WO2026019172A1 - 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법 - Google Patents

식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법

Info

Publication number
WO2026019172A1
WO2026019172A1 PCT/KR2025/010179 KR2025010179W WO2026019172A1 WO 2026019172 A1 WO2026019172 A1 WO 2026019172A1 KR 2025010179 W KR2025010179 W KR 2025010179W WO 2026019172 A1 WO2026019172 A1 WO 2026019172A1
Authority
WO
WIPO (PCT)
Prior art keywords
machine learning
minimum
value
point
clay
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/KR2025/010179
Other languages
English (en)
French (fr)
Inventor
박창환
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ajou University Industry Academic Cooperation Foundation
Original Assignee
Ajou University Industry Academic Cooperation Foundation
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ajou University Industry Academic Cooperation Foundation filed Critical Ajou University Industry Academic Cooperation Foundation
Publication of WO2026019172A1 publication Critical patent/WO2026019172A1/ko
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
    • G01N22/04—Investigating moisture content
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/246—Earth materials for water content
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a method for estimating soil optimum moisture using vegetation-penetrating microwaves, and more particularly, to a method for estimating soil optimum moisture using vegetation-penetrating microwaves that derives in real time the optimal soil moisture range for crops from a ground soil moisture sensor by utilizing microwave satellite brightness temperature data and machine learning.
  • Satellite surveys can provide information on soil moisture as well as irrigation moisture range, but optimizing the parameters used in radiative transfer models is practically difficult.
  • the purpose is to provide a method for estimating optimum soil moisture using vegetation-penetrating microwaves that derives the optimal soil moisture range of crops in real time from a ground soil moisture sensor by utilizing microwave satellite brightness temperature data and machine learning.
  • a method for estimating soil optimum moisture using vegetation-penetrating microwaves includes the steps of: simulating soil moisture and permittivity information using a permittivity model; extracting physical information related to the soil moisture using the permittivity model; extracting permittivity from brightness temperature, generating a machine learning model, and generating error information of the machine learning model using the extracted physical information; and parameterizing the permittivity model using the error information generated through the machine learning model.
  • the optimal irrigation schedule can be determined to minimize water usage and maximize crop yields.
  • FIG. 1 is a diagram illustrating a flow chart of a soil moisture estimation method using vegetation-penetrating microwaves according to one embodiment of the present invention.
  • FIG. 2 is a diagram illustrating an example of simulating dielectric constant using a dielectric constant model according to one embodiment of the present invention.
  • FIG. 3 is a diagram illustrating an example of setting an error of a dielectric constant model according to one embodiment of the present invention.
  • FIG. 4 is a diagram illustrating an example of falsification point and saturation point extreme point information appearing in a dielectric constant error according to one embodiment of the present invention.
  • FIG. 5 is a diagram illustrating an example of generating an error of a machine learning model according to one embodiment of the present invention.
  • FIG. 6 is a diagram illustrating an example of parameterizing a dielectric constant model according to one embodiment of the present invention.
  • FIG. 7 is a diagram illustrating an example of machine learning error information for a monitoring target area according to one embodiment of the present invention.
  • FIG. 8 is a diagram illustrating an example of analyzing changes in Alaska forgery points and saturation points in machine learning error information by year according to one embodiment of the present invention.
  • FIG. 9 is a diagram showing an example of soil moisture estimation results before and after applying machine learning to parameterize the microwave radiation transfer model falsification point saturation point according to one embodiment of the present invention.
  • FIG. 1 is a diagram illustrating a flow of a soil optimum moisture estimation method using vegetation-penetrating microwaves according to an embodiment of the present invention
  • FIG. 2 is a diagram illustrating an example of simulating permittivity through a permittivity model according to an embodiment of the present invention
  • FIG. 3 is a diagram illustrating an example of setting an error of a permittivity model according to an embodiment of the present invention
  • FIG. 4 is a diagram illustrating an example of falsification point and saturation point extreme point information appearing in a permittivity error according to an embodiment of the present invention
  • FIG. 5 is a diagram illustrating an example of generating an error of a machine learning model according to an embodiment of the present invention
  • FIG. 6 is a diagram illustrating an example of parameterizing a permittivity model according to an embodiment of the present invention.
  • a soil moisture estimation method using vegetation-penetrating microwaves first simulates soil moisture and permittivity information using a permittivity model (S110).
  • the dielectric constant model varies depending on the ratio of free and bound water, and the ratio of free and bound water is determined by the forging point and saturation point.
  • the bound water has a lower value than the free water, there may be a large error in the soil moisture value calculated from the permittivity without knowing the exact ratio.
  • the effective permittivity of the soil is calculated using the following mathematical formula 1.
  • SM Soil Moisture
  • free water permittivity is the free water permittivity
  • coupling permittivity is the air permittivity
  • soil mineral permittivity is the soil mineral permittivity
  • p is the soil porosity
  • the effective permittivity formula can be divided into three models according to the phase change of soil moisture.
  • the effective permittivity of the soil can be calculated using the following mathematical equation 2.
  • the effective permittivity of the soil can be calculated using the following mathematical equation 3.
  • the effective permittivity of the soil can be calculated using the following mathematical equation 4.
  • the ratio of bound water to free water is determined by the value of soil moisture between the wilting point and the saturation point, and this ratio is calculated as a function of soil moisture and the wilting point/saturation point, or when the free and bound water are 0 or 1.
  • the moisture content is calculated using the soil's wilting point and saturation point.
  • the fading point (wp) and saturation point (p) are parameterized using mathematical equations 5 and 6 below based on key input data such as clay content and organic matter content.
  • the present invention proposes a new method of a machine learning-physical model bidirectional system that can parameterize unique forging points and saturation points in various regions and conditions through bidirectional modeling of physical models and machine learning.
  • the physical information is the dielectric simulation error due to the error in the input variables on the response side of the physical model according to the change in the input value.
  • the physical model is a microwave permittivity model that considers organic matter, as shown in mathematical equation 7 below.
  • T soil temperature (°C)
  • CL clay volume ratio (cm 3 /cm 3 )
  • OM organic matter weight ratio (kg/kg)
  • the error of the dielectric constant model due to organic matter in the monitoring target area ( ) is calculated as in the following mathematical formula 8
  • the dielectric constant model error due to clay in the monitoring target area ( ) is calculated as shown in the following mathematical formula 9.
  • the minimum value of the falsification point, the maximum value of the falsification point, the minimum value of the saturation point, and the maximum value of the saturation point in Fig. 2 are set as the prediction error extreme points of soil moisture.
  • the minimum value of the fading point is set to the minimum value of the negative absolute error of soil moisture through the following mathematical expression 10
  • the maximum value of the fading point is set to the maximum value of the positive absolute error of soil moisture through the following mathematical expression 11.
  • the minimum value of the saturation point is set to the maximum value of the negative absolute error of soil moisture in a range greater than the minimum value of the fading point through the following mathematical expression 12, and the maximum value of the saturation point is set to the minimum value of the positive absolute error of soil moisture in a range greater than the maximum value of the fading point through the following mathematical expression 13.
  • FIG. 4 is a diagram showing an example of a dielectric constant model prediction error extreme point
  • (b) of Fig. 4 is a diagram showing an example of a random forest prediction error simulation result that learned a dielectric constant model.
  • the permittivity is extracted from the brightness temperature, a machine learning model is created, and error information of the machine learning model is created using the extracted permittivity simulation error value (S130).
  • the dielectric constant observation used for learning extracts the dielectric constant that most closely simulates the brightness temperature.
  • brightness temperature simulation is calculated through the following mathematical formula 14.
  • the optical depth of vegetation is the scattering albedo of vegetation, determined by the NDVI (normalized difference vegetation index) and MPDI (Microwave Polarization Difference Index) coefficients, and T is the MODIS (Moderate Resolution Imaging Spectroradiometer) surface temperature.
  • NDVI normalized difference vegetation index
  • MPDI Microwave Polarization Difference Index
  • soil emissivity is calculated using the following mathematical formula 15.
  • the polarized reflectance used in calculating emissivity is ) real part of the permittivity ( ) and imaginary part( ) must be derived into a mathematical expression expressed as a single variable, that is, a mathematical expression that expresses only the real part of the permittivity.
  • the imaginary part of the permittivity is parameterized into the real part as in the following mathematical expression 16.
  • the imaginary and real parts of the dielectric constant fluctuate greatly depending on soil moisture and organic matter, but the variability of the ratio of the two values is minimal, so the median of the ratio is used. can be determined, and in the embodiment of the present invention is set to .
  • Equation 17 the real part of the permittivity can be estimated from Equation 14 at the brightness temperature.
  • the value at which the microwave observed brightness temperature minus the simulated brightness temperature is minimized is obtained through the following mathematical expression 18.
  • the observed value of the real part of the permittivity can be estimated from .
  • brightness temperature observation extracted from is used as learning data to be generated by applying the random forest technique as in the following mathematical formula 19 of the machine learning model.
  • the error information of the machine learning model is generated as in the following mathematical expression 20 for the machine learning error due to organic matter in the target area, and as in the following mathematical expression 21 for the machine learning error due to clay.
  • the extreme points of the foreclosure point or saturation point of the monitoring target area can be calculated using the extreme point information of the soil moisture error of the machine learning model.
  • the minimum value of the actual wilting point in the target area can be calculated using the minimum value of the negative absolute error of the soil moisture of the machine learning model.
  • the minimum value of the negative absolute error of soil moisture due to organic matter is used as in the following mathematical expression 22 to obtain the minimum value of the withering point at the minimum of organic matter ( ) can be calculated, and the minimum value of the negative absolute error of soil moisture due to clay can be used to obtain the minimum value of the fading point at the minimum of clay, as in the following mathematical expression 23. ) can be produced.
  • the maximum absolute error value of the soil moisture content of the machine learning model can be used to calculate the maximum actual withering point value of the target area.
  • the maximum value of the absolute error of the soil moisture content due to organic matter is used as in the following mathematical expression 24 to obtain the maximum value of the wilting point at the maximum of organic matter ( ) can be calculated, and the maximum value of the maximum value of the wilting point at the maximum of the clay can be calculated using the maximum value of the absolute error of the soil moisture content due to the clay as in the following mathematical expression 25. ) can be produced.
  • the minimum value of the actual saturation point of the target area can be calculated by using the maximum value of the negative absolute error of the soil moisture of the machine learning model in a range greater than the minimum value of the saturation point.
  • the minimum value of the saturation point at the minimum of organic matter is obtained by using the maximum value of the negative absolute error of soil moisture in a range greater than the minimum value of the saturation point due to organic matter, as in the following mathematical expression 26. ) can be calculated, and the minimum value of the saturation point at the minimum of the clay is obtained by using the maximum value of the negative absolute error of the soil moisture in a range greater than the minimum value of the saturation point due to the clay, as in the following mathematical expression 27. ) can be produced.
  • the maximum value of the actual saturation point of the target area can be calculated by using the minimum absolute error value of the soil moisture content of the machine learning model in a range greater than the maximum value of the saturation point.
  • the minimum absolute error value of the soil moisture content in a range greater than the maximum value of the saturation point due to organic matter is used to obtain the maximum value of the saturation point at the maximum of organic matter ( ) can be calculated, and the minimum absolute error value of soil moisture in a range greater than the maximum value of the saturation point due to clay is used to calculate the maximum value of the saturation point at the maximum of the clay, as in the following mathematical expression 29. ) can be produced.
  • the permittivity model is parameterized using the error information generated through the machine learning model (S140).
  • a parameterization function is determined that can linearize the forging point and saturation point to changes in input data (e.g., organic matter and clay), and the parameters required for parameterization are optimized using error information obtained through machine learning in the target area.
  • the sensitivity of the counterfeit point parameterization function as in the following mathematical expression 30 can be approximated to the maximum and minimum counterfeit points of machine learning to parameterize the target area counterfeit points.
  • the sensitivity of the saturation point parameterization function can be approximated to the maximum and minimum machine learning saturation points as in the following mathematical expression 31 to parameterize the target area saturation point.
  • the parameters required for the basic parameterization function before optimization can be determined by physical values discovered through machine learning.
  • FIG. 7 is a diagram illustrating an example of machine learning error information for a monitoring target area according to one embodiment of the present invention
  • FIG. 8 is a diagram illustrating an example of analyzing changes in Alaska foreclosure points and saturation points in annual machine learning error information according to one embodiment of the present invention
  • FIG. 9 is a diagram illustrating an example of soil moisture estimation results before and after applying machine learning to parameterization of microwave radiation transfer model foreclosure points and saturation points according to one embodiment of the present invention.
  • the optimal parameterization parameters for each of Alaska and North America can be extracted from the soil moisture error of a random forest generated according to the dielectric model physics guidelines.
  • the optimal irrigation schedule can be determined to minimize water usage and maximize crop yields.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medical Informatics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

본 발명은, 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법에 관한 것이다. 본 발명에 따르면, 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법은 유전율 모델을 이용하여 토양 수분 및 유전율 정보를 모의하는 단계; 유전율 모델을 사용하여 상기 토양 수분과 관련된 물리적 정보를 추출하는 단계; 밝기온도에서 유전율을 추출하고, 기계학습 모델을 생성하고 추출된 상기 물리적 정보를 이용하여 기계학습 모델의 오차 정보를 생성하는 단계; 및 상기 기계학습 모델을 통해 생성된 오차 정보를 이용하여 유전율 모델을 모수화하는 단계를 포함한다. 이와 같이 본 발명에 따르면, 단순히 기계학습으로 정확한 토양수분을 추정하는 종래의 방법과는 달리, 기계학습을 통해 물리 모델을 개선함으로써, 기계학습으로는 파악이 불가능한 위조점 포화점 정보까지 대상지역 데이터를 기반으로 제공할 수 있다.

Description

식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법
본 발명은 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법에 관한 것으로서, 더욱 상세하게는 마이크로파 위성 밝기온도 데이터와 기계학습을 활용하여 지상 토양수분 센서에서 작물의 최적 토양수분 범위를 실시간으로 도출하는 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법에 관한 것이다.
정확한 토양 수분 관리는 관개 시스템 최적화와 작물의 건강 유지를 위해 필수적이다.
그러나, 종래의 토양수분 센서는 토양 내 수분 함량만 측정 가능하며, 이 정보만으로는 작물의 생장에 필수적인 최적 수분 관개를 추정하는데 한계가 있다.
이로 인해, 농업 관리자가 작물의 건강과 생산성을 최대화하기 위해 필요한 정확한 관개 시기와 양을 결정하는 데 큰 어려움을 초래한다.
또한, 종래의 지상 기반 토양 수분 측정 및 적정 관개 수분 범위 추정 방법은 시간이 많이 걸리고 노동 집약적이며 공간적 범위가 제한적이라는 한계가 존재한다.
위성 탐사는 토양 수분뿐만 아니라 관개 수분 범위 정보도 제공할 수 있지만, 복사전달모델에 사용되는 매개변수의 최적화가 현실적으로 어려운 실정이다.
반면, 기계 학습을 사용할 경우 정확한 토양 수분을 얻을 수 있지만, 토양 수분 적정 범위를 학습하기 위한 관측 자료가 필요하거나 관측이 불가능한 경우 블랙박스 내에서 추정해야 하는 문제가 있다.
본 발명에 따르면, 마이크로파 위성 밝기온도 데이터와 기계학습을 활용하여 지상 토양수분 센서에서 작물의 최적 토양수분 범위를 실시간으로 도출하는 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 일 실시예에 따르면, 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법은 유전율 모델을 이용하여 토양 수분 및 유전율 정보를 모의하는 단계; 유전율 모델을 사용하여 상기 토양 수분과 관련된 물리적 정보를 추출하는 단계; 밝기온도에서 유전율을 추출하고, 기계학습 모델을 생성하고 추출된 상기 물리적 정보를 이용하여 기계학습 모델의 오차 정보를 생성하는 단계; 및 상기 기계학습 모델을 통해 생성된 오차 정보를 이용하여 유전율 모델을 모수화하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 단순히 기계학습으로 정확한 토양수분을 추정하는 종래의 방법과는 달리, 기계학습을 통해 물리 모델을 개선함으로써, 기계학습으로는 파악이 불가능한 위조점 포화점 정보까지 대상지역 데이터를 기반으로 제공할 수 있다.
또한, 토양 수분 추정 시 기계학습으로 찾아낸 대상지역 위조점 및 포화점 값을 물리 모델에 적용하여 위성에서 추정되는 토양수분의 정확도를 개선시킬 수 있고, 원격 감지 기반으로 비침습적이고 대규모 관개 적절 범위 모니터링을 가능하게 하며, 정확한 토양 수분 정보와 실시간 관개 적절 범위 정보 제공을 통해 최적의 관개 일정을 결정하여 물 사용량을 최소화하고 작물 수확량을 극대화할 수 있다.
도 1은 본 발명의 일 실시예에 따른 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법의 흐름을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따라 유전율 모델을 통해 유전율을 모의하는 예를 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 유전율 모델의 오차를 설정하는 예를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 유전율 오차에서 나타나는 위조점과 포화점 극점 정보의 예를 도시한 도면이다.
도 5는 본 발명의 일 실시예에 따른 기계학습 모델의 오차를 생성하는 예를 도시하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 유전율 모델을 모수화하는 예를 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 모니터링 대상지역 기계학습 오차 정보의 예를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따라 연도별 기계학습 오차정보에서 알라스카 위조점 및 포화점의 변화를 분석하는 예를 도시한 도면이다.
도 9는 본 발명의 일 실시예에 따라 마이크로파 복사전달모델 위조점 포화점 모수화에 기계학습을 적용한 전/후 토양수분 추정결과의 예를 도시한 도면이다.
이하 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다.
또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하에서는 도 1 내지 도 6을 참조하여 본 발명의 일 실시예에 따른 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법에 관해 구체적으로 설명한다.
도 1은 본 발명의 일 실시예에 따른 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법의 흐름을 도시한 도면이고, 도 2는 본 발명의 일 실시예에 따라 유전율 모델을 통해 유전율을 모의하는 예를 도시한 도면이고, 도 3은 본 발명의 일 실시예에 따른 유전율 모델의 오차를 설정하는 예를 도시한 도면이고, 도 4는 본 발명의 일 실시예에 따른 유전율 오차에서 나타나는 위조점과 포화점 극점 정보의 예를 도시한 도면이고, 도 5는 본 발명의 일 실시예에 따른 기계학습 모델의 오차를 생성하는 예를 도시하는 도면이며, 도 6은 본 발명의 일 실시예에 따른 유전율 모델을 모수화하는 예를 도시한 도면이다.
도 1 및 도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법은 먼저, 유전율 모델을 이용하여 토양 수분 및 유전율 정보를 모의한다(S110).
이때, 유전율 모델은 자유수와 결합수의 비율에 따라 달라지며, 자유수와 결합수의 비율은 위조점과 포화점에 의해 결정된다.
결합수가 자유수보다 낮은 값을 가지기 때문에, 각 비율을 정확히 모르는 상태에서 유전율로부터 계산된 토양 수분 값에는 큰 오차가 발생할 수 있다.
이때, 토양의 유효 유전율 은 하기의 수학식 1을 통해 산출된다.
이때, SM(Soil Moisture)은 토양 수분 값이고, 는 자유수 유전율이고, 는 결합수 유전율이고, 는 공기 유전율이고, 은 토양 미네랄 유전율이고, p는 토양 공극률이다.
또한, 는 SM에서 결합수가 차지하는 비율이고, 는 SM에서 자유수가 차지하는 비율로 두 비율의 합은 항상 1이 된다.
또한, 유효 유전율 수식은 토양 수분의 상 변화에 따라 세가지 모델로 나뉠 수 있다.
좀 더 상세하게는, 토양에 자유수 없이 결합수만 존재하는 경우, 토양의 유효 유전율은 하기의 수학식 2를 통해 산출할 수 있다.
반면, 토양에 결합수 없이 자유수만 존재하는 경우, 토양의 유효 유전율은 하기의 수학식 3을 통해 산출할 수 있다.
반면, 토양에 결합수와 자유수가 공존하는 경우, 토양의 유효 유전율은 하기의 수학식 4를 통해 산출할 수 있다.
즉, 결합수와 자유수의 비율은 토양 수분이 위조점과 포화점 사이의 값에 따라 결정되며, 이 비율은 자유수와 결합수가 0 또는 1이 되거나, 토양 수분 및 위조점/포화점의 함수로 계산된다.
실제로 결합수를 직접 측정하는 것은 어렵기 때문에, 토양의 위조점과 포화점을 사용하여 수분의 비율을 계산하게 된다.
하지만 정확한 위조점과 포화점 정보를 광범위한 지역에서 측정하기는 어렵기 때문에 위조점(wp)과 포화점(p)은 점토 함유량과 유기물 함유량과 같은 주요 입력 자료를 바탕으로 하기의 수학식 5 및 6을 통해 모수화된다.
종래에 제시된 다양한 위조점 및 포화점 수식들은 지역마다 최적화해야 할 파라미터들이 달라진다는 것을 의미한다. 이로 인해, 단일 수식을 사용하여 모든 지역에서 토양 수분을 정확히 추정하는 것은 불가능하다.
현재, 많은 연구가 경험적 방법을 통해 다양한 사이트에서 최적의 파라미터를 찾아내어 지상의 토양 수분 측정값과의 오차를 최소화하려고 하지만, 이 과정은 주관적인 판단에 의존하며 많은 시간과 비용을 요구하고, 다른 조건과 지역에서의 성능 재현성이 부족하다는 한계가 있다.
따라서, 이러한 문제들을 해결하기 위해, 본 발명에서는 물리모델과 기계 학습의 양방향 모델링의 통해서 다양한 지역과 조건에서 고유의 위조점 및 포화점을 모수화 할 수 있는 기계학습-물리모델 양방향 체계의 새로운 방법을 제안한다.
토양 수분 및 유전율 정보를 모의한 후, 유전율 모델을 사용하여 토양 수분과 관련된 물리적 정보를 추출한다(S120).
이때, 물리적 정보는 입력 값의 변화에 따른 물리 모델의 반응 측 입력 변수 오차에 따른 유전율 모의 오차이다.
이때, 물리 모델은 하기의 수학식 7과 같이 유기물을 고려한 마이크로파 유전율 모델이다.
이때, T는 토양온도(℃), CL은 점토 체적비(cm3/cm3), OM은 유기물의 무게비(kg/kg)을 의미하고, 물리 모델에서 모니터링 대상 지역의 유기물에 의한 유전율 모델의 오차()는 하기의 수학식 8과 같이 산출되고, 모니터링 대상 지역의 점토에 의한 유전율 모델 오차()는 하기의 수학식 9와 같이 산출된다.
이때, 도 3에 도시된 바와 같이, 도 2에서의 위조점 최소값, 위조점 최대값, 포화점 최소값, 포화점 최대값을 토양 수분의 예측 오차 극점으로 설정한다.
좀 더 상세하게는, 하기의 수학식 10을 통해 위조점 최소값을 토양 수분의 음의 절대 오차 최소값으로 설정하고, 하기의 수학식 11을 통해 위조점 최대값을 토양 수분 양의 절대 오차 최대값으로 설정한다.
또한, 하기의 수학식 12를 통해 포화점 최소값을 위조점 최소값보다 큰 범위에서 토양 수분의 음의 절대 오차 최대값으로 설정하고, 하기의 수학식 13을 통해 포화점 최대값을 위조점 최대값보다 큰 범위에서 토양 수분 양의 절대 오차 최소값으로 설정한다.
이를 통해, 도 4에 도시된 바와 같이 유전율 오차에서 나타나는 위조점과 포화점의 극점 정보를 획득할 수 있다.
이때, 도 4의 (a)는 유전율 모델 예측 오차 극점의 예를 도시한 도면이고, 도 4의 (b)는 유전율 모델을 학습한 랜덤포레스트 예측오차 시뮬레이션 결과의 예를 도시한 도면이다.
토양 수분과 관련된 물리적 정보를 추출한 후, 밝기온도에서 유전율을 추출하고, 기계학습 모델을 생성하고 추출된 유전율 모의 오차 값을 이용하여 기계학습 모델의 오차 정보를 생성한다(S130).
이때, 학습에 사용되는 유전율 관측은 밝기온도와 가장 가깝게 모의하는 유전율을 추출한다.
또한, 밝기 온도 모의 는 하기의 수학식 14를 통해 산출된다.
이때, 는 식생의 광학 깊이, 는 식생의 산란 알베도로 NDVI(normalized difference vegetation index)와 MPDI(Microwave Polarization Difference Index) 계수로 결정되고, T는 MODIS(Moderate Resolution Imaging Spectroradiometer) 지표 온도이다.
또한, 토양 방사율 은 하기의 수학식 15를 통해 산출된다.
마이크로파 밝기온도에서 유전율을 추정하려면, 방사율 계산에 쓰이는 편파 반사율()의 유전율의 실수부()와 허수부()를 하나의 변수로 표현된 수학식 즉 유전율의 실수부로만 표현하는 수학식으로 유도해야 하는데, 이를 위해 하기의 수학식 16과 같이 유전율 허수부를 실수부로 모수화 한다.
이때, 유전율 허수부와 실수부는 토양수분과 유기물에 의해 변동성이 크지만, 두 값의 비율 변동성은 미미하기 때문에, 비율의 중앙값으로 를 정할 수 있으며, 본 발명의 실시예에서는 로 설정된다.
이로써, 하기의 수학식 17과 같이 수평 편파 반사율을 유전율 실수부로만 표현하여, 수학식 14로부터 밝기온도에서 유전율 실수부를 추정할 수 있다.
좀 더 구체적으로, 하기의 수학식 18을 통해 마이크로파 관측 밝기온도 - 모의 밝기온도가 최소가 되는 값인 에서 유전율 실수부의 관측값을 추정할 수 있다.
이때, 와 는 NDVI와 MPDI계수로 결정되고, 는 기 설정된 범위의 값(예를 들어, 0 ~ 65) 중 밝기온도 모의 오차가 최소인 값인 로 결정된다.
또한, 밝기온도 관측 로부터 추출된 는 기계학습 모델의 하기의 수학식 19와 같이 랜덤포레스트 기법을 적용하여 생성하기 위한 학습데이터로 사용된다.
또한, 기계학습 모델의 오차 정보는 대상 지역의 유기물에 의한 기계학습 오차는 하기의 수학식 20과 같이 생성하고, 점토에 의한 기계학습 오차는 하기의 수학식 21과 같이 생성한다.
이때, 도 5에 도시된 바와 같이, 기계학습 모델의 토양수분 오차의 극점 정보를 이용하여 모니터링 대상지역의 위조점 또는 포화점의 극점을 산출할 수 있다.
좀 더 상세하게는, 기계학습 모델의 토양수분 음의 절대 오차 최소값을 이용하여 대상지역의 실제 위조점 최소값을 산출할 수 있다.
이때, 하기의 수학식 22와 같이 유기물에 의한 토양수분 음의 절대 오차 최소값을 이용하여 유기물 최소에서의 위조점 최소값()을 산출할 수 있고, 하기의 수학식 23과 같이 점토에 의한 토양수분 음의 절대 오차 최소값을 이용하여 점토 최소에서의 위조점 최소값()을 산출할 수 있다.
또한, 기계학습 모델의 토양수분 양의 절대 오차 최대값을 이용하여 대상지역의 실제 위조점 최대값을 산출할 수 있다.
이때, 하기의 수학식 24와 같이 유기물에 의한 토양수분 양의 절대 오차 최대값을 이용하여 유기물 최대에서의 위조점 최대값()을 산출할 수 있고, 하기의 수학식 25와 같이 점토에 의한 토양수분 양의 절대 오차 최대값을 이용하여 점토 최대에서의 위조점 최대값()을 산출할 수 있다.
또한, 위조점 최소값보다 큰 범위에서 기계학습 모델의 토양수분 음의 절대 오차 최대값을 이용하여 대상지역의 실제 포화점 최소값을 산출할 수 있다.
이때, 하기의 수학식 26과 같이 유기물에 의한 위조점 최소값보다 큰 범위에서 토양수분 음의 절대 오차 최대값을 이용하여 유기물 최소에서의 포화점 최소값()을 산출할 수 있고, 하기의 수학식 27과 같이 점토에 의한 위조점 최소값보다 큰 범위에서 토양수분 음의 절대 오차 최대값을 이용하여 점토 최소에서의 포화점 최소값()을 산출할 수 있다.
또한, 위조점 최대값보다 큰 범위에서 기계학습 모델의 토양수분 양의 절대 오차 최소값을 이용하여 대상지역의 실제 포화점 최대값을 산출할 수 있다.
이때, 하기의 수학식 28과 같이 유기물에 의한 위조점 최대값보다 큰 범위에서 토양수분 양의 절대 오차 최소값을 이용하여 유기물 최대에서의 포화점 최대값()을 산출할 수 있고, 하기의 수학식 29와 같이 점토에 의한 위조점 최대값보다 큰 범위에서 토양수분 양의 절대 오차 최소값을 이용하여 점토 최대에서의 포화점 최대값()을 산출할 수 있다.
기계학습 모델의 오차 정보를 생성한 후, 기계학습 모델을 통해 생성된 오차 정보를 이용하여 유전율 모델을 모수화한다(S140).
좀 더 상세하게는, 도 6에 도시된 바와 같이, 위조점 및 포화점이 입력자료(예를 들어, 유기물 및 점토)의 변화에 선형화 될 수 있는 모수화 함수를 결정하고, 모수화에 필요한 파라미터를 대상지역에서 기계학습하여 얻어진 오차 정보로 최적화한다.
이때, 하기의 수학식 30과 같이 위조점 모수화 함수의 민감도를 기계학습 최대 최소 위조점으로 근사하여 대상 지역 위조점을 모수화 할 수 있다.
또한, 하기의 수학식 31과 같이 포화점 모수화 함수의 민감도를 기계학습 최대 최소 포화점으로 근사하여 대상 지역 포화점을 모수화 할 수 있다.
이때, 하기의 수학식 32와 같이 최적화 전 기본 모수화 함수에 필요한 파라미터들이 기계학습을 통해 발견된 물리적 값들에 의해 결정될 수 있다.
도 7은 본 발명의 일 실시예에 따른 모니터링 대상지역 기계학습 오차 정보의 예를 도시한 도면이고, 도 8은 본 발명의 일 실시예에 따라 연도별 기계학습 오차정보에서 알라스카 위조점 및 포화점의 변화를 분석하는 예를 도시한 도면이며, 도 9는 본 발명의 일 실시예에 따라 마이크로파 복사전달모델 위조점 포화점 모수화에 기계학습을 적용한 전/후 토양수분 추정결과의 예를 도시한 도면이다.
이와 같이 본 발명의 일 실시예에 따르면, 도 7에 도시된 바와 같이, 유전율 모델 물리 지침에 따라 생성한 랜덤포레스트의 토양수분 오차에서 알라스카와 북미지역 각각의 최적화 모수화 파라미터를 추출할 수 있다.
또한, 도 8에 도시된 바와 같이, 기계학습 오차 정보를 연도별로 분석할 경우, 유기물 변동성을 고려한 위조점과 포화점이 매년 변화함을 알 수 있다. 이러한 의미는 마이크로파 복사전달 모델의 모수화가 공간뿐만 아니라 시간에 따라서 최적화되어야 한다.
결과적으로, 도 9에 도시된 바와 같이, 추출된 위조점과 포화점 값을 물리 모델에 다시 적용하여 토양수분 추정 정확도를 향상시킬 수 있다.
또한, 본 발명에 따르면, 단순히 기계학습으로 정확한 토양수분을 추정하는 종래의 방법과는 달리, 기계학습을 통해 물리 모델을 개선함으로써, 기계학습으로는 파악이 불가능한 위조점 포화점 정보까지 대상지역 데이터를 기반으로 제공할 수 있다.
또한, 토양 수분 추정 시 기계학습으로 찾아낸 대상지역 위조점 및 포화점 값을 물리 모델에 적용하여 위성에서 추정되는 토양수분의 정확도를 개선시킬 수 있고, 원격 감지 기반으로 비침습적이고 대규모 관개 적절 범위 모니터링을 가능하게 하며, 정확한 토양 수분 정보와 실시간 관개 적절 범위 정보 제공을 통해 최적의 관개 일정을 결정하여 물 사용량을 최소화하고 작물 수확량을 극대화할 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

Claims (8)

  1. 유전율 모델을 이용하여 토양 수분 및 유전율 정보를 모의하는 단계;
    상기 유전율 모델을 사용하여 상기 토양 수분과 관련된 물리적 정보를 추출하는 단계;
    밝기온도에서 유전율을 추출하고, 기계학습 모델을 생성하고 추출된 상기 물리적 정보를 이용하여 기계학습 모델의 오차 정보를 생성하는 단계; 및
    상기 기계학습 모델을 통해 생성된 오차 정보를 이용하여 유전율 모델을 모수화하는 단계를 포함하는 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법.
  2. 제 1 항에 있어서,
    상기 물리적 정보는 입력 값의 변화에 따른 물리 모델의 반응 측 입력 변수 오차에 따른 유전율 모의 오차이고,
    상기 물리 모델은 하기의 수학식으로 표현되는 유기물을 고려한 마이크로파 유전율 모델인 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법:
    이때, 는 유전율 실수부, T는 토양온도(℃), CL은 점토 체적비(cm3/cm3), OM은 유기물의 무게비(kg/kg)을 의미한다.
  3. 제 1 항에 있어서,
    상시 기계학습 모델은 하기의 수학식에 따라 랜덤 포레스트 기법을 적용하여 생성되는 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법:
    이때, 는 밝기온도 에서 추출되고, T는 MODIS에서 토양온도 섭씨 정보를, CL은 토양 타입 지도에서 체적비 정보를, OM은 유기물 맵에서 무게비 정보를 입력값으로 획득한다.
  4. 제 3 항에 있어서,
    상기 기계학습 모델의 오차 정보는 하기의 수학식에 따라 생성되는 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법:
    이때, 는 대상 지역의 유기물에 의한 기계학습 오차이고, 는 점토에 의한 기계학습 오차이다.
  5. 제 1 항에 있어서,
    상기 유전율 모델을 모수화하는 단계는,
    위조점 및 포화점이 입력자료의 변화에 선형화 될 수 있는 모수화 함수를 결정하고, 모수화에 필요한 파라미터를 대상지역에서 기계학습하여 얻어진 오차 정보로 최적화하는 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법.
  6. 제 5 항에 있어서,
    상기 유전율 모델을 모수화하는 단계는,
    하기의 수학식에 따라 위조점 모수화 함수의 민감도를 기계학습 최대 최소 위조점으로 근사하여 대상 지역 위조점을 모수화하는 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법:
    이때, 는 기계학습으로 찾아낸 유기물 최대에서 위조점 최대값, 는 유기물 최소에서 위조점 최소값, 는 점토 최대에서 위조점 최대값, 는 점토 최소에서 위조점 최소값, 는 기계학습 대상지역에서 유기물 최대값, 는 기계학습 대상지역에서 유기물 최소값, OM은 샘플링 지점의 유기물 값, 는 기계학습 대상지역에서 점토 최대값, 는 기계학습 대상지역에서 점토 최소값, CL은 샘플링 지점의 점토 값, 은 이론적인 위조점 최소값 (0.01 cm3/cm3) 이다.
  7. 제 5 항에 있어서,
    상기 유전율 모델을 모수화하는 단계는,
    하기의 수학식에 따라 포화점 모수화 함수의 민감도를 기계학습 최대 최소 포화점으로 근사하여 대상 지역 포화점을 모수화하는 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법:
    이때, 는 기계학습으로 찾아낸 유기물 최대에서 포화점 최대값, 는 유기물 최소에서 포화점 최소값, 는 점토 최대에서 포화점 최대값, 는 점토 최소에서 포화점 최소값, 는 기계학습 대상지역에서 유기물 최대값, 는 기계학습 대상지역에서 유기물 최소값, OM은 샘플링 지점의 유기물 값, 는 기계학습 대상지역에서 점토 최대값, 는 기계학습 대상지역에서 점토 최소값, CL은 샘플링 지점의 점토 값, 은 이론적인 포화점 최소값 (0.1 cm3/cm3) 이다.
  8. 제 5 항에 있어서,
    상기 유전율 모델을 모수화하는 단계는,
    하기의 수학식에 따라 최적화 전 기본 모수화 함수에 필요한 파라미터들이 기계학습을 통해 발견된 물리적 값들에 의해 결정되는 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법:
    이때, 는 기계학습으로 찾아낸 유기물 최대에서 위조점 최대값, 는 유기물 최소에서 위조점 최소값, 는 점토 최대에서 위조점 최대값, 는 점토 최소에서 위조점 최소값, 는 기계학습 대상지역에서 유기물 최대값, 는 기계학습 대상지역에서 유기물 최소값, OM은 샘플링 지점의 유기물 값, 는 기계학습 대상지역에서 점토 최대값, 는 기계학습 대상지역에서 점토 최소값, CL은 샘플링 지점의 점토 값, 은 이론적인 위조점 최소값 (0.01 cm3/cm3)이고, 는 기계학습으로 찾아낸 유기물 최대에서 포화점 최대값, 는 유기물 최소에서 포화점 최소값, 는 점토 최대에서 포화점 최대값, 는 점토 최소에서 포화점 최소값, 는 기계학습 대상지역에서 유기물 최대값, 는 기계학습 대상지역에서 유기물 최소값, OM은 샘플링 지점의 유기물 값, 는 기계학습 대상지역에서 점토 최대값, 는 기계학습 대상지역에서 점토 최소값, CL은 샘플링 지점의 점토 값, 은 이론적인 포화점 최소값 (0.1 cm3/cm3) 이다.
PCT/KR2025/010179 2024-07-15 2025-07-11 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법 Pending WO2026019172A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020240092792A KR20260010800A (ko) 2024-07-15 2024-07-15 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법
KR10-2024-0092792 2024-07-15

Publications (1)

Publication Number Publication Date
WO2026019172A1 true WO2026019172A1 (ko) 2026-01-22

Family

ID=98437877

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2025/010179 Pending WO2026019172A1 (ko) 2024-07-15 2025-07-11 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법

Country Status (2)

Country Link
KR (1) KR20260010800A (ko)
WO (1) WO2026019172A1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110100970A (ko) * 2010-03-05 2011-09-15 대한민국(기상청장) 토양수분의 탐지시스템 및 이를 이용한 토양수분 탐지방법
KR102291632B1 (ko) * 2020-03-18 2021-08-20 고려대학교 산학협력단 인공위성 데이터를 이용한 토양수분 산출 방법
US20210337721A1 (en) * 2020-04-30 2021-11-04 Aerospace Information Research Institute, Chinese Academy Of Sciences Method and device for soil moisture retrieval using multi-channel collaborative algorithm and passive microwave radiometry

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110100970A (ko) * 2010-03-05 2011-09-15 대한민국(기상청장) 토양수분의 탐지시스템 및 이를 이용한 토양수분 탐지방법
KR102291632B1 (ko) * 2020-03-18 2021-08-20 고려대학교 산학협력단 인공위성 데이터를 이용한 토양수분 산출 방법
US20210337721A1 (en) * 2020-04-30 2021-11-04 Aerospace Information Research Institute, Chinese Academy Of Sciences Method and device for soil moisture retrieval using multi-channel collaborative algorithm and passive microwave radiometry

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AL BITAR AHMAD, MIALON ARNAUD, KERR YANN H., CABOT FRANÇOIS, RICHAUME PHILIPPE, JACQUETTE ELSA, QUESNEY ARNAUD, MAHMOODI ALI, TARO: "The global SMOS Level 3 daily soil moisture and brightness temperature maps", EARTH SYSTEM SCIENCE DATA, COPERNICUS GMBH, vol. 9, no. 1, pages 293 - 315, XP093392376, ISSN: 1866-3516, DOI: 10.5194/essd-9-293-2017 *
MAO KEBIAO, WANG HAN, SHI JIANCHENG, HEGGY ESSAM, WU SHENGLI, BATENI SAYED M., DU GUOMING: "A General Paradigm for Retrieving Soil Moisture and Surface Temperature from Passive Microwave Remote Sensing Data Based on Artificial Intelligence", REMOTE SENSING (BASEL, SWITZERLAND), MDPI AG, BASEL, vol. 15, no. 7, Basel, pages 1793, XP093392373, ISSN: 2072-4292, DOI: 10.3390/rs15071793 *

Also Published As

Publication number Publication date
KR20260010800A (ko) 2026-01-22

Similar Documents

Publication Publication Date Title
Wang et al. A method for land surface temperature retrieval based on model-data-knowledge-driven and deep learning
Houser et al. Integration of soil moisture remote sensing and hydrologic modeling using data assimilation
WO2020105812A1 (ko) 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법
WO2013168998A1 (en) Apparatus and method for processing 3d information
WO2017104882A1 (ko) 고해상도 강수량자료 복원시스템 및 그 방법
WO2022038623A1 (en) System and method for remote quantification of electrical conductivity of soil
WO2021187920A2 (ko) 인공위성 데이터를 이용한 토양수분 산출 방법
WO2017030284A1 (ko) 지하 물성 탐사시스템 및 이를 이용한 지하 물성 분석방법
WO2015115681A1 (ko) 표정 동작사전을 이용한 표정인식 방법 및 장치
WO2016108420A1 (ko) 일사량 예측방법
CN113255232A (zh) 一种海洋表面温度估算方法
WO2026019172A1 (ko) 식생 투과 마이크로파를 이용한 토양 적정 수분 추정 방법
CN117576202A (zh) 一种带电作业人员安全距离检测方法、系统及介质
Williams Some exact tests in multivariate analysis
CN111965330B (zh) 一种基于双极化类发射率的裸露土壤含水量反演方法
WO2016064045A1 (ko) 디지털항공사진 기반의 임분고 추정 시스템 및 방법
CN108896989A (zh) 毫米波雷达成像与模式识别
Hu et al. An improved model for soil surface temperature from air temperature in permafrost regions of Qinghai-Xizang (Tibet) Plateau of China
Gbur et al. Use of Segmented Regression in the Determination of the Base Temperature in Heat Accumulation Models 1
Guo et al. MRSEILA: A modified remote sensing ecological index using local adaptability for enhancing ecological environment quality assessment
WO2013089535A1 (ko) 다중선형 회귀분석을 이용한 지상라이다 자료 필터링 방법
CN116908846A (zh) 一种基于时空约束的冻土区形变监测方法及相关设备
CN118962080B (zh) 一种土壤湿度估算方法、介质及程序产品
CN110736704A (zh) 土壤水与蒸发比耦合模拟及相互转化的方法
WO2025258801A1 (ko) 마이크로파 밝기온도를 이용한 토양 유기물 센싱 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 25841373

Country of ref document: EP

Kind code of ref document: A1