Ⅰ. 서론

최근 기후변화에 따른 이상기온(고온, 저온) 및 이상강우(다우, 과우)와 같은 이상기상은 작물에 피해를 주며 점차 빈번히 발생하 고 있다(Shim et al.,2018). 이로 인해서 작물의 생육 및 생산성에 부정적인 영향을 주고 있으며, 이는 미래에 더욱 심해질 것으로 전망되는 실정이다(IPCC, 2011). 이를 고려하였을 때 사일리지용 옥수수와 같은 사료작물에서도 이상기상에 따른 피해가 야기되고 있는 것으로 판단된다. Jo et al.(2021)은 기계학습을 통한 수량예 측모델로 이상기상에 따른 WCM(Whole Crop Maize) 수량의 피 해량을 산출하였다. 경기도 지역에서 이상기상에 따른 WCM의 최대 피해량은 양평에서 시간당 풍속이 0.52 m/s 증가할 때 121kg/ha로 나타났으며 이는 정상기상에서의 DMY(Dry Matter Yield)인 17,517 kg/ha의 0.7%에 해당하였다. 이는 7월 폭우(월 강우량 1,000mm 이상)에 의해 WCM의 DMY이 28.9% 감소하 였다고 보고한 연구(Kim et al., 2019)보다 낮은 수치를 나타내었 다. 이러한 결과가 나타난 원인은 기계학습에 이용된 경기도 기상 데이터(n = 160) 중 이상기상에 해당하는 데이터(n = 26)의 비율 (16%)이 정상기상에 해당하는 데이터(n = 134)의 비율(84%)보다 현저히 낮았기 때문인 것으로 사료되었다. 따라서 WCM의 이상기 상에 따른 피해량 산출은 기계학습을 통한 수량예측모델 제작 시 이상기상에 속한 데이터를 반복 학습하여 정상기상 범위에 속한 데 이터와 유사한 비율로 맞춘 후 연구를 수행할 필요가 있다.

또한 경기도 5개 지역을 대상으로 이상기상에 따른 WCM 수량의 피해량을 산출할 때 WCM 데이터는 DMY 상ㆍ하위 3%에 해당하는 데이터를 이상값으로 판단하여 제거하였다. 그러나 DMY 이상값에 속하는 WCM 데이터는 이상기상으로 인해 수량이 많거나 적은 것일 수 있으므로 이를 제거한 후 수량예측을 통해 나온 결과는 이상기상 조건 하에서 재배된 WCM 데이터를 고려 하지 않은 결과일 수 있다. 따라서 WCM 데이터는 DMY 이상값을 제거하지 않고 모두 이용하여 수량예측모델을 제작할 필요가 있다. 최종적으로 산정한 이상기상에 따른 WCM의 피해량은 이용자 (User, 풀사료 농가, 연구자 및 관계자)가 쉽게 이해할 수 있도록 시각적으로 제시할 필요가 있다.

따라서 본 연구는 기계학습을 통한 수량예측모델로 이상기상에 따른 WCM의 피해량을 산정하고 이를 전자지도로 제시하였다.

Ⅱ. 재료 및 방법

1. 데이터 수집

수집된 WCM의 출처별 데이터는 수입적응성 시험보고서, 국 립축산과학원 시험연구보고서, 한국축산학회지, 한국초지조사료 학회지 및 WCM 재배실험 관련 학위논문으로부터 총 3,232점을 수집하였다(Table 1). WCM의 재배지역별 데이터는 Table 2와 같으며 재배지역이 있는 데이터는 3,085개(40개소)였으며 재배 지역이 없는 데이터는 147개였다. WCM의 데이터 수집은 1978년 부터 2017년까지였으며 재배지역, 파종일, 수확일 및 DMY 등을 포함하고 있다.

본 연구에 이용한 기상 데이터는 기상청의 기상자료개방포털 (KMA, Weather data service- Open MET data portal, data.ma. go.kr)에서 우리나라 전체 종관기상대 102개소의 데이터를 수집 하였다(Table 3). 데이터의 수집은 수집된 WCM의 데이터가 존재하는 1978년부터 2017년까지의 40년간의 기간이며 매년 1월부터 12월까지 시간단위의 자료 수집하였다.

2. 데이터 가공

기상 데이터는 전체 102개 종관기상대 데이터 중 시간단위 데이터가 존재하지 않는 2개 지역(대구(기) 및 강진군)과 1978년 부터 2017년까지의 연도별 데이터가 5개 이하인 5개 지역(관악산, 무안, 북춘천, 세종 및 홍성)을 제외한 95개 기상대 데이터를 사용하였다. WCM 재배지역 중 종관기상대가 없는 곳은 가장 가까운 종관기상대의 데이터를 적용하였다(Table 4). 기상 데이 터는 WCM의 생육기간을 고려하여 4월 1일부터 10월 31일까지 이용하였다. 본 연구에 사용한 기상요인은 기온, 강수량 및 풍속 이었다. 기상요인의 결측값은 해당 시간의 전·후 시간 측정값의 평균을 입력하는 것으로 보완하였다.

3. 수량예측모델 제작

수량예측모델은 수집 후 가공한 WCM 및 기상 데이터를 기반 으로 기계학습을 통해 제작되었다. 수량예측모델은 WCM의 생육기간 및 재배지역에 따른 기상 조건의 DMY를 학습하였으며 특정 기상 조건 하에서 DMY 예측값을 산출하였다. 수량예측모델 제작에 이용한 기계학습 기법은 Linear, FM (Factorization Model), Deep, DeepCrossing, Wide&Deep, DeepFM, CIN (Compressed Interaction Network) 및 xDeepFM으로 총 8가지였다. 본 연구 에서 피해량 산출을 위하여 기계학습 기법으로 제작된 수량예측 모델의 선정은 R²값이 가장 높고 평균 제곱근 오차(Root Mean Square Error, RMSE)값이 가장 낮은 것을 선택하였다.

기상 데이터는 이상기상에 해당하는 데이터 수를 증가시켜 정상기상에 해당하는 데이터의 수와 유사한 수준으로 맞춘 뒤 수량예측모델에 학습시켰다. 이상기상에 해당하는 데이터는 1년간 기상요인의 평균이 지역별 정상기상의 표준편차 ±2배 범위에서 벗어나는 연도의 데이터로 선발하였다. 총 408개의 이상기상 데이터 중 중복되는 데이터(n = 18)를 제거한 390개의 이상기상 에 해당하는 데이터를 7번 반복 학습시켜(n = 2,730) 정상기상 에 해당하는 데이터(n = 2,618)와 유사한 수준으로 맞추었다. 기 계학습을 통한 수량예측모델 제작에 사용한 프로그램은 Python 및 Tensorflow였다.

4. 이상기상 피해량 산정

이상기상에 따른 DMY 피해량(Damage)은 종관기상대의 지역 별 정상기상 및 이상기상을 설정하고 수량예측모델을 통해 각 기상에서의 DMY를 예측한 후 정상기상에서의 DMY 예측값 (DMY_normal)과 이상기상에서의 DMY 예측값(DMY_abnormal) 간 차 이를 통해 산출하였다. 피해량 산출 과정은 아래의 식과 같다.

여기서, WCM의 DMY_normal 및 DMY_abnormal 산출을 위한 정상 및 이상기상은 다음과 같은 방법으로 설정하였다. 지역별 정상기 상은 WCM 데이터 수집 연도(1978~2017년)에 해당하는 연도 별 기상 데이터의 평균(40년 평균)으로 설정하였다. 지역별 이 상기상은 정상기상에서 특정 기상요인(기온, 강수량 및 풍속)에 변동값을 주어 설정하였다. 이상기상의 변동값은 세계기상기구 (WMO; World Meteorological Organization)의 방식(Park et al., 2015)을 준용하여 WCM 데이터 수집 기간(1978~2017년) 내 기 상요인별 평균 및 표준편차(Standard Deviation, SD)를 계산한 후 SD의 ±1 및 ±2배수의 4단계 수준(SD의 –2, –1, +1 및 +2배) 으로 설정하였다. 기상요인별 SD는 지역에 따라 차이가 있었으 며 기온, 강수량 및 풍속이 각각 0.28~1.10℃, 0.02~0.32 mm 및 0.04~0.80 m/s의 범위에 있었다.

5. 이상기상 피해량 전자지도 제시

전자지도는 QGIS(Quantum Geographic Information System)를 이용하여 작성하였으며 국내 행정구역별로 나누어 표현하였다. 피해량은 수준에 따라 5계급으로 나누었으며 많을수록 짙은 색으로 나타내었다. 피해량 산정 지역 중 행정구역이 중복되는 지역은 시 청 및 군청에 가까운 지역을 적용하였다. 이 과정에서 고산, 고창 군, 북강릉, 북창원, 성산, 성산포, 주암 및 첨찰산은 각각 제주, 고창, 강릉, 창원, 서귀포, 서귀포, 순천 및 진도군과 행정구역이 중복되어 전자지도 작성에서 제외하였다. 따라서 최종적으로 이 상기상 피해량 전자지도를 작성한 지역은 87지역이었다.

이상기상별 WCM의 피해량은 표준편차에 의해 5계급으로 나누어 전자지도에 나타냈다. 각 지역의 기상요인별 WCM의 피해량은 DMY_normal에 대한 비율로 환산한 결과 WCM 피해량의 비율은 –3.42~4.63%의 범위에 있었다. 따라서 전자지도에 나타낼 WCM 피해량의 계급은 –5~–3, –3~–1, –1~1, 1~3 및 3~5%의 5 단계로 나누어 작성하였다.

Ⅲ. 결과 및 고찰

1. 이상기상 수준에 따른 WCM의 DMY 예측값

8가지 기계학습 기법에 따른 WCM 수량예측모델의 R² 및 RMSE값은 각각 0.4534~0.5442 및 0.1769~0.1938 범위였다 (Table 5). 본 연구에서 기계학습을 통한 WCM의 수량예측모델 은 R²값이 0.5442로 가장 높고 RMSE값이 0.1769로 가장 낮은 DeepCrossing을 선정하였다. DeepCrossing을 통한 수량예측모 델로 산출한 정상기상에서 WCM의 DMY_normal은 지역에 따라 차 이가 있었으며 13,845~19,347 kg/ha 범위였다(Table 6).

DeepCrossing을 통한 수량예측모델로 산정한 이상기온, 이상 강수량 및 이상풍속에서 WCM의 DMY_abnormal은 지역과 수준에 따라 차이가 있었으며 각각 13,792~19,394, 13,834~19,357 및 13,720~19,470 kg/ha 범위였다(Fig. 1).

2. 이상기상 수준에 따른 WCM의 피해량

이상기온, 이상강수량 및 이상풍속 수준에 따른 WCM의 피해 량은 각각 –305~310, -54~89 및 –610~813 kg/ha 범위였다(Fig. 2). 이상기온 수준에 따른 WCM의 최대 피해량은 제주 지역에서 시 간당 기온이 1.42℃ 증가(+2 수준)할 때 310 kg/ha로 나타났다. 이상강수량 수준에 따른 WCM의 최대 피해량은 양평 지역에서 시간당 강수량이 0.12℃ 감소(–2 수준)할 때 89 kg/ha로 나타났 다. 이상풍속 수준에 따른 WCM의 최대 피해량은 군산 지역에 서 시간당 풍속이 1.60 m/s 감소(–2 수준)할 때 813 kg/ha로 나타 났다.

이상기온과 이상강수량에서 수준에 따른 DMY의 증가 및 감소 경향은 Jo et al. (2021)의 결과와 동일하게 나타났으나 이상풍속은 –2 수준에서 최대 피해량이 발생하여 상반된 경향을 나타내었다. 그러나 최대 피해량이 발생한 군산을 제외한 대부분의 지역에서 이상풍속은 수준이 증가할수록 DMY가 감소하는 경향을 나타내어 Jo et al.(2021)과 동일한 결과를 나타내었다. 이를 통해 군산에서 풍속이 감소할수록 피해량이 증가하는 것은 기상 외 다른 요인의 영향을 받았을 수 있다고 사료된다. 따라서 군산에서 기상요인 외 WCM의 DMY에 영향을 미치는 지역적 특징이 있는지 조사할 필요가 있다.

최대 피해량이 발생한 군산 지역에서 이상풍속의 변동값 범위 –1.60~1.60 m/s는 보퍼트 풍력계급 중 1계급인 실바람(0.3~1.5 m/s)에 해당된다. 기상청은 13.9 m/s 이상의 풍속(센바람, 13.9~17.1 m/s)을 강풍으로 분류하고 있는데(Na and Jung, 2021) 이는 보퍼트 풍력 계급 중 7계급 이상에 해당된다. 따라서 WMO의 방식을 준용한 이상풍속은 실바람에 해당하므로 WCM의 DMY에 영향을 미치지 않을 것으로 사료된다.

또한 최대 피해량(813 kg/ha)은 군산 지역의 DMY_normal (17,558 kg/ha)의 4.6%에 해당하는데 이는 타 연구의 이상기상에 따른 피 해량에 비해 적은 수치이다(Kim et al., 2019;Kim and Sung, 2021). 따라서 813 kg/ha의 피해량이 WCM에 있어 피해량으로 판 단할 수 있는 수준인지에 대한 검토가 필요하다. 또한 WMO 방 식(기상요인별 표준편차 ±2배)을 준용한 이상기상이 WCM의 DMY에 피해를 주는 기상 조건인지 검토할 필요가 있다. 따라서 이상기상은 WMO 방식을 준용한 방법과 비교·평가하기 위해 다 른 방법으로 설정할 필요가 있을 것으로 판단된다.

3. 이상기상 피해량 전자지도 제시

전자지도는 WCM의 DMY_normal (Fig. 3)과 WMO 방식을 적 용한 이상기상과 그 수준에 따른 피해량(Fig. 4)을 시각적으로 나 타내기 위해 제시하였다. WCM의 피해량은 이상기온, 이상강수 량 및 이상풍속 모두 지역과 WMO 방식에서 차이가 없음을 확인 할 수 있었다. 이상기상에 따른 WCM 피해량 전자지도는 수치 화 되어 있는 피해량을 시각적으로 나타내어 User에게 WCM 의 피해량을 효과적으로 제시할 수 있을 것으로 사료된다.

본 연구 결과의 전자지도는 행정구역별로 나누어 표시하였을 때 WCM의 피해량이 산정되지 않아 공백(흰색)인 지역이 존재 하였다. 이를 보완하기 위해 데이터의 미기록 및 기기의 고장 데이터의 손실은 많지만 종관기상대보다 많은 지점의 데이터를 제공하고 있는 방재기상대를 이용하면 보다 세밀한 피해량을 산정할 수 있을 것이다.

결론적으로, 본 연구에서 DeepCrossing 기반의 수량예측모델로 산정한 이상기상에 따른 WCM의 최대 피해량은 DMY_normal의 4.6% (WMO 기준의 풍속)였다. 또한 이상기상에 따른 WCM의 피해량은 행정구역별로 전자지도로 제시하였다. 본 연구에서 이상기상에 따른 WCM 피해량이 유의미한 피해 수준인지에 대한 검토가 요구된다. 추후 WCM의 피해량 산정 연구는 보다 많은 이상기상 사례의 탐색과 WCM의 생육단계를 고려하여 추가적으로 수행할 필요가 있다.

Ⅳ. 요약

본 연구는 기계학습을 기반으로 제작한 수량예측모델을 통해 이상기상에 따른 사일리지용 옥수수(WCM)의 피해량 산정 및 전자지 도를 작성할 목적으로 수행하였다. WCM 데이터는 수입적응성 시험 보고서(n = 1,219), 국립축산과학원 시험연구보고서(n = 1,294), 한국 축산학회지(n = 8), 한국초지조사료학회지(n = 707) 및 학위논문 (n = 4)에서 총 3,232점을 수집하였으며 기상 데이터는 기상청의 기상자료개방포털에서 수집하였다. 본 연구에서 이상기상에 따른 WCM의 피해량은 WMO 방식을 준용하여 산정하였다. 정상기상에 서 DMY 예측값은 13,845~19,347 kg/ha 범위로 나타났으며 피해량 은 이상기온, 이상강수량 및 이상풍속에서 각각 –305~310, –54~89 및 –610~813 kg/ha 범위로 나타났다. 최대 피해량은 이상풍속 에서 813 kg/ha로 나타났다. WMO 방식을 통해 산정한 WCM의 피해량은 QGIS를 이용하여 전자지도로 제시하였다. 이상기상에 따른 WCM의 피해량 산정시 데이터가 없어 공백인 지역이 존재하 여 이를 보완하기 위해 종관기상대보다 많은 지점의 데이터를 제공 하고 있는 방재기상대를 이용하면 보다 세밀한 피해량을 산정할 수 있을 것이다.