원격탐사 식생건강 예측을 위한 머신러닝 접근법

초록

본 연구는 전 세계를 커버하는 MODIS 위성 데이터를 활용해 고해상도 식생건강(Enhanced Vegetation Index, EVI) 예측 모델을 자동화하는 오픈소스 툴을 개발하였다. 기계학습 중 하나인 Gradient‑Boosted Machine(GBM)을 이용해 수억 건의 관측치를 학습시키고, 원시 스펙트럼 데이터와 Level‑3 파생 제품을 각각 변수 집합으로 사용해 두 지역(스리랑카와 캘리포니아)에서 예측 성능을 비교하였다. 결과는 기존 단순 베이스라인 모델에 비해 현저히 높은 정확도를 보였으며, 특히 기후·구름 조건이 다른 두 지역 모두에서 모델의 일반화 가능성을 확인하였다.

상세 분석

이 논문은 원격탐사 데이터와 최신 머신러닝 기법을 결합해 식생건강을 단기(4~8주) 예측하는 프레임워크를 제시한다. 데이터 전처리 단계에서는 MODIS의 Terra와 Aqua 위성에서 제공하는 500 m 해상도의 8일 평균 EVI와 36개의 원시 스펙트럼 밴드, 그리고 NDVI, LST, LAI 등 Level‑3 제품을 자동으로 다운로드·리샘플링한다. 이후 관측치마다 시계열 특성을 보존하도록 과거 4주간의 값들을 피처로 구성하고, 결측치와 구름 오염을 최소화하기 위해 품질 플래그와 보간 기법을 적용한다. 모델링에는 XGBoost 기반 GBM을 채택했으며, 하이퍼파라미터는 베이지안 최적화를 통해 학습 데이터(70 %)와 검증 데이터(15 %)에 대해 튜닝하였다. 두 지역에 대한 실험에서는 (1) 원시 스펙트럼 피처만 사용, (2) Level‑3 파생 제품만 사용, (3) 두 집합을 결합한 혼합 피처 세 가지 시나리오를 비교하였다. 성능 평가는 RMSE와 R²를 기준으로 하였으며, 특히 시계열 교차 검증을 통해 시공간적 일반화 능력을 검증하였다. 결과는 혼합 피처가 가장 높은 R²(스리랑카 0.68, 캘리포니아 0.73)를 기록했으며, 단순 선형 회귀나 ARIMA와 같은 베이스라인 대비 RMSE가 평균 30 % 이상 감소하였다. 또한, 변수 중요도 분석을 통해 EVI 자체와 근적외선(NIR) 밴드, 그리고 토양 수분 지표가 예측에 가장 크게 기여함을 확인했다. 이와 같은 결과는 고해상도 기후·수자원 관리에 실시간 의사결정 지원이 가능함을 시사한다.