Research Article

Journal of the Korean Geographical Society. 31 December 2023. 585-598
https://doi.org/10.22776/kgs.2023.58.6.585

ABSTRACT


MAIN

  • 1. 서론

  • 2. 선행연구

  • 3. 연구 방법

  •   1) 연구 지역 및 데이터

  •   2) 위성영상 기반 자료 및 딥러닝 기반 벼 수확량 예측 모델 구축

  • 4. 연구 결과

  •   1) 벼 수확량 예측 모델 훈련 결과

  •   2) 새만금 임시영농 구역의 벼 수확량 예측

  • 5. 토의 및 결론

1. 서론

새만금 종합개발계획은 전라북도 만경강과 동진강 하구의 군산~부안을 연결하는 방조제를 축조하고 간척 토지와 호소를 조성하여, 이 권역을 동북아 경제 중심지로 개발하는 대규모 국책 사업이다(새만금개발청, 2014). 새만금은 행정구역상으로는 전라북도 군산시, 김제시, 부안군 일원에 위치하고 있다. 그 어원은 새로움을 뜻하는 순우리말 ‘새’자와 만경평야의 ‘만(萬)’자와 김제평야의 ‘금(金)’자의 합성어로, 호남 최대의 곡창 지대인 만경평야와 김제평야가 합쳐진 새로운 옥토 조성에 대한 의지를 담고 있다. 간척 사업의 규모는 세계 최장 길이인 33.9km의 방조제를 포함한 전체 면적 409㎢에 달하며, 22.79조 원(국비12.14조, 지방비 0.95조, 민자9.7조)의 사업비가 투입될 예정이다. 2050년 완공을 목표로 개발 완료 시 약 71만 명의 인구 유인을 예상하며, 새만금 사업지역 내에는 약 27만 명의 인구 유입이 있을 것으로 기대하고 있다(새만금개발청, 2014).

대규모 자원이 투입되는 국책 사업의 착공 30년이 지난 지금, 새만금 사업에 대한 다각적인 진단이 필요한 시점이라 할 수 있다. 새만금은 사업 착공 이후 줄곧 여러 부문에서 논란의 대상이 되었으며, 2010년대 이후에는 사업 진척이 무척 더디게 진행됨에 따라 초기 사업 계획과 목표가 제대로 달성될 수 있을지 불확실한 상황이다. 이와 관련하여 새만금 사업의 2020년 목표 1단계 개발계획에 집중할 필요가 있다. 새만금 개발청은 개발의 효율적 추진을 위해 전체 개발 면적을 4단계로 구분하여 개발을 추진하고 있다.1) 1단계(-2020년) 첨단농업 클러스터 육성, 2단계(2021 -2030년) 새만금 내부 개발, 3단계(2031-2040년) 나머지 부지에 개발압력 수용, 4단계(2041-2050년) 용지 개발 완료를 목표로 추진 중에 있다(그림 1).

https://cdn.apub.kr/journalsite/sites/geo/2023-058-06/N013580602/images/geoa_58_06_02_F1.jpg
그림 1.

새만금 토지이용 구상도
자료: 새만금개발청 홈페이지, 단계별 개발계획.

새만금 개발 1단계에서는 첨단농업 클러스터 육성을 위한 농생명용지 및 새만금 국가산업단지 조성이 주요 목표이며, 농생명용지(94.3㎢)의 약 95%(89.7㎢)가 농업용지에 해당한다. 이러한 토지이용 계획으로 미루어 볼 때, 새만금 개발 1단계에서 농지 조성을 통한 식량 생산에 크게 중점을 두고 있음을 알 수 있다. 농지 조성 및 식량 생산에 대한 평가에 있어 실질적인 척도로는 ‘벼 수확량’이 고려될 수 있다. 이러한 배경하에 본 연구는 1단계 새만금 사업의 주요 개발 대상이 되는 ‘농업용지’가 실제로 얼마나 잘 기능할 수 있을지 진단하기 위해 벼 수확량에 대한 공간적 예측 방법을 통해 농업 토지의 생산성을 실증적으로 살펴보고자 한다.

새만금 개발계획상 첨단농업 클러스터 육성 시점(2020년)을 경과한 현재 2023년을 기준으로, 1단계 개발계획의 주요한 목표 토지이용인 농업용지가 어떠한 수준의 농업 생산성을 갖는지 진단할 필요가 있다. 농업 활동이 이루어지지 않았던 간척지라는 지역의 농업 생산성을 평가함으로써 향후 새만금 농업 관련 계획, 상품성 예측, 정책 수립 등에 유용한 자료로 활용할 수 있다. 구체적으로는 우리나라의 주식으로 소비되는 벼 수확량을 예측하여 농업 생산성을 진단할 수 있다. 우리나라 벼 농업의 경우 주로 저고도 평지에서 관개 농업으로 이루어 지고 있다는 점, 계절에 따른 일교차 및 강수량 편차가 크다는 점을 비롯한 환경 및 기후 요인이 작용하기 때문에 벼 수확량 예측에 있어 다양한 변수가 요구된다(조수빈 등, 2021).

최근까지 새만금 간척지의 농업용지를 다각적으로 평가하기 위한 연구들이 수행되어 왔다. 「새만금 수질 평가 및 개선 방향 제시를 위한 연구용역 보고서」(오창환 등, 2020)에 의하면 4급수를 목표로 하고 있는 농업 구간에서는 6등급의 수질을 보이고 있어, 현재까지는 농업용지로 적합성이 크게 높지 않은 것으로 나타났다. 한편 「새만금 농생명용지 5공구 토양 화학성 조사」(농촌진흥청 국립식량과학원, 2022)에서는 토양 염농도를 평가하고 있는데, 조사 결과 밭토양 관리기준으로 유지되고 있으며 유기물 함량 등은 지속적으로 증가하고 있는 것으로 확인되었다. 이처럼 새만금 간척지의 농업용지를 대상으로 수질 및 토양 평가가 일부 진행되었지만, 이는 실제 간척지에서의 농업 활동 가능성에 대한 직접적인 판단 근거가 되지는 못한다. 기존 국내 연구들은 새만금에 대한 다양한 논의를 진행하고 있지만, 당초 새만금 간척 사업의 목적이자 최근 종료된 새만금 개발계획 1단계의 주요 목표인 농업용지에 관한 구체적인 연구는 거의 없는 실정이다. 실제로 새만금 사업을 대상으로 한 국내 연구는 주로 환경, 사회, 토목 및 공간 분야에 집중되어 있으며, 새만금 간척지의 벼 수확량을 예측하는 등 실질적인 농업 생산성을 분석한 연구는 미비하다.

이러한 맥락에서 본 연구는 농업용지로서 새만금 간척지의 생산성을 확인하고 활용 가능성을 실증적으로 파악하는데 목적이 있다. 이를 위해 최근 경작이 진행되고 있는 새만금 임시영농 구역을 대상으로 위성영상과 딥러닝(deep learning) 모델을 활용하여 세부적인 공구별 농업 생산성을 예측할 것이다. 구체적으로는 위성영상을 기반으로 새만금 사업 착공 이후 농업지역의 벼 식생 지수의 패턴을 확인하고, 강화식생지수 및 식생토양염분지수 등의 벼 특성 변수와 다양한 기상 자료를 바탕으로 벼 수확량 예측 딥러닝 모델을 구축한다. 이렇게 구축한 심층심경망(Deep Neural Network: DNN) 모델과 기존 수확량 예측 연구에서 광범위하게 사용되는 머신러닝 모델들의 성능을 비교・분석하여 본 연구의 모델의 활용 가능성을 확인한다. 본 연구의 결과는 농업용 간척지에 대한 생산성을 보다 체계적이고 과학적인 방법을 통해 탐색함으로써 새만금 사업의 단계별 추진 성과를 평가하는데 유용한 기초 자료가 될 수 있을 것으로 기대된다.

2. 선행연구

과거부터 현재까지 벼 수확량 예측과 관련된 연구는 국내외에서 모두 활발하게 진행되고 있다. 많은 연구들에서 벼의 구체적인 수확량을 예측하기 위해 주요하게 고려한 변수는 기후 요인과 정규식생지수로 알려져 있는 NDVI (Normalized Difference Vegetation Index)이다(조경숙・윤진일, 1999; 조수빈 등, 2021; 홍석영 등, 2012). 조경숙・윤진일(1999)은 벼 수확량 예측을 위한 변수로 일최고기온, 일최저기온, 강수량, 수평면일사량을 이용하였고, 홍석영 등(2012)은 등숙기 온도, 누적 강수량, 누적 일조시간을 비롯한 기상 데이터와 함께, 3km 단위의 상세한 일별 강수량 및 일사량 데이터를 이용한 다중 회귀 분석으로 벼 수확량을 예측하였다. 조수빈 등(2021)은 작물 생산에 있어 영향을 미치는 대표적인 기후 요인은 기온이라고 강조하고, 기온은 증발산량 및 물소비량을 증가시키고 벼의 생육기간을 단축하여 수확량 감소를 초래할 수 있다고 주장하였다. 또한 연구에서 월 단위의 기온, 상대 습도, 일사량, 강수량 변수에 대한 비교를 통하여 벼 수확량과 연관성을 분석하였고, 기온과 더불어 일사량과 일조시간이 중요한 변수라는 기존의 농학적 연구 결과들과 동일한 결론을 도출하였다.

기후 요인 중 강수량은 벼의 모든 생육 과정과 수확량에 직결되는 중요한 요소이며, 특히 벼의 생장 초기 단계에서 큰 영향을 미치는 것으로 알려져 있다(Bouman et al., 2007; Sridevi and Chellamuthu, 2015). 실제로 벼 수확량 예측 연구에서 강수량은 보편적으로 사용되어 왔다(김경섭 등, 2022; 조수빈 등 2021; 홍석영 등, 2012; Chandrasekar et al., 2010; Ji et al., 2007). 다만 우리나라 벼는 대부분 관개용수를 통해 수경으로 재배되며, 특히 새만금의 경우 간척지라는 특수한 조건에 있기 때문에 강수량과 더불어 벼가 생장하는 간척지 토양의 수분 및 염분을 대표할 수 있는 요인을 함께 고려할 필요가 있다.

기후 요인 이외에 농작물 및 식생의 생장 상태를 반영하는 특성 요인 또한 다수의 연구에서 사용되었다. NDVI가 대표적인 지수로, 대상의 생애 주기에 따라 상이한 값을 나타내며 벼 수확량 예측에서 가장 널리 사용되는 변수이다(박종화 등, 2010; 홍석영 등, 2012). 그러나 NDVI는 농작물 자체의 상태뿐만 아니라 토양 상태도 반영하고 있으며, 이러한 노이즈는 농작물 수확량 예측에 있어서 정확도를 저하시킬 수 있다. 따라서 농작물의 생장 상태와 토양의 상태를 구분하여 세부적으로 분석할 필요가 있으며, 선행연구를 통해 본 연구에서 활용 가능한 3개의 대안적인 지수를 확인하였다. 첫째, Son et al.(2014)은 NDVI의 대체 지수로써 강화식생지수인 EVI(Enhanced Vegetation Index)를 사용하여 토양의 노이즈를 최소화하였으며, 실제로 벼 수확량 예측에 있어 NDVI에 비해 더 높은 정확도를 보인다는 것이 증명되었다. 둘째, 간척지의 환경적 조건에서 토양의 염분 또한 농작물의 생장에 중요한 요소로 작용한다. 다만 나지가 아닌 식생 피복의 경우 위성영상을 기반으로 토양 자체의 염분도 산출이 불가능하기 때문에 대안적인 데이터가 필요하다. 토양의 염분도를 반영하는 토양염분지수 VSSI(Vegetation Soil Salinity Index)는 Dehni and Lounis (2012)가 최초로 고안하였으며, 토양 표면에 축적된 염분과 식생의 생장 간 상관관계를 잘 나타내는 지표로 확인되었다. Nguyen et al.(2020)은 베트남 지역의 토양 염분도 실측값과 위성영상 기반 토양 염분도 관련 지수값의 비교를 통해 VSSI가 실측값과 가장 유사한 지수라는 연구 결과를 제시하였다. 셋째, 앞서 살펴본 바와 같이 벼의 생장에서 중요한 것은 꾸준한 수분 공급이며, 논은 항상 수분 포화 상태여야 한다(Bouman et al,, 2007; Jeong et al., 2022). LSWI (Land Surface Water Index)는 토지피복수분지수로서, 위성영상 기반의 단파적외선(Short Wavelength Infrared: SWIR)과 근적외선(Near Infrared: NIR) 영역을 바탕으로 산출 가능하다. SWIR은 수분에 의한 빛 흡수가 강하며, 이를 기반으로 하는 LSWI는 벼와 토양에 포함된 수분의 총량에 민감하게 반응하는 것으로 알려져 토양 수분함량을 대체하기에 적합한 지수이다(Chandrasekar et al., 2010).

한편 머신러닝 및 딥러닝은 현재 다양한 분야에서 매우 광범위하게 사용되고 있으며, 특히 최근 들어 농작물 수확량 예측에 효과적인 방법론으로 논의되고 있다(Van Klompenburg et al., 2020). 기존의 전통적인 기법들을 통하여 수확량을 예측하는 것은 합리적이지만, 더 나은 기술을 접목하여 수확량 예측하는 것은 바람직하고 계속해서 발전해 나아가야 할 필요가 있다(Filippi et al., 2019). 농작물의 수확량은 매우 복합적인 요인의 영향을 받기 때문에 수확량 예측을 위해서는 전통적인 선형적인 기법에서 나아가 비선형적 모형을 구축할 필요가 있다. Ji et al.(2007)은 중국을 사례로 일반적인 인공신경망(Artificial Neural Network: ANN) 기법을 사용하였으며, 약 60개의 기상・토양 변수를 선정 후 지리적 환경 및 행정구역 단위에 따른 변수 조합과 투입을 상이하게 하여 최적의 값을 예측하였다. 그러나 지형과 지리적 환경에 따라 지역별로 상이한 변수들을 투입하여, 지역 간 변수들이 통일되지 않아 다른 지역에 대한 활용 가능성이 다소 낮을 것으로 보인다. Jeong et al.(2022)은 남한과 북한의 다양한 농업 시스템에 대한 위성영상을 통합하여 기존의 작물 모델과 딥러닝 모델을 합성하여 픽셀 단위로 벼 수확량을 조기에 예측하는 접근 방식을 제안하였다. 해당 연구에서는 기존 작물 모델인 GRAMI crop model을 수정한 모델인 RSCM(Remote-Sensing integrated Crop Model)을 활용하였으며, 딥러닝 모델과의 결합을 통하여 수확량 예측이 가능함을 증명했다. 다만 작물 모델과 딥러닝 모델의 통합 과정에 크게 중점을 두어, 벼 수확량 예측에 필요한 보다 다양한 변수들을 고려하지 못했다는 제한점이 있다.

많은 선행연구들은 농작물의 수확량 예측에 있어 머신러닝 기반 모델에 비해 딥러닝 기반의 완전 연결된 구조의 DNN 모델이 가장 우수한 성능으로 농업 생산성의 비선형적인 복잡성을 잘 반영한다는 결과를 제시하였다(Cao et al., 2021; Muruganantham et al., 2022; Paudel et al., 2021; Saravi et al., 2020; Van Klompenburg et al., 2020). Maimaitijiang et al.(2020)은 미국 미주리에 대해 무인항공기의 다중 분광 영상을 기반으로 구축한 DNN과 DNN-F2 모델을 기존 PLSR, RFR, SVR 머신러닝 기반의 접근법의 콩 수확량 예측력 및 정확도와 비교 분석한 바 있다. 그 결과 DNN-F2 모델이 가장 우수한 결과를 보였으며, 공간적 의존성과 편차가 미미하여 다양한 지역에서 일관적인 성능을 보여주었다. Khaki and Wang(2019)은 농업기업 신젠타(Syngenta)에서 공개한 2008-2016년 기간 약 2,000개 지역의 옥수수 수확량 자료를 바탕으로 2017년 옥수수 수확량 예측 모델을 구축한 결과, DNN 모델이 얕은신경망(Shallow Neural Network: SNN) 또는 회귀나무(Regression Tree) 등 널리 사용되는 여타의 머신러닝 접근법보다 정확한 예측을 하는 것으로 나타났다. 한편 밀 수확량 예측에 있어 연구자에 의해 수정된 DNN이 전통적인 DNN에 비해 시계열 데이터에 적합한 결과를 도출한다는 연구 결과가 있다(Bhojani and Bhatt, 2020).

이와 같이 선행연구를 바탕으로 벼 생장에 중요한 요인으로 작용하는 기후 변수 및 벼 특성 변수들을 식별하였고, 벼 수확량 예측에 있어 기존의 전통적인 접근법과 머신러닝보다 딥러닝의 DNN 모델이 비교적 높은 정확도를 보인다는 것을 확인하였다. 특히 해외에서 다양한 변수와 접근법을 기반으로 한 농작물의 수확량 예측 연구가 활발하게 진행되고 있었으며, 놀랍지 않게도 우리나라 새만금의 지역적 특성을 반영하는 경험적 연구는 전혀 찾아볼 수 없엇다. 이에 본 연구는 딥러닝 기반의 벼 수확 예측 모델을 구축하여 새만금 지역의 농업용지 생산성을 보다 경험적으로 평가하고자 한다. 이를 위해 먼저 다중시기 위성영상 이미지를 활용하여 전국에 분포하고 있는 논 데이터셋을 구축하고, 다양한 기후 변수와 벼의 생장 상태를 효과적으로 반영하는 대안적인 지수를 사용, 수많은 학습을 거친 DNN 모델을 적용하여 새만금 간척지의 임시영농 임대 구역2)의 벼 수확량 예측에 대한 공간적 분포를 살펴볼 것이다.

3. 연구 방법

1) 연구 지역 및 데이터

본 연구의 사례 지역은 새만금 간척지의 임시영농 임대 구역이다. 한국농어촌공사 새만금사업단은 2022년 5월 17일 간척지에서의 본격적인 농업 활동에 앞서 임시영농을 위해 농업용지 중 일부를 임대하기 시작했다(그림 2). 이 중 실제로 현재 농업용지로 사용되고 있는 임시영농 구역(1-1, 1-2, 4, 5공구)에 대해 벼 수확량을 예측하고자 한다. 임시영농 구역은 군산시와 김제시, 부안군 일원에 위치해 있으며, 구역들이 지리적으로 인접하여 벼 생장에 있어 유사한 생태 및 기후 환경을 제공한다. 따라서 임시영농 구역은 현 시점에서 새만금 간척농지의 농업 생산성을 분석하고 향후 농업용지 활용성을 평가하기에 적합한 지역이라 할 수 있다.

https://cdn.apub.kr/journalsite/sites/geo/2023-058-06/N013580602/images/geoa_58_06_02_F2.jpg
그림 2.

새만금 임시영농 공구 배치도

새만금 간척지 임시영농 구역의 벼 수확량 예측 모델을 구축하기 위해 먼저 간척지 지역에 대한 토양 환경 및 벼 특성 변이를 반영할 수 있는 논 토지 표본을 추출하였다. 또한 2020~2022년 시기의 벼 생산량과 재배면적, 기후 변수의 시계열 자료를 구축하였다. 우리나라에서 존재하는 논은 고지대와 저지대 논으로 분류되어 있으나, 본 연구에서는 저지대 관개지역 논으로 한정하여 분석을 진행하였다. 연구지역의 분석 대상이 되는 논이 저지대 관개지역 논일 뿐만 아니라 우리나라의 논은 대부분 관개시설에 의해 물 공급이 이루어지는 저지대 평지에 위치하고 있기 때문에(조수빈 등, 2021), 분석을 위해 연구지역의 논과 유사한 논을 표본 추출하였다. 분석을 위해 선정된 변수들은 표 1과 같으며, 크게 기상청에서 제공하는 기상 데이터와 위성영상을 기반으로 산출한 벼 특성 데이터로 구분될 수 있다. 관련 선행연구를 바탕으로 벼 수확량에 영향을 주는 주요 기상 및 벼 특성에 관한 데이터를 설명변수로 사용하였고, 벼 생산량을 예측변수로 사용하였다.

표 1.

분석을 위해 사용된 변수

변수 설명 출처
예측변수 벼 생산량(t) 통계청 농작물생산조사
설명변수 벼 재배면적(ha) 통계청 농작물생산조사
월 합 강수량(mm) 기상청 기상자료개방포털
(AAOS)
월 평균 풍속(m/s)
월 합계 일조시간(hr)
월 총증발량(mm)
월 평균 상대습도(%)
월 평균기온 (°C)
벼 EVI(강화식생지수) Landsat 8, 9
(UTM WGS84)
벼 VSSI(식생토양염분지수)
벼 LSWI(토지피복수분지수)

본 연구에서 사용한 기상 데이터 변수는 종관 기상관측(AAOS) 제공 전국 시군구 단위의 자료 중 월 합 강수량, 월 평균 풍속, 월 합계 일조시간, 월 총증발량, 월 평균 상대습도, 월 평균 기온이다. 위성영상 데이터로는 Landsat 8과 Landsat 9 OLI 센서를 기반으로 산출한 강화식생지수(Enhanced Vegetation Index: EVI), 식생토양염분지수(Vegetation Soil Salinity Index: VSSI), 그리고 토지피복수분지수(Land Surface Water Index: LSWI)를 사용하였다.

분석에 사용된 기상 특성 데이터는 해당 지역의 일반적인 기후 조건으로서 벼의 생장에 막대한 영향을 미치는 변수이며, 결과적으로 벼의 수확량과 직결된다. 강수량을 포함한 기상 조건은 특히 벼의 생장 초기 단계에서 매우 중요한 요인으로 작용한다(Bouman et al., 2007; Sridevi and Chellamuthu, 2015). 강수량은 벼 수확량 예측을 위해 기존 선행연구에서 가장 많이 사용되었던 변수이다(김경섭 등, 2022; 조수빈 등, 2021; 홍석영 등, 2012; Chandrasekar et al., 2010; Ji et al., 2007). 벼는 기본적으로 수경재배가 이루어지며, 수분량에 민감하기 때문에 물 공급량의 변동은 벼 수확량에 막대한 영향을 준다(Bouman et al., 2007). 또한 생장 과정에서 온도에 민감하게 반응한다(Sridevi and Chellamuthu, 2015).따라서 본 연구에서는 벼 생장 과정의 수문학적 요인을 확인하기 위한 기상 데이터로 월 합 강수량, 월 총 증발량, 월 평균 상대 습도를, 기온 관련 기상적인 변이를 설명하기 위해 월 평균 풍속, 월 합계 일조시간, 월 평균기온을 변수로 선정하였다.

한편 벼 특성 데이터는 벼의 생육 상태를 반영하여 벼 수확량 예측에 있어 핵심적인 변수이며, 위성영상을 바탕으로 산출할 수 있다. 벼 생장 상태를 대표하는 지수인 NDVI는 작물의 생애 주기에 따라 상이한 값을 나타내어(박종화 등, 2010), 벼 수확량 예측에서 가장 광범위하게 널리 사용되는 지수이다. 그러나 벼의 NDVI는 벼 자체의 상태뿐만 아니라 토양 상태도 포함되어 있고, 이러한 노이즈는 모델 예측에 있어서 정확도를 저하시킬 수 있다. 이에 본 연구에서는 NDVI의 대체 지수로서 강화식생지수인 EVI를 사용하여 토양의 노이즈를 최소화하였다. VSSI는 식생토양염분지수로, 벼의 생장에 크게 영향을 미치는 요인인 토양 염분도를 반영할 수 있는 지수이다. 나지가 아닌 식생 피복의 경우 위성영상을 기반으로 토양 자체의 염분도 산출이 불가능하기 때문에 대안적인 데이터가 필요하다. LSWI는 논의 토양 수분 상태를 확인할 수 있는 토지피복수분지수로 벼의 생장과 수확량과 직결되는 수분 공급을 반영하는 지수이다.

벼 수확량 예측을 목표로 하는 딥러닝을 위해 훈련 및 검증 데이터를 구축할 필요가 있다. 훈련 및 검증 데이터의 벼 특성 데이터의 경우, 새만금 임시영농 구역의 지리적 변이와 시간적 변이를 설명하기 위해 전국 논을 공간적 범위로 하였으며, 데이터셋은 2020~2022년의 시계열 자료로 구성하였다. 논 표본은 환경공간정보서비스에서 제공하는 중분류 토지피복도를 활용하여 추출하였다. 기상 데이터의 경우 논 표본이 포함되어 있는 시군구 단위의 기상청 기상자료개방포털 제공 자료를 이용하였다.

한편 훈련 데이터와 검증 데이터의 시간적 범위는 6월로 한정하여 설정하였다. 본 연구는 벼의 모내기가 끝나고 생장을 시작하는 시기, 즉 초기 시점에서의 예측을 수행하고자 한다. 6월은 벼의 영양생장기(6월)~생식생장기(9월) 중 유의미한 벼 EVI 등의 위성영상 기반 특성 데이터가 산출 가능한 최초의 시기이기도 하며, 임시영농 공고 시점인 2022년 이후 가장 최근의 새만금 벼 수확량을 예측해 볼 수 있는 적절한 시점이다. 이를 위해 2020~2022년 6월 기준 전국에 분포한 논 토지피복을 대상으로 데이터셋을 구축하였으며, 훈련 데이터와 검증 데이터의 비율을 8:2로 나누어 훈련 및 검증을 진행하였다(표 2). 또한 본 연구에서 구축한 모델들이 시간적 변이 또는 공간적 변이를 잘 설명하는지 확인하기 위해 2019년 6월 기준 전국 논 토지피복을 대상으로 시험 데이터셋을 구축하여 무작위로 100개의 논을 추출하여 추가 검증을 진행하였다.

표 2.

분석에 사용된 데이터셋의 시공간적 범위

데이터셋 시간적 범위 공간적 범위
2019.06. 2020.06. 2021.06. 2022.06. 2023.06.
1 훈련 × × 전국 논 토지피복 지역
검증 × ×
2 검증 × × × ×
3 시험 × × × × 새만금 임시영농 임대구역

2) 위성영상 기반 자료 및 딥러닝 기반 벼 수확량 예측 모델 구축

벼의 생장 상태와 수확량 예측에 있어서 EVI는 기상 데이터와 함께 중요한 변수로 작용한다. 기존의 많은 선행연구들에서는 NDVI를 통해 벼의 생장 상태와 추후 수확량을 예측하였지만, NDVI의 경우 산출 과정에서 토양 상태가 지수에 반영되어 식생 자체의 활력도를 제대로 포착할 수 없다는 단점이 있기 때문에 본 연구에서는 이를 대체할 수 있는 지표로 EVI를 활용하였다(김경섭 등, 2022). EVI가 가장 높게 나타나는 시점은 등숙기이며, 이외의 기간에서는 성장 상태에 따라 값이 달라진다. EVI는 산술적으로 -1에서 1사이의 범위를 가지며, 1에 가까울수록 해당 식생이 매우 건강함을 의미한다. EVI는 위성영상의 청색(BLUE), 적색(RED), 근적외선(Near InfraRed: NIR) 밴드값을 통해 산출할 수 있으며 Landsat 8호와 9호 위성의 경우 각각 밴드 2, 4, 5에 해당한다. EVI는 식 (1)과 같이 정의할 수 있다.

식 (1)
EVI=2.5×(NIR-RED)/NIR+6×RED-7.5×BLUE+NIR-RED

토양 염분 또한 벼의 성장에 있어 큰 영향을 미치는 요인이다. 토양 염분도의 경우 직접 실측하여 추출하는 방법이 가장 정확하지만, 최근 많은 연구에서 원격탐사 데이터를 활용하여 토양 염분도를 산출하고 있다. 여기에서 사용한 그 중 한 가지 기법인 VSSI는 식생의 생장 상태와 토양 염분도 사이의 상관관계에 대한 좋은 지표로(Dehni and Lounis, 2012), 위성영상의 녹색(GREEN), 적색(RED), 근적외선(NIR) 밴드를 이용하여 산출 가능하다. VSSI는 식 (2)와 같이 정의할 수 있는데, 실제 지수값의 범위가 매우 커 -1에서 1사이의 값으로 정규화하였다. VSSI는 -1에 가까울수록 염분도가 매우 높음을 의미한다.

식 (2)
VSSI=2×GREEN-5(RED-NIR)

한편 수분은 벼의 성장에 결정적인 요인으로 작용한다. 벼는 기본적으로 논에 침수된 상태의 조건에서 자라고, 다른 곡물들에 비해 물 부족에 매우 민감하다. 따라서 토양 수분 함량이 포화 상태 이하로 떨어지면 잎 표면적, 광합성 속도 및 성장과 수확량 형성에 큰 영향을 미치게 된다. 본 연구에서는 토양 수분 함량을 설명하기 위한 대체 지수로 LSWI를 사용하였다. LSWI는 단파적외선(Short Wavelength InfraRed: SWIR)과 근적외선(NIR) 영역을 바탕으로 산출 가능하다. LSWI는 -1에서 1의 값을 가지며, -1에 가까울 수록 토양 수분 함량이 거의 없음을, 1에 가까울수록 토양 수분 함량이 매우 많음을 의미한다(식 3).

식 (3)
LSWI=(NIR-SWIR)(NIR+SWIR)

이상의 위성영상 기반 벼 특성 자료들과 기상 자료들을 시군구 단위로 통합하여 전국에 분포하는 논 단위의 훈련 데이터 및 검증 데이터를 산출하였다. 데이터 정제를 통해 총 66,320개의 훈련 데이터를 구축하였다. 구축한 변수들을 바탕으로 새만금 간척농지 임시영농 구역의 벼 수확량을 예측하기 위해 DNN을 적용하였다.

DNN은 기존 ANN에서 은닉층(hidden layer)이 두 개 이상인 신경망이다. DNN은 은닉층을 추가함으로써 기존의 ANN에 비해 최적의 파라미터 값 탐색이 용이하고 성능이 우수하며, 비선형적인 관계 또한 훈련을 통해 출력값을 도출할 수 있는 형태이다. DNN은 연구자에 따라 다양한 구조를 가질 수 있으며 각 구조별 구성 또한 유연하게 조직할 수 있기 때문에 다양한 유형의 설명변수를 포괄하는 본 연구의 분석에 적절한 모델로 판단된다. 또한 L1 및 L2 규제와 드롭아웃(dropout) 등의 여러 가지 기법을 적용하여 과대적합(overfitting)을 방지할 수 있고, 모델의 학습 능력을 사용 데이터셋 또는 목적에 따라 달리 적용할 수 있다. 또한 다수의 선행연구들을 통해 작물 수확량 예측을 위한 DNN의 경우, 완전 연결된 구조가 가장 정확도가 높다는 것을 확인하였다(Cao et al., 2021; Muruganantham et al., 2022; Paudel et al., 2021; Van Klompenburg et al., 2020).

본 연구에서는 선형회귀(linear regression algorithm), 랜덤포레스트(random rorest), 그래디언트 부스팅 의사결정나무(Gradient Boost Decision Tree: GBDT), 에이다부스트(Adaboost) 등 여러 머신러닝 모델을 구축하여 비교・분석한 결과 성능이 가장 우수하게 확인된, 입력층-은닉층-출력층이 완전 연결된 구조의 DNN 모델을 사용하였다. 분석을 위한 DNN 구조는 10개의 차원과 256개의 노드로 구성된 입력층, 64개의 은닉층 1개, 그리고 1개의 출력층으로 이루어져 있다. 이때 활성화 함수는 출력층만이 linear 함수로 이루어져 있고, 입력층과 은닉층은 relu 함수로 이루어져 있다. 훈련 및 검증 데이터는 8:2의 비율로 구분하였으며, 2019년 검증 데이터는 약 4만 개의 데이터셋을 구축, 그 중 100개의 표본을 무작위로 선정하여 실측값과 예측값에 대한 검증을 진행하였다. 본 연구에서는 최적의 하이퍼파라미터 값을 탐색하기 위해 Optuna 패키지를 사용하였으며, 해당 값을 참고하여 모델에 적용하였다. 또한 모델 훈련 과정에서의 과대적합을 방지하기 위하여 조기 종료(early stopping) 기법을 추가하였다.

이렇게 구축한 변수 및 딥러닝 모델을 활용하여 2023년 새만금 간척지 임시영농 구역의 논 단위의 벼 수확량을 예측하였고, 이를 통해 농업용지로서의 생산성과 활용 가능성을 실증적으로 확인하였다. 본 연구에서는 분석을 위해 파이썬 3.9를 사용하였으며, scikit-learn, tensorflow, 그리고 keras 등의 패키지를 사용하였다.

4. 연구 결과

1) 벼 수확량 예측 모델 훈련 결과

본 연구에서는 벼 수확량 예측 머신러닝 모델을 구축하기 위해 전국의 약 6만 개 이상의 논 토지 표본을 대상으로 2022~2022년 기간 시계열 위성영상 기반 벼 특성 자료와 기상 자료의 학습을 진행하였다. 본 연구에서 구축한 DNN 모델의 공간적 공간적・시간적 변이 설명력을 확인하기 추가적인 검증을 실시하였다. 이를 위해 2019년의 전국 논 토지에 대한 약 4만 건의 데이터셋에서 100개의 표본을 무작위로 추출, 다른 4개 머신러닝 모델의 실측값과 예측값에 대한 교차 검증을 진행하였고, 그 결과는 표 3과 같다. DNN의 성능이 미세하지만 가장 우수하게 도출되는 것을 확인할 수 있다. RMSE(Root Mean Square Error)는 7.5901(t)이며 R2 또한 높게 나타나, 기존 연구들과 비교하였을 때도 매우 높은 설명력이라고 할 수 있다.

표 3.

2019년 전국 논 토지피복 지역의 벼 수확량에 대한 모델별 추정 결과 비교

DNN Linear regression Random Forest GBDT Adaboost
RMSE 7.5901 8.5882 9.8965 9.2430 23.4479
R2 0.9980 0.9974 0.9966 0.9970 0.9801

실제로 전국 논의 벼 수확량에 대한 2020~2022년 훈련 모델링 결과(그림 3)와 2019년 검증 모델링 결과(그림 4)를 통해 여기에서 사용한 DNN 모델이 벼 수확량을 높은 정확도로 예측함을 확인하였다. 따라서 본 연구에서 전국의 논 토지피복을 바탕으로 구축한 모델은 최종 분석 대상이 되는 2023년 새만금 농업지역의 벼 수확량 역시 적절하게 예측할 수 있을 것으로 기대된다. 이러한 결과는 본 연구에서 구축한 모델이 우리나라 토양 및 기후 환경의 시공간적 변이를 직접적으로 고려함으로써, 우리나라에서 재배되는 논 단위의 벼 수확량을 보다 정확하게 예측하는데 활용될 수 있음을 시사한다. 그러나 본 연구에서는 기존 선행연구에서 주로 사용하는 RMSE의 단위인 kg/ha와 다르게 t 단위로 수치를 제시한다는 점과 최종 출력값이 면적당 벼 수확량이 아닌 벼 수확량 자체임에 유의할 필요가 있다.

https://cdn.apub.kr/journalsite/sites/geo/2023-058-06/N013580602/images/geoa_58_06_02_F3.jpg
그림 3.

전국 벼 수확량 예측 모델링(훈련) 검증 결과 (2020~2022년)

https://cdn.apub.kr/journalsite/sites/geo/2023-058-06/N013580602/images/geoa_58_06_02_F4.jpg
그림 4.

전국 벼 수확량 예측 모델링(검증) 검증 결과(2019년)

2) 새만금 임시영농 구역의 벼 수확량 예측

훈련을 통해 구축된 벼 수확량 예측 모델을 새만금 간척지 임시영농 구역 내에 존재하는 논 단위의 필지에 적용하였다. 분석에 사용된 데이터의 공간적 범위는 2023년 6월 단일 시기의 위성영상에서 운량이 없는 구역(총 면적 1,852 ha)으로 정의하였다. 해당 지역에 대한 2023년 6월 기상 변수와 위성영상 자료 기반의 벼 특성 변수를 토대로 새만금 임시영농 구역의 세부 공구별 벼 수확량을 예측한 결과는 표 4와 같다. 전체적으로 2023년 새만금 임시영농 구역(1,852ha)에서 총 7745.44t의 벼 예측 수확량이 도출되었다. 이 결과를 10a당 생산량(kg)으로 환산한다면 새만금 임시영농 구역에서 10a당 평균 415.92kg의 벼가 생산될 것으로 추정된다. 해당 수치는 통계청 제공 2022년 기준 전국 평균 10a당 벼 생산량인 518kg에 약 100kg 정도 못 미치는 수준이다. 이에 따라 현 시점에서 새만금 임시영농 구역으로 선정된 간척 농지의 농업 생산성은 국내 다른 지역의 논에 비해 다소 낮을 것으로 예상된다.

표 4.

새만금 임시영농 구역 공구별 벼 수확량 예측 결과

공구 면적(ha) kg/10a 공구 면적(ha) kg/10a
1-1_가-1 56 425.1499 4_다-1 19 412.7842
1-1_가-2 55 418.1783 4_다-2 18 432.0262
1-1_가-3 54 431.3800 4_B-2 29 405.2216
1-1_가-4 55 433.0560 4_B-3 24 397.1517
1-1_가-5 60 429.6681 4_B-4 24 338.3776
1-1_A-1 32 411.0317 4_B-5 31 413.8066
1-1_A-2 42 635.1284 4_B-6 26 454.3839
1-1_A-3 39 415.8763 4_B-7 26 466.2726
1-1_A-4 33 387.6009 4_B-8 38 404.5902
1-1_A-5 32 119.4849 4_C-1 37 361.6866
1-1_A-6 35 421.4364 5_나-10 36 418.4010
1-1_A-7 31 412.8364 5_나-11 37 407.0247
1-1_A-8 38 416.2320 5_나-5 33 413.2425
1-1_B-1 28 364.6698 5_나-6 36 420.3734
1-2_가-6 50 429.0036 5_나-7 35 415.2332
1-2_A-10 34 417.5127 5_나-8 35 422.5546
1-2_A-11 33 358.8645 5_나-9 39 422.7547
1-2_A-12 33 413.0468 5_B-10 34 417.6861
1-2_A-13 51 431.1619 5_B-11 31 441.5301
1-2_A-14 49 407.4769 5_B-9 36 414.0611
1-2_A-9 34 497.6479 5_C-2 25 401.9825
4_나-1 48 437.2681 5_C-3 29 396.0375
4_나-2 56 427.1608 5_C-4 24 566.3769
4_나-3 60 353.6345 5_C-5 28 346.0870
4_나-4 54 511.4092 5_C-6 30 400.2059

실제로 임시영농 구역의 공구별 VSSI, 즉 식생과 토양의 염분 지수의 평균값은 0.6388로, 전국 평균인 0.6147와 유사한 값으로 벼가 온전히 생장할 수 있을 정도의 토양 염도를 나타내고 있었다(표 5). 반면, LSWI 토지 피복의 수분 지수의 경우 원활한 농업 활동이 이루어 질 수 있는 값인 0.1647보다 낮은 -0.0429 값을 보였다. 결과적으로 현재 새만금 임시영농 구역은 식생 및 토양의 염분은 적정 수준이지만 수분이 풍부하지 못한 환경으로, 담수화가 충분히 이루어지지 않은 상태라고 평가할 수 있다.

표 5.

새만금 임시영농 구역(2023) 및 전국 (2020-2022) 벼 특성 변수 기술통계량

EVI VSSI LSWI
새만금 전국 새만금 전국 새만금 전국
평균 -3.3614 -3.2602 0.6388 0.6147 -0.0429 0.1647
표준편차 13.2833 136.2612 0.0174 0.0601 0.0308 0.0571
최솟값 -60.7517 -15855.8330 0.5964 -0.2479 -0.0894 -0.5132
최댓값 46.4573 10738.6283 0.6629 0.8577 0.0676 0.9800

새만금 임시영농 구역 내의 세부 공구별 기대 수확량을 보다 미시적으로 살펴보면, 공구에 따라 수확량의 공간적 변이가 다소 크게 나타나는 것을 알 수 있다(표 4). 우선 전체 임시영농 구역은 평균적으로 10a당 약 415kg의 수확량이 기대되며, 공구별로 수확량이 가장 많을 것으로 예상되는 논은 1-1공구의 A-2(635.1284kg/10a)이고, 이외에 5공구의 C-4(566.3769kg/10a), 4공구의 나-4(511.4092kg/10a) 등에서 높은 농업 생산성이 확인되었다(그림 5). 반면 수확량이 가장 적을 것으로 예상되는 논은 1-1공구의 A-5(119. 4849kg/10a)이고, 이외에 4공구의 B-4(338.3776kg/ 10a), 5공구의 C-5(346.087kg/10a) 등의 경우 낮은 농업 생산성이 예상되었다. 한편 2022년 기준 전국의 평균 벼 생산량인 518kg/10a 이상의 수확량이 기대되는 논은 전체 50개 논 중 단 2개(4%)에 불과했다.

벼 수확량의 공구별 차이는 벼 생장에 크게 영향을 주는 주요 인자들의 차이에서 비롯됨을 유추할 수 있는데, 표 5에서처럼 식생 지수나 토양 염도, 수분 함량에서 공구별 편차가 크다는 것을 알 수 있다. 다시 말해 공구별 논들의 벼 특성 지수가 공간적으로 균일한 상태가 아님을 나타내며, 동시에 해당 지수가 벼의 수확량 예측에 있어 많은 영향을 줄 수 있음을 시사한다. 추후 농지로서 활용 가능성을 보이는 세부 공구별 논 단위가 존재하지만, 공구별로 예측되는 생산성의 편차로 인해 전체적인 임시영농 구역이 평균적인 농업용지로서 기능을 수행하기에는 어려워 보인다.

그림 5는 새만금 간척지 임시영농 구역을 각 공구의 세부 논별로 세분화하여 예측한 벼 수확량을 시각화한 결과이다. 대부분의 논은 전국 평균(518kg/10a) 미만 생산성이 확인되었고, 임시영농 구역 내 단 2개 공구에서만 유의미한 수확량이 확인되었다. 현재 시점에서는 전반적으로 농업용지로서 활용성이 높지 않을 것으로 추정된다. 유의미한 수확량이 기대되는 소수의 농지가 불균등하게 분포되어 있는 것으로 미루어 볼 때, 임시영농 구역 전반에 걸친 담수화 촉진 등의 환경 개선이 요구된다. 또한 만경강과 동진강, 그리고 인근 지류 하천과 공간적으로 인접해 있는 논들의 경우에도 농업 생산성이 높지 않은 것으로 나타나는데, 이는 농업 활동을 위한 지력이 증진되지 않은 토양 환경에서 감조하천에 의한 염분 유입 등의 영향을 받은 결과로 보인다. 한편 만경강의 북쪽에 위치한 군산시의 1-1, 1-2 공구의 논에서 낮지만 비교적 안정적인 생산성이 기대된다. 종합하면, 현재 새만금 간척지 임시영농 구역은 토양 염분과, 수분 등 담수화 정도가 공구별로 상이하며 이는 궁극적인 벼 생산량에 직접적인 영향을 줄 것으로 사료된다.

https://cdn.apub.kr/journalsite/sites/geo/2023-058-06/N013580602/images/geoa_58_06_02_F5.jpg
그림 5.

새만금 임시영농 공구별 벼 수확량 예측 분포

5. 토의 및 결론

새만금 사업은 단군 이래 최대 규모의 국책 사업으로, 2023년 기준 착공 32주년을 맞이하였다. 새만금은 1991년 착공 후 2000년대에는 사업 관련 여러 부문이 논란의 대상이 되기도 하였고, 2010년대 이후에는 사업 진척이 더뎌 현재까지 개발의 성과가 크지 않은 것으로 평가받고 있다. 이러한 상황 속에서 2020년대에 들어 새만금에 대한 대중의 관심이 크게 감소하기도 했지만 착공 30년이 지난 지금, 새만금 사업 추진에 대한 보다 체계적인 진단이 필요한 시점이다. 이에 본 연구는 완료 시점이 가장 최근에 도래한 새만금 1단계 개발계획(첨단농업 클러스터 육성을 위한 농생명용지 및 새만금 국가산업단지 조성 추진)의 주요 과제인 농업용지의 생산성과 활용 가능성을 평가하였다. 실제로 선행연구를 검토한 결과 새만금 간척지의 농업 생산성 또는 활용 가능성을 분석한 사례가 전무하여, 본 연구에서 1단계 개발계획의 진단을 위해 논 단위의 벼 수확량 예측을 진행하였다. 보다 구체적으로 위성영상 기반의 벼 특성 자료와 기상 자료를 이용하여 딥러닝 예측 모델을 구축하였고, 이를 이용하여 새만금 간척지 임시영농 구역의 벼 수확량을 예측하였다.

본 연구에서 개발한 딥러닝 기반의 벼 수확 예측 모델은 벼 생장에 영향을 미치는 다양하고 복합적인 요인들을 포괄적으로 고려하고, 농업 생산성을 설명하는 변수들의 비선형성을 반영하는 심층심경망을 구축함으로써 높은 설명력과 낮은 오차범위 등 우수한 성능이 확인되었다. 특히, 전국의 논 토지 특성과 수확량 데이터의 시계열 변이를 포함하는 시공간 데이터셋의 복합적 훈련을 통해 보다 정확도 높은 모델을 구축할 수 있었다. 벼 수확량에 영향을 주는 논 경작지의 식생, 염분, 수분 특성을 반영하기 위해 Landsat 8과 Landsat 9의 다중분광 영상을 이용하였고 강수량, 풍속, 일조시간, 총증발량, 상대습도, 기온 등의 기후 데이터도 적절히 사용하였다. 이렇게 구축된 벼 수확 예측 모델을 통한 주요 연구 결과는 다음과 같다.

첫째, 분석에서 사용된 DNN은 10개 차원과 256개의 노드로 구성된 입력층, 64개와 32개의 노드로 구성된 은닉층, 그리고 출력층이 완전 연결된 구조이다. 다양한 규제 및 기법으로 여러 가지 머신러닝 모델을 구축하여 훈련 및 검증한 결과, 최종 선정된 DNN 모델은 선형회귀, 랜덤포레스트, GBDT, 에이다부스트 모델에 비해 높은 정확성과 설명력을 보였다. 이를 새만금 농업 지역에 적용하여 새로운 간척지에 대한 보다 정확한 벼 수확량을 예측할 수 있었다.

둘째, DNN 모델을 사용하여 2023년 새만금 임시영농 구역의 벼 수확량을 예측한 결과, 2022년 기준 전국 평균 벼 수확량(518kg/10a)에 못 미치는 10a당 평균 약 415kg의 수확량이 예측되었다. 간척 이후 담수화 및 지력이 충분하지 않은 시기임을 감안하더라도 다소 낮은 농업 생산성으로 사료된다. 한편 보다 세부적인 논 필지 단위로 수확량을 살펴보았을 때, 대부분 농지로서 활용 가능한 평균적인 생산성보다 낮은 예측 수확량을 보였으며, 단 2개의 논에서 평균적인 생산성을 확인할 수 있었다. 종합하면 새만금 농업지역 전반에 걸쳐 향후 농업용지로서 활용을 위해서는 현 시점에서 환경 개선이 필요다고 판단된다. 이는 각 세부 공구별로 기상 변수와 벼 특성 변수의 지역적 차이에 따른 공간적 변이로 확인되었다.

본 연구는 농업용지로서 새만금 간척지의 중요한 활용 가치를 제고하고 실제적인 생산성을 보다 정확하게 추정하고 있다는 점에서 의의를 가진다. 최근 임시영농을 시작한 구역을 대상으로 위성영상과 딥러닝을 통해 보다 합리적인 벼 수확량을 예측함으로써 새만금 간척 농지에 대한 잠재적 활용성을 구체적으로 보여주고 있다. 또한 2026년 시행 예정인 정식영농에 앞서 사전적 점검으로서 중요한 의미를 가지며, 동시에 공간적으로 불균등한 토지 생산성을 개선하기 위한 다양한 후속 연구를 기대하게 한다. 한편 본 연구에서 사용한 자료 중 기상 변수는 시군구 단위로 집계되어 있어 논 단위의 상세한 지역의 기상 환경을 제대로 반영하지 못한다는 한계를 가진다. 또한 1년 중 6월에 한정된 단일 시기만을 대상으로 모델을 구축함으로써 여름철 태풍 또는 장마 등의 중요한 계절적 기상 변수들을 충분히 고려하지 못하였다. 이러한 점들을 고려할 때 향후 연구에서는 확장된 시간적 범위의 데이터를 통해 벼의 생애 주기를 반영할 수 있는 데이터셋과 모델링 노력이 필요할 것으로 생각된다.

Acknowledgements

이 논문은 2021년 대한민국 교육부와 한국연구재단의 지원을 받아 수행된 연구임(NRF-2021S1A5A2A01063728).

[1] 1) 새만금 개발청에 따르면 단계별 새만금 개발계획은 다음과 같다. 1단계(-2020년)에서는 첨단농업 클러스터 육성을 위한 농생명용지 및 새만금 국가산업단지 조성을 추진한다. 2단계(2021-2030년)에서는 전체 78% 개발 추진을 목표로, 공기업 추가 참여, 가속화 및 민간투자 유치형 재생 에너지 사업 등을 통해 새만금 내부 개발을 본격 추진한다. 3단계(2031-2040년)에서는 전체 87% 개발 추진을 목표로, 내부 개발을 통해 높아진 개발압력을 나머지 부지에 수용하는데 초점을 둔다. 4단계(2041-2050년)에서는 용지 개발 완료를 목표로, 태양광 발전사업 종료 후 개발 수요, 신재생 에너지 용지 수요 등을 고려하여 해당 부지에 대한 추가적인 개발을 추진한다.

[2] 2) 한국농어촌공사 새만금사업단에서는 본격적인 농업 활동을 시작하기에 앞서 임시영농을 위해 2022년 5월「2022년 새만금지구 매립지등 관리처분계획 및 간척농지 임대 공고」를 실시하였다. 그 중 일반 농업용지는 총 4개 공구, 1,852 ha이다.

References

1
김경섭・정윤재・전병운, 2022, "Sentinel-2 위성영상과 강우 및 토양자료를 활용한 벼 수량 예측," 한국지리정보학회지, 25(1), 133-149.
2
농촌진흥청 국립식량과학원, 2022, 새만금 농생명용지 5공구 토양 화학성 조사.
3
박종화・나상일・이규호・백신철・김형섭, 2010, 농작물 생산통계의 원격탐사기술 활용방안 연구, 통계청.
4
새만금개발청, 2014, 새만금 기본계획.
5
새만금개발청, 단계별 개발계획, https://www.saemangeum. go.kr/sda/content.do?key=2108029121381, 2023년 6월 23일 접속.
6
오창환・김재병・한승우・오동필・김강주, 2020, 새만금 수질 평가 및 개선방향 제시를 위한 연구용역 보고서, 전북대 지구환경과학과 지구환경시스템 연구소.
7
조경숙・윤진일, 1999, "일기상자료에 의한 읍면별 벼 작황진단 및 쌀 생산량 예측," 한국농림기상학회지, 1(1), 1-10.
8
조수빈・윤유정・김서연・정예민・김근아・강종구・이양원, 2021, "우리나라 시군단위 벼 수확량 예측을 위한 다종 기상자료의 비교평가," 대한원격탐사학회지, 37(2), 337-357.
9
홍석영・허지나・안중배・이지민・민병걸・이충근・김이현・이경도・김선화・김건엽・심교문, 2012, "MODIS NDVI와 기상자료를 이용한 우리나라 벼 수량 예측," 대한원격탐사학회지, 28(5), 509-520. 10.7780/kjrs.2012.28.5.4
10
Bhojani, S. H. and Bhatt, N., 2020, Wheat crop yield prediction using new activation functions in neural network, Neural Computing and Applications, 32, 13941-13951. 10.1007/s00521-020-04797-8
11
Bouman, B. A., Humphreys, E., Tuong, T. P. and Barker, R., 2007, Rice and water, Advances in Agronomy, 92, 187-237. 10.1016/S0065-2113(04)92004-4
12
Cao, J., Zhang, Z., Luo, Y., Zhang, L., Zhang, J., Li, Z. and Tao, F., 2021, Wheat yield predictions at a county and field scale with deep learning, machine learning, and google earth engine, European Journal of Agronomy, 123, 126204. 10.1016/j.eja.2020.126204
13
Chandrasekar, K., Sesha Sai, M. V. R., Roy, P. S., and Dwevedi, R. S., 2010, Land Surface Water Index (LSWI) response to rainfall and NDVI using the MODIS vegetation index product, International Journal of Remote Sensing, 31(15), 3987-4005. 10.1080/01431160802575653
14
Dehni, A. and Lounis, M., 2012, Remote sensing techniques for salt affected soil mapping: application to the Oran region of Algeria, Procedia Engineering, 33, 188-198. 10.1016/j.proeng.2012.01.1193
15
Filippi, P., Jones, E. J., Wimalathunge, N. S., Somarathna, P. D., Pozza, L. E., Ugbaje, S. U., Jephcott, T. G., Paterson, S. E., Whelan, B. M. and Bishop, T. F., 2019, An approach to forecast grain crop yield using multi- layered, multi-farm data sets and machine learning, Precision Agriculture, 20, 1015-1029. 10.1007/s11119-018-09628-4
16
Jeong, S., Ko, J. and Yeom, J. M., 2022, Predicting rice yield at pixel scale through synthetic use of crop and deep learning models with satellite data in South and North Korea, Science of The Total Environment, 802, 149726. 10.1016/j.scitotenv.2021.14972634464811
17
Ji, B., Sun, Y., Yang, S., and Wan, J., 2007, Artificial neural networks for rice yield prediction in mountainous regions, The Journal of Agricultural Science, 145(3), 249-261. 10.1017/S0021859606006691
18
Khaki, S. and Wang, L., 2019, Crop yield prediction using deep neural networks, Frontiers in Plant Science, 10, 621. 10.3389/fpls.2019.0062131191564PMC6540942
19
Maimaitijiang, M., Sagan, V., Sidike, P., Hartling, S., Esposito, F. and Fritschi, F. B., 2020, Soybean yield prediction from UAV using multimodal data fusion and deep learning, Remote Sensing of Environment, 237, 111599. 10.1016/j.rse.2019.111599
20
Muruganantham, P., Wibowo, S., Grandhi, S., Samrat, N. H. and Islam, N., 2022, A systematic literature review on crop yield prediction with deep learning and remote sensing, Remote Sensing, 14(9), 1990. 10.3390/rs14091990
21
Nguyen, K. A., Liou, Y. A., Tran, H. P., Hoang, P. P. and Nguyen, T. H., 2020, Soil salinity assessment by using near-infrared channel and vegetation soil salinity index derived from Landsat 8 OLI data: a case study in the Tra Vinh Province, Mekong Delta, Vietnam, Progress in Earth and Planetary Science, 7, 1-16. 10.1186/s40645-019-0311-0
22
Paudel, D., Boogaard, H., de Wit, A., Janssen, S., Osinga, S., Pylianidis, C. and Athanasiadis, I. N., 2021, Machine learning for large-scale crop yield forecasting, Agricultural Systems, 187, 103016. 10.1016/j.agsy.2020.103016
23
Saravi, B., Nejadhashemi, A. P. and Tang, B., 2020, Quantitative model of irrigation effect on maize yield by deep neural network, Neural Computing and Applications, 32, 10679-10692. 10.1007/s00521-019-04601-2
24
Son, N. T., Chen, C. F., Chen, C. R., Minh, V. Q. and Trung, N. H., 2014, A comparative analysis of multitemporal MODIS EVI and NDVI data for large-scale rice yield estimation, Agricultural and Forest Meteorology, 197, 52-64. 10.1016/j.agrformet.2014.06.007
25
Sridevi, V. and Chellamuthu, V., 2015, Impact of weather on rice - a review, International Journal of Applied Research, 1(9), 825-831.
26
Van Klompenburg, T., Kassahun, A. and Catal, C., 2020, Crop yield prediction using machine learning: a systematic literature review, Computers and Electronics in Agriculture, 177, 105709. 10.1016/j.compag.2020.105709
페이지 상단으로 이동하기