arXiv:2606.07374v1 eess.SP

백스캐터를 넘어: 검출 SAR 영상으로부터의 InSAR 코히어런스

Beyond Backscatter: InSAR coherence from detected SAR images

Francescopaolo Sica, Andrea Pulella, Michael Schmitt

제출 2026-06-05

한국어 초록

본 연구에서는 정확한 공간정합(coregistration) 없이 검출 SAR 영상으로부터 직접 코히어런스 회귀(coherence regression)를 수행하는 심층 학습 프레임워크를 제안한다. 정밀하게 공간정합된 Sentinel-1 SLC 데이터에서 유도한 코히어런스 맵을 이용해 Residual U-Net을 학습시켜, 백스캐터 크기(magnitude)와 코히어런스 간의 관계를 학습한다. 모델은 12일 간격 SLC 페어로 학습되며, 공간정합된 SLC 제품과 오픈 액세스 분석 준비(analysis-ready) 데이터 등 서로 다른 데이터셋에서 평가되며, 다양한 복사측정(radiometric) 특성, 기하, 위치를 포괄한다. 실험 결과, 제안 방법은 기존 강도(intensity) 기반 접근법 대비 향상된 정확도로 고해상도 코히어런스 회귀를 달성함을 보여준다. 해당 네트워크는 다양한 지리적 위치뿐 아니라 학습 시 한 번도 본 적 없는 서로 다른 시간 기준선(temporal baseline)에서도 잘 일반화된다. 또한 Google Earth Engine 등을 통해 배포되는 지상거리 검출(ground range detected) 데이터와 같이 전 세계적으로 이용 가능한 분석 준비 데이터에서 동작할 수 있다는 점은 임무 설계, 변화 모니터링, 다양한 매핑 작업에서의 대규모 적용을 가능하게 한다.

원문 초록

In this work, we propose a deep learning framework for coherence regression directly from detected SAR images, without the need for accurate coregistration. A Residual U-Net is trained using coherence maps derived from precisely coregistered Sentinel-1 SLC data to learn the relationship between backscatter magnitudes and coherence. The model is trained on 12-day SLC pairs and evaluated across different datasets, including coregistered SLC products and open access analysis-ready data, covering diverse radiometric properties, geometries, and locations. Experimental results demonstrate that the proposed method achieves high-resolution coherence regression with improved accuracy compared to existing intensity-based approaches. The network generalizes well across diverse geographical locations and even across different temporal baselines that were never seen at training time. Additionally, the ability to operate on globally available analysis-ready data, such as ground range detected data, e.g., distributed through Google Earth Engine, enables its large-scale application in mission design, change monitoring, and diverse mapping tasks.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.07374v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.26809v1cs.CV공통 태그 regression, remote sensing

AgroBench: 카운티 통계와 픽셀 관측을 활용한 약지도 작물 수확량 학습을 위한 재현 가능한 멀티모달 벤치마크

AgroBench: A Reproducible Multimodal Benchmark for Weakly Supervised Crop Yield Learning from County Statistics and Pixel Observations

신뢰할 수 있는 농업 수확량 통계는 일반적으로 거친 행정 구역 단위로 보고되지만, 현대 지리공간 기계학습 방법은 공간적으로 명시적인 픽셀 수준 지도가 필요하다. 이러한 불일치는 멀티모달 지구 관측 데이터를 이용한 작물 수확량 학습을 위한 대규모 벤치마크 개발을 제한해 왔다. 공개된 미국 카운티 수준 작물 수확량 통계를 약지도 픽셀 수준 작물 시계열로 변환하기 위한 재현 가능한 벤치마크 AgroBench를 제시한다. 각 작물 픽셀 시계열은 직접 측정된 픽셀 수준 수확량 라벨 대신, 카운티 수준 수확량 값을 약한 지도 신호로 짝지어 사용한다. 지리공간 데이터 생성 파이프라인은 USDA 작물 수확량 통계를 작물별 토지 피복 마스크, Sentinel-2 다중분광 영상, Sentinel-1 합성 개구 레이더(SAR) 관측, 기후 변수, 지형 정보와 통합하여 생육기 동안 개별 작물 픽셀을 기술하는 시간 정렬 멀티모달 시퀀스를 생성한다. 결과 벤치마크는 미국 주요 5개 작물에 대해 8개 생육기(2017–2024)에 걸친 5,107개 카운티-연도 조합, 788,654개의 고유 작물 픽셀에서 1,300만 건 이상의 관측치를 포함한다. 표준화된 평가를 위해 Leave-One-Year-Out 평가 프로토콜을 사용한 작물 수확량 예측 벤치마크를 수립하고, 대표적인 기계학습 모델에 대한 기준선 결과를 제공한다. 데이터 생성 파이프라인, 벤치마크 데이터셋, 평가 프로토콜 전체를 공개함으로써 AgroBench는 약지도 학습, 멀티모달 원격 탐사, 시공간 모델링, 농업용 지리공간 파운데이션 모델에 관한 향후 연구를 위한 재현 가능한 토대를 제공한다.

arXiv:2609.28286v1cs.CV공통 태그 regression, remote sensing

이중 인코더 트랜스포머를 통한 위성 복사휘도 기반 행성경계층 고도 추정

PBLH Estimation from Satellite Radiances via a Dual-Encoder Transformer

위성 관측으로부터 행성경계층 고도(PBLH)를 추정하는 것은 대기 상단 복사휘도(top-of-atmosphere radiances)와 지표 부근 대기 구조 간의 간접적인 관계로 인해 까다로운 회귀 문제입니다. 위성 통과 데이터의 멀티모달 특성과 공간적 불완전성을 처리할 수 있는 아키텍처의 부재, 그리고 적절한 데이터셋의 부족으로 인해 그동안 발전이 제한적이었습니다. 본 논문에서는 이전 연구에서 소개한 MetOp 복사휘도와 ERA5 PBLH 레이블을 결합한 대규모 데이터셋을 기반으로 세 가지 기여를 제시합니다. 첫째, 픽셀 단위 회귀, 관측폭(swath) 단위 시퀀스 모델, 그리고 전체 궤도 통과 영역에서 작동하는 합성곱 및 트랜스포머 모델을 아우르는 8가지 접근법에 걸쳐 벤치마크를 구축합니다. 둘째, 입력 블록에 대한 그룹화된 샤플리 분해(grouped Shapley decomposition)를 사용하여 결과 모델이 실제로 무엇에 의존하는지 정량화합니다. 셋째, 마스킹된 입력 처리 방식을 통해 전천후 조건에서 작동할 수 있는 최적의 성능을 가진 아키텍처인 이중 인코더 트랜스포머를 제시합니다. 제안된 모델은 별도로 분리된 글로벌 테스트 세트에서 MAE = 155.8 m를 달성하여 모든 평가 하위 집합에서 모든 기준선(baseline)을 능가했습니다. TEAMx 관측 캠페인과 겹치는 이틀 동안 획득된 30개의 분포 외(out-of-distribution) 그래뉼(granule)에서도 MAE = 165.3 m를 달성하여 동일한 데이터로 학습된 픽셀 단위 기준선(MAE = 197 m)을 능가했습니다.

arXiv:2609.24634v1cs.CV공통 태그 regression, remote sensing

고해상도 이산화질소 지도로 밝혀진 유럽 전역의 노출 한계 초과

High-resolution Nitrogen Dioxide Maps Reveal Exposure Limit Breaches across Europe

이산화질소(NO2)는 화석 연료의 불완전 연소로 대기 중에 배출되는 흔한 대기오염 물질로, 인체의 호흡기 및 심혈관 질환과 관련이 있다. 대기 중 NO2 농도는 희소한 고정 모니터 네트워크로 평가되는 대기질 한계 기준을 통해 규제된다. 개정된 EU 대기질 지침(2024/2881)은 2030년부터 충족해야 하는 일일 NO2 한계 기준을 도입한다. 현재로서는 규제 모니터링 네트워크나 기존의 조악한 연평균 모델 모두 규정 준수를 평가하는 데 필요한 시공간 해상도로 NO2 농도를 해석해낼 수 없다. 본 연구에서는 지상 모니터, 위성, 재분석, 토지 이용, 교통 및 배출 데이터를 결합하여 모든 위치에서 보정된 예측 분포를 반환하는 머신러닝 모델을 사용해 유럽 전역의 NO2를 시간당, 10m 해상도로 지도화한다. 별도로 확보한(held-out) 규제 모니터와 독립적인 시민 과학 캠페인을 대상으로 검증한 결과, 이 지도는 유럽 110개 대도시권에서 고해상도의 시공간적 NO2 구배를 해석해낸다. 우리는 이들 지역에서 일일 규정 준수 통계량을 재구성하였으며, 규제 모니터링 네트워크상으로는 준수하는 것으로 간주된 91개 EU 대기질 구역에서 한계 초과를 발견하였고, 이는 약 1억 3,500만 명의 인구를 포괄한다. 대기질 구역 및 모니터 위치를 넘어서, 지도화된 지역 인구의 약 9~9.4%(2,000만 명)가 일일 NO2 한계가 초과되는 지역에 거주하는 것으로 추정된다. 이 고해상도 지도는 2030년 한계 기준 준수 여부를 인구 규모로 평가할 수 있는 경로를 제공한다.

arXiv:2607.22746v1cs.CV공통 태그 remote sensing, sar

전천후 건물 피해 매핑의 인스턴스 수준 고도화: 2026 Bright Challenge의 성과와 시사점

Advancing All-Weather Building Damage Mapping to the Instance Level: Outcomes and Insights from the 2026 Bright Challenge

재난 발생 후 신속한 대응을 위해서는 구조물이 온전한지, 손상되었는지, 파괴되었는지에 대한 시의적절한 건물 수준의 정보가 필요하다. 그러나 사후 광학 영상은 구름, 연기, 또는 어둠으로 인해 이용할 수 없을 수 있다. Bright Challenge는 미터 이하 해상도의 사전 사건 광학 영상과 사후 SAR 영상을 이용한 전천후 건물 피해 매핑을 평가했다. 참가자들은 각 건물을 탐지하고 경계를 설정하며, 세 가지 상호 배타적인 피해 라벨 중 정확히 하나를 할당해야 했다. 본 챌린지는 전 세계에 분포된 Bright 데이터셋을 7가지 재난 유형에 걸친 16건의 재난 사건에서 약 291,000개 건물에 대한 인스턴스 수준 주석으로 확장했다. 최종 단계는 학습에 포함되지 않은 2025년 두 건의 사건, 즉 캘리포니아의 산불 사건과 자메이카의 허리케인 사건에 대해서만 평가되었다. 총 157명의 참가자가 1,289건의 제출을 했으며, 46개 팀이 최종 단계에 진출했다. 두 우승 솔루션은 각각 0.182와 0.181의 테스트 mAP을 달성했으며, 이는 공개 기준선 0.021의 약 8.7배이지만, 최고의 in-domain 홀드아웃 점수 0.513에는 크게 미치지 못했다. 양 단계 모두에서 순위가 매겨진 팀들을 비교하면, 성능은 급격히 하락했고 순위도 크게 바뀌었다. 두 선두 솔루션은 독립적으로 모달리티별 인코딩, 단계적 또는 후기(late) 광학-SAR 융합, 그리고 건물 위치 추정과 피해 인식의 광학 우선 분리를 채택했다. 우승 방법은 추가로 장면 인식(scene-aware) 임계값 조정과 의사 라벨(pseudo-label) 적응을 사용했다. 이 결과는 교차 사건 일반화와 안정적인 심각도 구분을 핵심적인 남은 과제로 식별한다. 모든 데이터, 주석, 기준선 코드, 우승 솔루션은 https://github.com/ChenHongruixuan/BRIGHT 에서 공개적으로 이용할 수 있다.

arXiv:2607.21745v1eess.SP공통 태그 regression, remote sensing

위성 탑재 SAR 영상에서 RCS 모델링을 위한 딥 시그마 포인트 프로세스

Deep Sigma Point Processes for RCS Modeling in Spaceborne SAR Imagery

레이더 단면적(RCS) 모델링은 위성 탑재 레이더 시스템의 활용도와 민감도를 향상시키는 데 기초적이다. 본 연구는 208,191척의 검증된 선박을 포함하는 RADARSAT-2 데이터셋을 사용하여 합성개구레이더(SAR) 영상에서 RCS를 예측하기 위한 딥 시그마 포인트 프로세스(DSPP) 모델을 제안한다. DSPP 모델은 예측 정확도를 추구할 뿐만 아니라, 레이더 신호, 선박 파라미터, 환경 조건 간의 복잡한 관계에 내재된 불확실성을 특성화한다. 정적 파라미터를 갖는 결정론적 방정식에 의존하는 기존 접근법과 달리, DSPP는 계층적 가우시안 프로세스 프레임워크와 베이지안 추론을 사용하여 RCS 예측의 변동성과 불확실성을 포착한다. 단일 추정치가 아닌 예측 분포를 생성함으로써, 모델은 레이더 반사 신호를 지배하는 복잡한 역학을 반영한다. 자동 관련성 결정(ARD)을 갖는 Matérn 커널을 사용하여 DSPP는 레이더, 운용, 환경 영역 전반에 걸쳐 중요 특징을 식별하고 순위를 매겨 투명성과 해석 가능성을 지원한다. 성능 평가 결과, 모델은 선형 회귀 기준선 대비 우수함을 보였으며, 테스트 데이터에서 제곱근 평균 제곱 오차(RMSE) 20.83% 감소, R² 25.89% 증가, 잔차 사분위 범위와 중앙절대편차(MAD) 모두 44.4% 감소를 달성했다. 보정된 불확실성 경계를 제공함으로써 DSPP는 예측 신뢰성을 향상시키고 견고한 의사결정을 지원한다. 본 연구는 복잡한 현상에 내재된 불확실성을 통합하는 확률적 모델로의 전환을 나타낸다. 고정된 방정식에서 결과에 대한 분포로 전환함으로써 DSPP는 RCS 거동에 대한 더 깊은 이해를 촉진하고 동적 환경에서 시스템이 효과적으로 작동할 수 있게 한다.

arXiv:2607.22408v1cs.LG공통 태그 regression, remote sensing

LunarFM: 달 표면의 공유 다중모달 표현

LunarFM: A Shared Multimodal Representation of the Moon's Surface

현장 자원 활용(in-situ resource utilization)과 달에 대한 지속적인 인간 거주 전망에 힘입어 달 탐험이 다시 전 세계적 관심을 받으면서, 달 표면의 정확하고 대규모적인 특성화에 대한 수요가 증가하고 있다. 궤도 원격 탐사 데이터가 방대하게 수집되었음에도, 이질적인 다중 계측기 관측, 희소 라벨, 맞춤형 과제별 모델링 워크플로로 인해 과학적 분석과 자원 매핑은 여전히 파편화되어 있다. 본 연구에서는 다양한 궤도 측정으로부터 달 표면의 일반적 표현을 학습하는 다중모달 파운데이션 모델 LunarFM을 소개한다. LunarFM은 세 개의 달 임무에서 여섯 개 계측기의 관측을 통합하여 18개 입력 채널을 공유 임베딩 공간에 매핑한다. 이 임베딩 공간이 유사도 검색, 퓨샷(few-shot) 자원 매핑, 광물 함량 회귀, 지질 단위 분류 등 다양한 다운스트림 응용을 지원함을 보여, 효율적인 과학적 조사와 자원 중심 분석을 가능하게 한다. 위도 70°S에서 70°N에 걸친 공동 등록(co-registered) 다중모달 관측의 머신러닝 준비 데이터셋, 사전학습된 다중모달 마스크드 오토인코더, 그리고 달 표면 특성의 결합 768차원 표현을 제공하는 동반 임베딩 데이터셋을 함께 제공한다. 모든 코드와 데이터는 https://lunarfm.trillium.tech/ 에서 이용할 수 있다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.