EO-WM: 확률론적 지구 관측 (Earth Observation) 예측을 위한 물리 정보 기반 월드 모델 (Physically

지구 관측 (Earth Observation, EO) 예측은 변화하는 기상 조건 하에서 위성 관측을 통해 미래의 지구 표면 역학을 예측하는 것을 목표로 합니다. 본 논문에서 우리는 이 과업을 부분적으로 관측된(partially observed), 기상 주도형 월드 모델링 (world modeling) 문제로 간주합니다. 여기서 기상은 조건화 신호 (conditioning signal) 역할을 하는 반면, 희소한 관측값과 관측되지 않은 지표면 상태로 인해 예측에는 불확실성이 존재합니다. 그러나 기존 방법들은 이러한 설정을 완전히 포착하지 못합니다. 결정론적 모델 (deterministic models)은 불확실성을 단일한 미래 예측으로 붕괴시키며, 확산 기반 (diffusion-based) 방법들은 일반적으로 기상 변수를 차별화되지 않은 조건화 신호로 취급합니다. 또한 기존 벤치마크들은 변화된 기상 강제력 (weather forcing)에 예측이 올바르게 반응하는지보다는 주로 재구성 정확도 (reconstruction accuracy)에 초점을 맞춥니다.

우리는 다중 분광 (multispectral) EO 예측을 위한 비디오 확산 트랜스포머 (video diffusion transformer)인 EO-WM을 소개합니다. EO-WM은 기후학적 베이스라인 (climatological baseline), 기상 이상 (weather anomalies), 그리고 누적된 물리적 스트레스 신호 (cumulative physical stress signals)를 통해 기상 강제력을 표현하는 물리 정보 기반 조건화 프레임워크 (physically informed conditioning framework)를 통합합니다. 구체적으로, 이는 별도의 조건화 경로를 통해 베이스라인과 이상치를 분리하며, 지속적인 열 및 가뭄 스트레스를 포착하기 위해 시간에 따라 이상 강제력을 누적합니다. 표준 지표를 넘어 기상 반응 동작을 평가하기 위해, 우리는 두 가지 진단용 벤치마크를 도입합니다: 극한 기상 조건 하에서 식생 퇴화의 심각도를 인지하여 예측하는 극한 여름 벤치마크 (Extreme Summer Benchmark), 그리고 변화된 기상 강제력 하에서 반응 충실도를 테스트하는 계절 매칭 쌍 벤치마크 (Seasonal Matched-Pair Benchmark)입니다. 실험 결과, EO-WM은 표준 픽셀 수준 지표에서 경쟁력을 유지하면서도, 예측된 정규 식생 지수 (Normalized Difference Vegetation Index, NDVI) 감소 진폭의 오차를 상대적으로 5.63% 줄이고 방향 적중률 (directional hit rate)을 상대적으로 7.80% 향상시켰습니다. 벤치마크와 모델은 https://github.com/Luo-Z13/EO-WM 에서 오픈 소스로 공개될 예정입니다.