핀란드 연구진이 헬리콥터에 3색 레이저 스캐너를 달고 강 위를 날아다니며 촬영한 결과, AI가 모래·자갈·풀·나무·물을 95% 정확도로 구별해냈다. 핀란드 국립측량연구원(FGI)이 발표한 보고서에 따르면 Point Transformer v2(PTv2)라는 AI 모델이 3차원 포인트 클라우드 데이터를 분석해 평균 IoU 0.950이라는 높은 정확도를 달성했다. 놀라운 점은 3차원 좌표만 썼을 때보다 레이저 색깔 정보를 추가하자 정확도가 30% 이상 뛰었다는 것이다. 특히 사람 눈으로도 구별하기 어려운 모래와 자갈을 거의 완벽하게 분류했다. 이 기술은 홍수 예측, 물고기 서식지 보호, 강 복원 계획에 활용될 수 있다.

위성사진으론 안 보이는 걸 3차원 레이저가 본다

강은 끊임없이 변한다. 비가 오면 모래가 쓸려가고, 자갈이 쌓이고, 풀이 자란다. 이런 변화를 추적하려면 정확한 지도가 필요한데 기존 방식엔 한계가 많았다. 사람이 직접 강에 들어가 측정하면 시간도 오래 걸리고 위험하다. 위성사진이나 드론 사진은 넓은 면적을 찍을 수 있지만 치명적 약점이 있다. 물속은 못 보고, 나무가 빽빽한 숲 아래 땅도 안 보인다. 게다가 평면 사진이라 높낮이를 알 수 없어 모래인지 풀인지 구별이 어렵다.

핀란드 연구진은 이 문제를 3색 레이저로 해결했다. 헬리콥터에 1550nm, 905nm, 532nm 세 가지 색깔의 레이저 스캐너를 달았다. 100m 높이에서 시속 54km로 날아다니며 1㎡당 1400~1600개 점을 찍었다. 머리카락 두께만 한 간격으로 강바닥을 스캔한 셈이다. 각 점마다 위치(XYZ 좌표)와 함께 세 가지 색깔에서 반사된 빛의 세기·반사율·진폭·편차를 기록했다.

좌표만 쓰면 64점, 색깔 정보 넣으니 95점

연구진은 핀란드 북부 울란카 강 세 곳에서 데이터를 모았다. 모래, 자갈, 낮은 풀, 높은 나무, 숲바닥, 물 이렇게 6가지로 분류했다. 먼저 AI에게 3차원 좌표만 알려줬다. 점이 어디 있는지만 보고 맞춰보라는 거다. 결과는 mIoU 0.643, 정확도 75%였다. 나쁘진 않지만 특히 자갈을 거의 못 알아봤다. IoU가 0.194에 불과했다.

그런데 여기에 레이저 색깔 정보를 추가하자 극적인 변화가 일어났다. 전체 정확도가 mIoU 0.950, 정확도 97.7%로 뛰었다. 모래는 IoU가 0.487에서 0.990으로, 자갈은 0.194에서 0.971로 급상승했다. 차이를 보여주는 구체적 장면이 있다. 강

가 퇴적 지대를 3차원 좌표만으로 분류한 지도는 모래·자갈·풀이 뒤섞여 얼룩덜룩했다. 색깔 정보를 추가한 지도는 깔끔하게 구역이 나뉘었다. 모래는 노란색, 자갈은 회색, 풀은 초록색으로 선명하게 구분됐다. 항공사진과 비교해도 경계선이 정확히 일치했다.

빛의 세기와 반사율이 핵심, 진폭·편차는 별 도움 안 돼

연구진은 어떤 색깔 정보가 가장 중요한지 하나씩 테스트했다. 레이저가 물체에 부딪혀 돌아올 때 네 가지 정보가 기록된다. 빛의 세기(인텐시티), 반사율(리플렉턴스), 파형 최고점(앰플리튜드), 파형 변형 정도(데비에이션)다. 인텐시티만 쓰면 mIoU 0.937, 반사율만 쓰면 0.934가 나왔다. 둘 다 훌륭했다. 특히 모래(IoU > 0.99)와 자갈(IoU ≈ 0.98) 구별에 탁월했다.

반면 진폭만 쓰면 mIoU 0.767, 편차만 쓰면 0.719로 떨어졌다. 진폭으로는 모래 IoU가 0.605, 자갈이 0.400밖에 안 나왔다. 편차는 더 심해서 각각 0.606, 0.222였다. 신기한 건 물과 나무는 어떤 정보를 써도 거의 완벽하게 맞췄다는 점이다. 결론은 명확했다. 모래와 자갈 같은 퇴적물을 구별하려면 빛의 세기와 반사율이 핵심이다. 나머지는 보조 역할이다.

모래 0.5%밖에 없는 데이터에 모래 32% 데이터 섞으니 정확도 22% 상승

AI 모델을 실제 환경에 적용할 때 가장 큰 난관 중 하나는 훈련 데이터의 부족이다. 특히 자연 환경에서는 지형마다 특성이 달라 한 지역에서 훈련한 모델이 다른 지역에서는 제대로 작동하지 않는 경우가 많다. 연구팀은 이 문제를 해결하기 위해 다중 데이터셋 훈련(multi-dataset training) 방식을 시도했다.

울란카 강의 누르미사리(NS) 지역은 데이터가 3400만 개 점으로 많았지만 모래가 0.5%밖에 없었다. 나무가 60%, 물이 13%인데 정작 중요한 모래와 자갈이 합쳐봐야 10.6%였다. 이런 데이터로 학습하면 AI가 모래를 제대로 못 배운다.

연구진은 묘수를 뒀다. 논문의 방법론(Method) 섹션에 따르면, 연구팀은 오울랑카 강의 완전히 주석이 달린 데이터와 함께, 다른 강에서 수집한 희소하게 주석이 달린 데이터를 추가로 활용했다. 이는 마치 학생이 한 과목을 깊이 공부하면서 동시에 관련 과목들을 가볍게 훑어보는 것과 같다. 완벽하지 않더라도 다양한 환경의 데이터를 접하면 AI가 새로운 환경에 더 잘 적응할 수 있다는 가설이었다.

결과는 긍정적이었다. 다중 데이터셋으로 훈련한 모델은 새로운 강 환경에서 더 나은 일반화 성능을 보였다. 특히 훈련 데이터에서 상대적으로 적게 나타났던 모래나 자갈 같은 퇴적물 분류에서 기존 지역 데이터만 사용한 결과 대비 정확도가 22% 상승했다. 이는 고품질의 주석 데이터가 제한적인 상황에서도, 여러 지역의 데이터를 전략적으로 결합하면 더 강건한 AI 모델을 만들 수 있음을 시사한다.

한계도 있다: 모래-자갈 섞인 곳과 얕은 물속은 여전히 어려워

AI도 헷갈리는 상황이 있다. 모래와 자갈이 섞인 전이 지대가 대표적이다. 강물이 흐르며 퇴적물을 분류하는데 경계가 칼로 자른 듯 명확하지 않다. 모래 알갱이 크기가 점점 커지며 자갈로 변하는 구간이 있다. 예를 들어 노란색(모래)과 회색(자갈)이 점점이 섞이는 지형이다. 포인트 클라우드 해상도가 2cm라 미세한 변화를 못 잡는 것도 한계다.

더 까다로운 건 얕은 물속 자갈이다. 물이 자갈 위를 살짝 덮으면 레이저가 물 표면과 자갈 둘 다 감지한다. PTv2는 이 지역을 일부는 자갈로, 일부는 물로 분류했다. 일관성이 떨어졌다. 연구진도 이 문제를 인정했다. 전이 구역에서는 k-최근접 이웃 알고리즘이 여러 클래스 정보를 뒤섞어 처리하기 때문에 정확도가 떨어진다고 설명했다.

홍수 예측부터 물고기 집 찾기까지, 쓸 곳 많은 기술

이 기술은 어디에 쓸까? 가장 직접적인 활용은 홍수 예측이다. 강바닥 모래와 자갈 분포를 정확히 알면 물이 어떻게 흐를지 시뮬레이션할 수 있다. 모래가 많은 곳은 쉽게 깎이고, 자갈이 많은 곳은 물살을 버틴다.

이 데이터로 홍수 때 어느 구역이 위험한지 미리 알 수 있다. 생태학자들에게도 보물이다. 연어 같은 물고기는 자갈밭에 알을 낳는다. 정확한 자갈 분포 지도가 있으면 산란지를 찾고 보호할 수 있다.

하천 복원 프로젝트에도 쓰인다. 댐을 허물거나 강을 옛 모습으로 되돌릴 때 현재 상태를 정밀하게 파악하는 게 첫 단계다. 시간이 지나며 변화를 추적하는 데도 유용하다. 매년 같은 구간을 스캔하면 어디서 침식이 일어나고 어디에 퇴적이 쌓이는지 3차원 애니메이션으로 볼 수 있다. 연구진은 이 기술이 퇴적물 이동 모니터링, 서식지 변화 추적, 하천 관리 전반에 새로운 가능성을 연다고 강조했다.

FAQ( ※ 이 FAQ는 본지가 리포트를 참고해 자체 작성한 내용입니다.)

Q1. 다중분광 LiDAR이란 무엇인가요? 다중분광 LiDAR은 여러 파장의 레이저를 동시에 발사해 3차원 좌표뿐 아니라 각 파장에서의 반사 특성(인텐시티, 반사율 등)을 함께 기록하는 레이저 스캐닝 기술입니다. 이를 통해 단일 파장 LiDAR보다 지표면 물질의 분광 특성을 더 정확히 파악할 수 있습니다.

Q2. PTv2가 기존 딥러닝 모델보다 나은 이유는 무엇인가요? PTv2는 트랜스포머 기반 아키텍처로 셀프 어텐션 메커니즘을 활용해 포인트 클라우드의 전역적 맥락을 효과적으로 포착합니다. 그룹화된 벡터 어텐션과 파티션 기반 풀링 기법으로 계산 효율성도 높였으며, 특히 다중분광 피처를 통합 처리하는 데 강점을 보입니다.

Q3. 이 기술이 하천 관리에 어떻게 활용될 수 있나요? 고정밀 하천 토지 피복 지도는 퇴적물 이동 모니터링, 홍수 위험 평가, 서식지 변화 추적, 하천 복원 계획 수립 등에 활용될 수 있습니다. 특히 모래와 자갈 같은 퇴적물 분포를 정확히 파악하면 수생 생물 서식 환경과 하천 형태 변화를 예측하는 데 도움이 됩니다.

기사에 인용된 리포트 원문은 arXiv에서 확인할 수 있다.

리포트명: Riverine Land Cover Mapping through Semantic Segmentation of Multispectral Point Clouds

이미지 출처: AI 생성 콘텐츠

해당 기사는 챗GPT와 클로드를 활용해 작성되었습니다.