미네소타 트윈 시티 대학(University of Minnesota Twin Cities)의  데이터 연구팀은 지난 30년 이상 동안 호수와 저수지의 변화를 보여주는 최초의 포과적인 글로벌 데이터 세트를 발표했다.

이 데이터는 환경 연구자들에게 인간과 기후변화가 호수와 저수지에 어떤 영향을 미쳤는지 알려줄뿐만 아니라 토지와 담수 사용에 대한 새로운 정보도 제공할 것이다. 또한 이 연구는 기계 학습 기술의 주요한 발전이다.

저수지 및 호수 표면적 시계열(ReaLSAT) 데이터 세트에 관한 이 논문은 최근 네이처(Nature)에서 발행하는 오픈 액세스 저널인 『과학 데이터(Scientific Data)』에 게재됐다.

연구의 주요 내용은 다음과 같다.

ReaLSAT 데이터 세트에는 68만1천137개의 호수 및 북위 50도 남쪽 0.1㎢보다 큰 저수지의 위치와 표면적의 변화가 포함된다. 이전의 가장 포괄적인 데이터베이스인 하이드로레이크(HydroLAKES)는 24만5천420개의 호수와 저수지만 발견했으며, 이 연구에서 고려된 최소 크기를 확인했다.

ReaLSAT는 1984년부터 2015년까지 매월 각 수역의 표면적에 대한 데이터를 제공한다. 이를 통해 시간에 따른 호수 및 저수지 면적의 변화를 수량화할 수 있으며, 이는 기후변화와 토지 사용이 어떻게 담수체를 변화시키는지 이해하는데 핵심이다. HydroLAKES 데이터에는 각 수역에 대한 정적 모양만 포함된다.

RealLSAT 데이터 세트는 8년 간의 연구 결과이다. 이는 환경 과학에서 사용하기 위한 새로운 지식 기반 기계 학습의 적용에서 중요한 이정표를 나타낸다. 기존과 달리, 이 데이터 세트는 기계 학습을 통해 거의 자동으로 확장될 수 있으며 점점 더 개선된 해상도로 제공되는 다양한 지구 관측 데이터에 대해 신속하게 복제할 수 있다.

비핀 쿠마르(Vipin Kumar) 이 연구의 선임 저자이자 리전트 교수(Regents Professor)이자 윌리엄 노리스 컴퓨터 공학부 석좌 교수는 "전 세계적으로 계절적 강우 패턴, 기후의 장기적인 변화 및 인간의 관리 결정에 따라 호수와 저수지가 빠르게 변화하는 것을 목격하고 있다"라며, "이 새로운 데이터 세트는 기후변화와 인간 행동이 전 세계 담수에 미치는 영향을 이해하는데 도움이 된다"고 말했다. 

호수와 저수지의 글로벌 데이터 세트를 구축하고 어떻게 변화하고 있는지에는 위성 이미지와 수역의 물리적 역학에 대한 지식을 결합하는 새로운 유형의 기계 학습 알고리즘이 필요했다.

쿠마르 교수는 "ReaLSAT는 환경 문제가 현재 수많은 과학 응용 분야에서 사용되고 있는 새로운 차원의 지식 기반 기계 학습 알고리즘에 동기를 부여한 빛나는 예이다"라고 말했다.

환경을 연구하는 과학자들은 RealLSAT가 그들의 작업을 개선할 것이라는 데 동의한다.

폴 C핸슨(Paul C. Hanson) 이 연구의 공동 저자이자 위스콘신-매디슨 대학 호소학(Limnology) 센터의 저명한 연구 교수는 "표면 담수의 가용성과 질은 지구의 지속 가능한 사용에 있어 핵심이다"라며,  "ReaLSAT는 단순히 가로놓인 물 픽셀뿐만 아니라 호수와 그 경계에 대한 변화를 보여주기 때문에 이제 전 세계 수십만 개의 호수들과 수질에 대한 생태계 과정을 연결할 수 있다"라고 말했다.

이 연구는 미국 국립과학재단과 NASA의 지원을 받았다. 컴퓨팅 시설에 대한 접근은 미네소타 대학교 슈퍼컴퓨팅 연구소에서 제공했다.

[원문보기]

Data scientists use new techniques to identify lakes and reservoirs around the world

A University of Minnesota Twin Cities-led team of data scientists has published a first-of-its-kind comprehensive global dataset of the lakes and reservoirs on Earth showing how they have changed over the last 30+ years. 

The data will provide environmental researchers with new information about land and fresh water use as well as how lakes and reservoirs are impacted by humans and climate change. The research is also a major advancement in machine learning techniques.

A paper highlighting the Reservoir and Lake Surface Area Timeseries (ReaLSAT) dataset was recently published in Scientific Data, a peer-reviewed, open-access journal published by Nature.

Highlights of the study include:

The ReaLSAT dataset contains the location and surface area variations of 681,137 lakes and reservoirs larger than 0.1 square kilometers south of 50 degrees north latitude. The previous most comprehensive database, called HydroLAKES, had identified only 245,420 lakes and reservoirs for the part of the world and minimum size considered in this study. 

ReaLSAT provides data on the surface area of each body of water for each month from 1984 to 2015. This makes it possible to quantify changes in lake and reservoir area over time, which is key to understanding how changing climate and land use are altering bodies of fresh water. The HydroLAKES data contains only a static shape for each water body.

The ReaLSAT dataset is the culmination of eight years of research. It represents a major milestone in the application of new knowledge-guided machine learning for use in the environmental sciences. Unlike other existing efforts, this dataset can now be extended nearly automatically via machine learning and can be quickly replicated for a wide variety of Earth observation data that are becoming available at increasingly better resolution. 

“Around the world, we are seeing lakes and reservoirs changing rapidly with seasonal precipitation patterns, long-term changes in climate and human management decisions,” said Vipin Kumar, the senior author of the study and Regents Professor and William Norris Endowed Chair in the U of M Department of Computer Science and Engineering. “This new dataset greatly improves the ability of scientists to understand the impact of changing climate and human actions on our fresh water across the globe.” 

Building a global dataset of lakes and reservoirs and how they are changing required a new type of machine learning algorithms that meld knowledge of the physical dynamics of water bodies with satellite imagery.

“ReaLSAT is a shining example where environmental challenges motivated a new class of knowledge-guided machine learning algorithms that are now being used in numerous scientific applications,” Kumar said.

Scientists who study the environment agree that ReaLSAT will improve their work.

“The availability and quality of surface fresh water is central to sustainable use of our planet,” said Paul C. Hanson, a Distinguished Research Professor at the University of Wisconsin-Madison Center for Limnology and a co-author of the study. “Because ReaLSAT shows changes in lakes and their boundaries, rather than just water pixels across the landscape, we can now connect ecosystem process about water quality with hundreds of thousands of lakes around the world.”

The research was supported by the U.S. National Science Foundation and NASA. Access to computing facilities was provided by the University of Minnesota Supercomputing Institute.

-30-

About the College of Science and Engineering

The University of Minnesota College of Science and Engineering brings together the University’s programs in engineering, physical sciences, mathematics and computer science into one college. The college is ranked among the top academic programs in the country and includes 12 academic departments offering a wide range of degree programs at the baccalaureate, master's, and doctoral levels. Learn more at cse.umn.edu.

[출처 = UMN(https://twin-cities.umn.edu/news-events/data-scientists-use-new-techniques-identify-lakes-and-reservoirs-around-world) / 2022년 7월 20일]