Core Concepts
Prithvi 기반 모델은 CGAN 모델에 비해 다중분광 위성 영상의 구름 가림 현상을 더 효과적으로 보완할 수 있다.
Abstract
이 연구에서는 다중분광 위성 영상의 구름 가림 현상을 해결하기 위해 Prithvi 기반 모델과 CGAN 모델의 성능을 비교하였다.
Prithvi 모델은 사전 학습된 Vision Transformer 모델을 미세 조정하여 사용하였고, CGAN 모델은 처음부터 학습하였다.
실제 구름 마스크를 사용하여 위성 영상 데이터셋을 무작위로 가린 후, 두 모델을 학습시켜 결측값을 복원하였다.
구조적 유사성 지수(SSIM)와 평균 절대 오차(MAE)를 사용하여 정량적으로 평가한 결과, Prithvi 모델이 CGAN 모델보다 전반적으로 우수한 성능을 보였다.
특히 Prithvi 모델은 데이터셋 크기가 작아도 CGAN 모델보다 더 나은 성능을 보였다.
시각적 분석 결과, Prithvi 모델은 CGAN 모델에 비해 더 현실적인 반사율 값을 출력하였다.
이 연구 결과는 Prithvi와 같은 기반 모델이 구름 가림 현상 보완에 효과적이며, 이를 통해 다운스트림 작업의 성능을 향상시킬 수 있음을 보여준다.
Stats
평균 픽셀 반사율 값은 0.151이었다.
Prithvi 모델의 MAE는 0.03으로, 평균 오차가 약 20% 수준이었다.
Quotes
"Prithvi 모델은 CGAN 모델에 비해 데이터셋 크기가 작아도 더 나은 성능을 보였다."
"Prithvi 모델은 CGAN 모델에 비해 더 현실적인 반사율 값을 출력하였다."