에지 검출과 블록대각 가우시안 프로세스로 고해상도 지표면 온도 복원

초록

본 논문은 NASA ECOSTRESS의 저해상도 지표면 온도(LST) 데이터를 Landsat 8의 고해상도 영상으로부터 추출한 농경지 경계 정보를 활용해 블록대각 가우시안 프로세스(BDGP) 모델을 구축하고, 이를 통해 30 m 수준의 고해상도 LST와 불확실성 추정치를 제공한다.

상세 분석

이 연구는 원격탐사 분야에서 “다운스케일링” 문제를 통계적 관점에서 새롭게 접근한다. 기존의 머신러닝 기반 회귀(랜덤 포레스트, 신경망 등)는 높은 예측 정확도를 보이지만, 모델 해석성 부족과 불확실성 정량화가 어려운 단점이 있다. 저자는 이러한 한계를 극복하기 위해 가우시안 프로세스(GP)를 기반으로 한 블록대각 구조를 도입한다. 핵심 아이디어는 농경지 경계가 급격한 온도 변화를 야기한다는 점을 이용해, 각 필드를 독립적인 블록으로 간주하고 블록 내부에서는 전통적인 평활 커널(제곱 지수)만을 적용한다는 것이다.

1. 경계 추출: Landsat 8의 30 m VSWIR 영상 6장을 평균화한 뒤, Meta의 Segment Anything Model(SAM)을 사용해 과분할된 세그먼트를 얻고, 후처리 알고리즘으로 겹치는 영역을 병합한다. 이 과정을 통해 공간 도메인을 N개의 비중첩 블록 R₁…R_N 으로 분할한다. SAM 선택은 전통적인 Canny·Sobel·Laplace보다 경계 복원력이 뛰어나며, 농경지와 같은 불규칙 형태에도 강인함을 보인다.

2. 평균 함수 모델링: 각 블록 내 픽셀별로 연간 주기와 일주기(ECOSTRESS만) 를 포함한 푸리에 회귀를 수행한다. 연간 주기는 Landsat의 태양동기 궤도 특성 때문에 충분히 포착되며, 일주기 성분은 ECOSTRESS 관측에만 적용해 블러된 평균을 추정한다. 푸리에 계수는 OLS로 추정되며, 잔차는 평균이 0인 GP로 모델링한다.

3. BDGP 커널 정의: 블록 r 에 대해 k_r(x,x′)=σ_r²·exp(−‖x−x′‖²/(2ℓ_r²)) 로 정의하고, 전체 커널은 블록별 커널의 블록대각 합으로 구성한다. 이는 블록 간 독립성을 가정함으로써 N×N 블록 구조의 대규모 공분산 행렬을 각 블록별 작은 행렬로 분할해 O(N·n_r³) (n_r: 블록 내 픽셀 수) 의 계산 복잡도를 달성한다.

4. 관측 모델: ECOSTRESS 관측은 실제 LST f_ES 를 가우시안 블러(σ_blur≈0.97 pixel)와 센서 노이즈(σ_sensor≈0.1 K) 로 컨볼루션한 ˜f_ES 로 모델링한다. Landsat은 블러가 없으며 동일한 길이 척도 ℓ_ES=ℓ_LS 를 가정해 파라미터 식별성을 확보한다.

5. 파라미터 추정: 블록 경계가 고정된 후, Landsat 잔차에 대해 각 블록별 σ_LS, ℓ_LS 를 최대우도(BFGS)로 추정한다. 시간적 독립성을 확보하기 위해 4개의 서로 멀리 떨어진 날짜를 선택하고, nugget 10⁻⁸을 추가해 수치적 안정성을 보장한다. 이후 ECOSTRESS 잔차에 대해 σ_ES 를 샘플 분산과 블러·센서 노이즈를 고려한 식(1) 로 추정하고, 여러 날짜에 대해 중앙값을 취한다.

6. 크리깅 및 불확실성 정량화: 블러 효과가 블록 경계에 미치는 영향을 완화하기 위해 각 블록 주변 4σ_blur 반경을 포함한 확장 영역 R′_r 을 정의한다. 확장 영역 내에서 블러된 관측과 공분산 벡터 k* 를 계산하고, 표준 크리깅 공식 ˆf_ES(x*) = kᵀ (K_R′_r + σ_sensor² I)⁻¹ y_R′_r 로 고해상도(30 m) 잔차를 예측한다. 예측 분산은 V ar(ˆf_ES)=V ar(f_ES)−kᵀ (K_R′_r + σ_sensor² I)⁻¹ k* 로 제공되어, 각 픽셀별 신뢰 구간을 직접 얻을 수 있다.

7. 실험 및 결과: 캘리포니아 살톤 호 지역을 대상으로 ECOSTRESS(70 m)와 Landsat(30 m) 데이터를 적용하였다. 블록 경계 추출 후 평균 푸리에 모델링이 연·계절 변동을 잘 포착했으며, BDGP 기반 크리깅은 기존 랜덤 포레스트·CNN 기반 다운스케일링 대비 경계 근처 과평활을 크게 감소시켰다. 또한, 예측 표준편차 지도는 농경지 내부와 경계에서 불확실성이 어떻게 변하는지 직관적으로 보여준다.

핵심 기여는 (1) 고해상도 영상으로부터 자동화된 블록 경계 추출, (2) 블록대각 GP를 통한 계산 효율성 확보, (3) 블러와 센서 노이즈를 명시적으로 모델링한 관측 모델, (4) 불확실성 정량화를 포함한 완전한 베이지안 다운스케일링 프레임워크 제공이다. 이 접근법은 LST뿐 아니라 토양 습도, 대기오염 등 공간적으로 블록 구조가 뚜렷한 다른 원격탐사 변수에도 확장 가능하다.