딥러닝 기반 해안 침식 패턴 분류 사례

1. 데이터 준비 및 레이블링

키워드: 데이터준비, 레이블링
딥러닝 기반 해안 침식 패턴 분류의 첫 단계는 다양한 출처에서 고해상도 데이터를 수집하고 정확히 레이블링하는 것입니다. 본 사례에서는 드론 항공촬영(4K RGB 영상), 항공 LiDAR 포인트클라우드(격자 해상도 0.2m×0.2m), Sentinel-2 위성영상(해상도 10m, 월 2회 촬영)을 활용했습니다. 드론 영상은 50m 고도에서 전방 중첩 80%·측방 중첩 70% 조건으로 촬영하여 1km²당 약 2000장씩 확보했고, LiDAR 데이터는 수평 정확도 ±5cm·수직 정확도 ±3cm 사양으로 0.5m~20m 구간의 DEM을 생성했습니다. Sentinel-2 MSI에서는 밴드 4(B4), 8(B8), 11(B11)을 사용해 NDVI, NDWI, NDBI를 계산해 식생·습지·피복지표를 추가 레이어로 구성했습니다. 확보된 원시 데이터는 5가지 침식 패턴(해안선 후퇴, 사구 붕괴, 절벽 균열, 퇴적 증가, 식생 피복 저하)으로 분류되며, 전문가가 지형 변화가 뚜렷한 구간을 마킹해 총 10,000개 패치(크기 256×256픽셀)를 레이블링했습니다. 각 패치는 클래스별로 균등 분포(약 2000개씩)로 구성하여 학습 시 클래스 불균형 문제를 최소화했습니다.

2. 피처 추출 및 데이터 증강

키워드: 피처추출, 데이터증강
딥러닝 모델이 시공간 패턴을 잘 학습하도록 피처추출 및 데이터증강 작업을 수행했습니다. 드론 영상에서는 RGB채널 외에 열화상 카메라 열지도(Flir 열화상 8~14μm 대역)를 추가해 표면 온도 차이를 입력에 포함했고, LiDAR DEM에서는 기울기·곡률·고도 차분(Δh, 단위 cm)을 계산해 3채널 그레이스케일 맵으로 변환했습니다. Sentinel-2 기반 지표는 월별 시계열 슬라이딩 윈도우(3개월·6개월·1년)로 이동평균과 표준편차를 산출해 패치별 시계열 피처를 생성했습니다. 데이터 증강으로는 회전(±30°), 수평·수직 반전, 0.8~1.2배 스케일, 밝기·대비 조절(±20%), 가우시안 노이즈(σ=0.01) 등을 적용해 학습 데이터셋을 5배로 확장해 총 50,000개 패치를 구축했습니다. 또한 실계측 오차를 반영하기 위해 픽셀 위치를 ±5픽셀 이동시키는 시프트 변환을 병행 적용하여 모델의 일반화 성능을 끌어올렸습니다.

3. 모델 아키텍처 및 학습 설정

키워드: 모델아키텍처, 학습설정
본 사례에서는 U-Net 기반 세그멘테이션 모델에 ResNet-34 인코더를 결합한 하이브리드 모델아키텍처를 사용했습니다. 인코더는 ImageNet 사전학습 가중치를 초기화하고, 디코더에서는 4단계 업샘플링을 통해 256×256 해상도의 분류 지도를 출력합니다. 출력 채널은 5개 클래스(후퇴·붕괴·균열·퇴적·저하)로 구성하며, Softmax 활성화 함수를 적용했습니다. 학습설정은 다음과 같습니다:

• 배치 크기(batch size): 16
• 학습률 초기값(learning rate): 1e-4, CosineAnnealingLR 스케줄러로 최소 1e-6까지 감쇠
• 옵티마이저: AdamW(Weight decay=1e-5)
• 손실 함수: Categorical Cross-Entropy + Dice Loss 가중합(α=0.6, β=0.4)
• 최대 에폭(epoch): 100, EarlyStopping(patience=10)
  학습 데이터 70%·검증 데이터 15%·테스트 데이터 15%로 분할하였으며, 검증 세트에서 초기 Precision=0.78, Recall=0.75, F1=0.76에서, 100 에폭 후 Precision=0.91, Recall=0.89, F1=0.90으로 성능이 향상되었습니다.

4. 결과 분석 및 운영 적용

키워드: 결과분석, 현장적용
학습 완료 후 테스트 세트에서 클래스별 IoU(Intersection over Union) 지표를 산출한 결과, 후퇴 0.88, 붕괴 0.85, 균열 0.80, 퇴적 0.83, 저하 0.79를 기록했습니다. 결과분석에서는 SHAP 기법으로 각 클래스 예측에 기여하는 주요 입력 피처를 해석했으며, 예를 들어 후퇴 패턴은 파고·조석지표(기여도 35%), 붕괴 패턴은 DEM 곡률(28%), 균열 패턴은 열화상 표면 온도 차(22%)가 주요 인자로 식별되었습니다. 이를 바탕으로 현장적용 단계에서는 자동 분류된 지도 데이터를 GIS 시스템에 통합하여, 월별 모니터링 보고서(페이지 수 30p 내외, 용량 10MB 내외)를 자동 생성하고, 위험구역 알림 시스템과 연동하여 후퇴·붕괴 우려 지역에 대해 SMS·이메일 경보를 발송하도록 구현했습니다. 실제 2025년 6월부터 시범 적용한 결과, 기존 수작업 대비 탐지 속도를 80% 단축하고, 긴급 복구 요청을 40% 감소시키는 등 운영 효율성과 신뢰도를 크게 향상시켰습니다.