[논문 리뷰] Prediction of Soil Moisture Content Based On Satellite Data and Sequence-to-Sequence Networks

Natalia Efremova, Dmitry Zausaev외 1명|arXiv (Cornell University)|2019. 06. 05.

Smart Agriculture and AI참고 문헌 9인용 수 13

한 줄 요약

이 논문은 지상 센서에 의존하지 않고도 높은 정확도로 토양 수분 함량을 예측하는 시퀀스-투-시퀀스 딥러닝 모델을 제안한다. 이는 센티넬-1 및 센티넬-2 위성 데이터를 사용하며, 컨볼루션 LSTMs와 다중원천 지구 관측 및 지상 데이터를 융합하여 전통적인 토양 수분 센서보다 비용을 4배 감소시키고 실시간으로 확장 가능한 정밀 농업 추천을 가능하게 한다.

ABSTRACT

The main objective of this study is to combine remote sensing and machine learning to detect soil moisture content. Growing population and food consumption has led to the need to improve agricultural yield and to reduce wastage of natural resources. In this paper, we propose a neural network architecture, based on recent work by the research community, that can make a strong social impact and aid United Nations Sustainable Development Goal of Zero Hunger. The main aims here are to: improve efficiency of water usage; reduce dependence on irrigation; increase overall crop yield; minimise risk of crop loss due to drought and extreme weather conditions. We achieve this by applying satellite imagery, crop segmentation, soil classification and NDVI and soil moisture prediction on satellite data, ground truth and climate data records. By applying machine learning to sensor data and ground data, farm management systems can evolve into a real time AI enabled platform that can provide actionable recommendations and decision support tools to the farmers.

연구 동기 및 목표

• 실시간 토양 수분 예측을 위한 AI 기반 시스템을 개발하여 지속 가능한 농업을 지원한다.
• 무료로 이용 가능한 위성 지구 관측 데이터를 활용하여 고비용의 현장 토양 수분 센서에 대한 의존도를 줄인다.
• 농민을 위한 자동화된 데이터 기반 의사결정 지원을 통해 물 사용 효율성과 작물 수확량을 향상시킨다.
• 농업 생산성 향상과 자원 보존을 통해 연합국의 지속 가능한 발전 목표인 기아 퇴치를 기여한다.
• 모니터링 인프라가 제한된 지역에 적용 가능한 확장 가능하고 저비용의 정밀 농업 플랫폼을 구축한다.

제안 방법

• 모델은 시퀀스-투-시퀀스 아키텍처를 기반으로 한 컨볼루션 LSTMs를 사용한 인코더-디코더 네트워크를 활용하여 위성 영상의 시간적 시퀀스를 처리한다.
• 입력 특징은 센티넬-1의 이중 펄스라디오파형(SAR) 데이터(VV+VH)와 센티넬-2의 광학 밴드(R, G, B, NIR)에 더해 지상 기반 토양 수분 및 기상 데이터를 포함한다.
• 인코더는 과거의 위성 및 지상 데이터를 맥락 벡터로 처리하고, 디코더는 이를 바탕으로 미래의 토양 수분 예측을 이미지 시퀀스 형태로 생성한다.
• 학습 및 검증을 위해 오스트레일리아 포도 재배 지역의 14개 토양 수분 센서 지점에서 확보한 7년간의 일일 데이터셋을 사용한다.
• 센티넬-2에서 유도된 NDVI는 식생 스트레스와 작물 건강 상태를 반영함으로써 예측 정확도를 향상시키는 데 사용된다.
• 두 가지 모델 버전을 비교한다: 하나는 지구 관측 데이터만을 사용하는 자동에코더이고, 다른 하나는 지상 측정 데이터를 통합한 LSTM이다. 이는 데이터 요구량과 정확도 간의 상충 관계를 평가하기 위함이다.

실험 결과

연구 질문

• RQ1 지상 센서가 필요 없이 오직 위성 데이터만을 사용하여 시퀀스-투-시퀀스 딥러닝 모델이 토양 수분 함량을 정확하게 예측할 수 있는가?
• RQ2 지상 기반 토양 수분 측정값의 포함 여부가 예측 정확도와 데이터 효율성에 어떤 영향을 미치는가?
• RQ3 NDVI와 다중스펙트럼 데이터의 활용이 토양 수분 예측 모델의 성능을 어느 정도 향상시킬 수 있는가?
• RQ4 자기에코더 기반 및 LSTM 기반 아키텍처의 성능과 데이터 효율성은 시간에 따라 어떻게 비교되는가?
• RQ5 이러한 모델은 정밀 농업에서 현장 토양 수분 센서의 비용 효율적인 대안이 될 수 있는가?

주요 결과

• 지상 기반 토양 수분 측정값이 필요한 LSTM 기반 모델은 제한된 데이터로 학습할 경우 자동에코더보다 더 높은 정확도를 달성한다.
• 대규모 역사적 데이터셋이 존재할 경우 자동에코더 모델은 지상 센서가 없는 상태에서 지구 관측 데이터만으로도 우수한 성능을 발휘한다.
• 이 시스템은 포도원 전역에 센서를 설치하고 유지보수하는 데 비용을 약 4배 감소시킨다.
• 센티넬-2 영상에서 유도된 NDVI는 식생 스트레스와 식생 역학을 반영함으로써 예측 정확도를 크게 향상시킨다.
• 모델은 토양 수분의 순차적 예측 결과를 시각화된 이미지 시퀀스 형태로 성공적으로 생성하여 농민이 직관적으로 이해할 수 있도록 한다.
• 위성 데이터와 기계학습의 융합은 지속 가능한 땅과 물 자원 관리를 위한 확장 가능하고 실시간 의사결정 지원 도구를 가능하게 한다.