1. 서 론

하천의 수심 정보는 하상 변동 분석, 유사 이동 평가, 홍수 전후 지형 변화 파악, 하천 시설물 유지관리 등 다양한 수공학적 의사결정에 필수적인 기초 자료이다(Marcus and Fonstad, 2008; Wu et al., 2023). 특히 하천 수심은 유량 변화와 하상 이동에 따라 시·공간적으로 지속적으로 변동하므로 이를 적절히 파악하는 것은 하천 지형 변화의 이해와 관리 측면에서 매우 중요하다(Morel et al., 2020). 그러나 기존의 수심 자료는 주로 토탈스테이션, RTK-GPS 등 현장 측량 장비를 이용한 점 단위 계측에 의존하고 있어 넓은 구간에 대한 연속적인 수심 정보를 획득하는 데 많은 시간과 비용이 소요된다(Koljonen et al., 2012; Brasington et al., 2000). 이러한 한계를 보완하기 위한 방법으로 원격탐사 기반 수심 산정 기법이 주목받고 있다. 원격탐사는 넓은 공간 범위를 비접촉식으로 관측할 수 있으며 반복적인 자료 취득이 가능하다는 점에서 하천 환경 모니터링에 유리하다(Chen et al., 2025). 그중 초분광 영상은 150개 이상의 연속적인 파장 정보를 포함하고 있으며 가시광선 및 근적외선 영역의 분광 특성은 수체 반사, 부유물질, 하상 재질 등의 영향을 복합적으로 반영한다. 따라서 초분광 영상은 단순 영상자료보다 풍부한 정보를 제공할 수 있으며 수질 인자 추정, 재질 분류, 수체 탐지 등 다양한 수환경 연구에 활용되어 왔다. 이러한 특성으로 인해 초분광 영상은 하천 수심 산정에도 적용 가능성이 높은 자료로 평가된다(Lyzenga, 1978; Stumpf et al., 2003; Legleiter et al., 2009).

You (2018)와 You et al. (2024)은 초분광 영상 기반 저수심 하천 수심 계측 기법 연구를 통해 초분광 데이터와 수심 간의 상관성을 도출함으로써 매우 상세한 하상맵핑이 가능하다고 하였다. 또한 Kang et al. (2019)은 ADCP로 측정한 실제 수심과 초분광 영상의 분광 특성을 비교한 결과, 특정 분광 정보와 수심 간에 높은 상관성이 존재하며 수심 차이에 따라 분광 특성이 달라질 수 있음을 보고하였다. 이후 초분광 영상을 활용한 자연 하천에서의 식생 유무에 따른 수심 산정 연구와 대하천 합류부 하상측정 성능 평가 등이 수행되었다(Gwon et al., 2023; Kim et al., 2023). 초분광 기반 수심 산정 연구에서는 주로 최적밴드비분석법(Optimal Band Ratio Analysis, 이하 OBRA; Legleiter et al., 2009)이 활용되어 왔다. OBRA는 다수의 초분광 파장대 중 수심과 상관성이 높은 두 파장대를 선정하고 이들의 밴드비와 실측 수심 간의 회귀관계를 이용하여 수심을 추정하는 방식이다. 이 방법은 물리기반 모형에 필요한 복잡한 계수 추정 없이 비교적 간단한 절차로 수심을 산정할 수 있어 실용성이 높은 기법으로 평가된다(Legleiter et al., 2009). 그러나 실제 하천 환경에서는 수체의 광학적 특성, 하상 반사도, 탁도, 부유물질 분포 등 여러 요인이 동시에 작용하므로 두 개 파장대의 단순 비율만으로는 수심과 분광 정보 간의 복합적이고 비선형적인 관계를 충분히 설명하기 어렵다(Pan et al., 2015).

특히 국내 하천을 대상으로 한 연구에서 Kim et al. (2023)은 OBRA 기법을 이용하여 최대측정가능수심을 평가한 결과, 약 2.5 m 수준으로 제시하였다. 그러나 실제 국내 대하천은 유심부가 대부분 4 m 내외로 형성되고, 국지적으로 5~6 m 이상의 수심 분포를 보이는 경우가 있어 초분광을 활용한 수심 산정의 적용 범위에는 여전히 제약이 존재하였다. 따라서, 국내 중소하천을 비롯한 국가하천 영역에서 초분광 기반 정밀 하상 산정의 실무 적용성을 높이기 위해서는 기존의 OBRA 기반 밴드비 접근보다 복합적인 분광 특성과 비선형 관계를 반영할 수 있는 보다 유연한 예측 구조를 적용하여 최대측정가능수심을 확장할 필요성이 있다.

최근에는 이러한 비선형 관계를 반영하기 위해 머신러닝 기법이 다양한 원격탐사 분야에 적용되고 있다. 특히 Random Forest (RF), Support Vector Machine (SVM), 신경망 기반 기법은 다차원 분광 정보를 효과적으로 활용할 수 있어 초분광 자료 해석에 적합한 방법으로 평가된다(Melgani and Bruzzone, 2004; Belgiu and Drăguţ, 2016; Paoletti et al., 2019). 이는 초분광 수심 산정에서 수심과 반사도 간의 관계가 단순 선형관계로 설명되기 어렵고 다수의 파장대와 비선형적 응답을 동시에 고려할 필요가 있기 때문이다. 실제로 최근 연구에서는 탁하고 깊은 수역과 같이 광학적으로 복잡한 조건에서 소수 밴드기반 회귀보다 머신러닝 기반 접근이 더 우수한 성능을 보였으며 이는 다양한 분광 밴드와 비선형 관계를 함께 다룰 수 있기 때문으로 해석되었다(Kwon et al., 2024). 그러나 기계학습을 적용하더라도 단일 회귀모델 기반 접근은 전체 학습 자료를 하나의 관계식으로 설명하려는 경향이 있어 서로 다른 분광 특성을 갖는 자료군이 혼재하는 경우 예측 정확도가 저하될 가능성이 있다(Kwon et al., 2022). 예를 들어, 동일한 수심이라 하더라도 수체 조건이나 하상 상태가 다르면 상이한 분광 특성이 나타날 수 있으며 반대로 유사한 분광 특성이 서로 다른 수심 조건에서 나타날 가능성도 존재한다. 이러한 자료의 이질성은 단일 모델 기반 접근의 한계로 이어질 수 있다.

이에 본 연구에서는 초분광 영상 기반 하천 수심 산정에서 복합적인 분광 특성과 비선형 관계를 반영할 수 있는 Cluster-based Machine learning Regression for Optical Variability (이하 CMR-OV) 기법을 적용하고자 하였다. CMR-OV는 초분광 영상의 전체 스펙트럼을 이용하여 분광 특성이 유사한 자료를 군집화한 뒤 각 군집별로 개별 회귀모델을 구축하는 방식이다. 이러한 구조는 전체 자료를 하나의 평균적인 관계식으로 설명하는 대신 분광 특성이 유사한 집단별 수심과 분광 정보의 관계를 각각 학습할 수 있도록 한다는 점에서 의미가 있다. 따라서 본 연구의 목적은 CMR-OV를 활용하여 기존 OBRA 기반 접근의 한계를 보완하고 초분광 영상 기반 수심 산정의 최대측정가능수심 확장 가능성을 평가하는 데 있다. 또한 이를 통해 기존 국내 연구에서 제시된 OBRA 기반 최대측정가능수심 보다 개선된 수심 산정 가능성을 검토하고자 하였다.

2. 연구 방법

2.1 초분광 수심법

초분광 기반 수심 산정은 수체를 통과한 광 신호가 수심, 하상 반사 특성 등의 영향을 받아 변화한다는 점에 기초한다. 일반적으로 수심이 증가할수록 하상으로부터 반사되어 다시 센서에 도달하는 신호는 점차 감쇠하며 이 감쇠 정도는 파장대에 따라 다르게 나타난다(Lee et al., 1999). 따라서 초분광 영상에서 관측되는 파장별 반사 신호는 수심과 일정한 관계를 가지게 되며 이 관계를 정량화함으로써 수심을 추정할 수 있다. 특히 초분광 영상은 연속적인 다수의 파장 정보를 제공하므로 단일 파장 또는 소수 밴드만으로 설명하기 어려운 수체 내 광학적 변화를 보다 세밀하게 반영할 수 있다는 장점이 있다(Hestir et al., 2015). 다만, 초분광 원자료는 촬영 당시의 조도 조건, 센서 특성, 관측 환경 등 다양한 외부 요인의 영향을 함께 포함하므로 수심 추정에 활용하기 위해서는 방사보정을 통해 안정적인 반사도 자료로 변환할 필요가 있다. 일반적으로 일정한 반사 특성을 갖는 반사판을 이용하여 초분광 영상을 반사도 자료로 변환하는 과정을 거치며 이를 기반으로 초분광 영상은 공간적으로 연속적인 수심 분포를 산정할 수 있는 자료로 활용될 수 있다.

Legleiter et al. (2009)는 이러한 초분광 수심법의 개념을 바탕으로 수심과 최적 관계를 가지는 밴드비(X)를 지수로 수심과 밴드비가 선형관계로 가정하여 Eq. (1)과 같이 수심과 밴드비의 선형관계식을 제안하였다.

여기서 d는 수심, X는 밴드비 지수이며, 회귀계수는 실측 수심과 밴드비 간의 관계를 설명하기 위해 도출된 값이다. 다양한 파장 조합에 대해 밴드 지수를 산정하고 각 지수와 실측 수심 간의 선형회귀를 수행하여 가장 높은 결정계수(R²)를 나타내는 조합을 최적 밴드비로 선정한다. 이후 선정된 밴드비와 수심 관계식을 초분광 영상에 적용하여 공간적인 수심 분포를 산정하는 것이 초분광 수심법의 대표적인 방법 중 하나인 최적밴드비분석법(OBRA)이다. 그러나 실제 하천 환경에서는 수체의 광학적 특성이 공간적으로 균질하지 않으며 동일한 수심에서도 하상 재질이나 부유물질 농도에 따라 상이한 분광 특성이 나타날 수 있다. 또한 수심이 증가할수록 유효 신호가 급격히 약화되므로 특정 밴드비와 수심 간의 관계가 전 구간에서 동일하게 유지된다고 보기 어렵다. 따라서 초분광 수심법을 실제 하천에 적용할 때에는 입력 분광정보와 수심 간 관계의 비선형성 및 자료의 이질성을 고려할 필요가 있다.

2.2 CMR-OV 기반 수심 산정

본 연구에서는 초분광 기반 하천 수심 산정에 CMR-OV 구조를 적용하였다. CMR-OV는 전체 자료를 하나의 단일 회귀모델로 설명하는 대신, 자료의 분광 특성에 따라 군집을 구분한 뒤 각 군집에 대해 개별 회귀 모델을 학습하는 방식이다. 이는 전체 자료가 하나의 단일한 수심-분광 관계를 따른다고 가정하는 기존 접근과 달리 서로 다른 광학적 특성을 갖는 자료 집단을 분리하여 각 집단 내에서보다 안정적인 예측 관계를 학습할 수 있도록 Gaussian Mixture Model (GMM)을 이용한 군집화와 각 군집별로 Random Forest (RF) 회귀모델을 결합한 구조이다.

초분광 영상으로부터 Normalized Difference Water Index (NDWI)를 산정하여 수체 영역을 추출하고 이를 대상으로 군집화와 예측 과정을 수행하였다. 수체 영역에 대해 각 픽셀의 전체 스펙트럼 정보를 입력자료로 사용하여 GMM 기반 군집화를 수행하였으며 수체 내 유사한 분광 특성을 보이는 영역들을 여러 집단으로 구성하였다. 이후 현장에서 취득한 실측 수심 자료를 군집화된 영역과 매칭하여 각 수심 자료에 대해 군집 레이블을 부여하여 학습용 수심 자료를 구성하였다. 이후 각 군집별로 다차원 입력자료에 대한 비선형 관계를 반영하는 데 적합한 RF 회귀모델을 학습하며 각 군집의 분광 특성을 반영하는 고유한 수심-분광 관계 모델을 구축하였다. 학습이 완료된 수체 영역 전체 픽셀에 대해 GMM을 이용하여 군집을 할당하고 할당된 군집에 대응하는 RF 회귀 모델을 적용하여 각 픽셀별 수심을 산정하는 것이 CMR-OV이다. Fig. 1과 같이 해당 절차를 통해 전체 초분광 영상에 대한 공간적 수심 분포도를 생성하며 최종적으로 군집별 예측 결과를 통합하여 하나의 연속적인 수심맵을 구축하였다. 즉, CMR-OV는 Cluster-wise RF의 절차를 통해 단일 관계식 기반 접근보다 하천 내 복합적인 광학 특성을 보다 유연하게 반영할 수 있는 수심 산정 구조라 할 수 있다. Fig. 1에 제시된 ntrees, max_depth, min_samples는 각각 생성되는 의사결정나무의 개수, 나무의 최대 깊이, 노드 분할에 필요한 최소 샘플 수를 의미하며, 모델의 복잡도와 일반화 성능을 제어하는 주요 하이퍼파라미터이다. 이러한 하이퍼파라미터 설정이 모델 성능에 영향을 미칠 수 있으므로 본 연구에서는 실험을 통해 안정적인 성능을 보이는 값으로 설정하였다.

Fig. 1.

Workflow of the CMR-OV-Based Hyperspectral Bathymetry Framework

2.3 최대측정가능수심

초분광 기반 수심 산정에서는 수체를 통과하는 광신호가 수심 증가에 따라 지속적으로 감쇠하므로 일정 수심 이상에서는 하상으로부터 반사된 신호가 충분히 센서에 도달하지 못하게 된다. 특히 물기둥 효과, 부유물질에 의한 산란 및 흡수, 탁도 증가 등의 영향으로 인해 유효한 분광 정보의 확보가 어려워지며 이 경우 수심과 분광반사도 간의 관계가 급격히 약화될 수 있다. 따라서 초분광 수심법은 모든 수심 범위에서 동일한 정확도를 보장하기 어렵고 실제 적용 시에는 신뢰성 있게 추정할 수 있는 최대측정가능수심 범위를 판단하는 과정이 중요하다.

Kim et al. (2023)은 국내 대하천을 대상으로 평갈수기 일반적인 탁도조건(10 NTU)에서 OBRA 기법을 적용하여 최대측정가능수심을 평가하였으며 수심 구간을 단계적으로 제한해가며 학습을 수행한 뒤 각 경우의 예측 성능을 RMSE로 비교하였다. 즉, 수심을 일정 간격으로 배제해 가며(cut-off 방식) 각 수심 범위에서 도출된 수심 관계식의 성능을 반복적으로 평가함으로써 오차 특성의 변화를 확인하였다. 그 결과, RMSE가 급격히 증가하는 지점을 기준으로 최대측정가능수심을 약 2.5 m로 제시하였으며 이는 초분광 기반 수심 산정이 일정 수심 이상에서는 유효 신호 부족으로 인해 정확도가 급격히 저하될 수 있음을 보여준다.

본 연구에서는 OBRA 대신 CMR-OV를 적용하여 최대측정가능수심을 확장하고자 하였다. 이를 위해 학습자료에서 수심을 일정 간격으로 배제하면서 반복적으로 CMR-OV 모델을 구축하였고 각 경우에 대해 검증자료 기반 RMSE를 산정하여 예측 성능의 변화를 분석하여 학습한 모델이 어느 수준까지 안정적인 예측 성능을 유지하는지를 비교함으로써 CMR-OV 구조에서 신뢰성 있는 최대 수심 범위를 판단하고자 하였다. 본 연구의 목적이 기존 OBRA 기반 접근에서 제시된 최대측정가능수심의 한계를 개선할 수 있는지를 검토하는 데 있으며 RMSE의 변화 양상을 중심으로 CMR-OV 기반 수심 산정의 최대측정가능수심을 도출하고 이를 기존 연구 결과와 비교하여 초분광 기반 수심 산정의 실무적 적용 가능 범위의 확장 여부를 검토하였다.

3. 현장 실험

3.1 대상 지역 및 수심 자료

본 연구에서 CMR-OV 기반 초분광 수심 추정 기법을 적용하기 위하여 낙동강 수계의 경상남도 창녕군 합천창녕보 하류에 위치한 낙동강, 황강 합류부를 대상지역으로 선정하였다. Fig. 2(a) 지역은 Kim et al. (2023)에서 OBRA 기법을 이용하여 최대측정가능수심을 평가한 지역과 동일한 곳으로 본 연구에서는 기존 연구와의 직접적인 비교를 위해 동일 대상지를 분석 대상으로 설정하였다. 대상지역은 수심이 수 cm 수준의 저수심부터 최대 약 6 m에 이르는 수심까지 비교적 고르게 분포하고 있어 수심 구간별 학습자료를 안정적으로 구축할 수 있는 조건을 갖추고 있다.

Fig. 2.

Study area for hyperspectral bathymetry: (a) Nakdong-Hwang River confluence; (b) Classification of depth data according to watershed influence zones

현장 조사는 2021년 3월 30일에 수행되었으며 조사 시기는 갈수기에 해당한다. 조사 당시 대상 수역의 유속은 0.1 m/s 미만으로 매우 낮아 정체 수역에 가까운 수리 조건을 나타냈다. 실측 수심 자료는 고무보트에 ADCP를 탑재하여 취득하였으며 사용 장비는 SonTek 사의 RiverSurveyor M9이다(Fig. 3(a)). 이를 통해 대상 구간 전반에 대한 현장 수심 자료를 확보하였다. 또한 해당 지역은 두 강이 합류하는 구간으로 두 수계는 탁도 측면에서 뚜렷한 차이를 보였다. 낙동강 본류의 평균 탁도는 10.9 NTU, 황강의 평균 탁도는 176.4 NTU로 나타났으며 이러한 탁도 차이는 수체의 분광 특성에 직접적인 영향을 미쳐 수심 추정에 혼선을 유발할 수 있다. 특히 동일한 수심 조건에서도 수체의 탁도 및 광학 특성이 상이할 경우 서로 다른 분광 특성이 나타나므로 두 수계를 동일한 자료군으로 처리하는 것은 모델 학습에서 불확실성을 증가시킬 수 있다. 따라서 본 연구에서는 Fig. 2(b)와 같이 광학 영상을 참조하여 합류부 혼합 양상을 확인하고 탁도 차이가 뚜렷하게 구분되는 경계를 기준으로 두 수계의 영향 구역을 구분하였으며 낙동강 본류에 해당하는 자료만을 추출하여 수심 추정 및 최대측정가능수심 평가에 활용하였다. 참고로, 지류인 황강의 탁도가 갈수기임에도 비정상적으로 높았던 이유는 당시 합천댐의 방류로 인해 유역 상류 지역의 탁수가 유입되었기 때문이다.

Fig. 3.

In-situ hyperspectral data acquisition method: (a) Field bathymetry measurement using a boat with an ADCP M9; (b) UAV system with hyperspectral camera and gimbal; (c) Hyperspectral image region (red boundary)

3.2 초분광 영상 취득

본 연구에서 사용한 초분광 영상은 기존 연구와의 직접적인 비교 가능성을 확보하기 위하여 Kim et al. (2023)에서 활용된 자료와 동일한 영상을 사용하였다. 초분광 영상은 Corning사의 Micro HSI 400 SHARK 소형 초분광 센서와 DJI사의 Matrice 600 Pro 드론을 이용하여 취득되었으며(Fig. 3(b)), Fig. 3(c)는 약 580 m × 230 m 범위를 9 cm의 공간해상도로 촬영한 초분광 영상 자료이며 해당 공간범위에서 초분광 영상 취득시간은 1~2시간 정도 소요된다. 해당 초분광 영상은 400~1,000 nm 범위에서 총 150개 밴드를 포함하고 있어 수체 및 하상의 광학적 특성을 다차원적으로 반영할 수 있다. 이러한 연속적인 분광 정보는 단일 밴드 또는 소수 밴드 조합만으로는 표현하기 어려운 미세한 분광 차이까지 포착할 수 있으므로 초분광 스펙트럼의 전체적인 패턴을 활용하는 CMR-OV 기반 수심 추정에 적합한 자료라 할 수 있다.

본 연구에서는 초분광 영상의 취득 및 전처리 과정을 새롭게 수행하기보다는 기존 연구에서 구축된 자료를 동일하게 활용함으로써 수심 추정 알고리즘의 차이에 초점을 맞추고자 하였다. 즉, Fig. 3(c)와 같이 기존 연구와 동일한 대상지역과 초분광 영상을 적용하여 기존 OBRA 기반 분석 결과와 본 연구의 CMR-OV 기반 분석 결과를 동일한 자료 조건에서 직접 비교할 수 있도록 하였다. 초분광 영상의 취득 조건과 전처리 절차 그리고 최종 영상 제작 과정에 대한 상세 내용은 Kim et al. (2023)에 제시된 바 있으며 본 연구는 해당 자료를 동일하게 활용하여 수심 추정 기법의 적용 결과를 비교·분석하였다.

4. 결과 분석

4.1 CMR-OV 적용 최대측정가능 수심

4.1.1 분광 군집화

본 연구의 대상지인 낙동강-황강 합류부에서는 황강 유입부 우안에 사주가 형성되어 있으며 이러한 지형적 특성은 초분광 영상에서도 동일하게 확인되었다. 본 연구에서는 초분광 영상에서 수체 영역을 우선 추출한 뒤 GMM 기반 군집화를 수행하였다. 그 결과, Fig. 4(a)처럼 황강 수역과 사주가 발달한 영역이 동일한 군집으로 분류되었으며 이는 낙동강 본류 영역과는 구분되는 양상을 보였다. 이러한 결과는 사주 영역의 스펙트럼 특성이 황강의 높은 탁도 영향으로 나타나는 스펙트럼 특성과 유사하게 반응하였기 때문으로 해석할 수 있다. 다만, 사주가 황강의 직접적인 영향권에 위치한다고 보기 어렵고 실제로는 사주 하류에서 두 수계가 합류하는 하천 특성이 나타난다. 따라서, 군집화 결과만을 기준으로 두 수계의 영역을 구분하는 것은 실제 하천의 수리·지형학적 특성을 충분히 반영하지 못할 가능성이 존재한다. 이러한 점에서 본 연구의 목적에 비추어 볼 때 두 수계의 구분은 기존 연구에서와 같이 광학 영상을 토대로 임의적으로 설정한 영역 구분을 따르는 것이 타당하다고 판단하였다. 이후 Fig. 4(b)와 같이 구분된 영역 정보를 수심 자료와 연계하여 각 수심 관측점에 해당하는 영역 정보를 부여한 학습 테이블을 구성하였다. 이때 수심 자료는 낙동강 영역의 수심 분포를 기준으로 구간별로 구분한 뒤 각 구간에서 학습용 80%와 검증용 20%로 분할하여 사용하였으며 최종 모델 학습에는 학습용 수심 자료를 적용하였다. 다만, 동일 하천 구간에서 취득된 자료를 사용함에 따라 공간적 상관성이 일부 존재할 수 있으며 이에 따라 과접합 가능성이 완전히 배제되었다고 보기는 어렵다. 따라서 본 연구 결과는 동일 조건 내에서의 예측 성능을 평가한 것으로 해석하는 것이 타당하다.

Fig. 4.

GMM-based spectral clustering in CMR-OV: (a) Clustering result for the water area; (b) Matching result of training depth data with cluster classes in the hyperspectral image

4.1.2 군집별 학습 결과

학습 테이블을 기반으로 각 군집별 Random Forest 회귀모델을 구축한 뒤 최대측정가능수심의 적용 가능성을 평가하기 위해 기존 연구와 동일하게 수심별 cut-off를 순차적으로 적용하면서 RMSE와 결정계수(R²)의 변화를 비교하였다. 그 결과, cut-off 탐색에서는 6.5 m까지 학습자료를 포함한 경우 가장 양호한 성능이 나타났다(Table 1). 이는 기계학습 기반 모델이 cut-off에서 확보되는 학습자료의 양과 분포에 더욱 크게 영향을 받음을 시사한다. 즉 더 넓은 수심 범위를 포함하여 학습자료가 충분히 확보될수록 모델이 안정적으로 학습할 수 있으며 그 결과 내부 학습 성능이 향상된 것으로 판단된다.

특히 4.0 m 부터 5.5 m 까지 구간에서는 학습자료의 개수가 동일하게 유지되는데 이는 해당 구간의 Fig. 5에서 볼 수 있듯이 실제로 학습자료가 없었음을 의미하며 결과적으로 모델이 학습하는 정보량 역시 증가하지 않았음을 보여준다. 반면 6.5 m cut-off에서는 새로운 학습자료가 추가로 포함되면서 수심 자료 분포가 확장되었고 이에 따라 전체 성능 중 가장 우수한 학습 성능이 도출되었다. 이는 모델 성능이 학습자료 구성에 직접적으로 지배된다는 점을 뒷받침한다. 이러한 결과는 CMR-OV 기반 최대측정가능수심 평가에서 단순히 특정 수심에서 성능이 높게 나타났다는 사실만을 해석하는 데 그쳐서는 안 되며 각 학습자료의 개수와 분포 변화를 함께 고려해야 함을 보여준다. 다시 말해, 본 연구에서 6.5 m 조건이 가장 우수한 학습 성능을 보인 것은 6.5 m 자체가 곧 최대측정가능수심임을 의미한다기보다 해당 조건에서 모델이 가장 충분한 학습정보를 확보하였기 때문으로 해석하는 것이 타당하다.

Fig. 5.

Histogram of training depth distribution

4.1.3 CMR-OV 기반 최대측정가능수심

군집화 기반 수심 학습 결과를 토대로 cut-off 탐색에서 가장 우수한 성능을 보인 6.5 m를 기준으로 최종 수심맵을 제작하고 이를 Fig. 6(a)와 같이 3개의 검증 단면과 비교하였다. 그 결과, Fig. 6(c) 단면에서는 RMSE 0.21 m, R² 0.96의 성능을 보였으며, Fig. 6(d) 단면에서도 RMSE 0.24 m, R² 0.93으로 비교적 양호한 결과를 나타냈다. 반면 가장 깊은 수심 변화가 포함된 Fig. 6(e) 단면에서는 RMSE 0.65 m, R² 0.64 수준으로 감소하여 상대적으로 낮은 결과를 보였다. 이는 해당 단면에서 수심이 3 m 대에서 6 m 대로 급격히 변화하는 구간이 존재하며 Fig. 5에서 확인할 수 있듯이 해당 수심대의 학습자료가 부족하여 이러한 급격한 수심 변화의 분광 특성을 모델이 충분히 반영하지 못하였기 때문으로 판단된다.

Fig. 6.

Comparison of CMR-OV-based bathymetry prediction performance and validation cross sections: (a) Comparison of Three Validation Cross-Sections for CMR-OV-Based Bathymetry; (b) A-B cross section and predicted performance (Kim et al., 2023; OBRA); (c) A-B cross section and predicted performance (This study, CMR-OV); (d) A-C cross section and predicted performance; (e) C-D cross section and predicted performance (abrupt depth change from around 3 m)

따라서 학습 단계에서 6.5 m 수심에서 가장 우수한 성능을 보였다고 하더라도 이를 최대측정가능수심이 6.5 m 라고 단정하기에는 한계가 있다. 특히 검증 단면에서 6 m 대 수심 구간에 대한 검증이 충분히 확보되지 않았으며 급격한 수심 변화 구간에서 오차가 크게 나타났기 때문이다. 기존 연구(Kim et al., 2023)에서는 RMSE가 급격히 증가하는 지점을 기준으로 최대 측정 가능 수심을 약 2.5 m 로 제시하였다. 본 연구에서는 Cut-off depth에 따른 예측 성능 변화를 중심으로 CMR-OV 알고리즘의 최대 측정 가능 수심을 검토하였다. Figs. 6(c)~6(e)에서 확인할 수 있듯이, CMR-OV 알고리즘은 기존 OBRA 기반 기법보다 더 깊은 수심 범위인 약 4 m 까지 안정적인 적용 가능성을 보였다. 또한 Table 2에 제시된 바와 같이, 기존 OBRA는 2.5 m 에서 RMSE 0.10 m 를 나타낸 반면, CMR-OV는 6.5 m 에서 RMSE 0.69 m를 나타냈다. 이때 RMSE/Cut-off Depth는 OBRA에서 0.04, CMR-OV에서 0.11로 산정되었으며 이는 CMR-OV의 절대 오차가 증가하였음에도 불구하고 적용 가능한 수심 범위가 기존 기법 대비 크게 확장되었음을 보여준다. 또한 추후 연구에서 4 m~6 m 사이에 학습할 수 있는 수심이 충분히 확보될 경우 CMR-OV 적용 시 기존 OBRA 대비 최대측정가능수심이 최대 6 m 까지 확장될 수 있음을 시사한다.

4.2 CMR-OV 최종 수심맵

동일한 대상지와 초분광 자료에 대하여 OBRA를 적용한 결과, 낙동강 영역에서 2.5 m 이후 RMSE가 급격히 증가하는 변곡이 확인되었으며 이에 따라 측정가능수심을 2.5 m 로 판단하였다(Fig.6(b)). 또한 해당 기준을 바탕으로 수심 범위를 한정하여 수심맵을 산정하였고 2.5 m 를 초과하는 영역은 신뢰성 있는 수심 추정이 어려운 구간으로 해석되었다. 기존 OBRA 기반 수심맵(Fig.7(a))은 저수심부의 상세 지형을 표현하는 데에는 유효하였으나 낙동강 본류의 깊은 수역까지 연속적으로 확장하는 데에는 한계가 있었다.

Fig. 7.

Comparison of final depth maps according to hyperspectral bathymetry methods: (a) Final depth map based on the maximum measurable depth derived from OBRA; (b) Final depth map based on the CMR-OV method

반면, 본 연구에서 적용한 CMR-OV 기반 수심 산정은 초분광 영상의 수체 스펙트럼을 군집으로 구분하고 각 군집에 대해 회귀모델을 구축함으로써 단일 경험식에 의존하는 기존 방법과 다른 방식으로 수심과 분광의 관계를 반영하였다. 이러한 절차를 통해 Fig. 7(b)처럼 CMR-OV는 기존보다 더 넓은 수심 범위에 대해 수심 분포를 표현할 수 있으며 특히 Fig. 7(a)와 같이 기존 연구에서 제외될 수밖에 없었던 2.5 m 이상의 낙동강 본류 영역까지 수심맵을 확장하여 제시할 수 있었다. Fig. 7(b)의 결과는 현재 대하천 대부분이 비록 다기능보 담수로 인해 수심이 깊어졌다 하더라도 일부 구간을 제외하면 수심이 대략 4 m 이내인 경우가 다수인데 평갈수기 탁도조건(10.9 NTU 내외, 1 Secchi depth = 1.5 m)에서 초분광 측정으로 CMR-OV가 적용될 경우 공간해상도 9 cm 수준으로 최대 4 m 까지 상세 하상 맵핑이 가능하다고 할 수 있다. 이러한 성과는 기존 수심 LiDAR나 초분광 수심 측정 목표가 약 1.5 Secchi depth였음을 고려할 때, CMR-OV의 적용 결과인 최대측정가능수심인 4 m 가 2.7 Secchi depth로 나타났고 추후 상세한 학습용 수심자료 확보 시 최대 4 Secchi depth까지 확장 가능성이 있다고 볼 수 있어 성능개선이 괄목할 만하게 이루어졌다고 하겠다. 즉, 기존 보편적인 OBRA 기반의 수심측정능력으로 불가능했던 국내 대하천(중소하천 포함) 하상 정밀측정이 드론 탑재 초분광 기반 CMR-OV로의 기법 개선을 통해 가능해졌음을 나타내 성능개선의 의미가 크다고 볼 수 있다. 다만, 수심측정 오차율로 볼 수 있는 RMSE가 평균 23 cm 정도로 나타난다는 점은 매우 상세한 Dune (사구)까지 측정할 수는 없다고 볼 수 있다. 그리고, 적용에서 배제된 합류의 황강 구역의 고탁도 영역(Fig. 2(b))의 경우에는 적용성이 떨어짐을 알 수 있어(Kim et al., 2023), 대부분의 홍수기 수심측정에는 위와 같은 성능을 낼 수 없다. 또한, 이러한 성능은 하상재료, 식생, 부유물 정도에 따라 상이할 수 있으므로 추가적인 성능검증이 필요할 것이다.

5. 결 론

하천의 원격탐사 기법은 최근 드론의 보급과 함께 초음파 방식이나 현장 수위계 측정 등 기존 접촉식 계측 기법의 한계를 보완할 수 있는 대안으로 주목받아 왔다. 특히 초분광 기반 수심 산정 기법은 국내의 경우 기존에 저수심 위주의 지방하천 및 정밀 하상 측정을 중심으로 적용성이 검토되어 왔다(You, 2018; You et al., 2024). 또한, 기존 연구(Kim et al., 2023)에서는 국내 대하천인 낙동강에 OBRA를 이용한 초분광 수심법을 적용하여 최대측정가능수심 등 주요 제원을 산정하고 낙동강과 황강, 두 수계의 탁도 및 수심과 같은 하천 특성에 따른 초분광 수심법의 적용성과 그 한계를 평가하였다.

본 연구도 기존 연구와 동일한 대상지역 및 자료를 활용하여 초분광 기반 수심 산정 기법인 OBRA와 CMR-OV의 적용 결과를 비교하고 이를 통해 CMR-OV 적용 시 최대측정가능수심의 확장 가능성을 평가하고자 하였다. 그 결과, CMR-OV를 적용한 경우 기존 OBRA에서 제시된 최대측정가능수심인 2.5 m 보다 확장된 수심 범위(4 m)에서도 비교적 양호한 성능을 나타냈으며 이를 기반으로 기존 기법보다 더 넓은 낙동강 본류 전체 구간에 대한 연속적인 수심 분포를 제시할 수 있었다. 이는 CMR-OV가 기존 OBRA에 비해 초분광 기반 수심 산정의 적용 범위를 확장할 가능성이 있음을 보여주는 결과이다. 특히 기존 OBRA가 최대측정가능수심을 초과하는 영역을 배제한 제한적인 수심맵을 제공하였다면 CMR-OV 기반 수심맵은 보다 넓은 영역에 대한 공간적 수심 정보를 제시할 수 있다는 점에서 활용성이 크다. 또한, 검증 단면과의 비교에서 2.5 m 이상의 수심도 안정적으로 예측이 가능한 점에서 CMR-OV 기반의 초분광 수심 산정이 단순한 저수심부를 넘어 넓은 하천 구간에서도 적용이 가능한 확장성이 있음을 시사한다.

다만, 여전히 초분광 영상 기반 수심 산정에는 여러 한계가 존재하며 다음과 같다.

(1)깊은 수심대의 실측 자료 분포가 제한적이어서 최대측정가능수심을 특정 값으로 단정하기에는 한계가 있었다. 본 연구에서는 CMR-OV 적용 결과 기존 연구보다 확장된 수심 범위에서 양호한 성능이 확인되었으나 깊은 수심대의 실측 자료 분포가 충분하지 않았고 일부 검증 단면에서는 급격한 수심 변화 구간에 대한 예측 성능이 저하되는 경향이 나타났다. 따라서 본 연구의 결과는 최대측정가능수심을 확정적으로 제시하였다기보다 기존 OBRA 대비 적용 가능한 수심 범위가 확장될 가능성을 보여준 것으로 해석하는 것이 타당하다.

(2)초분광 기반 수심 산정 기법은 대상 하천의 환경 조건에 따라 적용성이 크게 달라질 수 있다. 기존 연구에서도 최대측정가능수심은 수체의 탁도, 수질, 하상 재질 등 현장 환경에 따라 달라질 수 있음을 제시하였고 동일한 초분광 자료를 활용하더라도 수계별 광학적 특성에 따라 결과가 달라질 수 있음을 보였다. 따라서 특정 하천에서 도출된 최대측정가능수심이나 경험식은 다른 조건의 하천에 그대로 일반화하기보다 대상 지역의 환경적 특성을 함께 고려한 해석이 필요하다.

(3)CMR-OV 기반 초분광 수심 산정 기법을 안정적으로 적용하기 위해서는 학습자료의 양뿐만 아니라 수심 분포의 균형도 함께 확보되어야 한다. 기계학습 기반 알고리즘은 학습자료의 개수와 분포에 민감하므로 특정 수심대에 자료가 편중될 경우 모델이 전체 수심을 균형 있게 학습하지 못할 가능성이 있다. 따라서 저수심부터 고수심까지 다양한 수심 구간이 고르게 포함된 학습자료를 확보하는 것이 중요하다. 결국 CMR-OV의 적용성은 알고리즘과 학습자료의 구성, 수심 분포의 대표성에 좌우된다고 볼 수 있다.

종합적으로, 본 연구는 CMR-OV를 적용하여 기존 OBRA 대비 초분광 기반 수심 산정의 적용 범위 확장 가능성을 평가하고자 하였으며 최대측정가능수심을 특정 값으로 확정하기에는 한계가 있었으나 초분광 기반 수심 산정의 확장 가능성을 제시하였다는 점에서 의의가 있다. 또한, 본 연구의 성과가 안정적으로 확보될 경우 국내에서 평갈수기 탁도 조건에서 중소하천뿐만 아니라 대하천도 초분광 수심측정 기법을 상세 하상맵핑에 적용할 수 있다고 볼 수 있어 최근 4대강 사업 이후 안정적인 하상관리 측면에서 경제적인 상세 하상측정의 필요성이 대두되고 있는 시기에 본 연구의 성과가 유의미한 실무적·기술적 진보로 고려되어야 할 것이다. 다만, 향후 다양한 다른 수계의 대하천 조건들에 적용하여 최대측정가능수심을 검증하고 최적/경제적 학습자료 취득 등 측정 프로토콜 수립, CMR-OV를 넘어서는 알고리즘 개선을 통해 지속적인 성능개선 및 실용화 작업이 필요하다.