Effect of the Application of Temporal Mask Map on the Relationship between NDVI and Rice Yield

시계열 마스크 맵이 논벼 NDVI와 단수와의 관계에 미치는 영향

Abstract

The objectives of this study were (1) to develop a temporal mask map using MCD12Q1 data, and (2) to extract the annual variations in paddy, (3) to investigate the correlation analysis between MYD13Q1 NDVI and rice yield, and (4) to review its applicability. For these purposes, the temporal mask map was created using annual MCD12Q1 PFT data from 2002 to 2019, and compared with the fixed mask map. As a result, it found that the temporal mask map well reflected the variations of the paddy area. In addition, the correlation coefficient between NDVI and rice yield was also high significant as compared to the fixed mask map. Therefore, the temporal mask map will be useful for NDVI extraction, crop monitoring, and estimation of rice yield.

본 연구의 목적은 (1) MCD12Q1 자료를 이용하여 시계열 마스크 맵 작성하여 (2) 시계열 마스크 맵의 연차별 논벼 재배면적 변화를 추출하고, (3) MYD13Q1 NDVI와 단수와의 상관계수를 비교하여 (4) 적용성을 검토하는 것이다. 이를 위해 2002년부터 2019년까지의 연도별 MCD12Q1 PFT 자료를 수집하여 시계열 마스크 맵을 작성하고 고정형 마스크 맵과 비교하였다. 그 결과, 시계열 마스크 맵에 의한 논벼 재배면적이 실제 논벼 재배면적의 변동 특성을 잘 반영하고 있는 것으로 나타났으며, 고정형 마스크 맵과 비교하여 NDVI와 논벼 단수와의 상관계수도 높게 나타나 시계열 마스크 맵이 논벼 고유의 식생지수 추출 및 작황 모니터링, 단수 추정의 정확도를 높이는 방법임을 확인하였다.

요약

본 연구의 목적은 (1) MCD12Q1 자료를 이용하여 시계열 마스크 맵 작성하여 (2) 시계열 마스크 맵의 연차별 논벼 재배면적 변화를 추출하고, (3) MYD13Q1 NDVI와 단수와의 상관계수를 비교하여 (4) 적용성을 검토하는 것이다. 이를 위해 2002년부터 2019년까지의 연도별MCD12Q1 PFT 자료를 수집하여 시계열 마스크 맵을 작성하고 고정형 마스크 맵과 비교하였다. 그 결과, 시계열 마스크 맵에 의한 논벼 재배면적이 실제 논벼 재배면적의 변동 특성을 잘 반영하고 있는 것으로 나타났으며, 고정형 마스크 맵과 비교하여 NDVI와 논벼 단수와의 상관계수도 높게 나타나 시계열 마스크 맵이 논벼 고유의 식생지수 추출 및 작황 모니터링, 단수 추정의 정확도를 높이는 방법임을 확인하였다.

1. 서론

쌀을 주식으로 하는 아시아 국가에서 국가적 식량수급의 불안정에 능동적으로 대처하기 위한 방안으로 쌀 생산량 조사는 매우 중요한 의미를 갖는다(Na et al., 2012). 우리나라 역시 주곡인 쌀의 수급 안정화를 위해 정부는 다양한 정책을 통해 쌀 생산 체계를 유지해오고 있으며 장기적인 식량 안보의 관점에서 쌀 자급률을 꾸준히 관리하고 있다. 특히, 논벼의 단수 예측 정보는 정부의 쌀 수급안정 정책 수립 및 추진을 위한 중요한 자료로 사용되고 있으며, 쌀 생산 농가와 산지 유통업체도 출하 물량, 매입량, 가격 등에 대한 의사결정에 활용하고 있다. 따라서 논벼의 단수 예측 정보가 작물의 안정 생산, 식량수급정책 및 식량안보에 미치는 영향은 지역과 국가를 떠나 세계적으로 그 중요성이 매우 크다. 우리나라의 논벼 단수는 2012년 10 a당 473 kg으로 32년만에 최저치를 기록한 후, 2015년 542 kg/10 a로 회복되었으나 다시 감소 추세가 지속되어 2019년에는 513 kg/10 a로 전년대비 2.2% 감소하는 등 증감을 반복하고 있다(KOSIS, 2020). 이와 같은 논벼 단수의 변동은 태풍으로 인한 기상악화 및 폭염, 잦은 강수에 의한 일사량 부족 등이 주요 원인으로 최근 기후변화에 의한 기상 조건의 변동성이 커짐에 따라 논벼 단수 예측 정보의 불확실성도 점차 커지고 있다.

논벼의 단수 추정은 표본조사에 의한 전통적인 방법 외 다양한 방법으로 시도되고 있다. 그 중 원격탐사를 이용한 방법은 논벼의 분광특성을 바탕으로 드론, 유인 항공기 및 광학위성으로 얻어지는 식생지수(NDVI, EVI, LAI 등)를 활용하여 단수를 추정하는 방법으로 정보기술의 급속한 발전으로 인하여 농업관측사업과 관련하여 활발하게 진행되고 있다. 작물의 생산량은 생육기간 동안의 기상여건, 시비조건, 관개상황 및 경작 방법 등이 복합적으로 작용하여 결정됨에 따라 많은 학자들은 오래 전부터 단수와 식생지수 사이에 함수관계가 있을 것으로 가정하고 이들 간의 상관관계를 연구하여 왔으며(Allen, 1977; Ferencz et al., 2004; Rojas, 2007; Ren et al., 2008; Becker-Reshef et al., 2010), 이를 기반으로 국내 원격탐사 기반의 논벼 단수 추정도 대부분 식생지수와 기상요소를 이용한 경험적 통계모형(Empirical Statistical Models; ESM)을 주로 활용하고 있다(Hong et al., 2009; Na et al., 2012; Hong et al., 2012; Na et al., 2013).

식생지수와 기상요소를 이용한 경험적 통계모형은 생육기간 동안 단수와의 상관성이 높은 시기의 식생지수 및 기상요소와 단수와의 관계식을 이용한 방법으로 자료의 수집이 쉽고 정확도가 높은 장점이 있으나 입력 자료의 균질성 및 대표성의 확보가 선행되어야 한다는 한계도 존재한다. 정확한 작황 분석을 위해서는 논벼 재배지 이외의 토지피복 지역을 배제하여 논벼 고유의 식생지수만을 추출하는 것이 중요하기 때문이다. 일반적으로 논벼 고유의 식생지수 추출을 위한 방법으로 마스크 맵(Mask Map)을 활용한다. 마스크 맵은 작황 분석의 공간적 범위로서 기타 토지피복을 제외한 실제 경작이 이루어지는 영역을 의미하며, 주로 지적도, 스마트 팜맵(Smart Farm Map; SFM) 등을 대상으로 원하는 지목을 추출하거나 위성영상 기반의 토지피복도를 사용한다. 그러나 해당 자료들의 갱신주기가 3~10년으로 시계열 자료 수집이 불가능하고 위성영상 기반의 토지피복도 제작에 많은 노력이 필요한 관계로 대부분 최근 자료 기반의 고정형 마스크 맵(Fixed Mask map; FM)을 사용하고 있으며, 이는 매년 변화하는 농경지의 현황을 반영하지 못하고 있다는 점에서 정밀한 작황 분석 및 단수 추정에 문제점으로 지적되어 왔다. 따라서 본 연구에서는 MCD12Q1 기반의 1년 단위 시계열 마스크 맵(Temporal Mask map; TM)을 작성하고 이를 이용하여 추출한 정규화 식생지수(Normalized Difference Vegetation Index; NDVI)와 단수와의 상관분석을 통해 시계열 마스크 맵이 논벼 식생지수와 단수와의 관계에 미치는 영향을 검토하였다.

2. 재료 및 방법

본 연구에서는 마스크 맵에 따른 논벼 NDVI와 단수와의 상관관계를 비교하기 위하여 2002년∼2019년의 18년 동안의 MODIS Product (National Aeronautics and SpaceAdministration;NASA)와농작물생산량통계(KOrea Statistical Information Service; KOSIS) 자료를 수집하였으며, 우리나라의 논벼를 대상으로 산출한 식생지수의 대표성 및 균질성 확보를 위하여 제주도 및 도서 지역을 제외한 내륙 지역만을 대상지역으로 선정하였다.

1) MODIS Land Cover (MCD12Q1)

MODIS는 영상보정, 대기, 육지, 극지, 해양 등의 관측에 중요한 약 40개의 자료(MOD1~MOD40)를 생산하는데, 다중 데이터의 유형을 지원할 수 있고 간편하고 구현이 쉬운 HDF_EOS (Hierarchical Data Format) 형태로 제공된다(Hong et al., 2012). 그 중 MCD12Q1 product는 MODIS Terra 및 Aqua 반사율을 감독분류하여 International Geosphere Biosphere Programme (IGBP), University of MarylanD (UMD), Leaf Area Index/fraction of Photosynthetically Active Radiation (LAI/fPAR), Net Primary Production (NPP), Plant Functional Type (PFT) 5가지 유형의 토지피복도 형태로 제공하고 있으며, 본 연구에서는 식물의 기능에 따라 12개의 항목으로 분류된 PFT 유형을 이용하였다(Table 1).

Table 1. Plant Functional Types (PFT) legend and class definitions

Source: https://lpdaac.usgs.gov/products/mcd12q1v006

또한, 자료의 중첩을 위하여 Sinusoidal 투영법을 USGS의 MRT (MODIS Reprojection Tool)를 이용하여 공간해상도 500 m의 UTM WGS-84 좌표로 재투영 (Reproject) 하였다(Fig. 1(a)).

Fig. 1. Spatial distribution of MODIS products used in this study

2) MODIS NDVI (MYD13Q1)

MYD13Q1 product는 구름의 영향을 제거하기 위하여 매일 취득한 영상을 16일씩 중첩하여 조건별로 최대인 값을 계산하는 MVC (Maximum value composite) 방법으로 산정한 16일 단위의 NDVI 및 EVI (Enhanced Vegetation Index; EVI) 자료를 250 m, 1 km, 25 km 세 종류의 공간해상도로 제공하고 있다. 본 연구에서는 250 m 공간해상도의 NDVI 자료를 대상으로 우리나라를 포함하는 h27v04, h27v05, h28v05 세 개의 granule 자료를 2002년부터 2019년까지 수집하여 영상접합(Mosaic)하였다. 접합된 영상은 공간해상도 250 m의 UTM WGS84 좌표로 재투영(Reproject) 하였으며, 영상자료가 데이터 값으로 표현되도록 보정계수를 적용하여 분석에 사용하였다(Fig. 1(b)).

3) 고정형 및 시계열 마스크 맵

고정형 마스크 맵과의 비교를 위하여 2018년 기준의 스마트 팜 맵을 대상으로 논에 해당하는 영역만을 추출하여 벡터(Vector) 자료인 상태로 접합(Merge)한 후 90 m 격자의 래스터(Raster) 영상으로 변환하여 전국을 대상으로 스마트 팜 맵 기반의 고정형 마스크 맵을 작성하였다. 시계열 마스크 맵은 MCD12Q1 PFT와 스마트팜 맵을 중첩한 후, PFT의 분류항목 중 ‘Cereal croplands’와 스마트 팜 맵의 논이 공통으로 해당하는 영역만을 추출하여 연도별로 작성하였다. PFT의 ‘Cereal croplands’ 영역은 최소 60% 이상이 곡물 재배지역으로 우리나라의 경우 벼, 보리, 밀 등이 해당한다. 그러나 하계작물인 벼와 동계작물인 보리, 밀 등은 재배기간이 상이하고, 대부분 동계작물도 논에서 재배되는 것을 고려해보면 기타 분류항목 중 논벼 재배지와 가장 유사한 분류항목이라 할 수 있다.

4) 논벼 단수 통계자료

논벼단수통계자료는통계청의국가통계포털(http://kosis.kr/)에서 배포하는 2002년∼2019년의 논벼 생산량 자료 중 미곡생산량의 정곡과 백미(92.9%)를 대상으로 단위면적(10 a)당 수량을 수집하였다. 또한, 논벼 NDVI와 단수와의 상관분석을 위하여 SPSS (Statistical Package for the Social Sciences) 프로그램(ver.18, IBM Inc.) 을 사용하였다.

3. 결과 및 고찰

1) MCD12Q1 PFT 를 이용한 논 면적 추출

Fig. 2는 2018년 기준의 스마트 팜맵에서 논에 해당하는 영역만을 추출하여 작성한 고정형 마스크 맵과 동일 연도 MCD12Q1 PFT 에서 ‘Cereal croplands’ 영역만을 추출한 결과이다.

Fig. 2. Distribution of Paddy by SFM & MCD12Q1 PFT.

결과를 살펴보면, 스마트 팜 맵의 논에 해당하는 영역과 MCD12Q1 PFT의 ‘Cereal croplands’ 영역의 분포가 매우 유사한 경향을 나타내었다. 그러나 스마트 팜맵기준의 논 면적은 778,416 ha 가 추출된 반면에 MCD12Q1 PFT의 ‘Cereal croplands’ 면적은 1,539,454 ha가 추출되어 2018년 전국 경지면적 통계자료상의 논 면적인 844,265 ha (KOSIS, 2020)와 비교하여 각각 -65,849 ha, 695,189 ha의 차이를 나타내었다. 이는 자료의 공간 해상도에 의한 결과로 해석된다. 스마트 팜 맵은 전국 농경지의 실제 경계를 디지타이징하여 벡터(Vector) 형태로 작성한 농경지 지도로서 실제 경작이 이루어지는 영역만으로 면적이 산출되지만 통계자료의 논 경지면적은 지적 경계를 기준으로 농경지 주위의 면적이 모두 합산되어 산출되기 때문에 스마트 팜 맵에서 추출된 논의 면적이 다소 적게 나타난 것으로 판단된다. Fig. 3은 스마트 팜 맵에서 추출한 논과 MCD12Q1 PFT의 ‘Cereal croplands’ 영역을 중첩하여 확대한 결과이다. MCD12Q1 PFT는 공간해상도가 500 m 로써 실제 농경지를 정밀하게 표현하기에는 한계가 있고 논 주위의 기타 토지피복도 포함된다. 따라서 스마트 팜 맵 또는 통계자료 상의 면적과 비교하여 과대추정 된 것으로 나타났으며, 논벼 고유의 식생지수 추출을 위한 마스크 맵으로 바로 활용하기에는 부적합한 것으로 판단된다.

Fig. 3. Difference of SFM (Red) and MCD12Q1 PFT (Green).

2) 시계열 마스크 맵 작성

MCD12Q1 PFT와 스마트 팜 맵을 중첩한 후, PFT의 분류항목 중 ‘Cereal croplands’와 스마트 팜 맵의 논이 공통으로 해당하는 영역만을 추출하여 작성한 시계열 마스크 맵은 Fig. 4와 같다. MCD12Q1 PFT의 ‘Cereal croplands’ 영역에 포함된 기타 토지피복을 제거함으로서 이를 이용하면 실제 논벼 고유의 식생지수 추출이 가능하다. 또한 논벼 재배현황의 연차 간 변이를 반영할 수 있어 보다 정밀한 작황 모니터링이 가능할 것으로 판단된다.

Fig. 4. Temporal mask map using MCD12Q1 PFT.

2002년부터 2019년까지의 시계열 마스크 맵에 의한 평균 논벼 재배면적은 449,978 ha로 산출되었으며, 통계자료상의 평균 논 경지면적은 991,422 ha로 나타나 MCD12Q1 PFT 기반의 마스크 맵은 전체 논 경지면적의 약 45%에 해당하는 것으로 나타났다(Table 2). 그러나 시계열 마스크 맵에 의한 면적은 MCD12Q1 공간해상도의 한계로 인하여 25 ha 이하의 소규모 논이 제외된 면적이다. 따라서 통계자료상의 총 경지면적과 직접적으로 비교하는 것보다는 연차간 변화 추이 등을 비교하여 마스크 맵으로서의 적용성을 확인하여야 한다. Fig. 5는 시계열 마스크 맵에 의한 논벼 재배면적과 통계자료상의 경지면적의 2002년부터 2019년까지의 시계열 변화이다. 두 자료 간 정량적 오차는 발생하였으나, 전체적으로 감소되는 추세는 유사하게 나타나 MCD12Q1 PFT 기반의 시계열 마스크 맵이 실제 논벼 재배면적의 변동 특성을 잘 반영하고 있는 것으로 나타났다.

Table 2. Annual paddy rice area by TM and KOSIS

* Temporal Mask map using MCD12Q1 PFT

Fig. 5. Interannual variations of paddy rice area

3) 마스크 맵에 따른 논벼 NDVI와 단수와의 상관계수 변화

2002년부터 2019년까지 논벼 생육기간인 5월부터 10월까지의 NDVI를 대상으로 시계열 마스크 맵(TM)과 고정형 마스크 맵(FM)을 MYD13Q1 NDVI 자료에 적용하여 마스크 맵에 따른 논벼 시계열 NDVI 변화를 나타내면 Fig. 6과 같다. 그림을 살펴보면 마스크 맵에 따른 NDVI의 연차별 증감 추이는 유사하게 나타났으나 연도별 최고치는 시계열 마스크 맵(TM)에 의한 NDVI (이하 NDVI_TM)가 고정형 마스크 맵(FM)에 의한 NDVI (이하 NDVI_FM)와 비교하여 상대적으로 낮은 것으로 나타난 반면에 연도별 최저치는 NDVI_FM가 낮게 나타났다. 또한, 전 기간 동안의 NDVI_TM 범위는 0.351~0.757으로 나타났으나 NDVI_FM 범위는 0342~0.785으로 나타나 NDVI의 변동폭이 NDVI_TM 보다 NDVI_FM가 큰 것으로 나타났다. 이는 마스크 맵에 따른 NDVI 추출 기준에 의한 결과로서 고정형 마스크 맵을 적용할 경우 매년 변화하는 논벼 재배현황을 반영하지 못하여 NDVI 추출시 일부 산림, 나지(휴경지) 등의 기타 토지피복이 포함지만, 시계열 마스크 맵의 경우 매년 논벼 재배현황의 변화를 반영하여 기타 토지피복의 NDVI를 최대한 배제하여 추출할 수 있다. 따라서 기타 토지피복이 포함된 NDVI_FM이 논벼 고유의 NDVI_TM 변동보다 진폭이 크게 나타난 것으로 판단된다.

Fig. 6. Interannual variations of paddy rice NDVI during the growing period.

일반적으로 논벼의 생육이 왕성할 때의 작황과 단수의 상관성이 높다고 알려져 왔다(Na et al., 2013). 농촌진흥청에서 분광계를 이용하여 수행했던 지상 실측 결과, 벼의 생육기간 중 측정한 NDVI와 최종 수량과의 상관성은 유수형성기, 개화기, 출수기 사이에 가장 높은 것으로 보고되었다(Hong et al., 1997). 또한, 식생지수와 논벼 단수와의 상관성을 분석한 선행연구 결과를 살펴보면, Na et al. (2012)은 8월의 MODIS NDVI와 논벼 단수와의 상관분석 결과, 전국단위의 상관계수는 0.603 이라고 보고하였으며, Hong et al. (2012)은 국내 벼의 경우 8월 21일의 Aqua MODIS NDVI와 단수와의 상관계수가 가장 높다고 보고한 바 있다. 따라서 본 연구에서는 선행연구 결과와 우리나라에서 가장 많이 재배되고 있는 중만 생종 벼의 대표 출수기가 8월 20일이라는 점을 고려하여 8월 21일(DOY 233)의 NDVI와 논벼 단수를 대상으로 마스크 맵 변화에 따른 상관계수 변화를 살펴보았다.

Table 3은 NDVI_TM 및 NDVI_FM와 단수(정곡 및 백미)간의 상관분석 결과를 나타내고 있다. 모든 상관계수는 0.05 유의수준 하에서 유의한 것으로 나타났으며, 단수와의 상관계수는 정곡과 백미 모두 NDVI_FM 보다 NDVI_TM이 높게 나타나 시계열 마스크 맵의 효과를 확인할 수 있었다. 따라서 위성영상 기반의 식생지수 추출 시 시계열 마스크 맵을 적용할 경우 논벼 고유의 식생지수 추출이 가능하며, 작황 모니터링 및 단수 추정의 정확도를 높일 수 있는 방법으로 판단된다.

Table 3. Correlation coefficient and significant between NDVI and paddy rice yield

* Correlation is significant at the 0.05 level (2-tailed).

** Correlation is significant at the 0.01 level (2-tailed).

4. 결론

본 연구에서는 MCD12Q1 기반의 연차별 시계열 마스크 맵을 작성하고 이를 이용하여 추출한 식생지수와 단수와의 상관분석을 통해 시계열 마스크 맵이 논벼 식생지수와 단수와의 관계에 미치는 영향을 검토하였다. 그 결과, 시계열 마스크 맵에 의한 논벼 재배면적이 실제 논벼 재배면적의 변동 특성을 잘 반영하고 있는 것으로 나타났으며, 마스크 맵에 따른 논벼 NDVI의 연차별 변화도 NDVI_TM이 NDVI_FM 보다 적게 나타나 매년 논벼 재배현황의 변화를 잘 반영하고 있는 것으로 판단되었다. 또한, 논벼(정곡 및 백미) 단수와의 상관계수도 NDVI_FM 보다 NDVI_TM이 높게 나타나 시계열 마스크 맵이 논벼 고유의 식생지수 추출 및 작황 모니터링, 단수 추정의 정확도를 높이는 방법임을 확인하였다.

포장 단위에서 실측한 경우 현장에서 측정한 식생지수와 논벼 단수는 양의 상관성이 높게 나타남에도 불구하고 위성영상에서 추출한 식생지수는 단수와 상관관계가 낮게 나오거나 음의 상관계수를 갖는 경우가 발생하는데 이는 논벼 마스크 맵에 실제 논이 아닌 지역이 포함될 수 있다는 점과 기상조건(구름, 수증기, 연무 등)으로 인하여 내재된 오차 등이 주요 원인으로 생각된다. 따라서 정밀한 농업 관측을 위해서는 시계열 마스크 맵의 적용과 함께 위성영상의 공간해상도 확보, 전처리 및 보정 기술 개발 등의 기술적 방법의 개선이 필요하며, NDVI 외 다양한 식생지수에 대한 검토 및 작물별, 위성영상별 작황 추정에 최적화된 식생지수의 개발 등이 필요할 것으로 생각된다. 또한, 보다 정밀한 시계열 마스크 맵 작성을 위하여 토지피복 및 작물구분을 위한 고급 분류기법의 적용, 농경지 변화탐지 기술의 개발 및 마스크 맵이 단수 추정 정확도에 미치는 영향에 대한 정량화 연구 등 다양한 노력이 필요할 것으로 사료된다.