농업 기상 데이터 상세화를 위한 경량 하이브리드 트랜스포머 기반 일사량 초해상화 모델

Lightweight Hybrid Transformer-Based Super-Resolution Model for Solar Irradiance Downscaling in Agrometeorological Data

고해상도 기상 데이터는 농업 현장에서 정밀 의사결정, 수확량 예측, 기상재해 대응 등의 분야에서 핵심이다. 그중에서도 일사량은 태양광 발전량 효율과 작물 생육 조건을 결정짓는 핵심 요소로, 정밀한 예측을 위해 HR 데이터가 필수적이다. 이에 본 연구는 SwinIR 기반으로, 다중 RSTB를 축소하고, HBCT와 Detail Branch를 결합한 비용 효율적 SR 모델을 제안한다. 제안하는 모델은 전역 문맥 학습 능력을 유지하면서도 연산 비용을 절감하고, 복사 패턴의 지역적 변동성을 정밀하게 복원했다. SARAH-3의 지면 도달 일사량 데이터를 활용한 실험 결과, SwinIR 대비 PSNR은 0.0435 dB 향상, SSIM은 0.0002 개선, RMSE와 MAE는 각각 0.0195 W/m², 0.0369 W/m² 감소했다. 특히, 구름 경계와 급격한 복사량 변화 구간에서 세밀한 복원 품질을 보였으며, 연산량은 약 34% 절감하여 계산 효율성을 입증했다.

High-resolution meteorological data are essential for precise decision-making in agriculture, improving crop yield prediction, and enhancing resilience to weather-related disasters. Among meteorological variables, solar radiation is a key factor determining photovoltaic power generation efficiency and crop growth conditions, thus requiring HR data for accurate prediction. This study proposes an efficient SR model based on the SwinIR framework, in which multiple Residual Swin Transformer Blocks are reduced and integrated with a Hybrid Block of CNN and Transformer and a Detail Branch. The proposed model maintains strong global context learning ability while reducing computational cost and accurately restoring local variations in radiative patterns. Experimental results using CM SAF’s SARAH-3 surface solar radiation data show improvements over SwinIR by 0.0435 dB in PSNR, 0.0002 in SSIM, and reductions of 0.0195 W/m² in RMSE and 0.0369 W/m² in MAE. Moreover, the model achieved finer restoration along cloud boundaries and rapid irradiance transitions, while reducing computation by approximately 34%, demonstrating its efficiency and effectiveness for high-fidelity solar radiation reconstruction.