이득:
- 원격 감지 및 위성 이미지를 통해 도시 확장, 건설 및 토지 피복 변화에 대한 AI 지원 감지 논리를 이해합니다.
- 정확성, 해상도 및 날짜 정보를 사용하여 이미지 분류 및 변경 감지 출력을 비판적으로 평가하는 기능
- AI가 이미지에서 추출한 경계는 현장 및 공식 기록을 통해 확인되어야 하며 법적 증거가 될 수 없다는 점을 이해하는 능력.
지난 10년 동안 도시가 어디서, 얼마나, 얼마나 빠르게 성장했는지 현장을 일일이 확인하는 것은 불가능하다. 대신 기획자는 원격 감지(위성 및 항공기를 사용하여 지구를 이미징하고 데이터를 추출)를 사용합니다. 다양한 날짜의 위성 이미지를 비교하여 신축 건물, 농경지 손실, 불법 건축 확대, 녹지 공간 축소 등을 파악할 수 있습니다. AI는 이러한 이미지를 분류하고(각 픽셀에 "구조", "식물", "물" 등으로 레이블 지정) 두 날짜 사이의 변화를 감지하는 강력한 가속기입니다. 하지만 이미지 분석은 해상도, 날짜, 그림자, 구름, 분류 오류로 가득 차 있습니다. AI가 표시하는 '변화'는 그림자일 수도 있고, 계절적 차이일 수도 있고, 오류일 수도 있습니다. 따라서 해당 이미지를 통해 도출된 어떠한 결론도 현장 및 공식 기록을 통해 확인되지 않는 한 법적 조치의 근거로 사용될 수 없습니다.
원격탐사의 기본 개념
해상도: 지면에서 픽셀이 차지하는 면적. 10미터 해상도에서 1픽셀은 10x10미터를 나타냅니다. 작은 별채는 보이지 않습니다. 고해상도(예: 0.3-1미터)는 더 세부적이지만 더 비싸고 빈도가 낮은 데이터를 의미합니다.
스펙트럼 대역: 위성은 눈으로 볼 수 없는 빛(적외선 등)도 기록합니다. 식물은 적외선으로 빛납니다. 이렇게 하면 식물을 구조물에서 분리하는 것이 더 쉬워집니다. NDVI(식물 활력을 측정하는 간단한 계산기)와 같은 지수는 그린필드 추적에서 일반적입니다.
날짜 및 계절: 두 이미지가 서로 다른 계절에 있는 경우 녹색의 감소는 "손실"이 아니라 겨울의 도래일 수 있습니다. 비교하자면 날짜와 계절의 조화가 필수적입니다.
정확도: 분류가 얼마나 정확한지 측정하는 값입니다. "85% 정확도"는 6개 픽셀 중 하나가 잘못 레이블 지정될 수 있음을 의미합니다. 이는 감사 프로세스에 있어서 상당한 오차 범위입니다.
주의: AI가 위성 영상에서 탐지한 구조물은 그 자체로는 불법 구조물의 증거가 아닙니다. 그림자, 해상도, 날짜 및 분류 오류는 오탐지를 생성합니다. 검사 및 집행에는 항상 현장 통제, 소유권 증서/면허 등록 및 공식 측정이 필요합니다.
무료 개방형 위성 데이터(유럽의 Sentinel 및 미국의 Landsat 프로그램과 같은 소스)가 계획에 가져오는 가장 큰 가치는 역사적인 시계열입니다. 즉, 수년에 걸쳐 동일한 지역에 대한 수십 개의 이미지에 액세스할 수 있습니다. 이를 통해 단일 "이전/이후" 비교를 넘어 지역의 확산 비율, 계절적 변동 및 추세를 확인할 수 있습니다. AI는 이러한 긴 계열을 요약하고 의미 있는 변화 패턴을 노이즈에서 분리하는 데 도움이 됩니다. 그러나 시계열에도 동일한 규칙이 적용됩니다. 추세가 아무리 명확하더라도 결과를 결정하는 것은 이미지의 해상도, 구름 비율 및 계절성입니다. 이 세 가지 요소를 보고하지 않으면 어떤 추세도 신뢰할 수 있는 것으로 간주될 수 없습니다.
변화 감지 논리
두 개의 날짜가 지정된 이미지를 비교하는 방법에는 여러 가지가 있습니다. 두 날짜를 분류하고 클래스를 비교하거나, 지수 차이(예: NDVI 차이)를 얻거나, AI 모델을 사용하여 "변경됨/변경되지 않음" 지도를 직접 생성하는 것입니다. 결과는 변화의 지도입니다. 새로운 구조는 어디에 있고, 식물은 어디에 없어졌습니까? 이 지도는 예비 심사로서 매우 중요합니다. 기획자에게 "저기를 살펴보라"고 지시하는 것입니다. 하지만 각 기호는 실제 변경인지 오류인지 별도로 검증됩니다.
단계별: AI 기반 변경 분석
- 질문을 정의하십시오. “2018년부터 2024년 사이에 [해당 지역]에 신축 건물은 어디에 있나요?”
- 이미지를 선택하세요. 비슷한 계절, 허용 가능한 해상도, 낮은 구름.
- 전처리. 동일한 CRS로 가져오고 정렬하고 클라우드/섀도 마스크를 적용합니다.
- 분류/비교하세요. AI로 클래스를 생성하거나 지도를 변경하세요.
- 정확성을 평가합니다. 알려진 기준점을 사용하여 정확도를 측정합니다.
- 필드 및 등록 확인. 필요한 경우 소유권 증서/면허 및 사이트에 표시된 변경 사항을 확인하세요.
- 보고 한도. 날짜, 해상도, 정확성, 오차범위를 명확하게 기재하세요.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트: "이 두 이미지에서 무엇이 변경되었는지 알려주세요."
AI는 보기에는 좋지만 불확실하게 정확한 목록을 생성합니다. 그늘과 계절의 차이가 실제 변화라고 생각할 수도 있습니다.
강력한 프롬프트: "두 날짜(2018년 7월/2024년 7월, 같은 계절, 10m 해상도)의 분류된 토지 피복 데이터를 비교하고 있습니다. 변경 분석을 보고할 때 어떤 변경 사항이 그늘/계절/해상도 때문에 가양성이 될 수 있는지, 어떤 결정에 현장 검증이 필요한지, 정확도를 어떻게 측정해야 하는지 명시하십시오. 확정적이지 말고 '현장 확인 필요'로 각 결과를 기록해 두십시오."
두 번째 프롬프트는 AI가 불확실성과 오류 원인을 명확하게 전달하도록 합니다.
복사 가능한 템플릿 4개
작업: 다음 변경 감지 출력을 비판적으로 평가합니다. 그림자, 구름, 계절, 해상도, 분류 오류 등 각 감지에 대해 가능한 ERROR 소스를 나열합니다. "필드 확인 필요"라는 메모를 추가합니다. 최종 판단을 내리지 마십시오. 조사 결과 / 날짜 / 해결 방법: [...]
작업: 계절성, 해상도, 구름 비율, 날짜 범위, CRS 등 도시 변화 분석을 위한 이미지 선택 기준 체크리스트를 작성합니다. 내가 가지고 있는 이미지가 이러한 기준을 충족하는지 묻는 질문을 만듭니다. 이미지 정보: [...]
작업: 다음 변경 분석 결과에서 보고서 초안을 작성합니다. 각 결과의 해결 방법, 날짜, 정확성 및 오차 범위를 명확하게 명시합니다. 결과를 "사전 심사"로 구성합니다. 검사/제재를 위해서는 현장 및 공식 기록 확인이 필요하다는 점을 강조합니다. 조사 결과: [...]
작업: 분류 정확도를 평가하는 간단한 방법을 제안합니다. 기준점 수, 선택 방법, 정확도 계산 방법(간단한 설명). 보고서에는 어떤 진실 진술을 작성해야 합니까? 예.컨텍스트: [...]
테이블: 데이터 유형 및 사용법
데이터
해상도
장점
한도
중간 해상도 위성
10-30m
무료, 빈번, 넓은 지역
작은 구조를 놓치다
고해상도 위성
0.3-1m
상세한 구조 감지
비싸고 희박한 클라우드 위험
항공사진/정사사진
0.1-0.3m
매우 상세하고 형식적임
업데이트 빈도가 낮습니다.
UAV(드론)
cm 수준
즉시, 매우 상세함
작은 공간, 허가/법률
세 개의 미니 케이스
사례 1 - 그림자 환상. 한 지자체가 AI 변화 지도에서 동네에 '신축' 표지판을 본다. 현장 팀이 간다. 오후 이미지에서는 대부분의 표지판이 긴 건물 그림자입니다. 새로운 빌드의 실제 수는 표시의 절반입니다. AI가 사전에 선별해 놓았는데, 확인 없이 사용하면 허위 분을 생성하게 된다.
사례 2 — 작은 구조를 탈출합니다. 계획자는 10미터 해상도의 무료 위성을 사용하여 농업 분야의 소규모 창고를 추적하려고 합니다. 창고는 6x8미터 크기이므로 1픽셀 아래에 남아 눈에 띄지 않습니다. 플래너는 실제 추적을 위해 고해상도 정사사진으로 전환합니다. 해상도는 볼 수 있는 내용을 결정합니다.
사례 3 - 투명한 보고서. 한 팀은 한 지역의 6년간의 확산을 분석하고 보고서에 "탐지는 정확도 82%의 예비 스캔입니다. 47개 지점이 현장 확인을 기다리고 있습니다. 이미지 날짜와 해상도가 첨부되어 있습니다"라고 명확하게 기록합니다. 국회는 그 결과를 올바른 무게로 평가한다. 불확실성을 숨기는 것보다 보고하는 것이 분석을 신뢰할 수 있게 만듭니다.
일반적인 실수
- 탐지를 증거로 착각함. 이미지는 사전 스캔됩니다. 제재와 공식 등록이 필요합니다.
- 시즌/날짜가 일치하지 않습니다. 계절에 따른 이미지가 다르면 잘못된 변형이 발생합니다.
- 해상도를 무시합니다. 낮은 해상도에서는 작은 구조가 보이지 않습니다. "없음"이 아닙니다.
- 정확성을 보고하지 못했습니다. 오류의 한계를 숨기는 것은 잘못된 결정으로 이어집니다.
- 그림자와 구름을 잊어버리세요. 오탐지의 가장 일반적인 두 가지 원인.
- CRS 불일치. 정렬되지 않은 이미지가 잘못된 위치에서 변경됩니다.
요약하면
위성 및 항공 이미지는 도시 변화를 규모와 속도로 볼 수 있는 가장 강력한 방법입니다. AI는 분류 및 변경 감지를 가속화합니다. 그러나 해상도는 볼 수 있는 것을 결정하고, 계절과 날짜는 무엇이 실제인지를 결정하고, 그림자와 구름은 무엇이 거짓 긍정인지를 결정합니다. 정확성은 항상 측정되고 보고되어야 합니다. 가장 중요한 것은 이미지에서의 감지가 사전 스캔이라는 점입니다. 검사와 제재를 위해서는 현장 통제, 소유권 증서/면허 등록, 공식 측정이 필수적입니다. AI는 의사결정이 아니라 비전 속도를 높입니다.
응용과제
서로 다른 두 날짜의 이미지(또는 시나리오) 쌍을 생각해 보세요. (1) 두 번째 템플릿으로 이미지 선택 기준을 확인합니다. 계절, 해상도, 구름이 맞는지? (2) 변경 감지 목록을 가정하고 초기 템플릿을 사용하여 각 감지에 대해 가능한 오류 소스를 추출합니다. (3) 세 번째 템플릿을 사용하여 보고서 초안을 작성하고 정확성과 오차 범위를 추가합니다. (4) 현장 확인이 필요한 결정과 이를 수행하는 방법을 기록하십시오.
체크리스트
- [ ] 이미지의 계절, 날짜, 해상도 호환성을 확인했습니다.
- [ ] 이미지를 동일한 CRS에 정렬했습니다. 구름/그림자 마스크를 고려했습니다.
- [ ] 나는 변화 감지를 증거가 아닌 예비 심사로 간주했습니다.
- [ ] 분류 정확도를 평가하고 보고했습니다.
- [ ] 표시된 변경 사항을 현장 및 공식 기록으로 확인하였습니다.
- [ ] 해상도 제한에서 놓칠 수 있는 사항을 언급했습니다.
- [ ] 보고서에 날짜, 해결방법, 오차범위 등을 명확하게 기재하였습니다.