최근 전세계적으로 지진 발생 소속이 부쩍 잦아진 것 같다. 요 근래만 해도 일본 근해의 지진이 있고 뉴욕지진, 대만 지진이 세계를 놀라게 했다. 이런 지진이 발생했을 때 도시지역이라면 재난 발생지역을 입체적으로 보여주는 3D지도가 긴요해진다. 지진에 무너진 빌딩모습을 통해 긴급대응을 체계적으로 할 수 있고 그만큼 구조 시간도 효율적으로 사용할 수 있게 될 것이다. 때마침 IEEE스펙트럼은 독일 뮌헨 분데스베어대학교가 이런 지도 제작을 단 몇 분 만에 만들어줄 인공지능(AI) 모델을 개발했다고 보도했다. 훈련된 AI 모델을 사용해 위성 레이더 기반의 2D 영상지도를 짧은 시간내에 3D 지도로 만들어주는 기술이다. 이를 활용해 대형 재난 발생시 재빨리 대처해 귀한 생명을 구하는 데 큰 도움을 주리란 기대감을 높이고 있다. AI는 이제 지형공간 분야에서도 인간을 위해 좀더 유용하게 사용될 수 있을 것 같다. SAR위성으로 촬영된 긴급재난지역의 2D지도를 3D지도로 만들어주는 AI모델을 개발한 독일 대학 연구진의 비결을 알아봤다.

레이더 위성에서 얻은 2D영상지도를 단시간내에 3D영상지도로

독일 뮌헨 분데스베어 대학교 항공우주공학자들은 최근 새로운 인공지능(AI) 기계 학습 시스템을 활용, 단 한 장의 합성개구레이더(SAR·Synthetic Aperture Radar) 이미지만으로도 도시 환경의 높이 지도(3D지도)를 생성할수 있는 기술을 개발했다.

이는 단 한장의 2D SAR 영상지도만으로도 잠재적으로 더빠른 재해 계획 수립과 함께 대응을 가속화할 수 있는 길이 열렸다는 것을 의미한다.

SAR은 전파를 발사해 되돌아오는 시간을 계산해 영상지도를 제작하는 기술이다. 이 장치는 기본적으로 레이더(전파이용 탐지 및 거리 측정) 전파발생 장치이므로 공중에서 지상 및 해양에 대해 공중에서 레이더파를 순차적으로 쏜 이후 레이더파가 굴곡면에 반사돼 돌아오는 미세한 시간차를 처리해 2D 지상 지형도를 만들거나 지표를 관측한다. 때문에 주간 및 야간, 그리고 악천후에도 사용할 수 있다는 장점을 가진다. 최근 우리 국방부는 SAR위성으로 불리는 정찰위성을 스페이스X 로켓에 실어 성공적으로 발사했다.

독일 연구진은 ‘SAR2 높이’(SAR2Height)라는 이름의 프레임워크를 개발, 완벽하지는 않지만 단일 SAR 위성촬영(2D)영상으로부터 완전한 3차원(3D) 도시 지도를 제공하는 최초의 기술이라며 이를 공개했다.

이 기술이 중요한 이유는 재난지역에서 빠르고 값싸게 현장의 입체적 상황을 파악하게 해 주는 엄청나게 유용한 기술이 될 수 있기 때문이다.

예를 들어 지진으로 도시가 파괴되면 정보가 부족해질 수 있다. 기본적인 서비스가 중단되면 어느 정도의 피해가 발생했는지, 인도적 지원의 필요성이 어디에 가장 큰지 가늠하기 어려울 수 있다.

물론 라이다 시스템을 사용하는 항공 측량은 3D 지도제작의 황금률로 꼽힐 만큼 좋은 기술이다. 하지만 이 시스템은 대형 재난에 따른 물류상 어려움이 없더라도 구입과 운영에 많은 비용이 든다. 라이다 시스템은 레이저와 달리 전파가 아닌 빛, 즉 적외선(IR)·자외선(UV)·레이저(LASER·유도복사방출 광증폭 등)을 사용한 거리검출 및 형상측정 시스템이다.

리모트 센싱(원격탐사) 위성을 통한 지도제작은 또다른 옵션이긴 하지만 구름이나 연기에 가려지면 이 광학 위성 영상은 무용지물에 가깝게 되는 단점을 가진다.

SAR의 장점뒤에 가려진 단점

지구 궤도에는 각국 정부와 기업이 쏘아올린 수십 대의 SAR 위성이 있으며, 많은 위성이 몇 시간 안에 새로운 위치에서 사진을 촬영해 이미지화하는 임무를 수행할 수 있다.

SAR은 위성이 지구 표면을 향해 발사하는 신호 전파의 반사를 이용하는 능동형 센서다. SAR은 전파의 특성상 구름도 통과하므로 기상이 좋지않을 때는 물론 야간에도 촬영할 수 있는 장점이 있다. 이 레이더로 획득한 영상은 날씨의 영향을 거의 받지 않아 구름이 끼거나 비가 자주 내리는 지역을 촬영하는 데 알맞다. 또 신호를 빠르게 처리하고, 가시광선으로는 불가능한 물체의 특성을 얻을 수도 있어 여러 분야에서 활용되고 있다.

그러나 SAR장치의 단점은 안테나가 수신한 복합 데이터의 크기 정보만으로 영상을 만들기 때문에 위상 정보를 잃는다는 것이다.

SAR 이미지는 본질적으로 여전히 2차원이며 사진보다 해석하기가 훨씬 더 까다로울 수 있다. 이것은 부분적으로 손상되지 않은 건물이 센서 쪽으로 무너져 내리는 것처럼 보이는 레이더 레이오버(layover)라고 불리는 효과 때문이다.

SAR 2D이미지를 3D화하는 묘수 찾았다

미하엘 슈미트 뮌헨 분데스베어 대학교 교수는 “높이는 그 자체로 매우 복잡한 주제다. 높이가 무엇인지에 대한 100만 가지 정의가 있으며, 위성 이미지를 의미있는 세상의 기하학에서 의미있는 높이로 바꾸는 것은 매우 복잡한 노력을 요한다”고 말한다.

슈미트와 그의 동료 미하엘 레클라는 문제 해결책을 찾아 나섰다. 이들은 공공 독일 항공우주 센터와 민간 계약업체인 에어버스 디펜스 앤드 스페이스와 협력 관계인 테라SAR-X(TerraSAR-X) 위성으로부터 51개 도시에 대한 SAR 이미지를 얻는 것으로 시작했다.

그리고 나서 연구원들은 동일한 도시들에 대한 이미 만들어진 고품질의 높이 지도들을 얻었는데, 대부분은 라이다 측량에 의해 생성됐지만 일부는 비행기나 스테레오 카메라를 실은 드론들에 의해 생성됐다. 라이다는 레이저(복사유도에 의한 빛 증폭) 펄스를 발사하고, 그 빛이 주위의 대상 물체에서 반사돼 돌아오는 것을 받아 물체까지의 거리 등을 측정함으로써 주변 모습을 정밀하게 그려내는 장치다.

이제 연구진의 다음 단계는 그 위에서 심층 신경망을 훈련시킬 SAR 이미지들과 높이 지도들 사이에서 일대일, 픽셀 대 픽셀 지도제작을 하는 것이었다.

그 결과는 놀라웠다. 슈미트 교수는 “우리는 순전히 테라SAR-X 이미지 위에서 모델을 훈련시켰지만 이는 다른 상업 위성의 이미지에서도 즉각적으로 잘 작동했다”고 밝혔다.

그는 실행하는 데 단 몇 분밖에 걸리지 않는 이 모델이 SAR 이미지에서 건물의 높이를 약 3m의 정확도로 예측할 수 있다고 말한다. 이 정확도는 일반적인 건물의 한 층 높이에 해당한다. 그리고 이는 독일 팀의 이 시스템이 상당한 피해를 입은 도시 전역의 거의 모든 건물을 발견할 수 있을 것임을 의미한다.

피에트로 밀릴로 미 휴스턴대 지오센싱 시스템 공학 교수는 현재 나사지원을 받아 진행중인 지진 복구 프로젝트에 슈미트앤레클라(Schmitt and Recla)의 AI 모델을 사용하기를 희망한다.

그는 “우리는 건물 높이 지도 제작에서 건물 붕괴 가능성 지도 제작으로 갈 수 있다”고 말한다. 이달 말 밀릴로는 지난해 2900명 이상의 목숨을 앗아간 모로코 지진 현장을 방문해 자신의 애플리케이션을 검증할 계획이다.

향후 AI 3D매핑 모델의 과제는

그러나 슈미트 교수는 이 AI 모델이 아직은 완벽하지 않다고 경고한다.

그것은 마천루의 높이를 정확하게 예측하는 데 어려움을 겪고 있으며, 북미와 유럽 도시에 치우쳐 있다는 점이다.

이는 개발도상국에 있는 많은 도시들이 대표적인 훈련 데이터를 제공하기 위한 정기적인 라이다 지도제작 비행을 하지 않았기 때문이다.

라이다 비행 지도제작 시기와 SAR 영상 이미지가 촬영 시기 사이의 간격이 길수록 더 많은 건물이 지어지거나 교체되었을 것이고 모델의 예측은 신뢰성이 떨어진다.

일례로 부유한 미국에서도 “우리는 정부 라이다 비행 측량의 느린 재방문 주기와 데이터 공개에 의존하고 있다”고 말한다. 버지니아 비치에 기반을 둔 SAR 소프트웨어 전문 회사인 EO59의 설립자인 칼 푸치는 말한다. 그는 “그것은 정말 짜증나는 일이다. SAR이미지로부터 3D를 생산할 수 있다는 것은 정말로 혁명이 될 것이다”라고 말했다.

슈미트 교수는 자신의 팀이 개발한 SAR2하이트(SAR2Height) AI 모델이 이제 177개 도시의 데이터를 통합하고 있으며, 항상 개선되고 있다고 말한다.

그는 “우리는 단일 SAR 이미지로부터 실제 건물 모델을 재구성하는 것에 매우 가까워졌다. 하지만 여러분은 우리의 방법이 결코 고전적인 스테레오 카메라 또는 라이다처럼 정확하지 않을 것이라는 것을 명심해야 한다. 그것은 고정밀 측정 대신에 항상 최선의 추측의 형태로 남을 것이다”라고 말했다.

분명한 것은 대지진 이후의 혼란 속에서 아무리 좋은 추측이라도 없는 것보다는 나을 수 있다.