딥러닝 기반 산림 내 미기상 보간 기법을 활용한 산림 연료 수분 함량 예측 모형 개발 = Forest Fuel Moisture Content Prediction Using Deep Learning-Based Forest Microclimate Interpolation

국문 초록 (Abstract)

산림 연료 수분 함량은 산불의 발화 가능성과 확산 특성을 결정하는 핵심 인자로서, 이의 정밀한 추정은 산불 위험 예측에 있어 중요한 과제이다. 연료 수분 함량은 산림 내부의 기온 및 상대습도와 밀접하게 관련되어 있으나, 이러한 미기상 조건은 고도와 사면 방향에 따라 뚜렷한 공간적 변이를 나타낸다. 그러나 산림 지역은 기상 관측망의 공간적 밀도가 낮아 미관측 지점의 미기상 정보를 확보하기 어렵고, 기존 공간 보간 기법은 복잡 지형에서의 비선형적 관계를 충분히 반영하지 못하는 한계가 있다. 이에 본 연구에서는 딥러닝 기반 연료 수분 함량 예측 모형을 개발하고, 그래프 신경망(GNN)을 활용한 미기상 공간 보간 기법을 적용하여 미관측 지점에서의 연료 수분 함량 추정 가능성을 검토하고자 하였다.
연구 자료는 강원대학교 구내림과 학술림 연엽산에서 수집한 시간별 기온, 상대습도와 연료 수분 함량 관측 자료를 활용하였다. 연료 수분 함량 예측을 위해 양방향 LSTM에 자기 주의 메커니즘을 결합한 BiLSTM-Attention 모형을 구축하였으며, 기온과 상대습도로부터 증기압부족량, 다중 시간 스케일의 이동평균, 변화율 등 총 29개의 파생 변수를 입력 특성으로 활용하였다. 공간 보간 성능 평가를 위해서는 연엽산에 사면 방향과 고도를 조합한 12개 미기상 관측 지점을 설치하고, 다기관 관측망 자료를 활용하여 역거리가중법, 정규 크리깅, 랜덤 포레스트, GNN 4가지 기법의 성능을 비교하였다. 최종적으로 보간된 미기상 자료를 BiLSTM-Attention 모형의 입력자료로 적용하여 미관측 지점에서의 연료 수분 함량 예측 성능을 평가하였다.
BiLSTM-Attention 모형은 72시간 입력 윈도우에서 최적의 성능을 보였으며, 테스트 데이터에서 R² 0.689, RMSE 19.62%를 기록하였고, 학습에 사용되지 않은 연엽산 지역에서도 R² 0.568의 예측 성능을 확인하여 공간적 일반화 가능성을 검증하였다. 공간 보간 기법 비교 결과, GNN이 기온 R² 0.980, 상대습도 R² 0.927로 모든 기법 중 가장 우수하였으며 관측 지점별 성능 편차도 가장 낮았다. GNN으로 보간된 미기상 자료를 적용한 연료 수분 함량 예측의 RMSE는 25.5%로, 실측 미기상 기반 예측 대비 오차 증가폭이 4.9%p에 그쳤다. 본 연구에서 제안한 통합 프레임워크는 기상 관측 인프라가 부족한 산림 지역에서도 연료 수분 함량의 공간적 추정을 가능하게 함으로써, 산불위험예보시스템의 정확도 향상에 기여할 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Forest fuel moisture content (FMC) is a key determinant of wildfire ignition probability and spread behavior, making its accurate estimation critical for operational fire danger prediction. FMC is closely linked to air temperature and relative humidity within the forest; however, these microclimatic conditions exhibit pronounced spatial variability driven by elevation and slope aspect. In forested regions, the sparse coverage of meteorological observation networks limits the availability of microclimate data at unmonitored locations, and conventional spatial interpolation methods often fail to capture the nonlinear relationships inherent to complex terrain. To address these challenges, this study developed a deep learning based FMC prediction model and evaluated the feasibility of estimating FMC at ungauged sites using a microclimate interpolation framework based on a graph neural network (GNN).
Hourly observations of air temperature, relative humidity, and FMC were collected over approximately two years from the Kangwon National University campus forest and the Yeonyeop Mountain academic forest. A BiLSTM with attention model, combining bidirectional long short term memory networks with a self attention mechanism, was constructed to predict FMC using 29 input features derived from temperature and humidity, including vapor pressure deficit, moving averages at multiple time scales, and temporal change rates. To assess spatial interpolation performance, 12 microclimate monitoring stations were established across combinations of slope aspects and elevations at Yeonyeop Mountain. Using observation network data from multiple agencies, four interpolation methods, namely inverse distance weighting, ordinary kriging, random forest, and GNN, were compared. Finally, microclimate data interpolated by GNN were applied to the BiLSTM with attention model to evaluate FMC prediction performance at unmonitored locations.
The Bi-LSTM with attention model achieved optimal performance with a 72 h input window, yielding R² = 0.689 and RMSE = 19.62% on the test dataset. When applied to the independent Yeonyeop Mountain site that was not used for training, the model retained an R² of 0.568, confirming spatial generalizability. Among the interpolation methods evaluated, GNN demonstrated superior accuracy (temperature R² = 0.980, relative humidity R² = 0.927) with the lowest performance variability across stations. Using microclimate data interpolated by GNN as input, FMC prediction RMSE was 25.5%, representing only a 4.9 percentage point increase compared with predictions based on in situ measurements. These results indicate that the proposed integrated framework enables spatially explicit FMC estimation in forest areas with limited meteorological infrastructure and has the potential to enhance the accuracy of operational wildfire danger forecasting systems.

목차 (Table of Contents)

• Ⅰ. 서론 1
• Ⅱ. 연구사 4
• Ⅲ. 재료 및 방법 8
• 1. 연구 개요 8
• 2. 연료 수분 함량 예측 모형 10
• 1) 연구대상지 10
• 2) 조사 방법 12
• 3) 분석 방법 14
• 3. 산림 내 미기상 공간 보간 23
• 1) 연구대상지 23
• 2) 조사 방법 24
• 3) 분석 방법 27
• Ⅳ. 결과 및 고찰 34
• 1. 연료 수분 함량 예측 모형 34
• 1) 최적 입력 윈도우 크기 34
• 2) 모형 학습 과정 35
• 3) 모형 예측 성능 36
• 4) 현장 적용성 검증 37
• 5) Attention 가중치의 시간적 분포 38
• 6) SHAP 기반 변수 중요도 40
• 2. 산림 내 미기상 공간 보간 41
• 1) 관측 자료 개요 41
• 2) 계절별 미기상 변동 특성 44
• 3) 시간대별 미기상 변동 특성 47
• 4) 최적 영향반경 49
• 5) 영향반경 내 관측소 분포 49
• 6) 공간 보간 기법별 성능 비교 53
• 7) GNN 보간 성능의 시공간적 특성 61
• 8) 보간 기상자료 기반 연료 수분 함량 예측 성능 63
• Ⅴ. 결론 65
• VI. 참고문헌 67
• Abstract 78