Ⅰ. 서 론
최근 급격한 기후변화로 인해 국지적인 집중호우가 자주 발생하고 있으며, 이로 인한 홍수 및 산사태와 같은 자연재해가 빈번하게 발생하고 있다. 특히 산사태의 경우 강우의 영향을 크게 받는 것으로 나타났으며, 강우가 많이 내리는 경우 토양 내의 간극수압이 높아져 경사면의 붕괴 가능성을 높인다 (Yang et al., 2007). 우리나라 국토의 70%는 산악 지형으로 이루어져 있으며 (NGII, 2008), 기후변화로 인한 집중호우가 계속 발생할 경우 산악 지형에서 산사태 및 토사 유출로 인한 자연재해 발생 가능성이 커진다. 특히 산사태로 인해 발생된 토사가 하천과 합류하게 될 경우 홍수의 규모가 커져 더욱 큰 피해를 유발하게 된다. 이러한 산사태는 토양수분과의 상관 관계가 있다는 것으로 나타났으며 (National Research Council, 1985), 앞서 언급되었던 홍수나 산사태와 같은 자연재해들을 방지하기 위해선 토양수분을 관측해야 할 필요가 있다.
토양수분의 측정 방법은 직접측정법과 간접측정법으로 구분한다. 직접측정법은 지점에 직접 측정 센서를 설치하여 토양수분을 측정하는 방법으로 측정된 토양수분의 신뢰성이 매우 높다는 장점이 있다. 그러나 직접측정법은 측정 장비가 설치된 지점의 토양수분만을 수집하여 대유역을 대표하는 데에 한계가 있으며, 토양수분을 측정하기 위한 많은 인력과 비용이 필요하다. 따라서 직접측정법으로 광범위한 토양수분 공간분포를 제시하는 데에는 한계가 있다. 이러한 단점을 극복하기 위하여 위성영상 등의 원격탐사자료를 이용한 간접측정법이 제시되었다. SMAP (Soil Moisture Active and Passive, Entekhabi et al., 2010), SMOS (Soil Moisture Ocean Salinity, Kerr et al., 2001) 등의 인공위성은 장착된 센서를 이용하여 수집된 토양수분 영상을 제공한다. 이러한 간접측정법은 직접측정법보다 넓은 범위의 토양수분을 관측할 수 있지만, 공간 해상도가 낮은 단점이 있다. 또한, 저해상도의 인공위성 토양수분 영상자료를 실제 농업 및 수문 분야에 사용할 경우 불확실성이 증가하게 된다 (Engman, 1991; Entekhabi et al.., 1999; Ines et al., 2013; Shin and Mohanty, 2013).
최근 심층신경망 (Deep Neural Network, DNN) 기반의 기계학습을 이용하여 토양수분을 산정하는 연구가 제시되고 있다. 기계학습에서 초기에 많이 사용되었던 인공신경망(Artificial Neural Network, ANN)은 McCulloch and Pitts (1943)가 처음 제시한 개념이며, 인간의 뇌 구조를 모방한 기계학습이다. 인공신경망의 구조는 입력층, 은닉층, 출력층으로 이루어져 있으며, 이 중 은닉층의 개수가 2개 이상인 경우 이를 DNN이라고 한다. DNN은 복잡하고 비선형적 관계가 있는 정보를 학습하고 분석할 수 있다. 이러한 장점을 활용하여 DNN으로 토양수분과 토양수분에 영향을 미치는 인자 간의 비선형적 관계를 분석하고, DNN 기반 토양수분 모형을 이용하여 토양수분을 산정하는 연구가 진행되고 있다. Cai et al. (2019)은 심층신경망 (Deep Neural Network, DNN) 회귀모형을 설계하여 베이징 순이 지역의 토양수분을 산정하였고, Song et al. (2016)은 딥러닝 (deep learning) 기반 cellular automata 모형을 이용하여 북중국 장예 오아시스 관개 지역의 토양수분 분포를 산정하였다. 국내 연구사례로는 Kim et al. (2017)이 딥러닝 모형과 위성 자료를 이용하여 우리나라 농지의 토양수분 함량 분포를 산정하였다. 하지만 우리나라 국토의 70% 이상을 차지하는 산지 지역의 토양수분 산정에 관한 연구는 현재 미비한 상황이다.
본 연구에서는 DNN 회귀모형을 이용하여 강원도 평창군과 경상남도 거창군의 토양수분을 산정하였다. 연구목적은 1) 산악 지형에서의 지표특성에 따른 토양수분의 특성 분석, 2) DNN 회귀모형의 민감도 분석 및 3) DNN 회귀모형을 이용한 토양수분 산정하는 것이다.
Ⅱ. 재료 및 연구방법
1. 연구 대상 지역
DNN 회귀모형 기반 토양수분 산정을 위하여 강원도 평창군과 경상남도 거창군을 연구 유역으로 선정하였다 (Fig. 1). 연구 지점은 강원도 평창군 (PC1, PC2, PC3)과 경상남도 거창군 (GC1, GC2, GC3)에 각각 3개씩 위치한 지점으로 선정하였으며, 각 지점에서 방위별 (East-E, West-W, South-S, North-N)로 총 4개 지점에 실측 TDR (Time Domain Reflectometry) 토양수분 센서를 설치하여 토양수분을 측정하고 있다. GC2 및 GC3 지점에서는 현재 각각 1개 TDR 센서만 운영하고 있으며, 추후에 방위별 TDR 센서를 추가할 예정이다. 평창군은 총 12 (PC1-E, PC1-W, PC1-S, PC1-N, PC2-E, PC2-W, PC2-S, PC2-N, PC3-E, PC3-W, PC3-S, PC3-N)개 및 거창군은 총 6개 (GC1-E, GC1-W, GC1-S, GC1-N, GC2, GC3)의 TDR 센서를 이용하여 토양수분을 측정하였으며, 지점별로 지표면으로부터 10 cm 및 30 cm 깊이에서 실측된 TDR 토양수분을 사용하였다.
2. 모니터링 데이터 수집 및 민감도 분석
DNN 회귀모형의 입력 자료를 구축하기 위하여 지표특성 및 기상관측 자료를 수집하였다. TDR 기반 실측토양수분은 산악 지형의 토양 내 수분의 빙결을 고려하여 연구 기간은 4월 15일부터 7월 16일까지의 강원도 평창군, 경상남도 거창군의 토양수분 자료를 사용하였으며, 지표특성 자료는 모래 및 점토 함량, 토지이용도 및 수치표고모델 (Digital Elevation Model, DEM)을 사용하였다. Table 1은 연구 지점별 지표특성을 나타낸다.
Table 1
The elevation(m), landuse, sand and clay content(%) in soil of the study sites at where the TDR sensors were installed in the Pyeongchang-gun(PC) and Geochang- gun(GC) sites
수집한 TDR 토양수분의 특성을 경사도와 토지피복에 따라 분석하였으며, 입력 자료가 DNN 기반의 토양수분 산정에 미치는 영향을 파악하기 위해 민감도 분석을 수행하였다. DNN 회귀모형의 입력 자료로는 선행강수 (현재 n일, n-1일, n-2일, n-3일, n-4일)의 5일 강우의 평균값 (mm), 5일 선행강우, 당해연도 1월 1일부터 현재까지의 누적강수 (mm), DEM (m), 토지피복, 지표층의 모래함량 (%) 및 점토함량 (%), 온도 (oC) 및 풍속 (m/s)을 사용하였다. 기상 자료의 경우 기상청에서 제공하는 방재기상관측 (Automatic Weather System, AWS) 자료를 사용하였으며, Thiessen 망에 따라 기상관측소를 선정하였다. 강원도 평창군은 평창 관측소, 경상남도 거창군은 북상 관측소 자료를 사용하였다. 선행강수의 5일은 측정 날짜 기준 4일 전까지의 일강수량을 사용하였다. 민감도 분석은 인자별로 누적하여 Scenarios 1~8의 상관성을 분석하였으며, Scenarios는 Table 2와 같다.
Table 2
Scenarios for the sensitivity analysis of DNN input variables
3. DNN 회귀모형 적용
DNN은 입력층과 출력층 사이에 두 개 이상의 은닉층 (hidden layer)이 존재하는 인공신경망 기법을 의미하며, 인간의 뇌가 자료를 학습하고 분석하는 방식을 모방한다. 인간의 뇌는 수많은 뉴런으로 구성되어 있으며, 뉴런의 자극으로 정보를 전달한다. 인공신경망의 은닉층 내에는 다수의 노드 (node)가 존재하며, 노드는 인간의 뇌에서 뉴런의 역할을 담당한다. 인공신경망은 학습을 통해서 각각의 노드에 대해 가중치를 부여하며 입력값과 노드의 가중치의 곱연산으로 가중치 합을 계산한다. 활성 함수는 계산된 가중치 합을 분석하여 출력을 결정하며, 주로 비선형함수를 사용하여 입력값과 출력값의 관계를 복잡하게 만들어 인공신경망의 학습 능력을 향상시킨다. 인공신경망의 학습은 다양한 최적화 (optimization) 알고리즘을 사용하여 학습 동안 예측값과 실측값과의 오차를 최소화한다.
DNN은 복잡하고 방대한 자료를 분석하데 효과적이지만, 훈련 시 모의값이 실측값에 과적합 (overfitting)되는 단점이 있다. 과적합은 DNN이 주어진 입력 자료를 과도하게 학습하여 새로운 특성을 가지는 입력 자료를 잘 반영하지 못하는 현상이다. 이러한 과적합은 드롭아웃 (dropout, Srivastava et al., 2014) 기법 등을 이용하여 해결할 수 있다. 드롭아웃은 어떤 노드의 가중치가 특정 데이터에 크게 영향을 받는 현상을 감소시키기 위하여 학습을 진행하는 동안 신경망의 노드를 확률적으로 사용하지 않는다. 따라서 드롭아웃을 이용하여 DNN 회귀모형을 학습시키는 경우 특정 노드에 크게 의존하는 과적합 현상을 해결할 수 있다.
본 연구에서 사용한 DNN 회귀모형은 Python 환경에서 Tensorflow를 기반으로 설계되었다. DNN 회귀모형에 사용한 활성 함수는 Leaky ReLu 함수를 사용하였으며, 최적화 알고리즘은 Adam (Adaptive moment estimation, Kingma and Ba, 2014)을 사용하였다. DNN 회귀모형 내부 은닉층의 개수는 3개로 설계하였으며, 은닉층의 노드 개수는 각각 500개로 설계하였다. Fig. 2는 토양수분 산정을 위한 DNN 회귀모형의 구조를 나타낸다.
학습 도중 발생하는 과적합을 방지하기 위하여 드롭아웃을 사용하였다. 드롭아웃은 20%~50% 범위 안에서 설정한다 (Zhang et al., 2019). 드롭아웃의 수치가 너무 낮아지면 과적합이 발생하고, 반대로 너무 높아지면 DNN 모형 학습 성능이 감소한다. 본 연구에서는 드롭아웃의 수치를 20%로 설정하여 실험한 경우 DNN 모형의 성능이 가장 뛰어난 것으로 나타나 드롭아웃을 20%로 설정하였다.
민감도 분석의 결과를 기반으로 DNN 회귀모형으로 평창군과 거창군 지점의 입력 자료를 각각 학습하였으며, 평창군은 1116개의 입력 자료, 거창군은 558개의 입력 자료를 사용하였다. DNN 회귀모형의 학습 횟수는 1500번으로 진행하였다. DNN 회귀모형의 성능을 검증하기 위하여 산정된 모의토양수분과 TDR 기반 실측토양수분에 대한 적합도 및 불확실성을 평가하였으며, Pearson 상관계수 (R)와 RMSE (Root Mean Square Error)을 활용하였다 (식 1, 2).
여기서 
는 산정된 모의토양수분 (cm3 cm-3), 
는 TDR 기반 실측토양수분 (cm3 cm-3), 
는 산정된 모의토양수분의 평균 (cm3 cm-3), 
는 TDR 기반 실측토양수분의 평균 (cm3 cm-3), N은 입력 자료의 총 개수이다.
Ⅲ. 결과 및 고찰
1. 지표특성에 따른 연구지역의 실측토양수분 분석
본 연구에서는 지표특성 (경사도 및 피복)에 따른 강원도 평창군과 경상남도 거창군의 실측토양수분을 분석하였다 (Fig. 3). 평창 3번 지점 (PC3)과 거창 1번 지점 (GC1)의 경우 지표면으로부터 10 cm 깊이에서 측정된 실측토양수분의 경우 고도가 낮은 지점일수록 토양수분이 증가하는 경향을 나타냈다. 경사지일수록 물이 저지대로 향하기 때문에 고도가 낮은 지점은 주위 다른 지점보다 토양수분이 높게 나타난다. 특히 GC1-E(d)의 경우 동쪽 센서에서 측정된 10 cm 깊이에서의 실측토양수분값이 같은 다른 (GC1-W, GC1-S, GC1-N) 센서의 실측토양수분값보다 매우 높게 나타났다. 이는 산악 지역의 지형적 특성이 토양수분 분포 특성에 영향을 미치는 것으로 판단된다. 산림과 초지가 혼합된 PC3(c) 지점의 경우 초지에서 측정된 실측토양수분값이 산림에서 측정된 실측토양수분값보다 높게 나타나 지표 피복에 따라서도 토양수분의 차이가 발생하는 것으로 나타났다. PC3 지점의 경우 남쪽 (PC3-S) 및 서쪽 (PC3-W) 지점의 고도가 다른 지점들보다 4~5 m 정도 낮은 것으로 나타났으며, 고도차에 의한 토양수분의 흐름으로 인하여 남쪽 및 서쪽 지점의 토양수분이 상대적으로 높게 나타난 것으로 판단되었다. PC3 지점의 경우 동서 및 남북 방향으로 약 20 m 정도로 근거리에 위치하며 방위별 (동, 서, 남, 북) 지점의 기상상태 및 토양 특성은 매우 유사하기 때문에, 토양수분의 변화는 지표 피복 혹은 고도 차이에 의해 발생할 것으로 추정된다. PC3 지점의 경우 피복보다는 고도 차이에 의해 발생하는 토양수의 흐름으로 인하여 방위별 토양수분의 차이가 발생하는 것으로 판단되었다. 또한 지표면으로부터 10 cm 깊이에서 측정한 토양수분은 지표에 상대적으로 가까워 강우에 영향을 빠르게 받고 침투 및 증발이 발생하여 토양수분의 변동 폭이 가파르게 나타났지만, 30 cm 깊이에서의 토양수분은 10 cm 깊이에서의 토양수분보다 강우, 침투, 증발 등에 영향을 적게 받아 상대적으로 토양수분의 변동 폭이 낮은 것으로 판단되었다.
2. DNN 회귀모형 입력변수 민감도 분석
평창군 및 거창군 지점에 대하여 DNN 회귀모형의 입력 자료의 민감도 분석을 시행하였다. DNN 회귀모형의 입력 자료로는 5일강우평균 (mm), 5일선행강우 (mm), 누적강우 (mm), DEM (m), 토지피복, 토양 내 모래함량 (%) 및 점토함량 (%), 기온 (oC) 및 풍속 (m/s)을 선정하였다. 평창군 지점에서 민감도 분석을 진행한 결과 수집된 강우 자료를 3가지 형태 (5일평균강우, 5일선행강우, 누적강우)로 가공하여 일별 모의토양수분을 산정한 경우 (R: 0.515~0.786; RMSE: 0.054~0.075) 실측토양수분과 어느 정도 유사한 것으로 나타났다 (Fig. 4). 특히 DEM 변수를 추가한 경우에는 모의값 (R: 0.878, RMSE: 0.043)이 실측값을 잘 반영하는 것으로 나타났다. 토지이용도, 모래 및 점토, 온도 및 풍속 변수를 순차적으로 추가하여 적용 시 모의값의 상관성이 지속적으로 향상되었으나, 그 정도는 상대적으로 크지 않은 것으로 나타났다. 이러한 경향은 거창군 지점에서도 유사하게 나타났으며, 5일평균강우, 5일선행강우, 누적강우 변수에 DEM 변수가 추가될 경우 상관성 (R: 0.995) 및 불확실성 (RMSE: 0.014)이 크게 향상되는 것으로 나타났다 (Fig. 5). 토지이용도, 모래 및 점토, 온도 및 풍속 변수들의 추가 적용시 상관성 및 불확실성이 다소 증가하였으나, 유의미한 변화는 없는 것으로 나타났다. 평창 (혹은 거창) 관측 지점들의 경우 지점과 지점의 거리가 짧기 때문에 동일한 기상 자료가 사용되었으며, 특히 토양 및 지표 피복의 경우에도 지점들 사이에 큰 차이가 없었기 때문에 산악 지형에서 DNN 기반 토양수분 산정시 DEM 변수가 DNN 모의 성능에 가장 큰 영향을 미치는 것으로 판단되었다. 기존 DNN 기반 토양수분 산정 관련 선행 연구에서는 토양수분 산정 인자를 대상으로 한 민감도 분석 결과 강우, 기온, Land-cover fraction, DEM 순으로 DNN 모의 성능에 영향을 주는 것으로 나타났다 (Lee et al., 2018). 본 연구에서 진행한 민감도 분석의 경우, 평창 및 거창 지점 내에서 기상, 토양, 피복 등이 유사하기 때문에, 상대적으로 DEM이 모의결과에 가장 크게 영향을 미치는 것으로 판단되었다.
3. DNN 회귀모형 기반 시계열 예측토양수분 산정 및 검증
민감도 분석에 사용된 DNN 회귀모형의 입력 자료를 이용하여, DNN 회귀모형 기반의 토양수분을 산정하였다. Fig. 6은 평창군 및 거창군 지점의 실측토양수분과 DNN 회귀모형으로 산정한 모의토양수분 간의 상관성 분석 결과를 나타낸다. 평창군 지점의 경우 지표면으로부터 10 cm 깊이에서 측정한 실측토양수분과 모의토양수분 간의 상관성 (R)은 0.890으로 높게 나타났으며, 불확실성 (RMSE)은 0.041으로 나타났다. 지표면으로부터 30 cm 깊이에서 측정한 실측토양수분과 모의토양수분 간의 상관성 (R)은 0.843, 불확실성 (RMSE)은 0.048으로 10 cm 깊이에서의 토양수분보다는 다소 불확실성이 높게 나타나 지표 10 cm 깊이의 결과보다 다소 불확실성이 증가하였다. 거창군 지점의 경우 지표면으로부터 10 cm 깊이에서 측정한 실측토양수분과 모의토양수분 간의 상관성 (R)은 0.997, 불확실성 (RMSE)은 0.014으로 나타났다. 지표면으로부터 30 cm 깊이에서 측정한 실측토양수분과 모의토양수분 간의 상관성 (R)은 0.995, 불확실성 (RMSE)는 0.006로 평창군과 달리 30 cm 깊이에서 측정된 토양수분을 사용한 경우 불확실성이 다소 낮아졌다. 전체적으로 10 cm와 30 cm 깊이에서는 평창군과 비교하여 상대적으로 거창군 지점의 모의 결과가 실측값과 매우 유사한 것으로 나타났다. 평창군 지점의 경우 총 12개 지점의 일별 토양수분자료를 이용하여 DNN 기반 토양수분을 산정하였으나, 거창군 지점의 경우에는 총 6개 지점의 토양수분이 사용되어 상대적으로 DNN 기법이 훈련시켜야 할 자료의 개수가 적기 때문에 모의값의 불확실성이 크게 감소한 것으로 판단되었다.
Fig. 7은 지표면으로부터 10 cm 깊이에서 측정한 실측토양수분과 DNN 회귀모형으로 산정한 토양수분을 지점별로 비교한 결과를 나타낸다. 전체적으로 평창 및 거창군 지역의 모의토양수분과 실측토양수분을 비교한 경우 상관성 (R)이 0.889 이상 및 불확실성 (RMSE)은 0.082 이하로 나타나 DNN 기반 모의값이 실측값을 잘 반영하였으나, PC1-N (Fig. 7(a)), PC1-E (Fig. 7(b)) 및 PC1-S (Fig. 7(c))에서는 불확실성 (RMSE)이 0.082, 0.068 및 0.070으로 상대적으로 다른 지점과 비교하여 불확실성이 다소 증가하였다. Fig. 8은 지표면으로부터 30 cm 깊이에서 측정한 실측토양수분과 DNN 회귀모형으로 산정한 모의토양수분을 지점별로 비교하였다. 대부분의 지점에서 모의토양수분과 실측토양수분 간의 상관성 (R)이 0.776 이상, 불확실성 (RMSE)이 0.102 이하로 나타났다. 특히 거창군 지점 (m-p)의 경우 상관성 (R)이 0.968 이상, 불확실성 (RMSE)이 0.009 이하로 모의토양수분이 실측토양수분과 매우 유사하게 나타났다. 그러나 10 cm 깊이에서의 경우와 같이, PC1 지점에서 모의토양수분과 실측토양수분에서 다소 차이가 발생하였다. PC1 지점의 PC1-N (Fig. 8(a)), PC1-E (Fig. 8(b)), PC1-S (Fig. 8(c)) 및 PC1-W (Fig. 8(d))의 경우 상관성 (R)이 0.891, 0.865, 0.776 및 0.905 그리고 불확실성 (RMSE)이 0.102, 0.065, 0.067 및 0.065로 모의토양수분이 실측토양수분과 비교하여 다소 차이가 발생하였다. PC1 지점의 경우 4개의 지점 (PC1-N, PC1-E, PC1-S 및 PC1-W)의 경사가 비교적 완만하고 지표 피복 및 기상 상태가 유사하기 때문에 DNN 회귀모형이 입력 자료와 실측토양수분 간의 관계 도출 시 제약이 발생한 것으로 판단되었으며, 특히 10 cm 깊이의 토양수분의 경우 지표면의 기상특성에 민감하게 반응하는 것과 비교하여 지표 30 cm 깊이의 경우 상대적으로 반응 정도가 낮기 때문에 불확실성이 증가한 것으로 판단되었다. 비록 지표특성, 이용 가능한 자료 등으로 인해 기인하는 불확실성이 발생하였으나, 전체적으로 DNN 기반 모의토양수분이 실측값을 잘 반영하는 것으로 판단되었다.
Ⅳ. 결 론
본 연구에서는 평창군 및 거창군 지점을 대상으로 DNN 회귀모형과 기상 및 지표특성 자료를 연계하여 시계열 토양수분을 산정하였다. 평창군 및 거창군 관측 지점의 TDR 센서 (10 cm 및 30 cm 깊이) 토양수분의 변화 특성을 분석한 결과, 지형(고도)적 특성이 산악 지형 토양수분에 큰 영향을 미치는 것으로 나타났다. DNN 회귀모형의 입력 자료들을 대상으로 민감도 분석을 수행하였으며, DNN 기반 모의값이 (R: 0.890/0.997, RMSE: 0.041/0.014)으로 실측값을 잘 반영하는 것으로 나타났다. 특히, 산악 지형에 위치하는 평창군 및 거창군 지점의 경우 강우 및 DEM이 DNN 모의 성능에 큰 영향을 미치는 것으로 나타났다. 민감도 분석을 기반으로 평창 및 거창군 지점에서 DNN 회귀모형 기반 10 cm 및 30 cm 깊이에서의 모의토양수분을 산정하였다. 전체적으로 DNN 기반 모의토양수분이 실측토양수분을 잘 반영하는 것으로 나타났으며, 평창군과 비교하여 상대적으로 거창군 지점의 모의값이 실측값과 매우 유사한 것으로 나타났다. 이는 평창군 지점과 비교하여 거창군 지점의 경우 DNN 기법이 훈련시켜야 할 자료의 개수가 상대적으로 적기 때문에 모의값의 불확실성이 크게 감소한 것으로 판단되었다. 지점별 DNN 기반 모의토양수분이 실측값과 유사한 특성을 보였으나, PC1 지점에서 불확실성이 다소 높은 것으로 나타났다. 이는 PC1 지역 4개 지점 (PC1-N, PC1-E, PC1-S 및 PC1-W)의 경사가 비교적 완만하고 지표 피복 및 기상 상태가 유사하기 때문에, DNN 회귀모형이 입력 자료와 실측토양수분 간의 관계를 도출 시 제약이 발생한 것으로 판단되었다. 또한, 10 cm 깊이의 모의토양수분의 경우 지표면의 기상 특성에 민감하게 반응하는 것과 비교하여 지표 30 cm 깊이의 경우 상대적으로 반응 정도가 낮기 때문에 불확실성이 증가한 것으로 판단되었다. 비록 일부 지점에서 모의값과 실측값 사이에 불확실성이 다소 발생하였으나, 전체적으로 경사지에서 DNN 회귀모형 기반 모의토양수분이 실측토양수분을 잘 반영하는 것으로 나타났다. 본 연구에서 진행한 민감도 분석시 평창 및 거창 지점 내에서 동일한 기상 자료가 사용되었으며, 지점 내의 토양 및 피복 역시 유사하기 때문에, 선행 연구와 비교하여 DEM이 DNN의 모의성능에 가장 크게 기여한 것으로 판단된다. 향후 전국 대상의 광역단위 토양수분 산정 연구를 진행할 경우, 이에 관한 추가 연구가 필요한 것으로 판단된다. 비록 본 연구는 제한된 지역에서 수행되었으나, 향후 광역 단위로 확장한다면 가뭄, 홍수, 수문, 농업 등의 다양한 분야에서 활용될 수 있을 것으로 사료된다.
