논문 상세보기
국지예보모델자료와 위성자료를 이용한 딥러닝 기반의 농지 증발산량 산출 및 지도화 KCI 등재
Deep Learning-based Estimation and Mapping of Evapotranspiration in Cropland using Local Weather Prediction Model and Satellite Data
pp.105-116
증발산은 순복사 에너지를 사용하여 잠열의 형태로 수증기를 대기 중으로 수송함으로써 지구에너지 순환에 있어 중요한 요소 중의 하나이며, 증발산량은 지표유출의 두 배 정도로서 지구 물 수지에서 차지하는 비중이 매우 크다. 증발산의 지상관측은 지점에 국한되기 때문에 공간연속면 상에서의 증발산량 산출을 위하여 격자형 기상자료와 위성자료를 이용한 모델링이 오랫동안 이루어져왔다. PM(Penman-Monteith) 방정식에 기초한 METRIC(Mapping Evapotranspiration with Internalized Calibration) 모델이나 PT(Priestley-Taylor) 방정식을 이용한 MS-PT(Modified Satellite-based Priestley-Taylor) 모델 등이 주로 사용되어 왔으나, 또 하나의 대안으로서 본 연구에서는 최근 부각되고 있는 딥러닝 기법인 DNN(deep neural network)을 이용한 증발산 모델링을 수행하였다. 은닉층 구조, 손실함수, 옵티마이저, 활성화함수, L1/L2 정규화, 드롭아웃 비율 등의 최적화 과정을 거쳐서 수립한 DNN 모델은 RMSE = 0.326mm/day, 상관계수 = 0.975의 매우 양호한 정확도를 나타내었다. 이는 DNN 최적화와 함께, 국지예보모델과 위성자료로부터 증발산 기작에 관여하는 인자들을 선택하여 입력자료로 적절히 사용하였기 때문이기도 하다. 향후과제로서 훈련자료의 종류와 양을 증가시켜서 DNN 모델을 보다 정교화하는 것은 반드시 필요하다고 사료된다.
Evapotranspiration is an important factor for Earth energy balance which transports vapor into atmosphere in the form of latent heat using net radiation energy. Measuring the evapotranspiration is actually limited to a point, so the modeling on a spatially continuous grid has been conducted for a long time using meteorological and satellite data. In addition to the PM (Penman-Monteith) equation-based METRIC (Mapping Evapotranspiration with Internalized Calibration) model and the PT (Priestley-Taylor) equation-based MS-PT (Modified Satellite-based Priestley-Taylor) model, the DNN (deep neural network) as an emerging technique can be a viable option. We conducted a DNN modeling of evapotranspiration through optimization for hidden layer structure, loss function, optimizer, active function, L1/L2 regularization, and dropout ratio. The result showed a quite favorable accuracy with the RMSE of 0.326 mm/day and the correlation coefficient of 0.975. This is because we used optimal input variables associated with the mechanism of evapotranspiration from numerical weather prediction model and satellite data, in addition to the DNN optimization. However, a more delicate modeling by increasing the volume and kind of training dataset will be necessary for future work.
Abstract
I. 서론
II. 이론적 배경
1. 에너지수지-공기역학 방법
2. 인공지능 방법
III. 자료와 방법
1. 사용 자료
2. 모델링 방법
IV. 결과 및 고찰
V. 결론
참고문헌
