카드뉴스로 보는 책
소개
목차
|
PART I인공위성 데이터셋 개요 1장 인공위성 개요 1인공위성 현황 2위성 궤도 1원격 감지 개요 2원격 감지 방식 3원격감지 데이터 처리 수준 4위성 재방문 주기 5위성 데이터 발생량 6주요 감지 지수 3장 인공위성 데이터 플랫폼 1인공위성 데이터셋 제공 플랫폼 2구글 위성 데이터 플랫폼(GEE) 3GEE 데이터셋 응용 분야 4GEE 데이터셋 카탈로그 1Code Editor(코드편집기) 개요 2Code Editor 시작 방법 3Code Editor 사용자 인터페이스(UI) 4Code Editor 코딩 및 실행 1GEE 데이터셋 접근 API 방식 2GEE Python API 이해 및 설정 방법 3GEE의 Python API 활용 코드 예시 4원격감지 지수 산출 Python 코드 예시 6장 재표본화와 해상도 축소 1재표본화(Resampling) 2해상도(Resolution) 축소 PART IIGEE 데이터셋 클래스 1GEE 객체(Object),클래스, 메서드 2클래스 활용 방법 1Image 객체 설정 및 시각화 2이미지 시각화 3이미지 정보 및 메타데이터 4수학 연산 5컨볼루션(Convolutions) 6형태학적 연산 (Morphological Operations) 7기울기(Gradients) 8모서리 검출(Edge Detection) 9스펙트럴 변환(Spectral Transformations) 10텍스처(Texture) 분석 11객체 기반 메서드(Object-based methods) 12누적 비용 매핑 (Cumulative Cost Mapping) 13GEE에서 이미지 정렬(Registration) 3장 ImageCollection (이미지 집합) 클래스 1ImageCollection 개요 2ImageCollection 시각화 3ImageCollection 정보, 메타데이터, 필터링 방법 4ImageCollection 일괄적용(Mapping)과 축약(Reducing) 5ImageCollection 합성, 조립, 반복 1Geometry 개요 2Geometry 시각화 및 연산 5장 Feature(속성) & FeatureCollection(속성 집합) 클래스 1Feature & FeatureCollection 개요 2FeatureCollection 정보 및 메타데이터, 필터링 3FeatureCollection 매핑 및 축소 4벡터·래스터 변환과 리샘플 1FeatureView 개요 2FeatureView 최적화 3FeatureView 스타일링 4FeatureView 예제 1Reducer 개요 2ImageCollection 및 Image Reduction(집계) 3Reducer 기능 4래스터 / 벡터 변환 5그룹 축약 및 구역 통계(Grouped Reductions and Zonal Statistics) 6가중치 적용 집계 (Weighted Reductions) 7선형 회귀(Linear Regression) 8장 Join(결합) 클래스 1Join 개요 2Join 메서드별 활용 용도 1Array 개요 2Array 기능 PART III인공위성 데이터 시각화 1GEE 지도 시각화 도구 2Scale(공간 해상도) 3Projection(투영) 1Basemap 개요 2주요 Basemap 종류 3Basemap 사용 예제 1행정구역 경계(Administrative Boundary) 개요 2행정구역명 읽어오기 3행정구역 경계 설정 4장 Chart(차트) 1GEE 차트 개요 2Feature와 FeatureCollection 차트 3Image 차트 4ImageCollection 차트 5Array and List 차트 6DataTable 차트 7차트 꾸미기(Styling) 1벡터 데이터셋 2래스터 데이터셋 PART IV생성형 AI 활용 기후환경 분석 1AI 활용 코딩 개요 2AI 프롬프트 작성 방안 3AI 기반 GEE 데이터 활용 코드 작성 예시 2장 자연재해 대응 AI 응용 「가뭄 및 산불위험 분석」 1가뭄 상황 분석 2산불 발생 위험도 분석 1홍수 모니터링 방법 1도시 계획용 AI 및 GEE 활용 개요 2도시 녹지 면적 산출 3도시의 녹지 접근성 분석 5장 기후위기 대응 AI 응용 「해수면 온도 상승 분석」 2 해수면 온도 상승 분석(강릉/제주/군산 지역 비교) PART V인공위성 데이터 활용 머신러닝/딥러닝 1머신러닝/딥러닝 개요 2문제 정의 (Problem Definition 단계 3데이터 수집 단계 4탐색적 데이터 분석 (EDA: Exploratory Data Analysis) 5데이터 전처리 단계 6모델링 단계 7모델 성능 평가 단계 1GEE 머신러닝 기능 개요 2GEE 지도 학습 (Supervised Learning) 기능 3GEE 비지도 학습 (Unsupervised Learning) 기능 4GEE와 외부 머신러닝 서버 연동 학습 5GEE와 외부 머신러닝 연동 추론 방법 1GEE 데이터 내보내기(Export) 2GEE 데이터 불러오기(Upload) 1토지피복 분류 모델 설계 2Random Forest를 이용한 토지피복 분류 3RBF SVM을 이용한 토지피복 분류 4Random Forest와 RBF SVM 비교 1통계분석 기반 산불피해 면적 산출 2Random Forest 기반의 다중 밴드로 산불피해 면적 산출 3AI 적용 산불 피해면적 산출 고도화 방안 1미세먼지 통계분석 2AI 적용 미세먼지 분석 고도화 방안 PART VI딥러닝 기반 기후환경 예측 고도화 1독립변수 및 종속변수 선정 2독립변수 데이터 수집 (1단계) 3종속변수 데이터의 수집 (2단계) 4독립변수와 종속변수 결합 및 데이터 표본 추출(3단계) 5데이터 다운로드 (4단계) 1데이터 전처리 및 분할 (5단계) 1딥러닝 모델링 기본 (6단계) 2딥러닝 모델링 고도화 (7단계) 3모델 성능 종합 분석 (8단계) 1예측용 입력데이터 수집 2예측 수행 3추가적인 개선 사항 PART VII구글 기상 AI모델 WeatherNext 1WeatherNext 란? 2WeatherNext 2 핵심 기술 3WeatherNext 3의 핵심 변화 4WeatherNext의 활용 방법 개요 5WeatherNext 비용 구조 2장 WeatherNext 2-mini 데모용 공식 예제 실습 1WeatherNext2-Mini 데모용 예제 개요 2Colab 활용 데모 예제 실습 3데모용 Mini 모델 한계 3장 WeatherNext2-mini 활용 실습 (지상 기온 예측) 11단계: 지상 기온(2m Temperature) 5일간 예측 22단계: 앙상블(Ensemble) 분석 33단계: 예측 오차 평가 4장 WeatherNext 2 활용 실습 (태풍경로 예측: 1. 입력 데이터 수집) 1초기 조건 입력 데이터 선정 및 컴퓨팅 환경 선정 2ERA5 데이터 수집 환경 구성 3ERA5 기상 데이터 수집 및 전처리 Python 코드 실행 4ERA5 데이터 수집·전처리 종료와 5장으로의 Handoff 5장 WeatherNext2 활용 실습 (태풍경로 예측: 2. GPU 및 코딩 환경 구성 1클라우드 GPU 선택 및 인스턴스 생성 2프로그래밍 실행 환경 구성 3VS Code Remote-SSH와 Docker 환경 구성 4실행환경 완료 확인과 다음 장으로의 Handoff 6장 WeatherNext2 활용 실습 (태풍경로 예측: 3. 경로 추론 - 싱글 앙상블) 1Notebook 실행환경 및 WeatherNext 패키지 확인 2WeatherNext 2 모델과 ERA5 입력 Dataset 준비 3GH200 GPU에서 WeatherNext 2 Forecast 실행 4IBTrACS 실제 경로 준비와 Cyclone Tracker 실행 5예측 경로와 IBTrACS 실제 경로 비교 6실습 결과 해석과 주의사항 7장 WeatherNext2 활용 실습 (태풍경로 예측: 4. 경로 추론 - 멀티 앙상블) 1Multi-Ensemble 예측 개요 24개 Ensemble Member 실행 준비 3Cyclone Tracker와 IBTrACS 사전 준비 44개 Member의 Autoregressive Forecast와 즉시 Track 추출 54개 Member Track 통합 6Member별 Track Error 계산 74개 Ensemble의 대표 경로 계산 84개 Ensemble Track 시각화 9결과 파일과 저장공간 확인 10실습 결과 8장 WeatherNext2 활용 실습 (태풍경로 예측: 5. 경로 시각화) 1Single Ensemble 예측 경로 시각화 2Multi Ensemble 예측 경로 시각화 1WeatherNext 3 개요 2WeatherNext 3 활용 경로 3[GEE - WN2 데이터셋 실습] 서울시 5일간 강우량 예측 4[GEE - WN3 데이터셋 실습] 강릉시 5일간 지상기온 예측 |
저자 소개
현재 1인 기업 ‘디지털 리퍼블릭’을 창업해 AI 소프트웨어 개발, 교육, 컨설팅 및 출판 활동을 하고 있습니다. 최신 AI 이론과 동향을 깊이 있게 익히기 위해 AI융합공학 석사학위를 취득했으며, AI 훈련 코치, K-디지털 훈련 강사, 인텔 AI 인력 양성 인증 강사, 정보시스템 감리원, 기업 디지털 전환(DX) 컨설턴트 등으로 AI와 정보기술 분야에 전념하고 있습니다.
무엇보다 소프트웨어 코딩을 ‘작품 활동’으로 여기며, 새로운 AI와 소프트웨어 지식을 탐구하는 일을 취미이자 직업으로 삼고 있습니다. AI와 디지털 기술의 혜택을 더 많은 사람이 누릴 수 있는 ‘AI 민주화’ 세상을 추구하고 있습니다.
품목정보
- 발행일
- 2026년 10월 31일
- 지원기기
- 크레마,PC(윈도우 - 4K 모니터 미지원),아이폰,아이패드,안드로이드폰,안드로이드패드,전자책단말기(저사양 기기 사용 불가)
- 파일/용량
- EPUB(DRM) | 42.41MB ?
- ISBN13
- 9791198732101
출판사 리뷰
|
"인공위성 데이터와 인공지능 기술로 기후위기에 대응하는 실전 안내서"
폭염과 가뭄, 산불과 홍수 같은 기후·환경 문제를 제대로 이해하려면 무엇보다 관측 데이터와 분석 도구가 필요합니다. 이 책은 인공위성이 수집한 지구관측 데이터와 Google Earth Engine(GEE), 생성형 AI를 연결해 지구환경을 분석하고 미래의 기상 위험을 예측하는 방법을 실습 중심으로 안내합니다. Landsat, Sentinel, MODIS, ERA5, FIRMS 등 주요 위성·기상 데이터셋들을 활용하여, GEE Code Editor와 Python API를 이용해 데이터를 수집·전처리·분석·시각화하는 과정을 배웁니다. ChatGPT, Gemini, Claude 등 생성형 AI를 활용해 분석 코드를 작성하고 오류를 수정하는 방법도 다룹니다. AI가 제안한 코드를 그대로 사용하는 데 그치지 않고, 분석 목적에 맞게 검토하고 개선하는 과정을 통해 실무에 필요한 활용 역량을 기를 수 있습니다. 책에서는 가뭄, 산불, 홍수, 미세먼지, 해수면 온도 변화와 도시 녹지·주거 환경 분석 등 다양한 사례를 다룹니다. 머신러닝과 딥러닝을 이용한 토지피복 분류, 산불 피해 분석, 미세먼지 농도와 산불 발생 가능성 예측까지 살펴보며, 데이터 준비부터 모델 평가와 지도 시각화에 이르는 분석 파이프라인을 단계적으로 경험할 수 있습니다. 마지막으로 Google DeepMind의 차세대 기상 AI인 WeatherNext 모델을 활용해 미래 기상 상태를 예측하고, 앙상블 결과를 분석해 여러 가능성과 불확실성을 살펴봅니다. Google Colab과 클라우드 GPU를 이용한 실습을 통해 지리공간 분석에서 AI 기상예측으로 이어지는 과정을 구체적으로 확인할 수 있습니다. 이 책은 위성 원격탐사와 지리공간 분석을 처음 접하는 독자부터 기후·환경 데이터를 실무에 적용하려는 연구자와 개발자까지 폭넓게 참고할 수 있는 실전 안내서입니다. 위성 데이터와 AI를 활용해 지구환경의 변화를 읽고, 데이터에 기반한 기후위기 대응 방안을 탐색하고 싶은 독자에게 유용한 출발점이 될 것입니다. |
