본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

Title Page 2

Contents 5

Abstract 12

Chapter 1. INTRODUCTION 14

1.1. Background 14

1.1.1. In-situ soil moisture 14

1.1.2. Remote sensing soil moisture 15

1.1.3. High resolution soil moisture 21

1.2. Motivation 26

1.2.1. Interference of vegetation on SAR signal 26

1.2.2. Application of super-resolution technique on existing soil moisture product 28

1.3. Objective of the research 29

Chapter 2. STUDY AREA AND DATASET 33

2.1. Study area 33

2.2. Dataset 38

2.2.1. Sentinel-1 SAR 38

2.2.2. In-situ soil moisture dataset 41

2.2.3. SMAP L4 soil moisture product 42

Chapter 3. METHODOLOGY 43

3.1. Preprocessing of SAR data 43

A. Apply orbit file 44

B. Thermal noise removal 44

C. Radiometric calibration 45

D. Speckle Filtering 45

E. Terrain correction 46

F. Incidence angle normalization 46

G. Masking of dynamic values 48

3.2. Radar Vegetation Index (RVI) 49

3.3. SAR based soil moisture retrieval 51

A. Linear regression 51

B. Change detection 51

C. WCM 53

D. ML based method 55

E. PINN method 57

3.4. Super resolution technique for soil moisture product downscaling 60

Chapter 4. RESULTS 62

4.1. Relation analysis between soil moisture and backscattering for adopting physical methods 62

4.2. Comparison of linear regression and WCM on 10 m scale 65

4.3. Analysis of WCM results for vegetation type 70

4.3.1. Results of WCM-based soil moisture according to vegetation conditions 73

4.3.2. Error analysis according to the range of observed soil moisture values for each vegetation condition 77

4.4. DL based SAR soil moisture retrieval 79

4.4.1. Analysis of forest utilization of SAR VV backscatter coefficients using ANN technique 79

4.4.2. Independent utility analysis of SAR soil moisture 85

4.5. Development of PINN model and evaluation 89

4.6. Application of super-resolution technique for soil moisture downscaling 116

5. CONCLUSION 122

References 126

논문 요약 142

List of Tables 8

Table 1.1. Summary of results estimated in this research 30

Table 2.1. Specific information of total in-situ sites 36

Table 3.1. Detail information of each model parameter 58

Table 3.2. Detail information of super-resolution model (Swin-IR) 61

Table 4.1. Statistical results for each site and each (Linear regression and WCM... 67

Table 4.2. Statistical values for each vegetation types with WCM 75

Table 4.3. Statistical analysis of ANN (VV, LIA) model for each site 82

Table 4.4. Statistical analysis of ANN (VV, LIA, VH, DrRVI) 88

Table 4.5. Statistical analysis of PINN training and test data set 90

Table 4.6. Statistical analysis of PINN for test dataset (VV, CR, DpRVI) 102

Table 4.7. Specific information of input data for FFNN/PINN model 106

Table 4.8. K-fold validation results of each site with 8 sites integrated PINN... 114

List of Figures 9

Fig. 1.1. Schematic view of the research 32

Fig. 2.1. Study areas on Korean peninsula for physics and ANN model 35

Fig. 2.2. Additional study sites for PINN model construction and agroclimatic zone of Korean Peninsula 37

Fig. 3.1. Flow chart of basic preprocessing process for SAR data in the... 43

Fig. 3.2. PINN model structure for SAR based soil moisture retrieval 58

Fig. 3.3. Algorithm of Swin-IR 60

Fig. 3.4. Construction of inference model with SMAP L4 dataset 61

Fig. 4.1. Distribution of the RVI values on each site 64

Fig. 4.2. Relation between soil moisture and backscattering coefficient for total... 65

Fig. 4.3. Scatter plot of estimated soil moisture for total and RVI under 0.8... 68

Fig. 4.4. Relation between each variable on cropland, forest, and grassland 72

Fig. 4.5. Results of the WCM based soil moisture estimation for each LCC 74

Fig. 4.6. Statistical results for each vegetation type with WCM[내용없음] 9

Fig. 4.7. RMSE value of estimated soil moisture for SM and RVI quantiles on... 79

Fig. 4.8. Scatter plot of SMC (11- 19) and ESS (6- 10) ANN (VV, LIA) Model... 81

Fig. 4.9. Scatter plot of SMC and ESS ANN (VV, LIA, VH, DpRVI) Model soil... 87

Fig. 4.10. Scatter plots of FFNN (a), PINN with linear regression (b), PINN... 93

Fig. 4.11. Scatter plots of FFNN (a), PINN with linear regression (b), PINN... 94

Fig. 4.12. Scatter plots of FFNN (a), PINN with linear regression (b), PINN... 95

Fig. 4.13. Scatter plots of FFNN (a), PINN with linear regression (b), PINN... 96

Fig. 4.14. Scatter plots of FFNN (a), PINN with linear regression (b), PINN... 97

Fig. 4.15. Scatter plots of FFNN (a), PINN with linear regression (b), PINN... 98

Fig. 4.16. Scatter plots of FFNN (a), PINN with linear regression (b), PINN... 99

Fig. 4.17. Scatter plots of FFNN (a), PINN with linear regression (b), PINN... 100

Fig. 4.18. Scatter plots of FFNN (a), PINN with linear regression (b), PINN... 101

Fig. 4.19. Spatial soil moisture mapping with 10 m SAR data using PINN (a):... 110

Fig. 4.20. Spatial soil moisture mapping with 10 m SAR data using PINN (a):... 111

Fig. 4.21. Spatial soil moisture mapping with 10 m SAR data using PINN (a):... 111

Fig. 4.22. Mapping 50 m soil moisture on the entire Korean Peninsula with PINN (WCM) 112

Fig. 4.23. Results of Swin-IR for SMAP L4 for 3 km and 1 km on Korean... 118

Fig. 4.24. Validation results of downscaled SMAP L4 product by 3 km on Muan (a) and Changnyeong (b) 119

Fig. 4.25. Validation results of Swin-IR for SMAP L4 by 1 km on Korean Peninsula (a): Muan, (b): Changnyung 120

초록보기

 토양수분은 물 순환 분석의 핵심 요소로, 강우, 유출, 증발산 사이에 토양에 저장된 수분을 의미한다. 해상도가 낮은 토양수분 자료는 시공간 변동성을 정확히 반영하기 어려우며, 최근 고해상도 SAR 영상의 등장으로 공간적으로 대표성 있는 토양수분 자료 산출을 위한 연구가 활발히 진행되고 있다. 본 연구에서는 기존의 SAR 기반 기법인 WCM(Water Cloud Model) 및 변화탐지(Change Detection)와 함께 딥러닝 기반 기법을 결합한 토양수분 산정 기법을 제안한다.

기존 방법론은 제한된 토양수분 범위(0.1~0.4 m³/m³) 및 식생이 희박한 조건에서 R 값 0.5의 정확도를 보였으며, ANN 기반 기법은 R 값 0.6까지 향상되었으나 낮은 시간 해상도와 불충분한 관측값, 후방산란계수의 지역적 특성 등으로 인해 안정적인 정확도 확보에는 한계가 있었다. 반면, PINN은 다양한 식생 조건과 35-43도의 LIA(Local Incidence Angle) 범위에서도 적용이 가능하며, 최대 0.7, 최소 0.5의 R 값을 확보하여 식생 조건을 극복할 수 있는 가능성을 제시하였다.

또한, AI 기반 컴퓨터 비전 분야에서 도입된 초해상화(Super-Resolution) 기법을 통해 기존 위성자료의 공간 해상도를 개선하고, SAR 영상의 낮은 시간 해상도 문제를 보완할 수 있음을 확인하였다. SMAPL4 자료를 대상으로 수행된 실험에서는 약 3배의 공간 해상도 확대에도 불구하고 평균 R 값 0.5 수준의 정확도를 확보하였다. 보조자료 없이 기존 자료의 해상도를 개선하거나, 새로운 고해상도 토양 수분 자료를 생성하는 기술은 위성 기반 토양수분 활용의 확장에 있어 중요한 연구 결과로 판단된다.

지형이 복잡하고 기상 조건이 다양한 한반도에서는 시공간 해상도가 개선된 토양수분 자료가 높은 활용 가능성을 지니며, 본 연구는 새로운 기법을 통해 안정적인 고해상도 토양수분 자료 산출과 공간 기반 토양수분 정보의 활용도 확장을 위한 기반을 마련하고자 한다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기