위성 이미지와 딥 CNN을 이용한 전 세계 PM2.5 예측

이 논문은 전 세계적인 대기오염 문제를 해결하기 위해 위성 이미지와 딥러닝을 결합한 새로운 PM2.5 추정 모델을 제안한다. 기존 연구들은 에어로졸 광학두께(AOD), 화학 수송 모델(CTM), GIS 기반 변수 등을 복합적으로 활용해 전 지구적인 노출 지도를 만들었지만, 데이터 수집·전처리 비용이 높고 지역별 적용 가능성이 제한적이었다. 저자들은 이러한 한계를 극복하고자, 전 세계 6,000여 개 관측소에서 수집한 연간 평균 PM2.5와 해당 위치의 위성 사진을 직접 매핑했다. 위성 사진은 Google Static Maps를 통해 256 × 256 픽셀 RGB 이미지로 저장했으며, 줌 레벨 13~16(10 km × 10 km~1.5 km × 1.5 km)으로 다양한 공간 스케일을 확보했다. 데이터 전처리 단계에서는 좌표를 geohash(precision 3)로 변환해 격자 단위로 구분하고, 격자별로 학습·검증·테스트 셋을 무작위 8:1:1 비율로 분리했다. 이렇게 함으로써 동일 지역 이미지가 서로 다른 셋에 겹치지 않도록 하여 모델의 일반화 능력을 엄격히 평가할 수 있었다. 또한, 동일 위치에 연도별 측정값이 여러 개 존재할 경우, 각 연도별 값을 별개의 샘플로 취급해 이미지 하나당 여러 레이블을 허용하는 방식을 채택했다. 모델 설계는 사전 학습된 ImageNet 가중치를 이용한 전이학습 기반이었다. 컨볼루션 베이스로는 InceptionV3, Xception, VGG16 세 가지를 시험했으며, 최적화 알고리즘은 Nadam과 RMSProp을 비교했다. 학습률은 0.001과 0.0001을 시도했으며, 최종적으로 Nadam + 0.0001이 가장 안정적인 수렴을 보였다. 과적합 방지를 위해 컨볼루션 베이스와 완전 연결 층 뒤에 드롭아웃(0.5)을 적용했으며, 조기 종료 콜백을 통해 검증 손실이 20 epoch 연속 개선되지 않을 경우 학습을 중단했다. 예측 대상은 연속형 PM2.5 값과 10개의 데시얼(분위) 클래스로 나뉘었다. 연속형 모델에서는 평균 제곱근 오차(RMSE)를, 범주형 모델에서는 정확도와 ‘one‑off accuracy’를 사용해 성능을 평가했다. 전역 데이터셋(≈19,650개 샘플)에서는 Xception‑13(zoom 13) 조합이 가장 높은 검증 정확도 35.33 %와 RMSE 13.63 µg/m³를 기록했으며, 독립 테스트 셋에서는 RMSE 13.01 µg/m³, R² 0.75를 달성했다. 특히, 모델은 낮은 농도 구간에서 정확도가 높고, 높은 농도 구간에서는 다소 과소추정하는 경향을 보였다. 이는 이미지 해상도가 제한적이어서 고농도 지역의 미세 입자 특성을 충분히 포착하지 못한 것으로 해석된다. 북미 지역(≈623,000개 샘플)에서는 고해상도(zoom 15) 이미지를 사용해 Xception 기반 모델이 검증 RMSE 0.72 µg/m³, 테스트 RMSE 0.74 µg/m³, R² 0.89라는 뛰어난 성능을 보였다. 농도 범위가 0–16 µg/m³로 비교적 좁고 데이터 양이 풍부했기 때문에 모델이 더 정밀하게 학습된 것으로 판단된다. 범주형 모델에서도 검증 정확도 50.95 %와 테스트 정확도 47.07 %를 기록했으며, ‘one‑off accuracy’는 78.41 %에 달했다. 시각적 해석을 위해 Gradient‑Weighted Class Activation Mapping(GCAM)을 적용했으며, 교통망, 산업시설, 도시 밀집 지역, 녹지 등 PM2.5와 연관된 토지 이용 패턴이 모델이 주목하는 주요 영역으로 나타났다. 이는 기존 GIS 기반 변수와 유사한 정보를 이미지 자체에서 자동으로 추출한다는 점에서 의미가 크다. 모델을 Global Burden of Disease 연구에서 사용되는 DIMAQ와 비교했을 때, 전 세계 9,000여 지점(113개 국가)에서 평균 차이는 약 1 µg/m³ 수준이며, 지역별 편차는 관측망이 부족한 아프리카·중동 지역에서 크게 나타났다. 이는 위성 이미지 기반 접근법이 데이터가 희박한 지역에서도 합리적인 추정치를 제공함을 시사한다. 한계점으로는 (1) 이미지 해상도와 줌 레벨에 따라 학습 시간과 GPU 메모리 요구량이 크게 변동한다는 점, (2) 고농도 지역에서의 과소추정 문제, (3) 연간 평균값만을 사용해 계절·기후 변동을 반영하지 못한다는 점을 들 수 있다. 향후 연구에서는 멀티스펙트럼·고해상도 위성 데이터, 시계열 이미지, 기상·배출 모델을 결합한 하이브리드 프레임워크를 구축해 예측 정확도를 향상시키고, 실시간 대기질 모니터링 시스템에 적용하는 방안을 모색할 필요가 있다. 결론적으로, 이 연구는 위성 이미지와 딥 CNN만으로도 전 세계적인 PM2.5 노출을 정확히 추정할 수 있음을 입증했으며, 특히 관측 데이터가 부족한 지역에서 비용 효율적인 대안이 될 수 있음을 강조한다.