[논문 리뷰] Joint Study of Above Ground Biomass and Soil Organic Carbon for Total Carbon Estimation using Satellite Imagery in Scotland

Terrence Chan, Carla Arus Gomez외 2명|arXiv (Cornell University)|2022. 05. 08.

Atmospheric and Environmental Gas Dynamics인용 수 6

한 줄 요약

이 연구는 스코틀랜드의 총 탄소 추정을 향상시키기 위해 위성 영상(Sentinel-1, Sentinel-2, Landsat 8)과 기계학습을 활용한 공동 모델링 접근법을 제안한다. 상부 생물량(AGB)과 토양 유기 탄소(SOC) 예측을 통합함으로써, SOC 및 디지털 고도 모델(Digital Elevation Model, DEM)을 예측 변수로 포함시킬 경우 AGB 모델 정확도가 평균 14.2% 향상되며, 반대로 AGB를 SOC 예측에 사용할 경우 일부 모델에서 성능 향상을 보여, 산림 탄소 풀과 토양 탄소 풀 간의 강한 상호의존성이 드러난다.

ABSTRACT

Land Carbon verification has long been a challenge in the carbon credit market. Carbon verification methods currently available are expensive, and may generate low-quality credit. Scalable and accurate remote sensing techniques enable new approaches to monitor changes in Above Ground Biomass (AGB) and Soil Organic Carbon (SOC). The majority of state-of-the-art research employs remote sensing on AGB and SOC separately, although some studies indicate a positive correlation between the two. We intend to combine the two domains in our research to improve state-of-the-art total carbon estimation and to provide insight into the voluntary carbon trading market. We begin by establishing baseline model in our study area in Scotland, using state-of-the-art methodologies in the SOC and AGB domains. The effects of feature engineering techniques such as variance inflation factor and feature selection on machine learning models are then investigated. This is extended by combining predictor variables from the two domains. Finally, we leverage the possible correlation between AGB and SOC to establish a relationship between the two and propose novel models in an attempt outperform the state-of-the-art results. We compared three machine learning techniques, boosted regression tree, random forest, and xgboost. These techniques have been demonstrated to be the most effective in both domains.

연구 동기 및 목표

• 자율 탄소 시장에서 전통적인 탄소 검증 방법의 높은 비용과 낮은 확장성 문제를 해결하기 위해.
• 원격 측정 기반으로 공동 모델링을 통해 상부 생물량(AGB)과 토양 유기 탄소(SOC)를 통합함으로써 총 탄소 추정 정확도를 향상시키기 위해.
• AGB와 SOC 간 상호 예측 잠재력을 탐색하여 탄소 모델링을 향상시키기 위해.
• 특성 공학 및 기계학습 기법의 영향을 AGB 및 SOC 추정 성능에 평가하기 위해.

제안 방법

• 다양한 원천의 위성 자료(Sentinel-1, Sentinel-2, Landsat 8), 디지털 고도 모델(DEM), 산림 조사 데이터를 예측 변수로 사용하였다.
• AGB 및 SOC 추정을 위해 XGBoost, Random Forest, Boosted Regression Tree 세 가지 기계학습 모델을 적용하였다.
• 분산 팽창 인자 및 특성 선택을 통한 특성 공학을 수행하여 예측 변수 조합을 최적화하였다.
• AGB 및 SOC 영역의 예측 변수를 조합하여 공동 모델을 구축함으로써 영역 간 상호 예측 성과를 평가하였다.
• AGB를 SOC 예측의 예측 변수로, SOC/SOCD를 AGB 예측의 예측 변수로 사용하여 간접적 관계를 시험하였다.
• 여러 모델 구성에서 RMSE, MAE, R² 지표를 사용하여 모델 성능을 검증하였다.

실험 결과

연구 질문

• RQ1 개별적으로 모델링하는 것과 비교해 AGB 및 SOC 추정 모델을 통합함으로써 총 탄소 추정 정확도를 향상시킬 수 있는가?
• RQ2 전통적으로 SOC 모델링에 사용되는 디지털 고도도(AGB 모델링에 포함될 경우) AGB 추정 성능 향상에 기여하는가?
• RQ3 SOC 또는 SOC 밀도를 예측 변수로 사용할 경우 AGB 모델 정확도는 어느 정도 향상되는가?
• RQ4 AGB를 SOC 예측의 예측 변수로 사용할 경우 다양한 기계학습 알고리즘에서 모델 성능에 어떤 영향을 미치는가?
• RQ5 스코틀랜드와 같은 혼합 용도 토지 이용 지역에서 AGB와 SOC 간 상관관계의 성격과 강도는 어떠한가?

주요 결과

• DEM을 AGB 모델의 예측 변수로 포함시킬 경우, XGBoost, Random Forest, Boosted Regression Tree 모델에서 평균 13.5% 성능 향상을 보였다.
• SOC 및 SOC 밀도를 AGB 모델의 예측 변수로 사용할 경우, 최신 기술 기준 대비 평균 14.2%의 정확도 향상을 달성하였다.
• AGB를 SOC 예측의 예측 변수로 사용할 경우, Random Forest에서는 성능 향상을 보였지만, Boosted Regression Tree 및 XGBoost에서는 성능 저하가 발생하여 모델별 영향이 다름을 확인하였다.
• Random Forest 모델이 가장 높은 AGB 추정 성능을 기록하였으며, R² 기준 최신 기술 대비 19.5% 향상(0.5925 vs. 0.5829)을 기록하였다.
• 특성 중요도 분석을 통해 AGB가 SOC 추정 모델에 의미 있는 기여를 함을 확인하였으며, 생물학적으로 타당한 피드백 루프 존재를 뒷받침하였다.
• 공동 모델링 접근법을 통해 AGB와 SOC 간 상호의존성이 확인되었으며, 이들의 조합 사용이 총 탄소 추정 정확도 향상에 크게 기여함을 입증하였다.