딥러닝을 이용한 남한 500미터 해상도의 일단위 토양수분 산출

서지정보

ㆍ발행기관 : 한국지도학회 ㆍ수록지정보 : 한국지도학회지 / 17권 / 3호
ㆍ저자명 : 김영호, 김광진, 이수진, 김지원, 이양원

목차

요약
Abstract
I. 서론
II. 자료와 방법
1. 연구지역 및 연구기간
2. 사용자료
3. 분석방법
III. 결과 및 고찰
IV. 결론
참고문헌

한국어 초록

토양수분은 지구의 에너지수지와 지면-대기 상호작용에 관여하는 중요한 수문기상학적 인자이므로, 토양수분의 정확한 관측과 시공간적 변화양상의 파악은 지구환경 연구에 있어 매우 중요하다. 토양수분의 지상관측은 정확도가 높으나 점단위 관측이므로 공간적 연속성이 없다는 단점이 있고, 위성관측은 공간적 연속성을 가지지만, 정확도와 공간해상도가 낮은 단점이 있다. 이에 본 연구에서는 토양수분 자료의 품질향상을 위하여, 위성자료와 기상자료를 이용한 딥러닝 모델을 수립함으로써 우리나라 500m 해상도의 일단위 토양수분함량을 산출하였다. 200회의 훈련-검증 반복실험을 통하여, 딥러닝 모델의 오차가 NASA의 목표치보다 더 양호한 결과를 산출하였으며, 지상관측치와의 일치도 역시 매우 높은 것으로 나타났다. 또한 우리나라 농지에 대한 토양수분 분포도를 작성하여 농림, 수문, 재해 분야에 대한 활용가능성을 확인하였다.

영어 초록

As soil moisture is an important hydro-meteorological factor which affects Earth’s energy budget and surface-atmosphere interaction, accurate observation of soil moisture and the understanding of spatio-temporal change is very important for Earth environmental studies. Point-based in-situ observation of soil moisture has favorable accuracy, but it does not have spatial continuity. Meanwhile, satellite observation provides spatially continuous dataset, but its accuracy and spatial resolution are not satisfactory. For quality improvement of soil moisture data in South Korea, we developed a deep learning-based retrieval model to produce daily 500-m soil moisture content by using satellite and meteorological dataset. Through 200 iterations of training-validation experiment, our deep learning model yielded more favorable results than NASA’s target accuracy and showed a good agreement with the in-situ observations. We built maps for soil moisture distribution of South Korea, which can support applications in agriculture, forest, hydrology, and disaster.

참고 자료

없음