Ⅰ. 서론

국내 축산농가에서 양질 조사료의 요구가 높아지면서 건물수 량(Dry matter yield; DMY)과 TDN (Total digestible nutrients) 이 높고 기호성까지 높은 사일리지용 옥수수(Whole Crop Maize; WCM; Zea Mays L.)의 재배 필요성이 제기되고 있다(Kim et al., 2020). 그러나 최근 이상고온, 이상저온 및 이상다우 등 과 같은 이상기상의 빈도가 높아 질 것으로 예상되어(Shim et al., 2018) WCM의 안정적인 재배 및 공급이 어려워지고 있다. 그러 므로 이상기상에 따른 WCM의 생산량 예찰은 단기적으로는 축산농가의 안정적인 조사료 수급에 기여할 수 있으며, 장기적 으로는 국내 WCM 재배 관련 연구 및 정책수립에 기여할 수 있 을 것이다.

IPCC (Intergovernmental Panel on Climate Change)에서 제시 한 대표농도경로(Representative Concentration Pathway, RCP)는 온실가스 배출량의 저감 정도에 따른 기후변화 시나리오 2.6, 4.5, 6.0 및 8.5로 4가지 시나리오가 있다(NIMR, 2011). RCP 시나리 오는 Kim et al. (2023)은 기계학습모델로 온실가스를 상당히 저 감한 시나리오인 RCP 4.5 시나리오를 이용하여 이상기상에 따른 WCM의 피해량을 제시하였으며, 그 결과 온실가스 저감정책이 상당히 실현된다면 WCM의 피해량은 없는 것으로 나타났다. 그 러나 안정적인 WCM 재배하기 위해서 온실가스 배출량이 더 많 은 시나리오인 RCP 8.5를 고려하여 WCM 생산량을 검토해 볼 필요가 있을 것으로 생각되어 Kim et al. (2023)의 후속연구로 수 행하였다.

따라서 본 실험은 현재 추세대로 온실가스를 배출하는 RCP 8.5 시나리오를 고려하여 WCM 피해량을 제시하기 위해서 기계 학습모델을 이용하였으며, 예측된 피해량을 전자지도로 제시하 였다.

Ⅱ. 재료 및 방법

1. 데이터 수집 및 가공

본 연구 수행에 필요한 데이터 수집은 1978년부터 2017년까 지 40년간의 자료였으며, 수집된 WCM 데이터는 농협중앙회의 목초 및 사료작물 품종수입적응성 시험인증품종자료(n=1,219), 국립축산과학원 시험연구보고서(n=1,294), 한국축산학회지(n=8), 한국초지조사료학회지(n=707) 및 학위논문(n=4)에서 총 3,232점 을 수집하였다. 수집한 데이터의 항목은 재배지역, 파종일, 수확 일 및 DMY 등을 포함하고 있다. 본 연구에 이용한 기상데이터는 기상청의 기상자료개방포털(KMA, Weather Data Service-Open MET data portal)에서 우리나라 전체 종관기상대(Automated Synoptic Observing System; ASOS, 102개소)의 데이터를 수집 하였다. 기상데이터는 수집한 WCM의 데이터가 존재하는 지점 의 1978년부터 2017년까지의 자료이며, 매년 1월부터 12월까지 시간단위로 수집하였다. 수량예측모델 구축을 위해서 사용한 기 상데이터는 전체 102개 ASOS 데이터 중 시간단위 데이터가 존 재하지 않는 2개 기상대(대구(기) 및 강진군)와 연도별 데이터가 5개 연도 이하인 5개 기상대(관악산, 무안, 북춘천, 세종 및 홍성) 을 제외한 95개 지점의 데이터를 사용하였다. WCM 재배지역 중 ASOS가 없는 20개 지점은 은 직선거리로 가장 가까운 종관기상 대의 데이터를 적용하였으며, 해당 지점인 안성, 칠곡, 당진, 김 제, 군위, 군산, 경산, 화성, 진부, 평창, 서천, 성환, 성주, 여주, 영남, 유성은 각각 수원, 구미, 서산, 부안, 의성, 광주광역시, 대 구, 수원, 전주, 강릉, 원주, 보령, 구미, 인천, 해남 및 대전으로 광주(경기도) 및 의정부는 서울로, 아산 및 이리는 천안의 것으로 대체하였다.

RCP 8.5 데이터는 농촌진흥청의 국립원예특작과학원에서 발행 한 기후변화 시나리오-시군별 농업용 미래상세기후정보(NIHHS, 2014)에서 수집하였다. 한편 RCP 8.5 데이터에서는 광역시 단위의 자료는 제공하지 않아 9개 지역의 데이터를 사용하지 못하여 총 86개 지역의 자료를 이용하였다. RCP 8.5의 조사항목은 시군별·월 평균기온, 최고기온, 최저기온 및 월강수량을 수집하였다. 월평균 온도와 월강수량은 기상 데이터(ASOS)에서 시간 단위 데이터를 수집하였으나 RCP 8.5 데이터는 월평균온도와 월강수량을 제공하 고 있다. 그러므로 RCP 8.5 데이터는 기상 데이터와 온도 및 강수 량 단위를 매칭하기 위해 월평균온도와 월강수량을 시간단위로 환 산하는 과정을 거쳤다.

기상 데이터는 WCM의 생육기간을 고려하여 4월 1일부터 10 월 31일까지 이용하였다. 본 연구에 사용한 기상요인은 기온 및 강수량이었다.

2. 수량예측모델 제작

수량예측모델은 수집 후 가공한 WCM 및 기상 데이터를 기반으 로 기계학습을 통해 제작되었으며 Kim et al. (2023)에서 수행한 것과 동일한 방법이었다. 수량예측모델은 WCM의 생육기간 및 재배지역에 따른 기상 조건의 DMY를 학습하였으며 특정 기 상 조건 하에서 DMY 예측값을 산출하였다. 수량예측모델 제작에 이용한 기계학습 기법은 Linear, Factorization Model (FM), Deep, DeepCrossing, Wide&Deep, DeepFM, Compressed Interaction Network (CIN) 및 xDeepFM으로 총 8가지였다. 본 연구에서 피해 량 산출을 위하여 기계학습 기법으로 제작된 수량예측모델의 선정 은 R²(coefficient of determination)값이 가장 높고 평균 제곱근 오차(Root Mean Square Error, RMSE)값이 가장 낮은 것을 선택하 였다. 작성된 수량예측모델의 성능은 Kim et al. (2023)이 보고한 것과 동일한 것이었다.

기상 데이터는 이상기상에 해당하는 데이터 수를 증가시켜 정 상기상에 해당하는 데이터의 수와 유사한 수준으로 맞춘 뒤 수량 예측모델에 학습시켰다. 분석에 사용한 데이터 수를 증가시킨 이 유는 수량예측모델 제작에 사용된 기상자료는 시간단위의 자료이 지만, PCR 8.5 시나리오의 자료는 일단위였기 때문에 시간 단위 를 맞추기 위한 것이었다. 이상기상에 해당하는 데이터는 RCP 8.5 시나리오에서 제시한 지역별 기상자료를 이용하였다. 기계학 습을 통한 수량예측모델 제작에 사용한 프로그램은 Python 및 Tensorflow였다.

3. 이상기상 피해량 산정

지점별 정상기상은 WCM 데이터 수집 연도에 해당하는 연도 별 기상 데이터의 평균(40년 평균)으로 설정하였다. 이상기상은 각 지점의 정상기상에서 기상요인에 변동을 주는 것으로 설정하 였다. 이상기상의 변동값은 IPCC의 RCP 8.5 시나리오를 적용하 여 2050년과 2100년의 미래기상과 2020년 현재 기상 간의 차이 로 정하였다. 2020년도를 고려한 이유는 현재 작물 피해량 산정 조사를 5년 간격으로 조사하는 것으로 고려하여 산정하였다.

여기서, Variation은 2050 및 2100년의 기상자료에서 2020년 의 기상자료를 뺀 값이다.

이상기상에 따른 DMY 피해량(Damage)은 종관기상대 지점 별 정상기상 및 이상기상을 이용하여 수량예측모델로 정상기 상의 DMY 예측값(DMY_normal)과 이상기상의 DMY 예측값 (DMY_abnormal) 간 차이를 통해 산출하였다. 피해량 산출 과정은 아래의 식과 같다.

해당 산출 과정을 통해서 산출된 값이 양수일 때는 피해량이 음수일 때는 생산량이 증가한 것으로 해석 할 수 있다.

4. 이상기상 피해량 전자지도 제시

이상기상 피해량 전자지도는 QGIS (Quantum Geographic Information System)를 이용하여 작성하였으며 종관기상대가 설 치된 지역을 행정구역 별로 나누어 제시하였다. 전자지도 작성 시 피해량 산출 지점 86개 지역 중 행정구역에 관측지점이 2개 이상 인 경우 시청 및 군청에 가까운 관측지점의 피해량 값을 적용하 였다. 즉 고산, 고창군, 북강릉, 북창원, 성산, 성산포, 주암 및 진 도(첨찰산)은 각각 제주, 고창, 강릉, 창원, 서귀포, 서귀포, 순천 및 진도군의 피해량 값을 적용하였다. 최종적으로 이상기상 피해 량 전자지도를 작성한 지역은 78 지역이었다.

전자지도에서 피해량은 수준에 따라 6계급으로 나누었으며, 피해량이 많을수록 짙은 색으로 나타내었다. 전자지도에 나타낼 WCM 피해량의 계급은 0% 미만, 0~5%, 5~10%, 10~15%, 15~ 20% 및 20% 이상으로 나누어 작성하였다. 0% 미만은 생산량이 증가하는 것을 의미한다.

Ⅲ. 결과 및 고찰

1. RCP 8.5 시나리오에 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 1). 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 지점에 따라 차 이가 있었으며, 13,845~19,347 (평균 16,492 kg/ha) kg/ha 범위 였다(Fig. 1).

DeepCrossing을 통한 수량예측모델로 산정한 이상기온 2050 년과 2100년에서 WCM의 DMY_abnormal은 지점과 수준에 따라 차이가 있었으며 각각 14,702~18,762 (평균 16,874 kg/ha) 및 13,896~19,868 (16,363 kg/ha) kg/ha 범위였다. 이상강수량 2050 년과 2100년에서 WCM의 DMY_abnormal은 각각 14,948.2~19,023 (평균 17,149 kg/ha) 및 15,495~27,978 (평균 17,767 kg/ha) kg/ha의 범위였다.

2. RCP 8.5 시나리오에 따른 WCM의 피해량

2050년 및 2100년의 이상기온에 따른 WCM의 피해량은 각각 –243~–133 및 –1,797~–245 kg/ha 범위였다(Table 2). 이상기온에 따른 DMY는 2050 및 2100년는 모두 증가하는 것으로 나타났 으며, 가장 많이 증가하는 지점은 2050년과 2100년 각각 충주와 해남으로 나타났다. 이상기온으로 인해서 기온이 증가함에 따라 WCM의 피해량이 발생하지 않고 DMY가 증가하는 것으로 나타 났다. 또한 이상기상에 따른 최대 피해량은 이상기온 2050년도의 진도군으로 1,447 kg/ha 이었다. 이 피해량의 비율은 진도군의 DMY_normal (15,069 kg/ha)의 8.4 %에 해당하였으며, 이는 WMO 와 RCP와 같은 이상기상 시나리오를 고려한 Kim et al. (2023), Kim et al. (2022) 및 Jo et al. (2021)의 연구와 비교하였을 때 높은 수준의 피해량이 산출되었다.

한편 2050년 및 2100년의 이상강수량에 따른 WCM의 피해량 은 각각 –2,998~1,447 및 –11,308~29 kg/ha 범위였다(Table 3). 이상강수량은 2050년에서 모두 WCM의 DMY 대부분의 지역에 서 감소하는 것으로 나타났으나 2100년에는 속초를 제외하고는 모두 피해량은 없이 DMY가 증가하는 것으로 나타났다.

이상에서 WCM의 이상 기온과 강수량에 따른 피해량은 기온 에서는 없는 것으로 나타났으며, 강수량에서는 WCM은 2050년 에는 대부분 DMY가 감소하는 것으로 나타났으나, 2100년에는 DMY가 증가하는 경향을 보였다.

3. RCP 8.5 시나리오에 따른 WCM의 피해량 전자지도

WCM의 DMY_normal과 RCP 8.5 시나리오를 적용한 WCM의 이상기상에 따른 피해량 전자지도는 각각 Fig. 1과 Fig. 2 에 제 시하였다. 각 지역의 기상요인별 WCM의 피해량은 DMY_normal에 대한 비율로 환산한 결과 WCM 피해량의 비율은 –67.8~8.4%의 범위에 있었다.

RCP8.5 시나리오에서 2050년의 이상기온 및 이상강수량에 따 른 피해량의 비율은 –1.4~-0.8% 및 –17.8~8.4%로 이상기온에서 는 산술적으로 발생하지 않았으며 이상강수량에서는 산술적으로 발생하거나 발생하지 않는 변동이 있었다.

2100년의 이상기온 및 이상강수량에 따른 피해량은 각각 –10.8~–1.4% 및 –67.8 ~0.2% 로 2050년과 마찬가지로 이상기온에 서는 산술적으로 발생하지 않았으며 이상강수량에서는 산술적 으로 발생하거나 발생하지 않는 변동이 있었다. 장흥(–11,308㎏/ ㏊)에서 2100년의 강수량에 따른 피해량은 발생 없이 다른 시군 보다 DMY가 오히려 증가하였다.

이상에서, 본 연구에서 DeepCrossing 기반의 수량예측모델로 산정한 RCP 8.5 시나리오에 따른 WCM의 최대 피해량은 정읍 의 1,447 kg/ha(8.4%, 2050년도 이상강수량) 이었다. 또한 이상 기온으로 기온이 증가함에 따라서 사일리지용 옥수수의 DMY는 증가하는 것으로 나타났다. 또한 WCM의 피해량은 ASOS의 기 상데이터가 있는 행정구역을 전자지도로 제시하였다. 추후 연구 는 기계학습모델로 구축한 수량예측모델은 한정된 지역을 고려하 였으며 이상기상 시나리오 자료 부족한 문제가 있었다. 이로 인해 모델의 R²과 RMSE이 낮았는데, 이를 개선하기 위해서 추가적인 변수 또는 다양한 이상기상 주기와 강도자료를 추가한 연구가 필 요한 것으로 생각된다. 뿐만 아니라 단순히 온실가스 농도로 구분 한 RCP 시나리오를 이용하여 수행하였다. 그러나 추가적으로 단 순히 온실가스의 농도뿐만 아닌 인구 성장, 경제발전, 토지 이용, 기술 발전, 정책 등의 사회경제적요인을 고려한 이상기상 시나리 오인 SSP (Shared Socioeconomic Pathways)시나리오를 고려한 연구가 필요한 것으로 사료되었다.

Ⅳ. 요약

본 연구는 기계학습을 기반으로 제작한 수량예측모델을 이용 하여 RCP 8.5 시나리오에 따른 사일리지용 옥수수(WCM)의 피 해량 산정 및 전자지도를 작성할 목적으로 수행하였다. WCM 데 이터는 수입적응성 시험보고서(n=1,219), 국립축산과학원 시험연 구보고서(n=1,294), 한국축산학회지(n=8), 한국초지조사료학회지 (n=707) 및 학위논문(n=4)에서 총 3,232점을 수집하였으며, 기상 데이터는 기상청의 기상자료개방포털에서 수집하였다. 본 연구에 서 이상기상에 따른 WCM의 피해량은 RCP 8.5 시나리오에 따 른 월평균기온 및 강수량을 시간단위로 환산하여 준용하여 산정 하였다. 정상기상에서 DMY 예측값은 13,845~19,347 kg/ha 범 위로 나타났다. 이상기상에 따른 피해량은 이상기온 2050 및 2100년 각각 –243~–133 및 –1,797~–245 kg/ha, 이상강수량 2050 및 2100년 각각 –2,998~1,447 및 –11,308~29 kg/ha였다. 월평균 기온이 증가함에 따라서 WCM의 DMY는 증가하는 경향으로 나 타났다. RCP 8.5 시나리오를 통해 산정한 WCM의 피해량은 QGIS를 이용하여 전자지도로 제시하였다. 본 연구는 온실가스 농도만 고려한 기후변화 시나리오인 RCP 시나리오를 이용하였 으나, 추가 연구는 사회경제적요인도 고려한 SSP 시나리오를 이 용한 연구를 수행할 필요가 있다.