Google Earth Engine와 TensorFlow를 활용한 데이터 추출, 모델 학습, 예측, 시각화의 전체 프로세스를 설명하는 Geo for Good 2022 세션.
- Earth Engine에서의 데이터 추출 및 TensorFlow로의 데이터 전송 방법 제시
- 기본적 머신 러닝 모델과 맞춤형 딥러닝 모델의 사용 사례 비교
- 데이터 대규모화에 따른 문제와 이를 해결하는 방법 논의
- 완전한 컨볼루션 네트워크(FCN)를 이용한 이미지 분류 모델 구축
- AI 플랫폼에 모델을 호스팅하여 Earth Engine과 통합하는 방법 설명
- 머신 러닝 과정을 분산 작업(Dataflow)으로 처리하여 효율성 극대화
- 머신 러닝 모델의 준비, 학습, 호스팅, 그리고 예측을 통한 워크플로우 정리
이 비디오는 Geo for Good 2022에서 Google Earth Engine과 머신러닝을 활용한 대규모 지구 표면지도를 작성하는 방법을 소개합니다.
- 머신러닝은 지구 관찰 데이터를 대규모로 처리해 지표 면적 변화를 이해하는 데 유용합니다.
- 지도 작성 시 분류와 회귀를 활용하며, 지도화 작업의 효율성을 높입니다.
- Google Earth Engine 코드 에디터를 통해 손쉽게 클래스를 정의하고 분류 모델을 훈련할 수 있습니다.
- 지도화 과정에서 데이터의 질과 모델 선택이 결과의 정확도에 큰 영향을 미칩니다.
- 추가적인 정보로 텍스처 분류와 공간 맥락 등 다양한 기법을 활용하면 모델의 성능을 향상시킬 수 있습니다.
- 신경망 등의 딥러닝 모델 적용은 향후 발전 가능한 영역이며, 더 많은 데이터와 새로운 기법이 중요합니다.
