Google AlphaEarth는 글로벌 매핑을 위해 관측 데이터를 사용합니다.

2025년 7월 30일에 발표된 AlphaEarth Foundations는 Google DeepMind에서 개발한 지리 공간 파운데이션 모델입니다. 이는 최근 Google AI 뉴스의 주요 하이라이트 중 하나이며, 전 세계 지구 관측 데이터 작업을 더 빠르고 명확하며 안정적으로 수행할 수 있도록 구축되었습니다.

AlphaEarth Foundations는 satellite imagery, 레이더, LiDAR(라이다), 고도 모델 및 기후 시뮬레이션의 수십억 개 데이터 포인트를 기반으로 학습되었습니다. 이러한 다양한 입력 데이터를 사용하여 지구의 연간 10미터 해상도 뷰를 생성합니다.

간단히 말해, 이는 관측이 어려운 지역에서도 지구 표면의 명확하고 일관된 지도를 생성할 수 있음을 의미하며, 이를 통해 토지, 수자원, climate의 변화를 더 쉽게 파악하고 시간에 따른 추적을 수행할 수 있습니다. 이러한 스냅샷은 현재 지리 공간 데이터용 구글 클라우드 플랫폼인 Google Earth Engine을 통해 제공됩니다.

이 기사에서는 AlphaEarth Foundations가 Google Earth Engine을 위한 AI를 사용하여 실제 지구 관측 프로젝트를 어떻게 지원하는지 살펴보겠습니다.

AlphaEarth: 지구 관측을 위한 Google의 새로운 AI 모델#

AlphaEarth Foundations는 연속적이고 역동적인 시스템을 통해 지구를 이해하는 새로운 방법을 제공합니다. 각 이미지를 별도로 보는 대신, 이 새로운 AI 모델은 공간과 시간에 걸쳐 지구 표면의 통합적이고 구조화된 그림을 구축합니다.

이러한 뷰를 생성하기 위해 위성 이미지, 고도 지도, 기후 모델, 생물 다양성 보고서 등 다양한 소스를 활용합니다. 이는 환경 변화를 포착하고 그 이면의 이유를 분석하는 데 도움이 됩니다.

특히 AlphaEarth는 지구의 풍경이 수년에 걸쳐 어떻게 변화하는지 보여줄 수 있습니다. 이러한 스냅샷은 모델이 각 위치에 대해 학습한 내용을 요약한 압축된 형태인 임베딩을 사용하여 구축됩니다.

그림 1. 구글의 AI 모델은 수치 임베딩을 사용하여 지구 표면을 매핑합니다. (Source)

이러한 임베딩 모음은 Google Earth Engine의 Satellite Embedding dataset을 통해 사용할 수 있습니다. 이들은 이미 wildfire response, 도시 계획, 토지 모니터링 등의 분야에서 활용되고 있습니다. 이는 연구자와 의사결정자가 위성 데이터를 유용한 인사이트로 전환하는 데 도움을 줍니다.

AI와 기후: AlphaEarth의 중요성#

AlphaEarth Foundations의 핵심 장점은 지구의 장기적인 변화 연구를 더 쉽게 만든다는 점입니다. 데이터가 부족하거나 구름이 자주 위성 시야를 가리는 까다로운 지역에서도 잘 작동합니다. 예를 들어, 구름 덮개가 지속적인 문제인 아마존 열대우림에서도 AlphaEarth는 전 세계의 패턴을 학습하여 토지 변화를 여전히 포착할 수 있습니다.

벤치마크 테스트에서 오분류 오류를 거의 24% 줄였으며 임베딩당 필요한 저장 공간도 16배 줄었습니다. 흥미롭게도 이 새로운 AI 모델은 모든 애플리케이션에 대해 재학습할 필요가 없습니다.

이는 효율적이며 다양한 지역과 과제 전반에 걸쳐 적응 가능합니다. AlphaEarth가 각 위치에 대한 정보를 풍부하게 담은 소형 요약본인 범용 임베딩을 생성하며, 이를 전체 모델을 재구축할 필요 없이 다양한 유형의 분석에 직접 사용할 수 있기 때문입니다.

현재까지 새로운 Google Earth AI 모델은 tropical forests, 북극 지역, 팽창하는 도시를 포함한 100개 이상의 국가에서 토지 변화를 모니터링하는 데 사용되었습니다. 이러한 인사이트는 더 현명한 계획 수립과 정보에 기반한 기후 관련 결정을 지원하는 데 활용되고 있습니다.

그림 2. 구글의 새로운 AI 모델로 전 세계 환경 패턴 시각화하기. (Source)

AlphaEarth가 지구 관측을 위해 컴퓨터 비전을 사용하는 방법#

위성 이미지를 사용하면 지구 표면의 상세한 뷰를 포착할 수 있지만, 그러한 이미지를 의미 있는 인사이트로 전환하는 과정이 항상 간단한 것은 아닙니다. AlphaEarth Foundations는 기계가 시각 정보를 해석할 수 있도록 지원하는 AI의 한 분야인 computer vision을 사용하여 토지, 식생, 지형 전반의 패턴을 탐지하고 분석합니다.

이 모델이 지구 관측에 다양한 computer vision tasks을 적용하는 방식은 다음과 같습니다.

• Image classification: AlphaEarth는 위성 Imagery에서 산림, 농경지, 습지, 도시 지역 등의 토지 유형을 식별합니다. 이러한 분류는 기후 모니터링, 생태 연구, 토지 이용 계획을 지원합니다.
• Segmentation: 주제도 제작이라고도 불리는 세그멘테이션은 위성 이미지의 각 픽셀에 작물 유형이나 식생 피복 같은 범주를 라벨링합니다. AlphaEarth는 연간 임베딩을 사용하여 지역 전반에서 높은 정확도를 유지하며, 토지 이용, 토지 피복, 생물 다양성을 위한 정밀한 매핑을 가능하게 합니다.
• 변화 탐지: 동일한 위치의 연간 임베딩을 비교함으로써, AlphaEarth는 deforestation, 산불 영향, 도시 성장 등 토지 이용 및 토지 피복의 변화를 감지할 수 있습니다. 이는 지도 학습(라벨링된 예시로부터 학습)과 비지도 학습(라벨 없이 패턴 찾기) 방식 모두에서 작동합니다.
• 비지도 클러스터링: 라벨링된 데이터를 전혀 사용하지 않고도 AlphaEarth는 위성 이미지에서 유사한 패턴을 보이는 지역을 그룹화할 수 있습니다. 이는 새로운 지역이나 연구가 부족한 지역에서 식생 변화나 기후 이상과 같은 트렌드를 감지하는 데 도움이 됩니다. 특히 라벨링된 데이터가 제한적이거나 없을 때 더욱 영향력이 큽니다.

그림 3. 2023년 지구 환경을 이해하기 위한 구글의 최신 혁신 기술인 AlphaEarth에 AI를 활용한 사례 살펴보기. (Source)

Google의 새로운 AI 모델의 실제 적용 사례#

Google의 새로운 지구 관측 기술을 위한 AI의 작동 방식을 더 잘 이해했으니, 이제 AlphaEarth Foundations의 실제 적용 사례를 살펴보겠습니다.

더 푸른 미국 도시를 위한 Google Earth의 AI 이니셔티브#

미국 전역의 도시들은 열을 낮추고 오염을 흡수하며 공중 보건을 증진하기 위해 도시 숲을 조성하고 있습니다. 하지만 나무가 정확히 어디에 있고 어디에 없는지 찾아내는 것은 어려울 수 있습니다. 밀집된 동네와 좁은 거리에서는 위성 이미지나 전통적인 조사에서 녹지가 감지되지 않는 경우가 많습니다.

그러나 AlphaEarth는 위성, 고도 및 환경 데이터를 사용하여 나무 피복을 세밀하게 매핑합니다. 이 새로운 구글 AI 모델을 테스트하기 위해 researchers는 iNaturalist의 45,000개 이상의 나무 기록을 사용했습니다.

그들은 알래스카와 하와이를 포함한 모든 미국 주에서 발견되는 39개의 일반적인 나무 속(관련 종들의 그룹)에 집중했습니다. 데이터는 정제되어 학습 및 테스트 세트로 분할되었으며, 속당 300개의 샘플이 학습에 사용되었고 나머지는 테스트에 사용되었습니다.

이 모델은 위성, 고도 및 환경 데이터로부터 나무 피복을 정확하게 매핑하여 전통적인 조사가 남긴 공백을 메울 수 있음을 보여주었습니다. 이러한 인사이트는 디트로이트, 뉴욕, 피닉스와 같은 도시가 나무를 심고, 인근 지역을 시원하게 만들며, local biodiversity를 지원할 장소를 결정하는 데 더 나은 결정을 내리도록 도울 수 있습니다.

지구 관측 위성으로 강화된 스마트 작물 매핑#

캐나다의 작물 인벤토리는 현장 수준의 관측에 크게 의존하며, 특히 작물 보험 기록(농업 보험 프로그램을 위해 수집된 작물 유형, 위치 및 면적에 대한 공식 보고서)이 없는 지역에서는 더욱 그렇습니다. 이동하는 차량에서 주로 수행되는 이러한 윈드실드 조사는 곡물, 유료 작물, 과일 및 사료와 같은 주요 작물을 추적하는 데 사용됩니다.

그러나 일부 작물 유형이 다른 것들에 비해 더 자주 기록되기 때문에 데이터가 불균일할 수 있으며 신뢰할 수 있는 대규모 지도로 변환하기 어려울 수 있습니다. 이러한 문제를 해결하기 위해 AlphaEarth는 지구 관측 위성의 데이터를 바탕으로 고수준 및 세밀한 crop classification을 모두 지원할 수 있습니다.

작물을 곡물이나 유료 작물과 같은 광범위한 범주로 그룹화할 수 있습니다. 상세한 조사 데이터를 사용할 수 있는 지역에서는 봄밀, 옥수수 또는 알팔파와 같은 특정 유형을 식별할 수도 있습니다. 이 2단계 접근 방식은 범위와 세부 정보 사이의 균형을 맞추어 캐나다 전역에서 무엇이 재배되고 있는지 더 명확하게 보여줍니다.

그림 4. Google AlphaEarth가 캐나다 전역의 작물 분류를 돕고 있습니다. (Source)

Google Earth 기술을 위한 AI로 지구 지형 탐험#

남극은 극한의 날씨, 지속적인 눈 덮임, 제한된 위성 가시성으로 인해 지구상에서 매핑하기 가장 어려운 곳 중 하나입니다. 이로 인해 빙하, 노출된 암석 및 시간이 지남에 따라 지형이 어떻게 변화하는지에 대한 이해에 공백이 생깁니다.

AlphaEarth는 위성 이미지와 레이더 및 고도 데이터를 결합하여 가시성이 제한된 지역에서도 일관된 남극의 연간 지도를 생성합니다. 누락된 세부 정보를 채우고 10미터 해상도의 지형 지도를 생성하여 연구자들이 빙하, 지표면 질감 및 눈 덮인 토지를 더 정확하게 추적할 수 있도록 돕습니다.

새로운 AI 모델 AlphaEarth의 장단점#

지구 관측 및 도시 계획 애플리케이션을 위해 새로운 AI 모델인 AlphaEarth Foundations가 제공하는 주요 장점은 다음과 같습니다:

• 다재다능함: AlphaEarth는 별도의 모델 없이도 농업, 도시 계획, 재난 대응과 같은 여러 분야에서 사용할 수 있습니다.
• 데이터 공백 보완: 이 새로운 AI Google 모델은 위성 입력이 불완전할 때에도 연간 요약본을 생성하여 시계열 분석의 연속성을 유지하는 데 도움을 줍니다.
• AI 준비 출력: 작물 모니터, 홍수 탐지기 또는 토지 이용 분류기와 같은 도구에 직접 공급될 수 있는 임베딩을 생성하여 연구자와 개발자의 시간을 절약합니다.

AlphaEarth는 다양한 도메인에서 안정적인 지원을 제공하지만, 염두에 두어야 할 몇 가지 제한 사항은 다음과 같습니다:

• 실시간 아님: AlphaEarth의 연간 임베딩은 일일 또는 거의 실시간 모니터링이 필요한 애플리케이션에는 적합하지 않습니다.
• 입력 품질에 의존: 공백을 채우기는 하지만, 이 모델은 여전히 위성, 레이더 및 기타 입력 데이터 소스의 품질과 가용성에 의존합니다.
• 제한된 해석 가능성: 대부분의 deep learning 모델과 마찬가지로, AlphaEarth가 특정 패턴이나 예측에 도달하는 방식을 정확히 해석하는 것은 어려울 수 있습니다.

핵심 요약#

AlphaEarth Foundation은 연구자, 기획자 및 정책 입안자들이 지구를 새로운 방식으로 볼 수 있도록 돕고 있습니다. Google의 새로운 AI 모델은 원시 위성 입력을 기후 과학, 농업 및 도시 개발과 같은 분야에서 더 나은 결정을 지원하는 구조화되고 신뢰할 수 있는 정보로 변환할 수 있습니다. 지구 관측을 발전시킴으로써 지구의 변화를 더 쉽게 모니터링하고 이해할 수 있게 합니다.

our community에 가입하고 당사의 GitHub repository에서 AI 혁신을 살펴보세요. 솔루션 페이지를 통해 AI in agriculture 및 computer vision in healthcare에 대해 알아보세요. our licensing plans을 확인하고 지금 바로 AI를 시작해 보세요!