시각적 공간 학습: 합성곱 신경망 (CNN)을 이용한 단일 필드 공간 보간

희소한 관측값으로부터 완전한 공간 상관 필드 (spatially correlated field)를 예측하는 것은 공간 통계학 및 환경 모델링 (environmental modelling) 분야의 근본적인 과제입니다. Kriging과 같은 전통적인 보간법 (interpolation methods)은 가우시안 프로세스 (Gaussian process) 가정과 베리오그래피 (variography)에 의존하며, 이는 비정상성 (non-stationary) 환경에서 효과를 제한할 수 있고 상당한 도메인 전문 지식을 요구합니다. 본 연구에서는 외부 데이터나 사전 필드에 대한 접근 없이, 단일 부분 관측 필드 (single partially observed field)에서 학습되고 적용되는 합성곱 신경망 (CNNs) 기반의 공간 보간 아키텍처를 활용합니다. 이 모델은 관측된 위치에서 직접 지도 학습 (supervised)되며, 사용자가 정의한 그리드 (grid) 상의 미관측 지점 값을 예측하도록 학습됩니다. Kriging과 달리, 우리의 방법은 명시적인 공분산 모델링 (covariance modelling)이나 베리오그램 추정 (variogram estimation)을 필요로 하지 않으며, 데이터 기반 방식으로 국소적 공간 패턴을 유연하게 포착할 수 있습니다. 본 연구는 희소한 지도 학습 (sparse supervision) 하에서 단일 인스턴스 공간 보간을 위한 CNN의 잠재력을 입증하며, 전통적인 지질 통계학적 방법 (geostatistical methods)에 대한 실용적인 대안을 제시하고 CNN의 활용 범위를 새로운 문제 영역으로 확장합니다.