Introduction
Materials and Methods
토양 채취 및 특성 분석
색 변수 추출
통계 분석 및 검증
Results and Discussion
Pearson 상관계수분석
다중회귀분석
예측 모델 검증
Conclusions
Introduction
전 세계적으로 토양은 약 1,500 Pg의 탄소 (C)를 저장하고 있으며, 이로 인해 토양은 대기 중 이산화탄소 (CO2)의 흡수원으로 작용한다 (Post et al., 2001). 토양 내 탄소 함량은 장기간 경작 활동이 이루어진 농경지에서 점차 감소하는 경향을 보이며, 이러한 현상은 토양 침식, 통기성 및 복원력 저하와 같은 문제를 야기시킨다 (Bradford et al., 2019). 또한, 토양 내 탄소 함량과 유기물 함량은 양의 상관관계를 나타내며, 작물 생육 증진 및 토질 향상을 위해서는 토양 내 탄소 함량이 높을수록 유리하다 (Jung and Kim, 2006). 하지만 토양 내 탄소 저장량 평가를 위해 선행되어야 하는 탄소 함량 분석은 일반적으로 고가의 장비를 필요로 하여 제한된 공간에서 이루어지며, 노동력과 시간이 많이 소모되는 한계점이 있다 (Yang et al., 2021). 최근 이를 보완하기 위한 분광학적 분석 방식이 개발되었으나 이 또한 전문적인 장비가 필요하며, 비용이 많이 들고, 사용 방법이 복잡하다는 한계점을 가지고 있다 (Kim and Hong, 2002; Angelopoulou et al., 2020; Yang et al., 2021). 이러한 상황에서 최근 스마트폰의 보급 및 사용량 증가와 함께 스마트폰 사진의 품질이 향상되면서 스마트폰의 사진과 토양 색의 관계를 기반으로 토양 내 탄소 함량을 예측하는 방식과 관련된 연구가 활발하게 진행되고 있다 (Moritsuka et al., 2014; Vodyanitskii and Savichev, 2017; Yang et al., 2021; Yoo et al., 2021; Park and Choi, 2022; Sonn et al., 2022).
토양의 색은 탄소 함량에 영향을 미치는 요소 중 하나이며, 색깔 외에도 수분함량, 온도, 유기물 함량, 미생물 군집 등이 탄소 함량에 영향을 미칠 수 있다 (Yoo et al., 2021). 일반적으로 표토 토양의 색은 탄소 함량과 음의 상관관계를 나타내며, 토양의 색이 어두워질수록 탄소 함량은 증가하는 경향을 나타낸다 (Hyun et al., 2022). Fu et al. (2020)은 표토에서 채취한 토양의 색과 수분함량 사이의 상관관계에 대한 연구를 진행하였으며, 토양 내 수분함량이 증가할수록 토양의 색이 어두워진다고 보고하였다. 또한 해당 연구에서는 토양 내 유기물 함량 예측 시 토양 수분함량을 독립변수로 포함 시 예측 모델의 정밀도가 증가한다고 보고한 바 있다. 또 다른 선행 연구에서는 유기물 함량을 이용하여 토양 수분함량 예측 모델을 개발하였으며, 이를 통해 토양 수분함량과 탄소 함량은 밀접한 연관이 있음을 확인하였다 (Hur et al., 2014).
본 연구에서는 스마트폰과 통계적인 방법을 이용하여 국내 농경지 토양 내 탄소 함량 예측 모델을 개발하고자 하였으며, 이를 통해 기존의 토양 탄소 분석 방법의 한계점을 보완할 수 있는 새로운 탄소 함량 분석방법을 제시하고자 하였다.
Materials and Methods
토양 채취 및 특성 분석
예측 모델 개발을 위해 사용한 토양 시료는 충청남도와 충청북도에 위치한 농경지에서 채취하여 사용하였으며, 채취한 시료는 농경지 유형에 따라 밭, 논, 과수원 토양으로 구분하였다. 토양 시료 채취에는 one-piece gouge auger (Eijkelkamp, Giesbeek, Netherlands)를 이용하였으며, 수분 손실을 방지하기 위해 시료를 알루미늄 호일로 감싸서 보관하였다.
채취한 토양의 특성은 물리성 (용적 밀도, 중량수분함량)과 화학성 (수소이온농도, 전기전도도, 총 탄소 함량, 유기물 함량)으로 구분하여 분석하였다. 토양의 용적 밀도 (bulk density)와 중량수분함량 (gravimetric water content)은 forced convention oven (OF-12, Jeio-tech, Seoul, Korea)을 이용하여 건조 전 ‧ 후 무게 차이를 통해 계산하였으며, 물리성 분석을 끝낸 시료는 2 mm 체를 통과시켜 화학성 분석에 이용하였다. 토양의 수소이온농도 (pH)와 전기전도도 (electrical conductivity, EC)는 시료와 증류수를 1:5 (w v-1)의 비율로 혼합한 후 상층액을 Benchtop Meter with pH and EC (ORIONTM Versa Star ProTM, Thermo Scientific Inc., Waltham, Massachusetts, USA)로 측정하였다. 총 탄소 함량 (total carbon content, T-C)은 CHN analyzer (TruSpec Micro, Leco, Michigan, USA)를 이용하여 분석하였으며, T-C 결과값에 1.724를 곱하여 유기물 함량 (organic matter content, OM)을 계산하였다. 본 실험에 이용한 토양의 물리화학적 특성은 Table 1에 나타내었다.
Table 1.
Physical and chemical properties of soil used in statistical analysis.
색 변수 추출
색 변수 추출을 위한 사진은 건조 전 토양 시료를 실내에서 스마트폰을 이용하여 촬영하였으며, 4개사에서 제조한 스마트폰을 사용하여 색을 추출하였다. 실험에 사용한 스마트폰의 종류 및 특징은 Table 2에 나타내었다. 색 변수 추출 시 카메라 어플리케이션에 따른 변수를 제거하기 위해 색 보정이 없는 기본 카메라 어플리케이션을 사용하였으며, 촬영한 사진은 색상 분석 프로그램 (ColorCop, Massachusetts, USA)을 이용하여 RGB값을 추출하였다. 실험에 이용한 CIE-L*a*b*의 색 변수는 추출한 RGB값을 이용하여 계산하였으며, CIE-L*c*h*값과 CIE-L*u*v*값은 CIE-L*a*b*값을 이용하여 계산하였다.
Table 2.
Smartphone used for extracting color variables.
| Country | Company | Product name | Pixel |
| Korea | Samsung | Galaxy S10 | 12 MP† |
| LG | V50 ThinQ | ||
| USA | Apple | iPhone 6s | |
| China | Xiaomi | MI MAX 2 |
통계 분석 및 검증
통계 분석은 Python version 3.10.4 (Wilmington, State of Delaware, USA) 프로그램을 사용하여 수행하였다. 토양 내 탄소 함량 예측 모델 개발을 위한 색 변수와 수분함량, 용적 밀도는 독립변수로 이용하였으며, 토양 내 탄소 함량은 종속변수로 설정하였다. 도출한 예측 모델의 신뢰도는 조정된 결정 계수 (adjusted coefficient of determination, Adj. R2)와 평균 제곱근 오차 (root mean square error, RMSE), 평균 절대 비율 오차 (mean absolute percentage error, MAPE)를 이용하여 검증하였다. 조정된 결정 계수 (Adj. R2)의 경우 유의하지 않은 독립변수의 추가로 인한 결정 계수 (coefficient of determination, R2)의 증가를 보완하기 위해 사용하는 방식으로 사용한 독립변수의 수가 2개 이상일 경우 조정된 결정 계수 (Adj. R2)를 사용하는 것이 적합하다. 최종 도출한 예측 모델의 다중 공선성 문제 발생 여부는 분산 팽창 인수 (variance inflation factor, VIF)를 분석하여 확인하였다. 다중회귀분석 시 사용하는 VIF 분석은 다중 공선성 문제를 확인하기 위한 지표로 주로 사용되며, 일반적으로 5 이하일 때 다중 공선성 문제를 발생하지 않을 것으로 판단한다 (Akinwande et al., 2015).
Results and Discussion
Pearson 상관계수분석
각 변수간 상관관계는 Pearson 상관계수 (Pearson’s r)를 이용하여 분석하였으며, 분석한 결과는 Table 3에 나타내었다. RGB값과 CIE-L*a*b*는 각각 상호간 높은 상관관계를 나타내었으며, 특히, 변수 G (green)와 변수 L* (lightness)의 상관계수가 +0.979으로 가장 높게 나타났다. 이러한 높은 상관관계를 보이는 변수가 예측 모델에 포함되는 경우 높은 확률로 다중 공선성 문제가 발생할 것으로 판단되어 해당 변수를 모두 제거하였다. 최종적으로 예측 모델 도출을 위해 선정한 변수는 Fig. 1에 나타내었으며, 이는 탄소 함량을 기준으로 나타내었다. 탄소 함량과 가장 높은 양의 상관관계를 나타내는 변수는 수분함량 (Pearson’s r = +0.587)이었으며, 이를 통해 토양 수분함량이 높을수록 토양 내 탄소 함량도 높게 측정됨을 확인하였다. 가장 높은 음의 상관관계를 나타내는 변수는 CIE-L*a*b*값 중 b* (blueness)변수였으며, Pearson’s r은 -0.690이었다. 토양 시료를 농경지 유형별로 구분한 후 Pearson 상관관계를 분석한 결과는 Fig. 2에 나타내었다. 토양의 수분함량은 모든 유형의 토양에서 탄소 함량과 양의 상관관계를 나타내었으며, 농경지 유형에 따라 각각 +0.531 (밭), +0.594 (논), +0.736 (과수원)이었다. 토양의 색을 나타내는 변수는 전체 토양을 대상으로 수행한 결과와 유사한 경향을 나타내었다 (Fig. 1). 또한, 각 농경지 유형별 Pearson 상관관계 분석 결과는 사용된 변수가 모두 상이하게 나타났는데, 이는 변수의 유의 수준 (P > [t])이 0.05 이상으로 나타나 해당 변수는 유의하지 않다고 판단하여 제거한 결과이다.
Table 3.
Summary of Pearson’s correlation matrix.
†R, red; G, green; B, blue; L*, lightness; a*, chroma representing the degree of greenness; b*, chroma representing the degree of blueness; c*, chroma; h*, hue; u*, chroma representing the degree of greenness; v*, chroma representing the degree of blueness; M, gravimetric water content; BD, bulk density; T-C, soil carbon content.
다중회귀분석
앞서 수행한 Pearson 상관계수분석은 변수 사이의 연관성을 분석하는 방법으로 다수의 독립변수가 종속변수에 미치는 영향력의 정도는 파악하기 어렵다 (Yoo et al., 2021). 이에 따라 최소 자승법 (ordinary least squares method, OLS)을 이용하여 다중회귀분석을 수행하였으며, 다중회귀분석을 수행한 결과는 Table 4에 나타내었다. 전체 시료를 대상으로 작성한 예측 모델에 사용한 변수 중 용적 밀도의 영향력이 가장 강한 것으로 확인하였으며, 영향력을 나타내는 계수 (coefficient, Co-ef)는 -0.0436이었다. 또한, 예측 모델 도출에 사용된 변수의 유의 수준 확인 시 모두 0.05 이하로 나타나 모두 예측 모델 내에서 유의하게 작용하는 변수임을 확인하였다. 최종적으로 다중회귀분석을 이용한 토양 내 탄소 함량 예측 모델은 Eq. 1과 같다. 밭 토양 시료를 이용하여 다중회귀분석을 수행한 결과는 Table 5에 나타내었다. 밭 토양을 이용한 예측 모델은 색상 (hue)을 나타내는 h* 변수를 제거한 후에 수행하였으며, 이는 유의 수준을 근거로 판단하였다. 밭 토양 내 탄소 함량 예측 모델은 용적 밀도의 영향력 (Co-ef)이 -0.0642로 가장 높았으며, 이는 전체 시료를 이용한 예측 모델과 유사한 경향이었다. 논 토양을 이용하여 다중회귀분석을 수행한 결과는 Table 6에 나타내었으며, 용적 밀도를 독립변수에서 제외한 후 예측 모델을 도출하였다. 논 토양 내 탄소 함량 예측 모델에서는 h*의 영향력이 -0.0406로 가장 높았으며, L*의 영향력은 -0.0044로 가장 낮았다. 과수원 토양을 이용하여 다중회귀분석을 수행한 결과는 Table 7에 나타내었다. 과수원 토양 내 탄소 함량 예측 모델의 경우 h*와 용적 밀도를 제외한 후에 작성하였으며, 수분함량의 영향력이 +0.0270로 가장 높게 나타났다. 농경지 유형별 토양 내 탄소 함량 예측 모델은 Eq. 2, Eq. 3, Eq. 4에 각각 나타내었다. 다중 공선성 문제 발생 여부를 확인하기 위한 VIF 분석 결과, 본 연구에서는 예측 모델 도출을 위한 사용한 모든 변수의 VIF값이 모두 5 이내였으며, 이를 통해 본 연구에서 도출한 예측 모델은 다중 공선성 문제가 발생하지 않을 것으로 판단하였다.
(Eq. 1)
Soil carbon content (%) = 0.7690 - 0.0046[L*] - 0.0258[b*] - 0.0163[h*]+ 0.0265[gravimetric water content, %] - 0.0436[bulk density, g cm-1] (R2 = 0.696)
(Eq. 2)
Upland soil carbon content (%) = 0.7199 - 0.0057[L*] - 0.0218[b*]+ 0.0295[gravimetric water content, %] - 0.0642[bulk density, g cm-1] (R2 = 0.644)
(Eq. 3)
Paddy soil carbon content (%) = 0.7636 - 0.0044[L*] - 0.0286[b*] - 0.0406[h*]+ 0.0258[gravimetric water content, %] (R2 = 0.742)
(Eq. 4)
Orchard soil carbon content (%) = 0.5752 - 0.0034[L*] - 0.0249[b*]+ 0.027[gravimetric water content, %] (R2 = 0.756)
Table 4.
Summary of ordinary least squares regression analysis using total soil samples.
Table 5.
Summary of ordinary least squares regression analysis using upland soil samples.
Table 6.
Summary of ordinary least squares regression analysis using paddy soil samples.
Table 7.
Summary of ordinary least squares regression analysis using orchard soil samples.
예측 모델 검증
예측 모델의 검증은 Adj. R2, RMSE, MAPE를 이용하였으며, 본 예측 모델의 검증 결과는 Table 8에 나타내었다. 전체 시료에 대한 예측 모델의 Adj. R2는 0.696이었으며, 본 연구에서 도출해낸 예측 모델은 3개 이상의 변수를 독립변수로 사용하였기에 Adj. R2를 이용하여 전체 시료에 대한 예측 모델과 농경지 유형별 예측 모델의 신뢰도를 비교하였다. 밭 토양을 이용한 예측 모델의 Adj. R2는 0.644로 가장 낮았으며, 과수원 토양을 이용한 예측 모델의 Adj. R2는 0.756으로 가장 높았다. 논 토양을 이용한 예측 모델의 Adj. R2는 0.742로 과수원 토양을 이용한 예측 모델에 비해 2% 가량 낮았지만 전체 시료를 이용한 예측 모델과 비교하였을 때에는 약 7% 가량 높은 수치였다. 이를 통해 논 토양과 과수원 토양의 경우 각각의 토양을 이용하여 작성한 예측 모델을 사용하는 것이 탄소 함량 예측에 유리할 것으로 판단하였다.
Table 8.
Validation results of predictive model for soil carbon content.
| Samples | Adj. R2† | RMSE‡ | MAPE§ |
| Total soil | 0.696 | 0.02 | 29.73 |
| Upland soil | 0.644 | 0.02 | 29.71 |
| Paddy soil | 0.742 | 0.03 | 29.55 |
| Orchard soil | 0.756 | 0.02 | 26.00 |
예측 모델의 RMSE는 논 토양을 이용한 예측 모델에서 0.03으로 가장 높았으나 다른 예측 모델의 0.02와 비교하였을 때 큰 차이를 나타내지 않았다. 이를 통해 본 연구에서 도출한 예측 모델은 모두 유사한 오차의 범위를 가질 것으로 판단하였다. 예측 모델의 MAPE는 전체 시료에 대한 예측 모델에서 29.73으로 가장 높았으며, 과수원 토양을 이용한 예측 모델에서 26.00으로 가장 낮았다. 또한, 전체 시료에 대한 예측 모델과 농경지 유형별 예측 모델을 비교 시 농경지 유형별 예측 모델의 MAPE가 더 낮게 측정되었다. 이는 전체 시료를 이용한 예측 모델에 비해 농경지 유형별로 작성한 예측 모델의 예측 효율이 더 좋다고 판단할 수 있다. 전체 시료에 대한 예측 모델과 농경지 유형별 예측 모델을 비교한 결과는 Fig. 3에 나타내었다. 밭, 논, 과수원 토양 모두 전체 시료에 대한 예측 모델을 대입하였을 때에 비해 농경지 유형으로 구분한 예측 모델을 대입하였을 때 더 높은 R2를 나타내었다. 밭 토양 시료의 경우 전체 시료에 대한 예측 모델과 밭 토양에 대한 예측 모델을 대입하였을 때의 R2는 각각 0.640과 0.645였으며, 논 토양 시료의 경우에는 각각 0.738과 0.744로 농경지 유형별 예측 모델의 신뢰도가 높게 나타났다. 과수원 토양 시료에서도 예측 모델의 R2는 각각 0.754와 0.761로 과수원 토양을 이용한 예측 모델에서 소폭 높게 나타났다. 이러한 결과는 앞서 분석한 MAPE와도 유사한 경향이었으며, 이를 통해 토양 내 탄소 함량은 농경지 유형에 따라 분류한 모델을 이용 시 정확하게 예측할 수 있을 것으로 판단하였다.
Conclusions
본 연구는 국내 농경지에서 채취한 토양 시료를 촬영한 스마트폰 사진과 다중회귀분석을 이용하여 예측 모델을 개발하기 위해 수행되었으며, 이를 통해 기존의 탄소 함량 분석 방식의 한계점을 보완하고자 하였다. 독립변수는 Pearson 상관계수분석을 통해 높은 상관관계를 나타내는 변수를 제거한 후 사용하였고, 탄소 함량을 종속변수로 설정하였다. 예측 모델에 사용된 독립변수는 모두 유의 수준이 0.05 이하인 변수만을 사용하였고, 각 변수의 VIF값이 모두 5 이하로 나타나 다중 공선성 문제는 발생하지 않을 것으로 판단하였다. 예측 모델 검증을 위해서 Adj. R2, RMSE, MAPE를 사용하였으며, 검증 지표 및 예측 모델을 대입한 결과는 전체 시료에 대한 예측 모델에 비해 농경지 유형별 예측 모델이 우수한 모델임을 나타내었다. 따라서 농경지 유형에 따라 토양을 분류한 후 농경지 유형별 예측 모델을 적용하는 것이 토양 내 탄소 함량 예측에 유리하다고 판단된다. 하지만 본 연구에서 사용한 토양은 충청지역에 위치한 일부 농경지에서 채취한 토양이며, 이러한 토양이 모든 토양을 대표할 수 없기 때문에 다양한 종류의 토양을 채취하여 예측 모델이 작성하는 것이 필요할 것으로 사료된다.
