Surface-to-subsurface inference via AlphaEarth: A shared foundation-model representation for diverse subsurface properties

기술 요약: AlphaEarth를 통한 지표-지하 추론

문제 정의
지표 관측으로부터 지하 특성을 추론하는 것은 지질학적 데이터(예: 시추공, 탄성파 탐사)의 희소성, 비용 및 불균등한 분포로 인해 지질과학 분야의 근본적인 과제이다. 반면, 지표 관찰은 밀도가 높고 시간적으로 반복된다. 지형, 암상, 식생, 수분과 같은 지표 표현은 종종 지하 조건과 상관관계를 가지지만, 이러한 연결 고리는 간접적이고, 비고유하며, 규모 의존적이다. 전통적인 매핑은 종종 수작업으로 만든 프록시(예: 탄성파 속도에 대한 지형 경사)에 의존하며, 이는 복잡하고 결합된 경관 맥락을 포착하는 데 실패할 수 있다. 본 연구는 범용 지구 관측 파운데이션 모델 임베딩이 서로 다른 물리적 영역 전반에서 지표-지하 추론을 개선하기 위한 공유 가능하고 전이 가능한 지형 표현 역할을 할 수 있는지 조사한다.

방법론
저자들은 Google DeepMind가 개발한 지형 파운데이션 모델인 AlphaEarth를 활용한다. AlphaEarth는 다중 소스 지구 관측 데이터(광학 이미지, 레이더, 지형, LiDAR, 기후 재분석, 중력 유도 수문 신호)로부터 학습된 10m 해상도의 글로벌 64차원 임베딩 필드를 생성한다. 이 모델은 재학습되지 않으며, 대신 고정된 임베딩 벡터가 다운스트림 작업별 회귀 모델의 입력 특징으로 사용된다.

본 연구는 미국 본토(CONUS)의 두 가지 뚜렷한 응용 분야에 대해 이 접근 방식을 평가한다:

1. 천부 전단파 속도 ($V_{S30}$): 상부 30미터 내의 시간 평균 전단파 속도를 예측한다.
   • 특징(Features): AlphaEarth 임베딩 단독 사용, 그리고 기존 예측 변수(로그 경사와 이진 구조 상태 지표)와 결합된 하이브리드 세트 사용.
   • 모델: 선형 회귀(Linear Regression), 랜덤 포레스트(Random Forest, RF), XGBoost.
   • 검증: 무작위 80/20 훈련-테스트 분할 및 지리적으로 격리된 "하나의 주 제외(leave-one-state-out)" 외삽 테스트(캘리포니아, 오리건, 워싱턴).
2. 지하 온도: 지하 1,000~6,000미터 깊이의 온도장을 재구성한다.
   • 특징: AlphaEarth 임베딩을 주요 지형 기술자로 사용(이에 상응하는 표준 저차원 프록시 세트가 존재하지 않음).
   • 모델: 다층 퍼셉트론(MLP) 신경망.
   • 검증: 무작위 분할 및 지리적으로 격리된 테스트(애리조나, 미주리, 뉴욕).

주요 결과

• $V_{S30}$ 예측:
  • AlphaEarth 임베딩을 로그 경사와 결합한 하이브리드 모델은 기존의 베이스라인을 크게 능가했다. 최적의 모델(임베딩과 로그 경사를 결합한 XGBoost)은 테스트 RMSE 126.1 m/s 및 $R^2$ 0.53를 달축성하였으며, 이는 로그 경사와 구조 상태만을 사용한 베이스라인 대비 RMSE를 24.3% 감소시킨 결과이다.
  • 임베딩 단독 사용 모델도 기존의 지형 프록시 베이스라인보다 우수한 성능을 보였는데, 이는 임베딩이 암상, 식생 및 수문학적 조직에 관한 더 풍부한 정보를 인코딩하고 있음을 나타낸다.
  • 외삽(Extrapolation): 하나-의-주-제외 테스트에서 예측 기술이 크게 감소하였으며(예: 캘리포니아의 경우 $R^2_{log}$가 약 0.06으로 하락), 이는 $V_{S30}$의 국지적 특성과 지역적 지표 패턴에 의해 포착되지 않는 특정 퇴적물 두께 및 층서의 영향을 반영한다. 그러나 모델은 여전히 물리적으로 타당한 1차적 지역 패턴(예: 분지와 고지대 간의 대비)을 복구하였다.
• 지하 온도:
  • 임베딩 기반 신경망은 비임베딩 비선형 베이스라인과 비교하여 강력한 성능($R^2 = 0.919$, RMSE = 6.0°C)을 달성하였으며, 이는 임베딩이 모델의 유연성 이상의 보완적 정보를 포착함을 입증한다.
  • 모델은 광범위한 열 구조를 성공적으로 복구하여, 활동적이고 따뜻한 서부 미국(Basin and Range, Yellowstone)과 안정적이고 차가운 크래톤 내부를 구분하였다.
  • 외랩(Extrapolation): 주 단위 외삽 테스트는 지역의 열적 이질성에 따라 가변적인 기술을 보여주었다(예: 지질학적으로 복잡한 애리조나에서는 오차가 더 큼, 보다 일관된 뉴욕에서는 낮음). 모델은 광범위한 열 구배를 보존했지만, 지역적 이상 현상은 완화하였는데, 이는 심부 온도가 천부 속도보다 더 지역적으로 조직되어 있다는 기대와 일치한다.

핵심 기여

1. 공유 표현: 본 연구는 단일 범용 지구 관측 파운데이션 모델 임베딩이 임베딩 자체의 작업별 재학습 없이도 다양한 지하 대상(역학적 강성 및 열 상태)에 대한 전이 가능한 지표 표현으로 기능할 수 있음을 입증한다.
2. 임베딩의 역할: 연구는 이러한 임베딩의 조건부 유용성을 명확히 한다:
   • $V_{S30}$의 경우, 강력한 물리 기반 프록시(경사)가 존재하므로, 임베딩은 정확도를 높이기 위해 비중복적인 경관 맥락을 추가하는 보강 특징(augmenting feature) 역할을 한다.
   • 지하 온도의 경우, 통제가 확산되어 있고 단순한 기존 프록시가 부족하므로, 임베딩은 주요 지형 기술자(primary geospatial descriptor) 역할을 수행한다.
3. 검증 프레임워크: 무작위 홀드아웃 테스트와 지리적으로 격리된 외삽 테스트를 결로함으로써, 본 연구는 샘플링된 지역 내에서의 예측 기술과 공간적 전이 가능성의 한계를 구분한다. 이는 임베딩이 지역적 추론을 지원하지만, 외삽 성능은 샘플링 밀도, 지질학적 이질성 및 대상 특성의 규모에 의해 제약됨을 강조한다.

의의 및 주장
본 논문은 파운데이션 모델의 지표 임베딩이 단순히 성능을 높이는 특징을 넘어, 결합된 지형, 지질, 수문 및 토지 이용 맥락을 인코딩하는 유연하고 공유된 표현 역할을 한다고 주장한다. 이러한 맥락은 지하 구조에 대한 간접적이지만 통계적으로 유의미한 제약을 제공한다.

저자들은 이 작업을 모든 지하 매핑을 위한 결정적인 해결책이라기보다, 전이 가능한 표현이 어떻게 지질학적으로 의미 있는 맥락을 인코딩하는지를 다루는 연구로 위치시킨다. 저자들은 임베딩의 가치가 대상의 물리적 특성, 예측 규모, 그리고 기존 도메인 지식의 강도에 따라 달라짐을 강조한다. 결과는 이러한 임베딩이 특히 데이터가 부족한 지역에서 지역적 스크리닝 및 1차 매핑을 위해 지구 관측과 지하 과학 사이를 연결할 수 있음을 시사하지만, 공학 설계를 위한 국지적 보정이나 현장 조사를 대체할 수는 없음을 보여준다. 결론적으로, 본 연구는 이러한 임베딩이 지하의 물리적 특성에 대한 직접적인 물리적 측정값으로서가 아니라, 경관 규모의 지표 신호가 지하를 어떻게 제약하는지를 연구할 때 가장 가치 있다는 점을 시사한다.