AI로 기후재난을 예측한다… MIT의 획기적인 위성영상 생성 기술

기후변화로 인한 자연재해가 점점 더 강도 높게 발생하고 있다. 특히 홍수는 가장 빈번한 기상 관련 재난으로, 미국에서만 연간 41억 달러의 피해가 발생하고 있으며 앞으로 더 증가할 것으로 전망된다. 기후변화 영향을 보여주는 시각화 자료는 정책결정자들의 환경 인식을 높이고 장기적인 기후적응 결정을 촉진하는데 중요한 역할을 한다. 하지만 기존의 색상 기반 홍수 지도나 인공적인 거리 이미지는 도시 전체의 홍수 영향을 효과적으로 전달하는데 한계가 있었다.

MIT 연구진이 주도한 이번 연구에서는 생성적 적대 신경망(Generative Adversarial Network, GAN)을 활용해 미래의 해안 홍수를 시각화했다. 특히 전문가가 검증한 홍수 모델의 예측 결과를 반영해 물리적으로 일관된 위성 이미지를 생성했다는 점이 주목할 만하다.

연구팀은 pix2pixHD라는 GAN 모델을 기반으로, 홍수 발생 전 위성 이미지와 물리 기반 홍수 모델에서 생성된 홍수 마스크를 입력값으로 사용했다. 이를 통해 물리학적으로 타당하면서도 사실적인 홍수 발생 후 이미지를 생성하는데 성공했다.

연구팀은 생성된 이미지의 품질을 평가하기 위해 다양한 지표를 활용했다. 생성된 이미지의 홍수 영역과 실제 홍수 마스크의 일치도를 측정하는 IoU(Intersection over Union), 이미지의 시각적 사실성을 평가하는 LPIPS(Learned Perceptual Image Patch Similarity), 그리고 이 두 지표를 결합한 종합 평가 지표인 FVPS(Flood Visualization Plausibility Score)를 사용했다. 검증 결과, 연구팀이 개발한 물리 기반 GAN 모델은 기존의 수작업 기반 방식이나 물리 정보가 없는 GAN 모델보다 우수한 성능을 보였다.

연구팀은 다음과 같은 9개의 데이터셋을 구축했다. 7개 지역의 홍수 사례를 포함한 xbd2xbd를 주요 데이터셋으로 활용했으며, 홍수 분할 라벨링을 위한 xbd-seg, 허리케인 하비 사례의 물리 기반 홍수 마스크인 xbdfathom 등을 구축했다. 또한 다른 센서 간 이미지 변환 실험을 위한 naip2xbd와 naip2hou, 휴스턴 지역 홍수 분할 데이터인 hou-seg도 포함했다. 산림 재생과 북극 해빙 관련 데이터도 함께 구축되었다.

연구진은 이 기술이 북극 해빙 감소를 시각화하거나 허리케인의 영향을 예측하는 데 확장될 수 있다고 전망했다. 또한, 산불 위험 지역을 매핑하거나 가뭄 영향을 시각화하여 자연재해에 대비하는데 활용될 수 있다고도 밝혔다.

다만 몇 가지 한계점도 존재한다. 이 기술은 위성 영상의 내부 변동성이 크고 센서 간 차이가 있어 운영상의 어려움이 있으며, 데이터셋이 미국 지역과 식생 지역에 편중되어 있고, 고해상도 이미지에서 건물이나 도로 등 인공 구조물 표현에 한계가 있다는 과제를 안고 있다.

연구팀은 이러한 한계를 극복하기 위해 전 지구적 규모의 기후 영향 시각화 도구 개발, 연속적인 수치 예측값을 반영한 시각화 구현, 그리고 다양한 기후 현상에 대한 시각화 확장을 향후 발전 방향으로 제시했다.

이번 연구는 인공지능을 활용한 기후변화 시각화의 새로운 지평을 열었다는 점에서 큰 의의가 있다. 특히 물리 기반 모델과 생성형 AI를 결합해 사실적이면서도 과학적으로 정확한 기후 영향 예측 이미지를 만들어낸 것은 획기적인 성과다. 이는 기후변화 대응 정책 수립에 있어 더욱 효과적인 의사결정 도구를 제공할 수 있게 되었음을 의미한다. 또한 이 기술은 기후변화의 심각성을 일반 대중에게 더욱 직관적으로 전달할 수 있어, 기후 위기에 대한 사회적 인식을 제고하고 실질적인 대응 행동을 이끌어내는 데 기여할 것으로 기대된다. 더불어 이번 연구는 AI 기술이 환경 문제 해결에 기여할 수 있는 새로운 가능성을 보여주었다는 점에서도 의미가 크다.

기사에 인용된 논문의 원문은 링크에서 확인할 수 있다.

기사는 클로드 3.5 Sonnet과 챗GPT-4o를 활용해 작성되었습니다. 

관련 콘텐츠 더보기