Journal of The Korean Society of Agricultural Engineers (한국농공학회논문집)

The Korean Society of Agricultural Engineers (한국농공학회)
권호 표지
DOI QR코드

DOI QR Code

Estimation of Crop Water Requirement Changes Due to Future Land Use and Climate Changes in Lake Ganwol Watershed

간월호 유역의 토지이용 및 기후변화에 따른 논밭 필요수량 변화 추정

  • Kim, Sinaee (Department of Rural Systems Engineering, Seoul National University) ;
  • Kim, Seokhyeon (Department of Rural Systems Engineering, Seoul National University) ;
  • Hwang, Soonho (Research Institute of Agriculture and Life sciences, College of Agriculture and Life Sciences, Seoul National University) ;
  • Jun, Sang-Min (Research Institute of Agriculture and Life sciences, College of Agriculture and Life Sciences, Seoul National University) ;
  • Song, Jung-Hun (Department of Agricultural and Biological Engineering & Tropical Research and Education Center, University of Florida) ;
  • Kang, Moon-Seong (Department of Rural Systems Engineering, Research Institute of Agriculture and Life Sciences, Institute of Green Bio Science and Technology, Seoul National University)
  • Received : 2021.09.06
  • Accepted : 2021.10.28
  • Published : 2021.11.30
Download PDF
⟨ Previous Next ⟩

Abstract

This study aims to assess the changes in crop water requirement of paddy and upland according to future climate and land use changes scenarios. Changes in the spatiotemporal distribution of temperature and precipitation are factors that lower the stability of agricultural water supply, and predicting the changes in crop water requirement in consideration of climate change can prevent the waste of limited water resources. Meanwhile, due to the recent changes in the agricultural product consumption structure, the area of paddy and upland has been changing, and it is necessary to consider future land use changes in establishing an appropriate water use plan. Climate change scenarios were derived from the four GCMs of the CMIP6, and climate data were extracted under two future scenarios, namely SSP1-2.6 and SSP5-8.5. Future land use changes were predicted using the FLUS (Future Land Use Simulation) model. Crop water requirement in paddy was calculated as the sum of evapotranspiration and infiltration based on the water balance in a paddy field, and crop water requirement in upland was estimated as the evapotranspiration value by applying Penman-Monteith method. It was found that the crop water requirement for both paddy and upland increased as we go to the far future, and the degree of increase and variability by time showed different results for each GCM. The results derived from this study can be used as basic data to develop sustainable water resource management techniques considering future watershed environmental changes.

Keywords

Ⅰ. 서론

하구 담수호는 하구에 방조제를 축조하여 인공적으로 조성된 저수지로, 배수갑문을 통해 적정수위를 유지하면서 담수호의 용수를 유역에 필요한 이수 목적의 수자원으로 재활용할 경우 경제적이고 효율적인 수자원이 될 수 있다 (Hwang, 2020; Yoon and Ham, 2000; Park and Park, 2018). 한편, 담수호는 지리적 특성상 유역의 최하류에 위치하므로, 유역의 통합적 수자원 관리를 위해서는 이수뿐만 아니라 홍수와 수질 오염관리 및 제염 촉진 등 다양한 수자원 관리방안을 종합적으로 고려할 필요가 있다. 특히 최근 서해안지역의 도시화와 토지이용계획 및 수질 관리 방안 등의 지역 여건 변화로 인해 담수호 유역의 환경변화를 고려한 지속가능한 탄력적 수자원 관리 기법 개발의 중요성이 강조되고 있다 (Hwang, 2020; Lee et al., 2001).

기후변화는 유역의 수문 순환뿐만 아니라 농업 생산성에도 영향을 미치며, 지속가능한 물관리 체계의 구축을 위해서는 향후 기후변화가 유역 환경에 미치는 영향을 고려하는 것이 중요하다 (Choi et al., 2018). 특히 최근 기후변화로 인한 잦은 기상이변 및 강수의 시공간적 분포 변화는 관개기 동안 농업 용수 수급의 안정성을 저해하는 요인이 되고 있으며, 이는 자원 고갈에 대한 우려로까지 이어지고 있다 (Hong et al., 2015). 따라서 한정된 수자원의 낭비를 방지하면서 기후변화에 대응하여 적절한 작물의 생산량을 유지하기 위해서는 기후변화가 작물의 필요수량에 미치는 영향을 정량적으로 파악할 필요가 있다.

국내에서는 기후변화가 농업 용수량에 미치는 영향을 분석한 다수의 선행연구가 수행된 바 있다. Yoon et al. (2011)은 2개의 GCMs를 선정하고 IPCC (Intergovernmental Panel on Climate Change) SRES (Special Report on Emission Scenarios) 시나리오를 활용하여 기후변화에 따른 증발산량 및 소비수량 변화를 추정하였으며, 미래로 갈수록 잠재증발산량 및 소비수량이 증가하는 것으로 예측되었다. Yoo et al. (2012)은 기상청에서 제공하는 고해상도 기후변화 시나리오를 활용하여 관개 지구별 순용수량 및 단위용수량을 산정하였으며, 증발산량 및 단위용수량은 미래로 갈수록 증가하는 경향을 보이고, 순용수량은 평균적으로 2055s까지는 감소하다가 2085s에는 약 3.2% 증가하는 것으로 예측되었다. Choi et al. (2018)은 CMIP5 (Coupled Model Intercomparison Project Phase 5) RCP (Representative Concentration Pathways) 시나리오를 활용하여 9종의 GCMs에 대한 기후변화시나리오를 구축하고, APEX-Paddy 모델을 사용하여 논벼 증발산량 변화를 평가하였으며, 평가 결과 기후 변화에 따라 미래에는 증발산량이 지속적으로 증가하는 것으로 나타났다.

하지만 기존 대부분의 선행연구들에서는 SRES 및 RCP 시나리오에 기반하여 기후변화의 영향을 평가하였으며, 2021년 발간된 IPCC 6차 평가보고서에서 활용되는 신시나리오 체계인 공통사회경제경로 (Shared Socio-economic Pathways, SSP)에 기반하여 미래 필요수량을 추정한 연구는 전무한 실정이다. 이와 더불어, 선행연구들에서는 미래 농업용수량 산정에 있어 주로 기후변화의 영향만 고려되었으며, 기타 토지이용 계획 등의 농업환경변화요소는 고려되지 않았다는 한계가 있다.

기후변화 외에 농업 수문 환경에 중요한 영향을 미치는 또다른 요인으로는 토지이용변화가 있다. 최근 우리나라는 도시화에 따른 농지 면적의 감소, 농업지역의 농산물 소비구조 변화에 따른 타작물 재배의 증가 등으로 인해 논밭 면적이 변화해왔으며, 이는 논밭 용수수요량의 변화로 이어졌다(Yoo et al., 2019). 따라서 적절한 농업용수 활용계획의 수립에 있어 미래 농지면적의 변화를 고려한 필요수량 예측이 필요하다.

국내외 선행연구들에서는 토지이용변화 예측을 위해 주로 Markov chain기법, CA (Cellular Automata) 방법, ANN (Artificial Neural Network)-CA 방법, Conversion of Land Use and its Effects at Small regional extent (CLUE-s) 모형을 이용한 방법 등이 활용되어 왔다 (Batty et al., 1997; Li and Yeh, 2002; Verburg et al., 2002). 하지만 Markov chain 기법은 시간이 변화하더라도 전이 확률은 항상 일정한 것을 가정하므로 실제 토지이용변화와 상이하며, CA 기법은 단일 토지피복유형에 대해서만 변화 모의가 가능하고, ANN-CA방법 및 CLUE-S 모형은 각 토지피복유형 간 복잡한 상호작용을 고려하지 못하고 비교적 단순하게 확률 모의를 한다는 한계가 있다 (Kim and Lee, 2007; Liu et al., 2017).

FLUS (Future Land Use Simulation) 모형은 탑다운 (Top-down)방식의 토지이용변화 예측모델과 바텀업 (Bottom-up) 방식의 CA 모델을 결합하여 다양한 토지피복유형간 상호작용 및 경쟁 메커니즘을 고려함으로써 기존 모형들의 한계를 보완하고, 더 높은 모의 정확성을 보이는 것으로 보고되고 있다 (Liu et al., 2017; Lin et al., 2020). Liu et al. (2017)에 따르면 FLUS 모형은 기존에 개발된 CLUE-s, Markov Chain 기법, Logistic-CA 과 같은 다양한 토지이용변화 모의 모형에 비해 보다 우수한 모의 성능을 보이는 것으로 분석된 바 있다. FLUS 모형은 전지구적 규모에서의 복잡한 토지이용 변화 모의가 가능하므로 최근 다수의 국외 연구들에서 활용되어오고 있으나, 해당 모형을 우리나라에 적용하여 미래 토지이용변화를 예측하고 모형의 적용성을 평가한 국내 연구는 수행된 바 없다 (Li et al., 2017; Lin et al., 2020; Gui et al., 2021).

따라서 본 연구의 목적은 담수호 유역을 대상으로 CMIP6에서 제공하는 4개 GCMs의 미래 기후변화 시나리오 (SSP1-2.6 및 SSP5-8.5)를 구축하고, FLUS 모형을 활용하여 대상지역의 논과 밭을 포함한 미래 토지이용변화를 예측하여, 기후변화와 농지면적변화가 미래 논밭 필요수량에 미치는 영향을 평가하는 데 있다.

Ⅱ. 재료 및 방법

1. 연구흐름도

본 연구에서는 FLUS 모델을 통한 미래 토지이용변화 예측을 위해 입력자료로 과거 토지이용도, 토양도, Digital Elevation Model (DEM), 향 (Aspect), 경사, 도시로부터의 거리, 하천으로부터의 거리 및 인구데이터를 구축하였으며, ANN 모델 기반의 확률지도 생성 과정과 CA 기반의 공간변화 모의 과정을 통해 미래기간 (2040, 2065, 2090)의 토지이용변화를 예측하였다. 또한, 미래기간의 필요수량 산정을 위한 기후변화 자료로 4개의 CMIP6 기후모델 데이터를 활용하였으며, 두 가지 SSP 시나리오 (SSP1-2.6 및 SSP5-8.5)에 대한 일별 강수량, 평균기온, 상대습도, 평균풍속 및 일사량 자료를 구축하였다.

논벼의 생육시기를 고려한 논 필요수량 산정을 위해 논 물수지 분석을 수행하였으며, Penman-Monteith 방법을 통해 산정된 증발산량과 침투량의 합으로 미래기간별, 기후변화 시나리오별 논 필요수량을 산정하였다. 밭 필요수량은 Penman-Monteith 방법에 의해 산정된 잠재증발산량에 대상지역의 작물 종류별 관개면적 비를 고려한 시기별 작물계수를 곱하여 산정하였다. 본 방법론을 통해 최종적으로 미래 토지이용변화 및 기후변화 시나리오에 따른 논밭 필요수량의 변화를 예측하고 시나리오별, 시기별 산정결과의 비교분석을 수행하였다. Fig. 1은 본 연구의 흐름도를 나타내고 있다.

NGHHCI_2021_v63n6_61_f0001.png 이미지

Fig. 1 Schematic diagram of this study

2. 연구대상지

본 연구의 대상지는 1984년 농지개발사업에 따른 서산A지구 간척사업에 의해 완공된 충청남도 서산시의 간월호(천수만) 유역으로, 총 유역면적은 약 49,240 ha이다. 간월호로 유입되는 하천은 기포천, 도당천, 둔당천, 소정천, 야당천, 와룡천 및 청지천 등 총 7개의 하천이 있다. 담수호는 유역 하구에 방조제 건설을 통해 형성된 인위적인 폐쇄성 수환경으로, 담수호의 용수를 이수 목적의 수자원으로 재활용할 경우 경제적이며 효율적인 수자원이 될 수 있다 (Yoon and Ham, 2000; Hwang, 2020). 특히 간월호 및 부남호를 포함한 부남방조제 중권역은 전체 용수 이용량 중 농업용수가 약 90%를 차지하여 대상지역의 담수화된 수자원은 농업용수로써 중요한 역할을 하고 있으므로, 보다 효율적인 용수관리가 요구된다.

한편, 간월호 유역은 농지면적이 지속적으로 변화해온 지역으로, 논 면적은 1990년 약 22,084 ha에서 2015년 약 18,782 ha로 감소하였으며, 밭 면적은 1990년 5,635 ha에서 2015년 약 7,388 ha로 증가하였다. 이에 따라 2015년 기준 논은 전체 면적의 약 38.1%, 밭은 약 15.0%를 차지하고 있으며, 이밖에 임야 27.6%, 시가지 7.0%, 초지 3.9%, 수면 7.2%, 기타 1.2%로 이루어져 있다. 본 연구에서는 간월호 지역의 향후 유역 환경 변화에 따른 유역 필요수량 변화 예측을 위해 미래 토지이용 변화 예측을 수행하였으며, 이를 위해 간월호 유역의 과거 1990년 및 2015년의 토지이용도를 활용하였다. Fig. 2는 간월호 유역의 위치 및 토지이용 현황 (2015년)을 나타내고 있다.

NGHHCI_2021_v63n6_61_f0002.png 이미지

Fig. 2 Location and landuse map of lake Ganwol watershed

3. 미래 토지이용 변화

가. FLUS 모형

향후 농업환경 변화에 따른 논밭 필요수량 변화 예측을 위해 CA 기반의 FLUS 모델을 이용하여 간월호 유역의 미래 토지이용변화 예측을 수행하였다.

FLUS 모형의 구동은 인공신경망 (ANN)을 통해 Probability of Occurrence (PoO) 지도를 생성하는 과정과 CA 기반의 공간 변화 모의를 수행하는 과정으로 구분된다. 인공신경망은 과거 토지피복지도와 다양한 사회경제적 요인들 간의 관계를 규명함으로써 자연 생태학적인 영향과 인위적인 인간 활동에 의한 영향을 모두 고려하기 위해 사용되며, 인공신경망을 통해 도출된 PoO 지도는 토지피복 종류별 공간적 분포 변화를 결정하는 기반이 된다 (Liang et al., 2018). CA 기반의 공간변화 모의과정에서는 자체 적응 관성 계수 (Self-adaptive inertia coefficient)를 통해 각 토지피복 종류별 총 변화 확률을 조정하며, 이러한 자체 적응 관성 및 경쟁 메커니즘 (The selfadaptive inertia and competition mechanism)은 각 토지피복 유형 간 상호작용을 고려하여 토지피복 변화의 불확실성 및 무작위성의 한계를 극복할 수 있다는 장점을 갖는다 (Chen et al., 2014; Liu et al., 2017).

FLUS 모형은 CA 기반의 공간변화 모의를 위해 미래기간의 각 토지피복 항목별 수요량 결정이 필요하다. 본 연구에서는 이산확률과정 (Discrete-time stochastic process)에 기초하여 과거기간의 토지피복도로부터 미래기간의 토지수요량을 예측할 수 있는 Markov chain 모형을 통해 과거 두 기간 (1990, 2015)의 토지피복도로부터 각 토지피복 유형간 상태전이확률(State transition probability)을 도출하고, 모의하고자 하는 미래기간의 토지피복 유형별 수요량을 산정하였다.

나. 입력자료 구축

인공신경망 기반의 PoO 지도 생성을 위해 간월호 유역의 1990년 및 2015년 토지이용도를 활용하였으며, 논과 밭을 구분하여 토지이용예측을 수행하기 위해 각 토지이용도를 시가지, 논, 밭, 산림, 초지, 나지, 수역의 7개의 토지피복항목으로 구분하였다. 또한, 토양도, DEM, 향, 경사, 도시로부터의 거리, 하천으로부터의 거리 및 인구의 총 일곱가지 항목을 토지이용변화요소 (Driving factor)로 설정하였다. 모형 구동을 위해 사용된 입력자료 및 자료들의 출처는 Table 1과 같다.

Table 1 List of data used in future land use simulation (FLUS)

NGHHCI_2021_v63n6_61_t0001.png 이미지

한편, Markov 모형을 사용하여 과거 두 기간 (1990년, 2015년)의 토지이용도를 기반으로 각 토지피복유형간 전이확률행렬(Probability transition matrix)을 도출하였으며, 산정된 2040년, 2065년, 2090년의 토지피복유형별 수요량은 Table 2와 같다. 도출된 연도별 토지피복 수요량은 FLUS 모형의 공간변화 모의과정에서 입력자료로 활용되었다.

Table 2 Land demand pixel changes calculated by the Markov model

NGHHCI_2021_v63n6_61_t0002.png 이미지

*Each pixel size is 30 m × 30 m

4. 기후변화 시나리오

기후변화 시나리오로 IPCC의 6차 기후변화 평가보고서에서 제시된 표준 온실가스 시나리오인 SSP 시나리오를 사용하였으며, 본 연구에서 사용된 기후모델의 종류 및 생산기관은 Table 3과 같다.

Table 3 List of used GCMs and institutions

NGHHCI_2021_v63n6_61_t0003.png 이미지

SSP 시나리오는 복사강제력 강도와 함께 기후변화에 대한 미래의 완화 및 적응 노력에 따라 총 5개의 시나리오로 구분되며, IPCC 6차 평가보고서에서의 표준 경로는 SSP1-2.6, SSP2-4.5, SSP3-7.0, SSP5-8.5의 4종이 있다. 본 연구에서는 재생에너지 기술의 발달로 화석연료 사용이 최소화되고 지속 가능한 경제성장을 이룰 것으로 가정하는 SSP1-2.6 시나리오와 산업기술의 빠른 발전에 따라 화석연료 사용이 높고 도시 위주의 무분별한 개발이 확대될 것으로 가정하는 SSP5-8.5 시나리오를 사용하였다.

기후모델을 통해 산출된 기후변화자료의 공간적 상세화를 위해 APCC (Cho, 2013)에서 제시된 방법을 사용하여 우리나라 기상관측소 지점별 상세화를 수행하였으며, 편의보정을 위해 비모수적 분위 사상법을 활용하였다.

5. 논밭 필요수량 산정

Chung et al. (2006)에 따르면 논에서의 필요수량은 감수심과 같으며, 증발산량과 지하수 유동량 (침투량)의 합으로 산정된다. 본 연구에서는 Ju et al. (2006)에서 제시된 필요수량 산정 방식에 따라 논벼의 생육시기를 논물가두기, 묘대기, 이앙기, 본답기 및 중간낙수기로 구분하였으며, 식 (1)의 논 물수지 식을 기반으로 논 필요수량을 산정하였다. 시기별 최소담수심 및 물꼬높이는 Song et al. (2019)에 제시된 값을 적용하였으며, Table 4와 같다.

PDt = PDt-1 + RAINt + IWRt - (DRt + ETt + INFt)       (1)

Table 4 Ponding depth and crop coefficient changes during the irrigation periods (Song et al., 2019; Yoo et al., 2006)

NGHHCI_2021_v63n6_61_t0004.png 이미지

Minimum ponding depth, PDmin; maximum ponding depth, PDmax; crop coefficient, Kc

여기서, PD는 담수심, RAIN은 강우량 (mm), IWR은 관개량 (mm), DR은 포장 배수량 (mm), ET는 실제증발산량 (mm), 그리고 INF는 침투량 (mm)이다.

증발산량 산정을 위해 국내에서는 수정 Penman 방법 및 Penman-Monteith 방법이 주로 이용되고 있다. 하지만 수정 Penman 방법은 증발산량이 과다산정되는 것으로 조사된 바 있으며, FAO (Food and Agriculture Organization of the United Nations)는 벼를 포함한 모든 작물들의 증발산량 산정시 건조 및 습윤 기후에서 비교적 정확하고 일정한 경향을 갖는 Penman-Montheith 방법을 사용할 것을 권고하고 있다 (Allen etl al., 1989; Allen et al., 1998). 따라서 본 연구에서는 FAO Penman-Monteith 식으로부터 산정된 기준잠재증발산량에 Yoo et al. (2006)에서 제시된 시기별 논벼 작물계수 (Table 4)를 곱하여 실제증발산량을 산정하였다. 실제증발산량 산정식은 식 (2) 및 식 (3)과 같다.

ETa = Kc･ET0       (2)

여기서, ETa는 실제증발산량 (mm), Kc는 작물계수, ET0는 기준잠재증발산량 (mm)이다.

\(\begin{aligned}E T_{0}=\frac{0.408 \Delta\left(R_{n}-G\right)+\gamma \frac{900}{T+273} u_{2}\left(e_{s}-e_{a}\right)}{\Delta+\gamma\left(1+0.34 u_{2}\right)}\end{aligned}\)       (3)

여기서, ∆는 포화수증기압 곡선의 기울기 (kPa/℃) Rn은 순복사량 (MJ/m2/d), γ는 건습계 상수 (kPa), u2는 지상 2 m 높이에서의 평균풍속 (m/s), es는 포화수증기압 (kPa), ea는 실제증기압 (kPa)을 나타낸다.

논에서의 침투는 횡침투와 강하침투로 구성된다. 횡침투는 논두렁을 통하여 침투하는 논두렁 침투와 수직으로 침투한 후 인접 배수로로 다시 유출되는 양을 합한 것으로, 하류에서 반복 이용되는 침투량이다 (Chung et al., 2006). 한편, 강하침투는 논토양의 심층을 통하여 수직으로 침투하는 양이며, 심층 침투량이라고도 한다. 논에서의 감수심 산정에 있어 지하수 유동량은 지구 내 배수로나 하천 등으로 유출되지 않는 심층침투량과 같으므로, 침투량 산정에 있어 횡침투량은 고려하지 않았다. 본 연구에서는 지역의 토양 특성을 고려한 일 침투량을 상수로 입력받아 모의하는 방법을 이용하였으며, 우리나라의 논 침투량은 토양 종류에 따라 다르나 일반적으로 1.0∼8.8 mm/day의 범위를 갖는 것으로 보고된 바 있다(Im, 2000; Song et al., 2013). 일 침투량값은 정확한 실측 데이터를 얻는데 한계가 있으므로 선행연구에서 제시된 값을 활용하고자 하였으며, 본 연구의 대상지와 인접하여 유사토양 특성을 가질 것으로 사료되는 Kim et al. (2011)에 의해 제시된 토양 삼투량 값을 적용하였다.

밭에서의 필요수량은 유효토층 내에서 소비되는 수분량과 같으며, 지하수위가 높지 않은 경우 증발산량과 같은 값을 갖는다 (Chung et al., 2006). 밭작물의 필요수량 산정을 위해 Penman-Monteith 식을 통해 산정한 잠재증발산량에 대상지역 내 작물의 관개면적 비를 고려한 일별 작물계수를 곱하여 증발산량을 산정하였다. 한편, 본 연구에서는 기후변화에 따른 미래 필요수량 변화 분석이 주 연구 목적이므로, 밭 증발산량 산정에 있어 토양수분에 따른 작물의 수분 스트레스 계수는 고려하지 않았다.

Ⅲ. 결과 및 고찰

1. 미래 토지이용변화 예측

7가지 토지피복 유형에 대한 PoO 지도 생성을 위해 과거 토지이용도와 토지이용변화요소들 (Driving factors)이 인공신경망 보정을 위해 사용되었으며, 본 연구에서는 토지이용변화요소 개수에 해당하는 7개의 입력층과 12개의 은닉층, 7개의 출력층으로 신경망을 구성하였다. FLUS 모형의 구동은 모형 보정과 시나리오 모의의 두가지 과정으로 구분된다. 본 연구에서는 모형 모의 성능의 검증을 위해 1990년 토지이용도로부터 2015년의 토지이용도 예측을 수행하였으며, 구축된 모형을 기반으로 2015년 토지이용도로부터 미래기간인 2040년, 2065년, 2090년의 토지이용 예측을 수행하였다. 모의 결과의 검증을 위한 지표로는 Cohen’s Kappa 계수와 더불어 공간 변화 모의결과의 정확성을 판단하는 데 있어 우수하다고 알려진 Figure of Merit (FoM) 지수를 사용하였다 (Pontius, 2008; Pontius and Millones, 2011).

가. 과거기간 모의 결과

인공신경망의 예측 결과에 따라 PoO 지도를 생성하였으며, 이를 기반으로 CA 기반의 공간변화 모의 과정을 통해 1990년 토지이용도로부터 2015년 토지이용 예측을 수행하였다. 모의 결과의 정확도를 정량적으로 평가하기 위해 Table 5와 같이 모의된 토지이용도와 실제 토지이용도에 대한 오차행렬(Confusion matrix)을 산정하였으며, Kappa 계수와 Overall accuracy는 각각 0.44와 0.59로 나타나 적절한 수준의 일치도를 보이는 것으로 나타났다. 한편, FoM 지수를 통한 모의 결과의 검증도 수행하였으며, FoM 지수의 산정 식은 식 (4)와 같다.

\(\begin{aligned}F_{O} M=\frac{B}{A+B+C+D}\end{aligned}\)       (4)

Table 5 Confusion matrix of the predicted versus the actual land use in 2015

NGHHCI_2021_v63n6_61_t0005.png 이미지

Kappa coefficient = 0.44, Overall accuracy = 0.59

여기서, A는 변하지 않는 것으로 예측되었으나 변화가 나타난 오차지역, B는 변하는 것으로 예측되었고, 실제로 변화가 나타난 지역, C는 잘못된 범주로 변화하는 것으로 예측된 오차지역, D는 변하는 것으로 예측되었으나 변화가 나타나지 않은 오차지역을 의미한다.

토지이용 변화 예측에 관한 선행연구들에서의 FoM 지수는 일반적으로 10∼30% 범위의 값을 나타내며, 본 연구에서는 FoM 값이 14.72%로 산정되었다 (Liu et al., 2017). 산정된 FoM 값은 FLUS 모형을 적용한 선행연구들에서 나타난 값과 유사하거나 높은 값을 보이므로, 본 연구에서 구축된 모형의 예측능력이 비교적 신뢰할만하며, 토지이용변화요소 및 변수들이 적절하게 적용된 것으로 판단된다 (Kriegler et al., 2014; Li et al., 2017; Li et al., 2020; Liang et al., 2018).

나. 시나리오 모의 결과

미래기간의 토지이용변화 예측 모의에 있어 토지피복유형별 수요량 결정을 위해 Markov chain 모형을 사용하여 미래 토지이용 수요량을 산정하였으며, 다중 CA 모델을 통해 2015년 토지이용도로부터 2040, 2065, 2090년의 토지이용변화 예측을 수행한 결과는 Fig. 3 및 Table 6과 같다. 전체 토지피복유형 중 시가지, 논, 산림의 면적변화가 두드러지게 나타났으며, 밭, 초지, 나지 및 수역의 면적은 변화하지 않거나 변화 폭이 크지 않은 것으로 나타났다. 시가지 면적은 미래로 갈수록 지속적으로 증가하고 산림 면적은 감소하는 것으로 나타났으며, 논은 1990년 전체의 약 44.85%를 차지했던 것에 비해 2040년 약 37.61%로 감소한 뒤 2065년 및 2090년에는 거의 변화하지 않는 것으로 나타났다. 한편, 밭, 초지, 나지 및 수역의 면적은 변화하지 않거나 변화 폭이 크지 않은 것으로 나타났는데, 밭은 현재에 비해 미래에 0.01∼0.02% 증가 또는 감소하고, 초지와 나지는 미래기간 동안 약 0.12∼0.14% 증가하는 것으로 예측되었다.

NGHHCI_2021_v63n6_61_f0003.png 이미지

Fig. 3 Actual and simulated land use maps from 1990 to 2090

Table 6 Area and percent change for each land use type during the years 1990, 2015, 2040, 2065, 2090

NGHHCI_2021_v63n6_61_t0006.png 이미지

2. 미래 기상자료 구축

과거 및 미래의 논밭 필요수량 산정을 위해 대상지역의 지배관측소인 서산 기상관측소의 과거 기상자료와 미래 기후변화 시나리오 자료를 수집하였으며, 과거 자료로 기상청의 2001년부터 2020년까지의 일 강수량, 평균 기온, 상대습도, 평균풍속, 일조시간 데이터를 활용하였다.

본 연구에서는 미래기간을 2030s (2021∼2040), 2050s (2041∼2060), 2070s (2061∼2080), 2090s (2081∼2100)로 구분하였으며, GCM별 기후변화 자료로부터 일 강수량, 평균기온, 상대습도, 평균퐁속 및 일사량 자료를 수집하였다. Table 7 및 Fig. 4는 과거 기상자료 및 기후변화 시나리오에서의 연강수량과 연평균기온의 변화를 분석한 결과이다. GCM에 따라 변화 폭 및 경향성에서 일부 차이가 있었으나 전반적으로 SSP1-2.6 시나리오에서는 강수량과 기온 모두 2030s에 큰 폭으로 증가한 뒤 이후에는 증가폭이 감소하였으며, 일부 GCM에서는 2070s에 비해 2090s에 더 낮은 강수량과 기온을 보이는 것으로 나타났다. SSP5-8.5 시나리오에서는 미래로 갈수록 강수량과 기온 모두 지속적으로 증가하였으며, 특히 평균기온은 2070s에 큰 폭으로 증가하는 것으로 나타났다.

Table 7 Projected annual precipitation and annual mean temperature for 2030s. 2050s, 2070s, and 2090s under two shared socioeconomic pathways (SSPs) scenarios.

NGHHCI_2021_v63n6_61_t0007.png 이미지

NGHHCI_2021_v63n6_61_f0004.png 이미지

Fig. 4 Changes of annual precipitation and annual mean temperature under SSP1-2.6 and SSP5-8.5 scenarios from other GCMs

GCM별 비교 결과, CanESM5에서는 강수량과 기온 모두 크게 증가하는 것으로 나타났으며, GFDL-ESM4는 강수량과 기온 모두 가장 낮게 증가하는 것으로 나타났다. 한편, UKESM1–0-LL은 강수량의 증가폭은 낮은 편이나, 기온 증가는 가장 컸고, 2090s에는 기온이 16.00℃ (SSP1-2.6)/21.61℃ (SSP5-8.5)까지 증가하는 것으로 예측되었다.

3. 미래 논밭 필요수량 산정

본 연구에서는 2001∼2100년의 연간 영농기 논밭 필요수량 변화 분석을 위해 앞서 구축한 간월호 유역의 미래 논밭 면적 예측 결과와 기후변화 시나리오에 따른 미래 기상자료를 적용하였다. 이때, 2001∼2014년은 1990년, 2015∼2039년은 2015년, 2040∼2064년은 2040년, 2065∼2089년은 2065년, 2090∼2100년은 2090년의 논밭 면적을 적용하여 연간 총 필요수량 (m3/yr)을 산정하였다. Table 8은 GCM별 및 기후변화 시나리오별 논과 밭의 연평균 필요수량 (m3/yr) 변화를 시기별 (Historical, 2030s, 2050s, 2070s, 2090s)로 분석한 결과이며, Fig. 5는 GCMs의 시나리오별 연평균 논밭 필요수량 (mm)을 시계열로 도시한 결과이다.

Table 8 Changes in crop water requirement of paddy and upland for historical, 2030s, 2050s, 2070s, and 2090s under two climate change scenarios

NGHHCI_2021_v63n6_61_t0008.png 이미지

NGHHCI_2021_v63n6_61_f0005.png 이미지

Fig. 5 Projected changes in crop water requirement of paddy and upland under SSP1-2.6 and SSP5-8.5 scenarios

SSP1-2.6 시나리오에서 기후모델들의 평균 논 필요수량은 2030s에 225.69×106 m3/yr에서 2070s에 229.28×106 m3/yr까지 증가하였다가 2090s에는 228.61×106 m3/yr로 소폭 감소하였으나, SSP5-8.5 시나리오에서는 2030s 223.07×106 m3/yr로부터 2090s 240.66×106 m3/yr까지 먼 미래로 갈수록 필요수량이 증가하였다. 이는 온실가스 감축이 상당히 실현되는 것으로 가정하는 SSP1-2.6 시나리오의 경우 2090s에는 기후변화 영향의 완화로 인해 증발산량의 증가 폭이 작아지거나 일부 GCM의 경우 증발산량이 오히려 감소하면서 필요수량 또한 줄어든 것으로 파악할 수 있으며, 온실가스의 감축 없이 현재 수준의 온실가스 배출을 가정하는 SSP5-8.5 시나리오의 경우 지속적인 기후변화의 영향으로 인해 필요수량이 큰 폭으로 증가한 것으로 판단된다.

평균 밭 필요수량은 SSP1-2.6 시나리오와 SSP5-8.5 시나리오 모두 먼 미래로 갈수록 증가하는 것으로 나타났으며, 2030s 대비 2090s의 필요수량은 SSP1-2.6에서 약 7.0% (1.86×106 m3/yr), SSP5-8.5에서는 약 19.4% (5.06×106 m3/yr) 증가하여 SSP5-8.5 시나리오에서의 밭 필요수량 증가 폭이 훨씬 큰 것으로 나타났다.

한편, Table 8에서 과거 및 미래기간의 논밭 필요수량을 분석한 결과, 논 필요수량의 경우 미래기간에 비해 과거기간의 필요수량 (평균 251.78×106 m3/yr)이 상당히 크게 나타났으며, 밭 필요수량은 미래기간에 비해 과거 필요수량 (평균 21.11×106 m3/yr)이 작게 산정되었다. 이는 1990년에 비해 2015년에 논 면적은 크게 감소하고 밭 면적은 증가하였기에 2015년을 기점으로 필요수량 값이 크게 변화한 결과이며, 미래기간에는 논과 밭의 면적 변화가 비교적 크지 않아 필요수량이 완만하게 변화하는 것으로 분석되었다. Fig. 5와 같이 단위면적당 연평균 필요수량의 변화를 시계열로 도시한 결과, 논과 밭 모두 기후변화의 영향으로 미래로 갈수록 단위면적당 필요수량이 증가하는 것으로 나타났으며, SSP1-2.6 시나리오에 비해 SSP5-8.5에서 증가 폭이 훨씬 큰 것으로 예측되었다.

Fig. 6은 논과 밭 필요수량의 합인 총 필요수량을 GCM별, 기후변화 시나리오별로 구분하여 box plot으로 도시한 결과이다. SSP1-2.6에서는 GFDL-ESM4를 제외한 모든 기후모델에서 2070s까지 필요수량이 증가하다가 2090s에 다소 감소하는 경향을 보였으며, 2090s 필요수량은 231×106∼286×106 m3/yr 범위의 값을 보여 2030s에 비해 평균적으로 약 1.9% 증가하는 것으로 예측되었다. SSP5-8.5에서는 모든 기후모델에서 2090s로 갈수록 필요수량이 증가하는 것으로 예측되었으며, 2090s 필요수량은 236×106∼321×106 m3/yr 범위의 값을 보여 2030s에 비해 약 9.1% 증가하는 것으로 나타났다. 한편, GCM별 총 필요수량을 비교한 결과 모든 미래 시기동안 SSP1-2.6시나리오에서는 CanESM5가 가장 작고 UKESM1-0-LL가 가장 큰 필요수량 값을 보였으며, SSP5-8.5에서는 GFDL-ESM4가 가장 작고 UKESM1-0-LL이 가장 큰 필요수량 값을 보였다.

NGHHCI_2021_v63n6_61_f0006.png 이미지

Fig. 6 Boxplots showing changes in total crop water requirement by climate change model under SSP1-2.6 and SSP5-8.5 scenarios

토지이용변화가 필요수량에 미치는 영향을 정량적으로 파악하기 위해 기후변화만 고려한 경우 (CC)와 기후와 토지이용변화를 모두 고려한 경우 (CC&LU)로 구분하여 필요수량을 산정하였다. Fig. 7은 기후변화만 고려한 경우의 논밭 필요 수량과 기후변화와 토지이용변화를 모두 고려한 경우의 논밭 필요수량 비교 결과를 시기별로 구분하여 막대그래프로 도시한 그림이며, 4개 기후모델의 평균 필요수량 값을 나타내고 있다. 기후변화와 토지이용변화를 모두 고려한 경우 기후변화만 고려한 경우에 비해 논 필요수량은 평균 1.1% 낮게 산정되고, 밭 필요수량은 평균 0.1% 낮게 산정되어 밭에 비해 논면적의 변화가 필요수량에 미치는 영향이 크게 나타났다. 또한, 시기별 필요수량 변화 양상을 분석한 결과 논밭 면적 감소가 필요수량 감소에 미치는 영향이 가장 크게 나타난 시기는 2050s으로, 기후변화만 고려한 경우에 비해 논과 밭의 필요수량이 각각 1.4%, 0.1% 작게 산정되었다.

NGHHCI_2021_v63n6_61_f0007.png 이미지

Fig. 7 Projected changes in crop water requirement of paddy and upland under (a) SSP1-2.6 and (b) SSP5-8.5 scenarios (affected by climate change, CC; affected by both climate and land use change, CC&LU)

한편, 기후변화와 토지이용변화를 모두 고려했을 때 2030s 대비 2090s 필요수량은 SSP1-2.6 시나리오에서 논과 밭이 각각 1.3%, 7.0% 증가하는 것으로 나타났고, SSP5-8.5 시나리오에서는 7.9%, 19.5% 증가하는 것으로 예측되었다. 반면 기후 변화만 고려한 경우에는 SSP1-2.6 시나리오에서 논과 밭이 각각 2.5%, 7.0% 증가하는 것으로 예상되었고, SSP5-8.5 시나리오에서는 각각 9.2%, 19.5% 증가하는 것으로 예측되어 기후변화만 고려한 경우가 토지이용변화를 함께 고려한 경우에 비해 논 필요수량이 크게 산정되었다.

Ⅳ. 요약 및 결론

본 연구에서는 담수호에 해당하는 충청남도 서산시 간월호 유역을 대상으로 미래 농지면적 변화와 기후변화에 따른 논밭 필요수량 변화 예측을 위해, FLUS 모형을 통해 모의된 미래 기간 토지이용변화 모의 결과와 4종의 CMIP6 기후모델에 의한 SSP1-2.6 및 SSP1-8.5 기후변화 자료를 적용하여 2001∼2100년의 연간 논밭 필요수량을 산정하였다. 이때, 논 필요수량은 논 물수지 분석에 기반하여 증발산량과 침투량의 합으로 산정하였으며, 밭 필요수량은 Penman-Monteith 방법에 의한 기준잠재증발산량에 작물 종류별 관개면적비를 고려한 시기별 작물계수를 곱하여 산정하였다.

7개의 토지이용항목 (시가지, 논, 밭, 산림, 초지, 나지, 수역)에 대한 미래 토지이용변화 모의 결과, 시가지, 논, 산림의 면적 변화가 두드러지게 나타났다. 논 면적은 2015년 대비 2040년 약 0.54% 감소하였다가 2065년 및 2090년에는 소폭 증가하여 2090년 논 면적은 전체의 약 37.68%를 차지할 것으로 예측되었으며, 밭은 2015년에 비해 미래기간에 0.01∼0.02%의 작은 폭으로 변화하여 2090년 밭 면적은 전체의 약 15.01%를 차지하는 것으로 모의되었다.

2001∼2100년 동안 연간 영농기 논 필요수량을 산정한 결과, SSP1-2.6 시나리오에서는 2030s 대비 2070s 논 필요수량이 약 1.6% (3.59×106 m3/yr) 증가하였다가 2090년에는 소폭 (0.67×106 m3/yr) 감소하였으며, SSP5-8.5 시나리오에서는 2030s에서 2090s로 갈수록 지속적으로 증가하여 2030s 대비 2090s 논 필요수량은 약 7.9% (17.59×106 m3/yr) 증가하는 것으로 나타났다. 이는 SSP1-2.6 시나리오에서는 기후변화 완화 정책에 따라 먼 미래에는 증발산량이 오히려 감소하면서 필요수량 또한 감소했으며, SSP5-8.5 시나리오에서는 지속적인 기후변화의 영향으로 먼 미래에도 증발산량이 증가했기 때문으로 사료된다. 한편, 밭 필요수량은 SSP1-2.6 및 SSP5-8.5 시나리오 모두 먼 미래로 갈수록 증가하는 경향을 보였으며, 2030s 대비 2090s 증가폭은 SSP1-2.6 (약 7.0%)에 비해 SSP5-8.5 (약 19.4%)에서 훨씬 크게 나타났다.

미래 토지이용변화가 필요수량에 미치는 영향을 정량적으로 파악하기 위해 기후변화만 고려한 경우와 기후변화와 토지이용변화를 모두 고려한 경우로 구분하여 필요수량을 산정한 결과, 기후변화만 고려한 경우에 비해 토지이용변화까지 고려한 경우 논과 밭 필요수량은 각각 약 1.1%, 0.1% 작게 산정되어, 밭에 비해 논 면적의 변화가 필요수량에 미치는 영향이 상대적으로 더 큰 것으로 나타났다. 또한, 2030s 대비 2090s 논밭 필요수량 변화량을 기후변화만 고려한 경우와 기후변화와 토지이용변화를 모두 고려한 경우로 구분하여 비교한 결과, 기후변화만 고려한 경우의 논 필요수량 증가량이 토지이용변화를 함께 고려한 경우에 비해 더 크게 산정되었으며, 밭 필요수량 증가량은 거의 유사한 것으로 나타났다.

본 연구의 결과는 미래 기후 및 농지이용 변화를 고려한 효율적인 농업용수 활용 계획 수립과 미래 유역 환경변화를 고려한 지속가능한 탄력적 수자원 관리 기법 개발의 기초자료로 활용될 수 있을 것으로 기대된다. 한편, 본 연구에서는 논과 밭의 면적변화에 따른 필요수량 변화를 분석하였으나, 향후 시설재배지 및 기타 영농환경의 변화를 추가적으로 고려한 농업 용수량을 산정할 필요가 있다. 또한, 보다 다양한 GCM 및 시나리오에 대하여 필요수량을 산정하여, 여러 시나리오에 기반한 미래 농어촌용수 변화 대응 방안을 마련해야 할 것으로 사료된다.

감사의 글

이 논문은 정부 (과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행되었음 (No. 2020R1A2C2003808).

References

  1. Allen, R. G., L. S. Periera, D. Raes, and M. Smith, 1998. Crop evapotranspiration: guidelines for computing crop requirements-FAO Irrigation and Drainage Paper 56. Fao, Rome, 300(9): D05109.
  2. Allen, R. G., M. E. Jensen, J. L. Wright, and R. D. Burman, 1989. Operational estimates of reference evapotranspiration. Agronomy Journal 81(4): 650-662. doi:10.2134/agronj1989.00021962008100040019x.
  3. Batty, M., H. Couclelis, and M. Eichen, 1997. Urban systems as cellular automata. Environment and Planning B: Planning and Design 1997(24): 159-164.
  4. Chen, Y., X. Li, X. Liu, and B. Ai, 2014. Modeling urban land-use dynamics in a fast developing city using the modified logistic cellular automaton with a patch-based simulation strategy. International Journal of Geographical Information Science 28(2): 234-255. doi:10.1080/13658816.2013.831868.
  5. Cho, J. P., 2013. Impact assessment of climate change for agricultural reservoirs considering uncertainty. Research Report 2013-05. APEC Cllimate Center (in Korean).
  6. Choi, S. K., J. Jeong , J. Cho, S. O. Hur, D. Choi, and M. K. Kim, 2018. Assessing the climate change impacts on paddy rice evapotranspiration considering uncertainty. Journal of Climate Change Research 9(2):143-156 (in Korean). doi:10.15531/KSCCR.2018.9.2.143
  7. Chung, H. W., S. J. Kim, J. S. Kim, J. K. No, K. W. Park, J. K. Son, K. S. Yoon, K. H, Lee, N, H, Lee, S. O. Jung , J. D. Choi, and J. Y. Choi, 2006. Irrigation and Drainage Engineering. Gyeonggi: Dongmyeong Publisher.
  8. Guo, H., Cai, Y., Yang, Z., Zhu, Z., and Y. Ouyang, 2021. Dynamic simulation of coastal wetlands for Guangdong-Hong Kong-Macao Greater Bay area based on multi-temporal Landsat images and FLUS model. Ecological Indicators 125: 107559. doi:10.1016/j.ecolind.2021.107559.
  9. Hong , M. K., S. H. Lee, J. Y. Choi, S. H Lee, and S. J. Lee, 2015. Estimation of soil moisture and irrigation requirement of upland using soil moisture model applied WRF meteorological data. Korean Journal of Environmental Agriculture 19(3): 252-258 (in Korean). doi:10.5389/KSAE.2015.57.6.173.
  10. Hwang, S., 2020. Dynamic resilience assessment for water quality management of estuarine reservoir using SWATEFDC model. Ph.D. diss., Seoul National University (in Korean).
  11. Im, S. J., 2000. Modeling irrigation return flow from paddy fields on agricultural watersheds. Ph.D. diss., Seoul, Seoul National University (in Korean).
  12. Ju, W, J., J. T. Kim, K. W. Park, and Y. J. Lee, 2006. Development of system for estimating water demand considering variation of farming conditions in paddy field. Korean National Committee on Irrigation and Drainage 13(1): 82-90 (in Korean).
  13. Kim, J. T., 2011. Research on a test for integrated agricultural water resources. Rural Research Institute: Ansan, Korea. (in Korean).
  14. Kim, S. J. and Y. J. Lee, 2007. The effect of spatial scale and resolution in the prediction of future land use using CA-Markov Technique. Journal of the Korean Association of Geographic 10(2): 58-70 (in Korean)
  15. Kriegler, E., J. Edmonds, S. Hallegatte, K. L. Ebi, T. Kram, K. Riahi, H. Winkler, D. P. Van Vuuren, 2014. A new scenario framework for climate change research: the concept of shared climate policy assumptions. Climate Change 122(2014): 401-414. https://doi.org/10.1007/s10584-013-0971-5
  16. Lee, J. H., Lee, S. S., Jeong, S. M., Jeong, G. S., and Shin, H. S., 2001. Water management and water quality conservation measures for freshwater lakes in Seosan A and B districts. Water for Future 34(6): 46-52 (in Korean).
  17. Li, X. and A. G. O. Yeh, 2002. Neural-network-based cellular automata for simulating multiple land use changes using GIS. International Journal of Geographical Information Science 16(4): 323-343. https://doi.org/10.1080/13658810210137004
  18. Li, X., G. Chen, X. Liu, X. Liang, S. Wang, Y. Chen, F. Pei, and X. Xu, 2017. A new global land-use and land-cover change product at a 1-km resolution for 2010 to 2100 based on human-environment interactions. Annals of the American Association of Geographers 107(5): 1040-1059. doi:10.1080/24694452.2017.1303357.
  19. Li, Z., X. Cheng, and H. Han, 2020. Future impacts of land use change on ecosystem services under different scenarios in the ecological conservation area, Beijing, China. Forests 11(5): 584. doi:10.3390/f11050584.
  20. Liang, X., X. Liu, D. Li, H. Zhao, and G. Chen, 2018. Urban growth simulation by incorporating planning policies into a CA-based future land-use simulation model. International Journal of Geographical Information Science 32(11): 2294-2316. doi:10.1080/13658816.2018.1502441.
  21. Lin, W., Sun, Y., Nijhuis, S., and Z. Wang, 2020. Scenario-based flood risk assessment for urbanizing deltas using future land-use simulation (FLUS): Guangzhou Metropolitan Area as a case study. Science of the Total Environment 739: 139899. doi:10.1016/j.scitotenv.2020.139899.
  22. Liu, X., X. Liang , X. Li, X. Xu, J. Ou, Y. Chen, S. Li, S. Wang, and F. Pei, 2017. A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects. Landscape and Urban Planning 168(2017): 94-116. doi:10.1016/j.landurbplan.2017.09.019.
  23. Park, J. S., and S. G. Park, 2020. Reasonable river water permit and management plan in estuarine reservoir. Water for Future 53(8): 17-23 (in Korean).
  24. Pontius Jr, R. G., and M. Millones, 2011. Death to Kappa: Birth of quantity disagreement and allocation disagreement for accuracy assessment. International Journal of Remote Sensing 32(15): 4407-4429. doi:10.1080/01431161.2011.552923.
  25. Pontius, R. G., W. Boersma, J. Castella, K. Clarke, T. de Nijs, C. Dietzel, Z. Duan, E. Fotsing , N. Goldstein, K. Kok, E. Koomen, C. D. Lippitt, W. McConnel, A. M. Sood, B. Pijanowski, S. Pithadia, S. Sweeney, T. N. Trung, A. T. Veldkamp, and P. H. Verburg, 2008. Comparing the input, output, and validation maps for several models of land change. The Annals of Regional Science 42(2008): 11-37. https://doi.org/10.1007/s00168-007-0138-2
  26. Song, J. H., M. S. Kang, I. Song, S. H. Hwang, J. Park, and J. H. Ahn, 2013. Surface drainage simulation model for irrigation districts composed of paddy and protected cultivation. Journal of the Korean Society of Agricultural Engineers 55(3): 63-73 (in Korean). doi:10.5389/KSAE.2013.55.3.063.
  27. Song, J. H., Y. Her, S. M. Jun, S. Hwang, J. Park, and M. S. Kang, 2019. Lessons from assessing uncertainty in agricultural water supply estimation for sustainable rice production. Agronomy 9(10): 662. doi:10.3390/agronomy9100662.
  28. Verburg, P. H., W. Soepboer, A. Veldkamp, R. Limpiada, V. Espaldon, and S. S. Mastura, 2002. Modeling the spatial dynamics of regional land use: the CLUE-S model. Environmental Management 30(3): 391-405. https://doi.org/10.1007/s00267-002-2630-x
  29. Yoo, C. H., J. S. Kim, T. H. Kim, Y. H. Choi, N. W. Oh, J. Y, Park, and J. H. Lim, 2019. Structural transformation in Korean agriculture: changes and challenges (year 1 of 2), 62-67. KREI Research Report 1-208. Naju: Korea Rural Economic Institute (in Korean).
  30. Yoo, S. H., J. Y. Choi, and M. W. Jang, 2006. Estimation of paddy rice crop coefficients for FAO Penman-Monteith and Modified Penman method. Journal of the Korean Society of Agricultural Engineers 48(1): 13-23 (in Korean). https://doi.org/10.5389/KSAE.2006.48.1.013
  31. Yoo, S. H., J. Y. Choi, S. H. Lee, Y. G. Oh, and N. Y. Park, 2012. The impacts of climate change on paddy water demand and unit duty of water using high-resolution climate scenarios. Journal of the Korean Society of Agricultural Engineers 54(2): 15-26 (in Korean). doi:10.5389/KSAE.2012.54.2.015.
  32. Yoon, C. G., and J. G. Ham, 2000. Prediction of water quality in estuarine reservoir using SWMM and WASP5. Korean Journal of Environmental Agriculture 19(3): 252-258 (in Korean).
  33. Yoon, D. K., S. O. Chung, and S. J. Kim, 2011. Climate change impacts on paddy water requirement. Journal of the Korean Society of Agricultural Engineers 53(4): 39-47 (in Korean). doi :10.5389/KSAE.2011.53.4.037.