포도원 물 관리를 위한 딥러닝 증발산 예측
Multi-scale assessment of wavelet-guided deep learning for reference evapotranspiration forecasting to support vineyard water management
원저자 Rui Gao, Mohammad Safeeq, John T. Abatzoglou 외 1인·Agricultural Water Management·원발행 2026.11· 0 인용·카라멜 랩 해설 공개 2026. 11. 8.
한국어 핵심 요약
정확한 기준 증발산량(ETo) 예측은 작물 용수 요구량 산정, 관개 계획, 물 배분 및 농업용수 관리에 필수적입니다. 기존 연구들은 단일 지점 또는 단기 예측에 집중하여, ETo의 내재적 시간 규모가 다주 예측 모델 설계에 미치는 영향이나 예측 성능이 지역 및 현장 규모에서 어떻게 변화하는지에 대한 고려가 부족했습니다.
본 연구에서는 캘리포니아 마데라 카운티에서 다중 리드 일일 ETo 예측을 위한 CNN-LSTM(Convolutional Neural Network-Long Short-Term Memory) 프레임워크를 개발하고 검증했습니다. 또한, 예측된 ETo를 경험적으로 도출 및 예측된 실제 작물 계수(Kc act)와 결합하여 작물 계수 접근법을 통해 실제 작물 증발산량(ETa)을 추정했습니다.
연속 웨이블릿 변환(CWT) 분석 결과, 농업 지역 전반에 걸쳐 약 93일의 지배적인 ETo 시간 규모가 확인되었으며, 이는 지역 ETo 변동성의 안정적인 준계절적 특징을 나타냅니다. 민감도 실험은 이 지배적인 시간 규모가 최적의 입력 시퀀스 길이(Lin)와 직접적으로 일치하지 않음을 보여주었으며, Lin = 120일이 56일 예측 기간 동안 가장 안정적인 성능과 가장 낮은 전체 오차를 제공했습니다. CWT에서 도출된 지배적인 시간 규모는 Lin 선택을 위한 물리적으로 정보에 기반한 하한 참조점으로 활용될 수 있으나, 최적 값은 여전히 민감도 테스트가 필요합니다.
지역 규모에서 ETo 예측 능력은 56일 예측 기간 내내 강력하게 유지되었습니다. 포도원 규모에서는 캘리포니아 관개 관리 정보 시스템(CIMIS)에서 추출된 ETo가 현장 대기 조건을 완전히 대표하지 못하여 현장 적용 전 지점 수준의 보정이 필요함을 시사했습니다. 보정 후, ETo 예측은 포도원 규모에서 처음 11일 동안 높은 정확도를 유지했습니다. 이 연구는 포도원 물 관리를 위한 ETo 예측의 다중 규모 접근법을 제시합니다.
섹션 미리보기
연구 배경
정확한 증발산량 예측은 농업용수 관리에 필수적이지만, 기존 연구는 단일 지점 및 단기 예측에 집중하여 다주 예측 모델 설계에 대한 고려가 부족했습니다. 특히, ETo의 내재적 시간 규모가 모델 성능에 미치는 영향과 예측 성능이 지역 및 현장 규모에서 어떻게 변화하는지에 대한 이해가 필요했습니다.
핵심 발견
CNN-LSTM 프레임워크를 통해 ETo를 성공적으로 예측했으며, CWT 분석으로 93일의 지배적인 ETo 시간 규모를 확인했습니다. 이 시간 규모는 최적 입력 시퀀스 길이(120일) 선택의 물리적 참조점이 될 수 있습니다. 지역 규모에서 예측 정확도가 높았으나, 포도원 규모에서는 현장 적용 전 지점별 보정의 중요성이 확인되었습니다.
관련 환경공학 논문
도시 대기오염 예측 딥러닝 모델
2026·0
기후변화와 수문지질 재해: Niscemi 산사태 사례
2026·0
일교차와 사망률 및 이환율 연관성
2026·0
HEC-HMS 기반 홍수 예측 및 조기 경보
2026·3