[골목길 탐지하기]_위성영상 탐색과 활용 : Sentinel-2

 중간 프로젝트를 진행하며 도로망 데이터에 대한 아쉬움을 매우 크게 느끼고 있었다.

 이륜차 사고다발지역에 대한 특성이다보니 일반적인 승용차와 다르게 협소한 골목, 공원 내, 아파트 혹은 대학교 부지 내 도로 등에서도 사고가 발생한 지점이 있었는데,  분석에 활용한 도로망 데이터는 대부분 교통 네트워크 구축 혹은 행정 목적에 맞춰 제작된 데이터였기에 원하는 해상도에서의 생활도로까지는 충분히 표현되지 않은 경우가 존재했다.

 

 서울시 내 생활도로, 좁은 골목까지 모두 도로를 새로 작도하기에는 시간적인 여유가 없었기에 도로 데이터가 존재하지 않는 사고 포인트도 10개 미만이었기에 인접 격자에서의 최솟값들을 가져와 대치하는 것으로 마무리했었던 기억이 있다.

 

 그러던 중 딥러닝 수업을 들으며 문득 새로운 가능성이 떠올랐다.

기존 도로망 데이터에 중첩되는 곳이 도로로 학습된다는 가정 하에, CNN을 통해 해당 패턴에 부합하는 장소들을 찾게 된다면 미세도로망까지도 모두 탐지할 수 있지 않을까?라는 의문이었다.

 즉, 학습된 모델이 도로의 형태를 인식해 자동으로 벡터 형태의 도로망을 생성하는 프로젝트이다.

 

 해당 프로젝트를 위해서는 우선 고해상도 항공영상이 필요한 상황이다.

따라서 무료로 10m 급의 해상도까지 제공해주는 항공영상을 찾게 되었고, 해당 영상이 어떤 위성에서 어떤 목적으로 어떻게 촬영되었는지를 기본으로 이 프로젝트를 진행해보려고 한다. 

 (vworld가 훨씬 더 해상도가 높으나, 우선은 실험적으로 sentinel-2 영상을 고려하고 있다.)

---

01 CDSE

 우선 CDSE (Copernicus Data Space Ecosystem)에서 위성영상을 무료로 다운받을 수 있다.

 이는 유럽연합의 Copernicus 프로그램을 위하여 개발 및 운영되고 있는 공식 위성 데이터 플랫폼이며, 이 프로그램을 수행하기 위해 만든 위성들이 Sentinel 시리즈이다.

 따라서 해당 페이지 내에서 Sentinel 영상들의 조회 및 다운로드가 가능하다.

 또한 원하는 날짜, 구름량, 지역, 위성의 종류 등을 검색할 수 있으며 클라우드 내에서 NDVI 계산 등을 직접 수행할 수 있게 서비스가 제공되고 있다.

 

https://browser.dataspace.copernicus.eu/

Copernicus Browser

 

 

우선 Data & Information에 들어가 어떤 위성영상들을 다운로드 받을 수 있는지 살펴보았다.

---

1. Sentinel-1

 Sentinel-1은 C-band SAR(Synthetic Aperture Radar) 센서를 탑재한 레이더 위성으로, 위성에서 직접 전자파를 발사하고 지표면에서 반사되어 돌아오는 신호를 수신하여 영상을 생성한다.

 

 광학위성과 달리 태양광을 이용하지 않기 때문에 야간에도 촬영이 가능하며 구름, 비의 영향이 거의 없다. 따라서 육상 및 해양 모니터링을 위해서 주야간의 구분 없이 모든 기상 조건에서 지속적으로 관측이 가능하다.

 주로 홍수 및 침수지역 탐지, 산림 변화 감지, 농경지 및 토양수분, 도시 변화, 지반침하 등을 확인하는데에 사용한다.

 

 다만 표면에서 반사되어 오는 반사파를 측정하는 것이기에 표면의 거칠기, 구조물, 지형, 수분 함량 등을 측정할 수 있으나 콘크리트, 물과 같은 재료의 특성에서 오는 반사파가 다르다는 특성을 반영한 것이지, 색상에 의한 구분은 어렵다.

(레이더가 얼마나 강하게 반사되었는가를 색으로 표현하였을 뿐이다. 따라서 우리가 실제로 눈으로 보는 것과는 다른 색으로 표현된다.)

 

 원래는 Sentinel-1A, Sentinel-1B 두 대의 위성이 운영되고 있었으나 1B의 이상으로 인해 2022년 임무가 종료된 상황이며, 2년 후인 2024년에 1C가 추가적으로 발사되어 현재 성능검증 중에 있다. 

 

 일반적으로 10m / 30m / 90m 세 가지의 해상도를 제공하고 있다.

---

2. Sentinel-2

 Sentinel-2는 육상 관측을 위한 두 대의 위성으로 구성된 관측 시스템이다. 두 대의 위성이 180° 떨어진 위치에서 같은 궤도를 따라 운행하며 영상을 생성하며, 약 5일에 한 번씩 같은 장소를 촬영한다. 중위도의 경우에는 2-3일에 한 번씩 촬영하기 때문에 한국의 경우 해당 주기로 촬영이 가능하다. 현재 기존의 Sentinel-2A를 대신할 Sentinel-2C이 2024년 발사되어 현재는 총 3대의 위성이 동시에 운영중이다. (2C가 2A의 역할을 대신 수행중)

 

 또한 Sentinel-2는 MSI (Multi-Spectral Instrument)라는 다중분광 카메라가 장착되어 있으며, 해당 카메라는 13개의 밴드를 촬영한다. (10m 밴드: 4개, 20m 밴드 : 6개, 60m 밴드 : 3개) 또한 지구를 촬영 시 각 타일은 110 X 110 ㎞ 크기의 정사각형 타일로 나누어 저장한다.

 

 Sentinel-2의 Level 1C, 1B의 경우 센서가 측정한 원시 데이터와 대기 상단 반사율(TOA) 데이터로써 주로 위성영상의 전처리, 보정 등에 사용된다. 아직 대기의 영향을 제거하지 않은 영상으로 일반적인 토지피복 분류에 사용되는 영상이라기보다는 영상 전처리 및 알고리즘 개발에 주로 활용된다. 

 

 Sentinel-2의 Level 2A의 경우 Level 1C에서부터 생성된 대기보정 지표반사율 영상을 제거한다. 이는 구름, 수증기, 대기의 반사 및 산란 등에 대한 보정을 진행한 영상이다. 따라서 에어로졸 광학두께(AOT : Aerosol Optical Thickness), 수증기 (WV : Water Vapour),  장면분류 (SCL : Scence Classification) 등 역시 추가적인 영상도 Level 2A에 포함된다. 이러한 영상 산출물 및 분광 밴드별 지표반사율 자료는 각각 10m, 20, 60m의 해상도로 제공된다.

 

 - Sentinel-2 Level 2A WorldCover Annual Cloudless Mosaic (RGBNIR)

 연간 무운 모자이크로, 해당 합성영상은 전 지구 규모의 구름 없는 10m 해상도 분석용 모자이크이다. 2020~2021년의 연간 Sentinel-2 아카이브로부터 생성되었으며, 각 밴드의 연간 시계열 자료에서 구름 픽셀을 제거한 뒤, 남은 값들의 중앙값을 계산하여 제작되었다.

 

 RGBNIR 모자이크는 다음과 같은 10m 밴드를 포함한다. : B04(Red), B03(Green), B02(Blue), B08(Near Infrared)

 COG (Cloud Optimized GeoTIFF) 형식으로 제공되며, Copernicus Broweser에서 확인 가능하다.

---

3. Sentinel-3

 Sentinel-3는 해양 및 육상 표면의 색상, 해수면 및 지표면 온도, 해수면 지형을 높은 정확도로 측정하여 해양 예측, 환경 모니터링, 기후 변화 모니터링 등을 수행하기 위한 영상을 지원한다. 기존 ERS, ENVISAT, SPOT Vegetaion 위성들이 관측하던 자료를 이어받으며 센서 성능 및 관측 범위를 더욱 향상시키기 위해 개발되었다.

 

 > ERS(European Remote Sensing Satellite):      ESA가 운영한 유럽 최초의 본격적인 지구관측 위성 시리즈로, 레이더를 이용해 해양·빙하·육지와 지표 변화를 관측 >

ENVISAT(Environmental Satellite):

     ERS의 후속 대형 환경관측 위성으로, 레이더와 광학·대기 센서를 함께 탑재해 해양, 육상, 대기, 기후를 종합적으로 관측

 > SPOT Vegetation:

    프랑스 SPOT 위성에 탑재된 광역 식생 관측 센서로, 전 세계 식생 분포와 생육 상태, 토지피복 변화를 지속적으로 모니터링

 

Sentinel-3의 경우 OLCI Level-1, OLCI Level-2가 있는데, Level-1은 OLCI(Ocean and Land Colour Instrument) 센서에서 취득한 자료를 방사보정 (센서 오차를 보정), 위치보정 (영상을 실제 위치에 맞추는 보정), 정사보정 (지형 왜곡을 보정)하며, Level-2는 Level-1 자료를 이용하여 계산한 지구물리학적 변수를 제공한다. Level -2는 육상 환경 변수, 대기 환경 변수, Full Resolution 및 Reduced Resolution 자료, 데이터 품질 플래그, 대기보정 정보 등을 포함한다.

 

또한 SLSTR Level-1, Level-2의 경우 Level-1은 주요 물리량, Level-2는 Level-1보다 높은 수준의 지구물리학적 정보를 제공한다.

 

 SYN Level-2의 경우 OLCL와 SLSTR 센서의 Level-1 및 Level-2를 결합하여 생성되었으며 대기 및 대기 구성성문에 대한 정보를 제공한다.

 

 SRAL Level-1, Level-2의 경우 마찬가지로 SRAL의 원시데이터를 보정 및 검증한 기본 처리 자료, 해당 기본 처리 자료를 기반으로 추가 처리하여 생성한 지구물리학 제품이다. 해수면 높이, 유의파고, 풍속 등에 대한 정보를 제공한다.

 

 POD는 위성의 궤도를 매우 높은 정확도로 계산한 보조 데이터로, NRT, STC, NTC 등에 대한 정보를 제공한다.

---

4. Sentinel-5P

Sentinel-5P는 대기 관측을 전담하는 위성이다. 주요 목적은 높은 시공간적 해상도로 대기를 관측하여 대기질, 오존 및 자외선 관측, 기후 모니터링 및 예측 등에 대한 정보를 지원하는 것이다. TROPOMI(TROPOspheric Monitoring Instrument) 센서를 탑재하고 있으며 처리 수준에 따라 Level-0, 1B, 2 제품을 제공한다.

 

 Sentinel-5P Level 2의 경우 여러가지 항목에 대한 정보를 제공한다. :

 - 에어로졸 지수 또는 흡수성 에어로졸 지수 : 이는 황사, 산불 연기, 화산재 등에 활용

 - 일산화탄소 : 대기오염, 산불 영향, 배출원 분석 등에 활용

 - 구름 : 대기 보정, 기후 연구, 복사전달 연구 등에 활용

 - 포름알데히드 : 광화학 스모그, VOC (휘발성유기화합물) 연구, 대기화학 연구 등에 활용

 - 메탄 : 기후변화 연구, 메탄 배출원 분석, 온실가스 감시, 환경정책 수립 등에 활용

 - 이산화질소 : 대기오염, 도시환경 분석, 산업활동 모니터링 등에 활용

 - 오존 : 오존층 감소 모니터링, 극지방 오존홀 연구, 대기질 평가, 오존 오염 관리 등에 활용

 - 이산화황 : 화산활동 감시, 대기오염, 대기화학 연구, 인체 건강 영향 평가 등에 활용

 

---

5. Sentinel-6

 Sentinel-6은 평균 해수면 및 해양 상태와 같은 해양 환경 관측 목적으로 운용되는 두 개의 위성이다. Poseidon-4 SAR 고도계, AMR-C (기후연구용 다중주파수 마이크로파 복사계), POD(정밀 궤도 결정 시스템) 등의 센서가 탑재되어 있다.

 

Sentinel-6의 경우 크게 3개의 주요 데이터 제품을 제공한다. :

- Level-1 : Poseidon-4 고도계에서 관측한 원시 신호를 보정하여 거리, 파형 등의 기본 관측값을 제공

- Level-2 : Level-1 자료를 추가 처리하여 해수면 높이, 유의파고, 해상풍속 등 실제 해양 분석에 활용할 수 있는 지구물리학적 변수를 제공

- 보조자료(Auxiliary Data) : 위성의 정밀 궤도, 기상 및 대기 보정 등 Level-1과 Level-2 자료를 정확하게 처리하기 위해 필요한 보조 정보를 제공

---

 Sentinel 시리즈를 살펴본 결과, 이번 도로 탐지 실험에는 Sentinel-2가 가장 적합하다고 판단하였다.

 

 Sentinel-1은 기상과 주야간에 관계없이 관측할 수 있다는 장점이 있지만 SAR 영상이므로 일반적인 항공사진과 영상 특성이 크게 다르다. Sentinel-3와 Sentinel-6은 해양 및 광역 환경관측, Sentinel-5P는 대기환경 관측을 주요 목적으로 하기 때문에 도로와 같은 육상의 세부 객체를 영상에서 구분하려는 이번 목적과는 차이가 있다.

 

 반면 Sentinel-2는 육상 관측을 목적으로 하는 광학위성이며, 가시광선 RGB와 근적외선(NIR)을 포함한 다양한 분광 정보를 제공한다. 특히 B02(Blue), B03(Green), B04(Red), B08(NIR) 밴드는 10m 공간해상도로 제공되므로 Sentinel 시리즈 가운데 육상의 도로, 건물, 식생 등 지표면의 공간적 패턴을 구분하는 데 비교적 적합하다.

 

 이번 프로젝트에서 가장 중요하게 생각한 점은 기존 도로망에 포함된 도로의 영상 패턴을 학습한 모델이 기존 데이터에 존재하지 않는 도로까지 찾아낼 수 있는가이다.

 따라서 우선 기존 도로망을 Sentinel-2 영상과 중첩하여 도로에 해당하는 영역을 학습 라벨로 구축하고, CNN 기반 이미지 분할 모델을 통해 영상에서 도로와 유사한 공간적·분광적 특징을 갖는 영역을 탐지해보고자 하였다.

 

 다만 Sentinel-2의 최고 공간해상도는 10m이므로 이번 프로젝트의 궁극적인 목표인 협소한 생활도로와 골목길을 정밀하게 구분하기에는 한계가 있을 것으로 예상된다. 폭이 10m보다 좁은 도로는 하나의 픽셀 안에 건물, 식생, 도로 등이 함께 포함될 수 있기 때문이다.

 따라서 Sentinel-2는 최종 도로망 구축을 위한 데이터라기보다, 공개 위성영상과 기존 도로 데이터를 이용해 딥러닝 기반 도로 탐지가 가능한지 확인하기 위한 초기 실험 데이터로 활용하고자 한다.

 

 이후 실험에서 공간해상도의 한계가 확인될 경우, 보다 고해상도의 정사영상이나 항공영상을 이용하여 동일한 방법을 적용하고 결과를 비교할 예정이다.

 

 +) 이후 학습을 위한 전국 표준 노드링크 데이터는 위성사진 촬영 직전의 가장 최근 날짜인 2026년 06월 12일 데이터를 사용하였다.

전국표준노드링크 | ITS 국가교통정보센터(National Transport Information Center)

ITS 국가교통정보센터

 

 +) 실험 결과 :

 실제로 Sentinel-2 영상과 표준노드링크를 이용하여 도로 탐지를 시도한 결과, 예상했던 것처럼 학습 데이터와 영상 해상도 양쪽에서 한계가 나타났다.

 

 우선 정답 데이터로 사용한 표준노드링크에는 주요 도로는 비교적 잘 구축되어 있었지만, 이번 프로젝트에서 탐지하고자 했던 좁은 골목길과 생활도로가 모두 포함되어 있지는 않았다. 기존 도로망과 중첩되는 영상의 특징을 도로로 학습시키는 방식이므로, 애초에 정답 데이터에 포함되지 않은 골목길의 시각적 특징은 모델이 충분히 학습하기 어려웠다.

 

 여기에 Sentinel-2의 10m 공간해상도도 문제가 되었다. 실제 영상을 확대해보면 광폭도로는 어느 정도 형태를 확인할 수 있었지만, 좁은 골목길은 하나의 픽셀보다 폭이 작거나 주변의 건물·식생·그림자 등과 함께 하나의 픽셀에 포함되는 경우가 많았다.

 따라서 도로와 비도로의 경계가 육안으로도 명확하게 구분되지 않았으며, 모델 역시 이러한 협소도로를 안정적으로 탐지하지 못했다.

 

 결과적으로 초기 실험에서는 주요 도로는 어느 정도 탐지할 수 있었지만, 본래 목표로 했던 골목길과 생활도로를 새롭게 찾아내는 데에는 뚜렷한 한계가 있었다. 이는 단순히 모델의 성능 문제라기보다, 학습에 사용한 기존 도로망에 미세도로가 충분히 포함되지 않았다는 점과 입력 영상의 공간해상도가 목표 객체의 크기에 비해 낮다는 점이 함께 작용한 결과로 판단하였다.

 

 따라서 모델 구조나 학습 조건을 계속 조정하기보다는 입력 데이터와 정답 데이터 자체를 개선하는 것이 우선이라고 판단하였다. 이후에는 국토정보플랫폼에서 제공하는 항공정사영상 등 보다 고해상도의 영상을 확보하여 실제 골목길의 형태와 경계를 식별할 수 있도록 하고, 미세도로를 보다 정확하게 반영할 수 있는 정답 데이터를 함께 구축하여 도로 탐지 실험을 다시 진행하고자 하였다.

 

 결과적으로 Sentinel-2를 이용한 이번 실험은 원하는 수준의 골목길 탐지에는 도달하지 못했지만, 딥러닝 기반 미세도로 탐지에서는 모델의 선택만큼이나 입력 영상의 공간해상도와 정답 라벨의 품질이 중요하다는 점을 확인하는 계기가 되었다.