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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.