다중센서 기반 전천후 수위 복원 알고리즘

초록

본 논문은 SSMIS와 MODIS 관측을 결합한 사전 사전(dictionary) 기반 베이지안 프레임워크를 이용해, 구름·강수 하에서도 12.5 km 해상도로 하루 두 차례 홍수 침수 면적을 추정한다. 최근크기·시간 변동을 정량적으로 검증한 결과, Mekong Delta의 일중·계절적 침수 변화를 높은 정확도로 재현한다.

상세 분석

이 연구는 기존의 광학·마이크로파 침수 탐지 방법이 각각 구름·강수와 해상도·시간 간격에서 한계를 갖는 점을 보완하기 위해, 다중센서 데이터를 통합한 베이지안 역학 모델을 제시한다. 핵심은 두 개의 공동 사전 사전(joint dictionary)이다. 첫 번째 사전은 DMSP‑F17 위성의 SSMIS(특수 센서 마이크로파 이미저 및 사운더) 관측을, 두 번째 사전은 Aqua·Terra 위성의 MODIS(중·단파 적외선·가시광) 관측을 포함한다. 이 사전은 동일 시공간에 대한 동시 관측 쌍을 수집해, 마이크로파 신호와 광학 반사도 사이의 통계적 매핑 관계를 학습한다.

알고리즘은 입력된 새로운 SSMIS 관측 벡터에 대해 최근접 이웃 검색을 수행해, 사전에서 가장 유사한 관측 쌍을 찾아낸다. 이후, 스파스(sparsity‑promoting) 역전파 기법—예를 들어 L1 정규화 기반 최소제곱—을 적용해, 선택된 사전 원소들의 가중치를 추정한다. 이 과정은 베이지안 관점에서 사전 확률과 관측 가능도(likelihood)를 결합한 MAP(Maximum A Posteriori) 추정에 해당한다. 결과적으로, 각 격자 셀에 대해 침수 비율(0–1)을 연속값으로 도출할 수 있으며, 이는 구름·강수에 의해 광학 이미지가 차단되더라도 마이크로파 신호만으로 복원 가능하게 만든다.

평가에서는 Mekong Delta 지역을 대상으로, 12.5 km 해상도·하루 2회(오전·오후) 관측 결과를 현장 수위계와 비교하였다. 유클리드 거리, 순위 상관계수(Rank‑Correlation), 그리고 copula quantile 분석을 통해 일일·월간 스케일에서 평균 오차가 0.07 m 이하이며, 상관계수는 0.85를 초과한다는 점을 확인했다. 특히, 국지적 대류성 강우에 의해 발생하는 급격한 일중 침수 변동을 정확히 포착했으며, 계절적 강우 패턴에 따른 침수 추세도 잘 재현했다.

한계점으로는 사전 구축에 사용된 MODIS 데이터가 구름에 민감해, 사전 자체가 완전한 구름‑무관성을 보장하지 못한다는 점이다. 또한, 현재 사전은 SSMIS와 MODIS에 국한돼 있어, GPM‑GMI와 같은 최신 마이크로파 센서와의 직접 연계는 아직 구현되지 않았다. 향후 연구에서는 GMI 관측을 포함한 확장 사전을 구축해 5 km·3 h 해상도로 전천후 침수 모니터링을 실현하고, 딥러닝 기반의 비선형 매핑을 도입해 사전 의존성을 감소시킬 계획이다.