유럽 고해상도 토양수분 추정을 위한 다중모달 위성 데이터 비교

초록

본 연구는 유럽 전역의 식생 지역에서 10 m 해상도의 토양수분을 추정하기 위해 Sentinel‑1 SAR, Sentinel‑2 광학 이미지 및 ERA5 재분석 데이터를 결합한 머신러닝 프레임워크를 제시한다. 113개의 ISMN 관측소를 활용해 다양한 센서 조합과 시간 매칭 전략을 비교했으며, 현재일 Sentinel‑2와 하강궤도 Sentinel‑1을 결합한 하이브리드 매칭이 R² = 0.514의 최고 성능을 보였다. 10일 ERA5 회귀창을 적용하면 R² = 0.518까지 향상된다. IBM‑NASA Prithvi 기반 임베딩은 전통적인 스펙트럼 지수와 비교해 실질적인 개선이 없으며, 전통적인 특성공학이 여전히 효율적임을 확인했다.

상세 분석

이 논문은 고해상도 토양수분(SM) 추정에 필요한 데이터와 모델링 전략을 체계적으로 검증한다. 첫 번째로, Sentinel‑2의 10 m 다중스펙트럼 밴드와 Sentinel‑1의 C‑밴드 SAR(VV, VH) 데이터를 활용해 광학‑SAR 융합 모델을 구축하였다. 광학 데이터는 NDVI, NDWI, NDMI, MSI 등 네 가지 식생·수분 지수를 계산하고, SAR 데이터는 백스캐터와 VH/VV 비율을 포함한다. 두 번째로, ERA5 재분석의 강수, 온도, 증발산, 토양수분 등 20여 개 기상·수문 변수들을 0~20일의 다양한 회귀창으로 시계열 매칭하였다. 특히 10일 회귀창이 최적임을 실험적으로 입증했으며, 이는 5 cm 깊이 측정값이 단기 강수와 장기 기후 요인의 복합 영향을 받는다는 물리적 해석과 일치한다.

모델링 단계에서는 Random Forest를 기본 알고리즘으로 선택했으며, 하이퍼파라미터는 기본값을 유지해 실용성을 강조했다. 공간적 일반화를 확보하기 위해 관측소 단위로 그룹화한 5‑fold 교차검증을 적용했으며, 이는 동일 지역 내 데이터 누수를 방지한다. 실험 1(E1)에서는 센서 조합과 시간 매칭 전략을 전면 비교했는데, 현재일 Sentinel‑2와 하강궤도 Sentinel‑1을 가장 가까운(±10 일) 시점으로 매칭한 경우 R² = 0.514, RMSE = 0.078 m³/m³, MAE = 0.060 m³/m³라는 최고 성능을 기록했다. 이는 광학 지수가 SM 추정에 핵심 역할을 하면서, SAR이 표면 거칠기와 수분 변화를 보완한다는 결론을 뒷받침한다.

실험 2(E2)에서는 ERA5 회귀창을 단계별로 조정했으며, 10일 회귀창이 R² = 0.5185, MAE = 0.059 m³/m³, RMSE = 0.079 m³/m³로 가장 높은 정확도를 제공한다. 16일 회귀창에서도 유사한 성능을 보였지만, 10일이 가장 효율적인 시계열 길이임을 확인했다.

실험 3(E3)에서는 최신 지오스페이셜 파운데이션 모델인 Prithvi(768‑차원 임베딩)를 활용했지만, 전통적인 손‑설계 특성(약 40개)과 비교했을 때 R² 차이가 0.001 수준에 불과했다. 이는 (1) 관측소 수가 113개에 불과해 고차원 임베딩이 과적합 위험이 크고, (2) 임베딩을 224 × 224 픽셀 패치 평균으로 추출함으로써 실제 관측점(16 × 16 픽셀) 신호가 희석된 점, (3) Prithvi가 학습된 HLS 데이터와 본 연구의 Sentinel‑2 데이터 간 도메인 차이가 존재할 가능성을 시사한다. 따라서 현재 데이터 규모와 목표 회귀 과제에서는 도메인‑특화 지수와 전통적인 트리 기반 모델이 충분히 경쟁력 있다.

전체적으로 이 연구는 (① 하강궤도 SAR과 현재일 광학 데이터의 하이브리드 매칭, ② 10일 ERA5 회귀창, ③ 전통적인 특성공학과 Random Forest의 조합)이라는 세 가지 핵심 요소가 유럽 전역의 필드 수준 토양수분 모니터링을 위한 실용적이고 계산 효율적인 솔루션임을 입증한다.