이미지투이미지 네트워크로 비정상 공간 데이터 모델링

초록

본 논문은 공간 자기회귀(SAR) 모델의 파라미터를 이미지처럼 다루어 이미지‑투‑이미지(I2I) 네트워크로 한 번에 추정하는 LatticeVision 프레임워크를 제안한다. 합성 데이터와 지구 시스템 모델(ESM) 출력을 이용해 기존 지역별 CNN 추정기보다 속도와 정확도 모두에서 우수함을 입증한다.

상세 분석

LatticeVision은 비정상(non‑stationary) 공간 데이터를 다루는 핵심 문제를 두 가지 관점에서 해결한다. 첫째, SAR 모델의 핵심 파라미터인 κ², ρ, θ 를 격자 형태의 이미지로 표현함으로써 입력 필드와 출력 파라미터를 동일한 차원 구조로 맞춘다. 이때 입력은 M개의 복제 필드가 채널 차원에 쌓인 3‑D 텐서이며, 출력은 동일한 해상도의 3채널 파라미터 맵이다. 둘째, 이러한 입력‑출력 쌍을 학습시키기 위해 저자들은 지구 과학 현상을 모사한 8가지 공간 패턴(해안선, 제트 스트림, 대양 순환 등)을 조합해 광범위한 사전분포를 설계했다. 각 패턴은 위치·스케일·강도 등 하이퍼파라미터를 균등분포에서 샘플링해 파라미터 필드를 생성하고, 이를 SPDE 기반 SAR 행렬 B 로 변환한 뒤 백색노이즈를 풀어 합성 필드를 만든다. 이렇게 만든 M개의 복제는 동일 파라미터를 공유하므로 네트워크가 전역적인 공간 상관관계를 학습하도록 유도한다.

네트워크 아키텍처는 세 가지 변형을 실험한다. (1) 전통적인 U‑Net 기반 완전 합성곱 모델, (2) Vision Transformer(ViT) 기반 모델, (3) Conv‑Transformer 하이브리드인 TransUNet을 변형한 STUN. 모든 모델은 GELU 활성화와 그룹 정규화를 적용하고, 입력 복제 수 M을 1·5·15·30으로 변동시켜 학습 안정성을 검증한다. 로컬 CNN 기반 베이스라인은 다양한 수용 영역(9, 17, 25)과 파라미터 수(0.5‑2.5M)를 사용했으며, I2I 모델에 비해 파라미터 수가 현저히 적다.

실험 결과는 두 축에서 차별화된다. 첫째, I2I 모델은 전체 격자를 한 번에 처리하므로 M에 비례하는 연산 비용이 발생하지 않아 로컬 CNN보다 5배 이상 빠르게 추정한다. 둘째, 전역적인 컨텍스트를 활용함으로써 특히 장거리 이방성(θ, ρ) 파라미터 추정에서 평균 절대 오차가 30 % 이상 감소한다. 하이브리드 STUN이 순수 Conv와 순수 Transformer 중간 성능을 보이며, 파라미터 수가 비슷함에도 불구하고 가장 높은 정확도를 기록한다. 또한, 복제 수가 적을 때(예: M=5)에도 I2I 모델은 안정적인 추정치를 제공해, 실제 지구 시스템 모델처럼 제한된 시뮬레이션 샘플만 이용할 경우에도 유용함을 입증한다.

마지막으로, 추정된 파라미터를 LatticeKrig SAR 시뮬레이터에 입력해 수천 개의 가상 필드를 초고속으로 생성한다. 이는 기존 ESM이 수십만 코어시간을 소모하는 것과 대비해 몇 초 만에 가능하다. 생성된 앙상블은 원본 ESM 출력보다 공간적 상관구조, 특히 장거리 이방성 패턴을 더 잘 보존한다.

요약하면, LatticeVision은 SAR 파라미터를 이미지 형태로 재구성하고, 이미지‑투‑이미지 네트워크를 통해 전역적인 비정상 파라미터를 한 번에 정확히 추정함으로써 기존 로컬 접근법의 한계를 극복한다.