지오‑기초 모델을 활용한 홍수 침수 지도 정확도 및 효율성 종합 평가

초록

본 연구는 Sentinel‑1, Sentinel‑2, PlanetScope 데이터를 대상으로 Prithvi 2.0, Clay V1.5, DOFA 등 세 가지 지오‑기초 모델(GFM)과 전통적인 U‑Net 계열 모델을 비교한다. 전체 19개 현장에 대한 교차 검증 결과, Clay가 가장 높은 평균 IoU(0.72)를 기록했으며, 특히 고해상도 PlanetScope와 Sentinel‑2에서 우수한 성능을 보였다. 적은 학습 데이터(5장)만으로도 Clay는 0.64 mIoU를 달성해 다른 모델을 크게 앞섰다. 모델 파라미터 수가 26 M에 불과해 Prithvi(650 M)·DOFA(410 M)보다 2‑3배 빠르게 추론한다. 결과적으로 GFM은 정확도 면에서 소폭·중간 정도의 향상을 제공하면서도 연산·라벨링 비용을 크게 절감한다는 점을 확인했다.

상세 분석

이 논문은 지오‑기초 모델(GFM)이 기존 CNN 기반 모델을 대체하거나 보완할 수 있는지를 실증적으로 검증한다. 먼저, FloodPlanet이라는 19개 전 세계 홍수 사건을 포괄하는 다중 센서(PlanetScope, Sentinel‑1, Sentinel‑2) 데이터셋을 구축했으며, 각 센서별 해상도 차이와 라벨 품질을 고려해 동일한 1024×1024 패치로 전처리하였다. 모델 선정 기준은 (1) 사전 학습 이미지 규모, (2) 다중 센서 지원 여부, (3) 기존 GEO‑Bench·PANGEA 벤치마크에서의 성능이다. 이에 따라 Prithvi 2.0(4.2 M 이미지), DOFA(8 M), Clay V1.5(70 M) 세 모델을 선택했으며, U‑Net·Attention U‑Net·DeepLabv3+·TransNorm·UViT을 비교군으로 포함했다.

성능 평가는 평균 IoU(mIoU)와 표준편차를 사용했으며, 지역별 leave‑one‑region‑out 교차 검증을 통해 일반화 능력을 평가했다. 전체 19개 사이트에서 Clay는 PlanetScope(0.79), Sentinel‑2(0.70), Sentinel‑1(0.57) 순으로 최고 점수를 기록했으며, Prithvi는 Sentinel‑1에서만 약간 앞섰다. 특히, 5개 지역을 각각 테스트셋으로 남겨두는 CV에서는 Clay가 PlanetScope 0.72 ± 0.04, Sentinel‑2 0.66 ± 0.07, Sentinel‑1 0.51 ± 0.08을 달성해 다른 GFM을 모두 앞섰다. 전통적인 U‑Net과 비교했을 때는 평균 4 % 정도의 mIoU 향상이 있었다.

Few‑shot 실험에서는 학습 이미지 수를 5장으로 제한했을 때 Clay가 0.64 mIoU를 기록했으며, Prithvi는 0.24, DOFA는 0.35에 머물렀다. 이는 Clay가 고해상도 데이터와 작은 학습 샘플에서도 효과적인 특징 추출과 디코더 설계(FPN 기반 UPerNet)를 갖추고 있음을 의미한다.

연산 효율성 측면에서는 파라미터 수와 추론 시간을 비교했다. Clay는 26 M 파라미터로 Prithvi(650 M)·DOFA(410 M) 대비 각각 약 3배·2배 빠른 추론 속도를 보였으며, 메모리 요구량도 현저히 낮았다. 이는 현장 실시간 응급 대응이나 제한된 컴퓨팅 환경에서도 실용적임을 시사한다.

전체적으로, GFM은 기존 CNN 모델 대비 정확도 향상이 크지는 않지만(2‑5 % 차이), 라벨링 비용 감소와 추론 속도 개선이라는 실용적 장점을 제공한다. 특히 고해상도 광학 데이터(PlanetScope)와 다중 센서 융합 상황에서 Clay와 같은 대규모 사전 학습 모델이 유리함을 확인했다. 향후 연구에서는 더 다양한 지역·시즌 데이터와 다른 사전 학습 전략(MAE·대조 학습 등)을 적용해 GFM의 일반화 능력을 확장하고, 실시간 홍수 대응 파이프라인에 통합하는 방안을 모색할 필요가 있다.