본 연구는 대한민국 남부 지역의 논(벼 재배지)에서 생장기에 대해, 현장 정규화 차식생지수(실측 NDVI) 측정값과 위성 기반 NDVI 데이터를 비교하고, 선형 및 비선형 회귀 모델을 사용하여 생장 단계별 보정 방정식을 개발하고자 하였다. 현장 NDVI는 휴대용 엽면적 지수 측정기(Crop Circle ACS-435)로 측정하였으며, 위성 기반 NDVI는 Landsat-8/9 및 Sentinel-2 영상에서 산출하였다. 모든 값은 5년 기간(2020–2024)에 대한 일평균 NDVI를 나타냈다. 분석 결과, 위성 기반 NDVI 값은 대체로 현장 NDVI 값보다 낮았는데, 이는 주로 대기 및 공간 해상도의 차이 때문이었다. 두 위성 플랫폼 모두 지상 기반 NDVI와 강한 양의 상관관계를 보였으나, 생장 단계별 차이도 관찰되었다. Landsat-8/9는 출수 전 단계에서 우수한 성능을 보인 반면, Sentinel-2는 출수 후 단계에서 더 나은 성능을 보였다. Landsat-8/9의 경우, 평균절대백분오차(MAPE)는 보정 전 38.6%에서 보정 방정식을 적용한 후 16.7%로 크게 감소하였고, Sentinel-2의 경우에는 22.1%에서 15.3%로 감소하였다. 본 연구는 현장 보정을 통해 위성 기반 NDVI의 정확성과 신뢰성을 향상시키기 위한 토대를 마련하며, 농업 생산성, 환경 모니터링, 기후 변화 적응에 잠재적 응용이 가능함을 시사한다.

본 연구는 대한민국의 와룡저수지 유역(Waryong Reservoir Basin)에서 Cell2Flood 모형을 이용하여 단기 유출 시뮬레이션에 대한 다양한 강우 입력 유형의 영향을 탐구하였다. 6가지 유형의 강우 자료를 평가하였는데, 구체적으로는 현장 관측 지점 강우(온사이트 관측) 자료, 39개 Automated Synoptic Observing System (ASOS) 및 117개 Automatic Weather System (AWS) 관측 지점으로부터 역거리 가중법(inverse distance weighting, IDW)으로 공간 보간한 자료, 그리고 기상청(Korea Meteorological Administration)에서 제공하는 Hybrid Surface Rainfall (HSR) 자료였다. 강우 입력의 선택은 3개 강우사상에 걸쳐 모형의 정확도에 유의미한 영향을 미쳤다. 점관측 ASOS(P-ASOS) 자료는 관측된 강우 패턴을 포착하는 데 있어 가장 높은 신뢰도를 보였으며, Pearson’s r 값이 최대 0.84까지 나타난 반면 레이더로부터 산출된 HSR 자료는 상관이 가장 낮았고( Pearson’s r 0.2 미만), 이는 상당한 불일치를 시사하였다. 유출 시뮬레이션의 경우 P-ASOS 및 ASOS-AWS를 결합한 공간 보간 자료(R-AWS)가 비교적 정확한 예측을 달성하였으며, P-ASOS와 R-AWS는 Normalized Peak Error(NPE)가 약 0.03이고 Peak Time Error(PTE)가 20분 이내로 나타났다. 반면 HSR 자료는 NPE가 최대 4.66까지 이르고 PTE 편차가 200분을 초과하는 등 큰 오차를 보였으며, 이는 시간적 정확도가 낮음을 의미한다. 입력별 보정은 성능을 개선하였으나, 강우 자료의 내재된 불확실성으로 인해 유의미한 오차는 지속되었다. 본 연구 결과는 특히 무관측 및 자료가 부족한 유역에서 단기 홍수 모형의 신뢰성을 향상시키기 위해 적절한 강우 입력을 선택하고 보정하는 것의 중요성을 강조한다.

본 연구에서는 대한민국을 대상으로 온도 데이터를 기반으로 기준 증발산(reference evapotranspiration)을 추정하기 위한 선형 회귀 머신러닝 모델을 개발하였다. 전국 62개 기상관측소에서 확보한 기상자료(1981–2021)를 이용하여 계산한 FAO56 Penman–Monteith(FAO56 P–M) 기준 증발산을 정답(label)으로 사용하였다. 모든 연구 데이터셋은 평균기온, 일별 기온차, 외기권복사(extraterrestrial radiation)를 기반으로 일별, 월별 또는 연별 값을 제공한다. 머신러닝 알고리즘으로는 다중선형회귀(multiple linear regression, MLR)와 다항회귀(polynomial regression, PR)를 적용하였으며, 학습 데이터로 12개 모델을 시험하였다. 2017–2021년 기간에 대한 성능평가 결과, 외기권복사의 양을 학습하는 다항회귀 알고리즘이 최상의 성능을 보였는데, 일별·월별·연별 규모에서의 최소 평균제곱근오차(root-mean-square errors)는 각각 0.72 mm/day, 11.3 mm/month, 40.5 mm/year로 나타났다. Hargreaves, Blaney–Criddle, Thornthwaite와 같은 온도 기반 경험식과 비교할 때, 모든 기상 데이터를 사용할 경우 FAO56 Penman–Monteith 방정식의 기준 증발산에 대해 다항회귀 알고리즘으로 학습된 모델이 가장 높은 결정계수(coefficient of determination)와 가장 낮은 오차를 나타냈다. 따라서 제안된 방법은 기상자료가 충분하지 않은 조건에서 기준 증발산을 추정함에 있어 경험식보다 더 효과적이다.

농업 저수지의 저장률 예측은 농업 가뭄과 같은 재난에 대한 선제적 대응에 도움이 되며, 안정적인 농업용수 공급을 유지하기 위한 계획 수립에도 유용하다. 본 연구에서는 농업 저수지의 월별 저장률을 예측하기 위해 SVM, RF 및 ANN 기계학습 알고리즘을 시험하였다. 30년(1991–2022) 동안 관측된 저장률을 라벨로 설정하고, 강수와 증발산을 특징으로 하여 1–3개월 저장률 예측을 위한 9개의 데이터셋을 구성하였다. 전체 데이터의 70%를 학습 및 검증에 사용하고, 나머지 30%를 테스트에 사용하였다. 1개월 저장률 예측에서는 SVM, RF 및 ANN 모든 알고리즘이 R2 값이 0.8 이상으로 매우 높은 신뢰도를 보였다. 저장률을 2개월 및 3개월로 예측한 결과, ANN과 SVM 알고리즘은 평균 R2가 0.64~0.69로 비교적 합리적인 설명력을 보였으나, RF 알고리즘은 큰 일반화 오차를 나타냈다. 학습 시간 비교 결과, 1–3개월 전 기간에 걸쳐 학습 속도는 SVM, RF, ANN 순으로 가장 빨랐다. 전반적으로 SVM 및 ANN 알고리즘의 학습 성능이 RF보다 우수하였다. SVM 알고리즘은 가장 낮은 오차율과 가장 짧은 학습 시간을 보이며 가장 신뢰할 만하다. 본 연구의 결과는 기상 예측 데이터와의 연계를 통해 가능할 것으로 기대되는 현장 수자원 관리자들의 의사결정에 필요한 과학적 정보를 제공할 수 있을 것으로 예상된다.

본 연구는 대한민국 남부 지역의 논(벼 재배지)에서 생장기에 대해, 현장 정규화 차식생지수(실측 NDVI) 측정값과 위성 기반 NDVI 데이터를 비교하고, 선형 및 비선형 회귀 모델을 사용하여 생장 단계별 보정 방정식을 개발하고자 하였다. 현장 NDVI는 휴대용 엽면적 지수 측정기(Crop Circle ACS-435)로 측정하였으며, 위성 기반 NDVI는 Landsat-8/9 및 Sentinel-2 영상에서 산출하였다. 모든 값은 5년 기간(2020–2024)에 대한 일평균 NDVI를 나타냈다. 분석 결과, 위성 기반 NDVI 값은 대체로 현장 NDVI 값보다 낮았는데, 이는 주로 대기 및 공간 해상도의 차이 때문이었다. 두 위성 플랫폼 모두 지상 기반 NDVI와 강한 양의 상관관계를 보였으나, 생장 단계별 차이도 관찰되었다. Landsat-8/9는 출수 전 단계에서 우수한 성능을 보인 반면, Sentinel-2는 출수 후 단계에서 더 나은 성능을 보였다. Landsat-8/9의 경우, 평균절대백분오차(MAPE)는 보정 전 38.6%에서 보정 방정식을 적용한 후 16.7%로 크게 감소하였고, Sentinel-2의 경우에는 22.1%에서 15.3%로 감소하였다. 본 연구는 현장 보정을 통해 위성 기반 NDVI의 정확성과 신뢰성을 향상시키기 위한 토대를 마련하며, 농업 생산성, 환경 모니터링, 기후 변화 적응에 잠재적 응용이 가능함을 시사한다.

본 연구는 대한민국의 와룡저수지 유역(Waryong Reservoir Basin)에서 Cell2Flood 모형을 이용하여 단기 유출 시뮬레이션에 대한 다양한 강우 입력 유형의 영향을 탐구하였다. 6가지 유형의 강우 자료를 평가하였는데, 구체적으로는 현장 관측 지점 강우(온사이트 관측) 자료, 39개 Automated Synoptic Observing System (ASOS) 및 117개 Automatic Weather System (AWS) 관측 지점으로부터 역거리 가중법(inverse distance weighting, IDW)으로 공간 보간한 자료, 그리고 기상청(Korea Meteorological Administration)에서 제공하는 Hybrid Surface Rainfall (HSR) 자료였다. 강우 입력의 선택은 3개 강우사상에 걸쳐 모형의 정확도에 유의미한 영향을 미쳤다. 점관측 ASOS(P-ASOS) 자료는 관측된 강우 패턴을 포착하는 데 있어 가장 높은 신뢰도를 보였으며, Pearson’s r 값이 최대 0.84까지 나타난 반면 레이더로부터 산출된 HSR 자료는 상관이 가장 낮았고( Pearson’s r 0.2 미만), 이는 상당한 불일치를 시사하였다. 유출 시뮬레이션의 경우 P-ASOS 및 ASOS-AWS를 결합한 공간 보간 자료(R-AWS)가 비교적 정확한 예측을 달성하였으며, P-ASOS와 R-AWS는 Normalized Peak Error(NPE)가 약 0.03이고 Peak Time Error(PTE)가 20분 이내로 나타났다. 반면 HSR 자료는 NPE가 최대 4.66까지 이르고 PTE 편차가 200분을 초과하는 등 큰 오차를 보였으며, 이는 시간적 정확도가 낮음을 의미한다. 입력별 보정은 성능을 개선하였으나, 강우 자료의 내재된 불확실성으로 인해 유의미한 오차는 지속되었다. 본 연구 결과는 특히 무관측 및 자료가 부족한 유역에서 단기 홍수 모형의 신뢰성을 향상시키기 위해 적절한 강우 입력을 선택하고 보정하는 것의 중요성을 강조한다.

본 연구에서는 대한민국을 대상으로 온도 데이터를 기반으로 기준 증발산(reference evapotranspiration)을 추정하기 위한 선형 회귀 머신러닝 모델을 개발하였다. 전국 62개 기상관측소에서 확보한 기상자료(1981–2021)를 이용하여 계산한 FAO56 Penman–Monteith(FAO56 P–M) 기준 증발산을 정답(label)으로 사용하였다. 모든 연구 데이터셋은 평균기온, 일별 기온차, 외기권복사(extraterrestrial radiation)를 기반으로 일별, 월별 또는 연별 값을 제공한다. 머신러닝 알고리즘으로는 다중선형회귀(multiple linear regression, MLR)와 다항회귀(polynomial regression, PR)를 적용하였으며, 학습 데이터로 12개 모델을 시험하였다. 2017–2021년 기간에 대한 성능평가 결과, 외기권복사의 양을 학습하는 다항회귀 알고리즘이 최상의 성능을 보였는데, 일별·월별·연별 규모에서의 최소 평균제곱근오차(root-mean-square errors)는 각각 0.72 mm/day, 11.3 mm/month, 40.5 mm/year로 나타났다. Hargreaves, Blaney–Criddle, Thornthwaite와 같은 온도 기반 경험식과 비교할 때, 모든 기상 데이터를 사용할 경우 FAO56 Penman–Monteith 방정식의 기준 증발산에 대해 다항회귀 알고리즘으로 학습된 모델이 가장 높은 결정계수(coefficient of determination)와 가장 낮은 오차를 나타냈다. 따라서 제안된 방법은 기상자료가 충분하지 않은 조건에서 기준 증발산을 추정함에 있어 경험식보다 더 효과적이다.