알파어스 물리적 해석 가능 임베딩을 활용한 지표면 지능 시스템

초록

본 연구는 구글 알파어스 위성 기반 64차원 임베딩이 26개의 환경 변수와 어떻게 연계되는지를 체계적으로 분석하고, 이를 자연어 질의에 기반한 검색‑증강 생성(RAG) 시스템에 적용하였다. 선형·비선형·트랜스포머 기반 해석 방법을 통해 개별 차원이 특정 지표면 특성을 담당함을 확인했으며, 전체 임베딩은 온도·고도 등 12개 변수에서 R² 0.90 이상을 달성하였다. 공간 블록 교차검증과 연도별 안정성 검증을 거쳐 해석의 일반화와 시간적 일관성을 입증했으며, 구축된 RAG 시스템은 360개의 질의‑응답에서 평균 3.74점(1‑5점) 이상의 평가를 받았다.

상세 분석

알파어스 임베딩은 2017년부터 2023년까지 미국 본토 전역 12.1백만 샘플을 대상으로 64차원 벡터로 추출되었다. 연구팀은 스피어만 순위 상관, 랜덤 포레스트 회귀, 멀티태스크 트랜스포머 세 가지 해석 기법을 동시에 적용하였다. 스피어만 상관 분석에서는 각 차원마다 가장 높은 절대값을 보이는 환경 변수를 기본 변수로 지정했으며, 랜덤 포레스트는 변수 중요도 기반으로 상위 세 차원을 도출하였다. 트랜스포머 모델은 입력 차원에 대한 그래디언트와 셀프‑어텐션 가중치를 이용해 변수별 기여도를 추정했다. 세 방법 간 일치율은 차원당 최소 두 방법이 동일 변수를 지목할 경우를 ‘일치’로 정의했으며, 전체 차원 중 48개가 최소 이중 일치를 보였다. 특히 차원 A07은 고도와 강한 양의 상관을, A22는 연간 평균 NDVI와 높은 중요도를 나타냈다. 전체 임베딩을 이용한 다변량 회귀에서는 26개 변수 중 12개가 R² 0.90 이상, 온도와 고도는 0.97에 근접하는 재구성 정확도를 기록했다. 공간 블록 교차검증(2°×2° 블록)에서는 무작위 검증 대비 평균 ΔR² 0.017로 과적합 위험이 낮음을 확인했으며, 연도별 스피어만 상관 프로파일의 평균 피어슨 상관계수는 0.963으로 시간적 안정성을 입증했다. 이러한 해석 결과를 기반으로 차원‑변수 사전표(디멘션 딕셔너리)를 구축하고, 이를 FAISS 인덱스와 연계한 검색‑증강 생성 파이프라인에 적용하였다. 질의‑응답 실험에서는 네 개의 대형 언어 모델을 생성·시스템·판정 역할로 순환시켜 360회 반복 수행했으며, grounding(3.93)과 coherence(4.25) 점수가 특히 높았다. 전체적으로 임베딩이 물리적 의미를 내포하고 있음을 정량적으로 증명하고, 이를 실시간 지표면 정보 제공 서비스에 성공적으로 전이시켰다.