Development of long short-term memory models using rainfall and soil moisture to predict soil moisture dynamics = 강우량과 토양 수분을 이용한 장단기 기억 모델 개발을 통한 토양 수분 동역학 예측

다국어 초록 (Multilingual Abstract)

Long short-term memory (LSTM) models were developed using rainfall and soil moisture data to predict soil moisture at various depths in an Asian pear orchard. Two types of rainfall inputs were tested: hourly rainfall data treated as individual values and event-based rainfall data, where cumulative rainfall was calculated by applying the minimum inter-event time threshold. Soil moisture was measured at depths of 20, 40, and 60 cm from the soil surface during 2023 and 2024 using frequency domain reflectometry. The models were trained to predict soil moisture at time horizons of ‘t + 1’, ‘t + 3, ‘t + 6’, and ‘t + 12’. Short-term predictions more accurately followed the observed soil moisture trends than long-term predictions. Soil moisture contents increased immediately following the onset of rainfall. As soil depth increased, soil moisture contents tended to increase and respond more gradually to rainfall. In the top soil (20 cm depth), moisture content fluctuated significantly, while in the subsoil (60 cm depth), it remained relatively stable for several days after rainfall ended. The model performance was evaluated using mean absolute error, root mean square error (RMSE), and normalized RMSE values. In both models using hourly and event-based rainfall inputs, errors in soil moisture prediction tended to increase with longer forecast time horizon. However, these errors were significantly lower when using event-based rainfall data. These findings indicate that event-based rainfall is a more effective input for LSTM models in predicting soil moisture in an Asian pear orchard, and such models can support precision irrigation systems that optimize water use by delivering the right amount of water at the right time.

국문 초록 (Abstract)

장단기 기억(LSTM) 모델은 강우량과 토양 수분 데이터를 사용하여 아시아 배 과수원의 다양한 깊이에서 토양 수분을 예측하도록 개발되었습니다. 두 가지 유형의 강우 입력이 테스트되었습니다. 개별 값으로 처리된 시간당 강우량 데이터와 최소 이벤트 간 시간 임계값을 적용하여 누적 강우량을 계산한 이벤트 기반 강우량 데이터입니다. 토양 수분은 주파수 영역 반사 측정법을 사용하여 2023 년과 2024 년 동안 토양 표면에서 20cm, 40cm, 60cm 깊이에서 측정되었습니다. 모델은 't + 1', 't + 3', 't + 6' 및 't + 12'의 시간 범위에서 토양 수분을 예측하도록 학습되었습니다. 단기 예측은 장기 예측보다 관찰된 토양 수분 추세를 더 정확하게 따랐습니다. 토양 수분 함량은 강우가 시작된 직후 증가했습니다. 토양 깊이가 증가함에 따라 토양 수분 함량은 증가하는 경향이 있었고 강우에 더 점진적으로 반응했습니다. 표토(20cm 깊이)에서는 수분 함량이 크게 변동한 반면, 심토(60cm 깊이)에서는 강우가 끝난 후 며칠 동안 비교적 안정적으로 유지되었습니다. 모델 성능은 평균 절대 오차 (MAE), 평균 제곱근 오차(RMSE), 그리고 nRMSE 값을 사용하여 평가되었습니다. 시간별 및 이벤트 기반 강우 입력을 사용하는 두 모델 모두에서 토양 수분 예측 오차는 예측 기간이 길어질수록 증가하는 경향을 보였습니다. 시간별 강우 입력을 사용하였을 때, 토양 수분 예측 시 스파크가 나타났습니다. 그러나 이벤트 기반 강우 데이터를 사용했을 때 이러한 오차는 상당히 낮았습니다. 이러한 결과는 이벤트 기반 강우가 아시아 배 과수원의 토양 수분을 예측하는 LSTM 모델에 더 효과적인 입력 변수이며, 이러한 모델은 과원에 적시에 적정량의 물을 공급하여 물 사용을 최적화하는 정밀 관개 시스템을 지원할 수 있음을 시사합니다.

목차 (Table of Contents)

• INTRODUCTION 1
• MATERIALS AND METHODS 4
• Experimental site and soil moisture measurements 4
• Data processing 6
• LSTM model for predicting soil moisture 8
• Model evaluation 12
• RESULTS 13
• Rainfall and soil moisture 13
• Soil moisture prediction with LSTM models 13
• Performances of LSTM models using hourly and event-based rainfall inputs 19
• DISCUSSION 21
• Rainfall effects on soil moisture 21
• Performance comparison of LSTM models using hourly and event-based rainfall inputs 21
• CONCLUSION 24
• LITERATURE CITED 25
• ABSTRACT IN KOREAN 30