1. 연구배경과 목적
2. 연구 자료와 방법
3. 지형패턴과 지형계측변수를 이용한 해저면의 형태적 특성 분류
1) 지형패턴을 이용한 형태적 특성 분류
2) 지형계측변수를 이용한 형태적 특성 분류
4. 해저지형 분류기준 도출
5. 해저지형 분류규칙 도출
1) 해저지형의 규모･성인을 고려한 데이터 선정
2) 분류기준에 적합한 파라미터 선정 및 분류규칙 도출
6. 테스트 해역을 중심으로 분류 규칙에 대한 검증 수행
7. 연구 한계
8. 요약 및 결론
1. 연구배경과 목적
지형은 지표를 구성하는 구조적 요소, 생물적 요소, 순환적 요소의 종합적인 결과물이며 생태적인 공간을 구성하는 단위이다(김남신･이민부, 2004). 그중에서도 해저지형은 넓은 해저 환경을 특성화하는데 사용할 수 있는 가치있는 자료원 중 하나이다. 저서생물 서식지의 보전･관리를 위한 기본 데이터로 해저지형 분류도를 제작하거나(Goes et al., 2019), 해양 공간 관리와 모니터링을 위해 해저지형을 연구하기도 하며(Giraldo et al., 2017), 해저 재해와 리스크 평가를 위해서 해저지형을 분석하는 등(Hough et al., 2011) 여러 분야에서 해저지형 분류에 관한 관심과 필요성이 높아지고 있다.
동시에 수심데이터 취득 방법이 발전됨에 따라 더욱 상세하고 정확한 수심데이터 취득이 가능해졌다. 최대 0.5m의 해상도로 수심데이터를 확보할 수 있는 멀티빔 음향측심기가 2000년대 들어 보편화되면서 여러 국가에서 이를 이용해 수심을 측량하고 있다(Madricardo et al., 2017). 또한, 전 세계를 대상으로 수심데이터를 제공하는 GEBCO(General Bathymetric Chart of the Oceans)에서는 2020년 기준으로 15 arc-second 해상도(적도에서 대략 450m)의 데이터인 GEBCO_2020 그리드를 제공함에 따라 규모가 작은 지형들까지도 식별이 가능해졌다. 이에 고해상도 데이터를 바탕으로 해저지형을 분류하는 여러 연구가 최근 급격하게 증가하였다. 기존에는 전문가의 지식을 기반으로 직접 지형을 식별하고 분류하는 연구들이 주를 이뤘는데(Diesing et al., 2016), 이는 지형 분류의 정확도는 높으나, 전문가의 지식과 해당 해역에 대한 이해가 있어야 하며 매우 많은 시간과 노력이 필요한 작업이었다. 최근에는 수심측량 기술의 발전과 더불어 고해상도의 수심데이터를 활용할 수 있게 되면서 GIS를 이용하여 정량적으로 지형의 특성을 구분하는 연구들이 이뤄지기 시작하였다(Lecours et al., 2016). 지형 분류에 대한 규칙을 도출하여 GIS를 이용해 적용하거나, 감독 혹은 무감독 분류의 머신러닝 기법으로 해저지형을 분류하는 시도도 늘고 있다. 다만 이처럼 정량적으로 지형을 분류하는 연구 중에서 전 세계 해저면을 대상으로 한 연구는 거의 없다.
전 세계 해저면을 대상으로 해저지형을 분류한 대표적인 연구로는 Harris et al.(2014)가 있다. 이 연구는 전 세계 해저면을 대상으로 개별 지형에 대한 분포를 확인할 수 있도록 지형을 분류한 최초의 연구이기도 하다. Harris et al. (2014)는 일부 알고리즘의 도움을 받아 직접 해저지형을 디지타이징하였다. 이때 30-arc second 해상도(적도에서 대략 900m)의 SRTM30_PLUS1) 수심데이터를 기반으로 지형을 분류하였기 때문에, 큰 규모의 지형은 식별되었으나 해저면에 발달한 작은 규모의 지형까지는 파악하지 못하였다. 또한, 직접 등심선 등을 육안으로 확인해가며 해저지형을 분류하였기 때문에, 해당 방법을 다른 데이터에 적용하여 해저지형을 분류하기 위해서는 전문가의 지식이 필수적이며 시간이 오래 소요되는 등의 문제점이 존재한다. 이후 Dekavalla and Argialas(2017)은 6개의 테스트 해역을 대상으로 일정 규칙에 따라 해저지형을 분류하는 연구를 수행하였으나, 30-arc second 해상도의 저해상도 수심데이터를 바탕으로 6개 테스트 해역에 해당 규칙을 적용해보는 것으로 연구를 마무리지었다. 따라서, 현재까지 가장 최신의 전 세계 해저지형 분류 성과는 Harris et al.(2014)가 30-arc second 해상도의 SRTM30_PLUS 수심데이터를 기반으로 직접 디지타이징하여 지형을 분류한 것이 유일하며, 전 세계 해저지형을 분류하는 데 활용된 분류기준과 규칙은 거의 없다.
해양 탐사의 기술력이 취약한 국가들의 경우 자국 연안에 어떠한 해저지형이 존재하는지에 대한 정보를 얻기 힘들다. 해저지형에 대한 전문가가 부재한 경우에는 더욱더 그러하다. 이러한 국가들의 경우 해저면에 대한 인식을 높이고 해양 자원을 활용하기 위한 기초자료로 해저지형 분류 정보가 유용하게 활용될 수 있다. 그리고 해저지형 분류를 위한 기준과 규칙을 활용한다면, 해저지형에 대한 전문지식을 갖고 있지 않더라도 누구나 해저지형을 분류해낼 수 있다는 점에서 큰 장점을 지닌다.
본 연구는 최신의 고해상도 수심데이터를 활용하여 전 세계 해저면에 분포하는 해저지형을 분류하는 것을 목적으로 한다. 구체적 연구 목표는 해저지형을 분류하기 위한 분류기준과 규칙을 설정하고 수심데이터에 적용하여 해저지형을 분류하는 것으로, 이와 연관된 세부 내용은 아래와 같다.
첫째, 그리드 기반의 수심데이터(GEBCO_2020 Grid)를 해저지형 분석에 활용하기 위해 해저면의 형태적 특성을 나타내는 객체로 분류한다. 둘째, 분류하고자 하는 해저지형을 선정하고 이를 분류하기 위한 기준을 도출한다. 셋째, 앞서 선정한 분류기준을 바탕으로 해저지형을 분류하는 규칙을 마련한다. 넷째, 고해상도 수심데이터 기반으로 지형분류를 기수행한 필리핀과 동해 해역을 대상으로, 본 연구에서 마련한 규칙과 GEBCO_2020 그리드 수심데이터를 기반으로 지형분류를 수행한 결과와 기 수행된 선행연구 결과를 비교하여 검증한다.
2. 연구 자료와 방법
본 연구에서 해저지형 분류 시 사용된 가장 주요한 연구 자료는 IHO와 IOC가 공동으로 운용하며 Seabed2030 Project를 통해 구축된 전 세계 수심데이터인 ｢GEBCO_2020 그리드｣이다. GEBCO_2020 그리드 데이터는 인공위성 고도계를 이용해 추정한 수심데이터(SRTM15_version2)를 바탕으로 하여 전 해역의 19%에서 실측한 데이터인 싱글빔과 멀티빔 음향측심 데이터를 이용해 보정･제작한 것으로, 해상도는 15-arc second world grid(적도에서 대략 450m)이다. 이 외에도 Wessel et al.(2015)이 전 세계 해저면에 발달한 단열대에 대해 구축한 ｢Global Seafloor Fabric｣, Bird(2003)의 연구결과를 바탕으로 구축된 판구조 경계 데이터셋을 분석에 활용하였으며, 분석에 활용한 툴은 ArcGIS Pro, eCognition Developer 64, GRASS GIS 7.8이다.
본 연구에서는 수심데이터를 활용한 해저면의 형태적 특성 분류, 해저지형 분류를 위한 분류 대상 및 기준 선정, 규칙 도출, 규칙 검증까지 크게 4가지 과정을 거쳤다(그림 1).
3. 지형패턴과 지형계측변수를 이용한 해저면의 형태적 특성 분류
해저지형을 분류하기에 앞서 전 세계 해저면의 형태적 특성을 식별하기 위해 수심데이터에 Geomorphon 알고리즘을 적용하여 해저면을 10개의 지형패턴으로 분류하였다. 나아가 Geomorphon으로는 파악되지 않는 형태적 특성을 살펴보기 위해 수심데이터를 Multi-resolution segmentation 알고리즘(이하 MS 알고리즘)을 활용해 객체기반으로 분할한 뒤, 분할된 객체의 지형계측변수를 바탕으로 해저면의 형태적 특성을 분류하는 과정을 수행하였다. 이를 통해 해저면의 형태적 특성을 다각도로 분석하여, 추후 해저지형 분류 시 기반 데이터로 활용하고자 하였다. Geomorphon을 이용한 지형패턴 분류에 대한 원리는 Jasiewicz and Stepinski(2013)에, MS 알고리즘을 이용한 객체 분할에 대한 원리는 Drǎguţ et al.(2010)에 자세하게 설명되어 있으며, 해당 기법들의 간단한 원리와 본 연구에서 적용한 변수에 대한 설명은 다음과 같다.
1) 지형패턴을 이용한 형태적 특성 분류
해저면의 형태적 특성을 분류하기 위해 지형분류 연구에서 많이 활용되고 있는 Geomorphon 알고리즘을 이용하였다. 이 방법은 중심 지점과 주변 셀들간 높이 관계를 확인하여 오목, 볼록, 평평 등 지형의 곡률을 평탄면(flat), 봉우리(peak), 능선(ridge), 산어깨(shoulder), 볼록사면(spur), 직선사면(slope), 오목사면(hollow), 산록(footslope), 계곡(valley), 와지(depression) 등 총 10개의 구별된 형태적 특성으로 분석하는 알고리즘으로(그림 2), 2011년 폴란드의 지리학자인 J. Jasiewicz와 T. F. Stepinski에 의해 제안된 방법이다. 국내에서도 여러 연구에서 육상 지형을 분류하기 위해 Geomorphon 알고리즘을 활용한 바 있다(김동은 등, 2012; 탁한명, 2014; 탁한명･김성환, 2017; 김동은･오정식, 2019).
Geomorphon은 정해진 분석 반경을 바탕으로 분석하는 여타 방법론들과는 달리, 분석 반경 내에서 시준선 원리를 기반으로 지역적인 기복 특성에 맞춰 지형을 분류해내기 때문에 정의된 분석 반경 내에서 작은 지형과 큰 지형을 모두 식별할 수 있다. 즉, 스케일 종속성의 문제에서 상당 부분 자유롭다는 장점이 있다(Sowers et al., 2020).
본 연구에서는 GRASS GIS에 구현된 r.Geomorphon을 이용하여 분석을 수행하였다. 입력데이터는 GEBCO_2020 그리드 수심데이터이며, GRASS GIS SW의 메모리 한계를 극복하기 위해 수심데이터를 30°× 30° 크기의 72개의 타일로 분할하였다. 다만, Geomorphon 알고리즘은 중심 셀로부터 분석반경 내 주변 셀과의 고도 값을 계산하므로 타일 가장자리의 셀 또한 지형패턴을 분석할 수 있도록 각 타일별로 1°씩 버퍼를 주어 32°× 32° 크기의 타일에 대한 지형 패턴을 분석하였다. 분석이 끝난 72개의 타일은 버퍼를 제거하여 30°× 30° 크기로 제작 후 합치는 후처리 작업을 진행하였다.
Geomorphon 알고리즘은 실행할 때에 분석반경, 배제거리, 평탄임계치, 평탄거리라는 네 개의 변수를 설정해야 한다. 분석반경과 배제거리 변수값을 선정하는 데 있어 본 연구는 Dekavalla and Argialas(2017)이 전 세계 해저면의 지형패턴 분석 시 이용하였던 변수값인 100과 50을 이용하였다. 다만, 해당 연구에서 활용한 변수값을 바탕으로 도출된 해저면의 지형패턴을 분석한 결과 상대적으로 폭이 좁고 길이가 긴 지형인 해저협곡, 해저수로, 해저계곡 등을 식별하기 어려움을 확인하였다. 따라서 이들 지형을 식별하기 위해 별도의 변수값을 적용하여 해저면의 지형패턴을 추가적으로 분석하였다. 이때 변수값은 북대서양의 해저협곡과 해저계곡 등을 식별하기 위해 Geomoprhon 알고리즘을 이용한 Sowers et al.(2020)에서 연구자가 광범위한 테스트를 통해 도출한 변수값을 활용하였다. 평탄임계치와 평탄거리 변수값은 각각 1과 0으로 부여하였는데, Luo and Liu(2018)는 평탄임계치에 관해 수 차례 테스트를 수행한 결과 능선(ridge), 계곡(valley) 등은 평탄임계치에 크게 민감하지 않으므로 기본값인 1°를 설정해도 무방하다고 밝힌 바 있다. 또한, 평탄거리는 1 × 1km 이상의 저해상도 DEM을 사용할 때 활용하는 변수이나, 본 연구는 15 arc-second(약 450m)의 고해상도의 DEM을 사용하므로 평탄거리 값을 0으로 설정하였다(표 1).
표 1.
r.Geomorphon 수행을 위해 사용한 변수값
| 변수 | 정의 |
큰 공간규모 설정값 |
작은 공간규모 설정값 |
| 분석반경 | • 지형패턴 분석의 범위를 정의하는 변수 | 100a) | 15b) |
| 배제거리 | • 분석 시 지형의 최소 규모를 설정하는 변수 | 50a) | 3b) |
| 평탄임계치 | • 분석하고자 하는 중심 셀을 기준으로 고도가 같다고 할 수 있는 임계각을 정의함 | 1 | 1 |
| 평탄거리 |
• 배제거리와는 반대되는 개념 • 해상도가 낮아 분석반경에 따른 고도차를 찾지 못할 때 나타나는 영향을 제거하기 위해 사용 | 0 | 0 |
Geomorphon 알고리즘에 네 개의 변수값을 적용하여 전 세계의 해저면을 총 10개의 지형 패턴으로 분류하였다. 북대서양 해저면을 사례로 살펴보면 큰 공간규모(broad scale)에서 지형 패턴 분류 시 대륙붕-대륙사면-심해저평원에 이르는 지형의 연결성이 잘 드러났으며, 작은 공간규모(finer scale)에서 지형 분류 시 사면에 발달한 해저협곡, 해저계곡, 해저수로 등의 지형을 잘 분류해냈음을 알 수 있다(그림 3).
Geomorphon 알고리즘을 통해 도출된 결과물은 래스터 타입의 데이터로, 추후 해저지형 분류작업을 위해 벡터 타입의 데이터로 변환이 필요하다. 변환 시 생겨나는 무수히 작은 객체들의 문제를 해결하기 위해 4km2 보다 작은 객체는 ArcGIS Pro의 Eliminate 툴을 이용하여 경계를 가장 많이 공유하는 인접한 객체의 지형패턴으로 할당시켰다. 4km2이라는 기준값은 FAO(2003)에서 제안한 것으로, 전 세계 해저면의 지형 분류를 시도한 Dekavalla and Argialas (2017)에서도 동일하게 적용된 바 있다.
2) 지형계측변수를 이용한 형태적 특성 분류
Geomorphon을 이용해 해저면을 형태적으로 분류할 때, 해저면에서 오목, 볼록, 평평함과 같은 지형의 곡률에 따라 분석반경 내에서 나타나는 개별적인 지형의 패턴을 확인하기에는 좋으나, 분석반경보다 큰 지형의 변화를 파악하기에는 어려움이 있다. 따라서 본 연구에서는 여러 지형계측변수 중 수심과 기복을 이용하여 해저면의 높고 낮음, 기복이 크고 작음 등의 전반적인 형태를 추가적으로 분석하였다.
지형계측변수를 활용하여 해저면의 형태적 특성을 파악하기 위해서 우선 MS 알고리즘을 이용해 수심 그리드 데이터를 객체 기반으로 분할하였다. 분할된 객체들의 지형계측변수를 이용해 Drǎguţ and Eisank(2012)이 객체분류 시 사용한 분류법을 일부 수정하여 전 세계 해저면을 수심과 기복에 따라 6개의 클래스로 분류하였다.
(1) Multi-resolution segmentation(MS 알고리즘)을 이용한 객체 분할
본 연구에서는 수심 그리드 데이터를 이용하여 지형의 다양한 규모를 고려할 수 있는 다중축척 분석(multi-scale analysis)을 수행하고자 하였으며, 다중축척 분석할 때 최근 가장 효과적인 분석툴로 각광받는 MS 알고리즘을 활용하였다. 이 알고리즘은 임의로 수 개의 시드픽셀(seed pixel)을 선택하고 객체 내 동질성과 객체간 이질성을 최대화하는 과정을 통해 선택된 시드픽셀들을 인접한 주변 픽셀과 병합하는 반복적인 과정을 거쳐 객체를 생성한다. 이때 축척 계수(segmentation scale), 색/모양 비율(ratio of color and shape)과 촘촘함/완만함 비율(ratio of compactness and smoothness) 등 크게 세 가지의 입력변수를 기준으로 병합하여 객체 폴리곤을 생성한다(김민호, 2014). 이들 변수 중 축척계수는 객체의 크기를 결정하는 주된 변수로, 본 연구에서는 객관적인 축척 계수를 도출하기 위해 Drǎguţ et al.(2010)이 제안한 Estimation of Scale Parameter 2(ESP2)를 적용하였다. ESP2는 다중축척 분석하는 데 활용되는 축척 계수를 객관적으로 확인할 수 있는 무감독 방법(unsupervised method)으로, 서로 다른 축척 계수에 대한 객체의 국지 분산(local variance)과 공간적 자기상관성 간의 관계를 탐구하여 데이터가 의미있는 패턴으로 구조화되는 지점의 축척계수를 확인하는 방법론이다. 축척 계수의 값을 지속적으로 증가시키고 각 축척 계수에 대한 국지 분산을 신 레벨(scene level)에서 객체의 평균 표준편차로 계산하여, 동일한 데이터셋에 세 개의 레벨에서 DEM을 분할한 결과물을 도출한다(김민호, 2014).
본 연구에서는 수심 그리드를 기반으로 객체를 분할하기 위해 eCognition SW의 MS 알고리즘과 ESP2를 활용하였다. 다만, ESP2는 메모리의 한계를 초과하는 대용량의 데이터를 처리하기 어렵다는 한계가 있다. 메모리 한계를 극복하기 위해 수심데이터를 우선 30°× 30° 크기의 72개 타일로 분할한 후 각각의 타일에 대해 ESP2를 통해 MS 알고리즘을 적용하여 세 개의 스케일에서 객체 분할을 수행하였다.
축척계수를 제외한 나머지 변수값은 표 2와 같이 설정하였다. 레벨 1의 축척계수는 1씩 올라가면서 국지 분산 그래프를 통해 각자 적절한 축척 계수의 값을 찾게 되며, 레벨 1에서 생성된 객체는 이후 레벨 2에서 더 큰 규모의 객체로 합쳐지게 된다. 이때 해당 알고리즘은 국지 분산 그래프를 통해 축척 계수의 값을 10씩 올리면서 가장 적절한 계수의 값을 찾는다. 동일한 과정은 가장 상위의 레벨인 레벨 3에도 적용된다. 이렇게 하여 72개의 타일로 분할된 수심데이터의 세 개 레벨에 대한 축척계수를 도출하였다.
표 2.
MS 알고리즘 수행 시 설정한 변수값
그러나 수심데이터를 객체 분할한 결과물을 살펴보았더니 타일의 인접부분에서 객체들간에 연속성을 잃는 문제점을 발견하였다. 또한 특정 지역(타일) 만을 고려하여 축척 계수가 선정되기 때문에, 인접한 타일이라 할지라도 타일간 지형의 복잡성이 차이가 나면 축척 계수가 타일마다 상당히 달라지며 그에 따른 객체 분할 결과가 크게 달라짐을 확인하였다. 이러한 문제를 해결하기 위해 본 연구에서는 각 레벨별로 도출된 축척 계수의 평균 값을 계산하였다. 72개 타일로 분할된 수심데이터를 활용한 레벨별 축척 계수의 평균값은 레벨 1의 경우 368, 레벨 2는 1064, 레벨 3는 2749이다. 그리고 전 세계 수심데이터 통판을 입력 데이터로 레벨별 축척 계수의 평균값을 적용하여 MS 알고리즘을 이용한 객체 분할을 재수행하였다. 전 세계 수심데이터를 세 개 레벨별로 객체 분할하였을 때 동해해역에서의 결과는 그림 4와 같다.
분할한 결과 레벨 1에서 분할된 객체는 해저면을 과대분할하여 GEBCO_2020 그리드 수심데이터에 내재하는 오류와 인위적 형상(artifact)2)이 드러났다. 그러나 수심데이터에 대한 검증자료를 확보하기 어려워 오류 혹은 인위적 형상과 자연적 현상으로 발생한 지형간 구분이 어려우므로(Lecours et al., 2016), 본 연구에서는 레벨 2와 레벨 3에서 분할된 객체만을 연구데이터로 활용하였다.
(2) 지형계측변수를 바탕으로 한 형태적 특성 분류
앞서 분할된 객체를 이용해 해저면의 형태적 특성을 분류하기 위해 객체별로 지형계측변수(geomorphometric variables)를 할당하였다. 수심, 경사, 기복 등의 지형계측변수를 이용 시 비교적 간편하게 해저면 전반에 대한 정량화된 정보를 도출할 수 있어, 지형계측변수는 해저면의 형태적 특성을 분류하는 여러 연구에서 활용된 바 있다(Gorini, 2009; Elvenes, 2014; Jerosch et al., 2016; Goes et al., 2019; Linklater et al., 2019). 특히, Drǎguţ and Eisank(2012)은 두 개의 지형계측변수(객체별 평균 고도값, 고도의 표준편차값)을 이용하여 전 세계 육상지형을 계층구조를 가진 분류체계로 고안하였는데, 복잡한 지표면을 동일한 특성을 가진 객체로 간편하게 구분해낼 수 있다는 점에서 장점이 있다. 따라서 본 연구에서는 Drǎguţ and Eisank (2012)이 객체 분류 시 사용한 분류법을 일부 수정하여 해저면의 형태적 특성을 분류하였다. 지형계측변수 또한 객체별 평균 수심값, 수심의 표준편차값을 이용하였다.
Drǎguţ and Eisank(2012)의 분류체계를 2단계까지 적용하되, 저 기복 지역은 해당 지역의 수심 표준편차의 평균값을 이용하여 추가적으로 분류하였다(그림 5). 이는 낮은 값으로 치우친 기복값의 데이터를 분류하는데 효과적이다(Iwahashi and Pike, 2007). 구체적인 분류 단계는 다음과 같다. 첫 번째 단계에서는 앞서 분할된 레벨 3의 객체를 활용하였다. 객체들의 평균 수심값을 바탕으로 이보다 얕은 수심값을 가진 객체는 얕은 수심(Shallow)으로, 깊은 경우는 깊은 수심(Deep) 클래스로 분류하였다. 두 번째 단계에서는 앞서 분류된 얕은 수심 클래스에 속하는 레벨 2의 객체들을 활용하여 이들 객체의 기복을 나타내는 수심 표준편차의 평균값을 바탕으로 각 객체의 수심 표준편차가 평균값보다 큰 경우 산악지(Mountains)로, 그보다 작은 경우에는 평균값보다 낮은 객체 간의 표준편차의 평균값을 재계산하여 해당 값을 기준으로 평균값보다 표준편차가 큰 객체는 구릉성 산지(High Hills)로, 작은 객체는 고원(Tablelands)로 클래스를 할당하였다. 깊은 수심 클래스에 속하는 레벨 2의 객체들 또한 동일한 과정으로 분류하여 구릉(Hills), 구릉성 평야(Irregular Plains), 평야(Flat Plains) 클래스를 할당하였다. 레벨 3와 레벨 2에서 각 변수를 이용하여 클래스 분류 시 사용된 평균 수심값 및 평균 표준편차 값은 표 3과 같다. 분류 체계를 적용한 결과는 그림 6, 그림 7에서 확인할 수 있다.
4. 해저지형 분류기준 도출
앞서 수심데이터를 해저지형 분류에 활용하기 위해 형태적 분류를 수행하였다면, 본 장에서는 해저지형을 분류하기 위한 대상을 선정하고 분류기준을 도출하였다. 본 연구의 대상은 전 세계에 분포하는 해저지형으로, 그 범위는 ‘해저지명의 표준화(B-6)’(IHO, 2019)에서 정의하는 42개의 해저지형 중 국제 등재 비율이 높아 인식이 높아진 16개 지형과 더불어 판 구조론과 관련하여 중요한 의미를 지닌 3개 지형, 총 19개 지형으로 한정을 지었다(표 4).
표 4.
연구 대상으로 선정된 해저지형과 정의
| 연번 | 해저지형 | 정의(국립해양조사원, 2020) | 국제등재빈도 |
| 1 |
심해평원 (Abyssal Plain) | 보통 4,000m 이상의 수심에서 발견되는 넓고 평평하거나 약간 경사진 지역 | 52 |
| 2 | 퇴(Bank) |
일반적으로 수심 200m 미만 해저의 고지를 말하며, 항해에는 충분히 안전하며 주로 대륙붕이나 섬 주변에서 발견됨 | 403 |
| 3 | 해저분지(Basin) | 평면상 다소 평평한 형태의 와지로 크기가 다양함 | 266 |
| 4 | 해저협곡(Canyon) | 좁고 길쭉하며 급경사면을 지닌 와지로 일반적으로 사면 아래로 갈수록 깊어짐 | 429 |
| 5 |
단열대 (Fracture Zone)* |
중앙해령 축의 어긋남과 연관된 지각판들의 움직임에 의해 형성된 불규칙한 지표 상 길고 좁은 지대. 급경사 및/또는 비대칭의 해저융기부, 해곡 또는 해저절벽으로 특징을 지님 | 157 |
| 6 | 기요(Guyot) | 정상부가 비교적 매끄럽고 평평한 해산 | 178 |
| 7 | 해저구릉(Hill) |
일반적으로 불규칙적인 형상의 뚜렷한 고지로, 해저구릉 주변의 가장 깊은 등심선으로부터 기복이 1,000m 미만으로 나타남 | 126 |
| 8 | 해저놀(Knoll) |
뚜렷하게 솟아오른 둥근 형태의 수직단면을 보이는 뚜렷한 고지로, 해저놀의 대부분을 둘러싼 주변의 가장 깊은 등심선으로부터 기복이 1,000m 미만임 | 158 |
| 9 | 해저대지(Plateau) |
주변 지역보다 더 높고 비교적 평평한 넓은 고지로, 하나 이상의 측면이 상대적으로 급경사를 이룸 | 57 |
| 10 | 해저융기부(Ridge) | 다양한 복잡성, 규모, 경사가 있는 가늘고 긴 고지 | 331 |
| 11 | 열개지(Rift)* |
가늘고 긴 와지로, 이전에 맞물려 있던 두 지층이 갈라져서 형성된 두 개 이상의 단층으로 경계 지어짐 | 3 |
| 12 | 해팽(Rise) | 일반적으로 주변 기복으로부터 매끄럽게 완만히 솟은 넓은 고지 | 86 |
| 13 |
해저수로 (Sea Channel) | 가늘고 길게 곡류하는 요지로, 보통 경사가 완만한 평원이나 해저선상지 상에 나타남 | 47 |
| 14 | 해산(Seamount) | 일반적으로 평평한 고지로, 주변의 가장 깊은 등심선으로부터 기복이 1,000m 이상임 | 1343 |
| 15 | 대륙붕(Shelf) |
대륙이나 섬에 인접하여 평평하거나 완만하게 경사진 지역으로 저조선으로부터 일반적으로 수심 약 200m까지 뻗어 있고 그 이후로는 내리막 경사가 현저하게 증가함 | 17 |
| 16 | 대륙사면(Slope) | 대륙붕에서부터 깊어지는 경사진 지역으로, 경사가 전반적으로 완만해지는 지점까지를 말함 | 10 |
| 17 | 해구(Trench)* | 길고 깊은 비대칭적 요지로, 지각판의 섭입과 연관된 상대적으로 가파른 측면을 지님 | 39 |
| 18 | 해곡(Trough) | 긴 요지로 일반적으로 넓고 평평한 바닥을 지니며 측면이 대칭적이고 평행함 | 139 |
| 19 | 해저계곡(Valley) | 가늘고 긴 요지로 일반적으로 사면 아래로 갈수록 넓어지고 깊어짐 | 85 |
해저지형을 단순 나열하기보다는 구조화하여 해저지형의 특성･범위･구조에 대한 체계적 이해를 도모하고자 하였으며, 선행연구 고찰(Harris et al., 2014; Dove et al., 2016; Edmunds and Flynn, 2018)을 통해 해저지형을 분류할 때 위치와 형태가 주로 고려됨을 확인하고 이를 바탕으로 19개 해저지형을 2단계로 구조화하였다(표 5). 우선 해저지형을 크게 1차적 지형과 2차적 지형으로 분류하였는데, 1차적 지형은 전 해역을 커버하는 상호 배타적인 레이어(mutually exclusive layer)로 2차적 지형의 위치를 식별하는데 기본 정보를 제공한다. 2차적 지형은 1차적 지형 위에 중첩되어 존재할 수 있는 지형으로 형태에 따라 볼록, 오목, 평탄의 3개 유형으로 구분할 수 있다. 지형의 형태를 구분하기 위해 Dove et al.(2016)의 형태적 분류를 참고하였다.
표 5.
해저지형의 분류 구조화
| 구분 | 해저지형 | |
| 1차적 지형분류 | 대륙붕, 대륙사면, 심해대(Abyss)3) | |
| 2차적 지형분류 | 볼록 | 퇴, 기요, 해저구릉, 해저놀, 해저대지, 해저융기부, 해팽, 해산 |
| 오목 | 해저분지, 해저협곡, 단열대, 해저수로, 해구, 해곡, 해저계곡, 열개지 | |
| 평탄 | 심해평원 | |
해저지형을 분류하기 위해서는 세부적인 분류기준이 필요하다. 1차적 지형의 경우 Harris et al.(2014)의 해저지형 분류 규칙을 일부 수정하여 적용하였다. Harris et al.(2014)는 해저면을 대륙붕(continental shelf), 대륙사면(continental slope), 심해대(abyss), 초심해대(hadal)의 4개 레이어로 분류하였다. 그러나 초심해대라는 레이어는 해저 생태계 서식지 분류 시 많이 활용되는 반면 본 연구는 서식지 분류보다는 해저지형 그 자체에 초점을 맞추므로, 심해대와 초심해대을 구분하지 않고 한데 묶어 대륙사면보다 깊은 곳을 명명하는 것으로 분류하였다. 수정된 분류 규칙과 이를 적용해 분류한 결과는 그림 8과 같다.
1차적 지형의 경우 Harris et al.(2014)의 분류기준을 차용하여 일부 수정하였으나(표 6), 2차적 지형의 경우 선행연구마다 분류기준이 상이하며 정량적 수치로 분류기준이 마련된 지형이 부재한 경우도 있어 본 연구에서 선행연구를 고찰함과 동시에 국제 등재된 지형들의 데이터를 분석하여 분류기준을 마련하였다.
표 6.
1차적 지형 분류방법(Harris et al.(2014)의 분류기준을 일부 수정함)
| 구분 | 분류 방법 |
| 대륙붕 |
0m 등심선을 저수위선(low-water mark)으로 하고, 등심선을 확인하여 대륙붕단을 수동 디지타이징함 (1:500,000 공간 스케일의 10m, 50m, 100m 등심선을 기반으로, 대륙붕단을 확인함) |
| 대륙사면 |
1:500,000 축척에서 100m 등심선과 3D 시각화를 기반으로 대륙사면의 끝(foot of slope)4)을 수동 디지타이징함 (경사가 급변하는 지점을 등심선 간격의 차이로 파악함) |
| 심해대 | 해저면에서 대륙붕, 대륙사면을 제외하고 도출 |
해저지형 분류에 대한 선행연구(Harris et al., 2014; Dekavalla and Argialas, 2017; IHO, 2019)에서 사용되는 분류기준을 분석한 결과 주로 언급되는 분류기준 중 공간분석이 가능한 것으로 지형의 형태, 폭과 길이의 비율, 수심, 기복, 면적, 최소 길이, 주변 지형과의 위상관계(인접, 포함 등)을 들 수 있다. 이러한 기준들에 대한 검토를 바탕으로 본 연구에서 지형을 분류하는데 활용하는 방법론인 지형패턴과 지형계측변수 기반의 형태분석으로 지형 구분이 가능한가를 확인하여 형태적으로 유사한 지형을 한데 묶어 총 11개의 범주로 2차적 지형을 분류하였다(표 7).
표 7.
해저지형 세부 분류기준
| 해저지형 | 형태 |
폭/길이 비율 | 수심 | 기복 | 면적 | 길이 | 위상관계 | 그 외 |
| 심해평원 | 평면 | 최소 > 4,000ma) | ||||||
| 퇴 | 볼록 | < 3:1b) | 최소 < 200ma) | |||||
| 해저분지 | 오목 | > 10x10kmc) | 최소 ≥10kmb) | |||||
|
해저협곡, 해저계곡, 해저수로 | 오목 | > 3:1b) | 최소 ≥10kmb) |
대륙사면에 위치b) | 5°이상 경사d) | |||
| 단열대*, 열개지* | 오목 | > 3:1b) | 성인적지형a) | |||||
| 기요, 해산 | 볼록 | < 3:1b) | > 1,000ma) | < 100x100kmb) | ||||
| 해저구릉, 해저놀 | 볼록 | < 3:1b) | < 1,000ma) | < 100x100kmb) | ||||
| 해저대지, 해팽 | 볼록 | < 3:1b) | > 100x100kmb) | 평평한 상부b) | ||||
| 해저융기부 | 볼록 | > 3:1b) | ||||||
| 해구* | 오목 | > 3:1b) | 성인적지형a) | |||||
| 해곡 | 오목 | > 3:1b) | 최대 > 2,500mc) | 최대 ≥300kmc) |
a)IHO(2019), b)SCUFN 34(2021), c)본 연구에서 추가적으로 제시한 기준, d)Harris and Whiteway(2011).
대부분의 분류기준은 선행연구 분석을 통해 도출하였으나, 선행연구로부터 세부 분류기준을 식별하기 어려운 해저분지, 해곡의 경우 기존 해저지형의 형태적 특성을 공간분석하여 별도의 기준을 마련하였다. 해저분지는 IHO(2019)의 정의에 따르면 크기가 다양하다고 언급되는데, 가장 큰 분지는 대륙사면의 하부 경계로부터 중앙해령에 이르는 거대한 규모의 대양분지부터 그 외 지역에 작게 발달한 해저분지까지 다양하다. 해저분지의 최소 면적 기준을 도출하기 위해 해저지명소위원회(GEBCO SCUFN: GEBCO SUB-COMMITTEE ON UNDERSEA FEATURE NAMES; SCUFN) 회의를 통해 국제 등재된 해저분지 중 면형으로 구축된 데이터의 면적을 분석하였다5). 그 결과 면형으로 구축된 54개 해저분지 중 단 3개를 제외하고는 모두 100km2 이상의 크기를 지님을 확인하였다. 또한, 해곡의 경우 선행연구에서 언급되는 형태적으로 오목하고 길다란 특성 외에 별도의 분류기준을 마련하기 위해 국제등재를 위해 제출한 제안서와 국제 등재된 해곡의 공간데이터를 분석하였다. 길이와 최대 수심정보를 분석한 결과, 평균 길이가 330km, 최대수심의 평균값이 2,423m로 나타났다. 이를 참고로 하여 해곡을 분류할 때 길이는 ‘> 300km’, 최대수심은 ‘> 2,500m’의 기준을 추가하였다. 도출한 분류기준에 대해서는 전문가 인터뷰(자연지리 혹은 해양지구물리 분야의 박사이자 국제 해저지명소위원회 관련 활동 경력을 지닌 전문가 집단 2명)를 통해 분류기준을 검증한 뒤, 수정･보완하였다.
5. 해저지형 분류규칙 도출
앞서 해저지형을 구분하기 위해 수심, 폭과 길이의 비율 등 세부적인 분류기준을 이용하여 본 장에서는 해저지형을 분류할 절차에 대한 규칙을 마련하였다. 1차적 지형 분류의 경우 Harris et al.(2014) 연구에서 도출된 데이터를 차용하기로 하였는데, 이는 대륙사면과 심해대간 경계가 모호하여, 자동화된 방법으로 두 지형간 경계를 획정짓기 어렵기 때문이다. Harris et al.(2014)는 SRTM30_PLUS 기반으로 100m 등심선과 3D 시각화 기반으로 수동 식별하여 해당 지형을 분류한 바 있다. 따라서 본 연구는 2차적 지형분류에 해당하는 11개 범주(17개 지형)에 초점을 맞췄다. 우선 해저지형의 다양한 규모를 고려하기 위해 분류하고자 하는 해저지형의 규모를 분석하고, 특정 규모의 지형을 식별할 수 있는 주된 데이터를 선정하였다. 또한, 성인적 특성을 지닌 해저지형을 분류하기 위해 참조할 수 있는 데이터를 수집하였다. 그리고 공간분석 SW를 이용하여 해저지형을 분류하기 위해 앞서 정한 분류기준을 대표할 수 있는 파라미터를 선정하여 분류규칙을 도출하였다.
1) 해저지형의 규모･성인을 고려한 데이터 선정
해저지형의 규모를 분석하기 위해 해저지명소위원회(SCUFN) 회의를 통해 국제 등재된 해저지형을 나타내는 공간데이터 중 면형으로 공간적 범위가 획정된 해저지형을 추출해 지형별 면적을 계산하였다. 이때 면형 데이터가 없거나 5건 미만으로 존재하는 해저지형은 분석에서 제외하였다. 각 지형별 면적에 대해 중앙값, 사분위수, 평균값을 계산하여 데이터의 면적에 대한 특성을 살펴본 결과(표 8, 그림 9), 심해평원, 해저분지, 해저대지, 해팽의 면적 평균값이 50,000km2 이상으로 다른 지형에 비해 규모가 상당히 큰 것으로 나타났다. 다만 해저분지의 경우 중앙값은 512km2 인 반면, 평균값은 329,520km2으로 나타났는데, 중앙값과 평균값 사이에 큰 차이가 나는 이유는 이상치(outlier) 때문으로, 이로부터 해저분지의 크기가 굉장히 다양함을 추론할 수 있다. 앞서 지형계측변수를 바탕으로 한 형태적 특성 분류 결과가 지형패턴을 바탕으로 한 것보다 규모가 큰 지형을 잘 식별함을 확인한 바 있다. 따라서 심해평원, 해저대지, 해팽, 그리고 규모가 큰 해저분지를 분류하기 위해 지형계측변수 기반으로 객체분할된 레이어를 주로 활용하였다. 상대적으로 규모가 작은 그 외의 지형은 Geomorphon 알고리즘을 이용해 큰 공간규모에서 지형패턴을 분석한 레이어를 활용하였다. 단, 해저협곡, 해저계곡, 해저수로의 경우 폭이 좁은 지형으로 큰 공간규모에서는 분석되지 않는 경우가 있었다. 이 때문에 작은 공간규모에서 지형패턴 분석 결과를 추가로 활용하였다.
표 8.
해저지형별 면적 데이터에 대한 통계치(단위: km2)
또한, 분류대상 지형 중 형성과정을 고려해야 하는 성인적 지형으로 단열대, 열개지, 해구가 있다. 세 지형은 심해평원, 해저대지, 해팽보다는 규모가 작으나, 수심데이터로 도출된 지형패턴 바탕의 분석결과만으로는 지형을 식별하는 데 한계가 있다. 따라서 해당 지형에 대해 선행연구를 통해 기구축된 공간데이터(Bird, 2003; Wessel et al., 2015)를 참고하였다. 이렇게 선정된 11개 범주(17개 해저지형)의 분류를 위해 사용된 데이터는 표 9와 같다.
표 9.
해저지형 분류에 적합한 데이터 선정
| 구분 | 형태적/성인적 | 데이터 | 분류 가능 지형 |
| 규모가 큰 지형 | 형태적 | 지형계측변수 기반 | 심해평원, 해저대지/해팽, 규모가 큰 해저분지 |
| 규모가 작은 지형 | 형태적 | 지형패턴 기반(큰 공간규모) | 심해평원, 해저대지/해팽을 제외한 대부분의 해저지형 |
| 지형패턴 기반(작은 공간규모) | 규모가 작은 해저협곡/해저계곡/해저수로 | ||
| 성인적 |
지형패턴 기반(큰 공간규모) Global Seafloor Fabric(Wessel et al., 2015) 판구조 경계(Bird, 2003) | 단열대/열개지 | |
|
지형패턴 기반(큰 공간규모) 판구조 경계(Bird, 2003) | 해구 |
2) 분류기준에 적합한 파라미터 선정 및 분류규칙 도출
앞서 선정된 분류기준을 공간분석 S/W에서 활용할 수 있도록 적합한 파라미터를 선정하였다. 기도출된 분류기준은 형태, 폭과 길이의 비율, 수심, 기복 면적, 최소길이이다. 형태의 경우 크게 볼록, 오목, 평탄으로 구분되는데, 이를 공간분석에 활용하기 위해 Geomorphon 패턴을 파라미터로 선정하였다. Geomorphon의 지형패턴 중 봉우리(peak)와 능선(ridge)은 볼록지형으로, 와지(depression)와 계곡(valley)은 오목지형으로, 평탄면(flat)은 평탄지형으로 정의하였으며, 일부 해저지형은 분류 시 Geomorphon 패턴을 추가로 활용하였다. 단, 규모가 큰 지형의 경우 Geomorphon 패턴 외에도 지형계측변수의 클래스를 함께 활용하였는데, 평탄지형은 평야(flat plains) 클래스를 이용하였다.
폭과 길이의 비율은 지형의 최외곽 지점을 중심으로 사각형을 만들어(bounding box) 사각형의 가로와 세로의 길이의 비율로 계산하였다. 구체적으로는 ArcGIS Pro의 minimum bounding geometry를 이용하며, geometry type = rectangle by area로 하여 계산하였다. 이렇게 만들어진 사각형의 가로와 세로 길이는 투영된 면에서 계산하게 되면 남극과 북극으로 갈수록 길이의 왜곡이 심해진다. 따라서 원래의 형상을 보존하는 측면에서 ArcGIS Pro의 calculate geometry를 이용해 측지거리(geodesic distance)를 계산하였다. 최소 길이 또한 동일하게 해당 사각형의 길이를 활용하였다.
수심과 기복은 ArcGIS Pro의 Zonal Statistics as Table 툴을 활용하였다. 해당 툴을 이용하면 지형 폴리곤 내에서 수심값의 최댓값과 최솟값을 계산할 수 있으며, 기복의 경우 최댓값-최솟값으로 계산하였다.
이렇게 선정한 파라미터를 이용해 11개 범주로 묶인 17개 지형을 분류하는 절차에 대한 규칙을 도출하였다(표 10). 규칙에 따라 공간분석 SW를 이용하여 지형을 분류하였으며, 육안으로 한 번 더 검수하는 과정을 거쳤다.
표 10.
2차적 지형의 분류 규칙
| 해저지형 | 분류 규칙 |
| 심해평원 |
1) 최대수심 > 4,000m 이면서 지형계측변수 기반으로 분류된 클래스가 평야(flat plains)인 객체 추출 2) 1)에서 추출된 객체 중 지형패턴이 평탄면(flat)인 객체 추출 |
|
해저대지/ 해팽 |
1) 지형계측변수의 얕은 수심(shallow) 클래스 객체를 추출 2) 1)에서 추출된 객체 중 1차적 지형의 대륙붕과 대륙사면을 제외 3) 2)의 객체 중 면적 > 10,000km2인 지형을 추출 4) 3)의 객체 중 Bird(2003)의 판구조 경계 중 해령(ridge) 레이어에 해당하는 객체 제거 5) 4)의 객체 중 육안으로 확인하여 지형패턴이 산록(footslope)인 객체로 둘러싸인 객체 제외 |
| 해저분지 |
[100 x 100km2 보다 큰 지형] 1) 지형 패턴이 평탄면(flat)인 객체 추출 2) 1)에서 추출된 객체 중 1차적 지형의 대륙붕을 제외 3) 2) 객체 중 면적 > 10,000km2인 지형을 추출 4-1) 3) 의 객체 중 육안으로 확인하여 지형패턴이 산록(footslope)인 객체로 둘러싸인 객체를 선택 4-2) 3)의 객체 중 지형계측변수 기반으로 분류된 클래스가 평야(flat plains)인 객체를 선택 |
|
[100km2 보다 큰 지형] 1) 지형패턴이 와지(depression) 혹은 계곡(valley)인 객체 추출 2) 1)의 객체 중 최소 길이 ≥ 10km 이며 면적 > 100km2인 지형 추출 | |
| 해저융기부 |
1) 지형패턴이 봉우리(peak) 혹은 능선(ridge)인 객체 추출 2) 1)의 객체 중 폭과 길이의 비율 > 3인 객체 추출 |
| 기요/해산 |
1) 지형패턴이 봉우리(peak) 혹은 능선(ridge)인 객체 추출 2) 1)의 객체 중 폭과 길이의 비율 ≤ 3 이며 기복 > 1,000m인 객체 추출 |
| 퇴 |
1) 지형패턴이 봉우리(peak) 혹은 능선(ridge)인 객체 추출 2) 1)의 객체 중 폭과 길이의 비율 ≤ 3 이며 최소수심 < 200m인 객체 추출 |
|
해저구릉/ 해저놀 |
1) 지형패턴이 봉우리(peak) 혹은 능선(ridge)인 객체 추출 2) 1)의 객체 중 폭과 길이의 비율 ≤ 3 이며 기복 ≤ 1,000m, 최소수심 ≥ 200m인 객체 추출 |
| 해구 |
1) 지형패턴이 와지(depression) 혹은 계곡(valley)인 객체 추출 2) 1)의 객체 중에서 Bird(2003)의 판구조 경계 중 섭입대(subduction) 레이어에 해당하는 객체와 교차하는 객체 추출 |
|
단열대/ 열개지 |
1) 지형패턴이 와지(depression), 계곡(valley) 혹은 산록(footslope)인 객체 추출 2) 1)의 객체 중에서 Wessel et al.(2015)의 Global Seafloor Fabric 중 단열대(fracture zone) 레이어에 해당하는 객체와 교차하는 객체 추출 3) 2)에서 추출되지 못한 객체 중 Bird(2003)의 판구조 경계 중 해저 확장 융기부(oceanic spreading ridge) 혹은 해저 변환단층(oceanic transform fault)와 교차하는 객체 추가 추출 |
| 해곡 |
1) 지형패턴이 와지(depression) 혹은 계곡(valley)인 객체 추출 2) 1)의 객체 중 폭과 길이의 비율 > 3인 객체 추출 3) 2)의 객체 중 면적 ≥ 100km2 이며 최대 길이 ≥ 300km 이상인 객체 추출 (육안으로 식별하여 길이가 300km 이하여도 주변 해곡과 연결성 있으면 추출) |
|
해저협곡/ 해저계곡/ 해저수로 |
[작은 공간규모] 1) 지형패턴이 와지(depression), 계곡(valley), 혹은 오목사면(hollow)인 객체 추출 2) 1)의 객체 중 폭과 길이의 비율 > 3 이면서 길이 ≥ 10km 인 객체 추출 3) 2)의 객체와 1차적 지형의 대륙사면에 교차하며 평균 5° 이상의 사면과 교차하는 객체 추출 4) 3)의 객체와 대륙사면의 유량 누적(flow accumulation) 레이어간 교차하는 레이어 추출 |
|
[큰 공간규모] 1) 지형패턴이 와지(depression) 혹은 계곡(valley)인 객체 추출 2) 1)의 객체 중 길이 ≥ 10km 이상인 객체 추출 3) 2)의 객체와 1차적 지형의 대륙사면에 교차하며 평균 5° 이상의 사면과 교차하는 객체 추출 |
6. 테스트 해역을 중심으로 분류 규칙에 대한 검증 수행
본 장에서는 테스트 해역을 중심으로 분류 규칙을 적용하여 지형을 잘 분류해내는지에 대한 검증을 수행하였다. 테스트 해역으로는 필리핀 판 주변 해역과 동해 울릉분지 주변 해역으로 총 두 곳을 선정하였다. 2020년 기준 전 세계 해역의 19%만이 멀티빔 음향측심기로 측정된 상황에서(Seabed2030, 2021), 필리핀 판 주변 해역과 동해 울릉분지 주변 해역은 고해상도의 멀티빔 음향측심기로 측량된 지역이다. 동시에 전문가의 지식을 기반으로 해역의 정밀한 해저지형을 파악한 연구결과가 존재하는 곳이기도 하다(Hickey-Vargas et al., 2018; Han et al., 2019).
본 연구에서 GEBCO_2020 그리드라는 상대적으로 저해상도(적도에서 약 450m 간격)의 데이터를 활용하여 분류규칙을 적용한 지형분류 결과를 필리핀 판 주변과 동해 울릉분지 주변 해역에서 고해상도의 멀티빔 음향측심기로 수심 측량하여 해역의 정밀한 해저지형을 파악한 연구 결과와 정성적으로 비교하여 지형분류 결과가 유사한지를 확인하였다.
이러한 비교는 해저지형의 정확도를 검증할 만한 필드 기반의 참조 데이터가 부재하여 정량적 방법으로 정확도 검증을 수행하기 어려운 상황에서 본 연구의 해저지형 분류 결과에 대한 유용한 교차검사가 된다. 저해상도 수심데이터를 사용한 규칙 기반의 해저지형 분류결과가 고해상도 멀티빔 수심데이터를 바탕으로 전문가 판단에 의한 분류결과와 부합하는 해석을 도출할 수 있는지를 확인할 수 있기 때문이다.
Hickey-Vargas et al.(2018)이 필리핀 판 주변 해저지형을 파악한 연구와 본 연구에서 GEBCO_2020 그리드 수심데이터를 이용해 분류 규칙을 적용하여 지형을 분류한 결과를 그림 10과 같이 비교하였다. 그 결과 필리핀 판 주변 해역의 규모가 큰 아마미해저대지(Amami Plateau, 그림 10의 ①), 마리아나해곡(Mariana Trough, 그림 10의 ⑧) 등 해저대지/해팽, 해곡과 같은 일부 지형을 제외하고 해저융기부, 해저분지, 해구 등의 지형을 잘 분류해냄을 확인하였다. 아마미해저대지의 경우 본 연구에서는 해저대지를 구분하는 대신 해당 지형 내부에 발달한 해저융기부를 식별하고 있으며, 마리아나해곡의 경우 또한 실제로는 서마리아나해저융기부(Mariana Ridge)와 마리아나호(Mariana arc) 사이에 발달한 거대한 규모의 해곡이나, 본 연구에서는 해곡 내부에 있는 작은 규모의 단열대/열개지와 해산, 해저구릉/해저놀을 분류하고 있다. 이는 본 연구의 분류 규칙이 일부 상당히 큰 규모의 지형을 식별해내지 못하는 한계에서 기인한 것으로, 이러한 어려움을 극복하기 위해 해저면의 전반적인 높고 낮음, 기복이 크고 작음 등의 형태에 대한 정보를 제공하는 지형계측변수 기반의 형태적 특성 분류 레이어(morphological class)를 중첩하여 지형분류 정확도를 높일 수 있다(그림 10).
그림 10.
필리핀판 주변 해저지형 분류 결과 비교(좌: Hickey-Vegas et al.(2018), 우: 본 연구를 통해 도출된 분류결과)(① 아마미해저대지(Amami Plateau) ② 다이토해저융기부그룹(Daito Ridge Group) ③ 가구아해저융기부(Gagua Ridge) ④ 벤함해팽(Benham Rise) ⑤ 필리핀해구(Philippine Trench) ⑥ 큐슈-팔라우해저융기부와 파레스벨라 해저분지(Kyushu-Palau Ridge and Parece Vela Basin) ⑦ 보닌해저융기부(Bonin Ridge) ⑧ 서마리아나해저융기부와 마리아나해곡(West Mariana Ridge and Mariana Trough)
Han et al.(2019)의 고해상도 멀티빔 수심측량 데이터를 기반으로 제작한 해저지형 분류도와 본 연구의 지형분류 결과를 비교한 결과(그림 11), 필리핀해역보다 좀 더 로컬스케일의 해역인 동해 울릉분지 주변 해역의 경우 본 연구의 지형 분류가 국제 등재 지형과 상이한 경우가 존재하였다. 본 연구의 지형분류결과는 동해 울릉분지 주변 해역의 해산, 해저구릉, 해저계곡, 해저분지 등의 지형을 식별해냈으나, 해저융기부와 해산/기요, 해저구릉/해저놀 간에 세부적으로 구분하는 데 있어 어려움을 겪었다. 예를 들어 죽암해저융기부(그림11의 ③)를 본 연구에서는 하나의 연속된 길다란 지형이 아닌 별개의 해저구릉/해저놀로 분류하였다. 이는 전문가의 판단에 근거해 복합적으로 검토하여 지형을 명명하는 국제 등재 지명 프로세스와 달리, 본 연구는 지형을 형태적 분류 알고리즘을 기반으로 수치적 기준으로만 구분함에 따라 오는 한계로 보았다.
그림 11.
동해 울릉분지 주변 해저지형 분류 결과 비교(좌: Han et al.(2019), 우: 본 연구를 통해 도출된 분류결과)(① 강원대지 ② 새날분지 ③ 죽암해저융기부 ④ 우산해저융기부 ⑤ 이규원해저융기부 ⑥ 김인우해산 ⑦ 울진해저계곡 ⑧ 울진해저구릉 ⑨ 안용복해산 ⑩ 울릉분지 ⑪ 이사부해산)
이러한 일부 한계점을 제외하면 전문가가 분석한 해저지형 분류 결과와 비교하여 본 연구의 분류 결과가 필리핀 판 주변 해역과 동해 울릉분지 주변 해역 내 존재하는 해저지형을 유사하게 분류해냄을 확인하였다. 따라서 해당 분류기준과 규칙을 이용하여 전 세계의 해저지형을 분류하였으며, 분류 결과는 그림 12와 같다. 1차적 지형분류 레이어 위에 11개 범주의 2차적 지형분류 레이어를 중첩하여 시각화하였다. 이 때 해저면의 기복에 대한 정보를 함께 확인할 수 있도록 지형계측변수 기반의 형태적 특성 분류 레이어(morphological class)를 추가하였다. 단, 해당 지도에 심해평원과 해저분지 레이어는 포함시키지 않았는데, 그 이유는 두 지형이 해저면 대부분을 차지하고 있어 형태적 특성 분류 레이어 정보의 식별을 어렵게 하기 때문이다.
지형분류 결과에 따라 전 세계 해저면에서 가장 많은 비중을 차지하는 1차적 지형은 심해대 85.5%, 대륙붕 9.0%, 대륙사면 5.5%이며, 2차적 지형은 해저분지 44.1%, 심해평원 31.7%, 고원/해팽 6.4%, 기요/해산 1.8%, 해저협곡/해저계곡/해저수로 1.8%, 단열대/열개지 1.5%, 해저구릉/해저놀 1.5%, 해저융기부 0.9%, 해구 0.3%, 퇴 0.1%, 해곡 0.1% 순으로 나타났다(표 11).
표 11.
전 세계 해저면의 지형분류
그림 12의 해저지형의 분포를 살펴보면 가장 특징적으로 나타나는 것은 해양의 활동적인 확장축을 따라 발달한 대양저산맥 시스템이다. 이는 마치 지구를 야구공의 봉합선처럼 둘러싸고 있는데, 본 지도에서는 지형계측변수로 분류된 클래스 중 산악지, 구릉성 산지, 고원 클래스로 표현되고 있다. 남태평양의 경우 빠르게 확장하여 산맥 지형이 넓게 퍼져 구릉성 산지 혹은 고원 클래스로 표현되는 반면, 대서양에 있는 대서양중앙해령의 경우 상대적으로 해저가 천천히 확장하면서 확장 중심부 가까운 곳에서 식고 수축하기 때문에 빨리 확장하는 산맥보다 경사가 가파르게 된다(이상룡 등 역, 2013). 따라서 대서양중앙해령은 산맥이 좀 더 좁은 지역에 집중되어 기복이 뚜렷하며, 본 지도에서 대부분 산악지 클래스로 표현되고 있음을 확인할 수 있다.
7. 연구 한계
분석과정을 통해 확인한 연구 한계점을 정리하면 다음과 같다. 첫째, 해저지형 분류시 적용한 수치적 기준의 문제에서 기인한 경우가 있다. 본 연구에서는 해저지형을 분류할 때 적용하는 수치적 기준을 마련하기 위해 선행연구를 분석하였으며, 실제 사례분석으로부터 정량적 기준을 추가로 도출하였다. 이러한 수치적 기준을 이용해서 지형을 분류하게 되면 지형간 경계 구분이 효과적으로 이루어지고 특정 지형의 규모와 범위를 추론할 수 있다는 장점이 존재한다. 그러나 실제로 대부분의 지형은 점이적 특성을 지니며 모식적 지형 형태를 갖는 경우는 드물다. 따라서 지형간 경계를 명확히 구분하기가 어렵다. 추후, 이러한 점이적 성격을 지닌 지형을 분류해내기 위한 방법론적 연구가 필요하다. 예를 들면 퍼지 집합 기법 등을 활용하여 해저지형의 불확실한 경계를 체계적으로 정의한 후에 수치적 기준을 적용하는 방법 등을 고려해볼 수 있다.
둘째, 일부 지형의 경우 사례 분석을 통해 정량적인 기준을 도출하였으나, 현재 상황에서는 해저지형과 관련된 정량적 데이터가 현저히 부족하여 선행연구에 명시되어 있는 수치적 기준을 주로 활용하였다. 실제로 본 연구에서 해저지형의 규모 특성을 확인하기 위해 기존에 국제 등재된 면형 데이터를 분석하려 하였으나, 해저융기부, 해구, 단열대, 열개지, 해저협곡, 해저계곡, 해저수로의 경우 면형으로 공간적 범위가 획정된 데이터가 없거나 5건 미만으로 본 연구에서 정량적 기준 도출을 위한 분석이 불가하였다. 추후 해저지형에 대한 정량적 정보가 많이 확보된다면, 머신러닝 등의 기법을 활용하여 실제 해저지형의 특성을 분석하고 이를 바탕으로 현실에 좀 더 부합하는 분류기준을 도출할 수 있을 것으로 생각된다.
셋째, 해저지형이 형성되는데 작용한 여러 성인적 요소들을 고려하지 못하였다는 한계점이 존재한다. 지형은 형태적인 것뿐만 아니라 성인적인 부분까지 함께 고려하여야 적합한 분류를 수행할 수 있다. 그러나 사실상 넓은 지역에 걸쳐 성인적 지형 분류를 적용하기에는 어려움이 많으며(Hammond, 1954), 이는 해양일수록 어려움이 크다. 육상에 비해 해양은 접근이 어려워 지형분류를 위해 확보할수 있는 데이터원이 현저하게 적기 때문이다. 따라서, 본 연구에서는 성인적 부분에 대한 데이터 확보가 가능한 해구, 단열대, 열개지를 제외하고는 형태를 중심으로 한 분류를 수행하였다. 추후 성인적 프로세스를 추론케 하는 다양한 데이터원이 제공된다면 좀 더 정밀하고 정확한 해저지형 분류가 가능할 것으로 보인다.
8. 요약 및 결론
최근 고해상도의 수심데이터 취득과 함께 해저지형 분류에 관한 관심과 필요성이 높아지는 상황에서, 최신의 전 세계 수심데이터를 활용하여 전 세계 해저지형을 분류하고자 하는 목적을 갖고 본 연구를 수행하였다. 구체적으로 본 연구는 수심데이터로부터 Geomorphon 알고리즘과 객체기반 분할 및 지형계측변수를 바탕으로 형태적 특성을 분류한 후, 분류하고자 하는 해저지형의 대상, 분류기준 및 규칙을 도출하여 전 세계 해저지형을 분류하였으며, 분석 결과 및 성과는 다음과 같다.
첫째, GEBCO_2020 그리드 수심데이터를 해저지형 분석에 활용하여 해저면의 형태적 특성을 분류하였다. Geomorphon 알고리즘을 이용해 해저면을 10개의 지형패턴으로 분류하였으며, 동시에 Geomorphon으로 파악되지 않는 큰 규모의 형태적 특성을 살펴보기 위해 수심데이터를 객체기반 분할한 뒤 지형계측변수를 바탕으로 6개의 클래스로 분류하였다.
둘째, 전 세계 해저지형을 분류하기 위해 ‘해저지명의 표준화(B-6)’에 명시된 지형을 중심으로 20개 지형을 분류 대상으로 삼았다. 이들을 분류하기 위해 선행연구와 사례분석을 통해 세부 기준을 선정한 후, 해저지형의 규모와 성인을 고려하여 지형을 분류할 수 있는 규칙을 마련하였다.
셋째, 기존에 전문가 판단을 기반으로 해저지형이 분류된 필리핀 판과 동해 울릉분지 주변 해역을 테스트 해역으로 선정하였다. 그리고 전문가에 의한 분류 결과와 본 연구 분류 결과를 비교하여 본 연구에서 도출된 규칙을 이용한 해당 해역의 해저지형 분류 결과를 정성적으로 검증하였다. 그 결과, 규모가 큰 해저대지/해팽, 해곡과 같은 일부 지형을 제외하고 해저융기부, 해저분지, 해구, 해저계곡, 해저구릉, 해산 등 여러 해저지형을 잘 분류해내며, 규모가 큰 지형의 경우 지형계측변수 기반의 형태적 특성 분류 레이어를 활용하면 지형학적 유추가 가능하여 지형분류의 정확도를 높일 수 있음을 확인하였다.
본 연구는 전 세계를 커버하는 가장 최신의 고해상도 수심데이터인 GEBCO_2020 그리드를 이용하여 전 세계 해저지형을 분류하였다. 이를 통해 기존의 전 세계를 대상으로 한 해저지형 분류에서는 식별하지 못했던 작은 규모의 해저지형까지도 분류해냈으며, 이러한 해저지형 정보는 해양의 지형학적 특성뿐 아니라 판의 특성이나 지질학적 특성 및 해양 공간 관리를 연구하는데 활용될 수 있다.
본 연구를 통해 도출한 분류 규칙은 어느 지역에든 다양한 해상도의 수심데이터를 기반으로 지형을 분류 가능케 한다. 기존의 해저지형 분류 연구들은 대부분 선행연구의 분류기준을 준용하거나 혹은 전문가의 지식을 기반으로 직접 지형을 판별하였다면, 본 연구에서는 분류기준과 규칙을 선정할 때 선행연구 분석뿐만 아니라, 실제 사례분석으로부터 정량적인 기준과 규칙을 추가적으로 도출하였으며, 전문가 검토를 통해 체계적으로 기준과 규칙을 도출했다는 점에서 의의를 갖는다.
다만, 지형은 그 경계가 모호한 경우가 많으므로 수치적 기준으로 지형을 분류하는 데에는 한계가 있다. 또한, 본 연구에서 사례 분석을 통해 일부 지형에 대해 정량적인 기준을 도출하였으나, 전체 해저지형에 대해 사례분석으로 정량적 기준을 도출하는 데 활용할 만한 정량적 데이터가 현저히 부족한 상황이다. 더욱이 해저지형이 형성되는 데 작용하는 여러 성인적 요소를 분류에 고려하지 못하는 것 또한 지형분류 시 주요 한계로 작용한다. 향후에는 좀 더 많은 데이터원을 바탕으로 다양한 기법을 이용하여 본 연구에서 고려하지 못했던 지형별 특성을 파악한다면 더욱 정확하고 정밀한 해저지형 분류가 가능해질 것으로 기대한다.
