AI 기반 위성영상으로 100대 미국 도시 보행자 횡단거리 자동 측정

초록

본 연구는 OpenStreetMap 좌표와 메타의 Segment Anything Model(SAM)을 활용해 미국 100대 도시의 교차로 위성사진을 자동으로 분할하고, 교차로에 표시된 및 표시되지 않은 보행자 횡단구간을 정밀하게 측정한다. 3백만 장 이상의 이미지와 93 % 정확도(중위 절대 오차 0.69 m)를 달성했으며, 도시별 평균 횡단거리가 9.8 ~ 23.8 m 사이에 차이 나는 지역적 패턴과 설립 연도와의 양의 상관관계를 밝혀냈다.

상세 분석

이 논문은 도시 규모의 보행자 안전·걷기 가능성 평가에 필수적인 ‘횡단거리’를 대규모로 정량화하기 위한 혁신적 파이프라인을 제시한다. 첫 단계에서는 OSMnx를 이용해 100대 미국 도시의 모든 교차점 좌표를 추출하고, Google Maps API를 통해 반경 25 m, 해상도 30 cm/pixel인 위성 이미지 타일을 1629 × 1629 픽셀 크기로 수집한다. 총 3 백만 장, 8.3 TB에 달하는 데이터는 서버리스 워커를 병렬 실행해 분당 2 000장 속도로 확보하였다.

두 번째 단계는 메타의 Segment Anything Model(SAM)을 ‘제로샷’ 상태에서 미세조정(fine‑tuning)하는 것이다. 저자들은 14개 도시에서 고엔트로피 이미지 193장을 선별해 비가동면(보도·공원·보행자 섬 등) 마스크를 수작업으로 라벨링하고, 회전·반전·노이즈·블러 등 30배 가량의 데이터 증강을 적용해 총 5 790장의 학습셋을 만든다. 16 × 16 포인트 그리드와 1024 × 1024 입력 크기로 SAM을 실행해 모든 이미지에 비가동면 마스크를 생성하고, 이를 폴리곤 형태로 변환한다. 여기서 도로 중심선 버퍼(주요 도로 2 m, 일반 도로 1.2 m)를 활용해 오분류된 비가동면을 제거하고, OSM 건물 폴리곤을 보완적으로 삽입해 누락을 최소화한다.

세 번째 단계는 OSM에 기록된 보행자 횡단 ‘엣지’를 추출하고, 노드만 존재하는 경우 가장 가까운 ‘highway’ 엣지와 연결해 완전한 라인 형태로 만든다. 중복 엣지는 5 m·5° 기준으로 병합한다.

마지막으로 ‘grow‑cut’ 알고리즘을 적용한다. 각 엣지를 양쪽 끝에서 5 %씩 연장한 뒤, 비가동면 폴리곤과 교차하는 지점을 찾아 절단함으로써 실제 보행자 시작·종료 지점을 자동으로 정의한다. 이후 6 ft·160 ft 길이 제한과 6.5 ft 버퍼 기반 중복 제거를 수행한다.

이 파이프라인은 808 377개의 횡단구간을 1시간 내에 처리했으며, 검증용 도시 전체에 대해 93 % 정확도와 중위 절대 오차 0.69 m를 기록했다. 도시별 평균 횡단거리는 9.8 ~ 23.8 m 사이로 지역적 차이를 보였으며, 설립 연도가 늦을수록 횡단거리가 길어지는 경향이 발견돼 미국 도시가 점점 차 중심 설계로 전환되고 있음을 정량적으로 입증한다.

이 연구의 강점은 (1) 완전 공개 데이터와 오픈소스 모델만 사용해 재현성을 확보했으며, (2) 고엔트로피 이미지 선별·데이터 증강을 통한 효율적 모델 미세조정으로 대규모 이미지 분할을 실현했으며, (3) OSM 교차점 정보와 이미지 분할 결과를 결합한 ‘grow‑cut’ 방식으로 마크된·마크되지 않은 모든 횡단구간을 정확히 측정했다는 점이다. 한계로는 위성 이미지 해상도·그림자·나무 canopy에 따른 분할 오류, OSM 데이터의 불완전성(노드·엣지 누락) 및 지역별 도로 표기 차이 등이 있다. 향후 고해상도 항공사진·LiDAR와 결합하거나, 시계열 이미지로 교통 변화 추적을 시도하면 보행자 안전 정책에 더욱 정밀한 근거를 제공할 수 있을 것이다.