KSCE Journal of Civil and Environmental Engineering Research (대한토목학회논문집)

Korean Society of Civil Engeneers (대한토목학회)
권호 표지
DOI QR코드

DOI QR Code

Development of a Soil Moisture Estimation Model Using Artificial Neural Networks and Classification and Regression Tree(CART)

의사결정나무 분류와 인공신경망을 이용한 토양수분 산정모형 개발

  • 김광섭 (경북대학교 건축토목공학부) ;
  • 박정아 (경북대학교 대학원 공간정보학과)
  • Received : 2010.12.22
  • Accepted : 2011.01.31
  • Published : 2011.04.30
Download PDF
⟨ Previous Next ⟩

Abstract

In this study, a soil moisture estimation model was developed using a decision tree model, an artificial neural networks (ANN) model, remotely sensed data, and ground network data of daily precipitation, soil moisture and surface temperature. Soil moisture data of the Yongdam dam basin (5 sites) were used for model validation. Satellite remote sensing data and geographical data and meteorological data were used in the classification and regression tree (CART) model for data classification and the ANNs model was applied for clustered data to estimate soil moisture. Soil moisture data of Jucheon, Bugui, Sangjeon, Ahncheon sites were used for training and the correlation coefficient between soil moisture estimates and observations was between 0.92 to 0.96, root mean square error was between 1.00 to 1.88%, and mean absolute error was between 0.75 to 1.45%. Cheoncheon2 site was used for validation. Test statistics showed that the correlation coefficient, the root mean square error, the mean absolute error were 0.91, 3.19%, and 2.72% respectively. Results demonstrated that the developed soil moisture model using CART and ANN was able to apply for the estimation of soil moisture distribution.

본 연구에서는 의사결정나무(CART)기법, 인공신경망모형, 인공위성 원격탐사자료와 지형자료 및 지상 기상관측망자료를 이용하여 토양수분을 산정하는 모형을 개발하였다. 본 모형의 검증을 위하여 사용된 토양수분 관측자료는 용담댐 유역에서 관측된 5개 지점의 토양수분자료를 사용하였다. 가용자료에 대해 CART기법을 적용하여 자료를 분류한 다음 분류된 각 자료집단에 대하여 인공신경망(Artificial Neural Networks)모형을 적용하여 토양수분 분포를 예측하였다. 모형의 학습에 사용된 주천, 부귀, 상전, 안천 지점의 토양수분 산정치는 관측치와 약 0.92-0.96의 상관계수, 약 1.00-1.88%의 평균제곱근오차와 약 0.75-1.45%의 평균절대오차를 보여주었다. 토양수분 추정모형을 검증하기 위해 천천2의 지점에 적용한 결과 약 0.91의 상관계수, 약 3.19%의 평균제곱근오차, 약 2.72%의 평균절대오차를 보여 CART기법과 인공신경망모형을 연계한 토양수분 산정모형이 토양수분 분포제시 활용에 적절한 것으로 판단된다.

Keywords

References

  1. 경민수, 이용원, 김형수, 김병식(2009) 기후변화가 서울지역의 기온 및 가뭄에 미치는 영향 평가 : AR4 SRES A2 시나리 오를 기반으로. 대한토목학회논문집, 대한토목학회, 제29권 제 2B호, pp. 181-191.
  2. 김광섭, 박한균(2010) CART기법과 보조자료를 이용한 토양수분 추정. 한국수자원학회논문집, 한국수자원학회, 제43권, 제7호, pp. 597-608.
  3. 김광섭, 이을래(2004) 신경망기법과 보조자료를 사용한 원격측정 토양수분자료의 Downscaling기법 개발. 한국수자원학회논문집, 한국수자원학회, 제37권, 제1호, pp. 21-29.
  4. 김성준, 채효석(1999) 격자기반의 토양수분추적모형 개발 : 보청천 유역 사례연구. 한국GIS학회지, 한국GIS학회, 제7권, 제1호, pp. 33-48.
  5. 김수전, 권영수, 이건행, 김형수(2010) 신경망에 의한 레이더강우 보정 및 유출해석. 대한토목학회논문집, 대한토목학회, 제30권 제2B호, pp. 159-167.
  6. 민성원, 이정림, 서명석(2006) MTSAT IR1자료를 이용한 강수량 산출과 토양수분 추정. 2006년도 한국기상학회 가을 학술대회 논문집, 한국기상학회, 제7권, 제2호, pp. 366-367.
  7. 조홍규(2003) 인공지능 방법을 이용한 신용평가 모형에 대한 개관. 나이스채권평가 금융공학연구소.
  8. 홍우용, 박민지, 박종윤, 하림, 박근애, 김성준(2009) 봄철 SWAT 모형의 산림 토양수분과 Terra MODIS 위성영상 NDVI와의 상관성 분석, 한국농공학회논문집, 한국농공학회, 제51권, 제2호, pp. 7-14.
  9. 황태하, 김병식, 김형수, 서병하(2006) SWAT 모형을 이용한 토양수분지수 산정과 가뭄감시. 대한토목학회논문집, 대한토목학회, 제26권, 제4B호, pp. 345-354.
  10. 황현경, 김경호(2008) 신경망 모형을 이용한 무심천 수위 예측. 건설기술논문집, 건설기술연구소, 제27권, 제1호, pp. 43-56.
  11. Ahmad, S., Kalra, A., and Stephen, H. (2010) Estimating soil moisture using remote sensing data: A machine learning approach. Advances in water resources, Vol. 33, No. 1, pp. 69-80. https://doi.org/10.1016/j.advwatres.2009.10.008
  12. ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000) Artificial neural networks in hydrology. I: Preliminary concepts. Journal of Hydrologic Engineering, Vol. 5, No. 2, pp. 115-123. https://doi.org/10.1061/(ASCE)1084-0699(2000)5:2(115)
  13. Bowden, G.J., Dandy, G.C., and Maier, H.R (2005) Input determination for neural network models in water resources applications. Part 1-background and methodology. Journal of Hydrology, Vol. 301, No. 1-4, pp. 75-92. https://doi.org/10.1016/j.jhydrol.2004.06.021
  14. Breiman, L., Friedman, J.H., Olshen, R.A., and Stone, C.J. (1984) Classification and regression tree. Chapman & Hall/CRC, Boca Raton.
  15. Chai, S.S., Veenendaal, B., West, G., and Walker, P. (2008) Backpropagation neural network for soil moisture retrieval using NAFE'05 data : a comparison of different training algorithms. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. 37, No. B4, pp. 1345-1349.
  16. Elshorbagy, A. and Parasuraman, K. (2008) On the relevance of using artificial neural networks for estimation soil moisture content. Journal of Hydrology, Vol. 362, No. 1-2, pp. 1-18. https://doi.org/10.1016/j.jhydrol.2008.08.012
  17. Frate, F.D., Ferrazzoli, P., and Schiavon, G. (2003) Retrieving soil moisture and agricultural variables by microwave radiometry using neural network. Remote sensing of environment, Vol. 84, No. 2, pp. 174-183. https://doi.org/10.1016/S0034-4257(02)00105-0
  18. Jiang, H. and Cotton, W.R. (2004) Soil moisture estimation using an artificial neural network: a feasibility study. Can. J. Remote Sensing, Vol. 30, No. 5, pp. 827-839. https://doi.org/10.5589/m04-041
  19. Kim, G. and Barros, A.P. (2002) Space-time characterization of soil moisture from passive microwave remotely sensed imagery and ancillary data. Remote sensing of environment, Vol. 81, No. 2, pp. 393-403. https://doi.org/10.1016/S0034-4257(02)00014-7
  20. Lippmann, R.P. (1987) An introduction to computing with neural network. ASSP magazine, Vol. 4, No. 2, pp. 4-22. https://doi.org/10.1109/MASSP.1987.1165593
  21. Mallick, K., Bhattacharya, B.K., and Patel, N.K. (2009) Estimating volumetric surface moisture content for cropped soils using a soil wetness index based on surface temperature and NDVI. Agricultural and Forest Meteorology, Vol. 149, No. 8, pp. 1327-1342. https://doi.org/10.1016/j.agrformet.2009.03.004
  22. Sheikh, V., Visser, S., and Stroosnijder, L. (2009) A simple model to predict soil moisture : Bridging event and continuous hydrological( BEACH) modelling. Environmental Modelling & Software, Vol. 24, No. 4, pp. 542-556. https://doi.org/10.1016/j.envsoft.2008.10.005
  23. Zweiri, Y.H. (2006) Optimization of a three-term backpropagation algorithm used for neural network learning. International Journal of Computational Intelligence, Vol. 3, No. 4, pp. 322-327.