3

지구를 들여다보는 위성,
위성원격탐사

Writer. 이양원(부경대학교 공간정보시스템공학과 교수)

빠르게 인식하는 사람의 눈

조사하고자 하는 대상물에 대한 직접적인 접촉 없이 전자 기 복사에너지를 이용하여 그 대상 또는 현상에 대한 정보 를 수집하는 것을 원격탐사라고 한다. 위성원격탐사는 인 공위성에 탑재된 센서를 통하여 지구환경에 대한 원격탐 사를 수행하는 것이다. 위성센서는 관측 방식에 따라 수 동형과 능동형으로 나뉘는데, 수동형 센서는 물체로부터 방출되는 복사에너지를 감지하여 현상을 파악하고, 능동 형 센서는 대상물을 향해 전자기파를 쏘아서 되돌아오는 복사에너지를 감지하여 현상을 측정하는 방식이다.
이러한 전자기파 또 는 복사에너지는 다양한 파장 (Wavelength) 또는 주파수(Frequency) 대역을 가 지는데, 태양복사는 주로 3μm 이하의 단파 스펙트럼으 로 구성되며, 지구복사는 대부분 장파 스펙트럼으로 이루 어진다. 따라서 태양광이 존재하는 낮에는 지구상의 물 체가 태양복사에너지를 흡수 또는 반사하는 성질을 이 용하여 대상을 탐지할 수 있고, 태양광이 존재하지 않는
밤에는 지구방출 복사에너지의 강도를 분석하여 현상을 측정할 수 있다. 태양복사에너지의 표면반사를 감지하 는 경우에는 대부분 0.4~0.7μm 파장대의 가시광선과 0.8~3μm 파장의 근적외선(Near Infrared) 및 단파적 외선(Shortwave Infrared)을 사용하고, 지구방출 복 사에너지를 감지하는 경우에는 대체로 3~14μm 파장 대의 중적외선(Mid infrared) 및 열적외선(Thermal Infrared) 영역을 이용한다. 또한 1mm~1m 파장대의 마이크로파(Microwave)는 구름 입자보다 긴 파장을 가 지기 때문에, 구름을 투과하여 센싱이 가능하다.
가시광선보다 짧은 파장을 가지는 자외선(UV), 그리 고 가시광선(VIS) 및 적외선(IR)은 광학센서(Optical Sensor)에 의해 감지되는데, 위성센서의 분광밴드는 UV+VIS, VIS+IR, 또는 UV+VIS+IR로 구성할 수 있 다. UV는 주로 대기오염물질 측정에 활용될 수 있고, VIS 와 IR은 지표면, 해양, 대기의 다양한 현상을 관측하는 데 사용된다. 마이크로파 위성센서 중 능동형 센서는 레이더(Radar) 형태로서, 마이크로파를 방사하여 관측 대상물 에 부딪히고 돌아오는 신호의 강도를 분석함으로써 대상 물을 파악하는 것이다. 특히 합성개구레이더(Synthetic Aperture Radar, SAR)는 항공기나 위성이 빠르게 이 동하면서 짧은 시간에 많은 양의 마이크로파를 수신하여 합성하는 시스템으로서, L밴드(1~2GHz)는 산림, C밴드 (4~8GHz)는 토양 수분, X밴드(8~12GHz)는 지형, Ku 밴드(12~18 GHz)는 강우의 관측에 주로 활용된다.

그림 1. 전자기 파장대역과 원격탐사 센서

그림 2. 극궤도 위성과 정지궤도 위성

지구를 공전하는 극궤도 위성과 정지궤도 위성

인공위성이 지구를 관측하기 위해서는 남극과 북극을 오 가며 지구 주위를 공전해야 하는데, 이러한 극궤도(Polar Orbiting) 위성들은 대체로 700~900km의 고도에서 궤도를 돌며 주기적으로 같은 곳을 재방문한다. NASA 에서 운영하는 Terra, Aqua, Landsat, 유럽우주국의 Sentinel 등이 대표적인 극궤도 위성이다. 또한 정지궤 도(Geostationary) 위성은 적도 상공 약 36,000km 에서 지구의 자전과 같은 속도로 지구 주위를 공전하며 지구를 관측하기 때문에 지구에서 볼 때에는 항상 정지 해 있는 것처럼 보인다. 미국의 GOES(Geostationary Operational Environmental Satellite), 유럽연합 의 Meteosat, 중국의 풍운(Fengyun), 일본의 히마 와리(Himawari), 그리고 우리나라의 천리안 등이 대 표적인 정지궤도 위성으로서, 해당 국가 주변의 반구(hemisphere) 정도의 영역을 관측한다.
극궤도 위성은 1일 1~2회 또는 며칠 주기로 지구를 모니 터링하고, 정지궤도 위성은 10~20분 간격으로 연속적인 지역 관측을 수행하는데, 이러한 위성들은 대부분 수동 형 광학 센서나 마이크로파 센서를 탑재하여 지구방출 복 사에너지를 감지한다. 자외선, 가시광선, 근적외선 및 단 파적외선과 같은 단파 영역의 복사에너지 강도는 반사도 (Reflectance)로 변환하고, 적외선이나 마이크로파와 같은 장파 영역의 복사에너지는 밝기온도(Brightness Temperature)로 변환하여 원격탐사에 사용된다. 여 러 분광밴드의 반사도를 조합하거나 밝기온도를 이용한 식을 세워서 기상, 해양, 농림, 수문, 재해, 환경 등의 다 양한 지구환경 요소를 관측할 수 있다. 예를 들어, Terra 와 Aqua에 탑재된 MODIS(Moderate Resolution Imaging Spectroradiometer)의 위성자료는 전 세계 적으로 가장 널리 사용되며, 대기(에어로솔, 강수, 구름, 온습도 프로파일), 지표면(온도, 식생, 광합성유효복사 량, 산불, 증발산, 산불), 빙권(해빙, 적설), 해양(해수온, 클로로필-a 농도, 유효광량) 등의 지구환경 모니터링 자 료가 NASA에서 제공되고 있다. 또한 우리나라의 천리 안 위성은 2010년 발사된 이후 2011년부터 현재까지 구름, 수증기, 온도, 일사, 강수, 해빙, 에어로솔 등 다양한 기상 요소를 15분 간격으로 우리나라 주변의 반구 영역 에 대하여 산출하고 있다.

위성 자료를 분석하는 방법

지금까지는 이러한 지구환경 요소들을 산출하는 데 있어 서는 여러 가지 물리방정식이나 선형회귀식이 사용되어 왔다. 그런데 최근 들어 컴퓨팅 파워의 향상과 인공지능 기법의 보급으로 인하여, 물리방정식이나 선형회귀식만 으로 대응하기 어려웠던 비선형적인 관계에 대한 모델링이 보다 용이하게 이루어질 수 있게 되었다. 인과관계나 기작(Mechanism)이 단순하지 않은 현상에 있어서는, 분 광밴드 반사도의 조합이나 밝기온도를 이용하여 계산한 값과 실제 관측치 사이의 관계가 뚜렷한 패턴을 보이지 않는 경우가 많다. 이때 신경망(Neural Network), 기계학습(Machine Learing), 딥러닝(Deep Learning) 등의 인공지능 기법을 사용하면, 이러한 비선형 문제를 원활 하게 해결할 수 있다. 신경망은 입력층, 은닉층, 출력층을 연결하는 노드-링크 구조의 가중치(Weight)와 바이어스 (Bias) 집합을 최적화함으로써 실제 관측치를 가장 근사 하게 추정할 수 있는 입출력 네트워크를 구성하는 기법이다. 기계학습법의 대표적인 기법으로는 SVM(Support Vector Machine)과 RF(Random Forest)를 들 수 있는데, SVM(Support Vector Machine)은 자료의 그루 핑에 있어서 그룹 간의 마진(Margin)을 최대화하는 초평 면인 MMH(Maximum Margin Hyperplane)를 이 용하여 최적분류를 수행하고, 그룹별 분석모형을 적용하 는 기법이다. 또한 RF(Random Forest)는 훈련 데이터 셋에서 반복적인 랜덤 샘플링을 통해 조금씩 다른 특성을 가지는 의사결정트리(Decision Tree)를 생성하고, 필요 시 분포의 적합성을 판단하여 부트스트랩(Bootstrap)으로 리샘플링한 후, 모든 의사결정트리의 분석결과를 집계 하는 배깅(Bagging) 과정을 거치는 앙상블 방식의 모형이다.

위성강국으로 자리매김하기
위해서는 현재 운용 중인 위성의
활용도 증진과 함께
후속위성 발사 및 활용에도
전력투구해야한다.

딥러닝의 일종인 DNN(Deep Neural Network)은 고전적인 신경망이 지역최적해(Local Minima)에 빠지는 현상이나 전통적인 기계학습법에서 간혹 과적합 (Overfitting)의 문제가 발생하는 것을 해결한 심층신경 망 기법으로서, 역전파(Back–Propagation) 알고리즘 과 활성화함수(Activation Function)를 통해 최적화를 극도로 향상시키는 것이다. 사전훈련(Pre–Training)에 서 일차적으로 최적화한 파라미터를 초기치로 사용하는 전 이학습(Transfer Learning)을 통해 최적화를 더욱 향상 시키며, 드롭아웃(Drop–Out) 비율의 조정을 통하여 특이 치에 대한 적응력을 향상시킴으로써 고품질의 위성자료 를 산출하는 데 기여할 수 있다. 또한 시계열 연속성이 뚜 렷하게 나타나는 현상의 경우, 이전 상태(State)의 정보 를 DNN에 반영하는 딥러닝 기법인 RNN(Recurrent Neural Network)을 활용할 수 있다. 실제로 최근 우리나라의 연구에서 강우 강도, 토양수분, 해빙면적비 등의 산 출에 딥러닝을 활용함으로써 정확도를 매우 향상시킨 사례 들을 발견할 수 있다.

우리나라가 위성강국이 되려면

우리나라가 미국, 유럽연합, 중국, 일본과 어깨를 나란히 하 는 위성강국으로 자리매김하기 위해서는 현재 운용 중인 다목적실용위성 아리랑과 정지궤도기상위성 천리안의 활 용을 증진시키는 것뿐만 아니라, 그 후속위성의 발사 및 활 용을 위해서도 전력투구해야 할 것이다. 또한 현 재 기획 중 에 있는 여러 기의 차세대 중형위성(국토, 농림, 수자원, 기 상 등)은 외국의 상용위성 못지않은 고해상도의 근접 관측 정보를 제공할 것이므로 위성본체, 센서 및 활용산출물 개 발에도 만전을 기해야 할 것이다.

빠르게 인식하는 사람의 눈

조사하고자 하는 대상물에 대한 직접적인 접촉 없이 전자 기 복사에너지를 이용하여 그 대상 또는 현상에 대한 정보 를 수집하는 것을 원격탐사라고 한다. 위성원격탐사는 인 공위성에 탑재된 센서를 통하여 지구환경에 대한 원격탐 사를 수행하는 것이다. 위성센서는 관측 방식에 따라 수 동형과 능동형으로 나뉘는데, 수동형 센서는 물체로부터 방출되는 복사에너지를 감지하여 현상을 파악하고, 능동 형 센서는 대상물을 향해 전자기파를 쏘아서 되돌아오는 복사에너지를 감지하여 현상을 측정하는 방식이다.
이러한 전자기파 또 는 복사에너지는 다양한 파장 (Wavelength) 또는 주파수(Frequency) 대역을 가 지는데, 태양복사는 주로 3μm 이하의 단파 스펙트럼으 로 구성되며, 지구복사는 대부분 장파 스펙트럼으로 이루 어진다. 따라서 태양광이 존재하는 낮에는 지구상의 물 체가 태양복사에너지를 흡수 또는 반사하는 성질을 이 용하여 대상을 탐지할 수 있고, 태양광이 존재하지 않는
밤에는 지구방출 복사에너지의 강도를 분석하여 현상을 측정할 수 있다. 태양복사에너지의 표면반사를 감지하 는 경우에는 대부분 0.4~0.7μm 파장대의 가시광선과 0.8~3μm 파장의 근적외선(Near Infrared) 및 단파적 외선(Shortwave Infrared)을 사용하고, 지구방출 복 사에너지를 감지하는 경우에는 대체로 3~14μm 파장 대의 중적외선(Mid infrared) 및 열적외선(Thermal Infrared) 영역을 이용한다. 또한 1mm~1m 파장대의 마이크로파(Microwave)는 구름 입자보다 긴 파장을 가 지기 때문에, 구름을 투과하여 센싱이 가능하다.
가시광선보다 짧은 파장을 가지는 자외선(UV), 그리 고 가시광선(VIS) 및 적외선(IR)은 광학센서(Optical Sensor)에 의해 감지되는데, 위성센서의 분광밴드는 UV+VIS, VIS+IR, 또는 UV+VIS+IR로 구성할 수 있 다. UV는 주로 대기오염물질 측정에 활용될 수 있고, VIS 와 IR은 지표면, 해양, 대기의 다양한 현상을 관측하는 데 사용된다. 마이크로파 위성센서 중 능동형 센서는 레이더(Radar) 형태로서, 마이크로파를 방사하여 관측 대상물 에 부딪히고 돌아오는 신호의 강도를 분석함으로써 대상 물을 파악하는 것이다. 특히 합성개구레이더(Synthetic Aperture Radar, SAR)는 항공기나 위성이 빠르게 이 동하면서 짧은 시간에 많은 양의 마이크로파를 수신하여 합성하는 시스템으로서, L밴드(1~2GHz)는 산림, C밴드 (4~8GHz)는 토양 수분, X밴드(8~12GHz)는 지형, Ku 밴드(12~18 GHz)는 강우의 관측에 주로 활용된다.

그림 1. 전자기 파장대역과 원격탐사 센서

그림 2. 극궤도 위성과 정지궤도 위성

지구를 공전하는 극궤도 위성과 정지궤도 위성

인공위성이 지구를 관측하기 위해서는 남극과 북극을 오 가며 지구 주위를 공전해야 하는데, 이러한 극궤도(Polar Orbiting) 위성들은 대체로 700~900km의 고도에서 궤도를 돌며 주기적으로 같은 곳을 재방문한다. NASA 에서 운영하는 Terra, Aqua, Landsat, 유럽우주국의 Sentinel 등이 대표적인 극궤도 위성이다. 또한 정지궤 도(Geostationary) 위성은 적도 상공 약 36,000km 에서 지구의 자전과 같은 속도로 지구 주위를 공전하며 지구를 관측하기 때문에 지구에서 볼 때에는 항상 정지 해 있는 것처럼 보인다. 미국의 GOES(Geostationary Operational Environmental Satellite), 유럽연합 의 Meteosat, 중국의 풍운(Fengyun), 일본의 히마 와리(Himawari), 그리고 우리나라의 천리안 등이 대 표적인 정지궤도 위성으로서, 해당 국가 주변의 반구(hemisphere) 정도의 영역을 관측한다.
극궤도 위성은 1일 1~2회 또는 며칠 주기로 지구를 모니 터링하고, 정지궤도 위성은 10~20분 간격으로 연속적인 지역 관측을 수행하는데, 이러한 위성들은 대부분 수동 형 광학 센서나 마이크로파 센서를 탑재하여 지구방출 복 사에너지를 감지한다. 자외선, 가시광선, 근적외선 및 단 파적외선과 같은 단파 영역의 복사에너지 강도는 반사도 (Reflectance)로 변환하고, 적외선이나 마이크로파와 같은 장파 영역의 복사에너지는 밝기온도(Brightness Temperature)로 변환하여 원격탐사에 사용된다. 여 러 분광밴드의 반사도를 조합하거나 밝기온도를 이용한 식을 세워서 기상, 해양, 농림, 수문, 재해, 환경 등의 다 양한 지구환경 요소를 관측할 수 있다. 예를 들어, Terra 와 Aqua에 탑재된 MODIS(Moderate Resolution Imaging Spectroradiometer)의 위성자료는 전 세계 적으로 가장 널리 사용되며, 대기(에어로솔, 강수, 구름, 온습도 프로파일), 지표면(온도, 식생, 광합성유효복사 량, 산불, 증발산, 산불), 빙권(해빙, 적설), 해양(해수온, 클로로필-a 농도, 유효광량) 등의 지구환경 모니터링 자 료가 NASA에서 제공되고 있다. 또한 우리나라의 천리 안 위성은 2010년 발사된 이후 2011년부터 현재까지 구름, 수증기, 온도, 일사, 강수, 해빙, 에어로솔 등 다양한 기상 요소를 15분 간격으로 우리나라 주변의 반구 영역 에 대하여 산출하고 있다.

위성 자료를 분석하는 방법

지금까지는 이러한 지구환경 요소들을 산출하는 데 있어 서는 여러 가지 물리방정식이나 선형회귀식이 사용되어 왔다. 그런데 최근 들어 컴퓨팅 파워의 향상과 인공지능 기법의 보급으로 인하여, 물리방정식이나 선형회귀식만 으로 대응하기 어려웠던 비선형적인 관계에 대한 모델링이 보다 용이하게 이루어질 수 있게 되었다. 인과관계나 기작(Mechanism)이 단순하지 않은 현상에 있어서는, 분 광밴드 반사도의 조합이나 밝기온도를 이용하여 계산한 값과 실제 관측치 사이의 관계가 뚜렷한 패턴을 보이지 않는 경우가 많다. 이때 신경망(Neural Network), 기계학습(Machine Learing), 딥러닝(Deep Learning) 등의 인공지능 기법을 사용하면, 이러한 비선형 문제를 원활 하게 해결할 수 있다. 신경망은 입력층, 은닉층, 출력층을 연결하는 노드-링크 구조의 가중치(Weight)와 바이어스 (Bias) 집합을 최적화함으로써 실제 관측치를 가장 근사 하게 추정할 수 있는 입출력 네트워크를 구성하는 기법이다. 기계학습법의 대표적인 기법으로는 SVM(Support Vector Machine)과 RF(Random Forest)를 들 수 있는데, SVM(Support Vector Machine)은 자료의 그루 핑에 있어서 그룹 간의 마진(Margin)을 최대화하는 초평 면인 MMH(Maximum Margin Hyperplane)를 이 용하여 최적분류를 수행하고, 그룹별 분석모형을 적용하 는 기법이다. 또한 RF(Random Forest)는 훈련 데이터 셋에서 반복적인 랜덤 샘플링을 통해 조금씩 다른 특성을 가지는 의사결정트리(Decision Tree)를 생성하고, 필요 시 분포의 적합성을 판단하여 부트스트랩(Bootstrap)으로 리샘플링한 후, 모든 의사결정트리의 분석결과를 집계 하는 배깅(Bagging) 과정을 거치는 앙상블 방식의 모형이다.

위성강국으로 자리매김하기
위해서는 현재 운용 중인 위성의
활용도 증진과 함께
후속위성 발사 및 활용에도
전력투구해야한다.

딥러닝의 일종인 DNN(Deep Neural Network)은 고전적인 신경망이 지역최적해(Local Minima)에 빠지는 현상이나 전통적인 기계학습법에서 간혹 과적합 (Overfitting)의 문제가 발생하는 것을 해결한 심층신경 망 기법으로서, 역전파(Back–Propagation) 알고리즘 과 활성화함수(Activation Function)를 통해 최적화를 극도로 향상시키는 것이다. 사전훈련(Pre–Training)에 서 일차적으로 최적화한 파라미터를 초기치로 사용하는 전 이학습(Transfer Learning)을 통해 최적화를 더욱 향상 시키며, 드롭아웃(Drop–Out) 비율의 조정을 통하여 특이 치에 대한 적응력을 향상시킴으로써 고품질의 위성자료 를 산출하는 데 기여할 수 있다. 또한 시계열 연속성이 뚜 렷하게 나타나는 현상의 경우, 이전 상태(State)의 정보 를 DNN에 반영하는 딥러닝 기법인 RNN(Recurrent Neural Network)을 활용할 수 있다. 실제로 최근 우리나라의 연구에서 강우 강도, 토양수분, 해빙면적비 등의 산 출에 딥러닝을 활용함으로써 정확도를 매우 향상시킨 사례 들을 발견할 수 있다.

우리나라가 위성강국이 되려면

우리나라가 미국, 유럽연합, 중국, 일본과 어깨를 나란히 하 는 위성강국으로 자리매김하기 위해서는 현재 운용 중인 다목적실용위성 아리랑과 정지궤도기상위성 천리안의 활 용을 증진시키는 것뿐만 아니라, 그 후속위성의 발사 및 활 용을 위해서도 전력투구해야 할 것이다. 또한 현 재 기획 중 에 있는 여러 기의 차세대 중형위성(국토, 농림, 수자원, 기 상 등)은 외국의 상용위성 못지않은 고해상도의 근접 관측 정보를 제공할 것이므로 위성본체, 센서 및 활용산출물 개 발에도 만전을 기해야 할 것이다.