[논문 리뷰] Mapping bathymetry of inland water bodies on the North Slope of Alaska with Landsat using Random Forest

Mark Carroll, Margaret Wooten외 7명|ArXiv.org|2025. 02. 14.

Climate change and permafrost인용 수 3

한 줄 요약

본 논문은 Landsat 다중스펙트럴 데이터로 수계 깊이를 예측하기 위해 Random Forest Regressor를 학습시키고, 현장 관측 데이터의 희소성을 보완하기 위해 합성 학습 데이터를 사용하며, 검증에서 r^2 = 0.76을 보인 알래스카 북부(North Slope) 전체에 대한 픽셀별 깊이 맵을 산출한다.

ABSTRACT

The North Slope of Alaska is dominated by small waterbodies that provide critical ecosystem services for local population and wildlife. Detailed information on the depth of the waterbodies is scarce due to the challenges with collecting such information. In this work we have trained a machine learning (Random Forest Regressor) model to predict depth from multispectral Landsat data in waterbodies across the North Slope of Alaska. The greatest challenge is the scarcity of in situ data, which is expensive and difficult to obtain, to train the model. We overcame this challenge by using modeled depth predictions from a prior study as synthetic training data to provide a more diverse training data pool for the Random Forest. The final Random Forest model was more robust than models trained directly on the in situ data and when applied to 208 Landsat 8 scenes from 2016 to 2018 yielded a map with an overall $r^{2}$ value of 0.76 on validation. The final map has been made available through the Oak Ridge National Laboratory Distribute Active Archive Center (ORNL-DAAC). This map represents a first of its kind regional assessment of waterbody depth with per pixel estimates of depth for the entire North Slope of Alaska.

연구 동기 및 목표

• North Slope 수계의 현장 깊이 측정 데이터 부족 문제를 해결한다.
• Landsat 이미지에서 수심 측정을 추정하기 위한 머신 러닝 접근법을 개발한다.
• North Slope 수계에 대한 지역적, 픽셀별 깊이 맵을 생성한다.
• 제한된 관측 데이터를 보완하기 위해 합성 학습 데이터를 사용해 모델 강건성과 예측 성능을 평가한다.

제안 방법

• Landsat 다중스펙트럴 데이터에서 깊이를 예측하기 위해 Random Forest Regressor를 학습시킨다.
• 이전 연구에서 얻은 모델링된 깊이 예측값을 합성 학습 데이터로 사용해 학습 세트를 확장한다.
• 2016년~2018년의 Landsat 8 구간에서 모델을 검증하고 픽셀별 깊이 추정치를 보고한다.
• 더 넓은 활용을 위해 ORNL-DAAC 데이터 센터를 통해 결과 깊이 맵을 공개한다.

실험 결과

연구 질문

• RQ1 Landsat 이미지로부터의 Random Forest 깊이 예측이 알래스카 북부의 작은 내륙 수계의 수심 측정에 대해 정확한 수심 추정이 가능한가?
• RQ2 합성 학습 데이터를 도입하면 현장 데이터만 사용할 때보다 모델 강건성과 예측 성능이 향상되는가?
• RQ3 지역적 범위와 여러 구간에 걸친 픽셀별 깊이 매핑 성능(검증 r^2)은 어떠한가?
• RQ4 결과 수심 맵이 개방 데이터 배포 및 지역적 평가에 적합한가?

주요 결과

• 최종 Random Forest 모델은 2016–2018년의 208개 Landsat 8 구간에서 검증 시 r^2 0.76을 달성했다.
• 이전 연구에서 파생된 합성 학습 데이터는 현장 데이터만 사용할 때보다 모델 강건성을 향상시키는 데 도움을 주었다.
• 결과물 수심 맵은 알래스카 북부 전체에 대한 픽셀별 깊이 추정치를 제공한다.
• 깊이 맵은 더 넓은 활용을 위해 ORNL-DAAC 데이터 센터를 통해 공개되었다.