최근 국내 공간정보 기술은 고해상도 위성영상, 드론 플랫폼, 공간자료 기반 분석, 인공지능(artificial intelligence, AI) 기술의 융합을 통해 빠르게 고도화되고 있다. 특히 기후변화, 도시화, 재난 리스크의 복합화에 따라 공간정보 기술은 토지피복 분류, 시공간 예측, 재난 모니터링, 객체 탐지 등 다양한 공공 및 산업 영역에서 핵심 도구로 자리 잡고 있다. 본 특별호의 연구논문을 종합적으로 분석하여 최신 공간정보 기술의 응용 흐름과 기술적 진전을 고찰하였다. 특히 데이터 불균형 해소를 위한 손실함수의 적용 전략, 시공간 크리깅(kriging)에서의 변동성 대응 방안, 멀티모달(multimodal) 자료 활용 효과, KOMPSAT 영상 기반의 딥러닝 실용화 기술 등을 중점적으로 다루었다. 분석 결과, 고정밀 분류를 위한 손실함수 설계의 중요성, 시공간 자기상관 구조에 따른 모델링 전략, 보조자료의 해상도·표현력 한계, 변화탐지와 객체 분류의 상호 보완 가능성 등이 주요 이슈로 도출되었다. 본 연구는 최신 공간정보 기술의 실효성과 확장 가능성을 정리하고, 정책 및 시스템 설계에 실질적인 기초 자료를 제공한다.

With the rapid advancement of the global climate crisis, the pursuit of carbon neutrality has become an increasingly urgent issue in South Korea and worldwide. Forest ecosystems play a pivotal role in carbon sequestration and are critical in mitigating this crisis. A comprehensive understanding of the distribution and structural dynamics of forest ecosystems is essential for effective forest carbon management. Given the vast expanse of domestic forests, the integration of remote sensing technologies is indispensable for monitoring and assessing these ecosystems. Specifically, the use of three-dimensional LiDAR remote sensing data allows for the quantitative representation of vertical structural characteristics, such as forest height, that are crucial for evaluating the vertical distribution of forests. The Global Ecosystem Dynamics Investigation (GEDI) satellite mission provides valuable forest biomass information across different levels; however, certain regions, including parts of Asia, require model improvements due to a relative paucity of data. Therefore, this study developed a forest ground biomass estimation methodology based on GEDI spaceborne LiDAR and national forest inventory data, and applied it to a case study in South Korea. To calculate above-ground biomass, canopy height profile indicators were derived from GEDI Level 2 data, and biomass estimates were generated using species-specific biomass coefficients and diameter at breast height and tree density information from the national forest inventory. The estimated aboveground biomass densities for Icheon, Gwangju, and Yeoju were 29.1742, 75.8275, and 46.8442 Mg/ha, respectively. These findings underscore the importance of incorporating regional forest characteristics using domestic forest spatial data and highlight the potential for more accurate forest biomass estimation based on precise elevation data obtained from spaceborne LiDAR. This approach represents a significant advancement in our ability to effectively assess and manage forest carbon resources.

고밀도 항공라이다(LiDAR) 3차원 점군자료는 3차원 객체 모델링, 고정밀 수치표고모형 제작, 식생 및 생태환경 분석 등 다양한 방면에서 널리 활용된다. 최근 항공라이다 장비의 고도화로 보다 고밀도의 3차원 점군자료 취득이 가능해졌으나 상대적으로 데이터의 물리적 크기가 증대됨에 따라 활용성을 확장하는데 한계가 발생하고 있다. 본 연구에서는 항공라이다 기반 고밀도 3차원 점군자료의 효율적인 활용방안을 모색하고자 3차원 점군자료의 경량화에 활용되는 대표적인 4가지 경량화 알고리즘의 주요 기능과 개별 알고리즘에 정의된 세부 파라미터 별 특성을 분석한 후 2가지 형식의 실제 실험을 통해 3차원 점군자료 경량화에 최적화된 알고리즘 선정 및 알고리즘에 정의된 세부 파라미터(Parameter)에 특성에 따라 경량화를 통해 산출된 3차원 점군자료의 품질 변화를 검증하였다. 첫 번째 실험에서 고밀도 3차원 점군자료 샘플데이터를 By density, By order, 2D grid, 3D grid 등 대표적인 4가지 경량화 알고리즘 별로 동일하게 적용하여 경량화 품질을 비교한 결과 3차원 점군자료의 물리적인 크기 감소와 원본자료의 품질유지 측면에서 3D grid 알고리즘이 3차원 점군자료의 경량화에 가장 적합한 알고리즘으로 확인되었다. 두 번째 실험에서는 3D grid 알고리즘에 정의된 2가지의 파라미터(Keep point, Operation range) 적용 실험에서 11개의 Keep point 파라미터 옵션 중 Central 옵션을 적용한 점군자료는 현지측량을 통해 취득한 모든 검사점과 비교했을 때 평균 Root Mean Squared Error (RMSE) 0.06 m 이내의 수직 위치정확도를 확보하였으며, 모든 검사점에서 오차의 편향이 거의 없는 강건한 형태의 분포를 확인하였다. 또한 Operation range 파라미터의 Grid size 옵션을 1.00 m 이내로 설정하면 원본 대비 0.03 m 이내의 상대적인 위치 정확도를 확보할 수 있었으며 원본 자료와 비교하여 객체의 경계 및 형상 유지가 가능하였다. 또한, 지붕면의 경사도와 수직 위치정확도 및 점군 자료의 감소율 간의 상관관계를 분석한 결과, 지붕면의 경사도의 크기는 수직 위치정확도와 점군자료 감소율 모두에 유의미한 영향을 미치는 종속변수임을 확인할 수 있었다. 동일한 건물에 대해 경량화가 완료된 3차원 점군자료와 원본 3차원 점군자료를 활용해 묘사를 진행하여 비교한 결과, 고층 건물일수록 건물의 경계 및 형상에 대한 판독이 용이하나 Grid size 옵션을 0.75 m 이내로 설정할 경우 대부분의 건물에 대한 묘사가 가능한 것으로 확인되었다. 묘사가 완료된 벡터데이터를 활용하여 Grid size 별로 건물 지붕면의 형상에 따른 평면 위치정확도를 검증한 결과, 건물의 경계가 단순할수록 경량화에 따른 데이터 손실에 더 민감하게 반응하여 위치 정확도 저하가 큰 것으로 확인되었다. 마지막으로, 건물 면적의 일치 여부를 확인한 결과, 건물의 면적보다는 높이가 경량화를 진행했을 때 원본 자료의 품질에 영향을 주는 요소라는 것을 확인할 수 있었으며, 건물의 높이에 따른 건물 면적의 일치율은 고층건물일 경우 98%, 중층건물은 95% 그리고 저층건물은 85%로 확인되었다.

공간 크리깅(kriging)은 공간적 자기상관을 기반으로 관측되지 않은 지점의 속성값을 추정하며, 시공간 크리깅은 시간적 차원을 추가하여 시공간 상호작용을 반영한다. 기존 연구들은 시공간적 데이터에 시공간 크리깅을 적용하는 것이 일반적으로 추정 정확도가 더 높음을 밝혀왔다. 하지만 시공간 크리깅은 공간뿐 아니라 시공간적 자기상관을 동시에 모델링하므로, 시공간적 변동 양상이 시공간 크리깅 정확도에 영향을 미칠 가능성이 있다. 따라서 본 연구는 시공간적 변동 양상이 공간 및 시공간 크리깅의 추정 결과에 미치는 영향을 탐색한다. 더불어 기계학습을 결합한 크리깅에서의 시공간적 변동 양상이 미치는 영향도 확인한다. 이를 위하여 본 연구는 기존에 널리 활용된 다항회귀 외에 유연성이 높은 기계학습인 랜덤 포레스트(random forest)와 부스팅(boosting)을 활용하여 1차 효과를 추정하고, 나머지 2차 효과를 크리깅을 이용하여 추정한다. 추정 대상은 2023년 서울시 이산화질소 농도이며, 시공간적 변동 양상이 상이한 두 시점에 대한 추정을 평균 제곱근 오차를 통하여 평가하였다. 연구 결과 기계학습으로 1차 효과를 추정한 경우에 높은 추정 정확도를 보였으며, 유연성이 높을수록 정확한 추정을 제공하였다. 시공간적 변동이 작은 날에는 시공간 크리깅이 더 높은 추정 정확도를 보였으며, 반대로 변동이 큰 날에는 단일 시점의 공간적 변동만을 고려한 공간 크리깅이 우수한 성능을 나타냈다. 특히 변동이 큰 시점에서 1차 효과를 추정하지 않은 경우에는 시공간 크리깅이 더 높은 정확도를 보였으나, 전반적으로 시공간 크리깅에서 농도를 과대추정하는 경향이 나타났다. 또한, 1차 효과의 추정 방식에 따라 공간적 분포에서 부드럽고 완만한 경향이 나타나는 경우와, 국지적이며 급격한 변화 양상이 나타나는 경우로 구분되었다. 본 연구는 시공간적 변동과 1차 효과를 추정하는 방식이 크리깅 기반 공간 추정 정확도에 미치는 영향을 실증적으로 분석하였으며, 이를 통해 시공간적 변동에 따라 적합한 크리깅 기법 선택의 중요성을 시사한다.

습지는 탄소 흡수 및 생태계 보전 기능이 뛰어나며 기후변화 대응과 지속가능성 측면에서 그 중요성이 높아지고 있다. 이에 따라 고해상도 이미지와 딥러닝 모델을 활용하여 정확한 습지 유형 분류 연구가 수행되고 있다. 그러나 딥러닝 모델의 분류 성능을 향상시키기 위해서는 습지 유형별로 충분하고 균형적인 학습 데이터를 확보하는 것이 필수적이다. 그런데 실제 습지 환경은 식생 유형의 다양성, 계절 및 기후 변화에 따른 빠른 환경적 변화 등 복잡한 특성을 가지고 있어 데이터를 균형적으로 획득하는데 한계가 있다. 이에 따라 본 연구에서는 드론 기반의 고해상도 내륙습지 데이터셋을 활용하여 데이터 균형화 기법의 적용을 통한 내륙 습지 분류 성능을 비교·분석하였다. 분류 모델로는 TransUNet을 활용하였다. 원본 데이터만을 활용한 모델의 경우 비대상지, 초본우점, 목본우점, 수체, 나지 클래스에 대한 F1-score가 0.849, 0.945, 0.878, 0.985 그리고 0.769였으며 데이터 균형화를 적용한 모델의 경우 각각 0.862, 0.951, 0.889, 0.985 그리고 0.796으로 모든 클래스에 대해서 성능 향상을 확인할 수 있었다. 특히, 데이터 비율이 적은 비대상지, 목본 우점, 나지 클래스에 대해서 0.013, 0.011 그리고 0.027의 성능 향상을 확인할 수 있었다. 그러나 균형화 적용 이후에도 나지 클래스의 성능은 여전히 상대적으로 낮았으며, 이는 나지 클래스의 다양성과 복잡성을 충분히 반영하지 못했기 때문이라 판단된다. 본 연구 결과는 내륙습지 분류뿐만 아니라 다양한 불균형한 다중 클래스 환경에서도 효과적으로 적용될 것으로 기대된다.

전 세계적으로 대기오염은 인류의 건강과 생태계에 심각한 위협을 초래하는 범지구적 환경 문제로 대두되고 있으며, 동아시아 지역 또한 급속한 도시화와 산업화, 인접 국가로부터의 대기오염물질 유입으로 인해 대기질 악화 문제가 심화되고 있다. 특히, 한반도는 편서풍을 통해 중국으로부터 유입되는 대기오염물질 및 국내 배출 오염원이 복합적으로 작용하여 대기오염 문제가 빈번히 발생하고 있으며, 이에 따른 정량적 진단과 효과적인 대응이 필요한 상황이다. 그러나 기존 대기질 측정망은 지점 기반의 측정값만을 제공하기 때문에 도시 지역의 확산과 대기오염의 연관성을 광역적으로 분석하는 데에는 한계가 존재한다. 또한 국내외 대규모 대기오염 물질 배출원 정보 획득은 접근성과 보안 등으로 인해 어려움이 존재한다. 본 연구에서는 이러한 한계를 극복하기 위해 다양한 원격탐사 자료와 인공지능(arificial intelligence, AI) 기반의 의미론적 분할(semantic segmentation) 기법을 활용하여 대규모 대기오염물질의 배출원인 시가화 지역의 분류를 수행하였다. 이를 위해 중국 동부해안 도시지역과 남한지역을 연구지역으로 설정하여 Landsat 8/9 광학 위성영상, 정지궤도 환경위성(Geostationary Environment Monitoring Spectrometer, GEMS) 데이터, 그리고 지상 대기오염 측정망 데이터를 통합하여 멀티모달(multi-modal) AI 데이터셋을 구축하였다. 또한 멀티모달 데이터의 딥러닝 적용을 위해 다중 인코더 구조를 가지는 multi-encoder U-Net 모델을 설계하여 다중 입력자료에 기반한 시가지 분류 성능을 평가하였다. 본 연구의 결과 multi-encoder U-Net 모델의 성능은 픽셀 정확도가 0.9523, Intersection over Union (IoU)은 0.8789의 값이 도출되어 단일 인풋 U-Net 모델의 픽셀 정확도 0.9499와 IoU 0.8729에 비해 소폭 향상된 성능을 보였다. 본 연구의 결과는 향후 장기적인 대기환경 감시 및 정책 수립을 위한 정량적 근거로 활용될 수 있을 것으로 기대된다.

지형측량은 도로, 항만 등 국가 주요 시설물을 측량하여 computer-aided design (CAD)로 도식화 하는 분야이다. 수작업으로 진행되는 도식화로 인해 작업자 과실의 가능성과 작업시간 연장이 우려된다. 본 연구에서는 unmanned aerial vehicle (UAV) 고해상도 정사영상과 딥러닝 알고리즘을 결합하여 설계도면 벡터화 과정의 개선 가능성을 확인코자 하였다. 학습데이터로 국내 5개 지자체에서 취득한 총면적 5.55 km²의 고해상도(ground sample distance, GSD: 5 cm) UAV 정사영상을 사용하였고, 공간정보품질관리원의 성과심사를 마친 도면을 ground truth (GT)로 사용하였다. 학습 및 추론을 진행한 결과 세그멘테이션(segmentation)의 정확도는 Overall pixel accuracy 90%, Full intersection over union (FIoU)이 84%이었으며 Hierarchical supervision (HiSup) 알고리즘을 적용한 폴리곤(polygon) 생성 정확도는 94%로 확인되었다. 본 연구를 통해 넓은 지역과 수많은 객체에 대해 공간정보를 신속 정확하게 생성해야 하는 지형측량 분야에서의 AI솔루션의 가능성을 확인할 수 있었다.

수중 환경 및 생태계는 수변의 land use and land cover (LULC)에 많은 영향을 받는다. 최근 인간활동의 증가에 따라 LULC의 지속적으로 변화되고 있고, 변화된 LULC에 의해 수중 환경이 받게되는 영향도 변화되고 있다. 수중 환경의 변화를 사전적으로 대응하기 위해서는 수변의 LULC 변화를 지속적으로 모니터링 하는 것이 중요하다. 과거에는 현장조사 중심으로 LULC 모니터링을 수행했지만, 현장조사는 넓은 대상지역을 조사하기에는 시간적 비용적 한계가 명확하다. 원격탐사 기법은 광범위한 지역에 대한 정보 제공에 용이하여 현장조사 기법의 대안으로 활용되었고, 딥러닝 등 artificial intelligence (AI) 기법과 결합하여 면 단위의 LULC 모니터링 가능하게 했다. 원격탐사 및 AI 기반 LULC 모니터링의 정확도는 모델의 성능에 의존하여 높은 성능의 모델을 학습하는 것이 중요하다. 하지만, 실제 환경에서 LULC는 각 항목의 수가 균등하지 않은 데이터 불균형이 존재한다. 데이터 불균형은 모델의 성능을 감소시키고, 결국 LULC 모니터링의 정확도 감소로 이어진다. 본 연구에서는 데이터 불균형을 고려하는 손실함수를 적용하여 대한민국의 낙동강 본류 유역을 대상으로 U-Net 모델 기반 수변 LULC 분류 알고리즘을 학습했다. Combo loss, Focal loss, Dice loss 및 Tversky loss 등 데이터 불균형을 고려하는 손실함수는 불균형을 고려하지 않는 sparse categorical crossentropy (SCCE) loss와 비교하여 성능을 평가했다. 모델 성능 평가 결과, Combo loss를 적용한 U-Net 모델이 가장 높은 성능(F-1 score = 0.8529, intersection over union [IoU]=0.7519)을 보였고, Tversky loss를 적용한 U-Net 모델도 SCCE loss를 적용한 U-Net 모델의 성능(F-1 score = 0.8375, IoU=0.7296)보다 높은 성능(F-1 score = 0.8426, IoU=0.7357)을 보였다. 하지만 Focal loss 및 Dice loss를 적용한 U-Net 모델들은 SCCE loss를 적용한 U-Net 모델보다 낮은 성능을 보였다. 소수 항목에 대해서는 Focal loss 및 Dice loss를 적용한 U-Net 모델의 성능이 더 높았지만, 다수 항목에서의 성능 저하가 원인으로 판단됨으로 소수항목에 대한 가중치 최적화가 필요하다. Combo 및 Tversky loss 기반 데이터 불균형 해결은 모델 성능 향상으로 이어졌고, 이는 정확한 수변 LULC 모니터링으로 연계될 것으로 기대된다.