Ⅰ. 서 론
국제 곡물 수급 불안정성의 심화에 따라 국외 곡물 작황 모니터링의 필요성이 높아지고 있다 (Kim et al., 2024a). 기후변화에 따른 이상기상 현상의 빈발과 강도 심화, 러시아-우크라이나 전쟁과 같은 지정학적 갈등의 장기화, 미-중 무역분쟁을 비롯한 국제 무역 질서의 불안정성 확산은 전 세계 곡물 생산의 변동성과 공급망 교란 위험을 증대시키는 주요 요인이다 (Kim et al., 2024b). 특히 우리나라는 곡물 소비의 대부분을 해외 수입에 의존하고 있어 구조적 취약성이 크다. 농림축산식품부에 따르면 2024년 기준 식량자급률 (사료용 제외)은 콩 35.7%, 옥수수 4.5%이며, 곡물자급률 (사료용 포함)은 콩 9.3%, 옥수수 0.8%에 불과한 수준이다 (MAFRA, 2024). 이처럼 낮은 자급률은 국제 곡물 가격 급등과 작황부진, 사회적 갈등 등에 의한 공급 불안정이 직접적으로 국내에 전이될 수 있다 (Seung et al., 2024).
기후변화로 인한 이상기상과 지정학적 갈등은 세계 곡물 시장의 변동성을 심화시키는 핵심 요인으로 작용하고 있다. 2000년대 후반 이후 반복된 엘니뇨 및 라니냐 현상은 남미와 북미의 작물 생산을 위축시켜 곡물 가격 급등을 유발하였다. 2007~2008년 라니냐와 2010~2012년 연속적인 기상이변은 세계 공급량 감소와 가격 상승을 촉진하였다 (Kim et al., 2022). 2008년 애그플레이션 시기에는 33개국이 총 59건의 곡물 수출 제한 조치를 취하였으며, 이는 전 세계 식량 공급 칼로리의 18.7%에 해당하는 규모로 공급망 불안정을 심화시켰다. 최근에는 기상이변의 충격에 더해 지정학적 갈등이 공급망 불안정을 가중시키고 있다. 러시아-우크라이나 전쟁은 밀, 옥수수, 보리의 세계 주요 수출국인 양국의 농업 생산 기반 파괴와 수출 물류망 차단을 초래하였다. 전 세계 식품 공급망에 연쇄 충격이 발생함에 따라 국제 곡물 가격 급등과 식량 공급 불안정을 야기하였다 (Jung, 2023). 미국-중국 간 무역분쟁 또한 중국의 대체 공급선 확보 노력으로 인한 곡물 수입량 급증을 초래하여 국제 곡물 시장의 구조적 불균형과 가격 변동성을 심화시키고 있으며, 우리나라 농업 통상정책에도 직접적인 파급효과를 미치고 있다 (Lee et al., 2022). 이와 같은 위험 요인들의 중첩과 심화는 선제적 대응 체계의 구축 필요성을 더욱 강화하고 있다. 향후 기후변화에 따른 이상기상의 상시화, 지정학적 갈등의 다양화와 장기화로 인해 주요 생산국의 곡물 생산량 급감이나 주요 수입국의 수요 급증이 발생할 경우 국제곡물가격의 급등과 공급 부족 사태가 재현될 가능성이 높기 때문이다 (Yoon et al., 2018). 따라서 단일 지역이나 특정 공급선의 생산 차질 또는 수입 중단이 발생할 경우를 대비한 선제적인 대응 체계 구축이 필수적이다. 이는 신속한 대체 공급선 확보, 공급망의 전략적 다변화, 그리고 이를 뒷받침할 정확하고 시의적절한 정보 기반의 조기 대응 체계 마련이 국가 식량안보의 핵심 과제임을 의미한다.
이러한 상황에서 우리나라의 국외 곡물 수급 정보 체계는 여전히 해외 기관 자료에 크게 의존하고 있어 접근성, 시의성, 신뢰성 측면에서 한계를 보인다 (Sung et al., 2011). 농림축산식품부 식량정책과는 농촌경제연구원 (Korea Rural Economic Institute, KREI) 농업관측센터를 통해 「해외곡물시장동향」, 「국제곡물시장동향」, 「수입실태 보고서」를 발간하고 있고, 이를 바탕으로 식량 작물 수입 물량과 시기를 조절하고 있다 (KREI, 2025a). 이 보고서는 미국 농무부 (United States Department of Agriculture, USDA), 유엔식량농업기구 (Food and Agriculture Organization of the United Nations, FAO) 등 해외 기관의 통계와 분석자료를 기초로 하여 국외 작황과 가격 정보를 분석하고 있다. 이러한 해외 의존적 구조는 지정학적 갈등이나 정보 접근 제한이 발생할 경우, 식량 수급 전략의 공백으로 이어질 수 있다. 특정 기관의 자료 제공이 지연되거나 중단되면 필요한 정보를 제때 확보하지 못해 대응이 늦어지고, 국가 차원의 선제적 대응 역량 또한 약화되기 때문이다. 또한 외부 자료만으로는 국내 상황에 적합한 맞춤형 분석과 시의적절한 정책 지원이 어려우며, 국가 차원의 정보 신뢰성 확보에도 한계가 존재한다 (Park et al., 2019).
해외 자료에 대한 의존적 구조의 한계를 보완할 수 있는 방안으로 위성영상과 딥러닝 기반의 식생지수가 주목받고 있다. 위성영상은 시공간적 제약을 극복하고 비용 효율성을 확보할 수 있어 다양한 분야에서 활용이 확대되고 있다 (Lee et al., 2014). 특히 농업 분야에서는 대규모 경작지에서 식생의 계절적 변화를 관측함으로써, 작황 모니터링의 정밀도가 높아지고 있다 (Atzberger, 2013; Dechant et al., 2022). 해외의 위성영상 기반 작황 모니터링 시스템은 광학 및 레이더 위성영상, 기후자료, 토양자료 등을 다양한 출처의 데이터를 결합하여 농업 관련 주요 지표를 산출하고, 이를 통해 국가 및 국제 차원의 식량안보 의사결정을 지원하고 있다. USDA의 CropExplorer는 MODIS와 NOAA 영상에서 추출된 Normalized Difference Vegetation Index (NDVI), 강수량, 토양 수분지수 등을 활용하여 전 세계의 작황 상태, 면적, 수확량, 생산량 정보를 제공하고 있다 (Wu et al., 2023). 유럽연합 (European Union, EU)의 Monitoring Agricultural Resources (MARS) 시스템은 NOAA- AVHRR, SPOT, MODIS 위성영상과 기상자료를 바탕으로 작물 생육 모의, 수확량 예측, 기후변화 영향 분석을 수행하며, 월간 보고서 형태로 농업기상 정보, 식생 상태 지도, 생산량 예측 자료를 제공하고 있다 (Lopez-Lozano and Baruth, 2019; Yan and Ryu, 2021). 중국과학원 (Chinese Academy of Sciences, CAS)의 CropWatch는 MODIS, Landsat, FY-3, Radarsat 등 다양한 광학 및 SAR(Synthetic Aperture Radar) 자료를 이용하여 작물의 생육 상태, 재배면적, 생산량을 평가하고, 현장 조사 및 농업기상 모델과 결합하여 국가, 대륙, 전지구 단위 작황 모니터링을 실시하고 있다 (Wu et al., 2015). 국제기구 차원에서도 FAO의 Global Information and Early Warning System (GIEWS)는 METEOSAT, NOAA, SPOT 위성 자료와 농업기후 모델을 활용하여 가뭄, 홍수 등 재해 모니터링과 식량 가격 변동 분석 자료를 제공하며, Food Insecurity and Vulnerability Information and Mapping System (FIVIMS)는 장기적 관점에서 식량안보 취약성 분석 자료를 제공하고 있다 (Rashid, 2003; Tripathy et al., 2007). NASA와 FAO 협력체인 Global Agriculture Monitoring (GLAM)에서는 GEOGLAM Crop Monitor라는 서비스를 제공하고 있다. MODIS 기반의 장기 NDVI 시계열과 NOAA 기후 자료를 결합하여 밀, 옥수수, 쌀, 콩 등 주요 곡물의 작황 이상 (anomaly) 정보와 국가별 생산 전망을 제공한다 (Becker-Reshef et al., 2010). 이러한 해외 시스템에서는 위성 자료를 식생 상태 및 생육 환경을 모니터링하고 국가 농업 통계와 비교하여 현시점 생육 상태의 이상 여부를 파악하는 데 활용하고 있다.
국내에서도 위성영상을 활용하여 국외 주요 곡물 생산지대를 대상으로 콩, 옥수수 등 주요 작물에 대한 모니터링 기술을 개발하고 있다. Kwak et al. (2017)은 접근이 어려운 지역의 작물 분류를 위해 인접 화소의 공간 유사성 기반의 준지도 학습 (Semi-Supervised Learning) 방법론을 제안하고, 시계열 Landsat-8 OLI 영상을 활용하여 북한 대홍단 지역의 작물을 분류하였다. Lee et al. (2017)은 미국 일리노이주와 아이오와주를 대상으로 MODIS 위성영상 식생지수와 기상 자료를 활용하여 카운티 단위 작물 수량을 추정하는 다중 회귀 모형을 구축하고, 작물별 추정 정확도를 검증하였다. Lee et al. (2023)은 MODIS와 VIIRS (Visible Infrared Imaging Radiometer Suite) 영상을 활용해 NDVI를 산정하고, 이를 기반으로 생육 이상 등급 변화를 분석하여 위성영상 기반 작황 평가 가능성을 제시하였다. Nguyen et al. (2017)은 한국, 미국, 중국의 기상 및 위성영상 자료를 기반으로 오픈소스 프레임워크를 활용한 웹 기반 작황 정보 제공 시스템을 설계하고 시범적으로 구현하였다. 이와 같이 위성영상 기반 작물 모니터링, 분류, 수량 추정, 정보 제공 시스템 등 개별 기술 분야의 연구는 지속적으로 발전하고 있으나, 위성영상 분석부터 작황 정보의 생산, 관리, 활용에 이르는 전 과정을 통합적으로 처리하는 시스템 구현 사례는 부족한 실정이다.
본 연구에서는 다분광 위성영상을 활용하여 작물구분도 작성-생육 상태 모니터링-이상생육 탐지-결과 시각화의 전 과정을 통합적으로 수행할 수 있는 웹 기반 국외 작황 모니터링 시스템을 구축하고자 한다. 제안하는 시스템은 주요 수입작물인 옥수수와 콩을 대상으로, 미국의 주요 생산지역인 미국의 콘 벨트 (Corn Belt) 지역에 구현하였다. 분석과정은 딥러닝 기반 작물 분류를 통해 작물구분도를 구축하여 미국 옥수수와 콩 재배지의 분포와 연도별 재배면적의 변화를 정량적으로 분석하였다. the near-infrared reflectance of vegetation (NIRv) 지수를 활용한 시계열 분석을 통해 평년 및 전년도 대비 생육 추세변화를 통해 작황을 실시간으로 모니터링하고 평가한다 (Badgley et al., 2017). 또한, 통계적 임계값 기반의 이상생육 자동탐지 알고리즘을 통해 작황 이상을 조기에 식별할 수 있도록 설계하였다. 분석 결과는 사용자 친화적인 웹 기반 시각화 대시보드를 통해 제공되며, 이를 통해 신속하고 직관적인 작황 평가가 가능하다. 본 연구는 해외의 USDA CropExplorer, EU MARS 등 통합형 작황 모니터링 시스템에 대한 의존에서 벗어나, 국내 환경에 적합한 독자적 웹 시스템을 설계하고 구현함으로써, 식량 수급 계획을 지원하는 의사결정지원시스템을 제안하고자 한다.
Ⅱ. 재료 및 방법
1. 연구 대상 지역
본 연구는 미국 콘 벨트의 옥수수와 콩 재배필지를 대상으로 수행하였다. 콘 벨트 지역은 아이오와 (Iowa), 일리노이 (Illinois), 인디애나 (Indiana), 오하이오 (Ohio), 미주리 (Missouri), 네브래스카 (Nebraska), 미네소타 (Minnesota) 등을 포함하는 미국 중서부 지역으로, 세계적으로 중요한 곡창 지대 중 하나이다. 이 지역은 미국 전체 옥수수와 콩 생산량의 약 80% 이상을 차지하며, 전 세계 옥수수와 콩 공급에 핵심적인 역할을 한다 (USDA NASS, 2025). 작부체계는 주로 옥수수-콩 윤작 재배를 하며, 4~5월에 파종하여 9~10월에 수확한다. 대규모 기계화 농업이 발달하여 넓은 면적의 단일 작물 재배가 이루어지며, 이는 위성 원격탐사를 통한 작물 분류에 유리한 조건을 제공한다. 우리나라는 전체 옥수수와 콩의 수입물량 중 약 29%를 미국에서 수입하며, 최근 미국산 수입물량이 더욱 증가하는 추세이다 (KREI, 2025b). 따라서 미국 콘 벨트 지역의 작황 변화는 우리나라의 식량 안보에 직접적인 영향을 미칠 수 있어, 지속적인 모니터링의 필요성이 높다.
2. Google Earth Engine 기반 위성영상 입력자료 수집
본 연구에서는 Google Earth Engine (GEE) 플랫폼을 활용하여 위성 원격탐사 데이터를 수집하였다. GEE는 대규모 시공간 위성자료를 클라우드 환경에서 처리할 수 있는 플랫폼이며, 클라우드 마스킹과 영상 합성 등 서버 측 전처리 기능을 지원하여 로컬 연산 자원의 부담을 최소화한다 (Park and Kang, 2022). 또한 Landsat, MODIS, Sentinel 등 주요 위성영상과 기상, 지형 자료를 포함한 방대한 오픈 데이터셋을 무료로 제공하며, Python 및 JavaScript API 기반의 프로그래밍 가능한 데이터 접근성을 지원하여 대규모 데이터의 탐색과 분석에 용이하다 (Jang et al., 2024). 본 연구에서는 GEE를 통해 분석에 활용할 위성영상 데이터를 수집하고 처리하였다. 사용한 위성영상의 특징은 Table 1에 정리하였다. 고해상도 영상인 Sentinel-2 지표면 반사도 영상을 이용하여 농경지를 정밀하게 선별하고, VIIRS 영상을 활용하여 옥수수, 콩 재배지역 및 작황을 정밀하게 구분하고 분석하였다.
Table 1
Characteristics of remote sensing datasets used in this study
3. 재배지역 분석 모델 입력자료
딥러닝 기반 작물구분도 모델의 입력자료로 유럽 우주국 (European Space Agency, ESA)의 Harmonized Sentinel-2 MSI: MultiSpectral Instrument, Level-2A (SR) 제품을 활용하였다. Sentinel-2 위성의 다중분광센서 (Multi-Spectral Instrument, MSI)가 촬영한 원시 위성 영상 (Level-1C, TOA: Top of Atmosphere Reflectance)을 기반으로, 대기 보정을 거쳐 지표면에서의 반사율 값으로 변환한 영상이며, 10~20 m 공간해상도와 5일 재방문 주기를 갖는다 (Lee et al., 2025). 콩과 옥수수 재배 기간인 5월 1일부터 10월 31일까지의 기간을 대상으로 영상을 수집하였다. Sentinel-2 MSI 영상에서 픽셀 단위로 구름 존재 확률을 예측한 보조 데이터셋인 S2 Cloud Probability 레이어를 이용하여 구름 확률이 50% 이상인 픽셀을 마스킹하여 구름 영향을 제거한 뒤, B8 (NIR)과 B4 (RED) 밴드를 사용하여 식 (1)과 같이 NDVI를 산출하였다.
여기서, NIR은 Sentinel-2 MSI 8번 밴드의 반사도, RED는 MSI 4번 밴드의 반사도를 나타낸다. NDVI는 식생지표피복비율 (Vegetation percent cover), 엽면적지수 (Leaf Area Index, LAI), 유효광합성 복사량비 (fraction of Photosynthetically Active Radiation, fPAR) 등 식물 활동과 강한 상관성을 가져 식물의 분포를 파악하는 데 가장 널리 사용되는 지수이다 (Tucker and Sellers, 1986; Wan et al., 2004; Jiang et al., 2006; Son et al., 2021). 산출된 NDVI를 기반으로 분석 기간 동안 각 픽셀별 최대 NDVI 값 (max NDVI)을 갖는 날짜를 파악하였다. 이는 작물의 최대 생육기를 반영하여 작물 간 분광적 차이를 강조하고, 일시적 기상 조건이나 생육 시기 변동에 따른 잡음을 최소화함으로써 분류 정확도를 향상시키는 데 유리하다 (Zhong et al., 2016). 따라서 각 픽셀의 max NDVI 일자의 B2 (Blue), B3 (Green), B4 (Red), B8 (NIR), B11 (SWIR) 밴드값을 추출하여 영상접합 (Mosaic)을 수행하였다. 최종적으로 생성된 다중밴드 래스터는 GeoTIFF 형식으로 저장하여 작물구분도 제작에 활용하였다.
4. 작황 분석 모델 입력자료
작황 분석을 위해 작물 생산성과 유의성이 높은 식생지수 NIRv 데이터를 수집하였다. NIRv는 광합성 식생의 순수 반사 특성을 추출할 수 있어 NDVI, EVI와 같은 식생지수에 비해 생산량 예측 성능이 뛰어나고, 계산식이 간단하다 (Kim and Kwon, 2023). NDVI와 근적외선 반사도의 곱으로 정의되며, 식 (2)와 같이 표현된다.
여기서, NDVI는 앞서 식 (1)에서 구한 식생지수로, NIRv에서 v에 해당하는 지표이며, 
는 근적외선 (846~885 nm) 반사율을 나타낸다.
NIRv가 작물의 실제 광합성 활동을 정량적으로 반영하여 작물생산성을 평가할 수 있음은 여러 연구에서 확인할 수 있다. Wu et al. (2020)은 콩과 옥수수를 대상으로 한 플럭스 타워 기반 분석에서 NIRv가 일별 및 반일 단위의 총 1차 생산량 (Gross Primary Production, GPP)의 약 78~84%를 설명함을 보고하였다. Peng et al. (2020)은 NIRv를 활용한 콩과 옥수수 생산량 예측이 NDVI 및 EVI 지수를 이용한 예측보다 높은 설명력을 보임을 검증하였다. 또한, 생육 초기부터 수확기까지의 강도 변화를 민감하게 포착할 수 있어 생장 정점이나 성숙기 진입과 같은 생육 전환기를 탐지할 수 있다 (Zhang et al., 2022).
본 연구에서는 NIRv 산출을 위해 NASA/NOAA의 VNP13A1. 002: VIIRS Vegetation Indices 제품을 사용하였다. 해당 자료는 500 m 공간해상도와 16일 주기의 영상을 제공하며 NDVI와 EVI 두 가지 식생지수를 포함하여 NIR 반사도와 SWIR 반사도를 제공한다 (Vermote, 2023). NIRv 계산을 위해 NDVI 밴드와 NIR 반사도 밴드를 이용하여 픽셀 단위로 곱셈 연산을 수행하였다. 이후 주 (state) 단위의 작물 경작지 평균 NIRv 값을 산출하였다. 이 과정에서 500 m 공간해상도의 NIRv 데이터를 10 m 공간해상도로 다운스케일링한 뒤, 딥러닝 기반 작물구분도 모델을 통해 생성한 작물 경작지 마스크 (mask)를 적용하여 비재배지의 영향을 제거하였다. 집계된 결과는 CSV 형식의 데이터로 저장하여 작황 분석에 활용하였다.
Ⅲ. 재배지역 및 작황 분석 모델
1. 재배지역 분석 모델
Sentinel-2 위성영상을 활용한 콩과 옥수수 재배지 분류를 위해 TransUNet 딥러닝 모델을 사용하였다. TransUNet은 입력 영상을 패치 단위로 분할하여 벡터화한 후, 다중 자기어텐션 (Multi-head Self-Attention, MSA) 기법을 적용함으로써 작물 경계가 불명확한 지역이나 혼합 픽셀 영역에서도 높은 분류 일관성을 보이는 것으로 보고되었다 (Khan et al., 2023). 특히 Sentinel-2 시계열 영상을 단일 입력으로 스택 (stack)하여 학습하는 구조를 적용할 경우, 기존 CNN 기반 모델 대비 평균 3~8%p의 정확도 향상을 보였으며, 전체 정확도 85.4%로 UNet, DeepLabv3+ 등 타 모델보다 우수한 성능을 나타냈다. 이러한 결과는 TransUNet이 위성영상 기반 작물 경작지 분석에 시⋅공간적 패턴을 효과적으로 학습하는 데 적합한 구조임을 뒷받침한다.
본 연구에서는 이러한 TransUNet의 특성을 바탕으로, 미국 농무부 국가농업통계청 (United States Department of Agriculture National Agricultural Statistics Service, USDA NASS)의 2020년 Crop Data Layer (CDL) 자료를 정답 레이블로 활용하여, 위성영상 기반 작물 분류 작업에 특화된 사전학습 (Pre-trained) TransUNet 모델을 적용하였다 (USDA NASS, 2020; Zaheer et al., 2023; Tang et al., 2025). 이를 통해 다중분광 위성영상의 스펙트럼 특성을 이용하여 콩과 옥수수 재배지를 픽셀 단위로 정밀하게 구분하고, 결과를 GeoTIFF 형식의 래스터 파일로 생성하였다. 이후 생성된 작물 구분도는 WGS84 경위도 좌표계를 UTM 좌표계로 변환한 뒤, 픽셀 수를 기반으로 에이커 (acre) 단위의 면적을 산출하였다.
2. 작황 분석 모델
NIRv 시계열 자료는 원시 데이터의 고빈도 잡음을 제거하고, 시계열 패턴을 명확히 하기 위해 평활화 (smoothing) 처리를 수행하였다 (Li et al., 2021). Scipy의 Interpolation 기능을 적용하여 결측 구간을 보간하였으며, 이후 Savitzky-Golay 필터를 적용하였다. 필터 적용 시 창 길이 (window length)는 51, 다항식 차수 (polynomial order)는 4로 설정하였고, 경계값 처리를 위해 ‘nearest’ 모드를 사용하였다. 이러한 설정은 시계열 곡선의 전반적인 형태와 주기성을 유지하면서도 단기적인 이상치와 잡음을 효과적으로 완화하여 생육 주기 해석의 용이성을 높일 수 있다.
작황 평가 및 생육 이상 탐지를 위해 NIRv 시계열 데이터를 표준화하여 Z-score를 계산하였다. 계산식은 식 (3)과 같다.
여기서, 
는 i 시점의 표준화 값, 
는 해당 시점의 NIRv값, 
는 기준 기간의 평균값, 
는 기준기간의 표준편차이다. 기준 통계값 (평균 및 표준편차)은 분석 대상 연도로부터 5년 전 기간을 평년으로 설정하여 산정하였다. 또한, 매년 분석 시 최신 5개년 자료를 이용해 기준 통계값을 갱신함으로써, 기후 및 환경 변동에 따른 장기 추세를 반영할 수 있도록 하였다. 산출된 Z-score 값은 Table 2의 기준에 따라 7단계 생육이상 등급 (Anomaly classes)으로 분류하였으며, 각 등급은 ‘Extremely bad’에서 ‘Extremely good’까지 범위를 가진다 (Meroni et al., 2019). 이는 해당 시점의 생육 상태가 기준 평균에 비해 얼마나 이례적인지를 정량적으로 나타내는 지표로, 극심한 가뭄 시기 식생의 생육 저하 지역을 조기에 탐지하는 데 활용된 바 있다 (Browning and Steele, 2013). 또한, Zeng et al.(2022)는 NIRv는 가뭄이나 열 스트레스뿐 아니라 수분 제한, 고온, 저조도 등 다양한 비생리적 환경 변화에 따른 광합성 반응을 민감하게 포착할 수 있음을 검증하였다. 이러한 결과는 본 연구의 NIRv 기반 Z-score 접근법이 작물 생육 이상을 감지하는 데 신뢰할 만한 물리적 기반을 제공함을 시사한다.
Ⅳ. 웹 기반 작황 모니터링 시스템 설계
1. 웹 기반 작황 모니터링 시스템 구성 설계
본 연구에서 제안한 시스템은 Django 프레임워크를 중심으로 설계하였다. Django는 Python 기반의 고수준 웹 프레임워크로, 강력한 ORM (Object Relational Mapping) 기능과 보안인증 체계, 확장성 있는 애플리케이션 구조를 제공한다. 이를 통해 시스템 전반의 데이터, 작업, 접근 권한을 일관성 있게 관리할 수 있다. 특히 Django는 다양한 서브 모듈을 통합 관리하는 중앙 제어 계층 (Central Control Layer) 역할을 수행하기에 적합하다. 시스템은 기능별로 네 개의 독립 모듈로 구성되었으며, 각 모듈은 명확한 역할을 수행하면서도 Django를 중심으로 유기적으로 연계된다 (Fig. 1). 이러한 모듈화 구조는 기능별 책임을 구분하고, 향후 데이터 소스 추가나 분석 기능 확장 시 개별 모듈 단위로 유연하게 대응할 수 있도록 한다.
데이터 수집 및 처리 모듈은 위성영상 데이터를 안정적으로 수집하고, 분석 가능한 형태로 변환하는 전 과정을 담당한다. GEE Python API를 활용하여 위성영상 데이터를 자동 수집하고 작물구분도 생성, NIRv 평활화, 이상 등급 산정의 데이터 처리 파이프라인이 스케줄링에 따라 주기적으로 실행된다.
운영 제어 모듈은 Celery와 Redis를 기반으로 한 분산 처리 구조를 채택하여 스케줄링, 병렬 워크플로우 실행, 작업 재시도, 오류 감시 및 복구를 수행한다. Celery는 Python 환경에서 비동기 작업 큐를 구현할 수 있는 대표적인 프레임워크로, 스케줄 기반 자동화와 복잡한 작업 체인의 실행을 지원한다. Redis는 인메모리 메시지 브로커로서 낮은 지연 시간과 높은 처리량을 제공하여 실시간 환경에서 효율적이며, RabbitMQ 대비 설정과 운영이 단순하고 Django와의 연계성이 높다는 장점이 있다.
데이터 저장 모듈은 NAS (Network-Attached Storage) 기반 확장형 저장소를 사용하여 대규모 자료를 안정적으로 보관한다. 저장소 내부에는 input_raster, cropmask, monitoring 등 표준 디렉터리 구조를 적용하여 자료 검색과 관리 효율성을 높였다. Django 애플리케이션과 Celery 작업 큐가 동일한 경로를 마운트하여 데이터 경로를 단일화하고 변경 사항을 실시간으로 반영한다. NAS는 AWS S3, Google Cloud Storage와 같은 클라우드 스토리지 대비 초기 구축 비용이 낮고, 내부 네트워크 전송 속도가 빠르며, 데이터 무결성을 유지하기 용이하다.
결과 시각화 및 활용 모듈은 Plotly와 Leaflet을 활용하여 분석 결과를 대화형 그래프와 지도 형태로 제공한다. Plotly는 시계열 데이터의 확대, 축소, 특정 구간 비교, 값 조회 등 사용자의 직접적인 데이터 탐색을 지원하며, Leaflet은 웹 환경에서 빠른 지도 렌더링과 다양한 공간 데이터 포맷 (GeoJSON, 타일맵 등) 지원이 가능하다. 이를 통해 결과는 단순 보고서 형태를 넘어, 사용자가 능동적으로 탐색하고 분석할 수 있는 동적 정보 (interactive data visualization)로 제공된다.
2. 웹 기반 작황 모니터링 시스템 흐름 설계
본 시스템은 데이터 흐름과 제어 흐름을 명확히 분리한 아키텍처를 기반으로, 데이터 수집에서 결과 제공까지의 전 과정을 자동화하여 관리자용과 사용자용 기능을 제공한다 (Fig. 2). 이를 통해 운영자의 개입을 최소화하고, 장애 발생 시 복구와 재처리가 가능하도록 하였다. 스케줄링 과정에서 Celery Beat가 사전에 등록된 주기에 맞춰 작업 실행을 요청하고 이를 Redis 큐에 저장한다. 큐에 등록된 요청은 Celery Worker가 실시간으로 수신하여 해당 태스크를 실행하며, 실행 중 장애가 발생할 경우 재시도 로직이 동작하고 오류 기록이 생성된다. 이러한 실행 상태와 오류 정보는 관리자 페이지를 통해 실시간으로 확인할 수 있다.
태스크 실행은 데이터 수집, 활용 산출물 생성의 단계로 구성되며, 서로 독립적인 작업은 병렬로 처리되고 의존성이 있는 작업은 순차적으로 진행된다. 모든 실행 결과와 메타데이터는 표준화된 구조로 저장소에 기록되며, 저장 즉시 다른 기능 모듈에서 최신 데이터를 참조할 수 있다.
최종적으로 사용자가 웹 UI를 통해 특정 데이터를 요청하면, Django 기반 Restful API가 저장소에서 데이터를 읽어와 JSON 형식으로 변환한 뒤 시각화 모듈로 전달한다. 웹 화면에서는 요청된 데이터가 대화형 그래프나 지도 형태로 표현되어, 사용자가 실시간으로 탐색과 비교 분석을 수행할 수 있다.
Ⅴ. 웹 기반 작황 모니터링 시스템 구축
1. 관리자용 웹 인터페이스
Django 기본 관리자 기능 (admin)을 기반으로 구현되었으며, 시스템 운영과 데이터 관리를 통합적으로 수행할 수 있는 환경을 제공한다. 이를 통해 관리자가 웹 기반 인터페이스 상에서 CRUD (Create, Read, Update, Delete) 작업과 자동화 작업 스케줄링을 제어할 수 있도록 하였다 (Fig. 3a). 사용자 권한 관리 페이지에서 등록된 사용자 권한 수준과 계정 활성화 상태를 직접 변경할 수 있다 (Fig. 3b). 또한 로그인 이력, 마지막 접속 시각, 계정 활성화 여부 등의 정보를 확인함으로써 잠재적인 보안 위험을 사전에 파악하고 대응할 수 있다. 작업 스케줄링 관리 페이지에서 Celery 기반의 주기적 작업을 웹 환경에서 직접 등록하고, 제어할 수 있도록 지원한다. 관리자는 Interval Schedule (간격 반복), Crontab Schedule (정시 실행), Solar Schedule (태양 주기 기반), Clocked Schedule (1회 실행) 중에서 적합한 실행 방식을 선택할 수 있으며, Enabled 체크박스를 통해 작업 활성화 여부를 즉시 제어할 수 있다 (Fig. 4a). 등록된 작업 목록에서는 대규모 스케줄 작업의 상태를 효율적으로 관리할 수 있다 (Fig. 4b). 실행 결과 화면에서는 완료 시간, 실행 상태, 실행 워커 노드 등 세부 메타데이터를 확인하여 성능 분석과 오류 디버깅에 활용할 수 있다 (Fig. 4c).
Fig. 3
Django administration interface: (a) main dashboard view, (b) user and permission management page
Fig. 4
Scheduling and monitoring module: (a) periodic task registration page, (b) task list page, (c) task execution results page
메타 정보 및 데이터 관리 기능은 원칙적으로 스케줄링 기반으로 데이터의 자동 등록 및 갱신 절차를 수행한다. 그러나 데이터 오류 수정이나 신규 항목의 긴급 등록이 필요한 경우, 관리자는 UI를 통해 개별 데이터의 등록, 수정, 삭제를 직접 수행할 수 있다. 파일 데이터의 경우, 링크를 통해 즉시 다운로드가 가능하여 관리자가 데이터를 직접 점검하고, 활용할 수 있도록 하였다 (Fig. 5).
2. 사용자용 웹 인터페이스
사용자용 웹 인터페이스는 국가, 연도, 작물 선택을 기반으로 재배면적 현황과 NIRv 기반 생육 정보를 시각적으로 제공하도록 설계되었다. 이를 통해 사용자는 당년 재배 현황뿐만 아니라 평년 및 전년 대비 변동 추이를 직관적으로 파악할 수 있으며, 시계열 기반의 생육 변화를 시각적으로 분석할 수 있다. 예시로, 미국 2025년 콩 재배 데이터를 기준으로 시스템이 제공하는 결과를 도시하였다.
재배면적 정보는 단계구분도와 수치 분석 화면으로 나뉜다. 화면 좌측에는 주 (state) 단위의 단계구분도 (choropleth map)가 표시되어 지역별 재배면적 차이를 한눈에 파악할 수 있다 (Fig. 6a). 화면 우측에는 주별 재배면적 비교를 위한 막대차트와 데이터 테이블이 배치되며, 막대차트는 평년 (회색), 전년 (주황), 당해년 (파랑)으로 색상을 구분하여 변동 경향을 직관적으로 전달한다 (Fig. 6b). 데이터 테이블은 각 주에 대한 평년값, 전년도값, 당해연도 값, 증감률을 제공함으로써 특정 지역의 재배 확대 또는 축소 경향을 정량적으로 분석할 수 있도록 하였다 (Fig. 6c).
Fig. 6
Cultivated area visualization: (a) state-level cultivated area ratio map, (b) comparison of cultivated areas among current year, previous year, and long-term average, (c) tabular comparison of cultivated areas
NIRv 시계열 그래프에서는 전년 (주황)과 당해년 (파랑)의 NIRv 변화를 비교할 수 있으며, 회색 음영 영역은 데이터 변동성과 불확실성의 범위를 나타낸다 (Fig. 7). NIRv의 시기별 변화 패턴은 생육 초기, 생장 정점, 성숙기 진입 등 주요 생육 단계를 간접적으로 파악하는 데 활용될 수 있다. 이를 통해 사용자는 특정 시점의 생육 상태를 평년 및 전년과 비교하여 이상 여부를 판단할 수 있다. 또한 Z-score 기반의 7단계 생육 이상 등급 (‘Extremely good’~ ‘Extremely bad’)을 색상으로 구분하여 날짜별 상태 변화를 직관적으로 확인할 수 있다 (Fig. 8). 이를 통해 사용자는 특정 시점의 생육 상태가 장기 평균 대비 얼마나 이탈했는지, 그리고 그 정도가 어느 등급에 해당하는지를 한눈에 파악할 수 있다.
모든 그래프는 마우스 오버 기능을 지원하여 특정 시점의 값을 확인할 수 있도록 하여 정적 차트의 한계를 보완하였다. 우측 도구 패널에서는 확대 및 축소, 시각화 옵션 변경, 데이터 내보내기 기능을 제공하여 심층 분석과 외부 활용을 지원한다. 이러한 대화형 기능은 사용자가 단순히 결과를 확인하는 수준을 넘어, 시기별 혹은 지역별 작물 생육 추세를 분석하고 데이터 기반의 의사결정을 내릴 수 있도록 돕는다. 직관적인 시각화와 대화형 분석 도구를 결합함으로써, 작물 재배 현황과 생육 상태를 다차원적으로 이해하고 비교할 수 있는 실용적 분석 환경을 제공한다.
Ⅵ. 고 찰
첫째, 본 연구에서 구축한 시스템은 데이터 수집-분석-시각화 전 과정을 자동화한 통합형 시스템으로, 모듈화 구조를 기반으로 설계되었다. 이러한 구조를 통해 기능별 독립성과 확장성을 확보함으로써, 시스템의 각 단계별로 효율적인 개선이 가능하도록 하였다. 특히, 새로운 작물 혹은 국가 단위의 확장, 분석 알고리즘의 교체 등 다양한 요구사항에 대해 유연하게 대응할 수 있다는 점에서 높은 활용 가능성을 가진다. 나아가, 시스템의 실수요자로부터 피드백을 주기적으로 수집하고 이를 개선 과정에 반영하는 현장 검증 기반 피드백 체계로 확장함으로써, 시스템의 신뢰성 및 결과 해석의 용이성을 지속적으로 향상시킬 수 있을 것으로 사료된다.
둘째, 본 연구에서는 위성영상 기반의 NIRv을 활용하여 작황 모니터링 시스템을 구현하였다. NIRv는 기존에 널리 활용되는 NDVI 대비 광합성 활성과의 상관성이 높아 작황을 평가하는 데 유용한 지표로 알려져있다. 그러나 선행연구 (Kimm et al., 2021) 결과에 따르면 NIRv는 침수, 병충해, 영양 결핍 등과 같은 비기상 요인에 대한 민감도가 상대적으로 낮은 것으로 보고된다. 따라서 향후에는 Normalized Difference Red Edge Index (NDRE), Normalized Difference Water Index (NDWI) 등 추가적인 식생지수와 함께 기상 및 토양 지표를 추가함으로써 시스템의 정밀도와 실효성을 동시에 제고할 필요가 있다.
셋째, 본 시스템은 GEE와 같은 외부 플랫폼을 기반으로 구축되어 높은 접근성과 비용 효율성을 확보하였다. 그러나 데이터 제공 지연, API 구조 변경, 접근 제한 등의 문제는 분석 지연이나 서비스 중단으로 이어질 가능성이 있다. 이러한 한계를 보완하기 위해서는 대체가능한 데이터 출처를 확보, 데이터 수집 방안 마련, 데이터 처리시스템 구축, 알고리즘 구현 및 모델 구동을 위한 고성능 자원 확보와 같은 후속 연구가 필요하다. 또한 활용하는 데이터의 활용가능시점의 차이로, 분석 결과의 정확도 및 신뢰도가 달라질 수 있는만큼, 작황 판단의 시의성에 미치는 영향을 체계적으로 검증하여 분석 결과의 신뢰성을 제고할 필요가 있다. 본 연구는 이러한 시스템을 구축하는 과정에서 데이터 수집-분석-시각화 과정을 자동화하여 연결함으로써 개념증명 (PoC)한 점에서 의의가 있다고 판단하며, 후속 연구를 통해 개별 구성요소를 고도화할 필요가 있다.
Ⅶ. 결 론
기후변화와 지정학적 갈등으로 인해 국제 곡물 수급 환경이 급격히 불안정해지는 상황에서, 주요 곡물 수출국의 작황을 실시간으로 모니터링하고 선제적 식량 수급 전략을 수립하는 것이 시급한 과제로 대두되고 있다. 국내의 경우 위성영상 기반 작물 모니터링 개별 기술은 발전하고 있으나 위성영상 분석부터 작황 정보의 생산, 관리, 활용까지 전 과정을 통합 처리하는 시스템 구축 연구는 부족한 실정이다. 이에 본 연구는 원격탐사 및 인공지능 분야에 이미 검증된 기술을 조합하고, 최적화하여, 주요 곡물 수출국의 작황을 상시 모니터링할 수 있는 웹 기반 작황 모니터링 시스템을 설계하고, 구축하였다. 개발한 시스템은 미국 콘 벨트 지역의 콩과 옥수수 경작지를 대상으로 위성영상을 활용하여 작물구분도를 생성하고, 일 단위의 NIRv 지표를 모니터링할 수 있도록 설계하였다. 위성영상의 수집, 전처리, 분석 산출물 생성, 저장 및 활용이 모두 자동화된 파이프라인으로 통합하였으며, 작업을 제어하고 모니터링할 수 있는 관리자용 웹 인터페이스와 결과를 직관적으로 탐색할 수 있는 사용자용 웹 인터페이스를 구축하였다.
웹 기반 작황 모니터링 시스템은 사용자의 편의성을 고려하여 웹 기반 대시보드를 통해 정보를 제공한다. 국가별, 작물별, 연도별로 선택에 따라 재배면적과 생육 상태를 당해년–평년 (5년 평균)–전년 간 비교하고, Z-score 기반 이상 탐지를 통해 시기별 작황 변동과 특이 현상을 정량적으로 확인할 수 있도록 설계하고 개발하였다. 사용자는 직관적인 대시보드를 통해 복잡한 원격탐사 자료를 직접 다루지 않고도, 재배면적이 확대되거나 축소되는지 파악이 가능하고, 시계열 데이터를 통해 특정 시점의 작황 이상을 쉽게 확인할 수 있다.
본 시스템은 기능을 모듈화하고 처리 흐름을 계층적으로 설계하였기 때문에 데이터 소스와 국가 및 작물 추가, 기능 확장에 유연하게 대응할 수 있다는 장점이 있다. 향후 밀과 같이 수입 의존도가 높은 곡물을 추가하거나 미국 외 아르헨티나, 브라질 등 주요 수출국으로 적용 범위를 확대하고, 기상자료, 생산성 지표 등 작황 판단에 도움이 되는 정보를 추가하여 시스템을 고도화할 수 있다. 또한, 10 m 해상도의 in-season (재배 기간 중 생육 단계에서 생성되는) 작물구분도를 제공함으로써 생육 단계별 작황 변화를 더욱 정밀하게 파악할 수 있으며, 지역 단위의 작황 변동 분석과 생육 이상 탐지에 활용성을 높일 수 있다. 이를 통해 농림축산식품부, 농촌경제연구원 국제곡물관측팀, 식량 수급 관리 유관기관 등에서 의사결정 지원 도구로 활용하여 데이터 기반 곡물 수입 전략을 수립하는 데 기여할 것으로 기대한다. 나아가 식량 수입 전략을 수립하는 데 필요한 정보를 필요한 시기에 제공할 수 있도록 원격탐사 및 AI 기술을 최적화함으로써 국외 작황 정보에 대한 해외 의존도를 낮추고 국내 식량 정보 기술 기반을 강화할 수 있을 것으로 기대한다.
