인공지능 기반 빙하 융해 추적 기술 개발

주장빙하 융해 속도 추적은 기후 변화의 진행 상황을 파악하고 미래 해수면 상승을 예측하는 데 필수적인 과정입니다. 기존의 수동 분석 방식은 인력과 시간의 제약으로 인해 전 세계 빙하를 모니터링하는 데 한계를 보입니다.

팩트독일 프리드리히 알렉산더 대학교 연구진은 인공지능 모델을 활용해 빙하 경계면인 칼빙 프런트를 추적하는 새로운 방식을 개발했습니다. 해당 연구 결과는 국제 영상 처리 학술대회인 아이이이이(IEEE) ICIP에서 발표했습니다.

교차검증기존 딥러닝 모델은 학습 데이터에 포함되지 않은 새로운 지역의 빙하를 분석할 때 성능이 저하되는 범용성 문제를 안고 있습니다. 연구진은 최소한의 추가 데이터만으로 모델을 적응시키는 방식을 도입해 이러한 한계를 극복했습니다.

팩트연구진은 빙하별로 수동 라벨링된 이미지 1장과 여름철 참조 이미지, 기반 암석 지도를 모델에 제공했습니다. 이 과정을 거쳐 초기 1km 이상이었던 오차 범위를 70m 미만으로 줄였습니다.

팩트연구진은 개발한 모델을 활용해 노르웨이 스발바르 군도에 위치한 145개 빙하의 2015년부터 2024년까지 월간 칼빙 프런트 위치를 추출했습니다. 연구진은 앞으로 이 기술을 북극권의 1,500개 빙하로 확대 적용할 계획입니다.

교차검증빙하 앞부분에 떠다니는 얼음 조각인 아이스 멜랑주는 인공지능이 빙하 경계를 파악하는 데 방해 요소로 작용합니다. 연구진은 여름철의 깨끗한 빙하 이미지를 참조점으로 활용해 이러한 오차를 보정했습니다.

팩트연구진이 개발한 모델은 5개의 서로 다른 결과값을 평균 내는 앙상블 기법을 사용합니다. 최종 도출된 오차 범위는 68.7m로 인간 전문가의 수동 라벨링 오차 범위와 유사한 수준입니다.

주장인공지능을 통한 자동화는 빙하 역학 연구의 시간적 해상도를 높입니다. 기존 연구가 연간 혹은 10년 단위의 변화를 추적했다면 이제는 월간 단위의 정밀한 변화 관찰이 가능합니다.

팩트다코타 파일스 연구원은 이 모델을 통해 스발바르 군도 빙하에 대해 총 20만3,294건 이상의 칼빙 프런트 주석을 생성했습니다. 이는 인공지능 기술 없이는 수행하기 어려운 대규모 데이터 분석 사례입니다.

주장이번 기술은 빙하의 변화를 실시간에 가깝게 추적함으로써 기후 변화 대응 전략 수립에 기여할 것으로 보입니다. 정밀한 데이터 확보는 향후 빙하 연구의 정확도를 높이는 핵심 동력이 됩니다.

주장인공지능 모델의 범용성을 확보한 이번 연구는 향후 다양한 지형의 빙하 연구에도 적용 가능합니다. 연구진은 지속적인 모델 고도화를 통해 기후 변화 모니터링의 효율성을 극대화할 예정입니다.

출처아이이이이 스펙트럼 및 국제 영상 처리 학술대회 발표 자료를 교차 검증했습니다.