초소형위성의 군집 운용을 통한 짧은 재방문주기의 관측은 수자원 및 수재해 연구에 요구되는 시의성을 충족시킬 수 있어 관련 분야에서의 활용 잠재력이 크다. 또한 서브미터급 고해상도 위성 영상 활용이
확대되면서 딥러닝 기반 초해상화기법에 대한 연구도 활발히 진행되고 있다. 이 때 모델 성능은 학습데이터 양과 품질에 크게 영향을 받기 때문에 충분한 학습데이터 확보가 필요하다. 그러나 광학 영상과 달리 초소형 SAR 위성은 동일 영역을 촬영한 영상에서도 각기 다른 스페클잡음이 나타나고, 스퀸트각 및 입사각의 차이로 인해 관측 기하가 달라지기 때문에 모델 학습에 필요한 저해상도-고해상도 영상의 학습데이터 쌍을 확보하기 어렵다. 본 연구에서는 이러한 제약을 완화하기 위해 관측 기하가 다른 두 영상의 이미지 유사도를 기반으로 모델 학습 전 학습데이터 쌍을 선별하는 방법을 시도하였다. 연구에는 해상도 0.5 m 와 1.0 m 를 가지며 입사각 범위가 17.21° ~ 54.79°인 Umbra SAR 위성 영상 쌍 255 개가 사용되었다. 그리고 각 영상 쌍에 대해 ECC 알고리즘을 적용하여 영상 정합을 수행하고 동일 크기의 패치를 생성하였다. 생성된 약 4900 여 개의 패치 중 SSIM 0.9 이상, PSNR 29 dB 이상을 만족하는 1,357 개의 학습용 패치를 확보할 수 있었다. 이러한 접근은 초소형위성 운용 방식에서 발생하는 입사각에 따른 관측 기하의 제약을 일부 해소하여 보다 안정적으로 학습데이터를 확보하고 해당 데이터를 활용함으로써 학습안정성을 향상시킬 수 있다. 또한 향후 도입될 수자원 초소형군집위성의 수체 분류 및 환경 모니터링 등 응용 연구에서 그 활용성을 확장할 수 있을 것으로 기대된다.