A Comparative Evaluation of Multiple Meteorological Datasets for the Rice Yield Prediction at the County Level in South Korea

우리나라 시군단위 벼 수확량 예측을 위한 다종 기상자료의 비교평가

Abstract

Because the growth of paddy rice is affected by meteorological factors, the selection of appropriate meteorological variables is essential to build a rice yield prediction model. This paper examines the suitability of multiple meteorological datasets for the rice yield modeling in South Korea, 1996-2019, and a hindcast experiment for rice yield using a machine learning method by considering the nonlinear relationships between meteorological variables and the rice yield. In addition to the ASOS in-situ observations, we used CRU-JRA ver. 2.1 and ERA5 reanalysis. From the multiple meteorological datasets, we extracted the four common variables (air temperature, relative humidity, solar radiation, and precipitation) and analyzed the characteristics of each data and the associations with rice yields. CRU-JRA ver. 2.1 showed an overall agreement with the other datasets. While relative humidity had a rare relationship with rice yields, solar radiation showed a somewhat high correlation with rice yields. Using the air temperature, solar radiation, and precipitation of July, August, and September, we built a random forest model for the hindcast experiments of rice yields. The model with CRU-JRA ver. 2.1 showed the best performance with a correlation coefficient of 0.772. The solar radiation in the prediction model had the most significant importance among the variables, which is in accordance with the generic agricultural knowledge. This paper has an implication for selecting from multiple meteorological datasets for rice yield modeling.

노지에서 재배되는 벼는 필연적으로 기상요소의 영향을 받을 수밖에 없으며, 벼 생장에 영향을 미치는 최적의 기상자료 확보 및 변수 선정은 벼 수확량 예측 모델링에 있어 매우 중요하다. 본 연구에서는 1996-2019년의 7월, 8월, 9월에 대하여, 다종의 기상자료 비교평가를 통해 우리나라 벼 수확량 모델링에 대한 적합성을 살펴보고, 기상요소와 벼 수확량 사이의 비선형적인 관계를 고려하여 기계학습 기법을 이용한 수확량 하인드캐스트 실험을 수행하고자 한다. 다종의 기상자료로는, 기상청 ASOS 지상관측과 함께, CRU-JRA ver. 2.1, ERA5 재분석장을 사용하였다. 이들 기상자료에서 공통적으로 도출할 수 있는 월 단위 기온, 상대습도, 일사량, 강수량 변수에 대한 비교를 통하여, 각 자료의 특성 및 벼 수확량과의 연관성을 분석하였다. CRU-JRA ver. 2.1 재분석장은 전반적으로 타 자료와 높은 일치성을 나타냈으며, 변수별 특징을 보았을 때, 상대습도는 벼 수확량에 미치는 영향이 거의 없었으나, 일사량은 벼 수확량과의 상관성이 상당히 높은 것으로 나타났다. 7월, 8월, 9월의 기온, 일사량, 강수량을 랜덤 포리스트 모델에 투입하여 벼 수확량 하인드캐스트 실험을 수행한 결과, CRU-JRA ver. 2.1 재분석장은 세 종류 기상자료 중에 가장 높은 정확도를 나타냈다(CC = 0.772). 또한 예측 모델에서 변수의 중요도는 일사량이 가장 높게 나타나, 기존의 농학적 연구결과와 일치하였다. 본 연구는 벼 수확량 예측을 위한 다종 기상자료의 선택에 있어 하나의 합리적 방법을 제시한 것으로써 의미가 있다고 하겠다.

1. 서론

지구온난화가 심각해지면서 기후변화는 전지구적인 문제로 대두되고 있다. 인간 활동으로 인한 기후변화의 위험을 평가하는 IPCC(Intergovernmental Panel on Climate Change) 5차 보고는 21세기에 걸쳐 지구의 온도가 계속 상승할 것으로 전망하고 있는데(IPCC, 2014), 만약 기온이 2°C 이상 상승한다면 주요 농업지대의 밀, 쌀, 옥수수 수확량이 감소하고, 4°C 이상 상승한다면 전 세계 식량안보를 위협할 우려가 있다(Ingram et al., 2008; Hisas, 2011). 국내외의 연구들은 기온 상승이 작물 생산에 긍정적인 영향을 미치지 않음을 보여주고 있다 (Abraha et al., 2006; Gbetibouo et al., 2005; Lee et al., 2012; Lobell et al., 2007; Ortiz et al., 2008; Ray et al., 2015; Shim et al., 2010; Wang et al., 2009; Zhao et al., 2017). 벼의 경우, 대기 중의 이산화탄소 농도가 증가하고 기온이 상승함에 따라, 더 생산성이 높은 품종을 재배하거나(Lee et al., 2008), 파종 시기를 변경하는 등 적응력 향상을 위한 노력을 기울이고 있지만(Krishnan et al., 2007), 이상기후의 발생 빈도와 강도의 증가로 인해, 벼의 생물학적 잠재력은 한계에 도달할 수 있다(Seo et al., 2020). 최근 우리나라의 경우에도 1980년대 초에 비해 기온이 약 1.26°C 상승하였다(Seo et al., 2020). 이러한 기후환경 및 농작 업 변화로 인하여 벼 생산 예측의 불확실성이 증가함에 따라, 기존의 작물생육 모델링 또는 선형회귀 기반의 추정이 아니라, 우리나라의 벼 수확량을 보다 합리적으로 분석 및 예측할 수 있는 기술이 필요하다.

작물생산에 영향을 미치는 대표적인 기후 요인은 기온, 수문학적 주기, 대류권 오존 등이 있다(Lobell et al., 2012). 기온은 작물에 직접적인 영향을 주는 요인으로서(Went, 1953), 기온이 적정 생육온도보다 높아질수록 광합성과 호흡에 부정적인 영향을 미치고, 작물이 받는 스트레스를 증가시킨다(Waraich et al., 2012). 생육온도 상승은 증발산량 및 물 소비량을 증가시키고, 또한 생육 기간을 단축시켜 작물의 수확량 감소를 초래할 수 있다 (Chung et al., 2010; Lee et al., 2011; Siebert et al., 2014). 수문 학적 주기 측면에서도, 농업 가뭄 발생률이 높아지면 농작물 스트레스가 증가하고(Venuprasad et al., 2007), 강우량이 급격하게 증가하면 홍수와 범람에 의해 농작물 생산에 피해를 줄 수 있다(Myeong et al., 2018). 기후변화의 영향으로 더욱 증가하는 대기오염 물질이 햇빛과 반응 하여 대류권 오존을 형성할 경우, 작물들의 광합성 조직을 산화 및 손상시킬 수 있고, 식물이 광합성에 필요한 일사량을 감소시킬 수 있다(Ashmore et al., 2005). 이러한 기후 및 환경 요인들이 작물 생장에 어떤 영향을 미치는지 정성적 및 정량적으로 파악하는 것은 작물 모델 링에 있어 매우 중요하다.

노지에서 재배되는 벼는 필연적으로 기상요소의 영향을 받을 수밖에 없기 때문에(Chang et al., 2015), 기상 자료를 활용한 벼 작황 연구들이 다수 진행되어 왔다. Kim et al. (2017)은 전국의 종관기상관측소(Automated Surface Observing System, ASOS) 자료를 사용하여 벼 작황에 유리한 기상학적 조건과 발생 확률을 살펴보았으며, Ahn et al. (2010) 은NCEP/NCAR(NationalCentersfor Environmental Prediction/National Center for Atmospheric Research) 재분석 자료를 기상예보모델 WRF(Weather Research and Forecast Model)에 투입하고, 역학적 규모 축소와 통계적 보정을 통해 작물 온도의 출현초일, 벼 이앙기의 저온출현율 등 농업기후지수를 재생산하였다. 이러한 선행연구들은 대부분, 한 종류의 기상관측자료 또는 한 종류의 재분석장을 사용하였으며, 벼 생장 및 수확과 관련하여 다종의 기상자료를 비교 평가한 사례는 거의 찾아보기 힘들다.

벼의 생장단계는 품종과 지역에 따라 조금씩 다르지만, 남한에서는 주요 생장 단계인 신장기, 출수기, 등숙기가 대략 7월부터 9월까지에 해당한다. 본 연구에서는 1996-2019년의 7월, 8월, 9월에 대하여 다종의 기상자료 비교평가를 통해서 우리나라 벼 수확량 모델링에 대한 적합성을 살펴보고, 기상요소와 벼 수확량 사이의 비선형적인 관계를 고려하여(Kim et al., 2019) 기계학습 기법을 이용한 하인드캐스트(hindcast) 실험을 수행하고자 한다. 다종의 기상자료로는, 기상청 ASOS 지상관측 자료와 함께, CRU-JRA(Climatic Research Unit – Japanese Reanalysis) ver. 2.1 및 ERA5(ECMWF Reanalysis 5) 단일면 월간 합성자료(monthly averaged data on single levels)를 사용하였다. 이들 기상자료에서 공통적으로 도출할 수 있는 월 단위 기온, 상대습도, 일사량, 강수량 변수에 대한 비교를 통하여 각 자료의 특성 및 벼 수확량과의 연관성을 분석하였다. 또한, 다종의 기상자료를 활용한 벼 수확량 예측 모델의 정확도를 비교 평가하였다.

2. 자료와 방법

1) 연구 시기 및 지역

벼의 생장기는 잎, 줄기, 뿌리의 영양기관이 형성되고 자라는 영양생장기와, 벼의 낟알이 생겨나고 익어가는 생식생장기로 구성된다. 또한 생식생장기는 신장기, 출수기, 등숙기로 나뉘는데, 신장기는 어린 이삭이 분화하여(유수 형성기) 이삭이 패기 직전까지의 시기이고 (수잉기), 이를 거쳐 벼 낟알이 추출되고 벼꽃이 피는 출수기, 낟알이 무르익어 완성되는 등숙기로 이루어진다. 벼 수확량의 4대 요소(이삭 수, 이삭당 립수, 등숙 비율, 낟알무게)에 대해 기상 변수가 영향을 미치는 시기를 고려하여(Statistical Research Institute, 2011; Cock and Yoshida, 1972) 연구 시기는 7월, 8월, 9월로 설정하였으며, 연구자료가 가용한 1996-2019년(24년간)을 대상으로 하였다. 남한 163개 시군 중에서 벼농사가 활발한 지역을 선정하기 위하여, 최근의 벼 수확량 평균이 연간 7 ton/ha 이상인 상위 49개 시군에 대해서 기상자료와 벼 수확량 통계치의 데이터베이스를 구축하였다(Fig. 1).

Fig. 1. Major 49 counties forrice production in SouthKorea.

2) 사용 자료

우리나라 시군별 벼 생산량 자료는 국가통계포털 (Korean Statistical Information Service; KOSIS)에서 행정 구역별, 연도별로 제공하고 있다. 선정된 49개 시군에 대하여 1996-2019년의 벼 생산량(ton)과 재배면적(ha)을 수집하여 단위면적당 벼 수확량(ton/ha)으로 환산해서 사용하였다.

벼는 일반적으로 여름철에 습윤하고 가을철에 건조한 환경에서 잘 자라며(Zhang et al., 2017), 또한 태양광은 벼의 광합성과 형태 발생에 영향을 미치는 기상요소 이다(Hong et al., 2012). 벼는 논에 담수를 하여 재배되므로, 가뭄에 의한 용수 부족이나 집중호우에 따른 침관수 등의 피해를 입을 수 있지만(Seo et al., 2020), 우리나라에서는 대부분 저수지와 농업용수를 사용하기 때문에, 강수량은 일정 정도 이상만 확보되면 직접적으로 벼 수확량에 영향을 미치지 않은 것으로 알려져 있다. 따라서, 1996-2019년의 ASOS 기상관측자료와 CRU-JRA ver. 2.1 및 ERA5 재분석장으로부터 공통적으로 도출할 수 있는 기온(K), 상대습도(%), 일사량(MJ/m2), 강수량(mm) 변수를 시군별로 집계하였다(Table 1).

Table 1. Monthly meteorological variables for county-level matchup DB

기상청의 ASOS는 102개 유인관측소에서 자동 및 수동 관측을 통해, 기압, 기온, 습도, 풍향, 풍속, 강수량, 일사량, 일조량, 지면온도, 초상온도, 지중온도 등을 측정한다. 또한 방재 기상관측이라고 불리는 AWS(Automatic Weather Station)는 측정, 연산, 저장 등의 전 과정을 자동으로 처리하며 기압, 기온, 습도, 풍향, 풍속, 강수량 등의 관측을 510개 무인 관측소에서 수행한다. 본 연구에서는 기상청의 공식적인 자료에 해당하는 ASOS 관측치로부터 기온(°C), 상대습도(%), 일사량(MJ/m2), 강수량(mm)을 월 단위로 집계하였다.

CRU-JRAver. 2.1은 영국 UEA(University ofEastAnglia) 의 CRU(Climatic Research Unit) 재분석 장과 일본 기상청 (Japanese Meteorological Agency, JMA)의 재분석장 (Japanese Reanalysis, JRA)을 앙상블한 전 지구 6시간 단위의 0.5° 격자 자료로서, 이 중 기온(K), 비습(kg/kg), 기압 (Pa), 일사량(J/m2), 강수량(mm)을 월 단위로 집계하여 사용하였으며, 상대습도(%)는 기온, 비습, 기압을 통해 계산하였다. ERA5는 유럽중기예보센터(European Centre for Medium-Range Weather Forecasts, ECMWF)의 통합예측시스템(Integrated Forecast System, IFS)을 적용하여 생산되는 0.25° 격자 자료이며, 이 중 월간 합성장으로부터 기온(K), 이슬점(K), 일사량(J/m2), 강수량(m)을 추출하여 사용하였고, 상대습도(%)는 기온과 이슬점을 통해 계산하였다.

3) 분석 방법

CRU-JRA 재분석장에서 상대습도를 산출하기 위하여 식 (1) 을 통해 비습(q)과 기압(P)으로부터 증기압(e)을 구하고, August-Roche-Magnus 공식을 이용하여 기온(T)으로부터 포화증기압(e(T))을 계산한 뒤에(식 (2)), 식 (3)을 이용하여 증기압(e)과 포화증기압(e(T))으로부터 상대 습도를 구하였다.

\(\mathrm{e} \simeq \frac{q \times P}{0.622}\)       (1)

\(e(T)=6.1094 \times \exp \left(\frac{17.625 T}{T+243.04}\right)\)       (2)

\(R H=\frac{e}{e(T)} \times 100\)       (3)

ERA5 재분석장에서는 월평균으로 제공되는 기온(T)과 이슬점 온도(T_d)를 사용하여 Magnus 공식으로부터 상대습도를 구하였다(식 (4)).

\(\mathrm{RH}=100-5\left(T-T_{d}\right)\)       (4)

1996-2019년의 7월, 8월, 9월 기상변수는 49개 시군의 폴리곤을 기준으로 집계하였다. 이때, ASOS 관측치는 경위도를 기준으로 시군단위 폴리곤 중앙점과 가장 근접한 지점의 기온, 상대습도, 일사량, 강수량을 각 폴리곤에 할당하였다(Fig. 2 and 3). 래스터 자료인 CRU-JRA 와 ERA5에 대해서는, 구역연산(zonal operation)을 수행하여 폴리곤과 중첩되는 화소 면적에 따라 가중평균을 산출하여 각 폴리곤에 할당하였다. 그 결과, 시군별로 3가지 기상자료의 7월 평균기온, 8월 평균기온, 9월 평균기온, 7월 상대습도, 8월 상대습도, 9월 상대습도, 7월 일사량, 8월 일사량, 9월 일사량, 7월 강수량, 8월 강수량, 9월 강수량, 그리고 그해의 벼 수확량을 추가하여 매치업 DB가 구성되었고, ASOS, CRU-JRA, ERA5 기상자료 간의 상관관계를 분석하였다. 또한, 기상자료와 벼 수확량 간의 상관성을 분석하였는데, 이때 그 상관성이 논 점유율이나 논의 지표면 고도에 따라 다른 양상을 나타내는지 살펴보기 위하여, 환경부 중분류 토지 피복도와 ALOS(Advanced Land Observing Satellite) DSM(Digital Surface Model)으로부터 시군별 논 점유율 및 논 픽셀의 고도를 구하여 활용하였다.

Fig. 2. Location of ASOS points for temperature, relative humidity, and precipitation variables.

Fig. 3. Location of ASOS points for solar radiation variables.

이러한 기상요소의 상관성 분석을 토대로, 벼 수확량의 하인드캐스트 실험을 수행하였다. 기상요소와 벼 수확량은 선형적 관계가 아닌, 복잡한 비선형적 관계를 가지기 때문에 기계학습 기법인 랜덤 포리스트(Random Forest, RF) 모델을 구성하여 10폴드 방식의 교차검증을 수행하였다. 랜덤 포리스트는 다수의 디시즌 트리 (decision tree)를 발생시킨 후 이를 앙상블하는 기법으로서, 디시즌 트리 생성 시에 샘플링 분포의 적합성에 따라 리샘플링을 수행하는 부트스트랩(bootstrap) 과정, 그리고 부트스트랩 결과를 집계하는 배깅(bagging) 과정을 거치는 방식이다(Breiman, 2001). 랜덤 포리스트 모델의 초 매개변수에 대한 반복실험을 통해, 트리 개수는 50으로, 분기에 사용하는 변수 개수는 3/n으로 설정하여 (n은 변수의 총 개수) 최적 모델을 구성하였고, 10폴드 교차검증의 정확도 평가에는 MBE(mean bias error), MAE (mean absolute error), RMSE(root mean square error), CC(correlation coefficient) 측도를 사용하였다. 또한 예측 모델에 기여하는 변수의 중요도는 PFI(Permutation Feature Importance)로 나타냈는데, 이는 만약 어떤 변수가 제외된다면 모델 정확도가 얼마나 하락할지를 기준으로 그 변수의 중요도를 나타내는 방법이며, 가장 일반적으로 사용된다.

3. 결과 및 토의

1) 기상자료 간의 상관성

Fig. 4와 5는 1996-2019년 우리나라 49개 시군의 7월 평균기온, 8월 평균기온, 9월 평균기온, 7월 상대습도, 8월 상대습도, 9월 상대습도, 7월 강수량, 8월 강수량, 9월 강수량, 7월 일사량, 8월 일사량, 9월 일사량 변수의 ASOS, CRU-JRA, ERA5 기상자료별 상관관계를 구하여 매트릭스로 나타낸 것이다. 7월 기온, 8월 기온, 9월 기온과 7월 강수량, 8월 강수량, 9월 강수량은 ASOS, CRUJRA, ERA5 간의 상관계수가 약 0.7 이상의 높은 상관성을 보였다. 상대습도는 CRU-JRA와 ERA5 간의 상관성이 비교적 높게 나타났고, 일사량에 있어서는, ASOS와 CRU-JRA 간의 상관성이 높았던 반면, ERA5는 타 자료와의 상관성이 매우 낮게 나타났다.

Fig. 4. Correlation matrix for the temperature and relative humidity variables from July to September.

Fig. 5. Correlation matrix for the precipitation and solar radiation variables from July to September.

2) 기상변수와 벼 수확량 간의 상관성

우리나라에서 벼는 주로 낮은 고도의 평지에서 재배되기 때문에, 기상변수별 벼 수확량과의 상관관계를 지표면 고도에 따라 분석해 보았고(Fig. 6~9), 또한 벼 농사가 얼마나 활발한지에 따라 기상변수와 수확량 간의 상관성이 달라지는지 살펴보기 위하여, 논 점유율에 따라 지역을 구분하여 비교하였다(Fig. 10~13). 7월 기온의 경우, 벼 수확량과의 상관성이 8, 9월의 기온보다 상대적으로 높게 나타났다. 상대습도는 7, 8, 9월 모두 벼 수확량과의 상관성이 뚜렷하게 나타나지 않았으며, 일사량은 ERA5를 제외하고는 벼 수확량과 상당한 상관성을 보였다. 특히 CRU-JRA의 7, 8월 일사량의 상관성이 높게 나타났으나, ERA5 일사량은 24년 동안 값의 변화가 거의 없어 자료의 민감도가 좋지 않은 것으로 사료된다. 그리고, 강수량은 벼 수확량과 특별한 선형적 관계를 나타내지는 않는 것으로 보이는데, 이는 우리나라 논은 강수보다 주로 관개시설에 의해 물 공급이 이루어지기 때문이다.

Fig. 6. Correlations of rice yield vs. air temperature in July to September from ASOS, CRU-JRA, and ERA5 datasets (by the elevation of paddy field: high, middle, and low).

Fig. 7. Correlations of rice yield vs. relative humidity in July to September from ASOS, CRU-JRA, and ERA5 datasets (by the elevation of paddy field: high, middle, and low).

Fig. 8. Correlations of rice yield vs. solar radiation in July to September from ASOS, CRU-JRA, and ERA5 datasets (by the elevation of paddy field: high, middle, and low).

Fig. 9. Correlations of rice yield vs. precipitation in July to September from ASOS, CRU-JRA, and ERA5 datasets (by the elevation of paddy field: high, middle, and low).

Fig. 10. Correlations of rice yield vs. air temperature in July to September from ASOS, CRU-JRA, and ERA5 datasets (by the fraction of paddy field: high, middle, and low).

Fig. 11. Correlations of rice yield vs. relative humidity in July to September from ASOS, CRU-JRA, and ERA5 datasets (by the fraction of paddy field: high, middle, and low).

Fig. 12. Correlations of rice yield vs. solar radiation in July to September from ASOS, CRU-JRA, and ERA5 datasets (by the fraction of paddy field: high, middle, and low).

Fig. 13. Correlations of rice yield vs. precipitation in July to September from ASOS, CRU-JRA, and ERA5 datasets (by the fraction of paddy field: high, middle, and low).

우리나라 논은 주로 낮은 평지에서 위치하지만, 자료 분석 결과 지표면 고도 300 m 이상인 곳에도 논이 상당히 분포하는 것으로 파악되었다. 이에, 49개 시군단위 연구지역의 지표면 고도가 150 m 미만, 150~300 m, 그리고 300 m 이상인 경우를 low, middle, high로 분류하여, 지표면 고도에 따라 기상변수와 벼 수확량 관계의 양상이 다르게 나타나는지 살펴보았다. 공통적으로 ASOS, CRU-JRA, ERA5 자료에서 고도가 높을수록 기온이 낮아지는 특징을 보였지만, 고도에 따라 기상변수와 벼 수확량 간의 상관관계가 크게 달라지지는 않았다. 또한 논이 많이 분포하는 시군과 적게 분포하는 시군에 따라, 기상변수와 벼 수확량의 연관성이 다르게 나타나는지 살펴보기 위하여, 시군 면적에 대한 논 점유율에 따라 20% 미만, 20~40%, 그리고 40% 이상으로 나누어 low, middle, high로 분류하였다. 대체로 논 점유율이 낮은 지역일수록 벼 수확량이 낮은 값을 보이기는 했으나, 논 점유율에 따라 기상요소와 벼수확량의 상관관계가 크게 달라지지 않는다는 것을 알 수 있었다.

3) 기상자료를 이용한 벼 수확량의 예측 실험

기상변수와 벼 수확량 간의 상관성 분석을 통해 볼 때, 상대습도는 벼 수확에 큰 영향을 주지 않는 변수로 사료된다. 기온, 강수, 일사 등의 변수는 벼 수확량과의 일정 정도의 상관성을 나타냈으나, 특정변수가 독점적인 상관성을 가지지는 않는다. 따라서 기상변수를 이용한 벼 수확량 예측 실험에서, 보다 합리적인 모델링을 위해서는 종속변수에 영향을 미치는 복합적인 여러 독립변수가 필요하므로, 가능한 한 많은 변수로 랜덤 포리스트 모델을 구성하였다. ASOS, CRU-JRA는 상대습도를 제외하고 7, 8, 9월 기온, 일사량, 강수의 9개 변수로, ERA5의 경우에는 상대습도와 일사량을 제외하고 7, 8, 9월 기온, 강수의 6개 변수를 사용하였다. ASOS, CRU-JRA, ERA5 변수들을 사용하여 구성한 랜덤 포리스트 모델은, 10폴드 교차검증에서 상관계수 0.686~ 0.772의 양호한 예측 결과를 보였다(Table 2, Fig. 14). 그중에서도 CRU-JRA 재분석장을 사용한 모델이 가장 작은 오차(RMSE = 0.305 ton/ha)와 가장 높은 상관계수 (CC = 0.772)를 나타냈다. 하인드캐스트 모델에서 각 변수의 중요도는 PFI로 구하였는데, 7, 8, 9월 일사량이 모델 정확도에 가장 크게 기여하는 변수로 나타났다 (Table 3~5). ASOS를 사용한 모델과 CRU-JRA를 사용한 모델은 8월 일사량이 가장 중요한 변수였으며, 세 가지 모델은 공통적으로 8, 9월 기온 변수의 중요도가 가장 낮게 나타났다. 모내기 직후에는 기온이 중요한 변수일 수 있으나, 생식생장기에는 기온보다 일사량이 더욱 중요한 변수라는 것은 기존의 농학적 연구 결과들과 일치하는 점이다. 또한 농학적으로는 일사량과 더불어 일조 시간이 중요한 요소로 간주되기 때문에, 향후 연구에서 일조시간 데이터를 추가적으로 활용할 필요가 있을 것이다. Fig. 15~17은 최근 2017-2019년 시군별 벼 수확량 통계치와 ASOS, CRU-JRA, ERA5 기반 모델의 예측치를 지도화한 것이다.

Table 2. Validation statistics of the random forest model for the prediction of rice yield by meteorological data

Fig. 14. Observed and predicted rice yield by random forest model between 1996 and 2019 in Korea.

Table 3. Variable importance of the random forest model by ASOS observation

Table 4. Variable importance of the random forest model by CRU-JRA reanalysis

Table 5. Variable importance of the random forest model by ERA5 reanalysis

Fig. 15. Observed vs. predicted rice yields for the 49 major counties in South Korea, 2017.

Fig. 16. Observed vs. predicted rice yields for the 49 major counties in South Korea, 2018.

Fig. 17. Observed vs. predicted rice yields for the 49 major counties in South Korea, 2019.

4. 결론

본 연구에서는 1996-2019년의 ASOS 관측자료, CRUJRA 재분석장, ERA5 재분석장으로부터 벼의 생식 생장기에 해당하는 7, 8, 9월의 기온, 상대습도, 일사량, 강수량을 추출하여 비교분석하고, 이들 기상변수를 이용한 벼 수확량 예측 실험을 수행하였다. 자료 종류별 특징을 볼 때, CRU-JRA 재분석장은 전반적으로 타 자료와의 높은 일치성을 보였으며, ERA5 일사량은 타 자료와 상당히 다른 값을 나타냈다. 또한 변수별 특징을 살펴보면, 상대습도는 벼 수확량에 미치는 영향이 거의 없었으나, 일사량은 벼 수확량과의 상관성이 상당히 높은 것으로 나타났다. 7월, 8월, 9월의 기온, 일사량, 강수량을 랜덤 포리스트 모델에 투입하여 벼 수확량 하인드캐스트 실험을 수행한 결과, CRU-JRA 재분석장을 이용한 모델이 가장 정확도 높은 예측치를 생산하였으며, 이 모델에서는 7, 8, 9월의 일사량이 가장 변수 중요도가 큰 것으로 나타났다. ASOS는 지상관측이지만 포인트 자료이기 때문에 공간 연속 면을 커버하지 못하는 한계가 있고, CRU-JRA는 재분석장이지만 장기간의 격자형 기상자료로 남한지역에 유용하게 사용될 수 있음을 알 수 있다. CRU-JRA나 ERA5의 자료 동화에 ASOS 관측자료가 투입되기에 합리적인 재분석장 산출이 이루어지고 있는 것으로 사료되며, 특히 CRU-JRA는 우리나라 지역에 적합하여, 벼 수확량 예측에서 가장 높은 정확도를 나타낸 바, 향후의 모델링에 있어 활용도가 높을 것으로 기대된다. 보다 더 정확도 높은 벼 수확량 예측을 위해서는, 기상자료뿐만 아니라 위성 기반 식생지수가 반드시 예측 모델에 추가되어야 한다. 우리나라 벼 수확량 연구에서는 NDVI(Normalized Difference Vegetation Index)가 많이 활용되고 있지만(Kim et al., 2008; Hong et al., 2012; Na et al., 2014), 이종의 NDVI 자료에 대한 평가는 아직 부족한 상황이다. 이에, MODIS(Moderate Resolution Imaging Spectroradiometer), GIMMS(Global Inventory Modeling and Mapping Studies) 산출물 및 Landsat8으 로부터 계산한 NDVI 등에 대한 객관적인 비교평가를 거쳐, 최종적으로 기상변수 및 식생지수를 활용한 종합적인 벼 수확량 예측 모델이 수립되어야 할 것이다.