http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : ( Paul Colaizzi ) (검색결과 4 건)
- 무료
- 기관 내 무료
- 유료
-
다층 퍼셉트론 인공신경망 모형을 이용한 노지 밭작물 캐노피 온도 예측 연구
김민영,( Susan O’shaugnessy ),( Paul Colaizzi ),최용훈,전종길,김영진,( Minyoung Kim ),( Susan O’shaugnessy ),( Paul Colaizzi ),( Yonghun Choi ),( Jong-gil Jeon ),( Young-jin Kim ) 한국농업기계학회 2018 한국농업기계학회 학술발표논문집 Vol.23 No.2
작물의 광합성과 증산 작용을 원활하게 하기 위해서는 온습도, 태양광, 이산화탄소 농도 등 외기 환경요인을 최적화하며, 뿌리가 양·수분 흡수를 잘 할 수 있는 적정 근권 토양수분환경을 조성해주어야 한다. 작물 수분스트레스 진단을 위한 핵심적인 항목은 작물의 잎 표면온도, 즉 캐노피(외부) 온도인데, 토양, 대기, 작물 사이의 열 이동이 서로 연결되어 있고, 작물의 온도는 내부 자체 열 흐름뿐만 아니라 외부의 복사 태양열과 토양 반사열의 영향을 받기 때문에 규명하기가 쉽지 않다. 작물의 캐노피 온도를 정확하게 측정하는 방법은 고가의 장비가 필요로 하고, 작물의 생육시기에 따른 변화를 반영해주어야 하기 때문에 쉽지 않다. 뿐만 아니라 작물의 적정 재배를 위한 자동 물관리(관개)를 위해서는 예측기술이 필요하다. 따라서 본 연구에서는 예측인자(캐노피 온도)와 예측변수(기상자료) 사이의 복잡한 비선형성을 고려하기 위해, 최근 많은 연구에서 다루고 있는 다층 퍼셉트론(Multi Layer Perceptron, MLP) 인공신경망을 활용하여 구명하였다. 2017년 6월부터 9월까지 미국 농업연구청 연구시험포장에서 노지 밭작물(옥수수등)을 대상으로 적외선 센서, 대기온습도 센서, 풍속계, 일사량측정센서를 이용해 입력변수(기상자료)와 출력변수(캐노피 온도)를 획득한 뒤, k-fold방식을 이용하여 최적의 시계열 입력변수를 선정하였다. 역전파 알고리즘(Backpropagation algorithm)을 이용하고, 시행착오법(trial-and-error)을 통해 훈련, 검증과 테스트 과정을 거쳐 최종 인공신경망 네트워크 구조가 선정되었으며, 예측과 실측 캐노피 온도값의 차이는 유사한 것으로 나타났다(R2=0.82~0.91).
-
노지 밭작물 수분 스트레스 진단을 위한 작물 캐노피 온도와 증발산량과의 상관관계 구명
김민영,( Susan O’shaugnessy ),( Paul Colaizzi ),최용훈,전종길,김영진,( Minyoung Kim ),( Susan O’shaugnessy ),( Paul Colaizzi ),( Yonghun Choi ),( Jong-gil Jeon ),( Young-jin Kim ) 한국농업기계학회 2018 한국농업기계학회 학술발표논문집 Vol.23 No.2
작물의 잎 표면온도인 캐노피 온도(Canopy temperature)은 작물의 증발산량과 작물 내 수분함량과의 상관관계가 있음은 널리 알려진 사실이며, 다양한 기상요소(대기온습도, 일사량, 풍속)의 영향을 많이 받는다. 작물의 수분스트레스 진단을 위한 지수(Crop Water Stress Index, CWSI) 산정에 엽온은 필수적인 항목이며, 최근 ICT 기술의 개발로 인해 적외선센서, 열화상카메라(휴대용 포함) 등 다양한 방법을 통해서 근접 또는 원격으로 실시간 측정이 가능하고, 이를 작물 생육환경을 최적 제어하는 연구에 최근 들어 많이 활용되고 있다. 미국 농업연구청(USDA-ARS, Bushland, Texas, U.S.A) 연구포장에서 수행된 본 연구는 옥수수, 수수작물을 대상으로 고정식 적외선센서를 이용하여 작물 캐노피 온도를 일별 변화를 측정하고, 간이 기상대를 통해 수집된 기상요소(최대-최소-평균 온도, 습도, 일사량, 풍속)과의 상관관계를 분석하였다. 일별 작물 증발산량은 FAO에서 권고하는 Penman-Monteith 방정식을 이용해서 계산하였으며, 작물캐노피 온도와 작물 증발산량과의 변화 추이분석을 통해 작물의 일별 물소요 패턴을 분석하였다. 연구결과 측정시기마다 차이가 있으나, 캐노피 온도는 대기온도와 유사한 변화곡선을 보였는데, 오전 10시를 전후로 증가하기 시작한 온도는 오후 2시를 전후로 최고점에 달한 후 이후 급격이 떨어지는 경향을 보였다. 작물 증발산량 일변화는 최소값 1.74mm/day, 최대값 7.4mm/day이었으며, 캐노피 온도의 변화는 최소값 11.06°C, 최대값 28.16°C로, 작물 증발산량과 캐노피 온도간의 상관관계는 시기별로 차이를 보이긴 했으나, 대체로 양의 선형관계를 보이는 것으로 연구결과 나타났다.
-
( Minyoung Kim ),( Susan O’shaughnessy ),( Paul Colaizzi ),( Yonghun Choi ),( Jonggil Jeon ),( Youngjin Kim ) 한국농업기계학회 2018 한국농업기계학회 학술발표논문집 Vol.23 No.1
Reliable, rapid and non-destructive measurement of plant water status is essential for irrigation scheduling. Using infrared thermometry to measure canopy temperature is an easier way to monitor plant water stress compared with in-situ soil water measurements and the soil water balance approach in terms of time, effort, and cost. This study aimed to apply Artificial Neural Networks (ANNs) to predict crop canopy temperature using climatic variables. Field experiment was conducted at the Conservation Production and Research Laboratory (Bushland, TX, U.S.A.) and grain corn (Zea mays L) was grown for high yield using practices common for the northern Texas Panhandle, Texas. Canopy temperatures were recorded by the infrared thermometers (SAP-IRT, Dynamax, USA) at 1.0 m above the canopy and meteorological data (air temperature, relative humidity, solar radiation, etc.) were obtained from the nearby Agro-climatological weather station. During the study period (from June to October), the canopy temperature under full irrigation condition varied from 7.6 to 36.5°C and its thermal regime was largely controlled by climatic conditions. All data used for ANN computation were scaled using the Min-Max normalization method, and 70%, 15% and 15% of data were randomly selected for model training, validation and testing, respectively. The best network was selected as 1-9-1 based on the network that was trained with the feed-forward Backpropagation using the conjugate gradients. The overall findings of this study showed that ANN with Backpropagation algorithm could well predict the time-dependent canopy temperature (R<sup>2</sup>=0.98) and air temperature was highly correlated with canopy temperature, which was then followed by relative humidity, wind speed and solar radiation.
-
김민영 ( Minyoung Kim ),최용훈 ( Yonghun Choi ),( Susan O’ Shaughnessy ),( Paul Colaizzi ),김영진 ( Youngjin Kim ),전종길 ( Jonggil Jeon ),이상봉 ( Sangbong Lee ) 한국농공학회 2019 한국농공학회 학술대회초록집 Vol.2019 No.-
작물 수분스트레스 지수(Crop Water Stress Index, CWSI)는 토양 내 수분 부족으로 인해 작물체내 가용할 수 있는 물의 양이 줄어듦에 따라 작물이 받는 수분스트레스의 정도를 나타내는 척도이다. 작물이 수분 스트레스를 받게 되면 기공감소에 따라 증산작용이 저하할 뿐만 기공을 닫게 되고, 이로 인해 캐노피 온도(Canopy temperature, T<sub>c</sub>)가 상승하게 된다. Jackson 등(1981)에 의해 개발된 CWSI 이론식은 외기 환경변화, 특히 일사량 및 풍속의 변화를 작물 수분스트레스 정량화에 고려하고 있기 때문에 최근 들어 작물 재배를 위한 적정 관개계획 연구에 많이 쓰이고 있다. 외기 환경변화 및 토양조건을 반영하여 가장 정확하게 작물이 받는 스트레스 척도를 가늠하는 이론식임에도 불구하고, 산정과정이 복잡하다는 단점이 제기되어 왔다. 따라서 본 연구에서는 작물 수분스트레스 지수를 물리적 측정 및 복잡한 수식과정에 따른 산정방법이 아닌 기상항목과 작물 수분스트레스 지수간의 비선형적인 상관관계를 분석하고, 이를 인공신경망 역전파 알고리즘(Backpropagation algorithm)을 활용해 예측하고자 하였다. 역전파 알고리즘 적용을 위한 입력변수로 대기 온습도, 풍속, 일사량이 사용되었으며, 출력변호로 작물 수분스트레스 지수가 사용되었다. 분석에 사용되는 모든 데이터는 Min-Max normalization 과정을 거쳐, K-fold cross validation을 통해 모든 데이터를 훈련 및 검증 과정에 사용할 수 있게 하였다. 시행착오법을 통해 훈련, 검증 및 테스트 과정을 거쳐 최종 인공신경망 네트워크 구조(4-5-1)가 선정되었으며, 예측결과 높은 정확도를 얻을 수 있었다(R<sup>2</sup>=0.81).
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
