도시의 공간 형태를 이해하는 것은 기후 모델링 (climate modeling), 위험 평가 (risk assessment), 그리고 지속 가능한 도시 설계 (sustainable urban design)에 매우 중요하며, 국지 기후 구역 (Local Climate Zone, LCZ) 매핑은 이를 위한 기본 프레임워크를 제공합니다. 그러나 많은 도시들이 여전히 미세 규모의 도시 연구에는 부적합한 약 100m 해상도의 거친 LCZ 기록을 사용하고 있습니다. 본 연구에서는 attention 기반 U-Net을 사용하여 거친 LCZ 지도를 10m 해상도로 업스케일링 (upscale) 할 수 있는지 확인하기 위해, 스위스의 5개 도시를 대상으로 TESSERA (Feng et al., 2025) 및 AlphaEarth (Brown et al., 2025)에서 사전 계산된 임베딩 (embeddings)을 전통적인 Sentinel-1/2 (S1S2) 합성 영상과 비교합니다. 세 가지 실험을 통해 다도시 전이 가능성 (multi-city transferability), 고해상도 참조 데이터의 영향, 그리고 연간 식생 변화 (phenology changes)에 대한 시간적 견고성 (temporal robustness)을 평가합니다. 연구 결과, 모든 데이터셋이 강력한 성능을 달성하였으며, 첫 두 실험에서 테스트 데이터 교집합 대비 합집합 (Intersection-over-Union, IoU) 범위는 0.59-0.69 및 0.77-0.82로 나타났습니다. TESSERA는 두 설정 모두에서 S1S2와 AlphaEarth를 모두 일관되게 능가합니다. 예상대로, 임베딩 기반 모델을 한 해에서 다른 해로 전이하는 것은 여전히 해결해야 할 과제로 남아 있음을 확인했습니다. 그러나 전반적으로 우리의 결과는 지구 관측 (EO) 파운데이션 모델 (foundation models)에서 유도된 임베딩이 시간이 많이 소요되는 전처리 (preprocessing) 및 수동 특징 공학 (manual feature engineering) 작업을 줄이고, 보편적인 딥러닝 기반 LCZ 매핑 워크플로우를 안내할 수 있는 유망한 잠재력을 보여준다는 것을 입증합니다. 단순한 위치 인식 attention U-Net 아키텍처와 결합될 때, 이러한 임베딩은 지역적 전이 가능성과 확장성 (scalability)을 향상시켜, 전 지구적 도시 기후 응용을 위한 포괄적이고 재현 가능한 미세 규모 LCZ 지도 개발을 지원합니다. 참조 데이터의 품질을 개선하는 것이 정확도를 더욱 높이기 위한 가장 강력한 수단으로 남아 있습니다.