고해상도 연속지표면온도 재구성 및 융합 기술 리뷰

초록

본 논문은 위성에서 얻은 지표면온도(LST) 자료의 공간·시간 해상도 한계를 극복하기 위해 고안된 재구성 및 시공간 융합 기법들을 체계적으로 정리한다. 결측·구름 픽셀 보정 방법을 공간·시간·시공간 기반으로 구분하고, 구름 하의 보정은 수동 마이크로파와 에너지 균형 모델에 기반한 두 갈래로 나눈다. 또한, LST 융합 기법을 가중함수, 언믹싱, 하이브리드 세 종류로 분류하고, 각 방법의 이론적 배경·알고리즘·검증 절차를 제시한다. 마지막으로 현재 검증 방법의 한계와 향후 연구 방향을 제시한다.

상세 분석

이 리뷰는 LST 데이터의 공간 연속성 확보와 고해상도 시공간 정보를 동시에 제공하려는 두 가지 접근법, 즉 결측·구름 픽셀 재구성과 시공간 융합에 초점을 맞춘다. 결측 픽셀 재구성은 크게 공간 기반, 시간 기반, 그리고 공간·시간을 동시에 활용하는 시공간 기반 방법으로 나뉜다. 공간 기반 방법은 인접 픽셀의 공간 상관성을 이용해 보간하거나 Kriging, spline 등 통계적 보간 기법을 적용한다. 시간 기반 방법은 동일 위치의 과거·미래 관측치를 활용해 선형 보간, Kalman 필터, 혹은 시계열 모델(ARIMA, LSTM 등)을 적용한다. 시공간 기반 방법은 위 두 정보를 결합해 공간 가중 평균, 다중 회귀, 혹은 딥러닝 기반 U‑Net, ConvLSTM 등을 사용해 보다 정교한 보정을 수행한다. 구름 픽셀에 대해서는 두 가지 주요 흐름이 있다. 첫째는 수동 마이크로파(PMW) 데이터를 이용하는 방법으로, 마이크로파는 구름 투과성이 높아 구름 아래의 LST를 직접 추정할 수 있다. 그러나 PMW의 공간 해상도가 낮아 고해상도 LST와 결합하는 보정 모델이 필요하다. 둘째는 표면 에너지 균형(SEB) 모델을 활용하는 접근법으로, 복사, 잠열, 감열 흐름을 계산해 구름 하의 온도를 역산한다. SEB 기반 방법은 현지 기상 자료와 토양·식생 파라미터가 필요하지만, 구름 투과성에 의존하지 않아 다양한 기후대에 적용 가능하다.

시공간 융합 분야에서는 가중함수 기반, 언믹싱 기반, 하이브리드 기반의 세 가지 분류가 제시된다. 가중함수 기반 방법은 고해상도 저주기(Landsat, Sentinel‑2)와 저해상도 고주기(Modis, VIIRS) 영상을 시간 가중치와 공간 가중치를 조합해 결합한다. 대표적인 알고리즘으로 STARFM, ESTARFM, ESTARFM‑Plus 등이 있다. 언믹싱 기반 방법은 저해상도 픽셀을 고해상도 하위 구성요소(예: 토양, 식생, 물)로 분해하고, 각 구성요소의 시간 변화를 추정해 고해상도 시계열을 재구성한다. UNMIX, ESTARFM‑UNMIX 등이 이에 속한다. 하이브리드 방법은 위 두 접근을 결합하거나 딥러닝 모델을 도입해 가중치 학습, 특징 추출, 그리고 시공간 일관성을 동시에 최적화한다. 최근에는 ConvLSTM, GAN, Transformer 기반 모델이 고해상도 LST 생성에 활용되고 있다.

검증 측면에서는 현장 관측, 고해상도 항공·위성 데이터, 그리고 교차 검증 기법이 활용된다. 통계적 지표(RMSE, MAE, R²)와 공간 패턴 분석(semivariogram, spatial autocorrelation) 모두 중요하게 다루어진다. 그러나 검증 데이터의 부족, 계절·지역 편향, 그리고 복합적인 불확실성 전파 문제가 아직 해결되지 않았다.

마지막으로 저자는 데이터 융합 시 불확실성 정량화, 멀티센서·멀티스케일 통합 프레임워크 구축, 그리고 실시간 운영 시스템 구현을 향후 연구 과제로 제시한다. 특히, 딥러닝 기반 모델의 해석 가능성 확보와 물리‑통계 혼합 모델의 개발이 핵심 과제로 강조된다.