When Does Feature Engineering Matter? A Multi-Algorithm Comparison of Sentinel-2 Classifiers for Coastal and Mangrove Mapping in the Persian Gulf

해안은 끊임없는 협상의 장소입니다. 그곳은 육지와 바다가 만나는 곳이며, 해안선을 보호하는 망그로브 숲부터 수많은 해양 생물을 먹여 살리는 조간대까지 지구에서 가장 중요한 생태계들을 지탱하는 변화무쌍한 경계지입니다. 그러나 이러한 지역들은 인간의 개발, 해수면 상승, 그리고 산업 활동으로부터 압박을 받고 있습니다. 이들을 보호하기 위해 과학자들은 지표면에서 정확히 어떤 일이 일어나고 있는지, 즉 어디에 나무가 있고, 어디가 얕으며, 어디가 맨땅인지를 알아야 합니다. 수십 년 동안, 이 광대하고 접근하기 어려운 곳들을 위에서 관찰하기 위한 주요 도구는 위성 영상이었습니다. 위성들은 지구 표면에서 반사되는 빛을 포착하여, 컴퓨터가 풍경을 숲, 물, 또는 도시와 같은 서로 다른 범주로 분류할 수 있는 이미지를 만들어냅니다. 하지만 그 가공되지 않은 사진들을 정확한 지도로 만드는 것은 단순한 작업이 아닙니다. 망그로브 나무에서 튕겨 나오는 빛은 진흙 벌판에서 튕겨 나오는 빛과 달라 보이지만, 그 차이는 미묘할 수 있으며, 이들을 구별하기 위해 사용되는 컴퓨터 프로그램은 신중하게 선택되어야 합니다. 만약 잘못된 프로그램을 사용하거나 데이터가 제대로 준비되지 않은 채 입력된다면, 결과물인 지도는 오해를 불러일으킬 수 있으며, 이는 이 취약한 환경을 관리하는 방식에 대한 잘못된 결정으로 이어질 수 있습니다.

석유 및 가스 기반 시설로 인해 망그로브 숲이 극심한 압박을 받고 있는 지역인 페르시아만에서, 케이반 카비리(Keivan Kabiri)라는 연구자는 이러한 해안 경관을 매핑하는 가장 신뢰할 수 있는 방법을 찾고자 했습니다. 그는 비교적 손상되지 않은 망그로브 군락부터 산업 시설의 영향을 크게 받는 지역에 이르기까지, 이란 남부 해안을 따라 위치한 다섯 개의 특정 지점에 집중했습니다. 최선의 접근 방식을 테스트하기 위해, 그는 유럽 우주국(ESA)의 센티넬-2(Sentinel-2) 미션에서 얻은 고해해상도 위성 영상을 수집했습니다. 이 영상들은 10미터 해상도의 선명한 지구 모습을 제공하는데, 이는 영상의 각 픽셀이 지면의 10x10미터 정사각형을 나타낸다는 것을 의미합니다. 과제는 어떤 컴퓨터 알고리즘이 이 픽셀들을 망그로브, 뻘(mudflat), 토양, 얕은 물, 깊은 물, 황무지, 건물 지역, 그리고 일반 식생이라는 8개의 뚜렷한 범주로 가장 잘 분류할 수 있는지를 결정하는 것이었습니다. 이를 위해 카비리는 네 가지 다른 방법을 비교했습니다. 이 중 두 가지는 현대적이고 강력한 머신러닝 도구인 랜덤 포레스트(Random Forest)와 익스트림 그래디언트 부스팅(Extreme Gradient Boosting)으로, 이들은 예시로부터 학습하여 복잡한 결정을 내립니다. 세 번째는 원격 탐사에 자주 사용되는 또 다른 정교한 알고리즘인 서포트 벡터 머신(Support Vector Machine)이었습니다. 네 번째는 빛의 거동에 대한 통계적 가설에 의존하는 훨씬 오래되고 전통적인 방식인 최대 우도 분류(Maximum Likelihood Classification)였습니다.

이 연구는 데이터의 준비 과정이 얼마나 중요한지 확인하기 위해 두 가지 서로 다른 조건에서 알고리즘을 테스트했습니다. 첫 번째 시나리오에서 컴퓨터는 가시광선 영역에서 적외선에 이르는 다양한 색상의 빛에 해당하는, 위성에서 포착된 6개의 가공되지 않은 빛 밴드만을 입력받았습니다. 두 번째 시나리오에서 연구진은 데이터에 네 개의 추가적인 정보 레이어를 더했습니다. 이것은 새로운 이미지가 아니라, 식생의 건강 상태나 물의 투명도와 같은 특정 특징을 강조하기 위해 기존의 빛 밴드들을 수학적으로 조합한 것입니다. '특징 공학(feature engineering)'이라고 알려진 이 과정은 정확도를 높이기 위해 필요한 단계로 흔히 생각됩니다. 연구진은 그 후 모든 다섯 개 지점에 대해 분류를 실행하고, 매우 높은 해상도의 참조 자료를 통해 자신들의 작업을 검증했습니다. 그들은 이전에 동일한 위치에 드론을 띄워 상세한 항공 지도를 제작해 두었으며, 이는 위성 기반 지도가 실제로 정확한지를 확인하는 '지면 진실(ground truth)' 역할을 했습니다.

결과는 구식 방법과 신식 방법 사이의 명확하고 놀라운 차이를 드러냈습니다. 세 가지 현대적 알고리즘인 랜덤 포레스트, 서포트 벡터 머신, 익스트림 그래디언트 부스팅은 거의 모든 경우에서 탁월한 성능을 보였습니다. 이들은 약 95~97%의 전체 정확도를 달s성하며, 거의 모든 픽셀의 지표 피복 유형을 정확하게 식별해 냈습니다. 주목할 점은, 이 고성능 도구들이 자신의 임무를 수행하기 위해 추가적인 공학적 정보(engineered information)를 필요로 하지 않았다는 것입니다. 가공되지 않은 순수 위성 밴드만을 받았을 때나, 혹은 추가적인 지수(indices)가 포함된 밴드를 받았을 때나, 이들의 정확도는 일관되게 높게 유지되었습니다. 추가된 데이터가 성능을 양방향으로 1% 미만으로 변화시켰다는 점은, 이러한 현대적 도구들이 가공되지 않은 이미지로부터 직접 필요한 패턴을 찾아낼 수 있을 만큼 충분히 견고하다는 것을 시사합니다.

이와 극명하게 대조적으로, 전통적인 방식인 최대 우도 분류는 가공되지 않은 위성 밴드만을 받았을 때 상당한 어려움을 겪었습니다. 추가 정보 없이는 지표 피복을 약 55% 정도만 정확히 식별했는데, 이는 실질적인 관리에 사용하기에는 무용할 수준의 정확도였습니다. 그러나 연구진이 데이터에 추가적인 스펙트럼 지수를 더하자, 이 오래된 방법은 비약적으로 발전하여 평균 정확도가 82%까지 뛰어올랐습니다. 이는 엄청난 개선이었지만, 여전히 90%대 중후반을 기록한 현대적 방법들에는 미치지 못했습니다. 연구는 가장 뛰어난 현대적 방법과 개선된 전통적 방법 사이의 차이가 통계적으로 유의미하다는 것, 즉 이 격차가 우연이 아닌 실제적인 차이임을 확인해 주었습니다. 현대적 도구들이 복잡하고 무질서한 해안 환경의 현실에 더 적합했던 것입니다.

최상의 도구를 사용하더라도 몇 가지 과제는 남아 있었습니다. 연구진은 네 가지 알고리즘 모두, 그 정교함에 상관없이 세 가지 특정 유형의 지표를 구분하는 데 어려움을 겪는다는 것을 발견했습니다. 바로 건물과 도로 같은 건물 지역, 황무지, 그리고 맨 토양입니다. 이 세 범주는 모두 밝고 건조하여 빛을 거의 비슷하게 반사하기 때문에 위성 영상에서 매우 유사해 보입니다. 이러한 혼동은 추가 데이터가 더해졌을 때도 지속되었는데, 이는 문제가 컴퓨터 프로그램이 아니라 위성 자체에 있음을 시사합니다. 10미터 해상도의 센티넬-2 영상은 그 거리에서 흙 한 줌과 콘크리트 한 조각을 항상 구별해 내기에는 너무 정밀하지 않습니다. 이 발견은 정밀한 산업 확장 모니터링이나 특정 지표 유형을 파악해야 하는 작업의 경우, 위성 데이터만으로는 충분하지 않을 수 있으며 다른 데이터 소스가 필요할 수 있음을 시사합니다.

결과의 신뢰성을 확보하기 위해, 본 연구는 독특한 검증 단계를 채택했습니다. 위성 분류가 완료된 후, 연구진은 이전에 촬영한 고해상도 드론 사진과 결과 지도를 비교했습니다. 이는 독립적인 검증 단계로, 즉 드론 데이터는 컴퓨터가 이미지를 분류하도록 학습시키는 데 사용된 것이 아니라, 최종 지도가 타당한지를 확인하는 용도로만 사용되었습니다. 이 검증 결과는 흥미로웠습니다. 표준 정확도 테스트가 현대적 알고리즘의 우월성을 명확히 보여준 것과 달리, 드론 기반 검증은 다소 다른 그림을 제시했습니다. 드론 검증은 최상의 성과자와 최악의 성과자를 명확히 구분하지 못했으며, 어떤 경우에는 전통적 방법이 현대적 방법만큼 잘 수행하고 있는 것처럼 보이기도 했습니다. 이는 드론 검증이 '토양' 픽셀이 충분히 밝은지를 확인하는 것과 같이 광범위한 규칙을 사용하여 지도를 판단했기 때문입니다. 전통적 방법이 토양을 건물이나 황무지로 혼동하더라도, 이 세 가지 모두 드론 사진에서는 밝게 보이기 때문에, 검증 과정에서 전통적 방법이 전반적인 '외형'을 맞춘 것에 대해 점수를 준 것입니다. 이는 매우 중요한 교훈을 남겼습니다. 즉, 독립적인 검증은 명백한 오류를 찾아내는 데는 유용하지만, 어떤 특정 방법이 더 나은지를 순위를 매기려 할 때 상세한 지면 진실(ground-truthed) 기반의 정확도 테스트를 대체할 수는 없다는 점입니다.

결론적으로, 이 연구는 이러한 해안 지역을 매핑하려는 모든 이들에게 명확한 지침을 제공합니다. 만약 목표가 망그로브와 조간대의 정확한 지도를 만드는 것이라면, 현대적인 머신러닝 도구를 사용하는 한 컴퓨터 알고리즘의 선택 자체가 생각보다 결정적이지는 않습니다. 랜덤 포레스트, 서포트 벡터 머신, 익스트림 그래디언트 부스팅은 모두 복잡한 추가 데이터 준비 없이도 잘 작동하는 신뢰할 수 있는 선택지들입니다. 전통적인 방법이 완전히 쓸모없어진 것은 아니지만, 세심한 손길이 필요합니다. 이 방법은 제대로 기능하기 위해 추가적인 스펙트럼 정보가 반드시 필요하며, 그럼에도 불구하고 새로운 도구들의 정확도를 따라잡을 수 없습니다. 또한 이 연구는 기술에도 한계가 있다는 사실을 상기시켜 줍니다. 아무리 똑똑한 컴퓨터라 할지라도, 위성 영상이 충분히 선명하지 않다면 건물과 흙 한 줌을 항상 구별해 낼 수는 없습니다. 페르시아해를 보호하기 위해 노력하는 과학자와 관리자들에게 앞으로의 길은 가장 견고한 현대적 도구들을 사용하되, 어떤 세부 사항들은 항상 지면이나 드론을 통한 더 가까운 관찰이 필요할 수 있다는 점을 인지하는 것입니다.