벼 재배지 추출 정확도를 높인 AI, 광학과 SAR 영상을 함께 보면 무엇이 달라질까?

광학 위성영상과 SAR 레이더 영상을 함께 분석해 벼 재배지를 식별하는 AI 기반 원격탐사 과정을 시각화했다. 구름과 복잡한 농경지 환경에서 두 데이터의 상호보완성과 경계 추출의 중요성을 보여준다.

구름 때문에 보이지 않는 논도 AI는 더 정확하게 찾아낼 수 있을까? 최신 연구는 광학 위성영상과 레이더(SAR) 영상을 함께 활용하는 새로운 딥러닝 모델이 기존 방법보다 더 높은 정확도로 벼 재배지를 구분할 수 있음을 보여줬다.

벼는 세계 식량 안보를 책임지는 가장 중요한 작물 가운데 하나다. 어느 지역에서 얼마나 재배되는지를 정확하게 파악하면 생산량 예측은 물론 농업 정책과 재해 대응에도 큰 도움이 된다. 하지만 위성영상으로 벼를 찾는 일은 생각보다 쉽지 않다.

광학 위성은 구름과 안개의 영향을 크게 받고, 레이더(SAR)는 날씨와 관계없이 관측할 수 있지만 영상에 잡음이 많고 세부 형태를 표현하는 데 한계가 있다. 연구진은 이 두 종류의 데이터를 단순히 합치는 대신 각각의 장점을 최대한 활용하는 새로운 인공지능 모델을 개발했다. 

왜 광학 영상만으로는 벼를 찾기 어려울까

일반적인 위성영상은 식물의 색과 반사 특성을 이용해 작물을 구분한다. 하지만 벼 재배지는 습도가 높은 지역에 많아 성장기에는 구름이나 비가 자주 발생한다. 그 결과 중요한 시기의 영상이 비어 있거나 품질이 크게 떨어질 수 있다.

반대로 SAR(Synthetic Aperture Radar)은 전파를 이용하기 때문에 밤이나 흐린 날에도 관측할 수 있다. 또한 논의 수분 상태와 식생 구조 변화에도 민감하게 반응한다.

문제는 SAR만 사용할 경우다. 습지, 물, 다른 농작물도 비슷한 신호를 보일 수 있어 오분류가 발생하기 쉽다. 결국 두 영상을 함께 활용하는 것이 가장 합리적인 접근이지만, 서로 특성이 너무 달라 단순히 합치는 것만으로는 충분하지 않다.

연구진이 새롭게 제안한 ACBE-CroFuseNet

이번 연구에서 제안한 모델 이름은 ACBE-CroFuseNet이다. 기존 융합 모델과 가장 큰 차이는 벼 재배지라는 목표에 맞춰 두 가지 핵심 기능을 추가했다는 점이다.

광학과 SAR 중 어떤 정보를 더 믿을지 AI가 스스로 결정한다

첫 번째는 주의 교차 융합 모듈(Attention Cross-Fusion Module, ACFM)이다. 모든 위치에서 광학영상과 SAR 영상을 같은 비중으로 사용하는 대신, AI가 위치와 특징에 따라 어느 정보가 더 중요한지 스스로 판단한다.

식생의 색과 반사 특성이 뚜렷한 곳에서는 광학 정보의 비중을 높이고, 구름의 영향이 크거나 수분과 표면 구조 정보가 중요한 곳에서는 SAR 정보를 더 적극적으로 활용하는 방식이다.

모델은 두 영상의 중요도를 조절하는 데 그치지 않고 공간적 주의 기법도 함께 사용한다. 논과 관계없는 배경 신호는 줄이고 실제 논으로 판단되는 영역은 강조하도록 설계했다. 논문 7쪽의 전체 구조도와 8쪽의 모듈 구성도는 광학과 SAR 특징이 여러 단계에서 교차 융합되는 과정을 보여준다.

작은 논의 경계까지 더 선명하게 찾는다

두 번째 핵심은 경계 강화 모듈(Boundary Enhancement Module)이다. 실제 농촌의 논은 크고 반듯한 사각형만으로 구성되지 않는다. 작은 논, 불규칙한 필지, 도로나 수로와 맞닿은 경계, 여러 토지 유형이 섞인 지역에서는 논의 가장자리를 정확하게 구분하기 어렵다.

연구진은 별도의 경계 학습 과정을 추가해 AI가 논의 내부뿐 아니라 가장자리도 명시적으로 학습하도록 만들었다. 실제 논의 경계에서 만든 감독 신호를 이용해 경계 예측 결과를 훈련하고, 이 정보를 최종 분할 과정에 다시 반영했다.

논문 11쪽의 구조도를 보면 기존 디코딩 경로에 경계 강화 경로가 추가돼 있다. 이 설계는 작은 필지와 복잡한 경계에서 벼 재배지를 빠뜨리거나 주변 지역을 논으로 잘못 분류하는 문제를 줄이기 위한 것이다.

5,408개의 위성영상 조각으로 모델을 검증했다

연구는 중국 장쑤성 옌청(Yancheng)을 대상으로 수행됐다. 옌청은 평야 농업지대와 해안 습지가 함께 나타나며, 논과 밭, 수역, 건물, 갯벌 습지, 다른 식생이 복잡하게 섞여 있다. 광학영상만으로 토지를 구분하기 어려운 조건이어서 광학과 SAR 융합 모델을 시험하기에 적합한 지역이다.

연구진은 2025년 8월부터 10월까지 촬영된 Sentinel-2 광학영상과 Sentinel-1 SAR 영상을 사용했다. 이 시기는 벼의 중·후기 생육 단계에 해당해 벼의 잎과 군락이 충분히 발달하고 논의 경계와 식생 특징이 비교적 뚜렷하게 나타나는 기간이다.

Sentinel-2에서는 청색, 녹색, 적색, 근적외선에 해당하는 4개 밴드를 사용했다. Sentinel-1에서는 VV와 VH 편파로 얻은 2개 채널을 활용했다. 두 위성자료의 공간 해상도는 10m로 맞췄다.

구름과 안개, 비정상 관측값, SAR 영상의 점무늬 잡음 영향을 줄이기 위해 여러 시점의 영상을 중간값으로 합성했다. 이후 광학영상, SAR 영상, 고해상도 영상을 함께 참고해 논 지역을 수작업으로 표시했다.

최종 데이터는 128×128픽셀 크기의 영상 조각 5,408개로 구성됐다. 각 조각에는 4채널 광학영상, 2채널 SAR 영상, 논과 비논을 구분하는 정답 지도가 포함됐다. 전체 픽셀 가운데 논은 39.7%인 약 3,518만 픽셀이었고, 비논은 60.3%인 약 5,343만 픽셀이었다.

성능 평가는 데이터를 다섯 묶음으로 나눠 네 묶음으로 학습하고 나머지 한 묶음으로 검증하는 5겹 교차검증 방식으로 진행됐다. 이 과정을 다섯 번 반복한 뒤 평균과 표준편차를 제시했다.

기존 AI보다 얼마나 좋아졌을까

연구진은 제안 모델을 UNet++, Swin-Unet, CroFuseNet, CMFFNet과 비교했다. UNet++와 Swin-Unet은 일반적인 영상 분할 모델이고, CroFuseNet과 CMFFNet은 광학과 SAR 자료를 융합하도록 설계된 모델이다.

모델	전체 정확도(OA)	F1 점수	IoU
UNet++	0.920	0.922	0.856
Swin-Unet	0.921	0.924	0.859
CMFFNet	0.924	0.926	0.862
CroFuseNet	0.927	0.929	0.865
ACBE-CroFuseNet	0.935	0.933	0.868

ACBE-CroFuseNet은 전체 정확도 0.935, 사용자 정확도 0.928, 생산자 정확도 0.939, F1 점수 0.933, IoU 0.868을 기록했다. 다섯 가지 평가 지표의 평균값이 모두 비교 모델보다 높았다.

IoU는 AI가 찾은 논 영역과 실제 논 영역이 얼마나 겹치는지를 보여주는 지표다. 값이 1에 가까울수록 두 영역이 잘 일치한다. ACBE-CroFuseNet의 IoU는 0.868로 가장 높았지만, 기존 융합 모델인 CroFuseNet의 0.865와 비교하면 차이는 0.003이다.

따라서 결과를 “기존 방법보다 압도적으로 뛰어나다”고 표현하는 것은 적절하지 않다. 정확한 해석은 제안 모델이 모든 평가 지표에서 가장 높은 평균값을 기록했고, 여러 데이터 분할에서도 비교적 안정적인 결과를 보였다는 것이다.

어떤 설계가 실제 성능 향상에 기여했을까

연구진은 각 구성 요소의 효과를 확인하기 위해 제거 실험도 수행했다. 광학영상만 사용한 모델의 IoU는 0.834였고, SAR 영상만 사용한 모델은 0.760이었다. 이번 데이터의 촬영 시기가 벼의 중·후기 생육 단계였기 때문에 광학영상의 식생 색과 질감 정보가 SAR 정보보다 벼 구분에 더 유리했던 것으로 해석됐다.

경계 강화 모듈을 추가하자 광학 단일 모델의 IoU는 0.834에서 0.838로, SAR 단일 모델은 0.760에서 0.773으로 높아졌다. 특히 SAR 모델에서 개선 폭이 더 컸다. 이는 공간 세부 표현이 상대적으로 부족한 SAR 자료에서 경계 학습이 더 큰 도움을 줬을 가능성을 보여준다.

광학과 SAR의 교차 융합만 적용한 모델은 IoU 0.859를 기록했다. 여기에 공유 특징과 각 영상의 고유 특징을 다시 결합하는 다중모달 특징 집계 모듈을 추가하면 0.866으로 높아졌다. 마지막으로 경계 강화까지 포함한 전체 모델은 0.868에 도달했다.

이 결과는 성능 향상이 특정 기능 하나에서 나온 것이 아니라 광학·SAR 교차 융합, 고유 특징 보존, 경계 감독이 함께 작동한 결과라는 점을 보여준다.

지금 바로 모든 지역의 논 지도에 적용할 수 있을까

이번 연구는 실제 Sentinel 위성자료와 복잡한 농업·습지 경관을 이용했다는 점에서 의미가 있다. 그러나 한 지역에서 높은 정확도를 기록했다고 해서 다른 지역에서도 같은 성능이 보장되는 것은 아니다.

첫째, 데이터는 중국 옌청에서 수집됐다. 논의 크기와 형태, 재배 방식, 토양과 수분 상태, 주변 토지 유형이 다른 국가나 지역에서는 영상 신호가 달라질 수 있다. 한국의 농경지에서도 같은 정확도가 나올지는 별도의 외부 검증이 필요하다.

둘째, 연구는 2025년 한 해의 8월부터 10월까지 수집된 영상에 집중했다. 다른 연도나 이앙 초기, 수확 이후처럼 생육 단계가 달라지면 광학 반사와 SAR 후방산란 특성도 달라질 수 있다.

셋째, 5겹 교차검증은 같은 데이터셋을 나눠 반복 평가한 방식이다. 모델의 안정성을 확인하는 데는 유용하지만, 학습 지역과 완전히 다른 지역·연도의 자료로 시험하는 외부 검증과는 다르다.

넷째, 논의 정답 지도는 연구진의 시각 판독을 통해 제작됐다. 광학영상과 SAR 영상, 고해상도 영상을 함께 확인하고 오류를 수정했지만, 수작업 레이블 자체에 오차가 전혀 없다고 보기는 어렵다.

따라서 이번 결과는 ACBE-CroFuseNet의 구조가 옌청 데이터에서 기존 비교 모델보다 높은 분할 성능을 보였다는 사실을 입증한다. 모든 기후와 재배 지역에서 일반적으로 우수하다는 결론까지 직접 입증한 것은 아니다.

정확도보다 중요한 변화는 두 위성의 정보를 다루는 방식이다

이번 연구의 의미는 숫자 몇 점을 높였다는 데만 있지 않다. 광학영상과 SAR 영상을 단순히 한꺼번에 넣는 대신, 각각의 특징을 별도로 학습하고 필요한 위치와 단계에서 선택적으로 융합했다는 점이 핵심이다.

특히 논처럼 내부의 식생 정보와 필지 경계가 모두 중요한 대상에서는 무엇을 찾을 것인지에 맞춘 모델 설계가 필요하다. ACBE-CroFuseNet은 광학영상의 색·질감 정보, SAR 영상의 수분·구조 정보, 논의 경계 정보를 하나의 학습 과정에 결합했다.

벼 재배지 지도는 생산량 예측, 재배 면적 조사, 자연재해 피해 분석, 식량 안보 평가의 기초가 된다. 이번 연구는 구름이 잦고 수역과 습지가 복잡하게 섞인 지역에서도 더 안정적으로 논을 찾기 위한 한 가지 기술적 방향을 제시했다. 다음 단계에서는 다른 지역과 연도, 생육 시기에서의 외부 검증과 실제 농업 모니터링 체계에서의 재현성을 확인해야 한다.

논문 출처

Guo, X., & Bai, L. (2026). ACBE-CroFuseNet: An Optical and SAR Cross-Fusion Semantic Segmentation Network for Paddy Rice Extraction. AI, 7(8), 302. https://doi.org/10.3390/ai7080302 :contentReference[oaicite:1]{index=1}