📚 기술사 수험서 찾아보기

토목시공기술사 → 건축시공기술사 → 건설안전기술사 → 측량및지형공간정보기술사 →

이 포스팅은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.

2026-10-06

GeoAI 실제 QGIS 실습 9 | Lightning 체크포인트 학습과 NDVI 픽셀 회귀 검증

실습일: 2026년 10월 6일 · QGIS 3.44.12 · NaGeoAI

화소 회귀는 영상의 각 화소에 클래스가 아니라 연속값을 예측하는 작업이다. 식생지수, 수심, 지표온도처럼 값 자체가 필요한 주제도에 쓴다. 분류보다 덜 알려져 있지만, 학습한 모델을 QGIS로 가져와 실제 GeoTIFF를 만드는 단계에서 막히는 지점은 비슷하다. 체크포인트가 다시 불리는지, 입력 밴드와 전처리가 학습 때와 같은지, 출력이 입력 격자를 그대로 지키는지다.

이번 회차는 Landsat 예제 영상과 기준 NDVI로 GeoAI Lightning 체크포인트를 직접 학습하고, NaGeoAI의 화소 회귀 패널에서 예측 GeoTIFF를 만든다. 공개된 완성 체크포인트를 받아 쓴 것이 아니라 공식 예제 자료로 새 모델을 학습한 것이다. 확인할 것은 좌표계와 격자 정합, 체크포인트 재로딩, QGIS 실행, 출력의 공간 범위 보존이다.

설치와 예제 자료

NaGeoAI 1.9.1 배포 ZIP을 받아 플러그인 → 플러그인 관리 및 설치 → ZIP 파일에서 설치로 설치하고 활성화 상태를 확인한다. Python 환경은 NaGeoAI 메뉴의 ‘필수 환경·모델 설치’에서 점검한다. 이번에는 기존 설치를 그대로 썼다. 설치 화면은 실습 1의 실제 과거 캡처에 있고, 그 글도 ZIP 선택 화면과 재설치 완료 증거를 구분해 두었다.

자료는 GeoAI 공식 Pixel-Level Regression 예제에서 가져왔다. 입력 영상과 기준 NDVI를 아래 링크로 받아 별도 폴더에 둔다. 외부에 다시 배포하려면 제공처의 최신 이용 조건을 따로 확인해야 한다.

받은 원본은 그대로 두고 타일, 모델, 예측 결과는 별도 실습 폴더에 쌓는다. 한국 현장 관측 자료가 아니라 공식 문서의 예제이며, 배경지도를 입력으로 쓴 것도 아니다.

입력 자료 점검과 공간 분할

두 래스터 모두 Google Mercator EPSG:3857, 706×649 화소, 90m 격자였다. 입력은 8밴드, 기준 NDVI는 1밴드다. 밴드 설명이 없어서 임의로 이름을 붙이지 않고 원본의 8밴드 순서를 그대로 썼다. 회귀 학습은 입력 화소과 정답 화소이 정확히 겹친다는 전제로 돌아가므로, 두 파일의 좌표 변환과 격자가 같은지부터 확인했다. 원본의 Y 방향 화소 간격이 +90m로 기록돼 있다는 점도 특이한데, 출력에서도 이 지리참조를 그대로 유지했다.

타일은 128×128 화소로 겹치지 않게 잘랐다. 왼쪽 2개 열의 10개 타일로 학습하고, 한 열을 비운 뒤 5개 타일을 검증에, 따로 떼어 둔 5개 타일을 최종 평가에 썼다. 경계에 남는 화소은 버렸다. 이웃한 타일은 서로 닮기 마련이라 무작위로 섞어 나누면 평가가 실제보다 좋게 나오기 쉽다. 학습과 검증 사이에 한 열을 비워 두면 이런 누출을 줄일 수 있다. 최종 평가 타일은 모델 선택에 쓰지 않았다. 공식 문서의 무작위 분할과 학습 설정을 그대로 따른 것이 아니라, 이번 회차의 작은 범위에 맞게 조정한 구성이다.

항목실제 설정
구조 / 인코더U-Net / ResNet18
입력 채널 / 사전학습 가중치8 / 사용하지 않음
학습 반복 / 배치50 epochs / 2
학습률 / 손실0.001 / MSE
seed / workers42 / 0
학습 장치NVIDIA GeForce RTX 3080 Ti
최선 체크포인트resnet18_unet_epoch=48_val_loss=0.0043.ckpt

학습과 추론에는 같은 입력 정규화를 적용했다. 여기서 주의할 점이 하나 있다. 이번 입력 값 범위에서는 GeoAI 전처리가 입력을 0~1로 잘라내기 때문에 일부 음의 입력값이 0이 된다. 원본 파일은 바뀌지 않지만, 모델이 실제로 본 값은 원본과 다르다는 뜻이다.

체크포인트는 GeoAI의 PixelRegressionModel.load_from_checkpoint로 다시 불러 검증했다. 다른 곳에서 받은 .ckpt는 구조나 입력 채널이 다를 수 있으니 이 자리에 그냥 넣을 수 없다. 다시 학습하려면 공식 문서의 train_pixel_regressor 절차를 따르되 위 설정과 공간 분할을 똑같이 맞춰야 한다.

QGIS에서 화소 회귀 실행

QGIS_Play.qgz를 열고, 레이어를 넣기 전에 QGIS_Play_NaGeoAI_20261006_pixel_regression.qgz로 따로 저장했다. 최종 평가 영역의 test_0_512_input.tif와 test_0_512_target.tif를 입력 영상과 기준 NDVI 레이어로 올리고, 둘 다 유효한 래스터인지 본 뒤 복사본의 프로젝트 CRS를 EPSG:3857로 맞췄다. 학습에 쓰지 않은 평가 타일을 골라야 QGIS 결과를 정답과 비교하는 의미가 있다.

  1. NaGeoAI 도구 모음에서 ‘추가 분석’을 연다.
  2. 기능 목록에서 ‘화소 회귀’를 고른다.
  3. 입력 래스터에 test_0_512_input.tif를 지정한다.
  4. 모델 체크포인트에 위에서 학습한 최선 .ckpt를 넣는다.
  5. 타일 크기 128, 중첩 0. 학습 타일 크기와 맞춘 값이다.
  6. 새 출력 파일 qgis_pixel_regression_20261006.tif를 지정하고 ‘공간 결과를 지도에 추가’를 켠다.
실제 QGIS 입력 및 기준 NDVI 레이어와 NaGeoAI 화소 회귀 설정 화면
그림 1. 입력 레이어와 화소 회귀 패널. 체크포인트, 타일 크기 128, 중첩 0, 출력 경로를 본다.

‘실행’을 누르면 시작 로그가 뜨고, 입력이 128×128 한 타일이라 로그에 Total tiles: 1이 찍힌다. 도는 동안 같은 출력으로 다시 실행하거나 기존 결과를 덮어쓰지 않는다.

NaGeoAI 화소 회귀 실행 직후 시작 로그
그림 2. 실행 직후의 ‘화소 회귀 시작’ 로그. 아직 처리가 끝난 화면은 아니다.
QGIS 지도에 추가된 NDVI 예측 출력과 Pixel regression complete 로그
그림 3. Output dimensions: 128x128과 Pixel regression complete. 회색조 명암은 NDVI 예측값을 표시한 것이지 색상 영상이 아니다.

출력 격자와 예측 성능

출력 레이어를 더블클릭해 ‘정보’에서 너비·높이·자료형·범위를 봤다. 1밴드 Float32 GeoTIFF이고, EPSG:3857과 입력의 좌표 변환·공간 범위가 그대로 유지됐다. 파일을 따로 읽어 모든 값이 유한한 수인 것도 확인했다.

QGIS 출력 레이어 속성의 128×128 크기와 Float32 자료형 검증 화면
그림 4. 출력 레이어 속성의 128×128, 1밴드, Float32, 공간 범위.
검증 범위결과
최종 평가 5타일 / 81,920화소RMSE 0.05297 / MAE 0.03715 / R² 0.60326
학습 평균값 기준선 RMSE0.15594
QGIS 실제 실행 1타일 RMSE0.04544
QGIS 1타일 예측 범위0.11157~0.99660
QGIS와 CPU 동일 타일 예측의 최대 절대 차이0.0005221

표를 읽을 때 기준선부터 보는 편이 좋다. 학습 자료 평균값 하나로 모든 화소을 찍었을 때 RMSE가 0.15594이고, 모델은 0.05297이다. 타일 10개로 학습한 작은 실습이니 R² 0.60326도 동작 확인용 수치로 보는 것이 맞다.

두 검증 범위도 구분해야 한다. 5타일 평가는 체크포인트를 다시 불러 CPU로 추론한 결과이고, QGIS 패널에서 실제로 돌린 것은 그중 1타일이다. 같은 타일에서 QGIS와 CPU 추론의 최대 차이가 0.0005221이니 QGIS 경로가 모델을 제대로 불러 쓴다고 볼 수 있다. 평가는 같은 영상 안에서 공간을 나눈 것이므로 다른 연도나 지역으로의 일반화는 확인하지 않았다.

하나 더 눈여겨볼 것은 값 범위다. 전체 평가 타일을 합친 예측 범위는 0.07456~1.07403으로, 일부 화소이 NDVI 상한 1을 넘었다. 회귀 모델은 값의 물리적 범위를 모르기 때문에 이런 일이 생긴다. 이번 출력에는 사후 값 제한을 걸지 않았으니, 결과를 NDVI로 쓰려면 후처리 단계에서 범위를 어떻게 다룰지 정해야 한다.

재현할 때 확인할 것

다시 돌릴 때는 모델 입력 채널 수, 밴드 순서, 전처리, CRS, 타일 크기를 함께 맞춰야 한다. 덧붙이면, NDVI는 적색과 근적외 밴드가 있으면 산식으로 바로 계산할 수 있다. 이번 실습은 NDVI를 얻는 방법이 아니라 딥러닝 회귀와 체크포인트 연결 과정을 검증하는 데 목적이 있다. 실제 식생 상태 평가나 현장 의사결정에 쓰려면 다른 지역·시기 자료와 독립된 기준 자료로 다시 검증해야 한다.

작업 메모

작업은 복사본(QGIS_Play_NaGeoAI_20261006_pixel_regression.qgz)에서 했고 원본 QGIS_Play.qgz는 덮어쓰지 않았다. 원본 래스터와 모델은 재배포하지 않는다. 처리 완료 후 출력 레이어 속성 창에서 QGIS가 잠시 ‘응답 없음’ 상태가 됐는데, 창을 강제로 닫지 않고 두었다. 이후 확인에서 복사본에 입력·기준 NDVI·예측 결과 3개 레이어가 저장돼 있었고 QGIS 창과 프로세스는 남아 있지 않았다. 다만 자동 정리 시점에 정상 종료를 직접 확인하지는 못했으므로, 오류 없이 저장·종료된 사례로 보지는 않는다.

댓글 없음:

댓글 쓰기

노르딕워킹 폴을 앞으로 멀리 찍게 될 때, 앞발 옆 무게중심 아래로 가져오는 점검

노르딕워킹을 시작하면 팔을 앞으로 쭉 뻗어 폴을 멀리 찍고 싶어집니다. 폴이 멀리 닿으면 멀리 나가는 느낌이 들기 때문입니다. 스위스 건강보험사 Helsana의 건강 블로그와 독일 폴 제조사 LEKI의 초보자 안내는 이 습관을 흔한 실수로 꼽습니다....