📄 농업

Assessing Different Remotely Sensed Wheat Biophysical Variables for Data Assimilation in a Crop Model for Yield Mapping Prediction

본 연구는 Sentinel-2 유래 지상부 생체량(above-ground biomass)을 DSSAT CERES-Wheat 모델에 동화시키는 것이 엽면적 지수(leaf area index)나 캐노피 질소 함량(canopy nitrogen content)만을 기반으로 하는 방식보다 픽셀 규모에서 밀 수확량 예측 및 매핑 정확도를 유의미하게 향상시킨다는 것을 입증한다.

원저자: Riccardo Fazioli, Federica Carucci, Luca Marrone, David Kovács, Davide Cammarano, Stefano Lo Presti, Zhenhai Li, Raffaele Casa

게시일 2026-09-21

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Riccardo Fazioli, Federica Carucci, Luca Marrone, David Kovács, Davide Cammarano, Stefano Lo Presti, Zhenhai Li, Raffaele Casa

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

농부들은 오랫동안 날씨와 토양, 그리고 자신의 경험에 의존하여 밀밭이 얼마나 많은 수확량을 낼지 추측해 왔습니다. 오늘 그들에게는 강력한 새로운 도구가 생겼습니다. 바로 우주에서 작물을 볼 수 있는 위성입니다. 하지만 단순히 위성 이미지를 보는 것만으로는 수확량을 예측하기에 충분하지 않습니다. 문제는 저 멀리 떨어진 곳에서 보이는 초록색 잎의 모습과, 땅속 및 식물 내부에서 일어나는 복잡하고 숨겨진 과정들을 연결하는 데 있습니다. 이를 위해 과학자들은 작물이 어떻게 자라는지를 시뮬레이션하는 컴퓨터 모델을 사용하며, 이 모델은 작물이 물을 얼마나 마시는지, 질소를 얼마나 섭취하는지, 그리고 햇빛을 얼마나 곡물으로 바꾸는지 계산합니다. 이 모델들은 살아있는 기계를 위한 상세한 설계도와 같지만, 현실 세계는 무질서하고 뜻밖의 일들로 가득 차 있기 때문에 종종 경로를 이탈하곤 합니다. 이를 해결하기 위해 연구자들은 '데이터 동화(data assimilation)'라고 불리는 기술을 사용합니다. 이것은 마치 항해사가 실제 도로 표지판과 지도를 끊임없이 대조하며 경로를 수정하는 것과 같습니다. 위성으로부터 얻은 실시간 관측 데이터를 컴퓨터 모델에 입력함으로써, 과학자들은 시뮬레이션이 현실과 일치하도록 강제할 수 있으며, 이를 통해 막연한 추측을 정밀한 예측으로 바꿀 수 있습니다.

최근 이탈리아 중부의 밀밭에서 수행된 한 연구에서, 연구자들은 컴퓨터 모델을 안내할 가장 좋은 '도로 표지판'이 무엇인지 찾아내고자 했습니다. 그들은 위성이 측정할 수 있는 세 가지 서로 다른 정보, 즉 잎의 표면적, 지상부의 총 무게, 그리고 잎에 저장된 질소량을 테스트했습니다. 연구팀은 이 변수들 중 어떤 것을 시뮬레이션에 입력했을 때 최종 수확량을 가장 정확하게 예측할 수 있는지 알고 싶었습니다. 그들은 단 하나의 필드만을 본 것이 아니라, 이론적으로 시스템이 어떻게 작동하는지 보기 위해 다양한 기상 패턴과 토양 유형을 적용하여 수천 번의 컴퓨터 시뮬레이션을 실행했으며, 그 후 2024년 재배 시즌 동안 리에티 평원의 실제 농장에서 자신들의 아이디어를 검증했습니다.

결과는 명확한 승자를 보여주었습니다. 연구진이 식물의 총 무게, 즉 지상부 생체량(aboveground biomass)에 관한 데이터를 모델에 입력했을 때, 예측은 놀라울 정도로 정확해졌습니다. 컴퓨터 시뮬레이션에서 이 단 하나의 정보를 사용했을 때, 위성 데이터 없이 모델을 실행했을 때보다 수확량 예측 오차가 절반 이상 줄어들었습니다. 이를 실제 필드에 적용했을 때도 그 개선 효과는 매우 인상적이었습니다. 모델의 수확량 추정치는 실제 농부가 수확한 양에 훨씬 더 가까워졌으며, 오차는 헥타르당 1,400kg 이상에서 600kg 미만으로 떨어졌습니다. 수확량의 공간적 패턴 또한 실제와 훨씬 더 잘 일치하여, 단순히 평평하고 균일한 추측을 보여주는 대신 필드 전반의 미세한 변화를 포착해 냈습니다.

놀랍게도 나머지 두 변수는 단독으로는 효과가 크지 않았습니다. 모델에 잎 면적 데이터만 입력하거나 질소 함량만 입력하는 것은 오히려 예측을 악화시켜, 위성 데이터를 전혀 사용하지 않았을 때보다 오차를 더 높이는 결과를 초래하기도 했습니다. 연구진은 잎 면적과 질소가 식물의 건강에는 중요하지만, 위성 측정값에 아주 작은 오류라도 포함될 경우 최종 수확량을 예측하기에는 너무 간접적인 변수라는 것을 발견했습니다. 반면, 식물의 총 무게는 성장을 직접적으로 나타내는 척도이며 최종 수확량과 밀접하게 연결되어 있습니다. 이는 다른 입력값이 불확실할 때도 모델을 안정적으로 유지해 주는 튼튼한 닻 역할을 합니다.

또한 이 연구는 세 가지 변수를 모두 결합하는 것이 반드시 무게 단독 사용보다 나은 결과를 가져다주는 것은 아니라는 점을 보여주었습니다. 실제 현장 테스트에서, 신뢰도가 낮은 잎과 질소 데이터를 강력한 무게 데이터에 추가했을 때 결과가 유의미하게 개선되지 않았습니다. 이는 무질서한 현실의 농장에서는 데이터가 노이즈를 포함하고 있다면, 데이터의 양이 많다고 해서 항상 더 좋은 것은 아니라는 점을 시사합니다. 측정값의 품질이 양보다 더 중요하다는 것입니다. 가장 견고한 변수에 집중함으로써, 연구진은 제한된 수의 지상 샘플과 위성 이미지만을 바탕으로 필드의 수확량을 고해상도 지도로 만들어낼 수 있었습니다.

이 작업은 정밀 농업을 위한 실질적인 길을 제시합니다. 이는 농부와 농학자들이 수확량을 개선하기 위해 우주로부터 가능한 모든 측정을 쫓아다닐 필요가 없음을 시사합니다. 대신, 그들은 수확량과 가장 안정적이고 직접적인 연결 고리를 제공하는 변수에 집중해야 합니다. 위성 데이터를 사용하여 작물의 총 무게를 추적함으로써 컴퓨터 모델을 실제 필드의 상태에 맞게 조정할 수 있으며, 이를 통해 시비와 관수에 대한 더 나은 결정을 내릴 수 있습니다. 이 연구는 하늘이 풍부한 정보를 제공하더라도, 수확을 이해하는 핵심은 그 정보 중 어떤 조각이 가장 신뢰할 수 있는 가이드인지를 아는 데 있다는 것을 확인시켜 줍니다.

기술 요약: 수확량 매핑 예측을 위한 작물 모델 내 데이터 동화용 서로 다른 원격 탐사 밀 핵심 생물물리적 변수 평가

문제 정의
DSSAT-CERAS-Wheat와 같은 프로세스 기반 작물 모델은 농업 관리 및 수확량 예측을 위한 필수적인 도구이다. 그러나 이들의 정확도는 입력 데이터의 불확실성과 농경지 고유의 공간적 가변성을 포착하지 못하는 능력에 의해 제한되는 경우가 많다. 데이터 동화(DA)는 모델의 시뮬레이션 상태와 관측된 상태 사이의 일관성을 개선하기 위해 원격 탐사 관측치를 모델에 통합하는 방법으로 제안되어 왔으나, 동화할 특정 생물물리적 변수를 선택하는 것이 미치는 영향에 대해서는 여전히 불분류되어 있다. 기존 연구들은 주로 엽면적 지수(LAI)에 집중해 왔다. 본 연구는 LAI 외의 다른 변수들, 구체적으로 지상부 생물량(aboveground biomass)과 캐노피 질소 함량을 통합하는 것이 수확량 매핑을 위해 더 우수한 성능을 제공하는지, 그리고 다변량 체계가 실제 환경 조건에서 단일 변수 접근법보다 더 나은 성능을 보이는지 이해하고자 하는 공백을 다룬다.

연구 방법론
본 연구는 DSSAT-CERAS-Wheat 모델을 평가하기 위해 3단계 프레임워크를 채택하였다:

합성 실험(Synthetic Experiment): 세 가지 토양 유형, 세 가지 생육 시즌(강우량 변화), 열한 가지 질소 시비율을 결합한 99가지 요인 실험 시뮬레이션을 사용하여 in-silico 실험을 수행하였다. 수확량과 곡물 질소에 대한 합성 "참값(true values)"을 생성하였으며, 참값에 30%의 무작위 노이즈를 추가하여 LAI, 지상부 생물량, 캐노피 질소 함량의 합성 관측치를 생성하였다. 다양한 동화 체계(단일 및 다변량 조합)를 최적화 기반 접근 방식(입자 군집 최적화, Particle Swarm Optimization)을 통해 오픈 루프(open-loop) 베이스라인과 비교 테스트하였다.
현장 검증(실제 데이터): 이 프레임워크를 2024년 생육 시즌 동안 이탈리아 중부 리에티 평원(Rieti Plain)의 겨울 밀 필드에 적용하였다. Sentinel-2 영상을 처리하여 10 × 10 m 해상도로 LAI, 지상부 생물량, 캐노피 질소 함량의 시계열 데이터를 도출하였다. 이는 세 가지 필드에 걸친 이질적인 관리 관행을 가진 10개의 실험 샘플링 단위(ESU)로부터 얻은 지면 측정값과 검증되었다.
픽셀 단위 수확량 매핑: 가장 성능이 우수한 다변량 구성을 사용하여, 14 헥타르 규모의 필드(LIDA15)에 픽셀 단위로 동화 프레임워크를 적용하여 고해 resolution 수확량 지도를 생성하였다. 이를 137개의 지면 샘플링 지점에서 유도된 보간 수확량 지도와 비교하였다.

연구는 동화 단계 이전에 모델 파라미터를 관측된 페놀로지(phenology) 및 성장에 맞추기 위해 시행착오 방식의 사전 보정(pre-calibration)을 활용하였다. 성능은 RMSE, 결정 계수( $R^2$ ), Willmott의 일치 지수(D-index), 공간적 공분산 계수(spatial codispersion coefficients)를 통해 평가되었다.

주요 기여

변수의 비교 평가: 본 연구는 수확량 예측을 위해 LAI, 지상부 생물량, 캐노피 질소를 개별적으로, 그리고 조합하여 동화하는 것의 효능을 체계적으로 비교한다.
다변량 대 단일 변수 분석: 구조적 변수(LAI, 생물량)와 영양적 변수(질소)를 결합하는 것이 이상적인 합성 데이터에서 노이즈가 많은 실제 위성 데이터로 전환될 때, 단일 변수 동화보다 견고한 이점을 제공하는지 평가한다.
고해상도 수확량 매핑: 본 연구는 점 기반의 지면 실측치와 필드 규모의 모델 출력 사이의 간극을 메우며, 데이터 동화 프레임워크를 실용적으로 적용하여 공간적으로 명시적인 고해상도(10 × 10 m) 수확량 지도를 생성하는 것을 입증한다.

결과

합성 조건: 이상적인 조건 하에서, 동화는 오픈 루프 모델에 비해 오류를 유의미하게 감소시켰다. 수확량 예측에는 LAI 단독으로도 우수한 성능을 보였으나, 생물량(CWAD)을 포함한 다변량 체계가 수확량 오차를 더욱 최소화하였다. 곡물 질소 함량의 경우, LAI와 캐노피 질소 함량의 조합이 가장 좋은 결과를 나타냈다.
실제 현장 데이터: 성능은 위성 유도 변수의 품질에 따라 크게 달라졌다.
- 지상부 생물량: 이 변수는 지면 측정값과 가장 강력한 일치성( $R^2 = 0.943$ )을 보였으며, 모델을 제약하는 데 가장 견고한 것으로 증명되었다. 생물량만을 동화했을 때 수확량 RMSE가 32% 감소하였고, D-index는 0.30에서 0.71로 증가하였다.
- LAI 및 캐노피 질소: LAI 또는 캐노피 질소 함량을 단독으로 동화하는 것은 오픈 루프 모델보다 수확량 예측 성능을 저하시켰는데, 이는 높은 추출 불확실성과 모델 구조 내에서 이 변수들이 최종 수확량과 갖는 간접적인 관계 때문인 것으로 보인다.
- 다변량 체계: 변수를 결합하는 것은 생물량이 포함되었을 때만 결과를 개선하였다. 실제 데이터 맥락에서 LAI나 질소를 생물량에 추가하는 것은 생물량 단독 동화에 비해 체계적인 개선을 가져오지 못했는데, 이는 다른 변수들의 낮은 품질/노이즈가 그 유용성을 제한했음을 시사한다.
수확량 매핑: 픽셀 단위에서, 동화된 수확량 지도는 현실적인 공간 패턴을 보여주었으며 관측된 데이터와 오픈 루프 시뮬레이션보다 훨씬 더 나은 일치성을 보였다. RMSE는 1415.40에서 576.53 kg DM ha⁻¹로 감소하였고, 공간적 공분산 계수는 -0.11에서 0.57로 개선되어 강한 양의 공간적 대응을 나타냈다.

의의 및 주장
본 논문은 지상부 생물량이 이 특정 맥락에서 Sentinel-2 데이터로부터 유도될 때 LAI 및 캐노피 질소 함량보다 수확량 예측을 위한 프로세스 기반 작물 모델을 제약하는 데 가장 효과적인 원격 탐사 변수라고 주장한다. 본 연구는 다변량 데이터 동화의 성공이 위성 제품의 품질에 크게 의존한다는 점을 강조한다. 즉, 다변량 체계가 이론적으로는 더 우수하지만, 추가된 변수(LAI, 질소)가 상당한 노이즈나 불확실성을 도입할 경우 그 실질적인 이점은 제한된다.

저자들은 다수의 생물물리적 변수를 동화함으로써 밀 수확량 예측을 개선하고 필드 규모의 정확한 수확량 지도를 생성할 수 있다고 결론짓는다. 다만, 이러한 결과가 단일 생육 시즌과 지역에 기반하고 있음을 겸허히 언급하며, 향후 연구에서 다양한 토양-기후 조건에 걸쳐 프레임워크를 테스트하고 관측 불확실성을 명시적으로 통합할 필요가 있다고 밝힌다.

유사한 논문