Quantification of atmospheric carbon dioxide from the Geostationary Operational Environmental Satellite (GOES East)

기술 요약: GOES-East 를 통한 대기 중 이산화탄소 (CO₂) 정량화

문제 제기
대기 중 이산화탄소 (CO₂) 변동성의 정확한 특성 규명은 글로벌 탄소 순환 이해 및 온실가스 플럭스 검증에 필수적입니다. 그러나 현재 전담 우주 기반 센서들 (예: OCO-2, OCO-3, GOSAT) 은 공간적, 시간적으로 관측 데이터가 너무 희소하여 생물권 및 인위적 교환의 일일 및 계절적 규모를 해결하기에 부족합니다. ESA 의 CO2M 과 같은 향후 임무는 개선을 약속하지만, 2027 년 말까지 발사되지 않을 것으로 예상됩니다. 따라서, 특히 연속적인 지리적 커버리지와 높은 시간적 빈도와 관련된 관측 공백을 메우기 위해 본래 CO₂ 감시를 위해 설계되지 않은 기존 장비들을 활용하는 것이 시급히 필요합니다.

방법론
저자들은 지리정지 운영 환경 위성 (GOES-East) 에 탑재된 고급 기본 영상기 (ABI) 데이터를 활용하여 건조 공기 기둥 CO₂ 몰 분율 (XCO₂) 을 추정하는 물리 기반 신경망을 개발했습니다. 이 접근법은 다중 분광 복사 데이터와 기상 및 지표 맥락을 2 단계 잔차 딥러닝 프레임워크를 통해 통합합니다:

1. 데이터셋 구성:

   • 레이블: 훈련 목표는 "최고 품질" OCO-2(v11.2r) 및 OCO-3(v11r) Level 2 Lite 사운드 (2017–2023) 에서 파생되었으며, 맑은 하늘 조건과 지표면 정반사 기하구조를 위해 필터링되었습니다.
   • 입력: 모델은 모든 16 개 GOES-East ABI 분광 밴드의 100 분 시간 시퀀스 (10 분 스캔 10 개) 를 입력받습니다. 이는 다음과 같은 데이터로 보강됩니다:
     • ECMWF ERA5 재분석 데이터 (시간별 기상 상태, 경계층 역학 및 수직 프로파일 포함).
     • MODIS 지표 반사율 (8 일 합성) 및 정규화 식생 지수 (NDVI).
     • 기하학적 메타데이터 (태양 천정각, 위성 관측각) 를 사용하여 공기량 인자 (AMF) 를 계산하는 데 사용됨.
   • 데이터 분할: 2024 년 데이터셋은 보지 못한 OCO-2/OCO-3 관측치에 대한 평가 목적으로 완전히 제외되었습니다.

2. 모델 아키텍처 (2 단계 잔차 프레임워크):

   • 1 단계 (기선 MLP): 예측 가능한 시공간 공변량 (위도, 경도, 연중 일수, 태양 천정각) 으로 훈련된 다층 퍼셉트론으로, 글로벌 XCO₂ 사전값을 설정합니다. 이 단계는 장기적 추세, 위도별 경사도 및 계절적 주기를 포착합니다.
   • 2 단계 (잔차 네트워크): 관측된 OCO 사운드와 1 단계 기선 사이의 편차 를 예측하도록 훈련된 심층 잔차 네트워크입니다. 핵심적으로, 이 단계는 지리적 공간 좌표와 연도를 보지 못하도록 하여 지리적 공간 암기를 방지합니다. 이는 세 개의 병렬 분기를 통해 동적 입력을 처리합니다:
     • GOES-East 시간 분기: 1D CNN 과 8 개 헤드의 자기 주의 (self-attention) 메커니즘을 사용하여 16 개 밴드 시간 시퀀스를 처리하여 에어로졸, 지표 반사율 변화와 같은 일시적 교란 요인으로부터 XCO₂ 신호를 분리합니다.
     • 교란 요인 완화 분기: ERA5 기상 데이터와 MODIS 지표 데이터를 통합합니다. 모델이 "기후 기반 에뮬레이터"가 되는 것을 방지하기 위해 훈련 중 ERA5 특징에 가우스 노이즈 (15% 교란) 를 주입하여 스펙트럼 신호에 의존하도록 강제합니다.
     • 물리적 AMF 분기: 지리정식 관측각에 내재된 기하학적 왜곡을 정규화하기 위해 공기량 인자 (AMF) 구성 요소를 명시적으로 계산하여 주입합니다.

3. 훈련 전략:

   • 모델은 이상치를 처리하기 위해 Huber 손실 함수를 사용하여 최적화되었습니다.
   • 모델이 전체 일일 주기에 걸쳐 일반화되도록 OCO-3 데이터 (태양 동기식 아님) 를 OCO-2 대비 2 배 가중치를 두어 훈련시켰습니다.
   • 엄격한 물리적 제약 내에서 하이퍼파라미터 및 아키텍처 선택을 미세 조정하기 위해 대형 언어 모델과 몬테카를로 트리 탐색을 활용한 자동 머신러닝 (AutoML) 기법이 사용되었습니다.

주요 결과

• 성능: 보지 못한 2024 년 OCO-2 및 OCO-3 관측치에 대해 평가했을 때, 전체 GOES 모델은 Root Mean Square Error(RMSE) 1.42 ppm 및 R² 0.60 을 달성했습니다. 이는 1 단계 기선 모델 단독 (RMSE 1.86 ppm, R² 0.31) 보다 현저히 개선된 것으로, 모델이 단순한 역사적 패턴 보간이 아닌 물리적 신호를 학습함을 확인시켜 줍니다.
• Ablation 연구: GOES-East 시간 시퀀스를 제거할 때 성능 저하가 가장 컸으며, 이는 이를 주요 정보원으로 확인시켜 줍니다. 흥미롭게도 특정 CO₂ 민감 밴드 (5 번 및 16 번 밴드) 를 제거한 경우 영향이 미미했는데, 이는 광대역 스펙트럼 채널의 중복성과 모델이 다른 밴드 및 보조 데이터로부터 보완적 신호를 종합하는 능력을 시사합니다.
• 사례 연구:
  • 도시: 모델은 로스앤젤레스와 시카고 상空的 XCO₂ 증가를 10 분 시간 해상도로 성공적으로 시각화하여, 동시 OCO-2 및 OCO-3 스냅샷 영역 모드 (SAM) 관측 및 TROPOMI 의 NO₂ 데이터와 일치하는 플룸 구조를 포착했습니다.
  • 농업: 미국 옥수수 지대 (Corn Belt) 에서 모델은 주요 성장기 (7 월) 동안 지역 규모의 일일 2 ppm 감소 추세를 포착했는데, 이는 하루에 한 번만 통과하는 태양 동기식 장비들이 놓친 변동성 패턴입니다.
• 위도별 경사도: 모델은 훈련 연도 (2017–2023) 와 구별되는 2024 년의 현실적인 위도별 경사도와 연차 변동을 정확하게 재현했습니다.

의의 및 주장
이 논문은 GOES-East 에서 유도된 XCO₂의 정밀도가 전담 초분광 장비 (예: OCO-2 의 약 0.85 ppm 정밀도) 를 능가할 수는 없지만, 연속적인 지리적 커버리지, 10 분 시간 빈도, 그리고 다년 기록의 전례 없는 조합이 현재 우주에서 관측되지 않는 대기 중 CO₂ 변동성의 측면을 관찰할 수 있는 고유한 능력을 제공한다고 주장합니다.

저자들은 이 접근법이 전담 임무에 대한 대체가 아닌 보완임을 강조합니다. 지리정식 데이터의 높은 공간 및 시간 밀도는 현재 극궤도 위성 군이 볼 수 없는 일일 주기와 빠른 수송 역학을 관찰할 수 있게 합니다. 더 나아가, 이 연구는 현대 딥러닝 및 보조 데이터와 결합될 때 기존 장비들이 대기 중 CO₂에 대한 상당한 회복 가능한 정보를 포함하고 있음을 입증합니다. 저자들은 또한 모델이 OCO-2/OCO-3 훈련 데이터에 존재하는 편향 (예: 강수계 네트워크 아티팩트) 을 물려받았음을 지적하며, 조밀한 GOES 관측이 결국 이러한 기준 데이터셋 자체의 편향을 규명하고 수정하는 데 도움이 될 수 있음을 시사합니다.