Core Concepts
순환 신경망 모델(RNN, GRU, LSTM)을 이용한 총일차생산량 예측 성능을 비교하였으며, 특히 기후 극한 상황에서의 예측 능력을 평가하였다. 또한 다양한 원격탐사 데이터의 중요성을 분석하였다.
Abstract
이 연구는 총일차생산량(GPP) 모델링을 위한 순환 신경망 기법들의 성능을 비교 분석하였다. 연구 기간은 2016년부터 2020년까지이며, ICOS 2020 Warm Winter 데이터셋과 Sentinel-2, Sentinel-1, MODIS 데이터를 활용하였다.
데이터 전처리 과정에서 GPP 데이터의 품질 관리, 원격탐사 데이터의 전처리 및 특징 추출 등을 수행하였다. 순환 신경망 모델로는 RNN, GRU, LSTM을 사용하였으며, 하이퍼파라미터 튜닝을 거쳐 최적의 모델 구조를 선정하였다.
모델 성능 평가는 전체 기간, 성장기, 기후 극한 상황에서의 정규화된 RMSE(NRMSE)를 지표로 하였다. 분석 결과, 전체 기간과 성장기에서는 세 모델의 성능이 유사하였지만, 기후 극한 상황에서는 LSTM이 가장 우수한 성능을 보였다.
특징 중요도 분석 결과, 모든 모델에서 시뮬레이션된 청천 복사량이 가장 중요한 변수로 나타났다. 이는 해당 변수가 GPP 반응을 조절하는 데 핵심적인 역할을 하기 때문이다. 또한 LSTM에서는 LST 데이터가 기후 극한 상황에서의 GPP 예측에 중요한 것으로 확인되었다.
Stats
기후 극한 상황에서 LSTM 모델의 NRMSE가 가장 낮았다.
기후 극한 상황에서 GRU 모델의 NRMSE가 가장 높았다.
시뮬레이션된 청천 복사량이 모든 모델에서 가장 중요한 변수로 나타났다.
Quotes
"순환 신경망 모델(RNN, GRU, LSTM)을 이용한 총일차생산량 예측 성능을 비교하였으며, 특히 기후 극한 상황에서의 예측 능력을 평가하였다."
"모든 모델에서 시뮬레이션된 청천 복사량이 가장 중요한 변수로 나타났다."
"LSTM에서는 LST 데이터가 기후 극한 상황에서의 GPP 예측에 중요한 것으로 확인되었다."