전 지구 지도 제작에 관측 데이터를 활용하는 Google AlphaEarth

2025년 7월 30일에 공개된 AlphaEarth Foundations는 Google DeepMind가 개발한 지리 공간 파운데이션 모델입니다. 최근 Google AI 소식의 주요 사례 중 하나인 이 모델은 전 지구 관측 데이터를 더 빠르고 명확하며 신뢰성 있게 활용하도록 설계되었습니다.

AlphaEarth Foundations는 위성 이미지, 레이더, LiDAR(광 검출 및 거리 측정), 고도 모델, 기후 시뮬레이션에서 얻은 수십억 개의 데이터 포인트를 학습합니다. 이처럼 폭넓은 입력을 활용해 지구 전체를 매년 10미터 해상도로 보여주는 데이터를 생성합니다.

간단히 말해, 이 모델은 보기 어려운 지역에서도 지표면을 명확하고 일관된 지도로 표현하므로 토지, 물, 기후의 변화를 시간에 따라 더 쉽게 발견하고 추적할 수 있습니다. 이러한 스냅샷은 현재 Google의 지리 공간 데이터 클라우드 플랫폼인 Google Earth Engine을 통해 제공됩니다.

이 글에서는 AlphaEarth Foundations가 Google Earth Engine용 AI를 활용해 실제 지구 관측 프로젝트를 지원하는 방법을 살펴보겠습니다.

AlphaEarth: 지구 관측을 위한 Google의 새로운 AI 모델#

AlphaEarth Foundations는 연속적이고 역동적인 시스템을 통해 지구를 이해하는 새로운 방법을 제공합니다. 새로운 AI 모델은 각 이미지를 따로 보는 대신 공간과 시간 전반에 걸쳐 지표면을 통합적이고 구조화된 형태로 나타냅니다.

이러한 관점을 구축하기 위해 위성 이미지, 고도 지도, 기후 모델, 생물다양성 보고서 등 다양한 출처의 데이터를 활용합니다. 이를 통해 환경 변화를 포착하고 그 원인을 분석할 수 있습니다.

특히 AlphaEarth는 수년에 걸쳐 지구의 지형이 어떻게 변하는지 보여줄 수 있습니다. 이러한 스냅샷은 모델이 각 위치에 대해 학습한 내용을 간결하게 요약하는 임베딩을 사용해 만들어집니다.

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

이러한 임베딩 모음은 Google Earth Engine의 Satellite Embedding 데이터 세트를 통해 제공됩니다. 이미 산불 대응, 도시 계획, 토지 모니터링 등의 분야에서 활용되고 있습니다. 이를 통해 연구자와 의사결정권자는 위성 데이터를 유용한 인사이트로 전환할 수 있습니다.

AI와 기후: AlphaEarth의 중요성#

AlphaEarth Foundations의 주요 이점은 지구의 장기적인 변화를 더 쉽게 연구할 수 있다는 점입니다. 데이터가 누락되거나 구름이 위성 관측을 자주 가리는 까다로운 지역에서도 효과적으로 작동합니다. 예를 들어 구름이 늘 문제인 아마존 열대우림에서도 AlphaEarth는 전 세계의 패턴을 학습해 토지 변화를 찾아낼 수 있습니다.

벤치마크 테스트에서 오분류 오류를 거의 24% 줄였으며 임베딩당 필요한 저장 공간도 16분의 1로 감소했습니다. 흥미롭게도 이 새로운 AI 모델은 애플리케이션마다 재학습할 필요가 없습니다.

이 모델은 효율적이며 다양한 지역과 과제에 맞게 조정할 수 있습니다. AlphaEarth가 각 위치에 대한 간결하고 정보가 풍부한 요약인 범용 임베딩을 생성하기 때문입니다. 이 임베딩은 전체 모델을 다시 구축하지 않고도 다양한 분석에 바로 사용할 수 있습니다.

현재까지 AlphaEarth는 열대림, 북극 지역, 확장 중인 도시를 비롯해 100개가 넘는 국가의 토지 변화를 모니터링하는 데 사용되었습니다. 이러한 인사이트는 더 나은 계획 수립과 더욱 정확한 기후 관련 의사결정을 지원하는 데 활용되고 있습니다.

그림 2. Google의 새로운 AI 모델을 사용한 전 세계 패턴 시각화입니다. (출처)

AlphaEarth의 지구 관측용 컴퓨터 비전 활용 방식#

위성 이미지를 사용해 지표면을 자세히 포착할 수 있지만, 이미지에서 의미 있는 인사이트를 도출하는 일은 항상 간단하지 않습니다. AlphaEarth Foundations는 기계가 시각 정보를 해석하도록 하는 AI 분야인 컴퓨터 비전을 사용해 토지, 식생, 지형 전반의 패턴을 탐지하고 분석합니다.

모델이 지구 관측에 다양한 컴퓨터 비전 작업을 적용하는 방식은 다음과 같습니다.

• 이미지 분류: AlphaEarth는 위성 이미지를 바탕으로 숲, 경작지, 습지, 도시 지역과 같은 토지 유형을 식별합니다. 이러한 분류 결과는 기후 모니터링, 생태 연구, 토지 이용 계획을 지원합니다.
• 세그멘테이션: 주제별 매핑이라고도 하는 세그멘테이션은 위성 이미지의 각 픽셀에 작물 종류나 식생 피복과 같은 범주를 지정합니다. AlphaEarth는 연간 임베딩을 사용해 지역 전반에서 높은 정확도를 유지하며 토지 이용, 토지 피복, 생물다양성을 세밀하게 매핑할 수 있습니다.
• 변화 탐지: AlphaEarth는 동일한 위치의 연간 임베딩을 비교해 토지 이용과 토지 피복의 변화를 탐지할 수 있습니다. 예를 들어 산림 파괴, 산불 피해, 도시 성장을 식별합니다. 레이블이 지정된 예시를 바탕으로 학습하는 지도 방식과 레이블 없이 패턴을 찾는 비지도 방식 모두에서 작동합니다.
• 비지도 클러스터링: AlphaEarth는 레이블이 지정된 데이터를 사용하지 않고도 위성 이미지에서 유사한 패턴을 보이는 지역을 그룹화할 수 있습니다. 이를 통해 새롭게 연구되는 지역이나 연구가 부족한 지역에서 식생 변화 또는 기후 이상 현상과 같은 추세를 탐지할 수 있습니다. 레이블이 지정된 데이터가 제한적이거나 없는 경우 특히 유용합니다.

그림 3. AlphaEarth를 활용해 2023년 지구 환경을 살펴본 사례입니다. (출처)

Google의 새로운 AI 모델을 활용한 실제 사례#

AlphaEarth의 작동 방식을 살펴보았으니, 이제 실제 적용 사례를 알아보겠습니다.

미국 도시를 더 친환경적으로 만들기 위한 Google Earth의 AI 이니셔티브#

미국 전역에서 도시들은 열을 줄이고 오염 물질을 흡수하며 공중 보건을 증진하기 위해 도시 숲을 조성하고 있습니다. 하지만 나무가 정확히 어디에 있는지 파악하기는 쉽지 않습니다. 밀집된 주거 지역과 좁은 도로에서는 위성 이미지나 기존 조사로 녹지를 발견하지 못하는 경우가 많습니다.

그러나 AlphaEarth는 위성, 고도, 환경 데이터를 사용해 나무의 수관 면적을 세밀하게 매핑합니다. 모델을 테스트하기 위해 연구자는 iNaturalist의 나무 기록 45,000건 이상을 사용했습니다.

연구진은 알래스카와 하와이를 포함한 미국 모든 주에서 발견되는 흔한 나무 속 39종(서로 밀접한 관련이 있는 종의 집단)에 초점을 맞췄습니다. 데이터를 정제한 뒤 학습 세트와 테스트 세트로 나누었으며, 각 속에서 300개 샘플은 학습에, 나머지는 테스트에 사용했습니다.

이 모델은 위성, 고도, 환경 데이터를 사용해 수목 피복을 정확하게 매핑했으며 기존 조사의 공백을 메울 수 있음을 보여주었습니다. 이러한 인사이트는 디트로이트, 뉴욕, 피닉스와 같은 도시가 나무를 심고, 주거 지역의 열을 낮추며, 지역 생물다양성을 지원할 위치를 더 잘 결정하도록 도울 수 있습니다.

지구 관측 위성으로 더 스마트하게 작물 매핑#

캐나다의 작물 현황 조사에서는 특히 작물 보험 기록(농업 보험 프로그램을 위해 수집한 작물 종류, 위치, 재배 면적에 대한 공식 보고서)이 없는 지역의 경우 현장 관측에 크게 의존합니다. 이동 중인 차량에서 주로 진행하는 이러한 차창 조사는 곡물, 유지작물, 과일, 사료작물과 같은 주요 작물을 추적하는 데 사용됩니다.

하지만 일부 작물 종류가 다른 종류보다 더 자주 기록되므로 데이터가 불균형할 수 있으며, 신뢰할 수 있는 대규모 지도로 변환하기 어렵습니다. 이러한 문제를 해결하기 위해 AlphaEarth는 지구 관측 위성 데이터에 기반한 상위 수준 및 세밀한 작물 분류를 모두 지원할 수 있습니다.

작물을 곡물이나 유지작물과 같은 광범위한 범주로 묶을 수 있습니다. 세부 조사 데이터가 있는 지역에서는 봄밀, 옥수수, 알팔파와 같은 구체적인 종류도 식별할 수 있습니다. 이러한 2단계 접근 방식은 범위와 세부 정보를 균형 있게 제공해 캐나다 전역에서 어떤 작물이 재배되는지 더 명확하게 파악할 수 있도록 합니다.

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

Google Earth 기술용 AI로 전 세계 지형 탐색#

남극은 극한의 기후, 지속적인 적설, 제한적인 위성 가시성 때문에 지도를 만들기 가장 어려운 지역 중 하나입니다. 이로 인해 빙하와 노출된 암석, 지형이 시간에 따라 변하는 방식에 대한 이해에 공백이 생깁니다.

AlphaEarth는 위성 이미지와 레이더 및 고도 데이터를 결합해 가시성이 제한된 지역에서도 남극의 일관된 연간 지도를 생성합니다. 누락된 세부 정보를 보완하고 10미터 해상도의 지형 지도를 생성해 연구자가 빙하, 지표 질감, 눈으로 덮인 지형을 더 정확하게 추적하도록 돕습니다.

새로운 AI 모델 AlphaEarth의 장단점#

다음은 지구 관측 및 도시 계획 분야에서 AlphaEarth Foundations가 제공하는 주요 장점입니다.

• 다용도성: AlphaEarth는 분야별로 별도의 모델을 만들 필요 없이 농업, 도시 계획, 재난 대응 등 여러 분야에 사용할 수 있습니다.
• 데이터 공백 보완: 위성 입력 데이터가 불완전하더라도 AlphaEarth는 연간 요약을 생성하여 시계열 분석의 연속성을 유지하는 데 도움을 줄 수 있습니다.
• AI에 바로 사용할 수 있는 출력: 작물 모니터링 도구, 홍수 탐지기, 토지 이용 분류기와 같은 도구에 바로 입력할 수 있는 임베딩을 생성해 연구자와 개발자의 시간을 절약합니다.

AlphaEarth는 다양한 분야에서 신뢰할 수 있는 지원을 제공하지만, 다음과 같은 몇 가지 한계를 염두에 두어야 합니다.

• 실시간 처리 불가: AlphaEarth의 연간 임베딩은 매일 또는 거의 실시간으로 모니터링해야 하는 애플리케이션에는 적합하지 않습니다.
• 입력 데이터 품질에 의존: 데이터 공백을 보완하지만 모델은 여전히 위성, 레이더 및 기타 입력 데이터 소스의 품질과 가용성에 의존합니다.
• 제한적인 해석 가능성: 대부분의 딥러닝 모델과 마찬가지로 AlphaEarth가 특정 패턴이나 예측에 도달하는 과정을 정확히 해석하기 어려울 수 있습니다.

핵심 요점#

AlphaEarth Foundations는 연구자, 계획 담당자, 정책 입안자가 지구를 새로운 관점에서 바라보도록 돕고 있습니다. Google의 새로운 AI 모델은 원시 위성 입력 데이터를 체계적이고 신뢰할 수 있는 정보로 변환해 기후 과학, 농업, 도시 개발 등의 분야에서 더 나은 의사결정을 지원할 수 있습니다. 지구 관측을 발전시켜 시간에 따른 지구의 변화를 더 쉽게 모니터링하고 이해할 수 있도록 합니다.

커뮤니티에 참여하고 GitHub 저장소에서 AI 혁신을 살펴보세요. 솔루션 페이지에서 농업 분야의 AI와 의료 분야의 컴퓨터 비전에 대해 알아보세요. 라이선스 플랜을 확인하고 오늘 바로 AI를 시작하세요!