하천 유량은 수문 순환 과정에서 중요한 변수로, 홍수 경보, 수자원 관리 및 생태 환경 관리에서 중요한 의미를 가진다. 본 논문은 황허(황하) 상류의 탕나이하이 수문 관측소를 시범 지역으로 선정하여 위성 원격 탐사와 머신러닝 방법을 융합한 하천 유량 모니터링 기술을 제안한다. 먼저 Sentinel-2 원격 센서 영상을 활용하여 하천의 수면 폭을 추출하고, 전 세계 육상 데이터 동화 시스템으로 시뮬레이션된 기상 및 수문 변수(증발산, 토양 습도, 온도, 지상 수분 저장량 및 유출량)를 6가지 구동 인자로 사용하였다. 선형 함수, 거듭제곱 함수, 지수 함수 및 다항 함수의 4가지 통계 방법과 XGBoost, 랜덤 포레스트, LightGBM, CatBoost의 4가지 머신러닝 방법을 기반으로 유량 모니터링 모델을 각각 구축하였으며, 모델 간 차이를 평가하고 Shapley Additive Explanations(SHAP) 방법으로 구동 인자의 중요도를 정량화하였다. 결과는 4가지 통계 방법 중 다항 함수 모델이 시험 기간 동안 다른 3개 모델보다 우수한 성능을 나타냈음을 보여준다. 전통적인 통계 방법과 비교하여 머신러닝 방법은 정확도와 안정성 면에서 현저한 우위를 보였으며, 결정계수(R²)는 46.15% 향상되었고, 평균제곱근오차(RMSE)와 평균절대오차(MAE)는 각각 54.61%와 55.65% 감소하였다. 랜덤 포레스트 모델은 시험 기간 동안 네 가지 모델 중 가장 우수한 시뮬레이션 성능을 보였으며, R², NSE, RMSE, MAE가 각각 0.96, 0.89, 172.81 m³/s 및 147.33 m³/s였다. SHAP 방법은 수면 폭이 유량 모니터링 모델에서 가장 중요한 기여를 한다고 밝혔으며(189.02), 다음으로 토양 습도(145.11)와 온도(97.41)가 중요하다. 본 연구는 위성 원격 탐사와 머신러닝 방법의 결합이 복잡한 지형과 데이터 부족 지역에서 고정밀 유량 추정의 가능성과 우수성을 입증하였다.

위성 원격 탐사;머신러닝;통계 모델;SHAP 방법;유량 모니터링;탕나이하이 수문 관측소