| 정지위성 데이터와 AI로 시간대별 광합성 정밀 분석
울산과학기술원(UNIST) 임정호 교수 연구팀이 동아시아 지역에서 시간별 "식생이 광합성에 의해 흡수하는 탄소량(Gross Primary Productivity, GPP)"을 정지위성 관측자료와 인공지능 모델을 통해 정밀하게 추정할 수 있는 기술을 개발했다. 이 기술은 특히 "대기 중 에어로졸에 의해 확산되는 광량(Diffuse Radiation, Ddif)"이 광합성에 어떤 영향을 미치는지를 반영하여, 기존보다 정확도가 뛰어난 것으로 나타났다.
| 산란광(Ddif)을 고려한 인공지능 모델, 기존 예측모델 뛰어넘다
연구진은 일본 기상청의 고정위성 Himawari-8에서 10분 단위로 수집되는 관측 데이터를 활용해, 기계학습 기반의 Light Gradient Boosting Machine(LGBM) 모델을 구축했다. 이 모델은 시간대별 태양 고도와 "에어로졸 광학두께(Aerosol Optical Depth, AOD)"를 함께 반영해 기존 예측 모델들이 간과해온 산란광의 영향을 모델링할 수 있도록 설계되었다. AOD란 대기 중 "에어로졸(미세먼지, 황사, 연무 등 입자상 물질)"이 태양빛을 얼마나 흡수하거나 산란시키는지를 나타내는 지표이며, 쉽게 말해 하늘이 얼마나 뿌연지를 수치로 표현한 값이다. 그 결과 "식생의 탄소흡수량(GPP)"을 예측하는 기존의 선형회귀나 머신러닝 모델 대비 평균 3~8% 예측오차가 감소했다. 이번 모델의 성능은 R² 0.815, RMSE 2.85 μmol CO₂/m²/s로 평가됐다.
| 에어로졸의 산란효과, 아침·저녁 시간 식생 광합성에 큰 영향
모델 해석을 위해 "SHAP(Shapley Additive Explanation)"를 도입한 결과, 에어로졸이 햇빛을 산란시키는 효과는 특히 오전과 저녁 시간대에 "식생의 탄소흡수량(GPP)" 증가에 기여하는 것으로 나타났다. 이는 햇빛의 입사각이 낮아지는 오전과 저녁 시간대에 "산란광(Ddif)"의 비율이 높아지기 때문이며, 그 결과 그늘진 잎까지도 더 많은 빛을 받을 수 있어 광합성이 활발해진다. 이러한 효과는 특히 잎이 촘촘하게 밀집된 숲이나, 그늘이 많은 식생에서 "산란광(Ddif)"의 혜택이 더 크게 나타나며, 이는 기존 생태학 연구들이 밝혀온 결과와도 일치한다. 특히 여름철에는 에어로졸 농도가 증가함에 따라 "산란광(Ddif)"이 많아지고, 그에 따라 그늘진 잎의 광합성도 증가하는 "산란광 비옥화 효과(Diffuse Fertilization Effect)"가 나타난다.
| 도시·농경지·초지별 탄소흡수 패턴 분석
연구는 한반도, 중국, 몽골 등 동아시아 지역의 52개 플럭스 타워 관측 자료를 기반으로, 도시, 농경지, 산림, 초지 등 다양한 토지 이용 유형에 따른 시간대별 "식생의 탄소흡수량(GPP)" 패턴을 시계열로 분석하였다. 분석 결과, 농경지와 숲에서는 한국시간(KST) 기준 12시에서 14시 사이에 광합성이 최고조에 달했으며, 이는 이 시간대에 태양 복사량이 가장 높은 점과 관련이 있는 것으로 보인다. 반면, 초지에서는 시간대별 "식생의 탄소흡수량(GPP)" 변화폭이 상대적으로 작았다. 초지의 식생은 밀도가 낮고 햇빛에 잘 적응된 식물 위주로 구성되어 있어, 광량이 증가해도 광합성이 크게 증가하지 않는다. 또한 초지는 그늘이 적기 때문에 "산란광(Ddif)"의 효과 역시 제한적이며, 이러한 구조적 특성이 초지에서의 탄소흡수량이 시간대에 따라 비교적 일정하게 유지되는 이유로 해석된다.
| 기후변화 속 생태계 탄소순환 이해에 핵심 도구 될 것
연구진은 “이번 기술은 동아시아의 생태계가 기후 및 대기환경 변화에 어떻게 반응하는지를 시간 단위로 포착할 수 있게 해준다”며, “고정위성 자료와 인공지능, 그리고 해석 가능한 AI 기법을 적용한 "식생의 탄소흡수량(GPP)" 예측은 앞으로 탄소순환 모델링과 기후 정책 수립에 중요한 기반이 될 수 있다”고 밝혔다. 앞으로 인공지능을 이용한 탄소흡수 연구가 확장된다면, 탄소흡수원 확대를 위한 지역 선정과 탄소흡수원 보호 정책에 핵심적 기여를 할 수 있을 것으로 기대된다.
| 참고 문헌
Bae, S., Son, B., Sung, T., Kang, Y., & Im, J. (2025). Advancing hourly gross primary productivity mapping over East Asia using Himawari-8 AHI and artificial intelligence: Unveiling the impact of aerosol-induced radiation dynamics. Remote Sensing of Environment, 323, 114735.
| 정지위성 데이터와 AI로 시간대별 광합성 정밀 분석
| 산란광(Ddif)을 고려한 인공지능 모델, 기존 예측모델 뛰어넘다
연구진은 일본 기상청의 고정위성 Himawari-8에서 10분 단위로 수집되는 관측 데이터를 활용해, 기계학습 기반의 Light Gradient Boosting Machine(LGBM) 모델을 구축했다. 이 모델은 시간대별 태양 고도와 "에어로졸 광학두께(Aerosol Optical Depth, AOD)"를 함께 반영해 기존 예측 모델들이 간과해온 산란광의 영향을 모델링할 수 있도록 설계되었다. AOD란 대기 중 "에어로졸(미세먼지, 황사, 연무 등 입자상 물질)"이 태양빛을 얼마나 흡수하거나 산란시키는지를 나타내는 지표이며, 쉽게 말해 하늘이 얼마나 뿌연지를 수치로 표현한 값이다. 그 결과 "식생의 탄소흡수량(GPP)"을 예측하는 기존의 선형회귀나 머신러닝 모델 대비 평균 3~8% 예측오차가 감소했다. 이번 모델의 성능은 R² 0.815, RMSE 2.85 μmol CO₂/m²/s로 평가됐다.
| 에어로졸의 산란효과, 아침·저녁 시간 식생 광합성에 큰 영향
모델 해석을 위해 "SHAP(Shapley Additive Explanation)"를 도입한 결과, 에어로졸이 햇빛을 산란시키는 효과는 특히 오전과 저녁 시간대에 "식생의 탄소흡수량(GPP)" 증가에 기여하는 것으로 나타났다. 이는 햇빛의 입사각이 낮아지는 오전과 저녁 시간대에 "산란광(Ddif)"의 비율이 높아지기 때문이며, 그 결과 그늘진 잎까지도 더 많은 빛을 받을 수 있어 광합성이 활발해진다. 이러한 효과는 특히 잎이 촘촘하게 밀집된 숲이나, 그늘이 많은 식생에서 "산란광(Ddif)"의 혜택이 더 크게 나타나며, 이는 기존 생태학 연구들이 밝혀온 결과와도 일치한다. 특히 여름철에는 에어로졸 농도가 증가함에 따라 "산란광(Ddif)"이 많아지고, 그에 따라 그늘진 잎의 광합성도 증가하는 "산란광 비옥화 효과(Diffuse Fertilization Effect)"가 나타난다.
| 도시·농경지·초지별 탄소흡수 패턴 분석
연구는 한반도, 중국, 몽골 등 동아시아 지역의 52개 플럭스 타워 관측 자료를 기반으로, 도시, 농경지, 산림, 초지 등 다양한 토지 이용 유형에 따른 시간대별 "식생의 탄소흡수량(GPP)" 패턴을 시계열로 분석하였다. 분석 결과, 농경지와 숲에서는 한국시간(KST) 기준 12시에서 14시 사이에 광합성이 최고조에 달했으며, 이는 이 시간대에 태양 복사량이 가장 높은 점과 관련이 있는 것으로 보인다. 반면, 초지에서는 시간대별 "식생의 탄소흡수량(GPP)" 변화폭이 상대적으로 작았다. 초지의 식생은 밀도가 낮고 햇빛에 잘 적응된 식물 위주로 구성되어 있어, 광량이 증가해도 광합성이 크게 증가하지 않는다. 또한 초지는 그늘이 적기 때문에 "산란광(Ddif)"의 효과 역시 제한적이며, 이러한 구조적 특성이 초지에서의 탄소흡수량이 시간대에 따라 비교적 일정하게 유지되는 이유로 해석된다.
| 기후변화 속 생태계 탄소순환 이해에 핵심 도구 될 것
연구진은 “이번 기술은 동아시아의 생태계가 기후 및 대기환경 변화에 어떻게 반응하는지를 시간 단위로 포착할 수 있게 해준다”며, “고정위성 자료와 인공지능, 그리고 해석 가능한 AI 기법을 적용한 "식생의 탄소흡수량(GPP)" 예측은 앞으로 탄소순환 모델링과 기후 정책 수립에 중요한 기반이 될 수 있다”고 밝혔다. 앞으로 인공지능을 이용한 탄소흡수 연구가 확장된다면, 탄소흡수원 확대를 위한 지역 선정과 탄소흡수원 보호 정책에 핵심적 기여를 할 수 있을 것으로 기대된다.
| 참고 문헌
Bae, S., Son, B., Sung, T., Kang, Y., & Im, J. (2025). Advancing hourly gross primary productivity mapping over East Asia using Himawari-8 AHI and artificial intelligence: Unveiling the impact of aerosol-induced radiation dynamics. Remote Sensing of Environment, 323, 114735.