마이크로파 (Microwave) 위성 영상은 전 세계적으로 열대 저기압 (tropical cyclone)의 강수량과 강도를 모니터링하는 데 중요한 역할을 하지만, 재방문 주기 (revisit times)가 길어 폭풍의 급격한 발달 단계를 놓칠 가능성이 있습니다. 이는 보간 (interpolation) 방법의 필요성을 제기하지만, 서로 다른 기기에서 발생하는 마이크로파 데이터의 높은 이질성 (heterogeneity)으로 인해 어려움이 따릅니다. 본 연구에서는 샘플에 따라 변화하고, 불규칙한 시간 간격으로 발생하며, 지리적으로 정렬되지 않고, 서로 다른 특성을 가진 기기에서 오는 다중 지리 공간 소스 (multiple geospatial sources)에 적용할 수 있는 최초의 생성 모델 (generative model)을 소개합니다. 우리는 이 모델을 다른 마이크로파 및 적외선 (infrared) 기기로부터 얻은 열대 저기압 마이크로파 영상의 시공간적 보간 사례에 적용합니다. 우리는 무작위 소스를 마스킹 (masked)하고 재구성하는 자기 지도 학습 (self-supervised) 태스크를 사용하여 학습을 진행하며, 이것이 지도 학습 (supervised training)에 비해 연속 순위 확률 점수 (Continuous Ranked Probability Score, CRPS)를 유의미하게 감소시킨다는 것을 보여줍니다. 또한, 마이크로파 데이터만 사용하는 것과 비교하여 적외선과 마이크로파 데이터를 결합했을 때 추가적인 개선이 이루어짐을 보여줍니다. 이러한 개선을 통해, 생성 모델은 결정론적 모델 (deterministic model)과 대등한 앙상블 평균 (ensemble mean)을 생성하는 동시에, 실제 관측값에 훨씬 더 가까운 파워 스펙트럼 (power spectrum)을 생성합니다. 우리가 알고 있는 바로는, 이것은 불규칙한 시간 간격에서 다중 마이크로파 기기와 적외선 관측을 결합하여 저기압의 마이크로파 영상을 보간하는 최초의 생성 모델입니다.