지구 관측 응용 프로그램에서 모델 예측의 결측 데이터 영향 평가

지구 관측(Earth Observation, EO) 응용 프로그램은 복잡하고 이질적인 데이터 소스를 다루는 경우 일반적으로 기계 학습 모델을 사용합니다. 그러나 데이터 소스가 지속적으로 이용 가능하다는 가정이 흔히 이루어집니다. 노이즈, 구름, 또는 위성 임무 실패와 같은 다양한 상황이 EO 소스의 이용 가능성을 영향을 줄 수 있습니다. 본 연구에서는 분류 및 회귀 작업을 수행하는 네 개의 데이터셋에서 훈련된 모델에 대해 시간적과 정적인 EO 소스가 누락될 때의 영향을 평가합니다. 우리는 다양한 방법들의 예측 성능을 비교하여 일부 방법이 자연스럽게 더 많은 누락 데이터에 견고함을 발견했습니다. 특히 앙상블 전략은 최대 100%의 예측 견고성을 달성하였습니다. 우리는 누락 시나리오가 분류 작업보다 회귀 작업에서 현저히 더 어려운 것으로 확인되었습니다. 마지막으로, 개별적으로 누락될 때 광학적 시야(Optical View)가 가장 중요한 요소임을 발견하였습니다.