Crop Type Mapping in Smallholder and Complex Agricultural Landscapes Using Multi-Temporal Sentinel-2 Imagery on the Google Earth Engine Platform

거대한 레고 상자 속에서 모든 조각이 거의 똑같이 생겼지만, 어떤 것은 빨간 자동차여야 하고 어떤 것은 파란 트럭이어야 하는 상황을 상상해 보세요. 이제 손이 아니라 우주에서 내려다보며, 작은 밭들이 실타래처럼 엉켜 있는 패치워크 퀼트 같은 농장들을 바라본다고 상상해 보세요. 이것이 바로 '작물 유형 매핑(crop type mapping)'의 과제입니다. 과학자들은 지구의 사진을 찍기 위해 위성을 사용하지만, 농부들이 작고 불규칙한 필지에 서로 다른 작물을 바로 옆에 심을 경우, 식물의 색상(또는 분광 특성)이 서로 섞여 버립니다. 이는 마치 1마일 떨어진 곳에서 흐릿한 사진을 보고 딸기와 라즈베리를 구별하려고 노력하는 것과 같습니다. 이를 해결하기 위해 연구자들은 사진을 찍는 '시기'에 대해 영리해져야 합니다. 애벌레가 나비와 다르게 생겼듯이, 작물도 계절에 따라 자라면서 그들의 '의상'(색상과 모양)을 바꿉니다. 식물의 생애 주기 중 완벽한 순간을 기다리고 강력한 컴퓨터를 사용하여 데이터를 분석함으로써, 과학자들은 이 혼란을 풀어내고 정확히 무엇이 어디에서 자라고 있는지 알아낼 수 있습니다. 우리가 무엇을 재배하는지 아는 것은 물을 관리하고, 식량 공급을 예측하며, 환경을 보호하는 데 중요합니다.

---

위대한 작물 탐정 이야기: 이란 농업 퍼즐의 실타래를 풀다

이란의 차하르마할-바 바흐티아리(Chaharmahal-Va Bakhtiari) 주 중심부에는 아몬드와 복숭아로 유명한 사만(Saman) 카운티가 있습니다. 하지만 여기에는 함정이 있습니다. 이곳의 풍경은 혼란스럽고도 아름다운 혼돈 상태입니다. 과수원이 밀, 쌀, 보리 밭과 함께 작은 불규칙한 필지에 빽빽하게 섞여 있는 거대한 샐러드를 상상해 보세요. 위성에서 내려다보면 이것은 녹색의 혼란스러운 흐릿함으로 보입니다. 나무와 곡물 작물은 종종 너무 비슷하게 보여서 표준 위성 사진으로는 구별할 수 없습니다. 이는 마치 모두가 똑같은 초록색 후드티를 입고 있는 군중 속에서 특정 인물을 식별하려는 것과 같습니다.

한 연구팀은 **구글 어스 엔진(Google Earth Engine, GEE)**이라는 슈퍼 강력한 디지털 놀이터를 사용하여 이 암호를 풀기로 했습니다. GEE를 센티널-2(Sentinel-2) 위성이 찍은 거의 모든 사진을 보유한 거대한 클라우드 기반 도서관이라고 생각하세요. 연구자들은 테라바이트 단위의 데이터를 단일 컴퓨터로 다운로드하는 대신, 이 클라우드 거인을 사용하여 수년간의 이미지를 즉각적으로 걸러냈습니다.

"무엇"보다 "언제"가 더 중요하다

첫 번째 큰 장애물은 타이밍이었습니다. 겨울 한복판에 복숭아 나무와 밀밭의 사진을 찍으면 둘 다 갈색의 휴면 상태로 보입니다. 만약 이른 봄에 사진을 찍으면 둘 다 일반적인 녹색 덩어리처럼 보일 수 있습니다. 연구자들은 이들을 구별하기 위해서는 그들의 "개성"이 갈라지는 정확한 순간을 포착해야 한다는 것을 깨달았습니다.

그들은 작물을 무대 위의 배우처럼 취급했으며, 각 배우는 자신만의 일정을 가지고 있었습니다. 체리와 호두 같은 일부 작물은 여름 초반(5월~7월)에 정점에 도달했다가 수확되면서 시들기 시작했습니다. 반면 복숭아와 아몬드 같은 작물은 늦게 피는 꽃처럼 초여름에는 조용하다가 8월과 9월에 녹색 성장이 폭발했습니다. 포도는 시즌 내내 천천히 꾸준히 성장하는 안정적인 작물이었습니다.

완벽한 촬영 시간을 찾기 위해 팀은 변환 발산(Transformed Divergence, TD) 지수라는 수학적 도구를 사용했습니다. TD를 "차이 측정기"라고 생각하면 됩니다. 이는 두 작물 그룹이 서로 얼마나 다르게 보이는지를 측정합니다. 측정값이 낮으면 작물들이 너무 비슷해 보이고(분류하기 어려움), 측정값이 높으면 작물들이 뚜렷하게 구분됩니다(분류하기 좋음).

2020년부터 2022년까지의 월별 데이터에 이 "차이 측정기"를 실행한 결과, 그들은 황금 시간대를 발견했습니다: 5월부터 9월까지입니다. 이 다섯 달 동안 작물들은 가장 뚜렷하게 구분되었습니다. "차이 측정기"는 작물들이 명확하게 분리되고 있음을 보여주었으며, 이를 통해 높은 신뢰도로 복숭아 나무와 밀밭을 구별할 수 있었습니다. 그들은 모든 사진이 필요한 것이 아니라, 신중하게 선택된 다섯 번의 월별 스냅샷만으로도 충분히 작업을 수행할 수 있으며, 이를 통해 정확도는 높게 유지하면서 데이터 양을 약 60% 줄일 수 있다는 것을 발견했습니다.

"지형"이라는 단서를 더하다

하지만 완벽한 타이밍을 갖추었음에도 불구하고, 일부 작물은 여전히 너무 비슷해 보였습니다. 예를 들어 아몬드와 체리, 또는 호두와 사과는 우주에서 볼 때 매우 유사해 보일 수 있습니다. 그래서 연구자들은 비밀 무기인 **지형(topography)**을 추가했습니다.

지형을 거대하고 울퉁불퉁한 케이크라고 상상해 보세요. 어떤 부분은 평평하고, 어떤 부분은 가파르며, 어떤 부분은 태양을 향하고 다른 부분은 그늘에 숨어 있습니다. 연구자들은 서로 다른 작물들이 이 케이크 위에 특정 "선호 지점"을 가지고 있다는 것을 깨달았습니다.

• 쌀은 물이 고이는(마치 물이 찬 욕조처럼) 평평하고 낮은 지대에만 자랍니다.
• 복숭아는 햇빛이 잘 드는 남향 경사지를 좋아합니다.
• 호두는 습기를 유지하기 위해 더 시원한 북향 측면을 선호합니다.
• 아몬드는 강인하여 고도가 높은 뜨겁고 건조한 남쪽 경사지에 머뭅니다.

연구자들은 컴퓨터에 지표면 높이(DEM), 경사도, 그리고 방향(aspect) 지도를 입력함으로써 알고리즘에 "지리적 기억"을 부여했습니다. 이제 알고리즘은 단순히 색상을 바탕으로 추측하는 것이 아니라, "이 녹색 패치는 가파른 북향 언덕에 있으므로, 사과가 아니라 호두일 것이다"라고 말할 수 있게 되었습니다. 이 추가적인 정보 층은 여전히 너무 비슷해 보이는 작물들을 엉킴 없이 풀어내는 데 도움을 주었습니다.

마법의 알고리즘: 랜덤 포레스트(Random Forest)

완벽한 타이밍과 지형적 단서를 손에 넣은 팀은 **랜덤 포레스트(Random Forest, RF)**라고 불리는 머신러닝 알고리즘을 사용했습니다. 만약 결정권자들이 모인 숲을 상상해 본다면, 각자가 "지금이 5월인가?" 또는 "경사가 가파른가?"와 같은 간단한 질문을 던지는 것입니다. 랜덤 포레스트는 이러한 수백 명의 결정권자들이 함께 투표하는 군중입니다. 매우 많은 "나무"가 투표하기 때문에, 최종 결정은 매우 스마트하며 실수에 강합니다.

그들은 GPS 장치를 들고 직접 방문한 1,500개의 실제 지점을 사용하여 이 디지털 숲을 훈련시켰습니다. 컴퓨터에게 패턴을 학습시키기 위해 이 지점의 70%를 보여주었고, 나머지 30%를 사용하여 도움 없이도 올바르게 예측할 수 있는지 테스트했습니다.

결과: 95%의 성공률

결과는 전체 카운티에 대한 놀라울 정도로 정확한 지도였습니다. 컴퓨터는 전체의 95% 확률로 작물 유형을 정확하게 식별했습니다. 이렇게 복잡하고 혼란스러운 지형에서 이는 엄청난 성공입니다.

• 아몬드는 언덕의 왕으로서 농지의 65% 이상을 차지했습니다.
• 복숭아와 호두가 2위와 3위를 차지했습니다.
• 쌀이나 밀/보리와 같은 연작물은 퍼즐의 가장 작은 조각들이었습니다.

연구자들은 또한 공식 정부 기록(농업 통계 연보)과 대조하여 자신들의 작업을 검증했습니다. 그들이 만든 지도는 정부 수치와 거의 완벽하게 일치했으며, 상관계수는 0.96이었습니다. 이는 이 지도가 단순히 예쁜 그림이 아니라, 작물을 정확하게 세는 데 신뢰할 수 있는 도구임을 의미합니다.

이것이 왜 중요한가

이 연구는 작고 복잡한 농장을 매핑하기 위해 초복잡하고 비싼 시스템이 필요하지 않다는 것을 증명합니다. 스마트한 타이밍(적절한 계절을 기다리는 것), 땅의 형세(지형)를 아는 것, 그리고 강력한 클라우드 컴퓨터를 결합함으로써, 가장 혼란스러운 농업 지형이라도 풀어낼 수 있습니다.

연구자들은 집이나 강(작물처럼 보여 컴퓨터를 혼란스럽게 할 수 있는 요소들)을 제외하고, 작물이 가장 뚜렷하게 구분되는 특정 달에 집중함으로써 명확한 그림을 얻을 수 있음을 보여주었습니다. 이는 지역 계획가들이 물을 더 잘 관리하고, 수확량을 예측하며, 토지가 지속 가능하게 사용되도록 하는 데 도움이 됩니다. 이는 때때로 숲 전체를 보는 가장 좋은 방법은 적절한 계절을 기다리고, 올바른 각도에서 나무를 바라보는 것임을 상기시켜 줍니다.