위성관측과 수관유량 측정의 연계: 스프루스 숲에서의 데이터 기반 증발 모델링

초록

본 연구는 스프루스 숲 두 지역에 설치한 수관유량 센서를 활용해 개별 나무의 수분 이동을 측정하고, 이를 Sentinel‑2 위성 영상 및 현장 기상 데이터와 결합하여 머신러닝 모델을 구축하였다. 교차 검증 결과 R²가 0.57~0.80에 달해 위성 관측이 플롯 규모 증발량을 예측하는 데 충분히 유용함을 확인하였다. 향후 다양한 기후와 지형 조건에 적용하면 기후 변화에 따른 숲의 수리 회복력 평가에 새로운 가능성을 제공한다.

상세 분석

본 논문은 플롯 규모의 수관유량(sap flow) 데이터를 위성 기반 원격탐사와 연계하는 방법론을 제시한다는 점에서 의미가 크다. 먼저 연구자는 스프루스(가문비) 숲이 우세한 두 개의 측정지를 선정했는데, 하나는 평탄한 저지대, 다른 하나는 경사진 고지대로 지형적 대비를 극대화하였다. 2020년 6월부터 2021년 1월까지 약 7개월간 각 나무에 설치한 열전도식 수관유량 센서를 통해 시간 해상도가 높은 개별 나무의 증발량을 연속적으로 기록하였다.

데이터 연계 과정에서 Sentinel‑2의 10 m·20 m 해상도 밴드와 NDVI, EVI, LAI 등 식생 지표를 추출했으며, 현장 기상 관측소에서 온도, 습도, 강수량, 일사량 등을 동기화하였다. 특히, 위성 영상은 5일 주기로 제공되므로, 수관유량 데이터와의 시계열 보간을 통해 일일 평균값을 맞추었다.

머신러닝 모델은 Random Forest와 Gradient Boosting Machine을 중심으로 구성했으며, 변수 중요도 분석을 통해 식생 지표와 일사량, 기온이 가장 큰 설명력을 가진 것으로 나타났다. 교차 검증(k‑fold, k=5) 결과, 모델의 결정계수(R²)는 측정지별로 0.57~0.80을 기록했으며, RMSE는 평균 0.12 kg m⁻² day⁻¹ 수준이었다. 이는 기존에 단일 나무 수준에서 위성 데이터를 직접 적용했을 때 보통 0.3 이하였던 성능 대비 현저히 향상된 수치이다.

또한, 지형 차이에 따른 모델 성능 차이를 검토했을 때, 고지대에서는 토양 수분 보유량과 기온 변동성이 크기 때문에 모델 오차가 다소 증가했지만, 전반적인 예측 정확도는 유지되었다. 이는 Sentinel‑2의 광학 밴드가 식생 구조와 수분 스트레스를 충분히 포착한다는 점을 시사한다.

연구자는 데이터 양극화 문제를 인식하고, 향후 다중 위성(예: Landsat‑8, MODIS)과 고해상도 기상 재분석 데이터를 결합해 모델 일반화를 도모할 계획이라고 밝히고 있다. 전체적으로, 플롯 규모의 직접 측정 데이터와 전역 위성 관측을 연결하는 프레임워크는 현재 기후 변화 시나리오에서 숲의 수리 역동성을 대규모로 모니터링하는 데 핵심적인 도구가 될 전망이다.