Title : 딥러닝 기반 글로벌 토양 수분 격자자료의 개발과 활용

[Abstract]
토양 수분은 수문 및 기후 연구에서 중요한 요소이지만, 공간적으로 연속적인 데이터는 주로 위성 관측이나 물리적 모델링을 통해 얻을 수 있다. 본 연구에서는 전 세계 1,000개 이상의 관측소 데이터를 활용하여 Long Short-Term Memory (LSTM) 모델을 훈련하고, 이를 활용해 딥러닝 기반 글로벌 토양 수분 격자자료 SoMo.ml을 구축하였다. SoMo.ml은 0.25° 공간 해상도 및 일 단위 시간 해상도에서 2000년부터 2019년까지의 0–10 cm, 10–30 cm, 30–50 cm 깊이의 토양 수분 데이터를 제공한다. 
또한, 유럽 지역을 대상으로 0.1° 공간 해상도로 개선된 SoMo.ml-Europe을 개발하여, 해당 지역에서 토양 수분의 시간적 변화를 보다 정밀하게 포착할 수 있도록 했다. 더 나아가, LSTM 모델 훈련에 사용한 데이터를 활용해 표준화된 학습 데이터를 제공하는 벤치마크 데이터셋(SoMoBench)을 구축 중이며, 이를 통해 데이터 기반 토양 수분 모델링을 촉진하고 다양한 알고리즘 간 성능 비교를 체계적으로 수행할 수 있도록 지원하고자 한다.
SoMo.ml의 성능은 교차 검증과 기존의 전지구 토양 수분 자료와의 비교를 통해 평가되었으며, 특히 지상 관측치의 일 단위 시간 변동성을 우수하게 재현하는 것으로 나타났다. SoMo.ml은 가뭄 분석, 물리 기반 모델과의 비교 연구 등 다양한 분야에 활용되고 있으며, 관측 기반 수문 및 기후 연구에서 그 가치를 입증하고 있다. 기존 모델이나 위성 기반 데이터를 효과적으로 보완할 수 있는 SoMo.ml은 대규모 기후, 수문, 환경 연구에 유용한 자료로 활용될 것으로 기대된다.