[붙임] 연구결과 개요

1.연구배경

기후변화 대응과 탄소중립 실현이 세계적인 과제로 부상하면서, 식생의 광합성 작용을 정밀하게 모니터링하는 기술의 중요성이 커지고 있다. 광합성은 식물이 대기 중 이산화탄소를 흡수해 유기물을 생성하는 과정으로, 지구 생태계의 탄소 순환과 직결된다.이 가운데 식생이 흡수한 탄소량을 정량화한 총일차생산량(GPP, Gross Primary Production) 생물권의 탄소 흡수 능력을 계량하는 대표 지표로 활용된다.그러나 지금까지의 GPP 추정은 대부분 극궤도 위성의 낮은 관측 빈도(1~4회/일)에 의존해 왔으며, 이로 인해 시간 단위의 대기환경 변화가 광합성에 미치는 영향을 포착하기에는 한계가 있었다. 특히, 미세먼지를 포함한 에어로졸(Aerosol)은 햇빛을 흡수하거나 산란시켜 식물의 광합성에 직·간접적인 영향을 주는 것으로 알려졌지만, 이 영향을 시간대별로 정량적으로 추적할 수 있는 기술은 부재한 상황이었다. 이에 따라, 고빈도 위성 관측 자료와 인공지능 기법을 결합해, 시간 단위의 광합성 반응을 정밀 분석할 수 있는 고해상도 모니터링 기술 개발이 시급한 과제로 대두되었다.

2.연구내용

연구팀은 일본 Himawari-8 정지궤도 위성의 10분 간격 고빈도 복사·기상 관측 데이터와 인공지능(AI) 기반 기계학습 기법을 결합해, 1시간 단위로 식생의 GPP를 정밀하게 추정할 수 있는 분석 모델을 개발했다.

이 모델은 광합성에 영향을 주는 다양한 환경 요인 중에서도, 에어로졸 광학두께(AOD, Aerosol Optical Depth)를 주요 변수로 활용했다. AOD는 대기 중 미세먼지와 같은 에어로졸이 햇빛을 얼마나 흡수하거나 산란시키는지를 나타내는 위성 지표로, 이를 통해 산란 복사(Diffuse Radiation)가 식생 광합성에 미치는 영향을 시간 단위로 정밀 분석할 수 있었다.

연구팀은 AI가 예측에 어떤 변수를 기반으로 판단했는지를 SHAP(Shapley Additive Explanations) 기법으로 해석함으로써, 예측 결과의 타당성과 해석 가능성을 함께 확보했다.그 결과, 아침과 해 질 무렵 시간대에 AOD가 광합성 예측에 가장 큰 영향을 미치는 변수로 나타났다.

개발된 AI 기반 모델은 기존의 경험적 GPP 추정 방식보다 시간 해상도와 정확도 모두에서 우수한 성능을 보여주며, 광합성 변화의 시계열 추적을 가능케 했다.

3.기대효과

해당 기술은 식생의 광합성 변화와 탄소 흡수 능력을 정밀하게 평가할 수 있어 기후변화 연구와 탄소중립 정책 수립에 기여할 것으로 기대된다. 또한, 대기-지면 탄소 유동의 관점에서 에어로졸 등 대기오염물질의 영향 분석에 대한 방향성 제시로 폭넓은 환경적·사회적 가치를 창출할 것으로 전망된다.

[붙임] 용어설명

1.총일차생산량(GPP, Gross Primary Production)

식물이 광합성을 통해 대기 중 이산화탄소를 흡수해 만들어내는 유기 탄소량. 생태계가 이산화탄소를 얼마나 흡수하는지를 나타내는 핵심 지표로, 탄소순환 및 기후변화 연구에 활용됨.

2.에어로졸 광학두께 (AOD, Aerosol Optical Depth)

대기 중 부유하는 미세먼지나 에어로졸이 햇빛을 얼마나 흡수하고 산란시키는지를 나타내는 위성 관측 지표. 값이 클수록 태양광이 지표에 도달하기 어려워 광합성에 영향을 줄 수 있음.

3.설명 가능한 인공지능 (XAI, Explainable Artificial Intelligence)

인공지능이 어떤 이유로 특정 예측을 내렸는지 인간이 이해할 수 있도록 설명하는 기술. 연구에서는 SHAP 분석 기법을 통해 AI 모델이 예측에 활용한 변수의 영향력을 해석함.

4.히와마리 위성(Himawari-8)

일본 기상청이 운영하는 정지궤도 위성. 동아시아 지역을 대상으로 10분 간격의 고빈도 기상·복사 관측 데이터를 제공하며, 기상 예측뿐만 아니라 대기환경 분석에도 활용됨.

[붙임] 그림설명

그림. AI 기반 일간 광합성 모니터링과 미세먼지의 영향 분석 (좌측) AI 모델의 예측 결과와 실제 관측값을 비교한 그래프. 하루 동안의 시간대별 광합성량(GPP) 변화를 4개 관측지점에서 확인할 수 있으며, AI 모델이 시간대별 특성을 정밀하게 재현하고 있음을 보여준다. (중앙) AI를 기반으로 생성된 시간 단위 GPP 추정 지도. 동아시아 전역에서 하루 24시간 동안 식물이 흡수하는 이산화탄소의 양을 시간 순서대로 시각화한 것. (우측) 에어로졸(AOD)이 시간대별로 광합성에 미치는 영향을 정량 분석한 결과. 상단 그래프(a)는 AOD의 상대적 영향력이 아침과 저녁에 가장 높게 나타나는 것을 보여주며, 하단 그래프(c)는 계절별로 AOD가 광합성에 미치는 영향의 변동성을 나타낸다.