다양한 생태계 전반에서 탄소 플럭스 예측을 위한 풋프린트 인지 고해상도 접근법
A Footprint-Aware, High-Resolution Approach for Carbon Flux Prediction Across Diverse Ecosystems
에디 공분산(Eddy-covariance, EC) 플럭스 타워는 $CO_2$ 플럭스의 현장(in situ) 측정을 제공하며, 위성 산출물로부터 유도된 예측 '업스케일링(upscaling)' 모델의 정답(ground-truth) 데이터 역할을 합니다. 그러나 현재 많은 위성은 EC 타워의 풋프린트(footprint)보다 작은 공간적 규모를 분해할 수 있습니다. 본 연구에서는 이질적인 경관에서 고해상도 데이터로 학습된 업스케일링 모델이 픽셀 수준 예측 변수의 바이어스(bias)를 피하기 위해 EC 타워의 풋프린트를 고려해야 함을 이론적으로 보입니다. 이러한 문제를 해결하기 위해, 공간적 풋프린트와 $CO_2$ 플럭스의 픽셀 수준 추정치를 동시에 예측하는 딥러닝 프레임워크인 FAR(Footprint-Aware Regression)을 소개하며, 충분한 학습 데이터가 주어질 때 편향 없는 픽셀 수준 예측을 산출함을 보입니다. 205 사이트-년(site-years)의 타워 데이터와 상응하는 Landsat 장면을 결합한 AMERI-FAR25 데이터셋에서 FAR을 실증하고, FAR이 풋프린트를 인지하지 않는 모델보다 우수한 성능을 보임을 제시합니다. FAR은 보류된 사이트 데이터셋에서 최고의 고정 풋프린트 기준선(baseline) 대비 30분 단위 $R^2$를 약 0.575에서 0.634로 증가시켰고 RMSE를 약 7% 감소시켰습니다. 더 거친 990 m 기준선과 비교했을 때 월별 및 연별 평균에서 성능 향상이 더 큽니다. 사이트 수준 분석은 이러한 성능 향상이 여러 생태계 유형에 걸쳐 확장됨을 보여줍니다. 이러한 성능 향상은 방법 간 풋프린트 크기의 상당한 변동에도 불구하고, 풋프린트를 공동으로 학습하든 기존 풋프린트 모델을 사용하여 독립적으로 추정하든 상관없이 관찰됩니다. 웨스턴 캐스케이드(Western Cascades) 지역에 대한 지역적 비교에서 FAR은 기존 고해상도 공정 기반 모델과 필적하는 분포의 플럭스 추정치를 산출합니다.