인공 야간조명 데이터 재구성 1986에서 2024까지 연속 VIIRS 유사 데이터셋

초록

본 논문은 1986년부터 2024년까지 중국 전역을 커버하는 연간 인공 야간조명(NTL) 데이터셋(EVAL)을 제시한다. 두 단계 딥러닝 프레임워크를 도입해 기존 VIIRS‑유사 제품이 겪는 밝기 저평가와 구조적 디테일 손실을 극복하고, 고해상도 불투수면 데이터로 세밀한 도시·도로 구조를 보강한다. 정량 평가에서 EVAL은 기존 LongNTL·SVNL 대비 시간적 일관성과 사회경제 지표와의 상관성이 크게 향상되었다.

상세 분석

이 연구는 NTL 데이터의 장기 연속성 확보라는 근본적인 문제에 접근하면서, 두 가지 핵심 기술적 혁신을 제시한다. 첫 번째는 “Hierarchical Fusion Decoder(HFD)”와 “Dual Feature Refiner(DFR)”를 결합한 두 단계 모델이다. HFD는 기존 U‑Net 구조에 Structure Residual Fusion(SRF)과 Multiscale Aggregator(MA)를 삽입해, 인코더‑디코더 간 스킵 연결에서 발생하는 위성 센서 특유의 포화·노이즈 현상을 억제하고, 다중 스케일 특징을 효과적으로 통합한다. 특히 SRF는 고강도 빛 영역에서 경계 선명도를 강화하고, MA는 과도한 확산을 방지해 밝기 분포의 비선형성을 보정한다. 두 번째 단계인 DFR은 30 m 해상도의 GAIA 불투수면 마스크를 Cross‑Resolution Local Attention 메커니즘으로 활용한다. 이는 저해상도 NTL 예측값에 고해상도 도시 구조 정보를 정밀하게 주입함으로써, 기존 방법이 놓치기 쉬운 도로망·건물 군집 등 미세 구조를 복원한다.

데이터 전처리 측면에서도 주목할 만하다. 저해상도 DMSP‑OLS 데이터는 Li 등(2022)의 단계별 보정본을 사용해 시간적 일관성을 확보하고, 1986‑1991년 구간은 PANDA‑China 데이터를 U‑Net 기반 매핑으로 보정한다. NPP‑VIIRS 데이터는 로그 변환 후 학습 목표로 삼아, 두 센서 간 동적 범위 차이를 완화하고, 예측 후 지수 역변환을 통해 실제 방사량 단위로 복원한다. 또한, 2012년 결측을 보완하기 위해 대도시 최대 밝기 기준을 설정하고, 이상값을 주변 평균으로 대체하는 간단하지만 실효성 있는 후처리 절차를 적용한다.

정량적 검증에서는 RMSE, MAE, R² 등 전통적 지표와 더불어 연도별 상관계수, 시계열 일관성 지표를 제시한다. EVAL은 LongNTL·SVNL 대비 평균 RMSE가 12 % 이상 감소하고, 인구·GDP와의 피어슨 상관계수가 0.86에서 0.93으로 상승한다. 시각적 검증에서도 대도시 중심부와 산업단지의 밝기 포화 현상이 크게 완화되고, 도로망·교차로가 선명히 드러나는 것을 확인한다.

한계점으로는 모델 학습에 사용된 고해상도 불투수면 데이터가 중국 전역에 걸쳐 일정 품질을 유지한다는 전제와, 500 m 해상도라는 상대적 제한이 있다. 또한, 비정형 조명(예: 야간 행사, 임시 조명)과 같은 일시적 변동을 포착하기엔 연간 평균 방식이 부적합할 수 있다. 향후 연구에서는 시계열 GAN 기반의 동적 모델링과, 초고해상도 위성(예: WorldView)과의 다중센서 융합을 통해 공간·시간 해상도를 동시에 향상시키는 방향을 제안한다.