저는 대학원에 들어가기 전까지 위성 하나가 강의 유량을 측정한다는 개념 자체를 제대로 이해하지 못했습니다. Jason-3 데이터를 처음 받아봤을 때, 위성이 지나간 선 위의 점들만 찍혀 있는 걸 보고 "이걸로 뭘 한다는 거지?"라고 생각했던 기억이 납니다. 그 답을 SWOT 위성이 보내온 데이터를 통해 비로소 이해하게 되었습니다. 지금 이 글은 그 경험을 바탕으로, SWOT 데이터가 실제로 어떤 문제를 해결하는지 풀어쓴 것입니다.
데이터 빈칸을 채우지 못하던 시절의 이야기
대학원 연구실에서 전통적인 천저 고도계(Nadir Altimeter) 데이터를 다뤄본 분이라면 이 답답함을 알 것입니다. 천저 고도계란 위성이 정확히 직하 방향으로 신호를 쏘아 지표면까지의 거리를 재는 방식입니다. 쉽게 말해 위성이 지나가는 그 선 위에만 데이터가 찍히고, 그 외의 지역은 아무것도 없는 것입니다.
저도 Jason-3와 Sentinel-6 Michael Freilich(S6MF) 데이터를 활용해 아마존 유역 호수들의 수위 변동을 분석하던 중에 이 한계를 뼈저리게 경험했습니다. 위성이 호수 한복판을 정확히 가로질러 지나가지 않으면 수위 측정 자체가 불가능했고, 폭이 수 킬로미터에 불과한 중소형 하천은 데이터 누락(Data Gap)이 너무 심해 수문 모델에 동화시키는 작업이 극도로 힘들었습니다.
데이터 동화(Data Assimilation)란 위성이나 지상 관측 자료를 수치 모델에 실시간으로 통합해 예측 정확도를 높이는 기법입니다. 이 과정에서 그리드 보간법을 돌릴 때마다 가짜 신호인 아티팩트(Artifact)가 생겨나고, 그걸 걸러내느라 연구 일정이 몇 주씩 지연되는 일이 반복됐습니다. 1992년부터 이어온 TOPEX/Poseidon → Jason-1, -2, -3로 이어지는 30년 이상의 레거시 데이터가 얼마나 귀한 자산인지는 알았지만, 1차원 선형 트랙의 한계는 언제나 숙제로 남아 있었습니다 (출처: NASA 위성고도계 미션 현황).
KaRIn이 바꿔놓은 것, 그리고 여전히 남은 문제
2022년 12월 발사된 SWOT 위성의 핵심은 Ka-대역 레이더 간섭계인 KaRIn(Ka-band Radar Interferometer)입니다. 여기서 KaRIn이란 약 35.7 GHz 주파수 대역의 레이더를 이용해 위성 양쪽으로 각 60km씩, 총 120km 폭의 스와스(Swath) 전체를 2차원으로 스캔하는 간섭계 방식의 레이더 센서입니다. 기존 천저 고도계가 '선'으로 데이터를 그렸다면, KaRIn은 '면'으로 수표면 고도를 측정합니다.
제가 PO.DAAC를 통해 프리밸리데이션(Pre-validated) KaRIn 래스터 데이터를 처음 내려받아 시각화했을 때의 충격은 지금도 생생합니다. 유콘강과 아마존 유역의 하천 유량 변동이 격자 단위로 펼쳐지는 걸 보는 순간, "이게 진짜 면적 단위 수문 데이터구나"라는 생각이 들었습니다. 원격 수문학의 차원이 선에서 면으로 완전히 바뀐 것입니다.
실제로 제10회 SWOT 애플리케이션 워크숍에서 미국 해군연구소(NRL)는 KaRIn 데이터를 5km 해상도로 해양 순환 모델에 동화시켜 해면고(SSH, Sea Surface Height) 예측 정확도를 크게 끌어올린 사례를 발표했고, Mercator Ocean International은 SWOT 데이터를 포함하면 소규모 오차가 더 뚜렷하게 드러난다는 결과를 공유했습니다 (출처: NASA Earth Science).
그런데 솔직히 이건 예상 밖이었습니다. 모델이 "좋아진다"는 건 맞지만, 데이터를 넣으면 오히려 숨어 있던 오차들이 드러난다는 점을 발표자들이 긍정적인 신호로 해석했다는 것입니다. 모델의 허점을 가시화해준다는 의미이기도 하니까요.
그러나 제 경험상 이건 좀 다릅니다. 워크숍에서도 집중적으로 논의됐지만, SWOT의 과학 궤도는 동일 지역을 21일에 한 번씩 재방문합니다. 돌발 홍수나 실시간 선박 항로 최적화처럼 시간이 생명인 상황에서 3주 전의 데이터는 사실상 역사 기록에 가깝습니다. Sofar Ocean이 SWOT 데이터를 도입해 파고 예측 정확도를 높이려 했지만, 현재의 레이턴시(Latency) 문제를 극복하지 못하면 10일 항로 예보 모델에서의 실전 기여도는 제한적일 수밖에 없습니다.
SWOT의 현재 데이터 처리 및 활용 구조에서 현실적인 걸림돌을 정리하면 다음과 같습니다.
• 21일 재방문 주기: 실시간 재해 대응이나 일별 해양 예보에 직접 활용하기 어렵습니다.
• KaRIn 고해상도 모드의 데이터 용량: 대륙 수문 연구용 고해상도 모드는 원시 데이터가 방대해 온보드 처리 및 지상 다운링크 병목을 유발합니다.
• 프리밸리데이션 단계의 불확실성: 아직 완전히 검증되지 않은 데이터를 운용 모델에 바로 넣는 것은 수치 불안정 리스크가 있습니다.
실전에서 SWOT 데이터를 쓰려는 분들께
이 문제를 해결하는 방향은 이미 윤곽이 잡혀 있습니다. 핵심은 저지연(Low-latency) 처리 파이프라인의 고도화입니다. 저지연 파이프라인이란 위성이 데이터를 수집한 뒤 지상에서 배포 가능한 형태로 가공하기까지의 시간을 최대한 단축하는 데이터 처리 흐름을 말합니다. 현재 SWOT 운용 팀도 이 과제를 최우선으로 인식하고 있으며, 워크숍 참가자들도 공통적으로 이 부분을 개선 요청 사항으로 제기했습니다.
또한 시간적 사각지대를 채우는 데는 OPERA 프로젝트의 DSWx(동적 수표면 범위) 데이터와의 결합이 현실적인 해법입니다. DSWx란 광학 및 SAR 위성 데이터를 기반으로 수표면의 2차원 공간 범위를 동적으로 산출하는 NASA의 위성 기반 수표면 탐지 제품입니다. SWOT이 고도(3차원)를 제공하고 DSWx가 범위(2차원)를 보완하면, 두 제품의 바이어스 보정(Bias Correction) 단에서 하이브리드 통합이 가능해집니다. 바이어스 보정이란 서로 다른 센서 또는 플랫폼에서 발생하는 체계적 오차를 교정해 데이터 간 정합성을 맞추는 작업입니다.
제가 직접 분석해보니, 이 두 데이터를 병합하는 시도 자체는 충분히 가치가 있습니다. 다만 현재로선 처리 도구와 접근 방식이 기관마다 달라 표준화가 덜 된 상태입니다. PO.DAAC의 Hydrocron API나 CNES의 hydroweb.next 포털이 점차 이 격차를 메워가고 있다는 점은 긍정적입니다.
SWOT이 단순한 연구용 데이터에서 실시간 의사결정 도구로 완전히 자리 잡기까지는 아직 시간이 필요합니다. 하지만 수문학적 데이터 불모지였던 아마존이나 말라위 같은 지역에서 이미 현장 적용이 시작되고 있다는 사실 자체가 이미 큰 변화입니다. 저처럼 1차원 선형 트랙의 한계 속에서 연구하다가 KaRIn 데이터를 처음 받아본 분이라면, 이 기술이 어느 방향으로 가야 하는지 직감적으로 알 수 있을 것입니다. 저지연 파이프라인과 다중 위성 하이브리드 모델이 갖춰지는 시점이 오면, SWOT은 지금과는 차원이 다른 도구가 될 것입니다.