고해상도 하이퍼스펙트럼 데이터로 중해상도 VENUS 이미지 학습용 라벨 자동 생성

** 본 논문은 최근 발사된 VENµS(Vegetation and Environment monitoring New Micro‑Satellite) 위성의 중해상도(5 m) 멀티스펙트럼 이미지에 대한 라벨링 문제를 해결하기 위해, 고해상도(1 m) 하이퍼스펙트럼 항공 데이터인 FENIX를 활용한 새로운 라벨 시뮬레이션 프레임워크를 제안한다. 기존의 지도학습 기반 원격탐사 분류 모델은 충분한 지상진실(GT) 데이터가 없으면 성능이 급격히 저하되는데, 인간 전문가가 직접 라벨을 생성하는 과정은 비용이 많이 들고 일관성이 부족하다. 이를 극복하고자 저자들은 다음과 같은 3단계 파이프라인을 설계하였다. 1. **Ground Truth 시뮬레이션** - FENIX 데이터는 VNIR(380‑970 nm)과 SWIR(970‑2500 nm) 두 스펙트럼 영역을 포함하며, 1 m GSD와 41개의 5 nm 밴드로 재샘플링된다. - 사전 정의된 7개의 엔드멤버(갈색 토양, 연한 토양, 암석, 나무/관목, 작은 관목, 초목, 조밀 관목/소실 지역)를 기반으로 VPGDU(벡터화된 투사 경사 하강) 언믹싱을 수행한다. 이 알고리즘은 스펙트럴 앵글 매퍼(SAM)를 비용 함수로 사용해 제약조건(비음수, 합 ≤ 1)을 만족하는 최적의 비율 벡터를 추정한다. - 언믹싱 결과로 얻은 비율 맵을 5 × 5 픽셀 블록으로 집계해 5 m 해상도의 가상 VENµS 픽셀을 만든다. 각 블록에서 가장 높은 누적 비율을 보인 엔드멤버를 해당 픽셀의 라벨로 지정한다. 이렇게 생성된 라벨은 인간 주관이 배제된 객관적인 GT 역할을 한다. 2. **CNN 학습** - 시뮬레이션된 이미지와 라벨을 5 × 5 패치 단위로 분할한다. 패치 중심 픽셀의 라벨을 정답으로 사용해 대량의 학습 샘플을 만든다. - 네트워크 구조는 4개의 3 × 3 컨볼루션 레이어(필터 수 64‑64‑32‑16)와 배치 정규화·드롭아웃(25 %)을 포함한다. 풀링 레이어는 사용하지 않아 공간 해상도를 유지한다. - 컨볼루션 출력은 플래튼 후 3개의 완전 연결층(마지막 층 7 뉴런)으로 연결되며, 소프트맥스 함수를 통해 클래스 확률을 출력한다. - 데이터 불균형을 완화하기 위해 수평·수직 반전, 90°,180°,270° 회전, 가우시안 노이즈(σ = 0.1) 등을 적용해 클래스당 30 000개의 샘플을 매 epoch마다 생성한다. - 학습은 Adam 옵티마이저(LR 0.001), 교차 엔트로피 손실, 배치 크기 64로 200 epoch 진행했으며, Intel i7 + GTX 1080 Ti 환경에서 수행되었다. 3. **새로운 VENµS 데이터에 전이** - 학습된 모델을 실제 VENµS L1 제품(5 m, 11 밴드) 위에 직접 적용한다. 이미지 패치를 동일한 5 × 5 형태로 추출해 네트워크에 입력하고, 중심 픽셀의 클래스를 예측한다. - 실험에 사용된 VENµS 테스트 영역은 이스라엘 남부 27 × 27 km 구역이며, 6개의 서로 다른 지형(베이트‑구브린, 레하빔 등)에서 수집된다. - 6‑fold 교차 검증 결과, FENIX 기반 테스트에서 평균 정확도 81 %를 달성했으며, 실제 VENµS 이미지에서는 73 % 수준을 기록했다. 정량적 정확도는 중간 수준이지만, 시각적으로는 토양·식생·암석 구역이 명확히 구분되어 GT와 높은 시각적 일치도를 보였다. **핵심 기여 및 의의** - **라벨 자동 생성**: 고해상도 하이퍼스펙트럼 언믹싱을 통해 인간 라벨링 없이도 신뢰성 있는 GT를 대량 생성한다. 이는 새로운 위성 데이터에 대한 초기 학습 데이터를 빠르게 확보할 수 있게 한다. - **전이 학습 가능성**: 동일한 엔드멤버 구성을 가진 지역이라면, 시뮬레이션된 GT로 학습한 모델을 바로 중해상도 위성 이미지에 적용할 수 있다. - **확장성**: 현재는 7개의 엔드멤버와 간단한 CNN을 사용했지만, 더 깊은 네트워크, 멀티스케일 피처, 혹은 언믹싱 자체를 딥러닝 기반으로 대체하는 연구로 확장 가능하다. **제한점 및 향후 과제** - **정량적 정확도**: 73 % 수준은 실용적이지만, 정밀한 토지 피복 구분을 위해서는 추가적인 스펙트럴·공간 피처 강화가 필요하다. - **엔드멤버 선택 의존성**: 사전 정의된 엔드멤버가 실제 현장 상황과 다를 경우 라벨 품질이 저하될 수 있다. 자동 엔드멤버 추출 방법이 요구된다. - **다중 시계열 적용**: 현재는 단일 시점 이미지에만 적용했으며, 시계열 데이터를 활용한 변화 감지 모델 구축이 향후 연구 방향이다. 결론적으로, 본 연구는 고해상도 하이퍼스펙트럼 데이터와 스펙트럴 언믹싱을 결합해 라벨 부족 문제를 근본적으로 해결하고, 이를 기반으로 한 CNN 전이 학습이 중해상도 위성 이미지의 초기 분류에 효과적임을 입증하였다. 이는 향후 다양한 신형 위성 데이터에 대한 빠른 활용을 가능하게 할 중요한 기반 기술로 평가된다. **