Leveraging geospatial foundation model embeddings for local-scale landslide susceptibility mapping via positive-unlabeled learning

기술 요약: 양의 미표기 학습(Positive-Unlabeled Learning)을 통한 국지적 규모의 지형적 특성을 활용한 산사태 취약성 매핑: 지형 기반 모델 임베딩의 활용

문제 제기
국지적 규모의 산사태 취약성 매핑(LSM)은 재난 관리에 있어 매우 중요하지만, 첨단 인공지능를 배포할 때 두 가지 주요 병목 현상에 직면한다: 효과적인 특징 표현(feature representation)과 학습 라벨의 신뢰성 문제이다. 전통적인 LSM은 물리적으로 해석 가능한 조건 요인(예: 경사도, 암종)에 의존하는데, 이는 복잡한 표면 질감이나 비선형적 상호작용을 포착하는 데 한계가 있는 경우가 많다. 딥러닝은 강력한 특징 추출 능력을 제공하지만, 일반적으로 대규모의 라벨링된 데이터셋을 요구하며, 이는 지역적 운영 환경에서는 가용하지 않은 경우가 많다. 또한, 산사태 인벤토리는 본질적으로 신뢰할 수 있는 음성 샘플(산사태 미발생 지역)의 결핍 문제를 안고 있다. 즉, 기록의 부재가 안정성을 보장하지 않으므로, 전통적인 양성-음성(PN) 샘핑을 사용할 경우 편향된 학습이 발생할 수 있다. 아울러, 전이 가능한 표현력을 제공하며 유망한 기술인 지형 기반 모델(GeoFMs)은 고차원적 중복성, 다중공선성, 그리고 이들의 임베딩이 독자적으로 기능할 수 있는지 혹은 전통적인 물리적 요인과 융합되어야 하는지에 대한 불확실성이라는 과제를 안겨준다.

연구 방법론
본 연구는 AlphaEarth(GeoFM) 임베딩과 양의 미표기(Positive-Unlabeled, PU) 학습을 통합하여 이러한 제약 조건을 해결하는 배포 지향적 워크플로를 제안한다. 본 연구는 홍콩을 테스트베드로 활용하며, 양성 샘플(2017~2024년 사이의 1,059개 이벤트)과 미표기 배경 데이터를 위해 강화 자연 지형 산사태 인벤토리(ENTLI)를 사용하였다.

방법론은 세 가지 핵심 단계로 진행된다:

1. 특징 전처리 및 최적화:

   • 데이터 소스: 64개의 AlphaEarth 임베딩 밴드(A00–A63)를 포함하여 지형, 수문, 지질, 표면 활동 및 위성 유도 요인을 포함한 81개의 예측 변수를 도출하였다.
   • 다중공선성 진단: 분산 팽창 계수(VIF) 및 피어슨 상관 분석 결과, 64개 임베딩 차원 내의 심각한 내부 다중공선성과 임베딩 및 특정 위성 지수(NDVI, NDBI) 간의 중복성이 확인되었다.
   • 특징 세트: 세 가지 구성(임베딩 전용, 전통적 요인 전용, 융합형)을 정의하였다.
   • 최적화: 다중공선성을 완화하기 위해 임베딩 전용 및 융합형 세트에 대해 95%의 분산을 유지하는 주성분 분석(PCA)을 적용하였다. NDVI와 NDBI는 임베딩과의 중복성으로 인해 융합형 세트에서 제외되었다.

2. PU 학습을 이용한 모델링:

   • 알고리즘: 제약 조건이 있는 양성 및 배경 학습(PBLC) 알고리즘을 채택하였다. 표준 지도 학습과 달리, PBLC는 확정된 양성 산사태와 미표기 배경 샘플을 사용하여 산사태 발생 확률($c$에 따른 라벨 빈도 고려)을 추정한다.
   • 아키텍처: 세 개의 은닉층(32, 16, 8개 뉴런)을 가진 완전 연결 인공신경망(ANN)이 분류기로 사용되었다.
   • 손실 함수: 클래스 불균형을 처리하기 위한 Focal Loss, PBLC 제약 항(최대 산사태 확률 $P_{max} \approx 1$ 가정), 그리고 L2 정규화를 결합한 복합 손실 함수($L_{total}$)를 사용하였다.
   • 검증: 안정성을 평가하기 위해 100회의 독립적인 실험 실행(10개 데이터셋 $\times$ 10회 학습 실행)을 포함하는 견고한 평가 전략을 사용하였다. 성능은 AUC와 $F_{pb}$ 점수(PU 설정에서의 F1-score 대리 지표)로 측정되었다.

3. 해석 가능성 및 안정성 분석:

   • SHAP 분석: SHapley Additive exPlanations를 사용하여 특징 기여도를 정량화하고 고차원 임베딩의 결정 로직을 해석하였다.
   • 안정성 지표: 특징 중요도 순위의 일관성을 평가하기 위해 100회의 실행에 걸쳐 Spearman 서열 상관 계수를 계산하였다.

주요 기여

1. PU 학습 배포 전략: 신뢰할 수 없는 음성 라벨 하에서, 수동적인 음성 샘플링 없이 양성 인벤토리와 미표기 데이터를 통해 학습하는 PBLC를 활용하여 공학-지질학적 취약성 평가를 수행하는 워크플로를 구축하였다.
2. GeoFM 임베딩의 체계적 벤치마킹: 임베딩 전용, 전통적 요인 전용, 융합형 특징 세트에 대한 비교 분석을 통해 GeoFM의 기초 역량과 융합을 통한 한계 이득을 정량화하였다.
3. 고차원 임베딩을 위한 가이드라인: GeoFM 임베딩의 중복성을 명시적으로 진단하고 최적화 전략(PCA, 정규화)을 평가함으로써, 예측 정확도와 모델 견고성 및 해석 가능성 사이의 균형을 맞추기 위한 실무적 지침을 제공한다.

결과

• 성능: 융합 모델(임베딩 + 전통적 요인)이 가장 높은 중앙값 AUC와 $F_{pb}$ 점수 및 가장 좁은 사분위 범위를 달 기록하였으며, 이는 우수한 정밀도와 안정성을 나타낸다. 임베딩 전용 모델은 경쟁력 있는 저전처리 베이스라인 역할을 했으나 안정성은 더 낮았다.
• 공간적 선택성: 융합 모델은 가장 집중된 고취약 구역을 묘사하였다. 이 모델은 전체 연구 면적의 단 6.3% 내에서 대부분의 산사태를 포착하였으며, 배경 수준보다 약 24배 높은 산사태 밀도를 달성하였다.
• 위양성 감소: 고도로 도시화된 지역(예: 구룡 반도)에서 전통적 요인 전용 모델은 "고도 기만(elevation deception)" 현상을 보여 인공적인 급경사면(제방, 고가도로)에 높은 취약성을 할당하였다. 반면, GeoFM의 표면 의미론을 활용한 융합 모델은 자연 산악 지형에서의 정확도는 유지하면서 이러한 위양성을 유의미하게 줄였다.
• 특징 중요도: SHAP 분석은 전통적 요인(경사도, 암종, 토지 이용)이 여전히 지배적이지만, 임베딩의 포함이 가중치를 지질 및 수문 변수로 이동시켰음을 확인하였다. 임베딩의 기여는 물리적 요인보다 더 고르게 분포되어 있었다.
• 안정성 대 정확도: 절제 연구(Ablation studies) 결과, PCA를 제거하고 원시 임베딩을 사용하는 것은 테스트 지표에서 미미한 이득을 주었으나, 특징 중요도 순위의 안정성(낮은 SHAP Spearman 상관관계)을 크게 저하시키고 과적합 격차를 증가시켰다. 따라서 차원 축소는 견고한 배포를 위해 필수적이다.

의의 및 주장
본 논문은 이 워크플로가 현실적인 라벨 제약 조건 하에서 신속한 공학-지질학적 스크리닝과 상세한 취약성 평가를 지원한다고 주장한다. 또한 다음과 같은 이중 모드 프레임워크를 제안한다:

• 레벨 1 (신속 대응): 음성 라벨을 구할 수 없거나 전처리 시간이 제한적인 긴급 상황 또는 데이터 부족 지역을 위해 임베딩 전용 PU 모델을 활용한다.
• 레벨 2 (상세 평가): 사후 재난 계획 및 부지 선정 시, 통계적으로 정확하고 물리적으로 해석 가능하며 견고한 결과를 보장하기 위해 차원 축소가 적용된 융합 모델을 활용한다.

본 연구는 GeoFM 임베딩이 전통적인 물리적 요인을 대체하는 것이 아니라, 순수 물리적 로직이 실패하는 지점(예: 도시 환경)을 해결하는 미세한 표면 의미론을 제공함으로써 이를 보완한다고 결론짓는다. AlphaEarth 임베딩에 내재된 시공간적 인코딩이 누적된 환경 변화의 표현을 간소화한다는 점을 언급하면서도, 저자들은 이것이 동적인 트리거 변수(예: 실시간 강우량)에 대한 보완이지 대체재는 아님을 겸허히 밝히고 있다. 본 프레임워크는 현장 지질 조사 우선순위를 정하기 위한 실용적인 도구로서 제시되며, 부지별 지반 공학적 분석을 완전히 대신하는 것은 아니다.