아프리카 고해상도 도시와 농촌 정밀지도

초록

본 연구는 DeepLabV3 기반의 딥러닝 프레임워크와 Landsat‑8, VIIRS 야간조명, ESRI LULC, GHS‑SMOD 등 다중 소스 데이터를 결합해 2016‑2022년 기간 동안 아프리카 전역을 10 m 해상도로 도시·농촌 구분 지도(HUR)를 생성한다. 모델은 의미론적 분할을 이용해 미세한 정착 형태를 포착하고, DHS 설문 기반 도시·농촌 라벨로 검증하였다. 대륙 규모 정확도는 65 %, Kappa는 0.47으로 기존 글로벌 제품을 능가한다.

상세 분석

본 논문은 아프리카 대륙의 도시‑농촌 구분을 고해상도(10 m)로 제공하기 위해 최신 의미론적 분할 모델인 DeepLabV3+를 선택하고, 이를 다중 위성·지리 데이터와 융합한 점이 핵심이다. 입력 피처는 30 m 해상도의 Landsat‑8 다중 스펙트럼 밴드, 500 m 해상도의 VIIRS 야간조명, ESRI LULC의 토지이용 클래스, 그리고 기존 GHS‑SMOD의 도시·농촌 라벨을 포함한다. 이들 데이터를 10 m 격자로 재샘플링하고, 정규화·채널 스택을 통해 모델에 공급함으로써 공간적·스펙트럼적 정보를 동시에 학습한다.

학습 단계에서는 2016‑2020년 기간의 라벨이 있는 샘플을 무작위로 추출해 70 %를 훈련, 15 %를 검증, 15 %를 테스트에 할당하였다. 손실 함수는 클래스 불균형을 보정하기 위해 가중 크로스 엔트로피와 Dice 손실을 결합했으며, Adam 옵티마이저와 초기 학습률 1e‑4를 사용해 50 epoch까지 학습하였다. 데이터 증강으로는 회전·좌우·상하 반전·밝기·대조 조절을 적용해 모델의 일반화 능력을 강화하였다.

검증에는 독립적인 DHS 설문 데이터의 도시·농촌 라벨을 활용했으며, 이는 현장 조사 기반이므로 위성 이미지만으로 도출된 라벨과의 상관성을 객관적으로 평가할 수 있다. 결과는 전체 정확도 65 %와 Kappa 0.47을 기록했으며, 특히 소규모 비공식 정착지와 농촌 경계 지역에서 기존 GHS‑SMOD 대비 12 % 이상의 F1 점수 향상을 보였다. 그러나 도시 지역에서 고밀도 건물 군집을 정확히 구분하는 데는 아직 한계가 있으며, 구름·대기 오염에 의한 이미지 품질 저하가 오류 원인으로 지적된다.

시간적 확장성 측면에서 Landsat‑8의 연속적인 관측 기록을 활용하면 1990년대 초까지 역사적 지도 생성이 가능하다는 점을 강조한다. 또한 모델 구조가 모듈식이므로 향후 Sentinel‑2, PlanetScope 등 더 높은 해상도 데이터를 추가해 정확도를 더욱 향상시킬 수 있다.

전반적으로 본 연구는 다중 소스 데이터 융합, 고해상도 의미론적 분할, 그리고 독립적인 설문 라벨 검증이라는 세 축을 결합해 아프리카 대륙의 도시‑농촌 구분 지도 제작에 새로운 기준을 제시한다.