Advances in Geospatial Technologies

최신 공간정보 기술

Abstract

Recently, geospatial technologies in Korea have been rapidly advancing through the integration of high-resolution satellite imagery, drone platforms, spatial data analytics, and artificial intelligence (AI). In response to the growing complexity of climate change, urbanization, and disaster risks, geospatial technologies have emerged as essential tools in both public and industrial sectors, particularly in land cover classification, spatio-temporal prediction, disaster monitoring, and object detection. This special issue provides a comprehensive review of recent research articles, examining the current trends and technological advancements in applied geospatial technologies. In particular, the issue focuses on strategies for addressing class imbalance using loss functions, approaches to cope with spatio-temporal variability in kriging, the effectiveness of multi-modal data integration, and the practical implementation of deep learning using KOMPSAT imagery. Key findings highlight the importance of optimized loss function design for high-precision classification, modeling strategies based on spatio-temporal autocorrelation structures, limitations in resolution and expressiveness of auxiliary data, and the complementary potential of change detection and object-based classification. This review offers critical insights into the effectiveness and scalability of current geospatial technologies and provides foundational guidance for future policy and system design.

최근 국내 공간정보 기술은 고해상도 위성영상, 드론 플랫폼, 공간자료 기반 분석, 인공지능(artificial intelligence, AI) 기술의 융합을 통해 빠르게 고도화되고 있다. 특히 기후변화, 도시화, 재난 리스크의 복합화에 따라 공간정보 기술은 토지피복 분류, 시공간 예측, 재난 모니터링, 객체 탐지 등 다양한 공공 및 산업 영역에서 핵심 도구로 자리 잡고 있다. 본 특별호의 연구논문을 종합적으로 분석하여 최신 공간정보 기술의 응용 흐름과 기술적 진전을 고찰하였다. 특히 데이터 불균형 해소를 위한 손실함수의 적용 전략, 시공간 크리깅(kriging)에서의 변동성 대응 방안, 멀티모달(multimodal) 자료 활용 효과, KOMPSAT 영상 기반의 딥러닝 실용화 기술 등을 중점적으로 다루었다. 분석 결과, 고정밀 분류를 위한 손실함수 설계의 중요성, 시공간 자기상관 구조에 따른 모델링 전략, 보조자료의 해상도·표현력 한계, 변화탐지와 객체 분류의 상호 보완 가능성 등이 주요 이슈로 도출되었다. 본 연구는 최신 공간정보 기술의 실효성과 확장 가능성을 정리하고, 정책 및 시스템 설계에 실질적인 기초 자료를 제공한다.

1. 서론

기후변화의 가속화, 도시화의 확산, 그리고 복합 재난의 빈도 증가에 따라, 공간정보 기술은 국가적 위기 대응과 환경 관리의 핵심 인프라로서 그 중요성이 점점 커지고 있다. 특히 고해상도 위성영상, 드론 기반 관측, 공간자료 처리 기술, 인공지능(artificial intelligence, AI)의 융합은 공간정보 기술을 한층 정밀하고 실용적인 수준으로 고도화시키고 있으며, 원격탐사 기술은 더 이상 데이터 수집에 국한되지 않고 고차원의 분석과 예측, 정책 기반 의사결정까지 포괄하는 종합 기술로 진화하고 있다.

이러한 흐름을 반영하여 2023년과 2024년에 발간된 대한원격탐사학회 특별호들은 국내 공간정보 기술의 진화와 융합을 조망하는 대표적인 성과물로 평가받는다(Kim, 2024; Kim et al., 2024; Lee et al., 2023, 2024). Lee et al. (2023)은 KOMPSAT 시리즈를 중심으로 한 고해상도 다중센서 영상의 처리 및 인공지능 기반 객체 탐지, 변화탐지, 정합 기술의 발전을 소개하였고, Lee et al. (2024)은 KOMPSAT 영상의 딥러닝 실용화, 농촌 기반 시설물 분류, SAR 기반 재난 분석 등 영상 활용의 응용 확장을 실증적으로 제시하였다. 또한 Kim et al.(2024)은 공간정보와 원격탐사를 융합한 산사태, 액상화, 폭염 등의 재해별 분석 사례를 통해 공간정보 기술이 재난예측 및 대응 체계에서 수행할 수 있는 핵심적 역할을 구체화하였다. Kim (2024)이 정리한 한국원격탐사 40년의 역사적 조망은 농업·산림·극지·지질 분야와의 융합적 활용, 정지궤도(GOCI, GEMS) 및 극궤도 위성의 운영 사례를 통해 공간정보 기술의 국가적 성장 과정을 입체적으로 보여준다.

본 논문에서는 최신 공간정보기술 특별호에 수록된 핵심 논문들을 중심으로 최신 공간정보 기술의 응용 흐름과 기술적 전환점을 정리하고자 한다. 구체적으로 데이터 불균형 문제 해결을 위한 손실함수 기반 딥러닝 모델 고도화, 시공간 크리깅(kriging)에서의 변동성과 기계학습의 역할, 멀티모달(multimodal) 자료를 활용한 도시지역 의미론적 분할 기술, 수변 지역 LULC 분류 정확도 향상을 위한 손실함수 비교, KOMPSAT 기반 실용화 응용 및 시스템 구축 방안 등의 논문을 대상으로 고찰하였다. 이와 같은 분석을 통하여 공간정보 기술의 실효성과 기술 확장 가능성을 평가하고, 정밀한 재난 예측과 공간 정책 설계를 위한 실천적 전략을 제시함으로써 공간정보 기반 의사결정 체계 정착에 기여하고자 한다.

2. 최신 공간정보 기술

Jang et al. (2025)은 고밀도 항공라이다(LiDAR) 기반 3차원 점군자료의 활용성 제고를 위하여 데이터의 품질을 최대한 유지하면서 물리적 크기를 줄이는 경량화 기법을 분석하고, 실험을 통해 최적의 알고리즘과 파라미터를 도출하였다. 네 가지 대표적인 경량화 알고리즘(By density, By order, 2D grid, 3D grid)을 비교한 결과, 3D grid 알고리즘이 자료의 품질을 유지하면서도 효율적인 경량화를 실현할 수 있는 최적의 방식으로 나타났다. 이어서 3D grid 알고리즘 내의 두 파라미터(parameter)인 Keep point와 Operation range의 다양한 옵션을 적용하여 실험한 결과, Keep point 파라미터에서는 ‘Central’ 옵션이 모든 검사점에서 편향없이 평균 Root Mean Square Error(RMSE) 0.06 m 이내의 수직 정확도를 보였고, Operation range 파라미터에서는 grid size를 1.00 m 이하로 설정할 경우 객체 형상 및 경계를 효과적으로 유지하며 0.03 m 이내의 상대 정확도를 확보하였다. 또한, 지붕 경사도가 수직 위치 정확도와 점군 감소율에 유의미한 영향을 미치는 주요 요인임을 확인하였다. 건물 유형별로 벡터화 결과를 비교한 분석에서는 건물의 높이가 경량화 품질 유지에 면적보다 더 큰 영향을 미치며, 고층 건물일수록 원본과의 면적 일치율이 높게 나타났다. 본 연구는 경량화 알고리즘의 정량·정성적 검증을 통해 실용적이고 신뢰성 있는 항공라이다 점군자료 경량화 방안을 제시했으며, 향후 다양한 구조물과 AI 기반 알고리즘 적용 등으로 연구 확장을 제안한다.

Kim et al. (2025)은 설계도면의 벡터화 과정에서 수작업에 의존함으로 발생하는 오류 및 비효율성을 해결하기 위해 Unmanned Aerial Vehicle (UAV) 고해상도 정사영상(GSD 5 cm)과 딥러닝 알고리즘을 결합한 자동화 방법을 제시하였다. 국내 5개 지자체에서 수집한 총 5.55 km²면적의 정사영상과 공간정보품질관리원의 성과심사를 거친 도면을 Ground Truth (GT)로 활용하여 학습 및 검증을 수행하였다. 세그멘테이션(Segmentation) 모델로는 High-Resolution Network for Object-Contextual Representations (HRNet-OCR)을 사용하였고, 폴리곤(polygon)생성 모델로는 HiSup을 사용하였으며,그 결과 Overall pixel accuracy는 약 90.1%, Foreground Intersection Over Union (FIoU)는 84.1%을 지녔고, 폴리곤 생성 정확도는 약 94.4%를 나타내었다. 객체별 분석 결과는 항만시설물과 같이 단순한 형태의 객체는 약 99% 이상의 높은 정확도를 보였고, 차선과 같이 복잡하고 주변과의 구분이 어려운 객체는 비교적 낮은 성능을 보였다. 또한, 건물지붕과 항만시설물 등 주요 객체 3종을 대상으로 수작업과 AI 후보정 방식의 작업시간을 비교한 결과는 AI 활용시 기존 대비 약 30%의 시간에 벡터라이징이 가능함을 확인하였다. 본 연구는 국내 최초로 고해상도 UAV 영상 기반 폴리곤 자동생성을 실무에 연계한 사례로 향후 학습 데이터 확충과 네트워크 고도화를 통해 공간정보 실무 적용 가능성을 한층 높일 수 있을 것으로 기대된다.

Lee and Lee (2025)는 한국의 지역 특성을 반영한 산림 지상부 바이오매스(Above Ground Biomass, AGB) 추정 기법을 개발하기 위하여 우주 기반 라이더인 GEDI (Level 2A) 데이터와 국가 산림 조사 데이터를 통합하여 적용하였다. 정밀한 산림 탄소 관리의 필요성이 강조됨에 따라서 수직 구조 정보를 제공하는 GEDI의 수관고 데이터를 기반으로 국립산림과학원에서 제공하는 수종별 바이오매스 계수, 흉고직경(Diameter At Breast Height, DBH), 밀도 등의 정보를 활용해 이천, 광주, 여주지역에 대해 AGB를 정량적으로 산출하였다. 지역별 AGB 밀도는 이천 29.17 Mg/ha, 광주 75.83 Mg/ha, 여주 46.84 Mg/ha로 나타났으며, 광주 지역이 가장 높은 수치를 기록하였다. 본 방법론은 GEDI만으로는 반영되지 않는 국내 수종 특성과 구조적 다양성을 보완함으로써 글로벌 바이오매스 모델의 한계를 극복하고, 지역 정밀화를 가능하게 하였다. 특히, 고해상도 산림공간자료와 정량화된 산림 속성정보를 통합하여 지역별 세밀한 바이오매스 분포를 반영하였다. 본 연구는 위성 기반 라이더 데이터의 활용성과 국내 산림조사 데이터의 융합 가능성을 실증적으로 제시하였으며, 향후 정확도 향상을 위해 기계학습기반 고도화 및 현장 검증의 필요성을 제안하였다.

Lee et al. (2025)은 UAV 기반 고해상도 영상과 TransUNet 모델을 활용하여 내륙 습지의 다중 클래스 분류 성능을 향상시키기 위해 데이터 균형화 기법을 적용한 사례 연구다. 불균형한 클래스 분포는 딥러닝 모델 학습 시 성능 저하를 유발할 수 있기 때문에 본 연구에서는 각 습지 클래스 내 픽셀 비율을 분석하고, 이를 Low, Medium, High로 세분화하여 오버샘플링 및 언더샘플링을 통해 학습·평가 데이터셋을 균형 있게 재구성하였다. TransUNet 모델 학습 결과는 원본 데이터를 활용한 모델보다 균형화된 데이터를 활용한 모델이 비대상지, 목본우점, 나지 클래스에서 각각 F1-score 기준 0.013, 0.011, 0.027만큼 성능이 향상되었다. 정성적 분석에서도 균형화 처리된 모델이 클래스 간 경계를 보다 명확히 탐지하고, 실제 라벨에 포함되지 않았던 미세 대상까지 추가로 분류하는 향상된 결과를 보였다. 또한, Precision-Recall (PR)-Curve 및 Average Precision (AP) 분석 결과는 소수 클래스에서 평균 정밀도가 크게 개선되었음을 확인하였다. 다만 나지 클래스는 여전히 낮은 성능을 보였는데, 이는 강우·수위 변화 등 환경 요인으로 인한 클래스 내 스펙트럼 다양성 및 복잡성이 충분히 반영되지 못했기 때문으로 해석된다. 본 연구는 내륙습지뿐만 아니라 다양한 불균형 다중 클래스 환경에서 데이터 균형화 기법의 실질적 유효성을 입증하며, 향후 데이터 다양성과 증강 전략을 결합한 고도화된 균형화 기법 개발의 가능성을 제시하였다.

Gong et al. (2025)은 동아시아의 시가화 지역을 정확히 분류하여 대기오염 배출원의 정량적 평가를 가능하게 하기 위하여 멀티모달 AI 데이터셋을 활용한 Multi Encoder U-Net 기반 의미론적 영상분할방법을 제안하였다. 이를 위하여 Landsat 8/9 위성영상, GEMS 환경 위성의 NO₂ 월평균 데이터 그리고 지상 대기오염측정망의 SO₂, CO, NO₂ 데이터를 통합하여 학습용 데이터를 구축하였고, 시가지 라벨은 기준을명확히수립한어노테이션을통해수작업으로생성되었다. 광학영상만을 활용한 단일 인코더(Encoder) U-Net과 비교하여 멀티 모달 입력자료를 활용한 Multi Encoder U-Net 모델은 픽셀 정확도 0.9523, IoU 0.8789, F1-score 0.9355로 다소 향상된 성능을 보였다. 특히 도로 및 시가지 경계 등에서의 정밀도 개선이 관찰되었으며, PR 곡선 분석에서도 평균 정밀도(meanAverage Precision, mAP) 0.951로 소폭 향상되었다. 그러나 정량적 향상폭은 1% 미만에 머물렀으며, 이는 추가된 입력자료의 공간 해상도가 낮아 시각적 정보 보완 효과가 제한적이었기 때문으로 분석된다. 따라서 향후 연구에서는 GEMS 및 지상관측자료의 해상도 개선, 입력 패치 크기 확대, Attention 기반 모델 구조 도입을 통해 시가지 경계의 세밀한 표현력 및 분류 정확도를 높일 수 있을 것으로 기대된다. 본 연구는 광학 기반 시가지 분류의 한계를 보완하고, 장기적인 대기환경 모니터링 및 정책 수립을 위한 정량적 기반으로 활용될 수 있는 가능성을 확인했다.

Jeong et al. (2025)은 시공간적 변동 양상이 공간 크리깅(spatial kriging)과 시공간 크리깅(spatio-temporal kriging)의 추정 정확도에 미치는 영향을 분석하였다. 이를 위해 2023년 서울의 이산화질소(NO₂) 농도를 대상으로, 변동 양상이 상이한 두 시점(1월 11일, 7월 23일)을 선정하고, 1차 효과는 다항회귀, 랜덤포레스트(random forest), 부스팅(boosting) 등 기계학습 기법으로 추정하고, 2차 효과는 공간 또는 시공간 크리깅으로 모델링하였다. 분석 결과는 변동성이 낮은 1월에는 시공간 크리깅이 우수한 성능(RMSE 기준)을 보였고, 변동성이 큰 7월에는 공간 크리깅이 더 정확한 추정을 제공하였다. 또한, 기계학습을 통한 1차 효과 추정은 전체적으로 성능을 향상시켰으며, 유연성이 높은 모델일수록 더 정밀한 추정이 가능했다. 그러나 시공간적 변동성이 큰 시점에서는 기계학습이 과거 시점의 정보를 과도하게 반영해 오히려 과대추정을 유발할 수 있었다. 크리깅 결과의 공간 분포도 1차 효과 추정 방식에 따라 부드럽고 완만한 형태(다항회귀, 오디너리(ordinary) 크리깅) 또는 급격하고 국지적인 형태(랜덤포레스트, 부스팅)로 나뉘었다. 본 연구는 시공간 크리깅의 적용이 모든 상황에서 항상 우수한 결과를 보장하지 않으며, 시공간적 변동의 강도와 기계학습 모델 특성을 고려하여 최적의 크리깅 전략을 선택해야 함을 강조한다.

Lee et al. (2025)은 낙동강 본류 유역을 대상으로 U-Net 기반의 수변 Land Use And Land Cover (LULC) 분류 모델을 구축하고, 데이터 불균형 문제를 해소하기 위해 다양한 손실함수를 적용하여 모델 성능을 비교 평가하였다. Sentinel-2 위성 영상과 중분류 토지피복지도를 활용해 10개 항목의 LULC 라벨을 구축하였으며, 데이터셋은 분류 항목 간 불균형이 존재하였다. 이를 해결하기 위해 Sparse Categorical Crossentropy (SCCE), Focal, Dice, Tversky, Combo loss를 적용한 5종의 U-Net 모델을 학습시켰고, predicted Object Accuracy (pOA), 정밀도, 재현율, F1-score, IoU를 기준으로 모델 성능을 비교하였다. 그 결과 Combo loss를 적용한 모델이 전체적으로 가장 우수한 성능을 보였으며, Tversky loss를 적용한 모델도 검증 및 시험셋에서 SCCE보다 높은 성능을 보였다. 반면 Focal loss와 Dice loss는 소수 항목에서는 상대적으로 우수했으나, 다수 항목에서 성능 저하를 보여 전체적인 성능은 낮았다. 이는 소수 항목 가중치의 최적화가 추가적으로 요구됨을 시사한다. 경계 구간에서의 오분류도 여전히 과제로 남아 있기때문에 향후에는 데이터 불균형과 경계 인식을 동시에 고려한 복합 손실함수 개발이 필요함을 제안한다. 본 연구는 데이터 불균형에 대응한 손실함수 설계가 수변 LULC 모니터링 정확도를 실질적으로 향상시킬 수 있음을 보여준다.

3. 토론

본 특별호에 수록된 논문들은 최신 공간정보 기술의 흐름 속에서 AI 기반 토지피복 분류와 환경 변수 예측을 위한 다양한 공간정보 응용기법들을종합적으로분석하였다.특히, U-Net 기반의 공간분할 모델, 시공간 크리깅 기법, 데이터 불균형을 고려한 손실함수 설계, 멀티모달 입력자료 통합 전략 등과 관련하여 최근 연구들의 기술적 경향과 실제 적용상 한계를 함께 고찰할 수 있다.

3.1. 데이터 불균형 문제와 손실함수의 역할

실제 환경에서의 토지피복 데이터는 분포가 균등하지 않은 불균형 특성을 가지며, 이로 인해 딥러닝 모델은 소수 클래스를 제대로 학습하지 못하고 과다 대표되는 클래스에 편향되는 문제가 발생한다. 이 문제를 해결하기 위해 제안된 다양한 손실함수(Focal, Dice, Tversky, Combo 등)는 클래스 간의 가중치를 조절하여 모델이 소수 클래스에 보다 민감하게 반응하도록 유도한다.

Lee et al. (2025)의 연구에서는 Combo loss와 Tversky loss가 U-Net 기반 모델의 전반적인 성능을 향상시키는 데 기여했음을 보여준다. 특히 Combo loss는 정답과 오답에 대한 이중 가중치와 Dice 기반 유사도 손실을 결합함으로써 높은 전반적 정밀도와 F1-score를 달성하였다. 반면 Focal loss와 Dice loss는 소수 클래스에서는 유리하나 다수 클래스 성능 저하로 인해 전체 평균 성능이 낮아지는 trade-off 현상을 보였다. 이는 소수 클래스 가중치 최적화가 불균형 완화를 위한 핵심 과제임을 의미하며, 후속 연구에서는 클래스 비율에 따른 동적 가중치 조절 또는 적응형 손실함수에 대한 탐색이 필요하다.

3.2. 시공간 변동성과 크리깅 기법 선택

Jeong et al. (2025)의 연구는 시공간적 변동성의 양상이 크리깅의 성능에 미치는 영향을 실증적으로 분석하였다. 변동성이 낮은 시기에는 시공간 크리깅이, 변동성이 큰 시기에는 공간 크리깅이 상대적으로 우수한 성능을 나타냈으며, 특히 시공간 크리깅은 과거 시점의 데이터를 이용함에 따라 변동성이 큰 시점에서는 오히려 과대추정의 경향이 두드러졌다. 이는 시공간 크리깅이 기본적으로 시공간 자기상관의 완만한 연속성을 전제로 한다는 점에서 빠르게 변화하는 시공간 현상에서는 부적절할 수 있음을 시사한다.

또한, 기계학습을 통한 1차 효과 추정은 전체적인 추정 정확도를 높였으나, 시공간적으로 급변하는 구간에서는 기계학습의 전역 경향성 학습 특성이 오히려 오차를 유발할 수 있었다. 따라서 시공간 모형을 적용할 때는 단순히 모델 성능만을 고려하는 것이 아니라 대상 변수의 시공간적 변동성 특성과 시점 간 관계를 정량적으로 분석한 후, 크리깅 기법을 선택하기 위한 전략이 요구된다.

3.3. 멀티모달 입력자료 활용의 효과

Gong et al. (2025)의 연구는 Landsat 영상 외에 GEMS 위성자료 및 지상 대기오염 측정망 데이터를 함께 활용한 Multi-Encoder U-Net 모델을 통해 시가지 분류 성능을 향상시킬 수 있음을 보였다. 특히 도로경계와 같이 공간적 연속성과 맥락 정보가 중요한 구간에서 멀티모달 입력자료가 보다 정확한 경계 분할을 가능하게 했다. 그러나 전반적인 정량적 성능 차이는 1% 이내로 크지 않았는데, 이는 보조자료들의 해상도가 낮고 시각적 피처로서의 정보량이 제한적이기 때문이다. 이 결과는 멀티모달 입력자료가 정성적 분류 개선에는 기여하지만, 보조자료의 해상도와 표현력이 충분하지 않으면 기대한 만큼의 성능 향상이 어렵다는 점을 의미한다.

이러한 한계는 향후 고해상도 환경 위성자료, 드론 기반 다중분광영상 또는 전처리 강화(GEMS 시계열 정규화, 기상 보정 등)를 통해 보완할 수 있을 것이다. 또한 Transformer 기반의 Attention 메커니즘을 적용하여 입력자료 간 중요도를 동적으로 조절하는 것도 유의미한 개선 방안이 될 수 있다.

3.4. 모델 구조 선택과 해석력의 균형

논문들에서 공통적으로 U-Net이 분할 기반 LULC 분류에 널리 사용되었으며, 그 변형 모델들(TransUNet, Multi-Encoder U-Net)도 성능 개선에 기여하였다. 그러나 유연성이 높아질수록 모델 해석력은 낮아지는 경향이 있으며, 과적합 위험도 증가한다. 특히 Jeong et al. (2025)의 연구에서는 유연한 RF와 Boosting이 시공간적 변동성을 민감하게 반영하였지만, 시점 간 경향성 차이로 인해 과대추정 문제가 발생한 사례가 보고되었다. 따라서 분류 정확도뿐 아니라 해석 가능성과 일반화 가능성을 함께 고려하여 모델 구조를 선택해야 하며, 시공간 기반의 모델 비교에서는 1차 효과와 2차 효과가 설명하는 변동의 구조를 구분하여 모델을 설계해야 한다.

4. 결론

본 특별호의 논문은 최신 공간정보기술에 대한 것으로 AI 기반의 토지피복 분류 및 시공간 환경 변수 추정에 있어 최근 연구에서 시도된 다양한 모델 설계, 손실함수 조정, 멀티모달 입력자료 통합, 크리깅 방법론 응용 등을 비교 분석함으로써 성능 향상과 일반화 가능성 확보를 위한 전략적 시사점을 도출하고자 하였으며, 주요 시사하는 바는 아래와 같이 요약할 수 있다.

1) 데이터 불균형 문제 대응의 필요성: 대부분의 실제 토지피복 데이터는 클래스 간 불균형을 내포하고 있으며, 단순 SCCE 손실함수만으로는 소수 클래스 분류 성능이 저하될 수 있다.Combo loss와 Tversky loss는 전반적인 성능 향상에 효과적이었으며, 특히 Combo loss는 소수 및 다수 클래스 간 균형 잡힌 성능을 제공하였다. 반면 Focal loss 및 Dice loss는 소수 클래스의 성능은 향상되었으나 전체 평균 정확도는 감소하는 trade-off를 보였다.

2) 시공간적 변동성에 따른 크리깅 전략 차별화 필요: 시공간 크리깅은 안정적인 시공간 구조에서는 우수한 성능을 보이지만, 급격한 시계열 변동이 있는 경우 과거 정보 반영이 오히려 예측 정확도 저하를 유발할 수 있다. 따라서 데이터의 시공간 변동성을 사전 진단하고, 크리깅 기법 선택에 반영하는 것이 중요하다.

3) 멀티모달 입력자료는 경계 명확화에 기여하지만, 해상도에 의존: GEMS, 대기질 측정망 등 비영상 기반 시계열/수치 자료는 도로 및 외곽경계 탐지 정밀도 개선에는 기여하였으나, 전체 성능 향상은 자료 해상도 및 분해능에 따라 제한적이었다. 보조자료의 시각 피처 표현력이 높아질수록 그 효과는 확대될 가능성이 있다.

4) 기계학습기반1차효과추정은유연성과일반화의균형이핵심: RF, BT 기반의 모델은 추정 정밀도에서는 강점을 보였으나, 시점 간 일반화 가능성은 다소 제한되었고 해석력도 낮았다. 반면, 다항회귀 기반 모델은 상대적으로 보수적이지만 일관되고 해석 가능한 추정 결과를 제공하였다.