위성영상으로 보는 휴대전화 보급 예측 모델

디지털 연결성은 경제 성장과 빈곤 감소에 핵심적인 역할을 하지만, 전 세계 인구의 절반 가량이 여전히 인터넷에 접근하지 못하고 있다. 특히, 인프라 투자 결정을 위한 정확한 수요 데이터가 부족한 ‘그린필드’ 지역에서는 투자 위험이 커져 디지털 격차가 심화된다. 이러한 문제를 해결하고자 본 논문은 공개 위성영상 데이터를 활용해 휴대전화 보급률과 모바일 서비스 지출이라는 두 가지 핵심 수요 지표를 예측하는 머신러닝 프레임워크를 개발하였다. 연구 대상은 아프리카 동부에 위치한 말라위와 에티오피아이며, 두 국가 모두 인구가 분산되어 있고 농업 중심의 경제 구조를 가지고 있어 전통적인 인구밀도나 야간조명(NTL) 기반 예측이 한계가 있다. 데이터 수집 단계에서는 구글 어스 엔진을 통해 Landsat 8, Sentinel‑2, MODIS 등 다양한 위성 센서를 이용해 2015~2022년 사이의 다중 스펙트럼 이미지를 확보하였다. 이미지 전처리 과정에서 구름 마스킹, 대기 보정, 정규화 등을 수행하고, NDVI(식생 지수), EVI, 건물 밀도, 도로 네트워크 길이, 수역 비율 등 15개의 파생 피처를 추출하였다. 라벨 데이터는 말라위 통계청과 에티오피아 통계청이 제공한 5km 격자 단위의 휴대전화 보급률(가구당 휴대전화 보유 비율)과 모바일 서비스 평균 지출(USD/월)이다. 라벨과 위성 피처를 동일 격자에 매핑한 뒤, 결측값을 KNN 보간법으로 보완하고, 전체 데이터를 70% 학습, 15% 검증, 15% 테스트 셋으로 분할하였다. 모델링에서는 Gradient Boosting Machine(GBM)과 Deep Neural Network(DNN)를 각각 독립적으로 학습시킨 뒤, 예측값을 가중 평균하는 앙상블 방식을 적용하였다. GBM은 XGBoost 구현을 사용했으며, 트리 깊이, 학습률, 정규화 파라미터 등을 Bayesian Optimization으로 최적화하였다. DNN은 4개의 은닉층(256‑128‑64‑32 뉴런)과 ReLU 활성화, 배치 정규화, 드롭아웃(0.3)으로 구성했으며, Adam 옵티마이저와 초기 학습률 1e‑3을 사용하였다. 하이퍼파라미터 튜닝은 5‑fold 교차 검증을 통해 수행했으며, 과적합 방지를 위해 Early Stopping을 적용하였다. 베이스라인 모델로는 (1) 인구밀도만을 입력으로 하는 선형 회귀, (2) 인구밀도와 NTL을 입력으로 하는 Random Forest, (3) 인구밀도와 NTL을 입력으로 하는 단일 GBM을 설정하였다. 성능 평가는 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 결정계수(R²) 세 가지 지표를 사용하였다. 실험 결과, 제안 앙상블 모델은 말라위에서 MAE 0.12, RMSE 0.18, R² 0.71을 기록했으며, 에티오피아에서는 MAE 0.15, RMSE 0.22, R² 0.68을 달성하였다. 이는 기존 베이스라인 대비 MAE가 최소 40% 이상 감소하고, R²가 0.42~0.48 포인트 상승한 것이다. 특히, 농촌 지역(인구밀도 < 100명/km²)에서의 예측 정확도가 크게 개선되었으며, 이는 위성 이미지가 제공하는 토지 이용·식생 정보가 모바일 서비스 수요와 강한 상관관계를 가지기 때문이다. 변수 중요도 분석 결과, NDVI, 건물 밀도, 도로 길이, 수역 비율이 상위 5개 피처에 포함되었으며, 전통적인 인구밀도와 NTL은 상대적으로 낮은 기여도를 보였다. 한계점으로는 (1) 위성 이미지의 구름·대기 영향으로 인한 데이터 결손, (2) 라벨 데이터의 시계열 불일치(예: 라벨은 2020년, 위성은 2019년) 등이 있다. 또한, 정책·규제 변화나 통신 사업자의 가격 정책 등 비공간적 요인을 모델에 포함시키지 못했다는 점도 언급된다. 향후 연구에서는 SAR(합성 개구 레이더) 데이터를 결합해 구름 영향을 최소화하고, 시계열 LSTM·Transformer 모델을 도입해 동적 수요 변화를 예측하는 방안을 제시한다. 또한, 다국가·다지역 확장을 통해 모델의 일반화 가능성을 검증하고, 정책 시뮬레이션 프레임워크와 연계해 투자 효율성을 정량화하는 연구를 진행할 계획이다. 결론적으로, 본 논문은 공개 위성영상과 머신러닝을 결합해 디지털 인프라 수요를 정량화하는 실용적인 방법론을 제시함으로써, 통신 사업자와 정책 입안자가 데이터 기반으로 투자 결정을 내릴 수 있는 기반을 제공한다. 이는 디지털 격차 해소와 지속 가능한 경제 발전에 기여할 수 있는 중요한 단계이다.