차이

문서의 선택한 두 판 사이의 차이를 보여줍니다.

--- 공간_정보 [2026/04/13 11:02] – 공간 정보 sync flyingtext
+++ 공간_정보 [2026/04/13 11:03] (현재) – 공간 정보 sync flyingtext
@@ 줄 304: / 줄 304: @@
 === 다중 분광 영상 분석 ===
-가시광선 이외의 파장대를 활용하여 지표의 식생이나 환경 변화를 탐지하는 기술을 기술한다.
+다중 분광 영상 분석(Multispectral Image Analysis)은 [[전자기 스펙트럼]](Electromagnetic Spectrum)의 서로 다른 파장 대역에서 획득한 영상 데이터를 결합하고 해석하여 지표면의 물리적 상태와 환경적 변화를 정밀하게 파악하는 기술이다. 인간의 눈이 인지할 수 있는 [[가시광선]](Visible Light) 영역뿐만 아니라 [[근적외선]](Near-Infrared, NIR), [[단파적외선]](Short-wave Infrared, SWIR), [[열적외선]](Thermal Infrared) 등 다양한 비가시적 파장대를 활용하는 것이 특징이다. 이러한 분석의 핵심은 지표의 대상물이 파장에 따라 전자기 에너지를 반사, 흡수, 투과하는 정도가 다르다는 [[분광 반사 특성]](Spectral Signature)의 원리에 기반한다.
+원격 탐사 분야에서 다중 분광 센서는 일반적으로 수 개에서 수십 개의 밴드(Band)를 통해 데이터를 수집한다. 각 밴드는 특정한 파장 범위를 기록하며, 연구 목적에 따라 특정 밴드들을 조합하거나 수학적으로 연산하여 대상물의 속성을 극대화한다. 예를 들어, 식생은 가시광선 중 청색과 적색 광은 광합성을 위해 흡수하고 녹색 광은 반사하지만, 세포 구조의 특성상 근적외선 영역에서는 매우 높은 반사율을 보인다. 이러한 반사 특성의 차이를 수치화한 것이 [[식생 지수]](Vegetation Index)이며, 그중 가장 널리 사용되는 지표는 [[정규 식생 지수]](Normalized Difference Vegetation Index, NDVI)이다. NDVI는 적색 밴드($  $)와 근적외선 밴드($  $)의 반사도 차이를 이용하여 다음과 같이 계산된다.
+$$ \text{NDVI} = \frac{\text{NIR} - \text{Red}}{\text{NIR} + \text{Red}} $$
+NDVI 값은 $-1$에서 $1$ 사이의 범위를 가지며, 건강한 식생일수록 $1$에 가까운 값을 나타내고 나지나 암석, 수역은 상대적으로 낮은 값을 갖는다((A commentary review on the use of normalized difference vegetation index (NDVI) in the era of popular remote sensing, https://link.springer.com/article/10.1007/s11676-020-01155-1
+)). 이러한 지표는 광범위한 지역의 [[식생]] 활력도, 산림의 밀도, 농작물의 생육 상태를 모니터링하는 데 필수적인 도구로 활용된다.
+다중 분광 영상 분석은 식생 탐지 외에도 수질 분석, 토양 습도 측정, 지질 조사 등 다양한 환경 모니터링에 응용된다. 수역의 경우 가시광선 파장대 중 청색광은 투과력이 높고 적색광 이후의 파장은 급격히 흡수되는 특성을 이용하여 수심을 추정하거나 클로로필 농도를 분석한다. 또한, 단파적외선 밴드는 토양의 수분 함량이나 암석의 광물 성분을 식별하는 데 효과적이며, 열적외선 밴드는 지표면 온도를 산출하여 도시의 [[열섬 현상]]이나 화산 활동을 감시하는 데 사용된다.
+영상의 해석 과정에서는 영상 내의 각 화소를 통계적 방법으로 분류하는 기법이 동원된다. 분석자가 미리 정의한 표본 영역의 특성을 학습시켜 전체 영상을 분류하는 [[감독 분류]](Supervised Classification)와 데이터 자체의 통계적 군집성을 이용하는 [[무감독 분류]](Unsupervised Classification)가 대표적이다. 최근에는 [[기계 학습]](Machine Learning)과 [[딥러닝]](Deep Learning) 기법이 도입되어 복잡한 지표 환경에서도 높은 정확도로 토지 피복 변화를 탐지하고 있다((Comparison of Reflectance and Vegetation Index Changes by Type of UAV-Mounted Multi-Spectral Sensors, https://doi.or.kr/10.KS/JAKO202131452657668
+)). 이러한 다중 분광 영상 분석 기술은 [[랜드샛]](Landsat)이나 [[센티넬]](Sentinel)과 같은 지구 관측 위성뿐만 아니라 [[무인 항공기]](Unmanned Aerial Vehicle, UAV)에 탑재된 소형 다중 분광 센서를 통해서도 수행되며, 국지적 정밀 농업부터 지구 규모의 기후 변화 대응에 이르기까지 그 활용 범위가 지속적으로 확대되고 있다.
 === 라이다를 이용한 삼차원 데이터 획득 ===
-레이저 펄스를 활용하여 지형의 고도와 건물의 입체 구조를 정밀하게 측정하는 원리를 다룬다.
+라이다(Light Detection and Ranging, LiDAR)는 [[레이저]]를 대상을 향해 발사하고, 그 빛이 물체에 반사되어 돌아오는 시간을 측정하여 대상과의 거리를 계산하는 능동형 [[원격 탐사]] 기술이다. 이 방식은 전자기파 중 가시광선 부근의 짧은 파장을 사용하여 전파를 사용하는 [[레이더]](Radar)보다 훨씬 높은 해상도로 지표면의 미세한 기복이나 정밀한 건물의 외형을 포착할 수 있다는 장점이 있다. 특히 [[항공기]]나 [[무인 항공기]](UAV)에 탑재된 항공 라이다 시스템은 광범위한 지역을 단시간에 고정밀 삼차원 수치 데이터로 변환할 수 있어 현대 [[공간 정보]] 구축의 핵심적인 수단으로 자리 잡았다.
+라이다를 이용한 거리 측정의 물리적 기초는 비행 시간 측정(Time of Flight, ToF) 원리에 기반한다. 센서에서 발사된 레이저 펄스가 초속 약 30만 km의 속도로 이동하여 목표물에 부딪힌 뒤 수신기(Receiver)로 되돌아오기까지의 왕복 시간 $ t $를 정밀하게 측정하면, 센서와 물체 사이의 거리 $ d $는 다음과 같은 산식으로 도출된다. $$ d = \frac{c \cdot t}{2} $$ 여기서 $ c $는 진공에서의 [[광속]]을 의미한다. 현대의 라이다 시스템은 나노초(ns) 단위의 짧은 펄스를 사용하며, 초당 수십만 번 이상의 레이저를 발사하여 대상의 표면을 조밀하게 스캔한다. 이러한 측정 과정을 통해 획득된 대량의 좌표값 집합을 [[점군]](Point Cloud) 데이터라고 하며, 이는 삼차원 공간상의 위치 정보뿐만 아니라 반사되어 돌아온 에너지의 세기인 [[강도]](Intensity) 값을 포함하여 대상의 재질이나 특성을 분석하는 기초 자료로 활용된다.
+정밀한 삼차원 데이터를 획득하기 위해서는 레이저 센서 자체의 거리 정보뿐만 아니라, 레이저를 발사하는 플랫폼의 정확한 위치와 자세 정보가 필수적으로 결합되어야 한다. 이를 위해 라이다 시스템은 [[위성 항법 시스템]](Global Navigation Satellite System, GNSS)과 [[관성 측정 장치]](Inertial Measurement Unit, IMU)를 통합한 관성 항법 시스템(Inertial Navigation System, INS)을 탑재한다. GNSS는 플랫폼의 절대적인 공간 좌표를 결정하고, IMU는 플랫폼의 기울기인 [[롤]](Roll), [[피치]](Pitch), [[요]](Yaw)를 실시간으로 측정한다. 이 세 가지 데이터(거리, 위치, 자세)가 [[동기화]]되어 처리됨으로써, 센서로부터 수천 미터 떨어진 지표면상의 각 점에 대해 수 센티미터 오차 범위 내의 절대 좌표를 부여할 수 있게 된다.((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 기술의 독보적인 특징 중 하나는 다중 반사(Multiple Echo) 기록 능력이다. 하나의 레이저 펄스가 지면으로 향하는 과정에서 나무의 잎이나 가지와 같은 장애물을 만나면, 펄스의 일부는 식생 상단에서 반사되고 나머지는 잎 사이를 통과하여 지면에 도달한다. 라이다 센서는 이러한 다중 신호를 순차적으로 기록함으로써 수목이 우거진 지역에서도 수풀 아래의 지형 고도를 직접 측정할 수 있다. 이를 통해 식생의 높이를 포함한 [[수치 표면 모델]](Digital Surface Model, DSM)과 식생을 제거한 순수 지면의 고도인 [[수치 고도 모델]](Digital Elevation Model, DEM)을 동시에 생성할 수 있으며, 이는 [[산림 자원]] 관리나 [[홍수]] 시뮬레이션 등에 결정적인 정보를 제공한다.((Fink, M., Schardt, M., Baier, V., Wang, K., Jakobi, M., & Koch, A. W. (2022). Full-Waveform Modeling for Time-of-Flight Measurements based on Arrival Time of Photons. arXiv preprint arXiv:2208.03426. https://export.arxiv.org/pdf/2208.03426v1.pdf
+))
+최근에는 라이다 데이터의 밀도가 급격히 높아짐에 따라 건물의 벽면, 창문, 지붕의 세밀한 구조까지 복원하는 [[디지털 트윈]](Digital Twin) 구축에 널리 활용되고 있다. 지상에서 스캔하는 [[지상 라이다]]와 항공에서 내려다보는 항공 라이다 데이터를 결합하면 도시 전체를 오차 없는 입체 모델로 재현할 수 있으며, 이는 [[자율 주행]] 차량을 위한 정밀 도로 지도 제작이나 [[스마트 시티]]의 가상 설계 등 고도의 공간 정보 서비스 구현을 가능하게 한다.
 ===== 공간 정보 분석 기법과 이론 =====

SethQ Wiki

사용자 도구

사이트 도구

차이

문서 도구