농업은 국가의 식량안보, 경제에 큰 영향을 미치는 중요 산업 중 하나로, 최근에는 디지털 기술을 이용하여 효율적인 농업을 지향하는 스마트 농업 기술이 발전되고 있다(Dethier and Effenberger, 2012; Klerkx et al., 2019; UNICEF, 2024). 농업 분야에서는 원격탐사, 특히 위성영상에 기반한 식생지수 분석을 통해 작물의 상태를 모니터링하고 생산량을 예측하고 있으며(Ines et al., 2013; Li et al., 2019; Sishodia et al., 2020), 그 중 하나로 식생지수 변이가 활용되고 있다(Wan et al., 2004; Gu et al., 2007; Son et al., 2012). 식생지수 변이는 현재의 식생지수와 기준이 되는 평년의 식생지수 간 차이를 나타내는 산출물로 정의할 수 있다.

미국 농무부(United States Department of Agriculture, USDA)는 전세계 식생 상태를 모니터링하기 위해 Moderate Resolution Imaging Spectroradiometer (MODIS) 위성영상을 기반으로 식생지수 변이를 서비스하고 있다. MODIS 기반 식생지수 변이는 crop explorer를 통해 광범위한 농경지와 산림 지역에 대한 주기적이고 광범위한 자료를 제공함으로써 세계 농업 모니터링에 중요한 역할을 하고 있다(Houborg et al., 2016; Melesse et al., 2019). 그러나 한국의 농업은 경지의 규모가 작고 다양한 작물을 밀집하여 재배하는 경향이 있다(Kim et al., 2012). 이러한 한국의 경작 환경에는 보다 높은 해상도의 데이터에 기반한 분석이 필요하다.

최근 과학적 데이터를 이용한 정밀 농업의 수요가 증가함에 따라 정부는 제3차 우주개발 중장기계획(’13년 11월)을 통해 차세대중형 위성 4호(이하 농림위성)의 개발을 발표하였다. 2025년 발사 예정인 농림위성은 3일 주기로 한반도에 대해 촬영하도록 계획되었으며, 공간해상도는 5 m이다. 그러나 농림위성은 신규위성으로 식생지수 변이 산출에 필요한 과거 데이터가 부재한 상황이다. 이에 대해 농림위성과 유사한 사양의 Sentinel-2가 과거 데이터의 차선책으로 활용될 수 있다(Kim et al., 2023). 이러한 방법은 농림위성 기반 식생지수 변이를 생산할 수 있도록 지원할 뿐 아니라 농림위성이 충분한 데이터를 확보한 후 자체 식생지수 변이를 제작하는데 적용할 수 있는 기초자료로써 활용될 수 있을 것이다.

또한, 식생지수 변이 제작뿐만 아니라 그 변이를 가시화하는 방법, 즉 가시화 색상체계의 개발도 중요하다. 가시화 색상체계는 식생지수 변이의 정도를 등급으로 구분하고, 각 등급에 색상코드를 부여하여 사용자들이 직관적으로 파악할 수 있도록 도움을 주는 수단이다. 현재 USDA의 Foreign Agriculture Service에서는 Crop Explorer를 통해 전 지구 단위로 식생지수 변이에 대해 구간 별로 등급을 정의하고 구간별로 색상을 부여하여 서비스 중이다. 우리나라 역시 농림위성의 개발에 따라 최초로 식생지수 변이 산출물이 서비스될 예정이기 때문에 사용자의 가독성 향상을 위하여 국내 환경에 맞는 고해상도 데이터 기반의 가시화 색상체계를 필요할 필요가 있다.

본 연구는 농림위성의 활용산출물 중 하나인 식생지수 변이를 위한 가시화 색상체계를 정의하는 것을 목표로 한다. Sentinel-2 데이터를 기반으로 제작된 식생지수 변이와 그에 따른 색상 분류 체계는 향후 농림위성이 본격적으로 서비스될 때 더욱 신뢰성 높은 가시화 방법으로 활용될 수 있을 것이다. 이러한 색상체계를 통해 사용자들은 식생지수 변이의 차이를 쉽게 이해하고, 다양한 농업 관리 및 정책적 결정을 지원하는 데 활용할 수 있다. 이를 위해 Sentinel-2 위성 영상을 이용하여 2017년부터 2023년까지 한반도와 인접 지역의 식생지수 변이를 분석하고 2022년과 2023년의 기후적 요인에 따른 식생지수 변이 추세를 국가 및 토지 피복별로 파악하였다. 또한, 통계적 특성 분석을 통해 데이터 분포를 기반으로 한 구간을 설정하여, 농림위성의 향후 데이터 적용을 위한 기초 자료를 마련하였다.

2.1. 연구 지역

연구지역은 한반도 전체로 남한과 북한 그리고 중국 동북부 접경지역 일부로 선정하였다. 전체 영상은 연구지역이 포함된 55개의 Sentinel-2 타일들로 구성되어 있으며, 각 타일은 100 × 100 km 크기를 가진다. Fig. 1은 55개 타일을 통해 수집되는 지역을 보여준다.

Figure 1. Study area.

식생지수 변이는 2022년과 2023년을 대상으로 제작되었으며, 이를 위해 2017년부터 2023년까지 촬영된 Sentinel-2 자료들이 수집되었다. 기준 식생지수의 품질을 고려하여 Sentinel-2 이외의 추가적인 위성영상은 활용하지 않았다. 수집된 자료는 2022년과 2023년의 식생지수 변이의 최근 5년치에 해당하는 기준 식생지수 제작을 위한 데이터를 포함한다. 5년 데이터는 국내외 많은 기관에서 농업 생산물과 관련한 비교나 통계적 평년을 구할 때, 그 기준으로 자주 활용된다(European Union, 2022; United States Department of Agriculture, 2022; Ministry of Agriculture, Food and Rural Affairs, 2023).

2017년부터 2021년까지의 데이터를 활용하여 기준 식생지수를 산출함으로써 2022년 식생지수 변이를 제작할 수 있으며, 2018년부터 2022년까지의 데이터를 활용하여 기준 식생지수를 산출함으로써 2023년 식생지수 변이를 제작할 수 있다. 이 중에서도 식생이 활발한 시기인 4월부터 9월까지의 자료가 분석에 활용되었다.

2022년은 한반도에 기록적인 봄 가뭄이 발생한 해로(Park et al., 2024) 가뭄과 같은 기후재난이 식생에 미치는 영향을 분석하기 위한 시기로 선정되었다. 가뭄은 농업과 자연 식생에 큰 영향을 주기 때문에, 이상기후라는 조건에서의 식생지수 변이를 분석하는 데 중요한 역할을 한 수 있다. 반면, 2023년은 상대적으로 기후 조건이 안정적이었으며, 이를 통해 일반적인 기후 상황에서의 식생지수 변이를 파악할 수 있는 자료로 선정되었다.

2.2. 데이터 전처리

본 연구에서는 2017년부터 2023년까지의 Sentinel-2 위성자료를 활용하였다. 2017년부터 2018년까지의 자료는 Level-1C (L1C) 자료로 제공되었으며, 이를 Level-2A (L2A) 자료로 변환하였다. 대기보정에는 European Space Agency (ESA)의 Sen2Cor가 활용되었다. 2018년 이후 자료에 대해서는 ESA에서 대기보정을 마친 후 배포하는 L2A 자료를 수집하였다.

2022년 2월 이후의 Sentinel-2 L2A 자료는 처리 기준이 4.00 버전으로 업데이트되었다. 해당 시기부터의 데이터에는 모든 밴드에 오프셋(offset)이 포함되며, 이에 따라 추가적인 전처리가 필요하게 되었다. 이를 위해, 전체 L2A 자료에 대해 오프셋 값을 제거하고, 처리 기준에 따라 음의 반사도를 0으로 변환하였다.

식생지수 변이 산출을 위하여 전체자료에 대해 normalized difference vegetation index (NDVI)를 산출하였다. NDVI는 식생의 상태를 모니터링하기 위한 대표적인 지수로 식생의 생육 상태, 식생의 양, 광합성 활동을 정량적으로 평가하는 데 널리 활용되고 있다. NDVI는 근적외선(near infrared, NIR)과 적색(RED) 반사도를 이용하여 식생의 활력을 나타내며, 식생이 건강할수록 NIR 반사도가 높고 RED 반사도는 낮아지는 특성을 반영한다. 이에 따라 NDVI는 식생 분포 및 밀도 분석, 환경 변화 모니터링, 작물 생산성 평가 등 다양한 분야에서 사용되고 있다(Tucker, 1979).

NDVI는 원격탐사 자료에서 식생의 광합성 활동을 반영하는 주요 지수로서 기후 변화 연구 및 생태계 변화 분석에 유용하다(Fensholt et al., 2012). 특히, 이 지수는 적색 및 근적외선 대역의 반사도 차이를 통해 광합성 능력과 관련된 식생의 건강 상태를 평가할 수 있어 사막화 모니터링, 산림 관리, 농업 생산성 예측 등 다방면에 걸쳐 활용되고 있다(Huang, 2021). 본 연구에서는 Sentinel-2 자료를 이용하여 NDVI를 산출하고, 이를 통해 연구 지역 내 식생지수 변이를 분석하였다. NDVI는 식(1)과 같이 계산된다.

ρ_NIR은 근적외선 반사도, ρ_RED는 가시광선 중 적색 반사도를 의미하며, 두 반사도 값의 차이를 그 합으로 나누어 NDVI 값을 산출하였다.

2.3. 식생지수 변이 산출

2.3.1. 합성 식생지수 산출

본 연구에서 활용한 식생지수 변이는 합성 식생지수와 기준 식생지수의 차연산을 통해 산출된다. 농림위성에서는 10일 주기 식생지수 변이와 30일 주기 식생지수 변이가 서비스될 전망이다. 본 연구에서는 NDVI를 기반으로 합성 식생지수를 제작하였으며, 식생지수 변이에 영향을 주는 요인이나 이상치 원인 분석을 용이하게 하기 위하여 30일 대신 10일 주기로 합성하였다. 다만, 이후 추세 분석에서는 추세 변화를 보다 명료하게 볼 수 있도록 10일 주기 산출물을 월 단위로 통합하여 분석하였다. 주기 합성은 United States Geological Survey (USGS), National Aeronautics and Space Administration (NASA) 등 현재 시계열 합성 식생지수를 제공하는 해외의 여러 기관에서 사용 중인 maximum value composite (MVC) 기법을 적용하여 합성 값을 결정하였다(Anderson et al., 2005; Fensholt and Sandholt, 2005; Jiang et al., 2010). MVC 기법은 합성 시 각 화소마다 기간 내 사용 가능한 모든 데이터에서 가장 높은 값을 선정하여 구름으로 인한 데이터 노이즈를 효과적으로 줄인다(Holben, 1986; Goward et al., 1994).

MVC는 구름으로 인한 데이터 노이즈를 줄이기 위한 효과적인 방법이지만 구름이 지속적으로 발생하는 지역에서는 식생지수가 실제 식생 상태를 명확히 반영하지 못하는 잠재적 문제점이 있다(Chen et al., 2003). 본 연구에서는 이를 보완하기 위해 Sentinel-2 영상에서 부가정보로 제공되는 scene classification layer (SCL) 자료를 활용하여 구름 및 구름 그림자에 해당하는 클래스(0, 1, 3, 8, 9, 10)를 제거하여 이러한 문제를 최소화하였다. Table 1은 Sentinel-2 SCL 분류 등급표이다.

Table 1 . Sentinel-2 SCL classification table (European Space Agency, 2024).

Label	Classification
0	No data (Missing data)
1	Saturated or defective pixel
2	Topographic casted shadows
3	Cloud shadows
4	Vegetation
5	Not vegetated
6	Water
7	Unclassified
8	Cloud medium probability
9	Cloud high probability
10	Thin cirrus
11	Snow or ice

Fig. 2는 Sentinel-2의 L2A true color 영상에서 10일 주기의 합성 식생지수를 제작하는 과정을 보여주는 예시이다. 예시 지역은 Sentinel-2 타일 52SCF이며, 기간은 8월 중순(11~20일)이다.

Figure 2. Example of composite NDVI creation process (Mid-August 2023; 52SCF).

L2A true color에 나타나는 구름(빨간 박스)은 SCL을 이용하여 제거되었고, NDVI에 남은 구름 영역 역시 MVC 방법을 통해 합성 식생지수(compositeNDVI)로 합성된 후에는 대부분 제거되었다. 합성 식생지수에 나타나는 공백 지역(파란 박스)은 주기 내 모든 픽셀에서 구름으로 덮여 있어 누락(no data)된 구역이다. 이렇게 제작된 합성 식생지수는 기준 식생지수(reference NDVI)와 식생지수 변이 제작에 활용된다.

2.3.2. 기준 식생지수 산출

기준 식생지수는 동일한 조건에 기반한 분석을 위해 2022년과 2023년 모두 동일하게 과거 5년간의 데이터를 활용하여 제작되며 합성 식생지수에 대한 중앙값(median)을 합성하여 산출된다. 예를 들어, 2022년 식생지수 변이를 제작하기 위해 사용되는 기준 식생지수는 2017년부터 2021년까지의 합성 식생지수들에 대해 중앙값 합성을 하여 제작된다. 중앙값 합성은 평균보다 극단적인 이상치에 덜 민감한 특징을 가진다. 이는 특정 기간에 발생한 극단적인 기상 조건이나 데이터 오류가 전체 값에 미치는 영향을 최소화하여 연구 지역의 일반적인 식생 패턴을 보다 정확하게 제공한다(Robinson et al., 2017). Fig. 3은 과거 5년 데이터를 기반으로 기준 식생지수를 제작하는 과정을 보여주는 예시이다.

Figure 3. Example of reference NDVI creation process (Mid-August 2023; 52SCF).

기준 식생지수는 Fig. 3과 같이 5년 간의 합성 식생지수의 중앙값에 기반하여 제작된다. 각 합성 식생지수는 구름에 의해 영상의 대부분이 누락되는 경우도 있지만 기준 식생지수는 5년치 데이터를 기반으로 합성됨으로써 공백 발생과 구름의 영향을 최소화하는 효과가 있다.

2.3.3. 식생지수 변이 산출

식생지수 변이는 앞선 과정을 통해 제작된 합성 식생지수에서 기준 식생지수를 차분하여 산출된다. 예를 들어, 2023년의 식생지수 변이는 2023년의 합성 식생지수에서 2019년부터 2022년까지의 기준 식생지수를 차분하여 제작된다. Fig. 4는 합성 식생지수와 기준 식생지수의 차분을 통해 계산된 식생지수 변이의 예시를 보여준다.

Figure 4. Example of NDVI anomaly creation process (Mid-August 2023; 52SCF).

Fig. 4와 같이 식생지수 변이는 0을 기준으로 평년 대비 식생이 활발한 영역과 활발하지 않은 지역이 나뉜다. 또한, 합성 식생지수나 기준 식생지수에서 구름으로 인해 no data 처리가 된 부분은 전체 평균에 영향을 미치지 않도록 식생지수 변이에서도 no data로 처리된다(빨간 박스).

본 연구에서는 한반도 및 중국 동북부 지역을 대상으로 식생지수 변이를 분석하기 위해 샘플 수집 및 통계 분석을 실시하였다. 먼저, 한반도와 한반도 인접 지역에서 무작위로 300개 샘플을 추출하고 이를 국가 및 토지 피복별로 분류하였다. 이후, 통계적 기법을 활용하여 식생지수 변이의 추세를 분석하고 색상 분류체계를 정의하기 위한 구간 설정을 진행하였다.

3.1. 샘플 수집

샘플은 다양한 환경 변수와 조건에 따른 식생지수 변이의 차이를 통계적으로 분석하기 위하여 한반도 전역과 중국 동북부 지역에 대해 약 1,000개의 샘플을 무작위로 추출하였다. 이 중 육안 판독을 통해 미 제거 구름의 영향과 영상 스트립 간 모자이크 오류가 있는 샘플들을 필터링하여 최종적으로 300개의 지점을 선정하였다. 연구에 활용된 300개 지점은 Fig. 5와 같다.

Figure 5. Random Points.

본 연구에서는 추출된 300개의 포인트를 국가, 토지피복, 고도, 위도에 따라 분류하였다. 300개 포인트 대한 구체적인 분류 결과는 Table 2와 같다. 각 샘플은 한반도와 인접 지역의 특성을 반영하여 국가와 토지피복으로 구분되었다. 국가 구분은 남한, 북한, 중국 동북부 지역으로 나누었으며, 이러한 구분을 통해 각국의 농업 및 산림 관리 환경에 따른 식생지수 변이의 차이를 살펴보았다.

Table 2 . Sample classification criteria and data composition.

Country	South Korea			North Korea		China			Summary
	118			117		65			300
Land cover	Paddy	Crop field	Grassland	City	Water	Coniferous forest	Broad-leaved forest	Mixed forest	Summary
	17	44	20	12	9	46	78	74	300

토지피복 구분은 환경부에서 제공하는 토지피복지도를 참고하고 육안판독을 병행하여 수행하였다. 토지피복지도는 2019년 현행화단계에 이른 이후, 매년 업데이트되어 현재의 국내 토지 현황을 잘 반영하고 있기 때문에 연구에 적합한 자료로 판단하였다. 다만, 토지피복지도는 연구지역 중 일부인 북한에 대해 10년 주기의 대분류만 지원하며, 중국에 대해서는 지원하지 않는다는 점을 감안하여 육안 판독을 함께 수행하였다. 육안 판독은 유사 시기의 Google Earth 영상을 참고하여 작업하였다.

농업지역에 대해서는 논과 밭을 구분하여 분류하였다. 이러한 경작지들은 국가 정책 및 농업 관리에 민감하게 반응하며, 식생지수 변이 또한 정책적 변화에 영향을 받는다. 초지는 자연적 영향과 인간의 관리가 혼재된 지역으로 자연 초지와 인공 초지가 포함된다. 산림 지역은 침엽수림, 활엽수림, 혼효림으로 구분하여 분류하였다. 산림 지역은 인간의 관리보다 자연적인 영향을 많이 받기 때문에 이상기온이나 기후재난 등에 대해 식생이 받는 영향을 이해하는데 도움을 준다. 이외에도 시가화건·조지역은 도시로 수역은 수체로 구분하였다. 이러한 구분 기준은 연구 지역의 복잡한 환경적 특성을 체계적으로 분석하고, 식생지수 변이의 다양한 패턴을 이해하는 데 중요한 근거를 제공한다.

3.2. 통계 분석

3.2.1. 식생지수 변이 추세 분석을 위한 통계 분석

본 연구에서는 2022년부터 2023년까지의 기간 중 식생의 활동이 활발한 4월부터 9월 동안에 대해 남한, 북한, 중국 동북부 지역의 300개 포인트에서 수집된 식생지수 변이 데이터를 분석하였다. 먼저, 국가 및 토지피복별 식생지수 변이 추세를 분석하여 다양한 요인에 따른 식생지수 변이의 시기별 패턴을 비교하였다.

우선, 통계 분석을 통해 300개 포인트에 대한 식생지수 변이의 평균, 표준편차, 그리고 최대값과 최소값을 산출하여 전체 데이터의 시기별 추세를 파악하였다. 이후, 다양한 요인에 따른 식생지수 변이 추세를 세부적으로 파악하기 위해 국가와 토지피복별로 구분하여 분석을 수행하였으며, 데이터의 분포와 이상치를 상세히 이해하기 위해 Tukey의 박스플롯(box plot)을 활용하였다. 박스플롯은 데이터의 중앙값, 사분위수 및 이상치를 시각적으로 표현하여 데이터의 분포를 직관적으로 파악할 수 있는 도구이다. 박스플롯에서 사용되는 사분위 범위(interquartile range, IQR)는 식(2)와 같이 정의된다.

여기서 Q1은 하위 사분위수(25%), Q3은 상위 사분위수(75%)이며, 이를 통해 박스는 중앙 데이터 50%를 시각화 하게 된다. 이상치는 경미한 이상치(mild outlier)와 극단적 이상치(extreme outlier)로 구분되며, 각각 식(3)과 (4)의 조건을 만족하는 데이터 값이다.

이를 통해 데이터 내 이상치의 분포와 범위를 식별하고 식생지수 변이의 분포 특성을 해석하였다. 식생지수 변이 추세 분석의 결과는 데이터의 분포 형태와 이상치의 영향을 고려하여 색상분류 구간을 설정하는데 활용되었다.

3.2.2. 가시화 색상체계 정의를 위한 통계 분석

가시화 색상체계의 구간을 설정하기 위하여 기초 통계분석과 데이터 분포, 추세 분석 결과를 바탕으로 식생지수 변이의 등급을 구분하고 색상을 부여하였다. 대표적인 데이터 구분 방법으로는 아래 그림과 같이 등간격(equal interval), 등분위(quantile), 내추럴 브레이크(Jenks Natural Break)가 있는데, 본 연구에서는 내추럴 브레이크를 사용하였다. 내추럴 브레이크는 다른 특정 기준을 기반으로 일정하게 구분하는 두 방법과 달리 임의로 등급을 나눈 뒤 반복적으로 평균과 편차를 계산하면서 최적화된 값을 만족할 때까지 객체의 등급을 하나씩 조정하는 연산을 반복 수행하여 계산된다. 이를 통해 데이터 값의 배열을 자연스러운 등급(natural classes)으로 최적화(optimize)하여 각 구간의 내부 차이를 최소화하고 구간 간 차이를 극대화할 수 있다(Bivand et al., 2008; Slocum et al., 2022).

본 연구에서는 2022년 및 2023년의 4월부터 9월 동안 남한, 북한, 중국 동북부 지역에서의 식생지수 변이를 국가 및 토지피복별로 분석하였다. 이를 통해 기후적 요인과 국지적 변화가 식생에 미치는 영향을 파악하고 각 요인에 따른 식생지수 변이의 추세를 살펴보았다. 분석 결과를 바탕으로 식생지수 변이를 시각적으로 구분할 수 있는 색상표 구간을 산정하였으며, 이를 통해 연구 지역의 식생지수 변이를 시각화하는 기준을 마련하였다.

4.1. 식생지수 변이 추세 분석

2022년과 2023년 중 4월부터 9월까지의 식생지수 변이를 남한, 북한, 중국 동북부에 대해 분석하고 평균과 표준편차, 최대값, 최소값을 산출하였다. 평균은 해당 국가의 여러 지점에서 수집된 식생지수 변이의 평균값이며, 표준편차를 통해 지점 별 식생지수 변이의 분포 정도를 추정할 수 있다. 이를 바탕으로 특정 시점에서 해당 국가의 식생이 평년에 비해 얼마나 성장했는지 그리고 변이 수치가 특정 지점의 국지적 변화에 의한 것인지 또는 여러 지점에서 공유하는 전체적인 변화인지를 살펴보았다. Table 3은 전체 지점에 대한 4월부터 9월까지의 통계분석 결과이다.

Table 3 . Trends in vegetation index anomaly.

Period	22.04	22.05	22.06	22.07	22.08	22.09	23.04	23.05	23.06	23.07	23.08	23.09
Mean	0.064	-0.007	-0.044	-0.055	0.008	0.011	0.042	-0.025	0.007	-0.008	-0.034	0.003
StDev	0.119	0.103	0.124	0.140	0.092	0.077	0.119	0.112	0.113	0.107	0.124	0.067
Maximum	0.473	0.584	0.224	0.287	0.379	0.260	0.406	0.586	0.474	0.326	0.338	0.373
Minimum	-0.292	-0.639	-0.817	-0.845	-0.519	-0.508	-0.253	-0.514	-0.631	-0.638	-0.783	-0.410

StDev: standard deviation..

전체 데이터를 기반으로 식생지수 변이를 분석한 결과, 그 평균값이 대부분 0 부근에서 분포하는 양상을 보였다. 2022년 4월에서 식생지수 변이 평균값이 0.064로 비교적 높은 값을 기록하였으나 그 외 기간에는 대부분 ±0.05 이내의 값을 보여주었으며, 전체적으로 특별한 추세는 관찰되지 않았다. 이에 본 연구는 전체적인 분석에서 드러나지 않은 국지적 변화나 특정 토지피복에서 나타난 변화를 보다 세부적으로 파악하기 위해 국가와 토지피복별로 구분하여 추가적인 분석을 수행하였다.

4.1.1. 국가별 식생지수 변이 추세 분석

국가별로 2022년과 2023년의 4월부터 9월까지 박스플롯을 활용하여 식생지수 변이를 분석하였다. 박스플롯은 각 시기의 평균값과 상하사분위수를 나타내며, 중간 50%의 데이터가 상자 안에 포함되어 있음을 보여준다. 평균값(파란색 점)이 상자의 중간에 위치할수록 데이터가 대칭적으로 분포하고, 상자의 크기가 클수록 데이터의 표준편차가 큰 것으로 해석할 수 있다.

Fig. 6에서는 남한과 북한이 공통적으로 봄철(4월)에 0.1에 가까운 비교적 높은 식생지수 변이를 보이며, 극단적 이상치가 나타나지 않는 것을 볼 수 있다. 이는 최근 4월의 식생 성장이 이전 시기에 비해 활발하게 진행되고 있으며, 국가 정책이나 국지적 변화에 따른 것이 아닌 전체 지점에서 비슷한 양상의 상승이 이루어진 것으로 해석할 수 있다. 이러한 경향을 보았을 때, 해당 상승은 이상기온에 의해 길어진 산림의 생육기(growing period) 증가에 따른 변화로 해석할 수 있다. Kim et al. (2022)에 따르면 최근 10년간 1년에 0.07~2.01일씩 낙엽활엽수의 개엽과 잎눈 파일이 빨라지고 있으며, 이러한 변화는 온도와 높은 상관관계를 가진다고 설명한다. 주기적으로 봄철에 발견되는 평년 대비 높은 식생지수 변이와 상대적 저위도 지역에서 더욱 뚜렷하게 나타나는 양상은 이러한 생육기 증가를 반영하는 결과라고 할 수 있다.

Figure 6. Trends in vegetation index anomaly by country: (a) South Korea, (b) North Korea, and (c) China.

4월의 상승 추세와 다르게 여름철로 접어들면서 지속적으로 감소하는 추세는 ’22년에서만 발견된다. ’22년 4월부터 6월까지는 남한, 북한, 중국 모두에서 식생지수 변이의 지속적인 하락이 관찰되었다. 해당 시기에 남한은 0.09에서 –0.016, 북한은 0.064에서 –0.059, 중국은 0.014에서 –0.092 하락하는 양상을 보였다. 이는 연도와 시기를 고려하였을 때 2022년 봄 가뭄의 영향을 받은 것이라 해석할 수 있다. 2022년 이상기후 보고서에 따르면, 실제 2022년은 5월을 기준으로 최근 6개월 누적 강수량(234.6 mm)이 평년의 절반 수준으로 기록되었으며, 이상 고온이 발생하여 전국 주요 저수지 중 28곳에서 저수율 부족이 발생하였다(Korea Meteorological Administration, 2022).

또한, ’22년과 ’23년의 7월, 8월에는 평균값이 박스 바깥으로 나가거나 낮은 값의 극단적 이상치가 급증하는 것을 볼 수 있다. 이는 시기와 식생지수의 특성을 보았을 때, Fig. 7과 같이 전처리 과정에서 제거되지 않은 잔여 구름의 영향이라고 해석할 수 있다.

Figure 7. Example of a point affected by residual clouds (40°14‘10“, 126°38‘25”).

Fig. 7은 ’23년 6월 중 구름이 제거되지 않아 극단적 이상치(–0.512)로 잡힌 지점을 잔여구름의 영향에 대한 예시로써 보여준다. 해당 지점의 합성 식생지수는 ’23년 6월 24일의 NDVI 값이 활용되었는데 이 시기의 L2A 자료를 보면 24일 자료 역시 해당 지점에 구름이 덮여 있는 것을 볼 수 있다. 하지만 해당 Sentinel-2에서 제공하는 SCL에서는 이 지점이 Cloud가 아닌 Topographic casted shadows로 구분되어 있어 no data 처리가 되지 않고 합성에 활용되었다. 결국, 해당 예시는 극단적 이상치가 SCL의 한계와 10일 주기 합성의 특성에 기인한 것이라 볼 수 있다.

4.1.2. 토지피복별 식생지수 변이 추세 분석

국가 단위 분석 이후 토지피복을 기준으로 분류하여 분석을 수행하였다. 우선 식생이 분포하면서 인간의 영향을 많이 받는 논, 밭, 초지에 대해 식생지수 변이의 추세를 살펴보았다. 분석 결과는 Fig. 8과 같다. Fig. 8을 통해 토지피복별 식생지수 변이를 살펴본 결과, 앞선 국가별 분석과 유사하게 4월에 식생지수 변이가 증가하는 경향을 볼 수 있었다. 특히, 논(a)과 초지(c)에서는 평균값이 상자의 중앙에 위치하여 상대적으로 대칭적인 분포를 보였으며, 극단적 이상치가 없어 국지적 이벤트에 영향은 적은 것으로 나타났다. 반면, 밭(b)의 경우에는 4월 평균값이 0에 가까워 뚜렷한 상승을 보이지 않았다. 이는 논과 초지가 4월에 더 활발한 식생 성장을 경험한 반면, 밭의 경우 그 변화가 크지 않음을 보여준다.

Figure 8. Trends in vegetation index anomaly by land cover: (a) paddy, (b) crop field, and (c) grassland.

또한, 봄 가뭄에 의한 2022년 4월부터 6월까지의 식생지수 변이 하락 역시 모든 토지피복에서 관찰되었다. 논은 0.082에서 –0.008, 밭은 0.016에서 –0.076, 초지는 0.56 –0.042로 감소한 것을 확인할 수 있었다. 이는 2022년 봄 가뭄의 영향이 밭과 초지에 주로 영향을 준 것으로 해석할 수 있다. 실제로 2022 국가가뭄정보통계집(National Drought Information Statistics, 2024)에 따르면 전국 농업 재배면적에서 논은 전체 면적 대비 0.1%의 물마름 발생율을 보였고, 밭은 전체 면적 대비 0.13%의 시듦 발생율을 보였다. 농촌진흥청(Rural Development Administration, 2022)에 따르면 북한 역시 ’22년 쌀 생산량이 ’21년 대비 3.8%가 감소하였을 때, 밭 작물은 감자와 고구마는 ’21년 대비 14%가 감소했다. 이는 ’22년 봄 가뭄이 식생지수 변이에 기반한 해석과 마찬가지로 논보다 밭에 더 큰 영향을 주었음을 보여준다.

Fig. 9는 산림에 대한 분석 결과이다. 인간의 영향이 비교적 적게 미치는 산림의 경우에도 2022년과 2023년 4월에 0.06~0.08 수준의 식생지수 변이가 확인되었으며, 극단적 이상치는 발생하지 않았다. 특히, 활엽수림(b)의 경우 두 해 모두 0.07~0.08 수준의 높은 식생지수 변이를 기록했으며, 이는 다른 산림 유형에 비해 더욱 활발한 식생 성장을 나타낸다. 반면, 침엽수림(a)은 비교적 낮은 식생지수 변이를 보였으며, 2022년 4월에는 0.065, 2023년 4월에는 0.024의 식생지수 변이를 보였다. 이는 봄철 이상 기온에 활엽수가 더 활발하게 생장하였다고 해석할 수 있다.

Figure 9. Trends in vegetation index anomaly by land cover: (a) coniferous forest, (b) broad-leaved forest, and (c) mixed forest.

또한, 2022년 4월에서 6월까지의 식생지수 변이 하락을 살펴보면 활엽수림은 0.08에서 –0.06로 하락한 반면, 침엽수림은 0.06에서 –0.03으로 하락하였다. 이는 2022년 봄 가뭄이 활엽수는 큰 영향을 미친 반면, 침엽수에는 상대적으로 적은 영향을 미친 것으로 해석할 수 있다. 혼효림(c)의 경우, 활엽수와 침엽수의 중간적인 특성을 반영하는 모습을 보였다.

4.1.3. 국가와 토지피복을 동시에 고려한 식생지수 변이 추세 분석

앞서 한반도 300개 지점에 대한 식생지수 변이 추세 분석을 통해 이상 기온에 따른 ’22년과 ’23년 4월의 식생지수 변이 상승과 봄 가뭄에 의한 ’22년 4~6월 발생한 식생지수 변이 하락이 여러 기준에서 공통적으로 나타나는 것을 볼 수 있었다. 우선, ’22년과 ’23년 4월에서 공통적으로 나타나는 식생지수 변이의 상승을 보다 구체적으로 살펴보기 위해 침엽수와 활엽수가 혼재된 혼효림의 식생지수 변이를 국가 단위로 살펴보았다. 분석 결과는 Fig. 10과 같다.

Figure 10. Trends in vegetation index anomaly by country and mixed forest. (a) South Korea and mixed forest. (b) North Korea and mixed forest. (c) China and mixed forest.

분석 결과, 혼효림의 ’22년 4월 식생지수 변이는 남한 0.119, 북한 0.056, 중국 0.009로 나타났으며 ’23년 4월은 남한 0.093, 북한 0.019, 중국 –0.007로 나타났다. 국가별 식생지수 변이 추세 분석에서 파악하였던 것처럼 저위도에 위치한 국가일수록 이상 기온에 따른 식생지수 변이 상승이 크게 나타나는 것을 보다 세부적으로 볼 수 있었다. 또한, 해당 시기에서 역시 극단적 이상치가 발생하지 않은 것을 파악하여 연구지역 전체에서 비슷한 양상의 식생지수 변이 상승이 이루어졌다는 것을 알 수 있었다.

’22년 봄 가뭄에 의한 식생지수 변이 하락 추세를 구체적으로 살펴보기 위하여 밭의 식생지수 변이를 Fig. 11과 같이 국가별로 분석하였다. 분석 결과, 해당 시기 밭의 식생지수 변이는 남한에서 –0.012에서 –0.085, 북한에서 0.023에서 –0.089, 중국에서는 0.038에서 –0.038 하락한 것으로 나타났으며, 중국의 2022년 6월을 제외하고는 극단적 이상치가 발견되지 않았다. 이는 이상 기온과 강수량 부족에 따른 2022년 봄 가뭄의 영향이 한반도 전체와 인근 지역에 영향을 주었다는 것을 보여준다. 특히 북한의 경우, 봄 가뭄에 따른 밭작물의 식생지수 하락이 가장 큰 영향을 미쳤음을 알 수 있다.

Figure 11. Trends in vegetation index anomaly by country and crop field. (a) South Korea and crop field. (b) North Korea and crop field. (c) China and crop field.

감자나 고구마와 같은 밭 작물의 경우 5월에 이줄기(괴경) 형성과 비대기가 진행되므로 봄 가뭄이 생산량에 결정적인 영향을 미친다(Rural Development Administration, 2022). 실제로 북한에서는 2022년 봄 가뭄으로 대표적인 밭작물인 감자의 생산량이 2021년 대비 약 8만 톤 감소(–14%)하였는데(Korea Development Institute, 2022), 이는 남한의 같은 시기 봄 감자의 10 에이커(acre)당 생산량 증감폭(–12.5%)보다 약 1.5% 더 낮은 수치이다(Statistics Korea, 2022).

북한의 경우, 남한에 비해 기후 재난에 대한 대응 능력이 떨어지는 상황에서 이러한 가뭄과 같은 이상기후 현상이 밭 작물 생산에 더 심각한 영향을 미쳤을 것으로 보인다. 이처럼 토지피복에 대한 국가별 분석은 식생지수 변이가 지리적 위치나 농업 상황과 같은 특성에 따라 기후적 변화가 식생지수 변이에 어떻게 영향을 미치는지 보여주는 지표로 활용될 수 있다.

4.1.4. 국지적 변화에 따른 식생지수 변이 분석

본 연구에서는 토지피복에 대한 국가별 분석을 통해 인위적 요인이나 산사태 등의 재난에 의해 발생하는 국지적 변화 역시 포착할 수 있었다. 이러한 국지적 변화는 식생지수 변이의 평균값에 영향을 미치지만 전체 지점이 아닌 일부 지점에서 큰 변화를 일으키기 때문에 박스의 크기와 극단적 이상치, Q1-Q3 영역에 대한 평균값의 위치로 파악이 가능하다. Fig. 12는 남한과 북한의 초지에 대한 식생지수 변이 추세로, 인위적 요인에 의해 식생지수 변이에 영향을 받은 데이터의 특성을 보여준다.

Figure 12. Trends in vegetation index anomaly by country and grassland. (a) South Korea and grassland. (b) North Korea and grassland.

두 해의 5월, 6월에서 볼 수 있듯이 남한의 초지는 봄철에 –0.1에 가까운 식생지수 변이를 보인다. 이는 동시기의 북한의 초지에서 나타난 수치와는 차이를 보인다. 또한, 최소값의 경우 북한의 –0.146, –0.279와 달리 –0.638, –0.636과 같은 극단적인 값을 보이며, 평균값이 박스(Q1–Q3) 범위 밖으로 나오는 모습을 확인할 수 있다. 이는 데이터의 분포가 왼쪽으로 치우친(negative skewed) 비대칭적 분포를 보이며, 매우 낮은 극단적 이상치가 전체 데이터에 영향을 주었다고 해석할 수 있다. 이러한 형태는 해당 시기 식생지수 변이의 하락이 기온의 영향이 아닌 국지적 이벤트에 의한 것임을 시사한다. 구체적으로 남한의 초지에 해당하는 지점 중 2개에서 인위적 변화를 확인할 수 있었다.

Fig. 13에서 확인할 수 있는 첫 번째 지점은 ’23년 4~5월에 기존에 형성되어 있던 식생이 제거됨에 따라 식생지수 변이가 낮게 산출된 것으로 보이는 경우이다. 해당 사례는 2021년 동시기에 식생이 자라 있어 상대적으로 높은 식생지수가 기록되었으나, 2023년에는 식생이 제거되고 나지로 변하면서 식생지수가 크게 하락한 것으로 보인다. 이는 인위적 변화가 식생지수에 어떻게 반영되는지를 보여주는 사례이다. 해당 지점에서 식생지수 변이 값은 –0.514로 산출되었다.

Figure 13. First example of a point with low NDVI anomaly due to human effect (35°57‘1”, 127°18‘50”).

Fig. 14에서 확인할 수 있는 두 번째 지점은 인위적인 변화, 즉 개발에 의해 식생지수 변이가 낮게 산출된 것으로 보이는 경우이다. 이 지점에서는 개발로 인해 식생지수가 지속적으로 낮아지고 있는 것으로 보이며, 이는 특히 4월과 5월에서 확인할 수 있다. 이러한 변화는 2018년부터 2021년까지 식생지수가 높게 유지된 시기와 비교했을 때, 인위적 변화가 어떻게 식생지수 변이에 반영되는지를 보여준다. 해당 지점에서 식생지수 변이 값은 –0.582로 산출되었다. 결국, 남한의 초지에서 발견한 ’23년 5~6월 식생지수 변이의 하락 추세는 식생지수를 큰 값으로 변화시키는 인위적 이벤트가 전체 평균에 영향을 미쳐 나타난 변화라고 해석할 수 있다.

Figure 14. Second example of a point with low NDVI anomaly due to human effect (37°36‘30”, 127°47‘43”).

4.1.5 식생지수 변이 추세 분석 종합

식생지수 변이의 기후적 요인에 의한 등락과 인위적 요인에 의한 등락은 서로 다른 패턴을 보이며, 이러한 차이는 지점별 분석을 통해 드러날 수 있다. 기후적 요인은 주로 이상 기온, 강수량, 가뭄 등의 요인에 따라 여러 지점에서 유사한 움직임을 보인다. 하지만 인위적 요인은 특정 지점에서 국지적으로 나타나며, 그 영향은 특정 지역이나 토지 피복 유형에 국한되어 나타난다. 그 값에서도 기후적 요인에 의한 변화는 지점마다 ±0.1~0.2 사이에서 나타나지만, 인위적 변화의 경우 ±0.4에서 크게는 ±0.7 이상까지도 나타나는 것으로 보인다. 본 연구의 4.3장에서는 이러한 분석 결과와 데이터 분포를 바탕으로 농림위성의 사양과 한반도 경작특성에 적합한 색상표의 구간을 설정하고자 한다.

4.2. 식생지수 변이 색상표 구간 정의

본 연구에서는 식생지수 변이를 세밀하게 분석하면서 세계적으로 널리 사용되는 Crop Explorer의 색상 체계(11개 구간)와도 호환 가능하도록 11개의 구간을 설정하였다. 이러한 가시화 색상체계는 데이터의 자연스러운 분포를 반영하는 Jenks Natural Breaks 기법을 기반으로 하였으며, 아래와 같은 통계 분석과 데이터 분포 현황, 사용자 편의성을 위한 조정을 거쳐 제작되었다. 우선, 전체 데이터에 대한 기초 통계분석 결과를 살펴보았다. Table 4는 2022년과 2023년의 4월~9월 식생지수 변이에 대한 통계분석 결과이다.

Table 4 . Statistics analysis results comparison.

Year	2022	2023
Mean	–0.002	–0.001
StDev	0.117	0.111
Maximum	0.584	0.586
Minimum	–0.845	–0.783
Mean±1 × StDev	–0.119 to 0.115	–0.112 to 0.110
Mean±2 × StDev	–0.236 to 0.232	–0.223 to 0.221
Mean±3 × StDev	–0.353 to 0.349	–0.334 to 0.332
Points	300	300
Total data	1,649	1,667

StDev: standard deviation..

2022년과 2023년 데이터는 전체적으로 유사한 통계분석 결과를 보인다. 두 해 모두 분석에는 1,600개 이상의 데이터가 활용되었으며, 0에 가까운 평균과 0.1 수준의 표준편차를 보였다. 최대값은 0.584와 0.586, 최소값은 약 –0.85와 –0.78로 나타난다. 해당 결과는 두 해의 데이터 분포에 큰 차이가 없음을 보여준다. 또한, 데이터 분포 역시 살펴보았다. 전체 데이터에서 약 68%를 차지하는 평균±1 × 표준편차의 범위가 약 ±0.11, 약 95%를 차지하는 평균±2 × 표준편차의 범위가 약 ±0.23, 약 99%를 차지하는 평균±3 × 표준편차의 범위가 약 ±0.34로 나타났다. 이는 식생지수 변이 추세 분석에서 ±0.2 수준으로 나타난 기후 변화에 따른 식생지수 변이와, ±0.3~0.5 수준으로 나타난 인위적 변화나 극단적 이벤트에 의한 변화가 전체 데이터에 대해 얼마나 분포하는지 보여준다.

기초 통계 분석과 식생지수 추세 분석에 대한 결과를 바탕으로 11개의 구간을 설정하고 각 구간에 해당하는 데이터 수를 분석하였다. Fig. 15는 연구에서 최종적으로 정의한 가시화 색상체계와 이에 따른 식생지수 변이의 시각화 결과 예시이다. 해당 가시화 색상체계는 식생지수 변이의 크기에 따라 명확하게 색상을 구분하여 사용자가 변이의 강도를 직관적으로 파악할 수 있도록 구성되었다. 구간별로 색상은 식생지수의 자연스러운 표현을 반영하여 선택되었다. Table 5는 구간별 데이터 수와 전체 데이터 대비 구간 별 데이터의 비중을 보여준다.

Figure 15. Color scheme and example of NDVI anomaly visualization result (Mid-June 2023).

Table 5 . Interval data counts and proportions based on the color scheme.

Interval	Data count	Data proportion (%)
–1.000 ~ –0.500	24	0.724
–0.500 ~ –0.250	67	2.021
–0.250 ~ –0.100	231	6.966
–0.100 ~ –0.050	298	8.987
–0.050 ~ –0.025	305	9.198
–0.025 ~ +0.025	1,302	39.264
+0.025 ~ +0.050	444	13.390
+0.050 ~ +0.100	328	9.891
+0.100 ~ +0.250	244	7.358
+0.250 ~ +0.500	71	2.141
+0.500 ~ +1.000	2	0.060
–1.000 ~ +1.000	3,316	100

각 구간은 다음과 같이 정의되었다. 먼저, 식생지수 변이의 극단적 변화를 반영하는 구간을 ±1.00에서 ±0.25 사이로 설정하였다. 해당 구간에는 전체 데이터 중 약 5%가 분포한다. 그 중에서도 큰 폭의 감소를 나타내는 –1.00에서 –0.50 구간은 24개의 포인트가 속하며, 마찬가지로 식생지수의 급격한 감소를 나타내는 –0.50에서 –0.25 구간에는 67개의 포인트가 포함된다. –1.00에서 –0.25까지의 두 구간은 주로 극단적인 기후 변화나 인위적인 개발로 인해 식생이 크게 파괴된 경우에 해당한다. 상승 구간에서는 +1.00에서 +0.50 구간에 2개의 포인트가, +0.5에서 +0.25 구간에 71개의 포인트가 속한다. 해당 구간은 극단적인 식생 성장이 발생한 지역을 나타내며, 산불 및 산사태 이후의 복구 지역이나 인위적 농업 활동에 영향을 받은 지역으로 볼 수 있다.

식생지수 변이의 중간 수준 변화를 반영하는 구간은 ±0.25에서 ±0.05 사이로 설정하였다. 해당 구간에는 전체 데이터 중 약 33%가 분포한다. 감소를 나타내는 –0.25에서 –0.10 구간에는 231개의 포인트가, –0.10에서 –0.05 구간에는 298개의 포인트가 속한다. 해당 구간은 가뭄과 같은 기후 변화부터 국지적 환경 변화에 따른 식생지수 변이 하락을 반영한다. 상승 구간에서는 +0.25에서 +0.10 구간에 244개 포인트가, +0.10에서 +0.05 구간에 328개의 포인트가 속한다. 이는 최근 발생하는 이상 기온에 의해 생장 주기가 늘어나거나 활발해진 식생의 활동을 반영하는 구간으로 볼 수 있다.

소폭의 식생지수 변이 등락을 나타내는 구간은 –0.05 ~ –0.025, +0.025 ~ +0.05로 설정하였다. 해당 구간에는 전체 데이터 중 약 23%가 분포한다. –0.05에서 –0.025 구간에는 305개의 포인트가 속하며, +0.025에서 +0.05 구간에는 444개의 포인트가 속한다. 해당 두 구간은 자연적인 요인에 의한 일반적 변화라 볼 수 있다.

식생의 변화가 평년 대비 거의 없는 기본적인 평년 상태를 반영하는 구간은 –0.025에서 +0.025 로 설정하였다. 해당 구간에는 전체 데이터 중 약 39%를 차지하는 1302개의 데이터가 속한다. 해당 구간은 전체 데이터에서 가장 많은 비율을 차지하며, 기본적인 오차를 고려하면 평년과 동일한 상태로 볼 수 있어 변화가 없는 구간으로 정의하였다.

본 연구는 농림위성을 활용한 식생지수 변이 산출을 위한 가시화 색상체계를 정의하고자, 2017년부터 2023년까지의 Sentinel-2 영상을 이용하여 한반도와 인접 지역의 식생지수 변이를 분석하였다. 연구결과, 국가 및 토지피복, 고도, 위도에 따른 식생지수 변이의 차이를 볼 수 있었으며, 특히 2022년과 2023년의 봄철 기후 변화가 식생 상태에 미친 영향을 명확하게 파악할 수 있었다.

식생지수 변이 분석에서는 2022년 4월과 2023년 4월의 높은 식생지수 변이와 2022년 4월부터 6월까지의 하락 추세를 공통적으로 볼 수 있었다. 이는 주로 기후적 요인, 특히 봄철 이상 기온과 가뭄의 영향으로 추정된다. 또한, 국지적 요인에 의한 식생지수 변이도 관찰되었으며, 일부 지역에서는 인위적 변화로 인해 ±0.5 이상의 값이 보이기도 하였다. 식생지수 변이 분석 결과를 바탕으로, 본 연구에서는 데이터의 분포를 고려한 색상분류 체계를 정의하였다. 구간 산정은 Jenks Natural Breaks 방법을 통해 데이터의 자연스러운 변화를 반영하도록 설정되었으며, 구간 간 차이를 극대화하고 각 구간 내 차이를 최소화하였다. 이를 통해 ±0.025 내외의 미세한 변이를 나타내는 구간부터 ±0.25 이상으로 나타나는 극단적인 변이 구간까지 총 11개의 세부 구간을 도출하였다.

본 연구는 기후 변화와 인위적 요인이 식생지수 변이에 미치는 영향을 분석하여 이를 바탕으로 한반도의 농업 환경에 적합한 가시화 색상분류를 제안하였다. 제안된 구간은 기후적 요인과 인위적 요인을 모두 반영함으로써 한반도의 식생지수 변이 모니터링에 유용하게 적용될 수 있을 것으로 기대된다. 특히, 연구에서 발견된 특정 기간 동안의 식생지수 변이 구간은 향후 식생 상태를 평가하고 예측하는 데 중요한 참고자료가 될 수 있다.

다만, 본 연구는 농경지의 경우 재배작물이 바뀔 때 기준 식생지수와 식생지수 변이의 적용이 어려울 수 있다는 한계가 있다. 이는 재배작물의 종류에 따라 생장주기, 식생 밀도, 생장 패턴이 달라져 NDVI와 같은 식생지수가 크게 달라질 수 있기 때문이다. 벼, 옥수수, 대두와 같은 작물은 각기 다른 생장주기와 식생 밀도를 가지며, 이러한 차이가 식생지수 값에 큰 영향을 미친다(Wardlow et al., 2007; Sakamoto et al., 2010). 따라서 식생지수 변이를 근거로 작물 변화를 의심할 수 있을 것으로 기대하며, 작물 변화를 보다 정확하게 파악하기 위해서는 다양한 빅데이터와의 융합을 통해 작물의 생장 주기, 재배 작물, 기후 변화 등 여러 요인을 통합적으로 분석하는 연구가 필요할 것이다.

향후 농림위성이 발사될 경우, 본 연구에서 적용한 Sentinel-2 기반의 식생지수 변이와 가시화 색상체계에 따라 농림위성 데이터를 처리함으로써 한국의 농업 및 산림 모니터링에 유용한 정보를 제공할 수 있을 것이다. 다만, 농림위성의 데이터는 아직 사용되지 않았기 때문에, 추후 실제 농림위성 자료 적용 및 호환을 위한 추가 연구가 필요하다. 또한, 현재는 기준 식생지수를 5년간의 데이터를 사용하여 산출하였으나 이후에는 장기적으로 평년을 산정하는 적정 기간에 대한 추가적인 연구를 함으로써 보다 신뢰성 있는 모니터링 체계를 구축할 필요가 있다.

본 논문은 농촌진흥청 연구사업(RS-2021-RD009991)의 지원으로 서울연구원(2024-ER-013, 농업위성정보 기반기술 및 소프트웨어 개발)에서 수행하였습니다.

No potential conflict of interest relevant to this article was reported.