대성고 · 1차시 · 시작01
C1 / KICKOFF위성이 보는 것Teachable Machine

위성×AI

매일 수천 장의 위성 사진을
AI 가 대신 봐준다.
DAESEONG · C14 HOURS30 명
DAESEONG HIGH · SATELLITE × AI
INSTRUCTOR02
강사 소개 / WHO'S TEACHING

이용재

트윈젠 대표SATELLITE · SPACE · AI
"위성 소프트웨어를 만드는 사람,
회사에 AI 를 박는 사람.
그 두 일을 동시에 한다"
01 / COMPANY
트윈젠 (TWINXEN)
우주항공 · 위성 스타트업 대표. 위성 소프트웨어를 설계하고 만든다.
02 / SATELLITE
국가 연구소 협력
정부 연구소 위성 사업에 협력 프로젝트 다수 수행. 실제 임무에 들어가는 위성을 함께 만든다.
03 / AI
전사 AI 도입
기업에 AI 도구·워크플로를 박는 프로젝트 다수 수행.
DAESEONG HIGH · SATELLITE × AI
WELCOME03
8 주 여정의 첫 날

앞으로 32 시간 동안
위성 데이터를 AI 로 다룹니다.

한국 위성 · 글로벌 위성 · Colab · Gemini · Teachable Machine.
오늘 동작하는 분류기 1개 를 만듭니다.
DAESEONG HIGH · SATELLITE × AI
CORE04
오늘의 한 문장
위성은 매일 지구를 본다.
AI 는 그 사진을
대신 읽어준다.
DAESEONG HIGH · SATELLITE × AI
ROADMAP05
8 차시 전체

오늘 시작

C1
위성이 보는 것
C2
텔레메트리 분석
C3
이상 진단
C4
지구 관측 분류
C5
머신러닝 입문
C6
신경망 + 자율
C7
자기 프로젝트
C8
발표 + 회고
DAESEONG HIGH · SATELLITE × AI
SCHEDULE06
오늘 4 시간 · 4 블록

강의 → Lab A → Lab B → 발표

B1 · 0:00 — 0:45
강의
  • 우주항공 트렌드 3
  • 한국 위성 2
  • AI 트렌드 3
B2 · 0:55 — 1:55
Lab A — TM
  • Teachable Machine
  • 카테고리 4개
  • 분류기 학습
B3 · 2:05 — 3:05
Lab B — Colab
  • 이미지 = 행렬
  • Gemini 페어
  • 3-tier 챌린지
B4 · 3:15 — 4:00
발표 + 정리
  • 페어 1분
  • 우수 2-3명
  • 다음 주 예고
DAESEONG HIGH · SATELLITE × AI
SPACE · 1 / 307
우주항공 트렌드 #1 · 한국
KASA · NURI-IV

누리호 4차
민간 주도 전환

우주항공청 (KASA)2025.11.27 발사국가 산업화

한국 우주산업이 연구기관 중심에서 민간기업·산업체 참여로 이동. 발사체와 인공위성을 동시에 운영하는 우주 강국 진입.

DAESEONG HIGH · SATELLITE × AI
SPACE · 2 / 308
우주항공 트렌드 #2 · 세계
NASA · ARTEMIS II

50년 만에
다시 달 주변으로

2026.04 발사 예정10일간 달 비행유인 임무

달 탐사도 결국 센서·통신·영상·자동 판단·데이터 분석 이 핵심. 위성 데이터 처리 능력이 우주 시대의 기본기.

DAESEONG HIGH · SATELLITE × AI
SPACE · 3 / 309
우주항공 트렌드 #3 · 새로운 센서
NASA × ISRO · NISAR

구름을
뚫고 본다

SAR 레이더2025.07 발사무료 공개

광학 카메라가 아닌 전파 레이더. 구름·밤에도 작동. 산불·홍수·빙하 변화·농작물 작황을 24시간 감시.

▶ 영상 — NASA JPL 공식 플레이리스트 "NISAR Mission" · NASA JPL 채널
DAESEONG HIGH · SATELLITE × AI
AI 위성10
NASA JPLDYNAMIC TARGETING
60
— 90 초
위성이 사람 개입 없이
구름을 피하고 대상을 골라
스스로 촬영 방향을 정하는 시간.
→ 우리가 8주 동안 배울 이미지 처리·이상 탐지·머신러닝은 결국 이 자동 판단 의 기초.
DAESEONG HIGH · SATELLITE × AI
한국 위성 · 111
KARI

아리랑 (KOMPSAT)

한국항공우주연구원의 광학·SAR 위성

FIRST LAUNCH1999 (1호)
CURRENT3·3A·5·7호
ORBIT저궤도 685km
RESOLUTION최고 0.55m
SENSOR광학·적외·SAR
REVISIT2-3일
한국이 자체 운영하는 지구 관측 위성. 국토 모니터링 / 재해 감시 / 농작물 작황 / 군사 정찰. 자동차 한 대까지 식별.
KOMPSAT-5 아리랑 5호
KOMPSAT-5 / Wikimedia Commons (CC)
DAESEONG HIGH · SATELLITE × AI
한국 위성 · 212
KARI · KMA

천리안 (GEO-KOMPSAT)

정지궤도 기상·해양·환경 위성

FIRST LAUNCH2010 (1호)
CURRENT2A·2B 운영
ORBIT정지궤도 36,000km
COVERAGE한반도+동아시아
SENSOR기상·해양·환경
REVISIT실시간 (10분)
기상청 일기예보의 위성 영상 — 천리안에서. 한반도 위에 고정. 태풍 추적 / 황사 / 미세먼지 / 적조 탐지.
천리안 2A호 최종 점검
천리안 2A 최종 점검 / Wikimedia Commons (CC)
DAESEONG HIGH · SATELLITE × AI
세계 위성13
ESA · NASA

Sentinel + Landsat

전세계 무료 위성 데이터의 표준

SENTINELEU 코페르니쿠스
LANDSATNASA + USGS
SENTINEL-2광학 10m
SENTINEL-1SAR
DATA모두 무료
USE학생·연구·창업
우리가 Colab 에서 다룰 위성 사진 출처. Google Earth Engine 같은 플랫폼도 다 이 데이터.
Sentinel-2 위성 모델
Sentinel-2 / ESA · Wikimedia (CC)
DAESEONG HIGH · SATELLITE × AI
SENSOR14
위성이 지구를 보는 3가지 방식

광학 / SAR / 다중스펙트럼

MODE · 1
광학
우리 눈처럼 가시광선 으로. R+G+B 컬러 사진.
USE — 도시·산림·해안선 / 한계 — 구름·밤 안 보임
MODE · 2
SAR
레이더 신호 발사 → 반사 측정. 구름·밤 통과.
USE — 재난 감시 / 한계 — 색 정보 X
MODE · 3
다중스펙트럼
10+ 채널 (적외선 포함). 눈에 안 보이는 정보까지.
USE — 농작물·해양 / 한계 — 처리 복잡
DAESEONG HIGH · SATELLITE × AI
AI TREND · 1 / 315
2026 AI 트렌드 #1

대답하는 AI →
도구를 쓰는 AI

Chatbot
Agentic AI
Google I/O 2026 "agentic Gemini era" · OpenAI o4 · Claude Opus 4.
AI 가 코드 실행 · 웹 검색 · 파일 분석 까지 여러 단계를 스스로 한다.
DAESEONG HIGH · SATELLITE × AI
AI TREND · 2 / 316
2026 AI 트렌드 #2

텍스트만 →
다 보고 다 듣는

Text only
Multimodal
텍스트·이미지·음성·영상·코드가 하나의 모델에 통합.
위성 이미지 + 센서 로그 + 텍스트 보고서 를 한꺼번에 읽을 수 있다.
DAESEONG HIGH · SATELLITE × AI
AI TREND · 3 / 317
2026 AI 트렌드 #3

분석 → 생성
검증

분석
생성
검증
Google Veo 3 · OpenAI Sora — AI 가 영상까지 만든다.
동시에 SynthID · C2PA 같은 출처 검증 기술 이 필수.
→ 앞으로 중요한 능력: AI 결과를 의심하고 검증하는 능력.
DAESEONG HIGH · SATELLITE × AI
HERO STAT18
매일전세계
100TB
위성이 매일 지구로 보내는
데이터의 양.
→ 사람이 다 못 봅니다. AI 가 대신 봅니다. 그래서 우리가 AI 를 이해 해야 합니다.
DAESEONG HIGH · SATELLITE × AI
TOOLS19
오늘 사용할 3가지 도구

모두 무료. 모두 브라우저.

TOOL · 1
Teachable Machine
코드 0줄. 30초에 AI 모델 학습.
teachablemachine.withgoogle.com
TOOL · 2
Colab
브라우저 안 파이썬. 설치 X.
colab.research.google.com
TOOL · 3
Gemini
옆자리 AI 조수. 모르면 물어봐요.
gemini.google.com
DAESEONG HIGH · SATELLITE × AI
BRIDGE20
강의 끝
이제
직접 만든다
먼저 Teachable Machine 으로 동작 부터.
DAESEONG HIGH · SATELLITE × AI
LAB A · 60 min21
Teachable Machine — 따라하기

4 단계로 분류기 완성

1
접속 + 프로젝트
Image Project
2
4 카테고리
도시·농경지·산림·바다
3
사진 모으기
NASA Worldview / 검색
4
학습 + 테스트
Train → 새 사진
→ 60분 안에 내 AI 모델 완성. 코드 0줄.
DAESEONG HIGH · SATELLITE × AI
LAB A · STEP 1-222
STEP 1-2

접속 + 4 카테고리

STEP 1 — 접속 (5분)

  • teachablemachine.withgoogle.com 접속
  • Get Started → Image Project
  • Standard image model 선택
  • Google 계정 로그인
✓ 빈 프로젝트 화면 보이면 OK

STEP 2 — 4 카테고리 (5분)

  • 왼쪽 Class 1 → 도시
  • Add a class → 농경지
  • Add a class → 산림
  • Add a class → 바다
✓ 4 클래스 세로 나열되면 OK
DAESEONG HIGH · SATELLITE × AI
LAB A · STEP 3-423
STEP 3-4

사진 모으기 + 학습

STEP 3 — 사진 (40분)

  • NASA Worldview 또는 Google 이미지 검색
  • 카테고리당 10-15장 다운로드
  • 각 클래스에 Upload (drag & drop)
  • 막히면 — Gemini 한테 "좋은 위성 사진 출처"
✓ 4 × 10 = 40장 이상 OK

STEP 4 — 학습 + 테스트 (15분)

  • 가운데 Train Model 클릭
  • 15-30초 기다림 (탭 닫지 마)
  • Preview 에서 새 사진 테스트
  • 틀린 사진? → STEP 3 더 모아서 재학습
✓ 정확도 70%+ OK
DAESEONG HIGH · SATELLITE × AI
LAB B · 60 min24
Colab + Gemini — 직접 코드

이미지 = 행렬

↓ 01_first_classifier.ipynb
Colab 에 업로드 → Run All
먼저 노트북 전체 Run All (Ctrl/Cmd + F9). 결과부터 보고, 그 다음 셀별로 무엇이 일어났는지 읽어요. Fast.ai 의 핵심 — "일단 돌려보고 는 나중에".
DAESEONG HIGH · SATELLITE × AI
CODE · 125
CODE 1

이미지 = 행렬

셀 1-6
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

# 합성 위성 사진 4장 (4 카테고리)
np.random.seed(42)
city  = np.random.randint(80,160,(128,128,3),np.uint8)
farm  = np.array([[[80,140,60]]128]128,np.uint8)
ocean = np.array([[[30,80,160]]128]128,np.uint8)
forest= np.array([[[30,100,40]]128]128,np.uint8)

print(city.shape)  # (128, 128, 3)
print(city.dtype)  # uint8 (0~255)
CORE이미지 = (높이, 너비, 3) 행렬
3 채널R / G / B 각각 한 장
uint8각 픽셀 = 0(검정) ~ 255(밝음)
CHECKshape == (128,128,3) 확인
DAESEONG HIGH · SATELLITE × AI
CODE · 226
CODE 2

RGB 분리 + 평균

셀 7-12
# R, G, B 채널만 따로
fig, ax = plt.subplots(1, 3, figsize=(12,4))
ax[0].imshow(city[:,:,0], cmap="Reds")
ax[1].imshow(city[:,:,1], cmap="Greens")
ax[2].imshow(city[:,:,2], cmap="Blues")
plt.show()

# 카테고리별 평균 RGB
for name, img in [("city",city),("farm",farm),
                  ("ocean",ocean),("forest",forest)]:
    r,g,b = img[:,:,0].mean(), img[:,:,1].mean(), img[:,:,2].mean()
    print(f"{name}: R={r:.0f} G={g:.0f} B={b:.0f}")
CORE카테고리마다 평균 RGB 다름
slicingimg[:,:,0] = R 채널
.mean()전체 픽셀 평균
INSIGHT이 차이 → 분류 가능
DAESEONG HIGH · SATELLITE × AI
GEMINI · 페어27
Gemini = 옆자리 TA

이렇게 물어봐

YOU →
"위성 사진 numpy 배열의 평균 RGB 로 4 카테고리 (도시·농경지·산림·바다) 중 어디인지 분류하는 함수를 파이썬으로 짜줘. 기준 RGB {city:(120,120,120), farm:(80,140,60), ocean:(30,80,160), forest:(30,100,40)}. 유클리드 거리로 가장 가까운 걸 반환."
GEMINI →
"def classify(img): rgb = img.mean(axis=(0,1)); refs = {...}; ..." (코드 받음)

학생 → Colab 에 붙여넣고 실행 → 결과 확인 → 의심: "틀리면? 정확도는?" → 다시 Gemini 에 검증 코드 요청
→ 받기만 하지 말고 읽고 의심하고 검증. 이게 AI 와 일하는 방식.
DAESEONG HIGH · SATELLITE × AI
CHALLENGE28
3-TIER · 자기 페이스

최소 / 권장 / 도전

LEVEL · 1 · 최소
분류기 동작
TM 학습 + Colab Run All 통과. classify() 가 새 사진 1개 올바르게 분류.
LEVEL · 2 · 권장
정확도 측정
Gemini 와 test_accuracy(). 새 사진 12장 → 정확도 %.
LEVEL · 3 · 도전
실제 위성 사진
NASA Worldview 에서 진짜 1장 → 업로드 → classify() → 결과 기록.
DAESEONG HIGH · SATELLITE × AI
OUTPUT29

오늘 가져갈 것

Teachable Machine 모델
Colab 노트북 (Drive 저장)
classify() 함수 — RGB 분류
Gemini 와의 첫 대화 로그
한국 위성 2 · 세계 위성 1
AI 트렌드 3 · 우주 트렌드 3
→ 다음 주 — C2 위성 텔레메트리 (pandas + matplotlib + Starlink 사례). 과제 = 오늘 노트북 Drive 저장 + 막힌 곳 markdown 셀 1줄.
DAESEONG HIGH · SATELLITE × AI
FIN30

C1/8

위성은 매일 지구를 본다.
AI 가 그 사진을 대신 읽는다.
오늘 여러분이 그 AI 를 만들었다.
DAESEONG HIGH · SATELLITE × AIC1 · 2026 · KICKOFF다음 주 봐요 🛰️
DAESEONG HIGH · SATELLITE × AI
↓ scroll / arrow keys