Google AlphaEarth, 관측 데이터를 활용한 전 세계 매핑

2025년 7월 30일 공개된 AlphaEarth Foundations는 Google DeepMind가 개발한 지리공간 파운데이션 모델입니다. 최근 Google AI 소식의 주요 성과 중 하나로, 전 세계 지구 관측 데이터를 더 빠르고 명확하며 안정적으로 처리할 수 있도록 설계되었습니다.

AlphaEarth Foundations는 위성 영상, 레이더, LiDAR(거리 측정 및 탐지), 고도 모델, 기후 시뮬레이션에서 수십억 개의 데이터 포인트를 학습합니다. 이러한 다양한 입력을 활용해 지구 전체를 매년 10미터 해상도로 보여주는 뷰를 생성합니다.

간단히 말해, 이는 관측이 어려운 지역에서도 지표면을 명확하고 일관된 지도로 표현할 수 있다는 의미입니다. 따라서 토지, 수자원, 기후의 변화를 더 쉽게 식별하고 시간에 따라 추적할 수 있습니다. 이러한 스냅샷은 이제 Google의 지리공간 데이터 클라우드 플랫폼인 Google Earth Engine을 통해 이용할 수 있습니다.

이 글에서는 AlphaEarth Foundations가 Google Earth Engine에서 AI를 활용해 실제 지구 관측 프로젝트를 지원하는 방식을 살펴보겠습니다.

AlphaEarth: 지구 관측을 위한 Google의 새로운 AI 모델#

AlphaEarth Foundations는 연속적이고 동적인 시스템을 통해 지구를 이해하는 새로운 방식을 제공합니다. 새로운 AI 모델은 각 이미지를 개별적으로 보는 대신, 공간과 시간 전반에 걸쳐 지표면을 통합적이고 구조화된 형태로 표현합니다.

이러한 뷰를 생성하기 위해 위성 이미지, 고도 지도, 기후 모델, 생물다양성 보고서 등 다양한 소스를 활용합니다. 이를 통해 환경 변화를 포착하고 그 원인을 분석할 수 있습니다.

특히 AlphaEarth는 지구의 지형이 수년에 걸쳐 어떻게 변화하는지 보여줄 수 있습니다. 이러한 스냅샷은 임베딩을 사용해 생성되며, 임베딩은 모델이 각 위치에 대해 학습한 내용을 압축적으로 요약한 것입니다.

그림 1. Google의 AI 모델은 수치 임베딩을 사용해 지표면을 매핑합니다. (출처)

이러한 임베딩 모음은 Google Earth Engine의 Satellite Embedding 데이터셋을 통해 이용할 수 있습니다. 이미 산불 대응, 도시 계획, 토지 모니터링 등의 분야에서 사용되고 있습니다. 이를 통해 연구자와 의사 결정자는 위성 데이터를 유용한 인사이트로 전환할 수 있습니다.

AI와 기후: AlphaEarth의 중요성#

AlphaEarth Foundations의 주요 이점은 지구의 장기적인 변화를 더 쉽게 연구할 수 있도록 한다는 점입니다. 데이터가 누락되었거나 구름이 위성 관측을 자주 가리는 까다로운 지역에서도 효과적으로 작동합니다. 예를 들어 구름이 항상 문제인 아마존 열대우림에서도 AlphaEarth는 전 세계의 패턴을 학습해 토지 변화를 포착할 수 있습니다.

벤치마크 테스트에서 오분류 오류를 거의 24% 줄였으며, 임베딩당 필요한 스토리지를 16배 적게 사용했습니다. 흥미롭게도 이 새로운 AI 모델은 애플리케이션마다 재학습할 필요가 없습니다.

다양한 지역과 과제에 걸쳐 효율적이고 유연하게 사용할 수 있습니다. AlphaEarth가 범용 임베딩을 생성하기 때문입니다. 범용 임베딩은 각 위치를 작고 정보가 풍부하게 요약한 표현으로, 전체 모델을 다시 구축하지 않고도 다양한 분석에 직접 사용할 수 있습니다.

현재까지 새로운 Google Earth AI 모델은 열대림, 북극 지역, 확장 중인 도시를 포함해 100개가 넘는 국가에서 토지 변화를 모니터링하는 데 사용되었습니다. 이러한 인사이트는 더 스마트한 계획 수립과 더욱 정확한 기후 관련 의사 결정을 지원하는 데 활용되고 있습니다.

그림 2. Google의 새로운 AI 모델을 활용한 전 세계 패턴 시각화. (출처)

AlphaEarth가 지구 관측에 컴퓨터 비전을 활용하는 방식#

위성 이미지는 지표면을 상세하게 포착하는 데 사용할 수 있지만, 이러한 이미지를 의미 있는 인사이트로 전환하는 일이 항상 간단한 것은 아닙니다. AlphaEarth Foundations는 기계가 시각 정보를 해석할 수 있도록 하는 AI 분야인 컴퓨터 비전을 사용해 토지, 식생, 지형 전반의 패턴을 탐지하고 분석합니다.

다음은 이 모델이 지구 관측에 다양한 컴퓨터 비전 작업을 적용하는 방식입니다:

• 이미지 분류: AlphaEarth는 위성 영상에서 산림, 농경지, 습지, 도시 지역과 같은 토지 유형을 식별합니다. 이러한 분류는 기후 모니터링, 생태 연구, 토지 이용 계획을 지원합니다.
• 세그멘테이션: 주제도 작성이라고도 하는 세그멘테이션은 위성 이미지의 각 픽셀에 작물 유형이나 식생 피복과 같은 범주를 지정합니다. AlphaEarth는 연간 임베딩을 사용해 지역 전반에서 높은 정확도를 유지하므로 토지 이용, 토지 피복, 생물다양성을 세밀하게 매핑할 수 있습니다.
• 변화 탐지: 동일한 위치의 연간 임베딩을 비교해 삼림 벌채, 산불 피해, 도시 확장과 같은 토지 이용 및 토지 피복의 변화를 탐지할 수 있습니다. 라벨이 지정된 예제에서 학습하는 지도 학습 방식과 라벨 없이 패턴을 찾는 비지도 학습 방식을 모두 지원합니다.
• 비지도 클러스터링: 라벨이 지정된 데이터를 사용하지 않고도 AlphaEarth는 위성 이미지에서 유사한 패턴을 보이는 지역을 그룹화할 수 있습니다. 이를 통해 새롭게 연구되는 지역이나 연구가 부족한 지역에서 식생 변화나 기후 이상과 같은 추세를 탐지할 수 있습니다. 라벨 데이터가 제한적이거나 누락된 경우 특히 효과적입니다.

그림 3. Google의 최신 혁신인 AlphaEarth에 AI를 활용해 2023년 지구 환경을 이해하는 모습입니다. (출처)

Google의 새로운 AI 모델의 실제 활용 사례#

Google의 새로운 지구 관측 기술에 적용된 AI의 작동 방식을 더 잘 이해했으므로, AlphaEarth Foundations의 실제 활용 사례를 살펴보겠습니다.

더 친환경적인 미국 도시를 위한 Google Earth의 AI 이니셔티브#

미국 전역에서 도시는 열을 줄이고 오염을 흡수하며 공중 보건을 개선하기 위해 도시 숲을 확대하고 있습니다. 하지만 나무가 정확히 어디에 있고 어디에 없는지 파악하는 일은 어려울 수 있습니다. 밀집된 주거 지역과 좁은 거리에서는 위성 이미지나 기존 조사에서 녹지가 포착되지 않는 경우가 많습니다.

하지만 AlphaEarth는 위성, 고도, 환경 데이터를 활용해 나무 피복을 세밀하게 매핑합니다. 이 새로운 Google AI 모델을 테스트하기 위해 연구자들은 iNaturalist의 나무 기록 45,000건 이상을 사용했습니다.

연구자들은 알래스카와 하와이를 포함한 미국 전역에서 발견되는 39개의 흔한 나무 속(서로 밀접하게 관련된 종의 집단)에 초점을 맞췄습니다. 데이터를 정제한 후 학습 세트와 테스트 세트로 나누었으며, 각 속에서 300개 샘플을 학습에 사용하고 나머지는 테스트에 사용했습니다.

이 모델은 위성, 고도, 환경 데이터에서 나무 피복을 정확하게 매핑해 기존 조사의 공백을 메울 수 있음을 보여주었습니다. 이러한 인사이트는 디트로이트, 뉴욕, 피닉스와 같은 도시가 나무를 심고 지역을 냉각하며 지역 생물다양성을 지원할 장소에 대해 더 나은 결정을 내리는 데 도움이 될 수 있습니다.

지구 관측 위성으로 구현하는 더 스마트한 작물 매핑#

캐나다의 작물 인벤토리는 특히 작물 보험 기록이 없는 지역에서 현장 수준의 관측에 크게 의존합니다(농업 보험 프로그램을 위해 수집되는 작물 유형, 위치, 재배 면적에 대한 공식 보고서). 이동 중인 차량에서 수행되는 경우가 많은 이러한 차창 조사는 곡물, 유지작물, 과일, 사료작물과 같은 주요 작물을 추적하는 데 사용됩니다.

하지만 일부 작물 유형이 다른 유형보다 더 자주 기록되기 때문에 데이터가 고르지 않고 신뢰할 수 있는 대규모 지도로 변환하기 어려울 수 있습니다. AlphaEarth는 이러한 문제를 해결하기 위해 지구 관측 위성 데이터를 기반으로 상위 수준 및 세밀한 작물 분류를 모두 지원할 수 있습니다.

작물을 곡물이나 유지작물과 같은 광범위한 범주로 그룹화할 수 있습니다. 상세한 조사 데이터가 있는 지역에서는 봄밀, 옥수수, 알팔파와 같은 구체적인 유형도 식별할 수 있습니다. 이러한 2단계 접근 방식은 범위와 세부 정보 사이의 균형을 유지해 캐나다 전역에서 무엇이 재배되고 있는지 더 명확하게 보여줍니다.

그림 4. Google AlphaEarth는 캐나다의 작물 분류를 지원합니다. (출처)

Google Earth 기술에 적용된 AI로 전 세계 지형 탐색하기#

남극은 극한의 날씨, 지속적인 적설, 제한적인 위성 관측으로 인해 지구에서 지도를 제작하기 가장 어려운 장소 중 하나입니다. 이로 인해 빙하와 노출된 암석, 그리고 시간이 지남에 따라 지형이 어떻게 변화하는지에 대한 이해에 공백이 생깁니다.

AlphaEarth는 위성 이미지에 레이더 및 고도 데이터를 결합해 관측이 제한적인 지역에서도 남극의 일관된 연간 지도를 생성합니다. 누락된 세부 정보를 보완하고 10미터 해상도의 지형 지도를 생성해 연구자들이 빙하, 지표 질감, 눈으로 덮인 지형을 더 정확하게 추적할 수 있도록 지원합니다.

새로운 AI 모델 AlphaEarth의 장단점#

새로운 AI 모델인 AlphaEarth Foundations가 지구 관측 및 도시 계획 애플리케이션에 제공하는 주요 이점은 다음과 같습니다.

• 다용도성: AlphaEarth는 별도의 모델 없이 농업, 도시 계획, 재난 대응 등 여러 분야에서 사용할 수 있습니다.
• 데이터 공백 보완: 이 새로운 Google AI 모델은 위성 입력이 불완전한 경우에도 연간 요약을 생성해 시계열 분석의 연속성을 유지하는 데 도움을 줍니다.
• AI 활용에 적합한 출력: 작물 모니터, 홍수 탐지기, 토지 이용 분류기와 같은 도구에 직접 입력할 수 있는 임베딩을 생성하므로 연구자와 개발자의 시간을 절약할 수 있습니다.

AlphaEarth는 다양한 분야에서 안정적인 지원을 제공하지만, 다음과 같은 몇 가지 제한 사항을 고려해야 합니다.

• 실시간 아님: AlphaEarth의 연간 임베딩은 매일 또는 거의 실시간에 가까운 모니터링이 필요한 애플리케이션에는 적합하지 않습니다.
• 입력 품질에 의존: 공백을 보완하더라도 모델은 여전히 위성, 레이더 및 기타 입력 데이터 소스의 품질과 가용성에 의존합니다.
• 제한적인 해석 가능성: 대부분의 딥러닝 모델과 마찬가지로 AlphaEarth가 특정 패턴이나 예측에 도달하는 정확한 과정을 해석하기 어려울 수 있습니다.

핵심 요점#

AlphaEarth Foundation은 연구자, 계획 수립자, 정책 입안자가 새로운 방식으로 지구를 바라볼 수 있도록 지원하고 있습니다. Google의 새로운 AI 모델은 원시 위성 입력을 구조화되고 신뢰할 수 있는 정보로 전환해 기후 과학, 농업, 도시 개발과 같은 분야에서 더 나은 의사 결정을 지원할 수 있습니다. 지구 관측을 발전시킴으로써 시간이 지남에 따른 지구의 변화를 더 쉽게 모니터링하고 이해할 수 있도록 합니다.

커뮤니티에 참여하고 GitHub 저장소에서 AI 혁신을 살펴보세요. 솔루션 페이지에서 농업 분야의 AI와 헬스케어 분야의 컴퓨터 비전에 대해 알아보세요. 라이선스 요금제를 확인하고 지금 AI를 시작해 보세요!