아그로플럭스: 농업 생태계 탄소·질소 플럭스 예측을 위한 시공간 벤치마크

초록

아그로플럭스는 Ecosys와 DayCent 시뮬레이션, 에디 플럭스 관측, 실내 실험 데이터를 통합한 최초의 농업 GHG 벤치마크 데이터셋이다. 시간·공간 외삽, 시뮬레이션·관측 예측, 전이학습 등 5가지 평가 시나리오와 R²·RMSE·MAE 지표를 제시한다. LSTM, EA‑LSTM, TCN, Transformer, iTransformer, Pyraformer 등 6개 딥러닝 모델과 사전학습·대립학습 전이 전략을 baseline 으로 제공한다. 데이터 희소성·이질성 문제를 해결하고 AI‑기반 농업 모델 개발을 촉진한다.

상세 분석

본 논문은 농업 생태계의 탄소·질소 플럭스 예측에 필요한 AI‑ready 데이터와 평가 프로토콜이 부재함을 지적하고, 이를 해결하기 위한 AgroFlux 벤치마크를 제안한다. 데이터는 두 종류의 물리 기반 모델(Ecosys, DayCent)에서 생성된 시뮬레이션 데이터와, 미국 중서부 11개 관측소의 에디 코버런스(EC) 플럭스, 그리고 제어 환경 시설에서 측정된 N₂O 데이터를 일일 해상도로 결합한다. 시뮬레이션은 2000‑2018년(또는 2020년) 기간 동안 992562개의 지점에서 다양한 비료 투입량, 파종 시점, 작물 순환 시나리오를 적용해 2042개의 관리 시나리오를 생성하였다. 입력 변수는 기상(온도·강수·복사·습도·풍속), 토양(밀도·입도·pH·SOC), 관리(비료량·파종일·작물 종류) 등 15여 개이며, 출력은 GPP, CO₂ 플럭스, N₂O 플럭스와 함께 토양 수분·온도·질소·탄소 동태를 포함한다. 관측 데이터는 2016‑2018년 연속 옥수수 구역의 N₂O 일일 플럭스와, 2000‑2020년 기간의 11개 EC 사이트에서 측정된 CO₂ 플럭스·GPP를 제공한다. 결측치는 마스크 처리하고, 모든 시계열을 연 단위(365일) 서브시퀀스로 분할해 모델 학습의 효율성을 높였다.

평가 프레임워크는 (1) 시간 외삽(과거 데이터로 미래 예측), (2) 공간 외삽(학습에 포함되지 않은 지역 예측), (3) 시뮬레이션 데이터 예측, (4) 관측 데이터 예측, (5) 전이학습(시뮬레이션 사전학습 후 관측 데이터 파인튜닝) 등 5가지 시나리오를 정의한다. 각 시나리오마다 R², RMSE, MAE를 일관된 방식으로 계산해 모델 간 공정 비교를 가능하게 한다.

베이스라인으로 제시된 6개 시계열 딥러닝 모델은 LSTM, EA‑LSTM(주기적 특성 강화), Temporal Convolutional Network(TCN), Transformer, iTransformer(시간‑인코딩 강화), Pyraformer(계층적 토큰 압축)이다. 전이학습 전략은 (a) 시뮬레이션 데이터 사전학습 후 관측 데이터 파인튜닝, (b) 도메인 적대적 학습을 통한 특성 정규화 두 가지를 적용했다. 실험 결과, 사전학습 모델이 관측 데이터에 대해 일반화 성능이 평균 5~12% 향상되었으며, 특히 데이터가 희소한 N₂O 플럭스 예측에서 큰 이점을 보였다. 그러나 모든 모델이 여전히 시공간 변동성을 완전히 포착하지 못해, 복합적인 물리‑통계적 하이브리드 접근법의 필요성을 시사한다.

이 논문은 농업 분야 AI 연구에 필수적인 대규모, 다변량, 시공간 정렬 데이터셋을 제공함으로써, 모델 개발·비교·전이학습 연구를 표준화한다. 또한, 시뮬레이션과 관측을 동시에 활용하는 전이학습 파이프라인이 데이터 부족 문제를 완화할 수 있음을 실증한다. 향후 연구는 (1) 토양 미세구조·미생물 메타데이터 통합, (2) 멀티모달 위성·드론 관측과의 결합, (3) 물·질소·탄소 삼중 순환을 동시에 모델링하는 멀티태스크 학습, (4) 불확실성 정량화와 해석 가능성 강화에 초점을 맞출 수 있다.