Predicting Paddy Rice NDVI from Meteorological Variables Using Linear Regression

기술 요약: 선형 회귀를 이용한 기상 변수 기반 벼 NDVI 예측

문제 정의
식생 지수, 특히 정규 식생 지수(NDVI)는 작물의 성장과 건강 상태를 모니터링하는 데 매우 중요하다. 위성 유래 NDVI는 광범위한 공간 범위를 제공하지만, 기상 조건(예: 구름, 강수) 및 관측 주기로 인한 시간적 해상도의 한계를 갖는다. 반대로, 지상 기반 센서는 높은 빈도의 현장 데이터를 제공하지만 공간적 확산성이 부족하다. 이러한 한계는 작물 관리에서의 적시 자원 배분과 의사결정을 저해한다. LSTM(Long Short-Term Memory)과 같은 딥러닝 모델을 포함한 다양한 머신러닝(ML) 접근 방식이 기상 데이터를 사용하여 NDVI를 예측하기 위해 제안되어 왔으나, 이들은 종종 복잡한 물리적 원리나 대규모 데이터셋을 필요로 하며 해석 가능성이 부족하다. 본 연구는 계산 효율성이 매우 중요한 농업 환경에 특화되어, 기상 데이터와 지상 기반 분광 반사 센서에 의존하는 벼의 신속하고 정확하며 해석 가능한 NDVI 예측 모델의 필요성을 다룬다.

연구 방법론
본 연구는 기상 변수를 사용하여 벼의 일일 평균 NDVI를 추정하는 예측 모델을 개발하고 평가하였다.

• 데이터 수집: 2020년부터 2024년까지 5번의 생육 시즌 동안 대한민국 사천시의 단일 논에서 데이터를 수집하였다. 기상 데이터(강수량, 습도, 일사량, 온도, 풍속)는 ATMOS-41 자동 기상 관측소에 의해 시간 단위로 기록되었다. NDVI는 지상 고정 분광 반사 센서(SRS)를 사용하여 시간 단위로 측정되었다.
• 입력 변수: 8개의 특징(feature)을 고려하였다: 일평균 기온(MTEM), 누적 기온(ATEM), 일사량(SOL), 누적 일사량(ASOL), 일강수량(DPR), 누적 강수량(APR), 3일 전행 강수량(PPR), 그리고 이앙 후 경과 일수(DAT).
• 모델 구성: 8개의 입력 변수로 가능한 모든 조합을 나타내는 255개의 서로 다른 모델을 생성하였다. 두 가지 주요 알고리즘이 사용되었다:
  1. 다중 선형 회귀(MLR): 종속 변수와 독립 변수 간의 선형 관계를 모델링함.
  2. 다항 회귀(PR): 이차항(PR2) 및 삼차항(PR3)을 사용하여 비선형 관계를 포착하도록 선형 회귀를 확장함.
• 훈련 및 검증: 과적합을 방지하기 위해 Elastic Net 규제를 적용한 확률적 경사 하강법(SGD)을 사용하여 모델을 훈련하였다. 하이퍼파라미터는 5-겹 교차 검증을 포함한 GridSearchCV를 통해 최적화되었다.
• 평가 지표: 성능은 평균 제곱 오차(MSE), 평균 제곱근 오차(RMSE), 평균 절대 오차(MAE), 그리고 결정 계수($R^2$)를 사용하여 평가되었다.

주요 결과

• 모델 성능: 다항 회귀(PR) 모델이 다중 선형 회귀(MLR) 모델보다 성능이 현저히 우수했다. 가장 성능이 좋은 PR3 모델(8개 변수를 모두 사용하는 C8-1)은 $R^2$ 0.754를 달듯이, 최적의 MLR 모델의 $R^2$인 0.528와 비교되었다.
• 비선형성: PR2 모델은 비선형 관계를 포착하는 것이 중요하다는 것을 입증했다. 특히, "이앙 후 경과 일수(DAT)"만을 사용한 단일 변수 PR2 모델은 $R^2$ 0.582를 달성하여, 다변수 MLR 모델(예: 5개 변수를 사용하는 MLR 모델 C5-2의 $R^2$ = 0.528)보다 높은 성능을 보였다.
• 변수 중요도:
  • 높은 영향력: DAT, 일평균 기온, 누적 기온, 일사량, 누적 일사량이 가장 영향력 있는 예측 변수였다.
  • 누적 vs 일간: 누적 변수(ATEM, ASOL)는 일간 평균 변수(MTEM, SOL)보다 더 강력한 설명력을 보였으며, 이는 장기적인 기후 조건이 단기적인 변동보다 작물의 활력을 더 크게 좌우함을 시사한다.
  • 낮은 영향력: 강수 관련 변수(DPR, APR, PPR)는 상대적으로 낮은 예측 능력을 보였다.
• 복잡성 대비 정확도: 모델의 복잡성을 PR2에서 PR3로 높였을 때 성능 향상은 미미했다(예: 전체 변수 모델의 경우 $R^2$가 0.738에서 0.754로 증가). 본 연구는 4개 이상의 변수를 가진 PR2 모델(예: $R^2$ = 0.730인 C4-60)이 정확도와 단순성 사이의 실용적인 균형을 제공한다는 점을 확인했다.

의의 및 주장
저자들은 선형 회귀 기반 모델이, 특히 다항 항을 통해 강화될 때, 벼 NDVI 예측을 위해 복잡한 딥러닝 모델(예: LSTM)을 대체할 수 있는 매우 효과적인 대안을 제공한다고 주장한다. 본 연구는 세 가지 주요 장점을 강조한다:

1. 해석 가능성: "블랙박스" 형태의 딥러닝 모델과 달리, 선형 및 다항 회귀 모델은 영향력 있는 기상 요인을 명확하게 식별할 수 있게 해준다.
2. 계산 효율성: 이러한 모델은 계산 부하가 적어 농업 환경에서의 실시간 의사결정에 적합하다.
3. 제한된 데이터에 대한 견고성: 모델은 특정 농업 현장 연구에서 흔히 발생하는 제약 사항인 작은 데이터셋에서도 안정적인 성능을 보여주었다.

본 논문은 딥러 learning 모델이 장기적 의존성을 포착하는 데 탁est하지만, 제안된 선형 회귀 접근 방식이 더 높은 투명성과 효율성을 갖춘 채 유사한 예측 정확도를 제공한다고 결론짓는다. 연구는 벼 모니터링을 위해, 특히 연구 지역의 습윤한 기후를 고려할 때 강수 데이터보다는 누적 기온 및 일사량과 함께 성장 단계(DAT)에 집중하는 것이 더 중요하다고 제안한다. 저자들은 선형 모델과 딥러닝 접근 방식의 강점을 통합하는 하이브리드 모델에 대한 후속 연구와, 극한 기상 조건 및 다른 작물 유형에 따른 모델 성능에 대한 조사를 권고한다.