Multi-Fidelity Emulation of Atmospheric Correction Coefficients with Physics-Guided Kolmogorov-Arnold Networks

기술 요약: 물리 유도 콜모고로프-아르놀드 네트워크를 활용한 대기 보정 계수의 다중 충실도 에뮬레이션

문제 제기
대기 보정은 광학 원격 탐사에서 필수적인 전처리 단계로, 대기 효과 (산란, 흡수) 를 제거하여 대기 상단 (TOA) 복사휘도로부터 지표면 반사율을 복원해야 합니다. 6S, MODTRAN, libRadtran 과 같은 물리 기반 복사 전달 모델 (RTM) 은 이 작업의 표준입니다. 그러나 고충실도 RTM 의 반복 실행은 계산 비용이 매우 높아 밀집된 룩업 테이블 (LUT) 생성, 민감도 분석 및 운영 처리에 병목 현상을 초래합니다. 이러한 워크플로우를 가속화하기 위해 대리 모델 (에뮬레이터) 이 제안되었으나, 정확도, 분포 외 (OOD) 상태로의 외삽, 그리고 물리적 일관성 유지와 관련된 과제가 남아 있습니다. 또한 많은 기존 에뮬레이터는 표준 보정 방정식에 사용되는 중간 물리 계수를 우회하여 지표면 반사율을 직접 예측합니다.

방법론
저자들은 원시 반사율이 아닌 대기 보정 계수를 에뮬레이션하기 위한 물리 인식형 다중 충실도 대리 프레임워크를 제안합니다. 방법론은 다음과 같은 구성 요소로 이루어집니다:

1. 다중 충실도 데이터 생성:

   • 저충실도 (LF) 모델: 계산 효율성을 위해 6S 사용.
   • 고충실도 (HF) 모델: 정확한 목표값으로 작용하는 libRadtran(DISORT 솔버 사용).
   • 샘플링: 50,000 개의 고유한 대기 - 기하학적 상태 (에어로졸 광학 두께, 수증기 총량, 오존, 태양/관측 기하학, 고도 포함) 를 생성하기 위해 라틴 하이퍼큐브 샘플링 (LHS) 사용.
   • 스펙트럼 통합: 센서 수준 관측과 계수를 일치시키기 위해 스펙트럼 응답 함수 (SRF) 인식을 적용하여 13 개 Sentinel-2 밴드에 대한 시뮬레이션 수행.
   • 목표 변수: 경로 반사율 ($\rho_{path}$), 총 투과율 ($T_{total}$), 구형 알베도 ($s$) 의 세 가지 대기 보정 계수에 초점.
   • 품질 관리: 비유한 값과 물리적으로 비현실적인 계수를 제거하는 엄격한 필터링 과정을 거쳐 약 610,000 개의 쌍을 이루는 최종 데이터셋 생성.

2. 모델 아키텍처 (pKANrtm):

   • 핵심 모델은 **물리 유도 콜모고로프 - 아르놀드 네트워크 (pKANrtm)**입니다.
   • 수식화: 문제를 잔차 다중 충실도 학습으로 구성합니다. 네트워크는 대기 상태 벡터 ($x$) 와 저충실도 6S 계수 ($y_{LF}$) 를 입력으로 받습니다. 그리고 6S 출력을 libRadtran 과 일치시키도록 필요한 잔차 ($r = y_{HF} - y_{LF}$) 를 예측합니다.
   • 아키텍처: 두 개의 은닉층 (너비 256 및 128) 을 가진 Efficient-KAN 구현체입니다. 표준 MLP 와 달리 KAN 은 엣지에서 학습 가능한 단변수 함수를 사용합니다.
   • 물리 유도 학습: 손실 함수는 표준화된 잔차에 대한 표준 평균 제곱 오차 (MSE) 와 물리적 일관성 페널티($\lambda_{phys} P_{phys}$) 를 결합합니다. 이 페널티는 표준화된 오차 공간에서 작아 보이더라도 물리적 제약을 위반하는 예측을 억제하기 위해 원래의 비스케일 계수 공간에 적용됩니다.

3. 평가 전략:

   • 분할: 누출을 방지하기 위해 상태 수준 (행 수준이 아님) 에서 데이터를 분할합니다. 두 가지 체제를 테스트합니다: 표준 분할 (보간) 과 OOD 분할 (고 AOD 및 고 CWV 상태에 중점).
   • 비교 대상: 모델은 sRTMNet(하이브리드 RTM-신경망), 랜덤 포레스트, 완전 연결 네트워크, 가우스 프로세스, 그리고 딕노이징 오토인코더와 비교됩니다.
   • 지표: 재구성된 고충실도 계수에 대해 RMSE, MAE, $R^2$, SMAPE 를 계산합니다.

주요 결과

• 예측 성능: pKANrtm 은 비교된 모든 모델 중 전체적으로 가장 우수한 성능을 달성했습니다.
  • 표준 분할: RMSE = 0.00619, $R^2$ = 0.99472. RMSE 를 약 10.5% 줄이고 SMAPE 를 약 8.6% 줄여 sRTMNet 기준보다 성능이 우수했습니다.
  • OOD 분할: RMSE = 0.01022, $R^2$ = 0.99418. 분포 변화에도 불구하고 모델은 높은 분산 포착 능력을 유지하여 RMSE 기준 sRTMNet 기준보다 약 12.2% 더 우수한 성능을 보였습니다.
• 밴드별 분석: 대부분의 Sentinel-2 밴드 (가시광선, 적색 가장자리, NIR) 가 정확하게 에뮬레이션되었습니다. 그러나 흡수 민감도 밴드 (특히 B9 및 B10) 는 여전히 어려웠으며, B10 은 강한 대기 흡수와 품질 관리 후 유효 샘플 수가 적어 가장 높은 오차를 보였습니다.
• 계산 효율성:
  • libRadtran CPU 실행: 샘플당 약 37.33 초.
  • pKANrtm CPU 추론: 샘플당 약 95.7 ms(약 390 배 속도 향상).
  • pKANrtm GPU 추론 (단일 샘플): 약 3.4 ms(약 11,000 배 속도 향상).
  • 배치 GPU 추론: 초당 약 48,400 개의 샘플 처리량을 달성했습니다.

의의 및 주장
본 논문은 pKANrtm 프레임워크가 빠르고 정확하며 물리적으로 구조화된 대기 보정 계수 생성을 위한 실용적인 경로를 제공한다고 주장합니다. 그 의의는 다음 세 가지 주요 영역에 있습니다:

1. 계수 수준 에뮬레이션: 직접 반사율이 아닌 중간 계수 ($\rho_{path}$, $T_{total}$, $s$) 를 에뮬레이션함으로써 표준 람베르트 대기 보정 방정식의 해석 가능성과 호환성을 유지합니다.
2. 물리 유도 잔차 학습: 다중 충실도 학습 (6S 를 가이드로 사용) 과 물리적 일관성 페널티의 결합을 통해 모델은 물리적 제약을 준수하면서 복잡하고 상태 의존적인 보정을 학습하여 순수 데이터 기반 기준보다 우수한 성능을 달성합니다.
3. 운영 확장성: GPU 추론이 제공하는 막대한 가속화는 밀집된 LUT 생성 및 대규모 민감도 분석을 계산적으로 실현 가능하게 만들어 운영 원격 탐사 워크플로우의 주요 병목 현상을 해결합니다.

저자들은 평가가 현장 측정된 실제 데이터가 아닌 합성 RTM 시뮬레이션에 의존하며, 흡수 민감도 밴드 (예: B10) 는 추가적인 전문 처리가 필요함을 지적하며 한계를 인정합니다. 데이터셋과 코드는 재현성 및 향후 벤치마킹을 지원하기 위해 공개되었습니다.