녹색 지표의 주요 요인 분석: MODIS 식생 지수 데이터의 공간 변수 선택

Mapping Drivers of Greenness: Spatial Variable Selection for MODIS Vegetation Indices

환경 요인이 식생 상태에 미치는 영향을 이해하는 것은 공간적으로 가변적인 회귀 모델을 통해 가능하지만, 많은 예측 변수가 관련 없을 때 각 예측 변수에 대한 개별 계수 표면을 추정하면 노이즈가 심하고 해석이 어려운 패턴이 나타날 수 있습니다. MODIS 식생 지수 연구를 바탕으로, 우리는 스펙트럼 대역, 생산성 및 에너지 흐름, 관측 기하학, 지표 특성 등 다양한 예측 변수를 검토합니다. 이러한 관계는 수관 구조, 기후, 토지 이용 및 측정 조건에 따라 달라지므로, 방법은 공간적으로 가변적인 효과를 모델링하고 동시에 어떤 예측 변수가 중요한지 식별해야 합니다. 우리는 각 계수 표면이 텐서 곱 B-스플라인 기저 함수를 사용하고 기저 함수 계수에 대한 베이지안 그룹 라쏘 사전 분포를 적용하는 공간적으로 가변적인 계수 모델을 제안합니다. 이 사전 분포는 예측 변수 수준에서 수축 효과를 유도하여 무시할 만한 효과를 0에 가깝게 만들면서 공간적 구조를 유지합니다. 사후 추론은 마르코프 체인 몬테카를로 방법을 사용하며, 각 효과 표면에 대한 불확실성 정량화를 제공합니다. 우리는 유지된 효과를 공간적 유의성 지도를 통해 요약하며, 이는 95% 사후 신뢰 구간이 0을 포함하지 않는 위치를 표시합니다. 또한, 신뢰 구간이 0을 포함하지 않는 위치의 비율을 공간적 포함 확률로 정의합니다. 시뮬레이션을 통해 희소성을 회복하고 예측 성능을 달성했습니다. MODIS 데이터에 적용한 결과, 효과 지도를 통해 다양한 지역에서 지배적인 영향을 미치는 예측 변수들의 간결한 집합을 얻을 수 있었습니다.

Understanding how environmental drivers relate to vegetation condition motivates spatially varying regression models, but estimating a separate coefficient surface for every predictor can yield noisy patterns and poor interpretability when many predictors are irrelevant. Motivated by MODIS vegetation index studies, we examine predictors from spectral bands, productivity and energy fluxes, observation geometry, and land surface characteristics. Because these relationships vary with canopy structure, climate, land use, and measurement conditions, methods should both model spatially varying effects and identify where predictors matter. We propose a spatially varying coefficient model where each coefficient surface uses a tensor product B-spline basis and a Bayesian group lasso prior on the basis coefficients. This prior induces predictor level shrinkage, pushing negligible effects toward zero while preserving spatial structure. Posterior inference uses Markov chain Monte Carlo and provides uncertainty quantification for each effect surface. We summarize retained effects with spatial significance maps that mark locations where the 95 percent posterior credible interval excludes zero, and we define a spatial coverage probability as the proportion of locations where the credible interval excludes zero. Simulations recover sparsity and achieve prediction. A MODIS application yields a parsimonious subset of predictors whose effect maps clarify dominant controls across landscapes.