자가 지도 학습으로 위성 데이터를 융합한 유해 조류 번식 정밀 모니터링

초록

본 연구는 VIIRS, MODIS, OLCI, OCI 등 다양한 다중·초분광 위성 데이터와 TROPOMI의 태양 유도 형광(SIF) 데이터를 융합한 자가 지도 학습 프레임워크 ‘SIT-FUSE’를 제안합니다. 이 프레임워크는 각 센서별 레이블 데이터가 필요 없이 유해 조류 번식(HAB)의 심각도와 종을 감지 및 매핑할 수 있으며, 멕시코 만과 남부 캘리포니아 해역의 현장 데이터(2018-2025)를 통해 검증되었습니다.

상세 분석

이 연구의 핵심 기술적 혁신은 레이블이 없는 대규모 위성 데이터를 활용하는 ‘자가 지도 학습(SSL)’ 프레임워크 ‘SIT-FUSE’를 해양 모니터링에 적용한 점에 있습니다. 기존 감시 방법이 특정 센서 밴드 구성에 맞춰 전문가가 개별적으로 알고리즘을 개발하거나 대량의 레이블 데이터를 필요로 하는 것과 대조적입니다. SIT-FUSE는 Deep Belief Network(DBN), Vision Transformer(ViT) 등 다양한 인코더 아키텍처를 지원하며, 비지도 클러스터링 대신 ‘계층적 딥 클러스터링’을 도입하여 데이터의 내재된 패턴을 스스로 학습합니다. 이를 통해 플랑크톤 군집량과 종을 해석 가능한 클래스로 자동 분할할 수 있습니다.

주요 통찰력은 다음과 같습니다. 첫째, 다중 센서(다분광)와 초분광(PACE-OCI) 데이터를 자유롭게 융합할 수 있는 ‘플랫폼 독립성’을 입증했습니다. 이는 새로운 위성 센서가 도입될 때마다 알고리즘을 재개발해야 하는 기존의 병목 현상을 해결할 수 있는 길을 열었습니다. 둘째, 대기 보정된 표면 반사도 데이터를 직접 사용함으로써 복잡한 해수 조건에서 해양색 파생 변수(예: 클로로필-a)만으로는 놓칠 수 있는 미세한 패턴을 포착할 수 있었습니다. 셋째, 공간 해상도가 낮은(7km) TROPOMI SIF 데이터를 고해상도 반사도 데이터와 융합하여, 광학적으로 변동이 큰 대기 및 수층 조건에서도 플랑크톤 형광 정보를 활용할 수 있는 새로운 가능성을 보여주었습니다.

이 접근법은 지상 관측 데이터가 부족한 환경에서도 확장 가능한 HAB 모니터링을 가능하게 하며, 계층적 임베딩을 통한 탐색적 분석을 지원합니다. 이는 전 지구 수생 생지화학 연구에 자가 지도 학습을 운영화하는 데 중요한 디딤돌이 될 것입니다.