토양 수분 추정을 위한 딥러닝: 위성 데이터와 최적 지연 기상 특성의 융합

반건조 농업 지역에서 정확한 토양 수분 (Soil Moisture) 추정을 위해서는 원격 탐사 (Remote Sensing) 정보와 기상 정보를 통합하는 동시에, 대기 강제력 (Atmospheric Forcing)에 대한 토양 수분의 지연된 반응을 고려해야 합니다. 본 연구는 기상 변수와 토양 수분 사이의 최적 시간 지연 (0-30일) 및 지표면 (10 cm)에서 더 깊은 층 (20-50 cm)으로의 수직 수분 전파를 설명하는 층간 지연 (0-15일)을 결정하기 위한 교차 상관 함수 (Cross-Correlation Function, CCF) 방법론을 소개합니다. 이 접근 방식은 스페인 남동부의 7개 농경지에서 검증되었습니다. 각기 다른 예측 입도 (Granularity)를 목표로 하는 세 가지 딥러닝 아키텍처가 위성 전용부터 위성-기상-심도 전체 융합에 이르는 5가지 특성 구성 하에서 평가되었습니다: 각 구역 내 픽셀별 추정을 위한 CNN, 프레임 수준 (일일 구역 평균) 예측을 위한 LSTM, 그리고 풀링된 멀티 패치 (Multi-patch) 학습과 슬라이딩 윈도우 (Sliding Window) 기반으로 작동하는 CNN-LSTM 하이브리드 모델입니다. 모델의 진정한 일반화 능력을 측정하기 위해 홀드아웃 데이터 (Held-out data)로 평가를 수행했습니다. 기상 변수는 위성 전용 베이스라인 (Baseline) 대비 성능을 향상시켰으며, 지하 심도 정보는 모든 아키텍처에서 결정적인 역할을 하는 것으로 증명되었습니다. 픽셀별 CNN은 가장 강력한 단일 패치 결과 (R^2 = 0.877, RMSE = 2.28)를 달성했으며, 7개 패치 평균 R^2는 0.535로 위성 전용 베이스라인 대비 +1.00의 개선을 나타냈습니다. 풀링된 CNN-LSTM 하이브리드는 가장 높은 종합 성능 (R^2 = 0.930, CVRMSE = 8.0%)을 기록했습니다. 이러한 결과는 대기 및 수직 지하 지연을 명시적으로 모델링하는 것이 정밀 농업 (Precision Agriculture)을 위한 토양 수분 추정을 실질적으로 개선한다는 것을 보여줍니다.