Earticle

사물인터넷(IoT) 기술은 최근 의료사물인터넷(IoMT)으로 정의된 대량의 의료 데이터를 처리하여 발전을 위해 개발된 의료분야에서 많이 활용되고 있다. 수집된 광범위한 의료 데이터는 수집된 의료 데이터를 처리하기 위해 구조화된 방식으로 클라우드에 저장된다. 그러나 방대한 양의 의료 데이터를 효과적으로 처리하는 것은 쉽지 않기 때문에 의료분야 구조 데이터를 개발하는 것이 필요하다. 본 논문에서는 IoMT에서 수집된 구조화된 건강 관리 데이터를 처리하기 위한 기계 학습 모드를 개발 하였다. 광범위한 의료 데이터를 처리하기 위해 본 논문에서는 의료 데이터 처리를 위한 MTGPLSTM 모델을 제안하였다. 제안 된 모델은 의료 정보 처리를 위한 선형 회귀 모델을 통합한다. 개발된 모델 이상치 모델은 IoMT에서 수집된 COVID-19 의료 데이터들의 평가 및 예측을 위해 FinTech 모델을 기반으로 구현되었다. 제안된 MTGPLSTM 모델은 감염 확산 방지를 위한 계획 계획을 예측하고 평가하기 위한 회귀 모델로 구성된다. 개발된 모델 성능은 LR, SVR, RFR, LSTM 및 제안된 MTGPLSTM 모델과 같은 서로 다른 분류기를 고려하였으며 1GB, 2GB, 3GB 등 데이터 크기가 다르다는 점도 주요하게 고려되었다. 제안된 MTGPLSTM 모델이 전 세계 데이터에 대해 최대 4% 감소된 MAPE 및 RMSE 값을 달성하였고 중국의 경우 기존 분류기보다 최대 6% 최소인 최소 MAPE(0.97)이 달성되었다.

To adopt the development in the medical scenario IoT developed towards the advancement with the processing of a large amount of medical data defined as an Internet of Medical Things (IoMT). The vast range of collected medical data is stored in the cloud in the structured manner to process the collected healthcare data. However, it is difficult to handle the huge volume of the healthcare data so it is necessary to develop an appropriate scheme for the healthcare structured data. In this paper, a machine learning mode for processing the structured heath care data collected from the IoMT is suggested. To process the vast range of healthcare data, this paper proposed an MTGPLSTM model for the processing of the medical data. The proposed model integrates the linear regression model for the processing of healthcare information. With the developed model outlier model is implemented based on the FinTech model for the evaluation and prediction of the COVID-19 healthcare dataset collected from the IoMT. The proposed MTGPLSTM model comprises of the regression model to predict and evaluate the planning scheme for the prevention of the infection spreading. The developed model performance is evaluated based on the consideration of the different classifiers such as LR, SVR, RFR, LSTM and the proposed MTGPLSTM model and the different size of data as 1GB, 2GB and 3GB is mainly concerned. The comparative analysis expressed that the proposed MTGPLSTM model achieves ~4% reduced MAPE and RMSE value for the worldwide data; in case of china minimal MAPE value of 0.97 is achieved which is ~ 6% minimal than the existing classifier leads.

The purposes of this study are to calculate the green and dried weight using wood discs, to figure out weight change on air drying times, and to develop the model of wood disc weight change for Larix kaempferi, Pinus koraiensis, and Pinus densiflora. The variables affecting the weight change were investigated, and the pattern of weight change over time was figured out through linear models. When comparing the stem green weight calculated using wood discs in this study with the weight table of Korea Forest Service, the weight was not significantly different for L. kaempferi and P. koraiensis. On the other hand, in comparison of stem dried weight, the weight was significantly different in all of three species. In addition, various measurement factors were examined to figure out the relationship with weight change, and air drying times and disc diameter were found as significant independent variables. Finally, two linear models were developed to estimate air drying times of three species, fit statistics were significant for practical use.

This paper investigates the performance of millimeter-wave (mmWave) multicell networks with repulsively deployed base stations (BSs), via the β-Ginibre point process (β-GPP) where β adjusts the BS repulsion. In particular, this study analytically expresses the SINR distributions and validates the results via extensive simulations. Further, this paper empirically demonstrates that the effects of BS repulsion can be well modeled via linear regression (LR) and this LR-based approach can be also quite simply approximated as the convex combination (CC) of the two extreme cases of β→0 and β=1. Therefore, the proposed CC approximation can significantly reduce the time for calculating the SINR distributions in β-GPP mmWave multicell networks.

This paper proposes an imputation method using a bidirectional k-nearest components search based local linear regression method. The bidirectional k-nearest-components search method selects components in the dynamic range from the missing points. Unlike the existing methods, which use a fixed-size window, the proposed method can flexibly select adjacent components in an imputation problem. The weight values assigned to the components around the missing points are calculated using local linear regression. The local linear regression method is free from the rank problem in a matrix of dependent variables. In addition, it can calculate the weight values that reflect the data flow in a specific environment, such as a blackout. The original missing values were estimated from a linear combination of the components and their weights. Finally, the estimated value imputes the missing values. In the experimental results, the proposed method outperformed the existing methods when the error between the original data and imputation data was measured using MAE and RMSE.

The development of information technology is bringing many changes to everyday life, and machine learning can be used as a technique to solve a wide range of real-world problems. Analysis and utilization of data are essential processes in applying machine learning to real-world problems. As a method of processing data in machine learning, we propose an approach based on applying multiple linear regression models by interlacing data to the task of classifying similar software. Linear regression is widely used in estimation problems to model the relationship between input and output data. In our approach, multiple linear regression models are generated by training on interlaced feature data. A combination of these multiple models is then used as the prediction model for classifying similar software. Experiments are performed to evaluate the proposed approach as compared to conventional linear regression, and the experimental results show that the proposed method classifies similar software more accurately than the conventional model. We anticipate the proposed approach to be applied to various kinds of classification problems to improve the accuracy of conventional linear regression.

In this study, Mike11 will be used as the numerical model where a data assimilation method will be applied to it. This paper aims to gain an insight and understanding of data assimilation in flood forecasting models. It will start with a general discussion of data assimilation, followed by a description of the methodology and discussion of the statistical error forecast model used, which in this case is the linear regression. This error forecast model is applied to the water level forecast simulated by MIKE11 to produced improved forecast and validated against real measurements. It is found that there exists a phase error in the improved forecasts. Hence, 2 general formula are used to account for this phase error and they have shown improvement to the accuracy of the forecasts, where one improved the immediate forecast of up to 5 hours while the other improved the estimation of the peak discharge.

본 연구는 선형-선형 다중회귀모형을 통해 여과속도, 탈진압력, 탈진간격, 입구농도 등의 운전조건에서 벤츄리 설치가 압력손실에 미치는 영향을 예측하여 충격기류식 여과집진장치의 효율적인 운전조건과 경제적인 설계 기초자료로 활용하 고자 하였다. 여과면적 6 m2인 파이로트형 충격기류식 여과집진장치를 이용하여 제철소 coke분진으로 여과속도, 입구농 도, 탈진압력, 탈진간격 및 벤츄리 설치 유·무의 조건에 따라 여과포 압력손실을 측정하였으며, 여과포 압력손실(P)의 변화에 기여하는 여과속도(Vf), 입구농도(Ci), 탈진압력(PP), 탈진간격(Pi), 벤츄리 설치 유·무 등에 따른 영향력을 파악하 기 위해 SAS 9.4(SAS Institute, USA) 프로그램으로 통상적인 최소자승 추정법(Ordinary Least Square; OLS)인 선형-선 형의 다중회귀모형 함수를 이용하여 벤츄리가 압력손실에 미치는 영향을 예측하였다. 예측 결과를 종합해 보면 압력손실 최소화를 위해서 벤츄리를 설치할 경우 20.3% 효율 향상이 기대되며, 압력손실에 기여하는 순서는 여과속도(Vf) > 탈진 압력(Pp) > 입구농도(Ci) > 탈진간격(Pi)임을 알 수 있었다.

The aim of this study is to predict the pressure drop due to the presence or absence of Venturi under various operating conditions such as filtration velocity, pulse pressure and interval, and dust concentration using linear-linear regression model and use it as an efficient operating condition and economic data for a shock-type filter collection system. A pilot filtration collector with a filter area of 6 m2 was used, and the filtering pressure drop was measured according to filtration velocity, inlet concentration, pulse pressure, pulse interval, and the flow and absence conditions of the Venturi installation by a steel plant. The SAS 9.4 program (SAS Institute, USA) was used to predict and to determine the effects of filtration velocity (Vf), inlet concentration (Ci), pulse pressure (Pp) and interval (Pi), presence or absence of venturi, etc. and also analyze the changes in pressure drop according to the presence of Venturi using the linear-linear multiple regression model, and the least-squares estimation method (OLS). The results re shown below. In order to minimize the pressure drop, the improvement in efficiency is expected to be 20.3% when the Venturi is installed, and the order of contributing to the pressure drop is filtration rate> pulse pressure> inlet concentration> pulse interval.

그림자는 자연 경관에서 관찰되는 일반적인 현상이지만 물체 인식, 특징 검출 및 장면 분석등과 같은 영상 분석에 부정적인 영향을 미치는 요소이므로 디지털 영상에 포함된 그림자 처리는 디지털 영상 분석 과정에서 필수적으로 고려되어야 한다. 본 논문에서는 단일 자연 영상에 포함된 그림자를 검출하고 제거하기 위한 특징 요소 중의 하나인 1D 불변 영상의 획득을 위한 기존 방법들에 대해 기술하고, 선형 회귀 기반의 1D 불변 영상 획득 방법을 제안하였다. 제안하는 방법은 RGB 칼라 영상의 각 채널 간의 밴드 비의 로그를 계산한 후 선형 회귀를 통해 그레이스케일 영상 라인을 획득하고, 최종 1D 불변 영상은 밴드 비의 로그 영상들을 추정된 그레이스케일 영상 라인으로 투영시켜 획득하였다. 실험 결과, 제안하는 방법이 기존의 엔트로피 최소화 기반의 투영 각도를 계산하는 방법보다 계산 복잡도가 낮았으며, 1D 불변 영상을 이용한 그림자가 검출 및 제거가 효과적으로 수행됨을 보였다.

Shadow is a common phenomenon observed in natural scenes, but it has a negative influence on image analysis such as object recognition, feature detection and scene analysis. Therefore, the process of detecting and removing shadows included in digital images must be considered as a pre-processing process of image analysis. In this paper, the existing methods for acquiring 1D invariant images, one of the feature elements for detecting and removing shadows contained in a single natural image, are described, and a method for obtaining 1D invariant images based on linear regression has been proposed. The proposed method calculates the log of the band-ratio between each channel of the RGB color image, and obtains the grayscale image line by linear regression. The final 1D invariant images were obtained by projecting the log image of the band-ratio onto the estimated grayscale image line. Experimental results show that the proposed method has lower computational complexity than the existing projection method using entropy minimization, and shadow detection and removal based on 1D invariant images are performed effectively.

본 연구에서는 금강권역을 대상으로 최대 12개월까지 선행예측이 가능한 월 강수량 예측모형을 구축하였으며, 예측모형 구축에는 다중회귀분석과 인공신경망의 두 가지 통계적 기법을 적용하였다. 예측인자 후보로 NOAA에서 제공하는 글로벌 기후패턴 39종과 금강권역에 대한 기상인자 8종 등 총 47종의 기후지수를 활용하였다. 예측대상월을 기준으로 과거 40년간의 월 강수량과 기후지수와의 지연상관성 분석을 통해 상관도가 높은 기후지수를 예측인자로 활용하여 다중회귀모형 및 인공신경망 모형을 구축하였다. 1991~2021년에 대해 매월 예측결과의 평균값과 관측값과의 적합도를 분석한 결과, 다중회귀모형은 PBIAS -3.3~-0.1%, NSE 0.45~0.50, r 0.69~0.70으로 분석되었으며, 인공신경망모형은 PBIAS -5.0~+0.5%, NSE 0.35~0.47, r 0.64~0.70로, 다중회귀모형에 의해 도출된 예측치의 평균값이 인공신경망모형보다 관측치에 좀 더 근접한 것으로 나타났다. 각 월의 예측범위 안에 관측치가 포함될 확률을 분석한 결과에서는 다중회귀모형이 57.5~83.6%(평균 72.9%), 인공신경망모형의 경우에는 71.5~88.7%(평균 81.1%)로 인공신경망모형 결과가 우수한 것으로 나타났다. 3분위 예측확률을 비교한 결과는 다중회귀모형의 경우에는 25.9~41.9%(평균 34.6%), 인공신경망모형은 30.3~39.1%(평균 34.7%)로 비슷하며, 두 모형 모두 평균 33.3% 이상으로 월 강수량에 대한 장기예측성을 확인 할 수 있었다. 이상과 같이 두 모형의 예측성 차이는 비교적 크지 않은 것으로 나타났으나, 예측범위에 대한 적중률이나 3분위 예측확률로부터 판단할 때 예측성에 대한 월별 편차는 인공신경망모형의 결과가 상대적으로 작게 나타났다.

In this study, monthly precipitation forecasting models that can predict up to 12 months in advance were constructed for the Geum River basin, and two statistical techniques, multiple linear regression (MLR) and artificial neural network (ANN), were applied to the model construction. As predictor candidates, a total of 47 climate indices were used, including 39 global climate patterns provided by the National Oceanic and Atmospheric Administration (NOAA) and 8 meteorological factors for the basin. Forecast models were constructed by using climate indices with high correlation by analyzing the teleconnection between the monthly precipitation and each climate index for the past 40 years based on the forecast month. In the goodness-of-fit test results for the average value of forecasts of each month for 1991 to 2021, the MLR models showed -3.3 to -0.1% for the percent bias (PBIAS), 0.45 to 0.50 for the Nash-Sutcliffe efficiency (NSE), and 0.69 to 0.70 for the Pearson correlation coefficient (r), whereas, the ANN models showed PBIAS -5.0~+0.5%, NSE 0.35~0.47, and r 0.64~0.70. The mean values predicted by the MLR models were found to be closer to the observation than the ANN models. The probability of including observations within the forecast range for each month was 57.5 to 83.6% (average 72.9%) for the MLR models, and 71.5 to 88.7% (average 81.1%) for the ANN models, indicating that the ANN models showed better results. The tercile probability by month was 25.9 to 41.9% (average 34.6%) for the MLR models, and 30.3 to 39.1% (average 34.7%) for the ANN models. Both models showed long-term predictability of monthly precipitation with an average of 33.3% or more in tercile probability. In conclusion, the difference in predictability between the two models was found to be relatively small. However, when judging from the hit rate for the prediction range or the tercile probability, the monthly deviation for predictability was found to be relatively small for the ANN models.

태아의 소뇌는 임신주수에 따라 성장하며 소뇌횡직경 길이의 측정은 임상에서 태아성장 예측의 중요한 지표로 활용하고 있다. 본 연구에서는 임신 20~37주 사이의 산모를 임신 주수별 각 20명씩 총 340명을 대상으로 3차원초음파 탐촉자를 이용하여 태아의 태령 및 태아의 소뇌 양쪽 외단을 측정해 기초자료를 획득하였다. 결과적으로 임신 주수에 따른 태아 소뇌횡직경의 성장을 회귀곡선으로 표시하였고 선형회귀방정식에서 결정계수를 얻었다. 3차원초음파를 이용한 임신주수에 따른 소뇌횡직경 측정방법은 통계적으로 유의(p<0.001)하였으며, 태령을 예측함에 있어 유용하다는 것을 알 수 있었다. 그러므로 임신주수에 따라 증가하는 소뇌횡직경의 측정은 정확한 임신주수의 산정이 가능 할 것이며 임상에서 현재 이용되고 있는 태령측정 방법의 대체 또는 개선방법이라 사료된다. 태아의 성장에 따라 측정하는 소뇌형직경은 임신주수에 따른 태아 성장의 평가가 가능하며, 태아의 머리 모양에 관계없이 성장장애가 있는 경우에도 임신주수의 예측이 가능하다. 따라서 본 연구를 기초자료로 하여 지속적인 연구가 시행된다면 3차원초음파를 이용한 소뇌횡 직경의 측정은 정확한 임신주수 예측에 유용할 것으로 사료된다.

Fetal cerebellum is grow depending on the gestational age, measurement of transverse cerebellar diameter(TCD) is being used import indicator of fetal growth prediction in clinical. In this study, the subjects were normal pregnant women 20~37 week of gestation, and the volume scan was conducted on the 340 subjects. The research reports was indicated by regression curve the growth of fetal TCD in accordance with the gestational age. It got to the value of the results from a linear regression equation. Measurement fetal TCD using 3D US was statistically significant(p<0.001) and useful in the prediction of gestational age. TCD increases with gestational age can also distinguish between the normal fetal and prediction of accurate gestational age of fetal growth retardation. If the basic data of the present study, ongoing research is performed, the TCD using by 3D US are expected to be usefully applied in the correct prediction gestational age.

본 연구에서는 위치추정을 하는 경우 선형회귀법을 반복적으로 적용하여 신호의 경로 손실을 추정하는 방법을 제안한다. 제안한 방식에서는 단말이 이동하면서 여러 위치에서 측정한 수신신호세기와 가속도계로 구한 측정 위치들 사이의 거리 정보를 이용하여 전송 비콘부터의 경로 손실을 선형회귀를 이용하여 추정한다. 전송 비콘과 특정 위치사이의 거리에 대하여 여러 잠정값들을 가정하고, 각 잠정값에 대하여 선형회귀식을 구한다. 이 선형회귀식들 중에서, 기준 수신 세기에 가장 가까운 식을 이용하여 송신 비콘와 목표 위치사이 거리를 구한다. 테스트 결과, 제안 방식은 단순 경로 손실 모델보다 훨씬 더 높은 정확도를 보인다.

In this study, an 1-dimensional positioning method using iterative linear regression for path loss expression is proposed. In the proposed method, received signal strengths (RSS) measured in several locations and distances between the measuring locat ions obtained by dead reckoning are used to derive a linear regression for the path loss from the transmitting beacon. In the proposed method, for the distance between the transmitting beacon and a target measuring location, several tentative values are assumed. For each tentative value, a linear regression is obtained. Among the linear regression expressions, the one closest to the known reference RSS value is selected and used to derive the distance to the target location. Test results show that the proposed method is more accurate than path loss model.

정보 기술의 발전과 더불어 인공 지능 및 기계 학습 분야는 다양한 응용 분야에서 성능을 인정받고 있으며, 다양한 응용 분야로 확대되고 있다. 본 논문에서는 기계 학습 방법을 응용한 소프트웨어 분석 방법을 제안한다. 소프트웨어의 특성을 표현하기 위해 소프트웨어의 코드 분포를 분석하고 이 정보를 기계 학습 방법인 선형 회귀를 통해 분석함으로써 유사 소프트웨어를 분석할 수 있는 방법을 제안한다. 소프트웨어의 특성은 프로그램 내에 포함된 명령어에 의해 표현될 수 있으며, 명령어의 분포 정보를 학습 데이터로 활용하였다. 또한, 학습 데이터를 통한 학습 과정은 소프트웨어 유사성 분석을 위한 선형 회귀 모델을 구성한다. 본 논문에서 제안한 방법은 구현 및 실험을 통해 정확성을 검증한다. 본 논문에서 제안한 방법은 소프트웨어의 유사성을 판단할 수 있는 기본 기술로 활용될 수 있을 것으로 기대된다. 또한 기계 학습 방법을 통한 소프트웨어 분석 기술에 응용될 수 있을 것으로 기대된다.

In addition to advances in information technology, machine learning approach is applied to a variety of applications, and is expanding to a variety of areas. In this paper, we propose a software analysis method that applies linear regression to analyse software similarity from the code distribution of the software. The characteristics of software can be expressed by instructions contained within the program, so the distribution information of instructions is used as learning data. In addition, a learning procedure with the learning data generates a linear regression model for software similarity analysis. The proposed method is evaluated with real world Java applications. The proposed method is expected to be used as a basic technique to determine similarity of software. It is also expected to be applied to various software analysis techniques through machine learning approaches.

본 연구에서는 고립지역의 과거 AADT 자료와 사회 경제지표를 활용하여 장래 AADT를 추정하였다. 과거 교통량 추이 활용 시와 사회 경제지표 활용 시 장래 AADT를 추정했으며, 사회 경제지표를 활용하여 다중회귀 분석방식을 통한 장래 AADT 추정 시 높은 설명력과 낮은 오차율을 보였다. 지리적 특성별 AADT에 미치는 사회 경제지표 분석 결과 고립일반지역은 다양한 사회 경제지표가 AADT에 영향을 미쳤으며, 고립해안지역은 유류가격과 연관성을 보이는 것으로 나타났다. 고립지역의 장래 AADT 추정 모형은 $R^2$, MAPE 분석 시 우수한 것으로 나타났다. 이는 고립지역에서는 통과 교통량이 적고 교통량 변동이 적기 때문에 사회 경제지표를 활용한 장래 AADT 추정방식이 정확하다고 볼 수 있다.

This study estimates future AADT using historical AADT and socio-economic factors in isolated area. Multiple linear regression method by socio-economic factors are lower MAPE and higher R-square than using historical AADT. Analysis of socio-economic factors influence AADT in isolated typical areas, varied socio-economic factors influence on AADT. In isolated coastal areas, oil price influence on AADT. AADT forecasting model in isolated area is excellent when analysising $R^2$ and MAPE. It is assume that estimation of AADT in isolated area using multiple linear regression is accurate because of a little passed traffic volume and traffic volume fluctuation.

This study is to estimate the spatial soil moisture using multiple linear regression model (MLRM) and 15 minutes interval Land Surface Temperature (LST) data of Communication, Ocean and Meteorological Satellite (COMS). For the modeling, the input data of COMS LST, Terra MODIS Normalized Difference Vegetation Index (NDVI), daily rainfall and sunshine hour were considered and prepared. Using the observed soil moisture data at 9 stations of Automated Agriculture Observing System (AAOS) from January 2013 to May 2015, the MLRMs were developed by twelve scenarios of input components combination. The model results showed that the correlation between observed and modelled soil moisture increased when using antecedent rainfalls before the soil moisture simulation day. In addition, the correlation increased more when the model coefficients were evaluated by seasonal base. This was from the reverse correlation between MODIS NDVI and soil moisture in spring and autumn season.

The departure flow management is the planning tool to optimize the schedule of the departure aircraft and allows them to join smoothly into the overhead traffic flow. To that end, the arrival time prediction to the merge point for the cruising aircraft is necessary to determined. This paper proposes a trajectory prediction model for the cruising aircraft based on the machine learning approach. The proposed method includes the trajectory vectored from the procedural route and is applied to the historical data to evaluate the prediction performances.

본 연구는 관성항법장치(INS; inertial navigation system)로부터 수집한 센서 데이터를 기반으로, 시간 경과에 따른 출력을 예측하는 선형 회귀모델을 제안한다. 5 ms 간격으로 수집된 고정밀 데이터를 활용하여 시간과 센서 출력 간의 선형 관계를 수학적으로 분석하였다. 일부 센서 데이터는 높은 결정계수와 낮은 평균제곱오차를 보여 회귀모델의 유효성이 확인되었으며, 특히 단기 예측에서 높은 정확도를 나타냈다. 반면, 위치 데이터는 누적 오차와 비선형성으로 인해 선형 모델의 적용이 어려웠다. 본 모델은 실시간 예측과 센서 보정에 활용 가능하며, 외부 위치 참조 없이도 내부 센서만으로 미래 출력을 추정할 수 있다는 점에서 응용 가치가 높다. 향후 비선형 회귀 또는 딥러닝 기법과의 융합을 통해 모델의 정확도 향상이 기대된다.

This study proposes a linear regression model for predicting time-dependent output using sensor data collected from an inertial navigation system. High-resolution data sampled at 5 ms intervals were used to mathematically analyze the linear relationship between time and sensor output. Some sensor data exhibited high coefficients of determination and low mean squared errors, confirming the effectiveness of the regression model, especially in short-term prediction scenarios. In contrast, position data showed cumulative errors and nonlinear behavior, limiting the applicability of linear models. The proposed model can be used for real-time prediction and sensor correction, even in environments without external position references. This demonstrates high potential for applications in embedded systems relying solely on internal sensors. Future research is expected to enhance prediction accuracy by integrating nonlinear regression techniques or deep learning approaches to address more complex sensor dynamics.

정확한 토양수분 관측은 수문 과정 이해와 기후 변화에 따른 재해 대응에 필수적이다. 그러나 한반도 지역은 복잡한 지형과 식생 조건으로 인해 기존 위성 기반 토양수분 산출의 정확도에 한계가 존재한다. 본 연구는 2020년 1월 부터 2025년 6월 까지 기간동안 원격탐사 자료를 활용한 다중선형회귀(Multiple Linear Regression, MLR) 모형을 구축하여 고해상도 토양수분 자료를 생산하는 것을 목표로 수행되었다. 주요 입력 변수로 Sentinel-1A 위성의 VV 편파 후방산란계수, 기상청 합성 레이더 기반 1일,2일,3일 누적 강우량, 그리고 연속 무강우일수를 활용하였다. 모형은 농촌진흥청(RDA)의 충청권 13개 지점 토양수분 관측자료를 이용해 검증하였으며, 높은 성능(MAE: 2.49~10.3, R: 0.517~0.768)을 나타내었다. 또한 토지피복 유형별 분석에서도 모형은 지표 특성과 강우 패턴에 따른 토양수분 변화를 안정적으로 재현하였다. 이는 원격 탐측 자료가 지상관측 토양수분 자료를 효과적으로 보완, 대체 할 수 있음을 의미하며, 개발된 모형은 가뭄 모니터링, 농업 생산성 평가, 산사태 및 수문재해 예측 등 다양한 분야의 기초자료로 활용될 수 있을 것으로 기대된다.

Accurate soil moisture observation is essential for understanding hydrological processes and supporting disaster response under climate change. However, in South Korea, the complex topography and vegetation conditions limit the accuracy of satellite-based soil moisture estimation. This study, conducted from January 2020 to June 2025, aimed to produce high resolution soil moisture data using a multiple linear regression (MLR) model based on remote sensing data. Key input variables included the VV-polarized backscattering coefficient from Sentinel-1A, cumulative 1, 2, and 3day precipitation derived from Korea Meteorological Administration (KMA) radar data, and consecutive dry days. The model was validated against in situ soil moisture observations at 13 stations in the Chungcheong region provided by the Rural Development Administration (RDA), showing high performance (MAE: 2.49~10.3, R: 0.517~0.768). The model also highly reproduced soil moisture variations across different land cover types, reflecting the influence of both surface conditions and precipitation patterns. These results demonstrate that remotely sensed based data can effectively complement ground observations. The developed model provides a reliable foundation for various applications, including drought monitoring, agricultural productivity assessment, landslide prediction, and flood hazard evaluation.

본 연구의 목적은 기상자료(강수량, 최고기온, 최저기온, 평균기온, 평균풍속) 기반의 다중선형 회귀모형을 개발하여 농업용저수지 저수율을 예측하는 것이다. 나이브 베이즈 분류를 활용하여 전국 1,559개의 저수지를 지리형태학적 제원(유효저수량, 수혜면적, 유역면적, 위도, 경도 및 한발빈도)을 기준으로 30개 군집으로 분류하였다. 각 군집별로, 기상청 기상자료와 한국농어촌공사 저수지 저수율의 13년(2002~2014) 자료를 활용하여 월별 회귀모형을 유도하였다. 저수율의 회귀모형은 결정계수($R^2$)가 0.76, Nash-Sutcliffe efficiency (NSE)가 0.73, 평균제곱근오차가 8.33%로 나타났다. 회귀모형은 2년(2015~2016) 기간의 기상청 3개월 기상전망자료인 GloSea5 (GS5)를 사용하여 평가되었다. 현재저수율과 평년저수율에 의해 산정되는 저수지 가뭄지수(Reservoir Drought Index, RDI)에 의한 ROC (Receiver Operating Characteristics) 분석의 적중률은 관측값을 이용한 회귀식에서 0.80과 GS5를 이용한 회귀식에서 0.73으로 나타났다. 본 연구의 결과를 이용해 미래 저수율을 전망하여 안정적인 미래 농업용수 공급에 대한 의사결정 자료로 사용할 수 있을 것이다.

The purpose of this study is to predict monthly agricultural reservoir storage by developing weather data-based Multiple Linear Regression Model (MLRM) with precipitation, maximum temperature, minimum temperature, average temperature, and average wind speed. Using Naïve-Bayes classification, total 1,559 nationwide reservoirs were classified into 30 clusters based on geomorphological specification (effective storage volume, irrigation area, watershed area, latitude, longitude and frequency of drought). For each cluster, the monthly MLRM was derived using 13 years (2002~2014) meteorological data by KMA (Korea Meteorological Administration) and reservoir storage rate data by KRC (Korea Rural Community). The MLRM for reservoir storage rate showed the determination coefficient ($R^2$) of 0.76, Nash-Sutcliffe efficiency (NSE) of 0.73, and root mean square error (RMSE) of 8.33% respectively. The MLRM was evaluated for 2 years (2015~2016) using 3 months weather forecast data of GloSea5 (GS5) by KMA. The Reservoir Drought Index (RDI) that was represented by present and normal year reservoir storage rate showed that the ROC (Receiver Operating Characteristics) average hit rate was 0.80 using observed data and 0.73 using GS5 data in the MLRM. Using the results of this study, future reservoir storage rates can be predicted and used as decision-making data on stable future agricultural water supply.