재난안전과 GeoAI: 공간정보

레이블이 공간정보인 게시물을 표시합니다. 모든 게시물 표시

2026-10-06

GeoAI 위성·드론 영상 분석, 재난대응 산업이 뜬다 | 재난안전과 GeoAI

GeoAI 위성·드론 영상 분석 기술이 재난대응 산업의 중심으로 떠오르고 있다. 누리호 5차 발사, 위성·드론 영상 분석 스타트업, ArcGIS 경사지 위험 분석 서비스까지 오늘의 관련 소식을 정리했다.

📌 3줄 요약

아크넥사는 위성·드론 영상을 AI로 분석하는 기술로 TIPS 선정을 추진 중이다
누리호 5차 발사로 주탑재위성 포함 15기가 순차로 궤도에 투입될 예정이다
Esri는 ArcGIS 기반 SlopeScout로 주소 단위 경사지 위험 분석을 제공한다

안녕하세요. 오늘은 GeoAI·생성형AI 공간정보 기술이 재난안전 분야에서 어떤 식으로 산업화되고 있는지 짚어보는 브리핑입니다. 누리호 5차 발사와 위성 분리 시퀀스, 세종의 위성·드론 영상 분석 스타트업, 군집드론 전술 비행 기술까지 하드웨어와 소프트웨어가 맞물려 움직이는 하루였습니다.

특히 위성·드론으로 지상을 내려다보는 '관측 인프라'와 그 영상을 해석하는 'AI 분석 기술'이 동시에 뉴스에 등장한 점이 눈에 띕니다. 재난안전학을 공부하는 입장에서는 이런 흐름이 결국 재해영향평가나 위험성 평가에 쓰일 데이터 기반이 넓어지는 과정으로 읽힙니다.

drone aerial survey camera — 자료사진 · 사진: lukasbieri / Pixabay

🚀 누리호 5차 발사, 언제 어떤 위성을 쏘아 올리나요?

누리호 5차 발사가 10월 7일로 예정되어 있으며, 주탑재위성을 포함해 다수의 위성을 궤도에 투입하는 임무로 알려졌습니다. 동아사이언스 보도에 따르면 이번 발사는 주탑재위성의 성능 검증이 핵심 목표로 전해졌습니다.
재난안전 관점에서 보면 국산 위성 확보는 재해 모니터링용 관측 데이터의 자립도를 높이는 기반이 됩니다. 앞으로 이 위성들이 수집할 영상이 산사태, 지반침하 같은 지형 변화 감시에 어떻게 쓰일지 지속적으로 지켜볼 필요가 있어 보입니다.

📰 기사 원문: [누리호 5차발사] 7일 '하늘 문' 연다…"주탑재위성 5기 궤도 투입 성능... - dongascience.com

🛰️ 누리호에서 위성 15기는 어떻게 순서대로 분리되나요?

KBS 보도에 따르면 누리호는 이번 발사에서 위성 15기를 차례로 궤도에 내려놓는 '위성 하차' 작전을 수행할 예정으로 알려졌습니다. 다수 위성을 순차 분리하는 과정은 정밀한 타이밍 제어가 요구되는 고난도 작업으로 전해졌습니다.
여러 위성이 동시에 올라가는 구조는 향후 재해 관측 주기를 단축시킬 잠재력이 있다고 봅니다. 수험생이라면 위성 분리 시퀀스 같은 기술 용어보다, 이 데이터가 결국 어떤 재난 분야 응용으로 이어지는지 흐름을 함께 익혀두면 좋을 것으로 보입니다.

📰 기사 원문: “위성 15기 차례로 내리세요”…누리호의 ‘위성 하차’ 작전 - news.kbs.co.kr

🤖 위성·드론 영상을 AI로 분석하는 스타트업은 어디 있나요?

벤처스퀘어 보도에 따르면 세종창조경제혁신센터가 투자한 아크넥사가 위성·드론 영상을 AI로 분석하는 기술을 바탕으로 TIPS 프로그램 선정을 추진 중인 것으로 알려졌습니다. 이 기술은 전술·산업 분야뿐 아니라 지형 감시용으로도 확장 가능성이 있다고 전해졌습니다.
이런 지역 창업 지원 사례는 GeoAI 산업이 공공 인프라를 넘어 민간 스타트업 생태계로 확산되는 모습을 보여줍니다. 충북 지역에서도 위성·드론 영상 분석 기반 재해 모니터링 스타트업이 나올 수 있는지 관심 있게 지켜볼 대목으로 보입니다.

📰 기사 원문: 세종창조경제혁신센터 투자 아크넥사, 위성·드론 영상 AI로 분석…TIPS ... - venturesquare.net

🚁 군집드론 기술은 재난 현장에서 왜 주목받나요?

지디넷코리아 보도에 따르면 다온아이앤씨가 AI페스타에서 AI 군집드론 기술을 공개하며 전술 비행 혁신을 강조한 것으로 전해졌습니다. 여러 대의 드론이 동시에 협력 비행하는 기술은 원래 군사 목적으로 개발됐지만 재난 현장 수색이나 광범위 지역 모니터링에도 응용될 여지가 있습니다.
군집드론은 한 대보다 넓은 지역을 짧은 시간에 커버할 수 있어 골든타임 확보에 유리한 기술로 평가됩니다. 재난안전학 교육과정에서 다루는 드론 기반 현장 대응 체계가 앞으로 이런 군집 비행 기술과 결합될 가능성이 커 보입니다.

📰 기사 원문: 다온아이앤씨, AI페스타서 AI 군집드론 기술 공개…"전술 비행 혁신" - zdnet.co.kr

⛰️ 경사지 위험을 주소 단위로 확인할 수 있나요?

Esri ArcGIS 블로그는 10월 5일 'SlopeScout'라는 서비스를 소개하며, ArcGIS 기반으로 주소 단위까지 지형 위험을 분석할 수 있다고 전한 것으로 알려졌습니다. 이는 경사지·산사태 위험을 보다 세밀한 단위로 확인하려는 GeoAI 응용 사례로 전해졌습니다.
제천과 충북 같은 산지 비중이 높은 지역에서는 이런 주소 단위 경사지 분석 도구가 재해영향평가나 위험지구 지정 실무에 직접적인 참고 자료가 될 수 있다고 봅니다. 수험생이라면 GIS 공간분석과 재해영향평가가 실제로 어떻게 연결되는지 보여주는 좋은 사례로 참고할 만합니다.

📰 기사 원문: SlopeScout: Decoding Terrain Risk with ArcGIS, One Address at a Time - Esri ArcGIS Blog

🧰 오늘의 핵심 포인트
위성·드론 관측 인프라와 AI 영상 분석 기술이 동시에 발전하면서, 재난 모니터링의 '눈'과 '뇌'가 함께 고도화되고 있습니다. 주소 단위 경사지 위험 분석처럼 실무에 바로 쓸 수 있는 GeoAI 도구가 늘고 있다는 점도 눈여겨볼 부분입니다. 공공 발사체 사업과 민간 스타트업 기술이 서로 보완하며 생태계를 넓혀가는 흐름으로 보입니다.

❓ 자주 묻는 질문

Q. 누리호 5차 발사는 언제 이루어지나요?
A. 동아사이언스 보도에 따르면 2026년 10월 7일로 예정되어 있으며, 주탑재위성을 포함한 다수 위성을 궤도에 투입할 계획으로 알려졌습니다. 자세한 일정과 결과는 원문 참고가 필요합니다.

Q. 위성·드론 영상을 AI로 분석하는 기술은 재난 대응에 어떻게 쓰이나요?
A. 세종창조경제혁신센터가 투자한 아크넥사 사례처럼, 위성·드론 영상 AI 분석은 지형 변화나 재해 징후를 넓은 지역에서 빠르게 파악하는 데 활용될 잠재력이 있는 것으로 전해졌습니다.

Q. 경사지 위험을 주소 단위로 확인하는 서비스가 있나요?
A. Esri ArcGIS 블로그가 소개한 SlopeScout가 이런 기능을 제공하는 것으로 알려졌으며, 구체적인 분석 방식과 범위는 원문을 참고하는 것이 좋습니다.

오늘은 관측 인프라와 AI 분석 기술이 나란히 성장하는 흐름을 확인한 하루였습니다. 다음 브리핑에서 또 새로운 소식으로 찾아뵙겠습니다.

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

GeoAI로 보는 경사지 위험, 주소 단위 분석 시작됐다 | 재난안전과 GeoAI

🎬 1분 브리핑 영상

GeoAI로 보는 경사지 위험 분석이 주소 단위까지 정교해지고 있다. 오늘은 위성 발사, 국토정책, 관제 기술까지 지리공간 분야 주요 소식을 정리했다.

📌 3줄 요약

Esri가 주소 단위 경사지 위험 분석 도구 SlopeScout 공개
누리호 5차 발사로 위성 15기 순차 궤도 투입 예정
디지털트윈·도면 네이티브 관제 기술 비교 논의 확산

안녕하세요, 오늘도 GeoAI·생성형AI·공간정보 소식을 전해드리는 시간입니다. 최근에는 위성 발사와 지형 위험 분석 기술, 그리고 디지털트윈 기반 관제 시스템 등 다양한 영역에서 공간정보 기술이 어떻게 활용되는지 보여주는 소식들이 이어졌습니다.

오늘은 누리호 5차 발사 준비 소식부터, 경사지 위험을 주소 단위로 분석하는 ArcGIS 신규 도구, 그리고 국토정책과 관제 기술 동향까지 고루 짚어보겠습니다. 재난안전학과 시각에서 보면 이런 기술들이 실제 현장 대응과 어떻게 연결되는지가 중요한 포인트입니다.

slope stability monitoring screen — 자료사진 · 사진: ChiemSeherin / Pixabay

⛰️ 내 주소지의 경사지 위험, 어떻게 확인할 수 있나요?

Esri ArcGIS 블로그는 2026년 10월 5일 SlopeScout이라는 도구를 소개했다. 이 도구는 주소 단위로 지형 경사와 위험 요소를 분석해주는 방식으로 알려졌으며, 기존의 넓은 범위 지형 분석을 개별 주소 수준까지 세분화한 점이 특징이다. 주소 기반 분석은 재해영향평가나 산사태 위험지도 작성 시 활용도가 높을 것으로 보인다. 재난안전학과에서 배우는 위험성 평가 실습에서도 이런 식의 세밀한 공간 데이터 접근법이 점점 중요해지고 있으며, 충북처럼 산지 비율이 높은 지역에서는 주소 단위 경사 분석이 실제 주민 대피계획 수립에도 참고가 될 수 있다고 봅니다.

📰 기사 원문: SlopeScout: Decoding Terrain Risk with ArcGIS, One Address at a Time - Esri ArcGIS Blog

🚀 누리호 5차 발사에서 위성은 어떻게 배치되나요?

KBS는 2026년 10월 6일 누리호 5차 발사와 관련해 위성 15기를 차례로 궤도에 내려놓는 '위성 하차' 작전을 보도했다. 여러 위성을 한 번에 쏘아 올려 순차적으로 분리 배치하는 방식은 발사 비용 효율화와 다목적 위성 운용 측면에서 의미가 크다고 알려졌다. 이런 다중 위성 임무는 향후 재난 관측용 위성 데이터 확보에도 영향을 줄 수 있어, GeoAI 분야에서 활용할 수 있는 관측 데이터의 양과 주기가 늘어날 가능성이 있다고 봅니다. 재난안전을 공부하는 입장에서는 위성 발사 성공이 곧 원격탐사 기반 재해 모니터링 인프라 확충으로 이어진다는 점을 눈여겨볼 필요가 있습니다.

📰 기사 원문: “위성 15기 차례로 내리세요”…누리호의 ‘위성 하차’ 작전 - news.kbs.co.kr

🗺️ 관제 시스템에서 디지털트윈과 도면 기반 방식은 뭐가 다른가요?

네이버블로그 maiusflow는 2026년 10월 6일 디지털트윈과 '도면 네이티브' 관제 방식의 차이를 다루며, 관제에서 위치 정보 중심 설계가 왜 중요한지 설명했다. 디지털트윈은 실시간 3차원 공간 정보를 기반으로 하는 반면, 도면 기반 관제는 평면 도면에 위치 데이터를 얹는 방식으로 알려졌다. 재난 상황에서는 현장 지형과 건물 구조를 정확히 반영한 관제 체계가 대응 속도에 직결되므로, 이런 기술 비교는 소방이나 재난상황실 설계에 실질적인 시사점을 줄 수 있다고 봅니다. 학과 커리큘럼의 BCP(업무연속성계획) 수업에서도 위치 중심 관제 설계 개념이 점차 비중 있게 다뤄질 필요가 있어 보입니다.

📰 기사 원문: 디지털트윈과 도면 네이티브 관제의 차이｜관제에는 왜 위치 중심 .... - maiusflow (네이버블로그)

🏙️ 국가균형성장을 위한 거점 중소도시 정책은 무엇을 담고 있나요?

네이버블로그 HJS_ArchiStudio는 2026년 9월 28일 발표된 국토정책 Brief를 분석하며 거점 중소도시 육성 방향을 정리했다. 국가균형성장 차원에서 중소도시 기능을 강화하려는 정책 흐름으로 알려졌으며, 지역 거점 도시 지정과 인프라 확충이 핵심 내용으로 보인다. 이런 정책은 지방 소멸 대응뿐 아니라 재난 대응 인프라 분산 배치와도 연결될 수 있어, 재난안전학과 관점에서는 거점도시별 방재 시설 배치 계획이 함께 논의되는지 살펴볼 필요가 있다고 봅니다. 제천과 같은 중소도시 입장에서도 거점 지정 여부가 향후 방재 예산 확보에 영향을 줄 수 있어 관심 있게 지켜볼 대목입니다.

📰 기사 원문: [2026.9.28 국토정책 Brief 분석] 국가균형성장을 위한 거점 중소도시 육.... - HJS_ArchiStudio (네이버블로그)

🏗️ 전북혁신도시는 정주도시를 넘어 어떤 역할을 하게 되나요?

전라일보는 2026년 10월 5일 김시백 전북연구원 선임연구위원의 인터뷰를 통해 전북혁신도시가 정주도시를 넘어 지역 성장 거점으로 역할을 확대해야 한다는 의견을 전했다. 혁신도시가 단순 이주 정착지를 넘어 지역 산업·행정 기능까지 담당해야 한다는 주장으로 알려졌다. 이런 논의는 지방 거점 도시의 방재 역량 강화와도 맞닿아 있어, 지역 성장과 재난 대응 인프라가 함께 성장해야 한다는 시각이 재난안전학과에서도 중요하게 다뤄지는 주제라고 봅니다. 혁신도시 사례는 충북 지역 거점 개발 논의에도 참고할 만한 선례가 될 수 있어 보입니다.

📰 기사 원문: 김시백 전북연구원 선임연구위원 "전북혁신도시, 정주도시 넘어 지역 성... - domin.co.kr

🧰 오늘의 핵심 포인트
주소 단위 경사지 위험 분석처럼 공간 해상도가 세밀해질수록 재해영향평가의 정확도도 높아질 수 있습니다. 위성 다중 발사 체계가 안정화되면 재난 관측용 원격탐사 데이터 확보 주기가 짧아져 GeoAI 기반 예측 모델의 성능 개선에도 도움이 될 것으로 보입니다. 디지털트윈 기반 관제와 국토 거점도시 정책은 결국 '위치 중심 사고'라는 공통분모를 갖고 있어, 공간정보를 다루는 학생이라면 이 흐름을 함께 이해해두는 것이 좋습니다.

❓ 자주 묻는 질문

Q. 제천처럼 산지가 많은 지역에서 SlopeScout 같은 경사지 분석 도구가 왜 중요한가요?
A. 주소 단위 분석이 가능해지면 개별 가구나 시설 단위로 산사태 위험을 가늠할 수 있어, 기존의 광역 단위 위험지도보다 실생활에 가까운 대비가 가능해질 것으로 보입니다. 다만 구체적인 적용 사례는 원문을 참고하시기 바랍니다.

Q. 누리호 5차 발사에 탑재되는 위성 15기는 어떤 용도인가요?
A. 보도에 따르면 15기 위성을 순차적으로 궤도에 배치하는 작전으로 알려졌으며, 구체적인 위성별 임무나 용도는 추가 확인이 필요합니다. 자세한 내용은 원문을 참고하는 것이 좋습니다.

Q. 디지털트윈 기반 관제 시스템은 기존 CCTV 관제와 무엇이 다른가요?
A. 디지털트윈은 실시간 공간 정보를 입체적으로 구현해 위치 중심으로 상황을 파악하는 방식으로 알려졌습니다. 기존 평면 도면 기반 관제보다 현장 상황 파악이 직관적일 수 있다는 점이 특징입니다.

오늘 소식을 보면 공간정보 기술이 '더 넓게'보다 '더 정밀하게' 진화하는 흐름이 뚜렷했습니다. 내일도 유용한 GeoAI·재난안전 소식으로 찾아뵙겠습니다.

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-09-21

QGIS 입문 | 처음 열고 무엇부터 해보면 되나 | GeoAI 기초 5편

📌 3줄 요약

QGIS는 설치만 하면 바로 쓸 수 있는 무료 오픈소스 GIS 소프트웨어다.
좌표계·레이어·속성테이블, 이 세 개념을 이해하면 기초가 잡힌다.
오픈 데이터로 첫 실습을 마치면 재난안전 데이터도 다룰 수 있다.

GIS를 배워보고 싶은데 어디서 시작해야 할지 막막한 분들이 많습니다. 비싼 소프트웨어를 사야 하나, 코딩을 먼저 익혀야 하나 고민하다가 결국 시작도 못하는 경우도 흔합니다. 그런데 실은 설치 파일 하나를 내려받아 실행하는 것만으로도 시작할 수 있습니다. 그 도구가 QGIS입니다.

QGIS는 개인도 기관도 별도 비용 없이 쓸 수 있는 오픈소스 GIS 소프트웨어입니다. 전 세계 공공기관, 연구소, 재난관리 현장에서 실제로 활용되고 있고, 한국어 인터페이스도 지원합니다. 이번 글에서는 처음 QGIS를 열었을 때 무엇을 보게 되는지, 반드시 알아야 할 세 가지 개념은 무엇인지, 그리고 첫 실습으로 무엇을 해보면 좋은지를 차근차근 안내합니다.

🖥️ QGIS는 어떻게 설치하고, 처음 화면에서 뭘 봐야 하나요?

QGIS 공식 사이트(qgis.org)에서 운영체제에 맞는 설치 파일을 내려받을 수 있습니다. 버전은 크게 장기 지원 버전과 최신 버전 두 종류가 제공되는데, 안정성을 우선한다면 장기 지원 버전을 선택하는 것이 일반적입니다. 설치 후 처음 실행하면 가운데 지도 캔버스, 왼쪽 레이어 패널, 위쪽 메뉴 바와 툴바가 보입니다. 지도 캔버스는 말 그대로 지도가 그려지는 도화지입니다. 레이어 패널은 현재 불러온 데이터 목록을 보여주는 곳으로, 여기 아무것도 없으면 지도에도 아무것도 안 보입니다. 메뉴 버전에 따라 위치나 이름이 조금씩 다를 수 있으니, 찾기 어려울 때는 상단 메뉴 보기 > 패널에서 원하는 패널을 켜거나 끌 수 있습니다. 재난안전 업무에서는 대피소·침수구역·산사태 위험지역 같은 레이어를 이 캔버스 위에 겹쳐 놓고 상황을 한눈에 파악합니다.

🌐 좌표계가 뭔가요? 왜 신경 써야 하나요?

좌표계(Coordinate Reference System, CRS)는 지구 위의 위치를 숫자로 표현하는 약속 체계입니다. 지구는 둥글고 지도는 평면이기 때문에, 어떤 방식으로 둥근 면을 펼치느냐에 따라 같은 위치의 좌표값이 달라집니다. 예를 들어 위도·경도로 나타내는 WGS84와, 한국에서 주로 쓰는 미터 단위 평면 좌표계인 EPSG:5186은 같은 지점이라도 숫자 자체가 완전히 다릅니다. QGIS에서 레이어를 불러오면 오른쪽 아래 상태 표시줄에 현재 좌표계가 표시됩니다. 레이어마다 좌표계가 다르면 지도 위에서 서로 어긋나 보이는 문제가 생깁니다. 이 상태를 '좌표계 불일치'라고 부르며, 이것을 처음에 잡아 두지 않으면 홍수 범람 구역과 도로 레이어가 수백 미터씩 어긋나는 황당한 결과가 나옵니다. 레이어 오른쪽 클릭 > 레이어 속성 > 소스 탭에서 해당 레이어의 좌표계를 확인하고, 필요하면 레이어 > 저장 > 다른 이름으로 저장에서 좌표계를 바꿔 내보낼 수 있습니다.

📂 레이어란 무엇이고, 어떤 종류가 있나요?

레이어는 GIS에서 데이터를 담는 단위입니다. 투명한 필름지 여러 장을 겹치는 것과 비슷합니다. 한 장에는 도로, 한 장에는 하천, 한 장에는 건물 정보가 들어 있고, 이것을 순서대로 쌓으면 완성된 지도가 됩니다. QGIS에서 다루는 레이어는 크게 벡터(Vector)와 래스터(Raster) 두 종류입니다. 벡터는 점·선·면 형태로 위치를 표현하는 방식이고, 래스터는 위성사진이나 수치표고모델처럼 격자(픽셀)로 이루어진 데이터입니다. 레이어를 불러올 때는 상단 메뉴 레이어 > 레이어 추가에서 벡터 레이어 추가, 래스터 레이어 추가, WMS/WMTS 등 원하는 유형을 고릅니다. 레이어 패널 안에서 레이어 이름 왼쪽 체크박스를 끄면 해당 레이어가 캔버스에서 숨겨지므로, 여러 레이어를 켜고 끄며 원하는 정보만 확인할 수 있습니다. 산불 대응 현장에서는 연소 위험지역(래스터)과 소방서 위치(벡터 점)를 같은 캔버스에 올려 놓고 대응 거리를 분석합니다.

🗂️ 속성 테이블에는 어떤 정보가 들어 있나요?

속성 테이블(Attribute Table)은 레이어에 포함된 각 공간 객체의 정보를 행과 열로 정리한 표입니다. 데이터베이스의 테이블과 구조가 같습니다. 예를 들어 대피소 레이어라면 각 대피소마다 이름, 주소, 수용인원, 운영 기관 같은 정보가 열(Column)로 들어 있고, 각 대피소 하나하나가 행(Row)이 됩니다. 속성 테이블을 보려면 레이어 패널에서 원하는 레이어를 오른쪽 클릭 > 속성 테이블 열기를 선택합니다. 표 안의 특정 행을 클릭하면 지도 위에서 해당 객체가 선택(노란색 하이라이트)되므로 위치와 정보를 동시에 확인할 수 있습니다. 해봐야 아는 것 한 가지가 있는데, 속성 테이블을 열어서 상단 연필 아이콘(편집 모드 전환)을 누르지 않으면 값을 수정할 수 없습니다. 편집 모드로 들어가지 않은 상태에서는 셀을 클릭해도 글자가 바뀌지 않습니다. 직접 열어보고 편집 모드 전후 차이를 확인하는 것이 가장 빠른 이해 방법입니다. 재난 상황에서는 대피소별 수용인원 열을 기준으로 일정 인원 이상인 시설만 골라내는 필터 작업에 속성 테이블이 핵심적으로 쓰입니다.

🎯 첫 실습으로 무엇을 해보면 좋을까요?

첫 실습으로 가장 추천하는 과제는 공개 행정 경계 데이터를 불러와 색상을 바꾸고, 속성 테이블에서 특정 조건으로 객체를 선택해 보는 것입니다. 국가공간정보포털(nsdi.go.kr) 또는 통계지리정보서비스(sgis.kostat.go.kr) 같은 공공 사이트에서 시도·시군구 경계 SHP 파일을 내려받을 수 있습니다. 파일을 내려받은 뒤 QGIS에서 레이어 > 레이어 추가 > 벡터 레이어 추가를 선택하고, 찾아보기 버튼으로 .shp 파일을 지정한 다음 추가 버튼을 누릅니다. 레이어가 캔버스에 올라오면 레이어 패널에서 해당 레이어를 더블 클릭해 레이어 속성 창을 열고, 심볼 탭에서 색상과 테두리를 바꿔 보세요. 이어서 속성 테이블을 열고 상단 표현식으로 객체 선택 버튼(ε 모양 아이콘)을 눌러 인구수나 면적 같은 특정 조건을 입력해 보면, 필터 개념을 몸으로 익히게 됩니다. 이 과정이 익숙해지면 침수 예상 구역 레이어에서 특정 침수 깊이 이상인 구역만 골라 대피소 레이어와 겹쳐 보는 분석으로 자연스럽게 이어집니다.

🖥️ 화면에서 따라하기

따라하기 단계

QGIS 설치
qgis.org 접속 > 다운로드 페이지에서 운영체제 선택 후 장기 지원 버전 설치 파일 내려받기
데이터 준비
국가공간정보포털(nsdi.go.kr) 로그인 > 오픈마켓 > 행정경계 SHP 파일 내려받기

새 프로젝트를 열면 보이는 빈 작업창
벡터 레이어 추가
상단 메뉴 레이어 > 레이어 추가 > 벡터 레이어 추가 > 찾아보기로 .shp 파일 선택 > 추가 클릭

벡터 레이어를 불러온 뒤 레이어 패널에 나타난 모습
좌표계 확인
레이어 패널에서 레이어 오른쪽 클릭 > 레이어 속성 > 소스 탭에서 CRS 항목 확인

화면 오른쪽 아래의 좌표계 표시
심볼 변경
레이어 패널에서 레이어 더블 클릭 > 심볼 탭 > 색 채우기·테두리 색 변경 후 확인 클릭
속성 테이블 조회
레이어 오른쪽 클릭 > 속성 테이블 열기 > 표현식으로 객체 선택 버튼 클릭 > 조건식 입력 후 선택 실행

속성 테이블에서 값 확인하기

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다.

✍️ 그대로 복사해 쓰는 프롬프트

QGIS에서 처음 마주치는 오류 메시지나 개념을 빠르게 이해하도록 AI에게 물을 때 쓰는 프롬프트

너는 GIS 초보자를 돕는 QGIS 튜터다.
내가 QGIS를 사용하다 겪은 문제나 이해 안 되는 개념을 설명하면, 다음 형식으로 답해줘.
1. 이 오류나 개념이 왜 생기는지 원리를 두 문장 이내로 설명
2. QGIS 화면에서 실제로 눌러야 할 메뉴와 버튼 이름을 순서대로 나열
3. 해결 후 결과가 올바른지 확인하는 방법 한 줄
전문용어는 처음 나올 때 괄호 안에 한 줄 풀이를 붙여줘.
확인되지 않은 버전 정보나 외부 링크는 만들지 마.
내 문제: [QGIS에서 겪은 오류 메시지 또는 이해 안 되는 개념을 여기에 붙여넣기]
사용 중인 운영체제: [Windows / macOS / Linux]

공개 재난 데이터를 QGIS 실습에 활용하는 방법을 단계별로 안내받을 때 쓰는 프롬프트

너는 재난안전 분야 GIS 실무 교육 전문가다.
아래 조건에 맞는 QGIS 실습 시나리오를 만들어줘.
대상 재난 유형: [홍수 / 산사태 / 산불 중 하나 선택]
사용 가능한 데이터: 공개 행정경계 SHP, 공개 수치표고모델(DEM) 래스터
실습 목표: QGIS에서 레이어 추가 → 좌표계 확인 → 속성 테이블 필터 → 결과 저장까지 한 번에 경험
형식: 단계별 번호 목록, 각 단계마다 QGIS 메뉴 이름과 버튼 이름을 실제 명칭으로 표기
제약: 유료 데이터나 로그인이 필요한 서비스는 제외, 초보자가 1시간 내에 완료할 수 있는 분량
사람이 반드시 확인해야 할 항목: 좌표계 일치 여부, 속성 테이블 필드명이 한글 깨짐 없이 표시되는지

※ 대괄호 부분을 상황에 맞게 바꿔서 쓰세요. 받은 답은 그대로 쓰지 말고 사실 확인을 거치세요.

🧪 직접 해보기

국가공간정보포털(nsdi.go.kr)에서 시군구 경계 SHP 파일을 내려받아 QGIS에 불러오고, 좌표계가 무엇으로 설정되어 있는지 오른쪽 아래 상태 표시줄에서 직접 확인해 본다.
속성 테이블을 열어 표현식으로 객체 선택 기능으로 특정 조건(예: 면적이 일정 값 이상)을 입력해 보고, 선택된 객체가 캔버스에서 어떻게 강조되는지 눈으로 확인한다.
같은 지역의 레이어 두 개를 각각 다른 좌표계로 불러와 캔버스에서 어긋나는 현상을 직접 재현해 보고, 좌표계를 맞춘 뒤 차이를 비교한다.

❓ 자주 묻는 질문

Q. QGIS는 완전 무료인가요? 나중에 비용이 생기지는 않나요?
A. QGIS는 오픈소스 라이선스(GPL)로 배포되어 소프트웨어 자체를 내려받아 쓰는 데는 별도 비용이 없습니다. 다만 함께 쓰는 플러그인이나 데이터 서비스는 제공 주체에 따라 정책이 다를 수 있으므로, 개별 플러그인의 라이선스는 설치 전에 확인하는 것이 좋습니다.

Q. SHP 파일 말고 다른 형식의 데이터도 QGIS에서 열 수 있나요?
A. 네, QGIS는 GeoJSON, KML, GeoPackage, CSV(좌표 열 포함), GeoTIFF 등 다양한 공간 데이터 형식을 지원합니다. CSV 파일처럼 좌표 정보가 열로 들어 있는 파일은 레이어 > 레이어 추가 > 구분된 텍스트 레이어 추가를 통해 불러올 수 있습니다.

Q. 좌표계를 잘못 지정했을 때 데이터가 손상되나요?
A. 원본 파일 자체가 바뀌지는 않습니다. 좌표계를 잘못 지정하면 지도 위 표시 위치가 틀어질 뿐이고, 레이어 속성에서 올바른 좌표계로 다시 지정하면 됩니다. 단, 잘못된 좌표계로 다른 이름으로 저장한 경우에는 원본 파일을 다시 불러와 처음부터 작업하는 것이 안전합니다.

QGIS를 처음 열었을 때 낯선 화면에 당황하는 것은 누구나 겪는 일입니다. 하지만 좌표계, 레이어, 속성 테이블 이 세 가지 개념만 자기 것으로 만들면 그 이후의 모든 작업이 이 세 가지 위에서 돌아간다는 것을 금방 느끼게 됩니다. 처음부터 모든 기능을 파악하려 하지 말고, 오늘 안내한 순서대로 파일 하나를 불러와 색을 바꾸고 속성 테이블을 한 번 열어보는 것만으로도 충분한 시작입니다. 실제 재난안전 업무에서는 이 기초 위에 공간 분석(버퍼, 오버레이, 경로 분석 등)이 얹히는데, 다음 편에서는 QGIS에서 처음 해보는 공간 분석, 그중에서도 '버퍼'와 '교차 분석'이 재난 대피 계획에서 어떻게 쓰이는지를 다룰 예정입니다.

GeoAI 기초 시리즈 5편 · 전체 43편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-09-19

생성형 AI 사용법 1 | 프롬프트는 이렇게 쓴다

📌 3줄 요약

좋은 프롬프트는 역할·맥락·형식·제약 네 요소로 구성된다.
막연한 질문은 막연한 답을 낳고, 구체적 요청은 쓸 수 있는 답을 낳는다.
AI가 되묻게 만드는 프롬프트가 실제 업무에서 가장 안전하다.

재난안전 부서에서 홍수 피해 보고서를 써야 하는 상황을 떠올려 보세요. 생성형 AI에게 "홍수 보고서 써 줘"라고 입력했더니, 교과서에서 복사한 것 같은 일반론이 돌아왔습니다. 다시 시도해서 "홍수가 나면 피해가 크다"는 수준의 문장만 받았다면, 문제는 AI가 아니라 질문 방식에 있을 가능성이 높습니다.

생성형 AI는 입력된 텍스트를 바탕으로 다음에 올 말을 예측해 문장을 만들어 내는 모델입니다. 다시 말해, 내가 어떤 맥락을 제공하느냐에 따라 출력 결과가 완전히 달라집니다. 좋은 프롬프트는 AI에게 '상황'과 '기대치'를 동시에 전달하는 설계도와 같습니다. 이번 글에서는 공간정보와 재난안전 업무에서 실제로 써 먹을 수 있는 프롬프트 작성법을 원리부터 설명합니다.

🧩 프롬프트를 구성하는 네 가지 요소는 무엇인가요?

좋은 프롬프트에는 공통적으로 네 가지 요소가 들어갑니다. 첫째는 역할입니다. AI에게 "너는 GIS 전문가야"처럼 특정 관점을 부여하면, 그 맥락에 맞는 어휘와 논리로 답변이 구성됩니다. 둘째는 맥락입니다. 배경 상황을 알려 주지 않으면 AI는 가장 평균적인 답을 생성하는데, 이것이 "교과서 같은 답변"이 나오는 원인입니다. 셋째는 형식입니다. 원하는 출력 형태를 명시하면 표, 번호 목록, 보고서 문체 등 원하는 형태로 받을 수 있습니다. 넷째는 제약입니다. "전문 용어를 쓰지 말 것", "200자 이내로" 같은 조건을 붙이면 쓸모없는 내용이 줄어듭니다. 산사태 위험 지역 주민 대피 안내문을 작성할 때 이 네 요소를 모두 넣으면, 주민 눈높이에 맞는 실용적인 문서가 나옵니다.

🌧️ 막연한 질문과 구체적 요청은 결과가 얼마나 다른가요?

같은 주제라도 질문 방식에 따라 답변의 품질이 크게 갈립니다. "홍수 대응 계획 알려 줘"라고 입력하면 AI는 누구에게나 해당하는 일반적인 단계를 나열합니다. 반면 아래처럼 입력하면 결과가 달라집니다.

당신은 지자체 재난안전 담당자입니다.
배경: 인구 5만 명 규모의 도시에서 하천 범람 경보가 발령됐습니다.
요청: 향후 6시간 이내에 해야 할 초동 대응 체크리스트를 번호 목록으로 작성해 주세요.
제약: 전문 용어는 괄호 안에 쉬운 말로 풀어 쓰고, 각 항목은 두 문장을 넘기지 않습니다.

이처럼 역할·배경·요청·제약을 모두 담으면 실제로 현장에서 바로 출력해 쓸 수 있는 수준의 초안이 나옵니다. 두 결과를 직접 비교해 보는 것이 이 차이를 가장 빠르게 체감하는 방법입니다. 위성영상 분석 보고서 초안처럼 형식이 정해진 문서일수록 형식 지정의 효과가 더 두드러집니다.

🤔 AI가 되묻게 만들려면 어떻게 요청해야 하나요?

AI에게 답을 바로 달라고 하는 대신, "답을 생성하기 전에 필요한 정보가 있으면 먼저 질문해 주세요"라고 요청하는 방법이 있습니다. 이렇게 하면 AI가 모호한 조건을 스스로 짚어 내고, 사용자는 미처 생각하지 못한 변수를 확인할 수 있습니다. 이 방식이 특히 유용한 이유는, AI가 잘못된 가정을 바탕으로 길게 답변을 생성하는 상황을 막아 주기 때문입니다. 프롬프트 끝에 "시작하기 전에 명확히 해야 할 사항이 있으면 먼저 물어봐 주세요"라는 문장 하나를 붙이는 것만으로도 효과가 있습니다. 산불 확산 예측 보고서처럼 입력 조건(풍향, 연료 상태, 지형)이 여러 개인 경우, 이 방식으로 빠진 조건을 미리 점검하면 결과물의 정확도가 올라갑니다.

📋 역할 설정은 왜 중요하고 어떻게 쓰나요?

역할 설정은 AI가 사용하는 어휘, 논리 구조, 독자를 결정합니다. "너는 GIS 분석가야"와 "너는 초등학교 교사야"는 같은 질문에도 전혀 다른 답을 만들어 냅니다. 역할은 단순히 직업명만 적는 것보다, 그 역할의 독자가 누구인지도 함께 적으면 더 효과적입니다. 예를 들어 "당신은 지자체 재난안전 담당자이며, 이 보고서를 읽을 대상은 현장 소방대원입니다"처럼 쓰면, AI는 현장 중심의 간결한 문체를 선택합니다. 역할을 너무 추상적으로 적으면 효과가 줄어드니, 실제 업무 상황에 가깝게 구체화하는 것이 핵심입니다. 대피 경로 안내 문서처럼 독자가 명확한 문서일수록 역할 설정의 효과가 크게 나타납니다.

⚠️ 프롬프트를 쓸 때 흔히 저지르는 실수는 무엇인가요?

가장 흔한 실수 세 가지가 있습니다. 첫째, 원하는 출력 형식을 적지 않는 것입니다. 형식을 비워 두면 AI는 가장 일반적인 산문 형태로 답합니다. 둘째, 제약 조건을 너무 많이 달아 서로 모순되게 만드는 것입니다. "짧게 써 줘"와 "모든 항목을 빠짐없이 포함해 줘"는 충돌합니다. 셋째, 한 번에 너무 많은 것을 요청하는 것입니다. 프롬프트 하나에 분석, 시각화 설명, 정책 제언을 동시에 요청하면 각각의 품질이 낮아집니다. 이 실수들은 직접 여러 번 요청해 본 뒤 출력을 비교해야 비로소 체감됩니다. 홍수 피해 현황 분석처럼 여러 단계가 필요한 작업은 프롬프트를 단계별로 나눠 입력하는 것이 더 좋은 결과를 냅니다.

🧪 직접 해보기

같은 주제로 막연한 질문과 네 요소(역할·맥락·형식·제약)를 모두 넣은 질문을 각각 입력해 두 결과를 나란히 비교해 보세요.
프롬프트 끝에 "답하기 전에 필요한 정보가 있으면 먼저 질문해 주세요"를 붙이고, AI가 어떤 것을 되묻는지 기록해 두세요. 되묻는 내용이 곧 내 프롬프트의 빈틈입니다.
재난안전 업무에서 자주 작성하는 문서(대피 안내문, 피해 현황 보고서 등) 하나를 골라 프롬프트 초안을 작성한 뒤, 역할·맥락·형식·제약 네 항목이 모두 들어갔는지 스스로 체크해 보세요.

❓ 자주 묻는 질문

Q. 프롬프트가 길수록 더 좋은 답변이 나오나요?
A. 길이 자체보다 내용의 명확성이 중요합니다. 필요한 정보를 빠짐없이 담되, 서로 모순되는 조건이나 불필요한 설명은 오히려 출력 품질을 낮출 수 있습니다.

Q. 생성형 AI가 만든 재난 관련 내용을 그대로 써도 되나요?
A. 생성형 AI는 사실을 보장하지 않습니다. 특히 수치, 법령, 지역 특성처럼 정확성이 중요한 내용은 반드시 원본 자료와 대조해 검토한 뒤 사용해야 합니다. AI 출력은 초안이나 구조 잡기 용도로 활용하는 것이 안전합니다.

Q. 좋은 프롬프트를 매번 새로 짜야 하나요?
A. 자주 쓰는 업무 유형은 프롬프트 템플릿으로 저장해 두면 시간을 아낄 수 있습니다. 역할·맥락·형식·제약을 빈칸으로 남긴 뒤 상황에 맞게 채워 넣는 방식이 실무에서 효율적입니다.

프롬프트는 AI에게 보내는 설계도입니다. 도면이 정밀할수록 결과물이 의도에 가까워지듯, 프롬프트도 역할·맥락·형식·제약을 갖출수록 쓸 수 있는 답이 나옵니다. 처음에는 어색하더라도 같은 요청을 두 가지 방식으로 비교해 보는 연습을 반복하면, 어느 시점부터는 질문을 입력하기 전에 스스로 네 요소를 점검하는 습관이 생깁니다. 중요한 것은 '잘 쓰는 것'보다 '직접 해보고 비교하는 것'입니다. 다음 편에서는 생성형 AI가 틀린 답을 자신 있게 내놓는 현상, 즉 환각(hallucination)이 공간정보와 재난안전 업무에서 왜 특히 주의해야 하는 문제인지 살펴봅니다.

생성형AI 사용법 시리즈 1편 · 전체 6편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-09-16

GIS와 GeoAI는 어떻게 다른가 | 규칙 기반과 학습 기반 | GeoAI 기초 2편

🎬 1분 브리핑 영상

📌 3줄 요약

전통 GIS는 사람이 정한 규칙과 수식으로 공간을 분석한다.
GeoAI는 데이터에서 패턴을 스스로 학습해 결과를 만들어 낸다.
둘은 경쟁 관계가 아니라 서로의 약점을 보완하는 짝꿍에 가깝다.

"침수 위험 지도를 만들었는데, 왜 실제 홍수 때 맞지 않았을까요?" 현장에서 일하는 분들이 종종 토로하는 이야기입니다. 전통적인 GIS 분석은 경사도, 토지 피복, 배수 구역 같은 요소를 수식에 대입해 위험 등급을 계산합니다. 이 방식은 논리가 투명하고 전문가가 통제할 수 있다는 강점이 있지만, 현실의 복잡한 변수를 모두 수식 하나에 담기는 어렵습니다.

반면 GeoAI는 과거 침수 이력, 위성 영상, 강수 데이터를 통째로 학습해 "이런 패턴이면 침수가 생겼다"는 관계를 스스로 찾아냅니다. 그렇다고 GeoAI가 항상 더 좋은 것은 아닙니다. 학습 데이터가 부족하거나 지역 특성이 다르면 엉뚱한 결과를 낼 수 있습니다. 이 글에서는 두 접근법이 어떻게 다르고, 각각 언제 쓰는 것이 합리적인지 원리부터 살펴봅니다.

🗺️ 전통 GIS는 어떤 원리로 공간을 분석하나요?

전통 GIS 분석의 핵심은 '사람이 규칙을 먼저 정한다'는 점입니다. 예를 들어 산사태 위험도를 계산할 때는 경사각이 30도 이상이면 고위험, 토양이 점토질이면 가중치를 높이는 식으로 조건과 수치를 직접 설계합니다. 버퍼 분석(어떤 지점 주변 일정 거리 안의 영역을 구하는 연산), 중첩 분석(여러 레이어를 겹쳐 교집합·합집합 등을 계산하는 연산), 최단 경로 탐색 같은 기능이 여기에 해당합니다. 규칙이 명확하기 때문에 "왜 이 지점이 위험 등급 3등급인가"를 설명하기 쉽습니다. 재난 대응 기관에서 대피 경로를 공식 문서에 제시할 때 이 투명성은 매우 중요합니다. 다만 규칙이 복잡해질수록 전문가의 판단에 의존하는 부분이 커지고, 미처 설계하지 못한 변수는 분석에서 빠집니다.

🤖 GeoAI의 '학습'은 GIS 규칙과 무엇이 다른가요?

GeoAI에서 학습이란 수천, 수만 건의 사례 데이터를 모델에 반복적으로 보여줘서 입력과 출력 사이의 패턴을 스스로 찾게 하는 과정입니다. 사람이 "경사 30도 이상이면 위험"이라고 알려주는 대신, 과거에 산사태가 발생했던 지점과 그렇지 않은 지점의 지형·강수·식생 데이터를 함께 넣으면 모델이 구분 기준을 직접 조율해 나갑니다. 이 과정에서 사람이 미처 생각하지 못한 변수 조합이 중요하게 떠오르기도 합니다. 하지만 모델 내부에서 어떤 조합이 결론을 만들었는지 해석하기 어려운 경우가 많습니다. 이를 '블랙박스 문제'라고 부릅니다. 산불 확산 예측처럼 빠른 판단이 필요하지만 왜 그런 결론인지 설명도 해야 하는 상황에서는 이 점이 큰 고민거리가 됩니다.

⚖️ 각각 어떤 상황에서 더 잘 맞나요?

규칙 기반 GIS는 데이터가 적거나, 결과의 근거를 명확히 설명해야 하는 행정·법적 맥락에서 강점을 발휘합니다. 토지 이용 규제 구역을 설정하거나, 재난 위험도를 국가 기준에 맞춰 산출할 때가 좋은 예입니다. 반면 GeoAI는 데이터가 충분하고, 변수 간 관계가 복잡하며, 사람이 규칙을 일일이 설계하기 어려운 상황에서 진가를 발휘합니다. 위성 영상에서 건물 피해를 자동으로 탐지하거나, 대규모 산림에서 산불 취약 지점을 선별하는 작업이 여기에 해당합니다. 해봐야 아는 것도 있습니다. 같은 데이터셋에 규칙 기반 방식과 학습 기반 방식을 각각 적용해 보고, 두 결과의 불일치 지점을 지도 위에 겹쳐 보면 어느 쪽이 현실에 더 가까운지 직접 판단할 수 있습니다. 불일치 면적이 크다면 데이터 품질이나 규칙 설계를 다시 점검할 신호입니다.

🔗 실제 현장에서는 두 방법을 어떻게 함께 쓰나요?

둘을 섞어 쓰는 흐름은 크게 두 가지 패턴으로 나타납니다. 첫 번째는 '전처리를 GIS가, 예측을 AI가' 담당하는 구조입니다. 좌표 변환, 레이어 정제, 이상치 제거 같은 공간 데이터 전처리는 GIS 도구로 수행하고, 정제된 데이터를 학습 모델에 넣어 예측값을 뽑습니다. 두 번째는 'AI 결과를 GIS가 검증·시각화하는' 구조입니다. 모델이 출력한 홍수 위험 확률 값을 GIS에서 공간 통계로 검토하고, 기존 침수 이력 레이어와 비교해 신뢰성을 확인한 뒤 최종 지도를 생성합니다. 이 혼합 방식은 홍수 예경보 시스템처럼 빠른 속도와 설명 가능성을 동시에 요구하는 재난 대응 업무에서 실용적인 선택지가 됩니다.

🧩 두 방식을 연결할 때 주의해야 할 점은 무엇인가요?

가장 흔한 실수는 GIS로 만든 파생 변수(예: 경사도, 유역 면적)를 AI 모델에 그냥 넣으면 된다고 생각하는 것입니다. GIS 레이어마다 좌표계, 해상도, 결측 처리 방식이 다르면 학습 데이터 자체가 어긋납니다. 특히 격자(래스터) 데이터와 벡터 데이터를 같은 공간 단위로 맞추는 리샘플링 과정에서 정보 손실이 생길 수 있습니다. 또 학습에 쓴 지역과 예측에 적용할 지역의 지형·기후 특성이 다르면 모델 성능이 크게 떨어집니다. 이를 '공간적 과적합'이라고 부르며, 훈련 데이터와 검증 데이터를 단순히 무작위로 나누는 대신 공간적으로 분리해 평가하는 방법이 권장됩니다. 산사태나 산불 위험 모델을 특정 지역에서 훈련하고 다른 지역에 바로 적용할 때 이 점을 빠뜨리면 현장 판단에 오류가 생길 수 있습니다.

🧪 직접 해보기

QGIS(오픈소스 GIS 도구)에서 경사도 분석과 중첩 분석을 직접 실행해 보고, 규칙을 바꿔 가며 결과 지도가 어떻게 달라지는지 비교해 본다.
같은 연구 지역에 대해 규칙 기반으로 만든 위험도 지도와 공개 논문이나 리포트에 실린 AI 기반 위험도 지도를 겹쳐 보고, 두 결과가 다른 지점이 어디인지 메모해 본다.
Google Earth Engine(웹 기반 지구 관측 플랫폼)의 공개 예제 코드 중 머신러닝 분류 예제를 찾아, 학습 샘플 수를 절반으로 줄였을 때 정확도가 어떻게 변하는지 직접 확인해 본다.

❓ 자주 묻는 질문

Q. GIS를 잘 몰라도 GeoAI를 쓸 수 있나요?
A. 파이썬 라이브러리만으로도 공간 데이터를 다룰 수 있어서 진입 자체는 가능합니다. 다만 좌표계, 공간 해상도, 레이어 정합 같은 GIS 기초 개념을 모르면 데이터 전처리에서 실수를 반복하게 됩니다. GIS 기초를 조금씩 병행해서 공부하는 것이 장기적으로 유리합니다.

Q. AI 모델이 규칙 기반보다 항상 더 정확한가요?
A. 그렇지 않습니다. 학습 데이터가 충분하지 않거나 예측 대상 지역의 특성이 학습 지역과 많이 다르면 규칙 기반 방식이 더 안정적인 결과를 낼 수 있습니다. 정확도는 데이터 품질, 모델 설계, 적용 지역 조건에 따라 달라지므로 두 방식을 비교 평가하는 과정이 필요합니다.

Q. 공간적 과적합은 어떻게 확인하나요?
A. 훈련 데이터와 검증 데이터를 지리적으로 서로 다른 구역으로 나눈 뒤 모델 성능을 평가해 보면 됩니다. 무작위 분할 때보다 성능이 크게 떨어진다면 모델이 특정 지역 패턴에 과하게 맞춰진 것입니다. 이 방법을 공간 교차검증이라고 부릅니다.

전통 GIS와 GeoAI는 서로를 대체하는 기술이 아닙니다. 규칙 기반 분석은 논리를 명확히 드러내고, 학습 기반 모델은 사람이 설계하기 어려운 복잡한 패턴을 찾아냅니다. 현장에서는 이 둘을 조합해 데이터를 정제하고, 예측하고, 다시 검증하는 흐름이 점점 표준이 되어가고 있습니다. 어느 방식이 맞는지 고민하기보다, 내 데이터와 목적에 어떤 조합이 적합한지를 따지는 눈을 기르는 것이 중요합니다. 다음 편에서는 이 GeoAI가 실제로 어떤 종류의 공간 데이터를 입력으로 받는지, 위성 영상·벡터·포인트 클라우드 데이터가 모델 안에서 어떻게 다뤄지는지를 살펴볼 예정입니다.

GeoAI 기초 시리즈 2편 · 전체 26편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

GeoAI란 무엇인가? 공간정보와 인공지능이 만나면 | GeoAI 기초 1편

📌 3줄 요약

GeoAI는 공간정보(GIS)와 인공지능을 결합해 위치 기반 문제를 푸는 분야다.
기존 GIS가 규칙 기반 분석이라면, GeoAI는 데이터에서 패턴을 스스로 학습한다.
재난·도시·농업·환경 분야에서 실제 의사결정을 돕는 도구로 빠르게 자리잡고 있다.

2023년 여름, 집중호우로 산사태가 발생했을 때 구조대가 가장 먼저 한 일은 지도를 펼치는 것이었습니다. 어느 마을이 가장 위험한지, 대피 경로는 어느 쪽이 안전한지를 판단하려면 지형, 강수량, 토지피복, 도로 상태 등 수십 가지 공간 데이터를 동시에 읽어야 했습니다. 사람이 이 모든 정보를 빠르게 종합하기란 쉽지 않습니다. 바로 이 지점에서 GeoAI라는 개념이 등장합니다. 공간정보(GIS, Geographic Information System: 지리적 위치와 속성을 함께 저장·분석하는 시스템)와 인공지능이 만나면, 사람이 일일이 규칙을 짜 넣지 않아도 데이터 스스로가 위험 패턴을 찾아냅니다. 이 시리즈는 그 원리와 실제 쓰임새를 처음 접하는 분들도 따라올 수 있도록 차근차근 풀어나갑니다. 첫 편인 오늘은 GeoAI가 무엇인지, 기존 GIS 분석과 어떻게 다른지, 그리고 어느 분야에서 어떻게 쓰이는지를 살펴봅니다.

🗺️ GeoAI는 GIS와 AI를 그냥 합쳐놓은 건가요?

GeoAI는 단순히 두 기술을 나란히 놓는 게 아닙니다. 공간 데이터가 가진 고유한 특성, 즉 위치·거리·방향·시간의 변화가 결합된 복잡성을 인공지능이 학습 재료로 삼는 방식입니다. 쉽게 비유하면, GIS가 도서관의 지도 열람실이라면 GeoAI는 그 지도를 수백만 장 읽고 나서 새 지도를 스스로 그려내는 사서에 가깝습니다. 핵심 원리는 공간 자기상관(Spatial Autocorrelation: 가까운 곳일수록 비슷한 속성을 가지는 경향)을 학습 과정에 반영한다는 점입니다. 일반 인공지능 모델은 데이터 행 사이의 순서나 위치 관계를 무시하는 경우가 많지만, GeoAI는 위도·경도·고도 정보를 학습 구조 안에 녹여 냅니다. 홍수 예측 모델을 만들 때도 강수량 수치만 넣는 것이 아니라, 하천으로부터의 거리, 경사도, 상류 유역 면적 같은 공간 맥락을 함께 학습시켜야 실제 현장에서 의미 있는 결과가 나옵니다.

🔍 기존 GIS 분석과 무엇이 다른가요?

기존 GIS 분석은 전문가가 규칙을 먼저 정합니다. 예를 들어 "경사가 30도 이상이고 강우량이 100mm를 넘으면 산사태 위험 구역으로 표시한다"는 식입니다. 이 방식은 직관적이고 설명하기 쉽지만, 현실은 그 규칙을 벗어나는 예외로 가득합니다. 토양의 종류, 식생 밀도, 과거 산사태 이력 등 고려해야 할 변수가 수십 개를 넘어가면 전문가가 모든 조합을 손으로 짜 넣기 어렵습니다. GeoAI는 반대로 과거 데이터에서 패턴을 스스로 발견합니다. 모델이 수천 건의 과거 사례를 보며 어떤 공간 조건이 실제 피해와 연결되는지를 학습하는 방식입니다. 다만 이 과정에서 해봐야 아는 것이 있습니다. 학습 데이터의 지역적 편향 문제입니다. 특정 지역에서만 수집된 데이터로 만든 모델은 다른 지형 환경에 적용하면 성능이 크게 떨어질 수 있습니다. 모델을 새 지역에 쓰기 전에는 반드시 해당 지역 샘플 데이터로 검증(Validation)을 거쳐야 하고, 정확도 지표가 어느 수준인지 직접 확인하는 절차가 필요합니다.

🌊 재난 대응에서는 구체적으로 어떻게 쓰이나요?

재난 분야는 GeoAI의 효과가 가장 뚜렷하게 드러나는 영역입니다. 홍수 예측에서는 위성에서 수집한 수면 고도 데이터, 기상 예보, 과거 침수 이력을 딥러닝 모델에 입력해 특정 강우 시나리오에서 어느 지점이 먼저 잠기는지를 미리 시뮬레이션합니다. 산불의 경우 드론이나 위성 영상에서 식생 건조도를 추정하고, 바람 방향 데이터와 결합해 불길이 어느 방향으로 번질 가능성이 높은지를 예측합니다. 산사태 위험 지도는 지형·지질·토지피복을 공간 특성으로 삼아 머신러닝 모델이 위험 등급을 화소(픽셀) 단위로 분류해 줍니다. 이렇게 만들어진 지도는 대피 명령 우선순위 결정이나 구조 자원 배치 계획에 직접 활용됩니다. 단, 모델 결과는 확률적 추정이므로 현장 전문가의 최종 판단과 함께 사용해야 합니다.

🏙️ 도시·농업·환경 분야에서는 어떤 문제를 푸나요?

도시 분야에서는 위성 영상과 AI를 결합해 건물 변화 감지, 도로 균열 탐지, 불법 건축물 식별 등에 씁니다. 행정 담당자가 수천 장의 항공사진을 일일이 보는 대신, 모델이 변화 가능성이 높은 곳을 먼저 골라내면 점검 효율이 높아집니다. 농업에서는 드론으로 촬영한 다중분광 영상(MultiSpectral Image: 가시광선 외에 근적외선 등 여러 파장대를 함께 촬영한 영상)을 분석해 작물의 스트레스 상태, 병충해 발생 가능 구역, 수분 부족 지점을 필지 단위로 파악합니다. 환경 분야에서는 해양 쓰레기 분포 추적, 습지 면적 변화 감지, 산림 탄소 저장량 추정 등 광역적인 모니터링에 활용됩니다. 이처럼 GeoAI는 사람이 직접 발로 뛰기 어려운 넓은 면적을 빠르게 파악해야 할 때, 또는 시간에 따른 미세한 변화를 놓치지 않아야 할 때 실질적인 힘을 발휘합니다. 재난 예방 측면에서도 환경 모니터링은 중요한데, 습지 감소나 산림 파괴가 홍수·산사태 위험과 직결되기 때문입니다.

📚 이 시리즈에서는 어떤 내용을 다루나요?

이번 시리즈는 GeoAI와 생성형 AI가 교차하는 지점을 중심으로 구성되어 있습니다. 2편에서는 GeoAI에 가장 많이 쓰이는 위성 영상의 종류와 특성을 다루고, 3편에서는 공간 데이터를 학습 데이터로 만드는 전처리 과정을 설명합니다. 이후 편에서는 이미지 분류, 객체 탐지, 변화 탐지 같은 대표적인 모델 유형을 다루고, 후반부에서는 거대언어모델(LLM: Large Language Model, 방대한 텍스트를 학습해 자연어를 이해하고 생성하는 모델)이 공간 분석과 어떻게 결합되는지를 살펴볼 예정입니다. 각 편은 독립적으로 읽어도 이해할 수 있도록 구성하지만, 순서대로 읽으면 개념이 쌓이는 흐름이 자연스럽게 이어집니다. 이 시리즈가 끝날 때쯤이면 위성 영상 한 장을 받아 들고 어떤 모델로 무슨 문제를 풀 수 있는지 스스로 설계해볼 수 있는 수준이 목표입니다. 재난 대응이나 환경 모니터링 업무를 맡고 있다면, 시리즈 전체가 하나의 실무 참고 지도가 될 것입니다.

🧪 직접 해보기

QGIS(무료 GIS 소프트웨어)를 내려받아 국토지리정보원 등에서 제공하는 공개 공간 데이터를 불러온 뒤, 레이어를 겹쳐보며 위치 관계가 시각적으로 어떻게 달라지는지 직접 확인해 보세요.
Google Earth Engine의 무료 코드 편집기 환경에서 특정 지역의 위성 영상을 불러와 시간 순으로 나열해보고, 토지 피복이 연도별로 어떻게 바뀌었는지 눈으로 비교해 보세요.
공개된 산사태 또는 침수 피해 이력 데이터를 찾아보고, 피해 지점의 경사도·토지피복 특성이 비피해 지점과 어떻게 다른지 표로 정리해보세요. 이 비교가 GeoAI 학습 데이터 설계의 출발점입니다.

❓ 자주 묻는 질문

Q. GeoAI를 배우려면 GIS를 먼저 다 알아야 하나요?
A. 꼭 그렇지는 않습니다. 좌표계, 레이어, 공간 연산 같은 기본 개념을 이해하는 것이 도움이 되지만, GIS 전문가 수준이 되어야 시작할 수 있는 것은 아닙니다. 이 시리즈처럼 개념을 병행해 배우면서 실습을 쌓아가는 방식도 효과적입니다.

Q. GeoAI와 딥러닝은 어떤 관계인가요?
A. 딥러닝은 GeoAI가 사용하는 여러 인공지능 기법 중 하나입니다. 위성 영상처럼 픽셀 기반의 대용량 데이터를 다룰 때는 딥러닝(특히 합성곱 신경망 계열)이 자주 쓰이고, 수치형 공간 속성 데이터를 분석할 때는 머신러닝 방법도 많이 활용됩니다. 문제의 성격에 따라 적합한 기법이 달라집니다.

Q. GeoAI 모델 결과를 실제 재난 대응에 그대로 써도 되나요?
A. 모델 결과는 확률적 추정값이므로 단독으로 의사결정에 사용하는 것은 권장되지 않습니다. 현장 전문가의 판단, 최신 기상 정보, 지역 맥락 등을 함께 검토하는 것이 기본 원칙이며, 특히 대피 명령처럼 인명과 직결되는 결정에서는 모델은 참고 자료 역할로 두는 것이 적절합니다.

GeoAI는 화려한 신기술처럼 보이지만, 그 뿌리는 '어디에서 무슨 일이 일어나고 있는가'라는 아주 오래된 질문에 닿아 있습니다. 지도를 보는 행위 자체가 공간 정보를 해석하는 것이고, GeoAI는 그 해석의 범위와 속도를 넓히는 도구입니다. 처음에는 낯설게 느껴지더라도 기본 원리를 하나씩 쌓아가면 어느 순간 위성 영상 한 장이 전혀 다르게 보이기 시작할 것입니다. 다음 편에서는 GeoAI의 핵심 재료인 위성 영상이 어떻게 만들어지고, 광학 영상과 레이더 영상은 무엇이 다른지를 살펴볼 예정입니다.

GeoAI 기초 시리즈 1편 · 전체 26편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기