연구원들은 위성 이미지와 인공 지능을 사용하여 이전보다 더 정확하게 바다에서의 인간 활동을 매핑하고 있습니다. 이 연구를 통해 의심스러운 어업 활동부터 해상 에너지 개발의 폭발적인 증가에 이르기까지 이전에 알려지지 않았던 다양한 산업 활동이 밝혀졌습니다.
지도는 오늘 Nature 저널에 게재되었습니다. Google이 지원하는 비영리 단체인 Global Fishing Watch가 주도한 연구에 따르면 전 세계 산업용 어선의 최대 4분의 3이 공개적으로 추적되지 않는 것으로 나타났습니다. 해운 및 에너지 선박의 최대 30%도 공개적으로 추적되지 않습니다.
연구원들은 이러한 사각지대가 전 세계의 보존 노력을 방해할 수 있다고 말합니다. 세계의 해양과 어업을 더 잘 보호하기 위해 정책 입안자들은 사람들이 연안에서 자원을 어디에서 활용하고 있는지에 대한 보다 정확한 이해가 필요합니다.
작년에 채택된 쿤밍-몬트리올 글로벌 생물다양성 프레임워크에 따르면 지구상의 거의 모든 국가는 2030년까지 지구 육지와 수역의 30%를 보호한다는 공동 목표에 동의했습니다. 그렇다면 문제는 우리가 어느 30%를 보호해야 하는가입니다. Nature 논문의 공동 저자이자 Global Fisheries Watch의 연구 및 혁신 이사인 David Kroodsma는 "이 지도가 없으면 어업 활동이 어디에 있는지, 석유 플랫폼이 어디에 있는지 논의할 수 없습니다."라고 말했습니다.
지금까지 Global Fisheries Watch와 기타 조직은 바다에서 일어나는 일을 이해하기 위해 주로 자동 해상 식별 시스템(AIS)에 의존해 왔습니다. 이 시스템은 무선 송신기 상자를 운반하는 선박을 추적할 수 있으며, 이 데이터는 과거 선박에서의 남획 및 강제 노동을 기록하는 데 사용되었습니다. 그럼에도 불구하고 시스템에는 상당한 한계가 있습니다. AIS 운반 요건은 국가 및 선박 유형에 따라 다릅니다. 그리고 누군가 감지를 피하거나 신호가 약한 곳으로 순항하고 싶을 때 상자를 쉽게 끌 수 있습니다.
공백을 메우기 위해 Kroodsma와 그의 동료들은 유럽 우주국의 Sentinel-1 위성 별자리에서 제공한 2,000테라바이트의 이미지를 분석했습니다. Sentinel-1은 카메라로 사진을 찍는 것과 같은 전통적인 광학 이미지를 촬영하는 대신 고급 레이더 장비를 사용하여 지구 표면을 관찰합니다. 레이더는 구름을 뚫고 어둠 속에서도 "볼" 수 있습니다. 즉, AIS가 놓친 해상 활동을 탐지할 수 있습니다.
2,000TB의 데이터는 상당히 크기 때문에 연구원들은 감지된 각 선박을 분류하고 크기를 추정하며 다양한 유형의 해양 인프라를 분류하기 위해 세 가지 딥 러닝 모델을 개발했습니다. 그들은 산업 활동의 75%가 이루어지는 세계 해양의 약 15%를 모니터링하여 2017년부터 2021년까지 선박의 움직임과 석유 굴착 장치 및 풍력 터빈과 같은 고정식 해양 구조물의 개발을 관찰했습니다.
2020년 코로나19 대유행이 시작되면서 어업 활동이 감소했지만, 특히 남아시아와 동남아시아, 아프리카 북부와 서부 해안을 따라 "이전에 선박 활동이 거의 없었던" 공공 추적 시스템 지역에서 선박 교통량이 집중적인 것을 발견했습니다.
데이터는 또한 해양 에너지 개발의 붐을 보여줍니다. 2020년 말에는 석유 구조물보다 풍력 터빈이 더 많아질 것입니다. 다음 해에는 터빈이 전체 해양 인프라의 48%를 차지했고, 석유 구조물은 38%를 차지했습니다.
거의 모든 해상풍력 개발은 북유럽과 중국 해안에서 이루어지고 있습니다. 미국 북동부에서는 청정 에너지 반대자들이 선박 충돌이 문제라는 증거에도 불구하고 고래의 죽음을 다가오는 해상 풍력 발전 개발과 잘못 연결하려고 시도했습니다.
풍력 터빈보다 석유 구조물을 둘러싼 선박이 더 많습니다. 유조선은 때때로 파이프라인 대신 석유를 해안으로 운반하는 데 사용됩니다. 연구한 5년 동안 석유 구조물의 수는 16% 증가했습니다. 2021년까지 해상 석유 개발로 인해 풍력 터빈보다 전 세계 선박 교통량이 5배 더 많아질 것입니다. Klozma는 "전 세계적으로 풍력 터빈으로 인해 발생하는 실제 선박 교통량은 다른 교통량에 비해 아주 적습니다."라고 말했습니다.
세계지도에서 파란색 원은 주로 유럽과 중국의 해상풍력 인프라 위치를 나타냅니다. 노란색 원은 석유 플랫폼의 위치를 나타냅니다. 보라색 원은 "다른 구조물"의 위치를 나타냅니다.
이러한 연구가 인공 지능 없이도 가능할 수 있느냐는 질문에 "짧은 대답은 '아니요'입니다. 저는 그렇게 생각하지 않습니다."라고 이번 연구의 주저자이자 Global Fisheries Watch의 기계 학습 엔지니어인 페르난도 파올로(Fernando Paolo)는 말했습니다. "딥 러닝은 방대한 양의 데이터에서 패턴을 찾아내는 데 능숙합니다."
오늘 Nature에 게재된 또 다른 기사는 Paolo와 Kroodsma의 연구를 검토하면서 글로벌 위성 이미지 처리를 위한 오픈 소스 소프트웨어인 새로운 기계 학습 도구가 "데이터 및 도구에 대한 액세스를 민주화하여 저소득 국가의 연구원, 분석가 및 정책 입안자가 저렴한 비용으로 추적 기술을 활용할 수 있도록 합니다."라고 말했습니다. 이 기사는 Microsoft의 박사후 연구원인 Konstantin Klemmer와 콜로라도 볼더 대학교의 조교수인 Esther Rolf가 작성했습니다.
이러한 기술 발전은 국가가 너무 늦기 전에 기후 변화를 중단하고 생물 다양성을 보호하려고 노력하는 중요한 시기에 해양 활동의 급격한 변화를 기록하기 위한 중요한 기반을 제공합니다. Crozma는 "이것이 중요한 이유는 [바다]가 점점 더 붐비고 점점 더 많이 사용되고 있으며 갑자기 이 거대한 글로벌 공유지를 관리하는 방법을 결정해야 하기 때문입니다. 그것은 서부 시대가 될 수 없습니다. 역사적으로 그랬습니다"라고 Crozma는 말했습니다.