자연재해는 도로망과 같은 주요 기반시설에 심각한 피해를 유발하여 구조 및 복구 활동을 크게 지연시킬 수 있다. 기존의 도로 손상 평가는 수작업 점검에 크게 의존하는데, 이는 노동 집약적이며 시간이 많이 소요되고 대규모 재해 피해 지역에서는 적용이 비현실적이다. 본 연구는 고해상도 재해 전후 위성영상을 활용하여 도로 손상을 자동으로 탐지하고 정량적으로 평가하기 위한 딥러닝 기반 프레임워크를 제안하는 것을 목표로 한다. 이를 위해 본 연구는 세 가지 서로 다른 변화 탐지(change detection) 접근법, 즉 단일 시점 오버레이, 차이 기반 분할(difference-based segmentation), 그리고 Siamese 특징 융합(Siamese feature fusion)을 체계적으로 비교한다. 여러 차례의 반복 실험으로 검증한 결과, 차이 기반 모델이 가장 높은 전체 F1-score(0.594 ± 0.025)를 달성하였으며, 오버레이 및 Siamese 모델을 각각 약 127.6%와 27.5% 능가했다. 그러나 본 연구의 핵심 발견은, 이 최우수 모델조차 ‘손상된 도로(damaged road)’ 클래스에 대해 낮은 탐지 재현율(recall)(0.445 ± 0.051)에 의해 제약된다는 점이다. 이는 이 분야에서의 중증한 클래스 불균형(severe class imbalance)이 근본적인 장애물임을 보여주며, 표준적인 학습 전략으로는 이를 충분히 해결하기 어렵다는 사실을 시사한다. 본 연구는 해당 분야에 중요한 벤치마크를 정립하며, 향후 연구는 탐지 재현율을 향상시키기 위해 클래스 불균형을 직접적으로 다루는 방법에 초점을 맞춰야 함을 강조한다. 정량적으로 드러난 한계에도 불구하고, 제안된 프레임워크는 손상 밀도 지도(damage density map)를 시각화할 수 있어, 재해로 피해를 입은 지역에서 도로 복구 우선순위 설정 및 접근성 계획 수립과 같은 긴급 대응 전략을 지원한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.