LenghuSky-8: An 8-Year All-Sky Cloud Dataset with Star-Aware Masks and Alt-Az Calibration for Segmentation and Nowcasting

이 논문은 천문 관측소 운영을 위해 8 년간의 야간 중심 전천 영상 데이터, 별 인식형 구름 마스크, 정밀한 고도 - 방위각 보정, 그리고 구름 분할 및 단기 예측을 위한 벤치마크를 포함한 'LenghuSky-8' 데이터셋을 공개하고 그 유효성을 입증합니다.

핵심

1. 왜 이 사진첩이 필요할까요? (배경)

천문학자들은 별을 보려면 맑은 날씨가 필수입니다. 하지만 구름은 갑자기 끼고, 사라지고, 변합니다. 마치 운전할 때 갑자기 앞이 안 보이는 안개처럼요.
천문대는 자동화되어 있어 구름이 끼면 자동으로 망원경 방향을 바꾸거나 켜고 끄는 '스케줄러'가 필요합니다. 그런데 기존에 있던 구름 데이터는 너무 짧거나 (몇 달), 낮에만 찍혀 있거나, 구름과 별을 구분하는 데 필요한 정확한 위치 정보가 없어서 쓸모가 적었습니다.

2. LenghuSky-8 은 어떤 '보물'인가요? (데이터셋)

이 연구팀은 8 년 동안 (2018~2025 년) 하루 24 시간, 밤낮없이 하늘을 찍은 약 43 만 장의 고화질 사진을 모았습니다.

• 밤하늘의 81% 를 차지: 별이 보이는 밤 시간대가 대부분이라 천문학자들에게 더 유용합니다.
• 별이 보이는 '마스크' (Star-Aware Masks): 구름 사진을 볼 때, 구름 뒤에 숨은 별까지 구별해 냅니다. 마치 비 오는 날 우산을 쓰고 걷는데, 우산 구멍 사이로 보이는 별까지 정확히 표시해 주는 것과 같습니다.
• 정밀한 나침반 (Alt-Az Calibration): 사진의 한 점 한 점이 하늘의 '어디 (높이와 방향)'에 해당하는지 정확히 계산해 두었습니다. 천문대 망원경이 "저기 구름이 끼었으니 그쪽은 보지 마"라고 명령할 수 있게 해줍니다.

3. 구름을 어떻게 구별했나요? (분할 기술)

구름은 모양이 불규칙하고, 햇빛이나 달빛에 따라 색이 달라서 구별하기 매우 어렵습니다.
연구팀은 최신 인공지능 (DINOv3) 을 활용했습니다. 이를 비유하자면, 수천 장의 사진을 본 '천재 미술 선생님'에게 구름과 하늘, 그리고 방해되는 요소 (눈, 이슬, 먼지 등) 를 가르친 것입니다.

• 결과: 이 AI 는 93.3% 의 높은 정확도로 구름을 찾아냈습니다. 특히 달이 떠서 하늘이 밝을 때도 구름을 잘 찾아냅니다.

4. 구름이 앞으로 어떻게 움직일까요? (예측/Nowcasting)

이제부터가 진짜 재미있는 부분입니다. "지금 구름이 여기 있는데, 10 분 뒤엔 어디로 갈까?"를 예측하는 실험을 했습니다.

• 시도한 방법들:

  1. 그냥 복사 (Persistence): "아직은 안 움직일 거야"라고 생각하며 마지막 사진을 그대로 보여주는 것.
  2. 흐름 분석 (Optical Flow): 구름이 바람에 밀려가는 방향을 계산하는 것.
  3. 기억력 있는 AI (ConvLSTM): 과거 구름의 움직임을 기억하며 미래를 예측하는 것.
  4. 창의적인 AI (VideoGPT): 비디오를 생성하는 AI 로 구름의 미래를 상상해 보는 것.

• 놀라운 결과: 가장 단순한 방법인 "그냥 복사 (아직은 안 움직일 거야)"가 생각보다 잘 나왔습니다. 복잡한 AI 모델들이 오히려 그보다 조금만 더 잘하거나, 비슷하게만 나왔습니다.

  • 비유: 구름의 움직임은 폭포수처럼 예측 불가능해서, "지금 이대로 있을 거야"라고 말하는 게 가장 안전한 전략일 수 있다는 뜻입니다. 구름은 너무 복잡해서 AI 가 쉽게 미래를 점치는 게 어렵다는 교훈을 줍니다.

5. 이 연구가 왜 중요할까요? (의의)

이 프로젝트는 단순히 사진을 모은 것을 넘어, 천문대가 스스로 날씨를 보고 결정할 수 있는 '자율 주행 시스템'의 기초를 닦았습니다.

• 오픈 소스: 연구팀은 이 모든 데이터, 교정 도구, 코드를 공개했습니다. 마치 누구나 쓸 수 있는 '구름 지도'와 '나침반'을 모두에게 선물한 것과 같습니다.
• 미래: 이 기술을 통해 천문학자들은 구름 때문에 망원경이 멈추는 시간을 줄이고, 더 많은 별을 관측할 수 있게 될 것입니다.

요약

이 논문은 **"8 년 동안 밤낮없이 찍은 하늘 사진을 모아, AI 가 구름을 정확히 찾고, 그 위치를 지도로 만들었으며, 구름의 미래를 예측하는 게 얼마나 어려운지 확인한 연구"**입니다. 마치 하늘을 지키는 수호천사에게 완벽한 안경과 지도를 선물해 준 것과 같습니다.

기술 요약

1. 문제 정의 (Problem)

지상 기반 시간 영역 천문 관측소 (예: Zwicky Transient Facility, Vera C. Rubin Observatory 등) 는 과학적 성과를 극대화하기 위해 구름의 존재를 실시간으로 감지하고, 관측 일정 (스케줄러) 을 자동으로 조정할 수 있는 시스템이 필요합니다. 이를 위해서는 다음과 같은 요구사항이 충족되어야 합니다:

• 고해상도 및 장기 데이터: 계절적 변화와 연간 기후 패턴을 모델링할 수 있는 수년 간의 연속적인 전천 (All-sky) 이미지 데이터.
• 야간 및 다양한 조명 조건 대응: 천문 관측은 주로 야간에 이루어지므로, 달빛이나 별빛이 있는 조건에서도 정확한 구름 분할이 가능해야 합니다.
• 천문학적 보정 (Astrometric Calibration): 이미지 픽셀을 실제 천구의 고도 (Altitude) 와 방위각 (Azimuth) 좌표로 매핑하여 망원경의 포인팅 및 스케줄링에 직접 활용할 수 있어야 합니다.

기존의 전천 구름 데이터셋은 다음과 같은 한계를 가지고 있었습니다:

• 짧은 기간: 수 개월에서 1 년 이내로 계절적 모델링이 불가능함.
• 주간 편향: 야간 데이터가 부족하거나 천문 관측에 적합하지 않음.
• 보정 부재: 픽셀을 고도/방위각 좌표로 변환하는 정밀한 보정 데이터가 없음.
• 수동 라벨링의 비효율성: 확장성이 부족하거나 복잡한 실제 환경 (우주, 달빛, 오염 등) 을 반영하지 못함.

2. 방법론 (Methodology)

A. 데이터셋 구축 (LenghuSky-8)

• 수집 장소: 중국 칭하이성 렝후 (Lenghu) 천문 관측소 (해발 4,200m~4,500m, 매우 건조하고 맑은 기후).
• 기간 및 규모: 2018 년부터 2025 년까지 8 년간 수집된 429,620 장의 이미지 (512×512 해상도).
• 특징: 전체 이미지의 81.2% 가 야간 데이터이며, 다양한 달 위상 (신월, 보름달 등) 과 계절을 포함합니다.
• 데이터 전처리:
  • 분할 (Segmentation): DINOv3 의 로컬 특징 (Local Features) 을 기반으로 선형 프로브 (Linear Probe) 를 학습시켜 구름, 하늘, 오염 (Contamination) 영역을 자동으로 라벨링했습니다.
  • 오염 (Contamination) 정의: 눈, 이슬, 먼지, 강한 빛 (태양/달/인공광) 으로 인해 관측이 불가능하거나 분류가 모호한 영역을 '오염'으로 정의하여 모델의 혼란을 줄였습니다.
  • 배경 (Background) 처리: 관측소 주변 건물의 지붕 이동 등으로 인한 배경 변화를 식별하고, 이를 자동으로 마스킹하는 시스템을 구축했습니다.

B. 천문 보정 (Astrometric Calibration)

• 별 기반 보정: ASTROMETRY.NET 을 활용하여 별의 위치를 기반으로 세계 좌표계 (WCS) 를 생성했습니다.
• 왜곡 보정: 어안 렌즈 (Fisheye lens) 의 강한 왜곡을 해결하기 위해 HEALPix 패치 단위로 별을 그룹화하고, 각 패치 내에서 국소적인 투영 모델을 적용하여 왜곡을 보정했습니다.
• 좌표 변환: 픽셀 좌표를 고도 (Altitude) 와 방위각 (Azimuth) 좌표로 변환하여 망원경 스케줄러와 직접 연동 가능하도록 했습니다.
• 정확도: 천정 (Zenith) 에서 약 0.37°, 고도 30°에서 약 **1.34°**의 보정 불확실성을 달성했습니다.

C. 벤치마크 및 모델 평가

• 구분 (Segmentation) 벤치마크:
  • 모델: DINOv3 (ViT-L/16) 기반 선형 프로브, Encoder-Decoder, U-Net, SegMAN 등 다양한 아키텍처 비교.
  • 평가 지표: 수동으로 라벨링된 1,111 장의 테스트셋 (8:1:1 비율) 에서 정확도, 정밀도, 재현율, F1 점수 측정.
• 단기 예보 (Nowcasting) 벤치마크:
  • 목표: 이전 프레임 (n 개) 을 기반으로 다음 프레임의 구름 분할 (Logits) 예측.
  • 모델: 지속성 (Persistence, 이전 프레임 복사), 광학 흐름 (Optical Flow), ConvLSTM, VideoGPT (VQ-VAE + Transformer) 등 비교.

3. 주요 기여 (Key Contributions)

1. LenghuSky-8 데이터셋 공개: 8 년간의 장기 전천 이미지 데이터로, 별을 인식하는 마스킹 (Star-aware masks), 배경 마스킹, 그리고 픽셀 단위 고도/방위각 보정 데이터를 포함합니다. 이는 구름 분할 및 단기 예보 연구에 필수적인 자원입니다.
2. 고정밀 분할 모델 (DINOv3 Linear Probe): DINOv3 의 사전 학습된 로컬 특징을 활용한 선형 프로브가 93.3% 의 높은 정확도를 달성하여, 복잡한 조명 조건 (야간, 달빛) 에서도 강력한 성능을 보임을 입증했습니다.
3. 천문 관측용 보정 도구: 어안 렌즈 왜곡을 보정하고 픽셀을 천구 좌표로 변환하는 오픈 소스 툴킷을 제공하여, 연구자들이 직접 망원경 스케줄링에 적용할 수 있게 했습니다.
4. 단기 예보 벤치마크: 기존 광학 흐름 및 딥러닝 기반 예보 모델들의 성능을 체계적으로 평가하고, 단기 구름 변화 예측의 어려움을 정량화했습니다.

4. 실험 결과 (Results)

• 구분 (Segmentation) 성능:

  • DINOv3 Local Features 기반 선형 프로브가 **93.3% ± 1.1%**의 전체 정확도를 기록하여 가장 우수한 성능을 보였습니다.
  • 기존 U-Net, Encoder-Decoder, SegMAN 모델들보다 월등히 높은 성능을 보였으며, CLS 토큰이나 레지스터 토큰을 추가하는 것이 로컬 특징만 사용하는 것보다 유의미한 향상을 주지 못했습니다.
  • 클래스별 성능: '하늘'과 '구름' 클래스는 매우 높은 F1 점수 (0.93 이상) 를 보였으나, '오염 (Contamination)' 클래스는 경계 모호성으로 인해 상대적으로 낮은 성능 (F1 약 0.72) 을 보였습니다.

• 단기 예보 (Nowcasting) 성능:

  • ConvLSTM이 가장 높은 정확도 (0.890) 를 보였으나, 단순한 지속성 (Persistence, 이전 프레임 복사) 베이스라인 (0.888) 과의 차이가 미미했습니다.
  • VideoGPT는 예상과 달리 가장 낮은 성능을 보였습니다.
  • 결론: 단기 (5~15 분) 구름 이동 예측은 매우 어렵고, 복잡한 모델이 단순한 베이스라인보다 큰 이점을 주지 못함을 시사합니다. 이는 구름의 비선형적 진화와 물리적 제약의 부재를 반영합니다.

5. 의의 및 결론 (Significance)

• 천문 관측 자동화: LenghuSky-8 은 자동화된 지상 기반 관측소의 구름 감지 및 관측 일정 최적화 (Scheduling) 를 위한 핵심 인프라를 제공합니다. 특히 고도/방위각 보정 데이터는 망원경이 구름이 없는 영역을 정확히 추적하는 데 필수적입니다.
• 환경 연구: 8 년간의 장기 데이터는 지역 기후 및 구름 역학 연구에 귀중한 자료가 됩니다.
• AI 연구 방향:
  • 분할: DINOv3 와 같은 대규모 자기지도 학습 (Self-supervised) 모델이 천문 이미지 분석에 매우 효과적임을 입증했습니다.
  • 예보: 단기 기상 예보의 한계를 보여주며, 향후 연구에서는 광학 흐름 외의 물리 기반 제약 (물리 정보 기반 학습, Advection consistency 등) 을 모델에 통합하여 예측 정확도를 높여야 함을 시사합니다.

이 논문은 천문학과 컴퓨터 비전의 교차점에서, 실제 관측 환경에 즉시 적용 가능한 고품질 데이터셋과 도구들을 공개함으로써 자율 관측 시스템의 발전에 크게 기여했습니다.