AI 디지털 트윈이 땅콩 농사의 미래 수확량을 예측하는 방법

인공지능과 디지털 트윈 기술은 땅콩밭의 토양, 기상, 생육 정보를 가상 공간에서 분석해 수확량 예측과 지속가능한 농업 전략 수립을 돕는다.

기후변화 시대의 농업은 더 이상 하늘만 바라보는 일이 아니다. 비가 언제 오는지, 토양이 얼마나 버티는지, 어떤 농법이 수확량을 높이는지, 어떤 정책 변화가 농가의 선택을 바꾸는지까지 함께 읽어야 한다. 이번 연구는 인도 412개 지역의 땅콩 재배 데이터를 바탕으로 인공지능과 디지털 트윈을 결합해 수확량을 예측하고, 지속가능한 농업 전략을 가상으로 실험한 사례이다.

연구진은 1997년부터 2023년까지 인도 농무부가 축적한 지역별 땅콩 재배면적, 생산량, 수확량 자료를 분석했다. 농업 데이터는 현실처럼 고르지 않다. 어떤 해에는 기록이 빠지고, 어떤 지역은 값이 불완전하며, 기후·정책·가격 변화가 한꺼번에 얽힌다. 연구진은 이런 빈틈을 시계열 보간과 공간 인접 보정 방식으로 메우고, 미래 정보가 과거 예측에 섞이는 데이터 누출을 막아 안정적인 패널 데이터를 만들었다.

디지털 농장의 핵심은 수확량만 보지 않는 데 있다

이 연구의 흥미로운 지점은 단순히 “내년 땅콩 수확량이 얼마인가”를 묻는 데서 멈추지 않았다는 점이다. 연구진은 농업 환경의 지속가능성을 수치화하기 위해 확장형 재생농업 지수(eRAI)를 제안했다. eRAI는 작물 다각화 지수, 토양 건강 대리 지수, 토지 이용 효율성, 수확량 추세 모멘텀을 결합한 종합 지표이다. 즉 한 지역의 농업이 많이 생산하는지를 넘어, 오래 버틸 수 있는 구조인지까지 함께 보려 한 것이다.

분석 결과 eRAI는 개별 구성 지표보다 다음 해 수확량과 더 강한 관련성을 보였다. 특히 다음 해 수확량과의 상관계수는 r=0.74로 나타났다. 마르코프 전이 모델에서도 지속가능성 상태의 관성이 확인됐다. eRAI가 높은 지역은 다음 해에도 높은 상태를 유지할 확률이 0.79였고, 낮은 지역은 낮은 상태에 머무를 확률이 0.81이었다. 이는 농업의 격차가 한 해의 우연으로 끝나지 않고, 지역 구조 속에 누적될 수 있음을 보여준다.

HB-XGBoost가 보여준 높은 예측 성능

수확량 예측에는 계층적 베이지안 최적화 XGBoost, 즉 HB-XGBoost 모델이 사용되었다. 연구진은 시간의 흐름을 보존하는 확장 창 검증 방식을 적용했다. 이는 미래 데이터를 미리 본 것처럼 학습하는 오류를 줄이고, 실제 정책 현장에서 사용할 수 있는 예측력을 확인하기 위한 절차이다.

HB-XGBoost 모델은 RMSE 0.171t/ha, 결정계수 R² 0.92를 기록했다. 선형 회귀, 일반 XGBoost, 유전 알고리즘 기반 XGBoost보다 더 우수한 성능이었다. 설명 가능한 인공지능 기법인 SHAP 분석에서는 eRAI가 예측 결과에 가장 큰 영향을 준 변수로 나타났다. 그다음은 전년도 수확량과 지역 고유 효과였다. 이는 수확량 예측에서 지속가능성 지표가 단순한 장식 변수가 아니라 핵심 신호로 작동할 수 있음을 시사한다.

가상 실험으로 농업 정책의 가능성을 읽다

디지털 트윈의 장점은 현실의 농지를 훼손하지 않고도 “만약 이렇게 바꾸면 어떻게 될까”라는 질문을 던질 수 있다는 데 있다. 연구진은 토양 건강 대리 지수와 작물 다각화 지수를 가상으로 조정해 수확량 예측치가 어떻게 바뀌는지 살폈다. 토양 건강 대리 지수를 10% 높인 중간 시나리오에서는 예측 수확량이 6.8% 증가했다. 토양 건강과 작물 다각화를 동시에 20% 개선한 고위 시나리오에서는 예측 수확량이 12.4% 증가했다.

다만 이 수치는 실제 농장에서 검증된 확정적 증가량이 아니다. 모델 안에서 조건을 바꾸었을 때 나타난 반사실적 탐색 결과이다. 연구진도 eRAI가 과거 수확량 정보를 일부 포함하므로, 이를 곧바로 인과관계로 해석해서는 안 된다고 보았다. 더 정확히 말하면 이 연구는 “지속가능성이 수확량을 반드시 이만큼 올린다”가 아니라 “지속가능성 지표가 높은 지역일수록 수확량 예측에서도 유리한 신호가 강하게 나타난다”는 점을 보여준다.

한국 농업에도 필요한 데이터 기반 실험실

이 연구는 인도 땅콩 농업을 대상으로 했지만, 한국 농업에도 시사점이 크다. 한국의 농촌은 고령화, 기후 불안정, 비료·인건비 상승, 작물 선택의 어려움이라는 복합 문제를 안고 있다. 이런 상황에서 디지털 트윈은 농민과 정책 입안자가 시행착오의 비용을 줄이는 도구가 될 수 있다. 예를 들어 특정 지역에서 토양 관리, 작물 전환, 관개 방식, 비료 투입량을 바꾸었을 때 수확량과 지속가능성이 어떻게 달라질지 사전에 가늠할 수 있다.

물론 이 연구의 디지털 트윈은 실시간 센서, 위성 영상, 드론 관측과 연결된 완전한 현장형 시스템은 아니다. 과거 데이터를 재구성한 사후 시뮬레이션 프로토타입에 가깝다. 또한 토양 건강 지표도 실제 토양의 화학·물리 측정값이 아니라 생산성 안정성에 기반한 대리 지표이다. 따라서 다른 작물이나 다른 나라에 적용하려면 지역별 토양 자료, 기상 자료, 품종 정보, 농법 기록을 새로 결합해야 한다.

그럼에도 이 연구의 의의는 분명하다. 농업 인공지능은 단순히 수확량을 맞히는 계산기가 아니라, 더 지속가능한 선택을 시험하는 정책 실험실이 될 수 있다. 땅콩밭을 디지털 공간에 옮겨놓은 이번 연구는 미래 농업이 경험과 직감만이 아니라 데이터, 설명 가능한 AI, 가상 시나리오의 결합으로 움직일 수 있음을 보여준다.

출처
Nair, R. R., Babu, T., Yogarayan, S., & Abdul Razak, S. F. B. (2026). A Counterfactual-Enabled Agricultural Decision Support Framework for Sustainability-Aware Groundnut Yield Prediction Using Bayesian-Optimized XGBoost. AI, 7(9), 364. https://doi.org/10.3390/ai7090364