홍수 침수 지도 제작 개선을 위한 원격 탐사용 딥러닝 (Deep Learning)

홍수 (Flooding)는 전 세계적으로 가장 만연한 자연재해입니다. 적시적이고 정확한 홍수 침수 지도 제작 (Flood inundation mapping)은 재난 위험 관리 (Disaster risk management)를 위한 정보를 제공하는 데 필수적입니다. 광학 위성 미션 (Optical satellite missions)은 홍수 탐지 및 침수 지도 제작에 중요한 고해상도 다중 분광 관측 (Multispectral observations)을 제공합니다. 그러나 극한 강수 이벤트 동안 발생하는 구름 덮임 (Cloud cover)으로 인해 운영상의 유용성이 심각하게 제한됩니다. 시간적 합성 (Temporal compositing) 또는 보간 (Interpolation)에 기반한 기존의 구름 제거 (Cloud-removal) 기술은 침수 역학 (Inundation dynamics)을 포착하는 데 종종 실패합니다. 본 연구에서는 Masked Diffusion Transformer 아키텍처를 활용하여 Denoising Diffusion Probabilistic Models (Denoising Diffusion Probabilistic Models, DDPM) 기반의 홍수 영상용 구름 제거 프레임워크를 소개합니다. 제안된 접근 방식은 셀프 어텐션 (Self-attention) 메커니즘을 활용하여 더 넓은 공간적 문맥 (Spatial context)을 포착하고, 마스크 토큰 모델링 (Masked token modeling)을 채택하여 구름에 가려진 영역의 재구성을 명시적으로 학습합니다. 현실적인 구름 패턴이 포함된 다중 분광 Sentinel-2B 홍수 장면으로 학습된 이 모델은 시각적 충실도 (Visual fidelity)와 수문학적 일관성 (Hydrological consistency)을 모두 보존하는 구름 없는 이미지 실현 (Image realizations)을 생성합니다. 재구성 성능은 표준 이미지 품질 지표와 함께 홍수 특화 수문학적 측정치를 사용하여 평가되었으며, 수체 (Water bodies)의 연속성 개선과 수체 탐지 지수 (Water detection indices)에 중요한 분광 특성 (Spectral signatures)의 보존을 입증했습니다. 결과는 확산 기반 생성 모델링 (Diffusion-based generative modeling)이 광학 홍수 모니터링의 구름 제거를 위한 강력하고 물리적으로 일관된 대안을 제공하며, 재난 위험 관리 및 홍수 관련 의사 결정을 지원하기 위한 더 신뢰할 수 있고 연속적인 관측을 가능하게 함을 나타냅니다.