항공 또는 인공위성 등에서 촬영한 영상자료는 연안지역의 수심 측량에 유용하게 사용될 수 있다. 가시광선을 비롯하여 적외선, 자외선 등을 포함한 태양광이 해수면 아래로 투과될 때 각 파장대의 특성에 따라 반사되는 정도가 다르며, 따라서 다양한 파장의 자료를 이용하면 보다 정확한 수심 측량이 가능할 것이다. 그러나 적색, 녹색, 청색으로 분리되는 디지털 영상자료를 이용하면 정보의 범위가 제한적이기는 하나, 보다 간편하게 수심을 측량하는 것이 가능하다. 수심에 따라 빛이 흡수되는 정도에 대하여 아래 식 (1)과 같은 Beer-Lambert 공식을 적용할 수 있다(Denny, 2003; Fonstad and Marcus, 2005).

여기서, I, I₀는 각각 수심 D와 수심이 0인 지역에서의 빛의 세기이다. 즉 D=0인 경우 I=I 0가 된다. β는 단위수심 당 흡수 되는 강도를 나타내는 상수이다. Fonstad and Marcus(2005) 는 일반적으로 디지털 영상자료로부터 구하는 각 픽셀에서의 밝기 정보인 DN(Digital Number)으로 식 (1)을 식 (2)와 같이 표현하고, 이로부터 수심을 구할 수 있도록 식 (3)과 같이 정리하였다.

여기서 DN₀는 수심이 0인 지점에서의 값을 나타낸다. Fonstad and Marcus(2005)는 위 식에서 상수 β를 구하기 위하여 유량을 이용하여 HAB-1과 HAB-2 모델을 개발한 바 있으나, 천해역의 경우 하천과 같은 수리적 특성을 이용하기 어렵기 때문에 상수 β를 구하기 위해서는 몇 개 지점에 대하여 측량을 실시하여 실제 수심을 이용할 필요가 있다.

이 연구에서는 Beer-Lambert 공식의 적용성을 평가함과 동시 에 Fig. 1과 같은 다층퍼셉트론(MLP, Multi-Layer Perceptron) 인공신경망(ANN, Artificial Neural Networks)을 이용하여 영상자료의 DN과 수심 사이의 관계를 분석하여, Beer-Lambert 공식의 적용성과 인공신경망의 적용성을 비교하였다. 인공신 경망의 학습을 위하여 오류 역전파 알고리즘을 사용하였고, 입력자료로는 원 영상의 밝기 정보, 즉 회색영상(gray image) 의 DN과 함께 적색, 녹색, 청색 DN을 각각 사용한 경우와, 이들 자료를 모두 고려한 경우 등으로 분류하였고, 수심값을 출력자료로 사용하였다. Beer-Lambert 공식의 경우 단색광 정보를 이용하여 수심과의 연관성을 평가하였지만 신경망의 경우 여러 단색광 정보를 이용함으로써 유연성(flexibility)이 좀 더 높은 구조를 구성함으로써 상관관계를 높일 수 있는 장점이 있다. 그러나 Beer-Lambert 공식을 이용할 경우 흡수율 과 같은 물리적 특성을 판단할 수 있으나 인공신경망의 경우 블랙박스와 같이 암묵적(implicit) 관계식을 구할 수밖에 없어 물리적인 특성을 분석하기는 어려운 단점이 있다.

또한 이 연구에서는 신경망의 일반화 성능을 향상시켜, 신경망의 입력자료, 즉 DN값에 어느 정도의 오류가 포함되어 있더라도 이러한 오류에 의하여 수심이 과도하게 왜곡되지 않도록 하는 정규화 방법(regularization method)의 한 방법인 노이즈 첨가학습(noise injection learning)을 적용하였다 (Matsuoka, 1992; Hὃlmstrom and Koistinen, 1992).

최근 심각하게 발생하고 있는 동해안에서의 침식현상을 연구하기 위하여 경상북도 울진군 소재 한국해양과학기술원 동해연구소(ESRI, East Sea Research Institute) 전면에 위치한 후정 해수욕장을 대상으로 태풍 등에 의한 해저지형 변화를 분석하기 위한 기초 연구를 실시하였다. 해당 해역의 수심을 측량하기 위하여 흘수가 매우 낮고 바닥이 평평한 소형 고무 보트에 음향측심기를 탑재하여 수심을 측량하였다. 이와 같은 수심측량은 서론에서 제시한 바와 같이 파도와 바람과 같은 날씨에 따른 영향을 많이 받기 때문에 주기적인 모니터링에 적용하기 어려운 방법이다. 또한 동일한 해역에서 무인항공기인 드론에 디지털 카메라를 장착하여 항공영상을 획득하였으며, 항공촬영과 관련된 사항은 다음의 Table 2와 같다. 그리고 Fig. 2는 드론을 이용하여 촬영한 항공영상에 음향측심기 (Table 3 참조)로 수심을 측정한 지점을 표시한 것으로 총 22,557개 지점에 대하여 수심을 측량하였다.

수심 측량은 다음 Fig. 3에서 제시한 바와 같이 해안선과 나란한 방향으로 측량한 후, 이와 직교되는 방향으로 한 번 더 측량하여, 총 두 번에 걸쳐 수심을 측량하였다. 이와 같이 함으로써 서로 교차하는 위치, 즉 동일한 위치에서 측량된 수심을 비교할 수 있고, 음향측심기를 이용한 수심 측량 시 발생 할 수 있는 측정 편차를 정량적으로 분석할 수 있다. 수심 측량에 있어 발생할 수 있는 오차로는 선박 자체의 동요에 의한 오차, GPS 수신 좌표에 포함되어 있는 오차, 음향측심기 자체의 측정 오차 등이 있으며 이러한 오차 요인에 의하여 측정할 때마다 어느 정도의 측정 편차가 발생하며, 이를 모두 포함한 실제 편차의 범위를 분석하였다.

아래의 Fig. 4는 서로 교차하는 총 822개 지점에서의 두 차례 측량에서 구한 수심 측량값의 차에 대한 분포를 보여준 것으로 두 측량값 사이의 편차에 대한 평균은 0.006m로 첫 번째 측량과 두 번째 측량에서의 특별한 편향성은 없었음을 알 수 있다. 한편, 편차에 대한 절대값의 평균(mean of absolute difference)과 RMS(Root Mean Squared)은 각각 0.077 m, 0.10 m로 분석되었다. 정확한 수심을 기준으로 한 것이 아니므로 엄밀한 의미에서의 측정 오차를 논하기는 어려우나, 이러한 통계값을 고려할 때 천해역에서의 수심을 반복 측량 시 발생할 수 있는 편차의 수준이 0.08~0.10 m임을 알 수 있다.

한편 수심에 따른 측정 편차를 정량적으로 분석하기 위하여 Fig. 5와 같이 수심에 따른 편차를 정리하였다. 수심 증가에 따른 특별한 경향성은 없는 것으로 판단되며, 다만 최대 절대 편차(maximum absolute difference)는 수심이 깊을수록 감소 하는 경향을 나타내고 있다. 구간별로 RMS 값을 분석하여 보면, 수심이 2 m, 2~4 m, 4~6 m, 6~8 m, 8~10 m인 구간에서의 RMS 값은 각각 0.0852 m, 0.1073 m, 0.1102 m, 0.1004 m, 0.0903 m로 분석되어 특별한 경향이 없었으며, 각 구간별 최대 절대편차는 0.2015 m, 0.4883 m, 0.3232 m, 0.2370 m, 0.1972 m로 수심이 증가할수록 감소하는 경향을 찾아볼 수 있다.

태양광은 자외선, 가시광선, 적외선 등 여러 파장을 가진 파로 구성되어 있으며, 이러한 태양광이 해수에 입사되는 경우, 파장의 특성에 따라 반사 또는 흡수되는 정도가 다르게 나타난다. 수심이 깊을수록 흡수되는 정도가 크기 때문에 결국 반사된 각 주파수별 광선의 세기를 이용하여 수심을 측량할 수 있게 된다. 예를 들어 Fonstad and Marcus(2005)는 청색 영상 자료를 중심으로 수심과의 관계를 살펴보았는데, 이 연구에서 는 원 영상의 밝기 정보(gray scale)를 비롯하여, 적색, 녹색, 청색 영상으로 분리한 후, 각각의 영상에서의 DN값을 이용하 여 수심과의 관계를 분석하였다. Fig. 6은 회색 영상의 DN을 비롯하여 적색, 녹색, 청색으로 분리된 영상에서의 DN을 제시한 그림이다.

아래의 Fig. 7은 음향측심기로 수심을 측량한 전체 지점에 대하여 각각의 DN과 수심을 비교한 그래프로 식 (1)을 이용하여 구한 회귀식(regression equation)을 적색 선으로 함께 표시하였다. 그림에서 제시한 바와 같이 회색 영상을 비롯하여 적색, 녹색, 청색 영상과 DN 사이의 상관계수(R²)는 각각 0.78, 0.89, 0.74, 0.69로, 적색 영상의 DN이 가장 높은 상관관계를 가지고 있음을 알 수 있다. 회색 영상의 경우 적색, 녹색, 청색의 조합으로 나타나는 영상이기 때문에 적색, 녹색, 청색 등 단색광의 상관관계의 평균적인 의미로 판단할 수 있다. 한편, 단색광의 경우 그 특성을 통하여 이러한 결과를 분석할 수 있다. 즉, 적색과 같이 파장이 긴 단색광의 경우 해수에 의한 흡수율이 높고, 청색과 같이 파장이 짧은 단색광의 경우 흡수율이 낮아 수심이 깊은 영역까지 전달되는 특성을 가지 고 있다. 일반적으로 적색광의 경우 수심 15~18 m 정도면 모두 흡수되며 따라서 그보다 깊은 수심에서는 적색광은 전달 되지 않고, 따라서 이보다 더 깊은 해역에서는 모두 청색광만 존재하게 된다. 따라서 수심이 20 m 이상 깊은 해역에 대하여 영상을 이용하여 수심을 측정하는 경우에는 적색 영상보다는 청색 영상이 더 적절할 수 있으나, 이 연구에서 다루고 있는 천해역의 경우 적색 영상을 이용하여 수심을 예측할 때 가장 정확한 수심 예측이 가능함을 알 수 있다. 다만 영상으로 취득되는 정보는 결국 빛이 산란되어 나오는 정보이기 때문에 해수에 포함되어 있는 다양한 미립자 및 해저질의 구성에 따 라 영향을 받을 수 있을 것이다. 예를 들어 모래 대신 점토가 많이 포함되어 있는 서남해안의 경우는 이와 다른 결과를 얻을 수 있을 것이다. 한편, 회귀분석을 통하여 구한 회색, 적색, 녹색, 청색 영상에 대한 흡수율(β)은 각각 0.184, 0.386, 0.167, 0.139로 파장이 긴 적색광의 흡수율이 가장 크게, 그리고 파장이 짧은 청색광의 흡수율이 가장 작게 분석되어 기존 단색광의 흡수율에 대한 경향과 동일한 결과를 얻을 수 있었다. 또한 식 (2)에서 제시되어 있는 DN₀의 경우, 회색, 적색, 녹색, 청색 영상에 대하여 각각 169, 157, 193, 176으로 분석 되었으며, 이 값은 수심이 0인 경우, 즉 해안선에서의 각 영상의 DN값으로 녹색광의 DN값이 가장 큼을 알 수 있다.

이 절에서는 다양한 구조의 신경망을 이용하여 각 영상의 DN과 측정된 수심 사이의 관계를 분석하고자 하였다. 총 4개 의 신경망 구조를 이용하였는데, 각각의 신경망 구조에서 사용된 입력자료와 은닉층 뉴런의 수는 Table 4와 같다. 즉 첫 번째 신경망의 경우 모든 DN 자료를 이용하는 것으로 첫 번 째, 두 번째 은닉층에 사용된 뉴런은 각각 6개, 4개이며, 두 번째 신경망의 경우는 회색영상을 이용한 경우, 세 번째 신경 망은 Beer-Lambert 모델을 적용하였을 때 가장 높은 상관관 계를 가진 것으로 분석된 적색 영상에서의 DN 자료를 이용 하는 것이며, 네 번째 신경망은 적색, 녹색, 청색 영상에서의 DN 자료를 이용하는 것이다. 이와 다른 신경망 구조 및 은닉 층에 사용된 뉴런 수에 따른 결과도 비교할 수 있으나, 이 연구에서는 여러 신경망 구조 중 대표성을 가진 네 개 신경망에 대하여 그 성능을 평가하는 것으로 한정하였다.

Fig. 8은 음향측심기를 이용하여 측정한 수심(measured depth)과 Table 4에서 제시한 네 가지 형태의 신경망 구조를 이용하여 간접적으로 수심을 예측한 결과(estimated depth)를 비교한 그래프이다. 네 신경망 구조 중 가장 높은 상관관계를 보여주고 있는 것은 모든 DN 정보를 이용한 첫 번째 신경망으로, 이 때 R² =0.97로 매우 높은 상관관계를 가지고 있으며, 또한 RMS 오차 역시 0.63 m 수준으로 다른 신경망의 결과보다는 높은 정확성을 보여주고 있다. 또한 회색 정보만 사용한 경우, Fig. 8(b)에서와 같이 다른 경우에 비하여 큰 오차를 가지고 있음을 알 수 있다. 이는 회색 정보만을 사용하는 경우 Beer-Lambert 공식을 적용하였을 때 얻을 수 있었던 결과, 즉 가장 상관관계가 높은 적색 정보를 배제하였기 때문인 것으 로 사료된다. 한편 Fig. 8의 결과를 통하여 판단할 때 음향측 심기를 이용한 수심 측량 결과와는 대략 ±1 m의 편차를 가지 고 있음을 알 수 있다. 예를 들어 음향측심기의 결과를 정확 한 수심이라고 가정할 때, 수심 5 m인 지점에서 신경망을 이 용하여 예측한 수심은 4~6 m까지 예측될 수 있음을 의미한다. 따라서 추가적인 연구를 통하여 이러한 오차를 줄일 수 있도록 신호처리 방법을 개선할 필요가 있을 것으로 사료된다.