농업용저수지의 클로로필-a(Chl-a) 농도 변화에 대한 수환경 영향 연구

이진경 ( Jin-kyung Lee ),박은숙 ( Eun-suk Park ),이인호 ( In-ho Lee ) 한국환경농학회 2023 한국환경농학회 학술대회집 Vol.2023 No.0

장기적으로 수계환경을 변화시키는 조류의 발생은 환경조건에 따라 생육특성과 생육속도가 달라지며, 조류의 생산성은 빛의 강도와 무기영양원의 영향을 받는 것으로 알려져 있다. 조류 대발생의 주요 원인의 하나로 높은 농도의 질소와 인이다. 이는 부영양화 현상을 일으켜 수중 식물플랑크톤이 과다 증식을 일으킨다고 알려져 있다. 또한, 수색의 변화, 이취미 발생 및 유해 독성 등으로 수환경 영향 요인으로 작용할 수 있다. 따라서 이에 대한 연구 및 관리가 필요하다. 본 연구는 최근 5개년(2018~2022년) 농업용저수지 950개소(유효저수량 20만 ㎥ 이상 또는 수혜면적 30 ha 이상) 중 여름철(5~10월) 클로로필-a의 농도가 35 mg/L(환경정책기본법 호소 생활환경기준으로 약간나쁨 Ⅳ등급)를 매년 초과하는 41개 저수지를 선정하여 조사 분석하였다. 클로로필-a는 여과(GF/F)한 시료에서 클로로필 색소를 추출(아세톤 (9+1) 15 mL와 336 rpm 20분 진탕)하여 4℃ 암실에 방치 후, 여과(5B)한 시료를 분광광도계(Agilent 8453)로 663, 645, 630, 750 nm의 흡광도에서 측정하여 클로로필-a 양을 계산하였다. 조사 대상 저수지의 5년간 평균 저수율은 74.3% (43.4~89.7%), 유효수심 7.0 m (2.5~13.7 m), 제당 높이 8.4 m (3.2~19.0 m)이며, 오염원으로 구분하면 축산계 오염원이 25개 저수지, 생활계 오염원이 16개로 조사되었다. 수질 중 클로로필-a 농도가 35 mg/L 초과하는 시기의 수환경 특성은 수온 26.2℃(21.2~30.9℃), pH 8.2 (6.8~10.3), EC 254 μS/cm (109~741 μS/cm), DO 6.8 mg/L (0.6~12.9 mg/L)로 나타났다. 높은 수온과 영양염류의 농도는 클로로필-a 농도 증가에 큰 영향을 준 것으로 보인다. 이로 인하여 녹조발생이 지속되는 것으로 판단된다. 또한 다양한 오염원의 유입으로 저수지의 클로로필-a 농도의 장기적인 영향을 확인하고자 저층 퇴적물의 유기물 농도와의 관계를 살펴보았다. 대상 저수지의 퇴적물은 완전연소가능량 8.2% (2.0~13.4%), 총질소 2,908.9 mg/kg (901~5,375.5 mg/kg), 총인 1,116.9 mg/kg (215.2~2,595.4 mg/kg)로 조사되었다. 수중의 클로로필-a 농도와 관계 분석에서 퇴적물의 완전연소가능량, 총질소, 총인의 농도와 양(+)의 상관관계를 보였다. 수중의 클로로필-a는 퇴적물의 완전연소가능량, 총인, 총질소 순으로 상관관계가 높은 것으로 분석되었다. 결론적으로 저수지의 녹조관리를 위해서는 우선적으로 유입되는 영양염류의 양을 줄이는 방안과 장기적으로 저층 퇴적물의 제어 및 관리도 필요할 것으로 판단된다.

TiCl₄ 응집을 이용한 조류제거

김경민(Kyung-Min Kim),오흥현(Heung-Hyun Oh),박지원(Ji-Won Park),최종진(Jong-Jin Choi),안종화(Johng-Hwa Ahn) 대한환경공학회 2019 대한환경공학회지 Vol.41 No.6

본 연구에서는 응집제 TiCl4의 조류제거 효율을 관찰하기 위해 jar test를 이용하여 급속교반속도(110~170 rpm), 완속교반속도(20~60 rpm), 주입농도(0.02~0.48 mM), pH (1~12) 등에 따른 클로로필 a 및 탁도 제거율을 관찰하였다. 실험기간 동안 사용한 시료의 클로로필 a는 105.7 ± 10.2 μg/L, 탁도는 17.5 ± 5.7 NTU (nephelometry turbidity unit)였다. 급속교반의 경우 실험범위 내에선 교반속도에 관계없이 높은 클로로필 a (90~94%) 및 탁도(91~93%) 제거효율을 보였다. 완속교반의 경우 클로로필 a는 30 rpm (96%)에서, 탁도는 30 rpm 이상(90% 이상)에서 가장 높은 제거효율을 보였다. 주입농도 실험에서 클로로필 a와 탁도는 TiCl₄의 농도가 증가할수록 제거효율이 증가하는 경향을 보였다. 클로로필 a는 0.25 mM, 탁도는 0.39 mM 이상에서 90% 이상의 제거효율을 보였다. pH의 경우 클로로필 a는 3~8에서 90% 이상, 탁도는 6 이상에서 87% 이상의 제거효율을 보였다. 따라서 클로로필 a와 탁도를 동시에 90% 이상의 제거효율을 얻기 위한 조건은 급속교반속도에 관계없이 완속교반 30 rpm, 주입농도 0.39 mM, pH 6~8로 나타났다. This study evaluated the efficiency of titanium tetrachloride (TiCl₄) on chlorophyll-a (105.7 ± 10.2 μg/L) and turbidity (17.5 ± 5.7 NTU (nephelometry turbidity unit)) removals in a pond water compared to aluminum potassium sulfate (AlK(SO₄)₂). Jar-test experiments were performed at various mixing speeds (rapid: 110~170 rpm, slow: 20~60 rpm), coagulant doses (0.02~0.48 mM), and pH levels (1~12) to determine the conditions at which chlorophyll-a and turbidity removals were most efficient. Within the experimental range, the chlorophyll-a (90~94%) and turbidity (91~93%) removals were high regardless of rapid-mixing speed. The maximum chlorophyll-a removal was 96% at 30 rpm of slow-mixing speed and turbidity removal was ≥90% at ≥30 rpm of slow-mixing speed. The chlorophyll-a removal and turbidity efficiencies increased as TiCl4 concentration ([TiCl₄]) increased. The chlorophyll-a removal at [TiCl4]=0.25 mM and the turbidity removal at [TiCl₄]=0.39 mM were ≥90%. The chlorophyll-a removals at pH=3~8 were ≥90% and the turbidity removals at pH≥6 were ≥87%. Therefore, the conditions with ≥90% chlorophyll-a and turbidity removals were slow mixing=30 rpm, [TiCl4]≥0.39 mM, and 6≤pH≤8 regardless of rapid-mixing speed.

연안 혼탁 해수에 적합한 위성 클로로필-a 농도 산출 알고리즘 개관과 전망

박지은,박경애,이지현 한국지구과학회 2021 한국지구과학회지 Vol.42 No.3

최근의 기후변화는 연안에서 더욱 가속화되고 있어 연안에서의 해양 환경변화 감시의 중요성이 커지고 있다. 클로로필-a 농도는 해양 환경 변화의 중요한 지표 중 하나로 수십년 동안 여러 해색 위성을 통해 전구 해양 표층의 클로로필-a 농도가 산출되었으며 다양한 연구 분야에 활용되었다. 하지만 연안 해역의 탁한 해수는 외해의 맑은 해수와는구별되는 구성 성분과 광학적 특성으로 인해 나타나는 심각한 오차 때문에 일반적으로 사용되는 전지구 대양을 위하여만들어진 클로로필-a 농도 알고리즘은 연안 해역에 대입할 수 없다. 또한 연안 해역은 해역에 따라 성분과 특성이 크게달라져 통일된 하나의 알고리즘을 제시하기 어렵다. 이러한 문제점을 극복하기 위하여 연안의 탁도가 높은 해역에서는구성 성분과 광학적 변동 특성을 고려한 다양한 알고리즘들이 개발되어 사용되어 왔다. 클로로필-a 농도 산출 알고리즘은 크게 경험적 알고리즘, 반해석적 알고리즘, 기계학습을 활용한 알고리즘 등으로 나눌 수 있다. 해수의 반사 스펙트럼에 기반한 청색-녹색 밴드 비율이 기본적인 형태로 주로 사용된다. 반면 탁한 해수를 위해 개발된 알고리즘은 연안해역에 존재하는 용존 유기물과 부유물의 영향을 상쇄시키기 위한 방식으로 녹색-적색 밴드 비율, 적색-근적외 밴드 비율, 고유한 광학적 특성 등을 사용한다. 탁한 해수에서의 신뢰성 있는 위성 클로로필-a 농도 산출은 미래의 연안 해역을 관리하고 연안 생태 변화를 감시하는데 필수적이다. 따라서 본 연구는 탁도가 높은 Case 2 해수에서 활용되어온 알고리즘들을 요약하고, 한반도 주변해역의 모니터링과 연구에 대한 문제점을 제시한다. 또한 다분광 및 초분광 센서의개발로 더욱 정확하고 다양한 해색 환경을 이해할 수 있는 미래의 해색 위성에 대한 발전 전망도 제시한다. Climate change has been accelerating in coastal waters recently; therefore, the importance of coastal environmental monitoring is also increasing. Chlorophyll-a concentration, an important marine variable, in the surface layer of the global ocean has been retrieved for decades through various ocean color satellites and utilized in various research fields. However, the commonly used chlorophyll-a concentration algorithm is only suitable for application in clear water and cannot be applied to turbid waters because significant errors are caused by differences in their distinct components and optical properties. In addition, designing a standard algorithm for coastal waters is difficult because of differences in various optical characteristics depending on the coastal area. To overcome this problem, various algorithms have been developed and used considering the components and the variations in the optical properties of coastal waters with high turbidity. Chlorophyll-a concentration retrieval algorithms can be categorized into empirical algorithms, semi-analytic algorithms, and machine learning algorithms. These algorithms mainly use the blue-green band ratio based on the reflective spectrum of sea water as the basic form. In constrast, algorithms developed for turbid water utilizes the greenred band ratio, the red-near-infrared band ratio, and the inherent optical properties to compensate for the effect of dissolved organisms and suspended sediments in coastal area. Reliable retrieval of satellite chlorophyll-a concentration from turbid waters is essential for monitoring the coastal environment and understanding changes in the marine ecosystem. Therefore, this study summarizes the pre-existing algorithms that have been utilized for monitoring turbid Case 2 water and presents the problems associated with the mornitoring and study of seas around the Korean Peninsula. We also summarize the prospective for future ocean color satellites, which can yield more accurate and diverse results regarding the ecological environment with the development of multi-spectral and hyperspectral sensors.

보 건설 후 낙동강 하류 물금 지역의 수환경 및 조류 발생 특성 변화

김영우(Kim, Young-Woo),이재호(Lee, Jae-Ho),박태주(Park, Tae-Joo),변임규(Byun, Im-Gyu) 한국방재학회 2017 한국방재학회논문집 Vol.17 No.1

홍수 예방과 하천 정비 및 유역 개발을 목적으로 낙동강 수계에 8개의 보가 건설되었고 이로 인해 낙동강의 수환경 및 수리학적 특성이 변화되었다. 따라서 본 연구는 보 건설 이후 물금지역의 수환경 인자와 조류발생 특성 변화에 대한 분석을 목적으로 수행하였다. 분석에 사용한 수질, 수리, 기상 자료는 보 건설 전과 후의 두 그룹으로 구분하였고, 자료의 신뢰도 향상을 위해 관리도 기법 적용과 태풍영향 기간 배제의 데이터 전처리 과정을 수행하였다. 보 건설 이전에는 BOD, TN, TP, 수온 그리고 유량이 클로로필-a 농도와 유의한 상관관계를 가졌으나 보 건설 이후에는 유량, 수온, TN이 유의한 상관관계를 가지지 않는 것으로 나타났다. 보 건설 이후 클로로필-a, BOD, TN, TP는 감소하는 경향을 보였으며, 수온과 TN은 계절별 우점종의 개체수 변화로 인해 클로로필-a와 유의한 상관관계를 나타내지 않았다. 보 건설 이후 물금지역의 남조류 개체수는 크게 증가하였고, 규조류 개체수는 감소하였다. 보 건설 이후 지속된 가뭄으로 유량의 계절적 특성이 나타나지 않아 유량과 클로로필-a의 유의한 상관관계도 나타나지 않았다. 보 건설 이후 수리 특성의 변화 및 수질 개선 그리고 가뭄 현상으로 인해 강수량과 일조시간도 클로로필-a와의 유의한 상관관계를 가지지 않는 것으로 분석되었다. 또한 클로로필-a와 남조류 개체수가 유의한 상관관계를 보이지 않으므로, 여름철 물금지역의 조류 발생 모니터링을 위해서는 남조류 개체수를 평가해야할 필요가 있다. In the Nakdong River, 8 weirs were constructed to prevent flooding, restore the river and develope the river basin. Subsequently, water environment and hydraulic characteristics of the river have been changed. This study were performed to analyze the variation of water environment and algae occurrence characteristics after weirs construction at Mulgeum site. The water quality, hydraulic and climate data were classified into two group of before and after weirs construction. To improve reliability of the data, all data were preprocessed by control chart method and elimination of typhoon effect period. Before weirs construction, BOD, TN, TP, water temperature and volumetric flow rate had significant correlation with chlorophyll-a but TN, water temperature and volumetric flow rate did not have significant correlation with chlorophyll-a. After weirs construction, each concentration of chlorophyll-a, BOD, TN and TP showed decreasing tendency. TN and water temperature did not have significant correlation with chlorophyll-a after weirs construction because of significant variation of dominant algae species according to seasonal change. After weirs construction blue-green algae has highly increased but diatom has decreased. volumetric flow rate did not show seasonal characteristics after weirs construction and subsequently did not have significant correlation with chlorophyll-a due to continued drought of Nakdong River basin. Therefore, it was considered that the variation of hydraulic characteristics and dominant algae cell number, water quality improvement and drought lead to more complex correlation among water environment parameters after weirs construction. And as there is no significant correlation between chlorophyll-a and blue-green algae cell number, it is needed to evaluate bule green algae cell number for the monitoring of algae blooming in summer season at Mulgeum site.

딥러닝을 활용한 해양오염 예측도구 개발 및 적용 연구 (Ⅰ)

김태윤,진대용,이어진,권경환 한국환경정책평가연구원 2020 기본연구보고서 Vol.2020 No.-

Ⅰ. 연구의 배경 및 목적 ㅇ 해양에서 다양한 개발사업이 이루어지고 있으며 개발로 인한 환경적 영향을 예측·평가하여 저감방안을 마련하고 있음 ㅇ 복잡한 해양환경적 특성으로 인해 개발사업이 해양환경에 미치는 영향을 파악하는 데는 한계가 있음 ㅇ 해양환경 정보화플랫폼의 자료, 위성자료, 기존의 수치모형에서 계산된 방대한 물리적 자료를 딥러닝 기술에 적용하여 해양오염 예측 도구를 개발하고자 함 Ⅱ. 국내외 현황 및 사례 분석 ㅇ 해양 분야에서 딥러닝을 활용한 연구를 예측(결측치 보정 포함) 및 분류 연구로 구분하여 정리함 ㅇ 해양 분야가 아닌 타 분야에서 딥러닝을 활용한 연구도 정리함 Ⅲ. 연구 방법론 1. 해양환경자료 ㅇ 해양환경, 해양생태, 해양보호구역, 해양환경정보지도, 폐기물해양배출, 해양쓰레기, 해역이용영향평가 등과 관련된 다양한 자료를 제공하는 해양환경정보포털(MEIS)의 자료를 검토함 ㅇ 2010년부터 천리안 위성(COMS: Communication, Ocean and Meteorological Satellite)을 통하여 해양관측을 수행하고 있으며, 위성으로부터 제공되는 자료를 조사함 2. 수치모형 ㅇ 해양의 유동, 지형, 파랑, 수질까지 다양한 영역의 해양환경 변화를 파악할 수 있는 수치모형 중에 연안역에서 널리 사용되는 Delft3D를 소개함 3. 딥러닝 모델 ㅇ 딥러닝 알고리즘은 입력 데이터의 형태에 따라 활용할 수 있는 모형이 다르기 때문에 주요 모형에 대해서만 설명함 ㅇ 딥러닝 모형이 사용된 연구 사례를 소개함 Ⅳ. 적용 및 검증 1. 파랑 예측 ㅇ 딥러닝의 적용 사례연구로서 외해에서 장기간 관측된 파랑 및 기상자료와 딥러닝 기법을 활용하여 해안역 인근의 일 년간의 파랑을 예측함 ㅇ 60km 이상 이격된 해역의 기상정보와 파랑정보를 활용하여 해안가 인접지역의 파랑 자료를 간접적으로 추정할 수 있음 2. 농도 확산 ㅇ 파랑 예측 사례는 단일지점의 자료를 이용하여 추정값을 산출하였다면 금번 사례연구는 공간적 자료를 활용하여 딥러닝 기법의 효율성을 검증함 3. 실해역 적용 ㅇ 연구해역에서 시공간적인 물리 인자를 생성하기 위하여 수치모형을 구동하고 위성관측자료를 활용하여 용존 유기물질, 클로로필-a, 총부유물질, 수중 가시거리에 대한 공간 자료를 생성함 ㅇ CNN 모형을 활용하여 딥러닝 모형을 구축하고 클로로필-a를 추정함 Ⅴ. 결론 및 제언 ㅇ 다양한 분야에 적용되고 있는 딥러닝 기술을 활용하여 연안역에서 플랑크톤 시·공간적 변화를 예측하는 도구를 개발함 ㅇ 개발된 예측모형에 대한 정확도 및 신뢰성을 높이기 위하여 추가적인 연구 및 분석이 필요함 ㅇ 딥러닝 예측 기술의 추가적인 개발은 기존 기술과 함께 시너지 효과를 발생시켜 환경정책계획 수립에 기여할 수 있음 Ⅰ. Aims and Purposes of the Research ㅇ Various development projects in the coastal areas have been carried out, and mitigation methods to reduce their impact on the environment have been under development based on the prediction and evaluation. ㅇ There are many limitations in understanding the impacts of development projects on the marine environment. ㅇ We intend to develop a marine pollution prediction tool by applying data from the Marine Environment Information System (MEIS), satellite data, and physical data calculated from the numerical model to deep learning technology. Ⅱ. Domestic and Foreign Status and Case Analysis ㅇ Deep learning studies applied in the marine field were classified and organized into prediction (including missing value correction) and classification studies. ㅇ Deep learning research conducted in fields other than the marine field is also briefly summarized. Ⅲ. Methods 1. Marine environment data ㅇ Data from the MEIS which provides various data related to the marine environment, marine ecology, marine protected areas, marine environment information map, and marine waste discharge were investigated. ㅇ Satellite data produced through the Communication, Ocean and Meteorological Satellite (COMS) operated since 2010 were reviewed. 2. Numerical model ㅇ Delft3D, widely used in coastal areas, is described as a numerical model that simulates changes in the marine environment such as hydrodynamics, sediment transport, waves, and water quality. 3. Deep learning model ㅇ In regard to deep learning models, only the main models are explained because the models that can be used are different depending on the type of input data. ㅇ We introduced research cases to which deep learning models are applied. Ⅳ. Application and Verification 1. Wave prediction ㅇ As a case study of the application of the deep learning model, the waves for a year near the coastal area were predicted using the deep learning model. ㅇ It is possible to indirectly estimate the wave data adjacent to the coast using the meteorological and wave information from the open sea 60 km away. 2. Diffusion experiment ㅇ In the case of wave prediction, the model predicted waves using data from a single point, but this case study showed that the deep learning model is also effective for spatial data prediction. 3. Application to actual sea areas ㅇ Using a numerical model for the study area, spatial and temporal physical data were generated. In addition, data on dissolved organic matter, chlorophyll-a, total suspended sediment, and visibility were generated from satellite ocean color observations. ㅇ A deep learning model was constructed using the CNN technique and chlorophyll-a was estimated. Ⅴ. Conclusion and Suggestion ㅇ A tool for predicting plankton changes in coastal areas was developed using deep learning technology ㅇ Further research and analysis are required to increase the accuracy and reliability of the developed prediction tool in this study ㅇ Additional development of deep learning prediction tool can contribute to establishing effective environmental policy plans by generating synergies with existing tools

동해 SeaWiFS 클로로필-a 농도의 스펙클 오차 특성

채화정,박경애 한국지구과학회 2009 한국지구과학회지 Vol.30 No.2

Characteristics of speckle errors of Sea-viewing Wide Field-of-view Sensor (SeaWiFS) chlorophyll-a concentration were analyzed, and its causes were investigated by using SeaWiFS data in the East Sea from September 1997 to December 2007. The speckles with anomalously high concentrations were randomly distributed and showed remarkably high bias of greater than 10㎎/㎥, compared with their neighboring pixels. The speckles tended to appear frequently in winter, which might be related to cloud distribution. Ten-year averaged cloudiness of winter was much higher over the southeastern part, with frequent speckles, than the northwestern part of the East Sea. Statistical analysis results showed that the number of the speckles was increased as cloudiness increased. Normalized water-leaving radiance of the speckle pixel was considerably low at the short wavelengths (443, 490, and 510nm), whereas the radiance at 555nm band was normal. These low measurements produced extraordinarily high concentration from the chlorophyll-a estimation formula. This study presented the speckle errors of SeaWiFS chlorophyll-a concentration in the East Sea and suggested that more reliable chlorophyll-a data based on appropriate ocean color remote sensing techniques should be used for the oceanic application researches. 1997년 9월부터 2007년 12월까지 동해의 SeaWiFS 자료를 이용하여 SeaWiFS 클로로필-a 농도가 가지는 스펙클 오차의 특성을 분석하고 그 원인을 조사하였다. 비정상적으로 큰 농도를 가진 스펙클들은 산발적으로 분포하였으며, 주변 화소들과 비교하였을 때 10㎎/㎥ 이상의 현저하게 큰 편차를 보였다. 이 스펙클들은 겨울철에 자주 나타나는 경향이 있었으며, 이는 구름 분포와 관련이 있을 수 있다. 10년 평균된 겨울철 운량은 동해 북서쪽보다 스펙클이 자주 출현하는 남동쪽에서 더 크게 나타났다. 통계적 분석 결과는 운량이 증가할수록 스펙클의 수가 증가하는 것을 보여주었다. 스펙클 화소의 정규화된 수출광량은 단파장 영역(443, 490, 510nm)에서 상당히 낮았으나 555nm 파장대는 정상적이었다. 이러한 낮은 관측치들은 클로로필-a 산출 식에서 비정상적으로 큰 농도를 생산하였다. 본 연구는 동해의 SeaWiFS 클로로필-a 농도자료가 지니는 스펙클 오차에 대한 문제점을 제기하였으며, 적절한 해색 원격탐사 기술을 활용한 좀 더 신뢰도 있는 클로로필-a 자료를 해양 응용 연구에 사용해야 함을 제시하였다.

남강 유역 클로로필-a의 시공간적 특성 및 상관분석

노병재 ( Byeong Jae Ro ),이은소 ( Eun So Lee ),김상민 ( Sang Min Kim ) 한국농공학회 2023 한국농공학회 학술대회초록집 Vol.2023 No.0

클로로필-a 수치는 녹조를 측정하는 방법 중 하나로 최근 계속되는 클로로필-a 수치의 증가로 인해 용존산소량 감소, 수중생물 폐사 악취, 수역의 생태계 파괴 등의 문제들이 발생하고 있다. 본 연구에서는 남강 유역의 수질 측정망 자료와 기상 자료를 이용하여 녹조 발생과 연관이 있는 클로로필-a와 다른 수질 및 기상인자 간의 상관관계를 분석하고 시공간적 변동성을 분석하였다. 상관분석을 위해 남강 유역의 호소 지점에 대한 수온, DO, BOD, COD, SS, TN, TP, TOC, 클로로필-a 등의 수질 자료와 강수량, 평균기온, 평균최저기온, 평균최고기온 등의 기상 자료를 이용하였다. 상관분석 결과 남강 유역 호소 지점의 클로로필-a(㎎/㎥)는 수질 인자 중 TP, TOC와 상관관계가 높았으며 기상 인자는 기온이 강수량보다 상관관계가 높게 나타났다. 계절적으로는 기온이 높은 여름철에 클로로필-a 수치가 비교적 높게 나타났다.

Sentinel-2와 RapidEye 위성의 Red Edge 밴드를 활용한 담수역 클로로필-a 농도 추정

박성욱,이수진,윤예슬,신대윤,박상영,이양원 국토지리학회 2018 국토지리학회지 Vol.52 No.3

Algal bloom around the dammed pools of the major four rivers in Korea is recently considered a serious problem. Chlorophyll-a concentration is usually employed as an index for measuring algal bloom. In this paper, the applicability of highresolution satellite images to estimation of chlorophyll-a concentration was examined for inland water in Korea. Also, performance tests for several remote sensing approaches to estimation of chlorophyll-a concentration were conducted. Analyses of Sentinel-2 and RapidEye images showed that the models using Red Edge band produced favorable results. In particular, the M09 and M12 model with RapidEye outperformed others, showing the correlation coefficients of 0.934 and 0.936, respectively. We expect a new Korean satellite for agriculture and forest having the same sensor specification as RapidEye can greatly contribute to realtime monitoring of algal bloom. 기후변동으로 인한 폭염 및 가뭄과 함께 우리나라 하천의 보를 설치한 곳 주변에 녹조(algal bloom) 현상이 심각하게발생하고 있다. 녹조 분석의 지표로는 주로 클로로필-a 농도가 사용되는데, 본 연구에서는 고해상도 위성영상을 이용하여클로로필-a 농도 추정의 적용가능성을 타진하고, 우리나라 4대강에 대한 사례 분석을 통하여 현존 방법론들의 성능평가를수행하였다. Sentinel-2와 RapidEye 영상을 4종류의 현존 모델에 적용한 결과, 특히 Red Edge 밴드를 활용하는 M09, M12 모델은 RapidEye 영상 사용시 실측치와의 상관계수가 0.934, 0.936으로서 매우 양호한 추정치를 산출하는 것으로 나타났다. 본실험을 통해 우리나라 하천의 클로로필-a 농도 추정에 고해상도 위성영상이 충분히 적용 가능함을 확인하였으며, RapidEye 와 동일한 센서 제원을 가진 농림업 중형위성이 2022년 발사되면, 실시간 녹조 모니터링에도 크게 기여할 수 있을 것을 사료된다.

Landsat ETM+ 영상에서 클로로필a 농도 추정시의 최적밴드 평가

최승필(Choi Seung Pil),박종선(Park Jong Sun) 대한공간정보학회 2006 대한공간정보학회지 Vol.14 No.2

광범위한 지역의 자연환경 정보를 파악하기 위하여 위성 영상자료를 이용하는 것이 적합하지만 선행되어야 할 것은 이러한 위성영상자료를 이용하기 위한 지상에서의 내부 실험과 현장실험을 통한 기초적인 모형식을 만드는 것이 중요하다. 이를 위하여 위성영상자료와 실측수질인자들의 상관관계를 조사하는 것이 보다 정확하고 객관적인 평가 방법이 될 수 있다. 따라서 대기의 영향이 없는 실험실내에서 순수한 담수와 해수를 이용하여 Landsat ETM+ 영상자료의 어느 밴드가 클로로필a 농도파악에 적합한가를 평가하고자 하였다. 그 결과 밴드조합 중 가장 높은 상관관계를 보인 최적밴드는 담수에서 (B3-B4)/B2이고, 해수에서는 (B2+B4)/B3로 이 때의 상관계수가 각각 0.9747, 0.9892이다. 따라서 Landsat ETM+ 영상자료를 이용하여 클로로필a 농도 평가 시 이 밴드를 조합하여 사용하는 것이 유효할 것으로 생각된다. Although it is more recommended to use satellite images for an accurate understanding of the natural environment over a large area, what should proceed obtaining such satellite images is to make basic model equations based firmly upon the on-land experiments and field experiments. It may be more accurate and objective to investigate correlations between satellite images and actual water quality factors obtained for the same area. Thus, this study was conducted in order to determined which band of Landsat ETM+ images is appropriate to estimate the density of chlorophyll-a in a closed laboratory without atmospheric interference, using pure water and sea water. As a result of this study, it was found that the best band that exhibited the highest degree of correlations among the compounded bands rated (B3-B4)/B2 in pure water and (B2+B4)/B3 in sea water. The correlation coefficient here is 0.9747 and 0.9892 respectively. Thus, compounding this band can be quite useful for estimation density of Chlorophyll-a using Landsat ETM+ image data.

무인선 및 GIS를 활용한 하천 내 클로로필-a와 수심의 공간 분석 및 시각화

김은주 ( Eunju Kim ),황태문 ( Tae-mun Hwang ),구재욱 ( Jaewuk Koo ),이새로미 ( Saromi Lee ),남숙현 ( Sookhyun Nam ) 한국수처리학회 2020 한국수처리학회지 Vol.28 No.5

This study is to develop Unmanned surface vehicle (USV) and apply it to rivers to analyze and visualize the space of chlorophyll-a and water depth. The results of the study showed that the chlorophyll-a and the depth of the water in the 2.31×10-¹ ㎢ of the N stream were successful. Data obtained from USV is stored in vast amounts in real time and must be converted and extracted into data that can be utilized through preprocessing programs. In this study, a preprocessing program using the exploratory data analysis (EDA) was implemented and used for converting and extracting data. The chlorophyll-a distribution divided the range based on the domestic water quality environment. As a result, 2.6% of Type Ia (chlorophyll-a 5 mg/㎥ or less), 9.9% of Type Ib (chlorophyll-a 9 mg/㎥ or less), 19.1% of Type II (chlorophyll-a 14 mg/㎥) and 27.9% of Type III (chlorophyll-a 20 mg/㎥ or below) and 27.9% of Type IV (chlorophyll- 35 mg/㎥ or below). Analysis of the water depth distribution showed that 15.8% were below 1m, 14.5% below 2 m, 16.4 percent below 3 m, 34.1% below 4 m, and 19.2% below 5 m. The results of spatial visualization by USV operation were successful. It demonstrated the potential for commercialization of remote monitoring technology development using USV in the future.