SENDAI: 계층적 희소 측정, 효율적인 데이터 동화 프레임워크

SENDAI: A Hierarchical Sparse-measurement, EfficieNt Data AssImilation Framework

데이터가 풍부한 학습 환경과 관측 데이터가 부족한 실제 적용 환경 간의 격차를 해소하는 것은, 특히 대상 도메인이 가용한 학습 데이터에 없는 분포 변화, 이질적인 구조 및 다중 시간 척도 동역학을 보이는 경우, 시공간 데이터 복원에 있어 중요한 과제입니다. 본 논문에서는 SENDAI라는 계층적 희소 측정, 효율적인 데이터 동화 프레임워크를 제시합니다. SENDAI는 시뮬레이션에서 얻은 사전 정보와 학습된 불일치 보정을 결합하여, 극히 적은 센서 관측 데이터로부터 전체적인 공간 상태를 복원합니다. 위성 원격 감지 분야에서 MODIS(Moderate Resolution Imaging Spectroradiometer)에서 파생된 식생 지수 필드를 전 세계 6개 지역에서 복원하는 성능을 보여줍니다. 계절적 변화를 도메인 변화의 지표로 사용하여, 본 프레임워크는 훨씬 더 많은 관측 데이터를 필요로 하는 기존 방법보다 일관되게 우수한 성능을 보입니다. SENDAI는 기존 방법보다 최대 185% 더 높은 SSIM(Structural Similarity Index) 개선 효과를, 최근 고주파 기반 방법보다 36% 더 높은 개선 효과를 달성했습니다. 이러한 개선 효과는 특히 뚜렷한 경계와 계절적 변화를 보이는 지역에서 두드러지며, 더욱 중요한 것은 프레임워크가 진단적으로 중요한 구조, 즉 필드 토폴로지, 토지 피복 불연속성 및 공간 기울기를 효과적으로 보존합니다. SENDAI는 구조적으로 및 분광적으로 더 잘 분리된 보정을 제공하므로, 복원된 데이터는 간접적으로 관측된 변수에 대한 후속 추론에 더 적합합니다. 따라서 본 연구는 물리적 기반 추론, 자원 제약 환경, 실시간 모니터링 및 제어에 적용 가능한 가볍고 운영적으로 실현 가능한 희소 측정 데이터 복원 프레임워크를 제시합니다.

Bridging the gap between data-rich training regimes and observation-sparse deployment conditions remains a central challenge in spatiotemporal field reconstruction, particularly when target domains exhibit distributional shifts, heterogeneous structure, and multi-scale dynamics absent from available training data. We present SENDAI, a hierarchical Sparse-measurement, EfficieNt Data AssImilation Framework that reconstructs full spatial states from hyper sparse sensor observations by combining simulation-derived priors with learned discrepancy corrections. We demonstrate the performance on satellite remote sensing, reconstructing MODIS (Moderate Resolution Imaging Spectroradiometer) derived vegetation index fields across six globally distributed sites. Using seasonal periods as a proxy for domain shift, the framework consistently outperforms established baselines that require substantially denser observations -- SENDAI achieves a maximum SSIM improvement of 185% over traditional baselines and a 36% improvement over recent high-frequency-based methods. These gains are particularly pronounced for landscapes with sharp boundaries and sub-seasonal dynamics; more importantly, the framework effectively preserves diagnostically relevant structures -- such as field topologies, land cover discontinuities, and spatial gradients. By yielding corrections that are more structurally and spectrally separable, the reconstructed fields are better suited for downstream inference of indirectly observed variables. The results therefore highlight a lightweight and operationally viable framework for sparse-measurement reconstruction that is applicable to physically grounded inference, resource-limited deployment, and real-time monitor and control.