지구와시즈

왼쪽부터 우수상-서울과학기술대학교, 최우수상-국립부경대학교, 우수상-국립부경대학교 © 대한원격탐사학회. © SI Imaging Services Inc.

최우수상 국립부경대학교 새싹2617팀 시상  © 대한원격탐사학회. © SI Imaging Services Inc.
 

2026년 10월 21일, 부산에서 열린 대한원격탐사학회 추계학술대회에서 '2026 새싹연구 지원사업: SpaceEye-T 영상 활용 경진대회' 최종발표회와 시상식이 열렸습니다. 

대한원격탐사학회가 주관하고 SIIS가 지원한 이번 대회에서는 본선에 오른 5개 팀이 6월부터 10월까지 진행한 연구를 발표했는데요. 최우수상은 국립부경대학교 새싹2617팀(설미래·나수빈·박동혁)에게 돌아갔고, 우수상은 서울과학기술대학교와 국립부경대학교 팀이 받았습니다.

올해 대회는 지난해와 조금 달라졌어요. 지난해까지는 아리랑위성 영상으로 주제를 자유롭게 정했다면, 올해는 SIIS의 초고해상도 위성 SpaceEye-T 영상이 새롭게 제공되면서, 참가팀 모두 0.25m급 영상을 직접 다루며 연구할 수 있었거든요. 

선발팀에게는 지정주제 지역을 새로 촬영한 SpaceEye-T 영상도 제공됐고, 아리랑위성과 다른 오픈데이터도 필요에 따라 함께 쓸 수 있었습니다. 

대회 주제는 '위성 데이터 기반의 글로벌 사회·환경 문제 해결'로, 탄자니아 대도시 인프라 매핑과 도미니카공화국 해안 모자반 모니터링 중 하나를 고르거나 자유주제를 제안하는 방식이었습니다.

부경대팀이 고른 주제는 도미니카공화국의 모자반입니다. 영상에서 모자반을 찾는 데서 한 걸음 더 나아가, 찾은 모자반이 얼마나 부패했는지까지 판별해 보려고 했는데요. 어떻게 접근했는지 함께 살펴볼까요?

🪸 바다 위를 떠다니는 모자반

해안을 뒤덮은 모자반(사진=NASA)과 부유성 모자반의 영양번식 및 연안 유입 과정

카리브해의 부유성 모자반은 공기주머니 덕분에 물 위에 떠서 띠나 덩어리 모양으로 모여 다닙니다. 이렇게 모인 모자반은 해류와 무역풍을 타고 연안까지 밀려오는데요. 

해변에 쌓인 모자반이 부패하기 시작하면 악취가 나고, 물이 탁해지고, 해변 경관도 망가집니다. 그래서 모자반이 어디에 얼마나 있는지는 물론, 해안에 닿은 뒤 상태가 어떻게 변하는지도 꾸준히 지켜봐야 하죠.

연구팀은 성격이 다른 두 위성을 함께 쓰기로 했어요. 각 위성이 잘하는 일이 달랐기 때문인데요.

Sentinel-2는 가시광선, 근적외선(NIR), 단파적외선(SWIR) 밴드를 제공해 NDVI, FAI 같은 분광지수로 모자반을 탐지하고 넓은 해역을 모니터링하기에 좋습니다. 반면 SpaceEye-T는 단파적외선 밴드는 없지만 0.25m급의 높은 공간해상도 덕분에, 연안에 분포하는 모자반의 세부적인 공간 분포와 형태를 정밀하게 파악할 수 있죠. 넓은 해역은 Sentinel-2로, 연안의 세밀한 모습은 SpaceEye-T로 보면서 두 위성의 장점을 서로 보완하는 방식이랍니다.

연구 지역은 모자반이 자주 밀려드는 도미니카공화국의 Punta Cana와 Enriquillo로, Sentinel-2 영상 179장과 SpaceEye-T 영상 11장이 쓰였습니다.

도미니카공화국 내 연구 대상 지역 (Punta Cana · Enriquillo)  

🔍 밴드 구성이 다른 두 위성을 한 모델로

연구팀은 영상 분할에 널리 쓰이는 U-Net 구조를 바탕으로, 화소 하나하나가 모자반인지 아닌지 가려내는 딥러닝 모델을 구축했습니다. 학습자료도 위성영상을 눈으로 판독해 모자반 경계를 직접 그려 만들었는데요.

모델에는 14개 채널이 들어갑니다. 5개 밴드의 반사도와 NDVI·FAI·AFAI 같은 분광지수, 그리고 주변 550m 바닷물과 얼마나 다른지를 나타낸 '국소 이상값'입니다.

그런데 여기서 걸림돌이 하나 있었어요. 바로 SWIR 밴드입니다. SpaceEye-T에는 SWIR이 없다 보니, Sentinel-2로만 학습한 모델을 SpaceEye-T 영상에 그대로 적용하자 Punta Cana에서 F1-score가 0.003까지 뚝 떨어졌습니다. 비어 있는 SWIR 칸에 0을 넣었더니, 모델이 그 0을 실제 관측값으로 읽어 버린 거죠.

연구팀은 영상에 SWIR이 있는지 없는지 알려 주는 표시자(HAS_SWIR)를 모델에 넣었습니다. 그리고 두 위성 영상을 함께 학습시킨 '통합 모델'을 만들었답니다.

14개 입력 채널 기반 U-Net 모자반 탐지 모델 모식도. 자료: 국립부경대학교 새싹2617팀.

📊 SpaceEye-T를 더했더니

그렇다면 결과는 어땠을까요? 결과를 보기 전에, 연구팀이 모델의 성적표로 쓴 지표부터 짚어 볼게요.

정밀도는 모델이 "여기 모자반이 있다"고 찍은 곳 중 실제로 모자반인 비율입니다. 높을수록 엉뚱한 곳을 덜 찍었다는 뜻이죠. 

재현율은 반대로 실제 모자반 중에서 모델이 찾아낸 비율입니다. 높을수록 놓친 모자반이 적다는 뜻이고요.

F1-score는 이 두 가지를 함께 반영한 종합 점수이고, IoU는 모델이 찍은 영역과 실제 모자반 영역이 얼마나 겹치는지를 나타냅니다.

네 지표 모두 0 - 1 사이 값이고, 1에 가까울수록 정확하다는 뜻이에요.

모델 성능을 공정하게 평가하려면 학습 때 한 번도 보지 않은 영상으로 시험해야 하는데요. 연구팀은 Enriquillo에서 2026년 5월 31일에 촬영한 SpaceEye-T 영상 한 장을 학습에서 빼두고 시험용으로 썼습니다.

Sentinel-2 영상으로만 학습한 모델은 이 영상에서 실제 모자반의 절반 정도(재현율 0.520)만 찾아냈고, 모자반이라고 찍은 곳도 절반 이상이 틀렸습니다(정밀도 0.442). F1-score는 0.478이었죠.

두 위성 영상을 함께 학습한 통합 모델은 달랐습니다. 실제 모자반의 80%를 찾아냈고(재현율 0.804), 찍은 곳의 89%가 실제 모자반이었습니다(정밀도 0.890). F1-score는 0.845, IoU는 0.314에서 0.731로 올랐어요.

화소 수로 보면 차이가 더 잘 보이는데요. 두 모델이 함께 찾아낸 모자반은 1,583화소였고, 통합 모델만 찾아낸 화소가 726개였습니다. Sentinel-2 단일 모델이 놓쳤던 주변의 가는 모자반 띠를 통합 모델이 추가로 잡아낸 것이죠.

Sentinel-2 단일 모델과 통합 모델의 모자반 탐지 결과 비교. 자료: 국립부경대학교 새싹2617팀. SpaceEye-T-derived data © 2026 Satrec Initiative (Originally licensed under CC BY 4.0)

그렇다면 SpaceEye-T 자료를 섞어 학습하면 원래 잘하던 Sentinel-2 영상 탐지가 흐트러지지는 않을까요? Sentinel-2 영상으로 시험해 보니 두 모델의 점수는 거의 같았습니다(F1-score Enriquillo 0.581 → 0.571, Punta Cana 0.626 → 0.620).

SpaceEye-T 자료를 더해도 Sentinel-2 영상 탐지는 흔들리지 않았고, SpaceEye-T 영상에서는 정확도가 크게 높아진 셈입니다.

Sentinel-2 영상에서의 두 모델 탐지 결과 비교. 자료: 국립부경대학교 새싹2617팀. © Contains modified Copernicus Sentinel data 2025

여러 해에 걸친 Sentinel-2 자료를 분석하니 모자반이 나타나는 시기도 드러났습니다. 두 지역 모두 5~9월에 집중됐고, 2~4월에는 거의 보이지 않았어요.

모자반을 모니터링할 때 5~9월을 집중 관측 시기로 잡으면 된다는 뜻입니다.

월별 모자반 밀도 중위값. 자료: 국립부경대학교 새싹2617팀. 

조위(물높이)의 영향도 꼼꼼히 따져 봤는데요. 물높이에 따라 해안이 드러나는 면적은 약 1.483km² 차이가 났지만, 바다에 떠 있는 모자반의 탐지량과 분광 특성에는 통계적으로 유의한 차이가 없었습니다. 사실 처음 결과만 보면 고조위 영상에서 모자반이 훨씬 적게 잡혀서 물높이 때문인 것처럼 보였어요. 그런데 알고 보니 고조위 장면의 68%가 모자반이 드문 시기에 찍힌 것이었고, 계절을 맞춰 다시 비교하자 그 차이는 사라졌답니다.

🌊 물높이가 결과를 바꿀까?

바닷물 높이(조위)는 하루에도 몇 번씩 오르내립니다. 물이 빠지면 해변이 넓게 드러나고, 물이 차면 다시 잠기죠. 그래서 영상마다 촬영할 때의 물높이가 다르면 모자반이 다르게 보일 수도 있는데요. 연구팀은 조위 관측 자료가 있는 Punta Cana에서 영상을 찍은 순간의 물높이가 그날 가장 낮을 때와 가장 높을 때 사이 어디쯤이었는지 계산해 영상들을 비교했습니다.

물높이에 따라 해안이 드러나는 면적은 약 1.483㎢ 달라졌습니다. 하지만 바다에 떠 있는 모자반은 물높이와 함께 오르내리기 때문에, 탐지량과 분광 특성에는 통계적으로 의미 있는 차이가 없었어요. 

재미있는 건 그 전 과정입니다. 처음 결과만 보면 물이 높을 때 찍은 영상에서 모자반이 다른 영상의 5분의 1밖에 잡히지 않아 물높이 때문인 것처럼 보였거든요. 그런데 알고 보니 물이 높을 때 찍은 영상의 68%가 모자반이 드문 시기에 몰려 있었습니다. 모자반이 많은 시기의 영상끼리만 다시 비교하자 그 차이는 사라졌어요. 물높이 탓으로 보였던 차이가 사실은 계절 차이였던 거죠. 덕분에 조위 자료가 없는 Enriquillo도 다음 단계인 부패 분석에 함께 쓸 수 있었습니다.

🔬 모자반의 부패 정도 읽기

연구팀이 가장 공을 들인 부분은 바로 부패 상태 분류입니다. 원리로는 건강한 식물은 엽록소가 빨간 빛을 많이 흡수해서 빨간 빛 구간에서는 반사가 움푹 꺼집니다. 그러다 빨간 빛과 근적외선 사이 경계(적색경계)에서 반사가 가파르게 올라가는데요. 모자반이 부패하면 엽록소가 줄어 이 움푹한 부분이 얕아지고 오르막도 완만해집니다. 대신 갈색빛이 짙어지고 마르면서 단파적외선 반사가 늘어나죠.

연구팀은 이 변화를 네 가지 지표로 수치화했습니다. 빨간 빛이 얼마나 깊이 흡수되는지(RED_DEPTH), 적색경계 오르막이 얼마나 가파른지(RE_SLOPE), 얼마나 갈색으로 변했는지(BROWN), 얼마나 말랐는지(SWIR_R)입니다. 이때 Sentinel-2 화소 하나는 가로세로 10m라서 한 화소에 모자반이 얼마나 덮여 있느냐에 따라 신호 세기가 달라지는데요. 그래서 반사도 크기를 그대로 쓰지 않고 비율로 바꿔 빛 반사 곡선의 '모양'이 어떻게 변했는지에 집중했습니다.

네 지표를 하나의 부패 점수로 합친 뒤, 탐지된 모자반 화소들을 점수 순서대로 줄 세워 3등분해 신선, 중간, 부패 3단계로 나눴습니다. 엽록소와 관련된 RED_DEPTH 값을 보면 신선 0.830, 중간 0.581, 부패 0.425로 부패 단계로 갈수록 낮아지는 것을 확인할 수 있네요.

모자반 부패 단계별 정규화 분광 특성. 자료: 국립부경대학교 새싹2617팀.

물론 한계도 있었습니다. 연구팀은 이 부분도 보고서에 솔직하게 적었는데요. 신선 단계는 잘 구분됐지만 중간과 부패 단계는 일부 겹쳤습니다. 현장에서 직접 잰 검증 자료가 없어서 이 3단계는 영상의 분광 특성으로 매긴 상대적인 등급이고 실제 부패 정도와 맞춰 본 것은 아니에요. 해변에 쌓인 모자반은 정답 자료가 부족해 분석에서 빠졌고, 실제 분석에 쓸 수 있었던 SpaceEye-T 영상도 7장에 그쳤습니다.

분광지수로 넒은 해역의 모자반을 찾아내는 Sentinel-2와 연안에 분포하는 모자반의 형태까지 세밀하게 잡아내는 SpaceEye-T. 

부경대팀은 두 위성 영상을 한 모델로 학습시켜 넓은 바다는 Sentinel-2로 훑고 연안은 SpaceEye-T로 자세히 들여다보는 방식이 실제로 작동하는지 확인했습니다. 다음 단계로는 해류·풍향 자료와 현장 측정을 더해 모자반이 언제 어디로 밀려올지 예측하는 연구를 제안하며 마무리를 지었는데요.

이 연구가 앞으로 어떻게 이어질지 기대가 됩니다.