작물 생육 모델을 이용한 지역단위 콩 수량 예측

반호영,최덕환,안중배,이변우,Ban, Ho-Young,Choi, Doug-Hwan,Ahn, Joong-Bae,Lee, Byun-Woo 대한원격탐사학회 2017 大韓遠隔探査學會誌 Vol.33 No.5

본 연구에서는 재배 방법, 토양 특성 등의 정보를 상세하게 수집하기 어려운 지역단위의 콩 작황을 작물생육 모델을 이용하여 예측하는 방법을 개발하고자 하였다. 작물 생육 모델은 DSSAT에 포함된 CROPGRO-Soybean 모델을 이용하였고, 미국의 주요 콩 생산지역인 Illinois주를 연구 사례지역으로 선택하였다. CROPGRO-Soybean 모델을 이용하여 Illinois주의 콩 수량을 예측하기 위한 첫 단계로 다양한 성숙군에 속하는 국내외 품종들을 수집하여 서울대학교농장($37.27^{\circ}N$, $126.99^{\circ}E$)에서 2년동안 파종기 실험을 하여 성숙군(maturity group) I~VI까지의 성숙군별 대표 품종모수(genetic coefficients)를 추정하였다. 대표 품종모수는 각 성숙군 내에 포함되어 있는 품종들의 발육을 매우 정확하게 추정하였다. $10km{\times}10km$ 격자 단위의 기상자료를 바탕으로 성숙군(3), 파종시기(3), 관개여부(2) 등을 조합하여 18가지 조건으로 2000년에서 2011년까지 수량을 각각 모의 하였다. 성숙군과 파종시기는 Illinois주를 위도에 따라 3등분하여 각각 다르게 설정하였다. 관개 및 무관개 조건으로 구분하여 격자 별 모의결과로부터 Illinois주 전체 평균 모의수량을 구하여 연도 별 통계 수량과 비교한 결과 두 경우 모두 실제 수량과 큰 차이를 보일 뿐만 아니라 연차에 따른 수량 변동과 증가 경향을 반영하지 못하였다. 이러한 한계를 극복하고자 처리 별 격자 별로 모의된 수량을 수량을 18개 모의 조건 별로 평균하여 구한 9개 농업지구의 연도별 수량을 독립 변수, 농업지구의 연도별 통계수량을 종속 변수로 하는 중회귀 모델을 구축하였다. 18개 모의 조건 별 수량 외에 품종 개량, 재배 기술 발전 등에 따른 수량의 연차적 변화경향을 반영하기 위하여 연도를 독립변수로 추가하였으며, 중회귀모델은 농업지구와 연도별 수량 변이를 비교적 잘 예측($R^2=0.61$, n=108)하였다. 중회귀 모델로 추정한 9개 농업지구의 연도별 수량을 농업지구별 재배 면적으로 가중 평균한 Illinois의 연도별 추정수량은 통계수량에 매우 근사하였다($R^2=0.80$). 뿐만 아니라 모델 구축 대상연도가 아니고 가뭄으로 수량이 크게 감소한 2012년의 예측 수량은 $3006kg\;ha^{-1}$로 통계수량 $2890kg\;ha^{-1}$과 $116kg\;ha^{-1}$의 근사한 차이를 보였다. The present study was to develop an approach for predicting soybean yield using a crop growth simulation model at the regional level where the detailed and site-specific information on cultivation management practices is not easily accessible for model input. CROPGRO-Soybean model included in Decision Support System for Agrotechnology Transfer (DSSAT) was employed for this study, and Illinois which is a major soybean production region of USA was selected as a study region. As a first step to predict soybean yield of Illinois using CROPGRO-Soybean model, genetic coefficients representative for each soybean maturity group (MG I~VI) were estimated through sowing date experiments using domestic and foreign cultivars with diverse maturity in Seoul National University Farm ($37.27^{\circ}N$, $126.99^{\circ}E$) for two years. The model using the representative genetic coefficients simulated the developmental stages of cultivars within each maturity group fairly well. Soybean yields for the grids of $10km{\times}10km$ in Illinois state were simulated from 2,000 to 2,011 with weather data under 18 simulation conditions including the combinations of three maturity groups, three seeding dates and two irrigation regimes. Planting dates and maturity groups were assigned differently to the three sub-regions divided longitudinally. The yearly state yields that were estimated by averaging all the grid yields simulated under non-irrigated and fully-Irrigated conditions showed a big difference from the statistical yields and did not explain the annual trend of yield increase due to the improved cultivation technologies. Using the grain yield data of 9 agricultural districts in Illinois observed and estimated from the simulated grid yield under 18 simulation conditions, a multiple regression model was constructed to estimate soybean yield at agricultural district level. In this model a year variable was also added to reflect the yearly yield trend. This model explained the yearly and district yield variation fairly well with a determination coefficients of $R^2=0.61$ (n = 108). Yearly state yields which were calculated by weighting the model-estimated yearly average agricultural district yield by the cultivation area of each agricultural district showed very close correspondence ($R^2=0.80$) to the yearly statistical state yields. Furthermore, the model predicted state yield fairly well in 2012 in which data were not used for the model construction and severe yield reduction was recorded due to drought.

딥러닝을 이용한 벼 도복 면적 추정

반호영,백재경,상완규,김준환,서명철,Ban, Ho-Young,Baek, Jae-Kyeong,Sang, Wan-Gyu,Kim, Jun-Hwan,Seo, Myung-Chul 한국작물학회 2021 한국작물학회지 Vol.66 No.2

해마다, 강한 바람을 동반한 태풍 및 집중호우로 인해 벼도복이 발생하고 있으며, 이삭이 여무는 등숙기에 도복으로 인한 수발아와 관련된 피해를 발생시키고 있다. 따라서,신속한 피해 대응을 위해 신속한 벼 도복 피해 면적 산정은 필수적이다. 벼 도복과 관련된 이미지들은 도복이 발생된 김제, 부안, 군산일대에서 드론을 이용하여 수집하였고, 수집한 이미지들을 128 × 128 픽셀로 분할하였다. 벼 도복을 예측하기 위해 이미지 기반 딥 러닝 모델인 CNN을 이용하였다. 분할한 이미지들은 도복 이미지(lodging)와 정상 이미지(non-lodging) 2가지로 라벨로 분류하였고, 자료들은 학습을 위한 training-set과 검증을 위한 vali-se을 8:2의 비율로 구분하였다. CNN의 층을 간단하게 구성하여, 3개의 optimizer (Adam, Rmsprop, and SGD)로 모델을 학습하였다. 벼 도복 면적 평가는 training-set과 vali-set에 포함되지 않은 자료를 이용하였으며, 이미지들을 methshape 프로그램으로 전체 농지로 결합하여 총 3개의 농지를 평가하였다. 도복 면적 추정은 필지 전체의 이미지를 모델의 학습 입력 크기(128 × 128)로 분할하여 학습된 CNN 모델로 각각 예측한 후, 전체 분할 이미지 개수 대비 도복 이미지 개수의 비율을 전체 농지의 면적에 곱하여 산정하였다. training-set과 vali-set에 대한 학습 결과, 3개의 optimizer 모두 학습이 진행됨에 따라 정확도가 높아졌으며, 0.919 이상의 높은 정확도를 보였다. 평가를 위한 3개의 농지에 대한 결과는 모든 optimizer에서 높은 정확도를 보였으며, Adam이 가장 높은 정확도를 보였다(RMSE: 52.80 m², NRMSE: 2.73%). 따라서 딥 러닝을 이용하여 신속하게 벼 도복 면적을 추정할 수 있을 것으로 예상된다. Rice lodging is an annual occurrence caused by typhoons accompanied by strong winds and strong rainfall, resulting in damage relating to pre-harvest sprouting during the ripening period. Thus, rapid estimations of the area of lodged rice are necessary to enable timely responses to damage. To this end, we obtained images related to rice lodging using a drone in Gimje, Buan, and Gunsan, which were converted to 128 × 128 pixels images. A convolutional neural network (CNN) model, a deep learning model based on these images, was used to predict rice lodging, which was classified into two types (lodging and non-lodging), and the images were divided in a 8:2 ratio into a training set and a validation set. The CNN model was layered and trained using three optimizers (Adam, Rmsprop, and SGD). The area of rice lodging was evaluated for the three fields using the obtained data, with the exception of the training set and validation set. The images were combined to give composites images of the entire fields using Metashape, and these images were divided into 128 × 128 pixels. Lodging in the divided images was predicted using the trained CNN model, and the extent of lodging was calculated by multiplying the ratio of the total number of field images by the number of lodging images by the area of the entire field. The results for the training and validation sets showed that accuracy increased with a progression in learning and eventually reached a level greater than 0.919. The results obtained for each of the three fields showed high accuracy with respect to all optimizers, among which, Adam showed the highest accuracy (normalized root mean square error: 2.73%). On the basis of the findings of this study, it is anticipated that the area of lodged rice can be rapidly predicted using deep learning.

유형이 다른 영농형 태양광발전시설 하부 재배 환경 및 벼 생산성 평가

반호영 ( Ho-young Ban ),정재혁 ( Jae-hyeok Jeong ),황운하 ( Woon-ha Hwang ),이현석 ( Hyeon-seok Lee ),양서영 ( Seo-yeong Yang ),최명구 ( Myoung-goo Choi ),이충근 ( Chung-keun Lee ) 한국농림기상학회 2020 한국농림기상학회지 Vol.22 No.4

영농형 태양광발전시설은 농지에 설치하여 전기도 생산하면서 동시에 작물도 재배할 수 있다. 영농형 태양광발전시설의 구조와 태양의 위치에 따라 차광 지점이 변화하기 때문에 시설 하부 환경을 분석할 필요가 있으며, 작물생산성도 평가되어야 한다. 영농형 태양광발전시설은 “고정형”과 “추적형” 두가지 유형을 설치하였으며, 시설을 설치한 농지와 차광이 되지 않는 일반 농지(control)에 벼 재배 실험을 실시하였다. 현품벼를 2019년 6월 7일에 기계 이앙하였으며, 시비량은 N-P-K= 9.0-4.5-5.7 kg/10a 이었다. 각 태양광발전시설 하부 15개 지점에 일사와 온도 센서를 설치하여 기상을 측정하였고, 지점 별로 수량 및 수량관련요소들을 조사하였다. 벼 생육기간동안 누적 일사는 고정형의 경우 지점들 간 차이가 크지 않았으며, 추적형의 경우 지점들 간 차이가 크게 나타났지만, 두 유형의 평균 누적 일사량은 비슷하였다. 고정형의 등숙률과 천립중을 제외하고 평균 기온과 수량 및 수량 관련 요소들 모두 차광율에 대해 유의한 차이를 나타냈으며 차광율이 커질수록 감소하였다. 차광율과 수량과의 관계에서 고정형은 로지스틱식으로 추적형은 1차방정식으로 각기 다르게 나타났으며, 두 유형 모두 높은 상관을 보였다(추적형: R² = 0.62, 고정형: R² = 0.73). 두 유형의 지점 별 차광율 변동은 두 유형 간 비슷한 수량 변동에도 불구하고 크게 나타났다. 따라서, 전체 생육기간의 누적 일사에 대한 차광율보다는 특정 시기의 차광율과의 관계를 좀 더 세밀히 검토할 필요가 있다. The agrivoltaic can produce electricity and grow crops on fields at the same time. It is necessary to analyze the cultivation environment and evaluate the crop productivity under agrivoltaic because the shading point changes according to structure of agrivoltaic and sun’s position. Two types of “fixing” and “tracing” agrivoltaic were installed, and a rice cultivation experiment was conducted in the fields under each agrivoltaic and without shading (control). “Hyunpoombyeo” was transplanted on June 7, 2019, and grown with fertilization of 9.0-4.5-5.7 kg/10a (N-P-K). Fifteen weather stations were installed under each agrivoltaic to measure solar radiation and temperature, and yield and yield-related elements were investigated by points. The accumulated solar radiation during the rice growing season in fixing was no much difference between points, and that in tracing was much difference between points. However, the average solar radiations of two agrivoltaics were similar. The mean temperature, yield, and yield-related elements showed a significant difference for the shading rate, and decreased with increasing the shading rate except ripening grain rate and 1000 grain weight of fixing agrivoltaic. In the relationship between shading rate and yield, fixing and tracing were fitted to a logistic equation and a simple linear equation, respectively, and showed a high correlation (tracing: R² = 0.62, fixing: R² = 0.73). The shading rate variation by point for two types was large despite similar yield variation. Thus, it needs to be more closely examined the relationship of the shading rate for a specific period rather than the shading rate during the whole growing season.

기계학습을 이용한 벼 수발아율 예측

반호영 ( Ho-young Ban ),정재혁 ( Jae-hyeok Jeong ),황운하 ( Woon-ha Hwang ),이현석 ( Hyeon-seok Lee ),양서영 ( Seo-yeong Yang ),최명구 ( Myong-goo Choi ),이충근 ( Chung-keun Lee ),이지우 ( Ji-u Lee ),이채영 ( Chae Young Lee ),윤 한국농림기상학회 2020 한국농림기상학회지 Vol.22 No.4

본 연구는 자연 조건에서 쌀가루용 벼의 수발아율을 예측하기 위한 것으로 기계학습을 이용하여 기상요소들에 따른 수발아율을 간단히 예측할 수 있는 초기 시스템을 개발하기 위해 수행되었다. 이를 위하여 강원도, 충청북도, 경상북도에 위치한 6개 지역에서 쌀가루용 벼 3품종을 재배하였다. 수확 후 수발아율과 출수일을 조사하였으며, 각 지역의 종관기상대의 일 평균 기온과 상대 습도, 그리고 강수량 정보를 이용하여 기계학습 모델 중 하나이며, 정확도가 높은 GBM 모델로 수발아율을 예측하였다. 2017년부터 2019년까지 강원과 충북, 그리고 경북의 6개 지역에서 쌀가루 용 벼 3품종에 대해 재배 실험을 수행하였다. 조사 항목은 출수일과 수발아율이었다. 기상자료는 동일한 지역명의 종관기상대를 이용하여 일 평균 기온 및 상대 습도, 그리고 강수량 자료를 수집하였다. 수발아율 예측을 위해 기계학습 모델인 Gradient Boosting Machine (GBM)을 이용하였으며, 학습 투입 변수로는 평균 기온과 상대 습도, 그리고 총 강수량이었다. 또한 수발아 피해 관련 기간을 설정하기 위해 출수 후 몇 일 후부터 그 이후의 기간에 대한 실험도 수행하였다. 자료는 수발아 피해 관련 기간의 교정을 위한 training-set과 vali-set, 검증을 위한 test-set으로 구분하였다. training-set과 vali-set으로 교정한 결과, 출수 후 22일 후부터 24일동안에서 가장 높은 score를 나타내었다. test-set으로 검증한 결과는 3.0%보다 낮은 구간에서 수발아율을 약간 높게 예측한 경향이 있었지만, 높은 예측력을 보였다(R²=0.76). 따라서, 기계학습을 이용하여 특정기간동안의 기상요소들로 수발아율을 간단하게 예측할 수 있을 것으로 예상된다. 본 연구의 결과를 종합해 볼 때, 기계학습을 이용하여 특정기간 동안에 평균 기온과 상대 습도, 그리고 총 강수량으로 높은 수발아율 예측 성능을 보였으며, 이 시스템을 이용하여 일반 농가들을 대상으로 수발아에 관한 피해를 예방할 수 있는 조기 수발아 예측 시스템으로 이용가능 할 것으로 판단된다. 하지만 품종마다 휴면 정도 차이로 인한 수발아 관련 기간에 차이가 있으므로, 다른 쌀가루용 벼 품종에 대해서도 추가로 조사하고, 개별 품종으로 세분화하여 분석한다면 좀 더 정확도 높은 예측 시스템을 개발할 수 있을 것으로 판단된다. Rice flour varieties have been developed to replace wheat, and consumption of rice flour has been encouraged. damage related to pre-harvest sprouting was occurring due to a weather disaster during the ripening period. Thus, it is necessary to develop pre-harvest sprouting rate prediction system to minimize damage for pre-harvest sprouting. Rice cultivation experiments from 2017 to 2019 were conducted with three rice flour varieties at six regions in Gangwon-do, Chungcheongbuk-do, and Gyeongsangbuk-do. Survey components were the heading date and pre-harvest sprouting at the harvest date. The weather data were collected daily mean temperature, relative humidity, and rainfall using Automated Synoptic Observing System (ASOS) with the same region name. Gradient Boosting Machine (GBM) which is a machine learning model, was used to predict the pre-harvest sprouting rate, and the training input variables were mean temperature, relative humidity, and total rainfall. Also, the experiment for the period from days after the heading date (DAH) to the subsequent period (DA2H) was conducted to establish the period related to pre-harvest sprouting. The data were divided into training-set and vali-set for calibration of period related to pre-harvest sprouting, and test-set for validation. The result for training-set and vali-set showed the highest score for a period of 22 DAH and 24 DA2H. The result for test-set tended to overpredict pre-harvest sprouting rate on a section smaller than 3 .0 %. However, the result showed a high prediction performance (R²=0 .76). Therefore, it is expected that the pre-harvest sprouting rate could be able to easily predict with weather components for a specific period using machine learning.

스마트 LED 가로등용 컨트롤러 개발

윤태민,반호영,이찬길 대한전기학회 2010 대한전기학회 학술대회 논문집 Vol.2010 No.10

3차원 영상 데이터를 활용한 콩 생육 측정 방법 평가

권동원,장성율,반호영,박혁진,상완규,백재경,서명철,조정일,조재일 경상국립대학교 농업생명과학연구원 2023 농업생명과학연구 Vol.57 No.1

Recently, 3D (3-Dimentional) image data utilization technology has been attracting attention, and studies are being made to measurethe growth of crops using equipment such as laser scanners and depth cameras. If 3D image data is used to measure the growth characteristicsof crops, it has the advantage of using structure and shape information that cannot be measured in planar data. In this study, the growth characteristics of soybeans were estimated using 3D image data. Soybeans were measured at beginning bloom (R1), beginning pod (R3),and beginning seed (R5) by using a depth camera. The x, y coordinate position of the main stem was specified using the centroidof the object projected on the plane for estimating the plant height and showed a high determination coefficient. In the case of plantheight estimation, as the structure and shape of stems and leaves developed, the method using the distance between the top points ofan object from the ground in 3D image had a large error between the actual measurement and the estimated value. For estimating theleaf area, object surface points with 3D position values were divided according to height, and the area of each height section was calculated. The estimated value was overestimated because the calculated area in each height section increased due to the increased number ofpoints in the 3D data merging. For more precise growth investigation using 3D images in the future, it is thought that data pre-processingand analysis method development taking into account the characteristics of unique growth variables of crops are required. 최근 3차원 영상 데이터 활용 기술이 주목받으며 레이저 스캐너, 깊이 카메라와 같은 장비를 활용하여 작물의 생육을 측정하려는 연구가 시도되고있다. 작물의 생육 특성을 측정할 때 3차원 영상 데이터를 활용한다면 평면 데이터에서 측정하지 못한 구조와 형태 정보를 이용할 수 있는 장점이있다. 본 연구에서는 콩의 생육 특성을 3차원 영상 데이터를 활용하여 추정하였다. 깊이 카메라를 이용하여 콩의 개화시(R1), 착협기(R3), 종실비대기(R5)에 촬영하고 3차원 데이터로 개체의 초장과 엽면적을 추정하고 실측 값과 비교하였다. 초장 추정을 위해 평면에 투영된 개체의 무게 중심을 이용하여원줄기의 x, y 좌표 위치를 지정하였는데 눈으로 보고 지정한 원줄기의 위치와 무게 중심 점의 x, y 좌표 위치는 높은 결정 계수를 보였다. 초장추정의 경우 콩의 구조와 형태가 발달함에 따라 3차원 영상에서 지면으로부터 개체 상단 지점 간 거리를 이용하는 방법은 실측과 추정 값간오차가 컸다. 엽면적 추정을 위해서 3차원 위치 값을 갖는 개체 표면 점들을 높이에 따라 분할하고 각 높이 구간의 면적을 계산하였다. 3차원데이터 병합 과정에서 늘어난 점 개수로 인해 각 높이 구간에서 계산된 면적이 증가하였기 때문에 추정 값은 과대평가되었다. 향후 3차원 영상을이용한 보다 정밀한 생육 조사를 위해서는 작물 고유의 생육변수 특성을 고려한 데이터 전처리 과정과 분석 방법 개발이 필요할 것으로 사료된다

중량콘크리트의 특성에 관한 기초적 연구(VIII) : 초음파법에 의한 비파괴 시험

한천구,김을용,반호영 대한건축학회 1990 대한건축학회 학술발표대회 논문집 - 계획계/구조계 Vol.10 No.1

[PC-0020] ToF 카메라를 이용한 옥수수 생육 측정 방법에 관한 연구

박혁진,상완규,반호영,권동원,백재경,조정일,서명철 한국육종학회 2022 한국육종학회 공동학술발표집 Vol.2022 No.-

고해상도 MODIS 자료를 활용한 미국 지역 옥수수 파종일 및 성숙일 추정

김광수,유병현,반호영,현신우,박진유 한국작물학회 2017 한국작물학회 학술발표대회 논문집 Vol.2017 No.-

고해상도 MODIS 자료를 활용한 미국 지역 옥수수 파종일 및 성숙일 추정

김광수,유병현,반호영,현신우,박진유 한국작물학회 2017 한국작물학회 학술발표대회 논문집 Vol.2017 No.-