Corresponding author: Ki-deok Do, +82-51-410-5248, 1. 서 론
기후변화와 무분별한 연안 지역 개발로 인해 연안 침식에 대한 문제가 지속적으로 증가하고 있다. 연안 침식은 단순히 모래가 유실되는 문제에 그치지 않고, 연안 생태계를 파괴하며 사회적⋅경제적 피해를 초래하므로, 이를 장기적으로 모니터링하고 관리하는 것이 필수적이다(Ahmed et al., 2021; Kang et al., 2017). 모래 해변의 물과 육지 경계를 의미하는 해안선의 위치와 변화는 연안 보호 설계, 해안 개발 계획, 수치 모델의 교정 및 검증 등에 중요한 정보를 제공하기에 해안선을 모니터링하는 것은 연안 침식을 효과적으로 관리하는 데 핵심적인 역할을 한다(Hanson et al., 1988).
해안선은 이론적으로 육지와 바다의 경계로 정의되지만, 실제 위치는 연안 및 근해에서 발생하는 퇴적물 이동, 파도, 조류로 인한 수위 변동에 따라 끊임없이 변화한다(Chen and Chang, 2009). 이로 인해 고정된 지표로 정의하기 어렵고, 관측 조건이나 방법에 따라 추출된 해안선의 위치가 달라질 수 있는 한계가 있다. Boak와 Turner는 해안선 경계의 동적 특성과 실제적 요소를 반영한 두 가지 해안선 지표 유형을 제시했다(Boak and Turner, 2005). 첫 번째 유형은 시각적으로 식별할 수 있는 해안 지형을 기반으로 하며, 두 번째 유형은 특정 지역의 조위 구성 요소로 정의된 수직 고도와 해안 프로필 간의 교차점으로 정의되는 기준 기반 해안선 지표이다.
최근, 원격 관측 기법은 넓은 지역에서 높은 정확도의 데이터를 제공함으로써 해안선 변화 모니터링에 효과적인 도구로 자리 잡고 있다. 이 원격 관측 기법 중 비디오 모니터링 시스템(Video Monitoring System)은 낮은 인력과 비용으로 장기간 연속 관측이 가능하다는 장점을 가진다. 비디오 모니터링 시스템은 고지대나 해변에서 떨어진 위치에 설치된 카메라를 통해 해안 지역의 이미지를 지속적으로 수집하며, 비스듬히 촬영된 이미지를 평면도로 변환하고 보정하기 위해 기하학적 기술이 활용된다. 비디오 모니터링 시스템은 영상 이미지를 산술 평균화하여 생성된 평균 이미지(TimeX Image, Time-exposure Image)를 사용한 Waterline 추출(Ribas et al., 2020), 일정 시간 동안 촬영된 이미지를 결합한 타임스택 이미지를 활용한 Wave-Runup 분석(Simarro et al., 2015), 양빈 작업으로 인한 해안선 변화 평가(Santos et al., 2020), 해수면 관측을 통한 이안류 분석(Surisetty et al., 2023), 그리고 심층 신경망을 이용한 해안 파도 추적(Kim et al., 2020)등 다양한 연구에 활용되고 있다.
초기의 비디오 모니터링 시스템을 활용한 해안선 추출은 수작업으로 해안선을 구분해야 했으나(Holman et al., 1991), 이후 다양한 탐지 방법들이 개발되면서 그 과정이 점차 간편해졌다(Plant et al., 2007). 대표적인 예로, Plant와 Holman이 제안한 SLIM(ShoreLine Intensity Maximum) 방법이 있다(Plant and Holman, 1997). 이 방법은 Waterline 근처의 높은 빛 강도를 활용해 파도 쇄파대의 위치를 감지하는 방식이다. 또 다른 해안선 추출 기법으로는 RGB(Red-Green-Blue) 데이터를 HSV(Hue-Saturation-Value) 색상 공간으로 변환한 후 노출 및 물 픽셀을 군집화하여 구분하는 PIC(Pixel Intensity Clustering) 방법이 있다(Aarninkhof et al., 2003). 이 외에도, 인공신경망(Artificial Neural Network, ANN)을 활용한 방식과(Rigos et al., 2014), 건조한 해변에서 HSV 색상 공간의 Value 채널을 이용하여 파란색과 빨간색 색상 채널 간의 강도 차이가 임계값을 초과하는 픽셀을 식별하여 육지와 바다를 구분하는 CCD(Color Channel Divergence) 방법이 활용되었다(Turner et al., 2004).
하지만 이러한 모델들은 일조량 변화, 비, 안개, 인적 활동 등 다양한 환경적 요인에 여전히 취약하며, 그로 인해 사용자가 수동으로 변수를 조정해야 하는 한계를 지니고 있다. 최근, 여러 원격 탐지 기술에서 대규모 데이터셋을 활용하여 이러한 환경에서도 육지와 바다의 경계를 자동으로 분할하는 딥러닝 기법이 도입되고 있다(Aghdami-Nia et al., 2022; Chang et al., 2022; Dang et al., 2022). 또한, 비디오 모니터링 시스템에서 추출된 해안선 위치는 파도가 부서진 후 해변으로 밀려오는 쇄파의 거품이 닿는 경계를 나타내는 수위선(Waterline)으로 첫 번째 유형의 해안선 지표와 유사하다. 그러나 이러한 해안선 지표들은 파도와 조류로 인한 수위 변동에 영향을 받기 때문에 보다 일관적으로 해안선의 이동 경향을 평가하기 위해서는 평균 해수면 등의 조위 기준에 기반한 해안선 분석이 실질적으로 필요한 상황이다. 비디오 모니터링 시스템을 통해 해안선의 위치를 보다 정확히 파악하기 위해서는 해수면에서 Wave-Runup으로 인해 상승한 Wave-Runup Height를 측정하고 Waterline과 해안선 간의 수평 거리(Offset)를 산출하는 과정이 필요하다. Fig. 1은 비디오 모니터링 시스템에서 추출하는 Waterline과 조위 기준에 기반한 해안선(Shoreline)의 위치와 관계를 보여준다.
Fig. 1
The relationship between the Waterline, extracted using a Video Monitoring System, and the shoreline position based on the tidal datum
본 연구에서는 딥러닝 기술인 U-Net 모델을 적용하기 위한 데이터셋을 제작하여 환경적 변화에도 수동 조정 없이 Waterline 추출하는 기법을 개발하였고, 보다 일관된 해안선 모니터링을 위해 해당 Waterline 추출 기법을 통해 해안선을 추정하는 연구를 수행하였다. 이를 위해 강원도 동해시 추암 해변에 설치된 카메라를 통해 1월부터 4월까지 수집된 영상 데이터를 기반으로, 다양한 연안 환경을 학습할 수 있는 204개의 학습 데이터셋을 생성하였다. 제작된 데이터셋으로 학습된 U-Net 모델을 사용하여 연안 이미지에서 바다 영역을 감지하고, 관심 지역(ROI, Region of Interest)을 설정하여 해안선을 추출하였다.
이후, 비디오 모니터링 시스템의 자동화된 Waterline 추출 기술을 활용하여 해변의 경사도와 Wave-Runup Height를 계산하고, 해안선과 Waterline 간의 거리를 산정하여 해안선을 추정하는 연구를 수행하였다. 비디오 모니터링 시스템을 통해 해변 경사도를 계산하기 위해 간조와 만조 시점에서 추출된 두 Waterline 간의 거리와 조위 차를 계산하여 해변 경사도를 도출하였으며, Wave Runup 경험 모델을 적용하여 Wave-Runup Height를 계산하였다. 계산된 Wave-Runup Height를 활용하여 Waterline과 해안선 간의 수평 거리(Offset)를 계산하고, 해당 거리만큼 Waterline을 조정하여 해안선을 추정하였다. 추출된 Waterline과 추정된 해안선은 UAV(Unmanned Aerial Vehicle) 데이터 기반의 결과와 비교하여 제안된 방법론의 정확성과 신뢰성은 검증하였다.
2. 연구 지역 및 데이터 취득
2.1 연구 대상 지역
본 연구의 대상 지역은 강원도 동해시 추암동에 위치한 해변으로, 추암 해변과 증산 해변이 연결된 활형 지역으로 평균 입경이 0.5 mm의 모래층을 가지는 특징이 있다. 평균 해빈 폭은 약 63.4m, 해안선 길이는 약 650m이며, 2010년부터 수행된 연안 침식 실태조사에 따르면, 이 지역은 비교적 안정적인 해안으로 분류된다(Lee et al., 2024). 해안 파랑 조건은 해양수산부에서 운영 중인 동해항 조위관측소(Donghae Port Tidal station)와 맹방 초음파식 파향 파고계(Maengbang Acoustic Wave Recorder)로부터 파랑의 파고, 주기 및 조위 데이터를 획득하였다. 또한, 추암 해변의 해안선 변화 모니터링을 위해 대상 해역의 남쪽 끝에 위치한 삼척 쏠비치 호텔 북측 건물에 카메라가 설치되어 있다. 해당 카메라는 해수면으로부터 약 60m 높이에 위치하며 추암해변을 수풀과 해변 산책로 등의 방해요소를 최소화하여 촬영하고 있으며, 1920x1080 해상도와 30 FPS 프레임 속도를 제공한다. Fig. 2에 추암 해변에 설치된 카메라 위치와 시야각을 빨간색 별 모양과 삼각형 영역으로 표시하였고 조위 데이터 및 파랑 데이터를 수집한 동해항 조위관측소와 맹방 초음파식 파향 파고계 설치 위치를 노란색 원으로 나타내었다.
2.2 이미지 데이터 수집 및 전처리
본 연구에서는 2023년 1월부터 4월까지 매일 오전 8시부터 오후 6시까지 추암해변 카메라 이미지로부터 Waterline 추출을 위해 이미지 데이터를 수집하였으며, 야외 환경의 카메라 흔들림 및 인적 활동과 같은 불규칙한 잡음을 제거하고 Waterline의 일관된 특징을 추출하기 위한 10분 동안의 평균 이미지를 제작하는 전처리 과정을 진행하였다. 이를 위해 1Hz 간격으로 영상을 이미지화하고, 매시간 첫 10분 동안 촬영된 이미지의 픽셀값들을 평균화하였다. 이러한 평균화 과정에서 불규칙한 잡음들은 상쇄되고, 시간에 따른 Waterline의 변화를 명확하게 구분할 수 있도록 할 수 있다. Fig. 3은 Waterline 추출을 위한 전처리 방법으로 평균 이미지 생성 원리를 보여준다(Kang et al., 2017). 그러나 각 날짜의 영상에서 야간이나 조도가 낮은 시간대에는 Waterline 위치를 명확히 식별할 수 없으므로, 해당 시간대의 이미지 데이터는 분석에서 제외하였다.
2.3 해안선 추출 검증을 위한 UAV을 이용한 실측
연안에 설치된 카메라로부터 추출한 해안선의 정확도를 검증하기 위해, 2023년 1월 31일, 2023년 2월 18일, 2023년 3월 22일에 UAV로 관측된 데이터를 활용하였으며, Table 1에 UAV 관측 당시의 조위, 파고 그리고 파주기를 제시하였다. 데이터 수집에는 Phantom 4 RTK UAV 사용되었으며, 비행경로는 작은 후진 해변에서 시작하여 삼척해변을 거쳐 추암 해변까지 이어지는 코스로 설정되어 비행마다 평균 975장의 이미지가 촬영되었다. UAV 데이터로부터 정사 이미지와 디지털 표고 모델(Digital Elevation Models, DEMs)을 구축하기 위해 Structure from Motion(SfM) 기법을 적용해 Pix4DMapper 소프트웨어로 처리하였다(Westoby et al., 2012; Wheaton et al., 2010). Pix4D는 중첩된 이미지로부터 Tie Points를 추출하고, Scale Invariant Feature Transform(SIFT) 알고리즘을 사용하여 에피폴라 기하를 결정함으로써 각 카메라의 상대적 이동과 대상 지형의 3차원 구조를 복원한다(Hwang et al., 2024). 여기서, 영상 보정을 위해 7개의 지상 기준점(GCPs)을 설치하였으며, 이를 통해 구축된 UAV 데이터는 X축 0.007 m, Y축 0.013 m, Z축 0.021 m의 평균 표준편차로 높은 정확도를 보였다. Fig. 4는 2023년 1월 31일 촬영된 UAV 데이터를 기반으로 비행 경로를 검은색 화살표로 표시하고, 작은 후진 해변과 삼척 해변의 위치를 노란색으로, 연구 대상 지역인 추암 해변의 위치를 빨간색으로 나타낸다. 아울러, 7개의 지상 기준점의 위치는 빨간색 점으로 표기하였다.
3. 해안선 추출을 위한 모델 설계
3.1 U-Net 모델
합성곱 신경망(CNN, Convolutional Neural Network)은 여러 층의 신경망을 특정 방식으로 배열하여 구성한 신경망이며, 심층 신경망(DNN, Deep Neural Network)의 한 응용 형태이다(Albawi et al., 2017). DNN은 두 개 이상의 은닉층(hidden layer)을 포함하는 학습 방법으로, 이미지나 영상 데이터 처리 시 발생하는 문제를 해결하기 위해 주로 CNN이 활용되어진다. CNN은 데이터의 특징을 추출해서 이를 바탕으로 학습하는 구조를 가지며, 이미지 분류(He et al., 2016), 얼굴 인식(Schroff and Philbin, 2015), 비디오 분석(Xu et al., 2015) 등 다양한 분야에서 사용되고 있다.
CNN의 알고리즘은 convolution과 pooling과정을 통해서 진행된다. Convolution 과정은 데이터의 특징을 추출하는 과정으로 각 성분이 인접한 데이터의 특징을 파악하고 특징을 한 장으로 도출 시키며 이러한 도출된 층을 convolution layer이고 이 과정은 하나의 압축 과정이며 parameter의 개수를 효과적으로 줄여주는 역할을 한다. Pooling 과정은 layer를 줄여주는 과정으로 단순하게 데이터 크기만을 줄이는 것이 아닌 parameter를 줄여주는 효과를 가지기 때문에 네트워크에 대한 과적합(over-fitting)을 제어하고, 계산 시간을 단축할 수 있다. 또한, 이 과정을 진행하였을 때 특정한 모양에 대한 특징을 잘 뽑아낸다는 장점이 있다.
U-Net은 생물의학 분야에서 이미지 분할(image segmentation)을 목적으로 제안된 End-to-End 학습 방식의 Fully-Convolutional Network 기반 모델이다. End-to-End 방식이란 문제 해결에 필요한 여러 단계를 하나의 신경망을 통해서 재배치하는 과정으로 데이터가 클 때 두 단계로 나누어서 각각 네트워크를 구축하고 학습한 후 그 결과를 합치는 방법이다(Ronneberger et al., 2015). 이 방식은 빠른 결과를 도출할 수 있다는 장점이 있지만, 많은 양의 학습 데이터가 필요하다는 단점이 있다. U-Net은 이러한 단점을 보완하여 적은 데이터로도 우수한 성능을 발휘하는 신경망이다. U-Net은 ‘U’자 형태의 대칭적인 구조를 가지고 있어 이러한 이름이 붙었으며, Fig. 5와 같이 2차원의 배열의 특성을 추출하는 encoder와 2차원 배열의 크기로 돌아가는 과정인 decoder 과정을 거치는 Encoder-Decoder 구조를 가지며, 이 구조에서 Convolution, Max-pooling, Up- convolution이 반복적으로 수행된다(Simonyan and Zisserman, 2014).
3.2 U-Net 모델의 학습 및 검증과정
본 연구에서는 환경 변화에도 추가적인 수동 조정 없이 자동으로 Waterline을 추출하기 위해 적은 데이터셋으로도 높은 분할 성능을 보이는 U-Net 모델을 선정하고, 해당 모델을 훈련시키기 위한 데이터셋을 제작하였다. 데이터셋 제작을 위해 추암해변의 1월부터 4월까지의 영상 중 해안선을 식별할 수 없는 야간, 폭설, 강한 바람, 짙은 안개가 있는 날을 제외한 66일의 영상에서 다양한 연안 환경을 대표할 수 있는 20일을 선정하였다. 이 20일 동안 수집된 데이터를 기반으로 총 204개의 평균 이미지를 생성하고, 이를 수작업으로 이미지에서 바다 영역을 레이블링하여 훈련 데이터셋을 제작하였다. 여기서 육지를 대상으로 레이블링 할 경우 젖은 바닥, 건물 그림자 또는 인적 활동의 요소들을 모두 고려해야 하기 때문에 더 많은 데이터셋이 필요해진다. 비디오 모니터링 시스템에서 추출되는 Waterline은 파도가 부서진 후 해변으로 밀려오는 쇄파의 거품이 닿는 경계를 나타내기에 레이블링 작업에서 작업자가 직접 눈으로 파도가 육지에 닿는 경계를 파악해야 했으며, 해당 작업은 Adobe사의 Photoshop 프로그램을 사용하여 진행하였다. 특히 파도가 약한 날에는 쇄파로 인해 생기는 거품이 육안으로 구분하기 어려워지기 때문에 이를 해결하기 위해 Photoshop을 사용하여 이미지의 파란색 명도값을 조정하여 물이 있는 영역을 보다 명확하게 구분할 수 있도록 보정하였다. Fig. 6(a)에는 원본 평균 이미지가, Fig. 6(b)에는 수작업으로 레이블링된 훈련 데이터셋의 형태가 나타나 있다. 그림과 같이 평균 이미지를 레이블링하는 과정에서는 바다 영역을 수작업으로 마스크화하여 이진 이미지 형태로 제작하였다.
제작된 훈련 데이터셋은 U-Net 모델의 학습에 사용되었으며, 하이퍼파라미터는 Epoch 100, Learning Rate 1e-6으로 설정되었다. 모델 학습은 Google Colaboratory(Colab)에서 제공하는 T4 GPU 런타임 환경을 활용하여 훈련을 진행하였다. T4 GPU는 NVIDIA Tensor Core 기술을 탑재하고 있으며, 16GB의 GDDR6 메모리와 320개의 Tensor 코어를 통해 대규모 병렬 연산을 지원한다. 이를 통해 복잡한 모델 학습에서도 높은 처리 성능을 제공하며, 훈련 시간을 크게 단축할 수 있었다. Colab 환경은 2개의 CPU 코어, 12GB의 RAM, 그리고 16GB의 GPU 메모리로 구성되어 U-Net 모델 훈련에 적합한 환경을 제공한다.
훈련된 모델을 사용한 Waterline 추출 과정은, 먼저 이미지에서 바다 영역을 분리한 이진 이미지를 생성한 후 정사화 작업을 진행하였다. 정사화 작업은 Coastal Imaging Research Network (CIRN)에서 개발한 Quantitative coastal imaging toolbox (QCIT)를 사용하여 600 X 600 픽셀의 크기로 한 픽셀당 1 m 해상도를 가지도록 하여 진행하였다(Lee et al., 2024). 이후, 수풀이나 건축물 등 방해 요소를 제거하기 위해 육지와 바다가 만나는 영역만을 관심 영역(ROI)으로 설정하였으며, MATLAB의 Image Processing Toolbox를 활용해 외곽선 탐지 기법을 적용하여 이미지에서 Waterline을 추출하였다. Fig. 7은 U-Net을 이용하여 Waterline을 추출하는 과정을 보여준다.
Fig. 7
Process of extracting the Waterline using the U-Net model, including binary image generation, rectification, ROI selection, and contour detection
추출된 Waterline의 이미지 좌표는 동해 원점 TM(Transverse Mercator) 좌표계를 이용하여 실제 지리 좌표로 변환하고 QGIS(Quantum Geographic Information System) 프로그램을 사용하여 지도에 맵핑하였다. QGIS는 오픈소스 기반의 지리정보시스템(GIS) 소프트웨어로, 공간 데이터 시각화, 분석, 그리고 지도 제작을 지원하는 프로그램이다. 본 연구에서는 해당 프로그램을 사용하여 추출된 Waterline을 정량적으로 평가하기 위해 카메라로 식별할 수 있는 해변 위치부터 카메라 왜곡 및 이미지 정사화 영향을 받지 않는 약 600m 거리까지 1번부터 30번까지 약 20 m 간격으로 고정된 횡단면을 설정하였고 이 횡단면들을 기준으로 해변 후빈에서부터 Waterline까지의 거리를 측정하여 분석을 수행하였다. Fig. 8에 2023년 1월 31일 촬영된 정사화된 평균 이미지 위로 1번부터 30번까지의 횡단면을 검은색 선으로 나타내었으며, U-Net 모델을 통해 추출된 Waterline을 파란색 선으로 나타내었다.
4. 해안선 추출 과정
4.1 비디오 모니터링 시스템을 통한 해안선 추출 과정
본 연구는 비디오 모니터링 시스템에서 추출되는 Waterline이 파도와 조류로 인한 수위 변동으로 인해 해안선 이동 경향을 일관성 있게 평가하기 어려운 한계를 파악하고, 이를 극복하기 위해 Wave-Runup 경험 모델을 활용하여 해안선을 추정하는 방법론을 제안하였다. Fig. 9는 해안선 추정 과정을 흐름도로 나타낸 것이다. 우선, 비디오 모니터링 시스템을 통해 간조와 만조 시의 Waterline을 추출한다. 그리고 추출된 두 Waterline 간의 거리와 조위차를 바탕으로 해변 경사도를 추정한다. 추정된 경사도와 파랑 데이터 및 조위 데이터를 활용하여 Wave Runup 경험 모델을 통해 Wave-Runup Height를 계산한 뒤 Waterline과 해안선 간의 거리(Offset)를 산출한다. 마지막으로, 계산된 Offset만큼 Waterline의 위치를 조정하여 해안선을 추정한다. 이러한 과정은 UAV나 현장 GPS-RTK(Global Positioning System - Real Time Kinematic) 장비 없이도 효율적으로 해안선을 분석할 수 있는 대안적 접근법을 제시하며, 데이터 수집 과정의 간소화와 비용 절감에 기여할 수 있다.
Fig. 9
Workflow for shoreline estimation using the Video Monitoring System. The process begins with the extraction of Waterlines from video monitoring data, followed by the calculation of beach slope using Tidal Data and the difference between the extracted Waterlines
4.1.1 비디오 모니터링 데이터 기반의 해변 경사도 계산
Wave-Runup Height를 계산하고 Offset을 결정하기 위해 비디오 모니터링 시스템과 조위 데이터를 사용하여 해변 경사도를 추정하였다. 경사도 추정을 위해 하루 중 간조과 만조 시의 Waterline을 추출하고 두 Waterline 간의 평균 수평 거리(∆x)와 동해 항 조석 관측소에서 얻은 조석차(∆h)를 사용하여 Eq. (1)과 같이 해변 경사를 계산하였다.
Table 2에는 날짜별 해변 경사를 계산하기 위해 맹방 초음파식 파향 파고계와 동해항 조위 관측소에서 가져온 날짜별 간조와 만조 시간대의 파고, 주기 그리고 조위 데이터가 정리되어 있다. 각 날의 시간대별 파고 차이는 최대 0.11m 이내로 나타났다. 파도 주기의 경우 2023년 2월 18일에 시간대별 주기가 3초 이상 차이를 보였으며 이는 다른 날에 비해 큰 변동 폭을 보이는 특징을 확인할 수 있다.
Table 2
Wave conditions from the Maengbang acoustic wave recorder and the Donghae Port tidal observation station during low and high tides
Table 3은 비디오 모니터링 시스템을 통해 계산된 해변 평균 경사도와 UAV의 DEM 데이터를 활용하여 결정된 해변 평균 경사도 그리고 두 경사도 간의 차이를 제시하고 있다. 각 관측 날짜에 비디오 모니터링 시스템으로 추정한 경사도는 각각 0.13 rad, 0.16 rad, 0.20 rad로 나타났으며, UAV 데이터의 경사도와 0.01 rad, 0.06 rad, 0.01 rad의 차이를 보였다. 각 시간대의 파랑 조건과 추정된 경사도의 오차를 비교하였을 때, 두 Waterline 사이에 가장 큰 주기 차이를 보인 2023년 2월 18일에서 가장 높게 나타났다. 이는 비디오 모니터링 시스템으로 추출된 Waterline은 관측 시간대의 조위와 파랑 상승의 영향을 받기 때문으로, 두 시간대의 파고와 주기가 유사할 경우 파랑 상승의 영향을 최소화할 수 있어, 조위 차이를 기반으로 해변 경사도를 계산할 수 있는 것으로 확인하였다. 반대로 두 시간대의 파고와 주기가 상이할 경우 파랑으로 인한 추가적인 영향을 발생하여, 본 연구에서 제시한 방법을 적용하면 높은 오차가 나타날 수 있다. 따라서 비디오 모니터링 시스템을 활용하여 해변 경사도를 정확히 추정하기 위해서는 조위 차이가 존재하는 시간대 중에서도 파고와 주기의 변화가 적은 날을 선택하는 것이 중요하다. 이를 통해 파랑의 영향을 최소화하고 보다 신뢰성 높은 경사도를 산출할 수 있다.
4.1.2 비디오 모니터링 데이터를 사용한 해안선 추정
본 연구에서는 비디오 모니터링 시스템으로 추출한 Waterline과 경사도를 활용하여 Wave-Runup으로 인한 해안선까지의 거리(Offset)를 계산하고, 각 횡단면에서 그 거리만큼 Waterline을 이동시켜 해안선을 추정하였다. 하지만 이 과정에서 비디오 모니터링 데이터는 고도 정보를 포함하지 않기 때문에, 추출된 Waterline의 고도를 파악하는데 어려움이 있다. 이에 Wave-Runup 경험 모델을 사용하여 Wave-Runup Height(Rmax)를 구하고 Wave-Runup Height와 해변 경사도의 관계를 활용하여 Offset을 계산하였다. Eq. (2)는 Wave-Runup 경험 모델의 기본 공식으로, 해안 경사, 파고, 파장의 관계를 기반으로 Wave-Runup Height를 예측하는 데 사용된다. 이 공식은 파도의 에너지가 해안선에 전달되면서 발생하는 Setup과 파도가 해안에 도달한 후 물이 앞뒤로 진동하는 Swash의 높이를 각각 계산한 후 이를 합산하여 계산된다(Stockdon et al., 2006).
여기서 nsl는 Setup이며, S는 Swash 그리고 Rmax는 Wave- Runup Height를 의미한다. Setup(nsl)은 파고의 제곱근 평균, 주기, 해빈경사, 파장의 함수로 산정되며 Eq. (3)과 같이 계산된다(Yoo et al., 2022).
여기서ξ0는 이리바렌 수(Iribarren Number)를 의미하는 무차원 수로, 심해 파고, 심해 파장, 그리고 해변 경사를 이용해 Eq. (4)과 같이 정의된다. 이리바렌 수는 해안 공학에서 파랑의 특성과 해안 지형의 상호 작용을 설명하는 데 사용되며, 파랑의 쇄파 유형을 예측하는 중요한 지표로 활용된다.
Swash(S)는 입사파 진동(f >0.05 Hz)과 저주파 진동(f <0.05Hz)의 합성으로 정의된다. 각 진동의 기여도를 정량화하기 위해 입사파 쇄파 높이(S∈c)와 저중력 쇄파 높이(Sig)에 대한 여러 경험적 공식들이 채택되었다. 정규화된 저주파 Runup 고도 Sig/H0 와 정규화된 입사파 Runup 고도 S∈0/H0 는 모두 Iribarren 수 ξ0 와 선형적 관계를 가지며, Eq. (5)와 같은 관계식으로 표현된다(Aarninkhof et al., 2003; Holman and Sallenger, 1985).
Eq. (5)는 0.5 < ξ0 < 3.5 범위의ξ0에 대해서 유도되어진다.Sig와Sinc은 모두 유의 파고H0의 일부로 계산되며, 이를 바탕으로 전체 런업 고도S를 Eq. (6)으로 계산될 수 있다.
이후, 비디오 모니터링 시스템으로 산출한 해변 경사도와 Wave-Runup 모델을 통해 계산된 Wave-Runup Height를 활용하여, Waterline과 해안선 간의 거리를 Eq. (7)을 이용해 산정하였다. 본 연구에서는 비디오 모니터링 시스템을 통해 추출된 모든 횡단면의 Waterline 위치에 동일한 OffsetVMS 값을 적용하여 위치를 보정하고, 보정된 위치를 해안선으로 정의하였다.
4.2 UAV 데이터를 통한 실제 Waterline 추출 및 해안선 추정
U-Net 모델을 활용한 영상 모니터링 시스템의 자동화된 Waterline 추출 기법과 해안선 추정 방법의 정확도를 평가하기 위해, 본 연구에서는 UAV 관측으로 취득한 고도 데이터를 사용하여 실제 Waterline과 해변 경사도를 추출하였다. 그리고 UAV로 얻은 Waterline과 해변 경사도를 기반으로 영상 모니터링 시스템과 유사한 방법으로 해안선을 추정하였다. 이 과정에서 고도 데이터를 가지는 UAV 데이터와 가지지 않는 비디오 모니터링 시스템의 차이를 고려하여, UAV 데이터에서 해안선을 추정하는 과정에서 각 횡단면의 높이를 고려한 방법(Method 1)과 모든 횡단면의 평균 높이를 사용한 방법(Method 2)으로 나누어 적용하였다. 이렇게 얻은 Waterline과 해안선들을 통해 본 연구에서 제안한 Waterline 추출 기법과 해안선 추정 방법의 정확도를 분석하였다.
4.2.1 UAV 데이터 기반의 실제 Waterline 및 해변 경사도
먼저, UAV로 획득한 DEM 데이터를 통해 각 횡단면의 해변 프로파일을 추출하고 이를 바탕으로 실제 Waterline과 해변의 경사도를 결정하였다. 횡단면 프로파일 분석에는 QGIS 프로그램의 플러그인인 Terrain Profile Tool이 사용되었으며, 이 도구는 사용자가 지정한 선형 경로를 따라 지형의 고도 변화를 그래프로 시각화하는 기능을 제공한다. 각 횡단면 프로파일 그래프에서 가장 낮은 지점을 Waterline 위치로 정의하였으며, 각 횡단면에서 정의된 지점들을 연결하여 Waterline을 추출하였다. 그리고 각 횡단면의 Waterline으로부터 5 m 이내의 해변 경사 경향을 파악하여 경사도를 결정하였다. Fig. 10(a)은 2023년 1월 31일 UAV로 촬영된 추암 해변의 정사화 이미지를 바탕으로 검은색 선으로 1번부터 30번까지의 횡단면을 나타내었고 UAV에서 추출된 실제 Waterline을 빨간색 선으로 나타내었다. 그리고 Fig. 10(b) 상단에는 같은 날의 23번 횡단면 해변 프로파일 그래프를 보여주고 있으며 하단에는 Waterline에서부터 5 m 이내의 해변 프로파일 그래프와 경사도 경향을 분석하여 추출한 해변 경사도를 보여준다.
4.2.2 UAV 데이터에서 이용한 해안선 추정
비디오 모니터링 시스템을 통한 해안선 추정 기법의 신뢰성을 검증하기 위해 UAV 데이터를 활용하여 해안선을 추정하였다. UAV 데이터를 통한 해안선 추정은 비디오 모니터링 시스템과 유사한 방법으로, Wave-Runup Height와 해변 경사도를 사용해 Offset을 계산하고 각 횡단면의 Waterline을 조정하여 해안선을 정의하였다. UAV 데이터는 고도 데이터를 포함하고 있기 때문에 Wave-Runup으로 상승한 높이를 구하기 위해 각 횡단면의 Waterline 고도에서 해수면 고도(z0)를 빼 줌으로써 Wave-Runup Height를 계산하였다. 이때, 고도 데이터를 포함하고 있지 않은 비디오 모니터링 시스템과의 차이를 고려하여 두 가지 방법으로 접근하였다. 첫 번째 방법(Method 1)은 횡단면마다 Waterline 고도를 고려하여 해안선을 추정하는 것으로, Eq. (8)과 같이 계산된다. 이 방법은 각 횡단면의 고도 데이터를 고려할 수 있지만, 모든 횡단면에 Wave-Runup 경험 모델로 계산된 Wave- Runup Height를 일괄적으로 계산한 비디오 모니터링 시스템과는 차이가 있다. 두 번째 방법(Method 2)은 모든 횡단면의 Waterline 고도를 평균하여 그 평균 값을 이용해 해안선을 추정하는 방식이며, Eq. (9)와 같이 계산된다. 이 방법은 비디오 모니터링 시스템과 같이 특정 값을 일괄 계산하지만 각 횡단면의 세밀한 차이를 반영하지 못할 수 있다.
여기서 ziwaterlline_UAV 는 i번째 횡단면의 Waterline의 고도이며, zwaterlline_UAV Waterline의 평균 고도를 나타낸다. 두 방법 모두 횡당면들의 평균 기울기(βUAV)를 사용하였다. 본 연구에서는 비디오 모니터링 시스템을 활용하여 추정한 해안선을, UAV 데이터를 이용해 두 가지 방식으로 추정한 해안선과 비교하였다.
4.3 U-Net 모델 기반의 자동화된 Waterline 추출 기법 및 해안선 추정 정확도 평가
Fig. 11에는 날짜별로 UAV와 비디오 모니터링 시스템에서 추출한 Waterline을 비교한 결과를 보여준다. Fig. 11의 왼쪽에는 각 날짜의 정사화된 평균 이미지를 바탕으로 UAV로 얻은 실제 Waterline을 빨간색 선, 비디오 모니터링 시스템의 Waterline을 파란색 선으로 나타내었다. Fig. 11 오른쪽 그래프들은 각 횡단면의 두 Waterline 간의 거리 차이를 막대그래프로 나타낸 결과를 보여준다. 두 Waterline 간의 거리는 각 횡단면의 후빈에서 Waterline까지의 거리를 측정한 후, UAV 데이터에서 비디오 모니터링 데이터를 차감한 값으로 계산되었다. Fig. 11의 (a)는 2023년 1월 31일, (b) 2023년 2월 18일, (c) 2023년 3월 22일에 해당하는 결과이다. 분석 결과, 모든 날짜에서 비디오 모니터링 시스템의 Waterline은 UAV의 Waterline과 유사한 형상을 보였으나, 대부분의 횡단면에서 두 Waterline 간의 차이는 음수로 나타났다. 이는 UAV의 Waterline이 비디오 모니터링 시스템의 Waterline보다 육지 쪽에 더 가깝게 위치함을 의미한다. 이러한 차이는 비디오 모니터링 시스템과 UAV 간의 카메라 해상도 및 이미지 처리 과정의 차이에 비롯된 것으로 판단하였다. 비디오 모니터링 시스템의 상대적으로 낮은 공간 해상도와 픽셀 크기, 그리고 데이터 세밀도의 한계로 인해 세밀한 지형 변화를 정밀하게 관측하기 어려운 것으로 해석하였다. 또한, 본 연구에서 사용된 평균 이미지는 여러 이미지를 중첩하여 평균화하는 과정에서 통계적 희석 효과와 랜덤성 상쇄로 인해 잡음이 제거되었다. 그러나 이 과정에서 발생 빈도가 낮은 Wave Runup 최대 상승 높이의 픽셀 값 또한 평균화 과정에서 제거된 것으로 분석되었다.
Fig. 11
Left) Geo-rectified TimeX images with Waterlines extracted by UAV (red) and Video Monitoring System using U-Net model (blue) for each date. Right) Distances between the two Waterlines for each transection. (a) 2023.01.31 (b) 2023.02.18 (c) 2023.03.22
Table 4에는 두 Waterline 간의 평균 수평 거리와 수직 거리를 정리하였다. 세 날짜 모두 평균 수직 거리는 0.20 m 이내로 나타났다. 그러나 2023년 1월 31일의 경우, 0.15m로 가장 낮은 수직 거리 차이를 보였음에도 불구하고 1m를 넘는 가장 큰 수평 거리 차이가 관측되었다. 이는 해변 경사도가 수평 거리에 영향을 미쳤기 때문으로 해석되며, 관측 당시 2023년 1월 31일의 해변 경사도가 0.13 rad로 가장 낮았던 점이 그 원인으로 판단된다. 즉, 해변 경사에 영향을 받지 않는 수직 거리 차이를 기준으로 비교했을 때, 관측 당시 파고 및 주기에 상관없이 0.20 m 이하의 높은 정확도를 달성했음을 확인할 수 있다. 이와 같은 결과는 비디오 모니터링 시스템의 U-Net 모델을 활용한 자동화된 Waterline 추출 기법이 높은 정확도를 가지며, 실제 Waterline과 비교해 유사한 결과를 제공함으로써 효과적인 대안으로 활용될 수 있음을 보여준다.
Table 4
Mean horizontal and vertical distances between two Waterlines from UAV data and the Video Monitoring System
| Date | Mean Horizontal Distance (m) | Mean Vertical Distance (m) |
|---|---|---|
| 2023.01.31 | 1.06 | 0.15 |
| 2023.02.18 | 0.88 | 0.20 |
| 2023.03.22 | 0.89 | 0.18 |
Fig. 12는 각 날짜별로 비디오 모니터링 시스템을 이용해 추정한 해안선과 UAV 데이터를 기반으로 Method 1과 Method 2를 적용하여 추정한 해안선 간의 횡단면별 거리 차이를 막대그래프로 나타낸 결과를 보여준다. 그리고 Table 5에는 이 두 해안선 간의 평균 수평 거리와 수직 거리를 정리하여 제시하였다. Fig. 12에서 확인할 수 있듯이, Waterline 추출 결과와 유사하게 UAV의 해안선이 비디오 모니터링 시스템의 해안선보다 육지 쪽에 더 가깝게 위치하는 경향이 있었다. 또한, 해안선 추정 결과의 최대 수직 거리는 0.27 m로, Waterline 추출 결과의 최대 수직 거리보다 0.07 m 더 큰 차이를 보였다. 이러한 결과는 비디오 모니터링 시스템에서의 해안선 추정을 위한 Offset 거리가 UAV 데이터보다 상대적으로 더 크게 산정된 것으로 분석된다.
Fig. 12
Left) Distances between the Video Monitoring System and UAV shorelines using Method 1 for each transection. Right) Distances between the Video Monitoring System and UAV shorelines using Method 2 for each transection. (a) 2023.01.31 (b) 2023.02.18 (c) 2023.03.22
Table 5
Mean horizontal and vertical distances between shorelines from UAV data using Method 1 and 2 and the Video Monitoring System
Table 5에 따르면, 평균 수평 거리가 2 m 이내, 평균 수직 거리가 0.27 m 이내로 나타났으며, 이를 통해 이를 통해 해안선의 전진 및 후퇴를 일관성 있게 추적할 수 있음을 확인하였으며, 비디오 모니터링 시스템을 활용한 해안선 추정 방법의 해변 모니터링에 대한 적용 가능성을 검증하였다. 그러나 Method 1을 적용한 UAV의 해안선과 비디오 모니터링 시스템 기반 해안선 간의 평균 거리 차이는 수평 거리로 각각 1.92m, 1.21m, 1.04m로 나타났으며, 수직 거리 차이는 0.27m, 0.27m, 0.22m로 측정되었다. 반면, Method 2를 적용한 경우 수평 거리는 각각 1.05m, 0.88m, 0.89m로 나타났고, 수직 거리는 0.15m, 0.20m, 0.19m로 나타났다. 두 방법에 따른 결과 차이는 수평 거리에서 최대 0.87m, 수직 거리에서 최대 0.12m까지 나타났으며, 이는 적용된 방법에 따라 결과 값이 달라질 수 있는 한계를 보여준다. 보다 정확한 결과를 확보하기 위해서는 GPS-RTK 측량과 같은 도보나 이동식 장비를 사용하여 실제 수중 좌표 데이터를 확보하고, 이를 기반으로 검증 과정을 수행하는 것이 필요하다고 판단된다.
5. 결 론
본 연구에서는 비디오 모니터링 시스템에 딥러닝 기술인 U-Net을 적용하기 위해 추암 해변을 대상으로 훈련 데이터셋을 제작하고, 제작된 데이터셋로 훈련된 U-Net 모델을 사용해 자동화된 Waterline 추출 기법과 조위 기반의 해안선을 추정하는 방법에 대한 연구를 진행하였다. 이를 위해, 추암 해변의 1월부터 4월까지의 영상을 취득하였으며, 해당 영상에서 여러 연안 환경을 대표할 수 있는 20일을 선택하고 총 204개의 평균 이미지를 제작하여 U-Net 모델을 훈련시키기 위한 데이터셋을 생성하였다. 다음으로 U-Net 모델을 훈련시켜 자동으로 이미지에서 육지와 바다를 분할하고 Waterline을 추출하였다. 이후, 자동화된 Waterline 추출 기법을 사용하여 하루 중 간조와 만조 때의 Waterline과 조위차를 통해 해변의 경사도를 추정하고, Wave Runup 경험 모델을 사용하여 Waterline과 해안선 간의 거리를 계산하였다. 계산된 거리만큼 Waterline을 조정하여 해안선을 추정하였으며 이러한 방법들로 추출된 Waterline과 해안선을 UAV 데이터를 활용하여 정확도와 신뢰성을 검증하였다.
비디오 모니터링 시스템에 U-Net 모델을 적용하여 Waterline을 추출하고 실제 Waterline과 비교한 결과, 추출된 Waterline이 실제 Waterline과 유사한 형상을 그리며 평균 수평 및 수직 오차가 최대 1.06 m와 0.18 m의 높은 정확도를 가지는 것을 확인하였다. 그러나 Fig. 11에서 확인할 수 있듯이, 비디오 모니터링 기반 Waterline이 실제 Waterline보다 육지에서 더 먼 위치에서 감지되는 경향이 있다. 이는 두 관측 방법 간 해상도 차이와 평균 이미지 제작 과정에서 발생 빈도가 낮은 Wave Runup 최대 상승 높이의 픽셀값들이 상쇄되어 비디오 모니터링 시스템이 탐지하지 못한 것으로 분석하였다. 이러한 문제를 해결하기 위해 Wave Runup의 최대 상승 높이까지 감지할 수 있는 이미지 처리 기법에 대한 추가 연구가 필요함을 확인하였다. 이후 비디오 모니터링 데이터를 사용해 해변 경사도를 추정하였고 UAV 데이터와 비교했을 때 0.06 rad 이하의 높은 정확도를 보였다. 이 과정에서 경사도를 정확히 추정하기 위해서는 조위 차이가 발생하는 시간대에 유사한 파랑 조건에서 추정을 수행해야 하며, 이를 통해 파랑의 영향을 최소화하고 Waterline 간 거리와 조위 차이만을 활용하여 높은 정확도의 해변 경사도를 추정할 수 있음을 확인하였다. 마지막으로, 비디오 모니터링 시스템으로 추정된 경사도를 활용하여 Wave Runup 경험 모델을 통해 Waterline과 해안선 간의 거리를 계산하였다. 이후 계산된 거리만큼 Waterline 위치를 조정하여 해안선을 추정하고, 각 횡단면의 Waterline 고도를 고려한 Method 1과 고려하지 않은 Method 2를 적용하여 UAV 데이터 기반 해안선과 비교 분석을 수행하였다. Fig. 12에 나타난 결과 그래프에 따르면, Waterline 추출과 마찬가지로 비디오 모니터링 기반 해안선이 UAV 데이터 기반 해안선보다 육지에서 더 먼 위치로 추정되었으며, 조정된 거리 역시 비디오 모니터링 시스템에서 더 큰 값으로 나타났다. 전체 평균 수평 및 수직 거리는 최대 1.92 m와 0.27 m로 비교적 높은 정확도를 보였으나, Method 1과 Method 2의 비교 결과, 추정 방법에 따라 결과 값이 달라지는 경향이 있음을 확인하였다. 따라서 비디오 모니터링 시스템으로 추정된 해안선의 정확도를 검증하기 위해 GPS-RTK 관측 등의 방법을 통해 해안선까지의 수중 데이터를 확보하고 이를 검증하는 과정이 필요하다고 판단하였다.
본 연구는 추암 해변만을 대상으로 단일 카메라를 사용하였기에, 고정된 카메라 해상도, 위치 그리고 방향에서 수행되었다. 이로 인해 Waterline 추출 및 해안선 추정 과정에서 카메라 해상도로 인한 정확도 저하 가능성을 완전히 평가할 수 없었다. 향후 연구에서는 카메라 배치 방향과 해상도 변화의 영향을 분석하고 다양한 환경 조건에 대한 자동화된 Waterline 추출 및 해안선 추정 방법론의 적응력을 높이기 위한 추가 연구가 필요하다. 하지만 본 연구에서는 단일 해변을 대상으로 다양한 해안 환경 조건에서 자동으로 Waterline을 추출할 수 있도록 U-Net 모델을 적용하기 위한, 훈련 데이터셋을 생성하였으며, 학습된 U-Net 모델을 활용한 Waterline 추출 기법을 개발하였다. 그리고 이 기법을 사용해 비디오 모니터링 시스템에서 조위 기반의 해안선을 추정하는 연구까지 진행하였다. 추출된 Waterline의 정확도는 UAV를 통해 얻은 실제 Waterline과 비교하여 높은 정확도를 검증하였다. 아울러, 해안 비디오 모니터링 기반 해안선 추정 방법과 UAV 데이터를 활용한 해안선 추정을 비교한 결과, 해안선의 전진 및 후퇴 움직임을 일관성 있게 관찰할 수 있음을 확인하였다. 결론적으로, U-Net 모델을 이용한 자동화된 해안선 추출 및 해안선 추정 방법은 해안선 모니터링에서 저비용으로 높은 정확도를 달성할 수 있도록 하여 다양한 해안 모니터링 분야에 걸쳐 적용 가능성과 유용성을 확대할 것으로 기대된다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
