Ⅰ. 서 론
Ⅱ. 재료 및 방법
1. 연구 대상 지역
2. 연구 자료
3. 연구 방법
Ⅲ. 적용 및 결과
1. CNN 모델 학습 결과
2. 논벼 생산량 예측 모델 검증
3. 논벼 생산량 예측 모델 결과
4. YA 기반 논벼 생산량 감소 분석
Ⅳ. 결 론
Ⅰ. 서 론
최근 기후변화와 기상이변의 영향으로 가뭄의 발생 빈도와 강도가 증가하고 있으며 (Zhang and Zhou, 2015), 이는 농업, 생태계, 수자원 등 다양한 분야에 심각한 영향을 미치고 있다. 가뭄은 일반적으로 기상학적, 농업적, 수문학적, 사회경제적 가뭄의 네 가지 유형으로 구분되며 (Wilhite and Glantz, 1985), 이 중 농업적 가뭄은 토양수분 감소와 작물 생육 저하를 통해 수확량 감소로 직접적으로 이어진다는 점에서 중요한 의미를 가진다 (Wilhite et al., 2000). 최근에는 위성 기반 증발산 자료와 토양수분 정보를 활용하여 작물의 가뭄 위험도를 평가하는 등 원격탐사 기반 가뭄 모니터링 기술이 지속적으로 발전하고 있다 (Jeon et al., 2021). 또한 기후변화에 따른 온난화로 극심한 가뭄의 발생 빈도가 증가함에 따라 사회·경제·환경적 피해 규모 역시 확대되는 추세이다 (Wilhite et al., 2000). 특히 국내의 경우, Yoon et al. (2020)에 따르면 2000년 이전 20년 동안 6개년에 불과하던 가뭄 발생이 2000년 이후 20년 동안 12개년으로 증가하여 발생 빈도가 약 두 배 증가한 것으로 나타났다 (Yoon et al., 2020). 가뭄은 진행 속도가 느리고 장기적으로 영향을 미치는 특성을 가지므로, 발생 이전 단계에서 이를 감지하고 대응할 수 있는 체계적인 모니터링이 중요하다 (Lee et al., 2003). 따라서 가뭄의 시·공간적 변화를 효과적으로 파악하고 농업가뭄 피해를 정량적으로 추정할 수 있는 통합적 모니터링 및 분석 기법의 개발이 요구된다.
국내에서는 가뭄 감시 및 대응을 위한 다양한 시스템 개발 연구가 수행되어 왔으며, 토양수분지수를 기반으로 한 실시간 가뭄 모니터링 시스템이 제안된 바 있다 (Nam et al., 2012). 현재 우리나라의 대표적인 가뭄 모니터링 플랫폼으로는 수문기상 가뭄정보 시스템, 농업가뭄관리시스템, 국가가뭄정보포털 등이 있으며, 이러한 시스템들은 주로 지상관측 자료를 기반으로 행정구역 단위의 가뭄 정보를 제공하고 있다 (Lee et al., 2003; Jeong et al., 2017). 그러나 국내 가뭄 모니터링은 지상관측 자료와 공간보간 기법에 크게 의존하고 있어 몇 가지 제약이 존재한다. 지점 기반 자료를 활용한 내삽 결과는 공간 해상도 측면에서 한계가 있으며, 관측소가 부족한 지역에서는 실제 가뭄 상황을 정확하게 반영하기 어렵다. 또한 지점 관측 자료는 가뭄의 공간적 이질성과 국지적 특성을 충분히 반영하지 못하는 문제를 가진다 (Tadesse et al., 2010). 이러한 한계를 보완하기 위해 주기적이고 일관된 품질의 자료 획득이 가능한 위성영상을 활용한 가뭄 모니터링 연구의 필요성이 지속적으로 제기되고 있다 (Nam et al., 2018; Yoon et al., 2018; Lee et al., 2021).
위성영상은 광범위한 지역을 일관된 해상도로 관측할 수 있는 장점을 가지며, 이를 활용한 가뭄 모니터링 기술이 최근 주목받고 있다 (Kogan, 1995; Liu and Kogan, 1996; Zhao et al., 2022; Sur and Nam, 2023). 특히 Visible and Infrared Imaging Radiometer Suite (VIIRS)와 같은 다양한 위성 자료를 이용한 농업가뭄 모니터링 연구가 활발히 수행되면서 위성 기반 접근법의 활용 가능성이 점차 확대되고 있다 (Sur and Nam, 2023). 또한 Sentinel-2와 같은 고해상도 위성영상은 농경지의 작부체계 및 작물 유형 분류에 효과적으로 적용되고 있으며, 이를 기반으로 작물 생육 상태 분석과 농업환경 모니터링 연구가 활발히 이루어지고 있다 (Hong et al., 2022). 그러나 기존의 위성 기반 가뭄 모니터링 연구는 주로 가뭄 상태의 탐지와 평가에 집중되어 있어, 실제 농업 생산성 감소와 같은 정량적 피해와의 연계 분석은 여전히 제한적인 실정이다. 따라서 위성 기반 가뭄지수와 작물 생산량 간의 관계를 통합적으로 분석하고, 이를 활용하여 농업가뭄 피해를 정량적으로 추정할 수 있는 방법론의 개발이 필요하다.
현재 국내에서는 위성영상 기반 가뭄 모니터링 기술이 일부 연구를 통해 제시되고 있으나, 이를 활용한 체계적인 가뭄 판단 및 정량적 평가 기술은 아직 제한적인 수준에 머물러 있다. 위성영상은 주기적이고 일관된 품질의 자료를 제공할 수 있으며, 장기적인 시계열 변화 분석에 유리한 장점을 가진다. 또한 격자 기반의 공간정보를 제공함으로써 관측소가 부족한 지역을 포함한 미계측 지역에서도 가뭄 상황을 효과적으로 파악할 수 있다. 다양한 위성영상 자료가 가뭄 모니터링에 활용되어 왔으며, 특히 Moderate Resolution Imaging Spectroradiometer (MODIS), Landsat, Sentinel 등은 대표적으로 사용되는 위성 자료이다. 이러한 위성 자료를 기반으로 다양한 가뭄지수가 개발되었으며, 대표적으로 증발산 기반의 Evaporative Stress Index (ESI), 식생 및 기후·생물물리 정보를 결합한 Vegetation Drought Response Index (VegDRI), 그리고 강수 기반 위성자료인 Climate Hazards Group InfraRed Precipitation with Station data (CHIRPS) 등이 활용되고 있다.
최근에는 데이터로부터 복잡한 비선형 관계를 학습할 수 있는 딥러닝 기법이 기계학습 분야에서 주목받고 있다. Convolutional Neural Network (CNN)는 위성영상 기반 자료의 공간적 패턴을 효과적으로 학습할 수 있으며, 작물 생산량 예측 분야에서 유의미한 성과를 보이고 있다 (You et al., 2017; Mu et al., 2019; Kolipaka and Namburu, 2023; Park et al., 2023). 또한 다중 시계열 위성자료를 활용한 생산량 예측 연구가 활발히 이루어지고 있으며 (Park et al., 2022; Park et al., 2023), CNN과 Long Short-Term Memory (LSTM) 등 다양한 딥러닝 구조를 결합하여 시·공간적 작물 생육 변화를 반영하려는 연구도 진행되고 있다 (You et al., 2017; Kolipaka and Namburu, 2023). 그러나 기존 연구들은 위성 기반 가뭄 상태의 탐지 또는 작물 생산량 예측에 개별적으로 초점을 두고 있어, 가뭄 조건과 실제 생산 감소 간의 관계를 통합적으로 해석하는 접근은 여전히 부족한 실정이다.
다중 위성영상 자료와 딥러닝 기반 생산량 예측 기법을 결합하면, 가뭄 조건에서 나타나는 작물 생산성 변화를 공간적으로 파악하고 이를 농업가뭄 피해 추정의 정량적 참고자료로 활용할 수 있다. 특히 생산량 이상 분석은 기후 변동에 따른 작물 생산성 변화를 정량적으로 평가하는 데 활용되어 왔으며, 가뭄과 같은 기상재해가 실제 생산 감소로 이어질 수 있다는 점에서 농업가뭄 영향 해석에 유용한 접근으로 보고되고 있다 (Lobell et al., 2011; Ray et al., 2015; Lesk et al., 2016).
기존 연구에서는 특정 가뭄지수 또는 단일 변수에 기반한 분석이 주로 수행되어 왔으며, 이러한 접근은 가뭄의 복합적 영향과 농업 생산성 변화를 충분히 설명하는 데 한계를 가진다 (Nam et al., 2015a; Nam et al., 2015b; Mun et al., 2019). 최근에는 다양한 기상 변수와 원격탐사 기반 지수를 결합하여 작물 생산량 변동을 분석하려는 연구가 이루어지고 있으나 (Yoo et al., 2022), 가뭄 조건과 실제 생산 감소 간의 관계를 통합적으로 해석하는 연구는 여전히 제한적인 실정이다. 특히 원격탐사 기반 가뭄지수는 작물 생산량과 유의한 상관관계를 보일 수 있으며, 조기 예측 시점과 수확기 인접 시점에서 유효한 지표가 달라질 수 있음이 보고된 바 있다 (Khlif et al., 2023).
본 연구의 목적은 MODIS 기반 19개 위성 입력변수와 딥러닝 기반 생산량 예측 기법을 결합하여 시군구 단위 논벼 생산량 예측 가능성을 평가하고, 예측 논벼 생산량과 평년 논벼 생산량의 비교를 통해 논벼 생산량 감소를 정량화함으로써 농업가뭄 피해 추정을 위한 보완적 활용 가능성을 검토하는 데 있다. 특히 통계 기반 논벼 생산량 자료는 사후적으로 제공되는 반면, MODIS 위성자료는 광역 지역에 대해 일관된 시·공간 정보를 제공할 수 있으므로, 위성 기반 접근법은 논벼 생산량 감소의 공간적 분포를 보다 신속하고 일관되게 파악하기 위한 보완적 수단으로 활용될 수 있다.
Ⅱ. 재료 및 방법
1. 연구 대상 지역
본 연구의 공간적 분석 대상은 대한민국 시군구 행정구역이며, 최종적으로 167개 시군구를 대상으로 분석을 수행하였다. 모델 학습에는 2001–2020년 자료를 사용하였고, 예측 및 검증에는 2021–2023년 자료를 활용하였다. 분석 대상 시군구는 행정구역 체계의 일관성과 통계자료의 활용 가능성을 기준으로 선정하였으며, 분석 기간 동안 행정구역 정합성 확보가 어려운 지역과 결측치가 존재하는 지역은 제외하였다.
본 연구에서는 가뭄 피해의 공간적 분포 특성을 종합적으로 반영하기 위해 대상 지역을 국내 전역으로 설정하였다. 가뭄은 기후 조건과 수문·농업 환경의 상호작용에 따라 광역적으로 영향을 미치는 재해로, 일부 지역에 국한된 분석만으로는 공간적 이질성과 영향을 충분히 설명하기 어렵다. 따라서 전국 단위 분석을 통해 가뭄 피해의 공간적 변동성을 포괄적으로 평가하고자 하였다.
분석 단위를 시군구로 설정한 이유는 농업 통계자료의 제공 체계와 가뭄 피해의 행정적 관리 단위를 함께 고려하였기 때문이다. 국내 농업 생산량 통계는 시군구 단위로 집계·제공되며, 가뭄 피해에 대한 행정적 대응 역시 동일한 단위를 기준으로 이루어진다. 특히 국가통계포털(Korean Statistical Information Service, KOSIS)에서 제공하는 논벼 생산량 자료는 동일한 공간 단위를 가지므로, 위성영상 기반 분석 결과와의 공간적 연계 및 정량적 검증이 가능하다.
2. 연구 자료
가. 논벼 생산량 자료
본 연구에서는 위성영상 기반 논벼 생산량 예측 모델의 학습 및 검증을 위한 기준자료로 시군구 단위 논벼 생산량 통계자료를 사용하였다. 논벼 생산량 자료는 국가통계포털(Korean Statistical Information Service, KOSIS)에서 제공하는 시군구별 논벼 생산량 통계를 기반으로 구축하였으며, 이를 행정구역 단위의 공간자료로 변환하여 위성영상 기반 입력자료와 연계하였다.
논벼 생산량 자료는 연도별로 구축하였으며, 분석 기간 동안 동일한 행정구역 체계를 유지하여 자료 간 공간적 정합성을 확보하였다. 또한 행정구역 개편 및 명칭 변경에 따른 불일치를 최소화하기 위해 분석 기간 동안 지속적으로 유지된 시군구를 중심으로 자료를 선별하였고, 행정구역 정합성 확보가 어려운 지역과 결측치가 존재하는 지역은 최종 분석 대상에서 제외하였다. 구축된 논벼 생산량 자료는 CNN 기반 논벼 생산량 예측 모델의 학습 및 검증을 위한 기준값으로 사용되었으며, 모델 예측 결과와 실제 논벼 생산량 통계 간 비교를 통해 예측 성능을 평가하였다.
나. 위성영상 자료
본 연구에서는 농업가뭄 피해 추정을 위한 입력자료로 다양한 위성영상 자료와 공간정보를 활용하였다. 특히 위성자료로는 장기 시계열 분석에 적합한 Moderate Resolution Imaging Spectroradiometer (MODIS) 자료를 선정하였다. MODIS는 NASA의 지구관측시스템(Earth Observing System, EOS) 프로그램의 일환으로 발사된 Terra (EOS AM-1) 및 Aqua (EOS PM-1) 위성에 탑재된 센서로, 전 지구 규모의 환경 변화를 관측하기 위해 설계되었다 (Park et al., 2013). MODIS는 넓은 관측 폭과 짧은 재방문 주기를 바탕으로 전 지구에 대해 일관된 시계열 자료를 제공한다. 이러한 특성은 광역적으로 발생하는 가뭄 현상이 작물 생육 조건 및 생산성에 미치는 영향을 장기간에 걸쳐 분석하는 데 유리하다. 또한 MODIS는 식생 생육 상태, 지표 온도, 수분 및 에너지 교환, 식생 생산성 등 작물 생산량과 밀접하게 연관된 다양한 생물물리학적 변수를 동시에 제공함으로써 농업가뭄 분석에 적합한 자료로 활용된다 (Mu et al., 2019).
MODIS는 250 m, 500 m, 1 km 등 다양한 공간해상도를 제공하며, 일 단위 관측을 기반으로 8일 및 16일 합성 자료를 제공한다. 이러한 시공간 해상도는 장기간에 걸친 가뭄이 작물 생육 및 생산량에 미치는 영향을 분석하는 데 적합하며, 특히 점진적으로 진행되는 가뭄 특성을 반영한 농업가뭄 평가에 효과적으로 활용될 수 있다.
본 연구에서는 MODIS 위성영상 자료로부터 작물 생육 상태, 지표 온도, 수분 및 에너지 교환, 그리고 식생 생산성을 반영하는 총 19개의 지수를 산정하여 분석에 활용하였다. 이러한 MODIS 기반 지수 및 생물물리 변수는 작물 생육 상태와 수분 스트레스, 생산성 변화를 평가하는 데 활용되어 왔으며, 위성 기반 농업가뭄 모니터링 및 작물 생산량 예측 연구에서도 주요 입력자료로 적용되어 왔다 (Park et al., 2013; Yoon et al., 2018; Mu et al., 2019; Liu et al., 2023). 이들 지수는 개별 변수의 단독 효과를 해석하기 위한 목적이 아니라, 가뭄으로 인한 작물 생육 조건 변화를 다양한 관점에서 통합적으로 반영하기 위한 입력 변수로 구성되었다. 활용된 지수들은 기능적 특성에 따라 여섯 개의 범주로 구분하였으며, 각 범주는 작물 생육과 생산량 변동에 영향을 미치는 주요 환경 요인을 대표하도록 구성하였다.
식생 생육 및 활력 특성을 반영하기 위해 Normalized Difference Vegetation Index (NDVI)와 Enhanced Vegetation Index (EVI)를 활용하였다. 이들 지수는 식생의 광합성 활성도와 전반적인 생육 상태를 나타내는 대표적인 지표로, 가뭄 시 수분 부족에 따른 식생 활력 저하를 효과적으로 반영한다. 또한 Leaf Area Index (LAI)와 Fraction of Photosynthetically Active Radiation (FPAR)을 활용하여 식생 구조 및 광합성 능력을 고려하였으며, 이는 작물의 엽면적과 광 이용 효율 변화를 반영하여 가뭄에 따른 생육 저하를 설명한다 (Liu et al., 2023).
지표의 열적 조건을 반영하기 위해 Land Surface Temperature (LST)를 활용하였다. LST는 가뭄 시 증발산 감소와 토양 및 식생 수분 부족으로 인한 지표 온도 상승을 반영하며, 작물 생육에 영향을 미치는 열 스트레스 조건을 간접적으로 나타낸다. 또한 지표면 반사도(Surface Reflectance)는 파장대별 반사 특성을 통해 토양 노출 증가, 식생 피복 감소, 수분 함량 변화 등 가뭄에 따른 지표 상태 변화를 반영하는 지표로 활용하였다.
수분 및 에너지 교환 특성을 반영하기 위해 증발산 및 에너지 플럭스 관련 지수를 포함하였다. 구체적으로 Evapotranspiration (ET), Potential Evapotranspiration (PET), Average Latent Heat Flux (LE), Average Potential Latent Heat Flux (PLE)를 활용하였다. ET는 실제 증발산량을 나타내며 가뭄 시 감소하는 경향을 보이고, PET는 기후 조건에서 가능한 최대 증발산량을 의미하여 ET와의 차이를 통해 수분 스트레스 수준을 간접적으로 평가할 수 있다. LE와 PLE는 증발 과정에서의 에너지 교환 특성을 반영하여 가뭄 시 수분 및 에너지 불균형 상태를 설명하는 데 활용된다.
작물 생산성을 직접적으로 반영하기 위해 Gross Primary Productivity (GPP)와 Net Photosynthesis (PsnNet)를 활용하였다. GPP는 식물이 광합성을 통해 생성한 총 유기물량을 나타내며, PsnNet는 순광합성량을 의미하여 실제 작물 생육 및 생산량과 밀접한 관련을 가진다. 이러한 생산성 지수는 생육, 수분, 열 환경 지수와 함께 통합적으로 활용되어 작물 생산량 변동을 설명하는 데 기여한다.
본 연구에서는 다양한 MODIS 기반 지수를 기능적으로 분류하여 체계적으로 적용함으로써, 가뭄 영향에 따른 작물 생산량 변화를 다중 공간정보 기반으로 종합적으로 분석하였다. 활용된 지수들은 센서 밴드 구성 및 산출 목적에 따라 서로 다른 MODIS 제품으로부터 산정되었으며, 각 지수의 상세 제원은 Table 1에 제시하였다. MODIS 위성영상 자료는 2001년부터 2023년까지의 장기 연속 시계열로 구축하였으며, NASA의 Land Processes Distributed Active Archive Center (LP DAAC)에서 수집하였다. 분석에는 최신 버전인 Collection 6.1 (v061) 자료를 적용하여 자료의 신뢰성과 일관성을 확보하였다.
Table 1.
Specifications of selected MODIS-derived variables and indices
| MODIS Data | Band | Temporal resolution (days) | Spatial resolution (m) | Scale Factor |
| MOD09A1 |
sur_refl_b01 (620-670 nm) | 8 | 500 | 0.0001 |
|
sur_refl_b02 (841-876 nm) | ||||
|
sur_refl_b03 (459-479 nm) | ||||
|
sur_refl_b04 (545-565 nm) | ||||
|
sur_refl_b05 (1230-1250 nm) | ||||
|
sur_refl_b06 (1628-1652 nm) | ||||
|
sur_refl_b07 (2105-2155 nm) | ||||
| MOD11A2 | LST Day | 8 | 1000 | 0.02 |
| LST Night | ||||
| MOD16A2GF | ET | 8 | 500 | 0.1 |
| PET | ||||
| LE | 10000 | |||
| PLE | ||||
| MOD17A2HGF | GPP | 8 | 500 | 0.0001 |
| PsnNet | ||||
| MOD13Q1 | NDVI | 16 | 250 | 0.0001 |
| EVI | ||||
| MOD15A2H | FPAR | 8 | 500 | 0.01 |
| LAI | 0.1 |
Note: LST, land surface temperature; ET, evapotranspiration; PET, potential evapotranspiration; LE, latent heat flux; PLE, potential latent heat flux; GPP, gross primary productivity; PsnNet, net photosynthesis; NDVI, normalized difference vegetation index; EVI, enhanced vegetation index; FPAR, fraction of photosynthetically active radiation; LAI, leaf area index.
3. 연구 방법
가. 연구 방법 개요
Fig. 1은 본 연구의 전체 분석 흐름을 나타낸다. 연구 절차는 위성영상 자료 수집, 전처리 및 입력자료 구축, CNN 기반 논벼 생산량 예측 모델 학습, 예측 결과 검증, 그리고 Yield Anomaly (YA) 기반 논벼 생산량 감소 분석 단계로 구성된다. MODIS 자료는 전처리 과정을 거쳐 모델 입력자료로 구축하였으며, 이를 기반으로 CNN 모델을 학습하였다. 이후 예측 결과를 실제 논벼 생산량 통계자료와 비교하여 모델 성능을 검증하고, YA 분석을 통해 평년 대비 논벼 생산량 감소를 정량적으로 평가하였다.
나. 데이터 전처리
본 연구에서는 MODIS 위성영상 자료를 이용하여 논벼 생산량 예측을 위한 입력자료를 구축하였으며, 입력자료는 서로 다른 MODIS 제품에서 제공되는 다중 지수로 구성하였다. MODIS 자료는 제품별로 공간해상도와 관측 주기가 상이하므로, 다중 지수를 통합적으로 적용하기 위해 공간적·시간적 정합 과정을 수행하였다.
동일 관측일에 대해 서로 다른 타일로 제공되는 영상은 날짜 단위로 mosaic 처리하였으며, 시군구 행정구역을 기준으로 분석 대상 영역만 추출하였다. 또한 각 지수의 원시값에 해당 scale factor를 적용하여 물리적 의미를 가지는 값으로 변환하였다. 공간해상도가 상이한 MODIS 자료는 분석의 일관성을 확보하기 위해 250 m 해상도로 통일하였다. 시간해상도의 경우 공통 분석 주기를 8일 간격으로 설정하였으며, 16일 주기의 MOD13Q1 자료는 인접 시점 간 평균값을 이용한 보간을 통해 8일 간격 시계열 자료로 변환하였다.
전처리된 위성영상 자료로부터 모델 학습을 위한 입력 특징을 생성하기 위해 히스토그램 기반 특징 추출 기법을 적용하였다. 각 시군구 단위에서 지수별 픽셀값 분포를 산정한 후 이를 일정 구간으로 구분하여 히스토그램 형태로 변환하였다. 본 연구에서는 히스토그램 구간 수를 46개로 설정하였으며, 총 19개의 위성영상 기반 지수를 입력변수로 사용하였다. 이에 따라 하나의 학습 샘플은 특정 연도와 시군구에 대해 지수별 픽셀 분포를 요약한 46 × 19 크기의 2차원 행렬로 구성된다. 최종적으로 생성된 히스토그램 기반 입력자료는 연도 및 시군구 식별 정보와 함께 구축되었으며, 지표면 반사도, 식생지수, 지표면 온도, 증발산 및 생산성 관련 지수를 포함한 총 19개의 변수를 반영한다. 이러한 입력자료는 CNN 기반 논벼 생산량 예측 모델 학습에 활용되었다.
다. 모델 학습 및 논벼 생산량 예측
Fig. 2는 본 연구에서 활용한 CNN 기반 논벼 생산량 예측 모델의 학습 절차를 나타낸다. 본 연구에서는 TensorFlow 환경의 Keras API를 기반으로 합성곱 신경망 (CNN) 모델을 구축하였다. 모델 입력자료는 전처리된 다중 지수 위성영상으로부터 생성된 46×19 크기의 히스토그램 행렬로 구성되며, 지수별 픽셀 값 분포를 bin 축을 따라 배열한 특징 행렬 형태로 정의하였다. 이러한 입력 특성을 고려하여 1차원 합성곱 (Conv1D) 구조를 적용하였다. 학습 샘플은 시군구 단위로 구성하였으며, 각 시군구에 대해 연도별 다중 지수 영상의 픽셀 값 분포를 46개 bin으로 구분하여 히스토그램 기반 특징을 생성하였다. 생성된 입력 특징은 연도 및 시·군·구 식별 정보를 포함하며, 실제 논벼 생산량 통계자료와 매칭하여 학습 데이터셋을 구축하였다. 최종적으로 입력 변수 (X), 목표 변수 (y), 그리고 지역 및 연도 식별자를 포함하는 통합 데이터 구조로 구성하여 모델 학습에 활용하였다. 논벼 생산량 값은 지역 간 규모 차이를 고려하여 Z-score 정규화를 적용하였으며, 예측 결과는 동일한 지역별 평균과 표준편차를 이용하여 원 단위로 역변환하였다. 또한 동일한 지역 및 연도에 대해 다수의 타일 기반 샘플이 존재하는 경우, 특정 샘플에 대한 학습 편향을 완화하기 위해 타일 수에 반비례하는 가중치를 학습 과정에 적용하였다.
모델 구조는 다층의 Conv1D 계층과 ReLU 활성화 함수를 이용하여 특징을 추출한 후, Global Average Pooling 계층을 통해 분포 정보를 집계하고, 완전연결 계층 (Dense layer)을 통해 논벼 생산량을 회귀 예측하도록 구성하였다. 또한 지역별 고유 특성을 반영하기 위해 시군구 정보를 임베딩 벡터로 변환하여 추가 입력변수로 사용하였으며, 이를 합성곱 기반 특징과 결합하여 최종 예측에 반영하였다.
모델 학습은 연도 기반 홀드아웃 (hold-out) 방식으로 수행하였으며, 특정 연도를 검증 자료로 분리하고 이전 기간의 자료를 학습 자료로 사용하여 일반화 성능을 평가하였다. 학습 과정에서는 Adam 옵티마이저를 사용하였고, 초기 학습률 (learning rate)은 1e−3으로 설정하였으며, Adam의 세부 매개변수는 별도로 조정하지 않고 Keras 기본값을 적용하였다. 또한 과적합 방지를 위해 Early stopping과 학습률 감소 기법을 적용하였다. Early stopping의 patience는 50으로 설정하였으며, 학습률 감소 비율은 0.5, 학습률 감소 patience는 30, 최소 학습률은 1e−6으로 설정하였다. 모델 학습은 batch size 128 및 epoch 400 조건에서 수행하였다.
학습 완료 후 검증 연도에 대한 예측값을 산출하고, Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), 결정계수 (R2) 등의 지표를 이용하여 모델 성능을 정량적으로 평가하였다. 최종적으로 학습된 모델을 기반으로 시군구 단위 논벼 생산량을 예측하고, 예측 결과와 실제 논벼 생산량 통계자료를 비교·분석하였다.
라. YA 기반 논벼 생산량 감소 분석
본 연구에서는 농업가뭄 영향과 관련된 논벼 생산량 감소를 정량적으로 평가하기 위해 Yield Anomaly (YA)를 활용한 평년 대비 논벼 생산량 손실 분석을 수행하였다. 일반적으로 농업가뭄은 토양수분 부족으로 인해 작물의 광합성과 생육을 저해하며, 이러한 생리적 스트레스는 최종적으로 작물 생산량 감소로 이어지는 것으로 보고되고 있다 (Farooq et al., 2009). 따라서 논벼 생산량 감소 분석은 농업가뭄 피해 추정을 위한 정량적 참고자료로 활용될 수 있으며, 선행연구에서도 가뭄과 극한고온이 실제 곡물 생산량 감소를 유발하는 것으로 보고된 바 있다 (Lesk et al., 2016).
YA는 특정 지역의 장기 평년 논벼 생산량과 해당 연도의 논벼 생산량을 비교하여 논벼 생산량 감소 정도를 정량적으로 나타내는 지표이다. 본 연구에서 평년 논벼 생산량은 2001–2020년 동안 각 시군구에서 관측된 논벼 생산량의 장기 평균값으로 정의하였다. 예측 논벼 생산량은 MODIS 기반 19개 입력변수를 이용하여 CNN 모델로 산정한 해당 연도의 시군구별 논벼 생산량을 의미한다. 즉, 평년 논벼 생산량은 지역별 기준 생산 수준을 나타내며, 예측 논벼 생산량은 위성영상 기반 모델을 통해 추정된 특정 연도의 생산 수준을 반영한다. 이러한 YA 분석은 장기적인 생산량 증가 추세를 제거함으로써 기후변화에 따른 작물 생산성 변화를 평가하는 데 널리 사용되어 왔다. 또한 기온, 강수 및 가뭄과 같은 기후 요인이 작물 생산성에 미치는 영향을 정량적으로 분석하기 위한 방법으로 활용되어 왔으며, 이를 기반으로 생산량 변동을 평가한 다양한 선행연구가 보고되었다 (Lobell et al., 2011; Ray et al., 2015). 이후 CNN 기반 논벼 생산량 예측 모델로 산정된 해당 연도의 예측 논벼 생산량과 평년 논벼 생산량을 비교하여 평년 대비 논벼 생산량 감소율을 산정하였으며, 이를 농업가뭄 피해 추정을 위한 정량적 참고지표로 활용하였다.
시군구 단위 논벼 생산량 감소율 는 평년 논벼 생산량 과 해당 연도의 모델 예측 논벼 생산량 의 차이를 활용하여 산정하였다. 평년 대비 논벼 생산량 감소가 발생한 경우를 농업가뭄 피해 추정과 관련된 논벼 생산량 감소가 나타난 것으로 해석하였으며, 논벼 생산량 감소율은 다음 식 (1)과 같이 산정하였다.
은 시군구 지역을 의미하며, 는 분석 대상 연도를 의미한다. 은 해당 시군구의 평년 논벼 생산량이며, 는 CNN 기반 논벼 생산량 예측 모델을 통해 산정된 해당 연도의 예측 논벼 생산량이다. 평년 논벼 생산량보다 높은 생산량이 예측된 경우에는 평년 대비 논벼 생산량 감소가 나타나지 않은 것으로 해석하여 감소율을 0으로 산정하였다.
시군구 단위 논벼 생산량 손실량은 평년 논벼 생산량과 예측 논벼 생산량의 차이를 활용하여 식 (2)와 같이 산정하였다.
는 시군구 단위 논벼 생산량 손실량 (t)을 의미하며, 이는 평년 대비 감소한 논벼 생산량을 실제 생산량 단위로 나타낸 것이다. 논벼 생산량 손실량을 활용하여 지역별 농업가뭄 피해 추정을 위한 생산량 감소 규모를 분석하였다.
시군구 단위 논벼 생산량 손실을 전국 단위로 집계하여 특정 연도에서 나타난 논벼 생산량 감소 규모를 분석하였다. 전국 단위 논벼 생산량 감소율은 모든 시군구에서 발생한 논벼 생산량 손실량을 전국 평년 논벼 생산량으로 나누어 식 (3)과 같이 산정하였다.
는 특정 연도 에서의 전국 단위 논벼 생산량 감소율을 의미하며, 은 시군구 지역을 의미한다. 본 수식을 통해 모든 시군구에서 발생한 논벼 생산량 손실량을 집계하여 전국 단위 논벼 생산량 감소율을 산정하였으며, 이를 농업가뭄 피해 추정의 공간적 규모를 해석하는 데 활용하였다.
Ⅲ. 적용 및 결과
1. CNN 모델 학습 결과
본 연구에서는 2001년부터 2020년까지의 위성영상 자료와 논벼 생산량 자료를 이용하여 CNN 모델을 구축하였다. 모델의 학습 성능은 RMSE, MAE, MAPE, R2, P-bias를 중심으로 평가하였으며, 이를 통해 예측 정확도와 편향 특성을 종합적으로 검토하였다. Table 2는 모델의 학습 성능을 요약한 결과이다.
Table 2.
Performance metrics of the CNN-based rice yield prediction model
|
RMSE (t) |
MAE (t) | MAPE (%) | R2 | P-bias (%) |
MRE (%) |
REAL RATIO |
| 10,111 | 4,863 | 23.9 | 0.987 | 6.8 | 23.8 | 0.74 |
Table 2의 결과를 종합하면, 본 연구의 CNN 모델은 시군구 단위 논벼 생산량의 공간적 변동성을 전반적으로 잘 재현하는 것으로 나타났다. 결정계수 (R2)는 0.987로 산정되었으며, 이는 지역 간 논벼 생산량 규모 차이와 공간적 분포 특성이 예측 결과에 효과적으로 반영되었음을 의미한다. 한편 MAPE와 MRE는 각각 23.9%와 23.8%로 나타났다. 일반적인 예측 정확도 평가에서 MAPE는 10% 이하일 경우 매우 높은 정확도, 10–20% 수준일 경우 양호한 정확도, 20–50% 수준일 경우 합리적인 수준의 예측 오차로 해석되는 기준이 제시된 바 있다 (Lewis, 1982). 이를 고려하면 본 연구의 MAPE는 20%를 초과하므로 매우 높은 정확도 수준으로 보기는 어렵지만, 시군구 단위 논벼 생산량의 공간적 분포를 비교하고 YA 기반 논벼 생산량 감소 분석에 활용하기 위한 보완적 예측자료로는 적용 가능한 수준으로 판단된다. 다만 MAPE와 MRE는 시군구별 논벼 생산량 규모 차이에 민감하게 영향을 받을 수 있다. 생산량 규모가 큰 지역에서는 절대 오차가 상대적으로 낮은 비율로 나타나는 반면, 생산량 규모가 작은 지역에서는 동일한 수준의 절대 오차라도 상대 오차가 크게 산정될 수 있다. 따라서 본 모델은 개별 소규모 생산지역의 절대 논벼 생산량을 정밀하게 예측하기보다는, 전국 단위 및 시군구 간 상대적 논벼 생산량 분포를 파악하고 이후 YA 기반 논벼 생산량 감소 분석에 활용하기 위한 보완적 예측 도구로 해석하는 것이 적절하다.
이러한 결과는 본 연구의 CNN 기반 논벼 생산량 예측 모델이 시군구 단위 논벼 생산성 변화를 안정적으로 반영하고 있음을 시사하며, 이후 YA 기반 농업가뭄 피해 추정 분석에 적용 가능한 수준의 예측 성능을 확보하였음을 보여준다. 또한 보조적으로 산정한 MRE와 REAL RATIO 역시 전반적인 예측 경향이 실제 논벼 생산량 수준과 크게 차이나지 않음을 나타냈다.
2. 논벼 생산량 예측 모델 검증
본 연구에서는 CNN 기반 논벼 생산량 예측 모델의 성능을 검증하기 위하여 2021년, 2022년, 2023년을 예측 연도로 설정하여 시군구 단위 실제 논벼 생산량과 예측 논벼 생산량을 비교하였다. 모델 학습에는 2001년부터 2020년까지의 시계열 자료를 활용하였으며, 검증 단계에서는 R2, RMSE, MAE, Normalized Root Mean Square Error (NRMSE), P-bias를 활용하여 연도별 예측 성능을 평가하였다. Table 3은 2021년부터 2023년까지의 연도별 예측 성능을 나타낸 것이다. 분석 결과, 모든 예측 연도에서 예측 논벼 생산량의 평균은 실제 논벼 생산량 평균보다 높게 나타났으며, 이러한 경향은 P-bias 결과와도 일관되었다.
Table 3.
Performance evaluation metrics for the rice yield prediction model (2021–2023)
연도별 R2는 2021년 0.983, 2022년 0.976, 2023년 0.969로 나타났으며, 세 연도 모두에서 0.96 이상의 값을 보였다. 연도별로는 2021년에서 2023년으로 갈수록 R2 값이 소폭 감소하는 양상이 나타났으나, 2023년에도 비교적 높은 수준의 R2 값이 유지되어 시군구 단위 실제 논벼 생산량의 공간적 변동성이 예측 결과에 반영되고 있는 것으로 나타났다.
RMSE와 MAE는 2021년에서 2023년으로 갈수록 증가하는 양상을 보였다. RMSE는 2021년 4,242 t, 2022년 4,779 t, 2023년 5,380 t로 나타났으며, MAE는 각각 2,780 t, 3,672 t, 3,720 t으로 증가하였다. 이에 따라 NRMSE는 2021년 12.8%, 2022년 15.0%, 2023년 17.2%로 연도별로 점진적인 증가가 나타났다.
P-bias 분석 결과, 2021년 3.5%, 2022년 9.2%, 2023년 9.6%로 나타났으며, 모든 연도에서 10% 이내의 범위에 분포하였다.
종합적으로 볼 때, 본 연구의 CNN 기반 논벼 생산량 예측 모델은 세 검증 연도 모두에서 0.96 이상의 높은 R2를 보여 시군구 간 논벼 생산량의 상대적 공간 변동성을 안정적으로 반영하는 것으로 판단된다. 또한 NRMSE는 12.8–17.2% 범위로 나타나 연도별 예측 오차가 존재하였으나, 전국 단위 및 시군구 간 상대적 비교를 위한 활용 가능성은 확보한 것으로 해석된다. P-bias는 모든 연도에서 양의 값을 보여 예측 논벼 생산량이 실제 논벼 생산량보다 다소 높게 산정되는 경향을 나타냈으나, 10% 이내의 범위에 분포하여 전체적인 편향은 제한적인 수준으로 판단된다. 따라서 본 모델은 개별 시군구의 절대 논벼 생산량을 정밀하게 산정하기보다는, 광역 단위에서 논벼 생산량의 공간적 분포와 상대적 차이를 파악하고, 이후 YA 기반 논벼 생산량 감소 분석에 활용하기 위한 보완적 예측 도구로 적용 가능성이 있는 것으로 판단된다.
3. 논벼 생산량 예측 모델 결과
본 연구에서는 앞서 설정한 167개 시군구를 대상으로 CNN 기반 논벼 생산량 예측 모델을 구축하고, 이를 이용하여 2021년부터 2023년까지의 논벼 생산량을 예측하였다. Fig. 3은 2021년부터 2023년까지의 연도별 시군구 단위 실제 논벼 생산량 분포와 CNN 기반 예측 논벼 생산량 분포를 나타낸 것이다. 실제 논벼 생산량 지도와 예측 논벼 생산량 지도는 동일한 범례 범위를 적용하여 구성하였으며, 이를 통해 연도별 논벼 생산량 분포 특성과 예측 결과를 비교하였다.
Table 3, Table 4 및 Fig. 3의 결과를 종합하면, CNN 기반 예측 결과는 시군구 단위 논벼 생산량의 상대적 공간 분포 경향을 대체로 반영하는 것으로 나타났다. 연도별 R2는 2021년 0.983, 2022년 0.976, 2023년 0.969로 산정되어 세 검증 연도 모두에서 높은 값을 보였으며, 이는 실제 논벼 생산량의 지역 간 변동성이 예측 결과에 상당 부분 반영되었음을 의미한다. Fig. 3에서도 실제 논벼 생산량이 상대적으로 높은 지역과 낮은 지역의 공간적 대비가 예측 결과에서 대체로 유지되는 경향을 보였다.
Table 4.
Comparison of observed and CNN-predicted rice yields by municipality (2021-2023)
그러나 일부 시군구에서는 실제 논벼 생산량에 비해 예측 논벼 생산량이 높게 산정되는 과대예측 경향이 확인되었다. 이러한 경향은 Table 3의 P-bias 결과와도 일관되며, P-bias는 2021년 3.5%, 2022년 9.2%, 2023년 9.6%로 모든 연도에서 양의 값을 보였다. 또한 예측 논벼 생산량 평균은 2021년 34,568 t, 2022년 35,015 t, 2023년 34,399 t으로, 동일 연도의 실제 평균 논벼 생산량보다 높게 나타났다. 이는 본 모델이 지역 간 상대적 분포 특성은 일정 수준 반영하였으나, 절대적인 논벼 생산량 규모에서는 일부 과대예측의 불확실성을 포함하고 있음을 의미한다.
따라서 본 연구의 CNN 기반 예측 결과는 개별 시군구의 절대 논벼 생산량을 정밀하게 산정하기보다는, 시군구 간 상대적 생산량 수준과 공간적 분포 경향을 파악하는 데 활용성이 있는 것으로 판단된다. 일부 지역에서 나타난 예측 오차는 위성 기반 입력자료만으로 설명하기 어려운 재배관리, 품종, 국지적 기상 조건 등의 영향이 반영된 결과로 해석된다. 이러한 점을 고려할 때, 본 연구의 예측 결과는 직접적인 피해량 산정보다는 YA 기반 논벼 생산량 감소 분석을 위한 보완적 입력자료로 활용될 수 있다.
4. YA 기반 논벼 생산량 감소 분석
본 연구에서는 예측 논벼 생산량과 장기 평균 논벼 생산량을 비교하여 논벼 생산량 감소율을 산정하였으며, 이를 기반으로 농업가뭄 피해 추정을 위한 논벼 생산량 감소를 정량적으로 분석하였다. 논벼 생산량 예측 모델은 2021–2023년을 대상으로 검증하였으나, YA 기반 논벼 생산량 감소 분석은 2021년을 사례 연도로 설정하여 수행하였다. 이는 본 연구가 위성영상 기반 논벼 생산량 예측 결과를 활용하여 평년 대비 논벼 생산량 감소를 정량화할 수 있는지 검토하는 데 초점을 두었기 때문이다. 따라서 2021년 분석 결과는 전체 기간의 가뭄 피해를 대표하는 결과라기보다, 제안한 분석 절차의 적용 가능성을 확인하기 위한 사례 분석으로 해석할 필요가 있다. Table 5는 2021년 시군구 단위 논벼 생산량 감소율 기준 상위 10개 지역을 제시하며, Table 6은 이를 전국 단위로 집계한 결과를 나타낸다.
Table 5.
Top municipalities with the highest rice yield reduction rates estimated using the YA method
Table 6.
National-scale rice yield reduction estimated using the YA method
YA 분석 결과, 시군구 단위에서 평년 대비 논벼 생산량 감소율과 논벼 생산량 손실량은 지역별로 상이한 분포를 보였다. 일부 지역에서는 높은 감소율이 나타나 논벼 생산량 감소가 집중되는 경향이 확인되었으며, 특히 하남시는 약 37%로 가장 높은 논벼 생산량 감소율을 보였다. 과천시와 성남시에서도 각각 약 28%와 25%의 감소율이 나타났다. 평년 생산량 규모가 큰 지역에서는 상대적으로 높은 절대적 손실량이 발생하는 경향이 나타났다. 예를 들어 영천시의 경우 논벼 생산량 감소율은 약 21% 수준이었으나, 생산 기반 규모가 커 약 5,426 t의 손실이 발생하였다. 이는 동일한 감소율이라 하더라도 지역별 생산 규모에 따라 실제 피해 규모가 크게 달라질 수 있음을 의미한다. 따라서 농업가뭄 피해 추정에는 상대적 지표인 논벼 생산량 감소율과 절대적 지표인 논벼 생산량 손실량을 함께 고려할 필요가 있다.
시군구 단위 결과를 전국 단위로 집계한 결과, 2021년 논벼 생산량은 평년 대비 약 3.2% 감소한 것으로 나타났으며, 이는 약 192,856 t의 논벼 생산량 손실에 해당한다. 이는 전국 평균 기준에서는 비교적 낮은 수준의 논벼 생산량 감소가 발생했음을 의미한다. 선행 연구에서는 가뭄 발생 시 주요 작물 생산량이 평균적으로 약 9–10% 감소하는 것으로 보고된 바 있으나 (Lesk et al., 2016), 본 연구의 결과는 이보다 낮은 감소율을 보였다. 이는 가뭄 영향이 전국적으로 균일하게 발생하지 않고 특정 지역에 집중되어 나타났기 때문으로 해석된다.
실제로 시군구 단위 분석에서는 일부 지역에서 20–30% 이상의 높은 논벼 생산량 감소가 나타나 논벼 생산량 감소의 공간적 집중성이 확인되었다. 이러한 결과는 농업가뭄 영향을 전국 평균값만으로 평가하는 데 한계가 있음을 보여주며, 시군구와 같은 세부 공간 단위 분석의 필요성을 시사한다. 또한 본 연구 결과는 위성 기반 논벼 생산량 예측과 Yield Anomaly (YA) 분석을 결합할 경우, 단순한 생산량 예측을 넘어 논벼 생산량 감소의 공간 분포와 상대적 취약 지역을 동시에 파악할 수 있음을 보여준다. 이는 통계자료가 제공되기 이전 단계에서 가뭄 영향 가능 지역을 선별하거나, 광역 단위에서 피해 우선 검토 지역을 탐색하기 위한 보완적 정보로 활용될 수 있다.
특히 동일한 전국 평균 감소율 조건에서도 지역별 손실률과 손실량의 분포가 상이하게 나타났다는 점은, 위성 기반 접근이 평균적 피해 수준뿐 아니라 피해의 공간적 집중성과 지역 간 이질성을 함께 파악하는 데 유용할 수 있음을 의미한다. 다만 본 연구의 YA는 예측 논벼 생산량과 평년 논벼 생산량의 차이에 기반한 간접 지표이므로, 직접적인 피해량이라기보다 농업가뭄 피해 추정을 위한 정량적 참고자료로 해석할 필요가 있다.
Ⅳ. 결 론
본 연구에서는 MODIS 기반 다중 시계열 위성영상 자료와 CNN 기반 생산량 예측 기법을 결합하여 시군구 단위 논벼 생산량을 예측하고, 이를 바탕으로 농업가뭄 피해 추정을 위한 논벼 생산량 감소를 분석하였다. 또한 예측 논벼 생산량과 실제 논벼 생산량 통계자료의 비교를 통해 모델 성능을 검증하고, Yield Anomaly (YA)를 적용하여 평년 대비 논벼 생산량 감소를 정량적으로 평가하였다.
모델 학습 결과, 결정계수 (R2)는 0.987로 나타나 시군구 간 논벼 생산량의 공간적 분포를 전반적으로 잘 재현하는 것으로 확인되었다. 반면 MAPE와 MRE는 각각 23.9%와 23.8%로 나타나 일부 지역에서는 상대 오차가 존재하였다. 이는 시군구별 논벼 생산량 규모 차이에 따른 영향으로 판단되며, 생산량 규모가 작은 지역에서는 동일한 수준의 절대 오차라도 상대 오차가 크게 산정될 수 있음을 의미한다. P-bias는 6.8%로 나타나 전체적인 과대·과소 추정 경향은 크지 않은 것으로 분석되었다. 연도별 검증 결과에서도 모든 예측 연도에서 R2가 0.96 이상으로 나타났으나, 예측 기간이 학습 기간에서 멀어질수록 RMSE, MAE, NRMSE가 증가하는 경향을 보였다.
공간 분포 분석 결과, 예측 논벼 생산량은 실제 논벼 생산량의 상대적 공간 분포 경향과 연도별 변동 특성을 대체로 반영하는 것으로 나타났다. 다만 일부 시군구에서는 지속적인 예측 오차가 확인되어 지역별 특성을 고려한 추가적인 보정의 필요성이 제시되었다.
YA 분석 결과, 2021년 기준 전국 논벼 생산량은 평년 대비 약 3.2% 감소하였으며, 이는 약 192,856 t의 논벼 생산량 손실에 해당하는 것으로 분석되었다. 특히 일부 시군구에서는 20–30% 이상의 높은 논벼 생산량 감소가 나타나 논벼 생산량 감소가 공간적으로 집중되는 경향이 확인되었다. 이러한 결과는 농업가뭄의 영향이 전국 평균 수준보다 지역 단위에서 더욱 뚜렷하게 나타날 수 있음을 시사한다.
본 연구는 위성 기반 논벼 생산량 예측과 YA 분석을 결합함으로써 시군구 단위 논벼 생산량 감소를 정량화하고, 이를 농업가뭄 피해 추정에 적용할 수 있는 분석 체계를 제시하였다. 제안된 방법은 지역별 논벼 생산량 감소의 공간적 분포를 비교·분석할 수 있는 기반을 제공하며, 다중 위성자료와 딥러닝을 결합한 접근은 향후 위성 기반 농업가뭄 모니터링 및 피해 추정 연구를 위한 보완적 방법론으로 활용될 수 있을 것으로 판단된다.
다만 본 연구에서는 CNN 기반 모델의 적용 가능성 평가에 초점을 두었기 때문에, LSTM, Random Forest, 기존 CNN 변형 모델 등 다른 논벼 생산량 예측 기법과의 정량적 비교는 수행하지 못하였다. 또한 SPI, SPEI, ESI 등 기존 가뭄지수와의 비교 분석 역시 포함하지 않았다. 아울러 2001–2020년 자료를 CNN 모델 학습 기간과 평년 논벼 생산량 산정 기간에 동시에 사용하였기 때문에 분석 결과의 독립성 측면에서 한계가 존재할 수 있다. 향후 연구에서는 학습 기간과 평년 산정 기간을 분리하고, 다양한 딥러닝 및 기계학습 기법과 기존 가뭄지수와의 정량적 비교를 수행함으로써 제안한 방법의 상대적 성능과 적용 가능 범위를 보다 명확히 검토할 필요가 있다.
