1. 서 론

교량은 원활한 교통 편의성을 제공하는 중요한 국가 기반시설로써, 교량의 상태를 상시 점검하는 유지관리는 구조물 및 사용자의 안전을 보장하기 위해 매우 중요하다. 기존 교량 유지관리는 법적으로 고시된 정기적 점검 및 진단을 통해 수행되고 있으며, 일부 특수 교량의 경우 그 중요성으로 인해 다양한 센서 기반 상시계측 모니터링 시스템이 구축되어 있다. 그런데 노후화된 대상 교량들의 증가와 전문 인력 감소로 인해 반복적 현장점검에는 한계가 있으며, 모니터링 시스템 또한 운영비용 증가로 인해 계속해서 동일한 수준의 모니터링을 유지하기 어렵다.

이와 같은 어려움을 극복하기 위해 최근 위성 SAR(Synthetic Aperture Radar) 기술을 이용한 교량 유지관리 연구들이 수행된 바 있으며, 해당 연구들은 교량의 장기 시계열 처짐을 분석하기 위해 고정 산란체 간섭 SAR(Persistent Scatterer Interferometric SAR, PS-InSAR) 기술을 적용하였다(Caspani et al., 2025; Jung et al., 2019; Kim et al., 2025; Lazecky et al., 2015; Lorenz et al., 2024; Selvakumaran et al., 2020). 기존 교량 유지관리는 주기적인 육안점검을 기본으로 하는데 검사자의 변동성 및 주관성으로 인한 인간 오차(Human Error) 문제가 발생할 수 있고, 센서 등이 설치된 특정 지점에 국한될 수 있으며, 또한 빈번한 모니터링과 비용 및 교통 차단 사이의 균형 문제가 발생할 수 있다. 반면, PS-InSAR의 경우 인력 파견을 필요로 하지 않으며 주기적 간격(예: 12일)으로 교량 여러 위치의 처짐 자료를 원격으로 얻을 수 있기 때문에 접근이 어렵거나 정기적으로 모니터링 하기 어려운 교량과 같은 인프라에 대해 매우 큰 강점을 가지고 있다. 또한, PS-InSAR는 전력 요구가 수반되는 센서 기반 계측시스템을 필요로 하지 않으며, 넓은 지역의 다수 교량을 반복 관측할 수 있다. 이를 통해 도시 내 여러 교량들의 장기 변위 처짐 경향을 한번에 파악하여 정밀 점검 또는 보수 및 보강 우선순위 의사결정 지원이 가능하여 교량 유지관리 비용 효율성을 높일 수 있을 것으로 기대된다.

본 연구에서는 GAMMA(Wegmüller et al., 2016)와 StaMPS(Hooper and Zebker, 2007) 프로그램을 이용하여 PS-InSAR를 수행하였고, 서울 한강 상에 위치한 여러 교량들의 3년간 시계열 변위 경향 분석을 수행하고자 하였다. 이를 위해 2장에서는 PS-InSAR에 대해 간략히 소개하고, 3장에서는 적용 지역과 사용한 데이터 및 전처리에 대해 설명한다. 4장에서는 PS-InSAR 수행을 위해 사용한 프로그램에 대해 개략적으로 설명하고, 각 교량의 특정 위치에서 도출된 시계열 경향 분석 결과를 제시한다. 최종적으로 도출된 결과들을 바탕으로 추후 교량 유지관리를 위한 PS-InSAR 적용 및 도입을 위해 필요한 후속 연구에 대해 논의하고자 한다.

2. PS-InSAR 정의 및 주요 알고리즘 소개

강력한 원격 탐사 기법인 PS-InSAR는 지표면 위 대상물의 시간에 따른 변위를 추정하고 모니터링할 수 있는 기법이며, 구체적으로는 Differential InSAR(DInSAR) 방법론에 속하는 특정 한 종류의 레이더 기법이다. DInSAR는 서로 다른 시간에 획득된 최소 두 장의 동일지역 복소 SAR 영상 레이더 위상 정보를 활용하며, 이 영상들은 간섭 쌍(Interferometric Pair)을 형성하게 된다. 대상 지역의 반복적인 복소 영상 획득은 동일한 센서 및 시스템 특성을 갖는 위성에 의해 수행되며, DInSAR 원리는 다음과 같이 간략히 요약된다(Bamler and Hartl, 1998; Gabriel et al., 1989; Rosen et al., 2000). 지상의 단일 수신 표적(Pixel Footprint) P를 고려할 때 위성은 위치 M에서 첫 번째 복소 영상 φM을 다음과 같이 측정한다:

식 (1)에서 φscatt -M는 위성에서 발사된 마이크로파와 표적 P 사이의 상호작용으로 인한 위상 변화이며, 위성 위치 M에서의 관측된 지표 위상 φgeom -M는 위성에서 표적까지의 거리 MP와 레이더 파장 𝜆의 관계식으로 표현할 수 있다. 같은 방식으로 위성이 (일정 시간 이후) 다른 위치 S에서 동일한 표적 P의 복소 영상 φS 관측을 가정할 때, 위상 차를 다음 식 (2)와 같이 계산할 수 있다.

Interferometric Phase로 불리는 위상차 ΔφInt은 거리 차이(SP-MP)와 관련되어 관측 장면의 지형, 즉 DEM(Digital Elevation Model) 생성을 위한 기본 정보가 된다(Bamler and Hartl, 1998; Rosen et al., 2000).

DInSAR 기법의 지표 변형 측정은, 단일 표적 P에 대해 위치 M에서 측정한 위상 영상과 표적이 P에서 P’로 이동한 후 위성이 다른 위치 S에서 두번째 영상을 획득했다고 가정하면, 다음 식 (3)과 같이 표현할 수 있다.

이때, 항 SP를 임의로 더하고 빼면 다음과 같이 표현할 수 있다.

위 식에서 첫 번째 항은 기준타원체에 기인한 위상(Reference Ellipsoidal Phase)을 포함하는 지형 위상(Topographic Phase, φTopo)이며, 두 번째 항은 Fig. 1에서 나타낸 위상이 바라보는 방향(Line-Of-Sight, LOS)에서의 변위 d와 관련된 위상(φdisp)이다. 만약 식 (4)의 마지막 두 항들이 서로 상쇄되고 대상 장면의 DEM이 사용 가능할 경우 시뮬레이션 위상 φTopo, simu을 계산하여 다음과 같이 DInSAR 위상을 도출할 수 있다.

Fig. 1.

Schematic Diagram of DInSAR Deformation Measurement

식 (5)는 두 장의 복소 SAR 영상으로부터 대상 표적의 변위를 도출하는 DInSAR의 원리를 간략하게 요약하며, 이와 같은 원리는 지진, 화산, 빙하, 산사태, 지반 침하 및 상승 등을 추정하는데 활용되어 왔다(Bamler and Hartl, 1998; Rosen et al., 2000). 모든 DInSAR 기법의 목표는 ΔφDInt로부터 지형 오차(φTypo,res), 대기 오차(φatm), 위성 오차(φorb), 위상 오차(φnoise) 등을 제거하여 정밀한 φdisp을 도출하는 것이다. 이러한 분리를 달성하기 위한 필수 조건은 작은 위상 오차를 갖는 Pixel들을 분석하는 것이다. 이 Pixel들은 대게 (1) 레이더에 대한 응답이 시간에 따라 계속해서 강한 영구 산란체(Permanent Scatterer, PS)와 (2) 응답이 시간에 따라 일정하지만 서로 다른 작은 산란체(Distributed Scatterer, DS), 두 종류로 구분된다.

PS-InSAR는 Permanent Scatterer를 기준으로 하는 DInSAR 기법이며(Ferretti et al., 2000, 2001), 수식적으로는 동일하지만 단일 간섭쌍이 아닌 여러 간섭쌍(i=1,…,N)으로 확장되어 일정하게 관측되는 특정 밝기(반사 강도) 이상의 여러 PS 점 p들에 대해서 위상차를 구하는 기법이다:

식 (6)은 PS-InSAR 원리를 나타낸 식이며, DInSAR와 마찬가지로 각 PS점에서의 Δφi,p에서 다른 오차항들을 제거하여 정밀한 φdisp,i,p를 도출하는 것이다. 이때, 마지막 항 2kπ(여기서, k는 phase ambiguity를 의미하는 정수)는 InSAR 위상이 (-π,π] 범위에 제한됨을 표현한다. 다음으로는 PS-InSAR 분야에서 가장 중요한 영향을 미친 네 가지 접근법에 대해 간략히 설명하도록 한다.

(1)Ferretti 등(2000, 2001)에 의해 제안된 PS-InSAR 기법은 PS점들을 선택하고, 시간적(Temporal)/기하학적(Geometrical) 비상관화(Decorrelation)를 극복하며, 변형과 잔여 지형 오차(혹은 DEM 잔여 고도 오차)를 추정하고, 이들을 대기 위상 오차 기여로부터 분리하기 위한 최초의 완전한 해법을 제시하였다. 이는 기존 DInSAR에 비해 큰 진전을 이루었고 적용 가능성을 극적으로 증가시켰으나, 큰 Baseline(위성간 거리)에서도 충분히 높은 일관성(Coherence)을 보이는 산란체에 대해서만 적용되는 제약으로 비도심지(낮은 PS 밀도 도출)에서는 적용이 어려웠다. (2) Berardino 등(2002)은 공간적(Spatial) 비상관화를 제한하기 위해 작은 Baseline을 사용하고, 위상 오차를 줄이기 위해 다중룩(Multi-looked) 자료를 사용하며, 일관성 기반 선택 기준을 사용하는 SBAS(Small Baseline Subset) 기법을 제안하였다. 해당 기법은 PS-InSAR 접근법에 비해 공간적, 시간적 Sampling을 증가시키고 다중룩 자료 사용으로 인해 국부 변형을 탐지하는데 적합하지 않았으나, 원본 해상도 자료로 작동하는 확장 SBAS 버전에서 해결되었다(Lanari et al., 2004).

(3) PS-InSAR에서 또 다른 중요한 기여는 Hooper 등(2004)에서 제시되었다. 이 연구에서는 위상 특성을 이용한 새로운 PS 후보 선택 기법이 제안되었고, 해당 기법은 위상 진폭(Amplitude) 기반 알고리즘으로는 식별되지 않으나 안정성(Stability)을 갖는 저진폭 자연 표적을 찾는 데 적합하였다. 다른 장점으로는 사전 변형 모델을 필요로 하지 않는다는 것이며, 이 연구는 본 연구에서 사용된 StaMPS(Stanford Method for Persistent Scatterer) 소프트웨어 패키지의 기원이 되었다(Hooper and Zebker, 2007). (4) 마지막으로 PS-InSAR의 큰 진전은 Ferretti 등(2011)에서 제안된 SqueeSAR 알고리즘과 관련된다. 해당 알고리즘은 PS점뿐만 아니라 DS점들을 포함하여 통계적 거동을 고려하고 공동 처리함으로써 PS-InSAR 알고리즘을 확장하였다. 해당 알고리즘은 중간 수준의 일관성을 갖는 Pixel들에 초점을 두었고, 결과적으로 대상 표적들의 밀도 증가로 비도시 지역에서 좋은 결과를 도출하게 된다.

위 언급된 연구들 외에도 PS 점의 물리적 특성 규명, PS 밀도 향상을 위한 모델 개발, 계절성 지반변형 및 열팽창 성분의 정밀 추정, 위상 언래핑(Unwrapping) 기법 개선, 대기 위상 성분 추정 등 PS-InSAR의 개별 처리 요소와 해석 정확도를 향상시키기 위한 다양한 연구가 수행되어 왔다. 관련 세부내용은 선행연구(Crosetto et al., 2016)의 Table 1에 상세히 서술되어 있다.

3. PS-InSAR 적용 지역 및 SAR 데이터 전처리

3.1 PS-InSAR 적용 지역 개요

본 연구에서는 PS-InSAR를 이용한 교량 장기 변위 모니터링 적용 가능성을 확인하기 위해 Fig. 2와 같이 서울 여의도 인근 한강 상 교량들을 연구 지역으로 선정하였다. 연구지역내 대상 교량은 (1) 월드컵대교, (2) 성산대교, (3) 양화대교, (4) 서강대교, (5) 마포대교, (6) 원효대교, (7) 한강대교, (8) 동작대교 등 8개의 대교와 당산철교, 한강철교 등 2개의 철도교가 포함되어 있다.

Fig. 2.

Study Area and Target Bridges for PS-InSAR Application over the Han River near Yeouido

Fig. 2에서 붉은 박스로 표시된 교량은 왼쪽부터 (1)~(8) 대교이며, 파란 박스로 표시된 교량은 왼쪽부터 당산철교, 한강철교이다. 추후, PS-InSAR 분석 결과에서 Table 1과 정리된 교량 형식에 따른 PS점 밀집도 차이를 확인하고자 한다.

3.2 획득 SAR 데이터 개요 및 전처리 수행

본 연구는 한국건설기술연구원의 “위성 SAR 기반 인프라 재해 대응 기술 개발” 과제의 일환으로 진행되었으며, 추후 TerraSAR-X와 같이 고해상도의 데이터를 구매하여 수행할 예정이나 현 단계에서는 적용가능성을 확인하기 위해 Sentinel-1 데이터를 사용하였다. Sentinel-1 데이터는 유럽우주국(European Space Agency, ESA)이 운영하는 Copernicus 오픈 액세스 허브(http://scihub.copernicus.edu)에서 무료로 다운로드 가능하며, 해당 허브는 DEM 자료 또한 제공한다. Sentinel-1 SAR 위성은 파장길이 5.6cm의 C-Band 레이더를 사용하여 재방문 주기가 12일로 2014년부터 운영되고 있으며, 해상도(Resolution)는 5range(m)×20azimuth(m)이다(Yoo, 2022). 본 연구의 PS-InSAR 분석에서는 2023년 1월부터 2025년 12월까지의 Ascending, Interferometric Wide 2(34~40°), 단일 편파 VV 모드로 촬영된 총 80개의 Single Look Complex(SLC) 영상(Track 127)을 사용하였다. 해당 기간 안에 누락된 데이터(23년 5월, 24년 6월, 25년 7월)들이 존재하며, SLC 데이터를 이용한 간섭영상 데이터 생성이후, 오류가 발생한 데이터 또한 제외될 수 있다. 마지막으로 지형 위상 제거 및 레이더 좌표계 기반 지오코딩을 위해 30m 공간해상도의 Copernicus DEM GLO-30을 사용하였다.

다음으로 획득한 데이터들을 기반으로 PS-InSAR 분석에 사용할 간섭영상 데이터를 생성하기 위해 GAMMA 소프트웨어를 사용하였다(GAMMA Remote Sensing AG, 2025). GAMMA는 Sentinel-1 자료의 SAR, InSAR 및 PS-InSAR 처리를 지원하는 고수준 원격탐사 소프트웨어 패키지로, Sentinel-1 IW SLC 자료의 입력, Burst/Sub-Swath 기반 자료 처리, SLC 및 MLI(Multi Look Intensity) mosaic 생성, 정밀 영상 정합, 간섭영상 생성 및 지오코딩 등 Sentinel-1 InSAR 전처리에 필요한 기능을 제공한다(Wegmüller et al., 2016). 본 연구에서는 앞서 획득한 SLC 데이터들을 VV 편파와 영상 주석 정보를 토대로 GAMMA에서 처리 가능한 SLC 형태로 변환한 후, DEM 파일을 이용하여 지오코딩을 수행하였다. 그 후, 기준날짜(Master = 20240810)를 선정하고 Fig. 3과 같이 간섭영상을 생성하였다.

Fig. 3.

Examples of Differential Interferograms generated with the Master Image Acquired on 10 August 2024

생성된 간섭영상들은 24년 8월 10일 기준 영상에 대해 Temporal Baseline은 -576일에서 +504일, Perpendicular Baseline은 -379m에서 + 345m 범위로 계산되었다. Fig. 3에서 표현된 20240810-20230112.diff 파일은 기준날짜의 SLC 영상과 20230112 날짜에 해당하는 SLC 데이터의 정합 데이터, 즉 RSLC(Resampled or co-Registered SLC)의 차분 간섭영상(Differential Interferogram)이다. GAMMA 형식 SLC 데이터 변환, 지오코딩 및 정합 과정 수행 이전에 원본 SLC 데이터들이 Slice Number와 totalSlice 정보가 같음을 확인했음에도 불구하고, 20240810-20250501.diff와 같이 오류가 발생하였고, 해당 데이터는 제외한 후 StaMPS를 이용한 PS-InSAR 과정을 수행하였다.

4. PS-InSAR 분석 수행

4.1 StaMPS 기반 PS-InSAR 처리 절차

본 연구에서는 GAMMA 전처리를 통해 생성한 RSLC 데이터를 StaMPS에 입력하여 PS-InSAR 시계열 분석을 수행하였다. StaMPS는 Stanford Method for Persistent Scatterers의 약자로, 안정적인 위상 특성을 갖는 PS 점들을 식별하고, 해당 점들의 변위 신호를 추출하기 위한 C++과 MATLAB 스크립트로 이루어진 오픈소스 소프트웨어이다(Hooper et al., 2018). StaMPS를 수행하기 위한 입력자료는 RSLC, baseline 파일, 기준영상 좌표계의 DEM, Longitude 및 Latitude 파일 등이 필요하다. 해당 파일들은 GAMMA 소프트웨어에서 사전에 준비 가능하다.

StaMPS의 PS-InSAR 프로세스는 Step 1부터 Step 8까지를 각각 Load data, Estimate phase noise, PS selection, PS weeding, Phase correction, Phase unwrapping, Estimate spatially-correlated look angle error(SCLA), Atmospheric filtering으로 구성된다(Hooper et al., 2018). Step 1은 GAMMA 형식의 자료를 MATLAB 형식으로 변환하는 과정이고, Step 2는 각 후보 Pixel에 대해 간섭영상별 위상 잡음을 반복적으로 추정, 제거하여 후보 PS점들의 잡음 특성을 평가한다. Step 3에서는 추정된 잡음 특성에 기반하여 안정적인 PS점들을 선별한다. Step 4에서는 선정된 PS 점 중, 인접 Pixel의 신호 혼입, 높은 위상 잡음 영향을 받는 PS 점을 제거하는데, 이 과정을 PS Weeding이라고하며, 일종의 공간적 중복성을 제거하는 과정으로 이해할 수 있다. Step 5는 DEM 자료를 기반으로 위상 성분을 보정한다. Step 6은 보정된 wrapped 위상을 언래핑하는 과정이며, -𝜋에서 +𝜋 범위로 제한된 위상을 시공간적 연속 위상으로 변환한다. Step 7은 SCLA와 함께 AOE(Atmosphere and Orbit Error) 또한 함께 추정한다. 마지막 Step 8은 대기 위상 성분을 제거한다. 이를 통해 시간적으로 불규칙하고 공간적으로 완만하게 나타나는 대기 지연 성분을 완화하고, 최종 PS점들의 속도장 및 변위 시계열을 산정할 수 있게 된다. Fig. 4는 데이터 취득, GAMMA를 이용한 데이터 전처리, StaMPS를 이용한 PS-InSAR 분석 과정을 나타낸다.

Fig. 4.

Workflow of GAMMA-based preprocessing and StaMPS-based PS-InSAR Analysis

4.2 대상 교량별 PS 분포 및 LOS 변위 시계열 분석

StaMPS의 Step 3~5 과정을 거친 후 최종적으로 남은 PS 점은 약 47만개였으며, Fig. 5는 QGIS를 이용하여 PS 선정 결과를 공간적으로 시각화한 것이다(QGIS Development Team, 2026). 그리고 Fig. 6, 7, 8, 9, 10은 대상 교량들을 확대하여 나타내었다.

Fig. 5.

Study Area, Target Bridges, and selected PS points for PS-InSAR Application over the Han River near Yeouido

Fig. 6.

Selected PS points overlaid on World Cup Bridge (left) and Seongsan Bridge(right)

Fig. 7.

Selected PS points overlaid on Yanghwa Bridge (left) and Dangsan Railway Bridge(right)

Fig. 8.

Selected PS points overlaid on Seogang Bridge (left) and Mapo Bridge(right)

Fig. 9.

Selected PS points overlaid on Wonhyo Bridge (left) and Hangang Railway Bridge(right)

Fig. 10.

Selected PS points overlaid on Hangang Bridge (left) and Dongjak Bridge(right)

Fig. 6, 7, 8, 9, 10 결과를 보면, 당산철교, 한강철교, 그리고 철교를 포함하고 있는 동작대교의 경우 다른 교량들에 비해 많은 PS점들이 도출된 것을 확인할 수 있다. 그에 반해 양화 대교는 중앙 섬지역 근처에서 다소 점들이 도출되었고, 특히 마포대교, 원효 대교의 경우 PS 점이 매우 적게 도출되었다. 이와 같은 결과는 철로가 전파 반사체(Reflector) 역할을 한 것으로 추측되며, 추후 일반 교량들의 경우 PS-InSAR를 이용한 교량 장기 변위 모니터링을 수행하기 위해서는 반사체 설치가 필요할 것으로 판단된다.

다음으로 Fig. 6, 7, 8, 9, 10에서 빨간점으로 표시된 PS 점들에 대해 LOS 시계열 분석을 수행하였다. 대상 점들은 각 교량에서 계절에 따른 경향이 안정적인 점들로, 추후 다른 위치에서도 안정적인 시계열 분석을 위한 방안이 필요할 것으로 판단된다. 선정된 PS점의 계절에 따른 LOS 방향 변위 시계열 분석을 위해 식 (7)과 같이 연주기 곡선을 정의하고 회귀분석을 수행하였다.

식 (7)에서 y는 LOS 변위, c는 초기 변위, v는 년간 변위 변화율(mm/year), A2+B2는 계절 진폭(Amplitude)이다.

Fig. 11, 12, 13, 14, 15, 16, 17, 18, 19, 20에서 산정된 LOS 변위들은 Fig. 5에 별로 표시된 점(126.95°, 37.54°)을 기준점으로 산정되었으며, 대부분 여름에 상승하고 겨울에 하강하는 경향을 보였으나, 마포대교의 선정점의 경우 여름에 하강하는 반대 경향이 관측되었다. 이에 따라 마포대교에 대해서는 Fig. 8에 표시된 파란점에 대해 Fig. 21과 같이 추가 LOS 변위를 확인하였고, 다른 교량들과 같은 경향이 나타남을 확인하였다. 본 연구에서 도출된 시계열들의 경우 대부분 일정하게 상승하는 것이 확인되는데, 이는 기준점 선정에 따라 다소 변경될 수 있으나, Fig. 22에서 표현된 대상 지역의 속도장(Velocity Field)에 따르면 대부분 상승하는 지역이 많은 것으로 확인된다. 이는 추후 같은 데이터를 사용한 다른 PS-InSAR 분석 프로그램과의 결과 비교가 필요하다.

Fig. 11.

LOS Displacement Time Series of the Target PS Point on World Cup Bridge

Fig. 12.

LOS Displacement Time Series of the Target PS Point on Seongsan Bridge

Fig. 13.

LOS Displacement Time Series of the Target PS Point on Yanghwa Bridge

Fig. 14.

LOS Displacement Time Series of the Target PS Point on Dangsan Railway Bridge

Fig. 15.

LOS Displacement Time Series of the Target PS Point on Seogang Bridge

Fig. 16.

LOS Displacement Time Series of the Target PS Point on Mapo Bridge

Fig. 17.

LOS Displacement Time Series of the Target PS Point on Wonhyo Bridge

Fig. 18.

LOS Displacement Time Series of the Target PS Point on Hangang Railway Bridge

Fig. 19.

LOS Displacement Time Series of the Target PS Point on Hangang Bridge

Fig. 20.

LOS Displacement Time Series of the Target PS Point on Dongjak Bridge

Fig. 21.

LOS Displacement Time Series of the other Target PS Point on Mapo Bridge

Fig. 22.

LOS Velocity Field of Study Area and Target Bridges

5. 결 론

본 연구는 넓은 지역에 분포한 여러 교량들의 장기 변위 시계열을 원격으로 분석할 수 있는 PS-InSAR 기법의 교량 유지관리 적용가능성을 검토하기 위해 수행되었다. PS-InSAR는 영구 산란체(Permanent Scatterer, PS)를 기준으로 여러 간섭쌍을 이용하여 대상 PS점들의 위상차를 구하는 기법이다. PS-InSAR 수행을 위해 여의도 인근 교량들을 포함하는 연구지역을 선정하였고, 유럽우주국에서 제공하는 2023년~2025년에 해당하는 Sentinel-1 SLC 및 DEM 데이터를 사용하였다. 간섭영상 데이터 생성을 위해 GAMMA 소프트웨어를 이용하였으며, PS-InSAR 분석을 위해서는 StaMPS 오픈소스를 활용하였다. 간섭영상의 PS 선정, 노이즈 제거, 언랩핑, 공간 및 대기 오차 보정 등을 수행하였으며, 여의도 인근 한강 상의 10개 교량에 대해 LOS 방향 변위 시계열을 도출하였다. 도출된 시계열에서는 대부분 여름에 상승하고 겨울에 하강하는 계절에 따른 변화 양상을 확인할 수 있었다.

본 연구는 PS-InSAR의 교량 장기 모니터링 적용가능성을 확인하기 위한 연구로, 기존 촬영된 위상 SAR 데이터로부터 계절에 따른 교량 거동 변화 양상을 확인할 수 있었음에 의의가 있다. 하지만, 실제 적용을 위해서는 다음과 같은 후속 연구가 필수적이다. 첫번째로 해석 결과의 비교･검증이 필요하다. 하지만 한강 상 교량들에 대해 다년간 장기 처짐을 계측한 데이터는 없기 때문에, 다른 PS-InSAR 프로그램 분석 결과와의 비교를 통해 일관된 결과가 도출되는지 확인이 필요하다. 두번째로 결과 양상의 일관성 확인 이후, LOS 변위가 아닌 실제 수직 처짐 변위를 산정하여야 한다. 이를 위해서는 본 연구에서 사용한 ASC(Ascending) 데이터와 더불어 DEC(Descending) 데이터 기반 PS-InSAR 분석 결과가 필요하다. 다른 두 방향 데이터를 사용한 LOS 분석 결과를 통해 수직 방향 성분을 추정할 수 있으며, 이는 우리가 필요로 하는 교량의 처짐 거동을 나타낼 수 있다. 마지막으로, 교량 구성요소 및 건설 형식에 따라 거동이 상이할 수 있기 때문에 열팽창 거동, 신축, 이음 등 교량 정보를 반영하여 SAR 데이터에만 의존한 시계열 처짐 변위를 가공하는 과정이 필요하다. 이는 선행연구에서 이미 그 중요성이 파악된 바 있다(Jung et al., 2019).

언급된 세가지 외에도, 대기환경의 불확실성으로 인한 보정의 적절성, ASC 및 DEC 기반 PS-InSAR 분석의 동일 대상에 대한 결과 확보를 위한 보간 문제 등이 남아있다. 하지만, PS-InSAR 분석의 목적은 현장 정밀 계측을 대체하는 것이 아닌, 단일 위성 영상을 통해 넓은 지역에 분포된 여러 교량들의 거동 양상을 장기적으로 모니터링하여 정밀 계측 및 보수･보강 우선순위를 도출하는 것이다. 따라서, 적절 수준 이상의 분석 정확도와 신뢰성이 확보될 경우 PS-InSAR는 기존 현장 유지관리의 인력부족 한계를 보완하고, 다수 교량을 대상으로 한 비용 효율적 및 선제적 유지관리 체계를 구축할 수 있을 것으로 기대된다.