위성영상 기초 | 해상도·밴드·광학과 SAR의 차이 | GeoAI 기초 3편

🎬 1분 브리핑 영상

📌 3줄 요약

• 위성영상의 해상도는 공간·시간·분광 세 가지로 나뉘며 각각 의미가 다르다.
• 광학위성은 햇빛이 필요하고, SAR은 구름·야간에도 지표를 볼 수 있다.
• 재난 상황에서는 광학과 SAR을 상황에 맞게 골라 쓰거나 함께 활용한다.

2025년 여름, 어느 지역에 태풍이 상륙했다고 가정해 봅시다. 피해 현황을 파악하려면 위성영상이 필요한데, 하늘은 두꺼운 구름으로 덮여 있습니다. 이때 일반 카메라 방식의 위성을 띄워 봤자 구름 한 장만 찍힐 뿐입니다. 그렇다면 재난 대응 기관은 어떤 위성을 써야 할까요?

이 질문에 답하려면 위성영상이 어떻게 만들어지는지, 그리고 영상마다 '해상도'가 왜 다른지를 먼저 이해해야 합니다. 위성영상은 단순한 사진이 아닙니다. 언제, 얼마나 자주, 어떤 빛을 이용해 찍혔느냐에 따라 담긴 정보의 종류와 양이 완전히 달라집니다. GeoAI가 위성영상을 학습 데이터로 삼는 이유도 바로 그 풍부한 정보 때문입니다. 이번 글에서는 위성영상을 처음 접하는 분들이 반드시 알아야 할 세 가지 해상도 개념과, 광학위성과 SAR 위성의 차이를 재난 대응 관점에서 풀어 드리겠습니다.

📐 위성영상의 해상도, 왜 세 가지나 있나요?

일상에서 '해상도'라고 하면 보통 사진이 얼마나 선명한지를 떠올립니다. 위성영상에서도 선명함은 중요하지만, 그것만이 전부가 아닙니다. 위성영상의 해상도는 크게 공간 해상도, 시간 해상도, 분광 해상도 세 가지로 나뉩니다.

공간 해상도는 영상 한 픽셀이 실제 지표면에서 몇 미터를 나타내는지를 의미합니다. 예를 들어 1픽셀이 10m라면, 10m보다 작은 물체는 구별되지 않습니다. 시간 해상도는 같은 장소를 얼마나 자주 촬영할 수 있는지, 즉 재방문 주기를 뜻합니다. 매일 찍히는 위성이 있는가 하면, 수십 일에 한 번 지나가는 위성도 있습니다. 분광 해상도는 몇 개의 파장대(밴드)로 빛을 나눠 기록하느냐입니다. 가시광선만 기록하는 위성도 있고, 근적외선·단파적외선 등 다양한 밴드를 함께 기록하는 위성도 있습니다. 산불 현장에서 연기 뒤에 숨은 불씨를 찾거나, 식생 상태를 진단할 때는 분광 해상도가 높은 영상이 훨씬 유리합니다.

🌿 밴드가 많으면 뭐가 좋은가요?

밴드(band)란 위성 센서가 측정하는 특정 파장 범위를 말합니다. 사람의 눈이 빨강·초록·파랑 세 가지 색을 조합해 세상을 보듯, 위성도 여러 밴드를 조합해 지표의 특성을 파악합니다.

가시광선 밴드만 쓰면 우리 눈에 보이는 것과 비슷한 영상이 만들어집니다. 여기에 근적외선 밴드를 추가하면 식물이 건강한지 아닌지를 수치로 나타낼 수 있습니다. 이 수치를 NDVI(정규화 식생지수)라고 부르는데, 식물이 빛을 강하게 반사하는 근적외선 특성을 이용한 것입니다. 단파적외선 밴드는 수분에 민감하게 반응해서, 토양이나 식생의 수분량을 추정하는 데 씁니다. 이를 통해 산불 직후 탄화된 영역과 살아남은 식생을 구분하거나, 산사태 발생 가능 지역의 토양 수분을 사전에 모니터링할 수 있습니다. 밴드 수가 수십 개 이상인 초분광(hyperspectral) 영상은 더욱 세밀한 물질 분류가 가능하지만, 데이터 용량이 크고 처리가 복잡하다는 단점이 있습니다.

☁️ 광학위성은 구름이 끼면 왜 아무것도 못 보나요?

광학위성은 태양빛이 지표에 반사되어 올라오는 신호를 기록합니다. 카메라와 작동 원리가 같기 때문에, 빛을 차단하는 구름이 끼거나 밤이 되면 지표를 볼 수 없습니다. 이것이 광학위성의 가장 큰 제약입니다.

구름 피복률이 높은 장마철이나 태풍 통과 직후에는 광학영상을 며칠씩 확보하지 못하는 상황이 발생합니다. 재난은 날씨를 가리지 않고 일어나는데, 영상은 맑은 날에만 쓸 수 있다는 것은 심각한 한계입니다. 반면 광학영상은 우리 눈에 익숙한 색과 형태로 표현되어 판독이 직관적이고, 고해상도 제품의 경우 건물 윤곽이나 도로 파손 상황을 육안으로도 파악할 수 있습니다. 피해가 발생한 뒤 구름이 걷혔을 때 광학영상을 확보해 변화 탐지를 수행하는 것이 일반적인 재난 대응 절차입니다.

📡 SAR 영상은 구름도 뚫고 밤에도 찍힌다는데, 어떤 원리인가요?

SAR(합성개구레이더, Synthetic Aperture Radar)는 위성 스스로 마이크로파를 지표로 쏘고, 반사돼 돌아오는 신호를 기록하는 방식입니다. 자체적으로 신호를 발사하기 때문에 태양빛이 없어도 되고, 마이크로파는 구름을 통과하므로 날씨 영향을 거의 받지 않습니다. 마치 손전등을 들고 스스로 비추며 촬영하는 것과 비슷합니다.

SAR 영상에서 물 표면은 입사된 마이크로파를 정반사(specular reflection)하여 센서 쪽으로 거의 돌려보내지 않습니다. 그 결과 물은 어둡게, 거친 지표나 건물은 밝게 나타납니다. 이 원리를 이용하면 홍수 침수 지역을 빠르게 파악할 수 있습니다. 홍수 전후 SAR 영상을 비교하면 물이 새로 들어찬 지역이 어두워진 것을 확인할 수 있어, 침수 범위 지도를 자동으로 만드는 GeoAI 모델의 핵심 입력 데이터로 활용됩니다. 다만 SAR 영상은 광학영상과 달리 우리 눈에 낯선 형태로 표현되어 해석에 별도의 학습이 필요합니다.

🔥 재난 현장에서는 광학과 SAR 중 어느 쪽을 선택하나요?

정답은 '상황에 따라 다르다'입니다. 두 방식의 장단점이 서로 다르기 때문에, 실제 재난 대응에서는 두 영상을 함께 쓰는 융합 방식이 점점 많아지고 있습니다.

태풍·홍수처럼 구름이 두껍고 야간에도 상황이 급변하는 재난에서는 SAR이 거의 유일한 선택지입니다. 신속하게 침수 범위를 파악해야 할 때 구름이 걷히길 기다릴 수 없기 때문입니다. 반면 산사태나 산불처럼 피해 지역의 세밀한 형태 파악이 중요하고 날씨가 허락하는 상황에서는 고해상도 광학영상이 더 직관적으로 활용됩니다. 실무에서 해봐야 아는 것이 있는데, 같은 지역을 광학영상과 SAR 영상으로 각각 열어서 어떤 정보가 다르게 보이는지 직접 비교하는 것입니다. 예를 들어 물이 고인 지역이 SAR에서는 뚜렷하게 어둡게 표현되는지, 광학영상에서는 구름 탓에 그 부분이 가려지는지 확인해 보면 두 방식의 차이를 훨씬 빠르게 체감할 수 있습니다.

🧪 직접 해보기

• Copernicus Browser(copernicus.eu)에 접속해 관심 지역을 선택한 뒤, Sentinel-2(광학)와 Sentinel-1(SAR) 영상을 같은 날짜 범위로 각각 불러와 동일 지역을 비교해 본다.
• Sentinel-2 영상에서 밴드 조합을 바꿔 보면서(예: 자연색 합성과 근적외선 합성) 식생이나 수체가 어떻게 달라 보이는지 확인한다.
• 홍수나 산불 전후 사례를 Copernicus Emergency Management Service(CEMS) 아카이브에서 찾아, 실제 재난 대응에 사용된 영상이 광학인지 SAR인지 살펴본다.

❓ 자주 묻는 질문

Q. SAR 영상에서 물은 왜 어둡게 보이나요?
A. SAR은 마이크로파를 지표에 쏘고 반사된 신호를 기록합니다. 잔잔한 수면은 마이크로파를 센서 반대 방향으로 정반사해 거의 돌려보내지 않기 때문에 신호가 약하게 수신되어 영상에서 어둡게 나타납니다. 거친 지표나 모서리가 많은 건물은 신호를 강하게 되돌려 밝게 보입니다.

Q. 공간 해상도가 높을수록 항상 좋은 건가요?
A. 공간 해상도가 높으면 더 작은 물체를 식별할 수 있지만, 파일 용량이 커지고 처리 시간도 늘어납니다. 또한 넓은 지역을 빠르게 모니터링해야 하는 상황이라면 중간 해상도 영상이 오히려 실용적일 수 있습니다. 목적에 맞는 해상도를 선택하는 것이 중요합니다.

Q. 위성이 매일 지나가지 않으면 재난 대응에 어떻게 쓰나요?
A. 단일 위성의 재방문 주기가 길더라도, 여러 위성을 운용하거나 다른 기관의 위성 데이터를 함께 활용하면 관측 빈도를 높일 수 있습니다. 국제 재난 협력 체계를 통해 비상 시 다른 나라 위성 데이터를 긴급 제공받는 방식도 활용됩니다.

위성영상은 GeoAI의 눈이라고 할 수 있습니다. 공간·시간·분광 해상도를 이해하고, 광학과 SAR이 각각 어떤 상황에 강한지를 알면 재난 현장에서 어떤 데이터를 먼저 요청해야 할지 판단이 훨씬 빠라집니다. 광학영상이 구름에 막혀 있는 동안 SAR이 침수 범위를 잡아내고, 구름이 걷힌 뒤 고해상도 광학영상이 피해 건물 수를 세는 방식으로 두 데이터는 서로를 보완합니다. 이제 위성영상이 단순한 '사진'이 아니라 여러 파장과 시간의 정보가 담긴 데이터라는 감이 오셨길 바랍니다. 다음 편에서는 이 영상 데이터를 GeoAI 모델이 어떻게 학습하고, 변화를 탐지하는지 그 구체적인 방법을 살펴볼 예정인데, 과연 AI는 홍수 전후 영상에서 무엇을 보고 침수 지역을 판단하는 걸까요?

GeoAI 기초 시리즈 3편 · 전체 26편

---

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

• 🌐 재난안전과 GeoAI 홈페이지
• 📺 유튜브 @geoai-safety
• 🧭 세명대 재난안전학과 블로그
• 🏫 세명대학교 재난안전학과 홈페이지

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

• 🌐 재난안전과 GeoAI 홈페이지
• 📺 유튜브 @geoai-safety
• 🧭 세명대 재난안전학과 블로그
• 🏫 세명대학교 재난안전학과 홈페이지