[논문 리뷰] Learning to forecast vegetation greenness at fine resolution over Africa with ConvLSTMs

Claire Nicolle Robin, Christian Requena‐Mesa외 5명|arXiv (Cornell University)|2022. 10. 24.

Remote Sensing in AgricultureEnvironmental Science인용 수 17

한 줄 요약

이 논문은 아프리카 전역의 미세해상도 식생 녹색도를 예측하기 위해 ConvLSTM 기반 모델을 제안한다. 입력으로는 Sentinel-2 NDVI, ERA5 기상 재분석자료, SMAP 토양 수분, SRTM 지형 자료를 사용한다. 모델은 시계열 NDVI 동역학과 기상 이상에 대한 차별적 반응을 30m 해상도에서 성공적으로 예측하며, 가뭄에 취약한 지역에서의 사전 대응 가능성을 입증한다.

ABSTRACT

Forecasting the state of vegetation in response to climate and weather events is a major challenge. Its implementation will prove crucial in predicting crop yield, forest damage, or more generally the impact on ecosystems services relevant for socio-economic functioning, which if absent can lead to humanitarian disasters. Vegetation status depends on weather and environmental conditions that modulate complex ecological processes taking place at several timescales. Interactions between vegetation and different environmental drivers express responses at instantaneous but also time-lagged effects, often showing an emerging spatial context at landscape and regional scales. We formulate the land surface forecasting task as a strongly guided video prediction task where the objective is to forecast the vegetation developing at very fine resolution using topography and weather variables to guide the prediction. We use a Convolutional LSTM (ConvLSTM) architecture to address this task and predict changes in the vegetation state in Africa using Sentinel-2 satellite NDVI, having ERA5 weather reanalysis, SMAP satellite measurements, and topography (DEM of SRTMv4.1) as variables to guide the prediction. Ours results highlight how ConvLSTM models can not only forecast the seasonal evolution of NDVI at high resolution, but also the differential impacts of weather anomalies over the baselines. The model is able to predict different vegetation types, even those with very high NDVI variability during target length, which is promising to support anticipatory actions in the context of drought-related disasters.

연구 동기 및 목표

• 기후 취약 지역에서의 사전 대응을 지원하기 위해 미세해상도에서 식생 녹색도를 예측하는 과제를 해결한다.
• 고해상도 시공간 자료를 활용하여 국소 생태계 반응 예측을 위해 해상도가 낮은 모델의 한계를 극복한다.
• 기후 주요 인자에 대한 시간 지연된 식생 반응을 모델링하여 가뭄 및 극단 기상 영향에 대한 조기 경고 시스템을 구축한다.
• 환경 및 기상 변수를 사용하여 강력하게 유도된 비디오 예측 프레임워크를 개발하여 예측 정확도를 향상시킨다.
• 예측 기반 금융 및 인도적 계획 지원을 위해 다양한 아프리카 생태계에서 신뢰할 수 있고 국소적인 식생 예측을 제공한다.

제안 방법

• 위성 및 재분석 변수의 시공간 데이터 큐브를 사용하여 지표면 예측을 강력하게 유도된 비디오 예측 과제로 재구성한다.
• 식생 동역학의 복잡한 시공간 의존성을 모델링하기 위해 순환 컨volution 신경망(Long Short-Term Memory, ConvLSTM) 아키텍처를 활용한다.
• 다양한 주행변수를 입력으로 사용: Sentinel-2 반사율(빨강, 파랑, 초록, NIR), 유도된 NDVI(목표), ERA5 기상 변수(기온, 강수량, 복사량, 기압, 증발), SMAP 토양 수분(표면 및 뿌리층), SRTMv4.1 고도 모델(30m로 업샘플링).
• 학습 및 평가 중 비식생 및 누락 픽셀을 제외하기 위해 ESRI 2020 지형 이용 지도를 사용해 공간적 및 시간적 마스킹을 적용한다.
• 배치 크기 32, 초기 학습률 1e-6로 150 에포크 동안 학습하며, PyTorch Lightning을 사용해 NDVI 예측의 L2 손실을 최소화한다.
• 추론 시 향후 기상 자료를 입력으로 사용하여, 예측 시점에 향후 조건이 알려져 있는 강력하게 유도된 예측 설정을 반영한다.

실험 결과

연구 질문

• RQ1 ConvLSTM 모델은 다양한 아프리카 생태계에서 30m 해상도의 미세해상도 식생 녹색도(NDVI)를 정확하게 예측할 수 있는가?
• RQ2 기상 이상(예: 가뭄 또는 조기 강수)에 대한 식생의 시간 지연 반응을 모델은 얼마나 잘 포착하는가?
• RQ3 지형, 토양 수분, 기상 변수를 포함시킬 경우, NDVI만을 사용한 경우에 비해 예측 정확도는 얼마나 향상되는가?
• RQ4 다양한 식생 유형(예: 농경지 vs. 초원 vs. 숲)과 계절 조건에 따라 예측 성능는 어떻게 달라지는가?
• RQ5 데이터 품질 문제(특히 감지되지 않은 구름 및 아티팩트)는 모델 예측 신뢰성에 어떤 영향을 미치는가?

주요 결과

• ConvLSTM 모델은 아프리카 전역에서 30m 공간 해상도에서 높은 정밀도로 시계열 NDVI 변화를 성공적으로 예측한다.
• 모델은 기상 이상에 대한 식생의 차별적 반응을 포착하며, 토양 수분 재충전 및 가뭄 유산 영향과 같은 시간 지연 효과도 반영한다.
• 예측 정확도는 목표 변수의 분산과 강하게 상관되며, 분산이 낮은 기간(예: 비생육기)에서는 높고, 변동성이 큰 생육기에는 낮다.
• 지속적인 구름 아티팩트가 있는 샘플은 성능 저하를 보이며, 사전 처리에도 불구하고 데이터 품질이 모델 신뢰성에 영향을 미친다는 점을 시사한다.
• 모델은 다양한 식생 유형, 특히 높은 NDVI 변동성을 보이는 생태계에서도 일반화 가능하며, 이는 이질적인 생태계에서의 적용 가능성을 시사한다.
• 향후 기상 자료를 포함시킬 경우 예측 품질이 크게 향상되며, 본 연구 맥락에서 강력하게 유도된 예측의 가치를 확인한다.