서 론

Perkins-Kirkpatrick and Lewis (2020)는 전 세계 여러 지역에서 기후변화에 따라 폭염의 빈도와 강도, 지속시간이 증가하는 경향을 보고하였다. 1988년 기후변화에 대응하기 위해 설립된 기구인 Intergovernmental Panel on Climate Change(IPCC)에서 발간한 6차 기후변화 평가 보고서에 따르면, 2011~2020년의 전 지구 평균기온은 산업화 이전인 1850~1900년 대비 약 1.09℃ 상승했으며, 2040년까지 1.5℃ 이상 상승할 것이라고 발표하였다(IPCC, 2021; Kim et al., 2022).

여름철 폭염의 증가로 인해 축산업에서는 가축의 생산성 저하, 면역력 약화, 폐사율 증가 등의 피해가 발생하고 있다. 특히 육계와 같은 가금류는 몸 전체가 깃털로 덮여있고 땀샘이 발달되어 있지 않은 특징으로 다른 축종에 비해 온도 변화에 취약하다(Bonnet et al., 1997; Song and King, 2015). 실제 국내에서는 1973년 이후 여름철(6~8월) 폭염이 가장 심했던 2018년 8,336,200마리의 육계 폐사 피해가 발생하였다(Kim et al., 2022).

태양광 발전 기술의 발전과 보급 확대에 따라 축사 지붕에 태양광 발전 시스템을 설치하는 사례가 증가하고 있다. 축산시설의 지붕에 설치되는 태양광 패널(Photovoltaic Panel, PV)은 전력 생산뿐만 아니라 지붕으로 입사되는 태양복사에너지를 차단함으로써 축사 내부 열환경에 영향을 미칠 수 있다. Bilčík et al. (2021)은 태양광 패널이 설치된 우사와 미설치 우사의 열환경을 비교하여 PV의 설치가 내부 온도 및 THI 개선에 긍정적인 영향을 미치는 것을 확인하였다. 또한 Oliveira et al. (2023)은 축소형 육계사에서 태양광 패널 설치 시 내부 공기 온도가 약 0.4℃, 흑구습도지수(Black Globe Humidity Index, BGHI)가 약 0.7, 복사열 부하가 약 4 W/m² 감소하였으며, 섬유시멘트 지붕 조건에서는 THI가 약 4.8 감소한다고 보고하였다. 이러한 결과는 지붕형 태양광 패널이 축사 내부의 열환경에 영향을 미칠 수 있음을 보여준다.

가축의 고온 스트레스 정도를 정량적으로 평가하기 위해 기온과 상대습도를 이용한 온습도지수(Temperature- Humidity Index, THI)가 개발되었다(Dikmen and Hansen, 2009; NRC, 1971). 국내의 경우 국립축산과학원에서 IPCC의 Representative Concentration Pathways(RCP) 시나리오에 따른 외부 기온 및 습도 변화를 고려한 온습도지수 예측 시스템을 제공하고 있다(National Institute of Animal Science, 2016). 그러나 자연환기식 시설에서 사육하는 젖소, 한우와 달리 육계는 무창, 반무창 사육시설과 같은 밀폐형 시설에서 사육되고 있어 외부환경 자료로 계산된 온습도지수를 직접 이용하는 데는 한계가 있다(Ha et al., 2018; Kwon et al., 2019). 축사 내부 환경을 정량적으로 모의·해석하기 위해 전산유체역학(Computational Fluid Dynamics, CFD)을 이용하여 축사 내부의 온도와 공기 유동을 분석하고 환기 구조 개선의 필요성을 제시하였으며, Building Energy Simulation(BES) 기법을 적용하여 다양한 운영 조건에서 축사 내부 열환경을 정량적으로 모의·분석할 수 있음을 보고하였다(Choi and Lee, 2023a; Curi et al., 2017; Kwon et al., 2023). Lee and Ha (2025)는 강제환기식 돈사를 대상으로 BES 기법을 이용하여 내부 온·습도 환경을 예측하고, 기상자료와 연계하여 돈사 내부 온습도지수를 예측하는 모델을 개발하였다. 그러나 육계사 내부 온열 환경은 지역별 기상조건, 냉방설비 운영, 건축적 특성 등 다양한 요인의 영향을 받지만, 이를 반영한 육계사 내부의 온습도지수를 예측할 수 있는 연구는 부족한 실정이다. 따라서 육계사의 실제 운영 및 환경 특성을 고려한 내부 온습도지수 예측 모델의 개발이 요구된다.

본 연구에서는 육계사의 내부 온습도지수가 지역별 기상조건과 축사의 환경 및 운영 조건에 따라 달라지며, 외부 기상자료와 주요 영향인자를 이용하여 내부 온습도지수를 예측할 수 있을 것으로 가정하였다. 이에 검증된 BES 해석체계를 기반으로 다양한 지역 및 환경·운영 조건에서 육계사의 내부 온열환경 및 온습도지수 변화 특성을 분석하고, 고온 스트레스에 영향을 미치는 주요 인자를 규명하고자 하였다. 또한 외부 기상자료를 활용하여 육계사 내부 온습도지수를 예측할 수 있는 회귀모델을 개발하고 예측성능을 평가하고자 하였다.

재료 및 방법

1. BES 기반 육계사 검증 모델 및 대상 시설

본 연구에서는 지붕에 태양광 패널이 설치된 강제환기식 육계사의 내부 온습도 환경 및 THI를 정밀하게 모의하기 위해, 선행연구(Ha, 2025; Ha et al., 2026)를 통해 예측 신뢰성이 검증된 건물에너지해석(Building Energy Simulation, BES) 모델을 기본 구조로 활용하였다. 해당 검증 모델의 대상 시설은 전라북도 정읍시에 위치한 상업용 강제환기식 육계사로 50인치 환기팬(EM50n, Munters, Italy) 14대가 터널 환기 방식으로 설치되어 있다.

선행연구(Ha, 2025)에서는 육계사 내부의 온도 및 상대습도 측정을 위해 15개의 온습도로거(UX100-011A, Onset, USA)를 폭 방향 3개, 길이 방향 5개로 설치하여, 2024년 4월 3일부터 10월 1일까지 총 4회의 사육기간 동안 실험대상 농장 내외부에서 수집된 실측 데이터를 기반으로 모델의 검증을 수행하였다. 검증 결과, 실내 온도의 CvRMSE는 2.93~3.69%, MAPE는 2.20~3.17%로 허용 기준을 만족하였으며, 상대습도 역시 대부분 허용 범위 이내의 오차를 나타내어 BES 모델의 높은 예측 신뢰성을 확보하였다.

검증된 BES 모델을 다양한 기후 및 구조 조건에 확장 적용하는 접근은 선행연구에서도 활용된 바 있다(Choi and Lee, 2023b). 본 연구에서는 선행연구(Ha et al., 2026)에서 검증된 해석체계를 동일하게 유지하되, 농림축산식품부 표준설계도에 따른 표준 육계사 형태로 모델을 확장하고 지붕 상부에 태양광 패널을 추가하였다. 모델의 기본 구조는 농림축산식품부에서 고시한 육계사 표준설계도(Ministry of Agriculture, Food and Rural Affairs and Nonghyup, 2024)를 기반으로 하였으며, 본 연구의 모든 육계사 모델은 지붕 상부에 태양광 패널이 설치된 형태로 가정하였다. 태양광 패널은 발전성능 자체를 모의하기 위한 것이 아니라 지붕에 입사되는 태양복사에너지에 대한 차양효과를 고려하기 위한 조건으로 적용하였으며, 태양광 패널이 적용된 육계사 모델의 형상 및 배치는 Figure 1에 제시하였다.

Figure 1.

Geometry of the standard broiler house model with roof-mounted photovoltaic panels.

2. 온습도지수 (Temperature-Humidity Index, THI)

온습도지수(Temperature-Humidity Index, THI)는 공기 온도와 상대습도를 이용하여 가축이 노출되는 온열환경을 정량적으로 평가하기 위한 지표로 활용되고 있다(NRC, 1971). 본 연구에서는 NRC (1971) 및 Dikmen and Hansen (2009)에 기반한 THI 산정식을 적용하였다. St-Pierre et al. (2003)은 육계의 고온 스트레스 임계값을 THI 78로 제시하였으며, 해당 기준은 국립축산과학원의 가금 고온 스트레스 평가에도 적용되고 있다(National Institute of Animal Science, 2016). 또한 Ha et al. (2018)과 Kwon et al. (2019)은 THI를 이용하여 육계사 내부의 고온 스트레스를 정량적으로 평가하였다. 따라서 본 연구에서는 선행연구와의 일관성을 고려하여 THI ≥ 78을 육계의 고온 스트레스 발생 기준으로 설정하였다.

여기서 T는 내부 온도(℃), RH는 내부 상대습도(%)이다.

3. BES (Building Energy Simulation) 기법

건물에너지해석(BES)은 건축물 내부의 열 이동 및 에너지 흐름을 수치해석적으로 정밀하게 계산하는 기술로, 최근 농업 시설의 열 환경 분석 분야에서도 활용성이 크게 증대되고 있다(Ha et al., 2018).

본 연구의 동적 시뮬레이션 해석을 위한 도구로는 TRNSYS(ver. 18, TESS, LLC., USA) 프로그램을 채택하였다. 해당 프로그램은 전달함수법(Transfer Function Method)에 기반하여 모의 대상 공간 내에서 발생하는 복사와 대류, 구조체의 축열 및 방열 등 복합적인 열적 물리 현상을 시간 단계별로 계산하여 실내 열평형 상태를 도출한다. 특히, TRNSYS는 사용자가 해석 목적에 맞게 기능별 세부 모듈(Component)을 설계하고 변수 간의 유기적인 연계성을 부여할 수 있는 모듈식 구조를 취하고 있어, 축사 내 복잡한 에너지 흐름과 환경 변화를 동적으로 모의하는 데 적합하다(Ha et al., 2015; Kwon et al., 2023).

본 연구에서는 태양광 패널의 발전성능이나 자체 열적 거동은 모의하지 않고, 지붕 상부에 이격 설치된 패널에 의한 차양효과만을 고려하였다. 태양광 모듈군은 축사 폭 방향을 가로지르는 하나의 연속적인 차양 row로 단순화하여 건물 길이 방향으로 반복 배치하였으며, TRNSYS의 Collector Array Shading 모듈(Type30a)을 이용하여 일사 차단효과를 반영하였다. 각 row의 길이는 14.532 m, 폭은 1.48 m, row 간 간격은 1.5 m, 경사각은 27°로 설정하였다. 또한 폭 12 m의 축사를 기준으로 각 row가 양측 처마 외측으로 약 1.27 m씩 돌출되도록 배치하였다. 본 모델은 실제 PV 시스템의 상세 열·전기적 거동이 아닌 태양광 패널 설치에 따른 지붕 차양효과를 반영하기 위한 단순화된 모델이다.

4. 수치해석 환경조건

(1) 닭의 현열 및 잠열 발생량

육계는 체중과 주변 환경 온도에 따라 실시간으로 배출하는 현열 및 잠열 발생량이 달라지며, 이는 계사 내부의 온습도 환경 및 열부하 형성에 직접적인 영향을 미친다. Pedersen and Sällvik (2002)은 육계의 동적 대사열 배출 특성을 육계의 체중 및 주변 환경 온도에 관한 수식으로 제시했으며, Ha et al. (2018)은 이러한 기초 원천 수식을 수치모델 적용을 위해 종합 정리하였다.

Pedersen and Sällvik (2002)은 기준 온도(20℃)에 따른 총열 발생식을 제시하였고, 주변 기온이 기준 온도와 다를 경우의 발열량 보정 공식을 제안하였다. 최종적으로 1 hpu 기준 현열량을 수식화하여 제공하고 있다. Ha et al. (2018)은 이러한 공식들을 종합하여 육계의 체중 및 주변 환경 기온에 따른 전열(Φtot), 현열(Φs), 잠열(Φl) 발생량 공식을 제안하였다.

여기서, Φtot는 닭의 전열 발생량(W), Φs는 현열 발생량(W), Φl은 잠열 발생량(W)을 의미하며, m은 닭의 중량(kg), t는 계사 내부의 공기 온도(℃)이다.

(2) BES 모델 연산 조건

Table 1은 본 연구에서 BES 시뮬레이션을 통해 육계사 내부 환경 모의를 수행한 6가지 연산 조건을 나타낸 것이다.

먼저 국내 지역별 기후 변화를 반영하기 위해 16개의 지역을 선정하였다. 이 지역들은 한국에너지기술연구원이 30년간의 기상 관측 자료를 바탕으로 구축한 표준기상년(Typical Meteorological Year, TMY) 데이터에서 제공하는 지역이기 때문에 선정되었다. 기상 입력 데이터는 두 가지 데이터를 기반으로 구성하였다. 하나는 각 지역의 대표적인 기상 조건을 나타내는 TMY 데이터이며, 다른 하나는 각 지역의 혹서기 극한 기상 데이터이다. 혹서기 극한 기상 데이터는 기상청의 기상자료 개방 포털(Korea Meteorological Administration, 2015)에서 제공하는 각 지역의 지난 30년간의 데이터를 분석하여 최고기온이 발생한 연도의 데이터를 사용하였다. 두 기상자료는 자료 유형 간 차이를 통계적으로 비교하기 위한 처리요인이 아니라, 일반적인 기상조건부터 극한 고온조건까지 다양한 외부환경을 시뮬레이션에 반영하기 위한 기상 입력조건으로 사용하였다. 따라서 기상자료 유형 자체는 분산분석의 독립변수로 설정하지 않았다.

육계사의 규모는 농림축산식품부에서 고시한 육계사 표준설계도(Ministry of Agriculture, Food and Rural Affairs and Nonghyup, 2024)를 기반으로 선정하였다. 육계사의 길이는 설계 기준에 따라 최소 길이인 36 m(A+10K+B), 최대 길이인 120 m(A+38K+B), 중간값인 66 m(A+20K+B), 96 m(A+30K+B)로 네 가지를 설정하였으며, 폭은 12 m, 측고는 3.3 m, 동고는 5.9 m로 고정된 값을 가진다. 본 연구에서 사용한 모든 육계사 모델은 지붕 상부에 태양광 패널이 설치된 형태를 기본 조건으로 가정하였다. 태양광 모듈군은 축사 폭 방향을 가로지르는 차양 row로 단순화하여 건물 길이 방향으로 반복 배치하였으며, 이에 따라 A+10K+B의 건물에는 7개, A+20K+B에는 13개, A+30K+B에는 20개, A+38K+B에는 25개의 태양광 패널을 구성하였다. Figure 2는 2024 계사 표준설계도의 입면도이다.

Figure 2.

Standard design model for broiler by MAFRA.

외벽 및 지붕의 열관류율 값은 건축물 에너지 절약 설계 기준(Ministry of Land, Infrastructure and Transport, 2024)에서 제시한 값을 적용하였으며, 각 지역별 외벽, 내벽, 지붕 및 바닥의 단열 열관류율은 Table 2에 제시하였다.

육계는 출하 목적에 따라 체중을 다르게 설정하는데 본 연구에서는 삼계탕용으로 키우는 1.0 kg, 치킨용으로 키우는 1.5 kg, 닭 가슴살과 같은 부분육 제품용으로 키우는 2.0 kg의 세 가지 체중을 설정하였다.

냉방 시스템 조건은 증발식 냉방패드의 가동 여부로 구분하여, 냉방에 따른 온·습도 및 THI 변화 특성을 분석하였다.

총 연산 조건 수는 지역 16개, 기상 데이터 2개, 건물 규격 4개, 벽체 열관류율 4개, 육계의 체중 3개, 냉각 패드의 가동 여부 2개로 총 3,072개의 연산 조건에 대해 시뮬레이션을 수행하였다(Table 1).

(3) 통계분석

시뮬레이션을 통해 산출된 시간 단위의 실내 온도와 상대습도를 이용하여 THI를 계산하였다. 고온 스트레스에 영향을 미치는 주요 요인을 분석하기 위해 분산분석(Analysis of variance, ANOVA)을 수행하였으며, 유의한 차이를 나타낸 요인을 대상으로 Duncan의 다중범위검정(Duncan’s multiple range test)을 실시하였다. 분산분석을 수행하기 위한 종속 변수는 육계의 THI 임곗값 (THI≥78)(St-Pierre et al., 2003)을 초과한 누적 시간, 1년 동안 시뮬레이션된 최대 THI 값, 연간 시간별 THI 값을 선정하였으며, 분산분석의 독립변수는 연구의 주요 분석요인인 지역, 육계사 규모, 벽체 열관류율, 육계의 체중 및 냉각 시스템 가동 여부로 설정하였다.

(4) 회귀모델 구축 및 성능평가

분산분석 및 사후검정 결과를 바탕으로 지역과 냉각 시스템 가동 여부를 회귀모델의 구분요인으로 선정하였으며, 16개 지역과 2개의 냉각조건을 조합하여 총 32개의 개별 회귀모델을 구축하였다. 각 회귀모델은 외부 기상자료의 온도와 상대습도로 산출한 외부 THI를 독립변수로, BES를 통해 산출한 육계사 내부 THI를 종속변수로 설정하였다.

회귀모델의 예측성능을 평가하기 위해 각 지역 및 냉각조건별 96개의 시뮬레이션 연산조건을 Case ID 단위로 약 70:30의 비율로 분할하여, 67개 조건을 학습자료(training set), 29개 조건을 검증자료(test set)로 사용하였다. 이때 TMY와 혹서기 극한기상자료가 학습자료와 검증자료에 균형 있게 포함되도록 기상자료 유형을 기준으로 층화 무작위 분할을 수행하였으며, 동일한 Case에서 산출된 시간별 자료가 두 자료군에 중복되지 않도록 하였다. 회귀계수는 학습자료만을 이용하여 산출하였으며, 모델 구축에 사용되지 않은 독립적인 검증자료를 대상으로 결정계수(R²), 평균제곱근오차(RMSE) 및 평균절대백분율오차(MAPE)를 산출하여 예측성능을 평가하였다.

결과 및 고찰

1. 통계 분석 결과

검증된 모델을 기반으로 3,072개의 연산 조건에 대한 시뮬레이션 결과를 이용하여 THI를 산정하고, 고온 스트레스에 영향을 미치는 주요 요인을 분석하였다.

Table 3은 종속 변수 육계의 THI 임계값을 초과한 누적 시간에 대한 분산분석 결과이다. Table 3에 명시된 바와 같이, 지역과 냉각 시스템 가동 여부는 온습도지수가 임곗값을 초과한 누적 시간에 대해 통계적으로 유의한 영향을 미쳤다(p<0.0001). 반면, 육계사의 규모, 벽체의 열관류율, 육계의 체중은 유의하지 않았다. 육계의 THI 임곗값을 초과한 누적 시간에 대해 유의한 영향을 미친 지역과 냉각 시스템 가동 여부에 대해 Duncan의 다중 범위 검정을 실시한 결과 냉각 및 비냉각 조건 모두에서 지역들은 단계적으로 그룹화되어, 고온 스트레스의 층위가 존재함을 알 수 있었다.

Table 4는 종속 변수 연간 최대 THI 값에 대한 분산분석 결과이다. 앞선 결과와 마찬가지로 지역과 냉각 시스템 가동 여부는 연간 최대 THI 값에 대해 통계적으로 유의한 영향을 미쳤으며(p<0.0001), 육계사의 규모, 벽체의 열관류율, 육계의 체중은 유의하지 않음을 보였다. 이는 지역과 냉각 시스템 가동 여부가 가축의 고온 스트레스 수준을 결정하는 주요 요인임을 시사한다. 연간 최대 THI 값에 대해 유의한 영향을 미친 지역과 냉각 시스템 가동 여부에 대해 Duncan의 다중 범위 검정을 실시한 결과 앞선 결과와 마찬가지로 냉각 및 비냉각 조건 모두에서 지역들은 모두 단계적으로 그룹화되었으며, 고온 스트레스의 층위가 존재함을 알 수 있었다. 또한 냉각 시스템 가동 여부가 연간 최대 THI 값에 통계적으로 유의한 영향을 미쳤으나, 실제 THI 감소 폭은 0.36~1.12로 냉각 시스템이 고온 스트레스를 낮추는 데 기여하지만 실제 수치상으로는 크지 않음을 알 수 있었다.

Table 5는 종속 변수 시간별 THI 값에 대한 분산분석 결과이다. 분산분석을 수행하기에 앞서 고온 스트레스에 대한 분석이 주목적이기 때문에 대한민국 주요 지역의 여름철 일 평균 최저기온인 20.31℃를 초과하는 시간대의 데이터만 분석할 수 있게 데이터 필터링을 하였다. Table 5에 제시된 바와 같이, 지역, 벽체의 열관류율, 냉각 시스템 가동 여부, 육계의 체중은 시간별 THI 값에 대해 유의한 영향을 미쳤다(p<0.0001). 반면, 육계사의 규모는 시간별 THI 값에 대해 유의한 영향을 보이지 않음을 확인할 수 있었다(p=0.7490). 시간별 THI 값에 대해 유의한 영향을 미친 변수에 대해 Duncan의 다중 범위 검정을 실시한 결과, 냉각 및 비냉각 조건에서 지역, 벽체의 열관류율, 육계의 체중 모두 단계적으로 그룹화되어 분류되었지만, 벽체의 열관류율, 육계의 체중에서의 그룹 간 시간별 THI 값의 차이는 각각 0.04, 0.02로 크지 않은 것으로 나타났다. 또한 냉각 시스템을 가동했을 때 시간별 THI 값은 1±0.5만큼 감소하는 것을 확인할 수 있었다. 이는 앞선 결과와 마찬가지로 증발식 냉각 시스템이 고온 스트레스를 낮추는 데 기여하지만 실제 수치상으로는 크지 않음을 시사한다.

2. 회귀모델 구축 및 검증 결과

통계 분석 결과를 기반으로 지역과 냉각 시스템 가동 여부를 회귀모델의 구분요인으로 선정하였으며, 벽체의 열관류율과 육계의 체중은 시간별 THI에 통계적으로 유의한 영향을 나타냈으나 실제 조건 간 THI 차이가 각각 0.04 및 0.02로 작아 회귀모델의 구분요인에서 제외하였다. 또한 육계사의 규모는 시간별 THI에 통계적으로 유의한 영향을 나타내지 않아 제외하였다. 외부 기상자료의 온도와 상대습도로 산출한 외부 THI를 주요 독립변수로 설정하고, 16개 지역과 2개의 냉각조건을 조합하여 총 32개의 개별 회귀모델을 구축하였다.

각 지역 및 냉각조건별 96개의 시뮬레이션 연산조건 중 67개 조건을 학습자료로 사용하여 회귀계수를 산출하였으며, 회귀모델 구축에 사용되지 않은 29개 조건의 독립 검증자료를 이용하여 예측성능을 평가하였다. 학습자료에서 32개 회귀모델의 평균 R², RMSE 및 MAPE는 각각 0.9643, 0.8087, 0.8682로 나타났으며, 검증자료에서는 각각 0.9643, 0.8101, 0.8696으로 나타났다. 검증자료의 R²는 0.9176~0.9855, RMSE는 0.5560~1.1900, MAPE는 0.5558~ 1.3529의 범위를 나타냈다. 학습자료와 검증자료에서 유사한 예측성능이 나타나 회귀모델의 과적합 가능성이 크지 않으며, 모델 구축에 사용되지 않은 시뮬레이션 조건에서도 안정적인 예측성능을 나타내는 것을 확인하였다.

Table 6은 32개의 개별 회귀식으로, 지역별로 냉각 시스템 가동 여부에 대한 회귀계수(𝛽₀, 𝛽₁) 결정계수(R2), 평균제곱근오차(RMSE), 평균절대백분율오차(MAPE) 값을 나타내었다.

각 회귀식은 다음 식 (5)와 같은 형태를 가진다.

결 론

검증된 모델을 기반으로 지역 16개, 기상 데이터 2개, 건물 규격 4개, 벽체의 열관류율 4개, 육계의 체중 3개, 냉각 시스템의 가동 여부 2개를 조합하여 총 3,072개의 연산 조건에 대해 시뮬레이션을 수행하였다. 시뮬레이션을 통해 얻은 온도와 상대습도 데이터로 온습도지수를 산정하였으며, 고온 스트레스에 영향을 미치는 주요 변수를 파악하기 위해 분산분석을 수행하였다. 또한 유의한 차이를 보이는 변수를 대상으로 Duncan의 다중 범위 검정을 실시하였다.

분산분석 결과 종속 변수 육계의 THI 임계값을 초과한 누적 시간, 연간 최대 THI 값에 대해 지역, 냉각 시스템 가동 여부는 통계적으로 유의한 차이를 보였으며, 종속 변수 시간별 THI 값에 대해 지역, 벽체의 열관류율, 냉각 시스템 가동 여부, 육계의 체중은 통계적으로 유의한 차이를 보였다(p<0.0001). 반면, 육계사의 규모는 3개의 종속 변수에 대해 분산분석을 한 결과 모두에서 통계적으로 유의하지 않음을 알 수 있었다. 또한 유의한 차이를 보인 변수에 대해 Duncan의 다중 범위 검정을 한 결과 냉각, 비냉각 조건 모두에서 단계적으로 그룹화되어 고온 스트레스의 층위가 존재함을 알 수 있었지만, 실제 수치상으로 THI 값의 차이는 크지 않은 것으로 나타났다.

분산분석 결과와 각 요인의 실제 THI 차이를 바탕으로 지역과 냉각 시스템 가동 여부를 회귀모델의 구분요인으로 선정하고, 외부 기상자료를 이용하여 산출한 THI를 독립변수로 설정하여 총 32개의 개별 회귀모델을 구축하였다. 각 지역 및 냉각조건별 시뮬레이션 연산조건을 약 70:30의 비율로 학습자료와 검증자료로 분리하였으며, 학습자료만을 이용하여 회귀계수를 산출하고 모델 구축에 사용되지 않은 검증자료를 대상으로 예측성능을 평가하였다. 그 결과 검증자료에서 32개 회귀모델의 평균 R², RMSE 및 MAPE는 각각 0.9643, 0.8101, 0.8696으로 나타나, 학습에 사용되지 않은 시뮬레이션 조건에서도 안정적인 예측성능을 나타내었다.

본 연구에서 도출한 회귀모델은 축사의 조건을 반영한 육계사 내부의 THI를 예측할 수 있는 도구로 활용될 수 있을 것으로 판단되며, 기상 예보자료를 기반으로 육계의 고온 스트레스 위험 수준을 사전에 예측하여 피해 절감에 기여할 수 있을 것으로 기대된다.