원격탐사자료를 이용한 수질 모델 검보정...

발 간 등 록 번 호 NIER-RP2011-131711-1480523-000899-01

원격탐사자료를 이용한 수질 모델 검보정 연구

낙동강물환경연구소

최은영, 정강영, 조창대, 이아연, 김태현, 이재운, 이재관

Calibration/validation of water quality model using

remote sensing techniques

Eunyoung Choe, Kang-Young Jung, Chang-Dae Cho, Ayeon Lee,

Tae-Hyun Kim, Jae-Woon Lee, Jae-Kwan Lee

Nakdong River Environment Research Center,

National Institute of Environmental Research

2011

목 차❚

i

목 차

목차 ······························································································································· i표목차 ························································································································· iii그림목차 ····················································································································· ivAbstract ····················································································································· vi

Ⅰ. 서 론 ····················································································································· 1

Ⅱ. 연구내용 및 방법 ······························································································ 3

1. 이론적 배경 ······································································································· 3

가. 수체에 대한 원격탐사기법 ········································································· 3

나. 연구동향 ······································································································· 4

2. 연구 목표 ··········································································································· 6

3. 연구 내용 및 방법 ··························································································· 6

가. 수질자료 및 공간정보 조사와 수집 ························································· 7

나. 원격탐사영상 자료 처리 및 동화작업 ·····················································10

다. 원격탐사영상으로부터 클로로필-a 농도 추정 알고리즘 산출 ············13

라. 원격탐사자료의 수질 모델 검보정에 적용 및 검증 ·····························16

Ⅲ. 연구결과 및 고찰 ···························································································· 18

1. 수질 측정 자료 분석 ····················································································· 18

가. 연구지역 ······································································································· 18

나. 관측시기 ····································································································· 18

다. 수질측정망 자료 분석 ············································································· 18

2. 클로로필-a 농도 추정 알고리즘 ·································································· 21

가. 분광특성 ······································································································· 21

나. 수체의 클로로필-a에 의한 고유한 분광계수 산출 ···························· 22

목 차❚

ii

다. 클로로필-a 농도 추정 알고리즘 산출 ·················································· 23

라. 위성영상 추정 클로로필-a 농도 분포도 작성 및 비교 ···················· 28

3. 원격탐자자료의 수질 모델 적용 및 검증 ················································· 30

가. 수질 모델링 결과 ······················································································· 30

나. 원격탐사자료와 수질 모델에 의한 예측값의 공간적 분포 비교 ······· 31

Ⅳ. 결 론 ················································································································· 33

참고문헌 ···················································································································· 35

목 차❚

iii

표 목 차

<표 1> The RapidEye image product specification ········································· 9

<표 2> Input parameters of the atmospheric correction, FLAASH ·········· 12

<표 3> Statistics of chlorophyll-a concentrations in water samples ········· 20

<표 4> Statistic parameters for algorithms of Chl-a in turbid productive

waters which were tuned using RapidEye image ························ 28

목 차❚

iv

그 림 목 차

<그림 1> NASA "OceanColor WEB" websites ·················································· 5

<그림 2> Lake & coastal water monitoring ······················································ 5

<그림 3> Research schemes ··················································································· 6

<그림 4> The map including the location of 27 sampling points ··········· 8

<그림 5> Color-composited RapidEye image of study area ······················· 9

<그림 6> Ortho-rectification processes ······························································ 10

<그림 7> Raw image of RapidEye and ortho-rectified image ················· 11

<그림 8> Various paths of radiance through the atmosphere received by

remote sensing system ········································································ 11

<그림 9> Segmentation of RapidEye image ···················································· 14

<그림 10> Object-based classification for water class masking ··············· 14

<그림 11> Time series of chlorophyll-a concentration from Jan. 2007 to April

2011 at three stations ········································································ 19

<그림 12> Distribution of chlorophyll-a concentration at 27 stations in the

Nakdong River ··················································································· 20

<그림 13> Comparison of spectrum between water containing algae and

clean water and the spectral variation as a function of Chl-a

concentrations ···················································································· 21

<그림 14> Reflectance (x104) variation of RapidEye image pixel for the study

points according to Chl-a concentrations ···································· 22

<그림 15> Relationship between observed Chl-a concentrations and R values

················································································································ 24

<그림 16> Observed vs estimated Chl-a concentrations ······························ 27

<그림 17> Comparison of RapidEye products for Chl-a concentrations estimated

by Red-RE Two-band model (a) and Red-RE-NIR Three-band models

with quadratic (b) and cubic equation (c) ·································· 29

<그림 18> The close-up distribution map of Chl-a produced by RapidEye

목 차❚

v

image at three stations ····································································· 29

<그림 19> Calibration of water quality model, QUALKO2 with observed

dataset and image-derived Chl-a dataset ···································· 31

<그림 20> patial distribution of calibrated water quality modeling data by

observed dataset and image-derived Chl-a dataset and masked

Chl-a product image from RapidEye data ·································· 32

Abstract❚

vi

Abstract

This study assessed the feasibility to apply remote sensing data for water

quality monitoring and modelling. Two-band and Three-band reflectance

models were examined as a spectral index for chlorophyll-a estimation in

turbid productive waters whose scale is smaller and narrower than ocean

using a high spatial resolution image. Those band ratio models were

successfully applied to analyzing chlorophyll-a concentrations of ocean or

coastal water using Moderate Imaging Spectroradiometer (MODIS),

Sea-viewing Wide Field-fo-view Sensor (SeaWiFS), Medium Resolution

Imaging Spectrometer (MERIS), etc. To enhance a band ratio between

absorption and reflection peak, We used red-edge band (710 nm) of

RapidEye image for Two-band and Three-band models. Red–RE Two-band

and Red–RE–NIR Three-band reflectance model (with cubic equation) for the

RapidEye image provided significance performances with R2, 0.66 and 0.73,

respectively. Their performance showed the ‘Approximate Prediction’ with

RPD, 1.39 and 1.29 and RMSE, 24.8, 22.4, respectively. Another three-band

model with quadratic equation showed similar performances to Red-RE

Two-band model. In the water quality modelling using QUALKO2, model

calibration with image-derived Chl-a data showed higher performances than

calibration with observed dataset (R2= 0.85, 0.80. and RMSE = 12.5, 15.9).

The findings in this study demonstrated that Two-band and Three-band

reflectance models using a red-edge band can approximately estimate

chlorophyll-a concentrations in a turbid river water using high-resolution

satellite image and these Chl-a products derived RapidEye image can be

applied and support to rapid and wide water quality monitoring and

modelling when field dataset is not measured or enough to do them.

Ⅰ. 서 론❚

1

Ⅰ. 서 론

보 설치 등으로 인해 발생할 수 있는 수질 변동을 예측하고 수체 표면의 오

염물질의 공간적 분포와 이동상태를 파악하는 것은 수질관리에 있어서 가장 중

요한 정보를 제공한다. 현장샘플링을 통한 수질 조사는 조밀한 지상측정망과

많은 조사․분석인력이 필요할 뿐만 아니라 관측의 시공간적인 한계성이 있으

므로 시공간적 변이가 심한 대형수체 및 유역 환경에 대한 위성영상을 통해 동

시에 넓은 영역 관측, 주기적인 자료 취득 및 접근이 불리한 지역의 자료 수집

과 분석이 필요하다. 또한 원격탐사자료를 활용하여 보다 세밀하고 객관적인 측

점의 자료를 도입함으로써 수질 예측 모델링의 신뢰도 향상을 기대할 수 있다.

미국 USGS, EPA, 캐나다 환경부, 유럽 등에서는 일찍부터 원격탐사자료를

이용하여 하천 유역 및 호소에 대해 광역적이고 주기적인 수질 모니터링을

시도하고 있다(Shafique et al., 2003; Chen et al., 2007). 또한 수질 모델링에

GIS와 같은 공간정보를 접목하여 보다 입체적인 예측값을 산출하고 최근에는

모델의 Boundary condition, Cal/Val, 유역의 Land surface process 분석 등

에 위성영상을 도입하여 수질 관측과 모델링을 보완하는 노력을 하고 있다

(Yang et al., 1999; Pandey et al., 2005). 국내의 경우에도 국산 위성기술과

원격탐사기술의 발달에 따라 인공위성을 이용한 광역적, 지속적, 객관적인 환

경감시기술 개발의 폭이 넓어졌다.

하천은 도시, 농업, 산업의 수자원이자, 생태 경관의 일부로써 깨끗한 수질

을 확보하기 위해 꾸준한 감시와 관리가 필요하다. 하천에서 조류 대번식은

수질을 악화시키는 요인 중 하나로 일부 수역에서 물이 정체될 경우 국지적

으로 조류가 과다 증식할 수 있다. 특히 수온이 상승하는 봄부터 가을까지는

부영양화로 인해 정체수역에서 조류가 크게 번식하여 정수처리 과정에서 여

과장치의 기능을 저하시키고 이취미 발생으로 수돗물 이용에 지장이 초래되

며, 그 중 남조류 일부는 독소를 생성하여 사람과 가축에 건강상 피해를 유

발할 수 있다(Mattews, 2010). 조류 증식의 지표인자로 주로 클로로필-a와

Phycocyanin 농도를 분석하고 있으며 최근에는 내륙수와 연안수의 수질과 부

영양화의 발생과 확산 및 조류 증식 등을 모니터링하는데 위성영상을 이용한

Ⅰ. 서 론❚

2

원격탐사 기법의 활용이 늘어나고 있다(Simis et al., 2005; Kutser et al.,

2006; Moses et al., 2009). 원격탐사를 이용한 클로로필-a 농도 분석은 수체의

흡광(Absorption), 후방산란 계수(Backscattering coefficient) 등과 같은 고유한

광학인자와 반사도(Reflectance)와의 상관성을 기초로 하고 있다(Gordan et

al., 1988; Han et al., 2010). Moderate Imaging Spectroradiometer (MODIS),

Sea-viewing Wide Field-of-view Sensor (SeaWiFS), Medium Resolution

Imaging Spectrometer (MERIS) 등의 해색 센서(Ocean Color Sensors)의 청

색, 녹색 밴드를 이용하는 Tassan (1994)의 알고리즘과 NASA의 클로로필-a

표준 알고리즘(OC4v4)과 같은 다양한 클로로필-a 농도 추정 알고리즘이 개발

되었다(Siswanto et al., 2011). 근래에는 탁도가 있는 해수나 담수에 대해

Colored Dissolved Organic Matter (CDOM)나 Non-Algal Particles (NAP)에

의한 분광학적 간섭효과를 피하기 위해 적색과 근적외선의 파장영역을 이용

한 모델(Two-band Model)이 활용되고 있는데, 최근에는 육상에서 식생의 잎

색소를 분석하기 위해 개발된 적색 ~ 근적외선 파장영역 중 세 개 밴드를 활

용하는 Three-band 모델이 탁도가 있는 해수나 담수의 클로로필-a 농도 계산

에도 적용되고 있다(Gitelson et al., 2009). 탁수에 대한 Two-band 및

Three-band Reflectance 모델도 주로 MODIS, SeaWiFS, MERIS 등의 광역관

측 위성에 적용되었다(Han et al., 2010).

본 연구에서는 해수나 연안수보다 수체의 크기와 폭이 현저히 작고 탁도가

높은 하천에 대해 원격탐사를 이용하여 클로로필-a 농도값을 추정하고자 고

해상도 위성영상에 적색 ~ 근적외선 파장영역을 활용하는 Two-band 및

Three-band Reflectance 모델의 적용성을 파악하였다. 특히, 주로 적색과 근적

외선 밴드만을 활용하는 이들 모델에 QuickBird, IKONOS 등의 기존의 고해

상도 영상과 달리 Red-edge (RE) 밴드가 포함된 RapidEye 영상을 적용하여

Red-edge 밴드의 활용성을 검토하였다. 또한 이렇게 적용성이 검토된 클로로

필-a 추정 알고리즘으로부터 생산된 넓은 하천 유역의 원격탐사 수질자료를

1차원 수질 모델의 검보정에 적용하여 모델의 예측력을 제고하고자 하였다.

Ⅱ. 연구내용 및 방법❚

3

Ⅱ. 연구내용 및 방법

1. 이론적 배경

가. 수체에 대한 원격탐사기법원격탐사는 항공기 또는 인공위성 등과 같은 운반체에 탑재된 센서를 이용

하여 자외선, 가시광, 적외선, 마이크로파 영역의 전자기파 자료를 비접촉 탐

지·기록하여 다양한 영상처리과정과 해석을 통해 정보를 얻는 것이다. 수체의

원격탐사를 수행하는데 있어서 순수한 물에 대해 수체로 입사된 광이 어떻게

흡수 및 산란되는지 파악한 후에 유기 및 무기물질을 함유한 물에 대한 입사

광의 효과를 해석해야 수질의 분광학적인 특성을 파악하고 위성자료를 분석

할 수 있다(Jensen, 2006).

수체는 740-2500 nm 사이의 근적외 및 중적외 파장영역에서 육지와 큰 차

이를 보인다. 이 영역에서는 순수한 물의 경우 입사 복사속(Spectral radiant

의 대부분이 흡수되기 때문에 매우 어둡게 심지어는 검은색으로 보인다. 수

체의 입사광은 400-500 nm의 청색 파장대에서 빛을 최대로 투과하고 흡수와

산란은 최소로 일어난다. 520-580 nm의 녹색 및 황색 입사광은 상대적으로

산란이 작게 일어나면서 수체에 매우 잘 흡수된다. 물분자에 의해 주황색 및

적색 파장에너지(580-740 nm)의 산란은 더욱 작아진다. 따라서 수체의 산란은

보라, 암청 및 경청색 파장대에서 크게 일어나 물을 시각적으로 청색을 띠게

한다. 하지만 수체에 유기 및 무기성분이 함유되어 있을 경우에는 이러한 물

질들이 수체의 표면을 탈출하는 근적외 복사속을 엄청나게 증가시키면서 수

표면에서는 근적외 반사와 수중에서는 체적 산란을 일으킨다. 이러한 유기

및 무기성분이 함유된 수체의 경우 수체에 도달하는 수중체적 복사휘도(Lv)는

순수한 물의 농도(w), 무기 부유성 미네랄(SM), 유기 클로로필-a(Chl), 용해

유기물(DOM) 그리고 이들 성분별로 수체에서 발생된 흡수 및 산란감쇠의 총

량 c(λ)으로 구성된 함수(식 1)가 된다.

Lv = f[wc(λ), SMc(λ), Chlc(λ), DOMc(λ)] (1)


4

이와 같이 각각의 성분들이 수체 내에서 고유한 스펙트럼 반응특성을 가진

다는 사실에 착안하여 관측 및 분석을 수행한다.

나. 연구동향여러 가지 목적으로 강우, 수심, 수온, 유속, 유량 등과 같은 수문학적 매개

변수들을 관측하고 강, 호소, 저수지, 하구 등에서의 수질자료를 수집하고 있

으며 지점관측 외에도 위성영상을 이용한 원격탐사 기법을 이용하여 이러한

수리수문학적 인자들과 수질자료를 관측하고 있다. 현장의 지점관측이 어느

지역의 전체 면적에 대하여 고르게 충분히 수집된다면 지점간의 내삽이 가능

하여 그 지역의 지리적인 경향을 추정할 수 있으나 현실적으로 지역의 대표

적인 공간정보로써 산출하는 것에 어려움이 있어 유럽연합, 미국, 호주 등의

여러 국가에서 위성영상을 도입하고자 노력하고 있다.

대표적으로 MODIS, SeaWiFs, MERIS와 같은 해색 위성을 통해 해수 및 연

안수의 적조현상, 기름유출 탐지, 해류의 흐름, 연안지도 제작 등에 적용하고

NASA에서는 웹사이트에 이를 공개하고 있고(그림 1), 우리나라에서도 2010

년도 통신해양기상위성 GOCI-I이 발사되어 국산 해색위성을 통해 다양한 분

야에 적용할 수 있을 것으로 보인다.

또한, 핀란드 환경연구소, 미국 USGS 등에서는 넓게 분포하고 있는 호소들

에 대해 Landsat과 같은 중해상도 영상을 활용하여 수질을 주기적으로 장기

간 모니터링하는 사업을 추진하고 있다(그림 2).


5

<그림 1> NASA "OceanColor WEB" websites: Suspended sediment and nutrients

from the midwestern United States flow into the northern Gulf of Mexico via the

waterways of the Mississippi River watershed. The load is heavier than usual

because of recent flooding along the river (MODIS image on May, 2011).

<그림 2> Finnish Environment Institute 2001~2009: Lake & coastal water

monitoring (left) and USGS, Lake water-clarity assessment for Michigan Inland

Lakes - 15 years (2002~) (right).


6

2. 연구목표

원격탐사자료를 이용하여 넓은 유역의 수질을 동시에 반복적으로 관측하고

원격탐사자료로부터 산출한 수질 인자값을 수질 모델의 검보정에 활용하여

모델의 예측력을 제고하기 위해,

가. 원격탐사영상 분석에 의한 수질 인자의 광역적 검출 기법 개발

나. 수질 모델 검보정에 원격탐사자료 활용 및 모델링 결과 비교

3. 연구내용 및 방법

원격탐사자료를 이용하여 수질 인자값을 산출하고 수질 모델의 검보정에

적용하기 위해 그림 3과 같이 실측자료 분석, 위성영상 자료처리, 수질 모델

링의 3단계를 수행하였다. 위성영상 픽셀의 분광값과 실측 수질 자료를 매칭

하여 수질 인자값 추정식을 산출하고 영상에서 산출한 수질 인자값을 수질

모델링의 검보정 단계에 적용하여 정확도를 분석하였다.

<그림 3> Research schemes.


7

가. 수질자료 및 공간정보 조사와 수집(1) 연구 지역

낙동강은 총 연장 510.4 km인 남한에서 가장 긴 하천으로, 농업, 산업용수 및

600만명이 넘는 지역민들에게 상수원으로서의 기능을 하고 있다(강미아, 2009).

낙동강 유역의 산업 및 주변 환경이 복잡․광역화 되어감에 따라 복잡하고 다

양한 환경오염 요인이 작용하고 있고 보 설치 이전에도 중․상류 지역에 있는

댐과 하구둑의 영향으로 유속이 현저히 감소되며 계절에 따라 호소와 같이 정

체적인 성격을 나타내어 전형적인 호소형 하천의 특성을 보이기도 한다(윤영삼

외, 2003). 특히 수온이 상승하는 봄부터 가을까지는 부영양화로 인해 정체수역

에서 조류가 크게 번식하는 구간이 발생한다. 본 연구에서는 감천 합류지점부

터 황강 합류지점을 잇는 낙동강 본류 및 인근 소하천을 대상으로 하였다. 국가

수질측정망 자료를 이용하여 낙동강 중류 구간 내 본류 및 유입하천 27 지점의

클로로필-a 농도를 조사하였다(그림 4).

(2) 수질측정망 자료

(가) 위성영상, 수질모델링 결과(본류구간) 비교검정에 활용한 지점

․낙동강 중류 영역에서 본류 구간의 세 지점을 대상으로 2007. 1 ~ 2011.

4 기간의 월별 클로로필-a 농도의 변화추이를 시계열 분석하여 낙동강 유역의

클로로필-a의 계절별 변화특성을 파악하고 관측시기를 선정

․구미(낙본E 유역), 용암(낙본F), 대암-1(낙본G))(그림 4)

(나) 위성영상 분석결과 검정에 활용한 지점(27 지점)

․본류지점(11): 강정, 구미, 왜관, 성주, 용암, 달성, 화원나루, 고령, 현풍,

대암, 대암-1

․유입하천(16): 회천A1, 황강5, 거창위천2, 황강B2, 감천2, 거창동천2, 황강1,

회천2, 회천2-1, 감천1A, 금호강2A, 금호강3, 금호강5, 금호강6, 금호강4, 금호C2


8

<그림 4> The map including the location of 27 sampling points in the Nakdong

River with red circles at three stations (Gumi (Nakbon E), Yongam (Nakbon F),

Daeam-1 (Nakbon G)).

(3) 각종 공간정보(위성영상, GIS 주제도 등) 조사 및 자료구축

수질변화 예측에 필요한 위성영상, GIS 주제도 등 각종 공간정보를 조사하고

자료를 구축하였다.

(가) 위성영상

- 위성 검색기준: 클로로필-a 농도를 측정할 수 있는 가시광선 영역을 포함

하는 위성영상을 중심으로 분광영역, 공간해상도, 해당시기 자료취득 여부를 고

려(부록 A 참조)

- 위성영상 제원

․ RapidEye(그림 5): 독일 우주항공센터(DLR)에서 2008년 8월 29일 발사

한 위성으로 총 5개의 동일한 위성을 한번에 발사해 5개의 위성이 지구를 관측

하고 있기 때문에 매일 동일한 지역의 영상을 취득할 수 있다(상세 제원은 표


9

1 참조). 또한 Red, Green Blue, NIR 밴드 외에 Red-edge 밴드에서 데이터를

획득할 수 있어서 식생 등에 포함된 클로로필-a 농도와 관련된 분야의 분석에

효과적이다.

․ 확보한 RapidEye 위성영상레벨: 방사보정 및 기기오차 보정된 1B 레벨

․ 영상의 좌표계 및 타원체: 경위도좌표계, WGS84

Nakdong River

<그림 5> Color-composited RapidEye image of the study area with band 5, 3, and

2 and the map including the image boundary.

Digital Data ProductSpecifications

Description

Spectral Bands

Blue, 440-510 nm / Green, 520-590 nm

Red, 630-685 nm / Red-edge, 690-730 nm

NIR, 760-850 nm

Pixel size 6.5m

Equator crossing time약 11:00 am

Data Processing Levels 1B Sensor-Level Product: 방사보정 및 기기오차 보

정된 수준

<표 1> The RapidEye image product specification


10

(나) 수치표고모델(DEM) 자료

- 위성영상의 정사보정에 활용

- ASTER 영상으로 제작된 30m 해상도의 수치표고모델(DEM) 자료

(다) GIS 주제도

- 하천도, 유역도, 수질측정망 지점도 등

나. 원격탐사영상 자료 처리 및 동화작업(1) 위성영상의 정사보정(Ortho-Rectification)

- 1B 레벨의 6.5m 급의 고해상도 영상인 RapidEye는 촬영시 발생한 기복

변위와 센서자세에 의한 변위를 보정하는 프로세싱(정사보정)이 필요하다.

- 정사보정은 위성영상을 촬영하면서 발생하는 중심투영에 의해 생긴 기복

변위와 센서 자세에 의해 발생한 변위를 제거하여 지도와 같이 모든 지형지물

이 바로 수직방향 위에서 본 것과 같은 형태를 갖도록 영상을 미분편위수정

(광학적, 수치적)을 통해 재투영한다(그림 6).

<그림 6> Ortho-rectification processes.

- RapidEye 위성영상 정사보정: 영상과 함께 제공된 RPC (Rational

Polynomial Coefficient) 자료와 Advanced Spaceborne Thermal Emission and

Reflection Radiometer (ASTER) 영상으로 제작된 30m 해상도의 Global

Digital Elevation Model (GDEM: 국제수치표고모델)(NASA, USA) 자료를 이

용하여 정사보정을 수행하였다 (그림 7).


11

<그림 7> Raw image of RapidEye (left) and ortho-rectified image (right):

color composition (RGB: band 3, 2, 1).

<그림 8> Various paths of radiance through the atmosphere received by remote

sensing system (Jensen, 2006).


12

※ RPC (Rational Polynomial Coefficient) 모델이란 위성 영상 촬영 당시의

위성의 자세, 위치, 카메라 정보 등으로부터 결정되는 물리적 모델로부터 추출

된 분수 형태의 다항식 모델

<표 2> Input parameters of the atmospheric correction, FLAASH (ITT inc.)

Satellite Information Ground & Atmosphere Information

Sensor type

Altitude

Flight Date

Flight Time

Scene Center

Pixel Size

RapidEye

630km

2011.4.12

11:00 a.m.

35.86013031N

128.34777832E

6.5m

Ground elevation

Atmospheric model

Aerosol model

Aerosol retrieval

Initial visibility

Sun zenith angle

Sun azimuth angle

250m

Mid-latitude Summer

Rural

None (2100nm 없음)

40km

33∘ 43' 58.9''

138∘ 53' 23.70''

(2) 위성영상의 대기보정

위성영상에 기록된 입사복사량은 지상 목표물에 의해 반사되고 대기에 의해

흡수, 산란된 후에 센서에 도달하는 태양광(그림 8)이기 때문에 지표특성의 정

량적인 계산을 위해서 대기효과들의 보정이 요구된다. 영상의 대기보정은 영상

의 최소, 최대 픽셀값을 이용하여 대기효과를 보정하는 image-based

atmospheric correction(부록 B 참조)과 대기복사전달모델을 이용하여 대기영향

을 정량화하는 Radiation Transfer model-based atmospheric correction이 있다.

영상의 픽셀값을 Reflectance로 변환하고 대기적 오차를 보정하기 위해 대기복

사전달모델인 Moderate-resolution Transmittance 5 (MODTRAN5)(부록 C 참

조)를 기반으로 하는 Fast Line-of-sight Atmospheric Analysis of Spectral

Hypercubes (FLAASH) (ENVI, ITT inc., USA)를 이용하였다. FLAASH는

MODTRAN5에 의해 분자산란, 구름, 안개, 비 등의 흡수 및 산란 및 대기 경사

경로와 경로 감쇠량, 에어로솔, 구름 및 강우 모형이 고려되어 계산된 대기 투

과율(Transmittance)과 복사량(Radiance)을 바탕으로 영상 내의 대기효과를 보


13

정한다(Kneizys et al., 1996). FLAASH 대기보정 입력 모듈에 대한 부록 D의

기준을 바탕으로 표 2와 같이 입력 파라미터를 설정하였다. 초기 Visibility는

영상 취득시기의 기상청 가시거리 자료와 FLAASH 가이드북을 기준으로 40

km로 입력하였고, Kaufman-Tanre 방법(Kaufman et al., 1997)에 의한 Aerosol

retrieval은 2100 - 2250 nm와 640 - 680 nm 밴드가 적용되는데 RapidEye 영상

에 SWIR 채널이 포함되지 않아 None으로 입력하였다. 대기모델은

Mid-Latitude Summer (MLS)를 적용하였다.

(3) 원격탐사영상 자료 동화작업

(가) 연구지역 영상의 수계영역 추출

화소단위로 구성되어 있는 영상을 객체(Segment) 단위로 변환(그림 9)하기

위해 위성영상의 객체 분할(Segmentation)을 수행하였다. 객체 분할 파라미

터로 shape 0.1, compactness 0.5를 적용하였다. 객체화된 영상에 밴드비, 밝

기값, 밴드간 Std. Dev. 등의 통계적인 정보를 이용하여 퍼지 분류(Fuzzy

classification)를 수행하여 수계 분류 및 수계영역 추출하여 수계영역을 마스

킹하였다(그림 10).

(나) 타자료와의 동화를 위한 영상의 공간적 스케일링

- 수질모델에 적용하기 위해 1 km 단위로 영상의 픽셀 확장

- 수질 실측자료와의 동화를 위해 측정지점을 중심으로 3x3 픽셀 확장 및

객체화된 영상자료 적용 및 비교

다. 원격탐사영상으로부터 클로로필-a 농도 추정 알고리즘 산출(1) 알고리즘 개발의 기본개념

물질은 광에너지를 받으면 각자 고유한 분광 반응을 나타내는데 수체에 존

재하는 조류의 클로로필이 나타내는 분광반응 특성을 정량화하여 클로로필 농

도를 산출하였다. RapidEye 위성영상의 픽셀에 담긴 분광값을 인덱스화하여

현장에서 채취한 시료의 클로로필-a 분석자료와의 상관성을 바탕으로 클로로필


14

-a 농도를 추정하였다.

(2) 클로로필-a의 분광특성 분석

(가) 분광특성

위성영상 채널이 포함되는 400-900 nm 파장대의 연속적인 Reflectance 값으로 수

체와 클로로필-a에 의한 분광특성을 분석하고 위성영상 밴드의 값 변화를 관측

<그림 9> Segmentation of RapidEye image: Raw data (left) and Segmented

image (right).

<그림 10> Object-based classification for water class masking: Classified image

(left), water class image overlaid on raw data (mid), and water mask (right).


15

(나) 수체의 클로로필-a에 의한 고유한 분광계수 산출

1) 부유성 무기물질 등의 영향이 적은 경우

영상의 반사도값을 이용해서 수체의 클로로필-a 농도 추정을 위해서는 클

로로필-a의 고유한 흡광계수를 분리해야 한다. 일반적인 해수의 경우 예를 들

어, Tassan (1994) 유사 알고리즘(식 2)이나 NASA 클로로필 표준 알고리즘

(OC4v4, 식 3)과 같이 청색과 녹색광 파장대를 이용하여 클로로필-a 농도를 구

하는 경우가 많다(Siswanto et al., 2011).

- Tassan (1994) 알고리즘

(2)

- NASA 클로로필 표준 알고리즘(OC4v4)

(3)

2) 부유성 무기물질 또는 용해 유기물질의 영향이 큰 연안과 내륙수의 경우

탁도가 높은 수체의 경우에는 Coloured Dissolved Organic Matter (CDOM)

이나 Non-Algal Particles (NAP) 등의 부유성 고형물질 의해 수체의 광특성이

달라져 (서영상 외, 2002) 청색, 녹색 분광영역에서 클로로필-a의 고유한 분광학

적 특성에 간섭효과를 일으킬 수 있으므로 이를 피하기 위해 적색과 근적외선

파장대를 이용하였다(Gitelson, 1992; Gons, 1999; Dall’Olmo et al., 2005).

- Two-band reflectance model (Gitelson, 2008) :

(4)

- Three-band reflectance model (Gitelson, 2008) :

(5)

(3) 클로로필-a 농도 추정 알고리즘 산출

영상에서 추출한 Two-band, Three-band Reflectance Model에 의한 분광계수와


16

실측 클로로필-a 농도값과의 선형회귀분석을 수행하여 추정식을 산출하였다.

(4) 알고리즘에 의해 추정된 클로로필-a 농도 검증

Two-band, Three-band Reflectance Model에 의한 분광계수의 각 선형회귀

분석에 의한 추정식에서 산출된 추정치와 실측치 간의 R2, Relative Percent

Difference (RPD), Root Mean Square Error (RMSE)의 통계값으로 검증 및 비

교하였다.

(5) 원격탐사영상에서 클로로필-a 농도를 추정하여 분포도 작성 및 비교

Two-band 모델과 Three-band 모델을 이용한 추정식을 RapidEye 영상의

수계영역에 적용하여 클로로필-a 분포도를 작성하여 비교하였다.

라. 원격탐자자료의 수질 모델 검보정에 적용 및 검증(1) 1차원 수질 모델링: QUALKO2

(가) 대상구간: 낙동강 본류 중 감천 합류 후 ~ 회천 합류 전

(나) 수리계수: HEC-RAS 모형을 이용하여 산정

- 각 구간별 유량과 수위, 유량과 유속 관련 수리계수를 동일구간의 단면

별로 계산된 값의 평균으로 산출

- 횡단의 경사도 분석과 단면별로 유량과 수위 및 유속 Rating Curve를

분석한 결과에 근거하여 하천 내 수리특성이 유사한 구간을 일정하게 구분(23

개 Reach, 부록 H 참조)하여 적용

- 4대강 준설계획단면 활용

- HEC-RAS 모형 경계조건: 제2차총량관리 계획기간 기준유량 설정안에

의해 산정된 낙동강 유역의 최근 10년 유황자료를 분석하여 유량자료를 산출하

고 이를 HEC-RAS 모델링에 적용하여 수리계수 산출

(다) 수질 및 유량자료

- 제2단계 낙동강 수질오염총량관리 기본계획에 적용된 자료 적용

(라) 유달율


17

- 유달율 산정 대상유역: 하수처리장 등 수계에 직접적 영향을 주는 오염

원이 배제된 지역 선택

- 실측자료가 없는 소유역의 유달율은 실측자료가 있는 소유역에 대해 유

량-면적비를 지수형태로 회귀도출하고 실측자료가 있는 소유역에 대해 SPSS를

이용한 잔차분석과 회귀분석을 통하여 실측자료가 없는 소유역의 유달율을 산

정하여 적용

(2) 모델 보정

- 실측치와 모델의 모의치의 차가 최소가 될 때가지 반복하는 시행착오법

을 이용하였고, 실측값을 오차가 없는 기준치로 가정하고 모의값에 영향을 주

는 수질반응계수를 조정하여 오차를 최소화

- 수질모델 보정값

․ 대상 하천 구간 내에 존재하는 환경부 수질측정망 자료(10 지점)

․ RapidEye 위성영상에서 산출한 클로로필-a 농도값 자료(18 지점)

- R2, RMSE 값을 이용하여 실측치와 원격탐사에 의한 자료에 의해 보정된

모델 예측값 오차 산정

Ⅲ. 연구결과 및 고찰❚

18

Ⅲ. 연구결과 및 고찰

1. 수질 측정 자료 분석

가. 연구 지역감천 합류지점부터 황강 합류지점을 잇는 낙동강 본류 및 인근 소하천

나. 관측시기2007 ~ 2011년 본류 구간 수질 측정망 자료(구미, 용암, 대암-1)에서 하천

유역 내 클로로필-a 농도 구배가 비교적 높게 나타나는 3-4월을 대상 시기로

선정하고(그림 11) 2007 ~ 2011년 3 - 4월에 촬영된 가용 위성영상을 검토하

였다.

다. 수질측정망 자료 분석

낙동강 중류 구간의 본류 및 유입하천 27 지점의 2011년 4월 중순의 클로

로필-a 농도는 2.3 에서 165.2 mg m-3 까지 분포하고 평균 41.4 mg m-3를 나

타내었다(표 3). 금호강 합류 이전의 상류 구간과 유입하천 중 감천, 회천, 황

강에서는 비교적 낮은 농도를 보였고 금호강과 금호강 합류 직전과 후의 하

류 구간에서 높은 수치를 나타내었다. 특히 대암, 대암-1(낙본G), 금호강4, 금

호C2, 금호C 지점은 클로로필-a 농도 80 mg m-3 이상으로 가장 높은 값을

나타내는 구간이었다(그림 12). 연구지점에서의 부유물질(Suspended

Sediments, SS) 농도는 평균 26.0 mg L-1, 최저 2.6 mg L-1, 최대 86.8 mg L-1

의 분포를 보였고, 수온은 평균 16℃, pH는 평균 8.8, DO, BOD, COD는 각

각 평균 11.2, 2.9, 6.7 mg L-1 의 값을 나타내었다(각 지점의 수질자료는 부록

E 참조) .


19

0.0

20.0

40.0

60.0

80.0

100.0

120.0

140.0

160.0

2007낙본E

2008

2009

2010

2011

Chl-a

(µg/

L)

0.0

20.0

40.0

60.0

80.0

100.0

120.0

140.0

2007낙본F

2008

2009

2010

2011

Chl-a

(µg/

L)

0.0

50.0

100.0

150.0

200.0

250.0

300.0

11월 18일 01월 07일 02월 26일 04월 17일 06월 06일 07월 26일 09월 14일 11월 03일 12월 23일 02월 11일

2007낙본G

2008

2009

2010

2011

Chl-a

(µg/

L)

<그림 11> Time series of chlorophyll-a concentrations from Jan. 2007 to April

2011 at three stations (Gumi (Nakbon E), Yongam (Nakbon F), Daeam-I (Nakbon

G)) in the Nakdong River.


20

StatisticsTemp.

(℃)

pH DO

(㎎/ℓ)

BOD

(㎎/ℓ)

COD

(㎎/ℓ)

SS

(㎎/ℓ)

Chl-a

(㎎/㎥)

Mean 15.9 8.3 11.2 2.9 6.7 26.0 44.4

Max. 19.0 9.3 14.5 6.2 12.7 86.8 165.2

Min. 12.0 7.3 7.9 0.8 3.0 2.6 2.4

St.Dev. 1.7 0.6 1.5 1.7 3.0 21.8 43.6

<표 3> Statistics of chlorophyll-a concentrations in water samples (2011.4.11~14)

Chl-a Conc.(mg m-3)

Gam-cheon

Hoe-cheon

Hwang river

Kumho river

Nakdong river

<그림 12> Distribution of chlorophyll-a concentration at 27 stations in the

Nakdong River.


21

2. 클로로필-a 농도 추정 알고리즘

가. 분광특성위성영상 채널이 포함되는 400-900 nm 파장대의 연속적인 Reflectance 값

(그림 13)으로 클로로필-a에 의한 분광특성을 분석하고 위성영상 밴드의 값

변화를 관측하였다(그림 14). 영상 내에서 수체의 픽셀은 전반적으로 0.2 이하

로 건물, 식생, 토양 등 다른 객체에 비해 낮은 Reflectance 값을 보였다. 주

로 400-500 nm(청색)과 675 nm(적색)에서 클로로필-a에 의해 강한 흡수가

일어나고 550 nm의 녹색광 파장영역에서 조류로 인하여 빛의 흡수가 작게

일어나고 최대의 반사값을 나타내었다. 또한 600-700 nm 근처에서도 높은 반

사율을 나타내었는데 이는 조류세포의 분산작용, 색소와 물의 흡수간의 최소

결합효과에 의한 것으로 알려져 있다(Jensen, 2006).

그림 14에서 RapidEye 영상의 밴드별 Reflectance 값은 그림 13의 현장 스

펙트럼처럼 녹색광, Red-edge밴드에서의 반사 피크와 적색광 밴드에서는 흡

수가 일어나는 클로로필-a의 분광특성을 나타냈으며, 클로로필-a 농도가 높게

나타난 픽셀에 대해 적색광, Red-edge에서 반사피크가 증가하는 경향을 보였

으나 그림 13처럼 전형적인 선형관계를 나타내지는 못했다.

Refle

ctan

ce x

104

Watercontaining algae

Clean water

Wavelength (nm)

Refle

ctan

ce (%

)

Wavelength (nm)

Refle

ctan

ce (%

)

500 mg/m3

0 mg/m3

(a)(b)band1

band1 band2 band3 band4 band5

<그림 13> Comparison of spectrum between water containing algae and

clean water (left) and the spectral variation as a function of Chl-a

concentrations with RapidEye image bands (right) (Jensen, 2006).


22

0

200

400

600

800

1000

1200

band1 band2 band3 band4 band5

2.4

5.8

27.3

47.1

66.8

78.5

83.7

102.2

111.2

165.2

Chl-a conc.(mg m-3)

Refle

ctan

ce x

104

<그림 14> Reflectance (x104) variation of RapidEye image pixel for the study

points according to Chl-a concentrations.

나. 수체의 클로로필-a에 의한 고유한 분광계수 산출부유성 무기물질 또는 용해 유기물질의 영향이 큰 연안과 내륙수의 경우,

부유성 고형물질들에 의해 수체의 광특성 변화하는데 주로 청색광, 녹색광

영역에서 클로로필-a에 의한 분광특성에 간섭효과를 일으키게 되므로 적색광

~ 근적외선 영역에서 분광계수 도출하였다.

수체의 클로로필-a 농도를 추정하기 위해 FLAASH를 통해 대기보정 및

Reflectance 변환 처리된 영상을 이용하여 그림 13에서와 같이 클로로필-a 농

도에 따른 반사도 피크가 증가하는 파장대 중 RapidEye 영상의 밴드가 포함

하는 영역인 657 (Red, band3), 710 (Red-edge, band4), 805 nm (NIR, band5)

를 선택해 Two-band 와 Three-band Reflectance 모델에 적용하였다.

Two-band 모델은 MODIS나 SeaWiFS, MERIS 영상을 이용하여 탁도가 있

는 수체의 클로로필-a 농도 계산시 클로로필-a를 나타내는 분광 시그널을 직

접적으로 비교할 수 있다는 장점이 있다. 일반적으로 Two-band 모델에 적색

광, 근적외선 밴드를 적용하는데 본 연구에서는 이 영역에 의한 분광계수와

함께 적색광과 Red-edge 영역을 적용한 분광계수를 비교하였다. 그림 13에서


23

클로로필-a 농도가 급격하게 증가함에 따라 다른 반사도 피크보다 특히

Red-edge 영역인 710 nm의 피크 형태(Shape)가 더 뾰족하고 높이(Height)가

향상되고 657 nm 파장대 흡수피크와의 차이가 커지는 것을 볼 수 있다.

․Two-band Reflectance Model (Gitelson, 2008) :

(6)

Three-band 모델은 클로로필-a 농도가 증가함에 따라 분광 스펙트럼의

반사피크가 강조되는 Red-edge와 흡수 파장대인 적색광 밴드, 약한 반사

피크가 나타나는 근적외선 영역을 포함하여 계산하였다.

․Three-band Reflectance Model (Gitelson, 2008) :

(7)

다. 클로로필-a 농도 추정 알고리즘 산출최저 2.3에서 최대 165.2 mg m

-3로 분포하는 클로로필-a 농도 자료와 영상

에서 추출한 Two-band, Three-band Reflectance Model에 의한 분광계수와의

선형회귀분석에 의해 클로로필-a 농도를 추정하는 계산식을 산출하였다. 또한

Two-band, Three-band Reflectance Model에 의한 분광계수의 각 선형회귀분

석에 의한 추정식에서 산출된 추정치와 실측치 간의 R2, Relative Percent

Difference (RPD), Root Mean Square Error (RMSE)의 통계값으로 검증 및

비교하였다.


24

<그림 15> Relationship between observed Chl-a concentrations and R

values calculated by Red-RE Two-band model (upper) and Red-RE-NIR

Three-band model (bottom) with Chl-a estimation equations, determination

coefficient (R2), and the number of samples (N); Red-RE-NIR Three-band

model (bottom) showed a significant estimation in quadratic (a) and cubic

equation (b).


25

(1) Red-NIR Two-band Model에 의한 추정식

Two-band 모델에 적색과 근적외선 밴드를 적용하였을 때 RapidEye 영상

에서는 3번 밴드(657 nm)와 5번 밴드(805 nm)를 적용하여 3차함수(Cubic

equation)에 의해 클로로필-a을 추정한 값과 실측값을 비교하였을 때 결정계

수 R2가 0.38으로 통계적으로 유의한 결과를 보이지 않았다.

그림 13에서 클로로필-a의 분광특성을 살펴보면, 657 nm 파장영역에서 흡

수가 일어나고 805 nm 부근에서는 약한 반사 피크가 형성되지만 클로로필

-a 농도가 증가하더라도 이 두 밴드의 값이 같이 상승하여 밴드비가 크게 향

상되지 않아 RapidEye 영상의 657 nm와 805 nm 밴드를 이용한 Two-band

모델의 성능이 낮게 나타난 것으로 보인다.

(2) Red-RE Two-band Model에 의한 추정식

클로로필-a 농도의 증가에 따라 다른 반사도 피크보다 특히 Red-edge 영역

인 710 nm의 피크 형태가 크게 향상되고 657 nm 파장대의 흡수피크와의 차

이가 커지므로 Two-band 모델에 근적외선 영역(NIR) 대신 Red-edge (RE)밴

드를 적용하였다. Red–RE Two-band 모델의 클로로필-a 농도 계산식은 선형

함수(Linear System), 2차함수(Quadratic System), 로그함수로 나타났는데 그

중에서 식 6의 2차 함수에 의한 추정식에 의한 값이 측정값과 비교하였을 때

결정계수 0.66으로 가장 높은 통계적 유의성을 나타내었고(그림 15) 2차함수

에 의한 추정식은 RMSE가 24.8 mg m-3, RPD는 '대략적인 추정(Approximate

prediction)’ 수준을 나타내는 1.5 이하인 1.39의 값을 나타내었다(표 4).

Red-RE Two-band Model : Chl-a = -146.7 + 162.7 R + 11.3 R2 (8)

(3) Red-RE-NIR Three-band Model에 의한 추정식

적색광, Red-edge, 근적외선 영역을 포함한 Three-band 모델에 의한 분광


26

계수를 이용해 클로로필-a 농도를 산출하였다. Zhang et al. (2011)이

Three-band 모델에 최적화기법(Optimization procedure)을 통해 665, 700, 730

nm 밴드를 이용했을 때 클로로필-a 농도와 선형관계에 가장 가까운 계산식

을 얻어 결정계수가 0.96에 이르는 결과를 얻었다. 그러나 본 연구에서는

RapidEye 영상 밴드가 포함하는 가장 가까운 파장영역을 선택하여 657, 710,

805 nm 밴드를 계산에 적용하였다. 그림 15에 나타낸 것과 같이 Red–RE–

NIR 모델에 의한 R값과 클로로필 농도와의 관계식은 3차함수, 2차함수, 선형

함수를 적용하였는데 그 중에서 3차함수와 2차함수를 이용한 식이 통계적인

유의성을 나타내었다. 추정값과 실측값을 비교해봤을 때(그림 16) 2차함수에

의한 식 9가 결정계수 0.66, 3차함수에 의한 식 10를 이용한 추정식이 결정계

수 0.73으로, 3차함수에 의한 추정식은 Zhang et al. (2011)이 산출한 결과보

다는 유의성이 낮지만 Two-band 모델에 의한 클로로필-a 농도 추정 결과보

다 향상된 유의성을 나타내었다. Red–RE–NIR Three-band 모델을 이용한

3차함수에 의한 추정값과 실측값을 비교하였을 때 RMSE가 22.4 mg m-3으로

2차함수(RMSE 25 mg m-3)나 Red–RE Two-band 모델과 비슷하지만 약간

낮은 오차값을 보였다. RPD 경우에는 2차함수가 1.31로 3차함수(RPD 1.29)나

Red–RE Two-band모델보다는 높은 값으로 나타났지만 이 역시 대략적인 추

정의 범주에 드는 수준으로 나타났다(표 4).

Red–RE–NIR Three-band Model:

Chl-a = 25.9 + 308 R - 164 R2 (9)

Chl-a = 16 + 124.2 R + 2053.7 R2 - 2406.2 R3 (10)


27

<그림 16> Observed vs estimated Chl-a concentrations (solid line: 1:1 ratio, dotted

line: actual ratio) by (a) linear equation using Red–RE Two-band model with

spectral bands centered at 657 and 710 nm and (b) quadratic and cubic equations

using Red–RE–NIR Three-band model with 657, 710, and 805 nm bands.


28

Chl-a

algorithm

Constant coefficients

Cn, n=0,1,2,3R2

RPD RMSE

Red–RE

Two-band Model

Quad.: -146.7, 162.7, 11.4

Linear: -163.7, 191.0

Log.: 28.0, 223.4

0.66

0.65

0.64

1.39

-

-

24.8

-

-

Red–RE–NIR

Three-band

Model

Cubic: 16.0, 124.2, 2053.7, -2406.2

Quad.: 25, 308.0, -164.0

Linear: 28.8, 197.6

0.73

0.66

0.61

1.29

1.31

-

22.4

25.0

-

<표 4> Statistic parameters for algorithms of Chl-a in turbid productive

waters which were tuned using RapidEye image

라. 위성영상 추정 클로로필-a 농도 분포도 작성 및 비교Two-band 모델과 Three-band 모델을 이용한 추정식을 RapidEye 영상의

수계영역에 적용하여 그림 17과 같이 낙동강 유역 중 샘플링 지점 4 ~ 9를

포함하는 구역의 클로로필-a 분포를 나타내었다. Two-band 모델에 의한 추정

식과 2차함수에 의한 Three-band 모델 추정식은 서로 비슷한 통계값의 성능

을 보였고(표 4) 클로로필-a 분포도에서도 비슷한 양상을 보였다(그림 17). 3

차함수에 의한 Three-band 모델 추정값은 전반적으로 Two-band나 2차함수에

의한 Three-band 모델의 추정값보다 낮은 경향을 보이고 있다. 특히 그림 17

(c)에서 지점 8 ~ 9 구간에서 46 mg m-3 이하인 연두색의 분포로 나타나는

반면 그림 17 (a)와 (b)에서는 주로 46 ~ 129 mg m-3인 노랑, 주황색의 분포

가 우세했다. 그림 17에서 영상에 실측값을 오버레이하여 비교하였는데 상류

에서 하류로 갈수록 클로로필-a의 농도가 높아지는 경향은 비슷하나 실제 값

의 범위는 차이가 크게 나타나 보였다(그림 18). 그러나 하천의 클로로필 농도

분포를 보면 하천의 양안 부분은 값이 약간 더 높고 하천의 중앙부는 상대적

으로 값이 낮은 경향이 있어 시료를 하천의 양안부 가까이에서 채취하여 중앙

부에 주로 분포된 값보다 높게 나타났거나 양안부에서 물이 아닌 다른 객체의

분광값이 혼합되어 값에 오차가 포함되었을 가능성이 있을 것으로 사료된다.


29

<그림 17> Comparison of RapidEye products for Chl-a concentrations

estimated by Red-RE Two-band model (a) and Red-RE-NIR Three-band

models with quadratic (b) and cubic equation (c).

<그림 18> The close-up distribution map of Chl-a produced by RapidEye image

at three stations: Yongam (left), Keumho C (mid), and Hyunpung (right).


30

3. 원격탐자자료의 수질 모델 적용 및 검증

가. 수질 모델링 결과낙동강 본류 중 감천 합류 후 ~ 회천 합류 전 구간을 대상으로 하여 1

차원 수질 모델인 QUALKO2 모형으로 클로로필-a 농도를 예측하였다.

초기 모의값은 그림 19의 점선과 같이 실측치와 큰 차이를 나타내었다.

실측치와 모델의 모의치의 차가 최소가 될 때까지 반복하는 시행착오법을 이

용하여 보정을 수행하였는데 대상 하천 구간 내에 존재하는 환경부 수질측정

망 중 10 지점의 자료와 RapidEye 위성영상에서 산출한 18 지점의 클로로필

-a 농도값 자료를 이용하여 모델을 보정하였다.

영상에서 추출한 값으로 보정하였을 때 실측자료에 의한 보정과 전체적인

경향이 비슷하였고, 오히려 강정 ~ 달성 구간에서 보정에 이용된 자료가 늘

어나면서 실측값으로 보정한 모델링 결과보다 상하변동이 심한 예측값이 안

정적으로 보정되었다(그림 19). 실측치에 의한 모델 보정결과는 R2 = 0.80 ,

RMSE = 15.9 mg m-3, 원격탐사자료에 의한 모델 보정결과는 R2 = 0.85 ,

RMSE = 12.5 mg m-3 으로 향상된 모의결과를 나타내었다.


31

<그림 19> Calibration of the water quality model, QUALKO2, with observed

dataset (upper) and image-derived Chl-a dataset (bottom).

나. 원격탐사자료와 수질 모델에 의한 예측값의 공간적 분포 비교낙동강 본류 중 대상구간에 대해, 실측치와 영상 이 두 자료에 의해 보정된 각

각의 수질모델 예측값의 분포는 공통적으로 구간 내 상류부는 비교적 낮은 클로

로필-a 농도값을 보이다가 금호강이 유입되기 직전 달성 지점 부근에서 급격한

증가를 보이며 하류로 갈수록 증가하는 경향을 보임. 구미 ~ 왜관 지점 부근에서

는 실측치에 의한 값의 분포가 낮은 경향을 나타내었다(그림 19, 20).

클로로필-a 값을 계산한 RapidEye 위성영상(그림 20 (c))도 상류 부분에

서 클로로필-a 농도가 낮고 하류로 갈수록 값이 높아지는 경향을 나타내

었으나 모델링 결과에 비해 달성지점 부근에서 급격한 값의 증가보다는

점진적인 증가 추세를 나타내었다.


32

<그림 20> Spatial distribution of calibrated water quality modeling data by

observed dataset (a) and image-derived Chl-a dataset (b) and masked Chl-a

product image from RapidEye data (c).

Ⅳ. 결 론❚

33

Ⅳ. 결 론

보 설치 등으로 인해 발생할 수 있는 수질 변동을 예측하고 수체 표면의 오

염물질의 공간적 분포와 이동상태 파악을 위해 하천의 수질 관측과 수질모델링

에 위성영상자료를 도입하여 결측지점이나 데이터가 부족한 지역의 자료를 보

완하고, 세밀하고 객관적인 측점의 자료로써 활용하고자 하였다.

먼저 원격탐사영상 분석에 의한 수질 인자의 광역적 검출 기법 개발을 위

해, MODIS, SeaWiFS, MERIS 등의 광역관측 위성영상을 이용한 해수나 연안

수의 클로로필 농도 분석을 통해 가능성이 확인되었던 밴드 비를 이용한 비교

적 간단한 추정 모델을 고려하였다. 상대적으로 수체의 크기와 폭이 현저히 작

은 하천에 대해 클로로필-a 농도값을 추정하고자 고해상도 위성영상에

Two-band 및 Three-band reflectance 모델을 이용하여 적용 가능성을 파악하였

다. Red–NIR 파장대를 이용하는 이들 모델에 QuickBird, IKONOS 등의 다른

고해상도 영상과 달리 Red–NIR 파장대에 Red-edge 밴드가 포함된 RapidEye

영상을 적용하였다. 가장 일반적으로 사용되는 Red–NIR Two-band

reflectance 모델은 Red-edge 밴드가 없는 MODIS나 일반적인 고해상도 영상에

도 적용할 수 있어 활용성이 높으나 RapidEye 영상을 이용한 결과에서는 계산

식의 결정계수 R2 값이 0.38로 낮은 유의성을 나타내었다. 그러나 RapidEye의

Red-edge 파장영역인 710 nm(Band 4)를 이용한 Red–RE Two-band 모델에

의한 추정식과 2차함수, 3차함수로 나타낸 Red–RE–NIR Three-band

Reflectance 모델의 추정식 결과에 대해서는 각각 0.66, 0.66, 0.73 의 결정계수

R2 값과 24.8, 25.0, 22.4의 RMSE, 1.39, 1.31, 1.29의 RPD값으로써 대략적인 추

정(Approximate prediction)의 수준을 나타내어 Red-edge 밴드의 적용 가능성

을 나타내었고, 고해상도 위성영상에서도 3차함수에 의한 Three-band 모델 추

정식을 이용해 가장 유의한 수준의 클로로필-a 농도를 추정할 수 있었다.

이들 추정식 이용하여 RapdiEye영상에 의해 6.5 m 해상도로 하천에서의 클

로로필-a 농도 분포를 파악할 수 있었다. 그러나 3차함수에 의한 Three-band 모

델 추정식으로 영상에서 클로로필-a 분포를 나타내었을 때 Two-band 모델과 2

차함수에 의한 Three-band 모델 추정식에 의한 값 분포와 실측값보다 낮은 경

Ⅳ. 결 론❚

34

향을 보였다.

1차원 수질모델인 QUALKO2를 이용하여 낙동강 중류 구간에 대해 모델

링을 수행하고 검보정 단계에서 위성영상 자료를 보정 입력값으로 적용하

였다. 영상에서 추출한 값으로 보정하였을 때 실측자료에 의한 보정과 전체

적인 경향이 비슷하였고, 오히려 강정 ~ 달성 구간에서 보정에 이용된 자료

가 늘어나면서 실측값으로 보정한 모델링 결과보다 상하변동이 심한 예측

값을 안정적으로 보정하는 결과를 나타내었다(그림 13).

이러한 결과로부터, 고해상도 위성영상을 활용하여 넓은 영역의 수계를 신속

히 동시에 관측하거나, 수질관측 시 결측 지점 발생 또는 측정지점 부족 시 분

석자료를 보완하며 수계 전체에 대한 공간적인 분석의 효율성을 향상시킬 수

있을 것으로 보인다. 또한, 수질 변동예측 모델링에 위성자료를 활용할 때 수질

모델 검보정에 위성영상으로 추출한 수질 인자값을 적용하여 자료가 없는

Reach나 실측치가 부족한 상황에 대해 실측치를 보완하여 모델링 결과의 신뢰

도를 향상시킬 수 있을 것으로 기대된다.

본 연구에서 적용한 분광계수 산출 모델들은 Dall’Olmo et al. (2003),

Gitelson et al. (2008) 등의 기존의 연구 결과들을 토대로 물의 탁도를 고려해서

만든 것이지만, 현장에서 수체의 스펙트럼을 측정하여 부유물질, 유기물과의 상

관성 및 클로로필 농도와의 간섭 정도를 시뮬레이션하여 보정식을 산출·적용한

다면 하천에서의 클로로필-a 농도 계산식의 정확도를 더욱 높일 수 있을 것이

다.

참 고 문 헌❚

35

참 고 문 헌

강미아, 2009. 낙동강수계 관리체계 구축방안, 대한환경공학회지, 31(6):

395-400.

서영상, 이나경, 장이현, 황재동, 유신재, 임효숙, 2002. 클로로필 a 추정시

OSMI 밴드의 광학 반응 특성, 대한원격탐사학회지, 18(4): 187-199.

윤영삼, 유재정, 김문수, 이혜진, 양상용, 2003. 낙동강 유역 유달부하량 산정 및

특성 평가, 대한환경공학회 춘계학술연구발표회, 2003. 5. 1, pp.

1269-1275.

이광재, 김용승, 2007. 다중분광 자료를 이용한 영상기반의 대기보정 연구.

항공우주기술 4(1): 211-220.

정태웅, 어양담, 김태렬, 임상범, 박두열, 박황수, 박명학, 박완용, 2009.

Landsat-5 TM 영상의 대기보정에 따른 클래스별 화소값 분포 변화 비

교. 대한원격탐사학회지, 25(1): 11-20.

환경부, 2011. 수질오염공정시험기준 (2011년도 개정본).

Atmospheric Correction Module User's Guide in ENVI 4.8, 2011. ITT.

Chavez, P.S., Jr., 1996. Image-Based Atmospheric Corrections Revisited

and Improved, PE&RS, 62(9): 1285-1294.

Chen, Q., Y. Zhang, and M. Hallikainen, 2007. Water quality monitoring

using remote sensing in support of the EU water framework

directive (WFD): A case study in the Gulf of Finland, Environ.

Monit. Assess., 124: 157-166.

Dall’Olmo, G., A. A. Gitelson and D. C. Rundquist, 2003. Towards a unified

approach for remote estimation of chlorophyll-a in both terrestrial

vegetation and turbid productive waters, Geophysical Research Letters,

30(18): 1938-1941.

Dall’Olmo, G., A. A. Gitelson, D. C. Rundquist, B. Leavitt, T. Barrow, and J.

C. Holz, 2005. Assessing the potential of SeaWiFS and MODIS for

참 고 문 헌❚

36

estimating chlorophyll concentration in turbid productive waters using

red and near-infrared bands, Remote Sensing of Environment, 96:

176-187.

Gitelson, A. A., 1992. The peak near 700 nm on reflectance spectra of algae

and water: relationships of its magnitude and position with chlorophyll

concentration, International Journal of Remote Sensing, 13: 3367–3373.

Gitelson, A. A., D. Gurlin, W. J. Moses, and T. Barrow, 2009. A bio-optical

algorithm for the remote estimation of the chlorophyll-a concentration

in case 2 waters, Environment Research Letter, 4: 045003.

Gitelson, A. A., G. Dall’Olmo, W. Moses, D. C. Rundquist, T. Barrow, T. R.

Fisher, D. Gurlin, and J. Holz, 2008. A simple semi-analytical model for

remote estimation of chlorophyll-a in turbid waters: Validation, Remote

Sensing of Environment, 112: 3582–3593.

Gons, H. J., 1999. Optical teledetection of chlorophyll-a in turbid inland

waters, Environmental Science & Technology, 33: 1127–1132.

Gordan, H. R., O. B. Brown, R. H. Evans, J. W. Brown, R. C. Smith, K. S.

Baker, and D. K. Clark, 1988. A semianalytic radiance model of ocean

color, Journal of Geophysical Research, 93: 10909-10924.

Han, X., W. Zheng, and C. Wu, 2010. Chlorophyll-a Estimation Using

Satellite Observations in Tai Lake, China, International Conference on

Multimedia Technology (ICMT), IEEE.

Jensen J. R., 2006. Remote Sensing of the Environment: An Earth Resource

Perspective. Prentice Hall.

Jung-Rothenhaeusler, F. Weichelt, H., Pach, M., 2007. RapidEye - A

Novel Approach to Space Borne Geo-Information Solutions. In:

ISPRS Hanover Workshop 2007. High-Resolution Earth Imaging for

Geospatial Information. Hannover.

Kaufman, Y. J., A. E. Wald, L. A. Remer, B.-C. Gao, R.-R. Li, and L. Flynn,

1997. The MODIS 2.1-μm Channel-Correlation with Visible Reflectance

참 고 문 헌❚

37

for Use in Remote Sensing of Aerosol, IEEE Transactions on Geoscience

and Remote Sensing, 35: 1286-1298.

Kneizys, F. X., L. W. Abreu, G. P. Anderson, J. H. Chetwynd, E. P. Shettle,

A. Berk, L. S. Bernstein, D. C. Robertson, P. Acharya, L. S. Rothman, J.

E. A. Selby, W. O. Gallery, and S. A. Clough, 1996. The MODTRAN

2/3 Report and LOWTRAN7 Model, Phillops Laboratory, Geophysics

Directorate.

Kutser, T., L. Metsamaa, N. Strömbeck, and E. Vahtmäe, 2006. Monitoring

cyanobacterial blooms by satellite remote sensing, Estuarine, Coastal

and Shelf Science, 67: 303−312.

Matthews, M. W., 2010. Remote sensing of water quality parameters in

Zeekoevlei, a hypertrophic, cyanobacteria-dominated lake, Cape Town,

South Africa, Cape Town, M.Sc. of University of Cape Town.

Mahiny, Abdolrassoul S. and Brian J. Turner, 2007. A Comparison of

Four Common Atmospheric Correction Methods. Photogrammetric

Engineering & Remote Sensing, 73(4): 361-368.

Moses, W., A. Gitelson, S. Berdnikov, and V. Povazhnyy, 2009. Satellite

estimation of chlorophyll-a concentration using the red and NIR bands

of MERIS—The Azov Sea case study, IEEE Geoscience and Remote

Sensing Letters, 6: 845−849.

Pandey, V.K., S.N. Panda, and S. Sudhakar, 2005. Modeling of an agricultural

watershed using remote sensing and a geographic information system,

Biosystems Engineering, 90(3): 331-347.

RapidEye Satellite Imagery Product Specifications ver. 3.2, 2011.

Shafique, N.A., F. Fulk, B.C. Autrey, and J. Flotemersch, 2003.

Hyperspectral remote sensing of water quality parameters for large

rivers in the Ohio river basin, First Interagency Conference on

Research in the Watersheds, USDA.

Simis, S. G. H., S. W. M. Peters, and H. J. Gons, 2005. Remote sensing of the

참 고 문 헌❚

38

cyanobacterial pigment phycocyanin in turbid inland water, Limnology

and Oceanography, 50: 237−245.

Siswanto, E., J. Tang, H. Yamaguchi, Y. –H. Ahn, J. Ishizaka, S. Yoo, S. –

W. Kim, Y. Kiyomoto, K. Yamada, C. Chiang., and H. Kawamura, 2011.

Empirical ocean-color algorithms to retireve chlorophyll-a, total

suspended matter, and colored dissolved organic matter absorption

coefficient in the Yellow and east China Seas, Journal of Oceanography,

67: 627-650.

Tassan, S., 1994. Local algorithms using SeaWiFS data for the retrieval of

phytoplankton, pigments, suspended sediment, and yellow substance in

coastal waters, Applied Optics, 33: 2369-2378.

Yang, M.-D., C.J. Merry, and R.M. Sykes, 1999. Integration of water quality

modeling, remote sensing, and GIS., Journal of the American Water

Resources Association, 35(2): 253-263.

Zhang, Y., H. Lin, C. Chen, L. Chen, B. Zhang, and A. A. Gitelson, 2011.

Estimation of chlorophyll-a concentration in estuarine waters: case study

of the Pearl River estuary, South China Sea, Environmental Research

Letters, 6: 024016.

원격탐사자료를 이용한 수질 모델 검보정...

Documents