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 : ( Si-hyeong Jang ) (검색결과 66 건)
- 무료
- 기관 내 무료
- 유료
-
-
( Si-hyeong Jang ),( Chan-seok Ryu ),( Ye-seong Kang ),( Sae-rom Jun ),( Jun-woo Park ),( Tapash Kumar Sarkar ),( Hye-young Song ) 한국농업기계학회 2018 한국농업기계학회 학술발표논문집 Vol.23 No.1
The objective of this study is to select optimal spectral bands that is possible to classify the difference in canopy reflectance between Garlic and Onion. The Transform Divergence(TDiver) and Decision Tree(DT) were applied as the classification methods based on the machine learning. The canopy reflectance was acquired two types such as multispectral camera mounted on Unmanned Aerial Vehicle(UAV) and hyperspectral camera based on ground. The study was conducted at Hyeonggyeong-myeon, Muan-gun, Jeollanam-do from February to May in 2016 at Garlic and Onion fields. The multispectral images were acquired with an interval of two weeks using the fixed wing UAV(eBee, Sensefly) and the hyperspectral images were acquired with an interval of one month during the growing season. The crop canopies were extracted from the acquired images by Ortho’s method for the homogeneous training sample data. In hyperspectral image, the high dimensional data was averaged into 20, 40, 50 and 80nm of FWHM depending on the commercialized band pass filter in order to develop the multispectral imaging sensor. TDiver was calculated to evaluate the separability of canopy reflectance between Garlic and Onion depending on the growth stages. Separability of TDiver represents classification possibility between garilc and onion. Separability of less than 1700 means low classification possibility and it of more than 1900 means high classification possibility. The method of DT using the averaged of FWHM data was conducted to select spectral band using the training samples of 30% and evaluate the classification accuracy using the test samples of 70%. As a result of multispectral image, the separability of canopy reflectance between Garlic and Onion was shown at three-dimensional spectral band set such as NIR, Red and Green as the best because TDiver value is highest as 1958. It means that it is possible to classify Garlic and Onion on 12<sup>th</sup> May as the late growing stage. In the remaining grwoth stages, however, these are difficult to classify Garlic and Onion because TDiver values were lower and less than 1358. In the case of hyperspectral images, the single spectral bands namely green blue and NIR were selectred for FWHM 25nm and 40nm in 22<sup>th</sup> March, 19<sup>th</sup> April and 12<sup>th</sup> May. Alongside, two spectral bands in 12<sup>th</sup> May and Green and Blue bands in 22<sup>th</sup> March and 19<sup>th</sup> April were selected for FWHM 50nm and two spectral bands in 19<sup>th</sup> April for FWHM 80nm were selected where Green and NIR bands were selected in 22<sup>th</sup> March and 12<sup>th</sup> May. The classification accuracy of decision tree developed using the data on 22<sup>th</sup> March was clearly classified as overall accuracy 100% using one spectral band for all FWHM. The DT of two spectral bands (460nm, 720nm) selected for FWHM 80nm in 19<sup>th</sup> April was the better overall accuracy 94.9% and Kappa 0.892 than it of one spectral band. The DT of two spectral bands (940nm, 430nm) selected for FWHM 50nm in 12<sup>th</sup> May was the better accuracy 92.1% and Kappa 0.839 than it of one spectral band.
-
-
다년도 분광 데이터를 이용한 콩의 생체중, 엽면적 지수 추정
장시형 ( Si-hyeong Jang ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),박준우 ( Jun-woo Park ),김태양 ( Tae-yang Kim ),강경석 ( Kyung-suk Kang ),박민준 ( Min-jun Park ),백현찬 ( Hyun-chan Baek ),박유현 ( Yu-hyeon Park ),강동 한국농림기상학회 2021 한국농림기상학회지 Vol.23 No.4
콩은 논 대표적인 밭작물로써 온도, 수분, 토양과 같은 환경 조건에 민감하기 때문에 재배 시 포장 관리가 매우 중요하다. 작물 상태를 비파괴적, 비접촉적 방법으로 측정할 수 있는 분광 기술을 활용한다면 작황 예측, 작물 스트레스 및 병충해 판별 등 생육 진단 및 처방을 통해 품질과 수확량을 높일 수 있다. 본 연구에서는 회전익 무인기에 탑재된 다중분광 센서를 이용하여 시험 포장에서 콩 생육 추정 모델 개발하고 재현성을 확인하기 위해 농가 포장에 검증을 수행하였다. 분광 데이터로 산출된 정규화 식생지수(NDVI, GNDVI), 단순비 식생지수(RRVI, GRVI)와 콩 생육 데이터(생체중, LAI)를 선형회귀분석을 실시하여 모델을 개발하였으며 괴산에 위치한 농가포장에서 검증을 실시하였다. 그 결과 생체중의 경우 정규화 식생지수를 이용 시 포화되기 때문에 단순비 식생지수 GRVI를 이용한 모델의 성능이 가장 높았다(R<sup>2</sup>=0.74, RMSE=246 g/㎡, RE=34.2%). 괴산 농가 포장에 생체중 모델 검증 결과 RMSE=392 g/㎡, RE=32%로 나타났으며 작부 체계별 나누어 검증 결과 단작 포장과 이모작 포장 생체중 모델은 RMSE=315 g/㎡, RE=26% 및 RMSE=381 g/㎡, RE=31%로 나타났다. 작부 체계별 포장과 적산온도가 유사한 연도별 시험 포장(2018+2020년, 2019년)을 나누어 생체중 모델 개발한 결과 단년도(2019년)의 성능이 높게 나타났다. 작부 체계별 적산온도가 유사한 검증과 기존 검증 간 비교 결과 단작 포장은 RMSE 및 RE를 기준으로 각각 29.1%와 34.3%로 개선 되었으나 이모작 포장은 -19.6%, -31.3%로 저하되었다. 적산온도 이외의 환경 요인, 분광 및 생육 데이터 추가 시 다양한 환경 조건에서 재배되는 콩 생육을 추정 가능할 것으로 판단된다. Soybeans (Glycine max), one of major upland crops, require precise management of environmental conditions, such as temperature, water, and soil, during cultivation since they are sensitive to environmental changes. Application of spectral technologies that measure the physiological state of crops remotely has great potential for improving quality and productivity of the soybean by estimating yields, physiological stresses, and diseases. In this study, we developed and validated a soybean growth prediction model using multispectral imagery. We conducted a linear regression analysis between vegetation indices and soybean growth data (fresh weight and LAI) obtained at Miryang fields. The linear regression model was validated at Goesan fields. It was found that the model based on green ratio vegetation index (GRVI) had the greatest performance in prediction of fresh weight at the calibration stage (R<sup>2</sup>=0.74, RMSE=246 g/㎡, RE=34.2%). In the validation stage, RMSE and RE of the model were 392 g/㎡ and 32%, respectively. The errors of the model differed by cropping system, For example, RMSE and RE of model in single crop fields were 315 g/㎡ and 26%, respectively. On the other hand, the model had greater values of RMSE (381 g/m2) and RE (31%) in double crop fields. As a result of developing models for predicting a fresh weight into two years (2018+2020) with similar accumulated temperature (AT) in three years and a single year (2019) that was different from that AT, the prediction performance of a single year model was better than a two years model. Consequently, compared with those models divided by AT and a three years model, RMSE of a single crop fields were improved by about 29.1%. However, those of double crop fields decreased by about 19.6%. When environmental factors are used along with, spectral data, the reliability of soybean growth prediction can be achieved various environmental conditions.
-
장시형 ( Si-hyeong Jang ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),박준우 ( Jun-woo Park ),김태양 ( Tae-yang Kim ),강경석 ( Kyeong-suk Kang ) 한국농업기계학회 2020 한국농업기계학회 학술발표논문집 Vol.25 No.1
오이는 박과 작물로 재배환경에 따라 생육에 크게 영향을 받는다. 육묘기때 수분 관리를 소홀히 하면 생육장해가 발생하기 때문에 실시간으로 생육 진단 기술 개발이 필요하다. 본 연구는 온실 내 다중분광 센서가 설치된 영상 시스템을 이용하여 오이 묘의 수분함량 추정 모델을 개발하였다. 본 연구는 전라북도 완주군에 위치한 농촌진흥청 국립원예특작과학원 내 온실에서 2020년 3월 9일부터 12일까지 총 4일 간 실험을 수행하였다. 실험 장비는 5개의 (Blue, Green, Red, Red edge, NIR) 파장으로 이루어진 다중분광 센서(Rededge-M, Micasense Inc., USA)를 이용하였다. 정오마다 촬영한 오이묘 영상은 영상처리를 통해 캐노피의 반사값 추출 및 식생지수 NDVI, GNDVI를 산출하였다. 오이 묘의 수분함량은 촬영 직후 측정한 생체중과 건물중을 이용하여 계산하였다. 오이 묘의 식생지수와 수분함량을 선형회귀분석하여 추정 모델을 개발하였다. 개발된 추정 모델은 정확도(R²)및 정밀도(RMSE)로 성능을 평가하였다. 식생지수 NDVI, GNDVI를 이용한 오이 묘 수분함량 추정 모델의 정확도는 0.31, 0.13로 나타났으며 정밀도는 8.19%, 9.14%로 낮게 나타났다. 온실 내 구조물에 발생하는 그림자 영향을 최소화하고자 촬영시 차광막을 설치했으나 샘플 위치마다 그림자의 영향을 받아 광이 불균일하여 모델의 성능이 낮게 나타난 것으로 판단된다. 이러한 문제를 해결하고자 샘플 위치를 나누어 재분석하였다. 그 결과 NDVI를 이용한 앞쪽 배치된 오이 묘 수분함량 추정 모델의 정확도 및 정밀도는 0.58, 5.97%가 나타났으며 뒷쪽 배치된 오이묘 수분함량 추정 모델의 정확도 및 정밀도는 0.15, 9.99%가 나타나 앞쪽에 배치한 샘플은 뒷쪽에 배치한 샘플에 비해 상대적으로 그림자의 영향을 덜 받아 광이 균일하여 모델의 성능이 개선되었을 것으로 판단된다. 문제점을 보완하고 개선한 모델을 통해 변량 관수 시스템 도입에 기초자료로 사용할 수 있을 것으로 판단된다.
-
-
-
장시형 ( Si-hyeong Jang ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),박준우 ( Jun-woo Park ),김태양 ( Tae-yang Kim ),강경석 ( Kyung-suk Kang ),박민준 ( Min-jun Park ),백현찬 ( Hyun-chan Baek ) 한국농업기계학회 2021 한국농업기계학회 학술발표논문집 Vol.26 No.2
최근 봄~초여름까지 고온건조한 아열대성 기후의 변화로 인해 날씨에 민감한 농업에서 생육장해, 병충해 등 발생하여 품질이나 수확량이 크게 감소한다. 특히 사과, 배, 복숭아와 같은 노지에서 다년간 자라는 과수에서 큰 피해가 발생한다. 사과의 병해 중 ‘겹무늬썩음병’은 고온건조한 환경이 지속되면 뿌리, 가지 그리고 수확기 때 과실에 병증이 나타나며 전염성이 강하여 발병 즉시 나무를 베어버린다. 본 연구에서는 드론에 탑재된 초분광 센서를 이용하여 머신러닝 중 분류기법인 ‘의사결정나무’를 이용해 겹무늬썩음병의 조기 예측 가능성을 검토하였다. 본 실험은 전북 완주에 위치한 농촌진흥청 국립원예특작과학원 내 사과포장에서 진행되었으며 촬영시기는 나뭇잎이 떨어지기 이전인 8월 11일에 촬영되었다. 드론에 탑재된 초분광 센서로 취득된 영상들은 전처리과정인 기하보정 및 방사보정을 실시하고 나뭇잎의 반사값을 추출한 다음 발병 유무에 따라 대조구(정상)와 실험구(발병)으로 나누었다. 대조구에 비해 실험구의 데이터가 현저히 적어 이를 보완하기 위해 오버샘플링 기법 중 SMOTE(Synthetic minority oversampling technique)를 이용하였으며 의사결정나무(Decision Tree, 훈련자료:50%, 검증자료:50%) 모델을 개발하고 Overall Accuracy (OA)와 Kappa coefficient로 분류 정확도를 평가하였다. 오버 샘플링 하기 이전 데이터로 의사결정나무모델 결과 710nm로 Red edge영역과 870nm로 NIR영역에서 유의한 파장이 선정되었으나 OA와 Kappa coefficient 모두 0.5이하로 낮은 분류 정확도가 나타났다. 오버 샘플링을 통한 데이터로 의사결정나무모델 결과 710nm, 750nm로 Red edge영역과 849nm, 870nm로 NIR영역에서 유의한 파장이 선정되었으며 OA는 0.85이상, Kappa coefficient는 0.73의 분류 정확도가 나타났다. 추후 Random forest, Support Vector Machine(SVM)등 다른 머신러닝 분류 알고리즘과 딥러닝 기반 분류 알고리즘을 이용하여 분류 모델 개발 및 비교하여 병 조기 예측 진단 가능성을 높일 필요가 있다고 판단된다.
-
회전익 무인기에 탑재된 열화상 센서를 이용한 콩 수분 스트레스 판별
장시형 ( Si-hyeong Jang ),유찬석 ( Chan-seok Ryu ),강예성 ( Ye-seong Kang ),박준우 ( Jun-woo Park ),김태양 ( Tae-yang Kim ),강경석 ( Kyeong-suk Kan ) 한국농업기계학회 2020 한국농업기계학회 학술발표논문집 Vol.25 No.1
콩은 수분 영향을 크게 받는 작물 중 하나이며 수분 관리를 제대로 안될 시 생육 장해가 발생하고 수확량이 감소하기 때문에 본 연구에서 무인기에 탑재된 열화상 센서를 이용하여 콩의 수분 스트레스 여부 추정하기 위해 수행되었다. 실험 포장은 경상남도 밀양시에 위치하고 있으며 (35°26'59.8"N 128°47'08.2"E) 가로 6m, 세로 9m로 나누어진 18개 블럭으로 이루어져 있다. 관수(12곳), 미관수(6곳) 블록을 나누어 지하부에 수분 센서를 설치하고 자동관수 시스템을 이용하여 7월 28일부터 수확 전까지 관수량을 조절하였다. 회전익 무인기(Matrice 200 v2, DJI Technology Co. Ltd., China)에 열화상 센서(altum, Micasense Inc, USA)를 탑재하여 8월 1일부터 10월 4일까지 총 6차례 영상을 취득하였다. 취득한 개별 영상들은 하나의 영상으로 접합한 후 섭씨온도로 변환하여 콩 캐노피 영역 온도값을 추출하였다. 추출한 온도값을 이용하여 관수 여부에 따른 캐노피 온도 차이를 비교하였다. 또한 토양 수분함량과 생육데이터(생체중)를 t-test검정하여 수분 스트레스 여부를 추정하였다. 열화상 센서를 이용하여 관수 여부에 따른 캐노피 온도 차이 분석한 결과 2차례(8월 1일, 8월 19일) 기간에서 온도 차이가 나타났다(p<0.05). 반면에 나머지 4차례(8월 8일, 9월 6일, 9월 20일, 10월4일) 기간에서 온도 차이가 나타나지 않았는데 영상을 취득하기 전 날 강수영향으로 인해 캐노피 온도가 회복했을 것으로 판단된다. 관수 여부에 따른 토양 수분함량 및 생육 차이 분석한 결과 캐노피 온도 차이와 달리 8월 19일에서만 차이가 나타났다. 8월 1일에서 일부 관수 블럭의 배수가 불량하여 토양 내 수분이 과다로 양분 부족으로 인해 생육 부진이 나타난 것으로 판단된다. 본 연구를 통해 짧은 시간에 생육 상태를 진단하고 적정 시기에 수분 공급하여 재배 관리에 도움을 줄 것으로 판단된다.
-
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
