Sentinel-1 SAR 영상과 물리 기반 인공지능 방법론을 활용한 고해상도 공간 토양수분 추정 모델 개발 및 평가 = Estimating High Resolution Soil Moisture with Sentinel-1 Synthetic Aperture Radar and Physically-based Machine Learning Algorithm

국문 초록 (Abstract)

토양수분(Soil Moisture)은 토양 공극에 위치한 물을 의미하여 지구의 수자원 분포에서 적은 양을 차지하지만, 지표와 대기 사이의 상호 작용을 설명하고 강수를 침투와 지표유출로 구분하는 등 지구 현상의 관점에서 중요한 역할을 한다. 국내에서 토양수분의 관측은 주로 지점 관측(Point-scale)으로 이루어지고 있으나, 이는 토양수분의 공간적인 분포를 파악하는 데 제한적이다. 국내·외에서는 이러한 한계점을 극복하기 위해 원격탐사(Remote Sensing) 방법론을 적극적으로 활용하고 있다. 본 연구에서는 10 m 고해상도의 후방산란계수(Backscatter Coefficient)를 제공하는 유럽우주국(European Space Agency)의 Sentinel-1 영상과 두 가지의 머신러닝 방법론(Random Forest Regression, eXtreme Gradient Boosting Regression [XGBoost])을 활용하여 국내 영산강 유역의 토양수분 추정 모델을 개발하고, 평가하였다. 모델의 개발 과정에서는 입력변수 조합에 따라 case를 구분하였고, 모델의 평가 결과 Sentinel-1 영상과 격자형 기상인자(기온, 상대습도), 그리고 연중일 자료를 활용한 XGBoost 알고리즘이 가장 우수한 성능을 나타내었다. 개발한 모델을 기반으로 영산강 유역의 공간 토양수분을 산정하였으며, 이를 유역 평균 강수량과 비교하여 평가하였다. 본 연구에서 개발한 모델을 통해 고해상도의 토양수분 공간 지도를 제작할 수 있으며, 이는 추후 다양한 응용분야(가뭄, 홍수, 농업 등)에 기초자료로 활용될 수 있다.

다국어 초록 (Multilingual Abstract)

Soil moisture refers to the water contained in soil pore spaces; although it represents only a small fraction of Earth’s total water resources, it plays a crucial role in Earth system processes by helping explain land–atmosphere interactions and by partitioning precipitation into infiltration and surface runoff. In Korea, soil moisture is mainly observed through point-scale measurements, which are limited in capturing its spatial variability; therefore, remote sensing approaches have been actively adopted both domestically and internationally to address this limitation. In this study, we developed and evaluated soil moisture estimation models for the Yeongsan River Watershed in Korea using European Space Agency Sentinel-1 imagery, which provides 10 m high-resolution backscatter coefficients, together with two machine-learning methods—Random Forest regression and eXtreme Gradient Boosting regression (XGBoost). Model development considered multiple cases based on different combinations of input variables, and evaluation results showed that the XGBoost model using Sentinel-1 imagery, gridded meteorological variables (air temperature and relative humidity), and day-of-year information achieved the best performance. Using the developed model, we generated spatial soil moisture estimates across the Yeongsan River Watershed and assessed them by comparing them with basin-averaged precipitation. The proposed approach enables the production of high-resolution soil moisture maps, which can serve as foundational data for a range of applications, such as drought and flood monitoring and agricultural management.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 연구의 배경 및 필요성 1
• 1.2 연구의 목적 3
• Ⅱ. 이론적 배경 4
• 2.1 원격탐사를 기반한 토양수분 추정 4
• 2.1.1 마이크로파 원격탐사 4
• 2.1.2 토양수분 추정 센서의 종류 7
• 2.2 Sentinel-1 12
• 2.2.1 Sentinel-1 개요 12
• 2.2.2 Sentinel-1 전처리 16
• 2.3 인공지능 25
• 2.3.1 개요 25
• 2.3.2 Random Forest Regression 26
• 2.3.3 eXtreme Gradient Boosting (XGBoost) 27
• 2.3.4 SHapley Additive exPlanations (SHAP) 30
• 2.4 선행연구 31
• Ⅲ. 연구지역 및 방법 34
• 3.1 연구지역 및 지점 관측자료 34
• 3.2 모델의 입력변수 36
• 3.2.1 Sentinel-1 Synthetic Aperture Radar (SAR) 36
• 3.2.2 Day of Year (DOY) 38
• 3.2.3 Cross Ratio (CR) 39
• 3.2.4 기온(Air Temperature) 40
• 3.2.5 상대습도(Relative Humidity) 41
• 3.2.6 유역 면적평균강수량 43
• 3.3 모델 구성 44
• 3.3.1 모델의 트레이닝 및 테스트 44
• 3.3.2 하이퍼파라미터 최적화 44
• 3.3.3 통계적 기법을 활용한 모델의 평가 47
• Ⅳ. 연구결과 및 고찰 49
• 4.1 머신러닝과 Sentinel-1 SAR 영상을 활용한 토양수분 추정 모델 개발 및 검증 49
• 4.2 추가 입력변수 도입을 통한 토양수분 추정 모델의 개선 60
• 4.3 유역 평균 강수량과 유역 평균 토양수분 추정값의 비교 및 평가 66
• Ⅴ. 결론 68