위성 이미지 기반 식생 녹색도 예측을 위한 딥러닝

풍부한 지구 관측 데이터의 등장은 육상 생태계의 상태와 건강에 대한 기후 영향을 예측하는 새로운 예측 방법 개발을 가능하게 한다. 본 연구에서는 지표면 반사율과 식생의 녹색 지수의 공간적·시계적 변동성을 대상으로, 현재 및 과거 기후 조건과 지역적 지형을 조건으로 하여 녹색 식생 밀도와 활성 잎 면적을 측정한다. 우리는 비균질한 지형에서 특정 초기 상태로부터의 지표면 반사율의 공간 해상도를 갖춘 편차를 예측하기 위해 컨볼루션 계층을 활용하는 두 가지 대안적인 순환 심층 학습 모델을 훈련시켰다(기준 프레임워크). 기준 프레임워크의 훈련 수렴 속도 측면에서의 효율성을 입증하였다. 유럽 전역의 다양한 생태계 및 지표류 유형 데이터를 활용하고, 표준화된 모델 평가 프레임워크(EarthNet2021 챌린지)를 따르는 결과, 제시된 모델이 기존에 발표된 기준 대비 가뭄 사건 동안 지표면 녹색 지수 예측 성능이 향상됨을 확인하였다. 본 연구 결과는 심층 학습 기법이 기후 극단 현상(예: 가뭄으로 인한 녹색 잎 손실)에 대한 식생 반응을 조기 경고할 수 있음을 보여주며, 기후 변화에 대한 생태계의 회복력 평가 및 예측에 있어 중요한 기여를 할 수 있음을 시사한다.