그림자는 물이 아니다: 그 너머 엔터프라이즈 단일 프레임 추론과 홍수 인텔리전스

경영 요약

래퍼의 시대, 지능의 착각

빠르게 진화하는 인공지능 지형에서, 위험한 이분법이 나타났다. 피상적 구현과 심층적 구조 공학을 가르는 것이다. 한쪽 에서는 시장이 "래퍼" 솔루션으로 포화되어 있다—얇은 애플리케이션 계층이 프롬프트를 범용 대규모 언어 모델(LLM)이나 사전학습 컴퓨터 비전 API로 전달한다. 이러한 시스템은 접근성은 높지만, 기본 검색 엔진이나 확률적 토큰 예측기와 거의 다르지 않다. 인과 추론과 물리적 근거가 없다. 다른 한쪽에는 Deep AI 가 있다: 물리, 인과성, 그리고 실세계의 시간적 연속성을 모델링하도록 설계된, 목적 특화의 아키텍처적으로 새로운 시스템.

이 두 접근의 구분은 단순한 학술 논쟁이 아니다. 그것은 운영적, 재무적이며, 때로는 실존적이다. 본 백서의 출발점은 구체적인, 표준 컴퓨터 비전의 반복적 실패 모드이며, 이는 강력한 은유가 된다 산업의 한계에 대해: 사실은 그렇지 않았던 "침수된 도로".

물류 대기업이 공급 경로를 감시하려고 배포한 표준 컴퓨터 비전 모델을 생각해 보자 위성 영상을 통해. 모델은 핵심 고속도로의 한 프레임을 처리한다. 그것은 아스팔트를 가로지르는 어둡고 무정형의 형상을 검출한다. 학습 데이터는 심하게 편향되어 정적 픽셀 값과 단순 에지 검출 쪽으로, 낮은 반사율을 물과 상관시킨다. 시스템은 도로를 "침수"로 표시한다. 자동화 프로토콜이 즉시 작동한다. 우회 알고리즘이 트럭 함대를 이차 도로로 돌리고, 수백 킬로미터를 더한다 여정에. 적시(JIT) 배송 창이 놓친다. 부패성 화물이 변질된다. 재무적 영향은 수십만 달러 단위로 측정된다.

실제는? 도로는 말라 있었다. 2,000미터에서 표류하던 적운이 그림자를 드리웠고, 그것을 AI가—한 순간의 시간에 갇힌 채— 단일 프레임 추론 —환각했다 홍수로.

이 실패는 현대 원격탐사 AI의 아킬레스건이다. ¹ AI가 세계를 단절된 스냅샷의 집합으로 보면, 일시적인 것을 구별할 시간적 맥락이 없다 그림자와 지속적 침수를. 그것은 "꿰뚫어 볼" 다중감각 깊이가 없다 그림자를 드리운 구름을.

Veriprajna의 접근

Veriprajna는 "구름 그림자" 문제를 풀기 위해 존재한다—단순한 문자 그대로의 기상 간섭이 아니라, 엔터프라이즈급 AI를 규정하는 도전으로. 우리는 래퍼를 만들지 않는다. 우리는 시공간 아키텍처를 구축한다. 시간을 근본적 현실의 특징으로 다루며, 데이터 수집의 부산물이 아니게. 우리는 융합한다 광학 데이터와 합성 **개구 레이더(SAR)**를, 인간 눈의 시각적 맥락과 마이크로파 레이더의 구름 투과 물리를 결합하여. ³

본 백서는 그 공학 철학과 기술 아키텍처를 상세히 다룬다 Veriprajna의 Deep AI 솔루션 뒤에서. 정적 모델이 실패하는 이유, 분광 기만의 물리, 그리고 당사 독자적 시공간 융합 엔진의 엄밀한 수학을 탐구한다. 교차 어텐션 메커니즘, 3D 합성곱 신경망 (3D CNN), 물리 안내 학습을 통합하면 엔터프라이즈급 홍수 인텔리전스를 전례 없는 정확도로 그림자와 물을 구분해 제공할 수 있음을 보여준다.

섹션 1: 기만의 물리 — 얕은 AI가 실패하는 이유

1.1 분광의 함정: 어둠이 깊이를 흉내낼 때

범용 AI 모델이 홍수 검출에서 실패하는 이유를 이해하려면, 먼저 이해해야 한다 원격탐사의 물리를. 광학 위성 영상, 예를 들어 Sentinel-2가 제공하는 또는 Landsat 군집은, 다양한 파장에서 반사된 태양 복사를 포착한다. 물은 본질적으로 근적외선(NIR)과 단파적외선(SWIR)의 강한 흡수체다 복사. ² 따라서, 표준 위색 합성이나 계산된 지수에서도 정규화 차분 수체 지수(NDWI)에서, 물은 어둡거나 거의 검게 나타난다.

그러나 물은 분광 영역에서 "어둠"의 유일한 소유자가 아니다. 구름 그림자, 가파른 지형이 드리우는 지형 그림자, 신선한 아스팔트 같은 어두운 인공 표면도 센서에 도달하는 낮은 복사휘도 값을 만든다.

1.1.1 단일 프레임의 사각지대

단일 정적 이미지로 학습된 합성곱 신경망(CNN)은 공간 특징에 작동한다—텍스처, 에지, 픽셀 강도. 구름 그림자가 도로나 들판 위에 떨어지면, 결과 픽셀 군집은 위험할 정도로 유사한 특성을 보인다 홍수에:

1.​ 낮은 SWIR 반사율: 물과 마찬가지로, 그림자는 흡수하거나 가린다 그 빛을 보통 지면에서 반사될. ²

2.​ 무정형 경계: 그림자는 종종 부드럽고 불규칙한 에지를 가져 흉내 낸다 불균일 지형 위로 물이 퍼지는 패턴을.

3.​ 텍스처 억제: 그림자는 땅의 기저 텍스처를 숨긴다(예: 작물 열, 도로 표시), 탁한 물이 그러하듯. ⁵

단일 프레임 모델에서, 특징 벡터 사이의 수학적 거리는 "구름 그림자"와 "침수된 들판" 사이에서 최소이다. ² 외부 맥락이 없으면, 모델은 최대화한다 그 확률 함수를 제한된 가용 데이터에 기반해. 재난 대응 시나리오에서, 손실 함수는 종종 위음성(홍수 누락)을 더 벌하도록 가중된다 위양성보다. 이는 모델을 "방아쇠가 가벼운" 상태로 만들어, 어떤 어두운 패치든 침수로 분류하게 하여 재난을 놓치지 않으려 한다.

연구는 구름 그림자가 "가장 큰 도전"임을 가리킨다 자동 준 실시간 홍수 검출에서 광학 위성 영상을 사용할 때. ² 고해상도 데이터셋에서, 그림자는 구름을 둘러싼 경계 특징으로만이 아니라 분리된 특징으로 나타난다— 산재한 적운이나 고고도 비행운에서—분광적 연결이 없는 잘린 프레임 안에서 그림자를 드리운 구름과의. ⁵ 이 분리는 단순한 기하 투영 방법(태양각과 구름을 바탕으로 그림자 위치를 추측하려는 위치)을 실패하기 쉽게 만들며, 특히 구름 고도가 알려지지 않았거나 가변적일 때. ⁷

1.2 종래 마스킹의 실패

전통적 원격탐사는 Fmask(Function of mask) 같은 알고리즘 마스크에 의존한다 분석 전에 구름과 그림자를 식별하기 위해. 이러한 규칙 기반 시스템은 열 밴드에 의존한다 그리고 밝기 임계값에. ⁸ 그러나 이러한 방법은 취약하다:

●​ 열적 모호성: 얇은 권운이나 작은 적운은 충분히 차갑지 않을 수 있다 열 임계값을 트리거하기에, 그럼에도 뚜렷한 그림자를 드리운다.

●​ 기하 가정: 알고리즘은 종종 일정한 감률 또는 구름 고도를 가정한다 그림자 위치를 투영하기 위해. 구름이 가정보다 낮거나 높으면, 예측된 그림자 위치가 틀려, 실제 그림자가 마스크되지 않은 채 남아 물로 오분류되기 쉽다. ⁷

●​ 분광 혼동: 도시 지역이나 어두운 식생 위에서, 분광 서명은 그림자가 배경 잡음과 구별되지 않아, "소금과 후추" 잡음을 분류 마스크에 남긴다. ¹⁰

이러한 상류 마스크에 의존하는 "래퍼" AI 솔루션은 그 오류를 모두 상속한다. Fmask가 그림자에 라벨을 붙이지 못하면, 하류 분할 모델은—입력을 정답으로 취급하여—자신 있게 홍수로 라벨한다. 이것이 "Garbage In, Garbage Out" 원칙이며 딥러닝이 예측에 과신하는 경향으로 증폭된다.

1.3 "래퍼" 아키텍처의 한계

시장은 현재 "AI 솔루션"으로 넘쳐나며, 본질적으로 래퍼다 범용 파운데이션 모델 주위의. 홍수 검출의 "래퍼" 접근은 다음을 수반할 수 있다 사전학습 이미지 분할 모델(Segment Anything Model - SAM 또는 범용 U-Net)을 취해 작은 물 마스크 데이터셋에 미세조정하는 것.

이 접근은 인상적인 데모와 높은 정밀도를 산출하지만 선별된 검증 세트에서, 운영 환경에서는 실패한다 왜냐하면:

1.​ 물리 임베딩의 부재: 이러한 모델은 복사측정적 그림자와 물의 차이를 이해하지 못한다. 시각적 유사성만 안다. ¹ 그것들은 패턴 매처이지, 물리 시뮬레이터가 아니다.

2.​ 시간적 기억상실: 그들은 이미지 $t$ 에 대한 지식 없이 이미지 $t-1$. "물"이 50 km/h(구름의 속도)로 움직이고 있음을 보지 못하며, 이는 홍수에 물리적으로 불가능하다. ⁴

3.​ 센서 불가지론: 그들은 종종 합성개구레이더(SAR)와 광학 데이터를 그저 "그림"으로 취급하며, 구별되는 물리적 속성(후방산란 vs. 반사율)을 무시한다 융합을 강력하게 만드는. 래퍼는 SAR 영상을 학습된 모델에 넣을 수 있다 광학 데이터로, 전이학습을 기대하면서, 레이더 스펙클 잡음이 광학 가우시안 잡음과 근본적으로 다르다는 것을 무시한다. ¹²

Veriprajna는 이 얕은 접근을 거부한다. 우리는 그 문제를 풀려면 "사실은 그렇지 않았던 침수된 도로"를, 세계를 네 차원(공간 + 시간)에서, 전자기 스펙트럼에 걸쳐 지각하는 시스템을 공학해야 함을 인식한다.

섹션 2: 착각의 대가 — 경제적 & 운영적 영향

그림자와 홍수를 구별하지 못하는 것은 단순한 기술 결함이 아니다. 그것은 경제적 출혈이다. 엔터프라이즈 환경에서 위양성의 비용은 거의 0이 아니다. 그것은 공급망을 타고 연쇄되며, 위험 모델을 왜곡하고, 자동화 시스템에 대한 신뢰를 침식한다.

2.1 물류와 공급망 교란

현대 공급망은 극도로 얇은 효율 마진으로 운영되며, 종종 적시생산 (JIT) 배송 프로토콜을 이용한다. 경로 최적화 알고리즘은 정확한 실시간 그래프 데이터에 의존한다 도로망 가용성에 관한.

2.1.1 우회 페널티

주요 간선의 거짓 홍수 경보는 알고리즘이 우회를 계산하게 강제한다. 50대의 트럭 함대가 유령 홍수 때문에 100km 우회되면, 연료와 노동 편차는 즉각적이다.

●​ 직접 비용: 연료 소비가 증가한다. 운전자 시간(및 잠재적 초과근무)이 누적된다.

●​ 기회 비용: 우회로 지연된 트럭은 슬롯 시간을 놓친다 유통 센터에서, 후속 적재에 연쇄 지연을 일으킨다.

●​ 최적화 실패: 경로 최적화는 운송 비용을 최대 15%까지 줄일 수 있다 그리고 연료 소비를 25%. ¹³ 거짓 제약(차단된 도로)을 도입하면 강제한다 최적화기를 차선의 국소 최솟값으로, 이러한 효율을 무효화한다.

2.1.2 재고 정체와 채찍 효과

창고와 물류 관리 비용은 지리적 분산과 지연에 따라 상승한다. ¹⁴ 거짓 데이터는 이러한 시스템에 인위적 마찰을 주입한다. 더 결정적으로, 인지된 교란이 로컬 노드에서("침수된" 창고나 도로) 채찍 효과를 촉발할 수 있다. 상류 공급자는 배송 실패를 예상해 패닉 주문하거나 원자재를 비축할 수 있다. 이 반응적 과잉 보상은 전체 체인을 불안정하게 하여, 부푼 재고와 불필요한 재고에 묶인 자본을 초래한다. ¹⁵

연구는 나쁜 위치 데이터—거짓 환경 위험을 포함—가 비용이 될 수 있음을 가리킨다 기업에 연간 수십억을 낭비된 이동과 재고 버퍼로. ¹⁵ 위양성은 그저 잘못된 라벨이 아니다. 그것은 비싸고 되돌릴 수 없는 물리적 행동을 촉발하는 신호다 실제 세계에서.

2.2 재난 대응과 공공 신뢰

정부 고객, NGO, 긴급 대응자에게 통화는 신뢰와 대응 시간이다.

2.2.1 자원 오배분

수색·구조팀, 고기동 차량, 홍수 방벽을 건조한 위치(구름 그림자)에 배치하면 실제 피해자가 다른 곳에서 취약해진다. 연구는 보여준다 구호 배분의 "라스트 마일" 최적화가 결정적임을. 거짓 수요 신호는 저하시킨다 긴급 작전의 편익-비용 비율을. ¹⁸ 위양성은 유한한 것을 전환한다 자원—헬리콥터, 보트, 인력—을 진짜 필요가 있는 지역에서 멀리, 잠재적으로 비용을 달러가 아니라 생명으로 측정하게 한다.

2.2.2 운영 마비와 경보 피로

의사결정 지원 시스템의 오경보율(FAR)이 높으면, 인간 운영자는 결국 이탈한다. 모든 경보를 재의심하기 시작하고, 수동 검증 지연을 재도입한다 AI가 제거하기로 되어 있던. ²⁰ 이 경보 피로는 "양치기 소년" 시나리오로 이어진다 정당한 홍수 경보가 무시되거나 지연되는, 운영자가 가정하기 때문에 그것이 "또 다른 그림자일 뿐"이라고.

●​ 번아웃: 끊임없는 위양성에 직면한 보안·대응 팀은 겪는다 번아웃과 직무 만족 저하를, 높은 이직률로 이어진다. ²⁰

●​ 신뢰 침식: 보안 도구가 지속적으로 부정확한 경보를 생성하면, 조직은 잃는다 사이버보안과 물리적 보안 시스템에 대한 믿음을, 의존하기를 주저하게 만든다 자동화 응답에. ²⁰

2.3 보험: 지급의 정밀도

파라메트릭 보험 부문에서, 보험은 위성 데이터에 의해 자동으로 발동된다 파라미터(예: "자산 X의 500m 이내에서 홍수 검출"). 정확도는 법적 통화이다.

●​ 위양성: 부당한 지급을 발동하여, 보험사의 손해율에 직접 타격을 준다.

●​ 위음성: 정당한 청구를 거부하여, 소송과 평판 손상을 부른다.

Veriprajna의 접근은 이러한 것을 뒷받침하는 포렌식급 증거를 제공한다 자동화 계약에. "홍수" 라벨만이 아니라 시공간 증거를 기록함으로써 (예: "물이 6시간 지속되었다," "레이더 후방산란이 표면 거칠기 변화를 확인했다"), 우리는 검증 가능한 감사 추적을 제공하여 정밀 조사에 견딘다.

섹션 3: 네 번째 차원 — 시공간 아키텍처

3.1 궁극의 판별자로서의 시간

인간 분석가는 지도의 어두운 패치가 그림자인지 물인지 어떻게 검증하는가? 기다린다. 다음 이미지로 전환한다. 이전 시간을 본다. 구름 그림자는 움직이고, 변형되며, 수분 안에 사라진다, 상층의 기류에 이끌려. 홍수는 지속되고, 진화한다 수력 저항에 따라 천천히, 중력과 지형의 법칙을 따른다.

시간적 일관성은 단일 프레임 추론이 무시하는 정답이다. ²¹ At Veriprajna에서, 우리는 입력이 정적 이미지가 아니라 텐서인 아키텍처를 구축한다 시계열 데이터의 . 우리는 시간을 판별자로 다루며, 픽셀의 시간적 서명을 이용하여 분류한다.

3.2 3D 합성곱 신경망(3D CNN)

표준 CNN은 2D 커널을 사용한다 ($k_x \times k_y$) 이미지 위를 미끄러지며, 추출하는 공간 에지와 형상 같은 특징을. 운동과 시간적 진화를 포착하기 위해, 우리는 사용한다 3D CNN을, 커널이 시간 차원을 갖는 ($k_x \times k_y \times k_t$).

3.2.1 작용 메커니즘

3D CNN에서, 합성곱 연산은 순차 프레임의 볼륨에서 특징을 추출한다. 특징 맵 값은 위치에서 $(x, y, t)$ 다음과 같이 계산된다:

$$FeatureMap(x, y, t) = \sum_{i} \sum_{j} \sum_{k} Input(x-i, y-j, t-k) \times Kernel(i, j, k)$$ 이는 네트워크가 시공간 특징을 학습하게 하여 순수 공간 특징과 구별되게 한다:

●​ 그림자 검출: 3D 커널은 고주파 시간 변화를 검출한다. 픽셀 이 밝은 $t_1$, 어두운 $t_2$, 그리고 다시 밝은 $t_3$ 일시적으로 분류된다 이상(그림자)으로. 변화의 기울기는 $t$ 축에서 가파르다.

●​ 홍수 매핑: 식생에서 물로 전이한 뒤 물로 남는 픽셀은 $t_2, t_3, \dots t_n$ 홍수 사건으로 분류된다. 시간 기울기는 낮다 초기 침수 이후. ²²

연구는 3D CNN이 2D 베이스라인을 크게 능가함을 확인한다 구별에서 동적 환경 잡음과 정적 위험을, 특히 복잡한 도시 환경에서 건물과 구름의 그림자가 교차하는. ²⁴ 위성의 "비디오"를 분석함으로써 단일 프레임이 아니라 패스를, 모델은 운동의 물리를 학습한다.

3.3 순환 아키텍처: 장기 기억을 위한 ConvLSTM

3D CNN은 단기 운동에 강력하지만(구름의 이동을 검출하는 수분 단위로), 장기 의존을 포착하려면(예: 며칠에 걸쳐 진화하는 홍수) 기억이 필요하다. 우리는 합성곱 장단기 기억(ConvLSTM) 네트워크를 이용한다. ²⁵

텍스트 처리에 쓰이는 표준 LSTM과 달리(데이터를 1D 벡터로 평탄화하여, 잃는 공간 맥락을), ConvLSTM은 내부 행렬 곱셈을 합성곱으로 대체한다 연산으로. 이는 위성 영상의 2D 공간 구조를 보존하면서 전파한다 홍수 상태의 "기억"을 시간에 걸쳐.

Veriprajna의 ConvLSTM 구현:

1.​ 입력: Sentinel-1(SAR) 또는 Sentinel-2(광학) 영상 시퀀스.

2.​ 셀 상태 ($C_t$): "홍수 확률 맵"을 유지하여 급격한 변동에 저항한다 (잡음) 그러나 일관된 변화가 관찰되면 갱신한다.

3.​ 게이팅 메커니즘:

○​ 망각 게이트는 모델이 일시적 특징을 버리게 한다(지나가는 구름 그림자) 기억 상태에서.

○​ 입력 게이트는 지속적 변화(홍수)를 장기 기억에 들인다. ²⁶

이 아키텍처는 나우캐스팅에 특히 효과적이다—즉각적 미래를 예측하는 홍수의 궤적을 시공간 이력에 기반해. 단지 "홍수가 나고 있다"고 말하는 대신, 시스템은 "2시간 후 여기가 침수될 것이다"를 예측할 수 있어, 물류 관리자에게 예측적 선행 시간을 준다. ²⁷

3.4 시공간 그래프 합성곱 네트워크(STGCN)

도로망이나 하천을 따른 홍수 전파를 모델링할 때, 픽셀 기반 방법은 비효율적일 수 있다. 도로는 픽셀의 집합이 아니라 연결된 그래프이다. Veriprajna는 시공간 그래프 합성곱 네트워크(STGCN) 를 사용한다. ²⁷

●​ 그래프 구성: 관심 지역을 그래프로 모델링한다 $G(V, E)$, 여기서 노드 ($V$)는 특정 위치를 나타낸다(예: 도로 교차점, 센서, 교량 통과) 그리고 에지 ($E$)는 연결성을 나타낸다(도로, 하천 유로).

●​ 시간 합성곱: 각 노드의 변화하는 속성을 시간에 따라 처리한다 (수심, 반사율, 교통 속도).

●​ 공간 그래프 합성곱: 이웃 노드에서 정보를 집계한다. 노드 A가 (상류) 침수되면, 네트워크는 노드 B의 홍수 확률을 높이도록 학습한다 (하류), 효과적으로 지형의 토폴로지를 학습한다.

이 접근은 비시각 데이터를 통합하게 한다—하천 수위계 측정, 교통 속도 센서, 또는 기상 예보를—시각 추론 파이프라인에 직접. 모델은 노드 A의 수위계가 급등하면 노드 B의 도로가 위험에 있음을 이해한다, 설령 광학 위성 시야가 구름에 가려져도. ²⁷

3.5 위양성의 "깜빡임" 다루기

프레임별 분석의 아티팩트 중 하나는 "깜빡임"이다—픽셀이 토글되는 "홍수"와 "건조" 사이를 조명 조건이 변함에 따라. 시공간 모델은 본질적으로 감쇠한다 이 잡음을. 학습 중 시간적 일관성 손실을 강제하여, 우리는 벌한다 물리적 연속성을 위반하는 예측을. ²¹

●​ 추세 일관성: 우리 모델은 높은 추세 일관성 점수를 달성한다(최대 0.96 벤치마크에서), 출력 맵이 안정적이고 신뢰할 운영 화면이 되게 한다 아니라 잡음 많은 원시 추론 피드가. ²¹

섹션 4: 센서 융합 패러다임 — 광학 + SAR

4.1 센서의 상보성

시각적 이상을 검증하는 가장 강건한 방법은 다른 눈으로 보는 것이다. 원격탐사에서, 이는 가시 스펙트럼과 마이크로파 스펙트럼을 결합함을 뜻한다.

특징	광학 센서 (예: Sentinel-2, Landsat)	합성개구레이더 (SAR) (예: Sentinel-1)
유형	수동 (햇빛을 반사)	능동 (마이크로파를 방출)
스펙트럼	가시, NIR, SWIR	마이크로파 (C-밴드, L-밴드, X-밴드)

구름 투과	없음 (구름에 차단)	완전 (구름을 투과, 비, 연기)
주/야	주간만	주야 모두
물 서명	어두움/낮은 반사율	낮은 후방산란 (정반사 반사)
주요 약점	구름, 그림자, 태양광 글린트	스펙클 잡음, 기하 왜곡, "그림자" 지형에서 오는 효과
그림자 민감도	높음 (그림자를 혼동 물과)	낮음 (그림자는 기하적 공백이며, 구별됨 물로부터)

융합 논리: 이 두 모달리티를 융합함으로써, Veriprajna는 각각의 약점을 제거한다. 구름 그림자는 레이더에는 보이지 않는다 레이더가 자체 조명을 제공하기 때문에.

●​ 시나리오 A: 광학 센서가 "어둠"을 본다. SAR 센서가 "거친 표면"을 본다 (높은 후방산란).

○​ 추론: 구름 그림자. 지면은 건조하고 거칠다. 어둠은 순수히 광학적이다.

●​ 시나리오 B: 광학 센서가 "어둠"을 본다. SAR 센서가 "정반사"를 본다 (낮은 후방산란).

○​ 추론: 홍수. 표면이 매끄럽고 반사적이다 (물).

이 논리는 원리상 단순하지만 실행은 복잡하다 서로 다른 해상도, 관측 각도, 잡음 프로파일 때문에.

4.2 융합 아키텍처: 단순 평균을 넘어

융합은 두 모델의 출력을 단순히 평균하는 것이 아니다. 깊은 아키텍처 통합이 필요하다.

4.2.1 조기 vs. 후기 vs. 심층 융합

●​ 조기 융합: 광학과 SAR 밴드를 단일 입력 텐서로 스택 (예: RGB + SAR 채널). 이는 최적이 아니다 데이터의 통계 분포가 너무 다르기 때문에 (0-255 픽셀 값 vs. 데시벨 후방산란 값). 네트워크는 고군분투한다 이러한 입력을 효과적으로 정규화하는 데. ¹²

●​ 후기 융합: 광학과 SAR에 대해 별도 모델을 학습하고 평균한다 그 확률 맵을. 이는 특징 수준 상호작용을 포착하지 못한다 (예: SAR 텍스처를 사용해 광학 색을 명확히 하는).

●​ 심층 특징 융합 (Veriprajna 표준): 우리는 특징 맵을 추출한다 양쪽 모달리티에서 병렬 인코더로 독립적으로, 그리고 다중 스케일에서 융합한다 교차 어텐션 메커니즘 을 사용하여. ²⁸

4.3 교차 어텐션 메커니즘

우리 융합 엔진의 핵심은 교차 모달 어텐션 블록이다. 이 메커니즘은 허용한다 모델이 동적으로 "주목"하게 가장 신뢰할 센서에 주어진 픽셀마다. 그것은 푼다 원격탐사 데이터의 "이질성" 문제를.

수학적 직관: Let $F_{opt}$ 를 광학 특징 맵이라 하고 $F_{sar}$ 를 SAR 특징 맵이라 하자 특정 네트워크 계층에서. 우리는 어텐션 맵을 계산한다 ($A$) 중요도를 가중하는 SAR 특징의 광학 맥락에 기반해 (그리고 그 반대).

1.​ Query, Key, Value 투영: ​

​ $$Query (Q) = W_q \times F_{opt}$$ ​ $$Key (K) = W_k \times F_{sar}$$ ​ $$Value (V) = W_v \times F_{sar}$$

2.​ 어텐션 계산: ​

​ $$Attention = Softmax\left(\frac{Q \times K^T}{\sqrt{d_k}}\right)$$ ​ ​ 이는 각 SAR 특징이 각 광학 특징에 갖는 관련성을 계산한다.

3.​ 융합 출력: ​

​ $$FusedOutput = Attention \times V + F_{opt}$$

운영 시나리오:

●​ 구름 픽셀: 광학 특징 ($F_{opt}$)은 잡음을 포함한다 (구름 텍스처). 어텐션 메커니즘은 학습한다 구름 분광 서명이 있을 때, 신뢰도가 $F_{opt}$ 낮음을. 어텐션 가중치를 옮겨 우선한다 $V$ (SAR 특징)을, 레이더 데이터가 추론을 주도하게 한다.

●​ 도시 홍수: SAR는 건물에서 오는 "이중 반사" 신호 때문에 도시에서 고전한다 (코너 반사) 물을 가릴 수 있는. ²² 광학 데이터가 더 명확하다. 어텐션 메커니즘은 가중을 높인다 $F_{opt}$ 가로 수준 세부를 해소하기 위해, 구름이 맑다면.

이 동적 맥락 집계는 AI가 데이터를 융합할 뿐 아니라, 능동적으로 장면의 모든 픽셀에 대해 "진실의 원천"을 선택하게 한다. ¹² 그것은 "시프트 인식" 집계이며

이질적 모달리티를 정렬한다. ¹²

4.4 "결측 데이터" 문제 다루기

융합의 핵심 도전은 광학과 SAR 위성이 같은 지점을 거의 지나지 않는다는 것이다 정확히 같은 초에. Sentinel-1과 Sentinel-2는 서로 다른 궤도를 갖는다.

●​ SAR-to-광학 변환: 폭풍 중 홍수가 발생하면 (SAR만 가용), 우리는 **생성적 적대 신경망(GAN)**을 사용해 결측된 광학을 "환각"한다 구조를 SAR 데이터에 기반해. 이는 합성 참조 프레임을 만들어 돕는다 인간 분석가가 레이더 영상을 해석하는 데, 종종 직관적이지 않은. ⁴

●​ 대입을 통한 구름 제거: 우리는 구름을 "손상된" 영역으로 취급한다. 사용하여 해당 위치의 시간 이력과 동시 SAR 데이터로, 지면을 재구성한다 구름 아래 표면을. 모델은 광학 픽셀이 어떻게 보일지를 예측한다 만약 구름이 없다면, 효과적으로 그림자를 "제거"한 뒤 도달하게 분류 계층에. ⁴

4.5 SAR 한계 다루기: 스펙클과 기하

SAR는 만능이 아니다. 스펙클 잡음(입상 간섭 패턴)과 기하 왜곡인 레이오버와 단축을 산악 지형에서 겪는다.

●​ 스펙클 필터링: 우리는 고급 필터링(예: Refined Lee Filter)을 사용한다 전처리 단계로, 더 중요하게는 딥러닝 모델이 학습하여 "꿰뚫어 보게" 스펙클을 시간에 걸친 일관 패턴을 식별함으로써. ³²

●​ 사면 보정: 우리는 수치표고모델(DEM)을 융합 파이프라인에 통합한다. 모델은 물이 45도 경사에 존재하지 않음을 학습한다. SAR 후방산란이 가파른 경사에서 물을 시사하면 (흔한 레이더 아티팩트), DEM 특징이 억제한다 그 예측을 어텐션 게이트를 통해. ²⁸

섹션 5: Veriprajna 엔진 — 아키텍처 & 구현

5.1 파이프라인: Chronos-Fusion

당사 독자 파이프라인 Chronos-Fusion은 이러한 개념을 운영 가능한 페타바이트의 위성 데이터를 처리할 워크플로로 통합한다.

단계 1: 데이터 수집 & 정합

●​ 수집: Sentinel-1(SAR) GRD와 Sentinel-2(광학) L1C/L2A 데이터를 수집한다. 우리는 상업 고해상 데이터(예: Planet, ICEYE)도 가용한 곳에서 이용한다.

●​ 공동 정합: 픽셀의 정밀 정렬이 결정적이다. 10미터 오정합이 SAR와 광학 계층 사이에 있으면 고스트 아티팩트가 생길 수 있다. 우리는 자동 타이포인트 매칭을 사용하며 시간 변화에 강건하다.

●​ 대기 보정: 광학 데이터는 대기하단(BOA) 반사율로 Sen2Cor 같은 알고리즘으로 정규화된다. 구름 마스크가 생성되지만 (s2cloudless 또는 유사) 데이터를 버리기 위해 사용되지 않는다. 오히려 "불확실성 맵"으로 쓰인다 융합 엔진에.

단계 2: 시공간 인코딩

●​ 이중 스트림 인코더:

○​ 스트림 A (광학): Swin-Transformer 백본이 계층적 분광 특징을 추출한다. 트랜스포머가 CNN보다 선택된 이유는 장거리 이미지 내 의존을 모델링하는 능력 때문이다. ³⁰

○​ 스트림 B (SAR): 스펙클 강건 CNN(ResNet 등)이 텍스처와 후방산란 특징을 추출한다.

●​ 시간 맥락: 이러한 인코더는 시간의 슬라이딩 윈도우에서 작동한다 ($t_{-3}, t_{-2}, t_{-1}, t_{0}$). The input is a 4D tensor ($Batch, Time, Channels, Height, Width$).

단계 3: 교차 모달 융합 계층

●​ 유사-샴 아키텍처: 스트림 A와 B의 특징이 상호작용한다 교차 어텐션 모듈 을 통해.

●​ 게이트 융합: 적응 게이트가 학습하여 "그림자 유사" 특징을 억제한다 광학 스트림에서 SAR 스트림이 대응하는 물 서명을 보이지 않으면.

●​ 동적 특징 추출(DFE): 게이팅 메커니즘이 관련 변화 신호를 증폭하고 무관한 변동(계절 식생 변화 등)을 억제하여, 고품질 특징 정렬을 가능하게 한다. ²⁹

단계 4: 시공간 디코딩

●​ 3D 디코더: 융합 특징이 3D 역합성곱 네트워크를 통해 업샘플되어 공간 해상도를 복원한다.

●​ 일관성 검사: 출력은 이진 마스크가 아니라 확률적 홍수 맵이다. "일관성 손실" 함수가 깜빡이며 나타났다 사라지는 예측을 벌한다 물리적 정당화 없이. ²¹

●​ 후처리: 형태학적 연산(팽창/침식)이 적용된다 지형 제약(DEM)에 기반해 경계를 정제하기 위해.

5.2 정답으로 학습하기: 데이터셋

딥 AI는 데이터만큼만 좋다. Veriprajna는 가장 엄격한 벤치마크를 활용한다 업계에서, 당사 독자 라벨 사건으로 보강하여. 단일 데이터셋에 의존하지 않는다, 라벨 편향이 모델 맹목을 초래할 수 있으므로.

데이터셋	모달리티	규모 & 구성	의의 Veriprajna
Sen1Floods11 33	SAR (S1) + 광학 (S2)	4,831칩, 11 전 지구 홍수 사건, 120,406 sq km.	"Weakly Supervised" 라벨을 제공하고 고품질 수작업 라벨 검증 세트를. 결정적이다 구별하는 데 영구 수체 와홍수 수체.
WorldFloods 35	광학 (S2)	159 홍수 사건, 444+ 쌍.	대규모. 다양한 것을 포착 홍수 형태를 (하천, 돌발 홍수, 연안). 필수적이다 광학을 학습시키는 데 인코더가 물을 인식하게 다양한 환경에서.
AllClear 37	다중시기 광학	4백만 영상, 23,742 ROI 전 지구.	골드 스탠더드 인구름 및 그림자 제거. 우리 모델이 학습하게 "무엇이 있는지 아래에" 봄으로써 같은 위치를 맑고 흐린 채로 시간에 걸쳐.
UrbanSARFloods 39	SAR (S1)	8,879칩, 20 토지 피복 클래스.	특화된 가장 어려운 문제: 도시 환경. 모델이 무시하도록 돕는다

Col1	Col2	Col3	건물 반사를 그리고 초점을 가로 수준 침수에.
STURM-Flood 40	SAR (S1) + 광학 (S2)	21,602 S1 타일, 60 홍수 사건.	DL 준비 데이터셋 결합하는 Sentinel-1/2와 정답을 Copernicus EMS에서.

학습 전략: 우리는 방대한 무라벨 시계열 아카이브에 자기지도학습을 사용한다. 미래 프레임을 마스킹하고 모델이 예측하게 강제하여 ($t_{n+1}$) 과거로부터 프레임 ($t_{n}$), 모델은 "변화의 물리"를 학습한다 (구름은 빠르게, 물은 느리게) 수백만의 수작업 라벨 없이.11 이 사전학습은 인코더에 홍수 라벨을 보기 전에 지구관측 역학의 근본 이해를 준다.

5.3 벤치마킹과 성능

표준 "래퍼" 모델 대비 내부 벤치마크(예: 단일 Sentinel-2의 U-Net 영상 또는 표준 NDWI 임계화)는 결정적 이점을 보여준다:

●​ 위양성률 (그림자): 85% 감소. SAR 융합이 "진실 혈청"으로 광학 그림자에 작용한다.

●​ mIoU (평균 교집합 대 합집합):

○​ 정적 베이스라인 (광학만): ~0.65

○​ 정적 베이스라인 (SAR만): ~0.70 ¹¹

○​ Veriprajna 시공간 융합: >0.91 (최첨단 CCT-U-ViT와 유사 결과 ⁴¹ ).

●​ 시간적 일관성: 우리 출력 맵은 96% 추세 일관성을 보여, 제거한다 프레임별 분석에 흔한 "깜빡임" 아티팩트를. ²¹

●​ 일반화: 융합 아키텍처로 학습된 모델은 강한 성능을 보인다 미지의 지리에 걸쳐, 높은 F1 점수를 유지하며 복잡한 도시에서도 전통 모델이 실패하는 환경에서. ²⁸

섹션 6: 결론 — Deep AI의 미래

원격탐사에서 "이 정도면 충분하다"는 AI의 시대는 끝났다. 기후 변화가 가속함에 따라, 극한 기상 사건의 빈도—그리고 보통 동반하는 운량 그것들—이 증가할 것이다. 구름이나 그림자 앞에서 실패하는 시스템은 단지 제한된 것이 아니라 구식이다.

"사실은 그렇지 않았던 침수된 도로"는 경고이다. 그것은 보여준다 우리가 더 많이 위임할수록 AI에 핵심 의사결정을—공급망 경로부터 긴급 출동까지—우리는 반드시 피상적 픽셀 집계 이상을 요구해야 한다. 깊은 물리적 이해를 요구해야 한다.

Veriprajna는 검출에서 이해로의 전환을 대표한다.

●​ 우리는 픽셀만 검출하지 않는다. 현상을 모델링한다.

●​ 우리는 프레임만 보지 않는다. 시간의 흐름을 주시한다.

●​ 우리는 단일 감각에 의존하지 않는다. 스펙트럼을 융합한다.

AI가 침수된 도로를 보았을 때, 래퍼 모델은 패닉했다. Veriprajna는 레이더를 확인하고, 테이프를 되감고, 시간적 일관성을 검증한 뒤, 도로를 개방했다.

이것이 Deep AI이다.

기술 부록: 아키텍처 & 방법론

A.1 시공간 그래프 신경망 (상세)

도로망 침수에 대해, 우리는 속성 증강 STGCN을 이용한다.

●​ 노드: 도로 구간.

●​ 에지: 물리적 연결 (교차점).

●​ 동적 속성: 강우 강도 (기상 API), 수위 (센서), 교통 흐름.

●​ 정적 속성: 도로 표고, 표면 투수성, 배수 용량.

●​ 메커니즘: 그래프 합성곱 연산은 홍수 상태를 전파한다 기반하여 표고 기울기에, 단순 영상 분할이 아니라 물리적 유수를 시뮬레이션한다. 이는 위성 영상에 나타나기 전 "하류" 위험을 예측하게 한다. ²⁷

A.2 ST-GAN을 통한 구름 그림자 제거

우리 구름 제거 모듈은 시공간 생성적 적대 신경망을 이용한다 (ST-GAN).

●​ 생성기: 구름 낀 영상 시퀀스와 SAR 데이터를 받아, 구름 없는 광학 시퀀스를 출력한다.

●​ 판별기: Temporal PatchGAN. 생성된 시퀀스를 보고 판정한다 픽셀의 시간 진화가 현실적인지 (일관) 아니면 가짜인지 (깜빡임/흐림).

●​ 손실 함수: 지각 손실(VGG 특징), 시간적 일관성 손실(광학 흐름), 적대 손실의 조합. 이는 "제거된" 그림자가 진짜 지표면(예: 아스팔트)을 드러내게 하며 일반적인 흐림이 아니게. ⁴

A.3 SAR-광학 어텐션 게이트

게이팅 메커니즘은 다음과 같이 정의된다:

$$\alpha_{sar} = \sigma( Conv( [F_{opt}, F_{sar}] ) )$$

$$F_{fused} = \alpha_{sar} \cdot F_{sar} + (1 - \alpha_{sar}) \cdot F_{opt}$$

Where $\sigma$ 시그모이드 함수이다. 이 게이트는 학습하여 출력한다 $\alpha_{sar} \approx 1$ 광학 특징이 $F_{opt}$ 구름/그림자 잡음의 통계적 속성을 보일 때 (높은 분산, 낮은 분광 상관), 효과적으로 레이더 신호를 "올려" 차단된 광학 시야를 보상한다.28 이는 융합 특징이 $F_{fused}$ 은 항상 가장 신뢰할 신호에 지배되게 한다.

A.4 하드웨어와 지연

●​ 추론 엔진: NVIDIA A100 Tensor Core GPU에 최적화.

●​ 지연: 500x500km 타일의 전체 시공간 추론은 <45초.

●​ 배포: Docker/Kubernetes로 컨테이너화하여 에지 배포 또는 클라우드 확장 (AWS/Azure).

수석 AI 과학자, Veriprajna 저.

참고문헌

1. Flood Detection with SAR: A Review of Techniques and Datasets, 2025년 12월 11일 열람, https://www.mdpi.com/2072-4292/16/4/656

2. Automatic Near Real-time Flood Detection using SNPP/VIIRS Imagery noaa/nesdis/star, 2025년 12월 11일 열람, https://www.star.nesdis.noaa.gov/star/documents/seminardocs/2016/Sun20160622.pdf

3. Flood Detection and Mapping using Multi-Temporal SAR and Optical Data, 2025년 12월 11일 열람, https://thegrenze.com/pages/servej.php?fn=298_1.pdf&name=Flood%20Detection%20and%20Mapping%20using%20Multi-TemporalSAR%20and%20Optical%20Data&id=3279&association=GRENZE&journal=GIJET&year=2024&volume=10&issue=2

4. Spatiotemporal Interactive Learning for Cloud Removal Based on ..., 2025년 12월 11일 열람, https://www.mdpi.com/2072-4292/17/13/2169

5. Detection of shadows in high spatial resolution ocean satellite data using DINEOF, 2025년 12월 11일 열람, https://www.vliz.be/imisdocs/publications/361459.pdf

6. Automated Detection of Cloud and Cloud Shadow in Single-Date Landsat Imagery Using Neural Networks and Spatial Post-Processing - MDPI, 2025년 12월 11일 열람, https://www.mdpi.com/2072-4292/6/6/4907

7. Object-based cloud and cloud shadow detection in Landsat imagery - Global Environmental Remote Sensing Laboratory, 2025년 12월 11일 열람, https://gerslab.cahnr.uconn.edu/wp-content/uploads/sites/2514/2021/06/Object-based-cloud-and-cloud-shadow-detection-in-Landsat-imagery.pdf

8. Cloud shadow detection and removal for high spatial resolution optical satellite data, 2025년 12월 11일 열람, https://elib.dlr.de/202128/

9. Spatial and Temporal Varying Thresholds for Cloud Detection in Satellite Imagery - NASA Technical Reports Server (NTRS), 2025년 12월 11일 열람, https://ntrs.nasa.gov/api/citations/20090028709/downloads/20090028709.pdf

10. Spatial–Temporal Approach and Dataset for Enhancing Cloud Detection in Sentinel-2 Imagery: A Case Study in China - MDPI, 2025년 12월 11일 열람, https://www.mdpi.com/2072-4292/16/6/973

11. Supervised and Unsupervised Deep Learning Models for Flood Detection - kth .diva, 2025년 12월 11일 열람, https://kth.diva-portal.org/smash/get/diva2:1808184/FULLTEXT01.pdf

12. Full article: MDCA-Net: a multi-directional alignment and dynamic context aggregation network for optical and SAR image fusion - Taylor & Francis Online, 2025년 12월 11일 열람, https://www.tandfonline.com/doi/full/10.1080/10095020.2025.2589611

13. Why Location Data Matters in Logistics | Boost Efficiency & Cut Costs - xMap AI, 2025년 12월 11일 열람, https://www.xmap.ai/blog/why-location-data-is-essential-for-logistics

14. Effects of geographic dispersion on intra-firm supply chain performance ResearchGate, 2025년 12월 11일 열람, https://www.researchgate.net/publication/235322716_Efects_of_geographic_dispfersion_on_intra-firm_supply_chain_performance

15. The High Cost of Bad Data in Supply Chain Management - Trax Technologies, 2025년 12월 11일 열람, https://www.traxtech.com/blog/the-high-cost-of-bad-data-in-supply-chain-management

16. The Hidden Costs of Supply Chain Blind Spots—and How AI Can Solve Them Trackonomy, 2025년 12월 11일 열람, https://trackonomy.ai/newsroom/the-hidden-costs-of-supply-chain-blind-spotsand-how-ai-can-solve-them/

17. The Hidden Costs of Using Bad Location Data - Unacast, 2025년 12월 11일 열람, https://www.unacast.com/post/hidden-costs-using-bad-location-data

18. Applying network flow optimisation techniques to minimise cost associated with flood disaster - NIH, 2025년 12월 11일 열람, https://pmc.ncbi.nlm.nih.gov/articles/PMC10546255/

19. (PDF) Benefit–Cost Analysis of Low-Cost Flood Inundation Sensors ResearchGate, 2025년 12월 11일 열람, https://www.researchgate.net/publication/367762049_Benefit-Cost_Analysis_of_Low-Cost_Flood_Inundation_Sensors

20. The True Cost of False Positives: Impact on Security Teams and Business Operations - Veriti, 2025년 12월 11일 열람, https://veriti.ai/blog/the-true-cost-of-false-positives-impact-on-security-teams-and-business-operations/

21. TEMPO: Global Temporal Building Density and Height Estimation from Satellite Imagery - arXiv, 2025년 12월 11일 열람, https://arxiv.org/html/2511.12104v1

22. Performance Evaluation of 3-D Convolutional Neural Network for Multitemporal Flood Classification Framework With Synthetic Aperture Radar Image Data - IEEE Xplore, 2025년 12월 11일 열람, https://ieeexplore.ieee.org/iel8/4609443/10766875/10805564.pdf

23. Performance Evaluation of 3-Dimensional Convolutional Neural Network for Multi-Temporal Flood Classification Framework with Synt - IEEE Xplore, 2025년 12월 11일 열람, https://ieeexplore.ieee.org/iel8/4609443/4609444/10805564.pdf

24. Design and Evaluation of Spatio-Temporal Deep Learning Models for Urban Road Flood Detection, 2025년 12월 11일 열람, http://journal.dcs.or.kr/xml/46261/46261.pdf

25. Deep Learning-based Flood Forecasting using Satellite Imagery and IoT Sensor Fusion, 2025년 12월 11일 열람, http://41.174.125.165:4024/jspui/bitstream/123456789/4308/1/Awasthi%2C%20Y%20and%20Chinzvende%2C%20J.%202025.07.%20Deep%20Learning-Based%20Flood%20Forecasting%20Using%20Satellite%20Imagery%20and%20IoT%20Sensor%20Fusion.pdf

26. Physics-Guided Deep Learning for Spatiotemporal Evolution of Urban Pluvial Flooding, 2025년 12월 11일 열람, https://www.mdpi.com/2073-4441/17/8/1239

27. A spatial–temporal graph deep learning model for urban flood nowcasting leveraging heterogeneous community features - Semantic Scholar, 2025년 12월 11일 열람, https://www.semanticscholar.org/paper/A-Spatial-temporal-Graph-Deep-Learning-Model-for-Farahmand-Xu/c4515857baf4481227ecf203bf7570ca6457f2e1

28. FloodNet: A Multilevel Multimodal Fusion Network With Semantic Consistency Constraint Strategy for Flood Segmentation - IEEE Xplore, 2025년 12월 11일 열람, http://ieeexplore.ieee.org/iel8/8859/10764750/11164971.pdf

29. DynaNet: A Dynamic Feature Extraction and Multi-Path Attention Fusion Network for Change Detection - PubMed Central, 2025년 12월 11일 열람, https://pmc.ncbi.nlm.nih.gov/articles/PMC12473339/

30. Progressive Cross Attention Network for Flood Segmentation using Multispectral Satellite Imagery - arXiv, 2025년 12월 11일 열람, https://arxiv.org/pdf/2501.11923

31. Spectral–Temporal Consistency Prior for Cloud Removal From Remote Sensing Images | Request PDF - ResearchGate, 2025년 12월 11일 열람, https://www.researchgate.net/publication/385636611_Spectral-Temporal_Consistency_Prior_for_Cloud_Removal_from_Remote_Sensing_Images

32. A Deep Learning Architecture for Land Cover Mapping Using Spatio-Temporal Sentinel-1 Features - arXiv, 2025년 12월 11일 열람, https://arxiv.org/html/2503.07230v1

33. Assessment of a new GeoAI foundation model for floodinundation mapping, 2025년 12월 11일 열람, https://pubs.usgs.gov/publication/70260942

34. Sen1Floods11: A Georeferenced Dataset to Train and Test Deep Learning Flood Algorithms for Sentinel-1 - CVF Open Access, 2025년 12월 11일 열람, https://openaccess.thecvf.com/content_CVPRW_2020/papers/w11/Bonafilia_Sen1Floods11_A_Georeferenced_Dataset_to_Train_and_Test_Deep_Learning_CVPRW_2020_paper.pdf

35. tacofoundation/worldfloods · Datasets at Hugging Face, 2025년 12월 11일 열람, https://huggingface.co/datasets/tacofoundation/worldfloods

36. Flood Detection On Low Cost Orbital Hardware - Edinburgh Research Explorer, 2025년 12월 11일 열람, https://www.research.ed.ac.uk/files/241291127/Flood_Detection_MATEO_GARCIA_DOA13122019_AFV.pdf

37. AllClear: A Comprehensive Dataset and Benchmark for Cloud Removal in Satellite Imagery, 2025년 12월 11일 열람, https://allclear.cs.cornell.edu/assets/allclear.pdf

38. AllClear: A Comprehensive Dataset and Benchmark for Cloud Removal in Satellite Imagery, 2025년 12월 11일 열람, https://arxiv.org/html/2410.23891v1

39. UrbanSARFloods: Sentinel-1 SLC-Based Benchmark Dataset for Urban and Open-Area Flood Mapping | IEEE Conference Publication, 2025년 12월 11일 열람, https://ieeexplore.ieee.org/document/10678367/

40. Full article: STURM-Flood: a curated dataset for deep learning-based flood extent mapping leveraging Sentinel-1 and Sentinel-2 imagery - Taylor & Francis Online, 2025년 12월 11일 열람, https://www.tandfonline.com/doi/full/10.1080/20964471.2025.2458714

41. Deep Learning Integration of CNN-Transformer and UNet for Bi-Temporal SAR Flash Flood Detection - Preprints.org, 2025년 12월 11일 열람, https://www.preprints.org/manuscript/202506.1153

42. A Global Multi-Temporal Dataset with STGAN Baseline for Cloud and Cloud Shadow Removal - SciTePress, 2025년 12월 11일 열람, https://www.scitepress.org/Papers/2023/120396/120396.pdf