Estimating Biomass in Trans-Himalayan Rangelands Using Sentinel-2 Data and Machine Learning Approaches

위대한 풀밭 탐정: 산, 인공위성, 그리고 똑똑한 컴퓨터의 이야기

지구의 피부가 '레인즐랜드(rangelands)'라고 불리는 광활하고 야생적인 풀과 관목의 카펫으로 덮여 있다고 상상해 보세요. 이것들은 단순히 아름다운 풍경이 아닙니다. 수백만 마리의 소, 양, 염소들을 위한 거대한 식탁이며, 지구의 물을 깨끗하게 유지하고 공기를 신선하게 만드는 데 도움을 줍니다. 하지만 문제는 이 풀 카펫들이 점점 마모되고 있다는 점입니다. 너무 많은 동물이 한꺼번에 먹어치우고, 날씨가 변하며, 인간의 압력이 가해지면서 푸르른 초원이 먼지투성이 땅으로 변하고 있습니다. 이를 해결하기 위해 우리는 풀이 얼마나 남아 있는지 정확히 알아야 하지만, 전통적인 방식대로 세는 것은 악몽과 같습니다. 그것은 가파르고 바위가 많은 산을 등반하여, 작은 사각형 모양으로 풀을 가위로 자르고, 햇볕에 말린 뒤 무게를 재는 과정을 포함합니다. 이는 느리고 비용이 많이 들며, 모든 곳에서 동시에 수행할 수도 없습니다.

여기서 "원격 탐사(remote sensing)"와 "머신러닝(machine learning)"의 마법이 등장합니다. 원격 탐사를 하늘 위에 떠 있는 거대한 첨단 카메라(인공위성)라고 생각해보세요. 이 카메라는 우리 눈에는 보이지 않는, 식물이 건강할 때 내뿜는 빛의 색인 보이지 않는 "레드 엣지(red edge)"와 같은 색을 볼 수 있습니다. 머신러닝은 수백만 장의 위성 사진을 보고 직접 발을 들이지 않고도 지면에 풀이 얼마나 있는지 추측하는 법을 배우는 아주 똑똑한 컴퓨터 학생과 같습니다. 과학자들은 이 컴퓨터들이 정확해지도록 가르치기 위해 노력해 왔지만, 산악 지역은 그림자와 가파른 경사 때문에 카메라를 혼란스럽게 만들기 때문에 까다롭습니다. 과연 우리는 높은 고도의 험준한 산에서도 하늘에서 바라보는 것만으로 풀의 무게를 정확하게 "측정"할 수 있는 스마트한 시스템을 구축할 수 있을까요?

---

논문의 미션: 구름 속에서 풀을 세는 법을 컴퓨터에게 가르치기

이 연구 논문은 새로운 종류의 탐정 업무를 위한 현장 가이드와 같습니다. 저자들인 파키스탄과 캐나다 출신의 과학자 팀은 어퍼 디르(Upper Dir)와 스와트(Swat)의 트랜스 히말라야 레인즐랜드에서 얼마나 많은 풀(바이오매스)이 자라고 있는지에 대한 미스터리를 해결하고자 했습니다. 이곳은 지형이 너무 가파르고 날씨가 거칠어서 전통적인 측정 방식이 거의 불가능한 험준한 고산 지대입니다. 대신, 연구팀은 풀을 베기 위해 등산객들을 보내는 대신, 몇 일마다 지구의 매우 상세한 사진을 찍는 Sentinel-2 위성의 데이터를 사용하기로 결정했습니다.

그들은 위성 이미지를 거대한 퍼즐처럼 다루었습니다. 먼저, 그들은 '그라운드 트루스(ground truth, 지상 검증 데이터)'를 수집하기 위해 2022년과 2023년 여름에 현장에 나갔습니다. 그들은 무작위 지점으로 하이킹을 가서 작은 사각형 안에 있는 실제 건조 중량의 풀을 측정하고 GPS 좌표를 기록했습니다. 이것이 그들의 '정답지'였습니다. 그다음, 그들은 정확히 같은 지점의 위성 사진을 살펴보며 위성이 무엇을 "보았는지" 확인했습니다. 그들은 빛을 숫자로 바꾸려는 50가지의 서로 다른 수학적 공식(식생 지수라고 불림)을 테스트했습니다. 이는 어떤 레시피가 가장 맛있는 케이크를 만드는지 확인하기 위해 50가지의 다른 레시피를 시도하는 것과 같았습니다.

발견: "레드 엣지"의 승리

연구팀은 모든 레시피가 똑같이 만들어진 것이 아님을 발견했습니다. 유명한 NDVI(식물이 얼마나 초록색으로 보이는지를 측정함)와 같은 기존의 표준 공식들은 괜찮긴 했지만, 더 미세한 디테일을 놓쳤습니다. 이 쇼의 진짜 주인공은 REDVI1이라고 불리는 공식이었습니다. 이 공식은 "레드 엣지"라고 불리는 빛의 스펙트럼의 특별한 부분을 사용하는데, 이는 위성과 식물의 엽록소 사이의 비밀스러운 악수와 같습니다.

그들이 이론을 테스트했을 때, 초기 스크리닝에서의 예측 정확도 측면에서 REDVI1이 명확한 승자였습니다. 2023년에 이 공식은 0.86이라는 정확도 점수(R²)를 기록했는데, 이는 매우 강력한 일치도를 보여줍니다. 식물의 녹색을 측정하는 표준 공식인 NDVI는 0.7376에 불과했습니다. 마치 REDVI1은 일 마일 밖에서도 풀의 건강 상태를 볼 수 있는 반면, NDVI는 눈을 가늘게 뜨고 짐작만 하고 있는 것과 같았습니다.

하지만 최고의 공식을 아는 것만으로는 충분하지 않았습니다. 그들은 수학을 계산할 가장 똑똑한 컴퓨터 두뇌도 필요했습니다. 그들은 세 가지 서로 다른 머신러닝 "학생"을 테스트했습니다:

1. PLSR (선형적인 사고를 하는 모델).
2. SVR (서포트 벡터 머신).
3. RFR (랜덤 포레스트 회귀).

랜덤 포스트(RFR) 모델이 챔피언이었습니다. 이 모델은 단순히 추측하는 것이 아니라, 산의 복잡하고 무질서한 현실을 처리할 수 있는 의사결정 나무(decision trees)의 숲을 구축했습니다. RFR은 2023년에 0.92의 성능 점수(NSE)를 기록하며 다른 모델들보다 훨씬 더 안정적이고 정확했습니다. 논문은 기존의 더 단순한 선형 방법들과 다른 머신러닝 모델들이 산의 기묘한 그림자와 가파른 경사 때문에 더 어려움을 겪었다고 명시적으로 언급했습니다. RFR 모델만이 노이즈를 일관되게 무시하고 신호를 찾아낼 수 있었습니다.

지도: 풀이 풍성한 곳과 빈약한 곳

승리한 머신러닝 모델(RFR)을 사용하여 데이터를 검증한 후, 팀은 전체 지역에 대한 상세한 지도를 만들었습니다. 하지만 실제 최종 지도를 만들 때는 복잡한 컴퓨터 모델을 직접 사용하지 않았습니다. 대신, 그들은 REDVI2를 기반으로 한 더 단순한 선형 회귀 방정식을 적용했습니다. REDVI1이 초기 스크리닝에서 최고의 예측 도구였음에도 불구하고, 연구팀은 REDVI2가 특정 매핑 단계에서 가장 높은 상관관계(2023년 R² = 0.7204)를 보인다는 것을 발견했기에, 이 공식을 사용하여 지도의 모든 픽셀에 대한 풀의 무게를 계산했습니다.

결과는 지형에 대한 흥미로운 이야기를 들려주었습니다:

• 평균: 연구 지역 전체에서 평균 건조 풀의 양은 5,896.78 kg/ha였습니다.
• 극단값: 풀은 고르게 분포되어 있지 않았습니다. 어떤 곳은 (동물들이 일 년 내내 방목되는 마을이나 강 근처라서) 풀이 거의 없었지만, 다른 곳은 믿기지 않을 정도로 울창했습니다. 가장 높은 수치를 보인 구역은 최대 11,516.7 kg/ha의 풀을 보유하고 있었습니다.
• 패턴: 논문은 마을과 수원지 근처의 풀이 종종 황폐해져서 낮은 바이오매스(3,500 kg/ha 미만)를 보인다는 것을 발견했습니다. 이는 동물들이 휴식 없이 너무 오랫동안 그곳에서 먹어치웠기 때문입니다. 그러나 일 년 중 대부분 눈으로 덮여 있는 높은 산들은 눈이 동물들을 멀리하게 함으로써 식물이 다시 자랄 기회를 주었기에, 두껍고 건강한 풀(7,000 kg/ha 이상)을 가지고 있었습니다.

이것이 미래에 갖는 의미

저자들은 자신들이 레인즐랜드 관리를 영원히 "해결했다"고 주장하지 않도록 주의를 기울였습니다. 대신, 그들은 이 방법이 강력한 새로운 도구를 제공한다고 제안합니다. 그들은 풀을 직접 베지 않고도 얼마나 있는지 알 수 있다는 것을 보여주었습니다. 위성과 똑똑한 컴퓨터를 사용하면 매우 정확한 그림을 얻을 수 있습니다.

이것은 그곳에 사는 사람들에게 매우 중요한 일입니다. 만약 지역 지도자들이 "이 계곡의 풀이 바닥나고 있다"라고 말해주는 지도를 볼 수 있다면, 땅이 파괴되기 전에 동물들을 다른 지역으로 이동시킬 수 있습니다. 이것은 추측을 과학으로 바꿉니다. 논문은 이 접근 방식이 정확하고, 확장 가능하며, 비침습적(non-invasive)임을 결론지으며, 이 취약한 산악 생태계와 그들에 의존하는 사람들의 생계를 보호할 수 있는 방법을 제시합니다. 이는 때때로 지면을 이해하는 가장 좋은 방법은 하늘에서 바라보는 것임을 상기시켜 줍니다.