불확실성 정량화 적용 토양수분 예측 모델 = Soil Moisture Prediction Model with Uncertainty Quantification

국문 초록 (Abstract)

토양수분은 농작물의 생육 상태를 결정짓는 핵심 환경 요인으로, 가뭄 관리 및 안정적인 식량 생산을 위한 농업용수 관리에서 가장 중요한 변수이다. 최근 기후 변화로 인한 국지성 호우 및 가뭄의 빈도가 증가함에 따라, 기존의 경험 기반 관 수 방식은 한계를 드러내고 있다. 또한, 국내 농업인구의 급격한 감소와 고령화 문제가 이를 더욱 어렵게 만들고 있으며, 이를 해결하기 위한 스마트 관수 시스 템의 필요성이 점점 대두되고 있다. 스마트 관수 시스템의 핵심 기술은 미래의 토양 수분 상태를 정확히 예측하는 것이다. 이에 따라 기상 및 토양 데이터를 활 용하여 머신러닝 및 딥러닝 기반의 시계열 예측 모델을 적용하려는 연구가 활발 히 진행되고 있다. 그러나 기존 연구들은 대부분 '얼마나 정확하게 예측하는가'에 초점을 맞춘 '점 예측'에 머무르고 있다. 실제 농업 현장이나 수자원 관리 의사결 정에서는 '내일 토양 수분이 20%가 될 것이다'라는 단일 예측값만큼 그 예측의 신뢰도를 아는 것도 중요하다. 이를 위해, 본 연구는 SVR, CNN, XGBoost, GRU, LSTM, LSTM-Attention 등 다양한 머신러닝 및 딥러닝 모델의 '점 예측' 성능을 예측 구간별로 비교하여, 불확실성 정량화 적용을 위한 최적의 모델을 선 정한 뒤 최적 모델(LSTM-Attention)을 기반으로, MC Dropout 기법을 적용한 LSTM+Attention with MC Dropout을 실험하고 해당 모델에서 발생한 문제점 을 극복한 적응형 CP 기반의 LSTM+Attention with Adaptive CP를 최종적인 불확실성 정량화 기반 토양수분 예측 모델로 결정했다.

다국어 초록 (Multilingual Abstract)

In this study, we first compare the point prediction performance of various deep learning and machine learning models for soil moisture forecasting, with the aim of ultimately providing confidence intervals in addition to traditional point forecasts. The LSTM+Attention model achieved the best performance for the 1‑hour‑ahead and 6‑hour‑ahead forecasts. For the remaining 3‑hour‑ahead and 12‑hour‑ahead horizons, its performance was nearly indistinguishable from the best competing model, so it was regarded as the optimal model in most cases. To obtain confidence intervals for the final outputs of the LSTM+Attention model, we applied Monte Carlo (MC) Dropout together with a negative log‑likelihood (NLL) loss. However, with this direct interval‑prediction approach, the predictive variance tended to become extremely large for difficult cases, which resulted in confidence intervals that were uninformatively wide. To address this issue, we finally adopted an LSTM+Attention model with Adaptive Conformal Prediction (Adaptive CP) framework instead of MC Dropout. By decoupling model training from uncertainty estimation and constructing prediction intervals based on the model’s empirical errors, the proposed Adaptive CP approach substantially mitigated the problems observed in the LSTM+Attention model with MC Dropout.

목차 (Table of Contents)

• 1. 서론 1
• 가. 연구 배경 및 목적 1
• 나. 선행 연구 1
• 다. 논문 구성 2
• 2. 연구 자료 3
• 가. 분석 데이터 3
• 나. 데이터 전처리 3
• 3. 최적 점 예측 모델 선정 5
• 가. 실험 설계 5
• 나. 예측 기법 7
• 다. 예측 결과 및 비교 12
• 4. 불확실성 정량화 기반 모델 개발 16
• 가. MC Dropout 기반 모델 16
• 나. Adaptive Conformal Prediction 기반 모델 18
• 5. 결론 23
• 가. 요약 23
• 나. 한계점 및 향후 연구 23
• 참고문헌 25
• Abstract 28