Field-scale soil moisture estimated from Sentinel-1 SAR data using a knowledge-guided deep learning approach

기술 요약: 지식 가이드 딥러닝 접근 방식을 이용한 Sentinel-1 SAR 데이터 기반 필드 규모 토양 수분 추정

문제 정의
정밀한 고해 resolution의 필드 규모 토양 수분(SM) 추정은 농업 및 환경 연구에 있어 매우 중요하지만, 여전히 도전적인 과제로 남아 있다. 수동 마이크로파 센서는 신뢰할 수 있는 전천후 SM 회복을 제공하지만, 거친 공간 해상도(수십 킬로미터)로 인해 필드 규모에서의 적용성이 제한된다. 반면, Sentinel-1과 같은 C-밴드 합성 개구 레이더(SAR) 센서는 높은 공간 해상도(10–30 m)를 제공하지만, 식생 피복, 표면 거칠기, 토양 질감과 같은 표면 특성과 레이더 후방 산란 사이의 곱셈적 상호작용으로 인한 신호 해석의 내재적 복잡성에 직면한다.

기존의 회복 방법은 일반적으로 다음과 같은 뚜렷한 한계를 가진 두 가지 범주로 나뉜다:

1. 경험적/반물리적 모델 (예: 워 클라우드 모델 - WCM): 이 모델들은 이론적 관계를 기반으로 전체 후방 산란을 토양과 식생 기여분으로 분해한다. 그러나 이들은 종종 단순화된 가정(예: SM과 토양 후방 산란 사이의 선형 관계)과 사이트별 매개변수화에 의존하며, 이는 다양한 농업 경관 전반에 걸친 일반화 능력을 제한한다.
2. 순수 데이터 기반 모델 (예: 심층 신경망): 복잡한 비선형 관계를 포착하는 능력은 뛰어나지만, 해석 가능성과 물리적 일관성이 부족하다는 비판을 자주 받는다.

방법론
본 연구는 물리적 원리인 워 클라우드 모델(WCM)을 장단기 메모리(LSTM) 신경망 구조에 통합하는 지식 가이드 딥러닝 접근 방식을 제안한다. 이 방법론은 LSTM의 시공간적 의존성 포착 능력과 물리적 제약 조건 강제를 결합하는 것을 목표로 한다.

• 데이터 입력: 모델은 Sentinel-1 SAR 데이터(VH 편파, Ground Range Detected 제품)를 활용하며, WCM 원리를 사용하여 전체 후방 산란에서 격리된 토양 후방 산란 계수를 추출한다. 또한, MODIS와 Landsat 데이터의 시공간 융합을 통해 도출된 Landsat 해상도의 식생 정보(NDVI, 알베도)와 보조 표면 특성(토양 질감, 유효 수분 보유 능력, 기후 그리드)을 포함한다.
• 모델 아키텍처:
  • 표준 WCM에서 사용되는 WCM의 선형 회귀 대신, 본 연구는 이를 LSTM 함수($f_{LSTM}$)로 대체한다.
  • LSTM의 입력값은 격리된 토양 후방 산란($\sigma_{soil}$)의 시계열 데이터와 보조 표면 특성 벡터($v$)를 포함한다.
  • 식생 후방 산란 계수($A$)는 네트워크 내에서 학습 가능한 매개변수로 취급되며, 지수 변환($A = e^{\log A}$)을 통해 양수 값으로 제한된다.
• 손실 함수: 물리적 일관성을 보장하기 위해 수정된 이중 구성 요소 손실 함수가 사용된다:
  1. 토양 구성 요소 ($Loss_{soil}$): LSTM이 예측한 SM과 현장 관측값 사이의 평균 제곱 오차를 최소화한다.
  2. 경계 정규화 ($Loss_{boundary}$): 정규화 계수($\lambda$)에 의해 스케일링된 페널티 항을 사용하여 물리적 경계(SM은 0과 1 사이여야 함)를 강제한다.

주요 기여

• 하이브리드 프레임워크: 본 논문은 순수 경험적 또는 순수 데이터 기반 패러다임을 넘어, WCM 지식을 딥러닝 아키텍처에 직접 임베딩하는 예비적 노력을 제시한다.
• 토양 신호의 격리: 이 접근 방식은 전체 후방 산란에서 격리된 토양 후방 산란 계수를 고해상도 식생 데이터와 결합하여 LSTM을 구동함으로써 명시적으로 활용한다.
• 물리적 일관성: 손실 함수에 경계 조건을 포함하고 신호 분해의 반물리적 구조를 유지함으로써, 모델은 표준 딥러닝의 "블랙박스" 문제를 해결하는 동시에 전통적인 WCM의 과도한 단순화를 극복한다.

결과
제안된 접근 방식은 호주 남동부의 반건조 지역인 Yanco 농업 지역의 OzNet 수문 모니터링 네트워크로부터 얻은 현장 SM 데이터를 사용하여 4-폴드 공간 교차 검증을 통해 평가되었다.

• 베이스라인 성능 (표준 WCM): 전통적인 WCM 방식은 0.26에서 0.34 사이의 상관 계수($R$)와 0.08에서 0.10 $m^3/m^3$ 범위의 평균 제곱 오차(RMSE)를 나타냈다. 결과는 상당한 분산을 보였으며, 예측값이 중간 SM 범위에 밀집되어 나타났는데, 이는 변화하는 표면 조건 하에서 비선형 관계를 포착하지 못하는 모델의 한계를 나타낸다.
• 제안된 접근 방식의 성능: 지식 가이드 LSTM은 성능을 크게 향상시켰다:
  • RMSE: 0.06–0.08 $m^3/m^3$ 범위로 감소하였다 (불확실성이 약 0.02 $m^3/m^3$ 감소).
  • 상관 관계: $R$ 값은 0.40에서 0.64 사이로 개선되었으며, 네 번째 반복(iteration)에서 가장 높은 성능을 보였다.
  • 안정성: 학습된 식생 후방 산란 매개변수($A$)는 반복 과정 동안 안정적으로 유지되었으며(0.0177–0.0201), 이는 식생-후방 산란 관계의 일관된 특성화를 시사한다.
  • 한계점: 모델은 일부 반복에서 높은 SM 값(>0.3 $m^3/m^3$)에서 SM을 약간 과소평가하는 경향을 보였으나, 네 번째 반복에서는 전체 SM 범위에서 개선된 성능을 보였다.

의의 및 주장
저자들은 본 연구가 특히 이질적인 농업 경관에서 전통적인 WCM 매개변수화의 과도한 단순화 문제를 해결하기 위한 하이브리드 아키텍처의 잠재력을 입증한다고 주장한다. 물리적 제약을 학습 과정에 통합함으로써, 이 접근 방식은 표준 WCM에 비해 개선된 공간 전이성과 감소된 회복 불확실성을 달ach한다. 본 논문은 이러한 발견을 예비적 노력으로 위치시키며, 다양한 공간적 맥락에서 이 접근 방식의 운영 능력을 평가하기 위해 향후 연구가 필요함을 명시한다.