대상 지역으로는 도서지역을 제외한 30년 평년 기상관측자료가 구축되어 있는 58개 표준기상관측소가 위치한 지역을 선정하였으며, 이들 지역을 Choi and Yun (1989)에 의해 개발된 벼 재배를 위한 19개 농업기후지대로 구분하여 분석하였다 (Fig 1). 본 연구에서 사용한 우리나라의 벼 재배 농업기후지대는 다음과 같다: 태백고냉지대 (I, Taebaek Alpine), 태백준고냉지대 (II, Taebaek Semi-Alpine), 소백산간지대 (III, Sobaek Mountainous), 노령소백산간지대 (IV, Noryeong Sobaek Mountainous), 영남내륙산간지대 (V, Yeongnam Inland Mountainous), 중북부내륙지대 (VI, Northern Central Inland), 중부내륙지대 (VII, Central Inland), 소백서부내륙지대 (VIII, Western Sobaek Inland), 노령동서내륙지대 (IX, Noryeong Eastern & Western Inland), 호남내륙지대 (X, Honam Inland), 영남분지지대 (XI, Yeongnam Basin), 영남내륙지대 (XII, Yeongnam Inland), 중서부평야지대 (XIII, Western Central Plain), 차령남부평야지대 (XIV, Southern Charyeong Plain), 남서해안지대 (XV, South Western Coastal), 남부해안지대 (XVI, Southern Coastal), 동해안북부지대 (XVII, North Eastern Coastal), 동해안중부지대 (XVIII, Central Eastern Coastal), 동해안남부지대 (XIX, South Eastern Coastal). 본 연구에서는 19개 농업기후지대 중 58개 표준기상관측소가 위치하지 않는 태백고냉지대 (I)와 영남내륙산간지대 (V)를 제외하고 나머지 농업기후지대를 대상으로 연구를 수행하였다.

Fig. 1. 
Agro-climatic zones and KMA ASOS locations within the agro-climatic zones in Korea.

미래 기후변화 시나리오 자료는 기후변화에 관한 정부 간 협의체 (Intergovernmental Panel on Climate Change: IPCC)의 대표농도경로 (Representative Concentration Pathways: RCP)를 바탕으로 전지구기후모형 (Global Climate Model, 이하 기후모형)에 의해서 생성된 것으로 CMIP5 (the phase five of the Couple Model Intercomparison Project)를 통해서 수집되었다. 미래 시나리오 자료의 공간해상도는 200-400km이기 때문에 농업모형에 활용할 수 있도록 공간해상도의 상세화가 필요하며, 기후모형의 계통오차 (systematic bias)에 대한 편이보정 (bias correction)도 필요하다. 따라서 본 연구에서는 APEC기후센터 (APEC Climate Center: APCC)의 AIMS에서 제공하는 기후변화 시나리오 중 비모수적 분위사상법 (Simple Quantile Mapping: SQM)에 의해 상세화된 자료를 사용하였다 (Cho et al., 2018). 해당 시나리오 자료는 11개 기후모형에서 생성된 격자형 미래 기후변화 시나리오 자료에서 58개의 표준기상관측소가 위치한 격자의 중앙 기후값을 추출하고 여기에 편이보정 및 공간특성 등을 반영하여 지점 단위로 상세화한 자료인데, EPIRICE-LB 모형을 구동하기 위해 필요한 일별 최고/최저 기온, 강우량, 상대습도 자료가 모두 제공되는 시나리오 자료이기 때문에 사용하였다. 또한 각 표준기상관측소의 30년 평년 기상관측자료는 SQM을 위한 기준 자료로 사용하였다. 본 연구에서 사용된 11개 기후모형과 기후변화 시나리오 자료에 대한 자세한 내용은 Table 1을 참고하면 된다.

농촌진흥청 국가 병해충 관리시스템 (http://ncpms.rda.go.kr/)에서는 우리나라 벼 병해충에 대한 예찰, 예측, 진단, 방제 정보를 제공하고 있다. 그 중 도열병은 연간 발생면적이 19%, 무방제시 감수율이 15.4%에 이르는 주요 벼 병해로써 국가 병해충 관리시스템의 예찰, 예측, 진단, 방제 정보가 모두 제공되는 대표적인 병해충 중 하나이다 (Kim, 2014; Lee, 2012). 이러한 벼 도열병의 중요성을 감안하여 Kim et al. (2015)은 필리핀 국제미작연구소 (International Rice Research Institute: IRRI)의 Savary et al. (2012)에 의해 개발된 EPIRICE 모형을 도입하여 국내 벼 도열병 발생 위험도를 예측할 수 있도록 모수화 (parameterization)와 새로운 모듈추가 등의 과정을 거쳐 국내 특성에 맞는 EPIRICE-LB 모형을 개발하였다. EPIRICE-LB의 기본구조는 SEIR (Susceptible – Exposed – Infected – Removed) 구조로서 각 병해 별 전형적인 병징을 바탕으로 고유의 개별 병징 단위인 site 개념이 정의되고, 각 site가 병원균에 노출되어 감염이 일어나고 일정시간 후에 치료가 되거나 제거가 되는 일련의 과정을 각 단계별 site 개수의 비율로 설명하는 구조이다. 모형 입력값은 벼 재배기간 전체에 해당하는 일별 기상값 (최고/최저 기온, 강수량, 상대습도)과 그 외 경종적 모수들 (품종저항성, 이앙시기 등)이다. 이러한 값들이 입력되면 SEIR 모듈의 site 개수가 시간에 따라 일정 속도로 변화하는데, 이는 모형의 핵심요소인 감염속도, 즉 Rc값에 의존적이다. 모형의 출력값은 시간에 따른 전체 site당 병든 site의 누적비율인 병반면적율로 나타나며, 이는 도열병의 잠재적 발생 위험도로 볼 수 있다. 이보다 자세한 모형 및 모수에 대한 설명은 Kim et al. (2015)을 참고하면 된다.

과거 30년 기간 동안의 관측기상자료와 각 기후모형의 시나리오 자료를 입력값으로 하여 EPIRICE-LB를 구동하였고, 이렇게 얻은 최대 병반면적율의 30년 통계 결과에 대한 중간값 (median)을 비교하여 관측기상자료의 결과와 가장 가까운 결과를 나타내는 기후모형을 각 농업기후지대에 대한 최적기후모형으로 선정하였다 (Fig 2). Fig 2A는 19개 농업기후지대 중 남북에 걸쳐 고르게 위치한 3개의 농업기후지대에 대한 최적기후모형 선정 예를 보여주는데, 중북부내륙지대 (Ⅵ), 소백서부내륙지대 (VIII), 남서해안지대 (XV)에 대해 각각 관측기상자료 결과 (Observed)의 중간값과 가장 가까운 중간값을 나타내는 IPSL-CM5A-LR, INM-CM4, IPSL-CM5A-LR 모형이 최적기후모형으로 선정되었다.

Fig. 2. 
Best GCM selection for individual agro-climatic zones. (A) Comparison of the EPIRICE-LB results from observed climate data and climate scenarios from 11 global climate models (GCM) to select the best GCM for each agro-climatic zone. Note that to compare the observed and individual GCM results, epidemics of rice leaf blast for the historical period (1976-2005) were simulated using the EPIRICE-LB. Blue dotted lines in A indicate observed results intended for comparison with the results of historical period from 11 GCMs. (B) Number of agro-climatic zones that selected each GCM as the best GCM.

과거기간을 대상으로 EPIRICE-LB를 활용해 관측기상자료와 기후모형의 시나리오 자료를 비교한 결과, 각 기후모형에 따라 그리고 농업기후지대에 따라 다양한 결과를 볼 수 있었다 (Fig 2A). 관측기상자료 결과와 가장 근접한 중간값을 보인 INM-CM4를 최적기후모형으로 선정했던 소백서부내륙지대 (VIII)의 경우, HadGEM2-CC나 IPSL-CM5A-LR과 같이 상당히 근접한 중간값을 보였지만 최적기후모형에 비해 상대적으로 낮은 성능을 보였기 때문에 제외된 기후모형도 다수 존재했다. 따라서 최적기후모형을 반드시 한 개만 선정해야 할 이유가 없다면 불확실성 정보 표출 및 개별 모형에 비해 일관되고 안정적인 결과를 생산하는 다중모형 앙상블이 가진 장점을 최대한 활용할 수 있는 다른 대안을 사용할 수 있다. 예를 들어, 일정 범위 내에서 합리적인 성능을 보이는 기후모형의 시나리오를 모두 활용하거나 가장 성능이 낮은 기후모형을 제외한 나머지 기후모형을 모두 사용하는 선택적 다중모형 앙상블 기법을 활용하는 것이다 (APEC Climate Center, 2006). 다만 이렇게 기후모형을 선정하는 기준을 세울 때에는 연구 목적을 바탕으로 보다 객관적이고 합리적인 기준을 제시해야 할 필요가 있다.

다음으로 서로 다른 농업기후지대에서 각각의 기후모형이 가지고 있는 성능에 따라 중간값의 변동폭이 다양하게 나타나는 것을 볼 수 있다. 소백서부내륙지대 (VIII)나 중북부내륙지대 (Ⅵ)의 경우 개별 기후모형간 중간값의 변동폭이 극히 일부를 제외하고 일반적으로 작게 나타난 반면, 남서해안지대 (XV)의 경우 기후모형간 중간값의 변동폭이 상대적으로 크게 나타났다. 이러한 기후모형간 변동폭의 차이는 AIMS에서 사용한 SQM 상세화 기법이 과거 기후자료를 바탕으로 공간 상세화 및 편이보정을 할 때 해당 농업기후지대의 기후지리학적 특성을 제대로 반영하지 못한 결과일 것으로 추정된다. 그리고 모든 농업기후지대에서 유사하게 큰 변동폭을 보이지 않았기 때문에 EPIRICE-LB의 모델링 알고리즘에 중요한 특정 기후인자 (기온, 강수량, 또는 상대습도)에 대한 SQM 상세화 기법의 편이보정 성능이 낮다고는 단정할 수 없다.

결과적으로 본 연구에서 사용된 58개 표준기상관측소를 포함하지 않는 농업기후지대 I과 V를 제외하고 나머지 17개 농업기후지대에 대해 EPIRICE-LB의 결과값을 바탕으로 관측기상자료의 결과와 가장 가까운 결과를 보인, 즉 가장 재현성이 높았던 한 개의 최적기후모형을 선정하여 Table 2에 나타내었다. 농업기후지대 별로 선정된 최적기후모형을 분석한 결과, 일부 기후모형이 다수의 농업기후지대를 대상으로 고르게 재현성을 보인 것을 알 수 있다 (Fig 2B). 가장 많은 농업기후지대에서 선정된 기후모형은 IPSL-CM5A-LR와 GFDL-ESM2M으로 각각 4개의 지대에서 높은 재현성을 보였다. 기후모형은 개발된 목적과 대상지역에 따라 우수한 성능을 보이는 지역 및 기후변수, 기후현상 등이 존재하기 때문에, 한반도를 포함한 동아시아 지역이나 한반도와 같이 복잡한 지형적 특성을 가진 곳에서 높은 성능을 보이는 기후모형을 선정하는 것은 합리적인 이유와 그만한 가치가 있을 것으로 생각된다 (Cai et al., 2009; Lee, 2013; Pierce et al., 2009; Samadi et al., 2010; Walsh et al., 2008).

다중모형 앙상블과 최적기후모형의 결과를 비교 평가하기 위해 농업기후지대 I과 V를 제외한 나머지 17개 농업기후지대에 대해 과거 (1976-2005), 근미래 (2011-2040), 먼미래 (2041-2070) 기간 동안의 도열병 최대 병반면적율을 우리나라 지도 상에 표시하였다 (Fig 3). 농업기후지대 별로 최적기후모형의 시나리오를 사용하여 EPIRICE-LB를 구동한 결과 (Fig 3A)와 다중모형 앙상블 결과 (Fig 3B) 사이에 눈에 띄는 공간적 차이를 발견할 수 없었다. 농업기후지대 별로 1-3% 정도의 병반면적율 차이를 보였을 뿐, 전체적인 공간적 패턴은 유사하게 모의함을 알 수 있다. 이를 좀더 수치적으로 해석하기 위해 각 농업기후지대 별로 과거, 근미래, 먼미래 기간에 대한 병반면적율을 상자그래프로 그려서 비교하였다 (Fig 4). 앞서 지도 상의 결과와 마찬가지로 대부분의 농업기후지대에서 최적기후모형과 다중모형 앙상블을 사용한 근미래와 먼미래 결과 사이에 통계적으로 유의미한 차이가 나타나거나 병반면적율 변화 패턴이 상반되게 나오는 경우를 발견할 수 없었다. 결과적으로 본 연구에서 EPIRICE-LB를 활용하여 최적기후모형과 다중모형 앙상블 결과를 비교 평가한 결과 두 방법이 유사한 성능을 보임을 확인하였다.

Fig. 3. 
Maps of the potential epidemics of rice leaf blast for the historical period (1976–2005), near future period (2011–2040), and distant future period (2041–2070) based on climate change scenarios from the best GCM selected for each agro-climatic zone (A) and multi-model ensembles constructed from the 11 GCM results (B).

Fig. 4. 
Box plots of the potential epidemics of rice leaf blast for the historical period (1976–2005), near future period (2011–2040), and distant future period (2041–2070) based on climate change scenarios from the best GCM selected for each agro-climatic zone and multi-model ensembles (MME) constructed from the 11 GCM results. Note that the epidemics calculated from the best GCM and MME were compared for the near future and distant future periods in each agro-climatic zone.

태백준고냉지대 (II)를 제외하고 모든 농업기후지대에서 미래의 도열병 발병 위험도가 점차 감소하는 것으로 나타났다. 태백준고냉지대 (II)의 경우 과거 기간에 비해 근미래에 평균 12% 도열병 발병 위험도가 증가했으나 먼미래에는 60% 정도 발병 위험도가 감소했다. 이는 최근 Kim et al. (2015)과 Kim and Cho (2016) 연구결과와 유사한데, 향후 근미래까지는 도열병 발생의 최적 온도범위로 기온이 상승함에 따라 태백 고냉지 지역에서는 도열병 발생이 증가할 것으로 예측되었다. 하지만 먼미래에는 기온이 지속적으로 상승하여 도열병 발생의 최적 온도범위를 벗어나는 것으로 나타났다. 나머지 농업기후지대에서는 과거 기간에 비해 근미래에 평균 27-68% 도열병 발병 위험도가 감소하였다. 이후 먼미래에는 평균 62-88% 까지 발병 위험도가 급격하게 감소되었다.

도열병의 병반면적율과 벼의 최종 생산량과는 유의한 부의 상관이 있으며 병반면적율이 증가될수록 수량이 감소하는 것으로 알려져 있다 (Yeh et al., 2008). 하지만 대규모의 예방 방제가 주기적으로 이루어지고 있는 국내 벼 재배에서는 해당 비율만큼의 수량 손실이 실제로 일어나지는 않는다. 그럼에도 불구하고 대규모 예방 방제에는 상당한 경제적인 비용이 들기 때문에 경제적인 방제수준을 정하여 일정 수준 이하의 발병 정도에서는 방제를 안 하는 것이 더 경제적일 수 있다. 실제로 Yeh et al. (2008)은 도열병 피해해석에 의한 경제적 방제수준을 2.7% 병반면적율로 제시하였다. 따라서 본 연구의 결과를 경제적 방제수준의 관점에서 해석하게 되면 근미래 기간에는 호남내륙지대 (X), 영남내륙지대 (XII), 동해안남부지대 (XIX)를 비롯한 일부 농업기후지대에서는 경제적 방제수준 이하의 도열병 발생이 예측되기 때문에 현재 국내에서 이루어지고 있는 대규모 예방적 방제 정책에 대해 지역 별로 다르게 적용할 필요가 있다. 물론 먼미래 기간에는 태백준고냉지대 (II)를 제외하고 모든 지대에서 경제적 방제수준 미만 도열병이 발생할 것으로 예측되었다.

본 연구를 통해 우리나라 벼 도열병의 미래 발생 위험도를 예측하였지만, 결과에 영향을 미치는 모든 인자를 통제하여 불확실성을 최대한 줄이는 노력이 추후 뒤따라야 할 것이다. 기후모형이 기여하는 불확실성이 가장 큼에도 불구하고 EPIRICE-LB 모델로부터 추가되는 불확실성 또한 고려해야 한다. 우선 대표 입력값으로 선택된 벼 품종에 따른 저항성 정도와 지역별 이앙시기가 현재에 기반한 가정이기 때문에 일부 불확실성이 더해졌을 것이고, EPIRICE-LB의 감염알고리즘이 CO₂의 영향을 전혀 고려하지 못하기 때문에 더해지는 불확실성도 존재한다. 실제 FACE (free-air CO₂ enrichment)를 활용한 필드시험에서 현재보다 200μmol mol^-1 높은 CO₂ 상태에서 도열병 발생이 2배 이상 증가하였는데 (Kobayashi et al., 2006), 이러한 알고리즘이 EPIRICE-LB와 같은 병해충 모형에 적용이 되어야 좀더 신뢰할 수 있는 결과를 얻을 수 있을 것이다.

본 연구에서는 기후변화 영향평가 시 기후모형이 기여하는 불확실성을 서로 다른 방식으로 고려하는 다중모형 앙상블 기법과 최적기후모형 선정 기법을 비교 평가하였다. 본 연구의 결과와 같이 최적기후모형과 다중모형 앙상블 간에 현저한 결과의 차이가 보이지 않는다면 리소스를 적게 사용하는 최적기후모형 선정이 더 나은 선택이 될 것이다. 다만 기후모형 간에 존재하는 불확실성의 정보를 사용자에게 전달하고 보다 안정적이고 보수적인 결과를 도출해야 되는 경우 다중모형 앙상블 방법을 선택하는 것이 필요하다. 앞서 언급한 것처럼, 재현성 평가를 통해 일부 과도하게 성능이 떨어지는 기후모형을 제외하고 나머지 기후모형을 활용하여 2개 방법의 장점을 최대한 활용하는 방안 역시 생각해 볼만 하다.