Google AlphaEarth는 글로벌 매핑을 위해 관측 데이터를 사용합니다.

2025년 7월 30일에 소개된 AlphaEarth Foundations는 Google DeepMind에서 개발한 지리 공간 파운데이션 모델입니다. 이는 최근 Google AI 뉴스에서 가장 주목받는 모델 중 하나이며, 전 세계 지구 관측 데이터를 더 빠르고 명확하며 안정적으로 작업할 수 있도록 구축되었습니다.

AlphaEarth Foundations는 위성 이미지, 레이더, LiDAR(Light Detection and Ranging), 고도 모델 및 기후 시뮬레이션에서 수십억 개의 데이터 포인트를 기반으로 훈련되었습니다. 이 광범위한 입력을 사용하여 매년 10미터 해상도의 지구 모습을 만듭니다. 

간단히 말해, 이는 보기 어려운 지역에서도 지구 표면의 선명하고 일관된 지도를 생성할 수 있어 토지, 물, 기후 변화를 시간이 지남에 따라 더 쉽게 발견하고 추적할 수 있음을 의미합니다. 이러한 스냅샷은 현재 Google의 지리 공간 데이터 클라우드 플랫폼인 Google Earth Engine을 통해 제공됩니다.

본 문서에서는 AlphaEarth Foundations가 Google Earth Engine용 AI를 사용하여 실제 지구 관측 프로젝트를 어떻게 지원하는지 살펴보겠습니다. 

AlphaEarth: 지구 관측을 위한 Google의 새로운 AI 모델

AlphaEarth Foundations는 지속적이고 역동적인 시스템을 통해 지구를 이해하는 새로운 방법을 제공합니다. 새로운 AI 모델은 각 이미지를 개별적으로 보는 대신 공간과 시간을 넘어 지구 표면의 통합되고 구조화된 그림을 구축합니다.

이러한 뷰를 생성하기 위해 위성 이미지, 고도 맵, 기후 모델 및 생물 다양성에 대한 보고서를 포함한 광범위한 소스를 활용합니다. 이를 통해 환경 변화를 파악하고 그 이면에 있는 이유를 분석할 수 있습니다.

특히 AlphaEarth는 지구의 풍경이 수년에 걸쳐 어떻게 변화하는지 보여줄 수 있습니다. 이러한 스냅샷은 모델이 각 위치에 대해 학습한 내용에 대한 간결한 요약인 임베딩을 사용하여 구축됩니다. 

‍

이러한 임베딩 모음은 Google Earth Engine의 위성 임베딩 데이터 세트를 통해 사용할 수 있습니다. 이는 이미 산불 대응, 도시 계획 및 토지 모니터링과 같은 영역에서 사용되고 있습니다. 이를 통해 연구원과 의사 결정자는 위성 데이터를 유용한 통찰력으로 전환할 수 있습니다.

AI와 기후: AlphaEarth의 중요성

AlphaEarth Foundations의 주요 이점은 지구의 장기적인 변화를 더 쉽게 연구할 수 있다는 것입니다. 데이터가 누락되거나 구름이 위성 보기를 자주 가리는 까다로운 영역에서도 잘 작동합니다. 예를 들어 구름이 끊임없이 문제가 되는 아마존 열대 우림에서 AlphaEarth는 전 세계의 패턴을 학습하여 토지 변화를 여전히 감지할 수 있습니다.

벤치마크 테스트에서 오분류 오류를 거의 24% 줄였고 임베딩당 16배 더 적은 스토리지가 필요했습니다. 흥미롭게도 이 새로운 AI 모델은 모든 애플리케이션에 대해 재학습할 필요가 없습니다. 

AlphaEarth는 다양한 지역과 문제에 효율적이고 적응력이 뛰어납니다. AlphaEarth는 전체 모델을 재구축하지 않고도 여러 유형의 분석에 직접 사용할 수 있는 각 위치에 대한 간결하고 정보가 풍부한 요약 정보인 범용 임베딩을 생성하기 때문입니다.

지금까지 새로운 Google Earth AI 모델은 열대 우림, 북극 지역 및 확장되는 도시를 포함하여 100개 이상의 국가에서 토지 변화를 모니터링하는 데 사용되었습니다. 이러한 통찰력은 더 스마트한 계획과 더 정보에 입각한 기후 결정을 지원하는 데 사용되고 있습니다.

‍

AlphaEarth가 지구 관측에 컴퓨터 비전을 사용하는 방법

위성 이미지를 사용하여 지구 표면의 상세한 모습을 캡처할 수 있지만, 이러한 이미지를 의미 있는 통찰력으로 전환하는 것은 항상 간단하지 않습니다. AlphaEarth Foundations는 기계가 시각 정보를 해석할 수 있도록 하는 AI의 한 분야인 컴퓨터 비전을 사용하여 토지, 초목 및 지형 전반에 걸쳐 패턴을 감지하고 분석합니다.

다음은 모델이 지구 관측에 다양한 컴퓨터 비전 작업을 적용하는 방법입니다. 

• Image classification: AlphaEarth는 위성 이미지에서 산림, 농경지, 습지 및 도시 지역과 같은 토지 유형을 식별합니다. 이러한 분류는 기후 모니터링, 생태 연구 및 토지 이용 계획을 지원합니다.
  
  
• 분할(Segmentation): 테마 매핑이라고도 하는 분할은 위성 이미지의 각 픽셀에 작물 유형 또는 식생 덮개와 같은 범주로 레이블을 지정합니다. AlphaEarth는 연간 임베딩을 사용하여 지역 전반에 걸쳐 높은 정확도를 유지하여 토지 이용, 토지 피복 및 생물 다양성에 대한 세분화된 매핑을 가능하게 합니다.
  ‍
• 변화 감지: AlphaEarth는 동일한 위치에 대한 연간 임베딩을 비교하여 삼림 벌채, 산불 영향 또는 도시 성장과 같은 토지 이용 및 토지 피복의 변화를 감지할 수 있습니다. 지도 학습 방법(레이블이 지정된 예제에서 학습)과 비지도 학습 방법(레이블 없이 패턴 찾기) 모두에서 작동합니다.
  ‍
• 비지도 클러스터링: AlphaEarth는 레이블이 지정된 데이터를 사용하지 않고 위성 이미지에서 유사한 패턴을 보이는 영역을 그룹화할 수 있습니다. 이는 새롭거나 충분히 연구되지 않은 지역에서 식생 변화 또는 기후 이상과 같은 추세를 감지하는 데 도움이 됩니다. 특히 레이블이 지정된 데이터가 제한적이거나 없는 경우에 효과적입니다.

‍

Google의 새로운 AI 모델의 실제 응용

Google의 새로운 지구 관측 기술을 위한 AI 작동 방식에 대한 이해를 바탕으로 AlphaEarth Foundations의 실제 적용 사례를 살펴보겠습니다.

미국 도시의 녹지화를 위한 Google Earth의 AI 이니셔티브

미국 전역에서 도시들은 열을 줄이고, 오염을 흡수하고, 공중 보건을 증진하기 위해 도시 숲을 조성하고 있습니다. 그러나 정확히 어디에 나무가 있고 어디에 없는지 정확히 찾아내는 것은 어려울 수 있습니다. 밀집된 동네와 좁은 거리에서는 위성 이미지나 전통적인 조사에서 녹지가 종종 감지되지 않습니다.

그러나 AlphaEarth는 위성, 고도 및 환경 데이터를 사용하여 매우 상세하게 나무 덮개를 매핑합니다. 이 새로운 AI Google 모델을 테스트하기 위해 연구원들은 iNaturalist의 45,000개 이상의 나무 기록을 사용했습니다. 

연구진은 알래스카와 하와이를 포함한 미국 전역에서 발견되는 39개의 일반적인 나무 속(밀접하게 관련된 종 그룹)에 초점을 맞췄습니다. 데이터는 정리되어 훈련 및 테스트 세트로 분할되었으며, 속당 300개의 샘플이 훈련에 사용되고 나머지는 테스트에 사용되었습니다. 

이 모델은 위성, 고도 및 환경 데이터에서 나무 덮개를 정확하게 매핑하여 기존 조사에서 놓친 부분을 채울 수 있음을 보여줍니다. 이러한 통찰력은 디트로이트, 뉴욕, 피닉스와 같은 도시가 나무를 심고, 주변 지역을 시원하게 하고, 지역 생물 다양성을 지원할 위치에 대해 더 나은 결정을 내리는 데 도움이 될 수 있습니다.

지구 관측 위성으로 구동되는 더 스마트한 작물 지도 제작

캐나다의 작물 재고는 특히 농작물 보험 기록(농업 보험 프로그램을 위해 수집된 작물 유형, 위치 및 면적에 대한 공식 보고서)이 없는 지역에서 현장 관찰에 크게 의존합니다. 이러한 현장 조사는 주로 이동하는 차량에서 이루어지며 곡물, 유료 종자, 과일 및 사료와 같은 주요 작물을 추적하는 데 사용됩니다. 

하지만 일부 작물 유형이 다른 작물보다 더 자주 기록되기 때문에 데이터가 불균형하고 신뢰할 수 있는 대규모 지도로 변환하기 어려울 수 있습니다. 이러한 문제를 해결하기 위해 AlphaEarth는 지구 관측 위성에서 얻은 데이터를 기반으로 고차원적이고 세분화된 작물 분류를 모두 지원할 수 있습니다. 

작물들을 곡물이나 유지 종자와 같은 광범위한 범주로 그룹화할 수 있습니다. 상세한 조사 데이터를 사용할 수 있는 지역에서는 봄 밀, 옥수수 또는 알팔파와 같은 특정 유형을 식별할 수도 있습니다. 이 2단계 접근 방식은 광범위한 커버리지와 세부적인 정보 간의 균형을 맞춰 캐나다 전역에서 재배되는 작물에 대한 더 명확한 그림을 제공합니다.

‍

Google Earth 기술을 위한 AI를 통해 글로벌 지형 탐색

남극은 극심한 날씨, 끊임없는 눈 덮임, 제한된 위성 가시성으로 인해 지구상에서 지도를 제작하기 가장 어려운 곳 중 하나입니다. 이로 인해 빙하, 노출된 암석, 시간이 지남에 따른 지형 변화에 대한 이해에 공백이 생깁니다.

AlphaEarth는 위성 이미지를 레이더 및 고도 데이터와 결합하여 가시성이 제한된 지역에서도 일관된 남극 대륙 연간 지도를 생성합니다. 누락된 세부 정보를 채우고 연구자가 빙하, 표면 질감 및 눈 덮인 땅을 더 정확하게 추적하는 데 도움이 되는 10미터 해상도 지형도를 생성할 수 있습니다. 

새로운 AI 모델: AlphaEarth의 장단점

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

• 다재다능함: AlphaEarth는 별도의 모델 없이도 농업, 도시 계획, 재난 대응과 같은 다양한 분야에서 사용될 수 있습니다.
  ‍
• 데이터 격차 해소: 이 새로운 AI Google 모델은 위성 입력이 불완전한 경우에도 연간 요약을 생성하여 시계열 분석에서 연속성을 유지하는 데 도움이 됩니다.
  ‍
• AI 지원 출력: 연구원과 개발자의 시간을 절약하면서 작물 모니터, 홍수 감지기 또는 토지 이용 분류기와 같은 도구에 직접 공급할 수 있는 임베딩을 생성합니다.

AlphaEarth는 다양한 영역에서 안정적인 지원을 제공하지만 염두에 두어야 할 몇 가지 제한 사항은 다음과 같습니다.

• 실시간이 아님: AlphaEarth의 연간 임베딩은 일별 또는 거의 실시간 모니터링이 필요한 애플리케이션에는 적합하지 않습니다.
  ‍
• 입력 품질에 따라 달라짐: 모델이 격차를 메우기는 하지만, 여전히 위성, 레이더 및 기타 입력 데이터 소스의 품질과 가용성에 의존합니다.
  ‍
• 제한적인 해석 가능성: 대부분의 딥러닝 모델과 마찬가지로, AlphaEarth가 특정 패턴이나 예측에 어떻게 도달하는지 정확히 해석하기 어려울 수 있습니다.

주요 내용

AlphaEarth Foundation은 연구원, 기획자 및 정책 입안자가 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 전환할 수 있습니다. 지구 관측을 발전시킴으로써 시간이 지남에 따라 지구의 변화를 더 쉽게 모니터링하고 이해할 수 있도록 합니다.

커뮤니티에 참여하여 GitHub 저장소에서 AI 혁신을 탐색해 보세요. 솔루션 페이지를 통해 농업 분야의 AI와 헬스케어 분야의 컴퓨터 비전에 대해 알아보세요. 라이선스 플랜을 확인하고 지금 바로 AI를 시작해 보세요!