[논문 리뷰] A Machine Learning Approach to Long-Term Drought Prediction using Normalized Difference Indices Computed on a Spatiotemporal Dataset

Veronica Wairimu Muriga, Benjamin E. Rich외 3명|arXiv (Cornell University)|2023. 02. 05.

Hydrology and Drought AnalysisEnvironmental Science인용 수 3

한 줄 요약

이 논문은 스펙트럼-시간적 Sentinel-2 데이터에서 정규화된 차이 가뭄 지수(NDDI)를 예측하기 위해 시간 분포 컨볼루션 신경망(TD-CNNs)을 사용하는 기계학습 프레임워크를 제안한다. 초기 단계(NDDI 직접 학습)와 후기 단계(NDVI 및 NDMI 예측 후 NDDI 계산)의 NDDI 예측을 비교한 결과, 초기 단계 예측이 훨씬 우수한 성능을 보였으며, MSE(0.00054)는 낮고, SSIM(0.99995)와 PSNR(39.754)는 높았다.

ABSTRACT

Climate change and increases in drought conditions affect the lives of many and are closely tied to global agricultural output and livestock production. This research presents a novel approach utilizing machine learning frameworks for drought prediction around water basins. Our method focuses on the next-frame prediction of the Normalized Difference Drought Index (NDDI) by leveraging the recently developed SEN2DWATER database. We propose and compare two prediction methods for estimating NDDI values over a specific land area. Our work makes possible proactive measures that can ensure adequate water access for drought-affected communities and sustainable agriculture practices by implementing a proof-of-concept of short and long-term drought prediction of changes in water resources.

연구 동기 및 목표

• 위성 영상에서 유도된 정규화된 차이 지수를 활용한 장기 가뭄 예측을 위한 기계학습 기반 접근법을 개발하는 것.
• 스펙트럼-시간적 시퀀스에서 정규화된 차이 가뭄 지수(NDDI)를 예측하는 데 있어 시간 분포 컨볼루션 신경망(TD-CNNs)의 효과성을 평가하는 것.
• 두 가지 NDDI 계산 전략—초기 단계(NDDI 직접 학습)와 후기 단계(NDVI 및 NDMI 예측 후 NDDI 계산)—의 예측 정확도를 비교하는 것.
• 딥러닝을 활용한 가뭄 예측을 위한 기준점으로서 SEN2DWATER 데이터셋의 타당성을 평가하는 것.
• 이러한 모델이 농업 및 가축 시스템의 선제적 수자원 관리 및 기후 회복력 향상에 기여할 잠재력을 탐색하는 것.

제안 방법

• 스페인의 호수 및 강 주변에서 2016~2022년까지 수집된 Sentinel-2 다중스펙트럼 영상(13개 밴드)으로 구성된 스펙트럼-시간적 데이터셋인 SEN2DWATER 데이터셋을 활용한다. 각 위치당 약 6.5년 동안 최소 39장의 희귀 구름 영상이 포함되어 있다.
• 세 가지 지수를 계산한다: NDVI = (NIR - Red)/(NIR + Red), NDMI = (NIR - SWIR)/(NIR + SWIR), NDDI = (NDVI - NDMI)/(NDVI + NDMI). 여기서 NIR, Red, SWIR는 각각 밴드 8, 4, 11에 해당한다.
• 시간에 따라 공유되는 2D 컨볼루션 레이어를 갖는 시간 분포 컨볼루션 신경망(TD-CNN) 아키텍처를 적용하고, 이후 스펙트럼-시간적 의존성을 모델링하기 위해 ConvLSTM 레이어를 사용한다.
• 두 가지 다른 예측 파이프라인을 학습한다: (1) 초기 단계—사전 계산된 NDDI 영상에 대해 단일 TD-CNN을 학습하는 방식; (2) 후기 단계—NDVI 및 NDMI에 대해 별도의 TD-CNN을 학습한 후 예측 결과를 조합하여 NDDI를 계산하는 방식.
• 300×300px 영상을 16×64×64px 패치로 분할하여 학습 및 검증을 수행함으로써 다양한 위치에서의 공간 일반화 능력을 확보한다.
• 테스트 데이터에 대해 MSE, SSIM, PSNR를 평가하여 NDVI, NDMI 및 두 가지 NDDI 예측 방법 간의 성능을 비교한다.

실험 결과

연구 질문

• RQ1 스펙트럼-시간적 위성 데이터를 활용해 TD-CNNs가 장기 가뭄 모니터링을 위한 NDDI 지수를 효과적으로 예측할 수 있는가?
• RQ2 사전 계산된 NDDI에 대해 학습하는 초기 단계 NDDI 계산 방식과, NDVI 및 NDMI 예측 결과를 조합하여 NDDI를 계산하는 후기 단계 방식 간의 예측 정확도는 어떻게 비교되는가?
• RQ3 특히, 비가뭄 영향을 적게 받는 지역(예: SEN2DWATER 데이터셋의 경우)의 데이터 특성은 NDDI 기반 예측 모델의 성능에 어떤 영향을 미치는가?
• RQ4 딥러닝 기반 예측에서 NDDI 지수는 NDVI 및 NDMI 대비 어떤 정도의 해상도 손실을 겪는가?
• RQ5 이러한 모델은 구름 등 악조건 하에서 데이터 재구성 또는 수자원 관리의 다단계 예측 지원에 활용될 수 있는가?

주요 결과

• 초기 단계 NDDI 예측 방법은 최저의 평균 제곱 오차(MSE) 0.00054를 기록하여 후기 단계 방법(0.0062)보다 뚜렷이 뛰어난 성능을 보였다.
• 초기 단계 NDDI 모델은 구조적 유사도 지수(SSIM) 0.99995와 피크 신호 대 노이즈 비율(PSNR) 39.754를 기록하여 거의 완벽한 재구성 정밀도를 나타냈다.
• 후기 단계 NDDI 예측 방법은 여전히 정확했지만, 해상도 저하 및 뚜렷한 오차 증가를 보였으며, 이는 두 개의 별도 모델에서 오차가 누적된 결과로 보인다.
• NDVI 및 NDMI 예측은 매우 정확했으며, MSE 값이 각각 0.00743 및 0.01065였고, 높은 SSIM 및 PSNR 점수를 기록하여 단기 예측에 적합함을 확인했다.
• 이 연구는 SEN2DWATER 데이터셋이 비교적 안정적이고 갈라진 지역에서 유래한 점을 감안할 때, NDDI 지수는 비가뭄 영향을 받는 지역에서는 장기 예측에 덜 적합할 수 있음을 시사한다.
• 결과적으로 SEN2DWATER 데이터셋이 딥러닝 기반 수자원 예측을 위한 기준점으로 사용 가능한 것으로 입증되었으며, NDDI 모델링의 해상도 향상 또는 더 나은 성능을 보이는 대안 지수(SPEI 등)의 도입이 필요함을 강조한다.