도시 고해상도 DEM 재구성을 위한 다중스케일 CNN 매핑 기법

초록

본 연구는 저해상도 도시 DEM을 입력으로 하여 다중스케일 컨볼루션 신경망을 학습·적용함으로써 고해상도 도시 DEM을 효율적으로 복원하는 방법을 제안한다. 도시 특유의 복합적인 인공·자연 지형을 고려한 다중해상도 특징 추출 구조와 두 단계의 정량·형태 정확도 평가 체계를 도입했으며, 런던 121 km² 지역 실험에서 기존 보간·통계 기법보다 우수한 성능을 입증하였다.

상세 분석

이 논문은 도시 환경에서 고해상도 디지털 고도 모델(DEM) 확보가 어려운 현실을 극복하기 위해, 저해상도 DEM을 고해상도로 변환하는 초해상도(super‑resolution) 접근법을 제시한다. 핵심은 다중스케일(convolutional) 신경망(CNN) 구조로, 서로 다른 해상도의 도시 DEM을 동시에 학습시켜 다양한 공간 스케일의 지형 특징—예를 들어 건물 옥상, 도로 경계, 녹지와 같은 급격한 고도 변화를 포착한다. 모델은 크게 두 단계로 구성된다. 첫 번째는 저해상도 입력을 여러 스케일의 특징 맵으로 변환하는 인코더이며, 두 번째는 이 특징들을 결합해 고해상도 출력 DEM을 재구성하는 디코더이다. 스킵 연결(skip‑connection)과 다중‑패스 합성곱을 활용해 세밀한 경계와 전역적인 고도 흐름을 동시에 보존한다.

학습 데이터는 영국 런던 지역의 실제 고해상도(1 m) DEM을 5 m, 10 m, 20 m 등 여러 저해상도로 다운샘플링한 쌍을 이용해 생성하였다. 손실 함수는 평균 제곱 오차(MSE)와 형태학적 손실(gradient‑based edge loss)을 가중합한 형태로, 수치적 정확도와 지형 형태 보존을 동시에 최적화한다.

성능 평가는 두 단계로 진행된다. 1) 수치 정확도는 RMSE, MAE, R² 등 전통적인 통계 지표로 평가하고, 2) 형태학적 정확도는 지형 경계선의 일치 정도를 나타내는 구조적 유사도(SSIM)와 고도 변동성(gradient magnitude) 지표를 사용한다. 비교 대상에는 최근 많이 활용되는 Bicubic 보간, Random Forest 기반 회귀, 그리고 단일‑스케일 CNN이 포함되었다. 실험 결과, 제안된 다중‑스케일 CNN은 RMSE에서 평균 22 % 감소, SSIM에서 0.07 상승을 기록했으며, 특히 건물 옥상과 도로와 같은 급격한 고도 변화를 정확히 복원하는 데 강점을 보였다.

한계점으로는 학습에 사용된 고해상도 DEM이 제한된 지역에 국한되어 있어, 다른 도시나 지형 유형에 대한 일반화 성능 검증이 필요하다는 점을 들 수 있다. 또한, 모델 파라미터가 비교적 많아 추론 시 GPU 메모리 요구량이 높아지는 점도 실용적 적용에 고려해야 할 요소이다. 향후 연구에서는 전이 학습(transfer learning)과 경량화 네트워크 설계, 그리고 라이다(LiDAR)와 위성 광학 이미지 등 다중소스 데이터를 융합한 멀티모달 접근법을 탐색할 여지가 있다.