다중모달 트랜스포머를 이용한 InSAR 변형 예측 및 유럽 전역 일반화

본 논문은 유럽 전역에서 제공되는 Interferometric Synthetic Aperture Radar(이하 InSAR) 기반 지반 변형 데이터인 European Ground Motion Service(EGMS) Level‑3 제품을 활용해, 단일 시점(다음 관측 시점) 변위 지도를 예측하는 새로운 딥러닝 프레임워크를 제안한다. 연구 배경으로는 도시 계획·인프라 관리·재난 완화 등 실시간에 가까운 변형 모니터링의 필요성이 증가하고 있으나, 기존 EGMS는 과거 변형만을 제공한다는 한계가 있다. 특히 변형 시계열은 장기 추세, 계절성, 그리고 지진과 같은 급격한 단계 변화가 복합적으로 얽혀 있어 단순 회귀나 전통적 시계열 모델로는 정확한 예측이 어렵다. 데이터는 2018‑2022년 5년간의 Sentinel‑1 SAR 관측을 기반으로 하며, 각 100 km × 100 km 타일을 64 × 64 격자로 재구성한다. 각 격자 셀에는 (1) 시간에 따라 변하는 수직 변위 시계열, (2) 훈련 구간(전체 시계열의 80 %)만을 이용해 추정한 평균 속도, 가속도, 연간 계절 진폭이라는 정적 지표, (3) 관측 날짜의 일년 중 위치를 사인·코사인 형태로 인코딩한 두 개의 주기적 채널을 포함한다. 정적 지표는 미래 정보를 침투시키지 않도록 훈련 구간에서만 계산했으며, 모든 채널은 각각 평균·표준편차를 이용해 표준화하였다. 모델은 크게 네 가지 아키텍처를 비교한다. (i) 기존 연구에서 사용된 CNN‑LSTM, (ii) 동일 구조에 자기‑주의(attention) 모듈을 추가한 CNN‑LSTM+Attn, (iii) 공간‑시간 그래프 컨볼루션 네트워크(STGCN), (iv) 본 논문에서 설계한 다중모달 패치 기반 트랜스포머. 트랜스포머는 입력 시계열을 4 × 4 패치로 나누어 토큰화하고, 각 토큰에 위치 인코딩을 부여한 뒤, 다중 헤드 자기‑주의를 통해 전역적인 공간‑시간 상관관계를 학습한다. 또한 잔차 연결을 이용해 다음 시점 변위를 직접 예측하도록 설계하였다. 모든 모델은 동일한 입력 길이(T_in = 16)와 동일한 학습/검증/테스트 분할을 사용해 공정하게 비교하였다. 성능 평가는 RMSE, MAE, 결정계수(R²)와 함께 1 mm, 2 mm 등 여러 오차 임계값 내에 들어가는 픽셀 비율을 제시한다. 동부 아일랜드 타일(E32N34)에서는 변위만을 입력했을 때 STGCN이 가장 좋은 결과를 보였지만, 정적 지표와 일년 주기 인코딩을 모두 포함한 다중모달 입력에서는 트랜스포머가 모든 비교 모델을 앞서며, 테스트 세트에서 RMSE = 0.90 mm, R² = 0.97, 1 mm 이하 오차 픽셀 비율 = 84 %를 기록하였다. 이는 전통적인 CNN‑LSTM 구조가 장거리 공간 의존성을 포착하는 데 한계가 있음을 시사한다. 다음으로 제로샷 전이 실험을 수행하였다. 트랜스포머 모델을 E32N34 타일의 훈련 구간만 사용해 학습한 뒤, 동일한 입력 포맷과 정규화 방식을 유지한 채로 다른 다섯 개 유럽 타일(연속 침하, 주기적 변동, 급격한 지진 후 변위 등)을 테스트했다. 결과는 모든 타일에서 R² ≥ 0.93, RMSE = 0.7 ~ 3.2 mm, 1 mm 이하 오차 픽셀 비율 = 71 ~ 87 %를 달성했다. 특히 지진 발생 타일에서는 급격한 단계(step)가 입력 히스토리에 포함되면 모델이 이를 즉시 인식하고 이후 변위를 정확히 재정렬했으며, 지진 발생 자체를 사전에 예측하지는 못한다는 점을 명확히 했다. 논문의 주요 기여는 다음과 같다. 첫째, EGMS에서 제공되는 정적 운동 지표와 연간 주기 인코딩을 활용한 다중모달 학습 프레임워크를 제시함으로써 단일 변위 시계열만을 이용한 기존 방법 대비 예측 정확도를 크게 향상시켰다. 둘째, InSAR 변형 예측에 특화된 패치 기반 트랜스포머 아키텍처를 설계하고, 이를 STGCN·CNN‑LSTM 등과 정량적으로 비교해 전역 자기‑주의가 공간‑시간 복합 패턴 학습에 유리함을 입증했다. 셋째, 단일 타일에서 학습된 모델이 전혀 보지 못한 다른 지역에 그대로 적용될 수 있음을 실증함으로써, 제한된 현장 데이터만으로도 대규모 유럽 수준의 변형 nowcasting이 가능함을 보여주었다. 향후 연구 방향으로는 (1) 다중스텝(다음 관측 이후 여러 시점) 예측을 위한 시계열 디코더 확장, (2) 지형·지질 정보와 같은 추가적인 정적 변수 통합, (3) 실시간 운영 파이프라인 구축을 위한 경량화 모델 설계, (4) 지진 발생 전후의 급격한 변화를 사전 감지할 수 있는 이상 탐지 모듈 도입 등을 제시한다. 전반적으로 이 연구는 InSAR 기반 지반 변형 예측에 딥러닝을 적용하는 데 있어 데이터 전처리, 모델 설계, 전이 학습까지 일관된 방법론을 제공하며, 실제 인프라 관리 및 재난 대응에 바로 활용 가능한 기술적 토대를 마련하였다.