earticle

영어

Ground Penetrating Radar (GPR) is a useful tool for investigating soil layers. However, due to the complexity of reflection signals, data interpretation often relies on the subjective judgement of experts. Therefore, this study proposes a method that combines GPR data with an artificial intelligence object detection model (YOLOv11) to identify soil layer horizons automatically. The study was conducted in a nursery and a pine plantation site, which is located in the Tae-hwa Experimental Forest. The GPR survey results were verified with actual soil profiles obtained through excavation and soil water content measurements. In both survey sites, the horizons between the O and A horizons were identified at depths of approximately 10–20 cm. Model training was conducted using datasets collected from the Chuncheon Forest Nursery managed by C&H Inc. While the Tae-hwa Experimental Forest dataset were used for validation. The training results showed stable decreases in loss functions (box_loss, cls_loss, dfl_loss), achieving a precision of 75.8%, recall of 66.7%, and mAP@50 of 0.66. Unlike previous studies that focused on detecting single reflectors, this study demonstrated that the YOLOv11 model is capable of identifying continuous and overlapping reflection patterns. With a more diverse dataset and further model optimization, the model is expected to be applicable to field-based studies on soil moisture distribution and structural analysis in forested areas.

한국어

지표투과레이더(Ground Penetrating Radar, GPR)는 토양 경계층을 탐사하는데 유용하지만, 반 사신호의 복잡성으로 인해 데이터의 해석이 전문가의 주관적 판단에 의존하는 한계가 있다. 따 라서, 이 연구는 지표투과레이더 자료와 인공지능 객체 탐지 모델(YOLOv11)을 결합하여 토양 내 수분 경계층을 자동으로 식별하는 기법을 제안하였다. 연구는 경기도 광주시 태화산 학술림 내 묘포지와 잣나무 조림지를 대상으로 수행되었으며, 지표투과레이더 탐사 결과를 실제 굴착한 토양단면의 시각적 분류 및 함수량 측정을 통해 비교 및 검증하였다. 그 결과, 두 조사 지점 모 두에서 O층과 A층의 경계가 각각 약 10∼20cm 깊이에서 구분되었으며, 이는 지표투과레이더 반 사 신호의 변화와 일치하였다. YOLOv11 모델의 학습에는 씨앤에치아이엔씨(C&H Inc.)의 춘천 양묘사업소 데이터를 이용하였으며, 검증에는 서울대학교 태화산 학술림 데이터를 사용하였다. 학습 결과, 손실 함수(box_loss, cls_loss, dfl_loss)는 안정적으로 감소하였으며, 정밀도(Precision) 75.8%, 재현율(Recall) 66.7%, mAP@50이 0.66의 성능을 보였다. 기존 연구들이 인공지능 모델을 단일 반사체 탐지에 활용하였던 것과 달리, 이 연구는 인공지능 모델을 이용하여 연속적이며 중 첩된 반사 형상을 탐지하였다. 향후 학습 데이터를 다양화하여 모델을 고도화한다면, 산림 지역 의 토양 수분 분포 및 구조 분석 등 현장 기반 연구에 활용될 수 있을 것으로 판단된다.