I. 서론

최근 정보통신 기술의 발달과 개인의 자유로운 정보 공유가 활발해지면서 다양한 소셜 네트워크 데이터가 공간 빅데이터의 하나로 자리잡고 있다. 특히 스마트폰의 보급과 개인의 자유로운 의사소통이 활발해지면서 소셜 네트워크 서비스는 크게 성장하고 있다. 개인 이용자가 올리는 수많은 소셜 네트워크 데이터 중 대부분은 시간과 위치 정보를 함께 제공하고 있어, 공간 빅데이터의 주요한 자료원이 될 수 있다. 위치를 기반으로 개인의 선호와 평판을 표현하는 위치기반 소셜 네트워크 데이터의 경우 지역의 특성을 분석하고 파악하기에 적합한 공간 빅 데이터라 할 수 있다(구자용, 2016).

본 연구에서는 공간 빅 데이터의 활용 방안의 하나로 위성영상의 처리 과정, 특히 기하보정 과정에서 위치기반 소셜 네트워크 데이터의 활용 가능성을 파악하고자 한다. 위성영상을 기하보정하기 위해서는 지상 기준점과 같은 지상에 실재하는 데이터가 필요하다. 일반적으로 지상 기준점은 위성영상에서 쉽게 식별이 되면서 실제 위치를 파악할 수 있는 지점을 선정하며, 시간에 따라 위치가 변경되지 않는 지점을 선정한다(교육부, 2022). 위치기반 소셜 네트워크 데이터는 지상 데이터의 위치 정보와 속성 정보를 제공하고 있으며, 특히 위성영상의 촬영 시기와 유사한 시기의 데이터를 활용할 수 있기 때문에 지상 기준점의 참조 데이터로 활용할 수 있다. 본 연구에서는 위성영상의 처리 과정에서 위치기반 소셜 네트워크 데이터의 활용 가능성을 파악하는 것을 목적으로 한다. 이를 위하여 위성영상의 처리과정에서 중 기하보정 과정에서 사용되는 지상 기준점의 선정 기준을 파악한 후, 위치기반 소셜 네트워크 데이터의 활용 가능성을 파악한다. 위치기반 소셜 네트워크 데이터 중에서 지상 기준점으로 활용될 수 있는 데이터를 선별한 후, 선별된 데이터를 대상으로 위치 정확도 평가를 실시하여 지상 기준점의 참조 데이터로 활용될 수 있는지를 파악한다. 이러한 과정을 거쳐 선정된 지상 기준점을 위성영상의 기하보정 과정에 실험적으로 적용하여 그 활용 가능성을 파악한다. 이러한 분석 결과 위치기반 소셜 네트워크 데이터를 이용한 위성영상 기하보정 과정을 제시하고자 한다.

위성영상의 처리과정에는 수많은 지상 데이터가 필요하다. 위치기반 소셜 네트워크 데이터는 이러한 지상 데이터의 대안이 될 수 있다. 본 연구의 결과는 위성영상의 처리과정 뿐만 아니라 지리학이나 공간정보학에서 다양한 소셜 네트워크의 활용 분야의 확장에도 기여할 수 있을 것으로 기대한다.

II. 관련 연구

1. 위성영상 기하보정 관련 연구

지상에서 수백 킬로미터 이상의 높은 상공에서 촬영한 위성영상은 위성의 자세와 기기 오차, 지구의 곡률과 자전 등에 의해 기하 오차가 발생한다. 이러한 기하 오차는 영상에 촬영된 객체의 위치 정보를 정확하게 제공할 수 없기 때문에 이를 공간 정보로 활용하기 위해서는 반드시 기하보정의 과정을 거쳐야 한다. 기하보정을 위해서는 영상에서의 좌표계와 지상 좌표계를 상호 매칭하기 위한 기준점을 선정하여야 하며, 이를 지상 기준점이라 한다. 위성영상에서 나타나는 지점과 실제 그 지점의 좌표값을 이용하여 좌표 변환식을 설정하고 재배열 과정을 거쳐 기하보정이 수행된다. 따라서 지상 기준점의 선정하고 실제 좌표값을 부여하는 과정은 기하보정의 핵심 과정이라 할 수 있다.

일반적으로 지상 기준점을 선정하기 위해서는 위성영상에서 뚜렷이 나타나면서 시간적 계절적 변화가 없는 인공 지형지물을 선정하고, 그 지점의 실제 좌표를 측량이나 GPS, 혹은 공간 정보를 취득하여 선정하였다. 특히 위성영상의 위치 정확도가 중요한 경우 측량이나 GPS를 이용하여 지상 기준점의 좌표를 선정하였다. 유복모 등(2000)은 SPOT 위성영상을 대상으로 삼각점 좌표를 이용하여 지상 기준점을 제작하고 그 정확도를 평가하였다. SPOT 위성의 경우 공간 해상도가 10m로 비교적 고해상도이고, 입체 영상이 가능하므로 높이값을 포함하여 위치 정확도를 평가하고, 이들 삼각점이 지상 기준점에 활용할 수 있음을 입증하였다.

최근에는 GPS 측량과 항공 레이저 측량 등 측량 기술이 발달하면서 지상 기준점의 3차원 정보를 취득하고 이를 이용하여 고해상도 위성영상의 기하보정에 활용하는 등 지상 측량 기법을 이용하여 위성영상의 기하보정에 활용하는 연구가 활발히 진행되고 있다(이재빈 등, 2007).

이와 같이 지금까지의 위성영상의 기하보정을 위한 지상 기준점에 대한 연구는 주로 지상 및 항공 측량 결과를 이용하여 지상 기준점의 좌표값을 취득하고 그 결과를 기하보정에 활용하고 있다. 이와 같이 측량 과정을 통하여 지상 기준점을 기하보정에 적용하는 연구는 위치 정확도 측면에서 영상의 품질 향상에 큰 영향을 미쳤다고 할 수 있다. 그러나 정보통신 기술의 발달로 수많은 위성영상들이 등장하면서 공간 빅데이터의 시대에 접어들게 되었다. 매일 많은 종류의 위성영상들이 촬영되고 유통되고 있다. 이들 위성영상들을 빠른 시간에 처리하고 활용하기 위해서는 지상 측량보다는 시간과 비용 측면에서 보다 효과적인 지상 기준점의 선정 과정이 필요하다.

2. 위치기반 소셜 네트워크 서비스 데이터의 정확도 연구

최근 스마트폰의 보급으로 활발히 이용되고 있는 소셜 네트워크 데이터는 공간 빅데이터의 주요 자료원으로 이용되고 있다. 특히 사용자의 스마트폰을 통해 제공되는 대용량의 위치 정보는, 지표면의 정확한 위치 정확도를 확보할 경우 기존의 지리공간 조사기법을 대체하는 혁신적인 자료수집 과정으로 활용될 수 있다. 따라서 소셜 네트워크 서비스 데이터에 대한 위치 정확도 및 신뢰도에 대한 연구가 다수 수행되었다. 이범석 등(2012)은 대표적인 소셜 네트워크 데이터인 트위터를 대상으로 위치 정보의 신뢰성을 분석하였다. 그들은 트위터 작성자의 프로필 위치와 트윗 작성 위치의 신뢰성을 분석한 결과 해외 사용자의 약 90% 정도로 위치가 일치하는 결과를 나타내어, 소셜 네트워크 데이터의 위치에 대하여 어느 정도 신뢰도를 기대할 수 있었다. 김민규･박수홍(2014)는 소셜 네트워크 데이터인 트위터를 이용하여 위치 정보를 추출하고, 이를 국가 관심지점(POI)와 공간 관계를 추출하여 위치 정보에 대한 위치 정확도를 측정하여 신뢰도 있는 공간 범위를 산정하였다. 지윤미･구자용(2023)은 위치 기반 소셜 네트워크 데이터인 포스퀘어를 이용하여 기존의 국가 관심지점의 명칭 정보와 위치 정보를 평가하고, 국가 관심지점의 추가적인 구축에 활용하였다.

대표적인 위치기반 소셜 네트워크 서비스인 포스퀘어의 경우 베뉴(venue)라는 장소에 기반하여 평판과 의견을 게시하고 있기 때문에 이들 장소에 대한 보다 정확한 위치 정보가 요구된다. 각 베뉴의 위치 정보는 등록되며, 사용자는 해당 베뉴의 위치에 접근하면 자동으로 해당 장소에 대한 정보에 접근할 수 있기 때문이다. 따라서 본 연구에서는 위성영상의 기하보정을 위한 지상 기준점의 선정과 활용 과정에서 위치기반 소셜 네트워크 데이터인 포스퀘어 베뉴 데이터의 적용 가능성을 파악하고, 위성영상의 기하보정 과정에 이들 데이터를 적용하여 그 활용도를 평가하고자 한다.

III. 위치기반 소셜 네트워크 데이터를 이용한 지상 기준점 선정

1. 지상 기준점의 정의와 선정 기준

위성영상이 가지고 있는 기하학적 왜곡을 보정하고, 영상의 좌표계를 지표면의 좌표계로 변환하기 위하여 기하학적 보정을 수행한다. 영상의 기하학적 보정을 위해서는 영상에서의 어떤 지점의 위치 정보와 그 지점의 실제 위치 정보를 연결하여 보정식을 산출하고, 이를 이용하여 영상을 재배열하는 과정을 거친다. 지상 기준점이란 영상에서의 좌표와 실제 좌표계를 상호 매칭하기 위한 지점을 의미한다. 선정된 지상 기준점의 좌표를 이용하여 영상의 기하보정을 위한 보정식을 산출하기 때문에 지상 기준점의 선정은 영상의 기하보정 과정에서 가장 중요한 과정이라 할 수 있다.

기하보정을 위한 지상 기준점은 영상에서도 잘 나타나면서 시간이나 계절의 영향이 적은 지점을 선정하여야 한다. 또한 해당 지점의 실제 좌표를 쉽게 취득할 수 있어야 한다. 따라서 모양이나 크기의 변화가 없는 도로 교차로, 교량, 인공 구조물 등의 도시 시설물을 지상 기준점으로 선정하는 것이 바람직하다. 일반적으로 위성영상의 공간 해상도에 따라 지상 기준점으로 선정하는 기준은 표 1과 같다. 표에서와 같이 영상의 공간 해상도에 따라 영상에서 잘 나타나는 인공 시설물을 지상 기준점으로 선정하고 있으며, 중･저 해상도의 위성영상의 경우 영상에서 잘 나타나는 교차점이나 댐의 코너, 학교운동장, 교량 등을 지상 기준점으로 선정하고 있다.

위성영상을 기하보정하기 위해서는 이러한 기준에 따라 지상 기준점을 영상에서 선정한 후, 각 지점의 지상 좌표값을 부여하여 좌표보정식을 작성한다. 따라서 지상 기준점의 선정 과정에서 지상 좌표값도 빠르고 정확하게 찾는다면, 기하보정을 보다 효과적으로 수행할 수 있을 것이다.

2. 지상 기준점에 필요한 위치기반 소셜 네트워크 데이터 선정

본 연구에서는 위성영상의 기하보정을 위한 지상 기준점 선정과정에서 위치기반 소셜 네트워크 데이터인 포스퀘어 데이터의 활용 가능성을 파악하고자 한다. 포스퀘어는 관심 장소를 베뉴(venue)로 지정하고, 각 베뉴에 대해 사용자의 방문(check in), 팁(tip), 사용자 수(users) 등을 제공하여 각 장소에 대한 평판을 공유하는 소셜 네트워크 서비스이다. 따라서 포스퀘어 데이터의 베뉴에는 사용자들이 관심이 있는 대부분의 장소들이 위치 정보와 함께 기록되어 있다. 또한 각 베뉴의 업종이나 형태를 계층별로 분류한 범주(category)를 제공하고 있다. 베뉴의 범주는 2023년 현재 예술과 오락(Arts and Entertainment), 사업과 전문 서비스(Business and Professional Services), 공공 기관(Community and Government), 요식업(Dining and Drinking), 이벤트(Event), 보건 의료(Health and Medicine), 랜드 마크(Landmarks and Outdoors), 상점(Retail), 스포츠와 레크리에이션(Sports and Recreation), 교통과 여행(Travel and Transportation) 등 10개의 대분류로 범주가 구분되어 있으며, 중분류와 소분류의 범주는 매년 증가하면서 2023년 현재 모두 1,233개의 범주로 세분되어 있다.

본 연구에서는 서울시 지역을 대상으로 추출한 포스퀘어 데이터를 대상으로 위성영상의 기하보정을 위한 지상 기준점으로 선정될 베뉴를 선별하였다. 구자용(2023)의 연구에서 이용된 2021년 10월 기준으로 수집한 포스퀘어 데이터의 베뉴 정보를 이용하여 지상 기준점으로 선정할 수 있는 베뉴를 선별하였다. 1,233개의 베뉴 범주 중에서 표 1에서 제시한 지상 기준점 선정 기준에 적합한 범주는 교차로(Travel and Transportation > Road > Intersection), 교량(Landmarks and Outdoors > Bridge), 댐(Landmarks and Outdoors > Dam) 등이 있으며, 학교 운동장, 산복 도로, 도로 정지선 등에 해당하는 범주는 존재하지 않았다. 한편 댐의 경우 좌우 코너에 해당하는 위치 정보는 포스퀘어 데이터에서 제공하지 않기 때문에 제외하였다. 따라서 서울시의 포스퀘어 데이터 중에서 교차점과 교량에 해당하는 범주를 선정하여 기하보정을 위한 지상 기준점의 후보 데이터로 이용하였다. 2021년 기준으로 수집한 430,193개의 서울시의 베뉴 데이터 중에서 교차로에 해당하는 베뉴는 749개, 교량에 해당하는 베뉴는 521개이며, 해당 베뉴의 공간적 분포 결과는 그림 1과 같다.

그림 1.

포스퀘어에서 추출한 서울시의 교차로와 교량

그림과 같이 모두 1,270개의 베뉴가 추출되었으며, 배경 지도를 카카오 맵의 도로 지도와 중첩한 결과 도로의 교차 지점에 교차로가 위치하고 있으며, 교량의 경우 한강의 대형 교각뿐만 아니라 중소 하천의 교각 위치도 제공하고 있다는 것을 알 수 있다.

3. 위치기반 소셜 네트워크 데이터의 위치정확도 평가

서울시를 대상으로 추출한 위치기반 소셜 네트워크 데이터인 포스퀘어 데이터를 대상으로 지상 기준점으로 활용 가능성을 평가하기 위하여 위치 정확도를 평가하였다. 서울시를 대상으로 추출한 포스퀘어 베뉴 중에서 교차로와 교량에 해당하는 지점을 선별하고, 이 중 종로구에 해당하는 데이터를 표본으로 선정하여 위치 정확도를 평가하였다. 교차로의 경우 전체 749개 지점 중에서 21개 지점을, 교량의 경우 전체 521개 지점 중에서 11개 지점을 선정하여 위치 정확도를 평가하였다. 선정된 지점을 대상으로 포스퀘어 베뉴에서의 위치 정보와 카카오 맵에서의 POI(point of interest)의 위치 정보를 추출한 후, 두 위치 정보간의 피타고라스 거리를 측정하여 오차 거리를 측정하였다. 두 지점간 거리를 미터 단위로 표현하기 위하여 경도와 위도로 표현된 각각의 위치 정보를 중부 원점의 TM 좌표계로 변환하고, 거리를 측정하였다.

포스퀘어 베뉴의 위치 정보와 카카오맵 POI의 위치 정보의 차이는 그림 2와 같다. 그림에서 중앙에 나타난 정부중앙청사 사거리의 경우 포스퀘어 베뉴에서의 위치 정보와 카카오 맵에서의 위치 정보와 POI 이름이 거의 일치한다. 왼쪽의 경복궁역 사거리의 경우 베뉴의 이름이 영어와 국문이 혼용되어 표현되어 있지만 위치 정보는 일치한다. 그러나 오른쪽의 광화문 교차로의 경우 POI 이름은 일치하지만 위치 정보는 20미터 이상 차이가 나타난다. 따라서 포스퀘어 베뉴에서 이러한 위치 정보의 오차가 크게 나타나는 경우를 제외하여야 한다. 본 연구에서는 포스퀘어 베뉴에서 제공하는 체크인(check in) 수를 이용하여 오차가 크게 나타나는 베뉴를 제거하였다. 포스퀘어 베뉴 데이터 중에서 해당 위치에 체크인 값이 0이거나 사용자가 적은 경우는 해당 위치에 대한 정보를 사용자들이 많이 이용하지 않는다는 의미이다. 즉 해당 베뉴의 신뢰도를 보장할 수 없다는 것이다. 실제로 그림 2의 세 가지 경우에서 경복궁역 사거리만이 체크인 값을 가지고 있으며, 위치 정확도는 세 지점 중 가장 높게 나타났다. 따라서 체크인 값을 가지고 있지 않은 정부중앙청사 사거리와 광화문 교차로의 경우 지상 기준점 선정의 대상에서 제외하였다.

그림 2.

포스퀘어 베뉴의 위치 정보 차이 사례

서울시 종로구의 포스퀘어 베뉴 중 교차로에 해당하는 21개 지점을 대상으로 포스퀘어 베뉴와 카카오맵 POI의 위치 정보와의 오차 거리는 그림 3과 같다. 그림과 같이 대부분 교차로의 오차 거리는 25미터 이내에 있으나 몇몇 오차 거리가 큰 지점들이 포함되어 있어, 평균 오차 거리는 약 38.71미터로, 비교적 낮은 편이다. 그림에서 진한 막대로 표현된 지점은 포스퀘어 베뉴의 체크인 값이 1 이상을 가지고 있는 지점들로, 이들 지점만을 대상으로 위치 정확도를 측정한 결과 평균 제곱근 오차는 18.35미터로 나타났다.

그림 3.

포스퀘어 베뉴의 오차 거리 분포

따라서 이들 포스퀘어 베뉴는 20미터 이상의 중저 해상도의 위성영상에 활용할 수 있는 정도의 위치 정확도를 가지고 있는 것으로 나타났다. 본 연구에서는 포스퀘어 베뉴 데이터 중에서 체크인 값이 1 이상인 지점을 대상으로 지상 기준점을 선정하였다. 이상의 과정을 거쳐 지상 기준점의 선정 대상이 되는 베뉴의 분포는 그림 4와 같다. 그림과 같이 서울시 지역의 포스퀘어 베뉴 중에서 교차로 144개 지점과 교량 157개 지점이 지상 기준점 선정을 위한 후보 지점으로 나타났다.

그림 4.

지상 기준점 선정 대상 지점

IV. 위치기반 소셜 네트워크 데이터를 이용한 위성영상 기하보정

1. 실험 대상 위성영상

위치기반 소셜 네트워크 데이터인 포스퀘어 베뉴로부터 추출한 지상 기준점 대상 지점을 이용하여 위성영상의 기하보정에 적용하고 그 활용 가능성을 파악하였다. 이를 위하여 포스퀘어 베뉴 데이터의 취득 시기와 유사한 2021년 10월 24일 촬영한 LANDSAT 8호 영상을 실험 데이터로 선정하였다. LANDSAT 8호 영상은 공간 해상도 30미터의 중저 해상도 영상으로, 앞 절에서 파악한 포스퀘어 베뉴 데이터의 평균 제곱근 오차를 만족할 수 있는 해상도를 가지고 있다. 또한 영상의 취득 시기와 포스퀘어 베뉴 데이터의 취득 시기가 유사하여 실험 데이터로 선정하였다.

LANDSAT 영상은 미국 지질 조사국(USGS) 홈페이지(https://earthexplorer.usgs.gov/)에서 다운로드 받을 수 있다. 서울과 경기도를 촬영한 Path 116, Row 34 위치의 LANDSAT 8호 영상으로부터 서울 지역만 잘라내어 본 연구에 활용하였다. 실험 대상 영상은 그림 5와 같다.

그림 5.

실험 대상 영상

2. 지상 기준점 선정과 기하보정 과정

위치기반 소셜 네트워크 데이터를 이용하여 지상기준점의 위치 정보를 추출하고, 이를 이용하여 위성영상의 기하보정을 수행하는 과정은 그림 6과 같다. 그림과 같이 위치기반 소셜네트워크 서비스인 포스퀘어로부터 베뉴 데이터를 추출한 후, 지상기준점에 필요한 교차로와 교량 데이터를 추출하였다. 추출된 데이터를 대상으로 위치 좌표를 경도와 위도로 이루어진 지리좌표체계(GCS)에서 TM 좌표계로 변환하고, 위성영상 기하보정 과정에 필요한 지상 기준점의 지상 좌표값인 참조 데이터를 추출하였다. 추출된 참조 데이터는 위성영상의 기하보정 과정에서 선정된 지상 기준점의 영상 좌표와 함께 다항식 모델링을 통해 보정식의 매개변수가 결정된다. 영상 보정식을 이용하여 영상 재배열을 통해 위성영상의 기하보정이 수행된다.

그림 6.

소셜 네트워크 데이터를 활용한 기하보정 과정

미국 지질 조사국(USGS)에서 제공하는 LANDSAT 영상은 대략적인 기하보정을 수행하여 UTM 좌표계를 가진 데이터로 구성되어 있다. 그러나 위성영상에 보다 정확한 위치 정보를 제공하기 위해서는 지상 기준점을 이용한 기하보정 과정이 필요하다. 본 연구에서는 영상 처리 소프트웨어에서 실험 대상인 LANDSAT 영상을 표출한 후, 앞 절에서 선정한 지상 기준점 대상 지점을 이용하여 지상 기준점을 선정하고, 해당 지점의 실제 위치를 포스퀘어 베뉴 데이터의 위치 정보로 저장하였다. 본 연구에서 적용한 포스퀘어 베뉴 데이터는 체크인 값이 1 이상인 지점을 선정하였으며, 경도와 위도로 구성되어 있는 위치 정보를 중부 원점의 TM 좌표계로 변환하여 위치 정보로 입력하였다. 구체적인 지상 기준점 선정 및 입력 과정은 그림 7과 같다. 그림에서 오른쪽 상단의 화면은 서울을 촬영한 LANDSAT 영상 전체를 나타내고 있으며, 이 중에서 일부가 확대되어 왼쪽 상단 화면, 더욱 확대된 화면은 하단에 나타나고 있다. 이와 같이 영상처리 소프트웨어에서 지상 기준점 대상 지점을 확대한 후, 영상에서 확연히 교차점이나 교량이 확인되는 지점을 지상 기준점으로 선정하였다. 선정된 지상 기준점의 위치 정보는 포스퀘어 베뉴 데이터의 위치 정보를 중부원점 TM 좌표계로 변환한 후 적용하였다.

그림 7.

지상 기준점 선정

이러한 과정을 거쳐 포스퀘어 데이터로부터 추출한 지상 기준점 대상 지점 중에서 위성영상에서 위치가 확인되는 13개 지점을 선정하여 지상 기준점으로 적용하였다. 선정된 지점들의 영상의 위치 좌표와 포스퀘어 베뉴의 위치 좌표를 이용하여 좌표보정식을 적용하고 평균 제곱근 오차를 산출하였다. 지상 기준점을 이용하여 좌표보정식을 적용한 오차는 표 2와 같다.

표에서와 같이 13개 지점의 평균 제곱근 오차는 최소 4.217m, 최대 31.162m로, 평균 16.979m로 나타났다. 지상 기준점의 좌표 보정식 적용한 결과 이들 지점의 평균 제곱근 오차가 30m 이내이므로 좌표 보정식의 타당성이 확보되었으며, 이를 재배열 과정에 적용하여 기하보정을 수행하였다.

3. 위성영상 기하보정 실험 결과 및 논의

서울시를 촬영한 위성영상을 대상으로 위치기반 소셜 네트워크 데이터로부터 추출한 지상 기준점을 이용하여 기하보정을 실시한 결과는 그림 8과 같다. 그림과 같이 기하보정의 결과를 확인하기 위하여 기하보정된 위성영상 위에 위치기반 소셜 네트워크 데이터의 위치 정보를 중첩하여 표현하였다. 중첩된 위치기반 소셜 네트워크 데이터는 그림 4에서 선정한 지상 기준점의 후보가 되는 위치 데이터이다. 그림 4에 나타난 위치기반 소셜 네트워크 데이터의 위치와 비교해 보면, 교차로와 교량 모두에서 동일한 지점에 위치하고 있어, 기하보정된 위성영상이 어느 정도 정확하게 위치 정보를 표현하고 있음을 알 수 있다. 따라서 기하보정 과정에서 위치기반 소셜 네트워크 데이터를 지상 기준점으로 선정하여 활용하는 과정이 효과적임을 알 수 있다.

그러나 본 연구에서 사용한 위성영상이 30미터의 해상도를 가지고 있기 때문에 몇몇 교차로의 경우 영상에서 명확히 위치가 확인되지 않은 경우가 많았으며, 한강을 지나는 큰 규모의 교량의 경우에도 영상에서 정확한 위치를 확인할 수 없었다. 향후 보다 고해상도의 영상을 활용한다면, 이러한 문제를 해결할 수 있을 것으로 생각되며, 지상 기준점의 고도 값을 확보할 경우 정사 영상 변환에도 활용될 수 있을 것이다. 이러한 한계점에도 불구하고 본 연구에서는 위성영상 처리과정에서 위치기반 소셜 네트워크 데이터와 같은 공간 빅데이터를 활용할 수 있음을 보여주었다. 이러한 공간 빅 데이터가 보다 활발히 이용된다면 인공지능과 머신러닝 기법을 적용하여 위성영상을 쉽고 정확하게 처리할 수 있을 것으로 사료된다.

그림 8.

위성영상의 기하보정 결과

V. 결론

정보통신 기술의 발달과 스마트폰의 보급으로 매일 수많은 공간 빅 데이터가 생산되고 있다. 특히 위치를 기반으로 사람들의 선호와 관심을 공유하는 위치기반 소셜 네트워크 데이터의 경우 해당 장소에 대한 위치 정보와 함께 그 장소에 대한 다양한 정보를 실시간으로 제공하고 있다. 본 연구에서는 위치기반 소셜 네트워크 데이터의 활용 방안 중의 하나로 위성영상 처리과정에서 포스퀘어 데이터의 활용 가능성을 파악하였다. 위성영상에 나타나는 객체의 위치를 정확하게 표현하기 위한 기하보정 과정에서 포스퀘어 데이터를 지상 기준점으로 활용하는 방안을 제시하였다. 포스퀘어 데이터 중에서 카테고리 분류를 이용하여 지상 기준점으로 선정할 수 있는 장소를 선택한 후, 포스퀘어 체크인 값을 이용하여 신뢰도가 높은 지점들을 지상 기준점의 후보 지점으로 선정하였다. 선정된 지점을 이용하여 위성영상의 기하보정을 실시하고 그 결과를 논의하였다.

본 연구의 결론은 다음과 같다. 첫째, 위치기반 소셜 네트워크 데이터를 이용하여 지상기준점을 선정한 결과 효과적으로 정확한 위치의 지상 기준점을 선정할 수 있었다. 포스퀘어에서 제공하는 위치 정보를 이용하여 지상 기준점의 위치를 쉽게 파악할 수 있었으며, 포스퀘어의 카테고리와 체크인 값을 이용하여 보다 신뢰성있는 지상 기준점을 선정할 수 있었다. 둘째, 선정된 지상 기준점을 이용하여 위성영상을 실험적으로 기하보정한 결과, 기하학적 왜곡이 보정되고 향상된 위치 정보가 담긴 위성영상을 확보할 수 있었다. 따라서 위성영상의 기하보정 과정에서 위치기반 소셜 네트워크 데이터를 활용함으로써 처리 과정이 효과적으로 향상되었고, 위치 정보의 정확도도 향상될 수 있었다. 그러나 본 연구에서는 위성영상의 공간 해상도의 한계로 인하여 다양한 지상 기준점을 활용하고 그 결과를 파악하지 못하였다.

본 연구에서는 위성영상 처리과정에서 위치기반 소셜 네트워크 데이터의 활용 가능성을 파악하기 위하여 기하보정 과정에서의 지상 기준점 선정에만 연구 범위를 국한하였다. 위치기반 소셜 네트워크 데이터와 같은 공간 빅데이터를 활용하기 위해서는 지상 기준점 선정뿐만 아니라 영상 분류 과정에서 훈련 지역을 선정하거나 머신러싱 처리과정에서 학습 데이터로 활용하는 등 다양한 영상처리 분야에 활용될 수 있다. 향후 본 연구의 결과를 발전시켜 영상분석이나 머신러닝 분야에서도 위치기반 소셜 네트워크 데이터를 활용할 수 있기를 기대한다.