아라비아 사막 고고학 유적 탐지, 이젠 AI가 한다!

사우디아라비아 북서부 주바Jubbah 지역과 주변 네푸드 사막Nefud Desert. AI를 활용해 위성 이미지에서 고대 석조 구조물을 지도화하고 식별하는 연구가 진행되는 지역이다. 이미지 출처: NASA/국제우주정거장, Wikimedia Commons. 퍼블릭 도메인.

아라비아 전역에서 사람들은 수천 년에 걸쳐 다양한 석조 구조물을 건설했다.

매장용 돌무덤, 울타리, 그리고 더 큰 규모 의례용 구조물이 곳곳에 흩어져 있으며, 이는 수천 년 동안 변화하는 기후 속에서 공동체가 어떻게 살고 이동했는지에 대한 단서를 제공한다.

이러한 유적을 기록하는 데는 전통적으로 현장 조사나 위성 이미지에서 수동으로 특징을 추적하는 작업이 필요했는데, 두 가지 모두 시간이 많이 소요되는 방식이다.

에이미 해튼Amy Hatton이 이끄는 연구팀은 AI가 이러한 과정을 가속화하고 고고학자들의 업무를 더 수월하게 만들 수 있는지 연구 중이다.

연구 지역

이 연구는 사우디아라비아 북서부 네푸드 사막Nefud Desert 남쪽 가장자리를 따라 약 2,500제곱킬로미터에 달하는 5개 지역에 집중했다.

이 지역은 대략 100km x 115km에 걸쳐 펼쳐지며 모래 언덕sand dunes, 모래와 바위가 섞인 평원, 고립된 제벨jebels(산)과 산맥이 혼합한다.

현재 이 지역은 연평균 강수량이 50~100mm에 불과한 극심한 건조 지대이지만, 과거 강수량이 많은 시기에는 환경 조건이 달랐다.

연구진은 제벨, 즉 언덕과 산 주변 지역에 집중했는데, 이전 고고학적 조사에서 이 지역에 보존된 석조 구조물이 특히 흔하다는 점이 시사되었기 때문이다.

주바 주변 지역은 수십만 년 전으로 거슬러 올라가는 인간 활동의 흔적과 수많은 선사 시대 석조 구조물 및 암각화 유적지가 발견되는 등 고고학적으로도 중요한 지역이다.

구조물들은 크기와 모양이 다양해 인공지능이 다양한 유형의 고고학적 특징을 얼마나 잘 인식할 수 있는지 테스트하기에 좋은 대상이었다.

 

그림 1. 모델링된 구조물과 크기 범위의 예: (A) 돌무덤, (B) 세포형 구조물, (C) 고리형 돌무덤, (D) 매달린 돌, (E) 겨자 모양 돌, (F) 삼각형.

 

하나의 목적을 위한 세 가지 다른 접근 방식

연구팀은 해당 지역 위성 이미지를 사용해 MA-Net, SegFormer, U-Net이라는 세 가지 딥러닝 시스템을 학습시켰다.

이 모델들은 돌 구조물을 자동으로 식별하고 윤곽을 그려 연구자들이 동일한 작업에서 각 접근 방식의 효율성을 비교할 수 있도록 했다.

그림 3. 검증 데이터를 기반으로 한 모델 성능을 보여주는 지표. 왼쪽에는 각 모델의 모든 에포크에 걸친 F1 점수와 IoU가 표시되고, 오른쪽에는 각 모델의 혼동 행렬이 표시된다.

 

결과적으로 MA-Net이 전반적으로 가장 우수한 성능을 보였고, SegFormer가 그 뒤를 바짝 쫓았다.

MA-Net은 F1 점수 0.897, IoU 0.813을 달성했고, SegFormer는 각각 0.894와 0.808을 기록했다.

MA-Net 점수가 약간 더 높았지만, SegFormer는 다양한 유형의 구조물에서 더 일관된 성능을 보였다.

고해상도, 더 나은 결과

가장 분명한 결과 중 하나는 이미지 해상도의 중요성이었다.

해상도를 256픽셀에서 512픽셀로 높이자 모델 성능이 크게 향상되었으며, MA-Net의 IoU는 0.57에서 0.81로, F1 점수는 0.73에서 0.90으로 상승했다.

고해상도 이미지는 약간의 계산 비용을 수반했다.

모델당 학습 시간이 약 10분에서 22분으로 증가했지만, 탐지 성능 향상을 고려하면 고해상도 사용은 충분히 가치가 있었다.

 

A: 위성 이미지를 조사한 다섯 개 연구 지역 지도이며, 확인된 구조물 위치는 구조물 유형별로 색깔이 지정했다. B: 아라비아 반도 전체에서 다섯 개 연구 지역을 합친 범위를 파란색으로 나타낸 지도.

일부 구조물은 추가적인 노력 필요

모델들이 모든 고고학적 구조물에서 동일한 성능을 보인 것은 아니다.

무스타틸은 F1 및 IoU 점수가 모든 모델에서 0.8 이상으로 나타나 탐지하기 가장 쉬운 구조물 중 하나였다.

크고 독특한 직사각형 모양 덕분에 모델이 무스타틸을 인식할 수 있었던 것으로 보인다.

케언Cairns은 크기가 작고 위성 이미지에서 바위나 초목과 같은 자연 지형과 유사하게 보일 수 있어 탐지가 더 어려웠다.

가장 큰 어려움은 매달린 무덤pendant tombs과 삼각형이었다.

매달린 무덤은 모양이 복잡하고 다양하며, 삼각형은 훈련 데이터에 단 8개 예시만 있어 제대로 표현되지 않았다.

U-Net과 MA-Net은 삼각형을 식별하지 못했지만, SegFormer는 더 나은 성능을 보였다.

전반적으로 모델은 6가지 구조물 유형 중 4가지를 일관되게 식별하여 높은 잠재력을 보여주었지만, 추가 훈련의 필요성도 시사했다.

AI의 역할

연구진은 모델이 식별한 내용을 확인하고 위성 이미지로는 얻을 수 없는 상세한 증거를 수집하기 위해서는 현장 조사와 발굴이 여전히 필수적이라고 강조한다.

AI는 고고학 연구 초기 단계를 가속화하는 데 사용될 예정이다.

고고학자들은 방대한 양의 위성 이미지를 일일이 수동으로 검사하는 대신, 훈련된 모델을 사용하여 고고학적 구조물이 존재할 가능성이 높은 지역을 파악하고, 해당 지역을 조사하는 데 시간과 자원을 집중할 수 있다.

이러한 방식은 2,500제곱킬로미터에 달하는 연구 지역과 같이 넓고 외딴 지역을 조사할 때 특히 유용할 수 있다.

Hatton, A., Jambajantsan, A., Breeze, P. S., Guagnin, M., Fisher, M. T., al-Jibreen, F., Alsharekh, A. M., Petraglia, M. D., & Groucutt, H. S. (2026). “Semi-automated detection of Holocene archaeological structures along the southern edge of the Nefud desert.” Journal of Archaeological Science: Reports, 72, 105734. https://doi.org/10.1016/j.jasrep.2026.105734