Post-Earthquake Candidate Building-Loss Screening from Bitemporal Google Earth Imagery: An Object-Level Framework for the 2023 T¨urkiye Earthquakes

대규모 지진이 발생했을 때, 구조팀의 즉각적인 우선순위는 건물이 어디서 붕괴되었는지 파악하는 것입니다. 재난 이후의 혼란스러운 몇 시간과 며칠 동안, 엔지니어들은 모든 거리의 구조물을 직접 방문하여 점검할 수 없습니다. 도로가 차단되었을 수도 있고, 위험성도 너무 높기 때문입니다. 대신, 그들은 위에서 내려다보는 지도처럼 도시를 조망하는 상부 이미지를 활용합니다. 수십 년 동안 과학자들은 컴퓨터에게 이 이미지들을 보고 서 있는 집과 잔해 더미 사이의 차이점을 찾아내도록 가르치기 위해 노력해 왔습니다. 문제는 이러한 이미지들이 결코 완벽하지 않다는 점입니다. 이미지들은 서로 다른 각도와 서로 다른 시간대에 촬영되며, 종종 같은 거리를 서로 다른 계절의 모습으로 보여주기도 합니다. 건물이 파괴되어서가 아니라 단순히 태양의 위치가 달라졌기 때문에 다르게 보일 수도 있습니다. 더욱이, 많은 지역에는 모든 집의 위치를 나타내는 상세한 디지털 지도가 부족하여, 컴퓨터가 애초에 무엇을 찾고 있는지 알기 어렵게 만듭니다.

이러한 어려움은 바로 터키의 새로운 연구가 해결하고자 하는 목표입니다. 연구진은 2023년 2월 터키를 강타한 파괴적인 지진에 주목했습니다. 그들의 목표는 오직 사진 자체만을 사용하여, 지진 전의 과거 위성 이미지와 지진 후 촬영된 이미지를 자동으로 스캔하고 비교할 수 있는 시스템을 만드는 것이었습니다. 그들은 위기 상황에서 가용하지 않을 수도 있는 기존의 건물 위치 지도나 복잡한 3D 데이터에 의존하지 않았습니다. 대신, 그들은 먼저 건물을 찾아낸 다음, 나중에 그 건물이 여전히 그 자리에 있는지 확인하는 방법을 구축했습니다. 그 결과물은 인간 전문가들이 가장 가능성 높은 지점에 세밀한 점검을 집중할 수 있도록, 건물이 사라진 것처럼 보이는 구역을 강조해 주는 일종의 1차 필터 역할을 하는 도구입니다.

이 시스템을 구축하기 위해, 연구진은 먼저 컴퓨터에게 위성 사진에서 건물을 인식하는 법을 가르쳐야 했습니다. 그들은 공공 위성 사진 데이터셋과 피해를 입은 터키 도시들의 구글 어스(Google Earth)에서 가져온 150쌍의 특정 이미지 쌍을 결합하여 방대한 이미지 모음을 수집했습니다. 이 이미지 중 한 세트는 재난 전인 2022년의 것이고, 다른 한 세트는 파괴 후인 2024년의 것입니다. 컴퓨터가 건물의 모습을 학습해야 했기에, 연구진은 반자동 프로세스를 사용했습니다. 초기 컴퓨터 프로그램이 건물을 표시하게 한 다음, 인간이 모든 표시를 주의 깊게 검토하여 오류를 수정하고 컴퓨터가 놓친 건물을 추가했습니다. 이를 통해 컴퓨터가 작거나 밀집된 구조물이라 할지라도 집, 아파트 및 기타 구조물을 식별할 수 있도록 하는 고품질의 학습 세트가 만들어졌습니다.

학습 데이터가 준비되자, 팀은 어떤 것이 건물을 찾는 데 가장 적합한지 확인하기 위해 여섯 가지 유형의 컴퓨터 비전 모델을 테스트했습니다. 이 모델들은 마치 서로 다른 눈과 같아서, 각각 자신만의 방식으로 시각 정보를 처리합니다. 어떤 모델은 매우 빠르게 설계된 반면, 어떤 모델은 극도로 정밀하게 설계되었습니다. 연구진은 어떤 모델이 속도와 정확도 사이에서 최적의 균형을 제공하는지 확인하기 위해 동일한 조건에서 모든 모델을 실행했습니다. 그들은 YOLOv12n이라는 모델이 가장 우수하다는 것을 발견했습니다. 이 모델은 오보(false alarm)를 낮게 유지하면서도 가장 많은 건물을 찾아낼 수 있었으며, 넓은 지역에서도 유용할 만큼 충분히 빠르게 수행되었습니다. 이 우승자를 선정한 후, 연구진은 모델을 더욱 날카롭게 만들기 위해 전체 이미지 모음에 대해 재학습을 진행했습니다. 새로운 미학습 이미지로 테스트했을 때, 이 최종 모델은 높은 신뢰도로 건물을 정확하게 식별해 냈지만, 매우 복잡한 장면을 다룰 때 발생하는 알려진 한계점처럼 일부 작거나 심하게 파손된 구조물은 놓치기도 했습니다.

최적의 건물 탐지기를 손에 넣은 연구진은 두 번째 단계인 전후 이미지 비교로 넘어갔습니다. 이 단계는 까다로운데, 왜냐하면 동일한 장소의 두 이미지가 완벽하게 정렬되어 있지 않을 수 있기 때문입니다. 하나가 다른 하나에 비해 약간 이동하거나 회전되어 있을 수 있습니다. 이를 해결하기 위해, 시스템은 파괴되었을 수도 있는 건물 자체를 무시하는 대신, 도로, 교차로, 들판의 가장자리와 같이 안정적인 특징물들에 고정되었습니다. 이러한 고정된 지점들을 사용하여, 컴퓨터는 2024년 이미지를 2022년 이미지와 완벽하게 일치하도록 조정했습니다. 이미지가 정렬되면, 시스템은 2022년에 발견한 모든 건물을 살펴보고 2024년 이미지에서 그 쌍둥이를 찾으려고 시도했습니다.

이 비교 결과는 놀라웠습니다. 시스템은 가장 큰 피해를 입은 지역들을 포함하는 145쌍의 이미지를 처리했습니다. 2022년 이미지에서는 2,872개의 건물을 식별했습니다. 2024년 이미지에서는 2,039개의 건물을 찾았습니다. 두 연도에 모두 존재하는 건물을 연결하려고 시도했을 때, 842개의 건물을 성공적으로 연결했습니다. 그러나 2022년에 존재했던 2,030개의 건물은 2024년에서 일치하는 대응물을 찾지 못했습니다. 시스템은 이 2,030개의 누락된 건물을 "후보 손실(candidate losses)"로 분류했습니다. 이것이 반드시 지진에 의해 파괴되었다는 의미는 아닙니다. 단지 두 날짜 사이에 시야에서 사라졌음을 의미할 뿐입니다. 건물은 철거되었을 수도 있고, 재건되었을 수도 있으며, 혹은 컴퓨터가 두 번째 이미지에서 단순히 놓쳤을 수도 있습니다. 시스템은 인간이 더 자세히 살펴볼 수 있도록 이러한 모든 가능성을 포착하도록 설계되었습니다.

연구 결과, 이러한 후보 손실률은 위치에 따라 크게 다르게 나타났습니다. 예를 들어 안타키아(Antakya) 지역의 경우, 시스템은 715개의 건물을 누락된 것으로 분류했는데, 이는 해당 지역에서 지진 전 관찰되었던 건물의 86% 이상을 나타냅니다. 카라만마라슈(Kahramanmaraş)의 중심 지구는 약 79%의 손실률을 보였습니다. 다른 지역들은 더 낮은 비율을 보였지만, 패턴은 명확했습니다. 시스템은 가장 극적인 변화가 일어난 곳을 정확히 짚어낼 수 있었습니다. 연구진은 또한 누락된 것으로 분류된 건물들이 단순히 컴퓨터가 확신하지 못하는 것들만이 아니라는 점에 주목했습니다. 많은 건물들이 높은 신뢰도 점수를 가지고 있었는데, 이는 시스템이 이전에 그 건물을 보았다는 사실과 이후에 보이지 않는다는 사실에 대해 매우 확신하고 있음을 의미합니다.

이 연구는 전문적인 지도나 값비싼 센서 없이도 공개적으로 사용 가능한 이미지만을 사용하여 대규모의 지진 피해 예비 심사를 수행하는 것이 가능하다는 것을 보여줍니다. 이 시스템은 어떤 건물이 확실히 붕괴되었는지 단정 짓는 것이 아니라, 인간의 주의가 필요한 우선순위 목록을 제공합니다. 수천 개의 건물을 몇 천 개의 유력한 후보지로 좁힘으로써, 이 방법은 구조팀과 엔지니어의 시간과 자원을 절약해 줍니다. 이는 거대하고 압도적인 과업을 관리 가능한 작업으로 바꾸어 놓으며, 전문가들이 손실의 증거가 가장 강력한 곳에 에너지를 집중할 수 있게 해줍니다. 연구는 컴퓨터가 인간의 눈을 대체할 수는 없지만, 재난 직후 가장 중요한 구역을 가리키는 강력한 길잡이 역할을 할 수 있다고 결론지었습니다.