스칼라장(scalar field) 재구성을 위한 정보 경로 계획(Informative Path Planning)은 예측 불확실성을 활용해 센싱 비히클을 정보량이 최대인 위치로 안내합니다. 가우시안 프로세스(Gaussian Process)가 이러한 신호를 제공하지만, 정상 등방성 커널(stationary isotropic kernel)은 기름 유출과 같은 비균질 현상에 대해 잘못 지정되어 불확실성 추정의 보정 실패(miscalibration)를 야기하고 경로 계획 성능을 저하시킵니다. 본 연구에서는 가우시안 프로세스를 잘 보정된 딥 앙상블(Deep Ensemble)로 대체할 때 경로 계획 결과가 향상되는지, 그리고 불확실성의 품질이 계획 알고리즘 선택과 어떻게 상호작용하는지 조사합니다. 5가지 전략(ε-Greedy, Value Greedy, Uncertainty Greedy, 몬테카를로 트리 탐색(MCTS), Receding Horizon Orienteering)은 물리 기반 기름 유출 시뮬레이션으로 학습된 공통 딥 앙상블 백본을 공유합니다. 미공개 확률적 유출 시나리오에서 딥 앙상블은 가우시안 프로세스 기준선(baseline) 대비 정규화된 재구성 오차를 83% 줄였습니다. 결정적으로, 잘 보정된 불확실성은 계획 전략의 중요성을 증폭시킵니다. 잘못 보정된 모델에서는 알고리즘 간의 성능 차이가 미미하지만, 앙상블 환경에서는 다단계 사전 예측(multi-step lookahead) 계획기가 탐욕적(greedy) 선택보다 재구성 오차를 최대 32% 개선하고 0.85 이상의 IoU를 달성하는 등 그 차이가 현저해집니다. 몬테카를로 트리 탐색은 한 자릿수 이상 낮은 연산 비용으로 Orienteering과 대등한 재구성 품질을 보여 권장되는 계획기로 제시됩니다.
무인항공기(UAV)를 활용한 환경 모니터링에는 에너지 한계, 운영 제약, 기하학적 복잡성을 다루면서 커버 영역을 극대화하는 경로 계획 방법이 필요하다. 본 논문은 커버리지 중심 환경 모니터링을 위한 자율 UAV 경로 계획에 관한 진행 중인 체계적 문헌 고찰(SLR)의 절차와 예비 결과를 보고한다. 이 고찰은 PRISMA 2020 프레임워크를 따르며, 2015년부터 2026년까지 발표된 연구를 Scopus와 Web of Science에서 검색한다. 절차는 경로 계획(path planning), 커버리지 경로 계획(coverage path planning), 정보 경로 계획(informative path planning)에 초점을 두며, 알고리즘 계열, 커버리지 및 에너지 지표, 장애물 처리, 기하학적 환경 표현, 환경 제약을 강조한다. 현재 단계에서 562건의 기록이 식별되었고, 161건의 중복이 제거되었으며, 401건의 고유 기록이 제목, 초록, 키워드로 스크리닝되었다. 이 중 247건이 전문(full-text) 적격성 평가를 위해 유지되었고(235건 적격, 12건 경계 기록은 전문 검토 중 해결 예정), 유지된 연구의 예비 분석은 커버리지 중심 공식화, 다중 UAV 협조, 에너지 인식 최적화에 대한 강한 집중을 시사하는 반면, 날씨, 불확실성, 장애물이 많은 환경을 명시적으로 다루는 연구는 상대적으로 적다. 유지된 연구의 대부분은 시뮬레이션 기반 검증에 의존하여 잠재적인 시뮬레이션-현실 간 격차를 부각시키며, 최근 출판물은 강화학습, 하이브리드 최적화, 기하학 인식 계획에 대한 관심 증가를 보여준다. 이러한 초기 결과는 활발하지만 분절된 연구 환경을 나타내며, 현실적인 환경 모니터링 임무를 위한 성숙한 기법과 미해결 공백을 식별하기 위한 구조화된 종합의 필요성을 뒷받침한다.
희소 센서 측정값으로부터 도시 유동(urban flow) 및 대기질 필드를 재구성하기 위해, 기존 행렬 분해 방식의 구조적 정보 손실 문제를 해결하는 텐서 기반 프레임워크인 lcHOSVD(low-cost High-Order Singular Value Decomposition)를 제안한다. 전체 공간의 1~4%에 불과한 센서 위치만을 활용해 3차원 속도장과 오염물질 농도 필드를 재구성하며, 강한 다차원 결합이 존재하는 환경에서 lcSVD 대비 낮은 재구성 오차와 불균일한 센서 분포에 대한 높은 강건성을 보인다.
연안 조류 번식 모니터링에는 빈번하고 공간적으로 상세하며 전 세계적으로 일관된 관측이 필요하며, Landsat-8/9와 Sentinel-2 A/B/C가 이를 제공합니다. 이러한 임무들은 함께 2~3일마다 전 세계를 거의 포괄하는 중간 해상도 다중 분광 이미지를 10년 넘게 제공하여, 저해상도 해양 색상 센서로는 식별할 수 없는 분절된 번식 구조를 탐지할 수 있게 합니다. 그러나 제한된 분광 범위와 정합된 반사율 산출물의 부족으로 인해 수역 환경에서의 활용은 여전히 어려운 과제로 남아 있습니다. 전통적인 생물 광학적 방법의 대안으로, 딥러닝 기반 이미지 분류는 이러한 많은 제한 사항을 극복할 수 있는 데이터 기반 접근 방식을 제공합니다. 본 연구는 30m Landsat-Sentinel-2 이미지를 활용한 비전 트랜스포머 기반 연안 조류 번식 매핑의 최초 성공적인 구현 사례를 제시합니다. 전 세계 조류 번식이 빈번한 연안 핫스팟에 걸쳐 전 세계적으로 분포된 조류 번식 패치 데이터셋을 생성했습니다. 정밀한 조류 번식 탐지를 위해 4가지 트랜스포머 기반 아키텍처를 표준 컨볼루션 기준선과 비교하였으며, 다양한 광학적 수질 유형과 대기 및 표면 조건에서 평가했습니다. 모든 딥러닝 모델은 8~65%의 누락 오류 및 과잉 오차를 기록하며 부유성 조류 번식 영역 탐지에서 강력한 성능을 보였습니다. 시계열 데이터에서 구름 및 섬광(glint) 영향이 있는 상황에서 Swin Transformer는 광범위한 오탐을 유발한 전통적인 분광 지수 접근법보다 우수한 성능을 보이며, 구름 및 섬광의 영향을 받는 픽셀을 효과적으로 회피했습니다. MODIS 기반 산출물과의 비교는 분절되고 불규칙한 형태의 조류 번식을 탐지하는 데 있어 더 높은 공간 해상도의 이점을 더욱 강조했습니다. 본 연구 결과는 딥러닝이 역동적인 연안 환경에서 부유성 조류 번식을 중간 해상도로 일관되게 모니터링할 수 있는 신뢰할 수 있는 도구임을 뒷받침합니다.
하천 내 부유 인공 쓰레기의 확산은 생물 다양성, 수질, 그리고 항해 및 레크리에이션과 같은 인간 활동에 악영향을 미치는 시급한 환경 문제로 대두되었습니다. 본 연구는 고정된 현장(in-situ) 카메라를 활용하여 해당 폐기물을 모니터링하기 위한 새로운 방법론적 프레임워크를 제안합니다. 본 연구는 두 가지 주요 기여를 제공합니다: (i) 딥러닝(deep learning)을 이용한 부유 쓰레기의 연속적인 정량화 및 모니터링, (ii) 복잡한 환경 조건 하에서 정확도와 추론(inference) 속도 측면에서 가장 적합한 딥러닝 모델의 식별. 이러한 모델들은 데이터 누수(data leakage)와 관련된 편향에 대한 실험을 포함하여 다양한 환경 조건과 학습 설정에서 테스트되었습니다. 또한, 2D 이미지에서 감지된 객체의 실제 크기를 추정하기 위해 기하학적 모델이 구현되었습니다. 이 모델은 카메라의 내부 및 외부 특성을 모두 활용합니다. 본 연구의 결과는 데이터셋(dataset) 구성 프로토콜의 중요성, 특히 네거티브 이미지의 통합과 시간적 누수의 고려를 강조합니다. 결론적으로, 사영 기하학과 회귀 보정을 결합한 크기 추정의 타당성이 입증되었습니다. 이 접근 방식은 도시 수환경을 위한 견고하고 저렴하며 자동화된 모니터링 시스템 개발의 길을 열어줍니다.
퍼플루오로알킬 및 폴리플루오로알킬 물질(PFAS)은 중대한 공중 보건 영향을 미치는 지속적인 환경 오염 물질이지만, 현장 샘플링의 높은 비용과 물류적 어려움으로 인해 대규모 모니터링은 여전히 심각하게 제한되어 있습니다. 샘플의 부족은 물리적 모델을 통한 확산 시뮬레이션을 어렵게 만들고, 지표수 내 PFAS 이동에 대한 과학적 이해를 제한합니다. 그러나 토지 피복, 수문학, 산업 활동을 설명하는 풍부한 지리공간 및 위성 유도 데이터는 널리 이용 가능합니다. 우리는 희소한 PFAS 관측치와 수문학적 연결성, 토지 피복, 오염원 근접성, 샘플링 거리에서 파생된 사전 지식(priors)을 포함한 대규모 환경 맥락을 통합하는 PFAS 오염 매핑을 위한 지리공간 심층 학습 프레임워크인 FOCUS를 소개합니다. 이러한 사전 지식은 원칙에 기반한 노이즈 인지 손실(noise-aware loss)에 통합되어, 희소한 레이블 하에서 강건한 학습 목적 함수를 제공합니다. 광범위한 제거 실험(ablations), 강건성 분석, 실제 데이터 검증을 통해 FOCUS는 희소 분할(sparse segmentation), 크리깅(Kriging), 오염물질 이동 시뮬레이션을 포함한 기준 모델(baselines)을 일관되게 능가하면서도, 대규모 영역에 걸쳐 공간적 응집성과 확장성을 유지함을 보여주었습니다. 우리의 결과는 AI가 완전한 물리적 모델이 부재한 상황에서 후속 샘플링의 우선순위를 정하고 잠재적 오염원을 지표수 오염 패턴과 연결하는 데 도움을 주는 선별 수준 위험 지도를 제공함으로써 환경 과학을 어떻게 지원할 수 있는지 보여줍니다.