본 논문은 심층 학습 모델에서 지리 위치 정보 활용의 효과와 지리적 일반화 가능성을 정량적으로 분석합니다. 특히, 시간적 변화가 빠르고 공간적 이질성이 높은 일일 지표면 PM2.5 농도 예측이라는 실제 응용 분야에 초점을 맞춰, 지리 위치 정보를 통합하는 세 가지 방법(지리 위치 정보 제외, 원시 좌표 사용, 사전 훈련된 위치 인코더 사용)을 비교 평가합니다. 미국 본토 데이터를 사용하여 지역 내(WR) 및 지역 외(OoR) 평가 시나리오 하에서 성능을 분석한 결과, 원시 좌표 사용은 지역 내 성능을 향상시키지만 일반화 가능성을 저해하는 반면, GeoCLIP과 같은 사전 훈련된 위치 인코더는 지역 내외 모두에서 예측 성능과 지리적 일반화 가능성을 향상시키는 것으로 나타났습니다. 하지만 고차원 기저 함수와 일부 지역의 희소한 상류 샘플로 인한 인공물 패턴이 존재하며, 위치 인코더 간 성능 차이도 확인되었습니다.
