IoT-based Low-Cost Time-Domain Reflectometry for Granular Soils: Sand-Specific Moisture Calibration and Machine-Learning Sand Identification

토양은 단순한 흙이 아닙니다. 그것은 고체 입자, 물, 그리고 공기가 혼합된 복잡한 혼합물이며, 이 성분들 사이의 균형은 식물이 어떻게 자랄지, 기초가 어떻게 버틸지, 그리고 물이 지표면을 통해 어떻게 이동할지를 결정합니다. 엔지니어와 농부들에게 토양에 물이 얼마나 들어있는지 정확히 아는 것은 매우 중요하지만, 땅을 파헤치지 않고 이를 측정하는 것은 오랫동안 난제였습니다. 한 가지 확립된 방법은 지표면에 고속 전기 펄스를 보내고 그것이 어떻게 되돌아오는지 듣는 것입니다. 물은 마른 모래나 바위보다 이 펄스를 더 느리게 만들기 때문에, 신호가 돌아오는 데 걸리는 시간은 토양의 수분 함량을 드러냅니다. 그러나 이 기술에는 중대한 결함이 있습니다. 신호를 해석하는 데 사용되는 표준 공식들이 미세한 점토질 토양을 기준으로 개발되었다는 점입니다. 모래에 적용될 때, 모래는 매우 다르게 행동하기 때문에 이러한 보편적인 공식들은 종종 실패하며, 이는 관개 시스템이 과도하게 물을 주거나 건설 프로젝트가 지반 안정성을 과소평가하게 만드는 부정확한 판독으로 이어질 수 있습니다.

방글라데시 라지샤히 공과대학교(Rajshahi University of Engineering and Technology)의 연구팀은 특히 모래 토양을 위해 이 문제를 해결하고자 했습니다. 그들은 수분뿐만 아니라 온도와 다른 토양 특성까지 측정할 수 있는 저비용의 인터넷 연결 센서 시스템을 구축했습니다. 하나의 일률적인 공식을 의존하는 대신, 그들은 입자 크기와 질감이 조금씩 다른 다섯 가지 유형의 천연 모래를 테스트했습니다. 통제된 실험실 환경에서 수천 번의 측정을 수집함으로써, 그들은 각 특정 유형의 모사(sand type)에 대한 고유한 수학적 관계를 만들어냈으며, 이를 통해 원시 전기 신호를 토양 내 실제 수분의 무게와 직접 연결했습니다. 그들의 연구는 측정 도구를 테스트하는 특정 재료에 맞춤화함으로써, 수분 수치를 96.5%의 정확도로 예측할 수 있음을 입증했으며, 이는 일반적인 방식보다 크게 향상된 수치입니다.

단순히 수분을 측정하는 것을 넘어, 연구진은 센서 데이터에 모래의 유형 자체를 식별할 수 있는 충분한 숨겨진 정보가 포함되어 있다는 것을 발견했습니다. 그들은 컴퓨터 프로그램인 머신러닝 모델을 훈련시켜 수분 및 온도 판독값을 기반으로 각 모래 샘플의 고유한 '지문'을 인식하도록 했습니다. 알려지지 않은 샘플에 대해 테스트했을 때, 시스템은 거의 90%의 확률로 올바른 모래 유형을 식별해 냈습니다. 이는 중요한 진전인데, 센서가 농부나 엔지니어에게 땅이 얼마나 젖어 있는지뿐만 아니라, 물리적인 샘플을 실험실로 가져가지 않고도 어떤 종류의 땅을 다루고 있는지 알려줄 수 있음을 의미하기 때문입니다.

연구는 현장에서 다섯 가지 뚜렷한 모래 샘플을 수집하는 것으로 시작되었습니다. 연구진은 알갱이의 크기와 분포를 측정하여 각 샘플의 물리적 특성을 면밀히 분석했습니다. 그들은 다섯 가지 샘플 모두가 불량한 입도 분포를 가진 모래(즉, 대부분 크기가 균일한 모래)로 분류되었지만, 여전히 입자 구조에서 미묘한 차이가 있음을 발견했습니다. 센서를 테스트하기 위해, 그들은 물의 함량을 매우 건조한 상태부터 꽤 젖은 상태까지 변화시키며 수백 개의 토양 시편을 준비했습니다. 모든 시편에 대해, 그들은 센서로부터 얻은 원시 전기 신호를 기록하고, 이를 오븐에서 토양을 건조하여 무게를 잰 실제 수분 함량과 비교했습니다. 이 과정은 거의 1,900개의 쌍을 이룬 판독 데이터를 생성하여 분석을 위한 견고한 토대를 제공했습니다.

연구진이 센서 판독값을 실제 수분 값과 함께 도식화했을 때, 명확한 패턴이 나타났습니다. 각 모래 유형에 대해, 신호와 수분 함량 사이의 관계는 직선을 따랐지만, 그 직선의 기울기는 모든 모래 샘플마다 달랐습니다. 어떤 모래 유형은 수분 상승을 나타내기 위해 훨씬 더 큰 신호 변화를 필요로 했던 반면, 다른 유형은 더 급격하게 반응했습니다. 이 발견은 단일 공식이 모든 모래에 작동할 수 없다는 것을 증명했습니다. 다섯 가지 유형 모두에 하나의 보편적인 방정식을 사용하려고 했을 때, 예측 오차는 눈에 띄게 높았습니다. 그러나 각 모래 유형에 특화된 방정식을 사용했을 때, 예측은 놀라울 정도로 정밀해졌으며, 대부분의 경우 오차는 3% 미만으로 떨어졌습니다.

팀은 여기서 한 단계 더 나아가, 사전 지식 없이 센서가 모래 유형을 식별할 수 있는지 질문했습니다. 그들은 수분과 온도 데이터를 세 가지 서로 다른 머신러닝 알고리즘에 입력했습니다. 이 프로그램들은 수분과 온도가 함께 어떻게 변하는지 패턴을 인식함으로써 다섯 가지 모래 유형을 구별하는 법을 배웠습니다. 결과는 인상적이었습니다. 시스템은 거의 90%의 사례에서 모래 유형을 정확히 식별했습니다. 컴퓨터는 뚜렷한 온도 범위를 가진 모래들을 구별하는 데 특히 뛰어났지만, 유사한 온도를 공유하는 세 가지 모래를 가끔 혼동하기도 했습니다. 이는 현재의 방법이 매우 효과적이지만, 전기 전도도와 같은 더 많은 데이터 포인트를 추가하면 식별력을 더욱 신뢰할 수 있게 만들 수 있음을 시사합니다.

연구진은 자신들이 개발한 장치가 실제 환경에서도 유효한지 확인하기 위해, 현장에서 채취한 새로운 토양 샘플로 교정된 장치를 테스트했습니다. 그들은 센서의 수분 판독값을 표준 실험실 오븐 건조 테스트 결과와 비교했습니다. 장치는 평균 96.5%의 정확도로 실험실 값을 일치시켰으며, 이는 실험실에서 개발된 특정 교정 방정식이 실제 야외 조건에서도 완벽하게 작동함을 확인시켜 주었습니다. 또한, 그들은 알려지지 않은 토양 샘플을 가져와 식별 과정을 거친 후, 해당 유형을 성공적으로 결정함으로써 시스템의 완전한 성능을 입증했습니다. 일단 시스템이 모래 유형을 식별하면, 건설 및 농업 계획에 필수적인 입도 크기 및 밀도와 같은 상세한 공학적 특성 프로필을 즉각적으로 제공할 수 있습니다.

이 연구는 단순한 센서 데이터와 복잡한 토양 과학 사이의 간극을 메웁니다. 일반적인 가설에서 벗어나 서로 다른 재료의 구체적인 특성을 수용함으로써, 연구진은 지표면을 모니터링하는 더 신뢰할 수 있는 방법을 만들어냈습니다. 저비용 센서와 스마트 데이터 분석을 결합한 이 통합 프레임워크는 토양 상태를 빠르고 정확하게 이해해야 하는 모든 이들에게 확장 가능한 솔루션을 제공합니다. 농업을 위한 관개를 관리하든 건축물의 기초 안정성을 확보하든, 수분 수준과 토양 유형을 실시간으로 파악할 수 있는 능력은 우리가 발을 딛고 있는 지면과 상호작용하는 방식에 있어 중대한 도약을 의미합니다.