대규모 결측 구역 보간을 위한 세 가지 방법 비교 연구

초록

본 논문은 위성 영상에서 구름 그림자·센서 고장 등으로 발생한 대규모 결측 영역을 복구하기 위해 세 가지 새로운 보간 기법을 제안한다. 저해상도 동시 촬영 영상과의 퓨리에 변환 결합(Method A), 선형 회귀 기반 보간(Method B), 그리고 클래스 맵을 직접 채우는 분할 기반 접근(Method C)을 설계하고, 다변량 성능 지표(Q, RMSE, Kappa, Overall Accuracy)를 활용한 대규모 시뮬레이션 실험으로 비교하였다. MANOVA 분석 결과, Method B가 모든 평가 지표에서 가장 우수한 성능을 보였다.

상세 분석

이 연구는 원격탐사 영상에서 결측 데이터가 무작위가 아닌 구조적 원인(예: 구름 그림자, 센서 고장)으로 발생한다는 전제 하에, 기존의 단순히 과거 동일 센서 이미지와 히스토그램 매칭을 수행하는 방법의 한계를 명확히 짚고 있다. 특히, 햇빛 반사(글리트)나 눈 덮임 등 급격한 복사량 변동이 있는 경우, 전통적인 로컬 선형 히스토그램 매칭은 색조 왜곡을 초래한다는 점을 실증적으로 보여준다.

제안된 세 가지 방법은 각각 다른 가정과 데이터 활용 전략을 갖는다. Method A는 저해상도(LR) 이미지를 퓨리에 도메인에서 고해상도(HR) 이미지와 결합한다. 이 접근은 공간 주파수 성분을 보존하면서도 LR 이미지의 전반적인 밝기·대조 정보를 보강한다는 장점이 있지만, 퓨리에 변환 과정에서 경계 효과와 고주파 손실이 발생할 위험이 있다. 또한, LR 이미지와 HR 이미지 간의 정확한 정합이 전제되지 않으면 위상 오류가 누적될 수 있다.

Method B는 동일 시점에 촬영된 LR 이미지와 HR 이미지 사이의 선형 회귀 모델을 구축한다. 회귀 계수를 픽셀 단위가 아닌 지역 블록 단위로 추정함으로써 지역적 스펙트럴 차이를 보정한다. 이 방법은 구현이 비교적 간단하고, 회귀 모델이 과적합되지 않도록 정규화 기법을 적용하면 잡음에 강인한 특성을 보인다. 실험 결과에서도 가장 일관된 Q·RMSE·Kappa·Overall Accuracy 향상을 보여, 실제 운영 환경에서 적용 가능성이 높다. 다만, 선형 관계를 가정하기 때문에 비선형 복사 변동(예: 물 표면의 파장 의존 반사)에는 한계가 있다.

Method C는 보간 자체를 회피하고, 먼저 저해상도 이미지 기반으로 토지 피복 클래스를 분할한 뒤, 결측 영역을 해당 클래스 맵에 맞춰 채운다. 이는 “보간보다 분류가 우선”이라는 철학에 기반하며, 클래스 경계가 명확한 경우 높은 정확도를 제공한다. 그러나 클래스 분할이 오류를 포함하면 그 오류가 직접 결측 채우기에 전이되어 전체 정확도가 저하될 위험이 있다. 또한, 연속적인 스펙트럴 정보가 필요한 응용(예: 온도 추정)에는 부적합하다.

통계적 검증을 위해 연구진은 4가지 성능 지표를 다변량 종속 변수로 설정하고, 두 개의 주 요인(보간 방법, LR 데이터 유형) 및 이미지별 블록을 블록 요인으로 하는 MANOVA 혼합 모델을 적용했다. 이는 방법 간 차이를 다차원적으로 평가하면서도 이미지별 변동성을 통제하는 견고한 설계이다. 결과는 Method B가 모든 지표에서 유의하게 우수함을 보여, 선형 회귀 기반 보간이 현재의 데이터 조건(동시 촬영 LR 이미지 존재)에서 최적임을 시사한다.

전체적으로 논문은 실용적인 데이터 흐름(동시 LR·HR 촬영)과 통계적으로 검증된 성능 평가를 결합함으로써, 원격탐사 결측 보간 분야에 중요한 실증적 기여를 한다. 다만, 연구가 시뮬레이션 기반이며 실제 운영 데이터에 대한 적용 사례가 제한적이라는 점, 그리고 비선형 현상에 대한 확장 연구가 필요하다는 점은 향후 과제로 남는다.