2025년 7월 30일에 출시된 알파어스 파운데이션은 구글 딥마인드에서 개발한 지리공간 기반 모델입니다. 최근 Google AI 뉴스의 하이라이트 중 하나로, 전 세계 지구 관측 데이터로 더 빠르고 명확하고 안정적으로 작업할 수 있도록 만들어졌습니다.
알파어스 파운데이션은 위성 이미지, 레이더, LiDAR(빛 감지 및 거리 측정), 고도 모델, 기후 시뮬레이션에서 얻은 수십억 개의 데이터 포인트를 학습합니다. 이 광범위한 입력을 사용하여 매년 지구의 10미터 해상도 뷰를 생성합니다.
간단히 말해, 잘 보이지 않는 지역에서도 지구 표면의 선명하고 일관된 지도를 생성할 수 있으므로 토지, 물, 기후의 변화를 시간에 따라 더 쉽게 발견하고 추적할 수 있습니다. 이러한 스냅샷은 이제 Google의 지리공간 데이터용 클라우드 플랫폼인 Google 어스 엔진을 통해 사용할 수 있습니다.
이 글에서는 AlphaEarth 재단이 Google 어스 엔진용 AI를 사용하여 실제 지구 관측 프로젝트를 지원하는 방법을 살펴봅니다.
알파어스 파운데이션은 지속적이고 역동적인 시스템을 통해 지구를 이해하는 새로운 방법을 제공합니다. 새로운 AI 모델은 각 이미지를 개별적으로 보는 대신 공간과 시간을 아우르는 통합적이고 구조화된 지구 표면의 그림을 구축합니다.
이 보기를 만들기 위해 위성 이미지, 고도 지도, 기후 모델, 생물 다양성에 관한 보고서 등 다양한 출처에서 정보를 얻습니다. 이를 통해 환경의 변화를 파악하고 그 원인을 분석하는 데 도움이 됩니다.
특히, 알파어스는 수년에 걸쳐 지구의 풍경이 어떻게 변화하고 있는지 보여줄 수 있습니다. 이러한 스냅샷은 모델이 각 위치에 대해 학습한 내용을 간결하게 요약한 임베딩을 사용하여 구축됩니다.
이러한 임베딩의 모음은 Google 어스 엔진의 위성 임베딩 데이터 세트를 통해 확인할 수 있습니다. 이미 산불 대응, 도시 계획, 토지 모니터링 등의 분야에서 활용되고 있습니다. 이를 통해 연구자와 의사 결정권자는 위성 데이터를 유용한 인사이트로 전환할 수 있습니다.
알파어스 파운데이션의 주요 장점은 지구의 장기적인 변화를 더 쉽게 연구할 수 있다는 점입니다. 데이터가 누락되거나 구름이 위성 화면을 자주 가리는 까다로운 지역에서도 잘 작동합니다. 예를 들어, 구름이 지속적으로 문제가 되는 아마존 열대우림에서도 AlphaEarth는 전 세계의 패턴을 학습하여 토지 변화를 파악할 수 있습니다.
벤치마크 테스트에서 오분류 오류는 24% 가까이 줄었고 임베딩당 필요한 저장 공간은 16배나 감소했습니다. 흥미로운 점은 이 새로운 AI 모델을 모든 애플리케이션에 대해 재학습할 필요가 없다는 점입니다.
다양한 지역과 과제에 걸쳐 효율적이고 적응력이 뛰어납니다. 이는 AlphaEarth가 전체 모델을 재구축하지 않고도 다양한 유형의 분석에 바로 사용할 수 있는 범용 임베딩, 각 위치에 대한 간결하고 정보가 풍부한 요약을 생성하기 때문입니다.
지금까지 새로운 Google 어스 AI 모델은 열대림, 북극 지역, 확장하는 도시 등 100개 이상의 국가에서 토지 변화를 모니터링하는 데 사용되었습니다. 이러한 인사이트는 보다 현명한 계획과 정보에 입각한 기후 결정을 지원하는 데 활용되고 있습니다.
위성 이미지를 사용하여 지구 표면의 상세한 모습을 포착할 수는 있지만, 이러한 이미지를 의미 있는 인사이트로 전환하는 것이 항상 간단한 것은 아닙니다. 알파어스 파운데이션은 기계가 시각 정보를 해석할 수 있도록 하는 AI의 한 분야인 컴퓨터 비전을 사용하여 토지, 초목, 지형 전반의 패턴을 감지하고 분석합니다.
이 모델이 지구 관측에 다양한 컴퓨터 비전 작업을 적용하는 방법은 다음과 같습니다:
Google의 새로운 지구 관측 기술용 AI가 어떻게 작동하는지에 대한 이해를 바탕으로 AlphaEarth 재단의 실제 적용 사례를 살펴보세요.
미국 전역에서 도시들은 열을 줄이고, 오염을 흡수하며, 공중 보건을 증진하기 위해 도시 숲을 조성하고 있습니다. 하지만 나무가 있는 곳과 없는 곳을 정확히 찾아내는 것은 쉽지 않은 일입니다. 밀집된 지역과 좁은 거리에서는 위성 이미지나 기존 조사에서 녹지가 감지되지 않는 경우가 많습니다.
하지만 AlphaEarth는 위성, 고도, 환경 데이터를 사용해 나무의 피복을 세밀하게 매핑합니다. 이 새로운 AI Google 모델을 테스트하기 위해 연구원들은 iNaturalist의 45,000개 이상의 나무 기록을 사용했습니다.
알래스카와 하와이를 포함한 미국의 모든 주에서 발견되는 39개의 일반적인 나무 속(밀접하게 관련된 종의 그룹)에 초점을 맞췄습니다. 데이터를 정리하여 학습용과 테스트용으로 나누어 각 속당 300개의 샘플을 학습용으로, 나머지는 테스트용으로 사용했습니다.
이 모델은 위성, 고도 및 환경 데이터로부터 나무의 피복도를 정확하게 매핑하여 기존 조사의 공백을 메울 수 있음을 보여줍니다. 이러한 인사이트는 디트로이트, 뉴욕, 피닉스 같은 도시에서 나무를 심고, 동네를 시원하게 만들고, 지역 생물 다양성을 지원하는 데 더 나은 결정을 내리는 데 도움이 될 수 있습니다.
캐나다의 작물 재고는 특히 작물 보험 기록(농업 보험 프로그램을 위해 수집된 작물 유형, 위치, 면적에 대한 공식 보고서)이 없는 지역의 경우 현장 관찰에 크게 의존합니다. 이동 중인 차량에서 실시하는 이러한 윈드실드 조사는 곡물, 유지 종자, 과일, 사료와 같은 주요 작물을 추적하는 데 사용됩니다.
그러나 일부 작물 유형은 다른 작물 유형보다 더 자주 기록되기 때문에 데이터가 고르지 않고 신뢰할 수 있는 대규모 지도로 변환하기 어려울 수 있습니다. 이러한 문제를 해결하기 위해 AlphaEarth는 지구 관측 위성의 데이터를 기반으로 높은 수준의 세분화된 작물 분류를 모두 지원할 수 있습니다.
곡물이나 유지 종자와 같은 광범위한 카테고리로 작물을 그룹화할 수 있습니다. 자세한 조사 데이터가 있는 지역에서는 봄 밀, 옥수수, 알팔파 등 특정 유형을 식별할 수도 있습니다. 이 두 가지 수준의 접근 방식은 커버리지와 세부 사항의 균형을 유지하여 캐나다 전역에서 무엇이 재배되고 있는지에 대한 명확한 그림을 제공합니다.
Google 어스 기술용 AI로 전 세계 지형 탐험하기
남극은 극한의 날씨, 지속적인 눈 덮임, 제한된 위성 가시거리로 인해 지구상에서 지도를 제작하기 가장 어려운 곳 중 하나입니다. 이로 인해 빙하, 노출된 암석, 시간이 지남에 따라 지형이 어떻게 변화하는지에 대한 이해에 공백이 생깁니다.
알파어스는 위성 이미지와 레이더 및 고도 데이터를 결합하여 가시성이 제한된 지역에서도 매년 남극의 일관된 지도를 생성합니다. 누락된 세부 정보를 채우고 10미터 해상도의 지형도를 생성하여 연구자들이 빙하, 표면 질감, 눈 덮인 땅을 더 정확하게 추적할 수 있도록 도와줍니다.
다음은 지구 관측 및 도시 계획 애플리케이션에 새로운 AI 모델인 AlphaEarth 파운데이션이 제공하는 몇 가지 주요 이점입니다:
AlphaEarth는 다양한 도메인에서 안정적인 지원을 제공하지만 몇 가지 제한 사항을 염두에 두어야 합니다:
알파어스 재단은 연구자, 기획자, 정책 입안자들이 새로운 방식으로 지구를 바라볼 수 있도록 돕고 있습니다. Google의 새로운 AI 모델은 원시 위성 입력을 기후 과학, 농업, 도시 개발과 같은 분야에서 더 나은 의사 결정을 지원하는 구조화되고 신뢰할 수 있는 정보로 변환할 수 있습니다. 지구 관측을 발전시킴으로써 시간에 따른 지구의 변화를 더 쉽게 모니터링하고 이해할 수 있게 되었습니다.
커뮤니티에 가입하고 GitHub 리포지토리에서 AI 혁신을 살펴보세요. 솔루션 페이지를 통해 농업 분야의 AI와 의료 분야의 컴퓨터 비전에 대해 알아보세요. 라이선스 플랜을 확인하고 지금 바로 AI를 시작하세요!
.webp)