🎬 1분 브리핑 영상
📌 3줄 요약
- 전통 GIS는 사람이 정한 규칙과 수식으로 공간을 분석한다.
- GeoAI는 데이터에서 패턴을 스스로 학습해 결과를 만들어 낸다.
- 둘은 경쟁 관계가 아니라 서로의 약점을 보완하는 짝꿍에 가깝다.
"침수 위험 지도를 만들었는데, 왜 실제 홍수 때 맞지 않았을까요?" 현장에서 일하는 분들이 종종 토로하는 이야기입니다. 전통적인 GIS 분석은 경사도, 토지 피복, 배수 구역 같은 요소를 수식에 대입해 위험 등급을 계산합니다. 이 방식은 논리가 투명하고 전문가가 통제할 수 있다는 강점이 있지만, 현실의 복잡한 변수를 모두 수식 하나에 담기는 어렵습니다.
반면 GeoAI는 과거 침수 이력, 위성 영상, 강수 데이터를 통째로 학습해 "이런 패턴이면 침수가 생겼다"는 관계를 스스로 찾아냅니다. 그렇다고 GeoAI가 항상 더 좋은 것은 아닙니다. 학습 데이터가 부족하거나 지역 특성이 다르면 엉뚱한 결과를 낼 수 있습니다. 이 글에서는 두 접근법이 어떻게 다르고, 각각 언제 쓰는 것이 합리적인지 원리부터 살펴봅니다.
🗺️ 전통 GIS는 어떤 원리로 공간을 분석하나요?
전통 GIS 분석의 핵심은 '사람이 규칙을 먼저 정한다'는 점입니다. 예를 들어 산사태 위험도를 계산할 때는 경사각이 30도 이상이면 고위험, 토양이 점토질이면 가중치를 높이는 식으로 조건과 수치를 직접 설계합니다. 버퍼 분석(어떤 지점 주변 일정 거리 안의 영역을 구하는 연산), 중첩 분석(여러 레이어를 겹쳐 교집합·합집합 등을 계산하는 연산), 최단 경로 탐색 같은 기능이 여기에 해당합니다. 규칙이 명확하기 때문에 "왜 이 지점이 위험 등급 3등급인가"를 설명하기 쉽습니다. 재난 대응 기관에서 대피 경로를 공식 문서에 제시할 때 이 투명성은 매우 중요합니다. 다만 규칙이 복잡해질수록 전문가의 판단에 의존하는 부분이 커지고, 미처 설계하지 못한 변수는 분석에서 빠집니다.
🤖 GeoAI의 '학습'은 GIS 규칙과 무엇이 다른가요?
GeoAI에서 학습이란 수천, 수만 건의 사례 데이터를 모델에 반복적으로 보여줘서 입력과 출력 사이의 패턴을 스스로 찾게 하는 과정입니다. 사람이 "경사 30도 이상이면 위험"이라고 알려주는 대신, 과거에 산사태가 발생했던 지점과 그렇지 않은 지점의 지형·강수·식생 데이터를 함께 넣으면 모델이 구분 기준을 직접 조율해 나갑니다. 이 과정에서 사람이 미처 생각하지 못한 변수 조합이 중요하게 떠오르기도 합니다. 하지만 모델 내부에서 어떤 조합이 결론을 만들었는지 해석하기 어려운 경우가 많습니다. 이를 '블랙박스 문제'라고 부릅니다. 산불 확산 예측처럼 빠른 판단이 필요하지만 왜 그런 결론인지 설명도 해야 하는 상황에서는 이 점이 큰 고민거리가 됩니다.
⚖️ 각각 어떤 상황에서 더 잘 맞나요?
규칙 기반 GIS는 데이터가 적거나, 결과의 근거를 명확히 설명해야 하는 행정·법적 맥락에서 강점을 발휘합니다. 토지 이용 규제 구역을 설정하거나, 재난 위험도를 국가 기준에 맞춰 산출할 때가 좋은 예입니다. 반면 GeoAI는 데이터가 충분하고, 변수 간 관계가 복잡하며, 사람이 규칙을 일일이 설계하기 어려운 상황에서 진가를 발휘합니다. 위성 영상에서 건물 피해를 자동으로 탐지하거나, 대규모 산림에서 산불 취약 지점을 선별하는 작업이 여기에 해당합니다. 해봐야 아는 것도 있습니다. 같은 데이터셋에 규칙 기반 방식과 학습 기반 방식을 각각 적용해 보고, 두 결과의 불일치 지점을 지도 위에 겹쳐 보면 어느 쪽이 현실에 더 가까운지 직접 판단할 수 있습니다. 불일치 면적이 크다면 데이터 품질이나 규칙 설계를 다시 점검할 신호입니다.
🔗 실제 현장에서는 두 방법을 어떻게 함께 쓰나요?
둘을 섞어 쓰는 흐름은 크게 두 가지 패턴으로 나타납니다. 첫 번째는 '전처리를 GIS가, 예측을 AI가' 담당하는 구조입니다. 좌표 변환, 레이어 정제, 이상치 제거 같은 공간 데이터 전처리는 GIS 도구로 수행하고, 정제된 데이터를 학습 모델에 넣어 예측값을 뽑습니다. 두 번째는 'AI 결과를 GIS가 검증·시각화하는' 구조입니다. 모델이 출력한 홍수 위험 확률 값을 GIS에서 공간 통계로 검토하고, 기존 침수 이력 레이어와 비교해 신뢰성을 확인한 뒤 최종 지도를 생성합니다. 이 혼합 방식은 홍수 예경보 시스템처럼 빠른 속도와 설명 가능성을 동시에 요구하는 재난 대응 업무에서 실용적인 선택지가 됩니다.
🧩 두 방식을 연결할 때 주의해야 할 점은 무엇인가요?
가장 흔한 실수는 GIS로 만든 파생 변수(예: 경사도, 유역 면적)를 AI 모델에 그냥 넣으면 된다고 생각하는 것입니다. GIS 레이어마다 좌표계, 해상도, 결측 처리 방식이 다르면 학습 데이터 자체가 어긋납니다. 특히 격자(래스터) 데이터와 벡터 데이터를 같은 공간 단위로 맞추는 리샘플링 과정에서 정보 손실이 생길 수 있습니다. 또 학습에 쓴 지역과 예측에 적용할 지역의 지형·기후 특성이 다르면 모델 성능이 크게 떨어집니다. 이를 '공간적 과적합'이라고 부르며, 훈련 데이터와 검증 데이터를 단순히 무작위로 나누는 대신 공간적으로 분리해 평가하는 방법이 권장됩니다. 산사태나 산불 위험 모델을 특정 지역에서 훈련하고 다른 지역에 바로 적용할 때 이 점을 빠뜨리면 현장 판단에 오류가 생길 수 있습니다.
🧪 직접 해보기
- QGIS(오픈소스 GIS 도구)에서 경사도 분석과 중첩 분석을 직접 실행해 보고, 규칙을 바꿔 가며 결과 지도가 어떻게 달라지는지 비교해 본다.
- 같은 연구 지역에 대해 규칙 기반으로 만든 위험도 지도와 공개 논문이나 리포트에 실린 AI 기반 위험도 지도를 겹쳐 보고, 두 결과가 다른 지점이 어디인지 메모해 본다.
- Google Earth Engine(웹 기반 지구 관측 플랫폼)의 공개 예제 코드 중 머신러닝 분류 예제를 찾아, 학습 샘플 수를 절반으로 줄였을 때 정확도가 어떻게 변하는지 직접 확인해 본다.
❓ 자주 묻는 질문
Q. GIS를 잘 몰라도 GeoAI를 쓸 수 있나요?
A. 파이썬 라이브러리만으로도 공간 데이터를 다룰 수 있어서 진입 자체는 가능합니다. 다만 좌표계, 공간 해상도, 레이어 정합 같은 GIS 기초 개념을 모르면 데이터 전처리에서 실수를 반복하게 됩니다. GIS 기초를 조금씩 병행해서 공부하는 것이 장기적으로 유리합니다.
Q. AI 모델이 규칙 기반보다 항상 더 정확한가요?
A. 그렇지 않습니다. 학습 데이터가 충분하지 않거나 예측 대상 지역의 특성이 학습 지역과 많이 다르면 규칙 기반 방식이 더 안정적인 결과를 낼 수 있습니다. 정확도는 데이터 품질, 모델 설계, 적용 지역 조건에 따라 달라지므로 두 방식을 비교 평가하는 과정이 필요합니다.
Q. 공간적 과적합은 어떻게 확인하나요?
A. 훈련 데이터와 검증 데이터를 지리적으로 서로 다른 구역으로 나눈 뒤 모델 성능을 평가해 보면 됩니다. 무작위 분할 때보다 성능이 크게 떨어진다면 모델이 특정 지역 패턴에 과하게 맞춰진 것입니다. 이 방법을 공간 교차검증이라고 부릅니다.
전통 GIS와 GeoAI는 서로를 대체하는 기술이 아닙니다. 규칙 기반 분석은 논리를 명확히 드러내고, 학습 기반 모델은 사람이 설계하기 어려운 복잡한 패턴을 찾아냅니다. 현장에서는 이 둘을 조합해 데이터를 정제하고, 예측하고, 다시 검증하는 흐름이 점점 표준이 되어가고 있습니다. 어느 방식이 맞는지 고민하기보다, 내 데이터와 목적에 어떤 조합이 적합한지를 따지는 눈을 기르는 것이 중요합니다. 다음 편에서는 이 GeoAI가 실제로 어떤 종류의 공간 데이터를 입력으로 받는지, 위성 영상·벡터·포인트 클라우드 데이터가 모델 안에서 어떻게 다뤄지는지를 살펴볼 예정입니다.
GeoAI 기초 시리즈 2편 · 전체 26편
재난안전과 GeoAI 이야기를 더 보고 싶다면 아래 채널도 함께 보세요.
📌 바로가기
