어텐션 기반 부분 합성곱 모델을 이용한 GOCI-II 클로로필-a 결측 데이터의 시공간 복원

다국어 초록 (Multilingual Abstract)

Ocean color remote sensing provides continuous observations, with the Geostationary Ocean Color Imager-II (GOCI-II) offering high temporal resolution data for the Korean Peninsula. However, cloud cover frequently creates data gaps, compromising the reliability of chlorophyll-a measurements— a critical marine ecosystem indicator. This study proposes the Spatiotemporal Attention Partial Convolution model to reconstruct missing values in multi-day satellite imagery. The model extends partial convolution to three dimensions, enabling simultaneous exploration of spatiotemporal dynamics. A 3D attention mechanism guides the network to focus on informative features. To ensure robust training, we developed a cloud mask generation strategy using Gaussian Random Fields with parameterized indices, creating diverse scenarios exceeding observational variability. Evaluation using 2024 GOCI-II masks demonstrated superior performance, achieving mean absolute error of 0.036 mg/m³, root mean squared error of 0.068 mg/m³, and R² of 0.865. Consistency analysis across ten regions showed substantial improvements, with valid pixels increasing from 54% to 97%. Qualitative assessments confirmed that reconstructed images preserve natural spatial continuity without artifacts, significantly enhancing the utility of GOCI-II data for marine environmental monitoring.

국문 초록 (Abstract)

본 연구는 Geostationary Ocean Color Imager(GOCI)-II 클로로필-a 관측 자료의 연속성을 저해하는 구름 및 대기 조건에 의한 데이터 결측 문제를 해결하기 위해, Spatiotemporal Attention Partial Convolution(SApconv) 모델을 제안하였다. 광범 위한 구름으로 인해 단일 영상 내 참조할 유효 정보가 부재 할 경우 복원이 불가 능한 기존 단일 시점 기반 기법의 한계를 극복하고자, 본 연구에서는 2차원 부분 합성곱을 3차원으로 확장하여 다중 시일 위성 영상 내에 존재하는 시공간적 맥락 정보를 동시에 학습할 수 있는 아키텍처를 설계하였다. 특히, 3차원 어텐션 메커니 즘을 결합하여 네트워크가 시공간적으로 유의미한 특징에 선택적으로 집중하게 함 으로써, 복잡한 해양 환경에서의 복원 신뢰성을 향상시켰다. 또한, 실제 관측 데이 터만으로는 확보하기 어려운 다양한 결측 패턴을 학습하기 위해 가우시안 랜덤 필 드 기반의 체계적인 학습 데이터 생성 전략을 통해 모델의 강건성을 확보하였다. 구름 밀도 지수와 결측 픽셀 비율을 정량적으로 제어하여 생성된 인공 구름 마스 크는 모델이 다양한 결측 시나리오에 대해 안정적인 일반화 성능을 확보하도록 핵 심적인 역할을 수행하였다. 2024년 실제 GOCI-II 관측 데이터를 이용한 정량적 검 증 결과, 제안된 모델은 평균 절대 오차 0.0360 mg/m³, 평균 제곱근 오차 0.0684 mg/m³, R² 0.8649의 복원 정확도를 나타냈다. 나아가 주요 해역에 대한 장기 시계 열 분석을 수행한 결과 시공간 데이터 가용성이 약 54%에서 97%로 향상시키고 복원된 자료는 원본 데이터의 물리적 경향성과 계절적 변동성을 충실히 보존함으 로써 GOCI-II 자료의 실질적 활용 가치를 제고할 수 있음을 확인하였다.

목차 (Table of Contents)

• 1. 서론 1
• 2. 연구 지역 및 데이터 5
• 2.1 연구 지역 5
• 2.2 제안 방법론의 개요 7
• 2.3 데이터 전처리 9
• 2.3.1 공간 분할 및 품질 관리 9
• 2.3.2 통계적 이상치 제거 9
• 2.3.3 시간적 합성 11
• 2.3.4 시공간 시퀀스 구축 11
• 2.4 학습 데이터셋 생성 및 구성요소 12
• 3. 방법론 14
• 3.1 모델 구조 16
• 3.2 Partial Convolution 15
• 3.3 3D 어텐션 모듈 21
• 3.4 인공 구름 마스크 생성 24
• 3.5 실험 시나리오 27
• 3.6 시공간 연속성 검증 방법 30
• 4. 결과 32
• 4.1 정량적 평가 32
• 4.2 정성적 평가 36
• 4.3 시공간 일관성 평가 41
• 5. 토의 48
• 6. 결론 52
• 참고문헌 53