Google Earth AI, 농지 속 산울타리를 매핑하는 고해상도 딥러닝 프레임워크와 벡터 데이터셋 공개

9bow · 6월 22, 2026, 11:30오전

Google Earth AI와 농지 위 자연 복원 소개

기후 위기와 생물다양성(Biodiversity) 감소를 함께 막으려면 더 많은 숲이 필요합니다. 숲은 단순히 나무가 모여 있는 곳이 아니라 탄소를 격리(carbon sequestration)하고 물을 정화하며, 인류가 의존하는 생물다양성을 지탱하는 핵심 시스템이기 때문입니다. 그러나 여기에는 풀기 어려운 긴장 관계가 있습니다. 인구가 늘면서 식량 수요도 함께 증가하는데, 대규모로 숲을 늘리려면 그만큼 농경지와 경쟁할 수밖에 없습니다. 즉, "식량 안보를 해치지 않으면서 어떻게 기후 변화에 대응하고 생물다양성 감소를 멈출 것인가" 가 핵심 질문이 됩니다.

Google Research가 공개한 이번 작업은 이 질문에 대한 한 가지 현실적인 답을 제시합니다. 핵심 아이디어는 농경지를 숲으로 전환하는 대신, 농지 곳곳에 이미 존재하지만 그동안 "보이지 않던" 작은 목본(woody) 요소들에 주목하는 것입니다. 밭과 밭 사이를 가르는 산울타리(Hedgerow), 바람을 막는 방풍림(Shelterbelt), 띄엄띄엄 자리한 작은 숲(Copse) 은 작물을 밀어내지 않으면서도 탄소 저장량과 서식지를 늘려 줍니다. 문제는 이런 요소들이 너무 작아서 일반적인 위성 탐지로는 잡히지 않고, 그래서 국가 산림 통계에서도 누락되어 왔다는 점입니다.

이 문제를 풀기 위해 Google은 미세한 생태 요소까지 드러내는 고해상도 딥러닝 프레임워크를 개발하고, 그 결과물을 행동 가능한 형태의 데이터로 정리했습니다. 단순히 "여기에 초목이 있다" 를 표시하는 픽셀 지도를 넘어, 산울타리와 돌담, 작은 숲을 각각의 기하학적 객체로 구분해 측정하고 관리할 수 있는 벡터(Vector) 데이터셋을 만든 것입니다. 이번 데이터셋은 Google Earth AI의 일부로, 토지 소유주와 환경 보전 활동가가 영국 전역에서 이런 미세 요소를 직접 측정하고 확장할 수 있도록 돕는 것을 목표로 합니다.

이 글에서는 "픽셀에서 계획으로(from pixels to planning)" 라는 원문 제목 그대로, 원시 위성 영상이 어떻게 실제 자연 복원에 쓸 수 있는 정밀 지도로 바뀌는지를 따라가 봅니다. 위성 영상을 다루는 지리공간(Geospatial) AI에 관심이 있다면, PyTorchKR에 정리된 GeoAI 라이브러리나 Clay 지구 관측 모델 글과 함께 읽으면 맥락을 잡기 좋습니다.

산울타리는 왜 그동안 위성에 보이지 않았는가

대규모 조림(造林)은 직관적인 기후 대응책이지만, 농경지를 잠식한다는 근본적인 한계가 있습니다. 게다가 한 지역에서 보전을 강화하면 그 압력이 경계 바깥으로 옮겨가 환경 훼손이 다른 곳에서 발생하는 누출(Leakage) 문제도 자주 나타납니다. 한쪽의 탄소 이득이 다른 쪽의 손실로 상쇄되면 전체적으로는 의미가 줄어듭니다.

이러한 맥락에서 농지 속 미세 목본 요소가 대안으로 떠오릅니다. 산울타리나 방풍림은 작물 재배 면적을 빼앗지 않으면서도 탄소를 저장하고 야생동물의 이동 통로 역할을 합니다. 그러나 폭이 몇 미터에 불과한 선형(線形) 구조물은 표준 위성 탐지의 해상도 한계 아래에 놓여 있어, 국가 산림 인벤토리에서 "존재하지만 집계되지 않는" 자산으로 남아 있었습니다.

Google은 이 사각지대를 메우기 위해 2020년 기준의 Farmscapes 2020 데이터셋을 먼저 공개한 바 있습니다. 이는 영국 대부분 지역을 덮는 최초의 대규모, 25cm 고해상도 시골 경관 지도로, 산울타리와 선형 목본, 돌담 같은 생태적으로 중요한 요소를 식별합니다. 옥스퍼드 대학교(University of Oxford)의 Leverhulme Centre for Nature Recovery와 협력해 만들어졌으며, 그 방법과 정확도는 "Mapping Farmed Landscapes from Remote Sensing" 논문(arXiv:2506.13993)에 정리되어 있습니다. 다만 이 초기 결과물은 래스터(Raster, 픽셀 기반) 형식이었습니다. 탐지 자체는 큰 진전이었지만, 경관 복원이나 탄소 회계(carbon accounting) 같은 실제 응용에는 픽셀 이상의 것이 필요했습니다.

그래서 이번에 공개된 것이 벡터화된 데이터셋(vectorized dataset)입니다. 픽셀 덩어리였던 지도를 산울타리, 돌담(stone wall), 작은 숲의 행동 가능한 인벤토리로 바꾼 것으로, 영국 전역에서 미세 목본 요소를 정량적으로 측정하고 확장 계획을 세울 수 있게 해 줍니다.

픽셀 지도를 행동 가능한 벡터로 바꾸기 위한 세 가지 난제

고해상도 래스터 지도를 실제로 쓸 수 있는 벡터 데이터셋으로 전환하는 일은 단순한 포맷 변환이 아니었습니다. 공간 위상(spatial topology), 의미(semantics), 연산 규모(computational scale)라는 세 가지 영역이 교차하는 지점에서 기술적 난관이 있었습니다.

첫째는 복잡한 공간 위상 입니다. 농경지의 요소들은 서로 고립되어 있지 않습니다. 예를 들어 하나의 산울타리가 밭의 경계를 이루면서 동시에 돌담과 나란히 붙어 있기도 합니다. 이렇게 요소가 겹쳐 있으면 단일 레이어(single-layer) 모델로는 표현하기가 어렵습니다. 게다가 거대한 지도를 처리하려면 이를 S2 셀(S2-cell) 타일로 잘게 나눠야 하는데, S2는 둥근 지구를 지도 위 평평한 정사각형 격자로 펼치는 공간 인덱싱 체계입니다. 이렇게 타일로 쪼개면 하나의 산울타리가 타일 경계에서 인위적으로 잘려 버리는 문제가 생깁니다.

둘째는 의미적 가치 입니다. 단순히 "목본 픽셀" 이라는 정보만으로는 그것이 숲의 중심부인지, 서식지를 잇는 연결 통로인지, 외따로 떨어진 작은 숲인지 구분할 수 없습니다. 벡터 데이터셋이 보전 활동에 실제로 쓸모가 있으려면, 각 형태를 생태적 기능에 따라 프로그래밍적으로 분류할 방법을 찾아야 했습니다.

셋째는 연산 규모 입니다. 고해상도 데이터셋의 크기 자체가 워낙 커서, 표준적인 래스터-투-벡터(raster-to-vector) 연산으로는 처리 비용이 감당이 안 되는 수준이었습니다. 13만 km²가 넘는 영국 전역에 흩어진 수백만 개의 개별 목본 요소를 처리하려면, 기존 시스템을 압도하지 않도록 데이터를 세심하게 다뤄야 했습니다.

시골 풍경의 형태를 AI에게 가르치다

픽셀과 계획 사이의 간극을 메우기 위해, 연구진은 농지라는 복잡한 패치워크 위에서 각 요소를 명시적으로 매핑하도록 설계된 고해상도 딥러닝 프레임워크를 개발했습니다. 아래 그림은 원시 위성 영상이 비전 트랜스포머를 거쳐 기하학적으로 분류된 벡터 데이터셋으로 변환되는 전체 파이프라인을 보여줍니다.

가장 먼저 부딪힌 현실적인 제약은 데이터 부족이었습니다. 잘 관리된 영국식 산울타리 같은 특징을 AI가 인식하도록 학습시키려면 깊은 전문 지식이 필요한데, 연구진이 확보한 주석(annotation) 데이터는 항공 영상에서 직접 수작업으로 만든 942개 타일, 면적으로는 약 247 km²에 불과했습니다. 이 한계를 극복하기 위해 연구진은 Remote Sensing Foundations(RSF)의 비전 트랜스포머(Vision Transformer, ViT) 백본을 활용했습니다. 이 백본은 전 세계 3억 장 이상의 위성 영상으로 원격 탐사(Remote Sensing) 데이터를 사전 학습(pre-training)한 모델입니다.

여기서 핵심은 기초 모델(Foundation Model) 의 전형적인 활용 방식입니다. 방대한 위성 영상으로 공간적 질감(spatial texture)에 대한 견고한 표현을 미리 학습해 둔 모델을 출발점으로 삼고, 그 위에 비교적 적은 영국 농지 데이터로 미세조정(Fine-tuning) 을 수행함으로써 영국 특유의 경관을 훨씬 높은 정밀도로 인식하게 만든 것입니다. RSF는 더 큰 그림인 Google Earth AI의 한 축으로, Earth AI는 행성 규모 영상(Planet-scale Imagery), 인구(Population), 환경(Environment) 이라는 세 영역의 기초 모델과 이들을 함께 추론하는 Gemini 기반 추론 엔진으로 구성됩니다(arXiv:2510.18318). RSF는 이 가운데 위성 영상을 담당하는 행성 규모 영상 기초 모델에 해당합니다. 비전 트랜스포머 백본을 위성 영상에 적용하는 흐름은 Meta의 DINOv3나 IBM과 NASA의 지리공간 기초 모델에서도 확인할 수 있는 최근의 공통된 방향입니다.

심화 학습: 원격 탐사를 위한 기초 모델과 ViT

Earth AI: 지리공간 기초 모델 + 에이전트 논문 (영문)

Mapping Farmed Landscapes from Remote Sensing: Farmscapes 논문 (영문)

An Image is Worth 16x16 Words: ViT 원 논문 (영문)

같은 공간을 두 층으로 보는 이중 레이어 라벨링

앞서 언급한 공간 위상 문제, 즉 돌담이 산울타리 수관(canopy) 바로 아래 깔려 있는 상황을 해결하기 위해 연구진은 이중 레이어 라벨링(dual-layer labeling) 시스템을 설계했습니다. 서브미터(submeter) 해상도의 영상과 1미터 해상도의 라이다(LiDAR) 데이터를 함께 사용해, 모델이 같은 공간에서 두 가지를 동시에 보도록 한 것입니다. 하나는 (1) 농지나 물처럼 지면 수준의 경계이고, 다른 하나는 (2) 그 위에 얹힌 나무와 담장 같은 지상(above-ground) 요소입니다. 이렇게 층을 나누면 겹쳐 있는 요소들을 각각 온전히 표현할 수 있습니다.

또한 타일 경계에서 요소가 잘리는 문제를 바로잡기 위해, 셀과 셀 사이에서 기하 구조(geometry)를 병합하는 확장 가능한 알고리즘을 개발했습니다. 이를 통해 모든 요소가 기하학적으로 완결된(geometrically complete) 형태를 갖도록 보장합니다.

분할 모델의 정확도

Farmscapes 지도를 만든 딥러닝 분할(segmentation) 모델은 942개의 수작업 주석 타일로 학습되었고, 항목별로 상당히 다른 정확도를 보였습니다. 면(面) 형태의 큰 서식지는 매우 정확하게 잡아냈지만, 폭이 좁은 선형 요소는 본질적으로 더 어려운 문제임이 수치로 드러납니다.

클래스	F1 점수
삼림(Woodland)	96%
농지(Farmed land)	95%
산울타리(Hedgerow)	72%

산울타리의 72%는 얼핏 낮아 보이지만, 폭 몇 미터의 선형 구조물을 전국 규모에서 잡아내는 작업의 난이도를 감안하면 오히려 강력한 성능에 해당합니다. 이러한 정량 결과는 위 Farmscapes 논문(arXiv:2506.13993)에 보고되어 있습니다.

기하학으로 생태적 기능을 분류하다

AI 모델은 초목을 탐지하는 일은 쉽게 하지만, 작은 나무 군집과 길고 가느다란 산울타리의 차이는 자연스럽게 알지 못합니다. 모델이 뱉어낸 원시 윤곽선을 생태적으로 쓸모 있는 인벤토리로 바꾸기 위해, 연구진은 폴스비-포퍼 조밀도 점수(Polsby–Popper compactness score) 라는 수학적 척도를 적용했습니다.

폴스비-포퍼 점수는 원래 선거구 게리맨더링을 측정할 때 쓰이던 지표로, 어떤 도형이 얼마나 원에 가까운지(조밀한지)를 면적과 둘레로 정량화합니다. 면적을 A, 둘레를 $P$라 할 때 다음과 같이 정의됩니다.

PP = \frac{4\pi A}{P^2}

완벽한 원이면 값이 1에 가깝고, 길고 가늘게 늘어진 형태일수록 0에 가까워집니다. 연구진은 각 탐지 결과의 물리적 윤곽을 분석해, 최소 30미터 지름 이상의 크고 연속적인 수관은 삼림(Woodlands), 작은 숲이나 개별 나무처럼 작게 흩어진 형태는 목본 패치(Woody patches), 그리고 산울타리나 길게 이어지는 회랑(corridor)처럼 늘어진 윤곽이면서 조밀도 점수가 엄밀히 0.5 미만인 형태는 선형 목본 요소(Linear woody features) 로 프로그래밍적으로 분류했습니다. 이러한 기하학적 지능(geometric intelligence) 덕분에 야생동물의 이동에 결정적으로 중요한 길고 가느다란 회랑을 분리해 낼 수 있게 되었습니다.

아래 그림은 산울타리, 돌담, 선형 삼림, 작은 숲이 각각 어떤 생태적 기능으로 분류되는지를 보여줍니다.

Google Earth Engine으로 전국 규모를 처리하다

마지막 난제였던 연산 병목을 풀고 이 분석을 전국 규모로 확장하기 위해, 연구진은 Google Earth Engine을 활용했습니다. 수천 개의 독립적인 S2 셀을 병렬로 처리함으로써 기존 연산의 한계를 우회했고, 그 결과 수백만 개의 개별 요소에 대한 벡터 기하 구조를 동시에 생성할 수 있었습니다.

Earth Engine은 페타바이트(petabyte) 규모의 위성 영상과 지리공간 데이터셋을 클라우드에서 병렬로 분석하는 플랫폼으로, 이번 작업처럼 "개별 처리는 가볍지만 대상의 수가 압도적으로 많은" 문제에 특히 잘 들어맞습니다. 이러한 발전들이 모여, 원시 지도 한 장이 자연 회복을 위한 실질적인 도구로 바뀌게 됩니다.

Farmscapes 벡터 데이터셋에는 무엇이 담겨 있나

이번에 공개된 벡터 데이터셋은 2020년 Farmscapes 래스터 데이터셋의 25cm 확률 지도(probability map)를 벡터로 변환한 뒤, "산울타리 갭(hedgerow gap)" 피처를 제외하도록 필터링하고, 분류 속성만 남기도록 단순화해 만들어졌습니다. 원본 영상은 2018년에서 2020년 사이에 촬영되었습니다.

각 객체는 feature_name 속성 하나를 가지며, 값은 다음 다섯 가지 클래스 중 하나입니다. 앞 절에서 본 기하학적 분류(삼림 / 목본 패치 / 선형 목본)가 실제 데이터셋에서는 생태적 의미를 담은 다섯 개의 명명된 클래스로 정리됩니다.

`feature_name`	한국어	의미
`woodland`	삼림	30m 지름 이상의 크고 연속적인 수관
`linear_woodland`	선형 삼림	길게 이어지는 회랑형 목본
`hedgerow`	산울타리	밭 경계를 이루는 선형 목본
`copse`	작은 숲	작은 나무 군집이나 개별 나무
`stone wall`	돌담	역사적 밭 경계를 이루는 석축

데이터셋은 Google Earth Engine의 FeatureCollection으로 제공되며, 빠른 조회를 위한 FeatureView 가속 표현도 함께 제공됩니다. Earth Engine 코드 에디터에서는 아래처럼 불러와 클래스별로 색을 입혀 시각화할 수 있습니다. (아래 코드의 주석은 원문 그대로의 영어를 유지합니다.)

var fc = ee.FeatureCollection('projects/nature-trace/assets/farmscapes/england_v1_0_vectorised');

var styles = {
  'hedgerow': {color: 'FF00FF', fillColor: '40FF00FF'},
  'copse': {color: '00FF7F', fillColor: '4000FF7F'},
  'linear_woodland': {color: '2E8B57', fillColor: '402E8B57'},
  'stone wall': {color: 'D3D3D3', fillColor: '40D3D3D3'},
  'woodland': {color: '005e5e', fillColor: '40005e5e'},
};

var styleDict = ee.Dictionary(styles);
var styledFc = fc.map(function(f) {
  var featureStyle = ee.Dictionary(styleDict.get(f.get('feature_name')));
  return f.set('style', featureStyle);
});

// Render the styled vectors on the map
var styledImage = styledFc.style({styleProperty: 'style', width: 2});
Map.addLayer(styledImage, {}, 'Farmscapes Vectors');
Map.setCenter(-1.43, 52.973, 15);

데이터셋의 한계와 유의점

데이터셋이 개방되어 있다고 해서 모든 환경에서 동일하게 신뢰할 수 있는 것은 아닙니다. 카탈로그는 다음과 같은 한계를 명시하고 있으며, 실제 활용 시 반드시 고려해야 합니다.

지리적 범위: 모델은 주로 시골 경관을 중심으로 학습되었기 때문에, 학습 데이터에 충분히 반영되지 않은 밀집된 도시 환경이나 산악 지역에서는 성능이 떨어집니다.
시간적 범위: 원본 영상이 2018년에서 2020년 사이에 촬영되었으므로, 그 이후에 일어난 경관 변화는 반영되어 있지 않습니다.
클래스별 성능 편차: 돌담(stone wall) 클래스는 학습 데이터의 심각한 클래스 불균형(class imbalance) 때문에 삼림이나 산울타리 클래스에 비해 낮은 정확도를 보입니다.

이러한 한계는 데이터를 "있는 그대로" 받아들이기보다, 지역과 시점, 클래스 특성을 함께 고려해 해석해야 함을 시사합니다.

앞으로의 방향: 농림 복합 경영과 누출 방지

벡터화된 데이터셋의 공개는 중요한 진전이지만, 연구진은 이미 데이터를 한층 더 정교하게 다듬는 작업을 진행하고 있습니다.

특히 고정밀 탐지 기술을 다양한 자연 기반 해법(nature-based solutions)으로 넓히는 방향을 탐색하고 있습니다. 예를 들어 가축 방목과 임업을 결합한 실루보패스처(Silvopasture)나, 농작물과 수목을 함께 기르는 혼농임업(Agroforestry, Agrisilviculture) 시스템에서 미세 목본 요소를 정량화하는 데 이 기술을 활용할 수 있습니다.

또한 이 기술은 앞서 언급한 누출(Leakage) 사건을 식별하는 데에도 도움을 줄 수 있습니다. 어떤 프로젝트 경계 안에서 얻은 탄소와 생물다양성의 국지적 이득이, 경계 바로 바깥의 손실로 상쇄되지 않는지를 점검할 수 있기 때문입니다. 이런 접근은 식량 안보를 해치지 않으면서도 농지 전반에 걸쳐 복원을 확장할 수 있는 중요한 경로를 제시합니다.

연구진은 이 데이터를 공개하고 누구나 접근할 수 있게 함으로써, 농부와 과학자, 정책 입안자가 "작지만 전체적으로는 큰 차이를 만드는" 미세 요소들을 보호하도록 돕고자 합니다. 위성 영상과 AI가 결합해 환경 문제를 다루는 더 많은 사례는 PyTorchKR에 정리된 해양 산업 지도 글이나 Google Research의 2026년 연구 하이라이트에서도 살펴볼 수 있습니다.

라이선스

Farmscapes 벡터 데이터셋은 CC-BY 4.0 라이선스로 배포되어, 출처를 표시하면 상업적 용도를 포함한 자유로운 이용이 가능합니다. 카탈로그는 "This dataset was produced by Google" 이라는 출처 표시를 함께 포함하도록 안내하고 있습니다.

From pixels to planning 소개 블로그

더 읽어보기

이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다.

파이토치 한국 사용자 모임이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일로 보내드립니다!
텔레그램(Telegram)이나 Slack/Discord/Teams/Dooray/GoogleChat 등으로도 새 글 알림을 받으실 수 있습니다.

아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~