BigQuery와 Earth Engine으로 설계하는 위성 이미지 분석 파이프라인

Google Maps의 이미지 AI 기능이 바꾸는 분석 경로

Google Cloud Next 2026에서 Google은 Google Maps Platform에 생성형 AI 기반 이미지 분석 기능을 공개했다. 이 발표의 중심에는 BigQuery에 보관된 위성 이미지를 분석하는 Aerial and Satellite Insights가 있다.

Pre-trained Earth AI Imagery Models는 교량, 도로, 전력선처럼 인프라를 구성하는 요소를 자동 감지한다. 기업이 수개월 동안 커스텀 모델을 개발하던 접근을 대체하는 방향이며, Airbus와 Boston Children's Hospital이 초기 채택자로 참여했다.

Maps Imagery Grounding은 Gemini Enterprise Agent Platform과 연결된다. 사용자는 자연어 프롬프트로 Street View 기반 장면을 만들고, Veo 비디오 모델로 이를 애니메이션화할 수 있다. 영화 촬영 사전 시각화와 건설 현장 계획 검토가 주요 워크플로우다.

Google Cloud Model Garden에서 실험적으로 제공되는 Earth AI Imagery Models는 위성 이미지 속 특정 객체 식별을 위해 사전 훈련된 모델을 포함한다.

픽셀과 공간 객체를 함께 다뤄야 하는 이유

지리공간 분석에서는 래스터와 벡터가 서로 다른 역할을 맡는다.

래스터 데이터는 픽셀 격자로 연속적인 표면을 표현한다. 위성 이미지, 고도 모델(DEM), 온도 분포, 토지 피복 분류가 여기에 속한다. Google Earth Engine은 100+ 페타바이트 규모의 래스터 위성 이미지 카탈로그를 보유하며, 행성 규모 래스터 분석에 특화되어 있다.

반대로 벡터 데이터는 포인트, 라인, 폴리곤으로 이산(Discrete) 객체를 나타낸다. 건물 경계, 도로망, 행정 구역, 시설물 위치 정보가 대표적이다. BigQuery는 GEOGRAPHY 타입으로 벡터 데이터를 처리하는 페타바이트 규모 SQL 분석용 서버리스 데이터 웨어하우스다.

두 유형을 결합해야 분석 결과가 실제 의사결정에 연결된다. 예를 들어 보험사가 특정 군(County)의 홍수 위험을 계산하려면 군 경계라는 벡터와 강수량 위성 데이터라는 래스터를 교차 분석해야 한다.

BigQuery와 Earth Engine을 오가는 데이터 흐름

두 플랫폼은 한쪽에서 다른 쪽의 데이터를 참조하거나, 분석 결과를 내보내는 방식으로 연결된다.

BigQuery에서는 ST_REGIONSTATS()를 통해 Earth Engine 래스터 데이터에 접근할 수 있다. 데이터를 별도로 복사하지 않고도 지정한 경계 안의 픽셀 통계를 계산한다.

벡터 테이블을 Earth Engine으로 가져오는 경로도 있다.

# 전체 테이블 로드
fc = ee.FeatureCollection.loadBigQueryTable('project.dataset.table')

# SQL 쿼리 실행 후 로드
fc = ee.FeatureCollection.runBigQuery(
    project='my-project',
    query='SELECT * FROM dataset.table WHERE area > 100'
)

이 방식은 BigQuery의 벡터 데이터를 Earth Engine 시각화와 공간 분석 워크플로우에 연결한다.

Earth Engine에서 처리한 결과는 BigQuery로 내보내 SQL 분석, BI 도구 연동, 다른 데이터와의 조인에 쓸 수 있다.

Export.table.toBigQuery(
    collection=analyzed_fc,
    table='project:dataset.analysis_results',
    description='satellite_analysis_export'
)

ST_REGIONSTATS()가 연결하는 래스터와 벡터

ST_REGIONSTATS()는 GEOGRAPHY 타입의 폴리곤 내부에 포함된 래스터 픽셀의 통계를 계산한다. 래스터와 벡터가 만나는 지점을 SQL로 다루기 위한 함수다.

-- 독일 각 군(County)의 일일 강수량 통계 계산
SELECT
  county_name,
  day,
  ST_REGIONSTATS(
    geometry,                    -- 군 경계 폴리곤 (벡터)
    era5_image_id,               -- ERA5 강수량 이미지 (래스터)
    'total_precipitation_sum'    -- 분석할 밴드명
  ) AS precipitation_stats
FROM german_counties
CROSS JOIN UNNEST(date_series) AS day
WHERE year = 2025

반환값은 평균, 최대, 최소, 표준편차 같은 집계 통계를 담은 STRUCT 타입이다. 극단적 강수량 발생 확률(재현 기간), 산불 위험 지수, 산림 벌채 면적을 계산하는 데 활용된다.

⤢✕

대용량 이미지 처리부터 AI 분석까지

위성 이미지에서는 단일 씬(Scene)만으로도 수백 MB가 될 수 있다. 시계열 분석은 수백 GB~TB 규모 데이터를 요구한다. 파이프라인은 수집, 처리, 저장 계층을 분리해 구성할 수 있다.

수집 단계에서는 Earth Engine 카탈로그에서 시간 범위, 공간 범위, 클라우드 커버리지를 기준으로 이미지를 필터링한다. BigQuery Analytics Hub에서 ERA5 날씨와 토지 피복 등을 포함한 20+ 분석용 데이터셋을 구독하는 방식도 있다.

처리 계층에는 Cloud Dataflow(Apache Beam)를 사용해 자동 확장 가능한 처리 파이프라인을 구성하고, Cloud Composer(Airflow)로 워크플로우 일정과 의존성을 관리할 수 있다. 실시간 위성 데이터 수집에는 Cloud Pub/Sub를 연결한다.

원본 GeoTIFF 래스터는 Cloud Storage에 보관하고, 분석 결과와 메타데이터는 BigQuery에 적재한다. 시계열 이미지 컬렉션은 Earth Engine에서 관리한다.

SQL에서 생성형 AI를 호출하는 패턴

BigQuery의 생성형 AI 함수는 SQL 분석 흐름 안에서 멀티모달 입력을 처리한다.

AI.GENERATE()는 텍스트, 이미지, 비디오, 오디오를 다루는 범용 생성형 AI 함수다. 위성 이미지에서 자연어 설명을 만들거나 변화 탐지 결과를 요약하는 용도로 사용할 수 있다.

-- 위성 이미지에서 인프라 변화 자동 분석
SELECT
  region_id,
  AI.GENERATE(
    model => 'gemini-2.0-pro',
    prompt => CONCAT(
      '다음 위성 이미지를 분석하여 인프라 변화 사항을 설명하라: ',
      image_url
    )
  ) AS change_description
FROM satellite_change_detection
WHERE change_score > 0.7

AI.GENERATE_TABLE()은 테이블 단위로 생성형 AI를 일괄 적용하므로 대규모 위성 이미지 배치 처리에 적합하다.

AI.SIMILARITY()는 텍스트-이미지와 이미지-이미지 사이의 의미론적 유사도를 임베딩 기반 코사인 유사도로 계산한다. 유사한 토지 피복 패턴을 가진 지역을 클러스터링하거나 특정 재해 유형과 비슷한 위성 이미지를 찾는 데 활용된다.

결합 데이터에 따라 달라지는 분석 결과

결합 데이터	활용 사례	핵심 기술
위성 이미지 + 기상 데이터	농작물 수확량 예측	ST_REGIONSTATS + BigQuery ML
위성 이미지 + 인구 데이터	도시 성장 패턴 분석	Earth Engine + BigQuery JOIN
위성 이미지 + 보험 청구 데이터	재해 피해 자동 평가	AI.GENERATE + GIS 분석
위성 이미지 + SNS 데이터	실시간 재난 상황 파악	Pub/Sub + Dataflow + BigQuery

보험·도시 계획·부동산에서의 적용

보험에서는 기후 위험에 기반한 보험료 산정이 직접적인 적용 대상이다. 전통적 방식이 지역 단위 통계에 의존했다면, 위성 이미지 분석은 필지(Parcel) 수준의 정밀 위험도 계산을 가능하게 한다.

ERA5 Land 일일 기후 데이터셋을 BigQuery Analytics Hub에서 구독한 뒤, ST_REGIONSTATS()로 보험 계약 주소 경계의 강수량·기온·풍속 통계를 계산한다. 이어 100년치 데이터로 극단적 기상 이벤트의 재현 기간을 계산하고, BigQuery ML로 위험도 점수 예측 모델을 학습한 다음 실시간 보험료 산정 API에 배포한다. 재해 이후 손해사정 단계에서는 Aerial and Satellite Insights로 피해 범위를 시각화하고 AI.GENERATE()로 피해 설명 보고서를 생성한다.

도시 계획 부서는 넓은 지역의 토지 이용 변화를 계속 추적해야 한다. Earth AI Imagery Models는 건설 활동, 도로 신설, 녹지 감소 등을 위성 이미지에서 자동 감지한다. Cloud Composer가 매주 새 위성 이미지를 수집하고 Earth AI Imagery Models로 변화 여부를 분류하는 정기 모니터링 흐름을 만들 수 있다. 허가받지 않은 건설이나 불법 투기가 탐지되면 관계자에게 자동 알림을 보내는 알람 시스템으로 이어진다.

부동산에서는 Google Maps Platform의 Population Dynamics Insights와 결합해 지역 수요 예측을 다룰 수 있다. 330차원 임베딩으로 특성이 비슷한 지역 시장을 찾고, 인접 지역의 발전 패턴을 바탕으로 신규 투자 지역을 예측한다.

비용을 통제하는 지리공간 아키텍처

원본 래스터는 저비용 객체 스토리지인 Cloud Storage에 보관하고, BigQuery에는 분석 결과와 집계 통계만 넣는 편이 적합하다. ST_REGIONSTATS()는 복사 없이 Earth Engine 카탈로그에 직접 접근하므로 스토리지 비용을 최소화한다.

BigQuery 쿼리 비용은 스캔한 데이터 양에 비례한다. 공간 인덱스(클러스터링)를 사용하고 WHERE ST_WITHIN(geometry, ST_GEOGFROMTEXT('...'))로 관심 지역만 제한하면 스캔량을 줄일 수 있다.

Earth Engine의 래스터 분석은 BigQuery 슬롯 시간으로 과금된다. 분석 프로젝트별 슬롯 할당량을 두고 Cloud Monitoring으로 슬롯 소비 패턴을 확인하면 예산 초과를 방지하는 데 도움이 된다.

전체 데이터를 다시 처리하기보다 새 위성 이미지가 들어왔을 때만 증분 분석을 수행하는 방식도 필요하다. Cloud Pub/Sub와 Cloud Functions를 연결하면 새 이미지 도착 이벤트에 반응하는 이벤트 드리븐 파이프라인을 구성할 수 있다.

BigQuery SQL로 100+ 페타바이트 위성 이미지 카탈로그에 접근하고, 생성형 AI 함수로 이미지에서 자연어 인사이트를 얻는 흐름은 지리공간 분석의 선택지를 넓힌다. 래스터와 벡터를 단일 SQL 환경에서 결합하는 ST_REGIONSTATS()는 도시 계획, 보험, 부동산, 공급망 최적화를 위한 분석 기반이 된다.