기술 요약: Sentinel-1 시계열 데이터를 활용한 해상 풍력 인프라의 정밀 이벤트 분류를 위한 딥러닝 모델 벤치마킹

문제 정의

중국, 유럽 연합(EU), 영국 등에서 추진되는 야심 찬 목표에 힘입은 글로벌 해상 풍력 에너지의 확장은 인프라 생애 주기, 특히 배치(deployment) 단계에 대한 엄격한 모니터링을 필요로 한다. ESA의 Sentinel-1 합성 개구 레이더(SAR)와 같은 지구 관측(EO) 미션은 글로벌 모니터링에 적합한 방대한 데이터 아카이브를 제공하지만, 이러한 고용량 아카이브에서 의미 있는 정보를 추출하는 것은 여전히 도전적인 과제이다.

기존의 접근 방식은 주로 Sentinel-1 시계열을 해석하기 위해 전문가 중심의 규칙 기반 분류기에 의존해 왔다. 이러한 방법들은 "터빈 있음"과 "터빈 없음" 상태를 구분할 수는 있지만, 특정 배치 이벤트(예: 현장 조사, 기초 건설, 나셀/로터 설치)를 정밀한 단일 획득 레벨에서 분리해 낼 만큼의 의미론적 세밀함(semantic granularity)이 부족한 경우가 많다. 또한, 기존의 글로벌 규모 제품들은 데이터를 월간 또는 분기별 해상도로 집계하여 배치 과정의 복잡성을 과소평가하는 경별이 있다. 본 연구가 다루는 핵심 문제는, 이진 신호를 넘어 상세한 시간적 시퀀스를 제공할 수 있도록 Sentinel-1 시계열에 대해 정밀한 이벤트 분류를 수행할 수 있는 자동화되고 확장 가능한 알고리즘에 대한 필요성이다.

방법론

데이터 준비

본 연구는 2016년부터 2025년까지의 Sentinel-1 GRD IW VH 편파 이미지에서 유도된 15,606개의 시계열(1,480만 개의 이벤트)로 구성된 DeepOWT v3.25.1 데이터셋을 활용한다.

• 특징 표현(Feature Representation): 2D SAR 패치는 레이오버(layover) 효과와 같은 공간적 특징을 포착하기 위해 거리 방향을 따른 1D 후방산란 강도 프로파일로 축소된다. 프로파일은 표준화(z-score)되며, 64개의 빈(bin)으로 고정된 길이로 패딩 및 크롭된다.
• 레이블링: 이벤트는 *water(물), vessel(선박), foundation(기초), mooring/construction(계류/건설), turbine(터빈), platform(플랫폼)*의 6개 클래스로 분류된다.
• 훈련 세트:
  • 지도 학습(Supervised): 500개의 수동 주석 시계열(661,732개 이벤트)이 생성되었다. 클래스 불균형(선박 및 계류/건설 클래스가 희소함)을 해결하기 위해 다음과 같은 특정 샘플링 전략이 사용되었다:
    • 단일 시점(Monotemporal): 지배적인 클래스는 언더샘플링하고 희소 클래스는 오버샘플링하여 균형 잡힌 이벤트 레벨 데이터셋을 생성한다.
    • 다중 시점(Multitemporal): 레이블 전이(label transitions)를 중심으로 하는 64개 이벤트의 윈도우(단방향 또는 양방향)를 사용하여 문맥을 포착한다.
  • 자기 지도 학습(Self-Supervised Learning, SSL): 나머지 1,450만 개의 레이블 없는 이벤트를 활용하여, 규칙 기반 분류기 레이블을 사용하여 이벤트 프로파일을 마스킹하고 재구성하거나 다음 이벤트를 예측하도록 SSL 데이터셋을 구축하였다.

모델 아키텍처 및 실험 설계

본 연구는 세 가지 아키텍처 스트림에 걸쳐 10가지 모델 훈련 변형을 벤치마킹한다:

1. 단일 시점 (순차적 인지 없음): 개별 이벤트 프로파일에 작동하는 완전 연결 신경망(FCNN).
2. 인과적 (단방향 문맥): 과거 문맥만을 사용하는 LSTM 및 Transformer 모델(마스크드 셀프 어텐션 적용). 근실시간 추론에 적합하다.
3. 양방향 (전체 문맥): 과거와 미래 문맥을 모두 사용하는 BiLSTM 및 Transformer 모델(전체 셀프 어텐션 적용). 오프라인 역사적 분석에 적합하다.

각 아키텍처는 두 가지 구성으로 테스트되었다:

• 지도 학습 전용: 수동 레이블 데이터로 직접 훈련.
• SSL + 지도 학습: 재구성/다음 예측 작업을 통해 레이블 없는 데이터로 사전 훈련(pretraining)한 후, 차등 학습률과 점진적 언프리징(gradual unfreezing)을 사용하여 레이블 데이터로 미세 조정(fine-tuning).

평가 지표

성능은 홀드아웃(held-out) 테스트 세트(553개 시계열)를 사용하여 다음을 통해 평가되었다:

• 축소된 에디트 유사도 곡선 하부 면적 (AUCEditSim): 클래스 불균형과 전이 민감도를 고려하면서 시퀀스 정렬 품질을 측정하는 주요 지표.
• 완전 일치율 (Perfect Match Rate): 100% 축소된 에디트 유사도를 가진 시퀀스의 비율.
• 레이블 전이 분석: 예측된 클래스 전이 수를 테스트 세트와 비교하여 시퀀스의 균질성과 노이즈를 평가함.
• 클래스별 F1, 정밀도(Precision), 재현율(Recall).

주요 기여

1. 데이터셋 확장: 딥러닝 연구를 촉진하기 위해 전 세계적으로 분포된 500개의 추가 수동 레이블 해상 풍력 인프라 시계열(661,732개 이벤트)을 공개한다.
2. 체계적 벤치마킹: 10가지 딥러닝 변형(LSTM, Transformer, FCNN)을 단일 시점, 인과적, 양방향 문맥 및 자기 지도 학습 사전 훈련 여부에 따라 구조적으로 비교한다.
3. 앙상블 전략: 시퀀스 일관성을 최적화하고 과소 표현된 클래스의 성능을 회복하기 위해, 가장 성능이 좋은 딥러닝 모델과 기존 규칙 기반 베이스라인을 결합한 레이블 전이 최소화 앙상블을 개발한다.
4. 글로벌 배치 분석: 개선된 레이블을 적용하여 15,606개의 터빈에 대한 배치 단계를 격리하고, 중국, EU, 영국에 대한 중앙값 배치 기간 및 지역적 역학을 제공한다.

결과

모델 성능

• 양방향 우위: 모든 양방향 딥러닝 모델은 규칙 기반 베이스라인(AUCEditSim 0.7853)보다 우수한 성능을 보였다. 지도 학습 BiLSTM은 0.8509의 AUCEditSim과 0.5063의 완전 일치율(베이스라인 0.3508 대비)을 기록하며 가장 높은 성능을 달었다.
• 인과적 모델: 인과적 모델(LSTM, Transformer)은 일반적으로 AUCEditSim에서 규칙 기반 베이스라인보다 낮은 성능을 보였다. 그러나 자기 지도 학습(SSL)은 인과적 Transformer에 상당한 이득을 주어, AUCEditSim을 약 0.70에서 약 0.75로, 완전 일치율을 0.15에서 0.26으로 향상시켰다.
• 단일 시점 모델: FCNN은 성능이 매우 낮았으며(AUCEditSim ~0.30), 이는 이 작업에 순차적 문맥이 필수적임을 확인시켜 준다.
• SSL의 영향: 양방향 모델의 경우 SSL이 성능을 개선하지 못했는데, 이는 지도 학습 레이블이 이미 충분한 표현 학습을 제공했음을 시사한다. 인과적 모델의 경우, SSL은 특히 Transformer에서 유익했다.

앙상블 성능

레이블 전이를 최소화하는 앙상블을 통해 지도 학습 BiLSTM 예측을 규칙 기반 베이스라인과 결합함으로써 가장 견고한 결과를 얻었다:

• 시퀀스 일관성: 레이블 전이에 대한 스피어먼 서열 상관계수(Spearman's rank correlation)가 0.924로 증가했다(BiLSTM 단독 0.89 대비).
• 클래스 회복: 앙상블은 과소 표현된 클래스에 대한 성능을 회복했다. 특히 platform 클래스의 F1 점수가 0.4677(BiLSTM)에서 0.7352로 급증하여 베이스라인의 0.7357과 일치했다. foundation 클래스 또한 개선되었으나 베이스라인보다는 약간 낮은 수준을 유지했다.

지역 분석

개선된 레이벨을 사용하여 배치 단계를 격리하고 중앙값 배치 기간을 보고하였다:

• 중국: 84일
• 유럽 연합: 242일
• 영국: 258일

분석 결과 뚜렷한 지역적 패턴이 드러났다:

• EU/영국: 건설 활동은 유리한 시기(4월~9월)에 집중된다. 영국은 배치 단계가 더 긴 이년 주기(biennial) 패턴을 보인다.
• 중국: 배치 활동은 규제 보조금 마감일(예: 2021년 발전차액보상제도 만료)에 의해 주도되어, 연말에 급격히 감소한 후 1분기에 급증하는 양상을 보인다. 장쑤성(Runong) 클러스터가 세계에서 가장 밀집된 해상 풍력 허브로 식별되었으며, 지역 보조금이 만료됨에 따라 활동이 다른 성(광둥, 산둥, 저장)으로 이동했다.

의의 및 주장

본 논문은 딥러닝이 어떻게 전 세계 규모의 Sentinel-1 기반 해상 풍력 인프라의 정밀 분류를 개선할 수 있는지에 대한 최초의 체계적인 조사를 제공한다고 주장한다.

• 규칙 기반 시스템 대비 진보: 본 연구는 딥러열, 특히 양방향 아키텍처가 시퀀스 정렬 및 균질성 측면에서 전문가 중심의 규칙 기반 분류기를 능가할 수 있음을 입증하며, 배치 생애 주기에 대한 더 미묘한 뷰를 제공한다.
• 실용적 유용성: 도출된 레이블은 이진 "터빈/무터빈" 신호를 넘어 특정 배치 단계를 격리할 수 있게 한다. 이를 통해 글로벌 규모에서 배치 기간을 정량화하고 규제 및 환경적 동인(예: 보조금 마감일, 계절적 기상 윈도우)을 식별할 수 있다.
• 한계 및 향리 과제: 저자들은 양방향 모델이 오프라인 분석에는 뛰어나지만, 인과적 모델은 현재 규칙 기반 베이스라인보다 뒤처져 있어 실시간 모니터링에 활용하기에는 한계가 있다고 솔직하게 언급했다. 또한, 고정된 64-이벤트 윈도우가 장기적인 시간적 패턴(예: 비현실적으로 이른 기초 등장)을 놓칠 수 있음을 지적하며, 향리 과제로 가변 길이 시퀀스 모델링을 제시했다.
• 데이터 가용성: 본 연구는 해상 풍력 인프라 모니터링에 관한 추가 연구를 촉진하기 위해 훈련 데이터, 예측된 레이블 및 도출된 배치 단계의 공개 가능성을 강조한다.