1. 서 론
토양수분(soil moisture)은 지구 전체 수자원의 약 0.001%에 불과하지만, 강수, 증발산, 지표-유출에 직접적인 영향을 미치며, 지표-대기 간 에너지 및 수문 순환 해석에 중추적인 역할을 한다(Vereecken et al., 2022; Xue and Wu, 2025). 이러한 특성으로 토양수분은 수문, 기상, 방재 등 다양한 분야에서 핵심 인자로 활용되고 있다(Bauer-Marschallinger et al., 2018). 특히, 토양수분의 시⋅공간적 변동성은 홍수/가뭄의 발생 및 전개 과정에 광범위한 영향을 미치며, 재해 감시를 위한 선행 지표로 활용된다(Machireddy, 2025). 따라서, 높은 신뢰도와 시⋅공간적 일관성을 갖춘 토양수분 자료의 확보 및 검증은 수문학적 재해 위험 평가와 예측을 위한 핵심 과제 중 하나이다.
현행 토양수분 관측은 주로 지상 관측망을 활용하여 이루어지고 있다. 그러나 이러한 방식은 개별 지점 단위의 계측에 의존하기 때문에, 관측 지점의 공간적 대표성(spatial footprint)이 제한적이며, 넓은 지역에 대한 토양수분의 공간적 분포와 변동성을 충분히 반영하지 못한다(Zhu et al., 2025). 이로 인해 토양수분의 시⋅공간적 변동 특성을 정확히 포착하기 어려우며, 재해 감시/예측에 활용 가능한 신뢰도 높은 데이터 확보에도 제약이 따른다.
이러한 한계를 보완하기 위해 최근에는 원격탐사(remote sensing) 기반 토양수분 관측 및 연구가 활발히 수행되고 있다(Badaluddin et al., 2021). 특히 기상 조건과 주⋅야간에 관계없이 지속적인 관측이 가능한 합성개구레이더(Synthetic Aperture Radar, SAR)가 주목받고 있으며, 그중에서도 접근성과 자료 활용성이 우수한 Sentinel-1 SAR 위성이 전 세계적으로 널리 활용되고 있다(Bhogapurapu et al., 2022; Pandit et al., 2022; Zeyliger et al., 2022). 토양 수분의 변화는 토양 유전율(dielectric constant)에 직접적인 영향을 미치며, 이는 전자기파의 산란 특성을 변화시킨다. SAR 기반 토양수분 추정은 이러한 유전율 변화가 후방산란 강도에 반영되는 원리에 기초한다(Kornelsen and Coulibaly, 2013). 다만, 후방산란계수는 유전율뿐 아니라 지표 거칠기, 식생 피복 및 캐노피, 지형 등의 특성에도 민감하게 작용한다(Karthikeyan et al., 2020). 따라서 신뢰도 높은 토양수분 산정을 위해서는 이러한 영향을 정량적으로 보정⋅제거하는 절차가 필수적이다.
이에, Wang and Gao (2023)는 Sentinel-1/2, Digital Elevation Model (DEM), 지점 관측 자료를 결합하여 식생 산란 효과를 제거한 뒤, Random Forest (RF)와 AdaBoost를 이용해 토양수분을 산정하였다. 연구 결과 RF가 최적 조건에서 가잔 우수한 성능(Mean Absolute Error = 2.29%, RMSE = 2.93%)을 보였다. 또한 Lakra et al. (2025)은 Sentinel-1 SAR 기반의 후방산란계수 및 Radar Vegetation Index (RVI)를 입력변수로 사용하여 다중 모델을 비교한 결과, RF가 검증 단계에서 가장 높은 정확도(결정계수 = 0.61, RMSE = 7.06%)를 나타냈다.
이처럼 최근에는 다양한 입력 변수를 통합적으로 고려할 수 있는 기계학습 기반 알고리즘을 통해 SAR 자료로부터 높은 신뢰도의 토양수분을 산정하고 있다. 그러나 일부 알고리즘은 예측 과정에서 토양수분을 과대⋅과소 추정하는 편향(bias)이 존재하며, 다중 입력 변수 간 상호작용에 대한 해석력이 제한되는 문제가 지적되고 있다(Abbes et al., 2024). 이러한 한계를 완화하기 위해 본 연구에서는 비선형성과 입력변수 간 상호작용을 효율적으로 학습하는데 강점을 가진 Light Gradient Boosting Model (LightGBM)을 활용하였으며, Sentinel-1 C-band SAR 자료와 결합하여 미호천 유역에서의 고해상도 토양수분을 산정하고, 이를 지점 관측 자료와 비교⋅검증하였다. 이후, 고해상도 토양수분 공간 분포를 분석하여 강우 사상의 반영에 대한 추가적인 검증도 수행하였다.
2. 연구지역 및 자료
2.1 미호강 유역 및 관측소 지점
본 연구에서는 충청북도, 충청남도, 세종특별자치시 및 경기도 안성시 일부 지역을 포함하는 미호강 유역(Fig. 1)을 연구 지역으로 선정하였다. 미호강은 금강 제 1 지류로, 유역 면적은 1,855 km2이며, 금강 대권역의 약 10.3%를 차지한다. 2010년부터 2023년까지 미호천 유역의 강수량을 분석한 결과 해당 기간의 연평균 강수량은 1,262.7 mm 산정되었다. 해당 기간 중 8개 연도는 연평균 강수량보다 적은 강우량을 기록하였으며, 2019년에 가장 적은 970.4 mm를 기록하였다. 토성으로 구분하면 양토 및 사양토가 전체 유역 면적의 85% 이상을 차지한다. 토지피복 유형을 살펴보면 산림(42.46%)이 가장 큰 비중을 차지하였으며, 농지(24.37%)와 초지(14.8%)가 그 뒤를 이었다(Fig. 1).
본 연구에서는 미호강 유역을 포함하는 Sentinel-1 영상 내에 위치한 총 47개관측소에서 2015년 5월부터 2024년 12월까지 수득한 자료를 활용하였다(Fig. 2). 또한, 다층 토양수분 중 C-band SAR의 투과 깊이를 고려하여 표층 토양수분(~10 cm)을 활용하였다. 수집된 자료는 IQR (Interquartile Range)을 활용하여 이상치를 제거하였으며, 무강우 시기에 토양수분이 증가한 경우는 오측으로 판단하고 제외하였다.
2.2 Sentinel-1 C-band SAR
SAR는 능동형 전자기파 센서를 탑재한 위성 기반 관측 시스템으로, 기상 조건이나 낮/밤에 상관없이 영상을 획득할 수 있다는 장점이 있다. Sentinel-1는 유럽우주항공국(European Space Agency)에서 운영하는 C-band (5.405 GHz) SAR 위성으로 Sentinel-1A (2014년 4월), 1B (2016년 6월), 1C (2024년 12월)로 구성된다. 그러나, Sentinel-1B는 2021년 12월 전원 공급 문제로 임무가 중단되었으며, 현재는 Sentinel-1A와 1C가 운용중이다. Sentinel-1은 활용 목적에 따라 Interferometric wide swath (IW), Wave, Stripmap, Extra wide swath 4가지의 관측 모드를 제공하며, 취득된 영상은 진폭과 위상 정보를 제공하는 Single Look Complex 형식과 지상 좌표계로 투영되어 진폭 정보만을 제공하는 Ground range detected (GRD) 형식으로 배포된다(Torres et al., 2012).
본 연구에서는 2015년 5월부터 2024년 12월까지 연구 지역을 관측한 Sentinel-1 Level-1 IW GRD 자료 총 160개의 영상을 활용하였다. 자료 분석에 앞서 SAR 영상의 지리 정보 정확도를 향상하고 열잡음, 스페클(speckle) 등 다양한 잡음을 최소화하기 위해 Filipponi (2019)에서 제시한 표준 전처리 과정(Fig. 3)을 준용하였으며, SNAP (Sentinel Application Platform) 소프트웨어와 Python을 연동하여 전처리를 수행하였다.
3. 연구방법
3.1 Light Gradient Boosting Model
LightGBM은 앙상블 트리 기반의 머신러닝 알고리즘으로 그래디언트 부스팅(Gradient Boosting)에 기초하여 구현된 기법이다(Friedman, 2001). LightGBM 모형은 기존 트리 모형과 달리 수평적(leaf-wise) 트리 성장 방식을 채택함으로써 손실 감소폭이 가장 큰 잎(leaf)을 우선적으로 분할하여 낮은 오차를 달성할 수 있다. 또한, 연속형 변수를 사전에 구간화하여 히스토그램 기반 학습을 수행함으로써, 기존 트리 기반 머신러닝 기법에 비해 학습 속도가 크게 향상된다(Li et al., 2023).
본 연구에서는 토양수분을 산정하기 위해 다양한 입력자료를 후보군으로 대상으로 다중 공선성 분석 및 Fisher’s chi-square test를 활용하여 최적 입력자료를 선정하였다(Table 1). 그 결과, VV (Vertical-Vertical, σVV), VH (Vertical-Horizontal, σVH) 후방산란계수, 연중일(Day of Year, DOY), LIA (Local Incidence Angle), 경사, 위/경도를 최종 입력자료로 선정하였다. σVV는 토양의 유전율(dielectric constant) 변화에 직접적으로 민감하여 토양수분의 중요 지표로 사용된다(Bulut et al., 2024). σVH는 식생 구조 및 수관 내 volumetric scattering 특성을 반영하여 식생의 영향 보정에 유용하다(Bauer-Marschallinger et al., 2018; Vreugdenhil et al., 2018). LIA는 산란 강도의 기하학적 감쇠를 보정하기 위한 필수 변수로, 고도 및 경사와 같은 지형 요인에 따른 산란 조건을 보정함으로써 동일한 관측 조건에서의 토양수분 비교를 가능하게 한다(Ulaby et al., 2014). 또한 DOY는 강수, 기온, 식생 생장 등 계절적 변동을 대표하는 보조 변수로서, 연중 주기성(seasonality)을 반영하여 머신러닝 기반 토양수분 산정 모형의 안정성을 향상시키는데 기여한다.
Table 1
List of the Input Candidates for Soil Moisture Estimation Model
| Input variables | Units |
|---|---|
| σVV | dB |
| σVH | dB |
| Local Incidence Angle (LIA) | degree (°) |
| Day of year | [-] |
| Latitude | degree (°) |
| Longitude | degree (°) |
| Slope | degree (°) |
LightGBM 모형을 구동하기 위해서 전체 자료에 대하여 7 (훈련자료) : 3 (검증자료)의 비율로 random sampling을 수행하여 훈련 및 검증을 진행하였다. 모형의 초매개변수(hyperparameter)는 베이지안 최적화(bayesian optimization)기법을 활용하였다.
3.2 통계적 검증
본 연구의 최종 산출물인 Sentinel-1 기반 고해상도 토양수분의 통계적 검증을 위해 상관계수(Eq. (1)), Bias (Eq. (2)), RMSE (Eq. (3))를 활용하였다. 여기서 Xn과 X̅는 각각 n번째 Sentinel-1 기반 토양수분 추정치와 평균값을 의미하며, Yn과 Y̅는 n번째 지점 관측치와 해당 자료의 평균값을 의미한다. 상관계수는 관측치와 추정치 간의 선형적 결합 정도를 나타내며, 절댓값이 1에 가까울수록 선형 상관성이 강함을 의미한다. Bias는 체계적 오차(systematic error)을 나타내며, RMSE는 추정치가 실제값으로부터 얼마나 벗어나는지 정량화한 지표이며 값이 낮을수록 정확도가 높음을 의미한다.
4. 결과 및 고찰
4.1 토양수분과 C-band 후방산란계수의 시계열 비교
Fig. 4는 지점에서 관측된 토양수분과 Sentinel-1 C-band SAR 후방산란계수간의 상관계수 분포를 boxplot으로 나타낸 것이다. σVV의 상관계수는 -0.272에서 0.674, σVH의 상관계수는 -0.400에서 0.862의 값으로 분포하였다. Ullmann et al. (2023)에서도 칠레 지역에 설치된 16개의 토양수분 관측소와 Sentinel-1 후방산란계수와의 비교를 수행하였으며, 대부분의 지점에서는 낮은 결정계수(R2 < 0.5)를 나타냈다. 각 편광별 상관계수값을 비교해본 결과, 전체 지점의 약 60%에서 σVV의 상관계수가 σVH에 비해 더 높게 산정되었다. 하지만, 일부 관측소에서는 Whisker밖에 위치하는 이상치가 발생하였다. 상대적으로 상관계수가 높게 산정된 지역은 비교적으로 평탄하고 지표 거칠기(surface roughness)의 시간적 변동이 크지 않은 지점으로 나타났다. 일부 음수가 나타난 지점의 경우 관개⋅배수의 빈도가 높고 상대적으로 식생의 구조 변화가 높은 지역으로 나타났다.
Fig. 4
Boxplots of Correlation Coefficient between Observed Soil Moisture and C-band Backscatter Coeffficients (σVV and σVH) at Study Sites
보다 자세한 분석을 위해 상대적으로 Sentinel-1 자료의 수득률이 높았던 청주시 남일면 지역을 대상으로 Sentinel-1 후방산란계수와 표층 토양수분간의 시계열 분석을 수행하였다(Fig. 5). 전반적으로 σVV는 σVH에 비해 10~15 dB 정도 낮은 값이 관측되는 것을 확인할 수 있다. 상대적으로 토양이 습윤했던 2017, 2018, 2020년 여름철에는 σVV는 토양수분의 상승에 따라 σVV 또한 -35 dB에서 -25dB로 상승하는 경향을 나타냈다(Fig. 5). 반면 상대적으로 건조했던 2019년 하반기에는 토양수분의 감소에 따라 σVV 또한 -40 dB로 감소하는 경향을 확인할 수 있다. 이는 σVV의 경우 다양한 산란 구성 요소 중 표면 산란(surface scattering)이 지배적이어서 토양 내 유전율 변화 및 토양수분의 변화에 더욱 민감하게 반응한 것으로 파악된다(El Hajj et al., 2017; Ayari et al., 2023).
Fig. 5
Temporal Behavior of Ground-Based Soil Moisture and Sentinel-1 Backscatter at Cheongju Namil Station
반면, σVH는 전반적으로 -20~-15 dB의 범위를 나타냈으며, 토양수분이 감소하여 건조한 상태로 진입하여도 σVH는 유사한 범위를 유지하였다(Fig. 5). 이는 σVH가 토양수분의 변화보다는 식생의 생육 및 구조적 변화에 따른 계절적 변동성에 더욱 민감한 것을 의미한다. Verhoest et al. (2008)과 Meyer et al. (2021)은 σVH의 경우 식생에 의한 체적 산란(volume scattering) 및 지표에서의 다중 산란(multiple bounce scattering)의 영향을 크게 받기 때문으로 토양수분에 대한 민감도가 상대적으로 감소한다고 분석하였다.
4.2 고해상도 토양수분 검증
Fig. 6은 훈련자료에서 제외된 토양수분 지점 자료와 LightGBM 및 Sentinel-1 기반 고해상도 토양수분 간의 산점도를 나타내고 있다. 전반적인 통계결과 LightGBM 기반 토양수분 산정치의 R값은 0.722, RMSE는 4.69%로 우수한 성능을 나타내었다. 산점도의 분포를 확인해보면 높은 상관관계를 확인할 수 있으나, 선형 회귀 직선의 기울기가 1보다 작은 것으로 나타났다(Fig. 6). 상대적으로 건조한 구간(< 15%)에서는 bias가 4.25%, 습윤한 구간(> 35%)에서는 bias가 -3.72%로 과소산정되어 체계적인 편의가 발생하는 것으로 판단된다. 이는 LightGBM 모형의 평균제곱오차 기반 학습으로 예측값을 분포의 중심부로 수축시키는 특성에 기인한 것으로 판단된다. 이와 더불어, 관측자료 중 15% 미만과 35% 초과 관측치는 훈련자료 중 각각 5% 및 17%로 자료의 개수가 충분하지 않기 때문에 모형에 제대로 반영이 되지 못한 것으로 판단된다.
Fig. 7은 LightGBM 기반 토양수분 산정 모델의 변수 중요도를 정량적으로 평가하기 위해 수행한 SHAP 분석 결과를 도시한 것이다. 분석 결과 연중일(DOY)이 가장 높은 값을 보였다. Chen et al. (2025)에서도 Random Forest, XGBoost, Attention Decision Forest 모델을 활용하여 토양수분을 산정했을 때 DOY의 중요도가 가장 높게 나타났다. 이는, 계절적 변동성이 토양수분 예측에 가장 큰 영향을 미치는 요인으로 확인되었다. 두 번째로 높은 중요도를 나타낸 변수는 LIA로 나타났으며 Park and Park (2024)에서도 유사한 결과를 확인할 수 있다. LIA의 중요도가 높게 나타난 것은 관측 기하(viewing geometry)에 따라 입사각이 낮을수록 표면 산란의 지배를 받기 때문인 것으로 판단된다(Bormudoi et al., 2023).
σVV와 σVH를 비교해보면 σVV 중요도가 상대적으로 높은 것으로 나타내었으며, 이는 C-band 신호의 표면 산란 특성이 토양 수분 변동을 민감하게 반영함을 의미한다. 반면, σVH는 식생 구조나 수분의 영향을 부분적으로 반영하였으나 상대적으로 낮은 중요도를 보였다. Chung et al. (2021)과 Bulut et al. (2024)에서도 σVV가 σVH에 비해 토양의 습윤정도에 더욱 민감한 반응을 보였다. 마지막으로 지형 인자(경사, 위도, 경도)는 공간적 변동성과 잔차 감소에 기여할 수 있지만(Schönbrodt-Stitt et al., 2021) 다른 인자들에 비해 낮은 기여도를 보여 보조 자료로서의 역할을 수행한 것으로 판단된다.
4.3 고해상도 토양수분 공간분포 분석
LightGBM 및 Sentinel-1 기반 토양수분 산정치에 대해 강우량과의 비교⋅검증을 위해 Thissen 기반 유역 평균 강우주상도를 Fig. 8에 제시하고, 해당 기간 동안 추정된 토양 수분 공간 분포를 Fig. 9에 제시하였다.
6월 3일에는 강수 직후의 상황으로, 토양수분의 광역적 증으로 증가하여 25~40%의 토양수분 값을 보였다. 특히, 농지 및 초지 지역에서 산림 지역에 비해 높은 토양수분값이 산정되었다(Fig. 9(a)). Huang et al. (2022)은 농지 및 초지 지역에서 강우에 대한 토양수분의 회복력(resilience)이 산림 지역에 비해 높아 강우에 민감한 반응을 보였다고 분석하였다. 또한, 산림지역은 식생 차단(interception)으로 인해 강우에 대한 토양수분의 민감도가 상대적으로 낮아지는 것으로 판단된다.
Fig. 9
Spatial Map of High-Resolution Soil Moisture over Study Area at 2021: (a) 06/03, (b) 06/15, (c) 06/22, and (d) 07/09
이후 6월 중순에는 무강우기간이 지속되면서 토양 수분이 급격히 감소하였고, 연구 지역 내 토양수분 값이 15~25% 범위의 변동하는 건조 상태를 반영하였다. 이는 토양의 증발산과 배수에 의해 표층 수분이 빠르게 손실된 결과로 판단된다. 시가지 지역은 다른 토지피복에 비해 불투수 비율이 높아 상대적으로 작은 변동 폭을 나타냈다(Figs. 9(b), 9(c)). 반면 산림 지역은 수분 유지 효과를 보여 완만한 감소 경향을 나타냈다. Tams et al. (2023)에서는 산림 차광 효과로 인해 산림지역에서 수분 스트레스의 발현을 늦추고 강도를 낮춰 수분 유지에 유리하다고 분석하였다.
이후, 7월에는 3일부터 19일까지 지속된 장마의 영향을 받아 다시 토양수분값이 증가한 것을 확인할 수 있다. 특히, 농지와 초지지역은 강우 직후 포화상태에 근접하며 30~40%의 토양수분 범위를 나타내었다(Fig. 9(d)). 산림지역 또한 캐노피층의 수분함량 증가로 인해 6월 22일 22~28% 대의 토양수분이 7월 9일에는 26~32%로 증가한 것을 확인할 수 있다. 이는 일 강우 기준 40 mm 이상의 강우 사상 발생으로 인해 증가한 것으로 판단할 수 있다.
5. 결 론
본 연구에서는 Sentinel-1 SAR 자료와 LightGBM을 결합하여 미호강 유역을 대상으로 고해상도 토양수분을 산정하고, 지상 관측 자료를 활용하여 이를 검증하였다. 모형 구축에 앞서 C-band 후방산란계수와 토양수분 간의 상관성 분석 결과, σVV는 σVH에 비해 토양수분과의 상관성이 높게 나타났다. 특히 토양이 습윤한 시기에는 σVV가 토양수분 증가에 따라 -35 dB에서 -25 dB로 상승하는 경향을 보였으며, 이는 표면 산란이 지배적인 C-band의 특성에 기인한 것으로 판단된다. 반면 σVH는 식생 구조와 체적 산란에 민감하게 반응하여 계절적 변동성을 반영하였으나, 토양수분 변화에 대한 민감도는 상대적으로 낮게 나타났다.
이러한 특성을 반영하여 Sentinel-1 및 LightGBM 기반 토양수분을 산정한 결과, 검증 지점 기준 상관계수는 0.722, RMSE는 4.69%로 나타나 높은 예측 정확도를 보였다. 하지만, 상대적으로 건조하거나 습한 구간에서는 LightGBM 모형의 훈련 특성 및 구간별 훈련자료의 불균형으로 인한 편향이 확인되었다. 입력자료에 대한 SHAP 분석을 수행한 결과 DOY가 가장 높은 중요도를 나타냈으며, σVV는 σVH에 비해 높은 중요도를 나타내었다.
추가적으로 Sentinel-1 및 LightGBM 기반 토양수분 산정치의 시⋅공간적 분포 분석 결과, 강우 직후(2021년 6월)에는 농지와 초지 지역에서 25~40%의 높은 토양수분이 관측된 반면, 산림지역은 식생 차단 효과로 인해 상대적으로 낮은 민감도를 보였다. 무강우 시기에는 증발산과 배수에 의한 표층 수분 손실로 급격한 감소가 나타났으며, 시가지 지역은 불투수면의 영향으로 변동폭이 제한적이었다. 이는 토지피복 특성이 강우-토양수분 간 반응성에 주요한 영향을 미침을 시사한다.
결론적으로, 본 연구는 Sentinel-1 SAR 자료와 LightGBM 기법을 결합함으로써 기상 조건과 시간대에 제약받지 않는 고해상도 토양수분 산정을 구현하였다. 향후 연구에서는 토지피복 및 토성에 따른 통계적 분석을 수행하고 각 특성별 불확실성을 고려한 머신러닝을 구축함으로써 극단적 건조/습윤 상태에서도 고품질의 토양수분 산정치를 산정할 수 있을 것으로 기대된다. 또한, 위성 관측치 및 지형학적 인자 이외에도 다양한 수문⋅기상학적인 요인을 추가로 고려함으로써 토양수분 산정 모형의 고도화를 모의할 것으로 예상된다. 이를 토대로 고해상도 홍수, 가뭄, 산사태, 철도 선로 주변 사면 모니터링 등 다양한 재해의 감시 및 예측, 방재 의사결정 지원에 폭넓게 활용될 수 있을 것으로 기대된다.
PDF Links
PubReader
Full text via DOI
Download Citation
Print
