기술 요약: EO 회귀 작업을 위한 불확실성 정량화

문제 정의

건물 높이, 수관 높이(canopy height), 지상 바이오매스(AGB) 추정과 같은 지구 관측(EO) 회귀 작업은 도시 계획, 산림 모니터링 및 기후 정책 수립에 매우 중요하다. 그러나 표준 딥러닝 모델은 일반적으로 예측의 신뢰도나 확신도를 나타내지 못하고 결정론적 예측(픽셀당 단일 스칼라 값)만을 제공한다. 이러한 불확실성 정량화의 부재는 이질적인 지표면, 왜곡된 타겟 분포, 센서 노이즈, 대기 간섭, 그리고 높은 타겟 값에서의 신호 포화와 같은 EO 특유의 도전 과제들로 인해 특히 문제가 된다.

불확실성 추정은 컴퓨터 비전 분야(주로 베이지안 근사 또는 앙상블 사용)에서 잘 확립되어 있으나, EO 회귀에 대한 체계적인 적용은 여전히 제한적이다. 더욱이, 회귀 작업은 분류 작업과 비교했을 때 고유한 어려움을 안고 있다. 즉, 연속적인 타겟 공간과 왜곡되거나 두꺼운 꼬리(heavy-tailed)를 가진 분포는 정교하게 보정된 불확실성 척도를 정의하는 것을 어렵게 만든다. 표준 가우시안 가정은 EO 데이터에서 흔히 발생하는 비대칭적 불확실성을 포착하지 못할 수 있으므로 대안적인 접근 방식이 필요하다.

방법론

저자들은 알레아토릭 불확실성(aleatoric uncertainty, 데이터 자체의 불가피한 노이즈)을 모델링하기 위해 Sentinel-1 SAR 및 Sentinel-2 MSI 이미지의 1년 단위 시계열(12개월, 10m 해상도)을 활용할 것을 제안한다. 이들은 공통된 백본을 공유하되 서로 다른 불확실성 헤더를 가진 두 가지 상호 보완적인 딥러닝 접근 방식을 도입한다.

1. 네트워크 아키텍처

• 백본(Backbone): 12개월 시계열(T=12, C=9 채널)을 처리하는 Resonet50 기반의 공유 CNN 인코더를 사용한다. 특징(features)은 잠재 공간(latent space)으로 매핑되며, 시공간적 의존성을 포착하기 위해 이동 윈도우 어텐션(shifted window attention)을 사용하는 두 개의 연속적인 Swin Transformer 블록에 의해 처리된다.
• 디코더(Decoder): 다층 디코더(L1, L2, L3)는 템포럴 어텐션(temporal attention)을 통해 특징을 강화하고 이를 업샘플링하여 픽셀 단위 예측을 생성한다.

2. 가우시안 불확실성 (Gaussian UC)

• 정식화: 타겟이 가우시안 분포를 따른다고 가정하는 파라미터적 접근 방식이다. 모델은 평균($\mu$)과 로그 표준 편차($\eta = \log \sigma$)를 공동으로 예측한다.
• 손실 함수: 다음의 가중 합산으로 학습된다:
  • 음의 로그 가능도 (Negative Log-Likelihood, NLL): 주요 손실 함수로, 0이 아닌 지면 실측값(ground-truth) 픽셀에 우선순위를 둔다.
  • Sobel 에지 손실 (Sobel Edge Loss): 경계선을 보존하고 블러 현상을 억제한다.
  • RMSE: 평균 예측에 대한 정규화 도구로 작용한다.

3. 분위수 불확실성 (Quantile UC)

• 정식화: 10, 50, 90번째 조건부 분위수($Q_{10}, Q_{50}, Q_{90}$)를 추정하는 비파라미터적 접근 방식이다. 이를 통해 왜곡된 분포에 더 적합한 비대칭적 예측 구간을 생성할 수 있다.
• 손실 함수: 다음의 가중 합산으로 학습된다:
  • 핀볼 손실 (Pinball Loss, 분위수 손실): 세 가지 분위수에 걸쳐 오차를 최소화한다.
  • 정규화 항:
    • 커버리지 부족 (Coverage Shortfall): $[Q_{10}, Q_{90}]$의 경험적 커버리지가 명목상의 80%에 도달하도록 장려한다.
    • 비교 교차 방지 (Non-Crossing): $Q_{10} \leq Q_{50} \leq Q_{90}$을 강제한다.
    • 신뢰도 적응형 확산 (Confidence-Adaptive Spread): 중앙값 예측이 정확할 때 구간 너비를 축소한다.
  • Sobel 및 RMSE: 에지를 보존하고 추정치를 안정화하기 위해 중앙값($Q_{50}$)에 적용된다.

4. 평가 지표

• 정확도: RMSE, $R^2$, MAPE, nMAD (정규화된 중앙값 절대 편차), IoU.
• 불확실성 보정 (Uncertainty Calibration):
  • ErrorCoverage: 가우시안 UC를 위해, 잔차가 $k\sigma$ ($k=1, 2, 3$) 내에 들어오는 비율을 측정한다.
  • DataCoverage: 분위수 UC를 위해, $[Q_{10}, Q_{90}]$ 구간 내에 지면 실측값이 포함되는 비율을 측정한다.

주요 기여

1. 비교 프레임워크: 본 논문은 EO 회귀를 위한 알레아토릭 불확실성에 대한 가우시안 및 분위수 정식화 방식을 체계적으로 비교한다.
2. 멀티 태스크 평가: 두 접근 방식 모두 융합된 SAR 및 다중 분광 시계열 데이터를 사용하여 건물 높이 추정(BHE), 수관 높이 추정(CHE), 지상 바이오매스(AGB) 추정이라는 세 가지 영향력 있는 작업에 대해 평가된다.
3. 보정 지표: 저자들은 예측된 불확실성 구간의 보정 상태를 엄격하게 평가하기 위해 "ErrorCoverage"와 "DataCoverage"의 사용을 입증한다.
4. 성능 벤치마킹: 연구 결과, 불확실성을 고려한 모델이 결정론적 베이스라인과 대등한 정확도를 달면서도 해석 가능한 신뢰도 추정치를 제공할 수 있음을 보여준다.

결과

모델은 에스토니아, 핀란드, 독일, 네덜란드, 스위스 지역을 포함하는 데이터셋을 대상으로 테스트되었다.

• 정확도: 두 모델 모두 경쟁력 있는 결과를 달了.
  • 수관 높이 및 바이오매스: 가우시안 UC 모델이 가장 우수한 성능을 보였으며, CHE는 RMSE 2.33m, AGB는 RMSE 30.14 tons/pixel을 달성했다. $R^2$ 점수는 0.80–0.90으로 높았으며, 이는 식생 변화를 효율적으로 학습했음을 나타낸다.
  • 건물 높이: 분위수 UC 모델이 가우시안 모델보다 약간 더 우수한 성능을 보였다 (RMSE 2.37m vs 2.56m, $R^2$ 0.50 vs 0.42). 저자들은 이를 도시 환경의 이질성 때문으로 보며, 비대칭 구간이 국지적 편향과 비가우시안 분포를 더 잘 포착한다고 설명한다.
• 보정 (Calibration):
  • 가우시안 UC: 에러 커버리지 비율이 명목 가우시안 기대치(예: $\pm1\sigma$ 내 약 68%, $\pm2\sigma$ 내 약 95%)에 근접했다. 그러나 일부 고가치 영역에서는 꼬리 부분의 미스핏(misfit)을 보상하기 위해 불확실성을 부풀리는 경향이 있었다.
  • 분위수 UC: 모든 작업에서 $[Q_{10}, Q_{90}]$ 구간에 대한 데이터 커버리지는 약 80% (0.79–0.82)로 나타나, 비대칭 구간이 잘 보정되었음을 보여주었다.
• 분포 특성: 결과는 건물 높이와 바이오매스 오차가 종종 오른쪽으로 치우친 분포(높은 값에서 체계적인 과소 추정)를 보인다는 점을 강조했으며, 분위수 모델은 넓은 상단 구간($Q_{50}$–$Q_{90}$)을 통해 이를 효과적으로 포착했다.

의의 및 주장

본 논문은 특히 위성 데이터에 내재된 노이즈와 포화 현상을 고려할 때, 신뢰할 수 있는 EO 추론을 위해 알레아토릭 불확실성을 명시적으로 모델링하는 것이 필수적이라고 주장한다. 저자들의 주장은 다음과 같다:

• 불확실성 추정 모델은 정확도 측면에서 결정론적 벤치마크와 대등하거나 이를 능가하면서도, 운영상 유용한 신뢰도 추정치를 제공할 수 있다.
• 가우시안과 분위수 정식화 중 무엇을 선택할지는 타겟 도메인에 달려 있다. 가우시안 가정은 더 매끄러운 식생 타겟에 잘 작동하는 반면, 분위수 회귀는 복잡하고 왜곡된 도시 환경에 더 우수하다.
• 제안된 모델은 수관 높이 추정을 위해 설계된 현재의 10m 수준 SOTA(State-of-the-art) 불확실성 인식 모델보다 뛰어난 성능을 보인다.
• 본 연구는 단일 값 예측을 넘어, 기후 정책 및 도시 계획의 의사결정에 필수적인 보정되고 해석 가능한 불확실성 지도를 제공함으로써 EO 분야의 중요한 공백을 메운다.

연구의 구현체는 이 분야의 추가적인 연구를 촉진하기 위해 커뮤니티에 공개되어 있다.