산림 모니터링은 데이터 통합(data-integration) 문제가 되고 있습니다.

일반적인 모니터링 프로그램은 위성 영상, LiDAR 데이터, IoT 센서, 현장 관측 자료, 기상 보고서 및 다양한 머신러닝 모델을 사용할 수 있습니다. 이러한 각 출처는 서로 다른 종류의 정보를 제공하며, 이들을 어떻게 결합할지는 흥미로운 제약 조건들을 동반합니다.

데이터를 확보하는 것이 문제가 아닙니다. 산림을 연구하거나 관리해야 하는 사람들에게 유용하게 활용하기 위해 이질적인(heterogeneous) 환경 데이터를 사용하는 것이 문제입니다.

정보의 출처

좋은 아키텍처는 여러 계층을 통합할 수 있어야 합니다.

1. 위성 및 원격 감지 데이터

위성 데이터는 광범위한 지리적 영역에 걸쳐 관측 데이터를 얻는 일관된 수단을 제공합니다.

적절한 처리 파이프라인(processing pipeline)을 사용하면 다음 작업을 수행할 수 있습니다:

데이터 활용처:

• 수집 과정 (Ingestion process)
• 식생 지수 계산
• 데이터 정규화 및 처리
• 시간에 따른 변화량 계산
• 처리용 래스터 레이어 생성

위성 데이터를 사용하는 가치는 지리적 범위(geographic extent)이며, 한계점은 모든 측정치가 모든 사용 사례에 필요한 수준의 정밀도를 제공하지 못한다는 것입니다.

1. LiDAR 데이터

LiDAR는 단순한 원격 감지 이상의 정보를 제공합니다.

LiDAR를 처리하면 다음과 관련된 값을 얻을 수 있습니다:

• 캐노피 높이 (Canopy height)
• 지형 고도 (Terrain elevation)
• 식생 밀도(부피) (Vegetation density (volume))
• 산림 밀도 (Forest density)
• 수직 레이어 (Vertical layers)

적절한 GIS 파이프라인을 통해 LiDAR 데이터는 벡터 및 래스터 데이터로 변환될 수 있으며, 이는 여러 다른 환경 데이터 출처에 걸쳐 유용한 입력값을 제공합니다.

1. 센서

지상 센서는 매우 국소적인 정보를 제공합니다.

제대로 배치하면 다음과 같은 매개변수에 대한 현장 측정값(local readings)을 얻을 수 있습니다:

• 온도 (Temperature)
• 습도 (Humidity)
• 광량 강도 (Light intensity)
• 토양 수분 (Soil moisture) (적절한 경우)

다른 원격 감지 방법들과 달리, 이러한 국소 센서들은 매우 구체적인 정보를 제공합니다. 따라서 이 센서들을 어디에 어떻게 배치할 것인지는 중요한 공학적 과제입니다.

모든 것을 하나로 통합하는 도전과제

그렇다면 이처럼 다양하게 수집된 데이터 세트들을 어떻게 함께 작동하게 만들까요? 각 데이터 소스는 자체적인 한계와 차이점을 가지고 있습니다.

예를 들어, 다음과 같은 부분에서 차이를 발견할 수 있습니다:

• 공간적 및 시간적 해상도(Spatial and temporal resolutions)
• 서로 다른 좌표계(Different coordinate systems)
• 데이터 샘플링률의 변화(Variations in data sampling rates)
• 다양한 데이터 형식과 구조(Different data formats and structures)
• 누락된 데이터 패턴(Patterns of missing data)
• 정확도 또는 정밀도의 수준(Levels of accuracy or precision)

모니터링 시스템은 이러한 데이터를 통합하는 일종의 통합 계층(integration layer)이 필요합니다.

간소화된 아키텍처는 다음과 같을 수 있습니다:

[위성/원격 감지 (Satellite / Remote Sensing)] $
ightarrow$ [데이터 수집 (Data Ingestion)] $
ightarrow$ [데이터 처리 계층 (Data Processing Layer)] $
ightarrow$ [공간/시계열 데이터베이스 (Spatial / Time-Series DB)] $
ightarrow$ [분석 및 ML 계층 (Analytics & ML Layer)] $
ightarrow$ [API / 대시보드 (API / Dashboard)] $
ightarrow$ [인간의 의사 결정 (Human Decision-Making)]

구체적인 내용은 사용 사례에 따라 달라지겠지만, 데이터 수집, 처리, 저장, 분석 및 제시 계층을 분리하면 더 많은 유연성과 유지보수성을 확보할 수 있습니다.

왜 시계열(Time-Series) 지향적이어야 하는가

공간적 방향성(spatial orientation)이 모니터링에 매우 중요하지만, 또 다른 핵심 구성 요소는 시간입니다.

고립된 환경 측정값 세트는 가치가 제한적입니다. 동일한 측정값을 시계열로 갖게 되면 데이터에서 패턴이나 이상 징후를 찾는 등 맥락(context)을 제공합니다.

단순히 토양 수분 측정값 하나만 아는 것이 도움이 되지 않지만, 추세나 측정값이 정상 범위를 벗어났는지 아는 것이 훨씬 유용한 것과 마찬가지로, 이러한 개념은 식생 지수, 온도, 습도에도 적용됩니다.

따라서 시간적 방향성(time-orientation)은 이러한 추가적인 맥락을 제공하는 데 도움이 될 수 있습니다.

단순한 토양 수분 쿼리조차도 특정 30일 기간의 차이를 예상되는 조건과 비교할 때 훨씬 복잡해집니다.

공간적 및 시간적 쿼리를 지원하는 방법

논의된 바와 같이, 모니터링에는 공간적 차원과 시간적 차원 모두가 필요합니다.

단 하나의 이상한 측정값이라도 충분히 크거나, 일반적인 범위를 벗어나 있거나, 근처의 다른 관측치와 상관관계가 있을 수 있습니다.

이는 주변 지역의 다른 이상 징후나 인근 센서의 관측치와 일치하고, 여러 번 측정된 지속적인 관찰 기록과 해당 시기에 비정상적인 기상 조건과 함께 나타날 수 있습니다.

유용한 분석 계층(analytics layer)은 위치 기반 질의(location-based queries)뿐만 아니라 시간 기반 질의(temporal queries)도 활용할 수 있어야 합니다. 머신러닝(machine learning)이 패턴 감지에 유용할 수는 있지만, 이러한 유형의 경고는 문제 발생의 확증보다는 조사 단서로 취급하는 것이 좋을 것입니다.

정확도 및 데이터 품질 처리 방법

환경 모니터링과 관련하여 데이터는 상당히 지저분할 수 있습니다.

센서는 작동을 멈춥니다. 위성은 목표물을 놓치거나 측정을 할 수 없습니다. 데이터가 잘못 처리되기도 합니다. 다양한 데이터 소스는 종종 다른 수준의 정확도를 가집니다.

이러한 우려 사항들, 즉 센서 교정(sensor calibration), 타임스탬핑(timestamping), 그리고 버전 관리 및 데이터 계보(data lineage)를 통한 신뢰성 확보에 적절한 시스템을 갖는 것이 가치가 있습니다.

특이한 값을 버리기가 쉬울 수 있지만, 그러한 값들이 실제 환경 변화, 기상 현상 또는 유사한 것을 나타내는 경우가 많습니다.

'나쁜' 데이터를 제거하려고 하기보다는, 품질 관리(quality control) 및 메타데이터를 추적하는 것 자체가 똑같이 유용할 수 있습니다.

조사에서 경고로

이 모든 데이터와 분석을 통해 사람들은 실제로 실제 발견에 도달해야 합니다.

이를 수행하는 가장 쉬운 방법은 경고 시스템(alerting system)을 이용하는 것입니다. 시스템은 잠재적인 조사 단서로서 특정 임계값이나 이벤트 조합을 찾을 수 있습니다.

단순히 센서 A가 문제를 감지했을 때의 경고보다는, 적절한 시스템은 추세(trends), 패턴 또는 상관관계(correlations)를 조사해야 합니다.

간단한 예시:

식생 변화
+
낮은 토양 수분
+
온도 이상치

조사

여러 요인의 조합을 찾음으로써, 단일 아웃라이어(outlier)가 오탐지(false positive)를 생성하는 경우를 최소화할 수 있습니다.

구체적인 내용은 사용 사례와 분석되는 데이터에 따라 크게 달라지겠지만, 많은 사용자들에게는 단순한 데이터 수집보다 유용한 패턴을 찾는 것이 훨씬 더 중요하다는 점은 분명합니다.

대시보드가 핵심이 아닌 이유

대시보드는 최종 사용자에게 좋은 시각적 자료를 제공하지만, 이는 더 큰 시스템의 한 요소에 불과합니다.

모니터링 및 조사 지원 측면에서 볼 때, 시스템이 데이터 계보(data lineage)와 분석을 지원하는 것이 매우 중요합니다.

기반 처리 파이프라인(underlying processing pipeline)에 대한 신뢰도가 높을수록 시각화는 더 간단해질 수 있습니다. 사람들은 여전히 기반 데이터를 고려하고 다음과 같은 질문들을 던져야 합니다:

• 이 데이터는 어디서 왔는가?
• 제대로 된 시간에 측정되었는가?
• 센서는 보정(calibrated)되었는가?
• 이 데이터는 신뢰할 만한가?
• 이것과 교차 참조할 수 있는 다른 측정값이 있는가?

환경 응용 분야에서 작업할 때는, 예쁜 그래프나 차트보다 데이터 계보와 설명 가능성(explainability)이 훨씬 더 중요할 수 있습니다.

Human-in-the-Loop 프로세스 설계 방법

훌륭한 시스템은 종종 보다 평범하고 반복적인 처리 작업 중 일부를 자동화하는 방법을 찾지만, 분석과 해석은 도메인 전문가에게 맡깁니다.

간단한 프로세스는 다음과 같을 수 있습니다:

데이터 수집 (Data Collection)
↓
자동화된 처리 (Automated Processing)
↓
패턴 감지 (Pattern Detection)
↓
경고/우선순위 지정 (Alert / Prioritization)
↓
전문가 검토 (Expert Review)
↓
현장 검증 (Field Verification)
↓
관리 결정 (Management Decision)

이러한 방식으로 기술은 필요한 수동 처리 양을 줄여주지만, 데이터를 지나치게 단순화하거나 환경 조건을 실제로 이해하는 사람보다 더 잘 안다고 가정하지는 않습니다.

이러한 통합 모니터링 시스템에 관여해야 하는 조직들은 센서, LiDAR, 원격 감지(remote sensing), 분석(analytics), 대시보드 및 기타 시스템들이 포괄적인 산림 모니터링 및 의사결정 프레임워크 내에서 어떻게 결합될 수 있는지 확인할 수 있습니다.

.

개발자를 위한 과제 (The Challenge for Developers)

산림 모니터링 아키텍처를 구축하는 것은 단순히 위성만 사용하거나, 센서를 설치하거나, 기계 학습 모델로 데이터를 처리하는 것만을 의미하지 않습니다.

이는 사람들이 그 데이터를 활용하여 모니터링할 수 있도록 시스템을 설계하고 구현하는 것을 의미합니다.

개발자들에게는 지리 공간 컴퓨팅(geospatial computing), 사물 인터넷(IoT), 시계열 데이터베이스(time-series databases), 원격 감지(remote sensing), 기계 학습(machine learning), 데이터 엔지니어링(data engineering), 그리고 환경 과학이 교차하는 흥미로운 영역입니다.

모니터링이 더욱 데이터 기반의 관행이 됨에 따라, 이러한 분야들을 하나로 통합할 수 있도록 지원하는 시스템이 사람들이 신뢰할 수 있는 데이터를 정보로, 나아가 산림 관리에도 도움이 되는 행동으로 전환하기 쉽게 만들어주는 측면에서 가장 유용할 것입니다.

가장 강력한 도구는 가장 많은 데이터를 수집하려고 하는 것이 아닙니다.

실제적이고 신뢰할 수 있는 데이터를 사람들이 이해하고 그에 따라 행동하도록 돕는 시스템입니다.