Is sub-metre resolution necessary for cocoa mapping? A landscape-stratified evaluation of very high resolution imagery, decametric Earth Observation inputs, and operational products in Cote d'Ivoire

기술 요약: 코코아 매핑에 서브미터(sub-metre) 해상도가 필수적인가?

문제 제기
정확한 코코아 매핑은 산림 벌채 모니터링, 공급망 투명성, 그리고 유럽 연합의 산림파괴 방지 규정(EUDR)과 같은 규제 준수에 있어 매우 중요하다. 그러나 서아프리카, 특히 코트디부아르의 코코아 매핑은 소규모 농가의 이질성으로 인해 상당한 어려움을 겪고 있다. 코코아 시스템은 완전 일조형 단일 재배부터 상층부 그늘 나무의 밀도가 다양한 복잡한 농림복합경영(agroforestry) 시스템에 이르기까지 다양하다. 중간 공간 해상도(예: 10m Sentinel-2)에서는 이러한 미세한 규모의 이질성으로 인해 혼합 픽셀이 발생하며, 이는 클래스 분리도를 낮추고 그늘진 코코아 시스템을 산림과 혼동하거나, 성긴 코코아를 비목질 식생과 혼동하게 만든다. 초고해상도(VHR, 서브미터급) 영상은 이러한 미세 구조를 해결할 잠재력을 제공하지만, 비용, 커버리지 제한, 구름 오염 등으로 인해 운영상의 효용성이 제한되는 경우가 많다. 반면, 최근 등장한 지리공간 파운데이션 모델들은 중해상도 아카이브로부터 조밀한 전역적 임베딩(embeddings)을 제공하지만, 복잡한 코코아 경관에서 VHR 대비 성능이 어느 정도인지 아직 정량화되지 않았다. 본 연구는 경관 구조가 서로 다른 지구 관측(EO) 입력값의 매핑 성능에 어떻게 영향을 미치는지, 그리고 VHR의 장점이 운영 비용을 정당화할 수 있는지에 대한 이해의 격차를 다룬다.

연구 방법론
본 연구는 코트디부아르에서 경관 층화 평가(landscape-stratified evaluation)를 수행하였으며, 다양한 조건의 수목 피복 밀도(TCD) 및 경관 파편화에 따라 내부 학습 모델과 기존 운영 제품들을 비교하였다.

• 연구 지역 및 데이터: 분석은 56개의 Pléiades 장면(0.5m 해상도)과 그에 대응하는 COLD-CI 데이터셋의 참조 데이터를 포함하는 코트디부아르 코코아 생산 지역에 집중하였다.
• 평가된 입력값:
  • VHR: 0.5m Pléiades 광학 영상 (4개 밴드).
  • 데카메트릭(Decametric) 전통 방식: 10m Sentinel-2 (S2) 연간 합성 영상 (10개 밴드).
  • 파운데이션 모델: TESSERA (S1/S2 기반 128차원 임베딩) 및 AlphaEarth Foundations (AEF) (광학, 레이더, LiDAR, 기후를 포함한 다중 모달 데이터 기반 64차원 임베딩).
  • 운영 제품: 벤치마크로서 네 가지 기존 지도(BNETD, Kalischek et al., 그리고 두 가지 Forest Data Partnership 버전)를 포함하였다.
• 모델 아키텍처: 내부 학습 모델은 EfficientNet-B5 인코더를 사용하는 U-Net 아키텍처를 활용하였다. 통제된 비교를 위해 모든 내부 모델은 동일한 학습 데이터, 데이터 분할 및 최적화 절차를 사용하였으며, 오직 EO 입력값만 달랐다.
• 층화 평가: 전문가의 사진 판독을 통해 2,821개의 독립적인 참조 지점 세트를 수집하였다. 평가는 다음 두 변수를 기준으로 한 9개의 경관 클래스로 층화되었다:
  • 수목 피복 밀도 (TCD): 낮음 (0–30%), 중간 (30–7 0%), 높음 (>70%).
  • 경관 파편화 (패치 밀도): 낮음, 중간, 높음.
• 지표: 성능은 F1-score, 사용자 정확도(UA), 생산자 정확도(PA), 그리고 전체 정확도(OA)를 사용하여 평가되었으며, 층화 샘플링 설계를 고려하여 면적 가중 합산(area-weighted aggregation)을 적용하였다.

주요 결과

• VHR의 우월성: VHR 모델은 가장 높은 전체 성능(F1 = 0.92)을 달축성하였으며, 모든 경관 층위에서 0.90 이상의 F1-score를 유지하였다. 또한 중해상도 접근 방식에 비해 경관 구배(gradient)에 대한 민감도가 현저히 낮았다.
• 경관 조건의 영향: 중해상도 입력값(S2, TESSERA, AEF) 및 기존 제품의 성능은 파편화가 심한 경관과 극단적인 TCD 조건(매우 낮거나 매우 높은 경우)에서 눈에 띄게 저하되었다.
  • 낮은 TCD: 성긴 캐노피로 인해 토양/초본 식생의 신호가 지배적이 되어 누락 오류가 증가하였다.
  • 높고 높은 TCD: 조밀한 상층부 식생이 코코아 신호를 가려 산림 및 기타 수목 작물과의 혼동을 높였다.
  • 파편화: 높은 파편화는 경계부에서의 분광 혼합을 증가시켜 10m 모델에 불균형적인 영향을 미쳤다.
• 파운데이션 모델: TESSERA (F1 = 0.86)와 AEF (F1 = 0.82)는 기존 S2 베이스라인 (F1 = 0.76)보다 우수한 성능을 보이며, 파운데이션 모델 임베딩이 데카메트릭 매핑을 개선함을 입증하였다. 그러나 두 모델 모두 VHR 모델에는 미치지 못했으며, 여전히 어려운 경관 층위에서 성능 저하를 보였다.
• 분광 절제 실험(Spectral Ablation): S2 모델을 Pléiades에서 사용 가능한 4개 밴드로만 학습시킨 실험 결과, 추가된 6개의 S2 밴드가 S2와 VHR 사이의 성능 격차 중 약 43%를 회복시켰다. 그러나 전체 S2 모델은 여전히 VHR에 비해 크게 뒤처졌으며, 이는 성능 차이의 주요 동인이 단순히 풍부한 분광 정보가 아니라 공간 해상도임을 시사한다.
• 운영 제품: 기존 제품 중에서는 Kalischek et al. (2023) 모델이 가장 우수한 성능(F1 = 0.83)을 보였으며, 이는 내부 학습된 AEF 모델과 유사했다. BNETD는 파편화된 지역에서 가장 낮은 성능(F1 = 0.55)을 보여, 픽셀 단위의 단일 합성 방식의 한계를 드러냈다.

의의 및 주장
본 논문은 서브미터 해상도가 특히 복잡하고 파편화된 소규모 농가 경관에서—중해상도 픽셀이 여러 지표 구성 요소를 통합하는 곳에서—측정 가능하고 일관된 이점을 제공한다고 주장한다. 연구는 파운데이션 모델 임베딩이 광범-전역적 베이스라인 매핑을 위한 확장 가능하고 정확한 대안을 제공하지만, 데카메트릭 데이터에 내재된 미세한 공간 정보의 손실을 완전히 보완하지는 못한다는 결론을 내린다.

저자들은 매핑 접근 방식의 선택이 맥락 의존적이어야 한다고 주장한다:

1. VHR은 높은 주제적 정확도, 새로운 확장 영역의 조기 탐지, 또는 중해상도 신호가 모호한 구조적으로 복잡한 지역(성기거나 조밀한 캐노피)에서의 모니터링을 요구하는 규제 맥락에서 가장 유익하다.
2. 파운데이션 모델 임베딩(특히 TESSERA)은 전역적 베이스라인 매핑 및 광범위한 스크리닝을 위한 정확성과 운영적 확장성 사이의 매력적인 균형을 제공한다.
3. 하이브리드 전략이 제안되는데, 이는 중해상도 임베딩이 연속적인 커버리지를 제공하는 동안, 타겟팅된 VHR 획득을 통해 불확실성이 높은 구역의 학습 데이터를 정교화하거나 예측을 검증하는 방식이다.

본 연구는 코코아 매핑의 정확도 평가가 경관 조건에 따라 층화되어야 함을 강조한다. 글로벌 지표는 캐노피 밀도와 파편화에 의해 발생하는 체계적인 성능 변화를 은폐할 수 있기 때문이다. 결과는 열대 농업 시스템의 이질적인 환경에서 공간 해상도가 고급 분광 또는 시간적 표현만으로는 완전히 대체될 수 없는 핵심 자산임을 시사한다.