카트

이미지 검색을 사용해 보세요

검색창 이전화면 이전화면

최근 검색어: 전체삭제

인기 검색어

닫기

미리보기 카드뉴스 공유하기

정가제 Free 15일 대여 EPUB

eBook [대여] 기후위기 대응을 위한 인공위성 데이터 활용 AI 개발

Goole Earth Engine에서 WeatherNext까지 EPUB

김문기

디지털 리퍼블릭 2026.10.31.

회원리뷰 첫번째 리뷰어가 되어주세요

크레마 터치, 크레마원 기본뷰어 이용불가

가격: 18,000원

18,000

대여기간: 15일

YES포인트?: 0원

5만원 이상 구매 시 2천원 추가 적립

앱 다운 시 1천원 상품권

결제혜택: 최대 6만원 캐시백

eBook 안내: 이 상품은 구매 후 지원 기기에서 예스24 eBook앱 설치 후 바로 이용 가능한 상품이며, 배송되지 않습니다.

시리즈 태그 업체 공지사항 구성 소개 특별 구성 MD 한마디 카드뉴스 상세 이미지 소개 관련 동영상 목차 미리듣기 저자 소개 관련분류 품목정보 만든이 코멘트 예스24 리뷰 책 속으로 줄거리 캐스팅 관련 자료 부가 영상 출판사 리뷰 전문가 리뷰 추천평

펼치기/닫기

카드뉴스로 보는 책

소개

<!DOCTYPE html>
<html lang="ko">
<head>
<m-ta c-harset="UTF-8"/>
<m-ta name="viewport" content="width=device-width, initial-scale=1.0"/>
<title>책 소개</title>
<s-yle>
  body {
    font-family: "Malgun Gothic", "Apple SD Gothic Neo", sans-serif
    font-size: 15px
    line-height: 1.8
    color: #2c3e35
    background-color: #f5faf7
    margin: 0
    padding: 0
  }

.book-intro-wrap {
    max-width: 780px
    margin: 0 auto
    padding: 2em 1.5em 3em 1.5em
    background-color: #ffffff
  }

대제목 
  .book-main-title {
    font-size: 1.25em
    font-weight: bold
    color: #1a5c40
    text-align: center
    border-left: 5px solid #2e9e6b
    border-right: 5px solid #2e9e6b
    padding: 0.6em 1em
    margin: 0 0 1.8em 0
    background-color: #eaf5ef
    letter-spacing: 0.03em
    line-height: 1.6
  }

본문 단락 
  .book-intro-wrap p {
    margin: 0 0 1.4em 0
    font-size: 1em
    color: #2c3e35
    text-align: justify
    word-break: keep-all
  }

구분선 
  .intro-divider {
    width: 60px
    height: 3px
    background-color: #2e9e6b
    margin: 1.6em 0
    border: none
  }

키워드 강조 
  .key-tech {
    color: #1a6e8a
    font-weight: bold
  }

.key-env {
    color: #2e7d4f
    font-weight: bold
  }

마지막 단락 — 클로징 메시지 
  .book-closing {
    background-color: #eaf5ef
    border-left: 4px solid #2e9e6b
    padding: 1em 1.2em
    margin-top: 1.8em
    font-size: 0.98em
    color: #1a5c40
    line-height: 1.8
    word-break: keep-all
  }
</s-yle>
</head>
<b-dy>
<div class="book-intro-wrap">

<div style="border-bottom: 2px solid #008B8B padding-bottom: 3px margin-bottom: 5px">
        <h3 style="font-size: 1.1em margin: 0 color: #dd3333 word-break: keep-all" class="sigil_not_in_toc">기후위기 대응을 위한</h3>

<h3 style="font-size: 1.3em margin: 0 font-weight: bold color: #228077" class="sigil_not_in_toc">인공위성 데이터 활용 AI 개발</h3>
      </div>
    <div style="padding: 0px 5px text-align: center">
      <h4 style="margin: 5px 0 0 0 color: #dd00ff letter-spacing: -0.5px font-size: 1.em line-height: 1.1" class="sigil_not_in_toc">Goole Earth Engine에서 WeatherNext까지</h4>
    </div>
 </div>

<p><span class="key-env">지구온난화와 기후변화</span>는 더 이상 먼 미래의 이야기가 아닙니다. 폭염, 집중호우, 대형 산불, 가뭄과 미세먼지 등 기후·환경 재난이 우리의 일상과 안전을 직접 위협하고 있습니다. 나아가 수많은 동식물의 서식지가 황폐화되고 종의 소멸 위험이 커지는 등 지구 생태계의 기반이 심각한 위기에 처해 있습니다. 전 세계가 탄소중립과 ESG 경영을 추진하는 지금, 우리에게 필요한 것은 막연한 경고가 아니라 객관적인 데이터에 기반한 정밀한 분석과 과학적인 예측을 통한 대응입니다.</p>

<p>이 책은 <span class="key-env">인공위성이 수집한 방대한 지구관측 데이터</span>를 기후위기 대응에 어떻게 활용할 수 있는지 실천적인 해답을 제시합니다. 전 세계의 기후·환경 데이터와 지리공간 정보를 제공하는 <span class="key-tech">Google Earth Engine(GEE)</span>을 중심으로 Landsat, Sentinel, MODIS, ERA5·ERA5-Land, FIRMS 등 주요 위성·기상 데이터의 수집, 전처리, 분석 및 시각화 방법을 체계적으로 설명합니다.</p>

<p><span class="key-tech">GEE Code Editor와 Python API</span>를 이용해 대규모 래스터·벡터 데이터를 처리하는 방법도 다룹니다. 또한 ChatGPT, Gemini, Claude, Grok 등 생성형 AI와 협업해 복잡한 지리공간 분석 코드를 작성하고, 오류를 수정하며, 분석 목적에 맞게 개선하는 과정도 제시합니다.</p>

<p>이를 바탕으로 <span class="key-env">가뭄, 산불, 홍수, 미세먼지, 해수면 분석</span>과 도시 계획에 필요한 녹지 및 주거 환경 분석 등 실제 기후·환경 문제를 살펴보고 대응 방안을 도출합니다.</p>

<p>특히 <span class="key-tech">Google DeepMind의 차세대 AI 기상예측 모델인 WeatherNext</span>의 기술을 분석하고, 실제 기후 예측 실습 과정을 수록했습니다. Google Colab에서 WeatherNext2-Mini 모델을 직접 실행해 5일간의 기상 상태를 예측합니다. 또한 외부 클라우드에서 100GB급 GPU를 대여해 대용량 WeatherNext 2 모델로 태풍 경로 앙상블을 추론하고, 예측 정확도와 불확실성을 평가한 뒤 지도에 시각화합니다. 이로써 기후 예측 AI 모델을 구축하고 활용하는 전체 파이프라인을 완성했습니다. 이를 통해 한반도와 전 지구의 AI 기상 예측 방법을 익힐 수 있습니다.</p>

<p>WeatherNext 3 모델의 활용을 다방면으로 시도했지만, 아쉽게도 Google은 아직 한국 사용자의 접근을 허용하지 않고 있습니다. 정부 차원에서 기후 테크(Climate Tech) 기반 조성을 위해 Google과 조속히 협의해 이 문제가 해결되기를 바라며, WeatherNext 3 데이터셋 활용 방법과 일부 기상 예측 코드 사례만 이 책에 포함했습니다. Google의 정책이 바뀌는 시점에 내용을 추가로 업데이트하고자 합니다.</p>

<p>이 책은 인공위성 원격탐사 영상 처리와 기후 데이터 분석에 관한 이론을 설명하는 데 그치지 않습니다. 데이터 수집과 전처리부터 공간정보 분석, 시각화, AI 모델 개발, 성능 검증 및 미래 예측까지 이어지는 <span class="key-tech">전체 파이프라인을 실제 사례와 코딩 실습으로 구현</span>했습니다. 독자 여러분은 이를 통해 지구 환경의 현재 상태를 진단하고 미래의 기후 위험을 예측하며, 데이터에 기반한 대응 방안을 설계하는 데이터 엔지니어 및 데이터 사이언티스트로서의 실무 역량을 기를 수 있습니다. 이 책을 실무 역량 함양을 위한 지침서로 활용하시기 바랍니다.</p>

<div class="book-closing">
    <p style="margin:0">인공지능과 인공위성이라는 강력한 첨단 도구를 활용해, 우리가 살아가는 지구 행성의 지속 가능한 미래를 위해 무엇을 예측하고 어떻게 지켜 나갈 것인지 탐구해 보시기 바랍니다. 인간의 욕심과 무지로 오염되고 황폐해져 가는 지구가 원래의 모습을 되찾는 오디세이 여정을 이 책과 함께 시작해 보시기 바랍니다.</p>
  </div>

</div>
</b-dy>
</html>

소개 더보기펼치기

.toc-part-number {margin: 0 1em 0.3em 0 color: #008B8B font-size: 1.05em font-weight: bold letter-spacing: 0.08em text-align: center } .toc-part-title { display: inline-block 텍스트 길이만큼만 display: block width: -webkit-fit-content width: fit-content color: #294f55 font-size: 1em font-weight: bold line-height: 1.3 word-break: keep-all text-align: center border-bottom: 1px solid #cb4d64 padding: 0em 0em 0.3em 0.5em line-height: 1.3 word-break: keep-all margin: 2em auto 1em auto 중앙 정렬 } .toc-part-content { overflow: hidden float 옆에 배치 margin: 0 padding: 0 display: block 명시적 block text-align: left inline-block 자식의 정렬 기준 } .toc-chapter-title { margin: 1em 0em 0.35em 0 padding: 0 0 0.3em 1em text-indent: 0em -2em← 첫 줄만 왼쪽으로 당김 border-bottom: 1px solid #d7e7e8 color: #006A80 font-size: 1em font-weight: bold line-height: 1.3 word-break: keep-all } .toc-chapter-number { min-width: 2.8em margin-right: 0.15em padding-right: 0.15em color: #cb4d64 font-weight: bold white-space: nowrap vertical-align: top ← 추가 } .toc-section { margin: 0.12em 0 padding: 0 color: #455f66 font-size: 0.88em line-height: 1.3 word-break: keep-all } .toc-section-number { display: inline-block min-width: 1.7em color: #0099aa font-weight: bold vertical-align: top } .toc-section-text { display: inline } .toc-container a { color: inherit text-decoration: none } .toc-container a:hover { color: #005580 text-decoration: underline } @media screen and (max-width: 600px) { .toc-container { padding-left: 0.8em padding-right: 0.8em } .toc-part-row { display: block margin-bottom: 2.4em } .toc-part-box { float: none width: 92% margin: 0 auto 1.2em auto} .toc-part-content { width: 100% } .toc-sections { margin-left: 2.6em } .toc-chapter-title { font-size: 0.98em } .toc-section { font-size: 0.9em } }

PART I인공위성 데이터셋 개요

1장 인공위성 개요

1인공위성 현황

2위성 궤도

2장 원격 감지 (Remote Sensing) 기술

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

4장 GEE Code Editor 활용 방법

1Code Editor(코드편집기) 개요

2Code Editor 시작 방법

3Code Editor 사용자 인터페이스(UI)

4Code Editor 코딩 및 실행

5장 GEE Python API 개요

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

1장 GEE 데이터셋 클래스 개요

1GEE 객체(Object),클래스, 메서드

2클래스 활용 방법

2장 Image(래스터 이미지) 클래스

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

4장 Geometry(기하) 클래스

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

6장 FeatureView(속성 보기)

1FeatureView 개요

2FeatureView 최적화

3FeatureView 스타일링

4FeatureView 예제

7장 Reducer(통계 집계) 클래스

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

9장 Array(배열) 클래스

1Array 개요

2Array 기능

PART III인공위성 데이터 시각화

1장 지도 시각화와 공간 표현

1GEE 지도 시각화 도구

2Scale(공간 해상도)

3Projection(투영)

2장 Basemap (바탕 지도)

1Basemap 개요

2주요 Basemap 종류

3Basemap 사용 예제

3장 Boundary(지역 경계) 설정

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)

5장 벡터 vs 래스터 데이터셋

1벡터 데이터셋

2래스터 데이터셋

PART IV생성형 AI 활용 기후환경 분석

1장 생성형 AI 활용 GEE 코딩

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

3장 자연재해 대응 AI 응용 「홍수 분석」

1홍수 모니터링 방법

4장 도시 계획 AI 응용 「도시 녹지분석」

1도시 계획용 AI 및 GEE 활용 개요

2도시 녹지 면적 산출

3도시의 녹지 접근성 분석

5장 기후위기 대응 AI 응용 「해수면 온도 상승 분석」

1 해수면 온도 상승 분석(동해안 강릉 지역)

2 해수면 온도 상승 분석(강릉/제주/군산 지역 비교)

3 강릉·군산·서귀포 해수면 온도 비교 분석

PART V인공위성 데이터 활용 머신러닝/딥러닝

1장 머신러닝/딥러닝 개요 및 구현 절차

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

2장 GEE의 머신러닝 API 활용

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

3장 GEE 데이터셋 내보내기 및 불러오기

1GEE 데이터 내보내기(Export)

2GEE 데이터 불러오기(Upload)

4장 머신러닝 실습 - 토지피복 분류

1토지피복 분류 모델 설계

2Random Forest를 이용한 토지피복 분류

3RBF SVM을 이용한 토지피복 분류

4Random Forest와 RBF SVM 비교

5장 머신러닝 실습 - 산불 피해면적 산출

1통계분석 기반 산불피해 면적 산출

2Random Forest 기반의 다중 밴드로 산불피해 면적 산출

3AI 적용 산불 피해면적 산출 고도화 방안

6장 딥러닝 실습 - 미세먼지 예측

1미세먼지 통계분석

2AI 적용 미세먼지 분석 고도화 방안

PART VI딥러닝 기반 기후환경 예측 고도화

1장 산불발생 예측용 데이터 수집

1독립변수 및 종속변수 선정

2독립변수 데이터 수집 (1단계)

3종속변수 데이터의 수집 (2단계)

4독립변수와 종속변수 결합 및 데이터 표본 추출(3단계)

5데이터 다운로드 (4단계)

2장 산불예측용 데이터 전처리

1데이터 전처리 및 분할 (5단계)

3장 산불예측 딥러닝 모델링 및 성능 개선

1딥러닝 모델링 기본 (6단계)

2딥러닝 모델링 고도화 (7단계)

3모델 성능 종합 분석 (8단계)

4장 산불예측 AI 모델 활용 (추론 단계)

1예측용 입력데이터 수집

2예측 수행

3추가적인 개선 사항

PART VII구글 기상 AI모델 WeatherNext

1장 WeatherNext 개요

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

9장 WeatherNext 3 활용 실습(미완성)

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

목차 더보기펼치기

저자 소개

저자는 30여 년간 ICT 기술 및 서비스 기획과 연구개발 업무를 수행해 왔습니다.
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

이용안내

배송 없이 구매 후 바로 읽기
다운로드 시점부터 15일 동안 이용 가능
TTS 가능 ?

지원기기: 크레마,PC(윈도우 - 4K 모니터 미지원),아이폰,아이패드,안드로이드폰,안드로이드패드

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.

출판사 리뷰 더보기펼치기