배 나무 수체 내 수액 흐름과 기상과의 연관성 분석 = Analysis of the Relationship between the Sap Flow and the Climate in the Pear Trees

국문 초록 (Abstract)

배 (Pyrus pyrifolia Nakai.) 과육의 약 80%는 수분으로 이루어져 있다. 이런 배의 생육기간 동안 적절한 관수가 이루어지지 않게 되면 다양한 생리장해가 발생하게 되어 상품성에 많은 영향을 끼치게 된다. 본 연구는 기상요소와 ‘신고’배의 수액 흐름의 상관성을 찾고, 배나무의 수분 요구량을 예측하여 적절한 관수 시스템을 구축하기 위해 수행하였다. 수액 흐름은 2019년부터 2022년까지 조사하였다. 수액 흐름은 배나무의 생육이 시작되는 4월부터 증가하기 시작하였고 10월부터 감소하기 시작하여 11월 중순부터 거의 정지상태가 되었다. 수액 흐름과 기상변수를 Pearson 상관분석을 통해 수액 흐름은 습도와 음의 상관관계 (r=-0.7385)를 나타냈으며, 기온 (r=0.5694), 일사량 (r=0.6020), 풍속 (r=0.4187)은 양의 상관관계를 나타냈다. 2019년부터 2021년까지의 수액 흐름 데이터를 통해 2022년 수액 흐름을 Poisson 다중회귀 분석한 결과 수액 흐름에 영향을 주는 기상변수 중 기온, 강수량, 습도, 풍속, 기압, 일사량 순서로 중요도가 결정되었으며, 머신러닝 모형 Light Gradient Boosting Machine을 통해 2019년부터 2021년까지의 수액 흐름 데이터를 학습시켜 2022년 수액 흐름을 예측한 결과 Root Mean Square Error, Mean Absolute Error는 각각 805.7475, 497.8927로 실측값과 많은 차이가 나타나지 않았으며 r2값은 0.8601로 높은 예측력을 보여주었다.

다국어 초록 (Multilingual Abstract)

About 80% of the pear (Pyrus pyrifolia) consists of water. If proper irrigation is not provided during the growing season of these pears, various physiological disturbances occur, which greatly affects the quality of fruit. This study was conducted to find the correlation between weather and sap flow in pear (Pyrus pyrifolia Nakai), to predict the water demand of pear trees, and to establish an appropriate irrigation system. The sap flow was identified from 2019 to 2022. The growth of pear trees started to increase in April, when the growth began to decrease, and almost stopped from October to mid-November. Sap flow showed a negative correlation with humidity (r=-0.7385), and a positive correlation with temperature (r=0.5694), solar radiation (r=0.6020), and wind speed (r=0.4187). As a result of Poisson multiple regression analysis of sap flow in 2022 through sap flow data from 2019 to 2021, the importance was determined in the order of temperature, precipitation, humidity, wind, pressure, and insolation among meteorological variables that affect sap flow. The sap flow data from 2019 to 2021 was learned through the machine learning model Light Gradient Boosting Machine to predict the sap flow in 2022. Root Mean Square Error and Mean Absolute Error were 805.7475 and 497.8927, respectively, which did not show much difference from the measured value, and the r2 value was 0.8601, showing high predictive power.

목차 (Table of Contents)

• 국문초록 7
• Ⅰ. 서언 8
• Ⅱ. 연구사 10
• 1. 기상과 농업 10
• 2. 수액 흐름에 관한 연구 10
• Ⅲ. 재료 및 방법 11
• 1. 실험수 선정 및 관리 11
• 2. 수액 흐름 조사 13
• 가. 수액 흐름 센서 설치 13
• 나. 수액 흐름양 계산 15
• 3. 데이터 관리 15
• 가. 수액 흐름 데이터 관리 15
• 나. 기상 데이터 및 실시간 데이터 관리 20
• 4. 통계 23
• 가. 수액 흐름과 기상과의 Pearson 상관분석 23
• 나. 수액 흐름 예측 모형 23
• Ⅳ. 결과 및 고찰 25
• 1. 수액 흐름 25
• 가. 연간 수액 흐름 변화 25
• 나. 일간 수액 흐름 특징 27
• 2. 기상 환경과 수액 흐름과의 상관성 분석 29
• 가. 연간 기상 환경과 수액 흐름과의 상관성 29
• 나. 월별 기상과 수액 흐름의 상관성 32
• 3. 수액 흐름양 예측 34
• 가. Poisson 회귀분석을 통한 수액 흐름 예측 34
• 나. Light Gradient Boosting Machine (LGBM) 모형을 통한 수액 흐름 예측 37
• 인용문헌 39
• 영문초록 42