2.1 Study Area and Sentinel-1 SAR Data

본 연구는 북한 황강댐의 수문학적 변화와 잠재적 방류 위험성을 정량적으로 파악하기 위해, 위성 기반 시계열 분석과 기계학습 예측 모형을 결합한 혼합 방법론(hybrid analytical framework)을 적용하였다. 분석에 활용한 자료는 2014년 10월부터 2025년 11월까지 북한 황강댐 인근 동일 지점을 반복 관측한 Sentinel-1 합성개구레이더(Synthetic Aperture Radar, SAR) VV(dB) 시계열 자료이다. 해당 기간 동안 월 2–3회 이상의 반복 관측이 이루어졌으며, 총 807개의 관측치를 확보하였다. SAR 관측의 경우, 거울 반사(specular reflection)로 인해 일반적으로 낮은 후방산란 강도(backscatter intensity)를 보이며, 수면 면적 확장(저수 증가/범람)은 VV(dB)의 하락 신호로 나타난다^{(Amitrano et al., 2014; Demissie et al., 2023; Martinis et al., 2018)}.

위성자료는 Google Earth Engine (GEE)을 통해 수집되었으며, 황강댐 본체의 위치를 중심으로 반경 20 km의 원형 완충구역을 분석 영역(Region of Interest, ROI)으로 설정하였다. 이와 같은 ROI 설정은 댐 저수지의 공간적 확장 범위뿐만 아니라, 방류 또는 수위 상승 시 영향을 받을 가능성이 있는 상류⋅인접 수역을 포괄적으로 반영하기 위한 것이다. SAR은 스펙클 및 관측 기하 변화에 따른 변동성이 존재하므로, 단일 픽셀 대신 일정 규모 ROI 내 공간 평균을 사용해 신호 안정성을 확보하는 접근이 널리 활용된다^{(Schmitt, 2020; Shen et al., 2022)}. 또한 단일 픽셀이나 댐 본체 인근 소규모 영역에 국한할 경우 SAR 자료 특유의 스펙클 노이즈와 관측 오차의 영향이 과도하게 반영될 수 있으므로, 일정 규모 이상의 공간 평균을 통해 신호 안정성을 확보하고자 하였다. 이에 따라 ROI 내 Sentinel-1 SAR VV(dB) 값의 공간 평균을 산출하여 단일 시계열 자료로 구축하였으며, 이를 황강댐 인근 수문 환경 변화를 대표하는 지표로 활용하였다. Fig. 1은 본 연구의 분석 대상인 황강댐의 위치와 공간적 분석 범위를 시각적으로 제시한다. 이는 고해상도 위성영상을 통해 확인한 황강댐과 저수지 전경을 보여주며, 붉은 점으로 표시된 부분이 황강댐이 위치한 지점이다.

수집된 SAR 시계열은 위성 자료 특유의 스펙클 노이즈(speckle noise)와 관측 간 변동성이 크다는 점을 고려하여 단계적인 전처리 과정을 거쳤다. 먼저 관측 날짜를 기준으로 시계열을 정렬하고, 결측값 및 비정상치를 제거하였다. 이후 단기적 잡음을 완화하고 시간 규모별 변동 특성을 구분하기 위해 7일, 14일, 30일 이동평균(moving average)을 적용하여 단기 노이즈, 중기 변동, 장기 패턴을 분리하였다. 또한, 시계열의 구조적 특성을 보다 명확히 파악하기 위해 STL 분해(Seasonal-Trend decomposition using Loess)를 수행하여, 전체 VV(dB) 시계열을 추세(trend), 계절성(seasonal), 잔차(remainder) 성분으로 분해하였다. STL은 추세⋅계절⋅잔차를 분해해 반복 패턴과 비정상 변동을 분리하는 기법이며^{(Cleveland et al., 1990; Schmidl et al., 2022)}, 잔차 기반 이상탐지는 장기 이상탐지에서 활용된다^{(Vallis et al., 2014; Wen et al., 2019)}.

Fig. 1. Analysis region of interest (Hwanggang Dam)

2.2 Forecasting Models

본 연구는 수문 변화 가능성을 예측하기 위해 서로 다른 구조적 가정을 지닌 세 가지 예측 모형을 적용하였다. 먼저 Prophet 모형은 추세와 계절성을 가법 구조로 분해하여 추정하는 시계열 모형으로^{(Taylor and Letham, 2018)}, 강한 연간 계절성을 보이는 위성 기반 수문 데이터에 적합하다. 이 모형은 예측값과 함께 불확실성 구간을 제공함으로써 홍수 및 방류 위험의 확률적 범위까지 제시할 수 있다는 장점을 지닌다. 다음으로 ARIMA 모형은 자기회귀 및 이동평균 구조에 기반한 전통적 시계열 모형으로^{(Box et al., 2016)}, 단기 예측 성능과 안정적인 기준선 제시에 강점을 가진다. 마지막으로 XGBoost 회귀 모형은 비선형 관계를 효과적으로 포착하고 단기적 급변(shock)에 민감하게 반응하는 머신러닝 기법으로^{(Chen and Guestrin, 2016)}, 시계열 지연 변수와 계절적 파생 변수를 활용하여 급격한 수위 변화 탐지에 강점을 가진다.

단일 모형에 대한 의존을 줄이고 예측 결과의 신뢰성을 확보하기 위해, 본 연구는 세 가지 모형의 예측값을 평균 결합한 앙상블 예측(ensemble forecasting)을 수행하였다. Prophet은 계절적 패턴을, XGBoost는 비선형 단기 변동을, ARIMA는 전통적 패턴과 안정적인 기준선을 각각 반영하므로, 이들을 결합한 앙상블 결과는 단일 모형 대비 변동성이 완화되고 장기 예측에서 수면 면적 증가 가능성을 보다 안정적으로 파악할 수 있다. 이러한 다중 모형 결합(특히 단순 평균)은 모델 불확실성을 완화해 예측 성능과 견고성을 개선할 수 있으며^{(Ajami et al., 2006; Dion et al., 2021)}, 앙상블의 유용성은 반복적으로 보고된다^{(Willard and Varadharajan, 2025)}. 예측 성능 평가는 전체 주간 시계열의 마지막 20%를 temporal hold-out test set으로 분리하여 수행하였으며, 모델별 성능은 MAE, RMSE, sMAPE로 비교하였다. 본 연구에서는 VV(dB) 값이 음의 값을 포함할 수 있다는 점을 고려하여 전통적 MAPE 대신 sMAPE를 사용하였다.

Fig. 2. Exploratory analysis of time-series patterns using a 30-day moving average

3.1 Findings

본 절에서는 Sentinel-1 SAR VV(dB) 시계열 자료를 이용한 황강댐 인근 수문 환경의 변화 양상을 분석하고, 예측 모형 및 앙상블 결과를 통해 잠재적 방류 위험의 시간적 패턴을 논의한다. 분석은 (1) 시계열의 기초적 탐색, (2) Prophet 기반 예측 및 구성요소 분해, (3) 하이브리드 앙상블 예측 결과의 해석 순으로 진행된다. Fig. 2는 2014년 10월부터 2025년까지 관측된 Sentinel-1 SAR VV(dB) 시계열에 30일 이동평균을 적용하여 장기적 추세와 계절적 변동을 시각화한 결과를 나타낸다. 원자료(raw data)는 SAR 자료의 특성상 단기 변동성과 잡음이 매우 크기 때문에, 개별 관측값만으로는 구조적 패턴을 식별하기 어렵다. 이에 따라 30일 이동평균선을 함께 제시함으로써 데이터의 장기적 변화와 반복적 변동 구조를 파악할 수 있다.

분석 결과, 이동평균선은 전체 관측 기간 동안 뚜렷한 연간 주기성(annual seasonality)이 존재함을 보여준다. 매년 특정 시기에는 VV(dB) 값이 상승한 이후 다시 하락하는 패턴이 반복적으로 나타나며, 이는 계절적 요인이 레이다 후방산란 신호에 체계적으로 반영되고 있음을 시사한다. 특히 여름철에는 상대적으로 높은 VV(dB) 값이, 겨울철에는 낮은 값이 관측되는 경향이 두드러지는데, 이는 식생 성장, 토양 수분, 수면 및 지표 상태 변화와 같은 환경적 요인이 복합적으로 작용한 결과로 해석할 수 있다.

또한 이동평균선은 장기적 추세 변화(long-term trend shift) 역시 내포하고 있음을 보여준다. 관측 초기에는 연간 변동폭이 비교적 크게 나타나지만, 2020년 이후에는 변동 진폭이 점차 완만해지는 양상이 관찰된다. 이러한 변화는 지표 환경의 구조적 변화, 관측 조건의 안정화, 또는 SAR 신호에 영향을 미치는 외생적 요인의 변화를 반영할 가능성을 시사한다. 이는 이후 적용되는 예측 모형에서 단순한 계절성뿐만 아니라 장기 추세 항을 함께 고려해야 함을 뒷받침하는 결과라고 할 수 있다.

Fig. 3은 Prophet 모형을 활용하여 황강댐 인근 수문 변화의 지표로 사용된 VV(dB) 시계열을 예측한 결과를 제시한다. 그림에서 검은 점은 관측값을, 파란색 실선은 예측값을, 연한 파란색 음영은 95% 예측 구간을 의미한다. 분석 결과, Prophet 모형은 앞선 이동평균 분석에서 확인된 연간 계절성을 효과적으로 포착하고 있으며, 실제 관측값의 변동 패턴과 높은 수준의 일치도를 보인다.

특히 매년 반복되는 여름철 VV(dB) 증가와 겨울철 감소 경향이 예측 결과에서도 동일하게 재현되어, VV(dB) 시계열의 계절적 구조가 비교적 안정적임을 확인할 수 있다. 또한 전체 예측 구간에 걸쳐 불확실성 범위가 과도하게 확장되지 않고 비교적 좁게 유지된다는 점은, Prophet 모형이 장기 추세와 계절성을 안정적으로 학습했음을 시사한다. SAR 기반 자료의 높은 단기 변동성을 고려할 때, 이러한 결과는 가법 구조를 활용한 Prophet 모형의 적합성을 뒷받침한다.

관측값과 예측값 간의 차이는 대부분 예측 구간 내에 포함되며, 뚜렷한 구조적 단절(structural break)은 확인되지 않는다. 이는 연구 기간 동안 황강댐 인근 수문 환경의 변화가 급격한 체제 전환보다는, 계절적 요인과 점진적 추세 변화에 의해 설명될 가능성이 높다는 점을 시사한다. 다시 말해, 댐 운영이나 기후 조건에 급격한 외생적 변화가 없다면, VV(dB) 변동 패턴은 향후에도 유사한 계절적 구조를 유지할 가능성이 크다.

Fig. 4는 Prophet 모형을 통해 추정된 시계열 구성요소를 장기 추세(trend), 요일 효과(weekly seasonality), 연중 계절성(yearly seasonality)으로 분해하여 제시한다. 이 분석은 VV(dB) 시계열이 내재적으로 어떠한 구조적 패턴을 갖는지를 이해하고, 예측 결과의 해석 근거를 제공한다는 점에서 중요하다. 먼저 장기 추세를 보면, 2015년 이후 VV(dB) 값은 완만한 하락세를 보이다가 2019–2020년을 전후로 최저점을 기록한 후 다시 상승 국면으로 전환되는 양상을 나타낸다. 이는 시계열이 단순한 선형 추세가 아니라, 외부 충격이나 구조적 요인 변화에 반응하는 비선형적 패턴을 내포하고 있음을 의미한다. 특히 2020년 전후의 국면 전환은 제재 강화, 국경 봉쇄, 기후 조건 변화 등 외생적 요인과 연관된 구조적 조정 과정의 가능성을 시사한다.

요일 효과에서는 VV(dB) 값이 주중 특정 요일에 체계적으로 낮아졌다가 다시 상승하는 반복적 패턴이 관찰된다. 이러한 주간 주기성은 물리적 수문 현상 자체라기보다는 위성 관측 주기, 자료 처리 구조, 또는 반복적 관측 리듬이 반영된 결과일 가능성이 크다. 그럼에도 불구하고 해당 패턴이 일관되게 나타난다는 점은 시계열이 무작위적 노이즈가 아니라, 체계적 구조를 지닌 데이터임을 보여준다.

연중 계절성은 가장 뚜렷한 패턴을 나타내며, 연초에는 낮은 VV(dB) 값이 관측된 후 봄부터 점진적으로 상승하여 여름철에 최고값을 기록하고, 이후 가을과 겨울로 갈수록 다시 감소하는 형태를 보인다. 이러한 패턴은 기후 조건, 수분 환경, 지표 상태 변화 등 계절적 요인이 VV(dB) 변동에 강하게 작용하고 있음을 시사하며, 앞선 이동평균 및 예측 결과와도 일관된 해석을 제공한다.

Fig. 5는 VV(dB) 시계열의 미래 변화를 예측하기 위해 Prophet, XGBoost, ARIMA 모형을 결합한 하이브리드 앙상블 예측 결과를 제시한다. 각 모형은 서로 다른 통계적⋅수학적 구조를 지니고 있어, 개별적으로는 특정 패턴을 과대 또는 과소 추정하는 한계가 존재한다. Prophet은 장기 추세와 계절성을 안정적으로 포착하는 데 강점이 있는 반면, XGBoost는 비선형성과 단기적 충격에 민감하게 반응하며, ARIMA는 평균 회귀 특성을 통해 안정적인 기준선을 제공한다.

개별 예측 결과를 비교하면, Prophet 예측은 계절성과 장기 추세를 반영한 매끄러운 경로를 보이며, XGBoost는 단기 변동성을 강하게 반영해 예측선이 상대적으로 요동치는 양상을 나타낸다. ARIMA 예측은 변동 폭이 작고 평균 수준으로 수렴하는 경향을 보여, 다른 두 모형의 변동성을 완화하는 역할을 한다. 이 세 모형을 평균 결합한 앙상블 예측 결과는 개별 모형의 극단적 패턴을 상쇄하면서도, 계절적⋅구조적 특성을 유지한 보다 안정적인 예측 경로를 제시한다.

앙상블 결과에 따르면 2026년 초까지는 완만한 회복 경향이 이어지며, 이후 여름철에는 앞선 계절성 분석과 일치하는 상승 국면이, 가을과 초겨울에는 하락 국면이 반복될 가능성이 높다. 이는 VV(dB) 시계열이 향후에도 장기 추세와 계절적 요인의 결합된 구조를 유지할 가능성이 크다는 점을 시사한다. 이러한 결과는 복잡한 시계열 구조를 지닌 위성 SAR 데이터 분석에서 단일 모형에 의존하기보다, 앙상블 기반의 통합적 접근이 예측의 신뢰성과 해석 가능성을 동시에 제고할 수 있음을 경험적으로 보여준다.

Fig. 3. Prophet-based time-series forecasting results

Fig. 4. Decomposition of time-series components: structure of trend and seasonality

Fig. 5. Hybrid ensemble forecasting results

3.2 Implications

본 연구에서 사용한 ROI 평균 VV(dB) 시계열은 수면 확대와 저수 변화에 민감할 수 있으나, 동시에 식생 구조, 토양 수분, 관측 기하 변화의 영향도 함께 반영한다. 따라서 본 연구의 VV(dB) 지표는 황강댐 인근 수문 환경의 통합적 변동을 반영하는 간접 지표라고 할 수 있다. 장기 시계열에서 반복적 계절성과 구조적 추세 변화가 일관되게 관찰된다는 점은, 해당 지표가 단순한 무작위 노이즈 이상의 수문학적 정보를 포함하고 있음을 시사한다^{(Amitrano et al., 2018; Shen et al., 2022)}.

본 연구는 ^{Kim et al. (2020)}이 제시한 basin-scale 원격탐사 기반 수자원 변화 분석을 황강댐 인근 장기 시계열 수준으로 세분화하였다는 점에서 의의가 있다. 또한 ^{Kim et al. (2022)}의 미계측 저수지 유입량 추정 연구와 달리, 본 연구는 직접적인 유입량 산정보다는 SAR backscatter 시계열 자체의 구조적 패턴과 예측 가능성에 초점을 둔다. 한편 ^{Amitrano et al. (2018)}, ^{Martinis et al. (2018)}, ^{Demissie et al. (2023)}, ^{Schmitt (2020)}, ^{Shen et al. (2022)} 등의 연구는 주로 특정 홍수 사건의 수면 확장과 flood mapping에 강점을 보였으나, 본 연구는 동일한 SAR 자료를 장기 ROI 시계열로 변환하여 예측모형과 결합함으로써 사후 지도화에서 사전 위험 스크리닝으로 분석 범위를 확장하였다. 즉, 본 연구의 기여는 방류량의 직접 정량화보다 정보 접근이 제한된 지역에서 장기적 위험 감시 체계를 제시하는 데 있다. 공유하천 유역에서는 정보 비대칭 자체가 위험을 증폭시키므로, 장기 시계열의 계절성과 구조 변화를 함께 고려한 예측 기반 모니터링은 조기경보 체계 설계의 보완 수단으로 기능할 수 있다^{(Ha et al., 2020; Lee and Lee, 2021)}. 본 연구의 결과는 황강댐 사례를 넘어, 기후변화와 정보 제약이 중첩된 다른 공유하천 유역에도 적용 가능한 분석 틀을 제시한다.