기술 요약: AI4Land – 글로벌 고해상도 토지 이용 재구성을 위한 확장 가능한 딥러닝

1. 문제 정의

지표 탄소 순환의 불확실성은 기후 예측의 핵심적인 제약 요인으로 남아 있으며, 이는 주로 지구 시스템 모델(Earth system models)에서 지표면 프로세스의 저해상도 및 동적 표현 능력의 부재에 기인합니다. 기존의 글로벌 토지 이용(LU) 및 토지 피복(LC) 데이터셋은 근본적인 트레이드오프에 직면해 있습니다: 고해상도 데이터셋(예: HILDA+)은 위성 관측 시대에 국한되어 있는 반면, 장기적인 과거 기록 및 미래 투영 데이터(예: LUH2)는 저해상도(~28 km)로만 존재합니다. 이러한 해상도 격차는 시뮬레이션된 탄소 흡수원, 토양 수분 및 지표 에너지 플럭스에서 상당한 편향을 유발합니다. 현재의 머신러닝 다운스케일링 방법들은 특정 지역이나 단일 국가에 국한되어 왔으며, 조밀한 시나리오 데이터와 세기 단위의 시계열(1850–2100)에 걸친 고해상도 공간 패턴 사이의 간극을 메울 수 있는 전 지구적 규모의 확장 가능한 프레임워크가 부족한 실정입니다.

2. 방법론

저자들은 토지 이용 및 토지 피복의 고해상도(1 km) 과거 재구성과 미래 투영을 생성하기 위해 설계된 데이터 기반 프레임워크인 AI4Land를 제시합니다. 이 프레임워크는 두 단계로 작동하며, 본 연구는 첫 번째 단계인 연간 LU/LC 지도 재구성에 초점을 맞춥니다.

2.1 데이터 및 전처리

• 입력값: 모델은 저해상도 동적 시나리오 데이터(LUH2, 0.25° 그리드)를 정적 지형 특징들과 통합합니다. 입력값에는 12개의 분율적 LU 변수, 지형적 특징(고도, 경사, 사면 방향), 고해상도 토양 특성(점토, 모래, 유기물 함량), 그리고 인접 시간 단계($t-1$ 또는 $t+1$)로부터의 자기회귀적 사전 정보(autoregressive prior)가 포함됩니다.
• 대상(Target): HILDA+ 데이터셋에서 추출된 고해상도 정답(ground truth) 라벨을 사용합니다. 클래스 불균형을 완화하기 위해 기존의 13개 클래스 체계를 8개 클래스(산림, 농경지, 목초지, 도시, 초지/관목지, 기타 토지, 수역, 그리고 통합된 카테고리)로 통합하였습니다.
• 전처리: 모든 입력값을 1 km WGS84 그리드로 리매핑하는 CDO(Climate Data Operators) 기반의 표준화된 파이프라인을 사용합니다. 토양 데이터는 뿌리 영역(root-zone)과의 상호작용을 우선시하도록 비선형 깊이 가중 평균을 거칩니다. 데이터는 효율적인 병렬 I/O를 위해 ARCO Zarr 형식으로 저장됩니다.

2.2 모델 아키텍처

프레임워크는 시맨틱 세그멘테이션(semantic segmentation)에 적합하도록 조정된 U-Net 아키텍처를 채택합니다.

• 구조: 35개의 베이스 채널을 가진 표준 U-Net으로, 4개의 맥스 풀링(max-pooling) 및 이중 컨볼루션 블록을 갖춘 인코더와 업샘플링 및 스킵 연결(skip connections)을 갖춘 대칭적 디코더로 구성됩니다.
• 입력 처리: 다채널 스택인 14개의 LUH2 변수(두 개 시간 단계에 걸쳐), 6개의 정적 특징, 그리고 1개의 HILDA 사전 정보를 수용합니다.
• 학습 전략: 모델이 고해상도 사전 정보를 단순히 복사하는 것을 방지하기 위해, 학습 중 자기회귀적 사전 정보의 60%를 무작위로 마스킹(masking)합니다. 이를 통해 모델이 저해상도 LUH2 입력과 정적 특징으로부터의 매핑을 강제로 학습하도록 유도합니다.
• 분리: 두 개의 별도 모델을 학습시킵니다: 하나는 과거 데이터(LUH2h 사용)를 위한 것이고, 다른 하나는 미래 투영(LUH2f 사용)을 위한 것입니다.

2.3 확장 가능한 학습 및 추론

• 인프라: 학습은 MareNostrum5(바르셀로나 슈퍼컴퓨팅 센터)에서 Hugging Face Accelerate 라이브러리를 통한 분산 데이터 병렬 처리(DDP)를 사용하여 수행되었습니다. 시스템은 1개 노드(4개의 NVIDIA H100 GPU)에서 8개 노드(32개의 H100 GPU)까지 확장되었습니다.
• 확장성: 파이프라인은 8개 노드에서 이상적인 처리량의 97~98%를 유지하며 거의 선형적인 확장성을 달성했습니다.
• 추론: 겹치는 512×512 패치에 대한 슬라이딩 윈도우 접근 방식을 사용하여 전 지구 지도를 생성합니다. 예측값은 블록 현상(blocky artifacts)을 방지하고 매끄러운 전환을 보장하기 위해 가우시안 가중 함수를 사용하여 병합됩니다.

2.4 평가 전략

공간적 자기상관성 누출(spatial autocorrelation leakage)을 제거하기 위해, 저자들은 **그리드 기반 분할(Grid-Based Partitioning)**과 **최장 거리 샘플링(Farthest Point Sampling, FPS)**을 결합하여 사용했습니다. 공간 영역을 30×30 빈(bin)으로 나누고, 각 셀 전체를 학습, 검증 또는 테스트 세트에 독점적으로 할당했습니다. 또한 시간적 분할(학습용 1960–2000, 테스트용 2001–2015)도 적용되었습니다.

3. 주요 결과

• 성능 지표: 모델은 테스트 세트에서 0.805의 평균 IoU(mIoU)와 **94.67%**의 전체 분류 정확도를 달型했습니다.
• 클래스별 성능: 성능은 클래스별로 크게 차이가 났습니다. 산림(mIoU 0.889), 수역(mIoU 0.991), 농경지(mIoU 0.815)와 같은 주요 토지 피복은 높은 충실도로 예측되었습니다. 그러나 도시(Urban) 지역과 같은 소수 클래스는 낮은 성능(mIoU 0.463)을 보였으며, 이는 클래스 불균형에 대한 민감성을 보여줍니다.
• 수렴: 멀티 노드 학습(8개 노드)은 단일 노드 베이스라인(약 0.40)보다 더 낮은 약 0.29의 학습 손실을 달성하며 우수한 수렴 성능을 입증했습니다. 이는 더 큰 유효 배치 크기가 더 나은 그래디언트 추정치를 제공했기 때문입니다.
• 글로벌 출력: 파이프라인은 관측 전 시대, 관측 기록 시대, 그리고 세 가지 미래 기후 시나리오(SSP2-4.5, SSP3-7.0, SSP4-6.0)를 포함하여 1850–2100년까지의 포괄적인 데이터를 성공적으로 생성했습니다. 2014년에 대한 검증 결과, 전 지구적 정확도는 94.88%, mIoU는 0.8569를 기록했습니다.

4. 의의 및 기여

본 논문은 다음과 같은 의의를 주장합니다:

• 최초의 글로벌 확장 가능 프레임워크: AI4Land는 특정 지역이나 위성 관측 시대에 국한되지 않고 1850년부터 2100년까지의 전 지구적 규모에서 토지 이용 데이터의 해상도 격차를 메우는 최초의 모델로 제시됩니다.
• HPC 기반 AI: 본 연구는 GPU 가속 고성능 컴퓨팅(HPC) 인프라(특히 EuroHPC/MareNousrum5)가 어떻게 복잡한 딥러닝 파이프라인을 글로벌 기후 응용 분야에 학습시키고, 거의 선형적인 확장성을 달성할 수 있는지 보여줍니다.
• 디지털 트윈 준비성: 생성된 오픈 소스 에뮬레이터는 디지털 트윈 플랫폼(예: Destination Earth)과 실시간 결합되도록 설계되어, 요구에 따라 현실적이고 진화하는 지표면 조건을 제공합니다.
• 불확실성 감소: 시계열적으로 연속적이고 공간적으로 상세한 경계 조건을 제공함으로써, 본 프레임워크는 지표 탄소 순환의 결정적인 불확실성을 줄이고 차세대 기후 시뮬레이션의 탄소, 물, 에너지 플럭스에 대한 예측력을 높이는 것을 목표로 합니다.

5. 향후 과제 및 한계

저자들은 모델의 성능이 소스 데이터(HILDA+ 및 LUH2)의 품질과 편향에 본질적으로 영향을 받는다는 점을 인정합니다. 또한 도시 및 소수 클래스 분류의 개선이 필요함을 언급했습니다. 계획된 향 향후 과제는 다음과 같습니다:

• 도시 분류를 개선하기 위해 쾨펜-게이거(Köppen-Geiger) 기후 구역 및 인구 밀도 데이터를 추가적인 예측 변수로 포함하는 것.
• 세기 단위 투영에서 시간적 일관성을 더 잘 강제하고, 스케줄드 샘플링(scheduled sampling)을 통해 노출 편향(exposure bias)을 해결하기 위해 Recurrent U-Net을 통합하는 것.
• 장거리 공간 의존성을 포착하고 불확실성을 정량화하기 위해 생성적 접근 방식(Vision Transformer 백본을 가진 Flow Matching U-Net)을 조사하는 것.
• 어댑터(adapter) 및 미세 조정을 통한 파운데이션 모델(foundation models)의 활용을 탐색하는 것.
• 동적 생물물리적 변수, 특히 엽면적 지수(LAI)를 예측하기 위한 두 번째 단계로 프레임워크를 확장하는 것.

모든 데이터셋, 모델, 코드 및 사전 학습된 가중치는 재현성과 혁신을 지원하기 위해 오픈 소스로 공개될 예정입니다.