멀티스펙트럼 자동인코더 기반 금 탐사 혁신

초록

본 연구는 Sentinel‑2 멀티스펙트럼 영상을 이용해 대규모 금 매장 지역을 식별하기 위해, 대규모 무라벨 데이터(FalconSpace‑S2 v1.0)로 사전학습된 자동인코더 “Isometric”의 잠재 표현을 추출하고, 이를 경량 XGBoost 분류기에 입력함으로써 기존 원시 스펙트럼 입력 대비 패치 수준 정확도를 0.51→0.68, 이미지 수준 정확도를 0.55→0.73으로 향상시켰다.

상세 분석

이 논문은 위성 기반 광물 탐사의 데이터 부족 문제를 해결하고자, 자기지도학습 기반의 생성형 모델을 특징 추출기로 활용한다는 점에서 의미가 크다. 먼저 저자들은 전 세계를 포괄하는 1,156,800개의 Sentinel‑2 이미지(128×128, 12밴드)로 구성된 FalconSpace‑S2 v1.0 데이터셋을 구축하였다. 시간·공간·토지피복(LULC) 다양성을 확보하기 위해 계절별, 위도·경도 균등 샘플링과 저빈도 토지 유형에 가중치를 부여하는 전략을 적용했으며, 구름 커버는 30 % 이하로 제한하였다.

자동인코더는 Vision Transformer 기반 Masked Autoencoder(MAE) 구조를 차용하면서, 멀티스펙트럼 특성에 맞게 8×8×3 패치 토큰으로 스펙트럼 연속성을 보존한다. 기존 SpectralGPT와 달리 디코더를 깊게 설계해 재구성 품질을 높였으며, 마스킹 비율을 90 %가 아닌 40 %로 낮춰 학습 안정성과 추론 성능을 동시에 개선하였다. 사전학습 후 인코더는 고정(freeze)하고, 잠재 벡터를 고정된 피처로 사용한다.

재구성 성능 평가는 MSE, PSNR, SSIM, SAM, ERGAS 등 5가지 지표로 수행했으며, Isometric은 SpectralGPT 대비 MSE(0.006 vs 0.062), PSNR(32.8 dB vs 21.9 dB), SSIM(0.94 vs 0.61) 등에서 현저히 우수한 결과를 보였다. 이는 잠재 표현이 원본 스펙트럼 정보를 효과적으로 압축했음을 의미한다.

금 탐사 실험에서는 63개의 Sentinel‑2 이미지(33개 금 매장, 30개 비금 매장)를 8×8×3 패치로 분할해 총 64,512개의 패치를 확보하고, 이미지 단위 80/20 교차검증을 적용했다. XGBoost 분류기를 동일하게 사용해 원시 12밴드 입력과 Isometric 잠재 벡터 입력을 비교했으며, 패치 수준 정확도는 0.517→0.681, ROC‑AUC는 0.52→0.74로 크게 상승했다. 이미지 수준에서도 정확도 0.554→0.733, F1‑score 0.488→0.729에 이르는 개선을 기록했다. SpectralGPT와도 비교했을 때, Isometric이 7.2 % 정도 추가 향상을 달성했다.

한편 실험은 63장의 제한된 이미지와 5‑fold 교차검증에 의존했으며, 클래스 불균형(금 vs 비금)과 지역적 편향이 결과에 미칠 가능성을 언급한다. 또한, RGB 시각화만으로는 금 매장과 비금 매장을 구분하기 어려운 점을 강조하며, 모델이 스펙트럼 차이를 학습한다는 점을 시각적으로 입증한다. 향후 작업으로는 SAR·하이퍼스펙트럼 데이터 통합, 시계열 분석, 다른 광물에 대한 전이 학습 등을 제시한다. 전반적으로, 제한된 라벨 데이터에서도 강력한 전이 학습 기반 피처가 광물 탐사에 실용적 가치를 제공한다는 점을 설득력 있게 보여준다.