의사결정나무 분류와 인공신경망을 이용한 토양수분 산정모형 개발 = Development of a Soil Moisture Estimation Model Using Artificial Neural Networks and Classification and Regression Tree(CART)

국문 초록 (Abstract)

본 연구에서는 의사결정나무(CART)기법, 인공신경망모형, 인공위성 원격탐사자료와 지형자료 및 지상 · 기상관측망자료를 이용하여 토양수분을 산정하는 모형을 개발하였다. 본 모형의 검증을 위하여 사용된 토양수분 관측자료는 용담댐 유역에서 관측된 5개 지점의 토양수분자료를 사용하였다. 가용자료에 대해 CART기법을 적용하여 자료를 분류한 다음 분류된 각 자료집단에 대하여 인공신경망(Artificial Neural Networks)모형을 적용하여 토양수분 분포를 예측하였다. 모형의 학습에 사용된 주천, 부귀, 상전, 안천 지점의 토양수분 산정치는 관측치와 약 0.92-0.96의 상관계수, 약 1.00-1.88%왜 평균제곱근오차와 약 0.75-1.45%의 평균절대오차를 보여주었다. 토양수분 추정모형을 검증하기 위해 천천2의 지점에 적용한 결과 약 0.91의 상관계수, 약 3.19%의 평균제곱근오차, 약 2.72%의 평균절대오차를 보여 CART기법과 인공신경망모형을 연계한 토양수분 산정모형이 토양수분 분포제시 활용에 적절한 것으로 판단된다.

다국어 초록 (Multilingual Abstract)

In this study, a soil moisture estimation model was developed using a decision tree model, an artificial neural networks (ANN) model, remotely sensed data, and ground network data of daily precipitation, soil moisture and surface temperature. Soil moisture data of the Yongdam dam basin (5 sites) were used for model validation. Satellite remote sensing data and geographical data and meteorological data were used in the classification and regression tree (CART) model for data classification and the ANNs model was applied for clustered data to estimate soil moisture. Soil moisture data of Jucheon, Bugui, Sangjeon, Ahncheon sites were used for training and the correlation coefficient between soil moisture estimates and observations was between 0.92 to 0.96, root mean square error was between 1.00 to 1.88%, and mean absolute error was between 0.75 to 1.45%. Cheoncheon2 site was used for validation. Test statistics showed that the correlation coefficient, the root mean square error, the mean absolute error were 0.91, 3.19%, and 2.72% respectively. Results demonstrated that the developed soil moisture model using CART and ANN was able to apply for the estimation of soil moisture distribution.

목차 (Table of Contents)

• Abstract
• 요지
• 1. 서론
• 2. 토양수분 산정 모형
• 3. 모형 적용 및 분석
• 4. 결론
• 감사의 글
• 참고문헌

참고문헌 (Reference)

1 조홍규, "인공지능 방법을 이용한 신용평가 모형에 대한 개관" 나이스채권평가 금융공학연구소 2003

2 김수전, "신경망에 의한 레이더강우 보정 및 유출해석" 대한토목학회 30 (30): 159-167, 2010

3 김광섭, "신경망기법과 보조자료를 사용한 원격측정 토양수분자료의 Downscaling기법 개발" 한국수자원학회 37 (37): 21-29, 2004

4 황현경, "신경망 모형을 이용한 무심천 수위 예측" 건설기술연구소 27 (27): 43-56, 2008

5 홍우용, "봄철 SWAT 모형의 산림 토양수분과 Terra MODIS 위성영상 NDVI와의 상관성 분석" 한국농공학회 51 (51): 7-14, 2009

6 경민수, "기후변화가 서울지역의 기온 및 가뭄에 미치는 영향 평가 : AR4 SRES A2 시나리오를 기반으로" 대한토목학회 29 (29): 181-191, 2009

7 김성준, "격자기반의 토양수분추적모형 개발 : 보청천 유역 사례연구" 한국GIS학회 7 (7): 33-48, 1999

8 Kim, G, "Space-time characterization of soil moisture from passive microwave remotely sensed imagery and ancillary data" 81 (81): 393-403, 2002

9 Jiang, H, "Soil moisture estimation using an artificial neural network: a feasibility study" 30 (30): 827-839, 2004

10 황태하, "SWAT 모형을 이용한 토양수분지수 산정과 가뭄감시" 대한토목학회 26 (26): 345-354, 2006

11 Frate, F.D, "Retrieving soil moisture and agricultural variables by microwave radiometry using neural network" 84 (84): 174-183, 2003

12 Zweiri, Y.H, "Optimization of a three-term backpropagation algorithm used for neural network learning" 3 (3): 322-327, 2006

13 Elshorbagy, A, "On the relevance of using artificial neural networks for estimation soil moisture content" 362 (362): 1-18, 2008

14 민성원, "MTSAT IR1자료를 이용한 강수량 산출과 토양수분 추정" 한국기상학회 7 (7): 366-367, 2006

15 Bowden, G.J, "Input determination for neural network models in water resources applications. Part 1-background and methodology" 301 (301): 75-92, 2005

16 Mallick, K, "Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI" 149 (149): 1327-1342, 2009

17 Ahmad, S, "Estimating soil moisture using remote sensing data: A machine learning approach" 33 (33): 69-80, 2010

18 Breiman, L, "Classification and regression tree" Chapman & Hall/CRC, Boca Raton 1984

19 김광섭, "CART기법과 보조자료를 이용한 토양수분 추정" 한국수자원학회 43 (43): 597-608, 2010

20 Chai, S.S, "Backpropagation neural network for soil moisture retrieval using NAFE'05 data : a comparison of different training algorithms" 37 (37): 1345-1349, 2008

21 ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, "Artificial neural networks in hydrology. I: Preliminary concepts" 5 (5): 115-123, 2000

22 Lippmann, R.P, "An introduction to computing with neural network" 4 (4): 4-22, 1987

23 Sheikh, V, "A simple model to predict soil moisture : Bridging event and continuous hydrological( BEACH) modelling" 24 (24): 542-556, 2009