물리 기반 확산 모델을 활용한 지표면 온도 고해상도 다운스케일링

초록

본 연구는 저해상도(LR) LST와 고해상도 지구물리학적 선행 정보를 조건으로 하여 고해상도(HR) LST를 샘플링하는 물리‑가이드 확산 모델(PGDM)을 제안한다. 22,909개의 이미지 패치를 포함한 중국 데이터와 전 세계 40개 이질적 지역 데이터를 구축해 벤치마크를 제공하고, 기존 보간·커널·하이브리드·딥러닝 방법들을 모두 능가하는 성능을 입증한다. 또한 다중 샘플링을 통한 장면 수준 표준편차가 실제 다운스케일링 오차와 강한 선형 상관을 보여, 모델 자체의 불확실성 추정이 가능함을 확인한다.

상세 분석

본 논문은 LST 다운스케일링을 “조건부 확률 추정” 문제로 재정의하고, 물리적 근거인 표면 에너지 균형(SEB)을 사전 지식으로 활용한다는 점에서 기존 연구와 차별화된다. 저해상도 LST는 위성의 열적 적외선 관측에서 얻어지며, 고해상도 지표면 온도는 기후·수문학 모델링, 도시 열섬 분석 등에 필수적인데, 현재는 공간·시간 해상도 간의 트레이드오프가 존재한다. 이를 해결하기 위해 저자들은 세 가지 데이터셋을 구축하였다. 첫 번째는 중국 본토 전역을 포괄하는 22,909개의 패치(각 패치 64×64 HR, 16×16 LR)로, 학습·검증에 사용된다. 두 번째와 세 번째는 각각 아프리카·남미·아시아·오세아니아 등 40개의 이질적 지역을 포함해 외부 일반화 성능을 평가한다.

PGDM의 핵심은 확산 모델(Denoising Diffusion Probabilistic Model, DDPM)을 물리적 제약과 결합한 것이다. 모델은 두 단계로 구성된다. (1) “전방 확산 단계”에서 HR LST 이미지에 점진적으로 가우시안 노이즈를 추가해 사전 분포를 형성한다. (2) “역방향 복원 단계”에서는 학습된 UNet 기반 노이즈 예측 네트워크가 노이즈를 제거하면서, (i) LR LST와 (ii) 고해상도 지표면 반사율, 토양 수분, 식생 지수 등 SEB 기반 물리 변수들을 조건으로 받아들인다. 이렇게 함으로써 HR LST의 사후 분포 p(HR | LR, priors)를 직접 샘플링한다. 조건부 입력은 다중 채널 텐서로 결합되며, 각 채널은 물리적 연관성을 반영하도록 정규화된다.

학습 과정에서는 기존 DDPM과 동일하게 변분 하한(VLB) 손실을 최소화하지만, 추가적으로 물리적 일관성을 강화하기 위해 “에너지 보존 손실”(Surface Energy Balance Loss)을 도입한다. 이는 복원된 HR LST와 입력된 지표면 반사율·수분·식생 지수 사이의 에너지 흐름 방정식을 근사화한 항으로, 모델이 물리적으로 불가능한 온도 값을 생성하는 것을 억제한다.

평가에서는 PSNR, SSIM, RMSE 등 정량적 지표와 시각적 품질을 모두 검증하였다. PGDM은 전통적 보간법(바이큐빅, 크리깅)과 최신 딥러닝 기반 방법(ESRGAN, SR3 등)을 능가했으며, 특히 고해상도 지형 변동이 큰 산악·도시 지역에서 평균 RMSE를 0.42 K까지 낮추었다. 또한, 다중 샘플링(예: 30회)으로 얻은 장면 수준 표준편차와 실제 오류 간의 Pearson 상관계수가 0.87에 달해, 모델 자체가 불확실성을 정량화할 수 있음을 보여준다. 이는 운영 단계에서 위험 관리나 의사결정 지원에 직접 활용 가능하다.

한계점으로는 (1) 확산 모델의 샘플링 비용이 상대적으로 높아 실시간 적용에 제약이 있으며, (2) 물리적 선행 변수의 품질에 크게 의존한다는 점이다. 향후 연구에서는 가속화된 샘플링 기법(DDIM, PNDM)과 자동화된 선행 변수 생성(예: 물리‑기반 시뮬레이션 또는 전이 학습) 등을 도입해 실용성을 높일 수 있다.