위성 온실가스 산출의 머신러닝 에뮬레이션: 시간에 따른 안정성

산출 (Retrieval) 알고리즘은 고분해능 분광 위성 복사 측정값으로부터 역문제 (inverse problems)를 해결함으로써 이산화탄소 (CO2) 및 메탄 (CH4)과 같은 온실가스 (GHGs)의 대기 농도를 추정하는 데 사용됩니다. 그러나 이러한 알고리즘은 계산 비용이 많이 들어 대규모의 실시간 추정이 어렵습니다. 따라서 머신러닝 (Machine-learning) 모델이 산출 알고리즘의 빠른 에뮬레이터 (emulators)로서 제안되어 왔습니다. 하지만 기존 연구의 대부분은 훈련 데이터 (training data)와 동일한 기간의 테스트 데이터 (test data)에서만 모델을 평가합니다. 본 연구에서는 온실가스 관측 위성 (GOSAT, Greenhouse Gases Observing SATellite)의 데이터를 사용하여 이러한 에뮬레이터의 시간에 따른 안정성을 연구합니다. 우리는 테스트 기간이 훈련 기간에서 벗어날 때 예측 정확도가 일반적으로 저하됨을 보여줍니다. 또한 시간을 입력 특성 (input feature)으로 포함하는 것이 Lasso 및 신경망 (neural-network) 모델의 XCH4 예측을 실질적으로 개선함을 보여줍니다. 고려된 방법들 중에서, 단순한 Lasso 모델은 신경망과 같은 더 복잡한 방법만큼 또는 그보다 더 나은 성능을 보이며, 시간에 따라 더 안정적인 예측을 생성합니다. 우리는 지상 관측 네트워크인 TCCON (Total Carbon Column Observing Network)을 사용하여 결과를 추가로 검증합니다. TCCON과 매칭된 데이터셋에서, 시간 증강 (time-augmented) Lasso는 XCO2 및 XCH4 모두에 대해 GOSAT와 TCCON 사이의 불일치 (disagreement)와 유사한 수준의 TCCON 대비 오차를 달성합니다.