Original research article

Korean Journal of Soil Science and Fertilizer. 31 August 2023. 209-216
https://doi.org/10.7745/KJSSF.2023.56.3.209

ABSTRACT


MAIN

  • Introduction

  • Materials and Methods

  •   Study area and soil survey

  •   Environmental covariates

  •   Calculation of soil carbon stock

  •   Modeling and validation

  • Results and Discussion

  •   Soil carbon stock

  •   Validation of spatial model

  • Conclusions

Introduction

Digital soil mapping (DSM, 디지털 토양도) 기술은 토양의 특성과 그에 영향을 미치는 환경요인을 기반으로 통계적으로 접근하여 토양의 특성을 지도의 형태로 나타내는 기술이다 (Minasny et al., 2013; Park et al., 2020). DSM 기술 적용 시 사용되는 환경요인은 주로 토양 생성에 관련된 요인으로 구성되어 있으며, McBratney et al. (2003)에서는 이를 SCORPAN model로 설명하였다. 선행연구에서 제시한 SCORPAN model 중 S (soil)는 토양의 특성을 나타내며, C (climate)는 기후, O (organisms)는 식생, R (relief)은 지형의 특성, P (parent materials)는 모재 특성, A (age)는 시간, N (space)은 공간정보를 의미한다 (McBratney et al., 2003; Minasny et al., 2013; Park et al., 2020, 2021). DSM 기술은 다음과 같은 3가지의 이유로 전 세계적 수요가 급증하고 있다: (1) 제한된 재정과 노동력 이용, (2) DSM 기술이 제공하는 정보에 대한 실질적 요구, (3) 정량적이고, 재현성 높은 결과를 얻고자 하는 욕구 (Khaledian and Miller, 2020). 초기 DSM 기술이 도입되었을 때, 인공신경망 (artificial neural network, ANN) 혹은 다중선형분석 (multiple linear regression, MLR) 알고리즘이 주로 선호되었으나, 최근에는 선형과 비선형 관계를 모두 포함하여 신뢰도가 높은 랜덤 포레스트 (random forest, RF)와 cubist와 같은 알고리즘이 각광받고 있다 (Khaledian and Miller, 2020). 특히, 본 연구에서 사용한 MLR 기법은 DSM 기술을 위해 초기부터 사용되던 기법이며, 사용의 용이성 및 가용성으로 인해 주로 채택되는 기법이다 (McBratney et al., 2003).

DSM 기술을 이용하여 예측할 수 있는 토양 내 탄소 (carbon, C) 저장량은 많은 선행연구에서 예측한 바 있으며, 전 세계적으로 0 - 100 cm 깊이의 토양에는 평균적으로 약 1,460 Pg C (504 - 3,000 Pg C)가 저장되어 있다고 예측된다 (Scharlemann et al., 2014; Gomes et al., 2019). 토양은 생태계 내에서 거대한 탄소 저장소로써 대기 중 이산화탄소 (CO2)의 흡수원으로 작용하며, 대기에 비해 2배 이상의 탄소를 저장하고 있다. 또한, 기후변화 완화 대책 수립 시, 전지구적 탄소 순환을 이해해야 하며, 이를 위해서는 토양 내 탄소 저장량을 파악하는 것은 필수적이다 (Kang et al., 2022). 하지만, 탄소 저장량 산정 시 선행되는 토양 조사 및 특성 분석은 제한된 조건과 환경에서 수행되기 때문에 DSM과 같은 통계 기반의 탄소 저장량 산정 기술의 필요성이 더욱 대두되고 있다 (Park et al., 2020). 또한, 세계의 각국은 국가 온실가스 인벤토리와 UN 사막화 방지 협약에 자국의 탄소 저장량을 보고하고 있는 실정이며, 이 과정에서 DSM 기술을 이용한 정교한 통계 모델의 구축은 매우 효율적으로 작용할 수 있다.

따라서, 본 연구는 digital soil mapping 기술을 이용하여 우리나라 충청도 지역의 농경지 토양 내 탄소 저장량의 공간적 분포를 분석하고, 0 - 30 cm 깊이까지의 탄소 저장량을 예측하고자 하였다.

Materials and Methods

Study area and soil survey

대한민국 중 ‧ 남부에 위치한 충청도는 충청남도, 충청북도, 대전광역시, 세종특별자치시를 포함하며, 전체면적 16,659 km2 중 경지면적은 전체의 약 20% 수준인 3,227 km2이다 (KOSIS, 2022). 충청도는 전형적인 대륙성 기후가 나타나는 지역으로 연 강수량이 6월에서 8월에 집중되는 온대 습윤 기후가 나타나는 것이 특징이다. 탄소 저장량 산정을 위한 토양 조사는 충청도 내 농경지 260지점 (논 123지점, 밭 108지점, 과수원 29지점)을 대상으로 2020년 3월부터 5월과 2021년 3월부터 5월까지 2년에 걸쳐 수행하였으며, 조사 시기는 각 지역의 기후적 및 공간적 특징을 고려하여 설정하였다 (Fig. 1).

https://static.apub.kr/journalsite/sites/ksssf/2023-056-03/N0230560301/images/ksssf_2023_563_209_F1.jpg
Fig. 1.

Soil survey location on Chungcheong province (n = 260).

토양 시료는 표토의 유기물을 제거한 후 10 cm 간격으로 3개 층위 (0 - 10 cm; 10 - 20 cm; 20 - 30 cm)로 구분하여 single gouge auger (Eijkelkamp, Giesbeek, Netherlands)와 core sampler를 이용하여 채취하였다. Single gouge auger로 채취한 시료는 실내에서 건조시킨 후 2 mm 체에 걸러 total carbon (T-C) 함량을 Elemental analyzer (TruSpec Micro, Leco corporation, Michigan, USA)로 분석하였으며, core sampler로 채취한 시료는 core method를 이용하여 용적 밀도 (bulk density)와 수분함량 (moisture content), 자갈함량을 분석하였다. 실험에 이용한 토양의 이화학적 특성을 분석한 결과는 Table 1과 같으며, 토양의 T-C 함량, 용적 밀도, 수분함량, 그리고 자갈함량은 3개 층위의 평균치로 나타내었다.

Table 1.

Physicochemical properties of soil used in digital soil mapping technique (n = 260).

Parameters T-C
(%)
Bulk density
(g cm-3)
Moisture content
(%)
Mean 1.21 1.49 21.75
Maximum 0.08 0.72 67.30
Minimum 7.08 1.96 6.36

T-C, total carbon.

Environmental covariates

탄소 저장량 산정을 위한 회귀 모델의 공변량 (covariate)은 토양 내 탄소 저장량에 영향을 미치는 요인으로 구성하였으며, 선행 연구에서 소개된 SCORPAN model을 기초로 수집하였다 (McBratney et al., 2003). 기후 변량 (climate, C)의 경우 기상청 (Korea Meteorological Administration, KMA)에서 제공하는 10년간 평균 기온 (average temperature, AvTemp)와 평균 강수량 (precipitation), 연평균기온차 (temperature range, TemRange)를 사용하였다. 식생 변량 (organisms, O)은 Google earth를 이용해 위성 영상의 정규식생지수 (normalized difference vegetation index, NDVI)를 다운받아 연단위로 중첩하여 사용하였으며, 지형 변량 (relief, R)은 수치표고모형 (digital elevation model, DEM)을 기초로 이용하여 추출하였다 (Conrad et al., 2015). SAGA GIS software v. 2.1.4를 통해 추출한 지형 변량은 고도 (elevation), 지형습윤지수 (topographic wetness index, TWI), 지형거침지수 (terrain ruggedness index, TRI), 총 일사량 (total insolation), 음영기복 (hill shading), 경사 (slope)의 총 6개이다. 모재 특성 변량 (parent material, P)을 나타내는 모래 (sand), 미사 (silt), 점토 (clay) 함량은 전라지역 농경지 토양의 탄소 저장량을 예측한 선행 연구의 결과를 이용하였으며, 토성을 분석한 결과를 ordinary kriging하여 이용하였다 (Park et al., 2020, 2021). 모든 변량들은 좌표 (coordination system)를 World Geodetic System 1984 (WGS 84)로 통일시켜 사용하였다. 본 연구에서 사용한 공변량은 Fig. 2에 나타내었다.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-03/N0230560301/images/ksssf_2023_563_209_F2.jpg
Fig. 2.

Environmental covariates for estimating soil carbon stock (0 - 30 cm).

Calculation of soil carbon stock

토양 탄소 저장량은 단위면적당 탄소 함량 (%)으로 표시하며, 탄소 함량을 분석한 결과와 함께 core method로 조사한 용적 밀도와 자갈 함량을 고려하여 다음과 같이 계산할 수 있다 (Eq. 1).

(Eq. 1)
Soilcarbonstock(tonCha-1)=i=1k{Bi·Ci·Di}/10·(1-Gi)

위 식에서 BiCi, Di는 각각 용적 밀도 (g cm-3), 탄소 함량 (%), 토양의 높이 (cm)를 나타내며, Gi는 자갈 함량 (%)을 의미한다.

Modeling and validation

충청도 농경지 토양의 공간적 탄소 저장량 산정은 multiple linear regression을 기초로 예측 모델을 작성하였으며, 이는 여러 독립변수 (environmental covariates)와 하나의 종속변수 (soil carbon stock)의 선형 관계를 기초로 모델을 작성하는 방식이다 (Kim, 2019; Kang et al., 2022). 전체 데이터는 calibration set (70%)과 validation set (30%)으로 구분한 후, 10회 반복 수행하여 가장 높은 신뢰도를 나타내는 결과를 나타내었으며, 결과 검증은 coefficient of determination (R2)을 포함하여 mean absolute error (MAE)와 root mean squared error (RMSE), concordance index를 사용하였다. 또한, MLR 기법은 정규성을 만족할 때 사용이 가능하여 Eq. 1을 통해 얻은 결과에 log를 취해 모델링을 수행하였으며, 최종 도출한 값은 재변환하여 나타내었으며, 샤피로윌크 검정 (Shapiro-wilk test)을 통해 정규성을 확인하였다.

(Eq. 2)
R2=i=1n(predi-obs)2/i=1n(obsi-obs)2
(Eq. 3)
MAE=1ni=1n(obsi-predi)
(Eq. 4)
RMSE=1ni=1n(obsi-predi)2
(Eq. 5)
Concordanceindex=inTj>Ti1fi-fj/in{Tj>Tii

위 식에서 obsipredi는 각각 탄소 저장량의 실측 값과 예측 값을 나타내며, n은 표본 수를 의미한다. 또한, Eq. 5TiFi는 각각 시료 i에 대한 관측된 생존 시간과 예측된 생존 시간을 나타낸다.

Results and Discussion

Soil carbon stock

Multiple linear regression을 이용하여 도출한 충청지역의 탄소 저장량 지도는 Fig. 3에 나타내었다. Multiple linear regression을 이용하여 예측한 0 - 30 cm 깊이 농경지 토양 내 탄소 저장량의 최솟값과 최댓값은 각각 25.11 ton C ha-1와 183.55 ton C ha-1이었으며, 평균값은 46.92 ± 13.66 ton C ha-1으로 조사되었다. 토양 탄소 저장량의 공간적 분포를 확인한 결과, 충청남도에 비해 충청북도 토양의 탄소 저장량이 높은 것으로 조사되었으며, 특히, 충청북도 단양군에 위치한 농경지에서 가장 높은 탄소 저장량을 나타내었다. 이와 반대로 충청남도에 위치한 지역 중 서해안과 맞닿은 지역의 농경지에서는 낮은 탄소 저장량이 분포함을 확인하였다. 탄소 저장량이 높게 조사된 충청북도 단양군은 산지성 전작으로 인해 장기간에 걸쳐 토양 내 유기물이 퇴적되어 높은 탄소 저장량을 나타내는 것으로 판단된다 (Lim, 2000). 또한, Cubist model을 이용하여 전라도 내 농경지 토양의 탄소 저장량 예측한 선행연구에서도 서해안 인접 지역에서 상대적으로 낮은 탄소 저장량이 예측되었다고 보고되어 충청도에 위치한 농경지 중 서해안 인접 지역에서 낮은 탄소 저장량을 나타낸 본 연구 결과와 유사한 경향을 나타내었다 (Park et al., 2020).

본 연구의 결과를 토대로 하여 충청도 농경지 토양의 탄소 저장량 가치평가를 수행하였으며, 예측된 토양 탄소 저장량의 평균값 (46.92 ton C ha-1)과 충청도 내 경지면적 (ha), 탄소의 사회적 비용 (266,746원/톤)을 이용하여 계산하였다. 국가통계포털 (Korean Statistical Information Service, KOSIS)에서 조사한 충청도 내 경지면적은 2023년 2월 기준 322,674 ha이었으며, 탄소의 사회적 비용의 선행연구와 Organisation for Economic Cooperation and Development (OECD)에서 제시한 266,746원/톤을 적용하였다 (Choi et al., 2021). 충청도 내 농경지의 탄소 저장량의 가치를 경제적 가치로 산출 시 약 4조 385억 원의 가치를 보유하고 있는 것으로 조사되었다. 이를 선행 연구의 결과와 비교하였을 때 Kim et al. (2017)은 단위면적당 탄소 저장량과 탄소 배출권의 가격을 각각 69.9 ton C ha-1와 1 ton당 60,000원으로 계산하였으며, 결과적으로 국내 전체 농경지 토양의 경제적 가치를 17조 8,600억으로 평가하였다. 또한, Han et al. (2020)은 국내 논 토양의 경제적 가치를 산정하였으며, 2019년 기준 5,280억 원의 경제적 가치가 있다고 보고한 바 있다.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-03/N0230560301/images/ksssf_2023_563_209_F3.jpg
Fig. 3.

Spatial distribution map of statistically estimated soil carbon stocks (0 - 30 cm) in Chungcheong province.

Validation of spatial model

Validation set를 이용하여 검증한 결과는 Table 2에 나타내었다. Multiple linear regression 모델의 결정계수 (R2)는 0.15로 조사되었으며, MAE와 RMSE는 각각 20.78과 29.51로 조사되었다. Scatter plot를 이용하여 multiple linear regression의 R2를 확인 시 관측된 탄소 저장량에 비해 예측된 탄소 저장량이 낮게 예측되었으며, 이에 따라 기울기와 R2가 감소한 것으로 판단된다 (Fig. 4). 모형의 적합도를 나타내는 concordance index는 0.61로 분석되었다. 정규성 분석을 위해 샤피로월크 검정을 수행한 결과, 검정 통계량은 0.967이었으며, p-value는 0.121로 분석되어 본 연구에 사용된 데이터의 log 치환 값은 정규성을 만족한다고 판단하였다.

Multiple linear regression을 이용한 국내 ‧ 외 사례 조사를 실시하였을 때, 모델 검증을 통해 얻은 MAE와 RMSE값은 Kumar et al. (2012)에서 각각 3.20과 4.61이었으며, Gomes et al. (2019)에서는 각각 1.08과 1.49로 조사되었다. 선행연구의 결과에 비해 본 연구의 분석 결과는 비교적 높은 수준이었으며, 추후 연구 진행 시, MAE와 RMSE를 낮추기 위한 추가 토양 시료 채취 및 분석을 통한 표본 수를 늘리는 것이 필요하다고 판단하였다.

Table 2.

Validation of spatial model for estimating soil carbon stocks (0 - 30 cm).

Parameters Value
R2 0.15
MAE 20.78
RMSE 29.51
Concordance index 0.61

R2, coefficient of determination; MAE, mean absolute error; RMSE, root mean squared error.

https://static.apub.kr/journalsite/sites/ksssf/2023-056-03/N0230560301/images/ksssf_2023_563_209_F4.jpg
Fig. 4.

Scatter plot between observed and predicted soil carbon stock (0 - 30 cm). ** is used to indicate statistically significant differences at the p < 0.01.

Conclusions

본 연구는 토양 조사를 수행한 결과와 여러 환경 변량을 이용하여 충청도 농경지 토양의 탄소 저장량을 산정하고 공간적 분포를 확인하고자 하였으며, 이를 위해 digital soil mapping 기술과 multiple linear regression 모델을 이용하였다. 충청도 농경지 토양은 평균 46.92 ± 13.66 ton C ha-1의 탄소 저장량을 보유하고 있는 것으로 분석되었다. 예측 모델의 신뢰도를 나타내는 결정 계수 (R2)는 0.15로 국내 ‧ 외 사례에 비해 상대적으로 낮은 예측력을 나타내었으나, 탄소의 공간적 분포 양상은 선행연구와 유사하게 조사되었다. 본 연구 결과를 토대로 예측한 충청도 농경지 토양의 총 탄소 저장량은 0 - 30 cm 깊이에서 8.70백만 톤으로 조사되었다. 충청도 농경지 토양의 예측된 탄소 저장량 (46.92 ± 13.66 ton C ha-1)과 경지면적 (322,674 ha), 탄소 배출권 거래가격 (26,840원)을 이용하여 탄소 저장량의 화폐적 가치를 계산 시 약 4,063억 원으로 산정되었다. 본 연구에서 예측한 토양 탄소의 저장량 및 공간적 분포는 기후변화 완화 및 탄소 중립을 위해 농경지 토양의 잠재 탄소 격리량 산정을 위한 기초 자료로 활용될 수 있을 것으로 기대된다.

Acknowledgements

This work was carried out with the support of Cooperative Research Program for Agriculture Science & Technology Development (Project No. PJ015102), Rural Development Administration, Republic of Korea.

References

1
Choi, J.Y., J.M. Oh, S.D. Lee. 2021. The evaluation of carbon storage and economic value assessment of wetlands in the city of Seoul. Ecol. Resilient Infrastruct. 8:120-132. 10.17820/eri.2021.8.2.120
2
Conrad, O., B. Bechtel, M. Bock, H. Dietrich, E. Fischer, L. Gerlitz, J. Wehberg, V. Wichmann, J. Bohner. 2015. System for automated geoscientific analyses (SAGA) v. 2.1.4. Geosci. Model Dev. 8:1991-2007. 10.5194/gmd-8-1991-2015
3
Gomes, L.C., R.M. Faria, E. de Souza, G.V. Veloso, C.E.G. Schaefer, E.I. Fernandes Filho. 2019. Modelling and mapping soil organic carbon stocks in Brazil. Geoderma 340:337-350. 10.1016/j.geoderma.2019.01.007
4
Han, Y., H.S. Nam, K.L. Park, Y. Lee, B.M. Lee, K.C. Park. 2020. Evaluation of soil carbon storages in the organic farming paddy fields. J. Korea Org. Resour. Recycl. Assoc. 28(1):73-82. 10.17137/korrae.2020.28.1.73
5
Kang, Y.G., Y.K. Sonn, J.H. Lee, J.H. Chun, C.H. Lee, T.K. Oh. 2022. Prediction of soil carbon contents using smartphone images and multiple regression analysis. Korean J. Soil Sci. Fert. 55(3):228-238. 10.7745/KJSSF.2022.55.3.228
6
Khaledian, Y., B.A. Miller. 2020. Selecting appropriate machine learning methods for digital soil mapping. Appl. Math. Modell. 81:401-418. 10.1016/j.apm.2019.12.016
7
Kim, H.Y. 2019. Statistical notes for clinical researchers: Simple linear regression 3 - residual analysis. Restor. Dent. Endod. 44(1):e11. 10.5395/rde.2019.44.e1130834233PMC6387894
8
Kim, S.C., Y.K. Hong, S.P. Lee, S.M. Oh, K.J. Lim, J.E. Yang. 2017. Evaluating feasibility of soil quality assessment according to soil carbon contents. Korean J. Soil Sci. Fert. 50(1):65-70. 10.7745/KJSSF.2017.50.1.065
9
KOSIS. 2022. https://kosis.kr/statHtml/statHtml.do?orgId=116&tblId=DT_MLTM_1246&conn_path=I2. Korea Statistical Information Service, Daejeon, Korea.
10
Kumar, S., R. Lal, D. Liu. 2012. A geographically weighted regression kriging approach for mapping soil organic carbon stock. Geoderma 189-190:627-634. 10.1016/j.geoderma.2012.05.022
11
Lim, D.S. 2000. The cultural area and human geographical characteristic in Chungbuk region. Chungbukhak 2:29-40.
12
McBratney, A.B., M.L. Mendoca Santos, B. Minasny. 2003. On digital soil mapping. Gerderma 117:3-52. 10.1016/S0016-7061(03)00223-4
13
Minasny, B., A.B. McBratney, B.P. Malone, I. Wheeler. 2013. Digital mapping of soil carbon. Adv. Agron. 118:1-47. 10.1016/B978-0-12-405942-9.00001-3
14
Park, S.J., C.W. Lee, S.H. Kim, T.K. Oh. 2020. Digital mapping of soil carbon stock in Jeolla province using cubist model. Korean J. Agric. Sci. 47(4):1097-1107. 10.7744/kjoas.20200092
15
Park, S.J., S.I. Kwon, S.H. Kim, J. Shim, Y.H. Lee, T.K. Oh. 2021. Estimation of soil organic carbon (SOC) stock in South Korea using digital soil mapping technique. Korean J. Soil Sci. Fert. 54(2):247-256. 10.7745/KJSSF.2021.54.2.247
16
Scharlemann, J.P., E.V. Tanner, R. Hiederer, V. Kapos. 2014. Global soil carbon: Understanding and managing the largest terrestrial carbon pool. Carbon Manage. 5(1):81-91. 10.4155/cmt.13.77
페이지 상단으로 이동하기