지속가능한 도시 설계를 위한 LLM 기반 EcoScapes 시스템

초록

EcoScapes는 위성 이미지와 다중모달 대형언어모델(LLM)을 결합해 소규모 도시의 기후 적응 전략을 자동으로 생성하는 프레임워크이다. Sentinel‑2 데이터를 활용해 토지 피복·수분·수역을 분석하고, 360VL 모델로 이미지 해석, InternLM으로 보고서를 작성한다. 최종 결과는 ChatClimate 지식베이스에 통합돼 지역 맞춤형 정책 제안을 제공한다. 두 도시(로스탈·에를랑겐) 사례 평가에서 정확도와 깊이 면에서 한계가 드러났으며, 클라우드·해상도·LLM 환각 등 기술적·편향적 문제를 논의한다.

상세 분석

EcoScapes 논문은 소규모 도시가 직면한 인력·예산 부족 문제를 해결하고자, 위성 영상과 최신 대형언어모델을 결합한 다계층 시스템을 제안한다. 데이터 수집 단계에서는 Sentinel‑2의 13개 스펙트럼 밴드 중 RGB, 근적외선(NIR), 수분·수역 지표를 선택해 5 km 반경의 타일을 자동 다운로드한다. 클라우드 커버가 1 % 이하인 이미지만 사용하도록 필터링했지만, 이는 건조 시기 편향을 초래할 위험이 있다.

이미지 해석은 360VL이라는 인식 중심의 멀티모달 LLM을 활용한다. RGB 이미지에 대해 건물·녹지·도로를 식별하고, 수역·수분 이미지에 대해 각각 전처리(임계값·노이즈 제거) 후 특성 추출을 수행한다. 이때 “작은 프롬프트 시리즈” 방식을 채택해 단일 대규모 질의에서 발생할 수 있는 환각을 최소화하려는 시도가 눈에 띈다. 그러나 실험 결과, 특히 열섬 분석에서 허위 정보가 다수 발생했으며, 해상도가 10 m 수준인 Sentinel‑2는 도로·철도 구분에 한계가 있음을 확인했다.

보고서 생성 단계에서는 파라미터가 10 B 이하인 InternLM을 선택해 로컬 배포 가능성을 확보하고, 시스템 프롬프트로 “기후 과학자” 역할을 부여했다. 결과 텍스트는 이후 ChatClimate(기존 CC 시스템) 지식베이스에 삽입돼, IPCC AR6와 연계된 검증 과정을 거친다. 평가 설계는 정량적 벤치마크 대신 두 도시 사례에 대한 정성적 채점으로, 정확성·깊이·포괄성, 그리고 최종 CC 전략의 활용성·정확성·관련성을 0‑5 점 척도로 측정한다.

점수 결과는 Roßtal에서 정확성 0‑2점, Erlangen에서 2‑4점 수준으로, 전반적으로 “소규모 오류 다수” 혹은 “큰 오류” 수준에 머물렀다. 이는 LLM의 환각, 위성 영상의 해상도 제한, 그리고 평가자의 주관적 판단이 복합적으로 작용했음을 시사한다. 논문은 또한 환경·정책·모델·평가자 편향을 명시하고, 블라인드 평가와 다중 실행을 통해 일부 편향을 완화하려 했지만, 완전한 객관성 확보에는 한계가 남는다.

기술적 강점으로는 모듈형 파이프라인 설계, 오픈소스 LLM·위성 데이터 활용, 그리고 기존 ChatClimate 시스템과의 연계가 있다. 반면, 데이터 전처리 자동화 부족, 해상도·클라우드 제약, LLM 환각 방지를 위한 프롬프트 설계의 경험적 기반 부족 등이 주요 약점으로 보인다. 향후 연구에서는 고해상도 상업 위성 데이터(예: PlanetScope) 도입, LLM의 사전 검증 단계 추가, 그리고 다중 도시·다양한 기후대에 대한 확장 실험이 필요하다.