위성 이미지와 3D CNN을 활용한 토사재해 자동 탐지 및 위험 평가

본 논문은 급증하는 기후 변동성으로 인한 토사재해 위험을 조기에 탐지하고 완화하기 위해, 최신 이미지 인식 모델과 공개 위성 데이터인 Sentinel‑2를 결합한 시스템을 제안한다. 서론에서는 기존 연구가 주로 로지스틱 회귀, SVM 등 전통적인 머신러닝 기법에 의존하고, 고해상도 DEM이나 현장 조사와 같은 복잡한 전처리 과정을 필요로 함을 지적한다. 이러한 접근법은 데이터 수집 비용과 시간 소모가 크며, 지역 특성에 강하게 의존한다는 한계가 있다. 데이터 수집 단계에서는 NASA Global Landslide Catalog를 기반으로 2015년 6월부터 2017년 9월까지 발생한 대형·극대형 토사재해 20건을 선정하였다. Sentinel‑1은 전처리 비용이 과다해 제외하고, Sentinel‑2의 10 m 해상도 광학 영상을 주 데이터 소스로 사용한다. 선택된 사건은 위치 정확도가 1 km 이하이며, 구름이 거의 없는 이미지만 포함한다. 각 사건에 대해 사전·사후 영상을 각각 추출하고, 동일 지역의 비재해 이미지도 쌍으로 구성해 이진 라벨링을 수행한다. 제안된 모델은 3D‑CNN 구조로, 입력은 두 장의 이미지(전·후)와 5개의 스펙트럼 밴드(Blue, Green, Red, NIR, SWIR)로 구성된 2 × 512 × 512 × 5 텐서이다. 3차원 컨볼루션은 시간(전후) 축을 포함해 변화 패턴을 직접 학습하도록 설계되었으며, 총 8개의 학습 레이어와 배치 정규화, ReLU 활성화 함수를 포함한다. 데이터 증강으로 회전·좌우반전을 적용해 학습 샘플을 확대하였다. 손실 함수는 이진 교차 엔트로피이며, Adam 옵티마이저(learning rate 1e‑4)로 120 epoch 학습한다. 실험에서는 5‑fold 교차검증을 적용해 각 fold마다 4개의 사건을 검증에 사용하였다. 평가 지표는 클래스 불균형을 보정한 균형 정확도(balanced accuracy)이며, 전체 평균 0.624를 기록했다. 학습 과정에서 정확도 변동이 크고, 일부 epoch에서는 80 % 이상을 달성했으나 전체적으로는 데이터 양이 제한적이어서 안정적인 수렴이 어려웠다. 저자는 이러한 결과가 소규모 데이터셋에도 의미 있는 신호를 포착할 수 있음을 시사한다고 주장한다. 미래 연구 방향으로는 (1) 중·소규모 재해 탐지를 위한 더 많은 이미지 확보, (2) Sentinel‑1 SAR 데이터와의 융합을 통한 구름 영향 최소화 및 지형 변위 감지, (3) 다양한 재해 유형(낙석, 토류류, 흐름 등)과 재료별 분류를 위한 다중 클래스 모델 개발, (4) 기상 변수(강수량, 습도 등)와의 정량적 통합을 통한 예측 모델 고도화 등을 제시한다. 또한, 현재는 10 m 해상도에 제한되어 있으나, 고해상도 위성(PlanetScope 등)이나 드론 영상을 활용하면 소규모 재해 탐지 정확도를 크게 향상시킬 수 있을 것으로 기대한다. 결론적으로, 본 연구는 공개 위성 이미지와 3D‑CNN을 결합해 토사재해 자동 탐지 가능성을 입증했으며, 데이터 규모와 멀티모달 융합을 확대함으로써 실용적인 재난 모니터링 시스템으로 발전할 잠재력을 보여준다.