광합성에 의한 탄소 흡수는 탄소 순환의 핵심 과정으로 지구 대기 중 이산화탄소(carbon dioxide, CO₂)의 농도를 조절하는 데 중요한 역할을 한다. 그러나 1950년대 이후 급격히 증가한 CO₂ 배출로 인해 탄소 순환의 자연적 균형이 무너지면서 대기 중 CO₂ 농도가 지속적으로 상승하고 있다. 이러한 불균형은 지구 기후 변화의 주요 원인으로 대기 중 높은 CO₂ 농도는 온실 효과를 증대시켜 지구 온난화를 가속화하고 이에 따른 다양한 환경 문제를 야기한다(Boesch et al., 2021). 이러한 문제를 해결하려면 자연림, 해양, 열대 농지 등 대규모 생태계의 탄소 흡수원 역할에 대한 심층적인 이해가 필요하다. 지상 생태계와 대기 중 CO₂ 농도 간의 교환 과정을 이해하는 것은 기후 변화 문제 해결의 필수 요소이다. 따라서 이러한 교환의 분포와 변동을 지속적으로 추적할 수 있는 기술의 개발이 시급하다. 많은 선행 연구들은 생태계의 주요 지표를 분석함으로써 이산화탄소(CO₂)와 지상 생태계 간의 동적 상호작용에 대한 심도 있는 연구가 활발히 진행되어 왔다(Yun et al., 2020; Albright et al., 2022; Sun et al., 2019). 그러나 동아시아 전 지역을 대상으로 한 연구는 상대적으로 부족한 실정이다. 동아시아는 전 세계 탄소 순환에 중대한 영향을 미치며 세계에서 가장 큰 탄소 배출원 중 하나로 널리 알려져 있다. 이 지역은 광범위한 산업 활동, 높은 인구 밀도 그리고 급속한 경제 발전으로 인해 전 세계 CO₂ 순환에 실질적으로 기여하고 있으며(Boesch et al., 2021), 이러한 상황은 기후 변화에 대한 심각한 도전 과제가 되고 있다.

따라서 동아시아 지역의 탄소 흐름을 이해하고 이를 해결하는 것은 기후 변화 완화 및 전 세계 탄소 예산 관리의 핵심적인 요소로 부각되고 있다. 이 지역의 탄소 배출 및 흡수 메커니즘을 정확히 규명하는 것은 기후 정책 수립과 실행에 있어 필수적이며, 지속 가능한 발전을 위한 과학적 기초를 제공할 것이다. 지난 20년간 위성 기술의 발전은 온실가스 측정에서 상당한 진전을 이루어, 지상 기반 관측의 한계를 뛰어넘는 전 지구적 감시 기능을 하고 있다. 2009년 GOSAT 위성 발사 이후, 위성 데이터는 전 세계 대기 중 CO₂ 농도 연구에 중요한 역할을 하고 있다. 이러한 데이터 세트는 특히 지상 기반 모니터링이 부족한 지역에서 전 세계 CO₂ 농도의 고유한 패턴과 변화를 감지하는 데 유용하다. 그러나 위성으로부터 추출된 온실가스 추정치는 공간 해상도, 지표 및 대기 조건, 추정 모델 등 여러 요인의 영향을 받아 불확실성을 동반할 수 있다. 이에 따라 많은 연구가 위성 기반 온실가스 데이터를 검증하고 있으며, 이러한 불확실성을 최소화하기 위한 철저한 검증 과정이 데이터 활용에 선행되어야 한다(Zheng et al., 2023; Liang et al., 2016; Thompson et al.,2012; Bi et al., 2018; Karbasi et al., 2022; Zhou et al., 2022).

본 연구에서는 지상기반 온실가스 관측 자료(Total Carbon Column Observing Network, TCCON)를 활용 GOSAT, GOSAT-2, OCO-2, OCO-3 등 4개의 위성 자료 검증을 수행하였으며 이를 통해 자료의 신뢰성을 평가하였다. 이를 활용해 동아시아 지역의 대기 중 CO₂ 농도와 태양 유도 형광(Solar-Induced Fluorescence, SIF) 간의 관계를 분석하였으며, 여러 위성 소스의 데이터를 통합함으로써 대기 중 CO₂ 변화와 지상 생태계의 광합성 활동 간의 상호작용을 보다 정확하게 평가할 수 있었다. 이러한 통합적 접근은 동아시아 전역의 생태계와 기후 변화 간의 복잡한 상호작용을 이해하는 데 중요한 기초를 제공한다.

Table 1 . Summary of satellite data used in this study.

Title	GOSAT	GOSAT-2	OCO-2	OCO-3	MODIS (Terra, Aqua)
Launched	Jan 2009	Oct 2018	July 2014	May 2019	Dec 1999, May 2002
Spatial resolution	10.5 km	3 × 3 km	1.29 × 2.25 km	1.29 × 2.25 km	250 m, 500 m, 1 km
Orbital period	98.1 min	98.1 min	98.8 min	93 min	99 min
Recurrent period	3 days	6 days	16 days	3 days	16 days

2.1. 연구 자료

2.1.1. GOSAT

2009년 1월, 일본 우주항공연구개발기구(Japan Aerospace Exploration Agency, JAXA)는 이산화탄소(CO₂) 및 메탄(CH₄)과 같은 온실가스를 측정하기 위해 설계된 최초의 온실가스 관측 위성(GOSAT)을 발사하였다. 이 위성은 태양 동기 궤도에서 운영되며, 지상 관측 지역은 10.5 km로 설정되어 있어 3일마다 전 세계를 관측한다. GOSAT의 주요 센서인 Thermal And Near-infrared Sensor for carbon Observation-Fourier Transform Spectrometer (TANSO-FTS)와 TANSO Cloud and Aerosol Imager (TANSO-CAI)는 각각 상세한 온실가스 측정 데이터와 구름 및 에어로졸(aerosol) 이미지를 제공하여 전체 데이터의 정확도를 향상시키는 데 기여한다. TANSO-FTS는 고해상도 스펙트럼 데이터를 통해 대기 중 온실가스 농도의 정밀한 측정을 가능하게 하며, TANSO-CAI는 대기 상황을 명확히 파악함으로써 측정 데이터의 질을 높이는 중요한 역할을 한다(Zheng et al., 2023; Qu et al., 2013; Kong et al., 2019).

2.1.2. GOSAT-2

2018년 10월에 출시된 GOSAT-2는 기존 GOSAT의 기능을 한층 향상시키기 위해 설계되었다. GOSAT-2는 센서의 신호 대 잡음비(signal-to-noise ratio)를 개선함으로써 고위도 지역에서의 온실가스 농도 분석의 정확성을 높였다. 이로 인해 보다 정밀한 데이터 수집이 가능해졌다. GOSAT-2는 또한 구름을 회피하는 기능과 더불어 일산화탄소(CO) 및 블랙카본(black carbon) 에어로졸과 같은 추가 온실가스를 측정할 수 있는 지능형 메커니즘을 탑재하고 있다. 이러한 기능은 인간 활동 및 바이오매스(biomass) 연소의 평가에 기여하며, 보다 포괄적인 대기질 모니터링을 가능하게 한다. GOSAT-2의 이러한 혁신적인 기술들은 기후 변화 연구와 관련된 다양한 분야에서 중요한 데이터 소스로 자리잡고 있으며, 지속 가능한 환경 관리를 위한 기초 자료로 활용될 수 있다(Imasu et al., 2023).

2.1.3. OCO-2

2014년 2월에 발사된 미국 항공우주국(National Aeronautics and Space Administration, NASA)의 Orbiting Carbon Observatory-2 (OCO-2)는 대기 중 이산화탄소(CO₂)를 관측하기 위해 특별히 설계된 위성이다. 이 위성은 세 개의 스펙트럼 채널을 활용하여 CO₂ 및 O₂ 농도를 고정밀로 측정하며, 16일마다 1.29 × 2.25 km의 공간 해상도로 전 세계를 관찰할 수 있다. OCO-2의 정밀한 측정 기능은 1 ppm 미만의 오차로 CO₂ 변화를 감지할 수 있게 하여 대기 중의 CO₂ 농도 변화에 대한 세밀한 분석을 가능하게 한다(Zheng et al., 2023; Taylor et al., 2023).

2.1.4. OCO-3

2019년 5월에 발사된 궤도 탄소 관측 위성 3호(Orbiting Carbon Observatory-3, OCO-3)는 이산화탄소(CO₂) 모니터링 기능을 향상시키기 위해 스냅샷 영역 지도(Snapshot Area Mapping, SAM) 및 목표 모드 측정을 도입하였다. 이러한 기술적 발전은 고해상도의 공간 데이터를 제공함으로써 대기 중 이산화탄소 농도의 변화를 보다 정밀하게 추적할 수 있도록 한다. OCO-3는 OCO-2보다 더 큰 관측 크기를 사용하여 배출 지점과 도시 지역에 대한 CO₂의 상세한 지도를 제공한다. 이러한 기능을 통해 OCO-3는 보다 광범위한 데이터를 수집하여 CO₂ 농도를 세밀하게 모니터링 할 수 있으며, CO₂ 농도의 변동을 보다 정밀하게 분석하는 데 기여한다. 이 데이터는 기후 변화 연구 및 정책 결정에 중요한 정보를 제공하는 데 활용된다(Taylor et al., 2020; Eldering et al., 2019; Basilio et al., 2019).

2.1.5. GOSIF

광합성 과정에서 식물 잎에서 방출되는 태양 유도 엽록소 형광(SIF)은 식물의 광합성 활동을 나타내는 중요한 지표이다(Mohammed et al., 2019). OCO-2는 온실가스 모니터링을 위해 Normalized Difference Vegetation Index (NDVI) 및 SIF와 같은 다양한 식생 지수를 수집하지만 SIF 제품은 공간 및 시간적 해상도가 제한적이라는 단점이 있다. 이러한 한계를 극복하기 위해 본 연구에선 뉴햄프셔(New Hampshire)대학교에서 Cubist 회기 트리(Tree) 모델을 기반으로 개발한 GOSIF 데이터 세트가 활용되었다. 이 데이터는 ‘Global Ecology Group’ (Jing, 2002)에서 수집되었으며, Enhanced Vegetation Index (EVI), 토지 피복 유형, 대기 온도, Vapor Pressure Deficit (VPD) 그리고 Photosynthetically Active Radiation (PAR)과 같은 다양한 변수를 통합하여 고해상도 SIF 데이터를 제공한다. Cubist 회귀 트리 모델을 통해 산출된 GOSIF 자료는 보다 정확하고 미세한 SIF 추정을 가능하게 하며, 이로 인해 생태 및 환경 연구에서 유용한 자원으로 자리 잡을 수 있다(Guanter et al., 2014; Qiu et al., 2020).

2.1.6. MODIS

NASA는 1999년과 2002년에 각각 Moderate Resolution Imaging Spectroradiometer (MODIS) 장비가 장착된 Terra 위성과 Aqua 위성을 발사했다. 이 위성들은 대기, 육지, 해양과 관련된 광범위한 연구에 필수적인 정보를 제공하는데 중요한 역할을 한다. Terra와 Aqua에 탑재된 MODIS는 0.4~14.4 μm에 이르는 36개 스펙트럼 대역의 데이터를 파장으로 관측하며, 대략 1~2일마다 관측할 수 있다(Guo et al., 2012). MODIS 자료는 500 m 해상도의 전 세계적인 토지 피복 상태에 대한 정보를 제공하여 기후, 생태계 모니터링 등 여러분야에 활용될 수 있다(Guo et al., 2012).

2.1.7. TCCON

TCCON은 근적외선 스펙트럼 영역에서 태양 스펙트럼을 관측하기 위해 푸리에 변환 분광기(FTS)를 활용한다. TCCON 데이터는 매우 높은 정확도의 CO₂ 관측을 제공하므로 지상 기반의 CO₂ 연구에 필수적인 자원으로 자리잡고 있다. 전 세계 다양한 위치에 TCCON 관측소의 지리적 분포는 위성 데이터의 검증을 위한 효과적인 자료를 제공하며, 이는 온실가스 측정의 정확성을 높이는데 기여한다. TCCON은 2004년 단일 관측소로 시작하여 현재 전 세계 31개국으로 네트워크를 빠르게 확장하고 있다(Labzovskii et al., 2021). TCCON은 이산화탄소(CO₂), 메탄(CH₄), 일산화탄소(CO) 등 주요 온실가스의 평균 농도를 측정하는 데 중점을 두고 있다(Toon et al., 2009). 본 연구에서는 위성 검증을 수행하기 위해 총 10개의 TCCON 관측소의 데이터를 활용하였으며, 이들 관측소의 위도 및 경도 정보는 Table 2에 정리하였다. 이러한 데이터 활용은 위성 관측 결과의 신뢰성을 높이고 지상 생태계와 대기 간의 복잡한 상호작용에 대한 이해를 증진하는 데 기여한다.

Table 2 . TCCON sites information used to validate.

Site	Full name	Latitude	Longitude
Pr	Paris, France	48.84	2.36
Rj	Rikubetsu, Japan	43.46	143.77
Tk	Tsukuba, Japan	36.05	140.12
Wg	Wollongong, Australia	-34.41	150.88
Db	Darwin, Australia	-12.46	130.92
Gm	Carmisch, Germany	47.48	11.06
js	Saga Uni, Japan	33.24	130.29
Ka	Karlsruhe, Germany	49.1	8.44
Or	Orléans, France	47.96	2.11
Hf	Hefei, China	31.91	117.17

2.2. 연구 방법

2.2.1. Cross Validation

본 연구에서는 4개의 위성 데이터 검증을 위해 전 세계에 분포한 10개 TCCON 사이트의 관측 데이터를 활용하였다. 검증 기간은 2019년부터 2022년까지로 설정하였으며, 이 기간 동안 4개의 위성(GOSAT, OCO-2, GOSAT-2, OCO-3) 데이터를 모두 사용할 수 있는 연도를 선택하였다.

위성 데이터와 지상 관측 간 비교에서 공간 및 시간 해상도의 차이가 존재할 수 있으므로 직접적인 비교는 어렵다는 점이 선행 연구에 의해 제기된 바 있다(Kataoka et al., 2017). 이러한 한계를 극복하고 신뢰성 있는 검증을 수행하기 위해, 본 연구에서는 위성 데이터를 각 지상 관측 위치로부터 ±1° 반경 내에서 자료를 평균화하여 대표값으로 사용하였다. 이와 같은 공간적 평균화는 위성간의 공간 해상도 차이로 인해 발생할 수 있는 불일치를 완화하였으며, 또한 지상 기반 관측과 위성 관측 간의 시간차로 인한 오류를 줄이기 위해 지상 관측 시간으로부터 ±30분 이내에 수집된 위성 데이터를 이용하여 평균값을 적용하였으며, 이를 통해 각 데이터 세트 간의 오류를 최소화하고, 위성 데이터가 지상 관측 조건을 정확하게 반영할 수 있도록 하였다.

2.2.2. Compositing and Detrending Carbon Dioxide Datasets

위성 자료의 좁은 관측 폭과 제한된 재방문 주기로 인해 전 지구적 관측 범위에는 상당한 공간적, 시간적 격차가 발생할 수 있다. 이러한 한계를 극복하기 위해 국가기상위성센터는 국외 온실가스 위성영상을 산술평균하여 합성하였으며 해당 데이터는 기상청 누리집을 통해 해당 자료를 서비스 중에 있다(https://nmsc.kma.go.kr). 이 접근 방식은 여러 데이터 소스를 통합하여 관측간 격차를 해소하고 보다 포괄적이고 연속적인 CO₂ 농도 변화를 분석할 수 있도록 한다. 구체적으로 서로 다른 공간 해상도를 가진 여러 위성 데이터를 동일한 1° × 1° 그리드(grid)로 변환하여 10일 주기로 이동평균하여 생산하였다. 이러한 공간적 통합을 통해 위성 간 해상도 차이를 제거하고 더 연속적인 지구 관측을 가능하게 하였다.

또한, 식생 지수와 계절변동성을 평가하기 위해 CO₂ 농도에서 관찰되는 장기적인 상승 추세를 제거하여 수행하였다. 이러한 장기 상승 추세는 기존 대기 중 잔존하는 온실가스 기체에 화석 연료의 연소 등 인간 활동에 의해 지속적으로 축척되어 야기되며, 이러한 추세 성분 제거 방식을 통해 연구의 초점이 CO₂ 농도의 그 자체 변화와 계절 변동성에 대한 평가로 맞춰질 수 있도록 하였다(Jiang et al., 2021; Albright et al., 2022).

3.1. Cross Validation Results

위성 데이터와 지상 관측 데이터의 시공간 조정을 통해 네 위성의 데이터는 TCCON 지상 관측 데이터와 비교적 높은 일관성을 보였다. GOSAT의 경우 0.835의 상관관계가 도출되었으며, 이는 Zheng et al. (2023)의 연구와도 일치하는 결과를 보여주었다. OCO-2는 0.885의 상관관계를 보였으며, 네 위성 중 가장 작은 0.155의 편차를 나타내었다. 특히, OCO-2는 0.885로 매우 높은 상관관계를 나타내었으며(Fig. 2), 이는 지상 관측과의 비교에서 가장 우수한 성능을 보여주었다. 또한, GOSAT-2와 OCO-3를 비교한 결과, GOSAT-2는 0.8의 상관관계로 OCO-3의 0.7보다 우수한 성능을 보였으나 10개 데이터 세트의 평균에서 GOSAT-2가 2.47로 OCO-3보다 큰 편차를 나타냈다(Table 3). 위성에서 관측된 CO₂ 값과 TCCON에서 측정된 값 사이에는 다소의 차이가 존재하였으나 대체로 높은 수준의 상관관계가 확인되었으며, 이는 위성 기반 이산화탄소 관측이 대기 중 CO₂ 농도를 정확하고 일관되게 반영할 수 있음을 보여준다.

Figure 1. Validation results from four satellite observations: (a) GOSAT, (b) GOSAT, (c) OCO-2, and (d) OCO-3.

Figure 2. Distribution map of the study area. (a) Land use patterns in East Asia in 2020 using MODIS data. (b) Spatial distribution of solar-induced fluorescence (SIF) index in East Asia during active vegetation growth season in July 2020. In Fig. 2(a), “A” stands for desert regions, “B” for grasslands, “C” for Savannas, “D” for agricultural land, and “E” for forested areas.

Table 3 . Validation results with 10 TCCON sites.

GOSAT
RMSE	2.70	2.20	1.59	1.56	2.60	1.42	2.51	2.14	2.67	1.80
BIAS	-1.67	0.53	0.51	-0.43	-1.35	0.07	1.30	0.37	-1.75	-0.43
CORR	085	0.90	0.86	0.84	0.46	0.94	0.8	0.83	0.89	0.85
RPD	-0.41	0.13	0.12	-0.10	-0.33	0.02	0.31	-0.09	-0.43	-0.10
GOSAT-2
RMSE	3.81	3.37	2.72	2.83	2.92	3.43	4.02	3.46	2.76	4.18
BIAS	2.07	2.83	2.42	1.77	1.39	1.98	3.59	2.56	2.27	3.79
CORR	0.70	0.93	0.92	0.79	0.52	0.80	0.87	0.83	0.91	0.85
RPD	0.50	0.68	0.58	0.43	0.33	0.48	0.86	0.62	0.55	0.91
OCO-2
RMSE	1.42	1.60	1.12	2.13	2.02	2.34	1.73	1.99	1.69	1.37
BIAS	0.21	-0.31	0.29	-0.85	-1.36	0.01	0.39	-0.21	-0.20	0.86
CORR	0.91	0.94	0.96	0.68	0.67	0.81	0.88	0.82	0.73	0.96
RPD	0.05	-0.08	0.07	-0.21	-0.33	0.001	0.09	-0.05	-0.05	0.21
OCO-3
RMSE	2.10	4.8	0.88	1.90	2.89	6.35	1.99	1.94	4.13	1.96
BIAS	-0.68	-1.25	-0.05	-1.04	-1.55	-1.89	0.30	-0.28	-0.45	1.16
CORR	0.88	0.58	0.93	0.66	0.28	0.34	0.88	0.83	0.73	0.93
RPD	-0.17	-0.31	-0.01	-0.26	-0.38	-0.47	0.07	-0.07	-0.11	0.28
	Pr	Rj	Tk	Wg	Db	Gm	Js	Ka	Or	Hf

3.2. Characteristics of the Vegetation Index on Land Cover

본 연구는 동아시아 5개국(한국, 중국, 일본, 몽골, 대만)을 대상으로 위성 관측에 기반한 SIF 분포와 MODIS 토지 유형 자료를 결합하여 육상 생태계가 대기 중 이산화탄소 농도 변화에 미치는 영향을 평가하였다. MODIS의 토지 유형 자료는 16개의 세부 유형으로 분류되어 있으나 본 연구에서는 유사한 생태적 특성을 공유하는 상록 침엽수림(evergreen needle leaf forest)과 혼합림(mixed forest) 등의 유형을 통합하여 총 8개의 토지 유형 그룹으로 재구성하여 분류하였다.

2020년 7월은 해당 지역에서 활발한 식생 성장이 이루어지는 시기로 광범위한 식생 활동의 특성을 반영한다. 특히, 식생이 미미하거나 전무한 사막과 같은 척박한 지역에서는 매우 낮은 SIF 값이 관찰되었는데, 이는 이러한 지역에서 광합성 활동이 거의 이루어지지 않음을 나타낸다. 본 연구에서는 다양한 토지 이용 유형에 따른 SIF 데이터를 정량화하여 광합성 활동에서 나타나는 변화를 비교하였다. 그 결과, 평균 SIF 값에서 유의미한 차이가 확인되었다. 산림(평균 0.45), 경작지(평균 0.33), 사바나(평균 0.37)로 분류된 지역은 다른 토지 이용 유형으로 분류된 지역(평균 0.13)에 비해 평균 0.25 더 높은 SIF 값을 보였다. 이러한 차이는 산림이 우거진 지역, 경작지 그리고 사바나 지역에서 더 높은 광합성 활동이 일어나고 있음을 시사한다.

계절별 SIF 변동성 분석에 따르면 산림 지역과 사바나의 최소 SIF 값은 각각 0.0451과 0.0452로 매우 유사하게 나타났으며, 중앙값 또한 산림 지역은 0.153, 사바나는 0.150으로 경작지의 중앙값인 0.08보다 다소 높게 나타났다. 이러한 값들은 산림과 사바나 지역 모두에서 일정 수준 이상의 광합성 활동이 이루어지고 있음을 시사한다. 특히, 산림 지역의 경우 최대 SIF 값이 0.49에 달해 식물 생장이 가장 활발한 시기에 강력한 광합성 활동이 이루어짐을 보여준다. 이는 산림 지역이 다른 토지 유형에 비해 광합성에 기여하는 바가 크고, 탄소 흡수 및 생태계 내 에너지 흐름에 중요한 역할을 담당하고 있음을 의미한다. 이러한 패턴은 계절 변화에 따른 각 토지 유형의 광합성 반응 차이를 반영한다(Fig. 3).

Figure 3. Box plot of solar-induced fluorescence (SIF) index’s seasonal variation by land use categories from 2019 to 2023.

Figure 4. Seasonal variation between CO₂ concentration and SIF over East Asia.

3.3. Seasonal Variability between SIF and Greenhouse Gas

2019년부터 2023년까지 동아시아 지역의 CO₂ 농도와 SIF 값 간의 피어슨 상관 계수(r)를 확인해 보았을 때 –0.56으로 음의 상관 관계가 도출되었다(Fig. 5a). 식생 지수(SIF)와 이산화탄소(CO₂) 농도 간의 상관관계를 보다 명확히 평가하기 위해 본 연구에서는 먼저 CO₂ 자료의 추세선을 제거하여 2019년부터 2023년까지의 계절성을 평가하였다(2.2.2 참조). 5월에서 9월(여름)동안 동아시아에서 CO₂ 농도와 SIF간에 더 강한 음의 상관관계(–0.60)가 나타났으며, 이는 10월에서 4월(겨울) 기간의 –0.127의 상관 관계와 뚜렷한 차이를 보였다. 이러한 결과는 여름철 식생 성장기의 광합성 활동이 활발해짐에 따라 식물의 CO₂ 흡수량이 증가하고, 이로 인해 대기 중 CO₂ 농도가 감소함을 시사한다(Fig. 5b).

Figure 5. Comparison between carbon dioxide and vegetation index from 2019 to 2023. (a) Correlation between annual CO₂ concentrations and vegetation index in East Asia. (b) Comparison of the correlation between carbon dioxide and photosynthesis index during the period of active vegetation growth (May–September) and slow vegetation growth (October–April).

Figure 6. Variations of monthly carbon dioxide concentrations by land use types in East Asia from 2019 to 2023.

본 연구에서는 MODIS 토지 유형 자료를 활용하여 동아시아 지역의 특정 지표가 밀집된 구역을 선정(A-Dessert, B-Grassland, C-Savannas, D-Agriculture, E-Forest)하여 해당 지역의 대기 중 이산화탄소 농도의 월 평균 변동성을 분석하였다(Fig. 2a). 일반적으로 대기 중 CO₂는 고르게 분포하여 지역적으로 큰 농도 차이를 보이지 않으나 연구 결과 토지 유형에 따라 CO₂ 농도의 연간 상승률에서 유의미한 차이가 관찰되었다. 동아시아 전 지역의 연평균 상승률은 2.69 ppmv/year였으며, 사막 지역의 경우 연평균 상승률인 3.25 ppmv/year와 상대 상승률인 0.78%/year가 관찰되어 가장 높은 상승률을 보여주었다. 이는 사막의 낮은 식생 밀도와 제한적인 광합성 활동으로 인해 CO₂ 농도가 지속적으로 축적되는 결과로 해석된다. 반면, 숲 지역은 가장 낮은 연평균 상승률인 2.10 ppmv/year와 상대 상승률인 0.50%/year를 보였으며, 이는 숲의 높은 광합성 능력과 CO₂ 흡수 역량을 반영하는 결과이다. 이러한 현상은 앞선 연구에서 확인된 높은 식생 지수와 일치하며, 도시 지역은 사막 다음으로 높은 상승률인 2.95 ppmv/year와 상대 상승률인 0.71%/year를 기록하였다. 이는 도시화와 인간 활동에 따른 CO₂ 배출 증가를 반영하며 농경지와 초원은 중간 수준의 상승률을 보였다. 특히, 초원(2.80 ppmv/year, 0.67%/year)은 농경지(2.50 ppmv/year, 0.60%/year)보다 약간 높은 상승률을 나타냈으며, 이러한 결과는 대기 중 고르게 분포한 CO₂ 농도에도 불구하고 각 토지 유형의 특성, 특히 생태계에 따른 CO₂ 농도의 흡수 정도가 다르게 나타날 수 있음을 보여준다. 이는 생태계의 차이가 대기 중 CO₂ 농도 조절에 중요한 역할을 할 수 있음을 시사한다.

기후 변화에 대응하고 대기 중 온실가스를 줄이기 위한 국제적 노력은 온실가스 농도와 자연 생태계의 흡수 메커니즘에 대한 심층적인 이해를 요구하고 있다. 본 연구에서는 GOSAT, GOSAT-2, OCO-2, OCO-3 위성 데이터를 사용하여 대기 중 CO₂ 농도를 지상 기반의 TCCON 데이터를 통해 검증하였다. 이러한 비교는 위성 관측이 높은 신뢰성을 가지고 있음을 뒷받침하였으나, 위성의 좁은 관측 폭과 관측 주기로 인한 공간적, 시간적 제약이 존재하였다. 이를 해결하기 위해 여러 인공위성 자료 합성 방법을 적용하였으며, 이를 통해 관측 공백을 줄이는 데 중점을 두었다.

본 연구에서는 아시아 지역을 대상으로 다양한 토지 피복 유형에 따른 광합성 지수(SIF)와 산화탄소(CO₂) 농도 간의 관계를 분석하였으며, 이를 통해 생태계가 탄소원과 탄소 순환에 중요한 역할을 하고있음을 확인하였다. 연구 결과, 산림 지역에서는 여름철에 SIF 값이 가장 높게 나타났으며, 이는 해당 지역에서 식물이 활발하게 광합성 활동을 수행하고 있음을 시사한다. CO₂ 농도와 SIF 간의 상관관계를 분석한 결과, 전반적으로 두 변수 간에는 음의 상관관계가 관찰되었다. 특히, 여름철 식생 활동이 활발한 시기에는 SIF 값이 증가하고 CO₂ 농도가 감소하는 경향이 뚜렷하게 나타났으며, 이는 식물의 광합성 활동이 대기 중 CO₂를 흡수하여 농도를 낮추는 메커니즘과 일치한다. 또한, 다양한 토지 유형에 따른 CO₂ 농도의 연평균 상승량을 분석한 결과, 사막 지역에서 3.25 ppmv/year로 가장 높은 상승률을 보였으며, 반면 숲 지역은 2.10 ppmv/year로 상대적으로 낮은 상승률을 기록하여, 이들 지역의 광합성 능력의 차이와 CO₂ 흡수 역량 차이를 시사한다.

본 연구는 위성 데이터의 공간적, 시간적 불일치에도 불구하고, 동아시아 지역에서 CO₂와 SIF 간의 상관관계를 명확하게 규명하였다. 다만, 1° × 1°의 공간 해상도는 대규모 분석에 적합하지만 보다 세부적인 지역 연구에는 한계가 있을 수 있다. 향후 연구에서는 위성 데이터의 해상도와 정확도를 향상시키고 인공지능 기법과 같은 기술을 활용하여 위성 간의 불일치를 더욱 효과적으로 보정할 필요가 있다. 이러한 원격탐사 기술의 발전은 CO₂ 변동성에 대한 정밀한 분석을 가능하게 하며, 향후 기후 변화 대응 전략 수립에 중요한 기초 자료를 제공할 것이다.

본 연구는 기상청 R&D 프로그램 「기상위성 예보지원 및 융합서비스 기술개발」(KMA 2020-00120)의 지원으로 수행되었으며, 이에 감사드립니다.

No potential conflict of interest relevant to this article was reported.