Small- to Medium-Sized Stream Waterbody Extraction Using Sentinel-1 Images Based on Shortest Plane Distance

수현 김; 동균 김

doi:10.9798/KOSHAM.2022.22.6.363

J. Korean Soc. Hazard Mitig. > Volume 22(6); 2022 > Article

평면최단거리를 활용한 Sentinel-1 영상의 중소규모 하천 수체 추출

Article

하천방재

J Korean Soc Hazard Mitig 2022; 22(6): 363-376.

Published online: December 23, 2022

DOI: https://doi.org/10.9798/KOSHAM.2022.22.6.363

평면최단거리를 활용한 Sentinel-1 영상의 중소규모 하천 수체 추출

김수현^*, 김동균^**

* 정회원, 홍익대학교 토목공학과 박사과정(E-mail: soohyun1106@mail.hongik.ac.kr)

** 정회원, 홍익대학교 건설환경공학과 부교수(E-mail: kim.dongkyun@hongik.ac.kr)

Small- to Medium-Sized Stream Waterbody Extraction Using Sentinel-1 Images Based on Shortest Plane Distance

Soohyun Kim^*, Dongkyun Kim^**

* Member, Ph.D. Candidate, Department of Civil Engineering, Hongik University

** Member, Associate Professor, Department of Civil Engineering, Hongik University

^** 교신저자, 정회원, 홍익대학교 건설환경공학과 부교수
(Tel: +82-2-320-1613, Fax: +82-2-325-2332, E-mail: kim.dongkyun@hongik.ac.kr)

** Corresponding Author, Member, Associate Professor, Department of Civil Engineering, Hongik University

Received October 06, 2022 Revised October 07, 2022 Accepted October 24, 2022

This is an open access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0), which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

Abstract

In this study, a method for extracting the waterbody of small- to medium-sized streams is verified using SAR (Synthetic Aperture Radar) images based on the shortest plane distance (DST). The areas investigated are the Hantangang River and Jungnangcheon stream. To verify the waterbody extraction method, SAR satellite image data (Sentinel-1) and PlanetScope, which is a high-resolution optical satellite, are used simultaneously. After preprocessing the Sentinel-1 images, their brightness distribution is equalized via histogram matching. To realize an efficient stream extraction, a weight, which is the DST from the stream centerline, is added. After combining this weight value and Sentinel-1’s VH and VV polarizations, the optimal parameter value is obtained using the k-means method. This value allows the waterbody to be extracted from Sentinel-1 images with maximum accuracy, depending on the resolution limit. Based on the correlation among the VV, VH, and DST, the waterbody extraction can be calculated using an elliptic equation. Results show that the average accuracy is 0.45-0.75, and the average Kappa coefficient is 0.60-0.85. This study shows that the waterbody area can be estimated using the DST. Additionally, the proposed method extracts the waterbody more simply and rapidly than the existing waterbody extraction method.

Keywords: Stream, Satellite Image, Sentinel-1, K-mean, Shortest Pplane Ddistance

요지

본 연구는 평면최단거리를 활용하여 Sentinel-1으로 중소규모 하천의 수체 추출 방법을 검증하였다. 연구지역으로 한강유역의 한탄강과 중랑천 일부를 선정하였다. Sentinel-1의 수체 추출 방법 검증을 위해 고해상도 광학위성인 PlanetScope를 함께 활용하였다. 수집한 SAR 위성영상자료(Sentinel-1)는 전처리과정 후, 히스토그램 매칭기법을 통해 영상의 밝기 분포를 동일시하였다. 그리고 효율적인 하천추출을 위하여 하천중심선에서의 평면최단거리를 활용한 가중치를 추가하였다. 이 가중치 값과 Sentinel-1의 VH, VV 편광과의 조합을 통해 k-mean 방법으로 최적의 매개변수 값을 얻을 수 있었다. 이는 해상도의 한계에 따라 Sentinel-1에서 최대 정확도의 수체를 추출할 수 있는 값이며, 이 수준에 해당하는 수체 추출을 VV, VH, 평면최단거리의 상관관계에 근거하여 타원방정식으로 계산식을 도출할 수 있다. 그 결과 평균 정확도가 0.45~0.75 사이에서 도출되었고, 평균 Kappa 계수가 0.60~0.85에 근접함을 확인하였다. 본 연구는 평면최단거리 값을 활용하여 참값이 없더라도 수체면적의 추정을 보여준다. 또한, 현존하는 수체 추출 방법보다 간단하고 신속하게 수체를 추출할 수 있음을 증명하였다.

1. 서 론

물은 공기와 더불어 인류를 포함한 생태계의 생존과 번영에 매우 필수적인 자원이다. 그러나 수자원 활용이 인구증가 및 기후변화로 인하여 급격히 줄어들고 있으며(Vörösmarty et al., 2000; Rockström et al., 2009; Kummu et al., 2010; McDonald et al., 2011), 특히 금세기 중반에 물부족이 지구 전체적 상황에서 사회 및 경제시스템에 큰 위협이 될 것으로 전망되고 있다(McLennan, 2021). 이에, 효율적인 수자원 관리와 개발의 문제는 개별 국가를 벗어나 글로벌 차원에서 인류사회와 산업경제의 안정을 위해 반드시 필요해지고 있다.

하천, 호수, 저수지 등 수자원에 대한 정확한 관측은 효율적 수자원 관리의 기본이나(Chen et al., 2004; Haddeland et al., 2014), 그간 물리⋅지리⋅경제적 여건 등으로 관측이 불가능하거나 단순히 하천 단면을 기반으로 하는 관측만 수행되어 유역 전역에서 수자원의 공간적 변동성을 파악하는데, 그 한계가 있었다. 최근 이런 문제를 극복하기 위해 광범위한 지역에서 지표수(Chen et al., 2004; Wu and Liu, 2014; Jawak et al., 2015; Ahmad and Kim, 2019)와 지하수(Rodell and Famiglietti, 2002; Tiwari et al., 2009; Frappart and Ramillien, 2018; Chanu et al., 2020) 등 수자원관리를 위해 인공위성 기술을 활용하여 주기적으로 관측하기 시작하였다. 인공위성은 광범위한 영역을 일시에 촬영할 수 있고(Kim et al., 2019), 북한이나 동남아 등 미계측 지역의 유역 및 하천 특성을 동시에 고려할 수 있다는 점이 특징이다(Sheffield et al., 2018).

인공위성 기반의 하천수 관측 연구는 주로 SRTM (Shuttle Radar Topography Mission)이나 Landsat 위성영상자료를 활용하여 지구 전체(Yamazaki et al., 2014; Allen and Pavelsky, 2018; Lin et al., 2020) 또는 특정 대륙(북미: Allen and Pavelsky, 2015; Isikdogan et al., 2017, 오세아니아: Hou et al., 2019, 중국: Yang et al., 2020)의 공간적 범위에서 큰 규모의 하천을 대상으로 연구가 이루어졌다. 이러한 연구들 대부분은 다양한 밴드 값을 조합한 인덱스(e.g. Normalized Difference Water Index, NDWI 또는 Modified Normalized Difference Water Index, MNDWI)의 임계값을 경계로 수체와 비수체로 구분하였다. 인덱스 기반 방법은 인공구조물이나 초목지역에서 노이즈를 효과적으로 제거할 수 있고 비감독 분류법의 적용이 가능하여 수체분류 과정을 자동화할 수 있다는 장점이 있으나, 촬영시각 및 기상상태 등 촬영조건에 영향을 크게 받는 광학위성 영상자료를 사용함으로써 주기적인 측정이 불가능하다는 단점도 있다(Isikdogan et al., 2017).

이에, 능동형 센서인 Synthetic Aperture Radar (SAR)를 활용하면 인덱스 기반 방법이 갖는 한계가 극복 가능해질 수 있다. SAR 위성영상에서 수체를 추출한 선행연구에는 1) 후방산란계수의 임계값에 근거해 수체와 비수체를 구분한 연구가 대부분이었다(Otsu, 1979; Matgen et al., 2011; Twele et al., 2016; Ahmad and Kim, 2019). 이 외에 2) 군집화 알고리즘에 근거한 방법(Gan et al., 2012; Buono et al., 2017); 3) 다중 이미지 중첩 방법(Brivio et al., 2002; Borah et al., 2018; Perrou et al., 2018); 그리고 4) 딥러닝에 기반한 방법(Klemenjak et al., 2012; Kreiser et al., 2018; Lv et al., 2018; Pai et al., 2019) 등이 있었다. Table 1에 이 분야의 선행연구들을 요약하였다.

Table 1

List of Water Body Extraction Studies

Method	Research purpose	Satellite (spatial resolution)	Study area stream (width)	Result	Data source
Threshold method	Flood monitoring	ALOS PALSAR (10~30 m)	Mahakam River, Indonesia (about 300 m)	Accuracy : 78% - Excluding areas with tall plants	Hidayat et al. (2012)
Threshold method	Detection river changes	TerraSAR-X (up to 18.5 m), RADARSAT (8.9 m)	Rosenheim, Germany, Ottawa, Canada	Accuracy : - 78% (TerraSAR-X), 92% (RADARSAT) - Manual extraction with visual interpretation	Zhu et al. (2015)
Threshold method, Clustering	Suggestion of water body extraction method	ALOS PALSAR (10~30 m)	Sungai Kampar river, Indonesia, Congo river, DRC, Mississippi river, USA (more than 500 m)	Accuracy : 84% - Manual extraction by geoscientist	Ciecholewski (2017)
Threshold method	Flood monitoring	ALOS PALSAR (10~30 m)	Sri Lanka	- Cross-validation with MODIS, 22% difference	Alahacoon et al. (2018)
Threshold method	Flood monitoring	Sentinel-1 (about 10 m)	Medjerda river, Tunisia (More than 60 m)	Accuracy : 98% - Comparative verification with the extracted area by polarization	Ezzine et al. (2018)
Threshold method	Flood monitoring	Sentinel-1 (about 10 m)	Ramganga river, India (More than 1 km)	Accuracy : 93% - Cross-validation with sentinel-2	Agnihotri et al. (2019)
Threshold method	Flood monitoring	Sentinel-1 (about 10 m)	Ebro river, Spain (about 80 m)	- As a result of comparison with the flood map, it shows a similar pattern (no quantitative accuracy calculation)	Carreño Conde and De Mata Muñoz (2019)
Clustering (ISODATA, PCA)	Flood monitoring	ERS2-SAR (26 m)	Danube River, Romania (about 1.4 km)	Accuracy : 60% - Comparative verification with Landsat-5	Gan et al. (2012)
Clustering	Suggestion of water body extraction method	Sentinel-1 (about 10 m), ICEYE-X2 (3 m)	Cô Chiên River, Vietnam, Moselle river, France (about 80 m)	- Except for narrow rivers, it can indicate river boundaries (no quantitative accuracy calculation)	Pappas et al. (2020)
Color composite (RGB), Clustering (K-means)	Flood monitoring	Sentinel-1 (about 10 m)	Kaziranga National Park (near Brahmaputra River 7 km)	- Confirmation of possibility of creating submersion maps of SAR satellites through changes in waterbody area (no quantitative accuracy calculation)	Borah et al. (2018)
Color composite (RGB), Threshold method	Flood monitoring	Sentinel-1 (about 10 m)	Strymon River, Greece (about 300 m)	- Detect changes in water body area (no quantitative accuracy calculation)	Perrou et al. (2018)
Machine learning	Suggestion of water body extraction method	TerraSAR-X (about 3 m)	West (Lipper river), southern (Elz), Germany (about 30~50 m)	Kappa: 0.7 - Comparative verification with waterbody area manually extracted with RapidEye (resolution: about 6.5 m) - The smaller the stream width, the lower the accuracy.	Klemenjak et al. (2012)
Machine learning, Threshold method	Suggestion of water body extraction method (WASARD; Water Across Synthetic Aperture Radar Data)	Sentinel -1 (about 10 m)	Southern Vietnam (Rivers near lakes or reservoirs)	- 97% correlation - Compared to Landsat-based Australia’s Water Observations from Space (WOFS)	Kreiser et al. (2018)

대부분의 선행연구가 하천폭이 수백 미터 이상인 대규모 하천을 대상으로 하였으나, Nicolas et al. (2021)의 연구는 폭 50 m 내외의 소하천을 대상으로 하였다. 이 연구는 하천중심선에 기반한 조건부 랜덤필드 방식을 활용하여 수체를 추출하였으며, 추가로 GRWL (Global River Widths from Landsat) 등의 보조적인 자료를 활용하여 오차를 제어하는 후처리 과정이 필요하다고 제시하였다.

본 연구에서는 선행연구들의 한계를 벗어나 중해상도 SAR 영상을 통해 중소규모 하천의 수체를 비교적 간단하고 정확히 추출하는 방법을 제시하였다. 이 방법은 하천중심선과의 거리에 따라 평면최단거리로 가중치를 준 값과 SAR 영상 후방산란계수의 상관관계에 근거하여 수체를 추출하는 방식을 사용한 것이다. 본 연구는 다음과 같이 선행연구들과 차별성을 갖고 연구하였다: 1) 산정식이 간단하여 적용이 용이하고 Sentinel-1에서 결과를 낼 수 있는 최고정확도(70%)를 보장하는 방법이다; 2) 하천 주변 오탐지 지역제거 등의 후처리가 별도로 필요 없다; 3) 위성영상의 공간해상도 대비 중소규모 하천(약 30~150 m)의 수체 추출을 자동으로 할 수 있다.

2. 연구 방법

2.1 연구지역

본 연구의 대상지는 한강유역의 한탄강과 중랑천으로 그 영역은 Fig. 1과 같다.

Fig. 1

Study Area

한탄강은 강원도 평강군에서 발원되어 경기북부를 지나 임진강과 합류하며, 하천길이 136 km의 지방하천으로 유역에는 절벽과 협곡이 발달되어 있다. 본 연구지역에 해당하는 한탄강 하류의 유역면적은 약 61 km², 평균 하폭은 150 m 정도이다. 연평균 유량 및 수심은 2020년 연천군(사랑교) 관측소 기준 각 120.69 m³/s, 0.48 m이다.

중랑천은 한반도 중앙부에 위치하며, 경기도 양주시에서부터 발원되어 서울을 거쳐 한강으로 합류된다. 중랑천 유역의 면적은 약 300 km², 유로 연장은 34.8 km이며, 3/4 이상이 고밀도의 도시지역이다. 중랑천의 평균 하폭은 60 m이며, 상류에서 40 m 이하, 하류에서 약 200 m 정도이다. 중랑천 하류에서의 연평균 유량 및 수심은 2020년 서울시(중랑교) 관측소 기준 각각 10.39 m³/s, 0.58 m이다.

2.2 활용 자료

2.2.1 위성영상 자료

본 연구는 European Space Agency (ESA)의 Sentinel-1 위성의 SAR 영상과 PlanetLab에서 운영하고있는 PlanetScope 광학영상을 활용하였다. Sentinel-1은 능동형 C-band SAR센서를 탑재하고 있어 촬영시간 및 기상 상황에 상관없이 지상의 상황을 관측할 수 있다. 공간해상도는 약 10 m, 촬영주기는 6일, 촬영 폭은 250 km 내외로 무료로 이용할 수 있다. 또한, 레이더 신호가 수직전송 수직수신용 VV (Vertical-Vertical)와 수직전송 수평수신용 VH (Vertical-Horizontal)인 이중편파 자료로 구성되어 있다. Sentinel-1 위성은 동일궤도면이 180° 위상차로 유지되어 공유하는 두 위성(Sentinel-1A, Sentinel-1B)으로 운영되며, 단일 위성에 대하여 12일의 반복주기와 주기당 175개의 궤도를 갖고 있다. 이 두 위성이 함께 운영되는 경우 반복주기는 6일로 줄어들며, Sentinel-1B가 발사된 2016년 4월 이후부터 상태 이상으로 촬영을 멈춘 2021년 12월까지 적용된다. PlanetScope는 R, G, B, NIR (Near-infrared) 총 4개의 분광센서로 구성되어 있으며, 공간해상도는 약 3 m이다. 무게 5 kg 미만의 작은 위성을 약 180여개 발사하여 전 지구를 1~3일의 촬영주기로 관측할 수 있으며, 영상 한 장의 촬영범위는 약 20 km × 12 km이다. 다만, PlanetScope는 구름과 같은 대기상의 장애물이 있는 지역의 지상측정은 불가능하다는 단점을 갖고 있다.

본 연구에서는 해상도가 높고 여러 밴드를 가지고 있는 PlanetScope 영상자료에서 추출한 수체를 참값으로 가정한 후, Sentinel-1 영상자료에서 수체를 추출하기 위한 방법론을 개발 및 검증하였다. 이를 위해 비슷한 시기에 촬영된 두 영상자료가 필요하였다. 이에 본 연구는 다음과 같은 기준으로 두 영상자료를 수집하였다: 1) 두 위성영상의 촬영시간 차이가 24시간 미만이며, 두 촬영시간 사이에 강수가 발생하지 않아 유량값이 유사할 것; 2) PlanetScope의 이미지에 구름이 없을 것; 3) Sentinel-1 영상자료에 VV와 VH 편광이 함께 존재할 것 등이다.

Fig. 2에 보인 바와 같이 한탄강과 중랑천의 자료를 각 10쌍과 57쌍을 수집하였다. 그리고 Fig. 2(a)는 한탄강 연구지역의 영상수집에 따른 유량을 보여준다. 유량 변화가 컸던 2020년도 자료로 한정하였고, 검증을 위한 Sentinel-1 영상자료(빨간색 동그라미) 33개를 추가로 수집하였다. 또한, Fig. 2(b)는 중랑천 연구지역의 영상수집 날짜에 해당하는 유량을 보여준다. 2016년 11월부터 2021년 2월까지 총 57쌍의 위성영상자료를 수집하였고, 검증을 위한 Sentinel-1 영상자료 38개를 수집하였다. Fig. 2의 그래프의 아래에 보인 회색 실선은 중랑교과 사랑교(Fig. 1의 노랑 별표)에서 측정한 유량이다. Fig. 2는 인공위성 영상 촬영일에 따른 일평균 유량의 히스토그램은 PlanetScope (파란색 십자가)의 유량이 클 때 자료수집이 쉽지 않음을 보여준다. 이는 광학위성의 특성상 구름을 투과하지 못하여 동일지역 촬영주기(1~3일)가 빈번하더라도 실제로 활용할 수 있는 자료가 SAR 영상자료 보다 적은 것을 나타낸다.

Fig. 2

Discharge and Histogram by Date of PlanetScope (blue) and Sentinel-1 (red) Satellite Images

2.2.2 하천중심선

우리나라는 ｢수치지도 작성 작업규칙｣에 따라 국가하천 및 지방하천 제방과 제방 사이를 중심으로 하천중심선 작성이 명시되어 있다. 국토지리정보원에서는 항공촬영 및 현장 측량 등을 실시하여 매년 데이터를 갱신 및 제공하고 있다. 본 연구는 2020년 기준으로 작성된 하천중심선 자료를 사용하였다. 한편, 한탄강 하류에서 임진강에 합류하는 지점에서는 북한과 인접하여 하천중심선자료를 얻지 못하였으나 한강홍수통제소에서 제공하는 하천망도 자료를 활용하여 중심선을 생성하였다.

2.3 하천 수체 추출 알고리즘

본 연구는 SAR 영상 픽셀의 VV, VH값, 그리고 평면최단거리(이하 DST) (Fig. 3(a)) 자료를 활용하였다. 여기서 DST는 하천중심선에서 유클리드 거리법에 따라 가중치를 래스터 파일로 생성한 것이다.

Fig. 3

Workflow for Extract Water Body

하천 수체 추출 알고리즘은 다음과 같이 진행하였다. 첫째, 분석기간동안 수집된 모든 VV와 VH이미지에 하천의 중심선으로부터 일정 반경 초과 지역(중랑천 하류의 경우 100 m)은 수체가 존재하지 않는 것으로 간주하여 잘라낸다(Fig. 3(b)). 둘째, 각 이미지 밝기값을 CDF (Cumulative Density Function) 매칭 기법(2.3.3에서 설명)을 사용하여 기준 이미지의 밝기로 통일한다(Fig. 3(c)). 셋째, 각 이미지에 최소-최대 정규화를 시행 후, 멱함수(2.3.4에서 설명)를 취하여 대비를 증가시킨다(Fig. 3(d)). 넷째, 정규화 및 대비증가된 세 이미지를 K-mean 군집화 알고리즘의 입력값으로 활용하여 이미지 내 각 픽셀을 수십 개 내외의 클러스터로 구분한다(Fig. 3(e)). 다섯째, 각 클러스터에 포함된 픽셀들의 VH-DST, VV-DST, VV-VH 관계(Fig. 3(e)의 오른쪽)를 별도의 과정을 통해 미리 구해 놓은 수체의 이변량 분포(2.3.5에서 설명)와 비교하여 해당 클러스터의 수체여부를 결정한다. 이러한 과정을 모든 클러스터에 적용하여 하천 전역에 대하여 수체를 추출하였다(Fig. 3(f)).

2.3.1 위성영상자료의 전처리과정

SAR 위성영상은 후방산란 값으로 구성되어 산란에 의한 Speckle Noise가 무작위로 발생하고, 측면으로 촬영하기 때문에 이를 보정하는 전처리과정이 필요하였다. Sentinel-1의 전처리 과정은 1) 이미지 픽셀값을 레이더 후방산란 값으로 변환하는 방사보정; 2) 산란에 의해 밝거나 어두운 점을 부드럽게 변환해주는 노이즈 제거 그리고 3) 좌표를 맞춰주는 지형보정으로 구성하였다. 본 연구는 노이즈 제거를 위해 가우시안 분포를 따라 관심영역의 값을 평균값으로 변경해주는 Lee sigma 필터를 사용하였고(Lee et al., 2009), 지형보정을 위해 해상도 3 sec (약 90 m)의 SRTM DEM 자료를 활용하였다.

2.3.2 관심영역 추출

산지 및 인공구조물의 그림자는 보정이 까다롭고 물과 유사한 후방산란 값을 가지므로 수체 오탐지에 크게 관여한다. 이를 위해 하천중심선을 기준으로 일정한 버퍼를 주어 지역을 한정하였다. 하천 폭이 비교적 일정한 한탄강 지역은 반경 150 m 버퍼를 적용하여 추출하였고, 중랑천 지역은 상류⋅중류⋅하류에 대하여 각각 반경 50 m, 70 m, 100 m 지역을 추출하였다. 이 지역을 벗어나면 수체가 존재하지 않는 것으로 간주하고 이후의 분석에서는 제외하였다.

2.3.3 CDF-매칭

서로 다른 일시에 촬영한 위성영상의 후방산란값 분포는 동일지역을 동일 궤도에서 촬영했더라도 기후, 일조량, 온도, 지면의 상태 등에 따라 항상 다르게 나타난다(Dellepiane and Angiati, 2012). 이러한 문제를 해결하기 위해 히스토그램 매칭기법(Helmer and Ruefenacht, 2005; Bourke, 2011; Ahmad and Kim, 2019)을 활용하여 여러 이미지의 밝기 분포를 동일하게 보정하였다.

2.3.4 최적화를 통한 영상 스트레칭 기법

하천 수체를 정확하게 추출하기 위해서는 하천의 경계에 해당하는 SAR의 후방산란 값과 하천 중심선에서의 거리값을 상세히 살펴보아야 할 필요가 있다. 이를 위해서는 해당 픽셀값을 수학적 전환함수를 통해 넓게 펼쳐야 한다. 본 연구는 다음에 보인 최적화 과정을 통해 이 과정을 수행하였다.

(1) Planetscope 영상의 NIR 밴드값과 하천중심선에서의 거리를 입력으로 하여 K-means 클러스터링을 수행한 후(Fig. 4(a)), 수체를 추출한다(Fig. 4(b)). 이를 하천 수체의 참값으로 가정한다.

Fig. 4

Estimation of Image Stretching Function through Optimization

(2) 픽셀의 SAR-VV, SAR-VH 값 및 하천중심선에서의 최단거리(DST)를 최소-최대 필터를 적용하고(Fig. 4(c)) 임의의 매개변수를 가진 멱함수(Eqs. (1)-(3))를 활용하여 변환한다. 이렇게 얻은 변환 픽셀값들을 K-means 클러스터링 알고리즘의 입력값으로 사용하여 픽셀을 n개의 클러스터로 분류한다(Fig. 4(d)).

(1)

VHi^=aVHVHibVH

(2)

VVi^=aVVVVibVV

(3)

DSTi^=aDSTDSTibDST

여기에서 VH_i, VV_i, DST_i는 이미지 내 i번째 VH, VV, DST 픽셀값을 최소-최대 필터를 전환한 0~1 사이의 값이며, a_VH, b_VH, a_VV, b_VV,, a_DST, b_DST는 각 전환 멱함수의 매개변수이다. VH^i, VV^i, DST^i 는 멱함수를 통해 전환된 픽셀값이다.

(3) (2)에서 얻은 SAR의 각 클러스터가 (1)에서 얻은 수체의 참값과 겹치는 정도를 계산한다. 겹치는 정도가 임의의 임계값인 c를 초과하면, 해당 SAR 클러스터는 수체로 판별하고 반대의 경우는 수체가 아니라고 판별한다(Fig. 4(e)).

(4) (3)의 과정을 모든 SAR 클러스터에 대하여 반복하여 특정 매개변수 세트(a_VH, b_VH, a_VV, b_VV, a_DST, b_DST, n, c)에 대한 SAR 기반의 수체를 얻는다(Fig. 4(f)). 여기서 수체 픽셀값은 1로, 비수체의 픽셀값은 0으로 이진화한다.

(5) (4)에서 얻은 수체를 (1)에서 얻은 수체의 참값과 비교하여 A∩BA∪B값을 계산한다(Fig. 4(g)).

(6) 입자 군집 최적화 알고리즘(Cho et al., 2013)을 사용하여 (2)-(5)의 과정을 반복하며 A∩BA∪B이 최대가 되도록 하는 a_VH, b_VH, a_VV, b_VV, a_DST, b_DST, n, c 값을 얻는다.

Table 2에 이 과정을 통해 얻은 최적의 매개변수 값들과 입자 군집 최적화의 매개변수 범위 값을 보였다. 최적화에 활용된 자료는 한탄강의 경우 UTC기준 2020-03-04 09:32:05에 촬영된 SAR 영상과 2020-03-05 01:59:21에 촬영된 PlanetScope 영상이며, 중랑천의 경우 UTC기준 2020-11-29 21:31:37에 촬영된 SAR 영상과 2020-11-30 01:37:58에 촬영된 PlanetScope 영상이다.

Table 2

Coefficients and Other Parameters of the Stretching Function Obtained through the Optimization Process

Parameter Name	Parameter Search Domain		Optimal Parameter
Parameter Name	mini- mum	maxi- mum	Hantangang River	Jungnang- cheon Stream
a_VH	0	3	2.1815	0.5186
b_VH	0	3	2.5365	2.7005
a_VV	0	3	0.4754	0.5629
b_VV	0	3	0.6787	1.3675
a_DST	0	3	0.4555	0.7584
b_DST	0	3	1.3115	2.5387
n	5	30	30	28
c	0.01	1	0.4107	0.3854

이 최적화 과정을 통해 PlanetScope에서 산출한 수체와 SAR와 DST를 활용하여 산출한 수체를 비교한다. A∩BA∪B값은 한탄강의 경우 0.76, 중랑천의 경우 0.71이었다.

Table 2에 보인 매개변수들은 특정 일시에 촬영된 SAR 영상을 활용하여 얻은 값이므로, 다른 일자에 촬영된 자료에 적용하는 경우 상이한 정확도를 산출할 수도 있을 것이다. 본 연구는 이 매개변수들의 범용성을 검증하기 위하여 다른 일자의 SAR 영상자료 모두에 대하여 동일한 값들을 적용하여 수체를 추출하고 정확도를 살폈다. Fig. 5에 한탄강과 중랑천의 결과를 보였다. 중랑천은 상류⋅중류⋅하류로 분류하여 정확도를 살폈으며, 모든 일자에서 유사한 정확도가 나타났다. 이는 Table 2의 매개변수가 충분한 범용성을 확보하였음을 의미한 것이다. 그리고 수체가 큰 하류에서 전반적으로 높은 정확도를 보였다. 여기서 나타난 정확도는 Sentinel-1의 해상도 한계에 따라 PlanetScope와 비교검증 시 산정할 수 있는 최대 정확도 값이다.

Fig. 5

Accuracy of Optimal Parameters

Fig. 5에서 펼침멱함수를 적용하지 않은 경우에 대한 결과도 함께 검토하였다(No Filter; NF). 정확도의 차이가 확연하다는 점에서 수체산출에 있어 펼침멱함수의 역할이 크다는 것을 확인하였다.

2.3.5 수체 특성화

본 연구는 VH^i, VV^i, DST^i 을 입력으로 하는 K-means 클러스터링 알고리즘을 활용하여 분석지역을 여러 클러스터로 분류한 후(Fig. 3(e)의 왼쪽 그림), 각 클러스터가 수체에 해당하는 특성을 가지고 있는지를 살폈다(Fig. 3(e)의 오른쪽 그림). 본 연구에서 활용한 수체/비수체의 구분기준은 VH^i-DST^i, VV^i-DST^i, 및 VV^i-VH^i 사이의 이변수 확률분포이다. Figs. 6(a)~(c)에 2016-11-14의 중랑천 하류에 해당하는 세 변수들의 이변수 히스토그램을 보였다. 히스토그램의 산정에 활용된 각 점들은 PlanetScope를 기반으로 추출하여 참값으로 가정한 수체(2.3.4절 참조)에 해당하는 SAR이미지의 VH^i, VV^i 및 DST^i값들이다.

Fig. 6

Bivariate Histogram of Three Variables

Fig. 6에서 보인 수체의 히스토그램이 타원과 유사한 형태로 나타남을 착안하여 수체/비수체 경계를 모델링 하였다. 각 히스토그램의 모양을 참조하여 VH^i-DST^i, VV^i-DST^i 관계는 원점을 중심으로 종횡비가 유동적인 타원방정식으로 모델링 하였으며, VV^i-VH^i 관계는 중심, 기울기, 종횡비가 유동적인 타원방정식을 사용하여 모델링 하였다. 각 타원은 가장 작은 면적으로 특정 비율(90%, 95%, 99%)의 수체 데이터 포인트들을 포함하도록 최적화 과정을 통해 결정되었다. 그 결과 한탄강 연구지역의 경우, VV^i-DST^i 90% 비율에서 수체 판별 정확도가 가장 높았고, 중랑천 연구지역은VH^i-DST^i 90% 비율에서 수체 판별의 정확도가 높게 산정되었다. 이는 Fig. 7에 나타나며, 본 타원방정식을 수체/비수체의 구분에 활용하였다.

Fig. 7

Ellipse Parameter Result

3. 연구 결과

본 연구에서 활용한 정확도 평가는 공간의 위치정확도를 측정하는 LSSI (Lee Sallee Shape Index)와 Kappa coefficient를 활용하였다.

(4)

LSSI=A∩BA∪B

LSSI는 Eq. (4)와 같이 참값인 A와 추정값인 B의 교집합에 따른 합집합 비로 나타낼 수 있다. 여기서 결과값은 0에서 1사이 값을 가지며, 1에 가까울수록 정확도가 높고, 0에 가까울수록 낮음을 나타낸다(Lee and Sallee, 1970; Wentz, 1997). 본 연구에서는 참값은 PlanetScope 영상 추출한 수체 면적, 추정값은 Sentinel-1 영상이미지로 추출한 수체 면적으로 계산식 산정 및 정확도 평가를 수행하였다.

Fig. 8에 LSSI로 산정한 평균정확도와 Kappa coefficient 결과를 보였다. 상대적으로 하천폭이 큰 중랑천 하류와 한탄강에서 정확도가 높은 편으로 나타났다. 한탄강의 경우, VV^i-DST^i 90%에서 가장 높은 정확도를 보였으며, 중랑천에서는 상류, 중류, 하류 모두 VH^i-DST^i 90%에서 가장 높은 정확도가 나타났다. 한탄강 지역도 VH^i-DST^i 90%에서 정확도가 높은 편으로 나타났는데, 이는 편광에 따른 수체 판별에 중요한 요소는 아니나, DST 자료의 활용이 효과적임을 확인하였다. 또한, Fig. 8(a) 의 VV^i-VH^i 관계에서 하천폭이 작은(30 m 이하) 지역은 수체 판별이 어려운 것으로 확인하였다.

Fig. 8

Accuracy Evaluation of Water Body Area Extraction

Landis and Koch (1977)의 Kappa 계수 등급 해석을 따르면, Kappa 계수의 판단을 0 이하는 거의 없는 일치도(Poor agreement), 0~0.2는 약간의 일치도(Sligth agreement), 0.2~0.4는 어느 정도 일치도(Fair agreement), 0.4~0.6은 적당한 일치도(Moderate agreement), 0.6~0.8은 상당한 일치도(Substantial agreement), 0.8~1.0은 완벽한 일치도(Almost Perfect agreement)로 판단되었다. Fig. 8(b)에 보인 kappa 계수 값은 VV-VH 관계를 제외하고, 평균 0.6~0.9 사이의 값으로 적당한 일치도에서 완벽한 일치도 사이로 판단되었다. 이는 이전연구에서 규모가 작은(약 50 m) 하천 폭을 고해상도 위성영상(3 m)으로 분석한 Kappa coefficient 값(0.7 내외)과 유사한 수준으로 보인 결과이다(Klemenjak et al., 2012).

4. 고 찰

4.1 클러스터 개수 및 중복도 비율

본 연구는 VH^i, VV^i, DST^i를 기반으로 해당 지역을 여러 클러스터로 분류하고 각 클러스터의 이변수 특성과 2.3.5절의 과정을 통해 얻은 타원과의 중복도를 기준으로 각 클러스터의 수체/비수체 여부를 검증하였다. 이에, 클러스터의 개수와 중복도가 정확도에 영향을 미칠 가능성이 있다. Fig. 9(a)는 해당지역을 5개, 10개, 20개, 30개, 50개, 100개의 클러스터로 구분하였을 때의 정확도를 비교한 박스플롯이다. 20개의 클러스터를 초과하여서는 클러스터의 개수에 따른 정확도의 변화는 크지 않은 것으로 나타났다. Fig. 9(b)는 중복도의 변화에 따른 정확도의 박스플랏이다. 중복도가 0과 1일 때를 제외하고, 정확도의 변화를 보이지 않았다. 따라서 본 연구는 해당지역을 초기 매개변수 값인 한탄강지역 30개, 중랑천지역 28개의 클러스터로 구분하였고, 한탄강 41%, 중랑천 39%의 중복도를 유지하였다.

Fig. 9

Variation in Accuracy for the Number of Cluster Classifications and the Overlap Threshold

4.2 한계점 및 추후연구

본 연구는 참값에 해당하는 픽셀을 근거로 타원방정식을 생성하여 수체 추출 방법을 제시하였다. 그러나 본연구는 다음과 같은 한계점도 갖고 있다. 1) 고유량 산정시 낮은 정확도를 보일 가능성이 있다. 2) 위성영상 해상도에 따른 정확도 제한이 있다.

본 연구에 활용한 참값 자료는 광학영상으로 구름 투과가 불가능하므로 유량이 높은 경우 자료수집이 어려울 가능성이 있다. 따라서 참값을 기반으로 하는 현재 방법은 고유량일 때 자료가 부족하므로 고유량 산정시 낮은 정확도를 보일 수 있다.

한편, 10 m 공간해상도의 Sentinel-1을 3 m 해상도 PlanetScope에 맞추어 resampling (upsacaling)시 단순히 픽셀을 나누는 방식을 사용하여 수체의 오탐지 가능성을 높여준 것으로 보인다. 특히, 중랑천 상류의 일부 하천 폭이 10 m 이하로, Sentinel-1 위성 촬영시 수체를 전혀 파악하지 못하는 공간해상도의 한계점을 확인할 수 있었다. 하지만 이 문제는 고해상도 SAR 위성영상자료(TerraSAR-X, COSMO SkyMed, KOMPSAT-5, ICEYE, etc.)의 활용을 통해 해결될 가능성을 갖고 있다.

이러한 연구의 한계점은 향후 딥러닝을 통한 하천 수체 추출 방법으로 극복할 가능성이 있다고 판단되며, 알고리즘 및 정확도 개선도 기대할 수 있을 것이다.

5. 결 론

본 연구에서는 SAR 영상에서 중소규모하천의 효율적인 수체 추출 기법을 연구하였다. 방법을 적용한 연구대상지는 두 곳으로 사랑교 주변의 한탄강 하류지역과 중랑천 지역이었다. SAR 영상으로는 Sentinel-1을 사용하였고, 검증을 위해 광학위성 PlanetScope 자료를 활용하였다. 한탄강 지역은 2020년 촬영한 10쌍, 중랑천 지역은 2016년 11월부터 2021년 2월까지 촬영한 57쌍의 위성영상자료를 사용하였다. 본 연구는 SAR 영상의 VV, VH 편광에 따른 후방산란계수 픽셀값과 하천중심선에서의 평면최단거리(DST)를 활용하여 수체를 추출하였다. 참값(PlanetScope)과 동일한 위치의 해당하는 Sentinel-1 위성영상의 픽셀값이 타원의 형태와 유사하다는 것을 착안하여 수체 추출을 위한 타원방정식을 모델링하여 검증하였다.

타원방정식을 토대로 Sentinel-1 위성영상에 적용한 결과, 한탄강의 경우, VV^i-DST^i 90%에서 가장 높은 정확도를 보였으며(평균정확도 0.66), 중랑천에서는 상류, 중류, 하류 모두 VH^i-DST^i 90%에서 가장 높은 정확도(평균정확도 up, mid, down 순서대로 0.47, 0.52, 0.72)를 보였다. 그리고 Kappa coefficient 값의 경우 0.7 내외의 값으로 상당한 일치도를 보였다.

본 연구에서 제안하는 수체 추출 방법은 참값이 없더라도 최적화 매개변수로 분석한 정확도를 보장하여 수체면적 추출이 가능하다는 것을 증명하였다. 더욱이 이 방법은 영상이미지의 값을 추출하여 분석 및 검토함으로써 주관적인 판단을 배제하였고, 간단한 타원방정식을 통해 분석하여 높은 접근성 및 신속성을 보였다. 또한, 준실시간으로 위성영상이미지를 분석할 수 있음을 의미하며 본 연구의 특별한 성과인 것이다.

본 연구방법은 선행연구의 수체 추출 방법보다 간단하고 신속하게 수체를 추출할 수 있다는 장점을 갖고 있다. 하지만, 모든 위성영상자료를 처리할 수 있는 단일의 수체 추출 방법(임계값)은 없으며, 모든 위성영상 이미지에 적절하지 않은 방법도 없을 것이다(Schumann et al., 2009). 현재 지속적으로 발전하는 기계학습을 통해 동일 알고리즘에 따른 수체 추출 방법이 개발되고 있으며, 추후 딥러닝을 통한 수체 식별 방법 추가할 경우 정확도를 높일 수 있을 것으로 기대한다.

감사의 글

이 논문은 행정안전부 기후변화대응 AI기반 풍수해 위험도 예측기술개발사업의 지원을 받아 수행된 연구입니다(2022-MOIS61-003).

References

1. Agnihotri, A.K, Ohri, A, Gaur, S, Das, N, and Mishra, S (2019) Flood Inundation mapping and monitoring using sar data and its impact on ramganga river in ganga basin. Environmental Monitoring and Assessment, Vol. 191, No. 12, pp. 1-16.

2. Ahmad, W, and Kim, D (2019) Estimation of flow in various sizes of streams using the sentinel-1 synthetic aperture radar (SAR) data in han river basin, Korea. International Journal of Applied Earth Observation and Geoinformation, Vol. 83, pp. 101930.

3. Alahacoon, N, Matheswaran, K, Pani, P, and Amarnath, G (2018) A decadal historical satellite data and rainfall trend analysis (2001-2016) for flood hazard mapping in Sri Lanka. Remote Sensing, Vol. 10, No. 3, pp. 448.

4. Allen, G.H, and Pavelsky, T.M (2015) Patterns of river width and surface area revealed by the satellite-derived north american river width data set. Geophysical Research Letters, Vol. 42, No. 2, pp. 395-402.

5. Allen, G.H, and Pavelsky, T.M (2018) Global extent of rivers and streams. Science, Vol. 361, No. 6402, pp. 585-588.

6. Borah, S.B, Sivasankar, T, Ramya, M.N.S, and Raju, P.L.N (2018) Flood inundation mapping and monitoring in kaziranga national park, assam using Sentinel-1 SAR data. Environmental Monitoring and Assessment, Vol. 190, No. 9, pp. 1-11.

7. Bourke, P (2011). Histogram matching. Retrieved January 20, 2018, from http://paulbourke.net/miscellaneous/equalisation/.

8. Brivio, P.A, Colombo, R, Maggi, M, and Tomasoni, R (2002) Integration of remote sensing data and GIS for accurate mapping of flooded areas. International Journal of Remote Sensing, Vol. 23, No. 3, pp. 429-441.

9. Buono, A, Nunziata, F, Migliaccio, M, Yang, X, and Li, X (2017) Classification of the yellow river delta area using fully polarimetric SAR measurements. International Journal of Remote Sensing, Vol. 38, No. 23, pp. 6714-6734.

10. Carreño Conde, F, and De Mata Muñoz, M (2019) Flood monitoring based on the study of Sentinel-1 SAR images:The ebro river case study. Water, Vol. 11, No. 12, pp. 2454.

11. Chanu, C.S, Munagapati, H, Tiwari, V.M, Kumar, A, and Elango, L (2020) Use of GRACE time-series data for estimating groundwater storage at small scale. Journal of Earth System Science, Vol. 129, No. 1, pp. 1-19.

12. Chen, Q, Zhang, Y, Ekroos, A, and Hallikainen, M (2004) The role of remote sensing technology in the EU water framework directive (WFD). Environmental Science &Policy, Vol. 7, No. 4, pp. 267-276.

13. Cho, H, Kim, D, Lee, K, Lee, J, and Lee, D (2013) Development and application of an storm identification algorithm that conceptualizes storms by elliptical shape. Journal of the Korean Society of Hazard Mitigation, Vol. 13, No. 5, pp. 325-336.

14. Ciecholewski, M (2017) River channel segmentation in polarimetric SAR images:Watershed transform combined with average contrast maximisation. Expert Systems with Applications, Vol. 82, pp. 196-215.

15. Dellepiane, S.G, and Angiati, E (2012) A new method for cross-normalization and multitemporal visualization of SAR images for the detection of flooded areas. IEEE Transactions on Geoscience and Remote Sensing, Vol. 50, No. 7, pp. 2765-2779.

16. Ezzine, A, Darragi, F, Rajhi, H, and Ghatassi, A (2018) Evaluation of Sentinel-1 data for flood mapping in the upstream of sidi salem dam (Northern Tunisia). Arabian Journal of Geosciences, Vol. 11, No. 8, pp. 1-9.

17. Frappart, F, and Ramillien, G (2018) Monitoring groundwater storage changes using the gravity recovery and climate experiment (GRACE) satellite mission:A review. Remote Sensing, Vol. 10, No. 6, pp. 829.

18. Gan, T.Y, Zunic, F, Kuo, C.C, and Strobl, T (2012) Flood mapping of danube river at romania using single and multi-date ERS2-SAR images. International Journal of Applied Earth Observation and Geoinformation, Vol. 18, pp. 69-81.

19. Haddeland, I, Heinke, J, Biemans, H, Eisner, S, Flörke, M, Hanasaki, N, et al (2014) Global water resources affected by human interventions and climate change. Proceedings of the National Academy of Sciences, Vol. 111, No. 9, pp. 3251-3256.

20. Helmer, E.H, and Ruefenacht, B (2005) Cloud-free satellite image mosaics with regression trees and histogram matching. Photogrammetric Engineering &Remote Sensing, Vol. 71, No. 9, pp. 1079-1089.

21. Hidayat, H, Hoekman, D.H, Vissers, M.A.M, and Hoitink, A.J.F (2012) Flood occurrence mapping of the middle mahakam lowland area using satellite radar. Hydrology and Earth System Sciences, Vol. 16, No. 7, pp. 1805-1816.

22. Hou, J, van Dijk, A.I, Renzullo, L.J, Vertessy, R.A, and Mueller, N (2019) Hydromorphological attributes for all Australian river reaches derived from Landsat dynamic inundation remote sensing. Earth System Science Data, Vol. 11, No. 3, pp. 1003-1015.

23. Isikdogan, F, Bovik, A, and Passalacqua, P (2017) RivaMap:An automated river analysis and mapping engine. Remote Sensing of Environment, Vol. 202, pp. 88-97.

24. Jawak, S.D, Kulkarni, K, and Luis, A.J (2015) A review on extraction of lakes from remotely sensed optical satellite data with a special focus on cryospheric lakes. Advances in Remote Sensing, Vol. 4, No. 3, pp. 196.

25. Kim, S, Lee, S, Kim, T, and Kim, D (2019) Estimation of flooded area using satellite imagery and DSM terrain data. Korean Society of Hazard Mitigation, Vol. 19, No. 7, pp. 471-483.

26. Klemenjak, S, Waske, B, Valero, S, and Chanussot, J (2012) Automatic detection of rivers in high-resolution SAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 5, No. 5, pp. 1364-1372.

27. Kreiser, Z, Killough, B, and Rizvi, S.R (2018) Water across synthetic aperture radar data (wasard):Sar water body classification for the open data cube. IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium, IEEE, pp. 437-440.

28. Kummu, M, Ward, P.J, de Moel, H, and Varis, O (2010) Is physical water scarcity a new phenomenon?Global assessment of water shortage over the last two millennia. Environmental Research Letters, Vol. 5, No. 3, pp. 034006.

29. Landis, J.R, and Koch, G.G (1977) The measurement of observer agreement for categorical data. Biometrics, Vol. 33, No. 1, pp. 159-174.

30. Lee, D.R, and Sallee, G.T (1970) A method of measuring shape. Geographical Review, Vol. 60, No. 4, pp. 555-563.

31. Lee, J.S, Wen, J.H, Ainsworth, T.L, Chen, K.S, and Chen, A.J (2009) Improved sigma filter for speckle filtering of SAR imagery. IEEE Transactions on Geoscience and Remote Sensing, Vol. 47, No. 1, pp. 202-213.

32. Lin, P, Pan, M, Allen, G.H, de Frasson, R.P, Zeng, Z, Yamazaki, D, and Wood, E.F (2020) Global estimates of reach-level bankfull river width leveraging big data geospatial analysis. Geophysical Research Letters, Vol. 47, No. 7, pp. e2019GL086405.

33. Lv, N, Chen, C, Qiu, T, and Sangaiah, A.K (2018) Deep learning and superpixel feature extraction based on contractive autoencoder for change detection in SAR images. IEEE Transactions on Industrial Informatics, Vol. 14, No. 12, pp. 5530-5538.

34. Matgen, P, Hostache, R, Schumann, G, Pfister, L, Hoffmann, L, and Savenije, H (2011) Towards an automated SAR-based flood monitoring system:Lessons learned from two case studies. Physics and Chemistry of the Earth, Parts A/B/C, Elsevier, Vol. 36, No. 7-8, pp. 241-252.

35. McDonald, R.I, Green, P, Balk, D, Fekete, B.M, Revenga, C, Todd, M, and Montgomery, M (2011) Urban growth, climate change, and freshwater availability. Proceedings of the National Academy of Sciences, Vol. 108, No. 15, pp. 6312-6317.

36. McLennan, M (2021). The global risks report 2021 16th edition. Cologny, Switzerland: World Economic Forum.

37. Nicolas, G, Denis, L, Fjørtoft, R, Liege, F, and Tupin, F (2021) Narrow river extraction from SAR images using exogenous information. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 14, pp. 5720-5734.

38. Otsu, N (1979) A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics, IEEE, Vol. 9, No. 1, pp. 62-66.

39. Pai, M.M, Mehrotra, V, Aiyar, S, Verma, U, and Pai, R.M (2019) Automatic segmentation of river and land in sar images:A deep learning approach. 2019 IEEE Second International Conference on Artificial Intelligence and Knowledge Engineering (AIKE), IEEE, pp. 15-20.

40. Pappas, O.A, Anantrasirichai, N, Achim, A.M, and Adams, B.A (2020) River planform extraction from high- resolution SAR images via generalized gamma distribution superpixel classification. IEEE Transactions on Geoscience and Remote Sensing, Vol. 59, No. 5, pp. 3942-3955.

41. Perrou, T, Garioud, A, and Parcharidis, I (2018) Use of Sentinel-1 imagery for flood management in a reservoir-regulated river basin. Frontiers of Earth Science, Vol. 12, No. 3, pp. 506-520.

42. Rockström, J, Falkenmark, M, Karlberg, L, Hoff, H, Rost, S, and Gerten, D (2009) Future water availability for global food production:the potential of green water for increasing resilience to global change. Water Resources Research, Vol. 45, No. 7, pp. W00A12.

43. Rodell, M, and Famiglietti, J.S (2002) The potential for satellite-based monitoring of groundwater storage changes using GRACE:The high plains aquifer, central US. Journal of Hydrology, Vol. 263, No. 1-4, pp. 245-256.

44. Schumann, G, Di Baldassarre, G, and Bates, P.D (2009) The utility of spaceborne radar to render flood inundation maps based on multialgorithm ensembles. IEEE Transactions on Geoscience and Remote Sensing, Vol. 47, No. 8, pp. 2801-2807.

45. Sheffield, J, Wood, E.F, Pan, M, Beck, H, Coccia, G, Serrat-Capdevila, A, and Verbist, K (2018) Satellite remote sensing for water resources management:Potential for supporting sustainable development in data-poor regions. Water Resources Research, Vol. 54, No. 12, pp. 9724-9758.

46. Tiwari, V.M, Wahr, J, and Swenson, S (2009) Dwindling groundwater resources in northern India, from satellite gravity observations. Geophysical Research Letters, Vol. 36, No. 18, pp. L18401.

47. Twele, A, Cao, W, Plank, S, and Martinis, S (2016) Sentinel-1-based flood mapping:A fully automated processing chain. International Journal of Remote Sensing, Taylor &Francis, Vol. 37, No. 13, pp. 2990-3004.

48. Vörösmarty, C.J, Green, P, Salisbury, J, and Lammers, R.B (2000) Global water resources:vulnerability from climate change and population growth. Science, Vol. 289, No. 5477, pp. 284-288.

49. Wentz, E.A (1997) Shape analysis in GIS. Proceedings of Auto-Carto, Vol. 13, pp. 7-10.

50. Wu, G, and Liu, Y (2014) Satellite-based detection of water surface variation in China's largest freshwater lake in response to hydro-climatic drought. International Journal of Remote Sensing, Vol. 35, No. 11-12, pp. 4544-4558.

51. Yamazaki, D, O'Loughlin, F, Trigg, M.A, Miller, Z.F, Pavelsky, T.M, and Bates, P.D (2014) Development of the global width database for large rivers. Water Resources Research, Vol. 50, No. 4, pp. 3467-3480.

52. Yang, J, Huang, X, and Tang, Q (2020) Satellite- derived river width and its spatiotemporal patterns in China during 1990-2015. Remote Sensing of Environment, Vol. 247, pp. 111918.

53. Zhu, L, Zhang, P, Li, D, Zhu, X, and Wang, C (2015) A novel change detection method based on high- resolution SAR images for river course. Optik, Vol. 126, No. 23, pp. 3659-3668.