NASA 위성 데이터로 훈련한 AI 모델, 재난 대응에 활용

2021년 8월 21일 허리케인 Ida가 4등급 폭풍으로 루이지애나를 강타했을 때, NASA의 Disasters Program은 현장 인력 투입 대신 원격 감지 데이터를 대응팀에 제공했습니다. 이 프로그램은 NASA의 더 넓은 개방형 과학(open science) 추진 전략의 일부로, 토양 수분 변화, 식생 변화, 강우량, 홍수 범위, 야간 조명을 추적하는 지도와 모델을 만들었으며, 이 중 야간 조명 데이터는 정전 지역을 파악하는 데 도움이 되었습니다. 이 데이터는 NASA Disasters Mapping Portal을 통해 공유되었고, 여러 기관이 함께하는 조정 회의에서 활용되었습니다.

한 가지 구체적인 활용 사례는 Ida가 지나간 이후 지붕 위의 파란색 방수포(blue tarp)를 탐지하는 것이었습니다. 파란색 방수포는 폭풍으로 손상된 지붕을 덮는 데 흔히 사용되므로, 위성 이미지에서 이를 세는 것은 한 지역이 얼마나 심하게 피해를 입었는지 가늠하는 대략적인 척도가 됩니다. 앨라배마주 헌츠빌에 있는 NASA Marshall Space Flight Center 소속 그룹인 Interagency Implementation and Advanced Concepts Team이 위성 이미지에 인공지능(artificial intelligence)을 적용해 이 개수를 파악했습니다.

NASA는 또한 일반인들이 온라인에 올린 사진들을 자체 Damage Proxy Maps 위에 겹쳐 보여줌으로써, 대응팀이 폭풍 전후와 진행 중의 지상 상황을 볼 수 있게 했습니다.

개별 재난 대응 도구를 넘어, NASA와 IBM은 NASA의 위성 아카이브로 훈련된 5개의 오픈소스 AI 파운데이션 모델(foundation model)을 공동 개발하고 있으며, 이 작업은 NASA 최고과학데이터책임자실(Office of the Chief Science Data Officer)이 주도합니다. 파운데이션 모델이란 광범위한 데이터 풀로 한 번 훈련된 뒤, 매번 처음부터 새로 구축하는 대신 다양한 작업에 맞게 조정해 사용할 수 있는 모델을 말합니다. NASA는 Prithvi Earth Foundation Models라 불리는 이 모델들의 잠재적 활용 범위가 홍수 위험 식별과 작물 수확량 예측부터 장기 대기 기상 패턴 예측까지 이른다고 설명합니다.

NASA의 최고과학데이터책임자인 Kevin Murphy는 이 모델들이 과학적으로 검증되고 새로운 데이터에 맞게 조정 가능하도록 설계되었으며, 그 목표는 기술적 장벽을 낮춰 대응팀이 어려운 재난 상황에서도 신속히 행동할 수 있도록 하는 것이라고 말했습니다. NASA는 이 작업을 자사가 보유한 방대한 위성 데이터를 외부 그룹이 더 잘 활용할 수 있도록 만드는 더 광범위한 노력의 일환으로 설명합니다.

NASA 외부에서도 여러 연구 그룹이 재난 예측과 탐지에 다양한 기계학습(machine learning) 기법을 적용해 왔습니다. Frontiers in Environmental Science에 게재된 한 리뷰 논문에 따르면, 신경망(neural network), 결정 트리(decision tree), 랜덤 포레스트(random forest) 같은 알고리즘을 사용해 기상 패턴을 예측하는 연구가 2014년 이후 꾸준히 증가했고, 기계학습을 자연재해 예측 전반에 적용하는 연구 역시 비슷하게 증가해, 이 리뷰가 다룬 기간 중 2022년에 관련 연구가 가장 많았습니다. 이 리뷰는 이러한 모델들이 위성 이미지, 대기 데이터, 과거 기상 및 재난 기록을 바탕으로 사람이 놓칠 수 있는 패턴을 찾아낸다고 설명하며, 대기 데이터와 과거 기상 데이터를 활용하는 MLA 기반 모델의 예로 NOAA의 Global Ensemble Forecast System을 들고 있습니다.

IEEE Public Safety Technology의 별도 보도는 비슷한 기법들이 기상 관측소, 위성 이미지, 지진 센서에서 얻은 실시간 데이터를 이용해 허리케인, 지진, 홍수, 산불에 대한 조기 경보 시스템에 활용되고 있다고 설명합니다. 이 보도에 따르면 합성곱 신경망(convolutional neural network)은 허리케인 경로 예측에, 순환 신경망(recurrent neural network)은 지진 전에 발생할 수 있는 미진을 식별하는 데, 지지 벡터 머신(support vector machine)은 강우량, 하천 수위, 식생 밀도 같은 요인으로부터 홍수와 산불 위험을 분류하는 데 사용되고 있습니다. 이 주제를 다룬 Nature의 한 모음 기사는 이러한 재난들이 매년 전 세계적으로 약 1억 6000만 명에게 영향을 미친다고 언급하며, 기계학습이 점점 더 많이 활용되는 이유 중 일부는 처리 시간의 단축, 컴퓨팅 성능의 성장, 대규모 데이터셋의 활용도 증가에 있다고 설명합니다.

PubMed Central에 게재되었으나 원문에서 아직 동료 심사(peer review)를 거쳤다고 명시되지 않은 또 다른 연구는, 새로 구축한 6,334장의 항공 및 위성 이미지 데이터셋으로 딥러닝 모델을 훈련해 홍수와 사막화를 탐지했습니다. 연구자들은 사막화가 이전의 재난 탐지 데이터셋에는 거의 포함되지 않았던 범주라고 밝혔습니다. 시험한 네 가지 모델 — 합성곱 신경망, DenseNet201, VGG16, ResNet50 — 중 DenseNet201과 ResNet50이 이 데이터셋에서 각각 99.37%와 99.21%로 가장 높은 테스트 정확도를 기록했습니다. 연구자들은 드론 기반 응급 대응을 이 연구의 실용적 응용 사례로 제시합니다.

어떤 출처도 이러한 시스템을 완벽하다고 설명하지 않습니다. IEEE 개요 자료는 정확도가 개선되었음에도 기계학습 모델이