이미지

6 Contents

[강연] 다시 돌아본 2024년 "세상에 나쁜 수학은 없다" 2 | 2024 카오스강연 '세상에 나쁜 수학은 없다' 시즌2 9강 두 번째 이야기 | 9강 ②

열 방정식은 열이라는 물리적 대상이 시간에 따라 공간 속에서 어떻게 확산되는지를 정교하게 묘사하는 도구입니다. 초승달 모양의 열판에 열이 가해졌을 때 시간이 흐르며 열이 고르게 퍼져나가는 현상을 수식으로 나타낸 것이죠. 이 방정식의 핵심은 온도의 시간적 변화율이 공간에 대한 이계도함수와 연결된다는 점에 있습니다. 이는 단순히 열의 이동을 설명하는 것을 넘어 입자의 운동이나 현대 인공지능의 확산 모델에까지 응용되는 기초 원리가 됩니다. 확산 현상을 바라보는 관점은 거시적일 수도, 미시적일 수도 있습니다. 미시적 관점에서는 입자가 무작위로 움직이는 '무작위 행보'나 '브라운 운동'으로 설명됩니다. 동전을 던져 앞면이 나오면 왼쪽, 뒷면이 나오면 오른쪽으로 가는 무작위 행보의 확률을 미분의 정의와 테일러 전개를 통해 계산하면 놀랍게도 거시적인 열 방정식이 유도됩니다. 이는 개별 입자의 불확실한 움직임이 모여 전체적인 확산이라는 규칙적인 흐름을 만들어냄을 보여주는 수학적 증거입니다. 최근 주목받는 인공지능의 확산 모델 역시 열 방정식의 원리를 활용합니다. 이미지에 무작위 노이즈를 추가하는 과정은 열이 퍼지는 순방향 확산 과정과 닮아 있으며, 이를 역방향 확산 과정으로 추적해 노이즈를 제거하면 새로운 이미지가 생성됩니다. 이러한 복잡한 수학적 원리를 시각적으로 이해하기 위해 '이매지너리'와 같은 플랫폼이 활용되기도 합니다. 수식 속에 숨겨진 정보의 흐름을 눈으로 확인하며 화산재의 확산이나 바람의 방향 같은 실제 자연 현상을 시뮬레이션할 수 있습니다. 정보의 시대를 지탱하는 또 다른 강력한 도구는 특이값 분해(SVD)입니다. 행렬은 하나의 벡터를 다른 벡터로 변환하는 연산자 역할을 하는데, 특이값 분해(SVD)는 이 복잡한 변환을 회전과 늘림, 그리고 다시 회전이라는 세 가지 단계로 쪼개어 분석합니다. 임의의 행렬을 세 개의 특수한 행렬 곱으로 분해함으로써 데이터가 가진 본질적인 구조를 파악할 수 있게 됩니다. 이는 복잡하게 얽힌 정보들 사이에서 핵심적인 기저가 무엇인지 찾아내는 과정이라 할 수 있습니다. 특이값 분해(SVD)의 가장 대표적인 응용 분야는 데이터 압축과 차원 축소입니다. 이미지의 픽셀 정보를 행렬로 나타낸 뒤 특이값 분해(SVD)를 적용하면, 중요도가 낮은 정보들을 과감히 제거하고 핵심적인 특이값들만 남겨 원래 이미지를 효율적으로 재구성할 수 있습니다. 또한 주성분 분석(PCA)을 통해 고차원의 데이터를 저차원으로 축소함으로써 복잡한 데이터 속에 내재된 패턴을 찾아냅니다. 예를 들어 여러 과목의 성적 데이터에서 학생의 문과적 혹은 이과적 성향이라는 핵심 지표를 추출하는 식입니다. 코시-슈바르츠 부등식은 벡터 공간을 이해하는 가장 기본적인 관계식입니다. 두 벡터의 내적값이 각 벡터의 길이의 곱을 절대 넘을 수 없다는 이 절대 부등식은 기하학적으로 두 벡터 사이의 각도와 투영의 개념을 담고 있습니다. 내적을 통해 두 벡터가 얼마나 같은 방향을 향하고 있는지, 혹은 서로 독립적인지를 수치화할 수 있습니다. 이는 단순히 수학적 정리를 넘어 데이터 사이의 유사도를 측정하는 핵심적인 척도가 되어 현대 과학의 다양한 분야에서 활용됩니다. 이러한 내적의 개념과 코시-슈바르츠 부등식은 오늘날 OTT 서비스의 영화 추천 알고리즘이나 챗GPT 같은 자연어 처리 모델의 근간이 됩니다. 사용자의 선호도 벡터와 콘텐츠 벡터 사이의 상관관계를 분석하여 최적의 결과를 도출해내는 것이죠. 열 방정식부터 특이값 분해(SVD), 그리고 코시-슈바르츠 부등식에 이르기까지, 이들은 서로 다른 형태를 띠고 있지만 복잡한 세상을 단순화하고 그 속에 숨겨진 근본적인 질서를 찾아낸다는 공통점을 가집니다. 수학은 이처럼 보이지 않는 곳에서 세상을 움직이고 있습니다.

[강연] 다시 돌아본 2024년 "세상에 나쁜 수학은 없다" 2 | 2024 카오스강연 '세상에 나쁜 수학은 없다' 시즌2 9강 두 번째 이야기

박형주

카오스재단카오스강연
  • 수학

[코로나 인터뷰] 장원철_ 코로나19는 새로운 형태로 전파되고 있어서...

과거에는 데이터를 단순히 수치로 표현되는 결과물로만 한정하여 생각하곤 했습니다. 하지만 현대 데이터 과학의 영역은 이를 넘어 이미지나 사물과 같은 비정형 데이터까지 폭넓게 포괄하고 있습니다. 한국인의 평균적인 얼굴형을 분석하거나 특정 집단의 대표적인 특성을 도출하는 과정 모두가 이제는 데이터의 영역에 들어온 것입니다. 이처럼 예전에는 미처 인식하지 못했던 다양한 형태의 정보들을 분류하고, 그 안에서 유의미한 대푯값을 찾아내어 공유하는 것이 데이터 과학이 수행해야 할 핵심적인 임무라고 할 수 있습니다. 데이터 과학은 코로나19와 같은 팬데믹 상황에서 그 진가를 발휘합니다. 감염병의 2차 유행 시점을 예측하거나 바이러스의 전파력을 분석하는 일은 모두 정교한 데이터 기반 연구를 통해 이루어집니다. 특히 실시간 치사율을 계산하거나 사회적 거리두기가 실제 방역에 미치는 효과를 측정하는 작업은 매우 실용적인 가치를 지닙니다. 치료 중인 환자 수와 사망자 수의 변화 추이를 데이터로 추적함으로써, 우리는 막연한 공포에서 벗어나 객관적인 지표를 바탕으로 현재의 위기 상황을 진단하고 대응 전략을 수립할 수 있게 됩니다. 전 세계 국가들이 각기 다른 방역 정책을 시행함에 따라, 역설적으로 연구자들에게는 사회적 개입의 효과를 비교 분석할 수 있는 방대한 데이터가 축적되었습니다. 각국 자치단체별로 다르게 나타나는 데이터들은 사회적 거리두기와 같은 변수들이 실제 감염 확산에 어떤 영향을 주는지 파악할 수 있는 흥미로운 기초 자료가 됩니다. 이러한 데이터들을 면밀히 분석한다면 각 정책이 지닌 실질적인 영향력을 정밀하게 측정할 수 있으며, 이는 향후 더욱 효율적인 방역 전략을 수립하는 데 있어 매우 중요한 근거가 될 것입니다. 방역 당국이 매일 업데이트하는 확진자와 검사자 수 등은 매우 방대한 가치를 지닌 자산입니다. 그러나 연구자의 관점에서는 이러한 자료들이 일목요연하게 정리되어 공개되지 않는 점에 대해 아쉬움이 남기도 합니다. 데이터가 일반 연구자들에게 보다 체계적이고 투명하게 공유되었다면, K-방역의 성과를 넘어 과학 기술 분야에서도 더욱 혁신적인 연구 결과들이 쏟아져 나왔을 것입니다. 전 세계적으로 흩어져 있는 다양한 형태의 데이터를 하나로 모으고 정제하는 과정은 향후 발생할 수 있는 또 다른 위기에 대비하기 위해서라도 반드시 선행되어야 할 과제입니다. 데이터는 정책의 효율성을 국민에게 설득력 있게 전달하는 강력한 도구가 됩니다. 사회적 거리두기와 같은 정책이 왜 필요한지, 그리고 그것이 얼마나 실질적인 효과를 거두고 있는지를 데이터를 통해 증명할 때 비로소 대중의 자발적인 호응을 얻을 수 있기 때문입니다. 또한 코로나19가 초래한 사회적 파급력은 단순히 의학적 차원을 넘어 개인정보 보호와 사회 정책 전반에 걸쳐 있습니다. 따라서 통계학뿐만 아니라 다양한 학문적 배경을 가진 전문가들이 협력하는 융합적인 시각이 필요하며, 이러한 다학제적 연구팀의 노력이 복합적인 사회 문제를 해결하는 열쇠가 될 것입니다.

[코로나 인터뷰] 장원철_ 코로나19는 새로운 형태로 전파되고 있어서...

장원철

카오스재단코로나19 과학토크
  • 생명과학
  • 융합

[강연] AI / 머신러닝 _ by오혜연, 강명주 | 2020 봄 카오스강연 '첨단기술의 과학' 3강 | 3강

인공지능은 인간이 어렵게 느끼는 복잡한 지식 탐색이나 독해 능력에서 놀라운 성과를 보여줍니다. IBM의 왓슨이 퀴즈쇼에서 우승하거나 머신러닝 모델이 고난도 독해 평가에서 인간을 앞서는 사례가 이를 증명합니다. 하지만 정작 인간에게 너무나 쉬운 일상적인 대화나 사진 속 상황을 파악하는 일에는 서툰 모습을 보이기도 합니다. 이러한 역설은 인공지능이 언어를 이해하는 방식이 인간의 직관이나 경험과는 근본적으로 다르다는 점을 시사하며, 기술 발전의 새로운 과제를 던져줍니다. 일상적인 대화가 인공지능에게 어려운 이유는 데이터의 부재와 상황의 모호성에 있습니다. 우리가 나누는 대화는 대부분 기록되지 않는 사적인 영역이며, 그 안에는 대화 상대와의 관계나 장소, 계절 같은 수많은 외부 맥락이 생략되어 있습니다. 인공지능은 방대한 데이터를 학습하여 확률적으로 다음 단어를 예측하지만, 데이터에 명시되지 않은 인간의 본능적인 사회적 감각까지 완벽히 따라 하기는 어렵습니다. 결국 문제 정의가 명확하지 않은 영역에서 인공지능의 한계가 드러나는 것입니다. 최신 언어 모델인 BERT는 문맥을 양방향으로 파악하며 비약적인 발전을 이루었지만, 여전히 데이터에 내재된 편향성 문제를 안고 있습니다. 인공지능은 인터넷상의 방대한 문서를 학습하며 인간의 고정관념이나 당연하게 여겨지는 상식의 부재를 그대로 흡수합니다. 예를 들어 '노란 바나나'라는 표현이 드문 이유는 바나나가 당연히 노랗기 때문이지만, 인공지능은 이를 학습하지 못해 편향된 결과를 낼 수 있습니다. 이는 기술적 완성도를 넘어 윤리적이고 사회적인 성찰이 필요한 지점입니다. 인공지능과 딥러닝의 눈부신 발전 밑바탕에는 견고한 수학적 토대 자리 잡고 있습니다. 흔히 인공지능을 전산학의 전유물로 생각하기 쉽지만, 사실 미분과 선형대수학 같은 수학적 원리가 없었다면 현대의 인공지능은 존재할 수 없었을 것입니다. 과거 뉴턴이나 오일러가 정립한 이론들이 수 세기를 지나 오늘날 데이터를 처리하고 최적의 해를 찾는 핵심 도구로 부활한 셈입니다. 산업이 고도화될수록 복잡한 현상을 모델링하고 해결하는 수학의 역할은 더욱 중요해지고 있습니다. 수학의 힘은 영화 산업의 시뮬레이션 기술에서도 명확히 드러납니다. '겨울왕국'의 자연스러운 눈 입자나 '아이언맨'의 역동적인 물의 흐름은 모두 나비에-스토크스 방정식과 같은 복잡한 물리 법칙을 수학적으로 풀어낸 결과입니다. 슈퍼컴퓨터조차 직접 풀기 어려운 거대한 행렬 방정식을 수치적인 방법으로 근사하여 해결함으로써, 우리는 가상 세계에서 실제와 다름없는 물리적 현상을 구현할 수 있게 되었습니다. 이는 수학이 추상적인 이론을 넘어 현실을 재창조하는 도구임을 보여줍니다. 딥러닝의 핵심은 수많은 데이터를 통해 최적의 가중치를 찾아내는 최적화 과정에 있습니다. 수백만 차원의 복잡한 함수에서 오차를 최소화하는 지점을 찾는 일은 마치 거대한 산맥에서 가장 낮은 골짜기를 찾는 것과 같습니다. 이 과정에서 인공지능은 행렬 연산을 반복하며 스스로 특징을 학습하지만, 왜 그런 결과가 도출되었는지 논리적으로 설명하기는 여전히 어렵습니다. 이러한 '블랙박스' 문제를 해결하고 시스템의 신뢰성을 확보하기 위해 수학자들은 지금도 치열한 연구를 이어가고 있습니다. 미래의 인공지능은 단순히 높은 정확도를 기록하는 것을 넘어, 자신의 판단 근거를 인간에게 논리적으로 설명할 수 있는 '설명 가능한 AI(XAI)'로 진화해야 합니다. 이를 위해서는 데이터 기반의 학습과 수학적 논리가 완벽하게 통합되어야 하며, 다양한 분야의 전문가들이 소통하며 창의적인 해결책을 모색해야 합니다. 인공지능이 인간의 언어를 완벽히 이해하고 수학적으로 투명해지는 날, 우리는 기술이 주는 혜택을 더욱 안전하고 풍요롭게 누리게 될 것입니다.

[강연]  AI / 머신러닝 _ by오혜연, 강명주 | 2020 봄 카오스강연 '첨단기술의 과학' 3강

강명주, 오혜연

카오스재단카오스강연
  • 뇌인지과학

[카오스 술술수학] 모양이란 무엇인가? 상상하는 모양? 실재 모양?

우리는 흔히 모양을 '겉으로 나타난 모습'이라 정의하고, 모습은 다시 '겉으로 나타난 모양'이라 정의하곤 합니다. 이러한 순환 논리는 기하학의 대상인 모양을 정의하는 것이 얼마나 어려운지를 잘 보여줍니다. 기하학은 모양을 연구하는 학문이지만, 정작 그 본질이 무엇인지에 대해서는 수학자들조차 깊이 고민하게 만듭니다. 19세기 수학자 펠릭스 클라인은 수학을 깊이 공부할수록 오히려 곡선이 무엇인지 모르게 된다고 말하며 기하학의 심오함을 강조했습니다. 도형이라고 하면 흔히 삼각형이나 원, 혹은 뫼비우스의 띠와 같은 시각적 이미지를 떠올립니다. 하지만 우리가 종이나 화면에 그리는 도형은 실제 수학적 대상이 아니라 이해를 돕기 위한 보조 수단에 불과합니다. 3차원 입체를 2차원 평면에 완벽히 구현할 수 없듯이, 우리가 보는 원이나 사각형도 돋보기로 들여다보면 불완전한 선들의 집합일 뿐입니다. 수학의 세계에서 진짜 그림이란 존재하지 않으며, 우리가 보는 것은 뇌가 만들어낸 심리적 환상에 가깝습니다. 유클리드는 이러한 시각적 한계를 넘어 기하학을 공리와 정리라는 논리적 체계로 정립했습니다. 그의 저서 '원론'은 도형이 아닌 사고의 체계가 기하학의 본질임을 시사합니다. 19세기의 다비드 힐베르트는 이 전통을 이어받아, 점, 선, 면과 같은 용어를 책상이나 의자로 바꾸어도 기하학적 논리 체계는 변하지 않는다고 주장했습니다. 현대의 기하학자들 역시 자신의 논문에 그림을 거의 쓰지 않으면서도 복잡한 기하학적 문제를 논리만으로 해결해 나가고 있습니다. 그렇다면 왜 기하학은 굳이 '모양'이라는 가상의 수단을 활용하는 것일까요? 그 답은 인간의 인지적 특성에 있습니다. 인간은 컴퓨터처럼 숫자와 논리만으로 세상을 이해하기보다, 시각화된 정보를 통해 직관적으로 파악할 때 훨씬 더 효율적으로 사고하도록 진화했습니다. 복잡한 수식보다 피타고라스의 정리를 증명하는 한 장의 그림이 우리에게 더 큰 깨달음을 주는 이유도 여기에 있습니다. 시각적 이미지는 우리가 보지 못했던 관계를 발견하게 돕는 강력한 도구입니다. 결국 기하학의 진정한 본질은 눈에 보이는 형태 그 자체가 아니라, 그 형태를 통해 사고를 확장하는 '상상력'에 있습니다. 영어 단어 'Imagination'이 이미지를 만든다는 의미를 내포하고 있듯이, 기하학은 보이지 않는 논리를 시각적 이미지로 변환하여 이해하는 과정입니다. 힐베르트가 자신의 저서 제목을 '기하학과 상상력'이라 지은 것도 같은 맥락입니다. 우리는 기하학을 통해 단순한 모양을 넘어, 논리와 직관이 결합된 고차원적인 상상의 세계를 탐험하게 됩니다.

[카오스 술술수학] 모양이란 무엇인가? 상상하는 모양? 실재 모양?
카오스재단술술과학
  • 수학

[강연] 과학에서 '본다'는 것은 무엇인가? | 2017 카오스 토론회 : '과학vs과학철학' 1부 2강 | 1부 ②

과학에서 '본다'는 개념은 단순히 시각적 정보를 수용하는 단계를 넘어 실체적 진실을 탐구하는 과정으로 확장되었습니다. 과거에는 육안으로 확인 가능한 것만을 존재의 증거로 삼았으나, 현대 물리학은 보이지 않는 미시 세계와 거대 우주를 탐구하며 인식의 지평을 넓혔습니다. 이제 본다는 것은 빛의 파장을 이용한 직접적인 관찰을 넘어, 다양한 물리적 상호작용을 통해 대상의 정보를 추출하고 해석하는 고도의 지적 활동으로 정의됩니다. 원자와 같은 미시 입자는 빛의 파장보다 작아 원리적으로 가시광선으로는 볼 수 없습니다. 이를 극복하기 위해 과학자들은 X선이나 전자빔을 활용하여 원자의 정보를 시각화하는 방식을 고안했습니다. 이는 인간의 생물학적 한계를 기술적 도구로 보완한 사례입니다. 중성미자나 블랙홀처럼 전자기 상호작용을 하지 않거나 신호를 주지 않는 존재들 역시, 그들이 주변에 미치는 영향이나 약한 상호작용을 포착함으로써 간접적으로 '보는' 것이 가능해졌습니다. 현대 입자 물리학에서 힉스 보존과 같은 입자를 관측할 때, 과학자들이 실제로 마주하는 것은 화려한 이미지가 아니라 검출기에서 발생하는 전기적 신호와 숫자 데이터입니다. 대중에게 공개되는 입자 궤적 그림은 이해를 돕기 위한 시각적 재구성에 불과하며, 과학적 본질은 오차가 적은 데이터를 정확하게 정의하고 추출하는 데 있습니다. 즉, 과학적 관찰의 핵심은 시각적 형상을 만드는 것이 아니라 신뢰할 수 있는 물리적 수치를 확보하는 과정이라 할 수 있습니다. 과학적 관찰에서 도구의 중요성은 갈릴레오의 망원경 사용 이후 결정적인 전환점을 맞이했습니다. 하지만 도구를 통해 본 것이 항상 객관적인 실재를 보장하는 것은 아닙니다. 갈릴레오가 그린 달의 분화구 그림이나 헤켈의 배아 발생도는 관찰자의 이론적 배경이나 믿음이 투영된 결과물이기도 했습니다. 이는 과학적 관찰이 단순히 렌즈를 통해 들어오는 빛을 수동적으로 받아들이는 것이 아니라, 관찰자의 패러다임에 따라 재구성될 수 있음을 시사합니다. 새로운 관측 기구의 신뢰성을 확보하기 위해 과학자들은 '미세 조정(Calibration)'이라는 과정을 거칩니다. 이미 알고 있는 대상을 새로운 기구로 측정하여 기존의 결과와 비교함으로써 기구의 타당성을 검증하는 것입니다. 전자현미경이나 원자현미경으로 얻은 이미지가 실제 미시 세계의 모습이라고 확신할 수 있는 이유는, 이러한 엄밀한 조작과 검증 과정이 뒷받침되기 때문입니다. 따라서 과학적 '봄'은 기구와 이론, 그리고 실험적 조작이 결합된 복합적인 산물입니다. DNA의 이중나선 구조나 뇌 영상 이미지(fMRI)는 일반인의 눈에는 모호한 형체로 보일 수 있지만, 훈련된 과학자는 그 안에서 유의미한 패턴을 읽어냅니다. 여기에는 고도의 이론적 해석과 암묵지가 개입됩니다. 특히 뇌 영상의 경우, 특정 부위의 활성화는 복합적인 데이터 처리와 해석 과정을 거쳐 도출된 결과물입니다. 이처럼 과학적 이미지는 있는 그대로의 자연을 비추는 거울이라기보다, 이론이라는 렌즈를 통해 정제된 지식의 표현에 가깝습니다. 결국 과학에서 본다는 것은 인간이라는 생물학적 존재가 가진 한계를 극복하려는 끊임없는 시도입니다. 과학자들은 데이터의 객관성을 추구하면서도, 동시에 직접 보고 싶어 하는 인간 본연의 욕구를 지니고 있습니다. 관찰의 과정에는 이론적 합의와 사회적 검증, 그리고 과학자들의 인내와 논쟁이 수반됩니다. 과학적 발견은 자연이 스스로 드러내는 것이 아니라, 인간이 정교한 도구와 이론을 통해 자연과 대화하며 얻어낸 값진 해석의 결과입니다.

[강연] 과학에서 '본다'는 것은 무엇인가? | 2017 카오스 토론회 : '과학vs과학철학' 1부 2강

이강영, 홍성욱

카오스재단마스터클래스
  • 물리학
  • 융합

[강연] 우주 레이다로 만든 지구그림과 이웃행성 탐사(1) | 윤상호 Nasa-JPL scientist | 2016 가을 카오스 강연 '지구인도 모르는 지구' 10강 | 10강 ①

미국 항공우주국(NASA)은 흔히 먼 우주를 탐사하는 기관으로 알려져 있지만, 실제로는 우리가 살고 있는 지구를 관측하고 연구하는 데 가장 많은 예산과 노력을 투입하고 있습니다. 우주 탐사의 궁극적인 목적 중 하나는 행성으로서의 지구를 더 깊이 이해하는 것이며, 이를 위해 다양한 인공위성과 첨단 장비가 동원됩니다. 특히 지구의 변화를 정밀하게 추적하기 위해 우주에서 지구를 바라보는 시각은 현대 과학에서 필수적인 요소가 되었습니다. 이러한 관측 기술은 단순히 지표면의 모습을 찍는 것을 넘어, 보이지 않는 변화까지 감지하는 수준으로 발전하고 있습니다. 레이더(RADAR)는 전자기파를 발사하여 물체에 반사되어 돌아오는 신호를 분석함으로써 거리와 위치를 파악하는 기술입니다. 제2차 세계대전 당시 적의 항공기나 배를 탐지하기 위해 급격히 발전한 이 기술은 오늘날 지구와 행성 표면을 정밀하게 형상화하는 데 사용됩니다. 레이더는 우리가 흔히 사용하는 카메라와 같은 광학계와는 근본적으로 다른 원리로 작동합니다. 빛의 방향이 아닌 신호가 도달하는 시간을 측정하여 거리를 계산하기 때문에, 전 방향으로 에너지를 방출하기보다는 특정 방향을 훑으며 데이터를 수집하는 방식을 취하게 됩니다. 고해상도의 지표면 영상을 얻기 위해서는 레이더 안테나의 길이를 수 킬로미터까지 늘려야 하는 물리적 한계가 존재합니다. 과학자들은 이를 해결하기 위해 '합성 개구 레이더(SAR)'라는 혁신적인 기술을 고안해냈습니다. 이는 인공위성이 이동하면서 발생하는 도플러 효과를 이용해, 작은 안테나로도 마치 거대한 안테나를 사용한 것과 같은 효과를 내는 방식입니다. 움직이는 물체에서 발생하는 주파수의 변화를 정밀하게 처리함으로써, 우주라는 먼 거리에서도 지표면의 세밀한 구조를 선명한 영상으로 구현할 수 있게 된 것입니다. 레이더 기술의 가장 큰 장점은 기상 조건이나 일조량에 구애받지 않는다는 점입니다. 일반적인 광학 위성은 구름이 끼거나 밤이 되면 지표면을 관측하기 어렵지만, 레이더가 사용하는 마이크로파는 대기층과 구름을 그대로 투과합니다. 통계적으로 지구의 약 70%가 항상 구름에 덮여 있다는 점을 고려할 때, 스스로 신호를 쏘고 받는 능동형 센서인 레이더는 전천후 관측을 가능하게 하는 핵심 도구입니다. 이러한 특성 덕분에 재난 상황이나 접근이 어려운 지역의 변화를 실시간으로 파악하는 데 매우 유용하게 활용됩니다. 이러한 우주 레이더 기술은 지구를 넘어 다른 행성 탐사에서도 빛을 발합니다. 대표적인 사례가 두꺼운 이산화탄소 구름으로 덮여 있어 내부를 들여다보기 힘든 금성입니다. 과거의 광학 탐사로는 금성의 표면을 확인하기 어려웠으나, 마젤란 미션과 같은 레이더 탐사를 통해 비로소 금성의 지형도가 완성될 수 있었습니다. 지구의 화산 활동을 정밀하게 모니터링하는 것부터 미지의 행성 지표면을 밝혀내는 것까지, 레이더는 인류의 시야를 우주 전체로 확장하며 과학적 발견의 지평을 넓히고 있습니다.

[강연] 우주 레이다로 만든 지구그림과 이웃행성 탐사(1) | 윤상호 Nasa-JPL scientist | 2016 가을 카오스 강연 '지구인도 모르는 지구' 10강

윤상호

카오스재단카오스강연
  • 지구환경과학