GGRS: Geoscience, GIS, & Remote Sensing

QGIS 안에서 끝내는 Maxent 종 분포 모델링 — QMaxent 플러그인 공개

유병혁 — Thu, 14 May 2026 11:29:17 +0900

QMaxent — Maxent SDM in QGIS

Train, evaluate, and project Maxent species distribution models without leaving QGIS.

osgeokr.github.io

QGIS · Maxent · SDM · elapid · 오픈소스 플러그인

종 분포 모델링(Species Distribution Modeling, SDM)을 해본 분이라면 익숙한 작업 흐름이 있습니다. QGIS에서 출현 지점과 환경 변수 래스터를 정리하고, .asc로 내보내, Maxent 자바 GUI에서 모델을 학습시킨 뒤, 결과 래스터를 다시 QGIS로 들고 와서 시각화하는 흐름이죠. 분석을 한두 번 돌리고 끝나면 괜찮지만, 공간 교차검증을 바꿔가며 비교하거나 임계값별로 우선조사 후보지를 뽑아야 하는 순간 손이 빠르게 바빠집니다.

QMaxent는 이 왕복을 없애기 위해 만든 QGIS 플러그인입니다. elapid Python 라이브러리를 QGIS에 통합해, 데이터 준비 → 모델 학습 → 공간 교차검증 → Jackknife 변수 중요도 → 서식적합도 투영 → 우선조사 후보지 선정 → 논문용 결과 내보내기까지 Maxent SDM 전 과정을 QGIS 하나에서 끝낼 수 있도록 설계했습니다.

공식 페이지: https://osgeokr.github.io/qmaxent/
GitHub: https://github.com/osgeokr/qmaxent
라이선스: MIT
현재 버전: 0.1.2 (2026-05-10 릴리스)

왜 또 하나의 Maxent 플러그인인가

기존에도 QGIS-Maxent 연계 도구가 없지는 않습니다. 다만 대부분은 자바 기반 maxent.jar를 외부 프로세스로 호출하거나, 파일 포맷 변환만 보조하는 어댑터 수준에 머물러 있습니다. QMaxent는 그 대신 다음과 같은 방향을 택했습니다.

Maxent 알고리즘 자체를 Python으로 수행합니다. elapid의 MaxentModel(내부적으로 maxnet 규칙을 따름)을 사용해 자바 의존성을 제거했고, scikit-learn과의 호환을 유지합니다.
공간 교차검증을 핵심 기능으로 다룹니다. Geographic K-Fold(Roberts et al. 2017), Checkerboard(Muscarella et al. 2014, ENMeval), Buffered Leave-One-Out(Pearson 2007; Ploton et al. 2020)을 옵션으로 제공하며, pooled AUC를 함께 보고합니다.
원본 Maxent와 비교 가능한 출력 형식을 유지합니다. Jackknife 표는 학습/검증 AUC를 fold별 평균으로 산출해, 기존 Maxent 사용자가 결과를 그대로 해석할 수 있습니다.
연구 산출물로 바로 쓰는 흐름을 염두에 두었습니다. 결과 내보내기는 Times New Roman 서식의 다중 시트 XLSX로 출력되어 논문 보충자료(Supplementary Table)에 거의 그대로 첨부할 수 있습니다.

주요 기능

1. Maxent 모델링

Linear · Quadratic · Hinge · Product · Threshold 5종 피처 지원.
샘플 수에 따른 maxnet 자동 선택 규칙 적용 (수동 지정도 가능).
범주형 변수는 one-hot 인코딩으로 자동 처리.
거리 가중치 기반 표본편향 보정(Phillips 2009) 옵션 제공.

2. 데이터 준비 (Check + Harmonize)

환경 변수 래스터의 CRS · 범위(extent) · 해상도를 자동 점검하고, 불일치 시 사용자가 지정한 기준으로 일괄 조정.
학습 전에 데이터 정합성을 확보하므로, "왜 결과 래스터가 한 칸씩 어긋나지?" 류의 무성한 실패를 사전에 차단.

3. 예제 데이터 원클릭 로딩

elapid 튜토리얼에서 사용하는 Bradypus(세발가락나무늘보)와 Ariolimax(바나나 민달팽이) 데이터셋을 메뉴 한 번으로 불러올 수 있습니다. 워크플로 학습용으로도, 버그 리포트 재현용으로도 유용합니다.

4. 공간 교차검증 (Spatial Cross-Validation)

방법	설명
Geographic K-Fold (기본)	지리적으로 분리된 K개 fold로 공간 의존성 완화
Random K-Fold	비공간 베이스라인 비교용
Checkerboard	ENMeval 방식의 체커보드 분할
Buffered LOO	출현 지점 주변 버퍼를 제외하는 leave-one-out

각 방식 모두 pooled AUC를 함께 제공합니다.

5. Jackknife 변수 중요도

학습 AUC와 held-out 검증 AUC를 CV fold별 평균으로 보고합니다. 원본 Maxent의 변수 중요도 표와 동일한 구조이므로, 기존 연구와의 비교가 직관적입니다.

6. 공간 투영 (Spatial Projection)

Cloglog · Logistic · Raw 변환을 선택 가능.
산출된 서식적합도 래스터는 자동으로 스타일이 적용되어 QGIS 프로젝트에 바로 추가됩니다.

7. 우선조사 후보지(Priority Sites for Survey)

현장조사 인력은 늘 부족하니, 모델 결과를 다음 조사로 연결하는 단계까지 자동화했습니다.

Discovery 모드: 고적합도 구간(기본값: raster max × 0.9)에서 무작위 또는 상위 N개 샘플링. 기존 출현 지점과의 거리, 후보지 간 간격 제약 옵션 포함.
Validation 모드: Rhoden et al. (2017)을 따라 적합도 4분위에 걸쳐 층화 추출. 하한 임계값은 MTP / T10 / MaxSSS / Custom 중 선택.
선정된 후보지는 OpenStreetMap Nominatim 역지오코딩(API 키 불필요)으로 행정구역명까지 자동 부여됩니다.

8. 모델 저장 / 불러오기 (.pkl)

학습된 모델은 elapid의 save_object를 이용해 .pkl로 저장합니다. 재사용 시 변수 매핑 대화상자가 떠서, 모델이 기대하는 변수 순서와 현재 프로젝트의 래스터 레이어를 1:1로 매칭하도록 강제합니다. 래스터 순서가 어긋난 채 그대로 투영해 잘못된 결과가 나오는 침묵의 실패(silent failure)를 사전에 막기 위함입니다.

⚠ .pkl 파일 보안 안내
Python pickle은 편리하지만 임의 코드 실행이 가능한 포맷입니다. scikit-learn · joblib와 같은 위험을 공유하므로, 본인 또는 신뢰할 수 있는 협력자가 만든 .pkl만 불러오세요.

9. 논문용 결과 내보내기 (XLSX)

실험 설정, 변수 목록, 교차검증 결과, Jackknife 중요도, Priority Sites 임계값을 다중 시트 XLSX로 출력.
Times New Roman 서식이 적용되어 학술지 보충자료 관행에 부합합니다.

10. 이중 언어 UI (English / 한국어)

영문 원본 문자열에 한국어 번역을 모두 갖춰, QGIS 로케일에 맞춰 자동 전환됩니다.

설치

요구사항

QGIS 3.44 이상 (LTR 계열 권장)
Python 3.9+ (최신 QGIS 배포판에 포함)
최초 실행 시 인터넷 연결 필요 (의존성 약 300–500 MB 다운로드)

설치 단계

QGIS에서 플러그인 → 플러그인 관리 및 설치를 엽니다.
QMaxent를 검색해 설치합니다.
설치 후 플러그인 → QMaxent → QMaxent Dependencies를 열고 Install / Update Dependencies를 클릭합니다.
elapid, rasterio, geopandas, scikit-learn 등이 플러그인 전용 가상환경에 설치됩니다.

시스템 Python이나 QGIS 자체 환경에는 영향을 주지 않습니다. 의존성 충돌로 QGIS가 망가질 걱정을 덜었습니다.

빠른 시작

플러그인 → QMaxent → QMaxent Analysis를 엽니다.
① Data 탭
- 출현 지점(presence) 레이어를 선택하고, 환경 변수 래스터를 순서대로 추가합니다.
- 처음 사용한다면 우측 Example data 버튼으로 Bradypus 또는 Ariolimax 데이터셋을 불러와 흐름을 익혀보세요.
② Parameters 탭
- 피처 유형(Auto 권장), 정규화 강도, 공간 교차검증 방식, 출력 경로를 설정합니다.
▶ Run Maxent 클릭 → ③ Training 탭에 진행률 표시.
④ Results 탭
- ROC 곡선, 반응 곡선(response curves), Jackknife 표를 확인합니다.
- 출력 변환(cloglog 권장)을 정하고 Run Spatial Projection으로 서식적합도 래스터를 생성합니다.
필요 시 Priority Sites 모듈로 후속 조사 후보지를 뽑아 XLSX로 내보냅니다.

이전에 저장한 .pkl을 다시 쓰려면 ① Data 탭 상단의 Load existing model (.pkl)… 버튼을 사용하세요. 변수 매핑 대화상자가 떠서 현재 프로젝트의 래스터와 모델 변수를 정확히 짝지어 줍니다.

인용

QMaxent를 연구에 사용하셨다면 아래 인용 형식을 사용해 주세요. 저장소 루트의 CITATION.cff에서 단일 출처(single source of truth)로 관리됩니다.

APA 7th

Yu, B.-H. (2026). QMaxent: a QGIS plugin for Maxent species distribution modeling (Version 0.1.2) [Computer software]. https://osgeokr.github.io/qmaxent/

BibTeX

@software{Yu_QMaxent_2026,
  author  = {Yu, Byeong-Hyeok},
  title   = {{QMaxent: a QGIS plugin for Maxent species distribution modeling}},
  version = {0.1.2},
  date    = {2026-05-10},
  url     = {https://github.com/osgeokr/qmaxent},
  license = {MIT}
}

방법론 참고문헌

QMaxent의 기본값은 다음의 SDM 표준 관행을 따릅니다.

Phillips, S. J., Anderson, R. P., & Schapire, R. E. (2006). Maximum entropy modeling of species geographic distributions. Ecological Modelling, 190, 231–259.
Phillips, S. J., & Dudík, M. (2008). Modeling of species distributions with Maxent: new extensions and a comprehensive evaluation. Ecography, 31, 161–175.
Phillips, S. J., Anderson, R. P., Dudík, M., Schapire, R. E., & Blair, M. E. (2017). Opening the black box: an open-source release of Maxent. Ecography, 40, 887–893.
Muscarella, R., et al. (2014). ENMeval: An R package for conducting spatially independent evaluations and estimating optimal model complexity for Maxent ecological niche models. Methods in Ecology and Evolution, 5, 1198–1205.
Roberts, D. R., et al. (2017). Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography, 40, 913–929.
Anderson, C. B. (2023). elapid: Species distribution modeling tools for Python. Journal of Open Source Software, 8(84), 4930.

라이선스 & 기여

MIT License — 자유롭게 사용·수정·재배포할 수 있습니다.
버그 리포트와 기능 제안은 이슈 트래커에서 환영합니다.
Pull Request도 환영하지만, 큰 변경은 사전 이슈로 논의 후 진행해 주세요.

마치며

QMaxent는 "QGIS에서 시작해 QGIS에서 끝나는" Maxent SDM 워크플로를 목표로 만들었습니다. 첫 공개 버전이라 다듬어야 할 부분이 많을 텐데, 사용해 보시고 피드백 주시면 다음 릴리스에 반영하겠습니다. 공식 페이지의 의견 보내기 양식이 가장 빠릅니다 — 약 5분 정도 소요됩니다.

생물다양성 보전을 위한 의사결정에 조금이라도 도움이 되길 바라며, 동료 분석가·연구자 분들의 많은 활용과 비판을 부탁드립니다.

문의: bhyu@knps.or.kr · 공식 페이지: https://osgeokr.github.io/qmaxent/ · GitHub: https://github.com/osgeokr/qmaxent

QGIS에서 배경지도를 한 번에 등록하는 방법 — XML 파일로 XYZ Tiles 일괄 추가하기

유병혁 — Wed, 1 Apr 2026 10:41:49 +0900

XML 파일 하나로 OSM, Google, ESRI, CartoDB 등 30여 개의 배경지도를 한 번에 등록하는 방법을 소개합니다.

배경지도(Basemap)가 왜 중요한가

QGIS에서 공간 데이터를 분석하거나 지도를 제작할 때, 배경지도는 데이터에 지리적 맥락을 부여하는 핵심 요소입니다. 위성영상, 도로망, 지형도 등 목적에 맞는 배경지도를 선택하면 분석 결과의 가독성과 설득력이 크게 높아집니다.

QGIS는 XYZ Tiles 방식으로 다양한 온라인 배경지도 서비스를 연결할 수 있습니다. 그러나 기본 설치 상태에서는 OpenStreetMap과 Mapzen Global Terrain만 등록되어 있어, 추가 서비스를 사용하려면 URL을 직접 입력해야 하는 번거로움이 있습니다.

이 글에서는 미리 준비된 XML 파일 하나로 30여 개의 배경지도를 단번에 등록하는 방법을 소개합니다.

XYZ Tiles란?

XYZ Tiles는 지도를 줌 레벨(Z), 열(X), 행(Y) 기준으로 잘게 분할한 타일 이미지를 인터넷을 통해 불러오는 방식입니다. URL 형식은 다음과 같습니다.

https://tile.openstreetmap.org/{z}/{x}/{y}.png

QGIS 3.x 이상에서는 별도의 플러그인 없이 브라우저 패널의 XYZ Tiles 항목을 통해 이 방식의 배경지도를 바로 추가할 수 있습니다.

XML 파일 구성

QGIS의 XYZ Tiles 연결 파일은 아래와 같은 구조를 따릅니다.

<!DOCTYPE connections>
<qgsXYZTilesConnections version="1.0">
  <xyztiles
    authcfg=""
    name="OSM | Standard"
    password=""
    username=""
    referer=""
    tilePixelRatio="0"
    url="https://tile.openstreetmap.org/{z}/{x}/{y}.png"
    zmin="0"
    zmax="19"/>
</qgsXYZTilesConnections>

각 속성의 의미는 다음과 같습니다.

속성	설명
`name`	QGIS 브라우저 패널에 표시될 이름
`url`	타일 서버 URL (`{z}`, `{x}`, `{y}` 플레이스홀더 포함)
`zmin` / `zmax`	지원하는 최소·최대 줌 레벨
`tilePixelRatio`	고해상도 타일 여부 (1: 고해상도, 0: 일반)
`referer`	일부 서비스에서 요구하는 참조 URL
`authcfg` / `username` / `password`	인증이 필요한 서비스용 (공개 서비스는 빈값)

XML 파일 다운로드

아래 링크에서 미리 작성된 QMS_XYZ_Tiles.xml 파일을 다운로드하세요. OSM, ESRI, CartoDB, Google, Stadia, USGS, NASA GIBS 등 7개 제공자의 31개 레이어가 포함되어 있습니다.

QMS_XYZ_Tiles.xml

0.01MB

포함된 서비스 목록은 아래와 같습니다.

제공자	레이어
OpenStreetMap	Standard, OpenTopoMap, Humanitarian (HOT)
ESRI	World Imagery, Topo Map, Street Map, Shaded Relief, Light Gray Base, Ocean, National Geographic, Terrain Base
CartoDB	Positron, Dark Matter, Voyager, Positron/Dark (No Labels)
Google	Road, Satellite, Satellite Hybrid, Terrain, Terrain Hybrid
Stadia	Alidade Smooth/Dark, Stamen Toner/Terrain/Watercolor, OSM Bright
USGS	Imagery, Topo, Imagery+Topo
NASA GIBS	Blue Marble

QGIS에 등록하는 방법

1단계 — 브라우저 패널 열기

QGIS 상단 메뉴에서 보기 → 패널 → 브라우저 패널을 선택하여 브라우저 패널을 표시합니다.

2단계 — XYZ Tiles 우클릭

브라우저 패널에서 XYZ Tiles 항목을 찾아 마우스 오른쪽 버튼으로 클릭합니다.

3단계 — 연결 불러오기

컨텍스트 메뉴에서 연결 불러오기(Load connections...) 를 클릭합니다.

4단계 — XML 파일 선택

파일 탐색기에서 다운로드한 QMS_XYZ_Tiles.xml 파일을 선택하고 열기를 클릭합니다.

5단계 — 가져올 레이어 선택 후 Import

가져오기 창에서 원하는 서비스를 선택합니다. 전체를 등록하려면 모두 선택 후 Import 버튼을 클릭합니다.

6단계 — 레이어 추가

브라우저 패널의 XYZ Tiles 목록에 추가된 서비스가 나타납니다. 원하는 레이어를 더블클릭하거나 지도 캔버스로 드래그하면 배경지도가 로드됩니다.

배경지도 선택 가이드

상황에 따라 적합한 배경지도가 다릅니다.

목적	추천 배경지도
일반 참조 / 발표 자료	OSM Standard, CartoDB Positron
위성영상 분석	ESRI World Imagery, Google Satellite
지형 분석	ESRI World Terrain Base, OSM OpenTopoMap
야간·다크 테마 레이아웃	CartoDB Dark Matter, Stadia Alidade Dark
해양·수계 분석	ESRI Ocean Basemap
데이터 오버레이 (배경 최소화)	CartoDB Positron No Labels, ESRI Light Gray
인쇄용 지형도 스타일	USGS Topo, ESRI National Geographic

주의사항

Google Maps 레이어는 Google의 공식 Maps API를 우회하는 비공식 방식입니다. 개인 학습 및 내부 분석 목적으로는 활용 가능하지만, 공공 배포·출판물에 사용할 경우 Google Maps 이용약관을 반드시 확인하시기 바랍니다.

ESRI 레이어는 비상업적 용도에서는 무료로 사용할 수 있으나, 대규모 서비스나 상업적 활용 시 ArcGIS Online 계정과 이용 계약이 필요할 수 있습니다.

모든 XYZ Tiles 서비스는 인터넷 연결이 필요하며, 인터넷이 연결되지 않은 오프라인 환경에서는 사용할 수 없습니다.

마치며

XYZ Tiles XML 파일을 활용하면 새 PC나 새 QGIS 설치 환경에서도 배경지도 설정을 몇 초 만에 복원할 수 있습니다. 팀 단위로 작업하는 경우, 이 파일을 공유하면 구성원 모두가 동일한 배경지도 환경에서 작업할 수 있어 협업 효율이 높아집니다.

공간정보 업무에서 배경지도 하나가 데이터 해석의 출발점이 됩니다. 다양한 배경지도를 적극 활용해 보시기 바랍니다.

국립공원공단 파크랩 3월 월간 스터디 소개

유병혁 — Tue, 17 Mar 2026 11:39:03 +0900

안녕하세요? "국립공원공단 파크랩 3월 월간 스터디" 안내 드립니다! 이번 달 학습 주제는 "Tileslearner - Claude & Claude Code와 함께 GIS/ML 연구하기"입니다. 학습을 안내해주실 SI Analytics 함상우님께 미리 감사드립니다.

이번 스터디는 "AI가 연구를 다 해준다"는 식의 장밋빛 자동화 이야기가 아닙니다. GIS와 머신러닝을 접목해 연구하는 한 연구자가 자신의 프로젝트를 수행하며, Claude라는 AI와 함께 치열하게 고민하고 부딪혔던 솔직한 경험을 공유합니다.

파크랩 3월 스터디 모집

parklab.netlify.app

AI가 그리는 토지피복도! Semantic Segmentation 자동 분류

유병혁 — Sat, 28 Feb 2026 12:57:08 +0900

물 영역만 정확하게 골라내기! OmniWaterMask & 시맨틱 세그멘테이션

유병혁 — Sat, 28 Feb 2026 12:53:52 +0900

수만 그루의 나무도 순식간에! DeepForest로 나무 개수 자동 카운팅하기

유병혁 — Sat, 28 Feb 2026 12:52:08 +0900

지도 보고 질문하면 AI가 답한다? QGIS에서 Moondream VLM 사용하기

유병혁 — Sat, 28 Feb 2026 12:49:42 +0900

내 QGIS에 인공지능 엔진 달기! GeoAI 플러그인 완벽 설치 가이드 (No Coding)

유병혁 — Sat, 28 Feb 2026 12:47:18 +0900

국립공원공단 파크랩 2월 월간 스터디 슬라이드 자료 공유

유병혁 — Wed, 25 Feb 2026 16:25:42 +0900

안녕하세요? "국립공원공단 파크랩 2월 월간 스터디" 슬라이드 자료 공유 드립니다! 한달에 한번씩, 도미니카공화국에서 온라인 화상회의(스터디 지기)로 뵙겠습니다. 이번 달 학습 주제는 "GIS 분석의 효율을 높이는 유용한 AI 플러그인 탐구"입니다. QGIS GeoAI 플러그인 기능을 함께 학습해 봅니다.

국립공원공단 파크랩 2월 월간 스터디 소개

안녕하세요? "국립공원공단 파크랩 2월 월간 스터디" 안내 드립니다! 한달에 한번씩, 도미니카공화국에서 온라인 화상회의(스터디 지기)로 뵙겠습니다. 이번 달 학습 주제는 "GIS 분석의 효율을

foss4g.tistory.com

260227_국립공원공단 파크랩 2월 월간 스터디_유병혁.pdf

12.21MB

QGIS: GeoAI 플러그인 Segmentation(세그멘테이션) 기능 소개

유병혁 — Wed, 25 Feb 2026 16:00:57 +0900

안녕하세요! 지난 글들에서 Moondream VLM이나 DeepForest처럼 특정 목적에 특화된 모델들을 살펴보았는데요. 이번에는 GeoAI 플러그인의 핵심 기능 중 하나인 Segmentation(세그멘테이션) 패널을 소개해 드리려고 합니다.

이 기능은 단순히 객체를 찾는 것을 넘어, 영상 내의 모든 픽셀을 분류하여 '무엇'인지 식별해냅니다. 특히 사용자가 직접 보유한 데이터를 기반으로 모델을 학습시키고, 이를 새로운 영상에 적용해 결과물을 벡터로 만드는 전체 워크플로우를 QGIS 안에서 완결할 수 있다는 점이 가장 큰 매력입니다.

QGIS Plugin - GeoAI

QGIS Plugin for GeoAI A QGIS plugin that brings the geoai models into dockable panels (Moondream VLM, semantic segmentation, instance segmentation, SamGeo, DeepForest, water segmentation) so you can keep QGIS as your main workspace while experimenting with

opengeoai.org

0. 시작하기 전에: Segmentation 패널의 구조

GeoAI 플러그인의 세그멘테이션 패널은 사용자의 작업 흐름에 맞춰 세 개의 탭으로 구성되어 있습니다.

Create Training Data: 학습용 이미지 칩 생성
Train Model: 딥러닝 모델 학습
Run Inference: 학습된 모델을 활용한 추론 및 벡터화

1. 1단계: 학습 데이터 생성 (Create Training Data)

딥러닝의 시작은 양질의 데이터입니다. 이 탭에서는 원본 래스터(GeoTIFF)와 라벨링된 벡터 데이터를 활용해 모델이 공부할 수 있는 '이미지 칩(Tiles)'을 만듭니다.

설정 항목: 타일 크기(Tile Size), 중첩도(Stride) 등을 설정하여 정해진 규격으로 데이터를 잘라냅니다.
결과: 지정된 폴더에 이미지와 라벨 칩들이 생성되며, 이는 다음 단계인 모델 학습의 기초 자료가 됩니다.

2. 2단계: 모델 학습하기 (Train Model)

데이터가 준비되었다면 이제 인공지능을 훈련시킬 차례입니다. GeoAI 플러그인은 전문가 수준의 다양한 딥러닝 아키텍처를 지원합니다.

지원 아키텍처: U-Net, U-Net++, DeepLabV3, DeepLabV3+, FPN, PSPNet 등
지원 인코더: ResNet(34, 50, 101), EfficientNet, MobileNetV2 등
학습 과정: 에포크(Epochs)와 학습률(Learning Rate)을 설정하고 학습을 시작하면, 실시간으로 IoU(Intersection over Union), Loss 등의 지표를 확인할 수 있습니다.

학습 결과 예시 (Architecture: unet / Encoder: resnet34)

Total epochs: 50
Best validation IoU: 0.9283
Final validation Precision: 0.9641
Final validation Recall: 0.9603

이처럼 높은 정확도(IoU 0.92 이상)가 확보되면 실무에 적용할 준비가 된 것입니다.

Training completed on: 2026-02-25 02:33:59
Architecture: unet
Encoder: resnet34
Total epochs: 50
Best validation IoU: 0.9283
Final validation IoU: 0.9283
Final validation F1: 0.9621
Final validation Precision: 0.9641
Final validation Recall: 0.9603
Final validation loss: 0.0500

3. 3단계: 추론 및 결과 벡터화 (Run Inference)

학습된 모델(.pth 또는 .onnx)을 실제 현장 영상에 적용하는 단계입니다.

추론 수행: 새로운 래스터 레이어를 선택하고 학습된 모델 파일을 로드하여 실행합니다.
벡터화 및 후처리: 분석 결과는 래스터로 생성될 뿐만 아니라, 즉시 벡터(Polygon) 레이어로 변환할 수 있습니다. 이때 경계선을 매끄럽게 다듬는 'Smoothing' 기능을 활용하면 훨씬 깔끔한 GIS 데이터를 얻을 수 있습니다.

마치며

GeoAI 플러그인의 Segmentation 기능을 활용하면, 단순히 공개된 모델을 사용하는 것을 넘어 '우리 지역, 우리 데이터'에 최적화된 인공지능을 직접 만들 수 있습니다. 건물 추출, 토지 피복 분류, 변화 탐지 등 다양한 공간 분석 업무의 자동화를 꿈꾸신다면 반드시 익혀두어야 할 강력한 도구입니다.