Core Concepts
현장 토양 수분 측정값을 기계 학습 기반 공간적 스케일 업 기법을 통해 기후 모델 격자 및 위성 관측 수준의 공간 해상도로 확장하여, 모델 시뮬레이션과 위성 관측 자료 평가에 활용할 수 있는 방법론을 제시하였다.
Abstract
이 연구는 호주 Yanco 농업 지역을 대상으로 토양 수분 현장 측정값을 공간적으로 스케일 업하는 방법론을 제안하였다.
먼저, MODIS와 Landsat 자료를 융합하여 100m 해상도의 알베도, NDVI, 지표면 온도 등의 공간적으로 고해상도화된 예측 변수를 생성하였다. 이후 이러한 예측 변수와 현장 토양 수분 측정값을 이용하여 기계 학습 기반의 스케일 업 모델을 구축하였다.
모델 성능 평가를 위해 4-fold 교차 검증과 공간적 클러스터 간 교차 검증을 수행하였다. 그 결과, 현장 측정값을 100m 해상도로 스케일 업하는 과정에서 0.6-0.9 수준의 상관관계를 보여, 기후 모델 격자 및 위성 관측 자료와의 비교 평가에 활용할 수 있음을 확인하였다.
이 연구는 토양 수분 현장 관측 자료의 공간적 대표성 제한을 극복하고, 모델 시뮬레이션 및 위성 관측 자료 평가를 위한 기반을 마련하였다는 점에서 의의가 있다. 향후 독립적인 자료(모델 시뮬레이션, 위성 관측, 현장 캠페인 자료 등)를 활용한 추가 검증이 필요할 것으로 보인다.
Stats
토양 수분 현장 관측 자료와 공간적으로 고해상도화된 예측 변수(알베도, NDVI, 지표면 온도 등)를 이용하여 100m 해상도의 토양 수분을 추정할 수 있었다.
4-fold 교차 검증 결과, 토양 수분 추정값과 현장 관측값 간 상관계수가 0.6-0.9 수준으로 나타났다.
공간적 클러스터 간 교차 검증 결과, 토양 수분 추정값과 현장 관측값 간 상관계수가 0.6-0.8 수준으로 나타났다.
Quotes
"이 연구는 토양 수분 현장 관측 자료의 공간적 대표성 제한을 극복하고, 모델 시뮬레이션 및 위성 관측 자료 평가를 위한 기반을 마련하였다는 점에서 의의가 있다."
"향후 독립적인 자료(모델 시뮬레이션, 위성 관측, 현장 캠페인 자료 등)를 활용한 추가 검증이 필요할 것으로 보인다."