작물 재배 시 주요 해충 발생에 대해 한두 달 이상 앞선 계절전망이 가능하다면 농가의 해충관리 의사결정이 보다 효율적으로 이루어질 수 있을 것이다. 본 연구에서는 국내 해충 발생과 통계적으로 유의미한 원격상관관계에 있는 기후현상을 찾기 위해 Moving Window Regression (MWR) 기법을 활용하였다. 벼멸구의 발생과 비래는 장기간에 걸쳐 여러 지역에서 연속적으로 일어나는 사건이기 때문에 비슷한 시공간적 규모를 갖는 기후현상과 통계적인 연관성을 가질 가능성이 높아 본 연구의 대상 해충으로 선택하였다. MWR 통계 분석의 반응변수로써 1983년부터 2014년까지 국내 벼멸구 발생면적 자료를 사용하였고, 10개의 기후모형에서 생산되는 10개의 기후변수를 예보 선행시간별로 추출하여 설명변수로 사용하였다. 최종적으로 선정된 각 MWR 모형의 특정 시기와 지역의 기후변수는 연간 벼멸구 발생면적 자료와 통계적으로 유의한 상관관계를 보였다. 결론적으로, 본 연구에서 개발한 MWR 통계 모형을 통해 국내 벼멸구 발생 위험도에 따른 선제적 대응을 위한 벼멸구 계절전망이 가능할 것으로 보인다.
작물 재배 시 주요 해충 발생에 대해 한두 달 이상 앞선 계절전망이 가능하다면 농가의 해충관리 의사결정이 보다 효율적으로 이루어질 수 있을 것이다. 본 연구에서는 국내 해충 발생과 통계적으로 유의미한 원격상관관계에 있는 기후현상을 찾기 위해 Moving Window Regression (MWR) 기법을 활용하였다. 벼멸구의 발생과 비래는 장기간에 걸쳐 여러 지역에서 연속적으로 일어나는 사건이기 때문에 비슷한 시공간적 규모를 갖는 기후현상과 통계적인 연관성을 가질 가능성이 높아 본 연구의 대상 해충으로 선택하였다. MWR 통계 분석의 반응변수로써 1983년부터 2014년까지 국내 벼멸구 발생면적 자료를 사용하였고, 10개의 기후모형에서 생산되는 10개의 기후변수를 예보 선행시간별로 추출하여 설명변수로 사용하였다. 최종적으로 선정된 각 MWR 모형의 특정 시기와 지역의 기후변수는 연간 벼멸구 발생면적 자료와 통계적으로 유의한 상관관계를 보였다. 결론적으로, 본 연구에서 개발한 MWR 통계 모형을 통해 국내 벼멸구 발생 위험도에 따른 선제적 대응을 위한 벼멸구 계절전망이 가능할 것으로 보인다.
A seasonal outlook for crop insect pests is most valuable when it provides accurate information for timely management decisions. In this study, we investigated probable tele-connections between climatic phenomena and pest infestations in Korea using a statistical method. A rice insect pest, brown pl...
A seasonal outlook for crop insect pests is most valuable when it provides accurate information for timely management decisions. In this study, we investigated probable tele-connections between climatic phenomena and pest infestations in Korea using a statistical method. A rice insect pest, brown planthopper (BPH), was selected because of its migration characteristics, which fits well with the concept of our statistical modelling - utilizing a long-term, multi-regional influence of selected climatic phenomena to predict a dominant biological event at certain time and place. Variables of the seasonal climate forecast from 10 climate models were used as a predictor, and annual infestation area for BPH as a predictand in the statistical analyses. The Moving Window Regression model showed high correlation between the national infestation trends of BPH in South Korea and selected tempo-spatial climatic variables along with its sequential migration path. Overall, the statistical models developed in this study showed a promising predictability for BPH infestation in Korea, although the dynamical relationships between the infestation and selected climatic phenomena need to be further elucidated.
A seasonal outlook for crop insect pests is most valuable when it provides accurate information for timely management decisions. In this study, we investigated probable tele-connections between climatic phenomena and pest infestations in Korea using a statistical method. A rice insect pest, brown planthopper (BPH), was selected because of its migration characteristics, which fits well with the concept of our statistical modelling - utilizing a long-term, multi-regional influence of selected climatic phenomena to predict a dominant biological event at certain time and place. Variables of the seasonal climate forecast from 10 climate models were used as a predictor, and annual infestation area for BPH as a predictand in the statistical analyses. The Moving Window Regression model showed high correlation between the national infestation trends of BPH in South Korea and selected tempo-spatial climatic variables along with its sequential migration path. Overall, the statistical models developed in this study showed a promising predictability for BPH infestation in Korea, although the dynamical relationships between the infestation and selected climatic phenomena need to be further elucidated.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
하지만 여전히 벼멸구의 비래현상이 지리학적, 시기적으로 정확히 밝혀지지 않았기 때문에 원인지역과 결과지역이 명확해야 하는 기후학적인 원격상관에 관한 연구를 수행하기는 어려운 상황이다. 따라서 본 연구에서는 통계적 기법을 활용하여 국내 벼멸구의 발생과 연관성이 높은 특정 시기, 특정지역의 기후현상을 우선 선정하고 해당 정보를 바탕으로 벼멸구의 발생과 이동을 설명하는 후향적(retrospective) 연구를 시도하였다.
MWR은 계절기후예측정보의 제공시점과 선행시간, 그리고 기후인자의 지체시간 등을 고려하기 때문에 이러한 벼멸구의 비래현상을 설명하는데 적합하다고 판단하였다. 본 연구는 기후모형이 모의하는 기후변수들을 예측인자로 벼멸구의 초기발생부터 타 지역으로의 이동, 최종적으로 남한지역으로 비래하는 일련의 사건들을 설명하려는 최초의 시도이다. 이를 위해 MWR 통계기법을 활용한 벼멸구의 통계적 예측모형 개발과 관련된 연구결과를 제시하였다.
kr/npms/). 본 연구에서는 남한지역 전체 병해충 발생정도에 직간접적으로 영향을 미치는 지역규모의 기후현상을 활용하는 것이 목표였기 때문에 시도별병해충 발생면적 자료를 추출하여 통계모형 개발에 사용하였다. NCPMS의 병해충 발생면적 자료는 해당 병해충이 최대로 발생한 시기의 자료를 토대로 작성되었으므로 그 해의 최대 발생면적으로 볼 수 있다.
본 연구에서는 장기간의 선행시간을 가지고 인도차이나, 동아시아 지역 등 광범위한 지역에 걸쳐 연속적으로 일어나는 벼멸구의 발생과 비래 사건을 예측하기 위해 MWR 기법을 이용한 통계적 원격상관 분석을 수행하였다. 벼멸구의 국내 발생 패턴을 설명하기 위해서는 남한지역의 기상기후현상 뿐만 아니라 이동경로 상에 있는 지역의 선행기간 동안의 기후현상, 그리고 이동에 관여하는 대기의 흐름 등을 모두 고려해야 한다.
본 연구는 기후모형이 모의하는 기후변수들을 예측인자로 벼멸구의 초기발생부터 타 지역으로의 이동, 최종적으로 남한지역으로 비래하는 일련의 사건들을 설명하려는 최초의 시도이다. 이를 위해 MWR 통계기법을 활용한 벼멸구의 통계적 예측모형 개발과 관련된 연구결과를 제시하였다.
가설 설정
이와 반대로 1월(JAN), 2달 선행시간(2 month lead)의 경우와 같이 통계모형 선정과정에서 교차검정과 분할검정을 통해 예측성이 낮게 나타난 경우 특정 월, 특정 선행시간에서 회귀모형이 선택이 안 될 수 있는데 그런 경우에는 공란으로 남겨두었다. 벼멸구의 발생이 매년 초부터 따뜻한 동남아시아 지역에서부터 시작되는 것으로 가정하여, 1월부터 우리나라에 영향을 미치는 7월까지의 모든MWR 통계모형을 뽑았다.
이동경로상에 있는 지역의 기후조건은 해당 지역에서의 벼멸구 증식 정도에 영향을 미치기 때문이고, 이전 지역에서 대량 발생에 성공했을 때 다음 비래지역에 도달하는 초기 농도가 높아 대발생의 가능성이 높아지기 때문이다. 이러한 일련의 사실들을 바탕으로 장기간 동안 여러 지역에서 연속적으로 일어나는 벼멸구의 발생과 비래 같은 생물학적 현상은 장기간 동안 여러 지역에 영향을 주는 기후현상의 조합으로 설명이 가능하다는 가설을 세울 수 있다. 또한 특정 시기, 특정 지역의 기후조건은 일정 시간의 지체시간(lag-time)을 가지는, 지리적으로 떨어진 지역에서 일어나는 기후현상과 연관이 있을 수 있다.
제안 방법
따라서 본 연구에서는 Imidacloprid를 본격적으로 사용하기 시작한 1992년을 기준으로 이전 데이터에 대한 일종의 표준화(normalization)를 수행하였다(Selvin, 2004). 1992년 이전, 즉 1983년부터 1991년까지의 평균 발생면적과 1992년부터 2014년까지의 평균 발생면적의 차이를 새로운 살충제의 도입으로 인한 기술적인 요인으로 인해 발생면적에 인위적인 조정이 생긴 결과로 간주하고 두 평균 발생면적의 차이만큼을 1983년부터 1992년까지의 연도별 발생면적에서 나누어 발생면적 자료를 표준화 하였다. Fig.
APCC 계절기후예측정보를 활용하여 남한지역 전체 벼멸구 발생면적을 예측하기 위해 MWR 통계모형을 개발하였다. Table 3는 MWR 기법을 사용하여 개발된 통계모형에서 월(month)별, 선행시간(lead-time)별로 선택된 기후모형과 기후변수를 나타낸다(기후모형-기후변수).
Otuka (2013)에 의해 추정된 벼멸구의 비래 경로와 시기에 대한 정보와 MWR 통계모형의 월별 지점과 선택된 기후변수 정보를 비교하여 각 시기별 선택된 모형의 의미를 추론하였다(Fig. 4). 일정 수준 이상의 예측성이 확보된 MWR 통계모형을 대상으로, 즉 0.
2. Temporal correlation coefficients of MWR models selected for each month and lead-time. Temporal correlation of the predicted infestation area of brown planthopper by each MWR model was examined by comparing with the observed infestation area for the period of 1983-2014.
다음으로 1983년부터 2014년의 APCC 계절기후예측정보의 hindcast 자료로 부터 Table 1에 제시된 2.5°격자의 개별 기후변수(예측인자)들을 추출하여 각각을 설명변수(predictor)로 사용하였다.
검정 과정에서 동일한 격자에 동일한 기후변수가 몇 번 예측인자로 선정되었는지를 선택된 지역과 함께 지도상에 표시하였다. 두 번째 과정으로 훈련기간 동안에 선정된 잠재 예측인자들을 이용하여 나머지 검정기간에 대하여도 반응변수와의 상관계수를 구한다. 이 결과 훈련기간 및 검정기간의 상관계수들의 부호가 동일한 경우(양의 상관계수)로 예측인자의 범위를 좁힌다.
, 2009). 따라서 본 연구에서는 Imidacloprid를 본격적으로 사용하기 시작한 1992년을 기준으로 이전 데이터에 대한 일종의 표준화(normalization)를 수행하였다(Selvin, 2004). 1992년 이전, 즉 1983년부터 1991년까지의 평균 발생면적과 1992년부터 2014년까지의 평균 발생면적의 차이를 새로운 살충제의 도입으로 인한 기술적인 요인으로 인해 발생면적에 인위적인 조정이 생긴 결과로 간주하고 두 평균 발생면적의 차이만큼을 1983년부터 1992년까지의 연도별 발생면적에서 나누어 발생면적 자료를 표준화 하였다.
또 다른 과대적합 방지 장치로 매년 교차검정을 수행하는 과정에서 분할검정을 동시에 적용하였다. 예를 들어 1983년 1월 시점을 예측하는 경우 전체 관측기간(1983-2014)을 훈련기간(1983-2007)과 검정기간(2008-2014)으로 구분하였다.
좀 더 자세한 내용은 Cho (2014)의 보고서를 참고할 것을 권한다. 먼저 벼멸구의 남한지역 발생면적 자료를 1983년부터 2014년까지 연도별로 정리하여 반응변수(predictand)로 사용하였다. 다음으로 1983년부터 2014년의 APCC 계절기후예측정보의 hindcast 자료로 부터 Table 1에 제시된 2.
먼저, 훈련기간 동안에는 훈련기간의 3분의 2에 해당되는 샘플을 훈련기간의 자료 수(25번)만큼 무작위로 선정한다. 무작위로 선정된 각각의 샘플 기간에 대하여 설명변수(기후변수)와 반응변수(남한지역 벼멸구 발생면적)와의 상관계수를 계절기후예측자료의 격자별로 구한다. 상관계수는 음의 상관관계를 갖는 지역과 양의 상관관계를 갖는 지역으로 구분하여 두 가지의 경우를 모두 고려하였다.
마지막으로, 통계모형에 적용된 알고리즘이 예측성을 실제보다 과대모의하는지를 검증하기 위해 무작위 예측인자(random predictor) 테스트를 실시하였다. 본 연구에서 사용된 교차검증 알고리즘 자체에서 과대적합이 발생하는지를 확인하기 위해 통계적 기법인 MWR에 대해 3000번 무작위로 생성된 예측인자와 반응변수들을 이용하여 계산된 TCC값들의 분포를 확인하였다. 결과적으로 총100회 모의로 부터 얻은 3000개 개별 결과(100회 × 10개 개별모형의 예측인자 × 3개 선행시간)를 바탕으로 TCC가 0값을 중심으로 정규분포하는 결과를 보여 교차검정 알고리즘에서 과대적합이 발생하지 않는 것으로 판단하였다(관련 결과 생략함).
무작위로 선정된 각각의 샘플 기간에 대하여 설명변수(기후변수)와 반응변수(남한지역 벼멸구 발생면적)와의 상관계수를 계절기후예측자료의 격자별로 구한다. 상관계수는 음의 상관관계를 갖는 지역과 양의 상관관계를 갖는 지역으로 구분하여 두 가지의 경우를 모두 고려하였다. 각각의 부호에 대하여 샘플 수에 따른 통계적으로 유의한 (5% 신뢰수준) 상관계수 최저값보다 큰값이 반복적으로 나타나는 지역을 선정한다.
즉, 이번 달에 생산되는 3개월 계절기후예측정보는 1달부터 3달까지의 선행시간을 갖는 3개의 월별 기후예측정보로 구성이 된다. 설명변수로 사용되는 기후변수 역시 3개 선행시간별로 모두 다르기 때문에 모든 선행시간별 자료를 이용해 분석을 수행하였다.
일반적으로 통계적으로 유의미한 상관관계를 갖는 지역은 여러 지역에 분산되어 위치할 수 있다. 이중 공간적으로 가장 넓게 분포하는 지역을 공간군집 분석을 통해 추출하였는데, 이때 사용자에 의해서 주어진 최대임계값(80개 격자)을 넘지 않도록 선정하였다. 검정 과정에서 동일한 격자에 동일한 기후변수가 몇 번 예측인자로 선정되었는지를 선택된 지역과 함께 지도상에 표시하였다.
일정 수준 이상의 예측성이 확보된 MWR 통계모형을 대상으로, 즉 0.5 이상의 상관계수를 보이는 NASA – PREC(FEB, LT=3), JMA – SST (MAY, LT=1), NCEP – V200 (JUN, LT=1) 모형의 결과만을 활용하였다.
교차검정은 벼멸구 조사자료의 기간(1983-2014)에 대하여 실제 예측과 동일한 조건을 재현하기 위해서 예측하고자 하는 연도와 동일시점의 예측인자를 모두 제거한 후 통계모형을 구축하는 leave-one-out-crossvalidation 방법을 사용하였다. 즉 1983년 벼멸구 발생면적을 예측하기 위한 회귀모형을 구성하는데 있어서 1983년을 제외한 1984-2014년 기간의 예측인자를 이용하여 회귀모형을 구성하여 1983년 벼멸구 발생면적을 예측한다. 나머지 기간에 대해서도 동일한 방법으로 예측을 수행한다.
하지만 극지로 갈수록 기후현상의 원격 상관성이 거의 존재하지 않기 때문에, 본 연구에서는 적도를 중심으로 위도 ±40° 높이의 사용자 정의 창을 지정하여 2.5°크기로 표준화된 이동 격자를 이동하면서 해당 격자점의 기후변수를 설명변수로 하여 반응변수인 남한지역 벼멸구 발생면적과의 상관계수를 구하였다.
대상 데이터
벼멸구의 발생과 비래는 장기간에 걸쳐 여러 지역에서 연속적으로 일어나는 사건이기 때문에 비슷한 시공간적 규모를 갖는 기후현상과 통계적인 연관성을 가질 가능성이 높아 본 연구의 대상 해충으로 선택하였다. 따라서 시도 단위로 정리된 벼멸구 발생면적 자료를 연도별로 합하여 1983년부터 2014년까지 남한지역 전체 발생면적 자료를 준비하였다. 하지만 벼멸구 발생면적은 기후 뿐 아니라 다른 재배·기술·사회적 요인에 의해서도 영향을 받기 때문에, 국내 문헌조사를 통해 1983년 이후로 벼멸구 방제나 약제 저항성, 저항성 품종의 도입 등 특이적인 변화가 있었는지를 확인하였다(Choi, 1998; Matsumura et al.
NCPMS의 병해충 발생면적 자료는 해당 병해충이 최대로 발생한 시기의 자료를 토대로 작성되었으므로 그 해의 최대 발생면적으로 볼 수 있다. 벼멸구의 발생과 비래는 장기간에 걸쳐 여러 지역에서 연속적으로 일어나는 사건이기 때문에 비슷한 시공간적 규모를 갖는 기후현상과 통계적인 연관성을 가질 가능성이 높아 본 연구의 대상 해충으로 선택하였다. 따라서 시도 단위로 정리된 벼멸구 발생면적 자료를 연도별로 합하여 1983년부터 2014년까지 남한지역 전체 발생면적 자료를 준비하였다.
데이터처리
5°크기로 표준화된 이동 격자를 이동하면서 해당 격자점의 기후변수를 설명변수로 하여 반응변수인 남한지역 벼멸구 발생면적과의 상관계수를 구하였다. 가장 높은 상관계수를 보인 설명변수와 표준격자점의 위치를 best predictor로 선정하여 회귀모형을 구성하였다.
통계모형 구축 시 고질적 문제인 과대적합(overfitting)을 방지하기 위해 교차검정(cross validation) 및 분할검정(split validation) 방법을 적용하였다. 교차검정은 벼멸구 조사자료의 기간(1983-2014)에 대하여 실제 예측과 동일한 조건을 재현하기 위해서 예측하고자 하는 연도와 동일시점의 예측인자를 모두 제거한 후 통계모형을 구축하는 leave-one-out-crossvalidation 방법을 사용하였다. 즉 1983년 벼멸구 발생면적을 예측하기 위한 회귀모형을 구성하는데 있어서 1983년을 제외한 1984-2014년 기간의 예측인자를 이용하여 회귀모형을 구성하여 1983년 벼멸구 발생면적을 예측한다.
마지막으로, 통계모형에 적용된 알고리즘이 예측성을 실제보다 과대모의하는지를 검증하기 위해 무작위 예측인자(random predictor) 테스트를 실시하였다. 본 연구에서 사용된 교차검증 알고리즘 자체에서 과대적합이 발생하는지를 확인하기 위해 통계적 기법인 MWR에 대해 3000번 무작위로 생성된 예측인자와 반응변수들을 이용하여 계산된 TCC값들의 분포를 확인하였다.
2는 각 MWR 모형의 월별, 선행시간별 평균 예측성을 나타낸다. 예측성은 1983년부터 2014년까지의 관측값(남한지역 벼멸구 발생면적)과 해당 통계모형이 예측한 예측값과의 Temporal Correlation Coefficient (TCC)를 바탕으로 평가하였다. 모든 모형에서 0.
최종적으로 선정된 통계모형의 예측성을 평가하기 위해 전체 기간(1983-2014) 동안의 관측된 남한지역 벼멸구 발생면적과 해당 통계모형을 통해 예측된 예측값과 비교하였다. 예측성 평가를 위해서는 TCC (Temporal Correlation Coefficient)를 사용하였다.
통계모형 구축 시 고질적 문제인 과대적합(overfitting)을 방지하기 위해 교차검정(cross validation) 및 분할검정(split validation) 방법을 적용하였다. 교차검정은 벼멸구 조사자료의 기간(1983-2014)에 대하여 실제 예측과 동일한 조건을 재현하기 위해서 예측하고자 하는 연도와 동일시점의 예측인자를 모두 제거한 후 통계모형을 구축하는 leave-one-out-crossvalidation 방법을 사용하였다.
이론/모형
MWR 통계모형에서 이 시점에 선택된 모형은 NASA – PREC(FEB, LT=3) 모형이다(Fig. 4B-May).
Moving Window Regression (MWR) 기법은 전 지구 격자로 이루어진 계절기후예측정보를 활용해 기후학적 원격상관관계를 찾아내는 통계적 기법이다. 본 연구에서는 해당 기법을 적용해 남한지역 벼멸구 발생면적을 예측하기 위한 통계 모형으로 활용하였다. MWR 기법은 Table 1에 제시된 APEC Climate Center (APCC) 계절기후예측자료의 10개 변수를 회귀분석의 설명변수(predictor)로 이용한다.
최종적으로 선정된 통계모형의 예측성을 평가하기 위해 전체 기간(1983-2014) 동안의 관측된 남한지역 벼멸구 발생면적과 해당 통계모형을 통해 예측된 예측값과 비교하였다. 예측성 평가를 위해서는 TCC (Temporal Correlation Coefficient)를 사용하였다. 아래 식에서 O는 관측치, P는 모의치, #는 관측평균, #는 모의평균, n은 자료의 개수를 나타낸다.
성능/효과
벼멸구의 국내 발생 패턴을 설명하기 위해서는 남한지역의 기상기후현상 뿐만 아니라 이동경로 상에 있는 지역의 선행기간 동안의 기후현상, 그리고 이동에 관여하는 대기의 흐름 등을 모두 고려해야 한다. MWR은 계절기후예측정보의 제공시점과 선행시간, 그리고 기후인자의 지체시간 등을 고려하기 때문에 이러한 벼멸구의 비래현상을 설명하는데 적합하다고 판단하였다. 본 연구는 기후모형이 모의하는 기후변수들을 예측인자로 벼멸구의 초기발생부터 타 지역으로의 이동, 최종적으로 남한지역으로 비래하는 일련의 사건들을 설명하려는 최초의 시도이다.
결과적으로 총100회 모의로 부터 얻은 3000개 개별 결과(100회 × 10개 개별모형의 예측인자 × 3개 선행시간)를 바탕으로 TCC가 0값을 중심으로 정규분포하는 결과를 보여 교차검정 알고리즘에서 과대적합이 발생하지 않는 것으로 판단하였다(관련 결과 생략함).
또한 어떤 지역의 기후는 벼멸구의 증식에 직접적인 영향을 주기 때문에 기후조건이 우호적이지 않을 경우 벼멸구가 적게 발생하여 다음 지역으로의 비래 정도, 즉 비래에 성공하는 개체수에도 영향을 주게 된다. 따라서 선 지역의 기후조건과 상관성을 가지고 있는 원격 기후현상이 결과적으로 최종 지역인 남한의 벼멸구 발생면적과도 상관성을 가질 수 있는 것이다. 이러한 가정들을 바탕으로 특정 시공간의 벼멸구 발생 또는 비래와 직접적인 연관성이 있는 지역 기후조건과 높은 원격상관관계를 가지고 있는 대규모 기후현상을 통계적인 방법을 활용해 무작위로 찾아내어 그 중에서 유의미한 통계모형을 찾을 수 있다.
예측성은 1983년부터 2014년까지의 관측값(남한지역 벼멸구 발생면적)과 해당 통계모형이 예측한 예측값과의 Temporal Correlation Coefficient (TCC)를 바탕으로 평가하였다. 모든 모형에서 0.4-0.6 TCC 정도를 보이고 있으며, 각 월별 모형에서 다양한 선행시간을 가지는 통계모형이 선택되었다. 특히 2월은 1개월에서 3개월까지의 선행시간을 가진 모형이 모두 선택되었고 그 중 3개월 선행시간을 가진 모형이 가장 높은 예측성을 보여주었다.
벼멸구의 대규모 방제가 대부분 7월 이후에 이루어지는 것을 감안하면 5월과 6월의 1개월 선행시간을 가지는 모형, 즉JMA–SST와 NCEP-V200의 잠재적 효용성이 클 것으로 판단하였다.
, 2014; Otuka, 2013). 본 연구를 통해 개발된 MWR통계모형은 통계적인 상관관계를 바탕으로 특정 지역의 기후변수를 선정한 것이기 때문에, 현 시점에서는 벼멸구의 발생 및 이동과 물리적으로 연관되어 있음을 보이는 것이 불가능하다. 따라서 후향적(retrospective) 연구의 첫 단계로써 통계적 기법을 활용하여 벼멸구의 비래와 연관성이 높은 특정 지역의 기후현상이 우선 선정되었다면 이를 바탕으로 한 기후 역학적인 후속 연구가 반드시 뒤따라야 한다.
따라서 선 지역의 기후조건과 상관성을 가지고 있는 원격 기후현상이 결과적으로 최종 지역인 남한의 벼멸구 발생면적과도 상관성을 가질 수 있는 것이다. 이러한 가정들을 바탕으로 특정 시공간의 벼멸구 발생 또는 비래와 직접적인 연관성이 있는 지역 기후조건과 높은 원격상관관계를 가지고 있는 대규모 기후현상을 통계적인 방법을 활용해 무작위로 찾아내어 그 중에서 유의미한 통계모형을 찾을 수 있다.
이후 5월 중순부터 6월 초순까지 베트남 북부와 남중국, 미얀마에서 발생한 벼멸구는 북쪽으로 몬순을 따라 이동하게 되는데, 이 때 선택된 MWR 통계모형은 필리핀과 인도네시아를 경계로 하는 남서태평양 지역의 해수면 온도(sea surface temperature, SST) 변수를 통해 상관계수 0.56의 예측성을 보이는 것으로 나타났다(Fig. 4B-June). 동아시아 몬순의 북진과 이 지역의 SST와 연관성이 있어 벼멸구의 비래에까지 영향을 미칠 가능성이 있음을 추정할 수 있다.
벼멸구의 대규모 방제가 대부분 7월 이후에 이루어지는 것을 감안하면 5월과 6월의 1개월 선행시간을 가지는 모형, 즉JMA–SST와 NCEP-V200의 잠재적 효용성이 클 것으로 판단하였다. 특히 2개 모형 모두 0.55 이상의 상대적으로 높은 예측성을 보이고 있어 실제 현장에서의 활용 가능성 또한 높을 것으로 예상하였다.
후속연구
따라서 기후요소만을 고려한 MWR 통계모형을 통해 국내 벼멸구 발생면적을 예측하기에는 명확한 한계점이 존재한다. 결과적으로 계절기후예측정보를 활용한 벼멸구 계절전망의 예측성을 높이기 위해서는 추후 다양한 요소들의 상호작용을 통합하여 시뮬레이션할 수 있는 기술이 개발되어야 할 것이다.
본 연구를 통해 개발된 MWR통계모형은 통계적인 상관관계를 바탕으로 특정 지역의 기후변수를 선정한 것이기 때문에, 현 시점에서는 벼멸구의 발생 및 이동과 물리적으로 연관되어 있음을 보이는 것이 불가능하다. 따라서 후향적(retrospective) 연구의 첫 단계로써 통계적 기법을 활용하여 벼멸구의 비래와 연관성이 높은 특정 지역의 기후현상이 우선 선정되었다면 이를 바탕으로 한 기후 역학적인 후속 연구가 반드시 뒤따라야 한다. 후속 연구는 기후과학과 농학의 융합연구로써 벼멸구의 발생생태에 영향을 미치는 기후조건 및 기후현상과의 원격상관관계를 밝히는 연구가 이루어져야 할 것이다.
특히 최근에 과대 혹은 과소 모의의 경향성이 강해지는데, 2010년에는 예측값이 실제 관측된 발생면적을 2배 이상 과대모의하였고, 2013년의 경우 모형의 예측값이 실제 발생면적의 1/2 이하로 과소모의하였다. 이러한 통계모형이 가지는 한계는 한 가지 설명변수가 아닌2개 이상의 설명변수를 사용해 다중회귀모형을 이용하여 극복할 수도 있고, 통계모형 결과에 더해 과정기반 해충모형의 결과를 통합적으로 분석하여 해결할 수도 있을 것이다.
후속 연구는 기후과학과 농학의 융합연구로써 벼멸구의 발생생태에 영향을 미치는 기후조건 및 기후현상과의 원격상관관계를 밝히는 연구가 이루어져야 할 것이다. 이와 더불어, 벼멸구의 발생 정도에 기여하는 매우 다양한 요소를 종합적으로 고려한다면 좀 더 정확한 예측이 가능할 것으로 생각된다. 실제 국내 벼멸구 발생에는 기후요소 뿐만 아니라 약제방제, 천적과 같은 생물적 요인, 그 외 재배기술이나 사회경제적 요인 등이 중요한 역할을 하는 것으로 알려져 있다.
따라서 후향적(retrospective) 연구의 첫 단계로써 통계적 기법을 활용하여 벼멸구의 비래와 연관성이 높은 특정 지역의 기후현상이 우선 선정되었다면 이를 바탕으로 한 기후 역학적인 후속 연구가 반드시 뒤따라야 한다. 후속 연구는 기후과학과 농학의 융합연구로써 벼멸구의 발생생태에 영향을 미치는 기후조건 및 기후현상과의 원격상관관계를 밝히는 연구가 이루어져야 할 것이다. 이와 더불어, 벼멸구의 발생 정도에 기여하는 매우 다양한 요소를 종합적으로 고려한다면 좀 더 정확한 예측이 가능할 것으로 생각된다.
질의응답
핵심어
질문
논문에서 추출한 답변
현재 우리나라로 오는 벼멸구 비래의 근원지는 어디로 생각되는가?
비래 시 저기압과 같은 대기현상이나 저층 제트기류 분석을 통해 벼멸구 비래의 근원을 추측하는 많은 연구들이 이루어졌다. 현재까지의 연구결과들은 베트남 남부지역이 벼멸구 비래의 근원지라고 지적하고 있는데, 중국의 남동부와 베트남의 Red River 이북 일부지역에서 생성된 기류가 한국이나 일본 쪽으로 발전하는 형태일 때 이 기류를 타고 벼멸구가 비래한다고 추정하고 있다(Choi, 1998; Kisimoto and Sogawa, 1995; Sogawa, 1997). 벼멸구가 우리나라로 비래하는 시기는 연도에 따라 다소 차이가 있으나 6월말부터 7월에 걸쳐 비래하기 시작하여 국내 논 포장에서 3-4세대를 거치면서 8월 전후로 심각한 피해를 일으킨다.
벼멸구란 무엇인가?
벼멸구는 우리나라를 비롯한 아시아의 주요 벼 재배국가에 광범위하게 분포하고 있는 벼의 주요 해충이다. 생육환경이 기온에 제한적이어서 적도 근처 열대지방에서는 연중 발생하지만 중국 본토나 한국, 일본 등 온대지역에서는 월동하지 못하고 중국 남부, 동남아 등에서 저기압 기류를 타고 비래하여 피해를 일으킨다(Park et al.
벼멸구 비래가 이루어지는 시기는 언제인가?
현재까지의 연구결과들은 베트남 남부지역이 벼멸구 비래의 근원지라고 지적하고 있는데, 중국의 남동부와 베트남의 Red River 이북 일부지역에서 생성된 기류가 한국이나 일본 쪽으로 발전하는 형태일 때 이 기류를 타고 벼멸구가 비래한다고 추정하고 있다(Choi, 1998; Kisimoto and Sogawa, 1995; Sogawa, 1997). 벼멸구가 우리나라로 비래하는 시기는 연도에 따라 다소 차이가 있으나 6월말부터 7월에 걸쳐 비래하기 시작하여 국내 논 포장에서 3-4세대를 거치면서 8월 전후로 심각한 피해를 일으킨다. 비래하는 시기와 양, 당시의 기상조건 등에 따라 그 해의 발생정도가 결정되는데, 국내에서는 1975년, 1983년, 1985년에 전국적인 대발생 기록이 있다.
참고문헌 (28)
Chang, C.-P., Zhang, Y., Li, T., 1999. Interannual and interdecadal variations of the East Asian summer monsoon and tropical pacific SSTs. Part II: Meridional structure of the monsoon. J. Climate 13, 4326-4340.
Cho, J., 2014. Development of integrated methods for long-term water quantity and quality prediction using seasonal climate prediction. APCC Research Report 2015-13.
Choi, G.M., 1998. Occurrence and control methods for brown planthopper and white backed planthopper. Rural Development Administration, Korea, 193pp. (In Korean)
Choi, K.-S., Moon, I.-J. 2013. Two climate factors in May that affect Korean rainfall in September. Acta Oceanol. Sin. 32, 32-47.
Hu, G., Lu, F., Zhai, B.-P., Lu, M.-H., Liu, W.-C., Zhu, F., et al., 2014. Outbreaks of the Brown Planthopper Nilaparvata lugens (Stal) in the Yangtze River Delta: Immigration or Local Reproduction? PLoS ONE 9, e88973.
Hyun, J.S., 1982. Meteorological condition and pest management. Korean J. Crop Sci. 27, 361-370.
Kang, H., Park, C.-K., Hameed, S. N., Ashok, K., 2009. Statistical downscaling of precipitation in Korea using multimodel output variables as predictors. Mon. Weather Rev. 137, 1928-1938.
Kang, S., Hur, J., Ahn, J. B., 2014. Statistical downscaling methods based on APCC multi-model ensemble for seasonal prediction over South Korea. International J. Climatol. 34, 3801-3810.
Kim, M.-K., Kim, Y.-H., Lee, W.-S., 2007. Seasonal prediction of Korean regional climate from preceding large-scale climate indices. Int. J. Climatol. 27, 925-934.
Kim, Y.-H., Kim, M.-K., Lee, W.-S., 2008. An Investigation of Large-Scale Climate Indices with the influence on Temperature and Precipitation Variation in Korea. Atmosphere 18, 85-97.
Kisimoto, R., Sogawa, K., 1995. Migration of the brown planthopper, Nilaparvata lugensand the white-backed planthopper Sogatella furcifera in East Asia: the role of weatherand climate, pp. 67-91. In V. A. Drake and A. G. Gatehouse (eds.), Insect migration: tracking resources through space and time. Cambridge University Press, Cambridge, UK.
Lee, S.W., 2012. Moving simulation of migratory insects and surveillance system of their occurrence. Rural Development Administration, Korea, 73pp. (In Korean)
Matsumura, M., Takeuchi, H., Satoh, M., Sanada-Morimura, S., Otuka, A., Watanabe, T., Van Thanh, D., 2009. Current status of insecticide resistance in rice planthoppers in Asia, In Heong KL, Hardy B, editors. 2009. Planthoppers: new threats to the sustainability of intensive rice production systems in Asia. Los Banos (Philippines): International Rice Research Institute. pp 233-244.
Otuka, A., 2013. Migration of rice planthoppers and their vectored re-emerging and novel rice viruses in East Asia. Front. Microbiol. 4, Article 309.
Park, C.G., Hyun, J.S., 1983. Effects of temperatures and relative humidities on the development of brown planthopper, Nilaparvata lugens (Stal). Kor. J. Pl. Prot. 22, 262-270.
Park, J.S., Park, K.T., Choi, K.R., Paik, J.C., 1975. Studies on the investigating method on migratory insects. Ann. Rept. Inst. Agric. Sci. 2, 85-91.
Peng, Z., Wang, Q.J., Bennett, J.C., Pokhrel, P., Wang, Z., 2014. Seasonal precipitation forecasts over China using monthly largescale oceanic-atmospheric indices. J. Hydrol. 519, 792-802.
RDA, 2010. Crop Diseases and Pests Monitoring Management Report (1979-2010). Rural Development Administration, Korea.
Schepen, A., Wang, Q.J., Robertson, D., 2012. Evidence for using lagged climate indices to forecast Australian seasonal rainfall. J. Climate 25, 1230-1246.
Selvin, S., 2004. Statistical analysis of epidemiologic data (No. Ed. 3). Oxford University Press.
Sidhu, G.S., Khush, G.S., 1978. Genetice analysis of brown planthopper resistance in twenty varieties of rice, Oryza sativa L. Theor. Appl. Genet. 53, 1999-2003.
Sogawa, K., 1997. Overseas immigration of rice planthoppers into Japan and associatedmeteorological systems. pp. 13-35 in China National Rice Research Institute (Ed.) Proceedings of China-Japan Joint Workshop on "Migration and Management of Insect Pest of Rice in Monsoon Asia", November 27-29, 1997, Hangzhou, P.R. China.
Song, Y., Lee, J.H., 2007. Studies on the prediction models for the outbreaks of the long range migratory planthoppers on rice. Rural Development Administration, Korea, 90pp.
Stigter, J., 2012. Climate-smart agriculture can diminish planthopper outbreaks, but a number of bad habits are counterproductive. http://ricehoppers.net/2012/02/29/cimate-smart-agriculturecan-diminish-planthopper-outbreaks-but-a-number-of-bad-habitsare-counterproductive/ (accessed on 23 March, 2016).
Trenberth, K.E., 1997. The definition of el nino. B. Am. Meteorol. Soc. 78, 2771-2777.
Wu, Z., Wang, B., Li, J., Jin, F.-F., 2009. An empirical seasonal prediction model of the East Asian summer monsoon using ENSO and NAO. J. Geophys. Res. 114, D18120.
Xiaoqing, X., Baoping, Z., Xiaoxi, Z., Xianian, C., Jianqiang, W., 2007. Teleconnection between the early immigration of brown planthopper (Nilaparvata lugens Stal) and ENSO indices: implication for its medium-and long-term forecast. Acta Ecol. Sin. 27, 3144-3154.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.