[논문 리뷰] Forecasting Vegetation Health at High Spatial Resolution

John J. Nay, Emily Burchfield외 1명|arXiv (Cornell University)|2016. 02. 16.

Remote Sensing in Agriculture참고 문헌 19인용 수 2

한 줄 요약

이 논문은 글로벌 MODIS 데이터와 기울기 부스팅 기계학습을 사용하여 고공간 해상도에서 식생 건강을 예측하는 오픈소스 도구를 제시한다. 수억 건의 관측 데이터를 기반으로 훈련된 모델은 스리랑카와 캘리포니아와 같은 다양한 기후 지역에서 향후 향상된 식생 지수 값을 예측하는 데 기존 기준 모델보다 뚜렷이 뛰어난 성능을 보인다.

ABSTRACT

Drought threatens food and water security around the world, and this threat is likely to become more severe under climate change. High resolution predictive information can help farmers, water managers, and others to manage the effects of drought. We have created an open source tool to produce short-term forecasts of vegetation health at high spatial resolution, using data that are global in coverage. The tool automates downloading and processing Moderate Resolution Imaging Spectroradiometer (MODIS) datasets, and training gradient-boosted machine models on hundreds of millions of observations to predict future values of the Enhanced Vegetation Index. We compared the predictive power of different sets of variables (raw spectral MODIS data and Level-3 MODIS products) in two regions with distinct agro-ecological systems, climates, and cloud coverage: Sri Lanka and California. Our tool provides considerably greater predictive power on held-out datasets than simpler baseline models.

연구 동기 및 목표

• 단기 식생 건강 예측을 위한 확장 가능하고 오픈소스 도구를 개발하는 것.
• 다양한 농업생태지역에서 예측 모델링을 위해 글로벌로 공개된 무료 MODIS 데이터셋을 활용하는 것.
• 다양한 기후대에서 원시 스펙트럼 데이터와 Level-3 MODIS 제품 간의 예측 성능를 비교하는 것.
• 정확하고 지역 기반의 식생 예측을 통해 农민과 수자원 관리자들이 가뭄에 대비할 수 있도록 하는 것.

제안 방법

• 글로벌 범위를 커버하기 위해 MODIS Level-2 및 Level-3 데이터셋의 자동 다운로드 및 처리.
• 식생 및 환경 변수에 대한 1억 건 이상의 관측 데이터를 기반으로 기울기 부스팅 기계학습 모델 훈련.
• 단기 예측을 위한 목표 변수로 향상된 식생 지수(EVI) 사용.
• 다중스펙트럼 및 방사능 MODIS 데이터에서 유도된 시간적 및 공간적 특징 통합.
• 스리랑카와 캘리포니아 두 개의 대조적인 지역에서 예측 정확도 평가를 위해 보류된 테스트 세트를 사용한 모델 평가.
• 원시 스펙트럼 입력과 사전 처리된 Level-3 MODIS 제품을 사용한 모델 성능 비교.

실험 결과

연구 질문

• RQ1 기울기 부스팅 모델은 고해상도 MODIS 데이터를 사용하여 향후 식생 건강을 얼마나 잘 예측할 수 있는가?
• RQ2 원시 스펙트럼 MODIS 데이터를 사용하는 것과 처리된 Level-3 제품을 사용하는 것 간의 상대적 예측 우수성은 어떠한가?
• RQ3 기후, 기상구름, 농업생태계가 다른 지역에서 모델 성능은 어떻게 변하는가?
• RQ4 이 도구는 단순한 기준 모델보다 뛰어난 성능을 보이며, 실질적인 고해상도 예측을 제공할 수 있는가?

주요 결과

• 모델은 단순 기준 모델보다 보류된 데이터셋에서 뚜렷이 높은 예측 정확도를 보였다.
• 원시 스펙트럼 데이터와 Level-3 MODIS 제품을 동시에 사용할 경우, 각각을 별도로 사용하는 것보다 예측 성능 향상이 뚜렷했다.
• 높은 강수량과 계절풍 기후를 가진 스리랑카와 건조하고 지중해 기후를 가진 캘리포니아 모두에서 강력한 예측 능력을 확보했다.
• 기상구름 밀도와 식생 동역학이 다른 지역에서도 모델의 성능이 뛰어나게 유지되었다.
• 도구의 오픈소스 성격 덕분에 글로벌 적용에 있어 재현성과 확장성이 보장된다.
• 다양한 소스의 MODIS 데이터 통합으로 식생 건강 예측의 시간적·공간적 해상도가 향상되었다.