기계학습 기반 고해상도 토양수분 복원을 위한 Sentinel-1 SAR의 자립형 활용성 평가

Assessment of Stand-alone Utilization of Sentinel-1 SAR for High Resolution Soil Moisture Retrieval Using Machine Learning

기후변화로 인한 가뭄, 홍수, 산불, 산사태 등 자연재해의 위협이 증가함에 따라, 합성개구레이더(Synthetic Aperture Radar, SAR)와 같이 고해상도 토양수분 복원에 대한 사회적 수요도 증가하고 있다. 하지만 국내 환경은 산림 지형의 비율이 높아, 식생과 지형의 영향을 크게 받는 SAR 자료에서 토양수분을 복원하는데 많은 어려움을 겪고 있다. 이에 본 연구에서는 기계학습의 일종인 인공신경망(Artificial Neural Network, ANN) 기법을 활용하여, Sentinel-1 SAR 영상의 자립형 활용성을 평가하였다. Sentinel-1에서 얻을 수 있는 이중편파 산란계수는 토양수분 거동과 유의미한 상관성을 가지고 있음을 확인할 수 있었으며, 다른 위성이나 지점에서 관측된 보조자료를 사용하지 않고도 식생의 효과 등을 보정할 수 있는 자립형 활용 가능성도 확인할 수 있었다. 하지만 각 지점별, 지형 그룹별 특성에 의한 차이가 크게 나타났으며, 특히 산지와 평지에서 학습된 모형을 교차적용하였을 때 토양수분을 제대로 모의할 수 없는 현상이 발생하였다. 또한 이러한 문제를 해결하고자 학습 지점의 수를 늘리는 경우에는 토양수분 복원 모형이 평활화되어 상관계수는 증가하였으나, 지점에서의 오차는 점점 증가하였다. 따라서 고해상도 SAR 토양수분 자료를 광범위하게 적용하기 위해서는 체계적 연구 수행이 선행되어야 하며, 목적에 따른 학습 지점의 선정, 적용 지역의 범위 등을 구체적으로 제한하여 활용한다면 다양한 분야에서 효과적으로 활용할 수 있을 것으로 기대된다.

As the threat of natural disasters such as droughts, floods, forest fires, and landslides increases due to climate change, social demand for high-resolution soil moisture retrieval, such as Synthetic Aperture Radar (SAR), is also increasing. However, the domestic environment has a high proportion of mountainous topography, making it challenging to retrieve soil moisture from SAR data. This study evaluated the usability of Sentinel-1 SAR, which is applied with the Artificial Neural Network (ANN) technique, to retrieve soil moisture. It was confirmed that the backscattering coefficient obtained from Sentinel-1 significantly correlated with soil moisture behavior, and the possibility of stand-alone use to correct vegetation effects without using auxiliary data observed from other satellites or observatories. However, there was a large difference in the characteristics of each site and topographic group. In particular, when the model learned on the mountain and at flat land cross-applied, the soil moisture could not be properly simulated. In addition, when the number of learning points was increased to solve this problem, the soil moisture retrieval model was smoothed. As a result, the overall correlation coefficient of all sites improved, but errors at individual sites gradually increased. Therefore, systematic research must be conducted in order to widely apply high-resolution SAR soil moisture data. It is expected that it can be effectively used in various fields if the scope of learning sites and application targets are specifically limited.