재난안전과 GeoAI: 재난안전학과

레이블이 재난안전학과인 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

2026-10-05

안전 점검표·체크리스트, AI로 만들기 | 안전한국훈련 실무 5편

안전 점검표는 대상과 판정 기준, 조치까지 담아야 현장에서 실제로 쓰인다. 생성형 AI로 초안을 만들고 사람이 검증해 hwpx 인쇄용 문서로 마무리하는 절차를 정리했다.

📌 3줄 요약

점검표는 대상·주기·판정기준·조치가 있어야 쓸모 있다
법정 항목 누락 막으려면 근거 지침과 AI 교차확인이 필요하다
예/아니오 넘어 조치까지 적는 칸 설계가 핵심이다

점검표를 만들어 본 사람이라면 한 번쯤 이런 경험이 있을 겁니다. 항목은 잔뜩 적었는데 막상 현장에 들고 나가면 "이건 예/아니오만 체크하고 끝이네, 그래서 뭘 어떻게 하라는 거지?"라는 질문이 돌아오는 경우입니다. 점검표는 단순히 빈칸을 채우는 서식이 아니라, 위험을 발견했을 때 누가 무엇을 언제까지 해야 하는지까지 이어지는 '행동 지침서'여야 합니다. 특히 재난안전 분야에서는 점검표 한 줄이 누락되면 실제 사고로 이어질 수 있어서, 법정 항목을 빠뜨리지 않으면서도 현장에서 바로 조치로 연결되는 구성이 중요합니다. 이번 편에서는 AI를 활용해 이런 점검표 초안을 빠르게 만들고, 사람이 반드시 확인해야 할 부분과 hwpx 인쇄용 문서로 마무리하는 순서까지 다뤄보겠습니다.

Side view of crop African American female medic in uniform reading text on paper at work — 자료사진 · 사진: Laura James / Pexels

🧩 점검표에 꼭 들어가야 하는 네 가지는 뭔가요?

쓸모 있는 점검표는 대상, 주기, 판정 기준, 조치라는 네 요소가 빠짐없이 있어야 합니다. 대상은 "무엇을 점검하는가"(소화기, 배수로, 비상조명 등)이고, 주기는 "언제 하는가"(일일, 월간, 우기 전)입니다. 판정 기준은 "무엇을 보고 양호·불량을 가르는가"인데, 이게 애매하면 점검자마다 다른 결론을 내립니다. 예를 들어 "배수로가 깨끗한가"보다 "배수로 단면의 50퍼센트 이상이 퇴적물로 막혀 있지 않은가"처럼 구체적이어야 합니다. 마지막으로 조치는 불량 판정이 나왔을 때 누가 언제까지 무엇을 하는지를 적는 칸입니다. 이 네 가지가 다 있어야 점검표가 보고용 서류가 아니라 실제 위험 관리 도구가 됩니다. 홍수 대비 배수시설 점검표라면 이 틀만 지켜도 우기 전 보수 공사 누락을 크게 줄일 수 있습니다.

📋 법정 점검 항목, 어떻게 빠뜨리지 않나요?

점검표에서 가장 위험한 실수는 법령이나 지침에 명시된 항목을 빠뜨리는 것입니다. AI에게 점검표 초안을 맡기더라도, AI는 최신 법령 조문이나 지침 번호를 정확히 알지 못할 수 있으므로 소관 부처 공고와 최신 지침을 직접 확인하는 절차가 반드시 필요합니다. 실무에서 쓰는 방법은, 먼저 담당 부서나 소관 기관 누리집에서 최신 점검 지침 원문을 내려받아 항목을 표로 정리한 다음, 그 표를 AI에게 주고 "이 항목들을 빠짐없이 포함한 점검표로 구성해 달라"고 요청하는 순서입니다. AI가 알아서 법정 항목을 추가해 줄 거라 기대하지 말고, 사람이 먼저 근거 문서를 준비하는 게 핵심입니다. 산불 예방 점검처럼 매년 지침이 조금씩 바뀌는 분야는 특히 연도별 공고를 다시 확인하는 습관이 필요합니다.

✅ '예/아니오'로 안 끝나게 하려면 어떻게 구성하나요?

판정 칸만 있는 점검표는 문제를 발견해도 그다음이 없습니다. 쓸모 있는 구성은 판정, 발견 내용, 조치 사항, 조치 기한, 확인자라는 다섯 칸을 한 세트로 묶는 것입니다. 판정에서 '불량'이 나오면 발견 내용 칸에 구체적으로 무엇이 문제였는지 적고(예: "배수펌프 가동 시 이상음 발생"), 조치 사항에 "교체 부품 발주 후 설치", 조치 기한에 날짜를 쓰고, 확인자가 이를 재확인하는 흐름입니다. 이렇게 하면 점검표 한 장이 위험 발견부터 조치 완료까지 추적 가능한 문서가 됩니다. 산사태 우려 지역 옹벽 점검표에 이 구성을 적용하면, 균열 발견 후 누가 언제 보수했는지가 문서 하나로 남아서 다음 점검자도 이전 이력을 바로 확인할 수 있습니다.

🔍 현장에서 실제로 쓰이는지는 뭘 보고 판단하나요?

점검표는 책상에서 보기엔 완벽해도 현장에서 안 쓰이면 소용이 없습니다. 이건 직접 해봐야 아는 부분입니다. 점검표를 만든 뒤에는 실제 점검자에게 들려 보내고 몇 가지 질문으로 검토해야 합니다. 항목을 순서대로 걸어다니며 체크할 수 있는가, 판정 기준을 읽고 바로 양호·불량을 가를 수 있는가, 비 오는 날이나 어두운 곳에서도 글씨와 칸이 보이는가, 조치 칸을 쓸 공간이 충분한가 하는 것들입니다. 한 번 사용해 보고 "이 칸은 너무 좁다", "이 항목은 순서가 뒤바뀌어서 왔다 갔다 한다" 같은 피드백을 받아 수정하는 과정을 적어도 한 번은 거쳐야 실제로 쓰이는 점검표가 됩니다. 대피소 시설 점검표도 마찬가지로, 실제 대피소 담당자가 한 바퀴 돌아보며 써 보게 한 뒤 수정하는 과정이 꼭 필요합니다.

🖨️ hwpx로 인쇄용 점검표, 어떻게 만드나요?

초안이 다 잡혔으면 현장에서 들고 다닐 인쇄용 문서로 정리해야 합니다. AI로 만든 점검표 초안은 표 형태 텍스트로 받은 뒤, 한글 문서 작성 프로그램에서 표 메뉴로 옮겨 붙이는 방식이 일반적입니다. 이때 점검 항목이 많으면 표가 페이지를 넘어가면서 머리글 행이 깨지지 않는지, 조치 칸의 줄 간격이 손으로 쓰기에 충분한지를 인쇄 미리보기로 꼭 확인해야 합니다. 로고나 기관명이 들어가는 공문서 양식이라면 머리말·꼬리말 메뉴에서 소속과 문서번호 칸을 추가하는 것도 잊지 말아야 합니다.

🖥️ 화면에서 따라하기

따라하기 단계

근거 자료 수집
소관 부처 누리집에서 최신 점검 지침 원문을 내려받아 법정 항목을 표로 정리
AI 초안 요청
챗봇에 지침 표와 함께 "대상·주기·판정기준·조치 포함해 구성해 달라" 요청
항목 교차확인
받은 초안과 지침 표를 나란히 놓고 누락 항목이 있는지 하나씩 대조
현장 시험
점검자에게 초안을 들려 보내 칸 크기·순서·판정 기준이 실제로 맞는지 확인
hwpx 옮기기
한글 프로그램에서 입력 > 표 메뉴로 표를 만들고 AI 초안 내용을 셀마다 붙여넣기
인쇄 점검
파일 > 미리보기에서 표가 페이지 경계에서 잘리지 않는지, 글자 크기가 적당한지 확인

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

법정 점검 항목을 반영한 점검표 초안을 표 형태로 받기

역할: 당신은 재난안전 분야 점검표 작성을 돕는 보조자입니다
아래는 [점검 대상, 예: 배수시설]에 관한 법정 지침 항목 목록입니다
[지침에서 정리한 항목 목록을 여기 붙여넣기]
이 항목들을 모두 포함해서 점검표를 표로 만들어 주세요
열 구성은 순서, 점검 항목, 점검 주기, 판정 기준, 발견 내용, 조치 사항, 조치 기한, 확인자로 해 주세요
판정 기준은 "양호/불량"처럼 막연하게 쓰지 말고 구체적인 수치나 상태로 적어 주세요
항목 순서는 실제로 현장을 걸어 다니며 점검하는 동선을 고려해 배치해 주세요
법령 조문 번호나 최신 개정 여부는 추정하지 말고, 확인이 필요하다고 표시해 주세요
확인할 점: 법정 항목 누락 여부, 판정 기준의 구체성, 조치 칸 공간이 실제 작성에 충분한지

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

🧪 직접 해보기

소속 기관의 안전 점검 관련 최신 공고문을 찾아 법정 항목을 직접 표로 정리해 보기
기존에 쓰던 점검표를 꺼내 대상·주기·판정기준·조치 네 가지가 다 있는지 점검해 보기
점검표 초안을 동료에게 보여주고 현장에서 바로 쓸 수 있을지 피드백 받아 보기

❓ 자주 묻는 질문

Q. AI가 만든 점검표를 그대로 결재에 올려도 되나요?
A. 안 됩니다. AI는 최신 법령이나 지침 조문을 정확히 모를 수 있어 법정 항목 누락이나 오래된 기준이 섞일 수 있습니다. 반드시 소관 부처 최신 공고와 대조한 뒤 결재에 올려야 합니다.

Q. 점검표 양식은 매년 똑같이 써도 되나요?
A. 지침이나 훈련 규모, 점검 기준이 해마다 바뀌는 경우가 많아서 매년 최신 공고를 다시 확인하는 것이 안전합니다. 작년 양식을 그대로 재사용하기보다 변경 사항을 비교해 반영하는 과정이 필요합니다.

Q. hwpx 변환 기능으로 바로 점검표를 받을 수 있나요?
A. 일부 AI 도구는 문서 변환 기능을 통해 표 형태 결과를 hwpx 파일로 바로 받을 수 있습니다. 다만 표 서식이나 글자 크기가 기관 양식과 다를 수 있어 받은 뒤 인쇄 미리보기로 한 번 더 확인하는 과정이 필요합니다.

점검표는 결국 사람이 현장에서 손에 들고 체크하며 조치까지 이어가는 도구이기 때문에, AI가 만든 초안을 얼마나 꼼꼼히 검증하고 다듬느냐가 실제 안전과 직결됩니다. 다음 편에서는 이렇게 쌓인 점검 기록을 모아 어떻게 월간·연간 안전 보고서로 정리하는지 다뤄보겠습니다.

안전한국훈련 실무 시리즈 5편 · 전체 9편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

AI로 회의록·업무 메일 빠르게 정리하기 | 생성형 AI 사용법 7

🎬 1분 브리핑 영상

AI로 회의록·업무 메일 빠르게 정리하기는 녹취나 메모를 구조화된 문서로 바꾸고, 어조와 분량을 지정해 메일 초안까지 뽑는 방법을 알려줍니다.

📌 3줄 요약

녹취·메모를 회의록으로 다듬는 절차를 정리했습니다
결정사항과 할 일을 분리하는 프롬프트를 소개합니다
사람 이름·소속 확인 습관의 중요성을 다룹니다

재난 상황실 회의가 끝나고 나면 다들 녹음기만 끄고 자리를 뜹니다. 누가 정리하느냐는 늘 애매하게 남죠. 메모장에는 "대피소 추가 확보", "oo과 연락 필요" 같은 토막말만 남아 있고, 이걸 보고서 형태로 다듬는 건 또 다른 일입니다. 회의가 많은 조직일수록 이 반복 작업에 쓰는 시간이 만만치 않습니다. 생성형 AI는 이런 토막난 기록을 빠르게 구조화된 글로 바꿔주는 데 꽤 쓸모가 있습니다. 다만 "알아서 잘 정리해줘"라고만 하면 엉뚱한 요약이 나오기 쉽고, 특히 사람 이름이나 소속처럼 틀리면 곤란한 항목은 AI가 그럴듯하게 지어내는 경우도 있어서 확인하는 습관이 반드시 필요합니다. 이번 글에서는 녹취·메모를 다듬는 절차부터 메일 초안 작성까지, 실무에서 바로 쓸 수 있는 흐름을 짚어보겠습니다.

meeting notes laptop — 자료사진 · 사진: StartupStockPhotos / Pixabay

📝 녹취나 메모를 회의록으로 바꾸려면 어떤 순서가 좋을까요?

먼저 원본 그대로를 AI에게 전부 보여주는 게 순서입니다. 요약부터 시키면 중요한 맥락이 빠질 수 있으니, 1단계로 "이 내용을 시간 순서대로 정리해줘", 2단계로 "안건별로 묶어줘", 3단계로 "회의록 형식(일시, 참석자, 안건, 논의내용, 결정사항)으로 다시 써줘"처럼 단계를 나누는 편이 결과가 안정적입니다. 한 번에 다 시키면 AI가 임의로 생략하는 부분이 생기기 쉽습니다. 긴 녹취는 분량 제한에 걸릴 수 있으니 안건 단위로 나눠 넣는 것도 방법입니다. 재난 대응 회의처럼 책임 소재가 중요한 자리일수록 이렇게 단계별로 다듬어야 나중에 "누가 뭐라고 했는지"를 복원할 수 있습니다.

✅ 결정사항과 할 일은 어떻게 따로 뽑아내나요?

회의록 본문 안에 결정사항과 할 일이 섞여 있으면 나중에 찾아보기 번거롭습니다. 이럴 때는 완성된 회의록을 다시 붙여넣고 "이 회의록에서 결정사항만 번호 매겨 뽑아줘", 그다음 "담당자와 기한이 명시된 할 일만 표로 정리해줘"처럼 목적을 분리해서 요청하는 게 핵심입니다. 표로 뽑으면 담당자 열과 기한 열이 비어 있는 항목이 한눈에 보여서, 회의 중 놓친 부분을 바로 확인할 수 있습니다. 홍수 대응 회의라면 "배수펌프 추가 배치는 누가, 언제까지"처럼 할 일 표가 바로 초동 조치 체크리스트로 쓰일 수 있어서, 이 분리 작업이 보고서 품질을 꽤 좌우합니다.

✉️ 업무 메일 초안, 어조와 분량은 어떻게 지정하나요?

"메일 써줘"라고만 하면 AI가 임의로 정중함의 정도나 길이를 정해버립니다. 수신자가 상급기관인지 유관기관 실무자인지에 따라 어조가 달라져야 하므로, "oo과 과장님께 보고하는 격식 있는 어조로, 5문장 이내로 써줘"처럼 수신자와 분량, 어조를 같이 지정해야 합니다. 분량을 숫자로 제한하지 않으면 불필요하게 길어지는 경우가 많습니다. 초안을 받은 뒤 "둘째 문단을 좀 더 간결하게", "마지막 문장에 회신 기한을 넣어줘"처럼 부분 수정을 요청하면 처음부터 다시 쓰는 것보다 훨씬 빠릅니다. 산사태 경보 발령 후 유관기관에 협조 요청 메일을 보낼 때도 이런 식으로 어조를 통제하면 과하게 긴급하거나 반대로 느슨한 인상을 주는 실수를 줄일 수 있습니다.

🔍 사람 이름이나 소속은 왜 꼭 따로 확인해야 하나요?

생성형 AI는 문맥상 그럴듯한 이름이나 직함을 만들어내는 경우가 있습니다. 녹취에 정확히 나오지 않은 부분을 AI가 앞뒤 맥락으로 추측해 채워 넣기 때문인데, 이게 회의록이나 공문에 그대로 들어가면 실수가 외부로 나갑니다. 그래서 완성된 문서에서 사람 이름, 직책, 소속 기관명이 나오는 부분만 따로 모아 원본 녹취나 참석자 명단과 하나씩 대조하는 습관이 필요합니다. 이건 AI가 대신해줄 수 없는, 사람이 직접 해봐야 아는 부분입니다. 재난 대응처럼 외부 기관과의 공식 문서가 많은 업무에서는 이 확인 절차를 생략하면 신뢰도에 직접 영향을 주므로, 짧더라도 반드시 거쳐야 할 단계로 삼는 게 좋습니다.

📂 정리한 문서를 바로 파일로 받을 수 있나요?

도구에 따라 대화창에서 완성한 글을 문서 파일로 바로 내려받는 기능을 제공하기도 합니다. 예를 들어 "이 회의록을 한글(hwpx) 문서로 만들어줘"나 "표 형식을 유지한 워드 파일로 내려받게 해줘"처럼 요청하면, 지원하는 도구는 서식이 어느 정도 갖춰진 파일을 바로 내놓습니다. 다만 표 칸이 밀리거나 글머리 기호가 깨지는 경우가 종종 있어서, 받은 파일을 열어 레이아웃을 한 번 훑어보는 과정은 빼놓을 수 없습니다. 기능 지원 여부와 형식은 도구와 버전마다 다르므로 미리 당연하게 되는 것으로 가정하지 않는 게 안전합니다. 훈련 평가보고서나 상황보고처럼 정해진 양식이 있는 문서는, 이 기능으로 초안 뼈대만 잡고 양식에 맞춰 사람이 다시 다듬는 방식이 현실적입니다.

🖥️ 화면에서 따라하기

따라하기 단계

원본 입력
대화창에 녹취 전문이나 메모를 그대로 붙여넣고 "시간 순서대로 정리해줘"라고 요청
안건별 정리
"안건별로 묶어줘"라고 추가 요청해 주제 단위로 재구성
회의록 형식화
"일시·참석자·안건·결정사항 항목으로 회의록 형식으로 써줘"라고 지정
결정사항 분리
완성본을 다시 붙여넣고 "결정사항만 번호로 뽑아줘"라고 요청
할 일 표 작성
"담당자와 기한이 있는 할 일만 표로 정리해줘"라고 요청해 표 생성
이름·소속 대조
받은 문서에서 사람 이름·직책 부분만 따로 모아 원본과 하나씩 대조(메뉴 명칭은 도구마다 다르므로 설정이나 내보내기 메뉴를 직접 찾아본다)

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

막연한 요청 대신 맥락을 준 회의록 정리 프롬프트

너는 공공기관 회의록 작성을 돕는 보조자야
아래는 [회의 주제] 회의의 녹취 또는 메모야
형식은 일시, 참석자, 안건, 논의내용, 결정사항 순서로 정리해줘
원문에 없는 내용은 추측해서 채우지 말고 빈 칸으로 남겨줘
[여기에 녹취나 메모 붙여넣기]

수신자와 어조, 분량을 지정한 업무 메일 초안 프롬프트

너는 [기관명] 실무자를 대신해 메일 초안을 쓰는 보조자야
수신자는 [수신 기관/직책]이고 어조는 격식 있고 간결하게 써줘
분량은 5문장 이내로 제한하고 마지막 문장에 회신 기한을 넣어줘
내용은 다음과 같아: [전달할 핵심 내용]

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

🧪 직접 해보기

최근 회의 메모를 AI에게 단계별로 나눠 정리시켜보고 결과를 원본과 비교해보기
같은 내용으로 어조만 바꿔 메일 초안 두 개를 받아 차이 느껴보기
완성된 문서에서 사람 이름·소속 부분만 형광펜으로 표시해 원본과 대조해보기

❓ 자주 묻는 질문

Q. AI가 정리한 회의록을 그대로 공식 문서로 써도 되나요?
A. 초안으로는 유용하지만 사람 이름, 소속, 숫자처럼 틀리면 안 되는 항목은 반드시 원본과 대조한 뒤 제출하는 게 안전합니다.

Q. 녹취 파일을 통째로 넣으면 안 되나요?
A. 도구마다 한 번에 처리할 수 있는 분량 제한이 다르므로, 안건이나 시간 단위로 나눠 넣는 편이 누락을 줄입니다.

Q. 메일 어조를 구체적으로 어떻게 지정하나요?
A. 수신자의 직급이나 관계, 원하는 문장 수를 함께 적어주면 AI가 훨씬 안정적인 결과를 냅니다.

녹취와 메모를 구조화하고, 결정사항과 할 일을 분리하고, 어조를 지정해 메일을 쓰는 이 흐름은 결국 사람이 확인하는 습관과 짝을 이룰 때 제 역할을 합니다. 다음 편에서는 이렇게 정리한 문서를 여러 사람이 함께 검토하고 고치는 과정에서 AI를 어떻게 활용할 수 있는지 살펴보겠습니다.

생성형AI 사용법 시리즈 7편 · 전체 15편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-10-04

위성영상 변화탐지 | 같은 곳을 다른 시점으로 비교하기 | GeoAI 기초 19편

위성영상 변화탐지는 같은 장소를 다른 시점에 찍은 영상을 비교해 변화를 찾아내는 기술로, 전후 비교와 시계열 분해의 차이부터 가짜 변화를 가려내는 법까지 다룹니다.

📌 3줄 요약

전후비교는 두 장, 시계열분해는 추세와 계절성을 가른다
그림자·조수·계절차가 가짜 변화로 오인되기 쉽다
개발·침수·붕괴 판독엔 서로 다른 변화탐지 전략이 필요하다

작년 이맘때 찍은 위성사진과 오늘 찍은 사진을 나란히 놓고 보면, 분명 뭔가 달라 보입니다. 숲이었던 자리가 갈색으로 변했거나, 강가의 경계선이 넓어졌거나. 그런데 이게 정말 산사태나 침수 때문일까요, 아니면 그냥 촬영한 날의 햇빛 각도나 계절이 달라서 그렇게 보이는 걸까요.

변화탐지는 말 그대로 두 시점 이상의 영상을 비교해서 달라진 부분을 찾는 작업입니다. 원리는 간단해 보이지만, 실제로는 진짜 변화와 가짜 변화를 가려내는 일이 훨씬 어렵습니다. 재난 현장에서 오탐 하나가 잘못된 대피 지시나 엉뚱한 구조 출동으로 이어질 수 있기 때문에, 이 개념을 정확히 이해하고 쓰는 게 중요합니다.

Satellite before-after comparison — 자료사진 · 사진: mmisof / Pixabay

🛰️ 전후 비교와 시계열 분해, 뭐가 다른가요?

전후 비교는 재난 전 영상 한 장과 재난 후 영상 한 장, 딱 두 시점을 겹쳐서 달라진 픽셀을 찾는 방식입니다. 지진이나 산사태처럼 특정 사건 전후를 빠르게 봐야 할 때 유용합니다. 반면 시계열 분해는 수십, 수백 장의 영상을 길게 쌓아 놓고 추세(꾸준히 늘거나 주는 변화), 계절성(해마다 반복되는 패턴), 그리고 나머지 불규칙한 변화를 수학적으로 분리합니다. 농경지가 매년 반복하는 작황 변화인지, 아니면 올해만 유난히 이상한 건지 구분할 수 있는 거죠. 전후 비교는 빠르고 직관적이지만 우연히 그날 조건이 특이했을 경우를 걸러내기 어렵고, 시계열 분해는 데이터가 많이 필요한 대신 장기적인 토지 변화나 산불 위험지 확산처럼 패턴을 보는 데 강합니다. 재난 대응 속도가 중요한 홍수 초기 대응은 전후 비교, 산사태 위험지역 모니터링처럼 누적 추세를 봐야 하는 경우는 시계열 분해가 더 어울립니다.

🌤️ 계절과 촬영 조건이 왜 가짜 변화를 만드나요?

같은 장소라도 여름과 겨울에 찍으면 식생의 색과 밀도가 완전히 다릅니다. 겨울에는 낙엽이 져서 토양이 드러나니 마치 숲이 사라진 것처럼 보일 수 있고, 비가 온 뒤 토양 수분이 높으면 반사율이 낮아져 실제로는 아무 일 없었는데도 변화로 잡힙니다. 촬영 시각에 따른 태양 고도 차이도 그림자 길이를 바꿔서 건물이나 산지의 경계를 다르게 보이게 만듭니다. SAR(합성개구레이더, 전파를 쏴서 반사되는 신호로 영상을 만드는 방식) 영상이라면 촬영 각도나 궤도 방향이 달라졌을 때도 같은 지형이 다르게 찍힙니다. 이런 가짜 변화를 줄이려면 가능한 한 비슷한 계절, 비슷한 시간대, 비슷한 궤도 조건의 영상을 골라 비교하는 게 기본입니다. 그래서 변화탐지 결과를 볼 때는 항상 두 영상의 촬영 날짜와 조건을 먼저 확인하는 습관이 필요하고, 이는 산불 피해지 판독처럼 계절성 식생 변화가 큰 지역에서 오탐을 줄이는 핵심 절차입니다.

🏗️ 개발로 인한 변화는 어떻게 읽나요?

도시 개발로 인한 변화는 보통 명확한 기하학적 패턴을 띱니다. 논밭이나 산지였던 곳에 직선 도로와 사각형 건물 배치가 생기면 변화탐지 알고리즘이 반사율 차이뿐 아니라 형태의 규칙성까지 함께 잡아내는 경우가 많습니다. 다만 공사장은 단계별로 모습이 계속 바뀌기 때문에, 한 시점의 전후 비교만으로는 공사 중인지 이미 완료됐는지 헷갈릴 수 있습니다. 이럴 때는 여러 시점을 연속으로 쌓아서 변화의 진행 방향을 확인하는 게 안전합니다. 불법 산지 개발이나 무허가 성토 작업을 감시할 때도 같은 원리가 쓰입니다. 특정 지역에서 식생 지수가 갑자기 뚝 떨어지고 그 상태가 계속 유지된다면, 일시적인 벌목이 아니라 영구적인 개발일 가능성이 높다고 판단하는 식입니다. 이런 식으로 변화의 지속성을 확인하는 절차는 산지 훼손이나 불법 매립 같은 재난 전조를 조기에 포착하는 데 활용됩니다.

💧 침수와 붕괴는 변화탐지에서 어떻게 다르게 보이나요?

침수는 물이 차오르면서 지표면을 넓게 덮기 때문에, 광학 영상에서는 어둡고 매끈한 색으로, SAR 영상에서는 반사가 거의 없어 검게 나타나는 특징이 있습니다. 변화탐지에서는 평소 마른 땅이었던 구간이 갑자기 이런 특징을 보이면 침수로 판단합니다. 반면 건물 붕괴나 산사태는 국소적이고 불규칙한 패턴으로 나타납니다. 멀쩡하던 직선 형태의 건물 윤곽이 사라지거나, 산비탈의 식생 패턴이 흙과 돌이 드러난 불규칙한 무늬로 바뀌는 식입니다. 침수는 넓은 면적에 걸쳐 비교적 단순한 변화라서 자동 탐지가 수월한 편이지만, 붕괴는 그림자나 잔해 더미 때문에 오인식이 잦아서 사람이 직접 영상을 확대해 확인하는 과정이 꼭 필요합니다. 재난 상황실에서는 이 둘을 구분해서, 침수는 자동 알고리즘으로 넓은 범위를 빠르게 스캔하고, 붕괴 의심지역은 고해상도 영상으로 추가 확인하는 이원화된 절차를 쓰는 경우가 많습니다.

🔍 가짜 변화인지 진짜 변화인지는 어떻게 확인하나요?

알고리즘이 변화라고 표시한 모든 픽셀을 다 믿을 수는 없습니다. 해봐야 아는 것이 바로 이 부분인데, 의심되는 지역을 다른 출처의 영상이나 지상 사진, 뉴스 보도, 현장 신고와 교차 확인하는 절차가 반드시 필요합니다. 예를 들어 변화탐지 결과에서 특정 농지가 갑자기 어두워졌다면, 그게 침수인지 단순히 추수 후 땅을 갈아엎은 것인지는 같은 시기 다른 지역의 농경 패턴과 비교해봐야 구분됩니다. 또한 구름 그림자나 센서의 일시적 오류도 변화로 잘못 잡힐 수 있어서, 하루 전이나 다음 날 영상을 추가로 확인하는 습관이 오탐을 크게 줄여줍니다. 이런 교차검증 절차는 특히 대피 명령처럼 실제 행동으로 이어지는 판단 앞에서는 생략할 수 없는 단계이며, 자동 탐지 결과를 1차 스크리닝으로만 쓰고 최종 판단은 사람이 내리는 체계가 재난 현장에서 권장됩니다.

🖥️ 화면에서 따라하기

따라하기 단계

영상 두 장 준비
공개 위성영상 사이트(예: Sentinel Hub, USGS EarthExplorer)에서 같은 지역 두 시점 영상 내려받기
레이어 불러오기
GIS 프로그램에서 레이어 > 레이어 추가 > 래스터 레이어로 두 영상 등록하기
촬영조건 확인
메타데이터 창에서 촬영 날짜·시간·궤도 방향 비교해 조건 차이 메모하기
밴드 연산 실행
래스터 > 래스터 계산기 열어 (영상2 - 영상1) 식으로 차영상 만들기
결과 시각화
생성된 차영상을 레이어 속성 > 심볼로지에서 색상 대비 강조해 변화 구간 확인하기
교차 검증
변화로 표시된 구역을 고해상도 지도나 뉴스·현장 사진과 대조해 오탐 여부 점검하기

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

변화탐지 결과를 보고할 때 가짜 변화 가능성을 점검하는 체크리스트 받기

너는 위성영상 변화탐지 결과를 검수하는 GIS 분석 보조야. 내가 [분석 대상 지역]에서 [재난 유형, 예: 침수/산사태/산불]을 탐지한 결과를 보고서로 작성하려고 해. 두 영상의 촬영일은 [날짜1]과 [날짜2]이고 계절 차이는 [있음/없음]이야. 아래 형식으로 답해줘.
1) 이 조건에서 발생할 수 있는 가짜 변화 원인 3가지
2) 각 원인을 구분하기 위해 확인해야 할 영상 특징
3) 보고서에 반드시 명시해야 할 주의 문구 한 줄
확인하지 못한 사실은 추측해서 단정하지 말고 "현장 확인 필요"라고 표시해줘.

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

🧪 직접 해보기

공개 위성영상 사이트에서 같은 지역의 여름과 겨울 영상을 받아 색 차이를 직접 비교해보기
뉴스에 나온 재난 전후 비교 사진을 보고 그림자나 촬영각도 차이가 있는지 살펴보기
무료 GIS 프로그램으로 두 영상의 차영상을 만들어 변화 구간이 실제 지형과 맞는지 확인해보기

❓ 자주 묻는 질문

Q. 변화탐지에 꼭 SAR 영상을 써야 하나요?
A. 아닙니다. 광학 영상도 널리 쓰이며, 구름이 많은 지역이나 야간 관측이 필요할 때 SAR이 유리할 뿐 상황에 따라 선택이 달라집니다.

Q. 전후 비교만으로 재난 피해를 확정해도 되나요?
A. 권장되지 않습니다. 가짜 변화 가능성이 있으므로 현장 확인이나 추가 영상 교차검증을 거친 뒤 최종 판단하는 것이 안전합니다.

Q. 시계열 분해에는 영상이 몇 장쯤 필요한가요?
A. 정해진 기준은 없고 분석 목적과 주기에 따라 다릅니다. 계절성을 분리하려면 최소 1년 이상의 주기를 포함하는 데이터가 일반적으로 권장됩니다.

위성영상 변화탐지는 두 장의 사진을 겹쳐보는 단순한 작업처럼 보이지만, 그 이면에는 계절과 촬영조건이 만드는 수많은 함정이 숨어 있습니다. 다음 편에서는 이렇게 탐지된 변화를 AI가 어떻게 자동으로 분류하고 라벨링하는지, 그 학습 과정의 원리를 살펴보겠습니다.

GeoAI 기초 시리즈 19편 · 전체 43편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

공간 자기상관과 핫스팟 분석 | 가까운 것은 닮는다 | GeoAI 기초 18편

🎬 1분 브리핑 영상

공간 자기상관과 핫스팟 분석은 사고나 재난이 특정 지역에 몰려 발생하는지, 그저 우연인지를 숫자로 구분하는 방법을 알려준다.

📌 3줄 요약

토블러의 법칙, 가까운 곳은 멀리보다 서로 닮는다는 원리
Moran's I로 공간 패턴이 우연인지 군집인지 확인한다
Getis-Ord 핫스팟으로 사고·재난 집중 지역을 찾아낸다

어느 지역의 교통사고 지도를 펼쳐 놓고 보면, 사고가 유독 몰려 있는 구간이 눈에 띕니다. 이걸 보고 누군가는 "여기가 위험한 곳이네"라고 말하지만, 또 누군가는 "우연히 점이 몰려 보이는 것뿐"이라고 반박할 수 있습니다. 둘 다 그럴듯해 보이는 게 문제입니다. 사람 눈은 무작위로 흩어진 점에서도 괜히 패턴을 찾아내는 버릇이 있거든요. 이럴 때 필요한 게 공간 통계입니다. 어떤 지역이 진짜로 주변과 다르게 사고나 재난이 몰리는지, 아니면 그냥 점이 듬성듬성 찍히다 보니 그렇게 보이는 건지를 통계적으로 검증하는 도구가 바로 공간 자기상관과 핫스팟 분석입니다.

color-coded density map — 자료사진 · 사진: lucasgeorgewendt / Pixabay

🗺️ 토블러의 제1법칙이 뭔가요?

지리학자 월도 토블러는 "모든 것은 다른 모든 것과 관련 있지만, 가까운 것이 먼 것보다 더 관련 있다"고 했습니다. 이걸 토블러의 제1법칙이라고 부릅니다. 쉽게 말하면 옆집과 우리 집은 날씨도 비슷하고 집값도 비슷할 가능성이 높지만, 다른 나라에 있는 집과는 그렇지 않다는 뜻입니다. 이 법칙은 너무 당연해 보이지만, 공간 데이터를 다루는 모든 통계의 전제가 됩니다. 일반 통계는 데이터가 서로 독립적이라고 가정하는데, 공간 데이터는 이웃끼리 닮아 있어서 그 가정이 깨지기 때문입니다. 재난 데이터도 마찬가지입니다. 산사태가 난 지점 옆 사면은 지질이나 경사가 비슷해서 산사태 위험도 비슷하게 나타나는 경우가 많습니다. 이런 이웃 효과를 무시하고 지점 하나하나를 독립된 사건으로만 보면, 왜 피해가 특정 골짜기에 몰렸는지 설명하기 어려워집니다.

📊 Moran's I는 뭘 알려주나요?

Moran's I는 공간 자기상관을 숫자 하나로 요약한 지표입니다. 값은 보통 -1에서 1 사이로 나오는데, 1에 가까우면 비슷한 값끼리 뭉쳐 있다는 뜻이고(군집), -1에 가까우면 비슷한 값끼리 멀리 떨어져 체스판처럼 번갈아 나타난다는 뜻이고(분산), 0에 가까우면 무작위에 가깝다는 뜻입니다. 중요한 건 이 값 자체보다 "이 패턴이 우연히 나올 확률은 얼마나 되는가"를 같이 봐야 한다는 점입니다. 보통 p-value(우연히 이런 결과가 나올 확률)라는 수치를 같이 확인해서, 이 값이 충분히 작아야 "진짜 패턴이 있다"고 말할 수 있습니다. 예를 들어 홍수 피해 신고가 들어온 지역의 Moran's I를 구했는데 값이 높고 p-value도 작다면, 피해가 특정 저지대에 몰려 있다는 걸 통계적으로 뒷받침할 수 있습니다. 반대로 값이 낮으면 피해가 지역 전체에 고르게 흩어져 있다는 뜻이니, 배수 시설 같은 국지적 원인보다 전반적인 강우량을 먼저 의심해봐야 합니다.

🔥 핫스팟(Getis-Ord)은 뭐가 다른가요?

Moran's I가 "전체적으로 패턴이 있는가"를 하나의 숫자로 말해준다면, Getis-Ord Gi*(지스타)는 "그럼 구체적으로 어디가 뜨거운 곳(핫스팟)이고 어디가 차가운 곳(콜드스팟)인가"를 지점마다 짚어줍니다. 각 지점과 그 주변 이웃들의 값을 비교해서, 주변 전체보다 유의미하게 높은 값이 몰린 곳을 핫스팟으로, 유의미하게 낮은 값이 몰린 곳을 콜드스팟으로 표시합니다. 결과는 보통 신뢰도에 따라 90%, 95%, 99% 구간으로 나눠 지도에 색을 입혀 보여줍니다. 산불 발생 이력 데이터에 이 분석을 돌리면, 단순히 점이 많은 곳이 아니라 통계적으로 유의미하게 발화가 집중된 구역을 짚어낼 수 있습니다. 이렇게 뽑힌 핫스팟은 예방 순찰 경로나 감시 카메라 배치 우선순위를 정하는 근거 자료로 쓰이곤 합니다.

🚗 사고 데이터에 어떻게 적용하나요?

교통사고나 응급 신고처럼 점 형태로 쌓인 데이터는 핫스팟 분석과 궁합이 좋습니다. 다만 주의할 점이 있는데, 점 데이터를 그대로 쓰기보다 격자(일정 크기의 네모 칸)나 행정구역 단위로 집계한 다음 분석하는 경우가 많습니다. 점 하나하나의 위치 오차나 우연한 쏠림을 줄이기 위해서입니다. 또 하나 중요한 건 이웃을 어떻게 정의하느냐에 따라 결과가 달라진다는 점입니다. 거리 기준으로 500미터 안을 이웃으로 볼지, 인접한 행정구역만 이웃으로 볼지에 따라 핫스팟의 모양과 범위가 바뀝니다. 그래서 이 기준값은 정답이 정해져 있다기보다 해봐야 아는 것에 가깝습니다. 여러 거리값으로 반복해서 돌려보고, 결과가 크게 흔들리지 않는 안정적인 구간을 찾는 과정이 필요합니다. 이런 식으로 찾아낸 사고 핫스팟은 교통안전시설 개선이나 대피소 접근로 점검 같은 실제 조치의 우선순위를 정하는 데 쓰입니다.

⚠️ 핫스팟 분석, 이것만은 주의하세요

핫스팟 분석은 "어디가 위험한가"를 보여주지, "왜 위험한가"는 말해주지 않습니다. 원인 분석은 별개의 작업입니다. 또 데이터가 적은 지역은 우연히 몇 건만 몰려도 핫스팟처럼 보일 수 있어서, 표본 수가 충분한지 꼭 확인해야 합니다. 행정구역 경계를 바꾸면 결과도 달라지는 현상(가변 공간단위 문제라고 부릅니다)도 알아두면 좋습니다. 분석 단위를 읍면동으로 하느냐 1km 격자로 하느냐에 따라 핫스팟 모양이 달라질 수 있다는 뜻입니다. 재난 대응 현장에서는 이 분석 결과를 유일한 근거로 쓰기보다, 현장 조사나 다른 통계와 함께 교차 확인하는 보조 도구로 쓰는 게 안전합니다.

🖥️ 화면에서 따라하기

따라하기 단계

데이터 준비
사고·재난 지점의 위도경도가 담긴 표(csv)나 포인트 레이어를 준비한다
QGIS 설치 확인
QGIS 실행 후 플러그인 메뉴에서 공간 통계 관련 도구 설치 여부를 본다(버전마다 위치가 다를 수 있다)
레이어 불러오기
레이어 > 레이어 추가 > 벡터 레이어에서 csv나 shp 파일을 불러온다
공간 가중치 설정
처리 도구상자에서 '거리 기반 가중치' 혹은 '인접 기반 가중치' 도구를 검색해 실행한다
Moran's I 실행
처리 도구상자에서 'Moran's I' 또는 '공간 자기상관' 검색 후 대상 필드를 지정해 실행한다
결과 확인
출력된 Moran's I 값과 p-value를 로그 패널에서 확인하고 지도에 색상으로 표시해본다

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

공간 자기상관 분석 결과를 보고서 문장으로 풀어쓰기

역할은 공간통계를 쉽게 설명하는 GIS 분석가다
아래 분석 결과를 바탕으로 비전문가도 이해할 수 있는 2~3문단 요약을 작성해줘
분석 대상은 [분석 대상, 예: 2024년 교통사고 발생 지점]이고
Moran's I 값은 [수치], p-value는 [수치]이다
핫스팟으로 분류된 지역은 [지역명 목록]이다
통계 용어는 괄호 안에 쉬운 설명을 덧붙이고
확인되지 않은 원인은 추측하지 말고 "추가 조사가 필요하다"고만 표현해줘
결과는 보고서 서론에 들어갈 문단 형식으로 작성해줘

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

🧪 직접 해보기

QGIS나 공개 GIS 도구에서 자기 지역 사고 데이터를 불러와 지도에 점으로 찍어본다
같은 데이터로 격자 크기를 다르게(500m, 1km) 해서 핫스팟 결과가 어떻게 달라지는지 비교해본다
뉴스나 공공데이터포털에서 받은 재난 신고 통계로 Moran's I를 직접 계산해보고 p-value를 확인한다

❓ 자주 묻는 질문

Q. Moran's I 값이 높으면 무조건 위험 지역인가요?
A. 아닙니다. 값이 높다는 건 비슷한 값끼리 뭉쳐 있다는 뜻일 뿐이고, 그 값 자체가 낮은 수준에서 뭉쳐 있을 수도 있습니다. 반드시 원래 데이터의 크기와 함께 해석해야 합니다.

Q. 핫스팟 분석과 그냥 지도에 점 많은 곳 찾는 것의 차이는 뭔가요?
A. 점이 많아 보여도 전체 데이터 양이 많으면 우연히 그럴 수 있습니다. 핫스팟 분석은 주변과 비교해 통계적으로 유의미하게 쏠렸는지를 검증한다는 점이 다릅니다.

Q. 이 분석에 필요한 최소 데이터 양이 있나요?
A. 정해진 기준은 없지만 표본이 너무 적으면 결과가 불안정해집니다. 여러 기간이나 단위를 바꿔가며 결과가 일관되게 나오는지 직접 확인해보는 게 안전합니다.

가까운 곳은 서로 닮는다는 단순한 생각이 공간 통계의 출발점이 되고, 그 생각을 숫자로 검증하는 순간 지도 위의 느낌은 근거 있는 판단으로 바뀝니다. 다음 편에서는 이렇게 찾아낸 핫스팟을 시간 축까지 더해 "언제, 어디서" 위험이 반복되는지 살펴보는 시공간 분석을 다뤄보겠습니다.

GeoAI 기초 시리즈 18편 · 전체 43편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-10-03

AI로 재난 훈련 시나리오 만들기 | 생성형 AI 사용법 6

AI로 재난 훈련 시나리오 만들기는 초안 작성 시간을 줄여주지만, 지역 정보와 실제 매뉴얼을 넣고 전문가가 검토해야 실전에서 쓸 수 있습니다.

📌 3줄 요약

AI로 재난 훈련 시나리오 초안을 빠르게 만드는 절차를 소개
지역 특성과 실제 매뉴얼을 넣어야 쓸모 있는 시나리오가 됨
인명·법령·절차는 반드시 전문가가 검토해야 함

안전한국훈련이나 자체 비상대응훈련을 맡은 담당자라면 매년 비슷한 고민을 합니다. 작년과 다른 상황을 만들어야 하는데, 처음부터 시나리오를 짜려면 반나절이 훌쩍 지나갑니다. 상황 부여 문구, 시간대별 진행표, 참가자별 체크리스트까지 손으로 채우다 보면 정작 중요한 지역 특성 반영이나 매뉴얼 대조는 뒷전이 되기 쉽습니다.

이번 글에서는 생성형 AI로 재난 대응 훈련 시나리오와 체크리스트 초안을 만드는 절차를 다룹니다. 다만 AI가 만든 글은 어디까지나 뼈대일 뿐, 그 지역의 실제 상황과 법정 매뉴얼을 입혀야 비로소 쓸 수 있는 문서가 됩니다. 어디서부터 어디까지 AI에 맡기고, 어디서부터는 사람이 반드시 봐야 하는지 짚어보겠습니다.

disaster drill simulation screen — 자료사진 · 사진: blickpixel / Pixabay

📝 AI한테 시나리오를 맡기면 뭐부터 달라지나요?

시나리오 작성에서 가장 시간이 걸리는 부분은 뼈대 잡기입니다. 발생 시각, 초기 신고, 상황 전파, 대응 조치, 복구까지 흐름을 순서대로 늘어놓는 작업인데, AI는 이 흐름을 몇 초 만에 뽑아줍니다. 예를 들어 집중호우로 인한 하천 범람 상황이라면 기상특보 발령부터 주민 대피 권고, 응급 복구반 출동까지 표 형태로 정리해줍니다.

문제는 이 뼈대가 일반론이라는 점입니다. AI는 특정 지역의 하천 폭이나 대피소 위치, 실제 통신망 상태를 모릅니다. 그래서 초안은 말 그대로 틀일 뿐이고, 여기에 우리 동네 정보를 채워 넣는 작업이 뒤따라야 합니다. 안전한국훈련 실무 3편에서 다룬 상황 부여·진행표 작성과 이어지는 단계로 보면 됩니다.

🗺️ 지역 특성을 안 넣으면 왜 훈련이 헛돌까요?

똑같은 홍수 시나리오라도 상류에 저수지가 있는 지역과 바닷가 저지대는 대응 방식이 완전히 다릅니다. 저수지가 있으면 방류 통보와 하류 주민 대피가 핵심이고, 저지대라면 만조 시간과 배수펌프장 가동 여부가 관건입니다. AI는 이런 지역 조건을 알려주지 않으면 알아서 채워주지 않습니다.

그래서 프롬프트에 하천명, 과거 침수 이력, 대피소 수용 인원, 취약계층 분포 같은 정보를 직접 넣어줘야 합니다. 산사태 위험지도(GeoAI 기초 13편)나 침수 이력 같은 공간 데이터를 참고해서 숫자와 지명을 구체적으로 넣을수록 시나리오가 현실감을 갖습니다. 지역 정보 없이 만든 시나리오로 훈련하면 참가자들이 몰입하지 못하고, 정작 필요한 절차를 놓치는 경우가 많습니다.

📋 실제 매뉴얼이랑 안 맞으면 무슨 문제가 생기나요?

AI는 일반적인 재난 대응 절차는 알지만, 특정 기관의 위기관리 매뉴얼이나 실무 매뉴얼의 정확한 조항·보고 체계·용어까지는 알지 못합니다. 기관마다 보고 라인이 다르고, 같은 '대피 권고'라도 발령 권한자가 다를 수 있습니다. AI가 만든 초안을 그대로 쓰면 실제 매뉴얼과 어긋난 절차가 섞여 들어가기 쉽습니다.

가장 확실한 방법은 해당 기관의 매뉴얼 원문(또는 공개된 요약본)을 함께 입력해 "이 매뉴얼의 보고 체계와 용어를 그대로 써서 시나리오를 수정해줘"라고 요청하는 것입니다. 이렇게 하면 AI가 지어낸 절차가 아니라 실제 쓰는 절차에 맞춰 문장을 고쳐줍니다. 매뉴얼과 다른 용어 하나가 훈련 중 혼선을 부를 수 있다는 점에서, 이 작업은 건너뛰면 안 되는 단계입니다.

✅ 체크리스트는 AI한테 맡겨도 괜찮을까요?

체크리스트는 빠뜨리기 쉬운 항목을 모아놓는 역할을 합니다. 참가자별 역할, 장비 점검, 통신 수단 이중화, 취약계층 확인 같은 항목을 AI에 요청하면 꽤 촘촘하게 뽑아줍니다. 특히 "해봐야 아는 것"이 많은 영역이라, AI가 뽑은 체크리스트를 실제 훈련장이나 사무실에서 하나씩 짚어보며 빠진 항목이 없는지 확인하는 절차가 꼭 필요합니다.

예를 들어 AI가 "비상연락망 최신화 여부 확인"이라는 항목을 줬다면, 실제로 연락망 문서를 열어 최근 인사이동이 반영됐는지 직접 확인해야 합니다. 말로만 체크하면 의미가 없고, 직접 전화를 걸어보거나 문서를 대조하는 과정에서 진짜 허점이 드러납니다. 이런 현장 확인 단계가 빠지면 체크리스트는 그냥 보기 좋은 목록으로만 남습니다.

👀 전문가 검토는 어디까지 필요한가요?

AI가 만든 시나리오와 체크리스트에서 가장 위험한 부분은 그럴듯하게 틀린 내용입니다. 법령 인용, 보고 체계, 책임 소재, 수치 같은 항목은 틀려도 문장이 자연스러워서 알아채기 어렵습니다. 생성형 AI 사용법 3편에서 다룬 환각 문제가 여기서도 그대로 나타납니다.

그래서 시나리오 초안이 나오면 재난 대응 실무를 아는 사람, 그리고 가능하면 관할 기관 담당자가 함께 보는 검토 단계를 반드시 거쳐야 합니다. 특히 대피 기준 시각, 발령 권한자, 취약시설 명단처럼 사람의 안전과 직결되는 항목은 AI 문장을 그대로 믿지 말고 원본 자료와 한 줄씩 대조해야 합니다. 초안은 AI가 빠르게 만들어주지만, 최종 책임은 언제나 검토한 사람에게 있다는 점을 잊지 않는 것이 중요합니다.

🖥️ 화면에서 따라하기

따라하기 단계

대화 시작
AI 도구에서 새 대화를 열고 재난 유형과 지역명, 훈련 목적을 먼저 설명한다
자료 첨부
매뉴얼 파일이나 침수 이력 자료를 업로드 버튼으로 올리거나 본문에 붙여 넣는다
초안 요청
"시간대별 진행표와 상황 부여 문구를 표로 만들어줘"처럼 형식을 지정해 요청한다
지역화 수정
"하천명, 대피소명, 과거 침수 사례를 반영해서 다시 써줘"라고 구체적으로 고쳐 달라고 한다
문서 변환
"한글(hwpx) 문서로 정리해줘"처럼 요청하면 바로 내려받을 수 있는 도구도 있다
전문가 전달
완성된 초안을 담당 부서나 전문가에게 보내 매뉴얼 대조 검토를 요청한다
※ 메뉴 이름과 업로드
※ 메뉴 이름과 업로드 방식은 AI 도구마다 다를 수 있으니, 화면 하단이나 설정 메뉴에서 파일 첨부 아이콘을 찾아보세요.

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

막연한 요청으로 일반적인 시나리오 뼈대만 받기

[재난 유형]을 주제로 한 재난대응 훈련 시나리오를 만들어줘. 시간대별 진행표 형태로 정리해줘.

지역 정보와 매뉴얼을 반영한 구체적인 시나리오 받기

너는 [기관명]의 안전관리 담당자를 돕는 보조자야. [지역명]에서 [재난 유형]이 발생했다고 가정하고, 아래 조건을 반영해서 시간대별 상황 부여와 진행표를 표로 작성해줘. 조건: 하천명 [하천명], 과거 피해 이력 [침수/산사태 이력 요약], 대피소 [대피소명과 수용 인원], 보고 체계는 첨부한 매뉴얼의 용어와 순서를 그대로 따를 것. 법령이나 수치는 확실하지 않으면 추정하지 말고 "확인 필요"라고 표시해줘.
확인할 점: 보고 체계와 발령 권한자가 실제 매뉴얼과 일치하는지, 대피소 수용 인원과 지명이 최신 자료와 맞는지 사람이 직접 대조해야 합니다.

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

🧪 직접 해보기

AI에 막연한 요청과 지역 정보를 넣은 요청 두 가지로 시나리오를 받아 내용 차이를 비교해보기
받은 체크리스트 항목 중 하나를 골라 실제 연락망이나 장비 목록과 직접 대조해보기
공개된 재난안전 포털에서 우리 지역 침수·산사태 이력을 찾아 프롬프트에 넣어보기

❓ 자주 묻는 질문

Q. AI가 만든 시나리오를 그대로 훈련에 써도 되나요?
A. 초안으로만 쓰고 그대로 쓰면 안 됩니다. 지역 정보와 실제 매뉴얼을 반영하고 전문가 검토를 거친 뒤에 사용해야 합니다.

Q. 매뉴얼을 통째로 AI에 올려도 괜찮나요?
A. 기관 내부 문서나 민감 정보가 포함된 매뉴얼은 보안 정책을 먼저 확인해야 합니다. 공개된 요약본이나 승인된 범위 내에서만 활용하는 것이 안전합니다.

Q. 체크리스트에 뭘 더 넣어야 할지 모르겠는데 AI가 다 알려주나요?
A. AI는 일반적인 항목을 폭넓게 제안해주지만 우리 조직만의 특수 상황은 모릅니다. 과거 훈련에서 나온 문제점을 함께 입력해 보완하는 것이 좋습니다.

AI는 재난 훈련 시나리오의 뼈대를 빠르게 만들어주지만, 그 뼈대에 지역의 진짜 이야기와 매뉴얼을 입히고 전문가가 검토하는 과정까지 거쳐야 비로소 쓸 수 있는 문서가 됩니다. 다음 편에서는 이렇게 만든 훈련 결과를 AI로 분석해 개선점을 찾는 방법을 다뤄보겠습니다.

생성형AI 사용법 시리즈 6편 · 전체 15편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

훈련 평가보고서, 생성형 AI로 정리하는 법 | 안전한국훈련 실무 4편

🎬 1분 브리핑 영상

📌 3줄 요약

평가보고서는 개요·결과·미흡점·개선과제 네 요소가 핵심
현장 자료만 쓰게 제한해야 AI가 사실을 지어내지 않음
초안 작성 후 수치·기관명 검증, hwpx로 표까지 완성

훈련이 끝나면 늘 찾아오는 숙제가 있습니다. 바로 평가보고서 작성입니다. 현장에서 받아온 평가표와 사진, 메모는 수북이 쌓여 있는데 이걸 어떻게 문장으로 엮어야 할지 막막하신 분들 많으실 겁니다. 특히 '잘된 점'은 금방 쓰는데 '개선 과제'는 뭉뚱그려 "전반적으로 양호함"으로 끝내버리는 경우가 흔합니다. 생성형 AI는 이 작업의 속도를 크게 높여줄 수 있지만, 방법을 모르고 쓰면 현장에 없던 내용을 지어내거나 알맹이 없는 보고서를 만들어 버립니다. 오늘은 평가보고서를 AI로 정리하되, 사실관계는 지키고 개선 과제는 제대로 뽑아내는 순서를 짚어보겠습니다.

disaster drill evaluation report — 자료사진 · 사진: Curioso_Photography / Pixabay

📋 평가보고서에는 뭐가 꼭 들어가야 하나요?

평가보고서의 뼈대는 크게 네 가지입니다. 훈련 개요(언제, 어디서, 누가, 어떤 시나리오로 했는지), 평가 항목별 결과(지휘보고, 대피, 구조, 상황전파 등 항목별로 어떻게 수행됐는지), 미흡 사항(계획대로 안 된 부분), 개선 과제(다음 훈련에서 고칠 구체적인 방법)입니다. 이 네 가지가 순서대로 들어가야 읽는 사람이 "뭘 했고, 뭐가 문제였고, 어떻게 고칠지"를 한눈에 파악합니다. AI에게 초안을 맡길 때도 이 틀을 먼저 던져주고 그 안을 채우게 하는 게 핵심입니다. 재난안전 분야에서는 이 보고서가 다음 해 훈련 계획이나 매뉴얼 개정의 근거 자료로 쓰이기 때문에, 틀이 흐트러지면 후속 작업 전체가 흔들립니다.

🔒 현장 자료만 쓰게 어떻게 제한하나요?

AI에게 "훈련 평가보고서 써줘"라고만 하면 그럴듯하지만 실제로 없었던 상황을 만들어낼 위험이 큽니다. 이를 막는 방법은 간단합니다. 현장 기록지, 평가표, 상황일지 같은 원본 자료를 먼저 통째로 붙여넣고 "이 자료에 있는 내용만 사용하고, 자료에 없는 내용은 추측하지 말고 [확인 필요]라고 표시해줘"라고 명시하는 것입니다. 이렇게 하면 AI가 빈칸을 그럴듯한 문장으로 메우는 대신 "확인 필요" 표시를 남겨, 사람이 나중에 원본과 대조하기 쉬워집니다. 특히 참여 인원 수나 소요 시간처럼 숫자가 들어가는 항목은 반드시 이 방식으로 출처를 묶어둬야 나중에 검증이 가능합니다.

🔍 잘된 점만 나열되는 걸 어떻게 막나요?

평가표를 그대로 넣고 요약해달라고 하면 "원활히 수행됨", "신속하게 대응함" 같은 칭찬 위주 문장만 나오기 쉽습니다. 이는 원본 평가표 자체가 체크리스트 형식이라 미흡점이 짧게만 적혀 있는 경우가 많기 때문입니다. 이럴 때는 프롬프트에 "평가표의 '미흡' 또는 '보완 필요' 표시가 된 항목을 모두 찾아 목록으로 뽑고, 각 항목마다 원인 추정과 다음 훈련 시 구체적 개선 방법을 제안해줘"라고 역할을 분리해서 지시해야 합니다. 잘된 점과 미흡점을 같은 비중으로 다루게 강제하는 것이 핵심입니다. 이렇게 뽑아낸 개선 과제는 다음 해 실시계획서의 보완 항목으로 바로 연결되어, 훈련의 질을 해마다 끌어올리는 실질적 근거가 됩니다.

✅ 수치와 기관명, AI 초안을 그대로 결재 올려도 되나요?

절대 안 됩니다. AI는 문장을 그럴듯하게 다듬는 데는 강하지만, 숫자나 고유명사를 정확히 기억하거나 검증하는 도구가 아�닙니다. 참여 인원, 소요 시간, 협조 기관명, 훈련 일자는 반드시 원본 기록(출석부, 공문, 계획서)과 한 글자씩 대조해야 합니다. 또한 훈련 근거가 되는 법령이나 지침은 연도마다 개정될 수 있으므로 소관 부처의 최신 공고와 지침을 직접 확인하는 절차가 꼭 필요합니다. 훈련 규모나 일정도 해마다 달라지기 때문에 작년 자료를 그대로 베끼면 안 됩니다. 해봐야 아는 것은, 초안에서 숫자가 하나라도 나오면 그 옆에 출처 페이지나 자료명을 메모해두고 결재 전 전수 확인하는 습관입니다. 이 확인 과정을 생략하면 보고서 한 곳의 오류가 전체 신뢰도를 떨어뜨립니다.

📄 완성된 초안, 어떻게 한글 문서로 마무리하나요?

내용이 정리되면 마지막은 보기 좋은 문서로 만드는 일입니다. 평가 항목별 결과는 표로 정리하는 게 읽기 훨씬 편하므로, AI에게 "평가 항목, 수행 결과, 미흡 사항, 개선 과제를 각각 열로 하는 표로 정리해줘"라고 요청해 표 형태 텍스트를 받습니다. 이후 hwpx(한글 문서의 최신 파일 형식) 문서로 옮길 때는 표를 복사해 한글 프로그램의 표 붙여넣기 기능을 쓰거나, 문서 변환 기능을 지원하는 AI 도구를 이용해 표 구조가 유지된 hwpx 파일로 바로 받는 방법도 있습니다. 어느 방법이든 표의 셀 정렬과 병합이 깨지지 않았는지 반드시 눈으로 한 번 확인해야 합니다.

🖥️ 화면에서 따라하기

따라하기 단계

자료 모으기
현장 평가표, 상황일지, 사진 설명을 한 문서로 모아 텍스트로 정리
AI에 자료 투입
생성형 AI 대화창에 평가표 전문을 붙여넣고 네 항목 틀 전달
미흡점 추출
"미흡/보완 필요 항목만 뽑아 원인과 개선안 제안해줘" 추가 질문
표로 재정리
"항목·결과·미흡사항·개선과제 열로 표 만들어줘" 요청
원본 대조
숫자·기관명·일자를 원본 기록과 한 줄씩 대조해 수정(메뉴명은 버전마다 다를 수 있어 '편집' 또는 '도구' 메뉴 주변을 확인)
hwpx 변환
표를 복사해 한글 프로그램에 붙여넣거나, 문서 변환 기능으로 hwpx 파일 받기

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

현장 평가표를 바탕으로 사실 기반 초안과 개선 과제를 함께 뽑는 프롬프트

너는 재난안전 훈련 평가보고서를 작성하는 실무자를 돕는 보조 역할이다
아래에 붙여넣는 [현장 평가표 전문]에 있는 내용만 사용하고 그 외 내용은 절대 추측하지 말 것
자료에 없는 수치나 기관명이 필요하면 빈칸 대신 [확인 필요]라고 표시할 것
보고서는 다음 네 부분으로 구성한다: 1)훈련 개요 2)평가 항목별 결과(표 형식, 열은 항목/결과/미흡사항) 3)미흡 사항 종합 4)개선 과제
개선 과제는 평가표에서 '미흡' 또는 '보완'으로 표시된 항목을 모두 찾아 각각에 대해 원인 추정과 다음 훈련 시 구체적 실행 방안을 함께 제시할 것
잘된 점 위주로 치우치지 말고 미흡점과 개선과제의 분량을 결과 요약과 비슷하게 맞출 것
[현장 평가표 전문]을 아래에 붙여넣는다
[여기에 평가표 내용 붙여넣기]

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

🧪 직접 해보기

지난 훈련 평가표를 꺼내 네 항목(개요·결과·미흡·개선) 틀에 맞춰 직접 분류해보기
무료 생성형 AI에 평가표 일부만 넣고 "이 자료에만 근거해 요약해줘"라고 시켜 결과 비교
초안에서 숫자가 나온 문장 3개를 골라 원본 기록과 대조해보기

❓ 자주 묻는 질문

Q. 평가표가 체크리스트뿐이고 서술이 별로 없는데 AI가 내용을 채울 수 있나요?
A. AI는 없는 내용을 지어내면 안 되므로 서술이 부족하면 "확인 필요"로 남겨야 합니다. 현장 사진이나 메모를 추가로 투입하면 빈 부분을 줄일 수 있습니다.

Q. 보고서에 들어갈 법령 근거는 어떻게 확인하나요?
A. AI가 제시하는 법령명이나 조항은 틀릴 수 있으므로 소관 부처의 공고와 최신 지침을 직접 찾아 대조해야 합니다. 연도별로 개정되는 경우가 많아 작년 자료를 그대로 쓰면 안 됩니다.

Q. hwpx로 변환할 때 표가 깨지면 어떻게 하나요?
A. 셀 병합이나 정렬이 틀어지는 경우가 흔하니 변환 후 표 전체를 눈으로 확인하고 필요한 셀만 수동으로 다시 정리하는 게 빠릅니다. 처음부터 열 개수를 단순하게 설계하면 깨질 확률이 줄어듭니다.

평가보고서는 훈련의 기억을 다음 해로 넘겨주는 다리 역할을 합니다. AI는 그 다리를 빨리 놓는 도구일 뿐, 다리가 제대로 이어졌는지 확인하는 몫은 여전히 사람에게 있습니다. 다음 편에서는 이렇게 쌓인 개선 과제를 실제 매뉴얼 개정에 반영하는 방법을 다뤄보겠습니다.

안전한국훈련 실무 시리즈 4편 · 전체 9편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-10-02

생성형 AI 사용법 5 | 코드를 모르는 사람의 데이터 처리

📌 3줄 요약

코드 몰라도 생성형 AI로 엑셀·CSV 데이터 정리 가능
받은 결과는 반드시 원본과 대조해 눈으로 검증해야 함
공간데이터는 좌표계·단위 확인이 정확도를 좌우함

어느 재난안전 담당자가 대피소 명단 엑셀 파일 300줄을 받았습니다. 주소 칸에 공백이 뒤섞여 있고, 어떤 줄은 위도·경도가 쉼표로 묶여 한 칸에 들어가 있습니다. 예전 같으면 일일이 손으로 고치거나 코드를 배워야 했을 일이지만, 요즘은 생성형 AI에게 "이 파일 정리해줘"라고 요청하는 것만으로 상당 부분 해결됩니다. 다만 AI가 내놓은 결과를 그대로 믿고 쓰면 안 됩니다. 특히 좌표나 면적처럼 숫자가 중요한 공간데이터는 단위 하나만 틀려도 지도 위 위치가 완전히 엉뚱한 곳으로 튑니다. 이번 편에서는 코드를 몰라도 데이터를 정리하는 방법과, 결과를 눈으로 검증하는 절차를 다룹니다.

Hands holding financial papers for tax preparation and analysis. — 자료사진 · 사진: RDNE Stock project / Pexels

📊 엑셀이나 CSV 파일, AI에게 어떻게 맡기나요?

파일을 그대로 채팅창에 올리고 "이 파일에서 주소 칸의 공백을 지우고, 빈 줄은 삭제해줘" 처럼 사람 말로 요청하면 됩니다. 생성형 AI는 업로드된 표를 읽어 구조를 파악하고, 필요한 처리를 설명하거나 직접 수정한 파일을 만들어 줍니다. 중요한 건 요청을 구체적으로 쪼개는 것입니다. "정리해줘" 보다 "A열의 전화번호에서 하이픈을 통일해줘" 처럼 칸 이름과 작업을 콕 집어 말하면 결과가 훨씬 안정적입니다. 재난안전 업무에서는 대피소 명단, 피해 신고 목록처럼 반복 입력되는 표가 많아 이런 정리 작업만 잘 맡겨도 시간이 크게 줄어듭니다.

🐍 코드를 몰라도 파이썬 코드를 요청할 수 있나요?

가능합니다. "파이썬으로 CSV 파일을 열어서 좌표 칸을 위도·경도로 나누는 코드 짜줘"라고 요청하면 AI가 짧은 코드를 만들어 줍니다. 코드를 몰라도 한 줄씩 어떤 뜻인지 설명해 달라고 하면 됩니다. 아래는 예시로 받을 법한 코드입니다.

import pandas as pd
df = pd.read_csv("shelter.csv")
df[["위도","경도"]] = df["좌표"].str.split(",", expand=True)
df.to_csv("shelter_clean.csv", index=False)

이 코드를 실행할 땐 무료로 쓸 수 있는 온라인 실행 환경(검색창에 "파이썬 온라인 실행기"로 찾을 수 있습니다)에 붙여 넣으면 설치 없이 바로 돌려볼 수 있습니다. 대피소나 침수 흔적 좌표 데이터를 이런 식으로 빠르게 정제해두면, 이후 지도 프로그램에 바로 얹어 분석할 수 있습니다.

👀 AI가 만든 결과, 뭘 보고 믿어야 하나요?

결과 파일을 받으면 가장 먼저 행 개수가 원본과 맞는지 확인합니다. 300줄을 넣었는데 280줄만 나왔다면 어딘가 묵인하고 지워진 겁니다. 다음으로 몇 개 줄을 무작위로 골라 원본과 나란히 띄워 눈으로 대조합니다. 이것이 바로 해봐야 아는 것입니다. AI의 설명만 읽고 넘어가지 말고, 반드시 원본 파일을 옆에 켜둔 채 일부 데이터를 손으로 짚어가며 비교해야 합니다. 특히 좌표나 피해 금액처럼 숫자가 들어간 칸은 전부 훑어볼 수 없더라도 최솟값과 최댓값이 상식적인 범위인지 확인하면 이상치를 빠르게 잡아낼 수 있습니다. 재난 통계처럼 한 번 틀리면 보고서 전체 신뢰도가 흔들리는 데이터일수록 이 검증 습관이 중요합니다.

🗺️ 좌표계와 단위, 왜 그렇게 중요한가요?

좌표계는 지구 위 위치를 숫자로 표현하는 약속입니다. 같은 지점이라도 좌표계가 다르면 완전히 다른 숫자로 적힙니다. 흔히 쓰는 위도·경도 체계와, 국내 행정업무에서 쓰는 평면 좌표 체계는 숫자 형태부터 다릅니다. 예를 들어 위도·경도는 소수점 숫자(37.56, 126.97)로 나타나지만 평면 좌표는 미터 단위의 큰 정수(예: 200000, 450000)로 나타납니다. AI에게 좌표 변환을 맡길 때는 "현재 어떤 좌표계인지", "어떤 좌표계로 바꿔야 하는지"를 반드시 말해줘야 합니다. 이 정보를 빼먹으면 AI는 추측으로 변환하고, 결과 지점이 바다 한가운데나 엉뚱한 나라로 찍히는 일이 생깁니다. 홍수 흔적조사나 산사태 위험지 좌표처럼 위치 정확도가 생명인 데이터는 좌표계를 확인하지 않으면 지도에 올렸을 때 전혀 다른 곳을 가리키게 되어 현장 대응이 엉뚱한 곳으로 나갈 수 있습니다.

🧮 단위를 착각하면 어떤 문제가 생기나요?

면적, 거리, 강수량 같은 값은 단위에 따라 숫자 크기가 크게 달라집니다. 침수 면적이 "3200"이라고만 적혀 있으면 제곱미터인지 헥타르인지 알 수 없고, 이걸 헷갈리면 실제보다 100배 큰 피해로 보고될 수도 있습니다. AI에게 데이터를 정리시킬 때도 "이 칸의 단위는 제곱미터입니다" 처럼 명시해야 계산이 꼬이지 않습니다. 결과를 받은 뒤에는 원본 보고서나 현장 조사서의 단위 표기를 다시 한번 대조하는 습관이 필요합니다. 산불 피해 면적, 강수량 집계처럼 숫자 하나로 대응 등급이 달라지는 자료일수록 단위 확인은 생략할 수 없는 절차입니다.

🖥️ 화면에서 따라하기

따라하기 단계

새 대화 시작
AI 서비스 접속 후 새 채팅을 열고 "엑셀 정리 작업"이라고 주제를 먼저 알림
파일 업로드
채팅창의 파일 첨부 버튼(클립 모양 아이콘)으로 엑셀·CSV 파일 올리기
작업 구체화
"A열 공백 제거, B열 좌표를 위도·경도로 분리" 처럼 칸 이름과 작업 명시
결과 요청
"수정된 파일을 CSV로 내려받게 해줘" 또는 "코드와 함께 설명해줘"라고 요청
눈으로 대조
원본과 결과 파일을 나란히 열어 행 수와 샘플 몇 줄을 직접 비교
좌표계 재확인
결과 파일을 지도 프로그램에 올리기 전 좌표계 설정값이 맞는지 확인
(화면 구성은 쓰는 서
(화면 구성은 쓰는 서비스나 버전에 따라 다를 수 있어 못 찾으면 설정이나 도움말 메뉴를 살펴보세요)

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

막연한 요청으로 정리를 맡겼을 때 생기는 문제를 보여주는 예시

이 엑셀 파일 정리해줘

맥락과 형식을 구체적으로 준 정리 요청으로 안정적인 결과를 받는 예시

너는 공공데이터 정리를 돕는 보조자야
첨부한 CSV 파일은 [대피소 명단]이고 칸 구성은 [이름, 주소, 좌표, 수용인원]이야
좌표 칸은 "위도,경도" 형태로 한 칸에 섞여 있으니 위도와 경도를 각각 다른 칸으로 분리해줘
주소 칸의 앞뒤 공백은 제거하고, 수용인원이 비어 있는 행은 "미확인"으로 채워줘
작업 후 원본과 비교했을 때 행 개수가 같은지 알려주고, 수정한 내용을 표로 요약해줘
결과는 CSV 파일로 내려받을 수 있게 해줘

받은 결과에서 반드시 확인할 것: 원본과 결과의 행 개수 일치 여부, 좌표 분리가 정확한지 샘플 대조, 좌표계 표기 누락 여부

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

🧪 직접 해보기

가지고 있는 엑셀 파일 일부를 AI에게 올려 공백 제거를 요청해보기
결과 파일의 행 개수를 원본과 직접 세어 비교하기
좌표 칸이 있다면 숫자 형태(소수점 vs 큰 정수)로 좌표계 추정해보기

❓ 자주 묻는 질문

Q. 코드를 전혀 몰라도 파이썬 코드를 실행할 수 있나요?
A. 온라인 실행 환경을 쓰면 설치 없이 코드를 붙여 넣고 실행 버튼만 눌러도 됩니다. 다만 코드가 무슨 일을 하는지 한 줄씩 설명을 요청해 이해하고 쓰는 것이 안전합니다.

Q. AI가 만든 결과 파일이 맞는지 어떻게 확실히 알 수 있나요?
A. 완벽히 보장하는 방법은 없고, 원본과 일부를 대조하는 수작업 검증이 필수입니다. 특히 행 개수, 숫자 범위, 좌표 형태 세 가지만 확인해도 큰 오류는 대부분 걸러집니다.

Q. 좌표계가 다른지 어떻게 알아보나요?
A. 좌표 숫자가 소수점이 있는 작은 값이면 위도·경도 계열, 소수점 없는 큰 정수면 평면 좌표 계열일 가능성이 큽니다. 확실하지 않으면 데이터를 준 기관이나 원본 문서의 메타데이터를 확인하는 것이 정확합니다.

코드를 몰라도 생성형 AI 덕분에 데이터 정리의 문턱은 많이 낮아졌지만, 결과를 검증하는 눈은 여전히 사람 몫입니다. 다음 편에서는 이렇게 정리한 데이터를 지도 위에 직접 올려 시각화하는 방법을 다뤄보겠습니다.

생성형AI 사용법 시리즈 5편 · 전체 15편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

관측점 사이는 어떻게 채우나 | 공간 보간과 크리깅 | GeoAI 기초 17편

🎬 1분 브리핑 영상

📌 3줄 요약

관측소가 없는 곳의 값은 보간으로 추정해 채운다
IDW는 거리로, 크리깅은 통계적 상관구조로 채운다
보간 지도는 추정치라 관측소 밀도에 따라 신뢰도가 다르다

비 오는 날 기상청 강우 지도를 보면 전국이 색깔로 빈틈없이 칠해져 있습니다. 그런데 실제로 비를 재는 관측소는 전국에 수백 개뿐이고, 그 사이 공간에는 아무 장비도 없습니다. 그렇다면 관측소가 없는 동네의 색깔은 어디서 온 걸까요. 답은 공간 보간입니다. 알고 있는 몇 개의 점으로 모르는 사이 공간의 값을 추정하는 방법인데, 이 원리를 모르고 지도를 보면 "저기는 비가 30mm 왔다"는 숫자를 관측값처럼 믿어버리기 쉽습니다. 오늘은 이 추정이 어떻게 이뤄지고 어디까지 믿어도 되는지 짚어보겠습니다.

Close-up view of a communication tower with antennas under a clear blue sky, showcasing modern technology. — 자료사진 · 사진: Mark Stebnicki / Pexels

🌧️ 관측소가 없는 곳의 강우량은 어떻게 알아내나요

비가 온 양은 빗물을 모으는 우량계라는 장비로 잽니다. 그런데 우량계는 전국에 점처럼 띄엄띄엄 있을 뿐이고, 그 사이 공간에는 장비가 없습니다. 그래서 주변 관측소 값을 이용해 빈 공간의 값을 추정하는데, 이 과정을 공간 보간이라고 부릅니다. 쉽게 말하면 띄엄띄엄 찍힌 점들 사이를 자연스러운 색 그라데이션으로 메우는 작업입니다. 가장 단순한 방식은 가까운 관측소일수록 더 큰 영향을 준다고 보는 것인데, 이것이 바로 다음에 설명할 IDW입니다. 홍수 예보 시스템에서 유역 평균 강우량을 계산할 때도 결국 관측소 값을 보간해 면 단위 데이터로 바꾸는 과정이 먼저 들어갑니다.

📏 IDW는 어떤 원리로 값을 채우나요

IDW는 Inverse Distance Weighting의 줄임말로, 거리의 역수로 가중치를 준다는 뜻입니다. 쉽게 말해 "가까운 관측소 말은 많이 듣고, 먼 관측소 말은 조금만 듣는다"는 원칙입니다. 추정하려는 지점에서 가까운 관측소일수록 그 값이 많이 반영되고, 멀어질수록 영향력이 줄어듭니다. 계산 방식이 단순하고 직관적이어서 미세먼지 농도 지도나 간단한 강우 분포도를 빠르게 그릴 때 많이 쓰입니다. 다만 IDW는 거리만 보기 때문에, 지형이나 바람길처럼 실제 현상에 영향을 주는 다른 요인은 반영하지 못한다는 한계가 있습니다. 산간 지역처럼 거리는 가까워도 고도 차이로 강우 패턴이 크게 다른 곳에서는 IDW 결과가 실제와 어긋날 수 있어, 참고용으로만 보는 자세가 필요합니다.

📊 크리깅은 IDW와 뭐가 다른가요

크리깅은 거리뿐 아니라 "값들이 공간적으로 얼마나 비슷하게 변하는가"라는 통계적 패턴, 즉 공간 상관구조를 분석해 보간합니다. 가까운 지점끼리 값이 비슷한 정도를 베리오그램이라는 그래프로 파악한 다음, 그 패턴에 맞춰 가중치를 계산합니다. IDW보다 계산이 복잡하지만, 추정값이 얼마나 불확실한지도 함께 알려준다는 장점이 있습니다. 미세먼지 측정망처럼 관측소 간격이 일정하지 않은 데이터를 다룰 때, 크리깅은 관측소가 드문 지역의 추정 신뢰도가 낮다는 사실을 수치로 보여줍니다. 재난 상황에서는 이 불확실성 정보가 중요한데, 신뢰도가 낮은 지역에 대피 명령을 내릴 때는 추가 관측이나 현장 확인을 병행해야 한다는 판단 근거가 되기 때문입니다.

🚨 보간 지도를 그대로 믿으면 안 되는 이유는 뭔가요

보간은 어디까지나 수학적 추정이지 실제 관측이 아닙니다. 관측소가 촘촘한 도심에서는 보간 결과가 실제와 비슷하게 맞아떨어지지만, 관측소가 드문 산간이나 해안 지역은 추정 오차가 커질 수 있습니다. 특히 집중호우처럼 짧은 시간에 국지적으로 쏟아지는 비는 관측소 사이 공간에서 전혀 다른 값이 났을 가능성이 있는데, 보간은 이런 급격한 변화를 부드럽게 뭉개버리는 경향이 있습니다. 그래서 보간 지도의 색이 연하다고 안심하면 안 되고, 근처 관측소가 실제로 몇 개나 있는지, 그 지점과 얼마나 떨어져 있는지를 확인하는 습관이 필요합니다. 산사태나 급경사지 위험 판단처럼 사람의 안전과 직결되는 의사결정에서는 보간 지도 한 장만으로 결론 내리지 말고 현장 관측이나 레이더 자료로 교차 확인하는 절차가 꼭 필요합니다.

🔍 내가 사는 동네의 보간 신뢰도는 어떻게 확인하나요

보간 결과를 과신하지 않으려면 직접 확인해보는 절차가 가장 확실합니다. 먼저 관측소 위치를 지도에 띄워놓고 내가 궁금한 지점에서 가장 가까운 관측소까지의 거리를 재봅니다. 거리가 가까우면 신뢰도가 높다고 볼 수 있고, 수십 킬로미터 이상 떨어져 있다면 그 지점의 보간값은 참고 수준으로만 받아들이는 것이 안전합니다. 이것은 해봐야 아는 것인데, 지도만 봐서는 관측소 밀도가 잘 드러나지 않기 때문에 관측소 레이어를 따로 켜고 눈으로 거리를 비교해보는 과정이 꼭 필요합니다. 미세먼지 예보나 강우 특보를 확인할 때도 이 습관을 들이면, 지도 색깔 하나로 성급하게 판단하지 않는 눈을 기를 수 있습니다.

🖥️ 화면에서 따라하기

따라하기 단계

관측소 레이어 켜기
QGIS에서 레이어 > 레이어 추가 > 벡터 레이어로 강우 관측소 지점 파일을 불러온다
보간 도구 열기
상단 메뉴 처리(Processing) > 툴박스에서 검색창에 interpolation 입력
IDW 실행하기
IDW 보간 도구를 선택하고 입력 레이어와 보간할 속성 필드를 지정한다
결과 격자 확인
출력된 래스터를 지도에 띄워 관측소 주변과 먼 지역의 색 변화를 비교한다
크리깅 비교해보기
같은 데이터로 크리깅 도구를 실행해 IDW 결과와 차이를 눈으로 비교한다
거리 측정하기
측정 도구로 관심 지점과 가장 가까운 관측소 사이 거리를 재본다
메뉴 이름은 프로그램
메뉴 이름은 프로그램 버전에 따라 조금씩 다를 수 있으니, 보이지 않으면 처리 툴박스 검색창에 interpolation이나 kriging을 입력해 찾아보시기 바랍니다.

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

보간 지도를 읽을 때 확인해야 할 체크리스트 만들기

역할은 공간정보 분석을 검토하는 선임 연구원입니다. [강우 또는 미세먼지] 보간 지도를 현업에서 검토할 때 확인해야 할 체크리스트를 만들어주세요. 관측소 밀도, 보간 방법의 한계, 극단값 처리, 현장 확인 필요 여부를 포함해 항목별로 한 줄씩 정리하고, 전문용어가 나오면 괄호로 쉬운 설명을 덧붙여 주세요. 확실하지 않은 수치나 기준은 만들어내지 말고 일반적인 주의사항 위주로 작성해 주세요.
확인할 점: 체크리스트에 등장하는 기준이나 수치가 실제 기관 지침과 맞는지, 지어낸 숫자는 없는지 직접 확인해야 합니다.

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

🧪 직접 해보기

공개 기상 지도에서 관측소 위치 레이어를 켜고 우리 동네와의 거리를 확인해본다
같은 지역을 IDW와 크리깅으로 각각 보간해보고 결과가 얼마나 다른지 비교해본다
관측소에서 멀리 떨어진 지점의 보간값이 실제 체감과 맞는지 주변 사람에게 물어본다

❓ 자주 묻는 질문

Q. IDW랑 크리깅 중에 뭐가 더 정확한가요
A. 상황에 따라 다릅니다. 데이터 특성과 공간 패턴에 따라 결과가 달라지므로, 같은 데이터를 두 방법으로 모두 돌려보고 비교하는 것이 안전합니다.

Q. 보간 지도의 해상도는 왜 제각각인가요
A. 보간할 때 격자 간격을 분석자가 직접 설정하기 때문입니다. 격자를 촘촘하게 할수록 지도는 부드러워 보이지만, 실제 관측 밀도가 그만큼 촘촘한 것은 아니라는 점을 기억해야 합니다.

Q. 관측소가 하나도 없는 지역은 어떻게 하나요
A. 보간만으로는 한계가 있어 레이더 강우 추정치나 위성 자료 같은 다른 관측 수단을 함께 활용하는 경우가 많습니다.

공간 보간은 빈 곳을 마법처럼 채우는 기술이 아니라, 있는 데이터로 최선의 추정을 하는 통계적 방법일 뿐입니다. 다음 편에서는 이렇게 만들어진 여러 공간 데이터 층을 겹쳐서 위험도를 계산하는 공간 중첩 분석 이야기를 다뤄보겠습니다.

GeoAI 기초 시리즈 17편 · 전체 43편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-10-01

LiDAR와 DEM | 지형 데이터가 방재에 쓰이는 방식 | GeoAI 기초 16편

📌 3줄 요약

DSM은 건물·나무 윗면, DEM은 맨땅 높이를 담은 지형 데이터다
LiDAR 레이저는 나뭇잎 사이를 뚫고 땅바닥 반사를 잡아낸다
지형 정확도가 낮으면 침수·산사태 예측 범위가 크게 틀어진다

산사태 위험지역을 그리는데, 위성사진에는 숲이 초록색으로 빽빽하게 덮여 있어서 그 아래 경사가 얼마나 가파른지 전혀 보이지 않는 상황을 상상해보세요. 나무 꼭대기 높이만 알아서는 실제로 물이 어디로 흐르고 흙이 어디로 무너질지 계산할 수 없습니다. 방재 분야에서 쓰는 지형 데이터는 단순한 배경 지도가 아니라, 침수 범위와 산사태 경로를 계산하는 '입력값' 그 자체입니다. 이번 편에서는 그 입력값을 만드는 핵심 기술인 라이다(LiDAR, 레이저로 거리를 재는 센서)와 DEM(수치표고모델, 땅의 높낮이를 숫자로 담은 데이터)의 관계를 짚어보겠습니다.

A Lufthansa Boeing 747 landing at an airport with Mount Fuji visible in the background on a clear day. — 자료사진 · 사진: Guohua Song / Pexels

🏔️ DSM과 DEM, 뭐가 다른가요?

DSM(Digital Surface Model, 수치표면모델)은 드론이나 항공기에서 내려다본 '맨 위 표면'의 높이를 기록합니다. 건물 옥상, 나무 꼭대기, 전선까지 전부 포함됩니다. 반면 DEM(Digital Elevation Model, 수치표고모델)은 그런 구조물과 식생을 걷어내고 순수한 땅바닥 높이만 남긴 데이터입니다. 비유하자면 DSM은 이불을 덮은 채 찍은 사람의 윤곽이고, DEM은 이불을 걷어낸 몸의 실제 윤곽입니다. 물이 흐르는 경로나 경사면이 무너지는 방향을 계산하려면 이불(건물, 나무)이 아니라 몸(지형) 정보가 필요합니다. 그래서 침수 시뮬레이션이나 산사태 모델링에서는 거의 항상 DSM이 아니라 DEM을 기본 입력으로 씁니다.

🌲 LiDAR는 어떻게 나무 아래 땅을 보나요?

LiDAR는 센서에서 레이저 펄스를 초당 수십만 번 쏘고, 반사되어 돌아오는 시간을 측정해 거리를 계산하는 장비입니다. 울창한 숲 위로 비행하면 레이저 중 일부는 나뭇잎에 바로 반사되지만, 나뭇잎 사이 빈틈으로 통과한 레이저는 땅바닥까지 도달해 반사됩니다. 하나의 레이저 펄스에서 여러 번 반사가 돌아오는 경우 이를 '다중 반사(multiple returns)'라고 하는데, 가장 먼저 돌아온 반사는 나무 꼭대기, 가장 마지막에 돌아온 반사는 대체로 지면에 해당합니다. 이 마지막 반사점들만 모아서 보간하면 숲에 가려 위성사진이나 드론 사진으로는 볼 수 없는 지면 높이, 즉 DEM을 만들 수 있습니다. 산사태 취약성 분석에서 경사도와 사면 방향을 정확히 계산하려면 이렇게 식생을 걷어낸 지형이 꼭 필요합니다.

🌊 왜 지형이 조금만 틀려도 침수 범위가 달라지나요?

침수 모의는 물이 높은 곳에서 낮은 곳으로 흐른다는 단순한 원리를 바탕으로 하지만, 그 계산은 지형의 미세한 높이 차이에 민감합니다. 예를 들어 제방이나 작은 둔덕이 DEM에서 몇십 센티미터만 낮게 표현돼도, 모델은 그 지점으로 물이 넘친다고 잘못 판단할 수 있습니다. 반대로 실제로는 낮은 배수로인데 데이터 해상도가 거칠어 뭉개져 버리면, 물이 빠질 길이 없는 것처럼 계산되기도 합니다. 그래서 침수 해석에는 격자 간격(해상도)이 촘촘하고 수직 오차가 작은 DEM이 요구되며, 도심처럼 배수 구조가 복잡한 곳일수록 이 민감도가 커집니다. 실무에서는 같은 강우 조건이라도 쓰는 DEM의 해상도와 정확도에 따라 침수 예상도의 모양이 눈에 띄게 달라질 수 있다는 점을 염두에 두어야 합니다.

⛰️ 산사태 모의에서는 지형이 왜 더 까다로운가요?

산사태는 경사, 경사 방향, 사면의 굴곡(오목한지 볼록한지) 같은 지형 변수들을 조합해 위험도를 계산합니다. 이 변수들은 DEM을 한 번 미분하거나 이웃 셀과 비교해서 뽑아내는데, 원본 DEM에 작은 노이즈나 계단 현상이 있으면 경사도 계산 결과가 실제보다 들쭉날쭉하게 나올 수 있습니다. 특히 식생이 우거진 산지는 LiDAR 없이는 지면을 거의 볼 수 없기 때문에, 과거에는 등고선 지도를 디지털화한 거친 DEM을 쓰다가 LiDAR 기반 고해상도 DEM으로 바뀌면서 위험지역 경계가 다시 그려진 사례도 있습니다. 어떤 DEM을 썼는지에 따라 같은 마을이라도 산사태 위험등급이 달라질 수 있으므로, 결과 지도를 받았을 때는 바탕이 된 지형자료의 출처와 제작 연도를 확인하는 습관이 필요합니다.

🔍 내가 쓰는 지형 데이터, 믿을 만한지 어떻게 확인하나요?

지형 데이터를 그대로 받아쓰기 전에 몇 가지는 직접 확인해봐야 합니다. 먼저 해당 DEM이 LiDAR 기반인지, 위성 입체영상 기반인지, 등고선에서 변환한 것인지 메타데이터(데이터에 대한 설명 정보)를 살펴봐야 합니다. 같은 지역을 서로 다른 해상도의 DEM 두 개로 비교해 경사도 지도를 각각 만들어보면, 해상도 차이가 결과에 얼마나 영향을 주는지 눈으로 확인할 수 있습니다. 또한 실제 현장에서 눈에 띄는 배수로나 제방이 DEM 상에서도 제대로 표현되는지 위성지도나 현장 사진과 대조해보는 것도 좋은 점검 방법입니다. 이런 확인 없이 지형 데이터를 그대로 재난 대응 계획에 쓰면, 실제 위험 지점을 놓치거나 반대로 안전한 곳을 위험지역으로 잘못 분류할 수 있습니다.

🖥️ 화면에서 따라하기

따라하기 단계

지형 데이터 확인
국가공간정보포털이나 공개 지도 서비스에서 해당 지역 DEM·DSM 제공 여부를 검색한다
QGIS 설치 확인
QGIS를 실행하고 상단 메뉴에서 래스터 항목이 보이는지 확인한다(버전별로 위치가 다를 수 있음)
DEM 불러오기
레이어 > 레이어 추가 > 래스터 레이어에서 내려받은 DEM 파일(.tif)을 연다
음영기복도 만들기
래스터 > 지형해석 > 음영기복(Hillshade)을 눌러 지형 굴곡을 시각적으로 확인한다
경사도 계산하기
래스터 > 지형해석 > 경사(Slope)를 눌러 경사도 레이어를 생성하고 색상을 확인한다
해상도 비교
같은 지역의 다른 해상도 DEM이 있다면 둘을 나란히 띄워 경사도 차이를 눈으로 비교한다

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

DEM과 DSM 차이를 보고서나 교육자료용으로 쉽게 풀어 설명하는 초안 만들기

역할은 GIS 데이터를 처음 접하는 공무원 대상 교육 자료를 만드는 보조 작성자입니다
[대상 지역]의 침수 또는 산사태 분석 보고서에 들어갈 설명 문단을 작성해주세요
DSM과 DEM의 차이를 건물·식생 유무 중심으로 쉬운 비유를 들어 설명하고
LiDAR가 식생 아래 지형을 얻는 원리를 3문장 이내로 요약하고
왜 이 분석에는 DEM을 썼는지 한 문단으로 정리해주세요
전문용어가 나오면 괄호로 짧은 설명을 덧붙이고 추측성 수치는 넣지 마세요

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

🧪 직접 해보기

공개 지도 서비스에서 같은 지점의 위성사진과 지형 음영도를 번갈아 보며 건물·나무가 사라지는지 확인한다
QGIS에서 DEM 하나를 불러와 Hillshade와 Slope 도구로 지형 기복과 경사도를 눈으로 비교한다
거주 지역이나 관심 지역의 DEM 제작 연도와 출처(LiDAR인지 등고선 변환인지)를 메타데이터에서 찾아본다

❓ 자주 묻는 질문

Q. DSM과 DEM 중 어느 것이 더 정확한 데이터인가요?
A. 둘 다 정확도의 개념이 다릅니다. DSM은 표면 전체를 얼마나 세밀하게 담았는지가 중요하고, DEM은 지면 높이를 얼마나 왜곡 없이 뽑아냈는지가 중요합니다. 용도에 맞는 데이터를 고르는 것이 핵심입니다.

Q. LiDAR 없이도 산사태 위험지도를 만들 수 있나요?
A. 만들 수는 있지만 식생이 우거진 지역에서는 지형 표현이 거칠어질 수 있습니다. 등고선 기반 DEM이나 위성 입체영상 DEM도 쓰이지만, 산지의 세밀한 경사 변화를 볼 때는 LiDAR 기반 DEM이 더 유리한 경우가 많습니다.

Q. 일반인이 LiDAR DEM 데이터를 구할 수 있나요?
A. 지역과 기관에 따라 공개 여부와 해상도가 다릅니다. 국가 공간정보 포털이나 지방자치단체가 운영하는 공개 데이터 플랫폼에서 제공하는지 직접 검색해 확인하는 것이 가장 정확합니다.

결국 침수지도든 산사태 위험지도든, 그 바탕에는 반드시 지형 데이터가 깔려 있고 그 데이터가 얼마나 땅의 진짜 모습을 담고 있느냐가 결과의 신뢰도를 좌우합니다. 다음 편에서는 이렇게 만든 지형 데이터를 실제로 어떤 방식으로 재난 시뮬레이션 모델에 넣어 계산하는지 살펴보겠습니다.

GeoAI 기초 시리즈 16편 · 전체 43편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

드론 사진측량 | 사진 몇 장이 지도가 되기까지 | GeoAI 기초 15편

📌 3줄 요약

사진 한 장은 그림일 뿐, 겹쳐 찍어야 입체 지도가 된다
GCP와 SfM으로 사진들을 정확한 좌표의 지형으로 바꾼다
정사영상·DSM·점군은 재난 현장 판단의 기초 자료가 된다

큰비가 지나간 다음 날, 산사면 일부가 흘러내렸다는 신고가 들어옵니다. 사람이 걸어 들어가기 위험한 지역이라 드론을 띄워 사진 수백 장을 찍어 왔습니다. 그런데 이 사진들을 모니터에 하나씩 띄워 본다고 지도가 되는 건 아닙니다. 사진 더미가 좌표를 가진 정확한 지형 정보로 바뀌는 과정, 그 뒤에는 중복도·기준점·컴퓨터 비전이라는 세 가지 장치가 숨어 있습니다. 오늘은 드론 사진이 어떻게 '지도'가 되는지, 그리고 그 결과물이 재난 현장에서 실제로 어떻게 쓰이는지 짚어보겠습니다.

drone aerial mapping survey — 자료사진 · 사진: Pexels / Pixabay

🛰️ 드론 사진 한 장으로는 왜 지도가 안 될까요?

지도는 위에서 내려다본 평면이 아니라 실제 좌표와 높이를 가진 자료입니다. 사진 한 장만으로는 이 지점이 정확히 어디인지, 얼마나 높은지 알 수 없습니다. 그래서 드론은 같은 지점을 여러 각도에서 여러 번 찍도록 비행 경로를 짜는데, 이때 옆 사진과 얼마나 겹치는지를 중복도(overlap)라고 부릅니다. 보통 앞뒤로 겹치는 정도(종중복)와 좌우로 겹치는 정도(횡중복)를 따로 설정하는데, 겹침이 부족하면 뒤에서 설명할 계산이 아예 실패하거나 지형이 울퉁불퉁하게 왜곡됩니다. 산사태 현장처럼 지형 기복이 심한 곳은 평지보다 중복도를 넉넉히 잡아야 그림자 지역이나 급경사면이 누락되지 않습니다.

📍 GCP는 왜 꼭 찍어야 하나요?

사진들을 이어 붙이면 지형 모양은 나오지만, 그 모양이 지구 어디에 있는지는 또 다른 문제입니다. 이를 위해 땅 위에 좌표를 정확히 아는 점, 즉 지상기준점(GCP, Ground Control Point)을 표식으로 놓고 GPS 측량기로 정밀 좌표를 기록합니다. 드론이 자체적으로 저장하는 위치 정보만으로도 대략적인 지도는 만들 수 있지만, 피해 면적을 산정하거나 실제 거리·경사를 계산해 보고서에 넣으려면 GCP로 보정한 결과가 필요합니다. 특히 복구 공사비를 산정하거나 법적 근거 자료로 쓸 때는 오차 범위를 명시해야 하는 경우가 많아, GCP 유무와 개수는 그 산출물의 신뢰도를 가르는 기준이 됩니다.

🧩 사진들이 어떻게 입체 지형이 되나요?

수백 장의 사진을 입체 지형으로 바꾸는 계산 방식을 SfM(Structure from Motion, 움직임으로부터 구조 복원)이라고 합니다. 원리는 사람 눈이 두 눈으로 거리를 가늠하는 것과 비슷한데, 서로 겹치는 사진들에서 같은 지점(특징점)을 찾아 이 점이 사진마다 조금씩 다른 위치에 찍힌 정도를 계산해 드론의 위치와 지형의 높낮이를 동시에 복원합니다. 이 과정은 특징점 추출, 사진 간 매칭, 카메라 위치 계산, 조밀한 점군 생성의 순서로 진행되며 대체로 전용 소프트웨어가 자동으로 처리합니다. 다만 안개가 끼거나 사진이 흔들리면 특징점 매칭이 실패해 구멍이 뚫린 지형이 나올 수 있어, 처리 결과는 반드시 눈으로 확인해야 합니다.

🗺️ 정사영상·DSM·점군은 재난 현장에서 어떻게 쓰이나요?

SfM 처리가 끝나면 세 가지 산출물이 나옵니다. 위에서 수직으로 내려다본 것처럼 왜곡을 바로잡은 사진인 정사영상, 지표면과 건물·나무까지 포함한 높이 정보인 DSM(수치표면모델), 그리고 각 지점을 점으로 표현한 3차원 점군입니다. 정사영상은 침수 범위나 산불 피해 구역의 경계를 육안으로 그리는 데 쓰이고, DSM은 토사 유출량이나 붕괴 전후 지형 변화를 계산하는 데 쓰입니다. 점군은 건물 균열이나 붕괴된 구조물의 형태를 세밀하게 살필 때 유용합니다. 이 세 자료를 겹쳐 보면 '어디가 얼마나 무너졌고 어디로 물이 흘렀는지'를 현장에 들어가지 않고도 가늠할 수 있어, 초동 대응 회의 자료로 자주 활용됩니다.

📋 비행 전에 확인해야 할 제도적 사항은 뭔가요?

드론 촬영은 장비만 있다고 바로 할 수 있는 게 아닙니다. 지역에 따라 비행 자체에 사전 승인이 필요할 수 있고, 특정 시설 인근은 촬영이 제한되거나 별도 허가를 받아야 할 수 있습니다. 재난 현장이라 해도 예외가 자동 적용되는 것은 아니므로, 관할 기관과 비행 구역의 규정은 촬영 계획 단계에서 반드시 확인해야 합니다. 이는 인터넷 검색만으로 판단하지 말고, 관할 항공 당국이나 지자체 담당 부서에 직접 문의해 그날그날의 규정을 확인하는 것이 안전합니다. 규정 확인을 건너뛰고 비행했다가는 촬영 결과가 아무리 좋아도 자료로 쓰지 못하는 상황이 생길 수 있습니다.

🖥️ 화면에서 따라하기

따라하기 단계

샘플 데이터 받기
OpenDroneMap 공식 저장소 등 공개된 예제 사진 세트를 폴더째 다운로드
처리 프로그램 준비
WebODM 설치 후 브라우저 접속, Dashboard에서 New Project 클릭
사진 업로드
Select Images 버튼으로 사진 폴더 선택 후 Start Processing 클릭
출력 옵션 확인
Processing Options에서 Orthophoto, DSM, Point Cloud 항목 체크
결과 확인
처리 완료 후 좌측 탭에서 Orthophoto·DSM·Point Cloud 각각 미리보기
QGIS로 불러오기
레이어 > 레이어 추가 > 래스터 레이어에서 정사영상 파일 선택 후 확인(메뉴 이름은 버전에 따라 다를 수 있어 못 찾으면 레이어 패널 우클릭 메뉴를 살펴보세요)

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

드론 재난 촬영 전 점검할 제도적·안전 체크리스트 초안 만들기

당신은 공공기관의 드론 촬영 담당자를 돕는 보조자입니다
[대상 재난]으로 인한 피해 현장을 [지역명]에서 드론으로 촬영하려 합니다
비행 승인 여부 확인, 촬영 제한 구역 여부 확인, 기상 조건 확인, GCP 설치 여부, 조종자 자격 확인 항목을 포함한 점검 체크리스트를 표 형식으로 작성해 주세요
각 항목에는 확인해야 할 담당 기관이나 확인 방법을 함께 적어 주세요
확실하지 않은 법령 조항이나 수치는 적지 말고 "관할 기관에 확인 필요"라고 표시해 주세요

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

🧪 직접 해보기

공개 드론 예제 사진으로 WebODM에서 정사영상을 직접 만들어 본다
국토정보플랫폼이나 지자체 공간정보 서비스에서 기존 드론 정사영상을 열어 해상도를 비교해 본다
우리 지역 관할 항공 당국 홈페이지에서 드론 비행 승인 절차를 검색해 본다

❓ 자주 묻는 질문

Q. 드론 사진측량에 꼭 GCP가 필요한가요?
A. 대략적인 지도라면 드론 내장 GPS만으로도 가능하지만, 정확한 면적·거리 계산이나 법적 근거 자료로 쓸 때는 GCP로 보정한 결과가 신뢰도 면에서 유리합니다.

Q. 중복도는 얼마나 잡아야 하나요?
A. 지형 기복과 촬영 목적에 따라 달라지므로 일률적인 수치보다 장비·소프트웨어 매뉴얼의 권장값을 확인하고, 실제 처리 결과에서 지형이 끊기는 곳이 있는지 직접 확인하는 방식이 안전합니다.

Q. 재난 상황이면 비행 승인 없이 바로 날려도 되나요?
A. 재난 대응이라도 비행 구역과 절차는 관할 기관 규정을 따라야 하는 경우가 많아, 사전에 담당 부서와 승인 절차를 확인하는 것이 필요합니다.

드론 사진 한 장 한 장은 평범한 풍경 사진처럼 보이지만, 중복도와 GCP, SfM 계산을 거치면 재난 현장의 좌표와 높이를 담은 지도로 바뀝니다. 다음 편에서는 이렇게 만들어진 정사영상이나 점군 위에 AI를 올려 피해 구역을 자동으로 찾아내는 방법을 살펴보겠습니다.

GeoAI 기초 시리즈 15편 · 전체 43편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-09-30

산불을 위성으로 감시하고 피해를 추정하는 법 | GeoAI 기초 14편

🎬 1분 브리핑 영상

📌 3줄 요약

열적외선 밴드로 열이 나는 화점을 찾아냅니다
dNBR로 불탄 정도(심도)를 지도로 만듭니다
조기 감지와 사후 평가는 쓰임새가 다릅니다

새벽 세 시, 산속 어딘가에서 불씨가 번지기 시작합니다. 사람 눈에 연기가 보이기 전, 위성은 이미 그 자리의 온도 변화를 감지하고 있을 수 있습니다. 반대로 불이 다 꺼진 뒤에는 "얼마나 탔는지"를 알아야 복구 계획을 세울 수 있는데, 이건 또 다른 방식의 분석이 필요합니다. 산불 하나를 두고도 위성이 하는 일은 시점에 따라 완전히 다릅니다. 이번 편에서는 화점을 찾는 열적외선 원리와, 피해 정도를 수치로 매기는 dNBR을 나눠서 살펴보겠습니다.

Satellite wildfire heat detection — 자료사진 · 사진: xresch / Pixabay

🔥 위성은 산불이 난 걸 어떻게 알아채나요?

사람이 하늘에서 산불을 확인하려면 연기나 불빛이 보여야 합니다. 하지만 위성은 그럴 필요가 없습니다. 열적외선(thermal infrared, 물체가 내는 열을 감지하는 파장 대역) 밴드는 연기나 야간의 어둠과 상관없이 지표면의 온도 자체를 잽니다. 불이 붙은 지점은 주변보다 훨씬 뜨거워서 이 밴드에서 밝은 점, 즉 화점(hotspot)으로 나타납니다. 이 방식 덕분에 야간이나 구름이 옅게 낀 상황에서도 최초 발화 신호를 비교적 빨리 잡아낼 수 있어, 산불 초기 대응에서 골든타임을 버는 데 실제로 활용됩니다.

🌡️ 열적외 밴드로 화점을 어떻게 골라내나요?

열적외 영상은 각 픽셀의 밝기온도(brightness temperature, 복사에너지를 온도로 환산한 값)를 계산합니다. 이 값이 주변 배경보다 일정 수준 이상 높으면 화점 후보로 표시하는 방식이 일반적입니다. 문제는 뜨거운 공장 지붕, 용광로, 사막의 뜨거운 암석 같은 것도 비슷하게 잡힐 수 있다는 점입니다. 그래서 여러 밴드를 함께 보거나 주변 픽셀과 비교하는 알고리즘을 씁니다. 실제 재난 대응에서는 위성 화점 정보를 그대로 신고 접수처럼 쓰지 않고, 지자체나 산림 당국이 다른 관측 자료와 교차 확인한 뒤 출동 여부를 판단하는 참고 자료로 활용합니다.

🌲 불이 지나간 자리, 얼마나 심하게 탔는지 어떻게 아나요?

불이 꺼진 뒤에는 화점 대신 정규탄화지수(NBR, Normalized Burn Ratio)를 씁니다. 식생은 근적외선을 잘 반사하고 단파적외선은 잘 흡수하는데, 타고 나면 이 관계가 뒤집힙니다. 이 차이를 이용해 화재 전 NBR에서 화재 후 NBR을 뺀 값을 dNBR(differenced NBR)이라 부르고, 값이 클수록 심하게 탄 것으로 해석합니다. dNBR 지도는 색깔로 등급을 나눠 보여주는 경우가 많아 어디가 완전 연소되고 어디가 살아남았는지 한눈에 보입니다. 이 지도는 복구 우선순위를 정하거나 산사태 위험이 커진 지역을 미리 파악하는 데 쓰입니다.

⏱️ 조기 감지와 사후 평가는 왜 역할이 다른가요?

조기 감지는 속도가 생명입니다. 해상도가 다소 거칠어도 하루에 여러 번 지나가는 위성으로 "지금 어디가 뜨거운가"를 빨리 알리는 게 목적입니다. 반면 사후 평가는 속도보다 정밀도가 중요합니다. 해상도가 좋은 영상으로 시간을 들여 dNBR을 계산하고, 피해 면적과 심도 등급을 구분해 보고서에 담습니다. 이 둘을 헷갈리면 곤란합니다. 화점 탐지 결과로 피해 면적을 발표하거나, dNBR 지도로 "지금 불이 어디 있는지"를 판단하려 하면 시점과 목적이 맞지 않는 분석이 됩니다.

⚠️ 위성으로 본 산불 정보, 그대로 믿어도 될까요?

위성 자료는 강력하지만 절대적이지 않습니다. 두꺼운 연기나 구름은 열적외선도 방해할 수 있고, dNBR 역시 지역의 식생 종류나 촬영 시기 차이에 따라 값이 흔들릴 수 있습니다. 그래서 실무에서는 위성 결과를 발표하기 전에 반드시 지상 조사나 드론 영상, 다른 위성 자료와 겹쳐 확인하는 절차를 거칩니다. 이건 해봐야 아는 부분인데, 같은 화재 전후 영상을 다른 임계값으로 나눠 보면 심도 등급 경계가 달라지는 걸 직접 확인할 수 있습니다. 이런 검증 없이 지도를 그대로 배포하면 복구 예산이나 위험 지역 판단이 어긋날 수 있어 주의가 필요합니다.

🖥️ 화면에서 따라하기

따라하기 단계

사이트 접속
NASA FIRMS 같은 공개 화재 지도 웹사이트에 접속해 지도 화면을 연다
지역 선택
지도를 이동하거나 검색창에 확인하려는 지명을 입력한다
레이어 켜기
화면 오른쪽 레이어 패널에서 화점 레이어(예: VIIRS, MODIS)를 켠다
기간 설정
화면 하단 날짜 슬라이더로 확인할 날짜 범위를 선택한다
화점 확인
지도 위 표시된 점을 클릭해 감지 시각과 밝기온도 정보를 본다
전후 비교
Google Earth Engine에서 화재 전후 Sentinel-2 영상을 불러와 NBR 값을 비교한다(메뉴 이름은 버전에 따라 다를 수 있어 못 찾으면 도움말이나 레이어 목록 쪽을 살펴보세요)

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

dNBR 분석 결과를 바탕으로 산불 피해 보고서 초안 만들기

당신은 재난안전 부서에서 산불 피해 현황을 정리하는 담당자입니다. 아래 정보를 바탕으로 보고서 초안을 작성해 주세요.
화재 발생 지역: [지역명]
화재 발생 및 진화 일시: [일시]
dNBR 분석 결과: 심함 [면적/비율], 중간 [면적/비율], 약함 [면적/비율]
보고서에는 피해 요약, 등급별 해석, 향후 복구 시 우선 확인이 필요한 지역을 순서대로 담아 주세요.
전문 용어는 처음 나올 때 한 줄로 풀어서 설명하고, 확인되지 않은 수치나 원인은 추정하지 말고 "현장 확인 필요"로 표시해 주세요.
결과를 받으면 등급 구분 기준과 면적 수치가 실제 분석값과 일치하는지 반드시 대조해서 확인하세요.

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

🧪 직접 해보기

NASA FIRMS 같은 공개 화재 지도에서 최근 화점이 표시된 지역을 찾아본다
Google Earth Engine에서 화재 전후 Sentinel-2 영상으로 NBR 값을 계산해 비교해본다
같은 화재 지역을 다른 날짜 범위로 조회해 화점 개수가 어떻게 달라지는지 확인해본다

❓ 자주 묻는 질문

Q. 산불 연기가 있으면 위성으로 화점을 못 찾나요?
A. 가시광선 영상은 연기에 가려지지만 열적외 밴드는 연기를 어느 정도 투과해 열원을 감지합니다. 다만 아주 두꺼운 연기나 구름은 여전히 방해가 될 수 있습니다.

Q. dNBR 값이 높으면 무조건 다 탔다는 뜻인가요?
A. dNBR은 상대적인 지표라 절대적인 판단 기준은 아니고, 지역별로 임계값을 나눠 등급으로 해석합니다. 지상 조사와 함께 확인하는 것이 안전합니다.

Q. 화점 탐지와 실제 화재 발생은 항상 일치하나요?
A. 아닙니다. 뜨거운 지붕이나 공장 같은 열원도 화점으로 잘못 표시될 수 있어 추가 영상이나 현장 확인이 필요합니다.

화점 탐지가 "지금 어디가 급한가"를 알려준다면, dNBR은 "얼마나 심각했는가"를 알려주는 도구입니다. 두 역할을 구분해 쓰는 것만으로도 산불 대응 보고서의 신뢰도가 달라집니다. 다음 편에서는 이렇게 얻은 피해 지도가 산사태나 토사 유출 위험과 어떻게 이어지는지 살펴보겠습니다.

GeoAI 기초 시리즈 14편 · 전체 43편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-09-29

AI 재난상황관리 시스템, 도시안전 정책이 바뀐다 | 재난안전과 GeoAI

🎬 1분 브리핑 영상

📌 3줄 요약

한국전기안전공사가 2026년 9월 AI 재난상황관리 시스템 '케스코-사이렌'을 구축했다.
서울에서 세계 도시 리더들이 모여 AI 시대 도시 안전 정책 해법을 논의했다.
Esri ArcGIS Living Atlas에 NOAA 홍수 침수 예측 지도가 새롭게 추가됐다.

안녕하세요! GeoAI와 생성형 AI가 재난안전·도시공간 정책의 핵심 도구로 자리를 잡아가는 요즘, 현장에서 체감할 수 있는 변화들이 속속 들어오고 있습니다. 오늘은 AI 기반 재난상황관리 시스템 구축 소식부터, 도시 안전 정책 포럼, ArcGIS 공간정보 플랫폼 업데이트, 원격탐사 역량 강화 세미나까지 폭넓게 정리해 드립니다.

특히 흩어진 재난정보를 한 곳에 통합해서 보여주는 AI 시스템이 공공기관에 실제로 도입됐다는 점, 그리고 세계 도시 리더들이 AI 시대 도시 안전을 주제로 머리를 맞댄다는 소식은 '재난안전'이 이제 단순한 현장 대응을 넘어 도시 설계와 정책 전반으로 확장되고 있음을 보여줍니다. 오늘 브리핑도 천천히 읽어 주세요.

🚨 AI로 재난정보를 한눈에 볼 수 있는 시스템이 생겼나요?

한국전기안전공사가 2026년 9월 29일 기준으로 AI 기반 재난상황관리 시스템인 '케스코-사이렌(KESCO-SIREN)'을 구축했다고 알려졌습니다. 이 시스템은 기존에 여러 경로로 흩어져 있던 재난 관련 정보를 하나의 플랫폼에서 통합 조회하고 관리할 수 있도록 설계된 것으로 보입니다. 전기안전 분야에 AI를 결합해 재난 상황을 실시간으로 감지하고 대응하는 역량을 높이겠다는 취지로 이해됩니다. 자세한 시스템 구성과 운영 방식은 원문을 참고하시기 바랍니다.

재난안전학적 관점에서 이 소식은 '통합 재난상황 모니터링(Integrated Emergency Monitoring)'이라는 개념이 공공기관 현장에 실제로 적용되기 시작했다는 점에서 주목할 만합니다. 학과에서 배우는 BCP(업무연속성계획)나 재난 초기 대응 체계는 정보 통합과 신속한 상황 판단이 핵심인데, 이처럼 AI가 정보 수집·분류를 자동화해 주면 담당자의 판단 부하가 크게 줄어들 것으로 보입니다. 충북·제천처럼 전기 인프라가 분산된 지역에서도 이런 시스템이 연계된다면 지역 재난 대응력 향상에 실질적인 기여를 할 수 있을 것이라고 생각합니다.

📰 기사 원문: 한국전기안전공사, AI 재난상황관리 시스템 '케스코-사이렌' 구축 - webeconomy.co.kr

🔗 흩어진 재난정보를 통합한다는 게 구체적으로 어떤 의미인가요?

같은 날 보도된 또 다른 기사에서도 한국전기안전공사의 '케스코-사이렌' 시스템 구축 소식을 다루고 있습니다. 이 매체에서는 "흩어진 재난정보를 한눈에" 볼 수 있다는 점을 강조하며, 기관 내 재난상황 대응의 가시성(visibility)을 높이는 것이 이 시스템의 핵심 목표임을 전하고 있습니다. 한국전기안전공사는 2026년 9월 해당 시스템을 구축 완료한 것으로 알려졌으며, 전기안전 분야의 AI 기반 재난관리 역량을 한 단계 끌어올린 사례로 평가받을 것으로 보입니다.

재난안전 분야에서 정보 통합은 오래전부터 '골든타임 확보'의 핵심 과제로 꼽혀 왔습니다. 다양한 센서·신고·기상 데이터가 각각 따로 존재하면 상황 판단이 늦어지는데, AI가 이를 실시간으로 분류·시각화해 준다면 초기 대응 속도가 눈에 띄게 개선될 수 있습니다. GeoAI 관점에서는 이런 통합 플랫폼에 공간정보(위치 기반)를 결합하면 재난 발생 위치, 피해 반경, 대피 경로까지 한 화면에서 의사결정을 지원하는 진정한 스마트 재난관리 체계로 발전할 수 있다고 봅니다.

📰 기사 원문: 흩어진 재난정보 한눈에… 전기안전公, 케스코사이렌 구축 - jjn.co.kr

🌏 세계 도시 리더들이 서울에서 AI 도시 안전을 논의한다고요?

2026년 9월 28일 보도에 따르면, 서울에 세계 각지의 도시 리더들이 모여 AI 시대의 도시 정책 해법을 모색하는 자리가 마련됐다고 알려졌습니다. 글로벌 도시들이 AI를 활용해 안전하고 지속가능한 도시를 만드는 방법을 공유하고, 서로의 정책 경험을 교류하는 장으로 서울이 선택된 것으로 보입니다. 행사의 구체적인 참여 도시 수나 세부 의제는 원문에서 확인하시기 바랍니다.

도시 안전 정책이 국제적 수준에서 논의된다는 사실은, 재난안전이 이제 지역 단위의 현장 대응을 넘어서 도시 설계·거버넌스 차원의 글로벌 의제가 됐음을 잘 보여줍니다. 공간정보 기술과 GeoAI가 도시 위험 분석, 취약 지구 식별, 대피 경로 최적화 등에 활발히 쓰이는 시대인 만큼, 이번 서울 포럼에서 어떤 정책 선언이나 공동 협력 방안이 나오는지 관심 있게 지켜볼 필요가 있습니다. 충북이나 제천 같은 지방 중소도시도 글로벌 스마트시티 정책 흐름에서 배울 점을 적극적으로 찾아야 할 것으로 보입니다.

📰 기사 원문: 서울에 모이는 세계 도시 리더들…AI 시대 도시정책 해법 찾는다 - 더글로벌기빙뉴스

🗺️ ArcGIS Living Atlas에 NOAA 홍수 침수 예측 지도가 추가됐나요?

2026년 9월 25일자 Esri ArcGIS 블로그에 따르면, 미국 해양대기청(NOAA)의 홍수 침수 예측 지도가 ArcGIS Living Atlas에 새롭게 추가됐다고 합니다. ArcGIS Living Atlas는 Esri가 운영하는 글로벌 공간정보 데이터 허브로, 누구나 접근해 분석에 활용할 수 있는 레이어를 모아 놓은 플랫폼으로 잘 알려져 있습니다. 이번 업데이트로 NOAA가 생산하는 홍수 범람 예측 데이터를 ArcGIS 환경에서 바로 불러와 시각화하고 분석에 활용할 수 있게 됐습니다. 자세한 레이어 구성이나 접근 방법은 원문 블로그를 참고하시기 바랍니다.

홍수 침수 예측 지도를 공간정보 플랫폼에서 실시간으로 활용할 수 있게 됐다는 것은 재해영향평가나 침수 위험 분석 실습에도 직접적인 의미를 가집니다. 학과 수업에서 GIS 기반 자연재해 위험도 분석을 공부할 때, 이런 공개 데이터 레이어를 활용하면 실제 침수 예측 시나리오를 만들어 볼 수 있는 좋은 실습 기회가 됩니다. 한국도 국가 수자원 관리 기관과 ArcGIS Living Atlas 수준의 공개 데이터 연계를 강화한다면, 지역별 침수 위험 예측의 정확도와 접근성이 크게 높아질 것이라고 봅니다.

📰 기사 원문: NOAA flood inundation prediction maps now in ArcGIS Living Atlas - Esri ArcGIS Blog

📡 원격탐사 역량을 키우는 세미나가 열렸다고요?

2026년 9월 25일을 전후해 '2026 원격탐사 역량 강화 세미나'가 개최됐다고 알려졌습니다. 원격탐사(Remote Sensing)는 위성·항공 이미지를 활용해 지표면 변화, 재해 피해 현황, 환경 모니터링 등을 수행하는 공간정보 핵심 기술로, 재난안전·국토관리·농업·기후 분야에서 폭넓게 활용됩니다. 이번 세미나에서 어떤 기술과 사례가 공유됐는지는 원문 블로그에서 더 자세히 확인할 수 있습니다.

원격탐사 기술은 GeoAI와 결합될 때 진가를 발휘합니다. 위성 이미지를 딥러닝 모델로 분석해 산사태 취약 지점을 미리 탐지하거나, 침수 지역 경계를 자동으로 추출하는 기술이 이미 국내외 연구·실무 현장에서 쓰이고 있습니다. 재난안전학을 공부하는 분이라면 원격탐사의 기초 개념(해상도, 밴드 조합, 변화탐지 등)을 익혀 두면 GeoAI 실무 역량과 직접 연결되니, 이런 세미나 정보를 꾸준히 챙겨보시기를 권합니다.

📰 기사 원문: 2026 원격탐사 역량 강화 세미나 - yuiverse (네이버블로그)

🧰 AI 재난관리 시스템과 GeoAI 공간정보 플랫폼, 이렇게 활용하세요

첫째, AI 재난상황관리 시스템의 핵심은 '정보 통합과 시각화'입니다. 케스코-사이렌처럼 여러 소스의 재난 데이터를 하나의 플랫폼으로 모으고, 그것을 공간정보와 연동해 지도 위에 표현하면 상황 판단 속도가 크게 향상됩니다. 재난안전 업무를 담당하거나 관심 있는 분이라면, 우리 기관·지역의 재난정보가 얼마나 통합되어 있는지 점검해 보는 것이 좋습니다.

둘째, ArcGIS Living Atlas처럼 공개된 글로벌 공간정보 데이터를 적극 활용하세요. NOAA 홍수 예측 지도처럼, 이미 검증된 공개 데이터를 분석에 바로 활용할 수 있다면 별도의 데이터 수집 없이도 재해영향평가나 위험도 분석의 질을 높일 수 있습니다. 학생이라면 ArcGIS Living Atlas에 무료로 접근해 실습 데이터로 활용해 볼 것을 권합니다.

셋째, 원격탐사와 GeoAI의 결합이 재난 대응의 '선제성'을 좌우합니다. 사후 대응 중심에서 벗어나 위성 이미지 분석으로 위험 징후를 조기에 포착하는 역량을 갖추는 것이 앞으로 재난안전 전문가에게 필수 역량이 될 것이므로, 관련 교육과 세미나에 지속적으로 참여하는 것이 중요합니다.

❓ 자주 묻는 질문

Q. 한국전기안전공사의 케스코-사이렌 시스템이 정확히 어떤 기능을 하나요?
A. 케스코-사이렌은 한국전기안전공사가 2026년 9월 구축한 AI 기반 재난상황관리 시스템으로, 기존에 분산되어 있던 재난 관련 정보를 하나의 플랫폼에서 통합 조회하고 관리할 수 있도록 설계된 것으로 알려져 있습니다. 세부 기능 구성은 원문 기사를 참고하시기 바랍니다.

Q. ArcGIS Living Atlas에 추가된 NOAA 홍수 침수 예측 지도는 누가 사용할 수 있나요?
A. ArcGIS Living Atlas는 Esri가 운영하는 글로벌 공간정보 데이터 허브로, ArcGIS 계정이 있는 사용자라면 누구나 NOAA 홍수 침수 예측 레이어를 불러와 분석에 활용할 수 있는 것으로 알려져 있습니다. 학생이나 연구자도 무료 혹은 교육용 계정으로 접근이 가능한 경우가 많으니 Esri 공식 블로그의 원문을 확인해 보시기 바랍니다.

Q. 원격탐사 역량 강화 세미나는 어디서 참여할 수 있나요?
A. 2026년에 개최된 원격탐사 역량 강화 세미나는 관련 블로그에서 소개된 것으로 알려졌으며, 구체적인 참여 방법이나 다음 일정은 원문 블로그나 주최 기관의 공지를 통해 확인하시는 것이 가장 정확합니다. 일반적으로 원격탐사 관련 세미나는 국토교통부, Esri Korea, 한국항공우주연구원 등에서 정기적으로 개최하니 관심 있는 분은 해당 기관의 홈페이지를 즐겨찾기에 추가해 두시길 권합니다.

오늘 소식들을 관통하는 흐름을 한 문장으로 정리하면, "AI와 공간정보 기술이 재난 대응의 사후 처리에서 선제적 예측·통합 관리 단계로 확실히 이동하는 흐름이 공공기관과 글로벌 플랫폼 양쪽에서 동시에 확인된 하루였습니다."

앞으로도 GeoAI·생성형AI·공간정보 분야의 재난안전 동향을 꾸준히 전해 드리겠습니다. 궁금한 점이나 다루어 줬으면 하는 주제가 있다면 댓글로 남겨 주세요. 감사합니다!

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

2026-09-28

📌 3줄 요약

이미지 생성 AI는 개념 설명용 삽화엔 유용하지만 지도·통계 시각화엔 쓰면 안 된다.
생성된 이미지는 실존 인물·건물·로고가 섞일 수 있어 출처 표기와 검토가 필수다.

그런데 막상 써보면 "이 이미지를 공식 자료에 넣어도 되나?", "지도처럼 생긴 그림을 AI가 만들어 줬는데 정보가 맞나?" 하는 의문이 생깁니다. 이번 글에서는 이미지 생성 AI의 기본 흐름을 살펴보고, 재난안전 실무 자료에 쓸 때 반드시 알아야 할 한계와 주의점을 정리합니다. 지난 편에서 다룬 환각(hallucination) 문제가 텍스트에만 국한되지 않는다는 것, 이미지에서도 똑같이 나타난다는 점이 이번 글의 출발점입니다.

🖼️ 이미지 생성 AI는 어떤 순서로 쓰는 건가요?

이미지 생성 AI는 사용자가 문장(프롬프트)을 입력하면 그 문장에서 단어와 맥락을 읽어 픽셀 단위의 이미지를 만들어 내는 도구입니다. 작동 원리는 수억 장의 이미지-텍스트 쌍을 학습해 "이런 단어가 들어오면 이런 시각 패턴이 어울린다"는 연결을 내부에 쌓아둔 것입니다. 마치 미술학원 선생님이 수천 장의 그림을 보고 나서 "폭우 속 도시"를 그려 달라 하면 빗줄기, 젖은 도로, 어두운 하늘을 함께 구성하는 것과 비슷합니다.

사용 흐름은 대체로 이렇습니다. 도구에 접속해 새 생성 창을 열고, 영어 또는 한국어로 원하는 장면을 구체적으로 묘사한 프롬프트를 입력합니다. 스타일(사진 느낌인지, 일러스트인지), 시점(위에서 내려다보는지, 사람 눈높이인지), 분위기(주간·야간·흐림)를 함께 쓸수록 의도에 가까운 결과가 나옵니다. 생성된 이미지 중 마음에 드는 것을 내려받고, 쓰임에 맞는지 검토한 뒤 자료에 삽입합니다. 재난안전 교육 슬라이드에서 "대피 행동 요령"을 시각화할 때 삽화 스타일 이미지를 빠르게 얻는 용도로 활용할 수 있습니다.

🚫 지도나 통계 그래프를 AI에게 그리게 해도 되나요?

결론부터 말하면, 지도·통계 그래프·수치가 들어간 도표를 이미지 생성 AI로 만드는 것은 실무 자료에 쓰기 매우 위험합니다. 이미지 생성 AI는 '그럴싸하게 보이는 시각 패턴'을 만들도록 학습되었을 뿐, 지리적 좌표나 실측 수치를 내부에 갖고 있지 않습니다. 생성된 지도 이미지에 나오는 행정경계선, 도로망, 강의 위치는 학습 이미지에서 가져온 패턴이지 실제 공간 정보가 아닙니다.

예를 들어 "경상남도 산사태 위험 지역 지도"를 프롬프트로 넣으면 지도처럼 생긴 이미지가 나옵니다. 그러나 거기 표시된 위험 구역은 완전히 지어낸 위치이고, 보는 사람은 그것을 실제 자료로 오해할 수 있습니다. 통계 막대 그래프도 마찬가지로 숫자가 맞지 않습니다. 지도와 통계 시각화는 반드시 QGIS, Google Earth Engine, 공공 데이터 포털의 검증된 데이터로 직접 만들어야 합니다. 홍수 피해 현황 지도를 AI가 그린 이미지로 대체했다가 잘못된 위치 정보가 보고서에 들어가면 의사결정 오류로 이어질 수 있습니다.

이미지 생성 AI로 만든 결과물의 저작권은 나라마다 판단 기준이 다르고, 도구를 제공하는 서비스의 이용 약관에 따라서도 달라집니다. 현재 여러 나라에서 논의가 진행 중이므로, "내가 프롬프트를 썼으니 내 것"이라고 단정하기 어렵습니다. 중요한 것은 두 가지입니다. 첫째, 사용하려는 도구의 이용 약관에서 생성물의 상업적 사용 허용 여부와 출처 표기 의무를 직접 확인해야 합니다. 약관은 서비스가 업데이트될 때마다 바뀔 수 있으므로, 중요한 공공 자료를 만들 때는 사용 시점 기준으로 다시 읽어두는 것이 안전합니다.

👤 실존 인물이나 실제 장소가 나올 때 어떻게 판단하나요?

이것이 '해봐야 아는 것' 영역입니다. 프롬프트에 특정 인물 이름이나 실제 건물·장소 이름을 쓰지 않더라도, 생성된 이미지에 실존하는 사람의 얼굴과 유사한 인물이 등장하거나 특정 기관의 건물·로고와 닮은 요소가 섞여 나오는 경우가 있습니다. 이를 직접 확인하는 절차는 다음과 같습니다. 생성된 이미지를 눈으로 먼저 살피고, 인물이 포함되어 있다면 역이미지 검색(Google 이미지 검색 또는 유사 서비스에서 이미지를 업로드해 검색)을 해서 실존 인물 사진과 유사한지 확인합니다. 건물이나 로고가 나왔다면 유사성을 직접 비교합니다. 유사도가 높다고 판단되면 해당 이미지는 쓰지 않고 프롬프트를 바꿔 다시 생성하는 것이 안전합니다.

초상권은 살아있는 사람뿐 아니라 일부 나라에서는 사망한 공인에게도 인정될 수 있습니다. 재난 상황을 묘사하는 이미지에서 피해자처럼 보이는 인물이 특정인을 닮았다면 명예훼손이나 초상권 문제로 번질 수 있습니다. 산불 대피 훈련 홍보 포스터에 생성 이미지를 넣을 때도 동일한 기준으로 점검해야 합니다.

📋 생성 이미지를 자료에 넣을 때 어떻게 표기하나요?

생성형 AI 이미지를 공식 자료나 교육 자료에 사용할 때는 출처 표기 방식을 미리 정해두는 것이 좋습니다. 일반적으로는 이미지 아래 또는 자료 말미에 "AI 생성 이미지(사용 도구명, 생성 연월)" 형식으로 표기합니다. 여기서 사용 도구명은 자신이 실제로 쓴 서비스 이름을 그대로 씁니다. 이렇게 하면 자료를 보는 사람이 해당 이미지가 실제 현장 사진이 아니라는 점을 알 수 있고, 정보 오독을 막을 수 있습니다.

기관 내부 지침이나 보고서 작성 기준에 따라 AI 생성물 사용 자체가 제한될 수 있으므로, 처음 쓰기 전에 소속 기관의 관련 지침을 확인하는 것이 순서입니다. 표기 없이 사진처럼 제시하는 것은 정보 윤리 측면에서 문제가 됩니다. 대피 경로 안내 리플릿이나 재난 대응 매뉴얼 같은 신뢰도가 중요한 자료일수록 표기를 명확히 해야 합니다.

🖥️ 화면에서 따라하기

따라하기 단계

새 생성 창 열기
사용하는 이미지 생성 AI 도구에 로그인 후 새 이미지 생성 또는 Create 버튼 클릭
프롬프트 입력
텍스트 입력란에 장면·스타일·시점·분위기를 포함한 구체적 문장 입력 (예: "aerial view of a flooded residential area, illustration style, daytime")
이미지 생성
Generate 또는 이미지 생성 버튼 클릭 후 결과 이미지 4컷 내외 확인
인물·건물 점검
생성된 이미지를 구글 이미지 검색 창에 드래그하거나 '이미지로 검색' 클릭해 실존 인물·건물 유사 여부 확인
이미지 저장
문제 없으면 Download 또는 저장 버튼으로 파일 내려받기 (도구마다 메뉴 위치가 다를 수 있으며, 못 찾을 때는 도구 공식 도움말에서 'download' 또는 '내려받기' 검색)
출처 표기
자료에 삽입 후 이미지 하단에 "AI 생성 이미지([도구명], [생성 연월])" 문구 추가

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

재난안전 교육 슬라이드용 삽화 프롬프트를 구체적 맥락 없이 막연하게 쓸 때와 맥락을 갖춰 쓸 때를 비교해 더 나은 결과를 얻기 위한 참고용

[막연한 요청 예시 — 결과 품질이 낮은 이유를 확인하려는 목적]
홍수 그림 그려줘.

[맥락을 갖춘 요청 예시 — 실제로 사용할 때 이 형태로 쓴다]
너는 재난안전 교육 자료를 위한 삽화를 만드는 역할이야.
다음 조건에 맞는 이미지 프롬프트(영어)를 작성해줘. 내가 이미지 생성 AI 도구에 직접 붙여 넣을 거야.
장면: [홍수로 침수된 주택가, 주민이 대피 가방을 들고 이동하는 모습]
스타일: 실사 사진이 아닌 깔끔한 디지털 일러스트레이션
시점: 사람 눈높이
인물: 특정 인종·성별을 연상시키지 않는 중립적 실루엣
포함하지 말 것: 실존 건물 로고, 특정 인물 얼굴, 지명이 적힌 간판
결과 형식: 이미지 생성 AI에 바로 쓸 수 있는 영어 프롬프트 1개, 한국어 설명 1~2줄

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

🧪 직접 해보기

이미지 생성 AI 도구에서 "홍수 피해 현장 지도" 같은 지도형 프롬프트를 입력해 결과가 실제 지리 정보와 얼마나 다른지 직접 눈으로 확인해 본다.
생성된 이미지를 구글 이미지 검색의 '이미지로 검색' 기능에 업로드해 실존 인물·사진과 얼마나 유사한지 비교해 보고, 유사 결과가 나오는지 확인한다.

❓ 자주 묻는 질문

Q. AI가 만든 이미지를 공공기관 보고서에 써도 되나요?
A. 기관마다 내부 지침이 다르고, 도구별 이용 약관도 다르므로 일률적으로 답하기 어렵습니다. 먼저 소속 기관의 저작물·AI 활용 지침을 확인하고, 사용 도구의 약관에서 공공·상업적 사용 허용 여부를 직접 읽어본 뒤 결정하는 것이 안전합니다.

Q. 프롬프트에 특정 인물 이름을 쓰지 않으면 초상권 문제가 없나요?
A. 이름을 쓰지 않아도 생성된 이미지가 실존 인물을 닮은 얼굴로 나오는 경우가 있습니다. 결과물을 역이미지 검색으로 직접 확인하고, 유사성이 높다고 판단되면 사용하지 않는 편이 안전합니다.

Q. AI 이미지에 출처를 어떻게 표기해야 하나요?
A. 정해진 국제 표준은 아직 명확하지 않지만, "AI 생성 이미지(사용 도구명, 생성 연월)" 형식을 이미지 아래나 자료 말미에 적는 방식이 일반적으로 쓰입니다. 기관 내부 가이드라인이 있다면 그것을 따르는 것이 우선입니다.

이미지 생성 AI는 개념 설명용 삽화나 분위기 묘사 이미지를 빠르게 얻는 데 유용한 도구입니다. 하지만 지도, 통계 그래프, 수치 정보처럼 정확성이 생명인 시각 자료를 대체할 수 없고, 저작권·초상권 문제는 생성 전과 생성 후 두 단계에서 모두 점검해야 합니다. 무엇보다 AI가 만든 이미지라는 사실을 자료에 명시하는 것이 정보 신뢰를 지키는 기본입니다. 재난안전 실무에서 시각 자료의 신뢰성은 곧 현장 대응 판단의 신뢰성과 연결됩니다. 다음 편에서는 이미지가 아닌 표·서식 같은 구조화된 자료를 생성형 AI로 만들 때 어떤 방식이 효과적이고 어디서 오류가 자주 생기는지를 살펴볼 예정입니다.

생성형AI 사용법 시리즈 4편 · 전체 15편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기

산사태 위험지도는 어떻게 만드나 | 취약성 모델링 | GeoAI 기초 13편

🎬 1분 브리핑 영상

📌 3줄 요약

경사·지질·강우 등 공간 인자를 조합해 산사태 취약성 지도를 만든다.
통계 모델과 머신러닝 모델은 원리가 다르지만 목표는 같다.
위험지도의 숫자는 확률이지 예언이 아니므로 해석에 주의가 필요하다.

장마철이 끝나고 뉴스에 "이 지역은 산사태 위험 1등급"이라는 자막이 뜹니다. 그 숫자는 어디서 나온 걸까요? 누군가가 산을 직접 걸어 다니며 위험도를 매긴 것은 아닙니다. 경사각, 지질 특성, 과거 강우 기록, 토지피복 정보 같은 여러 공간 데이터를 모아 모델에 넣고 계산한 결과입니다.

산사태 위험지도를 만드는 과정을 취약성 모델링이라고 합니다. 취약성(vulnerability)이란 어떤 조건에서 재난이 발생하기 쉬운 정도를 수치로 표현한 것입니다. 이 모델이 어떻게 만들어지고, 지도를 읽을 때 무엇을 조심해야 하는지 차근차근 살펴보겠습니다.

🏔️ 산사태 위험지도를 만들 때 어떤 데이터가 필요한가요?

취약성 모델링의 첫 단계는 입력 인자를 고르는 일입니다. 입력 인자란 산사태 발생과 관련이 있다고 알려진 지형·지질·기상 정보를 말합니다. 가장 기본이 되는 것은 경사각입니다. 경사가 가파를수록 중력 방향으로 토양이 미끄러지기 쉽습니다. 여기에 경사 방향(사면향), 곡률(지표면이 오목한지 볼록한지)도 함께 씁니다.

지질 정보도 중요합니다. 같은 경사라도 암석이 풍화된 정도, 점토 함량, 투수성에 따라 물이 스며드는 속도가 달라집니다. 강우 자료는 누적 강우량과 시간당 강도를 모두 고려합니다. 토지피복(숲, 나지, 논밭 등)은 뿌리가 토양을 붙잡는 효과를 반영합니다. 이 밖에 도로 절개지나 계곡 거리 같은 인위적 요소도 포함할 수 있습니다. 실무에서는 각 기관이 보유한 수치 표고 모델(DEM)과 지질도, 기상 관측 데이터를 GIS에서 같은 격자 크기로 정렬하는 작업부터 시작합니다.

📊 통계 모델로 취약성을 계산하면 어떤 원리인가요?

통계 기반 모델의 대표적인 방식은 로지스틱 회귀(logistic regression)입니다. 회귀라는 이름이 낯설어도 개념은 단순합니다. 과거에 산사태가 났던 지점과 나지 않은 지점을 비교해서, 어떤 인자 조합이 산사태와 얼마나 함께 나타났는지 수치로 정리하는 것입니다. 결과는 0과 1 사이의 값, 즉 발생 가능성으로 표현됩니다.

비슷한 원리의 도구로 빈도비(frequency ratio) 방법이 있습니다. 전체 지역에서 특정 경사 범위가 차지하는 면적 대비 그 범위에서 실제 산사태가 일어난 비율을 계산해 가중치를 매기는 방식입니다. 계산이 투명해서 결과를 설명하기 쉽다는 장점이 있습니다. 재난안전 담당자가 지방자치단체에 위험 등급을 설명할 때, 어떤 인자가 얼마나 기여했는지 보여 줄 수 있어 실무에서도 많이 활용됩니다.

🤖 머신러닝 모델은 통계 모델과 무엇이 다른가요?

머신러닝 모델은 인자 간의 비선형 관계를 스스로 찾아냅니다. 예를 들어 랜덤 포레스트(random forest)는 수백 개의 결정 트리를 만들고 투표로 결과를 냅니다. 결정 트리는 "경사 30도 이상이면서 점토 함량이 높으면 위험"처럼 조건을 나무 가지처럼 분기하는 구조입니다. 여러 트리의 의견을 합치니 한 트리가 과적합되는 문제를 줄일 수 있습니다.

모델을 직접 써보고 싶다면 파이썬의 scikit-learn 라이브러리로 시작할 수 있습니다.

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score

X_train, X_test, y_train, y_test = train_test_split(
    features, labels, test_size=0.2, random_state=42
)
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
print("AUC:", roc_auc_score(y_test, model.predict_proba(X_test)[:,1]))

AUC(수신자 조작 특성 곡선 아래 면적)는 모델이 산사태 발생 지점과 미발생 지점을 얼마나 잘 구분하는지 보여주는 지표입니다. 1에 가까울수록 구분 능력이 높습니다. 실무 적용 전에 검증 데이터로 반드시 이 값을 확인해야 합니다.

🗺️ 완성된 위험지도, 어떻게 읽어야 하나요?

취약성 지도는 격자(픽셀) 또는 소유역 단위로 색깔을 달리해 등급을 표시합니다. '매우 높음'으로 표시된 구역은 과거 발생 패턴과 입력 인자를 종합했을 때 상대적으로 위험도가 높다는 뜻입니다. 반드시 기억해야 할 점은 이 값이 확률이지 예언이 아니라는 것입니다. 위험도가 낮은 구역에서도 예상치 못한 강우나 지형 변화로 산사태가 발생할 수 있고, 높은 구역이라고 해서 반드시 이번 장마에 무너진다는 뜻이 아닙니다.

해봐야 아는 것도 있습니다. 모델이 출력한 지도를 현장 사진이나 최근 항공영상과 겹쳐보면, 실제 산사태 흔적이 고위험 구역과 얼마나 일치하는지 직접 눈으로 확인할 수 있습니다. QGIS에서 래스터 레이어를 불러온 뒤 레이어 패널에서 오른쪽 클릭 > 속성 > 심볼로지 탭에서 단계 구분 색상을 설정하고, 위성영상 레이어를 아래에 깔아 투명도를 조절해 보면 지도의 신뢰성을 직관적으로 점검할 수 있습니다.

⚠️ 위험지도를 실무에 쓸 때 어떤 한계를 알아야 하나요?

모델은 학습 데이터 품질에 크게 좌우됩니다. 과거 산사태 목록이 불완전하거나 특정 지역에만 편중되어 있으면, 모델도 그 편향을 그대로 이어받습니다. 또한 입력 인자의 공간 해상도가 낮으면(예: 경사 데이터가 30m 격자일 때) 좁은 계곡이나 절개지처럼 세밀한 위험 구역을 놓칠 수 있습니다.

모델 종류마다 결과가 다르게 나오는 것도 흔한 일입니다. 같은 지역을 로지스틱 회귀와 랜덤 포레스트로 각각 분석하면 고위험 구역의 위치와 면적이 달라질 수 있습니다. 따라서 단일 모델의 결과를 절대적으로 믿기보다는 여러 모델의 결과를 비교하거나 앙상블(여러 모델의 결과를 합산)하는 방법을 씁니다. 실무에서는 위험지도를 만든 기관, 사용한 데이터의 기준 연도, 모델 검증 지표를 메타데이터로 함께 보관해야 다음 담당자가 지도를 올바르게 해석할 수 있습니다.

🖥️ 화면에서 따라하기

따라하기 단계

DEM 내려받기
국토지리정보원 공개 DEM 포털에서 연구 대상 지역의 수치 표고 모델 파일을 내려받는다.
QGIS 불러오기
QGIS 상단 메뉴 레이어 > 레이어 추가 > 래스터 레이어에서 내려받은 DEM 파일을 선택하고 추가를 누른다.
경사 계산
상단 메뉴 래스터 > 분석 > 경사(Slope)를 선택하고 입력 레이어에 DEM을 지정한 뒤 실행을 누른다 (메뉴 위치는 QGIS 버전에 따라 다를 수 있으며, 못 찾으면 상단 검색창에 'Slope'를 입력한다).
심볼로지 설정
경사 레이어에서 오른쪽 클릭 > 속성 > 심볼로지 탭에서 단일 밴드 의사 색상을 선택하고 등급 수를 5로 지정한 뒤 분류를 누른다.
위성영상 겹치기
XYZ Tiles에서 Google Satellite 레이어를 레이어 패널 아래쪽으로 드래그해 배치하고, 경사 레이어의 투명도를 50%로 조절해 두 레이어를 함께 본다.
결과 점검
실제 산사태 발생 이력 지점(시도 재난안전 부서 제공 데이터)을 벡터 레이어로 불러와 고경사 구역과 일치 여부를 눈으로 확인한다.

※ 프로그램 버전에 따라 메뉴 이름이 조금씩 다를 수 있습니다. 위 그림은 순서를 정리한 도식입니다.

✍️ 그대로 복사해 쓰는 프롬프트

산사태 취약성 분석 결과를 주민 설명 자료나 내부 보고서 형식으로 정리할 때 사용

당신은 재난안전 분야 보고서 작성을 돕는 전문 보조자입니다.
아래 조건에 맞게 산사태 취약성 분석 결과 요약문을 작성해 주세요.

- 대상 지역: [시·군·구명]
- 분석에 사용한 주요 인자: [경사, 지질, 강우 등 실제 사용 인자 목록]
- 모델 종류: [로지스틱 회귀 / 랜덤 포레스트 / 기타]
- 고위험 구역 비율: [전체 면적 대비 %]
- 모델 검증 지표(AUC 등): [값]

작성 조건:
1. 주민이나 비전문가도 이해할 수 있도록 전문용어는 괄호 안에 짧게 설명한다.
2. 위험지도는 확률적 결과이며 예언이 아님을 명시하는 문장을 반드시 포함한다.
3. 결과를 과장하거나 특정 지점이 반드시 붕괴된다는 표현은 쓰지 않는다.
4. 분량은 A4 반 페이지(약 400자) 이내로 한다.
5. 작성 후 사람이 확인해야 할 항목을 별도로 3가지 나열한다.

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

🧪 직접 해보기

국토지리정보원 브이월드(Vworld) 지도 서비스에서 '산사태 위험지도' 레이어를 켜고, 내가 사는 지역의 등급을 직접 확인해 본다.
QGIS에서 공개 DEM 데이터를 내려받아 경사 분석을 실행하고, 결과 색상이 지형과 눈으로 봤을 때 일치하는지 위성영상과 겹쳐 비교해 본다.
같은 지역에 대해 로지스틱 회귀와 랜덤 포레스트를 각각 돌려 결과 지도가 어떻게 달라지는지 비교하며 모델 선택의 영향을 직접 느껴본다.

❓ 자주 묻는 질문

Q. 산사태 위험지도에서 '1등급'이 나오면 무조건 위험한 건가요?
A. 1등급은 동일한 조건의 지역 중 상대적으로 취약성이 높다는 뜻이지, 반드시 산사태가 발생한다는 예언이 아닙니다. 등급은 모델이 사용한 데이터와 기준에 따라 달라질 수 있으므로, 지도를 만든 기관의 메타데이터(사용 데이터, 기준 연도, 검증 지표)를 함께 확인하는 것이 중요합니다.

Q. 머신러닝 모델이 통계 모델보다 항상 더 정확한가요?
A. 어떤 모델이 더 정확한지는 데이터 품질, 지역 특성, 학습 샘플 수에 따라 달라집니다. 머신러닝 모델은 복잡한 패턴을 잘 잡지만 결과를 설명하기 어렵고, 통계 모델은 해석이 쉽지만 비선형 관계를 놓칠 수 있습니다. 두 접근법의 장단점을 이해하고 목적에 맞게 선택하는 것이 바람직합니다.

Q. 강우 데이터 없이 경사와 지질 정보만으로도 위험지도를 만들 수 있나요?
A. 가능은 하지만 정확도가 떨어질 수 있습니다. 산사태는 강우가 방아쇠 역할을 하는 경우가 많아, 강우 인자를 제외하면 같은 지형에서도 발생 시점을 반영하지 못합니다. 보유한 데이터 종류에 따라 인자를 조합하되, 모델 검증 지표로 결과의 신뢰성을 반드시 점검해야 합니다.

산사태 위험지도는 수십 년의 지형·지질 정보와 기상 기록을 수치로 압축한 결과물입니다. 그 지도를 보는 사람이 확률과 예언의 차이를 이해하고 있어야 올바른 대피 계획과 예산 결정으로 이어질 수 있습니다. 모델이 틀릴 수 있다는 것을 알면서도 최선의 판단을 내리는 것, 그것이 재난안전 실무의 핵심입니다. 다음 편에서는 이렇게 만들어진 위험지도를 대피로 계획이나 주민 대피 의사결정에 어떻게 연결하는지, 공간 네트워크 분석의 기초를 함께 살펴보겠습니다.

GeoAI 기초 시리즈 13편 · 전체 43편

재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.

📌 바로가기