Assessing the impact of data uncertainty on remote sensing estimation of plant functional diversity

기술 요약: 식물 기능 다양성(PFD)의 원격 탐사 추정에 있어 데이터 불확실성이 미치는 영향 평가

문제 제기
식물 기능 다양성(PFD)의 원격 탐사 매핑은 생물 다양성과 생태계 기능을 연결하기 위해 과학-정책 인터페이스에서 점점 더 많이 활용되고 있다. 그러나 이러한 제품에 대한 불확실성 평가와 품질 표준은 거의 제공되지 않고 있다. 식물 형질 추정에서의 불확실성은 잘 알려져 있으나, PFD 추정치(픽셀 간 형질의 공간적 가변성으로 정의됨)에 미치는 측정 불확실성의 구체적인 영향은 여전히 제대로 이해되지 않고 있다. 기존 문헌들은 디지털 수치(DN)에서 정사 보정 및 대기 보정에 이르는 처리 과정 전반에서 불확실성이 어떻게 다양성 지표로 전파되는지를 명시적으로 고려하지 못하는 경우가 많다. 이러한 누락은 원격 탐사 방법의 견고성을 평가하고, 적절한 다양성 측정법을 선택하며, 정책 결정을 위한 적용 요구 사항에 대한 부합 여부를 평가하는 능력을 제한한다. 특히, 어떤 원격 탐사 프록시(proxy)가 불확실성에 가장 강건한지, 원격 탐사와 현장 데이터(in-situ)의 결합된 불확실성이 어떻게 상호작용하는지, 그리고 전처리 과정이 이러한 효과를 완화하거나 증폭시킬 수 있는지 여부가 불분명하다.

방법론
본 연구는 식물 형질과 원격 탐사 프록시를 포함하는 합성 데이터셋을 생성하기 위해 생물 다양성 관측 시스템 시뮬레이션 실험(BOSSE)을 활용한다. 워크플로은 네 가지 주요 단계로 구성된다:

1. 시뮬레이션: 180개의 합성 장면(120x120 픽셀)이 네 개의 기후대와 세 가지 공간 패턴(클러스터형, 중간형, 균등형)에 걸쳐 생성되었다(장면당 4개의 날짜를 사용하여 총 720개의 형질 맵과 초분광 반사율 이미지 쌍 생성). 이 장면들은 12가지 식물 형질(예: 잎의 엽록소, 수분 함량, LAI)과 그에 대응하는 반사율 인자(R)를 EnMAP 분광 구성(197개 밴드)을 기반으로 시뮬레이션한다.
2. 불확실성 주입: 8가지 유형의 불확실성이 "현장" 식물 형질(PT) 맵과 반사율 인자(R) 모두에 적용되도록 시뮬레이션되었다. 이들은 다음과 같이 분류되었다:
   • 오차의 성격: 계통적 오차(편향, bias) vs 무작위 오차(노이즈, noise).
   • 크기 스케일링: 상수형(값과 독립적) vs 스케일형(값에 비례함).
   • 상관관계: 무상관(decorrelated), 형질 상관(t-correlated), 공간 상관(x,y-correlated).
     불확실성은 Uniform 분포를 사용하는 계통적 오차와 Gaussian 분포를 사용하는 무작위 오차를 사용하여 Monte Carlo 접근 방식으로 생성되었으며, 표준 편차는 상대 불확실성 5%로 설정되었다.
3. 프록시 도출: 섭동(perturbed)된 반사율 인자로부터 이차 프록시가 계산되었다: 분광 식생 지수(NDVI, NIRv, 그리고 3개 지수의 큐브인 SVI3) 및 광학 형질(OT, 신경망을 통해 추출된 반사율 기반 식물 형질 추정치).
4. 다양성 추정 및 평가: 모든 변수(PT, R, SVIs, OT)에 대해 3x3 이동 창(moving window)을 사용하여 Rao의 이차 엔트로피(QRao)를 계산하였다. 불확실성의 영향을 평가하기 위해 원격 탐사 프록시로부터 도출된 QRao를 "참값"(불확실성이 없는) 식물 형질로부터 도출된 QRao에 대해 회귀 분석하였다. 성능은 $R^2$, 피어슨 상관계수($r_{Pearson}$), 상대 평균 제곱근 오차(RRMSE), 평균 절대 오차(MAE), 기울기 및 편향을 통해 평가되었다. 평가는 두 가지 규모로 수행되었다: "지역 간"(regional/global means) 및 "지역 내"(local spatial variability).

주요 기여 및 결과

• 무작위 오차의 지배력: 무작위 오차(노이зу)는 계통적 오차(편향)보다 PFD 추정에 더 큰 영향을 미친다. 계통적 불확실성은 PFD 추정에 미미한 영향을 미쳤는데, 이는 QRao 계산 중에 적용된 표준화 및 차원 축소(PCA)가 평균 편향을 효과적으로 상쇄하기 때문이다.
• 프록시 복잡도와 불확실성의 영향:
  • 불확실성이 없을 때의 성능: 불확실성이 존재하지 않을 때, 반사율 인자(R)와 광학 형질(OT) 모두 PFD를 가장 잘 추정하였다.
  • 불확실성에 대한 민감도: 높은 기준 성능에도 불구하고, OT(SVI3와 함께)는 불확실성 도입에 가장 큰 영향을 받았다. 무작위 오차, 특히 무상관(decorrelated) 오차는 모든 원격 탐사 프록시에 대해 OT의 가장 큰 과대 추정을 초래했다.
  • 식생 지수: 단일 차원 지수인 NDVI와 NIRv는 PFD를 과소 추정하지만, 복잡한 프록시에 비해 불확실성 유형의 영향을 덜 받았다. 그러나 무작위 오차가 이들의 고유한 과소 추정을 부분적으로 보완하기도 했다.
  • 상관관계의 역할: 무작위 오차에 상관관계(형질 상관 및 공간 상관)를 도입하면 무상관 백색 잡음(white noise)에 의한 PFD 과대 추정을 줄이는 효과가 있었다. 이는 오차의 상관관계가 불확실성의 전파를 완화할 수 있음을 시사한다.
• 가짜 오차 상쇄(Spurious Error Cancellation): 현장 형질과 원격 탐사 프록시 모두에 불확실성을 도입했을 때, 결과적인 통계 지표($R^2$, RMSE 등)가 때때로 개선되는 현상이 나타났다. 저자들은 이를 현장 참조 데이터의 불확실성이 원격 탐사 추정치의 편향을 우연히 상쇄하여 실제 성능 저하를 가리는 "가짜(spurious)" 효과라고 규정한다.
• 전처리의 중요성: 표준화와 차원 축소는 현장 데이터와 원격 탐사 데이터를 연결할 뿐만 아니라 계통적 불확실성을 완화하는 데 필수적이다. 이러한 단계를 생략하면, 특히 초분광 반사율과 같은 고차원 데이터에서 성능이 크게 저하된다.

의의 및 주장
본 논문은 단순한 평균 형질 추정을 넘어, 불확실성이 PFD 추정으로 어떻게 전파되는지에 대한 새로운 이해를 제공한다고 주장한다. 저자들의 주장은 다음과 같다:

1. 품질 요구 사항: PFD 분석에서의 사용과 해석을 안내하기 위해, 반사율 인자 수준에서 무작위 및 계통적 불확실성을 별도로 정량화해야 한다.
2. 방법론적 최적화: 연구 결과는 표준화가 PFD 추정에서 계통적 편향을 줄이기 위한 필수 단계임을 시사하며, 이는 일부 맥락에서 균일한 영상 보정 과정(예: 경험적 선 보정)의 필요성을 줄일 수 있다.
3. 프록시 선택: 초분광 반사율(R)과 광학 형질(OT)이 최선의 기준 성능을 제공하지만, 여기에는 계산 비용과 불확실성에 대한 민감도 사이의 트레이드오프가 따른다. 본 연구는 파생된 프록시(지수, 광학 형질)가 불확실성을 누적시키며, 복잡성이 오차 영향의 승수로 작용함을 강조한다. 특히 OT는 붓스트랩(bootstrap) 반복 실행 전반에서 가장 큰 가변성을 보였다.
4. 검증의 어려움: 본 연구는 현장 데이터 또한 불확실성을 포함하고 있을 때 원격 탐사 PFD 추정을 검증하는 것이 얼마나 어려운지를 강조하며, 이는 오해를 불러일으킬 수 있는 긍정적인 통계적 상관관계로 이어질 수 있다.

저자들은 시뮬레이션이 가치 있는 통찰을 제공하지만, 원격 탐사 제품의 한계와 품질 요구 사항을 완전히 정의하기 위해서는 명시적인 불확실성 예산(계통적 성분과 무작위 성분을 구분하는)을 갖춘 광범위한 관측 데이터셋이 향로 작업에서 필요하다고 결론짓는다.