study area (VWorld satellite).

Fig. 2.

Google Earth images of the Jangcheon embankment area: (a) before the collapse (2018.10.11), (b) during post-collapse recovery and reconstruction (2020.09.20), and (c) after reconstruction (2023.12.03.)

2.2 Sentinel-1 영상 및 데이터 구성

본 연구에서는 유럽우주국(European Space Agency, ESA)의 Sentinel-1 위성을 활용하여 SAR 영상을 확보하였으며 모든 InSAR 기법에 대해 동일한 영상 세트를 사용하여 비교의 일관성을 확보하였다. Sentinel-1은 C-band (5.405 GHz) SAR 센서를 탑재하고 있으며, 전천후 및 주야간 관측이 가능하고 약 6~12일 간격의 반복 주기로 자료를 제공함으로써 지속적인 지표변위 모니터링에 적합하다.

활용된 데이터는 Sentinel-1의 Level-1 SLC (Single Look Complex) 영상이며, 공간 해상도는 약 5 m (range) × 20 m (azimuth) 수준이다(Table 1).

3. 연구 방법

3.1 분석 개요

본 연구는 제내지의 콘크리트 구조물인 장천제 배수펌프장을 중심으로 변위 특성을 분석하였으며, 필요 시 제외지의 수문 부대시설에 대해서도 추가 분석을 수행하였다. 두 지역은 산란체 특성과 변위 양상이 상이하여 InSAR 기법 적용 시 관측 포인트 분포와 적합한 분석 방법이 달라질 수 있다. 이를 검증하기 위해 Sentinel-1 SAR 영상을 이용하여 PS-InSAR, PS+DS-InSAR, E-SBAS 기법을 동일 영상 세트에 적용하고, 2020년 8월 붕괴 이전 약 2년간의 지표면 변위를 정량적으로 비교하였다.

세 기법 모두 Sentinel-1 위성의 Ascending 궤도 데이터를 기반으로 동일한 기간(2018년 8월~2020년 7월)의 영상 51장을 사용하였다. 분석은 ENVI SARscape 환경에서 기법 간 비교의 공정성을 확보하기 위해 동일한 기선 제한(시간 기선 ±180일, 공간 기선 ±150 m), 동일한 DEM (SRTM 30 m) 기반 지형 위상 제거, 동일한 정밀 궤도 보정 자료, 동일한 필터링 및 언래핑(unwraping)을 적용하여 가능한 범위에서 일관된 설정 조건 하에 수행되었다.

추출된 연구 지역의 시계열 데이터를 바탕으로 본 연구에서는 K-means 클러스터링(k=3)을 적용하여 각 기법 내에서의 지반 변위 경향성을 정량적으로 분류하였다. 이후 평균, 표준편차, 최대·최소값 등의 지표를 통해 기법 간 특성을 비교하였으며, 특히 공간적으로 인접한 지점 간 시계열 차이를 통해 분석 방식의 구조적 차이가 결과에 미치는 영향도 함께 고찰하였다.

3.2 InSAR 기법 및 산란체 선정 기준

InSAR은 동일 지역을 서로 다른 시점에 촬영한 두 장 이상의 SAR 영상을 활용하여 위성-지표 간 LOS (Line-of-Sight) 방향 거리 변화, 즉 지표 변위를 추정하는 기술이다(Fig. 3). InSAR 기법에서 상호정합의 기준이 되는 영상은 주영상(master image)이며, 이에 대응하여 비교에 사용되는 영상은 부영상(slave image)이라 한다. 두 영상 간의 정합 정확도와 위상 품질을 확보하기 위해서는 우선적으로 반사강도를 나타내는 반사영상(reflectivity map)을 추출하고, 각 픽셀에 대해 주영상과 부영상 간의 코히어런스(coherence)를 계산한다. 이때 코히어런스가 높을수록 간섭 시 발생하는 위상 노이즈가 감소하여 신뢰도 높은 간섭영상 생성이 가능하다. 이러한 정합 과정 이후 두 시점의 SAR 영상을 간섭 처리하면 전파의 파장 간섭에 의해 간섭무늬(fringe)가 형성되며, 이를 위상 정보로 해석한 결과물이 위상간섭영상(phase interferogram)이다. 생성된 간섭영상은 지표 고도, 지표 변위, 대기 지연, 시스템 노이즈 등 다양한 위상 성분을 포함하며, 이들 성분을 수식으로 표현하면 다음과 같다(Eq. (1)).

Fig. 3.

Schematic illustration of interferogram generation using two SAR acquisitions (Özer et al., 2019)

여기서 𝜙는 총 간섭 위상이고, ϕdem은 수치표고모델(DEM)에 기인한 위상 성분, ϕflat은 위성 궤도 기울기로 인한 평탄 위상, ϕdisp는 지표 변위로 인한 위상 변화, ϕatm은 대기 지연에 의한 위상 성분, ϕnoise는 센서 노이즈 및 처리 오차에 해당하는 위상 노이즈를 의미한다. 이 중 지표 변위에 해당하는 성분은 Eq. (2)와 같이 추출된다.

간섭 위상은 일반적으로 반파장 수준의 정밀도를 가지며, 두 영상 간 위상차로 인해 생성되는 간섭무늬는 주기적인 위상 변화를 시각화하여 정량적인 지표 변위 분석에 활용된다. 이러한 InSAR 기법은 넓은 지역에 대한 고정밀 지표 변위 모니터링이 가능하다는 점에서 지진, 침하, 산사태, 기반시설 안정성 평가 등 다양한 분야에 활용되고 있다.

3.2.1 PS-InSAR

본 연구에서는 시계열 간섭 보정 기반의 변위 분석을 위해 PS-InSAR 기법을 적용하였다. PS-InSAR는 장기간의 다중 SAR 영상을 활용하여 시각적으로 일관된 위상 안정성을 유지하는 산란체를 추출하고, 이를 기반으로 고정밀 지표면 변위를 추정하는 분석 기법이다. 일반적으로 건축물, 교량, 도로, 암반 등과 같이 기하학적 형상이 일정하고 후방산란 특성이 우수한 대상이 주요 산란체로 활용된다. 해당 기법은 고정된 지점의 누적 변위를 안정적으로 추정할 수 있으며, 구조물이 밀집된 환경에서도 신뢰도 높은 시계열 정보를 확보하는 데 유리하다. ENVI SARscape의 모듈을 이용하여 PS-InSAR 기법을 적용하였으며 전체 처리 과정은 Fig. 4와 같이 구성된다.

Fig. 4.

PS-InSAR work flow

먼저 SAR 영상 간 연결망(connection graph)을 구성하고 이를 기반으로 정합(Co-registration) 및 간섭 영상 생성을 수행하였다. 이후 1차 선형 시계열 모델을 이용한 역보정 절차에서 기준점을 선정하고 각 산란체에 대해 장기 평균 변위 속도와 기준 시점에서의 상대 위치 오차를 추정하였다. 이 과정에서 PS 후보는 영상 시계열의 반사 강도와 위상 안정도를 기준으로 자동 추출되었으며, 우선 각 픽셀에 대해 반사 강도의 평균(μA)과 표준편차(σA)를 계산하고 반사 강도 변동계수(D)를 이용해 사전 필터링을 수행하였다(Eq. (3)).

D는 시계열 영상에서 픽셀의 반사 강도 표준편차를 평균으로 나눈 값으로 값이 작을수록 시간에 따른 반사 특성이 안정적임을 의미한다. Ferretti et al. (2002)는 장기간 SAR 영상에서 안정적인 위상 유지가 가능한 점 산란체를 선별하기 위해 D를 주요 지표로 사용할 것을 제안하였으며, Colesanti et al. (2003)는 다양한 지형과 환경 조건에서 경험적으로 D≤0.25를 적용할 경우 노이즈를 효과적으로 제거하면서도 충분한 밀도의 PS 후보를 확보할 수 있음을 확인하였다. 본 연구에서도 이러한 선행연구의 기준을 적용하여 D 값이 0.25 이하인 지점만을 PS 후보로 간주하여 시간적으로 안정적인 반사체만을 후보로 선정함으로써 위상 신뢰도를 높이고 이후 시계열 해석의 정확성을 확보하였다. 이후 각 후보에 대해 시계열 위상의 일관성을 복소수 평균을 통해 정량화하였으며 위상 안정도 지표는 다음과 같이 정의된다(Eq. (4)).

여기서 N은 영상 수, ϕk는 k번째 시점의 위상이다. αPS 값이 1에 가까울수록 안정적인 위상을 유지하는 지점으로 판단되며 위상적으로 안정된 산란체만이 PS로 선정되었다. 이후 선택된 PS 점에 대해 간섭 영상 생성, DEM 기반 위상 제거, 궤도 보정, 대기 지연 보정, 시계열 보정을 수행하고 난 후, LOS 기준의 누적 지표 변위를 산출하였다.

3.2.2 PS+DS-InSAR

PS+DS-InSAR 기법은 PS-InSAR의 장점을 유지하면서도 해석 가능한 포인트의 공간 밀도를 높이기 위해 DS를 추가로 활용하는 확장형 기법이다. 해당 기법은 전체적인 처리 흐름은 PS-InSAR과 동일하되 DS 후보를 선별하기 위한 통계 기반 공간 필터링 단계가 삽입된 확장형 구조를 갖는다. 즉, 기존 PS-InSAR 기반 work flow에 DS 후보 추출 및 검정 절차를 추가하여 식생 지역, 개활지, 구조물 외곽 등 PS가 희소하게 분포하는 영역에서도 안정적인 변위 추정이 가능하다.

PS는 단일 픽셀의 위상 안정성이 높은 산란체를 기반으로 하며 D와 αPS 기준에 따라 필터링된다. 반면, DS는 개별 픽셀 단위의 위상 안정성은 낮지만 인접한 다수의 픽셀 간 통계적 유사성(spatial homogeneity)을 기반으로 공간 필터링을 통해 집합적으로 안정된 시계열 분석이 가능하다.

본 연구에서는 ENVI SARscape의 Persistent Scatterer Pair 기능을 활용하여 PS+DS-InSAR 기법을 적용하였다. PS 후보는 앞선 PS-InSAR 절차와 동일하게 반사 강도 변동계수와 위상 안정도 기준을 적용하여 필터링하였으며, DS 추출은 공간 블록 내에서 수행되는 통계 기반 필터링을 통해 이루어졌다. 이 과정에서 Kolmogorov-Smirnov (KS) 검정 및 Anderson-Darling (AD) 검정이 활용되었으며 각 블록 내 DS 후보는 주변 픽셀과의 위상 분포 유사성을 기준으로 신뢰도가 높은 후보만 선택되었다.

DS 후보는 공분산 행렬 기반 분석을 통해 공간 필터링되며 선택된 DS는 국지 평균 위상을 보정 기준으로 활용된다. 이후 PS와 DS를 통합하여 간섭 영상 생성, DEM 기반 위상 제거, 궤도 및 대기 보정, 시계열 보정을 수행하고 최종적으로 LOS 기준 누적 지표 변위를 산출하였다.

3.2.3 E-SBAS

E-SBAS는 기존 SBAS 방식을 기반으로 InSAR 시계열 분석 기능을 확장한 방식으로 전역적인 위상 기준점을 요구하지 않으며 DS를 포함한 불균질 지역에서도 안정적인 누적 변위 추정이 가능하다는 장점을 가진다.

E-SBAS 전체 워크플로우는 Fig. 5에 제시된 바와 같이 구성된다. 초기 단계에서는 간섭쌍 후보를 구성하기 위한 connection graph를 생성하고 기준 영상을 중심으로 모든 SLC 영상을 정합한다. 이후 기준 DEM을 이용해 지형 위상과 flat-earth 성분을 제거하고 차분 간섭영상을 생성한 후 위상 필터링 및 언래핑을 통해 연속 위상으로 변환한다. 이 과정을 통해 시계열 복원이 가능한 간섭 위상 스택을 확보한다.

Fig. 5.

E-SBAS work flow

언래핑된 위상 스택에 대해서는 SBAS 기반의 평균 변위 및 잔차 지형 효과 제거를 위한 저주파(Low-Pass, LP) 성분 추정이 수행된다. 이어서 PS-InSAR 방식으로 PS에 대해 시계열 위상을 정밀 추정하고 이를 통해 대기 지연 위상(Atmospheric Phase Screen, APS)을 제거한다. 이후 잔차 위상에서 비선형 변위를 반영하는 고주파(High-Pass, HP) 성분을 추출하고, PS 및 DS에서의 변위 성분을 통합하여 전체 영역에 대한 시계열 변위를 복원한다. 최종적으로 기준면 보정과 지오코딩(geo-coding)을 통해 결과를 실제 지표면 위치에 매핑(mapping)하며 시계열 변위, 평균 변위, 정밀도 등을 출력하였다.

본 연구에서는 InSAR와 마찬가지로 간섭쌍은 시간 기선 ±180일, 공간 기선 ±150 m 이내의 조건을 만족하는 이미지 쌍으로 자동 구성되었다. 각 간섭쌍에 대해 SRTM DEM을 활용한 지형 위상 제거, 정밀 궤도 보정, 대기 지연 보정 등의 전처리 과정을 수행하였다. 이후 구성된 다중 간섭쌍의 위상차 정보를 바탕으로 시계열 누적 변위를 복원하였다. 시계열 복원은 각 간섭쌍의 관측 위상차 벡터 d와 시점별 누적 변위 벡터 v 간의 선형 관계를 기반으로 하며 다음과 같은 수식으로 표현된다(Eq. (5)).

여기서 G는 간섭쌍과 관측 시점 간의 관계를 나타내는 설계 행렬이다. E-SBAS에서는 간섭쌍이 많아 미지수보다 관측식이 많은 과결정(over-determined) 형태의 선형 시스템을 구성되는데 이는 다수의 중복 관측 정보를 활용해 오차를 최소화하고 변위 시계열을 더 신뢰성 있게 추정하기 위함이다. 이 과결정 시스템은 모든 관측식을 동시에 만족시키기 어렵기 때문에 오차 제곱합을 최소화하는 최소제곱법(Least Squares Estimation, LSE)으로 v를 추정한다(Eq. (6)).

이와 같은 과정을 통해 각 관측점에 대한 누적 변위 시계열이 복원되었으며 이를 기반으로 공간적 군집성과 시간적 변위 경향성을 정량적으로 분석하였다.

3.2.4 산란체 선정 기준

각 InSAR 기법은 지표면 변위 분석을 위한 측정 지점(measurement points) 또는 산란체의 선정 방식에서 서로 다른 원리를 기반으로 한다. PS-InSAR는 위상 안정성이 높은 점 산란체(point-like scatterers)에 대해 시계열을 구성하며 이는 주로 인공 구조물이나 노출된 암반과 같이 강한 후방산란 특성을 가진 지점에서 선택된다. 이러한 방식은 추출된 지점의 신뢰도는 높은 반면 공간 밀도는 낮아질 수 있다.

PS+DS-InSAR는 PS-InSAR에 비해 더 넓은 공간 해석 범위를 확보하기 위해 개별 픽셀의 위상 안정성뿐 아니라 주변 픽셀들과의 통계적 일관성에 기반한 DS를 함께 포함한다. 이 방식은 위상이 다소 불안정한 픽셀도 주변과의 관계를 통해 coherent pixel로 간주할 수 있게 하며 결과적으로 분석 가능한 지점의 수가 증가하고 커버리지가 향상된다.

마지막으로 E-SBAS는 간섭쌍 기반의 시계열 해석 기법으로, PS/DS 개념과 무관하게 위상 일관성(temporal coherence)을 기준으로 coherent pixels를 추출하여 시계열을 구성한다. 일반적으로 E-SBAS에서 선택된 지점은 DS-like한 특성을 보이며 구조물 중심이 아닌 광역적인 지반 변형 감지에 유리한 특성을 지닌다. 이러한 측정 지점 선정 방식의 차이는 시계열의 품질과 공간적 분포에 구조적인 영향을 미치며 기법 간 비교 시 해석상의 주요 고려 요소로 작용한다.

3.2.5 간섭쌍 선택 및 네트워크 구성

분석에 앞서 각 기법별 시계열 해석에 앞서 시간적·공간적 기선 조건을 설정하여 간섭쌍을 구성하였다. Fig. 6는 InSAR와 SBAS 기법에서의 간섭쌍 구성 결과를 Time-Baseline Plot과 Time-Position Plot으로 나타낸 것이다. Time-Baseline Plot (Figs. 6(a) and 6(c))은 영상 획득 시점(수평축)과 기준 영상 대비 기선 길이(수직축)의 관계를 시각화한 것으로 녹색 마커는 획득 영상 나타내고, 파란색 선은 선택된 간섭쌍을 나타낸다. InSAR (Fig. 6(a))에서는 장기 기선과 시간 기선의 변동성을 최소화하기 위해 ±150 m, ±180일 이내의 제한을 적용하였으며, 이로 인해 간섭쌍은 기준 영상(2019년 5월 28일)을 중심으로 별 모양(star-shaped)의 네트워크를 형성하였다. 반면 SBAS (Fig. 6(c))는 동일한 기선 조건을 적용하더라도 전 구간에 걸쳐 다중 기준 영상(multi-master) 방식으로 더 많은 간섭쌍이 균일하게 분포되도록 구성하기 때문에 이를 고려한 대표 마스터 영상은 2019년 8월 8일이 선정되었다.

Time-Position Plot (Figs. 6(b) and 6(d))은 각 영상(노드) 간 간섭쌍 연결 구조를 나타내며 숫자는 영상의 획득 순서를 의미한다. InSAR (Fig. 6(b))는 단일 마스터를 중심으로 방사형 연결이 형성된 반면, SBAS (Fig. 6(d))는 전 시기에 걸쳐 조밀한 망(mesh) 구조가 나타난다. 동일한 영상 세트를 사용했음에도 마스터 영상의 날짜가 달라진 이유는 InSAR는 하나의 기준 영상을 중심으로 모든 간섭쌍을 구성하는 데 비해, SBAS는 각 간섭쌍별로 서로 다른 기준 영상을 지정하는 다중 기준 영상 방식을 채택하기 때문이다. 이러한 네트워크 구성의 차이는 시계열 해석 단계에서의 공간 보간 능력과 국지적 변위 감지 민감도에 직접적인 영향을 미친다. 특히 SBAS는 전 구간에서 다수의 간섭쌍을 확보함으로써 변위 추정의 공간 연속성을 높일 수 있어 단일 마스터 기반 기법 대비 더 넓은 지역에서 안정적인 시계열 해석이 가능하다.

Fig. 6.

Interferogram network: (a) time-position plot in InSAR, (b) time-baseline plot in InSAR, (c) time-position plot in SBAS, and (d) time-baseline plot in SBAS

3.3 클러스터링 기반 경향 분석

각 InSAR 기법에서 추출된 산란체들의 시계열 변위는 공간적으로 인접한 지점임에도 불구하고 서로 다른 변위 추세를 나타내는 등 산발적이고 비균질적인 분포 특성을 보였다. 이러한 복잡한 시계열 데이터를 효과적으로 해석하기 위해 본 연구는 K-means 클러스터링 기법을 활용하여 주요 변위 경향성을 자동으로 분류하고자 하였다. K-means는 각 데이터 포인트를 k개의 군집으로 나누되 군집 내 분산을 최소화하는 방향으로 중심(cluster centroid)을 반복적으로 조정하는 알고리즘으로 간단하면서도 직관적인 시계열 분류가 가능하다는 장점이 있다(Milone and Scepi, 2011; Chong and Zeng, 2024).

본 연구에서는 K-means 클러스터링을 수행하기에 앞서 Elbow 방법과 Silhouette 계수를 함께 활용하여 사전에 정의된 최적의 k 값을 결정하였다. Elbow 방법은 클러스터 수에 따라 계산되는 클러스터 내 제곱합(Within-Cluster Sum of Squares, WCSS)의 감소 양상을 분석하는 방식이다. 일반적으로 k가 커질수록 WCSS는 감소하지만 어느 시점부터 감소 폭이 둔화되며 ‘팔꿈치(elbow)’ 형태의 꺾이는 지점이 나타나는데 이 지점을 최적 클러스터 수로 간주한다. Fig. 7은 각 InSAR 기법별로 k=2부터 k=6까지의 WCSS 변화를 나타내며 세 기법 모두 k=3에서 감소 기울기가 급격히 둔화되는 형태를 보인다.

Fig. 7.

Elbow method: WCSS by number of clusters

Silhouette 계수는 각 데이터 포인트가 자신이 속한 클러스터 내에 얼마나 잘 속하는지를 측정하는 지표로 아래의 수식으로 정의된다(Eq. (7)).

여기서 a(i)는 클러스터 내 평균 거리, b(i)는 가장 가까운 다른 클러스터와의 평균 거리이다. 이 값은 -1~1 사이이며, 1에 가까울수록 군집이 명확하게 분리되어 있다는 의미다. Fig. 8은 세 기법 각각에 대해 k=2부터 k=6 Silhouette score를 계산한 결과로 모든 기법에서 k=3일 때 최고 점수 또는 안정적인 점수를 기록하여 일관된 군집 구조가 존재함을 보여준다.

Fig. 8.

Silhouette scores for varying cluster counts

본 연구의 군집 수 k는 해석 가능성과 안정성을 우선해 결정했다. Elbow는 클러스터 수 변화에 따른 WCSS 감소 패턴을 통해 데이터 구조의 변곡을 잡지만 엘보 지점 판단이 주관적일 수 있고 Silhouette은 각 포인트의 군집 적합도를 수치화해 객관 근거를 주지만 분포에 따라 과소·과대평가가 생길 수 있다. 두 지표를 함께 확인해 단일 지표 의존에 따른 불확실성을 줄였고 도메인 해석 가능성과 최소 복잡도 원칙을 더해 k=3을 채택했다. k=2에서는 전환형 거동이 소실되어 위험 전환 시점을 기술하기 어렵고 4 이상에서는 분리도가 낮아져 해석이 분절적으로 변했다. 내부 점검에서 k를 2~6으로 바꿔도 진행성 침하의 공간 축과 전환 시점은 유지되어 핵심 결론은 변하지 않았다.

3.4 통계 기반 정량 비교

세 가지 InSAR 기법(PS-InSAR, PS+DS-InSAR, E-SBAS)의 분석 결과를 정량적으로 비교하기 위해 시계열 기반의 통계 지표를 산출하였다. 각 기법이 산란체를 선택하고 시계열을 생성하는 방식에 차이가 있으므로 결과 또한 해석 가능성, 안정성, 민감도 등에서 상이한 특성을 보일 수 있다. 이를 수치적으로 평가하고 기법 간 비교를 가능하게 하기 위해 평균 변위, 표준편차, 최대·최소값, 분석에 포함된 측정 지점 수를 활용하였다.

각 측정 지점의 시계열 평균값을 기반으로 산출한 평균 변위는 장기적인 누적 침하 추세를 나타내는 대표값으로 사용하였다. 시계열의 표준편차는 변위 값의 일관성과 노이즈 수준을 평가하는 지표로 값이 작을수록 해당 기법이 안정적인 변위 추정을 수행하고 있음을 의미한다. 각 시계열의 최대값과 최소값은 특정 시점에서 급격한 침하나 융기와 같은 이상 징후를 포착할 수 있는 민감도를 판단하는 기준이 된다. 분석에 포함된 측정 지점의 수는 해당 기법이 적용된 지역에서 관측 가능한 산란체의 수를 의미하며 이는 곧 공간 해상력과 구조물 감지 가능성의 차이를 반영한다.

이러한 통계값은 전체 연구 대상 지역에 대해 산출되었을 뿐 아니라 앞서 K-means 클러스터링을 통해 분류된 세 가지 주요 변위 경향성 그룹별로도 개별적으로 계산하였다. 이를 통해 단순한 전체 평균 비교를 넘어서 각 기법이 서로 다른 공간적 변위 양상을 어떻게 포착하는지를 보다 세밀하게 분석하였다.

3.5 변위-속도 상관 분석 및 위험도 분류

각 InSAR 기법의 결과에서 산출된 누적 변위와 변위 속도 간의 상관성을 평가하여 구조물 붕괴 이전 시점의 장기적인 손상 누적 정도와 진행 상태를 정량적으로 해석하였다. 누적 변위는 시작 시점(2018년 8월) 대비 최종 시점(2020년 7월)까지의 변위를 LOS방향으로 산출하였으며 변위 속도는 동일 기간의 시계열 데이터를 대상으로 최소자승법 기반의 1차 선형 회귀를 적용해 계산된 기울기로 정의하였다. 각 기법별로 모든 측정 포인트에 대해 누적 변위와 변위 속도의 쌍을 구성하고 Pearson 상관계수를 이용하여 두 지표 간의 선형 상관성을 평가하였다(Sadeghi et al., 2021). 상관계수 r은 -1에서 1 범위로 계산되며 절댓값이 0.7 이상이면 강한 상관 0.4 이상 0.7 미만이면 중간 상관 0.4 미만이면 약한 상관으로 해석하였다.

누적 변위와 변위 속도의 중앙값을 각각 X축과 Y축의 임계값으로 설정하여 X-Y 평면을 네 개의 영역으로 구분하였다. 중앙값은 평균에 비해 극단값의 영향을 적게 받아 분포가 비대칭인 변위 데이터의 특성을 안정적으로 반영할 수 있다(Wolner et al., 2013). 네 개의 영역은 High Disp + High Vel 구간(과거 변위 누적이 크고 현재 변위 속도가 높은 진행성 변형 구간), High Disp + Low Vel 구간(과거 변위 누적은 크지만 최근 변위 속도가 낮은 진행 둔화 구간), Low Disp + High Vel 구간(과거 변위 누적은 작지만 변위 속도가 높은 최근 변형 시작 구간), Low Disp + Low Vel 구간(변위와 속도가 모두 낮아 비교적 안정적인 구간)으로 정의하였다. 각 포인트를 해당 영역에 분류한 후 전체 대비 각 구역의 비율을 산출하였으며 이를 기법별로 비교해 변위-속도 민감도를 평가하고 구조물 안정성 평가에서 단일 기법 결과의 한계와 복수 기법 병행의 필요성을 검토하였다.

4. 결과 및 분석

4.1 기법별 전체 통계 비교

본 절에서는 PS-InSAR, PS+DS-InSAR, E-SBAS 세 기법으로부터 추출된 산란체의 공간 분포 및 시계열 변위 특성을 비교하고 이후 클러스터링 분석의 기반이 되는 전반적인 경향을 요약하였다. 또한 구조물 붕괴와 연관된 장천제 배수펌프장에 한정된 산란체 수를 별도로 제시하여 각 기법의 위험 탐지 민감도를 비교할 수 있도록 하였다.

4.1.1 산란체 분포 및 시계열 특성

Fig. 9에서 나타난 각 기법 별 결과에서 표시된 산란체 및 포인트 값은 2018년 7월에 촬영된 시작 시점 영상에서의 변위를 0 mm으로 설정했을 때 연구에 사용한 시계열 영상 중 가장 최근 영상에서의 변위를 나타낸다.

Fig. 9.

Spatial distribution of selected scatterers: (a) PS-InSAR, (b) PS+DS-InSAR, and (c) E-SBAS

PS-InSAR 결과에서 배수펌프장과 수문 부대시설 주변 산란체들은 약 -6.3 mm에서 +5.7 mm 범위의 변위를 보였으며 일부 구간에서는 미세한 침하와 융기가 혼재하여 나타났다(Fig. 9(a)). PS+DS-InSAR 결과는 분산 산란체가 추가되어 공간 커버리지가 향상되었고 변위 범위는 약 -4.6 mm에서 +2.4 mm로 PS-InSAR 대비 전반적인 변화 폭이 작았다(Fig. 9(b)). E-SBAS 결과는 약 -12.4 mm에서 -0.4 mm의 변위 범위를 보여 배수펌프장을 포함한 제외지에서도 상대적으로 큰 음의 변위가 나타난 것을 확인할 수 있었다(Fig. 9(c)). 이러한 차이는 E-SBAS의 기선 제약 조건과 전역 격자 기반 분석 특성으로 인해 위상 안정도가 낮은 지역에서도 변위 패턴을 민감하게 포착한 결과로 해석된다.

같은 지역과 동일 영상 자료를 사용했음에도 기법별로 변위 범위가 상이하게 나타난 것은 각 기법의 산란체 선택 기준과 변위 추정 방식 차이에 기인한다. PS-InSAR는 안정도가 높은 점 산란체 위주로 제한된 영역을 분석하여 변화 폭이 작게 나타나는 반면 PS+DS-InSAR는 분산 산란체를 포함해 더 넓은 지역을 포괄하므로 신뢰도가 낮은 포인트가 일부 포함되어 변위 값의 최솟값·최댓값이 확대될 수 있다. E-SBAS는 산란체 선별 없이 격자 단위로 변위를 계산해 위상 안정도가 낮은 지점의 영향도 반영되며 기선·시간 조건의 차이와 대기 보정 수준 차이로 인해 변위 범위가 가장 크게 나타나는 경향이 있다.

4.1.2 기법 간 통계 비교 요약

Table 2는 배수펌프장 영역에 대해 전체 시계열을 활용하여 산출한 누적 변위 및 변위 속도 통계를 제시한다. 분석 기간 동안 세 기법 모두에서 침하 경향이 확인되었으며 변위 규모와 속도에서 기법별 차이가 뚜렷하게 나타났다.

기법별 수치 비교 측면에서는 PS-InSAR 결과에서 평균 누적 변위 -0.2 mm, 평균 속도 -1.7 mm/year로 전반적으로 안정적인 경향을 보였다. 최소 누적 변위는 -7.6 mm, 최대는 8.5 mm로 일부 국지적 융기·침하가 관측되었으나 규모는 작았다. PS+DS-InSAR 결과에서는 평균 누적 변위 -3.5 mm, 평균 속도 -1.6 mm/year로 PS-InSAR보다 변위 규모가 크고 침하 경향이 더 명확하게 나타났다. 또한 최소 누적 변위는 -14.4 mm로 PS-InSAR에 비해 배수펌프장 전역에 걸친 변위가 집중되었다. 마지막으로 E-SBAS는 평균 누적 변위 -8.6 mm, 평균 속도 -4.3 mm/year로 세 기법 중 가장 큰 변위와 빠른 침하 속도를 보였다. 최소 누적 변위는 -20.6 mm로 펌프장 남측과 서측에서 변위가 넓게 분포하였다.

Fig. 9와 Table 2를 함께 보면 세 기법의 침하 중심 위치는 유사하나 E-SBAS는 변위 분포 범위가 상대적으로 넓게 나타났다. 이는 E-SBAS가 분산 산란체에 더 민감하고 대기 보정 후에도 잔여 노이즈를 포함하여 광역적인 변형 패턴을 포착했기 때문으로 보인다. 반면 PS-InSAR는 PS 의존도가 높아 포인트 수가 제한되기 때문에 변위 규모가 보수적으로 산출된 것으로 보인다. PS+DS-InSAR는 포인트 수 확장과 공간 필터링을 통해 변위 분포가 PS-InSAR보다 넓지만 E-SBAS보다는 좁게 나타났다.

4.1.3 변위-속도 관계 비교 및 분석

본 연구는 포인트별 누적 변위(mm)와 연평균 속도(mm/ yr)를 이용해 장기 손상 누적 정도와 진행 상태를 동시 평가하였다 (Fig. 10). 세 기법 모두에서 변위-속도 간 양의 상관성이 확인되며 E-SBAS가 가장 뚜렷한 관계를 보였다(r=0.91). PS-InSAR(r=0.56), PS+DS-InSAR(r=0.50)에서도 유의한 수준의 양의 관계가 관찰된다. 이는 E-SBAS의 간섭쌍 구성 특성이 광역적이고 저주파적인 추세를 민감하게 포착함을 시사하는 한편, 특정 시기에 공통 외력(예: 강우·함수 변화·기초지반 장주기 거동 등)의 영향이 동시에 반영될 가능성도 내포한다. 따라서 원인 분리는 후속 다원 자료 결합을 통해 보수적으로 접근해야 한다.

Fig. 10.

Cumulative displacement–velocity correlation and median-based risk classification

위험도 평가는 두 지표의 절대 중앙값을 임계선으로 하는 사분면 기반 규칙으로 수행하였다. 각 그림의 회색 점선은 해당 기법의 중앙값을 의미하며, PS-InSAR은 |Disp|=2.80 mm, |Vel|=0.17 mm/yr, PS+DS-InSAR은 |Disp|=3.70 mm, |Vel|= 0.16 mm/yr, E-SBAS는 |Disp|=6.85 mm, |Vel|=0.28 mm/yr로 나타났다(그림 10a-c 제목 참조). 임계선을 기준으로 절대 누적변위와 절대 속도가 모두 큰 영역(High Disp + High Vel)은 진행성 변형 구간으로 간주되며 절대 누적변위는 크나 최근 속도가 낮은 영역(High Disp + Low Vel)은 과거 변형 잔존/감속 구간, 절대 누적변위는 작지만 속도가 큰 영역(Low Disp + High Vel)은 최근 가속 개시 구간, 두 지표 모두 낮은 영역(Low Disp + Low Vel)은 상대적 안정 구간으로 해석한다.

세 기법의 분포 특성은 상이하다. PS-InSAR은 분산이 비교적 작고 임계선 부근에 포인트가 밀집하여 구조물 중심부의 소규모 변동을 선명히 포착하되 진행성 변형 포인트는 소수의 outlier로 나타난다. PS+DS-InSAR은 임계선 하방(속도 음의 방향)으로의 치우침이 커지며 과거 변위가 누적된 포인트가 증가한다. 이는 DS 도입으로 구조물 외곽의 연속 구간이 더 많이 표본화된 결과로 해석된다. E-SBAS는 절대 변위 중앙값 자체가 크고(6.85 mm) 속도 중앙값도 높아(0.28 mm/yr) High Disp + High Vel 영역의 점유가 가장 우세하며, 동일 시계열에서 포인트 간 동조성이 커 진행성 패턴이 군집적으로 나타난다. 이러한 기법 간 차이는 산란체 선정(PS vs. DS) 과 간섭쌍 네트워크(E-SBAS) 가 위험도 판정에 실질적 영향을 미친다는 점을 보여준다. 따라서 기반시설 안전성 평가는 특정 기법의 단일 결과에 의존하기보다 복수 기법의 일관 신호를 교차 확인하는 절차가 타당하다.

본 분석은 조기 이상 탐지의 가능성을 제시하나 붕괴와의 인과성 자체를 직접 입증하지는 않는다. 특히 E-SBAS에서 나타난 진행성 군집은 대기·수문 조건과 중첩될 수 있으므로 향후 현장 계측(변형계·정밀 수평/침하 관측) 및 강우·수문자료 결합을 통해 위험 구간의 우선순위를 검증하는 것이 필요하다.

4.2 클러스터 기반 경향성 분석

장천제 배수펌프장 인근의 지표면 변위 특성을 시공간적으로 평가하기 위해 각 InSAR 기법에서 도출된 시계열 데이터를 바탕으로 클러스터링 분석을 수행하였다. 변위 양상이 유사한 지점들을 유형화함으로써 기법별로 관측점의 대표적인 거동 특성을 분류하고 이를 바탕으로 민감도와 일관성의 차이를 비교·해석하고자 한다.

4.2.1 PS-InSAR

Fig. 11(a)는 PS-InSAR로 획득한 산란체의 시계열 변위를 Z-score로 표준화해 표현한 히트맵이다. Z-score는 각 산란체 시계열에서 평균을 빼고 표준편차로 나눈 값으로 절대 변위 크기 차이에서 오는 스케일 왜곡을 제거해 산란체 간 상대적 패턴을 동일 기준에서 비교하도록 한다(Xiong et al., 2023; Xu et al., 2024). 세로축은 장기 기울기(연평균 속도, mm/yr) 기준 오름차순으로 정렬하였고 색상은 평균 대비 편차의 부호와 크기를 나타낸다(붉음=융기(+), 푸름=침하(-)). 이 표준화 히트맵은 특정 시기에 다수 산란체의 편차가 동조적으로 변하는 구간과 전 기간에 걸친 일관 침하 또는 단기간 급격한 변위 전환 등 집단적 거동을 한눈에 드러낸다. 다만 Z-score는 물리량 크기를 직접 해석하는 지표가 아니므로 절대 변위(mm) 평가는 보조 그래프에서 병행해 해석한다.

Fig. 11.

PS-InSAR results: (a) Z-score normalized displacement heatmap, (b) mean displacement curves of k-means clusters

이 시각적 패턴을 정량적으로 분류하기 위해 표준화 데이터에 대해 k-means를 적용하였다. Fig. 11(b)는 기준 시점(2018년 7월) 대비 상대 변위를 군집별 평균 곡선과 함께 제시한다. 이 그래프는 포인트의 위치·고도와 무관하게 시간에 따른 변위 변화량만을 보여준다.

Cluster A는 전 기간에 걸쳐 완만한 융기(+) 지속형으로 후반부 평균 상대 변위가 +5 mm 이상으로 수렴한다. 일부 포인트는 +9-10 mm까지 상승해 계절성 팽창이나 주변 비구조물 영역의 팽창 응답 가능성을 시사한다. Cluster B는 가장 일관된 침하(-) 지속형으로 시계열 기울기가 안정적으로 음의 값을 유지하며 최종 -7 mm 내외에 도달한다. Cluster C는 전환형으로 초기의 미소 융기 이후 점진적 하강으로 바뀌며 최종 약 -4 mm 수준에서 안정화된다. 세 군집은 각각 진행성 융기, 진행성 침하, 융기→침하 전환이라는 상이한 거동을 대표하며 동일 대상 내부에 서로 다른 변형 체제가 공존함을 보여준다.

PS-InSAR의 특성상 포착 포인트는 위상 안정성이 높은 산란체에 집중된다. 이로 인해 소규모 변동을 선명하게 검출하는 장점이 있는 반면 구조물 외곽의 연속 구간은 상대적으로 과소표본화될 수 있다. 또한 표준화 기반 분류는 대기 잔차나 처리 노이즈의 영향이 국지적으로 잔존할 가능성을 배제하지 못하므로 군집의 공학적 의미는 절대 변위·속도 지표 및 타 기법 결과와 교차 검증하는 것이 타당하다. 그럼에도 본 결과는 PS-InSAR만으로도 장기 침하 지속 구간(Cluster B)과 최근 전환 징후(Cluster C) 등 우선 점검 후보를 명확히 선별할 수 있음을 보여주며 현장 계측 및 수문·지반 자료와 결합할 경우 조기 이상 탐지의 실무적 보조 지표로 활용할 수 있다.

4.2.2 PS+DS-InSAR

Fig. 12(a)는 PS+DS-InSAR로 획득한 모든 산란체의 시계열 변위를 Z-score로 표준화해 나타낸 히트맵이다. Z-score는 산란체별 평균을 빼고 표준편차로 나눈 값으로 절대 크기 차이에 따른 스케일 왜곡을 줄여 상대적 패턴을 비교하게 한다. PS-InSAR에 비해 공간 연속성이 높아 동일 시기에 유사한 변위 거동을 보이는 구간이 넓게 나타나며 식생지나 비점 구조물 같은 PS 희소 지역에서도 패턴이 복원된다. 장기간 일관된 침하 군집이 다수 확인되고 최종 시점에 음의 변위가 강하게 누적된 포인트도 보인다. 특정 시기에는 다수 산란체가 동시에 양의 편차를 보여 계절성 팽창이나 강우에 따른 함수 변화 같은 외력 응답 가능성을 시사한다. 다만 Z-score는 물리량을 직접 해석하는 지표가 아니므로 절대 변위(mm) 해석은 보조 그래프와 함께 읽어야 한다.

Fig. 12.

PS+DS-InSAR results: (a) Z-score normalized displacement heatmap, (b) mean displacement curves of k-means clusters

시각적 패턴을 정량화하기 위해 표준화 데이터에 k-means를 적용했다. Fig. 12(b)는 기준 시점 대비 상대 변위를 군집별 평균 곡선으로 제시한다. Cluster A는 전 기간 완만한 융기 지속형으로 평균 +2~4 mm 범위에서 상승한다. 일부 시점에 진폭 변화가 있으나 전체적으로 융기 방향이 유지된다. Cluster B는 가장 뚜렷한 침하 지속형으로 2019년 이후 하강 기울기가 커지고 최종 시점에 평균 -7 mm 내외까지 진행하며 일부 포인트는 -8.5 mm에 도달한다. Cluster C는 완만 하강형으로 -4 mm 이내의 범위에서 비교적 안정적으로 수렴한다. 세 군집은 진행성 융기, 진행성 침하, 완만 하강이라는 상이한 거동을 대표해 동일 대상 내 변형 체제가 공존함을 보여준다.

PS+DS-InSAR는 DS 도입으로 표본 밀도와 공간 연속성이 높아져 구조물 외곽과 배후 지반의 천천한 변화를 포착하는 데 유리하다. 반면 DS는 위상 안정성이 PS보다 낮을 수 있어 국지적 노이즈와 대기 잔차의 영향이 일부 남을 수 있다. 따라서 침하 군집(특히 Cluster B)의 공학적 의미는 절대 변위·속도 지표와 다른 기법 결과를 교차 확인해 해석하는 것이 타당하다. 이 절차를 거치면 PS-InSAR 단독 결과보다 잠재적 위험 구간을 더 신뢰성 있게 선별할 수 있다.

4.2.3 E-SBAS

Fig. 13(a)는 E-SBAS로 추출한 산란체의 시계열 변위를 Z-score로 표준화해 나타낸 히트맵이다. E-SBAS 결과는 PS 기반 기법보다 개별 산란체의 변위가 전반적으로 완만하며 시계열 전 구간에서 저주파 성분이 두드러진다. 이는 E-SBAS가 전역 위상 안정성을 엄격히 요구하지 않고 분산 산란체를 포함한 넓은 간섭쌍 네트워크로 시계를 복원하기 때문이며 장기 추세와 저주파 변위 성분이 상대적으로 강하게 반영된 결과로 해석된다. 일부 시기에는 광범위하게 동시 발생하는 양·음 변위가 나타나 대기 지연 보정 잔차나 강우와 계절적 함수 변화 같은 대규모 외력의 영향을 시사한다(Jolivet et al., 2011). 장기 침하 경향을 보이는 그룹은 PS+DS-InSAR보다 시공간적으로 넓게 분포했고 단기 급변 포인트는 상대적으로 적었다.

Fig. 13.

SBAS results: (a) Z-score normalized displacement heatmap, (b) mean displacement curves of k-means clusters

시각적 패턴을 정량 구분하기 위해 Z-score 표준화 데이터에 k-means를 적용했다. Fig. 13(b)는 식별된 세 가지 대표 거동을 제시한다. Cluster A는 초기 약 +2 mm까지 융기했다가 2019년 중반 이후 하강으로 전환해 최종 약 -7 mm로 수렴했다. Cluster B는 전 구간에서 가장 뚜렷한 침하를 보이며 최종 약 -17 mm에 도달했고 2019년 하반기 이후 하강 기울기가 급격히 커졌다. Cluster C는 기간 내내 점진적 융기를 보이며 최종 약 +5 mm에서 정체되는 양상으로 자연 지형 변화나 비구조적 지반 팽창과 연관될 수 있다.

세 군집 모두 특정 시점에 변위 방향이 동시에 바뀌는 특징이 반복적으로 관찰되었다. 2019년 중반과 2020년 중반 무렵에는 세 군집에서 침하가 증가하거나 융기 둔화가 동시 발생했다. 이러한 동조는 구조물 고유 거동을 넘어 집중호우 지하수위 변화 계절성 팽창·수축 등 공통 외력에 대한 영역 규모 응답 가능성을 시사한다.

E-SBAS는 구조물 중심부뿐 아니라 분석 당시 콘크리트 구조물이 없었던 제외지에서도 다수의 산란체를 확보했다. 해당 지역은 식생 우세로 PS 또는 DS 산란체 확보가 어려운 조건이었으나 E-SBAS는 제한적 반사 환경에서도 시계열 분석이 가능한 포인트를 포함했다. 이는 넓은 해석 커버리지와 장기 추세 감지 측면에서 E-SBAS의 강점을 뚜렷하게 보여준다.

4.3 기법 간 변위 추정 특성 종합 해석

본 연구에서 적용한 세 가지 InSAR 기법은 동일한 영상 자료를 활용했음에도 산란체 분포와 시계열 변위 감지 양상에서 서로 다른 특성을 보였다. 앞서 제시한 클러스터링 분석 결과를 포함해 기법별 변위 특성을 종합적으로 비교·해석하였으며, 이를 통해 동일 영상 자료를 사용하더라도 각 기법이 산란체 선택 범위와 변위 추정 민감도, 공간적 해석 범위에서 어떤 차이를 보이는지 확인하고 이러한 차이가 구조물 안정성 평가에 미치는 영향을 논의한다.

PS-InSAR은 전체적으로 산란체의 수가 적고 변위 추정이 가능한 위치가 대부분 콘크리트 구조물이나 금속성 표면처럼 안정적인 반사 특성을 가지는 영역에 국한되는 경향이 있었다. 이러한 특성은 고정밀의 시계열 분석에는 유리하지만 구조물이 설치되지 않은 지역이나 자연 지형과 같이 반사 특성이 불안정한 영역에서는 감지 한계가 뚜렷하게 나타났다.

PS+DS-InSAR은 DS 포인트가 추가됨에 따라 산란체 수가 증가하고 일부 비구조물 영역까지 감지가 확장되었지만, 여전히 PS에 의존하는 경향이 강하여 구조물 외부 지역에 대한 포인트 밀도는 제한적이었다.

반면, E-SBAS는 배수펌프장뿐만 아니라 과거에는 존재하지 않았던 개비온 호안 인근 제방 구간까지 포인트가 다수 분포하는 특징을 보였다. 이로 인해 구조물 중심의 국지적 변위뿐만 아니라, 보다 광역적인 지반 반응까지 탐지할 수 있는 가능성을 보여주며, 실제 붕괴가 발생한 제방 구간과도 일정 수준의 시계열 유사성을 나타내는 점에서 주목할 만하다.

특히 E-SBAS에서 도출된 포인트들은 단일 변위보다 시계열 상에서의 동조성(correlation)이 높게 나타나, 특정 구조물에 국한되지 않는 외력(예: 반복적인 강우, 침투수 등)에 의한 지역적 지반 반응 가능성을 시사한다. 이는 사전 징후 감지 측면에서 고정밀보다 넓은 공간 커버리지가 요구되는 경우 PS 기반 기법보다 E-SBAS가 유리할 수 있음을 보여준다. 요약하자면 각 기법은 산란체의 분포 특성, 시계열 정밀도, 공간 해상도에서 상호 보완적인 특성을 보이며 구조물의 유형 및 탐지 목적에 따라 적절한 기법 선택이 필요함을 시사한다.

또한 E-SBAS에서는 과거 분석 시점(2018-2020년)에 존재하지 않았던 개비온 호안 인근 제방 외곽 구간에서도 PS-like와 DS-like 포인트가 다수 추출되었고 이들 간 시계열 상관계수는 0.85~0.98로 매우 높았다(Fig. 14). 이는 구조물의 유무와 무관하게 동일한 지반 조건에서 장기 지표 변위가 일정한 패턴으로 축적되었음을 시사한다. 특히 해당 구간은 현재 구조물이 설치된 상태이며 당시 이미 유사한 침하 경향이 포착된 점은 구조물 설치 이전부터 지반 변화가 진행되었을 가능성을 암시한다. 이러한 결과는 E-SBAS가 구조물 중심부뿐 아니라 외곽 자연 지형에서도 비교적 안정적인 시계열 변위를 산출할 수 있음을 보여주며 잠재적 위험 지역의 조기 탐지 수단으로 활용될 수 있음을 뒷받침한다.

Fig. 14.

Pearson correlation matrix of E-SBAS displacement time series in gabion revetment

5. 결 론

본 연구는 2020년 장천제 붕괴를 대상으로 Sentinel-1 SAR (2018-2020)을 동일 조건에서 PS-InSAR, PS+DS-InSAR, E-SBAS로 적용해 산란체 분포와 시계열 변위, k-means 클러스터링, 통계 지표를 비교했다. PS-InSAR은 28개 포인트에서 평균 +1.03 mm와 표준편차 1.60 mm로 정밀하나 커버리지가 구조물 상부에 치우쳤고 PS+DS-InSAR은 49개 포인트에서 평균 -0.26 mm와 표준편차 1.86 mm로 외곽 토사지역 침하를 더 잘 포착했으며 E-SBAS는 30개 포인트에서 평균 -1.11 mm와 표준편차 4.33 mm로 장기 침하가 가장 두드러졌고 최대 -17.0 mm까지 확인됐다. 변위-속도 상관은 E-SBAS가 가장 강했고, PS-InSAR과 PS+DS-InSAR이 뒤를 이었다. 중앙값 기반 위험도 분류에서도 ‘High Disp + High Vel’ 점유는 E-SBAS가 가장 컸고, 다음이 PS-InSAR, PS+DS-InSAR 순이었다. Z-score 히트맵은 시기별 동조성과 공간적 연속성을 드러냈고 E-SBAS에서 불균질 표면을 포함한 광범위한 장기 침하 구간이 연속적으로 나타났다. 군집 분석은 융기형, 침하형, 전환형의 세 패턴을 공통으로 식별했으며 침하 규모와 기울기는 E-SBAS가 가장 컸고 PS+DS-InSAR가 중간, PS-InSAR가 소규모였다. 2019년 중반과 2020년 중반에는 세 군집이 동시에 침하 가속 또는 융기 둔화로 전환해 집중호우나 지하수위 변화 같은 공통 외력의 영향을 시사했다. E-SBAS는 당시 구조물이 없던 개비온 호안 인근 외곽에서도 PS-like와 DS-like 포인트를 다수 확보했고 이들 간 시계열 상관계수는 0.85~0.98로 높아 구조물 유무와 무관한 동일 지반 조건에서 장기 침하가 진행됐음을 보여줬다. 종합하면 국지 고정밀 모니터링에는 PS-InSAR, 외곽 위험 구간 확장에는 PS+DS-InSAR, 광역 장기 침하 감지에는 E-SBAS가 유리하며 복수 기법을 병행해 사분면 분류와 히트맵·군집 결과를 교차 해석하는 전략이 조기 경보의 민감도와 신뢰도를 함께 높인다. 다만 APS 제거를 적용했어도 강우와 수증기 구배 등 비정상 대기 잔차와 위상 노이즈가 일부 남아 특히 E-SBAS에서 영향이 클 수 있고 단일 궤도·단일 위성·2년 자료라는 제약과 현장 검증 부재로 인해 인과 관계는 추가 계측과 수문 자료 결합으로 확인해야 하므로 해석과 적용은 보수적으로 하는 것이 타당하다. 향후 다궤도·다위성 결합과 기상·수문 융합, AI 기반 전조 자동 탐지를 연계하면 정밀도와 실시간성을 동시에 높일 수 있다.