K-Maryblyt 모델 구동을 위한 FBcastS 정보시스템 개발

FBcastS: An Information System Leveraging the K-Maryblyt Forecasting Model

Article information

Res. Plant Dis. 2024;30(3):256-267
Publication date (electronic) : 2024 September 30
doi : https://doi.org/10.5423/RPD.2024.30.3.256
1Agro-environment Research Institute, EPINET Co., Ltd., Anyang 14057, Korea
2Crop Protection Division, National Institute of Agricultural Science, Rural Development Administration, Wanju 55365, Korea
3Disaster Management Division, Rural Development Administration, Jeonju 54875, Korea
4Department of Pharmaceutical Engineering and Biotechnology, Sunmoon University, Asan 31460, Korea
안문일1orcid_icon, 양현지1, 박은우1, 이용환2, 최효원3, 윤성철4,orcid_icon
1(주)에피넷 생물환경연구소
2국립농업과학원 작물보호과,
3농촌진흥청 재해대응과
4선문대학교 제약생명공학과
*Corresponding author Tel: +82-41-530-2282 Fax: +82-41-530-2939 E-mail: scyun@sunmoon.ac.kr
Received 2024 July 4; Revised 2024 August 6; Accepted 2024 August 16.

Abstract

과수 화상병 꽃감염 방제를 위한 농용 항생제 살포 적기를 알려주고, 병징 출현을 예측해 현장 모니터링 시기 판단을 돕는 K-Maryblyt 예측모델을 정보시스템에서 자동으로 구동하는 FBcastS을 클라우드 컴퓨팅 환경에서 개발하였다. 4개의 단위 시스템으로 구성된 FBcastS 정보시스템은 기상자료 획득 및 처리, K-Maryblyt 모델 구동, 웹 정보 서비스 그리고 방제 적기 알림 발송의 기능별로 구성하였다. 기상자료 획득 단위 시스템은 우리나라 1,583지점의 관측기상과 예보기상을 수집할 뿐만 아니라 이들 중 과수원에서 직접 관측한 761지점의 기상자료에 대한 품질관리와 입력 자료변환 등 후처리를 수행한다. 모델 구동 단위 시스템은 K-Maryblyt 예측모델을 구동하고 그 결과를 database에 저장한다. 웹 서비스 단위 시스템은 인터넷 웹 기반으로 기상 모니터링 서비스, 과수 화상병 예측정보 모바일 서비스 그리고 전국 화상병 예측정보 모니터링 서비스를 표출한다. 마지막으로 알림 발송 단위 시스템은 농촌진흥청 화상병 예찰 및 방제 지침에 따라 K-Maryblyt 모델의 예측정보와 현장의 상황을 참고해 방제 적기 알림을 재배자들에게 전달한다. FBcastS은 4.25 km 공간간격의 조밀한 우리나라 기상관측망에서 수집한 기상정보를 활용하여 화상병 예찰 정보의 신뢰를 높일 수 있고, 인터넷 웹 기반 서비스를 제공함으로써 정보의 접근성과 활용성이 높은 클라우드 기반 스마트 농업 정보시스템이다.

Trans Abstract

We have developed FBcastS (Fire Blight Forecasting System), a cloud-based information system that leverages the K-Maryblyt forecasting model. The FBcastS provides an optimal timing for spraying antibiotics to prevent flower infection caused by Erwinia amylovora and forecasts the onset of disease symptoms to assist in scheduling field scouting activities. FBcastS comprises four discrete subsystems tailored to specific functionalities: meteorological data acquisition and processing, execution of the K-Maryblyt model, distribution of web-based information, and dissemination of spray timing notifications. The meteorological data acquisition subsystem gathers both observed and forecasted weather data from 1,583 sites across South Korea, including 761 apple or pear orchards where automated weather stations are installed for fire blight forecast. This subsystem also performs post-processing tasks such as quality control and data conversion. The model execution subsystem operates the K-Maryblyt model and stores its results in a database. The web-based service subsystem offers an array of internet-based services, including weather monitoring, mobile services for forecasting fire blight infection and symptoms, and nationwide fire blight monitoring. The final subsystem issues timely notifications of fire blight spray timing alert to growers based on forecasts from the K-Maryblyt model, blossom status, pesticide types, and field conditions, following guidelines set by the Rural Development Administration. FBcastS epitomizes a smart agriculture internet of things (IoT) by utilizing densely collected data with a spatial resolution of approximately 4.25 km to improve the accuracy of fire blight forecasts. The system's internet-based services ensure high accessibility and utility, making it a vital tool in data-driven smart agricultural practices.

서 론

사과와 배에 화상병(fire blight)을 일으키는 병원균인 Erwinia amylovora (Burr.)는 개화 기간 동안 신속하고 광범위하게 건전한 꽃을 감염시킬 뿐만 아니라 병징이 발생한 신초, 과실, 꽃 그리고 가지 등은 2차 감염원이 된다. 화상병 방제를 위해 미국에서 개발한 예찰 모델인 Maryblyt는 사과나무와 배나무 개화 기간 동안 매일 꽃감염 위험도(blossom infection risk, BIR)를 매우위험(infection, BIR-I), 위험(high, BIR-H), 다소높음(moderate, BIR-M), 낮음(low, BIR-L)의 4단계 중 하나로 판단하여 출력하고 이 중 BIR-I 경보일에 꽃감염 방제를 위한 약제 살포를 권고함으로써 감염을 초기에 차단할 수 있도록 돕는다(Turechek 과 Biggs, 2015). 또한, Maryblyt는 궤양 마름 병징(canker blight symptom, CBS), 신초 마름 병징(shoot blight symptom, SBS) 그리고 꽃 마름 병징(blossom blight symptom, BBS) 발생일을 유효적산온도(degree-day)로 계산하여 예측함으로써 과수원에서 화상병 병징이 나타나기 시작하는 초기에 전염원을 제거할 수 있는 적기를 알려준다. 한편, Maryblyt를 우리나라 실정에 맞게 보완한 K-Maryblyt를 개발하여 2022년부터 모델 기반 화상병 방제에 활용 중이다(Ahn 등, 2024).

식물병 모델을 기반으로 하는 방제 시스템은 기상자료의 입력, 입력값을 계산하여 감염 시기를 예측하는 병 모델 구동, 모델 결과의 신속한 배포가 가능한 단위 시스템들로 구성된다(Kang 등, 2010). 특히 현장에서 방제 시기를 놓치지 않으려면 식물병 모델이 예측한 감염 경보가 신속하게 알려져야 한다. Maryblyt는 과수원에서 관측한 발아 및 개화 기간 그리고 이 기간 동안의 기상정보를 농민이 직접 모델에 입력하여 구동함으로써 방제 적기를 찾는 모델이다. 반면, K-Maryblyt는 우리나라 전국의 사과 및 배 과수원과 과수원 주변의 기상관측망에서 자동으로 측정한 기상자료를 기반으로 BIR 경보 및 CBS, SBS, BBS 출력뿐만 아니라 기주의 생육단계를 예측할 수 있는 생물계절 모델이 포함되어 있으므로 생육 및 발병 예측을 시스템이 자동으로 구동하는 모델이다. 따라서, K-Maryblyt 기반 모델 방제를 현장에서 활용하려면 농민과 현장 전문가에게 K-Maryblyt 방제 경보를 신속하고 정확하게 알릴 수 있는 정보 시스템이 필요하다.

정밀농업 또는 스마트 농업을 지원하기 위해 개발된 시스템이 지속 가능하려면 최신 기술을 채택하는 것이 중요하다(Zamora-Izquierdo 등, 2019). 무선 네트워크 기반 IoT (internet of things) 기상관측 센서와 클라우드 컴퓨팅 기술이 식물병 예찰 시스템에 적용되면 농작물 군락지의 기상정보가 실시간으로 반영되는 모델 기반 예측이 가능하므로 농약 살포 적기를 신속하게 판단할 수 있다(Foughali 등, 2019). Cloud-IoT 기반 환경에서는 클라우드 서버에서 구동된 개화 기간 동안에 발생하는 꽃감염에 대한 K-Maryblyt 예측모델 결과를 농민들은 언제 어디서나 손쉽게 모바일 화면에서 확인이 가능할 뿐만 아니라 적절한 시기에 어떤 농약을 살포하라는 방제 권고까지도 제공받을 수 있다. 또한, Cloud-IoT 환경에서는 다양한 정보를 농민과 현장 관리자들에게 손쉽게 제공할 수 있으므로 과수 화상병 방제에 대한 이해를 돕고 구체적인 방제 방안을 알려줌으로써 화상병 관리 능력을 향상시킬 수 있다.

농촌진흥청 국가농작물병해충관리시스템(National Crop Pest Management System [NCPMS]; https://ncpms.rda.go.kr)은 사과와 배를 포함한 작물 9종에 대하여 농민과 현장 전문가에게 모델기반 병해충 발생 시기와 방제 적기를 제공하는 정보시스템이다(Lee, 2012). 이 시스템에서는 그동안 개발된 식물 병해충 모델을 탑재해 구동하고 있지만 과수 화상병 예측정보는 제공되지 않고 있다. NCPMS에서는 농업기상관측소(Agriculture Automatic Weather Station, AAWS) 자료를 이용하여 거리 역산 가중법(inverse distance weighting)으로 보간된 기상을 입력값으로 식물 병해충 모델을 구동함으로써 기상자료가 측정되지 않은 지역의 모델 결과도 알 수 있다. 화상병 발병 위험을 예측하는 정보시스템은 K-Maryblyt 모델을 자동으로 구동할 수 있을 뿐만 아니라 기존의 NCPMS에서 다루었던 병해충 모델들과는 달리 비교적 짧은 사과와 배의 개화 기간을 정확히 예측해야 하고, 사과와 배 과수원에 새롭게 구축한 기상장비로부터 수집된 자료를 활용할 수 있어야 한다.

정보시스템(information system)은 정형 또는 비정형자료를 수집한 후, 사용 목적에 맞도록 시스템 내에서 가공하는 과정을 거치게 되며, 이를 통해 생성된 정보를 수요자에게 전달하는 전 과정을 자동화한 체계이다(Liu와 Vasarhelyi, 2014). 정보 시스템에서 제공된 정보가 사용자의 목적에 맞고, 정보를 얻은 사람과 얻지 못한 사람 간의 결과에서 유의미한 차이가 발생할 때 유용한 정보라 할 수 있으며, 식물병 예측 정보시스템의 경우 전염원의 밀도 감소, 새로운 감염 또는 확산 억제 등 방제 효과의 차이가 이를 잘 보여준다. 이러한 시스템이 갖추어야 할 조건에는 정보의 신뢰성, 편리한 접근 및 활용 그리고 적시적지에서의 정보 제공을 포함한다.

본 연구는 우리나라 사용 환경에 적합하게 개발된 K-Maryblyt 예측모델을 정보시스템에서 자동으로 구동하여 기주의 생육과 화상병 예찰 그리고 방제 적기 정보를 신속하게 농민과 현장 관리자들에게 전달할 수 있도록 모델 기반 화상병 정밀 예측 웹 정보시스템(FBcastS)을 개발하는 것이다. 또한 화상병 예측정보가 과수원 단위로 정밀하게 제공될 수 있도록 사과와 배 과수원에 구축된 기상관측 인프라를 보강하여 기상자료의 수집 지점을 확대하고자 하였다. 또한, 정부의 화상병 방제 지침에 따라 K-Maryblyt 예측모델을 바탕으로 방제 적기를 판단하고 농민에게 방제 정보를 신속히 전달하는 의사결정까지 모든 과정을 정보시스템에서 자동으로 구현하는 FBcastS의 기능과 역할을 알리고자 한다.

재료 및 방법

과수 화상병 정밀 예측 시스템(FBcastS) framework

K-Maryblyt 모델을 기반으로 예측정보를 제공하는 FBcastS의 안정된 운영 환경을 갖추기 위해 농촌진흥청이 운영하는 NHN 클라우드(NHN Cloud Corp., Seongnam, Korea)와 EPINET Corp. (Anyang, Korea)이 운영하는 네이버 클라우드(NAVER Cloud Corp., Seongnam, Korea) 환경에서 각각 개발하였다. FBcastS 의 기능은 1) 기상자료 획득 단위 시스템, 2) 모델 구동 단위 시스템, 3) 웹 서비스 단위 시스템 그리고 4) 알림 발송 단위 시스템으로 구성하였다(Fig. 1B).

Fig. 1.

The database architecture (A) and functional composition (B) of FBcastS. FBcastS operates using a big collection of metrological data, employing a suitable database for this purpose. It comprises subsystems for gathering and refining extensive meteorological data, executing the K-Maryblyt model, distributing information to users via web and mobile interfaces, and alerting users about the timing for pesticide spraying to control fire blight in apple and pear trees. API, application programming interface; DL, data lake; CMMN, common; DWH, data warehouse.

시스템 개발 환경은 Table 1과 같다. 이 시스템에 사용한 Django는 Model-View-Controller (MVC) 아키텍처 패턴을 기반으로 하며, 데이터 모델, 사용자 인터페이스 그리고 기능별 로직을 분리하여 효율적으로 웹 서비스를 개발할 수 있는 파이썬 기반 웹 어플리케이션 프레임워크이다.

Development environment of the cloud-based K-Ma-ryblyt model for fire blight

FBcastS 시스템에서는 K-Maryblyt 모델 구동에 필요한 대규모 데이터들을 별도의 데이터베이스(database, DB)로 관리하도록 고안하였다. 즉, 기상관측지점의 위치, 관측센서 종류 등과 같은 메타데이터는 PostgreSQL에 저장하였고 기상자료와 K-Maryblyt 모델 결과는 OLAP (online analytical processing)에 최적화되어 대규모 데이터 분석에 적합하도록 ClickHouse에 저장하였다. 또한 원시 자료는 data-lake 저장소, 예측모델 구동을 위해 가공된 기상자료는 data-warehouse 저장소 그리고 예측모델 결과는 forecasts 저장소에 각각 저장하여 관리함으로써 DB의 효율성을 높였다(Fig. 1A).

기상자료 획득 단위 시스템(meteorological data acquisition subsystem)

기상자료 획득 단위 시스템은 K-Maryblyt 모델 구동에 필요한 입력자료를 준비하는 역할을 한다. 이를 위해 단위 시스템은 사과와 배 과수원과 인근의 실시간 기상관측자료와 단기예보 기상자료를 수집하고 K-Maryblyt 모델 계산에 필요한 입력값의 품질검사, 이상값과 결측값의 분류 그리고 결측값 보간 과정을 순차적으로 수행한다. 기상자료는 open-API를 FBcastS에 연계해 기상청으로부터 종관기상관측소(Automated Synoptic Observing System, ASOS) 95 지점(Fig. 2A), 방재기상관측소(Automatic Weather Station, AWS) 510 지점(Fig. 2B)의 기상자료를 수집하였다. 또한 농촌진흥청으로부터는 농업기상관측소(AAWS) 214지점(Fig. 2C)의 자료를 수집하였다.

Fig. 2.

Four maps display the layout of weather monitoring networks integral to the operation of FBcastS. Automated Synoptic Observing System (ASOS) (A) and Agriculture Automatic Weather Station (AWS) (B) networks are managed by the Korea Meteorological Administration. Agriculture Automatic Weather Station (AAWS) (C) is maintained by the Rural Development Administration. Orchard Automatic Weather Station (OAWS) (D) features automated weather observation equipment strategically placed in apple and pear orchards to forecast fire blight infection rates and symptom onset.

과수 화상병 예측모델 개발과정에서 과수원 현장 기상자료를 직접 관측할 필요성이 커짐에 따라 우리나라 화상병 발생 지역과 인접 과수원에 설치된 과수 군락 무인기상관측소(Orchard Automatic Weather Station, OAWS) 761 지점(Fig. 2D)에서 관측한 기상상료도 K-Maryblyt 예측모델 구동을 위해 FBcastS에서 수집하였다. OAWS 자료는 LTE (long term evolution) 무선 모뎀으로 통신망를 통해 기상자료 획득 서버 DB에 저장하였다. 1분 간격으로 관측된 기상자료는 10분 주기로 전송한다. OAWS 자료의 품질점검은 기상청 고시 제2022-9호 [기상관측자료의 품질등급 기준 및 절차] 중 품질검사 조건에 따라 정상값과 이상값을 판별하며, 이상값으로 분류된 경우 해당 지점에서 동시간에 관측된 모든 기상자료는 삭제하였다. 다음으로 기상청 고시 제2020-4호 [기후자료 통계의 종류 및 방법] 중 기후자료 통계 방법에 따라 1분 단위 기상관측자료를 이용해 K-Maryblyt 모델 입력자료인 시간별 기온, 일 최고 및 최저기온, 일 강우량 그리고 일 평균 상대습도로 재처리하여 DB에 저장하였다. 이상값으로 분류되어 삭제되거나 결측으로 생성되지 못한 시간별, 일별 자료는 인접한 기상관측 지점의 정상값으로 대체할 수 있도록 구현하였다. ASOS, AWS 그리고 AAWS 기상관측자료는 기상청과 농촌진흥청 수집 시스템에서 품질 관리가 수행되기 때문에 FBcastS에서는 결측값만 보간을 수행하였다.

FBcastS 시스템에서는 관측한 기상자료로 K-Maryblyt 모델을 구동하여 화상병 꽃감염 위험도 결과를 표출할 뿐만 아니라, 기상청에서 제공하는 단기예보를 수집하여 오늘(+0 day), 내일(+1 day), 모레(+2 day) 3일의 예보 기상자료를 기반으로 +0 day에서 +2 day의 화상병 꽃감염 위험도를 계산하였다. FBcastS에서 단기예보자료의 수집은 기상청 API (https://apihub.kma.go.kr)를 활용하여 예보 갱신 주기에 맞추어 3시간 간격으로 기상관측소별 경위도 좌표를 파라미터로 API를 호출해 응답받은 기상예보 값을 DB에 저장하도록 구현하였다.

K-Maryblyt 모델 구동 단위 시스템(K-Maryblyt model execution subsystem)

모델 구동 단위 시스템은 사과와 배 생물계절 계산 모듈, 개화기 BIR 계산 모듈 그리고 CBS, SBS, BBS 출현 예상일 계산 모듈로 구성된 K-Maryblyt 모델을 구동한다. 사과와 배 생물계절 계산 모듈에서는 BIR 계산과 병징 출현 예상일을 계산할 때 구동 시작일과 종료일을 판단하기 위해 발아시기(green tip [GT] 50%), 과수원에서 첫 꽃이 피는 시기(early bloom, B1) 그리고 마지막 꽃이 지는 시기(petal fallen, PF)를 계산한다. 꽃감염 위험도(BIR) 모듈은 사과와 배 생물계절 추정 날짜, 시간 단위 기온과 일 단위 최고기온, 최저기온, 강우량, 상대습도로 계산한 꽃감염 위험도를 BIR-L, BIR-M, BIR-H, BIR-I의 4단계로 구분한다. 병징 출현 예상일 계산 모듈은 사과와 배 생육단계 추정 날짜, 일 단위 최고기온과 최저기온 그리고 BIR 결과값을 입력받아 CBS, SBS, BBS 출현이 예상되는 날짜를 계산할 수 있도록 구현하였다.

웹 서비스 단위 시스템(web-based service subsystem)

FBcastS 정보 서비스 단위 시스템은 기상자료 획득 단위 시스템과 모델 구동 단위 시스템에서 처리된 자료를 사용자에게 배포하는 역할을 수행한다. 화상병 위험 예측을 위해 사과와 배 과수원에 설치된 OAWS로부터 실시간으로 수집된 기상관측 데이터 품질 관리 프로세스와 모니터링을 위한 과수 군락기상 모니터링 웹 서비스(https://w.fireblight.org), 모바일에 최적화된 사용자 인터페이스로 화상병 예측정보 제공을 위한 웹 서비스(https://www.fireblight.org) 그리고 화상병 예측정보의 위험 분포 현황을 빠르게 확인할 수 있는 전국 모니터링 웹 서비스(https://monitor.fireblight.org)로 구성하였다.

화상병 방제 적기 알림 단위 시스템(Fire blight spray timing alert subsystem)

화상병 방제 적기 알림 단위 시스템은 FBcastS과 NAVER CLOUD PLATFORM (NAVER Co., Ltd.)의 Simple & Easy Notification Service (SENS) API를 연계하여 농민과 현장 전문가 등의 사용자에게 방제 적기 경보 알림을 발송하는 역할을 수행한다. 사과와 배나무 개화기 동안 오늘, 내일 그리고 모레의 BIR이 BIR-H 또는 BIR-I로 예측되었을 때 문자 또는 카카오톡 알림을 발송할 수 있도록 구현하였다. 알림 발송을 위한 의사결정 과정 첫 단계에서는 K-Maryblyt 모델에서 예측된 사과와 배 생육단계가 개화기인 지점을 조회하고 사과와 배 주산지에 설치된 CCTV 실시간 영상과 현장에서 꽃 상태를 촬영하여 공유된 사진으로 지역별 개화 진행단계를 파악하였다. 두 번째 단계로는 현재 사과와 배나무의 생육단계가 개화기인 지점에서 관측된 어제의 BIR뿐만 아니라 예측된 오늘과 내일의 BIR를 확인해 살포 적기 알림을 발송할 지점을 선별하였다. 다음 단계로는 각 지자체별 과수 재배자에게 배부한 개화기 1차, 2차 농약의 작용 기작을 확인하였다. 마지막 단계에서는 지점별 BIR과 농약의 작용 기작에 적합한 알림을 발송하였다.

과수 화상병 예측을 위한 기상관측 지점 공간정밀도 평가

FBcastS은 사과와 배 재배 과수원에 설치된 OAWS 기상자료를 수집해 화상병 예측에 이용할 수 있도록 구현하였다. OAWS 설치 전과 후의 기상관측 지점 공간 정밀도 변화를 정량적으로 파악하기 위해 공간 분포 통계 방법 중 하나인 커널 밀도 추정(kernel density estimation, KDE)을 이용하여 분석하였다. 그리고 농림축산식품부 농업경영체 DB에 등록된 사과와 배 과수원의 경위도 위치 정보를 이용하여 OAWS 설치 전과 후 최인접한 기상관측 지점까지의 거리를 계산하였다. KDE와 최인접 거리는 R-Studio 2024. 04. 1+748 ‘ stats’ 패키지의 ‘density’ 함수와 ‘ geosphere’ 패키지를 사용해 계산하였다.

단기예보로 FBcastS에서 예측한 꽃감염 위험도 경보의 활용성 평가

FBcastS에서 제공하는 오늘, 내일, 모레의 BIR 경보단계 계산은 격자형으로 제공되는 기상청 단기예보자료를 수집하여 각 기상관측 지점 경위도 좌표 위치의 기상예보 값을 추출해 입력자료로 사용하도록 고안하였다. 개화기 동안 화상병 방제 적기를 결정할 때 필요한 오늘 이후의 BIR 경보에 대한 활용성을 평가하기 위해 기상관측자료로 계산한 BIR 경보와 기상 예보로 계산한 예측 BIR 경보 사이의 정확도 분석을 수행하였다. 분석을 위해서 사과와 배 대표 주산지와 두 작물에 화상병 피해가 심각한 33개 시∙군(사과 23곳, 배 10곳)을 선정하였다(Fig. 3). FBcastS에서 해당 지역에 BIR을 경보를 제공하는 전체 기상관측 지점은 각각 사과 332개 지점(Fig. 3A), 배 119개 지점(Fig. 3B)으로, 각 지점에 대한 기상관측자료와 오늘(+0 day), 내일(+1 day), 모레(+2 day)에 대한 기상예보자료를 수집하였다. 각 경보단계에 대한 정확도 산출을 위해서 모델 성능평가 지표 중 하나인 혼동행렬(confusion matrix)을 사용했으며 관측한 기상자료로 계산한 BIR 경보단계를 실제값(ground truth), 기상예보자료인 오늘, 내일, 모레 예보자료로 계산한 BIR 경보단계를 예측값(prediction)으로 설정하였다. 혼동행렬과 정밀도(precision), 재현율(recall) 등 통계지표에 대한 계산은 Python 3.8.12의 scikit-learn 1.1.3 패키지에서 제공하는 함수를 이용하였다.

Fig. 3.

Locations of weather stations in major production areas and fire blight outbreak regions for apple (A) and pear (B) trees.

FBcastS에서 제공하는 BIR 경보단계는 총 4단계(BIR-L, BIR-M, BIR-H, BIR-I)로 먼저 각 단계별 일치율에 대한 정확도를 분석하였다. 분석을 위해 각 날짜별로 관측자료를 활용한 BIR 경보단계와 예보자료를 활용한 BIR 경보단계를 매칭해 정리하였으며, 관측과 예보 중 자료가 없는 날짜는 분석에서 제외하였다. 그 후 농촌진흥청 방제 권고 기준에 따라 앞서 정리된 4단계의 자료를 방제 권고(BIR-H & BIR-I)와 방제 준비(BIR-L & BIR-M) 2단계로 재분류하였을 때의 일치율에 대한 정확도를 분석하였다.

결 과

FBcastS는 정보의 사용 목적에 따라 군락기상 모니터링 서비스(https://w.fireblight.org), 화상병 예측정보 모바일 서비스(https://www.fireblight.org), 화상병 전국 모니터링 서비스(https://monitor.fireblight.org) 그리고 화상병 방제적기 알림 서비스로 구성하였다.

군락기상 모니터링 서비스(Fig. 4)는 사과와 배 과수원과 과수원 인근에서 관측된 기상자료의 수집과 보정을 담당하는 subsystem에서 DB로 저장된 기상자료 중 사과와 배 군락에 설치된 OAWS 지점의 자료와 수집현황 그리고 자료의 품질 상태를 확인할 수 있다. 그리고 OAWS 지점에서 화상병 발생으로 장비의 위치가 이동될 경우를 고려해 AWS 설치 위치 등 변동 이력을 관리할 수 있는 기능도 포함하고 있다. 수집현황 화면에서는 10분 간격으로 갱신된 실시간 관측값과 장비의 상태(정상, 자료불량, 자료미수신)를 확인할 수 있다. 그리고 자료조회 화면에서는 사용자가 설정한 기간 동안 시간, 일, 주, 순 그리고 월 단위 기상통계 값을 시계열 그래프로 제공하며, 필드를 쉼표로 구분한 텍스트 데이터 포맷(comma-separate values, CSV)으로 다운로드받을 수 있다. 품질현황 화면에서는 주별로 기상청 기상관측자료 품질관리 5가지 기준의 충족 여부에 따른 오류율과 자료 수집률을 확인할 수 있다. 지점 관리 화면에서는 기상관측장비의 지점명, 위치(경위도 좌표), 관측시작일, 관측 종료일을 설정할 수 있으며, 변경된 이력을 확인할 수 있다. 최초 기상관측장비 등록시 부여된 기관코드와 장비번호는 식별자로 사용되기 때문에 수정할 수 없다.

Fig. 4.

Web service for monitoring weather data automatically collected from Orchard Automated Weather Stations (OAWS) installed in apple and pear orchards. It consists of menus for monitoring data collection status, data retrieval, quality status, and site management.

화상병 예측정보 모바일 서비스는 responsive-web 기술을 적용해 모바일 화면에 최적화된 사용자 인터페이스로 구현하였다(Fig. 5). 화상병 예측정보는 location based service (LBS) 기술을 적용해 사용자 접속시 파악된 위치에서 직선거리로 가장 인접한 3개 기상관측 지점의 계산된 예측 결과를 확인할 수 있도록 구현하였다. 과수 재배자는 3개 지점의 BIR 결과를 확인해 농용 항생제의 살포 적기를 판단할 수 있다. 그리고 화상병 예측정보뿐만 아니라 방제 의사결정에 필요한 기상예보와 사용자 과수원에서 직접 관찰된 생육단계를 입력해 개화기 BIR 경보단계를 계산할 수 있다.

Fig. 5.

Mobile-based interface displaying a fire blight forecasting information service. This platform delivers K-Maryblyt forecasting information from the nearest weather station to the user's location based on location-based services (LBS). Designed with user-friendliness in mind, it specifically caters to apple and pear growers.

화상병 전국 모니터링 서비스는 K-Maryblyt 예측모델에서 계산된 결과를 GIS (geographic information system) 도구를 활용하여 위성지도에 중첩된 마커 색상으로 꽃감염 위험도와 병징 출현이 예상되는 지역 분포현황을 빠르게 파악할 수 있도록 인터페이스를 구현하였다(Fig. 6). BIR 경보단계와 주요 병징 출현 예상일 결과는 API 연계를 통해 FBcastS 서버로부터 자료를 요청해 표출된다. 자료는 작목, 년도, 도별 행정구역 그리고 기상관측 지점 타입(Fig. 2)에 따라 조회할 수 있도록 구현하였다. 마커의 색상은 BIR의 경우 낮음 ‘녹색’, 다소높음 ‘노란색’, 위험 ‘주황색’, 매우위험 ‘빨간색’으로 표시하고, 병징 출현 예상일의 경우 출현이 예상되는 지점을 ‘보라색’, 예상되지 않는 지점을 ‘녹색’으로 표시하였다. 마커를 클릭하면 지점별로 K-Maryblyt 예측모델 결과를 요약한 그래프가 출력되고, 4개 지점까지 선택해 비교할 수 있다.

Fig. 6.

Web-based interface displaying a nationwide fire blight forecasting monitoring service. User can access predictions by the K-Maryblyt model and compare the forecasting from up to four locations. The primary users are national and local government officials and researchers.

화상병 방제 적기 알림 서비스는 FBcastS에서 네이버 클라우드 플랫폼 API를 연계해 농촌진흥청 과수 화상병 방제 지침에 따라 문자 또는 카카오톡을 이용해 알림이 발송된다(Fig. 7). 2022년의 경우 사과 70,115농가와 배 46,759농가를 대상으로 개화기 동안 158,440건의 방제 적기 알림을 발송하였고, 2023년에는 사과 26,506농가와 배 13,641농가를 대상으로 66,583건의 방제 적기 알림을 발송하였다.

Fig. 7.

The sequential decision-making process in FBcastS for sending the timing of fire blight spray notifications based on the results of the K-Maryblyt forecasting model. BIR, blossom infection risk.

OAWS는 2022년부터 정밀한 화상병 예측정보를 과수 재배자에게 제공하기 위해 주요 발생지와 인접 지역 그리고 사과, 배 주산지에 우선적으로 설치되었다. OAWS 설치 전 KDE 값의 전국 평균은 2.14994E-09였으며(Fig. 8B), 설치 후에는 4.15445E-09로(Fig. 8D) 약 두 배 높아졌다. 즉, 화상병 예측을 위한 기상관측 지점의 밀집도가 두 배 증가함에 따라 사과와 배가 재배되는 과수원으로부터 보다 가까운 기상관측자료를 수집하고 모델 구동에 활용할 수 있게 되었다. 2022년 이전에는 우리나라에서 사과와 배를 재배하는 전체 과수원 중 45.5%는 최인접한 기상관측 지점까지의 거리가 5-10 km였고, 0-1 km에 있는 과수원은 4.6%에 불과하였다(Fig. 8A). 2023년 6월 말에는 0-5 km에 있는 과수원이 87.6%, 0-1 km 사이에 있는 과수원은 19.5%로 기상관측망 인프라가 크게 개선되었다(Fig. 8C).

Fig. 8.

The impact of installing Orchard Automated Weather Stations (OAWS) in Korea through two main visual components. The first component compares the average distances (km) to the nearest weather station locations in Korea before (A) and after (C) the installation of OAWS, providing a clear view of how the installation has improved accessibility to weather stations. The second component is the kernel density estimation (KDE) of the weather station's spatial distribution before (B) and after (D) the installation of OAWS. This KDE visualizes the concentration of weather stations across a specified region, with density values represented using a color gradient; higher density values indicate areas with a higher concentration of weather stations.

FBcastS는 기상청 단기예보(+2일) 기상을 입력자료로 사용해 오늘, 내일, 모레까지 BIR 경보단계를 제공한다. 어제까지는 기상관측자료로 계산된 결과가 저장된다. 기상예보를 이용해 계산된 오늘, 내일 그리고 모레의 BIR 예측 경보단계를 관측자료 기반으로 계산된 경보단계와 비교하였을 때, 사과 BIR 경보단계의 정확도는 오늘 64.3%, 내일 66.7% 모레는 40.8%였고, 배의 경우 오늘 50.7%, 내일 65.6% 모레는 41.1%였다. 농용 항생제 살포를 결정하는 BIR 경보단계 기준인 위험과 매우위험을 방제권고로 구분하고 낮음과 다소 높음을 방제준비로 구분해 일치율을 비교하였을 때 사과의 경우 오늘 87.1%, 내일 85.6%, 모레 66.3%였고, 배의 경우 각각 93.7%, 91.8%, 93.3%였다(Table 2).

Confusion matrix and accuracy for BIR predicted by K-Maryblyt based on the forecasted weather data from today (+0 day), tomorrow (+1 day), and the day after tomorrow (+2 day)

고 찰

우리 실정에 맞게 보완한 K-Maryblyt 예측모델을 기반으로 예찰 정보를 제공하는 FBcastS를 화상병 모델 기반 방제에 활용한 결과를 요약하면, 총 225,023건의 문자를 2022년과 2023년에 농민과 현장 전문가들에게 배포할 수 있었다. 비록 광범위한 면적에서 관행방제와 K-Maryblyt 예측모델에 따른 모델방제의 방제가를 직접 비교한 포장시험 결과는 없지만, 농정 당국이 K-Maryblyt를 활용하여 과수 화상병 선제적 방제를 위한 콘트롤 타워로서의 역할을 할 수 있도록 꽃감염 방제를 위한 약제 배포 및 적기 방제 알림을 주도함으로써 현장에서 K-Maryblyt 모델 기반 사전 예방 방제가 가능하였다. 다행히 아직까지 우리나라에서 항생제 저항성을 보이는 화상병균은 보고되지 않았으며, 개화 기간 중 농용 항생제 살포에 거부감이 많았던 과수 재배 농민들에게 적절한 시기와 횟수로 과수 화상병 약제 방제를 할 수 있도록 권고함으로써 저항성균 출현을 사전에 예방하고 있다(Ham 등, 2023).

K-Maryblyt와 같은 수학적 모델을 자동으로 구동하는 정보시스템에서는 신뢰성이 확보된 입력 자료만을 결측 구간 없이 수집해야 한다. 입력 자료에 결측(missing value) 또는 이상(outlier value) 값이 포함되면 구동 과정에서 오류가 발생하거나 신뢰할 수 없는 결과를 생성하게 된다. 본 연구의 FBcastS에 포함된 단위 시스템 중 기상자료 입력 시스템은 입력자료의 오류가 발생되는 문제를 최소화할 수 있는 모듈을 포함하고 있다. 761개 과수원에 설치된 OAWS 기상자료들은 기상청에서 고시한 기상관측자료 품질평가 방법에 따라 검사를 수행하였다. 만일, 검사 과정에서 품질기준을 충족하지 못한 자료가 포함되었을 경우, 같은 시간에 관측된 모든 기상요소는 삭제하도록 고안하였다. 이상값으로 분류되어 삭제되거나 결측된 자료 구간은 인접한 기상관측 지점의 정상 자료를 이용해 보간함으로써 모델 입력자료의 품질을 확보할 수 있었다.

FBcastS는 사과와 배 개화기 동안 BIR 경보를 제공해 농용 항생제 살포 시기를 결정하는 데 활용되고 있다. 보다 신뢰 높은 정보를 현장에 제공하기 위해서는 사과와 배나무의 정확한 개화시기가 필요하다(Namkung과 Yun, 2022). K-Maryblyt 모델은 사과와 배 화상병 예측을 위해 생육단계 예측 계산 함수식을 포함하고 있다. 생물계절 모델에서 각 생육단계를 판단하는 기준은 화상병 발생이 심각한 중부 지역(배: 안성, 천안; 사과: 충주, 제천)에서 조사된 생육단계와 일부 과수원에 설치된 web-cam 영상을 이용해 결정하였다. Namkung과 Yun (2022)의 연구에 따르면 배나무의 경우 중부 지역은 개화 기간 동안 BIR 경보를 방제에 활용할 수 있지만 일부 남부 지역은 개화를 판단하는 모델 기준 수정이 필요하다. 향후 주산지를 중심으로 실제 사과와 배 생육단계 자료 확보를 통해 모델 기준을 재설정하고, 지역별로 생물계절 모델의 모수가 관리될 수 있도록 향후에도 FBcastS 개선이 지속되어야 할 것이다. Wang 등(2021)은 사과 발아기부터 낙화완료까지 개화기를 9단계를 구분하고 RGB 이미지로부터 CNN 딥러닝 기술을 활용해 “ DeepPhenology”라는 꽃의 발달 분포 추정 방법을 제안하였다. 이와 같이 향후에 컴퓨터 비전과 딥러닝 기술을 이용한 이미지로부터 사과와 배나무의 꽃 발달 상황을 빠르게 판단할 수 있는 기술이 FBcastS에 접목된다면 보다 효과적인 방제 의사결정이 가능할 것으로 전망된다.

현재 우리나라 과수 화상병 방제 약제는 식물방역법을 근거로 지자체별 방제약제 선정 심의회를 거쳐 과수 재배자에게 방제약제를 무상으로 공급하고 있다(Ham 등, 2023). 2022년 이후 개선된 농촌진흥청 화상병 예찰 및 방제 지침에 따르면 개화기 방제는 FBcastS에서 제공하는 BIR 경보단계를 참고해 등록된 농용 항생제 살포를 권고하고 있다(Rural Development Administration, 2022, 2023). 본 연구에서 개발된 FBcastS 시스템을 활용해 2022년부터 우리나라 사과와 배 재배 농업인을 대상으로 화상병 방제 적기 알림을 제공하고 있다. 2022년의 경우 당일의 BIR 경보단계가 위험(BIR-H) 또는 매우위험(BIR-I) 경보가 발생되면 모델의 방제 권고를 즉시 발송하였고, 2023년에는 지자체별로 선정된 방제약제 종류(미생물제, 저항성유도제, 정균작용 항생제, 살균작용 항생제)에 따라 BIR 경보단계, 기온 예보 상황 그리고 지역별 개화 여부를 참고해 전문가의 최종 판단을 통해 알림을 발송하였다. FBcastS가 판단하는 방제 적기 결정과 알림 제공이 전문가 수준까지 도달하기 위해서는 방제약제 종류, 약제 살포 날짜, 개화 상태 등 추가적인 현장 정보를 수집해 데이터베이스로 관리되어야 하며, 이를 위한 시스템 개발자와 연구자, 과수 재배자, 지역 담당 공무원 간 상호협력이 필요하다.

K-Maryblyt 모델을 기반으로 구현된 FBcastS는 기상자료 획득부터 생물계절 추정 그리고 방제 의사결정을 위한 정보 배포까지 모든 과정이 자동화되도록 고안되었으나, 방제 적기 알림을 발송하기 직전에 방제 전문가의 의견 반영이 필요한 상황이 발생할 수도 있다. 실제로 2023년에는 약제 작용 기작에 따른 방제 적기 결정, 배 검은별무늬병 등 다른 식물병 방제 시기와 화상병 방제 시기가 같을 경우 방제 우선 순위 결정이 필요하였다. 따라서 현재 상황에서 FBcastS가 완벽히 자동으로 구동된다라고 할 수 없다. 전문가 수준의 방제 의사결정을 포함하여 FBcastS를 보다 완벽히 자동화하려면 장차 AI 기술과의 통합이 필요하다. 즉, 방제 의사결정이 어려운 상황에서 전문가의 판단력과 경험이 학습된 AI 모델이 반영되는 시스템으로 FBcastS가 개선된다면 정확하고 효과적인 화상병 방제 의사결정 지원이 가능하다.

본 연구에서 개발한 FBcastS은 2024년 7월부터 시행되는 스마트 농업 육성 및 지원에 관한 법률(스마트 농업법)에서 제시한 질병 예측 및 방제 서비스 제공을 위해 스마트 농업 데이터를 수집, 분석하는 방식의 적절한 예시라 할 수 있다. K-Maryblyt는 사과와 배 과수원 현장에서 자동으로 수집한 기상정보를 활용하여 사과, 배나무의 개화 시기를 포함한 생육단계를 예측하고, BIR 판단과 CBS, SBS, BBS 병징 발현 시기를 예측한다. 이렇게 모델이 계산한 기주의 생육 및 화상병 발병 정보들은 스마트 농업 데이터로서 모델 기반 방제에 활용할 수 있다. 또한 FBcastS은 전국의 과수원 및 인근에서 수집한 1,583곳의 기상관측 지점으로부터 빅데이터인 기상자료를 수집하고 이를 보정하는 단위 시스템, 각 지점별로 K-Maryblyt 모델을 자동으로 구동 #xD558;는 단위 시스템, 그리고 모델의 결과를 농민, 현장 관리자, 정책 당국에 웹과 모바일을 기반으로 신속하고 정확하게 배포할 수 있는 단위 시스템으로 구성되어 있으므로 FBcastS 전체 과정은 스마트 농업법이 지칭하는 스마트 농업 방식이라 할 수 있다. 더 나아가 NCPMS에 탑재된 사과와 배 병해충 예측모델을 FBcastS와 연계해 활용한다면 과수 화상병 이외의 다른 병해충 발생 위험을 종합적으로 예측할 수 있으며, 이상기상에 따른 병해충의 확산을 보다 효율적으로 관리할 수 있는 스마트 농업의 모범 사례가 될 것이다.

Notes

Conflicts of Interest

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

Acknowledgments

This work was supported by the Cooperative Research Program for Agriculture Science & Technology Development (Project No. RS-2020-RD009731) of the Rural Development Administration of the Republic of Korea.

References

Ahn M.-I., Yang H.-J., Yun S.-C.. 2024;Development of K-Maryblyt for fire blight control in apple and pear trees in Korea. Plant Pathol. J. 40:290–298.
Foughali K., Fathallah K., Frihida A.. 2019;A cloud-IOT based decision support system for potato pest prevention. Procedia Comput. Sci. 160:616–623.
Ham H., Lee M.-H., Roh E., Lee W., Choi H.-W., Yang M. S., et al. 2023;Effect of the registered control agents for fire blight on fire blight disease at flowering stage of apple in Korea. Korean J. Pestic. Sci. 27:344–351. (In Korean).
Kang W.-S., Hong S.-S., Han Y.-K., Kim K.-R., Kim S.-G., Park E.-W.. 2010;A web-based information system for plant disease forecast based on weather data at high spatial resolution. Plant Pathol. J. 26:37–48.
Lee Y. H.. 2012;One-stop treatment for pest prediction, prediction and diagnosis. Life Pestic. 277:22–25.
Liu Q., Vasarhelyi M. A.. 2014;Big questions in AIS research: measurement, information processing, data analysis, and reporting. J. Inf. Syst. 28:1–17.
Namkung K. B., Yun S. C.. 2022;A Maryblyt study to apply integrated control of fire blight of pears in Korea. Korean J. Agric. For. Meteorol. 24:305–317.
Rural Development Administration. 2022. Guidelines for the 2022 fire blight forecast and control project. Rural Development Administration Jeonju, Korea. 58–62.
Rural Development Administration. 2023. Guidelines for the 2023 fire blight forecast and control project. Rural Development Administration Jeonju, Korea. 55–60.
Turechek W. W., Biggs A. R.. 2015;Maryblyt v. 7.1 for Windows: an improved fire blight forecasting program for apples and pears. Plant Health Prog. 16:16–22.
Wang X. A., Tang J., Whitty M.. 2021;DeepPhenology: estimation of apple flower phenology distributions based on deep learning. Comput. Electron. Agr. 185:106123.
Zamora-Izquierdo M. A., Santa J., Martínez J. A., Martínez V., Skarmeta A. F.. 2019;Smart farming IoT platform based on edge and cloud computing. Biosyst. Eng. 177:4–17.

Article information Continued

Fig. 1.

The database architecture (A) and functional composition (B) of FBcastS. FBcastS operates using a big collection of metrological data, employing a suitable database for this purpose. It comprises subsystems for gathering and refining extensive meteorological data, executing the K-Maryblyt model, distributing information to users via web and mobile interfaces, and alerting users about the timing for pesticide spraying to control fire blight in apple and pear trees. API, application programming interface; DL, data lake; CMMN, common; DWH, data warehouse.

Table 1.

Development environment of the cloud-based K-Ma-ryblyt model for fire blight

Type Web Web application server Database
Application Nginx Django PostgreSQL/ClickHouse
Security https PBKDF2 PBKDF2
Container Docker
OS Ubuntu 20.04
CPU 8 core
RAM 16 GB

Fig. 2.

Four maps display the layout of weather monitoring networks integral to the operation of FBcastS. Automated Synoptic Observing System (ASOS) (A) and Agriculture Automatic Weather Station (AWS) (B) networks are managed by the Korea Meteorological Administration. Agriculture Automatic Weather Station (AAWS) (C) is maintained by the Rural Development Administration. Orchard Automatic Weather Station (OAWS) (D) features automated weather observation equipment strategically placed in apple and pear orchards to forecast fire blight infection rates and symptom onset.

Fig. 3.

Locations of weather stations in major production areas and fire blight outbreak regions for apple (A) and pear (B) trees.

Fig. 4.

Web service for monitoring weather data automatically collected from Orchard Automated Weather Stations (OAWS) installed in apple and pear orchards. It consists of menus for monitoring data collection status, data retrieval, quality status, and site management.

Fig. 5.

Mobile-based interface displaying a fire blight forecasting information service. This platform delivers K-Maryblyt forecasting information from the nearest weather station to the user's location based on location-based services (LBS). Designed with user-friendliness in mind, it specifically caters to apple and pear growers.

Fig. 6.

Web-based interface displaying a nationwide fire blight forecasting monitoring service. User can access predictions by the K-Maryblyt model and compare the forecasting from up to four locations. The primary users are national and local government officials and researchers.

Fig. 7.

The sequential decision-making process in FBcastS for sending the timing of fire blight spray notifications based on the results of the K-Maryblyt forecasting model. BIR, blossom infection risk.

Fig. 8.

The impact of installing Orchard Automated Weather Stations (OAWS) in Korea through two main visual components. The first component compares the average distances (km) to the nearest weather station locations in Korea before (A) and after (C) the installation of OAWS, providing a clear view of how the installation has improved accessibility to weather stations. The second component is the kernel density estimation (KDE) of the weather station's spatial distribution before (B) and after (D) the installation of OAWS. This KDE visualizes the concentration of weather stations across a specified region, with density values represented using a color gradient; higher density values indicate areas with a higher concentration of weather stations.

Table 2.

Confusion matrix and accuracy for BIR predicted by K-Maryblyt based on the forecasted weather data from today (+0 day), tomorrow (+1 day), and the day after tomorrow (+2 day)

Class Prediction data
Non-spray Spray Total Precision Recall Overall accuracy (%)
Pear +0 day Non-spray 1,047 16 1,063 0.79 0.66 93.7
Spray 56 27 83
Total 1,103 43 1,146
+1 day Non-spray 943 3 946 0.86 0.56 91.8
Spray 82 12 94
Total 1,025 15 1,040
+2 day Non-spray 828 5 833 0.93 0.74 93.3
Spray 59 56 115
Total 887 61 948
Apple +0 day Non-spray 3,544 445 3,989 0.85 0.86 87.1
Spray 321 1,630 1,951
Total 3,865 2,075 5,940
+1 day Non-spray 3,738 162 3,900 0.87 0.81 85.6
Spray 687 1,289 1,976
Total 4,425 1,451 5,876
+2 day Non-spray 3,687 4 3,691 0.80 0.52 66.3
Spray 1,905 68 1,973
Total 5,592 72 5,664

BIR is classified into non-spray and spray based on criteria that recommend no spraying (BIR-L and BIR-M) and criteria that recommend spraying (BIR-H and BIR-I).

BIR, blossom infection risk; BIR-L, BIR-low; BIR-M, BIR-moderate; BIR-H, BIR-high; BIR-I, BIR-infection.