Ⅰ. 서 론

Sung(2010)은 기후, 토양 및 풀사료(목초 및 사료작물)의 big data를 기반으로 재배적지를 제시하고, Sung(2015)은 수 량을 예측하는 KNU-FoPPIS(Kangwon National University - Forage Productivity Prediction Information System)를 구축하 고 있다. Oh et al.(2017)은 혼파초지에 대해 기후, 시비, 파종 및 조성연차 요인을 단계적으로 적용하여 6가지(Model I~VI) 의 수량예측식을 구축하였다. 이 중 해석력(모형적합도, R²) 및 풀사료 생산 이론 측면에서 가장 우수했던 수량예측식은 기후, 시비, 파종 및 조성연차 요인을 고려한 Model VI였다. Model VI는 조성연차의 특성이 뚜렷하여 Group 1(1~3년)과 Group 2(4~7년)로 나누어 제시하였다. Group 1은 건물수량 = 82.4×강수일수 0 + 37.0×생육일수 0 + 33.1×하고일수 + 15.5× 인산 시비량 + 9.1×질소 시비량 – 200.6×파종량 – 11.2×칼리 시비량 – 1.0×적산강수량 0 – 4,160.9(R²=48.5%)였으며, Group 2는 건물수량 = 128.7×강수일수 0 + 24.7×인산 시비량 – 8,679.2(R²=65.6%)로서 평균 해석력은 53.8%였다. 그러나 Oh et al.(2017)의 수량예측식인 Model VI은 건물수량에 대한 하 고일수(25°C 이상의 평균기온을 기록한 일의 합)의 효과가 정(+)으로 나타나 부(-)로 알려진 일반적인 풀사료 생산 이론 (La, 2010)의 하고현상과 일치하지 않았다. 건물수량에 대한 효과가 정(+)으로 나타난 하고일수의 문제점이 발생한 것은 기존 Oh et al.(2017)에서 혼파조합이 51가지로 다양하여 초 종 및 혼파조합을 구분하지 못한 것에 영향을 받았을 가능성 이 있다. 즉, 혼파초지에서 초종 및 혼파조합의 선발은 지역 의 특성(기온, 강수량 및 토양)에 기반하므로 지역 특성에 따 라 건물수량에 대한 하고일수의 효과는 다르게 나타날 수 있 다. 강원도 평창의 대관령지역은 일최고 및 일최저기온이 전 국의 평균과 비교하여 각각 5.4 및 1.5℃가 낮은 것은(Ko et al., 2006) 높은 고도가 영향을 준 것으로 사료된다 (Lee et al., 2006). 이는 고도가 높은 대관령지역은 다른 지역에 비해 하 고일수가 적게 나타날 수 있음을 시사한다. 또한 Peng et al.(2016)이 이탈리안 라이그라스의 수량예측모형 연구에서 우리나라 내륙과 제주도 지역 간 건물수량 및 기후요인에서 모두 유의적인 차이가 있으며, Kim et al.(2006)도 제주도 지 역의 연평균기온 및 연강수량이 우리나라 내륙 지역에 비해 높다고 보고하였다. 제주도는 지형적 특성인 섬에 의한 해양 성 기후와 산악지형에 의한 특성에 영향을 받아 기온 및 강수 량 등에서 내륙과는 다르게 나타나므로(Hyun and Lee, 1990) 하고일수가 많게 나타날 수 있다. 따라서 하고일수는 평창과 제주도처럼 지역 특성에 따라 차이가 발생할 수 있다.

Ko et al.(2006)은 한반도의 기온 특성을 근거로 지역을 크 게 다섯 가지(서해 중북부, 서해 외 해안, 북부 내륙, 남부 내 륙 및 산지 지역)로 구분하였다. 또한 Ko et al.(2005)은 한반 도의 우기 때 강수 특성을 근거로 지역을 크게 여섯 가지(영 동, 중부의 북부, 중부의 남부, 남부의 동부, 남부의 서부 및 남부의 해안)로 구분하고 있다. 이것은 우리나라가 국토가 좁 음에도 기온과 강수 특성이 지역에 따라 다양한 것을 의미한 다. 이상에서 건물수량에 영향을 주는 하고일수는 지역에 따 라 다양하게 나타날 수 있어 건물수량과 하고일수와의 관계 검토 시에는 지역을 구분할 필요가 있음을 시사한다.

이상에서 본 연구는 혼파초지 수량예측식의 정밀도 향상을 목적으로 Oh et al.(2017)에서 혼파초지가 건물수량과 하고일 수 간 정(+)의 상관관계로 나타난 풀사료 생산이론과 상반된 결과를 구명하고자 지역별 관점에서 검토하였다. 이를 위하 여 우선 혼파초지의 건물수량 자료 중 기후특성이 뚜렷하다 고 판단한 평창과 제주도의 자료를 제외하되 지역별로 구분 하지 않은 건물수량과 하고일수 간 상관관계를 검토하였으 며, 그 다음은 혼파초지 자료를 지역별로 구분하여 건물수량 과 하고일수 간 상관관계를 검토하였다.

II. 재료 및 방법

1. 분석자료

본 연구에 이용된 혼파초지 자료의 가공절차는 Fig .1과 같 았다. 자료수집(Data collection)부터 4차 가공의 데이터세트 (Data set)까지는 Oh et al.(2017)과 같다(Figure 1). 원자료는 16 개 지역 51가지의 혼파조합으로서 총 725점이었다. 가공절차 과정은 혼파초지자료 및 기후자료를 각각 엑셀에 입력하는 1 차 가공(16개 지역, 51가지 혼파조합, n=725), 오류자료(중복 자료, 오기자료 및 계산자료)를 수정하는 2차 가공(13개 지역, 45가지 혼파조합, n=668), 혼파초지자료와 기후자료를 병합 하는 3차 가공(13개 지역, 45가지 혼파조합, n=668) 및 결측 치(Missing value)와 풀사료 전문가의 회의를 통해 이상점 (Outliers)을 제거한 4차 가공(11개 지역, 41가지 혼파조합, n=582)이었다. Figure 2는 혼파초지 데이터세트의 지역별 분포 와 표본크기를 나타냈다. 혼파조합의 초종은 오차드그라스, 라디노클로버, 페레니얼라이그라스, 톨페스큐, 티모시, 켄터 키블루그라스, 이탈리안라이그라스, 알팔파, 레드클로버 등 북방형 목초로서 최소 2종에서 최대 7종으로 구성되어 있었 으며 혼파조합별로 분류하지 않았다(Table 1). 건물수량과 하 고일수 간 상관관계는 1) 평창 및 제주 지역을 제외하고 나머 지 지역을 분류하지 않은 경우(9개 지역, 30가지 혼파조합, n=529) 및 2) 평창 및 제주 지역을 포함하여 지역별로 분류한 경우(11개 지역, 41가지 혼파조합, n=582)로 나누어 검토하였다.

2. 변수설명

Table 2는 반응변수인 건물수량(Dry Matter Yield; DMY, kg/ha)과 설명변수인 기후요인의 기상변수를 나타내었다. 기 후요인에서 기상변수는 최한월(1월) 일평균기온의 평균인 최 한월평균기온(Mean Temperature of January; MTJ, °C), 0~25°C의 평균기온을 기록한 일의 합인 생육일수 0(Growing Days 0; GD 0, day), 25°C 이상의 평균기온을 기록한 일의 합 인 하고일수(Days of Summer Depression; DSD, day), 평균기 온이 0°C 이상인 일 중 0mm 이상의 강수량을 기록한 일의 합인 강수일수 0(Number of Days with Precipitation 0; NDP 0, day), 평균기온이 0°C 이상인 일 중 0mm 이상의 강수량을 기록한 일의 강수량의 합인 적산강수량 0(Accumulated Amount of Precipitation 0; AAP 0, mm)의 5개였다.

3. 통계처리방법

통계처리방법의 순서는 1) 건물수량과 하고일수 간 상관관 계를 확인하기 위한 산점도 확인, 2) 변수의 분포를 확인하기 위한 기술통계량 분석, 3) 반응변수인 건물수량과 설명변수인 기상변수 간 풀사료 생산 이론의 일치 여부를 확인하기 위해 상관분석을 이용하였으며 모든 변수가 양적변수(Quantitative variable)이므로 피어슨 상관계수(Pearson’s correlation coefficient) 를 사용, 4) 반응변수와 모든 설명변수 간 효과를 확인하기 위해 다중회귀분석을 이용하였으며 추정방법은 최대우도방 법(Maximum likelihood estimation)을 이용하였다. 또한 모든 설명변수의 효과를 파악하기 위해 변수선택방법은 이용하지 않았다. 설명변수 간의 다중공선성(Multicollinearity)을 확인 하기 위해 분산확대인자(Variance inflation factor; VIF)를 사 용하였으며, 모형식은 다음과 같다.

여기서 Y는 반응변수로써 건물수량이고, X는 설명변수이 다. β는 추정되는 회귀계수벡터이고, ϵ는 잔차(Residual)이다. 여기서 모형은 ϵ~i.i.d.N(0, σ²)인 정규성(Normality), 선형성 (Linearity), 등분산성(Homoscedasticity), 독립성(Independency) 가 정을 만족시켜야 한다. 본 연구에서 통계분석을 위해 사용한 프로그램은 SPSS 23.0(IBM corp.)이었다.

Ⅲ. 결과 및 고찰

1. 평창 및 제주 지역을 제외한 건물수량과 하고일수 간 상관관계 검토

1.1. 산점도 확인

본 연구에서는 기후특성이 뚜렷한 2개 지역(평창 및 제주 도)의 건물수량자료를 제거하면 혼파초지의 건물수량과 하고 일수 간에 부(-)의 상관관계가 나타날 것으로 추측(가정)하였 다. 이를 확인하기 위하여 평창 및 제주도의 건물수량자료를 제외한 후 나머지 지역에 대해서는 지역별로 구분하지 않고 건물수량과 하고일수 간의 상관관계를 산점도로 제시하였다 (Figure 3). 기후특성이 뚜렷하다고 판단한 평창과 제주를 제외 하여도 혼파초지의 건물수량과 하고일수 간에는 정(+)의 상 관관계로 나타나 풀사료 생산 이론과 불일치하는 문제점을 해결하지 못하였다. 이유로는 평창 및 제주도의 표본크기가 각각 25 및 28개로 전체 582점의 자료에서 차지하는 비율이 9.1%(평창 4.3 및 제주도 4.8%)에 불과하여 거의 영향을 주지 않은 것으로 생각된다. 그러므로 2개 지역을 제외한 본 결과 의 경우 다음 단계인 기초통계량, 상관분석 및 다중회귀분석 과정을 검토하는 것이 의미가 없어 더 이상 진행하지 않았다. 따라서 이하에서는 평창과 제주를 포함한 건물수량자료를 지 역별로 구분하여 건물수량과 하고일수 간 상관관계에 대해서 검토하였다.

2. 지역별 건물수량과 하고일수 간 상관관계 검토

2.1. 산점도 확인

산점도 분포를 통한 11개지역에서 건물수량과 하고일수 간 상관관계는 Figure 4와 같다. 7개 지역(시흥, 화성, 수원, 대 전, 나주, 남원 및 제주)은 풀사료 생산 이론과 일치하는 부(-) 의 상관관계가 나타났다. 한편 2개 지역(평창 및 광주)은 정 (+)의 상관관계가 나타났다. 평창의 경우 타 지역에 비해 상 대적으로 낮은 기온으로 하고일수가 적어 건물수량에 대한 하고일수의 영향이 상대적으로 미미하게 나타난 것으로 생각 된다. 광주에서 혼파초지의 건물수량과 하고일수 간 정(+)의 상관관계가 나타난 이유에 대해서는 분명하지 않다. 나머지 2 개 지역 보령 및 금산에서 하고일수가 각각 14일인 표본이 1 개 및 41일인 표본이 3개로 한가지 경우만 존재하여 상관관 계를 확인할 수 없었다. 이상에서 11개 지역 중 7개 지역에서 건물수량과 하고일수 간 부(-)의 상관관계가 나타나 지역별로 구분할 때 풀사료 생산 이론과 일치하는 것을 확인할 수 있었 다. 그럼에도 불구하고 본 연구는 건물수량과 하고일수와 상 관관계를 혼파조합별로 분류하지 않고 검토함으로써 발생할 수 있는 혼파조합 간 상대적인 건물수량의 차이를 고려하지 못하고 있다. 따라서 보다 많은 혼파조합별 자료를 축적하여 건물수량과 하고일수의 상관관계에 대한 검토가 요구된다.

본 연구에서 건물수량과 하고일수 간의 부(-)의 상관관계 를 산점도를 통해서 확인했지만 혼파초지의 수량에 영향을 미치는 Table 2의 기상변수들을 고려했을 때도 이 상관관계 가 풀사료 생산 이론과 일치하는지를 확인할 필요가 있다. 이 를 확인하는 방법은 다중회귀분석으로 대표본 근사이론 (Large sample approximation theory)의 적용이 가능하여야 하 므로 표본크기가 30개 이상인 지역을 선정할 필요가 있었다. 이에 따라 대표본 근사이론을 적용할 수 있었던 화성(n=179), 수원(n=125), 대전(n=73), 시흥(n=70) 및 광주(경기)(n=65)의 5개 지역이 선정되었다. 따라서 이하에서는 선정된 5개 지역 에 대한 기술통계량, 상관분석 및 회귀분석을 진행하였다.

2.2. 기술통계량 분석

5개 지역에서 반응변수 및 설명변수의 기술통계량은 Table 3과 같다. 건물수량인 DMY는 화성, 수원 및 광주에서 차이 가 없었으며, 대전에서 높고 시흥에서 낮은 결과가 나타났다 (p<0.05). 대전에서 DMY가 높았던 것은 비록 하고일수인 DSD가 광주와 함께 유의적으로(p<0.05) 높았으나 다른 지역 에 비해 최한월평균기온인 MTJ가 -0.9℃로서 다른 지역에 비 해 유의적으로(p<0.05) 높은 것에서 겨울이 상대적으로 따뜻 했던 것에 기인했을 것이며 Kim et al.(2011)이 수원 지역에서 겨울철 평균기온이 높을수록 C3 목초의 생산량이 높아진다 고 보고한 것과 같은 경향이었다. 또한 강수량인 AAP 0을 확 인하였을 때 1,468.6mm로서 Kim(1969)이 보고한 오차드그라 스, 티모시, 라디노클로버 및 레드클로버 혼파초지에서 수량 에 많다고 보고한 900~1,300mm의 강수량보다 다소 높았으 나, 생육에 문제가 발생되지 않는 선에서 강수량이 충분했던 것으로 생각된다.

시흥에서 DMY가 낮았던 것은 DSD가 유의적으로(p<0.05) 낮아 하고의 피해는 적었으나 화성과 함께 MTJ가 유의적으로 (p<0.05) 낮아 겨울이 상대적으로 월동에 불리한 환경이었던 것으로 생각된다. 또한 AAP 0을 확인하였을 때 1,032.3mm로 서 Kim(1969)이 보고한 혼파초지가 생육하는데 적합한 900~ 1,300mm의 범위이나 상대적으로 다른 지역에 비해 강수량이 적었던 것으로 생각된다.

2.3. 상관분석

건물수량과의 상관분석 결과는 Table 4와 같다. 그 결과 건 물수량에 대한 하고일수의 효과가 유의적으로 나타난 모든 지역에서 풀사료 생산 이론과 일치하는 부(-)의 상관관계가 나타났다. 또한 건물수량에 대하여 하고일수를 제외한 나머 지 변수의 효과를 확인하였을 때, 유의적으로 나타난 변수에 서 모두 풀사료 생산 이론과 일치하는 경향이 나타났다. 그러 나 화성 및 시흥에서 4가지 변수가 유의적으로 나타난 것에 비해 수원에서는 2가지, 대전 및 광주에서는 1가지 변수가 유 의적으로 나타났다(p<0.05). 따라서 변수의 효과가 지역에 따 라 다소 차이가 있었다.

이상에서 건물수량에 대한 하고일수의 효과가 3개 지역에 서 풀사료 생산 이론과 일치하는 부(-)의 상관관계가 나타나 수량예측에서 지역을 구분할 필요가 있었음을 확인하였다.

2.4. 다중회귀분석

지역별 하고일수가 포함된 기상변수를 이용한 다중회귀분 석 결과는 Table 5와 같다. MTJ는 모든 지역에서 유의적이지 않았으며(p>0.05) GD 0은 수원에서만 유의적으로 나타났다 (p<0.05). 또한 DSD는 화성에서만 유의적으로(p<0.05) 나타 났으며, NDP 0및 AAP 0은 화성 및 광주에서만 유의적으로 나타났다(p<0.05). 따라서 화성, 수원 및 시흥의 경우 유의적 으로 나타난 모든 변수가 풀사료 생산 이론과 일치하는 경향 이 나타났다. 그러나 대전의 경우 모든 기상변수가 유의적이 지 않은 것으로 나타났으며, 광주의 경우 유의적으로 나타난 변수인 NDP 0이 부(-)의 상관관계로서 풀사료 생산 이론과 일치하지 않는 경향이 나타났다. 이것은 앞선 산점도 분포에 서 확인한 것과 마찬가지로 혼파조합을 고려하지 않았던 것 에 기인하는 것으로 생각된다.

이상에서 혼파초지의 건물수량에 대한 하고일수의 상관관 계는 지역을 구분하였을 때 풀사료 생산 이론과 일치하였다. 모든 기상변수를 고려한 건물수량과 하고일수 간의 상관관계 에서도 화성은 다중공선성에서 다소 교란의 의심은 있으나 강한 부(-)의 상관관계(p<0.003)로 나타나 풀사료 생산 이론 과 일치하였다. 나머지 4개 지역은 건물수량과 하고일수 간 유의성이 없거나(p>0.05) 다중공선성이 높아 명확한 상관관 계를 확인할 수 없었다. 따라서 4개 지역의 건물수량과 하고 일수 간 상관관계에 대해서는 혼파조합별로 분류하여 검토한 다면 화성과 같이 부(-)의 상관이 나타날 것으로 생각된다.

Ⅳ. 요 약

본 연구는 혼파초지 수량예측모형에서 기후특성이 뚜렷한 지역의 자료 제거 및 지역별 구분을 통해 건물수량과 하고일 수 간 상관관계를 검토하였다. 데이터세트는 총 582점으로 11개 지역으로 분류되며 혼파조합은 총 41가지였다. 변수에 서 반응변수는 건물수량 이었으며 설명변수는 하고일수를 포 함한 5가지의 기상변수를 이용하였다. 통계방법은 산점도, 기 술통계량 및 상관분석을 거쳐 다중회귀분석을 통해 건물수량 과 하고일수 간 상관관계를 확인하였다. 산점도 분석 결과 데 이터세트를 지역별로 구분하였을 때 9개 지역 중 7개에서 건 물수량과 하고일수 간 부(-)의 상관관계가 나타나 지역을 구 분할 필요가 있었으며 대표본 근사이론을 적용할 수 있었던 5개 지역(화성, 수원, 대전, 시흥 및 광주)을 선정하였다. 5개 지역의 상관분석 결과 3개 지역(화성, 수원 및 시흥)에서, 다 중회귀분석결과 화성에서 건물수량에 대한 하고일수의 효과 가 부(-)로 나타났다. 따라서 혼파초지의 건물수량에 대한 하 고일수의 상관관계는 지역별로 구분하였을 때 풀사료 생산 이론과 일치하여 수량예측모형의 정밀도를 높일 수 있을 것 으로 판단하였다.