1. 서론

우리나라 하천 및 댐저수지는 강우 시 비점오염물질의 유입과 여름철 기온 증가로 인해 매년 여름철 녹조가 발생하고 있다. 여름철 수온의 상승은 조류의 증식을 일으키며 수질을 악화시키고 있으며, 조류의 증식으로 인해 발생하는 녹조 발생은 전 세계적으로도 빈번하게 보고되고 있다(Matthews, 2009; Smetacek and Zingone, 2013; Ye et al., 2011). 녹조가 발생하는 시기나 농도는 기상 조건이나 수체 흐름에 따라 다르기 때문에 현재 우리나라 물환경정보시스템 수질측정망의 점단위 관측만으로는 공간적인 녹조 발생 분석에 한계가 있다. 현재 녹조 모니터링 방식은 채수 이후의 별도의 검경을 통해 간헐적으로 측정하기 때문에, 공간적 녹조 분포 현황을 파악하기에는 한계가 있다(Kim et al., 2022). 이를 보완하기 위해서 위성이나 무인항공 등의 영상을 통한 원격 모니터링 연구가 국내외에서 활발하게 진행되고 있다(Kim et al., 2005; Yan et al., 2022). 위성영상을 활용하여 조류의 공간적 분포를 모니터링하는 사례로 위성영상 기반 클로로필-a와 투명도 분석을 통해 호소 영양상태 분석 연구, 낙동강에 최적화된 녹조탐지 지수를 제시한 연구 등이 있다(Byeon et al, 2021; Kutser et al., 2006; Moses et al., 2009; Yi et al., 1997). 이와 같은 영상 기반의 녹조 모니터링은 실측값과의 비교를 통한 녹조 추정 알고리즘에 대한 정확도가 확보되어야 하지만 면단위 실측값 확보를 위한 시간, 인력 등 어려움이 있다. 특히, 수질측정망에 포함되지 않은 지역이나 포함이 되었더라도 관측 자료가 부족한 지점의 경우에는 알고리즘 정확도 개선에 한계가 있다. 이에, 본 연구에서는 댐저수지와 같은 특정한 장소에서 공간적 관측 자료가 부족한 수체를 대상으로 면단위 센싱기법으로 얻어진 녹조 모니터링 자료를 위성 영상 기반의 빅데이터 자료와의 관계학습을 통해 녹조 발생에 대한 표출기법의 정확도 개선에 활용하고자 하였다. 선박 부착식 면단위 모니터링 장치를 활용하여 녹조 빅데이터를 확보하고, 다중회귀분석, 의사결정트리 및 Artificial Neural Networks (ANN) 기법의 머신러닝 기법을 단계적으로 분석함으로써 위성영상 기반 녹조 추정 기법의 정확도를 개선하고자 하였다. 이와 같은 과정을 통해 광역적인 녹조 발생 관리를 목적으로 위성영상 기반 녹조 추정 정확도 개선과 녹조 발생지도 생성기법 개발을 목표로 연구를 수행하였다.

2. 연구 방법

2.1 연구 대상지

영주댐 저수지는 낙동강의 수질개선, 하류하천의 홍수피해 경감 등을 목적으로 낙동강 제1지류인 내성천 상류에 조성된 다목적댐이다(Fig. 1). 유역면적은 500 km2로 내성천 유역 면적 대비 27.6%를 차지한다 댐의 주요 제원으로는 댐 길이 400 m, 높이 55.5 m이며, 총 저수용량은 181.1 백만m³, 용수공급량 203.3 백만m³/yr이다. 영주댐 상류 약 14.4 km 지점에는 유사조절지(sediment control dam)를 설치하여 댐 내부로 유입되는 유사를 사전에 조절할 수 있도록 계획되었다. 유사조절지의 제원은 연장 288.2 m, 월류부 높이 10 m이다(Kang and Lee, 2015; Lee et al., 2020). 영주댐 유역 최근 5년간(2018-2022년) 평균 년강수량은 1,142 mm이며 2020년에 1,389 mm/yr로 가장 많았으며, 2022년에 941 mm/yr로 가장 작았다. 영주댐 저수지 내 물환경측정망은 2019년 7월부터 4개 지점이 운영되고 있으며, 2019년 7월부터 2022년 12월까지 상층부 클로로필-a 평균값은 댐 앞 지점에서 18.1 mg/m³, 댐 상류 지점은 23.3-39.3 mg/m³, 유사 조절지에서는 3.5 mg/m³로 관측되었다.

2.2 인공위성 Sentinel-2

Sentinel-2 위성은 유럽우주국(European Space Agency, ESA)에서 2015년에 발사된 2A와 2017년에 발사된 2B로 구성된 쌍둥이 위성으로서 정밀한 해상도와 다양한 분광 정보를 제공하고 있다. 두 쌍둥이 위성(Sentinel-2A, Sentinel-2B)이 10일의 재방문 주기를 가지고 임무를 수행하고 있으며, 다중분광 장비(multispectral instrument, MSI)로 가시, 적외채널 등 13개의 밴드를 동시 촬영하고 있다. 무료로 제공되는 다른 광학 위성영상보다 높은 공간 해상도와 다양한 다중분광 밴드를 제공한다(Kim and Lee, 2020; Kim et al., 2020). Sentinel-2 위성의 MSI센서는 채널에 따라 10 m에서 60 m에 이르는 다양한 고해상도 이미지를 제공하며, 가시광선(visible, VIS), 근적외(nearinfrared) 및 단파적외(short-wave infrared) 파장 영역까지 13개의 파장 영역의 영상을 제공한다. 채널 및 파장에 따른 공간 해상도는 Table 1과 같다.

2.3 녹조 면단위 모니터링

그간 녹조 모니터링은 점단위 측정으로 공간적 녹조 발생을 파악하는 데 한계가 있으며 위성영상 녹조 추정 정확도 개선을 위한 데이터 확보에도 어려움이 있었다. 이에, 본 연구에서는 선박 부착식 장비를 활용한 수체접촉식(in-situ) 센싱 기법으로 저수지 표층의 면단위 모니터링을 수행하였다. 센서 기반 측정장비는 수중형 연속조류측정기로 450, 525, 570, 590, 610 nm의 5개 독립 파장으로 스펙트럼 형광측정을 통해 녹조류, 규조류, 남조류 및 기타조류 등 조류강별로 클로로필-a 농도 관측이 가능한 장비이다(Table 2). 본 장비를 선박 부착형 장치를 제작하여 위성영상이 영주댐을 관측하는 시기에 맞추어 모니터링을 수행하였다. 센서기반 측정장비는 선박의 측면에 부착하였으며, 장비에서 측정하는 수심을 확인하여 센서 위치가 수표면에서 약 50 cm에 위치하도록 고정하였다. 선박 이동 물보라 발생이 최소화하기 위하여 선박 속도를 약 2 knot 이하로 이동하였다.

수체접촉식 공간적 모니터링 범위는 영주댐 저수지와 유사 조절지이며 영주댐 저수지의 경우에는 댐 앞에서부터 상류까지 약 10 km 구간, 유사조절지의 경우에는 상류 두월교 지점까지 약 3 km 구간으로 설정하였다. 또한, 영주댐 저수지 5개 지점과 유사조절지 2개 지점을 대상으로 점단위 조사를 수행하여 센싱값과 비교하여 면단위 모니터링 센싱 값의 정확도를 평가한 후에 결과를 활용하였다. 점단위 측정지점에서의 센서값과 실험값 비교하여 Table 3과 Fig. 2에 나타내었다. 8월에 농도가 200 mg/m³ 이상으로 고농도로 녹조가 발생한 시기에는 관측값과 차이가 있었으나, 전반적으로 센싱 결과가 활용가능한 것으로 판단되었다. 모니터링 기간은 2020년 2-9월 중에서 위성이 영주댐 저수지를 관측하는 날짜에 총 9회 수행하였으며 구름 등 날씨를 고려하여 위성영상 활용이 가능한 날짜를 분석한 결과, 2월에 1회(2020년 2월 19일), 8월에 2회(2020년 8월 20일, 8월 25일), 9월에 1회(2020년 9월 14일)로 총 4회 녹조 공간적 모니터링 자료를 확보하였다. 이때, GPS로 위경도 자료를 동시에 측정함으로써 위성영상 밴드값과 매칭하는 데 활용하였다.

2.4 머신러닝 기법

위성영상을 활용한 클로로필-a 농도 추정 알고리즘 정확도를 개선하기 위해 수체접촉식 면단위 녹조 모니터링을 통해 확보한 관측값으로 다중회귀, 의사결정트리, ANN 기법을 단계적으로 적용하였다. 종속변수는 클로로필-a 농도로 설정하고 독립변수는 Sentinel-2 위성영상 13개 밴드별 반사도값, 기온 및 운량 값을 활용하여 데이터세트를 구성하였으며 각 기법에 동일하게 적용하였다. 다중회귀분석(multiple linear regression analysis)은 변수 간의 인과관계를 통계적 방법에 의해 추정하는 회귀분석의 일종으로, 독립변수가 2개 이상인 회귀 모델을 다중회귀분석이라고 한다. 다중회귀분석의 기본적인 목적은 다중회귀식을 도출하고 독립변수의 계수와 식의 상수를 구하는 것이다. 의사결정트리(decision tree classifier)는 일련의 분류 규칙을 통해 데이터를 분류, 회귀하는 지도 학습 모델 중 하나이며, 결과 모델이 나무 구조를 가지고 있다. 의사결정의 규칙을 통해 독립변수를 분류한 후 하향식 나무 구조로 도표화하여 결과를 예측하는 방법으로, 하나의 나무의 형태로 구성되어 있으며, 나무의 각 마디를 노드라고 한다. 인공신경망 기법은 1940년대 초 캐나다의 신경학자에 의해 최초 개발된 기법으로 인간의 뉴런 구조를 본떠 만든 기계학습 모델로, 인간의 두뇌를 구성하고 있는 기본단위인 뉴런(neuron)의 인식 과정을 수학적 모형으로 일반화시키기 위해 개발된 알고리즘이다(McCulloch and Pitts, 1943; Kim et al, 2021). ANN, 특히 본 연구에서 사용된 Multi-Layer Perceptron (MLP)의 구성은 기본적으로 입력층, 은닉층(hidden layer), 출력층의 3가지 단계로 이루어지며, 은닉층의 경우에는 데이터학습의 효율 및 정확성을 높이기 위하여 여러 개로 구성할 수도 있다. 우선 입력층에는 학습에 필요한 입력변수의 수만큼의 프로세스 요소(process element/node)들로 구성이 되며, 출력층의 경우에는 예측하고자 하는 출력변수의 수와 동일한 요소로 구성된다. 은닉층의 경우에는 특별한 규칙이 없기 때문에, 본 연구에서는 3개의 은닉층을 기반으로 각 층에서 3-5개의 프로세스 요소들로 구성된 ANN을 구성하여 가장 학습이 좋은 모델을 최종적으로 선택하였다. 학습을 위해서 알고리즘의 디폴트값(epoch: 5000, 학습률: 0.1, 모멘텀: 0.01, 에러개선: 오류역 전파[back propagation] 방식)들을 사용하였고, 학습의 과적합(over-fitting)을 최소화하기 위하여 epoch 3,000 이상에서 적합도(fitness)의 개선이 없는 경우, 조기종료(early termination)를 통하여 학습을 중지하도록 하였다.

3. 결과

3.1 면단위 녹조 모니터링 결과

2020년 2월부터 9월까지 기간 동안 면단위 녹조 모니터링 결과, 2월에는 표층의 95% 이상이 규조류가 우점하는 것으로 나타났으며 댐으로부터 약 7 km 상류의 동호교부터 약 10 km 상류의 평은리교 지점 구간에 클로로필-a 농도가 월등히 높은 것으로 관측되었다. 6월에는 댐 앞에 비해 유사조절지를 포함하여 상류로 갈수록 클로로필-a 농도가 증가하는 패턴을 보였으며 7월 초에는 6월에 발생한 강우의 영향으로 녹조가 다소 소멸한 것으로 관측되었다. 이후 댐 상류부터 남조류가 우점하기 시작하였으며 댐 앞에는 녹조류의 클로로필-a 농도 높게 관측되었다. 8월 중순에는 호내 클로로필-a 범위가 40-60 mg/m³였으며, 65% 이상이 남조류로 관측되었다. 이후 8월 말에는 30-150 mg/m³로 증가하였으며 70% 이상이 남조류로 관측되어 남조류 비율이 증가하였다. 시기별 수체접촉식 면단위 녹조 모니터링 결과는 위경도 좌표와 관측값을 Surfer 프로그램을 활용하여 보간하여 시각화하여 나타내었다(Fig. 3).

3.2 위성영상 녹조추정 알고리즘 분석 결과

2020년 2월부터 9월까지 현장 모니터링 일자 중에서 구름 등 날씨를 고려하여 녹조추정 알고리즘 개발에 필요한 영상활용 일자를 선정하였다. 위성영상 활용 가능한 날짜는 2월에 1회, 8월에 2회, 9월에 1회로 총 4회를 선정하였으며 각 날짜에 운량과 기온을 영주지점 일평균 자료로 조사하였으며, 머신러닝 분석에 활용한 날짜의 클로로필-a 평균 농도와 최대값을 나타내었다(Table 4). 머신러닝 분석에 활용된 위성영상 주요 밴드별 반사도 값의 경우 일자별 평균값을 분석한 결과, 밴드2의 평균 범위는 0.0162-0.1156, 밴드3의 평균 범위는 0.0202-0.1292, 밴드3의 범위는 0.0120-0.1222로 나타났다. 현장 면단위 녹조 모니터링과 동시에 GPS로 위경도를 조사하고 위경도값을 기준으로 위성영상 13개 밴드값과 조류강별 클로로필-a 관측값을 매칭하여 녹조추정 알고리즘 분석을 위한 데이터세트를 구성하였다. 이때, 동일 위경도의 관측값은 평균값으로 산정하여 활용하였으며 2월에 2,600개, 8월에 4,691개, 9월에 14개로 총 분석 데이터 수는 7,305개이다. 데이터세트 구성은 전체 데이터를 클로로필-a 농도를 기준으로 오름차순으로 정렬한 후에 홀수번째 데이터는 학습세트(training set)로, 짝수번째 데이터는 검증세트(testing set)로 활용하였다.

3.2.1. 다중회귀분석 결과

위성영상과 면단위 녹조 모니터링 결과로 구성한 데이터세트를 활용하여 다중회귀분석을 수행한 결과, 학습 데이터세트에서 총 클로로필-a에서 R² 0.28, root mean squared error (RMSE) 17.6 mg/m³로 분석되었다. 면단위 모니터링 결과에서 조류강별로 표출되는 클로로필-a을 대상으로 다중회귀분석한 결과에서는 남조류의 경우 R² 0.63, RMSE 11.8 mg/m³로 분석되었고, 규조류의 경우에는 R² 0.60, RMSE 10.9 mg/m³로 분석되었다. 검증 데이터세트로 다중회귀분석 결과를 분석한 결과, 총 클로로필-a에서 R² 0.27, RMSE 17.6 mg/m³, 남조류의 경우 R²와 RMSE 각각 0.64, 11.6 mg/m³, 규조류의 경우 0.59, 10.9 mg/m³로 학습 데이터세트 결과와 유사하였다. 위성영상을 활용하여 녹조를 추정하는 알고리즘 개발 시 다중회귀분석 결과, 다소 정확도가 낮게 나타났으며 특히, 조류강별 결과에 비해 총 클로로필-a 농도 예측 시 정확도가 가장 낮은 것으로 분석되었다. 또한, 분석한 다중회귀식으로 클로로필-a 농도를 산정한 값이 관측값에 비해 다소 낮게 산정되는 것으로 나타났다(Fig. 4).

3.2.2 의사결정트리 분석 결과

다중회귀분석 결과보다 정확도 높은 알고리즘 개발을 위하여 분류에 따른 의사결정트리 기법으로 회귀식을 도출하였다. 학습 데이터세트에서 총 클로로필-a에서 R² 0.44, RMSE 15.6 mg/m³로 분석되었다. 면단위 모니터링 결과에서 조류강별로 표출되는 클로로필-a을 대상으로 의사결정트리 기법을 적용한 결과에서는 남조류의 경우 R² 0.62, RMSE 11.9 mg/m³로 분석되었고, 규조류의 경우에는 R² 0.78, RMSE 8.1 mg/m³로 분석되었다. 검증 데이터세트로 의사결정트리 기법 알고리즘을 적용한 결과, 총 클로로필-a에서 R² 0.43, RMSE 15.6 mg/m³로 학습 데이터세트 결과와 유사하게 나타났으며, 남조류와 규조류의 경우 R²와 RMSE 각각 0.62, 11.8 mg/m³ 및 0.77, 8.2 mg/m³로 검증 데이터세트 결과 기준으로 총 클로로필-a 농도의 경우 R²값은 59.3%, 남조류는 3.1%, 규조류는 30.5% 정확도 개선된 것으로 분석되었으며, RMSE 값은 각각 11.4%, 1.7%, 24.8% 개선된 것으로 분석되었다(Fig. 5).

3.2.3 인공신경망 분석 결과

다중회귀분석 및 의사결정트리 기법보다 알고리즘 정확도를 개선하기 위하여 ANN을 적용하였다. 다중회귀분석, 의사결정트리 기법에 사용한 동일한 데이터세트를 활용하여 분석을 수행하였으며, MLP 분석기법 적용하였다. 은닉층 개수, 활성화 함수를 변경하여 적용한 결과, 최종 3개 은닉층, tanh 활성화 함수를 적용한 결과가 정확도가 높게 나타났으며 학습 데이터세트에서 총 클로로필-a의 R² 0.74, RMSE 10.6 mg/m³로 분석되었다. 면단위 모니터링 결과에서 조류강별로 표출되는 클로로필-a를 대상으로 인공신경망 기법을 적용한 결과에서는 남조류의 경우 R² 0.84, RMSE 7.8 mg/m³로 분석되었고, 규조류의 경우에는 R² 0.92, RMSE 4.8 mg/m³로 분석되었다(Fig. 6). 검증 데이터세트로 인공신경망 기법 알고리즘을 적용한 결과, 총 클로로필-a에서 R² 0.69, RMSE 11.5 mg/m³로 학습 데이터세트 결과와 유사하게 나타났으며, 남조류와 규조류의 경우 R²와 RMSE 각각 0.82, 8.1 mg/m³ 및 0.90, 5.5 mg/m³로 검증 데이터세트 결과 기준으로 다중회귀분석 결과보다 총 클로로필-a 농도의 경우 R²값은 155.6%, 남조류는 28.1%, 규조류는 52.5% 정확도 개선된 것으로 분석되었으며, RMSE 값은 각각 34.7%, 30.0%, 49.5% 개선된 것으로 분석되었다. 그리고 의사결정트리 기법을 적용한 결과보다 총 클로로필-a 농도의 경우 R² 값은 60.5%, 남조류는 32.6%, 규조류는 16.9% 정확도 개선된 것으로 분석되었으며, RMSE 값은 각각 26.3%, 31.2%, 32.9% 개선된 것으로 분석되었다(Table 5). 인공신경망 적용 결과, 다중회귀분석과 의사결정트리 기법에 비해 고농도에서 관측값보다 위성영상 기반의 클로로필-a 추정 농도가 과소평가되는 문제가 개선되는 것을 확인할 수 있었다. 2020년 2월 면단위 녹조 모니터링 결과를 시각화하여 관측값과 위성영상 기반으로 알고리즘별 추정값을 비교한 결과를 나타내었으며, 구름 등으로 위성영상 밴드값 확보가 되지 않은 지점에 대해서는 회색으로 표시하였다(Fig. 7). Sentinel-2 밴드별로 해상도가 다르나 위경도 좌표에 따른 위성영상의 밴드의 반사도값을 추출하였기 때문에 활용 가능하였다.

4. 결론 및 토의

본 연구는 신규댐인 영주댐 저수지와 상류의 유사조절지를 대상으로 위성영상 기반의 녹조 모니터링 정확도 개선을 위하여 센서기반의 면단위 모니터링 자료를 데이터 기반의 분석 방법인 다중회귀, 의사결정트리, 인공신경망 알고리즘들을 적용하여 클로로필-a 표출의 정확도를 비교 평가하였다. 분석에 활용한 위성영상은 Sentinel-2 위성으로 연구 대상지인 영주댐 저수지 및 유사조절지를 5일 간격으로 촬영하고 있으며 클로로필-a 추정 알고리즘 정확도를 개선함으로써 미관측 지역의 녹조 모니터링에 활용하고자 하였다. 이를 위하여 기존의 점단위 녹조 모니터링 방식을 개선하여 수중형 연속 조류측정장비를 선박에 부착하여 면단위 센싱을 통해 총 조류, 남조류, 규조류 등 조류강별 클로로필-a 농도를 모니터링하여 빅데이터 분석을 위한 자료를 수집하였다. 이때, 현장 모니터링은 위성영상이 촬영하는 날짜와 시간을 고려하여 수행하였다. 2020년 2월부터 9월 기간 동안 9회 면단위 모니터링을 수행하였으며, 7월까지는 유사조절지와 저수지 상류에 클로로필-a 농도가 높다가 8월부터는 하류로 내려와 댐 앞 지점의 농도가 증가하기 시작하였다. 모니터링 시기의 위성영상 활용 가능성을 검토한 결과, 2월에 1회, 8월에 2회, 9월에 1회로 총 4회를 선정하여 클로로필-a 농도 추정 알고리즘 적용에 활용하였다. 다중회귀분석 결과, R²와 RMSE 값이 정확도가 다소 낮게 나타났으며 특히, 조류강별 결과에 비해 총 클로로필-a 농도 예측 시 정확도가 낮은 것으로 분석되었으며 관측값에 비해 다소 낮게 나타났다. 의사결정트리 기법을 적용한 결과를 보면, 검증 데이터세트 결과 기준으로 다중회귀분석 결과보다 총 클로로필-a 농도의 경우 R² 값은 59.3%, 남조류는 3.1%, 규조류는 30.5% 정확도 개선된 것으로 분석되었으며, RMSE 값은 각각 11.4%, 1.7%, 24.8% 개선된 것으로 분석되었다. 그리고 인공신경망 기법을 적용한 결과 다중회귀분석 결과보다 총 클로로필-a 농도의 경우 R²값은 155.6%, 남조류는 28.1%, 규조류는 52.5% 정확도 개선된 것으로 분석되었으며, RMSE 값은 각각 34.7%, 30.0%, 49.5% 개선된 것으로 분석되었다. 의사결정트리 기법을 적용한 결과보다 총 클로로필-a 농도의 경우 R²값은 60.5%, 남조류는 32.6%, 규조류는 16.9% 정확도 개선된 것으로 분석되었으며, RMSE값은 각각 26.3%, 31.2%, 32.9% 개선된 것으로 분석되었다. 인공신경망 적용 결과, 다중회귀분석과 의사결정트리 기법에 비해 고농도에서 관측값보다 위성영상 기반의 클로로필-a 추정 농도가 과소평가되는 문제가 개선되는 것을 확인할 수 있었다. 본 연구를 통해 신규댐과 같이 관측 자료가 부족한 경우에 면단위 녹조 모니터링을 통해 공간적 녹조 발생을 신속하게 모니터링할 수 있고 관측한 자료를 기반으로 위성영상 기반의 클로로필-a 농도 추정 알고리즘 개발에 활용할 수 있었다. 분석 결과, 인공신경망 기법이 정확도가 가장 높은 것을 알 수 있었으며 다중회귀분석에 비해 RMSE 기준으로 34.7% 개선된 것을 확인할 수 있었다. 향후 세포 수 분석을 통해 위성영상 기반의 조류강별 클로로필-a 농도 및 세포 수 추정 알고리즘 개발 연구를 통해 광역적인 녹조 발생 모니터링과 녹조관리 의사결정에 활용할 수 있을 것으로 판단된다.

Notes

Conflict of Interest

On behalf of all authors, the corresponding author states that there is no conflict of interest.

Funding Information

This work was supported by the K-water Institute grant funded by the Korea Water Resources Corporation (K-water) 021-WRRR-67-127.

Data Availability Statement

The data that support the findings of this study are available on request from the corresponding author. The data are not publicly available due to privacy or ethical restrictions.

Fig. 1.

Study site and monitoring range.

Fig. 2.

Chlorophyll-a (Chl-a) variations of laboratory and in-situ sensing.

Fig. 3.

Spatial algal monitoring results of Youngju dam reservoir in 2020. (A) 2020.02.19. (B) 2020.08.20. (C) 2020.08.25. (D) 2020.09.01.

Fig. 4.

The results of multiple regression analysis for total chlorophyll-a (Chl-a). (A) Training result. (B) Testing result.

Fig. 5.

The results of decision tress analysis for total chlorophyll-a (Chl-a). (A) Training result. (B) Testing result.

Fig. 6.

The results of decision tress analysis for total chlorophyll-a (Chl-a). (A) Training result. (B) Testing result.

Fig. 7.

Spatial algal monitoring results of Youngju dam reservoir in February 2020. (A) In-situ spatial observed chlorophyll-a. (B) Multiple regression. (C) Decision tree. (D) Artificial Neural Networks.

References

• Byeon Y, Seo M, Jin D, et al (2021) Green algae detection in the middle·downstream of Nakdong river using high-resolution satellite data. Korean J Remote Sens 37(3):493–502
• Kang KH, Lee WS (2015) Introduction for eco-friendly project of Yeongju multi-purpose dam. Water for Future 48(9):72–77
• Kim DS, Lee YW (2020) Detection of landslide-damaged areas using Sentinel-2 image and ISODATA. J of the Korean Assoc of Geogr Inf Stud 23(4):253–265
• Kim J, Gwon Y, Park Y, et al (2022) A study on the analysis of current status of Seonakdong River algae using hyperspectral imaging. J Korea Water Resour Assoc 55(4):301–308
• Kim KS, Moon GS, Chong YJ (2020) Analysis on the changes of remote sensing indices on each land cover before and after heavy rainfall using multi-temporal Sentinel-2 satellite imagery and daily precipitation data. J of the Korean Assoc of Geogr Inf Stud 23(2):70–82
• Kim SH, Lee GS, Ma JL, Kook MJ (2005) Current status of hyperspectral remote sensing: principle, data processing techniques, and application. Korean J Remote Sens 21(4):341–369
• Kim SH, Kim B (2021) Prediction of cyanobacteria harmful algal blooms in reservoir using machine learning and deep learning. J Korea Water Resour Assoc 54(S-1):1167–1181
• Kutser T, Metsamaa N, Strombeck N, Vahtmae E (2006) Monitoring cyanobacterial blooms by satellite remote sensing. Estuar Coast Shelf Sci 67(1-2):303–312Article
• Lee S, Park JR, Hwang TM, Ahn CH (2020) Analysis of water quality characteristics according to short-term fluctuation of water level in the new dam: focused on the upstream watershed of Yeongju multipurpose dam. J Korean Soc Water Environ 36(5):431–444
• Matthews MW (2009) Remote Sensing of Water Quality Parameters in Zeekoevlei, a Hypertrophic, CyanobacteriaDominated Lake. Ph.D. Thesis, University of Cape Town, 161p
• McCulloch WS, Pitts W (1943) A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys 5(4):115–133ArticlePDF
• Moses WJ, Gitelson AA, Berdnikov S, Povazhnyy V (2009) Satellite estimation of chlorophyll-a concentration using the red and NIR bands of MERIS-The Azov Sea case study. IEEE Geosci Remote Sens Lett 6(4):845–849Article
• Smetacek V, Zingone A (2013) Green and golden seaweed tides on the rise. Nature 504:84–88ArticlePubMedPDF
• Yan K, Li J, Zhao H, et al (2022) Deep learning-based automatic extraction of cyanobacterial blooms from Sentinel-2 MSI satellite data. Remote Sens 14(19):4763Article
• Ye NH, Zhang XW, Mao YZ, et al (2011) ‘Green tides’ are overwhelming the coastline of our blue planet: taking the world’s largest example. Ecol Res 26:477–485Article
• Yi GH, Jeon HS, Kim TG, Cho GS (1997) The interpretation of chlorophyll a and transparency in a lake using LANDSAT TM imagery. Korean J Remote Sens 13(1):47–56

Appendix

Figure & Data

References

Citations

Citations to this article as recorded by