픽셀에서 계획까지: 자연 복원을 위한 Earth AI

Google Research 팀은 일반적인 위성 탐지로는 잘 보이지 않던 울타리나 작은 숲 같은 아주 미세한 생태적 특징들을 찾아내는 고해상도 딥러닝 프레임워크를 개발했어요. 이렇게 정밀한 벡터 데이터는 식량 안보를 해치지 않으면서도 경작지에서 기후 위기와 생물 다양성 위기에 대처할 새로운 길을 제시해요.

숲은 단순히 나무가 모여 있는 것 이상이에요. 탄소를 가두고, 물을 정화하며, 인류가 의존하는 생물 다양성을 지탱하는 중요한 시스템이죠. 전 세계가 기후 위기를 완화하고 생물 다양성 손실을 막기 위해 노력하면서, 숲 서식지를 늘리는 건 전 지구적인 우선순위가 되었어요.

문제는 토지 사용에 있어요. 인구가 늘면서 식량 수요도 증가하고, 대규모 숲을 확장하는 건 필연적으로 그 수요를 충족해야 하는 농경지와 경쟁할 수밖에 없죠. 이러한 갈등은 핵심적인 과제를 만들어내요. 식량 안보를 해치거나, 한 지역의 보존 노력이 의도치 않게 다른 곳으로 환경 파괴를 옮기는 '누출(leakage)' 현상 없이 기후 변화에 대처하고 생물 다양성 손실을 막으려면 어떻게 해야 할까요?

우리 농장들 사이에 얽혀 있는 울타리나 방풍림 같은 아주 작은 규모의 목본 특징들이 잠재적인 해결책을 제시해요. 이것들은 작물 재배지를 줄이지 않으면서 탄소 저장과 생물 다양성을 높일 수 있지만, 표준 위성 탐지로는 너무 작아서 국가 산림 목록에는 종종 '보이지 않는' 존재였어요.

이렇게 숨겨진 자산들을 보이게 하기 위해, Google Research 팀은 이전에 Farmscapes 2020을 출시했어요. 옥스퍼드 대학의 레버흄 자연 복구 센터와 협력하여 영국 전역의 울타리나 선형 삼림 같은 간과되었던 특징들을 식별한 최초의 대규모 고해상도 지도였죠. 초기 래스터(픽셀 기반) 형식도 탐지에서는 진전이었지만, 실제 경관 복원이나 탄소 회계에 적용하려면 픽셀 그 이상이 필요했어요. 그래서 오늘, 우리는 이 지도를 울타리, 돌담, 작은 숲에 대한 실행 가능한 목록으로 변환하는 벡터화된 데이터셋을 공개해요. 이 새로운 자원은 토지 소유자와 환경 보호론자들이 영국 전역에서 이러한 미세 규모 특징들을 측정하고 확장할 수 있도록 도와줘요.

시골 경관의 구조를 매핑하기

고해상도 래스터 지도에서 실행 가능한 벡터 데이터셋으로 전환하려면 공간 위상(spatial topology), 의미론(semantics), 그리고 계산 규모(computational scale)가 교차하는 지점에서 기술적인 난관들을 극복해야 했어요.

첫째, 농업 경관은 복잡한 공간 위상을 가지고 있어요. 특징들은 거의 고립되어 있지 않아요. 예를 들어, 울타리가 밭과 경계를 이루거나 돌담 바로 옆으로 이어질 수 있는데, 이는 표준적인 단일 레이어 모델로는 이러한 중첩된 요소들을 표현하기 어렵다는 뜻이에요. 게다가 이렇게 큰 지도를 처리하려면 S2-셀 타일(둥근 지구를 지도상의 평평한 사각형으로 만드는 그리드 시스템)로 분할해야 하는데, 이러면 타일 경계에서 특징들이 인위적으로 잘리는 경우가 많아요.

둘째, 의미론적 가치(semantic value)에 대한 질문이 있었어요. 단순한 '목본성(woody)' 픽셀만으로는 숲의 핵심 부분, 연결 통로, 또는 고립된 작은 숲을 구별할 수 없거든요. 벡터화된 데이터셋을 보존에 유용하게 만들려면, 이 형태들을 실제 생태학적 기능에 따라 프로그램적으로 분류하는 방법을 찾아야 했어요.

마지막으로, 계산 규모(computational scale)의 문제에 직면했어요. 고해상도 데이터셋의 엄청난 크기 때문에 표준적인 래스터-벡터 변환 작업은 계산적으로 실행하기 어려웠어요. 영국 전체(130,000 km²가 넘는 면적)에 걸쳐 수백만 개의 개별 목본 특징들을 처리하려면 기존 시스템을 과부하시키지 않도록 신중한 데이터 처리가 필요했어요.

AI에게 시골 경관의 형태를 가르치기

픽셀과 계획 사이의 간극을 메우기 위해, Google Research 팀은 복잡한 농경지 패치워크에서 특징들을 명시적으로 매핑하도록 설계된 고해상도 딥러닝 프레임워크를 개발했어요.

관리되는 울타리처럼 영국 시골 지역의 특정 특징들을 인식하도록 AI를 훈련시키는 데는 깊은 전문 지식이 필요했지만, 우리는 상대적으로 적은 양의 주석이 달린 데이터(~247 km²)만 가지고 있었어요. 이런 한계를 극복하기 위해, Google Research 팀은 3억 개 이상의 전 세계 위성 이미지로 사전 학습된 원격 탐사 기반(RSF) 비전 트랜스포머(ViT) 백본을 사용했어요. RSF는 Google Earth AI의 일부인데, Earth AI는 지구 데이터를 실행 가능한 통찰력으로 전환하기 위한 Google의 지리공간 모델 및 데이터셋 모음이에요. 이렇게 견고한 공간 질감 기반에서 시작하여, Google Research 팀은 영국 경관의 특정 미묘한 차이를 훨씬 더 높은 정밀도로 인식하도록 모델을 파인튜닝했어요.

이 훈련된 모델을 기반으로, Google Research 팀은 핵심적인 공간, 의미론적, 그리고 규모 관련 과제들을 해결하기 위한 파이프라인을 설계했어요.

울타리 캐노피 바로 아래에 돌담이 있을 수 있는 시골 경관의 겹겹이 쌓인 위상 구조를 처리하기 위해, Google Research 팀은 서브미터 이미지와 1미터 LiDAR 데이터를 활용한 이중 레이어 라벨링 시스템을 개발했어요. 이 덕분에 우리 모델은 같은 공간에서 두 가지를 볼 수 있게 되었어요. (1) 지표면 경계(예: 농경지 또는 물)와 (2) 지상 특징(예: 그 위에 있는 나무와 벽) 말이죠. 타일 경계에서 인위적으로 잘리는 현상을 해결하기 위해, Google Research 팀은 셀 간에 기하학적 형태를 병합하여 모든 특징이 기하학적으로 완전하도록 보장하는 확장 가능한 알고리즘을 개발했어요.

그다음으로는 의미론적 과제를 해결했어요. AI 모델은 녹지를 쉽게 감지할 수 있지만, 작은 나무 덩어리와 길고 얇은 울타리의 차이를 자연스럽게 알지는 못하거든요. 모델의 원시 디지털 윤곽선을 유용한 생태학적 목록으로 바꾸기 위해, Google Research 팀은 폴스비-포퍼 압축도 점수(Polsby–Popper compactness score)라는 수학적 테스트를 적용했어요. 각 탐지 결과의 물리적 형태를 분석해서, Google Research 팀은 시골 지역의 지형을 프로그램적으로 분류했어요. Google Research 팀은 직경 최소 30미터 이상의 실질적이고 연속적인 캐노피를 삼림으로 정의했고, 작은 숲이나 개별 나무는 목본 패치로, 그리고 울타리나 길게 늘어진 통로 같은 선형 목본 특징은 압축도 점수가 0.5 미만으로 엄격하게 정의된 길쭉한 형태로 구분했어요. 이러한 기하학적 지능 덕분에 야생동물 이동에 매우 중요한 길고 얇은 통로들을 프로그램적으로 분리할 수 있었어요.

마지막으로, 계산 병목 현상을 해결하고 이 분석을 전국적으로 확장하기 위해, Google Research 팀은 Google Earth Engine을 활용했어요. 수천 개의 독립적인 S2 셀을 병렬로 처리함으로써, Google Research 팀은 기존의 계산 한계를 뛰어넘어 수백만 개의 개별 특징에 대한 벡터 기하학적 형태를 동시에 생성할 수 있었어요. 이러한 발전 덕분에 Google Research 팀은 원시 지도를 자연 복원을 위한 기능적인 도구로 바꿀 수 있게 되었어요.

미래를 내다보며

벡터화된 데이터셋의 출시는 중요한 진전이지만, Google Research 팀은 이미 데이터를 더욱 정교하게 다듬기 위해 노력하고 있어요.

Google Research 팀은 실보파스쳐(silvopasture) 및 아그로실비컬처(agrisilviculture) 시스템에서 미세 규모 목본 특징의 정량화를 지원하는 등, 다양한 자연 기반 솔루션을 위한 고정밀 탐지의 광범위한 유용성을 연구하고 있어요. 이 기술은 또한 '누출(leakage)' 현상을 식별하는 데 도움을 주어, 특정 프로젝트 경계를 벗어난 손실로 인해 탄소 및 생물 다양성에서의 지역적 이득이 상쇄되지 않도록 보장할 수 있어요. 이러한 접근 방식들은 경작지 전반에 걸쳐 복원을 확장하고, 전 세계 식량 안보를 위협하지 않으면서 기후 및 생물 다양성 위기에 대처할 중요한 길을 제시해요.

이 데이터를 개방하고 접근 가능하게 함으로써, Google Research 팀은 농부, 과학자, 정책 입안자들이 우리 지구에 큰 변화를 가져올 작은 규모의 특징들을 보호할 수 있도록 힘을 실어주기를 바라고 있어요.

Google Research 팀의 AI 및 지속 가능성 노력에 대해 더 자세히 알아보려면 Google Earth AI, Google Earth Engine, 그리고 AlphaEarth Foundations를 확인해 보세요.