클라우드 회피 위성 데이터와 날씨 정보를 활용한 확률적 NDVI 예측

초록

본 논문은 구름으로 가려진 시점이 많아 불규칙하고 희소한 Sentinel‑2 관측을 대상으로, 과거 NDVI와 과거·미래 기상 변수를 결합한 트랜스포머 기반 모델을 제안한다. 시간 간격 가중 정량화 손실을 도입해 예측 시점별 불확실성을 보정하고, 누적·극한 기상 특성을 엔지니어링하여 식생 반응을 더 정확히 포착한다. 유럽 전역의 데이터셋에서 다중 단계 정량화 예측 성능이 기존 통계·딥러닝 모델을 모두 능가함을 실험으로 입증한다.

상세 분석

이 연구는 정밀 농업에서 필수적인 단기 식생 변화 예측을 위해, ‘클리어‑스카이’ Sentinel‑2 이미지가 제공하는 NDVI 시계열이 구름에 의해 간헐적으로 누락되는 현실적인 문제를 직접 다룬다. 저자는 먼저 NDVI 시계열을 시간‑가중 선형 보간법으로 복원함으로써, 실제 관측 시점 간의 시간 차이를 보존한다. 이는 기존 연구가 정규화된 합성 이미지나 인위적 밀집화를 사용해 발생할 수 있는 시계열 왜곡을 최소화한다는 점에서 의미가 크다.

모델 아키텍처는 두 개의 독립적인 트랜스포머 인코더를 사용한다. 히스토리 인코더는 과거 NDVI와 과거 기상 변수를 동시에 입력받아 식생의 내재적 동향을 학습하고, 미래 인코더는 예측 구간에 대한 기상 예보 데이터를 처리한다. 여기서 중요한 점은 미래 기상 변수에 ‘불확실성 노이즈’를 단계별로 가중 부여한다는 점이다. 시간 간격이 멀어질수록 노이즈 스케일을 두 배까지 확대함으로써, 실제 기상 예보의 불확실성을 모델에 내재시킨다.

손실 함수 측면에서는 ‘시간‑거리 가중 정량화 손실(Temporal‑Distance Weighted Quantile Loss)’을 제안한다. 전통적인 정량화 손실은 모든 시점에 동일한 가중치를 부여하지만, 이 논문은 관측 간격이 불규칙한 경우 실제 예측 호라이즌(τₜ₊ₕ − τₜ)이 달라짐을 고려해, 긴 간격일수록 손실 가중치를 높인다. 이렇게 함으로써 모델이 멀리 떨어진 시점에 대해 더 보수적인(불확실성을 크게 반영하는) 예측을 하도록 유도한다.

기상 특성 엔지니어링도 두 단계로 이루어진다. 첫째, ‘타깃 간 누적’ 특성은 두 연속 NDVI 관측 사이의 일일 강수량, 저온·고온 일수를 합산해, 구름으로 인해 관측이 누락된 구간의 기후 영향을 보완한다. 둘째, ‘고정‑윈도우 누적’ 특성은 7일·14일 롤링 윈도우를 사용해 단기·중기 기후 스트레스를 별도로 추출한다. 이러한 두 종류의 누적 특성은 식물의 성장·스트레스 반응을 시간적 스케일에 따라 정교하게 모델링할 수 있게 한다.

실험에서는 GreenEarthNet 데이터셋(유럽 전역 24,861개 데이터 큐브, 2017‑2022년)을 사용해 2017‑2019년을 학습, 2020년을 검증하였다. 평가 지표는 평균 절대 오차(MAE), 루트 평균 제곱 오차(RMSE)와 정량화 점수(Q‑Loss) 등을 포함한 점‑예측 및 확률‑예측 성능이다. 제안 모델은 기존 ARIMA, Prophet, LSTM, ConvLSTM, Graph‑based 모델 등 10여 종류와 비교했을 때, 특히 14일 호라이즌에서 MAE를 12 % 이상, Q‑Loss를 15 % 이상 개선하였다.

Ablation study에서는 (1) 히스토리 NDVI만 사용했을 때와 (2) 기상 변수를 추가했을 때의 성능 차이를 분석했으며, 히스토리만으로도 기본적인 추세는 포착하지만, 기상 변수를 포함하면 극한 기후 상황(가뭄·폭우 등)에서의 오차가 현저히 감소한다는 결과를 보였다. 또한, 미래 인코더를 제거하거나 시간‑거리 가중 손실을 일반 정량화 손실로 교체하면 성능이 급격히 저하돼, 제안된 두 핵심 요소가 모델 성공에 필수적임을 확인했다.

전반적으로 이 논문은 (1) 불규칙하고 희소한 위성 관측을 직접 모델링하고, (2) 미래 기상 불확실성을 정량화 손실과 노이즈 가중을 통해 반영하며, (3) 누적·극한 기상 특성을 엔지니어링함으로써, 정밀 농업 현장에서 실시간 의사결정을 지원할 수 있는 강건한 확률적 NDVI 예측 프레임워크를 제시한다는 점에서 큰 의의를 가진다.