Ⅰ. 서 론
본 연구팀에서 기존의 풀사료 수량예측 모델에 이용한 기후자료 는 기상대가 있는 지역의 값을 활용하고 있으나 기상대가 없는 지 역의 경우 가장 가까운 기상대의 자료를 그대로 이용하고 있어(Oh et al., 2017;Oh et al., 2018; Peng et al., Peng et al., 2016a;Peng et al., 2016b;Peng et al., 2017a;Peng et al., 2017b) 재배지역의 정확한 온도를 알지 못하는 한계가 있었다. 즉, 기상대가 없는 지역 의 경우 지형과 거리를 고려하지 않고 가장 가까운 기상대 자료를 그대로 이용한 풀사료 수량예측모델은 결정계수(R2)가 낮아 정확성 이 떨어지기 때문에 수량예측의 정밀도가 낮아진다. 이것은 이상기 상에 따른 풀사료의 피해량산정을 위한 수량예측모델 연구에서도 문제점으로 나타날 수 있다(Choi, 2020). 따라서 풀사료 수량예측 모델에 이용하는 기후요인 중 작물의 생존 여부에 큰 영향을 미치 는 기온요인을 적용하고자 할 경우 알고자하는 어느 특정지역의 일 평균온도를 정확히 측정해야 정확한 수량예측모델을 구축할 수 있 게 되므로 특정지역에 대한 평균온도를 정확히 추정할 필요가 있다.
본 연구팀은 다년간 수량예측과 관련한 연구를 진행하면서 기 후정보의 활용기술에 대한 축적된 노하우를 갖고 있다. 또한 최근 기상자료개방포털(data.kma.go.kr)에서는 기상청에서 생산되는 방재기상관측자료 등의 기상데이터를 국민 누구나 쉽게 조회하거 나 파일로 다운로드가 가능해졌다. 이를 기반으로 어느 특정지역 에 대한 일평균온도를 추정할 수 있을 것으로 판단하고 있다.
기후에 대한 정보는 기상 데이터 로거(Data Logger)를 통한 자체수집 또는 주위 기상대의 기상정보를 제공받아 이용하고 있 다. 그러나 데이터 로거가 없는 지역은 그 지역의 기상대 자료를 그대로 적용하게 되어 기상대 주변 지역이 동일한 기상정보를 갖 게 된다. 이는 지형의 차이를 무시하게 되어 사료작물 수량예측 모델의 정밀도를 낮추는 요인이 되고 있다. 따라서 지형에 따라 다른 기후정보를 확보하여 수량예측모델에 적용할 필요가 있다. 이상의 관점에서 본 연구는 기 개발된 풀사료 수량예측모델의 기 후정밀도 향상을 위하여 지점별 일평균온도 추정의 가능성을 종 관기상관측자료와 방재기상관측자료를 이용하여 검토하였다.
Ⅱ. 재료 및 방법
1. 자료 수집
일평균기온 추정 방법 연구는 Fig. 1 과 같이 자료수집, 수치입력 및 자료가공 단계를 거쳐 분석용 data set를 확정한 다음 통계분석방 법을 이용하여 일평균기온을 추정하는 단계로 되어 있다. 자료는 2006년에서 2015년까지의 종관기상관측지점 98개소와 방재기상지 점 501개소로부터 위치정보와 일평균기온자료를 수집, 총 기상관측 지점수는 599개 이었으나 연도에 따라 차이가 있었다(Table 1). 자 료는 기상청에서 제공하는 기상자료개방포털(data.kma.go.kr, 2017) 로부터 수집하였다. 종관기상관측자료는 종관기상관측장비(ASOS, Automated Synoptic Observing System)에 의한 자동관측과 목측에 의한 수동관측을 함께 수집한 것이었다. 방재기상관측자료는 자동기 상관측장비(AWS, Automated Weather System)를 이용하여 지상부 근의 대기상태를 실시간 관측하여 국지적인 기온, 바람, 강수 등을 관측하여 수집한 것이었다.
2. 수치입력 및 자료가공
종관기상관측자료와 방재기상관측자료를 입력하는 수치입력의 1차 가공에서는 연도별 기상대번호, 위치정보(위도, 경도 및 해발 고도) 및 일평균기온의 자료를 엑셀화작업을 하였다. 2차 가공에서 는 1차 가공 자료의 균일성을 확보하기 위하여 1년 미만 자료는 삭제하였다. 1년 미만 자료가 발생하는 이유는 기상대 주소가 변경 되었거나 기상대가 중간부터 생성되거나 중간에 없어졌기 때문이 다. 자료에서 1년은 1월 1일부터 12월 31일까지이며 1년 미만자료 란 1월 1일 자료는 있으나 12월 31일까지 채우지 못한 자료, 1월 1일이 아닌 날부터 12월 31일까지만 있는 자료 및 1월 1일부터 시 작하지 않았고 12월 31일까지도 없는 자료이다. 삭제에 대한 예시 는 아래와 같다. 2차가공에서는 1년미만자료 15개를 삭제하여(종 관기상관측지점 1개, 방재기상관측지점 14개) 지점수는 584개가 되었다.
3. 분석용 data set
통계분석에 사용 최종 data set를 작성하는 3차 가공에서는 10 년동안 연차변이를 보기 위해 연속 10년의 자료만 남기고 삭제 하였다. 3차 가공에서는 연도별 종관기상관측지점 23개와 방재 기상관측지점 223개 총 246개를 삭제하였으며 최종적으로 정리 된 자료는 종관기상관측자료 75개소의 10년간 일평균기온과 방 재기상관측자료 278개소 10년간의 일평균기온자료를 이용하였 다. data set(3차 가공) 자료는 각 연도별로 정리하였으며, 연도별 로 위치정보, 연평균기온 및 월평균기온 그리고 위치정보, 10년 연평균기온 및 10년 월평균기온 자료로 정리하였다. 통계분석에 사용할 분석용 data set는 최종적으로 353개(종관기상관측지점 75개 및 방재기상관측지점 278개)였다(Table 2).
4. 일평균기온 추정가능성 분석통계분석
일평균기온 추정을 위한 통계분석방법으로는 위치정보와 평균 기온에 대한 도수분포표, 기술통계량 및 상관분석을 실시하였으며, 위치정보를 독립변수로 한 다중회귀분석을 실시하였다. 통계분석 은 SPSS 24.0(2017, IBM corp.) 을 사용하였다. 연·월평균기온에 대한 통계분석결과를 토대로 위치정보를 이용한 일평균기온 추정 의 가능성을 검토하였다.
Ⅲ. 결과 및 고찰
1. 연월평균기온의 정규분포 확인
관측지점수 353개소(2006~2015년)에 대한 10년 평균 연평균기 온의 도수분포도는 정규곡선을 보이고 있어 상관분석 및 회귀분석이 가능하였다(Fig. 2). 관측지점수 353개소(2006~2015년)의 월평균기 온에 대한 도수분포도는 5월에서 8월까지 정규분포를 나타내지 않 았다. 이는 5월에서 8월까지의 온도변화가 심한 것과 여름철 고온 현상에 기인하고 있다. 연평균기온은 6.7에서 15.9℃의 범위로 평균 은 12.2℃, 중위값은 12.3℃였다. 월평균기온은 –1.1에서 25.3℃의 분 포를 나타냈다. 자료의 정규성 확인을 위해서 Kolmogorov-Smirnov 와 Shapiro-Wilk 검정을 이용해서 확인한 결과, 5월부터 8월까지의 월평균온도는 정규성가정을 만족시키지 못하게 나타났다(Table 3).
2. 위치정보와 평균기온과의 관계
위치정보와 연평균기온의 상관분석 결과는 Table 4와 같다. 연평균기온은 위도와 매우 높은 부(-)의 상관을 나타내고 있으며 (R=-0.67**), 또한 연평균기온은 해발고도와 매우 높은 부(-)의 상관을 나타내고 있다(R=-0.60**). 연평균기온은 경도와 높은 부 (-)의 상관관계를 나타내고 있다(R=-0.11*). 즉 우리나라의 지형 에서는 북쪽으로 올라갈수록 연평균기온이 낮아지고, 해발고도 가 높을수록 연평균기온이 낮아짐을 의미한다. 동쪽으로 갈수록 연평균기온이 낮아진다고 할 수 있으나, 이는 백두대간의 영향으 로 보인다. 경도는 해발고도와 매우 높은 정(+)의 상관관계를 가 지며(R=0.19**), 경도는 위도와 매우 높은 정(+)의 상관관계를 가 진다(R=0.18**). 그러나 기상관측지점의 분포를 보면 위도와 경 도 간 상관이 없으며 지점수가 많음으로 인해 유의확률이 높이 나타난 것으로 판단된다(Fig. 3). 한편 경도와 해발고도의 경우 우리나라 지형적 특징인 동쪽으로 갈수록 높아지는 것이 반영된 것으로 판단된다.
위치정보와 10년 평균의 월평균기온의 상관관계분석결과는 Table 5와 같이 나타났으며, Fig. 4는 상관계수의 월별 변화를 나 타내었다. 월평균기온은 경도와 6, 7, 8, 9, 10 및 11월에 매우 높은 부(-)의 상관을 나타내고 있으며, 월평균기온은 위도와 6월 이외의 월에서 매우 높은 부(-)의 상관을 나타내고 있다. 그리고 월평균기온과 해발고도는 모든 월에서 매우 높은 부(-)의 상관을 나타났다. 해발고도는 월(계절)에 관계없이 월평균기온에 영향을 미치고 있으며 위도는 6월을 제외한 월평균기온에 모두 영향을 미치고 있다. 이는 월평균기온에 미치는 경도, 위도 및 해발고도 의 영향이 월별로 다르다는 것을 의미한다.
3. 위치정보를 이용한 일평균기온 추정 가능성
위치정보와 연평균기온의 다중회귀분석결과는 Table 6과 같 으며, 결정계수인 R2 이 0.7이며, 분산분석표의 F값이 275.0로 매우 높은 통계적 유의성을 나타내었다. 위치정보와 월평균기온 의 다중회귀분석의 회귀계수와 결정계수는 Table 6과 같이 나타 났으며, 이는 앞서 결과로 제시된 히스토그램, 상관분석에 의한 상관계수와 같이 5월, 6월, 7월의 결정계수가 낮게 나타났다. 이 는 위치정보를 이용한 월 평균기온의 추정 시 여름철은 오차가 있을 것이라는 예측이 가능하며, 이를 보완하기 위한 노력이 필 요할 것으로 판단된다.
이상의 결과로 부터 경도, 위도 및 해발고도인 위치정보를 이 용한 일평균기온 추정은 가능할 것으로 판단하였다. 다만 전국의 기상자료를 사용하여 일평균기온의 추정은 가능하지만 보다 정 확도를 높이기 위해서는 기상자료를 각 시·도로 세분화하여 적용 할 필요가 있다.
Ⅳ. 요 약
본 연구는 기 개발된 풀사료 수량예측모델의 기후정밀도 향상 을 위하여 지점별 일평균온도 추정의 가능성을 기상대 자료(종관 기상관측지점 75개 와 방재기상관측지점 278개)의 연평균기온 및 월평균기온을 이용하여 검토하였다. 연평균기온과 월평균기 온은 각각 정규성 확인, 위치정보(경도, 위도 및 해발고도)와의 상관관계 및 다중회귀분석을 실시하였다. 해발고도는 연평균기 온 및 월평균기온에도 지속적인 영향을 미치는 것으로 나타났으 며, 위도는 6월을 제외한 월평균기온에 영향을 미치는 것으로 나 타났다. 경도는 6, 7, 8, 9, 10 및 11월의 월평균기온에 영향을 미치는 것으로 나타났다. 이상의 결과로 부터 일평균기온 추정은 경도, 위도 및 해발고도를 이용하여 가능할 것으로 판단하였다. 본 연구에서 전국의 기상자료를 사용하여 일평균기온의 추정은 가능하지만 보다 정확도를 높이기 위해서는 기상자료를 각 시·도 로 세분화하여 적용할 필요가 있다.
