화성 지형 사면 붕괴 탐지를 위한 다중모달 데이터셋 MMLSv2 소개

초록

MMLSv2는 화성 Valles Marineris 지역을 대상으로 RGB, DEM, 경사, 열관성, 그레이스케일 등 7가지 밴드를 결합한 664장의 이미지와 276장의 지리적으로 독립된 테스트 세트를 제공한다. 고해상도 CTX와 THEMIS, MOLA 등 다양한 위성 데이터를 정밀히 공동 정합하고, 전 버전 대비 라벨 품질을 개선했으며, 공간적 독립성을 보장하는 파티셔닝 전략을 적용했다. U‑Net, DeepLabV3+, SegFormer 등 최신 세그멘테이션 모델을 동일 조건에서 학습시킨 결과, 기본 테스트에서는 안정적인 수렴과 경쟁력 있는 IoU를 보였지만, 격리 테스트에서는 성능이 현저히 감소해 일반화 평가용 벤치마크로서의 가치를 입증한다.

상세 분석

MMLSv2는 화성 표면이라는 특수 환경을 활용해 지구와 유사한 암석·건조 지형에서 사면 붕괴를 탐지하는 데 필요한 다중모달 정보를 체계적으로 제공한다는 점에서 의미가 크다. 첫째, RGB와 고해상도 CTX 이미지만으로는 토양·식생·암석의 혼합 효과로 인해 붕괴 경계가 흐려지는 경우가 많지만, DEM·경사·열관성 데이터를 추가함으로써 지형적·열역학적 특성을 보완한다. 이는 특히 얇은 파편형이나 길게 늘어진 붕괴 형태를 구분하는 데 유리하다. 둘째, 라벨링 과정에서 기존 MMLSv1이 과도하게 이상화된 붕괴 형태만을 포함하고 있었던 문제를 해결하기 위해, 실제 관측된 다양한 형태(예: 퇴적 구역이 불명확한 경우)를 포함하고 복잡한 퇴적 영역을 제외함으로써 라벨 노이즈를 크게 감소시켰다. 이는 모델이 불필요한 상관관계에 의존하는 것을 방지하고, 진정한 지형 특성 학습을 촉진한다. 셋째, 데이터 파티셔닝 전략은 공간적 연속성을 고려해 2×2 블록 단위로 그룹화하고, 전경 비율(landslide pixel 비율)을 기반으로 정량적 층화(stratification)를 수행한다. 이 방법은 인접 패치 간 정보 누수를 방지하고, 각 split이 전경 비율 분포에서 균형을 이루게 하여 평가의 편향을 최소화한다. 넷째, 격리 테스트 셋을 별도의 지리적 영역에서 추출함으로써, 모델이 학습 데이터에 내재된 지역적 패턴을 과도하게 기억하는 현상을 검증한다. 실험 결과, 모든 베이스라인 모델이 기본 테스트에서는 평균 IoU 0.680.73 수준을 기록했지만, 격리 테스트에서는 0.450.52로 급격히 하락한다. 이는 현재의 세그멘테이션 아키텍처가 복합적인 지형 변이와 작은 전경 비율을 효과적으로 일반화하지 못함을 시사한다. 마지막으로, 7밴드 입력을 모두 활용했음에도 불구하고 학습 시간·메모리 요구량이 크게 증가하지 않아, 실용적인 연구·응용에 적합한 데이터셋임을 확인한다. 전반적으로 MMLSv2는 멀티모달 원격탐사 데이터의 통합, 라벨 품질 개선, 공간적 독립성을 보장한 파티셔닝 등 데이터셋 설계 전반에 걸친 모범 사례를 제시하며, 향후 행성 과학 및 지구 외 행성 탐사 분야에서 딥러닝 기반 지형 분석 연구의 기반이 될 것으로 기대된다.