| 양쪽 이전 판이전 판 | |
| 공간정보 [2026/04/13 12:53] – 공간정보 sync flyingtext | 공간정보 [2026/04/13 12:54] (현재) – 공간정보 sync flyingtext |
|---|
| === 광학 및 레이더 영상 분석 === | === 광학 및 레이더 영상 분석 === |
| |
| 가시광선, 적외선 및 마이크로파를 이용한 지표면 관측 데이터 처리 기법을 논의한다. | [[원격 탐사]](Remote Sensing)를 통해 획득되는 데이터는 크게 가시광선과 적외선 대역을 이용하는 광학 영상과 마이크로파 대역을 이용하는 레이더 영상으로 구분된다. [[광학 영상]](Optical Imagery) 분석은 태양 복사 에너지가 지표면에 도달한 후 반사되거나 방출되는 에너지를 수동형(Passive) 센서로 측정하는 방식에 기반한다. 지표면의 각 객체는 고유한 [[분광 반사율]](Spectral Reflectance) 특성을 지니고 있으며, 이는 파장에 따른 반사 강도의 변화를 나타내는 분광 반사 곡선(Spectral Reflectance Curve)으로 표현된다. 예를 들어, 건강한 [[식생]]은 가시광선 영역 중 녹색 파장대에서 상대적인 반사 피크를 보이고 적색 파장대에서 엽록소에 의한 강한 흡수가 일어나며, 근적외선(Near-Infrared, NIR) 영역에서는 세포 구조에 의해 매우 높은 반사율을 나타낸다. 이러한 분광적 특성 차이를 수치화한 것이 [[정규 식생 지수]](Normalized Difference Vegetation Index, NDVI)이며, 다음과 같은 수식으로 정의된다. |
| | |
| | $$ \text{NDVI} = \frac{\text{NIR} - \text{Red}}{\text{NIR} + \text{Red}} $$ |
| | |
| | 여기서 $\text{NIR}$은 근적외선 대역의 반사도, $\text{Red}$는 적색 가시광선 대역의 반사도를 의미한다. 광학 영상 분석에서는 대기 산란 및 흡수에 의한 왜곡을 제거하는 [[방사 보정]](Radiometric Correction)과 지형 기복 및 센서 각도에 따른 위치 오류를 수정하는 [[기하 보정]](Geometric Correction)이 필수적인 전처리 과정으로 수행된다. 이후 [[감독 분류]](Supervised Classification)나 [[무감독 분류]](Unsupervised Classification) 기법을 적용하여 토지 피복 분류 및 변화 탐지 분석을 수행한다. |
| | |
| | 반면, [[합성 개구 레이더]](Synthetic Aperture Radar, SAR) 영상 분석은 센서에서 직접 마이크로파를 발사하고 지표면에서 되돌아오는 신호를 기록하는 능동형(Active) 시스템을 활용한다. 레이더 영상은 광학 영상과 달리 구름을 투과할 수 있고 야간에도 관측이 가능하다는 전천후성을 지닌다. SAR 영상의 밝기값은 지표면의 거칠기(Roughness), [[유전율]](Dielectric Constant), 그리고 기하학적 구조에 의해 결정되는 [[후방 산란]](Backscattering) 계수에 의해 결정된다. 특히 산림 지역에서는 수관층(Canopy)에서의 산란, 줄기-지면 간의 이중 산란(Double-bounce) 등 복잡한 산란 메커니즘이 발생하며, 이는 파장의 길이나 [[편파]](Polarization) 특성에 따라 다르게 나타난다((Sang-Eun Park, Wooil M. Moon, Eric Pottier, “Assessment of Scattering Mechanism of Polarimetric SAR Signal From Mountainous Forest Areas”, https://hal.science/hal-00942819v1 |
| | )). 편파 분석은 송신과 수신 시 전자기파의 진동 방향(수평 H, 수직 V)을 조합하여 HH, VV, HV, VH 등으로 구분하며, 이를 통해 대상물의 구조적 특성을 더욱 정밀하게 파악할 수 있다. |
| | |
| | 레이더 영상 분석의 고도화된 기법으로는 [[간섭 레이더]](Interferometric SAR, InSAR) 기술이 있다. 이는 동일 지역을 관측한 두 시기 이상의 SAR 영상 간 [[위상]](Phase) 차이를 분석하여 지표면의 미세한 변위나 고도 정보를 추출하는 방법이다. InSAR는 지진, 화산 활동, 도심 지반 침하 등 밀리미터 단위의 지각 변동을 모니터링하는 데 핵심적인 역할을 한다. 최근에는 광학 영상의 높은 분광 해상도와 레이더 영상의 구조적 정보 및 전천후성을 결합하는 데이터 융합(Data Fusion) 연구가 활발히 진행되고 있으며, 이는 [[기계 학습]](Machine Learning) 및 [[딥러닝]](Deep Learning) 알고리즘과 결합되어 객체 인식 및 지표 환경 분석의 정확도를 비약적으로 향상시키고 있다. |
| |
| === 라이다 측량 기술 === | === 라이다 측량 기술 === |
| |
| 레이저 펄스를 이용하여 고정밀 3차원 지형 데이터를 획득하는 원리를 분석한다. | 라이다(Light Detection and Ranging, LiDAR)는 [[레이저]]를 대상을 향해 발사하고, 그 반사파가 수신기에 도달하는 시간을 측정하여 대상물까지의 거리와 형상을 정밀하게 파악하는 능동형 [[원격 탐사]] 기술이다. 이 기술은 가시광선 영역이 아닌 근적외선 또는 자외선 대역의 레이저 펄스를 활용함으로써 기상 조건이나 조도에 구애받지 않고 고해상도의 3차원 지형 정보를 획득할 수 있다는 점에서 현대 [[공간정보]] 구축의 핵심적인 위치를 점한다. 특히 [[항공 레이저 측량]] 시스템은 항공기나 드론에 탑재되어 광범위한 지역의 지표면 형상을 수 센티미터 단위의 오차 범위 내에서 수치화하는 데 탁월한 성능을 발휘한다. |
| | |
| | 라이다의 기본 작동 원리는 [[비행 시간 측정]](Time of Flight, ToF) 방식에 기초한다. 센서에서 방출된 레이저 펄스가 물체에 부딪혀 되돌아오는 왕복 시간 $\Delta t$를 측정하면, 빛의 속도 $c$를 이용하여 센서와 대상물 사이의 거리 $d$를 다음과 같이 산출할 수 있다. |
| | |
| | $$ d = \frac{c \cdot \Delta t}{2} $$ |
| | |
| | 이때 산출된 거리는 단순한 선형 거리에 불과하므로, 이를 지구상의 절대 좌표로 변환하기 위해서는 정밀한 위치 및 자세 정보가 결합되어야 한다. 이를 위해 라이다 시스템은 레이저 스캐너 외에도 [[위성 항법 시스템]](Global Navigation Satellite System, GNSS)과 [[관성 측정 장치]](Inertial Measurement Unit, IMU)를 필수적인 구성 요소로 포함한다. GNSS는 플랫폼의 3차원 위치(위도, 경도, 고도)를 결정하며, IMU는 플랫폼의 기울기인 롤(Roll), 피치(Pitch), 요(Yaw)를 실시간으로 측정하여 레이저 빔이 발사된 정확한 방향을 계산한다. 이러한 데이터의 융합을 통해 각 레이저 반사 지점의 3차원 좌표 $(X, Y, Z)$가 결정된다((Li, X., Wang, H., Li, S., Feng, S., Wang, X., & Liao, J. (2021). GIL: a tightly coupled GNSS PPP/INS/LiDAR method for precise vehicle navigation. Satellite Navigation, 2(1), 26. https://doi.org/10.1186/s43020-021-00056-w |
| | )). |
| | |
| | 라이다 측량의 결과물은 수만 개에서 수십억 개에 이르는 점들의 집합인 [[점구름]](Point Cloud) 형태로 생성된다. 각 점은 위치 정보뿐만 아니라 반사 강도(Intensity)와 반사 횟수 등의 속성 정보를 포함한다. 라이다 기술의 독보적인 장점 중 하나는 다중 반사(Multi-return) 특성이다. 하나의 레이저 펄스가 발사되었을 때, 일부는 나뭇잎이나 가지에 반사되고 일부는 지표면까지 도달하여 반사된다. 이를 분석하면 식생이 우거진 지역에서도 수목의 높이를 측정하는 동시에 지표면의 실제 고도를 추출할 수 있다. 이러한 데이터 처리 과정을 통해 식생과 인공 구조물을 제거한 [[수치 지형 모델]](Digital Terrain Model, DTM)이나 지표면의 모든 객체를 포함하는 [[수치 표고 모델]](Digital Elevation Model, DEM)을 정밀하게 제작할 수 있다. |
| | |
| | 최근의 라이다 기술은 플랫폼의 이동 경로와 자세를 더욱 정밀하게 추정하기 위해 GNSS와 IMU의 데이터를 긴밀하게 결합하는 복합 항법 알고리즘을 적용하고 있다((D’Adamo, T., Phillips, T., & McAree, P. (2022). LiDAR-Stabilised GNSS-IMU Platform Pose Tracking. Sensors, 22(6), 2248. https://doi.org/10.3390/s22062248 |
| | )). 이는 GPS 신호 수신이 불량한 도심지나 산악 지형에서도 측량의 연속성을 보장하며, 자율주행 자동차를 위한 [[정밀 도로 지도]] 제작이나 [[디지털 트윈]] 구축에 필수적인 고정밀 공간 데이터를 제공한다. 또한 모바일 라이다나 지상 라이다와의 상호 보완적 활용을 통해 실내외를 아우르는 다차원 공간정보 체계의 완성도를 높이고 있다. |
| |
| ==== 공간 분석 기법 ==== | ==== 공간 분석 기법 ==== |
