GeoAI는 Table 1과 같이 여러 연구에서 다양하게 정의되고 있다.

VoPham et al.(2018)은 GeoAI가 최신 공간정보 기술과 기계학습, 데이터 마이닝 및 고성능 컴퓨팅 방법 등 인공지능 기술을 결합해 공간 빅데이터로부터 의미 있는 정보를 수집하는 것으로 정의하였다. 또한, GeoAI는 컴퓨터 과학, 공학, 통계학, 우주 과학을 포함한 많은 과학 분야를 연결하는 매우 학제적인 분야라고 덧붙였다.

Hu et al.(2019)에 따르면 GeoAI는 지리학과 AI의 통합으로 정의되는 새롭고 흥미로운 학제 간 분야이다. 이들은 GeoAI가 한 분야로 부상하게 된 세 가지 요인에 대해서도 설명했다. 첫 번째 요인은 많은 양의 공간정보 데이터의 가용성이 증가함에 따라 점점 더 복잡해지는 AI 모델에 대한 지속적인 학습이 가능해졌다. 두 번째 요인은 새로운 AI 모델과 기타 계산 방법이 지리학적 문제를 위해 특별히 개발되기 시작했다는 것이다. 세 번째 요인은 고성능 컴퓨팅 하드웨어의 가용성이 증가함에 따라 공간 빅데이터를 사용하여 GeoAI 모델을 효율적으로 학습할 수 있게 되었다는 것이다.

Janowicz et al.(2020)은 공간 데이터 과학의 하위 분야인 GeoAI를 기술과 데이터 분야의 발전으로 보다 지능적인 공간정보의 생성을 지원하는 것으로 정의하였다. 여기에는 이미지 분류, 객체 감지, 장면 분할, 시뮬레이션 및 보간, 예측, 자연어 기반 검색 및 질문 답변, 즉각적인 데이터 통합 등이 포함된다.

Li (2020)는 GeoAI를 AI, 공간 빅데이터, 고성능 컴퓨팅의 교차점에 위치한 데이터 집약적 또는 컴퓨팅 집약적 지리공간 문제를 해결하기 위한 유망한 솔루션 기술을 제공하는 것이라 정의하였다. AI의 학제 간 확장으로서 GeoAI의 목표는 기계가 인간처럼 공간 추론 및 분석을 수행할 수 있는 지능을 얻는 것이다.

Xie (2020)는 GeoAI를 공간 데이터, 즉 위치정보가 포함된 지리 참조 데이터가 제기하는 다양한 과제를 해결하기 위해 기존 인공지능(AI) 기술을 일반화한 것으로 설명하였다. 지리공간 데이터는 스마트 시티, 교통, 농업, 비즈니스, 공중 보건, 공공 안전 등과 같은 과학 및 응용 분야에서 흔히 볼 수 있다.

Alastal and Shaqfa (2022)는 GeoAI를 공간과학의 혁신과 기계학습, 딥러닝, 데이터 마이닝, 고성능 컴퓨팅 등과 같은 AI 방법을 결합한 신흥 과학 분야로 정의하였으며, 공간 빅데이터 처리와 분석에 대한 우리의 사고와 접근 방식을 체계화하는 것을 목표로 한다고 하였다.

Chauhan and Shekhar (2021)는 GeoAI를 공간 데이터를 분석하기 위한 AI 알고리즘이며, 공간과 시간에서 받은 정보와 피드백을 이해하는 알고리즘을 구축하는 데 중점을 둔 AI의 하위분류 중 하나라고 정의하였다. 또한 GeoAI는 여전히 크고 복잡한 문제를 해결하고 새로운 지리 공간 제품 및 서비스를 위한 기술 분야로 발전하고 있는 신흥 영역이라고 하였다.

Gao (2021)는 GeoAI를 지리공간 연구와 AI, 특히 기계 학습과 딥러닝 방법과 학계와 산업계의 최신 AI 기술의 통합으로 정의한다. 또한, GeoAI가 인간의 지각, 공간 추론, 지리 현상의 발견 과정을 모방하고, 지리정보 과학(GIScience)의 공간적 맥락과 뿌리에 초점을 맞추어 인간의 환경 시스템과 그들의 상호 작용 문제를 해결하기 위한 지능형 컴퓨터 프로그램을 개발하는 연구 대상으로 간주할 수 있다고 하였다.

Li and Hsu (2022)는 GeoAI를 공간 (빅)데이터를 활용한 위치 기반 분석을 위해 AI를 활용하고 개발하는 새로운 학제간 연구 영역으로 정의하였다. 이는 장소와 공간의 과학인 지리학과 AI 연구를 통합하는 개념이다. 또한 AI가 인간처럼 추론할 수 있는 기계 지능의 개발에 관한 것이라는 데 동의한다는 가정하에, 인간과 마찬가지로 공간 추론과 위치 기반 분석을 수행할 수 있는 능력을 갖춘 차세대 기계를 개발하는 것을 AI와 지리의 연결고리인 GeoAI의 목표로 보았다.

Purbahapsari and Batoarung (2022)은 GeoAI를 공간 빅데이터에서 지식을 추출하기 위해 공간정보와 기계학습, 데이터 마이닝, 고성능 컴퓨팅 등을 결합한 과학 분야로 정의하였다. 또한, GeoAI 기술은 많은 양의 공간 및 시간 데이터를 여러 형식으로 관리할 수 있는 기능, 고효율성, 알고리즘 및 워크플로우 관리의 유연성, 다양한 영역에서 복제의 용이성 등 환경 모델링에서 더 많은 이점을 제공한다고 하였다.

선행연구에서 살펴볼 수 있듯이 GeoAI는 위치정보를 포함한 공간정보와 기계학습, 딥러닝, 컴퓨팅 기술 등 AI 기법이 결합하여 더욱더 지능적이고, 새로운 가치를 창출하는 하나의 새로운 과학영역으로 정의한다. 세부적인 특징들을 살펴보면 공간 빅데이터를 활용한 모델을 적용하면 문제를 해결할 수 있으며, 위치정보를 활용한 공간적 개념과 시간적 개념이 문제 해결에 포함된다는 것이다. 그리고 GeoAI는 위치정보를 포함한 공간의 개념과 다양한 현상의 상호 작용에 대하여 사람들은 지식을 발전시키고, 문제를 해결하기 위한 지능형 컴퓨터 프로그램을 개발하기 위한 노력으로 간주할 수 있다.

GeoAI를 연구주제로 다룬 선행연구들을 검토한 결과 GeoAI는 다음과 같은 서비스를 제공하여야 한다. 첫째, 다양한 유형의 데이터와의 연계가 가능해야 한다. 즉 공간정보 이외의 다양한 종류의 데이터와의 연계를 통해 공간분석이 가능해야 한다. 그리고 공간분석뿐만 아니라 이러한 공간정보의 속성정보와 다양한 데이터들의 연계를 통해 AI 분석이 가능해야 한다. 그리고 지속적으로 구축 및 갱신되는 다양한 공간정보와 다양한 유형의 데이터의 저장·관리·분석 서비스가 가능해야 한다(Kim et al., 2016). 이러한 서비스는 기존 공간 빅데이터 서비스의 내용과도 일치한다. 다만 GeoAI에서는 AI 분석과 관련된 최신의 분석 신기술의 적용과 AI 분석을 수행한 분석 결과의 획득이 쉽다는 장점이 있다.

따라서 GeoAI 기반의 환경정책 수립 지원 체계의 구성은 Fig. 1과 같다. 본 연구에서 제안하는 환경정책 수립 지원 체계는 데이터의 수집, 가공, 저장과 정형데이터의 생성, 분석(연산), 분석 결과의 서비스 제공이 하나의 체계 안에서 원스톱으로 가능하다. 현재는 하나의 과정마다 데이터 포맷이 변경되므로 별도의 프로그램을 이용한 데이터 포맷 변환과정이 필요한데, 본 연구에서 제안하는 분석 체계를 활용할 경우 이러한 데이터의 이동 및 포맷의 변환 같은 처리 과정이 생략되어 사용자의 편의성을 향상할 수 있다. 예를 들면 기존에는 각각의 독립변수의 속성값을 활용하여 종속변수 예측값을 아스키 형태로 추출하고 이를 GIS 툴을 이용하여 가시화해야 하였지만, 이러한 과정 없이 저장부터 분석 결과의 제공까지 원스톱으로 서비스 제공이 가능한 것이다.

Fig. 1. 
GeoAI-based environmental policy support system framework

이를 위해 본 연구에서는 공간 DBMS를 활용한 지원체계를 제안하였다. 공간 DBMS은 공간정보의 저장 및 관리와 데이터의 갱신이 편리하다. 그리고 GeoAI를 활용하기 위한 위치 기반의 공간분석과 AI 분석을 수행하기 위해 필요한 정형데이터의 생성이 용이하며, 다양한 데이터와의 연계 또한 위치 기반의 추출 및 데이터 조인을 통해 손쉽게 연계할 수 있다는 장점이 있다.

데이터의 수집, 가공, 저장을 위해서 본 체계에서는 공간 DBMS를 활용했다. 외부로부터 입력받은 데이터의 좌표체계를 변환하거나, 래스터(raster), 셰이프(shape) 등의 데이터 포맷으로 변환하거나, 동일한 격자 위치 및 크기에 대응되도록 데이터를 가공하여 공간 DBMS에 저장한다. 이러한 공간 DBMS (PostGIS)의 활용은 응용프로그램에 적용 및 확장에 용이하기 때문에 본 연구에서 제안하는 원스톱 환경정책 수립 지원체계의 구축에 적합하다. 또한 다양한 분야에서 구축 및 갱신되고 있는 데이터의 저장, 삭제, 수정 등 관리가 쉽고, 시계열 분석 등에 적용하기에도 편리하다. 그리고 데이터를 2차원의 테이블 형태로 표현하고, 데이터간의 관계를 기본키와 외래키 값으로 연계 표현할 수 있다. 이러한 연계는 관계 데이터 모델을 기반으로 여러 테이블에 분포된 정보를 쿼리를 통해 손쉽게 추출할 수 있다.

AI 분석에 필요한 정형 데이터를 생성하기 위해서는 공간 DBMS에 저장된 데이터 중 분석하고자 하는 변수를 종속변수로 지정하고, 다양한 관련 독립변수를 대상으로 실험 지역을 설정하여 정형데이터를 추출해야 한다. 이때 정형데이터를 생성하기 위한 설정 항목은 분석방법, 종속변수, 독립변수, 분석지역, 격자크기, 샘플링 개수, 범위, 데이터 포맷 등 다양하다. 이러한 설정항목에 대해 정형데이터를 생성하기 위해서는 저장된 공간정보를 대상으로 쿼리를 이용하여 속성 값을 추출한다. 예를 들어 Fig. 2와 같이 행정구역, 임의의 공간 범위 또는 샘플링 한 포인트, 특정 측정망과 같은 포인트, 그리고 실험범위의 모든 래스터 격자등을 기준으로 버퍼 등 공간분석을 수행하고, Fig. 3과 같이 각각의 래스터 격자별로 기준 거리를 설정하여 버퍼를 수행 후 버퍼 내 포함된 독립변수 인자들의 면적이나 평균 값 등을 추출함으로써 종속변수와 독립변수들로 이루어진 정형데이터 생성이 가능하다. 나아가 신규 데이터가 공간 DBMS에 입력되었을 때 동일한 프로세스를 수행하여 새로운 정형데이터를 획득함으로써, AI 분석을 수행할 수 있는 자동화된 분석체계를 구축할 수 있다.

Fig. 2. 
Example of structured data extraction method

Fig. 3. 
Example of structured data

분석 파트에서는 회귀분석, 빈도비 같은 확률 통계 기법에서부터 의사결정트리 같은 화이트박스 모델뿐만 아니라 인공 신경망(Neural network)과 같은 딥러닝 기법의 블랙박스 모델도 적용할 수 있다. 새로이 개발되는 다양한 분석 기법들의 적용 또한 가능한데, 이는 공간 DBMS 기반의 응용 프로그램에서 데이터베이스를 연결하여 데이터들을 활용하지만 R, 파이썬과 같은 분석 팩키지에서 제공하는 라이브러리를 활용함으로써 다양한 분석 기법들을 적용할 수 있다. 특히 최근 활발히 활용되고 있는 Explainable AI (XAI) 기법 또한 적용가능하며, 다양한 모델 중 설명력이 우수한 모델의 선정을 위해 다양한 모델들을 적용 및 분석하고, 분석 결과를 비교하여 데이터 특성에 알맞은 모델의 선정할 수 있다.

이러한 분석 결과를 응용프로그램 내에서 제공하는 것도 가능하며, 회귀분석의 계수값, 빈도비, 의사결정트리와 같은 분석 결과를 도출할 수 있다. 또한 Fig. 4와 같이 독립변수의 중요도, 독립변수들의 영향력, 모델의 설명력 또는 예측 정확도의 제공이 가능하다. 이러한 모델을 통해 각각의 독립변수들을 입력했을 때 추정할 수 있는 종속변수의 값 또는 종속변수가 나타날 확률값 또한 추출 가능하며, 이는 다양한 평가항목의 래스터 격자별 독립변수의 값들이 입력되었을 때, 예측 값 또는 예측확률 값을 가지는 지도(공간정보)의 신규 구축이 가능하다. 이러한 기능을 통해 환경 및 여건의 변화에 따른 독립변수들의 변화와 종속변수에 대한 예측분석이 가능하고 유의미한 결과 또는 정보를 추출할 수 있어 환경계획 및 정책 수립을 지원할 수 있을 것으로 판단된다.

Fig. 4. 
Examples of various analysis result service provision methods

이러한 분석 체계는 공간 DBMS에 저장되는 데이터를 이용하여 AI 분석을 수행할 수 있도록 정형데이터 생성 등 데이터 형태를 변환하거나, 분석으로 생성된 결과 데이터를 다시 공간 DBMS에 저장할 수 있도록 한다. 예를 들어 기존 분석 방식은 래스터 형태의 포맷을 공간 데이터베이스에 저장하는 데이터 포맷이지만, 인공지능 분석방법으로 분석하려면 csv 포맷으로의 변환이 필요할 수 있다. 이 경우, 인공지능 분석방법으로 분석하기 위해서는, 공간 데이터베이스로부터 데이터를 저장매체에 저장하고, 외부 프로그램으로 저장된 데이터의 포맷을 변환한 후, 인공지능 분석방법 툴에 입력해야 한다. 또한 인공지능 분석방법 툴로 출력한 데이터는 공간 DBMS에 바로 저장될 수 없으므로, 결과 데이터를 다시 외부 프로그램으로 변환하여 활용해야 하는데 이때 메모리 문제 등 예상치 못한 문제들로 인하여 활용에 제약이 있을 수 있다. 따라서 본 연구에서 제안한 분석 체계의 인공지능 분석방법을 이용한다면, 데이터 연계부에 의해 데이터 포맷이 변경되어 별도의 프로그램을 이용한 데이터 포맷 변환과정이 생략되므로, 인공지능 분석과정이 단순화되어 사용자의 편의성을 향상시킬 수 있다.