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.