수색 및 구조(Search and Rescue, SAR) 임무는 자연재해, 인적 사고, 그리고 기타 긴급 상황에서 생명을 구하기 위한 필수적인 활동으로 정의된다(Prato, 2023). SAR 임무는 다양한 환경에서 수행되며, 특히 해상에서 수행되는 SAR 임무는 넓은 수색 범위와 예측하기 어려운 날씨, 다중 방향성을 가진 해류 등 복잡한 환경 요인으로 인해 난이도가 높은 활동이다. 그럼에도 불구하고, 해양사고로 인한 피해를 최소화하기 위한 중요한 역할을 하기 때문에 필수적인 활동이다.

해양 SAR 임무의 중요성은 해양사고의 빈도와 규모를 통해 부각된다. 중앙해양안전심판원의 『해양사고 통계』(Yoon, 2024)에 따르면 해양사고는 매년 수천 건에 달하며, Table 1과 같이 60% 이상의 사고가 10톤 이하의 소형 선박과 관련이 있다. 10톤 이하의 선박 관련 해양사고는 Table 2와 같이 인명 피해가 수반되는 경우가 많다.

Table 1 . The number of accidents by total tonnage of ships in 2023.

Tonnage	2t (case)	5t (case)	10t (case)	20t (case)	100t (case)	100t over (case)
Number of accidents	687	854	814	86	540	436

Table 2 . The number of human casualties by total tonnage of ships in 2023.

Tonnage	2t (person)	5t (person)	10t (person)	20t (person)	100t (person)	100t over (person)
Number of human casualties	14	12	25	2	29	11

예를 들어, 2024년 11월 8일 제주도 제주시 비양도에서 발생한 135 금성호 어선의 침몰 사고는 사망 4명, 실종 10명 등의 인명 피해가 발생하였다(Park, 2024). 당시 사고해역의 수온은 22도였으며, 실종자들의 생존 시간을 24시간으로 가정하여 수색을 진행하였지만 실종자 중 한 명은 사고가 발생한지 40시간 이후 시신으로 발견되었다. 이는 적시에 대응하지 않을 경우 추가 인명 피해로 이어진다는 것을 확인할 수 있는 사례이며, SAR 임무의 정확성과 신속한 수행의 필요성을 강조한다.

해양 SAR 임무를 효과적으로 수행하기 위해 위성, 선박, 유무인기 등의 플랫폼이 활용된다. SAR 임무에서 활용되는 플랫폼의 운용을 위한 지침은 InternationalAeronautical and Maritime Search andRescue (IAMSAR) 매뉴얼(International Maritime Organization, 2022)에 기재되어 있다. SAR 임무에서 사용되는 플랫폼은 각각 고유한 장단점을 가지고 있으며, SAR 임무의 상황과 환경에 따라 적절히 선택되어야 한다. 본 연구의 주제인 해상 SAR 임무에서는 유인기 플랫폼이 중요한 역할을 담당하고 있다.

유인기는 다른 수색 플랫폼에 비해 여러 장점을 가진다. 넓은 수색범위를 신속하게 커버할 수 있으며, 실시간으로 변화하는 상황에 대응할 수 있는 능력은 해양사고와 같은 급박한 상황에서 매우 유용하다. 특히, 유인기는 기상 상황이 다소 불안정하더라도 안정적인 비행이 가능하여 해양 SAR 임무의 효율성을 높인다. 그러나 이러한 장점에도 불구하고 유인 항공기는 SAR 임무에서 몇 가지 단점을 가지며, 특히 탐지 과정에서 사람의 육안에 의존하는 경우가 많아 탐지 정확도가 환경적 요인에 따라 달라질 수 있다. 예를 들어, 악천후나 밤과 같은 조건은 목표 탐지를 어렵게 하는 요인으로 작용한다. IAMSAR 매뉴얼의 유인기 운용 지침 또한 자동 탐색보다는 육안 탐색에 초점을 맞추고 있어 넓은 해역을 탐지해야 하는 상황이나 악천후에서 목표물을 탐지하는 데 있어 한계를 드러낸다. SAR 임무에서의 탐지 효율성을 높이기 위해서는, 육안 탐지에 의존하는 것에서 벗어나 자동 탐지를 수행하여 제한된 시간과 자원을 효율적으로 활용할 수 있도록 하는 방법이 필요하다. 최근 연구는 이러한 문제를 해결할 수 있는 다양한 경로 계획 알고리즘과 탐지 대상의 분포 모델링 기술을 연구하고 있다.

Chen et al. (2022)은Neyman-Scott Process (NSP)를 사용하여 재난 상황에서 목표물(선박 및 조난자)의 분포를 모델링하였다. NSP는 랜덤 클러스터 생성 모델로, 특정 지역 내 목표물의 분포를 확률적으로 표현하는 데 사용된다. 재난 상황에서는 표적의 위치가 불규칙적이고 환경적 요인이 크게 작용하므로, 이러한 분포 모델링을 통해 보다 현실적인 탐색 경로를 계획할 수 있다. 또한 자연에서 개미들이 식량을 찾는 방식에서 영감을 받은 개미 군집 알고리즘을 적용하여, 여러 무인기가 협력하여 탐색 경로를 구성함으로써 목표물을 효과적으로 찾을 수 있도록 한다. 이를 통해 재난 상황에서 무인기가 신속하고 효율적으로 목표를 탐지할 수 있도록 하였다.

Guo et al. (2023)은 해양 SAR 임무에서 무인기의 경로 계획을 개선하기 위해 A-star 알고리즘과 반복적 커버리지 경로 계획 알고리즘을 결합하였다. A-star 알고리즘은 그래프 탐색 알고리즘으로, 시작 지점에서 목표 지점까지의 최단 경로를 찾는 데 사용되는 알고리즘이다.

재난 상황에서는 예상치 못한 장애물이나 환경 변화가 빈번히 발생하기 때문에, 무인기가 이러한 동적 장애물을 회피하면서도 최적의 경로를 유지하는 것이 매우 중요하다. 해당 연구는 지역적 장애물 회피와 에너지 효율성을 동시에 고려하여 무인기가 목표 지역까지 신속하게 도달할 수 있도록 하였으며, 목표 지역 내에서의 탐색 경로를 통해 전체 탐색 범위를 효과적으로 대응하도록 하였다.

Wu et al. (2024)은 심층 강화 학습을 기반으로 SAR 임무 경로 생성 프레임워크를 개발하였다. 이 연구는 목표의 표류 궤적을 예측하기 위해 랜덤 입자 시뮬레이션을 사용하였으며, 다단계 검색 영역 환경모델을 통해 선박이 탐색할 지역의 우선순위를 설정하였다. 재난 상황에서는 표적이 바람, 조류 등 외부 요인에 의해 지속적으로 이동하므로, 이러한 표류 예측 모델은 탐지 성공률을 높이는 데 중요한 역할을 한다. 또한, 심층 강화 학습을 통해 탐지 성공률을 최대화할 수 있도록 보상 함수를 설계하였으며, 이를 통해 높은 성공 확률을 가진 지역을 우선적으로 탐색하도록 하였다.

이처럼 기존 연구들은 다양한 최적화 알고리즘과 학습 방법론을 활용하여 SAR 임무의 효율성을 높이고자 하였지만, 여전히 여러 한계가 존재한다. 기존 연구는 주로 무인기와 선박을 활용하여 자동 탐지를 수행할 수 있는 탐색 경로를 생성하였지만, 선박은 해수면에서 탐색을 진행하며, 무인기는 저고도에서 탐색을 진행하기 때문에 탐지 범위가 제한적이다. 또한 한정된 비행 시간이라는 제약을 가지고 있어 에너지 효율을 고려하여 비행 경로를 생성하는데, 이는 목표 탐지에 영향을 미칠 수 있으므로 최적의 탐색 경로라 간주하기에는 한계가 있으며 이러한 한계는 제한된 시간 내에 신속하게 목표를 탐지해야 하는 SAR 임무에서의 적용성을 제한한다.

본 연구는 기존 연구의 한계를 극복하고자, 해양사고 통계에서 높은 해양 사고 비율을 차지하는 10톤 이하의 소형 선박을 유인기를 활용하여 효과적으로 탐지할 수 있는 프레임워크를 제시한다. 먼저, 소형 선박의 제원을 기반으로 목표 선박의 위치를 예측하며, 유인기에 장착된 센서의 제원을 기반으로 자동 탐지 비행 경로를 생성한다. 마지막으로 시뮬레이션을 통해 유인기가 목표 선박을 탐지하는 데 소요되는 시간을 분석하고, SAR 임무의 효율성을 높일 수 있는 최적의 선박 탐지 비행경로를 제안한다.

2.1. 연구 개요

본 연구의 목표는 해상 SAR 임무에서 선박탐지를 수행하는 비행 경로를 제시하는 프레임워크를 개발하는 것이며 총 4개의 핵심 과정으로 구성된다. 프레임워크의 전체 과정은 Fig. 1과 같다.

Figure 1. Flowchart of the ship detection simulation.

프레임워크의 첫 번째 과정인 “표류 선박 위치 예측” 과정은 풍속, 조류, 해류 등 해상 환경을 고려하여 시간에 따른 선박의 위치 변화를 예측하는 과정이다. 이를 통해 표류하는 선박의 예상 위치를 시간에 따라 예측하는 것이 목표이다.

두 번째 과정인 “선박탐지 요건 산출” 과정은 주어진 선박의 크기, 종류 그리고 기상 조건에서 해당 선박을 성공적으로(예: 80% 이상의 확률로) 탐지하기 위한 조건을 계산하는 단계이다. 입력으로는 탐지 대상 선박의 크기(전장, 전폭), 종류, 기상 조건 그리고 유인기에 탑재된 센서의 제원이 사용된다.

세 번째 과정인 “비행 경로 생성” 과정은 표류 선박의 예상 위치와 선박탐지 가능 요건을 기반으로 하여 비행 경로를 생성하는 과정이며, 비행 경로는 선박 분포의 밀집도를 고려한 최적화 방식과 비최적화 방식으로 나뉜다.

마지막으로 “시뮬레이션과 평가” 과정은 앞서 생성된 비행 경로를 기반으로 유인기가 비행하며 탑재된 센서를 통해 해상을 관측하는 과정을 시뮬레이션으로 구현하는 과정이다. 이를 통해 각 비행 경로에서 표류 선박을 탐색하는 데 소요되는 탐색 거리를 산출한다. 탐색 거리를 기반으로 각 비행 경로의 성능을 평가하여 선박탐지에 가장 효율적인 비행 경로를 제시한다.

2.2. 표류 선박 위치 예측

선박의 위치는 오픈 소스 선박 표류 모델을 통해 예측된다. 본 연구에서 사용한 오픈 소스 선박 표류 모델은 Shipdrift (Dagestad et al., 2018)이다. Shipdrift는 Opendrift의 모듈 중 하나로, 해양 환경에서 선박의 표류 경로를 시뮬레이션 하는 모듈이다. Opendrift는 파이썬(Python) 언어 기반 오픈소스 해류 모델링 도구로 바람, 해류, 파도 등 다양한 환경 데이터를 활용하여 표류체의 이동을 정교하게 예측하며, 해양오염물질 확산, 해양 생물 이동 경로, 조난 선박의 이동 분석 등 다양한 응용 분야에서 활용된다.

Opendrift를 기반으로 한 Shipdrift는 선박의 이동을 전문적으로 모델링하며, SAR 임무 시작 시점을 기준으로 필요한 설정 값을 입력하여 선박의 위치를 예측한다. 이 과정에서 선박의 초기 위치, 정확히는 선박의 최종 알려진 위치(Last Known Position, LKP)는 주어지지만 시간의 변화나 환경적 요인 등 여러 변수가 작용하므로 불확실성을 가지고 있다. 이를 고려하여 다수의 초기 위치 후보를 예측한다. 이를 통해 시간의 변화에 따른 각 후보 위치로부터의 선박의 표류 경로를 예측할 수 있다.

선박의 위치를 예측하는데 필요한 설정 값으로는 선박의 초기 위치, 초기 위치에 대한 불확실성을 나타내는 표준편차, 확률적으로 생성할 초기 위치 후보의 개수, 전장과 전폭 등의 선박 제원 등이 있다. 초기 위치 후보는 식(1)과 같은 평균(μx, μy)과 표준편차(σ)를 갖는 2D 가우시안(Gaussian) 분포(Chen et al., 2021)를 따른다고 가정한다. 가우시안 분포는 중심에서 멀어질수록 선박이 위치할 가능성이 감소하며, 대칭적인 종 모양의 확률 분포를 나타낸다. 가우시안 분포의 중심(평균)은 선박의 초기 위치, 즉 LKP를 나타낸다. 또한, 표준편차(σ)는 평균으로부터의 데이터 분포 범위를 나타내는 척도로, 선박이 위치할 가능성이 높은 영역의 반경을 결정한다. 표준편차 값이 작을수록 분포가 평균에 밀집되고, 값이 클수록 평균에서 멀리 퍼지는 형태를 보인다. 이를 기반으로 초기 위치 후보는 평균을 중심으로 하고, 표준편차(σ)를 설정하여 예측 선박이 분포할 범위를 설정하고 Fig. 2와 같이 설정된 범위 내에서 다수의 초기 위치 후보를 생성한다.

Figure 2. The range where predicted ships are distributed.

선박의 초기 위치 후보를 설정한 이후, 선박의 궤적은 시간 간격에 따라 Shipdrift에 내장된 라그랑지안(Lagrangian) 이동 모델(Van Sebille et al., 2018)을 통해 이동 경로를 계산한다. 라그랑지안 모델은 Shipdrift의 핵심적인 예측 모델로, 입자 기반 접근법을 활용하여 선박의 위치를 시간에 따라 예측하기 위한 구조를 제공한다. 즉, 선박의 위치 후보마다 입자를 할당하고, 할당된 입자들이 시간에 따라 환경요인의 영향을 받아 이동하도록 시뮬레이션 한다. 입자의 이동 경로는 총 이동 속도를 통해 계산되며, 총 이동 속도는 식(2)와 같이 바람, 해류, 파도 등의 환경 요인에서 제공되는 속도의 벡터 합으로 표현된다. 각 환경 요인은 선박에 특정 방향으로 영향을 미치며, 이를 합산하여 선박의 총 이동 속도를 계산한다. 계산된 총 이동 속도는 각 입자에 적용되어 식(3)과 같이 다음 시점의 선박 위치를 계산한다.

2.3. 선박탐지 가능 조건 산출

선박 표류 예측 범위에 대해 선박 탐지를 위한 전자광학 센서가 탑재된 유인기로 수색한다. 수색 중에 탑재 센서로 표류 선박을 탐지하기 위한 조건을 선박과 센서 제원을 기반으로 계산한다. 이를 위해 먼저 선박의 최소 탐지 면적(A_min)을 설정한다. 이는 선박이 영상에서 명확히 표현되어 탐지 모델이 신뢰할 만한 정확도로 인식할 수 있는 최소 면적을 의미한다. 실제 동일한 크기의 선박이라도 영상의 지상해상도(Ground Sample Distance, GSD)에 따라 영상에서는 크게 나타날 수도 작게 나타날 수도 있다. 영상에서 나타나는 크기(면적)를 기준으로 탐지 가능한 최소 면적을 설정한다.

최소 탐지 면적은 기상 조건 및 해상 상태, 탐지 모델의 성능 등에 따라 달라질 수 있다. 예를 들어, 흐린 날씨나 높은 파도 등은 선박 윤곽을 흐릿하게 만들어 탐지 난이도가 상승하며, 이에 따라 최소 탐지 면적이 증가한다. 또한, 탐지 모델의 성능에 따라 달라지는데, 고성능 모델은 상대적으로 작은 면적으로도 정확한 탐지가 가능할 수 있다. 본 연구에서는 최소 탐지 면적을 설정하기 위해, 실제 현장에서 수집한 실측 데이터를 바탕으로 선박 탐지 딥러닝 모델을 적용한 후 결과를 분석하였다. 다양한 상황에서도 약 80% 이상 탐지율을 안정적으로 나타나는 크기를 확인하여 50 픽셀의 면적으로 설정하였다.

최소 탐지 면적을 결정한 후, 영상에서 선박이 최소 면적 이상으로 보이도록 GSD, 즉 픽셀당 실제 크기를 계산한다. 선박의 크기는 선박의 길이(L)와 폭(W)의 곱으로 표현된다. GSD는 최소 탐지 면적과 선박의 크기 사이의 비율을 바탕으로 산출되며, 식(4)를 통해 구할 수 있다.

산출된 GSD는 픽셀당 실제 물리적인 거리를 의미하며 결국 영상의 축척에 해당한다. 영상 관측에서의 축척은 센서의 초점거리와 촬영고도의 비율로 결정된다. 이로부터 주어진 줌 레벨에 해당하는 초점거리(f_z)의 센서로부터 요구되는 GSD를 확보하기 위한 촬영고도(H_req)를 식(5)처럼 산출할 수 있다. 또한, 이때 관측된 영상의 유효 탐지 범위(R_eff), 즉 해상에서의 실제 관측 범위는 식(6)처럼 영상 크기(S_img)를 고려하여 결정된다.

2.4. 비행경로 생성

표류 선박의 예측 위치와 선박탐지 가능 조건을 기반으로 비행 경로를 설계한다. 비행 경로를 생성하기 위해서는 먼저 선박의 예상 위치 범위를 기반으로 격자를 생성한다. 산출한 유효 탐지 범위 중 최소 길이를 격자의 크기로 하며 격자가 선박의 예상 위치 범위를 모두 채울 수 있도록 격자의 수를 설정한다. 각 격자의 중앙은 셀이라 하며 각 셀에는 해당 영역 내 포함된 선박의 개수 정보가 저장된다. 격자와 셀의 생성 과정은 Fig. 4에 제시되어 있다. Fig. 4(a)에서는 선박의 분포(파란 점)에 따라 격자가 생성되는 과정을 보여주며, Fig. 4(b)에서는 각 셀에 선박 개수 정보가 저장된 상태를 확인할 수 있다.

Figure 4. Example of the grid and cell creation. (a) Create a grid based on the predicted positions of the ship. (b) The number of ships is stored in each cell.

생성된 셀을 기반으로 비행 경로가 생성되며 비행 경로는 비최적화 경로와 최적화 경로로 구분된다. 비최적화 경로는 셀 내 선박 개수를 고려하지 않는 평행 탐색 경로와 사각형 확대 탐색 경로로 구성된다. 평행 탐색 경로와 사각형 확대 탐색 경로는 IAMSAR에 기재되어 있는 비행방식으로 항공기를 이용한 SAR 임무에서 보편적으로 사용되는 방법이다.

평행 탐색 경로는 왼쪽 아래 첫 번째 행에서 시작하여 오른쪽으로 이동하면서 각 셀을 탐색하며, 행의 끝에 도달하면 위쪽 행으로 이동한 뒤 반대 행 방향으로 이동하는 방식을 반복하여 전체 셀을 커버한다. 사각형 확대 탐색 경로는 중앙에서 시작해 사각형 모양을 유지하여 바깥쪽으로 확장하며 셀을 탐색하여 중심에서 외곽으로 퍼져 나가는 형태의 경로를 형성한다. 비최적화 경로는 셀 수에 따라 생성되므로 탐지 영역에서 일정한 패턴을 유지하며, Fig. 5와 같은 형태로 나타난다.

Figure 5. Example of a non-optimized flight route: (a) Parallel track search. (b) Expanding square search.

최적화 경로는 셀에 포함된 선박 개수 정보를 고려하여 계획되며, 최근린 알고리즘 기반 경로(이하 최근린 경로, Rahman et al., 2024)와 2-opt 알고리즘 경로(이하 2-opt 경로, Johnson and McGeoch, 2003)로 구성된다. 최적화 경로는 선박이 가장 많은 셀에서 시작하며, 셀의 총 개수와 각 셀에 포함된 선박 개수를 고려하여 생성된다. 또한, 선박 예상 위치 범위 내 선박이 없는 셀은 경로에 포함하지 않는다.

최근린 경로는 가장 높은 가중치를 가진 셀에서 시작하며, 셀에서 가장 가까운 셀 중 선박 개수가 가장 많은 셀을 다음 지점으로 선택하여 경로의 효율을 높이는 방법이다. 방문한 지점은 제외하고 가장 가까운 곳으로 이동하며 모든 지점을 한 번씩 방문할 때까지 반복하여 비행 경로를 생성한다. 2-opt 경로 또한 가장 높은 가중치를 가진 셀에서 시작하며, 2-opt 경로는 순환 경로를 기반으로 경로를 생성한다. 순환 경로란, 시작점과 끝점이 동일한 경로로, 모든 셀을 방문한 뒤, 다시 시작했던 셀로 돌아오는 형태를 뜻한다.

2-opt 경로의 동작 방식은 다음과 같다. 먼저, 하나의 순환 경로를 생성한 뒤 생성된 경로에서 두 셀을 선택한다. 선택한 두 셀 사이의 경로를 중간 부분으로 하여 경로를 분리하면 경로는 시작 부분, 중간 부분, 끝 부분, 총 세 부분으로 나누어지게 된다. 이 때 중간 부분의 경로를 반대로 연결하여 새로운 순환 경로를 구성한다. 새로운 순환 경로의 길이가 기존 경로보다 짧다면, 새로운 경로를 채택하고 같은 과정을 반복한다. 이 작업은 비행 경로가 더 이상 개선되지 않을 때까지 계속되며, 이를 통해 모든 셀을 지나면서 총 이동 거리가 최소화된 경로를 생성한다.

Fig. 6(a)는 최근린 경로의 예시로, 시작 지점(녹색 사각형)에서 가장 가까운 셀로 이동하며 경로를 생성한다. 이 경로는 간단하고 직관적이지만, 인접한 셀을 나중에 방문하거나 전체 경로의 관점으로는 불필요한 교차 구간이 발생하여 최적화되지 않을 가능성이 있다. 그러나 가중치가 높은 선박이 있을 가능성이 큰 셀을 우선적으로 탐색하기 때문에, 목표를 빠르게 탐지하는 데 효과적인 경로다.

Figure 6. Optimized flight route plan example. (a) Nearest neighbor. (b) 2-opt.

Fig. 6(b)는 2-opt 경로를 생성한 결과로, 시작 지점(파란 사각형)에서 출발하여 초기 경로를 개선한다. 2-opt 경로는 경로의 두 구간을 반복적으로 교환하며 전체 비행 거리를 최소화하는 방식으로 동작한다. 그 결과, 생성된 최근린 경로와 비교하여 불필요한 교차 구간이 제거되었으며, 전체 선박을 빠르게 탐지하는 데 효과적인 경로다.

2.5. 시뮬레이션과 평가

마지막으로, 시뮬레이션을 통해 유인기를 비행경로를 따라 움직이도록 하여 생성된 비행 경로의 선박탐지 성능을 검증한다. 시뮬레이션에서 유인기는 연직 방향으로 설정된 유효 탐지 범위를 유지한 채로 생성된 비행 경로를 따라 이동한다. 유효 탐지 범위에 들어온 선박은 탐지된 것으로 간주하며, 각 비행경로의 효율은 선박을 탐지할 때까지 유인기가 이동하는 거리를 비교하여 평가할 수 있다.

이를 위해 선박의 예상 위치 데이터에 기반하여 무작위로 하나의 선박을 선택하고, 유인기가 해당 선박이 포함되어 있는 영역에 도달하기까지의 거리를 측정한다. 각 시점에서 여러 개의 무작위 선박을 선택한 뒤 동일한 조건으로 각 비행 경로에서 각각의 무작위 선박에 도달하는 개별 거리를 측정한 뒤 평균 거리를 산출하여 성능을 비교한다. 이를 통해, 특정 지역에서 가장 효율적인 비행 경로를 도출할 수 있으며, 이는 선박 위치 분포와 지역적 특성에 따른 최적의 비행 경로 선택에 유용한 데이터를 제공한다.

3.1. 표류 선박 위치 예측

본 연구에서는 Shipdrift 모델을 활용하여 특정 해역에서 선박의 표류 경로와 위치를 예측하였다. 실험은 노르웨이 기상청에서 개발한 기상예측 시스템을 활용하여 여러 개의 시뮬레이션을 조합한 앙상블 방식을 통해 단기 기상 조건을 예측하는MetCoOp Ensemble Prediction System (MEPS) 데이터 기반의 풍속을 고려하였다. 또한, 북대서양 및 유럽 연안 지역을 대상으로 한 해양 순환 모델과 자료 동화를 활용하여 해류 상태를 실시간으로 예측하는 TOPAZ6 데이터 기반의 해류 속도를 포함하였다. 마지막으로, 위성 레이더와 수치 모델링을 통해 조류와 파랑 조건을 분석하는WaveMode 데이터를 활용하여 다양한 해양 조건을 평가하였다.

선박 위치를 예측하는 지역은 주변에 육지가 없는 지역 A와 주변에 육지가 있는 지역 B로 구분하여 주변 지리적 특징을 구분하여 선정하였다. 지역 A의 위치는 63°N, 5°E, 지역 B의 위치는 63°N, 8°E를 시작점으로 설정하였으며, 예측 시작 시간은 두 지역 모두 2024년 11월 8일 오전 10시로 설정하였다. 시작점을 중심으로 표준편차 1,000 m의 2D 가우시안 분포를 적용하여, 10,000개의 초기 위치를 이 분포에 따라 랜덤하게 설정하였다.

이후 예측 시작 시점부터 1시간 간격으로 5시간 후까지 총 6개 시점에 대해 10,000개의 선박 위치를 Figs. 7, 9와 같이 예측하였다. Figs. 8, 10은 Figs. 7, 9에서 예측한 위치를 시간별로 나타내며 Table 3은 예측된 시간별 선박 위치의 범위를 보여준다. Figs. 7–10에 나타난 것처럼, 두 지역 모두 시간 경과에 따라 선박의 위치가 확산되므로 중심 위치가 이동하면서 범위가 점차 확대되는 것을 확인할 수 있었다. 지역 A는 주변에 육지가 없는 바다에 위치한 영역으로, 선박의 위치가 시간이 흐르면서 북동쪽으로 이동하고 점차 확산되는 특성을 보인다. 반면, 지역 B는 육지에 인접한 영역으로 육지의 지형적 영향을 받아 여러 방향으로 확산되는 양상을 보였다.

Figure 7. Prediction of drifting ship positions within Area A.

Figure 8. Predicted ship positions in Area A: (a) Initial, (b) 1 hour, (c) 2 hours, (d) 3 hours, (e) 4 hours, and (f) 5 hours.

Table 3 . Predicted ship position range over time.

Area A	Initial (m)	1 hour (m)	2 hours (m)	3 hours (m)	4 hours (m)	5 hours (m)
X axis range	7696.8	10271.4	12366.0	15136.5	16257.4	19012.4
Y axis range	8309.8	9680.6	11453.1	13593.0	15150.9	17657.1

Area B	Initial (m)	1 hour (m)	2 hours (m)	3 hours (m)	4 hours (m)	5 hours (m)
X axis range	7260.7	8737.7	9811.4	11151.7	12708.7	13727.7
Y axis range	7272.3	8497.2	8992.5	9889.8	11240.8	10796.4

3.2. 선박탐지 가능 조건 계산

유인기의 선박탐지 요건을 계산하기 위해 실제 수색 과정에서 사용하는 중형 다목적 수송기 CN-235 유인기와 Star Safire HD 센서를 고려하였으며, CN-235 유인기와 Star Safire HD 센서의 모습은 Fig. 11과 같다.

Figure 11. Aircraft and sensor: (a) CN-235 and (b) Star Safire HD.

CN-235는 주로 해상 감시와 순찰 임무에 활용되며, 다양한 센서를 장착하여 고효율의 감시 기능을 수행할 수 있다. 이 유인기는 스페인의 CASA와 인도네시아의 IPTN 간 협력으로 개발되었으며, 단거리 및 중거리 임무에 적합한 기체로 설계되었다. 특히, 해상 감시와 구조활동을 위해 설계된 CN-235는 최대 이륙 중량이 약 16,500 kg이고, 평균 속도는 156 km/h, 최대 속도는 약 509 km/h에 달하며, 항속 거리는 약 4,260 km에 이른다. 이러한 특징 덕분에 CN-235는 해경의 감시 및 구조 활동에서 중요한 역할을 맡고 있다.

선박탐지 기능을 수행하기 위해 Star Safire HD 센서를 CN-235 유인기에 탑재하였다. 이 센서는 고해상도 전자광학(EO) 및 적외선(IR) 카메라를 포함한 다중 센서 시스템으로, 감시, 정찰, 탐지, 표적지시 등의 임무를 수행한다. Star Safire HD는 최대 1,280 × 720 해상도의 HD 영상을 제공하며 낮과 밤, 악천후 환경에서도 고품질의 영상을 확보할 수 있다. 특히, 6축 짐벌을 통해 항공기 움직임에도 불구하고 선명한 영상을 유지하며, 자동 목표 추적 기능을 통해 움직이는 표적을 정밀하게 추적할 수 있다.

Star Safire HD는 다중 센서 시스템을 통해 고해상도 영상을 제공하며 해상 감시, 불법 조업 감시, 해양 구조 지원 등 다양한 임무에 사용된다. 이 센서의 주요 특징으로는 고해상도 영상 제공, 멀리 떨어진 대상도 명확하게 식별할 수 있는 정밀 줌 기능 그리고 다양한 센서를 통합해 운용 효율성을 극대화한 점이 있다. 이러한 성능 덕분에 CN-235 유인기와 Star SafireHD 센서의 조합은 해양 감시와 구조 임무에서 뛰어난 성과를 보이며 실제로 활용되고 있다.

본 연구에서는 10톤 이하의 소형 선박 중 최소 크기에 해당하는 2톤급 선박을 탐지 대상으로 선정하였다. 이는 해양사고 발생 비율이 높으며, 크기가 작을수록 탐지가 어려운 특성을 지니기 때문이다. 2톤급 선박의 제원은 전장 8.1 m, 전폭 2.5 m, 전고 3 m, 흘수 1 m로 설정하였다. 탐지 대상의 최소 탐지 면적은Oh et al. (2023)의 연구를 참고하여 설정하였다. 해당 연구에서는 맑은 날씨 조건에서 Yolov7 모델을 활용하여 해양에서 선박을 탐지할 때, 탐지율이 80% 이상 유지되는 경우를 기준으로 최소 탐지 면적을 50픽셀로 제시하였다. 최소 탐지 면적을 바탕으로 본 연구에서는 선박 탐지를 위해 요구되는 최소 지상해상도를 0.65m로 산출하였다. 또한, 수색에 사용되는 2가지 줌 레벨(Wide Field of View, WFOV; Medium FOV, MFOV)에 대한 촬영범위를 고려한 초점 거리를 산출하였으며 산출한 초점 거리는 Table 4에 제시되어 있다.

Table 4 . Focal length by zoom level.

Zoom level	WFOV (pixels)	MFOV (pixels)
Focal length	1,392	8,963.2

산출한 최소 지상해상도와 초점 거리를 반영하여 각 줌 레벨별 적절한 고도 907.48 m, 5843.3 m를 산출하였으며, CN-235 유인기의 평균 고도인 1,000m와 비슷한 줌 레벨WFOV을 선택하였다. 이후, 최소 지상해상도와 센서에서 제공하는 이미지 크기를 곱하여 WFOV 줌 레벨을 사용할 때의 유효 탐지 범위인 834.46 m×469.38 m를 산출하였다.

3.3. 비행경로 생성

유인기 비행 경로 생성을 위해 시간별 선박 예상 위치의 전체 범위와 유효 탐지 범위를 기준으로 격자 및 셀을 Fig. 12와 같이 생성하였다. 격자의 크기는 유효 탐지 크기인 834.46 m와 469.38 m 중 최소 길이인 469.38 m로 설정되며, 격자의 수는 시간별 선박 예상 위치의 수평 및 수직 거리 중 최대 길이를 격자의 크기로 나눈 값으로 결정된다. 셀은 각 격자의 중앙에 생성되며 각 셀은 영역에 포함된 선박의 수의 정보를 포함하고 있다. 생성된 셀의 수는 Table 5에 제시되어 있다.

Figure 12. Example of grid and cell creation. (a) Create a grid based on the predicted positions of ship. (b) The number of ships is stored in each cell.

Table 5 . Cell generation results per time.

Area A	Initial	1 hour	2 hours	3 hours	4 hours	5 hours
Cell number	18	22	27	33	35	41

Area B	Initial	1 hour	2 hours	3 hours	4 hours	5 hours
Cell number	16	19	21	24	28	30

설정한 셀 수에 따라 평행 탐색 경로와 사각형 확대 탐색 경로의 비최적화 비행 경로를 Fig. 13과 같이 생성하였다. 셀 수와 셀에 포함된 선박 개수를 고려해 최적화 방법인 최근린과 2-opt 비행 경로도 생성하였으며 Table 6, 7은 각각 지역 A와 지역 B에서의 각 비행경로 총 탐색 거리를 나타낸다. 총 탐색 거리 비교 결과, 2-opt 방법이 항상 최소거리를 생성하였으며, 이후 최근린 경로, 평행 탐색 경로, 사각형 확대 탐색 경로 순으로 탐색 거리가 증가하였다.

Figure 13. Example of flight route. (a) Parallel track search. (b) Expanding square search. (c) Nearest neighbor algorithm. (d) 2-opt algorithm.

Table 6 . Total search distance in Area A.

Time	Parallel track search (m)	Expanding square search (m)	Nearest neighbor (m)	2-opt (m)
Initial	151,610.5	135,182.1	105,138.4	97,711.2
1 hour	226,711.8	206,528.3	167,612.7	163,962.5
2 hours	341,710.5	329,506.5	235,169.0	226,366.3
3 hours	510,688.2	495,668.0	286,848.8	272,425.3
4 hours	574,524.2	558,565.2	34,6647.3	325,208.4
5 hours	788,562.7	769,787.4	387,793.6	377,249.7

3.4. 시뮬레이션과 평가

생성된 비행 경로의 실제 탐지 성능을 확인하기 위해 각 시간별로 100개의 무작위 선박을 선택하였으며 선택한 선박의 좌표는 Figs. 14, 15에서 확인할 수 있다.

Figure 14. Selected ships (red points) in Area A: (a) Initial, (b) 1 hour, (c) 2 hours, (d) 3 hours, (e) 4 hours, and (f) 5 hours.

각 비행 경로를 따라 유인기를 이동하도록 하여 동일한 시간대에서 100개의 선박을 각각 탐지하는 데 소요된 거리를 측정하였다. 측정한 거리의 평균 거리를 산출한 뒤 성능을 비교하였으며, 산출 결과는 Table 8, 9에 제시되어 있다. Table 8, 9에 제시된 실제 탐지거리를 CN-235 유인기의 평균 속도인 156 km/h로 환산하였을 때, 대부분의 작업이 1시간 이내에 완료될 수 있다는 점을 확인하였다. A 지역에서는 사각형 확대 탐색 경로의 평균 거리가 가장 짧아 성능이 가장 우수한 것으로 나타났다. 이는 지역 A의 모양이 사각형 확대 탐색 경로의 형태와 가까운 원형 분포를 보이고 있으며, 선박이 중앙을 중심으로 분산된 형태이기 때문으로 분석된다. 반면, B 지역에서는 시간이 지남에 따라 선박이 점차 산개하면서 형태가 변화하였다. 예측을 시작한 시간부터 최적화 경로인 최근린 경로, 2-opt 경로 순으로 평균 거리가 가장 짧은 것을 확인하였으며, 1시간 후 시점과 5시간 후 시점을 제외하면 최적화 경로가 비최적화 경로인 사각형 확대 탐색 경로보다 효율적인 것을 확인할 수 있었다. 이를 통해 표류 선박의 분포 패턴에 따라 탐색 경로의 효율이 변경되며, 탐지에 걸리는 시간을 단축하고 효율을 극대화하기 위해서는 선박 분포에 따른 최적화된 경로 제시가 필요하다는 것을 확인할 수 있었다.

Table 8 . Average distance to detect random ships in Area A.

Time	Parallel track search (m)	Expanding square search (m)	Nearest neighbor (m)	2-opt (m)
Initial	79,860.7	16,419.0	43,348.7	56,669.2
1 hour	115,313.2	27,425.5	51,481.5	92,510.2
2 hours	172,535.6	35,884.2	62,677.6	107,939.4
3 hours	244,445.0	40,873.8	75,784.5	107,579.0
4 hours	311,130.2	63,427.6	100,187.8	139,269.5
5 hours	426,701.6	90,313.9	131,167.3	182,916.1

본 논문은 유인기를 활용한 선박 탐지 임무에서 비행 경로 최적화가 탐지 성능에 미치는 영향을 평가하고, 시간 흐름과 선박 분포에 따른 효율적인 비행 경로를 제시하기 위한 프레임워크를 개발하는 것을 목표로 하였다. 이를 위해 육지와 해상 지형에서 각각 1시간 간격으로 10,000개의 선박 예상 위치를 5시간 동안 생성하고, 적정 유효 탐지 범위를 산출하여 셀을 구성한 뒤 네 가지 비행 경로 계획을 수립하였다.

이후 시뮬레이션을 통해 다양한 비행 경로의 탐지 성능과 총 비행 거리를 비교 평가하였다. 실험 결과, 총 비행 거리 측면에서는 2-opt 경로가 가장 효율적이었다. 탐지 성능 면에서는 탐색 지역의 특성에 따라 최적의 경로가 달라지는 결과가 나타났다. 일부 탐색 구역에서는 선박이 중앙에 밀집된 형태를 보일 때 사각형 확대 탐색 경로가 더 높은 탐지 성능을 보였으며, 반면 다른 구역에서는 선박이 주변 환경에 따라 점차 산개하면서 최적화 경로가 더 효율적인 성능을 보였다. 이러한 결과는 지역의 지형적 특성과 선박의 분포 형태가 탐지 성능에 영향을 미치며, 이에 따라 맞춤형 경로 계획이 필요함을 시사한다.

본 연구에서는 센서가 연직 방향으로 장착된 상황을 가정하여 비행 경로를 생성하고 그 성능을 시뮬레이션을 통해 평가하였다. 향후 연구에서는 탐색 시간의 변화를 보다 세밀하게 반영하여 선박의 위치 변화를 추적할 수 있도록 예측 시점의 간격을 줄인 비행 경로 계획을 수립할 예정이다. 또한, 센서의 방향과 각도를 고려한 동적 경로 계획을 수립하고 이를 기존 알고리즘과 비교하여 효율성을 평가할 계획이다.

Figure 3. Examples of drift path expectation results.

Figure 9. Prediction of drifting ship positions within Area B.

Figure 10. Predicted ship positions in Area A: (a) Initial (b) 1 hour, (c) 2 hours, (d) 3 hours, (e) 4 hours, and (f) 5 hours.

Figure 15. Selected ships (red points) in Area B: (a) Initial, (b) 1 hour, (c) 2 hours, (d) 3 hours, (e) 4 hours, and (f) 5 hours.

Table 7 . Total search distance in Area B.

Time	Parallel track search (m)	Expanding square search (m)	Nearest neighbor (m)	2-opt (m)
Initial	119,692.5	105,141.7	63,960.5	61,166.5
1 hour	168,977.7	160,528.8	95,869.6	83,807.7
2 hours	206,528.3	197,140.6	100,080.5	100,919.5
3 hours	269,894.9	247,834.0	129,004.6	110,460.7
4 hours	367,526.5	341,710.5	131,377.1	120,977.1
5 hours	421,974.9	394,281.3	136,404.2	127,649.4

Table 9 . Average distance to detect random ships in Area B.

Time	Parallel track search (m)	Expanding square search (m)	Nearest neighbor (m)	2-opt (m)
Initial	93,407.1	53,979.0	30,304.7	33,109.2
1 hour	85,483.9	23,910.3	33,882.7	34,122.9
2 hours	71,016.0	47,655.4	34,563.6	36,168.3
3 hours	132,060.7	38,475.2	30,213.4	53,943.0
4 hours	201,909.6	47,726.8	44,195.3	39,960.2
5 hours	219,436.3	43,511.7	55,630.6	67,008.8

이 논문은 2024년도 해양경찰청 재원으로 해양수산과학기술진흥원의 지원을 받아 수행된 연구(20220463, 지능형 해양사고 대응 플랫폼 구축)이며, 이에 감사드립니다.

No potential conflict of interest relevant to this article was reported.