인간 AI 피드백 루프를 활용한 위기 대응 위성 이미지 분석 도구 PulseSatellite

본 논문은 인도주의적 위기 상황에서 위성 이미지 분석의 정확성과 신속성을 동시에 달성하기 위해 개발된 협업 도구 ‘PulseSatellite’를 소개한다. 기존의 일반 목적 위성 이미지 분석 툴은 인도주의 현장의 특수한 요구—예를 들어, 특정 유형의 피난민 캠프 구조물이나 급작스러운 홍수 지역—에 맞추어 세밀하게 조정하기 어렵다. PulseSatellite는 이러한 한계를 극복하고자 인간‑AI 피드백 루프와 계층형 모델 파인튜닝 방식을 도입하였다. 시스템은 크게 네 부분으로 구성된다. 첫째, 웹 기반 UI는 JavaScript와 HTML로 구현돼 분석가가 브라우저만으로 이미지 타일을 탐색하고, AI가 제시한 탐지 결과를 시각적으로 검토·수정할 수 있게 한다. 둘째, 백엔드 서버는 Node.js와 PostgreSQL + PostGIS를 이용해 사용자 세션, 메타데이터, 공간 인덱스를 관리하고, Pub/Sub 메커니즘을 통해 GPU 서버와 GIS 타일링 서버 간 실시간 메시지를 교환한다. 셋째, GPU 서버는 PyTorch, TensorFlow, Keras 등 다양한 딥러닝 프레임워크를 지원해 사전 학습된 모델을 즉시 추론하고, 현장 피드백을 반영해 모델을 재학습한다. 넷째, GIS 프로세스는 GDAL을 활용해 대용량 위성 영상을 타일링하고 좌표 변환을 수행한다. 전체 소프트웨어 스택이 오픈소스로 제공돼 비용 효율성과 확장성을 확보한다. PulseSatellite가 제공하는 주요 기능은 두 가지 사례 연구를 통해 입증된다. 첫 번째는 난민 정착촌 매핑이다. 12개 정착촌에서 수집한 300 × 300 픽셀 타일에 대해 Mask R‑CNN을 사전 학습시켰으며, 새로운 캠프 이미지에 적용 후 분석가가 일부 타일을 교정하면 모델이 즉시 재학습된다. 이 과정에서 캠프 완성도는 77.3 %에서 94.7 %로 상승했고, 최종 사용자 정확도는 94.4 %에 도달했다. 두 번째는 급속 홍수 매핑이다. 방글라데시와 소말리아의 홍수 데이터를 이용해 U‑Net 모델을 학습시켰으며, 전체 정확도 90 % 이상을 기록했다. 기존 수작업 임계값 기반 방법이 몇 시간을 소요하던 것을 몇 분 안에 처리하도록 가속화했다. 성능 향상의 핵심은 ‘점진적 파인튜닝’과 ‘실시간 평가’이다. 분석가는 도구 내에서 AI 결과를 즉시 검증하고, 품질이 기준에 미치지 못하면 재학습을 트리거한다. 이를 통해 오탐·누락 위험을 최소화하면서 작업 효율을 크게 높일 수 있다. 그러나 새로운 센서(고해상도·다중 스펙트럼) 도입 시 데이터 전처리와 라벨링 비용이 증가하고, 클라우드 인프라 의존도가 높아 네트워크 지연 및 비용 관리가 운영상의 과제로 남는다. 논문은 PulseSatellite가 현재 아프리카와 중동 지역의 여러 정착촌에서 파일럿 운영 중이며, 실제 현장에서 높은 정확도와 작업 시간 단축을 입증했다고 보고한다. 향후에는 문화유산 보존을 위한 변화 감지, 건물 손상 평가, 모바일 오프라인 피드백 수집 등 추가 AI 모듈과 프론트엔드 기능을 통합할 계획이다. 이러한 확장은 PulseSatellite를 단일 이미지 분석 도구에서 종합적인 위기 대응 플랫폼으로 전환시키는 발판이 될 것으로 기대된다.