영산강 유역에서 Sentinel-1 SAR와 Random Forest 방법론을 활용한 고해상도 토양수분 산정 = High-resolution soil moisture estimation using Sentinel-1 SAR and Random Forest in the Yeongsan River watershed

국문 초록 (Abstract)

토양수분은 수문순환, 그리고 지표와 대기 사이의 상호작용을 이해하는 데 중요한 요소이다. 이에 따라 국∙내외에서는 토양수분 모니터링과 관련된 연구가 활발히 이루어지고 있다. 본 연구에서는 유럽우주국(European Space Agency)의 Sentinel-1 Synthetic Aperture Radar (SAR) 영상과 Random Forest (RF) 방법론을 활용하여 영산강 유역의 고해상도(10m) 토양수분 추정 모델을 개발하였다. 2015년 5월부터 2023년 8월까지의 SAR 영상과 4개의 지상 관측소에서 수집한 토양수분 자료를 훈련 및 검증 자료로 구분하여 모델을 개발하고 추정값에 대한 통계적 검증을 수행하였다. 훈련 과정에 활용하지 않은 검증 자료와 RF 기반 모델을 통해 산정한 토양수분 추정값 사이의 통계적 분석을 수행한 결과, 상관계수(correlation coefficient; R)는 0.75, 일치도(Index of Agreement)는 0.83으로 유의미한 통계치를 도출하였다. 추가적인 검증을 위해 RF 기반 모델을 활용하여 유역 평균 토양수분을 산정하고 European Centre for Medium-Range Weather Forecasts Reanalysis v5-Land 강수 및 Soil Moisture Active Passive (SMAP)/Sentinel-1 토양수분과 비교하였다. 검증 결과, 강수 사상에 따라 유역 평균 토양수분 추정값이 증가하는 경향(R = 0.30)을 나타내었다. 또한, SMAP/Sentinel-1을 활용하여 산정한 유역 평균 토양수분과 RF 기반 모델을 통해 산정한 유역 평균 토양수분을 각각 지점 관측자료와 비교하였을 때, RF 기반 모델(R = 0.37)이 SMAP/Sentinel-1 (R = 0.28)보다 높은 정확도를 나타내었다. 계절적으로는 가을에 가장 높은 유역 평균 토양수분(32.60%)을 나타내었고, 겨울에 가장 낮은 값(30.66%)을 나타내었다. 이러한 분석 과정을 통해, 본 연구에서 개발한 RF 기반 모델이 강수 사상과 계절 변동을 모의할 수 있는 것으로 판단하였다.

다국어 초록 (Multilingual Abstract)

Soil moisture (SM) is a key variables in understanding the hydrological cycle and interactions between the land surface and the atmosphere. Consequently, research on SM monitoring has been actively conducted both domestically and internationally. In this study, a high-resolution (10m) SM estimation model for the Yeongsan River watershed was developed using Sentinel-1 Synthetic Aperture Radar (SAR) imagery from the European Space Agency and the Random Forest (RF) method. The model was trained and validated with SAR imagery from May 2015 to August 2023 and SM data collected from four ground observation sites. Statistical verification was conducted for the estimated values. Statistical analysis of the Sentinel-1 and RF-based SM model estimates against independent observed data yielded a correlation coefficient (R) of 0.75 and an index of agreement of 0.83, indicating significant statistical performance. For further validation, the high-resolution SM estimates were used to calculate watershed-averaged SM and compared with precipitation data from the European Centre for Medium-Range Weather Forecasts Reanalysis v5-Land and Soil Moisture Active Passive (SMAP)/ Sentinel-1 SM data. The validation results showed an increase in watershed-averaged SM estimates in response to precipitation events (R = 0.30). Additionally, when comparing the watershed-averaged SM estimates derived from the model and those from SMAP/Sentinel-1 with site observed data, the model (R = 0.37) demonstrated higher accuracy than SMAP/Sentinel-1 (R = 0.28). Seasonally, the highest watershed-averaged SM (32.60%) was observed in autumn, while the lowest (30.66%) was observed in winter. This analysis suggests that the model developed in this study is capable of simulating precipitation events and seasonal variations.