위성 이미지와 현장 센서를 통합한 일일 공간 식물 증발산 예측: 기계 학습 기반 접근법

작물 건강의 지속적인 모니터링, 특히 식물 증발산(ET)은 효율적인 관개 결정을 내리는 데 도움을 줍니다. 다양한 현장 및 원거리 감지 기술이 귀중한 데이터를 제공하지만, 세밀한 해상도의 시공간 관측을 얻는 데에는 어려움이 있습니다. 또한 기존 연구는 주로 과거 데이터의 빈 공백을 채우는 데 중점을 두어, 역사적 관측 기반 관리를 연결한 고급 관개 관행 최적화의 잠재력을 제한합니다. 우리의 작업은 하루 전에 공간 ET를 예측하여 선제적 관개 관리를 가능하게 합니다. 우리는 위성 및 현장 관측을 통한 시공간 식물 증발산 예측을 위한 데이터 융합 방법(DFUSIONET)을 구현합니다. 이 방법론에는 지구 관측(EO) 기반의 공간 ET 생성 모델, 시간 간격을 채우기 위한 비례 오프셋 보간법(POI)이라는 독특한 보간 방법, 그리고 일일 공간 ET를 예측하는 다중 입력 피드포워드 신경망(FNN)이 포함됩니다. 결과는 POI 방법이 RMSE 0.11 mm d-1로 다른 보간 기술을 능가하며, FNN은 0.13, 0.31 mm d-1의 RMSE 범위를 나타냄을 보여줍니다. DFUSIONET은 위성 이미지, 현장 센서 데이터 및 기상 매개변수를 통합하고, 식물 ET 예측을 위해 자리와 작물별 매개변수의 시공간 변화를 포착합니다. 이 예측 전략은 효율적인 선제적 관개 관리를 위한 유익하며, 지속 가능한 농업 관행과 정밀 농업에서의 자원 활용 개선에 기여합니다.