[논문 리뷰] A Machine Learning Data Fusion Model for Soil Moisture Retrieval

Vishal Batchu, Grey Nearing외 1명|arXiv (Cornell University)|2022. 06. 20.

Soil Moisture and Remote Sensing인용 수 5

한 줄 요약

이 논문은 다중원천 위성 데이터—센티넬-1(레이다), 센티넬-2(광학), SMAP(수동 레이다), 그리고 보조 지리물리학적 및 모델 기반의 토양 수분 데이터—를 융합하는 딥러닝 기반 데이터 융합 모델을 제시한다. 이 모델은 320 m 해상도에서 표면 토양(0–5 cm)의 체적 수분 함량을 추정한다. 2015–2021년 기간 동안 전 세계 1,300개의 현장 측정 센서를 기반으로 훈련되었으며, 모델은 0.727의 센서별 상관계수와 0.054의 ubRMSE를 기록하여 13개의 기준 연구를 초월한다.

ABSTRACT

We develop a deep learning based convolutional-regression model that estimates the volumetric soil moisture content in the top ~5 cm of soil. Input predictors include Sentinel-1 (active radar), Sentinel-2 (optical imagery), and SMAP (passive radar) as well as geophysical variables from SoilGrids and modelled soil moisture fields from GLDAS. The model was trained and evaluated on data from ~1300 in-situ sensors globally over the period 2015 - 2021 and obtained an average per-sensor correlation of 0.727 and ubRMSE of 0.054, and can be used to produce a soil moisture map at a nominal 320m resolution. These results are benchmarked against 13 other soil moisture works at different locations, and an ablation study was used to identify important predictors.

연구 동기 및 목표

• 다양한 글로벌 기후 및 토양 조건에서 일반화할 수 있는 기계학습 모델을 개발하여 표면 토양 수분 추정의 정확성과 공간 해상도를 향상시키기.
• 다양한 글로벌 환경에서 다중원천 위성 및 현장 측정 데이터를 융합하여 표면 토양 수분을 추정할 수 있는 딥러닝 모델의 성능을 평가하기.
• 다양한 지역에서 13개의 기존 토양 수분 추정 방법과의 성능 비교를 통해 모델의 성능을 기준화하기.
• 제거 실험을 통해 가장 영향력 있는 입력 예측 변수를 규명하기.

제안 방법

• 다중 센서 입력 데이터를 표면 5cm 이내의 토양 수분 체적 농도로 매핑하기 위해 컨volutional-regression 신경망을 훈련한다.
• 입력 특징으로는 센티넬-1(C밴드 레이다 반사율), 센티넬-2(다중스펙트럼 반사율), SMAP(L밴드 방사계), 그리고 SoilGrids와 GLDAS에서 유도된 변수를 포함한다.
• 모델은 2015–2021년 기간 동안 전 세계 약 1,300개의 현장 토양 수분 센서로 구성된 글로벌 데이터셋을 기반으로 훈련된다.
• 다중원천 데이터의 공간적 및 시간적 정렬은 공통의 320 m 해상도 격자와 시간 일치 절차를 사용하여 수행된다.
• 개별 입력 소스가 모델 성능에 기여하는 정도를 평가하기 위해 제거 실험을 수행한다.
• 모델 평가에는 센서별 상관계수와 편향 없는 평균 제곱근 오차(ubRMSE)를 사용하며, 공간적 및 시간적 일반화 능력도 평가된다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 다양한 글로벌 환경에서 다중원천 위성 및 보조 데이터를 융합하여 표면 토양 수분을 얼마나 잘 추정할 수 있는가?
• RQ2 어느 입력 데이터 소스(예: 센티넬-1, SMAP, 센티넬-2, GLDAS, SoilGrids)가 모델 정확도에 가장 크게 기여하는가?
• RQ3 다양한 지리적 위치에서 제안된 모델은 13개의 기존 토양 수분 추정 방법과 비교해 어떤 성능을 보이는가?
• RQ4 모델은 다양한 토양 유형, 기후 조건 및 지형 조건에서 효과적으로 일반화될 수 있는가?

주요 결과

• 모델은 전 세계 1,300개의 현장 측정 센서를 대상으로 평가한 결과, 센서별 상관계수 0.727과 편향 없는 평균 제곱근 오차(ubRMSE) 0.054를 기록한다.
• 모델은 전 세계적으로 일관된 320 m 해상도의 토양 수분 지도를 생성하여 고해상도 공간 세부 정보를 제공한다.
• 제거 실험 결과, SMAP 및 센티넬-1 데이터가 가장 영향력 있는 예측 변수로 나타났으며, 이어 센티넬-2와 GLDAS가 뒤를 이었다.
• 모델은 다양한 지역적 및 기후 조건에서 13개의 기준 토양 수분 추정 방법을 모두 초월하는 성능을 보였다.
• SoilGrids에서 유도된 토양 텍스처 및 밀도 데이터는 현장 측정 데이터가 부족한 지역에서 모델 성능을 크게 향상시켰다.
• GLDAS 모델 기반의 토양 수분 필드를 포함시킴으로써 예측 정확도가 향상되었으며, 특히 데이터가 부족한 지역에서 두드러진 효과를 보였다.