위브런트SR 센티넬2 기반 0.5미터 캔오피 높이 모델

초록

위브런트SR은 10 m 해상도 Sentinel‑2 영상을 이용해 0.5 m 정밀도의 캔오피 높이 모델(CHM)을 생성하는 생성형 초해상도 프레임워크이다. 흐름 매칭(flow matching) 기반의 잠재 공간 변환 모델을 사용해 Sentinel‑2 멀티스펙트럼 입력을 라이다 기반 0.5 m CHM 잠재 표현으로 매핑한다. 서부 미국 22개 EPA 레벨 3 생태구역에서 공간적으로 분리된 검증 데이터를 활용해 평균 절대 오차(MAE) 4.39 m(≥2 m 높이) 를 달성했으며, Meta(4.83 m), LANDFIRE(5.96 m), ETH(7.05 m)보다 우수했다. 항공 기반 VibrantVS(2.71 m)와는 약간 차이가 있지만, 전 세계적인 Sentinel‑2 데이터 활용으로 대규모 연간 모니터링이 가능하다.

상세 분석

본 논문은 Sentinel‑2의 12밴드 Level‑2A 반사율 데이터를 10 m 해상도로 전처리한 뒤, 48×48 픽셀(480 m×480 m) 패치를 입력으로 사용한다. 이 입력을 사전 학습된 자동인코더로 압축해 32×32 잠재 그리드(패치 크기 1)로 변환한다. 핵심은 고정된 Sentinel‑2 잠재와 라이다 기반 0.5 m CHM 잠재 사이를 연결하는 흐름 매칭 네트워크이다. 이 네트워크는 U‑형 Vision Transformer(U‑ViT) 구조를 채택하고, 16개의 트랜스포머 레이어와 16개의 어텐션 헤드를 갖추어 복잡한 공간적 의존성을 학습한다. 흐름 매칭 손실은 소스와 타깃 잠재 분포의 속도 차이를 최소화하도록 설계돼, 전통적인 픽셀‑단위 회귀와 달리 다중 가능한 미세 구조를 생성한다. 학습은 5,400 A100‑GPU·시간 규모의 대규모 컴퓨팅 자원을 사용했으며, 데이터 증강으로 수평·수직 플립 및 90도 회전을 적용해 일반화 능력을 강화했다.
평가에서는 22개 EPA 레벨 3 생태구역에 걸쳐 168,834개의 학습 타일과 66,154개의 검증 타일을 사용했으며, 검증 타일은 지리적으로 완전히 분리된 “체크보드” 방식으로 배치해 공간적 자기상관을 차단했다. 주요 성능 지표는 MAE, 평균 오차(ME), 블록‑R²(30 m 블록 집계), 엣지 오류(EE)이며, 특히 엣지 오류에서 기존 위성 기반 모델보다 현저히 낮은 값을 기록했다.
비교 대상인 Meta(1 m Maxar Vivid2), LANDFIRE(30 m Landsat), ETH(10 m Sentinel‑2)와는 모두 동일한 평가 프로토콜을 적용했으며, 위브런트SR은 MAE에서 9 %~38 % 개선을 보였다. 다만, 항공 라이다와 NAIP 기반 VibrantVS와는 2.71 m MAE 차이가 남아, 초고해상도 항공 데이터가 여전히 최고 정확도를 제공한다는 점을 확인했다.
기술적 강점은 (1) 흐름 매칭을 통한 확률적 생성 모델링으로 미세 구조 보존, (2) 사전 학습된 자동인코더를 고정해 표현 학습과 변환 학습을 분리함으로써 훈련 안정성 확보, (3) 전 세계적으로 접근 가능한 Sentinel‑2 데이터 활용으로 비용 효율적인 대규모 모니터링 가능성이다. 한계점으로는 (가) 훈련에 대규모 라이다 라벨이 필요해 라벨 확보가 어려운 지역에서는 적용이 제한될 수 있음, (나) 0.5 m 해상도 출력에도 불구하고 실제 현장 검증에서 미세한 높이 변동을 완전히 재현하지는 못함을 들 수 있다. 향후 연구에서는 라벨이 희소한 지역을 위한 반감독 학습이나, 다중 시계열 Sentinel‑2 합성을 통한 변화 감지 확장 등을 고려할 수 있다.