고해상도 위성영상과 딥러닝을 활용한 휴스턴 지역 코로나19 여행수요 추정

** 본 논문은 “고해상도 위성영상과 딥러닝을 활용한 휴스턴 지역 코로나19 여행수요 추정”이라는 제목 아래, 원격탐사와 최신 객체 검출 기술을 결합해 도시 교통 수요 변화를 정량적으로 분석한다. 연구 배경으로는 위성센서 해상도의 지속적인 향상(15~30 cm GSD)과 Detectron2·Faster R‑CNN 같은 딥러닝 기반 객체 검출 프레임워크의 보급을 들며, 이러한 기술이 교통·인프라 모니터링에 새로운 가능성을 제공한다는 점을 제시한다. 문헌 검토에서는 위성영상이 도로·교량·포장 상태 평가, 재난 피해 파악, 건물 손상 탐지 등에 활용된 사례들을 폭넓게 소개한다. 특히, 교통 인프라 사용량을 파악하기 위한 기존 연구(Chen 등, 2020‑2022)와 비교해, 본 연구는 차량 검출에 특화된 COWC 데이터셋을 활용해 모델을 사전 학습하고, 이를 휴스턴 지역에 직접 적용한 점이 차별화된다. 연구 방법은 크게 두 부분으로 나뉜다. 첫 번째는 차량 검출 모델 구축이다. COWC 데이터셋(6개 지역, 33,000개 차량)을 70 % 학습, 30 % 테스트 비율로 분할하고, Detectron2 기반 Faster R‑CNN을 9,000 epoch 학습시켜 평균 90 % 정확도를 달성하였다. 두 번째는 실제 현장 적용이다. 구글 어스 엔진과 NOAA 웹사이트를 통해 휴스턴 내 8개 대표 장소(대학 주차장, 커뮤니티 센터, 교차로, 쇼핑몰, 차이나타운 등)에서 127장의 고해상도 위성 영상을 수집하였다. 각 이미지당 256 × 256 픽셀 타일로 자른 뒤 모델에 입력하고, 겹치는 바운딩 박스는 중복 제거 알고리즘으로 필터링하였다. 이렇게 얻은 차량 수치를 연도별(2019 vs 2020)로 비교한 결과, 모든 장소에서 평균 30 % 이상의 차량 감소가 관측되었다. 시각적으로도 Figure 3~9에서 팬데믹 전후의 주차장 모습 차이가 명확히 드러난다. 결과 해석에서는 코로나19로 인한 이동 제한, 재택근무 확대, 비대면 소비 증가가 차량 흐름 감소에 직접적인 영향을 미쳤다고 결론짓는다. 또한, 위성영상 기반 차량 카운팅이 전통적인 현장 조사보다 비용·시간 효율성이 높으며, 대규모 지역을 동시에 모니터링할 수 있는 장점이 있음을 강조한다. 그러나 연구의 한계로는 (1) 구글 어스 엔진이 연간 제공하는 이미지 수가 제한적이라 시계열 분석에 불확실성이 존재한다, (2) 구름·그림자·건물 그림자 등에 의한 검출 오류 가능성, (3) 차량 종류·크기 구분이 어려워 교통 혼잡도와 같은 정교한 지표 추출에 한계가 있다. 향후 연구 방향으로는 (①) 상업 위성 데이터(Planet, Maxar 등) 활용으로 이미지 획득 빈도와 해상도 향상, (②) 멀티스펙트럼·SAR 데이터와의 융합을 통한 날씨·조명 조건에 강인한 검출, (③) 교통량 예측 모델(시계열 딥러닝, 그래프 신경망)과 연계해 실시간 교통 관리 및 정책 수립 지원, (④) 차량 검출 결과를 고용·소비자 설문, 경제 지표와 통합해 종합적인 경제 영향 평가 모델 구축을 제시한다. 결론적으로, 본 연구는 고해상도 위성영상과 최신 딥러닝 객체 검출 기술을 결합해 도시 수준의 교통 수요 변화를 정량화할 수 있음을 실증하였다. 이는 교통·도시 계획 기관이 팬데믹과 같은 급격한 사회·경제 변동에 신속히 대응하고, 비용 효율적인 모니터링 체계를 구축하는 데 중요한 참고 자료가 될 것이다. **