Ⅰ. 서 론
국내 항공통계(한국항공협회, 2021)에 따르면, 2021년 3월부터 8월까지 항공교통 운항 편수는 코로나 19로 인하여 하늘길이 폐쇄되어 있었던 지난해 동기 대비 39.9% 증가하였다. 포스트-코로나 시대가 도래함에 따라 국내 및 국제 항공교통수요가 회복세에 접어들었으며, 지속적으로 증가하는 항공교통량에 대한 대응책이 요구되고 있다. 우리나라의 경우, 인천 비행정보구역(Flight Information Region, FIR) 내 위치한 군작전공역(Military Operation Area, MOA)으로 인하여 국제항공운송사업자가 사용할 수 있는 공역이 매우 한정되어 있다. 항공기가 활용할 수 있는 공역의 크기가 제한되면 항공기간 공중충돌 위험(TCAS RA 등), 고도·경로 이탈, 분리최저치 미확보 등 공중에서 비행 중인 항공기의 안전문제가 야기될 수 있다.
이에 과거 연구에서는 무인항공기의 안전한 운용을 위해 제안된 Detect and avoid Well Clear(DWC) 지표(RTCA, 2017)를 기반으로 항공기 간 공중충돌위험 위험도를 계산하는 모형을 개발하였다(이현웅 외, 2017). 해당 모형은 항공기의 궤적 데이터인 Automatic Dependent Surveillance Broadcast(ADS-B) 데이터를 기반으로 항공기간 수평·수직 거리 및 속도, 방위각 등 특정 매개변수를 계산하여 항공기간 공중충돌 위험도를 계산하는 모형이다. 기존 연구에서는 DWC 기반 공중충돌위험 식별 모형이 실제 관제사가 느끼는 공중충돌 위험도와 상관성이 높다는 점을 밝혔다(이현웅 외, 2018). 또 다른 연구에서는 해당 모형을 기반으로 실제 2016년부터 2019년까지 3년간 인천 비행정보구역을 비행한 항공기의 항적 데이터 중 수신 품질이 좋고 교통량이 많은 일자(100일)를 추출하여 서울 접근관제구역에서의 공중충돌위험도를 분석하였다(이학태 외, 2020). 하지만 해당 모형을 통해 산출한 공중충돌위험 식별결과를 검증하는 연구는 아직 이루어진 바가 없으며, 추후 해당 모형을 실용화하기 위해서는 모형의 위험도 식별 성능 및 유효성 등을 검증하는 과정이 필요하다.
이에 본 연구에서는 항공안전 의무보고서, 항공기 궤적 데이터(ADS-B) 등 항공안전 데이터1)를 기반으로 해당 모형의 공중충돌위험 식별 성능을 검증하였다. 또한, 모형에 사용된 매개 변수의 임계치(threshold)를 수정하여 모형의 위험식별 성능을 향상하고자 하였다.
Ⅱ. 본 론
항공안전 의무보고서는 항공기간 분리최저치 미확보 등 항공기 사고, 준사고 및 항공안전장애가 발생하였거나 발생한 사실을 알았을 때, 관련 종사자가 작성하여 제출한 보고서이다. 해당 보고서에는 사건 경위 및 발생원인 등이 포함되어 있으며, 항공안전법에 따라 데이터를 수집 · 관리하는 기관(국토교통부, 항공안전기술원 등) 외 다른 기관으로 반출이 금지된 보안 데이터이다. 본 연구에서는 ‘DWC 기반 공중충돌위험 식별 모형 성능 검증’만을 목적으로 해당 데이터를 활용하였으며, 보안상의 지침을 준수하기 위해 본 논문에서는 보고자 이름, 항공편명, 등록부호, 사건 발생 건수 등 민감정보는 비공개한다.
항공안전 의무보고서의 경우, Fig. 1에 나타난 바와 같이 보고 구분, 분야 구분, 발생단계, 기상, 사업자의 종류 등 보고자가 정해진 항목에서 특정 항목을 선택하는 문항이 있다. 반면, 발생유형, 호출부호, 등록기호, 발생개요 등과 같이 보고자가 직접 사건에 관한 내용을 서술하는 문항도 존재하며, 서면보고양식뿐만 아니라 E-SKY 포털을 통한 전자보고양식도 존재한다.
본 연구에서 검증하는 모형의 경우, 2019년 인천 비행정보구역을 통과(passing)한 항공기의 항적 데이터를 기반으로 구축한 모형이다. 따라서 항공안전 의무보고서 중 동일 기간 인천 비행정보구역 내에서 발생한 항공안전장애 중 ‘항공기간 분리최저치가 미확보되었거나 확보되지 않을 우려가 있었던 경우(항공안전법 시행규칙 별표20의 2 중 1. 가. 항목에 해당)’를 추출하여 모형의 성능검증을 수행하였다. 항공안전 의무보고서 DB로부터 추출한 항공안전 의무보고 데이터의 구조는 Table 1과 같은 형태이며, 각 항공편에 대한 사건 발생시간, 항공편명, 해당 항공기 등록부호, 비행위치 및 발생개요를 포함한다. 비행위치와 발생개요의 경우, 정해진 작성 양식이 없으므로 보고자가 자유롭게 사건 발생 위치 및 사건의 경위에 관해 작성한 서술식(narrative) 데이터이다.
DWC 지표 기반 공중충돌위험 식별 모형의 산출물과 의무보고서에 따른 실제 결과를 비교 · 분석하기 위해서는 의무보고서에 따른 실제 사건의 발생 위치 및 양 항공기(pair)에 관한 정보가 필요하다. 따라서 사건 발생 위치(위도, 경도)의 경우, 보고자가 작성한 ‘비행 위치’를 참조하거나, ‘비행 위치’만으로 정확한 위치를 파악하는 것이 어려운 경우에는 발생개요에 포함된 내용을 참고하여 사건 발생 위치를 추정하였다. 또한, 발생개요에 포함된 ‘항공편명’ 또는 ‘등록부호’ 및 ‘군용기’ 등 키워드를 기반으로 상대 항공기(intruder)에 대한 정보를 추정하였다.
RTCA(Radio Technical Commission for Aeronautics)는 유인 항공기와 무인 항공기 간 안전한 통합 운용을 위하여 DWC 지표에 관한 기준(Detect And Avoid Minimum Operational Performance Standards, DAA MOPS)을 수립하였다(RTCA, 2017). DWC 지표는 TCAS(Traffic Collision Avoidance System)에서 사용하는 개념과 유사한 방식으로 무인 항공기의 공중충돌 위험도를 정량적으로 계산한 지표이다. DWC 지표는 본래 무인 항공기의 공중충돌을 방지하기 위해 개발되었으나, 선행 연구에서는 해당 지표가 관제사가 느끼는 위험도와 상관관계가 높으며, 이를 유인 항공기 항적 데이터에 적용하여 그 유효성을 입증하였다(이현웅 외, 2018). 본 연구에서도 해당 지표를 국제운송사업용 항공기 등 유인 항공기에 적용하였으며, 2019년 1월부터 12월까지 인천 비행정보구역 내를 통과한 항공기의 항적 데이터를 사용여 구축한 DWC 기반 항공기 공중충돌위험 식별 모형의 성능을 검증하였다.
기존 연구에서 제안한 DWC 기반 항공기 공중충돌위험 식별 모형은 특정 항적의 위치(위도, 경도), 고도 등을 입력 변수로 하며, Fig. 2에 나타난 바와 같이 수평면 분리 기준치 위반으로부터 남은 시간을 의미하는 modified tau(τmod), 수평면 분리 기준치 위반으로부터 남은 거리를 의미하는 horizontal miss distance(HMD), 수직면 분리 기준치인 vertical separation(dh)를 기준으로 공중충돌 위험도를 4가지 단계의 경보(preventive alert, corrective alert, warning alert, loss of well clear)로 계산한다.
DWC 지표 산출을 위해 사용되는 매개변수들은 식 (1)-(6)을 통해 계산되며, 각 매개변수에 따른 DWC 지표 산출 기준은 Table 2 및 Table 3과 같다. Table 3에서 DWC phase 1은 초기에 정의된 DWC 지표로, 일반적인 비행 공역이나 항로상 순항 중인 항공기들을 대상으로 하는 지표이다. 반면 DWC phase 2의 경우, 접근 관제 공역에서 비행 중인 항공기들을 대상으로 하며, phase 1 경보가 지나치게 자주 울린다는 점을 개선하기 위하여 기존보다 더 완화된 기준을 적용한 지표이다(RTCA, 2020). DWC 지표 산출에 사용되는 매개변수 중 τmod의 경우 아래 식 (1)과 같이 계산한다.
| 매개변수 임계치 (Thresholds) | 제한조건 (Constraint) |
|---|---|
| τ*mod (Modified Tau Threshold) | 0 ≤ τmod ≤ τ*mod |
| HMD* (Horizontal Miss Distance Threshold) | HMD ≤ HMD* |
| d*h (Vertical Separation Threshold) | -d*h ≤ dh ≤ d*h |
여기에서 상대거리(r) 및 상대속도(r)는 아래 식 (2), (3)을 통해 계산되며, vrx와 vry는 x축 및 y축 방향에서의 상대속도를 나타내고, dx, dy는 x, y축에서의 항공기 간 수평거리를 의미하고, DMOD는 항공기간 직선거리를 의미한다.
다음으로, HMD는 아래 식 (4)와 같이 계산한다.
여기에서 두 항공기 사이의 최소 근접거리까지 남은 시간을 의미하는 tCPA는 아래 식 (5)와 같다.
마지막으로 dh는 아래 식 (6)과 같이 계산하며, h1과 h2는 각 항공기의 고도를 의미한다.
기존 연구에서는 DWC 지표를 실제 국내 공역에서 운용되는 항공기 공중충돌위험 식별에 적용하기 위해 요구되는 항공기 탐지(Detect And Avoid, DAA) 센서의 성능을 계산하였다(이현웅 외, 2018). 해당 연구에서는 Table 4에 나타난 바와 같이 수평 방위 각도, 수직 고도 각도, 거리 등 항공기 탐지 센서 운용범위의 임계치(threshold)에 따른 시나리오를 설정하여 공중충돌위험 식별률을 분석하였다. 하지만 가용할 수 있는 데이터의 범위가 한정되어 해당 모형이 식별한 항공기에 실제로 공중충돌위험이 발생하였는지 그 여부를 확인할 수 없었다. 또한, 모형이 식별하지 못한 항공기 중 일부 항공기에는 실제로 공중충돌위험이 발생하였을 수도 있다. 즉, 현재까지 공중충돌위험 식별 모형의 공중충돌위험 식별 성능 또는 식별 정확도에 관한 검증이 이루어지지 않았기 때문에, 해당 모형을 실제 항공기 관제업무나 운항업무에 활용하기 어려운 실정이다.
이에 본 연구에서는 의무보고서, 항공기 항적 데이터 등 실제 항공안전 데이터를 기반으로 해당 모형의 공중충돌 위험식별 성능을 검증하여 모형의 실제 활용 가능성을 높이고자 하였다. 또한, 공중충돌위험 식별 모형을 이용하여 의무보고서상 누락된 상대 항공기에 관한 정보를 추정하여 의무보고서 데이터의 품질을 향상하고자 하였다. 나아가, 모형에서 사용되는 3가지 매개변수(τmod, HMD, dh)의 임계치(threshold)를 조정하여 해당 모형의 위험식별 성능을 개선하고자 하였다.
항공안전 의무보고서의 경우, 보고자가 보고한 항목 중 일부 내용을 미기입하여 관련 정보가 누락된 경우가 다수 존재한다. 또한, 보고자에 따라 항공편명을 작성할 때 ICAO 항공사 코드(3 letter)를 따라 편명을 작성하는 보고자가 존재하는 한편, IATA 항공사 코드(2 letter)를 따라 편명을 작성하는 등 동일 보고항목에 대해 다른 형식으로 해당 항목을 작성한 경우가 존재한다. 이에 본 연구에서는 의무보고서와 항적 데이터 및 모형의 산출물을 비교 · 분석하기 위하여 의무보고서에 포함된 발생시간, 편명, 등록부호 등 기록된 항목 간 형식을 통일하였고, DWC 지표 기반 공중충돌위험 식별 모형을 사용하여 보고서에 누락된 정보를 추정하였다.
항공기 항적 데이터의 경우, Flight Aware(항공편 추적 데이터 플랫폼)를 통해 구매한 ADS-B 데이터를 사용하였다. 2019년 인천 비행정보구역을 비행한 항공기를 연구대상으로 선정하였으며, 데이터의 구조는 Table 5와 같다. 해당 데이터에는 보안상의 이유로 군용기의 항적 데이터가 포함되어 있지 않으며, 본 연구에서도 군용기에 의해 공중충돌위험이 발생한 경우는 연구대상 항공기에서 제외하였다.
TCAS RA 발령 등 공중충돌위험이 발생하는 경우, 특정 이벤트에 2대 이상의 항공기가 관여한다. 모형의 위험식별 성능을 측정하고, 의무보고서상 보고된 내용을 검증하기 위해서는 보고대상 항공기(ownship)에 관한 정보(편명, 등록부호 등)뿐만 아니라, 상대 항공기(intruder)에 관한 정보가 필요하다. 하지만 대부분(94.3%)의 의무보고서에는 상대 항적에 관한 정보가 포함되어 있지 않았다. 이에 본 연구에서는 DWC 지표 기반 공중충돌위험 식별 모형을 기반으로 상대 항공기에 대한 정보를 추정하였다.
기존 DWC 지표 기반 공중충돌위험 식별 모형의 경우, RTCA에서 정의한 최소운항성능기준(Minimum Operation Performance Standards, MOPS)을 기준값으로 매개변수를 설정한다. 해당 모형을 연구대상 항공기들에 적용한 결과, 상대 항공기 정보가 누락된 항공기 중 불과 6.1%에 해당하는 항공기에 대한 상대 항공기 정보만을 식별하였다. 즉, 기존 공중충돌위험 식별 모형은 실제 공중충돌위험이 발생한 사건 중 대부분(93.9%)을 식별하지 못하였다.
이에 본 연구에서는 다음과 같은 방법으로 상대 항공기에 대한 항적 정보를 추정하였다. 첫째, 상대 항공기에 관한 정보가 누락된 항공편 및 날짜를 추출한다. 둘째, 해당 항공편에 대하여 DWC 지표 기반 공중충돌위험 식별 모형을 적용한다. 이때, 공중충돌위험 식별 시, 매개변수(τmod, HMD, dh)를 점차 증가시키며 상대 항공기 항적을 탐색한다. 각 매개변수의 경우, RTCA에서 정의한 항공기 최소운항성능기준(dh1=450ft, HMD1=4,000ft, τmod1=35sec)을 시작점으로 하여 국제민간항공기구(ICAO) Doc 4444에서 정의한 수평 · 수직 분리 기준치(dh2=1,000ft, HMD2=5NM) 및 TCAS 능동감시주기(τmod2=60sec)까지의 값을 순차적으로 탐색한다. 셋째, 상대 항공기 항적이 1대 이상 탐지되면 탐색을 멈추며, 탐지가 이루어진 시점의 매개변수 값을 기록한다. Fig. 3은 상기 탐색 과정을 그림으로 나타낸 것으로, 대상 항공기(ownship) 주변에 형성된 탐색 범위를 점차 증가시켜 공중충돌위험이 있는 상대 항공기(intruder)의 항적을 찾아내는 과정을 나타낸다.
상대 항공기 항적 정보 추정 결과, Table 6에 나타난 바와 같이 상대 항공기 정보가 누락된 항공기 중 약 69.7%에 해당하는 항공기의 항적 정보를 산출할 수 있었다. 결과적으로, 모형의 매개변수를 조정하여 상대 항공기 항적을 탐지하는 과정을 반복(iteration)함으로써 전체 연구대상 항공기 중 71.4%에 해당하는 항공기의 상대 항공기 정보를 식별할 수 있었다. 의무보고서 특성상 상대 항공기가 군용기였으나 보고자가 관련 내용을 누락하였거나, 보고자가 항공편명 등 일부 내용을 오기입하는 경우 등을 고려하면 상기 식별률은 더 높아질 것으로 추정된다.
| 상대 항공기 항적 정보 식별률 | ||
|---|---|---|
| 매개변수 수정 이전 | 매개변수 수정 이후 | |
| 6.1% | 69.7% | |
대상 항공기와 추정한 상대 항공기 사이에 실제로 공중충돌위험이 발생하였는지를 확인하기 위하여, 산출한 항공기 쌍(pair)의 항적 데이터(ADS-B)를 분석하였다. Fig. 4는 대상 항공기와 추정한 상대 항공기의 궤적(2-d, 3-d) 및 해당 궤적을 기반으로 계산한 항공기 간 분리치를 나타낸다. 항공기 간 분리치를 기반으로 공중충돌위험 발생 여부를 확인한 결과, 산출한 항공기 쌍 모두 그림에 나타난 바와 같이 실제 공중충돌위험이 존재하였던 것을 확인할 수 있었다.
기존 DWC 지표 기반 항공기 공중충돌 위험 식별 모형의 경우, 실제 공중충돌 위험이 발생한 항공기 중 11.4%의 항공기에 대한 공중충돌 위험만을 식별할 수 있었다. 이에 본 연구에서는 해당 모형의 매개변수를 조정하여 공중충돌위험 식별률을 향상시키고자 하였다. 모형의 매개변수를 조정하는 과정은 상기 상대 항공기 항적 정보 추정 과정과 유사하며, 다음과 같은 과정으로 이루어진다.
첫째, 연구대상 항공기에 대해 항공편별로 해당 모형을 적용하여 공중충돌 위험이 있는 상대 항공기 항적을 탐지한다. 이때 모형의 매개변수는 상대 항공기 항적 정보 추정 과정에서 사용한 매개변수와 동일한 범위의 변수를 사용한다. 둘째, 상대 항공기 항적을 최초로 탐지하는 시점에서의 매개변수(τmod, HMD, dh) 값(value)을 기록한다. 항공편별로 상대 항적을 최초로 탐지 시점의 매개변수는 공중충돌 위험식별을 위해 필요한 최소한의 탐지성능을 의미한다. 셋째, 모든 항공편에 대하여 해당 과정을 수행한 후 매개변수별 최대값을 계산한다. 산출한 매개변수의 최대값은 Table 7에 나타난 바와 같으며, DWC 지표 기반 항공기 공중충돌 위험식별 모형에 해당 매개변수를 적용한 결과, Table 8에 나타난 바와 같이 공중충돌 위험 식별률을 71.4%까지 향상시킬 수 있었다. 결과적으로, 기존 모형의 매개변수를 조정함으로써 상대 항적 식별률 및 공중충돌위험 식별률을 Table 9와 같이 개선할 수 있었다.
| 매개변수 | 기존 임계치 | 수정 임계치 (최대값) |
|---|---|---|
| τmod (Modified tau) | 35sec | 50sec (48.9) |
| HMD (Horizontal miss distance) | 4,000ft | 23,000ft (22,685.3) |
| dh (Vertical separation) | 450ft | 1,000ft (1,000) |
| 항공안전 의무보고서 | 비율 | |
|---|---|---|
| 전체 데이터 中 상대 항적 정보 포함 여부 | 포함 | 5.7% |
| 누락 | 94.3% | |
| 누락 데이터 中 상대 항적 식별률 | 고도화 이전 | 6.1% |
| 고도화 이후 | 69.7% | |
| 전체 데이터 中 MAC 위험 식별률 | 고도화 이전 | 11.4% |
| 고도화 이후 | 71.4% | |
Ⅲ. 결 론
항공안전 의무보고서는 보고자가 작성한 내용에 따라 일부 정보가 누락되어 분석 데이터로 활용하기 어려운 경우가 존재한다. 특히 공중충돌위험 발생과 관련된 의무보고서의 경우, 대상 항공기에 대한 정보뿐만 아니라 상대 항공기에 대한 정보를 모두 활용하여 양 항공기 궤적의 형태, 고도 차이, 수평 · 수직 거리 차이 등을 분석할 필요가 있다. 이에 본 연구에서는 DWC 지표 기반 항공기 공중충돌 위험식별 모형을 기반으로 의무보고서에 누락된 상대 항공기에 대한 정보를 추정하고, 해당 항공기 궤적 데이터를 분석하여 실제 공중충돌 위험 발생 여부를 확인하였다.
2019년에 보고된 항공안전 의무보고서(공중충돌위험 발생 건)를 기반으로 기존 DWC 지표 기반 항공기 공중충돌 위험식별 모형의 식별률을 계산한 결과, 전체 항공기 중 11.4%에 해당하는 항공기의 공중충돌 발생 위험을 식별하였다. 본 연구에서는 해당 모형의 공중충돌 발생위험 식별률을 개선하기 위하여 모형의 산출물과 의무보고서를 비교 · 분석하여 모형의 매개변수(τmod, HMD, dh)를 조정하였다. 결과적으로, Table 8에 나타난 바와 같이 식별률을 11.4%에서 71.4%까지 증가시킬 수 있었다.
본 연구에서는 항공안전 의무보고서, 항공기 궤적 데이터(ADS-B) 등 항공안전 데이터와 DWC 지표 기반 항공기 공중충돌 위험식별 모형이 서로 누락된 정보를 추정하고, 모형의 성능을 개선하는 등 부족한 부분을 상호 보완하는 데 사용되었다. 실제 항공안전 데이터를 바탕으로 모형의 유효성을 검증할 수 있었고, 모형을 통해 항공안전 데이터를 보완함으로써 해당 데이터의 활용 가능성을 증대시킬 수 있었다.
