Development of a Soil Moisture Estimation Model Using Artificial Neural Networks and Classification and Regression Tree(CART)

水 工 學

第31卷 第2B 號·2011年 3月 pp. 155 ~ 163

의사결정나무 분류와 인공신경망을 이용한 토양수분 산정모형 개발

Development of a Soil Moisture Estimation Model Using Artificial Neural Networks and Classification and Regression Tree(CART)

김광섭*·박정아**

Kim, Gwangseob ^· Park, Jung-a

···

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 geo- graphical 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.

Keywords : Soil moisture, CART, ANNs, Remote Sensing

···

요 지

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 자 료집단에 대하여 인공신경망(Artificial Neural Networks)모형을 적용하여 토양수분 분포를 예측하였다. 모형의 학습에 사용 된 주천, 부귀, 상전, 안천 지점의 토양수분 산정치는 관측치와 약 0.92-0.96의 상관계수, 약 1.00-1.88%의 평균제곱근오차 와 약 0.75-1.45%의 평균절대오차를 보여주었다. 토양수분 추정모형을 검증하기 위해 천천2의 지점에 적용한 결과 약 0.91 의 상관계수, 약 3.19%의 평균제곱근오차, 약 2.72%의 평균절대오차를 보여 CART기법과 인공신경망모형을 연계한 토양수 분 산정모형이 토양수분 분포제시 활용에 적절한 것으로 판단된다.

핵심용어 : 토양수분, CART, 인공신경망, 원격탐사

···

1. 서 론

물 순환구조에서 토양수분이 차지하는 정량적 비중은 작음 에도 불구하고 , 날씨와 기후 , 강우 - 유출시스템과 홍수 , 토양 침식과 산사태 , 농업생산량 등 넓은 범위에 걸쳐 관계되어 있어 수문학적으로 중요성이 강조되고 있다 . ^{또한 토양수분}

은 증발 - 증산을 통해 지표면과 대기 사이의 물과 에너지 교 환을 연계하는 주요변수로 강수생성과 날씨패턴 및 유출 반 응에 큰 영향을 미친다 . 광역의 토양수분 관측자료가 가용할 경우 강우 - ^{유출모형의 개선을 통한 홍수예측 개선뿐만 아니}

라 수치예보모형의 입력자료로 활용될 때 기상예보의 개선 가능성을 보여주었다 . 이러한 토양수분의 중요성에도 불구하 고 수문분야에서 활용할 수 있는 정확도와 시공간 해상도를 가진 광역적이고 지속적인 관측이 이뤄지지 못하고 있는 실 정이다 .

유역에 분포한 토양수분의 상태를 알기 위하여 수문모형을 이용한 토양수분 산정 관련 연구가 이루어지고 있으며

Sheikh 등 (2009) 은 토양수분의 초기상태를 예측하기 위해 토

지 이용 시나리오 분석에 유용한 공간분산 수문모형인

BEACH(Bridge Event And Continuous Hydrological) ^모형을

*정회원·교신저자·경북대학교건축토목공학부교수

(E-mail : [email protected])

**경북대학교대학원공간정보학과석사과정

(E-mail : [email protected])

소개하였다 . 그러나 최근 원격관측 기술의 발달로 인하여 광 역의 토양수분 관측 가능성이 제시되고 있으며 관측심과 대 기영향 및 지표면 영향 등을 고려하여 토양수분측정의 방법 으로 마이크로파 주파수 (L-band) 를 사용하는 것을 권장하고

있다 (Mallick 등 , 2009). 또한 가용한 원격관측 토양수분자

료를 활용한 토양수분자료의 시공간 변화도 분석관련 연구 와 사용 목적에 적합한 시공간 분해능을 가진 토양수분자료

생산을 위한 downscaling 관련 연구도 이루어지고 있다 (Kim

and Barros, 2002; 김광섭과 이을래 , 2004). 홍우용 등

(2009) 은 충주댐유역의 모의된 토양수분을 MODIS NDVI 를

이용하여 두 변수의 상관성을 분석하였으며 Ahmad 등

(2010) 은 수문학적으로 토양수분의 중요성을 강조하며 토양수

분을 추정하기 위하여 원격탐사자료를 이용한 새로운 회귀기 술로 SVM(Support Vector Machine) 을 제시하였다 .

국내에서는 김성준과 채효석 (1999) 이 일단위 토양수분변화 추적에 있어 격자 물수지 기법을 이용한 토양수분 추적모형 을 개발하여 토양수분의 변화양상을 공간적으로 확인하였고

황태하 등 (2006) 은 소양강댐 지점의 일유입량 자료를 이용해

SWAT ^{모형에 적용하여 장기 일 토양수분을 추정하였고 이를}

이용하여 토양수분결핍 상태를 판단하고 유역의 토양수분지 수를 산정하였다 . 민성원 등 (2006) 은 토양수분과 밀접한 관 련이 있는 강수량과의 관계를 분석하고 토양수분자료의 획 득이 어려운 지역에 대해서는 위성영상을 이용하여 토양수 분 추정 가능성을 연구하였으며 김광섭과 박한균 (2010) 은

CART 기법을 이용한 지상관측 , 토지피복 , 유효토심 등의 지

상관측자료와 인공위성 영상자료 등 각종 입력자료를 이용 하여 토양수분을 산정하는 모형을 제시하였다 . ^{토양수분 추}

정을 모형화하기 위하여 다양한 방법의 선행연구가 이루어 져 왔으나 대부분 토양수분과 여타 변수들의 선형적 관계성 에 기초하고 있어 토양수나 에너지균형을 통한 기상 , 표면 ,

식생지수 등에 관련되어 있는 토양수분이 여타 변수들과의 관계가 비선형적일 경우 이를 잘 반영하지 못하는 한계를 내포하고 있다 . 하지만 인공신경망모형은 단순한 물리적 방 정식을 사용하여 설명하기 어려운 프로세스에 적용가능 (Jiang and Cotton, 2004) ^{하다는 특성을 가지고 있다} .

2000 년대에 들어서 인공신경망모형을 이용한 토양수분 연

구가 활발하게 수행되고 있다 . Frate 등 (2003) 은 신경망모형

을 이용하여 토양수분을 효과적으로 검색할 수 있음을 증명

하였고 Jiang 과 Cotton(2004) 은 토양수분 추정에 인공신경망 모형의 접근 방식이 원격탐사와 함께 세계적 범위의 잠재력 있는 유망한 대안으로 채택하였다 . Chai 등 (2008) 은 11 가지 의 역전파 (backpropagation neural network) 알고리즘을 이 용하여 토양수분 함량과 밝기 온도의 공중 마이크로파 측정 간의 관계에 대하여 비교 검토한 결과 최상의 알고리즘을 제시하였다 . 또한 Elshorbagy 와 Parasuraman(2008) 은 토양 수분 역학을 특성화한 HONNs(Higher-Order Neural Networks)

모형을 사용하여 토양수분 시뮬레이션 중 일부분에 대해 일 반적 인공신경망모형보다 상대적으로 높은 상관계수 결과를 보여준 바 있다 . 이에 본 연구에서는 토양수분 추정에 비선 형적 산정모형을 병렬적으로 구축할 수 있고 추정모형에 대

한 적용성이 뛰어난 (Lippmann, 1987) 인공신경망모형과 동

일 자료 특성을 가진 자료집단을 분류하기 위하여 사용한

CART 기법을 연계하여 토양수분을 산정하는 기법을 제시하 였다 . 인공신경망의 입력변수로써 강수량 , 토양수분 , 지면온 도 등의 지상관측자료와 인공위성 원격탐사자료 MODerate resolution Imaging Spectroradiometer(MODIS) Normalized Difference Vegetation Index(NDVI) ^{를 이용하였으며} CART

기법을 이용하여 병렬 신경망의 입력자료집단을 형성하였다 . 2. 토양수분 산정 모형

Fig. 1 에서 토양수분 산정을 위하여 본 연구에서 사용된

계산 과정을 개념적으로 제시하였다 . 먼저 토양수분 산정을 위하여 기상청과 수자원 공사에서 획득한 지상관측망의 강 수량 , ^토양수분 , ^{지면온도를 이용하여 목표로 하는 공간분해}

능인 1 km×1 km 자료를 구축한다 . 우리나라에 대한 MODIS NDVI 자료를 획득하여 TM 좌표계로 reprojection 하여 기상자 료 위치정보와 일치시킨다 . 가용자료를 활용하여 의사결정나 무기법에 적용하고 토양수분의 거동이 동일한 자료집단을 구 성한다 . 각각의 동질 자료집단에 대하여 인공신경망모형을 적용하여 토양수분자료를 생산한다 .

2.1 의사결정나무(CART) 기법

CART 는 목표변수의 분류와 예측이 가능한 의사결정나무

(decision tree) 분석기법 중의 한가지로서 Breiman 등

(1984) 에 의해 소개되었으며 이진법 의사결정나무의 구조는

Fig. 1 Conceptual diagram of soil moisture estimation

설정자료를 구축하여 변수의 특정 값을 형성 모델링한 것으

로 두 개의 하위 (descendant) 집단으로 나누어져 반복 분할된

다 . 이는 Breiman 등 (1984) 이 설명한 분할 세단계로 요약할 수 있다 . 첫 번째 단계는 재귀분할기법을 이용한 분할기준에 따라 변수와 분할지점을 선택하여 나무의 성장을 수반한다 .

기본 변수와 대리모 변수의 선택에 있어 분할기준이 밀접하 게 관련되어 있을 뿐만 아니라 주요 변수의 누락 값을 관측 하는 것에도 사용되며 그 값의 확인 및 선택도 가능하다 .

이와 같이 형성된 나무는 두 번째 단계에서 나무의 뿌리노 드부터 마지막 노드까지 복잡도 측정을 하여 중첩된 하위 집합부분이나 분류에 영향을 끼치지 않는 부분을 가지치기 절차를 통해 제거한다 . 교차검증이나 검사표본은 각각의 하 위노드에 대한 분류오차를 예측하는 곳에 사용되고 교차유 효성검사는 데이터 포인트의 작은 숫자를 사용하여 CART 기 법을 구축하게 된다 . 마지막 단계는 가장 낮은 교차검증 또 는 설정오류율이 매우 미미한 결과에 해당하는 최적의 나무 를 선택하는 것이다 . 이 단계에서 나무는 불안정한 상태이며 나무의 크기가 작을수록 안정한 상태가 된다 . 그러나 하나의 표준오차 내의 정확성을 비교하려면 대안책을 선정해야 된 다 . 이 절차는 표준오차규칙을 나타내고 변화하는 크기나 복 잡성을 가지는 나무를 얻기 위해 조정할 수 있다 . 변수 중 요도측정은 또 다른 변수가 기본 분할하는 곳에 대신 사용 될 때 떨어지는 오류율을 관찰하여 구현할 수 있으며 이는 기본적으로 더 많은 변수가 기본 또는 대리 분할로 중요성 이 높게 나타나는 잦은 할당 점수이다 .

본 연구에서는 CART 기법을 이용하여 용담댐 유역 지점들 중 주천 , ^부귀 , ^상전 , ^{안천의 각 지점별 강수량} , (t-1) ^이전시

간의 강수량 , (t-1) 이전시간의 토양수분 , 지면온도의 지상관측

자료와 인공위성 원격탐사자료인 MODIS NDVI 자료를 이용 하여 동일 자료 특성을 가진 자료집단을 분류하고 인공신경 망모형에 적용할 각 자료집단을 구축하였다 .

2.2 인공신경망(Artificial Neural Networks) 모형

최근 수문분야에서 인공신경망모형을 적용한 연구가 급속 히 진행되고 있다 (ASCE Task Committee on Application of Artificial Neural Networks in Hydrology, 2000). Bowden

등 (2005) 은 수자원 응용에 인공신경망모형의 적절한 자료 활

용 방법을 제시하고 실제 염도 예측을 위해 적용하였다 . 경

민수 등 (2009) 은 인공신경망이론을 적용하여 온도와 강수량

을 서울지점으로 축소하였는데 이 결과 온도는 축소하였으 나 강수량은 발산하는 것을 확인하였다 . 김수전 등 (2010) 은

2 개의 신경망모형을 사용하여 관측강우자료의 정확성과 강우 레이더자료의 공간정보의 장점을 최대화한 강우자료를 보정 하였다 . 이외에도 인공신경망을 이용한 수문 및 토양수분 분 야에서 수없이 연구가 진행되었으며 , 대부분의 논문에서 신

경망이 여러 downscailng 방법에 비해 높은 성과를 보여

주었다 . 최근에 발표되고 있는 논문에서는 기존에 많이 사용 되었던 역전파 알고리즘의 인공신경망에서 발전한 여러 가 지 새로운 신경망기법들을 적용하고 있다 (Elshorbagy 와

Parasuraman, 2008).

Fig. 2 는 이층구조 신경망모형의 역전파 알고리즘을 보여

주고 있다 . 일반적으로 인공신경망기법에 활용되는 다층 퍼

셉트론은 입력층의 각 노드에 입력 데이터를 제시하면 각 노드에서 전달함수를 사용하여 은닉층에서 변환되어 출력층 에 도출된다 . 이 관계는 Eqs. (1) and (2) 와 같다 .

(1) (2)

여기서 , S

는 입력값의 합 , n은 입력층의 총 노드수 , x

는 입 력값 , w

는 연결강도 , θ는 상쇄값 , o

는 출력값이다 .

역방향 (feedback) 구조의 계산은 전방향구조에 의해 계산된

출력값 o

와 목표 출력값 y

사이의 오차 e를 구하고 Eq. (3)

과 같이 나타낸다 .

(3)

그리고 도출된 출력값과 목표로 삼은 출력값과의 비교를 통하여 두 변수의 차이를 최소화시키는 방향으로 연결강도 를 출력층 연결강도와 은닉층 연결강도에 의해 조정하고 이 는 Eqs. (4) and (5) 와 같이 나타낸다 .

(4) (5)

여기서 , 는 출력층 연결강도 , 는 은닉층 연결강도 ,

α는 학습계수 , δ

는 출력층 오류값 , δ

는 은닉층 오류값이다 .

하지만 역전파 알고리즘은 학습과정에서 무수한 반복학습 이 요구되며 더욱이 학습이 최종적으로 완료되는 시점을 정 확히 알 수 없으며 , 만일 추가적인 학습이 필요할 경우에는 처음부터 다시 시작해야하는 문제점을 가지고 있다 . 하지만 연결 가중치를 조절하고 누적학습방법을 적용하는 등 역전 파 알고리즘의 문제를 점차 개선하는 방향으로 연구가 진행

되고 있어 (Zweiri, 2006) ^{다양한 연구 분야에서 널리 사용되}

는 인공신경망모형의 가중치산정기법 중 한 방법이다 .

본 연구에서는 인공신경망에 의한 토양수분 산정에 적절한 S

x

w

i

= 1

∑

^{+ θ}

=

o

= f S ( )

e ( y

– o

)2

∑

=

w

= w

+ α δ ⋅ ⋅

y

w

= w

+ α δ ⋅ ⋅

y

w

w

Fig. 2 Two layered neural networks

모형의 구축을 위해 우선 위에서 언급한 CART 기법을 이용 하여 용담댐 유역의 4 개 지점의 강수량 , 토양수분 , 지면온도 ,

MODIS NDVI 자료를 동질집단으로 분류하여 모형의 기본

형식을 설정하였다 . 그런 다음 학습조건을 설정하기 위한 최 적의 은닉층 노드수를 선정하여야 하며 최적 학습조건 및 은닉층 노드수에 대한 최상의 수준의 명확성이 없으므로 일 반적으로 다양한 시뮬레이션을 통하여 최적모형을 구축한다

( 조홍규 , 2003). 학습조건이 결정된 후 시뮬레이션 과정을 통

하여 최적의 은닉층 노드수가 결정되게 되면 인공신경망모 형을 이용한 산정모형이 완성된 것으로 볼 수 있다 . 3. 모형 적용 및 분석

3.1 대상유역

본 연구에서는 신뢰성 높은 토양수분 관측자료를 보유하고

있는 용담댐 유역 (Fig. 3) 을 연구대상지역으로 선정하였으며

지점은 북위 36° 02' 66'' 부터 36° 58' 18", 동경 127° 31' 04" 부터 127° 75' 03" 사이에 위치하고 있다 . 용담댐 유역의 유역특성 중 토지피복별 면적 (2000 ^년 ) ^{을 살펴보면 산림} 743.57 km ² , 논 81.34 km ² , 밭 48.79 km ² , 시가화 29.44 km ² , 초지

22.06 km ² , 기타 5.23 km ² 로 총 유역면적 930.43 km ² 의 대 부분이 산림지대 (79.9%) 이고 유역둘레는 188.69 km 이다 . 이 는 1975 년부터 2000 년까지 5 년 주기의 Landsat 위성영상을

이용하여 피복분류 된 자료로서 연도별 센서는 1975, 1980

년도에 MSS 가 사용되었고 1985, 1990, 1995 년도는 T/M 이

2000 년도에는 ETM 이 사용되었다 .

Fig. 3 ^{은 토양수분 관측} 5 ^{개 지점} ( ^주천 , ^부귀 , ^안천 , ^상전 ,

천천 2) 의 용담댐 유역을 보여주고 있으며 이는 강우발생에 대한 토양수분의 거동이 잘 반영된 지점을 선택하였다 . 수집 된 자료는 수자원관리종합정보시스템 (WAMIS) 에서 제공하는 강수자료 , ^{수자원공사에서 관측한} 0-14 cm ^{깊이의 토양수분} ,

기상청에서 관측한 지면온도 , NASA 에서 운영하는 ftp 서버를

통하여 획득한 MODIS NDVI 이며 자료의 수집기간은 2008

년 5 월 16 일부터 2008 년 8 월 19 일까지의 일단위자료이다 .

Table 1 ^{은 토양수분 관측지점의 토양종류와 그에 따른 포장}

용수량 , ^위조점 , ^{수분함량 등의 물리적 특성을 나타내고 있}

다 . 다음은 토양특성에 대해 알아보자 . 용담댐 유역의 토양

도는 대부분이 암쇄토로 61.94% 의 높은 비율로 구성되어져

있으며 이는 산지에서 많이 볼 수 있는 유형의 토양이고

Table 2 and 3 ^{은 유역토심별 토양도 현황과 배수별 토양도}

현황을 각각 보여주고 있다 . 더 자세한 내용은 국가 수자원 관리종합정보시스템 (www.wamis.go.kr) 에서 확인할 수 있다 .

3.2 토양수분 산정모형의 적용

대상지역의 토양수분 산정모형을 구성하기 위하여 다양한 가용자료와 토양수분자료를 입력변수로 사용하였다 . 입력변 수로 활용된 데이터는 용담댐 유역 4 개 지점인 주천 , 부귀 ,

Fig. 3 Yongdam dam Basin

Table 1. Soil physical condition of observation sites

Site Soil type Field capacity Wilting point Water content

Jucheon Gravelly loam 0.15-0.30 0.04-0.17 0.05-0.27

Bugui Gravelly loam 0.15-0.30 0.04-0.17 0.22-0.37

Sangjeon Gravelly loam 0.15-0.30 0.04-0.17 0.20-0.36

Ahncheon Gravelly loam 0.15-0.30 0.04-0.17 0.06-0.19

Cheoncheon2 Sandy loam 0.13-0.28 0.06-0.16 0.13-0.29

Table 2. Present condition of effective soil depth of Yongdam dam Basin (WAMIS, 2010)

Basin Very

deep Deep-

very deep Deep Normal-

deep Normal Shallow- normal Shallow Very

shallow Rock

outcrop No data

Yongdam basin 26.4 3.37 45.12 13.35 124.98 0.09 577.66 12.34 126.93 0.19

Table 3. Present condition of drainage soil of Yongdam dam Basin (WAMIS, 2010)

Basin Very good Very good- good Good So so-good Bad Very bad Rock outcrop No data

Yongdam basin 461.7 115.94 93.51 25.24 106.91 0 126.93 0.2

상전 , 안천의 각 강수량 , (t-1) 이전시간의 강수량 , (t-1) 이전시 간의 토양수분 , 지면온도 , 위성자료 식생지수인 MODIS NDVI ^{로부터 토양수분을 분류하는데} CART ^{기법이 사용되었}

다 . CART 기법의 분할형태는 Fig. 4 와 같으며 총 380 개의

경우 (6 가지 속성 ) 에서 10 가지의 방법으로 분류되었으며 이는

Table 4 에서 보는 바와 같이 각 요소마다 세분화된 범위로

지정되었다 .

각 변수별로 수치의 범위가 다양하여 토양수분 산정모형 구성 시 본래 값 그대로의 자료를 입력변수로 사용하면 효 율성이 낮아짐으로 자료의 전처리 과정이 필요하다 . 따라서 산정모형의 효율을 높이기 위해 본 연구에서는 자료를 전처 리한 후 도출된 변수를 역변환하는 과정을 거쳤다 . 이에 변

수를 0 에서 1 까지의 값으로 변환하는 과정이 필요하며 , Eq.

(6) 을 이용하여 변환하였다 .

(6)

여기서 , Y는 정규화변수 , X는 입력변수 , X _min 는 입력변수의 최소값 , X max 는 입력변수의 최대값이다 .

용담댐 유역의 4 개의 관측지점 ( 주천 , 부귀 , 상전 , 안천 ) 을 이용하여 구성된 인공신경망모형은 1 ^{개의 입력층과} 5 ^{개의 노}

드 , 1 개의 은닉층과 5 개의 노드 , 1 개의 출력층과 1 개의 노 드로 구성되어 있으며 전달함수로 시그모이드 (sigmoid) 함수 를 채택하였다 . 입력변수로는 용담댐 유역의 각 지점별 (t-1)

이전시간의 강수량 , 강수량 , 지면온도 , MODIS NDVI, (t-1)

이전시간의 토양수분을 CART 에서 10 개의 동일집단으로 분 류하여 사용하였으며 학습을 통해 연구에 적절한 모형을 구

축하였다 (Table 5). 구축모형의 토양수분 산정 결과 Fig. 5

에서 보이는 것과 같이 모든 지점에서 추정치가 관측치에 잘 맞아가고 있음을 보여주고 있으며 토양수분 구축모형을

검증하기 위해 천천 2 지점을 확인해본 결과 Fig. 6 과 같음

을 확인 할 수 있었다 .

3.3 적용결과의 통계적 검증

실험을 통해 예측한 결과와 측정변수를 비교하기 위한 통 계분석은 인공신경망모형의 적용타당성을 입증해주는 중요한

과정이다 ( 황현경과 김경호 , 2008). 본 연구에서는 최적모형

선정을 위한 검증 통계량으로써 상관계수 (R, Eq. (7)), 평균 평방근오차 (RMSE, root mean squre error, Eq. (8)), 평균 절대오차 (MAE, mean absolute error, Eq. (9)) ^{와 평균오차} (Mean error, Eq. (10)) 를 사용하였다 .

(7)

Y X Xmin –

Xmax Xmin – ---

=

R 1

n --- ^P

– ^P

σ

---

⎝ ⎠

⎜ ⎟

⎛ ⎞ O

– O σ

---

⎝ ⎠

⎜ ⎟

⎛ ⎞

i

= 1

∑

=

Fig. 4 Soil moisture classification of CART model

Table 4. Grouping

Rule Group

Rule 1 P <= 1, SM

<= 20.8, P

<= 19 Rule 2 P > 1, SM

<= 16.93, P

<= 6 Rule 3 P > 1, SM

<= 16.93, P

> 6, P

<= 54 Rule 4 P <= 1, SM

<= 26.65, P

> 19 Rule 5 P > 1, SM

<= 26.65, P

> 54 Rule 6 P <= 1, SM

> 20.8, SM

<= 26.65, P

<= 19 Rule 7 P > 1, SM

> 16.93, SM

<= 26.65, P

<= 54 Rule 8 P <= 15, SM

> 26.65, P

<= 7 Rule 9 P > 15, SM

> 26.65 Rule 10 P <= 15, SM

> 26.65, P

> 7 P=Precipitation, SM=Soil Moisture

Table 5. Variables

Variable Input Output

X

X

X

X

X

Y

Situation Soil Moisture(t-1) Precipitation(t-1) Precipitation MODIS NDVI Surface temperature Soil Moisture

Fig. 5 Estimation of soil moisture in Jucheon, Bugui, Sangjeon, Ahncheon

Fig. 6 Verification of soil moisture model in Cheoncheon2

Table 6. Sangjeon indexes of the soil moisture estimates for each point

R RMSE MAE Mean error Mean Min. Max.

Calibration

Jucheon 0.9598 1.3925 1.1528 4.3501 15.0672 4.6874 26.2980

Bugui 0.9607 1.0254 0.7462 2.0058 27.9749 22.3475 37.1707

Sangjeon 0.9153 1.8783 1.4490 4.0668 27.3977 20.2464 34.7120

Ahncheon 0.9417 1.0037 0.7688 4.1533 12.0093 6.3221 17.4393

Validation Cheoncheon2 0.9114 3.1918 2.7203 9.3482 20.7308 11.8965 28.4722

Fig. 7 Estimation of soil moisture in Korea (2009)

(8)

(9)

(10)

여기서 , n은 모형에 사용한 자료개수 , P

는 추정치 , O

는 관 측치 , 는 추정치의 평균 , 는 관측치의 평균을 나타낸다 .

이는 Table 6 ^{에 나타난 것과 같이 주천} , ^부귀 , ^상전 , ^안천

지점의 토양수분을 추정하여 관측치와 비교한 결과 약 0.91-

0.96 의 상관계수 , 약 1.00-1.88% 의 평균제곱근오차 그리고

약 0.75-1.45% 의 평균절대오차를 보여준다 . 토양수분 추정모

형을 검증하기 위해 천천 2 의 지점을 확인해본 결과 약

0.91, 약 3.19%, 약 2.72% 의 상관계수 , 평균제곱근오차 , 평 균절대오차를 보여 인공신경망모형이 토양수분을 잘 추정한 다고 판단된다 .

용담댐 유역을 바탕으로 구축한 토양수분 추정모형을 이용 하여 우리나라 전역에 대한 적용가능성을 검토한 결과 Fig.

7 과 같이 2009 년 우리나라 월평균 토양수분을 도식화하였고

Fig. 8 에서 2009 년 월평균 강수량과 추정 토양수분을 비교

하여 그래프로 나타낸 바와 같이 추정된 토양수분이 월별

강수량의 변화양상을 따라가고 있는 것을 확인할 수 있다 . 4. 결 론

본 연구에서는 CART 기법과 인공신경망모형을 이용한 토양 수분 산정모형을 제시하였다 . 적용 대상유역으로는 신뢰도가 높은 지상관측 토양수분자료를 가진 용담댐 유역을 선택하였 으며 모형의 training ^{을 위하여 먼저 주천} , ^부귀 , ^상전 , ^{안천 지}

점의 강수량 , 토양수분 , 지면온도 , 위성영상 MODIS NDVI 등 을 입력변수로 사용하여 CART 기법으로 분류한다 . 이렇게 분 류된 변수들을 인공신경망모형에 적용하여 training 을 실시하였 다 . 그 결과 약 0.9153 에서 약 0.9607 의 높은 상관계수를 얻 을 수 있었고 검증을 위하여 사용된 천천 2 의 적용결과 상관계

수가 약 0.9114 로 토양수분 거동을 잘 나타내는 것을 확인할

수 있었다 . 이와 같이 토양수분의 거동을 잘 보여주고 있는 구 축모형을 이용하여 우리나라 전역에 대한 적용가능성을 검토 하였다 . 토양수분 지상관측망이 구축되어 있는 용담댐 대상유 역에 대한 본 모형의 적용을 통하여 전체적인 공간분포나 월 별 변화특성을 잘 나타내는 우수한 토양수분 공간자료 생산이 가능하다고 판단되나 , 우리나라 전역에 대한 수문 및 기상모형 에 활용 가능한 전국 토양수분 자료를 생산하기 위해서는 다 양한 토양 , 식생 , 지형 특성에 대한 적정 토양수분 지상관측망 과 자료의 구축이 절실하다 . 이러한 한계에도 불구하고 각종 지상 및 기상정보를 얻을 수 있는 지상관측망 및 원격탐사자 료를 적극 활용하면 토양수분 공간정보 생산에 있어 보다 더 정확한 산정이 가능할 것으로 기대된다 .

감사의 글

본 연구는 국토해양부 첨단도시기술개발사업 - 지능형국토정 보기술혁신 사업과제의 연구비지원 (07 ^국토정보 C03) ^{에 의해}

수행되었습니다 .

참고문헌

경민수 , ^이용원 , ^김형수 , ^김병식 (2009) ^{기후변화가 서울지역의 기}

RMSE 1

n --- ( P

– O

)2

i

= 1

∑

^{1 2}

=

MAE 1

n --- ( P

– O

)

i

= 1

∑

=

Mean Error 1

n --- ^{( P}

– ^O

^{) O ⁄}

i

= 1

∑

^{× 100}

=

P O

Fig. 7 Continued

Fig. 8 Monthly mean of soil moisture (2009)

온 및 가뭄에 미치는 영향 평가 : AR4 SRES A2 ^시나리

오를 기반으로 . ^{대한토목학회논문집} , 대한토목학회 , 제 29 권 제

2B 호 , pp. 181-191.

김광섭 , 박한균 (2010) CART 기법과 보조자료를 이용한 토양수분

추정 . ^{한국수자원학회논문집} , ^{한국수자원학회} , ^제 43 ^권 , ^제 7 ^호 , pp. 597-608.

김광섭 , 이을래 (2004) 신경망기법과 보조자료를 사용한 원격측정

토양수분자료의 Downscaling 기법 개발 . ^{한국수자원학회논문집} ,

한국수자원학회 , 제 37 권 , 제 1 호 , pp. 21-29.

김성준 , ^채효석 (1999) ^{격자기반의 토양수분추적모형 개발} : ^보청

천 유역 사례연구 . ^{한국GIS학회지} , 한국 GIS 학회 , 제 7 권 , 제 1

호 , pp. 33-48.

김수전 , ^권영수 , ^이건행 , ^김형수 (2010) ^{신경망에 의한 레이더강우}

보정 및 유출해석 . ^{대한토목학회논문집} , ^{대한토목학회} , ^제 30 ^권

제 2B 호 , pp. 159-167.

민성원 , 이정림 , 서명석 (2006) MTSAT IR1 자료를 이용한 강수 량 산출과 토양수분 추정 . 2006년도 한국기상학회 가을 학 술대회 논문집 , ^{한국기상학회} , ^제 7 ^권 , ^제 2 ^호 , pp. 366-367.

조홍규 (2003) 인공지능 방법을 이용한 신용평가 모형에 대한 개

관 . 나이스채권평가 금융공학연구소.

홍우용 , 박민지 , 박종윤 , 하림 , 박근애 , 김성준 (2009) 봄철

SWAT ^{모형의 산림 토양수분과} Terra MODIS ^위성영상

NDVI 와의 상관성 분석 , ^{한국농공학회논문집} , 한국농공학회 ,

제 51 권 , 제 2 호 , pp. 7-14.

황태하 , 김병식 , 김형수 , 서병하 (2006) SWAT 모형을 이용한 토 양수분지수 산정과 가뭄감시 . ^{대한토목학회논문집} , ^{대한토목학}

회 , 제 26 권 , 제 4B 호 , pp. 345-354.

황현경 , 김경호 (2008) 신경망 모형을 이용한 무심천 수위 예측 .

건설기술논문집 , 건설기술연구소 , 제 27 권 , 제 1 호 , pp. 43-56.

Ahmad, S., Kalra, A., and Stephen, H. (2010) Estimating soil mois- ture using remote sensing data: A machine learning approach.

Advances in water resources , Vol. 33, No. 1, pp. 69-80.

ASCE Task Committee on Application of Artificial Neural Net- works in Hydrology (2000) Artificial neural networks in hydrology. I: Preliminary concepts. Journal of Hydrologic Engineering , Vol. 5, No. 2, pp. 115-123.

Bowden, G.J., Dandy, G.C., and Maier, H.R (2005) Input determina- tion for neural network models in water resources applications.

Part 1-background and methodology. Journal of Hydrology , Vol. 301, No. 1-4, pp. 75-92.

Breiman, L., Friedman, J.H., Olshen, R.A., and Stone, C.J. (1984) Classification and regression tree. Chapman & Hall/CRC, Boca Raton.

Chai, S.S., Veenendaal, B., West, G., and Walker, P. (2008) Back- propagation neural network for soil moisture retrieval using NAFE'05 data : a comparison of different training algorithms.

The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences , Vol. 37, No. B4, pp.

1345-1349.

Elshorbagy, A. and Parasuraman, K. (2008) On the relevance of using artificial neural networks for estimation soil moisture content. Journal of Hydrology , Vol. 362, No. 1-2, pp. 1-18.

Frate, F.D., Ferrazzoli, P., and Schiavon, G. (2003) Retrieving soil moisture and agricultural variables by microwave radiometry using neural network. Remote sensing of environment , Vol. 84, No. 2, pp. 174-183.

Jiang, H. and Cotton, W.R. (2004) Soil moisture estimation using an artificial neural network: a feasibility study. Can. J. Remote Sensing , Vol. 30, No. 5, pp. 827-839.

Kim, G. and Barros, A.P. (2002) Space-time characterization of soil moisture from passive microwave remotely sensed imagery and ancillary data. Remote sensing of environment , Vol. 81, No.

2, pp. 393-403.

Lippmann, R.P. (1987) An introduction to computing with neural network. ASSP magazine , Vol. 4, No. 2, pp. 4-22.

Mallick, K., Bhattacharya, B.K., and Patel, N.K. (2009) Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI.

Agricultural and Forest Meteorology , Vol. 149, No. 8, pp.

1327-1342.

Sheikh, V., Visser, S., and Stroosnijder, L. (2009) A simple model to predict soil moisture : Bridging event and continuous hydro- logical(BEACH) modelling. Environmental Modelling & Soft- ware , Vol. 24, No. 4, pp. 542-556.

Zweiri, Y.H. (2006) Optimization of a three-term backpropagation algorithm used for neural network learning. International Jour- nal of Computational Intelligence , Vol. 3, No. 4, pp. 322-327.

( 접수일 : 2010.12.22/ 심사일 : 2011.1.22/ 심사완료일 : 2011.1.31)