식물계절 현장 관측자료를 활용한 산림생태계의 기후변화 영향 예측
Ⅳ. 식물계절 자료를 활용한 예측모델 개발(머신러닝 기법 적용)
앞서 살펴보았듯이 식물계절현상은 기후변화의 지표(indicator)로 매우 유용
[그림 4] 지난 10년간 산림의 식물계절 변화 경향(낙엽활엽수 20종 평균)
[그림 5] 소나무 등 침엽수의 화분비산 시기 변화
식물계절 변화는 기온, 위도, 고도와 높은 상관관계
“ ”
다. 하지만 식물계절과 환경 요인들 사이에는 단순 선형 관계뿐만 아니라 다양한 비 선형적 관계도 존재하고 있어, 이러한 전통적 예측모델들은 정확성에 한계를 가질 수밖에 없었다. 이런 한계를 극복하기 위해, 최근 인공지능 기법을 예측모델에 적용 하는 시도가 이루어지고 있다. 그 중, 머신러닝은 인공지능 기술의 대표적인 한 분 야로 알고리즘을 통해 데이터를 스스로 분석하고 학습한 후 그 내용을 기반으로 판 단이나 예측을 한다. 머신러닝은 복잡한 상호작용을 하는 고차원, 비선형적인 자료 를 다루는데 능통하기 때문에 식물계절 예측에 유용하게 사용될 수 있다.
지금까지 구축된 식물계절 관측 DB를 활용하여 식물계절 예측모델 개발에 머 신러닝 기법을 적용해 보았다. 우리나라 산림의 대표적 관목류인 당단풍나무(Acer pseudosieboldianum (Pax) Kom.)의 단풍 예측을 위해 머신러닝 기법 중 랜덤포
레스트(random forest) 알고리즘을 적용하였다. 랜 덤포레스트 알고리즘은 높은 예측력을 가지는 동시 에 모델이 데이터에 과적합 되는 것을 방지한다. 예측 변수로는 여름철 평균 온도(6,7,8월), 고도, 개엽일을 사용했다. 1년에 한 번 관측할 수 있는 자료의 특성상 관측자료가 200개 정도로 개수가 많지 않았기 때문 에, 관측자료의 손실을 최소화하기 위해 모든 관측자 료를 모델의 학습과 검증에 이용할 수 있는 k곱 교차 검증 방법을 이용하여 모델을 학습시켰다. 먼저 2009 년부터 2017년까지의 데이터를 이용하여 모델을 개 발하고 이 모델을 이용하여 2018년 단풍일을 예측한 후 실제 관측값과 비교해보았다. 2018년 당단풍나무 의 단풍 예측 평균값은 실제 관측 평균값과 단 2일의 차이를 보여 매우 높은 예측력을 보였다. 이러한 과정 을 통해 2020년 당단풍나무의 단풍예측지도가 작성 되었다[그림 6].
[그림 6] 머신러닝(기계학습)을 이용한 단풍예측지도
비선형적 관계로 전통적 예측모델 정확성에 한계
“ ”
정 책 초 점
머신러닝을 이용한 당단풍나무의 단풍일 예측을 통해 식물과 기후 사이의 비선 형적인 관계를 고려할 수 있는 식물계절 예측모델 구축의 발판을 마련했다. 이 모델 에서는 예측변수로 온도, 위도, 고도 단 세 가지만 이용했지만 일사량, 강수량, 토양 수분도 등도 가을 식물계절에 영향을 주는 주요 환경요인들로 알려져 있다. 향후에 는 더 많은 환경요인 추가를 통해 모델의 예측도와 신뢰성을 향상 시킬 수 있을 것 으로 기대된다. 또한, 이 모델의 경우 지역적 차이를 고려하지 않고 10개 국공립 수 목원에서 관측하고 있는 모든 당단풍나무 자료를 사용했지만 제주도의 경우 아열 대 기후대와 온대의 전이대에 위치하고 있으며, 완도 수목원의 경우 해양의 영향을 많이 받아 타 지역에 비해 높은 평균온도 값을 보인다. 따라서 추후에는 기후대에 따라 관측자료를 구분하여 더 세밀한 예측모델을 구축할 필요성이 있다.
Ⅴ. 맺으며
신기후체제(Post-2020)가 논의된 파리협정에서 채택된 제5차 보고서에 따르면, 1880년부터 2012년까지 133년간 지구의 평균온도는 0.85℃ 상승했으며, 앞으로 온실가스 감축 노력을 하지 않는다면(RCP 8.5시나리오) 2100년 평균온도는 3.7℃, 해수면은 63㎝ 상승할 것으로 예측하고 있다. 이처럼 기후변화는 이제 사실 여부 논쟁을 떠나 우리 지구가 직면한 가장 도전적인 환경 과제인 것은 분명해 보인다. 기 후변화는 우리 생활 곳곳에서 다양하게 영향을 미치고 있지만, 정확하게 원인을 진 단하는 대응기술 개발은 아직까지 더딘 것이 현실이다. 따라서 기후변화를 지속적 으로 관측하고 대응하기 위한 노력들은 무엇보다 중요하다.
식물계절의 변화는 도시 및 자연 생태계에서 가장 쉽게 확인할 수 있는 기후변
전통적 예측모델 개선 위해 다양한 환경요인 추가한 머신러닝기법 활용
”
“
이터들은 기후변화로 인한 적합한 종별 보전정책을 수립함으로써 기후변화 대응 을 위한 귀중한 자료로 사용될 수 있을 것으로 보인다.
그런 의미에서 기상청에서 장기간 관측되고 있는 식물계절 자료들은 도시지역 의 기후변화 영향을 예측할 수 있는 매우 귀중한 자료이다. 이와 더불어 우리 국토 의 60% 이상을 차지하는 산림에서의 자연식생 식물계절 자료가 함께 구축된다면 기후변화에 따른 한반도의 육상생태계를 이해하고, 대응 전략을 마련하는데 핵심 자료가 될 것으로 확신한다. 이를 위해서는 산림청과 기상청의 유기적인 협업이 필 요하다.
기상청의 장기 식물 계절자료들은 도시 기후변화 영향 예측에 매우 유용
”
“
정 책 초 점
정부 차원에서 全 산업 디지털 혁신을 위한‘D.N.A.(Data-Network-AI) 생태계 강화가 강조되는 가운데 농업 분야의 디지털 전환이 요구되고 있다. 기후변화와 동식물 전염병의 확산으로 AI·센서·로봇 등 첨단기술을 접목한 자동화와 정보 수집 및 관측의 디지털 전환이 더욱 가속화될 것으로 예상된다. 이에, 드론·위성영상을 활용하여 농업환경과 작황을 비트(bit)의 세계로 구현하는 디지털화는 국내외 작황