머신러닝 기반 토양수분 자료 결측 보간 모형 개발

Development of a Machine Learning-Based Soil Moisture Data Gap-Filling Model

토양수분은 가뭄 발생과 해소를 매개하는 핵심 인자로서, 대기-지표-지하수로 이어지는 수문순환의 연결고리 역할을 한다. 이처럼 가뭄 연구 및 분석을 위한 토양수분 자료 관측 센서를 설치하여 측정하고 있으나, 기상 및 통신 장애로 결측이 발생하여 자료 활용에 불편함을 겪고 있다. 본 연구에서는 해남·예산 지역에 설치된 토양수분 모니터링 시스템의 토양수분 결측 자료를 보간하기 위하여 먼저 강수 자료를 보간하고, 강수 특징변수로 머신러닝의 학습자료를 5개로 구축하여 학습 및 평가자료 정확도 결과를 비교·분석하였다. 연구 결과, 지연, 누적, 시계열 특징변수로 구성한 D, E 학습자료 기반 머신러닝 모형이 훈련·검증자료 정확도가 우수하였다. 평가자료 정확도는 D, E 학습자료 기반 XGB 모형이 우수하였으나, E 학습자료 기반 XGB 모형은 다른 조합 대비 더 많은 경우에서 우수한 정확도를 보였다. 따라서 E 학습자료 기반 XGB 모형을 활용하여 해남·예산 지역에 설치된 토양수분 모니터링 시스템의 10·20cm 깊이 토양수분 결측 자료를 보간하는게 적절하다고 판단하였다.

Soil moisture is a key variable governing drought onset and recovery and a critical link in the hydrological cycle connecting the atmosphere, land surface, and groundwater. Missing observations frequently occur in soil moisture monitoring systems due to meteorological and communication failures, limiting data usability. In this study, missing soil moisture data from monitoring systems in Haenam and Yesan were gap-filled by first correcting precipitation data and constructing five machine-learning training datasets using precipitation-based features. Model performance was evaluated using training, validation, and evaluation datasets. Results indicate that Training D and E datasets, incorporating lagged, accumulated, and time-series precipitation features, combined with the XGB algorithm, showed superior performance. The D– and E–XGB combinations also achieved high accuracy in the evaluation dataset, with the E–XGB model outperforming others in more cases. Therefore, the E-dataset XGB model is suitable for gap-filling 10- and 20-cm soil moisture data in the Haenam and Yesan regions.