강과 호수의 해안선은 내륙 수체와 육지가 만나는 접촉 지대로, 홍수 조절 및 생태 균형 유지 등 매우 중요한 생태 기능을 가지고 있습니다. 강과 호수 해안선의 동적 변화를 적시에 파악하는 것은 홍수 예방 및 재해 경감뿐만 아니라 수생태 환경 조성 및 보호에 중요한 현실적 의미가 있습니다. 본문에서는 Swin-UNet 딥러닝 모델을 훈련시키고, 고해상도 원격탐사 영상(고분 위성 및 Sentinel-2)을 기반으로 지역 수체 및 강·호수 해안선 인식 기술을 개발하여 2015년부터 2025년까지 첸저우시의 강·호수 해안선 동적 변화를 모니터링하였습니다. 결과는 Swin-UNet 딥러닝 모델 기반의 수체 및 해안선 인식 모델이 기존 임계값법이나 상대적으로 단순한 머신러닝 모델보다 명확히 우수하며, 수체 인식 정확도가 90% 이상이고 수체 윤곽 정보가 명확함을 보여줍니다. 고분 영상 기반 결과에 따르면 연구지역의 다년 평균 수면 면적은 약 314.7㎢이며, 해당 해안선 길이는 약 7306.4㎞입니다. 고분 영상과 Sentinel-2 결과는 좋은 일치성(연평균 상관계수 0.99 이상)을 보였으나, 공간 해상도가 더 높은 고분 영상에서 식별된 수역 면적은 Sentinel-2보다 약 18.9% 더 크고 해안선 길이는 약 75% 더 긴 것으로 나타났습니다. 연구지역의 해안선 길이 연내 변동성(변동계수=12.8%)은 연간 변동성(변동계수=9.0%)보다 높습니다. 연구지역 내 인공 수체 해안선 형태 안정성이 자연 해안선보다 높습니다. 연구지역 내 강·호수 해안선 구조 진화는 반자연-반인공 해안선에서 인공 해안선으로 전환되는 양상을 보이며, 자연 해안선은 상대적으로 안정적인 특징을 가지며, 이러한 변화 경향은 도시 공간 외연 확장 및 환경복원 정책과 밀접한 관련이 있습니다.

강·호수 해안선;동적 모니터링;Swin-UNet;고분 위성;Sentinel-2;첸저우시