[논문]DNN 회귀모형을 이용한 산악 지형 토양수분 산정

천범석; 이태화; 김상우; 김종건; 장근창; 천정화; 장원석; 신용철

doi:10.5389/ksae.2020.62.5.093

DNN 회귀모형을 이용한 산악 지형 토양수분 산정
Estimation of DNN-based Soil Moisture at Mountainous Regions 원문보기

한국농공학회논문집 = Journal of the Korean Society of Agricultural Engineers, v.62 no.5, 2020년, pp.93 - 103

천범석 (Major in Agricultural Civil Engineering, School of Agricultural Civil & Bio-Industrial Engineering, Kyungpook National University) , 이태화 (Major in Agricultural Civil Engineering, School of Agricultural Civil & Bio-Industrial Engineering, Kyungpook National University) , 김상우 (Major in Agricultural Civil Engineering, School of Agricultural Civil & Bio-Industrial Engineering, Kyungpook National University) , 김종건 (Department of Regional Infrastructure Engineering, Kangwon National University) , 장근창 (Division of Forest Ecology and Climate Change, National Institute of Forest Science) , 천정화 (Division of Forest Ecology and Climate Change, National Institute of Forest Science) , 장원석 (Division of Public Infrastructure Assessment, Environmental Assessment Group, Korea Environment Institute) , 신용철 (Major in Agricultural Civil Engineering, School of Agricultural Civil & Bio-Industrial Engineering, Kyungpook National University)

Abstract ▼ AI-Helper

In this study, we estimated soil moisture values using the Deep Neural Network(DNN) scheme at the mountainous regions. In order to test the sensitive analysis of DNN scheme, we collected the measured(at the soil depths of 10 cm and 30 cm) soil moisture and DNN input(weather and land surface) data at the Pyeongchang-gun(relatively flat) and Geochang-gun(steep slope) sites. Our findings indicated that the soil moisture estimates were sensitive to the weather variables(5 days-averaged rainfall, 5 days precedent rainfall, accumlated rainfall) and DEM. These findings showed that the DEM and weather variables play the key role in the processes of soil water flow at the mountainous regions. We estimated the soil moisture values at the soil depths of 10 cm and 30 cm using DNN at two study sites under different climate-landsurface conditions. The estimated soil moisture(R: 0.890 and RMSE: 0.041) values at the soil depth of 10 cm were comparable with the measured data in Pyeongchang-gun site while the soil moisture estimates(R: 0.843 and RMSE: 0.048) at the soil depth of 30 cm were relatively biased. The DNN-based soil moisture values(R: 0.997/0.995 and RMSE: 0.014/0.006) at the soil depth of 10 cm/30 cm matched well with the measured data in Geochang-gun site. Although uncertainties exist in the results, our findings indicated that the DNN-based soil moisture estimation scheme demonstrated the good performance in estimating soil moisture values using weather and land surface information at the monitoring sites. Our proposed scheme can be useful for efficient land surface management in various areas such as agriculture, forest hydrology, etc.

주제어

표/그림 (10)

그림 Fig. 1 Study areas for training and validation of DNN model in Pyeongchang-gun and Geochang-gun
표 Table 1 The elevation(m), landuse, sand and clay content(%) in soil of the study sites at where the TDR sensors were installed in the Pyeongchang-gun(PC) and Geochanggun( GC) sites
표 Table 2 Scenarios for the sensitivity analysis of DNN input variables
그림 Fig. 2 Structure of the DNN model
그림 Fig. 3 TDR-based soil moisture in the Pyeongchang-gun and Geochang-gun sites; (a-f) Soil moisture at the soil depth of 10 cm, (g-l) Soil moisture at the soil depth of 30 cm
그림 Fig. 4 The results of sensitivity analysis for DNN input data in Pyeongchang-gun; (a) Scenario 1, (b) Scenario 2, (c) Scenario 3, (d) Scenario 4, (e) Scenario 5, (f) Scenario 6, (g) Scenario 7, (h) Scenario 8
그림 Fig. 5 The results of sensitivity analysis for DNN input data in Geochang-gun; (a) Scenario 1, (b) Scenario 2, (c) Scenario 3, (d) Scenario 4, (e) Scenario 5, (f) Scenario 6, (g) Scenario 7, (h) Scenario 8
그림 Fig. 6 The scatter plots between the TDR-based and DNN-based soil moisture
그림 Fig. 7 Comparison of between the TDR-based and DNN-based soil moisture at the soil depth of 10 cm
그림 Fig. 8 Comparison of between the TDR-based and DNN-based soil moisture at the soil depth of 30 cm

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 평창군 및 거창군 지점을 대상으로 DNN 회귀모형과 기상 및 지표특성 자료를 연계하여 시계열 토양수분을 산정하였다. 평창군 및 거창군 관측 지점의 TDR 센서 (10 cm 및 30 cm 깊이) 토양수분의 변화 특성을 분석한 결과, 지형(고도)적 특성이 산악 지형 토양수분에 큰 영향을 미치는 것으로 나타났다.

제안 방법

민감도 분석에 사용된 DNN 회귀모형의 입력 자료를 이용하여, DNN 회귀모형 기반의 토양수분을 산정하였다. Fig.
민감도 분석은 인자별로 누적하여 Scenarios 1∼8의 상관성을 분석하였으며, Scenarios는 Table 2와 같다.
특히, 산악 지형에 위치하는 평창군 및 거창군 지점의 경우 강우 및 DEM이 DNN 모의 성능에 큰 영향을 미치는 것으로 나타났다. 민감도 분석을 기반으로 평창 및 거창군 지점에서 DNN 회귀모형 기반 10 cm 및 30 cm 깊이에서의 모의토양수분을 산정하였다. 전체적으로 DNN 기반 모의토양수분이 실측토양수분을 잘 반영하는 것으로 나타났으며, 평창군과 비교하여 상대적으로 거창군 지점의 모의값이 실측값과 매우 유사한 것으로 나타났다.
본 연구에서는 지표특성 (경사도 및 피복)에 따른 강원도 평창군과 경상남도 거창군의 실측토양수분을 분석하였다 (Fig. 3). 평창 3번 지점 (PC3)과 거창 1번 지점 (GC1)의 경우 지표면으로부터 10 cm 깊이에서 측정된 실측토양수분의 경우 고도가 낮은 지점일수록 토양수분이 증가하는 경향을 나타냈다.
평창군 및 거창군 지점에 대하여 DNN 회귀모형의 입력 자료의 민감도 분석을 시행하였다. DNN 회귀모형의 입력 자료로는 5일강우평균 (mm), 5일선행강우 (mm), 누적강우 (mm), DEM (m), 토지피복, 토양 내 모래함량 (%) 및 점토함량 (%), 기온 (℃) 및 풍속 (m/s)을 선정하였다.
GC2 및 GC3 지점에서는 현재 각각 1개 TDR 센서만 운영하고 있으며, 추후에 방위별 TDR 센서를 추가할 예정이다. 평창군은 총 12 (PC1-E, PC1-W, PC1-S, PC1-N, PC2-E, PC2-W, PC2-S, PC2-N, PC3-E, PC3-W, PC3-S, PC3-N)개 및 거창군은 총 6개 (GC1-E, GC1-W, GC1-S, GC1-N, GC2, GC3)의 TDR 센서를 이용하여 토양수분을 측정하였으며, 지점별로 지표면으로부터 10 cm 및 30 cm 깊이에서 실측된 TDR 토양수분을 사용하였다.
학습 도중 발생하는 과적합을 방지하기 위하여 드롭아웃을 사용하였다. 드롭아웃은 20%∼50% 범위 안에서 설정한다 (Zhang et al.

대상 데이터

DNN 회귀모형 기반 토양수분 산정을 위하여 강원도 평창군과 경상남도 거창군을 연구 유역으로 선정하였다 (Fig. 1). 연구 지점은 강원도 평창군 (PC1, PC2, PC3)과 경상남도 거창군 (GC1, GC2, GC3)에 각각 3개씩 위치한 지점으로 선정하였으며, 각 지점에서 방위별 (East-E, West-W, South-S, North-N)로 총 4개 지점에 실측 TDR (Time Domain Reflectometry) 토양수분 센서를 설치하여 토양수분을 측정하고 있다.
DNN 회귀모형에 사용한 활성 함수는 Leaky ReLu 함수를 사용하였으며, 최적화 알고리즘은 Adam (Adaptive moment estimation, Kingma and Ba, 2014)을 사용하였다. DNN 회귀모형 내부 은닉층의 개수는 3개로 설계하였으며, 은닉층의 노드 개수는 각각 500개로 설계하였다. Fig.
평창군 및 거창군 지점에 대하여 DNN 회귀모형의 입력 자료의 민감도 분석을 시행하였다. DNN 회귀모형의 입력 자료로는 5일강우평균 (mm), 5일선행강우 (mm), 누적강우 (mm), DEM (m), 토지피복, 토양 내 모래함량 (%) 및 점토함량 (%), 기온 (℃) 및 풍속 (m/s)을 선정하였다. 평창군 지점에서 민감도 분석을 진행한 결과 수집된 강우 자료를 3가지 형태 (5일평균강우, 5일선행강우, 누적강우)로 가공하여 일별 모의토양수분을 산정한 경우 (R: 0.
수집한 TDR 토양수분의 특성을 경사도와 토지피복에 따라 분석하였으며, 입력 자료가 DNN 기반의 토양수분 산정에 미치는 영향을 파악하기 위해 민감도 분석을 수행하였다. DNN 회귀모형의 입력 자료로는 선행강수 (현재 n일, n-1일, n-2일, n-3일, n-4일)의 5일 강우의 평균값 (mm), 5일 선행강우, 당해연도 1월 1일부터 현재까지의 누적강수 (mm), DEM (m), 토지피복, 지표층의 모래함량 (%) 및 점토함량 (%), 온도 (℃) 및 풍속 (m/s)을 사용하였다. 기상 자료의 경우 기상청에서 제공하는 방재기상관측 (Automatic Weather System, AWS) 자료를 사용하였으며, Thiessen 망에 따라 기상관측소를 선정하였다.
DNN 회귀모형의 입력 자료를 구축하기 위하여 지표특성 및 기상관측 자료를 수집하였다. TDR 기반 실측토양수분은 산악 지형의 토양 내 수분의 빙결을 고려하여 연구 기간은 4월 15일부터 7월 16일까지의 강원도 평창군, 경상남도 거창군의 토양수분 자료를 사용하였으며, 지표특성 자료는 모래 및 점토 함량, 토지이용도 및 수치표고모델 (Digital Elevation Model, DEM)을 사용하였다.
TDR 기반 실측토양수분은 산악 지형의 토양 내 수분의 빙결을 고려하여 연구 기간은 4월 15일부터 7월 16일까지의 강원도 평창군, 경상남도 거창군의 토양수분 자료를 사용하였으며, 지표특성 자료는 모래 및 점토 함량, 토지이용도 및 수치표고모델 (Digital Elevation Model, DEM)을 사용하였다.
기상 자료의 경우 기상청에서 제공하는 방재기상관측 (Automatic Weather System, AWS) 자료를 사용하였으며, Thiessen 망에 따라 기상관측소를 선정하였다. 강원도 평창군은 평창 관측소, 경상남도 거창군은 북상 관측소 자료를 사용하였다. 선행강수의 5일은 측정 날짜 기준 4일 전까지의 일강수량을 사용하였다.
DNN 회귀모형의 입력 자료로는 선행강수 (현재 n일, n-1일, n-2일, n-3일, n-4일)의 5일 강우의 평균값 (mm), 5일 선행강우, 당해연도 1월 1일부터 현재까지의 누적강수 (mm), DEM (m), 토지피복, 지표층의 모래함량 (%) 및 점토함량 (%), 온도 (℃) 및 풍속 (m/s)을 사용하였다. 기상 자료의 경우 기상청에서 제공하는 방재기상관측 (Automatic Weather System, AWS) 자료를 사용하였으며, Thiessen 망에 따라 기상관측소를 선정하였다. 강원도 평창군은 평창 관측소, 경상남도 거창군은 북상 관측소 자료를 사용하였다.
민감도 분석의 결과를 기반으로 DNN 회귀모형으로 평창군과 거창군 지점의 입력 자료를 각각 학습하였으며, 평창군은 1116개의 입력 자료, 거창군은 558개의 입력 자료를 사용하였다. DNN 회귀모형의 학습 횟수는 1500번으로 진행하였다.
1). 연구 지점은 강원도 평창군 (PC1, PC2, PC3)과 경상남도 거창군 (GC1, GC2, GC3)에 각각 3개씩 위치한 지점으로 선정하였으며, 각 지점에서 방위별 (East-E, West-W, South-S, North-N)로 총 4개 지점에 실측 TDR (Time Domain Reflectometry) 토양수분 센서를 설치하여 토양수분을 측정하고 있다. GC2 및 GC3 지점에서는 현재 각각 1개 TDR 센서만 운영하고 있으며, 추후에 방위별 TDR 센서를 추가할 예정이다.

데이터처리

DNN 회귀모형의 성능을 검증하기 위하여 산정된 모의토양수분과 TDR 기반 실측토양수분에 대한 적합도 및 불확실성을 평가하였으며, Pearson 상관계수 (R)와 RMSE (Root Mean Square Error)을 활용하였다 (식 1, 2).
수집한 TDR 토양수분의 특성을 경사도와 토지피복에 따라 분석하였으며, 입력 자료가 DNN 기반의 토양수분 산정에 미치는 영향을 파악하기 위해 민감도 분석을 수행하였다. DNN 회귀모형의 입력 자료로는 선행강수 (현재 n일, n-1일, n-2일, n-3일, n-4일)의 5일 강우의 평균값 (mm), 5일 선행강우, 당해연도 1월 1일부터 현재까지의 누적강수 (mm), DEM (m), 토지피복, 지표층의 모래함량 (%) 및 점토함량 (%), 온도 (℃) 및 풍속 (m/s)을 사용하였다.

이론/모형

본 연구에서 사용한 DNN 회귀모형은 Python 환경에서 Tensorflow를 기반으로 설계되었다. DNN 회귀모형에 사용한 활성 함수는 Leaky ReLu 함수를 사용하였으며, 최적화 알고리즘은 Adam (Adaptive moment estimation, Kingma and Ba, 2014)을 사용하였다. DNN 회귀모형 내부 은닉층의 개수는 3개로 설계하였으며, 은닉층의 노드 개수는 각각 500개로 설계하였다.
본 연구에서 사용한 DNN 회귀모형은 Python 환경에서 Tensorflow를 기반으로 설계되었다. DNN 회귀모형에 사용한 활성 함수는 Leaky ReLu 함수를 사용하였으며, 최적화 알고리즘은 Adam (Adaptive moment estimation, Kingma and Ba, 2014)을 사용하였다.
본 연구에서는 DNN 회귀모형을 이용하여 강원도 평창군과 경상남도 거창군의 토양수분을 산정하였다. 연구목적은 1) 산악 지형에서의 지표특성에 따른 토양수분의 특성 분석, 2) DNN 회귀모형의 민감도 분석 및 3) DNN 회귀모형을 이용한 토양수분 산정하는 것이다.
과적합은 DNN이 주어진 입력 자료를 과도하게 학습하여 새로운 특성을 가지는 입력 자료를 잘 반영하지 못하는 현상이다. 이러한 과적합은 드롭아웃 (dropout, Srivastava et al., 2014) 기법 등을 이용하여 해결할 수 있다. 드롭아웃은 어떤 노드의 가중치가 특정 데이터에 크게 영향을 받는 현상을 감소시키기 위하여 학습을 진행하는 동안 신경망의 노드를 확률적으로 사용하지 않는다.

성능/효과

이는 산악 지역의 지형적 특성이 토양수분 분포 특성에 영향을 미치는 것으로 판단된다. 산림과 초지가 혼합된 PC3(c) 지점의 경우 초지에서 측정된 실측토양수분값이 산림에서 측정된 실측토양수분값보다 높게 나타나 지표 피복에 따라서도 토양수분의 차이가 발생하는 것으로 나타났다. PC3 지점의 경우 남쪽 (PC3-S) 및 서쪽 (PC3-W) 지점의 고도가 다른 지점들보다 4∼5 m 정도 낮은 것으로 나타났으며, 고도차에 의한 토양수분의 흐름으로 인하여 남쪽 및 서쪽 지점의 토양수분이 상대적으로 높게 나타난 것으로 판단되었다.
평창군 및 거창군 관측 지점의 TDR 센서 (10 cm 및 30 cm 깊이) 토양수분의 변화 특성을 분석한 결과, 지형(고도)적 특성이 산악 지형 토양수분에 큰 영향을 미치는 것으로 나타났다. DNN 회귀모형의 입력 자료들을 대상으로 민감도 분석을 수행하였으며, DNN 기반 모의값이 (R: 0.890/0.997, RMSE: 0.041/0.014)으로 실측값을 잘 반영하는 것으로 나타났다. 특히, 산악 지형에 위치하는 평창군 및 거창군 지점의 경우 강우 및 DEM이 DNN 모의 성능에 큰 영향을 미치는 것으로 나타났다.
065로 모의토양수분이 실측토양수분과 비교하여 다소 차이가 발생하였다. PC1 지점의 경우 4개의 지점 (PC1-N, PC1-E, PC1-S 및 PC1-W)의 경사가 비교적 완만하고 지표 피복 및 기상 상태가 유사하기 때문에 DNN 회귀모형이 입력 자료와 실측토양수분 간의 관계 도출 시 제약이 발생한 것으로 판단되었으며, 특히 10 cm 깊이의 토양수분의 경우 지표면의 기상특성에 민감하게 반응하는 것과 비교하여 지표 30 cm 깊이의 경우 상대적으로 반응 정도가 낮기 때문에 불확실성이 증가한 것으로 판단되었다. 비록 지표특성, 이용 가능한 자료 등으로 인해 기인하는 불확실성이 발생하였으나, 전체적으로 DNN 기반 모의토양수분이 실측값을 잘 반영하는 것으로 판단되었다.
8은 지표면으로부터 30 cm 깊이에서 측정한 실측토양수분과 DNN 회귀모형으로 산정한 모의토양수분을 지점별로 비교하였다. 대부분의 지점에서 모의토양수분과 실측토양수분 간의 상관성 (R)이 0.776 이상, 불확실성 (RMSE)이 0.102 이하로 나타났다. 특히 거창군 지점 (m-p)의 경우 상관성 (R)이 0.
PC3 지점의 경우 피복보다는 고도 차이에 의해 발생하는 토양수의 흐름으로 인하여 방위별 토양수분의 차이가 발생하는 것으로 판단되었다. 또한 지표면으로부터 10 cm 깊이에서 측정한 토양수분은 지표에 상대적으로 가까워 강우에 영향을 빠르게 받고 침투 및 증발이 발생하여 토양수분의 변동 폭이 가파르게 나타났지만, 30 cm 깊이에서의 토양수분은 10 cm 깊이에서의 토양수분보다 강우, 침투, 증발 등에 영향을 적게 받아 상대적으로 토양수분의 변동 폭이 낮은 것으로 판단되었다.
이는 PC1 지역 4개 지점 (PC1-N, PC1-E, PC1-S 및 PC1-W)의 경사가 비교적 완만하고 지표 피복 및 기상 상태가 유사하기 때문에, DNN 회귀모형이 입력 자료와 실측토양수분 간의 관계를 도출 시 제약이 발생한 것으로 판단되었다. 또한, 10 cm 깊이의 모의토양수분의 경우 지표면의 기상 특성에 민감하게 반응하는 것과 비교하여 지표 30 cm 깊이의 경우 상대적으로 반응 정도가 낮기 때문에 불확실성이 증가한 것으로 판단되었다. 비록 일부 지점에서 모의값과 실측값 사이에 불확실성이 다소 발생하였으나, 전체적으로 경사지에서 DNN 회귀모형 기반 모의토양수분이 실측토양수분을 잘 반영하는 것으로 나타났다.
비록 일부 지점에서 모의값과 실측값 사이에 불확실성이 다소 발생하였으나, 전체적으로 경사지에서 DNN 회귀모형 기반 모의토양수분이 실측토양수분을 잘 반영하는 것으로 나타났다. 본 연구에서 진행한 민감도 분석시 평창 및 거창 지점 내에서 동일한 기상 자료가 사용되었으며, 지점 내의 토양 및 피복 역시 유사하기 때문에, 선행 연구와 비교하여 DEM이 DNN의 모의성능에 가장 크게 기여한 것으로 판단된다. 향후 전국 대상의 광역 단위 토양수분 산정 연구를 진행할 경우, 이에 관한 추가 연구가 필요한 것으로 판단된다.
, 2018). 본 연구에서 진행한 민감도 분석의 경우, 평창 및 거창 지점 내에서 기상, 토양, 피복 등이 유사하기 때문에, 상대적으로 DEM이 모의결과에 가장 크게 영향을 미치는 것으로 판단되었다.
드롭아웃의 수치가 너무 낮아지면 과적합이 발생하고, 반대로 너무 높아지면 DNN 모형 학습 성능이 감소한다. 본 연구에서는 드롭아웃의 수치를 20%로 설정하여 실험한 경우 DNN 모형의 성능이 가장 뛰어난 것으로 나타나 드롭아웃을 20%로 설정하였다.
또한, 10 cm 깊이의 모의토양수분의 경우 지표면의 기상 특성에 민감하게 반응하는 것과 비교하여 지표 30 cm 깊이의 경우 상대적으로 반응 정도가 낮기 때문에 불확실성이 증가한 것으로 판단되었다. 비록 일부 지점에서 모의값과 실측값 사이에 불확실성이 다소 발생하였으나, 전체적으로 경사지에서 DNN 회귀모형 기반 모의토양수분이 실측토양수분을 잘 반영하는 것으로 나타났다. 본 연구에서 진행한 민감도 분석시 평창 및 거창 지점 내에서 동일한 기상 자료가 사용되었으며, 지점 내의 토양 및 피복 역시 유사하기 때문에, 선행 연구와 비교하여 DEM이 DNN의 모의성능에 가장 크게 기여한 것으로 판단된다.
PC1 지점의 경우 4개의 지점 (PC1-N, PC1-E, PC1-S 및 PC1-W)의 경사가 비교적 완만하고 지표 피복 및 기상 상태가 유사하기 때문에 DNN 회귀모형이 입력 자료와 실측토양수분 간의 관계 도출 시 제약이 발생한 것으로 판단되었으며, 특히 10 cm 깊이의 토양수분의 경우 지표면의 기상특성에 민감하게 반응하는 것과 비교하여 지표 30 cm 깊이의 경우 상대적으로 반응 정도가 낮기 때문에 불확실성이 증가한 것으로 판단되었다. 비록 지표특성, 이용 가능한 자료 등으로 인해 기인하는 불확실성이 발생하였으나, 전체적으로 DNN 기반 모의토양수분이 실측값을 잘 반영하는 것으로 판단되었다.
006로 평창군과 달리 30 cm 깊이에서 측정된 토양수분을 사용한 경우 불확실성이 다소 낮아졌다. 전체적으로 10 cm와 30 cm 깊이에서는 평창군과 비교하여 상대적으로 거창군 지점의 모의결과가 실측값과 매우 유사한 것으로 나타났다. 평창군 지점의 경우 총 12개 지점의 일별 토양수분자료를 이용하여 DNN 기반 토양수분을 산정하였으나, 거창군 지점의 경우에는 총 6개 지점의 토양수분이 사용되어 상대적으로 DNN 기법이 훈련시켜야 할 자료의 개수가 적기 때문에 모의값의 불확실성이 크게 감소한 것으로 판단되었다.
민감도 분석을 기반으로 평창 및 거창군 지점에서 DNN 회귀모형 기반 10 cm 및 30 cm 깊이에서의 모의토양수분을 산정하였다. 전체적으로 DNN 기반 모의토양수분이 실측토양수분을 잘 반영하는 것으로 나타났으며, 평창군과 비교하여 상대적으로 거창군 지점의 모의값이 실측값과 매우 유사한 것으로 나타났다. 이는 평창군 지점과 비교하여 거창군 지점의 경우 DNN 기법이 훈련시켜야 할 자료의 개수가 상대적으로 적기 때문에 모의값의 불확실성이 크게 감소한 것으로 판단되었다.
7은 지표면으로부터 10 cm 깊이에서 측정한 실측토양수분과 DNN 회귀모형으로 산정한 토양수분을 지점별로 비교한 결과를 나타낸다. 전체적으로 평창 및 거창군 지역의 모의토양수분과 실측토양수분을 비교한 경우 상관성 (R)이 0.889 이상 및 불확실성 (RMSE)은 0.082 이하로 나타나 DNN 기반 모의값이 실측값을 잘 반영하였으나, PC1-N (Fig. 7(a)), PC1-E (Fig.
이는 평창군 지점과 비교하여 거창군 지점의 경우 DNN 기법이 훈련시켜야 할 자료의 개수가 상대적으로 적기 때문에 모의값의 불확실성이 크게 감소한 것으로 판단되었다. 지점별 DNN 기반 모의토양수분이 실측값과 유사한 특성을 보였으나, PC1 지점에서 불확실성이 다소 높은 것으로 나타났다. 이는 PC1 지역 4개 지점 (PC1-N, PC1-E, PC1-S 및 PC1-W)의 경사가 비교적 완만하고 지표 피복 및 기상 상태가 유사하기 때문에, DNN 회귀모형이 입력 자료와 실측토양수분 간의 관계를 도출 시 제약이 발생한 것으로 판단되었다.
041으로 나타났다. 지표면으로부터 30 cm 깊이에서 측정한 실측토양수분과 모의토양수분 간의 상관성 (R)은 0.843, 불확실성 (RMSE)은 0.048으로 10 cm 깊이에서의 토양수분보다는 다소 불확실성이 높게 나타나 지표 10 cm 깊이의 결과보다 다소 불확실성이 증가하였다. 거창군 지점의 경우 지표면으로부터 10 cm 깊이에서 측정한 실측토양수분과 모의토양수분 간의 상관성 (R)은 0.
5). 토지이용도, 모래 및 점토, 온도 및 풍속 변수들의 추가 적용시 상관성 및 불확실성이 다소 증가하였으나, 유의미한 변화는 없는 것으로 나타났다. 평창 (혹은 거창) 관측 지점들의 경우 지점과 지점의 거리가 짧기 때문에 동일한 기상 자료가 사용되었으며, 특히 토양 및 지표 피복의 경우에도 지점들 사이에 큰 차이가 없었기 때문에 산악 지형에서 DNN 기반 토양수분 산정시 DEM 변수가 DNN 모의 성능에 가장 큰 영향을 미치는 것으로 판단되었다.
043)이 실측값을 잘 반영하는 것으로 나타났다. 토지이용도, 모래 및 점토, 온도 및 풍속 변수를 순차적으로 추가하여 적용 시 모의값의 상관성이 지속적으로 향상되었으나, 그 정도는 상대적으로 크지 않은 것으로 나타났다. 이러한 경향은 거창군 지점에서도 유사하게 나타났으며, 5일평균강우, 5일선행강우, 누적강우 변수에 DEM 변수가 추가될 경우 상관성 (R: 0.
특히, 산악 지형에 위치하는 평창군 및 거창군 지점의 경우 강우 및 DEM이 DNN 모의 성능에 큰 영향을 미치는 것으로 나타났다.
평창 (혹은 거창) 관측 지점들의 경우 지점과 지점의 거리가 짧기 때문에 동일한 기상 자료가 사용되었으며, 특히 토양 및 지표 피복의 경우에도 지점들 사이에 큰 차이가 없었기 때문에 산악 지형에서 DNN 기반 토양수분 산정시 DEM 변수가 DNN 모의 성능에 가장 큰 영향을 미치는 것으로 판단되었다.
본 연구에서는 평창군 및 거창군 지점을 대상으로 DNN 회귀모형과 기상 및 지표특성 자료를 연계하여 시계열 토양수분을 산정하였다. 평창군 및 거창군 관측 지점의 TDR 센서 (10 cm 및 30 cm 깊이) 토양수분의 변화 특성을 분석한 결과, 지형(고도)적 특성이 산악 지형 토양수분에 큰 영향을 미치는 것으로 나타났다. DNN 회귀모형의 입력 자료들을 대상으로 민감도 분석을 수행하였으며, DNN 기반 모의값이 (R: 0.
평창군 지점에서 민감도 분석을 진행한 결과 수집된 강우 자료를 3가지 형태 (5일평균강우, 5일선행강우, 누적강우)로 가공하여 일별 모의토양수분을 산정한 경우 (R: 0.515∼0.786; RMSE: 0.054∼0.075) 실측토양수분과 어느 정도 유사한 것으로 나타났다 (Fig. 4).
6은 평창군 및 거창군 지점의 실측토양수분과 DNN 회귀모형으로 산정한 모의토양수분 간의 상관성 분석 결과를 나타낸다. 평창군 지점의 경우 지표면으로부터 10 cm 깊이에서 측정한 실측토양수분과 모의토양수분 간의 상관성 (R)은 0.890으로 높게 나타났으며, 불확실성 (RMSE)은 0.041으로 나타났다. 지표면으로부터 30 cm 깊이에서 측정한 실측토양수분과 모의토양수분 간의 상관성 (R)은 0.
평창군 지점의 경우 총 12개 지점의 일별 토양수분자료를 이용하여 DNN 기반 토양수분을 산정하였으나, 거창군 지점의 경우에는 총 6개 지점의 토양수분이 사용되어 상대적으로 DNN 기법이 훈련시켜야 할 자료의 개수가 적기 때문에 모의값의 불확실성이 크게 감소한 것으로 판단되었다.

후속연구

연구 지점은 강원도 평창군 (PC1, PC2, PC3)과 경상남도 거창군 (GC1, GC2, GC3)에 각각 3개씩 위치한 지점으로 선정하였으며, 각 지점에서 방위별 (East-E, West-W, South-S, North-N)로 총 4개 지점에 실측 TDR (Time Domain Reflectometry) 토양수분 센서를 설치하여 토양수분을 측정하고 있다. GC2 및 GC3 지점에서는 현재 각각 1개 TDR 센서만 운영하고 있으며, 추후에 방위별 TDR 센서를 추가할 예정이다. 평창군은 총 12 (PC1-E, PC1-W, PC1-S, PC1-N, PC2-E, PC2-W, PC2-S, PC2-N, PC3-E, PC3-W, PC3-S, PC3-N)개 및 거창군은 총 6개 (GC1-E, GC1-W, GC1-S, GC1-N, GC2, GC3)의 TDR 센서를 이용하여 토양수분을 측정하였으며, 지점별로 지표면으로부터 10 cm 및 30 cm 깊이에서 실측된 TDR 토양수분을 사용하였다.
향후 전국 대상의 광역 단위 토양수분 산정 연구를 진행할 경우, 이에 관한 추가 연구가 필요한 것으로 판단된다. 비록 본 연구는 제한된 지역에서 수행되었으나, 향후 광역 단위로 확장한다면 가뭄, 홍수, 수문, 농업 등의 다양한 분야에서 활용될 수 있을 것으로 사료된다.
본 연구에서 진행한 민감도 분석시 평창 및 거창 지점 내에서 동일한 기상 자료가 사용되었으며, 지점 내의 토양 및 피복 역시 유사하기 때문에, 선행 연구와 비교하여 DEM이 DNN의 모의성능에 가장 크게 기여한 것으로 판단된다. 향후 전국 대상의 광역 단위 토양수분 산정 연구를 진행할 경우, 이에 관한 추가 연구가 필요한 것으로 판단된다. 비록 본 연구는 제한된 지역에서 수행되었으나, 향후 광역 단위로 확장한다면 가뭄, 홍수, 수문, 농업 등의 다양한 분야에서 활용될 수 있을 것으로 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인공신경망 개념을 처음 제시한 사람은 누구인가?	최근 심층신경망 (Deep Neural Network, DNN) 기반의 기계학습을 이용하여 토양수분을 산정하는 연구가 제시되고 있다. 기계학습에서 초기에 많이 사용되었던 인공신경망 (Artificial Neural Network, ANN)은 McCulloch and Pitts (1943)가 처음 제시한 개념이며, 인간의 뇌 구조를 모방한 기계학습이다. 인공신경망의 구조는 입력층, 은닉층, 출력층으로 이루어져 있으며, 이 중 은닉층의 개수가 2개 이상인 경우 이를 DNN이라고 한다.
	토양 수분의 측정 시 직접측정법의 어떤 문제를 개선하기 위하여 간접측정법이 제시되었는가?	직접측정법은 지점에 직접 측정 센서를 설치하여 토양수분을 측정하는 방법으로 측정된 토양수분의 신뢰성이 매우 높다는 장점이 있다. 그러나 직접측정법은 측정 장비가 설치된 지점의 토양수분만을 수집하여 대유역을 대표하는 데에 한계가 있으며, 토양수분을 측정하기 위한 많은 인력과 비용이 필요하다. 따라서 직접측정법으로 광범위한 토양수분 공간분포를 제시하는 데에는 한계가 있다. 이러한 단점을 극복하기 위하여 위성영상 등의 원격탐사자료를 이용한 간접측정법이 제시되었다.
	직접측정법을 이용하여 토양수분을 측정 할 때의 장점은 무엇인가?	토양수분의 측정 방법은 직접측정법과 간접측정법으로 구분한다. 직접측정법은 지점에 직접 측정 센서를 설치하여 토양수분을 측정하는 방법으로 측정된 토양수분의 신뢰성이 매우 높다는 장점이 있다. 그러나 직접측정법은 측정 장비가 설치된 지점의 토양수분만을 수집하여 대유역을 대표하는 데에 한계가 있으며, 토양수분을 측정하기 위한 많은 인력과 비용이 필요하다.

참고문헌 (17)

Cai, Y., W. Zheng, X. Zhang, L. Zhangzhong and X. Xue, 2019. Research on soil moisture prediction model based on deep learning. Plos one, 14(4), e0214508. doi:10.1371/journal.prone.0214508.

상세보기
Engman, E. T., 1991. Applications of microwave remote sensing of soil moisture for water resources and agriculture. Remote Sensing of Environment 35(2-3): 213-226. doi:10.1016/ 0034-4257(91)90013-V.

상세보기
Entekhabi D., E. G. Njoku, P. E. O'Neill, K. H. Kellogg, W. T. Crow, W. N. Edelstein, J. K. Entin, S. D. Goodman, T. J. Jackson, J. Johnson, J. Kimball, J. R. Piepmeier, R. D. Koster, N. Martin, K. C. McDonald, M. Moghaddam, S. Moran, R. Reichle, J. C. Shi, M. W. Spencer, S. W. Thurman, L. Tsang, and J. Van Zyl, 2010. The soil moisture active passive (SMAP) mission. Proceedings of the IEEE, 98(5): 704-716. doi:10.1109/JPROC.2010.2043918.

상세보기
Entekhabi, D., G. R. Asrar, A. K. Betts, K. J. Beven, R. L. Bras, and C. J. Duffy, 1999. An agenda for land surface hydrology research and a call for the second international hydrological decade. Bulletin of the American Meteorological Society 80(10): 2043-2058. doi:10.1175/1520-0477(1999)080 2.0.C0;2.

상세보기
Ines, A. V. M., B. P. Mohanty, and Y. Shin, 2013. An un-mixing algorithm for remotely sensed soil moisture. Water Resource Research 49(1): 408-425. doi:10.1029/2012WR012379.

상세보기
Kerr, Y. H., P. Waldteufel, J. P. Wigneron, J. A. M. J. Martinuzzi, J. Font, and M. Berger, 2001. Soil moisture retrieval from space: The soil moisture and ocean salinity (SMOS) mission. IEEE Transactions on Geoscience and Remote Sensing 39(8): 1729-1735. doi:10.1109/36.942551.

상세보기
Kim, Y. H., K. J. Kim, S. J. Lee, L. W. Kim, and Y. W. Yang, 2017. Deep learning-based retrieval of daily 500-m soil moisture for South Korea. Journal of the Korean Cartographic Association 17(3): 109-121. doi:10.16879/jkca.2017.17.3.109 (in Korean).

상세보기
Kingma, D. P., and J. Ba, 2014. Adam: A method for stochastic optimization. In Proc. 3rd International Conference for Learning Representations, arXiv:1412.6980.
Lee, C. S., E. Sohn, J. D. Park, and J. D. Jang, 2018. Estimation of soil moisture using deep learning based on satellite data: A case study of South Korea. GIScience & Remote Sensing 56(1): 43-67. doi:10.1080/15481603.2018.1489943.
McCulloch, W. S., and W. Pitts, 1943. A logical calculus of the ideas immanent in nervous activity. The Bulletin of Mathematical Biophysics 5(4): 115-133. doi:10.1007/BF02478259.

상세보기
National Research Council, 1985. Reducing losses from landsliding in the United States. Washington, DC: The National Academies Press. doi:10.17226/19286.
NGII (National Geographic Information Institute), 2008. The geography of Korea. The Ministry of Land, Transport and Maritime affairs, National Geographic Information Institute (in Korean).
Shin, Y., and B. P. Mohanty, 2013. Development of a deterministic downscaling algorithm for remote sensing soil moisture footprint using soil and vegetation classifications. Water Resource Research 49(10): 6208-6228. doi:10.1002/wrce.20495.

상세보기
Song, X., G. Zhang, F. Liu, D. Li, Y. Zhao and J. Yang, 2016. Modeling spatio-temporal distribution of soil moisture by deep learning-based cellular automata model. Journal of Arid Land, 8(5), 734-748. doi:10.1007/s40333-016-0049-0.

상세보기
Srivastava, N., G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov, 2014. Dropout: A simple way to prevent neural networks from overfitting. The Journal of Machine Learning Research 15(56): 1929-1958.
Yang, I. T., K. S. Chun, J. K. Park, and S. Y. Lee, 2007. An estimation to landslide vulnerable area of rainfall condition using GIS. Journal of Korean Society for Geospatial Information System 15(1): 39-46.
Zhang, H., L. Liao, K. M. Saravanan, P. Yin, and Y. Wei, 2019. DeepBindRG: A deep learning based method for estimating effective protein-ligand affinity. PeerJ 7: e7362. doi:10.7717/peerj.7362.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증