자료·모델 조합별 성능 비교로 활용기준 제시…국제학술지 게재
메탄은 배출 뒤 20년 동안은 이산화탄소보다 약 84배 강한 온실효과를 유발한다. 이러한 메탄의 누출을 사람이 일일이 위성영상을 점검하지 않아도 인공지능으로 더 빠르고 정확하게 감시할 수 있는 탐지 기술이 울산과학기술원 연구팀에 의해 개발됐다.
 |
| ▲ 임정호 교수(왼쪽부터), 양세영·김예진 제1저자 연구원, 추민기·최현영 연구원. [울산과학기술원 제공] |
UNIST는 지구환경도시건설공학과 임정호 교수팀이 초분광 위성 데이터에서 메탄 구름 기둥(플룸)을 자동으로 탐지하는 인공지능 기술을 개발하고, 이를 비교 분석해 감시 목적에 맞는 활용 기준을 제시했다고 25일 밝혔다. 초분광 위성 자료는 지표면에서 반사돼 올라오는 빛을 수십~수백 개의 좁은 파장대로 나눠 관측한 자료다.
연구팀은 NASA 국제우주정거장 관측 초분광 위성 자료인 EMIT 자료를 영상분할 딥러닝 모델에 학습시켜, 위성영상 속에서 메탄 누출 기둥에 해당하는 부분을 자동으로 구분하는 탐지 모델을 만들었다. 메탄은 특정 적외선 파장의 빛을 흡수하기 때문에, 이 파장대의 변화를 보면 메탄이 새어 나와 형성된 기둥을 찾을 수 있다.
개발된 탐지 모델은 세계 여러 지역의 대규모 메탄 배출 사례와 투르크메니스탄·알제리·미국 등지의 석유·가스 시설, 폐기물 처리장, 석탄 채굴지 등 다양한 배출원에서 발생한 메탄 기둥을 잘 포착할 수 있었다. 또 설명 가능 인공지능 분석 결과, 탐지 모델은 단순히 영상의 색이나 배경 무늬를 학습한 것이 아니라, 메탄이 빛을 흡수하는 파장대와 누출 기둥의 공간적 형태처럼 실제 메탄의 물리적 특성과 맞는 정보를 활용해 판단하는 것으로 나타났다.
연구팀은 2종류의 데이터를 3종류의 대표적인 영상 분할 딥러닝 모델에 각각 학습시켜 이 같은 자동 탐지 모델을 개발했으며, 각 조합별 탐지 성능도 분석했다.
빛의 세기 데이터인 복사휘도와, 이 데이터를 1차 처리해 메탄 농도 증가 영역을 강화한 자료를 CNN-ASPP, Inception U-Net, SegFormer 모델에 각각 학습시킨 것이다. 각 모델을 비교했을 때 메탄 강화 자료를 학습한 모델들이 전반적으로 더 높은 탐지 정확도를 보였다. 반면 위성이 관측한 복사휘도를 직접 학습한 모델은 정확도는 상대적으로 낮지만, 전처리 과정을 줄일 수 있어 누출 의심 지역을 빠르게 찾아내는 데 유리했다.
또 EMIT 자료에서 확인한 자료·모델 조합을 Tanager-1 자료에도 같은 방식으로 적용해 별도로 학습시켰을 때도 비슷한 탐지 성능을 보였다. 개발된 모델의 확장성을 보여 주는 대목이다. Tanager-1은 민간 위성 기업의 위성을 이용한 초분광 위성자료다.
이번 연구는 양세영·김예진 연구원이 공동 제1저자로 참여했다. 연구팀은 "해상도와 관측 조건이 다른 자료에도 적용할 수 있으며, AI가 어떤 물리적 근거를 바탕으로 메탄을 판별하는지까지 확인할 수 있어 향후 대규모 메탄 누출을 더 빨리 찾아내고 대응하는 차세대 온실가스 감시 기술로 활용될 수 있을 것"이라고 설명했다.
임정호 교수는 "메탄은 어디서 얼마나 새는지를 빠르게 확인하는 것만으로도 감축 효과를 높일 수 있는 온실가스지만, 기존에는 자료 처리와 전문가 검토에 시간이 걸리는 한계가 있었다"며 "이번 연구는 초분광 위성자료와 인공지능을 활용해 누출 의심 지역을 빠르게 선별하고, 필요한 경우 정밀하게 확인할 수 있는 분석 기준을 제시했다는 점에서 국제 사회의 메탄 감축 노력과 배출 검증 체계 강화에 도움이 될 것으로 기대한다"고 말했다.
이번 연구는 환경부·교육부의 지원을 받아 수행됐다. 연구 결과는 국제학술지인 npj 기후와 대기과학(npj Climate and Atmospheric Science)에 게재됐다.
 |
| ▲ 메탄 기둥을 탐지하는 기술 비교 이미지. [울산과기원 제공] |
KPI뉴스 / 최재호 기자 choijh1992@kpinews.kr
[저작권자ⓒ KPI뉴스. 무단전재-재배포 금지]
