담수 자원은 대한민국과 같은 어떤 국가에도 매우 소중하며 필수적이다. 최근 심층학습(DL)과 AI 모델은 수문 표면수 연구에서 점차 더 대중화되고 자주 적용되고 있다. 분할을 위한 범용 모델(Segment Anything Model, SAM)은 빠르게 발전해 왔으며, 제로샷 추론을 수행할 수 있는 적응형 접근법을 취한다. 그러나 사전학습된 SAM은 수백만 장의 이미지(10억 개 마스크)로 학습되었음에도 불구하고, 원격탐사 데이터에 적용하면 특히 합성개구레이더(Synthetic-aperture Radar, SAR) 이미지에서와 같이 더 복잡하고 잡음이 많은 데이터에 대해 부정확한 결과와 라벨이 없는 클래스에 한계가 드러난다. 따라서 본 연구에서는 SAM 모델과 더불어 널리 사용되는 CNN 모델인 YOLOv8, U-net(ResNet50), DeepLab(ResNet50, EfficientNet)을 한국의 대표 호수에 대한 의미 분할을 위해 미세조정하였다. 미세조정은 Kompsat-5, ALOS-2, Sentinel-1의 다중 SAR RS 데이터셋과 세 데이터셋의 조합(data link)을 사용하여, 모델 결과를 비교하였다. 정확도 평가는 SAM이 가장 정밀한 모델임을 보였으며(전체 정확도 ), 그다음으로 DeepLab(ResNet50), YOLOv8, U-net(ResNet50), 그리고 DeepLab(EfficientNet) 모델이 뒤를 이었다. 거의 모든 모델이 정답 마스크와 잘 부합하면서 호수 영역을 높은 정확도로 분할하였지만, SAM(code link)은 가장 우수한 성능을 보이는 모델로 나타났다. YOLO는 대규모 데이터셋에 대해 잘 대응하며, 더 높은 정확도 출력치를 얻기 위해 더 깊은 학습이 필요하다. 또한 본 연구는 각 DL 모델이 SAR 데이터셋에 대해 보이는 반응을 조사함으로써, 더 나은 호수 분할을 위해 SAR RS에서 모델 결과의 미세조정이 필요함을 입증하였다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.