Physics-Informed Anomaly Detection of Terrain Material Change in Radar Imagery

📝 Abstract

**
본 논문은 레이더 영상에서 토양·아스팔트·식생 등 지형 물질의 유전율·거칠기·수분 변화와 같은 물리적 변화를 탐지하기 위해, 라벨이 부착된 물질 지도에서 이중 시점 단일룩 복소(SLC) 이미지를 생성하는 경량 전자기(EM) 전방 모델을 제안한다. 생성된 데이터에 대해 간섭 코히런스와 로그‑강도·텍스처·입사각 등을 포함한 물리‑인식 피처 스택을 구축하고, 무감독 이상 탐지기인 Reed‑Xiaoli(RX)/Local‑RX(타일러 M‑추정기 기반), Coherent Change Detection(CCD), 그리고 경량 컨볼루션 오토인코더(AE)를 비교 평가한다. 유전율·거칠기·수분 변화, 관측 횟수(Look) 수, 감마·K‑패밀리 잡음 등 다양한 시뮬레이션 조건을 Monte‑Carlo 방식으로 sweep하면서 고정된 허위 경보 확률(PFA) 하에서 ROC‑AUC, AP, F1 점수를 측정한다. 결과는 코히런스 기반 피처와 강인한 공분산 추정이 물질 변화 탐지에 크게 기여함을 보여주며, 특히 무거운 꼬리 잡음 환경에서는 단순 점수‑레벨 융합이 가장 높은 F1을 달성한다는 것을 확인한다.

**

💡 Deep Analysis

**

1. 연구 배경 및 필요성

   • 레이더 영상에서 미세한 물질 변화를 탐지하는 것은 인프라 감시·환경 모니터링·보안 등 실용적 응용에 핵심이다. 기존 방법은 강도 기반 변화 탐지와 간섭 코히런스(Interferometric Coherence)를 이용한 CCD에 크게 의존하지만, 물리적 매개변수(유전율, 거칠기)와 레이더 백스캐터 사이의 정량적 연결 고리가 부족했다.
   • 또한, 전통적인 RX 탐지는 가우시안 배경 가정을 전제로 하여 무거운 꼬리 잡음(예: K‑분포)에서는 CFAR(Constant False Alarm Rate) 유지가 어려운 것이 한계점이다.

2. 제안된 물리‑인식 전방 모델

   • IEM/AIEM과 같은 정밀 모델을 완전 구현하기엔 계산 비용이 크므로, Fresnel 항과 거칠기 감쇠를 결합한 경량 서브스티튜트를 도입하였다. 이는 εᵣ, σ(거칠기 RMS), lc(상관길이)와 입사각 θ에 대한 일차적 의존성을 보존한다.
   • 시뮬레이션은 복소 가우시안 스펙클 η와 다중 Look L을 고려해 Gamma 혹은 K‑분포 잡음을 생성하고, 두 시점 간 상관된 스펙클을 통해 코히런스 γ(r)를 제어한다. 물질 변화가 발생하면 |γ|가 현저히 감소하도록 설계돼, 실제 InSAR 이론과 일치한다.

3. 피처 스택 및 탐지기 설계

   • 피처: 로그‑강도, 로컬 텍스처, 입사각, 샘플 코히런스(1‑|γ|) 등 D차원 피처를 윈도우 기반으로 추출한다. 이는 물리적 변화에 대한 다중 감도를 제공한다.
   • RX / Local‑RX: 전통적인 Mahalanobis 거리 기반이지만, 배경 공분산을 타일러 M‑추정기로 대체해 복합 잡음에 강인하게 만든다. 로컬‑RX는 슬라이딩 윈도우를 이용해 비정상성에 대응하지만, 작은 윈도우에서 변화 픽셀이 섞이면 성능이 저하된다.
   • CCD: 1‑|γ| 혹은 최대우도 변화 통계량을 사용해 CFAR 특성을 유지한다. 코히런스 감소가 주요 신호인 경우 가장 높은 검출력을 보인다.
   • AE: 변하지 않은 타일에만 학습시킨 경량 컨볼루션 오토인코더는 재구성 오차를 이상 점수로 사용한다. 딥러닝 기반이지만 물리적 해석이 어려워, 코히런스 피처와 결합했을 때 보조적인 역할을 한다.

4. 실험 설계 및 결과 해석

   • Monte‑Carlo 프로토콜: 200회 반복, 각 회마다 εᵣ, σ, lc, L, 잡음 형태(γ‑shape) 등을 무작위 샘플링해 256×256 씬을 생성. 물질 변화는 사각형·타원형 영역에 국소적으로 적용.
   • 성능 지표: ROC‑AUC, AP, PFA=10⁻³에서의 F1.
   • 핵심 결과
     • 코히런스 기반 CCD와 “코히런스 + RX/AE” 점수 융합이 일관되게 최고 성능을 기록. 특히 무거운 꼬리(K‑분포) 잡음에서는 RX/Local‑RX가 크게 뒤처지며, 타일러 추정이 적용된 강인 RX도 여전히 코히런스 신호에 비해 낮은 AP/F1를 보인다.
     • L(관측 횟수)이 증가하면 코히런스 추정 분산이 감소해 CCD와 융합의 성능이 크게 향상된다.
     • 잡음 꼬리가 무거울수록(ν↓) RX 계열의 성능 저하가 두드러지며, 이는 강인 공분산 추정이 CFAR을 유지하긴 하지만 구별력 자체는 제한적임을 의미한다.
     • 코히런스 감소가 주된 변화 신호인 경우(예: 건조→습윤 토양) 강도 변화는 잡음에 가려져 검출이 어려워, 코히런스 피처가 결정적 역할을 한다.

5. 장점 및 한계

   • 장점
     • 물리‑인식 시뮬레이터를 통해 물질 파라미터와 레이더 관측 사이의 인과관계를 정량화함으로써, 알고리즘 평가의 재현성을 크게 높였다.
     • 강인 공분산 추정과 코히런스 피처 결합이 무거운 꼬리 잡음 환경에서도 CFAR을 유지하면서 높은 검출력을 제공한다.
   • 한계
     • 단일 편파·단일 주파수 가정으로, 체적 산란·다중 편파·다중 주파수 효과를 반영하지 못한다.
     • 실제 SAR 데이터에 대한 검증이 없으며, 시뮬레이션 파라미터(예: 입사각 변동, 코히런스 잔차)와 실제 현장 데이터 간 차이가 존재할 가능성이 있다.
     • AE 기반 방법은 물리적 해석이 어려워, 실제 운영 시스템에 적용하기 위해서는 추가적인 도메인 적응 기법이 필요하다.

6. 향후 연구 방향

   • 다편파·다주파수 확장: Wishart 기반 PolSAR 변화 검정과 결합해 다채널 정보를 활용.
   • 실제 SAR 데이터 적용: 실제 토양 습도 변화·도로 손상 사례에 모델을 적용하고, 코히런스 정밀 보정(예: 위상 오류 보정)과 함께 성능을 검증.
   • 하이브리드 딥러닝: 물리‑인식 피처를 입력으로 하는 그래프‑CNN 혹은 트랜스포머 기반 모델을 개발해, 물리적 해석 가능성과 딥러닝의 표현력을 동시에 확보.
   • 실시간 구현: 경량 전방 모델과 로컬 RX/CCD를 GPU‑가속으로 구현해, 대규모 위성 SAR 데이터 스트리밍 환경에 적용 가능하도록 최적화.

**

📄 Full Content

지형 물질 변화 탐지를 위한 레이더 영상의 물리 기반 이상 탐지 프레임워크

지형 물질의 미세하고 국소적인 변화를 레이더 영상에서 탐지하는 것은 인프라 모니터링, 환경 감시 및 보안 분야에 핵심적인 역할을 한다[1,2,3]. 일관된 레이더(coherent radar)에서는 변화 탐지를 위한 오래된 전략으로 강도 기반 방법과 간섭계 일관성(coherent change detection, CCD)이 있다. CCD는 위상 정합(phase‑registered)된 이미지 쌍 사이에서 추정된 간섭계 일관성을 활용하며, 물질 또는 구조 변화가 일어날 경우 일관성 크기가 감소한다[4,5,6]. 최신 딥러닝 모델이 양시점(bi‑temporal) 변화 매핑을 크게 향상시켰지만, 대부분의 연구는 픽셀 스택을 통계적으로만 다루고 레이더 후방산란 및 탈상관을 실제로 유도하는 전자기(EM) 물질 특성과의 명시적인 연결이 부족하다[7,8].

레이더 후방산란은 복소 유전율(complex permittivity), 표면 거칠기 파라미터, 레이더 기하(입사각) 등 여러 요인에 의해 결정된다. 적분 방정식 모델(Integral Equation Model, IEM/AIEM)과 같은 널리 사용되는 거칠기 표면 모델은 이러한 파라미터와 레이더 후방산란 사이의 검증된 관계를 제공한다[2,9]. 반면, Reed‑Xiaoli(RX) 점수와 같은 전형적인 이상 탐지기는 배경을 (대부분 가우시안) 분포로 가정하고 마할라노비스 거리(Mahalanobis distance)를 이용해 이로부터 벗어난 경우를 탐지한다[10]. 레이더 영상에서는 무거운 꼬리를 가진 클러터(heavy‑tailed clutter)가 흔히 나타나므로, 고정된 전역 임계값을 사용하면 이질적인 배경 전역에서 일정한 오경보(false alarm) 비율을 유지하기 어렵다. Tyler의 M‑추정기와 같은 강인한 공분산 추정기를 사용하면 검출기가 CFAR(Constant False Alarm Rate) 특성을 갖게 되며, 즉 결정 임계값이 지역 클러터 통계에 따라 자동으로 조정되어 장면 전체에 걸쳐 오경보 확률이 거의 일정하게 유지된다[3,11].

다양한 레이더 영상 이상 탐지 접근법에도 불구하고, 물질 수준의 변화(예: 수분에 의한 유전율 변화 또는 거칠기 변화)와 기대되는 후방산란·일관성 변화 사이의 연관성을 체계적으로 연결하고, RX/강인‑RX, CCD 및 최신 비지도 모델들의 상대적 성능을 평가한 재현 가능하고 통제된 연구는 아직 부족하다. 물질 변화(예: 건조→습윤 토양, 아스팔트 노화, 식생 제거)는 유전율과 거칠기를 바꾸어 Fresnel/거칠기 반사율과 스펙클 통계에 영향을 주며, 동시에 변화된 영역의 일관성은 감소한다. 따라서 일관성을 고려한 특징과 강인한 배경 모델링은 방사선 변화뿐 아니라 물질 변화에도 잘 맞는다[2,3,5].

본 연구에서는 물리 기반 이상 탐지 프레임워크를 제안함으로써 지형 물질 변화 문제에 접근한다. IEM에서 영감을 얻은 경량 전방 모델을 이용해 라벨링된 물질 지도(labelled material map)를 양시점 단일 관측 복소(SLC) 이미지로 매핑한다. 픽셀당 유전율, RMS 높이, 상관 길이, 입사각 파라미터가 평균 후방산란을 결정하고, 곱셈형 스펙클과 제어된 시점 간 상관성을 통해 실제 물질·구조 변화에 따른 탈상관을 모사한 SLC 쌍을 생성한다[2,9]. 이러한 이미지로부터 로그 강도, 간단한 텍스처, 입사각, 간섭계 일관성 γ 등을 결합한 물리 인식 특징 스택을 지역 윈도우에서 추정한다[5]. 이후 비지도 탐지기들을 비교 실험하여 물리 기반 특징과 강인 공분산이 성능을 좌우하는 영역을 밝힌다. 구체적으로 전역·지역 RX(강인 스캐터 추정 포함)[3,10], 탈상관 기반 CCD[6], 변함 없는 타일에만 학습된 경량 컨볼루션 오토인코더(AE)[7,12]를 고려한다. 논문의 나머지 구성은 다음과 같다. 2절에서는 제안 전방 모델을 상세히 설명하고, 3절에서는 특징 및 탐지기들을 기술한다. 4절에서는 사용 데이터셋과 유전율·RMS 높이·관측 횟수·SNR 변화를 포괄하는 몬테‑카를로 프로토콜을 제시한다. 5절에서는 ROC‑AUC, AP, 낮은 PFA에서의 F1 점수를 보고한다. 6절에서는 결론을 내리며, 물리 기반 합성 데이터에서 일관성 인식 방법이 전통적인 강도 기반 탐지기를 현저히 능가하고, 단순 점수‑레벨 융합이 최고 성능을 달성함을 강조한다.

1. SLC 이미지 형성 프레임워크

본 절에서는 물리 기반 전방 모델을 이용한 SLC 이미지 형성 과정을 설명한다. 모델은 단안(monostatic), 측면 관측(side‑looking) 기하와 알려진 레이더 자세를 가정한다. 기본 디지털 고도 모델(DEM)은 지역 표면 법선 n(r)(r은 DEM/프레임 내 지리 좌표)을 제공한다. 지역 입사각은

[ \theta(r)=\arccos\bigl(k\cdot n(r)\bigr) ]

이며, 여기서 k는 관측 방향을 나타내는 단위벡터이다. 라벨링된 물질 지도는 각 픽셀 p에 대해 복소 유전율 (\varepsilon_{r,p}(f)) (f는 레이더 작동 주파수)와 거칠기 파라미터인 RMS 높이 (\sigm$a_p$), 상관 길이 (l_{c,p})를 할당한다. 이 파라미터들은 IEM/AIEM과 같은 거칠기 표면 EM 모델에 따라 마이크로파 후방산란을 제어한다[2,9,13,14].

정확한 IEM/AIEM 후방산란은 복잡한 스펙트럼 적분과 영역 검증이 필요하므로, 대규모 몬테‑카를로 연구를 위해 주요 의존성을 보존하는 경량 대체 모델을 사용한다[15,16]:

[ \sigma^0 = F(\varepsilo$n_r$,\theta); G(\sigma,$l_c$,\theta) ]

여기서 F는 Fresnel 항, G는 IEM/AIEM에서 영감을 얻은 거칠기 감쇠 함수이다. 단일 편파(예: 수직 공동 편파, VV)의 경우

[ F = \bigl|$R_v$(\varepsilo$n_r$,\theta)\bigr|^2,\qquad G = \exp!\bigl[-(k\sigma\cos\theta)^2\bigr];\phi($l_c$) ]

(\phi($l_c$))는 상관 길이 효과를 포착하는 제한된 단조 함수이다. (1)은 AIEM을 완전히 대체하지 않지만, (\Re{\varepsilo$n_r$})가 증가하거나(수분 함량 증가) 적절한 거칠기가 존재할 때 (\sigma^0)가 체계적으로 변한다는 경향을 잘 추적한다[2,9]. 높은 정확도가 요구되는 경우 제한된 유효 영역 내에서 폐형식 IEM 항으로 G를 교체한다[13,14].

완전 발달된 스펙클 하에서는 SLC 픽셀을

[ S = \sigma^{0.5},\eta,e^{j\varphi} ]

로 모델링한다. 여기서 (\eta)는 평균 강도가 1인 원형 복소 가우시안이며, (\varphi)는 기하학적 위상이다. L‑look 강도는 감마(Gamma) 분포를 따르고, 이질적인 지형은 종종 무거운 꼬리를 가진 복합‑가우시안(K 등) 통계를 보여 CFAR 동작에 영향을 미친다[3].

두 시점 ((t_1,t_2)) 사이에서는 다음과 같이 상관된 스펙클을 합성한다:

[ \begin{bmatrix} \eta_{t_1}\ \eta_{t_2} \end{bmatrix} \sim \mathcal{CN}!\Bigl(\mathbf{0}, \begin{bmatrix} 1 & \gamma(r)\ \gamma^{*}(r) & 1 \end{bmatrix}\Bigr) ]

(\gamma(r))는 공간적으로 변하는 일관성 파라미터이며, 변하지 않은 영역에서는 (|\gamma|\approx1) (코레지스트레이션 후)이고 물질·구조 변화가 있으면 (|\gamma|)가 감소한다[5].

윈도우 (W) 내에서의 표본 일관성은

[ \hat{\gamma}= \frac{\sum_{i\in W} S_{t_1,i} S^{*}{t_2,i}}{\sqrt{\sum{i\in W}|S_{t_1,i}|^2;\sum_{i\in W}|S_{t_2,i}|^2}} ]

이며, 편향·분산 특성은 [5]에 상세히 기술되어 있다. CCD 기준선으로는 [6]의 최대우도 변화 통계량을 사용한다. 이는 클러터‑대‑노이즈 비에 대해 CFAR‑유사 특성을 제공한다. 물질 변화는 선택된 영역 내 ({\varepsilo$n_r$,\sigma,$l_c$})를 변형함으로써 주입한다(예: 건조→습윤 토양, 아스팔트→자갈). 시뮬레이터는 SLC 쌍, 강도, 입사각·경사 보조 지도 등을 출력한다. 제한점(섹션 6)으로는 단일 주파수·단일 편파 가정, 체적 산란·레이오버 미포함 등이 있다. 그럼에도 불구하고, 이 설정은 물질 교란이 강도·일관성 통계에 어떻게 전파되는지를 연구하기에 충분하다[2,9].

2. 특징 및 탐지기

2.1 특징 스택

두 시점 SLC (S_{t_1}, S_{t_2}) 로부터 다음과 같은 특징 벡터 (\mathbf{x}\in\mathbb{R}^d) 를 구성한다:

이 특징들은 모두 (\Delta\varepsilo$n_r$)와 거칠기 변화에 민감하게 반응한다[2,5].

2.2 탐지기

(a) 전역·지역 RX

특징 (\mathbf{x})에 대해 Mahalanobis 거리

[ D^2 = (\mathbf{x}-\boldsymbol{\mu})^{!\top}\boldsymbol{\Sigma}^{-1}(\mathbf{x}-\boldsymbol{\mu}) ]

를 계산한다. ((\boldsymbol{\mu},\boldsymbol{\Sigma}))는 배경 픽셀 집합에서 추정한다. 지역‑RX는 슬라이딩 윈도우를 이용해 비정상적인 환경에 적응한다[10]. 가우시안 배경에서는 (D^2\sim\chi^$2_d$)이므로 CFAR 임계값을 적용할 수 있다. 실제에서는 비가우시안 클러터와 추정 오차 때문에 강인화가 필요하다.

(b) 강인 공분산 (Tyler M‑estimator)

무거운 꼬리 클러터를 고려해 (8)의 표본 공분산을 Tyler 추정기로 대체한다[11]:

[ \boldsymbol{\Sigma}{\text{Tyler}} = \frac{d}{N}\sum{i=1}^{N} \frac{(\mathbf{x}_i-\boldsymbol{\mu})(\mathbf{x}_i-\boldsymbol{\mu})^{!\top}} {(\mathbf{x}i-\boldsymbol{\mu})^{!\top}\boldsymbol{\Sigma}{\text{Tyler}}^{-1} (\mathbf{x}_i-\boldsymbol{\mu})} ]

여기서 (d)는 특징 차원, (N)은 샘플 수이다. 실험에서는 30번의 고정점 반복과 5 % 리지 수축을 적용해 소표본 조건에서도 안정성을 확보한다.

(c) CCD (Coherent Change Detection)

표본 일관성 (\hat{\gamma})를 이용한 가장 간단한 점수는

[ \text{CCD_score}=1-|\hat{\gamma}| ]

또는 [6]의 최대우도 변화 통계량을 사용한다. 이는 스펙클 수(L)와 연관된 분산 특성을 고려해 CFAR‑유사 동작을 제공한다.

(d) 비지도 오토인코더 (AE)

특징 타일(예: (32\times32\times d))에 대해 경량 컨볼루션 AE를 학습한다. 학습은 변함 없는 타일(또는 마스크된 안정 영역)만 사용하며, 재구성 손실 (|X-\hat{X}|_2^2)을 최소화한다. 테스트 시에는 재구성 오차 (|X-\hat{X}|)를 이상 점수로 사용한다. 최근 연구는 Siamese/AE 계열이 강력한 변화 탐지 성능을 보이지만, 도메인 이동과 물리적 해석 가능성에 한계가 있음을 지적한다[8,12,17].

2.3 점수 정규화·융합

모든 탐지기의 점수는 z‑정규화한 뒤, 가중합 또는 로지스틱 회귀를 이용해 융합한다. 융합 가중치는 각 실험에서 10 % 검증 서브셋을 사용해 학습한다. 운영점은 전역 PFA = (10^{-3})을 고정하고 배경 픽셀을 이용해 임계값을 설정한다. 형태학적 열림·닫힘을 통해 고립된 오경보를 제거한다. 성능 평가는 ROC‑AUC, AP, 고정 PFA에서의 F1 점수를 사용한다[3].

3. 몬테‑카를로 실험 설계

3.1 시뮬레이션 파라미터

3.2 절차

1. 전역 잡음·텍스처 파라미터를 물리적으로 타당한 구간에서 균등 샘플링한다(표 1 참조).
2. 물질 파라미터 ((\varepsilo$n_r$,\sigma,$l_c$))를 지역별로 할당하고, 선택된 사각/타원 영역에 변화를 주입한다(예: 건조→습윤 토양).
3. IEM‑영감 전방 모델을 이용해 평균 후방산란 (\sigma^0(\theta))를 계산하고, 필요 시 폐형식 IEM 항을 교체한다.
4. 스펙클 및 복합 텍스처를 곱해 두 시점 SLC 쌍을 생성한다. 시점 간 스펙클은 (5)식에 따라 지정된 (\gamma(r))를 사용해 상관시킨다.
5. 표본 일관성을 7 × 7 박스카에서 추정하고, CCD·AE·RX·강인‑RX 점수를 계산한다.
6. 점수 정규화·융합 후, 고정 PFA = (10^{-3})에서 임계값을 적용해 검출 결과를 얻는다.
7. 성능 지표(ROC‑AUC, AP, F1)와 정성적 시각화(대표 실험 하나 선택) 를 기록한다.
8. 전체 과정을 N = 200번 반복해 평균·분산을 구한다.

4. 결과 및 분석

4.1 정량적 성능

표 2는 200번 몬테‑카를로 시뮬레이션 전체에 대한 평균 성능을 요약한다. 주요 관찰은 다음과 같다.

• **일관성 중심 탐지기(CCD)**와 점수‑레벨 융합이 모든 지표에서 가장 높은 성능을 보였다.
• 강인‑RX는 무거운 꼬리 클러터에 대해 어느 정도 안정성을 제공했지만, 일관성 감소가 주요 단서인 상황에서는 성능 격차를 메우지 못했다.
• 지역‑RX는 배경 통계가 비정상적으로 변동하는 경우(식생·지형 변화) 평균·공분산 추정이 오염돼 성능이 크게 저하된다.
• AE는 변함 없는 타일에만 학습했음에도 불구하고, 물리적 해석이 어려운 ‘블랙박스’ 특성으로 인해 일관성 정보를 충분히 활용하지 못한다.

4.2 정성적 시각화

대표 실험(가장 높은 일관성 대비 차이를 보인 경우)에서는 다음과 같은 현상이 관찰되었다.

• 로그 강도는 변화 영역과 배경 사이에 약 2 dB 정도의 차이만을 보였으며, 복합‑가우시안 클러터에 의해 부분적으로 가려졌다.
• **표본 일관성 (|\hat{\gamma}|)**는 변화 영역에서 0.5 ~ 0.6 수준으로 크게 감소했으며, 배경은 0.92 ~ 0.95 수준을 유지했다.
• **CCD 점수(1‑|γ|)**와 RX‑AE 융합 점수는 시각적으로도 가장 뚜렷한 경계선을 형성했다.

4.3 파라미터 민감도

4.4 제한점 및 향후 연구

• 현재 시뮬레이터는 단일 편파·단일 주파수만을 지원하고, 체적 산란·레이오버 효과를 생략한다.
• PolSAR 확장은 Wishart‑계열 변화 검정 및 전역‑다중편파 통계량을 활용한 추가 비교를 가능하게 할 것이다[22‑24].
• 최신 SAR‑전용 딥 변화 탐지기(예: ChangeFormer, DeepDiffSAR 등)와의 비교는 외적 타당성을 높일 수 있다[25,26].

5. 결론

본 논문은 IEM‑영감 전방 모델과 일관성 인식 특징 스택을 결합한 물리 기반 이상 탐지 프레임워크를 제시하였다. 제어된 몬테‑카를로 실험을 통해 다음과 같은 주요 결론을 도출하였다:

1. 일관성 중심 방법(CCD)과 간단한 점수‑레벨 융합이 전통적인 강도 기반 탐지기(RX·지역‑RX)를 현저히 능가한다.
2. **강인 공분산(Tyler M‑estimator)**은 무거운 꼬리 클러터 환경에서 RX의 CFAR‑유사 안정성을 제공하지만, 탈상관이 주요 단서인 경우에는 성능 격차를 메우지 못한다.
3. AE 기반 비지도 탐지는 물리적 해석이 어려워 일관성 정보를 충분히 활용하지 못한다.
4. 관측 횟수(L) 증가, 텍스처 꼬리 무게, 코레지스트레이션 정확도 등 시뮬레이션 파라미터가 성능에 미치는 영향을 정량적으로 분석하였다.

이러한 결과는 전파 후방산란 및 탈상관 메커니즘에 대한 물리적 이해와 강인 통계가 결합될 때, 레이더 기반 변화 탐지에서 최고의 성능을 달성할 수 있음을 시사한다. 향후 연구에서는 다주파수·다편파 확장, 체적 산란 모델링, 최신 딥러닝 기반 변화 탐지기와의 비교를 통해 프레임워크의 일반화 가능성을 검증할 예정이다.

표 1. 시뮬레이션 파라미터 범위

표 2. 평균 성능 (200 시뮬레이션)

© IEEE 2026. 개인적 사용은 허용됩니다. 기타 모든 사용은 IEEE의 허가가 필요합니다.