Daily Mapping of Methane Emissions from Rice Paddies in South Korea Using Machine Learning with Meteorological, Satellite, and Soil Data

국문 초록 (Abstract)

본 연구는 대한민국 벼 재배지를 대상으로 메탄 배출량을 시간별 및 일별 해상도로 추정하기 위해, 다원 원격탐사 자료와 AutoML 기반 기계학습 기법을 결합한 예측 모형을 개발하였다. 벼논은 농업 부문 메탄 배출의 주요 발생원이나, 기존의 배출계수 기반 접근법은 지역별 환경 조건과 생육 단계에 따른 시간적 변동성을 충분히 반영하지 못하는 한계가 있다. 이에 본 연구는 관측 기반 자료구동 모형을 통해 논 메탄 배출의 시공간 변동성을 정량적으로 재현하고자 하였다.
입력자료로는 위성 기반 식생지수, 재분석 기상자료, 토양 특성 자료와 에디공분산 메탄 플럭스 관측자료를 활용하였다. 시간별 모형은 총 25,051개의 관측치를, 일별 모형은 1,940개의 관측치를 학습 데이터로 사용하였다. Python 기반 AutoML 프레임워크를 적용하여 Random Forest, Gradient Boosting 등 다양한 기계학습 알고리즘과 하이퍼파라미터 조합을 자동 탐색하고, 시간 해상도별 최적 모형을 선정하였다. 구축된 모형을 대한민국 전역 벼논 지역에 적용하여 메탄 배출을 격자 단위로 추정하고, 시간별·일별 배출 지도를 생산하였다.
성능평가 결과, 시간별 모형은 5-fold 교차검증에서 CC 0.867, MAE 32.00 nmol CH₄ m⁻² s⁻¹을 기록했으며, LOYO 검증에서도 CC 0.715로 연도 간 일반화 가능성을 확인하였다. 일별 모형은 교차검증에서 CC 0.897, MAE 26.42 nmol CH₄ m⁻² s⁻¹로 더 높은 예측 성능을 보였고, LOYO에서도 CC 0.819를 유지하여 시간적 일반화 성능이 안정적으로 나타났다. 변수 중요도 분석에서는 토양 온도와 수분 관련 변수가 공통적으로 높은 기여도를 보였으며, 식생지수와 기상 요인의 상대적 중요도는 시간 해상도에 따라 차이를 나타냈다.
추정된 메탄 배출의 시공간 분포에서는 벼 재배 주기에 따른 뚜렷한 계절성이 확인되었다. 비생육기에는 전반적으로 낮은 배출 수준을 유지한 반면, 담수 조건과 고온이 중첩되는 생육 중·후반기에는 배출이 크게 증가하였다. 공간적으로는 특정 평야 지역과 저지대 논에서 반복적으로 높은 배출이 나타났으며, 이는 토양 특성과 기후 조건이 결합된 결과로 해석된다.
본 연구에서 제시한 시간별·일별 이중 해상도 메탄 배출 지도는 국가 온실가스 인벤토리의 시간·공간적 정밀도를 향상시키는 데 기여할 수 있으며, 감축 정책 수립 및 관리 대상지역 선정에 활용 가능하다. 또한 AutoML 기반 기계학습과 다원 자료 융합을 결합한 본 연구의 방법론은 기존 배출계수 기반 추정법의 한계를 보완하는 동시에, 다른 지역 및 농업 생태계로의 확장 가능성을 제시한다.

목차 (Table of Contents)

• 1. Introduction 1
• 2. Data 4
• 2.1. Study Area 4
• 2.2. Datasets 6
• 2.2.1. Ground-based Methane Flux Observations 6
• 2.2.2. Satellite Data 10
• 2.2.3. Meteorological Data 13
• 2.2.4. HWSD Soil Data 15
• 2.2.5. Farm Map : Rice Paddy Masking Data 16
• 3. Methodology 17
• 3.1. Data Preprocessing 19
• 3.1.1. Flux Data Quality Control 19
• 3.1.2. Spatiotemporal Resolution Matching 26
• 3.1.3. Input Variable Suitability 27
• 3.2. Modeling 29
• 3.2.1. Machine Learning Model 29
• 3.2.2. Daily and Hourly Model Development 31
• 3.3. Validation 34
• 3.3.1. Cross-Validation 34
• 3.3.2. Evaluation Metrics 36
• 3.3.3. SHAP Analysis for Variable Importance 39
• 3.4. Methane Mapping Procedure 40
• 3.4.1. Spatial Continuum : Extension of Point-Based Methane Prediction 40
• 3.4.2. Generation of Daily Methane Flux Grid Maps 41
• 4. Results 42
• 4.1. Model Performance 42
• 4.1.1. Daily Model Performance 42
• 4.1.2. Hourly Model Performance 47
• 4.1.3. Model Performance across Environmental Condition Intervals 52
• 4.2. Variable Importance 58
• 4.3. Model Evaluation and Spatial Application for Korean Rice Paddies 63
• 4.3.1. Temporal Evaluation of the Daily Model at the Korean Site 63
• 4.3.2. Spatial Mapping of Monthly Methane Emissions across Korean Rice Paddies 65
• 5. Discussions 68
• 5.1. Trade-offs between Daily and Hourly Models : Accuracy, Efficiency, and Applicability 68
• 5.2. Process Interpretation from Variable Importance across Temporal Resolutions 70
• 5.3. Performance under Different Environmental Regimes 72
• 5.4. Seasonal Coupling between Soil Temperature and CH₄ Fluxes 74
• 5.5. Implications for National-Scale Mapping and Management of Rice Paddy Methane Emissions 76
• 6. Conclusions 78
• 7. References 80