MODIS 관측자료 기반 2단계 머신러닝 프레임워크를 이용한 픽셀 분류 및 에어로졸 광학두께 산출

2. 1 연구 데이터

본 연구의 대상 영역은 위도 20°~55°N, 경도 110°~145°E의 동아시아 지역으로 설정하였다(그림 1). 이 영역은 중국 내륙, 한반도, 일본 열도 및 주변 해역을 포함하며, 에어로졸 발생원과 지표 유형의 다양성을 나타내는 지역이다. 고비 및 타클라마칸 사막에서 발원한 황사는 편서풍을 따라 동진하면서 한반도와 일본에서도 높은 AOD를 유발하고(Lee, 2013), 중국 동부 산업 지대에서 발생한 인위적 에어로졸은 계절풍 순환에 따라 광역적으로 수송되므로(Yu et al., 2015), AOD의 계절 변동폭이 다른 지역에 비해 뚜렷하게 나타난다(Lee and Bae, 2023). 그리고 사막이나 건조한 육지, 빙설지 또는 강설지, 계절별/지역별 식생 변화, 그리고 복잡한 해양 변화가 공존한다. 에어로졸 부하와 지표 특성이 모두 다양한 동아시아 지역은 AI 기반 화소 분류 알고리즘의 성능을 검증하는 데 적합한 동시에, 기존의 물리 기반 알고리즘이 안정적인 AOD 산출에 어려움을 겪는 도전적인 조건도 포함하고 있어 본 연구의 목적에 부합하는 연구 영역이다.

Fig. 1.

Study domain (20°~55°N, 110°~145°E) covering East Asia, including the Korean Peninsula, China, Japan, and the surrounding ocean.

AI 모델의 입력 피처는 보정된 복사량 산출 데이터인 MODIS L1b 데이터(코드명 MOD02)를 사용하였다. MOD02 데이터는 센서 보정이 적용된 복사휘도(radiance) 및 반사도(reflectance) 데이터로서, 1 km 공간 해상도에서 36개 분광 채널 전체에 걸쳐 모든 화소별 관측값을 제공한다. 본 연구에서 활용한 분광 채널은 지표 반사와 에어로졸에 민감한 반사태양복사 밴드(Reflective Solar Bands, RSB) 중 중심파장 0.47 µm, 0.55 µm, 0.66 µm, 0.87 µm, 1.24 µm, 1.64 µm, 2.13 µm에서 반사도 값과 파생지수를 사용했다. 그리고 열적외 방출복사 밴드(Thermal Emissive Bands, TEB) 중 구름에 민감한 두 밴드 B31(11.03 µm)과 B32(12.02 µm)를 사용하였다. 이 채널은 얇은 권운(thin cirrus) 탐지에 민감하며, 상층 구름 화소를 식별하는 데 중요한 역할을 한다(Pavolonis and Heidinger, 2004; Inoue, 1985).

MOD02 데이터는 1 km 격자 크기로 제공되지만, 학습 레이블인 MOD04 데이터는 10 km 해상도의 격자를 기준으로 한다. 따라서 L1B 데이터는 10×10개의 화소에 대한 산술평균을 산출하여 피처로 사용하였으며, 결측 화소는 평균 산출에서 제외하였다. 관측 기하 정보(태양 천정각, 방위각, 위성 천정각, 방위각, 산란각, Sun Glint 각도)와 위경도 및 육지/해양 마스크는 MOD02 데이터에 포함된 보조 변수로부터 취득하였으며, 레이블 생성에 관여하지 않는 독립적인 피처로서 분류 및 AOD 산출 모델의 입력 데이터로 사용하였다.

AI 모델의 학습 레이블은 MOD35와 MOD04 데이터에서 추출하였다. 레이블 생성에 사용된 L2 변수는 화소별 구름 마스크(Aerosol_Cldmask_Land_Ocean), DT와 DB 산출 결과가 통합된 AOD(AOD_550_Dark_Target_Deep_Blue_Combined), 그리고 육지/해양 마스크(Land_sea_Flag, 10 km)이며, 이 세 변수의 조합으로 6클래스 화소 마스크(pix_mask)를 정의한다. 레이블 생성 과정에서 L1B 피처 변수는 참조하지 않으므로, 피처와 레이블 간의 데이터 누출(data leakage)은 원천적으로 배제된다. 이처럼 피처와 레이블의 출처를 명확히 구분함으로써, 모델이 실제 대기와 지표의 분광 특성으로부터 화소 유형과 AOD를 학습하는 물리적으로 일관된 구조를 구현하였다.

본 연구에서는 AI 기반 AOD 산출 알고리즘의 가능성을 검증하기 위한 첫 단계로 MOD04 AOD를 참조 데이터(reference dataset)로 사용하였다. AOD 산출 모델의 성능 평가는 MOD04의 통합 AOD 산출물을 기준값으로 사용하며, 학습에 참여하지 않은 독립 시험 세트에서 AI 예측 AOD와의 일치도를 정량적으로 평가하는 방식으로 수행하였다. 이는 AI 모델이 MOD04가 산출하는 AOD의 시공간 패턴을 얼마나 정확히 재현할 수 있는지를 1차적으로 검증하는 단계이다. MOD04 자체가 보유한 불확실성 및 지상 관측값 대비 절대적 정확도 검증은 본 연구의 범위를 벗어나며, 향후 충분한 시공간 매칭 데이터를 확보한 후속 연구에서 별도로 수행될 예정이다.

2. 2 2단계 머신러닝 알고리즘

본 연구에서 제안하는 알고리즘은 화소 분류와 AOD 산출로 구성된 2단계 구조이며, 전체 처리 흐름은 그림 2에 제시하였다. MOD02 데이터에서 분광 데이터 피처를 추출하고 10 km 블록 평균으로 집계한 후, 기하 및 위치 관련 보조 변수와 결합하여 파생 피처를 산출하는 데이터 전처리 단계가 선행된다. 이렇게 구성된 피처 벡터는 두 단계의 XGBoost(Chen and Guestrin, 2016) 모델에 순차적으로 입력된다. 1단계에서는 XGBoost 다중 클래스 분류 모델이 각 화소를 6개 클래스로 분류하고, 동시에 각 클래스에 대한 소속 확률을 출력한다. 2단계에서는 1단계에서 청천 육지 또는 청천 해양으로 분류된 화소에 한하여 육지용과 해양용으로 각각 학습된 XGBoost 회귀 모델이 AOD를 예측한다. 이 과정에서 구름, 구름 의심, 밝은 육지, 밝은 해양으로 분류된 화소는 AOD 산출 대상에서 제외하여 결측으로 처리한다. 두 단계의 모델은 학습 완료 후 독립적으로 저장되어 신규 관측 데이터에 반복 적용할 수 있다.

Fig. 2.

Flowchart of the proposed two-stage machine learning algorithm. Stage 1 performs six-class pixel classification using an XGBoost classifier, and Stage 2 retrieves AOD for clear land and clear ocean pixels using separate land and ocean XGBoost regression models.

XGBoost는 결정 트리를 약한 학습기로 사용하는 그래디언트 부스팅 앙상블 알고리즘으로, 구조화된 표 형식 데이터에서 높은 예측 정확도를 가지며 입력 변수 내 결측값을 각 분기에서 최적 방향으로 학습하여 자동으로 처리한다. 분류 모델의 주요 하이퍼파라미터는 표 1에 정리하였다. 그리고 클래스 불균형 처리를 위해 각 학습 화소에 역제곱근 빈도 기반의 샘플 가중치를 부여하였으며, XGBoost 모델의 학습 데이터 구성은 학습(60%), 검증(20%), 시험(20%) 세트로 계층적 무작위 분할(stratified random split)하였다. 이중 검증 세트는 학습 중 조기 종료 판단에만 사용하였으며, 시험 세트는 최종 모델 성능 평가에만 활용하여 선택 편향을 배제하였다. 한편, 전체 화소에서 구름 클래스의 비율이 약 70~80% 수준으로 나타나지만 구름 의심이나 밝은 해양 화소는 상대적으로 매우 적어 심각한 클래스 불균형이 존재한다. 이를 완화하기 위해 클래스별 표본 빈도(N_c)의 제곱근에 반비례하는 가중치$$ \left(w_c=1/\sqrt{N_c}\right)$$를 각 학습 화소에 부여하였다.

Table 1.

Hyperparameter settings for the XGBoost classification and AOD retrieval models.

AOD 산출 모델은 1단계에서 청천 육지 또는 청천 해양으로 분류된 화소만을 대상으로 육지와 해양에 특화된 두 개의 독립적인 XGBoost 회귀 모델을 각각 학습한다. 육지와 해양은 지표의 분광 반사 특성이 다르므로, 하나의 회귀 모델보다 각각 독립적으로 최적화된 모델이 비선형 관계를 더욱 효과적으로 학습할 수 있다. AOD 산출 모델의 입력 변수는 분류 모델의 경우와 동일하다. 그리고 물리적으로 AOD는 양수이므로 모델의 예측값이 음수로 산출되는 경우 0으로 강제 보정하였다.

6클래스 화소 분류 모델의 성능은 전체 정확도(Overall Accuracy, OA), Cohen의 카파 계수(κ)(Cohen, 1960), 그리고 클래스별 정밀도(Precision), 재현율(Recall), F1-점수로 평가한다. 카파 계수는 식 (1)과 같이 우연 일치 가능성을 보정한 분류 일치도를 나타내며, 0.61~0.80 범위에 해당하는 값을 가지면 실질적 일치(substantial agreement), 0.81 이상이면 거의 완전한 일치(almost perfect agreement)로 해석된다(Landis and Koch, 1977).

위 식에서 p₀와 p_e는 각각 전체 정확도와 우연 일치 확률을 의미한다. 전체적인 성능 요약에는 클래스 빈도로 가중 평균한 F1-점수(weighted F1)를 병행하여 제시하였다.

여기서 가중치 항(N_c/N)은 각 클래스의 실제 화소 수 비율이다. AOD 산출 모델의 성능은 AI 모델 예측 AOD(τ_AI)와 MOD04 AOD(τ_SAT) 사이의 일치도를 기준으로 평가하며, 결정계수(R²), 평균 절대 오차(MAE), 평균 제곱근 오차(RMSE), 편의(Bias)를 주요 지표로 사용한다.

그리고, MOD04가 Dark Target 알고리즘의 오차 허용 기준으로 제시한 기대 오차(Expected Error, EE) 범위를 AI 예측과 MOD04 사이의 일치 기준으로 준용한다(Levy et al., 2013).

이를 기반으로 AI 예측 편차가 EE 이내에 드는 화소의 비율(%EE)은 이 기준을 만족하는 정도를 나타내며, 값이 높을수록 AI 모델이 MOD04 산출값과 높은 수준으로 일치함을 의미한다.

3. 1 화소 특성 분류 모델 성능 평가

2024년 전체 기간 동안의 AI 모델의 학습용 데이터 중 화소 특성 분류로 사용되는 레이블 데이터는 다음과 같다. 총 10,873,309개의 화소 중 구름 클래스가 8,868,791개(81.6%)로 최다 수치를 나타냈으며, 그 다음으로 청천 육지 683,918개(6.3%), 청천 해양 669,252개(6.2%), 밝은 육지 290,823개(2.7%), 구름 의심 269,976개(2.5%) 순이었다. 밝은 해양은 90,549개(0.8%)로 전체에서 가장 낮은 비율을 보였다. 이와 같은 심한 클래스 불균형에서는 전체 정확도만으로는 모델의 실제 분류 성능을 충분히 평가하기 어렵다. 따라서 OA만으로는 다수 클래스 편향만을 반영할 수 있으므로, 본 연구에서는 추가로 Cohen의 카파 계수(κ)와 클래스별 F1-점수를 주요 평가 지표로 병행하였다.

시험 세트에 대한 XGBoost 6클래스 분류 모델의 정확도는 OA=91.69%로 높은 정확도를 가지고 있다. 우연 일치 가능성을 보정한 Cohen의 카파 계수는 κ=0.76으로 실질적 일치 범위에 위치함으로써(Landis and Koch, 1977), 6개 클래스에 걸쳐 유의미한 분류 능력을 보유하고 있음을 나타낸다. Weighted F1=0.92로 높게 나타났으나, 이는 다수 클래스인 구름의 높은 성능이 전체 평균에 영향을 미치기 때문이며, 클래스 빈도를 동등하게 반영하는 거시 F1-점수(macro F1)는 0.70으로 상대적으로 낮아 소수 클래스의 분류 난이도가 상대적으로 높음을 의미한다.

그림 3은 클래스 분류 결과에 대한 혼동 행렬의 히트맵이다. 구름 클래스는 총 1,678,595개로 분류되었고, 이는 전체 화소 대비 94.6%의 정확도로 일치한다. 그러나, 일부 화소인 16,380개의 화소가 구름 의심으로 오분류되는 사례가 관찰되었다. 이는 두 클래스가 유사한 분광 특성을 가지기 때문인 것으로 추정된다. 청천 육지는 총 118,488개로 분류되었고, 이는 전체 화소 대비 86.6%의 정확도로 일치하지만 밝은 육지로의 오분류(6.1%)가 상대적으로 빈번하게 나타났다. 두 클래스는 모두 청천 조건을 공유하면서 화소별 분광 특성으로 구분되는 레이블 정의 특성상 일부 화소에서 분광 신호만으로는 명확한 경계를 학습하기 어렵다는 점을 반영한다. 실제 구름 의심 화소 중 구름 의심 클래스는 구름(56.2%)과 청천(43.8%) 양방향으로 오분류가 발생하는 양상을 보여, 부분 구름 조건의 본질적인 분광 모호성이 분류 불확실성으로 이어지고 있음을 확인할 수 있었다. 그리고 청천 해양과 밝은 해양 역시 일부 상호 오분류가 발생하였으나 전체적인 분류 성능은 양호하였다.

Fig. 3.

Confusion matrix of the XGBoost six-class pixel classifier on the test dataset. (a) Classified total counts and (b) row-normalized percentages are shown in each cell.

그림 4는 각 클래스별 정밀도, 재현율, F1-점수를 비교하기 위한 막대 그래프이다. 각 클래스의 성능은 뚜렷한 차이를 나타냈으며, 이를 성능 수준에 따라 구분하여 고찰하였다. 우선, 구름 클래스는 F1=0.963으로 6개 클래스 중 두 번째로 높았으며, 높은 정밀도(0.980)와 재현율(0.946)이 균형 있게 달성되었다. 이는 구름 화소의 수가 상대적으로 많고, 가시 채널 전반에서 높은 반사도를 나타내고 열적외 채널에서는 낮은 밝기온도를 보이는 등 다른 클래스와 분광적으로 뚜렷이 구분되는 특성에 의해 설명될 수 있다. 청천 해양 클래스는 F1=0.988로 6개 클래스 중 가장 높은 성능을 기록하였으며, 정밀도 0.979와 재현율 0.997로 실제 청천 해양 화소의 대부분이 정확하게 식별되었음을 보여준다. 이는 근적외 및 단파적외 영역에서 매우 낮은 반사율을 나타내는 해수의 분광 특성으로 인하여 다른 클래스로부터 명확하게 분리할 수 있었기 때문이다.

Fig. 4.

Per-class precision, recall, and F1-score of the XGBoost pixel classification model on the 2024 test dataset.

청천 육지 클래스는 F1=0.738로 재현율(0.866)이 정밀도(0.642)보다 상당히 높게 나타났다. 이처럼 재현율이 높고 상대적으로 정밀도가 낮다는 것은 실제 청천 육지 화소의 대부분이 올바르게 탐지됨을 의미하지만, 청천 육지로 예측된 화소 가운데 상당 부분이 실제로는 다른 클래스에 속함을 의미한다. 청천 조건에서 청천 육지 화소의 분류 성공 여부는 지표 반사도의 절대적 크기와 밀접하게 연관되어 있으나, 분광 특성만으로는 시공간적으로 다양한 육지 피복의 반사 특성을 완전히 구분하기 어렵다.

밝은 해양은 F1=0.690으로 표본 수가 18,110개임을 고려하면 상대적으로 양호한 성능을 보였으며, 재현율(0.918)이 정밀도(0.552)보다 높게 나타났다. 이 클래스의 대표적인 발생 원인은 Sun Glint 각도가 특정 범위 이내일 때 집중적으로 발생하므로, 입력 변수 중 Sun Glint 각도가 이러한 분류 성능에 기여한 것으로 추정된다. 다만 정밀도 부족은 일부 청천 해양 화소가 밝은 해양으로 오분류되는 현상과 관련된 것으로 추정된다.

구름 의심 클래스는 F1=0.279로 전체 클래스 중 가장 낮은 성능을 보였다. 정밀도(0.302)와 재현율(0.258)이 모두 낮아 이 클래스는 AI 모델을 이용하여 학습하기 어려운 범주임을 나타낸다. 주요 원인으로는 구름 의심 클래스의 정의 자체가 10 km² 영역 내의 구름 비율이 약 10~30%의 연속적 전이 구간에 해당하므로, 그 분광 특성은 구름 클래스와 청천 클래스 사이의 중간적 성격을 가진다는 점이다. 블록 평균으로 집계된 L1B 반사도 값은 이 미묘한 차이를 충분히 표현하는 데 한계가 있으며, 이는 인접 구름에 의한 3차원 복사 효과(cloud adjacency effect) (Várnai and Marshak, 2009)가 블록 내 반사도 분포를 복잡하게 만드는 데서도 비롯된다. 구름 의심 클래스의 성능 한계는 현 입력 변수 체계 내에서 구조적으로 내재된 문제로 판단된다. 그리고 향후 개선 사항으로는 고해상도 구름 분율 정보나 위성 다중각 관측 데이터의 활용이 고려될 수 있다.

밝은 육지 클래스는 F1=0.531로 구름 의심 다음으로 낮은 성능을 보였으며, 정밀도 0.502는 예측의 신뢰도가 높지 않음을 의미한다. 밝은 육지는 사막, 적설지, 도시 지역 등 서로 다른 분광 특성을 갖는 다양한 지표 유형을 포함한다. 사막의 모래 재질에 따른 황색~적색 계열의 밝은 반사, 적설 지역에서 가시광 전역에서 높은 반사, 도시 지역의 복합적인 분광 반사 특성은 지표의 구성 및 형태에 따라 상당한 분광 차이를 가지므로, 단일 클래스로 대표되는 밝은 육지 클래스를 분광 특성만으로 청천 육지와 구별하는 데 어려움이 따른다. 향후 토지 피복 분류 데이터를 보조 입력으로 활용하거나 밝은 육지를 세부 유형(사막, 적설, 도시)으로 분리하는 방안을 검토할 필요가 있다.

그림 5는 XGBoost 분류 모델로부터 산출한 피처 중 요도(Gain 기준) 상위 25개 결과를 나타낸다. Gain은 모든 분할에서 손실 감소량(loss reduction)의 누적값으로 정의되며, 값이 클수록 해당 변수가 분류 성능 향상에 크게 기여했음을 의미한다. 피처 중 육지/해양 마스크(lsf)가 Gain=0.41로 가장 기여도가 크게 나타났다. 이는 6개 클래스 가운데 밝은 육지, 밝은 해양, 청천 육지, 청천 해양의 4개 클래스가 육지/해양 구분에 직접 의존하는 레이블 정의 구조를 반영한 결과로, 레이블 정의 자체가 육지와 해양을 기준으로 구성되어 있기 때문으로 해석된다. 그 다음으로는 파생 분광 지수인 feat_b4_b3가 0.18, feat_ndvi가 0.12를 차지하였다. feat_b4_b3는 녹색(0.555 μm)과 청색(0.469 μm) 채널의 비율 지수로서 이는 청색과 녹색 파장에서 구름과 해양 및 육지의 반사 특성이 서로 다르기 때문으로 해석된다. feat_ndvi는 근적외와 적색 채널의 정규화 차이로 육지 피복 특성을 반영함으로써 육지 계열 클래스의 분리에 기여한 것으로 해석된다. 두 파생 변수가 반사도 채널보다 높은 기여도를 보인 것은 파생 변수 설계가 원시 분광 정보를 보다 구별력이 높은 특성 공간(feature space)으로 변환하여 모델의 학습 효율을 향상시키는 효과가 있음을 시사한다. 네 번째는 ref_land_ocean_b5(0.10)로 단파 적외(SWIR) 계열 채널 반사도이다. SWIR 채널은 구름 및 지표의 반사 특성 차이에 민감하여 분류 성능 향상에 기여한 것으로 해석된다. 다섯 번째로 높은 중요도를 보인 glint_angle(0.031)은 Sun Glint 각도이며 밝은 해양 클래스 식별에 직접적으로 기여하는 기하 변수이다. Glint 각도가 36° 미만인 경우 해양 표면에서 정반사가 강해져 반사도가 비정상적으로 높아지는데(Cox and Munk, 1954), 모델이 밝은 해양 화소를 식별하는 데 중요한 보조 변수로 활용한 것으로 해석된다. 여섯 번째 ref_land_ocean_b1(0.028)은 가시광 채널 반사도로 구름의 전 가시 채널 반사 특성을 반영한다. 위도와 경도의 높은 중요도는 연구 영역 내 지표 피복과 에어로졸 환경의 공간적 분포 특성을 일부 반영한 결과로 해석된다. 태양 천정각(sza), 위성 천정각(vza), 산란각(scat_angle), 공기 질량 인자(feat_airmass) 등 기하 변수들도 의미 있는 기여도를 보였으며, 이는 태양 및 위성 관측 기하가 위성 관측에 영향을 미치기 때문으로 해석된다. 이러한 결과는 파생 변수와 관측 기하 정보가 화소 분류 성능 향상에 중요한 역할을 함을 보여주며, 향후 새로운 분광지수나 공간 문맥 정보를 추가할 경우 구름 의심 및 밝은 육지 클래스의 성능을 더욱 향상시킬 가능성을 시사한다.

Fig. 5.

Top 25 feature importance (gain-based) of the XGBoost pixel classification model trained on the 2024 dataset.

3. 2 AOD 산출 모델 성능 평가

AOD 산출 모델은 1단계 분류 단계에서 청천으로 판정된 화소에 대해서만 회귀 모델을 적용함으로써 구름 오염에 따른 회귀 오차를 최소화하였다. 또한, 육지와 해양 각각에 특화된 XGBoost 회귀 모델을 독립적으로 학습하여 구성하였다. 육지 AOD 모델의 시험 세트 성능을 그림 6a에 제시하였다. 총 120,966개의 화소값에 대하여 R²=0.985, RMSE=0.049, MAE=0.029, Bias=0.0001로 산출되어 전반적으로 MOD04 AOD와 높은 상관성과 낮은 오차를 보였다. AI 예측값과 MOD04 AOD와의 차이가 EE 이내에 드는 화소의 비율(%EE)은 95.9%로 산출되었다. 그림 6a의 밀도 산점도에서는 AOD가 낮은 영역(≤0.3)에서 점 군의 밀도가 높고 1 : 1 선을 따라 전반적으로 잘 분포하는 반면, AOD가 1.0을 상회하는 고농도 영역에서는 일부 과소 추정 경향이 나타난다. 학습 데이터 내에서 AOD>1.0인 화소값이 상대적으로 희소하여 모델이 해당 영역의 비선형 관계를 충분히 학습하지 못한 데에서 비롯된 것으로 판단된다.

Fig. 6.

Density scatter plots of AI predicted AOD vs. MOD04 AOD for (a) the land model and (b) the ocean model on the 2024 test dataset, with the 1 : 1 line and EE bounds (±(0.05+0.15×AOD_MOD04)).

해양 AOD 모델은 총 133,832개의 화소에서 R²=0.987, RMSE=0.019, MAE=0.013, Bias=0.0001, %EE=99.5%로 육지 모델 대비 모든 지표에서 우수한 성능을 나타냈다(그림 6b). 특히 AI 예측값의 약 99.5% 가 MOD04 기준값의 EE 범위 이내에 위치함을 보인다. 해양 모델이 육지 모델보다 우수한 성능을 보이는 것은 다음과 같은 물리적 배경에서 이해할 수 있다. 첫째, 해양은 표면 반사도가 낮고 공간적으로 균질하므로 위성이 관측하는 반사도에서 에어로졸의 기여가 상대적으로 크게 나타난다(Remer et al., 2005). 본 연구에서 밝은 해양으로 분류된 화소는 AOD 산출에서 제외하였으므로, 해양 모델이 처리하는 청천 해양 화소는 표면 반사 특성이 단순한 조건에 집중된다. 둘째, MOD04 해양 산출물은 일반적으로 육지보다 불확실성이 작은 것으로 알려져 있으며(Levy et al., 2013), 이는 레이블 노이즈(label noise)가 감소함에 따라 회귀 모델의 일반화 성능 향상에 기여한 것으로 해석된다.

그림 7은 육지와 해양 AOD 산출 모델의 피처 중요도 상위 25개 결과이다. 육지 모델(그림 7a)과 해양 모델(그림 7b)의 결과가 서로 다른 피처 중요도 분포를 보였으며, 이는 육지와 해양에서 AOD를 설명하는 분광 및 기하 정보의 상대적 기여가 다름을 시사한다. 그림 7a의 육지 AOD 모델에서는 ref_land_ocean_b2 채널 반사도의 Gain=0.35로 가장 높은 기여도를 나타낸다. 이는 육지 표면과 대기 에어로졸의 반사도가 결합하여 나타나는 신호는 이 채널에서 가장 민감하기 때문으로 해석된다(Levy et al., 2013). 다음으로 높은 기여도는 공기 질량 인자(feat_airmass, Gain=0.15)이다. 공기 질량 인자는 대기 광학 경로 길이의 대리 변수로서, 동일한 에어로졸 농도라도 관측 기하에 따라 위성에서 측정되는 복사 신호가 크게 달라지기 때문에 AOD 추정에 필수적인 정보를 제공한다. 다음으로, 육지 모델에서도 glint_angle이 비교적 높은 중요도(Gain=0.11)를 보인 것은 관측 기하가 TOA 반사도에 영향을 미치기 때문이며, 일부 해안 또는 내륙 수역 화소의 영향이 포함되었을 가능성도 있다. 네 번째 가시광 평균 밝기(feat_vis_bright, Gain=0.08)는 배경 반사도의 전반적인 수준을 나타내는 요약 변수로서 AOD 추정에 유용한 정보를 제공한 것으로 해석된다. 그리고 ref_land_ocean_b1, b9, b8 등 여러 반사도 채널이 뒤를 이었으며, 기하 변수들도 고르게 기여하였다. 주목할 점은 분류 모델에서 상위권을 차지했던 feat_ndvi와 feat_b1_b3가 AOD 회귀 모델에서는 하위권으로 이동하였는데, 분류 단계에서는 중요했던 식생 정보가 회귀 단계에서는 상대적으로 작은 기여도를 보였다.

Fig. 7.

Top feature importance (gain-based) of the (a) land and (b) ocean AOD retrieval model.

그림 7b의 해양 AOD 모델의 기여도 분석 결과에서는 단일 반사도 채널인 ref_land_ocean_b10(Gain=0.23)이 가장 높은 기여도를 나타냈으며, 파생 분광 비율 지수인 feat_b4_b3(Gain=0.21)와 feat_b1_b3(Gain=0.20)가 그 다음의 기여도를 나타내었다. 상위 3개 변수가 모두 0.20 이상의 높은 Gain을 기록하며 서로 유사한 기여도를 보인 점은, 해양 AOD 산출이 특정 단일 채널보다 가시광 단파 대역의 채널 간 상대적 반사도 패턴에 의존하고 있음을 시사한다. feat_b4_b3는 B4(0.555 μm)와 B3(0.469 μm)의 반사도 비율로, 해양의 파장 의존 반사도 모델을 기반으로 하는 MOD04 DT 알고리즘의 산출 원리와 유사한 경향을 보인다(Levy et al., 2013). feat_b1_b3는 B1(적색)과 B3(청색)의 상대적인 반사 특성을 나타내는 지수로서, 해수면의 반사 특성을 정량화하는 데 기여하는 것으로 해석된다. 네 번째 ref_land_ocean_b5(Gain=0.13)는 단파 적외 계열 채널 반사도로 에어로졸 및 해양 표면의 분광 특성을 반영하는 데 기여한 것으로 해석된다. 다섯 번째 ref_land_ocean_b4(Gain=0.05)와 여섯 번째 feat_ndvi(Gain=0.04)에 이어, feat_nir_swir, glint_angle, feat_swir_nir, feat_cpi 등 파생 변수들이 상위 10위 내에 다수 포함되어 파생 변수의 종합적 기여도가 해양 모델에서 더욱 두드러지게 나타남을 확인하였다.

육지 모델과 해양 모델의 피처 중요도를 비교하면 두 가지 뚜렷한 차이가 나타난다. 첫째, 육지 모델은 단일 반사도 채널의 기여도가 전체의 35%를 차지하는 집중형 구조인 반면, 해양 모델은 상위 3개 변수의 기여도가 각각 20%대로 분산된 균형형 구조를 보인다. 이는 육지 지표 반사도의 공간적 이질성이 특정 채널의 대기-지표 신호 분리 효율을 높이는 반면, 해양에서는 표면 반사 특성이 균일하여 여러 채널의 비율 정보를 종합하는 방식이 유리함을 시사한다. 둘째, 공기 질량 인자가 육지 모델에서는 2위(Gain=0.15)의 높은 중요도를 나타낸 반면 해양 모델에서는 12위(Gain=0.008)로, 육지에서는 관측 기하에 따른 AOD 민감도 변화가 더욱 중요하게 작용함을 보여준다. 한편, 두 모델 모두에서 파생 변수들이 원시 반사도 채널과 대등하거나 그 이상의 기여도를 기록하였다. 이는 물리적으로 의미 있는 분광 비율 및 기하 파생 변수의 설계가 회귀 모델의 학습 효율을 실질적으로 향상시키며, 향후 추가적인 파생 변수 설계가 AOD 산출 정확도 개선에 기여할 수 있음을 시사한다.

그림 8은 전체 시험 화소를 MOD04 AOD 기준값에 따라 저(0.0~0.2), 중(0.2~0.5), 고(0.5~1.0), 매우 높음(>1.0)의 4개 구간으로 나누어 육지와 해양 모델의 성능 변화를 분석한 결과이다. AOD 구간에 따른 성능 변화에서는 다음과 같이 두 가지 공통적인 경향이 확인되었다. 첫째, R²는 저 AOD 구간에서 가장 낮고 고 AOD 구간으로 갈수록 높아지는 경향을 보인다. 저 AOD 영역에서 R²가 낮게 산출되는 것은 AOD 절댓값이 작을수록 공간 변동폭 자체가 좁아지고 MOD04 산출물 내의 불확실성이 상대적으로 커지기 때문이다. 따라서 저 AOD 구간의 낮은 R²는 반드시 큰 절대 오차를 의미하는 것은 아니다. 실제로 DT 알고리즘은 저 AOD 조건에서 지표 반사도 가정의 불확실성이 AOD 신호 대비 크게 작용하여 정확도가 저하되는 특성이 알려져 있으며(Levy et al., 2013), 이는 AI 모델의 예측 성능 저하뿐만 아니라 기준 자료인 MOD04 AOD의 불확실성도 함께 반영된 결과로 해석된다. 반대로 높은 AOD 구간에서는 AOD의 절대 변동폭이 크고 공간 패턴이 뚜렷하여 AI 모델이 상대적으로 높은 설명력을 보였다.

Fig. 8.

R2, RMSE, and %EE by AOD range for the land and ocean AOD retrieval models.

둘째, EE 이내 화소 비율(%EE)은 저 AOD에서 낮고 고 AOD에서 높아진 후 매우 높은 AOD(>1.0) 구간에서는 다소 감소하는 역U자형 패턴을 보인다. 이는 EE 기준값이 AOD에 비례하여 증가하기 때문이다. 즉, 낮은 AOD(예: AOD=0.1) 조건에서는 EE 허용 범위가 ±0.065에 불과하여 작은 절대 오차도 EE 기준을 벗어나기 쉬운 반면, 중상 이상의 높은 AOD(예: AOD=0.7)에서는 EE 허용 범위가 ±0.155로 넓어져 상당한 절대 오차도 허용 범위 내에 포함된다. 매우 높은 AOD 구간에서의 %EE 소폭 감소는 학습 데이터 내 고농도 사례의 학습 표본 부족에 따른 일반화 한계와 관련된 것으로 추정된다.

육지와 해양을 비교하면, 모든 AOD 구간에서 해양 모델이 일관되게 높은 %EE와 낮은 RMSE를 기록하였다. 특히 고 AOD 구간(>1.0)에서 육지 모델의 %EE(97.5%)와 해양 모델의 %EE(100%) 간 격차가 2.5%로 다른 구간 대비 가장 작게 나타났는데, 이는 고농도 AOD 조건에서 에어로졸 신호가 지표 반사도보다 상대적으로 우세하게 나타나기 때문으로 해석된다. 육지 모델의 저 AOD 구간 %EE(66.3%)가 비교적 낮게 나타난 점은 향후 알고리즘 개선 시 우선적으로 주목해야 할 과제이며, 저 AOD 조건에 특화된 피처 설계나 두 단계 회귀 구조(저·고 AOD 별도 모델)의 도입이 개선 방향으로 고려될 수 있다(Wei et al., 2019). 종합적으로, 제안한 XGBoost 기반 2단계 AOD 산출 알고리즘은 MOD04 기준 자료의 공간적 분포와 농도 변화를 높은 수준으로 재현하였으며, 특히 해양에서 매우 우수한 일치도를 나타냈다. 이는 분류와 회귀를 분리한 순차적 AI 구조가 다양한 지표 환경에서 안정적인 AOD 산출에 효과적으로 적용될 수 있음을 보여준다.

3. 3 AI 모델 기반 AOD 산출

3.1절에서 개발한 화소 분류 모델과 3.2절에서 학습한 육지·해양 AOD 회귀 모델을 통합한 AI 파이프라인을 2025년 독립 자료(전체 화소 수=1,007,902개)에 적용하였다. 이렇게 산출된 AI 기반의 AOD는 동일 기간의 MOD04 AOD와의 시공간적 일치도를 분석하였다. 검증 자료는 학습에 사용되지 않은 연도의 자료이므로 계절 및 연도에 따른 대기 조건 변화를 포함하고 있다. 연구 기간 동안 전체 검증 화소를 대상으로 한 통합 검증 지수를 그림 9에 제시하였다. 육지 AOD 산출 성능은 R²=0.927, RMSE=0.055, MAE=0.035, %EE=90.9%로 나타났으며, 해양 AOD 산출 성능은 R²=0.973, RMSE=0.026, MAE=0.017, %EE=99.0%이다. 육지에서 성능 감소가 해양보다 상대적으로 크게 나타난 것은 육지 표면 반사도의 높은 공간적 이질성과 계절 변화가 영향을 미친 것으로 해석된다. 또한, 이러한 결과는 시험 세트보다 다소 성능은 감소하였으나, 전반적으로 높은 R²와 %EE를 유지하여 시간적으로 독립된 자료에서도 우수한 일반화 성능을 보였다.

Fig. 9.

Density scatter plots of AI predicted AOD vs. MOD04 AOD for (a) the land model and (b) the ocean model on the 2025 dataset, with the 1 : 1 line and EE bounds (±(0.05+0.15×AOD_MOD04)).

그림 10은 2025년 전체 기간 평균 AOD의 공간 분포를 나타내며, 육지와 해양을 모두 포함한 전체 검증 결과는 R²=0.950, RMSE=0.039, Bias=0.003, %EE=96.1%로 산출되었다. Bias가 매우 작아 전반적으로 체계적인 과대 추정은 크지 않은 것으로 나타났으나 평균적으로는 AI가 MOD04보다 약간 높은 값을 예측하는 경향을 보였다. %EE는 전체 유효 화소의 96.1%가 MOD04의 기대 오차 범위 이내에서 재현되었음을 보여준다. 그림 10a의 MOD04 AOD는 중국 화북의 허베이 및 산둥 지역(35°~40°N), 양쯔강 삼각주(약 30°N, 120°E)를 중심으로 AOD>0.4의 높은 에어로졸 부하가 나타났다. 서해는 중국 대륙으로부터의 장거리 수송 에어로졸에 의해 중간 수준(0.2~0.3)의 AOD가 관측되었으며, 한반도와 일본은 0.1~0.2 수준을, 북서 태평양 외해는 AOD<0.1의 청정한 해양 배경 수준이 나타난다. 그림 10b의 AI 기반 AOD는 전반적인 공간 구조에서 MOD04와 높은 유사성을 보였으며, 중국 화북 높은 AOD 지역, 양쯔강 삼각주 중간 범위 영역, 태평양 외해 청정 배경 등 동아시아의 주요 AOD 공간 패턴이 AI 지도에서 높은 공간적 일관성을 보였다. 다만 중국 북동부(만주 및 화북 북부, 40°~50°N)에서 AI가 MOD04 대비 다소 더 높은 AOD를 산출하는 경향이 확인된다.

Fig. 10.

Spatial distribution of (a) mean MOD04 AOD, (b) mean AI predicted AOD, and (c) the difference (AI-MOD04) over the 2025 analysis period.

그림 10c의 차이값 지도는 전반적으로 양의 차이가 우세하여 AI가 MOD04 대비 전반적으로 AOD를 과대 추정하는 경향이 확인된다. 과대 추정이 가장 강하게 나타나는 지역은 중국 북동부(40°~50°N, 110°~130°E) 구간으로, 이 지역에서 AI AOD가 MOD04 AOD 대비 약 0.05~0.10 수준으로 과대 추정하였다. 이는 2024년 학습 데이터에서 이 지역의 AOD 결정 조건이 충분히 대표되지 않았을 가능성을 포함한다. 반면, 일부 음의 차이(과소 추정)는 남중국해 연안(약 20°~25°N)과 북서 태평양 해역의 일부 격자에서 제한적으로 나타났다. 해양 격자 전반은 차이가 거의 중립적이거나 소폭 양의 값을 나타내어, 해양 모델이 3.2절에서 확인된 높은 성능(%EE=99.6%)을 공간 분포에서도 높은 일치도를 유지하였다.

종합적으로, 제안한 2단계 AI 파이프라인은 학습에 사용되지 않은 독립 연도 자료에서도 MOD04 AOD의 공간 분포와 농도 변화를 높은 수준으로 재현하였다. 이는 제안한 순차적 분류-회귀 구조가 다양한 시기에 도 안정적으로 적용될 수 있음을 보여준다. 다만 중국 북동부 고 AOD 격자를 중심으로 과대 추정 경향이 나타났으며, 이는 향후 학습 데이터 확충과 지역별 편차 보정 기법 도입을 통해 개선해야 할 과제이다.

3. 4 사례 연구

3.3절의 전체 기간 통계 검증만으로는 다양한 대기 조건에서의 모델 거동을 충분히 설명하기 어렵다. 따라서 서로 다른 에어로졸 부하를 대표하는 고 AOD 사례와 저 AOD 사례를 선정하여 AI 모델의 공간 재현 특성을 추가적으로 분석하였다. 사례별 검증 지수를 표 2에 정리하였으며, 공간 비교 결과는 그림 11, 12에 제시하였다.

Table 2.

Summary of validation metrics for the two selected case studies (AI predicted AOD vs. MOD04 AOD).

Fig. 11.

Spatial distribution of (a) MOD04 AOD, (b) AI predicted AOD, and (c) the difference (AI-MOD04) for the high-AOD event on 2025 March 8.

Fig. 12.

Same as Fig. 11, but for the low-AOD clean case on 2025 September 27.

동아시아에서 고 AOD 이벤트를 유발하는 대표적 원인 중 하나는 봄철 황사와 중국 동부 산업 지역으로부터의 인위적 에어로졸 장거리 수송이다. 봄철 고비 사막 및 황토고원 일대에서 발원한 황사는 편서풍 기류를 타고 한반도와 일본으로 수송되며, 수송 경로 상의 해양 상공에서도 AOD가 1.0을 상회하는 높은 에어로졸 부하를 만들어낸다(Choi et al., 2020; Shimizu et al., 2004). 연구 기간 중 이에 해당하는 대표적 고 AOD 이벤트 사례인 2025년 3월 8일 사례를 선정하여 분석을 수행하였다. 해당 이벤트일의 MOD04 AOD 공간 분포(그림 11a)는 중국 북동부 및 산둥반도에서 AOD 1.5~2.5의 높은 값이 나타났으며, 에어로졸 플룸이 서해를 거쳐 한반도 서쪽까지 뻗어 있는 구조가 뚜렷이 나타났다. AI 기반 AOD 지도(그림 11b)는 에어로졸 플룸의 전반적인 공간 구조를 비교적 충실히 재현하였으나, 에어로졸이 밀집된 영역에서는 AI AOD가 MOD04 AOD 대비 약 0.2 정도 낮게 산출되었다(그림 11c). 이는 AOD>1.5를 초과하는 구간에서 학습 표본이 희소하여 XGBoost 회귀 모델의 외삽 능력이 제한적일 가능성이 있다. 일반적으로 그래디언트 부스팅 계열 모델은 학습 데이터의 종속 변수 범위 내에서는 안정적인 예측을 수행하지만, 범위를 벗어나는 극단값을 충분히 재현하지 못하는 경향이 보고되어 있다(Chen and Guestrin, 2016).

한편, 가을철 건조한 대륙성 고기압의 영향이 연구 영역으로 유입되어 AOD가 0.1 미만으로 낮아지는 청천 조건이 형성된다(그림 12). 이러한 조건은 위성 기반 AOD 산출에서는 에어로졸 신호 자체가 작아 알고리즘의 절대 정확도를 시험하는 조건이 된다. 본 연구에서는 연구 기간 중 이에 해당하는 대표적 저 AOD 조건인 2025년 9월 27일 사례를 선정하여 분석하였다. 해당 사례일의 MOD04 AOD 분포(그림 12a)는 한반도 주변 해역과 일본 동쪽 태평양 해역에서 AOD가 0.3 미만으로 유지되어 대기 상태가 매우 청결한 날임을 확인할 수 있다. AI 산출 AOD 지도(그림 12b)는 MOD04의 공간 분포 패턴과 전반적으로 잘 일치하였으며, 특히 해양에서 두 지도 사이의 시각적 유사성이 매우 높게 나타났다. 차이 지도(그림 12c)에서도 전반적으로 0.05 이하의 범위를 나타내었고, AI 모델이 저 AOD 조건에서도 MOD04의 공간 패턴을 체계적 오차 없이 재현하고 있음을 보여준다.

청천 사례의 정량적 지표는 RMSE=0.025로 전체 기간 평균 대비 현저히 낮아져 절대 오차 측면에서는 가장 우수한 성능을 보였다. %EE=95.3%이며 고 AOD 사례의 %EE=95.8% 대비 유사한 수준으로 나타났다. 반면 결정계수는 R²=0.758로 전체 기간 평균 대비 낮게 산출되었다. 이는 분산이 매우 작은 자료에서는 작은 절대 오차도 결정계수에 큰 영향을 미치는 R²의 통계적 특성 때문이다. 표준화되지 않은 절대 오차(RMSE, MAE)와 %EE가 우수함에도 R²가 낮게 산출되는 이 역설적 현상은 AOD 연구에서 자주 지적되는 평가 지표의 함정으로(Sayer et al., 2013), 저 AOD 조건에서의 모델 성능은 R²보다 RMSE와 %EE를 우선적 판단 기준으로 삼는 것이 적절하다.

두 사례를 종합적으로 비교하면, AI 파이프라인은 저 AOD 청천 조건에서 절대 정확도가 높고 MOD04 공간 패턴을 안정적으로 재현하는 반면, 고 AOD 이벤트 조건에서는 공간 분포 재현은 가능하나 극값 구간에서의 과소 추정이 성능을 제한하는 약점이 존재한다. 이러한 성능의 조건 의존성은 AI 기반의 AOD를 활용할 때 고 AOD 이벤트 기간에는 추가적인 불확실성을 감안하여야 함을 의미하며, 향후 고 AOD 학습 표본을 증강하거나 이벤트 탐지 기반의 후처리 보정을 도입하는 방향의 개선이 필요하다. 이러한 결과는 제안한 2단계 AI 파이프라인이 일반적인 대기 조건에서는 안정적으로 동작하지만, 극한 에어로졸 사건에서는 학습 자료의 대표성과 모델의 외삽 능력이 성능을 좌우함을 시사한다.