google·2026년 6월 30일·3분 읽기큐레이션 요약

열 회복력 데이터를 전 세계 50개 이상의 도시로 확대하기

Google Research는 건물별 지붕 반사율(albedo)을 분석한 데이터를 50개 이상 글로벌 도시로 확대 공개했다. Sentinel-2 위성 영상과 30cm급 상업 위성 영상을 AI로 결합해 개별 건물 단위의 저반사 지붕을 식별하고, 도시가 쿨 루프(cool roof) 도입 지역을 우선순위화할 수 있도록 한 것이다. 연구에 따르면 이러한 표적형 개입은 전 세계 도시의 극심한 더위를 최대 0.5°C까지 완화할 가능성이 있다. ## 도시 열섬과 쿨 루프의 필요성 - 극심한 더위로 매년 약 50만 명이 사망하며, 도시 지역은 전 세계 평균보다 약 두 배 빠르게 따뜻해지고 있다. - 어두운 지붕과 도로는 태양 에너지를 많이 흡수하고, 녹지 부족은 도시의 열 배출을 어렵게 만든다. - 지붕의 반사율을 높이면 건물이 흡수하는 태양 복사 에너지를 줄여 지표면 온도를 낮출 수 있다. - 쿨 루프는 비교적 비용 효율적인 열 완화 수단으로, 취약 지역과 취약 계층을 보호하는 데 활용될 수 있다. ## 건물 단위 반사율을 산출하는 AI 방법 - 기존 Sentinel-2 기반 반사율 데이터는 전 세계적으로 이용 가능하지만 해상도가 10m라 개별 지붕을 구분하기 어렵다. - 연구진은 다음 두 종류의 데이터를 결합했다. - Sentinel-2: 전 세계 범위와 방사학적 정확성 제공 - Airbus Pléiades Neo: 30cm급 고해상도 공간 정보 제공 - 머신러닝과 방사 보정 기법을 적용해 서로 다른 파장대의 정보를 융합하고, 도시 각 픽셀의 종합적인 스펙트럼 반사 특성을 재구성했다. - 그 결과 반사율 분석 해상도를 10m에서 30cm로 높여 개별 건물별 분석이 가능해졌다. ## 정확도 검증과 활용 가능성 - 콜로라도주 볼더에서 항공 초분광 영상으로 수집한 지상 기준 데이터와 결과를 비교했다. - 30cm급 융합 반사율 지도는 기준 데이터 대비 RMSE 0.04를 기록해 높은 정밀도를 보였다. - 도시 전체나 동네 평균이 아니라 다음과 같은 건물을 직접 선별할 수 있다. - 반사율이 낮은 대형 건물 - 열 취약 지역에 위치한 건물 - 쿨 루프 개조 효과가 클 것으로 예상되는 건물 - 이를 통해 도시 계획자는 제한된 예산을 가장 효과적인 건물과 지역에 우선 배분할 수 있다. ## Heat Resilience Earth Engine App - Google은 분석 결과를 의사결정자가 활용할 수 있도록 고해상도 Earth Engine 앱으로 공개했다. - 주요 기능은 다음과 같다. - **건물 단위 시각화:** 저반사 지붕을 건물 중심점 형태로 표시 - **기준선 분석:** 현재 도시·건물의 반사율을 파악하고 시간에 따른 변화를 추적 - **데이터 다운로드:** 지역 분석과 정책 수립을 위해 고해상도 데이터 반출 - **동적 확대:** 인구조사 구역 단위 집계에서 개별 건물 정보로 단계적으로 확대 - 공개 데이터는 도시가 쿨 루프 정책, 기후 적응 계획, 반사 표면 도입 전략을 수립하는 데 활용될 수 있다. ## 50개 이상 도시로 확대된 데이터 - 이번 공개 데이터는 9개 국가의 50개 이상 도시를 포함한다. - 주요 대상 도시로 다음 지역이 언급됐다. - 유럽: 런던, 아테네, 바르셀로나 - 브라질: 리우데자네이루, 상파울루 - 미국: 로스앤젤레스, 오스틴, 뉴욕 - 2024년에는 14개 도시를 대상으로 시범 적용했으며, 일부 도시는 이를 바탕으로 쿨 루프 조례와 기후 적응 계획을 추진했다. - 데이터와 앱은 공개되어 도시 정부, 연구자, 계획 담당자가 직접 탐색하고 분석할 수 있다. 도시 계획자는 Heat Resilience Earth Engine App에서 취약 지역과 저반사 건물을 먼저 확인한 뒤, 현장 검증과 비용·효과 분석을 결합해 쿨 루프 사업의 우선순위를 정하는 것이 바람직하다.

원문 읽기(새 탭에서 열림)

satellite-imagery머신러닝geospatial-dataearth-engine+3

google·2025년 11월 4일원문

AI로 예측하는 산림의 (새 탭에서 열림)

구글 딥마인드와 구글 리서치 팀은 인공지능을 활용해 삼림 벌채 위험을 사전에 예측하는 딥러닝 모델인 '포레스트캐스트(ForestCast)'를 공개했습니다. 이 모델은 과거의 손실을 기록하는 수준을 넘어 위성 데이터와 비전 트랜스포머(Vision Transformer) 기술을 결합하여 미래의 위험 지역을 정확하게 식별해냅니다. 연구팀은 기술적 투명성을 위해 훈련 데이터와 평가 데이터를 벤치마크 데이터셋으로 공개하여 전 세계적인 삼림 보호 노력을 지원하고자 합니다. ## 기존 삼림 벌채 예측 방식의 한계 * 삼림 벌채는 경제적, 정치적, 환경적 요인이 복잡하게 얽힌 인간 중심의 프로세스이며, 이를 예측하기 위해 기존에는 도로망, 경제 지표, 정책 집행 데이터 등 특화된 지리 공간 정보를 수집해야 했습니다. * 하지만 이러한 외부 데이터는 지역별로 파편화되어 있고 일관성이 없으며, 시간이 지나면 빠르게 구식이 된다는 단점이 있어 전 지구적인 확장이 어려웠습니다. ## 위성 데이터 기반의 순수 모델링 접근법 * 포레스트캐스트는 외부 변수 없이 Landsat 및 Sentinel 2 위성에서 얻은 '순수 위성 데이터'만을 입력값으로 사용합니다. * 특히 '변화 이력(Change history)'이라는 개념을 도입하여, 각 픽셀의 과거 벌채 여부와 시점을 데이터화해 모델에 제공합니다. * 이 방식은 위성 데이터의 연속성 덕분에 전 세계 어디에나 동일하게 적용할 수 있고, 미래에도 지속적으로 업데이트가 가능한 '미래 보장형(Future-proof)' 모델입니다. ## 비전 트랜스포머를 활용한 기술적 혁신 * 풍경의 공간적 맥락과 최근의 벌채 경향을 파악하기 위해 전체 이미지 타일(Tile)을 한 번에 처리하는 커스텀 비전 트랜스포머 모델을 설계했습니다. * 연구 결과, 도로 지도와 같은 특정 데이터를 사용한 기존 모델보다 정확도가 높거나 대등한 수준의 성능을 보였으며, 타일 내에서 다음에 벌채될 가능성이 높은 픽셀을 정교하게 예측해냈습니다. * 흥미롭게도 '변화 이력' 데이터가 가장 중요한 입력값으로 작용했는데, 이는 해당 데이터가 최근 벌채 속도의 변화와 이동하는 벌채 전선(Deforestation fronts)에 대한 고밀도 정보를 포함하고 있기 때문입니다. ## 글로벌 확장을 위한 벤치마크 공개 * 연구팀은 모델의 투명성과 재현성을 보장하기 위해 동남아시아 지역을 대상으로 한 훈련 및 평가 데이터를 공개 벤치마크 데이터셋으로 배포했습니다. * 이 데이터셋은 머신러닝 커뮤니티가 모델의 예측 원리를 분석하고 성능을 개선하는 데 활용될 수 있습니다. * 향후 라틴 아메리카와 아프리카의 열대림은 물론, 산불이나 가축 방목 등 다른 동인에 의해 숲이 사라지는 온대 및 냉대 지역으로까지 모델 적용 범위를 확장할 계획입니다. 전 지구적 온실가스 배출의 약 10%가 토지 이용 변화에서 발생하는 만큼, 이러한 AI 기반 예측 기술은 기후 위기 대응과 생물 다양성 보존을 위한 실질적인 조기 경보 시스템으로 기능할 수 있을 것입니다.

satellite-imageryAI머신러닝딥러닝+4