Data-Driven Spatial Targeting for Sustainable Intensification of Rice Systems in the Philippines

기술 요약: 필리핀 쌀 생산 체계의 지속 가능한 집약화를 위한 데이터 기반 공간적 타겟팅

문제 정의
쌀은 필리핀 식량 안보의 초석이지만, 국가적 자급자족을 저해하는 지속적인 수율 격차(yield gaps)로 인해 필리핀은 여전히 세계 최대의 쌀 수입국으로 남아 있다. 이러한 수율 격차는 가용 경작지의 부족보다는 주로 최적화되지 않은 농업 관리 방식에 의해 발생하며, 이는 달성 가능한 수율(상위 10% 농가)과 평균 농가 수율 간의 차이로 정의된다. 기존 연구들은 기술적 효율성을 정량화하기 위해 프런티어 기반 접근 방식(예: 확률적 프런티어 분석)을 활용해 왔으나, 이러한 방법들은 관리 관행과 환경 조건 사이의 복잡하고 비선형적인 상호작용을 포착하는 데 어려움을 겪는 경우가 많다. 더욱이, 쌀 경쟁력 강화 프로그램(RCEP)과 같은 기존의 정책 개입은 생산 환경의 공간적 이질성을 고려하지 못한 채 "포괄적(blanket)"인 하향식 권고 사항에 크게 의존하고 있다. 결과적으로, 경작 면적을 확장하지 않으면서도 특정 생산성 동인을 식별하고 자원 이용(특히 질소 관리)을 최적화할 수 있는 공간적으로 명시적인 데이터 기반 개입이 절실히 필요하다.

연구 방법론
본 연구는 두 주요 관개 쌀 생산 지역인 일로일로(비사야 지역)와 누에바 에시하(중부 루손 지역)를 대상으로 해석 가능한 머신러닝(ML)과 공간 분석을 결합한 상향식(bottom-up), 데이터 기반 프레임워크를 적용하였다.

• 데이터 수집: 50개 바랑가이(barangay)를 대상으로 층화 무작위 추출 조사를 실시하여 538명의 농가 데이터를 수집하였다. 이상치와 오류를 제거하는 엄격한 데이터 큐레이션 과정을 거친 후, 최종 데이터셋은 건기(DS)와 우기(WS)를 모두 포함하는 514개의 현장 관측치로 구성되었다. 데이터에는 품종, 물, 영양, 병해충/잡초 관리 및 수율 결과에 대한 상세한 관리 관행이 포함되었다.
• 머신러닝 모델링: 농법 입력값에 따른 쌀 수율을 예측하기 위해 지역 및 계절별 랜덤 포레스트(RF) 모델을 개발하였다. 모델 성능은 Out-of-Bag (OOB) $R^2$ 및 평균 제곱근 오차(RMSE)를 사용하여 평가되었다.
• 해석 가능성 및 동인 식별: RF 모델의 "블랙박스" 특성을 해결하기 위해 샤플리 부가 설명(SHAP)을 사용하여 개별 변수가 수율 예측에 기여하는 정도를 정량화하였다. 전역적 특징 중요도는 평균 절대 SHAP 값을 기준으로 순위를 매겼다.
• 최적화 및 시나리오 분석: 질소 시비율과 수율 간의 관계를 분석하기 위해 부분 의존도 플롯(PDP)과 개별 조건 기대치(ICE) 곡선을 생성하였다. 이를 통해 특정 필지에 대한 "데이터 기반 최적 질소 시비율"을 식별할 수 있었다.
• 사전적(Ex-ante) 시나리오 평가: 다음 세 가지 관리 시나리오를 시뮬레이션하여 수율 증대 및 경제적 영향을 추정하였다:
  1. 지방정부(LGU) 포괄적 방식: 현재의 표준 LGU 권고량(지역/계절에 따라 90–120 kg N ha⁻¹)을 적용.
  2. 데이터 기반 포괄적 방식: ICE 분석을 통해 도출된 균일한 경제적 최적 질소 시비율을 모든 필지에 적용.
  3. 공간적 타겟팅 방식: 질소가 제한적인 것으로 식별된 필지(질소에 대해 음(-)의 SHAP 값을 가진 필지)에만 최적 질소 시비율을 적용하고, 나머지 필지는 기존 방식을 유지.
• 공간 매핑: QGIS를 사용하여 필지별 수율 개선 잠재력을 집계하고, 고우선순위 개입 구역을 나타내는 공간 지도를 생성하였다.
• 현장 검증: 누에바 에시하(2024년 건기)와 일로일로(2025년 건기)에 나란히 실험 구역을 설정하여, 농가 관행(FP)과 데이터 기반 질소 권고량(Demo)을 비교함으로써 실제 환경에서 ML 유도 전략의 효능을 검증하였다.

주요 결과

• 수율 격차: 평균 농가 수율은 달성 가능한 수준의 6871%에 그쳐, 2932%의 수율 격차가 발생했다. 누에바 에시하의 경우(건기 기준 최대 3.1 t ha⁻¹), 일로일로(~1.7 t ha⁻¹)보다 더 큰 격차를 보였는데, 이는 누에바 에시하의 더 큰 계절적 변동성과 관리적 이질성을 반영한다.
• 주요 동인: 질소 관리가 두 지역 및 모든 계절에서 지배적인 수율 제한 요인으로 확인되었다. 누에바 에시하에서는 질소 시비율 다음으로 품종 선택과 인(P)이 중요했으며, 일로일로에서는 질소 다음으로 칼륨(K)과 잡초 관리가 주요 요인이었다.
• 최적화 임계치: 수율 반응 곡선은 건기 동안 질소 시비율이 약 105 kg ha⁻¹ (일로일로) 및 140 kg ha⁻¹ (누에바 에시하)에서 정체됨을 나타냈다. 상당수의 필지(일로일로의 98%, 누에바 에시하의 68%)가 건기 동안 이 임계치보다 낮은 질소 시비율을 적용하고 있었다.
• 시나리오 성과:
  • **타겟팅 접근 방식 (시나리오 3)**이 가장 효율적임을 입증하였다. 이 방식은 일로일로에서 ~1.11 t ha⁻¹, 누에바 에시하에서 ~1.96 t ha⁻¹의 수율 증대를 예측했다.
  • 결정적으로, 이 타겟팅 접근 방식은 포괄적 방식과 비교했을 때 질소 사용량을 15%만 늘리고도 잠재적 생산량 증가분의 86%를 달성했다. 누에바 에시하의 경우, 이 방식은 생산량을 약 108,000~132,100톤 증가시키면서도 질소 사용량은 오히려 약 14,800톤 감소시키는 결과를 가져왔다.
  • 포괄적 접근 방식(시나리오 1 및 2)은 유사하거나 더 낮은 한계 이득을 얻기 위해 훨씬 더 높은 질소 투자가 필요했다.
• 검증: 현장 실험은 모델의 효능을 확인해주었다. 데이터 기반 권고량은 농가 관행 대비 일로일로에서는 곡물 수율을 15.1%(0.69 t ha⁻¹) 증가시켰고, 누에바 에시하에서는 11.7%(0.76 t ha⁻¹) 증가시켰다.

의의 및 주장
본 논문은 필리핀 쌀 체계에 특화된 해석 가능한 머신러닝, 공간적 타겟팅 질소 최적화, 그리고 현장 검증을 통합적으로 적용한 첫 사례라고 주장한다. 본 연구의 주요 의의는 **공간적 지능(spatial intelligence)**이 어떻게 비효율적이고 균일한 투입물 보조금 정책을 정밀한 개입으로 전환할 수 있는지 보여준 데 있다.

저자들은 타겟팅된 질소 관리에 대한 전환이 다음과 같은 효과를 가져온다고 주장한다:

1. 자원 효율성: 글로벌 비료 가격 상승 상황에서 수율 증대를 극대화하는 동시에 비료 투입량과 비용을 최소화한다.
2. 정책 최적화: RCEP와 같은 보조금 프로그램을 균등하게 배분하는 대신, 투자 수익이 가장 높은 "고영향 구역"에 자원을 집중할 수 있도록 과학적 근거를 제공한다.
3. 지속 가능한 집약화: 토지 이용을 확장하거나 과잉 시비와 관련된 환경적 위험을 악화시키지 않으면서 수율 격차를 해소하고 수입 의존도를 낮출 수 있는 확장 가능한 경로를 제시한다.

본 연구는 머신러닝 모델이 모든 사회경제적 및 환경적 변동성을 포착하는 데 내재적 한계가 있을 수 있으나, 이러한 도구들을 현장 검증과 결합함으로써 필리핀의 쌀 수율 격차를 지속 가능하게 해소하기 위한 실행 가능한 로컬 맞춤형 전략을 설계할 수 있는 강력한 프레임워크를 제공한다고 결론짓는다.