GeoAI: 공간정보와 인공지능의 결합

공간정보는 위치를 기준으로 관측과 기록을 결합할 수 있다는 점에서 행정, 환경, 재난 관리의 기본 자료가 되어 왔다. 최근 이 자료의 양과 종류가 크게 늘었다. 지구관측 위성과 항공·드론 영상, 지상 센서, 위성항법장치(GPS)와 모바일 기기가 만드는 시공간 자료는 통계 기반의 기존 데이터 마이닝 방법만으로는 다루기 어려운 규모에 이르렀다[5]. 같은 시기에 딥러닝은 영상과 시계열, 언어 자료에서 높은 성능을 보이며 원격탐사를 비롯한 지구과학 분야로 빠르게 확산되었다[4, 16].

이러한 흐름 속에서 공간자료에 인공지능을 적용하는 연구가 GeoAI라는 이름으로 묶이기 시작하였다[1, 3]. 국제 학술지의 특집호와 종설 논문이 이어졌고[1, 2], 개념과 방법, 도구, 응용을 한 권으로 정리한 핸드북도 출간되었다[17]. 연구의 대상도 영상과 관측 자료의 분석에서 출발해 텍스트, 지식그래프, 파운데이션 모델로 넓어졌으며, 최근에는 LLM이 GIS 도구를 직접 실행하는 자율 GIS 연구가 제안되었다[7, 8]. 학술 문헌 데이터베이스 OpenAlex에서 제목이나 초록에 GeoAI라는 용어를 쓴 학술지 논문은 2020년 9편에서 2025년 239편으로 늘었고, LLM을 GIS나 원격탐사와 함께 다룬 학술지 논문은 2023년 6편에서 2025년 197편으로 늘었다(그림 1).

그러나 방법의 확장이 공간자료 분석의 오래된 문제까지 해결하지는 않는다. 인접한 지점일수록 값이 비슷하고 지역마다 변수 사이의 관계가 다른 공간자료의 성질은, 관측치를 서로 독립으로 보는 일반적인 기계학습의 검증 방식을 그대로 쓰기 어렵게 만든다[18, 19]. LLM이 자료 수집부터 모델 실행까지 분석 과정 전체를 맡는 단계에 이르면[7], 이 문제는 개별 모델의 정확도를 넘어 분석 과정 전체를 무엇으로 확인하는가의 문제로 확장된다. 이 글은 GeoAI의 자료와 방법, 활용을 정리하면서 이 질문, 곧 공간자료로 만든 결과를 무엇을 근거로 믿을 수 있는가를 중심으로 검토한다.

2.1 공간 통계와 지리 데이터마이닝

GeoAI 이전에도 공간자료에서 규칙성을 찾는 연구는 공간 통계와 지리 데이터마이닝의 이름으로 축적되어 왔다. 국지적 공간 연관 지표(LISA)는 Moran's I 같은 전역 지표를 관측 지점별 기여로 분해해, 국지적인 군집과 영향이 큰 지점을 찾는 방법을 제시하였다[20]. 지리가중회귀(GWR)는 하나의 전역 모형으로는 변수 사이의 관계를 설명할 수 없는 공간 비정상성을 다루기 위해, 지점마다 서로 다른 회귀 관계를 허용하는 방법으로 제안되었다[21]. 대용량 공간·시공간 데이터베이스를 대상으로 하는 지리 데이터 웨어하우징, 공간 데이터마이닝, 지리 시각화 연구도 별도의 분야로 정리되어 있다[22].

이러한 공간 통계의 문제의식은 이후 기계학습과 결합되었다. 지리가중 인공신경망(GWANN)은 지리 가중 방식과 인공신경망을 결합해, 변수 사이의 관계가 비선형이고 공간적 변동이 큰 합성 자료에서 GWR보다 나은 결과를 보였다[23]. 공간 통계가 다루어 온 국지성과 비정상성의 문제가 신경망 모델의 설계에 반영되기 시작한 것이다(그림 2).

2.2 정의

GeoAI에 대한 정의는 연구자마다 강조점이 다르다. VoPham 등은 GeoAI를 공간과학, 기계학습·딥러닝 같은 인공지능 기법, 데이터 마이닝, 고성능 컴퓨팅을 결합해 공간 빅데이터에서 지식을 추출하는 학제 분야로 정의하였다[2]. Li는 GeoAI를 자료 집약적 지리정보과학(GIScience)을 위한 공간 분석 틀로 보고, 그 방법론을 자료 기반(data-driven)과 지식 기반(knowledge-driven)의 두 흐름으로 정리하였다[3]. Janowicz 등은 위치와 공간 관계를 모델 안에서 명시적으로 다루는 공간 명시적(spatially explicit) 인공지능을 GeoAI의 특징으로 제시하였다[1]. Gao 등의 핸드북은 GeoAI를 딥러닝과 지식그래프 기술을 이용해 지리공간 연구와 인공지능을 통합하는 분야로 설명한다[17]. 이 정의들은 위치와 공간 관계를 분석의 핵심 요소로 다룬다는 점에서 공통되며, 2018–2023년에 딥러닝과 지식그래프를 중심 방법으로 하여 제시되었다. 이 글은 GeoAI를 공간자료에서 예측을 학습하는 모델에서 출발해, 여러 과제에 다시 쓰이는 지리공간 파운데이션 모델과, GIS 도구와 분야별 모델을 실행해 분석 과정을 수행하는 LLM 에이전트까지 포함하는 기술 전반으로 본다[7–9]. 범위가 넓어질수록 결과를 믿을 근거도 개별 모델의 정확도에서 학습 범위 밖의 적용 가능성[14], 나아가 분석 과정 전체의 확인으로 넓어진다.

3.1 원격탐사 영상

원격탐사 영상은 GeoAI 연구에서 비중이 큰 자료이며, 딥러닝 적용 연구가 빠르게 늘었다[16]. 광학 영상에 대한 딥러닝 연구는 영상 융합과 정합, 장면 분류, 객체 탐지, 토지이용·토지피복 분류, 영상 분할 등 전처리부터 지도 제작까지 넓게 이루어졌다[16]. 반면 합성개구레이더(SAR) 영상은 구름과 일조 조건의 영향을 덜 받는 장점이 있지만, 딥러닝 연구는 광학 자료에 편중되어 있으며 SAR 자료의 고유한 특성 때문에 광학 영상용 방법을 그대로 적용하기 어렵다는 점이 지적되었다[24].

3.2 3차원 점군

라이다(LiDAR) 등으로 얻는 3차원 점군은 건물과 지형, 식생의 형태를 직접 담는다. 점군은 순서가 없고 밀도가 고르지 않아 영상용 신경망을 그대로 적용하기 어렵다[25].

3.3 관측·센서와 이동 자료

기상과 대기질, 교통량 같은 센서 관측과 휴대전화·GPS 기록 같은 이동 자료는 시간과 위치를 함께 가진다. 이러한 시공간 자료는 인간 이동 분석, 교통, 도시계획, 공공 안전, 보건, 환경 관리 등에 활용된다[5]. 다만 이동 자료는 개인을 식별할 위험이 크다는 점에서 다른 공간자료와 다르게 다루어야 한다(7.3절 참조)[26].

3.4 자발적 지리정보와 거리 영상

Goodchild는 일반 시민이 생산하고 공유하는 지리정보를 자발적 지리정보(volunteered geographic information, VGI)로 개념화하였다[27]. 대표적인 사례인 오픈스트리트맵(OpenStreetMap)에 대해서는 영국 국가 지도와 비교해 그 품질을 체계적으로 분석한 연구가 수행되었다[28]. 거리 영상도 주요 자료원이 되었다. Biljecki와 Ito는 600편 이상의 논문을 검토해 거리 영상이 식생과 교통부터 보건, 사회경제 연구에 이르기까지 건조 환경 연구에 폭넓게 쓰이고 있음을 보였다[29].

3.5 텍스트

소셜미디어 게시물, 뉴스, 보고서, 역사 기록 같은 비정형 텍스트에도 위치 정보가 많이 담겨 있다. 이를 공간자료로 바꾸려면 텍스트에서 지명과 위치 표현을 인식하고 좌표로 연결하는 지오파싱(geoparsing)이 필요하다[6].

GeoAI의 방법은 다루는 자료와 내놓는 산출물, 실무에서 유의할 점이 서로 다르다(표 1).

4.1 영상과 점군 분석

영상 분석에서는 합성곱신경망(CNN)을 중심으로 한 딥러닝 모델이 분류, 탐지, 분할 과제에 널리 쓰인다[16]. Li와 Hsu는 위성·드론 영상, 거리 영상, 지구과학 자료를 다루는 대규모 영상 분석 GeoAI 연구를 방법적 기반과 응용, 기존 방법 대비 이점으로 나누어 개관하였다[34]. 시기가 다른 영상을 비교하는 변화 탐지는 도시계획, 환경 감시, 농업 조사, 재난 평가, 지도 갱신에 활용되며, 인공지능을 적용한 변화 탐지 방법이 빠르게 늘었다. 다만 Shi 등은 인공지능 기반 방법이 기존 방법보다 우수하다는 주장이 있으나, 어떻게, 어느 정도 성능을 높이는지는 분명하지 않다고 지적하였다[30]. 점군 분석에서는 형상 분류, 객체 탐지·추적, 분할을 위한 딥러닝 방법이 별도로 발전해 공개 자료에서 비교되어 왔다[25].

4.2 시공간 예측

시공간 예측에는 순환신경망(RNN)과 합성곱신경망이 시공간 자료의 예측, 이상 탐지, 분류에 적용되어 왔다[5]. 도로망이나 관측소 연결망처럼 격자가 아닌 구조를 가진 자료에는 그래프 신경망(GNN)이 쓰인다. 그래프 신경망은 객체 사이의 복잡한 관계와 의존성을 그래프로 표현한 자료에 딥러닝을 확장한 방법이며[35], 교통 흐름과 속도, 대중교통 승객 수, 차량 호출 수요 예측에서 높은 성능을 보였다[36]. 기상 예측에서는 재분석 자료로 직접 학습한 GraphCast가 전 지구 0.25° 해상도에서 수백 개 변수의 10일 예보를 1분 이내에 계산하고, 1,380개 검증 항목의 90%에서 운영 중인 결정론적 수치예보 체계보다 높은 성능을 보였다[37]. Bi 등의 Pangu-Weather도 지구의 특성을 반영한 3차원 심층 신경망으로, 재분석 자료 기준의 결정론적 예보에서 유럽중기예보센터(ECMWF)의 운영 예보 체계보다 나은 결과를 보였다[38].

4.3 위치 표현 학습

딥러닝 모델이 위치를 다루려면 점, 선, 면, 그래프, 래스터 같은 공간자료를 모델이 학습할 수 있는 벡터로 바꾸어야 한다. Mai 등은 점 위치를 임베딩 공간으로 변환하는 과정을 위치 인코딩(location encoding)으로 정의하고, GeoAI 연구에서 그 필요성과 방법, 응용, 과제를 정리하였다[39]. 위치 인코딩은 좌표를 단순한 입력 변수로 넣는 것을 넘어, 위치 사이의 관계를 모델이 학습하도록 하는 공간 명시적 설계의 한 방식이다.

4.4 텍스트와 지식

지오파싱의 핵심 단계인 위치 표현 인식 방법은 규칙 기반, 지명 사전 대조 기반, 통계적 학습 기반, 이들을 결합한 혼합 방식으로 나뉜다[6]. 최근에는 범용 LLM이 이 과제에 쓰이고 있다. Mai 등은 지명 인식처럼 텍스트만 다루는 지리 과제에서 범용 LLM이 추가 학습 없이 또는 소수의 예시만으로 과제별 지도학습 모델보다 높은 성능을 보였다고 보고하였다[8]. 반면 Bhandari 등은 사전학습된 LLM의 지리 지식과 공간 추론 능력을 시험해, 지리 지식을 종합하려면 모델의 크기뿐 아니라 더 정교한 모델이 필요하다고 보고하였다[40].

지식그래프는 서로 다른 출처의 자료를 개념과 관계로 연결해 표현한다. Janowicz 등은 공간자료가 지식그래프에서 별도의 처리를 필요로 하는 이유를 설명하고, 인간과 환경의 접점에 있는 여러 자료를 통합한 KnowWhereGraph를 제시하였다[41]. 지식그래프 기반 검색으로 LLM에 지리공간 지식을 보완해 공간 모델링 절차를 구성하는 연구도 발표되었다[42].

4.5 물리 기반 모델과의 결합

데이터 기반 모델은 복잡한 물리 현상을 다루는 과학 문제에서 적용에 한계가 있다는 지적이 있다[31]. 이에 과학 지식을 모델 학습에 반영해 물리적 일관성과 일반화 성능을 높이려는 이론 유도형 데이터 과학이 제안되었다[31]. 물리 정보 신경망(PINN)은 비선형 편미분방정식으로 표현된 물리 법칙을 지키도록 신경망을 학습시켜, 방정식의 해를 구하거나 자료로부터 방정식을 찾는 데 쓰인다[43]. 자료와 수학적 모델을 함께 학습에 반영하는 이러한 접근은 물리 정보 기계학습으로 정리되었다[44].

지구시스템 과학에서도 공간·시간 맥락을 딥러닝에 반영하고, 나아가 물리 과정 모델과 기계학습을 결합한 하이브리드 모델로 나아가야 한다는 주장이 제시되었다[45]. 홍수 분야에서는 정확하지만 계산이 느린 수치 모델의 한계를 보완하기 위해 딥러닝이 쓰이고 있다[46]. 이처럼 물리 기반 모델은 기계학습으로 대체되기보다, 학습의 제약 조건이나 결합의 한 축으로 다루어지고 있다.

4.6 지리공간 파운데이션 모델

대규모 사전학습 모델, 즉 파운데이션 모델은 미세조정이나 소수 예시만으로 다양한 과제에 적용할 수 있어, 지리공간 분야에서도 그 가능성이 검토되고 있다[8]. Xiao 등은 원격탐사 파운데이션 모델 연구를 시각 모델, 시각-언어 모델, LLM 등으로 나누어 검토하면서, 자연 영상에서 성공한 범용 파운데이션 모델이 광학 이외 형식의 원격탐사 자료에서는 성능이 떨어지거나 실패한다는 점을 그 개발 배경으로 제시하였다[32]. Mai 등은 텍스트만 다루는 과제와 달리 여러 형식의 자료를 함께 다루는 과제에서는 범용 모델이 과제별 모델에 미치지 못했다고 보고하였으며[8], 이 결과는 지리공간에 특화된 다중 형식 모델이 필요하다는 주장의 근거가 된다. SpectralGPT는 대규모 분광 원격탐사 영상으로 학습한 모델로, 크기와 해상도, 시계열, 지역이 서로 다른 영상을 입력으로 받도록 설계되었다[47]. SkySense는 광학과 SAR 영상의 시계열로 사전학습해 여러 형식과 시간 정보를 함께 다루며, 여러 과제에서 기존 원격탐사 파운데이션 모델보다 높은 성능을 보고하였다[48]. Aurora는 다양한 지구물리 자료로 학습한 지구시스템 파운데이션 모델이다. 대기질, 파랑, 열대저기압 경로, 고해상도 기상 예측에서 운영 예보보다 높은 성능을 훨씬 적은 계산으로 보였고, 적은 비용의 미세조정으로 다른 분야에 적용할 수 있다[49]. Janowicz 등은 지리공간 파운데이션 모델(GeoFM)을 정의하고 GeoAI와 공간 데이터 과학의 흐름 속에 위치시킨 뒤, 핵심 자료와 모델, 벤치마크를 검토하였다. 이들은 GeoAI의 규모 확장 법칙, AI의 지리적 정렬(geo-alignment), 여러 형식의 자료를 실제로 함께 다루는 GeoFM을 향후 과제로 제시하고, GeoFM 연구의 잠재적 위험도 논의하였다[9].

4.7 대규모 언어 모델과 GIS 에이전트

Wang 등은 지리공간 과학에 LLM과 생성형 AI를 적용한 연구를 체계적으로 검토해, 적용 분야와 사용된 자료 유형, 모델이 맡은 과제와 역할을 정리하였다[50]. LLM 에이전트는 LLM을 중심으로 계획, 기억, 외부 도구 사용 기능을 결합한 시스템이다[51]. Li와 Ning은 LLM을 추론의 중심으로 삼아 공간자료 수집, 분석, 시각화를 자동으로 수행하는 자율 GIS(Autonomous GIS)를 제안하고, 자율 GIS가 갖추어야 할 목표로 스스로 생성, 조직, 검증, 실행, 성장하는 다섯 가지를 제시하였다[7].

이후 연구는 분석 과정의 단계별로 이어지고 있다(그림 3). 필요한 공간자료를 찾아 내려받는 단계[52], 지식그래프 기반 검색으로 공간 모델링 절차를 구성하는 단계[42], GIS 도구를 순서대로 호출해 작업을 수행하는 단계[10, 11]가 각각 연구되었다. GIS Copilot은 LLM을 기존 GIS 플랫폼에 통합해 공간 분석 절차를 생성하도록 하였다[11]. ChatGeoAI는 공개 LLM을 바탕으로 자연어 질의를 GIS 실행 코드로 바꾸어, 공간 프로그래밍 지식이 없는 사용자도 공간 분석을 수행할 수 있게 하였다[53]. 범용 LLM은 GIS 전문 자료를 충분히 학습하지 못해 도구의 기능을 이해하는 데 한계가 있으므로, GIS 도구 사용을 따로 학습시키는 방법[54]과, 상용 모델에 의존하지 않도록 모의 환경에서 도구 사용 순서 생성을 학습시킨 모델도 제안되었다[55]. 분야별 모델과의 연계로는 교통 시뮬레이션[56, 57], 산불 확산 시뮬레이션[58], 관개 의사결정[59], 유역 모델 보정[33] 사례가 보고되었다.

5.1 재난 관리

Sun 등은 재난 관리의 완화, 대비, 대응, 복구 단계별로 인공지능 활용 연구를 검토하였다[60]. 홍수 지도 작성에 딥러닝을 적용한 58편을 검토한 연구에서는 합성곱층을 쓰는 모델이 홍수의 공간적 특성을 더 잘 처리해 대체로 정확도가 높았다[46]. 산불 분야에서는 1990년대부터 신경망과 전문가 시스템이 쓰였으며, 연료 특성 파악과 화재 탐지·지도화, 화재 기상 등 여섯 개 문제 영역으로 기계학습 활용이 정리되었다[61]. 국내 산불을 대상으로는 LLM 에이전트가 확산 시뮬레이션을 수행하고 그 결과를 과거 산불 세 건과 비교한 연구가 있다[58]. 재난 정보가 담긴 텍스트에서 위치를 추출하는 지오파싱도 재난 대응의 주요 활용 분야로 정리되어 있다[6].

5.2 농업

원격탐사는 생육 기간 동안 작물 상태를 여러 공간 규모에서 반복적으로 관측할 수 있게 한다. Weiss 등은 원격탐사로 추정할 수 있는 작물 변수와 그 추정 방법을 정리하고, 작물 모니터링을 비롯한 농업 활용 연구를 검토하였다[62]. 기계학습을 이용한 수확량 예측 연구 50편을 분석한 체계적 문헌 검토에서는 기온, 강수량, 토양 유형이 가장 많이 쓰인 변수였다[63]. 관개 의사결정에서는 LLM 에이전트가 관개 시나리오 시뮬레이션과 최적화, 위성 기반 대상지 확인을 수행하고, 그 결과와 근거를 검토할 수 있게 기록하는 시스템이 제안되었다[59].

5.3 환경과 보건

환경역학의 노출 평가에서 GeoAI는 다양한 형식의 대량 시공간 자료를 함께 활용하고, 공간적으로 일정하지 않은 환경 과정을 반영하며, 다른 지역으로 모델을 확장하는 데 이점이 있는 것으로 정리되었다[2]. 대기질 분야에서는 신경망, 랜덤 포레스트, 그래디언트 부스팅의 예측을 지역 차이를 고려하는 일반화 가법 모형으로 결합해 미국 본토의 일별 초미세먼지(PM2.5) 농도를 1km 해상도로 추정한 연구가 있다[64]. 수질 분야에서는 원격탐사와 기계학습으로 클로로필-a, 남조류 색소(피코시아닌), 탁도 같은 수질 변수를 추정하는 연구를 검토하고, 그 가능성과 한계를 정리한 연구가 있다[65]. 4대강 16개 보의 현장 관측과 비교한 연구에서는 위성 광학 지수가 클로로필-a와는 밀접하게 연동되었으나 유해 남조류와는 뚜렷하게 구분되지 않아, 분석 목적에 맞는 지표 선택이 필요함이 제시되었다[66].

5.4 생태

종 분포 모델은 종의 출현·풍부도 관측과 환경 변수를 결합해 경관 단위로 분포를 예측하며, 이 과정에서 공간과 시간에 걸친 외삽이 필요한 경우가 있다[67]. 출현 기록만 있는 자료에 대해서는 6개 지역 225종의 같은 자료로 여러 알고리즘의 예측 성능을 다시 비교하고 재현 가능한 코드를 공개한 연구가 수행되었다[68].

5.5 도시와 교통

도시 분야에서는 공간 명시적 GeoAI가 도시 동태와 사회적 분화, 사회 감지 연구에 쓰이고 있으며[69], 거리 영상은 건조 환경 연구의 주요 자료가 되었다[29]. 교통 분야에서는 그래프 신경망을 이용한 예측[36]과, LLM이 교통 시뮬레이션 도구를 호출하는 연구[56, 57]가 함께 이루어지고 있다.

6.1 공간 교차검증

공간자료로 학습한 모델을 평가할 때는 자료의 공간 구조를 고려해야 한다. 자료에 시간, 공간, 계층 구조가 있는데도 무작위로 나눈 교차검증을 쓰면 예측 오차가 크게 과소평가될 수 있으며, 이를 줄이기 위해 자료를 구조에 따라 나누는 블록 교차검증이 제안되었다[19]. Ploton 등은 중앙아프리카의 산림 조사 자료로 지상부 생물량을 예측한 모델에서, 공간 자기상관을 무시한 검증은 모델이 생물량 변동의 절반 이상을 설명한다고 보였지만 공간 자기상관을 고려한 검증에서는 예측력이 거의 없는 것으로 나타났다고 보고하였다[12]. 다만 공간 교차검증이 지도 정확도를 평가하는 올바른 방법이 아니라는 반론도 있다[70]. de Bruin 등은 표본이 군집되어 있을 때 일반 교차검증이 정확도를 낙관적으로 추정한다는 점은 인정하면서도, 그 원인을 공간 자기상관으로 돌리는 것은 오해라고 보고, 표본 밀도의 역수로 가중하는 방법과 지구통계 모형에 기반한 방법을 대안으로 제시하였다[13].

6.2 적용 가능 영역

기계학습 모델은 학습 자료와 비슷한 조건의 새 자료에만 신뢰성 있게 적용할 수 있다. Meyer와 Pebesma는 예측 변수 공간에서 학습 자료와의 거리를 이용한 비유사성 지수를 바탕으로, 모델의 교차검증 성능이 유지되는 '적용 가능 영역(area of applicability)'을 지도에 표시하는 방법을 제안하였다[14]. 이들은 또한 최근 발표된 전 지구 생태 변수 지도들에 대해, 예측값의 품질을 전 지구와 지역 단위에서 평가할 수 있는지 검토하였다[71].

6.3 정확도 평가와 불확실성

토지피복 변화 지도에 대해서는 표본 설계, 참조 자료 판정, 분석의 단계를 갖춘 정확도 평가와, 오차 행렬에 근거한 면적 추정과 신뢰구간 제시가 좋은 관행으로 권고되었다[72]. 딥러닝 예측의 불확실성을 정량화하는 방법으로는 베이즈 근사와 앙상블 학습이 널리 쓰인다[73]. 지도에 예측값만이 아니라 그 신뢰 범위를 함께 제시해야 이용자가 결과의 한계를 판단할 수 있다[72, 73].

6.4 재현성

지리공간 연구에서 결과를 재현하고 다른 조건에서 반복 검증하는 문제는 계산, 자료, 연구 관행 전반에 걸친 과제로 정리되어 있다[74]. Goodchild와 Li는 지역에 따라 변수 사이의 관계가 달라지는 공간 이질성 때문에 공간과 시간에 걸친 결과의 엄격한 재현을 기대하기 어렵다고 보고, '약한 재현 가능성' 개념을 제안하였다[18]. 분석에 쓴 자료와 조건, 코드와 실행 과정을 기록하는 것은 재현성의 기본 조건이다[74].

6.5 GIS 에이전트의 평가

GIS 에이전트는 하나의 모델이 아니라 여러 도구를 차례로 실행하는 시스템이므로, 최종 출력값의 정확도만으로는 평가하기 어렵다. LLM 에이전트 일반에 대해서도 평가 전략이 별도의 연구 주제로 정리되어 있다[51]. GIS 에이전트 연구에서 보고된 평가는 도구 사용, 과제 수행, 분야별 타당성, 운영 특성, 검토 가능성으로 나눌 수 있다.

도구 사용 GeoTool-GPT 연구는 300개 지시문으로 된 평가 자료로 GIS 도구 사용 능력을 측정해, 공개 범용 모델을 미세조정한 모델이 GPT-4에 가까운 성능을 보였다고 보고하였다[54]. 모의 환경에서 도구 사용 순서 생성을 학습한 모델은 별도로 구축한 평가 자료에서 과제를 올바르게 푼 비율이 GPT-4와 Gemini 1.5 Pro보다 높았다[55].

과제 수행 GIS Copilot은 단일 도구를 쓰는 기본 과제부터 안내 없이 여러 단계를 수행하는 고급 과제까지 100개 이상의 과제로 평가되었으며, 기본·중급 과제의 성공률은 높았으나 고급 과제의 완전 자율 수행에는 과제가 남았다[11]. GeoAnalystBench는 실제 공간 분석 문제에서 도출하고 GIS 전문가가 검증한 50개 과제로 LLM의 작업 흐름과 코드 생성을 평가해, 상용 모델과 소형 공개 모델 사이에 뚜렷한 차이가 있고, 공간 관계 판단이나 최적 입지 선정처럼 깊은 공간 추론이 필요한 과제가 모든 모델에서 가장 어려웠다고 보고하였다[15]. 자율 GIS 시제품은 세 사례에서 정확한 결과를 냈지만, 저자들은 기록과 코드 시험 같은 모듈이 아직 없다고 밝혔다[7].

분야별 타당성 분야별 모델과 연결된 에이전트는 계산 결과를 관측과 비교해 평가해야 한다. 산불 확산 에이전트 연구는 모의 결과를 과거 산불의 피해 면적과 비교해 면적비, 재현율, 중첩 지수(IoU)를 보고하였다[58]. 유역 모델 보정 연구에서는 근거 기록과 매개변수 범위 제약만으로는 물리적으로 잘못된 모델 상태를 찾아내지 못하였다[33].

운영 특성 같은 조건에서 반복 실행한 결과의 변동과, 잘못되거나 악의적인 입력의 탐지도 평가 대상이 된다[58].

검토 가능성 실행 과정을 검토할 수 있도록 기록하는 구조가 제안되었으나[59], 앞의 결과처럼 기록만으로 결과의 타당성이 보장되지는 않는다[33]. 연구마다 서로 다른 과제와 지표를 쓰고 있어, GIS 에이전트를 비교할 공통된 평가 기준은 아직 마련되지 않았다.

7.1 설명 가능성

딥러닝 모델은 높은 성능에도 불구하고 결과의 근거를 설명하기 어렵다는 비판을 받는다[4]. Hsu와 Li는 GeoAI 모델의 판단 과정을 해석하기 위해 교란 기반과 경사 기반의 현저성 지도(saliency map) 생성 방법의 장단점을 비교하였다[75]. Li는 부스팅 기반 모델(XGBoost)을 섀플리 가법 설명(SHAP)으로 해석해 공간 효과를 추출하는 방법을 제시하고, 모의 실험에서 공간 시차 모형과 다중척도 지리가중회귀와 비슷한 공간 효과를 추정함을 보였다[76].

7.2 자료의 품질과 편향

학습 자료가 특정 지역에 편중되어 있으면 지도 전체의 품질을 평가하기 어렵고[71], 자발적 지리정보는 지역과 생산 주체에 따라 품질이 다를 수 있다[28]. LLM이 가진 지리 지식도 모델에 따라 차이가 크다[40]. 기존 자료와 모델이 충분히 다루지 않은 지역에서 결과를 쓸 때는 적용 가능 영역과 함께 결과를 해석해야 한다[14].

7.3 위치 프라이버시

위치 자료는 익명 처리를 하더라도 개인을 식별할 위험이 크다. de Montjoye 등은 150만 명의 15개월 이동 기록을 분석해, 기지국 단위 위치가 시간별로 기록된 자료에서 네 개의 시공간 지점만으로 95%의 개인을 고유하게 식별할 수 있음을 보였다. 이 고유성은 해상도를 낮추어도 해상도의 1/10 거듭제곱에 비례해 느리게 줄어들어, 거친 자료도 익명성을 거의 보장하지 못한다[26].

7.4 사실과 다른 출력

LLM은 사실과 다르거나 입력에 근거하지 않은 내용을 생성할 수 있으며, Ji 등은 이 현상을 측정하고 줄이는 방법을 종합하였다[77]. GIS 에이전트 연구에서는 수치 계산을 LLM 대신 분야별 모델에 맡기고, 결과에 쓴 수치를 모의 결과까지 추적할 수 있게 기록하는 구조가 제안되었다[59].

7.5 위험 관리와 거버넌스

미국 국립표준기술연구소(NIST)의 인공지능 위험관리 프레임워크는 AI 시스템을 설계·개발·사용하는 조직이 위험을 식별하고 관리하기 위한 자발적 지침을 제시한다[78]. 공간자료를 다루는 AI에서는 여기에 더해 위치 프라이버시[26]와 학습 지역 밖으로의 적용[14]을 함께 고려해야 한다.

7.6 생성형 AI와 공간자료의 신뢰성

생성 모델은 존재하지 않는 경관을 담은 위성 영상을 생성할 수 있다. Zhao 등은 이러한 위조 위성 영상의 생성 원리를 분석하고 탐지 방법을 제안하면서, 공간자료를 비판적으로 읽는 능력을 갖출 필요가 있다고 지적하였다[79]. Kang 등은 지도학 분야의 GeoAI 연구를 체계적으로 검토해 방법과 응용을 정리하고, 연구자와 실무자가 우려하는 윤리 문제를 함께 다루었다[80]. 생성형 AI가 만든 지도와 영상이 늘어날수록, 공간자료의 출처와 생성 과정을 밝히는 일이 중요해진다.

GeoAIAlignment 연구진은 산불, 관개, 유역 모델 보정 분야에서 GIS 에이전트를 만들고 시험하였다[33, 58, 59]. 세 연구의 설계 원칙은 네 가지로 정리된다(그림 4).

8.1 수치는 분야별 모델이 계산한다

세 연구에서 수치 계산은 LLM이 아니라 분야별 모델이 맡았다. 산불 확산은 확산 모의 모델이, 작물 수량과 관개량은 작물 모델(AquaCrop)이, 유출은 SWAT+ 유역 모델이 계산하고, LLM의 역할은 모델의 설정을 작성하고 결과를 요약하는 데 한정된다[33, 58, 59].

근거. 관개 의사결정 에이전트는 모의 결과에서 추적되는 수치만 권고 메모에 쓰도록 설계되었다. 예비 점검에서 위성 자료로 현장을 확인한 메모 4건은 수치 추적을 포함한 다섯 가지 점검 항목을 모두 충족했고, 이 메모에 근거 없는 수치를 넣은 변조본 4건은 모두 탐지되었다[59].

8.2 도구 인터페이스의 설계가 작업의 안정성에 영향을 준다

SWAT+ 보정 연구는 인터페이스의 구성 요소를 단계적으로 뺀 비교로, 도구의 입력 형식과 허용 범위가 작업의 안정성에 영향을 준다는 점을 보였다[33].

근거. SWAT+ 보정에서는 구조화된 인터페이스를 갖춘 에이전트가 21.9 ± 5.3회의 모델 실행으로 목표에 도달했고, 구조 없이 운영한 경우 62.0 ± 16.5회가 필요하였다. 복잡한 농촌 유역에서는 모든 구성 요소를 갖춘 구성이 10회 모두 작업을 마쳤고, 근거 기록만 뺀 구성은 10회 중 7회 마쳤으며, 범위 확인까지 뺀 구성들은 한 번도 모의를 시작하지 못하였다[33]. 산불 확산 에이전트에서는 같은 형식의 도구 아래에서 LLM 4종이 작성한 설정 60건이 모두 유효하였다[58].

8.3 결과와 함께 근거 기록을 남긴다

에이전트가 어떤 자료와 설정, 도구로 결과를 냈는지가 기록으로 남아야 담당자가 결과를 다시 확인하고 설명할 수 있다.

근거. 산불 확산 에이전트는 설정 파일과 근거 기록을 남기며, 같은 조건의 반복 실행에서 피해 면적의 변동계수는 3.3–7.1%였고 악의적 입력 8건을 모두 탐지하였다[58]. SWAT+ 에이전트는 모델 파일을 직접 고칠 수 없도록 막고 모든 조정을 기록으로 남긴다[33].

8.4 최종 판단은 담당자가 내린다

관개 에이전트는 권고만 하고 급수를 직접 조작하지 않으며, 산불 모의 결과는 분석가가 주요 가정과 근거 기록을 확인한 뒤 활용하도록 설계되었다[58, 59].

8.5 에이전트의 한계

구조화된 인터페이스의 이점은 더 나은 해가 아니라, 구조 없는 LLM 운영에 비해 적은 모델 실행 횟수와 높은 작업 완료율에서 나타났다. SWAT+ 보정에서 최종 적합도는 인터페이스 구조와 관계없이 비슷했고, LLM이 없는 무작위 탐색은 적합도가 약간 낮았지만 더 적은 모델 실행으로 목표에 도달하였다. 농촌 유역에서는 적합도가 양호한데도 과정 일관성 분석에서 물리적으로 맞지 않는 보정이 드러났고, 근거 기록과 매개변수 범위 제약만으로는 물리적으로 손상된 모델 상태를 찾아내지 못하였다[33]. 산불 확산 모의의 면적은 관측의 0.65–3.58배로 차이가 컸으며, 가장 크게 과소 추정한 사례는 강풍에 의한 비화를 단순화한 모델이 재현하지 못한 결과로 해석되었다[58]. 결과의 물리적 타당성은 전문가 검토와 별도의 점검 단계로 확인해야 한다.

공공 업무에서는 앞에서 논의한 검증과 기록의 문제가 곧 도입 조건이 된다(표 2).

적용 업무의 선정 자료가 갖추어져 있고 담당자와 전문가가 결과를 검토할 수 있는 업무를 시범 대상으로 정한다. 결과가 바로 행정 처분으로 이어지는 업무보다, 전문가의 판단을 지원하는 분석 업무가 시작점으로 적합하다.

검증 설계 기존 분석 결과와 비교해 정확성과 업무 적합성을 확인하되, 표본이 군집된 자료에서는 무작위 분할 교차검증이 정확도를 낙관적으로 추정할 수 있으므로 자료의 공간 구조를 고려한 검증 방법을 정하고[12, 13, 19], 모델을 적용할 지역이 학습 자료의 범위 안에 있는지 확인한다[14].

기록과 재현 분석에 사용한 자료와 조건, 실행 과정을 기록해 결과를 재현할 수 있게 한다[74, 78].

보안과 개인정보 내부망 운영과 자료 반출 제한 같은 보안 요건을 검토하고, 이동 자료처럼 개인 식별 위험이 큰 자료는 해상도를 낮추는 것만으로 익명성이 보장되지 않는다는 점을 고려한다[26].

단계적 확대 검증된 범위를 바탕으로 유사 업무에 단계적으로 적용하고, 적용 범위를 넓힐 때마다 위험을 다시 평가한다[78].

첫째, 지리공간 파운데이션 모델을 학습 자료의 형식과 지역 밖에서 쓸 때 그 결과를 평가하는 방법이 연구되어야 한다[8, 9]. 둘째, GIS 에이전트가 수행한 분석을 스스로 검증하는 능력과, 도구 사용 능력을 평가하는 방법이 연구되어야 한다[7, 54]. 셋째, 물리 기반 모델과 기계학습의 결합이 더 체계화되어야 한다[44, 45]. 넷째, 지역 간 일반화와 그 한계를 정량적으로 제시하는 평가 방법이 표준화될 필요가 있다[14, 18]. 다섯째, 공간 분석 결과를 이용자가 해석할 수 있도록 설명 가능성을 높이는 연구가 계속되어야 한다[75, 76].

GeoAI는 공간 통계와 지리 데이터마이닝의 문제의식을 이어받아 영상·시공간 자료·텍스트를 다루는 딥러닝으로 확장되었고, 이제 지리공간 파운데이션 모델과 LLM 에이전트로 넓어지고 있다. 방법은 바뀌었지만 서론에서 던진 질문, 곧 공간자료로 만든 결과를 무엇을 근거로 믿을 수 있는가는 그대로 남아 있다. 앞에서 검토한 문헌에 비추어 보면, 결과를 믿을 근거는 정확도 수치 하나가 아니라 결과와 함께 제시된 검증 방법과 적용 범위, 근거 기록이다. 예측을 학습하는 모델에는 검증이, 학습 범위 밖에서 쓰는 파운데이션 모델에는 적용 범위가, 분석 과정을 수행하는 에이전트에는 근거 기록이 더해진다. 검증은 결과가 얼마나 맞는지를, 근거 기록은 결과가 어떻게 만들어졌는지를 보여 주며, 어느 하나가 다른 하나를 대신하지 못한다. 공간 구조를 고려한 검증과, 사람이 다시 확인할 수 있는 근거 기록을 분석 과정에 함께 설계하는 일이 GeoAI가 실제 업무에서 쓰이기 위한 다음 과제이다.