PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.21475v1cs.LG

토양 수분 추정을 위한 심층 학습: 위성 데이터와 최적 지연 기상 특징의 융합

Deep Learning for Soil Moisture Estimation: Fusing Satellite Data with Optimally-Lagged Meteorological Features

반건조 농업 지역에서 정확한 토양 수분 추정을 위해서는 원격 탐사와 기상 정보를 통합하고, 대기 강제에 대한 토양 수분의 지연된 반응을 고려해야 한다. 본 연구는 기상 변수와 토양 수분 간의 최적 시간 지연(0-30일)과, 표면(10 cm)에서 더 깊은 층(20-50 cm)으로의 수직 수분 전파를 설명하는 층간 지연(0-15일)을 결정하기 위해 교차상관함수(CCF) 방법론을 도입한다. 이 접근법은 스페인 남동부의 7개 농업 플롯에서 검증되었다. 각각 상이한 예측 세분성을 목표로 하는 3가지 심층 학습 아키텍처를 위성 전용부터 위성-기상-깊이 완전 융합까지 5가지 특징 구성 하에서 평가하였다: 각 플롯 내 픽셀별 추정용 CNN, 프레임 수준(일별 플롯 평균) 예측용 LSTM, 슬라이딩 윈도우에서 작동하고 풀링된 다중 패치 학습을 수행하는 CNN-LSTM 하이브리드. 모델은 실제 일반화 성능을 측정하기 위해 홀드아웃 데이터에서 평가되었다. 기상 변수는 위성 전용 기준선 대비 성능을 향상시켰으며, 지하 깊이 정보는 모든 아키텍처에서 결정적이었다. 픽셀별 CNN은 가장 강력한 단일 패치 결과(R^2 = 0.877, RMSE = 2.28)를 달성했으며, 7-패치 평균 R^2는 0.535로, 위성 전용 기준선 대비 +1.00의 개선을 나타냈다. 풀링된 CNN-LSTM 하이브리드는 전체적으로 가장 높은 성능(R^2 = 0.930, CVRMSE = 8.0%)을 얻었다. 이 결과는 대기 및 수직 지하 지연을 명시적으로 모델링하는 것이 정밀 농업을 위한 토양 수분 추정을 실질적으로 개선함을 보여준다.

arXiv:2606.18316v1cs.LG

토양 수분 회귀 및 분류를 위한 데이터 기반 모델 조사

A Survey on Data-Driven Models for Soil Moisture Regression and Classification

토양 수분(SM) 모델링은 비선형 환경 상호작용과 제한된 지상 관측으로 인한 복잡한 시공간 학습 문제이며, 계산 비용과 확장성 한계가 큰 물리 기반 모델과 달리 데이터 기반 AI가 환경 변수와의 경험적 관계를 추출하는 유연한 대안으로 정리된다. 통계 시계열, 지구통계학, 고전 머신러닝, 심층 학습, 확률·베이지안 방법 다섯 범주로 기존 접근을 분류하고, 과거 수분 기록과 기상·식생·지형·토양·위치 데이터를 활용한 회귀·분류 작업을 체계적으로 조망한다.