1. 서 론

정밀 농업(Precision Agriculture)은 비료, 농약, 물 등의 자원 사용을 최소화 하면서 작물의 생산량을 최대화하는 방법론으로써 다양한 환경에서 농작물의 효율적 생산에 기 여해 오고 있다[20]. 특히, ICT(Information and Communication Technology)를 접목하여 작물 생산에 대한 원격 관리 및 자동화를 수행하는 스마트팜(smart farm) 기술과 연계하 여, 정밀 농업 기술은 지속적으로 발전하고 있다[26]. 위성 이미지를 이용한 노지 작물에 대한 원격 모니터링 기술 발전[15], 드론에 부착된 센서(다분광 센서, 열화상 카메라, 초분광 센서 등)를 활용한 작물 생육 분석[6], 사물 인터넷 (IoT: Internet of Things)을 통한 실시간 생육 환경 모니터링 [10]으로 정밀 농업은 환경에 대한 영향은 최소화하면서 작물의 생산량을 최대화할 수 있는 지속적 농업(sustainable agriculture)으로 나아가고 있다.

하지만, 최근에 심해진 기후 변화 현상으로 인하여 각 지역의 농작물 생산 추세가 변화함에 따라, 작물 생산량을 지속적으로 유지하는 것이 더욱 어려워지고 있다. 지구의 기온 변화와 강우 패턴 변화, 그리고 극한 날씨 빈도의 증 가는 작물 생산량의 감소로 이어진다[1]. 기후 변화의 영 향으로 토양에 있는 영양분과 수분량 역시 변화하기 때문 에, 작물의 생장 예측은 더욱더 어렵게 된다[2]. 예를 들면, 토양 수분이 부족할 경우 작물은 수분 스트레스로 인하여 증산작용과 광합성 반응을 적절히 조절하는 것이 어렵게 되고[22], 토양에 질소가 부족할 경우에는 엽록소 구성이 어렵게 되어 작물 생육이 저하된다. 이런 기후 변화 문제 로 인한 식량 수급의 불안정 문제를 극복하기 위하여 농축 산식품부에서는 중장기 식량안보 강화 방안을 발표한 바 있으며, 대한민국의 주요 노지 채소인 배추, 양파, 무, 마늘 에 대해서 생산 안정성 강화에 초점을 맞추고 있다[18]. 궁극적으로 식량안보를 확보하기 위해서는 신뢰도 높은 작물 수확량 및 유통에 대한 예측 모델의 활용이 중요한 데, 이를 위해서는 정밀 농업기술의 적극적인 활용이 필요 하다.

특히, 배추는 국내 노지 채소 중 수확량이 가장 많은 작 물로 2022년까지 국내에서 연평균 약 200만 톤이 생산된 다[19]. 그러나, 기후 변화로 인해 토양 환경이 변하면서 단위 면적당 배추 수확량은 2023년 9.447ton/10a에서 2024 년 8.902ton/10a로 약 5.8% 감소하고 있다[25]. 따라서 작 물 수확량 증가를 위해서는 다양한 방법이 고려되어야 하 는데, 효율적인 질소 비료 시비를 통해 배추의 수확량을 증가시킬 수 있다[23]. 다만, 과도한 질소 시비는 생육 지 연, 품질 저하, 환경오염과 같은 부작용을 유발할 수 있기 때문에, 적절한 질소 시비량의 결정이 중요하다[8].

본 연구는 작물의 생육을 최대화하면서 환경오염을 최 소화할 수 있는 최적 질소 비료 사용 의사결정시스템 제안 을 목표로 한다. 특히, K-Means Clustering 알고리즘을 활 용하여 위성 이미지로부터 농지를 검출하여 원격으로 작 물의 생육 상황을 분석할 수 있도록 한다. 대상이 된 노지 에 대해서 질소 시비량에 따른 작물 수확량을 예측하고, 더불어 아산화질소(N₂O)와 같은 온실가스 배출량을 예측 함으로써, 환경적 영향은 최소화하면서 작물 수확량을 최 대화할 수 있는 적절한 질소 비료 시비량을 결정할 수 있 는 의사결정시스템을 제안한다. 기존 연구에서는 수확량 최대화 혹은 환경적 영향을 별도로 고려하였지만, 본 연구 에서는 위성 이미지를 활용하여 농지를 검출하고, 해당 면 적 내의 환경적 영향과 수확량을 통합한 최적 질소 시비량 을 확인할 수 있다. 이를 주요 노지 채소인 배추 생산에 적용함으로써 경제성 및 온실가스 감소 효과를 구체적으 로 분석하고자 한다. 결과적으로 제안한 의사결정시스템 은 질소 비료의 과도한 사용으로 인한 환경오염을 줄이고, 각 지역의 상황에 맞춰 사용자가 수확량을 최대화할 수 있는 적절한 시비량을 결정할 수 있도록 도울 것이다.

논문의 이후 구성은 다음과 같다. 제2장에서는 질소 비 료 사용에 따른 배추 수확량 변화와 온실가스 배출에 대한 선행 연구들을 살펴본다. 제3장에서는 본 연구에서 제안 하는 위성 이미지 기반 최적 질소 비료 사용 의사결정시스 템에 대해 주요 기능을 설명한다. 제4장에서는 제안한 시 스템의 주요 기능에 대한 성능 평가 결과에 대해 분석한 다. 마지막으로 제5장에서는 본 연구의 결론과 추후 연구 방향을 제시한다.

2. 배경이론

2.1 질소 비료 사용에 따른 배추 수확량 변화 연구

서론에서 언급한 바와 같이, 질소는 엽록소의 주요 구성 성분이기 때문에, 적절한 질소 비료의 사용은 작물의 수확 량을 증가시킬 수 있지만, 과도한 비료의 사용은 잎의 변 색등을 초래하여 생산량을 오히려 감소시킨다. 배추의 생 육에 있어서도 질소가 중요한 역할을 담당하고 있는 만큼, 질소 비료 시비량에 따른 수확량 변화 연구는 다양한 국가 에서 지속적으로 수행되어져 왔다.

Riad et al.[23]은 2006년과 2007년 겨울, 이집트의 Noubaria에서 질소 시비량을 달리하여 배추 생육 실험을 수행하였다. 질소 비료는 총 5회에 걸쳐 균등하게 분할 시 비되었으며, 1회는 정식 전 기저 시비로, 나머지 4회는 정 식 후 측비로 처리되었다. 실험 플롯의 크기는 20㎡, 줄 간격은 100cm, 점적 간격을 50cm로 설정되었으며, 각 처 리구에서 무작위로 다섯 개의 배추를 샘플링하였다. 연구 를 통해 질소 시비량 25kg/ha 이상에서는 배추 수확량 증 가가 나타나지 않음을 밝혔다.

Prasad et al.[21]은 2007년에서 2008년 겨울에 인도의 Nadia에서 질소 시비 변화에 따른 배추 생장 반응을 실험하 였다. 실험은 요인 무작위 블록 설계(Fontial Randomized Block design)로 구성되었고, 1개월 된 배추를 2m×2m 크기 의 구획에 이식하였다. 각 구획에서 10개의 샘플을 선택하 였다. 150kg/ha 가 가장 이상적인 질소 비료 시비량임을 밝혔으며, 연구자들은 과도한 질소 비료 사용이 배추 수확 량을 오히려 감소시킨다는 것을 발견하였다.

Westerveld et al.[27]은 2000년과 2001년 캐나다 온타리 오의 걸프 대학교에서 Atlantis 품종 배추를 대상으로 실험 을 수행하였다. 무기질 토양에서 무작위 완전 블록 설계로 4회 반복하였으며, 각 구획은 줄 간격 0.45m, 줄 수 4개, 간격 0.75m로 구성되었다. 샘플은 중앙 2개 줄의 4m 길이 에서 수확한 배추를 활용하였다. 연구자들은 질소 시비량 증가에 따라 배추 수확량의 증가 정도가 감소하는 것을 발견하였다.

Staugaitis et al.[24]은 2000년부터 2002년 사이에 리투아 니아의 Akademija에서 질소 비료를 0kg/ha에서 225kg/ha까 지 다르게 처리하면서 실험을 진행하였다. 실험 구역의 면 적은 5.76㎡이고, 주변 구역에서 시비되는 비료의 영향을 막기 위해 0.5m 너비의 보호대를 설치하였다. 실험 기간 동안 총 3회에 걸쳐 수확 및 샘플링을 진행하였다. 캐나다의 경우 마찬가지로 질소 시비량 증가에 따라 배추 수확량의 증가 정도가 감소하는 것을 발견하였다.

Cao et al.[4]은 2019-2020년 및 2020-2021년 중국 Chongqing에서 실험을 진행하였다. 5가지 서로 다른 질소 처리 비율에서 무작위 완전 블록 설계를 활용하여 플롯을 4회 반복하였다. 각 플롯의 면적은 46.5㎡으로 설정하였 고, 총 240개의 배추 중 중앙 두 줄에서 균일하게 18개의 샘플을 수집하였다. 앞서 설명한 연구들과 마찬가지로 질 소 비료 시비량 증가에 따라 배추의 수확량이 증가함을 발견하였으며, 수확량 증가의 정도가 비선형적으로 감소 함을 발견하였다.

<Table 1>은 앞서 언급한 다섯 지역의 연평균 기후 데 이터를 나타낸다. 기후 데이터를 다섯 개 실험 대상지의 평균 기후와 비교하면, 인도의 실험 지역이 온도(27.35%) 와 습도(28.56%)에서 가장 큰 차이가 났고, 캐나다 실험 지역은 풍속(92.60%), 이집트의 실험 지역은 일사량 (64.30%), 리투아니아는 강수량(144.56%)에서 가장 큰 차 이가 나타났다. 다만, 강수량의 경우, 노지에 관개 시스템 이 있기 때문에 수시로 배추에 물이 공급되므로 큰 영향을 미치지 못한다. 이를 통해 배추의 생육 실험은 대체적으로 유사한 기후에서 수행되었음을 알 수 있다.

<Table 2>는 다섯 개의 실험 지역에서 수행된 질소 시 비량에 따른 배추 수확량 데이터를 나타내고 있다. 대체적 으로 질소 시비량이 증가할수록 배추 수확량이 증가하는 것을 알 수 있으며, 증가량은 점진적으로 감소하여 배추 수확량과 질소 비료 시비량 사이에 비선형 관계가 있음을 알 수 있다.

2.2 질소 비료 사용에 따른 온실가스 배출 연구

질소 비료의 사용은 결과적으로 토양의 질소 함유량을 변화시키고, 축적된 토양 질소는 주요 온실가스중 하나인 아산화질소(N2O)를 배출하기 때문에 이에 대한 다양한 연 구가 수행되었다.

Kim et al.[14]은 2010년부터 2012년까지 국내 봄배추 재배지에서 질소 시비량에 따른 아산화질소 배출량을 산 정하기 위한 실험을 진행하였다. 강원도 춘천시와 경기 도 수원시의 시험포장에서 질소 시비량을 0kg/ha에서 640kg/ha까지 다르게 처리하였으며, 60mL 주사기를 활 용해 주 2회 아산화질소 배출량을 측정하였다. 회귀분석 결과, 질소 시비량과 아산화질소 배출량 사이에는 99.8% 의 높은 상관성이 나타났다.

Joo et al.[11]은 2015년에서 2016년 동안 경기도 화성시 에서 배추 재배 환경을 대상으로, 요소분해효소 억제제 (N-(n-butyl) thiophosphoric triamide, NBPT)가 포함된 질 소 시비에 따른 아산화질소 배출량을 측정하였다. 배추 시 험구는 면적 48㎡에 126주를 정식하였다. 각 시험구당 폐 쇄형 원형 챔버를 3반복으로 설치하고, 주 2회 60mL 주사 기를 활용해 아산화질소 배출량을 측정하였다. 실험 결과, NBPT가 포함된 비료는 질소 이용 효율을 유지하면서 아 산화질소 배출을 감소시킬 수 있었다.

Kim et al.[13]은 2009년부터 2010년까지 경기도 수원시 의 배추재배 시험포장에서 경운 방법, 질소질원, 재배 시 기에 따른 아산화질소 배출량을 실험하였다. 실험은 면적 30㎡의 시험구에서 4요인 3반복으로 진행하였다. 아산화 질소 배출량은 밀폐 형태인 순환형 상자법을 이용하여 주 2회 60mL 주사기를 활용하여 측정하였다. 실험 결과, 무 경운 방법은 경운 방법에 비해 아산화질소 배출량을 30-70% 감소하였다.

<Table 3>은 앞서 언급한 연구들의 질소 비료 시비량 증가에 따른 아산화질소(N₂O) 실험 데이터를 정리한 것이다.

3. 위성 이미지 기반 최적 질소 사용 의사결정 시스템

본 연구에서 제안하는 위성 이미지 기반의 배추 생산 의사결정시스템의 프레임워크는 <Figure 1>과 같이 총 4 개의 모듈로 구성되어 있다. 우선 위성 이미지 추출 모듈 (Satellite Image Acquisition Module)은 위성 이미지 데이터 베이스에서 대상 지역을 선택하여 관련 이미지를 추출해 오는 역할을 한다. 농지 검출 모듈(Farmland Detection Module)은 추출한 위성 이미지들로부터 작물을 생산하는 농지를 인식하고, 해당 농지의 면적을 계산하는 역할을 한 다. 작물 수확량 및 온실가스 배출량 모델링 모듈 (Development of Crop Yield and Greenhouse Emission Module)에서는 노지 실험 데이터를 바탕으로 질소 시비량 에 따른 작물 수확량 예측 모델 및 아산화질소(N₂O) 배출 량 예측 모델을 개발한다. 개발된 모델들은 의사결정 모듈 (Decision Support Module)에서 사용자가 질소 비료 사용 량을 변화시킬 경우, 작물 수확량과 아산화질소 배출량에 대한 예측을 수행하며, 최적 질소 시비량을 결정할 수 있 도록 사용자의 의사결정과정을 돕는다.

3.1 위성 이미지 추출 및 농지 검출

일반인들도 접근이 쉬운 위성 이미지를 활용하여 농지를 탐지할 수 있도록, 본 연구에서 고안한 위성 이미지 추출 모듈은 Google Earth에서 제공하는 RGB(Red-Green-Blue) 기반의 위성 이미지를 활용한다[9]. 추출된 RGB 기반의 위성 이미지를 활용하여 농지 검출 모듈을 통해 농지의 면적을 계산하게 되는데, 이 과정에서 비농지와 농지의 구 분이 선행된다.

농지 검출을 위해 클러스터링 방법론을 고려하였는데, Density-Based Spatial Clustering of Applications with Noise(DBSCAN)와 K-Means Clustering이 가장 널리 활용 되고 있다. DBSCAN은 군집의 수가 정해지지 않은 상태 에서 밀도가 높은 영역을 하나의 클러스터로 묶고, 밀도가 낮은 지역은 이상치로 처리하는 밀도 기반 클러스터링 방 법으로 고도화된 작업에 활용된다[5]. K-Means Clustering 은 K개의 군집이 주어졌을 때, 각 데이터 포인트를 가장 가까운 군집 중심에 할당하고, 개별 데이터 포인트와 군집 중심의 거리 제곱합 최소화를 통해 군집 구성을 찾는 방법 론이다[3]. DBSCAN은 군집 반경에 대한 크기와 군집내 최소 데이터 포인트의 수를 제공해 주면 복잡한 군집의 모양과 상관없이 군집의 밀집도를 고려하여 clustering을 수행하기 때문에, 비교적 단순한 형태의 군집 분류를 수행 하는 K-Means Clustering에 비해서 우수한 성능을 보여주 기 때문에, DBSCAN은 NDVI와 같은 식생 지수를 기반으 로 농지 영역을 밀도 기준으로 식별할 때 효과적으로 사용 된다[12]. 다만, DBSCAN은 거리 계산과 이웃 탐색 과정 에서의 계산 복잡도가 O(n²)으로써 농지와 비농지를 구분 (K=2)하는 농지검출에서는 O(2ni)의 계산 복잡도를 갖는 K-Means clustering에 비교하여 높은 계산 복잡도를 갖는 다[7]. 여기에서 n은 데이터 수(혹은 이미지데이터의 픽셀 수)이고, i는 안정된 군집을 도출할 때까지의 반복수 (iteration)를 나타낸다. 농지 검출은 군집의 개수가 2개 (K=2)로 결정되어 있어, 군집의 수를 결정해야 하는 K-Means clustering 단점이 적용되지 않고 빠른 연산이 가 능하기 때문에 본 연구에서는 K-Means clustering를 활용 한다. 또한, RGB 3개의 채널이 존재하는 최소 512 pixel × 512 pixel의 위성 이미지를 빠르게 처리해야 한다는 측 면에서도 K-Means clustering 이 적절하다고 판단되었기에 본 연구에서 활용하였다. 식 (1)은 K-Means Clustering 알 고리즘을 활용하여 위성 이미지를 2개의 군집(농지와 비 농지)으로 분류하기 위한 수식을 나타낸다.

여기서 μ_i는 군집의 중심, S = {S₁, S₂}는 군집의 집합, i는 군집의 개수, X는 i번째 군집 S_i에 속한 데이터 포인트이다.

식 (1)을 위성 이미지에 적용하여 농지를 검출하고, 최 종 농지로 선택된 지역의 면적을 계산한다. 선택된 농지 영역은 픽셀 단위로 계산되며, 지도의 축척과 계산된 픽셀 수를 통해 실제 면적으로 환산하여 농지 면적을 구한다. 이 과정에서 원본 이미지에 대한 Gaussian blurring(혹은 smoothing)을 수행하는데, 이는 이미지 픽셀 간에 상관관 계를 유지하고, 주변 픽셀들과 상관관계가 없는 노이즈를 제거함으로써 K-Means Clustering이 원활하게 수행되도록 돕는 역할을 한다[17]. <Figure 2>는 전라남도 해남군의 배 추 농지(34.655481°N, 126.429672°E)에서 농지 검출 과정 을 보여준다.

농지 검출 모델이 검출한 농지 면적과 실제 농지 면적 을 비교하여 성능을 평가하였는데, Coefficient of Determination(R²), Mean Absolute Error(MAE), Mean Absolute Percentage Error(MAPE), Root Mean Squared Error(RMSE)가 평가지표로써 사용되었다. MAE, RMSE, MAPE는 오차를 계산하는 지표로 낮을수록 성능이 좋 고, R²은 결정계수로 모델의 설명력을 0-1 사이의 값으로 나타내며 1에 가까울수록 모델의 설명력이 높다. 식 (2)-(5)는 각 지표를 계산하기 위한 수식을 나타낸다.

여기서 n은 총 데이터 수, y_i는 실제 농지 면적, y i ^ 은 검출된 농지 면적, y 는 실제 농지 면적의 평균이다.

3.2 작물 수확량 및 아산화질소(N₂O) 배출량 예측 모델

질소 시비량(독립변수)에 따른 작물 수확량(종속변수) 모델링을 위해서 독립변수와 종속변수의 관계를 명확히 설명해 줄 수 있는 수학적 모델(선형회귀 모델, 지수함수 모델, 로그함수 모델, 다항회귀 모델)을 고려하였다. 식 (6)-(9)는 4가지의 수학적 모델을 나타내며, x는 질소시비 량(kg/ton), y는 배추 수확량(ton/ha), a_i 는 모델의 파라미 터들을 나타낸다. 다항회귀 모형은 다수의 독립변수가 포 함될수록 다양한 형태로 모델링이 가능하기 때문에 기계 학습에서 활용되는 대표적 모델링 기법이지만, 독립변수 와 종속변수와의 관계를 명확히 설명할 수 있기 때문에 본 연구에서 활용하였다. 다만, 본 연구에서는 독립변수가 한 개만 존재하기 때문에 식 (9)와 같이 독립변수의 최대 차수(L)에 국한하여 단순한 형태를 갖는다.

질소 비료 시비량(x)에 따른 아산화질소(N₂O) 배출량(l) 모델링 역시 식 (6)-(9)에 나타난 수학적 모델을 사용하였다.

3.3 최적 질소 비료 사용량 결정

제안한 의사결정시스템의 목표는 배추의 수확량과 아 산화질소(N₂O) 배출량을 동시에 고려하여 최적 질소 비료 시비량을 결정하는 것이다. 다목적 최적화 기법중 하나인 가중치법을 활용하면, 식 (10)과 같이 단순한 형태의 목적 함수를 설계할 수 있다.

식 (10)에서 w₁은 질소비료 시비량(x)에 따른 정규화된 배추 수확량 f′(x)에 대한 가중치이고, w₂는 질소비료 시 비량(x)에 따른 정규화된 아산화질소 배출량 g′(x)에 대한 가중치이다. Min-max normalization을 사용하여 배추 수확 량과 아산화질소 배출량 사이에 서로 다른 단위에 따른 문제를 해결하였으며, 이는 식 (11)과 식 (12)와 같다.

여기서 f(x)와 g(x)는 3.2절에서 설명한 식 (6)-(9)중에 가장 높은 예측 정확도를 보여주는 선택된 모델이다.

4. 실 험

제안한 시스템의 성능에 대한 실험을 수행하기 위해서, 각 모듈에 대한 성능을 비교 분석하였다.

4.1 위성 이미지 기반 농지 검출

위성 이미지 기반 농지 검출 모델의 성능을 확인하기 위해 국내 주요 배추 재배 지역을 대상으로 실험을 진행하 였다. 대상 지역은 국내 주요 배추 산지인 전라남도 해남 군, 전라남도 진도군, 충청남도 아산시의 배추 농지이다. 전라남도 해남군(34.655481°N, 126.429672°E)은 겨울 배 추 재배 지역으로, 2023년 9월에 촬영된 위성 이미지를 수 집하였다. 전라남도 진도군(34.432343°N, 126.128824°E) 은 겨울 배추 재배 지역으로 2021년 11월에 촬영된 위성 이미지를 수집하였다. 마지막으로 충청남도 아산시 (36.752554°N, 127.069753°E)는 봄배추 재배 지역으로, 2024년 5월에 촬영된 위성 이미지를 활용하였다. 이를 통 해 지역별 농지 검출 정확도를 비교하였다.

국내 배추 농경지를 대상으로 한 농지 검출 성능비교 결과는 <Table 4>와 같다. 결정계수(R²)를 기준으로 농지 검출 모델의 성능이 가장 높은 지역은 전라남도 진도군 (0.890)이며, 충청남도 아산시(0.865), 전라남도 해남군 (0.683) 순으로 나타났다. 국내 주요 배추 재배 지역의 농 지 면적이 서로 다르기 때문에, MAE와 RMSE는 단위 면 적(㎡)당 오차를 계산한 결과로, 전라남도 진도군의 MAE 와 MAPE가 각각 0.017과 0.484로 가장 낮았다. 전체 지역 을 대상으로 산출된 평균 R², MAE, MAPE, RMSE는 각각 0.813, 0.033, 0.623, 0.047로, 이는 RGB 위성 이미지를 활 용하여 국내 배추 농지를 검출할 수 있음을 의미한다. 실 제로 검출된 배추 농지의 면적은 전라남도 해남군, 전라남 도 진도군, 충청남도 아산시가 각각 73,908㎡, 29,127㎡, 121,007㎡이다.

이렇게 검출된 배추 농지는 단위 면적(ha)으로 환산되 어, 해당 농지에서 작물의 수확량과 아산화질소(N₂O) 배 출량이 질소 시비량과 같은 환경 요인에 따라 얼마나 발생 하는지를 파악하는 것이 가능하도록 한다.

4.2 배추 수확량 예측

<Table 2>의 데이터를 토대로 3.3절에서 설명한 네 가 지의 수학적 모델을 활용하여 작물 수확량 예측 모델을 개발하였으며, <Table 5>에 결정계수(R²)를 나타내었다. 평균적으로 다항회귀 모델이 가장 높은 수확량 예측 정확 도(0.9675)를 나타냈으며, 로그함수 모델(0.9144), 선형회 귀 모델(0.8251), 지수함수(0.7829) 순으로 높은 예측 정확 도를 나타냈다.

<Figure 3>에 나타난 국내 실험 데이터[16]에서는 1997년 에 질소 시비량을 0kg/ha 부터 450kg/ha까지 다르게 처리하 였을 때 봄배추 수확량 변화를 살펴보았다. 총 10개의 밭 토양을 대상으로 실험을 진행하였으며, 질소 비료의 40%를 정식 전에 시비하고, 나머지 60%는 정식 후 15일 간격으로 3회 추비 하였다. 이를 토대로 질소 비료 사용에 따른 단위 면적 당 작물 수확량 예측 모델을 개발하였다. 식 (13)은 결정계수(R²)가 0.8140인 다항회귀 모델을 나타낸다.

다른 국가들의 사례와 마찬가지로 질소 시비량에 따라 서 배추의 수확량이 비선형적으로 증가함을 확인할 수 있 고, 식 (10)을 활용하여 질소 비료의 적정 시비량은 332.33kg/ha임을 확인할 수 있다.

4.3 아산화질소(N₂O) 배출량 예측

질소 시비량에 따른 아산화질소(N₂O) 배출량 예측 모 델은 <Table 3>의 기존 실험 데이터를 활용하여 모델링을 수행하였다. <Figure 4>와 같이 질소 비료 시비량이 증가 함에 따라서 아산화질소의 배출량도 증가하는데, 질소 비 료 시비를 과도하게 할 경우에는 비료의 질소가 작물에 의해 소비되지 못하기 때문에 아산화질소 배출량이 기하 급수적으로 증가하는 것을 알 수 있다.

3.2절에서 설명한 네 가지의 수학적 모델을 토대로 결정 계수(R²)를 비교한 결과, 다항회귀 모델이 0.9597로 가장 높은 예측 정확도를 나타냈으며, 지수함수 모델(0.8782), 선형회귀 모델(0.8181), 로그함수(0.7661) 순으로 높은 예 측 정확도를 나타냈다.

식 (14)는 가장 높은 예측 정확도를 보이는 다항회귀 모 델을 나타낸 것이다.

4.4 최적 질소 시비량 결정

4.2장과 4.3장에서 예측된 질소 비료 시비량에 따른 배 추 수확량과 아산화질소(N₂O) 배출량을 식 (11)과 식 (12) 에 따라 정규화하였고, <Figure 5>는 3.3절에서 제안한 의 사결정시스템에 따라 예측된 결과를 나타낸다. 정규화 과 정에서 아산화질소(N₂O) 배출량과 배추 수확량이 동등하 게 중요하다는 가정을 하고, 식 (15)로 목적함수 값을 계산 하였다.

질소 비료 시비량이 332.33kg/ha까지 증가할수록 배추 수확량은 지속적으로 증가하지만, 주요 온실가스인 아산화 질소(N₂O) 배출량은 질소 비료 시비량 90kg/ha 이후에 기하 급수적으로 증가하게 된다. 따라서 목적함수 값(z)은 질소 비료 시비량 증가에 따라서 상승하다가 감소하게 되는 오목 함수(concave function)의 형태가 된다. 따라서, 1차 미분을 통해 최적값을 구하면, 질소 비료 시비량이 221kg/ha일 때 목적함수 값(z)이 최대인 0.7552를 갖게 된다.

5. 결 론

본 연구는 작물의 수확량을 최대화하면서 환경오염을 최소화할 수 있는 최적 질소 비료 사용을 위한 의사결정시 스템을 제안하였다. 이를 위해, 위성 이미지로부터 농지를 검출하고, 해당 농지의 질소 시비량에 따른 아산화질소 (N₂O) 배출량과 작물 수확량을 예측할 수 있는 프레임워 크를 설계하였다. 특히, K-Means Clustering 기법을 활용하 여 대상 지역의 위성 이미지로부터 농지를 검출하고, 면적 을 계산하였다. 국내 주요 배추 산지를 대상으로 실험한 결과, 평균 결정계수(R²)는 0.813로, RGB 위성 이미지로 농지 검출이 가능함을 검증하였다. 이는 일반 농민들이 특 수한 위성 이미지 확보에 대한 필요 없이, 실용적으로 제 안한 시스템을 활용할 수 있다는 데 의의가 있다. 또한, 제안한 시스템에서는 배추 수확량과 아산화질소 배출량을 예측하기 위해서 국내외 실험 데이터를 바탕으로 4가지의 수학적 모델(선형회귀 모델, 지수함수 모델, 로그함수 모 델, 다항회귀 모델)을 고려하였다. 배추 수확량 예측 모델 과 아산화질소 배출량 예측 모델에서 다항회귀 모델의 평 균 결정계수(R²)가 각각 0.9675, 0.9597로 가장 높았다. 이 러한 예측 결과는 의사결정지원시스템을 통해 사용자가 지역별 특성에 맞는 최적 질소 시비량을 결정함으로써 수 확량 증대와 환경보존을 동시에 달성할 수 있도록 한다. 또한, 머신러닝과 같은 인공지능 모델을 활용하지 않고도 높은 예측 정확도를 갖는 모델을 개발함으로써, 저사양의 하드웨어에서도 제안된 시스템이 사용될 수 있도록 하였 다. 특히, 고가의 센서나 전문 장비 없이도 공개된 RGB 기반 위성 이미지를 활용하여 저비용 방식으로 농지 면적 과 수확량을 추정할 수 있다는 점에 농가의 스마트팜 구축 에 활용될 수 있다.

다만 본 연구는 다음과 같은 한계점이 있다. 작물 수확 량 및 아산화질소 배출량 예측에 있어 질소 시비량만을 주요 변수로 고려하였으며, 인산, 칼륨과 같은 비료 요소 들은 포함하지 않았다. 그러나, 이러한 요소들 또한 작물 생장과 환경에 복합적인 영향을 미칠 수 있다. 특히, 국내 의 다양한 지역적, 기후적 특성을 고려하였을 때 외부 환 경 요인의 추가적 영향을 고려해야 한다. 따라서, 향후 연 구에서는 다양한 작물, 비료 종류, 지역별 기후 조건을 반 영하여 예측 모델을 고도화할 필요가 있다.

본 연구에서 제시한 위성 이미지 기반의 배추 생산 의 사결정시스템은 향후 농경지 면적 추정에 있어 지리 정보 시스템(Geographic Information System, GIS) 기반의 공간 정보 분석 도구와 연계하여 보다 정확하게 추정할 수 있 다. 또한, RGB 기반 위성 이미지 뿐만 아니라, 농경지의 식생 상태를 파악할 수 있는 NDVI(Normalized Difference Vegetation Index), NDMI(Normalized Difference Moisture Index)와 같은 식생 지수를 함께 활용함으로써 농지 탐지 의 정확도를 향상시킬 수 있을 것이다. 이를 통해 더욱 정 밀하고 일반화된 의사결정지원시스템을 구성할 수 있을 것으로 기대한다.